KR20110090919A

KR20110090919A - 위험 평가 및 진단을 위해 적용된 복잡성 과학 및 전문 지식을 사용한 의료 데이터의 자동 관리

Info

Publication number: KR20110090919A
Application number: KR1020117010523A
Authority: KR
Inventors: 제임스 비. 시워드
Original assignee: 카디오배스큘러 디시젼 테크놀로지스, 인코포레이티드
Priority date: 2008-10-10
Filing date: 2009-10-13
Publication date: 2011-08-10
Also published as: US20100094648A1; WO2010042947A3; BRPI0914079A2; JP5436563B2; WO2010042947A2; EP2335217A4; CN102246197A; JP2012505483A; US8554580B2; EP2335217A2

Abstract

다수의 특성-세트(feature-set)를 포함하는 지식베이스(knowledgebase)를 복잡성 과학(complexity science)을 사용하여 만든다. 지식베이스는, 의료 데이터를 수신 및 분석하여 질병 상황의 존재를 결정하는 컴퓨터, 시스템 및 컴퓨터 프로그램 코드에 네트워크를 통해 액세스 가능하다. 의료 데이터는 입력되어 지식베이스 내의 특성과 상관되어, 특정한 의료 상태를 각각 지시하는 특성-세트를 식별한다. 하나 이상의 특성-세트가 선택된 이후, 연관 알고리즘은 의료 데이터의 크기나 값을 고려하며, 특성-세트 내의 특성의 값으로, 특성-세트와 연관된 의료 상태의 위험 부담을 평가한다. 하나 이상의 의료 상태의 진단, 의료 상태(들)의 위험 부담, 가능한 치료 옵션 및 방지 기술을 포함할 수 있는 출력이 생성된다.

Description

위험 평가 및 진단을 위해 적용된 복잡성 과학 및 전문 지식을 사용한 의료 데이터의 자동 관리{AUTOMATED MANAGEMENT OF MEDICAL DATA USING EXPERT KNOWLEDGE AND APPLIED COMPLEXITY SCIENCE FOR RISK ASSESSMENT AND DIAGNOSES}

우선권 정보

본 출원은 CARDIOVASCULAR DECISION TECHNOLOGIES, INC.의 이름으로 PCT 국제특허출원으로서 출원 중이며, "AUTOMATED MANAGEMENT OF MEDICAL DATA USING EXPERT KNOWLEDGE AND APPLIED COMPLEXITY SCIENCE FOR RISK ASSESSMENT AND DIAGNOSES"라는 명칭으로 2008년 10월 10일에 출원된 미국가특허출원 제 61/104497호의 우선권 이익을 청구하며, 이 우선권은 여기서 그 전체가 참조로서 인용되고 있다.

본 설명은, 일반적으로 출현한(emergent) 질병 및 진단에 대한 위험 평가를 위한 의료 데이터 분석에 복잡성 과학 및 전문 지식을 적용에 관한 것이다. 더 구체적으로는, 본 개시는, 한 개인의 의료 데이터를 액세스하고, 의료 상태의 연관 특성의 특성-세트를 의료 지식베이스로부터 액세스하며, 의료 데이터의 값을 관련 특성-세트의 특성 값의 범위에 비교하여 그 개인의 임의의 위험에 처한(at-risk) 의료 상태를 식별하는 방법, 시스템 및 저장 매체에 관한 것이다.

현재, 나이-연관 질병의 치료는 관찰된 임상 징후, 위험 인자 및 연관 부작용의 2차적 관리 쪽이 주를 이루고 있다. 위험 인자는 종종, 기저의 작은 생리적 변화(physiologic perturbation)의 결과로 간주되지만, 이들 위험 인자는 그들 자체로는 그들 탓인 질병 징후의 주된 원인은 아니다. 위험 인자는 원인보다는 결과에 더 비견된다.

대부분의 질병은 기저의 작은 생리적 변화의 결과이며; 따라서 주로 방지에 적절한 위험 평가는 다른 패러다임을 가져야 한다. 임상 시험이, 질병 상황이 많은 변수의 분석을 필요로 함을 인식할지라도, 종래의 임상 위험 알고리즘은 제한된 유용성을 가지며, 그 이유는, 연구된 임상 위험 인자가 열악한 연관성이 있을 수 있고, 질병 세기의 수치적 표현을 갖고 있지 않을 수 도 있기 때문이다. 게다가, 개별적인 생물지표(biomarker)나 비-수학적 관찰은, 출현한 이벤트를 예측하려고 할 때 재현될 수 없을 수 도 있다. 사실, 결과의 관리가 원인의 성공적인 관리를 보장하지 못한다. 질병 상황의 임상 위험 부담과 출현한 위험 부담 모두를 충분히 해결하여 정량화하지 않는다면, 치료는 공통 질병을 완화하는데 부분적으로만 성공적일 것이다. 복잡한 다변수 질병의 성공적인 관리는 "하나의 질병, 하나의 위험 인자 및 하나의 세로마커(seromarker)"라는 제한을 초월해야 하며, 의료 과학을 더욱 포괄적이고 임상적으로 실현되는 시나리오 쪽으로 움직여야 한다.

예측 모델링이 질병을 예측하는데 사용되는 하나의 기술이다. 일반적으로, 예측 모델링 알고리즘은, 이력 데이터를 해석하여 미래를 예측하는 수학 알고리즘을 병합한다. 그러나 예측 알고리즘은 또한 특히 질병 예측에 적용될 때 단점이 있다. 전술한 바와 같이, 데이터를 수집하는데 사용되는 임상 모델은 대중 속에 포함되어 있는 출현한 위험이 아니라 이미 질병을 갖고 있는 사람을 참여시킨다. 통계적으로 말해, 질병을 갖고 있는 실험대상의 사용은, 이미 왜곡된 모집단으로 인해 결국 분포의 극단 측, 즉 정상 벨 곡선의 가장 왼쪽이나 가장 오른쪽으로의 데이터 점의 수집이 된다. 이질적으로 관찰된 위험 인자와 복잡한 변경자(modifier)에 기초한 다변수 위험 모델은 평가하기 어렵다는 점이 의료 문헌에서 알려져 있다. 나아가, 임상 위험 변형이나 이벤트 발생률에 대해 예측된 개별 위험 및 관리가 관찰된 인자의 발생을 방지하지 못하는 것이 사실이다.

질병 상황에 대한 예측 모델링 적용을 더 저지하는 것으로, 대부분의 의사들이 증거-기반 의료 연구로부터의 관련 결과를 인지하지 못하며, 의료 문헌 또는 이들 문헌 및 결과의 다양성과 규모에 의해 압도된다는 점이 있다. 인터넷 데이터베이스 및 정보 검색 기술의 진보가 의료 정보를 분석하고 결정자들에게 배포하는 새로운 기술의 박차를 가하고 있다. 원격의료 및 수퍼-크런처(super-cruncher), 현재의 인터넷 보조장치는 진단 결정-지원 소프트웨어에 초점을 맞추고 있고, 임상 결과의 입력에 의해 유발된다. 전체 건강 관리 경험에 포함된 정보의 인터넷 서치로 인해 의사가 더 많은 정보를 통한 진단을 할 수 있어, 오진단을 줄이고 증거-기반 의술의 적용을 향상시킬 것이고 가정된다. 이들 인터넷 진단 소프트웨어 툴은 통상 질병 분류를 사용하여 여러 질병과 가장 연관되는 용어 패턴을 저널 기사나 연구 그룹에서 통계적으로 서치한다. 최선의 노력과 희망에도, 수퍼 정보 크런처는 현재 진단을 위한 탑-다운 서치에 적용되어, 10%의 시간에서만 성공적이었다. 이 패러다임의 초기의 결점은 다음과 같다; 임상적으로 명백한 질병의 데이터를 단순히 찾는 것은 환자나 의사에게 질병을 방지하는 방법을 알려주지 못한다.

다른 질병 방지 패러다임으로 이동하기 위해, 본 명세서에서 기술한 실시예의 환경에서, 데이터, 메타데이터, 이해 및 지식 사이의 차이를 논의하는 것이 유용하다. 데이터 는 관찰, 수학적 계산이나 실험으로부터 유도한 수치이고, 통상 기계를 사용하여 얻어진다. 정보 는 컨텍스트로 된 데이터이고; 정보는, 데이터 및 연관 설명, 예컨대 정상 또는 비정상 상황에 대한 데이터의 관계의 대한 진단자의 해석과 같은 특정 객체, 이벤트 또는 프로세스에 관한 해석이나 논의의 집합이다. 메타데이터 는 데이터에 대한 데이터이며, 정보가 얻어졌거나 사용되는, 예컨대 "최종 리포트"와 같은 데이터의 높은 수준의 해석 및 요약과 같이 컨텍스트를 기술한다. 이해 는, 예컨대 특정 질병 및/또는 환자를 간주할 때 의사가 특성이나 테스트를 선택하는 것과 같이, 논리적으로 선택하는 메타데이터 및 정보의 사용이다. 이해는 또한, 특정 지식을 넓은 개념에 관련시킴으로써 지적인 경험을 제공할 수 있는 인간의 능력으로 간주된다. 지식 은, 예컨대 특성 사이의 관계와 같이, 메타데이터가 성공적으로 적용될 수 있는 컨텍스트의 인식 및 메타데이터의 결합이다. 인공 지능에서, 지식은 정보 및 메타데이터를 사용하고 관련시키는 방법을 결정한다. 인공 지능 알고리즘에 적용될 때 누적된 지식이 흔히 지식베이스(140) 라고 한다. 일반적으로, 지식베이스(140)는 정보 및 지식의 중앙집중 저장소이다. 각 지식베이스(140)는, 이것이 모방한 전문가(들)에 고유한 것이지만, 훈련받지 않은 지식베이스(140)는 고순위 예측을 산출할 수 없다. 임상 의술은 질병의 호조 및 관리의 결정을 위해 다양한 형태의 정보 과학의 사용을 탐험하여 왔지만, 이들 기술의 지금까지의 시행은 질병 구성원, 예컨대 의사, 전문가 및 기술자의 관련 지식을 가진 의료 제공자의 복잡한 다변수 지식베이스(140)를 성공적으로 복제하거나 대체하지 못했다.

인포매틱스(informatics)는 정보의 일반 과학, 정보 처리의 실행 및 정보 시스템의 엔지니어링을 포함한다. 인포매틱스는, 정보를 저장, 처리 및 통신하는 자연 및 인공 시스템의 구조, 거동 및 상호작용의 학문이다. 건강 및 의료 인포매틱스는, 건강 및 생물의학에서 정보의 획득, 저장, 검색 및 사용을 최적화하는데 필요한 자원, 장치 및 방법을 다룬다. 다른 한편, 복잡성 과학이 포함되는 정보 과학은, 정보의 수집, 분류, 조작, 보고, 저장, 검색 및 배포의 이분야 제휴 과학(interdisciplinary science)이다.

복잡성 과학은, 과학자들이 복잡한 현상을 야기하는 간단한 비-선형 결합 규칙을 종종 구하는 신흥 학문이다. 여기서 특히 중요한 것은, 질병이 복잡한 시스템으로 연구될 수 있다는 것이다. 복잡성 과학에서 자연 법칙의 수치 표현을 특성이라 한다. 특성은, 이벤트의 인지를 허용하는 경우 특징으로 간주된다. 예컨대, 한 개인은 성, 피부, 눈, 키 등과 같은 특성으로 다른 개인을 인지한다. 복잡성 과학에서, 이들 특성은, 예측을 강화하는 매우 연관된 특성의 작은 세트- 특성-세트라고 함 -로 모아진다.

준임상적 또는 출현 전(pre-emergent) 질병의 확신에 찬 예측이 질병의 예측 및 방지와 현재 의료 위기의 관리에 필수적이지만, 현재의 질병 예측과 관리로는 불충분하다. 의료 관리를 예측하거나 지도하는 것을 보조하고자 하는 데이터 인포매틱스와 정보 과학의 적용은 인간 질병 관리에서 제한된 임상 유틸리티를 충족하였다. 그러나 정보 과학의 컨텍스트에서, 복잡성 과학은 본 명세서에서 기술한 바와 같이 질병의 강력한 예측자이며 그러한 위험 크기의 결정자이다.

의료계는 질병 대리인(disease surrogates)이라고도 불리는 위험 모델의 특성-세트를 이제 식별하여 포용해야 하며, 이러한 대리인은 정보 또는 출현 전 단계에서 질병을 검출할 수 있다. 높은 위험을 지닌 일반 모집단에서 자가증상이 없는 연구대상의 식별 및 개별 특징화는 문제가 있고 불충분한 상태이다. 지금까지, 이러한 딜레마에 대한 만족스런 해법이 채택되지 않았다.

본 개시는, 방법, 이 방법의 구성을 병합하고 있는 시스템, 수행 가능한 프로그램 단계에서 이 방법의 구성을 병합하고 있는 일시적이지 않은 컴퓨터로 판독 가능한 저장 매체, 그러한 시스템, 방법 및 저장 매체의 통합된 부분이 되도록 만들어진 의료 지식베이스에 관한 것이다.

특히, 방법의 실시예는, 위험에 처한 의료 상태를, 있는 경우, 식별하기 위해 한 개인의 의료 데이터를 평가한다. 이 방법은 의료 데이터를 얻음으로써 시작되며, 여기서 이 데이터는, 여러 가지 의료 상태 중 적어도 한 상태의 특성을 가지며, 특성 중 적어도 일부가 값을 갖도록 되어 있다. 의료 지식베이스에 액세스한다. 지식베이스는 여러 가지 의료 상태에 관한 다수의 특성-세트를 갖는다. 다수의 특성-세트 각각은, 여러 가지 의료 상태 중 특정한 상태에 관련된 매우 연관된 특성의 그룹을 갖는다. 매우 연관된 특성 중 적어도 일부는 값의 범위를 갖는다. 다수의 특성-세트의 서브세트는, 의료 데이터의 특성 중 적어도 두 개를 서브세트에서 특성-세트의 매우 연관된 특성 중 적어도 두 개와 상관함으로써 결정된다. 이런 식으로, 의료 데이터의 특성의 지식은, 서브세트에서 특성-세트 각각의 변환된, 매우 연관된 특성 그룹의 형태의 메타데이터로 변환된다. 의료 데이터의 특성은 그 후 비교되어, 의료 데이터의 값의 정상 또는 비정상 특징이나 크기가, 정규성(normality) 측면에서 변환된 매우 연관된 특성의 유사한 특징 및 값의 범위와 비교된다. 이러한 비교는 표준에 대해 해석되어 어떤 위험에 처한 의료 상태를 식별한다.

의료 지식베이스에 관해, 의료 상태에 관한 후보 특성-세트를 지식베이스에 추가하거나 변경하는 방법이 제공된다. 후보 특성은 후보 특성-세트로 간주된다. 후보 특성-세트는 적어도 하나의 다른 기존의 특성을 갖는다. 후보 특성은 이 적어도 하나의 다른 기존의 특성과 비교된다. 이 후보 특성은, 이 적어도 하나의 후보 특성이 비정상과, 비정상인 값의 범위 내 중 하나일 때, 이 적어도 하나의 다른 기존의 특성과의 상관 효과가 있어 이들 특성이 함께 후보 특성-세트가 관련되는 의료 상태와 증가한 관계 레벨을 갖는 경우에, 후보 특성-세트에 포함하기 위해 선택된다.

실시예로는, 위험에 처한 의료 상태를, 있는 경우, 식별하기 위해 한 개인의 의료 데이터를 평가하는 방법이 있다. 이 실시예는, 여러 가지 의료 상태 중 적어도 한 상태의 특성을 갖는 의료 데이터를 컴퓨터로 얻는 단계를 포함하는 방법이며, 그러한 의료 데이터의 특성 중 적어도 일부는 값을 갖는다. 이 실시예는, 메모리로부터, 여러 가지 의료 상태에 관한 다수의 특성-세트를 갖는 의료 지식베이스에 액세스하는 단계를 포함하며, 다수의 특성-세트 각각은 여러 가지 의료 상태 중 특정한 상태에 관한 매우 연관된 특성 그룹을 가지며, 그러한 매우 연관된 특성 중 적어도 일부는 값의 범위를 갖는다. 이 실시예는, 의료 데이터의 특성 중 적어도 두 개를 다수의 특성-세트의 서브세트에서 특성-세트 각각의 매우 연관된 특성 중 적어도 두 개와 상관하여, 의료 데이터의 특성의 지식을 그러한 서브세트에서 특성-세트 각각의 변환된 매우 연관된 특성 그룹의 형태의 메타데이터로 변환함으로써, 그러한 서브세트를 컴퓨터로 결정하는 단계를 포함한다. 이 실시예는, 의료 데이터의 특성이 정상 또는 비정상 중 하나인지와, 의료 데이터의 값의 크기가 정상이나 비정상인 변환된 매우 연관된 특성의 값의 범위 내에 있는지를 컴퓨터로 비교하여, 그러한 개인의 위험에 처한 의료 상태를, 있는 경우, 식별하도록 표준에 대해 해석하는 단계와, 위험에 처한 의료 상태에 관한 정보를 컴퓨터로부터 출력하는 단계를 포함한다.

실시예는, 위험에 처한 의료 상태를 식별하기 위해 의료 데이터를 평가하는 컴퓨터 시스템이며, 그러한 컴퓨터 시스템은 메모리에 연결된 중앙 처리 장치를 포함하고, 그러한 중앙 처리 장치는, 여러 가지 의료 상태 중 적어도 한 상태의 특성을 갖는 의료 데이터를 얻음으로써 의료 데이터를 평가하도록 프로그램되며, 그러한 의료 데이터의 특성 중 적어도 일부는 값을 갖는다. 나아가, 이 실시예는, 여러 가지 의료 상태에 관한 다수의 특성-세트를 갖는 의료 지식베이스에 메모리로부터 액세스하도록 프로그램된 그러한 중앙 처리 장치를 포함하며, 다수의 특성-세트 각각은 여러 가지 의료 상태 중 특정한 상태에 관한 매우 연관된 특성 그룹을 가지며, 그러한 매우 연관된 특성 중 적어도 일부는 값의 범위를 갖는다. 나아가, 이 실시예는, 의료 데이터의 특성 중 적어도 두 개를 다수의 특성-세트의 서브세트에서 특성-세트 각각의 그러한 매우 연관된 특성 중 적어도 두 개와 상관하여, 의료 데이터의 특성의 지식을 그러한 서브세트에서 특성-세트 각각의 변환된 매우 연관된 특성 그룹의 형태로 메타데이터로 변환함으로써, 그러한 서브세트를 중앙 처리 장치로 결정하도록 프로그램된 그러한 중앙 처리 장치를 포함한다. 나아가, 이 실시예는 의료 데이터의 특성이 정상 또는 비정상 중 하나인지와, 의료 데이터의 값의 크기가 정상이나 비정상인 변환된 매우 연관된 특성의 값의 범위 내에 있는지를 중앙 처리 장치로 비교하여, 그러한 개인의 위험에 처한 의료 상태를, 있는 경우, 식별하도록 표준에 대해 해석하도록 프로그램된 그러한 중앙 처리 장치를 포함한다. 나아가, 그러한 중앙 처리 장치는, 위험에 처한 의료 상태에 관한 정보를 인터페이스로부터 출력하도록 프로그램된다.

실시예는, 의료 데이터를 평가하는 수행 가능한 프로그램을 저장하고 있고, 컴퓨터 시스템상에 로딩되는 일시적이지 않은 컴퓨터로 판독 가능한 저장 매체이며, 여기서 그러한 프로그램은 메모리 및 데이터 수신 인터페이스에 결합된 중앙 처리 장치에 명령한다. 이 실시예는, 여러 가지 의료 상태 중 적어도 한 상태의 특성을 갖는 의료 데이터를 얻는 단계를 실행하며, 그러한 의료 데이터의 특성 중 적어도 일부는 값을 갖는다. 이 실시예는, 여러 가지 의료 상태에 관련된 다수의 특성-세트를 갖는 의료 지식베이스에 메모리로부터 액세스하는 단계를 실행하며, 다수의 특성-세트 각각은 여러 가지 의료 상태 중 특정한 상태에 관한 매우 연관된 특성의 그룹을 가지며, 그러한 매우 연관된 특성 중 적어도 일부는 값의 범위를 갖는다. 이 실시예는, 의료 데이터의 특성 중 적어도 두 개를 다수의 특성-세트의 서브세트에서 특성-세트 각각의 그러한 매우 연관된 특성 중 적어도 두 개와 상관하여, 의료 데이터의 특성의 지식을 그러한 서브세트에서 특성-세트 각각의 변환된 매우 연관된 특성 그룹의 형태의 메타데이터로 변환함으로써, 그러한 서브세트를 결정하는 단계를 실행한다. 나아가, 이 실시예는, 의료 데이터의 특성이 정상 또는 비정상 중 하나인지와, 의료 데이터의 값의 크기가 정상이나 비정상인 변환된 매우 연관된 특성의 값의 범위 내에 있는지를 비교하여, 그러한 개인의 위험에 처한 의료 상태를, 있는 경우, 식별하도록 표준에 대해 해석하는 단계를 실행한다. 나아가, 이 실시예는, 위험에 처한 의료 상태에 관한 정보를 인터페이스로부터 출력하는 단계를 실행한다.

실시예는, 여러 가지 의료 상태에 관한 특성-세트를 포함하는 의료 지식베이스에 대해 의료 상태에 관한 후보 특성-세트를 추가하거나 변경하는 방법이며, 여기서 한 개인의 의료 데이터는 위험에 처한 의료 상태를 식별하기 위해 특성-세트에 대해 평가되고 의료 데이터 중 적어도 일부는 값을 가지며, 그러한 의료 데이터는 여러 가지 의료 상태 중 적어도 한 상태의 특성을 갖는다. 이 방법은, 이 후보 특성-세트에 대해 간주되는 적어도 하나의 후보 특성을 컴퓨터에 입력하는 단계를 포함하며, 그러한 후보 특성-세트는 적어도 하나의 다른 기존의 특성을 갖는다. 이 방법은, 컴퓨터로, 적어도 하나의 후보 특성을 적어도 하나의 다른 기존의 특성과 비교하는 단계를 포함한다. 이 방법은, 적어도 하나의 후보 특성이 비정상과, 비정상인 값의 범위 내에서 중 하나일 때, 이 적어도 하나의 다른 기존의 특성과의 상관 효과가 있어 이들 특성이 함께 후보 특성-세트가 관련되는 의료 상태와 증가한 연관 레벨을 갖는 경우에, 후보 특성-세트에 포함하기 위해 적어도 하나의 후보 특성을 선택하는 단계를 포함한다.

도 1은 실시예에 따른 컴퓨터 시스템과 네트워크의 블록도이다.
도 2는 실시예에 대한 복잡성 부호 사용의 개략적인 예시를 도시한 도면이다.
도 3 내지 도 5는, 실시예에 따라, 위험에 처한 의료 상태를 식별하는 것에 대해 의료 데이터를 분석하게 하는 방법의 흐름도이다.
도 6 내지 도 10은, 여러 가지 의료 상태에 대한 특성-세트의 실시예의 예이다.
도 11은, 실시예에 대한 복잡성 부호 사용의 개략적인 예시를 도시한다.

다음의 상세한 설명은 수반하는 도면에 대한 참조를 포함한다. 본 발명은 많은 다른 형태로 구현될 수 도 있어, 본 명세서에서 기재한 실시예로 제한되는 것으로 해석되지 않아야 한다. 오히려 예시한 실시예는, 이러한 개시가 철저하고 완벽해서, 본 발명의 범주를 당업자에게 충분히 전달하도록 제공된다. 전반에 걸쳐서, 유사한 번호는 유사한 요소를 지칭한다.

당업자에 의해 인식될 바와 같이, 본 명세서에 기술된 실시예는, 지식베이스(140), 다수의 연관 알고리즘(150), 및 다수의 특성-세트(160)로서, 의료 상태를 식별하고, 특성의 크기를 나타내는 입력 의료 데이터를 평가하기 위해 적용되는 하나 이상의 연관 알고리즘을 적용하는 매우 연관된 특성 세트를 각각 갖는 다수의 특성-세트(160)를 보관하는 방법, 데이터 처리 시스템, 컴퓨터 프로그램 제품 및 서비스이며, 의료 상태나 질병에 대한 개인의 위험이 식별되어 결정된다. 의료 상태나 질병에 대한 개인의 위험을 결정하는 단계는 정상으로부터의 생리적 변동(physiologic variance)을 정량화하는 단계를 포함한다. 따라서 실시예의 구성요소는 하드웨어 양상이나 소프트웨어와 하드웨어 양상을 결합한 실시예의 형태를 가질 수 있다. 더 나아가, 실시예의 구성요소는, 컴퓨터 유용 코드를 포함하고 있는 컴퓨터 유용 저장 매체 상의 컴퓨터 프로그램 제품 형태를 가질 수 있다. 고체-상태 저장 장치, 하드디스크, CD-ROM, 광저장 장치, 휴대용 메모리, 인터넷이나 인트라넷을 지원하는 것과 같은 송신 매체나, 자기 저장 장치를 포함하는 임의의 적절한 컴퓨터로 판독 가능한 매체가 사용될 수 있다.

본 명세서에서 기술한 바와 같이 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 보관하는 소프트웨어 구성요소의 컴퓨터 프로그램 소스 코드는 C, Java, Smalltalk 또는 C++과 같은 객체-지향성 프로그래밍 언어로 기록될 수 있다. 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 포함하는 구성요소의 객체 코드는 전적으로 개별 서버나 클라이언트 상에서, 부분적으로 개별 또는 백업 서버나 클라이언트 상에서, 부분적으로 개별 또는 백업 서버나 클라이언트 상에서, 그리고 부분적으로 원격 서버나 클라이언트 상에서 또는 전적으로 원격 서버나 클라이언트 상에서 수행될 수 있다. 후자의 시나리오에서, 원격 서버나 클라이언트는, 근거리 네트워크(LAN)나 광역 네트워크(WAN)를 통해 개별 또는 백업 서버나 클라이언트에 연결될 수 있거나, 그러한 연결은 인터넷 서비스 제공자(Internet Service Provider)를 사용하여 인터넷을 통해 원격 서버나 클라이언트에 이루어질 수 도 있다.

본 명세서에 기술된 바와 같이, 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 보관하는 방법은, 본 발명에 따른 방법, 장치(시스템), 구성요소 및 컴퓨터 프로그램 제품의 흐름도 예시 및/또는 블록도를 참조하여 이하에서 기술될 것이다. 흐름도 예시 및/또는 블록도의 각 블록과, 흐름도 예시 및/또는 블록도에서의 블록의 결합은 컴퓨터 프로그램 명령에 의해 시행될 수 있음을 이해해야 할 것이다. 이들 컴퓨터 프로그램 명령은 하나 이상의 구성요소로서 범용 컴퓨터, 특수 컴퓨터, 또는 다른 프로그램 가능한 데이터 처리 장치의 프로세서에 제공되어 기계(machine)를 생성할 수 있어, 컴퓨터나 다른 프로그램 가능한 데이터 처리 장치의 프로세서를 통해 수행하는 구성요소는 흐름도 및/또는 블록도 블록(들)에 명시된 기능/동작을 시행하는 수단을 만들 수 있다.

본 명세서에 기술된 바와 같은 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)로 된 이들 컴퓨터 프로그램 구성요소뿐만 아니라, 이들을 시행하는데 필요한 사용자 및 애플리케이션 인터페이스도, 컴퓨터나 다른 프로그램 가능한 데이터 처리 장치가 특정한 방식으로 기능하도록 지시할 수 있는 컴퓨터-판독 가능한 메모리에 저장될 수 있어, 컴퓨터-판독 가능 메모리에 저장된 구성요소는, 흐름도 및/또는 블록도 블록(들)에 명시된 기능/동작을 시행하는 구성요소를 포함하는 제조 아티클(article of manufacture)을 생성한다. 컴퓨터 프로그램 구성요소는 컴퓨터나 다른 프로그램 가능한 데이터 처리 장치상에 로딩되어 일련의 동작 단계가 이 컴퓨터나 다른 프로그램 가능한 장치상에서 실행되게 하여, 컴퓨터로 구현된 프로세스를 생성할 수 있어, 컴퓨터나 다른 프로그램 가능한 장치상에서 실행되는 구성요소는 흐름도 및/또는 블록도 블록(들)에 명시된 기능/동작을 구현하는 단계를 제공한다.

도 1을 참조하면, 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)뿐만 아니라 이들을 시행하는데 필요한 사용자 및 애플리케이션 프로그램 인터페이스를 보관하고, 본 명세서에 기술된 실시예와 부합하는 컴퓨터 네트워크 시스템(10)의 높은-수준의 블록도가 도시되어 있다. 컴퓨터 네트워크 시스템(10)은 바람직하게는 많은 네트워크로 연결된 컴퓨터(110)를 포함하며, 이들 컴퓨터 각각은 중앙 처리 장치(CPU)(112), 메모리(114) 및 여러 디지털 및/또는 아날로그 인터페이스(128-138)를 포함한다. 이러한 여러 장치는 내부 통신 버스(122)를 통해 서로 통신한다. CPU(112)는 메모리(114)에 저장된 명령을 수행하는 범용 프로그램 가능한 프로세서이고; 하나의 CPU(112)를 도 1에 도시하고 있지만, 복수의 CPU를 갖는 컴퓨터 시스템이 사용될 수 있음을 이해해야 한다. CPU(112)는 운영체계(120), 본 명세서에서 기술한 바와 같이 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 보관하는 컴퓨터 프로그램 제품, 프로세스 및 방법 단계, 및 다른 애플리케이션(300)을 수행할 수 있다. CPU(112)는, 본 명세서에 기술된 바와 같이 적절한 사용자 및 애플리케이션 프로그램 인터페이스와, 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 보관하는 컴퓨터 프로그램 구성요소를 생성할 수 도 있고, 본 명세서에서 기술된 이들 프로세스, 기능 및 방법(100)을 실행하기 위한 방법을 구현한 프로그램 명령을 수신 및 송신할 수 있다. 통신 버스(122)는 서로 다른 장치 사이에서의 데이터, 명령 및 기타 정보의 전송을 지지하고, 단일 버스와 같은 간단한 형태로 도시되었지만, CPU(112)를 직접 메모리(114)와 연결할 수 있는 내부 버스(124)를 포함하는 복수의 버스로서 통상 구성된다.

메모리(114)는 운영체계(120)와, 본 명세서에서 기술된 바와 같이 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 보관하는 구성요소와, 다른 애플리케이션(300), 데이터 및 프로그램을 저장하는 RAM(Random-Access Memory)(128)과 ROM(Read Only Memory)(116)을 포함한다. 전형적으로, "부트 업"하는데 필요한 운영체계(120)의 이들 부분이나 프로그램, 루틴, 모듈은 ROM(116)에 저장된다. RAM(118)은 전형적으로, 컴퓨터가 꺼질 때 소거될 프로그램 및 데이터를 저장한다. 메모리(114)는 개념적으로는 단일 모놀리식 개체로서 도시되지만, 메모리가, 그 일부나 모두가 CPU(112)와 동일한 반도체 기판에 집적될 수 도 있는 캐시 및 다른 메모리 장치의 계층으로 종종 배치됨이 잘 알려져 있다. RAM(118) 장치는, 캐시 메모리, 비휘발성 또는 백업 메모리, 프로그램 가능한 또는 플래시 메모리, 휴대용 메모리, 기타 리드-온리 메모리 등과 같은 임의의 보충 레벨의 메모리뿐만 아니라 컴퓨터의 주된 저장부를 포함한다. 게다가, 메모리(114)는, 예컨대 대용량 저장 장치상이나 네트워크를 통해 컴퓨터에 연결된 다른 컴퓨터상에 저장된 바와 같이, 가상 메모리로서 사용되는 프로세서나 다른 저장 용량에서의 캐시 메모리와 같은, 컴퓨터 내의 다른 곳에 물리적으로 위치하는 메모리 저장부를 포함하는 것으로 간주될 수 있다. 본 명세서에서 기술된 바와 같이 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 보관하고 포함하는 구성요소는 그 소스로부터 데이터에 액세스하고 및/또는 본 명세서에 기술된 바와 같이 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 보관하는 구성요소가 설치되고 수행하고 있는 컴퓨터 처리 장치(110) 내부 및 외부에 위치한 ROM 및 RAM을 포함하는 임의의 메모리(114) 내의 분포된 지식베이스(140)에 액세스하는데 사용될 수 있음이 충분히 실현 가능하다. 도 1에 도시된 바와 같이, 본 명세서에 도시된 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 보관하고 구현하는 구성요소가 네트워크에 걸쳐 다른 장치상에 저장된 유사한 구성요소에 연결될 수 도 있고, 의료 데이터를 얻을 수 있거나 그렇지 않으면 아날로그 및 디지털 데이터를 교환하여 본 명세서의 원리에 따라 방법을 구현 및 수행할 수 있다.

운영체계(120) 및, 본 명세서에 기재된 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 보관하는 구성요소가 메모리(114) 내에 상주한다. 운영체계(120)는 특히, 종래기술에서 알려진 바와 같이 장치 인터페이스, 메모리 페이지 관리, 복수의 작업 관리 등과 같은 기능을 제공한다. 그러한 운영체계의 예는 리눅스, 에익스(Aix), 유닉스, 윈도우-기반, Z/os, V/os, OS/400, Rtos, 휴대용 운영체계 등을 포함할 수 도 있다. 이들 운영체계(120)와, 본 명세서에 기재된 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 보관하고 구현하는 기타 여러 가지 구성요소와, 다른 애플리케이션(300), 다른 구성요소, 프로그램, 객체, 모듈 등이 또한, 분포되거나 클라이언트-서버 계산 환경에서와 같은 곳에서 네트워크(170, 180)를 통해 컴퓨터(110)에 연결된 다른 컴퓨터의 하나 이상의 프로세서상에서 수행될 수 도 있어, 컴퓨터 프로그램의 기능을 시행하는데 필요한 처리가 네트워크(170, 180)를 통해 복수의 컴퓨터(110)에 할당될 수 있다.

일반적으로, 본 명세서에서 기술된 바와 같이 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 보관하고 구현하는 구성요소는 CPU(112) 내에서 수행되어, 실시예를 시행하며, 운영체계나 특정 애플리케이션의 일부로서 실행되든지 간에, 구성요소, 프로그램, 객체, 모듈 또는 명령 시퀀스는 본 명세서에서 컴퓨터 프로그램이나 간단히 구성요소로서 지칭될 수 도 있다. 본 명세서에서 기술된 바와 같이 지식베이스(140), 다수의 연관 알고리즘(150) 및 다수의 특성-세트(160)를 보관하고 구현하는 구성요소는 전형적으로, 장치의 여러 가지 메모리(114) 및 저장부에 여러 번 상주하며, 처리 장치(110)의 하나 이상의 프로세서에 의해 판독되고 수행될 때, 그러한 장치(110)가 기술된 여러 양상을 구현하는 단계나 요소를 수행하는데 필요한 단계를 실행하게 하는 하나 이상의 명령을 포함한다. 구성요소(100)는 적어도 하나 이상의 지식베이스(140)를 포함한다. 구성요소(100)는, 본 명세서에 기술된 특성에 따라 의료 상태나 질병이나 의료 상태나 질병의 위험을 특징화하는 매우 연관된 특성의 하나 이상의 특성-세트(160)를 더 포함한다. 구성요소(100)는, 특성-세트에서 특성의 입력 의료 데이터를 얻어 평가하여, 의료 상태나 질병에 대한 개인의 위험을 결정하는 하나 이상의 연관 및 평가 알고리즘(150)을 더 포함한다. 구성요소(100)는, 데이터 획득 및 입력과 데이터 정렬 방법 그리고, 의사나 다른 사용자에 의해 액세스 가능한 애플리케이션이나 사용자 인터페이스뿐만 아니라 다른 적절한 사용자와 애플리케이션 프로그램 인터페이스를 통해 포맷의 결과를 디스플레이하는 출력 구성요소를 더 포함한다.

컴퓨터(110)는 전형적으로는 종래기술에서 알려진 바와 같이 부착된 장치와 CPU(112) 사이에 적절한 아날로그 및/또는 디지털 인터페이스(128-138)를 포함한다고 인식되어야 한다. 예컨대, 컴퓨터(110)는 전형적으로 정보를 외부로 통신하기 위한 많은 입력 및 출력을 수신한다. 의사나 다른 사용자와의 인터페이스를 위해, 컴퓨터(110)는 전형적으로 예컨대 특히 키보드, 마우스, 트랙볼, 조이스틱, 터치패드 및/또는 마이크와 같은 하나 이상의 소프트웨어 개발자 입력 장치(162-168)와, 특히 CRT 모니터, LCD 디스플레이 패널 및/또는 스피커와 같은 디스플레이를 포함한다. 그러나 예컨대 일부 서버 시행과 같은 컴퓨터(110)의 일부 실행이 직접 소프트웨어 개발자 입력 및 출력을 지원하지 않을 수 도 있음을 인식해야 한다. 단자 인터페이스(134)는 하나 또는 복수의 단자나 랩탑 컴퓨터(144)의 부착을 지원할 수 있거나 하나 또는 복수의 전자 회로 카드나 다른 유닛으로서 시행될 수 있다. 하나 이상의 의료 툴(175)로부터의 입력이 예컨대 초음파 검사, 단층 촬영, 연구실 테스트, 심전도 기록 등으로부터의 데이터와 같이 직접 연결되어, 의료 데이터는 컴퓨터 시스템(110)에 직접 입력될 수 있음을 생각해 볼 수 있다. 의료 데이터는 또한, 인터넷, 전화 또는 무선과 같은 송신 매체를 거쳐 휴대용 메모리를 통해 입력될 수 있거나 심지어 수동으로 입력될 수 있다. 추가 의료 데이터가, 바람직하게는 하나 이상의 회전 자기 하드디스크 드라이브 유닛을 포함하는 데이터 저장부로부터 액세스될 수 있을지라도, 테이프, 플래시 메모리 또는 광 드라이버를 포함하는 다른 타입의 데이터 저장부를 사용할 수 있다. 추가 저장을 위해, 컴퓨터(110)는 또한, 예컨대 플로피나 다른 탈착 가능한 디스크 드라이브, 하드디스크 드라이브, 직접 액세스 저장 장치(DASD), 콤팩트 디스크(CD) 드라이브, 디지털 비디오 디스크(DVD) 드라이브 등과 같은 광 드라이브 및/또는 테이프 드라이브와 같은 하나 이상의 대용량 저장 장치를 특히 포함하는 메모리(114)를 포함할 수 있다. 지식베이스(140), 하나 이상의 특성-세트(160), 및/또는 하나 이상의 연관 알고리즘(150)은, 인터넷(180), WAN(170) 및 다른 연결된 기계(128)를 통해 위치하는 다른 컴퓨터(110)의 대용량 저장 장치나 RAMs를 포함하는 저장부 상에 위치할 수 도 있다. 당업자는, 인터페이스(128-238)가 또한 무선일 수 있음을 더 예상할 것이다.

더 나아가, 컴퓨터(110)는 하나 이상의 네트워크(170, 180)를 갖는 인터페이스(136, 138)를 포함할 수 있어, 네트워크(들)(170, 180)에 연결된 다른 처리 장치와 지식베이스(들)(140)와 정보의 통신을 허용할 수 있다. 네트워크 인터페이스(들)(136, 138)는 네트워크(들)(170, 180) 내외로의 데이터의 송신을 위한 물리적 및/또는 무선 연결을 제공한다. 네트워크(들)(170, 180)는 인터넷뿐만 아니라 인트라넷, 광역 네트워크(WAN), 근거리 네트워크(LAN), 또는 예컨대 전화 송신회선, 위성, 광섬유, T1 회선, 무선, 공공 케이블 등을 사용하는 다른 내부 또는 외부 네트워크와 여러 가지 이용 가능한 기술 중 임의의 기술과 같이 임의의 더 작은 자립 네트워크일 수 도 있다. 당업자는, 컴퓨터 시스템(10)이 하나 이상의 네트워크(170, 180)에 동시에 연결될 수 있음을 이해한다. 컴퓨터 시스템 및 원격 시스템(128)은 데스크탑이나 개인용 컴퓨터, 워크스테이션, 미니컴퓨터, 중간급 컴퓨터, 메인프레임 컴퓨터일 수 도 있다. 대형 메인프레임 서버와 같이 최대 정보 처리 성능을 반드시 가질 필요는 없는, 개인용 휴대 컴퓨터, 개인용 디지털 보조장치, 무선 전화 등과 같이, 임의 수의 컴퓨터, 여러 의료 테스트 및 데이터 획득 장치의 처리 장치, 다른 마이크로프로세서 장치가 또한 네트워크(들)(170, 180)를 통해 네트워크될 수 있다. 여전히 그러나, 실시예는, 하나 이상의 지식베이스(140)를 생성하거나 변경하는 단계, 특성-세트의 특성의 입력 의료 및 임상 데이터를 제공하는 단계, 구성요소(100)나 그 다른 구성요소가 실시할 수 있는 연관 알고리즘이나 다른 프로세스 단계 중 임의의 것을 제공하거나 변경하는 단계 중 하나 이상을 실시하도록 제공하는 서비스 제공자에 의해 개발, 관리, 서비스될 방법 및 프로그램 제품의 구성요소 중 임의의 것을 포함할 수 있다.

본 명세서 환경에서, 메모리(114)는, 네트워크를 통해 컴퓨터에 결합된 다른 컴퓨터나 대용량 저장 장치와 같이, 다른 컴퓨터, 클라이언트, 서버, 또는 다른 하드웨어 메모리 장치상에 물리적으로 위치한 장치에서, 비휘발성 또는 백업 메모리나 프로그램 가능한 또는 플래시 메모리, 리드-온리 메모리 등으로 또한 간주될 수 도 있다. 메모리(114)는, 본 명세서의 구성요소 중 임의의 것을 갖는 테이프 또는 광 드라이버, 하나 이상의 회전 자기 하드디스크 드라이브 장치와 같은 원격 아카이벌(archival) 메모리를 포함할 수 도 있다. 메모리(114)는 또한, 특히 플로피 또는 다른 탈착 가능한 디스크드라이브, 하드디스크드라이브, 직접 액세스 저장 장치(DASD), 예컨대 콤팩트 디스크(CD) 드라이브, 디지털 비디오 디스크(DVD) 드라이브 등과 같은 광 드라이브, 및/또는 테이프 드라이브와 같은 하나 이상의 대용량 저장 장치로 또한 간주될 수 도 있고, 이들 각각은 본 명세서에서 기술된 하나 이상의 구성요소를 가질 수 도 있다.

본 명세서에서 기술한 실시예는 의료 상태의 정상으로부터의 위험이나 분산(variance)을 예측하고 평가하는 "바텀-업(bottom-up)" 접근을 적용하며, 조사자는 물리적, 기능적, 화학적 및/또는 생물학적 현상에서 단서를 서치하여 기저의 이론 또는 행동방침, 즉 특성-세트의 특성을 추론한다. 목적은, 어떤 관찰 가능한 현상이 기본적인 것인지를 확인하여 이들 기본적인 현상을 의료 상태나 질병의 위험이나 질병 자체의 특성으로서 연결하는 것이다. 이 모델에서, 특성은 자연 규칙에 의해 결정된 수학적 또는 언어적(verbal) 데이터이다. 다시 말해, 특성은, 테스트, 검사, 기계 등으로부터 유도한 수학적 또는 논리적 데이터이다. 배경기술에서 설명한 바와 같이, 질병이나 위험의 예는 정상 또는 비정상 상황의 복잡한 표현이고, 상호작용 특성의 집합으로 출현한다. 본 명세서에서 적용된 "바텀-업" 접근은 다변수 특성-계층(stratified) 위험 분석을 제공하여, "탑-다운(top-down)" 분석보다는 더 넓은 스펙트럼의 베이스라인 위험에 걸쳐 효과를 비교한다. 바텀-업 모델은, 상관된 정량화 가능한 특성을 사용하여 준임상적 또는 출현-전 질병 상황을 검출하고, 장래의 건강 이벤트를 검출하며, 질병의 발현을 방지하는 가능성이라는 특정한 장점이 있다. 질병 특징화 및 관리에 대해 바텀-업 접근은 현재 매우 제한적으로 사용되고 있다.

긴밀하게 연관된 특성의 특성-세트로부터 출현하는 질병 또는 프리디지즈(predisease)의 연구를 위해 본 명세서에서 지식베이스(140) 및 연관 알고리즘(150)으로 구현된 복잡성 과학은 실제로 출현한 경우나 위험 평가 예측의 더 큰 정확도를 갖는다. 본 명세서에 기술된 실시예에 대한 동기부여 패러다임 중 일부는, "동일한 깊이 유사성을 갖는 [시]스템이 동일한 간단한 규칙을 따라야 한다"와, "모든 과학자는 가능한 가장 간단한 방식으로 세계를 보려고 시도하고 있어야 한다"는 것이다. 간단하지만 깊은 자연 법칙이, 인간 질병을 포함한, 모든 복잡한 네트워크의 구조 및 전개를 지배한다. 각각의 위험 평가 기술은 그 자체의 한계와 장점을 갖고 있지만, 정보 과학 및 특히 복잡성 과학이 논리적 장점이 있다. 복잡성 과학은, 긴밀하게 연관된 특성의 집합으로부터 출현하는 현상의 연구이며, 이러한 집합은 의학에서는 응급 질병이나 위험에 가장 관련이 있다. 복잡성 과학의 사시도로부터 시스템의 그래픽 표현인 도 2 및 도 11을 고려한다. 도 2 및 도 11의 아래에서, 조직이 없는 시스템의 기본 구성요소를 나타내는 혼란(chaos)(210)이 있다. 도 11은, 의료계에서, 이들 기본 구성요소(212)가 유전자, 단백질, 당, 전해질, 분자, 원자 등을 포함함을 도시한다. 이들 기본 구성요소(212) 사이에서, 이들 구성요소(212)가 그 자신들을 시스템, 상황, 네트워크 등으로 명령하게 하는, 자연적으로 지속되고 일관된 법칙이 있다. 이 현상을 결정적 혼란이라고 한다. 질병 발생과 같은 조직화된 상황은 이들 규칙이나 자연 패턴의 존재 없이는 전개할 수 없을 것이다. 복잡성(230)의 상위 순서 및 반대편 혼란에는 프렉탈(fractal)이 있다; 프렉탈은 그 자체 내에서 반복하는 패턴이며 따라서 프렉탈의 시스템은 높은 조직을 나타낸다. 혼란(210)과 복잡(230) 또는 프렉탈 사이에는 간단성(simplicity)(220)이 있다. 복잡성 과학 자체는 복잡한 프렉탈 시스템을 유도하는 간단 그룹화의 연구에 관한 것이다. 도 11은, 속도, 압력 및 볼륨의 특성을 포함한 지식베이스(222)로서 간단 그룹화의 예를 도시한다. 본 명세서에서 기술한 환경에서, 복잡성 과학은 적은 수의 매우 연관된 정량화 가능한 특성을 간략화하여 확인하여 기존의 또는 출현-전 의료 상태 및 질병 상황을 특징화하는데 적용된다.

의사들은, 의료 상태의 위험을 예측하고 정량화하고자 하거나, 질병을 방지, 치료 또는 치유하고자 할 때, 생체의 복잡한 상호연결성을 무시하고 혼란, 즉 특정 분자나 유전자나 임상적 위험 인자에 초점을 맞출 경우 엄청난 도전에 직면하게 된다. 복잡성 과학 환경 내에서 질병 특성의 고려는 복잡을 간략화하여, 기본 구성요소의 상호동작의 예측불가능성을 고려할 프레임워크를 제공한다. 이러한 프레임워크의 결과로, 암, 당뇨, 생사(life-death), 치매, 심방세동(atrial fibrillation), 아테롬성 동맥 경화증(atherosclerosis), 스트로크, 심부전, 수면장애 및 고혈압과 같은 질병 상황(232)으로서 도 11에 도시된 하나 이상의 복잡한 이벤트, 예를 예상할 수 있다. 예상으로 인해 질병 상황(232)과 같은 의료 상태를 예측하게 되어, 의사는 예방 조치를 통해 가능한 질병 상황(232)의 위험에 신속히 대응할 수 있어, 질병 상황(232)이 완전히 발현되는 것을 회피할 수 있다.

질병 및/또는 질병 위험은 다음의 특징 대부분 또는 모두를 갖는다: (1) 서로 긴밀하게 관련된 많은 상호작용 특성 집합이 한 그룹의 구성원이거나, 일부 공통 정보를 공유한다; (2) 특성의 거동은, 하나의 시간이나 장소에서 발생하고 있는 것이 다른 시간이나 장소에서 발생하고 있는 것에 영향을 미치는 피드백 시스템에 의해 영향을 받는다; (3) 특성이 그 성능을 개선함에 따라 적응될 수 있다; 및 (4) 시스템은 통상 "개방"되어 있고, 그 환경에 의해 영향을 받을 수 있다. 이들 질병이나 위험 속성을, 다음의 거동을 보이는 복잡한 다변수 시스템과 비교한다: (1) 복잡한 시스템은 작동하는 것처럼 보이며, 피드백의 영향 하에서 자명하지 않고 복잡한 방식으로 전개한다; (2) 복잡한 시스템은, 특정한 분자, 유전자 또는 계산과 같은 개별 특성의 지식을 기초로 이들이 일어나 보통 예측될 수 없는 시간 측면에서 예상외로 출현하는 경우를 갖는다; (3) 복잡한 시스템은, 임의의 중심 제어기의 부재시에 통상 일어나는 복잡한 현상을 보인다, 즉 복잡한 시스템은 그 부분의 합보다 크다; 및 (4) 복잡한 시스템은, 혼자서 질서와 무질서 사이를 이동할 수 있는 질서 및 무질서 거동의 혼합을 보이며, 예컨대 심부전 징후가 변동 또는 진동하는 정상 또는 비정상 관련 특성을 가질 수 있는 것과 같이 질서의 포켓을 아마도 보일 것이다. 본 명세서에서 기술한 실시예는, 출현-전 및 기존의 질병 상황의 분석에 대한 복잡성 과학의 적용성에 대한 사용자 인식을 이용한다.

임상 질병 위험을 추정하는 것은 부정확하지만, 잘해봐야 예컨대 에코/도플러, 생화학 테스트, 방사선사진술(radiography) 등과 같은 생물지표(biomarker)의 추가 사용이 개인의 위험 부담의 정량화를 개선한다. 개인의 위험 부담에 위험 감소를 맞추는 것이 장점이 된다. 의료 및 과학계에 의해 받아들여지기 위해, 특성으로 선택되는 관찰된 생리학적 현상이나 생물지표는 여러 가지 특정한 기준 중 대부분을 충족해야 한다: (1) 종래의 위험 인자 연관을 초과하여 진단 값에 더해지는 재생 가능한 조치일 것; (2) 모집단 연구에서 특이성(specificity) 및 민감도(sensitivity)에 대한 증분값을 가질 것; (3) 새로운 치료의 평가나 재분류 및 방지를 이루거나 오분류를 감소시켜 부적절한 치료를 회피할 것; (4) 낮은 허위-양성(false-positive) 율로 쉽게 달성 가능하고 재생 가능할 것; (5) 결과 및 상대 위험 예측을 상당히 개선하기 위한 전망을 가질 것; 및 (6) 불리한 이벤트에서 상당한 감소로 치료 성공을 측정할 것. 정량화 가능한 형태학(morphologic) 및 생리학(physiologic) 특성의 특성-세트를 기초로 해서, 에코/도플러 모델이 이상적인 생물지표의 한 예이다. 어떤 특정한 특성이 복잡한 출현한 질병의 안정성을 결정하는지를 인식하고 인증하는 것이 어려운 것이다.

정상 상황에서, 자연 생리학적 특성은 통상, 지수법칙에 따라 급속하게 감소하는 상관을 갖는 벨 곡선을 따른다. 시스템이 그러나 예컨대 액체에서 고체로의 물의 전이, 질서의 무질서로의 전이, 혼란스런 생화학물질의 질병 상황으로의 전이와 같은 상 전이를 겪는다면, 파워 법칙이라고 불리는 자가-조직화(self-organization)의 파워 법칙이 그러한 전이를 특징화한다. 파워 법칙 분포는 벨 형상이 아니라 지속적으로 감소하는 곡선을 따르며 그에 따라 많은 작은 이벤트나 노드가 소수의 큰 이벤트나 허브와 공존함을 의미하는 히스토그램이다. 스케일-프리(scale-free) 네트워크의 파워 법칙 분포는, 대부분의 관계가 소수의 링크만을 갖지만, 항공 교통 시스템과 유사한, 소수의 강하게(highly) 연결된 허브에 의해 결합된다고 예측한다. 막대한 수의 느슨하게(poorly) 연결된 연관이나 노드는, 인과관계 및 네트워크의 안정성에 더 긴밀하게 관련되는 소수의 지배적인 특성이나 허브로 쇠퇴한다. 자연 네트워크에서, 실패가 더 많은 수의 더 작은 연관에 주도적으로 영향을 미치지만 이들 약한 연관은 실제로 네트워크의 완전성에는 거의 기여하지 않음을 주목할 만한 가치가 있다.

본 명세서에서 기술한 바와 같이, 출현 전 질병 상황의 예측자의 실시예는 복잡성 과학을 기초로 한 "계산된 지능"을 사용한다. 이질적인 임상 및 기술 유도 데이터를 전형적으로 사용하는 시험, 수퍼-크런처, 임상 위험 스코어의 종래의 의료 정보 시스템과 대조적으로, 사람 전문가는 어떠한 의료 데이터가 관련있는지를 선택 및 인증하고, 나아가 그러한 의료 상태의 특성 세트에 포함시킬 특성을 선택한다. 많은 전문가의 지식의 통합된 확률은 특성 사이에서의 특성-선택 및 관계를 정의한다. 단지 예로서, 에코/도플러 및 다른 최신식 데이터 획득 기술이 특성의 특징화 및 정량화하는 바람직한 수단의 예일지라도, 이들은 치료 알고리즘의 구성요소로서 거의 주목을 받지 못한다. 대신, 개인 및 작은 그룹의 이질적인 세로마커와 임상 위험 인자가 위험 및 치료 알고리즘을 공식화하는 전형적인 수단이 되어왔다.

특정한 의료 상태나 질병을 네트워크로서 간주할 때, 복잡한 질병의 종래의 치료는 열악하게 연결된 특성에 초점을 두어 추가 질병이나 복잡성의 출현에 제한된 영향을 미친다. 단지 질병이 복잡하고 다변수적이기 때문이라는 것은, 그것이 복잡하거나 복잡한 세트의 규칙으로부터 발생해야 한다는 것을 의미하지 않는다. 도 2에서, 복잡성 과학이 우리가 명백히 복잡한 상황 내에서 단순성을 구하도록 독려하며, 의료에 적용됨으로써, 작은 수의 강하게 연결된 특성을 사용하여 질병을 특징화하고, 관리하며 방지하도록 우리를 가르쳐줌을 상기하기 바란다. 다변수 질병 상황은 사실, 복잡보다 한 레벨 미만에서 작용하는 상대적으로 간단한 규칙의 결과이다. 자연 규칙에 의해 결정된 특성은 예컨대 심방 충만압(filling pressure)의 퍼센티지[mmHg], 심근 확장(myocardial relaxation)[cm/s], 중심 대동맥 혈압(central aortic pressure)[mmHg] 등을 포함할 수 있다. 복잡한 질병은, 복수의 강하게 연결된 특성이 질병이 붕괴(collapse)할 시간에 동시에 디스에이블되지 않는다면, 관리되고 방지될 수 없다. 자연적으로 발생한 네트워크의 파워 법칙 분포를 이해하고 질병 시스템에 적용하기 위해서는, 분자, 세로마커 또는 개별 피스가 질병을 특징화하는 패러다임의 종말이 필요하다. 대신, 이례적으로 상호연결된 특성의 작은 특성-세트는 대부분의 작용을 전달하며 복잡한 사람 질병에서 자체-조직화를 알린다.

복잡성 과학에 따르면, 네트워크의 특성-세트로 조직된 허브(여기서 특성-세트는 긴밀히 연관된 지배적이 특성의 세트이다)는 네트워크의 토폴로지를 정의하며, 네트워크의 구조적 안정성, 동적 거동, 로버스트니스(robustness), 및 에러 및 공격 톨러런스(tolerance)를 결정한다. 질병의 예측을 위한 위험 또는 질병 세기 평가는 작은 수의 가장 강하게 연결된 특성에 좌우지 된다. 간단하지만 강하게 연결된 특성의 특성-세트는 출현한 질병을 정의하고 위험을 예측하여, 예측이 치료에 초점을 맞추고 성공이나 실패를 모니터링하게 한다. 높게 선택된 특성의 작은 특성-세트의 초점이 맞춰진 식별 및 관리가 사용될 수 있어, 출현한 질병 위험을 발견하여 관리하며 건강 관리를 방지기(era of prevention)쪽으로 몰고 갈 수 있다. 즉, 특성-세트에서 지배적인 특성의 치료는 출현-전 또는 기존의 질병 자체의 치료와 동일한 효과를 갖는다.

상호작용 특성의 강하게 상호연결된 네트워크는 복잡한 이벤트를 예측하는 핵심이다. 출현-전 또는 기존의 질병 상황은 복잡한 이벤트이며, 따라서 의학에 적용될 때, 복잡성 과학은 출현한 질병 및 이 질병과 관련된 위험의 예측 및 제어의 이해를 용이하게 한다. 제 1 단계는 특성의 지식베이스(140)와 정의된 특성-세트(150)를 만드는 것이며, 특성-세트(150) 내의 각 특성은 확인 가능하고 측정 가능한 값을 가지며, 의료 상태나 질병의 발생과 연관된다. 지식베이스(140)는 생태학, 생리학 및 생물학 데이터를 특성으로서 분류하고 인증하며, 자연적인 생리학 이벤트를 특징화하여, 특정한 질병 및/또는 특정한 또는 일반적인 위험에 매칭되는 특성의 특성-세트를 구축한다. 바람직하게, 이 지식베이스(140)는 동적이며, 한 번에 하나의 특성을 집합시킨 생리학 및 형태학 변화 네트워크를 나타내며 각 추가 특성은 우선적으로 기존의 특성에 연결된다. 의료 데이터는 바람직하게는 정량화 가능한 특성으로서 그리고 자연 생리학 이벤트의 정상 진동을 고려한 수학적 함수의 변수로서 다뤄진다. "정상"으로부터의 분산 또는 한 상황으로부터 다른 상황으로의 전이는 특성-세트 내에 포함된 특성의 수치적 평균으로서 표현될 수 있다. 복잡성 과학의 명명법을 본 명세서의 설명에 채택하면: 노드 는 공통되지만 덜-연결된 특성의 집합으로 정의되고; 허브 또는 특성-세트 는, 서로 그리고 출현한(준임상) 질병과 강하게 연관된 소수의 지배적인 특성의 집합으로서 정의된다. 노드 및 허브의 네트워크는, 질병 상황으로의 전이를 포함해, 네트워크의 기본 기능을 지속시킨다. 각 특성-세트는 의료 상태나 질병 상황을 특징화하는 가장 강하게 연관된 특성을 포함하는 허브의 작은 집합이다. 획득 기술로부터의 데이터는 초음파 검사 즉 x-선에서처럼 직접적으로 입력되거나, 간접적으로 반도체 메모리를 통해서나 수동으로 개인에 의해 지식베이스(140)에 입력된다. 지식베이스(140)를 만든 이후, 다수의 특성 및 유도된 특성-세트(160)로 및 로서 저장된다.

지식베이스(140)는 바람직하게는 전문가들에게 액세스될 수 있어 특정한 특성-세트 내에서 특성을 선택한다. 지식베이스(140)는 또한 바람직하게는, 지속적으로 동료 검토 및 정정을 거치는 전문 지식의 개방-소스의 활발한 집합이므로, 전문가는 작은 수, 예컨대 두 개 내지 네 개 그러나 일반적으로 10개 미만인, 의료 상태나 질병 상황과 관련된 매우-연관된 특성을 갖는 특성-세트를 편집, 추가, 삭제, 코멘트 및 개량할 수 있다. 덜 중요한 특성(즉, 노드나 데이터)을 매우 효율적으로 선택된 특성-세트에 추가하는 것은 예측 파워에 실질적으로 영향을 미치지 않는다. 이러한 발견이 스케일-프리 네트워크의 특징이며, 여기서는 덜 연결된 노드의 추가나 제거는 네트워크의 완전성에 눈에 띄게 영향을 미치지 않을 것이다. 비교를 위해, 위키피디아(WIKIPEDIA)는 온라인 데이터베이스이며, 여기서는, 거의 누구나 거기에 포함된 정보에 기여할 수 있다. 본 명세서에 따른 지식베이스(140)는 단순한 데이터가 아니라 지식을 포함한다(즉, 지식은 메타데이터와, 이 메타데이터가 성공적으로 적용될 수 있는 환경의 인식의 결합이다). 나아가, 본 명세서의 실시예는 동료-검토되는 지식베이스(140)를 포함한다. 더 나아가, 본 명세서의 실시예는 지식베이스(140)에 포함되는 전문 지식을 포함하며, 여기서 전문가만이 기여자가 될 수 있다. 추가 특성이 추가 또는 빼질 수 있어, 특성-세트의 예측 파워에 초점을 맞추거나 일반화하여 의료 상태나 질병의 위험을 확인할 수 있다. 현재, 특성-세트를 포함하는 높게 선택된 특성은, 텍스트북, 종래의 데이터베이스, 소위 전문가 진단 툴과 같은 온라인 등에서 쉽게 확인할 수 없다. 심부전과 연관된 대리 질병 모델의 특성-세트나 간단한 특성-세트의 예는 다섯 개의 정량화 가능한 특성을 포함하며 본질적으로 이들로 구성된다: 도 6에 도시된 바와 같이, (1) 박출률(ejection fraction); (2) 만성(chronicity) 및 (3, 4) 충만압의 어큐어티(acuity); 및 (5) 심근 확장.

도 3에 관련해, 본 명세서에 기술된 바와 같이 복잡성 과학을 의료 진단 및 질병 방지에 적용하는 것을 실현하는 기능을 하는 방법 단계의 흐름도가 기재된다. 그 후로, 용어, 의료 상태는 건강을, 정상(normalcy), 출현-전 질병, 출현 또는 응급(expressed) 질병 자체로 나타내는데 사용될 것이다. 후자 세 가지는 위험에 처한 의료 상태이다. 용어 의료 데이터는 특성이라고 불리는 여러 가지 개별 아이템 중 임의의 것이며, 이들 특성은 여러 가지 의료 상태 중 적어도 하나에 관한 것이다. 의료 데이터의 특성 중 적어도 일부는 값을 갖는다. 첫째, 단계(308)에서, 의료 데이터가 만들어지고, 단계(310)에서, 의료 데이터가 얻어져 처리 시스템에 입력되며 메모리(312)에 저장된다. 의료 데이터는 데이터를 획득한 장치로부터 직접 실시간으로 입력될 수 있다. 데이터를 처리 시스템이나 메모리에 직접 입력할 수 있는 의료 장치의 예는, 도 1에서 175로서 도시된 x-선, 에코/도플러, 자기공명(MRI) 및 다른 초음파검사, 컴퓨터-보조 단층촬영(CAT 스캔), 생화학 연구실 장비, 핵 장치, 유전체학(genomics)을 포함하지만 이들로 제한되지 않는다. 의료 데이터는 또한, 예컨대 애플리케이션 프로그램 인터페이스를 사용하는 컴퓨터 저장 장치용 통신 연결이나 네트워크를 통해 저장된 의료 데이터에 액세스하는 도 1의 컴퓨터 시스템(10)에 의해서와 같이 직접 입력될 수 있다. 배치 데이터 획득 프로그램은, 하루, 주, 달 전체 등 동안 의료 기관으로부터 실질적인 데이터를 획득하는데 사용될 수 있다. 의료 데이터는, 키보드나 마이크 등과 같은 입력 장치를 통해 데이터를 입력하거나 개인에 의해 입력될 수 도 있다.

단계(320)에서, 본 명세서에서 기술된 방법은 지식베이스(140)에 액세스한다. 지식베이스(140)가, 질병 대리나 허브일 수 있는 일반 또는 특정 의료 상태를 각각 나타내고 그 특정 의료 상태를 특징화하는 작은 수 또는 그룹의 매우 연관된 특성을 각각 갖는 다수의 특성-세트(160)를 포함함을 상기하기 바란다. 매우 연관된 특성 중 적어도 일부는 값의 범위를 갖는다. 이 지식베이스(140)는 이들 의료 상태의 비준된 전문가 지식을 포함함을 또한 상기하기 바란다.

방법은 그 후 이들 특성-세트, 즉 단계(330)에서 개인의 입력 의료 데이터와의 가장 큰 특성 상관을 갖는 모든 특성-세트의 서브세트를 식별한다. 의료 데이터 특성 중 적어도 두 개는, 서브세트에서 특성-세트 각각의 매우 연관된 특성 중 적어도 두 개와 상관해야 한다. 이런 방식으로, 의료 데이터 특성은 의료 데이터의 특성의 지식으로부터 서브세트에서 특성-세트 각각의 매우 연관된 특성의 그룹의 형태로 된 메타데이터로 변환된다. 입력 의료 데이터를 기초로 해서, 하나 이상의 특성-세트가 식별될 수 도 있다. 개인의 의료 데이터는, 이 개인이 하나 이상의 의료 상태나 질병 상황을 가짐을 지시할 수 도 있다. 유사하게, 의료 데이터는 지식베이스(140)에서 임의의 기존의 특성-세트와 상관하지 않을 수 도 있다. 이 경우, 이 개인에 속한 의료 데이터는 사람 전문가에 의해 더 검토하기 위해 강조될 수 있다. 따라서, 단계(330)에서, 공정 및 구성요소는 의료 데이터를 특성에 상관시키도록 실행되고, 출현-전이나 출현한 또는 임상의 자명한 의료 상태를 예측, 정량화하도록 실행되고, 그에 대한 치료를 제안 또는 모니터링할 수 도 있고 가능한 행동 방침을 식별할 수 도 있다.

적절한 의료 데이터가 입력된 이후, 단계(340 및 350)에서, 연관 알고리즘(150), 적절한 비교 및 전문가 해석이 의료 데이터에 적용되며, 여기서 의료 데이터의 크기는 각 선택된 특성-세트 내의 특성에 적용되어, 그 의료 데이터가 분석되는 개인이 선택된 특성-세트의 의료 상태를 갖거나 갖지 않는 누적 위험을 결정한다. 단계(340)에 대해, 의료 데이터 특성이 정상 또는 비정상일 수 있거나, 값의 크기를 가질 수 있음을 주목해야 한다. 특정이 정상 또는 비정상인 상황에서, 그러한 언어는 성에 관한 특징에 속할 수 있고, 여기서 특정한 특성-세트는 여성에 반대되는 남성에 속해 있어서, "남성"이 정상인 반면, "여성"은 그러한 특징에 대해 비정상이 될 것이다. 단계(340)에서, 정상 또는 비정상 중 하나와 값의 크기인 의료 데이터 특성의 비교는, 특성이 정상이나 비정상인지나 의료 데이터의 특성의 값이 특성-세트의 특성의 값의 범위 내에 있는지에 대해 특정 특성-세트의 특성에 대해 이뤄진다. 또한, 비교인 범위 내의 값의 위치나 비교의 정도는 그 후 표준에 대해 측정되거나 해석된다. 이런 식으로, 이 개인의 위험에 처한 상태가 식별될 수 있다.

주로 의사나 간병인에 대한 것일 때, 본 명세서에 기술된 프로세스 단계는, 가능한 의료 상태를 식별하는데 필요한 특성-세트 및 특성을 평가할 때 데이터 수집기를 돕기 위해 도 1에서 추가 진단 도움 구성요소(152)와 같은 추가 진단 테스트나 평가를 제안하는 단계(360)를 더 포함한다. 의료 데이터는 하나 이상의 특성-세트를 신뢰할 만하게 식별하기에는 애매하고 결정적이지 못할 수 있다. 전술한 바와 같이, 하나 이상의 의료 상태가 식별되었을 수 도 있거나, 의료 상태가 식별되지 않았을 수 있다. 이들 상황은, 예컨대, 특성-세트 및 그러므로 의료 진단의 결정적 식별이 예컨대 5개의 특성을 필요로 하지만 의료 데이터가 5개 미만의 특성을 포함하거나 값의 크기가 확정되지 않을 때, 일어날 수 있다. 지식베이스(140)의 각 특성-세트는, 입력 의료 데이터의 값을 기초로 해 특성-세트의 선택을 위한 연관 신뢰도 인자(confidence factor)를 갖는다. 예컨대 동일한 개인이 일관되지 않게 연구실 테스트를 한다거나, 신뢰도 레벨이 너무 낮을 때와 같이, 특정 특성이 모순적이거나 그밖에 의미가 없다면, 특정 데이터를 확인, 반복, 배제, 정정 등을 해야 한다거나 추가 의료 데이터가 필요하다는 표현이 결과에 포함될 것이다.

질병 상황의 위험이나 가능성을 식별하고 예측하는 본 방법에서와 같은 복잡도 과학의 적용은 동일한 입력 의료 데이터를 "전문가"에게 제공할 경우보다 믿을 수 없을 만큼 더 파워플하다. 동일한 입력 의료 데이터가 "전문가"에게 주어지고, 본 명세서에서 기술된 바와 같이, 위험 평가 및 진단을 위해 적용된 복잡도 과학과 전문 지식을 사용한 의료 데이터의 자동 관리를 위해 컴퓨터화된 시스템 및 이 방법에 입력될 때, 사람 "전문가"는 일관되게 예측 가능하지 않은데 반해, 본 명세서의 자동화된 시스템은 일관되게 예측 가능하다. 심지어 사람 전문가가 특성-세트의 특성을 알고 그 특성-세트에 속한 입력 의료 데이터에 액세스할 경우에도, 사람은, 본 명세서에 기술된 자동화된 시스템과 같이 일관되게 그리고 신속하게 의료 상태의 위험 부담을 예측하지 못한다.

단계(370)에서, 단계(340)의 비교와 단계(350)의 표준에 대한 해석을 기초로, 추가 데이터가 단계(360)에서 고려된 것처럼 필요치 않다면, 그에 따라 위험에 처한 의료 상태가 존재한다면, 이것을 식별하여 출력한다.

추가 실시예에서, 결과는 적절한 포맷으로 사용자 인터페이스나 애플리케이션 프로그램 인터페이스에 출력될 수 있어, 의료 종사자는 어떤 의료 상태가, 있는 경우, 지배적인지와, 그러한 상태가 특정한 환자에서 어느 정도로 존재하는지, 즉 그러한 의료 상태를 갖는 환자가 어떠한 위험에 처해 있는지를 읽을 수 있다. 추가 의료 테스트나 추가 평가를 추천할 수 있고, 출력에 포함할 수 있어서, 추가 및/또는 더 정확한 진단을 도울 수 있다. 본 명세서에서, 출력은, 환자의 의료 상태의 발현이나 위험의 크기를 기초로 해서 가능한 치료 옵션 및 추천을 포함함을 생각해 볼 수 있다.

단계(380)에서 지시된 바와 같이, 추가 루틴이나 실시예를 본 방법의 일부로서 생각해 볼 수 있다. 도 4 및 5는, 각각 위험에 처한 의료 상태의 출력 위험 레벨과 위험에 처한 의료 상태의 상황에 이르게 하는 추가 방법이다. 도 4에 대해, 단계(382)에서 도시한 바와 같이, 위험 레벨이, 특성-세트의 적절한 특성에 대한 각각의 서로 다른 값의 범위에 할당된다. 의료 데이터의 값의 크기에 따라, 위험 레벨이, 관련된 특성-세트의 매우 연관된 특성에 대해 데이터에 붙여진다. 특성-세트의 매우 연관된 특성의 위험 레벨은 적절한 표준에 대해 평가되며, 위험에 처한 의료 상태의 위험 레벨이 계산되어 얻어진다(384). 단계(386)에서 도시된 바와 같이, 위험에 처한 의료 상태의 위험 레벨이 출력된다.

도 5에 관해, 의료 데이터의 값의 크기의 위치가, 특성-세트의 매우 연관된 특성의 값의 범위와 비교된다(390). 매우 연관된 특성의 연관 레벨의 세기는 위치에 대한 표준을 기초로 얻어진다(392). 매우 연관된 특성의 연관 레벨의 세기는 그 후 위험에 처한 의료 상태의 상황, 특히 없음 또는 정상, 출현-전, 출현 및 응급과 상관된다.

도 1 및 도 3으로부터, 도 3의 방법이 도 1에 도시된 컴퓨터 시스템의 여러 가지 구성에서 쉽게 구현됨이 명백하다. 컴퓨터 시스템은 메모리(114)에 연결된 중앙 처리 장치(112)를 포함하여, 중앙 처리 장치는 의료 데이터를 평가하여 개인의 위험에 처한 의료 상태를 식별하도록 프로그램된다. 컴퓨터 시스템은 의료 데이터를 얻으며, 여기서 의료 데이터는 여러 가지 의료 상태 중 적어도 한 상태의 특성을 가지며 특성 중 일부는 값을 갖는다. 의료 지식베이스(140)는 메모리(114)로부터 액세스되며, 여러 가지 의료 상태에 관한 다수의 특성-세트를 갖는다. 각각의 특성-세트는, 여러 가지 의료 상태 중 특정한 상태에 관한 매우 연관된 특성 그룹을 가지며, 매우 연관된 특성의 적어도 일부는 값의 범위를 갖는다. 위험 레벨이 각각의 서로 다른 값의 범위에 할당될 수 있다. 중앙 처리 장치는, 의료 데이터의 특성 중 적어도 두 개를 서브세트 내의 특성-세트 각각의 매우 연관된 특성 중 적어도 두 개와 상관함으로써 다수의 특성-세트의 서브세트를 결정한다. 이런 식으로, 의료 데이터의 특성의 지식은 서브세트 내의 특성-세트 각각의 변환된 매우 연관된 특성 그룹의 형태의 메타데이터로 변환된다. 중앙 처리 장치는 계속해서 의료 데이터의 특성이 정상 또는 비정상 중 하나인지와 의료 데이터의 값의 크기가 정상 또는 비정상인 변환된 매우 연관된 특성의 값의 범위 내에 있는지를 비교한다. 표준이 이 비교에 대해 사용되어 개인의 위험에 처한 임의의 의료 상태를 식별한다. 컴퓨터 시스템은 위험에 처한 의료 상태에 관한 정보를 적절한 인터페이스로부터 출력한다. 중앙 처리 장치는, 의료 데이터의 특성의 값의 크기를 기초로 해서 위험에 처한 의료 상태의 상황으로 특성-세트의 변환된 매우 연관된 특성의 관계 레벨의 세기를 식별하도록 더 프로그램될 수 도 있고, 여기서 상황은 이 사람이 정상이다거나, 출현-전, 출현, 또는 응급 의료 상태나 질병을 갖고 있다는 것이다.

도 3 내지 도 5의 방법은 또한, 도 1의 컴퓨터 시스템에 대해 사용 가능한 비-일시적 컴퓨터-판독 가능한 저장 매체로 구현될 수 있다. 이 저장 매체는 수행 가능한 프로그램을 저장하고 있다. 이 프로그램은 메모리에 연결된 중앙 처리 장치와 데이터-수신 인터페이스에 명령하여 도 3 내지 도 5의 방법에 따른 단계를 실시하게 한다. 특히, 의료 데이터를 얻으며, 여기서 이 데이터는 여러 가지 의료 상태 중 적어도 한 상태의 특성을 갖는다. 의료 데이터의 특성 중 적어도 일부가 값을 갖는다. 메모리에 저장된 의료 지식베이스는 여러 가지 의료 상태에 관한 다수의 특성-세트를 갖는다. 다수의 특성-세트 각각은 여러 가지 의료 상태 중 특정한 상태에 관한 매우 연관된 특성 그룹을 갖는다. 매우 연관된 특성 중 적어도 일부는 값의 범위를 갖는다. 다수의 특성-세트의 서브세트는, 의료 데이터 중 적어도 2개를 서브세트 내의 특성-세트 각각의 매우 연관된 특성 중 적어도 2개와 상관시킴으로써 결정된다. 이런 식으로, 의료 데이터의 특성의 지식은, 서브세트 내의 특성-세트 각각의 변환된 매우 연관된 특성 그룹의 형태의 메타데이터로 변환된다. 정상 또는 비정상이거나 값의 크기를 갖는 의료 데이터의 특성을, 값의 정규성 및 범위에 대해 서브세트 내의 특성-세트의 매우 연관된 특성의 특징과 비교한다. 이 비교는 표준에 대해 해석되어 사람의 위험에 처한 임의의 의료 상태를 식별한다. 프로그래밍은, 인터페이스로부터 출력될 위험에 처한 의료 상태에 관한 정보를, 존재하는 경우, 제공한다. 위험 레벨은 특성-세트 내의 특성 값의 여러 가지 다른 범위에 대해 할당될 수 있다. 의료 데이터의 특성의 값의 크기를 기초로 해서 위험에 처한 의료 상태의 상황으로 특성-세트의 변환된 매우 연관된 특성의 관계 레벨의 세기를 식별하는 단계가 있을 수 있다.

본 명세서에서 제공되고 기술된 질병의 방지와 의료 진단에 대한 복잡성 과학의 적용은 (1) 큰 특성 세트를 정량화할 수 있고; (2) 기능을 결정하기 위한 우수한 테스트를 제공하고; (3) 생리학 및 해부학 리모델링을 정량화하고, (4) 질병을 재분류하고; (5) 오분류를 감소시키며; (6) 이용 가능한 기술을 활용하며, (7) 다변수 생물지표 모델, 즉 대리 질병 모델을 생성하는 비용-효율적인 수단이다.

도 6은, 심부전 위험을 식별하여 평가하는 특성-세트에 포함될 수 있는 특성의 예이다. 전문 지식(140) 내에서, "심부전" 특성-세트는 매우 연관된 특성의 작은 그룹-심근 확장, 충만압 및 박출률-을 갖는다. 이들 특성 중 단 하나도, 심부전, 심방세동, 스트로크 등과 같은 출현-전, 출현 또는 기존의 질병 상황의 위험을 특징화하기에 충분치 않다. 에코/도플러 심박동 기록으로부터 유도한 강하게 관련된 특성의 작은 세트의 특성-세트는, 심혈관 질병을 특징화하는 6개의 정량화 가능한 특성을 제공한다. LAV 지수(충만압의 만성) 및 심근 확장은 매우 연관된 특성이다. 정지 EF, 충만압 및 LV 질량은 덜 연관된 (가변적인) 특성이다. SBP(Systolic Blood Pressure)는 매우 흔한 특성이다.

도 7 내지 도 10은 추가 특성-세트(160)를 나타낸다. 각 라인은 서로 다른 의료 상태의 서로 다른 특성-세트이며, 그 특성-세트의 특성이 표의 열에 나타난다. 각 의료 상태에 대한 특성 세트는 서로 다르다. 특성(열) 및 특성-세트(라인)의 교차부에는, 가변 엄격성(variable severity)을 나타내는 그 각각의 의료 상태의 특성-세트와 연관된 특성의 대응하는 크기이다. 임상 상관관계는, 양성 볼륨 오버로드(benign volume overload)를 갖지만 만성 빈혈증, 만성 질병, 갑상선 기능 항진증을 갖고 있는 스포츠 심장(athletic heart) 및 양성 볼륨 오버로드를 나타내는 다른 의료 상태의 특성 세트와 같은 진단 특이성을 향상시킨다. 예컨대 고혈압과 스포츠심장과 만성 빈혈증을 구별하기 위해, 고혈압 특성-세트는 또한, 펄스 압 및 중앙 대동맥 압과 확장기 혈압(diastolic pressure)을 포함한다. 심장 전문가는, 이들 특성이 최소 수이며, 서로 가장 강하게 연관되어 의료 상태를 특징화하는 것임을 결정하였다. 즉, 표의 각 라인은 "허브"를 나타내고, 그 라인의 각 열은, 의료 상태를 특징화할 뿐 아니라 서로 가장 영향을 받거나 서로 가장 크게 연관된 이들 실제 수치 의료 데이터를 나타낸다. 따라서 도 3의 단계(330)에서, 입력 의료 데이터가 먼저 판독되어, 입력 의료 데이터에 어떤 특성이 있는지를, 있는 경우, 결정한다. 입력 의료 데이터 내의 특성을 기초로 해서, 그 각각의 의료 상태의 하나 이상의 특성-세트가 선택된다. 그 후, 단계(340 및 350)에서, 연관 알고리즘 또는 표준이 특성의 크기에 작용하여 특성-세트 및 연관 위험 부담, 즉 선택된 특성-세트에 의해 명시된 의료 상태의 상황을 결정한다.

도 6 내지 도 9는 서로 다른 심장 의료 상태의 특성-세트이다. 도 10은 여러 가지 신진대사 의료 상태를 특징화하는 특성을 제공한다. 예컨대, 도 3에서, 많은 심장 의료 상태를 진단하는 것과 연관된 특성은, 박출률(EF), 충만압 및 속도, 심근 확장 속도, 및 좌심방 볼륨 지수이며, 이들 모두는 초음파심장검진(echocardiography) 및 여러 가지 도플러 측정술로부터 얻는다. 이들 도면은, 지식베이스에서 특성-세트를 구축할 때 고려될 수 있는 특성을 대표하고자 한다. 특성의 크기, 즉 ABN이 비정상을 의미함, NL이 정상임, VAR이 가변적임 등등이 의료 상태의 위험 부담을 할당하는데 사용되는 방법을 이후에 고려할 것이다. 본 명세서에서, 이들 특성-세트는 유의미한 연결 데이터 관계에서, 관계 데이터베이스, 비관계(nonrelational) 데이터베이스로서 또는 객체-지향 데이터베이스에서의 객체로서 액세스 가능할 것임을 생각해 볼 수 있다. 그러나 이들 특성-세트로의 액세스는 전술된 것으로 제한되기보다는 다른 액세스 기술이 또한 사용될 수 있고 개발될 수 있음을 더 생각해 볼 수 있다.

아래는, 도 6 내지 도 10의 특성-세트에 사용된 특성 중 일부의 차트이다. 제 1 열에는, 의료 상태를 특징화할 때 다른 특성과 긴밀하게 연관된 특성이 있다. 제 2 열에는, 의료 데이터의 크기나 크기의 범위가 있으며, 제 3 열에는, 연관 알고리즘(150)에 의해 사용된 의료 데이터의 크기의 특정한 범위로 할당된 위험 값이 있어, 이들 특정한 의료 데이터를 갖는 개인의 의료 상태 위험을 결정한다. 이들 의료 데이터가 예컨대 장비로부터 직접 얻어지는 것이 바람직하며, E/A의 율 및 감속 시간은 펄스파 도플러 초음파심장검진으로부터 직접 얻을 수 있고, 심근 이완 속도 e'는 조직 도플러 영상을 사용하여 얻은 후 의료 상태의 진단 및 위험을 위해 컴퓨터 시스템(10)에 입력될 수 있다. 이들 특성, 그 크기 및 의료 데이터를 얻는데 사용된 장비는 단지 예를 든 것이다. 생생한 지식베이스는 수많은 유용한 특성을 포함할 것이다. 전반에 걸쳐서, 지식베이스(140)가 성장하고 더 개선됨에 따라, 미처리(raw) 의료 데이터를 얻는데 사용된 기술뿐만 아니라 특성, 그 크기 및 크기의 위험 할당 중 임의의 하나가 변할 것임을 생각해 볼 수 있다.

상기 표에서, 위험 값은, 75세 이상의 사람이 3의 위험 값을 갖는 것 등등과 같이, 의료 데이터의 크기와 관련된다. 그 후 연관 알고리즘은, 의료 데이터의 크기를 기초로 한 특성의 실제 위험 값의 합을, 최대 가능 값을 기초로 한 특성의 위험 값의 합으로 나눈 것일 수 있다. 예컨대, 환자의 초음파심장검진으로부터 얻은 의료 데이터는 51퍼센트의 박출률(EF), 12mmHg의 충만압(E/e'), 8.5cm/s의 심근 이온 속도(e') 및 29ml/m²의 좌심방 볼륨 지수(LAVI)이다. 51퍼센트의 수축성 박출률(EF)은 3의 최대 값 중 1의 위험 값을 가지며, 의료 데이터가 정상 범위에 있을 때 0의 위험 값이 주어진다. 환자의 12mmHg의 충만압(E/e')은 2의 위험 값을 가지며, 여기서 최대 위험 값은 3의 값이며, 의료 데이터가 정상 범위 내에 있을 때 0의 위험 값이 주어진다. 심근 확장 속도(e')에 대한 8.5cm/s의 의료 데이터는 2의 위험 인자를 가지며, 여기서 최대 위험은 3의 위험 값이 임의로 할당될 수 있고, 의료 데이터가 정상 범위 내에 있을 때, 위험 값은 0이다. 29ml/m²의 좌심방 볼륨 지수가 3의 가능한 최대 위험 값 중 1의 위험 값을 가지며, 의료 데이터가 정상 범위 내에 있을 때 0의 최소 위험 값을 갖는다. 상술한 연관 알고리즘의 예를 적용하면, 상기의 개인이 수축기 장애(systolic dysfunction)를 가질 위험은: (1+2+2+1)/(3+3+3+3)=0.5이다. 일부 특성, 예컨대, 상기 표의 심장 지수의 경우, 2.0-2.4의 측정치로 인해, "사용되지 않음" 스코어를 갖게 되어, 이 특성은 위험 측정에 사용되지 않을 것이다. 본 명세서의 구성요소 및 방법으로부터의 출력은, 개인이 수축기 장애, 이완기(diastolic) 장애, 2차 심방세동, 심방압 오버로드 및 여러 가지 다른 심장 의료 상태의 위험이 증가함을 나타내며, 그러한 의료 상태(들)는 출현 전 단계에 있을 수 있다. 2차 폐고혈압, 1차 폐고혈압, 혼합 폐고혈압의 추가 진단의 경우, 본 명세서의 방법 및 구성요소의 출력은 폐 동맥압 및 우수한 대정맥류(vena cava flow)의 특성에 대해 입력 의료 데이터를 판독 또는 요청하거나, 고혈압 심장 질병의 경우, 혈압 및 좌심실질량(left ventricle mass)의 입력 의료 데이트를 획득 또는 요청한다.

이처럼 기술된 바와 같은 본 명세서의 방법 및 구성요소는 특성의 크기를 포함하는 의료 데이터를 수신 및 저장한다. 자동으로, 이 방법 및 구성요소는 의료 상태의 특성-세트에 기인하는 가장 적절한 특성을 결정할 것이다. 의료 상태의 상황 평가는, 의료 데이터가 한 개인이 출현 전 의료 상태, 출현, 또는 응급 의료 상태를 갖고 있는지를 나타내거나, 치료가 진행중인 경우, 그 치료가 효과적인지를 나타내는 위험 평가를 의미한다. 이러한 평가는 연관 알고리즘(150)을 사용하여 달성되며, 그 한 예를 후술한다. 당업자는, 특성-세트가 변화하고 개선되는 것처럼, 연관 알고리즘(150)도 그럴 것이라는 점과, 의료 데이터에 적용될 수 있는 다른 연관 알고리즘(150)이 있다는 점을 깨달을 것이다. 예컨대, 간단한 계수 및 평균화 방법이 더 정교한 확률 통계 방법이나, 다른 고차 비선형 평가 방법으로 교체될 수 있다. 하나 이상의 연관 알고리즘(150)이 사용될 수 있다는 점, 즉 하나의 의료 상태, 예컨대 난소암(ovarian cancer)이 다른 의료 상태 예컨대 심장 질병보다 더 간단하거나 더 복잡한 연관 알고리즘(150)을 사용할 수 있음을 더 생각해 볼 수 있다. 연관 알고리즘(150)은, 게다가, 자가-학습하고, 자가-교정하여, 더 많은 의료 데이터가 입력되고 지식베이스(140)가 변화하여 정정됨에 따라, 연관 알고리즘(150)은 반응하고 그 자신을 수렴하거나 정정하여 더 높은 예측 및 진단 율을 달성할 수 있다.

기본적으로, 지식베이스(140)는, 의료 상태에 관한 후보 특성-세트를 추가하거나 변경하여 만든다. 제 1 단계에서, 적어도 하나의 후보 특성이, 특성-세트의 나머지에 대해 고려된다. 이러한 점에서, 후보 특성-세트는 적어도 하나의 다른 기존의 특성을 갖는다. 이 적어도 하나의 후보 특성의 비교는 적어도 하나의 다른 기존의 특성에 대해 이루어진다. 이 적어도 하나의 후보 특성은, 후보 특성이 비정상이거나 비정상인 값의 범위 내에 있을 경우, 다른 기존의 특성과의 상관 또는 연관 효과가 있어서, 이들이 함께 서로, 및 특성 및 특성-세트가 관련된 의료 상태와 증가한 관계를 갖도록 후보 특성-세트에 포함하기 위해 선택된다.

지식베이스(140)를 의료 데이터에 적용한 후, 연관 알고리즘(150)을 사용하여 특성과 의료 데이터 사이에 관계를 결정하면, 건강 관리 제공자는 이제 복잡한 탑-다운 임상 및 바텀-다운 환원주의자(reductionist) 모델링 사이의 큰 차이를 이제 브릿지할 수 있다. 본 명세서에서 기술된 자동화된 방법 및 시스템은 특성-세트와 관련된 임의의 의료 상태를 예측, 정량화 및 방지하는데 사용된다. 치료 효능을 평가하기 위해, 환자는 치료 기간 동안에 서로 다른 시간에 의료 입력 데이터를 제공할 수 있고, 의료 종사자는, 의료 상태나 질병이 그 치료에 어느 정도까지 반응하고 있는지를 결정할 수 있다. 본 명세서에 기술된 실시예는 그에 따라, 준임상 질병의 출현을 예측하고, 의료 상태나 질병의 정도를 정량화하고, 질병을 막을 조치를 추천하고, 의료 상태 치료의 효율을 평가하는 매우 강력한 수단을 제공한다.

Claims

위험에 처한(at-risk) 의료 상태를, 있는 경우, 식별하기 위해 개인의 의료 데이터를 평가하는 방법으로서,
상기 의료 데이터를 컴퓨터로 얻는 단계로서, 상기 의료 데이터는 여러 가지 의료 상태 중 적어도 한 상태의 특성(feature)을 가지며, 상기 의료 데이터의 특성 중 적어도 일부는 값을 갖는, 단계;
상기 여러 가지 의료 상태에 관한 다수의 특성-세트를 갖는 의료 지식베이스(knowledgebase)에 메모리로부터 액세스하는 단계로서, 상기 다수의 특성-세트 각각은 상기 여러 가지 의료 상태 중 특정한 상태에 관한 매우 연관된 특성의 그룹을 가지며, 상기 매우 연관된 특성 중 적어도 일부는 값의 범위를 갖는, 단계;
상기 의료 데이터의 특성 중 적어도 2개를 상기 다수의 특성-세트의 서브세트 내의 특성-세트 각각의 상기 매우 연관된 특성 중 적어도 2개와 상관시켜, 상기 의료 데이터의 특성의 지식을 상기 서브세트 내의 특성-세트 각각의 변환된 매우 연관된 특성의 그룹 형태의 메타데이터로 변환함으로써, 상기 다수의 특성-세트의 서브세트를 컴퓨터로 결정하는 단계;
상기 의료 데이터의 특성이 정상 또는 비정상 중 하나인지와, 상기 의료 데이터의 값의 크기가 정상 또는 비정상인 상기 변환된 매우 연관된 특성의 값의 범위 내에 있는지를 컴퓨터로 비교하여, 표준에 대해 해석하여, 상기 개인의 위험에 처한 의료 상태를, 있는 경우, 식별하는 단계; 및
컴퓨터로부터, 상기 위험에 처한 의료 상태에 관한 정보를 출력하는 단계를 포함하는, 방법.
청구항 1에 있어서, 컴퓨터로부터, 상기 위험에 처한 의료 상태를 더 평가하기 위해 추가 의료 데이터를 획득하기 위한 요청을 출력하는 단계를 포함하는, 방법.
청구항 1에 있어서, 상기 매우 연관된 특성의 값의 범위는 각각, 다수의 값의 범위여서, 상기 다수의 값의 범위의 각각의 서로 다른 값의 범위에 대해 위험 레벨이 할당되고, 상기 컴퓨터는, 상기 의료 데이터의 값으로 인한 상기 특성-세트의 변환된 매우 연관된 특성의 위험 레벨을 기초로 해서 상기 위험에 처한 의료 상태에 대한 위험 레벨을 계산하는, 방법.
청구항 1에 있어서, 상기 특성-세트의 변환된 매우 연관된 특성의 연관 레벨의 세기를, 상기 의료 데이터의 특성의 값의 크기를 기초로 한 상기 위험에 처한 의료 상태의 상황으로 식별하는 단계를 포함하며, 상기 상황은 없음, 출현 전(pre-emergent), 출현(emerging), 및 응급(expressed) 중 하나인, 방법.
청구항 1에 있어서, 상기 위험에 처한 의료 상태는, 상기 서브세트 내의 상기 특성-세트 중 특정한 세트에 대해 최대 4개의 변환된 매우 연관된 특성으로부터 식별되는, 방법.
위험에 처한 의료 상태를 식별하기 위해 의료 데이터를 평가하고, 메모리에 연결된 중앙 처리 장치를 포함하는 컴퓨터 시스템으로서,
상기 중앙 처리 장치는:
상기 의료 데이터를 얻는 단계로서, 상기 의료 데이터는 여러 가지 의료 상태 중 적어도 한 상태의 특성을 가지며, 상기 의료 데이터의 특성 중 적어도 일부는 값을 갖는, 단계;
상기 여러 가지 의료 상태에 관한 다수의 특성-세트를 갖는 의료 지식베이스에 메모리로부터 액세스하는 단계로서, 상기 다수의 특성-세트 각각은 상기 여러 가지 의료 상태 중 특정한 상태에 관해 매우 연관된 특성의 그룹을 가지며, 상기 매우 연관된 특성 중 적어도 일부는 값의 범위를 갖는, 단계;
상기 의료 데이터의 특성 중 적어도 2개를 상기 다수의 특성-세트의 서브세트 내의 특성-세트 각각의 상기 매우 연관된 특성 중 적어도 2개와 상관시켜, 상기 의료 데이터의 특성의 지식을 상기 서브세트 내의 특성-세트 각각의 변환된 매우 연관된 특성의 그룹 형태의 메타데이터로 변환함으로써, 상기 다수의 특성-세트의 서브세트를 상기 중앙 처리 장치로 결정하는 단계;
상기 의료 데이터의 특성이 정상 또는 비정상 중 하나인지와, 상기 의료 데이터의 값의 크기가 정상 또는 비정상인 상기 변환된 매우 연관된 특성의 값의 범위 내에 있는지를 상기 중앙 처리 장치로 비교하여, 표준에 대해 해석하여, 개인의 위험에 처한 의료 상태를, 있는 경우, 식별하는 단계; 및
인터페이스로부터, 상기 위험에 처한 의료 상태에 관한 정보를 출력하는 단계에 의해 상기 의료 데이터를 평가하도록 프로그램되는, 시스템.
청구항 6에 있어서, 상기 매우 연관된 특성의 값의 범위는 각각 다수의 값의 범위이며, 상기 중앙 처리 장치는, 상기 다수의 값의 범위의 각각의 서로 다른 값의 범위에 대해 위험 레벨을 할당하도록 더 프로그램되는, 시스템.
청구항 6에 있어서, 상기 특성-세트의 변환된 매우 연관된 특성의 연관 레벨의 세기를, 상기 의료 데이터의 특성의 값의 크기를 기초로 한 상기 위험에 처한 의료 상태의 상황으로 식별하도록 더 프로그램되는 상기 중앙 처리 장치를 포함하고, 상기 상황은 없음, 출현 전, 출현, 및 응급 중 하나인, 시스템.
의료 데이터를 평가하는 수행 가능한 프로그램을 저장하고 있는 비-일시적 컴퓨터-판독 가능 저장 매체로서,
상기 매체는 컴퓨터 시스템상에 로딩되고, 상기 프로그램은, 메모리와 데이터 수신 인터페이스에 연결된 중앙 처리 장치에게, 다음의 단계:
상기 의료 데이터를 얻는 단계로서, 상기 의료 데이터는 여러 가지 의료 상태 중 적어도 한 상태의 특성을 가지며, 상기 의료 데이터의 특성 중 적어도 일부는 값을 갖는, 단계;
상기 여러 가지 의료 상태에 관한 다수의 특성-세트를 갖는 의료 지식베이스에 메모리로부터 액세스하는 단계로서, 상기 다수의 특성-세트 각각은 상기 여러 가지 의료 상태 중 특정한 상태에 관한 매우 연관된 특성의 그룹을 가지며, 상기 매우 연관된 특성 중 적어도 일부는 값의 범위를 갖는, 단계;
상기 의료 데이터의 특성 중 적어도 2개를 상기 다수의 특성-세트의 서브세트 내의 특성-세트 각각의 상기 매우 연관된 특성 중 적어도 2개와 상관시켜, 상기 의료 데이터의 특성의 지식을 상기 서브세트 내의 특성-세트 각각의 변환된 매우 연관된 특성의 그룹 형태의 메타데이터로 변환함으로써, 상기 다수의 특성-세트의 서브세트를 결정하는 단계;
상기 의료 데이터의 특성이 정상 또는 비정상 중 하나인지와, 상기 의료 데이터의 값의 크기가 정상 또는 비정상인 상기 변환된 매우 연관된 특성의 값의 범위 내에 있는지를 비교하여, 표준에 대해 해석하여, 개인의 위험에 처한 의료 상태를, 있는 경우, 식별하는 단계; 및
인터페이스로부터, 상기 위험에 처한 의료 상태에 관한 정보를 출력하는 단계를 실시할 것을 명령하는, 저장 매체.
청구항 9에 있어서, 상기 특성의 값의 범위는 각각 다수의 값의 범위이며, 상기 프로그램은, 상기 다수의 값의 범위의 각각의 서로 다른 값의 범위에 대해 위험 레벨을 할당하는 추가 단계를 포함하는, 저장 매체.
청구항 9에 있어서, 상기 프로그램은, 상기 특성-세트의 변환된 매우 연관된 특성의 연관 레벨의 세기를, 상기 의료 데이터의 특성의 값의 크기를 기초로 한 상기 위험에 처한 의료 상태의 상황으로 식별하는 추가 단계를 포함하고, 상기 상황은 없음, 출현 전, 출현, 및 응급 중 하나인, 저장 매체.
여러 가지 의료 상태에 관한 특성-세트를 포함하는 의료 지식베이스에 대한 의료 상태에 관한 후보 특성-세트를 추가 또는 변경하는 방법으로서,
개인의 의료 데이터가 위험에 처한 의료 상태를 식별하기 위해 상기 특성-세트에 대해 평가되고, 상기 의료 데이터 중 적어도 일부가 값을 가지며, 상기 의료 데이터는 여러 가지 의료 상태 중 적어도 한 상태의 특성을 가지며, 상기 방법은:
적어도 하나의 다른 기존의 특성을 갖는 상기 후보 특성-세트에 대해 고려될 적어도 하나의 후보 특성을 컴퓨터에 입력하는 단계;
상기 적어도 하나의 후보 특성을 상기 적어도 하나의 다른 기존의 특성과 컴퓨터로 비교하는 단계;
상기 적어도 하나의 후보 특성이 비정상, 및 비정상인 값의 범위 내 중 하나일 때, 상기 적어도 하나의 다른 기존의 특성과 상관 효과가 있어서, 상기 특성들이 함께, 상기 후보 특성-세트가 관련된 의료 상태와의 증가한 연관 레벨을 갖는다면, 상기 후보 특성-세트에 포함하기 위한 상기 적어도 하나의 후보 특성을 선택하는 단계; 및
상기 후보 특성-세트를 상기 의료 지식베이스에 포함시키는 단계를 포함하는, 방법.
청구항 12에 있어서, 상기 후보 특성과 상기 적어도 하나의 다른 기존의 특성은 값의 범위를 갖고, 상기 값의 범위 중 적어도 하나는 다수의 값의 범위여서, 상기 다수의 값의 범위의 각각의 서로 다른 값의 범위에 대해 위험 레벨이 할당되는, 방법.
청구항 12에 있어서, 상기 후보 특성-세트의 다수의 특성의 미리 결정된 연관 레벨의 크기를, 상기 위험에 처한 의료 상태의 상황과 상관시키는 단계를 포함하고, 상기 상황은 없음, 출현 전, 출현 및 응급 중 하나인, 방법.