KR20220157421A - 전염성 질병 감시 및 발병 검출을 위한 시스템 및 방법 - Google Patents

전염성 질병 감시 및 발병 검출을 위한 시스템 및 방법 Download PDF

Info

Publication number
KR20220157421A
KR20220157421A KR1020227035878A KR20227035878A KR20220157421A KR 20220157421 A KR20220157421 A KR 20220157421A KR 1020227035878 A KR1020227035878 A KR 1020227035878A KR 20227035878 A KR20227035878 A KR 20227035878A KR 20220157421 A KR20220157421 A KR 20220157421A
Authority
KR
South Korea
Prior art keywords
computing system
disease detection
disease
tracking
tracking computing
Prior art date
Application number
KR1020227035878A
Other languages
English (en)
Inventor
인데르 라즈 싱
Original Assignee
킨사, 인코포레이티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 킨사, 인코포레이티드 filed Critical 킨사, 인코포레이티드
Publication of KR20220157421A publication Critical patent/KR20220157421A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/02—Means for indicating or recording specially adapted for thermometers
    • G01K1/026—Means for indicating or recording specially adapted for thermometers arrangements for monitoring a plurality of temperatures, e.g. by multiplexing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G01K13/20—Clinical contact thermometers for use with humans or animals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Veterinary Medicine (AREA)
  • Tourism & Hospitality (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Burglar Alarm Systems (AREA)
  • Alarm Systems (AREA)

Abstract

스마트 온도계들의 네트워크를 이용하는 집단 건강 감시를 위한 시스템들 및 방법들이 제공된다. 스마트 온도계들에 의해 제공되는 지리 위치 사용자 데이터에 기초하여, 다양한 집단 노드들에 대해 전염병이 예측될 수 있다. 집단 노드들은 다양한 세분도들로 제공될 수 있다. 전염병의 발병 검출에 기초하여 지리적 또는 집단 특정 조기 경고 신호들이 생성될 수 있다.

Description

전염성 질병 감시 및 발병 검출을 위한 시스템 및 방법
관련 출원 교차 참조
본 출원은 2021년 1월 25일에 출원된 미국 특허 출원 제17/156,810호에 대한 우선권을 주장하며, 이는 2020년 3월 18일에 출원된 미국 특허 출원 제62/991,074호; 2020년 3월 18일에 출원된 미국 특허 출원 제62/991,472호; 및 2020년 9월 23일에 출원된 미국 특허 출원 제63/082,288호에 대한 우선권을 주장하며, 이의 개시들은 각각 그 전문이 본원에 원용된다.
감염성 질환은 전세계적으로 가장 큰 공중 보건 문제들 중 하나로 계속되고 있다. 계절성 인플루엔자의 경제적 부담은 광범위한 공공의 주의와 예방 조치에 수십억 달러가 투자되었음에도 불구하고, 미국에서만 매년 871억 달러에 달한다. 그러나 미국 및 다른 국가들에서는 발병하는 감염성 질환 핫스팟을 신속하게 식별하기 위한 신뢰성 있는 신호가 부족하다. 질병 통제 예방 센터(Centers for Disease Control and Prevention, CDC)는 유행성 감시에 다음 두 개의 주요 시스템들을 사용한다: (1) 지역 및 주 보건부가 실험실 확인을 통해 주로 진단되는 약 120개 질병에 대한 CDC 데이터 ― 정의상, 이는 일상적으로 보내지는 질병 이외의 새로운 질병을 검출할 수 없고, 기존 검사 인프라에 의존하기 때문에 지행 지표(lagging indicator)이다 ― 를 보내는 국가 질병 보고 시스템(National Notifiable Diseases Surveillance System, NNDSS); 및 (2) 외래 환자 추적을 기반으로 하여, 지행 보고로 인해 지연되고, 수료 행동(care-seeking)의 변화 및 진료에 대한 차별화된 접근으로 편향되는 ILI-Net(COVID-19-유사 질병 또는 CLI, 추적). 또한, 외래 환자 추적은 보건 의료 체계에 참여하는 환자만들을 포착하여, 경증 또는 무증상 환자 사례의 상당수를 놓칠 수 있다. 이러한 지표들은 지행이고 불완전할 뿐만 아니라, 50개 주에 걸쳐 다양하여, 수백만 명의 사람들에게 영향을 미치는 결정을 내리는 리더들에게 사각 지대를 만든다. 이에 따라, 다양한 개체들이 인플루엔자-유사 질병(influenza-like illness, ILI)에 대한 모델링 및 예측을 제공하지만, 이러한 ILI 예측은 전형적으로 4주 미만의 리드 타임을 갖고, 보통 지리적 세분을 포함하지 않으며, 지행 데이터 세트들에 기초한다. 또한, 정확한 ILI 예측의 관점에서도, COVID-19와 같은 유행성 또는 범유행성 질병들의 예측할 수 없는 위협, 또는 지카(Zika) 및 에볼라(Ebola)와 같은 질환들의 급격한 출현 또는 재출현은 보통 신속한 반응 및 개입을 가능하게 하도록 신속하게 식별하고 표적화하기 어렵다.
특정 실시예들은 첨부 도면들과 관련하여 취해진 다음의 설명으로부터 더 잘 이해될 것으로 여겨지며, 도면들에서 유사한 참조 부호들은 유사한 요소들을 나타낸다.
도 1은 비제한적인 일 실시예에 따른 종단간 질병 데이터 수집 및 처리 시스템을 개략적으로 도시한다.
도 2는 도 1의 질병 검출 및 추적 컴퓨팅 시스템에 의해 수집되는 실시간 데이터에 기초하여 지리구에 대? 관측 인플루엔자-유사 질병을 나타내는 플롯을 도시한다.
도 3-4는 다양한 비제한적인 실시예들에 따른 예시적인 질병 검출 및 추적 컴퓨팅 시스템들을 도시한다.
도 5는 비제한적인 일 실시예에 따른 지리구에 대한 전염병 발병의 검출을 개략적으로 도시한다.
도 6은 질병 검출 및 추적 컴퓨팅 시스템에 의해 복수의 온도 감지 프로브들로부터 수신되는 정보의 예시적인 처리를 도시한다.
도 7-9는 비제한적인 일 실시예에 따른 질병 검출 및 추적 컴퓨팅 시스템에 의해 생성된 예시적인 시각화를 제공한다.
도 10은 비제한적인 일 실시예에 따른 질병 검출 및 추적 컴퓨팅 시스템에 의해 수행될 수 있는 예시적인 프로세스의 흐름도이다.
이제, 개시된 시스템들, 장치들, 디바이스들, 및 방법들의 구조, 기능, 및 사용의 원리들의 전체 이해를 제공하기 위해 본 개시의 다양한 비제한적인 실시예들이 설명될 것이다. 이들 비제한적인 실시예들의 하나 이상의 예들은 첨부 도면들에서 도 1-10을 참조하여 상세히 개시되고 설명된 선택된 예들에서 예시된다. 본 기술분야의 통상의 기술자들은 본 명세서에서 구체적으로 설명되고 첨부 도면들에 예시된 시스템들, 장치들, 디바이스들, 및 방법들이 비제한적인 실시예들이라는 것을 이해할 것이다. 비제한적인 일 실시예와 관련하여 예시되거나 설명된 특징들은 다른 비제한적인 실시예들의 특징들과 조합될 수 있다. 이러한 수정들 및 변형들은 본 개시의 범위 내에 포함되도록 의도된다.
본원에 개시된 시스템들, 장치들, 디바이스들, 및 방법들은 예들을 통해 그리고 도면들을 참조하여 상세히 설명된다. 본 명세서에서 논의된 예들은 단지 예들이고, 본 명세서에서 설명된 장치들, 디바이스들, 시스템들 및 방법들의 설명을 돕기 위해 제공된다. 도면들에 도시되거나 이하에서 논의되는 특징들 또는 구성요소들 중 어느 것도, 특별히 강제적인 것으로 지정되지 않는 한, 이들 장치들, 디바이스들, 시스템들 또는 방법들 중 임의의 것의 임의의 특정 구현에 대해 강제적인 것으로 간주되지 않아야 한다. 판독 및 명료성의 용이함을 위해, 특정 구성요소들, 모듈들, 또는 방법들은 오직 특정 도면과 관련하여 설명될 수 있다. 본 개시물에서, 특정 기법들, 배열들 등의 임의의 식별은 제시된 특정 예에 관련되거나 또는 단지 이러한 기법, 배열 등의 일반적인 설명일 뿐이다. 특정 세부 사항 또는 예의 식별은 그렇게 구체적으로 지정되지 않는 한 강제적이거나 제한적인 것으로 의도되지 않으며, 그렇게 해석되지 않아야 한다. 구성요소들의 조합 또는 서브-조합을 구체적으로 설명하는 것에 대한 임의의 실패는 임의의 조합 또는 하위 조합이 가능하지 않다는 표시로서 이해되지 않아야 한다. 개시되고 설명된 예들, 배열들, 구성들, 구성요소들, 요소들, 장치들, 디바이스들, 시스템들, 방법들 등에 대한 수정들이 이루어질 수 있고 특정 적용에 대해 요구될 수 있다는 것이 이해될 것이다. 또한, 설명된 임의의 방법들에 대해, 방법이 흐름도와 함께 설명되는지 여부에 관계없이, 문맥에 의해 달리 명시되거나 요구되지 않는 한, 방법의 실행에서 수행되는 단계들의 임의의 명시적 또는 암시적 순서는 이들 단계들이 제시된 순서로 수행되어야 한다는 것을 의미하지 않고, 대신에 상이한 순서로 또는 병렬로 수행될 수 있다는 것을 이해해야 한다.
본 명세서 전반에 걸쳐 "다양한 실시예들", "일부 실시예들", "일 실시예", "일부 예시적인 실시예들", 또는 "예시적인 일 실시예", 또는 "실시예"에 대한 언급은 임의의 실시예와 관련하여 설명된 특정 특징, 구조 또는 특성이 적어도 하나의 실시예에 포함된다는 것을 의미한다. 이에 따라, 본 명세서 전반에 걸친 곳에서의 문구 "다양한 실시예들에서", "일부 실시예들에서", "일 실시예에서", "일부 예시적인 실시예들", 또는 "예시적인 일 실시예", 또는 "실시예에서"의 출현은 반드시 모두 동일한 실시예를 지칭하는 것은 아니다. 또한, 특정 특징, 구조 또는 특성은 하나 이상의 실시예에서 임의의 적절한 방식으로 조합될 수 있다.
본 개시의 다양한 실시예들에 따르면, 온도 감지 프로브들(때때로 "스마트 온도계들"로 지칭됨)의 네트워크로부터 획득된 사용자 데이터는 아픈 사람들의 수의 증가된 전파 및 성장을 식별하기 위해 활용될 수 있다. 일부 경우들에서, 온도 감지 프로브들의 네트워크는 다양한 지리구들 또는 다른 유형들의 집단 노드들로부터 사용자 데이터를 각각 수집하는 수십만, 또는 심지어 수억개의 온도 감지 프로브를 포함한다. 바람직하게는, 데이터 수집과 처리 간의 지행의 최소화뿐만 아니라 온도 감지 프로브들의 네트워크로부터 수신된 대량의 사용자 데이터로 인해, 이러한 증가된 전파 및/또는 성장의 식별이 확립된 보건 의료 체계가 잠재적으로 유사한 메트릭을 검출할 수 있기 전에도 잘 발생할 수 있다.
설명을 위해, 보건 의료 시스템은 의사, 병원, 또는 실험실에 갈 수 없는 경증 사람들로부터 데이터를 획득하지 않는데, 이는 그들의 증상이 집에서 치료가능하거나 의학적 주의를 요구하지 않고 해결되기 때문이다. 또한, 서비스 취약 집단은 진료 비용 및 진료에 접근하는 장벽으로 인해 경증 또는 심지어 보다 중증의 질병에 대해 의사, 병원 또는 실험실을 방문할 가능성이 적을 수 있다. 서비스 취약 집단은 보통 보다 붐비는 생활 조건들, 보다 높은 접촉 강도의 직업들, 및 건강 관리 자원들에 대한 보다 제한된 접근과 같은 요인들로 인해 감염성 질환을 경험할 위험이 증가한다. 본 개시 시스템들 및 방법들은 현재의 보건 의료 데이터에 의해 잘 드러나지 않는 이들 서비스 취약 지역 사회들로부터의 데이터를 입수할 수 있다. 또한, 종래의 보건 의료 데이터는 본원서에 설명되는 시스템들 및 방법들에 의해 제공되는 것과 유사한 통찰을 제공하기에는 너무 지연되는데, 이는 보건 의료 체계가 감염성 질환 사례들, 특히 COVID-19와 같은 초기에 알려지지 않은 기원의 이상을 식별하는 시간까지, 연관된 발병이 이미 대규모로 발생하고 있고 발병의 효과들을 최소화하기 위해 조치들이 취해질 필요가 있을 시구간이 경과했기 때문이다.
또한, 본원에서 설명된 시스템들 및 방법들에 따르면, 온도 감지 프로브들의 네트워크가 질병의 확산을 관찰하고 식별하기 위해 모든 사용자가 특정 증상을 가져야 하는 것은 아니다. 예를 들어, 사용자들의 일부만이 (예를 들어, 발열과 같은) 증상들을 갖는다 하더라도, 온도 감지 프로브들의 네트워크는 전파율을 정확하게 평가하기 위해 그 사람들이 수의 성장을 여전히 픽업할 수 있다. 이에 따라, 예를 들어, COVID-19에 걸린 사람들의 50%만이 발열을 갖지만, 온도 감지 프로브들의 네트워크로부터 수신된 사용자 데이터가 특정 지리 내의 사람들의 수가 두 배가 됨을 나타내는 경우, COVID-19가 확산되고 있다고 결정될 수 있다. 전파율은 또한 온도 감지 프로브들의 네트워크로부터 수신된 사용자 데이터에 기초하여 평가 및 보고될 수 있다.
아래에서 더 상세히 설명될 바와 같이, 본 개시의 다양한 실시예들은 또한 일반적으로 온도 감지 프로브들의 네트워크로부터 수집된 실시간 데이터에 기초한 장기 ILI 예측에 관한 것이다. 일부 실시예들에서, 예를 들어, 아래에서 더 상세히 설명될 바와 같이, 네트워크 내의 스마트 온도계들로부터 수집된 지리 코딩 데이터에 기초하여 특정 지리구에 대해 12주 ILI 예측이 생성될 수 있다. 본 개시에 따른 장기 ILI 예측은 도시, 또는 다른 유형의 지리구 또는 집단 노드(예를 들어, 학교, 직장, 또는 사용자들의 다른 적합한 그룹)마다 플루의 계절별 전파율을 추정하기 위해 지리 특정 데이터를 활용하여, 과거 인플루엔자 발생에 기초하여 각 지리구에 대해 인플루엔자 전파 핑거프린트가 개발될 수 있게 한다. 지리구들은 기후 및 집단 구조에 의해 유도되는 고유한 유행성 세기 곡선들을 가질 수 있고, 이러한 패턴들은 지리 특정 지역들에 대한 매우 정확한 장기 ILI 예측을 구축하는 데 사용될 수 있다. 본원에서 설명되는 예측은 다음의 수학식 (1)을 사용하여 각 지리구에 고유한 일일 재생산 수(R) 추정치들을 계산하기 위해 수 년의 자치구 특정 발병률 데이터를 활용할 수 있다:
Figure pct00001
(1)
여기서, w는 발생 분산 시간이고, I는 (후술하는 도 1의 질병 검출 및 추적 컴퓨팅 시스템(100)에 의해 검출되는 바와 같은) 자치구 수준 발병률이고, R은 재생산수이며,
Figure pct00002
는 유효 발병률이다. 또한, w는 예를 들어, 숙주로부터 1 내지 5 일간의 확산용 감마 분포를 사용하여, 평균 2.5일, 스케일 0.6일로, 플루 확산의 비율에 관한 문헌의 지견에 기초하여 추정할 수 있다.
식 (1)을 사용하여, R은 지역마다 모든 이전의 일일 시간 단계들에 대해 추정될 수 있고, 그 후 년도일마다 중앙값 R이 추정될 수 있다. 이러한 접근법은 상기한 동일한 방정식을 사용하여 순반향 전파 I에 의해 미래의 인플루엔자 발병률을 예측하는 데 사용될 수 있는 현장당 인플루엔자 전파 핑거프린트를 제공할 수 있다. 순방향 예측을 위해, R의 일일 추정치들은 It+1을 예측하기 위해 모든 미래 날짜들(t)로 대체될 수 있다. 마지막으로, 인플루엔자 예측 시점에서 I의 시작 값에 랜덤 가우스 노이즈가 추가되는 예측의 앙상블을 실행함으로써, 발병률 및 인플루엔자 예측의 측정 불확실성이 설명될 수 있다. 가우시안 노이즈의 스케일은 14일 중심 이동 평균(rolling mean)으로 발병률 시계열을 디트렌딩하는 것을 통해 각 지리구에 대한 측정 노이즈의 표준 편차를 추정함으로써 각 지리구에 대해 결정될 수 있다. 발병률 신호에서 관찰되는 노이즈는 통상적으로 분포되고, 지리구당 온도 감지 프로브의 수에 따라 감소한다.
도 1은 비제한적인 일 실시예에 따른 종단간 질병 데이터 수집 및 처리 시스템을 개략적으로 도시한다. 이러한 질병 데이터는 장기 ILI 예측, 발병 검출을 생성하고, 본 개시에 따른 다른 질병 관련 신호 전달을 제공하는 데 이용될 수 있다. 보다 구체적으로, 본 시스템은 이를테면, 스마트 온도계, 일관되게 사용되는 증상 추적 모바일 앱, 웨어러블 디바이스, 및/또는 다른 데이터 획득 접근법들을 통해, 증상 발현으로부터 즉시 개인들로부터의 데이터 수집을 가능하게 할 수 있다. 이에 의해, 본 시스템은 GPS 수준 좌표와 함께, 제한 없이, 온도, 심박수, 및/또는 호흡수와 같은 주요 질병 생체 측정/바이탈 징후 데이터를 획득할 수 있다. 증상 또는 생체 측정 질병 데이터를 통해, 본 시스템은 전통적인 감시 메커니즘보다 질환 과정에서 더 일찍 질병을 검출할 수 있는데, 이는 악화되고 있는 증상을 갖는 개인이 진료를 받기로 결정하게 하는 것의 지연, 그 진료 및 진단 시험에 액세스할 수 있는 것의 지연, 및 시험 결과들의 실행 및 보고의 지행과는 대조적으로, 본 시스템이 증상 발현에 맞춰 질병을 검출하는 것이 가능하기 때문이다. 이질적인 집단들에 의한 시스템의 광범위한 사용, 그러나 특히 학교, 직장 또는 가정에서의 노출로 인해 전염성 질환 확산에 처음 영향을 받는 주요 센티넬 집단들(예를 들어, 어린이들, 서비스 취약 지역 사회, 보다 큰 다세대 가정들, 제1선 직업군 및 제1 응답자들)은 시스템 출력의 정확성 및 강건성을 유익하게 증가시킬 수 있다.
예로서, 비정형 질병이 증상 또는 생체 측정 질병 데이터를 제공하고 있는 센티넬 그룹들 중에서 검출되고, 시스템의 특성으로 인해 전통적인 감시 메커니즘들을 통하는 것보다 더 일찍 검출된다면, 추가의 지역 사회 확산이 일어나기 전에 이의 초기 단계에서 잠재적인 발병이 검출될 수 있다. 대조적으로, 진료 및 진단 시험의 지행 특성으로 인해, 기존의 전통적인 질환 감시 시스템들이 사용될 때, 진료를 받은 개인들로부터 실험실 시험을 통해 비정형 수준의 질병이 검출되면, 보다 광범위한 질환 전파가 일어나기에 충분한 시간이 경과한다. 감염성 질환 전파의 지수적 특성으로 인해, 수일 규모의 검출 및 반응 시간의 차이는 질환의 이환율, 사망률 및 사회적 비용을 감소시키는 데 유의한 영향을 미칠 수 있다. 다양한 실시예들에 따르면, 본 시스템은 다수의 생체 데이터 입력(온도, 심박수, 호흡수 등)뿐만 아니라 증상 입력과 같은 다수의 유형의 데이터 입력을 활용할 수 있다. 이들 데이터 입력은 노드(예를 들어, 학교)에서의 데이터 및 성장을 (가정 전파의 계산을 위해) 어느 가족 구성원이 제공했는지를 아는 것과 결합되어, 통상/계절성 유행병으로부터의 발병, 예측 및 구별을 검출하기 위한 최적의 시스템을 산출한다.
본 시스템은 예를 들어, 복수의 온도 감지 프로브들(114)(예를 들어, 의료 온도계들) ― 모바일 컴퓨팅 디바이스들(112)(예를 들어, 스마트폰, 태블릿, 컴퓨터 등)과 같은 각자의 보조 컴퓨팅 디바이스와 각각 통신 가능하게 결합됨 ― 을 포함할 수 있다. 모바일 컴퓨팅 디바이스들(112)은 통신 네트워크(134)를 통해 질병 검출 및 추적 컴퓨팅 시스템(100)과 결합될 수 있다. 도 1 및 본원의 다른 도면들은 온도 감지 프로브의 사용을 도시하지만, 본 개시는 이에 제한되지 않는다. 대신에, 본원에서 설명된 시스템들 및 방법들은 임의의 다양한 생체 측정 수집 디바이스들에 의해 수집된 데이터를 사용하여 동작가능하다. 이에 따라, 많은 동작 실시예들이 온도계에 의해 수집된 온도 기반 데이터의 맥락에서 설명되지만, 다른 실시예들은 제한 없이, 펄스 옥시미터, 심박수 모니터, 웨어러블 피트니스 추적기 또는 다른 유형의 웨어러블 등과 같은 다른 유형들의 생체 측정 수집 디바이스들로부터의 데이터를 이용할 수 있다. 이러한 많은 생체 측정 수집 디바이스들은 보건 의료 체계에 진입하기 전에(즉, 진료 예약 또는 병원 방문 전에) 사용자들에 의해 이용될 수 있으며, 이에 의해, 질병 검출 및 추적 컴퓨팅 시스템(100)에 시기적절한 생체 측정 데이터 ― 그렇지 않으면 이용가능하지 않거나, 또는 필연적으로 지행 데이터일 ― 를 제공한다.
일부 실시예들에서, 사용자는 모바일 컴퓨팅 디바이스들(112)에 사용자의 건강과 관련된 다양한 데이터, 예를 들어, 증상, 복용 약물, 백신 접종, 또는 진단을 제공할 수 있다. 예로서, 사용자들은 사용자의 연령, 성별, 학교, 고용주, 및 사용자가 특정 질병을 얻을 위험을 알릴 수 있거나 치료 추천을 위한 다른 사회적 및 인구학적 데이터와 같은 각 프로파일과 연관된 추가적인 컨텍스트 데이터를 갖는 프로파일을 설정할 수 있다. 프로파일은 예를 들어, 사용자를 하나 이상의 상이한 집단 노드와 연관시키기 위해 사용될 수 있다. 모바일 컴퓨팅 디바이스(112)마다 다수의 프로파일들이 생성될 수 있다 일부 실시예들에서, 사용자들은 특정 프로파일들이 동일한 가정 또는 다른 사회적 그룹에 속한다는 것을 나타낼 수 있다.
추가적으로 또는 대안적으로, 모바일 컴퓨팅 디바이스(112)는 그 사용자로부터 다양한 생체 측정 데이터를 수집하기 위해 활용될 수 있다. 예로서, 심박수 검출치가 모바일 컴퓨팅 디바이스(112)에 의해 제공될 수 있다. 일부 실시예들에서, 모바일 컴퓨팅 디바이스(112)는 호흡수, 또는 다른 호흡 관련 정보를 질병 검출 및 추적 컴퓨팅 시스템(100)에 제공할 수 있다. 온-보드 카메라, 마이크로폰, 또는 하나 이상의 특화된 생체 센서를 사용하는 것과 같이, 모바일 컴퓨팅 디바이스(112)를 사용하여 심박수, 호흡수, 또는 다른 생체 측정 데이터를 추적하기 위해 다양한 적절한 접근법들 중 임의의 것이 사용될 수 있다.
온도 판독치 및/또는 다른 생체 측정 데이터와 같은 사용자 데이터, 및 일부 경우에, 사용자 입력 건강 정보는 모바일 컴퓨팅 디바이스(112)에 의해 질병 검출 및 추적 컴퓨팅 시스템(100)으로 송신될 수 있다. 일부 경우에, 온도 감지 프로브들(114)은 모바일 컴퓨팅 디바이스(112) 없이, 질병 검출 및 추적 컴퓨팅 시스템(100)에 직접 데이터를 송신하도록 구성될 수 있다. 또 다른 실시예들에서, 사용자는 온도 데이터를 모바일 컴퓨팅 디바이스(112)에 직접(즉, 터치스크린 인터페이스를 통해) 수동으로 입력할 수 있으며, 이는 차례로, 질병 검출 및 추적 컴퓨팅 시스템(100)으로 송신된다. 어느 경우들, 질병 검출 및 추적 컴퓨팅 시스템(100)은 모바일 컴퓨팅 디바이스(112) 또는 온도 감지 프로브(114)로부터 송신된 다양한 유형의 데이터를 하나 이상의 데이터베이스(106)에 저장하도록 구성될 수 있다. 모바일 컴퓨팅 디바이스(112)는 또한, 하나 이상의 지리 위치(예를 들어, 위도, 경도 좌표), IP 어드레스, 및 하나 이상의 시간 측정치를 질병 검출 및 추적 컴퓨팅 시스템(100)에 송신하도록 구성될 수 있다. 지리 위치는 온도를 취하거나 증상을 기록할 때 개인의 위치를 식별할 수 있으며, 이에 의해 지리적 세분화를 가능하게 한다. 시간 측정은 개인이 온도를 재거나 증상을 기록하는 시간을 포함할 수 있다.
일부 실시예들에서, 질병 검출 및 추적 컴퓨팅 시스템(100)은 온도 감지 프로브들(114)에 의해 생성되지 않는, 서드 파티 데이터(130)로서 도시된 다른 데이터 세트들을 검색할 수 있다. 예를 들어, 질병 검출 및 추적 컴퓨팅 시스템(100)은 인플루엔자를 다른 발열성 질병과 구별하는 질병 특징을 식별하는 기계 학습 모델을 훈련시키기 위해, 질병 통제 센터(CDC)의 주별 US 인플루엔자 감시 보고서로부터 웹 데이터를 검색할 수 있다.
본 개시에 따르면, 질병 검출 및 추적 컴퓨팅 시스템(100)에 의해 수집된 원시 데이터는 분석 엔진(107)에 의해 질병 신호로 변환될 수 있다. 일 실시예에서, 이들 질병 신호는 사용자 애플리케이션(142)에 의해 액세스되는 애플리케이션 프로그래밍 인터페이스(API)(109)를 통해 외부 애플리케이션 또는 조직(예를 들어, 공공 보건 시스템)에 의한 소비를 위해 이용가능하게 된다. 일 실시예에서, 질병 검출 및 추적 컴퓨팅 시스템(100)은 예를 들어, 특정 지리구들에 대한 집계된 지역 사회 인플루엔자 수준들을 나타내는 신호를 생성할 수 있다. 이러한 신호는 본원에서 설명되는 바와 같이, 장기 ILI 예측 모델을 생성하기 위해 사용될 수 있을 뿐만 아니라, 발병 검출 및 추적을 생성하기 위해 사용될 수 있다.
인플루엔자 예측 모델이 유용할 수 있지만, 신규 유행병의 신속한 식별은 큰 도전으로 남아있다. 그러나, 본 개시에 따르면, 질병 검출 및 추적 컴퓨팅 시스템(100)(도 1)에 의해 수집된 실시간 발병율 데이터에 기초하여 집단 노드, 국세 조사구, 인구 주택 총조사 조사구, 또는 다른 지리구에 대한 지역화된 질병 이상 징후를 검출하기 위한 시스템 및 방법이 제공된다. 추가적으로 또는 대안적으로, ILI 예측 모델은 COVID-19, H1N1, SARS, MERS 등과 같은 질병의 예상 발병 전에 예측함으로써 예상 질병 경향을 추정하기 위해 사용될 수 있다. 본 개시의 일부 실시예들에 따르면, 질병 검출 및 추적 컴퓨팅 시스템(100)에 의해 생성된 실시간 신호는 특정 지리구 또는 다른 유형의 집단 노드에 대한 ILI 모델의 예상치들과 비교될 수 있다. 통상 계절성 인플루엔자 패턴으로 인한 것 같지 않은 질병 경향이 식별될 수 있으며, 이에 따라 이례적인 데이터에 대한 추가 조사가 개시될 수 있다. 이에 따라, 질병 검출 및 추적 컴퓨팅 시스템(100)에 의해 검출된 바와 같은 특정 집단 노드(즉, 지리구, 도시, 자치구, 주, 학교, 학교 시스템, 직장 등)에서의 실시간 질병 수준이 예상 인플루엔자의 앙상블 예측과 비교될 수 있다. 이러한 비교는 현재 검출된 발병률이 계절성 인플루엔자 역학에 기인할 가능성을 추정하기 위해 사용될 수 있다. 일부 실시예들에서, 계절성 인플루엔자의 상위 95% 신뢰 구간 초과의 임의의 실시간 값은 이상으로서 플래깅될 수 있다. 추가적으로 또는 대안적으로, 실시간 질병 수준의 다른 특성들이 잠재적인 감염성 질병 핫스팟들을 식별하기 위해 질병 검출 및 추적 컴퓨팅 시스템(100)에 의해 평가될 수 있다. 예를 들어, 발열이 있는 사용자들의 비율이 임계율을 초과하여 증가할 때, 그 사용자들과 연관된 집단 노드는 이상으로서 플래깅될 수 있다. 일부 실시예들에서, 임계치는 그것이 집단에 걸쳐 동등하게 분산된다면 예상되는 질병의 수준을 계산함으로써 결정될 수 있다. 특정 하위 집합 노드가 그 수준을 초과한다면, 이상으로서 플래깅될 수 있다. 적합한 임계치를 결정하기 위한 다른 접근법들이 본 개시의 범위로부터 벗어나지 않고 전개될 수 있다.
이제 도 2를 참조하면, 질병 검출 및 추적 컴퓨팅 시스템(100)(도 1)에 의해 수집된 실시간 데이터에 기초하여 특정 집단 노드에 대한 관측 인플루엔자-유사 질병들(152)을 보여주는 플롯(150)이 제공된다. 집단 노드는 예를 들어, 지리구일 수 있다. 플롯(150) 상의 인플루엔자 예측(154)은 예상된 인플루엔자 예측의 중앙값이고, 대역(158)은 상위 및 하위 95% 신뢰 구간들을 나타낸다. 이해되는 바와 같이, 임의의 적절한 신뢰 구간들이 사용될 수 있다. 인플루엔자 예측(154)은 본 개시에 따라 생성된 장기 ILI 예측일 수 있거나, 서드 파티에 의해 생성된 ILI 예측일 수 있다. 플롯(150)은 각각이 상위 95% 신뢰 구간을 초과하는 온도 감지 프로브들의 네트워크로부터 수집된 사용자 데이터에 기초하여 다수의 발병 이상 징후들(156)을 보여준다. 발병 이상 징후들(156)이 검출되면, 질병 검출 및 추적 컴퓨팅 시스템(100)은 임의의 적합한 통지 또는 경고 접근법을 사용하여 추가 조사를 위해 발병률을 플래깅할 수 있다. 일 실시예에서, 발병 이상 징후들(156)에 기초한 질병 신호는 외부 애플리케이션 또는 조직에 의한 소비를 위해 이용 가능하게 될 수 있다. 생성된 신호의 예는 제한 없이, 특히, 질병 발병률, 집단에 대한 질병 유병률, 유효 전파율을 포함할 수 있다.
본 개시 시스템들 및 방법들에 따르면, ILI 예측, 발병 이상 징후 등에 관한 정보를 전달하기 위해 다른 유형의 디스플레이 중에서도, 다양한 시각화, 대시보드, 애니메이션이 생성될 수 있다. 일부 실시예들에서, 질병 검출 및 추적 컴퓨팅 시스템(100)은 이러한 디스플레이들을 생성하도록 구성되지만, 본 개시는 이에 제한되지 않는다. 이러한 정보는 질병 검출 및 추적 컴퓨팅 시스템(100)에 의해 생성된 신호들에 기초하는 것과 같이, 실시간 데이터, 또는 실질적인 실시간 데이터(즉, 매일)에 기초하여 디스플레이될 수 있다.
이제 도 3을 참조하면, 다른 예시적인 질병 검출 및 추적 컴퓨팅 시스템(200)이 도시된다. 질병 검출 및 추적 컴퓨팅 시스템(200)은 다양한 집단 노드들의 구성원들인 복수의 모바일 컴퓨팅 디바이스들(212A-N)과 통신하는 것으로 도시된다. 도시된 예에서, 집단 노드들은 지리구들(218A-N)으로서 도시된다. 추가적으로 또는 대안적으로, 다른 예들에서, 복수의 모바일 컴퓨팅 디바이스들(212A-N)은 각각 특정 학교, 학교 시스템, 캠퍼스, 직장, 또는 다른 환경, 그룹, 또는 집합과 연관될 수 있다.
도 3에 도시된 바와 같이, 각 모바일 컴퓨팅 디바이스(212A-N)는 통신(216A-N)을 통해 연관된 온도 감지 프로브(214A-N)에 통신가능하게 결합될 수 있다. 예를 들어, 일부 실시예들에서, 통신(216A-N)은 블루투스® 통신 프로토콜을 이용하지만, 본 개시는 이에 제한되지는 않고, 임의의 다양한 유선 또는 무선 통신(216A-N)이 이용될 수 있다. 각 온도 감지 프로브(214A-N)는 각각 사용자(222A-N)와 연관될 수 있다. 도 3은 온도 감지 프로브(214A-N)에 의해 수집된 데이터의 사용을 도시하지만, 본 개시는 이에 제한되지 않는다. 위에서 제공된 바와 같이, 임의의 적합한 유형의 생체 측정 수집 디바이스가 본 개시의 범주로부터 벗어남이 없이 사용될 수 있다.
도 3의 예시적인 지리구(218A-N)는 임의의 다른 적절한 구획 중에서, 자치구, 우편 번호, 주, 국가, 대도시 통계 영역(MSA)과 같은 임의의 적합한 영역일 수 있다. 또한, 다양한 지리구들(218A-N)의 각각은 상이한 유형의 경계로부터 형성될 수 있다. 예를 들어, 지리구(218A)는 도시일 수 있는 한편, 지리구(218B)는 자치구일 수 있다. 어느 경우든, 복수의 온도 감지 프로브들(214A-N)은 다양한 지리구들(218A-N) 내의 사용자들(222A-N)의 온도를 능동적으로 수집하고 있을 수 있다. 일부 용례들에서, 각 지리구들(218A-N)은 수천개의 온도 감지 프로브들(214A-N)을 포함할 수 있다. 보다 큰 크기의 지리구들(218A-N)은 수십만개, 또는 심지어 수억개의 온도 감지 프로브들(214A-N)을 포함할 수 있다. 또한, 위에서 제공된 바와 같이, 도 3이 지리구들의 맥락에서 집단 노드들을나타내지만, 본 개시 시스템들 및 방법들은 사용자들(222A-N)을 다수의 상이한 집단 노드들 중 임의의 것으로 그룹화하는 기능을 제공할 수 있다.
일부 실시예들에서, 그리고 도 1의 시스템과 유사하게, 모바일 통신 디바이스들(212A-N)은 임의의 적합한 통신 네트워크(234)를 통해 질병 검출 및 추적 컴퓨팅 시스템(200)과 통신할 수 있다. 통신 네트워크(234)는 유선 및/또는 무선 통신 링크를 포함할 수 있는 인터넷, LAN, WAN, GPRS 네트워크 등을 포함하는 임의의 적합한 컴퓨터 또는 데이터 네트워크를 포함할 수 있다.
모바일 통신 디바이스들(212A-N)은 통신 네트워크(234)를 통해 질병 검출 및 추적 컴퓨팅 시스템(200)과 통신하기에 적합한 임의의 유형의 컴퓨터 디바이스, 이를테면 웨어러블 컴퓨팅 디바이스, 모바일 전화, 태블릿 컴퓨터, 핸드헬드 컴퓨터와 모바일 전화의 조합인 디바이스(때때로 "스마트 폰"으로 지칭됨), 개인용 컴퓨터(예를 들어, 랩톱 컴퓨터, 넷북 컴퓨터, 데스크톱 컴퓨터 등), 또는 임의의 다른 적합한 모바일 통신 디바이스, 이를테면, 개인 휴대 정보 단말기(PDA), 태블릿 디바이스, 게이밍 디바이스, 또는 미디어 플레이어일 수 있다. 일부 실시예들에서, 모바일 통신 디바이스들(212A-N)은 모바일 통신 디바이스들(212A-N)과 질병 검출 및 추적 컴퓨팅 시스템(200) 사이에 통신 채널을 제공하는 특수화된 애플리케이션을 실행할 수 있다. 추가적으로 또는 대안적으로, 모바일 통신 디바이스들(212A-N)은 각 사용자(222A-N)가 웹 기반 통신을 통해 질병 검출 및 추적 컴퓨팅 시스템(200)과 인터페이싱할 수 있게 하는 웹 브라우저 애플리케이션을 실행할 수 있다. 어느 경우든, 사용자 데이터(220A-N)는 모바일 통신 디바이스(212A-N)로부터 질병 검출 및 추적 컴퓨팅 시스템(200)으로 송신될 수 있다. 사용자 데이터(220A-N) 의 콘텐츠는 구현예에 기초하여 달라질 수 있지만, 일부 실시예들에서, 사용자 데이터는 (모바일 통신 디바이스(212A-N) 에 의해 제공된 바와 같은) 지리 위치(224), (온도 감지 프로브 (214A-N)에 의해 측정된 바와 같은) 사용자 온도 판독치(226), 및 시간 스탬프(228)를 포함한다.
모바일 통신 디바이스들(212A-N)로부터 수신된 사용자 데이터(220A-N)에 기초하여, 질병 검출 및 추적 컴퓨팅 시스템(200)은 다양한 수신자 컴퓨팅 시스템들(242)에 제공될 수 있는 질병 신호들(240)을 생성할 수 있다. 이해될 바와 같이, 이러한 질병 신호(240)는 대시보드, 애니메이션 또는 다양한 다른 유형의 디스플레이를 통해 임의의 적합한 포맷으로 제공되거나 그 외 전달될 수 있다. 예를 들어, 질병 신호(들)(240)는 애플리케이션 프로그래밍 인터페이스(API)를 통해 외부 애플리케이션 또는 조직(예를 들어, 공공 보건 시스템)에 의한 소비를 위해 이용가능하게 될 수 있다. 일 실시예에서, 예를 들어, 질병 검출 및 추적 컴퓨팅 시스템(200)은 지리구들(218A-N) 각각에 대한 집계된 지역 사회 인플루엔자 수준들을 나타내는 질병 신호(들)(240)를 생성할 수 있다. 대안적으로 또는 추가적으로, 이러한 질병 신호(들)(240)는 지리구들(218A-N) 중 하나 이상에서의 잠재적인 전염병 발병의 존재를 나타낼 수 있다. 지리구 이외의 다른 집단 노드를 이용하는 실시예들에서, 이러한 신호(들)(240)는 감시되는 특정 집단 노드에 기초하여 생성될 수 있다. 이와 같이, 신호(들)는 특정 학교, 학교 시스템, 보다 상위 학습 기관, 또는 사용자들의 다양한 다른 그룹들 또는 집합들 내에서의 발병 활동을 나타낼 수 있다.
질병 검출 및 추적 컴퓨팅 시스템(200)은 이를테면, 개인용 컴퓨터, 랩탑, 서버, 메인프레임, 또는 다수의 컴퓨터들의 집합(예를 들어, 네트워크)과 같은 임의의 적합한 프로세서 기반 디바이스 또는 시스템을 사용하여 제공될 수 있다. 질병 검출 및 추적 컴퓨팅 시스템(200)은 하나 이상의 프로세서(202) 및 하나 이상의 컴퓨터 메모리 유닛(204)을 포함할 수 있다. 편의를 위해, 단지 하나의 프로세서 (202) 및 단지 하나의 메모리 유닛(204)이 도 1에 도시되어 있다. 프로세서(202)는 메모리 유닛(204) 상에 저장된 소프트웨어 명령어들을 실행할 수 있다. 프로세서(202)는 하나 또는 다수의 코어를 갖는 집적 회로(IC)로서 구현될 수 있다. 메모리 유닛(204)은 휘발성 및/또는 비휘발성 메모리 유닛들을 포함할 수 있다. 휘발성 메모리 유닛은 예를 들어, 랜덤 액세스 메모리(RAM)를 포함할 수 있다. 비휘발성 메모리 유닛들은 예를 들어, 하드 디스크 드라이브, 광 디스크 드라이브 등과 같은 기계적 비휘발성 메모리 시스템들뿐만 아니라, 예를 들어, 판독 전용 메모리(ROM)를 포함할 수 있다. RAM 및/또는 ROM 메모리 유닛들은 예를 들어, 개별 메모리 IC들로서 구현될 수 있다.
메모리 유닛(204)은 질병 검출 및 추적 컴퓨팅 시스템(200)을 위한 실행가능한 소프트웨어 및 데이터를 저장할 수 있다. 질병 검출 및 추적 컴퓨팅 시스템(200)의 프로세서(202)가 소프트웨어를 실행할 때, 프로세서(202)는 질병 검출과 추적 컴퓨팅 시스템(200)의 다양한 동작들을 수행하게 될 수 있다. 질병 검출 및 추적 컴퓨팅 시스템(200)에 의해 사용되는 데이터는 예를 들어, 전자 컴퓨터 데이터베이스일 수 있는 데이터베이스(들)(206)와 같은 다양한 소스들로부터의 것일 수 있다. 데이터베이스(들)(206)에 저장된 데이터는 하드 디스크 드라이브, 판독 전용 메모리(예를 들어, ROM IC), 또는 다른 유형의 비휘발성 메모리와 같은 비휘발성 컴퓨터 메모리에 저장될 수 있다. 일부 실시예들에서, 하나 이상의 데이터베이스(206)는 예를 들어, 원격 전자 컴퓨터 시스템 상에 저장될 수 있다. 이해될 바와 같이, 다양한 다른 데이터베이스들, 또는 다른 유형들의 메모리 저장 구조들이 질병 검출 및 추적 컴퓨팅 시스템(200)과 이용되거나 그 외 연관될 수 있다. 또한, 질병 검출 및 추적 컴퓨팅 시스템(200)은 다양한 서드 파티에 의해 제공될 수 있는 서드 파티 데이터 세트(들)(230)를 사용할 수 있다. 일부 실시예들에서, 서드 파티 데이터 세트(들)(230)는 예를 들어, 국립 공중 보건 기관으로부터 수신된 질병 기반 웹 데이터를 포함한다.
도 3에 도시된 바와 같이, 질병 검출 및 추적 컴퓨팅 시스템(200)은 여러 컴퓨터 서버 및 데이터베이스를 포함할 수 있다. 예를 들어, 질병 검출 및 추적 컴퓨팅 시스템(200)은 하나 이상의 애플리케이션 서버(208), 웹 서버(210), 및/또는 임의의 다른 유형의 서버를 포함할 수 있다. 편의를 위해, 단지 하나의 애플리케이션 서버(208) 및 단지 하나의 웹 서버(210)가 도 3에 도시되어 있지만, 본 개시는 이에 제한되지 않는다는 것을 인식해야 한다. 서버들은 콘텐츠가 텍스트 기반 메시지, 멀티미디어 메시지, 이메일 메시지, 스마트폰 알림, 웹 페이지 등과 같은 임의의 수의 포맷으로 모바일 컴퓨팅 디바이스들(212A-N) 및/또는 다른 수신자 컴퓨팅 시스템들(242)에 발송되게 할 수 있다. 서버들(208 및 210)은 프로세서들(예를 들어, CPU들), 메모리 유닛들(예를 들어, RAM, ROM), 비휘발성 저장 시스템들(예를 들어, 하드 디스크 드라이브 시스템들) 등을 포함할 수 있다. 서버들(208 및 210)은 예를 들어, Solaris, Linux, 또는 Windows 서버 운영 체제들과 같은 운영 체제들을 이용할 수 있다.
웹 서버(210)는 시스템의 다양한 사용자들이 질병 검출 및 추적 컴퓨팅 시스템(200)과 상호작용할 수 있는 그래픽 웹 사용자 인터페이스를 제공할 수 있다. 웹 서버(210)는 클라이언트들로부터 (이를테면, 예를 들어, 모바일 컴퓨팅 디바이스들(212A-N), 수신자 컴퓨팅 시스템(들)(242) 상의 웹 브라우저를 통해) HTTP 요청들과 같은 요청들을 수용할 수 있고, 웹 페이지들(예를 들어, HTML 문서들) 및 링크된 객체들(이를테면, 이미지, 비디오 등)과 같은 선택적인 데이터 콘텐츠와 함께 HTTP 응답들과 같은 클라이언트 응답들을 서빙할 수 있다.
애플리케이션 서버(208)는 웹 브라우저를 사용하여 질병 검출 및 추적 컴퓨팅 시스템(200)과 통신하지 않는 사용자들을 위한 사용자 인터페이스를 제공할 수 있다. 이러한 사용자들은 자신들의 모바일 컴퓨팅 디바이스들(212A-N), 및/또는 통신 네트워크(234)를 통해 애플리케이션 서버(208)와 통신할 수 있게 하는 수신자 컴퓨팅 시스템(들)(242) 상에 설치된 특수 소프트웨어를 가질 수 있다. 이러한 소프트웨어는 예를 들어, 질병 검출 및 추적 컴퓨팅 시스템(200) 또는 다른 소프트웨어 애플리케이션 제공자로부터 통신 네트워크(234)를 통해 이러한 컴퓨팅 디바이스들로 다운로드될 수 있다.
질병 검출 및 추적 컴퓨팅 시스템(200)의 실시예들은 또한 클라우드 컴퓨팅 환경들에서 구현될 수 있다. "클라우드 컴퓨팅"은 가상화를 통해 신속하게 프로비저닝되고 최소의 관리 노력 또는 서비스 제공자 상호작용으로 릴리즈될 수 있으며, 이어서 이에 따라 스케일링될 수 있는 구성가능한 컴퓨팅 리소스들(예를 들어, 네트워크들, 서버들, 스토리지, 애플리케이션들, 및 서비스들)의 공유 풀에 대한 편리한 유비쿼터스 온-디맨드 네트워크 액세스를 가능하게 하기 위한 모델로서 정의될 수 있다. 클라우드 모델은 다양한 특성들(예를 들어, 온-디맨드 셀프-서비스, 광범위한 네트워크 액세스, 리소스 풀링, 빠른 탄력성, 측정된 서비스 등), 서비스 모델들(예를 들어, 서비스로서의 소프트웨어("SaaS"), 서비스로서의 플랫폼("PaaS'") 및 서비스로서의 인프라스트럭처("IaaS"), 및 배포 모델들(예를 들어, 사설 클라우드, 지역 사회 클라우드, 공용 클라우드, 하이브리드 클라우드 등)로 구성될 수 있다.
이제 도 4을 참조하면, 다른 예시적인 질병 검출 및 추적 컴퓨팅 시스템(300)이 도시된다. 질병 검출 및 추적 컴퓨팅 시스템(300)은 질병 검출 또는 추적 컴퓨팅 시스템들(200)과 유사할 수 있다. 도시된 바와 같이, 질병 검출 및 추적 컴퓨팅 시스템(300)은 예를 들어, 프로세서(302), 메모리 유닛(304), 데이터베이스(306), 애플리케이션 서버(308), 및 웹 서버(310)를 포함할 수 있다. 질병 검출 및 추적 컴퓨팅 시스템(300)은 다양한 수신자 컴퓨팅 시스템들(342)에 질병 신호(들)(340)를 제공하도록 구성될 수 있다. 도시된 바와 같이, 질병 검출 및 추적 컴퓨팅 시스템(300)은 예를 들어, 복수의 지리구들(318A-N) 각각에 대한 비전형적 질병 보고를 생성할 수 있다. 예시를 위해, 질병 검출 및 추적 컴퓨팅 시스템(300)에 의해 결정된 바와 같은, 각 비정형적 질병 지리구(318A-N)에 대한 비정형적 질병율들이 플롯들(344A-N)로서 도시된다. 본원에서 사용될 때, 비정형적 질병은 인플루엔자 예측 앙상블로부터 도출된 97.5% 백분위수와 실시간 온도계 ILI 신호 간의 차이를 나타낼 수 있다. 그러나, 이해될 바와 같이, 비정형 질병을 정량화하기 위한 다른 백분위수 및/또는 다른 접근법이 본 개시의 범주로부터 벗어나지 않고 사용될 수 있다.
지리구들(318A-N)은 자치구, 우편 번호, 주, 국가, 대도시 통계 영역(MSA) 등과 같은 임의의 적절한 영역일 수 있다. 지리구들(318A-N)이 예시를 위해 도 4에 도시되어 있지만, 질병 검출 및 추적 컴퓨팅 시스템(300)은 다양한 상이한 유형들의 집단 노드들에 대한 신호 전달을 생성할 수 있다는 것을 이해해야 한다.
이제 도 5를 참조하면, 질병 검출 및 추적 컴퓨팅 시스템(300)에 의한 지리구(318A)에 대한 전염병 발병의 검출이 개략적으로 도시된다. 지리구(318A)에 대한 결정된 발열성 질병의 변화율들(348, 350, 352)이 개략적으로 도시된다. 이해될 바와 같이, 결정된 변화율이 증가할 때, 일정 시구간에 걸친 비정형적 발병률의 수가 증가하고 있다. 이에 따라, 결정된 발열성 질병의 변화율이 임계 변화율을 초과할 때, 발병 신호(354)가 질병 검출 및 추적 컴퓨팅 시스템(300)에 의해 생성될 수 있다. 추가적으로, 결정된 변화율들(348, 350, 352)에 기초하여, 질병 검출 및 추적 컴퓨팅 시스템(300)은 유효 재생산율(Rt)을 결정하기 위해 사용될 수 있다. 본원에서 사용될 때이, 재생산율(Rt)은 감염 기간에 걸쳐 발열이 있는 개인에 의해 유발된 발열성 질환의 이차 사례의 평균 수로서 정의된다. 이에 따라, 질병 검출 및 추적 컴퓨팅 시스템(300)에 의해 생성된 신호 전달은 아마도 미래의 사례 급증에 대한 경고 또는 특정 집단 노드 또는 집단 노드들의 그룹에 대한 피크 사례들의 크기 및 타이밍을 예측하는 것과 같은 질환 발병에 대한 통찰을 지속적으로 제공하기 위해 사용될 수 있다.
일부 실시예들에서, 관측 질병, 비정형 질병, 및 비정형 송신 신호들은 질병 검출 및 추적 컴퓨팅 시스템(300)에 의해 특정 집단 노드들에 대한 높고 지속적인 전염병 사례 성장 기간들을 예측하기 위해 사용될 수 있는 분류 모델에 통합된다. 이들 높은 사례 성장 기간은 첫 번째 차이로부터 결정되고 지수 성장 동안 높은 사례 축적의 기간에 상응하는 정규화된 사례 카운트에서의 높은 일일 성장 기간에 의해 정의될 수 있다. 다양한 실시예들에 따르면, 훈련된 분류 모델은 적어도 2주 전에 표적을 예측할 수 있다. 이는 발병 이벤트의 예측을 가능하게 하여, 다양한 지리구 또는 노드에서 조기 경고를 제공한다.
이제 도 6을 참조하면, 질병 검출 및 추적 컴퓨팅 시스템(400)에 의해 복수의 온도 감지 프로브들(414)로부터 수신된 정보의 예시적인 처리가 도시된다. 도시된 바와 같이, 온도 감지 프로브(414)는 예시를 위해 지리구(418A-N)로서 도시된 복수의 상이한 집단 노드 사이에 분산될 수 있다. 온도 감지 프로브들(414) 각각으로부터 수신된 사용자 데이터에 기초하여, 질병 검출 및 추적 컴퓨팅 시스템(400)은 다양한 처리를 수행할 수 있다. 402에서, 질병 검출 및 추적 컴퓨팅 시스템(400)은 각 지리구(418A-N)마다 별개의 사용자당 발열 카운트를 추적할 수 있다. 또한, 일부 실시예들에서, 사용자들의 다른 추가적인 증상들이 질병 검출 및 추적 컴퓨팅 시스템(400)에 의해 수신될 수 있다. 예를 들어, 사용자는 온도 감지 프로브들(414)과 연관된 이동 통신 디바이스에 증상들을 수동으로 입력할 수 있고, 이동 통신 디바이스는 증상 목록을 질병 검출 및 추적 컴퓨팅 시스템(400)에 송신할 수 있다. 404에서, 질병 검출 및 추적 컴퓨팅 시스템(400)은 (ILI 결정과 같은) 일일 발열 발병률 수준을 결정할 수 있다. 다음으로, 406에서, 질병 검출 및 추적 컴퓨팅 시스템(400)은 각 지리구(418A-N)에 대한 ILI 예측을 결정할 수 있다. 이러한 ILI 예측은 예를 들어, 각 지리구에 대한 예상 Rt에 기초할 수 있다. ILI 예측이 결정되면, 질병 검출 및 추적 컴퓨팅 시스템(400)은 이어서 예측으로부터의 편차를 모니터링할 수 있다. 408에서, 질병 검출 및 추적 컴퓨팅 시스템(400)은 특정 지리구(418A-N)에서 비정형적 ILI를 식별할 수 있다. 410에서, 질병 검출 및 추적 컴퓨팅 시스템(400)은 특정 지리구(418A-N)에서 비정형적 Rt를 식별할 수 있다. 비정형적 ILI 및/또는 비정형적 Rt의 식별에 기초하여, 적절한 신호가 질병 감지 및 추적 컴퓨팅 시스템(400)에 의해 생성될 수 있으며, 예를 들어 연방, 주, 지방 정부, 학교 관계자 및/또는 의료 기관과 같은 적절한 수신자에게 제공될 수 있다.
도 7은 수신자 컴퓨팅 시스템(542) 상에 제시될 수 있는 질병 검출 및 추적 컴퓨팅 시스템(500)에 의해 생성된 예시적인 시각화(543)를 제공한다. 이해될 바와 같이, 질병 검출 및 추적 컴퓨팅 시스템(500)은 복수의 모바일 컴퓨팅 디바이스들과 통신할 수 있으며, 이들 각각은 (예를 들어, 도 3에 도시된 바와 같이) 스마트 온도계와 통신한다. 시각화(543)는 시간 경과에 따른 비정형 발병률(점선) 및 동일한 시구간에 걸친 COVID-19(실선)의 일일 확진 사례를 전달한다. 이 예시된 예에서, 집단 노드는 지리구이다. 시각화(543)에 의해 도시된 바와 같이, 질병 검출 및 추적 컴퓨팅 시스템(500)은 급증의 발생 전 2주에 걸쳐 뉴저지 주에서 일일 확진자의 급증을 성공적으로 검출하였다. 이에 따라, 질병 검출 및 추적 컴퓨팅 시스템(500)은 실험실 능력 및 시험 가용성에 따라, 실험실 확진자 급증 대략 2-4주 전에 전염병의 지역 사회 확산을 정확하게 검출하도록 활용될 수 있다. 바람직하게는, 질병 검출 및 추적 컴퓨팅 시스템(500)은 높은 온도계 투시 영역들에서 자치구 및 심지어 하위 자치구 수준에 대한 해결을 제공할 수 있다. 질병 검출 및 추적 컴퓨팅 시스템(500)에 의해 제공되는 유익한 정보 및 경보들에 기초하여, 임박한 급증의 영향을 감소시키기 위한 노력으로 학교 폐쇄, 사회적 거리두기 지시 등과 같은 조치들이 취해질 수 있다. 또한, 질병 검출 및 추적 컴퓨팅 시스템(500)에 의해 식별되는 급증를 고려하여 검사 키트, 의약품 등이 효율적으로 관리될 수 있다.
도 8은 질병 검출 및 추적 컴퓨팅 시스템(500)에 의해 생성되고 수신자 컴퓨팅 시스템(542) 상에 제시되는 다른 예시적인 시각화(543)를 제공한다. 이 예시적인 시각화(543)에서, 일정 시구간에 걸친 집단에 대한 이동 제한의 영향은 일정 시구간에 걸친 비정형적 Rt의 결정된 변화에 기초하여 평가될 수 있다. 뉴욕에 대한 예시된 예에서, 지도 웹사이트에 대한 경로 요청 수가 2020년 3월 7일에 비상 사태가 선포된 시간에 걸쳐 플로팅된다(실선). 비상 사태 선언에 후속하여, 운전 수가 감소함에 따라 라우팅 요청 수가 감소한다. 비상 사태 선언과 관련하여, 비정형적 Rt(파선)도 유사하게 감소하는 것으로 보여지며, 이에 의해 이동 제한이 뉴욕에 대한 Rt에 유익하게 영향을 미쳤음을 확인한다.
도 9은 질병 검출 및 추적 컴퓨팅 시스템(500)에 의해 생성되고 수신자 컴퓨팅 시스템(542) 상에 제시되는 다른 예시적인 시각화(543)를 제공한다. 이 예시적인 시각화(543)에서, 질병 검출 및 추적 컴퓨팅 시스템(500)에 의해 결정된 바와 같은 시간에 따른 정규화된 사례 속도(파선)가 상단 플롯에 도시된다. 또한, 컷오프 임계 속도(실선)가 플로팅된다. 컷오프 임계 속도를 초과하는 정규화된 사례 속도의 교차는 사례들의 빠른 증가를 나타낸다. 이러한 임계 교차에 기초하여, 적절한 발병 신호 전달이 생성될 수 있다. 하단 플롯은 동일한 기간에 걸친 일일 확진자 수를 포함하며, 발병이 식별된다. 도시된 바와 같이, 식별된 발병은 정규화된 사례 속도가 컷오프 임계치를 초과하는 시점과 상관된다.
도 10은 본 개시에 따른 질병 검출 및 추적 컴퓨팅 시스템에 의해 수행될 수 있는 예시적인 프로세스의 흐름도이다. 602에서, 질병 검출 및 추적 컴퓨팅 시스템에 의해, 네트워크 통신을 통해 일정 시구간에 걸쳐 복수의 모바일 컴퓨팅 디바이스들 각각으로부터 사용자 데이터가 수신된다. 컴퓨팅 디바이스들 각각으로부터 수신되는 사용자 데이터는 컴퓨팅 디바이스의 지리 위치, 연관된 온도 감지 프로브에 의해 수집된 사용자 온도 판독치, 및 온도 판독치와 연관된 시간 스탬프를 포함한다. 604에서, 복수의 상이한 지리구들 각각에 대해, 그리고 상이한 지리구들 내에 물리적으로 위치된 모바일 컴퓨팅 디바이스들로부터 수신되는 사용자 데이터에 기초하여, 발열성 질병의 변화율이 결정될 수 있다. 606에서, 상이한 지리구들 각각에 대한 결정된 발열성 질병의 변화율에 기초하여 상이한 지리구들 각각에 대한 질병 신호가 생성된다. 608에서, 상이한 지리구들 각각에 대한 질병 신호가 그래픽으로 전달된다. 질병 신호는 실시간 질병 신호일 수 있다. 610에서, 상이한 지리구들 각각에 대한 결정된 발열성 질병의 변화율이 임계 변화율을 초과하는지 결정된다. 만약 그렇다면, 612에서, 연관된 지리구, 또는 다른 적합한 집단 노드에 대한 발병 신호가 생성될 수 있다. 그렇지 않다면, 프로세스는 상이한 지리구들 각각에 대한 결정된 발열성 질병의 변화율에 적어도 부분적으로 기초하여 상이한 지리구들 각각에 대해 유료 재생산율(rt)이 결정될 수 있는 614로 진행할 수 있다.
예시적인 조합예들
예 1. 질병 검출 및 추적 컴퓨팅 시스템으로서,
복수의 온도 감지 프로브들 ― 온도 감지 프로브들 각각은 연관된 모바일 컴퓨팅 디바이스와 무선으로 통신하도록 구성되고, 복수의 온도 감지 프로브들은 복수의 상이한 집단 노드들 사이에 분산됨 ―;
적어도 하나의 메모리 및 적어도 하나의 프로세서를 포함하는 중앙 집중 질병 검출 및 추적 컴퓨팅 시스템을 포함하며, 질병 검출 및 추적 컴퓨팅 시스템은 연관된 모바일 컴퓨팅 디바이스들 각각과 네트워크 통신 상태에 있되, 적어도 하나의 메모리는 실행될 때 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
네트워크 통신을 통해 모바일 컴퓨팅 디바이스들 각각으로부터 사용자 데이터를 일정 시구간에 걸쳐 수신하고 ― 컴퓨팅 디바이스들 각각으로부터 수신되는 사용자 데이터는 컴퓨팅 디바이스의 지리 위치, 연관된 온도 감지 프로브에 의해 수집된 사용자 온도 판독치, 및 온도 판독치와 연관된 시간 스탬프를 포함함 ―;
복수의 상이한 집단 노드들 각각에 대해, 상이한 집단 노드들과 연관된 모바일 컴퓨팅 디바이스들로부터 일정 시구간에 걸쳐 수신된 사용자 데이터에 기초하여, 집단 노드와 연관된 모바일 컴퓨터 디바이스들로부터 수신된 사용자 데이터에 기초하여 발열성 질병의 변화율을 결정하고;
상이한 집단 노드들 각각에 대한 결정된 발열성 질병의 변화율에 기초하여 상이한 집단 노드들 각각에 대한 질병 신호를 생성하고;
상이한 집단 노드들 각각에 대한 발열성 질병의 결정된 변화율을 임계 변화율과 비교하며;
결정된 발열성 질병의 변화율이 임계 변화율을 초과할 때, 연관된 집단 노드에 대한 발병 신호를 생성하게 하는 명령어들을 포함하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 2. 예 1에 있어서, 명령어들은 또한, 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
상이한 집단 노드들 각각에 대한 질병 신호를 그래픽으로 전달하게 하고, 질병 신호는 실시간 질병 신호인 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 3. 선행하는 예들 중 어느 하나에 있어서, 명령어들은 또한, 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
상이한 집단 노드들 각각에 대한 발병 신호를 그래픽으로 전달하게 하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 4. 선행하는 예들 중 어느 하나에 있어서, 명령어들은 또한, 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
상이한 집단 노드들 각각에 대한 결정된 발열성 질병의 변화율에 적어도 부분적으로 기초하여 상이한 집단 노드들 각각에 대한 유효 재생산율(Rt)을 생성하게 하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 5. 선행하는 예들 중 어느 하나에 있어서, 명령어들은 또한, 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
네트워크 통신을 통해 하나 이상의 서드 파티로부터 데이터 세트들을 수신하게 하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 6. 예 5에 있어서, 데이터 세트들은 국립 공중 보건 기구(national public health institute)로부터 수신되는 질병 기반 웹 데이터를 포함하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 7. 선행하는 예들 중 어느 하나에 있어서, 온도 감지 프로브는 의료용 온도계인 것인, 질병 검출 및 추적 및 시스템.
예 8. 선행하는 예들 중 어느 하나에 있어서,모바일 컴퓨팅 디바이스들 각각은 스마트폰, 태블릿 컴퓨터, 랩톱 컴퓨터, 및 데스크톱 컴퓨터 중 어느 하나인 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 9. 선행하는 예들 중 어느 하나에 있어서, 명령어들은 또한, 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
사용자들 각각에 대해, 인구학적 데이터를 저장하되, 인구학적 데이터는 성별 데이터, 연령 데이터, 고용 데이터, 및 교육 데이터 중 하나 이상을 포함하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 10. 선행하는 예들 중 어느 하나에 있어서, 명령어들은 또한, 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
상이한 집단 노드들 각각에 대한 생성된 질병 신호를 애플리케이션 프로그래밍 인터페이스를 통해 서드 파티 수신자에게 제공하게 하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 11. 선행하는 예들 중 어느 하나에 있어서,복수의 집단 노드들 중 하나 이상은 지리구이고, 지리구와 연관된 모바일 컴퓨팅 디바이스들은 지리구 내에 물리적으로 위치되는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 12. 선행하는 예들 중 어느 하나에 있어서,복수의 집단 노드들 중 하나 이상은 지리구이고, 지리구는 우편 번호, 국세 조사구(census tract) 또는 인구 주택 총조사 조사구(census block)이고, 지리구와 연관된 모바일 컴퓨팅 디바이스들은 우편 번호 내에 물리적으로 위치되는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 13. 선행하는 예들 중 어느 하나에 있어서,복수의 집단 노드들 중 하나 이상은 지리구이고, 지리구는 주(state)이며, 지리구와 연관된 모바일 컴퓨팅 디바이스들은 주 내에 물리적으로 위치되는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 14. 선행하는 예들 중 어느 하나에 있어서,복수의 집단 노드들 중 하나 이상은 지리구이고, 지리구는 국가(country)이며, 지리구와 연관된 모바일 컴퓨팅 디바이스들은 국가 내에 물리적으로 위치되는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 15. 선행하는 예들 중 어느 하나에 있어서,복수의 집단 노드들 중 하나 이상은 학교, 학제, 또는 상위 학습 기관 중 어느 하나인 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 16. 질병 검출 및 추적 컴퓨팅 시스템으로서,
복수의 온도 감지 프로브들 ― 온도 감지 프로브들 각각은 연관된 모바일 컴퓨팅 디바이스와 통신하도록 구성됨 ―;
질병 검출 및 추적 컴퓨팅 시스템을 포함하며, 질병 검출 및 추적 컴퓨팅 시스템은 연관된 모바일 컴퓨팅 디바이스들 각각과 네트워크 통신 상태에 있고, 질병 검출 및 추적 컴퓨팅 시스템은:
네트워크 통신을 통해 모바일 컴퓨팅 디바이스들 각각으로부터 사용자 데이터를 수신하고 ― 컴퓨팅 디바이스들 각각으로부터 수신되는 사용자 데이터는 컴퓨팅 디바이스의 지리 위치, 연관된 온도 감지 프로브에 의해 수집된 사용자 온도 판독치, 및 온도 판독치와 연관된 시간 스탬프를 포함하되, 모바일 컴퓨팅 디바이스들 각각은 집단 노드와 연관됨 ―;
집단 노드와 연관된 모바일 컴퓨팅 디바이스들로부터 시간 경과에 따라 수신되는 사용자 데이터에 기초하여 집단 노드 내의 발열성 질병의 발병률을 결정하며;
집단 노드에 대한 발열성 질병의 발병률에 기초하여 집단 노드에 대한 질병 신호를 생성하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 17. 예 16에 있어서, 질병 검출 및 추적 컴퓨팅 시스템은 집단 노드에 대한 발열성 질병의 변화율을 임계 변화율과 비교하고, 발열성 질병의 변화율이 임계 변화율을 초과할 때, 집단 노드에 대한 발병 신호를 생성하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 18. 예 16 또는 예 17에 있어서, 질병 검출 및 추적 및 컴퓨팅 시스템은 집단 노드 내의 발열성 질병의 결정된 발병률에 기초하여 집단 노드에 대한 유효 재생산율(Rt)을 결정하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 19. 예 16 내지 예 18 중 어느 하나에 있어서, 질병 검출 및 추적 컴퓨팅 시스템은 각 사용자에 대한 인구학적 데이터를 저장하는 것이고, 인구학적 데이터는 성별 데이터, 연령 데이터, 고용 데이터, 및 교육 데이터 중 하나 이상을 포함하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 20. 예 16 내지 예 19 중 어느 하나에 있어서, 질병 검출 및 추적 컴퓨팅 시스템은 애플리케이션 프로그래밍 인터페이스를 통해 집단 노드에 대한 생성된 질병 신호를 서드 파티 수신자에게 제공하는 것인, 질병 검출 또는 추적 컴퓨팅 시스템.
예 21. 예 16 내지 예 20 중 어느 하나에 있어서, 집단 노드는 자치주, 우편 번호, 국세 조사구, 인구 주택 총조사 조사구, 주, 국가, 대도시 통계 영역(MSA), 학교, 학제, 및 상위 학습 기관 중 어느 하나인 것인, 질병 검출 및 추적 컴퓨팅 시스템.
예 22. 예 16 내지 예 21 중 어느 하나에 있어서, 온도 감지 프로브는 의료용 온도계인 것인, 질병 검출 및 추적 및 시스템.
예 23. 질병 검출 및 추적 방법으로서,
질병 검출 및 추적 컴퓨팅 시스템에 의해, 복수의 생체 측정 수집 장치 각각으로부터 수집된 사용자 데이터를 수신하는 단계 - 수신된 사용자 데이터는 지리 위치, 생체 측정 수집 디바이스들에 의해 수집된 생체 측정 판독치, 및 생체 측정 판독치와 연관된 시간 스탬프를 포함함 -;
질병 검출 및 추적 컴퓨팅 시스템에 의해, 집단 노드에 대한 복수의 생체 측정 수집 디바이스들에 의해 일정 시구간에 걸쳐 수집되는 사용자 데이터에 기초하여 집단 노드에 대한 생체 측정 변화율을 결정하는 단계; 및
질병 검출 및 추적 컴퓨팅 시스템에 의해, 집단 노드에 대한 결정된 생체 측정 변화율에 기초하여 집단 노드에 대한 질병 신호를 생성하는 단계를 포함하는, 질병 검출 및 추적 방법.
예 24. 예 23에 있어서,
질병 검출 및 추적 컴퓨팅 시스템에 의해, 집단 노드에 대한 질병 신호를 그래픽으로 전달하는 단계를 더 포함하, 질병 신호는 실시간 질병 신호인 것인, 질병 검출 및 추적 방법.
예 25. 예 23 또는 예 24에 있어서,
질병 검출 및 추적 컴퓨팅 시스템에 의해, 집단 노드에 대한 결정된 생체 측정 변화율을 임계 변화율과 비교하는 단계; 및
결정된 생체 측정 변화율이 임계 변화율을 초과할 때, 질병 검출 및 추적 컴퓨팅 시스템에 의해, 집단 노드에 대한 발병 신호를 생성하는 단계를 더 포함하는, 질병 검출 및 추적 방법.
예 26. 예 23 내지 예 25 중 어느 하나에 있어서, 생체 측정 수집 디바이스는 온도계이고, 생체 측정 판독치는 온도 판독치인 것이며,
질병 검출 및 추적 컴퓨팅 시스템에 의해, 집단 노드에 대한 결정된 생체 측정 변화율에 기초하여 집단 노드에 대한 유효 재생산율(Rt)을 결정하는 단계를 더 포함하는, 질병 검출 및 추적 방법.
예 27. 예 23 내지 예 26 중 어느 하나에 있어서,
사용자들 각각에 대해, 질병 검출 및 추적 컴퓨팅 시스템에 의해, 인구학적 데이터를 저장하는 단계를 더 포함하며, 인구학적 데이터는 성별 데이터, 연령 데이터, 고용 데이터, 및 교육 데이터 중 하나 이상을 포함하는 것인, 질병 검출 및 추적 컴퓨팅 방법.
예 28. 예 23 내지 예 27 중 어느 하나에 있어서, 생체 측정 수집 디바이스들 각각은 온도계, 맥박 산소 측정기, 심박수 모니터, 및 웨어러블 피트니스 추적기 중 어느 하나인 것인, 질병 검출 및 추적 방법.
예 29. 예 23 내지 예 28 중 어느 하나에 있어서, 생체 측정 수집 디바이스들 각각은 웨어러블 피트니스 추적기인 것인, 질병 검출 및 추적 방법.
예 30. 예 23 내지 예 29 중 어느 하나에 있어서, 집단 노드는 자치주, 우편 번호, 국세 조사구, 인구 주택 총조사 조사구, 주, 국가, 학교, 학제, 및 상위 학습 기관 중 어느 하나인 것인, 질병 검출 및 추적 컴퓨팅 방법.
실시예들 및 예들의 전술한 설명은 설명의 목적으로 제시되었다. 이는 기재된 형태를 총망라하거나 제한하는 것으로 의도되지 않는다. 교시에 비추어 다수의 수정이 가능하다. 이들 변형의 일부는 논의되었고, 다른 것들은 당업자에 의해 이해될 것이다. 실시예들은 다양한 실시예들의 예시를 위해 선택되고 설명되었다. 물론, 본 개시의 범위는 본 명세서에 기재된 실시예 또는 실시예로 제한되지 않고, 당업자에 의해 임의의 수의 적용예 및 균등예에 채용될 수 있다.

Claims (30)

  1. 질병 검출 및 추적 컴퓨팅 시스템으로서,
    복수의 온도 감지 프로브들 ― 상기 온도 감지 프로브들 각각은 연관된 모바일 컴퓨팅 디바이스와 무선으로 통신하도록 구성되고, 상기 복수의 온도 감지 프로브들은 복수의 상이한 집단 노드들 사이에 분산됨 ―;
    적어도 하나의 메모리 및 적어도 하나의 프로세서를 포함하는 중앙 집중 질병 검출 및 추적 컴퓨팅 시스템을 포함하며, 상기 질병 검출 및 추적 컴퓨팅 시스템은 상기 연관된 모바일 컴퓨팅 디바이스들 각각과 네트워크 통신 상태에 있되, 상기 적어도 하나의 메모리는 실행될 때 상기 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
    네트워크 통신을 통해 상기 모바일 컴퓨팅 디바이스들 각각으로부터 사용자 데이터를 일정 시구간에 걸쳐 수신하고 ― 상기 컴퓨팅 디바이스들 각각으로부터 수신되는 상기 사용자 데이터는 상기 컴퓨팅 디바이스의 지리 위치, 연관된 온도 감지 프로브에 의해 수집된 사용자 온도 판독치, 및 상기 온도 판독치와 연관된 시간 스탬프를 포함함 ―;
    상기 복수의 상이한 집단 노드들 각각에 대해, 상기 상이한 집단 노드들과 연관된 상기 모바일 컴퓨팅 디바이스들로부터 일정 시구간에 걸쳐 수신된 사용자 데이터에 기초하여, 상기 집단 노드와 연관된 상기 모바일 컴퓨터 디바이스들로부터 수신된 사용자 데이터에 기초하여 발열성 질병의 변화율을 결정하고;
    상기 상이한 집단 노드들 각각에 대한 결정된 발열성 질병의 변화율에 기초하여 상기 상이한 집단 노드들 각각에 대한 질병 신호를 생성하고;
    상기 상이한 집단 노드들 각각에 대한 발열성 질병의 결정된 변화율을 임계 변화율과 비교하며;
    상기 결정된 발열성 질병의 변화율이 상기 임계 변화율을 초과할 때, 상기 연관된 집단 노드에 대한 발병 신호를 생성하게 하는 명령어들을 포함하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  2. 제1항에 있어서, 상기 명령어들은 또한, 상기 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
    상기 상이한 집단 노드들 각각에 대한 상기 질병 신호를 그래픽으로 전달하게 하고, 상기 질병 신호는 실시간 질병 신호인 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  3. 제1항 또는 제2항에 있어서, 상기 명령어들은 또한, 상기 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
    상기 상이한 집단 노드들 각각에 대한 상기 발병 신호를 그래픽으로 전달하게 하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 명령어들은 또한, 상기 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
    상기 상이한 집단 노드들 각각에 대한 결정된 발열성 질병의 변화율에 적어도 부분적으로 기초하여 상기 상이한 집단 노드들 각각에 대한 유효 재생산율(Rt)을 생성하게 하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 명령어들은 또한, 상기 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
    네트워크 통신을 통해 하나 이상의 서드 파티로부터 데이터 세트들을 수신하게 하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  6. 제5항에 있어서, 상기 데이터 세트들은 국립 공중 보건 기구(national public health institute)로부터 수신되는 질병 기반 웹 데이터를 포함하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 온도 감지 프로브는 의료용 온도계인 것인, 질병 검출 및 추적 및 시스템.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서, 상기 모바일 컴퓨팅 디바이스들 각각은 스마트폰, 태블릿 컴퓨터, 랩톱 컴퓨터, 및 데스크톱 컴퓨터 중 어느 하나인 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 명령어들은 또한, 상기 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
    사용자들 각각에 대해, 인구학적 데이터를 저장하되, 상기 인구학적 데이터는 성별 데이터, 연령 데이터, 고용 데이터, 및 교육 데이터 중 하나 이상을 포함하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  10. 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 명령어들은 또한, 상기 질병 검출 및 추적 컴퓨팅 시스템으로 하여금:
    상기 상이한 집단 노드들 각각에 대한 생성된 질병 신호를 애플리케이션 프로그래밍 인터페이스를 통해 서드 파티 수신자에게 제공하게 하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  11. 제1항 내지 제10항 중 어느 한 항에 있어서, 상기 복수의 집단 노드들 중 하나 이상은 지리구이고, 상기 지리구와 연관된 상기 모바일 컴퓨팅 디바이스들은 상기 지리구 내에 물리적으로 위치되는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  12. 제1항 내지 제11항 중 어느 한 항에 있어서, 상기 복수의 집단 노드들 중 하나 이상은 지리구이고, 상기 지리구는 우편 번호, 국세 조사구(census tract) 또는 인구 주택 총조사 조사구(census block)이고, 상기 지리구와 연관된 상기 모바일 컴퓨팅 디바이스들은 상기 우편 번호 내에 물리적으로 위치되는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  13. 제1항 내지 제12항 중 어느 한 항에 있어서, 상기 복수의 집단 노드들 중 하나 이상은 지리구이고, 상기 지리구는 주(state)이며, 상기 지리구와 연관된 상기 모바일 컴퓨팅 디바이스들은 상기 주 내에 물리적으로 위치되는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  14. 제1항 내지 제13항 중 어느 한 항에 있어서, 상기 복수의 집단 노드들 중 하나 이상은 지리구이고, 상기 지리구는 국가(country)이며, 상기 지리구와 연관된 상기 모바일 컴퓨팅 디바이스들은 상기 국가 내에 물리적으로 위치되는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  15. 제1항 내지 제14항 중 어느 한 항에 있어서, 상기 복수의 집단 노드들 중 하나 이상은 학교, 학제, 또는 상위 학습 기관 중 어느 하나인 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  16. 질병 검출 및 추적 컴퓨팅 시스템으로서,
    복수의 온도 감지 프로브들 ― 상기 온도 감지 프로브들 각각은 연관된 모바일 컴퓨팅 디바이스와 통신하도록 구성됨 ―;
    상기 질병 검출 및 추적 컴퓨팅 시스템을 포함하며, 상기 질병 검출 및 추적 컴퓨팅 시스템은 상기 연관된 모바일 컴퓨팅 디바이스들 각각과 네트워크 통신 상태에 있고, 상기 질병 검출 및 추적 컴퓨팅 시스템은:
    네트워크 통신을 통해 상기 모바일 컴퓨팅 디바이스들 각각으로부터 사용자 데이터를 수신하고 ― 상기 컴퓨팅 디바이스들 각각으로부터 수신되는 상기 사용자 데이터는 상기 컴퓨팅 디바이스의 지리 위치, 연관된 온도 감지 프로브에 의해 수집된 사용자 온도 판독치, 및 상기 온도 판독치와 연관된 시간 스탬프를 포함하되, 상기 모바일 컴퓨팅 디바이스들 각각은 집단 노드와 연관됨 ―;
    상기 집단 노드와 연관된 상기 모바일 컴퓨팅 디바이스들로부터 시간 경과에 따라 수신되는 상기 사용자 데이터에 기초하여 집단 상기 노드 내의 발열성 질병의 발병률을 결정하며;
    상기 집단 노드에 대한 상기 발열성 질병의 발병률에 기초하여 상기 집단 노드에 대한 질병 신호를 생성하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  17. 제16항에 있어서, 상기 질병 검출 및 추적 컴퓨팅 시스템은 상기 집단 노드에 대한 발열성 질병의 변화율을 임계 변화율과 비교하고, 상기 발열성 질병의 변화율이 상기 임계 변화율을 초과할 때, 상기 집단 노드에 대한 발병 신호를 생성하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  18. 제16항 또는 제17항에 있어서, 상기 질병 검출 및 추적 및 컴퓨팅 시스템은 상기 집단 노드 내의 발열성 질병의 결정된 발병률에 기초하여 상기 집단 노드에 대한 유효 재생산율(Rt)을 결정하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  19. 제16항 내지 제18항 중 어느 한 항에 있어서, 상기 질병 검출 및 추적 컴퓨팅 시스템은 각 사용자에 대한 인구학적 데이터를 저장하는 것이고, 상기 인구학적 데이터는 성별 데이터, 연령 데이터, 고용 데이터, 및 교육 데이터 중 하나 이상을 포함하는 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  20. 제16항 내지 제19항 중 어느 한 항에 있어서, 상기 질병 검출 및 추적 컴퓨팅 시스템은 애플리케이션 프로그래밍 인터페이스를 통해 상기 집단 노드에 대한 생성된 질병 신호를 서드 파티 수신자에게 제공하는 것인, 질병 검출 또는 추적 컴퓨팅 시스템.
  21. 제16항 내지 제20항 중 어느 한 항에 있어서, 상기 집단 노드는 자치주, 우편 번호, 국세 조사구, 인구 주택 총조사 조사구, 주, 국가, 대도시 통계 영역(MSA), 학교, 학제, 및 상위 학습 기관 중 어느 하나인 것인, 질병 검출 및 추적 컴퓨팅 시스템.
  22. 제16항 내지 제21항 중 어느 한 항에 있어서, 상기 온도 감지 프로브는 의료용 온도계인 것인, 질병 검출 및 추적 및 시스템.
  23. 질병 검출 및 추적 방법으로서,
    질병 검출 및 추적 컴퓨팅 시스템에 의해, 복수의 생체 측정 수집 장치 각각으로부터 수집된 사용자 데이터를 수신하는 단계 - 수신된 사용자 데이터는 지리 위치, 생체 측정 수집 디바이스들에 의해 수집된 생체 측정 판독치, 및 생체 측정 판독치와 연관된 시간 스탬프를 포함함 -;
    상기 질병 검출 및 추적 컴퓨팅 시스템에 의해, 집단 노드에 대한 상기 복수의 생체 측정 수집 디바이스들에 의해 일정 시구간에 걸쳐 수집되는 사용자 데이터에 기초하여 집단 노드에 대한 생체 측정 변화율을 결정하는 단계; 및
    상기 질병 검출 및 추적 컴퓨팅 시스템에 의해, 상기 집단 노드에 대한 결정된 생체 측정 변화율에 기초하여 상기 집단 노드에 대한 질병 신호를 생성하는 단계를 포함하는, 질병 검출 및 추적 방법.
  24. 제23항에 있어서,
    상기 질병 검출 및 추적 컴퓨팅 시스템에 의해, 상기 집단 노드에 대한 질병 신호를 그래픽으로 전달하는 단계를 더 포함하, 상기 질병 신호는 실시간 질병 신호인 것인, 질병 검출 및 추적 방법.
  25. 제23항 또는 제24항에 있어서,
    상기 질병 검출 및 추적 컴퓨팅 시스템에 의해, 상기 집단 노드에 대한 결정된 생체 측정 변화율을 임계 변화율과 비교하는 단계; 및
    상기 결정된 생체 측정 변화율이 임계 변화율을 초과할 때, 상기 질병 검출 및 추적 컴퓨팅 시스템에 의해, 상기 집단 노드에 대한 발병 신호를 생성하는 단계를 더 포함하는, 질병 검출 및 추적 방법.
  26. 제23항 내지 제25항 중 어느 한 항에 있어서, 상기 생체 측정 수집 디바이스는 온도계이고, 상기 생체 측정 판독치는 온도 판독치인 것이며,
    상기 질병 검출 및 추적 컴퓨팅 시스템에 의해, 상기 집단 노드에 대한 결정된 생체 측정 변화율에 기초하여 상기 집단 노드에 대한 유효 재생산율(Rt)을 결정하는 단계를 더 포함하는, 질병 검출 및 추적 방법.
  27. 제23항 또는 제26항에 있어서,
    사용자들 각각에 대해, 상기 질병 검출 및 추적 컴퓨팅 시스템에 의해, 인구학적 데이터를 저장하는 단계를 더 포함하며, 상기 인구학적 데이터는 성별 데이터, 연령 데이터, 고용 데이터, 및 교육 데이터 중 하나 이상을 포함하는 것인, 질병 검출 및 추적 컴퓨팅 방법.
  28. 제23항 내지 제27항 중 어느 한 항에 있어서, 상기 생체 측정 수집 디바이스들 각각은 온도계, 맥박 산소 측정기, 심박수 모니터, 및 웨어러블 피트니스 추적기 중 어느 하나인 것인, 질병 검출 및 추적 방법.
  29. 제23항 내지 제28항 중 어느 한 항에 있어서, 상기 생체 측정 수집 디바이스들 각각은 웨어러블 피트니스 추적기인 것인, 질병 검출 및 추적 방법.
  30. 제23항 내지 제29항 중 어느 한 항에 있어서, 상기 집단 노드는 자치주, 우편 번호, 국세 조사구, 인구 주택 총조사 조사구, 주, 국가, 학교, 학제, 및 상위 학습 기관 중 어느 하나인 것인, 질병 검출 및 추적 컴퓨팅 방법.
KR1020227035878A 2020-03-18 2021-03-03 전염성 질병 감시 및 발병 검출을 위한 시스템 및 방법 KR20220157421A (ko)

Applications Claiming Priority (9)

Application Number Priority Date Filing Date Title
US202062991074P 2020-03-18 2020-03-18
US202062991472P 2020-03-18 2020-03-18
US62/991,074 2020-03-18
US62/991,472 2020-03-18
US202063082288P 2020-09-23 2020-09-23
US63/082,288 2020-09-23
US17/156,810 2021-01-25
US17/156,810 US11309091B2 (en) 2020-03-18 2021-01-25 Systems and methods for contagious illness surveillance and outbreak detection
PCT/US2021/020573 WO2021188294A1 (en) 2020-03-18 2021-03-03 Systems and methods for contagious illness surveillance and outbreak detection

Publications (1)

Publication Number Publication Date
KR20220157421A true KR20220157421A (ko) 2022-11-29

Family

ID=77746778

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227035878A KR20220157421A (ko) 2020-03-18 2021-03-03 전염성 질병 감시 및 발병 검출을 위한 시스템 및 방법

Country Status (8)

Country Link
US (2) US11309091B2 (ko)
EP (1) EP4120897A4 (ko)
JP (1) JP2023518234A (ko)
KR (1) KR20220157421A (ko)
AU (1) AU2021239897A1 (ko)
CA (1) CA3175281A1 (ko)
TW (1) TW202201428A (ko)
WO (1) WO2021188294A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12009107B2 (en) * 2020-09-09 2024-06-11 Optum, Inc. Seasonally adjusted predictive data analysis
CN113763658B (zh) * 2021-10-09 2023-03-28 南通市疾病预防控制中心 一种基于大数据和5g的多点触发传染病预警设备及方法
CN114708985B (zh) * 2022-03-14 2023-01-24 中国人民解放军总医院第八医学中心 呼吸道传染病预警方法及系统
CN115886752A (zh) * 2022-11-14 2023-04-04 中山大学 一种传染病的监测和预测方法、装置及存储介质

Family Cites Families (69)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3241370A (en) 1962-09-21 1966-03-22 Stevens Mfg Co Inc Thermal probe
US3872728A (en) 1972-10-10 1975-03-25 Michael F Joyce Electronic temperature measuring instrument
US3906796A (en) 1974-01-14 1975-09-23 Robert Francis Dumbeck Electronic temperature measuring apparatus
IT1041291B (it) 1975-08-21 1980-01-10 Raggiotti G Dispositivo di controllo e indicazione della temperatura corporea
US4041382A (en) 1976-08-16 1977-08-09 The Sippican Corporation Calibrating a measurement system including bridge circuit
US4321933A (en) 1979-08-23 1982-03-30 Baessler Medical Electronics, Inc. Telemetry system for monitoring hospital patient temperature
US4392782A (en) 1980-11-13 1983-07-12 Comact Pump Corporation Liquid level controller
US4422066A (en) 1981-10-08 1983-12-20 Honeywell Inc. Condition sensor interface means
US4475823A (en) 1982-04-09 1984-10-09 Piezo Electric Products, Inc. Self-calibrating thermometer
US5050430A (en) 1990-06-19 1991-09-24 Magnetek Controls Magnetostrictive linear position detector with temperature sensors
US6968375B1 (en) 1997-03-28 2005-11-22 Health Hero Network, Inc. Networked system for interactive communication and remote monitoring of individuals
US5778882A (en) 1995-02-24 1998-07-14 Brigham And Women's Hospital Health monitoring system
CA2284168A1 (en) 1997-03-13 1998-09-17 First Opinion Corporation Disease management system
US6579231B1 (en) 1998-03-27 2003-06-17 Mci Communications Corporation Personal medical monitoring unit and system
US8419650B2 (en) 1999-04-16 2013-04-16 Cariocom, LLC Downloadable datasets for a patient monitoring system
US6568848B1 (en) 1999-09-20 2003-05-27 Maverick Industries, Inc. Wireless remote cooking thermometer system
US6389308B1 (en) 2000-05-30 2002-05-14 Vladimir Shusterman System and device for multi-scale analysis and representation of electrocardiographic data
US20030002562A1 (en) 2001-06-27 2003-01-02 Yerlikaya Y. Denis Temperature probe adapter
US6839651B2 (en) 2001-06-27 2005-01-04 Sherwood Services Ag Probe tip thermal isolation and fast prediction algorithm
US7186222B1 (en) 2002-09-10 2007-03-06 Radiant Medical, Inc. Vascular introducer with temperature monitoring probe and systems for endovascular temperature control
US20040073459A1 (en) 2002-10-11 2004-04-15 Infinity Healthcare Bio-surveillance system and method
US7792690B2 (en) 2002-11-27 2010-09-07 Computer Sciences Corporation Computerized method and system for estimating an effect on liability of the speed of vehicles in an accident and time and distance traveled by the vehicles
US7399276B1 (en) 2003-05-08 2008-07-15 Health Hero Network, Inc. Remote health monitoring system
US8795168B2 (en) 2003-07-17 2014-08-05 Cadi Scientific Pte Ltd. Method and system for capturing and monitoring a physiological parameter and movement within an area of at least one person
US20060036619A1 (en) 2004-08-09 2006-02-16 Oren Fuerst Method for accessing and analyzing medically related information from multiple sources collected into one or more databases for deriving illness probability and/or for generating alerts for the detection of emergency events relating to disease management including HIV and SARS, and for syndromic surveillance of infectious disease and for predicting risk of adverse events to one or more drugs
US7293915B2 (en) 2005-07-26 2007-11-13 Actherm, Inc. Assembly method and structure of an electronic clinical thermometer
US7836770B2 (en) 2005-12-20 2010-11-23 Etymotic Research, Inc. Method and system for noise dosimeter with quick-check mode and earphone adapter
US7860553B2 (en) 2006-02-09 2010-12-28 Biosense Webster, Inc. Two-stage calibration of medical probes
CA2646545C (en) 2006-03-15 2013-10-22 Philippe Kahn Method and apparatus to provide outbreak notification based on historical location data
WO2008105848A2 (en) 2006-10-16 2008-09-04 Raytheon Company System and method for public health surveillance and response
US8126731B2 (en) 2006-10-24 2012-02-28 Medapps, Inc. Systems and methods for medical data interchange activation
US9044136B2 (en) 2007-02-16 2015-06-02 Cim Technology Inc. Wearable mini-size intelligent healthcare system
US20080221930A1 (en) 2007-03-09 2008-09-11 Spacelabs Medical, Inc. Health data collection tool
US8160836B2 (en) 2007-04-17 2012-04-17 Exergen Corporation Wireless transmission of temperature data for a geographic area
GB0801130D0 (en) 2008-01-22 2008-02-27 Univ Catholique Louvain Wireless architecture for interfacing MEMS sensors at ultra low power
US8556503B2 (en) 2008-05-02 2013-10-15 K-Jump Health Co., Ltd. Electronic clinical thermometer
JP5215060B2 (ja) 2008-07-02 2013-06-19 テルモ株式会社 電子体温計及び作動制御方法
US8092080B2 (en) 2008-08-15 2012-01-10 Siemens Energy, Inc. Wireless telemetry circuit structure for measuring temperature in high temperature environments
JP5401556B2 (ja) 2008-12-08 2014-01-29 インフォノーツ インク． 疾病マッピングと感染制御のシステム及び方法
US9519814B2 (en) 2009-06-12 2016-12-13 Hand Held Products, Inc. Portable data terminal
CN102576382A (zh) 2009-09-02 2012-07-11 诺基亚公司 用于经由移动信道跟踪和散布健康信息的方法和装置
US8335298B2 (en) 2009-09-14 2012-12-18 Clawson Jeffrey J Pandemic diagnostic and intervention tool for emergency dispatch
NZ599873A (en) * 2009-10-19 2014-09-26 Theranos Inc Integrated health data capture and analysis system
US9734034B2 (en) 2010-04-09 2017-08-15 Hewlett Packard Enterprise Development Lp System and method for processing data
US20110270631A1 (en) 2010-05-03 2011-11-03 AMD Global Telemedicine, Inc. Remote healthcare data-gathering and viewing system and method
TW201219006A (en) 2010-11-05 2012-05-16 Univ Nat Cheng Kung A peripheral physiology inspection apparatus and a peripheral auxiliary device for smart phone
US9495511B2 (en) 2011-03-01 2016-11-15 Covidien Lp Remote monitoring systems and methods for medical devices
WO2012112407A1 (en) 2011-02-14 2012-08-23 Chung Wayne Wireless physiological sensor system and method
US8725462B2 (en) 2011-05-13 2014-05-13 Fujitsu Limited Data aggregation platform
US20120316458A1 (en) 2011-06-11 2012-12-13 Aliphcom, Inc. Data-capable band for medical diagnosis, monitoring, and treatment
WO2012174230A1 (en) 2011-06-14 2012-12-20 Sickweather, Llc Social networking aggregator to track illnesses
US8645538B2 (en) 2011-11-20 2014-02-04 Yang Pan System and method for monitoring outbreak of contagious diseases
US9075909B2 (en) 2011-11-20 2015-07-07 Flurensics Inc. System and method to enable detection of viral infection by users of electronic communication devices
US20130179195A1 (en) 2012-01-09 2013-07-11 Mymedicalrecords, Inc. Method and system for managing personal health records with telemedicine and health monitoring device features
US8974115B2 (en) 2012-04-27 2015-03-10 Kinsa, Inc. Temperature measurement system and method
US8548828B1 (en) 2012-05-09 2013-10-01 DermTap Method, process and system for disease management using machine learning process and electronic media
CA2873242A1 (en) 2012-05-14 2013-11-21 Lionsgate Technologies, Inc. Systems, methods and related apparatus for determining physiological parameters
US20140216136A1 (en) 2012-06-27 2014-08-07 Breathometer, Inc. Smart phone sensor platform
US9250137B2 (en) 2012-09-21 2016-02-02 Silicon Laboratories Inc. Temperature measurement circuitry and system
US9116049B2 (en) 2012-09-27 2015-08-25 Freescale Semiconductor, Inc. Thermal sensor system and method based on current ratio
KR20150099766A (ko) 2012-11-30 2015-09-01 킨사, 인코포레이티드 모바일-이용가능한 보건 시스템
EP2925214A4 (en) 2012-11-30 2016-09-21 Kinsa Inc MOBILE HEALTH SYSTEM
US20150100330A1 (en) 2013-10-08 2015-04-09 Assaf Shpits Method and system of identifying infectious and hazardous sites, detecting disease outbreaks, and diagnosing a medical condition associated with an infectious disease
US10311694B2 (en) * 2014-02-06 2019-06-04 Empoweryu, Inc. System and method for adaptive indirect monitoring of subject for well-being in unattended setting
US20150272195A1 (en) * 2014-03-31 2015-10-01 Elwha LLC, a limited liability company of the State of Delaware Quantified-self machines and circuits reflexively related to food fabricator machines and circuits
US20160113569A1 (en) * 2014-10-28 2016-04-28 Ebay Inc. Health issue detection and treatment system
WO2017011830A1 (en) * 2015-07-16 2017-01-19 Zansors Llc Cognitive behavioral therapy (cbt) method, system and application
US20170061074A1 (en) * 2015-08-31 2017-03-02 Kinsa, Inc. Telemedicine system and method
US20180107793A1 (en) * 2016-10-18 2018-04-19 Microsoft Technology Licensing, Llc Health activity monitoring and work scheduling

Also Published As

Publication number Publication date
EP4120897A4 (en) 2024-04-24
EP4120897A1 (en) 2023-01-25
AU2021239897A1 (en) 2022-10-20
US11715568B2 (en) 2023-08-01
US20220223298A1 (en) 2022-07-14
JP2023518234A (ja) 2023-04-28
US20210296007A1 (en) 2021-09-23
US20230360806A1 (en) 2023-11-09
US11309091B2 (en) 2022-04-19
WO2021188294A1 (en) 2021-09-23
TW202201428A (zh) 2022-01-01
CA3175281A1 (en) 2021-09-23

Similar Documents

Publication Publication Date Title
Kogan et al. An early warning approach to monitor COVID-19 activity with multiple digital traces in near real time
Kirby et al. Advances in spatial epidemiology and geographic information systems
Murray et al. Infectious disease surveillance
US11715568B2 (en) Systems and methods for contagious illness surveillance and outbreak detection
World Health Organization Global epidemiological surveillance standards for influenza
Chamberlain et al. Real-time detection of COVID-19 epicenters within the United States using a network of smart thermometers
US20220037029A1 (en) Infectious disease heat map and prediction model generation
Gilbert et al. Public health surveillance
Cuomo et al. A longitudinal and geospatial analysis of COVID-19 tweets during the early outbreak period in the United States
World Health Organization WHO global technical consultation: global standards and tools for influenza surveillance, Geneva, Switzerland, 8-10 March 2011
Eberth et al. What is the place for space in epidemiology?
Evans et al. Quantifying the contribution of pathways of nosocomial acquisition of COVID-19 in English hospitals
Shi et al. Current challenges with the use of test-negative designs for modeling COVID-19 vaccination and outcomes
Tenforde et al. Point prevalence estimates of activity-limiting long-term symptoms among United States adults≥ 1 month after reported severe acute respiratory syndrome coronavirus 2 infection, 1 November 2021
Fulcher et al. Syndromic surveillance using monthly aggregate health systems information data: methods with application to COVID-19 in Liberia
Lone et al. Seasonal Influenza Vaccine Effectiveness in the community (SIVE): protocol for a cohort study exploiting a unique national linked data set
Chen et al. Spatial and temporal aberration detection methods for disease outbreaks in syndromic surveillance systems
JP2023524265A (ja) 日周曲線の追跡及び分析のためのシステム及び方法
Eum et al. Using GPS-enabled mobile phones to evaluate the associations between human mobility changes and the onset of influenza illness
Horn et al. Population mobility data provides meaningful indicators of fast food intake and diet-related diseases in diverse populations
Fakhry et al. Tracking coronavirus pandemic diseases using social media: a machine learning approach
US12125597B2 (en) Systems and methods for contagious illness surveillance and outbreak detection
Thornley et al. Can the prevalence of diagnosed diabetes be estimated from linked national health records? The validity of a method applied in New Zealand
Kada et al. Age-specific case data reveal varying dengue transmission intensity in US states and territories
Mao et al. Data-driven analytical models of COVID-2019 for epidemic prediction, clinical diagnosis, policy effectiveness and contact tracing: a survey

Legal Events

Date Code Title Description
A201 Request for examination