KR20180108671A - 전자 건강 기록들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 방법 및 시스템 - Google Patents
전자 건강 기록들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 방법 및 시스템 Download PDFInfo
- Publication number
- KR20180108671A KR20180108671A KR1020187023724A KR20187023724A KR20180108671A KR 20180108671 A KR20180108671 A KR 20180108671A KR 1020187023724 A KR1020187023724 A KR 1020187023724A KR 20187023724 A KR20187023724 A KR 20187023724A KR 20180108671 A KR20180108671 A KR 20180108671A
- Authority
- KR
- South Korea
- Prior art keywords
- measures
- patient
- diagnosis
- updated
- differential diagnosis
- Prior art date
Links
- 230000036541 health Effects 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 154
- 238000011282 treatment Methods 0.000 title claims description 58
- 230000009471 action Effects 0.000 claims abstract description 179
- 238000003745 diagnosis Methods 0.000 claims abstract description 112
- 238000003748 differential diagnosis Methods 0.000 claims abstract description 110
- 230000008901 benefit Effects 0.000 claims abstract description 45
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 230000001225 therapeutic effect Effects 0.000 claims abstract description 19
- 208000024891 symptom Diseases 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000007619 statistical method Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000007728 cost analysis Methods 0.000 claims description 7
- 230000009286 beneficial effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 40
- 238000002405 diagnostic procedure Methods 0.000 description 20
- 238000012360 testing method Methods 0.000 description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 12
- 201000010099 disease Diseases 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000002595 magnetic resonance imaging Methods 0.000 description 9
- 206010057190 Respiratory tract infections Diseases 0.000 description 8
- 238000002560 therapeutic procedure Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000000241 respiratory effect Effects 0.000 description 7
- 208000011580 syndromic disease Diseases 0.000 description 7
- 230000003612 virological effect Effects 0.000 description 7
- 201000007100 Pharyngitis Diseases 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000036760 body temperature Effects 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000000069 prophylactic effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 239000003242 anti bacterial agent Substances 0.000 description 3
- 229940088710 antibiotic agent Drugs 0.000 description 3
- 238000003339 best practice Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002657 hormone replacement therapy Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 206010027191 meningioma Diseases 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 201000009030 Carcinoma Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 229960001138 acetylsalicylic acid Drugs 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003115 biocidal effect Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000007428 craniotomy Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000005180 public health Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 208000010392 Bone Fractures Diseases 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 241000255925 Diptera Species 0.000 description 1
- 206010014612 Encephalitis viral Diseases 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 208000024658 Epilepsy syndrome Diseases 0.000 description 1
- 208000002877 Epileptic Syndromes Diseases 0.000 description 1
- 206010017076 Fracture Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010020100 Hip fracture Diseases 0.000 description 1
- 201000005505 Measles Diseases 0.000 description 1
- 208000029725 Metabolic bone disease Diseases 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 241001195377 Prorates Species 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 206010040070 Septic Shock Diseases 0.000 description 1
- 206010043269 Tension headache Diseases 0.000 description 1
- 208000008548 Tension-Type Headache Diseases 0.000 description 1
- 206010044248 Toxic shock syndrome Diseases 0.000 description 1
- 231100000650 Toxic shock syndrome Toxicity 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- MKUXAQIIEYXACX-UHFFFAOYSA-N aciclovir Chemical compound N1C(N)=NC(=O)C2=C1N(COCCO)C=N2 MKUXAQIIEYXACX-UHFFFAOYSA-N 0.000 description 1
- 229960004150 aciclovir Drugs 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 230000000840 anti-viral effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007705 chemical test Methods 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 229940066220 doctor's choice Drugs 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000007831 electrophysiology Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000004055 genetic distribution Effects 0.000 description 1
- 238000003205 genotyping method Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000009593 lumbar puncture Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012113 quantitative test Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 201000002498 viral encephalitis Diseases 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000003911 water pollution Methods 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 방법. 상기 방법은 전자 건강 기록들의 환자 데이터로부터, 진단들과 관련된 조치 결과들의 값들의 통계적 분포들, 및 각각의 조치 결과에 대하여, 진단 쌍들을 명확하게 하기 위해 상기 조치 결과를 사용하는 이득을 포함하는 진단 통계 데이터베이스를 획득하는 단계를 포함한다. 상기 방법은 환자에 대한 초기 감별 진단을 획득하는 단계를 더 포함한다. 상기 초기 감별 진단에는 초기에 이용 가능한 환자 데이터를 기반으로 하는 일련의 초기 진단들이 포함된다. 각각의 초기 진단에는 상기 초기 진단이 환자의 상태를 정확하게 식별할 확률이 할당된다. 상기 방법은 진단 쌍들에 대해 획득된 조치 결과들의 이득들에 기초하여, 상기 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 조치들을 식별하는 단계와, 상기 조치들 중에서 선택되는 조치들의 서브세트, 및 관련된 이득들을 의사에게 제공하는 단계를 더 포함한다.
Description
일반적으로 환자들은 이해하고 완화시키고자 하는 문제를 가지고 의사에게 제시한다. 이 문제는 대개 "주요 호소 증상(chief complaint)"으로 식별된다. 의사는 "진단" 프로세스를 사용하여 문제의 원인을 확인하게 되며, 일반적으로 이 프로세스는 다양한 치료 옵션들과 관련되어 있다. 진단 프로세스는 일반적으로 의료 시술로 잘 알려진 하나 이상의 프로세스로부터 일련의 정보 수집을 필요로 한다.
일반적으로, 일 양태에서, 본 발명은 전자 건강 기록들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 시스템으로 하여금, 환자들의 복수의 전자 건강 기록들로부터 환자들의 진단들과 상기 진단들과 관련된 조치 결과들의 값들을 획득하는 것을 가능하게 하는 명령어들을 포함하는 비일시적 컴퓨터 매체에 관한 것이다. 상기 명령어들은, 상기 시스템으로 하여금, 상기 진단들에 대하여, 상기 조치 결과들의 값들의 통계적 분포들을 생성하고, 복수의 진단 쌍들에 대하여, 상이한 조치 결과들에 대해 개별적으로, 상기 통계적 분포들의 중첩을 결정하고, 각각의 진단 쌍에 대하여, 연관된 통계적 분포들의 중첩에 기초하여, 상기 진단 쌍을 명확하게 하기 위해 상기 관련된 조치 결과를 사용하는 이득을 획득하고, 진단되지 않은 상태의 환자에 대한 초기 감별 진단(differential diagnosis)을 획득하는 것을 더 가능하게 한다. 상기 초기 감별 진단은 초기에 이용 가능한 환자 데이터에 기초한 복수의 초기 진단들을 포함하며, 또한 상기 복수의 초기 진단들의 각각의 초기 진단에는 상기 초기 진단이 환자의 상태를 정확하게 식별할 확률이 할당된다. 상기 명령어들은, 상기 시스템으로 하여금, 진단 쌍들에 대해 획득된 조치 결과들의 이득들에 기초하여, 상기 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 복수의 조치들을 식별하며; 또한 상기 복수의 조치들 중에서 선택되는 조치들의 서브세트, 및 관련된 이득들을 의사에게 제공하는 것을 더 가능하게 한다.
일반적으로, 일 양태에서, 본 발명은 전자 건강 기록들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 방법에 관한 것이다. 상기 방법은 환자들의 복수의 전자 건강 기록들로부터, 환자들의 진단들과, 상기 진단들과 관련된 조치 결과들의 값들을 획득하는 단계를 포함한다. 상기 방법은 상기 진단들에 대하여, 상기 조치 결과들의 값들의 통계적 분포들을 생성하는 단계와, 복수의 진단 쌍들에 대하여, 상이한 조치 결과들에 대해 개별적으로, 상기 통계적 분포들의 중첩을 결정하는 단계와, 각각의 진단 쌍에 대하여, 관련된 통계적 분포들의 중첩에 기초하여, 상기 진단 쌍을 명확하게 하기 위해 상기 관련된 조치 결과를 사용하는 이득을 획득하는 단계를 더 포함한다. 상기 방법은 진단되지 않은 상태의 환자에 대한 초기 감별 진단을 획득하는 단계로서, 상기 초기 감별 진단은 초기에 이용 가능한 환자 데이터에 기초한 복수의 초기 진단들을 포함하며, 또한 상기 복수의 초기 진단들의 각각의 초기 진단에는 상기 초기 진단이 환자의 상태를 정확하게 식별할 확률이 할당되는, 상기 획득하는 단계를 더 포함한다. 또한, 상기 방법은 진단 쌍들에 대해 획득된 조치 결과들의 이득들에 기초하여, 상기 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 복수의 조치들을 식별하는 단계와, 상기 복수의 조치들 중에서 선택되는 조치들의 서브세트, 및 관련된 이득들을 의사에게 제공하는 단계를 포함한다.
도 1a는 본 발명의 하나 이상의 실시예들에 따른, 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 시스템의 도면.
도 1b는 본 발명의 하나 이상의 실시예들에 따른, 환자와 관련된 전자 건강 기록 및 감별 진단의 도면.
도 2는 본 발명의 하나 이상의 실시예들에 따른, 환자, 의사 및 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 시스템 간의 예시적인 상호 작용의 도면.
도 3은 본 발명의 하나 이상의 실시예들에 따른, 높은 유용성을 가질 수 있는 임상 조치들의 식별을 용이하게 하기 위해 전자 건강 기록들을 처리하는 방법을 설명하는 흐름도.
도 4는 본 발명의 하나 이상의 실시예들에 따른, 전자 건강 기록들의 내용으로부터 진단 통계 데이터베이스를 생성하는 방법을 설명하는 흐름도.
도 5는 본 발명의 하나 이상의 실시예들에 따른, 특정 환자에 대한 감별 진단을 획득하는 방법을 설명하는 흐름도.
도 6은 본 발명의 하나 이상의 실시예들에 따른, 특정 환자에 대한 다양한 임상 조치들을 수행하는 상대 진단, 치료 또는 예방 이득들을 계산하는 방법을 설명하는 흐름도.
도 7은 본 발명의 하나 이상의 실시예들에 따른, 임상 조치들을 수행하는 것과 관련된 비용들을 계산하는 방법을 설명하는 흐름도.
도 8은 본 발명의 하나 이상의 실시예들에 따른, 특정 환자가 특정 상태를 갖는지를 결정할 수 있는 일련의 가능한 상태들 및 조치들과 관련된 비용들을 얻기 위한 예시적인 계산의 도면.
도 9a 내지 도 9d는 본 발명의 하나 이상의 실시예들에 따른, 예시적인 사용자 인터페이스의 도면.
도 10은 본 발명의 하나 이상의 실시예들에 따른, 컴퓨팅 시스템의 도면.
도 1b는 본 발명의 하나 이상의 실시예들에 따른, 환자와 관련된 전자 건강 기록 및 감별 진단의 도면.
도 2는 본 발명의 하나 이상의 실시예들에 따른, 환자, 의사 및 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 시스템 간의 예시적인 상호 작용의 도면.
도 3은 본 발명의 하나 이상의 실시예들에 따른, 높은 유용성을 가질 수 있는 임상 조치들의 식별을 용이하게 하기 위해 전자 건강 기록들을 처리하는 방법을 설명하는 흐름도.
도 4는 본 발명의 하나 이상의 실시예들에 따른, 전자 건강 기록들의 내용으로부터 진단 통계 데이터베이스를 생성하는 방법을 설명하는 흐름도.
도 5는 본 발명의 하나 이상의 실시예들에 따른, 특정 환자에 대한 감별 진단을 획득하는 방법을 설명하는 흐름도.
도 6은 본 발명의 하나 이상의 실시예들에 따른, 특정 환자에 대한 다양한 임상 조치들을 수행하는 상대 진단, 치료 또는 예방 이득들을 계산하는 방법을 설명하는 흐름도.
도 7은 본 발명의 하나 이상의 실시예들에 따른, 임상 조치들을 수행하는 것과 관련된 비용들을 계산하는 방법을 설명하는 흐름도.
도 8은 본 발명의 하나 이상의 실시예들에 따른, 특정 환자가 특정 상태를 갖는지를 결정할 수 있는 일련의 가능한 상태들 및 조치들과 관련된 비용들을 얻기 위한 예시적인 계산의 도면.
도 9a 내지 도 9d는 본 발명의 하나 이상의 실시예들에 따른, 예시적인 사용자 인터페이스의 도면.
도 10은 본 발명의 하나 이상의 실시예들에 따른, 컴퓨팅 시스템의 도면.
본 발명의 특정 실시예들에 대하여 이제 첨부된 도면들을 참조하여 상세히 설명하도록 한다. 본 발명의 실시예들에 대한 이하의 상세한 설명에서, 본 발명의 보다 완전한 이해를 제공하기 위해 다수의 특정 세부 사항들이 설명된다. 그러나, 당업자에게는 본 발명이 이러한 특정 세부 사항들 없이도 실시 될 수 있음이 명백할 것이다. 다른 예들에서는, 불필요하게 설명을 복잡하게 하는 것을 피하기 위해 잘 알려진 특징들이 상세하게 기술되지 않았다.
도 1a 내지 도 10에 대한 이하의 설명에서, 본 발명의 다양한 실시예들에서 도면과 관련하여 설명된 임의의 구성 요소는 임의의 다른 도면과 관련하여 설명된 하나 이상의 유사 구성 요소와 동등한 것일 수 있다. 간결성을 위해, 이러한 구성 요소들에 대한 설명은 각 도면과 관련하여 반복되지 않을 것이다. 따라서, 각 도면의 구성 요소들의 각각의 모든 실시예는 참조로서 포함되며, 하나 이상의 유사 명칭의 구성 요소들을 갖는 모든 다른 도면 내에 선택적으로 존재하는 것으로 가정된다. 또한, 본 발명의 다양한 실시예들에 따르면, 도면의 구성 요소들에 대한 임의의 설명은 선택적인 실시예인 것으로 해석되어야 하며, 이것은 다른 도면에서 대응하는 유사 명칭의 구성 요소와 관련하여 설명된 실시예들에 추가하여, 또는 이와 공동으로, 또는 이에 대신하여 구현될 수 있다.
일반적으로, 본 발명의 실시예들은 의학적 상태들의 진단 및 치료 분야에 관한 것이다. 보다 구체적으로, 본 발명의 실시예들은 전자 건강 기록(electronic health records)을 사용하여 의학적 상태들을 위한 진단 및 치료 옵션들을 식별하는 방법 및 시스템에 관한 것이다. 본 발명의 하나 이상의 실시예들에 따른 방법은 다수의 환자들에 대해 보고된 다양한 임상 진단, 다양한 진단 및 치료 절차, 그리고 이들 절차의 결과에 대하여 정형적으로 정의된 식별 용어들을 포함할 수 있는 개별 전자 건강 기록으로부터의 통계 데이터베이스의 준비 및 집성을 포함한다. 본 발명의 하나 이상의 실시예들에 따른 방법은 대안적인 진단, 예방 및/또는 치료 절차들의 예상 효능에 대한 반복적이고 정량적인 평가를 더 포함한다. 이러한 평가들은 금융적 경비, 시간적 지연 및/또는 부작용 위험을 포함하는 요소들을 그 비용으로 고려할 수 있는 대안의 절차들의 비용뿐만 아니라 환자 및 그의 의학적 상태(들)에 대해 이미 가용한 이전 정보를 고려할 수 있다. 조합하여, 상기 기술된 방법들은 의사에 의해 보여지는 환자에게 특히 유익한 것으로 여겨지는 일련의 임상 조치를 식별할 수 있게 한다. 의사는 환자의 진단 및/또는 치료를 위한 조치 과정을 결정하기 위해 이러한 제안된 임상 조치들을 검토할 수 있다. 이러한 기능들을 구현할 수 있는 시스템이 도 1a 및 도 1b를 참조하여 후술되어 있다. 이어서, 의사에 의한 시스템의 사용이 도 2에 도시되어 있다. 이 시스템에 의해 실행되는 본 발명의 하나 이상의 실시예들에 따른 다양한 방법들이 도 3 내지 도 7을 참조하여 설명되어 있다.
도 1a는 본 발명의 하나 이상의 실시예들에 따른, 의학적 상태들(100)에 대한 진단 및 치료 옵션들을 식별하기 위한 시스템을 도시한 것이다. 본 발명의 일 실시예에서, 시스템(100)은 전자 건강 기록 데이터베이스(110), 전자 건강 기록 통계 분석 엔진(120), 진단 통계 데이터베이스(130), 감별 진단 생성 엔진(140), 이득 분석 엔진(150), 비용 분석 엔진(160) 및 사용자 인터페이스(180)를 포함한다. 시스템(100)은 의사(190)에 의해 조작될 수 있다. 이들 각 구성 요소에 대하여 이하에 설명한다.
도 1a를 참조하면, 전자 건강 기록 데이터베이스(110)는 다수의 환자들에 대한 전자 건강 기록을 포함한다. 각 환자마다 또는 환자와의 만남마다 하나의 전자 건강 기록(112)이 존재할 수도 있다. 도 1b를 참조하여, 전자 건강 기록(112)의 내용에 대한 설명이 아래에 제공된다. 본 발명의 일 실시예에 따른 전자 건강 기록 데이터베이스(110)는, 의학적으로 다수의 환자들에게 실제로 일어나는 것을 포착하기에 충분한 심도있고 광범위한 정보를 제공한다. 정형적 코딩 시스템들은 전자 건강 기록(112)의 각 진단 및/또는 절차에 대하여 고유하고 기계 검색 가능한 식별자를 부여하여, 개별적인 전자 건강 기록들이, 컴퓨터화된 소프트웨어에 의해 처리될 수 있는 대형 데이터베이스에 결합될 수 있도록 하기 위해 필요로 될 수 있다. 본 발명의 실시예들은 도 3-7을 참조하여 아래에서 더 설명되는 바와 같이 해당 특정 환자에 대하여 현재 이용할 수 있는 정보에 기초하여 각각의 개별 환자에 대한 최상의 옵션을 식별할 수 있는 전자 건강 기록 데이터베이스(110)의 내용에 의존할 수 있다. 전자 건강 기록 데이터베이스(110)를 생성, 유지 및/또는 액세스하기 위한 다양한 필터, 클리너, 번역기, 동의어, 통계 분석 및 다른 개인 및/또는 기관 기록용 컴퓨터화된 방법이 사용될 수 있다.
전자 건강 기록들(112)의 저장을 위해 사용되는 전자 건강 기록 데이터베이스(110)는, 도 1b에 기술된 전자 건강 기록 내용의 저장에 적합한 임의의 포맷을 사용하여 구현될 수 있다. 데이터베이스는 예를 들어, 임의의 타입의 계층형, 관계형 및/또는 객체 지향형 데이터 수집일 수 있다. 전자 건강 기록 데이터베이스(110)는 예를 들어 하드 디스크 드라이브, RAID(Redundant Array of Independent Disk), NAS(Network Attached Storage), 클라우드 스토리지 등의 비휘발성 메모리에 호스트될 수 있다. 또한, 전자 건강 기록 데이터베이스(110)의 내용의 적어도 일부는 대안적으로 또는 추가적으로 휘발성 메모리, 예를 들어, DRAM(Dynamic Random-Access Memory), SDRAM(Synchronous DRAM), SDR SDRAM 및 DDR SDRAM에 저장될 수 있다. 당업자는 전자 건강 기록 데이터베이스(110)가 건강 관리 제공자, 건강 보험 제공자, 정부 기관 등과 같은 다양한 리걸 엔티티들의 관리하에 있을 수 있음을 인식할 것이다.
시스템(100)은 본 발명의 일 실시예에 따른 전자 건강 기록 통계 분석 엔진(120)을 더 포함한다. 본 발명의 하나 이상의 실시예들에 따른 전자 건강 기록 통계 분석 엔진(120)은 전자 건강 기록 데이터베이스(110)에 저장된 전자 건강 기록들(112)의 통계 처리를 수행한다. 처리로부터 얻어지는 정보는 진단 통계 데이터베이스(130)에 저장된다. 통계 처리를 수행하기 위해, 전자 건강 기록 통계 분석 엔진(120)은 도 3 및 도 4를 참조하여 이하에서 상세하게 설명되는 비일시적 컴퓨터 판독가능 프로그램 코드의 형태의 소프트웨어 명령어들을 실행한다. 본 발명의 일 실시예에 따른, 건강 기록 통계 분석 엔진(120)에 의해 수행되는 전자 건강 기록들의 통계 처리는, 이하에서 더 설명되는 바와 같은 본 방법의 다른 단계들의 실행을 용이하게 한다. 구체적으로, 건강 기록 통계 분석 엔진(120)이 다수의 전자 건강 기록 기록들(112)에 대한 잠재적으로 시간 소모적인 통계 처리를 오프라인으로 수행할 수 있지만, 본 방법의 다른 단계들은 온라인으로 수행될 수도 있다. 따라서, 진단 통계 데이터베이스에 저장된 오프라인 통계 처리의 결과는 의사(190)에 의해 제출되는 질의에 대한 시스템(100)의 적시 응답을 가능하게 한다.
도 1a의 설명을 계속하면, 시스템(100)은 진단 통계 데이터베이스(130)를 더 포함한다. 전술한 바와 같이, 진단 통계 데이터베이스(130)는 도 3 및 도 4에 도시된 단계들 중 적어도 일부를 수행하는 전자 건강 기록 통계 분석 엔진(120)에 의해서 생성 및/또는 업데이트된다. 진단 통계 데이터베이스(130)는 확률 밀도 함수들(132) 및/또는 혼동 매트릭스들(confusion matrices)(134)을 포함할 수 있다.
본 발명의 일 실시예에 따른 확률 밀도 함수들(132)은, 환자의 특정 상태를 고려한, 특정 조치에 대해 얻어진 결과 값들의 분포를 기술한다. 예를 들어 감기에 걸린 환자를 상정해 보도록 한다. 의사는 진단 테스트와 같은 특정 임상 조치를 사용하여 감기를 진단할 수 있다. 이러한 임상 조치들에 기반하여, 의사는 진단된 환자의 상태가 의학 용어로 감기 - 바이러스성 상부 호흡기 증후군(viral upper respiratory syndrome)인 것으로 결론을 내릴 수 있다. 이러한 진단 조치 중 하나는 환자의 체온을 측정하는 것일 수 있다. 조치의 결과는 온도일 수가 있으며, 이 온도 값은 예를 들어 40℃일 수도 있고, 이것은 환자가 열이 있다는 것을 나타낸다. 전자 건강 기록 통계 분석 엔진(120)은 진단된 상태 "바이러스성 상부 호흡기 증후군"에 대한 복수의(또는 다수의 또는 모든) 전자 건강 기록들(112)을 검색할 수 있다. 다양한 환자들과 관련된 이러한 건강 기록들 중 일부에서, 환자들의 의사들이 체온을 기록 및 보고했을 수 있다. 따라서 진단된 상태 "바이러스성 상부 호흡기 증후군"에 대한 체온 값들의 분포를 얻을 수 있다. 이 분포는 평균 및 표준 편차, 또는 확률 밀도 함수로 설명될 수 있는 임의의 분포로 특징 지어질 수 있는 통계적 정규 분포일 수 있다. 또한, 동일한 진단 상태에 대한 것이지만 상이한 조치들로부터 얻어진 상이한 결과들에 대한 것인 다른 확률 밀도 함수들이 얻어질 수 있다. 예를 들어, 의사는 환자가 바이러스성 상부 호흡기 증후군인지 여부를 결정하기 위해 목구멍의 발적(redness)을 시각적으로 평가할 수도 있다. 따라서, 의사가 관찰한 목구멍의 발적 값들에 기초하여, 진단된 상태 "바이러스성 상부 호흡기 증후군"에 대한 별도의 확률 밀도 함수가 얻어질 수 있다. 또한, 확률 밀도 함수들은 진단된 상태 "패혈성 인두염(strep throat)"과 같은 다른 상태들에 대해서 얻어질 수도 있다. 의사는 그 상태를 진단하기 위해 동일하거나 상이한 조치들을 사용할 수 있다. "패혈성 인두염" 상태의 경우, 의사는 체온을 측정하고 목구멍 발적을 평가할 수도 있다. 따라서, 체온 값들에 의해 형성되는 진단 상태 "패혈성 인두염"에 대한 추가의 확률 밀도 함수가 존재할 수 있으며, 목구멍 발적 값들에 의해 형성되는 진단 상태 "패혈성 인두염"에 대한 또 다른 확률 밀도 함수가 존재할 수도 있다. 진단 통계 데이터베이스가 다수의 측정 결과들에 기반하여, 다수의 진단 상태들에 대한 다수의 확률 밀도 함수들을 포함할 수 있으며, 전자 건강 기록들(112)의 내용에 의해서만 제한될 수도 있음을 당업자는 이해할 것이다. 본 발명의 일 실시예에서, 확률 밀도 분포들은 진단들을 명확하게 하기 위한 임상 조치의 유용성을 확률론적으로 평가하기 위해, 필요로 될 수 있다. 보다 구체적으로, 특정 임상 조치와 관련된 동일 결과들에 기초하여 얻어진(그러나 상이한 진단 상태들에 대한 것인) 확률 밀도 함수들의 중첩 정도는, 이 진단들을 명확하게 하기 위한 특정 임상 조치의 이득의 정도를 나타낼 수 있다. 위에서 도입된 두 가지 진단 예들인 "바이러스성 상부 호흡기 증후군" 및 "패혈성 인두염"을 고려하고, "체온"이라는 결과와 관련된 확률 밀도 함수들이 이들 두 가지 진단에 있어서 일반적으로 중첩되는 것으로 가정하도록 한다. 이러한 중첩은 환자의 체온 측정이 "바이러스성 상부 호흡기 증후군" 및 "패혈성 인두염"이라는 진단을 명확히 하는데 유용한 진단 조치가 아닐 수도 있음을 시사한다. 또한, "목구멍 발적"이라는 결과와 관련된 확률 밀도 함수가 이 두 진단에 대해 거의 중첩되지 않는 것으로 가정하도록 한다. 이러한 중첩의 결여는 환자의 목구멍을 검사하는 것이 "감기" 및 "패혈성 인두염" 진단을 명확하게 하는데 유용한 진단 조치가 될 수 있음을 시사한다. 진단 조치의 결과로 인후 배양(throat culture)을 얻는 등의 추가 조치가 유발될 수도 있다. 이 프로세스의 반복적 특성은 도 2 및 도 5를 참조하여 아래에 설명된다.
본 발명의 일 실시예에 따른 혼동 매트릭스들(134)은, 진단된 상태들에 대해 획득된 확률 밀도 함수들 간의 중첩에 대한 컴팩트하면서 액세스 가능한 표현을 형성하는데 사용될 수 있다. 각각의 조치 결과에 대해 별개의 혼동 매트릭스가 확립될 수 있다. 이러한 조치 결과에 있어서, 혼동 매트릭스는 본 발명의 일 실시예에 따라, 확률 밀도 함수들이 확립된 임의의 진단을 명확하게 하기 위한 이러한 특정 조치 결과를 이용하는 이점을 나타낸다. 혼동 매트릭스들의 생성 및 사용에 대한 설명은 도 4 및 도 6을 참조하여 아래에서 설명된다.
따라서, 진단 통계 데이터베이스(130)는 검사된 환자의 잠재적 진단 세트를 명확하게 하기 위한 임상 조치들의 유용성에 대한 통계 기반 요약을 포함하며, 이것은 의사가 이전에 확인하였던 환자의 전자 건강 기록의 내용을 기반으로 한다. 진단 통계 데이터베이스는 다수의 확률 밀도 함수들 및/또는 혼동 매트릭스들의 저장을 허용하는 임의의 포맷으로 구현될 수 있다. 진단 통계 데이터베이스(130)는 예를 들어 하드 디스크 드라이브, RAID(Redundant Array of Independent Disk), NAS(Network Attached Storage), 클라우드 스토리지 등의 비휘발성 메모리에 호스트될 수 있다. 또한, 진단 통계 데이터베이스(130)의 내용의 적어도 일부는 대안적으로 또는 추가적으로 동적 랜덤 액세스 메모리(DRAM), 동기식 DRAM, SDR SDRAM 및 DDR SDRAM과 같은 휘발성 메모리에 저장될 수도 있다.
도 1a의 설명을 계속하면, 시스템(100)은 본 발명의 일 실시예에 따른 감별 진단 생성 엔진(140)을 더 포함한다. 본 발명의 하나 이상의 실시예들에 따른 감별 진단 생성 엔진(140)은, 의사(190)가 보고 있는 환자에 대한 감별 진단을 확립한다. 본 발명의 실시예에 따른 감별 진단은, 현재의 의료 실행 기준에 따라 환자의 상태라고 판단될 수 있는 관련 확률을 갖는 일련의 진단들을 포함한다. 이러한 확률은 환자 및/또는 환자의 전자 건강 기록으로부터 수집된 데이터를 포함하는 환자에 대해 이용 가능한 초기 정보에 기초한 베이시안 추론(Bayesian inference)에 의해서 전자 건강 기록 데이터베이스(110)로부터 계산될 수 있다. 감별 진단의 상세한 설명은 도 1b를 참조하여 아래에 제공된다. 감별 진단을 얻기 위해, 감별 진단 생성 엔진(140)은 도 5를 참조하여 아래에서 상세하게 설명되는 비일시적 컴퓨터 판독가능 프로그램 코드 형태의 소프트웨어 명령어들을 실행한다.
본 발명의 일 실시예에서, 시스템(100)은 또한 이득 분석 엔진(150)을 포함한다. 본 발명의 하나 이상의 실시예들에 따른 이득 분석 엔진(150)은, 진단 통계 데이터베이스(130)로부터 획득된 정보에 기초하여, 또는 전자 건강 기록 데이터베이스(110)로부터 직접, 감별 진단의 명확화를 위해 가장 큰 이점을 갖는 임상 조치들을 식별한다. 명확화를 수행하기 위해, 감별 진단 생성 엔진(140)은 도 6을 참조하여 아래에서 상세히 설명되는 비일시적 컴퓨터 판독가능 프로그램 코드 형태의 소프트웨어 명령어들을 실행한다.
시스템(100)은 본 발명의 일 실시예에 따른 비용 분석 엔진(160)을 더 포함한다. 본 발명의 하나 이상의 실시예들에 따른 비용 분석 엔진(160)은, 선택된 조치들과 관련된 비용을 얻는다. 비용이 계산되는 조치들은 이득 분석 엔진이 이전에 식별한 조치들 중에서 선택될 수 있다. 금융적 비용 이외의 다양한 비용이 고려될 수 있다. 비용 계산을 수행하기 위해, 비용 분석 엔진(160)은 도 7을 참조하여 아래에서 상세히 설명되는 비일시적 컴퓨터 판독가능 프로그램 코드 형태의 소프트웨어 명령어들을 실행한다.
시스템(100)은 또한 사용자 인터페이스(180)를 포함한다. 사용자 인터페이스는 의사(190)가 시스템(100)의 다양한 요소와 상호 작용하기 위한 일반적인 인터페이스를 제공하지만, 사용자 인터페이스의 양태들의 설계가 특정 애플리케이션에들에 고유한 것일 수도 있다. 본 발명의 일 실시예에서, 사용자 인터페이스(180)는 가장 관련있는 잠재적 진단들 및 진단 및/또는 치료에 가장 유용한 조치들의 리스트를 의사에게 제시함으로써, 그리고 이 제시된 진단들 및/또는 조치들 중 하나 이상을 의사가 선택하도록 하는 수단을 제공함으로써, 환자의 전자 건강 기록에 정보를 효율적으로 추가하는 것을 용이하게 한다. 다양한 예시적인 사용자 인터페이스가 도 9a 내지 도 9d를 참조하여 아래에서 설명된다.
일반적으로, 사용자 인터페이스는 핸드헬드 컴퓨터 장치의 컴퓨터 모니터 또는 터치 스크린과 같은 디스플레이 장치 상에 정보를 디스플레이하는 GUI를 포함할 수 있다. GUI는 어떤 데이터가 표시될지 및 데이터가 사용자에게 표시되는 방식을 구성하는 다양한 GUI 툴을 포함할 수 있다. 또한, GUI는 예를 들어 텍스트를 통해 실제 데이터 값으로서 제시되는 데이터 또는 데이터 모델을 시각화하는 등의 컴퓨팅 장치에 의해서 시각적 데이터 표현으로 렌더링되는 데이터와 같이, 의사에게 직접 데이터를 제공할 수 있다. GUI는 또한 의사가 데이터를 제출할 수 있게 하는데 사용될 수 있다. 데이터는 의사가 하나 이상의 그래픽 사용자 인터페이스 툴을 선택하거나 터치 스크린, 터치 패드, 키보드, 마우스 또는 임의의 다른 입력 장치를 사용하여 그래픽 사용자 인터페이스 툴에 텍스트 및 다른 데이터를 삽입함으로써 GUI를 통해 제출될 수 있다.
본 발명의 일 실시예에서, 사용자 인터페이스는 전자 건강 기록 인터페이스(182) 및/또는 이익 대 비용 시각화 인터페이스(184)를 포함한다.
전자 건강 기록 인터페이스(182)는 전자 건강 기록 데이터베이스(110) 내의 하나 이상의 전자 건강 기록들(112)에 대한 액세스를 요구하는 활동들을 위해서 의사(190)에 의해 필요로 될 수 있다. 이 활동들은 의사가 현재 보고 있는 환자의 전자 건강 기록의 검색 및 새로운 정보의 입력(예를 들어, 진단, 관찰 또는 기타 조치의 결과, 일반 환자 정보 등)을 포함하며, 이에 한정되지 않는다.
이득 대 비용 시각화 인터페이스(184)는 도 3 내지 도 7을 참조하여 아래에서 설명되는 바와 같이 얻어지는, 임상 조치들 및 그들의 관련 비용에 관한 정보를 얻기 위해 의사(190)에 의해 필요로 될 수 있다. 이득 대 비용 시각화 인터페이스(184)는 의사(190)가 디스플레이되는 내용을 조작할 수 있게 하는 제어 요소들을 포함할 수 있다. 예를 들어, 비용 및/또는 이득에 따라 분류되는 특정 순서로 결과를 디스플레이하고, 의사가 몇몇 결과들을 제거하여 특정 결과를 검색할 수 있도록 필터를 적용하는 등의 제어가 있을 수 있다.
당업자는 시스템(100)의 아키텍처가 도 1a에 도시된 구성 요소들로 제한되지 않는다는 것을 인식할 것이다. 예를 들어, 시스템(100) 또는 이 시스템의 구성 요소들(예를 들어, 전자 건강 기록 데이터베이스(110))이 분산될 수도 있다. 분산 시스템의 경우, 이 시스템의 구성 요소들은 유선 및/또는 무선 통신 프로토콜들의 임의의 조합을 사용하여 통신할 수 있다. 본 발명의 일 실시예에서, 시스템의 구성 요소들 중의 적어도 일부는 광역 네트워크(예를 들어, 인터넷) 및/또는 로컬 영역 네트워크(예를 들어, 엔터프라이즈 또는 홈 네트워크)를 통해 통신한다. 시스템(100)의 구성 요소들 간의 통신은 보안된(예를 들어, 암호화된) 통신 및 비보안된(예를 들어, 비암호화된) 통신의 임의의 조합을 포함할 수 있다. 시스템(100)의 구성 요소들이 통신하는 방식은 본 발명의 구현에 기초하여 달라질 수 있다. 마지막으로, 시스템(100)이 다양한 엔진들(120, 140, 150 및 160)을 포함하지만, 당업자는 이들 엔진에 의해 수행되는 동작들이 본 발명을 일탈하지 않는 범위 내에서 다른 방식으로 분배될 수도 있음을 이해할 것이다.
도 1b는 본 발명의 하나 이상의 실시예들에 따른, 환자와 관련된 전자 건강 기록 및 감별 진단을 도시한 것이다.
본 발명의 일 실시예에서, 전자 건강 기록(112)은 특정 환자(196)에게 고유한 것이며, 성별, 나이 및 주소와 같은 기본 환자 정보(114)와, 이전에 환자의 상태(198)로 간주되었던 모든 진단(116)과, 이전에 수행된 모든 임상 조치들(117) 및 그에 따라 얻어진 결과(118)의 값들(119)을 포함한다.
도 1b는 환자의 새로운 증상 또는 다른 문제의 발생에 의해 유발되는 건강 관리 엔카운터와 같은 주어진 시점에서의 환자(196)의 상황을 도시한 것이다. 이러한 유발 이벤트는 통상적으로 엔카운터를 위한 스케줄링 또는 섭취 과정의 조치 결과인, 주요 호소 증상으로서 전자 건강 기록에 추가될 수 있다. 엔카운터를 위한 유발 이벤트는 단순히 정규 검진일 수 있으며, 이 경우 전자 건강 기록에는 혈압과 같은 생체 신호 측정을 포함하는, 그러한 엔카운터와 관련된 조치들의 결과가 포함될 가능성이 높다. 시스템(100)은 이제 도 1a를 참조하여 설명한 바와 같이 감별 진단 생성 엔진(140)을 적용함으로써, 도 1b에 도시된 바와 같은 감별 진단(180)을 생성할 수 있다. 현재의 엔카운터를 위한 유발 이벤트는, 감별 진단(180)이 얻어졌지만 의사가 환자의 상태인 것으로 그 리스트의 진단들 중의 어느 것을 받아들이지 않았던 이전의 엔카운터에 대한 후속 조치일 수도 있다. 의사(190)는 전자 건강 기록 데이터베이스(110)에 반영된 관리 표준에 따라 환자의 상태(198)인 다양한 진단들(182.n)의 확률(184.n)을 변경시킬 수 있는 이들 조치에 대한 추가 결과를 수신하기 위하여 환자(196)와 상호 작용할 수 있다.
환자(196)와 관련된 전자 건강 기록(112)은 기본 환자 정보(114), 환자의 상태(들)(198)인 것으로 이전에 간주된 진단(또는 복수의 진단), 임상 조치들(117) 및 결과 값(119)으로 표현되는 이러한 조치들에 대한 결과들(118)과 같은 다양한 환자 고유의 컨텐츠를 포함할 수 있다. 이들 요소들 각각에 대해서는 이후에 설명된다. 전자 건강 기록의 정보량은 다양할 수 있으며, 예를 들어 의사-환자 관계의 지속 기간, 전자 건강 기록에 정보가 입력된(또는 입력되지 않은) 세심성, 소속된 의사 또는 병원 또는 상업용 테스트 서비스가 정보를 제공하는지 여부에 의존할 수 있다. 따라서, 전자 건강 기록은 본 발명에서 일탈하지 않는 범위 내에서, 어느 정도의 완전성과 정확성을 가질 수 있다.
전자 건강 기록(112)을 참조하면, 기본 환자 정보(114)는 환자의 나이, 성별, 인종 등과 같은 기본적인 인구 통계학적 정보를 포함할 수 있으며, 이에 한정되지 않는다. 합리적인 양의 기본 환자 정보를 얻기 위해, 의사는 주요 호소 증상의 시작과 진행, 존재할 수 있는 다른 증상들, 이전의 질병들, 상해 및 의학적 처치, 환자가 복용하고 있는 약리학적 활성 물질, 혈족에게 발생하였던 유사한 문제들, 그리고 관련성이 있을 수 있는 사회 경제적 및 생활 방식 요인들에 관한 질문을 환자 또는 간병인에게 할 수 있다. 환자 또는 간병인에 의해 제공되는 응답들의 일부 또는 전부는 본 발명을 일탈하지 않는 범위 내에서, 기본 환자 정보(114)로서 또는 응답 요청 조치들(117)의 결과들(118)로서 전자 건강 기록(112)에 입력될 수 있다.
전자 건강 기록은 의사가 이미 환자에 대한 것으로 간주한 임의의 상태(들)(198)을 나타내는 하나 이상의 진단들(116)을 더 포함할 수 있다. 환자의 상태들로 리스트에 오르거나 감별 진단의 일부로서 받아들여지는 진단들은 ICD-9 또는 ICD-10를 포함하는 국제 질병 분류(International Classification of Diseases, ICD)와 같은 배상 또는 기타 목적을 위한 코드화된 리스트에 기초하여 전자 건강 기록(112)에 인코딩될 수 있다. 본 발명의 일 실시예에 따른 진단은 "성공적으로 치료된 감염" 또는 "재발성 암종" 또는 "건강한 환자"와 같은 치료 및/또는 예방 결과에 대한 기대치를 더 포함할 수 있다.
전자 건강 기록은 하나 이상의 임상 조치들(117)을 더 포함할 수 있다. 조치로는 질문을 하거나, 테스트를 수행하거나, 관찰을 하거나, 진단 테스트를 주문하거나 처방하고/하거나 특정 치료 또는 예방 조치를 취하는 것을 포함하고 이에 한정되지 않는, 의사와 환자의 가능한 모든 상호 작용들을 포함할 수 있다. 다음의 리스트는 환자에게 수행될 수 있는 예시적인 조치들의 비제한적 세트를 제공한다:
신체 검사 - 일반적으로 청진, 촉진, 수기 조정, 프로빙 및 환자가 수행 한 감각 운동적 과제의 결과를 포함하는 환자 신체의 탐색 및 관찰.
실험실 테스트 - 혈액, 소변, 타액, 객담, 대변 등과 같이 쉽게 얻을 수 있는 표본의 화학 분석, 현미경 분석 및 미생물 분석. 이들은 현장에서 처리되거나 진단 실험실로 보내질 수 있다.
메디컬 이미징 - 특수 장비를 사용하여 x-레이, CT(computed tomography), MRI(magnetic resonance imaging), US(ultrasound), PET(positron emission tomography), 임피던스 단층 촬영, 방사성 동위 원소 촬영 등과 같은 신체의 물리적 조직의 평면 또는 3D 표현들을 얻음. 일반적으로 이것은 환자를 이미징 머신으로 보내는 것을 필요로 한다.
전기 생리학(electrophysiology) - 특수 기구를 사용하여 ECG(electrocardiography), EEG(electroencephalography), EMG(electromyography) 등과 같은 생리적 기능들과 관련된 전기 신호를 측정. 일반적으로 이것은 환자를 이 기구로 보내는 것을 필요로 한다.
기능 테스트 - 환자가 빨리 걷기, 심호흡, 배뇨 등과 같은 특정 과제를 수행하는 동안 다양한 특수 측정을 수행하여 다양한 생리적 기능들을 평가할 수 있음. 일반적으로 이것은 환자를 특수 실험실로 보내는 것을 필요로 한다.
치료 시험 - 문제의 원인을 확인하는 일반적인 방법 중 하나는 가능한 원인들 중 하나를 가정하고 해당 원인을 해결하거나 완화시키는 치료를 시작하는 것임. 이것은 하나의 원인이 확률이 높을 경우 및/또는 하나의 원인의 신속한 치료가 특히 중요할 경우 및/또는 이러한 치료의 비용 및 위험이 치료 이전의 확정적 진단을 달성하기 위해 필요한 진단 절차와 비교하여 낮을 경우에 특히 유용하다.
전자 건강 기록은 조치(117)를 수행하는 것으로부터 얻어지는 하나 이상의 결과들(118)을 더 포함할 수 있다. 하나 이상의 결과들(118)이 주어진 조치(117)로부터 발생할 수 있다. 예를 들어, 환자의 온도를 측정하면 하나의 결과가 나타나지만 환자의 혈압을 측정하면 두 개의 결과(수축기 혈압 및 이완기 혈압)가 나타난다. 결과들은 숫자 또는 불리언(Boolean) 형태일 수 있으며, 진단 테스트로부터 또는 환자 또는 간병인의 제기된 질문에 대한 응답으로부터의 객관적인 데이터로부터, 또는 진단 테스트로부터 또는 환자 또는 간병인의 관찰들로부터의 추단적 추상화, 또는 조직학적 샘플들 또는 X-레이, 형광 투시, CT, 초음파, 핵 의학 및 MRI 장치들과 같은 이미징 장치들에서 도출된 이미지들과 같은 복잡한 데이터에서 작동하는 인공 지능 시스템에 의해 추출된 추단적 추상화로부터 도출될 수 있다.
본 발명의 일 실시예에서, 정량적 테스트들의 결과는 값들(119)로서 표현된다. 값들은 아래에 설명된 바와 같이, 건강한 비교 가능 개체들에서 정량적 진단 테스트를 수행하는 조치에 의해 생성된 데이터의 평균 및 분산에 따라 정규화될 수 있다.
궁극적으로, 환자(196)의 상태(198)는 환자에 대해 수행된 조치들 및 그와 관련된 결과들에 기초하는, 감별 진단(180) 내의 진단들(182.n) 중 하나를 포함할 수 있다. 진단의 확률이 어떤 결론 임계값, Pconclusion를 초과하거나 또는 의사가 어떤 이유로 이것을 환자의 상태로 지정할 경우에는, 상태가 자동으로 진단된 것으로 간주될 수 있다.
본 발명의 일 실시예에서, 전자 건강 기록(112)은 또한 각 임상 조치(117)가 착수되어 그것의 결과들(118)이 얻어진 시점에 이용 가능했던 감별 진단(180)에 포함된 진단들을 포함한다. 유리하게는, 전자 건강 기록(112)은 연관 데이터베이스가 되도록 구성될 수 있다. 따라서, 전자 건강 기록에 진단, 조치 또는 결과에 대해 질의하면 그것과 관련된 모든 다른 용어들이 반환될 수 있다. 예를 들어, 전자 건강 기록에 주어진 상태와 조치에 대하여 질의하면 이러한 쌍과 관련된 결과들에 대한 정보가 반환되고; 전자 건강 기록에 상태와 결과에 대하여 질의하면 이러한 쌍과 관련된 조치가 반환되며; 또한 결과와 조치의 주어진 값은 각각의 상태와 일치할 가능성을 반환하게 된다. 본 발명의 하나 이상의 실시예들에서, 이러한 질의들은 건강 기록 데이터베이스(110)에 저장된 전자 건강 기록들(112)의 복수 또는 모두에 대한 응답을 얻기 위해 건강 기록 데이터베이스(110)에 제출될 수 있다.
도 1b의 설명을 계속하면, 감별 진단(180)은 본 발명의 일 실시예에 따라 환자(196)와 관련된 것이다. 본 발명의 일 실시예에서, 감별 진단(180)은 전자 건강 기록 데이터베이스(110)에 반영된 관리 표준에 따라 환자의 상태(198)인 것으로 간주될 수 있는 진단들(182)의 서브세트 및 그들의 확률들(184)이다. 상기 상태들이 주어진 환자에게 동시에 존재할 경우 결과들 간의 상호 작용을 야기할 수 있는 개별 상태들은 "간질 증후군" 또는 "독성 쇼크 증후군"과 같은 진단들(182)의 별개 항목들로서 식별될 수 있다. 또한, 본 발명의 일 실시예에서, 진단들은 "성공적으로 치료된 감염" 또는 "재발성 암종"과 같은 치료 결과의 예상을 포함한다.
다수의 진단 항목들은 주어진 환자의 상태가 될 가능성이 거의 없기 때문에, 감별 진단은, 그보다 낮을 경우 진단이 고려사항에서 배제되는 몇몇 고려 임계값, Pconsideration에 의해 구분될 수 있다.
도 2는 본 발명의 하나 이상의 실시예들에 따른, 환자(196), 의사(190) 및 의학적 상태들(100)에 대한 진단 및 치료 옵션들을 식별하는 시스템 간의 예시적인 상호 작용을 도시한 것이다.
도 2를 참조하면, 잠재적으로 알려지지 않은 상태의 환자가 상태 진단을 위해 및/또는 이전에 진단된 상태를 치료받기 위해 의사를 방문한다. 의사는 전술한 바와 같이 기본 환자 정보를 수집하고, 이 수집된 정보를 환자의 전자 건강 기록에 입력한다.
후속적으로, 본 발명의 하나 이상의 실시예들에 따라, 시스템은 환자에 대해 이용 가능한 정보에 기초하여 및 진단 통계 데이터베이스로부터 획득된 통계 데이터에 기초하여, 가능한 조치들과 관련된 이득들 및 비용들을 결정한다. 시스템에 의해 결정되는 조치들은 임의의 종류의 진단 및 치료 조치들을 포함하는 임의의 종류의 임상 조치들일 수 있다. 이러한 가능한 조치들이 의사에게 제공된다. 가능한 조치들의 세트를 결정하기 위해 시스템에 의해서 수행되는 단계들에 대한 광범위한 설명이 도 3 내지 도 7을 참조하여 후속적으로 제공된다.
의사는 수신된 일련의 가능한 조치들, 이들의 이득들 및 비용들을 검토한다. 이러한 검토에 기반하여, 의사는 환자에게 수행할 조치를 선택할 수 있다. 수행할 조치를 선택하는 것은 의사의 몫이다. 예를 들어, 의사는 환자에게 수행될 조치의 선택을 용이하게 하는 권고 입력으로서 제공되는 일련의 가능한 조치들만을 고려할 수도 있다. 따라서, 수행될 조치는 제안된 조치 세트 중에서 선택되는 임의의 조치가 될 수 있으며, 또는 제안된 조치 세트에 포함되지 않은 조치가 될 수도 있다. 이 시나리오에서, 가능한 조치들 형태로 시스템에 의해서 제공되는 정보는 전적으로 참고적 또는 권고적이다. 대안적으로, 의사는 가장 높은 이득 또는 가장 높은 이득 대비 비용 비율로 제안된 조치를 선택함으로써 가능한 조치 세트에 의존할 수 있다.
의사의 조치 선택에 따라, 후속적으로 환자는 그 조치를 수신한다. 하나보다 많은 진단 또는 조치가 고려되는 경우, 의사는 시간 및 자원에 대한 효율적인 사용 기회를 식별할 수 있도록 동시에 이들을 고려하는 것이 바람직할 수 있다. 아래에서 더 상세히 설명되는 바와 같이, 수행될 수 있는 조치들로는 진단 테스트뿐만 아니라 치료 및 예방 조치들을 포함할 수 있다. 이 경우, 고려될 수 있는 진단 세트로는 "완치된 질병" 또는 "차도가 있는 질병" 또는 "건강한 환자"와 같은 상태들을 포함할 수 있으며, 어떤 조치를 취할 것인가에 대한 결정은 그러한 진단 상태를 달성할 수 있는 확률을 증가시킴으로써 유발될 수 있다.
다음으로, 의사는 전술한 바와 같이 조치와 관련된 하나 이상의 결과들에 대한 값을 얻기 위해 조치의 결과를 평가한다. 환자에게 수행된 조치의 결과 상태의 성공적인 진단 및/또는 상태의 성공적인 치료와 같은 바람직한 결과가 될 수도 있고 그렇지 않을 수도 있다.
다음으로, 환자의 전자 건강 기록은 의사 또는 사람 또는 의사의 자동 에이전트가 조치 및 조치의 하나 이상의 결과들을 입력함으로써 업데이트된다. 현재 이용 가능한 업데이트된 환자 정보에 기초하여, 바람직한 결과에 도달할 때까지 상기 단계들이 재실행될 수 있다. 조치 실행 이후에 환자에 대하여 이용 가능한 정보가 변경되었기 때문에, 다음 가능한 조치들에는 환자에 대해 초기에 이용 가능한 기본 정보뿐만 아니라 조치를 수행하고 그 결과들을 평가함으로써 새롭게 얻어진 정보가 통보된다.
따라서, 도 2에 기재된 프로세스는 진단 또는 치료 프로세스로부터 점진적으로 도달하는 정보 부분들을 포함한다. 따라서 전술한 프로세스는 베이시안 간섭에 기반을 두고 있다: 환자 관리의 각 단계에서, 전자 건강 기록 데이터베이스(110)에 반영된 관리 표준에 따라 주어진 진단이 환자의 상태라고 간주되는 시작 확률은 사전 확률(prior probability)이다. 어떤 조치로부터 결과 값을 얻은 후에 변경되는 확률은 사후 확률(posterior probability)이다.
임상 의학에 대하여 베이시안 간섭을 적용함에 있어서, 환자는 하나보다 많은 동시발생 상태를 가질 수도 있다. 각각의 동시발생 상태가 주어진 진단 테스트의 결과(들)에 영향을 줄 수 있으며, 동일한 환자의 다른 감별 진단 항목들을 고려할 때 그 결과(들)의 해석을 잠재적으로 교란시킬 수 있다. 이 문제는 평가 및/또는 치료 과정에서 수행될 수 있는 임의의 모든 조치들의 결과에 대하여 이전에 식별된 상태들의 예상 효과를 고려함으로써 극복될 수 있다. 예를 들어, 환자가 이미 하나 이상의 상태들을 가진 것으로 진단된 경우, 그러한 상태(들)와 일치하지 않는 호소 증상 또는 테스트 결과는 해당 환자의 가능한 새로운 상태들을 나타낼 수 있으며, 그렇게 해석되어야 한다. 이상적으로는, 새로운 상태들이 두 개의 상태들의 조합으로서 식별되며, 즉 이전에 식별된 상태와 고려중인 새로운 동시발생 상태의 조합으로서 식별된다. 실제에 있어서, 전자 건강 기록 데이터베이스는 모든 가능한 상태들의 모든 가능한 조합들을 가진 충분한 수의 환자들을 포함하지 못할 것이다. 이 경우, 이전 상태들의 결과로서 비정상적인 모든 결과를 일시적으로 배제하는 것으로 충분할 수 있다. 이것은 각각의 관련 혼동 매트릭스의 관련 셀들 각각이 (아래에서 설명되는 바와 같이) 1의 값을 가지도록 강제하여 현재 고려중인 감별 진단에 대해 특정 결과를 쓸모 없게 만드는 효과를 갖도록 함으로써 수행될 수 있다.
또한, 도 2에서 일반적으로 기술되고 도 3에서 더 설명되는 상태의 식별이 영구적이지 않을 수 있음에 유의한다: i) 새롭게 획득된 결과들은 이전에 지정된 상태를 유지될 수 없게 만들 수 있고, ii) 새로운 상태의 인식은 이전에 지정된 상태의 정확성에 의문을 제기할 수 있으며, iii) 상태의 취급은 치료가 더 이상 적절하지 않게 만들 수 있다. 이러한 상황 또는 다른 상황이 발생하면, 도 2에 도시된 바와 같은 프로세스를 반복하는 것이 유용할 수 있다. 이것은 환자의 일반적인 재평가로 이어질 수 있으며 환자-의사 관계의 공통 문제가 사적이면서 어쩌면 잘못된 것일 수 있는 가정에 갇히게 되는 것을 경감시킬 수 있다.
도 3 내지 도 7은 본 발명의 하나 이상의 실시예들에 따른 흐름도들을 나타낸 것이다. 흐름도들의 다양한 단계들이 순차적으로 제공 및 설명되어 있지만, 당업자는 이들 단계들의 일부 또는 전부가 상이한 순서로 실행될 수 있고, 결합되거나 생략될 수도 있으며, 단계들의 일부 또는 전부가 병렬적으로 실행될 수도 있다는 것을 인식할 것이다. 본 발명의 일 실시예에서, 도 3 내지 도 7에 도시된 단계들은 본 발명으로부터 일탈하지 않는 범위 내에서 도 3 내지 도 7에 도시된 임의의 다른 단계들과 병렬적으로 수행될 수 있다.
도 3은 본 발명의 하나 이상의 실시예들에 따른, 높은 유용성을 가질 수 있는 임상 조치들의 식별을 용이하게 하기 위해 전자 건강 기록들을 처리하는 방법을 설명하는 흐름도이다.
도 3의 방법은 환자를 위한 임상적 예방, 진단 및/또는 치료 절차들(조치들)의 선택에 지침을 제공하기 위해 의사에 의해서 사용될 수 있다. 이러한 지침은 전자 건강 기록들을 포함하는 전자 건강 기록 데이터베이스에 의해 수집되는 절차들에 대한 누적 경험에 기반한 것일 수 있다.
도 2에서 전술한 바와 같이, 도 3의 방법의 단계들 중 적어도 일부는 환자에 대해 수행될 조치들의 선택에 있어서 점진적으로 업데이트된 지침을 얻기 위해 반복적으로 실행될 수 있다.
도 3을 참조하면, 단계 300에서, 전자 건강 기록 데이터베이스 내의 전자 건강 기록들로부터 얻어진 정보에 기초하여 진단 통계 데이터베이스가 생성된다. 진단 통계 데이터베이스는 처음부터 생성될 수 있으며, 예를 들어, 도 3의 방법이 최초로 실행될 경우, 또는 기존의 진단 통계 데이터베이스가 업데이트될 경우에 생성될 수 있다. 본 발명의 일 실시예에 따른 진단 통계 데이터베이스의 생성은 환자에게 수행될 조치들의 선택에 있어서의 지침을 얻기 위해 본 방법의 다른 단계들이 현재 실행되고 있는지 여부에 상관없이, 독립적으로 수행된다. 즉, 단계 300은 단계 302-312의 실행 이전에 진단 통계 데이터베이스의 적어도 일부 형태가 존재하기만 하다면, 비동기적으로 수행될 수 있다. 단계 300의 실행은 계산적으로 부담이 큰 것일 수 있기 때문에, 시스템 부하가 낮고 및/또는 단계 300의 실행이 단계 302-312을 수행하는 컴퓨팅 장치(들)와 다른 컴퓨팅 장치에 아웃소싱될 수 있는 시간에, 주기적으로 수행될 수 있다. 단계 300에 대한 상세한 설명은 도 4를 참조하여 아래에서 제공된다.
단계 302에서, 환자 정보가 획득된다. 환자 정보는, 예를 들어, 의사가 환자 정보를 환자의 전자 건강 기록에 입력하고, 및/또는 환자의 전자 건강 기록에 이미 존재하는 정보를 검색함으로써 획득될 수 있다. 획득되는 환자 정보는 예를 들어, 인구 통계학적 정보 및 임의의 종류의 조치들을 수행하여 얻어진 결과를 포함하는, 환자에 대해 이용 가능한 임의의 정보를 언제든지 포함할 수 있다. 일반적으로, 환자의 상태를 진단하기 위해 단계 302가 처음 수행될 경우, 최소한의 정보가 이용 가능할 수 있다. 후속의 실행들에서는 원래 이용 가능한 환자 정보 외에, 환자에게 수행된 조치들의 결과가 포함될 수 있다. 반복할 때마다, 더 많은 정보가 이용 가능하게 될 수 있다.
단계 304에서는, 단계 302에서 얻어진 환자 정보에 기초하여, 관련된 확률들을 갖는 감별 진단이 환자에 대하여 얻어진다. 본 발명의 일 실시예에 따른 감별 진단은 건강 기록 데이터베이스의 내용에 기초하여, 환자의 주요 호소 증상의 일부 또는 모든 가능한 원인의 세트를 포함한다. 즉, 건강 기록 데이터베이스 내의 전자 건강 기록들 중 하나에 존재하는 임의의 진단 Dn이 감별 진단에 포함될 수 있다. 감별 진단에 포함된 각 진단들에는 환자의 상태인 진단의 가능성 Dn을 나타내는 확률 P(Dn)이 수반된다. 진단의 확률이 고려 임계값 Pconsideration보다 낮을 경우에는 그 진단이 감별 진단에서 제외될 수가 있으므로, 감별 진단의 진단 횟수를 합리적으로 가능성이 있는 진단으로 제한하게 된다. 단계 304에 대한 상세한 설명은 도 5를 참조하여 아래에서 제공된다.
단계 306에서, 진단 통계 데이터베이스에 저장된 정보에 기초하여, 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 조치들이 식별된다. 보다 구체적으로, 현재 값 P(Dn)에 대해, 그 결과들이 P(Dn)에 영향을 줄 수 있는 조치들에 대해 진단 통계 데이터베이스에게 질의한다. 앞서 논의한 바와 같이, P(Dn)의 증가는 진단 Dn가 기본적 상태를 정확하게 식별할 가능성을 증가시키는 반면, P(Dn)의 감소는 진단 Dn이 기본적 상태를 정확하게 식별할 가능성을 감소시킨다. 환언하면, 본 발명의 일 실시예에서, 감별 진단에서의 진단들을 명확하게 하기 위해 혼동 매트릭스들이 조치 결과들의 유용성을 나타내는 조치들 중에서 조치들이 선택되며, 이에 따라 하나 이상의 진단들이 환자의 상태(들)를 정확하게 식별하도록 확인될 수가 있고, 감별 진단에서의 다른 진단들은 폐기될 수 있다. 단계 306에 대한 상세한 설명은 도 6을 참조하여 아래에서 제공된다.
단계 308에서는, 단계 306에서 식별된 조치들과 관련된 비용들이 획득된다. 비용들은 화폐적 비용, 시간 지연 및/또는 부작용 위험을 포함하도록 광범위하게 정의될 수 있으며, 비용들은 주어진 환자에 대하여 고유하게 정의되거나, 또는 지리적으로 정의될 수 있다. 이러한 비용들은 시간의 경과에 따라 또는 진단 과정을 통해 바뀔 수 있다. 비용들에는 조치를 수행하는데 드는 돈과 시간, 결과들을 얻을 수 있기까지의 지연 및 경우에 따라서는 조치 자체가 초래할 수 있는 경미하지 않은 유해의 위험성이 포함되며, 이에 한정되지 않는다. 이러한 각각의 비용들은 도 7을 참조하여 아래에서 상세히 설명되는 것으로 고려될 수 있다.
단계 310에서, 관련된 이득들 및/또는 비용들에 기초하여, 조치들의 요약이 생성된다. 이 요약은 단계 306에서 결정된 바와 같은 가장 큰 이득의 조치들을 포함할 수 있으며, 또는 이 요약은 가장 높은 이득 대 비용 비율에 기초하여 선택되는 조치들을 포함할 수도 있다. 조치들은 이득 또는 이득 대 비용으로 분류될 수 있다. 적어도 설정된 최소 이득을 제공하거나 또는 적어도 최소 이득 대 비용 비율을 갖는 설정된 개수의 조치들 또는 임의의 개수의 조치들이 요약에 포함될 수 있다.
단계 312에서는, 이득 대 비용 요약이 의사에게 제공된다.
이 요약에 기초하여, 의사는 그 후 도 2에서 전술한 바와 같이, 조치를 선택하고 그 조치의 결과를 얻을 수 있다. 후속적으로, 도 3의 방법이 반복될 수 있으며, 새로운 감별 진단 및 새로운 세트의 조치들 및 비용들이 그 결과를 고려하여 얻어질 수 있다.
보다 구체적으로, 새로운 결과가 이용 가능해질 경우, 이것은 전자 건강 기록 데이터베이스에 포함되는 정보의 일부가 되며, 후속적으로, 환자의 상태일 수 있는 진단 세트로부터의 다양한 상태들 중의 업데이트된 감별 진단, Dn 및 환자의 상태인 그들의 확률들, P(Dn)를 생성하는데 사용될 수 있다. P(Dn)가 임계값 Pconclusion를 초과할 경우에는, 해당 진단이 환자의 상태로 확인되는 것으로 간주될 수 있다. P(Dn)가 임계값 Pconsideration 아래로 떨어질 경우에는, 적극적으로 고려중인 진단으로부터 제외될 수 있다. 의사는 이러한 결론 또는 제외에 대하여 동의하거나 거부할 수가 있으며 그렇게 하기 위해 GUI와 관련된 입력 툴을 사용할 수 있다.
단계 304에서, Dn 및 P(Dn)의 세트는 도 5에 더 도시된 바와 같이, 각각의 반복의 시작 시에 재계산될 수 있다. 결과적으로, 예를 들어 환자가 처방된 치료에 예상대로 반응하지 않을 경우에는, 이전에 확인되었거나 제외되었던 진단들을 재고해야 할 수도 있다. 이 프로세스는 모든 중간 값 P(Dn)가 각각의 임계값 Pconclusion를 초과하거나 임계값 Pconsideration보다 낮아질 때까지 계속될 수 있다. 궁극적으로, 본 발명의 일 실시예에 따라, 진단이 의사에 의해 확인되면, 이것이 환자의 상태로서 환자의 전자 건강 기록에 추가될 수 있으며, 이에 따라 해당 정보를 장래의 사용을 위해 이용 가능하게 된다(동일 환자 또는 다른 환자에 대하여). 장래의 치료나 평가에서 이 진단이 잘못되었다고 판정하면, 이것을 반영하여 전자 건강 기록들을 조정할 수 있다.
후술하는 도 4 내지 도 7은 데이터의 처리를 수반하는 단계들을 포함한다. 이러한 데이터(예를 들어, 임상 테스트 데이터)를 보고하는데 사용되는 수학 단위는 종종 임의적이다. 이들은 N/m2(미터법의 경우 파스칼) 또는 lb/in2(영국식)의 압력과 같은 특정 측정 단위의 정규 물리적 특성을 반영할 수도 있다. 일반적으로 이들은 정규 물리적 특성들, 예를 들어 IU(효소 활성의 국제 단위(몰/s) 또는 ACT(활성화 응고 시간(초))가 아닌 표준화된 시약 및 절차에 의존하는 값들을 반영한다. 특정 데이텀 D의 중요성은 평균 M H 및 표준 편차 S H 로 표현될 수 있는 건강한 비교 대상 개체들로부터 얻을 수 있는 데이터의 범위에서 얼마나 멀리 떨어져 있는지에 따라 달라진다. 건강으로부터 D의 편차의 상대적 크기는 다음과 같이 주어진다
(D - M H )/M H ,
이것은 분산(S H/ M H )의 배수로 표현될 수 있으며, 다음과 같은 정규화 함수가 된다:
(D - M H )/S H .
M H 및 S H 를 계산하는데 필요한 건강한, 비교 대상 개체들로부터의 결과 값은, 그 상태가 "건강한 환자" 또는 질병이나 이상이 없음을 나타내는 유사한 진단으로서 식별되는 개별 환자들의 전자 건강 기록(112)을 전자 건강 기록 데이터베이스(110)로부터 식별함으로써 획득될 수 있다. 부호화, 정규화 단위들로 표현되는 값들은 양 또는 음의 방향으로 건강 상태에서 벗어난 표준 편차의 수를 직접 반영한다. 따라서, 이것이 구체적으로 나타나 있지는 않지만, 후술하는 임의의 조치들을 수행할 때 처리되는 임의의 데이터에 대해 정규화가 수행될 수도 있다.
도 4는 본 발명의 하나 이상의 실시예들에 따른, 전자 건강 기록들의 내용으로부터 진단 통계 데이터베이스를 생성하는 방법을 기술하는 흐름도를 도시한 것이다. 도 4의 방법의 단계들은 진단 통계 데이터베이스를 초기에 확립할 때 실행될 수 있을뿐만 아니라 진단 통계 데이터베이스를 업데이트할 때에도 실행될 수 있다. 본 발명의 일 실시예에서, 다른 방법들, 예를 들어도 5 내지 도 7에서 설명된 방법들의 실행은 진단 통계 데이터베이스에서의 통계 정보의 이용 가능성에 의존한다. 도 4를 참조하여 설명된 방법을 사전에 실행하지 않을 경우에는, 전자 건강 기록 데이터베이스 내의 방대한 양의 정보에 액세스 가능하지 않을 수 있으며, 또는 최선의 경우 도 5 내지 도 7에서 설명된 방법들의 실행 이전에는, 추출하기가 매우 번거롭고 시간 소모적일 수 있다. 따라서, 도 4의 방법은 도 5 내지 도 7의 방법들에 따라 처리하기 위해 액세스 가능하게 하는 방식으로 전자 건강 기록 데이터베이스에 저장된 정보를 향상시킨다.
도 4를 참조하면, 단계 400에서, 후속적으로 수행되는 단계들의 실행을 위해 조치 결과가 선택되고, 단계 402에서는, 전자 건강 기록들로부터 진단이 선택된다. 조치들 및 진단들 결과의 선택은 각각의 특정 결과들 및 조치들로 한정되지 않는다. 각각의 결과 및 진단이 얼마나 빈번하게 발생하는지와 관계없이, 전자 건강 기록들 중 하나에 존재하는 임의의 결과 및 임의의 진단이 선택될 수가 있다. 예를 들어, 선택된 조치 결과는 특정 환자에 대하여 고유한 단일의 건강 기록에만 존재할 수도 있고, 다수의 다른 환자들과 관련된 다수의 건강 기록들에 존재할 수도 있다. 새로운 전자 건강 기록들의 추가로 전자 건강 기록 데이터베이스가 지속적으로 증가하는 경우, 한 시점에서 진단 통계 데이터베이스(130)에 열거되어 있지 않았던 진단들 및 조치들이 추후의 시점에는 발견될 수도 있다.
단계 404에서는, 확률 밀도 함수가 선택된 진단에 대해 수행된 조치와 관련된 결과들의 분포에 대해 얻어진다. 즉, 특정 결과(단계 400에서 선택된 결과)의 모든 값들이 그 결과가 선택된 진단과 함께 나타나는 모든 건강 기록들로부터 수집된다. 선택된 진단과 함께(그러나 잠재적으로는 다른 진단들과 함께) 얻지 못한 결과들은 무시될 수 있다. 확률 밀도 함수는 선택된 진단과 함께 얼마나 많은 결과가 발견되는지에 따라, 임의의 개수의 결과들로부터 확립될 수 있다. 확률 밀도 함수(PDF)는 다음과 같이 획득될 수 있다. 주어진 평균 
및 표준 편차 
의 경우(여기서 Ai는 i 번째 조치를 나타내고, Rj는 j 번째 결과를 나타내며, Dn는 n 번째 진단을 나타냄),
따라서, 주어진 감별 진단 Dn에 대하여 전자 건강 기록들에 기록된 조치 Ai로부터 발생하는 결과 값 Rj의 분포에 관한 통계 데이터는, 전술한 바와 같이, 연속 데이터에 대한 확률 밀도 함수들 또는 불연속 데이터에 대한 확률 질량 함수들로 요약될 수 있다. 수학식 (1)을 참조하면, 이 데이터가 정규 분포로 발견되면, 확률 밀도 함수는 주어진 감별 진단에 대한 결과 값들의 평균 및 표준 편차로부터 계산될 수 있다. 본 발명으로부터 일탈하지 않는 범위 내에서, 전자 건강 기록들 내의 경험적 데이터 또는 이들 데이터의 요약 통계에 기초하여, 상이한 타입의 분포들에 대한 다른 확률 밀도 함수들이 연속 변수들에 대해 얻어질 수 있으며 또는 다른 확률 질량 함수들이 불연속 변수들에 대하여 얻어질 수도 있다.
단계 406에서는, 단계 404가 아직 실행되지 않은 진단들이 남아 있는지에 대한 결정이 이루어진다. 그러한 진단들이 전자 건강 기록들에 남아 있는 경우, 본 방법은 다른 진단을 선택하기 위해 단계 402로 복귀할 수 있다. 그러한 진단들이 남아 있지 않은 경우, 본 방법은 단계 408로 진행할 수 있다.
본 방법의 실행이 단계 408에 도달하면, 확률 함수들이 단계 400에서 선택된 결과와 관련된 모든 진단들에 대해 확립된다.
단계 408에서는, 진단 쌍이 선택된다. 이 쌍은 단계 404에서 확률 밀도 함수가 얻어진 전자 건강 기록으로부터 얻어진 진단들로부터 선택된다.
단계 410에서는, 단계 408에서 선택된 진단 쌍과 관련된 확률 밀도 함수들에 대한 중첩의 정도가 얻어진다. 중첩 정도는 다음과 같이 얻어질 수 있다.
연속 결과들의 경우,
여기서 DO는 선택된 진단 쌍 Dm 및 Dn에 대해 획득된 중첩 정도를 나타낸다.
불연속 결과들의 경우,
단계 412에서는, 추가적인 진단 쌍들이 남아 있는지에 대한 결정이 이루어진다. 추가적인 진단 쌍들이 남아 있는 경우, 본 방법은 나머지 진단 쌍(들)에 대해 단계 408 및 410을 반복하기 위해 단계 408로 복귀할 수 있다. 추가적인 진단 쌍들이 남아 있지 않은 경우, 본 방법은 단계 414로 진행할 수 있다.
본 방법의 실행이 단계 412에 도달하면, 특정 결과에 대한, 임의의 다른 진단과 임의의 진단의 임의의 조합에 있어서의 중첩 정도가 얻어진다.
단계 414에서는, 선택된 조치 결과에 대한 모든 진단 쌍들에 있어서의 중첩 정도가 진단 통계 데이터베이스의 혼동 매트릭스에 저장된다. 진단 쌍의 확률 밀도 함수들이 거의 중첩되지 않을 경우에는, 매트릭스의 교차 셀에 있는 혼동 매트릭스 값이 낮으며; 확률 밀도 함수들이 완전히 중첩될 경우에는 해당 셀의 혼동 매트릭스 값이 1이다.
단계 416에서는, 단계들 400-414이 아직 실행되지 않은 임의의 조치들이 남아 있는지에 관한 결정이 이루어진다. 그러한 조치들이 전자 건강 기록들에 남아 있는 경우, 본 방법은 다른 조치를 선택하기 위해 단계 400으로 복귀할 수 있다. 그러한 조치가 남아 있지 않을 경우, 본 방법의 실행이 종료될 수 있다.
도 4의 방법의 완료 이후에는, 조치들을 수행함으로써 얻어진 임의의 결과에 대해 혼동 매트릭스들이 존재할 수 있다. 이러한 각각의 혼동 매트릭스들은 결과에 고유한 것이며, 결과에 대한, 단계들 400-416이 수행된 모든 진단들에 있어서의 확률 밀도 함수들 간의 중첩 정도를 인코딩한다.
도 4에 설명된 방법에서, 모든 조치들의 모든 결과 값들이 확률 밀도 함수들의 생성에 사용되지만, 대안적으로는, 특정 제한들이 부과될 수도 있다. 예를 들어, 본 발명으로부터 일탈하지 않는 범위 내에서, 성별, 연령, 인종 등과 같은 인구 통계적 인자들에 기초하여, 특정 전자 건강 기록들이 예를 들어 선택된 환자 그룹들에 대해 제외될 수 있다. 따라서, 본 발명의 실시예들은 또한 특정 환자 그룹들에 대해 기술된 방법들을 선택적으로 수행하는 것을 허용하며, 이것은 예를 들어 인구 통계학적 인자들에 의존하는 것으로 알려진 연구 결과들이 분석되는 경우에 유용할 수 있다.
도 5는 본 발명의 하나 이상의 실시예들에 따른, 특정 환자에 대한 감별 진단을 얻는 방법을 설명하는 흐름도를 도시한 것이다. 앞서 설명한 바와 같이, 본 방법은 특히 환자에 대한 새로운 데이터가 이용 가능해질 때마다, 예를 들어, 환자에 대한 조치를 수행함으로써 새로운 결과를 얻은 후에 반복적으로 실행될 수 있다.
단계 500에서는, 현재 이용 가능한 환자 정보에 기초하여 환자의 상태에 대한 잠재적인 진단들이 식별된다. 이용 가능한 환자 정보는 달라질 수 있다. 도 5의 방법이 처음 수행될 경우에는, 환자에 관한 기본 정보만이 이용 가능할 수 있다. 예를 들어, 환자 인구 통계, 환자 호소 증상 및 생체 신호가 이용 가능할 수 있다. 베이시안 추론이 전자 건강 기록 데이터베이스 또는 진단 통계 데이터베이스의 확률 밀도 함수들에 적용됨으로써 가장 가능성이 높은 진단들 및 그들의 관련 확률들을 식별할 수 있다. 도 5의 방법의 후속 실행들에서는, 예를 들어, 환자에 대한 조치를 수행함으로써 새로운 결과를 얻은 이후에 이용 가능하게 되는 추가 정보가, 베이시안 추론에 따른 잠재적인 진단들을 얻기 위해 고려될 수도 있다. 즉, 도 6을 참조하여 이하에서 더 설명되는 바와 같이, 모든 진단들의 사전 확률들은, 각각의 이들 상태를 가진 환자가 방금 얻은 새로운 결과의 값을 나타냄으로써, 사후 확률로 되는 전자 건강 기록 데이터베이스(110)에서의 확률에 따라 조정된다.
건강 기록 데이터베이스 내의 임의의 전자 건강 기록들에 존재하는 임의의 진단 Dn가 감별 진단에 포함될 수 있다. 감별 진단에 포함된 각각의 진단들에는 환자의 상태인 진단 Dn의 가능성을 나타내는 확률 P(Dn)이 수반된다. 다수의 잠재적인 진단들이 단계 500에서 식별될 수 있다. 이러한 진단들은 매우 가능성이 높음에서 매우 가능성이 낮음의 범위에 이를 수 있는, 임의의 확률을 가질 수 있다.
단계 502에서는, 낮은 확률을 갖는 잠재적인 진단들이 식별되어 제거된다. 그 확률이 고려 임계값 Pconsideration보다 낮을 경우에는 감별 진단에서 진단이 제외될 수 있으므로, 감별 진단의 진단들이 합리적으로 가능한 진단들로 제한된다.
단계 504에서는, 감별 진단의 진단들 중의 하나 이상이 결론 임계값 Pconclusion에 도달하였는지의 여부에 대한 결정이 이루어진다. 임계값 Pconclusion는 관련된 진단이 기본적 상태와 매칭되는 확실성을 나타내는 것으로 간주되는 임의의 레벨로 설정될 수 있다. 임계값 Pconclusion는 또한 개별 진단에서 각각의 후보 진단의 가양성(false positives)에 대한 고유한 위험들을 고려하여 상이할 수도 있다. 임계값 Pconclusion는 또한 도 3의 전체 방법의 실행 반복 단계 및/또는 현재 환자의 감별 진단에 있는 항목들의 개수에 따라 조정될 수 있다.
단계 506에서는, 특정 진단에 의해 결론 임계값에 도달할 경우, 그 진단이 확인된 것으로 가정된다.
단계 504 및 506은 선택적이다. 특히, 단계 504 및 단계 506의 실행은 단지 권고가 되도록 설계되는 본 발명의 실시예들에서 생략될 수가 있다. 그러한 경우, 진단이 확정될 것인지 여부를 결정하는 것은 의사가 된다.
도 6은 본 발명의 하나 이상의 실시예들에 따른, 특정 환자에 대한 다양한 임상 조치들을 추구하는 상대적 진단, 치료 또는 예방 이득들을 계산하는 방법을 설명하는 흐름도를 도시한 것이다. 즉, 도 6에서, 환자의 상태를 식별하기 위한 최적의 조치는 현재의 감별 진단을 명확하게 할 수 있을 가능성이 가장 높은 결과를 발견함으로써 결정된다. 이것은 도 4를 참조하여 앞서 설명한 바와 같이, 혼동 매트릭스들을 사용하여 수행될 수가 있으며, 여기서, 조치의 각 결과에 대한, 행 및 열은 모든 진단들을 나타낸다.
감별 진단 Dn의 각 요소는 도 5에서 설명된 바와 같이, 초기에는 환자의 호소 증상 및 연령과 성별과 같은 인구 통계학적 정보 등의 최소한의 정보에 기초하여, 환자의 상태인 사전 확률 P(Dn)와 관련될 수 있다. 이러한 조치들이 적절하게 선택되면, 감별 진단을 더욱 명확하게 하도록 조치들이 사용될 수 있다. 달리 말하면, 조치들에 기초하여, 특정 진단이 환자의 상태인지 아닌지를 나타낼 가능성이 더 높은 사후 확률들이 얻어질 수 있다. 도 5의 방법은 이러한 조치들을 식별하는데 사용될 수 있다.
도 6을 참조하면, 단계 600에서, 전자 건강 기록에서 조치가 선택되고, 단계 602에서, 조치의 결과가 선택된다. 조치 및 결과는, 혼동 매트릭스들이 이전에 생성되었던 이들 조치들 및 결과들로부터 각각 선택될 수 있다.
단계 604에서, 감별 진단으로부터 진단 쌍이 선택되며, 단계 606에서는, 선택된 진단 쌍에 대한 결과와 관련된 혼동 매트릭스에서 중첩 정도가 검색된다.
단계 608에서는, 예상되는 불명확성이 중첩의 정도로부터 얻어진다. 예상되는 불명확성은 다음과 같이 얻어질 수 있다.
진단들 Dm 및 Dn 각각의 사전 확률들 P(Dm), P(Dn)이 주어지면,
여기서 AA는 예상되는 불명확성, Ai는 i 번째 조치, Rj는 j 번째 결과, Dm,n은 m 번째 및 n 번째 진단 쌍을 나타낸다. 즉, 해당 시점에서 주어진 결과를 얻는데 예상되는 불명확성 AA는 수학식 4에 도시된 바와 같이, 셀의 행 및 열 주소들을 나타내는 진단들의 두 가지 사전 확률들의 프로덕트에 의해서 혼동 매트릭스의 각 셀에서 중첩 정도 DO를 가중화함으로써 계산될 수 있다.
단계 610에서, 진단 쌍들이 남아 있는지에 관한 결정이 이루어진다. 추가적인 진단 쌍들이 남아 있는 경우, 본 방법은 나머지 진단 쌍(들)에 대한 단계들 606 및 608을 반복하기 위해 단계 604로 복귀할 수 있다. 추가적인 진단 쌍들이 남아 있지 않을 경우, 본 방법은 단계 612로 진행할 수 있다.
본 방법의 실행이 단계 612에 도달하면, 특정 조치의 특정 결과에 대한, 감별 진단에 있어서의 임의의 가능한 진단 쌍들에 대해 예상되는 불명확성이 얻어진다.
단계 612에서는, 예상되는 불명확성들로부터 총 예상되는 불명확성이 얻어진다. 총 예상되는 불명확성은 다음과 같이 얻어질 수 있다.
여기서 TAA는 감별 진단에 있어서의 모든 진단 쌍들에 대해 얻은 총 예상되는 불명확성을 나타낸다.
단계 614에서는, 조치를 수행할 경우에 얻어지는 결과의 이득이 결정된다. 본 발명의 일 실시예에서, 이득은 총 예상되는 불명확성의 역(inverse)이다.
단계 616에서는, 단계들 604-614가 아직 실행되지 않은 임의의 결과가 남아 있는지에 대한 결정이 이루어진다. 그러한 결과들이 전자 건강 기록들에 남아 있는 경우, 본 방법은 단계 602로 북귀하여 다른 결과를 선택할 수 있다. 그러한 결과가 남아 있지 않을 경우, 본 방법은 단계 618로 진행할 수 있다.
단계 618에서는, 단계들 602-616이 아직 실행되지 않은 임의의 조치들이 남아 있는지 여부에 대한 결정이 이루어진다. 그러한 조치들이 전자 건강 기록들에 남아 있는 경우, 본 방법은 단계 600으로 복귀하여 다른 조치를 선택할 수 있다. 그러한 조치가 남아 있지 않을 경우, 본 방법은 단계 620으로 진행할 수 있다.
본 방법의 실행이 단계 620에 도달하면, 임의의 조치의 임의의 기존 결과에 대한, 감별 진단에 있어서의 임의의 가능한 진단 쌍들에 대한 이득들이 얻어진다.
단계 620에서는, 감별 진단을 명확하게 하기 위해, 가장 높은 이득을 생성하는 결과들과 관련된 조치들이, 관련된 확률들에 기초하여 선택될 수 있다. 선택되는 조치들은, 관련된 확률들과 함께, 관련 확률들에 따라 조치들이 정렬될 수 있는 리스트에 컴파일될 수 있다. 이 선택을 수행함으로써 도 7을 참조하여 설명된 바와 같이, 비용에 대해 후속적으로 평가될 조치들의 개수를 제한하고 및/또는 의사에게 제시될 조치들의 개수를 제한할 수가 있다. 특정 임계값보다 높은 이득을 갖는 조치들이 선택될 수 있으며 및/또는 선택되는 조치들이 선택 조치들의 최대 개수로 제한될 수 있다.
가장 큰 이득을 갖는 결과는 본 발명의 일 실시예에 따라, 결과를 야기하는 조치를 수행함으로써 얻어지는 가장 유용한 것이다. 현재 환자에 대한 감별 진단의 일 부분인 이 진단들만에 대하여 수학식 (4) 및 (5)에서 가중 및 합산 단계들을 수행하는 것이 유리할 수 있다. 즉, 조치의 이득은 해당 조치의 결과들이 고려중인 감별 진단에 있어서 다양한 진단들(Dn)의 확률 P(Dn)를 시프트할 가능성이 높은 정도이다.
도 7은 본 발명의 하나 이상의 실시예들에 따른, 임상 조치들을 수행하는 것과 관련된 비용들을 계산하는 방법을 설명하는 흐름도를 도시한 것이다.
환자에 대하여 취할 수 있는 임의의 조치는 비용을 가지며, 그 값은 이하에서 상세하게 설명되는 다양한 인자들에 의존할 수 있다. 자신이 행할 수 있는 가능한 조치들 중 하나를 수행하겠다는 의사의 결정은 비용 대비 이득의 비율을 최대화하여, 건강 관리 전달(health care delivery)의 효율성을 극대화함으로써 통보될 수 있다. 주어진 조치가 복수의 결과들과 관련될 수 있기 때문에, 조치의 이득은 다양한 결과들의 이득들의 합을 나타낸다. 조치의 효율성은 그 조치의 비용으로 나눈 이득들의 합이다. 의사는 상대적 효율성들을 사용하여 어떤 조치를 취할지 결정할 수 있다. 또한, 이 결정은 데이터베이스 또는 결과 측정에 의해 포착되지 않는 주관적인 고려사항들을 포함할 수도 있으며, 따라서 설명된 방법들의 권고 특성을 포함할 수 있다.
주어진 조치에 대한 비용 함수는 환자의 아직 알려지지 않은 상태에 따라 그 기여도가 달라지는 위험 및 지연과 같은 복잡한 용어뿐만 아니라 조치를 수행하는(예를 들어, 혈액 샘플을 수집하고 이에 대한 일련의 화학적 테스트를 수행하는) 금융 비용과 같은 비교적 간단하고 일정한 용어들을 포함할 수 있다. 함수 내의 모든 용어들은 공통 단위로 변환되어야 하며, 이 단위에 대하여 아래의 예들에서는 달러로 가정하지만, 이것은 차원이 없는 정규화를 포함하는 임의의 단위들일 수 있다.
위험 및 지연은 그 결과를 환자에게 금전적으로 환산함으로써 달러 표시 비용으로 변환될 수 있다. 이를 위해서는 시간과 병적 상태를 돈으로 변환해야 한다. 이러한 변환은 QALY(Quality Adjusted Life Years)를 사용하여 다양한 금전 비용을 갖는 각종 치료법들의 상대적 결과를 평가하는 의료 보험 업계에 잘 알려져 있다. 상태에 대한 치료의 유익한 효과들은 환자의 남아 있는 자연적 삶의 질을 향상 시키는 것이거나 치명적인 질병으로부터 사망을 지연시키는 것이거나 이들 모두일 수 있다. 상태를 진단하고 치료를 시작하는데 지연이 있으면 이러한 이득들이 지연될 수 있다. 진단 절차 또는 치료의 위험에는 환자의 남은 삶의 질 및/또는 지속 기간을 감소시킬 수 있는 부작용이 포함되며, 이것은 이러한 부작용의 진단 및 치료와 관련된 결과 비용들을 발생시킬 수 있다. QALY들을 달러로 변환하는 것은 사회 및 의료 시스템마다 다를 수 있는 변환 인자를 필요로 한다. 예를 들어, 어떤 사회는 1년 동안 건강한 삶을 연장하거나 10년 동안 삶의 질을 10% 향상시키는 것과 같이 하나의 QALY 이득을 생성하는 경우에 정당화될 수 있는 $10,000 미만의 비용의 조치들을 생각할 수 있다. 이것은 암시적으로 1 QALY = $10,000로 평가한다.
이득들이 상이한 시간들에 있어서 발생하는 경우, 디스카운트 인자를 적용하여, 장래의 이득들이 즉각적인 이득들보다 덜 중요하게 평가되도록 하는 것이 경제학에 있어서 일반적인 것이다. 본 발명의 일 실시예에서는, 디스카운트 인자가 비용 및 이득의 계산에 도입될 수 있다. 해당 디스카운트 인자의 해당 값은 다양한 타입의 건강 관리를 평가하기 위해 시스템적으로 변화될 수 있다. 예를 들어, 큰 디스카운트 인자로 인하여 아래에서 설명되는 계산들이 환자의 현재 호소 증상을 해결할 수 있는 조치들을 우선시하는 경향이 있는, 주어진 조치의 즉각적인 결과에 더 높은 가중치를 부여하게 된다. 반대로, 작은 디스카운트 인자로 인하여 아래에서 설명되는 계산들이 건강한 환자와의 일반적인 협의의 일부로서 더 적절할 수 있는, 환자의 평생 동안 비용을 축소시키거나 이득을 제공할 수 있는 이러한 조치들에 더 높은 가중치를 부여하게 된다.
도 7을 참조하면, 단계 700에서, 감별 진단의 명확성을 위해 적합한 일련의 조치들이 선택된다. 이 선택은 도 6에서 설명된 바와 같이 식별되는 조치들 또는 이들 조치들의 서브세트를 포함할 수 있다.
단계 702에서는, 감별 진단으로부터 진단이 선택된다.
단계 704에서는, 선택된 진단을 확인하기에 적합한 조치들의 서브세트가 선택된다. 이러한 조치들은 도 6의 방법의 실행 이후에 얻어진 조치들로부터 선택되는 감별 진단을 명확하게 하는데 특히 도움이 되는 조치들을 포함할 수 있다.
단계 706에서는, 앞서 논의된 바와 같은 조치와 관련된 각종 비용들에 기초하여, 이들 조치들 각각에 비용이 할당된다.
단계 708에서는, 단계들 704 및 706이 아직 실행되지 않은 하나 이상의 진단들이 감별 진단에 남아 있는지 여부에 대한 결정이 이루어진다. 그러한 진단들이 남아 있는 경우, 본 방법은 단계 702로 복귀하여 다른 진단을 선택할 수 있다. 진단이 남아 있지 않은 경우, 본 방법은 단계 710으로 진행할 수 있다.
단계 710에서는, 모든 비용들의 확률 가중 합을 사용하여, 수행될 모든 조치들에 대한 총 비용이 얻어진다.
도 7의 방법은 도 8을 참조하여 상세하게 후술되는 바와 같이, 예를 들어 마르코프 체인과 같은 접근법을 사용하여 수행될 수 있다.
도 8은 본 발명의 하나 이상의 실시예들에 따라, 특정 환자가 특정 상태를 갖는다는 결정으로 이어질 수 있는 일련의 가능한 상태들 및 조치들과 관련된 비용들을 얻기 위한 예시적인 계산을 도시한 것이다.
각각의 그러한 조치의 유효 비용을 추정하는데 필요한 컴퓨팅 파워의 양을 제한하기 위해, 높은 이득들을 갖는 것으로 이미 결정된 조치들을 먼저 선택하는 것이 유리할 수 있다. 주어진 위험 또는 지연의 결과들은 감별 진단의 대상인 아직 알려지지 않은 상태를 포함하는 환자의 실제 상태(들)에 따라 달라질 수 있다. 예를 들어, 하나의 상태를 다른 것보다 더 빨리 치료하는 것이 훨씬 더 중요할 수 있으므로, 테스트 지연으로 인해 이러한 각 상태를 가진 환자들에 대한 비용이 달라질 수 있다. 유효 비용은 발생되는 그들의 확률들에 따라 현재 및 미래 단계들의 모든 비용을 비례 배분한 다음 통합하는 분기, 비-회귀 마르코프 체인 모델을 사용하여 평가될 수 있다.
도 8에 도시된 예에서, 3개의 대안적인 진단 DA, DB 및 DC는 우리가 예시 값들을 제시했던 사전 데이터에 기초하여 상이한 사전 확률들을 갖는다: 각각, P(DA) = 0.2, P(DB) = 0.3 및 P(DC) = 0.5. 진단 조치 1과 조치 2가 상기 정의된 바와 같은 실질적인 이득을 가지고 있는 것으로, 즉, 이들 모두가 적어도 하나의 진단(즉, Pconclusion = 0.99)에 대해 확률이 99%를 초과하는 확정적 진단을 야기하는 것으로 가정한다. 이 그래프들은 실제로 A, B 또는 C 상태들을 가진 전자 건강 기록 데이터베이스에서 환자들에 대한 조치 결과(가로 좌표)의 주어진 값을 얻기 위한 확률 밀도 함수들을 보여준다. 조치 1은 상태 C를 A 및 B와 구별지을 수 있으나 A 및 B를 서로 구별지을 수 없고(큰 중첩), 조치 2는 상태 A를 B 및 C와 구별지을 수 있지만 B 및 C를 서로 구별지을 수 없음을 알 수 있다. 목표가 효율성을 최적화하는 것이므로, 조치의 이득을 조치 비용으로 나누어야 하지만, 이 비용은 아직 알려지지 않은 환자가 실제로 어떤 상태에 있는지에 따라 달라지게 된다. 각 상태의 환자에 대한 각 조치의 비용은 환자가 해당 상태를 갖는 상태에서의 사전 확률에 의해 비례 배분된다. 주어진 상태를 가진 환자가 그러한 환자들에 대한 테스트 결과의 가장 가능성 있는 값(예시된 결과들의 정규 분포에서의 평균값)을 얻을 것이라고 가정하면, 새로운 결과가 해당 상태의 확정적 진단으로 이어지거나 또는 해당 진단을 확인 또는 반박하기 위한 추가 진단 조치를 필요로 하게 될 확률을 계산할 수 있다.
도 8의 상태도를 참조하면, 진단 C(현재 가장 가능성 있음)가 환자의 진정한 상태이고 조치 1이 취해지면, 비용 C1.C를 수반하게 되고 확률 P(DC)>0.99인 진단의 확인으로 이어진다. 진단 A가 환자의 진정한 상태이고 조치 1이 취해지면, 비용 C1.A를 수반하게 된다. 가장 가능성 있는 결과는 상태 1.1.A로 이어지며, 여기서는 진단 C가 제외되고 진단 A의 확률이 이제 0.8이고 진단 B의 확률은 0.2이다. 진단 B가 환자의 진정한 상태이고 조치 1이 취해지면, 비용 C1.B를 수반하게 된다. 가장 가능성 있는 결과는 상태 1.1.B로 이어지게 되며, 여기서는 진단 C가 제외되고 진단 A의 확률이 이제 0.1이며 진단 B의 확률은 0.9이다. 상태 1.1.A와 상태 1.1.B 모두에 대해, 조치 2는 그것의 결과들이 현재 수행중인 유일한 두 가지 진단을 구별지을 가능성이 있기 때문에 유용하다. 실제로 상태 A를 가진 환자는 이제 비용 C2.A를 경험하게 될 것이며, 진단 A가 확인되는 상태 1.1.2.A에 이르게 될 것이다. 실제로 상태 B를 가진 환자는 이제 비용 2.B를 경험하게 될 것이며, 진단 B가 확인되는 상태 1.1.2.B에 이르게 될 것이다.
도 8에 도시된 상태도에 대한 설명을 계속하면, P(DA) = 0.2, P(DB) = 0.3 및 P(DC) = 0.5의 사전 확률들을 갖는 상태 1의 환자는 조치 1 대신에 먼저 조치 2를 받게 될 수 있다. 진단 A가 실제로 환자의 진정한 상태라면, 비용은 C2.A가 될 것이며 조치 2의 가장 가능성 있는 결과는 P(DC)>0.99인 상태 1.2.A에서 이 진단을 확인하는 것이다. 진단 B 또는 C 중 어느 것이 이 환자의 정확한 상태라면, 후속적으로 조치 1을 수행하는 것이 유용할 것이며, 이것은 정확한 상태의 확정적 진단으로 이어질 가능성이 높아지게 된다. 조치 1의 비용은 상이한 상태들을 갖는 환자들에 따라 다르며 그것들을 초래할 확률은 환자가 실제로 각 상태를 가질 확률에 달려있다.
초기 상태 1에서 시작하는 2개의 이용 가능한 조치들 중 하나를 취하는 가장 가능성 있는 비용들이 이제 비교될 수 있다. 조치 1로 시작하는 확률 가중 총 비용은 0.2*(C1.A+C2.A) + 0.3*(C1.B+C2.B) + 0.5*C1.C이다. 조치 2로 시작하는 확률 가중 총 비용은 0.2*C2.A + 0.3(C2.B+C1.B) + 0.5(C2.C+C1.C)이다. 도 6에서 설명된 방법에 의해 계산되는 상태 1에 있을 때 각각의 조치로 시작하는 이득들이 이제 비용 알고리즘의 예시적인 구현에 의해 계산되는 각 조치로 시작하는 가장 가능성 있는 비용들과 결합됨으로써 의사에게 제시되는 이용 가능한 조치들의 순서를 결정하는 이득/비용 랭킹에 도달하게 된다. 일반적으로, 실제 상태들을 가진 실제 환자들의 실제 상태들을 나타내는 마르코프 체인과 더 많은 이용 가능한 조치들 및 결과들의 세트는 매우 이상화된 이러한 예보다 훨씬 더 복잡하다. 당업자는 도 7의 방법이 도 8의 예에 한정되지 않음을 인식할 것이다.
의사는 어떤 조치를 수행할지를 결정하기 위해 도 8에 도시된 타입의 정보 중 일부 또는 전부를 사용할 수 있다. 의사는 간단하게 이 통계 분석에 의해 예측되는 가장 큰 이득/비용을 가진 경로를 착수할 수 있다. 대안적으로, 의사는 개별 위험 인자, 개인적인 전문 경험 또는 진단적 예감을 기반으로 다른 경로를 선택할 수도 있으며, 이 경우 각 예상되는 상태에서의 마르코프 체인들과 이들의 예상되는 이득들 및 비용들 모두를 시각화함으로써 가능한 진단들 또는 비용들이 간과되지 않았는지 확인하도록 하는 것이 유리할 수 있다. 환자에 대한 특정 조치 이후, 베이시안 추론에 따라 실제 결과들에 기초하여 확률들이 업데이트될 수 있으며, 의사는 이 정보를 사용하여 새로운 마르코프 체인의 유사한 계산을 기반으로 환자의 진단 또는 치료에 대한 추가 결정을 내릴 수도 있고, 이것은 수정된 확률들 및 Pconsideration보다 크거나 작은 이 수정된 확률들에 기초한 다양한 진단들의 포함 또는 제외를 포함할 수 있다.
아래에서 설명되는 유스 케이스 시나리오는 전자 건강 기록들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 방법의 예들을 제공하기 위한 것이다. 이러한 유스 케이스 시나리오는 단지 예시적인 것이며, 도 3 내지 도 7에 의해 설명된 방법은 이러한 유스 케이스들에 의해 제한되지 않는다.
유스 케이스들을 참조하면, 전자 건강 기록 데이터베이스가 현재의 두통 호소 증상과 관련된 세 가지 진단, 즉 긴장성 두통, 바이러스성 뇌염 및 뇌수막종(비-악성 뇌종양)만을 포함하는 것으로 가정하도록 한다. 다음과 같은 단 2개의 관련 진단 조치들이 존재한다: 스파이널 탭(spinal tap) 및 MRI(magnetic resonance imaging). 다음과 같은 단 3개의 관련 치료 조치들이 존재한다: 아스피린, 아시클로비르(정맥내 항바이러스제), 개두술(종양 제거를 위한 뇌수술). 이러한 유스 케이스들에 의해 참조되는 도 9a 내지 도 9d에서, 밑줄친 텍스트는 사용자 또는 에이전트에 의해 시스템에 입력된 데이터를 나타내며, 기울임꼴 텍스트는 시스템에 의해 사용자에게 제공되는 정보를 나타낸다.
유스 케이스 1 - 환자를 치료하는 의사(1)
도 9a를 참조하면, 의사가 새로운 환자에 대한 인구 통계학적 정보 및 현재의 호소 증상을 입력한 후에, 시스템은 자동적으로 환자의 상태가 되는 확률에 따라 우선 순위가 정해진 코드화된 진단들의 리스트, 및 전술한 방법들에 의해 결정되는 그들의 이득/비용에 따라 우선 순위가 정해진 코드화된 진단 조치들의 리스트를 제공한다. 의사는 이 특정 환자에 대해 실행할 수 있는 임의의 또는 모든 세 가지 진단을 선택한 다음 의사의 의견으로 이 환자에게 가장 합리적인 진단 조치로 MRI 테스트를 선택할 수 있다.
유스 케이스 1 - 환자를 치료하는 의사(2)
도 9b를 참조하면, MRI 테스트의 결과들이 환자의 전자 건강 기록에 추가된 후에 환자가 복귀했다. 이 결과들은 Pconclusion를 초과하는 99%로서 뇌숨막종을 가질 확률을 두고 있다. 의사가 이것을 환자의 상태로 받아들였기 때문에, 이제 시스템은 전술한 방법들에 의해 결정되는 그들의 이득/비용에 따라 우선 순위가 정해진 코드화된 치료 조치들의 리스트를 디스플레이한다. 의사는 의사의 의견으로 이 환자에게 가장 합리적인 임의의 또는 모든 치료 조치들을 선택할 수 있다.
유스 케이스 2 - 환자 셀프 치료(의사로서 조치)
도 9c를 참조하면, 개별 소비자는 자신의 건강 문제를 이해, 진단 및/또는 치료하기 위해 시스템을 사용할 수 있다. 인구 통계학적 정보 및 그들의 문제에 대한 정보를 입력한 후, 시스템은 유사한 문제를 가진 수많은 유사한 개인들에 대하여 얻어진 진단들, 진단 조치들 및 결과들을 나타내는 전자 건강 기록 데이터베이스를 기반으로, 유용할 수 있는 우선 순위가 정해진 코드화된 진단들의 리스트 및 우선 순위가 정해진 진단 조치들의 리스트를 생성한다. 이 경우, 전문 의사 없이도 진단 조치들 중의 하나의 진단 조치 MRI만이 이용 가능할 수 있으며, 시스템은 소비자와 동일한 집 코드에 이미징 머신을 가지고 있는 상용 MRI 테스트 제공 업체에 대한 링크를 표시한다. 해당 테스트 결과가 MRI 서비스 또는 소비자 환자에 의해 자동으로 또는 수동으로 이 소비자 환자의 전자 건강 기록에 입력되면, 시스템은 현재 가능한 진단들의 리스트를 다시 우선 순위 지정하고, 도 9c에서 설명된 것과 유사한 우선 순위가 정해진 가용 치료 조치들의 리스트를 제공한다. 소비자 환자는 아스피린 복용과 같은 일부 치료 조치들을 위해 자신을 치료하기로 결정할 수도 있고 개두술와 같은 다른 것들에 대한 전문적 관리를 추구할 수도 있다.
유스 케이스 3 - 유행병학자 모니터링 커뮤니티 건강
도 9d를 참조하면, 시스템의 사용자는 공공의 건강에 대한 잠재적 위협을 식별하는 유행병학자일 수 있다. 사용자 인터페이스를 통해 유행병학자는 전자 건강 기록들에서 의심스러운 패턴들을 찾아낼 수 있다. 유행병학자는 해당 코드(예를 들어, D = 진단, T = 진단 조치, R = 치료 조치), 집 코드에 따른 지리적 관심 영역, 검색할 시간대 및 검색 집단에서 예상되는 코드 발생으로부터 벗어난 표준 편차의 수에 따라 측정되는 비정상(anomaly)의 크기에 따라 어떤 타입의 데이터를 검사할지를 선택할 수 있다. 도 9d는 뇌수막종에 대한 진단 D003이 전체 전자 건강 기록들에서 정규 인시던스로부터 벗어난 3.0 표준 편차인 인스던스로 집 코드 11111에서 발생한 유행병 조사 결과들의 예를 도시한 것이다. 이와 같은 특이한 발생은 유행병학자가 뇌수막종과 관련된 환경 오염 물질을 찾아내거나 의사들이 존재하지 않는 상태들에 대해 불필요한 의료 절차를 청구할 수 있는 보험 사기를 찾아내도록 유도할 수 있다.
일반적으로, 건강 기록 데이터베이스에 관한 하나의 기본 가정은 환자, 상태, 진단 테스트의 정확성 및 치료의 효능이 모두 데이터베이스에 나타나 있는 개체 집단 사이에 균일하게 분포되어 있다는 것이다. 따라서, 이러한 균일한 분포로부터 임의의 편차가 검출될 수 있다. 다음은 균일한 분포가 아닐 수 있는 상황들의 예이며, 여기서는 데이터베이스의 서브세트 내의 그러한 비정상의 발견이 공중 보건 당국, 정부 규제 기관, 법 집행 공무원, 보험자, 정치인 등에 대한 중요한 정보를 제공할 수 있다:
수질 오염이나 모기 등의 질병 매개체와 같은 지역의 환경적 위험은 해당 지역에 거주하는 환자들에 있어서의 비정상적으로 높은 인스턴스의 하나 이상의 특정 진단 발생을 야기할 수 있다.
연구소가 기술 부족이나 사기로 인해 부정확한 진단 테스트 결과를 산출할 수도 있으며, 이것은 테스트 결과가 해당 연구소에서 나온 환자들에 있어서의 비정상적으로 높은 인스턴스의 하나 이상의 특정 진단 발생을 야기할 수 있다.
의사가 치료를 주장하지만 이것을 시행하지 않았을 수도 있으며, 열악한 물리적 기술이나 저질 약제 처리와 같은 부적절한 치료를 제공할 수도 있고, 이것은 해당 의사의 진료를 받은 환자들이 전체적으로 데이터베이스에서 유사한 진단을 받은 환자들보다 일반적으로 빈약한 결과를 경험하거나 더 높은 비용을 초래할 수 있다.
환자 그룹이 직장 또는 장애 보험 혜택으로부터 타임 오프를 얻으려고 꾀병을 부릴 수도 있으며, 이것은 특정 시간대나 지역에서 특정 진단의 발생률이 통계적으로 거의 증가하지 않는 것을 야기할 수 있다.
전자 건강 기록 데이터베이스는 통상적으로 각 환자의 지리적 위치, 진단 또는 처방 치료를 하고 있는 의사 또는 클리닉의 아이덴티티, 진단 테스트 데이터의 출처 등에 관한 메타 데이터를 포함할 것이며, 이들 모두는 그러한 구별되는 특성을 공유하는 환자들의 서브세트에서 위와 같은 비정상들을 발견하는데 사용될 수가 있다. 각 환자에 대한 치료의 각 단계에서, 전술한 방법들은 각각의 확률들이 Pconsideration를 초과하는 각각의 감별 진단들로 진행할 확률을 계산한다. 충분히 큰 유사한 환자들의 서브세트가 주어지면, 통계학 분야의 당업자에게 잘 알려진 간단한 테스트들을 적용하여, 환자들의 서브세트에서의 진단 분포가 데이터베이스 전체를 구성하는 모집단 내에서의 가변성에서 예상되는 것과 일치할 확률을 결정할 수 있다. 확률이 일부 관리 기준보다 낮으면, 해당 정보를 사용하여 비정상의 근본 원인을 확인하기 위한(만약에 있다면) 조사를 트리거할 수 있다.
유스 케이스 4 - 전자 건강 기록 사용자 인터페이스에서 자동 완성 특징
본 발명의 실시예들은 환자의 전자 건강 기록에 대한 데이터 입력을 용이하게 하고 향상시키는데 사용될 수 있다. 특히, 사용자 인터페이스에서, 의사가 데이터를 입력할 시의 용어 제안을 하기 위해 전술한 방법들의 예측 능력이 이용될 수 있다.
현재 이용 가능한 전자 건강 기록들의 주된 문제점들 중 하나는 의사의 환자 평가 및 환자에 대한 계획에 관한 중요한 정보의 대부분이 표준 키워드 및 숫자 코드에 따라 캡처되는 것이 아니라 의사의 노트로부터 전자 건강 기록으로 타이핑되거나 잘라내어 붙여지는 자유 텍스트로 캡처된다는 점이다. 이러한 자유 텍스트를 표준 키워드 및 숫자 코드로 번역하는 것은 번거로우며 사람이 수행하든 기계가 수행하든 오류가 발생하기 쉽다. 의사가 표준 키워드 및 숫자 코드를 찾을 수 있는 메뉴 및 탭이 있는 기존의 그래픽 사용자 인터페이스를 사용할 수는 있지만, 이들은 특히 의사가 신체 검사에 있어서 환자 때문에 바쁠 경우에 사용하기가 번거롭다. 임상 관찰, 진단, 치료 및 결과에 대한 광범위한 의학 용어는 스마트 폰의 메시징 응용 프로그램에서 일반적인 단어를 선택하고 입력하는데 일반적으로 사용되는 일종의 예상 단어 완성 소프트웨어를 사용하는 것을 어렵게 만든다.
본 발명의 실시예들은 단어 완성 소프트웨어와 유사지만 그것이 실제로 개별 환자와 함께 전개되는 의료 상호 작용의 실제 프로세스들에 훨씬 더 잘 조화를 이루게 되는 지능형 예상 기능을 가능하게 한다. 본 발명에 의해 제공될 수 있는 감별 진단, 추가 테스트 및 치료 옵션들에 대한 확률 순서 제안은 전자 건강 기록을 위한 데이터 입력 시스템에 링크될 수 있다. 의사 또는 다른 건강 관리 제공자는 보편적 의학 용어의 큰 계층 구조를 들춰볼 필요 없이 관련성이 높은 옵션 리스트에서 특정 항목을 단순히 선택하고 및/또는 이에 동의할 수 있다.
이 실시예의 사용은 장시간에 걸쳐 전자 건강 기록들의 품질을 향상시키게 되는 표준화 용어의 이용을 장려하고 용이하게 한다. 이러한 개선으로 인해 전술한 바와 같이, 진단 및 치료 목적들을 위한 전자 의료 기록들의 유용성이 증가하게 되며, 따라서 전술한 방법들의 광범위하고 효율적인 활용이 용이하게 된다.
유스 케이스 5 - 건강 유지 관리
본 발명의 실시예들은 환자가 특정 호소 증상을 제시하는 것과 대조적으로, 자신의 건강이 정기적으로 모니터링되는 클라이언트가 되는 건강 유지 관리 환경에서 사용될 수 있다. 이러한 관리 관계에서, 환자는 여전히 자신의 호소 증상들 중 오컬트이거나 그렇지 않은 다양한 의학적 상태들을 가질 가능성이 있으며 적절한 스크리닝 테스트에 의해 이것을 발견할 수 있다. 건강 유지 관리 관계의 목적은 고객의 전체 수명 동안 고객의 건강을 최대화하는 것이며, 이것은 "건강한 환자(well-patient)" 진단의 확률을 최대화하는 것으로 수량화될 수 있다. 주어진 조치를 수행하는 비용/효과는 단순히 다음 정기 검사를 계획하는 조치의 비용/효과에 대해 평가되어야 하며, 그 때 증상이 보다 분명해질 수 있거나 또는 결정적인 결과를 제공할 확률이 더 높을 수 있다. 따라서, 전자 건강 기록 데이터베이스는 예방 의학을 실행하는 방법을 환자별로 결정하는데 사용될 수 있다. 예를 들어, 유방암을 가지고 있을 특정 확률이 있는 인구 통계학적 그룹의 환자는 다른 유사한 환자에서의 그러한 진단 절차의 결과 분포(환자 중 일부는 암의 조기 진단으로 구제받았고 다른 환자들은 불필요한 수술을 받아 부작용을 일으켰음)를 토대로 유방 조영상을 촬영하거나 이것을 선취하도록 권고받을 수 있다. 환자는 유방 조영상을 촬영하지 말고 식단을 바꾸거나 및/또는 호르몬 대체 요법을 피하거나 및/또는 정기적 자기 검사를 수행하거나 및/또는 특정 간격 후에 다른 검진을 받을 것을 권고받을 수 있다. 이러한 가능한 조치들 중 일부는 그 자체로 환자의 일반 건강에 악영향을 미칠 수 있다. 예를 들어, 상기한 호르몬 대체 요법은 골절 위험 증가로 골다공증의 가능성을 증가시킬 수 있다. 유방암 및 엉덩이 골절에 대한 상대적 위험 및 비용 측정은 골밀도 스캔과 같은 이 환자에 대한 추가 정보를 얻음으로써 더 잘 알 수 있다. 이 특정 환자의 낮은 골밀도 값은 호르몬 대체 요법을 진행하거나 운동 프로그램을 시작하거나 식이 칼슘을 증가시키거나 이들 및 다른 조치들을 조합하여 해결할 수 있다. 본 발명은 이러한 가능한 조치 과정의 일부 또는 전부를 제안하고 언제든지 상대적 비용-효과에 대한 정보를 의사에게 제공하는데 사용될 수 있다.
보다 일반적으로, 건강 유지 관리 환경에서의 치료는 클라이언트의 전체 수명 동안 클라이언트의 건강을 최대화할 수 있는 라이프 스타일 선택에 관한 조언을 포함할 수 있다. 아래에서 보다 상세하게 설명되는 바와 같이, 그러한 조치의 유용성은 다양한 건강 상태 또는 질병 상태에 있을 확률들 및 다양한 질병 상태에 있는 사망률에 따라 수량화될 수 있으며, 본 알고리즘은 환자의 예상 수명 동안 그 비용들을 최소화하려고 노력할 수 있다. 이러한 옵션들과 제안들은 모든 전자 건강 기록들의 데이터베이스에서 인출한 데이터에 따라 우선 순위가 정해지고 그 유용성이 수량화될 수 있으므로, 의사로 하여금 일반적인 개인 조언보다 더 심각하게 고려하도록 환자에게 제공하게 동기를 부여할 수 있다.
유스 케이스 6 - 사회적 목표 달성
본 발명의 실시예들은 예를 들어 유행병 고려 사항에 기초하여 사회적 목표를 달성하는데 사용될 수 있다. 개별 환자를 치료하거나 치료하지 않는 비용은 낮지만 큰 사회적 비용을 수반하는 특정 의학적 상태들이 존재한다. 일 예로 항생제를 사용하여 비박테리아 및 자체 제한 바이러스 감염으로부터 발생할 가능성이 높은 호소 증상을 치료하는 방법이 있다. 이 경우, 항생제 비용과 환자의 위험은 매우 낮지만, 항생제의 광범위하고 장기적인 과다 사용은 다른 사람들에게 심각한 치료 불가능 질병을 일으킬 수 있는 항생제-내성 병원균을 유발하는 경향이 있다. 제 2 예에서는, 환자에 대하여 효과적으로 치료할 수 없지만 격리에 의해서 퍼지는 것을 막을 수 있는 홍역과 같은 전염성이 강한 질병으로부터 발생할 수 있음을 고려하도록 한다. 치료가 이루어지지 않기 때문에, 개별 환자에 대해 구체적인 진단을 내리는 것은 이득이 되지 않는다. 올바른 진단을 받은 경우에도, 격리를 실시하면 직접적인 환자에게는 아무런 도움이 되지 않는다. 상기 시나리오 및 다른 유사한 것들은 한 개인에게 바람직하거나 유익한 조치들 또는 비조치들이 많은 수의 개인에 의해 수행되어 다른 개인들에 의해 나오는 비용들을 발생시킬 경우 역효과를 낳게되는 경제학자들이 "커먼즈의 비극"이라고 부르는 것과 관련이 있다. 이러한 역효과의 조치들을 억제하는 효과적인 방법 중 하나는 세금을 부과하여 사회에 대한 미래 비용을 반영하도록 비용을 인상하는 것이다. 본 발명은 조치를 수행하거나 수행하지 않는 실제 비용에 가상 비용 형태로 세금을 부가함으로써 그러한 조치들을 포함시킬 수 있다. 상기한 제 1 예의 경우, 잠재적으로 불필요한 항생제 처방의 총 비용은 가상의 세금에 의해 증가될 수 있으며, 그 값은 입법자, 건강 관리 당국 또는 의학 협회와 같은 외부 대리인들에 의해 결정된다. 상기한 제 2 예의 경우, 진단되지 않았지만 전염성이 높은 질병에 대한 QALY의 비용은 전염의 결과를 고려하여 확대될 수 있으며, 이것은 입법자, 건강 관리 당국 또는 의학 협회와 같은 외부 대리인들에 의해 결정될 수 있다.
본 발명의 실시예들은 전자 건강 기록들의 정보에 기초하여, 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는데 사용될 수 있다. 본 발명의 실시예들은 최종, 확정적 진단 또는 치료를 달성하는데 사용될 수 있다. 또한, 본 발명의 실시예들은 결정적 또는 전제적인 것이 아니라 권고적 결과물을 생성하도록 또한 사용되거나 대안적으로 사용될 수 있다. 결정적 또는 전제적인 것이 아닌 권고가 되는 결과물을 생성하는 것이 중요할 수 있는 윤리적, 규제적, 법적 및 재정적 고려 사항은 오랫동안 남아 있게 된다. 이들 중 일부는 2016년 8월 5일에 발표된2016(http://www.fda.gov/downloads/MedicalDevices/DeviceRegulationandGuidance/GuidanceDocuments/UCM524904.pdf), SAMD(Software as a Medical Device)라는 명칭의 US FDA의 초안 지침 문서: 임상 평가에 논의되어 있다. 즉, 본 발명의 실시예들은 반드시 의학의 실행을 구성하는 것은 아니며, 잘못되었거나 쓸모없는 전문 지식, 절차 또는 알고리즘을 반드시 포함하는 것도 아니다. 오히려, 전자 건강 기록 데이터베이스와 전술한 방법들의 실행으로 인한 결과물은 전자 건강 기록 데이터베이스에 수집된 전자 건강 기록들에서 이용 가능한 모든 의사들에 의해 진단되고 치료되는 환자들에게서 관찰된 통계적 경향을 반영한다.
기본 베이시안 방법은 조치들을 엔티티들 및 실제 관찰된 결과들과 연관시키기 때문에, 단순히 공통적인 것보다 유용한 실행들을 자동으로 식별할 수 있다. 보다 구체적으로, 다수의 인스턴스들을 통해 의사가 전술한 바와 같이 환자에 대한 조치들을 수행하고 결과들 및 최종 진단을 전자 건강 기록 데이터베이스에 기록하기 때문에, 이 정보가 전술한 방법들에 이용 가능하게 되어, 전술한 방법들이 전문 의료인의 모범 사례에 기반한 수작업으로 작성된 알고리즘, 의료 저널 기사에서 전문 지식을 추출하는 인공 지능 알고리즘, 또는 진단 정보로부터 장기의 상태에 대한 추론을 행하는 생리학 모델에 시스템을 적용하려는 진단 시스템(이것은 불완전한 지식에 의해 매우 제한되며 특히 하나보다 많은 동시발생 병리학적 상태를 가진 환자들에 있어서 복잡한 상호 작용에 직면할 경우에 실패하게 됨)과 달리 의료 기술의 발전에 적응하고 공통 또는 모범 사례를 유지할 수 있게 된다. 또한, 베이시안 추론은 논리적 규칙이 아닌 확률에 기반하기 때문에, 전자 건강 기록들과 같이 통제가 불충분한 조건에서 수집된 데이터베이스를 오염시키는 필연적인 노이즈를 잘 처리한다.
본 방법들은 데이터베이스 내의 정보 외에 전문가의 지식 또는 모델을 요구하지 않기 때문에, 이들 알고리즘의 결과는 모든 임상 경험의 현재 전체성을 데이터베이스에 자동으로 반영할 수 있으며, 이것이 계속 증가하게 된다. 데이터베이스에 캡처되는 의사의 절차와 결정이 종종 비효율적이거나 오류가 있는 경우, 그 결정 시마다, 최종 진단이 일반적으로 정확하거나 현재의 실행 표준을 반영하는 것으로 의료계에 의해 적어도 받아들여지기만 한다면, 아무 상관없다. 따라서, 본 발명의 실시예들은 그들이 점차 증가하는 전자 건강 기록 데이터베이스에 나타날 시에 새로운 진단, 예방 및 치료 절차들을 자동으로 포함시킬 수 있으며, 데이터베이스에 이용 가능한 데이터의 양과 품질뿐만 아니라 실제 유틸리티에 따라 자동으로 가중치를 부여할 수 있다. 전자 건강 기록 데이터베이스가 초기에는 새로운 치료의 존재 또는 결과에 관한 정보를 거의 또는 전혀 갖지 않을 수 있지만, 본 발명의 실시예들은 전술한 방법들의 사용 과정에서 발생할 수 있는 새로운 임상 데이터를 전자 건강 기록들에 자동으로 포함시킬 수 있다.
베이시안 탐색은, 다차원 공간의 스파스 영역에서 오류 또는 아웃라이어 데이터에 의해 과도하게 영향을 받을 수 있는 다른 방법과 달리, 스파스 데이터와 관련된 문제점에 대하여 적어도 어느 정도 면제된다. 그것의 반복적이고 확률론적 특성으로 인해, 베이시안 탐색은 많은 수의 환자들로부터의 전자 건강 기록들의 고차원적이고 스파스한 데이터를 잘 다룬다. 전자 건강 기록들은 특히 "차원의 저주(the curse of dimensionality)"에 취약하다. 이러한 기록들의 데이터베이스에는 위에 나열된 다양한 진단 프로세스의 매우 큰 고속 증가 데이터 타입 세트가 포함된다. 제노타이핑(genotyping), 프로테오믹(proteomic) 및 마이크로바이오믹(microbiomic) 분석과 같은 새로운 진단 테스트가 이러한 데이터 타입을 기하 급수적으로 확장하기 시작했다. 이러한 높은 차원의 결과로, 전자 건강 기록은 "스파스(sparse)"한 것으로 설명되며, 그 이유는 데이터베이스 내에 많은 수의 개인이 존재하더라도, 이러한 모든 속성의 많은 특정 조합이 발생하는 상당한 수의 개인이 없거나 또는 어떠한 개인도 없을 수 있기 때문이다.
본 발명의 실시예들은 예방 및 치료를 포괄하기 위해 진단 활동을 넘어서 더 일반화할 수 있다. 치료들을 포함하도록 조치들을 정의하고 성공적인 치료와 관련된 값들의 변화를 포함하도록 결과들을 정의함으로써, 상태를 진단하는데 가장 효율적인 치료 방법을 찾아내는 것과 동일한 프로세스를 사용하여 그것을 치료하는데 가장 효율적인 방법을 찾아낼 수 있다. 일단 치료될 상태가 진단되고 나면, 전자 건강 기록 데이터베이스는 질의를 받아서 전자 건강 기록들에 기록된 임상 경험에 따라 성공적으로 치료된 상태와 일치하는 결과(결과 측정)를 생성할 수 있는 조치(즉, 치료)을 찾아낼 수 있다. 이 정의는 또한 주어진 조치가 진단 절차 및 치료로서 동시에 기능할 수 있게 하며, 상기한 바와 같은 치료 시험의 개념과 일치한다. "건강한 환자"의 진단 및 "장래의 건강한 환자 검진을 위한 스케줄"의 조치와 같은 널(null) 용어를 통합함으로써, 본 발명은 환자가 항상 적극적인 예방 의학의 관계에 관여되어 있는 건강 유지 관리 관계에 적용될 수 있다. 비용 및 이득의 가중에 대해 적절한 디스카운트 인자을 선택함으로써(상기 설명된 바와 같이), 본 발명은 즉각적인 호소 증상을 처리하거나 보다 긴 시간 동안 삶의 질을 최적화하는데 더 적합한 조언을 제공하도록 조정될 수 있다.
본 발명의 실시예들은 진단 자체에 의존할뿐만 아니라 국부적으로 변화하는 경향이 있고 시간의 경과에 따라 변화하는 경향이 있는 진단 및 치료 절차들과 관련된 다양한 실제 및/또는 귀속 비용들을 반영하여 결과물을 자동으로 조정할 수 있다.
본 발명의 실시예들이 반드시 규범적인 것으로 의도하는 것은 아니지만, 암시적 권고로부터 일상적으로 벗어나는 의사 또는 병원은 건강 관리 자원을 낭비하거나, 환자의 건강을 위협하거나, 또는 본 발명이 적용되는 데이터베이스에 있어서의 인지되거나 실제하는 부적합한 행동을 할 수 있다. 이러한 일상적인 일탈들은 본 발명의 실시예들에 의해 용이하게 검출되며, 그것들이 발생하는 이유를 알기 위해 조사를 트리거하는데 본 발명이 사용될 수도 있다. 반대로, 전자 건강 기록 데이터베이스에서 드문 조치들이 장애를 진단, 치료 또는 예방하기 위해 적어도 일부 의사에 의해 성공적으로 사용되는 경우, 그러한 조치의 이득들이 본 시스템의 이득 분석 엔진에 의해 계산될 수가 있으며, 이로 인해 그러한 조치들이 본 시스템에 의해 의사에게 제출된 조치 리스트에 나타나거나 및/또는 리스트에서 더 높아질 수 있다. 따라서, 본 발명의 실시예들은 건강 관리의 효율성을 개선하기 위해 필요하게 될 수 있다.
본 발명의 실시예들은 또한 그들의 증상 및 가능한 진단 및 치료법을 이해하고자 하는 환자들에게 적합할 수 있으며, 상업적 서비스를 통한 혈액 및 유전 테스트 및 메디컬 이미징과 같은 정교한 진단 절차에 대한 액세스를 가질 수 있다. 보험에 가입하지 않았거나 치료를 시도하는 환자들은 그들이 이용 가능한 진단 및 치료 옵션들의 범위와 해당 옵션들의 상대적 비용들에 대한 이해를 통해 큰 이득을 볼 수 있다. 하나의 비즈니스 모델에서, 환자들에게는 본 발명을 구성하는 소프트웨어, 알고리즘 및 데이터베이스에 대한 액세스가 무료로 제공될 수 있으며, 대신에도 9c를 참조하여 전술한 바와 같이 상업적 진단 및 치료 서비스에 대한 광고로부터 수익이 도출된다. 본 발명의 다양한 실시예들 및 설명들에서, "환자" 및 "의사"라는 용어는 상호 배타적인 엔티티들이 아니라 역할들을 기술한 것이다. 주어진 사람이 환자와 의사로서 동시에 기능할 수도 있다. 보다 일반적으로 "의사"란 특정 직업, 자격증, 학위, 면허 또는 기타 공식 인정서에 국한되지 않고 질병, 상해 및/또는 장애를 예방, 진단 및/또는 치료하는 자를 지칭한다. 환자 또는 간병인이 "의사"의 역할에서 본 발명을 사용할 수도 있다.
본 발명의 실시예들은 주어진 환자에 대해 어떤 경쟁적 치료가 안전하고, 효과적이며, 효율적이거나 또는 저렴할 수 있는지를 결정함으로써 "맞춤형 의학"을 지원하는데 특히 적합할 수 있다. 일반적으로, 그러한 결정을 알리기 위해 데이터를 개발하는 것은 큰 비용이 드는 매우 잘 통제된 임상 시험들을 필요로 한다. 그러한 임상 시험에서 얻은 데이터는 다른 유전적 분포나 다른 생활 양식을 가진 다른 개체군으로 일반화될 수 없으며, 새로운 치료법과 새로운 유전 마커가 개발됨에 따라 곧 쓸모없어지게 된다. 본 발명의 실시예들은 본 발명의 사용 과정에서 발생할 수 있는 임상 데이터를 건강 기록 데이터베이스에 자동으로 통합할 수 있게 한다. 본 발명의 실시예들은 그것들이 포함되는 수단에 관계없이 전자 건강 기록 데이터베이스에 나타나는 그러한 새로운 진단 및 치료 절차들을 자동으로 고려할 수가 있다.예를 들어, 특정 유전자 스크리닝 테스트의 결과가 특정 질병을 앓고 있거나 특정 치료에 반응할 확률과 상관 관계가 있는 경우, 이 테스트의 데이터가 전자 건강 기록 데이터베이스에 누적되므로, 본 발명의 실시예들은 주어진 진단의 확률 또는 치료의 유용성을 평가할 때 테스트가 수행되도록 권고함으로써 또는 이 결과를 고려함으로써 이 정보의 유용성을 자동으로 인식할 수 있다.
본 기술의 실시예들은 컴퓨팅 시스템 상에서 구현될 수 있다. 모바일, 데스크톱, 서버, 임베디드 또는 기타 타입의 하드웨어 조합이 사용될 수 있다. 예를 들어, 도 10에 도시된 바와 같이, 컴퓨팅 시스템(1000)은 하나 이상의 컴퓨터 프로세서(들)(1002), 관련 메모리(1004)(예를 들어, 랜덤 액세스 메모리(RAM), 캐시 메모리, 플래시 메모리 등), 하나 이상의 저장 장치(들)(1006)(예를 들어, 하드 디스크, 컴팩트 디스크(CD) 드라이브 또는 디지털 다기능 디스크(DVD) 드라이브와 같은 광학 드라이브, 플래시 메모리 스틱 등), 및 다수의 다른 요소들 및 기능들을 포함할 수 있다. 컴퓨터 프로세서(들)(1002)는 명령어들을 처리하기 위한 집적 회로일 수 있다. 예를 들어, 컴퓨터 프로세서(들)는 프로세서의 하나 이상의 코어 또는 마이크로 코어일 수 있다. 컴퓨팅 시스템(1000)은 또한 터치 스크린, 키보드, 마우스, 마이크로폰, 터치패드, 전자 펜 또는 임의의 다른 타입의 입력 장치와 같은 하나 이상의 입력 장치(들)(1010)를 포함할 수 있다. 또한, 컴퓨팅 시스템(1000)은 스크린(예를 들어, 액정 디스플레이(LCD), 플라즈마 디스플레이, 터치스크린, CRT(cathode ray tube) 모니터, 프로젝터, 또는 기타 디스플레이 장치), 프린터, 외부 스토리지 또는 임의의 다른 출력 장치와 같은 하나 이상의 출력 장치(들)(1008)를 포함할 수 있다. 하나 이상의 출력 장치(들)는 입력 장치(들)와 동일하거나 다를 수 있다. 컴퓨팅 시스템(1000)은 네트워크 인터페이스 연결(미도시)을 통해 네트워크(1012)(예를 들어, 근거리 통신망(LAN), 광역 통신망(WAN) 예를 들어 인터넷, 모바일 네트워크 또는 임의의 다른 타입의 네트워크)에 연결될 수 있다. 입출력 장치(들)는 컴퓨터 프로세서(들)(1002), 메모리(1004) 및 저장 장치(들)(1006)에 로컬 또는 원격으로(예를 들어, 네트워크(1012)를 통해) 연결될 수 있다. 다수의 상이한 타입의 컴퓨팅 시스템이 존재하며, 전술한 입출력 장치(들)가 다른 형태들을 취할 수도 있다.
본 기술의 실시예들을 수행하기 위한 컴퓨터 판독가능 프로그램 코드 형태의 소프트웨어 명령어들이 전체적으로 또는 부분적으로, 일시적으로 또는 영구적으로 CD, DVD, 저장 장치, 디스켓, 테이프, 플래시 메모리, 물리적 메모리, 또는 임의의 다른 컴퓨터 판독가능 저장 매체와 같은 비일시적 컴퓨터 판독가능 매체 상에 저장될 수 있다. 구체적으로, 소프트웨어 명령어들은, 프로세서(들)에 의해 실행될 때, 본 기술의 실시예들을 수행하도록 구성된 컴퓨터 판독가능 프로그램 코드에 대응할 수 있다.
또한, 전술한 컴퓨팅 시스템(1000)의 하나 이상의 요소가 원격 위치에 배치될 수 있으며, 네트워크(1012)를 통해 다른 요소들에 연결될 수도 있다. 또한, 본 기술의 실시예들은 복수의 노드를 갖는 분산 시스템 상에서 구현될 수도 있으며, 여기서 본 기술의 각 부분은 분산 시스템 내의 상이한 노드 상에 위치할 수 있다. 본 기술의 일 실시예에서, 노드는 별개의 컴퓨팅 장치에 대응한다. 대안적으로, 노드는 연관된 물리적 메모리를 갖는 컴퓨터 프로세서에 대응할 수도 있다. 대안적으로, 노드는 공유 메모리 및/또는 자원들을 갖는 컴퓨터 프로세서 또는 컴퓨터 프로세서의 마이크로 코어에 대응할 수도 있다.
본 발명이 제한된 수의 실시예와 관련하여 설명되었지만, 본 개시의 이점을 갖는 당업자는 여기에 개시된 바와 같은 본 발명의 범위를 일탈하지 않는 범위 내에서 다른 실시예들이 고안될 수 있음을 인식할 것이다. 따라서, 본 발명의 범위는 첨부된 청구 범위에 의해서만 한정되어야 한다.
Claims (46)
- 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체(CRM)로서, 상기 명령어들은, 전자 건강 기록(electronic health record)들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 시스템으로 하여금,
환자들의 복수의 전자 건강 기록들로부터,
환자들의 진단들과,
상기 진단들과 관련된 조치 결과들의 값들
을 획득하고;
상기 진단들에 대하여, 상기 조치 결과들의 값들의 통계적 분포들을 생성하고;
복수의 진단 쌍들에 대하여, 상이한 조치 결과들에 대해 개별적으로, 상기 통계적 분포들의 중첩을 결정하고;
각각의 진단 쌍에 대하여, 관련된 통계적 분포들의 중첩에 기초하여, 상기 진단 쌍을 명확하게 하기 위해 상기 관련된 조치 결과를 사용하는 이득을 획득하고;
진단되지 않은 상태의 환자에 대한 초기 감별 진단(differential diagnosis)을 획득하되,
상기 초기 감별 진단은 초기에 이용 가능한 환자 데이터에 기초한 복수의 초기 진단들을 포함하며, 또한
상기 복수의 초기 진단들의 각각의 초기 진단에는 상기 초기 진단이 환자의 상태를 정확하게 식별할 확률이 할당되고;
진단 쌍들에 대해 획득된 조치 결과들의 이득들에 기초하여, 상기 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 복수의 조치들을 식별하며; 또한
상기 복수의 조치들 중에서 선택되는 조치들의 서브세트, 및 관련된 이득들을 의사에게 제공하는 것을 가능하게 하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 1 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금,
일련의 연속적인 조치들을 실행하기 위한 비용들을 획득하는 것을 더 가능하게 하며, 상기 일련의 연속적인 조치들 각각은 상기 감별 진단을 명확하게 하기 위해 상기 복수의 조치들 중에서 선택되는 조치들을 포함하고,
상기 조치의 서브세트를 제공하는 것은 관련된 비용들을 의사에게 제공하는 것을 더 포함하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 2 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금,
업데이트된 감별 진단의 업데이트된 진단들과 관련된 확률들이 결론 임계값보다 낮다고 결정하는 것에 기초하여,
업데이트된 전자 건강 기록을 사용하여, 업데이트된 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 업데이트된 복수의 조치들을 식별하고;
업데이트된 복수의 조치들 중에서 선택되는 업데이트된 일련의 연속적인 조치들을 실행하여 업데이트된 감별 진단을 명확하게 하기 위한 업데이트된 비용들을 획득하며; 또한
업데이트된 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 조치들 및 그들의 관련 업데이트된 비용들을 의사에게 제공하는 것을 더 가능하게 하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 2 항에 있어서,
일련의 조치들을 실행하기 위한 비용들을 얻는 것은,
일련의 조치들 각각에 대하여,
상기 일련의 조치들의 각각의 조치에 비용을 할당하는 것; 및
상기 일련의 조치들의 조치들에 대한 비용들의 확률 가중 합을 사용하여 상기 일련의 조치들에 대한 비용을 획득하는 것을 포함하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 2 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금, 하나 이상의 조치들의 이득들 및 비용들로 구성되는 그룹 중에서 선택되는 것을 제공하여 상기 초기 감별 진단 중에서 선택되는 하나 이상의 초기 진단들을 처리하는 것을 더 가능하게 하고,
상기 이득들 및 비용들은 환자들의 복수의 전자 건강 기록들로부터 결정된 각각의 선택된 초기 진단의 성공적인 치료의 진단으로 이어지는 그들의 확률에 기초하여 계산되는 것인, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 2 항에 있어서,
의사에게 제공되는 상기 조치들의 서브세트는 상기 복수의 조치들 중에서 선택되는, 가장 높은 이득 대 비용 비율을 갖는 조치들을 포함하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 1 항에 있어서,
의사에게 제공되는 상기 조치들의 서브세트는 상기 복수의 조치들 중에서 선택되는, 가장 높은 이득의 조치들을 포함하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 1 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금,
의사로부터, 환자에 대한 조치를 수행한 것으로부터 얻어진 결과를 수신하고 - 환자에 대하여 수행되는 상기 조치는 의사에게 제공되었던 조치들의 서브세트 중에서 선택되는 것임 -;
상기 조치 및 상기 결과를 아카이빙(archiving)하여 환자의 전자 건강 기록을 업데이트하며; 또한
진단되지 않은 상태의 환자에 대한 업데이트된 감별 진단을 획득하는 것을 더 가능하게 하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 8 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금,
업데이트된 감별 진단의 하나의 업데이트된 진단과 관련된 확률이 결론 임계값보다 높은 것으로 결정하는 것에 기초하여,
상기 업데이트된 진단이 환자의 상태와 매칭되는 것으로 결론을 내리는 것을 더 가능하게 하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 9 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금,
환자의 상태와 매칭되는 상기 업데이트된 진단으로 환자의 전자 건강 기록을 업데이트하는 것을 더 가능하게 하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 8 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금, 환자의 전자 건강 기록을 업데이트한 이후에,
진단들을 명확하게 하기 위해 상기 관련된 조치 결과들을 사용하는 이득들을 업데이트하는 것을 더 가능하게 하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 1 항에 있어서,
복수의 혼동 매트릭스들이 조치 결과들의 이득들을 저장하는데 사용되며, 또한
상기 복수의 혼동 매트릭스들의 각각의 혼동 매트릭스는 상기 통계적 분포들이 생성된 진단들을 명확하게 하기 위한 조치 결과의 이득을 나타내는, 조치 결과 고유의 것인, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 1 항에 있어서,
상기 초기에 이용 가능한 환자 데이터는 환자 인구 통계, 환자 호소 증상들, 환자 생체 신호들 및 환자의 전자 건강 기록으로 구성된 그룹 중에서 선택되는 적어도 하나를 포함하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 1 항에 있어서,
상기 초기 감별 진단을 확립하는 것은 상기 복수의 초기 진단들로부터의 고려 임계값보다 낮은 확률을 갖는 진단들을 제거하는 것을 포함하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 1 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금, 그래픽 디스플레이 상에 진단되지 않은 상태의 환자에 대한 초기 감별 진단을 디스플레이하는 것을 더 가능하게 하며, 상기 그래픽 디스플레이 상에 디스플레이되는 상기 복수의 초기 진단들이 그들의 확률들에 따라 정렬되는 방식으로 디스플레이되는, 비일시적 컴퓨터 판독가능 매체(CRM). - 제 15 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금, 상기 복수의 초기 진단들 중 적어도 하나의 선택을 수신하는 것을 더 가능하게 하는, 비일시적 컴퓨터 판독가능 매체(CRM). - 전자 건강 기록들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 방법으로서,
환자들의 복수의 전자 건강 기록들로부터,
환자들의 진단들과,
상기 진단들과 관련된 조치 결과들의 값들
을 획득하는 단계;
상기 진단들에 대하여, 상기 조치 결과들의 값들의 통계적 분포들을 생성하는 단계;
복수의 진단 쌍들에 대하여, 상이한 조치 결과들에 대해 개별적으로, 상기 통계적 분포들의 중첩을 결정하는 단계;
각각의 진단 쌍에 대하여, 관련된 통계적 분포들의 중첩에 기초하여, 상기 진단 쌍을 명확하게 하기 위해 상기 관련된 조치 결과를 사용하는 이득을 획득하는 단계;
진단되지 않은 상태의 환자에 대한 초기 감별 진단을 획득하는 단계로서,
상기 초기 감별 진단은 초기에 이용 가능한 환자 데이터에 기초한 복수의 초기 진단들을 포함하며, 또한
상기 복수의 초기 진단들의 각각의 초기 진단에는 상기 초기 진단이 환자의 상태를 정확하게 식별할 확률이 할당되는, 상기 획득하는 단계;
진단 쌍들에 대해 획득된 조치 결과들의 이득들에 기초하여, 상기 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 복수의 조치들을 식별하는 단계; 및
상기 복수의 조치들 중에서 선택되는 조치들의 서브세트, 및 관련된 이득들을 의사에게 제공하는 단계를 포함하는, 방법. - 제 17 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금,
일련의 연속적인 조치들을 실행하기 위한 비용들을 획득하는 것을 더 가능하게 하며, 상기 일련의 연속적인 조치들 각각은 상기 감별 진단을 명확하게 하기 위해 상기 복수의 조치들 중에서 선택되는 조치들을 포함하고,
상기 조치의 서브세트를 제공하는 것은 관련된 비용들을 의사에게 제공하는 것을 더 포함하는, 방법. - 제 18 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금,
업데이트된 감별 진단의 업데이트된 진단들과 관련된 확률들이 결론 임계값보다 낮다고 결정하는 것에 기초하여,
업데이트된 전자 건강 기록을 사용하여, 업데이트된 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 업데이트된 복수의 조치들을 식별하고;
업데이트된 복수의 조치들 중에서 선택되는 업데이트된 일련의 연속적인 조치들을 실행하여 업데이트된 감별 진단을 명확하게 하기 위한 업데이트된 비용들을 획득하며; 또한
업데이트된 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 조치들 및 그들의 관련 업데이트된 비용들을 의사에게 제공하는 것을 더 가능하게 하는, 방법. - 제 18 항에 있어서,
일련의 조치들을 실행하기 위한 비용들을 얻는 것은,
일련의 조치들 각각에 대하여,
상기 일련의 조치들의 각각의 조치에 비용을 할당하는 것; 및
상기 일련의 조치들의 조치들에 대한 비용들의 확률 가중 합을 사용하여 상기 일련의 조치들에 대한 비용을 획득하는 것을 포함하는, 방법. - 제 18 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금, 하나 이상의 조치들의 이득들 및 비용들로 구성되는 그룹 중에서 선택되는 것을 제공하여 상기 초기 감별 진단 중에서 선택되는 하나 이상의 초기 진단들을 처리하는 것을 더 가능하게 하고,
상기 이득들 및 비용들은 환자들의 복수의 전자 건강 기록들로부터 결정된 각각의 선택된 초기 진단의 성공적인 치료의 진단으로 이어지는 그들의 확률에 기초하여 계산되는 것인, 방법. - 제 18 항에 있어서,
의사에게 제공되는 상기 조치들의 서브세트는 상기 복수의 조치들 중에서 선택되는, 가장 높은 이득 대 비용 비율을 갖는 조치들을 포함하는, 방법. - 제 17 항에 있어서,
의사에게 제공되는 상기 조치들의 서브세트는 상기 복수의 조치들 중에서 선택되는, 가장 높은 이득의 조치들을 포함하는, 방법. - 제 17 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금,
의사로부터, 환자에 대한 조치를 수행한 것으로부터 얻어진 결과를 수신하고 - 환자에 대하여 수행되는 상기 조치는 의사에게 제공되었던 조치들의 서브세트 중에서 선택되는 것임 -;
상기 조치 및 상기 결과를 아카이빙하여 환자의 전자 건강 기록을 업데이트하며; 또한
진단되지 않은 상태의 환자에 대한 업데이트된 감별 진단을 획득하는 것을 더 가능하게 하는, 방법. - 제 24 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금,
업데이트된 감별 진단의 하나의 업데이트된 진단과 관련된 확률이 결론 임계값보다 높은 것으로 결정하는 것에 기초하여,
상기 업데이트된 진단이 환자의 상태와 매칭되는 것으로 결론을 내리는 것을 더 가능하게 하는, 방법. - 제 25 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금,
환자의 상태와 매칭되는 상기 업데이트된 진단으로 환자의 전자 건강 기록을 업데이트하는 것을 더 가능하게 하는, 방법. - 제 24 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금, 환자의 전자 건강 기록을 업데이트한 이후에,
진단들을 명확하게 하기 위해 상기 관련된 조치 결과들을 사용하는 이득들을 업데이트하는 것을 더 가능하게 하는, 방법. - 제 17 항에 있어서,
복수의 혼동 매트릭스들이 조치 결과들의 이득들을 저장하는데 사용되며, 또한
상기 복수의 혼동 매트릭스들의 각각의 혼동 매트릭스는 상기 통계적 분포들이 생성된 진단들을 명확하게 하기 위한 조치 결과의 이득을 나타내는, 조치 결과 고유의 것인, 방법. - 제 17 항에 있어서,
상기 초기 감별 진단을 확립하는 것은 상기 복수의 초기 진단들로부터의 고려 임계값보다 낮은 확률을 갖는 진단들을 제거하는 것을 포함하는, 방법. - 제 17 항에 있어서,
상기 명령어들은, 상기 시스템으로 하여금, 그래픽 디스플레이 상에 진단되지 않은 상태의 환자에 대한 초기 감별 진단을 디스플레이하는 것을 더 가능하게 하며, 상기 그래픽 디스플레이 상에 디스플레이되는 상기 복수의 초기 진단들이 그들의 확률들에 따라 정렬되는 방식으로 디스플레이되는, 방법. - 전자 건강 기록들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 시스템으로서,
컴퓨터 프로세서;
상기 컴퓨터 프로세서 상에서 실행되는 전자 건강 기록 통계 분석 엔진으로서,
환자들의 복수의 전자 건강 기록들로부터,
환자들의 진단들과,
상기 진단들과 관련된 조치 결과들의 값들
을 획득하고;
상기 진단들에 대하여, 상기 조치 결과들의 값들의 통계적 분포들을 생성하고;
복수의 진단 쌍들에 대하여, 상이한 조치 결과들에 대해 개별적으로, 상기 통계적 분포들의 중첩을 결정하고;
각각의 진단 쌍에 대하여, 관련된 통계적 분포들의 중첩에 기초하여, 상기 진단 쌍을 명확하게 하기 위해 상기 관련된 조치 결과를 사용하는 이득을 획득하도록 구성되는, 상기 전자 건강 기록 통계 분석 엔진;
상기 컴퓨터 프로세서 상에서 실행되는 감별 진단 생성 엔진으로서,
진단되지 않은 상태의 환자에 대한 초기 감별 진단을 획득하되,
상기 초기 감별 진단은 초기에 이용 가능한 환자 데이터에 기초한 복수의 초기 진단들을 포함하며, 또한
상기 복수의 초기 진단들의 각각의 초기 진단에는 상기 초기 진단이 환자의 상태를 정확하게 식별할 확률이 할당되도록 구성되는, 상기 감별 진단 생성 엔진;
컴퓨터 프로세서 상에서 실행되는 이득 분석 엔진으로서,
진단 쌍들에 대해 획득된 조치 결과들의 이득들에 기초하여, 상기 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 복수의 조치들을 식별하도록 구성되는, 상기 이득 분석 엔진; 및
사용자 인터페이스로서,
상기 복수의 조치들 중에서 선택되는 조치들의 서브세트, 및 관련된 이득들을 의사에게 제공하도록 구성되는, 상기 사용자 인터페이스를 포함하는, 시스템. - 제 31 항에 있어서,
상기 컴퓨터 프로세서 상에서 실행되는 비용 분석 엔진으로서,
일련의 연속적인 조치들을 실행하기 위한 비용들을 획득하도록 구성되는, 상기 비용 분석 엔진을 더 포함하며, 상기 일련의 연속적인 조치들 각각은 상기 감별 진단을 명확하게 하기 위해 상기 복수의 조치들 중에서 선택되는 조치들을 포함하고,
상기 조치의 서브세트를 제공하는 것은 관련된 비용들을 의사에게 제공하는 것을 더 포함하는, 시스템. - 제 32 항에 있어서,
상기 이득 분석 엔진은 업데이트된 감별 진단의 업데이트된 진단들과 관련된 확률들이 결론 임계값보다 낮다고 결정하는 것에 기초하여,
업데이트된 전자 건강 기록을 사용하여, 업데이트된 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 업데이트된 복수의 조치들을 식별하도록 더 구성되고;
상기 비용 분석 엔진은,
업데이트된 복수의 조치들 중에서 선택되는 업데이트된 일련의 연속적인 조치들을 실행하여 업데이트된 감별 진단을 명확하게 하기 위한 업데이트된 비용들을 획득하도록 더 구성되며; 또한
상기 사용자 인터페이스는,
업데이트된 감별 진단의 명확성을 위해 가장 큰 이득을 갖는 조치들 및 그들의 관련 업데이트된 비용들을 의사에게 제공하도록 더 구성되는, 시스템. - 제 32 항에 있어서,
일련의 조치들을 실행하기 위한 비용들을 얻는 것은,
일련의 조치들 각각에 대하여,
상기 일련의 조치들의 각각의 조치에 비용을 할당하는 것; 및
상기 일련의 조치들의 조치들에 대한 비용들의 확률 가중 합을 사용하여 상기 일련의 조치들에 대한 비용을 획득하는 것을 포함하는, 시스템. - 제 32 항에 있어서,
하나 이상의 조치들의 이득들 및 비용들로 구성되는 그룹 중에서 선택되는 것을 제공하여 상기 초기 감별 진단 중에서 선택되는 하나 이상의 초기 진단들을 처리하도록 더 구성되며,
상기 이득들 및 비용들은 환자들의 복수의 전자 건강 기록들로부터 결정된 각각의 선택된 초기 진단의 성공적인 치료의 진단으로 이어지는 그들의 확률에 기초하여 계산되는 것인, 시스템. - 제 32 항에 있어서,
의사에게 제공되는 상기 조치들의 서브세트는 상기 복수의 조치들 중에서 선택되는, 가장 높은 이득 대 비용 비율을 갖는 조치들을 포함하는, 시스템. - 제 31 항에 있어서,
의사에게 제공되는 상기 조치들의 서브세트는 상기 복수의 조치들 중에서 선택되는, 가장 높은 이득 대 비용 비율을 갖는 조치들을 포함하는, 시스템. - 제 31 항에 있어서,
상기 사용자 인터페이스는,
의사로부터, 환자에 대한 조치를 수행한 것으로부터 얻어진 결과를 수신하고 - 환자에 대하여 수행되는 상기 조치는 의사에게 제공되었던 조치들의 서브세트 중에서 선택되는 것임 -;
상기 조치 및 상기 결과를 아카이빙하여 환자의 전자 건강 기록을 업데이트하도록 더 구성되며; 또한
상기 감별 진단 엔진은 진단되지 않은 상태의 환자에 대한 업데이트된 감별 진단을 획득하도록 더 구성되는, 시스템. - 제 38 항에 있어서,
상기 감별 진단 발생 엔진은 업데이트된 감별 진단의 하나의 업데이트된 진단과 관련된 확률이 결론 임계값보다 높은 것으로 결정하는 것에 기초하여, 상기 업데이트된 진단이 환자의 상태와 매칭되는 것으로 결론을 내리도록 더 구성되는, 시스템. - 제 39 항에 있어서,
상기 감별 진단 생성 엔진은 환자의 상태와 매칭되는 상기 업데이트된 진단으로 환자의 전자 건강 기록을 업데이트하도록 더 구성되는, 시스템. - 제 38 항에 있어서,
환자의 전자 건강 기록을 업데이트한 이후에, 상기 이득 분석 엔진은 진단들을 명확하게 하기 위해 상기 관련된 조치 결과들을 사용하는 이득들을 업데이트하도록 더 구성되는, 시스템. - 제 31 항에 있어서,
복수의 혼동 매트릭스들이 조치 결과들의 이득들을 저장하는데 사용되며, 또한
상기 복수의 혼동 매트릭스들의 각각의 혼동 매트릭스는 상기 통계적 분포들이 생성된 진단들을 명확하게 하기 위한 조치 결과의 이득을 나타내는, 조치 결과 고유의 것인, 시스템. - 제 31 항에 있어서,
상기 초기에 이용 가능한 환자 데이터는 환자 인구 통계, 환자 호소 증상들, 환자 생체 신호들 및 환자의 전자 건강 기록으로 구성된 그룹 중에서 선택되는 적어도 하나를 포함하는, 시스템. - 제 31 항에 있어서,
상기 초기 감별 진단을 확립하는 것은 상기 복수의 초기 진단들로부터의 고려 임계값보다 낮은 확률을 갖는 진단들을 제거하는 것을 포함하는, 시스템. - 제 31 항에 있어서,
상기 사용자 인터페이스는 그래픽 디스플레이 상에 진단되지 않은 상태의 환자에 대한 초기 감별 진단을 디스플레이하도록 더 구성되며, 상기 그래픽 디스플레이 상에 디스플레이되는 상기 복수의 초기 진단들이 그들의 확률들에 따라 정렬되는 방식으로 디스플레이되는, 시스템. - 제 45 항에 있어서,
상기 사용자 인터페이스는 복수의 초기 진단들 중 적어도 하나의 선택을 수신하도록 더 구성되는, 시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201662280172P | 2016-01-19 | 2016-01-19 | |
| US62/280,172 | 2016-01-19 | ||
| PCT/US2017/013992 WO2017127459A1 (en) | 2016-01-19 | 2017-01-18 | Method and system for identifying diagnostic and therapeutic options for medical conditions using electronic health records |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20180108671A true KR20180108671A (ko) | 2018-10-04 |
Family
ID=57956401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020187023724A KR20180108671A (ko) | 2016-01-19 | 2017-01-18 | 전자 건강 기록들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 방법 및 시스템 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP3405894A1 (ko) |
| KR (1) | KR20180108671A (ko) |
| WO (1) | WO2017127459A1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210004373A (ko) * | 2019-07-04 | 2021-01-13 | 김상수 | 진단정보제공서버 및 이를 이용한 진단정보제공방법과 이의 사용자인터페이스제공방법 |
| KR20210022277A (ko) * | 2019-08-20 | 2021-03-03 | 이태경 | 수술계획 정보를 이용한 치과 임플란트 수술 비용 산출 장치 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9477909B2 (en) * | 2013-01-09 | 2016-10-25 | SynTouch, LLC | Object investigation and classification |
| HUE045337T2 (hu) * | 2013-10-18 | 2019-12-30 | Attoquant Diagnostics Gmbh | Eljárás primer hiperaldoszteronizmus diagnosztizálására |
-
2017
- 2017-01-18 WO PCT/US2017/013992 patent/WO2017127459A1/en active Application Filing
- 2017-01-18 EP EP17702724.0A patent/EP3405894A1/en not_active Ceased
- 2017-01-18 KR KR1020187023724A patent/KR20180108671A/ko not_active Application Discontinuation
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210004373A (ko) * | 2019-07-04 | 2021-01-13 | 김상수 | 진단정보제공서버 및 이를 이용한 진단정보제공방법과 이의 사용자인터페이스제공방법 |
| KR20210022277A (ko) * | 2019-08-20 | 2021-03-03 | 이태경 | 수술계획 정보를 이용한 치과 임플란트 수술 비용 산출 장치 |
| WO2021034125A3 (ko) * | 2019-08-20 | 2021-05-27 | 이태경 | 수술계획 정보를 이용한 치과 임플란트 수술 비용 산출 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2017127459A1 (en) | 2017-07-27 |
| EP3405894A1 (en) | 2018-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10559377B2 (en) | Graphical user interface for identifying diagnostic and therapeutic options for medical conditions using electronic health records | |
| Chen et al. | Ethical machine learning in healthcare | |
| US11664097B2 (en) | Healthcare information technology system for predicting or preventing readmissions | |
| Park et al. | Comparison of methods to reduce bias from clinical prediction models of postpartum depression | |
| US20080275731A1 (en) | Patient data mining improvements | |
| JP2008532104A (ja) | 複数の医療関連アウトカムの予測を行い、インターベンション計画の評価を行い、更に同時にバイオマーカー因果性検証を行うことのできる、予測モデルを生成して適用する方法、そのシステム、及びそのコンピュータ・プログラム製品 | |
| WO2006125145A2 (en) | Patient data mining improvements | |
| JP7244711B2 (ja) | 臨床リスクモデル | |
| Wojtusiak et al. | Computational Barthel Index: an automated tool for assessing and predicting activities of daily living among nursing home patients | |
| Morrison et al. | Cost-effectiveness of artificial intelligence–based retinopathy of prematurity screening | |
| Sirgo et al. | Validation of the ICU-DaMa tool for automatically extracting variables for minimum dataset and quality indicators: The importance of data quality assessment | |
| US20020123906A1 (en) | Chronic pain patient risk stratification system | |
| WO2021148967A1 (en) | A computer-implemented system and method for outputting a prediction of a probability of a hospitalization of patients with chronic obstructive pulmonary disorder | |
| US20130275050A1 (en) | Methods and systems for integrated health systems | |
| WO2009083886A1 (en) | Presenting patient relevant studies for clinical decision making | |
| Miller et al. | OptiPres: a distributed mobile agent decision support system for optimal patient drug prescription | |
| US20020123670A1 (en) | Chronic pain patient diagnostic system | |
| KR20180108671A (ko) | 전자 건강 기록들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 방법 및 시스템 | |
| KR102627461B1 (ko) | 인공지능 문진 분석을 통한 진단적 질환예측 및 치료계획 추천 시스템과 그 방법 | |
| US20190180874A1 (en) | Second Opinion Decision Support Using Patient Electronic Medical Records | |
| Mathew et al. | Applying Sequence Analysis to Uncover'Real-World'Clinical Pathways from Routinely Collected Data: A Systematic Review | |
| US20090070145A1 (en) | Method and system for coronary artery disease care | |
| Alhorishi et al. | Using machine learning to predict early preparation of pharmacy prescriptions at psmmc-a comparison of four machine learning algorithms | |
| EP3686897A1 (en) | Method and data processing unit for selecting a risk assessment computer program | |
| US20020128867A1 (en) | Chronic pain patient identification system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal |