JP5166741B2 - 医学的処置のための予測的スケジュール作成手法 - Google Patents

医学的処置のための予測的スケジュール作成手法 Download PDF

Info

Publication number
JP5166741B2
JP5166741B2 JP2007028786A JP2007028786A JP5166741B2 JP 5166741 B2 JP5166741 B2 JP 5166741B2 JP 2007028786 A JP2007028786 A JP 2007028786A JP 2007028786 A JP2007028786 A JP 2007028786A JP 5166741 B2 JP5166741 B2 JP 5166741B2
Authority
JP
Japan
Prior art keywords
patient
treatment
data
scheduling
prediction
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.)
Active
Application number
JP2007028786A
Other languages
English (en)
Other versions
JP2007220113A (ja
JP2007220113A5 (ja
Inventor
ロナルド・キーン
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of JP2007220113A publication Critical patent/JP2007220113A/ja
Publication of JP2007220113A5 publication Critical patent/JP2007220113A5/ja
Application granted granted Critical
Publication of JP5166741B2 publication Critical patent/JP5166741B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Development Economics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Urology & Nephrology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Description

本発明は、スケジュール作成(scheduling)システムに関し、より具体的には、放射線医学及び心臓病学のような専門分野での診断用及び治療用処置(procedure) のための患者についての予測的自動スケジュール作成手法に関するものである。
伝統的なスケジュール作成システムは、表駆動型ルール又はルール・プロセッサに依存して、ヘルスケア処置のための最適なスケジュール作成スロットを決定し、そのために、資源とその処置を遂行するために割り当てられた時間とに患者を整合させている。ルール・プロセッサ及び表駆動型ルールに実質的に依存するスケジュール作成手法に関連して多数の問題がある。
例えば、融通性のないルールは、資源及び人の利用を最大にするために絶え間ない調整を必要とする。このような場合、資源（人の時間を含む）が浪費され、その結果としてヘルスケア・サービスが高価になる。更に、従来のスケジュール作成手法は人手による処理を必要とし、その場合、資源及び人の使用法に対して統計的報告が再検討される。このような統計の再検討は、患者処置が完了した後になされており、資源及び職員の効率の悪い使用を是正するためのルール・プロセッサの調整が人手によってなされている。
また、典型的なスケジュール作成システムは処置のためにハード・コード化された時間増分を利用しており、これは資源のオーバーブッキング（超過予約）を生じさせる虞があり、これは職員及び患者の両者をイライラさせる。他方、処置のためのハード・コード化された時間増分はまた資源のアンダーブッキング（過小予約）を生じさせることもあり、これにより職員及び装置が充分に活用されず、ヘルスケア提供者の投資収益（ＲＯＩ）が低下し、また救急又は予約なしの処置が不必要に待たされることになる。
更にまた、ルール・プロセッサは、典型的には、限られた一組の属性を追跡して、患者の状態／処置に対する資源の最良の使用法を決定している。ここでの問題は、ルール・プロセッサがそれらに応答するようにプログラムされているルール及び情報と同じ正確さであるに過ぎないことである。また、ルール・プロセッサの言語を再コンパイルすることを必要とすることがあり、またその基礎をなす表駆動型ルールのソフトウエアを変更して、スケジュール作成エンジンを駆動するパラメータの変化に対処しなければならない。
従って、従来の手法よりも比較的により融通性があり且つユーザの介入が少なくて済むスケジュール作成手法が必要とされている。
本発明の一実施形態は、医学的処置のために患者について予測的にスケジュール作成するための、コンピュータで具現化される方法である。本方法は、患者・処置履歴データを受け取る段階、及び前記受け取った患者・処置履歴データをスキーマ(schema)に変換する段階を含む。本方法は更に、前記スキーマ内に保存された前記変換後の患者・処置データを使用して１つ以上の予測モデルを構築する段階に続く。本方法は更に、目標患者・処置データと前記１つ以上の予測モデルとに基づいて、患者のための医学的処置について予測的にスケジュール作成する段階に続く。１つ以上の予測モデルは、例えば、ナイーブ・ベイズ(Naive Bayes) 予測モデル、ロジスティックス回帰(logistics regression)予測モデル、神経回路網予測モデル、最大エントロピー予測モデル、及び／又は決定木(decision tree) 予測モデルを含むことができる。本方法は、新しい患者・処置履歴データを受け取ったことに応答して、前記１つ以上の予測モデルを更新する段階を含むことができる。１つの特別な場合には、医学的処置について予測的にスケジュール作成する段階の前に、目標患者・処置データを含む新しいスケジュール作成事象要求を受け取る。目標患者・処置データはスキーマに適合するように（例えば、患者・処置履歴データが変換されたのと同様な態様で）変換することができる。別の特別な場合には、医学的処置について予測的にスケジュール作成する段階は、予測モデルを使用して目標患者・処置データを処理する段階、前記モデルによる処置の予測が所与の限界(threshold) を満足しているかどうか判定する段階、及び／又は定足数の予測が一致しているかどうか判定する段階を含む。患者・処置履歴データは、以前に完了した患者処置からの実際のデータを含むことができ、該実際のデータには、処置の属性、処置の継続期間、患者の人口統計的データ、使用される装置、及び／又は担当職員が含まれる。
本発明の別の実施形態は、命令でコード化された機械読取り可能な媒体（例えば、１つ以上のコンパクト・ディスク、フレキシブル・ディスク、サーバー、メモリ・スティック、又はハードディスク・ドライブ）を提供し、該命令は、１つ以上のプロセッサで実行されたとき、医学的処置のために患者について予測的にスケジュール作成するためのプロセスを該プロセッサに遂行させる。このプロセスは、例えば、前に述べた方法と同様なものであっても、又はそれら変形であってもよい。
本発明の別の実施形態は、医学的処置のために患者について予測的にスケジュール作成するシステムである。本システムは、受け取った患者・処置履歴データをスキーマに変換し、且つ前記スキーマ内に保存された前記変換後の患者・処置データを使用して１つ以上の予測モデルを構築する学習モジュールを含む。本システムは更に、目標患者・処置データと前記１つ以上の予測モデルとに基づいて、患者のための医学的処置について予測的にスケジュール作成する分類モジュールを含む。１つの特別の場合には、１つ以上の予測モデルは、ナイーブ・ベイズ予測モデル、ロジスティックス回帰予測モデル、及び神経回路網予測モデルを含む。学習モジュールは更に、新しい患者・処置履歴を受け取ったことに応答して、前記１つ以上の予測モデルを更新するように構成することができる。分類モジュールは更に、前記モデルによる処置の予測が所与の限界を満足しているかどうか判定し且つ定足数の予測が一致しているかどうか判定するように構成することができる。システムの機能は、例えば、ソフトウエア（例えば、１つ以上のコンピュータ読取り可能な媒体上にコード化された実行可能な命令）で、又はハードウエア（例えば、ゲート・レベル論理装置又は１つ以上のＡＳＩＣ）で、又はファームウエア（例えば、Ｉ／Ｏ能力及び本書で述べる機能を遂行するための組込のルーチンを備えた１つ以上のマイクロコントローラ）で、又はこれらの幾つかの組合せで実施することができる。本発明の実施形態を具現化するための多数の適当な手段が本明細書での説明から明らかになろう。
本書で述べる特徴及び利点は全てではなく、特に、当該分野で通常の知識を有する者には図面及び説明から多数の追加の特徴及び利点が明らかになろう。更に、本明細書で用いる用語は基本的に読み易さ及び説明目的のために選んでおり、本発明の主題の範囲を制限するものではないことに留意されたい。
従来の手法よりも比較的一層融通性があり且つユーザの介入が少なくて済むスケジュール作成手法を開示する。本発明の特定の一実施形態は、以前にスケジュール作成した医学的処置及び完了した医学的処置の履歴データを活用するように構成されている予測的スケジュール作成分類アルゴリズムを用いる患者スケジュール作成システムである。そこで、以前に治療した患者と同じ状況である新しい患者は、それらの以前に治療した患者に関連した処置の履歴データに基づいて自動的に予測されてスケジュール作成された医学的処置を受けることができる。
［全体の概要］
時間につれて収集した患者・処置履歴データを利用して、ヘルスケア機関内で行うべき新しい患者処置のための最適な一組の処置パラメータを予測することができる。履歴データは、例えば、新しい患者について処置を何処でどんな装置により遂行すべきかを予測し、新しい患者について処置を何時遂行すべきかを予測し、新しい患者についての処置を誰が行うべきかを予測し、並びに最良の走査結果を得るための身体姿勢、造影剤、及び処置のタイミング因子（例えば、１２時間の絶食、次いで造影剤注入、次いで３０分の待機、次いで走査、次いで２時間待機、次いで再度の走査）のような処置についての他の詳細を予測するために使用することができる。患者・処置履歴データは、以前の患者についての実際の完了した処置データを含む。該データは、例えば、リレーショナル・データベース構造、オブジェクト指向データベース構造、又は他の適当なデータベース構造で保存することができる。統計的報告についての人手による再検討は、このような報告が予測的スケジュール作成アルゴリズムの動作中に実時間で自動的に生じるので、中止されるか又は最少にされる。
データ・マイニング(mining)手法を使用することによって、（例えば、最適な資源利用及び／又は患者経験を識別するように）予測的スケジュール作成を達成することができる。データ・マイニングは、様々なパターンを識別し且つ様々な関係を確立するためにデータをソート（並べ替え）することである。データ・マイニング・パラメータは、その例として、関連付け（一事象が別の事象に連結されるパターンを探すこと）、シーケンス又はパス分析（一事象がその後の別の事象に通じるパターンを探すこと）、分類（データを編成するやり方を変更させることがあるが問題を生じない新しいパターンを探すこと）、クラスタリング（以前に知られていない事実の群を見付けて視覚的に文書化すること）、及び予想（将来についての妥当な予測に導くことのできるデータ中のパターンを発見すること）を含む。特定の一実施形態では、データ・マイニング手法は、ナイーブ・ベイズ、神経回路網及び／又はロジスティック回帰アルゴリズムのような、既知の決定木及び分類アルゴリズムを利用する。予測的スケジュール作成は１つ以上の「予測した属性」に基づいている。予測した属性は、例えば、（例えば、技師、場所、装置、検査、患者の性別、患者の年齢、及び／又は患者に関連した診断コードの内の１つ以上に基づいた）処置のための最も短い継続期間、最高の償還率、装置の最高の利用度、及び／又はシステムのデータベース内の任意の他の予測可能な値であってよい。
本発明の一実施形態によれば、予測的スケジュール作成システムは、用いられる各分類アルゴリズムについて１つ以上の予測モデルを作成する。これらの予測モデルはスケジュール作成用予測に対する入力として使用される。これらの以前の完了した医学的処置の結果により、ヘルスケア提供者がスケジュール作成用予測にスコアをつけることができる。所与の期間の間に特定の処置を遂行するためにかかった実際の時間（例えば、ヘルスケア提供者による処置の最初の使用以来の処置を遂行するための平均時間）は、新しい患者についてその処置を遂行するためにどのくらいの時間がかかるのかを予測するために、システムによって使用される。従って、ヘルスケア提供者のＲＯＩと約束されたタイミングによる患者の満足度の両方が、ハード・コード化された又はその他の静止した時間の推定値を使用する従来のスケジュール作成システムに対して、改善される。また、決定木及び（以前に遂行された処置に関連した）履歴データを使用することによって、スケジュール作成システムは自己学習する（各々の新しい一組の患者・処置データは、処置のスケジュールを設定した後では履歴データになる）。このような場合、各処置が遂行されるとき、システムが時間につれて学習するので、スケジュール作成動作の変化が自然に生じる。既知のように、決定木は、予測モデル化のために使用される分類タイプのアルゴリズムである。
そこで、分析記録を使用して、同様な患者特性／処置状態を持つ多数（例えば、数十、数百、数千、等々）の以前にスケジュール作成した処置を比較することによって、スケジュール作成システムは、患者に可能な最良の経験をさせながら資源（人及び装置）の効率を最大にする。
［システム・アーキテクチャ］
図１は、本発明の一実施形態に従って構成された、医学的処置のための予測的スケジュール作成システムのブロック図である。処置は、例えば、ＣＴ／ＣＡＴ走査、ＭＲＩ走査、ＰＥＴ走査、超音波検査、Ｘ線撮影、乳房撮影、骨密度測定／走査、核カメラ走査、或いはその他のこのような医学的イメージング又は診断用処置であってよい。
図から判るように、システムは学習モジュール及び分類モジュールを含む。これらのモジュールの各々は、例えば、ソフトウエア（例えば、Ｃ、Ｃ＋＋、又は他の適当なプログラミング言語）で、又はハードウエア（例えば、ゲート・レベル論理装置又は１つ以上のＡＳＩＣ）で、又はファームウエア（例えば、患者・処置履歴データ及び新しいスケジュール作成要求を受け取る入力能力、予測された処置の詳細を出力する出力能力、及び本書で述べるような学習、モデル化及び分類機能を遂行するための多数のルーチンを備えているマイクロコントローラ）で、又はこれらの幾つかを組み合わせて具現化することができる。更に、上記のモジュールが例示の目的で別々に示されていること、及び他の実施形態では様々な機能又はそれらサブセットを単一のモジュールに集積化することができることに留意されたい。
動作について説明すると、患者・処置履歴データが学習モジュールに供給され、そこで学習モジュールがそのデータを処理してスキーマを生成し、且つそのデータを使用して予測モデルを作成する。履歴データは、以前に完了した患者処置からの実際のデータ、例えば、患者データ（例えば、現在の症状、問題のある身体部位、及びその部位における以前の問題）、処置の詳細及び属性（例えば、最良の走査結果を得るための身体の姿勢、造影剤）、処置の様々な段階についてのタイミング（例えば、登録／受入れ／入院プロセス、並びに絶食時間及び造影剤と走査との遅延のような他のタイミング因子を含む）、患者の人口統計的データ、使用される装置、担当職員（例えば、処置を遂行した技師及び処置を処方した医師）、並びに任意の他の関連した情報を含む。
システムによる予測のロバスト性を改善するために、学習モジュールによって多数の予測モデルを作成することができる。特定の一実施形態では、３つの予測モデル、すなわち、ナイーブ・ベイズ予測モデル、ロジスティックス回帰予測モデル及び神経回路網予測モデルが作成される。また、本明細書での説明から明らかであるように、他の予測モデル化手法（例えば、最大エントロピー）を、単独で又は組み合わせて、使用することができる。学習モジュールについては図３ａ、３ｂ、３ｃ及び図５を参照して後で更に詳しく説明する。
分類モジュールは新しいスケジュール作成事象要求を受け取り、且つ学習モジュールによって供給される予測モデル（１つ又は複数）を使用することにより、その要求に応答する最適な処置を予測する。新しいスケジュール作成事象要求は患者・処置データを含む。このデータは、学習モジュールに供給された患者・処置履歴データのタイプと同様なデータ（又はそのサブセット）であってよい。特定の一実施形態では、分類モジュールは、３つの予測モデル、すなわち、ナイーブ・ベイズ予測モデル、ロジスティックス回帰予測モデル及び神経回路網予測モデルにより新しい患者・処置データを処理する。この場合、分類モジュールは、各々の予測を比較して、全体の予測を信頼性よく作ることができるかどうか判定する。もしそうであれば、分類モジュールはその予測を出力する。そうでない場合、予測は行われない（人手によるスケジュール作成を使用することができる）。分類モジュールについては、図４及び図５を参照して更に詳しく説明する。
［データ収集］
図２は、本発明の一実施形態に従った、図１のシステムに供給することのできる患者／処置履歴データを収集するための方法を例示する概要図である。収集されたデータは予測モデル（１つ又は複数）のための基礎を形成する。これらのモデルを構築するための患者・処置履歴データが、多数（例えば、数十、数百、数千、数百万など）の患者について所定の期間（例えば、数週間、数ヶ月、数年、数十年など）にわたって収集されると仮定する。
図２のＵＭＬ線図を参照すれば判るように、１０例の利用段階を示している。この利用段階の線図での行為者には、患者、指示者、登録事務員、スケジューラ、技術者及び解釈者が含まれる。これらの行為者の幾人かは同じ人間とすることができる。同様に、行為者は２人以上であってよい。
利用段階１：年齢、性別、結婚歴、民族性、身長、体重、教育レベル、住所、仕事の種類、保健の種類、及びその他の関連する患者情報のような、患者の人口統計的データを記録する。
利用段階２：患者により、糖尿病、心臓病、高血圧、高コレステロール、及び患者に当てはまるその他の同様な因子のような、家族歴を供給する。
利用段階３：一人又は複数の指示者及び患者により、患者に関連した現在の疾患／状態（例えば、障害の種類及び／又は症状）についての情報を供給する。
利用段階４：一人又は複数の指示者及び患者により、現在の疾患に関連していることのある又は関連していないかもしれない、患者の過去の疾患歴と継続している疾患歴の状態についての情報を供給する。
利用段階５：指示者により、患者についての処置を命令するか、さもなければ処方する。処置は、例えば、医学的イメージング、診断用試験、又は研究室での作業であってよい。手短に云えば、患者の時間及び／又はヘルスケア提供者の資源を必要とする任意の医学的処置のスケジュール作成を行うことができる。
利用段階６：スケジューラにより、特定の位置、日付及び時間に（処方された処置を実施するための）適切な医学的処置に対する患者のスケジュールを作成する。
利用段階７: 処方された処置のために患者を入院させるか、さもなければ予約を取る。
利用段階８：ヘルスケア提供者の施設（例えば、病院又は診療所）内で患者（物理的位置）を追跡する。タイミング情報が記録される。
利用段階９：技術者により、処置を遂行し、また処置の継続期間（例えば、開始時間及び停止時間）並びに患者及び処置についての一般的な情報（例えば、患者ＩＤ及び処置の身体部位）を記録する。
利用段階１０：解釈者により、遂行された処置の結果について判断を行う。
これらの利用段階の各々は、取り入れて、将来の患者の予測的スケジュール作成に使用することのできる有用な情報を生成する。データは、ヘルスケア提供者の一般的なデータベース、例えば、リレーショナル又はオブジェクト指向データベース、或いはその他の適当な記憶装置設備に記憶させることができる。
ここで、利用段階１，２，３，４及び５の同じデータがまた新しい患者について収集され、これらの新しい患者は本発明の一実施形態に従って予測的にスケジュール作成されることに注意されたい。この新しく収集された患者・処置データは患者・処置履歴データの一部となる。
このように、予測モデルは時間の経過につれて学習し続ける。より詳しく述べると、新しい患者が利用段階１〜４を介して処理され、次いで指示者が利用段階５で患者についての処置を命令する。次いで、収集されたデータ及び命令された処置は図１の予測的スケジュール作成システムに対する入力（例えば、患者・処置データを含む新しいスケジュール作成事象要求）として使用することができる。予測的スケジュール作成システムは、処置について予測的にスケジュール作成するためにこの情報を使用する。希望により、予測的にスケジュール作成された処置はスケジューラによって「上書き」することが可能であり、また利用段階６は人手により実施することが可能である。スケジュール作成された処置に関連した新しく収集された患者・処置データは次いで学習モジュールに供給されて、予測モデルを更新する。
［学習モジュール］
図３ａ及び３ｂは、本発明の一実施形態に従って構成された、図１のシステム内に示された学習モジュールの例を示すブロック図である。
具体的に述べると、図３ａは、学習モジュールが、本発明の一実施形態に従って、収集された履歴データをスキーマに変換するやり方を例示しており、該スキーマから予測モデルを構築することができる。図２について説明したように、収集された履歴データは、任意の形態であって、且つリレーショナル又はオブジェクト指向データベースのような任意の記憶装置設備からのものであってよい。ヘルスケア提供者が（例えば、新設のイメージング・センタ又は病院の場合のように）このような履歴データ記憶装置を有していない場合、より経歴の長いヘルスケア提供者のデータ記憶装置からのような他の供給源から既存のデータを得ることができる。また、本発明の様々な実施形態を多数の顧客場所で具現化することによって、ロバストなサービス・ビューロー・データ・セットを効果的に生成することができる。このような顧客履歴データ記憶装置は、自身の履歴データ記憶装置を持たない顧客のために利用することができる。
いずれの場合も、この例の実施形態における学習モジュールは患者・処置履歴データを受け取って、そのデータを変換することができる。具体的に述べると、学習モジュールは日時スタンプ（例えば、図２の利用段階１〜１０内の様々な段階のための開始及び提示時刻）を継続期間に変換し、また患者の疾患、家族歴及びその他の患者情報を標準化する。一般に、このようなデータ変換は、データ要素をマイニング効率のために整数、範囲、及びブーリアン・データのタイプに変換することを含む。
例えば、一実施形態では、学習モジュールは、誕生日を年齢の整数値に変え及び／又は年齢を年齢範囲に変えるようにプログラムされ又は構成される。この例の学習モジュールはまた、追跡日時を分（整数値）で表した継続期間に変えるように構成される。他のデータ変換は、確立したコード又は整数関連付けに従って行うことができる。例えば、身体部位のようなデータの変換は、各々の可能性のある身体部位を番号によりＳＮＯＭＥＤ−ＣＴコードのような一般に容認されているヘルスケア用語と関連付けることによって、行うことができる。同様に、各々の可能性のある処置の体系化を整数又は他の標準値と関連付けることができる。
図３ａに示す実施形態では、確立されたコード及び／又は標準値は、非標準的な用語を所望の標準的な用語と関連付ける（例えば、男性を「ｍ］と関連付けると共に女性を「ｆ］と関連付けし、特定の診断用処置を整数コード１１と関連づけし、背中の下側の身体部位を整数コード１２７と関連づけし、圧迫された第２椎間板の処置体系を整数コード１１６０５と関連づける）ルックアップ・テーブル又は高速照会データベースのような、標準化された用語源に記憶させる。従って、非標準的な用語は（例えば、探索機能を使用して）標準化された用語源内で突き止めることができ、次いで対応する標準的な用語を識別することができる。非標準的な用語を所望の標準的な用語と関連付けるための多数の記憶保存及びルックアップ手法を、標準化された用語源の具現化のために使用することができる。いずれの場合も、データは、学習モジュールによって、離散的になるように且つ時間につれて同じ意味に一致するように変換され、これによって一貫性のある予測モデル化及びスコアリング・プロセスを可能にする。
学習モジュールはまた、取り消された命令及び／又は処置や、誤って入力された患者データのような、不良な入力データを除去するように構成することができる。また学習モジュールは、冗長性を除くことができる。例えば、学習モジュールは、一人の患者がデータベース内に２度以上現れる（例えば、結婚後の名前及び独身時の名前の両方が共通の社会保険番号及び／又は患者ＩＤに関連している）場合を検出するように構成することができる。このような場合には、患者の記録を併合することができる。同様に、２人の異なる患者の記録を分割することができる。また、一人の患者の記録の一部を、希望される場合には（例えば、予測的スケジュール作成システムが診断及びイメージング記録についてのみトレーニングするように構成されている場合）考慮しないようにすることができる。
一旦学習モジュールがデータを所望の形態に変換すると、そのデータがスキーマに記憶され、該スキーマから予測モデルを構築することができる。図３ｃは、本発明の一実施形態による、このような１つのスキーマの例を示す。この特定のスキーマはスター型スキーマとして具現化される。公知のように、スター型スキーマは、外部キー（例えば、ＦＫ１）基準を使用して多数のディメンジョン表に結合された中央のファクト(fact)表を中心に編成されたリレーショナル・データベース・スキーマである。中央のファクト表は合成一次キー（例えば、ＰＫ）を含み、この例では、患者の人口統計的データ表である。他の表（患者の疾患、家族歴、命令され／スケジュール作成された処置、処置の遂行、処置の結果、患者追跡記録、及び患者疾患履歴表）の各々がディメンジョン表である。本明細書の説明から明らかであるように、多数の他のスキーマを使用することができる。
図３ｂは、本発明の一実施形態に従って、学習モジュールがスキーマに記憶されている履歴データから予測モデルを構築する方法を例示している。図に示すように、この例で学習モジュールによって遂行されるマイニング・モデル作成は、図３ｃのスキーマ・データ（マイニング・モデルのために準備されているデータ）を使用して、３つの予測モデル、すなわち、ナイーブ・ベイズ予測モデル、ロジスティックス回帰予測モデル及び神経回路網予測モデルの各々を作成する。これらのモデルの各々は、新しい患者・処置履歴データが受け取られて学習モジュールに供給されるときに連続的に更新される。
予測モデルは、任意の順序で、又は図３ｂに示されているように並列に、構築／更新することができる。この特定の例では、学習モジュールは、継続期間（例えば、入院／チェックイン及び／又は処置の継続期間）、資源（例えば、人及び装置）、並びに解釈者（例えば、担当医師）を使用して、ナイーブ・ベイズ予測モデルのためのマイニング構造を作成する。同様に、学習モジュールは、継続期間（例えば、入院／チェックイン及び／又は処置の継続期間）、資源（例えば、人及び装置）、並びに解釈者（例えば、担当医師）を使用して、ロジスティックス回帰予測モデルのためのマイニング構造を作成する。同様に、学習モジュールは、継続期間（例えば、入院／チェックイン及び／又は処置の継続期間）、資源（例えば、人及び装置）、並びに解釈者（例えば、担当医師）を使用して、神経回路網予測モデルのためのマイニング構造を作成する。また、追加の又は異なるデータをスキーマから取り入れて、希望されるように、予測モデルを構築するために使用することができることに留意されたい。
各予測モデルは、標準的なモデル構築手法に従って構築することができる。例えば、標準的なナイーブ・ベイズ規則は数学的に、事後確率＝（尤度＊事前確率）／（周辺尤度）、と表すことができる。これは記号で表すと、
Ｐ（Ｒ＝ｒ｜ｅ）＝［Ｐ（ｅ｜Ｒ＝ｒ）Ｐ（Ｒ＝ｒ）］／Ｐ（ｅ）
となり、ここで、Ｐ（Ｒ＝ｒ｜ｅ）は、証拠(evidence)をｅとして、確率変数Ｒが値ｒを持つ確率を表す。分母は、事後確率を最大で１にするための正規化定数であり、Ｒの全ての可能な値にわたって分子を合算することによって計算することができる（すなわち、Ｐ（ｅ）＝Ｐ（Ｒ＝０，ｅ）＋Ｐ（Ｒ＝１，ｅ）＋・・・＝和ｒＰ（ｅ｜Ｒ＝ｒ）Ｐ（Ｒ＝ｒ））。これは（Ｒにわたって周辺化する）周辺尤度と呼ばれており、証拠の事前確率を生じさせる。
（マイクロソフトＤＭＸを使用した）一例のナイーブ・ベイズ予測モデル生成のための擬似コードは、次のようになる。
CREATE MINING MODEL [PredictiveSchedulingNaive］
(
PatientID LONG KEY,
Sex TEXT DISCRETE,
[Problem] TEXT DISCRETE,
[Age Range] LONG DISCRETE,
[Scheduled PROCEDURE] TEXT DISCRETE,
[Procedure Duration] LONG DISCRETE PREDICT,
[Exam Detail Type] TEXT DISCRETE PREDICT
)
Using Microsoft_Naive_Bayes
公知のように、ＤＭＸ（Data Mining Extensions）はデータ・マイニング・オブジェクトを生成し操作するために使用される言語である。ＤＭＸステートメントはマイニング・モデルを生成し、修正し及び活用するために使用することができ、またＤＭＸ関数はマイニング・モデルについて統計的情報を検索し表示するために使用することができる。マイクロソフト・ナイーブ・ベイズは１つの商業上入手可能なＤＭＸ予測モデル構築ソフトウエアである。一般に、ナイーブ・ベイズは、予測可能な属性の各々状態が与えられていると、入力属性の各々の可能な状態について確率を計算する。これは、後で、既知の入力属性に基づいて、予測した属性の結果を予測するために使用することができる。
予測モデル構造が構築された後、患者・処置履歴データ情報（例えば、首尾よく遂行された患者処置）はモデルに適用される。（マイクロソフトＤＭＸを使用して）予測モデルをトレーニング／ポピュレート(populate)するための擬似コードの例は次の通りである。
INSERT INTO PredictiveSchedulingNaive
OPENQUERY([DataSource], SELECT * FROM [view Prior Procedure And Patient
Information] )。
同様なモデル構造を構築しポピュレートする手法を用いて、ロジスティックス回帰予測モデル及び神経回路網予測モデルを具現化することができる。例えば、学習モジュールは、マイクロソフト・ロジスティックス回帰アルゴリズムを使用して、ロジスティックス回帰予測モデルを作成し、ポピュレートし、更新することができる。同様に、学習モジュールは、マイクロソフト神経回路網アルゴリズムを使用して、神経回路網予測モデルを作成し、ポピュレートし、更新することができる。また、マイクロソフト決定木アルゴリズムのような他の予測モデル作成アルゴリズムも使用することができる。
［分類モジュール］
図４は、本発明の一実施形態に従って構成された、図１のシステムに示した分類モジュールのブロック図である。
図に示すように、この例の分類モジュールは、新しいスケジュール作成事象要求を受け取って、各要求からの患者・処置データを予測スコアリング・エンジンへ供給するようにプログラムされ又は構成されているスケジュール作成アプリケーションを含む。予測スコアリング・エンジンは、学習モジュールによって作成されて、維持／更新される３つの予測モデル（ナイーブ・ベイズ、ロジスティックス回帰及び神経回路網予測モデル）を含む。予測エンジンは、データ・マイニング予測が行われる分析データベースとして実効的に動作する。
動作について説明すると、受け取った又は「目標」患者・処置データが各々のモデルにより処理されてスコアを与えられる。次いで、比較器モジュールが３つのモデルからの各スコアを分析して、それらの予測が一致しているかどうか判定する。例えば、比較器モジュールは、各スコアが（スコアの正規化後）所定の限界を上回っているか判定するようにプログラムし又は構成することができる。
この判定に基づいて３つの予測の内の２つ又は３つが一致している場合、一致したモデルからの対応する一組の処置パラメータ（例えば、処置位置、処置装置及び処置者／技師）がスケジュール作成アプリケーションに供給されて、その処置のために患者について予測的にスケジュール作成される。他方、それらの予測が一致していない場合、予測の否定がなされる。このような場合には、人手によるスケジュール作成処置を使用することができる。
（マイクロソフトＤＭＸを使用して）一例のナイーブ・ベイズ予測モデル照会を行うための擬似コードは次のようになる。
SELECT Predict ([Procdure Duration]) FROM PredictiveSchedulingNaive
NATURAL PREDICTION JOIN
(SELECT @Sex AS [SEX], @Problem AS [PROBLEM], @AgeRange AS [AGE Range],
@ScheduledProcedure AS [Scheduled Procedure] )。
この照会のこの結果は、次いで、前に述べたように予測を相互に比較するために使用される。マイクロソフトＤＭＸ又は他の適当な予測モデル・アルゴリズムを使用して、同様な予測モデル照会手法をロジスティックス回帰予測モデル及び神経回路網予測モデル（又は他のこのような予測モデル）について用いることができる。
特定の一実施形態では、スケジュール作成された処置は、指示者によって規定された処置と合致する必要はない。例えば、規定された処置が胸部Ｘ線撮影についてのものであることがある。新しい患者・処置データがスケジュール作成システムに供給された後、予測モデルは患者因子及び患者・処置履歴データに基づいてＣＴ走査について予測的にスケジュール作成することがある。更に、スケジュール作成された処置が、指示者によって規定された処置よりも一層具体的であることがあることに注意されたい。例えば、指示者は胸部のＣＴ走査を規定することがある。新しい患者・処置データがスケジュール作成システムに供給された後、予測モデルは、走査中の患者の位置、造影剤及びタイミング因子のような他の関連した因子と共に、ＣＴ走査について予測的にスケジュール作成することがある。前に説明したように、このような予測的スケジュール作成は、更なる独立の分析によりそのように指示される場合は、指示者によって無効にすることができる。この意味で、予測的スケジュール作成システムはヘルスケア提供者のためのツールとして使用されて、適切な医療従事者によって検討して確認することができる実行可能な処置のオプションを提案することができる。
［方法論］
図５は、本発明の一実施形態に従って構成された、医学的処置のために患者について予測的にスケジュール作成する方法を例示する。図に示すように、本方法は、学習モード及び予測モードを含む。本方法は、例えば、図１に示されたシステムによって実施することができ、その場合、学習モジュールが学習モードを具現化し、また分類モジュールが予測モードを具現化する。
この例の方法の学習モードは、患者・処置履歴データを受け取る段階５０５を含む。前に説明したように、患者・処置履歴データは、以前に完了した患者処置からの実際のデータ、例えば、処置の詳細及び属性、処置の様々な段階についてのタイミング、患者の人口統計的データ、患者の保険データ、使用される装置、担当職員、並びに任意の他の関連した情報を含む。
本方法の学習モードは、（図３ａ及び図３ｃについて説明したように）受け取った患者・処置履歴データをスキーマに変換する段階５１０に続き、次いで（図３ｂについて説明したように）スキーマに記憶された変換後の患者・処置データを使用して１つ以上の予測モデルを構築する段階５１５に続く。このような一実施形態では、ナイーブ・ベイズ、ロジスティックス回帰、神経回路網、最大エントロピー及び決定木予測モデルの内の２つ以上のような、複数の異なる予測モデルが構築される。
学習モードは更に、新しい患者・処置履歴データを受け取ったどうか判定する段階５２０を含む。もしそうであれば、本方法は、（例えば、必要なときに段階５１０、５１５及び５２０を繰り返すことによって）構成された予測モデルを連続的に更新するように動作する。従って、学習モードは、予測モデルを構成し且つ維持するように具現化することができる。
予測モードでは、目標患者・処置データを含む新しいスケジュール作成事象要求を受け取る段階５２５を含む。前に説明したように、目標患者・処置データは、予測モデルがそこから構築され且つ維持される患者・処置履歴データ内に含まれるデータ・タイプの全て又はサブセットを含む。特定の一実施形態では、受け取った目標患者・処置データは、（ちょうど患者・処置履歴データが変換されるのと同様に）学習モードに用いられたスキーマに適合するように変換される。
予測モードは、（図４について述べたように）目標患者・処置データ及び予測モデルに基づいて、患者のための医学的処置について予測的にスケジュール作成する段階５３０に続く。特定の一実施形態では、目標患者・処置データが予測モデルにより処理されて、モデルによる処置の予測が所与の限界を満足しているかどうか判定する。もしそうであり、かつ定足数の予測が一致していれば、予測された処置のために患者についてスケジュール作成することができる。そうでない場合は、処置のスケジュール作成は他の手段で（例えば、人手によって）行われる。定足数とは、予測をするために一致しなければならないモデル予測の最小数である。定足数は、過半数、設定されたパーセント、又は全てのモデルのような、任意の予め設定された限界であってよい。
本発明の様々な実施形態についての上記の記載は、例示の目的で説明のために示したものである。それは、本発明の全てではなく、また本発明を開示した細部の形態に制限するものでもない。本書で開示したものから様々な修正及び変形が可能である。従って、本発明の範囲は詳細な説明によってはなく、むしろ特許請求の範囲によって制限されるものである。
本発明の一実施形態に従って構成された医学的処置の予測的スケジュール作成システムのブロック図である。 本発明の一実施形態に従った、図１のシステムに供給することのできる患者・処置履歴データを収集するための方法を例示する概要図である。 本発明の一実施形態に従って構成された図１のシステムに示した学習モジュールの内の一部を例示するブロック図である。 本発明の一実施形態に従って構成された図１のシステムに示した学習モジュールの内の図３ａに続く残りの部分を例示するブロック図である。 本発明の一実施形態に従った、データを標準値に変換した後の、図２で収集された履歴データについてのスキーマを例示する概要図である。 本発明の一実施形態に従って構成された図１のシステムに示した分類モジュールのブロック図である。 本発明の一実施形態に従って構成された、医学的処置のために患者について予測的にスケジュール作成する方法を例示する流れ図である。

Claims (9)

  1. 患者に対する医療事象をコンピュータにより予測的にスケジュール作成するために、記憶装置内に、１セットのコンピュータ実行可能コードを構成するスケジュール作成方法であって、
    前記１セットのコンピュータ実行可能コードは、
    患者・処置履歴データを受け取る段階（５０５）と、
    前記受け取った患者・処置履歴データをスキーマに変換する段階（５１０）と、
    前記スキーマからの前記変換後の患者・処置データを使用して複数の予測モデルを構築する段階（５１５）と、
    患者のための医学的処置について予測的にスケジュール作成するスケジュール作成段階（５３０）と、
    を有し、
    前記スケジュール作成段階が、
    前記複数の予測モデルのそれぞれにおいて一組の目標患者・処置データを処理して、それぞれの処理に結果に対するスコアを決定する段階と、
    各スコアに基づいて、前記複数の予測モデルからの予測のうちの過半数が一致しているか否かを判定する段階と、
    予測が一致した複数の予測モデルと一組の目標患者・処置データとを利用して、医療的処置について予測的にスケジュール作成する段階と、
    を有する、
    ことを特徴とするスケジュール作成方法。
  2. 新しい患者・処置履歴データを受け取ったと判定されたことに応答して（５２０）、前記複数の予測モデルを更新する段階を更に含むことを特徴とする請求項１記載の方法。
  3. 医学的処置について予測的にスケジュール作成する前記スケジュール作成段階の前に、前記目標患者・処置データを含む新しいスケジュール作成事象要求を受け取ることを特徴とする請求項１記載の方法。
  4. 前記目標患者・処置データは前記スキーマに適合するように変換される（５１０）ことを特徴とする請求項３記載の方法。
  5. 前記患者・処置履歴データは、以前に完了した患者処置からの実際のデータを有し、該実際のデータには、処置の属性、処置の継続期間、患者の人口統計的データ、使用される装置、及び担当職員の内の少なくとも１つが含まれていることを特徴とする請求項１記載の方法。
  6. 前記複数の予測モデルは、ナイーブ・ベイズ、ロジスティックス回帰、神経回路網、最大エントロピー及び決定木予測モデルの内の少なくとも１つを含むことを特徴とする請求項１記載の方法。
  7. 患者に対する医学的処置をコンピュータにより予測的にスケジュール作成するために、
    １セットのコンピュータ実行可能コードを記憶する記憶装置と、
    前記１セットの実行可能コードを実行するプロセッサと、
    を有するシステムであって、
    前記１セットのコンピュータ実行可能コードが、
    受け取った患者・処置履歴データをスキーマに変換し、且つ前記スキーマからの前記変換後の患者・処置データを使用して複数の予測モデルを構築する学習モジュールと、
    目標患者・処置データと前記複数の予測モデルとを利用して、患者のための医学的処置について予測的にスケジュール作成する分類モジュールと、
    を有し、
    前記分類モジュールは、
    前記複数の予測モデルのそれぞれにおいて一組の目標患者・処置データを処理して、それぞれの処理に結果に対するスコアを決定し、
    各スコアに基づいて、前記複数の予測モデルからの予測のうちの過半数が一致しているか否かを判定し、
    予測が一致した複数の予測モデルと一組の目標患者・処置データとを利用して、医療的処置について予測的にスケジュール作成する
    モジュールである、
    スケジュール作成システム。
  8. 前記学習モジュールは、新しい患者・処置履歴データを受け取ったことに応答して、前記複数の予測モデルを更新するように更に構成されている、請求項７記載のシステム。
  9. 前記複数の予測モデルは、ナイーブ・ベイズ予測モデル、ロジスティックス回帰予測モデル、及び神経回路網予測モデルの内の少なくとも１つを含んでいることを特徴とする請求項７記載のシステム。

JP2007028786A 2006-02-09 2007-02-08 医学的処置のための予測的スケジュール作成手法 Active JP5166741B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/352,043 2006-02-09
US11/352,043 US8069055B2 (en) 2006-02-09 2006-02-09 Predictive scheduling for procedure medicine

Publications (3)

Publication Number Publication Date
JP2007220113A JP2007220113A (ja) 2007-08-30
JP2007220113A5 JP2007220113A5 (ja) 2011-03-24
JP5166741B2 true JP5166741B2 (ja) 2013-03-21

Family

ID=38266181

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2007028786A Active JP5166741B2 (ja) 2006-02-09 2007-02-08 医学的処置のための予測的スケジュール作成手法

Country Status (4)

Country Link
US (1) US8069055B2 (ja)
JP (1) JP5166741B2 (ja)
CA (1) CA2577652C (ja)
DE (1) DE102007007190A1 (ja)

Families Citing this family (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8131718B2 (en) * 2005-12-13 2012-03-06 Muse Green Investments LLC Intelligent data retrieval system
US20100073202A1 (en) * 2008-09-25 2010-03-25 Mazed Mohammad A Portable internet appliance
WO2008112655A1 (en) * 2007-03-09 2008-09-18 Entelechy Health Systems L.L.C. C/O Perioptimum Probabilistic inference engine
US20090125334A1 (en) * 2007-10-22 2009-05-14 Siemens Medical Solutions Usa. Inc. Method and System for Radiation Oncology Automatic Decision Support
US8126881B1 (en) 2007-12-12 2012-02-28 Vast.com, Inc. Predictive conversion systems and methods
US20100070295A1 (en) * 2008-09-15 2010-03-18 ZocDoc, Inc. Centralized marketplace for healthcare appointments across practice groups
US8688466B2 (en) * 2008-09-15 2014-04-01 ZocDoc, Inc. Data synchronization for booking of healthcare appointments across practice groups
US20100070303A1 (en) * 2008-09-15 2010-03-18 ZocDoc, Inc. Consumer portal for healthcare appointments across practice groups
US20100106517A1 (en) * 2008-10-23 2010-04-29 General Electric Company Systems for and methods of medical scheduling based on simulation-based optimization
EP2351523A4 (en) * 2008-10-31 2014-08-27 Fundació Inst Guttmann METHOD AND SYSTEM FOR SAFE GUIDANCE OF INTERVENTIONS IN PROCESSES WITH NEURONAL PLASTICITY AS A SUBSTRATE
DE102009009228A1 (de) * 2009-02-17 2010-08-26 GEMAC-Gesellschaft für Mikroelektronikanwendung Chemnitz mbH Verfahren und Vorrichtung zur agglutinationsbasierten erkennung von spezifischen Erkankungen über einen Bluttest
US20110166883A1 (en) * 2009-09-01 2011-07-07 Palmer Robert D Systems and Methods for Modeling Healthcare Costs, Predicting Same, and Targeting Improved Healthcare Quality and Profitability
US20110153343A1 (en) 2009-12-22 2011-06-23 Carefusion 303, Inc. Adaptable medical workflow system
US7983935B1 (en) 2010-03-22 2011-07-19 Ios Health Systems, Inc. System and method for automatically and iteratively producing and updating patient summary encounter reports based on recognized patterns of occurrences
US20120173259A1 (en) * 2011-01-04 2012-07-05 General Electric Company System and Method for Scheduling Medical Procedures
WO2013009890A2 (en) * 2011-07-13 2013-01-17 The Multiple Myeloma Research Foundation, Inc. Methods for data collection and distribution
WO2013108122A1 (en) * 2012-01-20 2013-07-25 Mueller-Wolf Martin "indima apparatus" system, method and computer program product for individualized and collaborative health care
WO2014071023A1 (en) * 2012-10-31 2014-05-08 Moses Christopher Systems and methods for improving scheduling inefficiencies using predictive models
JP2016502092A (ja) * 2012-12-03 2016-01-21 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． インテリジェント核医学患者ワークフロースケジューラ
US9465873B1 (en) 2013-03-07 2016-10-11 Vast.com, Inc. Systems, methods, and devices for identifying and presenting identifications of significant attributes of unique items
US10007946B1 (en) 2013-03-07 2018-06-26 Vast.com, Inc. Systems, methods, and devices for measuring similarity of and generating recommendations for unique items
US9104718B1 (en) 2013-03-07 2015-08-11 Vast.com, Inc. Systems, methods, and devices for measuring similarity of and generating recommendations for unique items
US9830635B1 (en) 2013-03-13 2017-11-28 Vast.com, Inc. Systems, methods, and devices for determining and displaying market relative position of unique items
US10127596B1 (en) 2013-12-10 2018-11-13 Vast.com, Inc. Systems, methods, and devices for generating recommendations of unique items
US20150269328A1 (en) * 2014-03-21 2015-09-24 Paul Wiley Schedule optimization and online booking system for healthcare practices
CN107072739B (zh) * 2014-08-01 2020-09-11 史密夫和内修有限公司 提供用于手术程序的植入物
US20170147764A1 (en) * 2015-11-20 2017-05-25 Hitachi, Ltd. Method and system for predicting consultation duration
US20170177806A1 (en) * 2015-12-21 2017-06-22 Gavin Fabian System and method for optimizing surgical team composition and surgical team procedure resource management
US20190013095A1 (en) * 2016-01-15 2019-01-10 HRO Holdings Pty Ltd. A patient procedure schedule throughput optimiser supervised machine learning system
US10252145B2 (en) 2016-05-02 2019-04-09 Bao Tran Smart device
US10265044B2 (en) 2016-08-31 2019-04-23 General Electric Company Systems and methods for adaptive imaging systems
US10381105B1 (en) 2017-01-24 2019-08-13 Bao Personalized beauty system
US10251709B2 (en) * 2017-03-05 2019-04-09 Samuel Cho Architecture, system, and method for developing and robotically performing a medical procedure activity
US10052026B1 (en) 2017-03-06 2018-08-21 Bao Tran Smart mirror
US20180315508A1 (en) * 2017-04-27 2018-11-01 Koninklijke Philips N.V. Methods and apparatus for dynamic event driven simulations
WO2019044621A1 (ja) * 2017-08-30 2019-03-07 日本電気株式会社 データ管理システム、データ管理方法、およびデータ管理プログラム記録媒体
US10268704B1 (en) 2017-10-12 2019-04-23 Vast.com, Inc. Partitioned distributed database systems, devices, and methods
US10783499B1 (en) * 2017-11-02 2020-09-22 Mh Sub I, Llc System and method for offering customers' appointments based on their predicted likelihood of accepting the appointment
US20200005940A1 (en) * 2017-11-10 2020-01-02 Koninklijke Philips N.V. System and method for generating a care services combination for a user
MX2019003148A (es) 2017-11-13 2019-05-27 The Multiple Myeloma Res Foundation Inc Base de datos, de datos moleculares, omicos, de inmunoterapia, metabolicos, epigeneticos y clinicos, integrados.
US20190267133A1 (en) * 2018-02-27 2019-08-29 NEC Laboratories Europe GmbH Privacy-preserving method and system for medical appointment scheduling using embeddings and multi-modal data
US20190370956A1 (en) 2018-05-30 2019-12-05 General Electric Company Contrast imaging system and method
WO2020023671A1 (en) * 2018-07-24 2020-01-30 Protocol Intelligence, Inc. Methods and systems for treating cancer and predicting and optimizing treatment outcomes in individual cancer patients
US20200090132A1 (en) * 2018-09-18 2020-03-19 International Business Machines Corporation COGNITIVE APPOINTMENT SCHEDULING AND MANAGEMENT INTEGRATING IoT DATA
JP7147864B2 (ja) * 2018-10-24 2022-10-05 日本電気株式会社 支援装置、支援方法、プログラム
US11380436B2 (en) * 2018-11-21 2022-07-05 GE Precision Healthcare LLC Workflow predictive analytics engine
US11309076B2 (en) * 2018-11-21 2022-04-19 GE Precision Healthcare LLC Workflow predictive analytics engine
JP2022516172A (ja) * 2018-12-31 2022-02-24 テンパス・ラボズ・インコーポレイテッド 患者コホートの反応、増悪、および生存を予測し解析するための方法およびプロセス
US11688509B2 (en) * 2019-01-16 2023-06-27 Sri International Health management system
US11532395B2 (en) * 2019-02-22 2022-12-20 Siemens Healthcare Gmbh Optimizing catheterization laboratory throughput using machine learning
JP7032344B2 (ja) * 2019-03-07 2022-03-08 ヤフー株式会社 提供装置、提供方法及び提供プログラム
WO2020227128A1 (en) * 2019-05-03 2020-11-12 Image Stream Medical, Inc. Context and state aware operating room
CN111540452A (zh) * 2020-04-21 2020-08-14 广州市妇女儿童医疗中心（广州市妇幼保健院、广州市儿童医院、广州市妇婴医院、广州市妇幼保健计划生育服务中心） 术前禁食时间的处理方法、装置、计算机设备和存储介质
CN111582525B (zh) * 2020-05-12 2023-07-14 昆明医科大学第一附属医院 一种医院临床检查检验集中自动预约系统及方法
US11275903B1 (en) * 2021-05-13 2022-03-15 Retain Health, Inc System and method for text-based conversation with a user, using machine learning
DE102022116219A1 (de) 2022-06-29 2024-01-04 St. Jude Medical, Cardiology Division, Inc. Kandidatenscreening für eine Zieltherapie

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6470320B1 (en) * 1997-03-17 2002-10-22 The Board Of Regents Of The University Of Oklahoma Digital disease management system
JPH11253565A (ja) * 1998-03-13 1999-09-21 Mitsubishi Electric Corp 放射線治療スケジューリングシステム
US20030208382A1 (en) * 2001-07-05 2003-11-06 Westfall Mark D Electronic medical record system and method
US20040122719A1 (en) * 2002-12-18 2004-06-24 Sabol John M. Medical resource processing system and method utilizing multiple resource type data
JP2005149084A (ja) * 2003-11-14 2005-06-09 Hitachi Medical Corp 電子カルテシステム

Also Published As

Publication number Publication date
US20070203761A1 (en) 2007-08-30
JP2007220113A (ja) 2007-08-30
CA2577652A1 (en) 2007-08-09
DE102007007190A1 (de) 2007-08-16
US8069055B2 (en) 2011-11-29
CA2577652C (en) 2015-11-24

Similar Documents

Publication Publication Date Title
JP5166741B2 (ja) 医学的処置のための予測的スケジュール作成手法
US11264128B2 (en) Machine-learning framework for coordinating and optimizing healthcare resource utilization and delivery of healthcare services across an integrated healthcare system
Bartek et al. Improving operating room efficiency: machine learning approach to predict case-time duration
US20200294667A1 (en) System and method for machine based medical diagnostic code identification, accumulation, analysis and automatic claim process adjudication
US11664097B2 (en) Healthcare information technology system for predicting or preventing readmissions
US20150081326A1 (en) Healthcare Process Management Using Context
CN110709938A (zh) 用于生成患者数字孪生的方法和系统
US11923094B2 (en) Monitoring predictive models
US20120065987A1 (en) Computer-Based Patient Management for Healthcare
US10424403B2 (en) Adaptive medical documentation system
US11615890B2 (en) Method and system for the computer-assisted implementation of radiology recommendations
US11328400B2 (en) Method and system for computer-aided aneurysm triage
CN112908452A (zh) 事件数据建模
US20210183525A1 (en) System and methods for generating and leveraging a disease-agnostic model to predict chronic disease onset
US20190108313A1 (en) Analytics at the point of care
US20230130914A1 (en) System and method for patient care handoff
CN113678208A (zh) 主动脉狭窄超声心动图随访专家系统
JP7278256B2 (ja) 画像獲得ワークフローを最適化するためのデバイス、システム、及び方法
US7877341B2 (en) Self-adaptive data pre-fetch by artificial neuron network
US20220351847A1 (en) A device and a method for determining a path of a patient in a hospital
US11610654B1 (en) Digital fingerprinting for automatic generation of electronic health record notes
US12008742B2 (en) Method and system for computer-aided aneurysm triage
US20230215523A1 (en) Artificial intelligence-based medical coding and diagnosis
US20230094690A1 (en) Incorporating clinical and economic objectives for medical ai deployment in clinical decision making
Oliveira et al. Digital Clinical Guidelines Modelling

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20100208

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20100208

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20100208

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20110204

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20120306

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20120528

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20120824

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20120925

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20121022

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20121108

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: 20121127

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20121221

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20151228

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150

Ref document number: 5166741

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250