RU2020114290A - Медицинская система для диагностики патологии и / или исхода когнитивного заболевания - Google Patents
Медицинская система для диагностики патологии и / или исхода когнитивного заболевания Download PDFInfo
- 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
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.
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)
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)
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)
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 |
-
2018
- 2018-10-31 WO PCT/EP2018/079905 patent/WO2019086555A1/en active Application Filing
- 2018-10-31 CN CN201880070412.9A patent/CN111247595A/zh active Pending
- 2018-10-31 CA CA3078313A patent/CA3078313A1/en active Pending
- 2018-10-31 US US16/758,775 patent/US20200258629A1/en active Pending
- 2018-10-31 BR BR112020007367-9A patent/BR112020007367A2/pt unknown
- 2018-10-31 KR KR1020207012136A patent/KR20200102416A/ko not_active Application Discontinuation
- 2018-10-31 AU AU2018359624A patent/AU2018359624A1/en active Pending
- 2018-10-31 JP JP2020523752A patent/JP2021501415A/ja active Pending
- 2018-10-31 SG SG11202002988VA patent/SG11202002988VA/en unknown
- 2018-10-31 RU RU2020114290A patent/RU2020114290A/ru unknown
- 2018-10-31 EP EP18799476.9A patent/EP3704712A1/en active Pending
-
2020
- 2020-04-20 IL IL274073A patent/IL274073A/en unknown
Cited By (1)
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 |