KR20230128441A - 사용자 컴퓨팅 장치의 건강 데이터를 사용하여 신체 활동 레벨을 평가하기 위한 시스템 및 방법 - Google Patents

사용자 컴퓨팅 장치의 건강 데이터를 사용하여 신체 활동 레벨을 평가하기 위한 시스템 및 방법 Download PDF

Info

Publication number
KR20230128441A
KR20230128441A KR1020237000445A KR20237000445A KR20230128441A KR 20230128441 A KR20230128441 A KR 20230128441A KR 1020237000445 A KR1020237000445 A KR 1020237000445A KR 20237000445 A KR20237000445 A KR 20237000445A KR 20230128441 A KR20230128441 A KR 20230128441A
Authority
KR
South Korea
Prior art keywords
data
patient
patients
medical intervention
surgery
Prior art date
Application number
KR1020237000445A
Other languages
English (en)
Inventor
장 더블유. 윤
그레고리 더블유. 바질
마이클 와이. 왕
Original Assignee
키네시오메트릭스, 아이엔씨.
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 키네시오메트릭스, 아이엔씨. filed Critical 키네시오메트릭스, 아이엔씨.
Publication of KR20230128441A publication Critical patent/KR20230128441A/ko

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Urology & Nephrology (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Electrotherapy Devices (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

일반적으로 설명하면, 본 출원의 하나 이상의 양태들은 제안된 외과적 개입의 예측되는 외과적 효능 및 환자에 대해 예측되는 수술 이후 회복 패턴의 결정을 가능하게 하는 것과 관련된다. 보다 구체적으로, 본 개시는 복수의 환자 데이터의 환자 데이터를 분석하고, 복수의 환자의 수술 이후 회복을 나타내는 분석 데이터를 생성하고, 이 분석 데이터를, 환자들의 생물학적 특성 및 환자들이 받은 외과적 개입들의 타입들과 연관시켜서 저장할 수 있는 시스템을 제공한다. 그 후에, 시스템은 환자 특성 및 환자의 활동 데이터를 분석하고, 이전에 생성된 분석 데이터를 기반으로, 해당 환자에게 주어진 외과적 개입이 얼마나 효과적인지 및/또는 주어진 외과적 개입으로부터 환자가 회복할 수 있는 방법에 대한 예측을 출력할 수 있다.

Description

사용자 컴퓨팅 장치의 건강 데이터를 사용하여 신체 활동 레벨을 평가하기 위한 시스템 및 방법
우선권 출원에 대한 참조에 의한 통합
본 출원은 2021년 6월 8일에 출원된 미국 가출원 번호 63/036,299의 우선권을 주장하며, 이 문헌의 개시 내용은 모든 목적을 위해 그 전체가 참조로서 본 명세서에 포함된다. 본 출원과 함께 제출된 출원 데이터 시트에서 외국 또는 국내 우선권 주장이 식별된 모든 출원은 모든 목적을 위해 37 CFR 1.57에 따라 그 전체가 참조로서 본 명세서에 통합된다.
기술 분야
본 개시는 네트워크 환경 내의 컴퓨팅 장치들에 대한 분석 데이터의 생성, 송신 및 제시를 용이하게 하는 분야에 관한 것이다.
환자 보고 결과 측정(PROM)들은 종종 수술 환자의 건강 상태를 평가하는데 사용된다. 예를 들어, PROM 설문조사에는 환자가 수술 전후에 답변해야 하는 여러가지 특정 질문들을 포함할 수 있다. 그런 다음 이러한 질문들에 대한 답변을 사용하여 숫자 점수를 결정할 수 있으며, 이에 따라 상대적 이점을 결정할 수 있다. 그러나, 이러한 답변들은 본질적으로 주관적이며 종종 큰 덩어리(예를 들면, 몇 달 또는 몇 년이 아닌 경우 몇 주)로 측정되므로 이러한 답변들만을 기초하여 수술의 효능 또는 환자 회복 패턴을 정확하게 예측하는 것은 어려울 수 있다. 따라서 의료 개입의 효능 및 개입 후 회복의 예측 패턴을 결정하기 위한 보다 효과적이고 세분화되며 객관적인 기술이 요구된다.
도 1은 본 개시의 양태들에 따른, 데이터 분석 서비스 및 보고서 생성 서비스를 구현하기 위해 의료 개입 분석 시스템이 사용되는 네트워크 환경의 개략도를 도시한 것이다.
도 2는 본 개시의 양태들에 따른, 환자 활동 데이터를 처리하는 예시적인 작업 흐름을 예시하는 블록도를 도시한 것이다.
도 3은 본 개시의 양태들에 따른, 환자 데이터의 수술 이후 분석을 수행하기 위한 예시적인 프로세스의 흐름도이다.
도 4는 본 개시의 양태들에 따른, 활동 데이터를 예시하는 그래프들을 도시한 것이다.
도 5는 본 개시의 양태들에 따른, 활동 데이터의 분포를 예시하는 그래프들을 도시한 것이다.
도 6은 본 개시의 양태들에 따른, 오차 막대들이 있는 평균 활동 레벨들을 예시하는 그래프들을 도시한 것이다.
도 7은 본 개시의 양태들에 따른, 활동 레벨들의 증가 및 감소 시간들을 예시하는 그래프를 도시한 것이다.
도 8은 본 개시의 양태들에 따른, 겹쳐진 화살표들로 활동의 레벨들을 예시하는 히트 맵들을 도시한 것이다.
도 9는 본 개시의 양태들에 따른, 걸음 수 및 걸음 크기들의 레벨들을 예시하는 그래프들을 도시한 것이다.
도 10은 본 개시의 양태들에 따른, 이동 거리 및 층 수의 레벨들을 예시하는 그래프들을 도시한 것이다.
도 11은 본 개시의 양태들에 따른, 각 요일, 주중, 주말 및 모든 요일에 대한 걸음 수, 이동 거리 및 층 수의 수술 이전 및 수술 이후 레벨들을 예시하는 그래프를 도시한 것이다.
도 12는 본 개시의 양태들에 따른, 식별된 시간 윈도우들(에포크들)의 시각적 표시들을 포함하는 상이한 타입들의 시나리오들에서 수술 이전 및 수술 이후 걸음 수의 레벨들을 예시하는 그래프들을 도시한 것이다.
도 13은 본 개시의 양태에 따른, 수술 이전 및 수술 이후 걸음 수의 비교들을 예시하는 그래프들을 도시한 것이다.
도 14는 본 개시의 양태들에 따른, 수술 이전 및 수술 이후 걸음 수의 분포의 왜곡도의 비교를 예시하는 그래프를 도시한 것이다.
도 15는 본 개시의 양태들에 따른, 외과적 개입을 받을지 여부의 결정을 지원하는 예시적인 작업 흐름을 예시하는 블록도를 도시한 것이다.
도 16은 본 개시의 양태들에 따른, 환자 데이터의 수술 이전 분석을 수행하기 위한 예시적인 프로세스의 흐름도이다.
도 17은 본 개시의 양태들에 따른, 시각적으로 구별되는 시간 윈도우들을 출력하기 위한 예시적인 프로세스의 흐름도이다.
도 18은 본 개시의 양태들에 따른, 환자 활동 데이터에 기초하여 시간 윈도우들을 식별하기 위한 예시적인 프로세스의 흐름도이다.
도 19는 본 개시의 양태들에 따른, 본 명세서에 설명된 하나 이상의 컴포넌트들을 구현하는데 사용 가능한 컴퓨팅 시스템의 일반적인 아키텍처를 도시한 것이다.
도입
외과 의사는 매일 주어진 병리에 대한 최적의 수술을 결정해야 하는 과제에 직면해 있다. 이것은 아마도 척추 수술을 예로 들 수 있다. 척추 수술이 발전함에 따라, 외과 의사는 다양한 치료 옵션을 이용할 수 있다. 따라서, 외과적 의사 결정(surgical decision-making)은 외과 의사가 기존 문헌을 각 환자에게 고유한 기존 병리, 연령, 기능적 상태 및 라이프스타일과 함께 분석해야 하는 점점 더 복잡한 과정이 되고 있다. 이 결정의 복잡성은 수술 패턴들 간에 있어서의 요추 후궁절제술 비율의 7배 차이와 요추 유합술 비율의 10배 차이를 보여주는 연구에 반영되어 있다. 아마도 더 중요한 것은, 외과 의사가 가이던스에 사용할 과학적 증거와 문헌을 결정해야 한다는 점이다. 이것은 외과 의사가 최적의 수술 방식을 결정하기 위해 무작위 대조 시험과 증례 보고 중에서 선택해야 한다는 말은 아니다 - 증거 기반 의학의 계층 구조는 매우 명확하다. 오히려, 외과 의사는 기존 문헌을 사용하여 각 개별 환자의 전반적인 임상상(clinical picture)에 대한 이점과 위험을 가장 잘 측정할 수 있는 방법을 결정할 수 있다. 이러한 임상적 확실성의 결여는 부분적으로, 척추의 많은 병리가 여러 가지 상이한 문서화된 접근 방식을 가지고 있다는 사실에서 발생한다 - 각 접근 방식은 하나 이상의 차원에서 성공적인 것으로 보고되고 있다.
다양한 수술 절차에 대한 감압의 적절성과 함께 융합 및 실패율에 관한 많은 연구가 있다. 많은 경우에 있어서, 이러한 유형의 연구는 인체 및 뼈가 다양한 접근 방식에 어떻게 반응하는지 외과 의사가 이해하는데 도움이 되는 방사선학적 소견에 의해 주도된다. 마찬가지로 다양한 수술 절차의 생체역학적 장점과 단점을 탐구하는 많은 양의 문헌이 있다. 이 문헌의 본문은 사체 또는 유한 요소 분석에 크게 의존한다. 그러나, 외과 의사는 환자의 임상 반응이 고려해야 할 가장 중요한 요소일 수 있음을 알고 있다. 실제로, 문헌에서 주어진 수술 후 생체역학적 및 구조적 개선을 나타내더라도, 이러한 발견은 환자의 삶의 질에 실질적이고 의미 있는 개선을 가져오지 않는다면 관련성이 부족한 것이다.
몇 가지 예를 들자면, 심장, 정형외과, 배리아트릭 및 종양 수술을 포함하는 거의 모든 하위 전문 분야에 있어서의 외과적 의사 결정에서 이러한 동일한 문제가 발생한다. 하위 전문 분야의 기술적 측면들은 다르지만, 모든 외과 분야에서 의사는 개별 환자 및 모집단 수준에서 진료 패턴을 수정하기 위해 관련 결과 중심 연구를 적용하는데 어려움을 겪고 있다.
지금까지, 수술의 성공을 측정하는 것은 PROM(Patient Reported Outcome Measures)에 의존해 왔다. PROM의 대다수는 수술 전후에 환자에게 여러 가지 특정 질문에 답하도록 요청하는 설문 조사이다. 그 후에 이러한 질문에 대한 답변을 사용하여, 숫자 점수를 결정할 수 있으며, 이에 의해 상대적 이점이 결정될 수 있다. 기존의 다양한 PROM 조사가 있으며, 몇 가지 예를 들면 척추에 가장 일반적으로 사용되는 것은 ODI(Oswestry Disability Index), VAS(visual analog scale) 요통 및 다리 통증, 그리고 목 장애 지수(NDI, Neck Disability Index)이다. 보다 일반적인 PROM은 SF(Short Form)-36 건강 조사와 같은, 인간 기능의 여러 분야에 적용될 수 있다.
이러한 PROM 조사는 중요한 개념적 진보를 나타내지만, 이점을 측정하는데 있어서 전적으로 조사에 의존하기 때문에 많은 문제가 있다. 첫째로는 본질적으로 주관적인 특성이다. 환자가 자신이 더 기능적인 것으로 느끼거나 그렇게 말한다고 해서 반드시 그런 것은 아니다. 이러한 설문 조사는 의심할 여지 없이 환자가 의식적으로 또는 무의식적으로 응답에 포함시키는 많은 편견의 영향을 받게 된다.
또한, 어떤 PROM을 사용할 것인지에 대한 표준화가 매우 부족한 실정이다. 정형외과 척추 저널에 대한 후향적 검토에서는 1,079개의 연구에서 사용된 206개의 서로 다른 PROM을 언급하고 있다. 마찬가지로 중요하게도, 가장 일반적으로 사용되는 PROM 사이에서도 방법론 및 점수 계산 측면에서 일관성이 현저히 부족한 실정이다. 이것은 PROM의 또 다른 문제를 강조한다 - 즉, 이러한 메트릭이 표준화되지 않거나 일관되게 계산되지 않으면, 상대적 값과 치료 효능을 입증하는데 있어 유용성이 제한된다. 어떻게 표준화해야 할 것인가? 어떤 메트릭이 가장 효과적인가? 그리고 결과를 예측하는데 어느 기간 동안 사용해야 하는가? 하나의 주목할만한 연구에 따르면 3개월 PROM 데이터는 개별 환자 수준에서 12개월 결과를 신뢰성있게 예측하지 못하였다. 그렇다면 외과 의사는 1년 동안 PROM 데이터를 계속 수집해야 하는가? 아니면 2년? 이러한 질문에 대한 답변은 여전히 모호하게 남아있다.
현대 기술의 발전에 따라, 우리는 이제 회고적 및 미래적 기준 모두에서 매일의 활동을 정확하게 포착할 수 있는 수단을 갖게 되었다. 예를 들어, 사용자의 스마트폰에는 센서 데이터를 생성할 수 있는 수많은 센서(예를 들면, 가속도계, 자이로스코프, 나침반 등)가 장착되어 있을 수 있으며, 스마트폰에 설치된 하나 이상의 모바일 애플리케이션의 도움으로, 걸음 수, 걸음 크기, 이동 거리, 오른 계단의 층 수, 칼로리 수, 서 있는 시간(분 단위), 활동 시간(분 단위) 등과 같은 사용자 이동성에 대한 다양한 인디케이터들을 계산하거나 추정할 수가 있다. 이러한 활동 데이터는 사용자 편향이 없으며, 기능 상태에 대한 진정한 척도를 제공한다. 다수의 개인용 모바일 장치(예를 들면, 스마트폰, 스마트워치, 피트니스 추적기 등)에 의해 이미 포착되어 저장된 활동 데이터를 처리 및 분석함으로써, 본 개시의 기술은 일관되고 객관적인 컴퓨터 알고리즘을 적용할 수 있으며, 인간의 기능을 측정하기 위한 훌륭한 도구를 제공할 수가 있다. 이러한 환자의 활동성을 분석함으로써, 본 발명은 환자의 수술 이전 및 수술 이후 기능 상태를 객관적으로 측정하는 방법을 제공한다.
예를 들어, 스마트폰에 저장된 기존 건강 데이터를 활용하여, 이미 수술을 받은 수천 명의 환자에 대한 정보를 후향적으로 포착할 수 있다. 훨씬 더 많은 수의 환자를 포착함으로써 결과는 수술을 받은 후 환자 또는 모집단의 기능 상태의 객관적인 개선 또는 악화를 감지할 수 있다. 이렇게 분석된 데이터와 메트릭은 다양한 유형의 의료 개입의 영향뿐만 아니라 이러한 영향의 시기 및 환자 베이스라인 특성과의 관계를 측정하는데 도움이 될 것이다. 이러한 외과 개입의 객관적인 측정은 메디케어/메디케이드/민간 보험 회사를 위한 가치 기반 상환 모델을 개발하는데 핵심이 될 수 있다. 현재의 진료별 지불 모델(fee-for-service model) 하에서, 비용 상환은 환자 결과가 아니라 절차 유형(CPT) 및 진단 코드(ICD-10)를 기반으로 한다. 수술 이전 및 수술 이후 환자의 객관적이고 신뢰할 수 있으며 일관되고 정확한 객관적인 실시간 활동 레벨은 미국 의료 사업에서 이러한 패러다임 전환을 가능하게 할 것이다.
본 개시는 스마트폰과 같은 사용자 컴퓨팅 장치 내에 수집 및 저장되는 대량의 후처리 활동 데이터를 안전하고 확실하며 효율적으로 수집하는 방법을 포함한다. 예를 들어, 스마트폰에는 3축 가속도계와 3축 자이로스코프가 내장되어 있어, 스마트폰의 속도와 움직임을 기반으로 걸음 수를 계산하고 추적하는데 사용할 수 있다. 3축 가속도계는 사용자의 연령, 성별, 키 및 체중과 같은 인구 통계 데이터를 결합하여, 사전 정의된 가속도계와 열량계로 측정한 에너지 소비 데이터 간의 경험적 관계를 통해 신체 활동 중 에너지 소비를 추정하는데 사용될 수 있다. 이 데이터는 일반 소비자에게 잠재적으로 유용하지만, 건강 상태를 모니터링하는 관점에서는 느슨하게만 관련되어 있다. 현재 형식에서, 제시되는 데이터는 일반적인 피트니스 또는 운동 노력과 관련된 사람들에게 대체로 관심이 있는 것으로 보이며, 따라서 건강 메트릭 또는 결과 측정으로 사용하기에는 부족하다. 유사한 수술을 받은 대규모 환자 집단과 비교하지 않는 한 수술 날짜 전후의 원시 걸음 수는 의미가 없다. 예를 들어, Ms. Jones가 1-레벨 요추 추간판 절제술을 받았고 수술 이후 1년 동안 그녀의 수술 이후 일일 걸음 수가 4000에서 6000으로 증가했다면, 이것이 무엇을 의미하는 것일까? 그녀의 활동 레벨을 "양호한" 결과로 인정하려면 수술 이후 1년 동안 하루에 8000보를 걸어야 하는가? 베이스라인 수술 이후 일일 걸음 수를 어떻게 정의해야 하는가? 이러한 활동 레벨을 임상적으로 의미있게 만드는 방법은 무엇인가?
특히 앞서 언급한 과제 및 질문은 일부 실시예들에서 환자 데이터를 처리하고, 제안된 수술 개입(예를 들면, 척추 수술)의 예측 수술 효능(예를 들면, 환자의 이동성과 같은 신체적 상태가 어떻게 개선될 수 있는지)을 결정하는 본 개시의 기술들에 의해 해결되며, 특히 환자의 수술 이후 회복에 대한 예측 패턴(예를 들면, 환자가 수술 날짜로부터 15일, 30일 또는 90일이 걸릴 것으로 예상할 수 있는 걸음 수)을 결정하는 것이 본 명세서에 설명되어 있다. 보다 구체적으로, 본 개시는 복수의 환자 데이터 중의 환자 데이터를 분석하고, 복수의 환자에 대한 수술 이후 회복을 나타내는 분석 데이터를 생성하고, 분석 데이터를 환자의 생물학적 특성과 환자가 받은 외과적 개입의 타입과 연관시켜서 저장할 수 있는 시스템을 제공한다. 그 후, 시스템은 새로운 환자의 환자 특성 및 활동 데이터를 분석하고, 이전에 생성된 분석 데이터를 기반으로, 주어진 외과 개입이 해당 환자에게 얼마나 효과적인지 및/또는 주어진 외과 개입으로부터 환자가 어떻게 회복할 수 있는지에 대한 예측을 출력할 수 있다.
본 개시에 비추어 당업자에 의해 이해되는 바와 같이, 본 명세서에 개시된 실시예들은 데이터 분석 시스템, 데이터 처리 시스템, 기계 학습 시스템 등과 같은 컴퓨팅 시스템의 능력을 향상시키며, 이에 따라 보다 효율적이고 효과적인 데이터 분석 기법을 제공한다. 사용자 컴퓨팅 장치의 움직임을 기반으로 생성된 수술 이전 및 수술 이후 건강 데이터 또는 센서 데이터를 활용하여, 시각적 비교 및 예측을 생성하고, 이러한 시각적 비교 및 예측을 생성하는데 사용할 수 있는 기계 학습 알고리즘을 활용 및 업데이트함으로써, 본 개시의 의료 개입 분석 시스템은 전술한 문제점들을 해결할 수 있다.
본 개시의 이러한 양태들 및 다른 양태들에 대하여 특정 예들 및 실시예들과 관련하여 설명하도록 하며, 이러한 특정 예들 및 실시예들은 본 발명을 설명하기 위한 것이지 제한하기 위한 것이 아니다. 본 명세서에 기술된 예들 및 실시예들이 설명의 목적으로 특정 계산 및 알고리즘에 초점을 맞추고 있지만, 당업자는 이러한 예들이 단지 예시일 뿐이며 제한하려는 의도가 아님을 이해할 것이다.
기술적 이점들
일시적으로 세분화된 데이터 - 전통적인 메트릭들은 일반적으로 미리 결정된 시점에서 평가된다. 이는 번거로울 뿐만 아니라 샘플링 시간 사이에 데이터가 누락된다. 기존 PROM은 몇 주, 몇 달, 몇 년 범위의 간격들로 샘플링된다. 본 명세서에 기술된 기술(또한 본 명세서에서 객관적 실시간 생체정보 추적기, 일부 실시예에서 "ORBIT"로 지칭됨)은 사용자가 비교를 위해 임의의 특정 시점을 잠재적으로 샘플링할 수 있게 하고, 또한 샘플링 오류를 추가로 극복하기 위해 집계된 시점으로부터 분석이 이루어질 수 있게 한다. 진행 상황을 지속적으로 모니터링하는 이 기능은 환자가 진료소로 돌아오기 전에 개선 또는 악화를 조기에 검출할 수 있기 때문에 중요하다. PROM은 환자가 설문 조사를 작성할 때만 수집되는 반면, 본 명세서에 설명된 환자 데이터 분석 기술은 실시간으로 적용될 수 있으며 환자의 스마트폰에서 신체 활동 데이터를 가져오는 즉시 업데이트된다(예를 들면, 모든 활동 데이터는 초기에 가져올 수 있으며 추가 활동 데이터는 주기적으로(예를 들면, 2주마다) 또는 요청 시(예를 들면, 사용자가 사용자 컴퓨팅 장치(102)에 제시되는 사용자 인터페이스 요소를 활성화하는 사용자에 의해 표시될 수 있는 업데이트된 분석 데이터를 생성하거나 시각화하기를 원할 때마다)) 가져올 수 있다.
자동 수집 - 본 명세서에 설명된 기술들은 데이터가 수동적으로 수집될 수 있으므로 특정 환자 또는 제공자 조치에 의존할 필요가 없을 수 있다. 이것은 환자 순응 문제를 극복할 수 있고 또한 데이터를 샘플링할 기회를 부주의하게 놓칠 가능성을 피할 수 있다.
예상 데이터 분석 - 소프트웨어 애플리케이션은 효율적인 예상 데이터 수집 및 분석을 가능하게 한다. 사용자인 환자에게 이것은 행동을 수정하고 개선하는 실시간 피드백 메커니즘을 나타낼 수 있다. 예를 들어, ORBIT가 감소하는 경우, 환자와 치료 의사에게 경고를 트리거하게 되고, 이들은 클리닉 방문이 필요한지 여부를 결정할 수 있다. 분석가의 경우, 이것은, 개입 후 환자의 수행 능력에 대한 유용한 인디케이터들을 제공할 수 있는 변동들을 조기에 검출할 수 있게 한다.
회고적 데이터 분석 - 예상 데이터 수집 및 분석과 유사한 방법론을 사용하여 데이터가 회고적으로 검색될 수도 있다. 이것은 스마트폰, 및 사용 중인 임의의 관련 클라우드 기반 데이터 스토리지 시스템들을 활용하는 강력한 도구이다. 임의의 주어진 개인 또는 환자에 대해 몇 년 전으로 거슬러 올라가 추상화된 데이터가 종합적으로 분석될 수 있다. 예를 들어, 본 명세서에 설명된 데이터 분석 기술의 차별화 요소들 중 하나는 사용자가 이전에 저장된 데이터에서 의미 있는 건강 결과 메트릭을 추상화하는 기능이다. 환자가 설문지를 작성함으로써 점수를 얻게 되는 PROM과 달리, ORBIT은 스마트폰 구입일부터 신체 활동 데이터에 기초하여 계산될 수 있다. 대부분의 사용자들은 의도나 조치가 취해지기 이전 시점에서 건강 결과 측정을 평가하는데 관심을 가질 것이다. 이것은 건강 결과 연구, 개입의 효능 연구, 환자의 삶에서 이전 건강 사건 평가에서 특히 유용하다. ORBIT는 과거의 기준선 및 임의의 후속 조치 시점 결정이 객관적으로 측정될 수 있게 한다. 이것은 스마트폰 기술을 사용했던 잠재적인 임의의 이전 시점에서 소프트웨어 애플리케이션의 사용자가 건강 메트릭을 객관적으로 확인할 수 있게 한다. 따라서, 이미 이전 개입을 받은 사용자들이 세분화되고 객관적인 방식으로 연구될 수 있다. 이것은 거의 모든 이전 건강 메트릭이 최소한의 기준 메트릭 또는 일부 비표준화 데이터 보간 요소의 전향적 수집을 필요로 했기 때문에 모든 의료 개입에서 환자와 이해 관계자에게 유용성을 제공한다.
기계-기반 학습 - 기존 PROM은 데이터 쿼리의 방식이 고정된 상태로 유지된다. 수집 및 분석된 데이터 세트의 크기뿐만 아니라 기본 특성으로 인해, ORBIT는 기계 기반 학습을 활용하여 건강 측정으로서의 관련성을 조정하고 높일 수 있다. 기계 학습 알고리즘들은 수술 이전 및 수술 이후 활동 레벨을 예측하기 위해 관련 독립 변수를 사용하여 생성되고 지속적으로 훈련될 수 있다.
비-선형 동적 측정 범위에 걸친 분석 - 기존 PROM의 수치적 단순성은 매력적이지만 생물학적 시스템의 진정한 특성을 거의 반영하지 않는다. ORBIT는 환자 수행 능력의 비-선형 측정을 가능하게 한다. 데이터 세트들은 선형 측정들로 구성되지만, 데이터 후처리 기능은 ORBIT 메트릭이 가장 중요한 동적 범위들에서 건강 정보를 검출하고 전달할 수 있게 한다. 특히, 인간 수행 능력의 최하위 레벨에서의 변화에 대한 민감도는 가장 큰 의학적 관련성을 수반할 가능성이 가장 높다.
본 개시의 이러한 측면 및 다른 측면은 개시를 설명하기 위한 것이지 제한하지 않는 특정 예들 및 실시예들과 관련하여 이제 설명될 것이다. 본 명세서에 기술된 예들 및 실시예들은 설명의 목적으로 특정 계산들 및 알고리즘들에 초점을 맞추지만, 당업자는 예들이 단지 예시일 뿐이며 제한하려는 의도가 아님을 이해할 것이다.
의료 개입 분석 시스템을 위한 예제 컴퓨팅 환경의 개요
도 1에 나타나 있는 예시적인 네트워크 환경(100)은 일 실시예에 따른 의료 개입 분석 시스템(106)을 포함한다. 의료 개입 분석 시스템(106)은 사용자(예를 들면, 환자, 의료 전문가, 연구원, 데이터 과학자, 의료 개입 평가자 등)가 의료 개입 분석 시스템(106)을 통해 제공되는 데이터 분석 서비스 및 보고서 생성 서비스를 활용할 수 있게 한다. 사용자는 이미 수행되었거나 수행될 수술에 관한 정보(예를 들면, 수술 날짜, 수술 타입 등)와 함께 환자 데이터(예를 들면, 나이, 성별, 민족, 신장, 체중, 동반 질환 등)를 입력하고/하거나 사용자 컴퓨팅 장치(102)에 제시되는 사용자 인터페이스를 통해 일련의 질문들에 답할 수 있으며, 이는 의료 개입 분석 시스템(106)(또는 의료 개입 분석 시스템(106)에 의해 액세스 가능한 데이터 저장소)으로 송신될 수 있다. 이에 응답하여, 의료 개입 분석 시스템(106)은 제공된 정보에 기초하여 보고서를 출력할 수 있다. 데이터 분석 및 보고서 생성에 대한 자세한 내용은 아래에서 자세히 설명한다.
예시로서, 네트워크(104)를 통해 의료 개입 분석 시스템(106)과 통신하는 다양한 예시적인 사용자 컴퓨팅 장치(102)가 나타나 있다. 사용자 컴퓨팅 장치(102)는 데스크탑, 랩탑, 모바일 폰(또는 스마트폰), 태블릿, 키오스크, 텔레비전, 손목시계(스마트워치 포함), 피트니스 추적기, 무선 장치, 미디어 플레이어, 하나 이상의 프로세서 장치들, 컴퓨팅 장치들에 포함하기 위한 집적 회로 등과 같은 임의의 컴퓨팅 장치일 수 있다.
사용자 컴퓨팅 장치(102)가 의료 개입 분석 시스템(106)에 액세스할 수 있는 네트워크(104)는 임의의 유선 네트워크, 무선 네트워크 또는 이들의 조합일 수 있다. 또한, 네트워크(104)는 개인 영역 네트워크, 근거리 네트워크, 광역 네트워크, 공중파 브로드캐스트 네트워크(예를 들면, 라디오 또는 텔레비전용), 케이블 네트워크, 위성 네트워크, 셀룰러 전화 네트워크, 또는 이들의 조합일 수 있다. 예를 들어, 네트워크(104)는 가능하게는 인터넷과 같은 다양한 개별 당사자에 의해 운영되는 링크된 네트워크의 공개적으로 액세스 가능한 네트워크일 수 있다. 일부 실시예들에서, 네트워크(104)는 기업 또는 대학 인트라넷과 같은 사설 또는 준사설 네트워크일 수 있다. 네트워크(104)는 모바일 통신들을 위한 글로벌 시스템(Global System for Mobile; Communications; GSM) 네트워크, 코드 분할 다중 접속(Code Division Multiple Access; CDMA) 네트워크, LTE(Long Term Evolution) 네트워크, 또는 임의의 다른 타입의 무선 네트워크와 같은 하나 이상의 무선 네트워크들을 포함할 수 있다. 네트워크(104)는 인터넷 또는 전술한 임의의 다른 타입들의 네트워크들을 통해 통신하기 위한 프로토콜들 및 컴포넌트들을 사용할 수 있다.
도시된 실시예에서, 의료 개입 분석 시스템(106)은 네트워크(104)를 통해 사용자 컴퓨팅 장치(102)와 통신할 수 있고 의료 개입 분석 시스템(106)의 다양한 서비스에 대한 액세스를 제공할 수 있는 서버들(120)을 포함한다. 도 1의 예에서, 의료 개입 분석 시스템(106)에 의해 제공되는 서비스들은 데이터 분석 서비스(130) 및 보고서 생성 서비스(150)를 포함한다. 일부 실시예들에서, 이들 서비스들은 서버들(120) 상의 물리적 컴퓨터 하드웨어 또는 별도의 컴퓨팅 장치들에서 실행되는 소프트웨어 컴포넌트들로서 구현될 수 있다. 본 명세서에서 사용되는 "서비스"라는 용어는 일반적인 의미에 더하여 일부 실시예에서는 본 명세서에 설명된 동작들을 구현하는 기본 물리적 하드웨어를 지칭할 수도 있다.
의료 개입 분석 시스템(106)은 예를 들어 사용자 컴퓨팅 장치(102)에 설치되는 브라우저 또는 애플리케이션과 같은 탐색 및/또는 브라우징 인터페이스를 통해, 사용자 컴퓨팅 장치들(102)에 디스플레이하기 위한 사용자 인터페이스들(및/또는 그에 대한 명령어들)을 제공할 수 있으며, 사용자 컴퓨팅 장치들(102) 상의 사용자들은 사용자 인터페이스를 통해 데이터 분석 서비스(130) 및 보고서 생성 서비스(150)와 같은 의료 개입 분석 시스템(106)에 의해 제공되는 다양한 서비스들을 이용할 수 있다.
데이터 분석 서비스(130)는 데이터 저장소(140) 및/또는 데이터 소스들(160)에 액세스하여, 특정 환자 데이터, 분석 데이터, 기계 러닝 데이터 또는 본 명세서에 기술된 데이터 분석들을 수행하기 위한 이들의 임의의 부분들을 수집 및/또는 생성할 수 있다. 보고서 생성 서비스(150)는 데이터 저장소(140)로부터 분석 데이터에 액세스할 수 있고, 보고서 및/또는 사용자 인터페이스를 생성하여 다양한 시각적 지표, 예측, 환자의 결과 및 본 명세서에 설명된 의료 개입 분석을 전달할 수 있다.
일부 실시예들에서, 사용자 컴퓨팅 장치들(102)에 의해 생성되는 데이터는, 데이터 분석 서비스(130)에 의한 검색을 위해(데이터 분석 서비스(130)에 의해 수행되는 분석에 사용하기 위해 및/또는 데이터 저장소(140)에 후속 저장하기 위해) 시스템(106)으로 또는 (예를 들면, 사용자 장치들(102) 상에 설치되는 모바일 애플리케이션에 의해) 데이터 소스들(160)로 직접 전송될 수 있다(예를 들면, 데이터 저장소(140)에 저장됨). 데이터 소스(160)가 의료 개입 분석 시스템(106) 외부에 나타나 있지만, 일부 실시예들에서, 데이터 소스들(160)의 일부 또는 전부는 의료 개입 분석 시스템(106) 내에서 구현될 수 있다.
데이터 저장소(140)는 환자 데이터(142), 분석 데이터(144) 및 기계 학습 데이터(146)를 저장할 수 있다. 환자 데이터(142)는 환자들과 관련된 생물학적 특성 및 다른 특성(예를 들면, 연령, 성별, 민족, 키, 체중, 동반 질환 등), 환자들과 관련된 활동 데이터(걸음 수, 걸음 크기, 오른 층 수, 이동 거리, 칼로리 수, 서있는 시간(분), 활동적 시간(분), 보행 비대칭 등의 처리된 활동 데이터), 및 환자들과 관련된 수술 데이터(예를 들면, 의료 종사자, 의료 개입 날짜, 사용된 의료 기기, 의료 기기 제조업체, 의료 개입 기간, 침습 수준, 의료 개입 시간 등 환자가 받았거나 받을 의료 개임과 관련된 세부 정보)를 포함할 수 있다. 일부 실시예들에서, 환자 데이터(142)는 다수의 사용자들에 의해(예를 들면, 의사/평가자/연구자 등의 사용자 컴퓨팅 장치(102)뿐만 아니라 환자의 사용자 컴퓨팅 장치(102)에 의해) 제공되고 교차-확인 및/또는 중복 제거될 수 있다.
분석 데이터(144)는, 예를 들어, (i) 평균, 합계, 집계, 서브세트, z-점수, 평균, 표준 편차, 그래프, 차트 등과 같은 환자 데이터의 처리된 버전, (ii) 급격한 감소, 수술 이후 회복 등과 같은 관심 데이터 포인트들, 및 (iii) 환자 데이터(142) 및/또는 다른 분석 데이터를 사용하여 식별되는 일시적 윈도우들(본 명세서에서는 에포크(epoch)들이라고도 함), (iv) 본 명세서에 설명된 의료 개입 효능 점수들, (v) 환자 개선 지수들(예를 들면, 이 특정 환자가 환자 데이터에 기초하여 다른 비슷한 위치에 있는 환자들과 비교하여 수술 이전 및/또는 수술 이후를 수행하는 방법), (v) 의료 개입 효능 점수들 및/또는 회복 패턴들(예를 들면, 환자가 회복할 수 있는 방법에 대한 그래프, 표 또는 기타 지표)의 예측, 몇 가지 예들.
기계 학습 데이터(146)는 의료 개입 분석 시스템(106)에 의해 생성 및/또는 훈련되는 하나 이상의 기계 학습 모델들 또는 알고리즘들을 포함할 수 있다. 이러한 예측 모델들 중 하나 이상이 입력들의 세트에 기초하여 예상 값 또는 발생을 결정하는 데 사용될 수 있다. 예를 들어, 본 명세서에 설명된 환자 데이터, 의료 개입 데이터, 환자의 과거 활동 데이터, 및 이전에 분석된 환자 데이터, 의료 개입 데이터 및 다른 사용자들의 활동 데이터와 같은 예측 모델에 대한 하나 이상의 입력들에 기초하여 환자의 미래 활동 레벨들을 예측하는데 예측 모델이 사용될 수 있다. 의료 개입 분석 시스템(106)에 의해 다수의 상이한 타입들의 알고리즘들이 사용될 수 있다. 예를 들어, 본 명세서의 특정 실시예들은 로지스틱 회귀 알고리즘을 사용할 수 있다. 그러나, 선형 회귀 알고리즘, 이산 선택 알고리즘 또는 일반화된 선형 알고리즘과 같은 다른 알고리즘이 가능하다.
의료 개입 분석 시스템(106)은 하나 이상의 컴퓨터 네트워크들을 사용하여 상호 연결되는여러 컴퓨터 시스템들을 포함하는 분산 컴퓨팅 환경에서 동작하는 것으로 도 1에 도시된다. 의료 개입 분석 시스템(106)은 또한 도 1에 예시된 것보다 더 적거나 더 많은 수의 장치들을 갖는 컴퓨팅 환경 내에서 동작할 수 있다. 따라서, 도 1의 의료 개입 분석 시스템(106)의 설명은 예시적인 것으로 간주되어야 하며, 본 개시를 제한하지 않아야 한다. 예를 들어, 의료 개입 분석 시스템(106) 또는 그의 다양한 구성요소는 본 명세서에 설명된 프로세스들의 적어도 일부를 구현하기 위해 다양한 웹 서비스 컴포넌트들, 호스팅된 또는 "클라우드" 컴퓨팅 환경들, 및/또는 피어-투-피어 네트워크 설정(peer-to-peer network configuration)들을 구현할 수 있다.
또한, 의료 개입 분석 시스템(106) 및 그 컴포넌트들은 하드웨어 및/또는 소프트웨어로 구현될 수 있으며, 예를 들어 본 명세서에 설명된 다양한 기능들을 구현하기 위해 컴퓨터 실행 가능 명령어들을 실행하도록 구성되는 물리적 컴퓨터 하드웨어에 구현되는 하나 이상의 물리적 또는 가상 서버들을 포함할 수 있다. 하나 이상의 서버들은 예를 들어 하나 이상의 데이터 센터들에 지리적으로 분산되거나 지리적으로 함께 위치할 수 있다. 일부 실시예들에서, 도 1에 나타나 있는 컴포넌트들 중 하나 이상은 하나 이상의 가상 서버들 또는 가상 기계들에서 구현될 수 있다.
또한, 의료 개입 분석 시스템(106)의 다양한 컴포넌트들 또는 서비스들의 처리는 다수의 기계들, 네트워크들 또는 다른 컴퓨팅 자원들에 걸쳐 분산될 수 있다. 의료 개입 분석 시스템(106)의 다양한 컴포넌트들 또는 서비스들은 전용 서버들이 아닌 하나 이상의 가상 기계들 또는 호스팅된 컴퓨팅 환경(예를 들면, "클라우드") 자원들에서 구현될 수도 있다. 마찬가지로, 나타나 있는 데이터 저장소들은 예를 들어 저장 영역 네트워크들 또는 다른 분산된 저장 시스템들을 포함하는 로컬 및/또는 원격, 물리적 및/또는 논리적 데이터 저장을 나타낼 수 있다. 일부 실시예들에서, 나타나 있는 컴포넌트들 또는 서비스들 사이의 연결들은 하드웨어 사이의 실제 연결이 아닌 데이터 흐름의 가능한 경로들을 나타낸다. 의료 개입 분석 시스템(106)의 다양한 기능들을 구현하는 실행 가능한 코드 모듈들은 서버들(120)의 메모리들 및/또는 다른 타입들의 비-일시적 컴퓨터 판독 가능 저장 매체에 저장될 수 있다. 가능한 연결들의 몇 가지 예가 표시되지만, 나타나 있는 컴포넌트들의 임의의 서브세트는 다양한 구현들에서 컴포넌트들의 임의의 다른 서브세트와 통신할 수 있다.
환자 활동 데이터 처리
도 2는 본 개시의 양태들에 따른 환자 활동 데이터를 처리하기 위한 예시적인 데이터 흐름(200)을 도시한다. 도 2에 나타나 있는 바와 같이, 데이터 흐름(200)은 (i) 원시 가속도계 데이터, (ii) 비식별화되고 재할당된 고유 식별자들, (iii) 기계 학습 알고리즘들, (iv) 추정된 걸음 수, 이동 거리, 층 수 및 에너지 소비량 데이터, (v) 다변수 선형 회귀 모델들 및 (vi) 감독된 기계 학습 알고리즘들을 포함할 수 있다. 예를 들어, 시스템(106)은, 사용자의 개인 정보를 자동으로 비식별화하고 가져온 데이터세트에 고유 식별자를 할당할 수 있는 능력을 가질 수 있다. 사용자가 데이터 공유 계약에 동의하면, 사용자의 컴퓨팅 장치에 설치되는 모바일 애플리케이션이 지속적으로 클라우드를 기반으로 데이터베이스를 추출하고 채울 수 있다. 그런 다음, 기존 알고리즘을 사용하여 걸린 걸음 수, 이동 거리, 오른 층 수, 서있는 시간(분), 에너지 소비량과 같은 신체 활동 파라미터들을 계산하기 위해 원시 가속도계 데이터가 처리될 수 있다. 개별 사용자에 대한 신체 기능 데이터가 생성되면, 이러한 데이터 포인트는 이전에 수집된 데이터가 포함되는 데이터베이스 라이브러리에 추가될 수 있다.
걸음 수, 이동 거리, 층 수, 칼로리 및 서있는 시간 데이터가 각 환자에 대해 생성되면, 이러한 데이터는 일별, 주별 및 월별 평균으로 구성된다. 각 파라미터(예를 들면, 일일 평균 걸음 수, 일일 이동 거리, 소모된 활성 칼로리, 오른 층 수 및 서있는 시간(분))에 대해, 이상치들(예를 들면, 평균에서 2개 이상의 표준 편차)이 제거되고 그래프가 생성될 수 있다. 각 환자에 대한 파라미터들이 수집되면, 이들은 베이스라인 활동 레벨을 달성하거나 초과하는 시간이 디스플레이되는 대시보드 형식으로 표시된다. 또한, 각 파라미터에 대한 그래프들도 생성된다.
아래에서 설명된 걸음 수를 사용하여, ORBIT 점수가 각 환자에 대해 계산될 수 있다. 다변수 선형 회귀를 사용하여 연령, 성별, 민족, 기저 질환, 수술 타입, 수술 레벨, 수술 이전 기저 신체 활동, 수술 이후 신체 활동 레벨 등과 같은 기존 독립 변수들에 기초하여 모델을 생성할 수 있다. 다변수 선형 회귀 모델은 매일 업데이트된다. 독립적인 변수들(나이, 성별, 체질량지수, 수술 타입, 기준 신체 기능 등)을 입력하여 사용자의 수술 이후 신체 기능(예를 들면, 걸음 수, 이동 거리, 에너지 소비량, 오른 층 수 및 서있는 시간)을 예측함으로써, 기계 학습 알고리즘에 대한 감독 학습이 수행될 수 있다.
일부 실시예들에서, 5개의 신체 기능 메트릭들(일일 걸음 수, 일일 이동 거리, 소모된 활성 칼로리, 오른 층 수 및 서있는 시간(분))에 기초하여, 객관적인 실시간 생체 정보 추적기(Objective Realtime BioInformation Tracker; ORBIT) 점수가 각 대상에 대해 계산될 수 있다. 이것은 PROM에 대해 검증되는 복합 채점 방법이다. Pearson 상관 계수는 PROM들과 ORBIT 사이에 계산되어 둘 사이에 발산 또는 상관 관계가 있는지 확인한다. ORBIT의 각 컴포넌트들에는 가중 점수가 부여된다. 이 데이터는 다양한 유형의 외과 개입들의 영향뿐만 아니라 이러한 영향의 시기 및 환자 베이스라인 특성과의 관계를 측정하는데 매우 중요하다. ORBIT은 회복 시간과 회복량을 고려한다; 따라서 그 점수는 환자가 얼마나 빨리 또는 느리게 회복했는지, 각 신체 활동 파라미터(걸음 수, 이동 거리, 칼로리, 층 수 및 서있는 시간(분))가 수술 이후 얼마나 변경되었는지를 반영한다. ORBIT 점수는 기존 환자의 신체 데이터를 사용하여 계산되며 세부 사항들은 아래에서 설명된다. ORBIT는 기준선 특성들 및 수술 이전 신체 활동 레벨 데이터에 기초하여 아직 수술을 받지 않은 개별 환자들에 대한 기계 학습 알고리즘을 사용하여 예측할 수도 있다.
ORBIT 점수를 계산하는 예에 대하여 이하 설명한다:
키워드:
● 일일 걸음 수(steps per day) = SPD
● 일일 이동 거리(distance per day) = DPD
● 활성 칼로리 소모량(active Calorie Burned) = ACB
● 서있는 시간(Stand Minutes) = SM
● 오른 층 수(Flights Climbed) = FC
● ODI = 오스웨스트리 장애 지수(Oswestry Disability Index)
● NDI = 목 장애 지수(Neck Disability Index)
ORBIT 점수는 SPD, DPD, ACB, SM, FC에 대한 가중 점수 시스템이며, 다음을 반영하기 위한 통합 점수를 제공한다:
● 베이스라인 SPD, DPD, ACB, SM, FC로 돌아가는 시간
● 등급 SPD, DPD, ACB, SM, FC
ORBIT 점수는 베이스라인에서 평가 시점까지의 신체 활동 5개 도메인의 변화를 고려한 복합 가중 점수이다. 신체 활동 측정의 5가지 주요 도메인에는, 시간 및 기울기의 두 가지 차원이 있다. ORBIT 점수의 범위는 -15 내지 25이며, 점수가 높을수록 신체 활동이 많음을 나타내고, 점수가 낮을수록 신체 활동이 적음을 나타낸다.
일일 걸음 수(steps per day, SPD):
● 일일 평균 베이스라인 (1YbSPD), (9MbSPD), (6MbSPD), (3MbSPD)는 수술 전 1년, 9개월, 6개월, 3개월 및 수술 하루 전까지의 총 걸음 수를 365일로 나눈 값으로 정의된다.
○ bSPD = 1년 동안의 총 걸음 수/365일
○ 수술한 날짜는 0일이 됨
● SPD는 모든 환자에 대해 포함된 평균 및 표준 편차로 보고된다
● SPD는 매주 구성된다
○ W0 = 수술한 주, 0-6일, 그 다음 W1, W2, W3… 등
○ 주간 SPD
■ W0SPD = (0주의 총 걸음 수)/7일
● bSPD(365일), W0SPD, W1SPD, W2SPD, W3SPD, W4SPD, W5SPD, W6SPD, W12SPD, M6SPD, M9SPD, Y1SPD, Y2SPD
● bSPD(Temporal Component) 달성 시간
○ 빠른 회복(ER): W12 이내에 수술 전 bSPD(pre-op bSPD)를 달성하거나 초과한 환자
○ 느린 회복(LR): W13 내지 Y2에 수술 전 bSPD를 달성하거나 초과한 환자
○ 회복 없음(NR): W0 내지 Y2에 수술 전 bSPD를 달성하거나 초과한 적이 없는 환자
● M6 내지 Y2의 성과를 채점
○ M6-Y2 SPD는 M6 내지 Y2의 총 걸음 수/540일로 정의된다
■ 심각한 악화(SW, Severe Worsening): bSPD의 0%~49%인 환자
■ 중등도 악화(MoW, Moderate Worsening): bSPD의 50%~75%인 환자
■ 경미한 악화(MW, Mild Worsening): bSPD의 76%~99%인 환자
■ 경미한 회복(MR, Mild Recovery): bSPD의 100%~125%인 환자
■ 중등도 회복(MoR, Moderate Recovery): bSPD의 126%~150%인 환자
■ 유의미한 회복(SR, Significant Recovery): bSPD의 151%~200%인 환자
일일 이동 거리(distance per day, DPD) - 이것은 일일 걸음 수 이외의 또 다른 이동성 인디케이터이다.
● bDPD = 1년 동안 이동한 총 거리/365일
● DPD는 매주 구성된다
● DPD 이상을 달성하기 위한 시간
○ 빠른 회복(ER, Early Recovery): W12 이내에 수술 전 bDPD를 달성하거나 초과한 환자
○ 느린 회복(LR, late Recovery): W13 내지 Y2에 수술 전 bDPD를 달성하거나 초과한 환자
○ 회복 없음(NR, No Recovery): W0 내지 Y2에 수술 전 bDPD를 달성하거나 초과한 적이 없는 환자
○ 악화(D, Deterioration): Y2까지 수술 전 bDPD 악화를 경험한 환자
● M6 내지 Y2의 성과를 채점
○ M6-Y2 DPD는 M6 내지 Y2의 평균 DPD/540일로 정의된다
■ 심각한 악화(SW): bDPD의 0%~49%인 환자
■ 중등도 악화(MoW): bDPD의 50%~75%인 환자
■ 경미한 악화(MW): bDPD의 76% ~ 99%인 환자
■ 경미한 회복(MR): bDPD의 100%~125%인 환자
■ 중등도 회복(MoR): bDPD의 126%~150%인 환자
■ 유의미한 회복(SR): bDPD의 151%~200%인 환자
활성 칼로리 소모량(ACB) - 이것은 SPD에 필수적으로 반영되지 않을 수 있는 환자의 활동 레벨에 대한 강력한 지표이다. SPD과 유사한 데이터 포착 및 보고 방법.
● 평균 베이스라인 활성 칼로리(kCal) 소모량(bACB)은 수술 전 1년 동안 및 수술 하루 전까지 소모한 총 활성 칼로리를 365일로 나눈 값으로 정의된다.
○ bACB = 1년 동안의 총 ACB(kCal)/365일
○ 수술한 날짜는 0일이 됨
● ACB는 모든 환자에 대해 포함된 평균 및 표준 편차로 보고된다
● ACB는 위에서와 같이 매주 구성된다
○ W0 = 수술한 주, 0-6일, 그 다음 W1, W2, W3… 등
● 달성 시간
○ 빠른 회복(ER): W12 이내에 bACB를 달성하거나 초과한 환자
○ 느린 회복(LR): W13 내지 Y2에 bACB를 달성하거나 초과한 환자
○ 회복 없음(NR): W0 내지 Y2에 bACB를 달성하거나 초과한 적이 없는 환자
● M6 내지 Y2의 성과를 채점
○ M6-Y2 ACB는 M6 내지 Y2의 총 ACB/540일로 정의된다
■ 심각한 악화(SW): bACB의 0~49%인 환자
■ 중등도 악화(MoW): bACB의 50%~75%인 환자
■ 경미한 악화(MW): bACB의 76~99%인 환자
■ 경미한 회복(MR): bACB의 100%~125%인 환자
■ 중등도 회복(MoR): bACB의 126%~150%인 환자
■ 유의미한 회복(SR): bACB의 151%~200%인 환자
서있는 시간(Stand Minutes)(SM):
● bSM = 1년 동안 총 서있는 시간(분 단위)/365일
● SM은 매주 구성된다
● bSM 이상을 달성하기 위한 시간
○ 빠른 회복(ER): W12 이내에 수술 이전 bSM을 달성하거나 초과한 환자
○ 느린 회복(LR): W13 내지 Y2에 수술 전 bSM을 달성하거나 초과한 환자
○ 회복 없음(NR): W0 내지 Y2에 수술 전 bSM을 달성하거나 초과한 적이 없는 환자
● M6 내지 Y2의 성과를 채점
○ M6-Y2 SM은 M6 내지 Y2의 평균 SM/540일로 정의된다
■ 심각한 악화(SW): bSM의 0%~49%인 환자
■ 중등도 악화(MoW): bSM의 50%~75%인 환자
■ 경미한 악화(MW): bSM의 76%~99%인 환자
■ 경미한 회복(MR): bSM의 100%~125%인 환자
■ 중등도 회복(MoR): bSM의 126%~150%인 환자
■ 유의미한 회복(SR): bSM의 151%~200%인 환자
오른 층 수(Flights Climbed, FC):
● bFC = 1년 동안 오른 총 층 수/365일
● FC는 매주 구성된다
● bFC 이상을 달성하기 위한 시간
○ 빠른 회복(ER): W12 이내에 수술 전 bFC를 달성하거나 초과한 환자
○ 느린 회복(LR): W13 내지 Y2에 수술 전 bFC를 달성하거나 초과한 환자
○ 회복 없음(NR): W0 내지 Y2에 수술 전 bFC를 달성하거나 초과한 적이 없는 환자
○ 악화(D): Y2까지 수술 전 bFC 악화를 경험한 환자
● M6 내지 Y2의 성과를 채점
○ M6-Y2 FC는 M6 내지 Y2의 평균 SM/540일로 정의된다
■ 심각한 악화(SW): bFC의 0~49%인 환자
■ 중등도 악화(MoW): bFC의 50%~75%인 환자
■ 경미한 악화(MW): bFC의 76%~99%인 환자
■ 경미한 회복(MR): bFC의 100%~125%인 환자
■ 중등도 회복(MoR): bFC의 126%~150%인 환자
■ 유의미한 회복(SR): bFC의 151%~200%인 환자
베이스라인을 달성 또는 초과하는데 걸린 시간(0 to 2) 성과 채점(-3 to 3)
 복합 점수
SPD
DPD
ACB
SM
FC
총 점수
표 1: 예시적인 채점 방식
● 다변량 분석 및 (오즈비, Odds Ratio)에 기여하는 요인 식별
○ 수술적 요인:
■ 자궁경부 수술
■ 요추 수술
■ 융합 vs 비융합
■ 레벨 수
○ 인구 통계:
■ BMI
■ 나이
■ 성별
■ 평균 수술 전 활동 레벨
○ 요추 수술을 위한 오스웨스트리 장애 지수
○ 경추 수술을 위한 목 장애 지수
이러한 결과는 베이스라인과, 자궁경부 수술의 경우 Y2 NDI 및 요추 수술의 경우 Y2 ODI와 비교된다:
● NDI
○ 양호한 결과는 0-28이다
○ 양호하지 못한 결과는 15-50
● ODI
○ 양호한 결과는 0-20이다
○ 양호하지 못한 결과 21-100이다
발산(divergence)을 확인하기 위해 NDI/ODI와 ORBIT 사이에 피어슨(Pearson) 상관 계수를 계산했다.
환자 경험의 예
예시적인 환자 경험이 아래에 설명된다. 건강 메트릭(걸은 걸음 수, 이동 거리, 오른 층 수, 서있는 시간(분 단위), 에너지 소비량 등), 환자 특성(나이, 성별, 민족, 동반 질환 등), 수술 세부 정보(수술 타입, 수술 레벨, 수술 위치, 외과 의사/병원의 아이덴티티)를 앱을 통해 1000명의 환자로부터 수집한다.
a. 개별 환자들이 자신의 스마트폰에 모바일 앱을 다운로드한다
b. 모바일 앱이 수술 날짜에 기초하여 수술 이전(pre-op) 및 수술 이후(post-op) 건강 메트릭들을 결정한다(예를 들면, 환자의 스마트폰에 저장된 기존 건강 데이터를 추출하는 것에 의함) - 모바일 앱은 계속해서 수술 이후 건강 메트릭들을 수집한다
c. 모바일 앱은 모든 데이터를 서버로 전송한다
시스템(106)은 1000명의 환자들로부터 수신된 데이터를 분석하여, 모델을 생성한다.
Ms. Jones가 검진을 받고 나서 모바일 앱을 다운로드하고 자신의 활동 데이터를 담당 외과 의사와 공유하는데 동의한다. 환자가 앱을 열어 데이터 공유에 동의하면, 앱은 활동 데이터를 HIPAA 준수 및 암호화된 클라우드(예를 들면, 시스템(106) 또는 데이터 소스(160))에 업로드하기 시작한다.
그녀는 모바일 앱을 다운로드한다:
d. 모바일 앱이 그녀의 수술 이전 건강 메트릭들을 결정한다
e. 모바일 앱이 그녀의 환자 특성들을 결정한다
f. 모바일 앱이 데이터를 서버로 전송한다
g. 서버가 모델을 사용하여 분석을 수행하고, 예측들을 생성하여, 모바일 앱으로 전송한다
h. 모바일 앱이 서버로부터 다운로드된 데이터를 처리하고, 그녀의 활동 메트릭들을 디스플레이하는 대시보드 및 그래프들에 사용자 인터페이스를 생성한다
이미 수술을 받은 환자들의 경우, 이들의 수술 이전 및 수술 이후 활동 레벨이 정리되어 대시보드에 디스플레이된다. 아직 수술을 받지 않은 환자들은, 향후의 날짜에 받을 것으로 예상되는 수술 타입을 선택할 수 있다. 그 다음, 기계 학습 알고리즘은 환자의 베이스라인 특성들 및 베이스라인 활동 레벨들을 고려하여 예상되는 신체 활동 레벨들을 생성할 수 있다.
수술 타입(예를 들면, 최소 침습 또는 개방, 자궁경부 또는 요추, 1 또는 2 레벨의 수술)이 데이터베이스에 입력될 수 있다. 또한 모바일 앱은 환자가 아직 수술을 받지 않은 경우 기계 학습 알고리즘을 사용하여 향후 예상되는 활동 레벨을 생성할 수 있다.
수술은 다음과 같이 수행된다:
i. 모바일 앱이 담당 외과 의사 및 환자로부터 수술 세부 정보를 수집한다
j. 모바일 앱이 수술 이후 건강 데이터를 수집하기 시작한다
k. 모바일 앱이 수술 이후 데이터를 이전에 생성된 예측 및 베이스라인과 비교하여, 매주 업데이트된다
i. 실제 신체 활동 데이터가 컴퓨터 생성 데이터와 비교될 수 있으며, 임의의 편차가 계산되어 그래프 및 대시보드 형식으로 디스플레이될 수 있다
ii. 임의의 편차가 기계 학습 알고리즘에 지속적으로 피드백됨으로서 정확성과 예측 능력을 향상시킨다
l. 환자 및 외과 의사에 대한 피드백/제안 트리거
i. 환자가 예상 마일스톤(milestone)들을 충족하지 못하는 경우(예를 들면, 수술 이후 6주까지, 환자가 하루에 5000보를 걸을 것으로 예상되지만, 환자가 하루에 4000보를 걷는 경우), 환자는 예상 활동 레벨에 도달하고 있다는 격려 메시지 및 리마인더를 스마트폰으로 받게 된다. 앱은 피드백을 제공할 뿐만 아니라, 대시보드 방식으로 환자의 신체 활동 데이터를 디스플레이하게 되며, 이에 따라 환자는 간결하고 구조화된 방식으로 시각화 데이터를 볼 수 있게 된다. 또한, 환자들은 자신의 ORBIT 메트릭을 볼 수 있게 되며, 이것은 신체 활동들의 여러 특성들을 고려하고 확립된 환자 보고 결과 측정치(patient reported outcome measure; PROM)들과도 상관 관계가 있는 복합의 객관적 활동 측정치이다.
ii. 동시에, 외과 의사는 수술 이후 환자들의 활동 레벨이 급격히 감소하는 경우 알림 및 경고를 받을 수 있는 옵션을 가지며, 이것은 응급실 방문 또는 진료소에서의 후속 조치를 트리거할 수 있다.
수천 명의 환자로부터 집계된 데이터가 기계 학습 알고리즘에 공급되며, 이 기계 학습 알고리즘은 시간의 경과에 따라 지속적으로 학습되고 개선된다. 그 후에, 이 알고리즘을 활용하여 다른 의학적 또는 외과적 개입들(예를 들면, 새로운 항우울제 또는 정형외과적 고관절 치환술)의 결과들을 예측하게 된다.
수술 이후 환자 데이터 분석을 수행하기 위한 예시적인 루틴
도 3은 본 개시의 양태들에 따른 수술 이후 환자 데이터 분석을 수행하기 위한 예시적인 루틴(300)을 도시한 것이다. 루틴(300)은 예를 들어 데이터 분석 서비스(130) 및/또는 보고서 생성 서비스(150) 또는 본 명세서에 설명된 의료 개입 분석 시스템(106)의 하나 이상의 다른 컴포넌트들에 의해 수행될 수 있다. 편의상, 루틴(300)의 단계들의 일부 또는 전부가 시스템(106)에 의해 수행되는 것으로 설명된다. 예를 들어, 시스템(106)은 하나 이상의 하드웨어 컴퓨팅 장치들, 및 하나 이상의 하드웨어 컴퓨팅 장치들에 의해 실행될 때 하나 이상의 하드웨어 컴퓨팅 장치로 하여금 루틴(300)의 단계들을 수행하게 하는 명령어들을 저장하는 비일시적 물리적 컴퓨터 스토리지를 포함할 수 있다.
루틴(300)은 시스템(106)이 복수의 환자들을 분석하도록 하는 요청을 수신하는 블록 302에서 시작한다.
블록 304에서, 시스템(106)은 복수의 환자들 중 한 환자의 활동 데이터를 분석한다.
블록 306에서, 시스템(106)은 환자에 대한 하나 이상의 수술 이전 시간 윈도우들 및 하나 이상의 수술 이후 시간 윈도우들을 식별한다.
블록 308에서, 시스템(106)은 환자와 관련된 분석 데이터를 생성한다.
블록 310에서, 시스템(106)은 처리될 추가 환자가 있는지 여부를 결정한다. 처리될 추가 환자가 있는 것으로 시스템(106)이 결정하는 경우, 루틴(300)은 블록 304로 되돌아간다. 그렇지 않은 경우, 루틴(300)은 블록 312로 진행한다.
블록 312에서, 시스템(106)은 생물학적 특성 데이터 및 복수의 환자들 중 대응하는 환자와 관련된 수술 데이터와 연관시켜서 각각의 환자에 대해 생성되는 분석 데이터를 저장한다.
블록 314에서, 시스템(106)은 생성된 분석 데이터에 기초하여 보고서를 출력한다. 그 후에, 루틴(300)이 종료될 수 있다.
루틴(300)은 도 3에 예시된 것보다 더 적거나 더 많거나 상이한 블록들을 포함할 수 있고/있거나 도 3에 예시되는 하나 이상의 블록들은 본 설명의 범위를 벗어나지 않는 범위 내에서 수정, 생략 또는 전환될 수 있다. 또한, 본 명세서에 설명된 기능들 중 일부 또는 전부는 여기에 개시된 의료 개입 분석 시스템(106) 및/또는 사용자 컴퓨팅 장치(102)의 하나 이상의 프로세서들에 의해 실행되는 소프트웨어로 구현될 수 있음을 당업자 및 다른 사람들은 이해할 것이다.
예시적인 그래프 및 사용자 인터페이스 요소
도 4는 본 개시의 양태들에 따른, 활동 데이터를 예시하는 그래프들을 도시한 것이다. 도 4에 나타나 있는 각 그래프는 사용자-조정 가능한 이동 평균(도 4에서 점선, 25일)과 함께 일일 활동 데이터(실선)를 나타낸다. 수직선은 수술 날짜를 나타낸다(모든 왼쪽 데이터는 수술 이전 데이터, 오른쪽 데이터는 수술 이후 데이터).
도 5는 본 개시의 양태들에 따른, 활동 데이터의 분포를 예시하는 그래프들을 도시한 것이다. 도 5에 나타나 있는 히스토그램들은 수술 전후의 활동 분포들을 시각적으로 비교할 수 있도록 수술 이전 및 수술 이후의 활동 분포를 보여준다.
도 6은 본 개시의 양태들에 따른, 오차 막대들이 있는 평균 활동 레벨들을 예시하는 그래프들을 도시한 것이다. 도 6에 나타나 있는 막대 그래프들은 추정된 평균 주위의 95% 신뢰 구간을 보여주는 오차 막대들이 있는 평균 수술 이전 및 수술 이후 활동 레벨들을 보여준다. 짝을 이루지 않은 2개의-테일드 t-테스트는, 수술 이전 및 수술 이후 분포들에서 2개의 독립적인 샘플들이 동일한 평균을 가진 정규 분포에서 나올 확률(p-값)을 결정하는데 사용된다. 이 p-값은 막대 그래프 상에 보고된다.
도 7은 본 개시의 양태들에 따른, 증가/감소된 활동 레벨들의 시간들을 예시하는 그래프를 도시한 것이다. 도 7에 나타나 있는 그래프에서, 베이스라인 활동은 이동 평균으로 필터링된다(일 수(number of days)는 사용자가 선택할 수 있음). 높거나 낮은 활동 기간들은 평균으로부터 1보다 큰 표준 편차로 달라진 것들로서 식별된다(이것은 사용자에 의해 선택된 변수로 이루어질 수 있음). 막대들의 높이는 평균 활동 베이스라인에 대한 활동의 평균 증가 또는 감소를 나타낸다. 막대의 폭은 활동 증가 또는 감소의 지속 기간을 나타낸다.
도 8은 본 개시의 양태들에 따른, 오버레이된 화살표들이 있는 활동 레벨들을 예시하는 히트 맵들을 도시한 것이다. 도 8의 히트 맵들에서, 오버레이된 화살표는 유의미한 활동 "램프-업(ramp-up)" 기간들을 나타내며, 여기서 길이 및 크기(선의 두께, 화살촉의 크기)는 활동 램프-업의 지속 기간 및 기울기에 대응한다. 도 8에서, 원시 데이터는 수술 이전 기간에 대해 z-점수 정규화된 다음에, 7일 슬라이딩 윈도우를 사용하여 평활화된 것이다. 다음과 같은 비용들(예를 들면, MATLAB의 findchangepts.m)과 함께 최적화 방법으로 유의미한 활동 램프-업 기간들이 식별된다: (1) "변경 포인트(change point)들"의 수(각 변경 포인트들의 수에 대한 선형 페널티 가중치); 및 (2) 변경 포인트들 사이의 데이터의 선형 적합(linear fit)들의 잔차 제곱합. 변경 포인트를 추가하면 항상 잔류 오차가 감소함에 유의한다. 예를 들어, 시계열의 각 포인트가 변경 포인트인 경우, 오차 제곱합은 0으로 감소한다. 따라서, (1)의 가중치는 과적합(overfitting)을 방지하는데 중요하다. (1)에 대한 가중치들은 변경 포인트들 사이의 최소 일 수가 임계값(예를 들어 3일) 이상이 되도록 반복적인, 데이터-기반 방식으로 결정될 수 있다(하루나 이틀에 걸친 활동 램프 업은 이 분석에서 관심 대상이 아닐 수 있다).
도 9는 본 개시의 양태들에 따른, 걸음 수 및 걸음 크기들의 레벨들을 예시하는 그래프들을 도시한 것이다. 도 10은 본 개시의 양태들에 따른, 이동 거리 및 층수의 레벨들을 예시하는 그래프를 도시한 것이다. 도 9 및 도 10의 그래프들에서, 원시 데이터는 각 메트릭에 대해 개별적으로 수술 이전 분포와 관련하여 z-점수 정규화되었다. X축은 수술 후 날짜(주)를 나타낸다. 0(y축) 이상의 값들은 수술 이전 베이스라인에서의 일일 활동 레벨을 나타낸다. 각 하위 도면 내의, 데이터는 주중(파선), 주말(점선) 및 이들 모두(실선)에 대해 개별적으로 플로팅되었다. 걸음 크기는 이동 거리/걸음 수로 계산되었다. 그 후에, 데이터가 7일 이동 평균으로 평활화되었다. 가용 데이터가 없는 날들은 NaN으로 채워졌다. 일부 실시예들에서는, 주말 활동 데이터만이 본 명세서에 설명된 분석을 수행하는데 사용될 수 있다. 다른 실시예들에서는, 평일 활동 데이터만이 본 명세서에 설명된 분석을 수행하는데 사용될 수 있다. 또 다른 실시예들에서는, 주중 활동 데이터 및 주말 활동 데이터 모두가 본 명세서에 설명된 분석들을 수행하는데 사용될 수 있다.
도 11은 본 개시의 양태들에 따른, 각 요일, 주중, 주말 및 모든 날에 대한 걸음 수, 이동 거리 및 층수에 대한 수술 이전 및 수술 이후 레벨들을 예시하는 그래프들을 도시한 것이다. 도 11에서, 데이터는 수술 이전(음영) 및 수술 이후(블랭크) 기간에 대해 추가로 계층화되어 있으며, 오차 막대들은 평균의 표준 오차(SEM)를 나타낸다.
도 12는 본 개시의 양태들에 따른, 식별된 시간 윈도우들(에포크들)의 시각적 표시들을 포함하는 상이한 타입의 시나리오들에서 수술 이전 및 수술 이후 걸음 수 레벨들을 예시하는 그래프들을 도시한 것이다. 수술 이전 기간에서의 일일 걸음 수 레벨의 시계열에 기초하여, 시스템(106)은 미리 정의된 "에포크들"을 자동으로 검출할 수 있다: 1) 에포크 1은 환자의 평소 건강 상태(건강하거나 만성적으로 쇠약)였던, 수술 이전 베이스라인 상태이고; 2) 에포크 2는 베이스라인에 대한 급격한 감소(존재하는 경우)를 나타내고, 또한 환자에 대한 개입이 없었던 상태를 나타내며; 3) 에포크 3은 환자가 물리 치료/재활을 통해, 급성 수술 통증에서 회복하고 있을 때의 수술 이후 회복 기간이고; 4) 에포크 4는 에포크 1과 동등하거나 개선된 것일 수 있는, 새로운 수술 이후 베이스라인 활동 레벨로의 복귀를 나타내고; 5) 에포크 5는 수술로부터 완전한 회복 기간 이후 이차적 감소를 보인 환자에게서 식별되었다. 이것은 부상이 다시 악화되거나 이동성을 방해할 수 있는 다른 질병 상태 때문일 수 있다. 모든 피험자는 에포크 1 및 3을 가지는 반면, 에포크 2, 4, 5는 특정 수술 이전 활동 패턴에 따라 달라진다. 7일 슬라이딩 윈도우로 수술 이전 분포 및 평활화와 관련하여 z-점수 정규화된 원시 데이터 이후에 에포크들이 식별되었다. E2는 평균 걸음 수 < 0이 10일 넘게 지속되고, 최소 걸음 수 < 0.5인 수술까지 이어지는 기간(일 = 0)이 있는 경우 식별되었다. E4는 평균 걸음 수 < -0.25가 10일 넘게 지속되는 수술 이후 기간이 있는 경우 식별되었다. E5는 E2와 동일한 기준을 사용하여, E4가 발견된 경우에만 식별되었다. 다른 실시예들에서는, 평균 걸음 수, 최소 걸음 수, 또는 지속 기간의 임의의 조합이 사용될 수도 있다.
도 13은 본 개시의 양태들에 따른, 수술 이전 및 수술 이후 걸음 수의 비교를 예시하는 그래프들을 도시한 것이며, 도 14는 본 개시의 양태들에 따른, 수술 이전 및 수술 이후의 걸음 수 분포의 왜곡도의 비교를 예시하는 그래프를 도시한 것이다.
도 13의 그래프들은 에포크 2 대 에포크 4 사이의 평균 일일 걸음 수의 비교를 나타낸다. E2가 사용될 수 없거나 식별될 수 없는 경우, E1이 사용될 수 있으며, E4가 사용될 수 없거나 식별될 수 없는 경우, E3이 사용될 수 있다. 예시된 비교는 환자가 수술을 받지 않았을 때의 상태(E2 또는 E1)와 수술 이후의 상태(E4 또는 E3)를 비교하여, 외과적 개입 이후 일일 걸음 수의 개선 정도를 측정한 것이다. 시각화를 위해 정규화된 데이터를 사용하여, 완전히 회복된 환자들(수술 이후 기간에서 E3 이후 E4)과 그렇지 않은 환자(E3만 해당)에 대해 데이터 포인트들이 별도로 플로팅되어 있다. 또한 원시 걸음 수를 대신에 사용할 경우 질적으로 동일한 결과를 얻을 수 있다.
도 14의 그래프는 수술 이전 대 수술 이후 일일 걸음 수 분포의 왜곡도를 비교한 것이다. 분석은 z-점수 정규화를 사용하지 않는 것을 제외하고는, 평균 일일 걸음 수에 대해 수행되었다. 또한, 이 비교는 E1과 E4 사이의 데이터에 대해 수행되었다. 여기서의 기본 가설은 건강한 사람은 특정 요일에 활동을 램프 업할 수 있기 때문에, 건강한 사람의 이동성 데이터가 양의(positive) 왜곡도를 나타낼 것이라는 것이었다. 실제로, 본 발명자들은 완전 회복(시계열 분석에 의해 결정됨)이 평균 일일 걸음 수와 왜곡도의 증가 또는 왜곡도의 증가 없는 평균 일일 걸음 수의 증가에 의해 특징지어진다는 것을 확인하였다. 평균 대 왜곡도의 상대적 중요성은 더 큰 데이터 세트로 결정되어야 하지만, 평균의 증가(수술 이전으로부터 수술 이후로)는 왜곡도 증가와 음의 상관관계가 있을 가능성이 높다.
수술 여부 결정 지원
도 15는 본 개시의 양태들에 따른, 수술 또는 다른 의료 개입을 받을 것인지 여부에 대한 결정을 돕기 위한 예시적인 루틴(1500)을 도시한 것이다. 도 15에 나타나 있는 바와 같이, 루틴(1500)은 (i) 입력 환자 데이터(예를 들어, 성별, 연령, 증상, 활동 데이터, 환자가 자신의 상태를 개선하기 위해 받을 수 있는 수술의 세부 사항 등)를 수집하는 것, (ii) 예측된 수술 이후 활동 데이터(예를 들며, 걸음 수, 걸음 크기, 이동 거리, 오른 계단들의 층 수, 칼로리 수 등)를 결정하는데 사용될 기계 학습 알고리즘들을 식별하는 것, (iii) 예측된 수술 이후 활동 데이터를 결정하는 것, (iv) 외과 개입이 필요한지 여부를 결정하는데 도움이 되는 분석 데이터를 출력하는 것, (v) 최적의 외과 개입을 식별하는 것(예를 들어, 다수의 수술들 또는 수술 타입들에 대해 예측되는 수술 이후 활동 데이터를 비교함으로써), 및 (vi) 외과 개입 이후 환자의 진행 상황에 기초하여 제안들을 추적하고 제공하는 것을 포함할 수 있다.
기계 학습 알고리즘(machine learning algorithm; MLA)이 수술 개입 이후 개별 환자의 결과를 예측하기 위해 병행하여 개발된다. 이 알고리즘은 알려진 변수를 입력하는 것에 의해 감독 학습을 거치며, 이것은 수술 이후 환자의 활동 레벨들을 예측하는데 사용된다. 이 정보를 사용하여, 의사 및 환자는 도 15에 나타나 있는 바와 같이 예측된 활동 레벨에 기초하여 공동으로 수술을 받을지 여부를 결정할 수 있다. 예를 들어, 신경근병증으로 아직 수술(예를 들면, 1 레벨 요추 추간판 절제술)을 받지 않은 환자의 활동 레벨 및 수술 이후 ORBIT 메트릭이 예측될 것이며, 이것이 수술 결정을 안내하는데 사용된다. MLA를 사용하여, 환자의 수술 이후 신체 레벨들이 정확하게 예측될 수 있다. MLA는 베이스라인 환자 특성들(연령, 성별, BMI, 건강 상태들, 골밀도 등)의 입력 및 이미 수술을 받은 환자들의 수술 이전 및 수술 이후 신체 활동 데이터의 이전 예들을 사용하여 훈련을 받게 된다. MLA를 사용하여, 외과 의사는 유사한 베이스라인 건강 이력 및 베이스라인 활동 레벨을 가진 수천 명의 환자들에 기초하여, 40세 여성에게 1 레벨 요추 절제술을 받은 후의 수술 이후 과정에 대해 안정적으로 알릴 수 있게 된다. 외과적 방식은, 수술이 최소 침습으로 이루어지는지 개방 방식으로 이루어지는지 여부에 관계 없이, MLA 형성에 영향을 미치게 되며, 따라서 환자와 의사 모두가 최적의 외과 개입을 선택할 수 있게 된다.
수술 이전 환자 데이터 분석을 수행하기 위한 예시적인 루틴
도 16은 본 개시의 양태들에 따른, 수술 이전 환자 데이터 분석을 수행하기 위한 예시적인 루틴(1600)을 도시한 것이다. 루틴(1600)은 예를 들어 데이터 분석 서비스(130) 및/또는 보고서 생성 서비스(150) 또는 본 명세서에 설명된 의료 개입 분석 시스템(106)의 하나 이상의 다른 컴포넌트들에 의해 수행될 수 있다. 편의상, 루틴(1600)의 단계들의 일부 또는 전부는 시스템(106)에 의해 수행되는 것으로 설명된다. 예를 들어, 시스템(106)은 하나 이상의 하드웨어 컴퓨팅 장치, 및 하나 이상의 하드웨어 컴퓨팅 장치에 의해 실행될 때 하나 이상의 하드웨어 컴퓨팅 장치로 하여금 루틴의 단계들을 수행하게 하는 명령어들을 저장하는 비일시적 물리적 컴퓨터 스토리지를 포함할 수 있다.
루틴(1600)은 시스템(106)이 제 1 환자를 분석하도록 하는 요청을 수신하는 블록 1602에서 시작한다.
블록 1604에서, 시스템(106)은 제 1 환자 및 제 1 수술 타입(예를 들면, 제 1 환자에 대해 고려되고 있는 수술 타입)과 관련된 생물학적 특성 데이터에 기초하여 이전에 분석된 환자들의 분석 데이터(예를 들면, 도 3에 예시된 바와 같음)를 검색한다.
블록 1606에서, 시스템(106)은 제 1 수술 타입의 제 1 수술의 예측된 효능 점수를 결정한다.
블록 1608에서, 시스템(106)은 수술 이후 회복에 대한 예측된 패턴을 결정한다.
블록 1610에서, 시스템(106)은 수술 이후 회복에 대한 예측된 효능 및 예측된 패턴에 기초하여 보고서를 출력한다. 예를 들어, 보고서는, 예측된 효능을 나타내는 사용자 인터페이스 요소, 및 예측된 수술 이후 회복 패턴을 나타내는 또 다른 사용자 인터페이스 요소를 포함하는 사용자 인터페이스의 형태로, 모바일 애플리케이션 또는 브라우저 애플리케이션을 통해, 사용자 컴퓨팅 장치(102)에 제시될 수 있다. 그 후에, 루틴(1600)이 종료될 수 있다.
루틴(1600)은 도 16에 예시된 것보다 더 적거나 더 많거나 상이한 블록들을 포함할 수 있다. 또한, 본 명세서에 설명된 기능들 중 일부 또는 전부는 본 명세서에 개시되는 의료 개입 분석 시스템(106) 및/또는 사용자 컴퓨팅 장치의 하나 이상의 프로세서들에 의해 실행되는 소프트웨어로 구현될 수 있음을 당업자 및 다른 사람들에 의해 이해될 것이다.
시각적으로 구별되는 시간 윈도우들을 출력하기 위한 예시적인 루틴
도 17은 본 개시의 양태들에 따른, 시각적으로 구별되는 시간 윈도우들을 출력하기 위한 예시적인 루틴(1700)을 도시한 것이다. 루틴(1700)은 예를 들어 데이터 분석 서비스(130) 및/또는 보고서 생성 서비스(150) 또는 본 명세서에 설명된 의료 개입 분석 시스템(106)의 하나 이상의 다른 컴포넌트들에 의해 수행될 수 있다. 편의상, 루틴(1700)의 단계들의 일부 또는 전부는 시스템(106)에 의해 수행되는 것으로 설명된다. 예를 들어, 시스템(106)은 하나 이상의 하드웨어 컴퓨팅 장치, 및 하나 이상의 하드웨어 컴퓨팅 장치에 의해 실행될 때 하나 이상의 하드웨어 컴퓨팅 장치로 하여금 루틴(1700)의 단계들을 수행하게 하는 명령어들을 저장하는 비일시적 물리적 컴퓨터 스토리지를 포함할 수 있다.
루틴(1700)은 시스템(106)이 제 1 환자를 분석하도록 하는 요청을 수신하는 블록 1702에서 시작한다.
블록 1704에서, 시스템(106)은 제 1 환자와 관련된 활동 데이터를 검색한다.
블록 1706에서, 시스템(106)은 제 1 환자와 관련된 수술 날짜를 검색한다.
블록 1708에서, 시스템(106)은 수술 날짜에 대한 제 1 환자와 관련된 활동 데이터를 그래프로 나타낸다. 예를 들어, 수술 날짜 이전의 활동 데이터의 일부는 그래프의 왼쪽(예를 들면, 수술 날짜를 나타내는 위치의 왼쪽)에 플로팅되고, 수술 날짜 이후의 활동 데이터의 나머지 부분은 그래프의 오른쪽(예를 들면, 수술 날짜를 나타내는 위치의 오른쪽)에 플로팅될 수 있다.
블록 1710에서, 시스템(106)은 활동 데이터에 기초하여 제 1 환자에 대한 하나 이상의 수술 이전 시간 윈도우들 및 하나 이상의 수술 이후 시간 윈도우들을 식별한다. 시간 윈도우들을 식별하기 위한 기술들은 도 18을 참조하여 아래에서 더 자세히 설명된다.
블록 1712에서, 시스템(106)은 상이한 시간 윈도우들에서 활동을 시각적으로 구별하는 그래픽 인디케이터들을 출력한다. 예를 들어, 상이한 시간 윈도우에 대응하는 그래프의 각 섹션(또는 플로팅된 데이터 포인트(들))은 상이한 색상(또는 상이한 음영, 굵은 선, 실선/파선 등)일 수 있다. 그 후에, 루틴(1700)이 종료될 수 있다.
루틴(1700)은 도 17에 예시된 것보다 더 적거나 더 많거나 상이한 블록들을 포함할 수 있고/있거나 도 17에 예시된 하나 이상의 블록들은 설명의 범위를 벗어나지 않는 범위 내에서 수정, 생략 또는 전환될 수 있다. 또한, 본 명세서에 설명된 기능들 중 일부 또는 전부는 본 명세서에 개시되는 의료 개입 분석 시스템(106) 및/또는 사용자 컴퓨팅 장치(102)의 하나 이상의 프로세서들에 의해 실행되는 소프트웨어로 구현될 수 있음을 당업자 및 다른 사람들은 이해할 것이다.
환자 활동 데이터에 기초하여 시간 윈도우들을 식별하기 위한 예시적 루틴
도 18은 본 발명의 양태들에 따른, 환자 활동 데이터에 기초하여 시간 윈도우들을 식별하기 위한 예시적인 루틴(1800)을 도시한 것이다. 루틴(1800)은 예를 들어 데이터 분석 서비스(130) 및/또는 보고서 생성 서비스(150) 또는 본 명세서에 설명된 의료 개입 분석 시스템(106)의 하나 이상의 다른 컴포넌트들에 의해 수행될 수 있다. 편의상, 루틴(1800)의 일부 또는 전부는 시스템(106)에 의해 수행되는 것으로 설명된다. 예를 들어, 시스템(106)은 하나 이상의 하드웨어 컴퓨팅 장치, 및 하나 이상의 하드웨어 컴퓨팅 장치에 의해 실행될 때 하나 이상의 하드웨어 컴퓨팅 장치로 하여금 루틴(1800)의 단계들을 수행하게 하는 명령어들을 저장하는 비일시적 물리적 컴퓨터 스토리지를 포함할 수 있다.
루틴(1800)은 시스템(106)이 환자의 활동 데이터 및 환자가 받은 수술과 관련된 날짜를 수신하는 블록 1802에서 시작한다.
블록 1804에서, 시스템(106)은 수술 이전 활동 데이터의 부분에서 급격한 감소가 검출되는지 여부를 결정한다. 예를 들어, 활동(예를 들면, 걸음 수 또는 본 명세서에 설명된 또 다른 값)이 임계 기간(예를 들면, 10일) 동안 임계 평균 레벨(예를 들면, z-점수 정규화된 걸음 수에서 0) 미만으로 유지되면서 적어도 임계 최소 레벨(예를 들면, z-점수 정규화 걸음 수에서 -0.5)에 도달하는지 여부를 결정하는 것에 의해 급격한 감소가 검출될 수 있다. 다른 예에서는, 이러한 기준들(임계 평균 레벨, 임계 기간 및/또는 임계 최소 레벨)의 임의의 조합이 급격한 감소를 검출하는데 사용될 수도 있다.
시스템(106)이 급격한 감소가 검출되지 않는 것으로 결정한 경우, 루틴(1800)은 블록 1806으로 진행하며, 여기서 시스템(106)은 수술 이전 활성 데이터의 부분 모두에 대한 단일 시간 윈도우("수술 이전 베이스라인" 기간)를 식별한다. 그렇지 않은 경우, 루틴(1800)은 블록 1808로 진행한다.
블록 1808에서, 시스템(106)은 급격한 감소 이전의 모든 수술 이전 활동을 포함하는 하나의 수술 이전 시간 윈도우("수술 이전 베이스라인" 기간), 및 식별된 수술 이전 시간 윈도우와 수술 날짜 사이의 모든 수술 이전 활동을 포함하는 또 다른 수술 이전 시간 윈도우("급격한 감소" 기간)을 식별한다.
블록 1810에서, 시스템(106)은 수술 이후 활동 데이터의 부분에서 회복이 검출되는지 여부를 결정한다. 예를 들어, 활동(예를 들면, 걸음 수, 또는 본 명세서에 설명된 또 다른 값)이 임계 기간(예를 들면 10일) 동안 임계 평균 레벨(예를 들면, z-점수 정규화된 걸음 수에서 -0.25)을 초과하면서 적어도 임계 최대 레벨(예를 들면, z-점수 정규화된 걸음 수에서 0.25)에 도달하는지 여부를 결정하는 것에 의해 회복이 검출될 수 있다. 또 다른 예에서는, 이러한 기준들(임계 평균 레벨, 임계 기간 및/또는 임계 최대 레벨)의 임의의 조합이 회복을 검출하는데 사용될 수도 있다.
시스템(106)이 회복이 검출되지 않은 것으로 결정한 경우, 루틴(1800)은 블록 1812로 진행하며, 여기서 시스템(106)은 수술 이후 활동 데이터의 부분 모두에 대한 단일 시간 윈도우("수술 이후 회복" 기간)를 식별한다. 그렇지 않은 경우, 루틴(1800)은 블록 1814로 진행한다.
블록 1814에서, 시스템(106)은 수술 날짜와 검출된 회복 사이의 모든 수술 이후 활동을 포함하는 하나의 수술 이후 시간 윈도우("수술 이후 회복" 기간), 및 식별된 수술 이후의 시간 윈도우 이후의 모든 수술 이후 활동을 포함하는 또 다른 수술 이전 시간 윈도우("회복된" 기간)를 식별한다.
블록 1816에서, 시스템(106)은 식별된 시간 윈도우에 기초하여 수술 효능 점수를 출력한다. 예를 들어, "회복" 기간에서의 평균 걸음 수를 "급격한 감소" 기간에서의 평균 걸음 수로 나누는 것에 의해 수술 효능 점수가 계산될 수 있다. 또 다른 예로서, 수술 효능 점수는 "수술 이후 회복" 기간(예를 들면, "회복" 기간이 식별되지 않은 경우)에서의 평균 걸음 수를 "수술 이전 베이스라인" 기간(예를 들면, "급격한 감소" 기간이 식별되지 않은 경우)에서의 평균 걸음 수로 나누는 것에 의해 계산될 수 있다. 그 후에, 루틴(1800)이 종료될 수 있다.
루틴(1800)은 도 18에 예시되는 것보다 더 적거나 더 많거나 상이한 블록들을 포함할 수 있고/있거나 도 18에 예시되는 하나 이상의 블록들은 설명의 범위를 벗어나지 않고 수정, 생략 또는 전환될 수 있다. 예를 들어, 도 18에는 나타나 있지 않지만, 시스템(106)은 검출된 회복에 후속하는 (예를 들면, 전술한 기술들을 사용하여) 또 다른 급격한 감소를 검출한 것에 응답하여 "회복된" 기간에 후속하는 또 다른 시간 윈도우를 식별할 수 있다. 식별된 시간 윈도우는 검출된 수술 이후 급격한 감소, 및 수술 이후 급격한 감소 이후의 활동 데이터를 포함할 수 있다. 또한, 본 명세서에 설명된 기능들 중 일부 또는 전부는 의료 개입 분석 시스템(106) 및/또는 사용자 컴퓨팅 장치(102)의 하나 이상의 프로세서들에 의해 실행되는 소프트웨어로 구현될 수 있음을 당업자 및 다른 사람들에 의해 이해될 것이다.
시간 윈도우들의 비교
시스템(106)은 상이한 수술들에 대한 E3의 길이들(또는 외과 의사, 의료 장치, 장치 제조업체, 수술 기간, 하루 중 시간, 기존 상태들, 환자 생물학적 특성과 같은 수술과 관련된 임의의 다른 파라미터들)을 비교하여, 어떤 수술 또는 의료 장치가 E3을 단축시키는지를 결정한다. 이러한 결정은 보고서에 포함될 수 있다.
시스템(106)은 상이한 수술들에 대한 E4의 너비들(또는 외과 의사, 의료 장치, 장치 제조업체, 수술 기간, 하루 중 시간, 기존 상태들, 환자의 생물학적 특성들 등과 같은 수술들과 관련된 임의의 다른 파라미터들)을 비교하여, 어떤 수술 또는 의료 장치가 더 높은 E4를 초래하는지를 결정할 수 있다. 이러한 결정은 보고서에 포함될 수 있다.
시스템(106)은 상이한 수술들(또는 외과 의사, 의료 장치, 장치 제조업체, 수술 기간, 하루중 시간, 기존 조건들, 환자의 생물학적 특성들 등과 같은 수술들과 연관된 임의의 다른 파라미터들)에 대한 효능(예를 들어, E4 또는 E3을 E2 또는 E1로 나눈 것)을 비교하여, 어떤 수술이나 의료 장치가 더 큰 효능을 초래하는지를 결정할 수 있다. 이러한 결정은 보고서에 포함될 수 있다.
컴퓨팅 시스템의 예시적인 아키텍처
도 19는 본 명세서에 설명되거나 도 1 내지 도 18에 예시되는 기술들 중 하나 이상을 수행하는데 사용될 수 있는 컴퓨팅 시스템(1900)의 예시적인 아키텍처를 도시한 것이다. 도 19에 도시되는 컴퓨팅 시스템(1900)의 일반적인 아키텍처는 본 개시의 하나 이상의 양태들을 구현하는데 사용될 수 있는 컴퓨터 하드웨어 및 소프트웨어 모듈들의 구성을 포함한다. 컴퓨팅 시스템(1900)은 도 19에 나타나 있는 것보다 더 많은(또는 더 적은) 요소들을 포함할 수 있다. 그러나, 본 개시를 가능하게 하기 위해 이러한 모든 요소들이 반드시 나타날 필요는 없다. 예를 들어, 컴퓨팅 시스템(1900)은 데이터 분석 서비스(130), 보고서 생성 서비스(150) 및/또는 사용자 컴퓨팅 장치들(102)을 포함하는, 본 명세서에 설명된 요소들 중 하나 이상을 구현하는데 사용될 수 있다.
도시된 바와 같이, 컴퓨팅 시스템(1900)은 프로세서(190), 네트워크 인터페이스(192) 및 컴퓨터 판독 가능 매체(194)를 포함하며, 이들 모두는 통신 버스를 통해 서로 통신할 수 있다. 네트워크 인터페이스(192)는 하나 이상의 네트워크들 또는 컴퓨팅 시스템에 대한 연결을 제공할 수 있다. 따라서, 프로세서(190)는 도 1에 예시된 네트워크(104)를 통해 다른 컴퓨팅 시스템들 또는 서비스들로부터 정보 및 명령어들을 수신할 수 있다.
프로세서(190)는 메모리(180)와 통신할 수도 있다. 메모리(180)는, 본 개시의 하나 이상의 양태들을 구현하기 위해 프로세서(190)가 실행하는 컴퓨터 프로그램 명령어들(일부 실시예들에서는 모듈들로 그룹화됨)을 포함할 수 있다. 메모리(180)는 RAM, ROM 및/또는 다른 영구, 보조 또는 비일시적 컴퓨터 판독 가능 매체를 포함할 수 있다. 메모리(180)는 컴퓨팅 시스템(1900)의 일반적인 관리 및 동작에서 프로세서(190)에 의해 사용하기 위한 컴퓨터 프로그램 명령어들을 제공하는 운영 체제(182)를 저장할 수 있다. 메모리(180)는 본 개시의 하나 이상의 양태들을 구현하기 위한 컴퓨터 프로그램 명령어들 및 다른 정보를 추가로 포함할 수 있다. 예를 들어, 일 실시예에서, 메모리(180)는 예를 들어 사용자 컴퓨팅 장치에 설치되는 브라우저 또는 애플리케이션과 같은 탐색 및/또는 브라우징 인터페이스를 통해 사용자 컴퓨팅 장치(예를 들면, 도 1의 사용자 컴퓨팅 장치(102))에 디스플레이하기 위한 사용자 인터페이스들(및/또는 그 명령어들)을 생성하는 사용자 인터페이스 모듈(184)을 포함한다. 또한, 메모리(180)는 하나 이상의 데이터 스토어들을 포함하거나 이와 통신할 수 있다.
사용자 인터페이스 모듈(184)에 추가하여 및/또는 사용자 인터페이스 모듈과 조합하여, 메모리(180)는 프로세서(190)에 의해 실행될 수 있는 데이터 분석 모듈(186) 및 보고서 생성 모듈(188)을 포함할 수 있다. 일 실시예에서, 데이터 분석 모듈(186) 및 보고서 생성 모듈(188)은 본 개시의 다양한 양태들, 예를 들어 도 1 내지 도 18에 예시된 것들 또는 도 1 내지 도 18을 참조하여 설명되는 것을 집합적으로 구현한다.
도 19의 예에서는 단일 프로세서, 단일 네트워크 인터페이스, 단일 컴퓨터 판독 가능 매체 및 단일 메모리가 도시되어 있지만, 다른 구현들에서, 컴퓨팅 시스템(1900)은 이들 컴포넌트들 중 하나 이상의 배수(예를 들어, 둘 이상의 프로세서들 및/또는 둘 이상의 메모리들)를 가질 수 있다.
수술 및 다른 타입의 개입들
본 명세서에 설명된 일부 실시예들에서는 수술이 일 예로서 사용되고 있지만, 본 개시에 설명된 기술들은 수술들에 제한되는 것이 아니며, 다른 실시예들에서는, 임의의 다른 타입의 치료들, 절차들 또는 개입들에 적용될 수 있다.
처리된 활동 데이터
처리된 활동 데이터(예를 들면, 걸음 수, 걸음 크기, 칼로리 수, 오른 층 수 등)가 일부 실시예들에서 환자의 스마트폰에 의해(예를 들면, 스마트폰에 설치된 모바일 애플리케이션에 의해) 생성되어 시스템(106)에 제공되는 것으로 설명되어 있지만, 다른 실시예들에서, 이러한 처리된 활동 데이터는 시스템(106), 또는 환자의 스마트폰에 의해 포착되는 원시 데이터(예를 들면, 가속도계 데이터, 자이로스코프 데이터, 자력계 데이터 등 또는 이들의 임의의 조합)에 기초하여 다른 서버에 의해 생성될 수 있다.
환자 특성별 및 개입별 방식으로 분석 데이터 검색 및 시각화
주어진 환자와 관련된 정보에 기초하여, 시스템(106)은 이전에 생성된 분석 데이터를 필터링할 수 있고, 환자에게 제시하기 위한 또 다른 분석 데이터 세트를 생성할 수 있다. 예를 들어, 시스템(106)은 환자가 여성이고, 50 내지 60세 연령 그룹에 속하며, 척추 수술을 고려하고 있다고 결정할 수 있다. 이에 응답하여, 시스템(106)은 여성, 50 내지 60세 연령 그룹 및 척추 수술에 대한 분석 데이터를 필터링할 수 있으며, 여기서 필터링된 분석 데이터는 척추 수술을 받은 연령 그룹의 다른 여성 환자들이 수술 전후에 수행한 방법을 나타낸다. 이 필터링된 데이터를 사용하여, 시스템(106)은 환자에 대한 분석 데이터를 새로 생성할 수 있다. 이 새로 생성된 분석 데이터에는 하나 이상의 타입들의 척추 수술과 연관된 효능 점수(예를 들면, 연령 그룹의 다른 여성 환자의 효능 점수 평균화) 및 각 의료 개입에 대한 각각의 예측된 회복 패턴(예를 들면, 이동성 레벨들)이 포함될 수 있다. 새롭게 생성된 분석 데이터에 기초하여, 사용자를 대신하여 의료 개입 옵션을 평가하는 다른 사용자 및/또는 환자에게 제시하기 위한 시각적 보고서가 생성될 수 있다. 이 예에서는 성별과 연령 그룹만 사용했지만 이전에 생성된 분석 데이터를 필터링하거나 환자에 대한 새로운 분석 데이터를 생성하는데 환자 특성들이 얼마든지 사용될 수 있다. 또한, 이 예는 새로운 환자에 대한 분석 데이터를 제공하기 위해 사용되지만, 다른 실시예들에서, 결과(예를 들면, 의료 종사자, 의료 개입 날짜, 사용된 의료 장치, 의료 장치 제조업체, 의료 개입 기간, 침습 레벨, 하루 중 의료 개입 시간 등) 및/또는 환자 특성들의 임의의 다른 조합에 영향을 미칠 수 있는 다양한 다른 기준의 효능 점수를 비교하기 위해 유사한 기술이 사용될 수 있다. 예를 들어, 다수의 의료 종사자들, 다수의 의료 장치들, 다수의 의료 장치 제조업체, 다수의 의료 개입 기간들, 다수의 침습 레벨들 및/또는 하루 중 다수의 의료 개입 시간을 비교하는 보고서가 생성되어 사용자에게 제시될 수 있다.
예시적 구현들(Example Implementations, EIs)
일부 열거된 예시적 구현들(EIs)이 이 섹션에서 제공되며, 이에 제한되지 않는다.
EI 1: 환자들 및 수술들에 관한 분석을 제공하기 위한 시스템, 이 시스템은 다음을 포함한다: 한 명 이상의 환자들과 연관된 분석 데이터를 저장하는 데이터 저장소; 및 컴퓨터 하드웨어를 포함하는 데이터 분석 서비스, 여기서 데이터 분석 서비스는 적어도: 복수의 환자를 분석하도록 하는 제 1 요청을 수신하며, 여기서 제 1 요청은 (i) 복수의 환자들과 연관된 생물학적 특성 데이터, (ii) 복수의 환자들과 연관된 복수의 각각의 사용자 컴퓨팅 장치에 의해 생성되는 걸음 수 데이터, 및 (iii) 복수의 환자들과 연관된 수술 데이터를 포함하며; 그리고 복수의 환자들의 각각의 환자마다에 대해: 각각의 환자와 관련된 걸음 수 데이터에 적어도 부분적으로 기초하여 시간 윈도우 세트를 식별하고; 시간 윈도우들의 세트로부터, 각각의 환자와 연관된 수술 날짜 이전의 제 1 시간 윈도우 및 수술 날짜 이후의 제 2 시간 윈도우를 선택하고; 제 1 시간 윈도우와 연관된 제 1 걸음 수 데이터와 제 2 시간 윈도우와 연관된 제 2 걸음 수 데이터의 비교에 적어도 부분적으로 기초하여 수술 효능 점수를 생성하고; (a) 각각의 환자와 연관된 생물학적 특성 데이터의 적어도 일부 및 (b) 각각의 환자와 연관된 수술 데이터의 적어도 일부와 연관시켜서 수술 효능 점수를 저장하여, 각각의 환자와 연관된 수술 효능 점수가 생물학적 특성 특정 및 수술 특정 방식으로 검색 가능하도록 하며, 여기서 데이터 분석 서비스는 복수의 환자들에 포함되지 않은 제 1 환자를 분석하도록 하는 제 2 요청을 수신하고, 여기서 제 2 요청은 (i) 제 1 환자와 연관된 제 1 생물학적 특성 데이터, (ii) 제 1 환자와 연관된 제 1 걸음 수 데이터, 및 (iii) 제 1 수술 타입을 포함하며; 제 1 생물학적 특성 데이터 및 제 1 수술 타입에 적어도 부분적으로 기초하여 데이터 저장소로부터 제 1 분석 데이터를 검색하고, 여기서 제 1 분석 데이터는 제 1 생물학적 특성 데이터 및 제 1 수술 타입의 적어도 일부에 대응하는 데이터 저장소에 저장되는 분석 데이터의 서브세트이며; 제 1 환자와 연관된 제 1 분석 데이터 및 제 1 걸음 수 데이터에 적어도 부분적으로 기초하여, (a) 제 1 환자에 대한 제 1 수술 타입의 제 1 수술 수행과 연관된 예측된 수술 효능 점수 및 (b) 제 1 환자에 대한 제 1 수술 수행과 연관된 수술 이후 회복의 예측된 패턴을 결정하며; 제 1 환자와 연관된 보고서를 출력하고, 여기서 보고서는 적어도 예측된 수술 효능 점수 및 예측된 회복 패턴을 나타낸다.
EI 2: EI 1의 시스템, 여기서 수술 효능 점수는 제 2 시간 윈도우에 걸친 제 2 걸음 수 데이터의 제 1 평균값을, 제 1 시간 윈도우에 걸친 제 1 걸음 수 데이터의 제 2 평균값으로 나눔으로써 계산된다.
EI 3: EI 1의 시스템, 여기서 수술 이후 회복의 예측된 패턴은 제 1 환자의 동일한 생물학적 특성들 세트를 공유하는 복수의 환자들의 서브세트의 걸음 수 데이터의 수술 이후 부분을 집계함으로써 결정된다.
EI 4: EI 1의 시스템, 여기서 데이터 분석 서비스는, 제 1 수술을 포함하는 복수의 수술들 각각에 대한 예측된 수술 효능 점수를 결정하고; (i) 복수의 수술 중에서 가장 높은 제 1 수술과 연관된 예측된 수술 효능 점수, 및 (ii) 제 1 수술이 제 1 환자에 대해 적어도 임계 레벨의 이동성 향상을 가져올 것으로 예측됨을 나타내는 제 1 수술과 연관된 예측된 수술 효능 점수에 적어도 부분적으로 기초하여 제 1 수술에 대한 추천을 출력하도록 더 구성된다.
EI 5: EI 1의 시스템, 여기서 걸음 수 데이터는 복수의 환자들 중 주어진 환자에 대해, 주어진 환자와 연관된 스마트폰의 하나 이상의 센서들에 의해 포착되는 센서 데이터에 기초하여 주어진 환자에 의해 취해질 것으로 추정되는 걸음 수이며, 여기서 하나 이상의 센서들은 가속도계, 자이로스코프, GPS(Global Positioning System) 센서, 나침반, 자력계 또는 기압계 중 하나 이상을 포함한다.
EI 6: EI 1의 시스템, 여기서 걸음 수 데이터는 복수의 환자들과 연관된 복수의 각각의 사용자 컴퓨팅 장치들 각각에 설치되는 모바일 애플리케이션에 의해 수집되고, 데이터 분석 서비스에 의해 액세스 가능한 데이터 저장소로 송신된다.
EI 7: EI 1의 시스템, 여기서 데이터 분석 서비스는, 제 1 수술을 받은 생물학적 특성들의 제 1 세트와 연관된 복수의 환자들 중 환자들의 제 1 서브세트에 대응하는 분석 데이터의 제 1 서브세트를 식별하고; 제 1 수술을 받은 생물학적 특성들의 제 1 세트와 상이한 생물학적 특성들의 제 2 세트와 연관된 복수의 환자들 중 환자들의 제 2 서브세트에 대응하는 분석 데이터의 제 2 서브세트를 식별하고; (i) 생물학적 특성들의 제 1 세트와 연관된 환자들의 제 1 서브세트에 대한 제 1 수술과 연관된 제 1 수술 효능 점수, 및 (ii) 생물학적 특성들의 제 2 세트와 연관된 환자들의 제 2 서브세트에 대한 제 1 수술과 연관된 제 2 수술 효능 점수를 포함하는 집계 보고서를 출력하도록 더 구성된다.
EI 8: EI 1의 시스템, 여기서 데이터 분석 서비스는, 제 1 수술을 받은 생물학적 특성들의 제 1 세트와 연관된 복수의 환자들 중 환자들의 제 1 서브세트에 대응하는 분석 데이터의 제 1 서브세트를 식별하고; 제 1 수술과 상이한 제 2 수술을 받은 생물학적 특성들의 제 1 세트와 연관된 복수의 환자들 중 환자들의 제 2 서브세트에 대응하는 분석 데이터의 제 2 서브세트를 식별하며; (i) 생물학적 특성들의 제 1 세트와 연관된 환자들의 제 1 서브세트에 대한 제 1 수술과 연관된 제 1 수술 효능 점수, 및 (ii) 생물학적 특성들의 제 1 세트와 연관된 환자들의 제 1 서브세트에 대한 제 2 수술과 연관된 제 2 수술 효능 점수를 포함하는 집계 보고서를 출력하도록 더 구성된다.
EI 9: 환자들 및 의료 개입들에 관한 분석을 제공하기 위한 컴퓨터 구현 방법, 이 방법은, 복수의 환자들을 분석하도록 하는 제 1 요청을 수신하는 단계 - 여기서 제 1 요청은 (i) 복수의 환자들과 연관된 생물학적 특성 데이터, (ii) 복수의 환자들과 연관된 활동 데이터, 및 (iii) 복수의 환자들과 연관된 의료 개입 데이터를 포함함 -; 복수의 환자들의 각각의 환자마다에 대해: 각각의 환자와 연관된 활동 데이터에 적어도 부분적으로 기초하여 시간 윈도우들의 세트를 식별하는 단계 - 여기서 시간 윈도우들의 세트는 적어도 (i) 각각의 환자와 연관된 의료 개입 날짜 이전의 제 1 시간 윈도우, 및 (ii) 의료 개입 날짜 이후의 제 2 시간 윈도우를 포함함 -; 제 1 시간 윈도우과 연관된 제 1 활동 데이터와 제 2 시간 윈도우와 연관된 제 2 활동 데이터의 비교에 적어도 부분적으로 기초하여 의료 개입 효능 점수를 포함하는 분석 데이터를 생성하는 단계; 및 (a) 각각의 환자와 연관된 생물학적 특성 데이터의 적어도 일부 및 (b) 각각의 환자와 연관된 의료 개입 데이터의 적어도 일부와 연관시켜서 분석 데이터를 저장하고, 제 1 환자를 분석하도록 하는 제 2 요청을 수신하는 단계 - 여기서 제 2 요청은 (i) 제 1 환자와 연관된 제 1 생물학적 특성 데이터, (ii) 제 1 환자와 연관된 제 1 활동 데이터, 및 (iii) 제 1 의료 개입 데이터를 포함함 -; 제 1 생물학적 특성 데이터 및 제 1 의료 개입 데이터에 적어도 부분적으로 기초하여 제 1 분석 데이터를 검색하는 단계 - 여기서 제 1 분석 데이터는 제 1 생물학적 특성 데이터 및 제 1 의료 개입 데이터의 적어도 일부에 대응하는 복수의 환자들과 연관된 활동 데이터에 기초하여 생성되는 분석 데이터의 서브세트임 -; 제 1 환자와 연관된 제 1 분석 데이터 및 제 1 활동 데이터에 적어도 부분적으로 기초하여, (a) 제 1 환자에 대한 제 1 의료 개입 데이터와 연관된 제 1 의료 개입을 수행하는 것과 연관된 예측된 의료 개입 효능 점수 및 (b) 제 1 환자에 대한 제 1 의료 개입을 수행하는 것과 연관된 개입 이후 회복에 대한 예측된 패턴을 결정하는 단계; 및 제 1 환자와 연관된 보고서를 출력하는 단계 - 여기서 보고서는 적어도 예측된 의료 개입 효능 점수 및 예측된 회복 패턴을 나타내는 것을 포함함 - 를 포함한다.
EI 10: EI 9의 컴퓨터 구현 방법, 여기서 활동 데이터는 걸음 수, 걸음 크기, 이동 거리 또는 오른 계단의 층 수 중 하나 이상을 포함한다.
EI 11: EI 9의 컴퓨터 구현 방법, 여기서 의료 개입 데이터는 의료 종사자, 의료 개입 날짜, 사용된 의료 장치, 의료 장치 제조업체, 의료 개입 지속 기간 또는 하루 중 의료 개입 시간 중 하나 이상을 포함한다.
EI 12: EI 9의 컴퓨터 구현 방법, 여기서 의료 개입 효능 점수는 제 2 시간 윈도우에 걸친 제 2 활동 데이터의 제 1 평균값을, 제 1 시간 윈도우에 걸친 제 1 활동 데이터의 제 2 평균값으로 나눔으로써 계산된다.
EI 13: EI 9의 컴퓨터 구현 방법, 여기서 개입 이후 회복에 대한 예측된 패턴은 제 1 환자의 생물학적 특성들의 세트를 공유하는 복수의 환자들의 서브세트의 수술 이후 활동 데이터의 부분을 집계함으로써 결정된다.
EI 14: EI 9의 컴퓨터 구현 방법, 이 컴퓨터 구현 방법은, 제 1 의료 개입 데이터와 연관된 복수의 의료 개입들 각각에 대한 예측된 의료 개입 효능 점수를 결정하는 단계 - 여기서 복수의 의료 개입들은 제 1 의료 개입을 포함함 -; (i) 복수의 의료 개입들 중에서 가장 높은 제 1 의료 개입과 연관된 예측된 의료 개입 효능 점수, 및 (ii) 제 1 의료 개입이 제 1 환자에 대해 적어도 임계 레벨의 이동성 개선을 가져올 것으로 예측됨을 나타내는 제 1 의료 개입과 연관된 예측된 의료 개입 효능 점수에 적어도 부분적으로 기초하여, 제 1 의료 개입에 대한 추천을 출력하는 단계를 더 포함한다.
EI 15: EI 9의 컴퓨터 구현 방법, 이 컴퓨터 구현 방법은, 제 1 의료 개입을 받은 생물학적 특성들의 제 1 세트와 연관된 복수의 환자들 중 환자의 제 1 서브세트에 대응하는 분석 데이터의 제 1 서브세트를 식별하는 단계; 제 1 의료 개입과 상이한 제 2 의료 개입을 받은 생물학적 특성들의 제 1 세트와 연관된 복수의 환자들 중 환자들의 제 2 서브세트에 대응하는 분석 데이터의 제 2 서브세트를 식별하는 단계; (i) 생물학적 특성들의 제 1 세트와 연관된 환자들의 제 1 서브세트에 대한 제 1 의료 개입과 연관된 제 1 의료 개입 효능 점수, 및 (ii) 생물학적 특성들의 제 1 세트와 연관된 환자들의 제 1 서브세트에 대한 제 2 의료 개입과 연관된 제 2 의료 개입 효능 점수를 포함하는 집계 보고서를 출력하는 단계를 더 포함한다.
EI 16: 컴퓨팅 시스템에 의해 실행될 때 컴퓨팅 시스템으로 하여금 동작들을 수행하게 하는 명령어들을 저장하는 비일시적 컴퓨터 판독 가능 매체로서, 이 동작들은 복수의 환자들을 분석하도록 하는 제 1 요청을 수신하는 동작 - 여기서 제 1 요청은 (i) 복수의 환자들과 연관된 생물학적 특성 데이터, (ii) 복수의 환자들과 연관된 활동 데이터, 및 (iii) 복수의 환자들과 연관된 의료 개입 데이터를 포함함 -; 복수의 환자들의 각각의 환자마다에 대해: 각각의 환자와 연관된 활동 데이터에 적어도 부분적으로 기초하여 시간 윈도우들의 세트를 식별하는 동작 - 여기서 시간 윈도우들의 세트는 적어도 (i) 각각의 환자와 연관된 의료 개입 날짜 이전의 제 1 시간 윈도우, 및 (ii) 의료 개입 날짜 이후의 제 2 시간 윈도우를 포함함 -; 제 1 시간 윈도우와 연관된 제 1 활동 데이터와 제 2 시간 윈도우와 연관된 제 2 활동 데이터의 비교에 적어도 부분적으로 기초하여 의료 개입 효능 점수를 포함하는 분석 데이터를 생성하는 동작; 및 (a) 각각의 환자와 연관된 생물학적 특성 데이터의 적어도 일부 및 (b) 각각의 환자와 연관된 의료 개입 데이터의 적어도 일부와 연관시켜서 분석 데이터를 저장하고, 제 1 환자를 분석하도록 하는 제 2 요청을 수신하는 동작 - 여기서 제 2 요청은 (i) 제 1 환자와 연관된 제 1 생물학적 특성 데이터, (ii) 제 1 환자와 연관된 제 1 활동 데이터, 및 (iii) 제 1 의료 개입 데이터를 포함함 -; 제 1 생물학적 특성 데이터 및 제 1 의료 개입 데이터에 적어도 부분적으로 기초하여 제 1 분석 데이터를 검색하는 동작 - 여기서 제 1 분석 데이터는, 제 1 생물학적 특성 데이터 및 제 1 의료 개입 데이터의 적어도 일부에 대응하는 복수의 환자들과 연관된 활동 데이터에 기초하여 생성되는 분석 데이터의 서브세트임 -; 제 1 환자와 연관된 제 1 분석 데이터 및 제 1 활동 데이터에 적어도 부분적으로 기초하여, (a) 제 1 환자에 대한 제 1 의료 개입 데이터와 연관된 제 1 의료 개입을 수행하는 것과 연관된 예측된 의료 개입 효능 점수 및 (b) 제 1 환자에 대한 제 1 의료 개입을 수행하는 것과 연관된 개입 이후 회복에 대한 예측된 패턴을 결정하는 동작; 및 제 1 환자와 관련된 보고서를 출력하는 동작 - 여기서 보고서는 적어도 예측된 의료 개입 효능 점수 및 예측된 회복 패턴을 나타냄 - 을 포함한다.
EI 17: EI 16의 비일시적 컴퓨터 판독 가능 매체, 여기서 의료 개입 효능 점수는 제 2 시간 윈도우에 걸친 제 2 활동 데이터의 제 1 평균값을, 제 1 시간 윈도우에 걸친 제 1 활동 데이터의 제 2 평균값으로 나눔으로써 계산된다.
EI 18: EI 16의 비일시적 컴퓨터 판독 가능 매체, 여기서 개입 이후 회복에 대한 예측된 패턴은 동일한 생물학적 특성들의 세트를 공유하는 복수의 환자들의 서브세트의 수술 이후 활동 데이터의 부분을 집계함으로써 결정된다.
EI 19: EI 16의 비일시적 컴퓨터 판독 가능 매체, 이 비일시적 컴퓨터 판독 가능 매체는 컴퓨팅 시스템에 의해 실행될 때, 컴퓨팅 시스템으로 하여금 동작들을 수행하게 하는 추가 명령어들을 저장하며, 이 동작들은 제 1 의료 개입 데이터와 연관된 복수의 의료 개입들 각각에 대한 예측 의료 개입 효능 점수를 결정하는 동작 - 여기서 복수의 의료 개입들은 제 1 의료 개입을 포함함 -; 및 (i) 복수의 의료 개입들 중에서 가장 높은 제 1 의료 개입과 연관된 예측된 의료 개입 효능 점수, 및 (ii) 제 1 의료 개입이 제 1 환자에 대해 적어도 임계 레벨의 이동성 개선을 가져올 것으로 예측됨을 나타내는 제 1 의료 개입과 연관된 예측된 의료 개입 효능 점수에 적어도 부분적으로 기초하여 제 1 의료 개입에 대한 추천을 출력하는 동작을 포함한다.
EI 20: EI 16의 비일시적 컴퓨터 판독 가능 매체, 이 비일시적 컴퓨터 판독 가능 매체는 컴퓨팅 시스템에 의해 실행될 때 컴퓨팅 시스템으로 하여금 동작들을 수행하게 하는 추가 명령어들을 저장하며, 이 동작들은, 제 1 의료 개입을 받은 생물학적 특성들의 제 1 세트와 연관된 복수의 환자들 중 환자의 제 1 서브세트에 대응하는 분석 데이터의 제 1 서브세트를 식별하는 동작; 제 1 의료 개입과 상이한 제 2 의료 개입을 받은 생물학적 특성들의 제 1 세트와 연관된 복수의 환자들 중 환자들의 제 2 서브세트에 대응하는 분석 데이터의 제 2 서브세트를 식별하는 동작; 및 (i) 생물학적 특성들의 제 1 세트와 연관된 환자의 제 1 서브세트에 대한 제 1 의료 개입과 연관된 제 1 의료 개입 효능 점수, 및 (ii) 생물학적 특성들의 제 1 세트와 연관된 환자들의 제 1 서브세트에 대한 제 2 의료 개입과 연관된 제 2 의료 개입 효능 점수를 포함하는 집계 보고서를 출력하는 동작을 포함한다.
EI 21: 스마트폰에서 안전하고 암호화된 HIPAA 준수 네트워크로 데이터를 포착하고 송신하는 새로운 시스템 및 방법으로서, 다음을 포함한다: 개인 건강 정보(personal health information; PHI)의 자동 비식별화 및 각 환자에 대한 고유 식별자 할당. 이를 통해 데이터 보안을 보장하게 되며, 이에 따라 PHI가 보호되고, 침범되더라도 해커가 의료 기록 데이터를 우리의 데이터베이스의 개별 환자와 매칭시킬 수 없게 되며; 지속적인 데이터 수집 및 처리를 통해 수많은 환자들에 대한 구조화된 데이터 시각화가 가능하게 된다. 데이터베이스는 지속적으로 업데이트되며 새로운 환자들이 모바일 애플리케이션에 가입하고 다운로드하게 된다.
EI 22: 사용자의 신체 기능에 기초한 ORBIT 점수 시스템, 여기서 이 점수 시스템은 -15에서 25까지의 범위가 있으며 점수가 높을수록 신체 활동 레벨이 높음을 나타내고, 여기서 ORBIT 스코어링 시스템은 2개의 컴포넌트들: 시간 및 기울기를 갖는 가중 스코어링 시스템이다. 시간 등급(temporal grade)은 수술 이후 기준 신체 활동 레벨을 초과한 시간을 기준으로 하며, 기울기는 베이스라인 활동 레벨과 비교하여 신체 활동 레벨의 증가 또는 감소량에 따라 등급이 매겨지며, 여기서 ORBIT은 각 장치의 알고리즘(Apple iPhone)을 사용하여 지속적으로 수집 및 저장되는 스마트폰 가속도계 데이터에서 계산되는 새로운 점수이고, 여기서 참가자의 셀룰러 장치에서 신체 활동 데이터를 가져온 이후 5개의 파라미터들(SPD, DPD, ACB, SM, FC)이 수집되어 일별, 주별 및 월별 평균으로 구성된다. 이러한 데이터에 기초하여, 각 환자에 대해 ORBIT 점수가 계산되고 기존 PROM(ODI, NDI, PROMIS)과 비교하여 수렴 또는 발산을 결정하며, 여기서 ORBIT는 환자가 설문지를 작성하는 단일 시점에서 계산되는 PROM과 달리 시간적으로 연속적인 변수를 나타내고, 따라서 환자가 수술에서 회복하는 동안 개선 또는 악화를 조기에 감지할 수 있게 하고, 이것은 환자 또는 치료 의사에게 경고하고 면밀한 모니터링 또는 후속 조치를 트리거할 수 있으며, 여기서 본 개시는 수술 개입을 통한 환자의 진행 상황에 대한 실시간, 지속적 업데이트, 객관적, 신뢰할 수 있고 정확하고 일관된 평가를 가능하게 함으로써, 객관적인 결과 측정을 위한 이 방법은 메디케어/메디케이드/민간 보험 회사를 위한 가치 기반 상환 모델로의 근본적인 패러다임 변화를 야기하여 기존의 진료별 지불 모델(fee-for-service model)에서 벗어날 수 있도록 한다.
EI 23: 이력 활동 데이터, 인구통계학적 및 관련 의료 이력에 기초하여 사용자의 미래 활동 레벨을 예측할 수 있는 감독 기계 학습 알고리즘(machine learning algorithm; MLA), 여기서 MLA는 아직 수술을 받지 않은 환자들의 미래 결과들을 예측하기 위해 임상 변수 및 관련 병력을 입력함으로써 훈련될 수 있고, 여기서 MLA는 수술 이전 기본 신체 활동 레벨들, 연령, 성별, BMI, 병력, 수술 타입 및 침습성과 같은 기본 인구 통계에 기초하여 환자의 미래 신체 활동 레벨들(SPD, DPD, ACB, SM, FC)을 계산하게 되며, 여기서, 예측된 SPD, DPD, ACB, SM, FC를 기반으로 하여, 각 환자에 대한 예측된 ORBIT이 상이한 타입의 수술(예를 들면, 미세 추간판 절제술, 융합, 개복 대 최소 침습 척추 수술)에 따라 계산되며, 여기서 이러한 예측들에 기초하여, 담당 의사와 환자는 각 환자에게 가장 적합한 수술 타입을 결정할 수 있다.
용어
여기에 설명된 모든 방법 및 작업은 컴퓨터 시스템에 의해 수행되고 완전히 자동화될 수 있다. 컴퓨터 시스템은 일부 경우에 설명된 기능을 수행하기 위해 네트워크를 통해 통신하고 상호 운용하는 여러 개의 개별 컴퓨터 또는 컴퓨팅 장치(예를 들면, 물리적 서버, 워크스테이션, 스토리지 어레이, 클라우드 컴퓨팅 리소스 등)를 포함할 수 있다. 각각의 이러한 컴퓨팅 장치는 전형적으로 메모리 또는 다른 비일시적 컴퓨터 판독 가능 저장 매체 또는 장치(예를 들어, 솔리드 스테이트 저장 장치, 디스크 드라이브 등)에 저장된 프로그램 명령어 또는 모듈을 실행하는 프로세서(또는 다중 프로세서)를 포함한다. 본 명세서에 개시된 다양한 기능은 그러한 프로그램 명령어로 구현될 수 있거나 컴퓨터 시스템의 애플리케이션 특정 회로(예를 들어, ASIC 또는 FPGA)에서 구현될 수 있다. 컴퓨터 시스템이 여러 컴퓨팅 장치를 포함하는 경우 이러한 장치들은 함께 배치될 수 있으며, 이것이 필수적인 것은 아니다. 본 개시된 방법 및 작업의 결과는 고체 상태 메모리 칩 또는 자기 디스크와 같은 물리적 저장 장치를 다른 상태로 변환함으로써 지속적으로 저장될 수 있다. 일부 실시예들에서, 컴퓨터 시스템은 처리 리소스들이 다수의 개별 사업체 또는 다른 사용자에 의해 공유되는 클라우드 기반 컴퓨팅 시스템일 수 있다.
본 명세서에 설명되거나 본 발명의 도면에 도시된 프로세스는 미리 결정되거나 동적으로 결정되는 스케줄과 같은 이벤트에 응답하여, 사용자 또는 시스템 관리자에 의해 개시될 때의 요청에 따라, 또는 일부 다른 이벤트에 대한 응답으로 시작될 수 있다. 이러한 프로세스들이 개시되는 경우, 하나 이상의 비일시적 컴퓨터 판독 가능 매체(예를 들면, 하드 드라이브, 플래시 메모리, 이동식 매체 등)에 저장된 실행 가능한 프로그램 명령어 세트가 서버 또는 다른 컴퓨팅 장치의 메모리(예를 들면, RAM)에 로드될 수 있다. 실행 가능한 명령어들은 컴퓨팅 장치의 하드웨어 기반 컴퓨터 프로세서에 의해 실행될 수 있다. 일부 실시예들에서, 이러한 프로세스들 또는 그 일부는 다중 컴퓨팅 장치 및/또는 다중 프로세서에서 직렬 또는 병렬로 구현될 수 있다.
실시예에 따라, 본 명세서에 기술된 임의의 프로세스 또는 알고리즘의 특정 동작, 이벤트 또는 기능은 다른 순서로 수행될 수 있고, 추가, 병합되거나 또는 완전히 생략될 수 있다(예를 들어, 설명된 모든 동작 또는 이벤트가 알고리즘 실행에 필수적인 것은 아니다). 또한, 특정 실시예들에서, 동작들 또는 이벤트들은 예를 들어 다중 스레드 처리, 인터럽트 처리 또는 다중 프로세서 또는 프로세서 코어를 통해 또는 다른 병렬 아키텍처에서, 순차적이 아닌 동시에 수행될 수 있다.
본 명세서에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록, 모듈, 루틴 및 알고리즘 단계는 전자 하드웨어(예를 들어, ASIC 또는 FPGA 장치), 컴퓨터 하드웨어에서 실행되는 컴퓨터 소프트웨어, 또는 이들 모두의 조합으로 구현될 수 있다. 또한, 본 명세서에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록 및 모듈은 프로세서 디바이스, 디지털 신호 프로세서("DSP"), 주문형 집적 회로("ASIC"), 필드 프로그래머블 게이트 어레이("FPGA") 또는 다른 프로그래머블 로직 장치, 이산 게이트 또는 트랜지스터 로직, 이산 하드웨어 컴포넌트, 또는 여기에 설명된 기능들을 수행하도록 설계된 이들의 임의의 조합과 같은 기계에 의해 구현되거나 수행될 수 있다. 프로세서 장치는 마이크로프로세서일 수 있지만, 대안적으로 프로세서 장치는 컨트롤러, 마이크로컨트롤러 또는 상태 기계, 이들의 조합 등일 수 있다. 프로세서 장치는 컴퓨터 실행 가능 명령어들을 처리하도록 구성된 전기 회로를 포함할 수 있다. 다른 실시예에서, 프로세서 장치는 FPGA 또는 컴퓨터 실행 가능 명령어들을 처리하지 않고 로직 연산을 수행하는 다른 프로그래머블 장치를 포함한다. 프로세서 장치는 컴퓨팅 장치들의 조합, 예를 들어 DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서, DSP 코어와 결합된 하나 이상의 마이크로프로세서, 또는 임의의 다른 이러한 구성으로 구현될 수도 있다. 본 명세서에서는 주로 디지털 기술에 대해 설명하지만, 프로세서 장치는 주로 아날로그 컴포넌트들을 포함할 수도 있다. 예를 들어, 여기에 설명된 렌더링 기술의 일부 또는 전부는 아날로그 회로 또는 혼합 아날로그 및 디지털 회로로 구현될 수 있다. 컴퓨팅 환경은 몇 가지 예를 들자면, 마이크로프로세서 기반의 컴퓨터 시스템, 메인프레임 컴퓨터, 디지털 신호 프로세서, 휴대용 컴퓨팅 장치, 장치 컨트롤러 또는 어플라이언스 내의 계산 엔진을 포함하되 이에 제한되지 않는 모든 타입의 컴퓨터 시스템을 포함할 수 있다.
본 명세서에 개시된 실시예들과 관련하여 설명된 방법, 프로세스, 루틴 또는 알고리즘의 요소들은 하드웨어, 프로세서 장치에 의해 실행되는 소프트웨어 모듈 또는 이 둘의 조합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 이동식 디스크, CD ROM 또는 기타 비일시적 컴퓨터 판독 가능 저장 매체에 상주할 수 있다. 예시적인 저장 매체는 프로세서 장치가 저장 매체로부터 정보를 판독하고 저장 매체에 정보를 기록할 수 있도록 프로세서 장치에 결합될 수 있다. 대안적으로, 저장 매체는 프로세서 장치에 통합될 수 있다. 프로세서 장치와 저장 매체는 ASIC에 상주할 수 있다. ASIC은 사용자 단말에 상주할 수 있다. 대안적으로, 프로세서 장치 및 저장 매체는 사용자 단말 내의 별개의 컴포넌트들로서 상주할 수 있다.
본 명세서에서 사용되는 조건적 언어, 예를 들어, 특히 "할 수 있다", "예를 들면" 등은 달리 구체적으로 언급되지 않거나 또는 문맥 내에서 달리 이해되지 않는 한, 특정 실시예들이 특정 특징, 요소 또는 단계를 포함하지만 다른 실시예들은 포함하지 않는다는 것을 전달하기 위해 사용된다. 따라서, 이러한 조건적 언어는 일반적으로 특징, 요소, 및/또는 단계가 하나 이상의 실시예들에 대하여 어떤 식으로든 필요로 함을 의미하는 것은 아니며, 또는 하나 이상의 실시예들이 이러한 특징, 요소, 및/또는 단계가 포함되거나 특정 실시예에서 수행되어야 하는지 여부를 사용자 입력이나 프롬프트 유무에 관계없이 결정하기 위한 로직을 반드시 포함해야 함을 의미하는 것은 아니다. "포함하는", "구비하는", "가지는" 등의 용어는 동의어이며 포괄적으로 개방형 방식으로 사용되고, 추가 요소, 특징, 동작, 작업 등을 배제하지 않는다. 또한 "또는"이라는 용어는 포괄적인 의미(배타적 의미가 아님)로 사용되므로 예를 들어 요소 목록을 연결하는데 사용되는 경우, "또는"이라는 용어는 목록 안의 요소들 중 하나, 일부 또는 전체를 의미한다.
"X, Y, 또는 Z 중의 적어도 하나"와 같은 표현은, 달리 구체적으로 언급되지 않는 한, 항목이나 용어 등이 X, Y, 또는 Z일 수 있음을 전달하기 위해 일반적으로 사용되는 문맥으로 이해된다. 따라서, 이러한 이접적 언어는 일반적으로 특정 실시예들이 X 중의 적어도 하나, Y 중의 적어도 하나, 및 Z 중의 적어도 하나의 존재를 필요로 함을 의미하는 것으로 의도된 것이 아니며, 그렇게 암시되어서도 안 된다.
본 명세서에 설명 및/또는 첨부된 도면에 도시된 흐름도의 프로세스 설명, 요소 또는 블록은 특정 논리 기능을 구현하기 위한 하나 이상의 실행 가능한 명령어들 또는 프로세스 내의 요소들을 포함하는 코드의 모듈, 세그먼트 또는 부분을 잠재적으로 나타내는 것으로 이해되어야 한다. 당업자에 의해 이해되는 바와 같이, 대안적인 구현은 관련 기능에 따라 실질적으로 동시에 또는 역순을 포함하여 도시되거나 논의된 순서와 다르게 기능이 실행될 수 있는 본 명세서에 개시된 실시예들의 범위 내에 포함된다.
달리 명시적으로 언급되지 않는 한, "a" 또는 "an"과 같은 관사는 일반적으로 하나 이상의 설명된 항목을 포함하는 것으로 해석되어야 한다. 따라서, "~하도록 구성된 장치"와 같은 문구는 하나 이상의 언급된 장치를 포함하도록 의도된다. 이러한 하나 이상의 언급된 장치는 또한 언급된 언급을 수행하도록 집합적으로 구성될 수 있다. 예를 들어, "설명 A, B 및 C를 수행하도록 구성된 프로세서"는 설명 B 및 C를 수행하도록 구성된 제 2 프로세서와 함께 작업하는 설명 A를 수행하도록 구성된 제 1 프로세서를 포함할 수 있다.
상기한 상세한 설명은 다양한 실시예들에 적용되는 새로운 특징들을 도시, 설명 및 지적하였지만, 예시된 장치 또는 알고리즘의 형태 및 세부 사항에 있어서 다양한 생략, 대체 및 변경이 본 개시의 범위로부터 일탈함 없이 이루어질 수 있음을 이해할 수 있다. 인식할 수 있는 바와 같이, 일부 특징이 다른 것과 별도로 사용되거나 실시될 수 있기 때문에, 본 명세서에 설명된 특정 실시예는 본 명세서에 설명된 모든 특징 및 이점을 제공하지 않는 형태 내에서 구현될 수도 있다. 청구항들의 의미 및 균등 범위 내에서 발생하는 모든 변경은 그 범위 내에 포함된다.

Claims (20)

  1. 환자들 및 수술들에 관한 분석을 제공하기 위한 시스템으로서,
    한 명 이상의 환자들과 연관된 분석 데이터를 저장하는 데이터 저장소; 및
    컴퓨터 하드웨어를 포함하는 데이터 분석 서비스를 포함하며,
    상기 데이터 분석 서비스는 적어도,
    복수의 환자들을 분석하도록 하는 제 1 요청을 수신하고 - 상기 제 1 요청은 (i) 상기 복수의 환자들과 연관된 생물학적 특성 데이터, (ii) 상기 복수의 환자들과 연관된 복수의 각각의 사용자 컴퓨팅 장치들에 의해 생성되는 걸음 수 데이터, 및 (iii) 상기 복수의 환자들과 연관된 수술 데이터를 포함함 -; 또한
    상기 복수의 환자들의 각각의 환자마다에 대해:
    상기 각각의 환자와 연관된 걸음 수 데이터에 적어도 부분적으로 기초하여 시간 윈도우 세트를 식별하고;
    상기 시간 윈도우 세트로부터, 상기 각각의 환자와 연관된 수술 날짜 이전의 제 1 시간 윈도우 및 상기 수술 날짜 이후의 제 2 시간 윈도우를 선택하고;
    상기 제 1 시간 윈도우과 연관된 제 1 걸음 수 데이터와, 상기 제 2 시간 윈도우과 연관된 제 2 걸음 수 데이터의 비교에 적어도 부분적으로 기초하여, 수술 효능 점수를 생성하며; 또한
    (a) 상기 각각의 환자와 연관된 상기 생물학적 특성 데이터의 적어도 일부 및 (b) 상기 각각의 환자와 연관된 상기 수술 데이터의 적어도 일부와 연관시켜서 상기 수술 효능 점수를 저장함으로써, 상기 각각의 환자와 연관된 상기 수술 효능 점수가 생물학적 특성 특정(biological-trait-specific) 및 수술 특정(surgery-specific) 방식으로 검색 가능하도록 하게 구성되며,
    상기 데이터 분석 서비스는,
    상기 복수의 환자들에 포함되지 않은 제 1 환자를 분석하도록 하는 제 2 요청을 수신하고 - 상기 제 2 요청은 (i) 상기 제 1 환자와 연관된 제 1 생물학적 특성 데이터, (ii) 상기 제 1 환자와 연관된 제 1 걸음 수 데이터, 및 (iii) 제 1 수술 타입을 포함함 -;
    상기 제 1 생물학적 특성 데이터 및 상기 제 1 수술 타입에 적어도 부분적으로 기초하여, 상기 데이터 저장소로부터 제 1 분석 데이터를 검색하고 - 상기 제 1 분석 데이터는 상기 제 1 생물학적 특성 데이터 및 상기 제 1 수술 타입의 적어도 일부에 대응하는 상기 데이터 저장소에 저장된 상기 분석 데이터의 서브세트임 -;
    상기 제 1 환자와 연관된 상기 제 1 분석 데이터 및 상기 제 1 걸음 수 데이터에 적어도 부분적으로 기초하여, (a) 상기 제 1 환자에 대한 상기 제 1 수술 타입의 제 1 수술 수행과 연관된 예측되는 수술 효능 점수 및 (b) 상기 제 1 환자에 대한 상기 제 1 수술 수행과 연관된 수술 이후 예측되는 회복 패턴을 결정하며; 또한
    상기 제 1 환자와 연관된 보고서를 출력하도록 - 상기 보고서는 적어도 상기 예측되는 수술 효능 점수 및 상기 예측되는 회복 패턴을 포함함 - 더 구성되는, 시스템.
  2. 제 1 항에 있어서,
    상기 수술 효능 점수는 상기 제 2 시간 윈도우에 걸친 상기 제 2 걸음 수 데이터의 제 1 평균값을, 상기 제 1 시간 윈도우에 걸친 상기 제 1 걸음 수 데이터의 제 2 평균값으로 나눔으로써 계산되는, 시스템.
  3. 제 1 항에 있어서,
    상기 수술 이후 예측되는 회복 패턴은 상기 제 1 환자의 동일한 생물학적 특성 세트를 공유하는 상기 복수의 환자들의 서브세트의 상기 걸음 수 데이터의 수술 이후 부분을 집계함으로써 결정되는, 시스템.
  4. 제 1 항에 있어서,
    상기 데이터 분석 서비스는,
    상기 제 1 수술을 포함하는 복수의 수술들 각각에 대한 상기 예측되는 수술 효능 점수를 결정하며; 또한
    (i) 상기 복수의 수술들 중에서 가장 높은 상기 제 1 수술과 연관된 예측되는 수술 효능 점수, 및 (ii) 상기 제 1 수술이 상기 제 1 환자에 대해 적어도 임계 레벨의 이동성 향상을 가져올 것으로 예측됨을 나타내는 상기 제 1 수술과 연관된 예측되는 수술 효능 점수에 적어도 부분적으로 기초하여 상기 제 1 수술에 대한 추천을 출력하도록 더 구성되는, 시스템.
  5. 제 1 항에 있어서,
    상기 걸음 수 데이터는 상기 복수의 환자들 중 주어진 환자에 대해, 상기 주어진 환자와 연관된 스마트폰의 하나 이상의 센서들에 의해 포착되는 센서 데이터에 기초하여 상기 주어진 환자에 의해 취해질 것으로 추정되는 걸음 수를 포함하며, 여기서 상기 하나 이상의 센서들은 가속도계, 자이로스코프, GPS(Global Positioning System) 센서, 나침반, 자력계 또는 기압계 중 하나 이상을 포함하는, 시스템.
  6. 제 1 항에 있어서,
    상기 걸음 수 데이터는 상기 복수의 환자들과 연관된 상기 복수의 각각의 사용자 컴퓨팅 장치들 각각에 설치된 모바일 애플리케이션에 의해 수집되고, 상기 데이터 분석 서비스에 의해 액세스 가능한 데이터 저장소로 송신되는, 시스템.
  7. 제 1 항에 있어서,
    상기 데이터 분석 서비스는,
    상기 제 1 수술을 받은, 생물학적 특성들의 제 1 세트와 연관된 상기 복수의 환자들 중 환자들의 제 1 서브세트에 대응하는 상기 분석 데이터의 제 1 서브세트를 식별하고;
    상기 제 1 수술을 받은, 상기 생물학적 특성들의 제 1 세트와 상이한 생물학적 특성들의 제 2 세트와 연관된 상기 복수의 환자들 중 환자들의 제 2 서브세트에 대응하는 상기 분석 데이터의 제 2 서브세트를 식별하며; 또한
    (i) 상기 생물학적 특성들의 제 1 세트와 연관된 상기 환자들의 제 1 서브세트에 대한 상기 제 1 수술과 연관된 제 1 수술 효능 점수, 및 (ii) 상기 생물학적 특성들의 제 2 세트와 연관된 상기 환자들의 제 2 서브세트에 대한 상기 제 1 수술과 연관된 제 2 수술 효능 점수를 포함하는 집계 보고서를 출력하도록 더 구성되는, 시스템.
  8. 제 1 항에 있어서,
    상기 데이터 분석 서비스는,
    상기 제 1 수술을 받은, 생물학적 특성들의 제 1 세트와 연관된 상기 복수의 환자들 중 환자들의 제 1 서브세트에 대응하는 상기 분석 데이터의 제 1 서브세트를 식별하고;
    상기 제 1 수술과 상이한 제 2 수술을 받은, 상기 생물학적 특성들의 제 1 세트와 연관된 상기 복수의 환자들 중 환자들의 제 2 서브세트에 대응하는 상기 분석 데이터의 제 2 서브세트를 식별하며; 또한
    (i) 상기 생물학적 특성들의 제 1 세트와 연관된 상기 환자들의 제 1 서브세트에 대한 상기 제 1 수술과 연관된 제 1 수술 효능 점수, 및 (ii) 상기 생물학적 특성들의 제 1 세트와 연관된 상기 환자들의 제 1 서브세트에 대한 상기 제 2 수술과 연관된 제 2 수술 효능 점수를 포함하는 집계 보고서를 출력하도록 더 구성되는, 시스템.
  9. 환자들 및 의료 개입들에 관한 분석을 제공하기 위한 컴퓨터 구현 방법으로서,
    복수의 환자들을 분석하도록 하는 제 1 요청을 수신하는 단계 - 상기 제 1 요청은 (i) 상기 복수의 환자들과 연관된 생물학적 특성 데이터, (ii) 상기 복수의 환자들과 연관된 활동 데이터, 및 (iii) 상기 복수의 환자들과 연관된 의료 개입 데이터를 포함함 -;
    상기 복수의 환자들의 각각의 환자마다에 대해:
    상기 각각의 환자와 연관된 상기 활동 데이터에 적어도 부분적으로 기초하여 시간 윈도우 세트를 식별하는 단계 - 상기 시간 윈도우 세트는 적어도 (i) 상기 각각의 환자와 연관된 의료 개입 날짜 이전의 제 1 시간 윈도우, 및 (ii) 상기 의료 개입 날짜 이후의 제 2 시간 윈도우를 포함함 -;
    상기 제 1 시간 윈도우과 연관된 제 1 활동 데이터와 상기 제 2 시간 윈도우과 연관된 제 2 활동 데이터의 비교에 적어도 부분적으로 기초하여 의료 개입 효능 점수를 포함하는 분석 데이터를 생성하는 단계; 및
    (a) 상기 각각의 환자와 연관된 상기 생물학적 특성 데이터의 적어도 일부 및 (b) 상기 각각의 환자와 연관된 상기 의료 개입 데이터의 적어도 일부와 연관시켜서 상기 분석 데이터를 저장하는 단계;
    제 1 환자를 분석하도록 하는 제 2 요청을 수신하는 단계 - 상기 제 2 요청은 (i) 상기 제 1 환자와 연관된 제 1 생물학적 특성 데이터, (ii) 상기 제 1 환자와 연관된 제 1 활동 데이터, 및 (iii) 제 1 의료 개입 데이터를 포함함 -;
    상기 제 1 생물학적 특성 데이터 및 상기 제 1 의료 개입 데이터에 적어도 부분적으로 기초하여 제 1 분석 데이터를 검색하는 단계 - 상기 제 1 분석 데이터는 상기 제 1 생물학적 특성 데이터 및 상기 제 1 의료 개입 데이터의 적어도 일부에 대응하는 상기 복수의 환자들과 연관된 상기 활동 데이터에 기초하여 생성되는 상기 분석 데이터의 서브세트임 -;
    상기 제 1 환자와 연관된 상기 제 1 분석 데이터 및 상기 제 1 활동 데이터에 적어도 부분적으로 기초하여, (a) 상기 제 1 환자에 대한 상기 제 1 의료 개입 데이터와 연관된 제 1 의료 개입을 수행하는 것과 연관된 예측되는 의료 개입 효능 점수 및 (b) 상기 제 1 환자에 대한 상기 제 1 의료 개입을 수행하는 것과 연관된 예측되는 개입 이후 회복 패턴을 결정하는 단계; 및
    상기 제 1 환자와 연관된 보고서를 출력하는 단계 - 상기 보고서는 적어도 상기 예측되는 의료 개입 효능 점수 및 상기 예측되는 회복 패턴을 나타냄 - 를 포함하는, 컴퓨터 구현 방법.
  10. 제 9 항에 있어서,
    상기 활동 데이터는 걸음 수, 걸음 크기, 이동 거리 또는 오른 계단의 층 수 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
  11. 제 9 항에 있어서,
    상기 의료 개입 데이터는 의료 종사자, 의료 개입 날짜, 사용된 의료 장치, 의료 장치 제조업체, 의료 개입 지속 기간 또는 하루 중 의료 개입 시간 중 하나 이상을 포함하는, 컴퓨터 구현 방법.
  12. 제 9 항에 있어서,
    상기 의료 개입 효능 점수는 상기 제 2 시간 윈도우에 걸친 상기 제 2 활동 데이터의 제 1 평균값을, 상기 제 1 시간 윈도우에 걸친 상기 제 1 활동 데이터의 제 2 평균값으로 나눔으로써 계산되는, 컴퓨터 구현 방법.
  13. 제 9 항에 있어서,
    상기 예측되는 개입 이후 회복 패턴은 상기 제 1 환자의 생물학적 특성들의 세트를 공유하는 상기 복수의 환자들의 서브세트의 상기 활동 데이터의 수술 이후 부분을 집계함으로써 결정되는, 컴퓨터 구현 방법.
  14. 제 9 항에 있어서,
    상기 제 1 의료 개입 데이터와 연관된 복수의 의료 개입들 각각에 대한 예측되는 의료 개입 효능 점수를 결정하는 단계 - 상기 복수의 의료 개입들은 상기 제 1 의료 개입을 포함함 -; 및
    (i) 상기 복수의 의료 개입들 중에서 가장 높은 상기 제 1 의료 개입과 연관된 상기 예측되는 의료 개입 효능 점수, 및 (ii) 상기 제 1 의료 개입이 상기 제 1 환자에 대해 적어도 임계 레벨의 이동성 개선을 가져올 것으로 예측됨을 나타내는 상기 제 1 의료 개입과 연관된 상기 예측되는 의료 개입 효능 점수에 적어도 부분적으로 기초하여, 상기 제 1 의료 개입에 대한 추천을 출력하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  15. 제 9 항에 있어서,
    상기 제 1 의료 개입을 받은, 생물학적 특성들의 제 1 세트와 연관된 상기 복수의 환자들 중 환자의 제 1 서브세트에 대응하는 상기 분석 데이터의 제 1 서브세트를 식별하는 단계;
    상기 제 1 의료 개입과 상이한 제 2 의료 개입을 받은, 상기 생물학적 특성들의 제 1 세트와 연관된 상기 복수의 환자들 중 환자들의 제 2 서브세트에 대응하는 상기 분석 데이터의 제 2 서브세트를 식별하는 단계; 및
    (i) 상기 생물학적 특성들의 제 1 세트와 연관된 상기 환자들의 제 1 서브세트에 대한 상기 제 1 의료 개입과 연관된 제 1 의료 개입 효능 점수, 및 (ii) 상기 생물학적 특성들의 제 1 세트와 연관된 상기 환자들의 제 1 서브세트에 대한 상기 제 2 의료 개입과 연관된 제 2 의료 개입 효능 점수를 포함하는 집계 보고서를 출력하는 단계를 더 포함하는, 컴퓨터 구현 방법.
  16. 컴퓨팅 시스템에 의해 실행될 때 상기 컴퓨팅 시스템으로 하여금 동작들을 수행하게 하는 명령어들을 저장하는 비일시적 컴퓨터 판독 가능 매체로서, 상기 동작들은,
    복수의 환자들을 분석하도록 하는 제 1 요청을 수신하는 동작 - 상기 제 1 요청은 (i) 상기 복수의 환자들과 연관된 생물학적 특성 데이터, (ii) 상기 복수의 환자들과 연관된 활동 데이터, 및 (iii) 상기 복수의 환자들과 연관된 의료 개입 데이터를 포함함 -;
    상기 복수의 환자들의 각각의 환자마다에 대해:
    상기 각각의 환자와 연관된 상기 활동 데이터에 적어도 부분적으로 기초하여 시간 윈도우 세트를 식별하는 동작 - 상기 시간 윈도우 세트는 적어도 (i) 상기 각각의 환자와 연관된 의료 개입 날짜 이전의 제 1 시간 윈도우, 및 (ii) 상기 의료 개입 날짜 이후의 제 2 시간 윈도우를 포함함 -;
    상기 제 1 시간 윈도우과 연관된 제 1 활동 데이터와 상기 제 2 시간 윈도우과 연관된 제 2 활동 데이터의 비교에 적어도 부분적으로 기초하여 의료 개입 효능 점수를 포함하는 분석 데이터를 생성하는 동작; 및
    (a) 상기 각각의 환자와 연관된 상기 생물학적 특성 데이터의 적어도 일부 및 (b) 상기 각각의 환자와 연관된 상기 의료 개입 데이터의 적어도 일부와 연관시켜서 상기 분석 데이터를 저장하는 동작;
    제 1 환자를 분석하도록 하는 제 2 요청을 수신하는 동작 - 상기 제 2 요청은 (i) 상기 제 1 환자와 연관된 제 1 생물학적 특성 데이터, (ii) 상기 제 1 환자와 연관된 제 1 활동 데이터, 및 (iii) 제 1 의료 개입 데이터를 포함함 -;
    상기 제 1 생물학적 특성 데이터 및 상기 제 1 의료 개입 데이터에 적어도 부분적으로 기초하여 제 1 분석 데이터를 검색하는 동작 - 상기 제 1 분석 데이터는 상기 제 1 생물학적 특성 데이터 및 상기 제 1 의료 개입 데이터의 적어도 일부에 대응하는 상기 복수의 환자들과 연관된 상기 활동 데이터에 기초하여 생성되는 상기 분석 데이터의 서브세트임 -;
    상기 제 1 환자와 연관된 상기 제 1 분석 데이터 및 상기 제 1 활동 데이터에 적어도 부분적으로 기초하여, (a) 상기 제 1 환자에 대한 상기 제 1 의료 개입 데이터와 연관된 제 1 의료 개입을 수행하는 것과 연관된 예측되는 의료 개입 효능 점수 및 (b) 상기 제 1 환자에 대한 상기 제 1 의료 개입을 수행하는 것과 연관된 예측되는 개입 이후 회복 패턴을 결정하는 동작; 및
    상기 제 1 환자와 연관된 보고서를 출력하는 동작 - 상기 보고서는 적어도 상기 예측되는 의료 개입 효능 점수 및 상기 예측되는 회복 패턴을 나타냄 - 을 포함하는, 비일시적 컴퓨터 판독 가능 매체.
  17. 제 16 항에 있어서,
    상기 의료 개입 효능 점수는 상기 제 2 시간 윈도우에 걸친 상기 제 2 활동 데이터의 제 1 평균값을, 상기 제 1 시간 윈도우에 걸친 상기 제 1 활동 데이터의 제 2 평균값으로 나눔으로써 계산되는, 비일시적 컴퓨터 판독 가능 매체.
  18. 제 16 항에 있어서,
    상기 예측되는 개입 이후 회복 패턴은 상기 제 1 환자의 생물학적 특성들의 세트를 공유하는 상기 복수의 환자들의 서브세트의 상기 활동 데이터의 수술 이후 부분을 집계함으로써 결정되는, 비일시적 컴퓨터 판독 가능 매체.
  19. 제 16 항에 있어서,
    상기 컴퓨팅 시스템에 의해 실행될 때 상기 컴퓨팅 시스템으로 하여금 동작들을 수행하게 하는 명령어들을 더 저장하며, 상기 동작들은,
    상기 제 1 의료 개입 데이터와 연관된 복수의 의료 개입들 각각에 대한 상기 예측되는 의료 개입 효능 점수를 결정하는 동작 - 상기 복수의 의료 개입들은 상기 제 1 의료 개입을 포함함 -; 및
    (i) 상기 복수의 의료 개입들 중에서 가장 높은 상기 제 1 의료 개입과 연관된 상기 예측되는 의료 개입 효능 점수, 및 (ii) 상기 제 1 의료 개입이 상기 제 1 환자에 대해 적어도 임계 레벨의 이동성 개선을 가져올 것으로 예측됨을 나타내는 상기 제 1 의료 개입과 연관된 상기 예측되는 의료 개입 효능 점수에 적어도 부분적으로 기초하여, 상기 제 1 의료 개입에 대한 추천을 출력하는 동작을 포함하는, 비일시적 컴퓨터 판독 가능 매체.
  20. 제 16 항에 있어서,
    상기 컴퓨팅 시스템에 의해 실행될 때 상기 컴퓨팅 시스템으로 하여금 동작들을 수행하게 하는 명령어들을 더 저장하며, 상기 동작들은,
    상기 제 1 의료 개입을 받은, 생물학적 특성들의 제 1 세트와 연관된 상기 복수의 환자들 중 환자의 제 1 서브세트에 대응하는 상기 분석 데이터의 제 1 서브세트를 식별하는 동작;
    상기 제 1 의료 개입과 상이한 제 2 의료 개입을 받은, 상기 생물학적 특성들의 제 1 세트와 연관된 상기 복수의 환자들 중 환자들의 제 2 서브세트에 대응하는 상기 분석 데이터의 제 2 서브세트를 식별하는 동작; 및
    (i) 상기 생물학적 특성들의 제 1 세트와 연관된 상기 환자들의 제 1 서브세트에 대한 상기 제 1 의료 개입과 연관된 제 1 의료 개입 효능 점수, 및 (ii) 상기 생물학적 특성들의 제 1 세트와 연관된 상기 환자들의 제 1 서브세트에 대한 상기 제 2 의료 개입과 연관된 제 2 의료 개입 효능 점수를 포함하는 집계 보고서를 출력하는 동작을 포함하는, 비일시적 컴퓨터 판독 가능 매체.
KR1020237000445A 2020-06-08 2021-06-08 사용자 컴퓨팅 장치의 건강 데이터를 사용하여 신체 활동 레벨을 평가하기 위한 시스템 및 방법 KR20230128441A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202063036299P 2020-06-08 2020-06-08
US63/036,299 2020-06-08
PCT/US2021/036457 WO2021252522A1 (en) 2020-06-08 2021-06-08 System and method for providing analytics relating to patients and medical interventions

Publications (1)

Publication Number Publication Date
KR20230128441A true KR20230128441A (ko) 2023-09-05

Family

ID=76708490

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237000445A KR20230128441A (ko) 2020-06-08 2021-06-08 사용자 컴퓨팅 장치의 건강 데이터를 사용하여 신체 활동 레벨을 평가하기 위한 시스템 및 방법

Country Status (8)

Country Link
US (3) US11295868B2 (ko)
EP (1) EP4162496A1 (ko)
JP (1) JP2023528648A (ko)
KR (1) KR20230128441A (ko)
AU (1) AU2021287881A1 (ko)
CA (1) CA3186571A1 (ko)
MX (1) MX2022015502A (ko)
WO (1) WO2021252522A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767676A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 用于预测容貌变化操作结果的方法和装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014055718A1 (en) * 2012-10-04 2014-04-10 Aptima, Inc. Clinical support systems and methods
US10282512B2 (en) * 2013-07-09 2019-05-07 Indiana University Research And Technology Corporation Clinical decision-making artificial intelligence object oriented system and method
US20150193583A1 (en) * 2014-01-06 2015-07-09 Cerner Innovation, Inc. Decision Support From Disparate Clinical Sources
US20170071671A1 (en) * 2015-09-11 2017-03-16 Siemens Healthcare Gmbh Physiology-driven decision support for therapy planning
CN109155158A (zh) 2015-11-05 2019-01-04 360膝盖系统股份有限公司 管理膝关节手术的患者
US20170277841A1 (en) * 2016-03-23 2017-09-28 HealthPals, Inc. Self-learning clinical intelligence system based on biological information and medical data metrics
WO2017214656A1 (en) * 2016-06-14 2017-12-21 360 Knee Systems Pty Ltd Graphical representation of a dynamic knee score for a knee surgery

Also Published As

Publication number Publication date
US20220336107A1 (en) 2022-10-20
AU2021287881A1 (en) 2023-01-19
MX2022015502A (es) 2023-05-18
US11948692B2 (en) 2024-04-02
US20220093273A1 (en) 2022-03-24
EP4162496A1 (en) 2023-04-12
US11295868B2 (en) 2022-04-05
CA3186571A1 (en) 2021-12-16
JP2023528648A (ja) 2023-07-05
WO2021252522A1 (en) 2021-12-16
US20210383933A1 (en) 2021-12-09

Similar Documents

Publication Publication Date Title
US10559377B2 (en) Graphical user interface for identifying diagnostic and therapeutic options for medical conditions using electronic health records
Janke et al. Exploring the potential of predictive analytics and big data in emergency care
US10806404B2 (en) Systems and methods for utilizing wireless physiological sensors
US20210005321A1 (en) System and method for predicting patient risk outcomes
US10912508B2 (en) Method and system for assessing mental state
US9955869B2 (en) System and method for supporting health management services
Hagar et al. Survival analysis with electronic health record data: Experiments with chronic kidney disease
JP7244711B2 (ja) 臨床リスクモデル
Cano Martín et al. Economic impact assessment from the use of a mobile app for the self-management of heart diseases by patients with heart failure in a Spanish region
JP2012139492A (ja) 装着型センサを使った早期健康および予防ケアのための患者使用可能な方法、機器、およびシステム
US20170199965A1 (en) Medical system and method for predicting future outcomes of patient care
US20140129247A1 (en) System and method for performing patient-specific cost-effectiveness analyses for medical interventions
KR20160043777A (ko) 질환 발병 예측 방법 및 그 장치
US20210158909A1 (en) Precision cohort analytics for public health management
US20190237201A1 (en) Systems and methods for clinical planning and risk management
US20240105336A1 (en) Methods and systems for determining assessments of cardiovascular, metabolic, and renal syndromes, diseases, and disorders
US11816750B2 (en) System and method for enhanced curation of health applications
Kondylakis et al. Developing a data infrastructure for enabling breast cancer women to BOUNCE back
US11948692B2 (en) System and method for assessing physical activity level using health data from user computing devices
US20110035233A1 (en) System for Clinical Research and Clinical Management of Cardiovascular Risk Using Ambulatory Blood Pressure Monitoring and Actigraphy
WO2023107897A1 (en) Medical data assessment and visualization platform for use in a network environment including computing devices
KR20180108671A (ko) 전자 건강 기록들을 사용하여 의학적 상태들에 대한 진단 및 치료 옵션들을 식별하는 방법 및 시스템
Birov et al. MAFEIP user guide
Gupta et al. Internet of Everything-Based Advanced Big Data Journey for the Medical Industry
Rana et al. An overview of big data in health care