JP2009533782A - 医療計画における個人的予後モデル化 - Google Patents
医療計画における個人的予後モデル化 Download PDFInfo
- Publication number
- JP2009533782A JP2009533782A JP2009506546A JP2009506546A JP2009533782A JP 2009533782 A JP2009533782 A JP 2009533782A JP 2009506546 A JP2009506546 A JP 2009506546A JP 2009506546 A JP2009506546 A JP 2009506546A JP 2009533782 A JP2009533782 A JP 2009533782A
- Authority
- JP
- Japan
- Prior art keywords
- dose
- probability
- patient
- model
- treatment
- 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.)
- Withdrawn
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N5/00—Radiation therapy
- A61N5/10—X-ray therapy; Gamma-ray therapy; Particle-irradiation therapy
- A61N5/103—Treatment planning systems
- A61N2005/1041—Treatment planning systems using a library of previously administered radiation treatment applied to other patients
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Radiation-Therapy Devices (AREA)
Abstract
個別に具体的に検討された自動化治療計画(22)が提供される。1つまたは複数の予後モデル(18)は、定められた線量に対する患者特有の情報に応じた生存性を示す。複数の線量に対する生存性を決定することによって、線量に応じて生存性によって表わされる生体モデルが特定の患者から決定される(20)。同様に、合併症または副作用の可能性が決定される(20)。生存性の可能性と合併症の可能性は、それぞれ、腫瘍制御確率と正常組織合併症確率として、あるいはこれらの確率の代りに使用される。所望の腫瘍線量と許容線量は、患者特有の線量分布に応じて選択される(216)。選択された線量は、放射線治療パラメータを確立する逆方向治療計画システム(22)に入力される。
Description
関連出願
本特許文献は、2006年4月17日に出願された米国仮特許出願第60/792,450号の35 U.S.C.第119条(e)に基づいて出願日の恩典を主張するものであり、同特許出願は参照により本明細書に組み込まれる。
本特許文献は、2006年4月17日に出願された米国仮特許出願第60/792,450号の35 U.S.C.第119条(e)に基づいて出願日の恩典を主張するものであり、同特許出願は参照により本明細書に組み込まれる。
本実施形態は治療計画に関する。放射線治療計画の目標は、患者に放射線を照射する放射線治療装置を制御する1組のパラメータを計算することである。理想的には、照射される放射線のすべてが腫瘍内に集中され、放射線は腫瘍の外部に照射されない。実際には、この可能性は低い。従って、放射線治療計画では、腫瘍への放射線量と腫瘍外部への放射線量との妥協点を解決策として見出そうとする。
人間オペレータは、ビーム数、ビーム位置、ビーム方向、およびビーム強度などの放射線治療パラメータを設定してもよい。腫瘍および腫瘍外部への予測放射線量は、オペレータが設定した放射線治療パラメータから計算される。目的関数を与えられて放射線治療パラメータの最適解を求めようとする、逆方向治療計画システム(ITPS)が開発されている。この目的関数は、個々の放射線計画が治療目標をどの程度満たしているかを評価する。
目的関数は、線量または一般的な生体モデルのいずれかに基づく。線量に基づく目的関数は、定義された腫瘍内にあるべき所望放射線量と腫瘍外にあるべき所望の線量に関する入力を必要とする。その後、ITPSは、これらの基準を満たす解を最適化しようとする。生体パラメータに基づく目的関数は、種々の線量分布が腫瘍に及ぼす影響の程度、および種々の線量分布が腫瘍外の正常組織に及ぼす影響の程度に関する一般的なモデルを含む。システムへの入力は、所望の腫瘍制御確率(TCP)および正常組織合併症確率(NTCP)である。本システムは、所望の目標を満たすために、TCPを最大にし、NTCPを最小にしようとする。これは、腫瘍への所望の線量および正常組織への最大許容線量を得るために生体モデルを使って行なわれ、TCPおよびNTCPの目標を達成する。線量を与えられて、放射線治療パラメータが決定される。しかし、放射線治療パラメータは特定の患者にとって最適でないかもしれない。
様々な実施形態において、システム、方法、命令、およびコンピュータ可読媒体は個別に具体的に考慮された自動化治療計画用に提供される。1つまたは複数の予後モデルは定められた線量に対する患者特有の情報に応じた生存性を示す。複数の線量に対する生存性を決定することによって、線量に応じた生存性によって表わされる生体モデルが特定の患者に対して決定される。同様に、合併症または副作用の可能性が判定される。生存の可能性および合併症の可能性は、それぞれ、腫瘍制御確率および正常組織障害確率として、またはこれらの代わりに使用される。所望の腫瘍線量および許容線量は、患者特有の線量分布に応じて選択される。選択された線量は、放射線治療パラメータを確定する逆方向治療計画システムに入力される。
第1の態様において、システムが個別に具体的に検討された自動化治療計画に提供される。入力は、患者における患者特有の複数の特性に関する値を受け入れることができる。プロセッサは第1の予後モデルに該値を適用することができる。第1の予後モデルは、該値に対応する複数の変数を定められた線量における第1の確率に関連付ける。プロセッサは、第1の入力が第1の確率に応じて変わる場合に逆方向治療計画システムに第1の入力を提供することができる。ディスプレイは、第1の確率に応じて逆方向治療計画システムによって提供される放射線治療パラメータを出力することができる。
第2の態様において、コンピュータ可読記憶媒体は、個別に具体的に考慮された自動化治療計画のためにプログラムされたプロセッサによって実行可能な命令を表わすデータを格納している。該命令は、線量に応じた生存の可能性の第1の線量分布、すなわち、個々の患者に特有の第1の値に応じて予後モデルによって出力される第1の線量分布を決定すること、線量に応じた合併症の可能性の第2の線量分布、すなわち、個々の患者に特有の第2の値に応じて予後モデルによって出力される第2の線量分布の決定すること、所望の生存の可能性に対応する第1の線量分布から腫瘍線量を選択すること、合併症の所望の可能性に対応する第2の線量分布から許容線量を選択すること、および腫瘍線量および許容線量に応じた放射線治療計画を決定することを含む。
第3の態様において、個別に具体的に検討された自動化治療計画方法が提供される。患者特有の値が予後モデルに適用される。この適用に対応して生存の確率が予後モデルから出力される。生存の確率に応じて第1の線量が逆方向治療計画システムに入力される。第1の線量に対応して逆方向治療計画システムから放射線治療計画が出力される。
上記のいずれか1つまたは複数の態様が単独でまたは組み合わせて使用されてもよい。これらおよび他の態様、特徴、および利点は、添付図面に関連して読まれる好ましい実施形態の以下の詳細な説明から明らかになる。本発明は冒頭の特許請求の範囲によって規定され、本節の内容はこれらの特許請求の範囲への制限と解釈されるべきではない。本発明の別の態様と利点は、以下で好ましい実施形態とともに議論され、独立にまたは組み合わせて特許請求の範囲に記載されるかもしれない。
放射線治療の治療計画では、患者特有の情報が適用される。TCPモデルおよびNTCPモデルは、臨床試験または他の医療知識源からの一般的なモデルに基づく。しかし、個々は線量分布に関して固有のTCP曲線またはNTCP曲線を有してもよい。TCPモデルまたはNTCPモデルを特定個人に適合させることによって、最適な治療が得られるかもしれない。これらの生体モデルは、TCPモデルおよびNTCPモデルを個性化するために個人および/または治療特性に基づいて修正される。得られる線量およびITPSシステムへの許容入力は、各患者に適した線量を反映する可能性が高い。ITPSは、放射線治療システムによって実現可能な予測線量を腫瘍および正常組織に出力する。
生体モデルの個性化は複数の方法で行われてもよい。1つの手法は、臨床試験を注意深く行って患者データを多数の患者で収集した後に線量および結果を測定するものである。この後、結果は線量および患者データと相互に関連付けられ、結果が個々の患者データによってどのように決定されるかによってモデルが見つけ出される。しかし、この手法は、線量および患者データの両方の変動を大いに考慮するために必要とされる異なる患者の数が非常に多くなるので費用がかかる。
他の手法において、予後モデルは、患者特有の値に基づいて結果(例えば、生存)および副作用(例えば、病気)を予測する。線量に応じた出力は生体曲線をもたらす。例えば、予後モデルは、米国特許第_号(本出願と同一日に出願された代理人参照番号第2006P07714US01号)に開示されたような文献および/またはデータベースから得られ、本開示は参照により本明細書に組み込まれる。予後モデルは、線量分布の生体モデルとして使用される。生存の可能性および/または合併症の可能性は、データ量の多い臨床試験よりも数の少ない患者記録を用いたモデル化によって得られてもよい。生存の可能性および合併症の可能性は、逆方向治療計画システムにおける腫瘍制御確率および正常組織合併症確率として使用される。
任意の予後モデルが使用されてもよい。一実施形態において、既刊文献に由来するモデルが使用される。既刊文献は、膨大なデータベースが得られない場合でもモデル化のために信頼性の高い有効な情報源である。精度を高めるために、治療結果(例えば、生存性および合併症)は、文献駆動型およびデータ駆動型のモデルなど、複数のデータソースを結合する統計モデルから予測される。例えば、非小細胞肺癌(NSCLC)患者の2年生存は、個人または患者特有の情報に基づいて予測される。予測には、文献およびデータベースから収集された知識ベースが使用される。結合されたモデルに両方の情報源を組み込むことによって、予測の一貫性および精度が改善される。
自動化治療計画は健康管理ワークフローに関連付けられてもよい。例えば、患者データマイニングまたは手動入力は、値を1つまたは複数の予測診断モデルに提供する。これらの値は特定の患者用である。モデルは、これらの値に基づいて可能な治療に関する確率を生成する。モデルは、予後診断を繰り返し実施して、種々の治療の可能性のモデル化など、最適な治療を決定してもよい。その代替として、提案された治療が入力され、この治療に関連する予後が出力される。生存性の確率および合併症の許容確率との所望の組合せに関連した線量は個人的な予後に基づいて選択される。線量および許容値は逆方向治療計画システム(ITPS)に出力される。予後モデルによって決定されたITPSおよび予後モデルまたは線量分布は、実現可能な治療計画を最適化するために繰り返し使用されてもよい。予後モデルは、個々の患者に対して治療計画を提供するために、化学療法、外科手術、および/または分別など、他の治療を処方してもよい。ワークフローエンジンを提供する現在任意の公知であるあるいは後で開発されるソフトウェアまたはシステムは、特定の患者の属性を考慮して治療計画を自動化するように構成されてもよい。
図1および2は、個々に具体的に考慮された自動化治療計画方法の実施形態を示す。本方法は、図3のシステムまたは別のシステムによって実施される。作用は図示の順序または別の順序で行われる。作用の追加、変更、または削減が行なわれてもよい。例えば、図2の作用202〜210は行われない。図1は、治療計画を決定する患者特有の値の使用を示す。図2は、予後モデルの一実施形態および治療計画を決定するためのその後の使用の展開を示す。
図2を参照すると、作用202において、病気の予測子についての定量的な医療知識が文献から収集される。文献は任意の公表済みの情報、信憑性のあることが好ましい。文献の出典は、書籍、医学雑誌、論文、報告書、またはその他の刊行物であってもよい。1つまたは複数の出典が使用される。例えば、特定の病気および種々の治療選択肢に関連する主要な刊行物または多くの刊行物が使用される。文献は臨床研究の結果を報告するものであってもよい。
知識は、特定の病気または関係する一群の病気に対して収集される。知識は、種々の線量の同種の治療など、1つまたは複数の治療に関連する生存性および副作用(合併症)を反映する。病気に関連する報告された結果および対応する治療が収集される。
結果と変数との相関の任意の兆候は収集されてもよい。定量的な医療知識は、表、グラフ、文章、またはこれらの組合せで提供されてもよい。例えば、標的とされる患者集団の特性、患者集団の全生存率、一部の特性を示す一部の亜母集団の生存率、危険率、調査において治療を受ける一部分の患者、グループ化情報、治療、結果、またはその他の量が収集される。典型的に、本文献は、治療を受ける1つのグループと治療を受けない別のグループとの2つの患者グループを対象とした調査を報告している。調査開始時における2つのグループの間の一部分の患者、ある期間後の全生存率、および危険率が与えられる。他の刊行物において、情報の変更、追加、または削減が行なわれる。直接報告されない値は文献で提供される情報から推論され、欠けている情報を埋め合わせるために仮定の追加を必要としてもよい。
収集は手作業で行なわれる。例えば、1人または複数の人々が文献を精査して情報をデータベースまたはスプレッドシートに入力する。収集、収集の精査、または収集に使用される情報源の選択は、医師または他の識者によって実施または精査されてもよい。他の実施形態において、情報は自動的または半自動的に収集される。例えば、以下で議論されるデータマイニングは、フリーテキスト、他の非構造化情報源、または構造化文献情報源を検索するために使用されて所望の情報を収集する。手動収集および自動収集が組み合わせて行なわれてもよい。
作用204において、患者情報と結果との間の関係が決定される。一実施形態において、多変量モデルが、個別の関係を決定することなく収集された情報から作られる。別の実施形態において、線量と種々の予測子(すなわち、結果と相関を有する種々の患者情報変数)との間の単変量関係が定量的な医療知識から別々にモデル化される。文献についての報告された結果の基礎をなす統計モデルおよびパラメータは、収集されたデータを解析して模倣される。
一例の実施形態において、文献は変数に応じた結果を示すグラフを含む。例えば、喫煙量に応じた2年生存の可能性は、特定の治療に対して与えられてもよい。曲線をグラフに適合させることによって、コンピュータ使用のグラフの数学的表現が提供される。一次関数フィッティング、二次関数フィッティング、またはその他のフィッティングが使用されてもよい。あるいは、グラフに対応する論理(例えば、if−then形式の条件文)はグラフをモデル化する。
別の例の実施形態において、文献は変数に応じた結果を示す表を含む。表は、コンピュータによって使用される論理条件文に変換される。あるいは、表は、曲線フィッティング用のデータ点として使用される。フィット曲線は表をモデル化する。
さらに別の例の実施形態において、2進分類はロジスティック回帰またはコックス回帰を用いて決定される。この分類は、表、グラフ、文章、またはこれらの組合せから決定される。他のモデル化または分類が使用されてもよい。他の実施形態において、分類化および曲線フィッティングの両方を使用するなどして、単変量関係に対するモデルの組合せが決定される。2つの異なるモデルが同じ関係を表わす。
分類の例として、全生存率(Sav)と、危険率(h)と、結果に対する相関を求めるために調査されている変数の異なる2進値(P=0およびP=1)に関連する対象患者の一部とが収集され、1つの単変量関係のモデル化に使用される。個々の患者グループの生存率は個別に提供されないこともあり、モデル化も同様である。例えば、全生存率は提供されるが、2つの患者グループの各々に対する個々の生存率は提供されない。個々の生存率はモデル化される。
2進予測子(binary predictor)Pに関するコックス回帰モデルの例を使って、収集されたデータが分類される。危険率の値はh=HP=0/HP=1として与えられてもよい。P=0およびP=1の患者の一部分は、wP=0およびwP=1で示されてもよい。P=0およびP=1の場合の、SP=0およびSP=1で示される亜母集団の2年間生存の確率が推論される。この一部分は時刻0(調査の開始時点)において公知であるが、調査の終了時点では公知でない。生存期間の指数関数分布、ワイブル分布、またはその他の分布は、仮定されるか、または公知である。指数関数的減少の場合、式wP=0Sh P=1+wP=1SP=1=Savが得られる。この式は、1つの患者グループについて、指数項としての危険率、加重としての相対比(relative fraction)、全生存率、および所望の2年間生存を含む。この式はSP=1に対して(数値的に)解かれる。他の患者グループについての2年間生存の関係は、SP=0=(Sav−wP=1SP=1)/wP=0として表わされる。結果は、2進予測子(変数)に対する2年後生存の確率である。
上記の例において、特定の回帰モデルが使用された。ロジスティック回帰などの他のモデルが使用されてもよい。本例でモデル化される結果は生存性であるが、合併症などの他の結果がモデル化されてもよい。2年間生存がモデル化されたが、他の期間が使用されてもよい。時間の範囲(例えば、4〜10年間の生存)は、特定の予測子に対して内挿または外挿されてもよい。他の式が使用されてもよい。他の量が使用されてもよい。非2進モデルが使用されてもよい。他の文献の出典が別の種類の情報を提供してもよく、従って、モデル化は背景に基づいて異なっていてもよい。
特定の治療に対する結果と変数との種々の関係がモデル化されてもよい。例えば、予後モデルの部分は、入力変数に応じて、定められた線量に対する結果を提供してもよい。異なるモデルまたは同じモデルが使用されてもよい。任意の変数が使用されてもよいが、統計的に有意な変数が好ましい。有効な場合または望ましい場合、特定の治療に対して新たな単変量関係がモデル化される。
作用206において、単変量関係に対するモデルは、組み合わせられて多変量モデルになる。任意の組合せが使用されてもよい。この関係は確率を表わすために、組合せは確率的であってもよい。例えば、肺癌患者が平均して30%の2年生存確率を有し、肺癌の喫煙者が27%の2年生存確率を有し、一方、肺癌の非喫煙者が40%の確率を有するものとし、さらに、肺癌の男性が25%の2年生存確率を有し、一方、女性が35%の可能性を有するものとする。患者の性別および患者の喫煙習慣とは互いに無関係であるものと仮定すると(この仮定は実際には正しくないかもしれない)、これら2つの予測子を組み合わせて得られる、例えば、喫煙歴のない女性は45.6%の2年生存可能性を有するのに対して、喫煙歴のある男性は22.3%の2年生存確率を有する。
別の可能な組合せとして、ベイジアンネットワークが単変量関係から多変量モデルとして形成される。ベイジアンネットワークは、医療知識を(確率的な)因果関係の形式で獲得する多変量定量モデルとして働く。他のネットワークまたは組合せモデルが使用されてもよい。
組合せでは、様々な単変量予測モデルが互いに独立であることを前提とする。あるいは、単変量予測モデル間の関係は、公知であるかまたは決定され、組合せの一部として含まれる。
文献は別として、医師から得られる情報は、文献モデルに含まれてもよい。医師の知識は、文献に欠けている情報を埋め合わせる適切な仮定、または多変量モデルを形成する各変数間の関係を備えていてもよい。また、患者記録のデータベースから得られるような他の情報源が含まれてもよく、または、これらの情報源は異なる予後モデルとして個別に保存されてもよい。
動作204,206のモデル化および組合せは、コンピュータによるかまたは手動で行なわれる。モデルはコンピュータにより展開されてもよい。モデル化および組合せは、コンピュータが得られたモデルを個々の患者のデータに適用するようにプログラムされる。
オプションの追加作用または代替作用208では、データ駆動型モデルが得られる。線形判別分析、関連ベクトルマシンなど、または、開示が本明細書に参考として組み込まれる米国特許出願公開第2003/0126101号に開示されたようなデータマイニングによって、現在任意の公知であるまたは後で開発されるデータ駆動型モデルが作り出されてもよい。複数の患者に対する医療記録が処理されて、1つまたは複数の線量、治療、および/または治療計画に関する結果に変数をモデル化する。以前に治療を受けた患者からの患者情報のデータベースを検索または処理することによって、結果と値との関係のモデルがコンピュータによって展開される。
1つまたは複数のデータ駆動型モデルが全く得られなくてもよい。NSCLC患者に関する一例では、2つのモデルが得られる。1つのモデルは線形判別分析を用いて得られる。このロジスティック回帰モデルにおける予測子は、文献に基づいて選定されるが、データ分析から、または、医師によって選択されてもよい。モデルパラメータは、以前の複数の患者のデータベース機関にあるデータから得られる。他のモデルは、関連ベクトルマシンを使ったデータ駆動によって得られる。関連する予測子およびモデルパラメータは、いずれもモデルまたはデータ処理によって決定される。
各モデルに使用される知識ベースは異なるかまたは同じである。例えば、作用206の多変量モデルは医師が提供する情報の有無に関わらず文献に基づく。上記作用208に関する例のモデルは、同じデータベースに基づく。文献駆動型モデル(literature driven model)は、患者データからデータ駆動型モデルを学習するときに予備的医療知識として使用されてもよい。予備的医療知識は、データベースから学習するマシンに組み込まれる。医療知識は、確証のために患者データからの情報と比較検討される。
モデル生成作用は、種々の線量、治療の種類、および/または合併症に対して繰り返されてもよい。同じ患者に対する種々のオプションに関連して考えられる結果を探すために、予後モデルにモデルのアレイが備えられてもよい。
作用210において、モデルは、コンピュータのハードウェア、ソフトウェア、またはこれらの両方などに組み込まれる。この組込みによって、各患者の予後モデルとしてのプロセッサ、組合せモデル、または単一モデルでの動作が可能になる。モデルの予測子に関する値が得られる。医療記録またはその他の情報源は、特定患者または各患者に関する値を提供する。モデルは各患者情報に適用される。作用206,208からのデータ駆動型モデルおよび文献駆動型モデルの両方など、1つまたは複数のモデルが予後モデルとして適用される。
異なるモデルから独立した出力が提供されてもよい。その代替として、各モデルは、単一出力または関係した出力を提供するように組み込まれる。組合せモデルは、複数の情報源に基づく改良された予測モデルであってもよい。出力の形式とは無関係に、1つまたは複数の独立したモデルまたは組合せモデルは予後モデルとして機能する。
任意の組合せが使用されてもよい。一実施形態において、モデルは集合体として組み合わせられる。加重平均や多数決など、種々のモデルの予測が組み合わせられる。異なるモデルでは、入力に異なる予測子または変数を使用してもよい。組み合わせられるモデルが同じ入力変数または予測子を有する場合、モデルは結合されてもよい。モデルは結合されてベイジアンネットワークなどの単一モデルを形成する。
作用212において、各患者データが予後モデルを適用するために入力される。患者特有の値の入力はモデルによって使用される予測子または変数に対応する。各患者に関する値が得られない場合、値を、平均値を使うなどして推測してもよく、または空白のままにしておいてもよい。
結果と相関を有する現在任意の公知のまたは後で開発される変数が入力されてもよい。例えば、値は、年令、病歴(例えば、肺癌の原因となるニコチンの使用)、肺機能、性別、および/または活動レベルなど、患者についての臨床データに関するものであってもよい。別の例として、値は、ゲノム変数およびプロテオーム変数に関するものであってもよい。図1を参照すると、作用14は患者特有の情報の入力を示す。
図1において、作用16は、線量分割、全治療時間、同時化学療法、または治療計画に関する他の変数など、治療パラメータの入力を示す。この情報は、個人に関して提案される治療計画を含む。予後モデルは、他の以前の治療実績を与えられ、生存性または合併症の可能性の増減の兆候を含んでもよい。各個人は種々の治療パラメータに対して異なる反応を示す場合がある。
データは手動で入力される。その代替として、データは構造化データベースから検索される。値が非構造化データから得られる場合、値は検索または確率的推論によって検索されてもよい。プロセッサは各患者の医療記録から値を検索する。例えば、以下で議論されるマイニングが行なわれる。検索された値および/または手動入力された値は、各患者の治療に関する生存率などの結果予測を得るために組合せモデルに適用される。
図1の作用18において、線量の生物学的効果が患者特有の値に基づいて推定される。推定は、患者に関する値を予後モデルに適用することによって行なわれる。予後モデルは、適用された値に応じて1つまたは複数の確率などの結果を決定する。予後モデルは、臨床研究刊行物、その他の文献、および/またはデータベースなど、1つまたは複数の情報源の知識ベースを使って結果を決定する。
図2の実施形態において、生物学的効果は作用214よって決定される。生物学的効果は、2つの線量分布など、1つまたは複数の線量分布として決定される。一実施形態において、生物学的効果は、線量に応じた生存確率の線量分布として決定される。予後モデルは、2つまたはそれ以上の考えられる線量に関連する2つまたはそれ以上の結果を提供する。1つの考えられる線量は追加照射または治療不足であってはならない。予後モデルは線量の範囲に対する確率の範囲を推定する。分布の他の値は内挿されてもよく、外挿されてもよい。線量分布は、腫瘍の大きさ、年令、ニコチンの使用、肺機能、性別、活動レベル、および/またはその他の変数などの患者特有の情報に基づく治療上の種々異なる線量を与えられて、生存の確率を表わす。
別の実施形態において、生物学的効果は、線量に応じた合併症の確率の線量分布として予後モデルによって決定される。同じ値または異なる値が予後モデルの同じ部分または異なる部分に適用される。予後モデルは、2つまたはそれ以上の考えられる線量に関連する2つまたはそれ以上の結果を提供する。1つの考えられる線量は追加照射や治療不足であってはならない。予後モデルは、線量の範囲に対する確率の範囲を推定する。分布の他の値が内挿されてもよく外挿されてもよい。線量分布は、患者特有の情報に基づく治療の種々の線量を与えられて、合併症の確率を表わす。一実施形態において、線量分布は腫瘍に対する線量の分布である。別の実施形態において、線量分布は正常組織に対する線量の分布である。
作用214において、治療結果は文献に基づいたモデルを用いて予測される。予後モデルは別のモデルを用いた結果を予測してもよい。各患者に対して同じデータまたは異なるデータが入力される。他のモデルはデータ駆動型モデルなどの異なる情報源に基づく。モデルは、知識ベース源の情報として複数の患者に対する過去の患者情報のデータベースからのモデルパラメータに応じて動作する。統一された結果、組み合わせられた結果、または単一の結果が予後モデルの種々のモデルから推定される。
治療結果は、患者特有の情報を与えられて、照射線量に基づく。治療結果は、化学療法、薬剤の種類、薬剤の量、外科手術、照射時期(例えば、分別)、または他の治療、または治療の組合せなど、他の可能な治療の作用であってもよい。文献に基づいたモデルは知識ベースの情報源としての臨床研究刊行物に記載の量から得られる。患者特有の情報は、文献から認識される変数に関する値としてモデルに入力される。適用によって、治療計画および/または照射線量に応じた生存の確率を含む1つまたは複数の予測された治療結果が得られる。
図1の作用20において、1つまたは複数の生存確率が予後モデルから出力される。この確率は表、分布または単一値として出力されてもよい。一実施形態において、線量および/または治療計画に応じた生存確率の線量分布が出力される。合併症の1つまたは複数の確率は追加的または代替的に出力される。線量または他の治療に応じた確率、あるいは、治療計画に応じた確率など、他の確率が出力されてもよい。
出力は患者特有の値の適用に対応して提供される。特定の患者に対する値に基づいて、放射線治療の生物学的効果が推定され、特定の患者用に出力される。医療記録、病歴、または患者の違いに起因して、出力は患者によって異なっていてもよい。
出力は治療計画システムに入力される線量の決定に使用される。腫瘍に適用される線量および腫瘍外部の組織への許容線量は確率に応じて選択される。この選択は部分的に治療目標に基づく。
作用12において、治療目標が入力される。治療目標は医師または患者などによって手動で入力される。その代替として、治療目標は、予想される目標、共通の目標、またはその他の情報などに基づいて、プロセッサによって決定される。
治療目標は生存の可能性および合併症の可能性を含んでもよい。例えば、70%の生存の可能性とわずか5%の合併症の可能性が望まれる。化学療法またはその他の治療計画制限などがない他の治療目標が提供されてもよい。
図2の作用216に示されるように、線量は腫瘍制御確率および正常組織の合併症確率から決定される。一例において、生存確率は腫瘍制御確率として使用され、合併症の確率は正常組織の合併症確率として使用される。
所望の確率に関連する線量が選択される。例えば、治療目標に等しいまたはより優れた生存の可能性に関連する線量が選択される。選択された線量が与えられて、合併症の確率が検討される。合併症の確率が対応する治療目標以下であれば、合併症治療目標までの選択された線量よりも大きい線量範囲が提供されてもよい。例えば、60Gyの腫瘍線量は、70%の生存の可能性および3%の合併症の可能性を提供するかもしれない。最大65Gyは、合併症に対する線量分布に基づいて5%以下の合併症の可能性をさらに提供し得る。合併症については5Gyの許容範囲が決定される。他の実施形態において、線量の初期の選択は、生存可能性に基づいて定められた許容範囲を有する合併症に基づく。線量(例えば、60Gy)は合併症分布および生存分布の両方に応じて選択される。線量分布は、検討されている線量によって互いに関連付けられる。
別の例において、治療目標の1つは別の治療目標を許容しない。例えば、1%の合併症が望まれても、これに関連する線量は70%の生存可能性が望まれる場合に40%の生存可能性を提供するのみである。異なる目標を選択するようにユーザにフィードバックされてもよい。フィードバックは線量分布を含んでもよい。ユーザは、治療目標を線量分布に基づいて選択してもよい。フィードバックは、線量分布を定められた可能な治療目標のコンピュータベースの出力を含んでもよい。選択肢の範囲が出力されてもよい。
他の選択肢および関連基準が使用されてもよい。別の例として、個々の患者に対して所望の目標を提供する腫瘍線量(例えば、60Gy)が選択される。各患者に対して組織被爆に所望の制限を与える正常組織線量(例えば、5Gy)が選択される。この選択は、特定の患者値に対して予後モデルによって提供される線量分布に基づく。
図1の作用22において、選択された腫瘍線量および正常組織線量、選択された線量および関連した許容範囲、選択された生存の確率および合併症の確率、またはその他の情報は、逆方向治療計画システムに入力される。線量はGy単位または他の種類の値で提供される。許容線量は、Gy単位、腫瘍線量のパーセンテージ、または他の種類の値で提供される。治療対象の腫瘍の位置および寸法も入力される。
逆方向治療計画システムは入力情報に関する治療パラメータを決定する。例えば、ビームの数、ビーム位置、ビーム方向、ビーム強度、および/または所望量の腫瘍線量を提供し、所望量の正常組織線量を超えない治療装置によって実現可能な他の治療パラメータが決定される。ビームの焦点は点ではなく、放射線は正常組織を通過して腫瘍に達するので、正常組織は治療中放射線に曝される。治療パラメータの組合せによって、正常組織線量を制限するように治療が最適化され、腫瘍線量が最大化される。
作用218(図2)において、放射線治療計画またはパラメータが出力される。入力腫瘍線量および/または正常組織線量に対応して、放射線療法を誘導するパラメータが提供される。パラメータは、正常組織の許容範囲内で最大の腫瘍線量を提供し、腫瘍線量を実現する間に正常組織線量を最小化し、あるいはこれらを組み合わせるなどして、1つまたは複数の線量に対して最適化されてもよい。
正常組織線量への制限が定められて、治療システムが腫瘍線量を提供することができなければ、過程は図1の作用24および/または図2の作用220でフィードバックしてもよい。フィードバックは、図2の作用216で別の線量を決定したり、または図1の作用20で出力の確率を別途使用したりするのに役立つ。
フィードバックは、腫瘍線量を満たすことから得られる正常組織線量および/または正常組織線量を満たすことから得られる腫瘍線量などのオプションを含んでもよい。実現可能な腫瘍線量および/または許容線量が提供される。結果がユーザに送られて、所望の目標を達成できないことが通告されてもよい。
線量分布は、実現可能と考えられる他の線量の決定に使用される。これらの線量が所望の仕様範囲内になければ、値はモデルに返送され、予測された生存性および合併症の確率、そのような予測された結果(寿命、副作用など)が実際の実現可能な線量に対して計算される。
治療計画が腫瘍線量および正常組織の許容範囲を満たす場合でもフィードバックが行なわれてよい。放射線治療計画は、実現可能な腫瘍線量、実現可能な許容線量、および第1および第2の線量分布に応じて最適化されてもよい。腫瘍線量、正常組織線量、他の重要事項、またはこれらの組合せに線量分布および優先順位を適用して、治療計画が変更されてもよい。例えば、正常組織の許容範囲が定められると、実現可能な腫瘍線量はより大きい。線量分布は、線量の増加に対して生存の可能性を高める場合がある。そうであれば、増加した線量を使用してもよい。そうでなければ、腫瘍線量を減少させて、合併症の可能性を少なくし、保持されてもよい。線量と合併症および生存性との関係の違いによって、所望の優先事項に基づく最適化が可能になるかもしれない。治療計画では反復確率および線量選択が使用されてもよい。
一実施形態において、予後モデルが治療計画の選択に使用される。治療計画と照射計画との同時最適化が、より最適な全治療計画、従ってより最適な結果につながる可能性がある。予後モデルは、生存可能性および/または合併症を患者特有の値に応じて示す。予後モデルは種々の治療計画に関連する種々の部分を含む。最も高い生存確率、最も低い合併症の可能性、またはより高い生存確率とより低い合併症確率との組合せの治療計画が選択される。患者特有の値は、患者にとって最適な治療計画を予測するために使用される。治療計画は、化学療法、外科手術、ホルモン療法、その他の療法、および/または放射線治療を提供してもよい。治療計画には、化学療法の薬剤の種類、治療時間、放射線の種類、放射線療法の種類、および/または放射線治療の分別など、さらに複合的な検討が含まれてもよい。治療計画が放射線療法を含む場合、放射線治療パラメータが決定される。
実際に一度治療が開始すると、治療計画過程が繰り返されてもよい。実際に照射および/または測定される線量は、予後モデルに対する入力値であってもよい。生存性の確率(例えば、TCPとして使用される)および合併症の確率(例えば、NTCPとして使用される)の予測結果は、修正された生体モデル(すなわち、予後モデル)を使って計算され、医師に提供されてもよい。計画された治療との違いおよび/または患者容態の変化に対応するために新たな治療パラメータが決定されてもよい。
図3は、個別に具体的に検討された自動化治療計画に関する例示的なシステム100のブロック図を示す。システム100は、ハードウェア装置として示されるが、様々な形態のハードウェア、ソフトウェア、ファームウェア、特殊目的のプロセッサ、またはこれらの組合せで実現されてもよい。一部の実施形態は、プログラム記憶装置で効果的に実現されるプログラムとしてソフトウェアで実現される。システムまたはプログラムで実現することによって、ユーザによる放射線治療計画の生成を支援する半自動化または自動化ワークフローが提供される。
システム100は、コンピュータ、パーソナルコンピュータ、サーバ、PACワークステーション、画像システム、医療システム、ネットワークプロセッサ、ネットワーク、あるいはその他の現在任意の公知であるまたは後で開発される処理システムである。システム100は、システムバス104を介して他の構成部品に動作可能に結合される少なくとも1つのプロセッサ102を含む。プロセッサ102は、一実施形態においてハードウェア構成部品を有するコンピュータプラットフォームで実現される。また、コンピュータプラットフォームはオペレーティングシステムとマイクロ命令コードを含む。本明細書に記載される様々な過程、方法、作用、および機能は、オペレーティングシステムを介して実行されるマイクロ命令コードの一部、またはプログラムの一部(または、これらの組合せの一部)であってもよい。
その他の構成部品として、メモリ(ROM 106および/またはRAM 108)、ネットワークインタフェース112、外部記憶装置114、入力/出力インタフェース110、ディスプレイ116、およびユーザ入力118が挙げられる。構成部品の追加、変更、または削減が行なわれてもよい。
ユーザ入力118、ネットワークインタフェース112、または外部記憶装置114は、複数の患者特有の特性に関する値を受け入れる入力として動作してもよい。これらに値は、1つまたは複数のモデルによって使用される変数に関するものである。これらの値は外部記憶装置114や他の場所にあるデータベースからマイニングの一部としてのデータの入力など、手動入力および/またはプロセッサによる入力であってもよい。
ユーザ入力118は、マウス、キーボード、トラックボール、タッチスクリーン、ジョイスティック、タッチパッド、ボタン、ノブ、スライダー、これらの組合せ、あるいは他の現在任意の公知であるまたは後で開発される入力装置である。ユーザ入力118はユーザインタフェースの一部として動作する。例えば、1つまたは複数のボタンがディスプレイ116に表示される。ユーザ入力118は、ボタンに関連する機能の選択用および活性化用のポインタの制御に使用される。あるいは、ハードコード化されたボタンまたは固定化されたボタンが使用されてもよい。
ネットワークインタフェース112はハードワイヤードインタフェースであってもよい。しかし、様々な例示的実施形態において、ネットワークインタフェース112は、万能非同期送受信機(UART)、パラレルディジタルインタフェース、ソフトウェアインタフェース、あるいは公知のまたは後で開発されるソフトウェアおよびハードウェの任意の組合せなど、別の装置との情報伝達に適した任意の装置を含んでもよい。ネットワークインタフェース112は、ローカルエリアネットワーク(LAN)、広域ネットワーク(WAN)、イントラネット、仮想プライベートネットワーク(VPN)、およびインターネットを含む、様々な種類のネットワークに接続されてもよい。プロセッサ102またはネットワークインタフェース112は、プロセッサ102または別のプロセッサによってデータから検索される値を受け入れることができるデータインタフェースを備える。
プロセッサ102は、汎用プロセッサ、中央演算処理装置、ディジタル信号プロセッサ、特定用途向け集積回路、フィールドプログラマブルゲートアレイ、ディジタル回路、アナログ回路、これらの組合せ、あるいは他の現在任意の公知であるまたは後で開発されるデータ処理装置などの任意の適切な構造を有する。プロセッサ102は、単一装置であってもよく、並列処理および/または直列処理用に分散配置された複数の装置を含んでもよい。同様に、処理戦略は、多重処理、多重タスク処理、並列処理などを含んでもよい。プログラムはプロセッサ102によってアップロードされて実行されてもよい。
プロセッサ102は、ワークフロー、データマイニング、モデル適用、逆方向治療計画、および/または本明細書に記載された他の処理を実行する。例えば、プロセッサ102または別のプロセッサは所望の変数に対する値を抽出することができる。
プロセッサ102は、値を、値に対応する複数の変数を生存確率および/または合併症確率に関係付ける予後モデルに適用する。一実施形態において、各変数は結果に対する確率に関係する。モデルパラメータは文献から得られる医療知識を表わす。定められた線量または治療領域における入力値に応じた確率が決定される。様々な変数に関する値の確率は、モデルを適用するプロセッサ102によって結合される。これらの関係は医師から引き出されたものであってもよい。
プロセッサ102は、一実施形態において、患者に関する同じ値および/または追加値を別のモデルに適用する。他のモデルは、複数の患者に関する患者データのデータベースから得られる統計モデルなどである別の知識ベースから得られる。プロセッサ102は、データベースから得られる別の統計モデルなど、他のモデルに値を適用してもよい。種々のモデルに使用される変数は、重複の有無に関わらず、同じであるか、または異なる。様々なモデルの出力が結合されて生存の確率、合併症の確率、または予後モデルの他の確率を提供する。
プロセッサ102は生存の可能性を出力する。この出力は特定の患者値に関する生存の可能性と種々の線量との関係であってもよい。同様に、副作用の可能性も出力される。確率は、プロセッサによって出力される線量分布の一部であるか、または分布と無関係の各確率である。出力は、プロセッサ102の内部に出力されるか、またはプロセッサ102の外部に出力される。
逆方向治療計画システムへの入力は予後モデルの1つまたは複数の出力から決定される。確率は逆方向治療計画システムに入力される線量を決定するために使用される。あるいは、確率、線量、許容範囲などによって得られる値は逆方向治療計画システムに入力される。例えば、生存の確率は腫瘍制御確率として使用される。生存の確率は、腫瘍制御確率と同じでないかもしれないが、同様に使用されてもよい。合併症の確率は正常組織の合併症確率として使用される。合併症の確率は、正常組織合併症の確率と同じでないかもしれないが、同様に使用されてもよい。確率や治療目標は、腫瘍と正常組織の線量および/または許容範囲を決定するために使用される。これらの確率は線量に関係する。
プロセッサ102または別のプロセッサは、逆方向治療計画システムを実装する。現在任意の公知であるまたは後で開発される逆方向治療計画システムが使用されてもよい。逆方向治療計画システムは、制限、線量、目標、および/またはその他の情報を受け入れて、腫瘍を治療する1つまたは複数の放射線治療システムの治療パラメータを出力する。出力パラメータは、完全な計画を提供してもよく、計画の一部を提供してよい。現在任意の公知であるまたは後で開発されるパラメータが出力されてもよい。
プロセッサ102は予後モデルと逆方向治療計画システムとの相互作用を提供してもよい。例えば、逆方向治療計画システムは放射線治療の実現可能な線量を出力し、予後モデルの出力は治療目標と実現可能な線量とを与えられて可能な確率を決定するために使用される。
プロセッサ102は、放射線、外科手術、および/または化学療法を含む治療計画など、治療計画を決定してもよい。治療計画は放射線治療を含んでもよい。実現可能な放射線治療パラメータが決定される。実現可能な放射線治療パラメータを用いて治療目標を満たす治療計画が決定される。1つまたは複数の可能な治療計画と関連した確率とがユーザの選択のために出力されてもよい。一実施形態において、最適な計画は、選択または設定された優先順位に基づいて確率を最大化および/または最小化するように決定される。
プロセッサ102は、予測された結果をディスプレイ116で、メモリに、ネットワークを介してプリンタまたは他の媒体に出力する。ディスプレイ116は、CRT、LCD、プラズマ、プロジェクタ、モニタ、プリンタ、またはデータを表示するその他の出力装置である。ディスプレイは、文字列、グラフ、その他のディスプレイである。
ディスプレイ116は、予後モデルから決定される1つまたは複数の確率に応じて逆方向治療計画システムによって提供される放射線治療パラメータを出力することができる。線量分布、実現可能な線量、腫瘍線量、正常組織線量、許容範囲、治療パラメータ、患者値、予後モデル情報、逆方向治療計画情報、これらの組合せ、および/またはその他の情報など、他の情報が出力されてもよい。生存の確率および/または合併症の確率が出力されてもよい。値、種々のモデル出力、オプション、またはその他の支援情報など、支援情報が表示されてもよい。
プロセッサ102は命令に従って動作する。個別に具体的に検討された自動化治療計画に関する命令および/または患者記録は、外部記憶装置114、ROM106、および/またはRAM108などのコンピュータ可読メモリに格納される。本明細書で議論される過程、方法、および/または技術を実施する命令は、キャッシュ、バッファ、RAM、リムーバブル媒体、ハードディスクドライブ、またはその他のコンピュータ可読記憶媒体など、コンピュータ可読記憶媒体またはメモリに提供される。コンピュータ可読記憶媒体は、様々な種類の揮発性および不揮発性記憶媒体を含む。図に示されあるいは本明細書に記載される機能、作用、またはタスクは、コンピュータ可読記憶媒体に格納された1組または複数組の命令に対応して実行される。これらの機能、作用、またはタスクは、特殊なタイプの命令セット、記憶媒体、プロセッサ、または処理戦略とは無関係であり、単独でまたは組み合わせて動作するソフトウェア、ハードウェア、集積回路、ファームウェア、マイクロコードなどによって実行されてもよい。一実施形態において、命令は、ローカルまたはリモートシステムが読み取るリムーバブル媒体装置に格納される。他の実施形態において、命令はコンピュータネットワークを介してまたは電話回線を通して伝送されるリモート位置に格納される。さらに他の実施形態において、命令は特定のコンピュータ、CPU、GPU、またはシステム内に格納される。添付図面に描かれたシステム構成部品および方法の作用の一部はソフトウェアで実施されてもよいので、システム構成部品(または、過程段階)間の実際の接続はプログラミングの様式に応じて異なってもよい。
命令、個々の患者記録データ、および以前に治療された患者のデータベースには同じかまたは異なるコンピュータ可読媒体が使用されてもよい。患者記録は、外部記憶装置114に格納されるが、他のメモリにあってもよい。外部記憶装置114は、プロセッサ102によって管理され、ハードディスク、RAM、またはリムーバブル媒体などのメモリにあるデータベース管理システム(DBMS)を使って実現されてもよい。あるいは、記憶装置114はプロセッサ102(例えば、キャッシュ)内にある。外部記憶装置114は1つまたは複数の追加コンピュータシステムに実装されてもよい。例えば、外部記憶装置114は、別のコンピュータシステム、PACSシステム、あるいは他の現在任意の公知であるまたは後で建設される病院、医療機関、診療所、試験施設、薬局、またはその他の患者記録保管システムにあるデータウェアハウスシステムを含んでもよい。外部記憶装置114、内部記憶装置、その他のコンピュータ可読媒体、またはこれらの組合せは、患者の少なくとも1つの患者記録に関するデータを格納する。患者記録データは、図4に表わされるような複数の記憶装置に、すなわち一箇所で分配されてもよい。
情報の保管と検索用の自動化技術を採用する医療従事者が増えている。患者情報を保存するコンピュータ化された患者記録(CPR)の使用はこのような例の1つである。図4に示されるように、例示的なCPR 200は、患者の治療の間、あるいは機関を利用する間に収集される情報を含む。この情報は、例えば、コンピュータ断層撮影(CT)画像、X線画像、臨床試験結果、医師のカルテ、医療処置の詳細、処方薬情報、放射線学的報告、その他の専門家の報告、人口学的情報、家族歴、患者情報、および支払(財務)情報を含んでもよい。
CPRは複数のデータソースを含んでもよく、データソースの各々は典型的に患者管理の異なる態様を表わす。あるいは、CPRは1つのデータソースに統合される。財務、臨床、および薬局のデータベースなどの構造化データソースは、一般に患者情報をデータベース表に保存する。また、情報は、例えば、フリーテキスト、画像、および波形などの非構造化データソースに格納されてもよい。多くの場合、重要な臨床所見は非構造化医師レポート、画像に関する注釈、またはその他の非構造化データソースのみに格納される。
データ駆動型モデルを得るためのデータベースは、CPR 200の形式であってもよい。以前に治療を受けている複数の患者のデータが格納される。代替的または追加的に、治療を受ける個人の医療記録はCPR 200に格納される。
一実施形態において、モデルによって適用される患者値、データ駆動型モデルの開発用データ、および/またはモデルパラメータは、患者の医療記録から検索される。本開示が本明細書に参照により組み込まれた米国特許出願公開第2003/0126101号を参照されたい。現在任意の公知であるまたは後で開発されるデータマイニングが使用されてもよい。構造化医療記録の場合、その構造に基づいて種々の検索ルーチンが使用されてもよい。非構造化または構造化および非構造化医療記録の場合、一実施形態において確率的推論がマイニングに使用される。マイニングはプロセッサによって行なわれる。マイニングでは、事実が患者記録から抽出される。事実は結論を示すデータ点であってもよい。事実は正確であるかどうかが分からない。
患者記録では、モデリングに使用される変数または使用される可能性のある変数に対応する複数の値に関係した情報が検索される。場合によっては、患者記録は様々な機関に分配または格納されてもよい。様々な機関として、医院、病院、医療ネットワーク、診療所、画像施設、またはその他の医療グループが挙げられる。様々な機関は、別々の患者記録を有するが、互いに関連があってもなくてもよく、共同所有されていてもされていなくてもよい。患者記録を検索するために、様々な機関からの患者記録が結合される。例として、The Specifications Manual for National Hospital Quality Measuresのガイドラインを考えてみる。患者が心不全であるとの一次診断で病院に入院する場合、病院に到着する前または入院中に、随時、左心室収縮機能(LVSF)評価が文書化されるべきである。まず、心不全であるとの一次診断で入院した患者を探すために入院記録が検索される。この検索は、病院の記録(例えば、支払記録および/またはその他のデータソース)を検索することによって行われ得る。ただし、この後に続く判断はもう少し複雑になる。LVSF評価の記述が病歴、退院要約、または他の一部として病院の記録が存在する場合、データは病院データのみから評価され得る。しかし、多くの場合、データが病院にはなく、他の場所にある。例えば、自分の診察室で前日にLVSF評価を行なった心臓専門医がその患者について病院に問い合わせる場合、LVSF評価の記録はその医師の手元の診療カルテにある。LVSF評価が1つの病院で行なわれ、その後、患者が現在の病院に転院した場合、LVSF評価の記録は前の病院にある。
モデル化のための値、すなわち、モデルに適用される値は、抽出された情報から得られる。これらの値は1つまたは複数のデータ点から決定される。これらの値は抽出の一環として得られてもよい。例えば、これらの値は、疑似事実を組み合わせることによって確率的に得られる。これらの値は既に抽出された情報から得られてもよい。非確率的導出が使用されてもよい。
データマイニングに関する例示的実施形態は、確率を使った非構造化患者記録からのマイニングを含む。米国公開出願第2003/0120458号は、構造化臨床データを抽出するための非構造化および構造化情報のマイニングを開示している。欠けている情報、一貫性のない情報、または正しくない可能性のある情報は、確率または推論を割り当てることによって処理される。これらのマイニング技術は、品質順守(米国公開出願第2003/0125985号)、コンプライアンス(米国公開出願第2003/0125984号)、臨床試験認定(米国公開出願第2003/0130871号)、支払(米国公開出願第2004/0172297号)、患者状態の投影(米国公開出願第2003/0126101号)、および改良(米国公開出願第2006/0265253号)に使用される。上記の公開出願の開示は、参照により本明細書に組み込まれる。構造化情報のみからのマイニング、確率の割当てなしのマイニング、または一貫性のない情報、欠けている情報、または正しくない情報に関する推論なしのマイニングなど、他の患者データマイニングまたはマイニング法が使用されてもよい。
プロセッサ102または別のプロセッサは、患者記録を検索して値を自動的に抽出する。図5は、高品質の構造化臨床情報を作成するために、患者記録を検索するプロセッサ102によって実現される例示的なデータマイニングシステムを示す。データマイニングシステムの処理要素は、ソフトウェア、ファームウェア、マイクロコード、ハードウェア、これらの組合せ、またはその他のプロセッサベースのオブジェクトである。データマイニングシステムは、知識ベース330に含まれる領域固有の知識を使ってコンピュータ化された患者記録(CPR)310から情報を検索するデータマイナー350を含む。データマイナー350は、CPR352から情報を抽出し、時間354に対して原則としてすべての入手可能な証拠を組合せ、この組合せ過程356から推論を導く要素を含む。検索された情報は構造化CPR380に格納されてもよい。図5に描かれた構造は、システムが新たなデータソース、病気、および病院に関して容易に拡張され得るプラグインモジュールを支援する。新たな要素抽出アルゴリズム、要素結合アルゴリズム、および推論アルゴリズムは、既存のアルゴリズムの拡張または代替として使用され得る。
マイニングは領域知識に応じて行なわれる。例えば、対象の病気などの対象領域に関する詳細知識は、関連情報を識別する過程を誘導する。この領域知識ベース330には2つの形式がある。これは、システムへの入力として、またはシステムによって理解され得る情報を生成するプログラムとして符号化され得る。例えば、特定の病気または複数の病気を診断する臨床ガイドラインは予後診断に関する情報を提供する。この臨床ガイドラインはマイニングの領域知識として使用される。この領域知識は予後診断に関連する文献の出典から提供されてもよい。追加的または代替的に、領域知識ベース330は、別途作成された臨床ガイドラインに応じて、またはこの臨床ガイドラインとは関係なく試験データから学習されてもよい。学習された診断または予後診断と情報との関係は、臨床ガイドラインであってもよい。
また、領域固有の知識は病気固有の領域知識を含んでもよい。例えば、病気固有の領域知識は、病気の危険性、病気の進行情報、合併症情報、結果、および病気に関係する変数、病気に関係する測定値、ならびに医療機関によって確立された方針およびガイドラインに影響を与える様々な因子を含んでもよい。領域固有の知識ベースは、特別な条件、ガイドライン、または影響因子に関連すると判断される類義語、用語、またはその他の指標を含んでもよい。
臨床ガイドラインによって関連があると識別される情報は、情報の因子または項目が特定の診断または予後診断を示すかまたは示さないかという確率の判定指標を提供する。この関連性は、診断または予後診断を75%と示し、あるいは他の確率を50%より高いと示す可能性が高い情報の項目の関連性を提供するなどして一般的に推定されてもよい。この関連性は、臨床経験、文献、試験、研究、または機械学習に基づく具体的な予後診断を示す情報の項目の確率を割り当てるなど、より具体的であってもよい。領域知識は、患者状態、診断、所望のデータ点、値、予後診断、または評価基準を示す閾値よりも大きい確率を有する要素を示す。他の確率は情報の組合せと関連していてもよい。
データソースを検索する領域固有の知識は機関固有の領域知識を含んでもよい。例えば、特定の病院にあるデータについての情報、病院における文書構造、病院の方針、病院のガイドライン、および病院に関連するばらつきである。領域知識は、マイニングを誘導するが、患者記録の情報の具体的な項目を示さずに誘導してもよい。
抽出要素352は、一人の患者または複数の患者に関する各データソースからのごく一部の情報の収集に対処する。この一部の情報または要素は特定時刻における患者についての確率的主張として表わされる。あるいは、要素はどの確率にも関連していない。抽出要素352は、CPR310から情報を取り入れて、時間または期間に関連する患者についての確率的主張(要素)を生成する。この過程は、領域知識ベース330に含まれる領域知識の誘導で行なわれる。抽出に関する領域知識は、一般に各ソースに特有であるが、一般化されてもよい。
データソースは、構造化情報および/または非構造化情報を含む。構造化情報は必要に応じて標準化ユニットに変換されてもよい。非構造化情報はASCIIテキスト文字列、DICOM(医用におけるディジタル画像と通信)形式の画像情報、または領域知識に基づいて分割されたテキスト文書を含んでもよい。正しくないかまたは欠けている可能性のある情報は、処置が取られるように留意されてもよい。例えば、検索された情報は、訂正されたICD−9診断コードを含む修正された情報を含んでもよい。
データベースソースからの抽出は、ソース内の表に問い合わせることによって行なわれてもよく、その場合、領域知識はデータベースのフィールドに存在する情報を符号化する。他方、抽出過程は、データベースに含まれる情報の複雑な機能の計算を伴ってもよく、その場合、領域知識はこの計算を実行するプログラムの形態で提供されてもよく、この計算の出力は残りのシステムに供給されてもよい。
画像または波形からの抽出は画像処理プログラムまたはシステムに提供される特徴抽出プログラムによって行なわれてもよい。テキストソースからの抽出はフレーズスポッティングによって行なわれてもよく、フレーズスポッティングは対象のフレーズおよび引き出され得る推論を指定するルールのリストを必要とする。例えば、医師のカルテに「肝臓には転移癌の形跡がある」との文言の記述がある場合、この文章から患者が癌を有することを推論するために、ルールは「転移癌」というフレーズを探すようにシステムに指図する。このフレーズが見つかると、十分な信頼性(これは、本実施形態において、名称「癌」、「真」値、および信頼性0.9の要素を生成するものと言い換えられる)で患者は癌を有すると主張される。
結合要素354は、変数に関して1つの統一された確率的主張を形成するために同じ期間において同じ変数を指すすべての要素を結合する。結合は、同じソースおよび/または異なるソースからの矛盾する可能性のある主張から定められた時点に各変数の統一見解を形成する過程を含む。これらの統一された確率的主張は疑似事実と呼ばれる。疑似事実は1つまたは複数の要素から推論される。種々の要素が種々の疑似事実または疑似事実に対応する値を示す場合、十分な(閾値)または最大の確率を有する疑似事実が確率的主張から選択される。領域知識ベースは、使用される具体的な要素を示してもよい。その代替として、十分な決定的確率を有する要素のみが使用される。(例えば、疑似事実として直接的または間接的に)患者状態を示す閾値よりも大きい確率を有する要素が選択される。様々な実施形態において、この結合は、要素によって表わされる変数の統計値に関する領域知識を使って行なわれる(「事前確率」)。
患者状態は患者の状態の個々のモデルである。患者状態は、領域知識ベースによって確立されるような、患者との関係に注意が向けられる可能性のある変数の一群である。対象の情報は、状態シーケンス、すなわち、患者の治療中の種々の時点における患者状態の値である。
推論部品356は、時間に対する患者の経過のコヒーレントで簡明な像を形成するために、同じ時点および/または異なる時点において上記の疑似事実の結合を処理する。患者の状態のこの経過は状態シーケンスと呼ばれる。患者状態は疑似事実または要素から推論される。十分に(閾値)高い確率、すなわち、最高の確率を有する患者状態が推論された患者状態または特異状態として選択される。
推論は、患者について得られるすべての疑似事実および/または要素を選択し、病状、治療プロトコル、臨床試験、臨床行為、またはこれらの組合せによって患者の経過の複合ビューを生成する過程である。基本的に、患者の現在の状態は、以前の状態と新たな複合観察よって影響され得る。
この過程に必要な領域知識は、患者集団全体にわたって注目される病気の進展の一般的なパターンと、患者の病気と観察され得る変数(臨床試験結果、医師のカルテ、またはその他の情報)との関係とを表わす統計モデルであってもよい。疑似事実に含まれる情報と領域知識とに最もよく一致すると考えられる患者の概要が生成されてもよい。
例えば、観察から癌患者が化学療法を受けている間に癌性増殖がないことが分かるが、領域知識には患者が癌を有するときのみ化学療法が行なわれると記載されている場合、システムは、(1)患者が癌を有さず、かつ化学療法を受けていない(すなわち、観察はおそらく正しくない)、または(2)患者は癌を有し、かつ化学療法を受けている(患者が癌を有さないという初期の推論は正しくない)の主張のどちらの可能性が高いかに応じ、すべての他の情報を与えられて、これらのいずれかであると判断してもよい。実際には、(1)と(2)は確率に違いがあるものの、これら両方が推論されてもよい。
別の例として、「患者は転移癌を有する」などの記載が医師のカルテに見られ、これは<癌=真(確率=0.9)> という記述から推論される状況を考える。(これは、<癌=真(確率=0.9)、癌=不明(確率=0.1)との主張に等しいことに留意されたい。)
ここで、癌の基本確率 <癌=真(確率=0.35)、癌=偽(確率=0.65)> (例えば、患者の35%が癌を有する)があるものとさらに仮定する。すると、この主張は癌の基本確率と結合されて、例えば、主張<癌=真(確率=0.93)、癌=偽(確率=0.07)>が得られる。
同様に、以下に示される矛盾する証拠を仮定する。
1.<癌=真(確率=0.9)、癌=不明(確率=0.1)>
2.<癌=偽(確率=0.7)、癌=不明(確率=0.3)>
3.<癌=真(確率=0.1)、癌=不明(確率=0.9)>
4.<癌=偽(確率=0.4)、癌=不明(確率=0.6)>。
この場合、これらの要素は癌の基本確率<癌=真(確率=0.35)、癌=偽(確率=0.65)>と結合されて、例えば、<癌=真(確率=0.67)、癌=偽(確率=0.33)>と結論されてもよい。
1.<癌=真(確率=0.9)、癌=不明(確率=0.1)>
2.<癌=偽(確率=0.7)、癌=不明(確率=0.3)>
3.<癌=真(確率=0.1)、癌=不明(確率=0.9)>
4.<癌=偽(確率=0.4)、癌=不明(確率=0.6)>。
この場合、これらの要素は癌の基本確率<癌=真(確率=0.35)、癌=偽(確率=0.65)>と結合されて、例えば、<癌=真(確率=0.67)、癌=偽(確率=0.33)>と結論されてもよい。
他の実施形態において、具体的な確率的結論が全体的なまたは一時的な患者状態に対してマイニングなしで決定される。例えば、患者に関連する容態の経過または他の病歴を判断せずに予後予測に関する値が抽出される。
要素を収集し、欠けている情報、正しくない情報、および/または一貫性のない情報を処理するために、多数のデータソースが評価されてもよい。例として、患者が糖尿病を有するかどうかを判断する際に、以下の情報が抽出される可能性があると考える。
(a)糖尿病に関連する二次診断のICD−9支払コード
(b)糖尿病の治療に関連して患者に投与される薬剤(例えば、インスリン)
(c)糖尿病の診断に用いる患者の臨床試験値(例えば、2回連続の250mg/dを超える血糖測定値)
(d)病歴と診察または退院記録(フリーテキスト)において患者が糖尿病であることに医師が言及
(e)糖尿病であることに関連する患者の処置(例えば、足の検診)。
以上のように、複数の独立した情報源があり、その観察によって患者が糖尿病(または、さらに一般的に、ある病気/健康状態を有する)であることを(様々な確度で)裏付けることができる。これらすべてが存在しているわけではなく、実際に場合によっては、これらが互いに矛盾することもある。確率的観察が様々な信頼度で導入され得る。これらの観察(例えば、支払コード、薬剤、臨床試験について)が確率的に結合されて糖尿病の最終確率が見つけられる。患者記録には糖尿病と矛盾する情報があり得ることに留意されたい。例えば、患者はストレスの多い症状を発現すると(例えば、手術)、血糖が上がらない。別の例では、心電図におけるST上昇の観察は、ST上昇のみが心臓発作の決定的な証拠でないにしても、患者が心臓発作を発症したとの確信を高め得る。
(a)糖尿病に関連する二次診断のICD−9支払コード
(b)糖尿病の治療に関連して患者に投与される薬剤(例えば、インスリン)
(c)糖尿病の診断に用いる患者の臨床試験値(例えば、2回連続の250mg/dを超える血糖測定値)
(d)病歴と診察または退院記録(フリーテキスト)において患者が糖尿病であることに医師が言及
(e)糖尿病であることに関連する患者の処置(例えば、足の検診)。
以上のように、複数の独立した情報源があり、その観察によって患者が糖尿病(または、さらに一般的に、ある病気/健康状態を有する)であることを(様々な確度で)裏付けることができる。これらすべてが存在しているわけではなく、実際に場合によっては、これらが互いに矛盾することもある。確率的観察が様々な信頼度で導入され得る。これらの観察(例えば、支払コード、薬剤、臨床試験について)が確率的に結合されて糖尿病の最終確率が見つけられる。患者記録には糖尿病と矛盾する情報があり得ることに留意されたい。例えば、患者はストレスの多い症状を発現すると(例えば、手術)、血糖が上がらない。別の例では、心電図におけるST上昇の観察は、ST上昇のみが心臓発作の決定的な証拠でないにしても、患者が心臓発作を発症したとの確信を高め得る。
上記の例は、単に例示を目的として提示されるもので、限定を意図するものではない。要素を結合する実際の様式は、検討される具体的な領域とシステムユーザのニーズとに依存する。さらに、上記の議論は患者中心のアプローチに言及しているが、複数の患者が同時に処理されてもよい。さらに、段階(すなわち、抽出、結合、推論)のいずれかまたはすべてに対して学習過程が領域知識ベース330に組み入れられてもよい。
情報が欠けている場合には、根拠となる証拠が見つからない。プロセッサ102は、2つの方法のどちらかで応答してもよい。フィールドは空白のままでよく、あるいは可能性の最も高い応答の計算に事前確率が使用される。例えば、受ける質問の1つは、患者が喫煙者か否かである。患者記録にユーザが喫煙者であるかどうかの証拠がなければ、システムは、これを空白のままにするか、あるいは事前確率(喫煙者のパーセンテージに基づく)はユーザがおそらく喫煙者でないことを示唆するのでユーザが喫煙者でないことを記録する。
マイニングはインターネットを使って実行されてもよい。また、生成される構造化臨床情報は、インターネットを使ってアクセスされてもよい。さらに、データマイナーはサービスとして実行されてもよい。例えば、複数の病院がサービスに参加してその適合患者情報を検索してもらい、この情報はサービスプロバイダが所有するデータウェアハウスに格納されてもよい。サービスはサードパーティサービスプロバイダ(すなわち、病院に関連しない事業体)によって実行されてもよい。
領域知識ベース、抽出、結合、および/または推論は、1つまたは複数のパラメータ値に応じて応答するかまたは実行されてもよい。例えば、確率的主張は、通常、平均値に関連していてもよい。しかし、一部の開業医や医療機関は、特定の要素が事実上の患者状態を示すことを望む場合がある。別の確率が要素に関連していてもよい。別の例として、特定の病気または臨床ガイドラインに関する領域知識ベースに含まれる要素グループは、人々や状況に応じて様々であってもよい。十分な確率に対する閾値、または他の閾値は、人々や状況に応じて様々であってもよい。
マイニングはデータ点および/またはデータ値を生成する。患者情報が一度構造化CPR 380に投入されると、モデル化された予測子または変数に対応する値を決定するなどして、データ点は予後診断に関する質問に答えやすい形式で提供される。構造化情報は、値を得るために使用されるデータ点に加えてこの値を含んでもよい。例えば、疑似事実および結合情報は、抽出情報または構造化情報として含まれる。
本明細書に記載された様々な改良点は一緒にまたは別々に使用されてもよい。どの形式のデータマイニングまたは検索が使用されてもよい。本明細書では例示的実施形態が添付図面を参照して説明されているが、本発明はこれらと全く同じ実施形態に限定されるものではなく、さらに、ほかにも様々な変更および修正が本発明の範囲および趣旨から逸脱することなく、本発明において当業者によってなされてもよいことは理解されるべきである。
102 プロセッサ
110 I/Oインタフェース
112 ネットワークインタフェース
114 外部記憶装置
116 ディスプレイ
118 ユーザ入力
110 I/Oインタフェース
112 ネットワークインタフェース
114 外部記憶装置
116 ディスプレイ
118 ユーザ入力
Claims (21)
- 個別に具体的に検討された自動化治療計画システム(100)であって、
患者における複数の患者特有の特性に関する値を受け入れることができる入力(118、112、114)と、
前記値に対応する複数の変数を定められた線量における第1の確率に関係付ける第1の予後モデル(18)に、前記値を適用することができ、逆方向治療計画システム(22)に、前記第1の確率に応じて変わる第1の入力を提供することができるプロセッサ(102)と、
前記第1の確率に応じて前記逆方向治療計画システム(22)によって提供される放射線治療パラメータを出力することができるディスプレイ(116)と
を備える自動化治療計画システム。 - 前記第1の予後モデル(18)は文献からの医療知識に応じて前記変数を前記第1の確率に関係付ける請求項1に記載のシステム。
- 前記入力(118、112、114)は前記プロセッサ(102)または別のプロセッサによってデータから検索された前記値を受け入れることができるデータインタフェース(112)を備える請求項1に記載のシステム。
- 前記第1の予後モデル(18)は他の変数と無関係である各変数に関する関数関係に変換された文献から収集された医療知識に応じて変わる請求項1に記載のシステム。
- 前記プロセッサ(102)は前記患者の値または追加値を第2の予後モデルに適用することができ、前記第2の予後モデルは複数の患者に関する患者データのデータベースから得られる統計モデルであり、前記第1の確率は前記第1および第2の予後モデルの出力に応じて変わる請求項1に記載のシステム。
- 前記第1の予後モデル(18)は前記第1の確率として生存の可能性を出力することができ、前記生存の可能性は腫瘍制御確率として前記逆方向治療計画システム(22)に入力することができる請求項1に記載のシステム。
- 前記第1の予後モデル(18)は前記第1の確率として副作用の可能性を出力することができ、前記副作用の可能性は正常組織の合併症確率として前記逆方向治療計画システム(22)に入力することができる請求項1に記載のシステム。
- 前記第1の予後モデル(18)は第2の確率として副作用の可能性を出力することができ、前記副作用の可能性は正常組織の合併症確率として前記逆方向治療計画システム(22)に入力することができる請求項6に記載のシステム。
- 前記第1の予後モデル(18)は前記値に応じて線量分布を出力することができ、前記線量分布は定められた線量における前記第1の確率を含み、前記第1の入力は線量分布である請求項1に記載のシステム。
- 前記プロセッサ(102)は前記第1の予後モデル(18)と前記逆方向治療計画システム(22)との間に相互作用を提供することができ、前記第1の予後モデル(18)は前記出力放射線治療パラメータの少なくとも1つに応じて第2の確率を決定することができる請求項1に記載のシステム。
- 前記プロセッサ(102)は少なくとも放射線および化学療法の治療計画を決定することができ、前記治療計画は実現可能な放射線治療パラメータに応じて変わる請求項10に記載のシステム。
- 個別に具体的に検討された自動化治療計画のためにプログラムされたプロセッサ(102)によって実行可能な命令を表わすデータを格納しているコンピュータ可読記憶媒体(106、108、114)において、前記命令は、
線量に応じて生存の可能性の第1の線量分布を決定し(20、214)、前記第1の線量分布を個々の患者に特有の第1の値に応じて予後モデルによって出力し、
線量に応じて合併症の可能性の第2の線量分布を決定し(20、204)、前記第2の線量分布を前記個々の患者に特有の第2の値に応じて予後モデルによって出力し、
所望の生存の可能性に対応する前記第1の線量分布から腫瘍線量を選択し(216)、
所望の合併症の可能性に対応する前記第2の線量分布から許容線量を選択し(216)、
前記腫瘍線量および前記許容線量に応じて放射線治療計画を決定する(218)、
ことを含む自動化治療計画のためにプログラムされたプロセッサによって実行可能な命令。 - 前記腫瘍線量および前記許容線量を選択すること(216)は前記第1の線量分布を前記第2の線量分布に関係付けることを含む請求項12に記載の命令。
- 前記第1および第2の線量分布を決定すること(214)は臨床研究刊行物から知識ベースを有する前記予後モデルを決定することを含む請求項12に記載の命令。
- 逆方向治療計画システム(22)からのフィードバックに応じて前記腫瘍線量および前記許容線量を最適化すること(220)をさらに含み、前記逆方向治療計画システム(22)は前記放射線治療計画を出力することができる請求項12に記載の命令。
- 個別に具体的に検討された自動化治療計画方法であって、
患者特有の値を予後モデルに適用するステップ(14、16)と、
前記適用するステップに対応して前記予後モデルから生存の確率を出力するステップ(20)と、
前記生存の確率に応じて、第1の線量を逆方向治療計画システム(22)に入力するステップと、
前記第1の線量に対応して前記逆方向計画システム(22)から放射線治療計画を提供するステップ(218)と
を含む自動化治療計画方法。 - 前記生存の確率を出力するステップ(20)は線量に応じて生存の確率の第1の線量分布を推定するステップを含み、さらに、
前記適用するステップに対応した予後モデルによって、線量に応じて合併症の確率の第2の線量分布を推定するステップ(20)と、
前記第1の線量分布および第2の線量分布に応じて前記第1の線量を選択するステップ(216)と
を含む請求項16に記載の方法。 - 逆方向治療計画システム(22)から実現可能な腫瘍線量および実現可能な許容線量をフィードバックするステップ(24)と、
前記実現可能な腫瘍線量、前記実現可能な許容線量、および前記第1および第2の線量分布に応じて前記放射線治療計画を最適化するステップ(220)と
をさらに含む請求項17に記載の方法。 - 前記適用するステップに対応して、前記予後モデルから合併症の確率を出力するステップ(20)と、
前記第1の線量を腫瘍線量として選択し(216)、許容線量を選択するステップであって、前記腫瘍線量および前記許容線量の各々が生存の確率および合併症の確率に応じて変わるステップと、
前記許容線量を前記逆方向治療計画システム(22)に入力するステップと
をさらに備える請求項16に記載の方法。 - 前記予後モデルを用いて前記値に応じて治療計画を選択するステップをさらに備える請求項16に記載の方法。
- 出力するステップ(20)は前記予後モデルを用いて推定するステップ(18)を備え、前記予後モデルは複数の異なる種類の知識ベースソースを表わす請求項16に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US79245006P | 2006-04-17 | 2006-04-17 | |
US11/735,720 US7844560B2 (en) | 2006-04-17 | 2007-04-16 | Personalized prognosis modeling in medical treatment planning |
PCT/US2007/009385 WO2007123913A1 (en) | 2006-04-17 | 2007-04-17 | Personalized prognosis modeling in medical treatment planning |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2009533782A true JP2009533782A (ja) | 2009-09-17 |
Family
ID=38521167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009506546A Withdrawn JP2009533782A (ja) | 2006-04-17 | 2007-04-17 | 医療計画における個人的予後モデル化 |
Country Status (6)
Country | Link |
---|---|
US (2) | US7844560B2 (ja) |
EP (1) | EP2008215A1 (ja) |
JP (1) | JP2009533782A (ja) |
AU (1) | AU2007240837A1 (ja) |
CA (1) | CA2649430A1 (ja) |
WO (1) | WO2007123913A1 (ja) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015197772A (ja) * | 2014-04-01 | 2015-11-09 | 横河電機株式会社 | 放射線治療情報システムおよびコンピュータプログラム |
KR20160044459A (ko) * | 2013-06-21 | 2016-04-25 | 시리스 메디컬, 인코퍼레이티드 | 다목적 방사선 치료 선택 시스템 및 방법 |
JP2017514532A (ja) * | 2013-11-28 | 2017-06-08 | レイサーチ ラボラトリーズ エービー | 不確かさに基づく放射線療法治療計画のための方法およびシステム |
JP2017129891A (ja) * | 2015-12-25 | 2017-07-27 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 情報処理装置、情報処理方法、及び、プログラム |
JP2018514021A (ja) * | 2015-03-10 | 2018-05-31 | エレクタ、インク.Elekta, Inc. | ワークフロー管理エンジンを含む適応型治療管理システム |
KR20180060968A (ko) * | 2016-11-28 | 2018-06-07 | 고려대학교 산학협력단 | 데이터마이닝을 이용한 방사선 치료 계획의 검증 방법 |
JP2018108366A (ja) * | 2016-12-28 | 2018-07-12 | キヤノンメディカルシステムズ株式会社 | 治療計画装置及び臨床モデル比較方法 |
WO2018147653A1 (ko) * | 2017-02-08 | 2018-08-16 | 사회복지법인 삼성생명공익재단 | 생존율 예측 모델 생성 방법, 장치 및 컴퓨터 프로그램 |
KR101943222B1 (ko) * | 2017-10-31 | 2019-01-28 | 고려대학교 산학협력단 | 치료 예측결과 및 근거 자료 일괄 제공 방법 및 시스템 |
KR101946402B1 (ko) * | 2017-10-31 | 2019-02-11 | 고려대학교산학협력단 | 인공 지능망 기반 치료 예측 결과 제공 방법 및 시스템 |
KR101946407B1 (ko) * | 2017-10-13 | 2019-02-11 | 고려대학교산학협력단 | 방사선 치료 예측 방법 및 장치 |
KR101947725B1 (ko) * | 2017-10-13 | 2019-02-13 | 고려대학교 산학협력단 | 암 치료 예측결과 제공 방법 및 시스템 |
WO2019074191A1 (ko) * | 2017-10-13 | 2019-04-18 | 고려대학교 산학협력단 | 암 치료 예측결과 제공 방법 및 시스템, 인공 지능망 기반 치료 예측 결과 제공 방법 및 시스템, 그리고 치료 예측결과 및 근거 자료 일괄 제공 방법 및 시스템 |
WO2020153069A1 (ja) * | 2019-01-25 | 2020-07-30 | ネクスジェン株式会社 | 血液疾患の予後予測情報の生成システム、情報処理装置、サーバ、プログラム、又は方法 |
JP2020130790A (ja) * | 2019-02-22 | 2020-08-31 | キヤノンメディカルシステムズ株式会社 | 治療計画支援装置及び方法 |
WO2023175702A1 (ja) * | 2022-03-15 | 2023-09-21 | 株式会社日立製作所 | 予後管理支援システム及び予後管理支援方法 |
WO2024019471A1 (ko) * | 2022-07-18 | 2024-01-25 | 아주대학교산학협력단 | 지수함수를 이용한 생존곡선 생성 시스템 및 그 방법 |
Families Citing this family (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8529446B2 (en) * | 2007-02-09 | 2013-09-10 | Siemens Aktiengesellschaft | Methods for determining parameters and planning clinical studies in automatic study and data management systems |
US8032308B2 (en) * | 2008-03-13 | 2011-10-04 | Siemens Medical Solutions Usa, Inc. | Modeling lung cancer survival probability after or side-effects from therapy |
US8199982B2 (en) | 2008-06-18 | 2012-06-12 | International Business Machines Corporation | Mapping of literature onto regions of interest on neurological images |
US8126228B2 (en) * | 2008-06-18 | 2012-02-28 | International Business Machines Corporation | Determining efficacy of therapeutic intervention in neurosychiatric disease |
US8548823B2 (en) * | 2008-07-08 | 2013-10-01 | International Business Machines Corporation | Automatically determining ideal treatment plans for complex neuropsychiatric conditions |
US7996242B2 (en) * | 2008-07-08 | 2011-08-09 | International Business Machines Corporation | Automatically developing neuropsychiatric treatment plans based on neuroimage data |
US9198612B2 (en) | 2008-07-08 | 2015-12-01 | International Business Machines Corporation | Determination of neuropsychiatric therapy mechanisms of action |
US20100017226A1 (en) * | 2008-07-18 | 2010-01-21 | Siemens Medical Solutions Usa, Inc. | Medical workflow oncology task assistance |
US8078554B2 (en) * | 2008-09-03 | 2011-12-13 | Siemens Medical Solutions Usa, Inc. | Knowledge-based interpretable predictive model for survival analysis |
CA2778337C (en) * | 2008-11-04 | 2019-08-06 | Department Of Biotechnology | A technique to enhance the clinical efficiency of radiotherapy and radiosurgery using perturbative beaming and tissue-specific radiobiology |
CN102202735B (zh) * | 2008-11-04 | 2017-02-22 | 皇家飞利浦电子股份有限公司 | 用于超声治疗的方法和系统 |
US9248313B2 (en) | 2009-03-27 | 2016-02-02 | Koninklijke Philips N.V. | Marker adapted normal tissue complication probability |
US20100332287A1 (en) * | 2009-06-24 | 2010-12-30 | International Business Machines Corporation | System and method for real-time prediction of customer satisfaction |
US20110202486A1 (en) * | 2009-07-21 | 2011-08-18 | Glenn Fung | Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions |
US20110161257A1 (en) * | 2009-12-24 | 2011-06-30 | Bell Stephen S | Method, simulator assembly, and storage device for interacting with a regression model |
US8725539B2 (en) | 2010-09-07 | 2014-05-13 | Premier Health Care Services Inc. | Systems and methods for providing a continuum of care |
US10332225B2 (en) * | 2011-01-28 | 2019-06-25 | Varian Medical Systems International Ag | Radiation therapy knowledge exchange |
CN103649959B (zh) | 2011-03-10 | 2019-11-19 | 美迪生健康有限公司 | 改善医疗保健的系统 |
US8694333B2 (en) * | 2011-04-14 | 2014-04-08 | International Business Machines Corporation | Cohort driven medical diagnostic tool |
US9679110B2 (en) * | 2011-06-03 | 2017-06-13 | Washington University | Developing predictive dose-volume relationships for a radiotherapy treatment |
US8560342B2 (en) | 2011-06-13 | 2013-10-15 | International Business Machines Corporation | Cohort driven selection of medical diagnostic tests |
US10039936B2 (en) * | 2011-09-20 | 2018-08-07 | Varian Medical Systems International Ag | Method and apparatus pertaining to multi-stage radiation-treatment plan optimization |
US20130085343A1 (en) * | 2011-09-30 | 2013-04-04 | Lasse Toimela | Semantic radiation treatment plan optimization guidance |
US9192782B1 (en) * | 2012-02-15 | 2015-11-24 | Jimm Grimm | System and method for evaluating acceptable dosage ranges for radiation treatments of body tissue |
US20130324783A1 (en) * | 2012-05-31 | 2013-12-05 | Corey E. Zankowski | Apparatus and Method Pertaining to Optimizing a Radiation-Treatment Plan Using Historical Information |
US20140081659A1 (en) | 2012-09-17 | 2014-03-20 | Depuy Orthopaedics, Inc. | Systems and methods for surgical and interventional planning, support, post-operative follow-up, and functional recovery tracking |
US9463334B2 (en) * | 2013-03-15 | 2016-10-11 | Varian Medical Systems International Ag | Radiation therapy planing using integrated model |
US9409039B2 (en) * | 2013-05-21 | 2016-08-09 | Varian Medical Systems International Ag | Systems and methods for automatic creation of dose prediction models and therapy treatment plans as a cloud service |
EP3022670B1 (en) * | 2013-07-15 | 2020-08-12 | Koninklijke Philips N.V. | Imaging based response classification of a tissue of interest to a therapy treatment |
US9827445B2 (en) | 2013-09-27 | 2017-11-28 | Varian Medical Systems International Ag | Automatic creation and selection of dose prediction models for treatment plans |
US10762167B2 (en) | 2013-09-27 | 2020-09-01 | Varian Medical Systems International Ag | Decision support tool for choosing treatment plans |
US20150112695A1 (en) * | 2013-10-18 | 2015-04-23 | Medidata Solutions, Inc. | System and method for managing clinical treatment dispensation |
US20150157273A1 (en) * | 2013-12-06 | 2015-06-11 | Cardiac Pacemakers, Inc. | Heart failure event prediction using classifier fusion |
CA2982168A1 (en) * | 2014-03-17 | 2015-09-24 | Eqol Inc. | System and method for managing illness outside of a hospital environment |
USD832874S1 (en) | 2015-02-19 | 2018-11-06 | Cerner Innovation, Inc. | Display screen with graphical user interface |
WO2016178973A1 (en) * | 2015-05-01 | 2016-11-10 | Laboratory Corporation Of America Holdings | Enhanced decision support for systems, methods, and media for laboratory benefit services |
JP6717453B2 (ja) * | 2016-12-19 | 2020-07-01 | 株式会社日立製作所 | 放射線照射計画装置、臨床判断支援装置およびプログラム |
US11250935B2 (en) | 2016-12-29 | 2022-02-15 | Cerner Innovation, Inc. | Drug dosage assistant |
CN110869086A (zh) | 2017-06-22 | 2020-03-06 | 反射医疗公司 | 生物自适应放射疗法的系统和方法 |
US11605018B2 (en) | 2017-12-27 | 2023-03-14 | Cerner Innovation, Inc. | Ontology-guided reconciliation of electronic records |
WO2020023961A1 (en) * | 2018-07-27 | 2020-01-30 | Munbodh Reshma | Computer-implemented method of evaluating a protocol for radiation therapy |
US11090508B2 (en) | 2019-03-08 | 2021-08-17 | Varian Medical Systems Particle Therapy Gmbh & Co. Kg | System and method for biological treatment planning and decision support |
US11103727B2 (en) | 2019-03-08 | 2021-08-31 | Varian Medical Systems International Ag | Model based PBS optimization for flash therapy treatment planning and oncology information system |
JP2022532412A (ja) * | 2019-05-14 | 2022-07-14 | コーニンクレッカ フィリップス エヌ ヴェ | 放射線治療を受けている患者のがん治療のカスタマイズ化を支援するシステム及び方法 |
US20220270757A1 (en) * | 2019-08-02 | 2022-08-25 | Intellijoint Surgical Inc. | Systems and methods to collaborate, to train an expert system and to provide an expert system |
US11929170B2 (en) | 2019-08-22 | 2024-03-12 | Kpn Innovations, Llc | Methods and systems for selecting an ameliorative output using artificial intelligence |
CN110957036B (zh) * | 2019-10-24 | 2023-07-14 | 中国人民解放军总医院 | 一种基于因果推理构建的疾病预后风险评估模型的方法 |
US11675805B2 (en) | 2019-12-16 | 2023-06-13 | Cerner Innovation, Inc. | Concept agnostic reconcilation and prioritization based on deterministic and conservative weight methods |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8214225B2 (en) * | 2001-11-02 | 2012-07-03 | Siemens Medical Solutions Usa, Inc. | Patient data mining, presentation, exploration, and verification |
JP2006509295A (ja) * | 2002-12-03 | 2006-03-16 | シーメンス メディカル ソリューションズ ユーエスエー インコーポレイテッド | 患者記録内の課金情報を自動的に抽出し処理するシステム及び方法 |
JP2005242797A (ja) * | 2004-02-27 | 2005-09-08 | Oki Electric Ind Co Ltd | エラー訂正回路 |
RU2007124523A (ru) * | 2004-12-30 | 2009-02-10 | ПРОВЕНТИС, Инк., (US) | Способы, системы и компьютерные программные продукты для разработки и использования прогнозных моделей для прогнозирования большинства медицинских случаев, оценки стратегий вмешательства и для одновременной оценки нерегулярности биологических маркеров |
US20060265253A1 (en) * | 2005-05-18 | 2006-11-23 | Rao R B | Patient data mining improvements |
JP4833173B2 (ja) | 2006-10-30 | 2011-12-07 | 富士通株式会社 | 復号化器、符号化・復号化装置及び記録再生装置 |
JP5251000B2 (ja) | 2006-11-01 | 2013-07-31 | 富士通株式会社 | 誤り訂正回路及び媒体記憶装置 |
US8032816B2 (en) * | 2007-06-01 | 2011-10-04 | International Business Machines Corporation | Apparatus and method for distinguishing temporary and permanent errors in memory modules |
-
2007
- 2007-04-16 US US11/735,720 patent/US7844560B2/en active Active
- 2007-04-17 JP JP2009506546A patent/JP2009533782A/ja not_active Withdrawn
- 2007-04-17 WO PCT/US2007/009385 patent/WO2007123913A1/en active Application Filing
- 2007-04-17 EP EP07775601A patent/EP2008215A1/en not_active Withdrawn
- 2007-04-17 CA CA002649430A patent/CA2649430A1/en not_active Abandoned
- 2007-04-17 AU AU2007240837A patent/AU2007240837A1/en not_active Abandoned
-
2010
- 2010-11-11 US US12/944,288 patent/US8579784B2/en active Active
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160044459A (ko) * | 2013-06-21 | 2016-04-25 | 시리스 메디컬, 인코퍼레이티드 | 다목적 방사선 치료 선택 시스템 및 방법 |
KR102320287B1 (ko) | 2013-06-21 | 2021-11-01 | 시리스 메디컬, 인코퍼레이티드 | 다목적 방사선 치료 선택 시스템 및 방법 |
JP2017514532A (ja) * | 2013-11-28 | 2017-06-08 | レイサーチ ラボラトリーズ エービー | 不確かさに基づく放射線療法治療計画のための方法およびシステム |
JP2015197772A (ja) * | 2014-04-01 | 2015-11-09 | 横河電機株式会社 | 放射線治療情報システムおよびコンピュータプログラム |
JP2018514021A (ja) * | 2015-03-10 | 2018-05-31 | エレクタ、インク.Elekta, Inc. | ワークフロー管理エンジンを含む適応型治療管理システム |
US10886026B2 (en) | 2015-03-10 | 2021-01-05 | Elekta, Inc. | Adaptive treatment management system with a workflow management engine |
JP2017129891A (ja) * | 2015-12-25 | 2017-07-27 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 情報処理装置、情報処理方法、及び、プログラム |
KR102020383B1 (ko) * | 2016-11-28 | 2019-09-10 | 고려대학교산학협력단 | 데이터마이닝을 이용한 방사선 치료 계획의 검증 방법 |
KR20180060968A (ko) * | 2016-11-28 | 2018-06-07 | 고려대학교 산학협력단 | 데이터마이닝을 이용한 방사선 치료 계획의 검증 방법 |
JP2018108366A (ja) * | 2016-12-28 | 2018-07-12 | キヤノンメディカルシステムズ株式会社 | 治療計画装置及び臨床モデル比較方法 |
JP7330665B2 (ja) | 2016-12-28 | 2023-08-22 | キヤノンメディカルシステムズ株式会社 | 治療計画装置及び臨床モデル比較方法 |
WO2018147653A1 (ko) * | 2017-02-08 | 2018-08-16 | 사회복지법인 삼성생명공익재단 | 생존율 예측 모델 생성 방법, 장치 및 컴퓨터 프로그램 |
KR101947725B1 (ko) * | 2017-10-13 | 2019-02-13 | 고려대학교 산학협력단 | 암 치료 예측결과 제공 방법 및 시스템 |
WO2019074191A1 (ko) * | 2017-10-13 | 2019-04-18 | 고려대학교 산학협력단 | 암 치료 예측결과 제공 방법 및 시스템, 인공 지능망 기반 치료 예측 결과 제공 방법 및 시스템, 그리고 치료 예측결과 및 근거 자료 일괄 제공 방법 및 시스템 |
KR101946407B1 (ko) * | 2017-10-13 | 2019-02-11 | 고려대학교산학협력단 | 방사선 치료 예측 방법 및 장치 |
KR101943222B1 (ko) * | 2017-10-31 | 2019-01-28 | 고려대학교 산학협력단 | 치료 예측결과 및 근거 자료 일괄 제공 방법 및 시스템 |
KR101946402B1 (ko) * | 2017-10-31 | 2019-02-11 | 고려대학교산학협력단 | 인공 지능망 기반 치료 예측 결과 제공 방법 및 시스템 |
JP7273393B2 (ja) | 2019-01-25 | 2023-05-15 | 国立大学法人京都大学 | 血液疾患の予後予測情報の生成システム、情報処理装置、サーバ、プログラム、又は方法 |
JP2020119383A (ja) * | 2019-01-25 | 2020-08-06 | ネクスジェン株式会社 | 血液疾患の予後予測情報の生成システム、情報処理装置、サーバ、プログラム、又は方法 |
WO2020153069A1 (ja) * | 2019-01-25 | 2020-07-30 | ネクスジェン株式会社 | 血液疾患の予後予測情報の生成システム、情報処理装置、サーバ、プログラム、又は方法 |
JP2020130790A (ja) * | 2019-02-22 | 2020-08-31 | キヤノンメディカルシステムズ株式会社 | 治療計画支援装置及び方法 |
JP7412083B2 (ja) | 2019-02-22 | 2024-01-12 | キヤノンメディカルシステムズ株式会社 | 治療計画支援装置及び方法 |
WO2023175702A1 (ja) * | 2022-03-15 | 2023-09-21 | 株式会社日立製作所 | 予後管理支援システム及び予後管理支援方法 |
WO2024019471A1 (ko) * | 2022-07-18 | 2024-01-25 | 아주대학교산학협력단 | 지수함수를 이용한 생존곡선 생성 시스템 및 그 방법 |
Also Published As
Publication number | Publication date |
---|---|
WO2007123913A1 (en) | 2007-11-01 |
US20070276777A1 (en) | 2007-11-29 |
US20110106749A1 (en) | 2011-05-05 |
AU2007240837A1 (en) | 2007-11-01 |
CA2649430A1 (en) | 2007-11-01 |
US7844560B2 (en) | 2010-11-30 |
US8579784B2 (en) | 2013-11-12 |
EP2008215A1 (en) | 2008-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8579784B2 (en) | Personalized prognosis modeling in medical treatment planning | |
US7805385B2 (en) | Prognosis modeling from literature and other sources | |
US20220392644A1 (en) | Systems and methods for determining a wellness score, an improvement score, and/or an effectiveness score with regard to a medical condition and/or medical treatment | |
US11664097B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
US8626533B2 (en) | Patient data mining with population-based analysis | |
US20080275731A1 (en) | Patient data mining improvements | |
US20140095201A1 (en) | Leveraging Public Health Data for Prediction and Prevention of Adverse Events | |
US20150081326A1 (en) | Healthcare Process Management Using Context | |
US20120065987A1 (en) | Computer-Based Patient Management for Healthcare | |
WO2006125145A2 (en) | Patient data mining improvements | |
EP1941410A2 (en) | Medical-risk stratifying method and system | |
CN101421736A (zh) | 在医疗计划中的个性化预后建模 | |
US20090234628A1 (en) | Prediction of complete response given treatment data | |
US11200967B1 (en) | Medical patient synergistic treatment application | |
US20130275050A1 (en) | Methods and systems for integrated health systems | |
WO2018191001A1 (en) | System and method for decision-making for determining initiation and type of treatment for patients with a progressive illness | |
US20090070145A1 (en) | Method and system for coronary artery disease care | |
Byers et al. | Meta-analysis and decision analysis bridge research and practice | |
US20210174915A1 (en) | Bi-directional documentation building system | |
OLUFEKO | A KNOWLEDGE BASED FRAMEWORK TO PREDICT CORONARY HEART DISEASE | |
Gauthier et al. | Challenges to build an information system for a breast cancer risk score |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20100706 |