RU2013133868A - Определение состояния пациента и смертность - Google Patents
Определение состояния пациента и смертность Download PDFInfo
- Publication number
- RU2013133868A RU2013133868A RU2013133868/08A RU2013133868A RU2013133868A RU 2013133868 A RU2013133868 A RU 2013133868A RU 2013133868/08 A RU2013133868/08 A RU 2013133868/08A RU 2013133868 A RU2013133868 A RU 2013133868A RU 2013133868 A RU2013133868 A RU 2013133868A
- Authority
- RU
- Russia
- Prior art keywords
- information
- patient
- icu
- data
- clinical
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
1. Система (100), которая облегчает прогнозирование наступления медицинского состояния у пациента, включающая в себя:множество баз (118, 122, 126, 130, 132) данных медицинской информации, ипроцессор (102), который выполняет машиноисполняемые инструкции, которые хранятся в памяти (104), причем инструкции состоят в том, чтобы:объединять медицинскую информацию, вводимую (112) из множества информационных баз данных,вводить объединенную медицинскую информацию в каждый из алгоритма (134) логического вывода, байесовой сети (136) и конечного автомата (138),выполнять каждый из алгоритма (134) логического вывода, байесовой сети (136) и конечного автомата (138),объединять выходную информацию (116) из каждого из алгоритма (134) логического вывода, байесовой сети (136) и конечного автомата (138),определять, имеет ли пациент медицинское состояние, по меньшей мере, частично, на основании объединенной выходной информации (116), иуправлять устройством отображения для отображения пользователю определения, имеет ли пациент медицинское состояние, на устройстве (110) отображения.2. Система по п.1, дополнительно включающая в себя:модуль (120) генерации правил, который генерирует правила на основании клинического знания в базе (118) данных клинических знаний для ввода в алгоритм (134) логического вывода,модуль (124) генерации вероятностей, который генерирует вероятности на основании информации клинических исследований в базе (122) данных клинических исследований для ввода в байесову сеть (136), имодуль (128) генерации последовательностей логических операций, который генерирует последовательности логических операций из клинических определений в базе (126) данных клинических определени
Claims (15)
1. Система (100), которая облегчает прогнозирование наступления медицинского состояния у пациента, включающая в себя:
множество баз (118, 122, 126, 130, 132) данных медицинской информации, и
процессор (102), который выполняет машиноисполняемые инструкции, которые хранятся в памяти (104), причем инструкции состоят в том, чтобы:
объединять медицинскую информацию, вводимую (112) из множества информационных баз данных,
вводить объединенную медицинскую информацию в каждый из алгоритма (134) логического вывода, байесовой сети (136) и конечного автомата (138),
выполнять каждый из алгоритма (134) логического вывода, байесовой сети (136) и конечного автомата (138),
объединять выходную информацию (116) из каждого из алгоритма (134) логического вывода, байесовой сети (136) и конечного автомата (138),
определять, имеет ли пациент медицинское состояние, по меньшей мере, частично, на основании объединенной выходной информации (116), и
управлять устройством отображения для отображения пользователю определения, имеет ли пациент медицинское состояние, на устройстве (110) отображения.
2. Система по п.1, дополнительно включающая в себя:
модуль (120) генерации правил, который генерирует правила на основании клинического знания в базе (118) данных клинических знаний для ввода в алгоритм (134) логического вывода,
модуль (124) генерации вероятностей, который генерирует вероятности на основании информации клинических исследований в базе (122) данных клинических исследований для ввода в байесову сеть (136), и
модуль (128) генерации последовательностей логических операций, который генерирует последовательности логических операций из клинических определений в базе (126) данных клинических определений для ввода в конечный автомат (138).
3. Система по п.1, в которой алгоритм логического вывода принимает в качестве ввода:
правила, основанные на клинических знаниях, из модуля (120) генерации правил,
информацию до поступления в отделение интенсивной терапии (ОИТ), и
данные ОИТ.
4. Система по п.1, в которой байесова сеть принимает в качестве ввода:
вероятностную информацию, основанную на клинических исследованиях, из модуля (124) генерации вероятностей,
информацию до поступления в отделение интенсивной терапии (ОИТ), и
данные ОИТ.
5. Система по п.1, в которой конечный автомат принимает в качестве ввода:
информацию последовательности логических операций, основанную на клинических определениях, из модуля (128) генерации последовательностей логических операций,
информацию до поступления в отделение интенсивной терапии (ОИТ), и
данные ОИТ.
6. Система по п.1, в которой данные до поступления в ОИТ включают в себя одну или более из демографической информации пациента, информации хронического состояния пациента и информации истории событий пациента, и данные ОИТ включают в себя одну или более из информации жизненных показателей пациента и информации истории приема лекарств пациента.
7. Система по п.1, в которой выходная информация (116) включает в себя одну или более из:
информации (140) наступления состояния, которая генерируется из выходной информации из каждого из алгоритма (134) логического вывода, байесовой сети (136) и конечного автомата (138),
информации (142) шоковой и иммунной реакции, которая генерируется из выхода конечного автомата (138),
графической информации (144) пациента, которая генерируется из данных (132) ОИТ.
8. Способ прогнозирования наступления медицинского состояния у пациента, включающий в себя этапы, на которых
объединяют медицинскую информацию, вводимую (112) из множества информационных баз (118, 122, 126, 130, 132) данных,
вводят объединенную медицинскую информацию в каждый из алгоритма (134) логического вывода, байесовой сети (136) и конечного автомата (138),
выполняют каждый из алгоритма (134) логического вывода, байесовой сети (136) и конечного автомата (138),
объединяют выходную информацию (116) из каждого из алгоритма (134) логического вывода, байесовой сети (136) и конечного автомата (138),
определяют, имеет ли пациент медицинское состояние, по меньшей мере, частично, на основании объединенной выходной информации (116), и
управляют устройством отображения для отображения пользователю определения, имеет ли пациент медицинское состояние, на устройстве (110) отображения.
9. Способ по п.8, дополнительно включающий в себя этапы, на которых
генерируют правила на основании клинического знания в базе (118) данных клинических знаний для ввода в алгоритм (134) логического вывода,
генерируют вероятности на основании информации клинических исследований в базе (122) данных клинических исследований для ввода в байесову сеть (136), и
генерируют последовательности логических операций из клинических определений в базе (126) данных клинических определений для ввода в конечный автомат (138).
10. Способ по п.8, дополнительно включающий в себя этапы, на которых
принимают в качестве ввода в алгоритм логического вывода:
правила, основанные на клинических знаниях, из модуля (120) генерации правил,
информацию до поступления в отделение интенсивной терапии (ОИТ), и
данные ОИТ,
принимают в качестве ввода в байесову сеть:
вероятностную информацию, основанную на клинических исследованиях, из модуля (124) генерации вероятностей,
информацию до поступления в отделение интенсивной терапии (ОИТ), и
данные ОИТ, и
принимают в качестве ввода в конечный автомат:
информацию последовательности логических операций, основанную на клинических определениях, из модуля (128) генерации последовательностей логических операций,
информацию до поступления в отделение интенсивной терапии (ОИТ), и
данные ОИТ.
11. Способ по п.10, в котором данные до поступления в ОИТ включают в себя одну или более из демографической информации пациента, информации хронического состояния пациента и информации истории событий пациента, и данные ОИТ включают в себя одну или более из информации жизненных показателей пациента и информации истории приема лекарств пациента.
12. Способ по п.8, в котором выходная информация (116) включает в себя одну или более из:
информации (140) наступления состояния, которая генерируется из выходной информации из каждого из алгоритма (134) логического вывода, байесовой сети (136) и конечного автомата (138),
информации (142) шоковой и иммунной реакции, которая генерируется из выхода конечного автомата (138),
графической информации (144) пациента, которая генерируется из данных (132) ОИТ.
13. Процессор (104) или машиночитаемый носитель (106), хранящий компьютерную программу, которая управляет одним или более процессорами для осуществления способа по любому из пп.8-12.
14. Способ прогнозирования, имеет ли пациент указанное медицинское состояние, включающий в себя этапы, на которых:
объединяют множество источников медицинских знаний,
вводят правила, основанные на клинических знаниях, информацию до поступления в отделение интенсивной терапии (ОИТ) и данные ОИТ в алгоритм (134) логического вывода,
вводят вероятностную информацию, основанную на клинических исследованиях, информацию до поступления в ОИТ и данные ОИТ в байесову сеть (136),
вводят последовательности логических операций, основанные на клинических определениях, информацию до поступления в ОИТ и данные ОИТ в конечный автомат (138),
объединяют выходную информацию из каждого из алгоритма (134) логического вывода, байесовой сети (136) и конечного автомата (138) для определения, имеет ли пациент указанное медицинское состояние, и
выводят пользователю определение, имеет ли пациент указанное состояние.
15. Способ по п.14, дополнительно содержащий этапы, на которых
генерируют популяцию виртуальных пациентов из правил, основанных на знаниях, вероятностной информации, основанной на исследованиях, и последовательностей логических операций, и определяют показатели смертности для виртуальной популяции как функцию одной или более переменных, связанных с указанным медицинским состоянием.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201061425388P | 2010-12-21 | 2010-12-21 | |
| US61/425,388 | 2010-12-21 | ||
| PCT/IB2011/055610 WO2012085750A1 (en) | 2010-12-21 | 2011-12-12 | Patient condition detection and mortality |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2013133868A true RU2013133868A (ru) | 2015-01-27 |
Family
ID=45498043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2013133868/08A RU2013133868A (ru) | 2010-12-21 | 2011-12-12 | Определение состояния пациента и смертность |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20130290231A1 (ru) |
| EP (1) | EP2656259A1 (ru) |
| RU (1) | RU2013133868A (ru) |
| WO (1) | WO2012085750A1 (ru) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014071145A1 (en) | 2012-11-02 | 2014-05-08 | The University Of Chicago | Patient risk evaluation |
| US10039451B2 (en) | 2012-12-03 | 2018-08-07 | Koninklijke Philips N.V. | System and method for optimizing the frequency of data collection and thresholds for deterioration detection algorithm |
| US10349901B2 (en) | 2015-08-20 | 2019-07-16 | Osypka Medical Gmbh | Shock probability determination system and method |
| WO2017055949A1 (en) | 2015-09-28 | 2017-04-06 | Koninklijke Philips N.V. | Clinical decision support for differential diagnosis of pulmonary edema in critically ill patients |
| US11177022B2 (en) | 2016-10-17 | 2021-11-16 | International Business Machines Corporation | Workflow for automatic measurement of doppler pipeline |
| US11195600B2 (en) | 2016-10-17 | 2021-12-07 | International Business Machines Corporation | Automatic discrepancy detection in medical data |
| WO2018148525A1 (en) | 2017-02-10 | 2018-08-16 | St. Jude Medical, Cardiology Division, Inc. | Determining ablation location using probabilistic decision-making |
| US11276496B2 (en) * | 2018-11-21 | 2022-03-15 | General Electric Company | Method and systems for a healthcare provider assistance system |
| CN110008350A (zh) * | 2019-03-06 | 2019-07-12 | 杭州哲达科技股份有限公司 | 一种基于贝叶斯推理的机泵安康知识库查找方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7801591B1 (en) * | 2000-05-30 | 2010-09-21 | Vladimir Shusterman | Digital healthcare information management |
| CA2666817A1 (en) * | 2006-10-19 | 2008-04-24 | Entelos, Inc. | Method and apparatus for modeling atherosclerosis |
| US8078554B2 (en) * | 2008-09-03 | 2011-12-13 | Siemens Medical Solutions Usa, Inc. | Knowledge-based interpretable predictive model for survival analysis |
-
2011
- 2011-12-12 EP EP11810654.1A patent/EP2656259A1/en not_active Withdrawn
- 2011-12-12 US US13/996,565 patent/US20130290231A1/en not_active Abandoned
- 2011-12-12 WO PCT/IB2011/055610 patent/WO2012085750A1/en active Application Filing
- 2011-12-12 RU RU2013133868/08A patent/RU2013133868A/ru unknown
Also Published As
| Publication number | Publication date |
|---|---|
| EP2656259A1 (en) | 2013-10-30 |
| WO2012085750A1 (en) | 2012-06-28 |
| US20130290231A1 (en) | 2013-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2013133868A (ru) | Определение состояния пациента и смертность | |
| CN104572583B (zh) | 用于数据致密化的方法和系统 | |
| US10180777B2 (en) | Healthcare similarity engine dashboard | |
| KR102015473B1 (ko) | 신경계 질환 관리를 위한 시스템 및 방법 | |
| Hamilton et al. | Machine learning and artificial intelligence: applications in healthcare epidemiology | |
| Guo et al. | Big data analytics in healthcare: data-driven methods for typical treatment pattern mining | |
| Luo et al. | Applying interpretable deep learning models to identify chronic cough patients using EHR data | |
| Zolfaghar et al. | Risk-o-meter: an intelligent clinical risk calculator | |
| US20200058408A1 (en) | Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management | |
| US20130297340A1 (en) | Learning and optimizing care protocols | |
| WO2013158812A1 (en) | Combining knowledge and data driven insights for identifying risk factors in healthcare | |
| Du et al. | Machine learning-based clinical decision support systems for pregnancy care: a systematic review | |
| Liley et al. | Model updating after interventions paradoxically introduces bias | |
| Yousefi et al. | Opening the black box: Personalizing type 2 diabetes patients based on their latent phenotype and temporal associated complication rules | |
| Muhlestein et al. | Predicting discharge disposition following meningioma resection using a multi-institutional natural language processing model | |
| Jefferson et al. | Evolution of artificial neural network architecture: prediction of depression after mania | |
| US20170161446A1 (en) | Systems and Methods for Continuous Optimization of Medical Treatments | |
| KR102492685B1 (ko) | 인공지능을 이용한 데이터 융합 방법 및 이를 위한 장치 | |
| Feldman et al. | Scaling personalized healthcare with big data | |
| KR20220157330A (ko) | 머신 러닝 기반 잠복기별 치매 예측 방법, 그리고 이를 구현하기 위한 장치 | |
| TWI776638B (zh) | 以人工智慧技術輔助多疾病決策與即時資訊回饋的醫療照護系統 | |
| KR102505749B1 (ko) | 제한된 임상 데이터 및 의료 자원 하에서 감염병 환자를 최적 분류하기 최적의 임계 값을 제공하기 위한 방법 및 장치 | |
| CN113066531B (zh) | 风险预测方法、装置、计算机设备及存储介质 | |
| KR102515124B1 (ko) | 건강 상태 정보 공유를 위한 메타버스 캐릭터 관리 시스템 | |
| Tyagi et al. | Prediction and diagnosis of diabetes using machine learning classifiers |