RU2014130779A - Способ и система для сокращения ранней повторной госпитализации - Google Patents

Способ и система для сокращения ранней повторной госпитализации Download PDF

Info

Publication number
RU2014130779A
RU2014130779A RU2014130779A RU2014130779A RU2014130779A RU 2014130779 A RU2014130779 A RU 2014130779A RU 2014130779 A RU2014130779 A RU 2014130779A RU 2014130779 A RU2014130779 A RU 2014130779A RU 2014130779 A RU2014130779 A RU 2014130779A
Authority
RU
Russia
Prior art keywords
risk
risk factors
model
factors
level
Prior art date
Application number
RU2014130779A
Other languages
English (en)
Inventor
Рони КАЛО
Гейс ГЕЛЕЙНСЕ
Александра ТЕСАНОВИК
Original Assignee
Конинклейке Филипс Н.В.
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 Конинклейке Филипс Н.В. filed Critical Конинклейке Филипс Н.В.
Publication of RU2014130779A publication Critical patent/RU2014130779A/ru

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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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

  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Accommodation For Nursing Or Treatment Tables (AREA)

Abstract

1. Способ, содержащий этапы, на которых:принимают данные пациента для пациента;формируют (340) персонализированную модель риска для пациента на основании данных пациента, при этом персонализированная модель риска включает в себя общий уровень риска, основанный на множестве факторов риска;выбирают (350) один из факторов риска;применяют (360) лечение, относящееся к выбранному фактору риска;обновляют персонализированную модель риска после применения лечения, при этом обновление включает в себя определение обновленного уровня риска;определяют (380), находится ли обновленный уровень риска выше порогового уровня; иповторяют этапы выбора, применения, обновления и определения, если уровень риска выше порогового уровня.2. Способ по п. 1, в котором выбор одного из факторов риска состоит в том, что выбирают (350) оказывающий наибольшее влияние фактор из факторов риска.3. Способ по п. 1, в котором формирование персонализированной модели риска состоит в том, что:выбирают (350) проверенную модель риска;применяют (320) проверенную модель риска к данным пациента для определения множества факторов риска;определяют общий уровень риска на основании проверенной модели риска и множества факторов риска;оценивают (330) значимость каждого из факторов риска; иоценивают ожидаемую вероятность вмешательства каждого из факторов риска,причем персонализированная модель риска включает в себя множество факторов риска, общий уровень риска, значимость каждого из факторов риска и ожидаемую вероятность вмешательства каждого из факторов риска.4. Способ по п. 3, в котором проверенная модель риска представляет собой одну из модели риска Крумхольца и модели риска Филбина.5. Способ по п. 3, в котором ожидае

Claims (15)

1. Способ, содержащий этапы, на которых:
принимают данные пациента для пациента;
формируют (340) персонализированную модель риска для пациента на основании данных пациента, при этом персонализированная модель риска включает в себя общий уровень риска, основанный на множестве факторов риска;
выбирают (350) один из факторов риска;
применяют (360) лечение, относящееся к выбранному фактору риска;
обновляют персонализированную модель риска после применения лечения, при этом обновление включает в себя определение обновленного уровня риска;
определяют (380), находится ли обновленный уровень риска выше порогового уровня; и
повторяют этапы выбора, применения, обновления и определения, если уровень риска выше порогового уровня.
2. Способ по п. 1, в котором выбор одного из факторов риска состоит в том, что выбирают (350) оказывающий наибольшее влияние фактор из факторов риска.
3. Способ по п. 1, в котором формирование персонализированной модели риска состоит в том, что:
выбирают (350) проверенную модель риска;
применяют (320) проверенную модель риска к данным пациента для определения множества факторов риска;
определяют общий уровень риска на основании проверенной модели риска и множества факторов риска;
оценивают (330) значимость каждого из факторов риска; и
оценивают ожидаемую вероятность вмешательства каждого из факторов риска,
причем персонализированная модель риска включает в себя множество факторов риска, общий уровень риска, значимость каждого из факторов риска и ожидаемую вероятность вмешательства каждого из факторов риска.
4. Способ по п. 3, в котором проверенная модель риска представляет собой одну из модели риска Крумхольца и модели риска Филбина.
5. Способ по п. 3, в котором ожидаемая вероятность успеха каждого из факторов риска определяется на основании результатов опросника, относящегося к каждому из факторов риска, переданного пациенту.
6. Способ по п. 3, в котором значимость каждого из факторов риска основана на проверенной модели риска.
7. Способ по п. 3, в котором формирование персонализированной модели риска дополнительно состоит в том, что:
классифицируют (330) каждый из факторов риска как один из медицинского фактора риска, не поддающегося изменению психосоциального фактора риска и поддающегося изменению психосоциального фактора риска;
удаляют каждый из факторов риска, который был классифицирован как медицинский фактор риска, из множества факторов риска;
определяют один или более поддающийся изменению психосоциальный фактор риска, относящийся к каждому из не поддающихся изменению психосоциальных факторов риска; и
заменяют каждый из поддающихся изменению психосоциальных факторов риска одним или более связанными поддающимися изменению психосоциальными факторами риска.
8. Способ по п. 1, в котором лечение относится к поведению обслуживания пациента, относящемуся к выбранному фактору риска.
9. Система (400), содержащая:
память (430), хранящую множество проверенных моделей риска;
и процессор (420), принимающий данные пациента для пациента, формирующий персонализированную модель риска для пациента на основании данных пациента, при этом персонализированная модель риска включает в себя общий уровень риска, основанный на множестве факторов риска, выбирающий один из факторов риска для лечения; принимающий результат лечения, относящийся к выбранному фактору риска, обновляющий персонализированную модель риска на основании результата лечения, при этом обновление включает в себя определение обновленного уровня риска, определяющий, находится ли обновленный уровень риска выше порогового уровня, и выбирающий дополнительный один из факторов риска для лечения, если уровень риска выше порогового значения.
10. Система по п. 9, в которой выбранный один из факторов риска является оказывающим наибольшее влияние фактором из факторов риска.
11. Система по п. 9, в которой при формировании персонализированной модели риска процессор (420) выбирает одну из проверенных моделей риска, применяет выбранную проверенную модель риска к данным пациента, чтобы определить множество факторов риска, определяет общий уровень риска на основании выбранной проверенной модели риска и множества факторов риска, оценивает значимость каждого из факторов риска и оценивает ожидаемую вероятность вмешательства каждого из факторов риска, причем персонализированная модель риска включает в себя множество факторов риска, общий уровень риска, значимость каждого из факторов риска и ожидаемую вероятность вмешательства каждого из факторов риска.
12. Система по п. 11, в которой выбранная проверенная модель риска представляет собой одну из модели риска Крумхольца и модели риска Филбина.
13. Система по п. 11, в которой значимость каждого из факторов риска основана на выбранной проверенной модели риска.
14. Система по п. 11, в которой при формировании проверенной модели риска процессор (420) дополнительно классифицирует каждый из факторов риска как один из медицинского фактора риска, не поддающегося изменению психосоциального фактора риска и поддающегося изменению психосоциального фактора риска, удаляет каждый из факторов риска, который был классифицирован как медицинский фактор риска, из множества факторов риска, определяет один или более поддающиеся изменению психосоциальные факторы риска, относящиеся к каждому из не поддающихся изменению психосоциальных факторов риска, и заменяет каждый из не поддающихся изменению психосоциальных факторов риска одним или более связанными поддающимися изменению психосоциальными факторами риска.
15. Постоянный машиночитаемый запоминающий носитель, хранящий набор инструкций, исполняемых процессором (420), при этом набор инструкций выполнен с возможностью:
приема данных пациента для пациента;
формирования персонализированной модели риска для пациента на основании данных пациента, при этом персонализированная модель риска включает в себя общий уровень риска, основанный на множестве факторов риска;
выбора одного из факторов риска для лечения;
приема результата лечения;
обновления персонализированной модели риска на основании результата лечения, при этом обновление включает в себя определение обновленного уровня риска;
определения, находится ли обновленный уровень риска выше порогового уровня; и
повторения этапов выбора, приема, обновления и определения, если уровень риска выше порогового уровня.
RU2014130779A 2011-12-27 2012-12-21 Способ и система для сокращения ранней повторной госпитализации RU2014130779A (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201161580520P 2011-12-27 2011-12-27
US61/580,520 2011-12-27
PCT/IB2012/057599 WO2013098740A2 (en) 2011-12-27 2012-12-21 Method and system for reducing early readmission

Publications (1)

Publication Number Publication Date
RU2014130779A true RU2014130779A (ru) 2016-02-20

Family

ID=47790268

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2014130779A RU2014130779A (ru) 2011-12-27 2012-12-21 Способ и система для сокращения ранней повторной госпитализации

Country Status (7)

Country Link
US (1) US20140350957A1 (ru)
EP (1) EP2798551A2 (ru)
JP (1) JP6148255B2 (ru)
CN (1) CN104025098B (ru)
BR (1) BR112014015498A8 (ru)
RU (1) RU2014130779A (ru)
WO (1) WO2013098740A2 (ru)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112014015654A8 (pt) * 2011-12-27 2017-07-04 Koninklijke Philips Nv método; sistema; e meio de armazenamento não transitório informático que armazena um conjunto de instruções executáveis por um processador
US20160188814A1 (en) * 2013-08-14 2016-06-30 Koninklijke Philips N.V. Modeling of patient risk factors at discharge
US9256645B2 (en) 2013-08-15 2016-02-09 Universal Research Solutions, Llc Patient-to-patient communities
US10354347B2 (en) 2013-09-13 2019-07-16 Universal Research Solutions, Llc Generating and processing medical alerts for re-admission reductions
WO2017066786A1 (en) * 2015-10-16 2017-04-20 Carefusion 303, Inc. Readmission risk scores
WO2017214586A1 (en) * 2016-06-10 2017-12-14 Cardiac Pacemakers, Inc. Patient risk scoring & evaluation system
US11017903B2 (en) * 2017-05-12 2021-05-25 University Of Central Florida Research Foundation, Inc. Heart failure readmission evaluation and prevention systems and methods
WO2019010266A1 (en) * 2017-07-05 2019-01-10 Avixena Population Health Solutions, Llc READMISSION PREVENTION MANAGEMENT AND ASSOCIATED METHOD AND SYSTEM
AU2019227922A1 (en) * 2018-03-01 2020-09-03 Fresenius Medical Care Holdings, Inc. Systems and methods for determining patient hospitalization risk and treating patients
US12159721B1 (en) * 2019-10-17 2024-12-03 Express Scripts Strategic Development, Inc. Systems and methods for predicting relative patient hazards using pharmaceutical adherence predictive models
US11694810B2 (en) * 2020-02-12 2023-07-04 MDI Health Technologies Ltd Systems and methods for computing risk of predicted medical outcomes in patients treated with multiple medications

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4132839B2 (ja) * 2002-01-29 2008-08-13 株式会社日立ハイテクノロジーズ 感染症システム
US20070244375A1 (en) * 2004-09-30 2007-10-18 Transeuronix, Inc. Method for Screening and Treating Patients at Risk of Medical Disorders
JP2008532104A (ja) * 2004-12-30 2008-08-14 プロベンティス インコーポレーテッド 複数の医療関連アウトカムの予測を行い、インターベンション計画の評価を行い、更に同時にバイオマーカー因果性検証を行うことのできる、予測モデルを生成して適用する方法、そのシステム、及びそのコンピュータ・プログラム製品
JP5279071B2 (ja) * 2008-06-18 2013-09-04 医療法人 慈恵会 退院評価プログラム
RS53694B1 (en) * 2008-08-07 2015-04-30 Spa Societa' Prodotti Antibiotici S.P.A. LONG-TERM TREATMENT OF SYMPTOMATIC HEART INSUFFICIENCY
JP5185785B2 (ja) * 2008-11-19 2013-04-17 オムロンヘルスケア株式会社 健康状態判断装置
JP2012529701A (ja) * 2009-06-10 2012-11-22 ピーアールエム， リミテッド ライアビリティ カンパニー 長期疾病管理システムおよび長期疾病管理方法
US20110125038A1 (en) * 2009-11-20 2011-05-26 Momentum Research Inc. System and method for heart failure prediction
US8751257B2 (en) * 2010-06-17 2014-06-10 Cerner Innovation, Inc. Readmission risk assessment

Also Published As

Publication number Publication date
BR112014015498A8 (pt) 2017-07-04
US20140350957A1 (en) 2014-11-27
JP6148255B2 (ja) 2017-06-14
JP2015507265A (ja) 2015-03-05
WO2013098740A2 (en) 2013-07-04
BR112014015498A2 (pt) 2017-06-13
CN104025098B (zh) 2018-01-19
EP2798551A2 (en) 2014-11-05
WO2013098740A3 (en) 2013-12-19
CN104025098A (zh) 2014-09-03

Similar Documents

Publication Publication Date Title
RU2014130779A (ru) Способ и система для сокращения ранней повторной госпитализации
WO2015103964A1 (en) Method， apparatus， and device for determining target user
JP2013524355A5 (ru)
JP2016520941A5 (ru)
JP2018526733A5 (ru)
WO2020199743A1 (zh) 用于训练学习模型的方法、装置和计算设备
JP2014517602A5 (ru)
JP2016048535A (ja) マルチソース異種データに基づいて予測するための方法及び装置
CN107943874A (zh) 知识图谱处理方法、装置、计算机设备及存储介质
US11960802B2 (en) Method, processor device and computer program product for designing intervention into the behaviour of a real complex system
CN105446742B (zh) 一种人工智能执行任务的优化方法
CN108154232A (zh) 人工神经网络的剪枝方法、装置、设备及可读存储介质
CN109543726A (zh) 一种训练模型的方法及装置
CN112215364A (zh) 一种基于强化学习的敌-友深度确定性策略方法及系统
Butterworth et al. Does selectivity matter? A fisheries management perspective
CN103838972A (zh) 一种用于mri病历属性约简的量子协同博弈实现方法
WO2014120204A1 (en) Synthetic healthcare data generation
KR20160068823A (ko) 스파이킹 신경세포들의 망들에서의 정체 회피
Sironi et al. Optimizing propositional networks
CN113642667B (zh) 一种图片增强策略确定方法、装置、电子设备及存储介质
CN103578274B (zh) 一种交通流预测方法及装置
CN114490618B (zh) 基于蚁狮算法的数据填补方法、装置、设备及存储介质
CN105589896B (zh) 数据挖掘方法及装置
CN117808120A (zh) 用于大语言模型的强化学习的方法和装置
RU2009111227A (ru) Способ и устройство для выведения вероятностных моделей из детерминистических моделей