DE112019001136T5

DE112019001136T5 - Analyse unerwünschter arzneimittelwirkungen

Info

Publication number: DE112019001136T5
Application number: DE112019001136.7T
Authority: DE
Inventors: Sanjoy Dey; Ping Zhang; Mohamed Ghalwash
Original assignee: International Business Machines Corp
Current assignee: MERATIVE US L.P. (N.D.GES.D.STAATES DELAWARE),, US
Priority date: 2018-03-06
Filing date: 2019-02-14
Publication date: 2020-11-26
Also published as: US11164678B2; GB2586721A; JP7357630B2; US20190279774A1; US20190279775A1; JP2021515934A; CN111801741B; CN111801741A; WO2019171187A1; US11211169B2; US20220059244A1; GB202015400D0

Abstract

Es werden Mechanismen zum Umsetzen eines Rahmenwerks zum Erlernen von Zusammenhängen zwischen mehreren Arzneimitteln und unerwünschten Arzneimittelwirkungen bereitgestellt. Die Mechanismen empfangen und analysieren Daten aus elektronischen Patientenakten und Daten über unerwünschte Arzneimittelwirkungen, um Koinzidenzen von Hinweisen auf Arzneimittel und Hinweisen auf unerwünschte Arzneimittelwirkungen (UAWs) zu erkennen, um dadurch in Frage kommende Regeln zu erstellen, die Beziehungen zwischen mehreren Arzneimitteln und UAWs angeben. Die Mechanismen filtern die in Frage kommenden Regeln, um eine Teilmenge einer oder mehrerer Regeln zu entfernen, bei denen in der Teilmenge einer oder mehrerer in Frage kommender Regeln als Störfaktoren wirkende Arzneimittel angegeben sind, und dadurch einen gefilterten Satz von in Frage kommenden Regeln zu erstellen. Die Mechanismen erzeugen darüber hinaus ein Kausalmodell beruhend auf dem gefilterten Satz von in Frage kommenden Regeln. Das Kausalmodell weist für jede UAW in einem Satz von UAWs einen entsprechenden Satz von einer oder mehreren Regeln auf, wobei jede Regel eine Kombination von Arzneimitteln angibt, die in einer kausalen Beziehung zu der UAW stehen.

Description

HINTERGRUND
Die vorliegende Anmeldung betrifft allgemein eine verbesserte Datenverarbeitungsvorrichtung und ein verbessertes Verfahren und insbesondere Mechanismen zum Aufspüren präziser zufälliger Wechselwirkungen zwischen mehreren Arzneimitteln für eine Analyse von unerwünschten Arzneimittelwirkungen.
Bei einer unerwünschten Arzneimittelwirkung (UAW) handelt es sich um eine Schädigung, die durch ein Einnehmen eines Medikaments oder Arzneimittels verursacht wird. UAWs können nach einer einmaligen Gabe oder nach einer längeren Verabreichung eines Arzneimittels auftreten. UAWs können nach Schweregrad und Ursache eingestuft werden. UAWs können lokal oder systemisch sein. Die Untersuchung von UAWs ist die Angelegenheit des Bereichs, der als Pharmakovigilanz bekannt ist.
Eine Bewertung der Kausalität dient zum Bestimmen der Wahrscheinlichkeit, dass ein Arzneimittel eine mutmaßliche UAW verursacht hat. Es gibt eine Reihe verschiedener Verfahren zum Beurteilen eines Kausalzusammenhangs, darunter der Naranjo-Algorithmus, der Venulet-Algorithmus und die Bewertungskriterien für Begriffe zur Kausalität der Weltgesundheitsorganisation (WHO). Mit ihrem Einsatz sind jeweils Vor- und Nachteile verbunden, und die meisten erfordern es, ein gewisses Maß an Expertenwissen anzuwenden. Ein Zuweisen einer Kausalität zu einem konkreten Wirkstoff erweist sich jedoch häufig als schwierig, es sei denn, das Ereignis wird während einer klinischen Studie festgestellt oder es werden große Datenbanken verwendet. Beide Verfahren sind mit Schwierigkeiten verbunden und können fehlerträchtig sein. Selbst in klinischen Studien können einige UAWs übersehen werden, da eine große Anzahl von Testpersonen erforderlich ist, um die UAW festzustellen.
KURZDARSTELLUNG
Die Kurzdarstellung wird bereitgestellt, um eine Auswahl von Konzepten in vereinfachter Form vorzustellen, die hierin in der ausführlichen Beschreibung näher beschrieben werden. Weder soll diese Kurzdarstellung Schlüsselfaktoren oder wesentliche Merkmale des beanspruchten Gegenstands bestimmen, noch soll sie zum Einschränken des Umfangs des beanspruchten Gegenstands verwendet werden.
In einer veranschaulichenden Ausführungsform wird ein Verfahren in einem Datenverarbeitungssystem, das mindestens einen Prozessor und mindestens einen Hauptspeicher aufweist, bereitgestellt, wobei der mindestens eine Hauptspeicher Anweisungen aufweist, die von dem mindestens einen Prozessor ausgeführt werden, um den mindestens einen Prozessor dazu zu veranlassen, ein Rahmenwerk zum Erlernen der Zusammenhänge zwischen mehreren Arzneimitteln und unerwünschten Arzneimittelwirkungen umzusetzen. Das Verfahren weist ein Empfangen, durch das Rahmenwerk, von Belegen aus Beobachtungsstudien (real world evidence), die Daten aus elektronischen Patientenakten und Daten über unerwünschte Arzneimittelwirkungen aufweisen, und ein Analysieren, durch ein Koinzidenz-Logikmodul, der Belege aus Beobachtungsstudien, um Koinzidenzen von Hinweisen auf Arzneimittel und Hinweisen auf unerwünschte Arzneimittelwirkungen (UAWs) zu erkennen, um dadurch in Frage kommende Regeln zu erstellen, die Beziehungen zwischen mehreren Arzneimitteln und UAWs angeben. Das Verfahren umfasst darüber hinaus ein Filtern der in Frage kommenden Regeln durch ein Störfaktor-Filter-Logikmodul des Rahmenwerks, um eine Teilmenge einer oder mehrerer Regeln zu entfernen, bei denen in der Teilmenge einer oder mehrerer in Frage kommender Regeln als Störfaktoren wirkende Arzneimittel angegeben sind, und dadurch einen gefilterten Satz von in Frage kommenden Regeln zu erstellen. Außerdem umfasst das Verfahren ein Erstellen, durch ein Kausalzusammenhangs-Logikmodul des Rahmenwerks, eines Kausalmodells beruhend auf dem gefilterten Satz von in Frage kommenden Regeln, wobei das Kausalmodell für jede UAW in einem Satz von UAWs einen entsprechenden Satz von einer oder mehreren Regeln aufweist, wobei jede Regel eine Kombination von Arzneimitteln angibt, die in einer kausalen Beziehung zu der UAW stehen.
In einigen veranschaulichenden Ausführungsformen umfasst das Analysieren der Belege aus Beobachtungsstudien ein Erkennen sämtlicher Koinzidenzen von Hinweisen auf Arzneimittel und Hinweisen auf UAWs in den Belegen aus Beobachtungsstudien und ein Erstellen der in Frage kommenden Regeln auf der Grundlage der erkannten Koinzidenzen, wobei jede in Frage kommende Regel ein Arzneimittelmuster (drug pattern), das eine Mehrzahl von Arzneimitteln kennzeichnet, und eine entsprechende UAW angibt. Außerdem umfasst in einigen veranschaulichenden Ausführungsformen das Analysieren der Belege aus Beobachtungsstudien darüber hinaus ein Auswählen einer Teilmenge der in Frage kommenden Regeln als Grundlage zum Erstellen der in Frage kommenden Beziehungen zwischen mehreren Arzneimitteln und UAWs auf der Grundlage einer Unterstützungsmetrik und/oder einer Konfidenz-Metrik, wobei die Unterstützungsmetrik eine Anzahl von Fällen der Koinzidenz entsprechend der in Frage kommenden Regel in den Belegen aus Beobachtungsstudien misst, und wobei die Konfidenz-Metrik für eine in Frage kommende Regel eine Wahrscheinlichkeit der UAW angesichts der Arzneimittel in dem Arzneimittelmuster der in Frage kommenden Regel misst.
In einigen veranschaulichenden Ausführungsformen umfasst das Erkennen sämtlicher Koinzidenzen von Hinweisen auf Arzneimittel und einem Hinweis auf UAWs in den Belegen aus Beobachtungsstudien ein Durchführen einer natürlichen Sprachverarbeitung der Belege aus Beobachtungsstudien, um Begriffe, Wortfolgen und/oder medizinische Codes zu identifizieren, die Hinweise auf Arzneimittel und Hinweise auf UAWs kennzeichnen, ein Berechnen von relativen Abständen innerhalb der Belege aus Beobachtungsstudien zwischen jedem identifizierten Begriff, jeder identifizierten Wortfolge oder jedem identifizierten medizinischen Code, die Hinweise auf Arzneimittel und Hinweise auf UAWs kennzeichnen, und ein Erkennen von Koinzidenzen auf der Grundlage der relativen Abstände.
In einigen veranschaulichenden Ausführungsformen umfasst das Auswählen einer Teilmenge von in Frage kommenden Regeln ein Erzeugen einer Kontingenztabellen-Datenstruktur für jede in Frage kommende Regel, wobei jeder Eintrag in der Kontingenztabellen-Datenstruktur eine Anzahl von elektronischen Patientenakten aufweist, die eine Bedingung der dem Eintrag entsprechenden Zeile und Spalte der Kontingenztabellen-Datenstruktur erfüllen. In der Kontingenztabellen-Datenstruktur entspricht eine erste Zeile der Kontingenztabellen-Datenstruktur elektronischen Patientenakten, die sämtliche Arzneimittel in dem Arzneimittelmuster der in Frage kommenden Regel enthalten, eine zweite Zeile der Kontingenztabellen-Datenstruktur entspricht elektronischen Patientenakten, die keines der Arzneimittel in dem Arzneimittelmuster der in Frage kommenden Regel enthalten, eine erste Spalte der Kontingenztabellen-Datenstruktur entspricht den elektronischen Patientenakten, welche die UAW in der in Frage kommenden Regel enthalten, und eine zweite Spalte der Kontingenztabellen-Datenstruktur entspricht den elektronischen Patientenakten, welche die UAW in der in Frage kommenden Regel nicht enthalten.
In noch anderen veranschaulichenden Ausführungsformen gibt jede in Frage kommende Regel ein entsprechendes Arzneimittelmuster und eine entsprechende unerwünschte Arzneimittelwirkung an, und ein Filtern der in Frage kommenden Regeln umfasst darüber hinaus ein Berechnen einer Verbesserungsmetrik für jede erste in Frage kommende Regel, die einen Umfang von Verbesserungen einer entsprechenden Zusammenhangsbewertung (association score) für die erste in Frage kommende Regel gegenüber einer Zusammenhangsbewertung für eine andere, zweite in Frage kommende Regel angibt, die ein Teilmuster des entsprechenden Arzneimittelmusters der ersten in Frage kommenden Regel und die entsprechende unerwünschte Arzneimittelwirkung der ersten in Frage kommenden Regel angibt. Außerdem kann das Filtern der in Frage kommenden Regeln darüber hinaus ein Ermitteln für jede erste in Frage kommende Regel auf der Grundlage eines Wertes der Verbesserungsmetrik, ob die erste in Frage kommende Regel beibehalten oder die erste in Frage kommende Regel entfernt werden soll, umfassen.
In einigen veranschaulichenden Ausführungsformen umfasst das Ermitteln für jede erste in Frage kommende Regel auf der Grundlage eines Wertes der Verbesserungsmetrik, ob die in Frage kommende Regel beibehalten oder die in Frage kommende Regel entfernt werden soll, ein Vergleichen der Verbesserungsmetrik, die der ersten in Frage kommenden Regel entspricht, mit einem Verbesserungsmetrik-Schwellenwert, und als Reaktion darauf, dass die Verbesserungsmetrik, die der ersten in Frage kommenden Regel entspricht, nicht gleich oder größer als der Verbesserungsmetrik-Schwellenwert ist, ein Feststellen, dass ein als Störfaktor wirkendes Arzneimittel in dem entsprechenden ersten Arzneimittelmuster vorhanden ist. Außerdem beinhaltet in einigen veranschaulichenden Ausführungsformen das Ermitteln für jede erste in Frage kommende Regel auf der Grundlage des Wertes der Verbesserungsmetrik, ob die erste in Frage kommende Regel beibehalten oder die erste in Frage kommende Regel entfernt werden soll, darüber hinaus ein Erkennen des als Störfaktor wirkenden Arzneimittels in dem entsprechenden Arzneimittelmuster auf der Grundlage eines Unterschieds zwischen dem entsprechenden Arzneimittelmuster und dem Teilmuster.
In anderen veranschaulichenden Ausführungsformen umfasst das Verfahren darüber hinaus ein Auswerten von Daten aus einer anderen elektronischen Patientenakte durch Anwenden des Kausalmodells auf in den Daten aus der anderen elektronischen Patientenakte vorhandene Daten zur Arzneimittelhistorie, um Wahrscheinlichkeiten zu ermitteln, dass ein Patient eine oder mehrere UAWs aus dem Satz von UAWs erfährt. Außerdem umfasst das Verfahren in einigen veranschaulichenden Ausführungsformen auch ein Erstellen eines Patientenmodells für den Patienten auf der Grundlage der ermittelten Wahrscheinlichkeiten, dass der Patient eine oder mehrere UAWs aus dem Satz von UAWs erfährt. Des Weiteren weist das Verfahren in einigen veranschaulichenden Ausführungsformen ein Eingeben des Patientenmodells in ein kognitives System auf, welches das Patientenmodell umsetzt, um einen auf dem Patientenmodell beruhenden kognitiven Vorgang durchzuführen. In einigen veranschaulichenden Ausführungsformen handelt es sich bei dem kognitiven Vorgang um einen Vorgang zur Behandlungsempfehlung, der einem praktischen Arzt eine Behandlungsempfehlung bereitstellt, die auf einer Auswertung der Daten aus einer anderen elektronischen Patientenakte durch das kognitive System und dem Patientenmodell beruht.
In anderen veranschaulichenden Ausführungsformen wird ein Computerprogrammprodukt bereitgestellt, das ein durch einen Computer verwendbares oder lesbares Medium aufweist, auf dem ein durch einen Computer lesbares Programm enthalten ist. Das durch einen Computer lesbare Programm veranlasst bei Ausführung auf einer Datenverarbeitungseinheit die Datenverarbeitungseinheit dazu, verschiedene der oben in Bezug auf die veranschaulichende Ausführungsform des Verfahrens umrissenen Arbeitsschritte und Kombinationen daraus durchzuführen.
In noch einer anderen veranschaulichenden Ausführungsform werden ein System/eine Vorrichtung bereitgestellt. Das System/die Vorrichtung können einen oder mehrere Prozessoren und einen mit dem einen oder den mehreren Prozessoren verbundenen Hauptspeicher umfassen. Der Hauptspeicher kann Anweisungen aufweisen, die bei Ausführung durch den einen oder die mehreren Prozessoren den einen bzw. die mehreren Prozessoren dazu veranlassen, verschiedene der oben in Bezug auf die veranschaulichende Ausführungsform des Verfahrens umrissenen Arbeitsschritte und Kombinationen daraus durchzuführen.
Diese und andere Merkmale und Vorteile der vorliegenden Erfindung werden in der folgenden ausführlichen Beschreibung der beispielhaften Ausführungsformen der vorliegenden Erfindung beschrieben bzw. werden einem Fachmann angesichts dieser Beschreibung ersichtlich.
Figurenliste
Die Erfindung sowie eine bevorzugte Anwendungsart und weitere Ziele und Vorteile von dieser wird man jedoch am besten unter Bezugnahme auf die folgende ausführliche Beschreibung von veranschaulichenden Ausführungsformen verstehen, wenn man diese in Verbindung mit den beigefügten Zeichnungen liest. Es zeigen:

1 einen beispielhaften Ablaufplan, der eine Gesamtdarstellung der von den Mechanismen einer veranschaulichenden Ausführungsform angewendeten Methodik veranschaulicht;
2 ein beispielhaftes Schaubild einer Kontingenztabelle gemäß einer veranschaulichenden Ausführungsform;
3 ein beispielhaftes Schaubild einer verteilten Datenverarbeitungssystem-Umgebung, in der Aspekte einer veranschaulichenden Ausführungsform umgesetzt werden können;
4 ein beispielhaftes Blockschaubild eines Datenverarbeitungssystems, in dem Aspekte der vorliegenden Erfindung gemäß einer veranschaulichenden Ausführungsform umgesetzt werden können;
5 eine Interaktion eines Rahmenwerks zum Erlernen von Zusammenhängen zwischen Mustern mit mehreren Arzneimitteln und UAWs mit einem kognitiven System für das Gesundheitswesen gemäß einer veranschaulichenden Ausführungsform;
6 ein Beispiel einer Interaktion zwischen einem Rahmenwerk zum Erlernen von Zusammenhängen zwischen Mustern mit mehreren Arzneimitteln und UAWs mit einer Pipeline zum Beantworten von Fragen oder zum Verarbeiten von Anforderungen gemäß einer veranschaulichenden Ausführungsform; und
7 einen Ablaufplan, der einen beispielhaften Vorgang zum Erlernen von Beziehungen zwischen Mustern mit mehreren Arzneimitteln und unerwünschten Arzneimittelwirkungen sowie zum Herausfiltern von als Störfaktoren wirkenden Arzneimitteln gemäß einer veranschaulichenden Ausführungsform umreißt.

AUSFÜHRLICHE BESCHREIBUNG
Die Stärken von aktuellen kognitiven Systemen, wie zum Beispiel aktuelle medizinische Diagnosen, Patienten-Gesundheitsmanagement, Behandlungsempfehlungssysteme für Patienten und andere Entscheidungsunterstützungssysteme, liegen darin, dass sie Erkenntnisse bereitstellen können, welche die von Menschen durchgeführte Entscheidungsfindung verbessern. Zum Beispiel können derartige kognitive Systeme im medizinischen Kontext die diagnostischen Annahmen von praktischen Ärzten verbessern, sie können praktischen Ärzten beim Vermeiden des Übersehens wichtiger Diagnosen helfen, und sie können praktischen Ärzten beim Festlegen geeigneter Behandlungen für spezifische Krankheiten helfen. Allerdings unterliegen derzeitige Systeme immer noch erheblichen Nachteilen, die angegangen werden sollten, um derartige Systeme genauer und für eine Vielfalt von Anwendungen nutzbar zu machen sowie die Art und Weise, wie Menschen Entscheidungen treffen, wie zum Beispiel ein Diagnostizieren und Behandeln von Patienten, besser darzustellen. Ein Nachteil von derzeitigen Systemen ist insbesondere die Fähigkeit, Wechselwirkungen zwischen Arzneimitteln zu erlernen und zu berücksichtigen und die Kausalität in Bezug auf unerwünschte Arzneimittelwirkungen (UAWs) zu bestimmen, wenn Patienten mehrere Arzneimittel einnehmen.
Das heißt, Patienten nehmen häufig mehrere Arzneimittel gleichzeitig ein. Dies kann darauf zurückzuführen sein, dass der Patient an mehreren verschiedenen Erkrankungen leidet, für die unterschiedliche Arzneimittel eingenommen werden, um jede der Erkrankungen anzugehen, es kann auf ein Behandlungsschema zurückzuführen sein, das mehrere Arzneimittel zur Behandlung einer Erkrankungen erfordert, oder auf einen beliebigen von mehreren anderen Gründen. Ein Einnehmen mehrerer Arzneimittel durch den Patienten kann einem einzelnen praktischen Arzt beim Behandeln des Patienten bekannt sein oder auch nicht. Das heißt, wenn der Patient aufgrund unterschiedlicher Erkrankungen von verschiedenen praktischen Ärzten behandelt wird, kann es sein, dass ein praktischer Arzt nichts von Arzneimitteln weiß, die von dem anderen praktischen Arzt verschrieben wurden, wenn diese Informationen nicht in der lokalen Krankenakte des Patienten vorhanden sind und/oder der Patient dies dem praktischen Arzt nicht mitteilt.
Eine der wichtigsten Möglichkeiten zum Behandeln verschiedener Erkrankungen, z.B. Krankheiten wie zum Beispiel Diabetes, Krebs usw., besteht darin, den Patienten auf ein Behandlungsschema zu setzen, welches das Verabreichen von mehreren Medikamenten, Arzneimitteln, Nahrungsergänzungsmitteln oder dergleichen (hierin zusammen als „Arzneimittel“ bezeichnet) erfordert. Zum Beispiel handelt es sich bei einer Erstlinienbehandlung zum Behandeln von Diabetes Typ II üblicherweise um ein einzelnes Arzneimittel, während eine Zweitlinienbehandlung mehrere Arzneimittel aufweisen kann, z.B. Metformin und ein anderes Arzneimittel, das von der bestimmten Erkrankung des Patienten abhängig sein kann. Auch wenn Vorsichtsmaßnahmen getroffen werden, um negative Wechselwirkungen von Arzneimitteln zu vermeiden, ist sich das medizinische Personal nicht immer aller möglichen negativen Wechselwirkungen bewusst. Außerdem kann es Wechselwirkungen geben, die auf den bestimmten Eigenschaften und Begleiterkrankungen des Patienten beruhen, die das Durchführen von Behandlungen, die mit mehreren Arzneimitteln einhergehen, zu einem Problem machen, das für das medizinische Personal möglicherweise nicht ohne weiteres erkennbar ist. Des Weiteren haben Patienten häufig mehr als eine Erkrankung, z.B. chronische Krankheiten, und nehmen für die verschiedenen Erkrankungen möglicherweise unterschiedliche Arzneimittel ein, was zu einem zusätzlichen Potenzial für negative Wechselwirkungen von Arzneimitteln führt.
Wechselwirkungen zwischen Arzneimitteln sind ernsthafte Bedrohungen, die zu einer erheblichen Erkrankungsrate und Sterblichkeit führen können und in den Vereinigten Staaten von Amerika jährlich zu fast 74.000 Besuchen in der Notaufnahme und 195.000 Aufenthalten in Krankenhäusern führen. Die hierin dargelegten veranschaulichenden Ausführungsformen stellen Mechanismen zum Erkennen von kausalen Wechselwirkungen zwischen mehreren Arzneimitteln als Reaktion auf unerwünschte Arzneimittelwirkungen (UAWs) aus Belegen aus Beobachtungsstudien bereit. Die veranschaulichenden Ausführungsformen nutzen einen Ansatz zum Auswerten (mining) von Zusammenhangsregeln zum wirksamen Erkennen von Zusammenhängen zwischen übergeordneten oder höhergeordneten Arzneimitteln aus Beobachtungsdaten. Es werden statistische Bewertungen verwendet, um die genauen Wechselwirkungen zwischen Arzneimitteln zu erkennen, um Störfaktoren herauszufiltern. Des Weiteren werden die erhaltenen Regeln (sowohl für Arzneimittel höherer Ordnung als auch für Einzelarzneimittel), die sich auf eine bestimmte UAW beziehen, in ein bayessches Rahmenwerk zum Aufbauen eines Rahmenwerks zur Ursachenforschung eingegeben. In den veranschaulichenden Ausführungsformen werden die erhaltenen Parameter des bayesschen Rahmenwerks zur Ursachenforschung ausgewertet. Diese Ursachenforschung kann von kognitiven Systemen verwendet werden, um das medizinische Personal beim Bewerten und Behandeln von Patienten zu unterstützen, indem zusätzliche Informationen über die kausalen Beziehungen zwischen von Patienten eingenommenen Arzneimitteln und deren Potenzial zum Verursachen von unerwünschten Arzneimittelwirkungen, ob allein oder in Kombination mit anderen Arzneimitteln, die der Patient möglicherweise einnimmt, bereitgestellt werden. Außerdem hilft die Ursachenforschung dem medizinischen Personal beim Beseitigen von potenziellen Quellen von UAWs als einfache Störfaktoren, wodurch eine fehlerhafte Diagnose und/oder fehlerhafte Bewertung der Ursachen von UAWs vermieden wird.
Die veranschaulichenden Ausführungsformen stellen im Vergleich zu früheren Ansätzen zum Auffinden von Arzneimitteln zugehörigen UAWs erhebliche Vorteile bereit. Frühere Ansätze zum Auffinden von Arzneimitteln zugehörigen UAWs konzentrieren sich hauptsächlich darauf, einfache Koinzidenzen von Arzneimitteln und UAWs aus Beobachtungsdaten und Spontanmeldesystemen zu finden. Zum Beispiel beschreiben Harpaz et al. in „Mining Multi-Item Drug Adverse Effect Associations in Spontaneous Reporting Systems", BMC Bioinformatics, 28. Oktober 2010; 11(9):S7 einen Ansatz, der ein generisches Rahmenwerk zum Auswerten von Zusammenhangsregeln anwendet, um Zusammenhänge zu finden, die auf einfachen Koinzidenzen von Arzneimitteln beruhen. Als ein anderes Beispiel beschreiben Xiang et al. in „Efficiently Mining Adverse Event Reporting System for Multiple Drug Interactions", AMIA Summits on Translational Science Proceedings, 2014; 2014:120 eine Methodik, die ebenfalls ein Rahmenwerk zum Auswerten von Zusammenhangsregeln verwendet, um minimale Darstellungen von Wechselwirkungen zwischen Arzneimitteln zu finden. In noch einem anderen Beispiel beschreiben Du et al. in „Graphic Mining of High-Order Drug Interactions and Their Directional Effects on Myopathy Using Electronic Medical Records", CPT: Pharmacometrics & Systems Pharmacology, 1. August 2015; 4(8):481-8 einen statistischen Ansatz zum Auffinden von Arzneimittelwechselwirkungen bei Myopathie.
Die veranschaulichenden Ausführungsformen stellen andererseits Mechanismen bereit, welche die Zusammenhänge höherer Ordnung der Wechselwirkung zwischen Arzneimitteln aus elektronischen Gesundheitsakten (electronic health records) ausnutzen. Außerdem entfernen die Mechanismen der veranschaulichenden Ausführungsformen die Arzneimittel aus den Zusammenhängen zwischen mehreren Arzneimitteln, die einfache Störfaktoren sind, die für Begleiterkrankungen mitverschrieben werden. Zusätzlich können die Mechanismen der veranschaulichenden Ausführungsformen verwendet werden, um (eine oder mehrere) UAWs vorherzusagen, die mit Zusammenhängen zwischen mehreren Arzneimitteln bei bestimmten Patienten verbunden sind, wie durch eine kognitive Analyse der elektronischen Patientenakte (EPA) erkannt werden kann.
Die Mechanismen der veranschaulichenden Ausführungsformen funktionieren beruhend auf der Beobachtung, dass UAWs möglicherweise durch Wechselwirkungen zwischen mehreren Arzneimitteln und nicht durch ein einzelnes Arzneimittel verursacht werden. Die oben genannten bekannten Ansätze haben insofern Einschränkungen, als sie keine kausalen Wechselwirkungen höherer Ordnung, d.h. höherer Ebene, zwischen mehreren Arzneimitteln finden können und keinen allgemein anwendbaren Ansatz zum Auffinden von derartigen Wechselwirkungen zwischen mehreren Arzneimitteln höherer Ordnung und entsprechenden UAWs bereitstellen. Die Verwendung des Begriffs „höhere Ordnung“ hierin bezieht sich darauf, dass zwei oder mehr Arzneimittel der beiläufige Faktor sind, der zu einer oder mehreren UAWs führt, was durch eine Regel angegeben wird, z.B. D₁D₂ → UAW₁ oder D₁D₂D₃ → UAW₁UWA₂, wobei D_x ein Arzneimittel und UAW_y eine unerwünschte Arzneimittelwirkung ist und → eine kausale Beziehung der Regel darstellt. Die Ansätze nach dem Stand der Technik, die auf einfachen Koinzidenzen von Arzneimitteln und UAWs beruhen, stellen nicht unbedingt einen kausalen Zusammenhang bereit, da die Ansätze nach dem Stand der Technik lediglich einfache Koinzidenzen eines Arzneimittels und einer UAW finden und nicht in der Lage sind, tatsächliche kausale Zusammenhänge zu erkennen. Außerdem können derartige Ansätze nach dem Stand der Technik nicht zwischen Arzneimitteln, die in tatsächlichen kausalen Zusammenhängen stehen, und Arzneimitteln, die aufgrund einer Begleiterkrankung des Patienten einfach mitverschrieben werden, unterscheiden. Derartige mitverschriebene Arzneimittel können eher als bloße Störfaktoren denn als kausaler Faktor von UAWs wirken. Die veranschaulichenden Ausführungsformen stellen Mechanismen bereit, die tatsächliche kausale Beziehungen mehrerer Arzneimittel mit UAWs bestimmen und Störfaktoren beseitigen.
Bevor die Erörterung der verschiedenen Aspekte der veranschaulichenden Ausführungsformen ausführlicher beginnt, sollte man sich zunächst darüber im Klaren sein, dass in der gesamten Beschreibung der Begriff „Mechanismus“ verwendet wird, um auf Elemente der vorliegenden Erfindung zu verweisen, die verschiedene Arbeitsschritte, Funktionen und dergleichen durchführen. Bei einem „Mechanismus“, wie der Begriff hierin verwendet wird, kann es sich um eine Umsetzung der Funktionen oder Aspekte der veranschaulichenden Ausführungsformen in Form einer Vorrichtung, einer Vorgehensweise oder eines Computerprogrammprodukts handeln. Im Falle einer Vorgehensweise wird die Vorgehensweise durch eine(n) oder mehrere Einheiten, Vorrichtungen, Computer, Datenverarbeitungssysteme oder dergleichen umgesetzt. Im Falle eines Computerprogrammprodukts wird die Logik, die durch Computercode oder Anweisungen dargestellt wird, der bzw. die in oder auf dem Computerprogrammprodukt enthalten sind, von einer oder mehreren Hardware-Einheiten ausgeführt, um die Funktionalität umzusetzen oder die dem spezifischen „Mechanismus“ zugehörigen Arbeitsschritte durchzuführen. Somit können die hierin beschriebenen Mechanismen als spezialisierte Hardware, als Software, die auf einer Universal-Hardware ausgeführt wird, als Software-Anweisungen, die auf einem Medium gespeichert sind, so dass die Anweisungen ohne Weiteres von spezialisierter oder Universal-Hardware ausführbar sind, als Vorgehensweise oder Verfahren zum Ausführen der Funktionen oder als eine Kombination von beliebigen der oben genannten umgesetzt werden.
In der vorliegenden Beschreibung und den Ansprüchen können die Begriffe „ein, eine“, „mindestens eine(s) von“ und „ein(e) oder mehrere“ in Bezug auf bestimmte Merkmale und Elemente der veranschaulichenden Ausführungsformen verwendet werden. Man sollte sich darüber im Klaren sein, dass diese Begriffe und Wortfolgen angeben sollen, dass in der jeweiligen veranschaulichenden Ausführungsform mindestens eines der bestimmten Merkmale oder Elemente vorhanden ist, dass aber auch mehr als eines vorhanden sein kann. Das heißt, diese Begriffe/Wortfolgen sollen die Beschreibung oder Ansprüche nicht auf ein Vorhandensein eines einzelnen Merkmals/Elements beschränken oder ein Vorhandensein einer Mehrzahl derartiger Merkmale/Elemente vorschreiben. Im Gegenteil, diese Begriffe/Wortfolgen erfordern lediglich mindestens ein einzelnes Merkmal/Element, wobei die Möglichkeit besteht, dass eine Mehrzahl derartiger Merkmale/Elemente in den Umfang der Beschreibung und der Ansprüche fällt.
Außerdem sollte man sich darüber im Klaren sein, dass die Verwendung des Begriffs „Steuerungsroutine“, wenn er hier in Bezug auf ein Beschreiben von Ausführungsformen und Merkmalen der Erfindung verwendet wird, nicht dazu gedacht ist, eine bestimmte Umsetzung für das Erledigen und/oder Durchführen der Aktionen, Schritte, Prozesse usw. einzuschränken, die der Steuerungsroutine zuordenbar sind und/oder von dieser durchgeführt werden. Bei einer Steuerungsroutine kann es sich, ohne darauf beschränkt zu sein, um Software, Hardware und/oder Firmware oder eine beliebige Kombination daraus handeln, welche die angegebenen Funktionen durchführt, darunter eine beliebige Verwendung eines Universal- und/oder spezialisierten Prozessors in Kombination mit geeigneter Software, die in einen maschinenlesbaren Hauptspeicher geladen wird oder dort gespeichert ist und durch den Prozessor ausgeführt wird, aber nicht darauf beschränkt. Darüber hinaus ist jeder Name, der einer bestimmten Steuerungsroutine zugehörig ist, sofern nicht anders angegeben, zum Zwecke einer einfachen Bezugnahme zu verstehen und ist nicht als Beschränkung auf eine bestimmte Umsetzung gedacht. Zusätzlich kann jede einer Steuerungsroutine zugeschriebene Funktionalität gleichermaßen von mehreren Steuerungsroutinen durchgeführt werden, in eine andere Steuerungsroutine desselben oder eines anderen Typs integriert und/oder mit deren Funktionalität kombiniert oder auf eine oder mehrere Steuerungsroutinen mit verschiedenen Konfigurationen verteilt sein.
Zusätzlich sollte man sich darüber im Klaren sein, dass die folgende Beschreibung eine Mehrzahl von verschiedenen Beispielen für verschiedene Elemente der veranschaulichenden Ausführungsformen verwendet, um darüber hinaus beispielhafte Umsetzungen der veranschaulichenden Ausführungsformen zu veranschaulichen und das Verständnis der Mechanismen der veranschaulichenden Ausführungsformen zu erleichtern. Diese Beispiele sollen nicht einschränkend sein und schöpfen die verschiedenen Möglichkeiten zum Umsetzen der Mechanismen der veranschaulichenden Ausführungsformen nicht aus. Für Fachleute wird angesichts der vorliegenden Beschreibung ersichtlich sein, dass es viele andere alternative Umsetzungen für diese verschiedenen Elemente gibt, die zusätzlich zu oder als Ersatz für die hierin bereitgestellten Beispiele verwendet werden können, ohne von dem Sinngehalt und Umfang der vorliegenden Erfindung abzuweichen.
Bei der vorliegenden Erfindung kann es sich um ein System, ein Verfahren und/oder ein Computerprogrammprodukt handeln. Das Computerprogrammprodukt kann (ein) durch einen Computer lesbare(s) Speichermedium (oder -medien) umfassen, auf dem/denen durch einen Computer lesbare Programmanweisungen gespeichert ist/sind, um einen Prozessor dazu zu veranlassen, Aspekte der vorliegenden Erfindung auszuführen.
Bei dem durch einen Computer lesbaren Speichermedium kann es sich um eine physische Einheit handeln, die Anweisungen zur Verwendung durch ein System zur Ausführung von Anweisungen behalten und speichern kann. Bei dem durch einen Computer lesbaren Speichermedium kann es sich zum Beispiel um eine elektronische Speichereinheit, eine magnetische Speichereinheit, eine optische Speichereinheit, eine elektromagnetische Speichereinheit, eine Halbleiterspeichereinheit oder jede geeignete Kombination daraus handeln, ohne auf diese beschränkt zu sein. Zu einer nicht erschöpfenden Liste spezifischerer Beispiele des durch einen Computer lesbaren Speichermediums gehören die Folgenden: eine tragbare Computerdiskette, eine Festplatte, ein Direktzugriffsspeicher (RAM), ein Nur-Lese-Speicher (ROM), ein löschbarer programmierbarer Nur-Lese-Speicher (EPROM bzw. Flash-Speicher), ein statischer Direktzugriffsspeicher (SRAM), ein tragbarer Kompaktspeicherplatte-Nur-Lese-Speicher (CD-ROM), eine DVD (digital versatile disc), ein Speicher-Stick, eine Diskette, eine mechanisch kodierte Einheit wie zum Beispiel Lochkarten oder erhabene Strukturen in einer Rille, auf denen Anweisungen gespeichert sind, und jede geeignete Kombination daraus. Ein durch einen Computer lesbares Speichermedium soll in der Verwendung hierin nicht als flüchtige Signale an sich aufgefasst werden, wie zum Beispiel Funkwellen oder andere sich frei ausbreitende elektromagnetische Wellen, elektromagnetische Wellen, die sich durch einen Wellenleiter oder ein anderes Übertragungsmedium ausbreiten (z.B. durch ein Glasfaserkabel geleitete Lichtimpulse) oder durch einen Draht übertragene elektrische Signale.
Hierin beschriebene, durch einen Computer lesbare Programmanweisungen können von einem durch einen Computer lesbaren Speichermedium auf jeweilige Datenverarbeitungs-/Verarbeitungseinheiten oder über ein Netzwerk wie zum Beispiel das Internet, ein lokales Netzwerk, ein Weitverkehrsnetz und/oder ein drahtloses Netzwerk auf einen externen Computer oder eine externe Speichereinheit heruntergeladen werden. Das Netzwerk kann Kupferübertragungskabel, Lichtwellenübertragungsleiter, drahtlose Übertragung, Leitwegrechner, Firewalls, Vermittlungseinheiten, Gateway-Computer und/oder Edge-Server aufweisen. Eine Netzwerkadapterkarte oder Netzwerkschnittstelle in jeder Datenverarbeitungs-/Verarbeitungseinheit empfängt durch einen Computer lesbare Programmanweisungen aus dem Netzwerk und leitet die durch einen Computer lesbaren Programmanweisungen zur Speicherung in einem durch einen Computer lesbaren Speichermedium innerhalb der entsprechenden Datenverarbeitungs-/Verarbeitungseinheit weiter.
Bei durch einen Computer lesbaren Programmanweisungen zum Ausführen von Arbeitsschritten der vorliegenden Erfindung kann es sich um Assembler-Anweisungen, ISA-Anweisungen (Instruction-Set-Architecture), Maschinenanweisungen, maschinenabhängige Anweisungen, Mikrocode, Firmware-Anweisungen, zustandssetzende Daten oder entweder Quellcode oder Objektcode handeln, die in einer beliebigen Kombination aus einer oder mehreren Programmiersprachen geschrieben werden, darunter objektorientierte Programmiersprachen wie zum Beispiel Java, Smalltalk, C++ oder dergleichen sowie herkömmliche prozedurale Programmiersprachen wie die Programmiersprache „C“ oder ähnliche Programmiersprachen. Die durch einen Computer lesbaren Programmanweisungen können vollständig auf dem Computer des Benutzers, teilweise auf dem Computer des Benutzers, als eigenständiges Software-Paket, teilweise auf dem Computer des Benutzers und teilweise auf einem fernen Computer oder vollständig auf dem fernen Computer oder Server ausgeführt werden. In letzterem Fall kann der entfernt angeordnete Computer mit dem Computer des Benutzers durch eine beliebige Art Netzwerk verbunden sein, darunter ein lokales Netzwerk (LAN) oder ein Weitverkehrsnetz (WAN), oder die Verbindung kann mit einem externen Computer hergestellt werden (zum Beispiel über das Internet unter Verwendung eines Internet-Dienstanbieters). In einigen Ausführungsformen können elektronische Schaltungen, darunter zum Beispiel programmierbare Logikschaltungen, im Feld programmierbare Gatter-Anordnungen (FPGA, field programmable gate arrays) oder programmierbare Logikanordnungen (PLA, programmable logic arrays) die durch einen Computer lesbaren Programmanweisungen ausführen, indem sie Zustandsinformationen der durch einen Computer lesbaren Programmanweisungen nutzen, um die elektronischen Schaltungen zu personalisieren, um Aspekte der vorliegenden Erfindung durchzuführen.
Aspekte der vorliegenden Erfindung sind hierin unter Bezugnahme auf Ablaufpläne und/oder Blockschaltbilder bzw. Schaubilder von Verfahren, Vorrichtungen (Systemen) und Computerprogrammprodukten gemäß Ausführungsformen der Erfindung beschrieben. Es wird darauf hingewiesen, dass jeder Block der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder sowie Kombinationen von Blöcken in den Ablaufplänen und/oder den Blockschaltbildern bzw. Schaubildern mittels durch einen Computer lesbare Programmanweisungen ausgeführt werden können.
Diese durch einen Computer lesbaren Programmanweisungen können einem Prozessor eines Universalcomputers, eines Spezialcomputers oder einer anderen programmierbaren Datenverarbeitungsvorrichtung bereitgestellt werden, um eine Maschine zu erzeugen, so dass die über den Prozessor des Computers bzw. der anderen programmierbaren Datenverarbeitungsvorrichtung ausgeführten Anweisungen ein Mittel zur Umsetzung der in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte erzeugen. Diese durch einen Computer lesbaren Programmanweisungen können auch auf einem durch einen Computer lesbaren Speichermedium gespeichert sein, das einen Computer, eine programmierbare Datenverarbeitungsvorrichtung und/oder andere Einheiten so steuern kann, dass sie auf eine bestimmte Art funktionieren, so dass das durch einen Computer lesbare Speichermedium, auf dem Anweisungen gespeichert sind, ein Herstellungsprodukt aufweist, darunter Anweisungen, welche Aspekte der/des in dem Block bzw. den Blöcken des Ablaufplans und/oder der Blockschaltbilder bzw. Schaubilder angegebenen Funktion/Schritts umsetzen.
Die durch einen Computer lesbaren Programmanweisungen können auch auf einen Computer, eine andere programmierbare Datenverarbeitungsvorrichtung oder eine andere Einheit geladen werden, um das Ausführen einer Reihe von Prozessschritten auf dem Computer bzw. der anderen programmierbaren Vorrichtung oder anderen Einheit zu verursachen, um einen auf einem Computer ausgeführten Prozess zu erzeugen, so dass die auf dem Computer, einer anderen programmierbaren Vorrichtung oder einer anderen Einheit ausgeführten Anweisungen die in dem Block bzw. den Blöcken der Ablaufpläne und/oder der Blockschaltbilder bzw. Schaubilder festgelegten Funktionen/Schritte umsetzen.
Die Ablaufpläne und die Blockschaltbilder bzw. Schaubilder in den Figuren veranschaulichen die Architektur, die Funktionalität und den Betrieb möglicher Ausführungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Erfindung. In diesem Zusammenhang kann jeder Block in den Ablaufplänen oder Blockschaltbildern bzw. Schaubildern ein Modul, ein Segment oder einen Teil von Anweisungen darstellen, die eine oder mehrere ausführbare Anweisungen zur Ausführung der bestimmten logischen Funktion(en) aufweisen. In einigen alternativen Ausführungen können die in den Blöcken angegebenen Funktionen in einer anderen Reihenfolge als in den Figuren gezeigt stattfinden. Zwei nacheinander gezeigte Blöcke können zum Beispiel in Wirklichkeit im Wesentlichen gleichzeitig ausgeführt werden, oder die Blöcke können manchmal je nach entsprechender Funktionalität in umgekehrter Reihenfolge ausgeführt werden. Es ist ferner anzumerken, dass jeder Block der Blockschaltbilder bzw. Schaubilder und/oder der Ablaufpläne sowie Kombinationen aus Blöcken in den Blockschaltbildern bzw. Schaubildern und/oder den Ablaufplänen durch spezielle auf Hardware beruhende Systeme umgesetzt werden können, welche die festgelegten Funktionen oder Schritte durchführen, oder Kombinationen aus Spezial-Hardware und Computeranweisungen ausführen.
Wie vorstehend erörtert, ist ein Auffinden von Wechselwirkungen zwischen mehreren Arzneimitteln, die für UAWs verantwortlich sind, unter Verwendung von Beobachtungsdaten nützlich, um Belege aus Beobachtungsstudien zu finden. Außerdem wurde festgestellt, dass es sich bei einigen Arzneimitteln in Situationen mit mehreren Arzneimitteln eher um einen einfachen Störfaktor handeln kann, der zusammen mit anderen Arzneimitteln für Begleiterkrankungen verschrieben wird, als um reale kausale Wechselwirkungen mit anderen Arzneimitteln. Ein als Störfaktor wirkendes Arzneimittel ist ein belangloses Arzneimittel, das in einem statistischen Modell (direkt oder umgekehrt) sowohl mit der abhängigen Arzneimittelvariablen als auch mit der unabhängigen Arzneimittelvariablen in dem Modell korreliert. Daher tragen einige Arzneimittel möglicherweise nicht zu bestimmten UAWs bei und haben möglicherweise keine tatsächliche kausale Wechselwirkung mit den UAWs.
Die hierin beschriebenen veranschaulichenden Ausführungsformen nutzen Data-Mining-Algorithmen, wie zum Beispiel ein Auswerten von Zusammenhangsregeln mit bayesschen Modellen, um zum Beispiel die reale kausale Wechselwirkung zwischen mehreren Arzneimitteln und den UAWs aus Belegdaten aus Beobachtungsstudien zu finden. Dabei werden in den veranschaulichenden Ausführungsformen sowohl die für UAWs verantwortlichen Wechselwirkungen zwischen mehreren Arzneimitteln als auch die Störfaktoren erkannt. Somit stellen die veranschaulichenden Ausführungsformen eine computergestützte Lösung zum Auffinden von kausalen Beziehungen zwischen mehreren Arzneimitteln und UAWs, die in den EPA-Daten von Patienten vorhanden sind, sowie computergestützte Lösungen zum Entfernen von als Störfaktoren wirkenden Arzneimitteln aus derartigen Beziehungen bereit. Die Mechanismen der veranschaulichenden Ausführungsformen sind konkret auf ein computergestütztes Werkzeug ausgerichtet, das derartige Arbeitsschritte durchführt und dadurch ein Datenverarbeitungssystem zum Durchführen von kognitiven Vorgängen veranlasst, die den menschlichen Denkprozessen im Hinblick auf ein Bewerten von EPA-Daten von Patienten und ein Bestimmen von kausalen Beziehungen zwischen mehreren Arzneimitteln und UAWs nahe kommen. Obwohl sich dieses Datenverarbeitungswerkzeug diesem menschlichen Denkprozess annähert, geschieht dies unter Verwendung von Arbeitsschritten, die nur durch Datenverarbeitungseinheiten ausgeführt werden, die konkret zum Durchführen der Arbeitsschritte der veranschaulichenden Ausführungsformen konfiguriert sind, die sich aufgrund der Beschaffenheit der Datenverarbeitungsumgebung von den Prozessen unterscheiden, die ein menschlicher Verstand einsetzt.
Die veranschaulichenden Ausführungsformen stellen einen allgemeinen Ansatz zum Auffinden von Zusammenhängen höherer Ordnung für mehrere Arzneimittel mit UAWs bereit, die hilfreich sein werden, um seltene UAWs zu finden, die lediglich durch Wechselwirkungen zwischen Arzneimitteln verursacht werden, was dazu genutzt werden kann, sichere Arzneimittel für Patienten mit Begleiterkrankungen zu verschreiben. Die veranschaulichenden Ausführungsformen können auch ermitteln, welche Arzneimittel in einer Kombination von mehreren Arzneimitteln lediglich Störfaktoren sind, anstatt zu einer Wechselwirkung und UAW beizutragen. Dies hilft bei Zielstrategien zum Risikomanagement, zum Beispiel könnte durch eine Änderung der Arzneimitteletiketten festgelegt werden, welche Arzneimittel in Kombination zu vermeiden sind, anstatt allen Patienten, die zufällig das störende Arzneimittel einnehmen, das Arzneimittel vorzuenthalten.
1 ist ein beispielhafter Ablaufplan, der eine Gesamtdarstellung der von den Mechanismen einer veranschaulichenden Ausführungsform angewendeten Methodik veranschaulicht. Die Methodik setzt drei computergestützte Hauptlogikmodule 120 bis 140 ein, die auf der Grundlage von Belegen aus Beobachtungsstudien (RWE) arbeiten, die verschiedene Typen von Daten aufweisen können, die aus verschiedenen Informationsquellen erhalten wurden. Zum Beispiel können die RWE 110 elektronische Patientenakten (EPAs), Daten zu Krankenversicherungsansprüchen, Informationen zur Medikamentenhistorie (wie sie zum Beispiel von einem Datenverarbeitungssystem in der Apotheke, aus Krankenversicherungsakten, einem Datenverarbeitungssystem eines Arztes und/oder dergleichen erhalten werden können) usw. aufweisen.
Die computergestützten Logikmodule 120 bis 140 können in speziell konfigurierter Computer-Hardware umgesetzt sein, in Software, die auf Computer-Hardware ausgeführt wird und dadurch veranlasst, dass die Hardware Arbeitsschritte durchführt, welche die Hardware nicht ausgeführt hat, bevor sie mit der Software zur Ausführung konfiguriert wurde, oder in einer beliebigen Kombination aus speziell konfigurierter Computer-Hardware und Software, die auf Computer-Hardware ausgeführt wird. Man sollte sich darüber im Klaren sein, dass das Laden von Software in einen Hauptspeicher der Datenverarbeitungseinheit oder des Datenverarbeitungssystems mit anschließender Ausführung dieser Software durch einen oder mehrere Prozessoren der Datenverarbeitungseinheit, des Datenverarbeitungssystems, die Datenverarbeitungseinheit oder das Datenverarbeitungssystem speziell so konfiguriert, dass sie bzw. es die konkrete computergestützte Lösung umsetzt, die durch die veranschaulichenden Ausführungsformen der vorliegenden Erfindung bereitgestellt wird. Bei der computergestützten Lösung handelt es sich um eine Lösung zum Bereitstellen einer computerunterstützten Auswertung von Daten aus elektronischen Patientenakten, Daten zu unerwünschten Arzneimittelwirkungen und anderen Ressourcendaten, um reale kausale Beziehungen zwischen mehreren Arzneimitteln und einer entsprechenden unerwünschten Arzneimittelwirkung zu erkennen, ohne fälschlicherweise als Störfaktoren wirkende Arzneimittel einzubeziehen, was zuvor nicht durchgeführt werden konnte. Die Probleme mit Lösungen nach dem Stand der Technik, wie hierin erörtert, liegen darin, dass man sich auf die bloße Koinzidenz eines Hinweises auf ein Arzneimittel und eines Hinweises auf eine UAW als Beleg für eine kausale Beziehung verlässt, der möglicherweise in Wirklichkeit eigentlich gar nicht existiert. Somit stellen die Hardware/Software-Mechanismen der veranschaulichenden Ausführungsformen eine Computerlösung für ein auf einem Computer beruhenden Problem bereit.
Wie in 1 gezeigt ist, weisen die computergestützten Logikmodule 120 bis 140 in einer veranschaulichenden Ausführungsform ein Koinzidenz-Logikmodul 120, ein Störfaktor-Filter-Logikmodul 130 und ein Kausalzusammenhangs-Logikmodul 140 auf. Das Koinzidenz-Logikmodul 120 arbeitet mit den RWE 110 und erstellt Koinzidenz-Ausgabedaten, die dem Störfaktor-Filter-Logikmodul 130 bereitgestellt werden. Die Koinzidenz-Ausgabedaten geben Koinzidenzen von Arzneimitteln und in den RWE 110 gefundenen UAWs an. Das Störfaktor-Filter-Logikmodul 130 wertet diese Koinzidenz-Ausgabedaten aus, um Fälle der Koinzidenz von Arzneimitteln und UAWs herauszufiltern, die tatsächlich Störfaktoren und nicht potenzielle Kausalitäten zwischen diesen Arzneimitteln und den UAWs darstellen. Wie im Folgenden erörtert wird, kann dies unter Verwendung eines Verbesserungsbewertungsmechanismus zum Filtern derartiger Koinzidenzen auf der Grundlage einer Verbesserungsbewertung und eines oder mehrerer festgelegter Schwellenwerte erfolgen. Die Ausgabe des Störfaktor-Filter-Logikmoduls 130 wird dem Kausalzusammenhangs-Logikmodul 140 bereitgestellt, das ein Kausalitätsmodell 145 aufbaut, wie zum Beispiel ein bayessches Netzmodell oder dergleichen. Das Kausalitätsmodell 145 kann von verschiedenen Logiken 150 bis 170 des kognitiven Systems angewendet werden, um Wechselwirkungen zwischen mehreren Arzneimitteln und UAWs 150 zu erkennen, gemeinsame Störfaktoren 160 zu erkennen und UAWs für Patienten vorherzusagen 170.
Die Logikmodule 120 bis 140 legen ein Data-Mining-Rahmenwerk 100 fest, das Wechselwirkungen zwischen mehreren Arzneimitteln erkennt, die für einen Satz von UAWs verantwortlich sind. Im Allgemeinen führen diese Logikmodule zunächst ein Auswerten von Zusammenhangsregeln durch, erkennen und entfernen als Störfaktoren wirkende Arzneimittel und erstellen ein Kausalmodell mit Kausalregeln zwischen mehreren Arzneimitteln und entsprechenden UAWs oder UAW-Gruppen, beruhend darauf, dass die verbleibenden Zusammenhangsregel-Beziehungen die als Störfaktoren wirkenden Arzneimittel entfernt haben. Wie in 1 gezeigt ist, nutzt das Rahmenwerk 100 das Koinzidenz-Logikmodul 120, um die RWE-Daten 110 zu verarbeiten und alle möglichen Kombinationen von Arzneimitteln und UAWs zu ermitteln, die in den Daten der RWE 110 häufiger auftreten. „Häufiger“ kann auf der Grundlage eines vorher festgelegten Schwellenwertes oder anderer vordefinierter Kriterien bewertet werden, die zum Erkennen von Kombinationen von Arzneimitteln und UAWs festgelegt wurden, die als potenzielle Kausalbeziehungen betrachtet werden sollten. Zum Beispiel können ein oder mehrere Schwellenwerte unter Verwendung einer Technik festgelegt werden, die auf zwei Metriken der Zusammenhangsanalyse beruht, wobei diese beiden Metriken als Unterstützung und Konfidenz bezeichnet werden. Die Unterstützungsmetrik oder die Unterstützungsbewertung misst die Anzahl der Fälle der Koinzidenz oder einer Anzahl von Fällen der jeweiligen Regel, d.h. sowohl die Arzneimittel als auch die UAWs sind vorhanden, während die Konfidenz-Metrik oder der Konfidenz-Wert die Wahrscheinlichkeit misst, dass die UAWs angesichts der Arzneimittel auftreten. Danach wird ein Schwellenwert auf diese beiden Metriken oder Bewertungen angewendet, z.B. Unterstützungsbewertungen gleich oder mehr als 70 % und Konfidenz-Bewertungen gleich oder mehr als 85 %, um ein Regelwerk als die „häufigen“ Regeln zu erhalten.
Das Koinzidenz-Logikmodul 120 kann eine Datenstruktur zum Speichern dieser beiden Metriken (Unterstützungs- und Konfidenz-Metriken) jeder Zusammenhangsregel pflegen, die eine Kombination von zwei oder mehr Arzneimitteln einem UAW oder einer UAW-Gruppe zuweist. Alle möglichen Kombinationen von Arzneimitteln und UAWs werden unter Verwendung dieser Datenstruktur systematisch durchsucht, um die Recheneffizienz zu erhöhen, da eine kombinatorische Suche über die Arzneimittel und UAWs als möglicherweise in Frage kommende Regeln erforderlich ist. Konkret kann das Koinzidenz-Logikmodul 120 mit einer einfachen Regel mit einem Arzneimittel und einer UAW beginnen, um die beiden Metriken für derartige Regeln zu erhalten, und dann Regeln höherer Ordnung unter Verwendung dieser Metrik-Datenstruktur untersuchen. Eine anti-monotone Eigenschaft namens A-priori-Regel wird angewendet, um uninteressante Regeln höherer Ordnung aus den Daten herauszufiltern.
Zum Beispiel können die Arzneimittel A, B und C in den Daten der RWE 110 gefunden werden, die wiederum Informationen über die Medikamentenhistorie eines Patienten im Zusammenhang mit einer Erkennung von UAWs aufweisen können, zum Beispiel in EPA-Daten von Patienten, wobei die EPA-Daten von Patienten EPA-Daten für eine Mehrzahl von Patienten sein können. Daher können auch verschiedene Fälle von Kombinationen der Arzneimittel A, B und C als mit der Erkennung einer UAW in Zusammenhang stehend erkannt werden, z.B. die unerwünschte Arzneimittelwirkung P in dem abgebildeten beispielhaften Fall. Zum Beispiel kann es in dem Inhalt der EPA des Patienten Hinweise darauf geben, dass eine Kombination von A und B mit der UAW in Zusammenhang steht. Außerdem kann es in der EPA des Patienten Hinweise darauf geben, dass eine Kombination von A und C sowie von A, B und C ebenfalls mit der UAW in Zusammenhang stehen.
Das Koinzidenz-Logikmodul 120 kann verschiedene Ressourcen-Informationsquellen 125 nutzen, um eine natürliche Sprachverarbeitung von strukturierten und unstrukturierten Daten (z.B. eines Dokuments in natürlicher Sprache) durchzuführen, um Schlüsselbegriffe, Wortfolgen, medizinische Codes und dergleichen zu erkennen, die auf bestimmte Arzneimittel und unerwünschte Arzneimittelwirkungen hinweisen. Die Ressourcen-Informationsquellen 125 können verschiedene Typen von Ressourceninformationen aufweisen, die als Grundlage zum Erkennen von Teilen des Inhalts in den Daten der RWE 110, die Arzneimitteln und unerwünschten Wirkungen entsprechen, verwendet werden können. Zum Beispiel können die Ressourceninformationen Daten aus medizinischen Fachzeitschriften in natürlicher Sprache, Daten aus medizinischen Leitliniendokumenten, Daten aus Arzneimitteletiketten, Daten über bekannte unerwünschte Arzneimittelwirkungen (UAW) im Zusammenhang mit Arzneimitteln, Daten über Arzneimittelwechselwirkungen und dergleichen enthalten. Beispielsweise finden sich Informationen über Wechselwirkungen zwischen Arzneimitteln häufig in Dokumenten in natürlicher Sprache wie zum Beispiel in klinischen Stellungnahmen, Leitlinien und in einigen Patientenerklärungen. Informationen über Wechselwirkungen zwischen Arzneimitteln können auch von Arzneimittelherstellern, Gesundheitsorganisationen, Regierungsorganisationen und anderen Quellen in verschiedenen Formen bereitgestellt werden. Ein Beispiel für eine Quelle von Arzneimittelinformationen, die Informationen über Wechselwirkungen zwischen Arzneimitteln enthält, ist die Gold Standard Drug Database, die von Elsevier erhältlich ist. Außerdem können bereichsspezifische Wörterbücher mit Begriffen und Wortfolgen, Referenzdokumente für medizinische Codes und dergleichen zum Angeben von identifizierbaren Begriffen, Wortfolgen und medizinische Codes verwendet werden, die in dem Inhalt der Daten der RWE 110 identifiziert werden können.
Das Koinzidenz-Logikmodul 120 kann den relativen Abstand (z.B. in demselben Eintrag, innerhalb einer bestimmten Anzahl von Wörtern, innerhalb einer bestimmten Anzahl von Einträgen usw.) zwischen Fällen von Kennungen von Arzneimitteln und Fällen von Begriffen/Wortfolgen/medizinischen Codes usw., die auf eine UAW hinweisen, analysieren, um Zusammenhänge zu ermitteln, wobei z.B. dann ein Zusammenhang bestehen kann, wenn der Arzneimittel-Fall in der EPA des Patienten innerhalb desselben Eintrags zu einem Eintreten wie der Hinweis auf die UAW vorhanden ist. Außerdem kann das Koinzidenz-Logikmodul 120 auch zeitliche Informationen berücksichtigen, die in den Daten der RWE 110 vorhanden sind, um festzustellen, ob es eine Koinzidenz eines Falls eines Arzneimittels und eines Falls eines anderen Arzneimittels und einer UAW gibt. Wenn dem Patienten zum Beispiel ein Arzneimittel verschrieben wird und innerhalb einer festgelegten Zeitspanne nach dem Verschreiben des Arzneimittels ein Fall einer UAW verzeichnet wird, kann festgestellt werden, dass eine Koinzidenz vorliegt. In ähnlicher Weise können derartige zeitliche Feststellungen in Bezug auf ein Verschreiben von mehreren Arzneimitteln getroffen werden. Außerdem kann die Zeitdauer, über die der Patient die ihm verschriebenen Arzneimittel einnehmen soll, ausgewertet werden, um festzustellen, ob es wahrscheinlich ist, dass der Patient ungefähr zur gleichen Zeit mehr als ein Arzneimittel einnimmt, und ungefähr zur gleichen Zeit wie eine gemeldete UAW. Zusätzlich kann eine natürliche Sprachverarbeitung an Einträgen in den EPA-Daten des Patienten durchgeführt werden, um Begriffe/Wortfolgen zu erkennen, die auf Zusammenhänge hinweisen, wie zum Beispiel Begriffe wie „verursacht“ oder „führt zu“ oder dergleichen. Durch das Koinzidenz-Logikmodul 120 können verschiedene auf Abstand beruhende, auf Zeit beruhende und/oder auf natürlicher Sprachverarbeitung beruhende Auswertungen der Daten der RWE 110 unter Verwendung der Ressourceninformationen aus den Ressourceninformationsquellen durchgeführt werden, um Koinzidenzen von Arzneimitteln und anderen Arzneimitteln und von UAWs zu erkennen.
Eine andere Informationsquelle zum Auffinden von Zusammenhängen zwischen Arzneimitteln und UAWs sind die öffentlich zugänglichen Überwachungsdaten nach dem Inverkehrbringen, die von mehreren Arzneimittelüberwachungsorganisationen wie zum Beispiel der Food and Drug Administration (FDA, US-Behörde für Lebens- und Arzneimittel) und Side Effect Resource (SIDER, Datenbank über Arzneimittel und Nebenwirkungen) erhalten werden. Insbesondere werden diese Arten von Daten nach dem Inverkehrbringen auf der Grundlage der gemeldeten UAWs eines bestimmten Arzneimittels von Patienten oder medizinischen Dienstleistern erstellt, nachdem der Patient das Arzneimittel über einen bestimmten Zeitraum verwendet hat. Derartige Fallberichte werden von der FDA sorgfältig geprüft und dokumentiert. In ähnlicher Weise kann eine andere Quelle für einen derartigen öffentlich zugänglichen Datensatz der SIDER-Datensatz sein, der unter Verwendung von Codes der aktuellen Verfahrensterminologie (CPT, Current Procedural Terminology) aus Nebenwirkungen erstellt wird, die auf den Arzneimitteletiketten angegeben sind.
Die Auswertungen dieser verschiedenen Faktoren zum Erkennen von Koinzidenzen von Arzneimitteln und anderen Arzneimitteln und von UAWs können zum Berechnen von Zusammenhangsbewertungen für verschiedene Kombinationen und Zusammenhänge von Arzneimitteln und UAWs verwendet werden. Das heißt, das Koinzidenz-Logikmodul 120 kann für jede Kombination von Arzneimitteln, für die eine Koinzidenz in den RWE 110 festgestellt wurde, eine Zusammenhangsbewertung berechnen, die eine Stärke des Zusammenhangs zwischen dieser bestimmten Kombination oder diesem bestimmten Muster oder diesen bestimmten Arzneimitteln und der in den RWE 110 aufgefundenen, gleichzeitig auftretenden UAW darstellt. Anders ausgedrückt, die Koinzidenzen können als in Frage kommende Regeln dargestellt werden, die ein Arzneimittelmuster angeben, das eine Mehrzahl von Arzneimitteln kennzeichnet, die in einem in Frage kommenden kausalen Zusammenhang mit einer UAW stehen. So stellt zum Beispiel für eine in Frage kommende Regel ABC -> P, die einer Koinzidenz eines Arzneimittelmusters ABC und einer unerwünschten Arzneimittelwirkung P entspricht, die Zusammenhangsbewertung die Wahrscheinlichkeit oder die Eventualität dafür dar, dass P angesichts ABC auftritt, d.h. wie stark der Zusammenhang zwischen dem Arzneimittelmuster und der UAW ist. Es sei angemerkt, dass die Zusammenhangsbewertung, die einem Zusammenhang eines Satzes von Arzneimitteln (z.B. ABC, AB, AC, BC usw.) mit einer oder mehreren UAWs (z.B. P oder einer beliebigen Kombination von UAWs höherer Ordnung, die P enthalten) entspricht, unter Verwendung beliebiger statistischer Tests oder Messgrößen erstellt werden kann, wie zum Beispiel der oben erwähnten Unterstützungsmetriken und Konfidenz-Metriken und/oder anderer Metriken oder Bewertungen, wie zum Beispiel Chi-Quadrat, gegenseitige Information oder eines/einer beliebigen anderen geeigneten statistischen Tests oder Messgröße.
Alle diese statistischen Tests oder Messgrößen können auf der Grundlage einer Kontingenztabelle wie zum Beispiel der in 2 gezeigten Kontingenztabelle berechnet werden. In der Statistik handelt es sich bei einer Kontingenztabelle um einen Typ von Tabelle in einem Matrix-Format, das die (multivariate) Frequenzverteilung der Variablen anzeigt. Kontingenztabellen liefern ein grundlegendes Bild der Wechselbeziehung zwischen zwei Variablen und können helfen, Wechselwirkungen zwischen ihnen ausfindig zu machen.
Wie in 2 gezeigt ist, bezeichnet jeder Eintrag in der Kontingenztabelle 200 die Anzahl von Fallberichten, z.B. Patienten oder EPAs von Patienten, aus den Daten der RWE 110, welche die Bedingungen der Zeilen und Spalten der Kontingenztabelle 200 erfüllen, z.B. jeden Fall oder jede EPA eines Patienten, der bzw. die entweder das vollständige Arzneimittelmuster (Zeile 210) oder keines der Arzneimittel in dem vollständigen Arzneimittelmuster (Zeile 220) aufweist und der in dem Fall oder in der EPA des Patienten entweder der UAW zugehörig ist (Spalte 230) oder nicht der UAW zugehörig ist (Spalte 240). Für jedes Arzneimittelmuster, z.B. ABC, und Arzneimittelteilmuster, z.B. AB, AC und BC, kann eine Kontingenztabelle 200 erstellt werden, und für jedes Arzneimittelmuster und Arzneimittelteilmuster kann durch das Koinzidenz-Logikmodul 120 eine entsprechende Auswertung auf der Grundlage der Kontingenztabelle 200 durchgeführt werden.
In dem in 2 gezeigten Beispiel wird durchgängig lediglich eine ,UND‘-Logik und nicht eine ,ODER‘-Logik berücksichtigt. So bedeutet ein Muster oder eine Regel, das bzw. welche die Arzneimittel „ABC“ enthält, A,UND‘ B ,UND‘ C. Wenn ein Fall, z.B. eine EPA eines Patienten, lediglich einen Teil der Arzneimittel enthält, dann enthält der Fall also nicht die Regel. Zum Beispiel erfüllt ein Patientenfall, der Arzneimittel ABDE enthält, die Regel (AB→ P), aber nicht (ABC → P).
Durch Auswerten der verschiedenen Zusammenhänge kann festgestellt werden, dass nicht alle Koinzidenzen der Arzneimittel A, B und C und der UAW von P tatsächliche Wechselwirkungen zwischen den Arzneimitteln A, B und C darstellen. Vielmehr können sie Störfaktoren durch aufgrund von Begleiterkrankungen von Patienten mitverschriebene Arzneimittel darstellen. Daher besteht die Notwendigkeit, den Unterschied zwischen der Kombination höherer Ordnung ABC und jeder ihrer Arzneimittel-Teilkombinationen AB, AC und BC zu ermitteln. Wenn die Arzneimittelkombinationen niedrigerer Ordnung und die Arzneimittelkombinationen höherer Ordnung eine ähnliche Zusammenhangsbewertung aufweisen, z.B. eine Zusammenhangsbewertung, die auf den definierten Metriken wie zum Beispiel Unterstützungs- und Konfidenz-Metriken beruht, die einer UAW zugehörig sind, können als Störfaktoren wirkende Arzneimittel erkannt und entfernt werden, um die tatsächlichen Wechselwirkungen zwischen mehreren Arzneimitteln und UAWs zu ermitteln. Wenn zum Beispiel AC eine relativ niedrige Zusammenhangsbewertung aufweist, ABC jedoch eine relativ höhere Zusammenhangsbewertung aufweist, kann das Arzneimittel C als Störfaktor betrachtet werden. Wenn andererseits diese Arzneimittel-Teilkombinationen relativ niedrige Zusammenhangsbewertungen aufweisen und die Zusammenhangsbewertungen der Arzneimittelkombinationen höherer Ordnung relativ höher sind, können tatsächliche Wechselwirkungen höherer Ordnung erkannt werden.
Insbesondere kann das Störfaktor-Filter-Logikmodul 130 eine Logik umsetzen, die eine neu entworfene Metrik, die als „Verbesserung“ bezeichnet wird, erstellt, die durch das Störfaktor-Filter-Logikmodul 130 für eine bestimmte Kombination von Arzneimitteln ausgewertet werden kann, um deren Zusammenhang mit UAWs zu messen, der jenseits des Zusammenhangs irgendeiner ihrer Teilmengen von Arzneimitteln mit denselben UAWs liegt. Im Falle eines Beispiels des Arzneimittelmusters ABC und dessen Zusammenhang mit einer unerwünschten Arzneimittelwirkung P, d.h. ABC → P, kann der Verbesserungsbewertung wie folgt angegeben werden: $Imp (ABC \to P) = S c o r e (A B C \to P) - \underset{(α \in A B C)}{m a x} S c o r e (α \to P)$
wobei Imp die Verbesserungsmetrik für den Zusammenhang des Arzneimittelmusters mit einer UAW ist, d.h. ABC mit P in diesem Beispiel, und Score die Zusammenhangsbewertung des Arzneimittelmusters mit der UAW ist, wobei es sich um die Unterstützung, die Konfidenz, das Chi-Quadrat, die gegenseitige Information usw. handeln kann. Diese Gleichung prüft, um wie viel sich die Bewertung (Score) in diesem Muster höherer Ordnung (ABC → P) im Vergleich zu einem beliebigen seiner Teilmuster verbessert hat, wie durch α angegeben ist. Von allen derartigen Teilmustern α werden die höchsten Bewertungen (max Scores) aller derartigen as berücksichtigt. Diese Verbesserungs- (Improvement-) Bewertung wird sehr niedrig sein, wenn irgendeines der Arzneimittel in dem Arzneimittelmuster ein einfacher Störfaktor ist (z.B. wenn C immer zusammen mit dem Arzneimittel A und B verschrieben wird, dann ist die Bewertung (ABC → P) gleich der Bewertung (AB→P)). Andererseits wird die Verbesserungsbewertung für die tatsächlichen Wechselwirkungen zwischen Arzneimitteln und UAWs höher sein, und somit ist es möglich, echte Wechselwirkungen zwischen mehreren Arzneimitteln und UAWs aus den einfachen Störfaktoren herauszufiltern.
Das Störfaktor-Filter-Logikmodul 130 berechnet für jedes der Arzneimittelmuster die Verbesserungsbewertung und vergleicht die Verbesserungsbewertungen mit einem Schwellenwert für die Verbesserungsbewertung. Wenn die Verbesserungsbewertung gleich groß ist wie der Schwellenwert für die Verbesserungsbewertung oder darüber liegt, wird festgestellt, dass es keine Störfaktoren in dem Arzneimittelmuster gibt. Wenn die Verbesserungsbewertung unter dem Schwellenwert für die Verbesserungsbewertung liegt, wird festgestellt, dass das Arzneimittelmuster einen Störfaktor enthält, und der Störfaktor wird unter Verwendung der dem Arzneimittelmuster zugehörigen Arzneimittel-Teilmuster ermittelt. Wenn zum Beispiel festgestellt wird, dass Imp(ABC → P) niedrig und Imp(AB → P) hoch ist, dann ist C ein Störfaktor und die tatsächliche Wechselwirkung zwischen den Arzneimitteln, die eine kausale Beziehung zu der UAW von P aufweist, ist AB→P.
Nachdem alle Störfaktoren in den Arzneimittelmustern auf der Grundlage der Auswertung die Verbesserungsbewertungen herausgefiltert wurden, werden die verbleibenden Arzneimittelmuster durch das Kausalzusammenhangs-Logikmodul 140 bearbeitet, um ein Kausalmodell 145 für alle verbleibenden Arzneimittelmuster für eine bestimmte UAW-Gruppe abzuleiten, um die Interpretierbarkeit des Modells zu verbessern. Bei der UAW-Gruppe kann es sich um eine einzelne UAW oder um eine Mehrzahl von UAWs handeln, die beruhend auf ähnlichen Merkmalen in dieselbe UAW-Gruppe eingeordnet werden. Die UAW-Gruppe kann von vornherein definiert werden, wie zum Beispiel beruhend auf Informationen 125 zu medizinischen Ressourcen, einer Konfiguration des Rahmenwerks 100 durch Fachexperten oder dergleichen. Zum Beispiel kann die Konfiguration des Rahmenwerks 100 durch Fachexperten vordefinierte Beziehungen zwischen UAW-Begriffen enthalten. Derartige Beziehungen zwischen UAWs können beruhend auf ihren gemeinsamen Symptomen oder anderen medizinischen Ontologien definiert werden, die durch verschiedene Begriffe wie zum Beispiel ICD-9-Codes definiert sind.
Zum Beispiel werden gemäß einer veranschaulichenden Ausführungsform alle Arzneimittelmuster, darunter Arzneimittel-Teilmuster, die nach dem Arbeitsschritt des Störfaktor-Filter-Logikmoduls 130 zum Herausfiltern von Arzneimittelmustern mit als Störfaktoren wirkenden Arzneimitteln verbleiben, in einem bayesschen Lernrahmenwerk unter Verwendung eines gerichteten azyklischen Graphen zusammengefasst. Im Grunde wird für jede UAW oder UAW-Gruppe, die von Interesse ist, aus den potenziellen Kausalregeln, die mit dieser UAW oder UAW-Gruppe einhergehen, beruhend auf dem Arbeitsschritt des Störfaktor-Filter-Logikmoduls 130 ein bayessches Netzwerk abgeleitet. Es ist zu beachten, dass die einzelnen Regeln leicht in einem gerichteten azyklischen Graphen (DAG) dargestellt werden können, jedoch erfordern die Muster höherer Ordnung, die aus mehreren Arzneimitteln bestehen, einige Abänderungen, damit sie ebenfalls durch einen DAG dargestellt werden können. Ohne Verlust der Verallgemeinerbarkeit stellen die veranschaulichenden Ausführungsformen alle derartigen Muster, die mehrere Arzneimittel enthalten, in einer neuen Platzhaltervariablen dar. Zum Beispiel wird die Regel ABC → P durch β₁ → P dargestellt, wobei β₁ die Wechselwirkung zwischen den drei Arzneimitteln A, B und C darstellt. Hier wird die neue Platzhaltervariable als binäre Variable zusammen mit anderen Einzelmustern betrachtet, welche die gleiche UAW oder die gleichen UAW-Gruppen enthalten. Sobald alle derartigen Muster in einem DAG dargestellt sind, werden die Übergangswahrscheinlichkeiten zwischen den Variablen erlernt, wodurch das endgültige Kausalmodell 145 bereitgestellt wird.
Auf der Grundlage des Kausalmodells 145 kann die Ableitungslogik 150 für Beziehungen zwischen mehreren Arzneimitteln/UAWs umgesetzt werden, um die kausalen Beziehungen zwischen mehreren Arzneimitteln, die für eine bestimmte UAW oder UAW-Gruppe verantwortlich sind, abzuleiten. Insbesondere können die Regeln aus dem bayesschen Netzwerk für jede in Betracht gezogene UAW als endgültiges Regelwerk, das Arzneimittel und UAWs enthält, extrahiert werden. Auch können die aus dem Störfaktor-Filter-Logikmodul 130 erhaltenen Störfaktoren als gemeinsame Störfaktoren an das Logikmodul 160 für gemeinsame Störfaktoren ausgegeben werden, das derartige Informationen über gemeinsame Störfaktoren ausgeben und/oder ein anderes Verarbeiten der gemeinsamen Störfaktoren durchführen kann, wie zum Beispiel ein Aktualisieren oder Erstellen von zusätzlichen Ressourceninformationen zum Verbessern der Ressourceninformationsquellen 125, um die gemeinsamen Störfaktoren konkret zu kennzeichnen, oder dergleichen. Die abgeleiteten kausalen Beziehungen und Störfaktoren können zum Verbessern der Interpretierbarkeit der Beziehungen zwischen den Arzneimitteln und UAWs verwendet werden. Diese Erkenntnisse können darüber hinaus während einer klinischen Entscheidungsfindung durch Ärzte und anderes medizinisches Personal, das Patienten behandelt, durch Ermitteln tatsächlicher Wechselwirkungsbeziehungen zwischen mehreren Arzneimitteln und UAWs und Ermitteln von als Störfaktoren wirkenden Arzneimitteln für die klinischen Entscheidungsträger verwendet werden.
Es sei angemerkt, dass die abgeleiteten kausalen Beziehungen von einem kognitiven System wie zum Beispiel einem kognitiven Entscheidungsunterstützungssystem zur Unterstützung von praktischen Ärzten beim Behandeln von Patienten als Informationsquelle zur Unterstützung der von dem kognitiven System durchgeführten kognitiven Vorgänge verwendet werden können. Wenn zum Beispiel eine Behandlung für einen Patienten ausgewertet wird und die Behandlung ein oder mehrere Arzneimittel umfasst, die eine kausale Beziehung mit einer UAW aufweisen, wie durch die Mechanismen der veranschaulichenden Ausführungsformen bestimmt, kann darüber hinaus eine Auswertung darüber angestellt werden, ob der Patient auch ein anderes Arzneimittel in einem Arzneimittelmuster verschrieben bekommt oder einnimmt, das eine kausale Beziehung mit der UAW aufweist. Wenn dies der Fall ist, kann das kognitive System die mit derartigen Behandlungen verbundenen Rangfolgen oder Bewertungen abändern, um die geringere Präferenz für ein Auswählen dieser Behandlung widerzuspiegeln, und Informationen in Zusammenhang mit einer Ausgabe der Behandlungsempfehlung bereitstellen, welche die kausale Beziehung zwischen dem Arzneimittel in Kombination mit einem oder mehreren anderen Arzneimitteln und der UAW angibt.
In einigen Fällen können die Informationen über kausale Beziehungen als Grundlage zum Ausgeben einer Benachrichtigung an medizinisches Personal, Arzneimittelanbieter, Regierungsorganisationen oder dergleichen verwendet werden, um sie über die erkannten kausalen Beziehungen zwischen den Arzneimittelmustern und entsprechenden UAWs zu informieren. Zum Beispiel können derartige Benachrichtigungen als Möglichkeit zum Aktualisieren von Informationen auf Arzneimitteletiketten, medizinischen Referenzdokumenten, Regierungsrichtliniendokumenten oder dergleichen verwendet werden. Die Benachrichtigung kann die Arzneimittelmuster und die zugehörigen UAWs sowie eine Grundlage zum Angeben des Zusammenhangs zwischen den Arzneimittelmustern und den UAWs enthalten, z.B. die Zusammenhangbewertungen, die Verbesserungsbewertungen und alle durch die Funktionsweise der vorliegenden Erfindung als Störfaktor wirkend ermittelten Arzneimittel.
Außerdem kann die Ermittlung von Störfaktoren durch die Störfaktor-Filterlogik 130 von der Logik 160 zur Ermittlung gemeinsamer Störfaktoren verwendet werden, um gemeinsame Störfaktoren für bestimmte UAWs und/oder UAW-Gruppen zu ermitteln. Diese Informationen können zu Benachrichtigungszwecken und/oder von einem kognitiven System verwendet werden, um beim Ermitteln von an Patienten verschriebenen als Störfaktoren wirkenden Arzneimitteln behilflich zu sein, wie im Folgenden erörtert wird.
In einigen veranschaulichenden Ausführungsformen kann ein Patientenmodell 175 durch die Patientenmodell-Erstellungslogik 170 erstellt werden, und zwar beruhend auf den Ergebnissen der Feststellungen, welche die kausalen Beziehungen zwischen Arzneimittelmustern und einer UAW sowie die Beseitigung von Störfaktoren kennzeichnen. Dieses Patientenmodell 175 kann dann zum Vorhersagen von UAWs für andere Patienten verwendet werden, und zwar beruhend auf den Informationen zur Arzneimittelhistorie für diese anderen Patienten, was für die klinische Entscheidungsfindung genutzt werden kann. Insbesondere kann das bayessche Modell, das durch das Kausalzusammenhangs-Logikmodul 140 als das kausale Modell 145 erzeugt wird, verwendet werden, um die UAWs mit der höchsten Wahrscheinlichkeit für die Arzneimittelhistorie des Patienten zu finden, indem die Regeln in dem kausalen Modell 145 mit der Arzneimittelhistorie der spezifischen EPA-Daten des Patienten verglichen werden, d.h. die in der Arzneimittelhistorie der EPA-Daten des Patienten angegebenen Arzneimittel zu finden, die mit den in den Regeln des kausalen Modells 145 angegebenen Arzneimitteln übereinstimmen, mit denen eine UAW in Zusammenhang steht, und eine entsprechende Benachrichtigung bereitzustellen, um eine Wahrscheinlichkeit anzuzeigen, dass eine UAW mit dem Patienten in Zusammenhang steht. Dieses Patientenmodell 175 kann einem kognitiven System bereitgestellt oder in ein derartiges integriert werden, das bei derartigen klinischen Entscheidungsfindungen hilfreich sein kann, indem es für einen bestimmten Patienten auf der Grundlage der Informationen über dessen Arzneimittelhistorie in den EPA-Daten des Patienten vorhersagt, ob der Patient wahrscheinlich die mit den Arzneimitteln, die der Patient einnimmt, in Zusammenhang stehenden UAWs erleiden wird.
Aus der vorstehenden Beschreibung sollte ersichtlich sein, dass die veranschaulichenden Ausführungsformen in vielen verschiedenen Typen von Datenverarbeitungsumgebungen eingesetzt werden können. Um einen Kontext für die Beschreibung der spezifischen Elemente und Funktionalität der veranschaulichenden Ausführungsformen bereitzustellen, werden die 3 bis 6 nachfolgend als beispielhafte Umgebungen bereitgestellt, in denen Aspekte der veranschaulichenden Ausführungsformen umgesetzt werden können. Man sollte sich darüber im Klaren sein, dass die 3 bis 6 lediglich Beispiele darstellen und keinerlei Einschränkungen in Bezug auf die Umgebungen anführen oder mit sich bringen sollen, in denen Aspekte oder Ausführungsformen der vorliegenden Erfindung umgesetzt werden können. Es können viele Abwandlungen an den abgebildeten Umgebungen vorgenommen werden, ohne von dem Sinngehalt und Umfang der vorliegenden Erfindung abzuweichen.
Die 3 bis 6 zielen darauf ab, ein beispielhaftes kognitives System für Anwendungen für das Gesundheitswesen (hierin auch als „kognitives System für das Gesundheitswesen“ bezeichnet) zu beschreiben, das eine Pipeline zum Verarbeiten von Anforderungen, wie etwa zum Beispiel eine Pipeline zum Beantworten von Fragen (QA, Question Answering) (auch als Frage/Antwort-Pipeline oder Frage-und-Antwort-Pipeline bezeichnet), eine Methodik zum Verarbeiten von Anforderungen und ein Computerprogrammprodukt zum Verarbeiten von Anforderungen umsetzt, mit denen die Mechanismen der veranschaulichenden Ausführungsformen umgesetzt werden. Diese Anforderungen können als strukturierte oder unstrukturierte Anforderungsnachrichten, Fragen in natürlicher Sprache oder in jedem beliebigen anderen geeigneten Format zum Anfordern eines Arbeitsschritts bereitgestellt werden, der durch das kognitive System für das Gesundheitswesen durchgeführt werden soll. Wie im Folgenden ausführlicher beschrieben, handelt es sich bei der konkreten Anwendung für das Gesundheitssystem, die in dem kognitiven System der vorliegenden Erfindung umgesetzt ist, um eine Anwendung für das Gesundheitssystem zum Erstellen von Behandlungsempfehlungen für Patienten oder zum kognitiven Auswerten der EPA-Daten eines Patienten für verschiedene Arbeitsschritte zur Entscheidungsunterstützung, beruhend auf einer kognitiven Auswertung ihrer Erkrankung(en), Patientenattributen, verfügbaren in Frage kommenden Behandlungen, wie in einem oder mehreren Korpora medizinischer Dokumentation angegeben, und dergleichen. Mit spezieller Bedeutung für die vorliegende Anwendung werden insbesondere Informationen über Wechselwirkungen zwischen Arzneimitteln und der Zusammenhang mit unerwünschten Arzneimittelwirkungen (UAWs) erlernt und beim Bewerten von in Frage kommenden Behandlungen für den Patienten angewendet, um Behandlungsempfehlungen auszuwählen und vorzulegen, welche die Wechselwirkungen zwischen Arzneimitteln der verschiedenen Behandlungen sowie mit anderen Arzneimitteln berücksichtigen, die der Patient möglicherweise gegen andere Erkrankungen einnimmt.
In einigen Ausführungsformen kann das kognitive System für das Gesundheitswesen eingesetzt werden, um einfach die EPA-Daten eines Patienten zu überprüfen, um potenzielle oder vorhergesagte UAWs zu erkennen, und zwar beruhend auf den Informationen zur Arzneimittelhistorie in den EPA-Daten des Patienten und den erlernten Zusammenhängen von Arzneimittelmustern mit UAWs oder UAW-Gruppen, wie zuvor beschrieben. Es können Benachrichtigungen an praktische Ärzte ausgegeben werden, welche die Ermittlung der UAW-Vorhersagen, die Gründe für derartige UAW-Vorhersagen, als Störfaktoren wirkend ermittelte Arzneimittel und/oder andere Informationen über die anwendbaren Arzneimittelmuster und zugehörigen UAWs aufweisen, um sie beim Behandeln des Patienten aufgrund seiner Erkrankungen zu unterstützen. In noch anderen veranschaulichenden Ausführungsformen können derartige Benachrichtigungen über Zusammenhänge von Arzneimittelmustern mit UAWs oder UAW-Gruppen automatisch erstellt und an entsprechende Arzneimittelanbieter, Branchen- oder staatliche Aufsichtsorganisationen oder dergleichen ausgegeben werden, um sie über die erkannten Zusammenhänge von Arzneimittelmustern mit UAWs zu informieren und ihnen dadurch Informationen bereitzustellen, die zum Aktualisieren von Arzneimitteletiketten, medizinischen Referenzdokumenten, Regierungs- oder Branchenrichtlinien und dergleichen verwendet werden können.
Man sollte sich darüber im Klaren sein, dass das kognitive System für das Gesundheitswesen zwar in den folgenden Beispielen als eine einzelne Pipeline zum Verarbeiten von Anforderungen aufweisend gezeigt ist, tatsächlich aber mehrere Pipelines zum Verarbeiten von Anforderungen aufweisen kann. Jede Pipeline zum Verarbeiten von Anforderungen kann je nach gewünschter Umsetzung gesondert trainiert und/oder konfiguriert werden, um Anforderungen zu verarbeiten, die verschiedenen Bereichen zugehörig sind, oder so konfiguriert sein, dass die gleiche oder eine andere Analyse von Eingabeanforderungen (oder Fragen in Umsetzungen, die eine QA-Pipeline verwenden) durchgeführt wird. Zum Beispiel kann in einigen Fällen eine erste Pipeline zum Verarbeiten von Anforderungen darauf trainiert werden, mit Eingabeanforderungen zu arbeiten, die auf einen ersten medizinischen Leidensbereich gerichtet sind (z.B. verschiedene Arten von Blutkrankheiten), während eine andere Pipeline zum Verarbeiten von Anforderungen darauf trainiert werden kann, Eingabeanforderungen in einem anderen medizinischen Leidensbereich zu beantworten (z.B. verschiedene Arten von Krebserkrankungen). In anderen Fällen können die Pipelines zum Verarbeiten von Anforderungen zum Beispiel so konfiguriert sein, dass sie verschiedene Arten von kognitiven Funktionen bereitstellen oder verschiedene Arten von Anwendungen für das Gesundheitswesen unterstützen, wie zum Beispiel, dass eine Pipeline zum Verarbeiten von Anforderungen für eine Patientendiagnose verwendet wird, eine andere Pipeline zum Verarbeiten von Anforderungen für medizinische Behandlungsempfehlungen konfiguriert ist, eine andere Pipeline zum Verarbeiten von Anforderungen für ein Überwachen von Patienten konfiguriert ist, usw.
Außerdem kann jede Pipeline zum Verarbeiten von Anforderungen ihre(n) eigenen zugehörigen Korpus oder Korpora aufweisen, das/die sie aufnimmt und bearbeitet, z.B. einen Korpus für Dokumente aus dem Bereich der Blutkrankheiten und einen anderen Korpus für Dokumente aus dem Bereich der Krebsdiagnostik in den obigen Beispielen. In einigen Fällen können die Pipelines zum Verarbeiten von Anforderungen jeweils in dem gleichen Bereich von Eingabefragen arbeiten, jedoch unterschiedliche Konfigurationen aufweisen, z.B. unterschiedliche Annotatoren oder unterschiedlich trainierte Annotatoren, so dass verschiedene Analysen und mögliche Antworten erstellt werden. Das kognitive System für das Gesundheitswesen kann eine zusätzliche Logik zum Weiterleiten von Eingabefragen an die entsprechende Pipeline zum Verarbeiten von Anforderungen, wie zum Beispiel beruhend auf einem ermittelten Bereich der Eingabeanforderung, einem Verknüpfen und Auswerten von Endergebnissen, die durch das von mehreren Pipelines zum Verarbeiten von Anforderungen durchgeführte Verarbeiten erstellt werden, sowie eine andere Steuer- und Wechselwirkungslogik bereitstellen, welche die Nutzung von mehreren Pipelines zum Verarbeiten von Anforderungen ermöglicht.
Wie vorstehend erwähnt, ist eine Art Pipeline zum Verarbeiten von Anforderungen, mit der die Mechanismen der veranschaulichenden Ausführungsformen genutzt werden können, eine Fragebeantwortungs- (QA-) Pipeline. Bei der nachfolgenden Beschreibung von beispielhaften Ausführungsformen der vorliegenden Erfindung wird eine QA-Pipeline als Beispiel für eine Pipeline zum Verarbeiten von Anforderungen genutzt, die gemäß einer oder mehreren veranschaulichenden Ausführungsformen um Mechanismen erweitert werden kann. Man sollte sich darüber im Klaren sein, dass die vorliegende Erfindung zwar in dem Kontext des kognitiven Systems beschrieben wird, das eine oder mehrere QA-Pipelines umsetzt, die eine Eingabefrage bearbeiten, die veranschaulichenden Ausführungsformen jedoch nicht darauf beschränkt sind. Vielmehr können die Mechanismen der veranschaulichenden Ausführungsformen mit Anforderungen arbeiten, die nicht als „Fragen“ gestellt werden, sondern als Anforderungen an das kognitive System formatiert sind, um kognitive Vorgänge an einem bestimmten Satz von Eingabedaten unter Verwendung des zugehörigen Korpus bzw. der zugehörigen Korpora und der spezifischen Konfigurationsinformationen durchzuführen, die zum Konfigurieren des kognitiven Systems verwendet werden. Anstatt zum Beispiel eine Frage in natürlicher Sprache zu stellen: „Welche Behandlung gilt für Patient P?“ kann das kognitive System stattdessen eine Anforderung wie „Eine Behandlung für Patient P erstellen“ oder dergleichen empfangen. Als ein anderes Beispiel kann eine Frage vom Typ „Welche unerwünschten Arzneimittelwirkungen wird der Patient wahrscheinlich erfahren?“ sein, während eine Anforderung vom Typ „Unerwünschte Arzneimittelwirkungen für diesen Patienten ermitteln“ sein kann. Man sollte sich darüber im Klaren sein, dass die Mechanismen der QA-System-Pipeline mit geringfügigen Abänderungen auf eine ähnliche Weise mit Anforderungen arbeiten können wie mit Eingabefragen in natürlicher Sprache. Tatsächlich kann in einigen Fällen eine Anforderung in eine Frage in natürlicher Sprache zum Verarbeiten durch die QA-System-Pipelines umgesetzt werden, falls dies für die jeweilige Umsetzung gewünscht ist.
Wie im Folgenden ausführlicher erörtert wird, können die veranschaulichenden Ausführungsformen in diese Mechanismen einer QA-Pipeline oder einer Pipeline zum Verarbeiten von Anforderungen eines kognitiven Systems für das Gesundheitswesen integriert sein, diese ergänzen und deren Funktionalität erweitern, und zwar im Hinblick auf ein Bereitstellen von Behandlungsempfehlungen für Patienten, bei denen Wechselwirkungen zwischen Arzneimitteln beim Bewerten der Wirksamkeit der Behandlung für einen bestimmten Patienten sowie die Attribute des bestimmten Patienten, dessen Erkrankung(en), andere Arzneimittel, die zur Behandlung derselben oder anderer Erkrankungen eingenommen werden, und dergleichen berücksichtigt werden. Durch Berücksichtigung der Wechselwirkungen zwischen Arzneimitteln können die Mechanismen der veranschaulichenden Ausführungsformen Arzneimittelmuster erlernen und erkennen, die mit unerwünschten Arzneimittelwirkungen (UAW) einhergehen, und können dann die erlernten Zusammenhänge, die in Form eines Kausalmodells definiert sein können, das durch die Mechanismen der veranschaulichenden Ausführungsformen erstellt wird, oder ein wie vorstehend erörtertes Patientenmodell zur Vorhersage von potenziellen UAWs für einen Patienten, zur Bewertung einer in Frage kommenden Behandlung auf der Grundlage des erlernten Musters mit mehreren Arzneimitteln und von UAW-Zusammenhängen mit den eigenen persönlichen Erkrankungen, Attributen und Behandlungen des Patienten anwenden, wie sie zum Beispiel aus elektronischen Patientenakten (EPAs) oder dergleichen ermittelt werden können. Die Vorhersage oder Auswertung von UAWs auf der Grundlage der Arzneimittelhistorie eines Patienten kann zum Abändern der Rangfolge oder der Konfidenz-Werte, die den in Frage kommenden Behandlungen zugehörig sind, verwendet werden, die auf eine Konfidenz dahingehend hinweisen, dass es sich bei der in Frage kommenden Behandlung um eine geeignete Behandlung für den bestimmten Patienten handelt, z.B. kann die Konfidenz herabgesetzt sein, wenn die Wahrscheinlichkeit einer UAW besteht. Die sich daraus ergebende Rangliste der in Frage kommenden Behandlungen kann dann zum Auswählen einer oder mehrerer Behandlungsempfehlungen verwendet werden, die an einen praktischen Arzt ausgegeben werden sollen, um den praktischen Arzt beim Behandeln des Patienten zu unterstützen. Außerdem können Benachrichtigungen über die vorhergesagten UAWs an die praktischen Ärzte und/oder entsprechenden Aufsichtsorganisationen ausgegeben werden.
Da einige der veranschaulichenden Ausführungsformen in oder in Verbindung mit einem kognitiven System für das Gesundheitswesen umgesetzt werden können, ist es vorteilhaft, zu verstehen, wie derartige kognitive Systeme und eine Erstellung von Fragen und Antworten in einem kognitiven System, das eine QA-Pipeline umsetzt, umgesetzt werden. Man sollte sich darüber im Klaren sein, dass die in den 3 bis 6 beschriebenen Mechanismen lediglich Beispiele darstellen und keinerlei Einschränkungen in Bezug auf die Art von Mechanismen eines kognitiven Systems angeben oder mit sich bringen sollen, mit denen die veranschaulichenden Ausführungsformen umgesetzt werden. In verschiedenen Ausführungsformen der vorliegenden Erfindung können viele Abänderungen an dem in den 3 bis 6 gezeigten, beispielhaften kognitiven System umgesetzt werden, ohne von dem Sinngehalt und Umfang der vorliegenden Erfindung abzuweichen.
Außerdem können einige veranschaulichende Ausführungsformen der vorliegenden Erfindung unabhängig von einem kognitiven System umgesetzt werden. Das heißt, die zuvor in Bezug auf die 1 und 2 beschriebenen Mechanismen können als eigenständige Einheit umgesetzt sein, die so arbeitet, dass sie Zusammenhänge von Arzneimittelmustern und UAWs zum Zweck der Benachrichtigung und der Erstellung von Modellen erlernt, die praktischen Ärzten und/oder Anbietern von Arzneimitteln helfen können, derartige UAWs bei Patienten zu vermeiden. Mit anderen Worten, während einige veranschaulichende Ausführungsformen das Rahmenwerk 100 der veranschaulichenden Ausführungsformen in den Arbeitsschritt eines kognitiven Systems integrieren können, beinhalten oder erfordern andere Ausführungsformen das kognitive System möglicherweise nicht. Daher sind auch hier die 3 bis 6 lediglich Beispiele für mögliche Umsetzungen veranschaulichender Ausführungsformen und nicht als Beschränkung auf die möglichen Umsetzungen oder Ausführungsformen gedacht.
Im Überblick handelt es sich bei einem kognitiven System um ein spezialisiertes Computersystem oder eine Reihe von Computersystemen, die mit Hardware- und/oder Software-Logik (in Kombination mit Hardware-Logik, auf der die Software ausgeführt wird) konfiguriert sind, um menschliche kognitive Funktionen zu emulieren. Diese kognitiven Systeme wenden menschenähnliche Eigenschaften an, um Ideen zu vermitteln und handzuhaben, die, wenn sie mit den natürlichen Stärken von digitaler Datenverarbeitung kombiniert werden, Probleme mit hoher Genauigkeit und Resilienz in großem Maßstab lösen können. Ein kognitives System führt einen oder mehrere auf einem Computer ausgeführte kognitive Vorgänge durch, die einem menschlichen Denkprozess nahe kommen und Menschen und Maschinen in die Lage versetzen, auf natürlichere Weise miteinander zu interagieren, um so das menschliche Fachwissen und die menschliche Wahrnehmung zu erweitern und zu vergrößern. Ein kognitives System weist eine Logik von künstlicher Intelligenz, wie etwa zum Beispiel eine auf natürlicher Sprachverarbeitung (NLP) beruhende Logik, und eine Logik des maschinellen Lernens auf, die als spezialisierte Hardware, auf Hardware ausgeführte Software oder jede beliebige Kombination von spezialisierter Hardware und auf Hardware ausgeführter Software bereitgestellt werden kann. Die Logik des kognitiven Systems setzt den kognitiven Vorgang bzw. die kognitiven Vorgänge um, wobei zu Beispielen hierfür ein Beantworten von Fragen, ein Erkennen verwandter Konzepte innerhalb verschiedener Teile des Inhalts eines Korpus, intelligente Suchalgorithmen wie etwa zum Beispiel die Suche nach Internet-Webseiten, medizinische Diagnose- und Behandlungsempfehlungen und andere Arten des Erstellens von Empfehlungen gehören, z.B. Elemente, die für einen bestimmten Benutzer von Interesse sind, potenzielle neue Kontaktempfehlungen oder dergleichen, aber nicht darauf beschränkt.
IBM Watson™ ist ein Beispiel für ein derartiges kognitives System, das durch einen Menschen lesbare Sprache verarbeiten und Schlussfolgerungen zwischen Textstellen mit einer menschenähnlich hohen Genauigkeit erkennen kann, und zwar mit Geschwindigkeiten, die weitaus schneller sind als beim Menschen und in einem größeren Maßstab. Im Allgemeinen sind derartige kognitive Systeme in der Lage, die folgenden Funktionen durchzuführen:

• Erkunden der Komplexitäten der menschlichen Sprache und des menschlichen Verstehens
• Aufnehmen und Verarbeiten großer Mengen von strukturierten und unstrukturierten Daten
• Erstellen und Auswerten einer Hypothese
• Gewichten und Auswerten von Rückmeldungen, die nur auf relevanten Belegen beruhen
• Bereitstellen von situationsspezifischen Ratschlägen, Einsichten und Richtlinien
• Verbessern der Kenntnisse und Lernen mit jeder Wiederholung und Interaktion durch maschinelle Lernprozesse
• Ermöglichen der Entscheidungsfindung am Wirkungspunkt (kontextbezogene Richtlinien)
• Skalieren im Verhältnis zu der Aufgabe
• Erweitern und Vergrößern von menschlichem Fachwissen und menschlicher Wahrnehmung
• Erkennen von mitschwingenden, menschenähnlichen Eigenschaften und Merkmalen aus der natürlichen Sprache
• Ableiten von verschiedenen sprachspezifischen oder agnostischen Attributen aus der natürlichen Sprache
• Hohes Maß an relevanter Erinnerung aus Datenpunkten (Bilder, Text, Stimme) (Merken und Erinnern)
• Vorhersagen und Wahrnehmen mit Situationsbewusstsein, wodurch die menschliche Wahrnehmung beruhend auf Erfahrungen nachgeahmt wird
• Beantworten von Fragen beruhend auf natürlicher Sprache und konkreten Belegen

In einem Aspekt stellen kognitive Systeme Mechanismen zum Beantworten von Fragen, die diesen kognitiven Systemen gestellt werden, unter Verwendung einer Fragebeantwortungs-Pipeline oder eines Fragebeantwortungssystems (QA-System) bereit, und/oder zum Verarbeiten von Anforderungen, die als Fragen in natürlicher Sprache gestellt werden können oder auch nicht. Die QA-Pipeline bzw. das QA-System ist eine Anwendung mit künstlicher Intelligenz, die auf Datenverarbeitungs-Hardware ausgeführt wird und Fragen beantwortet, die sich auf einen bestimmten, in natürlicher Sprache dargestellten Themenbereich beziehen. Die QA-Pipeline empfängt Eingaben aus verschiedenen Quellen, darunter Eingaben über ein Netzwerk, ein Korpus von elektronischen Dokumenten oder anderen Daten, Daten von einem Inhaltsersteller, Informationen von einem oder mehreren Inhaltsbenutzern und andere derartige Eingaben aus anderen möglichen Eingabequellen. Datenspeichereinheiten speichern den Datenkorpus. Ein Inhaltsersteller erstellt Inhalt in einem Dokument zur Verwendung als Teil eines Datenkorpus mit der QA-Pipeline. Das Dokument kann jede(n) beliebige(n) Datei, Text, Artikel oder Datenquelle zur Verwendung in dem QA-System enthalten. Zum Beispiel greift eine QA-Pipeline auf einen Wissensfundus über den Bereich oder Themenbereich zu, z.B. den Finanzbereich, den medizinischen Bereich, den Rechtsbereich usw., wobei der Wissensfundus (die Wissensdatenbank) in einer Vielfalt von Konfigurationen organisiert sein kann, z.B. als ein strukturiertes Repository mit bereichsspezifischen Informationen wie zum Beispiel Ontologien oder als unstrukturierte Daten, die dem Bereich zugehörig sind, oder eine Sammlung von Dokumenten in natürlicher Sprache über den Bereich.
Benutzer von Inhalten geben Fragen in das kognitive System ein, das die QA-Pipeline umsetzt. Die QA-Pipeline beantwortet dann die Eingabefragen unter Verwendung des Inhalts in dem Datenkorpus durch Auswerten von Dokumenten, Abschnitten von Dokumenten, Teilen von Daten in dem Korpus oder dergleichen. Wenn ein Prozess einen bestimmten Abschnitt eines Dokuments auf seinen semantischen Inhalt hin bewertet, kann der Prozess eine Vielfalt von Konventionen verwenden, um ein derartiges Dokument aus der QA-Pipeline abzufragen, z.B. durch Senden der Abfrage als gut formulierte Frage an die QA-Pipeline, die dann von der QA-Pipeline ausgewertet wird, und es wird eine Rückmeldung bereitgestellt, die eine oder mehrere Antworten auf die Frage enthält. Bei semantischem Inhalt handelt es sich um Inhalt, der auf der Beziehung zwischen Signifikanten wie zum Beispiel Wörtern, Wortfolgen, Zeichen und Symbolen und wofür diese stehen, deren Bedeutung oder Konnotation beruht. Anders ausgedrückt, handelt es sich bei semantischem Inhalt um Inhalt, der einen Ausdruck wie zum Beispiel durch Verwendung von natürlicher Sprachverarbeitung deutet.
Wie im Folgenden ausführlicher beschrieben wird, empfängt die QA-Pipeline eine Eingabefrage, parst die Frage, um die Hauptmerkmale der Frage zu extrahieren, verwendet die extrahierten Merkmale zum Formulieren von Abfragen und wendet diese Abfragen dann auf den Datenkorpus an. Beruhend auf der Anwendung der Abfragen auf den Datenkorpus erstellt die QA-Pipeline einen Satz Hypothesen oder für die Eingabefrage in Frage kommende Antworten, indem sie den Datenkorpus auf Teile des Datenkorpus durchsieht, die möglicherweise eine wertvolle Rückmeldung auf die Eingabefrage enthalten. Die QA-Pipeline führt dann unter Verwendung einer Vielfalt von Schlussfolgerungsalgorithmen eine Tiefenanalyse der Sprache der Eingabefrage und der in jedem der Teile des Datenkorpus verwendeten Sprache durch, die während des Anwendens der Abfragen gefunden wurden. Es können hunderte oder sogar tausende von Schlussfolgerungsalgorithmen angewendet werden, die jeweils eine unterschiedliche Analyse durchführen, z.B. Vergleiche, Analyse von natürlicher Sprache, lexikalische Analyse oder dergleichen, und eine Bewertung erstellen. Zum Beispiel können einige der Schlussfolgerungsalgorithmen das Übereinstimmen von Begriffen und Synonymen innerhalb der Sprache der Eingabefrage und den gefundenen Teilen des Datenkorpus untersuchen. Andere Schlussfolgerungsalgorithmen können zeitliche oder räumliche Eigenschaften in der Sprache untersuchen, während andere die Quelle des Teils des Datenkorpus auswerten und dessen Richtigkeit bewerten können.
Die aus den verschiedenen Schlussfolgerungsalgorithmen erhaltenen Bewertungen geben das Ausmaß an, zu dem die potenzielle Rückmeldung beruhend auf dem konkreten Schwerpunktbereich dieses Schlussfolgerungsalgorithmus aus der Eingabefrage gefolgert wird. Jede sich ergebende Bewertung wird dann in Bezug auf ein statistisches Modell gewichtet. Das statistische Modell erfasst, wie gut der Schlussfolgerungsalgorithmus beim Bestimmen der Schlussfolgerung zwischen zwei gleichartigen Textstellen für einen bestimmten Bereich während des Trainingszeitraums der QA-Pipeline funktioniert hat. Das statistische Modell wird dann zum Zusammenfassen eines Konfidenz-Pegels verwendet, den die QA-Pipeline in Bezug auf den Beleg aufweist, dass die potenzielle Rückmeldung, d.h. die in Frage kommende Antwort, aus der Frage gefolgert wird. Dieser Prozess wird für jede der in Frage kommenden Antworten so lange wiederholt, bis die QA-Pipeline in Frage kommende Antworten erkennt, die als wesentlich überzeugender als andere in Erscheinung treten, und folglich erzeugt er eine endgültige Antwort oder einen nach Rangfolge geordneten Satz von Antworten für die Eingabefrage.
Wie vorstehend erwähnt, funktionieren QA-Pipeline-Mechanismen, indem sie auf Informationen aus einem Daten- oder Informationskorpus (auch als Inhaltskorpus bezeichnet) zugreifen, diese analysieren und dann auf der Grundlage der Analyse dieser Daten Antwortergebnisse erstellen. Das Zugreifen auf Informationen aus einem Datenkorpus umfasst üblicherweise: eine Datenbankabfrage, die Fragen darüber beantwortet, was sich in einer Sammlung von strukturierten Datensätzen befindet, und eine Suche, die eine Sammlung von Dokumentenverknüpfungen als Reaktion auf eine Abfrage in einer Sammlung von unstrukturierten Daten (Text, Auszeichnungssprache usw.) liefert. Herkömmliche Fragebeantwortungssysteme sind in der Lage, Antworten auf der Grundlage des Datenkorpus und der Eingabefrage zu erstellen, Antworten auf eine Sammlung von Fragen für den Datenkorpus zu überprüfen, Fehler in digitalem Text unter Verwendung eines Datenkorpus zu korrigieren und Antworten auf Fragen aus einem Pool von potenziellen Antworten, d.h. in Frage kommenden Antworten, auszuwählen.
Inhaltsersteller, wie zum Beispiel Verfasser von Artikeln, Ersteller von elektronischen Dokumenten, Verfasser von Webseiten, Ersteller von Dokumentendatenbanken und dergleichen, bestimmen Anwendungsfälle für Produkte, Lösungen und Dienstleistungen, die in derartigen Inhalten beschrieben werden, bevor sie ihren Inhalt schreiben. Folglich wissen die Inhaltsersteller, welche Fragen der Inhalt zu einem bestimmten Thema beantworten soll, mit dem sich der Inhalt befasst. Ein Einordnen der Fragen in jedem Dokument eines Datenkorpus, wie zum Beispiel nach Rollen, Art der Information, Aufgaben oder dergleichen, die mit der Frage in Zusammenhang stehen, ermöglicht es der QA-Pipeline, Dokumente, die Inhalte zu einer bestimmten Abfrage enthalten, schneller und effizienter zu erkennen. Der Inhalt kann auch andere Fragen beantworten, die der Inhaltsersteller nicht in Betracht gezogen hat und die für Benutzer des Inhalts nützlich sein können. Die Fragen und Antworten können von dem Inhaltsersteller dahingehend überprüft werden, ob sie in dem Inhalt für ein bestimmtes Dokument enthalten sind. Diese Funktionen tragen zu einer Verbesserung der Genauigkeit, der Systemleistung, des maschinellen Lernens und der Konfidenz der QA-Pipeline bei. Inhaltsersteller, automatisierte Werkzeuge oder dergleichen kommentieren oder erstellen anderweitig Metadaten zum Bereitstellen von Informationen, die von der QA-Pipeline verwendet werden können, um diese Frage- und Antwortattribute des Inhalts zu identifizieren. Der kommentierte Inhalt kann verarbeitet werden, um eine hauptspeicherinterne Darstellung der Dokumente in dem Korpus/den Korpora zu erstellen. Dieser Prozess wird manchmal auch als Aufnahme der Dokumente oder des Korpus/der Korpora bezeichnet, was zu einem indexierten Satz von Dokumenten mit Metadaten führen kann, die Merkmale der Dokumente angeben.
Beim Arbeiten mit derartigen Inhalten erstellt die QA-Pipeline Antworten für Eingabefragen unter Verwendung einer Mehrzahl von Mechanismen für eine intensive Analyse, die den Inhalt auswerten, um die wahrscheinlichsten Antworten, d.h. in Frage kommenden Antworten, für die Eingabefrage zu identifizieren. Die wahrscheinlichsten Antworten werden als eine Rangliste von in Frage kommenden Antworten ausgegeben, die gemäß ihren relativen Bewertungen oder Konfidenz-Messgrößen, die während der Auswertung der in Frage kommenden Antworten berechnet wurden, geordnet sind, und zwar als eine einzelne endgültige Antwort, die eine höchste Bewertung oder eine größte Konfidenz-Messgröße aufweist, oder die am besten zu der Eingabefrage passt, oder als eine Kombination aus Rangliste und endgültiger Antwort.
3 bildet eine schematische Darstellung einer veranschaulichenden Ausführungsform eines kognitiven Systems 300 ab, das eine Pipeline 308 zum Verarbeiten von Anforderungen umsetzt, bei der es sich in einigen Ausführungsformen um eine Fragebeantwortungs- (QA-) Pipeline in einem Computernetzwerk 302 handeln kann. Zum Zwecke der vorliegenden Beschreibung wird davon ausgegangen, dass die Pipeline 308 zum Verarbeiten von Anforderungen als eine QA-Pipeline umgesetzt ist, die mit strukturierten und/oder unstrukturierten Anforderungen in Form von Eingabefragen arbeitet.
Das kognitive System 300 ist auf einer Server-Datenverarbeitungseinheit 305 umgesetzt, die eine oder mehrere Datenverarbeitungseinheiten aufweisen kann, die einen oder mehrere Prozessoren und einen oder mehrere Hauptspeicher aufweisen, sowie möglicherweise jedes beliebige andere nach dem Stand der Technik allgemein bekannte Datenverarbeitungseinheit-Element, darunter Busse, Speichereinheiten, Datenübertragungsschnittstellen und dergleichen. Die Server-Datenverarbeitungseinheit 305 ist an das Computernetzwerk 302 angeschlossen. Lediglich zum Zwecke der Veranschaulichung stellt 3 das kognitive System 100 als nur auf der Datenverarbeitungseinheit 305 umgesetzt dar, wobei aber in einigen veranschaulichenden Ausführungsformen das kognitive System 300 auf mehrere Datenverarbeitungseinheiten verteilt sein kann, wie zum Beispiel auf eine oder mehrere einer Mehrzahl von Datenverarbeitungseinheiten 304 und 305.
Das Netzwerk 302 umfasst mehrere Datenverarbeitungseinheiten 304 und 305, die als Server-Datenverarbeitungseinheiten arbeiten können, und 310 bis 312, die als Client-Datenverarbeitungseinheiten arbeiten können, die über eine oder mehrere drahtgebundene und/oder drahtlose Datenübertragungsverbindungen miteinander und mit anderen Einheiten oder Komponenten Daten austauschen, wobei jede Datenübertragungsverbindung Drähte, Leitwegrechner, Vermittlungseinheiten, Sender und/oder Empfänger und dergleichen aufweist. In einigen veranschaulichenden Ausführungsformen ermöglichen das kognitive System 300 und das Netzwerk 302 eine Funktionalität zum Verarbeiten von Fragen und Erstellen von Antworten (QA) für einen oder mehrere Benutzer des kognitiven Systems über ihre jeweiligen Datenverarbeitungseinheiten 310 bis 312. In anderen Ausführungsformen können das kognitive System 300 und das Netzwerk 302 andere Arten von kognitiven Vorgängen bereitstellen, darunter ein Verarbeiten von Anforderungen und ein kognitives Erstellen von Rückmeldungen, was je nach der gewünschten Umsetzung viele verschiedene Formen annehmen kann, z.B. kognitiver Informationsabruf, Schulung/Anweisung von Benutzern, kognitive Auswertung von Daten oder dergleichen, aber nicht darauf beschränkt. Andere Ausführungsformen des kognitiven Systems 300 können mit anderen Komponenten, Systemen, Teilsystemen und/oder Einheiten als den hierin abgebildeten verwendet werden.
Das kognitive System 300 ist konfiguriert zum Umsetzen einer Pipeline 308 zum Verarbeiten von Anforderungen, die Eingaben aus verschiedenen Quellen empfängt. Die Anforderungen können in Form einer Frage in natürlicher Sprache, einer Anforderung in natürlicher Sprache von Informationen, einer Anforderung in natürlicher Sprache zum Durchführen eines kognitiven Vorgangs oder dergleichen gestellt werden. Zum Beispiel empfängt das kognitive System 300 eine Eingabe aus dem Netzwerk 302, aus einem Korpus oder Korpora von elektronischen Dokumenten 306, 340, von Benutzern des kognitiven Systems und/oder aus anderen Daten und anderen möglichen Eingabequellen. In einer Ausführungsform werden einige oder alle der Eingaben in das kognitive System 300 durch das Netzwerk 302 geleitet. Die verschiedenen Datenverarbeitungseinheiten 304, 305, 310, 312 in dem Netzwerk 302 umfassen Zugangspunkte für Inhaltsersteller und Benutzer des kognitiven Systems. Einige der Datenverarbeitungseinheiten 304, 305 umfassen Einheiten für eine den Datenkorpus oder die Datenkorpora 306, 340 speichernde Datenbank. Teile des Datenkorpus oder der Datenkorpora 306, 340 können auch auf einer oder mehreren anderen an das Netzwerk angeschlossenen Speichereinheiten, in einer oder mehreren Datenbanken oder auf anderen, in 3 nicht ausdrücklich gezeigten Datenverarbeitungseinheiten bereitgestellt werden. Das Netzwerk 302 umfasst in verschiedenen Ausführungsformen lokale Netzwerkverbindungen und Fernverbindungen, so dass das kognitive System 300 in Umgebungen jeder beliebigen Größe arbeiten kann, was lokal und global einschließt, z.B. das Internet.
In einer Ausführungsform erstellt der Inhaltsersteller Inhalt in einem Dokument des Datenkorpus oder der Datenkorpora 306, 340 zur Verwendung als Teil eines Datenkorpus mit dem kognitiven System 300. Das Dokument enthält jede(n) beliebige(n) Datei, Text, Artikel oder Datenquelle zur Verwendung in dem kognitiven System 300. Benutzer des kognitiven Systems greifen über eine Netzwerkverbindung oder eine Internetverbindung mit dem Netzwerk 302 auf das kognitive System 300 zu und geben Fragen/Anforderungen in das kognitive System 300 ein, die auf der Grundlage des Inhalts in dem Datenkorpus oder den Datenkorpora 106, 340 beantwortet/verarbeitet werden. In einer Ausführungsform werden die Fragen/Anforderungen unter Verwendung von natürlicher Sprache aufgebaut. Das kognitive System 300 parst und wertet die Frage/Anforderung über eine Pipeline 308 aus und stellt dem Benutzer des kognitiven Systems, z.B. dem Benutzer 310 des kognitiven Systems eine Rückmeldung bereit, die eine oder mehrere Antworten auf die gestellte Frage, eine Rückmeldung auf die Anforderung, Ergebnisse der Verarbeitung der Anforderung oder dergleichen enthält. In einigen Ausführungsformen stellt das kognitive System 300 Benutzern eine Rückmeldung in einer Rangliste von in Frage kommenden Antworten/Rückmeldungen bereit, während das kognitive System 300 in anderen veranschaulichenden Ausführungsformen eine einzelne endgültige Antwort/Rückmeldung oder eine Kombination aus einer endgültigen Antwort/Rückmeldung und einer Rangliste von anderen in Frage kommenden Antworten/Rückmeldungen bereitstellt.
Das kognitive System 300 setzt die Pipeline 308 um, die eine Mehrzahl von Stufen zum Verarbeiten einer Eingabefrage/Anforderung beruhend auf Informationen aufweist, die aus dem Datenkorpus oder den Datenkorpora 306, 340 erhalten wurden. Die Pipeline 308 erstellt Antworten/Rückmeldungen für die Eingabefrage oder Anforderung beruhend auf dem Verarbeiten der Eingabefrage/Anforderung und dem Datenkorpus oder den Datenkorpora 306. Die Pipeline 308 wird im Folgenden in Bezug auf 6 ausführlicher beschrieben.
In einigen veranschaulichenden Ausführungsformen kann es sich bei dem kognitiven System 300 um das kognitive System IBM Watson™ handeln, das von International Business Machines Corporation, Armonk, New York, erhältlich ist und um die Mechanismen der nachfolgend beschriebenen veranschaulichenden Ausführungsformen erweitert wird. Wie zuvor skizziert, empfängt eine Pipeline des kognitiven Systems IBM Watson™ eine Eingabefrage oder Anforderung, die es dann parst, um die Hauptmerkmale der Frage/Anforderung zu extrahieren, die dann wiederum zum Formulieren von Abfragen verwendet werden, die auf den Datenkorpus oder die Datenkorpora 306, 340 angewendet werden. Beruhend auf der Anwendung der Abfragen auf den Datenkorpus oder die Datenkorpora 306, 340 wird ein Satz von Hypothesen oder für die Eingabefrage/Abfrage in Frage kommenden Antworten/Rückmeldungen erstellt, indem der Datenkorpus oder die Datenkorpora 306, 340 auf Teile des Datenkorpus oder der Datenkorpora 306, 340 durchgesehen werden, die möglicherweise eine wertvolle Rückmeldung auf die Eingabefrage/Anforderung aufweisen (im Folgenden als Eingabefrage angenommen). Die Pipeline 308 des kognitiven Systems IBM Watson™ führt dann unter Verwendung einer Vielfalt von Schlussfolgerungsalgorithmen eine Tiefenanalyse der Sprache der Eingabefrage und der in jedem der Teile des Korpus 306, 340 verwendeten Sprache durch, die während des Anwendens der Abfragen gefunden wurden.
Die aus den verschiedenen Schlussfolgerungsalgorithmen erhaltenen Bewertungen werden dann in Bezug auf ein statistisches Modell gewichtet, das einen Konfidenz-Pegel zusammenfasst, den die Pipeline 108 des kognitiven Systems 300 IBM Watson™ in diesem Beispiel in Bezug auf die Belege dafür aufweist, dass die mögliche in Frage kommende Antwort durch die Frage gefolgert wird. Dieser Prozess wird für jede der in Frage kommenden Antworten wiederholt, um eine Rangliste von in Frage kommenden Antworten zu erstellen, die dann dem Benutzer vorgelegt werden kann, der die Eingabefrage gestellt hat, z.B. einem Benutzer der Client-Datenverarbeitungseinheit 310, oder aus der eine endgültige Antwort ausgewählt und dem Benutzer vorgelegt wird. Weitere Informationen über die Pipeline 308 des kognitiven Systems 300 IBM Watson™ sind zum Beispiel von der Webseite der IBM Corporation, von IBM Redbooks und dergleichen erhältlich. Zum Beispiel können Informationen über die Pipeline des kognitiven Systems IBM Watson™ in Yuan u.a., „Watson and Healthcare", IBM developerWorks, 2011, und „The Era of Cognitive Systems: An Inside Look at IBM Watson and How it Works" von Rob High, IBM Redbooks, 2012, gefunden werden.
Wie oben erwähnt, kann die Eingabe in das kognitive System 300 von einer Client-Einheit zwar in Form einer Frage in natürlicher Sprache gestellt werden, aber die veranschaulichenden Ausführungsformen sind nicht darauf beschränkt. Vielmehr kann die Eingabefrage in der Tat als jede geeignete Art von Anforderung formatiert oder strukturiert sein, die unter Verwendung einer strukturierten und/oder unstrukturierten Eingabeanalyse geparst und analysiert werden kann, darunter die Parsing- und Analysemechanismen für natürliche Sprache eines kognitiven Systems wie zum Beispiel IBM Watson™, aber nicht darauf beschränkt, um die Grundlage zu bestimmen, auf der eine kognitive Analyse durchzuführen ist, und um ein Ergebnis der kognitiven Analyse bereitzustellen. Im Falle eines auf dem Gesundheitswesen beruhenden kognitiven Systems kann diese Analyse mit dem Verarbeiten von Patientenakten, Dokumenten mit medizinischen Richtlinien aus einem Korpus oder mehreren Korpora, Informationen über Wechselwirkungen zwischen Arzneimitteln und Informationen über unerwünschte Arzneimittelwirkungen in elektronischen Patientenakten (EPAs) und/oder in Dokumenten in natürlicher Sprache und dergleichen einhergehen, um ein auf das Gesundheitswesen ausgerichtetes Ergebnis des kognitiven Systems bereitzustellen.
Im Kontext der vorliegenden Erfindung könnte das kognitive System 300 eine kognitive Funktionalität zum Unterstützen von auf dem Gesundheitswesen beruhenden Arbeitsschritten bereitstellen. Zum Beispiel können die auf dem Gesundheitswesen beruhenden Arbeitsschritte, je nach der jeweiligen Umsetzung, Patientendiagnostik, Systeme für medizinische Behandlungsempfehlungen, Verwaltungssysteme für medizinische Praktiken, eine Erstellung und Überwachung von persönlichen Patientenversorgungsplänen, eine Auswertung von elektronischen Patientenakten (EPAs) für verschiedene Zwecke beinhalten, wie zum Beispiel zum Identifizieren von Patienten, die für einen medizinischen Versuch oder eine bestimmte Art von medizinischer Behandlung geeignet sind, oder dergleichen. Somit kann es sich bei dem kognitiven System 300 um ein kognitives System 300 für das Gesundheitswesen handeln, das im medizinischen Bereich oder im Gesundheitswesen arbeitet und das Anforderungen für derartige Arbeitsschritte im Gesundheitswesen über die Pipeline 308 zum Verarbeiten von Anforderungen, die entweder als strukturierte oder unstrukturierte Anforderungen, Eingabefragen in natürlicher Sprache oder dergleichen eingegeben werden, verarbeiten kann. In einigen veranschaulichenden Ausführungsformen handelt es sich bei dem kognitiven System 300 um ein kognitives System für das Gesundheitswesen, das medizinische Behandlungsempfehlungen für Patienten und deren Erkrankung(en) auf der Grundlage einer Vielfalt von Faktoren bereitstellt, zu denen neben anderen Faktoren Wechselwirkungen zwischen Arzneimitteln gehören, wie sie durch die Mechanismen einer oder mehrerer der hier beschriebenen Ausführungsformen erlernt und angewendet werden.
Wie in 3 gezeigt ist, wird das kognitive System 300 gemäß den Mechanismen der veranschaulichenden Ausführungsformen darüber hinaus dahingehend erweitert, dass es eine Logik enthält, die in spezialisierter Hardware, in auf Hardware ausgeführter Software oder in jeder beliebigen Kombination aus spezialisierter Hardware und auf Hardware ausgeführter Software umgesetzt ist, und zwar zum Umsetzen eines Rahmenwerks 100 zum Erlernen von Zusammenhängen zwischen Mustern mit mehreren Arzneimitteln und unerwünschten Arzneimittelwirkungen (UAWs), das in dieser abgebildeten Ausführungsform das Koinzidenz-Logikmodul 120, das Störfaktor-Filter-Logikmodul 130, das Kausalzusammenhangs-Logikmodul 140, das Kausalmodell 145, die Ableitungslogik 150 für Beziehungen zwischen mehreren Arzneimitteln und UAWs, die Logik 160 für gemeinsame Störfaktoren, die Patientenmodell-Erstellungslogik 170 und das Patientenmodell 175 umfasst. Die in 1 gezeigten RWE-Daten 110 und Ressourcen-Informationsquellen 125 können Teil eines oder mehrerer der in 3 gezeigten Korpora 306, 340 sein, und das Rahmenwerk 100 kann je nach Bedarf über eine oder mehrere auf einem Netzwerk beruhende Verbindungen und/oder lokale Verbindungen auf diese zugreifen. Man sollte sich darüber im Klaren sein, dass das Rahmenwerk 100 und die Komponenten 120 bis 175 des Rahmenwerks in der zuvor in Bezug auf die 1 und 2 beschriebenen Weise arbeiten.
Im Hinblick auf die Interaktion des Rahmenwerks 100 mit dem kognitiven System 300 kann diese Interaktion viele verschiedene Formen annehmen, je nach gewünschter Umsetzung und bestimmter veranschaulichender Ausführungsform. Wie vorstehend erwähnt, stellt das Rahmenwerk 100 eine Identifizierung von Zusammenhängen zwischen Mustern mit mehreren Arzneimitteln und UAWs bereit, indem es derartige Beziehungen aus dem Kausalmodell folgert, das durch ein Identifizieren von Koinzidenzen von Arzneimittelmustern und UAWs wie zum Beispiel durch das Modul 120, ein Herausfiltern von als Störfaktoren wirkenden Arzneimitteln wie zum Beispiel durch das Modul 130, und ein Erstellen eines Kausalmodells 145 wie zum Beispiel durch das Modul 140 erstellt wird. Dieses Kausalmodell 145 wird ausgewertet, um auf Beziehungen zwischen Mustern mit mehreren Arzneimitteln und UAWs oder UAW-Gruppen zu schließen, wie zum Beispiel durch die Logik 150. Außerdem werden gemeinsame als Störfaktoren wirkende Arzneimittel für UAWs oder UAW-Gruppen identifiziert, wie zum Beispiel durch die Logik 160. Des Weiteren kann ein Patientenmodell 175 erstellt werden, wie zum Beispiel durch die Patientenmodell-Erstellungslogik 170, das von einem kognitiven System 300 verwendet werden kann, um die Wahrscheinlichkeit vorherzusagen, dass ein Patient eine UAW erfährt, und zwar beruhend auf den erlernten und schlussgefolgerten Beziehungen zwischen Mustern mit mehreren Arzneimitteln und UAWs.
Die Beziehungen zwischen Mustern mit mehreren Arzneimitteln und UAWs, gemeinsame als Störfaktoren wirkende Arzneimittel für UAWs oder UAW-Gruppen und das Patientenmodell können dem kognitiven System 300 als Informationsquellen zur Verfügung gestellt werden, das so abgeändert ist, dass es beim Durchführen von kognitiven Vorgängen mit derartigen Informationen arbeitet, wie oben bereits erörtert. Zum Beispiel können derartige Informationen durch die Pipeline 308 zum Verarbeiten von Anforderungen des kognitiven Systems 300 beim Auswerten von in Frage kommenden Behandlungen für einen Patienten, beim Auswerten der EPA-Daten eines Patienten im Allgemeinen, beim Bewerten eines Patienten, ob er für eine medizinische Studie in Frage kommt, beim Erstellen von Benachrichtigungen an praktische Ärzte bezüglich identifizierter Beziehungen zwischen Arzneimitteln und UAWs, beim Senden von Benachrichtigungen an Arzneimittelanbieter und/oder Aufsichtsorganisationen bezüglich identifizierter Beziehungen zwischen Arzneimitteln und UAWs und dergleichen ausgewertet werden.
Das Rahmenwerk 100 lernt durch einen maschinellen Lernprozess die Wechselwirkungen zwischen Arzneimitteln bzw. Mustern mit mehreren Arzneimitteln, die mit bestimmten UAWs oder UAW-Gruppen zusammenhängen, und bei welchen Arzneimitteln es sich um Störfaktoren in derartigen Mustern handelt. In einigen veranschaulichenden Ausführungsformen kann das Rahmenwerk 100 darüber hinaus eine Logik aufweisen, die zum weiteren Auswerten der spezifischen Informationen für einen Patienten verwendet werden kann, wie zum Beispiel die Arzneimittel, die von einem Patient für die Erkrankung(en) des Patienten eingenommen werden, in Frage kommende Behandlungen und deren entsprechende Arzneimittel, die zum Behandeln eines Patienten in Betracht gezogen werden, wie sie durch das kognitive System ermittelt werden, und dergleichen. Die Auswertung kann eine Ausgabe bereitstellen, welche die UAWs angibt, für die auf der Grundlage der mit dem Patienten in Zusammenhang stehenden Arzneimittelinformationen, der in Frage kommenden Behandlungen usw. vorhergesagt werden kann, dass der Patient diese erleiden wird. Außerdem kann das Rahmenwerk 100 Hinweise auf als Störfaktoren wirkende Arzneimittel geben, die mit den Patienteninformationen, den in Frage kommenden Behandlungen usw. in Zusammenhang stehen. Diese Informationen können dem kognitiven System zur Verwendung beim Durchführen von kognitiven Vorgängen wieder bereitgestellt werden, wie zum Beispiel zur Verwendung beim Erstellen von Konfidenz-Bewertungen, die mit in Frage kommenden Behandlungen in Zusammenhang stehen, beim Einstufen von in Frage kommenden Behandlungen, beim Bereitstellen von Benachrichtigungen und dergleichen.
Man sollte sich darüber im Klaren sein, dass die verschiedenen Komponenten des in den Figuren gezeigten Rahmenwerks 100 als Software-Anweisungen bereitgestellt werden können, die in einem Hauptspeicher gespeichert sind und durch einen oder mehrere Prozessoren eines oder mehrerer Datenverarbeitungssysteme ausgeführt werden, die speziell zum Umsetzen des Rahmenwerks 100 konfiguriert sind, bei denen es sich um einen oder mehrere der Prozessoren handeln kann, die von der Server-Datenverarbeitungseinheit 105 bereitgestellt werden, oder die auf eine Mehrzahl von Datenverarbeitungseinheiten verteilt sind, wie zum Beispiel den Server 105 und einen oder mehrere der Server 104. Alternativ dazu kann ein Teil der Logik, die durch die Komponenten des Rahmenwerks 100 bereitgestellt wird, in Hardware-Einheiten, Firmware oder dergleichen ausgeführt sein. Außerdem sind zwar die Komponenten des Rahmenwerks 100 in den Figuren als beispielhafte Komponenten gezeigt, um die Funktionsweise der veranschaulichenden Ausführungsformen zu veranschaulichen, doch sollte man sich darüber im Klaren sein, dass das Rahmenwerk 100 eine zusätzliche Logik aufweisen kann, die nicht speziell in den Figuren gezeigt ist, die aber die Funktionalität der Komponenten 120 bis 175 unterstützen und fördern kann. Sofern hierin nicht anders angegeben, können Arbeitsschritte oder Funktionen, die als durch das Rahmenwerk 100 durchgeführt beschrieben werden und die nicht konkret einer der Komponenten 120 bis 175 zugeordnet sind, durch diese andere, in dem Rahmenwerk 100 bereitgestellte Logik durchgeführt werden, die nicht konkret gezeigt ist, z.B. eine Steuereinheitenlogik, eine Schnittstellenlogik, eine Speicherlogik und/oder dergleichen.
Obwohl das Rahmenwerk 100 in 3 aus Gründen der Einfachheit der Darstellung als eine von dem kognitiven System 300 getrennte Einheit gezeigt ist, sollte man sich außerdem darüber im Klaren sein, dass eine oder mehrere der Komponenten 120 bis 175 in das kognitive System 300 integriert sein und/oder dessen Logik und Ressourcen nutzen können, um ihre Arbeitsschritte durchzuführen. Zum Beispiel kann das Rahmenwerk 100 die natürliche Sprachverarbeitung (NLP) und Annotatormechanismen des kognitiven Systems 300 nutzen, um Arbeitsschritte zum Parsen und Identifizieren von Informationen über Zusammenhänge von Wechselwirkungen zwischen Arzneimitteln oder Arzneimittelmustern und UAWs in Dokumenten in natürlicher Sprache durchzuführen. Außerdem kann das Patientenmodell 175 mit der Bewertungs- und Ranglistenlogik des kognitiven Systems 300 zum Bewerten und Einstufen von in Frage kommenden Antworten oder in Frage kommenden Behandlungen integriert sein oder in Verbindung damit arbeiten, um eine oder mehrere in Frage kommende Behandlungen zum Ausgeben als Behandlungsempfehlungen auszuwählen.
Wie oben in Bezug auf die 1 und 2 erwähnt, stellen die veranschaulichenden Ausführungsformen Mechanismen zum Erlernen von Beziehungen oder Zusammenhängen zwischen Mustern mit mehreren Arzneimitteln und UAWs oder UAW-Gruppen sowie als Störfaktoren wirkenden Arzneimitteln in derartigen Mustern mit mehreren Arzneimitteln bereit. Dieses maschinelle Lernen der Beziehungen zwischen Mustern mit mehreren Arzneimitteln und UAWs sowie als Störfaktoren wirkenden Arzneimitteln kann zum Erstellen von Vorhersagemodellen verwendet werden, die dazu verwendet werden können, vorherzusagen, ob ein bestimmter Patient wahrscheinlich eine UAW erleiden wird. Außerdem können diese Modelle in einigen Umsetzungen dazu verwendet werden, vorherzusagen, ob in Frage kommende Behandlungen für einen Patienten wahrscheinlich zu einer UAW führen werden, und dadurch die Anwendbarkeit der in Frage kommenden Behandlung für den Patienten abzuändern oder zumindest eine Benachrichtigung über das Potenzial der UAW zur Berücksichtigung durch praktische Ärzte beim Behandeln des Patienten zu erstellen. In noch anderen veranschaulichenden Ausführungsformen kann ein derartiges maschinelles Lernen von Beziehungen dazu verwendet werden, Benachrichtigungen an praktische Ärzte, Arzneimittelanbieter und/oder -hersteller sowie an Branchen-/staatliche Aufsichtsorganisationen zu senden, um sie über erlernte Zusammenhänge oder Beziehungen zwischen Mustern mit mehreren Arzneimitteln und UAWs oder UAW-Gruppen sowie als Störfaktoren wirkenden Arzneimitteln zu informieren.
Die veranschaulichenden Ausführungsformen können die relative Bewertung und Rangfolge von in Frage kommenden Behandlungen für den jeweiligen Patienten beruhend auf den ermittelten Wechselwirkungen zwischen Arzneimitteln und den mit den in Frage kommenden Behandlungen in Zusammenhang stehenden UAWs abändern. Des Weiteren können die veranschaulichenden Ausführungsformen Behandlungsempfehlungen mit Informationen ausgeben, welche die Gründe für die relative Rangfolge der in Frage kommenden Behandlungen auf der Grundlage von Wechselwirkungen zwischen Arzneimitteln und Zusammenhängen mit UAWs angeben.
Wie bereits erwähnt, sind die Mechanismen der veranschaulichenden Ausführungsformen in der Computertechnologie verwurzelt und werden unter Verwendung einer in derartigen Datenverarbeitungssystemen vorhandenen Logik umgesetzt. Diese Datenverarbeitungssysteme sind speziell konfiguriert, entweder durch Hardware, durch Software oder durch eine Kombination aus Hardware und Software, um die verschiedenen vorstehend beschriebenen Arbeitsschritte umzusetzen. Von daher wird 4 als ein Beispiel einer Art von Datenverarbeitungssystem bereitgestellt, in dem Aspekte der vorliegenden Erfindung umgesetzt werden können. Viele andere Arten von Datenverarbeitungssystemen können ebenfalls so konfiguriert werden, dass sie speziell die Mechanismen der veranschaulichenden Ausführungsformen umsetzen.
4 ist ein Blockschaubild eines beispielhaften Datenverarbeitungssystems, in dem Aspekte der veranschaulichenden Ausführungsformen umgesetzt werden. Das Datenverarbeitungssystem 400 ist ein Beispiel eines Computers, wie zum Beispiel des Servers 305 oder des Clients 310 in 3, in dem sich durch einen Computer verwendbarer Code bzw. Anweisungen befinden, welche die Prozesse für veranschaulichende Ausführungsformen der vorliegenden Erfindung umsetzen. In einer veranschaulichenden Ausführungsform stellt 4 eine Server-Datenverarbeitungseinheit dar, wie zum Beispiel einen Server 305, der ein kognitives System 300 und eine Pipeline 308 zum Verarbeiten von Anforderungen umsetzt, die um die zusätzlichen Mechanismen der hierin beschriebenen veranschaulichenden Ausführungsformen erweitert wurden. Alternativ dazu kann die Server-Datenverarbeitungseinheit 305 speziell so konfiguriert sein, dass sie lediglich das Rahmenwerk 100, wie oben bereits erörtert, umsetzt, das allein oder in Verbindung mit einem gesonderten kognitiven System wie zum Beispiel dem kognitiven System 300 arbeiten kann.
In dem abgebildeten Beispiel setzt das Datenverarbeitungssystem 400 eine Hub-Architektur ein, die eine North Bridge und einen Speichersteuereinheiten-Hub (NB/MCH) 402 sowie eine South Bridge und einen Eingabe/Ausgabe- (E/A-) Steuereinheiten-Hub (SB/ICH) 404 enthält. Die Verarbeitungseinheit 406, der Hauptspeicher 408 und der Grafikprozessor 410 sind mit dem NB/MCH 402 verbunden. Der Grafikprozessor 410 ist über einen beschleunigten Grafikanschluss (AGP, accelerated graphics port) mit dem NB/MCH 402 verbunden.
In dem abgebildeten Beispiel ist ein lokaler Netzwerk- (LAN-) Adapter 412 mit dem SB/ICH 404 verbunden. Ein Audio-Adapter 416, ein Tastatur- und Mausadapter 420, ein Modem 422, ein Nur-Lese-Speicher (ROM) 424, ein Festplattenlaufwerk (HDD) 426, ein CD-ROM-Laufwerk 430, USB-Anschlüsse (universeller serieller Bus) und andere Datenübertragungsanschlüsse 432 sowie PCI/PCIe-Einheiten 434 sind über den Bus 438 bzw. den Bus 440 mit dem SB/ICH 404 verbunden. Zu PCI/PCIe-Einheiten können zum Beispiel Ethernet-Adapter, Zusatz-Einbaukarten sowie PC-Karten für Notebook-Computer gehören. PCI verwendet im Gegensatz zu PCle eine Kartenbussteuereinheit. Bei dem ROM 424 kann es sich zum Beispiel um ein Flash-Basic-Input/Output-System (BIOS) handeln.
Das HDD 426 und das CD-ROM-Laufwerk 430 sind über den Bus 440 mit dem SB/ICH 404 verbunden. Das HDD 426 und das CD-ROM-Laufwerk 430 können zum Beispiel eine IDE-Schnittstelle (Festplatten-Schnittstelle - Integrated Drive Electronics) oder SATA-Schnittstelle (serielle Schnittstelle zwischen Prozessor und Festplatte - Serial Advanced Technology Attachment) verwenden. Eine Super-E/A (SIO-) Einheit 436 ist mit dem SB/ICH 404 verbunden.
Auf der Verarbeitungseinheit 406 läuft ein Betriebssystem. Das Betriebssystem koordiniert und stellt eine Steuerung verschiedener Komponenten innerhalb des Datenverarbeitungssystems 400 in 4 bereit. Bei einem Client handelt es sich bei dem Betriebssystem um ein im Handel erhältliches Betriebssystem wie zum Beispiel Microsoft^® Windows 10^®. Ein objektorientiertes Programmiersystem wie zum Beispiel das Java™-Programmiersystem kann in Verbindung mit dem Betriebssystem laufen und stellt Aufrufe von auf dem Datenverarbeitungssystem 400 laufenden Java™-Programmen oder - Anwendungen für das Betriebssystem bereit.
Als Server kann es sich bei dem Datenverarbeitungssystem 400 zum Beispiel um ein IBM^® eServer™ System p^® Computersystem handeln, welches das Betriebssystem Advanced Interactive Executive (AIX^®) oder das LINUX^®-Betriebssystem ausführt. Bei dem Datenverarbeitungssystem 400 kann es sich um ein symmetrisches Multiprozessor- (SMP-) System handeln, das eine Mehrzahl von Prozessoren in der Verarbeitungseinheit 406 enthält. Alternativ kann ein Einzelprozessorsystem eingesetzt werden.
Anweisungen für das Betriebssystem, das objektorientierte Programmiersystem sowie für Anwendungen oder Programme befinden sich auf Speichereinheiten wie zum Beispiel dem HDD 426, die zur Ausführung durch die Verarbeitungseinheit 406 in den Hauptspeicher 408 geladen werden. Die Prozesse der veranschaulichenden Ausführungsformen der vorliegenden Erfindung werden von der Verarbeitungseinheit 406 unter Verwendung von durch einen Computer verwendbarem Code durchgeführt, der sich in einem Speicher wie zum Beispiel dem Hauptspeicher 408, dem ROM 424 oder zum Beispiel in einer oder mehreren Peripherie-Einheiten 426 bzw. 430 befindet.
Ein Bussystem wie zum Beispiel der in 4 gezeigte Bus 438 bzw. Bus 440 besteht aus einem oder mehreren Bussen. Natürlich kann das Bussystem unter Verwendung einer beliebigen Art von Datenübertragungsstruktur (communication fabric) oder einer Architektur ausgeführt sein, die eine Übertragung von Daten zwischen an die Struktur bzw. Architektur angeschlossenen Komponenten oder Einheiten gewährleistet. Eine Datenübertragungseinheit wie der Modem 422 oder der Netzwerkadapter 412 aus 4 umfasst eine oder mehrere zum Senden und Empfangen von Daten verwendete Einheiten. Bei einem Speicher kann es sich zum Beispiel um den Hauptspeicher 408, den ROM 424 oder einen Cache wie dem in dem NB/MCH 402 in 4 befindlichen handeln.
Ein Fachmann wird verstehen, dass die in den 3 und 4 abgebildete Hardware je nach Umsetzung variieren kann. Zusätzlich oder an Stelle der in den 3 und 4 abgebildeten Hardware können andere interne Hardware- oder Peripherie-Einheiten wie zum Beispiel Flash-Speicher, gleichwertige nichtflüchtige Speicher bzw. optische Plattenlaufwerke und dergleichen verwendet werden. Ebenso können die Prozesse der veranschaulichenden Ausführungsformen auf ein anderes Multiprozessor-Datenverarbeitungssystem als das zuvor erwähnte SMP-System angewendet werden, ohne von dem Sinngehalt und dem Umfang der vorliegenden Erfindung abzuweichen.
Außerdem kann das Datenverarbeitungssystem 400 die Form eines beliebigen von mehreren unterschiedlichen Datenverarbeitungssystemen annehmen, darunter Client-Datenverarbeitungseinheiten, Server-Datenverarbeitungseinheiten, ein Tablet-Computer, ein Laptop-Computer, ein Telefon oder eine andere Datenübertragungseinheit, ein elektronischer Assistent (PDA, personal digital assistant) oder dergleichen. In einigen veranschaulichenden Beispielen kann es sich bei dem Datenverarbeitungssystem 400 zum Beispiel um eine tragbare Datenverarbeitungseinheit handeln, die mit Flash-Speichern konfiguriert ist, um einen nichtflüchtigen Speicher zur Speicherung von Betriebssystemdateien und/oder durch einen Benutzer erzeugten Daten bereitzustellen. Im Wesentlichen kann es sich bei dem Datenverarbeitungssystem 400 um jedes beliebige bekannte oder später entwickelte Datenverarbeitungssystem ohne bauliche Einschränkungen handeln.
5 ist ein beispielhaftes Schaubild, das eine Interaktion von Elementen eines kognitiven Systems für das Gesundheitswesen gemäß einer veranschaulichenden Ausführungsform veranschaulicht. Das beispielhafte Schaubild aus 5 zeigt eine Umsetzung eines kognitiven Systems 500 für das Gesundheitswesen, das so konfiguriert ist, dass es medizinische Behandlungsempfehlungen für Patienten bereitstellt. Man sollte sich jedoch darüber im Klaren sein, dass dies lediglich eine beispielhafte Umsetzung ist und in anderen Ausführungsformen des kognitiven Systems 500 für das Gesundheitswesen andere Arbeitsschritte im Gesundheitswesen umgesetzt werden können, ohne von dem Sinngehalt und Umfang der vorliegenden Erfindung abzuweichen.
Außerdem sollte man sich darüber im Klaren sein, dass, obwohl 5 den Patienten 502 und den Benutzer 506 als menschliche Gestalten darstellt, die Interaktionen mit und zwischen diesen Entitäten unter Verwendung von Datenverarbeitungseinheiten, medizinischen Geräten und/oder dergleichen durchgeführt werden können, so dass es sich bei den Entitäten 502 und 506 tatsächlich um Datenverarbeitungseinheiten handeln kann, z.B. Client-Datenverarbeitungseinheiten. Zum Beispiel können die Interaktionen 504, 514, 516 und 530 zwischen dem Patienten 502 und dem Benutzer 506 mündlich durchgeführt werden, z.B. durch einen Arzt, der einen Patienten befragt, und können die Verwendung von einem oder mehreren medizinischen Instrumenten, einer oder mehreren Überwachungseinheiten oder dergleichen umfassen, um Informationen zu sammeln, die als Patientenattribute 518 in das kognitive System 500 für das Gesundheitswesen eingegeben werden können. Interaktionen zwischen dem Benutzer 506 und dem kognitiven System 500 für das Gesundheitswesen erfolgen elektronisch über eine (nicht gezeigte) Benutzer-Datenverarbeitungseinheit, wie zum Beispiel eine Client-Datenverarbeitungseinheit 310 oder 312 in 3, die mit dem kognitiven System 500 für das Gesundheitswesen über eine oder mehrere Datenübertragungsverbindungen und möglicherweise ein oder mehrere Datennetzwerke Daten austauscht.
Wie in 5 gezeigt ist, schildert ein Patient 502 gemäß einer veranschaulichenden Ausführungsform einem Benutzer 506 wie zum Beispiel einem praktischen Arzt, Techniker oder dergleichen, Symptome 504 einer Erkrankung. Der Benutzer 506 kann mit dem Patienten 502 über ein Austauschen von Fragen 514 und Rückmeldungen 516 interagieren, wobei der Benutzer weitere Informationen über den Patienten 502, die Symptome 504 und die Erkrankung des Patienten 502 einholt. Man sollte sich darüber im Klaren sein, dass die Fragen/Rückmeldungen tatsächlich auch dafür stehen können, dass der Benutzer 506 Informationen von dem Patienten 502 unter Verwendung verschiedener medizinischer Geräte einholt, z.B. Blutdrucküberwachungseinheiten, Thermometer, tragbare Gesundheits- und Aktivitätsüberwachungseinheiten, die mit dem Patienten verbunden sind, wie zum Beispiel ein FitBit™, ein tragbarer Herzmonitor oder jedes beliebige andere medizinische Gerät, das ein oder mehrere medizinische Merkmale des Patienten 502 überwachen kann. In einigen Fällen kann es sich bei derartigen medizinischen Geräten um medizinische Geräte handeln, die üblicherweise in Krankenhäusern oder medizinischen Zentren zum Überwachen von Vitalzeichen und Erkrankungen von Patienten verwendet werden, die sich zur Beobachtung oder medizinischen Behandlung in Krankenhausbetten befinden.
Als Reaktion darauf sendet der Benutzer 502 eine Anforderung 508 an das kognitive System 500 für das Gesundheitswesen, wie zum Beispiel über eine Benutzerschnittstelle auf einer Client-Datenverarbeitungseinheit, die so konfiguriert ist, dass Benutzer dem kognitiven System 500 für das Gesundheitswesen Anforderungen in einem Format zusenden können, welches das kognitive System 500 für das Gesundheitswesen parsen und verarbeiten kann. Die Anforderung 508 kann Informationen enthalten oder mit Informationen versehen sein, die Patientenattribute 518, die von dem Benutzer 506 diagnostizierte Erkrankung oder dergleichen identifizieren. Diese Patientenattribute 518 können zum Beispiel eine Kennung des Patienten 502 enthalten, aus der EPAs 522 des Patienten für den Patienten abgerufen werden können, demografische Informationen über den Patienten, die Symptome 504 und andere relevante Informationen, die aus den Rückmeldungen 516 zu den Fragen 514 gewonnen werden, oder Informationen, die von medizinischen Geräten erhalten werden, die zum Überwachen oder Einholen von Daten über den Zustand des Patienten 502 verwendet werden. Beliebige Informationen über den Patienten 502, die möglicherweise für eine kognitive Bewertung des Patienten durch das kognitive System 500 für das Gesundheitswesen relevant sind, können in der Anforderung 508 und/oder den Patientenattributen 518 enthalten sein.
Das kognitive System 500 für das Gesundheitswesen stellt ein kognitives System bereit, das speziell so konfiguriert ist, dass es einen umsetzungsspezifischen, auf das Gesundheitswesen ausgerichteten kognitiven Vorgang durchführt. In dem abgebildeten Beispiel ist dieser auf das Gesundheitswesen ausgerichtete kognitive Vorgang darauf ausgerichtet, dem Benutzer 506 eine Behandlungsempfehlung 528 bereitzustellen, um den Benutzer 506 beim Behandeln des Patienten 502 zu unterstützen, und zwar beruhend auf den berichteten Symptomen 504, der Erkrankung und anderen Informationen, die über den Patienten 502 durch den Prozess der Fragen 514 und Rückmeldungen 516 und/oder die Überwachung durch medizinische Geräte/Datenerfassung eingeholt wurden. Das kognitive System 500 für das Gesundheitswesen arbeitet mit der Anforderung 508 und den Patientenattributen 518 unter Nutzung von Informationen, die aus dem medizinischen Korpus und anderen Quelldaten 526, Behandlungsrichtliniendaten 524 und den dem Patienten 502 zugehörigen Patienten-EPAs 522 eingeholt werden, um eine oder mehrere Behandlungsempfehlungen 528 zu erstellen. Die Behandlungsempfehlungen 528 können in einer Rangfolge mit dazugehörigen unterstützenden Belegen dargestellt werden, die aus den Patientenattributen 518 und den Datenquellen 522 bis 526 erhalten werden, wobei der Grund angegeben wird, aus dem die Behandlungsempfehlung 528 bereitgestellt wird und warum sie in der Rangfolge aufgeführt ist, in der sie aufgeführt ist.
Zum Beispiel kann das kognitive System 500 für das Gesundheitswesen auf der Grundlage der Anforderung 508 und der Patientenattribute 518 mit der Anforderung arbeiten, wie zum Beispiel durch Verwenden einer QA-Pipeline-artigen Verarbeitung, wie hierin beschrieben, um die Anforderung 508 und die Patientenattribute 518 zu parsen, um zu ermitteln, was angefordert wird und nach welchen Kriterien die Anforderung erstellt werden soll, wie durch die Patientenattribute 518 identifiziert, und kann verschiedene Arbeitsschritte zum Erstellen von Abfragen durchführen, die an die Datenquellen 522 bis 526 gesendet werden, um Daten abzurufen, in Frage kommende Behandlungsempfehlungen (oder Antworten auf die Eingabefrage) zu erstellen und diese in Frage kommenden Behandlungsempfehlungen auf der Grundlage der in den Datenquellen 522 bis 526 gefundenen Belege zu bewerten. In dem abgebildeten Beispiel handelt es sich bei den Patienten-EPAs 522 um ein Patienteninformations-Repository, das Patientendaten aus einer Vielfalt von Quellen sammelt, z.B. von Krankenhäusern, Labors, Arztpraxen, Krankenversicherungen, Apotheken, usw. In den Patienten-EPAs 522 sind verschiedene Informationen über einzelne Patienten, wie zum Beispiel den Patienten 502, in einer Weise (strukturiert, unstrukturiert oder einer Mischung aus strukturierten und unstrukturierten Formaten) gespeichert, dass die Informationen durch das kognitive System 500 für das Gesundheitswesen abgerufen und verarbeitet werden können. Diese Patienteninformationen können verschiedene demografische Informationen über Patienten, persönliche Kontaktinformationen über Patienten, Beschäftigungsinformationen, Krankenversicherungsinformationen, Laborberichte, Arztberichte von Praxisbesuchen, Krankenhausdiagramme, Verlaufsinformationen bezüglich früherer Diagnosen, Symptome, Behandlungen, Verschreibungsinformationen usw. aufweisen. Auf der Grundlage einer Kennung des Patienten 502 können die entsprechenden EPAs 522 des Patienten aus diesem Patienten-Repository durch das kognitive System 500 für das Gesundheitswesen abgerufen und durchsucht/verarbeitet werden, um Behandlungsempfehlungen 528 zu erstellen.
Die Behandlungsrichtliniendaten 524 stellen eine Wissensbasis medizinischen Wissens bereit, die zum Identifizieren von möglichen Behandlungen für einen Patienten auf der Grundlage der Patientenattribute 518 und der in den EPAs 522 des Patienten dargestellten Verlaufsinformationen verwendet wird. Diese Behandlungsrichtliniendaten 524 können aus offiziellen Behandlungsleitlinien und Richtlinien erhalten werden, die von medizinischen Behörden, z.B. von der American Medical Association, veröffentlicht werden, können aus weithin akzeptierten medizinischen Arzt- und Referenztexten, z.B. der Physician's Desk Reference, Leitlinien von Versicherungsgesellschaften oder dergleichen, erhalten werden. Die Behandlungsrichtliniendaten 524 können in jeder beliebigen geeigneten Form bereitgestellt werden, die von dem kognitiven System 500 für das Gesundheitswesen aufgenommen werden kann, darunter sowohl strukturierte als auch unstrukturierte Formate.
In einigen Fällen können derartige Behandlungsrichtliniendaten 524 in Form von Regeln bereitgestellt werden, welche die Kriterien angeben, die vorhanden sein müssen und/oder nicht vorhanden sein dürfen, damit die entsprechende Behandlung für einen bestimmten Patienten zum Behandeln eines bestimmten Symptoms oder eines bestimmten Leidens/einer bestimmten Erkrankung anwendbar ist. Zum Beispiel können die Behandlungsrichtliniendaten 524 eine Behandlungsempfehlungsregel aufweisen, die angibt, dass für eine Behandlung mit Decitabin strenge Kriterien für den Einsatz einer derartigen Behandlung gelten, nämlich dass der Patient 502 nicht älter als 60 Jahre ist, an akuter myeloischer Leukämie (AML) leidet und keine Anzeichen einer Herzerkrankung aufweist. Somit liegen für einen Patienten 502, der 59 Jahre alt ist, an AML leidet und sich in seinen Patientenattributen 518 oder Patienten-EPAs keine Belege finden, die auf Anzeichen einer Herzerkrankung hindeuten, folgende Bedingungen der Behandlungsregel vor:
Alter <= 60 Jahre = 59 (ERFÜLLT);
Patient leidet an AML = AML (ERFÜLLT); und
Herzerkrankung = falsch (ERFÜLLT)
Da alle Kriterien der Behandlungsregel durch die spezifischen Informationen über diesen Patienten 502 erfüllt werden, ist die Behandlung mit Decitabin eine in Frage kommende Behandlung, die für diesen Patienten 502 in Betracht gezogen werden kann. Wäre der Patient jedoch 69 Jahre alt, wäre das erste Kriterium nicht erfüllt gewesen, und die Behandlung mit Decitabin wäre keine in Frage kommende Behandlung, die für diesen Patienten 502 in Betracht gezogen werden kann. Verschiedene mögliche Behandlungsempfehlungen können durch das kognitive System 500 für das Gesundheitswesen auf der Grundlage der aufgenommenen Behandlungsrichtliniendaten 524 ausgewertet werden, um Teilsätze von in Frage kommenden Behandlungen zur weiteren Berücksichtigung durch das kognitive System 500 für das Gesundheitswesen zu identifizieren, indem derartige in Frage kommenden Behandlungen auf der Grundlage von beweiskräftigen Daten bewertet werden, die aus den Patienten-EPAs 522 und aus dem medizinischen Korpus und den anderen Quelldaten 526 erhalten werden.
Zum Beispiel können Data-Mining-Prozesse eingesetzt werden, um die Daten in den Quellen 522 und 526 auszuwerten, um beweiskräftige Daten zu identifizieren, welche die Anwendbarkeit der in Frage kommenden Behandlungen auf den bestimmten Patienten 502 unterstützen und/oder ausschließen, wie durch die Patientenattribute 518 und EPAs 522 des Patienten beschrieben wird. Zum Beispiel stellen die Ergebnisse des Data-Minings für jedes der Kriterien der Behandlungsregel einen Satz von Belegen bereit, der ein Anwenden der Behandlung in den Fällen unterstützt, in denen das Kriterium „ERFÜLLT“ lautet, und in Fällen, in denen das Kriterium „NICHT ERFÜLLT“ lautet. Das kognitive System 500 für das Gesundheitswesen verarbeitet die Belege gemäß verschiedenen Algorithmen der kognitiven Logik, um für jede in Frage kommende Behandlungsempfehlung eine Konfidenz-Bewertung zu erstellen, die eine Konfidenz angibt, dass die entsprechende in Frage kommende Behandlungsempfehlung für den Patienten 502 stichhaltig ist. Die in Frage kommenden Behandlungsempfehlungen können dann nach ihren Konfidenz-Bewertungen eingestuft und dem Benutzer 506 als eine Rangliste von Behandlungsempfehlungen 528 dargestellt werden. In einigen Fällen wird lediglich eine höchstrangige oder endgültige Antwort als Behandlungsempfehlung 528 herausgegeben. Die Behandlungsempfehlung 528 kann dem Benutzer 506 auf eine Weise dargestellt werden, dass die zugrundeliegenden Belege, die durch das kognitive System 500 für das Gesundheitswesen ausgewertet wurden, zugänglich sind, wie zum Beispiel über eine Recherche-Schnittstelle, so dass der Benutzer 506 die Gründe erkennen kann, warum die Behandlungsempfehlung 528 von dem kognitiven System 500 für das Gesundheitswesen bereitgestellt wird.
Ein Beispiel für ein kognitives System 500 für das Gesundheitswesen, das umgesetzt und abgeändert werden kann, um die Arbeitsschritte des kognitiven Behandlungsempfehlungssystems 540 einer oder mehrerer der veranschaulichenden Ausführungsformen in sich aufzunehmen, wird in der ebenfalls anhängigen und gemeinsam zugewiesenen U.S.-Patentanmeldung 15/262,311 beschrieben, die am 12. September 2016 eingereicht wurde und den Titel „Medical Condition Independent Engine for Medical Treatment Recommendation System“ trägt und hiermit durch Bezugnahme aufgenommen wird. Man sollte sich darüber im Klaren sein, dass dies nur ein Beispiel für ein kognitives System für das Gesundheitswesen ist, mit dem die Mechanismen der veranschaulichenden Ausführungsformen genutzt werden können. Die Mechanismen der veranschaulichenden Ausführungsformen können mit jedem beliebigen kognitiven System für das Gesundheitswesen umgesetzt werden, das EPA-Daten des Patienten und Daten über in Frage kommende Behandlungen auswertet, um eine Behandlungsempfehlung zum Behandeln des Patienten zu erstellen.
Gemäß den veranschaulichenden Ausführungsformen hierin wird das kognitive System 500 für das Gesundheitswesen dahingehend erweitert, dass es das Rahmenwerk 100 zum Erlernen von Zusammenhängen zwischen Mustern mit mehreren Arzneimitteln und UAWs enthält oder in Verbindung diesem arbeitet, das auf die zuvor in Bezug auf das gleichartige System 100 in 1 und eine oder mehrere der oben beschriebenen veranschaulichenden Ausführungsformen beschriebene Weise arbeitet. Die Abbildung in 5 zeigt einen Laufzeit-Arbeitsschritt des kognitiven Behandlungsempfehlungssystems 500 zur Unterstützung bei der Auswertung von in Frage kommenden Behandlungen für einen bestimmten Patienten. Insofern wird davon ausgegangen, dass das Rahmenwerk bereits seine ersten Arbeitsschritte zum Aufnehmen eines Korpus bzw. von Korpora von Informationen durchgeführt hat, um Kausalmodell-Datenstrukturen, Datenstrukturen mit Informationen über Störfaktoren und dergleichen zu erstellen, wie zum Beispiel vorstehend beschrieben.
Während des Laufzeit-Arbeitsschrittes erstellt das kognitive System 500 für das Gesundheitswesen in Frage kommende Behandlungen für den Patienten und stellt diese Informationen zusammen mit Patienteninformationen, z.B. EPA-Informationen des Patienten, darunter Informationen zur Arzneimittelhistorie, dem Rahmenwerk 100 bereit. Das Rahmenwerk 100 kann in der abgebildeten beispielhaften Ausführungsform eine Logik aufweisen, welche die in Frage kommenden Behandlungen analysiert, um die Arzneimittel zu identifizieren, die in den in Frage kommenden Behandlungen enthalten sind, die Arzneimittel identifiziert, die als dem Patienten aktiv für die gleiche oder eine andere Erkrankung verabreicht angegeben werden, für welche die in Frage kommenden Behandlungen angedacht werden, um dadurch die Arzneimittel zu identifizieren, die der Patient einnimmt, und die Arzneimittel, die dem Patienten möglicherweise in Zukunft verabreicht werden, falls die verschiedenen in Frage kommenden Behandlungen zum Behandeln des Patienten ausgewählt werden. Die mehreren Arzneimittelmuster und zugehörigen UAWs oder UAW-Gruppen, die mit den identifizierten Arzneimitteln zusammenhängen, können über das Kausalmodell 145 abgerufen werden bzw. sind über dieses zugänglich, und es können Hinweise auf potenzielle UAWs und als Störfaktoren wirkende Arzneimittel für die in Frage kommenden Behandlungen erstellt werden. Diese Informationen können dem kognitiven System 500 für das Gesundheitswesen zur Verwendung beim Auswerten der Konfidenz und/oder der Rangfolge der in Frage kommenden Behandlungen wieder bereitgestellt werden, wie zum Beispiel durch Herabstufen der Konfidenz-Bewertungen und/oder der Rangfolge von in Frage kommenden Behandlungen, bei denen eine Wahrscheinlichkeit des Erzeugens einer unerwünschten Arzneimittelwirkung (UAW) bestimmt wird.
Wie zuvor erwähnt, kann diese Behandlungsempfehlung 528 in einigen veranschaulichenden Ausführungsformen eine Rangliste von in Frage kommenden Behandlungen mit entsprechenden Erklärungen enthalten, warum bestimmte in Frage kommende Behandlungen beruhend auf Wechselwirkungen zwischen Arzneimitteln niedriger eingestuft werden. Diese Erklärungen können auf die spezifischen Arzneimittel in den Wechselwirkungen zwischen Arzneimitteln, d.h. den Mustern mit mehreren Arzneimitteln, hinweisen, die aufgrund der Wahrscheinlichkeit einer UAW zu einer Herabstufung der Rangfolge der in Frage kommenden Behandlung führen. Die Ausgabe der Behandlungsempfehlung 528 kann eine grafische Benutzeroberfläche oder einen anderen geeigneten Benachrichtigungsmechanismus aufweisen.
Obwohl 5 mit einer Interaktion zwischen dem Patienten 502 und einem Benutzer 506 abgebildet ist, bei dem es sich um einen Fachmann im Gesundheitswesen wie zum Beispiel einen Arzt, eine Krankenschwester, einen Arzthelfer, einen Labortechniker oder eine beliebige andere im Gesundheitswesen tätige Person handeln kann, erfordern die veranschaulichenden Ausführungsformen dies nicht. Vielmehr kann der Patient 502 direkt mit dem kognitiven System 500 für das Gesundheitswesen interagieren, ohne eine Interaktion mit dem Benutzer 506 durchführen zu müssen, und der Benutzer 506 kann mit dem kognitiven System 500 für das Gesundheitswesen interagieren, ohne mit dem Patienten 502 interagieren zu müssen. Zum Beispiel kann der Patient 502 im ersten Fall von dem kognitiven System 500 für das Gesundheitswesen Behandlungsempfehlungen 528 anfordern 508, die direkt auf den Symptomen 504 beruhen, die der Patient 502 dem kognitiven System 500 für das Gesundheitswesen bereitgestellt hat. Außerdem kann das kognitive System 500 für das Gesundheitswesen tatsächlich über eine Logik verfügen, um automatisch Fragen 514 an den Patienten 502 zu stellen und Rückmeldungen 516 von dem Patienten 502 zu empfangen, um beim Sammeln von Daten zum Erstellen von Behandlungsempfehlungen 528 zu helfen. Im letzteren Fall kann der Benutzer 506 lediglich auf den zuvor eingeholten und in den Patienten-EPAs 522 vorhandenen Informationen beruhend arbeiten, indem er eine Anforderung 508 zusammen mit den Patientenattributen 518 sendet und als Reaktion darauf von dem kognitiven System 500 für das Gesundheitswesen Behandlungsempfehlungen erhält. Folglich ist die Abbildung in 5 lediglich ein Beispiel und sollte nicht so gedeutet werden, dass die abgebildeten bestimmten Interaktionen erforderlich sind, wenn viele Abänderungen vorgenommen werden können, ohne von dem Sinngehalt und Umfang der vorliegenden Erfindung abzuweichen. Man sollte sich jedoch darüber im Klaren sein, dass die Behandlung selbst zu keinem Zeitpunkt ohne vorherige Zustimmung der den Patienten behandelnden medizinischen Fachkraft dem Patienten 502 gewährt werden sollte, d.h. endgültige Entscheidungen über für einen Patienten angewendete Behandlungen fallen immer der medizinischen Fachkraft oder dem medizinischen Fachpersonal zu, wobei die Mechanismen der veranschaulichenden Ausführungsformen lediglich als Beratungsinstrument für die medizinische Fachkraft oder das medizinische Fachpersonal (Benutzer 506) und/oder den Patienten 502 dienen.
Wie vorstehend erwähnt, kann das kognitive System 500 für das Gesundheitswesen eine Pipeline zum Verarbeiten von Anforderungen enthalten, wie zum Beispiel die Pipeline 308 zum Verarbeiten von Anforderungen in 3, die in einigen veranschaulichenden Ausführungsformen als eine Fragebeantwortungs- (QA-) Pipeline umgesetzt sein kann. Die QA-Pipeline kann eine Eingabefrage empfangen, wie zum Beispiel „Was ist die geeignete Behandlung für Patient P?“, oder eine Anforderung wie zum Beispiel „Diagnostizieren und Bereitstellen einer Behandlungsempfehlung für Patient P.“ In einigen Fällen kann die QA-Pipeline eine Eingabefrage wie zum Beispiel „Welche UAWs wird der Patient wahrscheinlich erleiden?“ oder eine Anforderung wie zum Beispiel „Nenne die UAWs, die der Patient möglicherweise erleidet“ empfangen.
6 veranschaulicht eine QA-Pipeline eines kognitiven Systems für das Gesundheitswesen wie zum Beispiel des kognitiven Systems 500 für das Gesundheitswesen in 5 bzw. eine Umsetzung des kognitiven Systems 300 in 3 zum Verarbeiten einer Eingabefrage gemäß einer veranschaulichenden Ausführungsform. Man sollte sich darüber im Klaren sein, dass die in 6 gezeigten Stufen der QA-Pipeline als eine oder mehrere Software-Steuerungsroutine, -Komponenten oder dergleichen umgesetzt sind, die mit einer Logik zum Umsetzen der der jeweiligen Stufe zugeordneten Funktionalität konfiguriert sind. Jede Stufe wird unter Verwendung einer oder mehrerer derartiger Software-Steuerungsroutinen, -Komponenten oder dergleichen umgesetzt. Die Software-Steuerungsroutinen, -Komponenten usw. werden auf einem oder mehreren Prozessoren eines/einer oder mehrerer Datenverarbeitungssysteme oder -einheiten ausgeführt und nutzen oder arbeiten mit Daten, die in einer oder mehreren Datenspeichereinheiten, Hauptspeichern oder dergleichen auf einem oder mehreren der Datenverarbeitungssysteme gespeichert sind. Die QA-Pipeline aus 6 wird zum Beispiel in einer oder mehreren der Stufen erweitert, um den verbesserten Mechanismus der nachfolgend beschriebenen veranschaulichenden Ausführungsformen umzusetzen, wobei zusätzliche Stufen bereitgestellt werden können, um den verbesserten Mechanismus umzusetzen, oder es kann eine von der Pipeline 600 getrennte Logik bereitgestellt werden, um eine Schnittstelle mit der Pipeline 600 herzustellen und die verbesserte Funktionalität und die Arbeitsschritte der veranschaulichenden Ausführungsformen umzusetzen.
Wie in 6 gezeigt ist, weist die QA-Pipeline 600 eine Mehrzahl von Arbeitsschritten 610 bis 680 auf, anhand derer das kognitive System arbeitet, um eine Eingabefrage zu analysieren und eine endgültige Rückmeldung zu erstellen. In einer Ausgangsfrage-Eingabestufe 610 empfängt die QA-Pipeline 600 eine Eingabefrage, die in einem Format in natürlicher Sprache dargestellt wird. Das heißt, ein Benutzer gibt über eine Benutzerschnittstelle eine Eingabefrage ein, auf die der Benutzer eine Antwort erhalten möchte, z.B. „Welche medizinischen Behandlungen für Diabetes sind auf einen 60 Jahre alten Patienten mit einer Herzerkrankung anwendbar?“ Als Reaktion auf ein Empfangen der Eingabefrage parst die nächste Stufe der QA-Pipeline 600, d.h. die Frage- und Themenanalysestufe 620, die Eingabefrage unter Verwendung von Techniken der natürlichen Sprachverarbeitung (NLP), um Hauptmerkmale aus der Eingabefrage zu extrahieren und die Hauptmerkmale nach Typen einzustufen, z.B. nach Namen, Daten oder einem beliebigen aus einer Fülle an anderen definierten Themen. In einer Frage der Art „Wer waren Washingtons engste Berater?“ kann der Begriff „wer“ zum Beispiel mit einem Thema für „Personen“ in Zusammenhang stehen, was darauf hinweist, dass die Identität einer Person gesucht wird, „Washington“ kann als Eigenname einer Person identifiziert werden, mit der die Frage zusammenhängt, „engste“ kann als ein Wort identifiziert werden, das auf Nähe oder eine Beziehung hinweist, und „Berater“ kann auf ein Substantiv oder ein anderes sprachliches Thema hindeuten. In ähnlicher Weise kann in der vorhergehenden Frage „medizinische Behandlungen“ mit Pharmazeutika, medizinischen Vorgehensweisen, ganzheitlichen Behandlungen oder dergleichen in Zusammenhang stehen, „Diabetes“ kennzeichnet eine bestimmte Erkrankung, „60 Jahre alt“ gibt ein Alter des Patienten an, und „Herzerkrankung“ deutet auf eine bestehende Erkrankung des Patienten hin.
Zusätzlich enthalten die extrahierten Hauptmerkmale Schlüsselwörter und Wortfolgen, die in Frageeigenschaften eingestuft sind, wie zum Beispiel den Fokus der Frage, den lexikalischen Antworttyp (LAT) der Frage und dergleichen. Bei einem lexikalischen Antworttyp (LAT) handelt es sich bei der Bezeichnung hierin um ein Wort in der Eingabefrage oder ein daraus abgeleitetes Wort, das die Art der Antwort angibt, unabhängig vom Zuweisen der Semantik zu diesem Wort. In der Frage „Welches Manöver wurde in den 1500er-Jahren erfunden, um das Spiel zu beschleunigen und geht mit zwei Spielsteinen derselben Farbe einher?“ handelt es sich bei dem LAT zum Beispiel um die Zeichenfolge „Manöver“. Der Fokus einer Frage ist der Teil der Frage, der, wenn er durch die Antwort ersetzt wird, die Frage zu einer eigenständigen Aussage macht. In der Frage „Welches Arzneimittel lindert nachweislich die Symptome von ADS mit relativ wenigen Nebenwirkungen?“ liegt der Fokus zum Beispiel auf „Arzneimittel“, denn wenn dieses Wort durch die Antwort ersetzt würde, könnte z.B. die Antwort „Adderall“ dazu verwendet werden, den Begriff „Arzneimittel“ zu ersetzen, um den Satz „Adderall lindert nachweislich die Symptome von ADS mit relativ wenigen Nebenwirkungen“ zu erzeugen. Der Fokus enthält oft, aber nicht immer, den LAT. Auf der anderen Seite ist es in vielen Fällen nicht möglich, aus dem Fokus einen aussagekräftigen LAT abzuleiten.
Unter erneuter Bezugnahme auf 6 werden die identifizierten Hauptmerkmale dann in der Fragezerlegungsstufe 630 verwendet, um die Frage in eine oder mehrere Abfragen zu zerlegen, die auf die Daten-/Informationskorpora 645 angewendet werden, um eine oder mehrere Hypothesen zu erstellen. Die Abfragen werden in einer beliebigen bekannten oder später entwickelten Abfragesprache erstellt, wie zum Beispiel SQL (Structured Query Language, strukturierte Abfrage-Sprache) oder dergleichen. Die Abfragen werden auf eine oder mehrere Datenbanken angewendet, in denen Informationen über die elektronischen Texte, Dokumente, Artikel, Webseiten und dergleichen gespeichert sind, aus denen sich die Daten-/Informationskorpora 645 zusammensetzen. Das heißt, diese verschiedenen Quellen selbst, verschiedene Quellensammlungen und dergleichen stellen innerhalb der Korpora 645 einen anderen Korpus 647 dar. Für verschiedene Dokumentensammlungen können unterschiedliche Korpora 647 definiert werden, die je nach der jeweiligen Umsetzung auf verschiedenen Kriterien beruhen. Zum Beispiel können verschiedene Korpora für verschiedene Themen, Gegenstandskategorien, Informationsquellen oder dergleichen erstellt werden. Als ein Beispiel kann ein erster Korpus mit Dokumenten aus dem Gesundheitswesen in Zusammenhang stehen, während ein zweiter Korpus mit Finanzdokumenten in Zusammenhang stehen kann. Alternativ dazu kann es sich bei einem Korpus um Dokumente handeln, die vom US-Energieministerium veröffentlicht wurden, während es sich bei einem anderen Korpus um IBM Redbooks-Dokumente handeln kann. Jede beliebige Sammlung von Inhalten mit einem ähnlichen Attribut kann als Korpus 647 innerhalb der Korpora 645 betrachtet werden.
Die Abfragen werden auf eine oder mehrere Datenbanken angewendet, in denen Informationen über die elektronischen Texte, Dokumente, Artikel, Webseiten und dergleichen gespeichert sind, aus denen sich der Daten-/lnformationskorpus zusammensetzt, z.B. der Datenkorpus 106 in 1. Die Abfragen werden in der Hypothesenerstellungsstufe 640 auf den Daten-/Informationskorpus angewendet, um Ergebnisse zu erstellen, die mögliche Hypothesen zum Beantworten der Eingabefrage identifizieren, die dann ausgewertet werden können. Das heißt, die Anwendung der Abfragen führt zur Extraktion von Teilen des Daten-/Informationskorpus, die mit den Kriterien der jeweiligen Abfrage übereinstimmen. Diese Teile des Korpus werden dann analysiert und in der Hypothesenerstellungsstufe 640 verwendet, um Hypothesen zum Beantworten der Eingabefrage zu erstellen. Diese Hypothesen werden hierin auch als „in Frage kommende Antworten“ für die Eingabefrage bezeichnet. Für jede beliebige Eingabefrage können in dieser Stufe 640 Hunderte von Hypothesen oder in Frage kommende Antworten erstellt werden, die möglicherweise ausgewertet werden müssen.
Die QA-Pipeline 600 in Stufe 650 führt dann eine ausführliche Analyse und einen Vergleich der Sprache der Eingabefrage und der Sprache jeder Hypothese oder „in Frage kommenden Antwort“ durch und führt einen Bewertungsvorgang für die Belege durch, um die Wahrscheinlichkeit zu bewerten, dass es sich bei der bestimmten Hypothese um eine richtige Antwort auf die Eingabefrage handelt. Wie vorstehend erwähnt, geht dies mit einem Verwenden einer Mehrzahl von Schlussfolgerungsalgorithmen einher, von denen jeder eine getrennte Art der Analyse der Sprache der Eingabefrage und/oder des Inhalts des Korpus durchführt, die Belege zugunsten bzw. nicht zugunsten der Hypothese bereitstellt. Jeder Schlussfolgerungsalgorithmus erstellt auf der Grundlage der von ihm durchgeführten Analyse eine Bewertung, die eine Messgröße für die Relevanz der einzelnen Teile des durch Anwendung der Abfragen extrahierten Daten-/Informationskorpus sowie eine Messgröße für die Richtigkeit der entsprechenden Hypothese, d.h. eine Messgröße für die Konfidenz in die Hypothese, angibt. Es gibt verschiedene Möglichkeiten zum Erstellen derartiger Bewertungen, je nachdem, welche bestimmte Analyse durchgeführt wird. Im Allgemeinen suchen diese Algorithmen jedoch nach bestimmten Begriffen, Wortfolgen oder Textmustern, die auf Begriffe, Wortfolgen oder Muster hindeuten, die von Interesse sind, und ermitteln einen Übereinstimmungsgrad, wobei höhere Übereinstimmungsgrade relativ höhere Bewertungen erhalten als niedrigere Übereinstimmungsgrade.
So kann zum Beispiel ein Algorithmus so konfiguriert sein, dass er nach dem exakten Begriff aus einer Eingabefrage oder nach Synonymen für diesen Begriff in der Eingabefrage sucht, z.B. nach dem exakten Begriff oder den Synonymen für den Begriff „Spielfilm“, und eine Bewertung erstellt, die auf einer Häufigkeit der Verwendung dieser exakten Begriffe oder Synonyme beruht. In einem derartigen Fall erhalten exakte Übereinstimmungen die höchsten Bewertungen, während Synonyme auf der Grundlage einer relativen Rangfolge der Synonyme, die von einem Fachexperten (Person mit Kenntnissen des jeweiligen Fachgebiets und der verwendeten Terminologie) festgelegt oder automatisch aus der Häufigkeit der Verwendung des Synonyms in dem dem Fachgebiet entsprechenden Korpus ermittelt wird, niedrigere Bewertungen erhalten können. So erhält zum Beispiel eine exakte inhaltliche Übereinstimmung des Begriffs „Spielfilm“ in einem Inhalt des Korpus (auch als Beleg oder Belegtextstelle bezeichnet) die höchste Bewertung. Ein Synonym für Spielfilm, wie zum Beispiel „Kinofilm“, kann eine niedrigere Bewertung erhalten, aber immer noch höher als ein Synonym des Typs „Film“ oder „Bewegtbildvorführung“. Fälle der exakten Übereinstimmungen und Synonyme für jede Belegtextstelle können zusammengestellt und in einer quantitativen Funktion verwendet werden, um eine Bewertung für den Grad der Übereinstimmung der Belegtextstelle mit der Eingabefrage zu erstellen.
So ist zum Beispiel „The Horse in Motion“ eine Hypothese oder eine in Frage kommende Antwort auf die Eingabefrage „Was war der erste Spielfilm?“. Wenn die Belegtextstelle die Aussagen enthält: „Der erste Spielfilm, der je gedreht wurde, war ,The Horse in Motion' von Eadweard Muybridge aus dem Jahr 1878. Es war ein Spielfilm über ein galoppierendes Pferd“, und der Algorithmus sucht nach exakten Übereinstimmungen oder Synonymen mit dem Fokus auf die Eingabefrage, d.h. „Spielfilm“, dann wird eine exakte Übereinstimmung von „Spielfilm“ in dem zweiten Satz der Belegtextstelle und ein Synonym zu „Spielfilm“ mit einer hohen Bewertung, d.h. „Kinofilm“, in dem ersten Satz der Belegtextstelle gefunden. Dies kann mit einer weiteren Analyse der Belegtextstelle kombiniert werden, um zu erkennen, dass der Text der in Frage kommenden Antwort auch in der Belegtextstelle enthalten ist, d.h. „The Horse in Motion“. Diese Faktoren können kombiniert werden, um dieser Belegtextpassage eine relativ hohe Bewertung als unterstützenden Beleg dafür zu geben, dass die in Frage kommende Antwort „The Horse in Motion“ eine richtige Antwort ist.
Man sollte sich darüber im Klaren sein, dass dies lediglich ein einfaches Beispiel dafür ist, wie ein Bewertungsvorgang durchgeführt werden kann. Viele andere Algorithmen unterschiedlicher Komplexität können verwendet werden, um Bewertungen für in Frage kommende Antworten und Belege zu erstellen, ohne von dem Sinngehalt und Umfang der vorliegenden Erfindung abzuweichen.
In der Synthesestufe 660 wird die große Anzahl von Bewertungen, die von den verschiedenen Schlussfolgerungsalgorithmen erstellt werden, zu Konfidenz-Bewertungen oder Konfidenz-Messgrößen für die verschiedenen Hypothesen synthetisiert. Dieser Prozess geht mit dem Anwenden von Gewichtungen auf die verschiedenen Bewertungen einher, wobei die Gewichtungen durch Training des von der QA-Pipeline 600 eingesetzten statistischen Modells bestimmt und/oder dynamisch aktualisiert wurden. Zum Beispiel können die Gewichtungen für Bewertungen, die von Algorithmen erstellt werden, die exakt übereinstimmende Begriffe und Synonyme identifizieren, relativ höher angesetzt werden als andere Algorithmen, die Veröffentlichungsdaten für Belegtextstellen auswerten. Die Gewichtungen selbst können von Fachexperten festgelegt oder durch maschinelle Lernprozesse erlernt werden, welche die Bedeutung von Eigenschaftsbeleg-Textstellen (characteristics evidence passages) und deren relative Bedeutung für eine Erstellung von in Frage kommenden Antworten insgesamt auswerten.
Die gewichteten Bewertungen werden gemäß einem statistischen Modell verarbeitet, das durch Training der QA-Pipeline 600 erstellt wird und eine Art und Weise identifiziert, wie diese Bewertungen kombiniert werden können, um eine Konfidenz-Bewertung oder eine Messgröße für die einzelnen Hypothesen oder in Frage kommenden Antworten zu erstellen. Diese Konfidenz-Bewertung oder -Messgröße fasst den Konfidenz-Pegel zusammen, den die QA-Pipeline 600 in Bezug auf den Beleg hat, dass die in Frage kommende Antwort aus der Eingabefrage gefolgert wird, d.h. dass die in Frage kommende Antwort die richtige Antwort für die Eingabefrage ist.
Die sich daraus ergebenden Konfidenz-Bewertungen oder -Messgrößen werden durch eine abschließende Konfidenz-Zusammenführungs- und -Einstufungsstufe 670 verarbeitet, welche die Konfidenz-Bewertungen und -Messgrößen miteinander vergleicht, sie mit vorgegebenen Schwellenwerten vergleicht oder eine andere Analyse der Konfidenz-Bewertungen durchführt, um festzustellen, welche Hypothesen/in Frage kommenden Antworten am wahrscheinlichsten die richtige Antwort auf die Eingabefrage sind. Die Hypothesen/in Frage kommenden Antworten werden gemäß dieser Vergleiche in eine Rangfolge gebracht, um eine Rangliste von Hypothesen/in Frage kommenden Antworten zu erstellen (im Folgenden einfach als „in Frage kommende Antworten“ bezeichnet). Aus der Rangliste von in Frage kommenden Antworten werden in Stufe 680 eine endgültige Antwort und eine endgültige Konfidenz-Bewertung bzw. ein endgültiger Satz von in Frage kommenden Antworten und Konfidenz-Bewertungen erstellt und über eine grafische Benutzerschnittstelle oder einen anderen Mechanismus zum Ausgeben von Informationen an den Einreichenden der ursprünglichen Eingabefrage ausgegeben.
Wie in 6 gezeigt ist, kann das Rahmenwerk 100 gemäß einer veranschaulichenden Ausführungsform Wechselwirkungen zwischen mehreren Arzneimitteln oder Muster mit mehreren Arzneimitteln und deren Zusammenhänge mit UAWs oder UAW-Gruppen sowie mit als Störfaktoren wirkenden Arzneimitteln und dergleichen während eines anfänglichen Aufnahme-Arbeitsschritts zum Aufnehmen von Teilen der Korpora 645 aufnehmen und erlernt diese, wozu auch EPA-Daten von Patienten mit Informationen zur Arzneimittelhistorie, medizinische Referenzdokumente usw. gehören können, wie oben bereits erörtert wurde. Das Rahmenwerk 100 kann ein Kausalmodell 145 beruhend auf dem Verarbeiten der Komponenten 120 bis 140 und ein Patientenmodell 175 beruhend auf dem Kausalmodell und dem Arbeitsschritt einer oder mehrerer der Komponenten 150 bis 170 erstellen. Diese Modelle können verwendet werden, um derartige Beziehungen zwischen Mustern mit mehreren Arzneimitteln und UAWs oder UAW-Gruppen zu identifizieren.
Wie in 6 gezeigt ist, können die verschiedenen in Frage kommenden Behandlungen, die in der Hypothesenerstellungsstufe 640 der Pipeline 600 als Hypothesen erstellt wurden, dem Rahmenwerk 100 bereitgestellt werden, das eine Logik zum Anwenden der erlernten Beziehungen oder Zusammenhänge zwischen Mustern mit mehreren Arzneimitteln und UAWs und Informationen über als Störfaktoren wirkende Arzneimittel auf die in Frage kommenden Behandlungen und Patienteninformationen aufweisen kann, um potenzielle UAWs zu erkennen, die der Patient erleiden könnte. Dies kann mit einem Anwenden der Informationen aus dem Patientenmodell 175 und dem Kausalmodell 145 auf die spezifischen Kombinationen von Arzneimitteln verbunden sein, die der Patient einnimmt und die er einnehmen darf, und zwar beruhend auf den in Frage kommenden Behandlungen. Das Rahmenwerk 100 kann dann alle identifizierten UAWs und Störfaktor-informationen für die in Frage kommenden Behandlungen an die Hypothesen- und Belegbewertungsstufenlogik 650 der Pipeline zurückgeben, die diese Informationen zum Erstellen von Bewertungen und Rangfolgen für die verschiedenen in Frage kommenden Behandlungen verwenden kann. Die restliche Verarbeitung durch die Pipeline 600 kann wie vorstehend beschrieben fortgesetzt werden, so dass eine oder mehrere endgültige Antworten bezüglich der in Frage kommenden Behandlung erstellt werden.
Somit weisen die veranschaulichenden Ausführungsformen Mechanismen zum Aufbauen eines Kausalmodells auf, das Regeln aufweist, die kausale Beziehungen zwischen mehreren Arzneimitteln und entsprechenden unerwünschten Arzneimittelwirkungen (UAWs) oder UAW-Gruppen angeben. Das Aufbauen dieses Kausalmodells weist eine ausführliche Analyse von Belegen aus Beobachtungsstudien (RWE) auf, die möglicherweise auf verschiedenen Ressourcendatenstrukturen beruhen, die Kenntnisse zum Bewerten von Begriffen, Wortfolgen, Codes usw. bereitstellen, die auf Beziehungen zwischen Arzneimitteln und UAWs hinweisen. Das Aufbauen des Kausalmodells weist ein Identifizieren von Koinzidenzen von Arzneimitteln und UAWs in den RWE, ein Identifizieren von als Störfaktoren wirkenden Arzneimitteln in diesen Koinzidenzen und ein Herausfiltern der Koinzidenzen von Arzneimitteln und UAWs auf, bei denen derartige als Störfaktoren wirkende Arzneimittel vorhanden sind. Das aufgebaute Kausalitätsmodell kann die Regeln aufweisen, bei denen keine als Störfaktoren wirkende Arzneimittel vorhanden sind, so dass jede UAW oder UAW-Gruppe einen zugehörigen Satz von einer oder mehreren Regeln aufweisen kann, der kausale Beziehungen von zwei oder mehr Arzneimitteln mit der UAW oder UAW-Gruppe angibt. Dieses Kausalmodell kann dann auf andere Patientendaten angewendet werden, um eine Wahrscheinlichkeit zu ermitteln, dass der Patient beruhend auf den von diesem Patienten eingenommenen Arzneimitteln möglicherweise eine UAW erfährt. Eine derartige Anwendung des Kausalmodells auf spezifische Patientendaten kann in Verbindung mit anderen kognitiven Vorgängen durchgeführt werden, die, wie oben erwähnt, von einem kognitiven System durchgeführt werden. So wird der Arbeitsschritt des kognitiven Systems durch die Umsetzung des durch die veranschaulichenden Ausführungsformen erstellten Kausalmodells verbessert, das tatsächliche reale kausale Beziehungen aufweist, wobei Störfaktoren entfernt wurden.
7 ist ein Ablaufplan, der einen beispielhaften Vorgang zum Erlernen von Beziehungen zwischen Mustern mit mehreren Arzneimitteln und unerwünschten Arzneimittelwirkungen sowie zum Herausfiltern von als Störfaktoren wirkenden Arzneimitteln gemäß einer veranschaulichenden Ausführungsform umreißt. Wie in 7 gezeigt ist, beginnt der Vorgang mit einem Empfangen von Belegen aus Beobachtungsstudien (RWE) für eine Mehrzahl von Patienten (Schritt 710). Koinzidenzen von Arzneimitteln und UAWs werden in den RWE identifiziert (Schritt 720), was mit einem Anwenden von Wissen einhergehen kann, das aus verschiedenen Ressourcendatenstrukturen aus verschiedenen Ressourceninformationsquellen erhalten wurde, und mit verschiedenen Arbeitsschritten einhergehen kann, wie zum Beispiel verschiedene Arbeitsschritte der natürlichen Sprachverarbeitung, wie zuvor bereits ausgeführt wurde.
Als Störfaktoren wirkende Arzneimittel in den erkannten Koinzidenzen werden identifiziert (Schritt 730). Wie oben erwähnt wurde, kann dies mit einem Prozess des Auswertens von Verbesserungsbewertungen und Vergleichen mit Schwellenwerten einhergehen, um festzustellen, ob Kombinationen von Arzneimitteln eine nennenswerte Verbesserung gegenüber Teilkombinationen innerhalb dieser Kombinationen aufweisen, z.B. führt ein Hinzufügen von Arzneimittel C zu der Teilkombination AB zu einer ausreichend nennenswerten Verbesserung des Zusammenhangs zwischen ABC und der UAW von P im Vergleich zu der Zusammenhangsbewertung von AB zu P. Wenn dies nicht der Fall ist, dann ist C höchstwahrscheinlich ein als Störfaktor wirkendes Arzneimittel. Koinzidenzen, bei denen das Vorhandensein von als Störfaktoren wirkenden Arzneimitteln festgestellt wird, können von der weiteren Betrachtung ausgeschlossen, z.B. herausgefiltert, werden (Schritt 740). Obwohl die als Störfaktoren wirkenden Arzneimittel herausgefiltert werden, können sie für einen Meldemechanismus erkannt werden, wie zum Beispiel für die Logik 160 für gemeinsame Störfaktoren in 1, um derartige Störfaktoren an kognitive Systeme, an Ressourcen-Informationsquellen oder dergleichen zu melden. Ein Kausalitätsmodell wird dann auf der Grundlage der verbleibenden Koinzidenzen von Arzneimitteln und UAWs erstellt und kann zur Verwendung durch ein kognitives System bereitgestellt werden (Schritt 750). Der Vorgang kann zwar an diesem Punkt enden, doch veranschaulicht der Ablaufplan darüber hinaus der Vollständigkeit halber die Umsetzung des Kausalmodells mit dem kognitiven System, um einen anderen Patienten zu bewerten.
Auf der Grundlage des Kausalitätsmodells wird für jede UAW ein Regelwerk festgelegt, das die kausalen Beziehungen zwischen Kombinationen von Arzneimitteln und der UAW angibt (Schritt 760). Die Regeln werden auf Arzneimitteldaten eines anderen Patienten angewendet, um ein Patientenmodell für den anderen Patienten zu erstellen, das die Wahrscheinlichkeit von UAWs beruhend auf Arzneimitteln in den Arzneimitteldaten des Patienten angibt (Schritt 770). Das Patientenmodell kann einem kognitiven System bereitgestellt werden (Schritt 780), das auf der Grundlage des Patientenmodells kognitive Vorgänge, z.B. Arbeitsschritte zur Behandlungsempfehlung, durchführt, z.B. auf der Grundlage der Wahrscheinlichkeiten von UAWs, die mit dem Patienten aufgrund der Einnahme der Arzneimittel durch den Patienten in Zusammenhang stehen, wie durch das Kausalmodell angegeben wird, das mittels der Mechanismen der veranschaulichenden Ausführungsformen aufgebaut wurde (Schritt 790). Der Vorgang endet dann.
Wie oben angemerkt, sollte man sich darüber im Klaren sein, dass die veranschaulichenden Ausführungsformen als vollständige Hardware-Ausführungsform, als vollständige Software-Ausführungsform oder als Ausführungsform, die sowohl Hardware- als auch Software-Elemente enthält, ausgeführt werden können. In einer beispielhaften Ausführungsform sind die Mechanismen der veranschaulichenden Ausführungsformen als Software oder Programmcode realisiert, darunter Firmware, im Speicher befindliche Software, Mikrocode usw., aber nicht darauf beschränkt.
Ein zum Speichern und/oder Ausführen von Programmcode geeignetes Datenverarbeitungssystem enthält zumindest einen Prozessor, der direkt oder indirekt über einen Datenübertragungsbus wie zum Beispiel einen Systembus mit Speicherelementen verbunden ist. Zu den Speicherelementen können ein lokaler Speicher, der während der eigentlichen Ausführung des Programmcodes eingesetzt wird, Massenspeicher sowie Cache gehören, die eine vorübergehende Speicherung von zumindest etwas Programmcode bereitstellen, um die Häufigkeit zu verringern, mit der Code während der Ausführung von dem Massenspeieher abgerufen werden muss. Bei dem Speicher kann es sich um verschiedene Typen handeln, darunter ROM, PROM, EPROM, EEPROM, DRAM, SRAM, Flash-Speicher, Halbleiterspeicher und dergleichen, aber nicht darauf beschränkt.
Eingabe/Ausgabe- bzw. E/A-Einheiten (darunter Tastaturen, Anzeigen, Zeigegeräte usw., ohne darauf beschränkt zu sein) können entweder direkt oder über mitbeteiligte drahtgebundene oder drahtlose E/A-Schnittstellen und/oder Steuereinheiten oder dergleichen mit dem System verbunden sein. E/A-Einheiten können neben herkömmlichen Tastaturen, Anzeigen, Zeigegeräten und dergleichen viele verschiedene Formen annehmen, wie zum Beispiel Datenübertragungseinheiten, die über drahtgebundene oder drahtlose Verbindungen angeschlossen sind, darunter Smartphones, Tablet-Computer, Einheiten mit berührungsempfindlichem Bildschirm, Spracherkennungseinheiten und dergleichen, aber nicht darauf beschränkt. Es ist beabsichtigt, dass alle bekannten oder später entwickelten E/A-Einheiten in den Umfang der veranschaulichenden Ausführungsformen fallen.
Es können auch Netzwerkadapter mit dem System verbunden sein, um es dem Datenverarbeitungssystem zu ermöglichen, über mitbeteiligte private oder öffentliche Netzwerke mit anderen Datenverarbeitungssystemen oder entfernt angeordneten Druckern oder Speichereinheiten verbunden zu werden. Modems, Kabelmodems und Ethernet-Karten sind nur einige wenige der momentan verfügbaren Arten von Netzwerkadaptern für einen drahtgebundenen Datenaustausch. Auf drahtloser Datenübertragung beruhende Netzwerkadapter können ebenfalls genutzt werden, darunter drahtlose Datenübertragungsadapter nach 802.11 a/b/g/n, drahtlose Bluetooth-Adapter und dergleichen, aber nicht darauf beschränkt. Es ist beabsichtigt, dass alle bekannten oder später entwickelten Netzwerkadapter dem Sinngehalt und dem Umfang der vorliegenden Erfindung entsprechen.
Die Beschreibung der vorliegenden Erfindung wurde zum Zwecke der Veranschaulichung und Beschreibung aufgeführt und soll nicht gesamthaft stehen für bzw. begrenzt sein auf die Erfindung in der dargelegten Form. Für Fachleute werden viele Abänderungen und Abwandlungen ersichtlich sein, ohne von dem Umfang der beschriebenen Ausführungsformen abzuweichen. Die Ausführungsform wurde gewählt und beschrieben, um die Grundgedanken der Erfindung und die praktische Anwendung bestmöglich zu erläutern und um es anderen Fachleuten zu ermöglichen, die Erfindung für verschiedene Ausführungsformen mit verschiedenen Abänderungen, die für eine bestimmte vorgesehene Verwendung geeignet sind, zu verstehen. Die hierin verwendete Terminologie wurde gewählt, um die Grundgedanken der Ausführungsformen, die praktische Anwendung oder technische Verbesserung gegenüber auf dem Markt vorgefundenen Technologien bestmöglich zu erläutern oder um es anderen Fachleuten zu ermöglichen, die hierin dargelegten Ausführungsformen zu verstehen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 15/262311 [0118]

Zitierte Nicht-Patentliteratur

Harpaz et al. in „Mining Multi-Item Drug Adverse Effect Associations in Spontaneous Reporting Systems“, BMC Bioinformatics, 28. Oktober 2010; 11(9):S7 [0020]
Xiang et al. in „Efficiently Mining Adverse Event Reporting System for Multiple Drug Interactions“, AMIA Summits on Translational Science Proceedings, 2014; 2014:120 [0020]
Du et al. in „Graphic Mining of High-Order Drug Interactions and Their Directional Effects on Myopathy Using Electronic Medical Records“, CPT: Pharmacometrics & Systems Pharmacology, 1. August 2015; 4(8):481-8 [0020]
Yuan u.a., „Watson and Healthcare“, IBM developerWorks, 2011 [0086]
„The Era of Cognitive Systems: An Inside Look at IBM Watson and How it Works“ von Rob High, IBM Redbooks, 2012 [0086]

Claims

Verfahren in einem Datenverarbeitungssystem, das mindestens einen Prozessor und mindestens einen Hauptspeicher aufweist, wobei der mindestens eine Hauptspeicher Anweisungen aufweist, die von dem mindestens einen Prozessor ausgeführt werden, um den mindestens einen Prozessor dazu zu veranlassen, ein Rahmenwerk zum Erlernen von Zusammenhängen zwischen mehreren Arzneimitteln und unerwünschten Arzneimittelwirkungen umzusetzen, das Verfahren aufweisend: Empfangen, durch das Rahmenwerk, von Belegen aus Beobachtungsstudien, die Daten aus elektronischen Patientenakten und Daten über unerwünschte Arzneimittelwirkungen aufweisen; Analysieren, durch ein Koinzidenz-Logikmodul des Rahmenwerks, der Belege aus Beobachtungsstudien, um Koinzidenzen von Hinweisen auf Arzneimittel und Hinweisen auf unerwünschte Arzneimittelwirkungen (UAWs) zu erkennen, um dadurch in Frage kommende Regeln zu erstellen, die Beziehungen zwischen mehreren Arzneimitteln und UAWs angeben; Filtern der in Frage kommenden Regeln durch ein Störfaktor-Filter-Logikmodul des Rahmenwerks, um eine Teilmenge einer oder mehrerer Regeln zu entfernen, bei denen in der Teilmenge einer oder mehrerer in Frage kommender Regeln als Störfaktoren wirkende Arzneimittel angegeben sind, und dadurch einen gefilterten Satz von in Frage kommenden Regeln zu erstellen; und Erstellen, durch ein Kausalzusammenhangs-Logikmodul des Rahmenwerks, eines Kausalmodells beruhend auf dem gefilterten Satz von in Frage kommenden Regeln, wobei das Kausalmodell für jede UAW in einem Satz von UAWs einen entsprechenden Satz von einer oder mehreren Regeln aufweist, wobei jede Regel eine Kombination von Arzneimitteln angibt, die in einer kausalen Beziehung zu der UAW stehen.
Verfahren nach Anspruch 1, wobei das Analysieren der Belege aus Beobachtungsstudien aufweist: Erkennen sämtlicher Koinzidenzen von Hinweisen auf Arzneimittel und Hinweisen auf UAWs in den Belegen aus Beobachtungsstudien; Erstellen der in Frage kommenden Regeln auf der Grundlage der erkannten Koinzidenzen, wobei jede in Frage kommende Regel ein Arzneimittelmuster, das eine Mehrzahl von Arzneimitteln kennzeichnet, und eine entsprechende UAW angibt; und Auswählen einer Teilmenge der in Frage kommenden Regeln als Grundlage zum Erstellen der in Frage kommenden Beziehungen zwischen mehreren Arzneimitteln und UAWs auf der Grundlage einer Unterstützungsmetrik und/oder einer Konfidenz-Metrik, wobei die Unterstützungsmetrik eine Anzahl von Fällen der Koinzidenz entsprechend der in Frage kommenden Regel in den Belegen aus Beobachtungsstudien misst, und wobei die Konfidenz-Metrik für eine in Frage kommende Regel eine Wahrscheinlichkeit der UAW angesichts der Arzneimittel in dem Arzneimittelmuster der in Frage kommenden Regel misst.
Verfahren nach Anspruch 2, wobei das Erkennen sämtlicher Koinzidenzen von Hinweisen auf Arzneimittel und Hinweisen auf UAWs in den Belegen aus Beobachtungsstudien aufweist: Durchführen einer natürlichen Sprachverarbeitung der Belege aus Beobachtungsstudien, um Begriffe, Wortfolgen und/oder medizinische Codes zu identifizieren, die Hinweise auf Arzneimittel und Hinweise auf UAWs kennzeichnen; Berechnen von relativen Abständen innerhalb der Belege aus Beobachtungsstudien zwischen jedem identifizierten Begriff, jeder identifizierten Wortfolge oder jedem identifizierten medizinischen Code, die Hinweise auf Arzneimittel und Hinweise auf UAWs kennzeichnen; und Erkennen von Koinzidenzen auf der Grundlage der relativen Abstände.
Verfahren nach Anspruch 2, wobei das Auswählen einer Teilmenge von in Frage kommenden Regeln für jede in Frage kommende Regel aufweist: Erzeugen einer Kontingenztabellen-Datenstruktur, wobei jeder Eintrag in der Kontingenztabellen-Datenstruktur eine Anzahl von elektronischen Patientenakten aufweist, die eine Bedingung der dem Eintrag entsprechenden Zeile und Spalte der Kontingenztabellen-Datenstruktur erfüllen, wobei: eine erste Zeile der Kontingenztabellen-Datenstruktur elektronischen Patientenakten entspricht, die alle Arzneimittel in dem Arzneimittelmuster der in Frage kommenden Regel enthalten, eine zweite Zeile der Kontingenztabellen-Datenstruktur elektronischen Patientenakten entspricht, die keines der Arzneimittel in dem Arzneimittelmuster der in Frage kommenden Regel enthalten, eine erste Spalte der Kontingenztabellen-Datenstruktur den elektronischen Patientenakten entspricht, welche die UAW in der in Frage kommenden Regel enthalten, und eine zweite Spalte der Kontingenztabellen-Datenstruktur den elektronischen Patientenakten entspricht, welche die UAW in der in Frage kommenden Regel nicht enthalten.
Verfahren nach Anspruch 1, wobei das Filtern der in Frage kommenden Regeln für jede in Frage kommende Regel ein Berechnen einer Zusammenhangsbewertungsmetrik aufweist, die eine Stärke des Zusammenhangs zwischen dem in der in Frage kommenden Regel dargestellten Arzneimittelmuster und der in der in Frage kommenden Regel dargestellten UAW misst.
Verfahren nach Anspruch 5, wobei jede in Frage kommende Regel ein entsprechendes Arzneimittelmuster und eine entsprechende unerwünschte Arzneimittelwirkung angibt, und wobei das Filtern der in Frage kommenden Regeln darüber hinaus aufweist: Berechnen, für jede erste in Frage kommende Regel, einer Verbesserungsmetrik, die einen Umfang von Verbesserungen einer entsprechenden Zusammenhangsbewertung für die erste in Frage kommende Regel gegenüber einer Zusammenhangsbewertung für eine andere, zweite in Frage kommende Regel angibt, die ein Teilmuster des entsprechenden Arzneimittelmusters der ersten in Frage kommenden Regel und die entsprechende unerwünschte Arzneimittelwirkung der ersten in Frage kommenden Regel angibt; und Ermitteln, für jede erste in Frage kommende Regel auf der Grundlage eines Wertes der Verbesserungsmetrik, ob die erste in Frage kommende Regel beibehalten oder die erste in Frage kommende Regel entfernt werden soll.
Verfahren nach Anspruch 6, wobei das Ermitteln, für jede erste in Frage kommende Regel auf der Grundlage eines Wertes der Verbesserungsmetrik, ob die erste in Frage kommende Regel beibehalten oder die erste in Frage kommende Regel entfernt werden soll, aufweist: Vergleichen der Verbesserungsmetrik, die der ersten in Frage kommenden Regel entspricht, mit einem Verbesserungsmetrik-Schwellenwert; als Reaktion darauf, dass die Verbesserungsmetrik, die der ersten in Frage kommenden Regel entspricht, nicht gleich oder größer als der Verbesserungsmetrik-Schwellenwert ist, Feststellen, dass ein als Störfaktor wirkendes Arzneimittel in dem entsprechenden Arzneimittelmuster der ersten in Frage kommenden Regel vorhanden ist; und Erkennen des als Störfaktor wirkenden Arzneimittels in dem entsprechenden Arzneimittelmuster auf der Grundlage eines Unterschieds zwischen dem entsprechenden Arzneimittelmuster und dem Teilmuster.
Verfahren nach Anspruch 1, darüber hinaus aufweisend: Auswerten von Daten aus einer anderen elektronischen Patientenakte durch Anwenden des Kausalmodells auf in den Daten aus der anderen elektronischen Patientenakte vorhandene Daten zur Arzneimittelhistorie, um Wahrscheinlichkeiten zu ermitteln, dass ein Patient eine oder mehrere UAWs aus dem Satz von UAWs erfährt; und Erstellen eines Patientenmodells für den Patienten auf der Grundlage der ermittelten Wahrscheinlichkeiten, dass der Patient eine oder mehrere UAWs aus dem Satz von UAWs erfährt.
Verfahren nach Anspruch 8, darüber hinaus aufweisend: Eingeben des Patientenmodells in ein kognitives System, welches das Patientenmodell umsetzt, um einen auf dem Patientenmodell beruhenden kognitiven Vorgang durchzuführen.
Verfahren nach Anspruch 9, wobei es sich bei dem kognitiven Vorgang um einen Vorgang zur Behandlungsempfehlung handelt, der einem praktischen Arzt eine Behandlungsempfehlung bereitstellt, die auf einer Auswertung der Daten aus einer anderen elektronischen Patientenakte durch das kognitive System und dem Patientenmodell beruht.
Computerprogrammprodukt, das ein durch einen Computer lesbares Speichermedium aufweist, auf dem ein durch einen Computer lesbares Programm gespeichert ist, wobei das durch einen Computer lesbare Programm bei Ausführung auf einer Datenverarbeitungseinheit die Datenverarbeitungseinheit veranlasst zum: Empfangen von Belegen aus Beobachtungsstudien, die Daten aus elektronischen Patientenakten und Daten über unerwünschte Arzneimittelwirkungen aufweisen; Analysieren der Belege aus Beobachtungsstudien durch ein auf der Datenverarbeitungseinheit ausgeführtes Koinzidenz-Logikmodul, um Koinzidenzen von Hinweisen auf Arzneimittel und Hinweisen auf unerwünschte Arzneimittelwirkungen (UAWs) zu erkennen, um dadurch in Frage kommende Regeln zu erstellen, die Beziehungen zwischen mehreren Arzneimitteln und UAWs angeben; Filtern der in Frage kommenden Regeln durch ein auf der Datenverarbeitungseinheit ausgeführtes Störfaktor-Filter-Logikmodul, um eine Teilmenge einer oder mehrerer Regeln zu entfernen, bei denen in der Teilmenge einer oder mehrerer in Frage kommender Regeln als Störfaktoren wirkende Arzneimittel angegeben sind, und dadurch einen gefilterten Satz von in Frage kommenden Regeln zu erstellen; und Erstellen, durch ein auf der Datenverarbeitungseinheit ausgeführtes Kausalzusammenhangs-Logikmodul, eines Kausalmodells beruhend auf dem gefilterten Satz von in Frage kommenden Regeln, wobei das Kausalmodell für jede UAW in einem Satz von UAWs einen entsprechenden Satz von einer oder mehreren Regeln aufweist, wobei jede Regel eine Kombination von Arzneimitteln angibt, die in einer kausalen Beziehung zu der UAW stehen.
Computerprogrammprodukt nach Anspruch 11, wobei das durch einen Computer lesbare Programm darüber hinaus die Datenverarbeitungseinheit veranlasst zum Analysieren der Belege aus Beobachtungsstudien, zumindest durch: Erkennen sämtlicher Koinzidenzen von Hinweisen auf Arzneimittel und Hinweisen auf UAWs in den Belegen aus Beobachtungsstudien; Erstellen der in Frage kommenden Regeln auf der Grundlage der erkannten Koinzidenzen, wobei jede in Frage kommende Regel ein Arzneimittelmuster, das eine Mehrzahl von Arzneimitteln kennzeichnet, und eine entsprechende UAW angibt; und Auswählen einer Teilmenge der in Frage kommenden Regeln als Grundlage zum Erstellen der in Frage kommenden Beziehungen zwischen mehreren Arzneimitteln und UAWs auf der Grundlage einer Unterstützungsmetrik und/oder einer Konfidenz-Metrik, wobei die Unterstützungsmetrik eine Anzahl von Fällen der Koinzidenz entsprechend der in Frage kommenden Regel in den Belegen aus Beobachtungsstudien misst, und wobei die Konfidenz-Metrik für eine in Frage kommende Regel eine Wahrscheinlichkeit der UAW angesichts der Arzneimittel in dem Arzneimittelmuster der in Frage kommenden Regel misst.
Computerprogrammprodukt nach Anspruch 12, wobei das durch einen Computer lesbare Programm darüber hinaus die Datenverarbeitungseinheit veranlasst zum Identifizieren aller Koinzidenzen von Hinweisen auf Arzneimittel und eines Hinweises auf UAWs in den Belegen aus Beobachtungsstudien, zumindest durch: Durchführen einer natürlichen Sprachverarbeitung der Belege aus Beobachtungsstudien, um Begriffe, Wortfolgen und/oder medizinische Codes zu identifizieren, die Hinweise auf Arzneimittel und Hinweise auf UAWs kennzeichnen; Berechnen von relativen Abständen innerhalb der Belege aus Beobachtungsstudien zwischen jedem identifizierten Begriff, jeder identifizierten Wortfolge oder jedem identifizierten medizinischen Code, die Hinweise auf Arzneimittel und Hinweise auf UAWs kennzeichnen; und Erkennen von Koinzidenzen auf der Grundlage der relativen Abstände.
Computerprogrammprodukt nach Anspruch 12, wobei das durch einen Computer lesbare Programm darüber hinaus die Datenverarbeitungseinheit veranlasst zum Auswählen einer Teilmenge von in Frage kommenden Regeln für jede in Frage kommende Regel, zumindest durch: Erzeugen einer Kontingenztabellen-Datenstruktur, wobei jeder Eintrag in der Kontingenztabellen-Datenstruktur eine Anzahl von elektronischen Patientenakten aufweist, die eine Bedingung der dem Eintrag entsprechenden Zeile und Spalte der Kontingenztabellen-Datenstruktur erfüllen, wobei: eine erste Zeile der Kontingenztabellen-Datenstruktur elektronischen Patientenakten entspricht, die alle Arzneimittel in dem Arzneimittelmuster der in Frage kommenden Regel enthalten, eine zweite Zeile der Kontingenztabellen-Datenstruktur elektronischen Patientenakten entspricht, die keines der Arzneimittel in dem Arzneimittelmuster der in Frage kommenden Regel enthalten, eine erste Spalte der Kontingenztabellen-Datenstruktur den elektronischen Patientenakten entspricht, welche die UAW in der in Frage kommenden Regel enthalten, und eine zweite Spalte der Kontingenztabellen-Datenstruktur den elektronischen Patientenakten entspricht, welche die UAW in der in Frage kommenden Regel nicht enthalten.
Computerprogrammprodukt nach Anspruch 11, wobei das durch einen Computer lesbare Programm darüber hinaus die Datenverarbeitungseinheit veranlasst zum Filtern der in Frage kommenden Regeln zumindest durch Berechnen einer Zusammenhangsbewertungsmetrik für jede in Frage kommende Regel, die eine Stärke des Zusammenhangs zwischen dem in der in Frage kommenden Regel dargestellten Arzneimittelmuster und der in der in Frage kommenden Regel dargestellten UAW misst.
Computerprogrammprodukt nach Anspruch 15, wobei jede in Frage kommende Regel ein entsprechendes Arzneimittelmuster und eine entsprechende unerwünschte Arzneimittelwirkung angibt, und wobei das durch einen Computer lesbare Programm darüber hinaus die Datenverarbeitungseinheit veranlasst zum Filtern der in Frage kommenden Regeln, zumindest durch: Berechnen, für jede erste in Frage kommende Regel, einer Verbesserungsmetrik, die einen Umfang von Verbesserungen einer entsprechenden Zusammenhangsbewertung für die erste in Frage kommende Regel gegenüber einer Zusammenhangsbewertung für eine andere, zweite in Frage kommende Regel angibt, die ein Teilmuster des entsprechenden Arzneimittelmusters der ersten in Frage kommenden Regel und die entsprechende unerwünschte Arzneimittelwirkung der ersten in Frage kommenden Regel angibt; und Ermitteln, für jede erste in Frage kommende Regel auf der Grundlage eines Wertes der Verbesserungsmetrik, ob die erste in Frage kommende Regel beibehalten oder die erste in Frage kommende Regel entfernt werden soll.
Computerprogrammprodukt nach Anspruch 16, wobei das durch einen Computer lesbare Programm darüber hinaus die Datenverarbeitungseinheit veranlasst zum Ermitteln, für jede in Frage kommende Regel, auf der Grundlage eines Wertes der Verbesserungsmetrik, ob die in Frage kommende Regel beibehalten oder die in Frage kommende Regel entfernt werden soll, zumindest durch: Vergleichen der Verbesserungsmetrik, die der ersten in Frage kommenden Regel entspricht, mit einem Verbesserungsmetrik-Schwellenwert; als Reaktion darauf, dass die Verbesserungsmetrik, die der ersten in Frage kommenden Regel entspricht, nicht gleich oder größer als der Verbesserungsmetrik-Schwellenwert ist, Feststellen, dass ein als Störfaktor wirkendes Arzneimittel in dem entsprechenden Arzneimittelmuster der ersten in Frage kommenden Regel vorhanden ist; und Erkennen des als Störfaktor wirkenden Arzneimittels in dem entsprechenden Arzneimittelmuster auf der Grundlage eines Unterschieds zwischen dem entsprechenden Arzneimittelmuster und dem Teilmuster.
Computerprogrammprodukt nach Anspruch 11, wobei das durch einen Computer lesbare Programm darüber hinaus die Datenverarbeitungseinheit veranlasst zum: Auswerten von Daten aus einer anderen elektronischen Patientenakte durch Anwenden des Kausalmodells auf in den Daten aus der anderen elektronischen Patientenakte vorhandene Daten zur Arzneimittelhistorie, um Wahrscheinlichkeiten zu ermitteln, dass ein Patient eine oder mehrere UAWs aus dem Satz von UAWs erfährt; und Erstellen eines Patientenmodells für den Patienten auf der Grundlage der ermittelten Wahrscheinlichkeiten, dass der Patient eine oder mehrere UAWs aus dem Satz von UAWs erfährt.
Computerprogrammprodukt nach Anspruch 18, wobei das durch einen Computer lesbare Programm darüber hinaus die Datenverarbeitungseinheit veranlasst zum: Eingeben des Patientenmodells in ein kognitives System, welches das Patientenmodell umsetzt, um einen kognitiven Vorgang auf der Grundlage des Patientenmodells durchzuführen, wobei es sich bei dem kognitiven Vorgang um einen Vorgang zur Behandlungsempfehlung handelt, der einem praktischen Arzt eine Behandlungsempfehlung bereitstellt, die auf einer Auswertung der Daten aus der anderen elektronischen Patientenakte durch das kognitive System und dem Patientenmodell beruht.
Vorrichtung, aufweisend: mindestens einen Prozessor; und mindestens einen Hauptspeicher, der mit dem mindestens einen Prozessor gekoppelt ist, wobei der mindestens eine Hauptspeicher Anweisungen aufweist, die bei Ausführung durch den mindestens einen Prozessor den mindestens einen Prozessor zum Durchführen des Verfahrens nach einem der Ansprüche 1 bis 10 veranlassen.