-
TECHNISCHES GEBIET
-
Die vorliegende Offenbarung betrifft das Gebiet von Computern und insbesondere die Verwendung von Computern zum Analysieren von Daten. Vor allem betrifft die vorliegende Offenbarung insbesondere ein Abstrahieren und Auswählen von optimalen Sets von varianzbezogenen Funktionen in Bezug auf medizinisch betreute Patienten.
-
HINTERGRUND DER ERFINDUNG
-
Krankheitsselbstmanagement-Programme und Überwachungsprogramme für Interventions-/Versorgungspläne sind durch ihr Unvermögen eingeschränkt, durch den Patienten generierte Daten systematisch zu nutzen, insbesondere jene, die eine fundierte Interpretation des zeitlichen Kontexts des Messwerts erfordern (Beispiele dafür sind das Gewicht eines Patienten im Zeitverlauf, Cholesterinspiegel, Blutzuckerwerte usw., sie sind jedoch nicht darauf beschränkt). Zwar helfen vorhandene Techniken (mehrere mobile Apps und webbasierte Portale) beim Erfassen und Speichern der relevanten Daten, ihre Fähigkeit, sachdienliche Kennwerte zu bestimmen, die höchst spezifisch für diese Einzelperson sind, ist jedoch begrenzt oder nicht vorhanden. Der Grund dafür ist, dass die Techniken spezielle Umstände der Einzelperson hinsichtlich Krankheitsverlauf, Medikationsprofil und andere Pflegeaspekte nicht berücksichtigen, die sich auf die klinischen Leistungsindikatoren (KPIs) auswirken.
-
KURZDARSTELLUNG DER ERFINDUNG
-
Ein Verfahren, System und/oder Computerprogrammprodukt abstrahieren und wählen automatisch ein optimales Set von varianzbezogenen Funktionen aus, die ein Indikator für ein individuelles Resultat und eine personalisierte Planauswahl in der Gesundheitsfürsorge sind. Ein abstrahiertes Set von varianzbezogenen Kandidaten-Patientenfunktionen wird generiert, die zeitlich heteroskedastische Funktionen aufweisen. Jede Patientenfunktion aus dem abstrahierten Set von varianzbezogenen Kandidaten-Patientenfunktionen wird optimiert, indem ein Zeitraum identifiziert wird, in dem Varianzen und Heteroskedastizität jeder Patientenfunktion maximiert sind, wobei dieses Optimieren ein optimales abstrahiertes Set von varianzbezogenen Patientenfunktionen aus dem Zeitraum erstellt, in dem die Varianzen und Heteroskedastizität jeder Patientenfunktion maximiert sind. Das optimale abstrahierte Set von varianzbezogenen Patientenfunktionen wird mit einem historischen Datenset für eine Patienten-Grundgesamtheit verglichen, um ein Vorhersageset von varianzbezogenen Patientenfunktionen zu erstellen, wobei das Vorhersageset von varianzbezogenen Patientenfunktionen ein gesundheitsbezogenes Zielresultat der Patienten-Grundgesamtheit vorhersagt. Ein aktuelles optimales Patientenset von varianzbezogenen Patientenfunktionen wird für einen aktuellen Patienten erstellt. Das optimale Set von varianzbezogenen Patientenfunktionen für die Patienten-Grundgesamtheit wird mit dem aktuellen optimalen Patientenset von varianzbezogenen Patientenfunktionen für den aktuellen Patienten verglichen. Als Reaktion auf das optimale Set von varianzbezogenen Patientenfunktionen für die Patienten-Grundgesamtheit, das mit dem aktuellen optimalen Patientenset von varianzbezogenen Patientenfunktionen für den aktuellen Patienten innerhalb eines vordefinierten Limits übereinstimmt, wird eine Ermittlung ausgeführt, ob das gesundheitsbezogene Zielresultat mit einem vordefinierten gesundheitsbezogenen Zielresultat für den aktuellen Patienten übereinstimmt. Als Reaktion darauf, dass das gesundheitsbezogene Zielresultat mit dem vordefinierten gesundheitsbezogenen Resultat für den aktuellen Patienten übereinstimmt, wird ein Alert in Bezug auf das vordefinierte gesundheitsbezogene Resultat für den aktuellen Patienten ausgegeben.
-
KURZBESCHREIBUNG DER ZEICHNUNGEN
-
Als Nächstes werden eine bzw. mehrere Ausführungsformen der Erfindung allein zu Beispielzwecken unter Bezugnahme auf die begleitenden Zeichnungen beschrieben, wobei:
-
1 stellt ein beispielhaftes System und Netzwerk dar, in denen die vorliegende Offenbarung umgesetzt werden kann;
-
2 veranschaulicht eine beispielhafte Architektur und einen Prozess zum Entwickeln von Informationen von gesundheitsbezogenen Funktionsabstraktionen;
-
3 stellt eine simulierte Sequenz von Patienten-Gesundheitsmesswerten dar;
-
4 veranschaulicht eine geschätzte Trendvarianz für die in 3 gezeigten Patienten-Gesundheitsmesswerte;
-
5 stellt eine weitere simulierte Sequenz von Patienten-Gesundheitsmesswerten dar;
-
6 stellt einen Varianztrend im Zeitverlauf (VARiance trend Over Time – VAROT) der in 5 dargestellten Patienten-Gesundheitsmesswerte dar:
-
7 ist eine Tabelle mit VAROT-Messwerten gemäß Permutationen von verschiedenen inkrementellen Zeiträumen von verschiedenen Beobachtungsfenstern, die für die in 5 gezeigten Messwerte verwendet wurden; und
-
8 ist ein Ablaufplan auf hoher Ebene von einer oder mehreren Operationen, die von einem oder mehreren Prozessoren zum Abstrahieren und Auswählen eines optimalen Sets von varianzbezogenen Funktionen ausgeführt werden, die ein Indikator für ein individuelles Resultat und eine personalisierte Planauswahl in der Gesundheitsfürsorge sind.
-
AUSFÜHRLICHE BESCHREIBUNG
-
Die vorliegende Erfindung kann ein System, ein Verfahren und/oder ein Computerprogrammprodukt sein. Das Computerprogrammprodukt kann ein computerlesbares Speichermedium (oder Speichermedien) mit einem computerlesbaren Programmcode darauf enthalten, um einen Prozessor zu veranlassen, Aspekte der vorliegenden Erfindung auszuführen.
-
Das computerlesbare Speichermedium kann eine konkrete Einheit sein, die Anweisungen zur Verwendung durch eine Anweisungsausführungseinheit beibehalten und speichern kann. Ein computerlesbares Speichermedium kann zum Beispiel eine elektronische Speichereinheit, eine magnetische Speichereinheit, eine optische Speichereinheit, eine elektromagnetische Speichereinheit, eine Halbleiter-Speichereinheit oder jede geeignete Kombination aus dem Vorgenannten sein, es ist aber nicht darauf beschränkt. Eine nicht erschöpfende Liste von spezielleren Beispielen für das computerlesbare Speichermedium enthält Folgendes: eine tragbare Computerdiskette, eine Festplatte, einen Direktzugriffspeicher (RAM), einen Nur-Lese-Speicher (ROM), einen löschbaren programmierbaren Nur-Lese-Speicher (EPROM oder Flash-Speicher), einen statischen Arbeitsspeicher (SRAM), einen tragbaren CD-ROM, ein DVD-Laufwerk (DVD), einen Speicherstick, eine Diskette, eine mechanisch verschlüsselte Einheit wie beispielsweise Lochkarten oder erhabene Strukturen in einer Rille mit darauf aufgezeichneten Anweisungen und jede geeignete Kombination des Vorgenannten. Ein computerlesbares Speichermedium, wie hierin verwendet, muss nicht als transitorische Signale per se ausgelegt sein, wie beispielsweise Funkwellen oder andere sich frei verbreitende elektromagnetische Wellen, elektromagnetische Wellen, die sich durch einen Wellenleiter oder andere Übertragungsmedien verbreiten (z. B. Lichtimpulse, die ein Lichtwellenleiterkabel durchlaufen) oder elektrische Signale, die durch einen Draht übertragen werden.
-
Hierin beschriebene computerlesbare Programmanweisungen können auf jeweilige Datenverarbeitungs-/Verarbeitungseinheiten von einem computerlesbaren Speichermedium oder auf einen externen Computer oder eine externe Speichereinheit über ein Netzwerk, zum Beispiel das Internet, ein lokales Netz, ein Weitverkehrsnetz und/oder ein drahtloses Netzwerk heruntergeladen werden. Das Netzwerk kann Kupferübertragungsleitungen, Lichtwellenleiter, drahtlose Übertragung, Router, Firewalls, Switches, Gateway-Computer und/oder Edge-Server aufweisen. Eine Netzwerk-Adapterkarte oder Netzwerk-Schnittstelle in jeder Datenverarbeitungs-/Verarbeitungseinheit empfängt computerlesbare Programmanweisungen von dem Netzwerk und leitet die computerlesbaren Programmanweisungen zur Speicherung in einem computerlesbaren Speichermedium in der jeweiligen Datenverarbeitungs-/Verarbeitungseinheit weiter.
-
Computerlesbare Programmanweisungen zum Ausführen von Operationen der vorliegenden Erfindung können Assembler-Anweisungen, Anweisungssatzarchitektur-(Instruction Set Architecture) (ISA) Anweisungen, Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Firmware-Anweisungen, Zustandseinstellungsdaten oder entweder Quellcode oder Objektcode sein, die in jeder Kombination von einer oder mehreren Programmiersprachen, einschließlich Java, Smalltalk, C++ oder dergleichen, und herkömmlichen prozeduralen Programmiersprachen wie der Programmiersprache „C” oder ähnlichen Programmiersprachen geschrieben sind. Die computerlesbaren Programmanweisungen können vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Softwarepaket, teilweise auf dem Computer des Benutzers und teilweise auf einem entfernt angeordneten Computer oder vollständig auf dem entfernt angeordneten Computer oder Server ausgeführt werden. In dem letzteren Szenario kann der entfernt angeordnete Computer mit dem Computer des Benutzers über jeden Typ von Netzwerk verbunden werden, einschließlich ein lokales Netzwerk (LAN) oder ein Weitverkehrsnetz (WAN), oder die Verbindung kann zu einem externen Computer hergestellt werden (zum Beispiel über das Internet unter Nutzung eines Internet-Dienstanbieters). In einigen Ausführungsformen können elektronische Schaltungen, einschließlich zum Beispiel programmierbare Logikschaltungen, feldprogrammierbare Gate-Arrays (FPGA) oder programmierbare Logik-Arrays (PLA) die computerlesbaren Programmanweisungen unter Verwendung von Zustandsinformationen der computerlesbaren Programmanweisungen zum Personalisieren der elektronischen Schaltung ausführen, um Aspekte der vorliegenden Erfindung auszuführen.
-
Aspekte der vorliegenden Erfindung werden hierin unter Bezugnahme auf Veranschaulichungen von Ablaufplänen und/oder Blockschaubildern von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß Ausführungsformen der Erfindung beschrieben. Es versteht sich, dass jeder Block in den Veranschaulichungen von Ablaufplänen und/oder Blockschaubildern und Kombinationen von Blöcken in den Veranschaulichungen von Ablaufplänen und/oder Blockschaubildern durch computerlesbare Programmanweisungen umgesetzt werden können.
-
Diese computerlesbaren Programmanweisungen können für einen Prozessor eines Mehrzweckcomputers, eines Spezialcomputers oder andere Vorrichtungen, die programmierbare Daten verarbeiten, bereitgestellt werden, um eine Maschine zu erzeugen, sodass die Anweisungen, die über den Prozessor des Computers oder andere Vorrichtungen, die programmierbare Daten verarbeiten, ausgeführt werden, Mittel zum Umsetzen der Funktionen/Handlungen erstellen, die in dem Ablaufplan und/oder dem Block oder den Blöcken des Blockschaubilds angegeben sind. Diese computerlesbaren Programmanweisungen können auch in einem computerlesbaren Speichermedium gespeichert werden, das einen Computer, eine programmierbare Datenverarbeitungsvorrichtung und/oder andere Einheiten so steuern kann, dass sie auf eine bestimmte Weise funktionieren, sodass das computerlesbare Speichermedium mit den darin gespeicherten Anweisungen einen Fertigungsartikel aufweist, einschließlich Anweisungen, welche die in dem Ablaufplan und/oder dem Block oder den Blöcken des Blockschaubilds angegebene Funktion/Handlung umsetzen.
-
Die computerlesbaren Programmanweisungen können auch auf einen Computer, andere programmierbare Datenverarbeitungsvorrichtungen oder eine andere Einheit geladen werden, um die Ausführung einer Serie von Arbeitsschritten auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit zu veranlassen, um einen über den Computer umgesetzten Prozess zu erzeugen, sodass die Anweisungen, die auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit ausgeführt werden, die Funktionen-/Handlungen umsetzen, die in dem Ablaufplan und/oder dem Block oder den Blöcken des Blockschaubilds angegeben sind.
-
Unter Bezugnahme auf die Figuren, und insbesondere auf 1, wird ein Blockschaubild eines beispielhaften Systems und Netzwerks dargestellt, die durch die und/oder in der Umsetzung der vorliegenden Erfindung genutzt werden können. Zu beachten ist, dass einiges oder alles der beispielhaften Architektur, einschließlich der dargestellten Hardware und Software, die für einen und in einem Computer 102 gezeigt sind, von einem Software bereitstellenden Server 150 und/oder einem Datenspeichersystem 152 genutzt werden kann.
-
Der beispielhafte Computer 102 enthält einen Prozessor 104, der mit einem Systembus 106 verbunden ist. Der Prozessor 104 kann einen oder mehrere Prozessoren verwenden, von denen jeder einen oder mehrere Prozessorkerne hat. Ein Video-Adapter 108, der eine Anzeige 110 steuert/unterstützt, ist ebenfalls mit dem Systembus 106 verbunden. Der Systembus 106 ist über eine Busbrücke 112 mit einem Eingabe/Ausgabe-(E/A)Bus 114 verbunden. Eine E/A-Schnittstelle 116 ist mit dem E/A-Bus 114 verbunden. Die E/A-Schnittstelle 116 ermöglicht den Datenaustausch mit verschiedenen E/A-Einheiten, einschließlich einer Tastatur 118, einer Maus 120, einem Einbaurahmen 122 (der Speichereinheiten wie CD-ROM-Laufwerke, Multimedia-Schnittstellen usw. enthalten kann), einem Drucker 124 und einem oder mehreren externen USB-Anschlüssen 126. Während das Format der mit der E/A-Schnittstelle 116 verbundenen Anschlüsse jedes sein kann, das Fachleuten auf dem Gebiet der Computerarchitektur bekannt ist, sind in einer Ausführungsform einige oder alle dieser Anschlüsse Universal-Serial-Bus-(USB)Anschlüsse.
-
Wie dargestellt, ist der Computer 102 fähig, mit einem Software bereitstellenden Server 150 unter Verwendung einer Netzwerkschnittstelle 130 Daten auszutauschen. Die Netzwerkschnittstelle 130 ist eine Hardware-Netzwerkschnittstelle, wie beispielsweise eine Netzwerkschnittstellenkarte (NIC) usw. Ein Netzwerk 128 kann ein externes Netzwerk wie das Internet oder ein internes Netzwerk wie ein Ethernet- oder virtuelles privates Netz (VPN) sein.
-
Eine Festplattenschnittstelle 132 ist ebenfalls mit dem E/A-Bus 106 verbunden. Die Festplattenschnittstelle 132 bildet eine Schnittstelle mit einer Festplatte 134. In einer Ausführungsform füllt die Festplatte 134 einen Systemarbeitsspeicher 136 auf, der ebenfalls mit dem Systembus 106 verbunden ist. Der Systemarbeitsspeicher ist als eine niedrigste Ebene von flüchtigem Arbeitsspeicher in dem Computer 102 definiert. Dieser flüchtige Arbeitsspeicher enthält weitere höhere Ebenen von flüchtigem Arbeitsspeicher (nicht gezeigt), einschließlich Cache-Speicher, Register und Pufferspeicher, sie sind aber nicht darauf beschränkt. Daten, die den Systemarbeitsspeicher 136 auffüllen, enthalten ein Betriebssystem (OS) 138 des Computers 102 und Anwendungsprogramme 144.
-
Das Betriebssystem 138 enthält eine Shell 140 für die Bereitstellung von transparentem Benutzerzugriff auf Ressourcen wie die Anwendungsprogramme 144. Im Allgemeinen ist die Shell 140 ein Programm, das einen Interpreter und eine Schnittstelle zwischen dem Benutzer und dem Betriebssystem bereitstellt. Insbesondere führt die Shell 140 in eine Befehlszeilen-Benutzeroberfläche eingegebene Befehle oder Befehle von einer Datei aus. Daher ist die Shell 140, die auch als Befehlsprozessor bezeichnet wird, im Allgemeinen die höchste Ebene in der Hierarchie der Betriebssystem-Software und dient als Befehlsinterpreter. Die Shell stellt eine Systemaufforderung bereit, interpretiert Befehle, die über Tastatur, Maus oder andere Benutzer-Eingabemedien eingegeben werden, und sendet den bzw. die interpretierten Befehle zur Verarbeitung an die entsprechenden niedrigeren Ebenen des Betriebssystems (z. B. einen Kernel 142). Zu beachten ist, dass die Shell 140 zwar eine zeilenorientierte Benutzeroberfläche auf Textgrundlage ist, die vorliegende Erfindung aber gleichfalls andere Benutzeroberflächenmodi unterstützt, wie beispielsweise Grafik, Sprache, Gesten usw.
-
Wie dargestellt enthält das Betriebssystem 138 auch den Kernel 142, der niedrigere Funktionalitätsebenen für das Betriebssystem 138 enthält, einschließlich der Bereitstellung von wesentlichen Diensten, die für andere Teile des Betriebssystems 138 und Anwendungsprogramme 144 erforderlich sind, einschließlich Arbeitsspeicherverwaltung, Prozess- und Aufgabenverwaltung, Plattenverwaltung sowie Maus- und Tastaturverwaltung.
-
Die Anwendungsprogramme 144 enthalten einen Renderer, der in beispielhafter Weise als ein Browser 146 gezeigt ist. Der Browser 146 enthält Programmmodule und Anweisungen, die einen World Wide Web-(WWW-)Client (d. h. den Computer 102) in die Lage versetzen, unter Verwendung von Hypertext Transfer-Protocol-(HTTP-)Messaging Netzwerknachrichten an das Internet zu senden und zu empfangen, wodurch ein Datenaustausch mit dem Software bereitstellenden Server 150 und anderen Computersystemen ermöglicht wird.
-
Die Anwendungsprogramme 144 in dem Systemarbeitsspeicher des Computers 102 (sowie dem Systemarbeitsspeicher des Software bereitstellenden Servers 150) enthalten auch eine Logik zur intraindividuellen zeitlichen Heteroskedastizitätsanalyse (IITVHAL) 148. Die IITVHAL 148 enthält Code zum Umsetzen der im Folgenden beschriebenen Prozesse, einschließlich denen, die in 2 bis 8 beschrieben sind. In einer Ausführungsform kann der Computer 102 die IITVHAL 148 von dem Software bereitstellenden Server 150 herunterladen, einschließlich auf On-Demand-Grundlage, wobei der Code in der IITVHAL 148 erst heruntergeladen wird, wenn er zur Ausführung benötigt wird. Ferner ist zu beachten, dass in einer Ausführungsform der vorliegenden Erfindung der Software bereitstellende Server 150 alle Funktionen ausführt, die der vorliegenden Erfindung zugehörig sind (einschließlich der Ausführung der IITVHAL 148), wodurch der Computer 102 davon entlastet wird, seine eigenen internen Datenverarbeitungsressourcen für die Ausführung der IITVHAL 148 verwenden zu müssen.
-
Es ist zu beachten, dass die im Computer 102 gezeigten Hardware-Elemente nicht erschöpfend, sondern repräsentativ sein sollen, um wesentliche Komponenten hervorzuheben, die für die vorliegende Erfindung erforderlich sind. Zum Beispiel kann der Computer 102 alternative Arbeitsspeichereinheiten wie Magnetkassetten, DVDs, Bernoulli-Boxen und dergleichen enthalten. Diese und andere Variationen sollen unter den Erfindungsgeist und Schutzumfang der vorliegenden Erfindung fallen.
-
Unter folgender Bezugnahme auf 2 wird eine beispielhafte Architektur und ein Prozess zum Entwickeln von Informationen zu gesundheitsbezogenen Funktionsabstraktionen dargestellt. Ein System 200, das in einer Ausführungsform der in 1 dargestellte Computer 102 ist, enthält eine allgemeine Grundgesamtheitskomponente 202 und eine individuelle Patientenkomponente 204. In der allgemeinen Grundgesamtheitskomponente 202 und der individuellen Patientenkomponente 204 befinden sich ein oder mehrere Prozessoren (wie beispielsweise der in 1 dargestellte Prozessor 104, der aber nicht in 2 dargestellt ist), der bzw. die einen oder mehrere der beschriebenen Schritte 1 bis 5 ausführen.
-
In Schritt 1 wird eine Abstraktion einer Kandidatenfunktion generiert. Abstrahierte/generierte Kandidatenfunktionen ändern sich im Zeitverlauf. Das heißt, die Abstraktion der Kandidatenfunktion erstellt ein Modell dessen, wie sich eine oder mehrere biologische Funktionen für einen Patienten im Zeitverlauf ändern, um ein abstrahiertes Set von varianzbezogenen Kandidaten-Patientenfunktionen zu bilden. Wie hierin beschrieben, sind diese Varianzen der Patientenfunktionen zeitlich heteroskedastisch (d. h. sie ändern sich während verschiedener Zeiträume unterschiedlich und gemäß dem, wie die Zeiträume für die Analyse unterteilt werden). Die Varianzen können univariat oder multivariat sein.
-
Als Beispiel wird ein univariates Modell betrachtet, in dem ein einzelner Typ eines biologischen Ereignisses gemessen wird. Ein beispielhaftes univariates Modell ist eine gemessene niedrige Anzahl von Blutkörperchen (der einzelne Typ eines biologischen Ereignisses). Eine niedrige Anzahl von Blutkörperchen führt oft zu einer erheblichen Vermehrung von blutbildenden Stammzellen, was oft zu Leukämie führt (dem Endpunkt). Wenn also ein Patient eine niedrige Anzahl von Blutkörperchen hat (d. h. eine verringerte Anzahl von roten Blutkörperchen und/oder weißen Blutkörperchen), generiert der Körper mehr blutbildende Stammzellen. Diese blutbildenden Stammzellen sind Vorläuferzellen, aus denen rote Blutkörperchen (Erythrozyten) und weiße Blutkörperchen (z. B. Lymphozyten) gebildet werden. Im Fall von weißen Blutkörperchen bilden die blutbildenden Stammzellen nicht ausgereifte weiße Blutkörperchen, sogenannte Blaste. Diese Blaste verwandeln sich dann in reife weiße Blutkörperchen. Wenn ein Patient Strahlung oder anderen umweltbedingten mutagenen Substanzen ausgesetzt ist, während sich die blutbildenden Stammzellen in die nicht ausgereiften weißen Blutkörperchen (Blaste) umwandeln, besteht für diese Blaste das Risiko einer Mutation und einer abnormalen Zunahme der Anzahl (d. h. Leukämie). Somit sind wiederholte negative Spitzen (d. h. ein Rückgang) bei der Anzahl der Blutkörperchen eines Patienten ein Indikator dafür, dass für den Patienten ein höheres Leukämierisiko besteht.
-
Ein multivariates Modell verwendet, wie der Name schon sagt, mehrere biologische Ereignisse, die Varianzen aufweisen. Als Beispiel wird ein Patient betrachtet, bei dem für einen chirurgischen Eingriff eine Vollnarkose vorgenommen wurde. Eine Vollnarkose kann sich auf mehrere Patientenfunktionen auswirken, einschließlich die Fähigkeit zur Lösung von Problemen, Gedächtnis (Kurz- und Langzeitgedächtnis), Stimmung usw. Durch eine quantitative Messung derartiger Funktionen (z. B. durch funktionelle Magnetresonanztomografie (FMRT), Testen der Schreib-/Sprachfähigkeit usw.) können Schwankungen in solchen vielfachen Fähigkeiten gemessen werden. Wie hierin beschrieben, können derartige Schwankungen (Varianzen) verwendet werden, um einen letztlichen Endpunkt (z. B. Stufe der kognitiven Gesundheit) für eine Patienten-Grundgesamtheit und/oder einen bestimmten Patienten vorherzusagen.
-
Diese Varianz in biologischen Funktionen, die in einer oder mehreren Ausführungsformen der vorliegenden Erfindung zur Vorhersage von Endpunkten verwendet wird, kann dem Ausmaß der Änderung (auf Amplitudengrundlage) oder der Häufigkeit der Änderung (auf Häufigkeitsgrundlage) entsprechend vorhanden sein.
-
In einer Ausführungsform liegen die gemessenen Varianzen daher auf Amplitudengrundlage vor. Das heißt, ein Ereignis kann über verschiedene Bereiche schwanken. Zum Beispiel kann eine Blutkörperchenzählung für rote Blutkörperchen zwischen 3,0 (Millionen Zellen pro Mikroliter) und 6,0 während eines ersten längeren Zeitraums schwanken und kann zwischen 4,0 und 5,0 während eines zweiten längeren Zeitraums schwanken. Somit ist die Varianz auf Amplitudengrundlage während des ersten längeren Zeitraums (6,0 – 3,0 = 3,0) größer als beim zweiten längeren Zeitraum (5,0 – 4,0 = 1,0). Diese Varianz wird daher als „Varianz auf Amplitudengrundlage” bezeichnet.
-
In einer Ausführungsform liegen die gemessenen Varianzen auf Häufigkeitsgrundlage vor. Das heißt, ein Ereignis (z. B. eine Abnahme von Blutkörperchen, gemessener kognitiver Fähigkeit usw.) kann mit unterschiedlicher Häufigkeit schwanken, sodass die Varianz des gemessenen Ereignisses zu bestimmten Zeitpunkten verbreiteter (d. h. häufiger) ist als zu anderen Zeitpunkten. Zum Beispiel können Blutkörperchen zyklisch alle 7 Tage während eines ersten längeren Zeitraums und alle 3 Tage während eines zweiten längeren Zeitraums auf ein Niveau X abnehmen. Somit ist die Varianzhäufigkeit während des zweiten längeren Zeitraums (alle 3 Tage) größer als beim ersten längeren Zeitraum (alle 7 Tage). Diese Varianz wird daher als „Varianz auf Häufigkeitsgrundlage” bezeichnet.
-
Unter nochmaliger Bezugnahme auf 2 wird das komplette Funktionsset optimiert (Schritt 2), sobald ein komplettes Funktionsset generiert worden ist (d. h. gemäß der Änderung von einem oder mehreren Patientenattributen im Zeitverlauf). Diese Optimierung erfolgt durch Analysieren von ausgewählten Varianzfunktionen aus dem kompletten Funktionsset (d. h. den abstrahierten/erstellten Patientenfunktionen). Diese Optimierung enthält ein Identifizieren, wann bestimmte Varianzen maximiert sind. In einer oder mehreren Ausführungsformen der vorliegenden Erfindung verwendet diese Optimierung einen Algorithmus für einen Varianztrend im Zeitverlauf (VAROT), der im Folgenden im Detail erörtert wird. Der VAROT analysiert Varianzen gemäß einer Länge von Beobachtungsfenstern sowie darin enthaltenen inkrementellen Zeiträumen. Das heißt, es wird angenommen, dass es drei Zeitbereiche gibt (Beobachtungsfenster), in denen Patientenfunktionen überwacht werden. Die Varianzen in diesen Patientenfunktionen schwanken nicht nur zwischen den drei Zeitbereichen, sondern die Varianzen hängen auch davon ab, welche zwischenzeitlichen Zeiträume (inkrementelle Zeiträume) in jedem der Zeitbereiche verwendet werden.
-
Sobald das optimierte Funktions-Subset erstellt ist (d. h. ein Modell, das Zeitpunkte zeigt, an denen Varianzen maximiert sind), wie im Schritt 3 von 2 beschrieben, werden Eingabedatenquellen aus einer allgemeinen Grundgesamtheit gefiltert, um diese Daten mit dem optimierten Funktions-Subset abzustimmen. Somit werden wirkliche Daten gefunden, die mit dem optimierten Funktions-Subset einschließlich dem vorhergesagten Endpunkt übereinstimmen. Das heißt, Schritt 3 findet Datenbanken, die das optimierte Funktions-Subset enthalten (einschließlich maximierter Varianzen) sowie Daten, die den vorhergesagten Endpunkt beschreiben (z. B. einen Beginn einer Krankheit in den Grundgesamtheiten, die durch die Eingabedatenbanken beschrieben werden), der bei Patienten auftritt, deren Funktionen mit denen des optimierten Funktions-Subsets übereinstimmen.
-
Wie in Schritt 4 von 2 beschrieben, wird das aufgefüllte optimierte Funktions-Subset (d. h. die „Funktions-Grundgesamtheit”) anschließend mit Daten aus einer Datenbank 206 und/oder einer Datenbank 208 für einen individuellen Patienten verglichen. In einer Ausführungsform werden die Datenbank 206 und/oder die Datenbank 208 durch das in 1 dargestellte Datenspeichersystem 252 bereitgestellt. Die Datenbank 206 enthält Daten aus den Electronic Health Records/Personal Health Records (EHR/PHR) (elektronische Krankenakten/persönliche Krankenakten) für einen bestimmten Patienten. Daten aus der Datenbank 206 enthalten historische Daten über diesen bestimmten Patienten, einschließlich Laborergebnisse, Röntgenaufnahmen, Arztberichte usw. Die Datenbank 208 enthält Echtzeitdaten über einen Patienten, die von tragbaren Herzmonitoren, Blutzuckermessgeräten und anderen Sensoren stammen, die Echtzeitbedingungen für einen Patienten messen. Die Daten von der Datenbank 206 und/oder der Datenbank 208 werden zum Generieren eines optimierten Funktions-Subsets verwendet, das ein ähnliches Format wie dasjenige aufweist, das in Schritt 2 für eine breite Patienten-Grundgesamtheit erstellt wurde. Wenn zwischen dem optimierten Funktions-Subset, das für den aktuellen Patienten erstellt wurde, und dem optimierten Subset, das für die allgemeine Grundgesamtheit erstellt wurde (aus Schritt 2), eine Übereinstimmung besteht, wird ein Alert gesetzt. In einer Ausführungsform gibt dieser Alert an, dass eine derartige Übereinstimmung nur besteht, wenn das optimierte Funktions-Subset eine bestimmte Messbasis für diesen Patienten überschreitet. Zum Beispiel kann ein bestimmter Patient eine Herzfrequenz haben, die regelmäßig in den abnormal niedrigen Bereich schwankt. Die Datenbank 206 bestätigt jedoch, dass dieser Patient ein „Sportherz” hat, bei dem eine Bradykardie einfach durch ein hohes Konditionsniveau des Patienten verursacht wird und nicht pathologisch bedingt ist.
-
Wie in Schritt 5 von 2 beschrieben, wird ermittelt, ob das optimierte Funktions-Subset tatsächlich mit Leistungsindikatoren (KPI) für einen bestimmten Patienten übereinstimmt. Zum Beispiel angenommen, der Benutzer möchte wissen, ob ein Patient schlaganfallgefährdet ist. Die Daten aus den Datenbanken 206 und 208 können mehrere verschiedene optimierte Funktions-Subsets für den aktuellen Patienten generieren. Allerdings hat nur das optimierte Funktions-Subset „Schlaganfall” zum Endpunkt, der für die Vorhersage des Risikos nützlich ist, ob der Patient einen Schlaganfall erleidet.
-
Desgleichen korrigiert Schritt 5 das optimierte Funktions-Subset für die allgemeine Grundgesamtheit (Schritt 3) mit Daten für den aktuellen Patienten, da der aktuelle Patient auch Teil der allgemeinen Grundgesamtheit ist.
-
Wenn zwischen einem bestimmten optimierten Funktions-Subset aus der allgemeinen Grundgesamtheit (die die gewünschten KPI enthält) und dem optimierten Funktions-Subset für den aktuellen Patienten eine Übereinstimmung gefunden wird, wird ein individuell angepasster Plan (Alert, Intervention, Therapie, Behandlung) für den aktuellen Patienten (Block 210) erstellt.
-
Weitere Details zu den in 2 gezeigten Schritten 1 bis 5 werden im Folgenden angegeben.
-
Schritt 1: Funktionsabstraktion
-
Eine Funktionsabstraktion definiert eine bestimmte Kandidaten-Patientenfunktion für die Vorhersage eines bestimmten Zustands oder Ereignisses. Unter folgender Bezugnahme auf 3 stellt ein Diagramm 300 eine simulierte Sequenz von Gesundheitsmesswerten eines Patienten dar. Diese Gesundheitsmesswerte des Patienten können von einer Krankengeschichte des Patienten abgeleitet werden (z. B. von der in 2 gezeigten Datenbank 206) und/oder von Rohdaten von Sensoren (z. B. weitergeleitet durch die in 2 gezeigte Datenbank 208). Die Messwerte können Werte aus einem Blutbild, Vitalzeichen (Temperatur, Puls- und Atemfrequenz), Insulinspiegel usw. sein. In einer Ausführungsform sind die Patientenfunktionen univariat (d. h. es geht nur um einen einzigen Typ von Patientenmesswert). In einer weiteren Ausführungsform sind die Patientenfunktionen multivariat (d. h. sie berücksichtigen mehrere Typen von Patientenmesswerten).
-
Es wird also angenommen, dass das Diagramm 300 eine simulierte Sequenz von Messungen x (d. h. eine einzelne Patientenfunktion) mit einer Länge von 150 Tagen von Beginn bis Ende ist, die unter Verwendung einer Normalverteilung mit einem konstanten Mittelwert (mu = 100) und einer nicht konstanten Varianz im Zeitverlauf generiert wird. in diesem Beispiel beginnt das Beobachtungsfenster ab dem 30. Tag (die erste vertikale Strichlinie) und endet am 120. Tag (die letzte vertikale Strichlinie). Das Beobachtungsfenster ist in drei Zeiträume (dt) unterteilt, wobei dt = 30 Tage.
-
Somit dauert der erste Zeitraum von Tag 30 bis Tag 60; der zweite Zeitraum dauert von Tag 60 bis Tag 90; und der dritte Zeitraum dauert von Tag 90 bis Tag 120. In diesem Beispiel wird der Zeitraumtyp auf „diskret” gesetzt (d. h. er hat einen festen Zeitraum ab einem Startpunkt „0” statt eines „rollierenden” Zeitraums, der jedes Mal auf einen neuen Tag zurückgesetzt wird, um die nächsten 30 Tage ab dem aktuellen neuen Tag zu untersuchen). Schließlich wird angenommen, dass eine Bedingung definiert wird, um festzulegen, dass jeder Zeitraum mindestens 10 Messungen (s = 10) haben muss, damit die Messwerte gültig sind.
-
4 stellt ein Diagramm 400 dar, das eine geschätzte Trendvarianz für die in 3 gezeigten Patienten-Gesundheitsmesswerte veranschaulicht. Das Diagramm 400 veranschaulicht die geschätzte Varianz und deren Trend im Zeitverlauf. Die drei dargestellten Dreiecke sind Beispielvarianzen in jedem der drei Zeiträume, die oben für das Diagramm 300 beschrieben wurden. Die Neigung der Linie 402 durch die Dreiecke ist positiv und gibt somit an, dass eine zunehmende Menge an Varianzen vorliegt, die in dem Diagramm 300 gemessen/erfasst wurden. Die Linie 402, die mithilfe der gewöhnlichen Kleinstquadrate-Methode (Ordinary Least Squares) (OLS) angepasst wird, ist der geschätzte Varianztrend im Zeitverlauf (VAROT) für die im Diagramm 300 gezeigten Daten.
-
Zu beachten ist, dass der im Diagramm 400 dargestellte VAROT nur ein Schätzwert ist, da er keine Unterteilungen der drei Zeitbereiche berücksichtigt, die durch die Dreiecke im Diagramm 400 dargestellt werden. Eine optimierte VAROT-Version berücksichtigt derartige Unterteilungen, wie im Folgenden beschrieben.
-
Der VAROT wird aus einer Sequenz von Messungen abstrahiert, die für ein vordefiniertes Beobachtungsfenster nach Zeit indexiert sind. Im Allgemeinen wird der VAROT als Funktion geschrieben, VAROT = f(x, ts, wl, dt, pt, s) wobei:
x eine Sequenz von zeitindexierten Messungen ist;
ts ein Startpunkt eines Beobachtungsfensters ist;
wl eine Länge des Beobachtungsfensters ist;
dt ein inkrementeller Zeitraum in einem oder mehreren der Beobachtungsfenster ist;
pt eine Bedingung für den Zeitraumtyp (entweder diskreter oder rollierender Zeitraum) beschreibt; und
s eine Bedingung für Spärlichkeit beschreibt (Mindestanforderung für Datenverfügbarkeit in jedem Zeitraum).
-
Der in 4 gezeigte VAROT ist jedoch nur ein statistischer Näherungswert. Um einen nützlicheren VAROT zu erstellen, wird der VAROT optimiert, wodurch ein optimiertes Funktions-Subset erstellt wird (siehe Schritt 2 in 2).
-
Schritt 2: Funktionsoptimierung
-
Das Erhalten einer vollen Sequenz von Messungen zeigt nicht den untergeordneten Zeitraum auf, der den steilsten Varianztrend in der Geschichte des Patienten hat. Der aus einem untergeordneten Zeitraum mit größerem Varianzgefälle (in absoluten Werten) abstrahierte VAROT steht wahrscheinlich mit dem Resultat für den Patienten in der Zukunft in größerer Beziehung. Somit sucht ein Optimierungsrahmen nach dem optimalen Parameterset, das die stärksten VAROT-Signale in den zeitindexierten Messungen des Patienten zurückgibt.
-
Unter folgender Bezugnahme auf 5 stellt ein Diagramm 500 eine weitere simulierte Sequenz von Gesundheitsmesswerten eines Patienten dar. Eine beiläufige Beobachtung vermerkt, dass mit zunehmender verstrichener Zeit eine größere Menge an Amplitudenvarianz vorhanden zu sein scheint. Allerdings kann es in dem gesamten Zeitraum von 300 Tagen, der im Diagramm 500 dargestellt ist, bestimmte Abschnitte geben, in denen sich die Amplitude stärker ändert. Es wird also angenommen, dass ein Spitzenwert im Bereich zwischen 70 und 130 vorliegt, und die Spitzenwerte direkt vor und nach dieser 70/130-Varianz zwischen 80 und 120 liegen. Somit haben der 70/130-Bereich (mit einer Änderung um 60 Punkte) und seine 80/120-Nachbarn (mit einer Änderung um 40 Punkte) eine Varianzbereichsdifferenz von 20 (60 – 40) Punkten. Weiter angenommen, es liegt auch ein Spitzenwert im Bereich zwischen 80 und 120 vor (mit einer Änderung um nur 40 Punkte), aber die Spitzenwerte betragen vor und nach diesem 80/120-Spitzenwert nur 90/100. Somit haben der 80/120-Bereich (mit einer Änderung um 40 Punkte) und seine 90/100-Nachbarn (mit einer Änderung um 10 Punkte) eine Varianzbereichsdifferenz von 30 (40 – 10) Punkten. Das bedeutet, obwohl der absolute Schwankungsbereich für den 70/130-Spitzenwert (60 Punkte) höher ist als für den 80/120-Spitzenwert (40 Punkte), dass die Änderung im Bereich zwischen vorherigen und nachfolgenden Spitzenwerten für den 80/120-Spitzenwert (mit einer Varianzbereichsdifferenz zwischen ihm und benachbarten Spitzenwerten von 30) größer ist als für den 70/130-Spitzenwert (mit einer Varianzbereichsdifferenz zwischen ihm und benachbarten Spitzenwerten von 20). Um zu identifizieren, wo derartige maximale Varianzbereichsdifferenzen auftreten, wird die hierin beschriebene VAROT-Formel verwendet.
-
Es wird angenommen, dass für die im Diagramm 500 in 5 gezeigten Datenpunkte die folgende VAROT-Formel verwendet wurde: VAROT = f(x, ts = 90, wl = (30, 60, 90, 120), dt = (5, 10, 15, 20, 25, 30, 35, 30), pt = „diskret”, s = 10)
-
Unter Verwendung dieser Werte stellt ein Diagramm 600 in 6 die VAROT-Werte für Patienten-Gesundheitsmesswerte dar, die in 5 dargestellt wurden. Zu beachten ist, dass die eingezeichneten Punkte im Diagramm 600 gemäß einer Legende 602 farbcodiert sein können und die Zeitpunkte anzeigen, an denen der VAROT auf einem Maximalwert ist (der maximale Varianzen in den aufgezeichneten Daten angibt), wie beispielsweise zwischen Zeitpunkt 100 und 125. Zu beachten ist ferner, dass das VAROT-Ergebnis um den Zeitpunkt 150 auf einem Minimalwert ist (der minimale Varianzen in den aufgezeichneten Daten angibt). Somit zeigt eine Tabelle 700 in 7 VAROT-Messwerte gemäß Permutationen von verschiedenen inkrementellen Zeiträumen von verschiedenen Beobachtungsfenstern, die für die in 5 gezeigten Messwerte verwendet wurden. Wie in Tabelle 700 dargestellt, tritt die maximale Varianz (wie durch den VAROT-Wert 68,66 angegeben) zwischen einem Zeitpunkt 90 (ts) und einem Zeitpunkt 180 (wl = 90) auf, wenn dieser Zeitraum in Blöcke von 25 Tagen (dt = 25) unterteilt ist.
-
Schritt 3: Funktions-Grundgesamtheit
-
Wie hierin beschrieben, wird nach der Erstellung eines optimierten Funktions-Subsets unter Verwendung der VAROT-Formel das optimierte Funktions-Subset konfiguriert, um Eingabedatenquellen zur Identifizierung für die allgemeine Grundgesamtheit zu empfangen. Somit füllen Datenbanken, die mit den abstrahierten/Kandidaten-Trends übereinstimmen, die in den Schritten 1 bis 2 erstellt wurden, eine als solche identifizierte Datenbank auf, wodurch die Daten auf individueller Ebene für bestimmte Patienten verfügbar gemacht werden. Dieser datengesteuerte Ansatz wird eingesetzt, wenn Daten für eine Einzelperson abgeleitet werden müssen, um zuverlässige Beurteilungen einer Intervention vornehmen zu können.
-
Zu beachten ist, dass Daten aus Electronic Health Record (EHR), Personal Health Record (PHR) und Gerätedaten sowohl für die allgemeine Grundgesamtheit als auch den bestimmten Patienten erhalten werden können. Wie oben ebenfalls beschrieben, können univariate und auch multivariate Daten für die VAROT-Funktionsabstraktion verwendet werden.
-
Bestimmte, bei der Funktionserstellung berücksichtigte Schlüsselauslegungsfaktoren können als Anfangspunkt für die Analyse einer Varianzmatrix im Zeitverlauf (z. B. die in 7 gezeigte Tabelle 700) verwendet werden, die durch den VAROT-Algorithmus generiert wird. Das bedeutet, dass beim Einrichten der Parameter für den VAROT-Algorithmus Folgendes berücksichtigt wird:
die Anzahl der verfügbaren Ablesewerte;
die Häufigkeit von verfügbaren Ablesewerten;
die Beobachtungszeit (d. h. gesamter Beobachtungszeitraum – ab ts bis ts + wl);
inkrementelle Zeit (d. h. täglich, wöchentlich, monatlich, vierteljährlich – dt);
Datenempfindlichkeit (d. h. wie sehr werden Daten durch Umweltbedingungen, jahreszeitliche Änderungen, einzelne Patientenaktionen usw. beeinflusst);
Auslegung des Zeitintervalls (wl);
zulässige Schwankungspegel (d. h. Vernachlässigung von anomalen Spitzenwerten, die einen vordefinierten Grenzwert überschreiten und somit wahrscheinlich Artefakte sind);
verwendeter Gerätetyp zum Erhalten von Echtzeit-Ablesewerten;
zulässige Ebenen von Spärlichkeit in den Daten (s);
Länge des Beobachtungsfensters (wl):
bewegliches Fenster oder diskretes Fenster (pt);
Betrachtung vor Mahlzeiten/nach Mahlzeiten (d. h. Patientenaktivitäten, die sich auf die Ablesewerte auswirken, wie Ernährung, Trinkgewohnheiten, Bewegung usw.);
und
Reaktionsvariablenkenntnisse (d. h. weitere Informationen, die erklären, warum eine Varianz auftreten kann).
-
Schritt 4: Setzen des Alerts
-
Wie hierin beschrieben, können Messbasisdaten zum Verständnis der normalen Varianz und zum Erstellen der oberen und unteren Kontrollgrenzwerte verwendet werden. Das bedeutet, dass ein Alert generiert wird, wenn das optimierte Funktions-Subset eines aktuellen Patienten mit dem optimierten Funktions-Subset der allgemeinen Grundgesamtheit für Patienten übereinstimmt, die einen bestimmten Endpunkt erreichen (z. B. eine Krankheit entwickeln). Sobald eine Trendentwicklung der Varianz erkannt wird, werden entsprechende Qualitätskontrolldiagramme und Alerts eingerichtet. Auf der Grundlage individueller Kalibrierungen unter Verwendung der Varianztechniken/Alerts werden Trigger erstellt, damit der Anbieter der medizinischen Versorgung im Fallmanagement die bedenklichen Punkte erkennen kann.
-
In einer Ausführungsform werden Alerts verwendet, um zur Entwicklung eines personalisierten Pflegeplans für den Patienten auf Grundlage der zutreffendsten vorhergesagten VAROT-Funktion für den Patienten aufzufordern. Dies kann wiederum helfen, den Interventionsbereich zu entwickeln und potenziell als Grundlage für eine Nachweisgenerierung zur Interventionsoptimierung zu nutzen.
-
In einer Ausführungsform dienen Alerts als Grundlage zur Entwicklung Von Einhaltungsprogrammen, die unter Verwendung von Selbstwirksamkeitsintervention oder einer beliebigen koordinierten Pflege eine Grundlage der Patienten-Selbstverwaltung bilden.
-
Schritt 5: Funktionslernen zur Anpassung
-
Wenn das optimierte Funktions-Subset des aktuellen Patienten mit einem optimierten Funktions-Subset für die allgemeine Grundgesamtheit (von medizinischen Patienten) abgestimmt ist, prüft das System und bestätigt erneut, dass die ausgewählte Abstraktion die richtige für die Einzelperson ist. Das heißt, dass eine Bestätigung vorgenommen wird, dass das optimierte Funktions-Subset für die allgemeine Patienten-Grundgesamtheit zu einem erwünschten Endpunkt (Leistungskennzahl – KPI) führt (z. B. Vorhersage eines bestimmten Krankheitszustands).
-
Zu beachten ist ferner, dass verschiedene Datenablesewerte durch verschiedene Ereignisse veranlasst werden. Zum Beispiel kann mit dem Auslesen von Patientendaten begonnen werden, wenn ein Patient operiert wird, mit einer bestimmten Medikation beginnt, eine Physiotherapie anfängt usw. Dies führt zu einem ts (oben beschrieben), der beeinflusst, welche Daten berücksichtigt werden, wodurch Zeitabschnitte erstellt werden, was eine Prüfung für eine Bestimmung auslöst, ob die ausgewählte die optimale Funktion ist.
-
Zu beachten ist, dass der aktuelle VAROT-Prozess dem System erlaubt, Patienten entsprechend ihren medizinischen Bedürfnissen zu unterscheiden. Das heißt, dass durch die Vorhersage, wie wahrscheinlich es ist, dass eine bestimmte Klasse von Patienten gemäß der Stärke ihrer VAROT-Werte einen bestimmten Endpunkt erreicht (z. B. einen Krankheitszustand entwickelt), medizinische Ressourcen anschließend entsprechend zugewiesen werden können. Somit verwendet der hierin beschriebene Prozess in einer Ausführungsform statistische Modellierungstechniken (z. B. gemischte Modellierung), um Patienten auf Grundlage des aus dem VAROT-Algorithmus abgeleiteten optimierten Sets, der Datenverfügbarkeit und Datenvollständigkeit zur Vorhersage desselben Resultats in Segmenten zu unterteilen.
-
Wie hierin beschrieben ist zu beachten, dass trotz einer auf der Grundgesamtheitsebene ausgeführten Analyse Interventionstechniken auf individueller Ebene anwendbar sind.
-
Unter folgender Bezugnahme auf 8 wird ein Ablaufplan auf hoher Ebene von einer oder mehreren Operationen dargestellt, die von einem oder mehreren Prozessoren zum Abstrahieren und Auswählen eines optimalen Sets von varianzbezogenen Funktionen ausgeführt werden, die ein Indikator für ein individuelles Resultat und eine personalisierte Planauswahl in der Gesundheitsfürsorge sind.
-
Nach dem Anfangsblock 802 wird ein abstrahiertes Set von varianzbezogenen Kandidaten-Patientenfunktionen von einem oder mehreren Prozessoren generiert (Block 804). Das abstrahiertes Set von varianzbezogenen Kandidaten-Patientenfunktionen sind zeitlich heteroskedastische Funktionen. Der Begriff „zeitlich heteroskedastische Funktionen” wird definiert als Funktionen, die sich 1) entsprechend des Zeitpunkts eines bestimmten Ereignisses, an dem sie auftreten (gemäß den Variablen ts und wl in dem hier beschriebenen VAROT-Algorithmus), und 2) entsprechend den Zeitintervallen ändern, bei denen die Funktionen gemessen werden (gemäß der Variablen dt in dem VAROT-Algorithmus).
-
Wie im Block 806 beschrieben, optimieren ein oder mehrere Prozessoren jede Patientenfunktion aus dem abstrahierten Set von varianzbezogenen Kandidaten-Patientenfunktionen durch Identifizieren eines Zeitraums, in dem Varianzen und Heteroskedastizität jeder Patientenfunktion maximiert sind, wobei das Optimieren ein optimales abstrahiertes Set von varianzbezogenen Patientenfunktionen aus dem Zeitraum erstellt, in dem die Varianzen und Heteroskedastizität jeder Patientenfunktion maximiert sind. Zum Beispiel identifiziert die VAROT-Formel im Diagramm 600 in 6 die Varianz einer bestimmten Patientenfunktion in der Zeit zwischen einer Zeitmarke 90 und einer Zeitmarke 180 als heteroskedastisch maximiert (d. h. 68,66 werden erreicht), wenn diese Zeitspanne in Zeitsegmente von 25 Einheiten partitioniert ist (siehe Tabelle 700).
-
Wie im Block 808 von 8 beschrieben, vergleichen ein oder mehrere Prozessoren anschließend das optimale abstrahierte Set von varianzbezogenen Patientenfunktionen mit einem historischen Datenset für eine Patienten-Grundgesamtheit, um ein Vorhersageset von varianzbezogenen Patientenfunktionen zu erstellen. Wie hierin beschrieben, sagt ein Vorhersageset von varianzbezogenen Patientenfunktionen ein gesundheitsbezogenes Zielresultat für die Patienten-Grundgesamtheit vorher.
-
Wie im Block 810 von 8 beschrieben, generieren ein oder mehrere Prozessoren anschließend ein aktuelles optimales Patientenset von varianzbezogenen Patientenfunktionen für einen aktuellen Patienten. Wie im Block 812 beschrieben, vergleichen ein oder mehrere Prozessoren das optimale Set von varianzbezogenen Patientenfunktionen für die Patienten-Grundgesamtheit mit dem aktuellen optimalen Patientenset von varianzbezogenen Patientenfunktionen für den aktuellen Patienten. Wenn sich eine Übereinstimmung ergibt (Abfrageblock 814) (d. h. wenn das optimale Set von varianzbezogenen Patientenfunktionen für die Patienten-Grundgesamtheit mit dem aktuellen optimalen Patientenset von varianzbezogenen Patientenfunktionen für den aktuellen Patienten innerhalb eines vordefinierten Limits übereinstimmt), bestimmen ein oder mehrere Prozessoren anschließend, ob das gesundheitsbezogene Zielresultat mit einem vordefinierten gesundheitsbezogenen Zielresultat für den aktuellen Patienten übereinstimmt (Block 816). Das bedeutet, dass eine Ermittlung erfolgt, um zu bestätigen, dass der varianzbezogene Kandidaten-Patient tatsächlich zu einem erwünschten KPI führt (z. B. Vorhersage einer Diagnose einer bestimmten Krankheit (Abfrageblock 818).
-
Wenn eine Übereinstimmung zwischen dem gesundheitsbezogenen Zielresultat und dem vordefinierten gesundheitsbezogenen Resultat für den aktuellen Patienten vorliegt, wie in Block 820 beschrieben, geben ein oder mehrere Prozessoren anschließend einen Alert in Bezug auf das vordefinierte gesundheitsbezogene Resultat für den aktuellen Patienten aus. Dieser Alert kann eine Warnung in Bezug auf ein erhöhtes Risiko einer Krankheit, eine empfohlene Vorgehensweise zum Verhindern/Behandeln der Krankheit usw. sein. Der Prozess endet am Abschlussblock 822.
-
In einer Ausführungsform der vorliegenden Erfindung wird der Zeitraum, in dem Varianzen und Heteroskedastizität jeder Patientenfunktion maximiert sind, identifiziert durch: Generieren einer Mehrzahl von Zeitsegmentgrößen durch einen oder mehrere Prozessoren; Generieren einer Mehrzahl von untergeordneten Zeitsegmentgrößen durch einen oder mehrere Prozessoren; Erstellen verschiedener Permutationen der Mehrzahl von Zeitsegmentgrößen mit der Mehrzahl von untergeordneten Zeitsegmentgrößen durch einen oder mehrere Prozessoren; und Identifizieren einer optimalen Kombination von einer bestimmten Zeitsegmentgröße mit einer bestimmten untergeordneten Zeitsegmentgröße, in der die Varianzen und Heteroskedastizität jeder Patientenfunktion maximiert sind.
-
In einer Ausführungsform der vorliegenden Erfindung erstellen ein oder mehrere Prozessoren auf Grundlage historischer Daten für den aktuellen Patienten eine normale Varianz in dem aktuellen optimalen Patientenset von varianzbezogenen Patientenfunktionen für den aktuellen Patienten, wobei die normale Varianz nicht als Vorhersage eines Krankheitszustands für den aktuellen Patienten vordefiniert wurde. Zum Beispiel kann der aktuelle Patient eine langsame Herzfrequenz haben, die für den aktuellen Patienten „normal” (d. h. nicht gesundheitsschädlich) ist. Ein oder mehrere Prozessoren bestimmen, ob das aktuelle optimale Patientenset von varianzbezogenen Patientenfunktionen für den aktuellen Patienten die normale Varianz überschreitet. Als Reaktion auf das Bestimmen, dass das aktuelle optimale Patientenset von varianzbezogenen Patientenfunktionen für den aktuellen Patienten die normale Varianz überschreitet, geben ein oder mehrere Prozessoren den Alert in Bezug auf das vordefinierte gesundheitsbezogene Resultat für den aktuellen Patienten aus.
-
In einer Ausführungsform der vorliegenden Erfindung ist das vordefinierte gesundheitsbezogene Resultat für den aktuellen Patienten eine Umsetzung eines medizinischen Behandlungsplans zum Kurieren eines Krankheitszustands, unter dem der aktuelle Patient leidet. In dieser Ausführungsform weist das Verfahren ferner auf: Bestimmen durch einen oder mehrere Prozessoren, ob die Umsetzung des medizinischen Behandlungsplans den Krankheitszustand des aktuellen Patienten innerhalb einer vordefinierten Zeitdauer kuriert hat; und als Reaktion auf die Bestimmung, dass die Umsetzung des medizinischen Behandlungsplans den Krankheitszustand des aktuellen Patienten innerhalb einer vordefinierten Zeitdauer nicht kuriert hat, durch einen oder mehrere Prozessoren Auswählen eines neuen Sets von varianzbezogenen Patientenfunktionen für den aktuellen Patienten zur Generierung eines neuen aktuellen optimalen Patientensets von varianzbezogenen Patientenfunktionen für den aktuellen Patienten.
-
In einer Ausführungsform der vorliegenden Erfindung identifizieren ein oder mehrere Prozessoren einen Trend in den zeitlich heteroskedastischen Funktionen, wobei ein positiver Trend eine zeitliche Erhöhung von Varianzen für die zeitlich heteroskedastischen Funktionen angibt, wogegen ein negativer Trend eine zeitliche Verringerung von Varianzen für die zeitlich heteroskedastischen Funktionen angibt, und wobei der positive Trend und der negative Trend Änderungen in einer Amplitude der Varianzen für die zeitlich heteroskedastischen Funktionen im Zeitverlauf beschreiben. Als Reaktion auf das Erfassen eines positiven Trends in den zeitlich heteroskedastischen Funktionen geben ein oder mehrere Prozessoren den Alert in Bezug auf das vordefinierte gesundheitsbezogene Resultat für den aktuellen Patienten aus.
-
In einer Ausführungsform der vorliegenden Erfindung wird das abstrahierte Set von varianzbezogenen Kandidaten-Patientenfunktionen für die allgemeine Grundgesamtheit sowie varianzbezogene Patientenfunktionen für den aktuellen Patienten durch einen oder mehrere Prozessoren durch Maximieren eines Varianztrends im Zeitverlauf generiert, wobei: VAROT = f(x, ts, wl, dt, pt, s) wobei
- x
- = Messwerte eines vordefinierten gemessenen Patientenmerkmals,
- ts
- = ein Startpunkt eines Beobachtungsfensters zum Beobachten des vordefinierten gemessenen Patientenmerkmals,
- wl
- = eine Länge des Beobachtungsfensters;
- dt
- = eine inkrementelle Zeitraumlänge für eine Teileinheit des Beobachtungsfensters;
- pt
- = Zeitraumtyp für das Beobachtungsfenster, wobei der Zeitraumtyp aus einer Grundgesamtheit ausgewählt wird, die aus einem diskreten Zeitraum und einem rollierenden Zeitraum besteht, und
- s
- = eine Spärlichkeitsbedingung, die eine erforderliche Mindestanzahl von Datenpunkten für x in dem inkrementellen Zeitraum in dem Beobachtungsfenster definiert.
-
In einer Ausführungsform der vorliegenden Erfindung wird der Startpunkt des in der VAROT-Formel beschriebenen Beobachtungsfensters durch ein vordefiniertes Ereignis ausgelöst, das zum aktuellen Patienten in Beziehung steht. In einer Ausführungsform der vorliegenden Erfindung ist dieses vordefinierte Ereignis, das mit dem aktuellen Patienten in Beziehung steht, ein Beginn eines pharmakologischen Protokolls, das auf den aktuellen Patienten angewendet wird. In einer Ausführungsform der vorliegenden Erfindung ist dieses vordefinierte Ereignis, das mit dem aktuellen Patienten in Beziehung steht, eine Operation, die an dem aktuellen Patienten ausgeführt wird. In einer Ausführungsform der vorliegenden Erfindung ist dieses vordefinierte Ereignis, das mit dem aktuellen Patienten in Beziehung steht, ein Ernährungsereignis, das für den aktuellen Patienten auftritt.
-
Wie hierin beschrieben, beschreibt die vorliegende Erfindung ein Verfahren und System, die Abstraktion, Aufbau und Grundgesamtheiten neuer Funktionen unterstützen, indem sie die Variabilität von Kennzahlen im Zeitverlauf (Heteroskedastizität) hervorheben, wodurch die Nutzung von aus dieser Funktion gewonnenen Einsichten für die Entwicklung/Überwachung/Anpassung von Dienstleistungen im Pflegemanagement ermöglicht wird, wie beispielsweise Einhaltung. Zu dem System gehört auch eine Lernkomponente, die individuelle historische Daten nutzt, um die Empfindlichkeit der gewählten Funktionsabstraktionen zu beurteilen.
-
Der hierin beschriebene datengesteuerte Ansatz ermöglicht das Erfassen von den Kennzahlen zugehörigem zeitlichem Kontext, ohne dazu theoretische Modelle definieren zu müssen, und bietet auch die Möglichkeit einer kontinuierlichen Überwachung und einer Modifizierung der gewählten Abstraktionen.
-
Anwendungsfälle
-
Klinische Diagnosen und Prognosen
-
Ein der vorliegenden Erfindung zugrunde liegendes Konzept ist, dass Parameter eines biologischen Modells, das eine vorherige Entwicklung eines Systems (oder eines Organismus) beschreibt, als Prädiktor von Endpunkten dienen. Diese Vorhersage kann univariat oder multivariat sein.
-
Univariates Beispiel
-
Eine niedrige Anzahl von Blutkörperchen führt zu einer erheblichen Vermehrung von blutbildenden Stammzellen. Da die Wahrscheinlichkeit von Mutationen (die letztendlich zu Leukämie führen) unter Strahlungseinwirkung hoch ist, konnten bestimmte messbar Merkmale der Dynamik der Blutkörperchenzählung als Risikofaktoren für Leukämie betrachtet werden, z. B. Geschwindigkeit und maximaler Rückgang der Anzahl von Blutkörperchen in peripherem Blut.
-
Multivariates Beispiel
-
Zu verschiedenen menschlichen kognitiven Funktionen gesammelte multivariate Daten und ihre Varianzen, die im Zeitverlauf gemessen wurden, können zum Bestimmen von Narkose-Langzeitauswirkungen auf die Wahrnehmung verwendet werden. Einige bei allgemeinen Analysen der kognitiven Tests erhaltenen Messwerte dienen als Prädiktoren für die zukünftige kognitive Gesundheit des Patienten und/oder seine/ihre Lebensqualität.
-
Die vorliegende Erfindung verwendet zwei grundlegende Argumente bei der Analyse von Varianzen (oder anderen allgemeinen Variablen) in Funktionsabstraktionen und deren Anwendungen: statistische und biologische.
-
Statistische Analyse
-
Eine statistische Analyse erstellt Prädiktoren auf Grundlage von Statistiken, um deren Vorhersagbarkeit im Endpunkt zu bestimmen. Eine logistisch oder linear angepasste Linie (z. B. unter Verwendung der Differenz zwischen dem letzten und dem vorletzten Wert von Kovariaten, d. h. Varianz von vorherigen Messwerten) wird zunächst als Trendlinie für Varianztrends als Prädiktor für den Endpunkt verwendet. Diese Varianzen können auf einer erhöhten Haufigkeitsvarianz oder einer erhöhten Varianz von Datenpunkten beruhen (verringertes Intervall zwischen zwei aufeinanderfolgenden Datenpunkten). Das heißt, innerhalb eines bestimmten Zeitraums können viele Varianzen auftreten („erhöhte Häufigkeitsvarianz”), oder es liegt einfach ein „verringertes Intervall zwischen zwei aufeinander folgenden Datenpunkten” vor (d. h. innerhalb eines vordefinierten Zeit-Subsets in einem Zeitraum treten zwei Varianzen auf), ohne Berücksichtigung, wie viele Varianzen über den gesamten Zeitraum auftreten.
-
Zu beachten ist, dass in einer oder mehreren Ausführungsformen gemischte Modelle zur Segmentaufteilung von Patienten auf Grundlage einer signifikanten Abstraktion von Varianzfaktoren zur Vorhersage für dasselbe Resultat angewendet werden. Das heißt, dass die hierin beschriebene VAROT-Formel bestimmte Grundgesamtheiten/Patienten identifizieren kann, bei denen ein bestimmtes vordefiniertes Resultat wahrscheinlich ist.
-
Biologische Analyse
-
Obwohl die vorliegende Erfindung als auf statistischen Werkzeugen beruhend beschrieben worden ist, muss klar sein, dass die zugrunde liegenden Daten auf biologischem/medizinischem Nachweis beruhen, sodass eine Korrelation zwischen der Datenattribut-Variabilität und dem Endpunkt vorhanden ist. Das heißt, Parameter eines biologischen Modells beschreiben vorherige Entwicklungen eines Systems (oder eines Organismus), die in einer oder mehreren Ausführungsformen als Prädiktoren von Endpunkten dienen. Zu Beispielen für derartige biologische Analysen zählen die folgenden beispielhaften Anwendungsfälle, sie sind aber nicht darauf beschränkt:
Strahleneinwirkung: Daten, die bei einer Zählung von verringerten roten Blutkörperchen unter Strahleneinwirkung sowie bei einer beschleunigten Stammzellenregenerierung zum Ausgleich für den Verlust roter Blutkörperchen gesammelt wurden, können ein Indikator für ein erhöhtes Leukämierisiko sein. Die niedrige Anzahl von Blutkörperchen führt zu einer erheblichen Vermehrung von blutbildenden Stammzellen. Da die Wahrscheinlichkeit von Mutationen (die letztendlich zu Leukämie führen) unter Strahlungseinwirkung hoch ist, werden bestimmte messbare Merkmale der Dynamik der Blutkörperchenzählung als Risikofaktoren für Leukämie berücksichtigt, z. B. Geschwindigkeit und maximaler Rückgang der Anzahl von Blutkörperchen in peripherem Blut.
Nierenversagen: Daten, die während einer Operation in Bezug auf die Blutdruckwerte gesammelt werden, können ein Indikator für ein höheres Risiko eines Nierenversagens sein. Es ist klinisches Wissen, dass eine längere Zeit mit niedrigem Blutdruck zu Nierenversagen führt. Bei Operationen werden daher Protokolle mit einem Blutdruck unter Normalwert als Prädiktor für Nierenversagen verwendet.
Herzleiden: Ein kontinuierlich/steter hoher Blutdruck ist weniger problematisch als ein schwankender Blutdruck. Eine berechnete Varianz ist ein besserer Prädiktor für ein Herzleiden als die tatsächlich erhobenen Werte.
Kognitive Funktionen (multivariate Daten): Zu verschiedenen menschlichen kognitiven Funktionen gesammelte Daten (Fühlen, Denken usw.) und ihre Varianzen, die im Zeitverlauf gemessen wurden, werden zum Bestimmen von Narkose-Langzeitauswirkungen auf die Wahrnehmung verwendet. Einige bei allgemeinen Analysen der kognitiven Tests erhaltenen Messwerte (z. B. unter Verwendung einer Faktoranalyse oder latenten Klassenanalysen) dienen als Prädiktoren für die zukünftige kognitive Gesundheit des Patienten und/oder seine/ihre Lebensqualität.
-
Alle diese Anwendungsfälle können die hierin beschriebene VAROT-Formel verwenden, um ein oder mehrere bestimmte Resultate/Ergebnisse vorherzusagen.
-
Personalisierte Behandlung
-
Auf Grundlage der Vorhersage von Resultat/Konsequenz/Ergebnis/Endpunkt, identifiziert durch den hierin beschriebenen Prozess auf VAROT-Grundlage (d. h. Erfassen von Varianten im Zeitverlauf für Einzelprognose), können anschließend personalisierte Pflegepläne und Einhaltungsprogramme erstellt werden. Das Erstellen eines maßgeschneiderten Behandlungsplans oder einer spezifischen Intervention führt zu einem günstigen klinisch umsetzbaren Aspekt für den Anbieter oder den Patienten. Zum Beispiel kann abhängig von den Varianzen im Zeitverlauf für Funktionen, bei denen Gewichtsmanagement eine Reaktionsvariable ist, ein personalisierter Behandlungsplan, der zu Änderungen der Lebensgewohnheiten und Ernährung führt, eingesetzt werden.
-
Eine oder mehrere Ausführungsformen der vorliegenden Erfindung sind somit auf dem Gebiet der personalisierten Medikation/vorhersagenden Medizin von Nutzen. Das Ziel der vorhersagenden Medizin besteht darin, die Wahrscheinlichkeit einer zukünftigen Krankheit vorherzusagen, sodass im Gesundheitswesen Tätige und die Patienten selbst durch Änderungen der Lebensgewohnheiten die Initiative ergreifen und eine häufigere ärztliche Überwachung in Anspruch nehmen können. So kann zum Beispiel eine halbjährliche Ganzkörperuntersuchung der Haut durch einen Dermatologen oder Internisten angeordnet werden, wenn ein erhöhtes Melanom-Risiko bei dem Patienten festgestellt wird. Desgleichen kann ein EKG und eine kardiologische Untersuchung durch einen Kardiologen angeordnet werden, wenn ein erhöhtes Risiko einer Herzrhythmusstörung bei einem Patienten festgestellt wird. Desgleichen können MRTs oder Mammografien alle sechs Monate angeordnet werden, wenn für einen Patienten ein erhöhtes Brustkrebs-Risiko festgestellt wird. Die Datenanalyse kann somit unter Verwendung des hierin beschriebenen Prozesses auf VAROT-Grundlage auf dem Gebiet personalisierte Medikation/vorhersagende Medizin verwendet werden.
-
Der Ablaufplan und die Blockschaubilder in den Figuren veranschaulichen die Architektur, die Funktionalität und den Betrieb von möglichen Umsetzungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung. Diesbezüglich kann jeder Block in dem Ablaufplan oder in den Blockschaubildern ein Modul, ein Segment oder einen Codeabschnitt darstellen, der eine oder mehrere ausführbare Anweisungen zum Umsetzen der angegebenen logischen Funktion(en) aufweist. Es ist ebenfalls anzumerken, dass in einigen alternativen Umsetzungen die in dem Block angegebenen Funktionen in einer anderen Reihenfolge auftreten können als in den Figuren angegeben. Zum Beispiel können zwei nacheinander gezeigte Blöcke tatsächlich im Wesentlichen parallel ausgeführt werden, oder die Blöcke können manchmal in der umgekehrten Reihenfolge ausgeführt werden, was von der beteiligten Funktionalität abhängt. Es wird ebenfalls angemerkt, dass jeder Block in den Blockschaubildern und/oder in der Veranschaulichung des Ablaufplans und Kombinationen von Blöcken in den Blockschaubildern und/oder der Veranschaulichung des Ablaufplans durch spezielle Systeme auf der Grundlage von Hardware, die die angegebenen Funktionen oder Handlungen ausführen, oder Kombinationen von spezieller Hardware und Computeranweisungen umgesetzt werden können.
-
Die hierin verwendete Terminologie dient nur zum Zweck der Beschreibung von bestimmten Ausführungsformen und soll die vorliegende Erfindung keinesfalls einschränken. Wie hierin verwendet, sollen die Singularformen „ein”, „eine” und „der/die/das” auch die Pluralformen mit einschließen, es sei denn, der Kontext gibt eindeutig anderes vor. Es versteht sich des Weiteren, dass die Begriffe „weist auf” und/oder „aufweisend” bei Verwendung in dieser Patentschrift das Vorhandensein ausgewiesener Merkmale, Ganzzahlen, Schritte, Vorgänge, Elemente und/oder Komponenten angeben, das Vorhandensein oder die Hinzufügung von einem oder mehreren anderen Merkmalen, Ganzzahlen, Schritten, Vorgängen, Elementen, Komponenten und/oder Gruppen davon aber nicht ausschließen.
-
Die entsprechenden Strukturen, Materialien, Handlungen und Entsprechungen aller Mittel oder Schritt-plus-Funktion-Elemente in den nachstehenden Ansprüchen sollen alle Strukturen, Materialien oder Handlungen zum Ausführen der Funktion in Kombination mit anderen beanspruchten Elementen enthalten, wie speziell beansprucht. Die Beschreibung der verschiedenen Ausführungsformen der vorliegenden Erfindung wurde zum Zweck der Veranschaulichung und Beschreibung erstellt, sie soll aber keineswegs erschöpfend oder auf die vorliegende Erfindung in der offenbarten Form eingeschränkt sein. Für Fachleute sind viele Modifizierungen und Variationen offenkundig, ohne vom Schutzbereich und dem Erfindungsgedanken der vorliegenden Erfindung abzuweichen. Die Ausführungsform wurde ausgewählt und beschrieben, um die Grundsätze der vorliegenden Erfindung und die praktische Anwendung am besten zu erklären und es anderen Fachleuten zu ermöglichen, die vorliegende Erfindung für verschiedene Ausführungsformen mit verschiedenen Modifizierungen zu verstehen, die für die vorgesehene bestimmte Verwendung geeignet sind.
-
Ferner ist zu beachten, dass alle in der vorliegenden Offenbarung beschriebenen Verfahren unter Verwendung eines VHDL-(HVSIC Hardware-Beschreibungssprache) Programms und eines VHDL-Chips umgesetzt werden können. VHDL ist eine beispielhafte Entwicklungseingabesprache für feldprogrammierbare Gate Arrays (FPGAs), anwenderspezifische integrierte Schaltungen (ASICs) und weitere ähnliche elektronische Einheiten. Daher kann jedes hierin beschriebene, durch Software umgesetztes Verfahren durch ein VHDL-Programm auf Hardware-Grundlage emuliert werden, das dann auf einen VHDL-Chip angewendet wird, wie beispielsweise ein FPGA.
-
Nachdem die Ausführungsformen der vorliegenden Erfindung der vorliegenden Anwendung somit im Detail und unter Bezugnahme auf ihre veranschaulichenden Ausführungsformen beschrieben worden sind, ist offenkundig, dass Modifizierungen und Variationen möglich sind, ohne vom Schutzumfang der vorliegenden Erfindung abzuweichen, der in den Ansprüchen im Anhang definiert ist.
