RU2012133279A - Компьютерная система для прогнозирования результатов лечения - Google Patents
Компьютерная система для прогнозирования результатов лечения Download PDFInfo
- 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
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.
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)
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)
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 |
-
2011
- 2011-04-05 WO PCT/EP2011/001759 patent/WO2011124385A1/en active Application Filing
- 2011-04-05 EP EP11713708A patent/EP2556460A1/en not_active Ceased
- 2011-04-05 AU AU2011238099A patent/AU2011238099A1/en not_active Abandoned
- 2011-04-05 CA CA2832355A patent/CA2832355A1/en not_active Abandoned
- 2011-04-05 CN CN201180015982.6A patent/CN102822834B/zh active Active
- 2011-04-05 JP JP2013503039A patent/JP5970449B2/ja active Active
- 2011-04-05 RU RU2012133279/08A patent/RU2601197C2/ru active
- 2011-04-05 US US13/636,737 patent/US20130041683A1/en not_active Abandoned
-
2017
- 2017-05-17 US US15/597,661 patent/US20180039726A1/en not_active Abandoned
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 |