JP2021507392A - エンティティ間のコンテキスト的類似性の学習および適用 - Google Patents
エンティティ間のコンテキスト的類似性の学習および適用 Download PDFInfo
- Publication number
- JP2021507392A JP2021507392A JP2020533272A JP2020533272A JP2021507392A JP 2021507392 A JP2021507392 A JP 2021507392A JP 2020533272 A JP2020533272 A JP 2020533272A JP 2020533272 A JP2020533272 A JP 2020533272A JP 2021507392 A JP2021507392 A JP 2021507392A
- Authority
- JP
- Japan
- Prior art keywords
- context
- candidate entities
- similarity function
- trained similarity
- interface
- 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.)
- Granted
Links
- 230000006870 function Effects 0.000 claims abstract description 149
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000011282 treatment Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 description 51
- 239000013598 vector Substances 0.000 description 41
- 238000010801 machine learning Methods 0.000 description 26
- 239000002131 composite material Substances 0.000 description 22
- 208000011316 hemodynamic instability Diseases 0.000 description 14
- 201000011040 acute kidney failure Diseases 0.000 description 8
- 208000009304 Acute Kidney Injury Diseases 0.000 description 7
- 208000033626 Renal failure acute Diseases 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000002560 therapeutic procedure Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 3
- 206010001052 Acute respiratory distress syndrome Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000000028 adult respiratory distress syndrome Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000004041 inotropic agent Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000007848 Alcoholism Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000004990 Cardiorenal syndrome Diseases 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 206010053159 Organ failure Diseases 0.000 description 1
- 208000013616 Respiratory Distress Syndrome Diseases 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 206010001584 alcohol abuse Diseases 0.000 description 1
- 208000025746 alcohol use disease Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 239000005555 hypertensive agent Substances 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000005227 renal system Anatomy 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- -1 set-top box Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 201000009032 substance abuse Diseases 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
[0035]次に、テンプレート類似性関数118を生成するための1つの技術について説明する。この説明は限定を意味するものではなく、他の技術および/またはテンプレート類似性関数が使用され得ることを理解されたい。本明細書では「テンプレート類似性関数」との表現が使用されているが、これは限定を意味するものではない。これらの関数は「カーネル」とも呼ばれ得る。この議論の目的のために、クエリ患者(例えば、臨床医が治療等に関する決定を行おうとしている患者)はpQとして表され、pqと比較される各候補患者はpcと表され得る。
[0040]次に、1つまたは複数の機械学習モデル120を訓練することにより、m個のテンプレート類似性関数118の集約された出力に基づき複合類似性スコアを生成するための技術の例について説明する。一部の実施形態では、機械学習モデル120は、m個のテンプレート類似性関数出力の凸結合であり得る複合類似性関数SC(pq,pc)であり得る。例えば、一部の実施形態では、複合類似性関数は以下のようにモデル化されてもよい。
[0044]図3〜図5は、図1の臨床医決定アプリケーション112によってディスプレイ画面上に表示され得る例示的なグラフィカルユーザインターフェース(「GUI」)を示す。図3を参照すると、ダッシュボードGUI300は、例えば、臨床医がクエリ患者の記録を引き上げるときに、臨床医によって見られてもよい。この例では、ダッシュボードGUI300のタイトルバー内に示されるように、クエリ患者の名前は「John Doe」である。ダッシュボードGUI300は、臨床医がクエリ患者の現在の臨床的状態の概要を取得することを可能にする。多数の異なるパネル(図3には4つのパネル(3301−4)が描かれている)は、それぞれ、クエリ患者の状態のコンテキスト固有側面、例えば、特定の解剖学的システムの概要や、特定の疾患の状態等を伝達し得る。例えば、第1のパネル3301は心臓血管の健康状態の概要を与え得る。第2のパネル3302は、クエリ患者の心腎症候群(「CRS」)の概要を与える。第3のパネル3303は、クエリ患者の腎臓系の概要を与える。第4のパネル3304は、クエリ患者の呼吸器系の概要を与える。これらのパネル3301−4は単なる例であり、他の臨床的コンテキストの概要を提供する、より多くのまたは少ないパネルが提供され得る。
Claims (20)
- 1つまたは複数の類似するエンティティをユーザに提示するための方法であって、前記方法は1つまたは複数のプロセッサによって実施され、前記方法は、
クエリエンティティのための第1の値をインターフェース上に表示するステップであって、前記第1の値は第1のコンテキストに関連する、表示するステップと、
複数の訓練された類似性関数から、前記第1のコンテキストに関連付けられた第1の訓練された類似性関数を選択するステップと、
選択された前記第1の訓練された類似性関数を、前記クエリエンティティに関連付けられた特徴セット、および複数の候補エンティティにそれぞれ関連付けられた複数の特徴セットに適用するステップと、
前記第1の訓練された類似性関数の適用に基づいて、前記複数の候補エンティティから1つまたは複数の類似する候補エンティティのセットを選択するステップと、
前記1つまたは複数の類似する候補エンティティの第1のセットに関連付けられた情報を前記インターフェース上に表示するステップとを含む、方法。 - 第2のコンテキストに関連する前記クエリエンティティのための第2の値を前記インターフェース上に表示するステップと、
前記複数の訓練された類似性関数から、前記第2のコンテキストに関連付けられた第2の訓練された類似性関数を選択するステップと、
選択された前記第2の訓練された類似性関数を、前記クエリエンティティに関連付けられた前記特徴セット、および前記複数の候補エンティティのそれぞれの前記特徴セットに適用するステップと、
前記第2の訓練された類似性関数の適用に基づいて、前記複数の候補エンティティから1つまたは複数の類似する候補エンティティの第2のセットを選択するステップと、
前記1つまたは複数の類似する候補エンティティの第2のセットに関連付けられた情報を前記インターフェース上に表示するステップとをさらに含む、請求項1に記載の方法。 - 前記1つまたは複数の類似する候補エンティティの第1のセットに関連付けられた情報を表示するステップは、
前記1つまたは複数の類似する候補エンティティの第1のセットの少なくとも1つの属性のそれぞれの値に従って、前記1つまたは複数の類似する候補エンティティの第1のセットを複数のグループにグループ分けするステップと、
前記複数のグループのそれぞれについて、前記第1のコンテキストに関連する第1の値を取得するステップと、
各グループに関する情報を、前記第1のコンテキストに関連するそれぞれの前記第1の値に関連付けて前記インターフェースに表示するステップとを含む、請求項1に記載の方法。 - 前記第1のコンテキストに関連する前記第1の値は、臨床意思決定支援アルゴリズムによって取得されるスコアである、請求項3に記載の方法。
- 前記少なくとも1つの属性は施された治療である、請求項4に記載の方法。
- 前記少なくとも1つの属性は患者転帰である、請求項4に記載の方法。
- 前記第1のコンテキストに関連するそれぞれの前記第1の値に関連付けられた、各グループに関する前記情報は、患者転帰統計情報を含む、請求項3に記載の方法。
- 1つまたは複数のプロセッサと、前記1つまたは複数のプロセッサに動作可能に結合されたメモリとを備えるシステムであって、前記メモリは命令を保存し、前記1つまたは複数のプロセッサによって前記命令が実行されると、前記1つまたは複数のプロセッサは、
クエリエンティティのための第1の値をインターフェース上に表示することであって、前記第1の値は第1のコンテキストに関連する、表示することと、
複数の訓練された類似性関数から、前記第1のコンテキストに関連付けられた第1の訓練された類似性関数を選択することと、
選択された前記第1の訓練された類似性関数を、前記クエリエンティティに関連付けられた特徴セット、および複数の候補エンティティにそれぞれ関連付けられた複数の特徴セットに適用することと、
前記第1の訓練された類似性関数の適用に基づいて、前記複数の候補エンティティから1つまたは複数の類似する候補エンティティのセットを選択することと、
前記1つまたは複数の類似する候補エンティティの第1のセットに関連付けられた情報を前記インターフェース上に表示することとを実行する、システム。 - 第2のコンテキストに関連する前記クエリエンティティのための第2の値を前記インターフェース上に表示することと、
前記複数の訓練された類似性関数から、前記第2のコンテキストに関連付けられた第2の訓練された類似性関数を選択することと、
選択された前記第2の訓練された類似性関数を、前記クエリエンティティに関連付けられた前記特徴セット、および前記複数の候補エンティティのそれぞれの前記特徴セットに適用することと、
前記第2の訓練された類似性関数の適用に基づいて、前記複数の候補エンティティから1つまたは複数の類似する候補エンティティの第2のセットを選択することと、
前記1つまたは複数の類似する候補エンティティの第2のセットに関連付けられた情報を前記インターフェース上に表示することとを実行するための命令をさらに含む、請求項8に記載のシステム。 - 前記1つまたは複数の類似する候補エンティティの第1のセットに関連付けられた情報を表示することは、
前記1つまたは複数の類似する候補エンティティの第1のセットの少なくとも1つの属性のそれぞれの値に従って、前記1つまたは複数の類似する候補エンティティの第1のセットを複数のグループにグループ分けすることと、
前記複数のグループのそれぞれについて、前記第1のコンテキストに関連する第1の値を取得することと、
各グループに関する情報を、前記第1のコンテキストに関連するそれぞれの前記第1の値に関連付けて前記インターフェース上に表示することとを含む、請求項8に記載のシステム。 - 前記第1のコンテキストに関連する前記第1の値は、臨床意思決定支援アルゴリズムによって取得されるスコアである、請求項10に記載のシステム。
- 前記少なくとも1つの属性は施された治療である、請求項11に記載のシステム。
- 前記少なくとも1つの属性は患者転帰である、請求項11に記載のシステム。
- 前記第1のコンテキストに関連するそれぞれの前記第1の値に関連付けられた、各グループに関する前記情報は、患者転帰統計情報を含む、請求項10に記載のシステム。
- 命令を含む少なくとも1つの非一時的コンピュータ可読媒体であって、1つまたは複数のプロセッサによって前記命令が実行されると、前記1つまたは複数のプロセッサは、
クエリエンティティのための第1の値をインターフェース上に表示することであって、前記第1の値は第1のコンテキストに関連する、表示することと、
複数の訓練された類似性関数から、前記第1のコンテキストに関連付けられた第1の訓練された類似性関数を選択することと、
選択された前記第1の訓練された類似性関数を、前記クエリエンティティに関連付けられた特徴セット、および複数の候補エンティティにそれぞれ関連付けられた複数の特徴セットに適用することと、
前記第1の訓練された類似性関数の適用に基づいて、前記複数の候補エンティティから1つまたは複数の類似する候補エンティティのセットを選択することと、
前記1つまたは複数の類似する候補エンティティの第1のセットに関連付けられた情報を前記インターフェース上に表示することとを実行する、非一時的コンピュータ可読媒体。 - 第2のコンテキストに関連する前記クエリエンティティのための第2の値を前記インターフェース上に表示することと、
前記複数の訓練された類似性関数から、前記第2のコンテキストに関連付けられた第2の訓練された類似性関数を選択することと、
選択された前記第2の訓練された類似性関数を、前記クエリエンティティに関連付けられた前記特徴セット、および前記複数の候補エンティティのそれぞれの前記特徴セットに適用することと、
前記第2の訓練された類似性関数の適用に基づいて、前記複数の候補エンティティから1つまたは複数の類似する候補エンティティの第2のセットを選択することと、
前記1つまたは複数の類似する候補エンティティの第2のセットに関連付けられた情報を前記インターフェース上に表示することとを実行するための命令をさらに含む、請求項15に記載の少なくとも1つの非一時的コンピュータ可読媒体。 - 前記1つまたは複数の類似する候補エンティティの第1のセットに関連付けられた情報を表示することは、
前記1つまたは複数の類似する候補エンティティの第1のセットの少なくとも1つの属性のそれぞれの値に従って、前記1つまたは複数の類似する候補エンティティの第1のセットを複数のグループにグループ分けすることと、
前記複数のグループのそれぞれについて、前記第1のコンテキストに関連する第1の値を取得することと
各グループに関する情報を、前記第1のコンテキストに関連するそれぞれの前記第1の値に関連付けて前記インターフェース上に表示することとを含む、請求項15に記載の少なくとも1つの非一時的コンピュータ可読媒体。 - 前記第1のコンテキストに関連する前記第1の値は、臨床意思決定支援アルゴリズムによって取得されるスコアである、請求項17に記載の少なくとも1つの非一時的コンピュータ可読媒体。
- 前記少なくとも1つの属性は施された治療である、請求項18に記載の少なくとも1つの非一時的コンピュータ可読媒体。
- 前記少なくとも1つの属性は患者転帰である、請求項18に記載の少なくとも1つの非一時的コンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762607574P | 2017-12-19 | 2017-12-19 | |
US62/607,574 | 2017-12-19 | ||
PCT/EP2018/085354 WO2019121591A1 (en) | 2017-12-19 | 2018-12-18 | Learning and applying contextual similarities between entities |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021507392A true JP2021507392A (ja) | 2021-02-22 |
JP7346419B2 JP7346419B2 (ja) | 2023-09-19 |
Family
ID=64900897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020533272A Active JP7346419B2 (ja) | 2017-12-19 | 2018-12-18 | エンティティ間のコンテキスト的類似性の学習および適用 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11676733B2 (ja) |
EP (1) | EP3729461A1 (ja) |
JP (1) | JP7346419B2 (ja) |
CN (1) | CN111512395A (ja) |
WO (1) | WO2019121591A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102608736B1 (ko) * | 2020-12-15 | 2023-12-01 | 주식회사 포티투마루 | 질의에 대한 문서 검색 방법 및 장치 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010172559A (ja) * | 2009-01-30 | 2010-08-12 | Toshiba Corp | 医療診断支援システム及び医療診断支援装置 |
JP2013545177A (ja) * | 2010-10-19 | 2013-12-19 | コーニンクレッカ フィリップス エヌ ヴェ | 特別な特性を実証する事例を用いて、患者データベースの動的成長を行うシステム及び方法 |
JP2014503894A (ja) * | 2010-12-16 | 2014-02-13 | コーニンクレッカ フィリップス エヌ ヴェ | 事例ベース推論を用いた治療プランニングに対する医療判断支援のためのシステム及び方法 |
WO2016147290A1 (ja) * | 2015-03-16 | 2016-09-22 | 富士通株式会社 | 情報分析プログラム、情報分析方法および情報分析装置 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007129308A2 (en) * | 2006-05-02 | 2007-11-15 | Galil Medical Ltd. | Cryotherapy planning and control system |
US7899764B2 (en) * | 2007-02-16 | 2011-03-01 | Siemens Aktiengesellschaft | Medical ontologies for machine learning and decision support |
US20100169323A1 (en) * | 2008-12-29 | 2010-07-01 | Microsoft Corporation | Query-Dependent Ranking Using K-Nearest Neighbor |
US20110131060A1 (en) * | 2009-11-30 | 2011-06-02 | Schuster David P | Automated System, Method and Apparatus for Providing Patient Information and Reminders Related to a Patient's Recovery Plan |
CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
KR101855179B1 (ko) * | 2011-12-21 | 2018-05-09 | 삼성전자 주식회사 | 질환 진단을 위한 최적의 진단 요소 셋 결정 장치 및 방법 |
US20140249855A1 (en) * | 2013-03-01 | 2014-09-04 | Airstrip Ip Holdings, Llc | Systems And Methods For Integrating, Unifying And Displaying Patient Data Across Healthcare Continua |
US20180253650A9 (en) * | 2014-08-06 | 2018-09-06 | Prysm, Inc. | Knowledge To User Mapping in Knowledge Automation System |
EP3234841A4 (en) | 2014-12-17 | 2018-08-29 | Foundation Medicine, Inc. | Computer-implemented system and method for identifying similar patients |
CA2972290A1 (en) | 2015-01-10 | 2016-07-14 | Deborah DULLEN | Method and apparatus for the measurement of autonomic function for the diagnosis and validation of patient treatments and outcomes |
US10019529B2 (en) * | 2015-11-19 | 2018-07-10 | International Business Machines Corporation | Identifying webpages accessible by unauthorized users via URL guessing or network sniffing |
US20170185730A1 (en) * | 2015-12-29 | 2017-06-29 | Case Western Reserve University | Machine learning approach to selecting candidates |
WO2017203262A2 (en) * | 2016-05-25 | 2017-11-30 | Metail Limited | Method and system for predicting garment attributes using deep learning |
-
2018
- 2018-12-18 JP JP2020533272A patent/JP7346419B2/ja active Active
- 2018-12-18 CN CN201880082737.9A patent/CN111512395A/zh active Pending
- 2018-12-18 EP EP18826589.6A patent/EP3729461A1/en not_active Withdrawn
- 2018-12-18 US US16/955,090 patent/US11676733B2/en active Active
- 2018-12-18 WO PCT/EP2018/085354 patent/WO2019121591A1/en unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010172559A (ja) * | 2009-01-30 | 2010-08-12 | Toshiba Corp | 医療診断支援システム及び医療診断支援装置 |
JP2013545177A (ja) * | 2010-10-19 | 2013-12-19 | コーニンクレッカ フィリップス エヌ ヴェ | 特別な特性を実証する事例を用いて、患者データベースの動的成長を行うシステム及び方法 |
JP2014503894A (ja) * | 2010-12-16 | 2014-02-13 | コーニンクレッカ フィリップス エヌ ヴェ | 事例ベース推論を用いた治療プランニングに対する医療判断支援のためのシステム及び方法 |
WO2016147290A1 (ja) * | 2015-03-16 | 2016-09-22 | 富士通株式会社 | 情報分析プログラム、情報分析方法および情報分析装置 |
Non-Patent Citations (2)
Title |
---|
勝田 江朗: "Knowledge Integration", FUJITSU VOL.68 NO.6, vol. 第68巻, JPN6023003191, 1 November 2017 (2017-11-01), JP, pages 68 - 74, ISSN: 0004979505 * |
梅原 佳宏: "電子カルテを用いた医薬品の治療効果解析基盤に関する研究", 情報処理学会 研究報告 データベースシステム(DBS) 2013−DBS−158 [ONLINE], JPN6023003192, 26 November 2013 (2013-11-26), JP, pages 1 - 8, ISSN: 0004979506 * |
Also Published As
Publication number | Publication date |
---|---|
US20200388398A1 (en) | 2020-12-10 |
US11676733B2 (en) | 2023-06-13 |
WO2019121591A1 (en) | 2019-06-27 |
EP3729461A1 (en) | 2020-10-28 |
JP7346419B2 (ja) | 2023-09-19 |
CN111512395A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11875277B2 (en) | Learning and applying contextual similiarities between entities | |
Kim et al. | A deep learning model for real-time mortality prediction in critically ill children | |
Bharati et al. | A review on explainable artificial intelligence for healthcare: why, how, and when? | |
US11631497B2 (en) | Personalized device recommendations for proactive health monitoring and management | |
US11288279B2 (en) | Cognitive computer assisted attribute acquisition through iterative disclosure | |
JP7357614B2 (ja) | 機械支援対話システム、ならびに病状問診装置およびその方法 | |
US20190287660A1 (en) | Generating and applying subject event timelines | |
US20210398677A1 (en) | Predicting changes in medical conditions using machine learning models | |
CN114078593A (zh) | 临床决策支持 | |
Teo et al. | Discovering the predictive value of clinical notes: machine learning analysis with text representation | |
Manna et al. | Diabetes prediction model using cloud analytics | |
US20230042330A1 (en) | A tool for selecting relevant features in precision diagnostics | |
Wang et al. | Multi-branching Temporal Convolutional Network with Tensor Data Completion for Diabetic Retinopathy Prediction | |
US20210217529A1 (en) | Assessing unreliability of clinical risk prediction | |
JP7346419B2 (ja) | エンティティ間のコンテキスト的類似性の学習および適用 | |
Li et al. | White learning methodology: A case study of cancer-related disease factors analysis in real-time PACS environment | |
Li et al. | Early prediction of sepsis using chatGPT-generated summaries and structured data | |
US20240071623A1 (en) | Patient health platform | |
US20220157442A1 (en) | Systems and methods for providing health care search recommendations | |
Herlihy et al. | A structured regression approach for evaluating model performance across intersectional subgroups | |
US20140214870A1 (en) | Finding time-dependent associations between comparative effectiveness variables | |
Mahmood et al. | Enhancing Coronary Artery Disease Prognosis: A Novel Dual-Class Boosted Decision Trees Strategy for Robust Optimization | |
Madhubala et al. | Bridging the gap in biomedical information retrieval: Harnessing machine learning for enhanced search results and query semantics | |
Anitha et al. | A Review on Disease Prediction Approach using Data Analytics and Machine Learning Algorithms | |
Cauchi et al. | Individualized survival predictions using state space model with longitudinal and survival data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211215 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211215 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230125 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230201 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230419 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230808 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230906 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7346419 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |