EP4241284A1 - Computerimplementiertes verfahren und vorrichtung zum durchführen einer medizinischen laborwertanalyse - Google Patents

Computerimplementiertes verfahren und vorrichtung zum durchführen einer medizinischen laborwertanalyse

Info

Publication number
EP4241284A1
EP4241284A1 EP21801453.8A EP21801453A EP4241284A1 EP 4241284 A1 EP4241284 A1 EP 4241284A1 EP 21801453 A EP21801453 A EP 21801453A EP 4241284 A1 EP4241284 A1 EP 4241284A1
Authority
EP
European Patent Office
Prior art keywords
laboratory
value
time
historical
values
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21801453.8A
Other languages
English (en)
French (fr)
Inventor
Nico Schmid
Severin SCHRICKER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch Krankenhaus GmbH
Original Assignee
Robert Bosch Krankenhaus GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Krankenhaus GmbH filed Critical Robert Bosch Krankenhaus GmbH
Publication of EP4241284A1 publication Critical patent/EP4241284A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis

Definitions

  • the invention relates to the evaluation of medical laboratory variables, in particular haematology, urine diagnostics, clinical chemistry and the like.
  • the present invention relates to measures for patient-specific specification of reference ranges for the detection of pathological deviations.
  • Laboratory values of medical diagnostics are usually evaluated by medical personnel. These laboratory values are usually collected by a medical laboratory or similar institutions and are made available to a doctor together with reference ranges specific to these values. These reference values are mostly "normal ranges" documented by studies, such as the 2.5% - 97.5% interquantile range of a healthy population, i.e. the range within which the respective value can be observed in 95 out of 100 healthy people. In some cases, reference values are also adjusted depending on gender, age, weight or other patient characteristics. Laboratory results that fall outside of this reference range are flagged separately to highlight their deviation/pathology. In addition, in the case of particularly critical values, ie results that pose a direct risk to the patient, special processes are implemented in many laboratories to quickly provide this information to the doctor.
  • a computer-implemented method for providing at least one prognosis value for at least one medical laboratory variable, in particular for use in a medical laboratory value analysis is provided, with the following steps:
  • At least one laboratory value profile which indicates a profile of historical laboratory values of the at least one laboratory variable at at least two historical points in time; determining at least one laboratory variable for each of the at least one laboratory variable from the corresponding laboratory value profile;
  • Determination of the at least one prognosis value at a predetermined prognosis time depending on a trained, data-based prognosis model and depending on the at least one laboratory variable characteristic for each of the at least one laboratory value course.
  • the prognosis model is additionally designed to, in addition to the at least one laboratory parameter, patient data such as age, gender, BMI and other biometric data such as height, weight and/or a diagnosis, a finding, a therapy and/or a medication to consider.
  • a doctor evaluates laboratory variables, such as variables from hematology or urine diagnostics, mostly statically using the pathological values of the laboratory variables marked by the laboratory.
  • the classification as pathological is usually based on defined reference limit values or reference ranges.
  • An evaluation over time of laboratory values is not automated. This means that problematic trends can easily be overlooked, especially in the case of previously inconspicuous values, i.e. values of laboratory variables that are within the medical reference range but still indicate a pathology.
  • the above computer-implemented method is intended to provide an automated evaluation of medical laboratory size profiles and to specify a correspondingly adapted reference range for each size, which indicates an indication of pathological deviations in the relevant laboratory value.
  • at least one laboratory variable is extracted from the respective laboratory value curves, which characterizes the curve of the corresponding laboratory variable.
  • a computer-aided evaluation of laboratory value trends is able to take into account all available laboratory values and their correlations and, if necessary, other patient data such as age, gender, weight, height, medical history, existing previous illnesses and the like with the help of an evaluation model and to provide the doctor with assistance
  • To give interpretation of a laboratory value by defining the reference range for each laboratory value is determined based on a model and is provided in addition to the laboratory value. This enables medical professionals to evaluate every laboratory value not only with regard to a "normal range", such as the 2.5%-97.5% interquantile range of a healthy population, but also based on an individual reference range and taking into account the historical trends of laboratory variables.
  • the prognosis model can be trained to provide at least one predicted laboratory value depending on the laboratory variable characteristics, which corresponds to the at least one prognosis value at the specified prognosis time.
  • a course of prognosis values can be determined at a number of prognosis points in time in order to determine a point in time at which the prognosis value exceeds a predefined limit value, with the point in time in particular being able to determine a point in time for a medical intervention, such as the administration of medication.
  • the prognosis model can be trained to provide at least one predicted quantile value as the at least one prognosis value at the specified prognosis time, depending on the laboratory variable characteristics.
  • the quantile value can indicate an upper or lower limit value of a reference range for the at least one laboratory variable at the forecast time, with the result of a comparison of a current laboratory value of the at least one laboratory variable with the corresponding quantile value at the current point in time being signaled as the forecast time.
  • the laboratory size characteristics for each of the laboratory sizes may include one or more of the following characteristics: a minimum value of the historical laboratory values, different quantile values such as the first and third quartiles and the median; the mean of the historical laboratory values, a maximum value of the historical laboratory values, a standard deviation of the historical laboratory values, a length of time by which the last recorded historical laboratory value dates back to the current point in time, a length of time by which the penultimate historical laboratory value dates back to the current point in time, a length of time by which the oldest laboratory value dates back to the current point in time, an average of the time intervals between the acquisition times of the historical laboratory values, a most recent historical laboratory value, a second most recent historical laboratory value, a value of the last gradient between the second most recent and most recent historical laboratory value, a time duration to a first outlier among the historical laboratory values, a point in time to the most recent outlier among the historical Laboratory values, a number of historical laboratory values classified as outliers, a maximum increase between two consecutive historical laboratory values collected,
  • the prognosis model can include a deep neural network, a convolutional neural network, a recurrent neural network, a support vector machine, a random forest model, a hidden Markov chain model or a generalized linear model.
  • a method for training a data-based prognosis model in particular for use with the above method, is provided, with the following steps:
  • each of the at least one laboratory value profile indicating a profile of historical laboratory values of the at least one laboratory parameter at at least three historical points in time;
  • each training data set is formed as a label from the at least one laboratory variable characteristic for the at least one laboratory variable and the laboratory value of the at least one laboratory variable at the label time;
  • FIG. 1 shows a system for carrying out a laboratory value analysis
  • FIG. 2 shows a flowchart to illustrate a method for carrying out a laboratory value analysis
  • Figures 3a to 3c corresponding graphical representation of courses and trends of a laboratory parameter of an exemplary patient and the prognosis values determined by the method.
  • FIG. 1 shows a conventional computer system 1 with a computer unit 2, an input device 3 and an output device 4 in the form of a monitor or the like.
  • the computer unit 2 serves to process historical laboratory values of a patient with the aid of a processor unit 21 based on software and to provide assistance in the evaluation of current laboratory values.
  • the software and the patient's laboratory values are stored on a data memory 22 in the computer unit 2 .
  • the data memory 22 stores parameters of a prognosis model described below.
  • the software is executed by the processor unit 21 and accesses the laboratory values stored in the data memory 22 .
  • the computer unit 2 can automatically or manually receive laboratory values of laboratory variables and process them.
  • Figure 2 shows a flowchart to illustrate a method for laboratory value analysis, which is intended to make it easier for medical personnel, such as a doctor, to potentially identify an indication of a possible pathology in current and future laboratory values and, if necessary, to take treatment measures based on the results of the laboratory value analysis .
  • the method initially provides for historical laboratory values from the data memory of the computer unit to be made available in step S1.
  • the historical laboratory values can be laboratory values of hematology, urine diagnostics, clinical chemistry, swab diagnostics or the like. In particular, depending on the type of laboratory variables recorded, a large number of laboratory values can be recorded for the laboratory variables.
  • laboratory variables can be determined in a hematological blood test: AST/GOT, leukocytes, erythrocytes, hemoglobin, hematocrit, MCV, MCH, MCHC, thrombocytes, pH (SB status), pCO2 (SB status), standard bicarbonate, O2 -Saturation, lactate, Ca ionized, C-reactive protein, glucose, sodium, potassium, potassium from BGA, calcium, creatinine, GFR-MDRD, urea, INR (therap. range), PTT and the like.
  • step S2 current laboratory values of the laboratory variables are provided for the current point in time. These are the result of a recent examination and represent the basis for determining the current state of health of the patient.
  • the current laboratory values can entered manually into the computer system 1 or received automatically via a communication link.
  • the current laboratory values are used by the doctor to determine the therapy.
  • the following steps are intended to support the doctor in evaluating the current laboratory values of the laboratory variables, taking into account the historical laboratory values and the trends that are emerging therein.
  • laboratory size characteristics are first extracted from the historical laboratory values.
  • a number of laboratory variable characteristics which are at least partially history-dependent, are extracted for each of the laboratory variables recorded.
  • the extraction is carried out expressly without including the current laboratory values at the current time.
  • a number of laboratory variables are extracted, for example 23 laboratory variables.
  • the laboratory size characteristics for each of the laboratory sizes may include the following characteristics: a minimum value of historical laboratory values, a first quartile value of historical laboratory values, a median value of historical laboratory values, a mean value of historical laboratory values, a third quartile value of historical laboratory values, a maximum value of historical laboratory values , a standard deviation of the historical laboratory values, a period of time by which the last recorded historical laboratory value is from the current point in time, a period of time by which the penultimate historical laboratory value is from the current point in time, a period of time by which the oldest laboratory value is from the current point in time ago, an average of the time intervals between the acquisition times of the historical laboratory values, a most recent historical laboratory value, a second most recent historical laboratory value, a value of the last gradient between the second most recent n and most recent historical laboratory value, a length of time to a first outlier among the historical laboratory values, a point in time at the most recent outlier among the historical laboratory values, a number of historical laboratory values classified as outliers,
  • the feature extraction creates a so-called feature matrix in which each column represents a laboratory size feature.
  • laboratory metric traits are: mean time interval between measurements of creatinine, total number of extreme fluctuations observed in hemoglobin history, maximum level of sodium, etc.
  • the rows of the trait matrix represent the condition of a patient at a given point in time (as the sum of his traits).
  • Some machine learning models allow the use of raw data. In this case, feature extraction is not required. However, the possibility of direct input of medical expertise speaks in favor of feature extraction.
  • the 23 characteristics described above have been selected together because they are to be regarded as relevant characteristics in the course of laboratory values. Furthermore, laboratory size characteristics generated in this way offer the possibility to interpret later results more easily or to generate new questions directly (see Feature Selection).
  • step S4 the individual features, which can vary greatly both in terms of their order of magnitude and in terms of their control, are scaled by normalization. For example, scaling to the unit interval can be performed. Alternatively, scaling to a standard normal distribution can also be carried out. In principle, normalization before the feature extraction step is also possible. This could be in addition to this normalization step or instead.
  • the normalized features are supplied to a prognosis model.
  • the prognosis model determines a prognosis value that results from the time series of the laboratory variables.
  • the prognosis model is trained to create a prognosis value depending on the laboratory size characteristics.
  • the forecast value can indicate an estimated value of the respective laboratory size at the current point in time. This enables a doctor, for example, to determine a deviation from a trend manifested in the historical laboratory values, which can indicate an acute illness, for example.
  • two separately trained prognosis models can be provided, which determine an upper and lower quantile value, for example a 97.5% quantile and a 2.5% quantile, for the prognosis time from the previously determined laboratory size characteristics.
  • These can specify a reference range for evaluation or interpretation for the respective laboratory size.
  • the reference range indicates the range in which the patient-specific current laboratory value of the laboratory size in question should be or would be expected at the current time.
  • step S6 If there is a deviation from the current reference range individually determined for the patient in one or more laboratory variables, this can be signaled accordingly in step S6 for each of the laboratory variables considered, for example by a colored marking, so that the doctor is informed of the corresponding anomaly.
  • the prognosis model trained to output the current laboratory value can be queried multiple times in order to output a course, a course corridor from reference ranges or a trend of one or more laboratory variables for future points in time. It should be noted that the laboratory size characteristics partly depend on the time of the forecast and must therefore be taken into account for every query.
  • FIG. 3a shows a corresponding graphical representation of a trend of an exemplary laboratory variable of an exemplary patient.
  • a personalized prognosis for a laboratory variable K of the laboratory variable potassium is shown.
  • the courses OG, UG of the 2.5% and the 97.5% quantile were predicted for the individual patient, which are shown as dotted lines. The model thus predicts a course within this range in 95 out of 100 cases.
  • the constant upper and lower limits of the potassium value according to the conventional analysis method are shown in dashed lines.
  • FIG. 3b shows a forecast of the mean value in the future and the probable time until it leaves the standard normal range (shown as dashed constant upper and lower limits) at time T in the future.
  • FIG. 3c shows individualized courses of upper and lower limits OG, UG as dotted curves for the entire time course of the laboratory size.
  • the points in time Ti, T 2 at which a departure from the range defined by the upper and lower limits OG, UG is recognized can be recognized as pathological.
  • a scenario is shown in which only one laboratory value of a laboratory variable is identified as pathological at time T 2 using the standard method.
  • the individualized method presented here enables, in addition to T 2 , an earlier identification of a pathological laboratory value at time Ti.
  • the prognosis model can also be designed to store patient data such as age, gender and other biometric data such as height, weight and the like and/or diagnoses, findings, therapies (e.g. through ICD-10 Codes) of a medication to be taken into account.
  • patient data such as age, gender and other biometric data such as height, weight and the like and/or diagnoses, findings, therapies (e.g. through ICD-10 Codes) of a medication to be taken into account.
  • the age can also be taken into account according to the forecast time.
  • the prognosis model can be trained based on a variety of patient data.
  • time series of laboratory values of laboratory variables can be processed into training data sets as soon as the time series of laboratory variables includes three or more points in time.
  • a number of points in time can be taken into account in the time series in order to determine the laboratory size characteristics, and label data of a label point in time following the points in time taken into account, at which laboratory values were recorded.
  • the laboratory size characteristics are to be determined from the times of the laboratory values used as label data at the label time.
  • a characteristic selection step can be carried out before the actual training process of the prognosis model.
  • a so-called wrapper method can be used for this purpose. This means that the forecast model is applied to different subsets of the total laboratory size characteristics of all laboratory sizes, i.e. only to certain combinations of laboratory size characteristics. Since not every combination can be tested due to the large number, the procedure follows a predefined heuristic. For example, a variant of forward selection can be used, in which the best rated laboratory size characteristics are successively added to the currently used subset of laboratory size characteristics to be considered.
  • the result is an optimized subset of laboratory size characteristics for a certain type of prognostic value, such as a prognostic value that indicates a 2.5% quantile of a laboratory size.
  • a prognostic value that indicates a 2.5% quantile of a laboratory size.
  • backward selection, random search or other so-called Monte Carlo methods, gradient methods or the like can be used to select the predefined heuristic for subset selection.
  • Next Wrapper methods can also be used with other dimensionality reduction techniques such as Principal Component Analysis (PCA).
  • PCA Principal Component Analysis
  • the label data is evaluated according to the desired output value.
  • the label data are thus specified according to the prognosis value, which can correspond, for example, to the lower quantile value, the upper quantile value or an estimated value of the corresponding laboratory variable.
  • the training data sets determined from this are specified with the associated forecast values.
  • Neural networks, convolutional neural networks, support vector machines, random forest models, hidden Markov chain models, generalized linear models and the like can be used as possible forecast models.
  • an SVM (Support Vector Machine) implementation is used, for example with the training parameters core RGF, gamma grid 0.001 to 10, lambda grid 0.001 to 10, hyperparameter selection, five-fold cross-validation, pinball loss function with weights and 0.025 and 0.0975 for the lower and upper quantile values.
  • the loss function for training the prognosis model can reflect the question asked of the method.
  • the training can be applied to 80% of the available data sets. For the final assessment of the model prediction quality, the remaining 20% are used as test data.
  • the evaluation criteria depend on the model variant used with regard to laboratory value model goals and the like. Because the model training is independent of the test data, the quality measure obtained by this method is more robust to, and preferable to, overfitting issues such as cross-validation.

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Bereitstellen von mindestens einem Prognosewert für mindestens eine medizinische Laborgröße, insbesondere zur Anwendung in einer medizinischen Laborwertanalyse, mit folgenden Schritten: Bereitstellen (S1) von mindestens einem Laborwertverlauf, der einen Verlauf von historischen Laborwerten der mindestens einen Laborgröße zu mindestens zwei historischen Zeitpunkten angibt; Ermitteln (S3) mindestens eines Laborgrößenmerkmals für jede der mindestens einen Laborgröße aus dem entsprechenden Laborwertverlauf; Bestimmen (S5) des mindestens einen Prognosewerts zu einem vorgegebenen Prognosezeitpunkt abhängig von einem trainierten, datenbasierten Prognosemodell und abhängig von dem mindestens einen Laborgrößenmerkmal für jeden des mindestens einen Laborwertverlaufs.

Description

Beschreibung
Titel
Computerimplementiertes Verfahren und Vorrichtung zum Durchführen einer medizinischen Laborwertanalyse
Technisches Gebiet
Die Erfindung betrifft die Auswertung von medizinischen Laborgrößen, insbesondere der Hämatologie, der Urindiagnostik, der klinischen Chemie und dergleichen. Insbesondere betrifft die vorliegende Erfindung Maßnahmen zur patientenindividuellen Angabe von Referenzbereichen für die Erkennung pathologischer Abweichungen.
Technischer Hintergrund
Laborwerte der medizinischen Diagnostik, insbesondere der Hämatologie, der klinischen Chemie oder der Urindiagnostik, werden in der Regel durch medizinisches Personal ausgewertet. Diese Laborwerte werden üblicherweise durch ein medizinisches Labor oder ähnliche Einrichtungen erhoben und gemeinsam mit für diese Werte spezifischen Referenzbereichen einem Arzt zur Verfügung gestellt. Diese Referenzwerte sind meist durch Studien belegte „Normalbereiche“, wie beispielsweise der 2.5% - 97.5% Interquantilabstand einer gesunden Population, also der Bereich, innerhalb dessen bei 95 von 100 gesunden Menschen der jeweilige Wert zu beobachten ist. In einigen Fällen werden Referenzwerte auch abhängig von Geschlecht, Alter, Gewicht oder anderen Patientenmerkmalen angepasst. Laborergebnisse, deren Werte außerhalb dieses Referenzbereichs liegen, werden gesondert markiert, um deren Abweichung/Pathologie hervorzuheben. Darüber hinaus sind bei besonders kritischen Werten, d.h. Ergebnissen, die eine direkte Gefahr für den Patienten bedeuten, in vielen Laboren gesonderte Prozesse zur schnellen Bereitstellung dieser Information an den Arzt implementiert.
Eine automatische, strukturierte und standardisierte Berücksichtigung eines zeitlichen Verlaufs von Laborgrößen ist bei der Auswertung nicht vorgesehen. Falls überhaupt durchgeführt, erfolgt eine solche Verlaufsanalyse durch den Arzt auf manuelle und oftmals subjektive und intuitive Weise.
Die in der modernen Medizin sehr große Anzahl an unterschiedlichen Laborgrößen, deren oftmals unklare und vielfach unbekannte Wechselwirkungen, fehlendes Fachwissen, zensierte Datengrundlagen und mangelnde statistische Kenntnisse machen es einem Arzt faktisch unmöglich, eine pathologische Abweichung zu erkennen, die nicht durch die oben erwähnte Standardmethode erfasst wurde. Gleichzeitig geht hierdurch die Chance verloren, frühzeitig problematische Veränderungen im Gesundheitszustand eines Patienten, welche sich innerhalb des Standard-Referenzbereichs eines entsprechenden Laborwerts bemerkbar machen, zu erkennen und entsprechende medizinische Maßnahmen einzuleiten.
Offenbarung der Erfindung
Erfindungsgemäß sind ein Verfahren zum Bereitstellen einer medizinischen Laborwertanalyse gemäß Anspruch 1 sowie eine Vorrichtung gemäß dem nebengeordneten Anspruch vorgesehen.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
Gemäß einem ersten Aspekt ist ein computerimplementiertes Verfahren zum Bereitstellen von mindestens einem Prognosewert für mindestens eine medizinische Laborgröße, insbesondere zur Anwendung in einer medizinischen Laborwertanalyse, vorgesehen, mit folgenden Schritten:
Bereitstellen von mindestens einem Laborwertverlauf, der einen Verlauf von historischen Laborwerten der mindestens einen Laborgröße zu mindestens zwei historischen Zeitpunkten angibt; Ermitteln mindestens eines Laborgrößenmerkmals für jede der mindestens einen Laborgröße aus dem entsprechenden Laborwertverlauf;
Bestimmen des mindestens einen Prognosewerts zu einem vorgegebenen Prognosezeitpunkt abhängig von einem trainierten, datenbasierten Prognosemodell und abhängig von dem mindestens einen Laborgrößenmerkmal für jeden des mindestens einen Laborwertverlaufs.
Es kann weiterhin vorgesehen sein, dass das Prognosemodell zusätzlich ausgebildet ist, um neben dem mindestens einem Laborgrößenmerkmal Patientendaten, wie Alter, Geschlecht, BMI sowie sonstige biometrische Daten wie Größe, Gewicht und/oder eine Diagnose, ein Befund, eine Therapie und/oder eine Medikation zu berücksichtigen.
Üblicherweise erfolgt eine Bewertung von Laborgrößen, wie beispielsweise Größen der Hämatologie oder Urindiagnostik, durch einen Arzt meist statisch anhand der durch das Labor markierten pathologischen Werte der Laborgrößen. Die Klassifizierung als pathologisch erfolgt in der Regel nach festgelegten Referenzgrenzwerten bzw. Referenzbereichen. Eine Bewertung im zeitlichen Verlauf von Laborwerten erfolgt nicht automatisiert. Somit können problematische Trends insbesondere bei bislang unauffälligen Werten, d.h. Werten von Laborgrößen, die sich innerhalb des medizinischen Referenzbereichs bewegen, aber dennoch auf eine Pathologie hinweisen, leicht übersehen werden.
Das obige computerimplementierte Verfahren soll eine automatisierte Auswertung von medizinischen Laborgrößenverläufen bereitstellen und für jede Größe einen entsprechend angepassten Referenzbereich angeben, der einen Hinweis auf pathologische Abweichungen des betreffenden Laborwerts angibt. Dazu wird mindestens ein Laborgrößenmerkmal aus den jeweiligen Laborwertverläufen extrahiert, das den Verlauf der entsprechenden Laborgröße charakterisiert.
Eine computergestützte Bewertung von Laborwertverläufen ist in der Lage, alle zur Verfügung stehenden Laborwerte und deren Korrelationen sowie ggfs. weitere Patientendaten wie beispielsweise Alter, Geschlecht, Gewicht, Größe, Anamnese, vorhandene Vorerkrankungen und dergleichen mithilfe eines Auswertungsmodells zu berücksichtigen und dem Arzt eine Hilfestellung zur Interpretation eines Laborwerts zu geben, indem der Referenzbereich für jeden Laborwert modellbasiert ermittelt und zusätzlich zu dem Laborwert bereitgestellt wird. Dies ermöglicht es dem medizinischen Fachpersonal jeden Laborwert, nicht nur bezüglich eines „Normalbereichs“, wie beispielsweise des 2.5 %-97.5 % Interquantilabstands einer gesunden Population, sondern zusätzlich anhand eines individuellen Referenzbereiches und unter Berücksichtigung der historischen Verläufe von Laborgrößen, zu bewerten.
Weiterhin kann das Prognosemodell trainiert sein, um abhängig von den Laborgrößenmerkmalen mindestens einen prognostizierten Laborwert bereitzustellen, der dem mindestens einen Prognosewert zu dem vorgegebenen Prognosezeitpunkt entspricht.
Insbesondere kann ein Verlauf von Prognosewerten zu mehreren Prognosezeitpunkten ermittelt werden, um einen Zeitpunkt zu bestimmen, zu dem der Prognosewert einen vorgegebenen Grenzwert überschreitet, wobei insbesondere der Zeitpunkt wiederum einen Zeitpunkt einer medizinischen Intervention, wie eine Medikamentengabe, bestimmen kann.
Alternativ kann das Prognosemodell trainiert sein, um abhängig von den Laborgrößenmerkmalen mindestens einen prognostizierten Quantilwert als dem mindestens einen Prognosewert zu dem vorgegebenen Prognosezeitpunkt bereitzustellen. Der Quantilwert kann einen oberen oder unteren Grenzwert eines Referenzbereichs für die mindestens eine Laborgröße zu dem Prognosezeitpunkt angeben, wobei das Ergebnis eines Vergleichens eines aktuellen Laborwerts der mindestens einen Laborgröße mit dem entsprechenden Quantilwert zu dem aktuellen Zeitpunkt als Prognosezeitpunkt signalisiert wird.
Die Laborgrößenmerkmale für jede der Laborgrößen können eines oder mehrere der folgenden Merkmale umfassen: einen minimalen Wert der historischen Laborwerte, unterschiedliche Quantilwerte, wie beispielsweise das erste und das dritte Quartil und den Median; den Mittelwert der historischen Laborwerte einen maximalen Wert der historischen Laborwerte, eine Standardabweichung der historischen Laborwerte, eine Zeitdauer, um die der zuletzt erfasste historische Laborwert bezüglich des aktuellen Zeitpunkts zurückliegt, eine Zeitdauer, um die der vorletzte historische Laborwert bezüglich des aktuellen Zeitpunkts zurückliegt, eine Zeitdauer, um die der älteste Laborwert bezüglich des aktuellen Zeitpunkts zurückliegt, einen Mittelwert der zeitlichen Abstände zwischen den Erfassungszeitpunkten der historischen Laborwerte, einen jüngsten historischen Laborwert, einen zweitjüngsten historischen Laborwert, einen Wert des letzten Gradienten zwischen dem zweitjüngsten und jüngsten historischen Laborwert, eine Zeitdauer zu einem ersten Ausreißer unter den historischen Laborwerten, einen Zeitpunkt zu dem jüngsten Ausreißer unter den historischen Laborwerten, eine Anzahl der historischen Laborwerte, die als Ausreißer klassifiziert werden, einen maximalen Anstieg zwischen zwei aufeinanderfolgend erfassten historischen Laborwerten, einen minimalen Abfall zwischen zwei aufeinanderfolgenden historischen Laborwerten, einen geschätzten linearen Offset der historischen Laborwerte, eine geschätzte lineare Steigung der historischen Laborwerte, eine geschätzte lineare Prädiktion der historischen Laborwerte und die Anzahl der historischen Laborwerte.
Es kann vorgesehen sein, dass mindestens eines des mindestens einen Laborgrößenmerkmals von dem vorgegebenen Prognosezeitpunkt abhängt.
Gemäß weiteren Ausführungsformen kann das Prognosemodell ein tiefes neuronales Netz, ein konvolutionelles neuronales Netz, ein rekurrentes neuronales Netz, eine Support Vector Machine, ein Random-Forest-Modell, ein Hidden- Markov-Chain-Modell oder ein Generalized-Linear-Modell umfassen. Gemäß einem weiteren Aspekt ist ein Verfahren zum Trainieren eines datenbasierten Prognosemodells, insbesondere zur Verwendung mit dem obigen Verfahren, vorgesehen, mit folgenden Schritten:
Bereitstellen von mindestens einem Laborwertverlauf von mindestens einer Laborgröße, wobei jeder des mindestens einen Laborwertverlaufs einen Verlauf von historischen Laborwerten der mindestens einen Laborgröße zu mindestens drei historischen Zeitpunkten angibt;
Ermitteln von mindestens einem Laborgrößenmerkmal für jede der mindestens einen Laborgröße aus dem entsprechenden mindestens einen Laborwertverlauf vor einem Label-Zeitpunkt;
Erstellen von Trainingsdatensätzen, indem jeder Trainingsdatensatz aus dem mindestens einen Laborgrößenmerkmal für die mindestens eine Laborgröße und dem Laborwert der mindestens einen Laborgröße zu dem Label-Zeitpunkt als Label gebildet wird;
- Trainieren des datenbasierten Prognosemodells abhängig von den Trainingsdatensätzen.
Kurzbeschreibung der Zeichnungen
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
Figur 1 ein System zur Durchführung einer Laborwertanalyse;
Figur 2 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zum Durchführen einer Laborwertanalyse; und
Figuren 3a bis 3c entsprechende grafische Darstellung von Verläufen und Trends einer Laborgrößen eines beispielhaften Patienten und den durch das Verfahren bestimmten Prognosewerte.
Beschreibung von Ausführungsformen Figur 1 zeigt ein herkömmliches Computersystem 1 mit einer Computereinheit 2, einer Eingabeeinrichtung 3 und einer Ausgabeeinrichtung 4 in Form eines Monitors oder dergleichen. Die Computereinheit 2 dient dazu, mithilfe einer Prozessoreinheit 21 basierend auf einer Software historische Laborwerte eines Patienten zu verarbeiten und eine Hilfestellung bei der Auswertung von aktuellen Laborwerten zu geben. Die Software und die Laborwerte von Patienten sind auf einem Datenspeicher 22 in der Computereinheit 2 gespeichert. Weiterhin speichert der Datenspeicher 22 Parameter eines nachfolgend beschriebenen Prognosemodells. Die Software wird durch die Prozessoreinheit 21 ausgeführt und greift auf die in dem Datenspeicher 22 gespeicherten Laborwerte zu. Ferner kann die Computereinheit 2 automatisch oder manuell eingegebene Laborwerte von Laborgrößen erhalten und diese verarbeiten.
Figur 2 zeigt ein Flussdiagramm zur Veranschaulichung eines Verfahrens zur Laborwertanalyse, das es medizinischem Personal, wie beispielsweise einem Arzt, erleichtern soll, potenziell einen Hinweis auf eine mögliche Pathologie in aktuellen und zukünftigen Laborwerten zu identifizieren und gegebenenfalls basierend auf den Ergebnissen der Laborwertanalyse Behandlungsmaßnahmen zu ergreifen.
Das Verfahren sieht zunächst vor, in Schritt S1 historische Laborwerte aus dem Datenspeicher der Computereinheit bereitzustellen. Die historischen Laborwerte können Laborwerte der Hämatologie, der Urindiagnostik, der klinischen Chemie, der Abstrichdiagnostik oder dergleichen sein. Insbesondere kann je nach Art der erfassten Laborgrößen eine Vielzahl von Laborwerten für die Laborgrößen erfasst werden. Beispielsweise können bei einer hämatologischen Blutuntersuchung folgende Laborgrößen bestimmt werden: AST/GOT, Leukozyten, Erythrozyten, Hämoglobin, Hämatokrit, MCV, MCH, MCHC, Thrombozyten, pH (SB-Status), pCO2 (SB-Status), Standard-Bicarbonat, O2-Sättigung, Laktat, Ca ionisiert, C- reaktives Protein, Glukose, Natrium, Kalium, Kalium aus BGA, Calcium, Kreatinin, GFR-MDRD, Harnstoff, INR (therap. Bereich), PTT und dergleichen.
In Schritt S2 werden aktuelle Laborwerte der Laborgrößen für den aktuellen Zeitpunkt bereitgestellt. Diese sind das Ergebnis einer kürzlich erfolgten Untersuchung und stellen die Grundlagen für die Bestimmung des aktuellen Gesundheitszustands des Patienten dar. Die aktuellen Laborwerte können manuell in das Computersystem 1 eingegeben oder automatisch über eine Kommunikationsverbindung empfangen werden. Die aktuellen Laborwerte dienen dem Arzt zur Ermittlung der Therapie. Nachfolgende Schritte sollen den Arzt unterstützen, die aktuellen Laborwerte der Laborgrößen unter Berücksichtigung der historischen Laborwerte und darin sich abzeichnender Trends auszuwerten.
In Schritt S3 werden zunächst aus den historischen Laborwerten Laborgrößenmerkmale extrahiert. Für jede der erfassten Laborgrößen wird eine Anzahl von Laborgrößenmerkmalen extrahiert, die zumindest teilweise verlaufsabhängig sind. Die Extraktion erfolgt ausdrücklich ohne Einbeziehung der aktuellen Laborwerte zum aktuellen Zeitpunkt. Für die oben beispielhaft genannten 26 Laborgrößen wird jeweils eine Anzahl von Laborgrößenmerkmalen extrahiert, wie beispielsweise 23 Laborgrößenmerkmale. Die Laborgrößenmerkmale für jede der Laborgrößen können folgende Merkmale enthalten: einen minimalen Wert der historischen Laborwerte, einen ersten Quartilwert der historischen Laborwerte, einen Medianwert der historischen Laborwerte, einen Mittelwert der historischen Laborwerte, einen dritten Quartilwert der historischen Laborwerte, einen maximalen Wert der historischen Laborwerte, eine Standardabweichung der historischen Laborwerte, eine Zeitdauer, um die der zuletzt erfasste historische Laborwert bezüglich des aktuellen Zeitpunkts zurückliegt, eine Zeitdauer, um die der vorletzte historische Laborwert bezüglich des aktuellen Zeitpunkts zurückliegt, eine Zeitdauer, um die der älteste Laborwert bezüglich des aktuellen Zeitpunkts zurückliegt, einen Mittelwert der zeitlichen Abstände zwischen den Erfassungszeitpunkten der historischen Laborwerte, einen jüngsten historischen Laborwert, einen zweitjüngsten historischen Laborwert, einen Wert des letzten Gradienten zwischen dem zweitjüngsten und jüngsten historischen Laborwert, eine Zeitdauer zu einem ersten Ausreißer unter den historischen Laborwerten, einen Zeitpunkt zu dem jüngsten Ausreißer unter den historischen Laborwerten, eine Anzahl der historischen Laborwerte, die als Ausreißer klassifiziert werden, einen maximalen Anstieg zwischen zwei aufeinanderfolgend erfassten historischen Laborwerten, einen minimalen Abfall zwischen zwei aufeinanderfolgenden historischen Laborwerten, einen geschätzten linearen Offset der historischen Laborwerte, eine geschätzte lineare Steigung der historischen Laborwerte, eine geschätzte lineare Prädiktion der historischen Laborwerte und die Anzahl der historischen Laborwerte.
Es können auch andere Merkmale definiert werden. Ein Teil der Merkmale hängt von dem Prognosezeitpunkt ab, für den ein Prognosewert bestimmt werden soll.
Durch die Merkmalsextraktion entsteht eine sogenannte Merkmalsmatrix, in der jede Spalte ein Laborgrößenmerkmal repräsentiert. Beispiele für Laborgrößenmerkmale sind: mittlerer zeitlicher Abstand zwischen Messungen von Kreatinin, Gesamtanzahl der im Hämoglobinverlauf beobachteten extremen Schwankungen, maximaler Wert an Natrium usw. Die Zeilen der Merkmalsmatrix repräsentieren den Zustand eines Patienten zu einem gegebenen Zeitpunkt (als Summe seiner Merkmale).
Manche Machine-Learning-Modelle (bspw. Neuronale Netze) erlauben die Verwendung von Rohdaten. In diesem Fall kann auf eine Merkmalsextraktion verzichtet werden. Für eine Merkmalsextraktion spricht allerdings die Möglichkeit einer direkten Einbringung von medizinischem Fachwissen. So sind die oben beschriebenen 23 Merkmale gemeinsam ausgewählt, da diese als relevante Merkmale in Laborwertverläufen anzusehen sind. Des Weiteren bieten auf diese Weise generierte Laborgrößenmerkmale die Möglichkeit, spätere Ergebnisse leichter zu interpretieren bzw. direkt neue Fragestellungen zu generieren (siehe Feature Selection).
In Schritt S4 werden die einzelnen Merkmale, die sowohl in ihrer Größenordnung als auch in ihrer Steuerung stark variieren können, durch eine Normierung skaliert. Beispielsweise kann eine Skalierung auf das Einheitsintervall durchgeführt werden. Alternativ kann eine Skalierung auch auf eine Standard-Normalverteilung durchgeführt werden. Grundsätzlich ist auch eine Normierung vor dem Schritt der Merkmalsextraktion möglich. Dies könnte zusätzlich zu diesem Normierungsschritt oder stattdessen sein.
In einem nachfolgenden Schritt S5 werden die normierten Merkmale einem Prognosemodell zugeführt. Das Prognosemodell ermittelt einen Prognosewert, der sich aus den Zeitreihen der Laborgrößen ergibt. Dazu ist das Prognosemodell trainiert, abhängig von den Laborgrößenmerkmalen einen Prognosewert zu erstellen.
Da der aktuelle Zeitpunkt in einigen der zuvor beschriebenen Laborgrößenmerkmalen als Prognosezeitpunkt berücksichtigt wird, ist eine Prognose auf den aktuellen Zeitpunkt möglich. Beispielsweise kann der Prognosewert einen Schätzwert der jeweiligen Laborgröße zu dem aktuellen Zeitpunkt angeben. Dies ermöglicht einem Arzt beispielsweise das Feststellen einer Abweichung von einem in den historischen Laborwerten manifestierten Trend, was beispielsweise auf eine akute Erkrankung hinweisen kann.
Alternativ können zwei separat trainierte Prognosemodelle bereitgestellt werden, die aus den zuvor bestimmten Laborgrößenmerkmalen einen oberen und unteren Quantilwert, beispielsweise ein 97.5 %-Quantil und ein 2.5 %-Quantil, für den Prognosezeitpunkt ermitteln. Diese können einen Referenzbereich zur Auswertung bzw. Interpretation für die jeweilige Laborgröße angeben. Der Referenzbereich gibt den Bereich an, in dem der patientenindividuelle aktuelle Laborwert der betreffenden Laborgröße zum aktuellen Zeitpunkt liegen sollte bzw. zu erwarten wäre.
Tritt eine Abweichung von dem aktuellen für den Patienten individualisiert bestimmten Referenzbereich bei einer oder mehreren Laborgrößen auf, so kann dies entsprechend in Schritt S6 für jede der betrachteten Laborgrößen signalisiert werden, beispielsweise durch ein farbiges Markieren, sodass der Arzt auf die entsprechende Anomalie hingewiesen wird. Alternativ oder zusätzlich kann das auf die Ausgabe des aktuellen Laborwerts trainierte Prognosemodell mehrfach abgefragt werden, um für zukünftige Zeitpunkte einen Verlauf, einen Verlauf-Korridor aus Referenzbereichen bzw. einen Trend einer oder mehrerer Laborgrößen auszugeben. Dabei ist zu beachten, dass die Laborgrößenmerkmale teilweise von dem Prognosezeitpunkt abhängen und daher bei jeder Abfrage berücksichtigt werden müssen.
Figur 3a zeigt eine entsprechende grafische Darstellung eines Trends einer beispielhaften Laborgröße eines beispielhaften Patienten. Gezeigt ist eine personalisierte Prognose für einen Laborgrößenverlauf K der Laborgröße Kalium. Für den individuellen Patienten wurden die Verläufe OG, UG des 2,5 %- und des 97,5 %-Quantils vorhergesagt, die als gepunktete Linien dargestellt sind. Das Modell sagt somit einen Verlauf innerhalb dieses Bereichs in 95 von 100 Fällen voraus. Weiterhin sind gestrichelt die konstanten Ober- und Untergrenzen des Kaliumwerts gemäß der herkömmlichen Analysemethode dargestellt.
Figur 3b zeigt als alternative Ausführungsform eine Prognose des Mittelwerts in die Zukunft und der vorausichtlichen Zeit, bis dieser den Standard-Normalbereich (als gestrichelte konstante Ober- und Untergrenzen dargestellt) zum Zeitpunkt T in der Zukunft verlässt.
Figur 3c zeigt individualisierte Verläufe von Ober- und Untergrenzen OG, UG als gepunktete Kurven für den gesamten zeitlichen Verlauf der Laborgröße. Die Zeitpunkte Ti, T2, zu denen ein Verlassen des durch die Ober- und Untergrenzen OG, UG definierten Bereichs erkannt wird, können als pathologisch erkannt werden. Dargestellt ist ein Szenario, in dem durch das Standard-Verfahren nur ein Laborwert einer Laborgröße zum Zeitpunkt T2 als pathologisch identifiziert wird. Das hier vorgestellte individualisierte Verfahren ermöglicht in diesem Szenario zusätzlich zu T2 eine frühere Identifikation eines pathologischen Laborwerts zum Zeitpunkt Ti.
Das Prognosemodell kann zusätzlich ausgebildet sein, um Patientendaten wie Alter, Geschlecht sowie sonstige biometrische Daten wie Größe, Gewicht und dergleichen und/oder Diagnosen, Befunde, Therapien (bspw. durch ICD-10 Codes) einer Medikation zu berücksichtigen. Insbesondere das Alter kann ebenfalls entsprechend dem Prognosezeitpunkt berücksichtigt werden.
Das Prognosemodell kann basierend auf einer Vielzahl von Patientendaten trainiert werden. Dazu können Zeitreihen von Laborwerten von Laborgrößen zu Trainingsdatensätzen verarbeitet werden, sobald die Zeitreihe der Laborgrößen drei oder mehr Zeitpunkte umfasst. Bei den Zeitreihen kann eine Anzahl von Zeitpunkten berücksichtigt werden, um die Laborgrößenmerkmale zu ermitteln, und Label-Daten eines auf die berücksichtigten Zeitpunkte folgenden Label- Zeitpunkts, zu dem Laborwerte erfasst worden sind. Dabei sind die Laborgrößenmerkmale aus den von den Zeitpunkten der als Label-Daten verwendeten Laborwerten zu dem Label-Zeitpunkt zu ermitteln. Es ergeben sich so Trainingsdatensätze aus jeweils den Laborgrößenmerkmalen für jede der betrachteten Laborgrößen und den Label-Daten für jede der Laborgrößen als der zu trainierende Prognosewert, wie z. B. dem entsprechenden Laborwert zu dem Label-Zeitpunkt, einem entsprechenden unteren oder oberen Quantilwert zu dem Label-Zeitpunkt sowie ggfs. Patientendaten.
Da eine hohe Anzahl von Laborgrößenmerkmalen ermittelt wird, kann vor dem eigentlichen Trainingsverfahren des Prognosemodells ein Merkmalsauswahlschritt vorgenommen werden. Dazu kann ein sogenanntes Wrapper-Verfahren verwendet werden. Dies bedeutet, dass das Prognosemodell auf verschiedene Teilmengen der gesamten Laborgrößenmerkmale aller Laborgrößen angewendet wird, also nur auf bestimmte Kombinationen von Laborgrößenmerkmalen. Da aufgrund der hohen Anzahl nicht jede Kombination getestet werden kann, folgt das Verfahren einer vorgegebenen Heuristik. Es kann beispielsweise eine Variante der Forward Selection verwendet werden, bei der sukzessive die am besten bewerteten Laborgrößenmerkmale zu der aktuell verwendeten Teilmenge von zu berücksichtigenden Laborgrößenmerkmalen hinzugefügt werden. Als Resultat ergibt sich eine optimierte Teilmenge an Laborgrößenmerkmalen für eine bestimmte Art des Prognosewerts, wie z.B. für einen Prognosewert, der ein 2,5% Quantil einer Laborgröße angibt. Für die Wahl der vorgegebenen Heuristik zur Teilmengenauswahl können beispielsweise Backward Selection, Random Search oder andere sogenannte Monte-Carlo- Verfahren, Gradientenverfahren oder dergleichen verwendet werden. Neben Wrapper-Methoden können auch andere Verfahren zur Dimensionsreduktion, wie beispielsweise Principal Component Analysis (PCA), verwendet werden.
Zum Training des Prognosemodells werden die Label-Daten entsprechend dem gewünschten Ausgabewert ausgewertet. So sind die Label-Daten entsprechend dem Prognosewert vorgegeben, der beispielsweise dem unteren Quantilwert, dem oberen Quantilwert oder einem Schätzwert der entsprechenden Laborgröße entsprechen kann.
Nachdem die Teilmenge der Laborgrößenmerkmale bestimmt worden ist, werden die daraus bestimmten Trainingsdatensätze mit den zugehörigen Prognosewerten angegeben. Als mögliches Prognosemodell können neuronale Netze, konvolutionelle neuronale Netze, Support Vector Machines, Random-Forest- Modelle, Hidden-Markov-Chain-Modelle, Generalized-Linear-Modelle und dergleichen verwendet werden. Vorzugsweise wird eine SVM-(Support Vector Machine-)lmplementierung verwendet, beispielsweise mit den Trainingsparametern Kern RGF, Gamma-Grid 0,001 bis 10, Lambda-Grid 0,001 bis 10, Hyperparameter Selection, fünffache Cross-Validierung, Verlustfunktion Pinball mit Gewichten und 0,025 und 0,0975 für den unteren und oberen Quantilwert. Die Verlustfunktion für das Training des Prognosemodells kann die an das Verfahren gestellte Fragestellung wiedergeben.
Im obigen Fall werden zwei Optimierungsverfahren entsprechend für jede Gewichtung der Loss-Funktion von 0,025 und 0,975 durchgeführt. Als Ergebnis erhält man zwei Prognosemodelle, die jeweils das 2.5 %- bzw. das 97.5 %-Quantil vorhersagen.
Zum Testen des Prognosemodells kann das Training auf 80 % der zur Verfügung stehenden Datensätze angewendet werden. Zur finalen Bewertung der Modellvorhersagequalität werden die verbleibenden 20 % als Testdaten genutzt. Die Bewertungskriterien hängen von der genutzten Modellvariante hinsichtlich Laborwertmodellziele und dergleichen ab. Da das Modelltraining unabhängig von den Testdaten erfolgt, ist das durch dieses Verfahren erhaltene Qualitätsmaß robuster hinsichtlich Problemen der Überanpassung (Overfitting), wie beispielsweise die Bewertung durch eine sogenannte Cross-Validierung, und dieser vorzuziehen.

Claims

Ansprüche
1. Computerimplementiertes Verfahren zum Bereitstellen von mindestens einem Prognosewert für mindestens eine medizinische Laborgröße, insbesondere zur Anwendung in einer medizinischen Laborwertanalyse, mit folgenden Schritten:
Bereitstellen (S1) von mindestens einem Laborwertverlauf, der einen Verlauf von historischen Laborwerten der mindestens einen Laborgröße zu mindestens zwei historischen Zeitpunkten angibt;
Ermitteln (S3) mindestens eines Laborgrößenmerkmals für jede der mindestens einen Laborgröße aus dem entsprechenden Laborwertverlauf;
Bestimmen (S5) des mindestens einen Prognosewerts zu einem vorgegebenen Prognosezeitpunkt abhängig von einem trainierten, datenbasierten Prognosemodell und abhängig von dem mindestens einen Laborgrößenmerkmal für jeden des mindestens einen Laborwertverlaufs.
2. Verfahren nach Anspruch 1 , wobei das Prognosemodell trainiert ist, um abhängig von dem mindestens einen Laborgrößenmerkmal mindestens einen prognostizierten Laborwert zu dem vorgegebenen Prognosezeitpunkt als den mindestens einen Prognosewert bereitzustellen.
3. Verfahren nach Anspruch 2, wobei ein Verlauf von Prognosewerten zu mehreren Prognosezeitpunkten ermittelt wird, um einen Zeitpunkt zu bestimmen, zu dem der Prognosewert einen vorgegebenen Grenzwert überschreitet, wobei insbesondere der Zeitpunkt einen Zeitpunkt einer medizinischen Intervention, wie eine Medikamentengabe, bestimmt.
4. Verfahren nach Anspruch 1 , wobei das Prognosemodell trainiert ist, um abhängig von dem mindestens einen Laborgrößenmerkmal mindestens einen prognostizierten Quantilwert zu dem vorgegebenen Prognosezeitpunkt als den mindestens einen Prognosewert bereitzustellen, wobei der Quantilwert einen oberen oder unteren Grenzwert eines Referenzbereichs für die mindestens eine Laborgröße zu dem Prognosezeitpunkt angibt, wobei das Ergebnis eines Vergleichens eines aktuellen Laborwerts der mindestens einen Laborgröße mit dem entsprechenden Quantilwert zu dem aktuellen Zeitpunkt als Prognosezeitpunkt signalisiert wird. Verfahren nach einem der Ansprüche 1 bis 4, wobei die mindestens eine Laborgröße mindestens eine Größe der Hämatologie, klinischen Chemie, Endokrinologie, Blutgasanalytik, Autoantikörper, Tumormarker oder Urindiagnostik umfasst. Verfahren nach einem der Ansprüche 1 bis 5, wobei die Laborgrößenmerkmale für jede der Laborgrößen eines oder mehrere der folgenden Merkmale umfassen: einen minimalen Wert der historischen Laborwerte, unterschiedliche Quantilwerte, wie beispielsweise das erste und das dritte Quartil und den Median der historischen Laborwerte einen Mittelwert der historischen Laborwerte, einen maximalen Wert der historischen Laborwerte, eine Standardabweichung der historischen Laborwerte, eine Zeitdauer, um die der zuletzt erfasste historische Laborwert bezüglich des aktuellen Zeitpunkts zurückliegt, eine Zeitdauer, um die der vorletzte historische Laborwert bezüglich des aktuellen Zeitpunkts zurückliegt, eine Zeitdauer, um die der älteste Laborwert bezüglich des aktuellen Zeitpunkts zurückliegt, einen Mittelwert der zeitlichen Abstände zwischen den Erfassungszeitpunkten der historischen Laborwerte, einen jüngsten historischen Laborwert, einen zweitjüngsten historischen Laborwert, einen Wert des letzten Gradienten zwischen dem zweitjüngsten und jüngsten historischen Laborwert, eine Zeitdauer zu einem ersten Ausreißer unter den historischen Laborwerten, einen Zeitpunkt zu dem jüngsten Ausreißer unter den historischen Laborwerten, eine Anzahl der historischen Laborwerte, die als Ausreißer klassifiziert werden, einen maximalen Anstieg zwischen zwei aufeinanderfolgend erfassten historischen Laborwerten, einen minimalen Abfall zwischen zwei aufeinanderfolgenden historischen Laborwerten, einen geschätzten linearen Offset der historischen Laborwerte, eine geschätzte lineare Steigung der historischen Laborwerte, eine geschätzte lineare Prädiktion der historischen Laborwerte und die Anzahl der historischen Laborwerte. Verfahren nach einem der Ansprüche 1 bis 6, wobei das Prognosemodell zusätzlich ausgebildet ist, um neben dem mindestens einen Laborgrößenmerkmal Patientendaten, wie Alter, Geschlecht, BMI sowie sonstige biometrische Daten wie Größe, Gewicht und/oder eine Diagnose, ein Befund, eine Therapie und/oder eine Medikation oder einen Verlauf von Medikamentengaben zu berücksichtigen. Verfahren nach einem der Ansprüche 1 bis 7, wobei mindestens eines des mindestens einen Laborgrößenmerkmals von dem vorgegebenen Prognosezeitpunkt abhängt. Verfahren nach einem der Ansprüche 1 bis 8, wobei das Prognosemodell ein tiefes neuronales Netz, ein konvolutionelles neuronales Netz, ein rekurrentes Neuronales Netz, eine Support Vector Machine, ein Random-Forest-Modell, ein Hidden-Markov-Chain-Modell, ein Generalized-Linear-Modell umfasst. Verfahren zum Trainieren eines Prognosemodells, insbesondere zur Verwendung mit einem Verfahren nach einem der Ansprüche 1 bis 9, mit folgenden Schritten:
Bereitstellen von mindestens einem Laborwertverlauf von mindestens einer Laborgröße, wobei jeder des mindestens einen Laborwertverlaufs einen Verlauf von historischen Laborwerten der mindestens einen Laborgröße zu mindestens drei historischen Zeitpunkten angibt;
Ermitteln von mindestens einem Laborgrößenmerkmal für jede der mindestens einen Laborgröße aus dem entsprechenden mindestens einen Laborwertverlauf vor einem Label-Zeitpunkt; Erstellen von Trainingsdatensätzen, indem jeder Trainingsdatensatz aus dem mindestens einen Laborgrößenmerkmal für die mindestens eine Laborgröße und dem Laborwert der mindestens einen Laborgröße zu dem Label-Zeitpunkt als Label gebildet wird;
Trainieren des datenbasierten Prognosemodells abhängig von den Trainingsdatensätzen. Vorrichtung zur Durchführung eines der Verfahren nach einem der vorangehenden Ansprüche. Computerprogrammprodukt umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 10 auszuführen. Maschinenlesbares Speichermedium umfassend Befehle, die bei der Ausführung durch einen Computer diesen veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 10 auszuführen.
EP21801453.8A 2020-11-09 2021-10-25 Computerimplementiertes verfahren und vorrichtung zum durchführen einer medizinischen laborwertanalyse Pending EP4241284A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020214050.2A DE102020214050A1 (de) 2020-11-09 2020-11-09 Computerimplementiertes Verfahren und Vorrichtung zum Durchführen einer medizinischen Laborwertanalyse
PCT/EP2021/079474 WO2022096297A1 (de) 2020-11-09 2021-10-25 Computerimplementiertes verfahren und vorrichtung zum durchführen einer medizinischen laborwertanalyse

Publications (1)

Publication Number Publication Date
EP4241284A1 true EP4241284A1 (de) 2023-09-13

Family

ID=78483263

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21801453.8A Pending EP4241284A1 (de) 2020-11-09 2021-10-25 Computerimplementiertes verfahren und vorrichtung zum durchführen einer medizinischen laborwertanalyse

Country Status (5)

Country Link
EP (1) EP4241284A1 (de)
JP (1) JP2023548253A (de)
CN (1) CN116490929A (de)
DE (1) DE102020214050A1 (de)
WO (1) WO2022096297A1 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022114248A1 (de) 2022-06-07 2023-12-07 TCC GmbH Verfahren sowie Vorhersagesystem zur Ermittlung der Eintrittswahrscheinlichkeit einer Sepsis eines Patienten
CN115165553B (zh) * 2022-06-10 2023-05-30 中复神鹰碳纤维股份有限公司 一种碳纤维复丝拉伸强度测试数值的取舍方法
EP4307309A1 (de) * 2022-07-12 2024-01-17 iunera GmbH & Co. KG System, verfahren und anordnungen für das intelligente erstellen von ausgaben aufgrund von laborwerten und patientenmetadaten in dokumenten

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5967981A (en) 1997-09-26 1999-10-19 Siemens Corporate Research, Inc. Time series prediction for event triggering
US20140149329A1 (en) 2012-04-19 2014-05-29 Stephen Shaw Near real time blood glucose level forecasting
CN107203700B (zh) * 2017-07-14 2020-05-05 清华-伯克利深圳学院筹备办公室 一种基于连续血糖监测的方法及装置
WO2020051101A1 (en) 2018-09-07 2020-03-12 One Drop Forecasting blood glucose concentration

Also Published As

Publication number Publication date
CN116490929A (zh) 2023-07-25
WO2022096297A1 (de) 2022-05-12
JP2023548253A (ja) 2023-11-15
DE102020214050A1 (de) 2022-05-12

Similar Documents

Publication Publication Date Title
EP4241284A1 (de) Computerimplementiertes verfahren und vorrichtung zum durchführen einer medizinischen laborwertanalyse
EP2470913B1 (de) Kalibrierverfahren zur prospektiven Kalibrierung eines Messgeräts, Computerprogramm und Messgerät
DE112014000897T5 (de) Lernende Gesundheitssysteme und -verfahren
DE4224621C2 (de) Verfahren zur Analyse eines Bestandteils einer medizinischen Probe mittels eines automatischen Analysegerätes
WO2005081161A2 (de) Verfahren zur qualitätskontrolle von je an unterschiedlichen, aber vergleichbaren patientenkollektiven im rahmen eines medizinischen vorhabens erhobenen medizinischen datensätzen
DE102014002172A1 (de) Überwachungsmonitor zur elektronischen Überwachung von Sensorsignalen im Rahmen eines Sepsismonitorings, sowie ein entsprechendes Verfahren
DE10159262B4 (de) Identifizieren pharmazeutischer Targets
DE10240216A1 (de) Verfahren und Datenbank zum Auffinden von medizinischen Studien
EP1640888A2 (de) Verfahren zum Abschätzen und Überwachen des medizinischen Risikos einer Gesundheitsstörung bei einem Patienten
EP1015998A2 (de) Verfahren zur erfassung zeitabhängiger moden dynamischer systeme
EP1936523A1 (de) System zur Optimierung eines Betreuungs- und Überwachungsnetzwerk
EP3796117A1 (de) Diagnoseverfahren und diagnosesystem für eine verfahrenstechnische anlage
DE112015000337T5 (de) Entwicklung von Informationen von gesundheitsbezogenen Funktionsabstraktionen aus intraindividueller zeitlicher Varianzheterogenität
DE4331018C2 (de) Verfahren zur Bewertung von Blutproben
EP3454341A1 (de) Automatisiertes verarbeiten von patientendaten zur gesundheitsbetreuung
EP3605404B1 (de) Verfahren und vorrichtung zum trainieren einer maschinellen lernroutine zum steuern eines technischen systems
AT411143B (de) Vorrichtung zum auswerten psychologischer und biomedizinischer rohdaten
DE102005028975B4 (de) Verfahren zur Ermittlung eines Biomarkers zur Kennzeichnung eines spezifischen biologischen Zustands eines Organismus aus mindestens einem Datensatz
EP0646261B1 (de) Verfahren und einrichtung zur analyse von hochdynamischen sekretionsphänomenen von hormonen in biologischen dynamischen systemen mittels biosensoren
DE102021120512A1 (de) Bewertungseinheit für ein medizinisches System
EP3926636A2 (de) Verfahren zum erkennen einer amplifikationsphase in einer amplifikation
DE102023115605A1 (de) Vorhersage der operationsdauer
DE102005062163A1 (de) Verfahren zur Identifizierung von prediktiven Biomarken aus Patientendaten
DE102023115629A1 (de) System und verfahren zum vorhersagen eines postoperativen betttyps
DE10317717B4 (de) Verfahren zur Diagnose von Erkrankungen unter Verwendung von Indikatorstoffen

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230609

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)