NL1037077C2 - Systeem voor het bepalen van de kans op een mogelijk resultaat van een medische behandeling. - Google Patents

Description

Systeem voor het bepalen van de kans op een mogelijk resultaat van een medische behandeling 5 De uitvinding heeft betrekking op een systeem voor het voorspellen van de kans op een mogelijk resultaat van een medische behandeling, welk systeem omvat: - een ingangseenheid voor het invoeren van een of meerdere patiëntkarakteristieken van een onder beschouwing zijnde patiënt - een geheugeneenheid die een voorspellingsmodel bevat dat is gebaseerd op een of 10 meerdere uit medisch onderzoek bekende verbanden tussen patiëntkarakteristieken en de uitkomst van een of meerdere medische behandelingen - een processoreenheid voor het relateren van de een of meerdere patiëntkarakteristieken van de onder beschouwing zijnde patiënt aan het voorspellingsmodel en het bepalen van de kans op een mogelijke resultaat van een te overwegen medische behandeling op basis 15 daarvan - een weergave-eenheid die een door de processoreenheid bepaalde kans op het mogelijke resultaat van de medische behandeling weergeeft

Dergelijke systemen zijn in gebruik voor vele medische behandelingen. Voor artsen is 20 het van groot belang om de uitkomst van een medische behandeling zo goed mogelijk te kunnen inschatten. Om een weloverwogen keuze voor een bepaalde behandeling te kunnen maken moeten arts en patiënt de voor- en nadelen van verschillende behandelingen goed tegen elkaar kunnen afwegen. De kans op overleven, op complicaties, op herstel, op bijwerkingen en de benodigde investering van moeite en 25 pijn moeten goed ingeschat kunnen worden. Daartoe zijn modellen ontwikkeld waarmee deze kansen kunnen worden bepaald. Een systeem voor het bepalen van'de kans op een mogelijk resultaat van een behandeling is bijvoorbeeld beschreven in het Amerikaanse octrooischrift US 2008/0033894.

30 Een dergelijk systeem maakt gebruik van beschikbare gegevens van medische behandelingen uit het verleden. Dergelijke gegevens zijn te vinden in patiëntendossiers. Het betreft bijvoorbeeld persoonskenmerken, de aard en omvang van de aandoening, 1037077 2 verrichte behandelingen en het verloop van de ziekte. Uit de gegevens van vele patiënten samen kunnen statistische verbanden bepaald worden tussen bepaalde parameters en het verloop van de ziekte, in het bijzonder in relatie tot de toegepaste behandelingen. Met deze gegevens kan een statistisch model verkregen worden waarin 5 de relatie tussen de verschillende patiëntkarakteristieken, een behandeling en het resultaat van deze behandeling is vastgelegd. Bij een nieuwe patiënt kan met behulp van dit model bijvoorbeeld bepaald worden hoe groot de kans op overleven en de kans op bepaalde complicaties bij de behandeling zijn. Deze informatie wordt gebruikt bij de beslissing over het inzetten van bepaalde behandelmethoden.

10

Een bekend nadeel van de gebruikelijke systemen is dat de inschatting nog niet voldoende is. Om de voorspellende waarde te verhogen moeten normaliter extra onderzoeken verricht worden naar nieuwe patiëntkarakteristieken, hetgeen voor de patiënt belastend kan zijn. De huidige uitvinding heeft tot doel om een systeem te 15 verschaffen waarvan de voorspellende waarde verhoogd is, zonder extra belasting voor de patiënt. Daartoe heeft het systeem volgens de uitvinding het kenmerk dat een in te voeren patiëntkarakteristiek van de te beschouwen patiënt afleidbaar is uit een onderzoeksresultaat van een onderzoek dat gebruikelijk is in de standaard medische praktijk. Verrassenderwijs is gebleken dat verschillende grootheden aanwezig in 20 onderzoeksresultaten uit de gewone medische praktijk geschikt zijn voor het beter voorspellen van het resultaat van medische behandelingen. Deze grootheden kunnen worden verkregen uit de dossiers van vroegere patiënten en uit dat van de onder beschouwing zijnde patiënt. Het betreft dan zowel het papieren dossier als electronische zaken zoals beelvorming van onderzoeken.

25

Volgens een voorkeursuitvoering betreft het onderzoeksresultaat een CT scan. Een dergelijke scan behoort tot de gebruikelijke medische praktijk en is voor de meeste patiënten beschikbaar.

30 Volgens een andere uitvoeringsvorm betreft het onderzoeksresultaat een PET scan. Ook deze is voor de meeste patiënten reeds beschikbaar in het patiëntendossier.

3

Volgens een andere uitvoeringsvorm betreft het onderzoeksresultaat een MRI scan. Ook deze is voor de meeste patiënten reeds beschikbaar in het patiëntendossier.

Volgens een voorkeursuitvoeringsvorm is de onder beschouwing zijnde patiënt een aan 5 een tumor (kanker) lijdende patiënt en de medische behandeling gericht is op het bestrijden van de tumor. Met name kankerpatiënten hebben al vele onderzoeken achter de rug en weer nieuwe onderzoeken kunnen voor hen een zware belasting zijn. Verder is het zo dat door de grote risico’s van de ziekte, iedere extra informatie een significant resultaat geeft. Dit geldt in het bijzonder voor agressieve vormen van kanker zoals 10 NSCLC (non-small cell lung cancer) en melanoom.

In het systeem kan bijvoorbeeld bepaald worden wat de invloed is van de omvang en plaats van'de tumor. Op die wijze kan vastgesteld worden of bij een bepaalde om vang bijvoorbeeld chirurgie, bestraling, chemokuur of een combinatie daarvan het meest 15 effectief is. Meer specifiek kan vastgesteld worden wat de kans op overleven is en die op complicaties van een bepaalde therapie. Indien een nieuwe patiënt onder behandeling wordt genomen is het systeem in staat om door het combineren van diens persoonsgegevens, de kenmerken van diens tumor en deze resultaten uit het verleden aan te geven wat de kansen op mogelijke uitkomsten van een behandeling zijn. Zo 20 kunnen arts en patiënt samen overwegen of de last van een behandeling opweegt tegen het te verwachten resultaat en een behandeling in gang zetten die de beste overlevingskansen biedt met een acceptabel belastingsniveau voor de patiënt.

Volgens een uitvoeringsvorm is een patiëntkarakteristiek een hoger beeldkenmerk van 25 een tumorbeeld. Een tumorbeeld kan bijvoorbeeld een tumorhistogram zijn of een 3-D beeld van de tumor. Het is verrassenderwijs gebleken dat deze beeldkenmerken uit een dergelijk onderzoeksresultaat voorspellende waarde hebben voor de uitkomst van de behandeling. Normaliter wordt enkel gekeken naar de plaats en omvang van een tumor. Bij onderzoek is echter gebleken dat door hogere beeldkenmerken van het tumorbeeld 30 bij de modelvorming te betrekken een betere voorspelling kan worden verkregen. Omdat het tumorbeeld wordt gemaakt in de standaard medische praktijk kan eenvoudig extra zekerheid verkregen worden zonder extra onderzoeken.

4

Dergelijke hogere beeldkenmerken kunnen dus worden afgeleid uit een uit de CT, PET en/of MRI data gevormd tumorbeeld, zoals een histogram. Een dergelijk beeld kan afgedrukt worden of zichtbaar gemaakt worden op een monitor. Het beeld is daarbij enkel een grafische weergave van de onderliggende beelddata. De beelddata bestaan uit 5 pixel-matrices met behulp waarvan de intensiteit van de pixels voor elke locatie kan worden gegeven.

Volgens een andere uitvoeringsvorm is het hogere beeldkenmerk de gradiënt van het tumorbeeld. De gradiënt van het beeld duidt aan hoe scherp de overgangen binnen de 10 tumor zijn. Ook deze blijkt zeer voorspellend te zijn.

Volgens weer een andere uitvoeringsvorm is het hogere beeldkenmerk de distributie van het tumorbeeld. Het is gebleken dat ook de distributie van het tumorbeeld een extra bruikbare voorspellende waarde heeft voor het resultaat van de behandeling van een 15 tumor.

Een vorm van analyse is het extraheren van de beeldkenmerken uit beelddata met behulp van grijswaarden-statistiek. Deze techniek maakt gebruik van de grijswaarden van de pixels, waarbij de grijswaarde representatief is voor de intensiteit van de pixel. 20 Er is geen sprake van een continue schaal zodat het aantal mogelijke grijswaarden gedefinieerd is. Er zijn verschillende soorten grijswaarden statistiek mogelijk. Met de eerste-orde grijswaarden statistiek (first-order gray level statistics) kunnen statistische grootheden als minimum, maximum, bereik (range), gemiddelde waarde, variantie, standaard deviatie, scheefheid (skewness), platheid (kurtosis) alsook de entropie worden 25 bepaald. Deze grootheden zijn representatief voor de hoedanigheid van het tumorbeeld. Zo is bijvoorbeeld de variantie een maat voor de spreiding van de verdeling van de data, waarbij een grotere variantie een grotere afwijking ten opzichte van de gemiddelde waarde representeert, de scheefheid een maat voor de asymmetrie van de data ten opzichte van de gemiddelde waarde en de platheid een maat voor de piekvorming in de 30 data, waarbij een hoge kurtosis op een verdeling met een sterke piek wijst. Deze grootheden kunnen in de groep eerste-orde grijswaarden statistische grootheden van het tumorbeeld worden onderverdeeld.

5

Volgens een uitvoeringvorm is het hogere beeldkenmerk gekozen uit de groep van eerste-orde grijswaarden statistische grootheden van het tumorbeeld. Bij voorkeur is het uit de groep van eerste-orde grijswaarden statistische grootheden gekozen hogere beeldkenmerk entropie van het tumorbeeld. Met name het hogere beeldkenmerk 5 entropie blijkt een zeer goede extra voorspellende waarde voor het resultaat van een behandeling te leveren. Deze is tevens een maat voor de wanorde in de data.

De bovenvermelde grootheden, afgeleid uit de eerste-orde grijswaarden statistiek verschaffen weliswaar informatie over de verdeling van de grijswaarden van de pixels 10 in het beeld, maar niet over de onderlinge relatie van de pixels ten opzichte van elkaar. Daarvoor extraheert men uit de voorliggende pixel-matrices andere matrices waarbij de pixels in paren worden beschouwd. Hierbij worden steeds twee pixels met een bepaalde afstand van elkaar in een bepaalde richting, namelijk horizontaal, vertikaal, diagonaal of anti-diagonaal, van de pixel-matrix bekeken. Het resultaat is een zogenaamde co-15 occurrence matrix waarbij de matrixelementen de ruimtelijke distributie van de grijswaarden ten opzichte van elkaar en afhankelijk van afstand en richting weergeven.

Met behulp van deze zogenaamde tweede-orde grijswaarden statistiek kan men weer een aantal statistische grootheden bepalen, zoals contrast, correlatie, energie, 20 homogeniteit, inverse difference momentum, somgemiddelde, somvariantie en som-entropie. Deze grootheden kunnen in de groep tweede-orde grijswaarden statistische grootheden van het tumorbeeld worden onderverdeeld.

Volgens een uitvoeringsvorm is het hogere beeldkenmerk gekozen uit de groep van 25 tweede-orde grijswaarden statistische grootheden van het tumorbeeld.

Volgens een voorkeursuitvoeringsvorm is het uit de groep van tweede-orde grijswaarden statistische grootheden gekozen hogere beeldkenmerk de energie van het tumorbeeld. De energie is de som van het kwadraat van alle matrixelementen en een maat voor egaliteit of vlakheid. Als alle pixels dezelfde grijswaarde hebben is de 30 energiewaarde gelijk is aan 1.

Volgens een verdere voorkeursuitvoeringsvorm is het uit de groep van tweede-orde grijswaarden statistische grootheden gekozen hogere beeldkenmerk de homogeniteit 6 van het tumorbeeld. Tevens blijken de hogere beeldkenmerk energie en homogeniteit een zeer goede extra voorspellende waarde voor het resultaat van een behandeling te verschaffen.

5 Indien de grootte en de vorm van de tumor aan de pixel-matrices toegevoegd worden, kunnen verdere hogere beeldkenmerken worden bepaald die dan in de groep morfometrische grootheden kunnen worden onderverdeeld. Deze grootheden zijn onder andere oppervlak, omtrek, grootte van de lengteas, volume, maximale diameter, ratio van het volume en oppervlak, de bolvormigheid (sphericity) en compactheid. Deze 10 grootheden duiden de verschillende eigenschappen van de tumor aan, waarbij een aantal dimensieloos alsook onafhankelijk van de oriëntatie van de tumor is. Zo is de bolvormigheid gedefinieerd als het oppervlakte van een overeenkomstige bol met hetzelfde tumorvolume gedeeld door het berekende tumoroppervlakte en is de compactheid afhankelijk van volume en oppervlak.

15

Volgens een uitvoeringsvorm is het hogere beeldkenmerk gekozen uit de groep van morfometrische grootheden van het tumorbeeld. Bij voorkeur is het uit de groep van morfometrische grootheden gekozen hogere beeldkenmerk de ratio van het volume en oppervlak van het tumorbeeld.

20

Uit de pixel-matrices kunnen ook de zogenaamde reekslengte matrices (RLM) worden afgeleid. Een grijswaarde reeks is een aantal opeenvolgende pixels met dezelfde grijswaarde, de reekslengte is daarbij het aantal keren dat deze grijswaarde worden herhaald. Middels wiskundige bewerkingen kan een aantal statistische grootheden 25 worden bepaald die dan in de groep reekslengte matrices grootheden van het tumorbeeld kunnen worden onderverdeeld. Deze grootheden zijn namelijk de short run emphasis (SRE), de long run emphasis (LRE), de grijswaarden non-uniformiteit en de run percentage.

30 Volgens een andere uitvoeringsvorm is het hogere beeldkenmerk gekozen uit de groep van reekslengte matrices grootheden van het tumorbeeld.

7

Volgens een voorkeursuitvoeringsvorm is het uit de groep van reekslengte matrices grootheden gekozen hogere beeldkenmerk de zogenaamde short run emphasis van het tumorbeeld.

Volgens een verdere voorkeursuitvoeringsvorm is het uit de groep van reekslengte 5 matrices grootheden gekozen hogere beeldkenmerk de zogenaamde lang run emphasis van het tumorbeeld. De zogenaamde SRE en LRE geven aan of het beeld fijn of grof is, waarbij voor fijne oftewel scherpe beelden de SRE groot en voor groffe oftewel onscherpe beelden de LRE groot is.

10 Volgens weer een verdere voorkeursuitvoeringsvorm is het uit de groep van reekslengte matrices grootheden gekozen hogere beeldkenmerk de grijswaarden non-uniformiteit van het tumorbeeld. De grijswaarden non-uniformiteit is klein als de reekslengten uniforme verdeeld zijn voor de grijswaarden.

15 Volgens nog een verdere voorkeursuitvoeringsvorm is het uit de groep van reekslengte matrices grootheden gekozen hogere beeldkenmerk de reeks percentage van het tumorbeeld. Deze is klein voor fijne beelden en groot voor groffe beelden.

Al deze grootheden representeren hogere beeldkenmerken van het beeld en zijn afgeleid 20 uit bestaande of nieuwe tumorbeelden. Deze kunnen als bijkomende patiëntkarakteristieken dienen in het voorspellingsmodel.

De uitvinding zal thans worden toegelicht aan de hand van de volgende figuur: 25 FIG. 1 Schematische weergave van een systeem voor het bepalen van de kans op een mogelijk resultaat van een medische behandeling, volgens de uitvinding.

In FIG. 1 is schematisch een mogelijke uitvoeringsvorm weergegeven van een systeem 30 voor het bepalen van de kans op een mogelijk resultaat van een medische behandeling. Weergegeven zijn vier kaders, waarvan het kader van Data van eerdere patiënten de geheugeneenheid en het kader van Voorspellingsmodel de processoreenheid voorstelt.

g

Het kader invoer geeft de ingangseenheid weer en bevat twee subkaders, namelijk Karakteristieken van de te beschouwen patiënt en Beeldbewerking welke subkaders de beoogde invoer van het voorspellingmodel voorstellen. Het kader Data van eerdere patiënten bevat een database waarin karakteristieken kunnen worden opgeslagen en het 5 kader Voorspellingsmodel bevat ten minste een processor waarmee statistische verbanden kunnen worden bepaald. In het voorspellingsmodel zijn data van eerdere patiënten en die van de onder beschouwing zijnde patiënt invoerbaar. De data wan eerdere patiënten bestaan uit verschillende patiëntkarakteristieken zoals leeftijd, geslacht, aard van de aandoening, omvang van de aandoening alsmede het resultaat van 10 uitgevoerde behandelingen zoals het optreden van complicaties. Indien de patiënt overleden is, is ook de datum van overlijden in het systeem bekend zodat bepaalbaar is of en in hoevere de overlevingskansen van de patiënt verhoogd zijn door de uitgevoerde behandeling(en). Andere data zijn bijvoorbeeld beelden van onderzoeken, zoals tumorbeelden. In het rechterkader, Voorspelling kans op een resultaat, is de weergave-15 eenheid te zien met de beoogde uitvoer van het voorspellingsmodel weergegeven, zijnde de voorspelling van de kans op een resultaat.

Binnen het kader invoer bestaan er twee subkaders namelijk, Karakteristieken van de te beschouwen patiënt en Beeldbewerking, waarmee de karakteristieken, die behoren tot 20 de gebruikelijke medische praktijk van een te beschouwen patiënt, bijvoorbeeld een kanker patiënt, rechtstreeks of nadat deze in het subkader Beeldbewerking zijn bewerkt verder worden ingevoerd aan het voorspellingsmodel. Het subkader Beeldbewerking heeft als invoer een of meer data uit het subkader Karakteristieken van de te beschouwen patiënt en als uitvoer een of meer hogere beeldkenmerken die dan verder 25 dienen als invoer voor het kader Voorspellingsmodel. Hierbij maakt het kader Beeldbewerking gebruik van data die dikwijls reeds beschikbaar zijn in het patiëntendossier, namelijk CT, PET en/of MRI scan en leidt daaruit de hogere beeldkenmerken, zoals morfometrische gootheden, eerste- en/of tweede-orde grijswaarden statistische grootheden af.

Het is verrassenderwijs gebleken dat deze beeldkenmerken uit een dergelijk onderzoeksresultaat voorspellende waarde hebben voor de uitkomst van de behandeling.

30 9

Hoewel in het voorgaande de uitvinding is toegelicht aan de hand van de tekening, dient te worden vastgesteld dat de uitvinding geenszins tot de in de tekening getoonde uitvoeringsvorm is beperkt. De uitvinding strekt zich mede uit tot alle van de in de tekening getoonde uitvoeringsvorm afwijkende uitvoeringsvormen binnen het door de 5 conclusies gedefinieerde kader.

1037077

Claims (20)

1. Systeem voor het voorspellen van de kans op een mogelijk resultaat van een medische behandeling, welk systeem omvat: 5. een ingangseenheid voor het invoeren van een of meerdere patiëntkarakteristieken van een onder beschouwing zijnde patiënt - een geheugeneenheid die een voorspellingsmodel bevat dat is gebaseerd op een of meerdere uit medisch onderzoek bekende verbanden tussen patiëntkarakteristieken en de uitkomst van een of meerdere medische behandelingen 10. een processoreenheid voor het relateren van de een of meerdere patiëntkarakteristieken van de onder beschouwing zijnde patiënt aan het voorspellingsmodel en het bepalen van de kans op een mogelijke resultaat van een te overwegen medische behandeling op basis daarvan - een weergave-eenheid die een door de processoreenheid bepaalde kans op het 15 mogelijke resultaat van de medische behandeling weergeeft, met het kenmerk dat, een in te voeren patiëntkarakteristiek van de te beschouwen patiënt afleidbaar is uit een onderzoeksresultaat van een onderzoek dat gebruikelijk is in de standaard medische praktijk.

2. Systeem volgens conclusie 1, met het kenmerk dat het onderzoeksresultaat een CT scan betreft.

3. Systeem volgens conclusie 1, met het kenmerk dat het onderzoeksresultaat een PET scan betreft. 25

4. Systeem volgens conclusie 1, met het kenmerk dat het onderzoeksresultaat een MRI scan betreft.

5. Systeem volgens een der voorgaande conclusies met het kenmerk dat de te 30 beschouwen patiënt een aan een tumor lijdende patiënt is en de medische behandeling gericht is op het bestrijden van de tumor. 1037077

6. Systeem volgens conclusie 5, met het kenmerk dat de patiëntkarakteristiek een hoger beeldkenmerk van een tumorbeeld is.

7. Systeem volgens conclusie 6, met het kenmerk dat het hogere beeldkenmerk 5 de gradiënt van de tumorbeeld is.

8. Systeem volgens conclusie 6, met het kenmerk dat het hogere beeldkenmerk de distributie van de tumorbeeld is.

9. Systeem volgens conclusie 6, met het kenmerk dat het hogere beeldkenmerk is gekozen uit de groep van eerste-orde grijswaarden statistische grootheden van het tumorbeeld.

10. Systeem volgens conclusie 9, met het kenmerk dat het uit de groep van 15 eerste-orde grijswaarden statistische grootheden gekozen hogere beeldkenmerk entropie van het tumorbeeld is.

11. Systeem volgens conclusie 6, met het kenmerk dat het hogere beeldkenmerk is gekozen uit de groep van tweede-orde grijswaarden statistische grootheden van het 20 tumorbeeld.

12. Systeem volgens conclusie 11, met het kenmerk dat het uit de groep van tweede-orde grijswaarden statistische grootheden gekozen hogere beeldkenmerk de homogeniteit van het tumorbeeld is. 25

13. Systeem volgens conclusie 11, met het kenmerk dat het uit de groep van tweede-orde grijswaarden statistische grootheden gekozen hogere beeldkenmerk energie van het tumorbeeld is.

14. Systeem volgens conclusie 6, met het kenmerk dat het hogere beeldkenmerk is gekozen uit de groep van morfometrische grootheden van het tumorbeeld.

15. Systeem volgens conclusie 14, met het kenmerk dat het uit de groep van morfometrische grootheden gekozen hogere beeldkenmerk ratio van het volume en oppervlak van het tumorbeeld is.

16. Systeem volgens conclusie 6, met het kenmerk dat het hogere beeldkenmerk is gekozen uit de groep van reekslengte matrices grootheden van het tumorbeeld.

17. Systeem volgens conclusie 16, met het kenmerk dat het uit de groep van reekslengte matrices grootheden gekozen hogere beeldkenmerk de zogenaamde short 10 run emphasis van het tumorbeeld is.

18. Systeem volgens conclusie 16, met het kenmerk dat het uit de groep van reekslengte matrices grootheden gekozen hogere beeldkenmerk de zogenaamde lang run emphasis van het tumorbeeld is. 15

19. Systeem volgens conclusie 16, met het kenmerk dat het uit de groep van reekslengte matrices grootheden gekozen hogere beeldkenmerk de grijswaarden non-uniformiteit van het tumorbeeld is.

20. Systeem volgens conclusie 16, met het kenmerk dat het uit de groep van reekslengte matrices grootheden gekozen hogere beeldkenmerk de reeks percentage van het tumorbeeld is. 1037077