RU2012133279A - Компьютерная система для прогнозирования результатов лечения - Google Patents

Компьютерная система для прогнозирования результатов лечения Download PDF

Info

Publication number
RU2012133279A
RU2012133279A RU2012133279/08A RU2012133279A RU2012133279A RU 2012133279 A RU2012133279 A RU 2012133279A RU 2012133279/08 A RU2012133279/08 A RU 2012133279/08A RU 2012133279 A RU2012133279 A RU 2012133279A RU 2012133279 A RU2012133279 A RU 2012133279A
Authority
RU
Russia
Prior art keywords
treatment
course
effect
individuals
function
Prior art date
Application number
RU2012133279/08A
Other languages
English (en)
Other versions
RU2601197C2 (ru
Inventor
Жан-Пьер БУАССЕЛ
Original Assignee
Новадискавери
Новакеэ
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 Новадискавери, Новакеэ filed Critical Новадискавери
Publication of RU2012133279A publication Critical patent/RU2012133279A/ru
Application granted granted Critical
Publication of RU2601197C2 publication Critical patent/RU2601197C2/ru

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G16B5/20—Probabilistic models
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Bioethics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

1. Компьютерный способ, включающийопределение эффекта посредством обрабатывающей системы для обработки результата от курса лечения (Rc-Rt) или нормированного показателя результата лечения (Rt) по меньшей мере одного индивидуума, включающее оценку эффекта от курса лечения (T), соответствующего функции, описывающей эффект от курса лечения (Rc-Rt) для группы людей в качестве функции риска при отсутствии курса лечения (Rc) и предпочтительно представляющей собой функцию, описывающую эффект от курса лечения (Rc-Rt) в качестве функции:i) риска при отсутствии курса лечения (Rc), зависящей от первой переменной (Y), иii) второй переменной (X),причем вторая переменная (X) представляет собой вектор характеристик индивидуумов, отличных от характеристик, включенных в риск при отсутствии курса лечения (Rc), первая переменная (Y) представляет собой вектор характеристик индивидуумов, включенных в риск при отсутствии курса лечения (Rc), а вторая и первая переменные (X) и (Y) представляют собой переменную или переменные, полученные на основе показателей окружающей среды, фенотипа или генотипа,прием идентификаторов пациентов, описывающих по меньшей мере одного индивидуума, причем каждый индивидуум соответствует риску (Rc) и второй переменной (X), ивыдачу показателя эффекта от курса лечения (Rc-Rt) или нормированного показателя результата лечения (Rt) для индивидуума или индивидуумов.2. Способ по п.1, включающий оценку эффекта от множества курсов лечения (T), причем каждый курс лечения (T) соответствует функции, описывающей эффект от курса лечения для группы людей в качестве функции риска при отсутствии курса лечения.3. Способ по любому из пп.1 или 2, в котором инд�

Claims (61)

1. Компьютерный способ, включающий
определение эффекта посредством обрабатывающей системы для обработки результата от курса лечения (Rc-Rt) или нормированного показателя результата лечения (Rt) по меньшей мере одного индивидуума, включающее оценку эффекта от курса лечения (T), соответствующего функции, описывающей эффект от курса лечения (Rc-Rt) для группы людей в качестве функции риска при отсутствии курса лечения (Rc) и предпочтительно представляющей собой функцию, описывающую эффект от курса лечения (Rc-Rt) в качестве функции:
i) риска при отсутствии курса лечения (Rc), зависящей от первой переменной (Y), и
ii) второй переменной (X),
причем вторая переменная (X) представляет собой вектор характеристик индивидуумов, отличных от характеристик, включенных в риск при отсутствии курса лечения (Rc), первая переменная (Y) представляет собой вектор характеристик индивидуумов, включенных в риск при отсутствии курса лечения (Rc), а вторая и первая переменные (X) и (Y) представляют собой переменную или переменные, полученные на основе показателей окружающей среды, фенотипа или генотипа,
прием идентификаторов пациентов, описывающих по меньшей мере одного индивидуума, причем каждый индивидуум соответствует риску (Rc) и второй переменной (X), и
выдачу показателя эффекта от курса лечения (Rc-Rt) или нормированного показателя результата лечения (Rt) для индивидуума или индивидуумов.
2. Способ по п.1, включающий оценку эффекта от множества курсов лечения (T), причем каждый курс лечения (T) соответствует функции, описывающей эффект от курса лечения для группы людей в качестве функции риска при отсутствии курса лечения.
3. Способ по любому из пп.1 или 2, в котором индивидуум или индивидуумы представляют собой по меньшей мере одного из существующих людей-пациентов.
4. Способ по любому из пп.1 или 2, в котором по меньшей мере один индивидуум представляют собой моделируемого индивидуума или моделируемую группу индивидуумов.
5. Способ по п.1, в котором этап приема идентификаторов пациентов включает формирование моделируемого индивидуума или моделируемой группы индивидуумов.
6. Способ по п.4, в котором моделируемая группа индивидуумов представляет собой виртуальную реалистичную группу.
7. Способ по п.1, в котором нормированный показатель результата лечения (Rt) определен с использованием данных, введенных пользователем, формируют обрабатывающей системой для обработки результата или принимают от источника данных.
8. Способ по п.7, в котором источник данных представляет собой систему медицинских записей.
9. Способ по п.7, в котором данные содержат данные о клиническом использовании курса лечения.
10. Способ по п.7, в котором данные содержат выходные данные физиопатологической модели курса лечения.
11. Способ по п.10, в котором курс лечения (T) связан с изменением компонента или взаимосвязью в физиопатологической модели.
12. Способ по п.11, в котором физиопатологическая модель содержит сеть взаимосвязанных компонентов, содержащих биохимические и/или клеточные компоненты, биологические процессы, ткани, органы, тело и/или физиопатологические компоненты.
13. Способ по п.7, в котором данные содержат функцию, описывающую эффект от курса лечения для группы людей в качестве функции риска при отсутствии лечения.
14. Способ по любому из пп.1, 2, 5-13, дополнительно включающий отображение показателя эффекта от курса лечения (Rt) для индивидуума или индивидуумов.
15. Способ по п.14, в котором отображение выполнено в графической форме.
16. Способ по любому из пп.1, 2, 5-13, 15, дополнительно включающий оценку того, подходит ли курс лечения пациенту.
17. Способ по любому из пп.1, 2, 5-13, 15, дополнительно включающий оценку переменных по их воздействию на эффект от курса лечения.
18. Способ по п.17, в котором переменная представляет собой определяемый биологический или клеточный компонент,
причем компонент, воздействующий на эффект от курса лечения для индивидуума или индивидуумов (T), определен в качестве биомаркера.
19. Способ по любому из пп.1, 2, 5-13, 15, 18, дополнительно включающий оценку пригодности курса лечения для интересующей группы людей.
20. Способ по любому из пп.1, 2, 5-13, 15, 18, дополнительно включающий оценку эффекта от курса лечения для интересующей группы людей.
21. Способ по п.1, дополнительно включающий отображение показателя эффекта от курса лечения (Rt) для индивидуума или индивидуумов.
22. Способ по п.21, в котором отображение выполнено в графической форме.
23. Способ по п.22, в котором графическая форма содержит график рассеяния с осями Rt и Rc.
24. Способ по п.1, дополнительно включающий определение идентификаторов курса лечения, обеспечивающих максимальный эффект для пациента.
25. Компьютерный способ, включающий:
определение эффекта от курса лечения (Rt) пациента посредством обрабатывающей системы для обработки результата, включающее вычисление эффекта для пациента от множества курсов лечения (T), каждый из которых соответствует функции, описывающей эффект от курса лечения (Rt) для группы людей в качестве функции риска при отсутствии курса лечения (Rc) и предпочтительно представляющей собой функцию, описывающую эффект от курса лечения (Rt) в качестве функции риска при отсутствии лечения (Rc), зависящей от первой переменной (Y) и второй переменной (X),
причем вторая переменная (X) представляет собой вектор характеристик индивидуумов, отличных от характеристик, включенных в риск при отсутствии лечения (Rc), а вторая и первая переменные (X) и (Y) представляют собой переменные, полученные на основе показателей окружающей среды, фенотипа или генотипа,
прием идентификаторов пациентов для второй и первой переменных (X) и (Y) для пациента, и
выдачу показателя эффекта от курса лечения (Rt) для курса или курсов лечения Т пациента.
26. Способ по п.25, в котором выдача показателя эффекта от курса лечения дополнительно включает отображение прогодности курса лечения для пациента.
27. Способ по п.25, в котором выдача показателя эффекта от курса лечения дополнительно включает отображение по меньшей мере одного из курсов лечения, подходящих для пациента.
28. Способ по п.27, в котором курсы лечения ранжированы согласно их прогнозируемому эффекту для пациента.
29. Способ по любому из пп.25-28, в котором выдача показателя эффекта от курса лечения (Rt) включает выдачу показателя эффекта от курса лечения, прогнозируемого для моделируемой группы индивидуумов, и выдачу показателя эффекта для пациента.
30. Способ по п.29, в котором выдача отражает сравнение показателя эффекта для пациента и показателя эффекта для группы людей.
31. Способ по п.25, дополнительно включающий отображение показателя эффекта от курса лечения (Rt) для индивидуума или индивидуумов.
32. Способ по п.31, в котором отображение выполнено в графической форме.
33. Способ по п.32, в котором графическая форма содержит график рассеяния с осями Rt и Rc.
34. Способ по п.25, дополнительно включающий определение идентификаторов курса лечения, обеспечивающих максимальный эффект для пациента.
35. Компьютерный способ, включающий:
определение эффекта от курса лечения (Rt) для моделируемой группы индивидуумов посредством обрабатывающей системы для обработки результата, включающее оценку эффекта от курса лечения (T), соответствующего (i) изменению компонента или взаимосвязи между компонентами в физиопатологической модели, и (и) функции, описывающей эффект от курса лечения (Rt) для группы людей в качестве функции риска при отсутствии курса лечения (Rc) и предпочтительно представляющей собой функцию, описывающую эффект от курса лечения (Rt) в качестве функции риска при отсутствии курса лечения (Rc), зависящей от первой переменной (Y) и второй переменной (X),
причем вторая переменная (X) представляет собой вектор характеристик индивидуумов, отличных от характеристик, включенных в риск при отсутствии курса лечения (Rc), а вторая и первая переменные (X) и (Y) представляют собой переменные, полученные на основе показателей окружающей среды, фенотипа или генотипа,
прием идентификаторов пациентов для моделируемой группы индивидуумов, причем каждому индивидууму в группе соответствует риск (Rc) и вторая переменная (X), и
выдачу показателя эффекта от курса лечения (Rt) в моделируемой группе.
36. Способ по п.35, в котором функцию, описывающую эффект от курса лечения (Rt) для группы людей в качестве функции риска при отсутствии курса лечения (Rc), получают путем
(а) выполнения физиопатологической модели, содержащей изменение компонента или взаимосвязи между компонентами физиопатологической модели, определяющей курс лечения (T) и создающей вероятность возникновения интересующего события,
и (b) получения функции вероятности возникновения интересующего события.
37. Способ по п.36, в котором этап приема идентификаторов пациентов включает создание моделируемого индивидуума или моделируемой группы индивидуумов.
38. Способ по п.36 или п.37, в котором моделируемая группа индивидуумов представляет собой виртуальную реалистичную группу.
39. Способ по любому из пп.35-37, дополнительно включающий прием данных, определяющих компонент или взаимосвязь между компонентами физиопатологической модели, изменение которой используют для определения курса лечения (T).
40. Способ по п.39, в котором данные введены пользователем посредством устройства ввода.
41. Способ по п.35, в котором функцию, описывающую эффект от курса лечения (Rt) для группы людей в качестве функции риска при отсутствии курса лечения (Rc), получают путем
(a) выполнения формальной терапевтической модели, моделирующей курс лечения (T), соответствующий по меньшей мере одному идентификатору лечения, и содержащей вероятность возникновения интересующего события, и
(b) получение функции вероятности возникновения интересующего события.
42. Способ по п.41, дополнительно включающий прием медицинских данных и их использование для изменения формальной терапевтической модели и, при необходимости, повторение этапов (a) и (b) с использованием измененной формальной терапевтической модели.
43. Способ по любому из пп.35-37, 40-42, в котором выдача показателя эффекта от курса лечения дополнительно включает выдачу количества событий, предотвращенных за курс лечения моделируемой группы индивидуумов.
44. Способ по любому из пп.35-37, 40-42, в котором выдача показателя эффекта от курса лечения дополнительно включает ранжирование количества событий, предотвращенных за курс лечения моделируемой группы индивидуумов для нескольких курсов лечения.
45. Способ по любому из пп.35-37, 40-42, дополнительно включающий определение биологического объекта, изменение которого обеспечивает эффект от курса лечения моделируемой группы индивидуумов.
46. Способ по любому из пп.35-37, 40-42, дополнительно включающий оценку пригодности курса лечения для пациента.
47. Способ по любому из пп.35-37, 40-42, дополнительно включающий оценку переменных по их воздействию на эффект от курса лечения для индивидуума или индивидуумов.
48. Способ по п.47, в котором переменная представляет собой определяемый биологический или клеточный компонент,
причем компонент, воздействующий на эффект от курса лечения для индивидуума или индивидуумов (T), определен в качестве биомаркера.
49. Способ по любому из пп.35-37, 40-42, дополнительно включающий оценку пригодности курса лечения для определенной группы людей.
50. Способ по любому из пп.35-37, 40-42, дополнительно включающий оценку эффекта от курса лечения для интересующей группы людей.
51. Способ по п.35, дополнительно включающий отображение показателя эффекта от курса лечения (Rt) для индивидуума или индивидуумов.
52. Способ по п.51, в котором отображение выполнено в графической форме.
53. Способ по п.52, в котором графическая форма содержит график рассеяния с осями Rt и Rc.
54. Способ по п.35, дополнительно включающий определение идентификаторов курса лечения, обеспечивающих максимальный эффект для пациента.
55. Способ оценки биомаркеров, включающий:
(а) выполнение компьютерного способа, включающего: определение эффекта посредством обрабатывающей системы для обработки результата от курса лечения (Rc-Rt) индивидуума или группы индивидуумов, включающее оценку эффекта от курса лечения (T), соответствующего функции, описывающей эффект от курса лечения для группы людей (Rc-Rt) в качестве функции риска при отсутствии курса лечения (Rc) и представляющей собой функцию, описывающую эффект от курса лечения (Rc-Rt) в виде функции:
i) риска при отсутствии курса лечения (Rc), зависящего от первой переменной (Y), и
ii) второй переменной (X), причем вторая переменная (X) представляет собой вектор характеристик индивидуумов, отличных от характеристик, включенных в риск при отсутствии курса лечения (Rc), а первая переменная (Y) представляет собой вектор характеристик индивидуумов, включенных в риск при отсутствии курса лечения (Rc), а вторая и первая переменные (X) и (Y) представляют собой переменные, полученные на основе показателей окружающей среды, фенотипа или генотипа;
прием идентификаторов пациентов, описывающих указанного по меньшей мере одного индивидуума, причем каждый индивидуум соответствует риску (Rc) и второй переменной (X), и
выдачу, при необходимости, показателя эффекта от курса лечения (Rc-Rt) для индивидуума или индивидуумов, и
(b) оценку переменных по их воздействию на эффект от курса лечения (Rc-Rt) по меньшей мере для одного индивидуума.
56. Способ по п.55, в котором этап приема идентификаторов пациентов, описывающих указанного по меньшей мере одного индивидуума, включает прием по меньшей мере одного из идентификаторов пациентов от физиопатологической модели.
57. Устройство для прогнозирования эффекта по меньшей мере от одного из курсов лечения, содержащее по меньшей мере один компьютер для выполнения выполняемых компьютером команд,
причем компьютер содержит исполняемые компьютером команды для выполнения способа по пп.1-56.
58. Машинночитаемый носитель, сохраняющий компьютерную программу для прогнозирования эффекта по меньшей мере от одного из курсов лечения,
причем компьютерная программа содержит команды для выполнения способа по пп.1-56.
59. Память для хранения данных с обеспечением доступа посредством прикладной программы, выполняемой в обрабатывающей системе для обработки результата, содержащая структуру данных, сохраненную в памяти и содержащую данные, используемые прикладной программой, причем каждому курсу лечения (T) соответствует функция, описывающая эффект от курса лечения для
группы людей в качестве функции риска при отсутствии курса лечения (Rc) и предпочтительно представляющая собой функцию, описывающую эффект от курса лечения (Rt) в качестве функции риска при отсутствии курса лечения (Rc), зависящей от первой переменной (Y) и второй переменной (X), причем вторая переменная (X) представляет собой вектор характеристик индивидуумов, отличных от характеристик, включенных в риск при отсутствии курса лечения (Rc), а первая переменная (Y) представляет собой вектор характеристик индивидуумов, включенных в риск при отсутствии курса лечения (Rc), а вторая и первая переменные (X) и (Y) представляют собой переменные, полученные на основе показателей окружающей среды, фенотипа или генотипа.
60. Память для хранения данных с обеспечением доступа посредством прикладной программы, выполняемой в обрабатывающей системе для обработки результата, содержащая структуру данных, сохраненную в памяти и содержащую данные, используемые прикладной программой,
причем каждому курсу лечения (T) соответствует эффект от курса лечения (Rt) для конкретной группы индивидуумов, оцененный с использованием функции, описывающей эффект от курса лечения для группы людей в качестве функции риска при отсутствии курса лечения (Rc) и представляющей собой функцию, описывающую эффект от курса лечения (Rt) в качестве функции риска при отсутствии курса лечения (Rc), зависящей от первой переменной (Y) и второй переменной (X), причем вторая переменная (X) представляет собой вектор характеристик индивидуумов, отличных от характеристик, включенных в риск при отсутствии курса лечения (Rc), а первая переменная (Y) представляет собой вектор характеристик индивидуумов, включенных в риск при отсутствии курса лечения (Rc), а вторая и первая переменные (X) и (Y) представляют собой переменные, полученные на основе показателей окружающей среды, фенотипа или генотипа.
61. Способ по п.60, в котором каждый курс лечения (T) дополнительно соответствует конкретной группе индивидуумов.
RU2012133279/08A 2010-04-07 2011-04-05 Компьютерная система для прогнозирования результатов лечения RU2601197C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US32155510P 2010-04-07 2010-04-07
US61/321,555 2010-04-07
PCT/EP2011/001759 WO2011124385A1 (en) 2010-04-07 2011-04-05 Computer based system for predicting treatment outcomes

Publications (2)

Publication Number Publication Date
RU2012133279A true RU2012133279A (ru) 2014-05-20
RU2601197C2 RU2601197C2 (ru) 2016-10-27

Family

ID=44477613

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2012133279/08A RU2601197C2 (ru) 2010-04-07 2011-04-05 Компьютерная система для прогнозирования результатов лечения

Country Status (8)

Country Link
US (2) US20130041683A1 (ru)
EP (1) EP2556460A1 (ru)
JP (1) JP5970449B2 (ru)
CN (1) CN102822834B (ru)
AU (1) AU2011238099A1 (ru)
CA (1) CA2832355A1 (ru)
RU (1) RU2601197C2 (ru)
WO (1) WO2011124385A1 (ru)

Families Citing this family (58)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8635183B1 (en) * 2010-04-19 2014-01-21 Bridgehealth Medical, Inc. Method and apparatus to computer-process data to produce, store, and disseminate output related to medical or health information
WO2011124385A1 (en) * 2010-04-07 2011-10-13 Novadiscovery Computer based system for predicting treatment outcomes
US20200027181A1 (en) * 2010-09-29 2020-01-23 Dacadoo Ag Automated health data acquisition, processing and communication system and method
US20130014061A1 (en) * 2011-07-06 2013-01-10 Lockheed Martin Corporation Method and apparatus for time-based opportunity and risk management
US8992228B2 (en) * 2012-06-19 2015-03-31 MediResource Inc. Automated system for delivery of targeted content based on behavior change models
EP2864914B1 (en) * 2012-06-21 2020-07-08 Battelle Memorial Institute Clinical predictive analytics system
US11694797B2 (en) 2012-10-30 2023-07-04 Neil S. Davey Virtual healthcare communication platform
WO2014113714A1 (en) * 2013-01-17 2014-07-24 The Regents Of The University Of California Rapid identification of optimized combinations of input parameters for a complex system
EP2951741A2 (en) * 2013-02-03 2015-12-09 Genelex Corporation Systems and methods for quantification and presentation of medical risk arising from unknown factors
BR122022005675B1 (pt) * 2013-02-06 2023-05-02 Geissler Companies, Llc Métodos para determinar a eficácia de uma droga
US9864837B2 (en) * 2013-02-28 2018-01-09 Accenture Global Services Limited Clinical quality analytics system with recursive, time sensitive event-based protocol matching
WO2014145705A2 (en) 2013-03-15 2014-09-18 Battelle Memorial Institute Progression analytics system
US10853451B2 (en) * 2013-06-06 2020-12-01 Timeless Veterinary Systems International Limited Drug formulary application
US9530095B2 (en) 2013-06-26 2016-12-27 International Business Machines Corporation Method and system for exploring the associations between drug side-effects and therapeutic indications
EP3129507A4 (en) * 2014-04-10 2017-12-06 Yissum Research Development Company of the Hebrew University of Jerusalem Ltd. Methods and kits for determining a personalized treatment regimen for a subject suffering from a pathologic disorder
JP6324828B2 (ja) * 2014-07-07 2018-05-16 株式会社日立製作所 薬効分析システム及び薬効分析方法
US9349178B1 (en) 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
EP3051449A1 (de) * 2015-01-29 2016-08-03 Bayer Technology Services GmbH Computerimplementiertes Verfahren zur Erstellung eines Fermentationsmodels
WO2016168474A1 (en) * 2015-04-17 2016-10-20 Heartflow, Inc. Systems and methods for assessment of tissue function based on vascular disease
RU2599350C1 (ru) * 2015-06-04 2016-10-10 Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт фармакологии и регенеративной медицины имени Е.Д. Гольдберга" Способ прогнозирования индивидуальной эффективности лечения статинами (варианты)
US20170024539A1 (en) * 2015-07-23 2017-01-26 PrioBio, LLC Enhancing blood cell estimation
US10825557B2 (en) * 2015-09-04 2020-11-03 Canon Medical Systems Corporation Medical information processing apparatus
US11216478B2 (en) 2015-10-16 2022-01-04 o9 Solutions, Inc. Plan model searching
US9906551B2 (en) * 2016-02-09 2018-02-27 International Business Machines Corporation Forecasting and classifying cyber-attacks using crossover neural embeddings
US11039986B2 (en) * 2016-02-25 2021-06-22 Samsung Electronics Co., Ltd. Chronotherapeutic dosing of medication and medication regimen adherence
EP3223180A1 (en) 2016-03-24 2017-09-27 Fujitsu Limited A system and a method for assessing patient risk using open data and clinician input
EP3223178A1 (en) 2016-03-24 2017-09-27 Fujitsu Limited A system and a method for assessing patient treatment risk using open data and clinician input
KR102286728B1 (ko) 2016-05-18 2021-08-06 마크 노알 조직의 에너지 활동을 기초로 하여 신체 조직 장애의 성공적인 치료법 및 결과를 예측하기 위한 방법 및 시스템
JP6068715B1 (ja) * 2016-07-06 2017-01-25 原　正彦 介入効果推測システム、介入効果推測方法、及び、介入効果推測システムに用いるプログラム
RU2675067C1 (ru) * 2017-09-18 2018-12-14 федеральное государственное бюджетное учреждение "Национальный медицинский исследовательский центр имени В.А. Алмазова" Министерства здравоохранения Российской Федерации Способ прогнозирования возобновления клиники ишемической болезни сердца с помощью нейронных сетей у пациентов после эндоваскулярного вмешательства
EP3480823A1 (en) * 2017-11-02 2019-05-08 Koninklijke Philips N.V. Clinical decision support
US11132621B2 (en) 2017-11-15 2021-09-28 International Business Machines Corporation Correction of reaction rules databases by active learning
JP7308865B2 (ja) * 2018-05-03 2023-07-14 エフ・ホフマン－ラ・ロシュ・アクチェンゲゼルシャフト 生物医学的予測の視覚化
AU2019277199B2 (en) * 2018-05-31 2024-04-04 Lynne Bilston Systems, devices and methods for the treatment of oral and pharyngeal disorders
US11177028B2 (en) 2018-12-06 2021-11-16 International Business Machines Corporation Extraction, representation, and cognitive interpretation of medically relevant evidence
US11605469B2 (en) * 2018-12-13 2023-03-14 International Business Machines Corporation Cognitive analysis of data using granular review of documents
EP3673955A1 (en) * 2018-12-24 2020-07-01 Koninklijke Philips N.V. Automated detection of lung conditions for monitoring thoracic patients undergoing external beam radiation therapy
US10515715B1 (en) 2019-06-25 2019-12-24 Colgate-Palmolive Company Systems and methods for evaluating compositions
RU2736391C1 (ru) * 2019-10-11 2020-11-16 Федеральное государственное бюджетное научное учреждение "Научно-исследовательский институт фармакологии имени В.В. Закусова" Способ прогноза терапевтической эффективности анксиолитика афобазола у больных с тревожными расстройствами
CN111166289B (zh) * 2020-01-04 2023-02-24 山东大学齐鲁医院(青岛) 一种远程内分泌紊乱检测设备
RU2754884C2 (ru) * 2020-02-03 2021-09-08 Атлас Биомед Груп Лимитед Определение фенотипа на основе неполных генетических данных
US11328796B1 (en) 2020-02-25 2022-05-10 Vignet Incorporated Techniques for selecting cohorts for decentralized clinical trials for pharmaceutical research
CN111403040A (zh) * 2020-06-04 2020-07-10 成都泰盟软件有限公司 基于虚拟标准病人的治疗模拟系统
US11854670B2 (en) * 2020-08-18 2023-12-26 International Business Machines Corporation Running multiple experiments simultaneously on an array of chemical reactors
US11798652B2 (en) * 2020-08-24 2023-10-24 Kpn Innovations, Llc. Method of and system for identifying and ameliorating body degradations
US20230343467A1 (en) * 2020-09-07 2023-10-26 Theraindx Lifesciences Pvt Ltd Systems and methods for identification of cell lines, biomarkers, and patients for drug response prediction
CN112652368A (zh) * 2020-12-31 2021-04-13 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种数据分析的方法及装置
CN112509669A (zh) * 2021-02-01 2021-03-16 肾泰网健康科技(南京)有限公司 基于ai技术的肾脏病血液透析方案定制方法及系统
US11361846B1 (en) 2021-02-03 2022-06-14 Vignet Incorporated Systems and methods for customizing monitoring programs involving remote devices
US11296971B1 (en) 2021-02-03 2022-04-05 Vignet Incorporated Managing and adapting monitoring programs
US11316941B1 (en) 2021-02-03 2022-04-26 Vignet Incorporated Remotely managing and adapting monitoring programs using machine learning predictions
US11196656B1 (en) 2021-02-03 2021-12-07 Vignet Incorporated Improving diversity in cohorts for health research
US11521714B1 (en) 2021-02-03 2022-12-06 Vignet Incorporated Increasing diversity of participants in health research using adaptive methods
US11789837B1 (en) 2021-02-03 2023-10-17 Vignet Incorporated Adaptive data collection in clinical trials to increase the likelihood of on-time completion of a trial
WO2023230712A1 (en) * 2022-06-02 2023-12-07 Vana Health Inc. System, method and apparatus for assessing efficacy of nutraceutical polyphenols utilizing ai
CN115359921B (zh) * 2022-10-20 2023-06-27 中融云尚科技有限公司 一种基于数据分析的医疗信息存储共享系统
CN117238522A (zh) * 2023-11-08 2023-12-15 查理高特(青岛)健康科技有限公司 一种非布司他的疗效预测系统、设备及介质
CN117558460B (zh) * 2024-01-11 2024-04-05 卓世未来(天津)科技有限公司 基于小样本学习和大语言模型的慢性病管理方法及系统

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6983227B1 (en) * 1995-01-17 2006-01-03 Intertech Ventures, Ltd. Virtual models of complex systems
US5860917A (en) * 1997-01-15 1999-01-19 Chiron Corporation Method and apparatus for predicting therapeutic outcomes
US6315720B1 (en) * 2000-10-23 2001-11-13 Celgene Corporation Methods for delivering a drug to a patient while avoiding the occurrence of an adverse side effect known or suspected of being caused by the drug
JP4284050B2 (ja) * 2002-09-27 2009-06-24 株式会社東芝 治療法の有効性を予測するためのプログラム、データベース、システム及び方法
US20060188878A1 (en) * 2002-10-15 2006-08-24 Dressman Marlene M Methods to predict ederma as a side effect of drug treatment
US20040115647A1 (en) * 2002-12-12 2004-06-17 Paterson Thomas S. Apparatus and method for identifying biomarkers using a computer model
EP1685512A2 (en) 2003-10-07 2006-08-02 Entelos, Inc. Simulating patient-specific outcomes
US20060073496A1 (en) * 2004-07-20 2006-04-06 O'toole Margot Methods of identifying patients at risk of developing encephalitis following immunotherapy for Alzheimer's disease
NL1027047C2 (nl) * 2004-09-15 2006-03-16 Roderik Adriaan Kraaijenhagen Computerinrichting voor het vaststellen van een diagnose.
US20100204920A1 (en) * 2005-04-25 2010-08-12 Caduceus Information Systems Inc. System for development of individualised treatment regimens
RU2322675C1 (ru) * 2006-11-08 2008-04-20 Андрей Александрович Темнов Способ прогнозирования устойчивости организма к стрессорному воздействию
US20080140371A1 (en) * 2006-11-15 2008-06-12 General Electric Company System and method for treating a patient
WO2009076551A2 (en) * 2007-12-12 2009-06-18 The Regents Of The University Of California Systems and methods for predicting response of biological samples
WO2009079446A1 (en) * 2007-12-14 2009-06-25 Centocor, Inc. Method and system for distributing information between patients, health care providers, caregivers, and payors
US20090164190A1 (en) * 2007-12-19 2009-06-25 Abbott Diabetes Care, Inc. Physiological condition simulation device and method
US20090307179A1 (en) * 2008-03-19 2009-12-10 Brandon Colby Genetic analysis
WO2009132239A2 (en) * 2008-04-24 2009-10-29 Trustees Of Boston University A network biology approach for identifying targets for combination therapies
US8224665B2 (en) * 2008-06-26 2012-07-17 Archimedes, Inc. Estimating healthcare outcomes for individuals
US20110178819A1 (en) * 2008-10-06 2011-07-21 Merck Sharp & Dohme Corp. Devices and methods for determining a patient's propensity to adhere to a medication prescription
US8694300B2 (en) * 2008-10-31 2014-04-08 Archimedes, Inc. Individualized ranking of risk of health outcomes
US20110105852A1 (en) * 2009-11-03 2011-05-05 Macdonald Morris Using data imputation to determine and rank of risks of health outcomes
WO2011124385A1 (en) * 2010-04-07 2011-10-13 Novadiscovery Computer based system for predicting treatment outcomes

Also Published As

Publication number Publication date
JP5970449B2 (ja) 2016-08-17
CN102822834B (zh) 2020-09-25
US20130041683A1 (en) 2013-02-14
CN102822834A (zh) 2012-12-12
RU2601197C2 (ru) 2016-10-27
JP2013524355A (ja) 2013-06-17
CA2832355A1 (en) 2012-10-13
AU2011238099A1 (en) 2012-11-29
US20180039726A1 (en) 2018-02-08
EP2556460A1 (en) 2013-02-13
WO2011124385A1 (en) 2011-10-13

Similar Documents

Publication Publication Date Title
RU2012133279A (ru) Компьютерная система для прогнозирования результатов лечения
US8793144B2 (en) Treatment effect prediction system, a treatment effect prediction method, and a computer program product thereof
Kong et al. A belief rule-based decision support system for clinical risk assessment of cardiac chest pain
Kolozsvari et al. Sex is not everything: the role of gender in early performance of a fundamental laparoscopic skill
CN104717921B (zh) 自学性认知训练装置及其方法
Xi et al. Comparison of intent-to-treat analysis strategies for pre-post studies with loss to follow-up
CN109600956A (zh) 一种数据中心服务器放置位置优化算法和系统
Swami et al. Nature exposure and positive body image:(Re-) examining the mediating roles of connectedness to nature and trait mindfulness
Boehler et al. Development of a web-based tool for the assessment of health and economic outcomes of the European Innovation Partnership on Active and Healthy Ageing (EIP on AHA)
CN106618609A (zh) 心理测评方法及心理测评仪
CN104636890A (zh) 一种空中交通管制员工作负荷测量方法
Chapfuwa et al. Enabling counterfactual survival analysis with balanced representations
Harbin et al. Prior video game utilization is associated with improved performance on a robotic skills simulator
Rindermann et al. Relevance of education and intelligence at the national level for health: The case of HIV and AIDS
Shortreed et al. Missing data in the exposure of interest and marginal structural models: A simulation study based on the Framingham Heart Study
Su et al. A mathematical modeling study of the HIV epidemics at two rural townships in the Liangshan Prefecture of the Sichuan Province of China
Alzahrani et al. Numerical Simulation of an Influenza Epidemic: Prediction with Fractional SEIR and the ARIMA Model
White et al. Toward a model of human information processing for decision-making and skill acquisition in laparoscopic colorectal surgery
Abdalla et al. A systematic review of mathematical models of the Ebola virus disease
Çalhan et al. EHealth monitoring testbed with fuzzy based early warning score system
Yu et al. MiRTE: Mixed Reality Triage and Evacuation game for Mass Casualty information systems design, testing and training
Lange et al. Data acquisition dynamics and hypothesis generation
CN110223780A (zh) 一种自适应pso-grnn的胎儿体重预测方法及系统
Flessa et al. Health policy support under extreme uncertainty: the case of cervical cancer in Cambodia
Kibret A Bayesian Network Meta-analysis for Binary Outcome: A Simulation Study