RU2020114290A - Медицинская система для диагностики патологии и / или исхода когнитивного заболевания - Google Patents

Медицинская система для диагностики патологии и / или исхода когнитивного заболевания Download PDF

Info

Publication number
RU2020114290A
RU2020114290A RU2020114290A RU2020114290A RU2020114290A RU 2020114290 A RU2020114290 A RU 2020114290A RU 2020114290 A RU2020114290 A RU 2020114290A RU 2020114290 A RU2020114290 A RU 2020114290A RU 2020114290 A RU2020114290 A RU 2020114290A
Authority
RU
Russia
Prior art keywords
medical
data
subject
subjects
medical data
Prior art date
Application number
RU2020114290A
Other languages
English (en)
Inventor
Рабия АХМАД
Эммануэль ФУЭНТЕС
Куан Трун НГУЕН
Кристофер БАКЛИ
Ян УОЛБЕР
Original Assignee
ДжиИ ХЕЛТКЕР ЛИМИТЕД
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 ДжиИ ХЕЛТКЕР ЛИМИТЕД filed Critical ДжиИ ХЕЛТКЕР ЛИМИТЕД
Publication of RU2020114290A publication Critical patent/RU2020114290A/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
    • G16H50/20—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies

Claims (79)

1. Медицинская система для прогнозирования патологии у субъекта, имеющего неопределенный когнитивный статус, содержащая:
компьютерную систему, выполненную с возможностью приема первых медицинских данных для субъекта и сконфигурированную, по меньшей мере частично, в виде обучающейся машины, обученной на вторых медицинских данных, причем компьютерная система способна использовать обученную обучающуюся машину для предсказания упомянутой патологии; и
дисплей для индикации предсказания,
причем первые медицинские данные не содержат данные, полученные посредством процедуры молекулярной визуализации на упомянутом субъекте, и вторые медицинские данные не содержат данные, полученные посредством одной или более процедур молекулярной визуализации.
2. Медицинская система по п. 1, в которой упомянутая патология относится к заболеванию или состоянию, связанному со снижением когнитивных способностей.
3. Медицинская система по п. 1, в которой упомянутая патология состоит в потере клеток мозга, вырабатывающих допамин.
4. Медицинская система по п. 1, в которой патология состоит в положительности бета-амилоида (А(3) в мозгу субъекта.
5. Медицинская система по п. 4, в которой первые медицинские данные содержат шкалу повседневной деятельности (ADL), воспроизведение обратной цифровой последовательности, шкалу логической памяти II 30 мин после рассказа, время (в секундах) части А теста прокладывания пути, образование, мужской пол, объем левого хвостатого ядра, объем правой миндалины мозга и объем правого хвостатого ядра.
6. Медицинская система по п. 4, в которой первые медицинские данные содержат возраст, пол, краткую шкалу оценки психического статуса (MMSE), клиническую рейтинговую шкалу деменции (CDR), клиническую рейтинговую шкалу деменции по сумме ячеек (CDR-SB), статус генетического тестирования АроЕ, объемы левого и правого отделов гиппокампа, парагиппокампа, миндалевидного тела, энторинальной коры, медиальной височной доли, прямой извилины, желудочков мозга и угловой извилины.
7. Медицинская система по п. 1, в которой клиническим исходом является быстрое развитие MCI.
8. Медицинская система по п. 7, в которой первые медицинские данные содержат шкалу ADL, краткую шкалу оценки психического статуса (MMSE), тест на скорость определения категорий - категория животных, составное стандартизованное относительное значение поглощения (SUVR) амилоида (варолиев мост) и объем гиппокампа.
9. Медицинская система по п. 1, в которой первые медицинские данные включают в себя результаты когнитивного тестирования субъекта.
10. Медицинская система по п. 1, в которой первые медицинские данные включают в себя возраст субъекта.
11. Медицинская система по п. 1, в которой первые медицинские данные включают в себя продолжительность получения образования субъектом, в годах.
12. Медицинская система по п. 1, в которой первые медицинские данные включают в себя результаты генетического тестирования АроЕ.
13. Медицинская система по п. 1, предназначенная для использования в способе прогнозирования патологии у субъекта, имеющего неопределенный когнитивный статус.
14. Медицинская система по п. 1, предназначенная для использования в способе прогнозирования клинического исхода у субъекта, имеющего неопределенный когнитивный статус.
15. Медицинская система по п. 1, в которой субъект представляет собой субъекта, который жалуется на ухудшение памяти (SMC) или страдает умеренным когнитивным нарушением (MCI) и обследуется по подозрению на наступление болезни Альцгеймера (AD).
16. Медицинская система по п. 1, в которой субъект имеет нормальные когнитивные способности.
17. Медицинская система для прогнозирования клинического исхода у субъекта, имеющего неопределенный когнитивный статус, причем система содержит:
компьютерную систему, выполненную с возможностью приема первых медицинских данных для субъекта и сконфигурированную, по меньшей мере частично, в виде первой обучающейся машины, обученной на вторых медицинских данных, и второй обучающейся машины, обученной на третьих медицинских данных, причем компьютерная система способна использовать первую обученную обучающуюся машину и вторую обучающуюся машину для предсказания патологии; и
дисплей для индикации предсказания,
причем первые медицинские данные содержат данные, полученные посредством процедуры молекулярной визуализации на субъекте, и первая обученная обучающаяся машина обучена, по меньшей мере частично, на данных, полученных посредством одной или более процедур молекулярной визуализации.
18. Медицинская система по п. 17, в которой субъект представляет собой субъекта, который жалуется на ухудшение памяти (SMC) или страдает умеренным когнитивным нарушением (MCI) и обследуется по подозрению на наступление болезни Альцгеймера (AD).
19. Медицинская система по п. 17, в которой предсказанием является предсказание развития у субъекта болезни Альцгеймера.
20. Медицинская система по п. 17, предназначенная для использования в способе прогнозирования патологии у субъекта, имеющего неопределенный когнитивный статус.
21. Медицинская система по п. 17, предназначенная для использования в способе прогнозирования клинического исхода у субъекта, имеющего неопределенный когнитивный статус.
22. Способ прогнозирования патологии у субъекта, имеющего неопределенный когнитивный статус, содержащий этапы, на которых:
собирают медицинские данные группы в электронную память для первой группы субъектов, имеющих известные исходы заболевания;
используют компьютерную систему, выполненную с возможностью приема медицинских данных субъекта для субъекта и содержащую обучающуюся машину, обученную на медицинских данных группы, причем компьютерная система способна использовать обученную обучающуюся машину для предсказания патологии, по меньшей мере частично, на основании медицинских данных субъекта; и
используют дисплей для индикации предсказания.
23. Способ прогнозирования клинического исхода у субъекта, имеющего неопределенный когнитивный статус, содержащий этапы, на которых:
собирают медицинские данные первой группы в электронную память для первой группы субъектов, имеющих известные исходы заболевания;
собирают медицинские данные второй группы в электронную память для второй группы субъектов, имеющих известные исходы заболевания;
используют компьютерную систему, выполненную с возможностью приема медицинских данных субъекта для субъекта и содержащую первую обучающуюся машину, обученную на медицинских данных первой группы, и вторую обучающуюся машину, обученную на медицинских данных второй группы, причем компьютерная система способна использовать первую и вторую обученные обучающиеся машины для предоставления предсказания клинического исхода, по меньшей мере частично, на основании медицинских данных субъекта; и
используют дисплей для индикации предсказания.
24. Способ по п. 23, в котором медицинские данные первой группы содержат типы данных, отличные от типов данных в медицинских данных второй группы.
25. Способ по п. 23, в котором медицинские данные первой группы содержат типы данных, по меньшей мере частично идентичные типам данных в медицинских данных второй группы.
26. Медицинская система для идентификации субъектов, которые подвержены риску развития болезни Альцгеймера (AD), содержащая:
компьютерную систему, выполненную с возможностью приема медицинских данных для одного или более субъектов, имеющих неизвестные исходы AD, и сконфигурированную, по меньшей мере частично, в виде первой обученной обучающейся машины, обеспечивающей первую индикацию, и второй обученной обучающейся машины, обеспечивающей вторую индикацию, и объединения первой и второй индикаций для предоставления идентификации субъектов, имеющих неизвестные исходы AD, которые подвержены риску развития AD в заданный период времени; и
дисплей для отображения упомянутой идентификации.
27. Медицинская система по п. 26, в которой первая индикация содержит вероятность того, что субъект является Аβ-положительным.
28. Медицинская система по п. 26, в которой вторая индикация содержит вероятность того, что умеренное когнитивное нарушение субъекта быстро прогрессирует.
29. Медицинская система по п. 26, в которой первая обученная обучающаяся машина и вторая обученная обучающаяся машина реализованы на одном и том же физическом оборудовании.
30. Медицинская система по п. 26, дополнительно содержащая электронную память для хранения медицинских данных и выполненную с возможностью предоставления медицинских данных компьютерной системе.
31. Медицинская система по п. 26, в которой медицинские данные содержат данные изображения in vivo, данные когнитивной и функциональной памяти и генетические данные.
32. Медицинская система по п. 31, в которой данные изображения in vivo содержат статус бета-амилоидной положительности, стандартизованные относительные значения поглощения (SUVR) или объемные данные Т1-взвешенных изображений магнитного резонанса (MR).
33. Медицинская система по п. 26, в которой медицинские данные содержат демографические данные и/или электронную медицинскую карту каждого субъекта.
34. Медицинская система по п. 26, в которой субъекты являются пациентами с умеренным когнитивным нарушением, а заданный период времени составляет 3 года или менее.
35. Медицинская система по п. 34, в которой заданный период времени составляет 2 года или менее.
36. Медицинская система по п. 26, в которой субъекты находятся под медицинским наблюдением, страдают умеренным когнитивным нарушением и болезнью Альцгеймера.
37. Медицинская система по п. 26, в которой первая индикация представляет собой вероятность того, что субъект является Аβ-положительным, вторая индикация представляет собой вероятность того, что умеренное когнитивное нарушение субъекта быстро прогрессирует, и компьютерная система выполнена с возможностью использования первой вероятности и второй вероятности для идентификации субъектов, которые подвержены риску развития AD в заданный период времени.
38. Способ идентификации субъектов, которые подвержены риску развития болезни Альцгеймера (AD), содержащий этапы, на которых:
собирают медицинские данные в хранимую электронную память для первой группы субъектов, имеющих известные исходы заболевания;
используют первую обученную обучающуюся машину и вторую обученную обучающуюся машину для идентификации субъектов, которые подвержены риску развития AD в заданный период времени; и
выбирают субъектов, которые подвержены риску развития AD в заданный период времени, для обследования по поводу AD.
39. Способ по п. 38, в котором медицинские данные содержат данные изображения in vivo, данные когнитивной и функциональной памяти и генетические данные.
40. Способ по п. 39, в котором данные изображения in vivo содержат статус амилоидной положительности, стандартизованные относительные значения поглощения (SUVR) или объемные данные Т1-взвешенных изображений магнитного резонанса (MR).
41. Способ по п. 38, в котором медицинские данные содержат демографические данные и/или электронную медицинскую карту каждого субъекта.
42. Способ по п. 38, в котором субъекты являются пациентами с умеренным когнитивным нарушением, а заданный период времени составляет 3 года или менее.
43. Способ по п. 42, в котором заданный период времени составляет 2 года или менее.
44. Способ по п. 38, в котором субъекты находятся под медицинским наблюдением, страдают умеренным когнитивным нарушением и болезнью Альцгеймера
45. Способ определения прогноза для пациента с болезнью Альцгеймера (AD), содержащий этапы, на которых:
вводят контрастный агент амилоидного белка пациенту в случае необходимости; визуализируют отложения амилоидного белка в мозгу пациента; и коррелируют визуализацию упомянутых амилоидных отложений в теле пациента, совместно с другими переменными, с использованием машинной обучаемой модели, обученной с помощью обучающего набора данных о пациентах с известными прогнозами в отношении AD.
46. Способ лечения пациента с болезнью Альцгеймера (AD), содержащий этапы, на которых:
сравнивают, на компьютере, данные визуализации и другие данные, полученные от пациента, с обучающим набором, содержащим данные визуализации и другие данные для пациентов с известными прогнозами в отношении AD, для классификации пациента в группу больных;
идентифицируют лекарственную терапию, в отношении которой известно, что она улучшает исходы AD пациента в упомянутой группе больных; и
лечат пациента идентифицированной лекарственной терапией.
47. Применение медицинских данных одного или более субъектов, имеющих неизвестные исходы болезни Альцгеймера (AD), для определения субъектов, имеющих риск развития AD, причем применение содержит подачу медицинских данных в компьютерную систему, сконфигурированную, по меньшей мере частично, в виде первой обученной обучающейся машины, обеспечивающей первую индикацию, и второй обученной обучающейся машины, обеспечивающей вторую индикацию, и объединения первой и второй индикаций для обеспечения идентификации тех субъектов, имеющих неизвестные исходы AD, которые подвержены риску развития AD в заданный период времени.
48. Медицинская система для классификации субъектов как страдающих умеренным когнитивным нарушением (MCI) или болезнью Альцгеймера (AD), причем система содержит:
компьютерную систему, выполненную с возможностью приема медицинских данных для одного или более субъектов, имеющих неизвестную классификацию в отношении MCI или AD, и сконфигурированную, по меньшей мере частично, в виде первой обученной обучающейся машины, обеспечивающей первую индикацию, и второй обученной обучающейся машины, обеспечивающей вторую индикацию, и объединения первой и второй индикаций для обеспечения идентификации субъектов, страдающих MCI, и субъектов, страдающих AD; и
дисплей для отображения полученной классификации.
49. Медицинская система по п. 48, в которой компьютерная система выполнена с возможностью обеспечения для субъектов, классифицированных как страдающие MCI, дополнительной классификации, указывающей, является ли MCI ранней стадией MCI или поздней стадией MCI.
50. Медицинская система для классификации субъектов как страдающих болезнью Альцгеймера (AD) или другой формой деменции, содержащая:
компьютерную систему, выполненную с возможностью приема медицинских данных для одного или более субъектов, имеющих неизвестную классификацию в отношении MCI или AD, и сконфигурированную, по меньшей мере частично, в виде первой обученной обучающейся машины, обеспечивающей первую индикацию, и второй обученной обучающейся машины, обеспечивающей вторую индикацию, и объединения первой и второй индикаций для предоставления идентификации субъектов с AD и субъектов с другой формой деменции; и
дисплей для отображения упомянутой идентификации.
51. Медицинская система для идентификации дополнительных показаний для лекарственного препарата, содержащая:
компьютерную систему, выполненную с возможностью приема медицинских данных для одного или более субъектов, принимающих лекарственный препарат, и сконфигурированную, по меньшей мере частично, в виде первой обученной обучающейся машины, обеспечивающей первую индикацию, и второй обученной обучающейся машины, обеспечивающей вторую индикацию, и объединения первой и второй индикаций для определения, может ли лекарственному препарату быть назначено показание в дополнение к существующему показанию; и
дисплей для отображения этого дополнительного показания.
RU2020114290A 2017-10-31 2018-10-31 Медицинская система для диагностики патологии и / или исхода когнитивного заболевания RU2020114290A (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762579630P 2017-10-31 2017-10-31
US62/579,630 2017-10-31
PCT/EP2018/079905 WO2019086555A1 (en) 2017-10-31 2018-10-31 Medical system for diagnosing cognitive disease pathology and/or outcome

Publications (1)

Publication Number Publication Date
RU2020114290A true RU2020114290A (ru) 2021-12-01

Family

ID=64172471

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2020114290A RU2020114290A (ru) 2017-10-31 2018-10-31 Медицинская система для диагностики патологии и / или исхода когнитивного заболевания

Country Status (12)

Country Link
US (1) US20200258629A1 (ru)
EP (1) EP3704712A1 (ru)
JP (1) JP2021501415A (ru)
KR (1) KR20200102416A (ru)
CN (1) CN111247595A (ru)
AU (1) AU2018359624A1 (ru)
BR (1) BR112020007367A2 (ru)
CA (1) CA3078313A1 (ru)
IL (1) IL274073A (ru)
RU (1) RU2020114290A (ru)
SG (1) SG11202002988VA (ru)
WO (1) WO2019086555A1 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2790285C1 (ru) * 2020-12-23 2023-02-16 БиДжиАй Дженомикс Ко., Лтд. Способ и устройство определения степени генной ассоциации

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11557380B2 (en) * 2019-02-18 2023-01-17 Merative Us L.P. Recurrent neural network to decode trial criteria
US20200381096A1 (en) * 2019-06-03 2020-12-03 The Board Of Trustees Of The Leland Stanford Junior University Methods of Predicting Disorder Progression for Control Arms Within an Experimental Trial
JP7170145B2 (ja) * 2019-07-26 2022-11-11 富士フイルム株式会社 情報処理装置、プログラム、学習済みモデル、診断支援装置、学習装置及び予測モデルの生成方法
US11783189B2 (en) * 2019-08-29 2023-10-10 Nec Corporation Adversarial cooperative imitation learning for dynamic treatment
CN113329688B (zh) 2019-09-18 2023-11-28 拜耳公司 用于确定组织体素的特征的方法、系统和计算机可读介质
JP2022549604A (ja) 2019-09-18 2022-11-28 バイエル、アクチエンゲゼルシャフト 教師あり学習によって訓練された予測モデルによるｍｒｉ画像の予測
TWI726574B (zh) * 2020-01-10 2021-05-01 宏碁股份有限公司 模型訓練方法與電子裝置
CN112022140B (zh) * 2020-07-03 2023-02-17 上海数创医疗科技有限公司 一种心电图的诊断结论自动诊断方法及系统
WO2022010282A1 (ko) * 2020-07-10 2022-01-13 서울대학교산학협력단 음성 특성 기반 알츠하이머병 예측 방법 및 장치
KR102204509B1 (ko) * 2020-09-21 2021-01-19 주식회사 쓰리빌리언 기계학습을 이용한 유전자 변이의 병원성 예측 시스템
KR102321601B1 (ko) * 2020-11-19 2021-11-05 주식회사 휴런 뇌 영상을 이용한 알츠하이머병의 생물학적 분류 장치 및 방법
CN113658721B (zh) * 2021-07-19 2024-03-19 南京邮电大学 阿尔兹海默疾病进程预测方法
KR20230054990A (ko) * 2021-10-18 2023-04-25 전남대학교산학협력단 폐경 후 여성의 알츠하이머 치매의 조기 진단 방법

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7415447B2 (en) * 2001-04-02 2008-08-19 Invivodata, Inc. Apparatus and method for prediction and management of participant compliance in clinical research
US6879970B2 (en) * 2001-04-02 2005-04-12 Invivodata, Inc. Apparatus and method for prediction and management of subject compliance in clinical research
US8533029B2 (en) * 2001-04-02 2013-09-10 Invivodata, Inc. Clinical monitoring device with time shifting capability
US8065180B2 (en) * 2001-04-02 2011-11-22 invivodata®, Inc. System for clinical trial subject compliance
CN1753662A (zh) * 2002-12-24 2006-03-29 神经化学（国际）有限公司 用于治疗β－淀粉状蛋白相关疾病的治疗制剂
CA2570539A1 (en) * 2004-06-18 2006-01-26 Banner Health Evaluation of a treatment to decrease the risk of a progressive brain disorder or to slow brain aging
US20060099624A1 (en) * 2004-10-18 2006-05-11 Wang Lu-Yong System and method for providing personalized healthcare for alzheimer's disease
US9779213B2 (en) * 2008-07-25 2017-10-03 Fundacao D. Anna Sommer Champalimaud E Dr. Carlos Montez Champalimaud System for evaluating a pathological stage of prostate cancer
WO2010019550A2 (en) * 2008-08-12 2010-02-18 Shiraz Pharmaceuticals, Inc. Method of identifying disease risk factors
US20110202486A1 (en) * 2009-07-21 2011-08-18 Glenn Fung Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions
KR20180050420A (ko) * 2011-01-10 2018-05-14 진판델 파마슈티컬스 인코포레이티드 알츠하이머 병 치료를 위한 방법 및 약품
GB2511525A (en) * 2013-03-05 2014-09-10 Randox Teoranta Methods and Compositions for the Diagnosis of Alzheimer's Disease
GB201322094D0 (en) * 2013-12-13 2014-01-29 Electrophoretics Ltd Methods and compositions relating to alzheimers disease
US9687199B2 (en) 2014-09-15 2017-06-27 Wisconsin Alumni Research Foundation Medical imaging system providing disease prognosis
JP6013438B2 (ja) * 2014-12-09 2016-10-25 株式会社Ｎｔｔデータ・アイ 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2790285C1 (ru) * 2020-12-23 2023-02-16 БиДжиАй Дженомикс Ко., Лтд. Способ и устройство определения степени генной ассоциации

Also Published As

Publication number Publication date
CA3078313A1 (en) 2019-05-09
KR20200102416A (ko) 2020-08-31
EP3704712A1 (en) 2020-09-09
SG11202002988VA (en) 2020-04-29
WO2019086555A1 (en) 2019-05-09
JP2021501415A (ja) 2021-01-14
CN111247595A (zh) 2020-06-05
AU2018359624A1 (en) 2020-04-30
US20200258629A1 (en) 2020-08-13
BR112020007367A2 (pt) 2020-09-29
IL274073A (en) 2020-06-30

Similar Documents

Publication Publication Date Title
RU2020114290A (ru) Медицинская система для диагностики патологии и / или исхода когнитивного заболевания
Smailagic et al. 18F‐FDG PET for the early diagnosis of Alzheimer’s disease dementia and other dementias in people with mild cognitive impairment (MCI)
Wee et al. Prediction of Alzheimer's disease and mild cognitive impairment using cortical morphological patterns
Jennings et al. Age dependence of brain β-amyloid deposition in Down syndrome: An [18F] florbetaben PET study
Mutlu et al. Distinct influence of specific versus global connectivity on the different Alzheimer’s disease biomarkers
Therriault et al. Anosognosia predicts default mode network hypometabolism and clinical progression to dementia
Ezzati et al. Hippocampal volume and cingulum bundle fractional anisotropy are independently associated with verbal memory in older adults
Toledo et al. Neuronal injury biomarkers and prognosis in ADNI subjects with normal cognition
Gold et al. White matter integrity is associated with cerebrospinal fluid markers of Alzheimer's disease in normal adults
Ferreira et al. Support vector machine-based classification of neuroimages in Alzheimer’s disease: direct comparison of FDG-PET, rCBF-SPECT and MRI data acquired from the same individuals
Oxtoby et al. Data-driven sequence of changes to anatomical brain connectivity in sporadic Alzheimer’s disease
Dodich et al. The A/T/N model applied through imaging biomarkers in a memory clinic
Koenig et al. Select Atrophied Regions in Alzheimer disease (SARA): An improved volumetric model for identifying Alzheimer disease dementia
Wei et al. The structural MRI markers and cognitive decline in prodromal Alzheimer’s disease: a 2-year longitudinal study
Okonkwo et al. Amyloid burden, neuronal function, and cognitive decline in middle-aged adults at risk for Alzheimer's disease
Gyanwali et al. Cerebral small vessel disease and enlarged perivascular spaces-data from memory clinic and population-based settings
Jeon et al. Midlife lifestyle activities moderate APOE ε4 effect on in vivo Alzheimer’s disease pathologies
Perani FDG PET and cognitive symptoms of dementia
Drummond et al. Narrative impairment, white matter damage and CSF biomarkers in the Alzheimer’s disease spectrum
Vergallo et al. Association between CSF beta-amyloid and apathy in early-stage Alzheimer disease
Toledo et al. Acta Neuropathologica Communications
Tobin et al. Multiple sclerosis masquerading as Alzheimer-type dementia: clinical, radiological and pathological findings
Haeger et al. Imaging the aging brain: study design and baseline findings of the SENIOR cohort
Touroutoglou et al. The Sporadic Early‐onset Alzheimer's Disease Signature Of Atrophy: Preliminary Findings From The Longitudinal Early‐onset Alzheimer's Disease Study (LEADS) Cohort
Marcos Dolado et al. Diffusion tensor imaging measures of brain connectivity for the early diagnosis of Alzheimer's disease