TWI811013B - 醫療決策修正方法 - Google Patents

醫療決策修正方法 Download PDF

Info

Publication number
TWI811013B
TWI811013B TW111125994A TW111125994A TWI811013B TW I811013 B TWI811013 B TW I811013B TW 111125994 A TW111125994 A TW 111125994A TW 111125994 A TW111125994 A TW 111125994A TW I811013 B TWI811013 B TW I811013B
Authority
TW
Taiwan
Prior art keywords
medical
information
patient
data
decision
Prior art date
Application number
TW111125994A
Other languages
English (en)
Other versions
TW202403784A (zh
Inventor
林義雄
葉文璞
沈慧宇
維克多 勞倫斯
Original Assignee
林義雄
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 林義雄 filed Critical 林義雄
Priority to TW111125994A priority Critical patent/TWI811013B/zh
Application granted granted Critical
Publication of TWI811013B publication Critical patent/TWI811013B/zh
Publication of TW202403784A publication Critical patent/TW202403784A/zh

Links

Images

Landscapes

  • Medical Treatment And Welfare Office Work (AREA)
  • Electrotherapy Devices (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本發明公開一種醫療決策修正方法。方法包含:收集一病患的一基礎資訊;分析所述基礎資訊以產生一有效醫療資訊;取得一醫師與所述病患之間的一醫療互動資訊;利用所述醫療互動資訊及所述有效醫療資訊,以轉譯出一臨床實證決策;其中,所述臨床實證決策與所述有效醫療資訊被定義為一實際症狀資料;由一官方或醫療機構之醫療數據庫中取得一合法醫療手段資訊;依據所述合法醫療手段資訊、所述有效醫療資訊、及所述醫療互動資訊以建立一實際診療依據;利用所述實際診療依據驗證所述實際症狀資料的合法性與正確性,以選擇性地修正。

Description

醫療決策修正方法
本發明涉及一種修正方法,尤其涉及一種醫療決策修正方法。
醫師於醫治病患的過程中,醫師大多是依據當下所取得之病徵、生理狀況給予適當的藥品進行治療。然而,基於缺乏有效、且長時間的醫療資訊,導致不同醫師針對長期性疾病(例如:精神疾病、失智症、聽力障礙、老人病學、自閉症等)經常於不同面向具有不同的決策,從而導致發生決策錯誤之情況。進一步地,錯誤決策會導致病患使用不當藥品(包含可能造成嚴重副作用的藥品)、以及甚至是醫療保險錯誤給付等情形。
於是,本發明人認為上述缺陷可改善,乃特潛心研究並配合科學原理的運用,終於提出一種設計合理且有效改善上述缺陷的發明。
本發明所要解決的技術問題在於,針對現有技術的不足提供一種可解析人類認知神經與腦科學互動關係之自動演化平台與醫療決策修正方法。
本發明實施例公開一種可解析人類認知神經與腦科學互動關係之自動演化平台,包括:一循證臨床系統,用以取得一病患的一實際症狀資料(Real-World Data,RWD),所述循證臨床系統包含:一臨床探 研裝置,能用來收集所述病患的一基礎資訊,並且分析所述基礎資訊以產生一有效醫療資訊;及一協同工作站,連接所述臨床探研裝置,所述協同工作站用來取得一醫師與所述病患之間的一醫療互動資訊,所述協同工作站依據所述醫療互動資訊及所述有效醫療資訊,以轉譯出一臨床實證決策(pragmatic clinical trial,PCT);其中,所述實際症狀資料包含所述有效醫療資訊、以及所述臨床實證決策;以及一循證教育系統,連接所述循證臨床系統,所述循證教育系統包含一伺服器及電性耦接所述伺服器的一深度學習模組,所述伺服器用來連接一官方或醫療機構之醫療數據庫以提供所述深度學習模組一合法醫療手段資訊,所述深度學習模組依據所述合法醫療手段資訊、所述有效醫療資訊、及所述醫療互動資訊以建立一實際診療依據(Real-World Evidence,RWE),所述實際診療依據被用來選擇性地修正所述實際症狀資料。
本發明實施例還公開一種醫療決策修正方法,應用於一可解析人類認知神經與腦科學互動關係之自動演化平台,所述方法包含:收集一病患的一基礎資訊;分析所述基礎資訊以產生一有效醫療資訊;取得一醫師與所述病患之間的一醫療互動資訊;利用所述醫療互動資訊及所述有效醫療資訊,以轉譯出一臨床實證決策(pragmatic clinical trial,PCT);其中,所述臨床實證決策與所述有效醫療資訊被定義為一實際症狀資料(Real-World Data,RWD);由一官方或醫療機構之醫療數據庫中取得一合法醫療手段資訊;依據所述合法醫療手段資訊、所述有效醫療資訊、及所述醫療互動資訊以建立一實際診療依據(Real-World Evidence,RWE);以及利用所述實際診療依據驗證所述實際症狀資料,以選擇性地修正。
綜上所述,本發明實施例所公開的可解析人類認知神經與腦科學互動關係之自動演化平台與醫療決策修正方法,能通過“依據所述合法醫 療手段資訊、所述有效醫療資訊、及所述醫療互動資訊以建立所述實際診療依據(Real-World Evidence,RWE)”以及“利用所述實際診療依據選擇性地修正所述實際症狀資料(Real-World Data,RWD)”的設計,所述可解析人類認知神經與腦科學互動關係之自動演化平台與所述醫療決策修正方法能確保醫療決策之合法性與正確性。
為使能更進一步瞭解本發明的特徵及技術內容,請參閱以下有關本發明的詳細說明與圖式,然而所提供的圖式僅用於提供參考與說明,並非用來對本發明加以限制。
100:可解析人類認知神經與腦科學互動關係之自動演化平台
1:循證臨床系統
11:臨床探研裝置
111:音訊收集模組
1111:聲紋引擎
1112:計算單元
112:影像收集模組
1121:人員辨識引擎
1122:計算單元
113:生理資訊收集模組
1131:生理監測器
1132:計算單元
12:協同工作站
2:循證教育系統
21:伺服器
22:深度學習模組
200:官方或醫療機構之醫療數據庫
S101~S113、S103’、S100a~S100c:步驟
圖1為本發明第一實施例的可解析人類認知神經與腦科學互動關係之自動演化平台的電路方塊示意圖。
圖2為本發明第一實施例的循證臨床系統的電路方塊示意圖。
圖3為本發明第一實施例的循證教育系統的電路方塊示意圖。
圖4為本發明第一實施例的可解析人類認知神經與腦科學互動關係之自動演化平台連接官方或醫療機構之醫療數據庫時的電路方塊示意圖。
圖5為本發明第二實施例的醫療決策修正方法的步驟流程示意圖。
圖6為本發明第二實施例的醫療決策修正方法於另一態樣的步驟流程示意圖。
圖7為本發明第三實施例的醫療決策修正方法的步驟流程示 意圖。
以下是通過特定的具體實施例來說明本發明所公開有關“可解析人類認知神經與腦科學互動關係之自動演化平台與醫療決策修正方法”的實施方式,本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用,本說明書中的各項細節也可基於不同觀點與應用,在不悖離本發明的構思下進行各種修改與變更。另外,本發明的附圖僅為簡單示意說明,並非依實際尺寸的描繪,事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容,但所公開的內容並非用以限制本發明的保護範圍。
應當可以理解的是,雖然本文中可能會使用到“第一”、“第二”、“第三”等術語來描述各種元件或者信號,但這些元件或者信號不應受這些術語的限制。這些術語主要是用以區分一元件與另一元件,或者一信號與另一信號。另外,本文中所使用的術語“或”,應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。
另外,於以下說明中,如有指出請參閱特定圖式或是如特定圖式所示,其僅是用以強調於後續說明中,所述的相關內容大部份出現於該特定圖式中,但不限制該後續說明中僅可參考所述特定圖式。
[第一實施例]
參閱圖1至圖4所示,本實施例提供一種可解析人類認知神經與腦科學互動關係之自動演化平台100,所述自動演化平台於實務上也能被稱做診斷規劃開發平台(Diagnostic Formulation Developing Platform)。所述自動演化平台100能整合一病患的長期狀況、現行醫療法規、以及所 述病患與一醫師的醫療互動,以進一步地利用人工智慧方式進行修正(或調整)所述醫師的醫療決策,以確保所述醫師對所述病患的醫療行為之合法性與正確性。換句話說,本實施例所提供的自動演化平台100是利用醫電(ICT-Bio)轉譯及整合的方式來達成前述效果。
接著,以下介紹所述自動演化平台100的各元件及其連接關係。
配合圖1所示,所述自動演化平台100包含一循證臨床系統1以及連接所述循證臨床系統1的一循證教育系統2。其中,所述循證臨床系統1可以稱為循證臨床應用工具(Evidence-Based Practical Tools;EBP),並用來收集一實際症狀資料(Real-World Data;RWD)。所述循證教育系統2又可以稱為循證教育訓練工具(Evidence-Based Educational Instrument),並用來產生一資料可信度(Real-World Evidence;RWE)以證實(或修正)所述實際症狀資料。
具體來說,配合圖1及圖2所示,所述循證臨床系統1包含一臨床探研裝置11及連接所述臨床探研裝置11的一協同工作站12。所述臨床探研裝置11能用來收集所述病患自身或其周遭資訊的一基礎資訊,所述基礎資訊可以是關於所述病患的一聲音數據、一影像數據以及一生理數據至少其中一者。當所述臨床探研裝置11收集所述基礎資訊時,所述臨床探研裝置11能分析所述基礎資訊以產生一有效醫療資訊。其中,所述有效醫療資訊是指「能用作為醫療行為之資訊」。
於本實施例中,所述基礎資訊是以包含所述聲音數據、所述影像數據以及所述生理數據進行說明,本發明不受限於此。換句話說,本實施例的所述臨床探研裝置11包含一音訊收集模組111、一影像收集模組112以及一生理資訊收集模組113。
詳細地說,所述音訊收集模組111能用來收集所述聲音數據,並且所述音訊收集模組111能分析所述聲音數據以產生針對所述病患的所述有效醫療資訊。於一實際應用中,所述音訊收集模組111包含一聲紋引擎1111以及一計算單元1112。所述聲紋引擎1111能利用自然語言處理(Natural Language Processing;NLP)之技術辨別所述病患的聲紋,並提供給所述計算單元1112進行分析以產生所述有效醫療資訊。
舉例來說,假設所述聲音數據內具有一第一聊天內容、一第二聊天內容、以及一第三聊天內容,所述第一聊天內容為「病患的兩位家屬之間的聊天內容」,所述第二聊天內容為「病患朝向寵物抱怨的負面內容」,所述第三聊天內容為「病患向父親道晚安的內容」。所述聲紋引擎1111會辨識出所述病患的聲紋,並進一步地傳送所述第二聊天內容及所述第三聊天內容至所述計算單元1112進行分析。當所述計算單元1112發現所述第二聊天內容存在情緒困境(Emotional Distress)的病徵時,所述計算單元1112會定義所述第二聊天內容為所述有效醫療資訊。當然,所述有效醫療資訊不限於語言,所述有效醫療資訊可以依據疾病的不同,而是咳嗽音、或氣喘音等。
再者,所述影像收集模組112可以是3D影像處理鏡頭,並且能用來收集所述影像數據。於一實際應用中,所述影像收集模組112包含一人員辨識引擎1121以及一計算單元1122,所述人員辨識引擎1121能辨別所述病患,所述計算單元1122能分析所述影像數據以產生針對所述病患的所述有效醫療資訊。
舉例來說,假設所述影像數據內具有一第一影像內容、一第二影像內容、以及一第三影像內容,所述第一影像內容為「病患捶心臟」,所述第二影像內容為「病患的家屬撫摸寵物的背,病患在旁邊咳嗽」,所 述第三影像內容為「寵物獨自在家中玩耍」。所述人員辨識引擎1121會辨識所述病患的五官、身型,從而選取所述第一影像內容及所述第二影像內容以供所述計算單元進行分析。所述計算單元1122會進一步地擷取只有所述病患對應疾病行為的肢體影像,以作為所述有效醫療資訊。也就是說,所述第二影像內容會被進一步地加工,使其影像內容中僅有所述病患咳嗽的畫面。所述第一影像內容則不需特別加工。
此外,所述生理資訊收集模組113能用來收集所述病患的所述生理數據,並且分析以產生針對所述病患的所述有效醫療資訊。於一實際應用中,所述生理資訊收集模組113可以包含一生理監測器1131(例如:智慧穿戴手環、心率器等)及一計算單元1132,所述生理監測器1131能用來監測所述病患的所述生理數據(例如:血壓、心跳、心電圖、體溫、每日步數、腦波等),並提供給所述計算單元1132進行分析以產生所述有效醫療資訊。
於一例子中,假設所述生理監測器1131測得所述病患於第49秒的心跳數值為60次/每秒、於第50秒的心跳數值為130次/每秒、第51秒的心跳數值為62次/每秒,所述計算單元1132會判定第50秒的所述心跳數值為設備異常所導致,而進一步地被排除。這樣能確保所述生理數據的正確性並也能讓所述生理數據作為所述有效醫療資訊。
於另一例子中,假設所述生理監測器1131測得所述病患於一第一時間段的平均舒張壓為75mmHg、於一第二時間段的平均舒張壓為85mmHg、於一第三時間段的平均舒張壓為83mmHg,所述計算單元1132會判定所述第二時間段與所述第三時間段的平均舒張壓為所述有效醫療資訊。需說明的是,一般人的正常舒張壓為小於80mmHg。
額外說明的是,所述音訊收集模組111、所述影像收集模組 112、所述生理資訊收集模組113的計算單元可以依據需求被整合為同一個晶片,於此不特別介紹。
需強調的是,所述臨床探研裝置11只會傳送「所述有效醫療資訊」,亦即非應用於醫療行為的數據都不會被傳送,從而達到零信任(zero trust)的個資保護效果。當然,所述臨床探研裝置11於實務上是與網際網路保持連接,從而上傳所述有效醫療資訊。此外,當所述臨床探研裝置11無法連接網際網路時,所述臨床探研裝置11仍可持續取得所述有效醫療資訊,使所述臨床探研裝置11連接網際網路時上傳所述有效醫療資訊。
值得注意的是,所述臨床探研裝置11是可以配合人工智能的技術(例如:人工智能模組),從而進一步地引導所述病患進行溝通以取得更利於產生所述有效醫療資訊的所述基礎資訊。也就是說,所述臨床探研裝置11是具備主動詢問、被動傾聽、與互動溝通的言語交流機制。
換種方式說,於實際應用中,所述臨床探研裝置11也可以被稱為BioACER Edge Device,並且具有高指向性互動式NLP聲紋引擎、3D影像處理鏡頭、多種心理/情緒反應機制軟體、及多種Biosensor元件與交換器元件所構成的AIoT終端設備。據此,所述臨床探研裝置11適合作為家居型生理監測儀器。
以另一角度說,所述臨床探研裝置11是採用機器學習架構,亦即所述臨床探研裝置11能利用卷積神經網路(convolutional neural networks,CNN)、遞歸神經網路(recurrent neural networks,RNN)、以及長短期記憶模型(long short-term memory,LSTM)來達成影像、語音等訓練與辨識功能。
配合圖2所示,所述協同工作站12用來取得所述醫師與所述病患之間的一醫療互動資訊,並且所述協同工作站12依據所述醫療互動資訊 及所述有效醫療資訊以轉譯出一臨床實證決策(pragmatic clinical trial,PCT)。其中,所述醫療互動資訊可以是指:所述醫師與所述病患的問診內容、所述醫師當下測量所述病患的生理數據、所述醫師的判斷結果等資訊;所述臨床實證決策是指對所述病患最終進行的醫療行為。其中,所述臨床實證決策例如是應用在設立一藥物監管(Pharmacovigilance),而所述藥物監管是指:針對所述醫師對所述病患開立的藥品、用藥依據等行為進行即時監控之軟體、介面、或更是設備等。
進一步地,所述協同工作站12可以管理所述醫療互動資訊、以及所述臨床探研裝置11的所述有效醫療資訊,以建立轉譯醫學應用(Translational Research)與客制化的所述臨床實證決策(例如:藥物監管)。其中,所述有效醫療資訊、以及所述臨床實證決策可以被定義為所述實際症狀資料,亦即所述實際症狀資料包含所述有效醫療資訊、以及所述臨床實證決策。
另外說明的是,所述協同工作站12可以被稱為ELMS Inferencing Edge Server,並負責管控所述臨床探研裝置11的「健康資訊管控、生物特徵之採集、以及病患各階段醫療服務和互動」。此外,所述協同工作站12還可以切換與移轉為BioACER邊緣設備的健康信息學(Health Informatics of BioACER Edge Devices)。
配合圖3及圖4所示,所述循證教育系統2包含一伺服器21及電性耦接所述伺服器21的一深度學習模組22,所述伺服器21用來連接一官方或醫療機構之醫療數據庫200(例如:中央健康保險署的資料庫)以提供所述深度學習模組22一合法醫療手段資訊。其中,所述合法醫療手段資訊可以包含所述病患的一醫療歷史數據(例如:病例)及一相關醫療法規數據(例如:藥品應用規定、醫師法等)。
所述深度學習模組22依據所述合法醫療手段資訊、所述有效醫療資訊、及所述醫療互動資訊以建立一實際診療依據(Real-World Evidence),所述實際診療依據被用來修正所述實際症狀資料。
舉例來說,如圖1至圖3所示,當所述醫師依據所述有效醫療資訊、以及所述醫療互動資訊經由所述協同工作站12開立(例如:輸入)治療藥物時,所述深度學習模組22利用所述實際診療依據驗證所述有效醫療資訊、以及所述臨床實證決策(即,所述實際症狀資料)的合法性與正確性。當所述深度學習模組22判定所述實際症狀資料不具備合法性與正確性時,所述深度學習模組22會即時地修正所述實際症狀資料、或拒絕所述醫師的醫療行為。也就是說,所述臨床探研裝置11產生所述有效醫療資訊的原則、以及所述協同工作站12針對所述醫師的用藥授權會被即時修正。
需說明的是,所述深度學習模組22依據多筆資料進行學習、比對、分析,以達到驗證(或修正)的方式是本領域技術人員已知的,並非本發明的重點,在此不再贅述。
由上述內容可知,本發明的可解析人類認知神經與腦科學互動關係之自動演化平台100通過所述深度學習模組22能達到持續學習,與不斷自我更新的功能,從而進一步地(自行)修正所述實際症狀資料(或醫療診斷流程)。也就是說,所述可解析人類認知神經與腦科學互動關係之自動演化平台100是一種修正醫療診斷流程的智能系統(Medical robot)的平台架構。
另外,為了避免所述深度學習模組22存在「非適合之修正」的情況,所述深度學習模組22的資料可以被傳送至監管單位(例如:中央健康保險署)進行第三方監管,或是傳送至醫療院所(例如:協同工作站)做紀錄,從而達到資訊透明、避免人工智能失控等效果。
此外,基於所述自動演化平台100通過所述伺服器21連接所述官方或醫療機構之醫療數據庫200,因此所述自動演化平台100能利用「隨選醫療臨床決策(Randomized Controlled Trials,RCTs)」來候選排名的實際診療依據(RWE)列表,從而產出疾病預測的資訊。
[第二實施例]
如圖5所示,其為本發明的第二實施例,本實施例所提供一醫療決策修正方法,所述修正方法是應用於一自動演化平台(例如:第一實施例的自動演化平台),因此請同時參照圖1至圖4。所述修正方法包括步驟S101至步驟S113。需說明的是,上述多個步驟的其中任一個步驟能夠視設計者的需求而省略或是以合理的變化方式取代。
步驟S101:收集一病患的一基礎資訊。其中,所述基礎資訊是指關於所述病患本身或周遭的資訊,並且可以包含一聲音數據、一影像數據、及一生理數據至少其中一者。
步驟S103:分析所述基礎資訊以產生一有效醫療資訊。其中,所述有效醫療資訊是指「能用作為醫療行為之資訊」。例如:咳嗽、喃喃自語等行為。於一實際應用中,所述基礎資訊可以被具備分析功能的設備(例如:計算模組、深度學習模組、分類器等)分析而產生所述有效醫療資訊。
步驟S105:取得一醫師與所述病患之間的一醫療互動資訊。其中,所述醫療互動資訊是指所述醫師與所述病患之間的任何醫療行為。舉例來說,所述醫師與所述病患之間的問診、或所述醫師依據診斷結果所開立的藥單。
步驟S107:利用所述醫療互動資訊及所述有效醫療資訊,以轉譯出一臨床實證決策(pragmatic clinical trial,PCT);其中,所述臨床 實證決策(與所述有效醫療資訊被定義為一實際症狀資料(Real-World Data)。需說明的是,所述臨床實證決策是指對所述病患最終進行的醫療行為。
步驟S109:由一官方或醫療機構之醫療數據庫中取得一合法醫療手段資訊。其中,所述官方或醫療機構之醫療數據庫可以例如是中央健康保險署的資料庫,所述合法醫療手段資訊可以包含所述病患的一醫療歷史數據(例如:病例)及一相關醫療法規數據(例如:藥品應用規定、醫師法等)至少其中一者。
步驟S111:依據所述合法醫療手段資訊、所述有效醫療資訊、及所述醫療互動資訊以建立一實際診療依據(Real-World Evidence)。其中,所述實際診療依據是用來驗證醫療決策之合法性與正確性。
步驟S113:利用所述實際診療依據驗證所述實際症狀資料,以選擇性地修正。具體來說,當所述實際症狀資料被所述實際診療依據驗證通過時(即具備合法性與正確性),所述實際症狀資料是可以被執行的。反之,當所述實際症狀資料被所述實際診療依據驗證不通過時(即不具備合法性與正確性),所述實際症狀資料會被修正以具備合法性與正確性,又或是所述實際症狀資料被拒絕執行。
此外,如圖6所示,於另一態樣中,所述方法還能進一步地基於所述基礎資訊對所述病患進行偏差分析。具體來說,所述方法於所述步驟S101之後還包含步驟S102。所述步驟S102為:分析所述基礎資訊存在一重大行為偏差(Significant deviations)時,啟動一安全通報作業。其中,所述重大行為偏差於此是指所述病患正在進行或意圖進行非法的行為(例如:傷害他人),所述安全通報作業則為向相關監管機構(例如:醫院、執法單位)提供對應所述重大行為偏差的資訊(例如:聲音或影像) 以進行通報。
[第三實施例]
如圖7所示,其為本發明的第三實施例,本實施例的醫療決策修正方法類似於上述實施例的醫療決策修正方法,兩個實施例的相同處則不再加以贅述,而本實施例相較於上述醫療決策修正方法的差異主要在於:於步驟S101之前,本實施的所述醫療決策修正方法還包含步驟S100a、步驟S100b、步驟S100c。
步驟S100a:收集所述病患的一血液資訊與一神經調節資訊。具體來說,所述病患能經由生理採集設備(例如:血液檢測儀)及行為監測設備(例如:第一實施例的臨床探研裝置、或攝影機)從而獲取所述病患的所述血液資訊及所述神經調節資訊。其中,所述血液資訊為所述病患的血液成分組成,所述神經調節資訊為所述病患長時間關於神經調節的動態行為。
步驟S100b:於檢測所述血液資訊中的膠質纖維酸性蛋白(Glial fibrillary acidic protein)不小於一標準值、且所述神經調節資訊出現異常時,歸類所述病患為一第一分類規則。其中,所述標準值是膠質纖維酸性蛋白於血液中足以被判定為腦損傷(例如:腦組織液滲出)的含量,並且由所述血液資訊檢測膠質纖維酸性蛋白的方式可以是通過螢光檢測法(Biosensor for Chemiluomescence)來達成。所述神經調節資訊發生異常為所述病患發生非正常人的動態行為(例如:自我傷害)。
步驟S100c:於檢測所述神經調節資訊出現異常時,歸類所述病患為一第二分類規則。
於本實施例中,所述步驟S101之後(即,收集完成所述病患的所述基礎資訊),本實施例的醫療決策修正方法接著進行步驟S103’,所 述步驟S103’為:基於所述第一分類規則或所述第二分類規則,分析所述基礎資訊以進一步地分析為所述有效醫療資訊。然後,所述步驟S103’繼續接著步驟S105~S113。
據此,所述步驟S100b與所述步驟S100c能用來判定所述病患被歸類為所述第一分類規則或所述第二分類規則,這能利於所述有效醫療資訊將情緒困境的發生原因進行歸類,例如:物理性傷害與心靈生病所導致的情緒困境(即,所述第一分類規則)、或心靈生病所導致的情緒困境(即,所述第二分類規則)。
[本發明實施例的技術效果]
綜上所述,本發明實施例所公開的可解析人類認知神經與腦科學互動關係之自動演化平台,能通過“依據所述合法醫療手段資訊、所述有效醫療資訊、及所述醫療互動資訊以建立所述實際診療依據(Real-World Evidence,RWE)”以及“利用所述實際診療依據修正所述實際症狀資料(Real-World Data,RWD)”的設計,所述自動演化平台與所述醫療決策修正方法能確保醫療決策之合法性與正確性。
以上所公開的內容僅為本發明的優選可行實施例,並非因此侷限本發明的申請專利範圍,所以凡是運用本發明說明書及圖式內容所做的等效技術變化,均包含於本發明的申請專利範圍內。
S101~S113:步驟

Claims (4)

  1. 一種醫療決策修正方法,應用於一可解析人類認知神經與腦科學互動關係之自動演化平台,所述方法包含:收集所述病患的一血液資訊與一神經調節資訊;於檢測所述血液資訊中的膠質纖維酸性蛋白(Glial fibrillary acidic protein)不小於一標準值、且所述神經調節資訊出現異常時,歸類所述病患為包含腦損傷的一第一分類規則;於檢測所述神經調節資訊出現異常時,歸類所述病患為心靈生病的一第二分類規則;收集一病患的一基礎資訊;基於所述第一分類規則或所述第二分類規則,分析所述基礎資訊以產生一有效醫療資訊;取得一醫師與所述病患之間的一醫療互動資訊;利用所述醫療互動資訊及所述有效醫療資訊,以轉譯出一臨床實證決策(pragmatic clinical trial,PCT);其中,所述臨床實證決策與所述有效醫療資訊被定義為一實際症狀資料(Real-World Data,RWD);由一官方或醫療機構之醫療數據庫中取得一合法醫療手段資訊;依據所述合法醫療手段資訊、所述有效醫療資訊、及所述醫療互動資訊以建立一實際診療依據(Real-World Evidence,RWE);以及利用所述實際診療依據驗證所述實際症狀資料的合法性與正確性,以選擇性地修正。
  2. 如請求項1所述的醫療決策修正方法,其中,所述基礎資訊可以包含一聲音數據、一影像數據、及一生理數據至少其中 一者。
  3. 如請求項1所述的醫療決策修正方法,其中,所述合法醫療手段資訊包含所述病患的一醫療歷史數據及一相關醫療法規數據。
  4. 如請求項1所述的醫療決策修正方法,其中,所述方法還包含:分析所述基礎資訊存在一重大行為偏差(Significant deviations)時,啟動一安全通報作業。
TW111125994A 2022-07-12 2022-07-12 醫療決策修正方法 TWI811013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW111125994A TWI811013B (zh) 2022-07-12 2022-07-12 醫療決策修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW111125994A TWI811013B (zh) 2022-07-12 2022-07-12 醫療決策修正方法

Publications (2)

Publication Number Publication Date
TWI811013B true TWI811013B (zh) 2023-08-01
TW202403784A TW202403784A (zh) 2024-01-16

Family

ID=88585647

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111125994A TWI811013B (zh) 2022-07-12 2022-07-12 醫療決策修正方法

Country Status (1)

Country Link
TW (1) TWI811013B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109243605A (zh) * 2018-09-20 2019-01-18 段新 一种基于人工智能的精神障碍诊断治疗系统
CN106232047B (zh) * 2013-03-15 2019-10-11 圣纳普医疗(巴巴多斯)公司 用于健康成像信息学的系统和方法
CN110522983A (zh) * 2018-05-23 2019-12-03 深圳先进技术研究院 基于人工智能的脑刺激系统、方法、设备和存储介质
TWI740647B (zh) * 2020-09-15 2021-09-21 宏碁股份有限公司 疾病分類方法及疾病分類裝置
TW202203241A (zh) * 2020-07-13 2022-01-16 神經元科技股份有限公司 神經疾病輔助檢查方法及其系統
TW202217843A (zh) * 2020-10-30 2022-05-01 國立東華大學 基於深度學習的遠端舌診方法及電腦程式產品以及裝置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106232047B (zh) * 2013-03-15 2019-10-11 圣纳普医疗(巴巴多斯)公司 用于健康成像信息学的系统和方法
CN110522983A (zh) * 2018-05-23 2019-12-03 深圳先进技术研究院 基于人工智能的脑刺激系统、方法、设备和存储介质
CN109243605A (zh) * 2018-09-20 2019-01-18 段新 一种基于人工智能的精神障碍诊断治疗系统
TW202203241A (zh) * 2020-07-13 2022-01-16 神經元科技股份有限公司 神經疾病輔助檢查方法及其系統
TWI740647B (zh) * 2020-09-15 2021-09-21 宏碁股份有限公司 疾病分類方法及疾病分類裝置
TW202217843A (zh) * 2020-10-30 2022-05-01 國立東華大學 基於深度學習的遠端舌診方法及電腦程式產品以及裝置

Also Published As

Publication number Publication date
TW202403784A (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
US20190110754A1 (en) Machine learning based system for identifying and monitoring neurological disorders
US10874340B2 (en) Real time biometric recording, information analytics and monitoring systems for behavioral health management
CN107463780A (zh) 一种3d虚拟自闭症治疗系统及治疗方法
Das et al. Stuttering speech disfluency prediction using explainable attribution vectors of facial muscle movements
Rajwal et al. Convolutional neural network-based EEG signal analysis: A systematic review
TWI811013B (zh) 醫療決策修正方法
Ramu et al. The metaverse for cognitive health: A paradigm shift
US20240127949A1 (en) Artificial intelligence/machine learning based bioinformatics platform for encephalopathy and medical decision improvement method
US20240038390A1 (en) System and method for artificial intelligence baded medical diagnosis of health conditions
US20220101655A1 (en) System and method of facial analysis
Pino et al. Social robots in cognitive interventions. Advances, problems and perspectives
US20210063972A1 (en) Collaborative human edge node devices and related systems and methods
CN111870253A (zh) 基于视觉和语音融合技术的抽动障碍症病情监测方法及其系统
Mo et al. A multimodal data-driven framework for anxiety screening
Priya et al. A novel intelligent diagnosis and disease prediction algorithm in green cloud using machine learning approach
CN110047565A (zh) 一种远程辅助诊疗设备及方法
Kolli et al. Machine Learning Optimal Decision Path Finder Algorithm For Customizing Treatment In The Healthcare Industry
CN117373658B (zh) 一种基于数据处理的抑郁症辅助诊疗系统及方法
CN113517067B (zh) 儿童早期康复训练监管方法及系统
Sisodia et al. Video analytics-based multi-symptoms system for determining progression of Parkinson disease
Chandurkar et al. Introducing an IoT-Enabled Multimodal Emotion Recognition System for Women Cancer Survivors
Suhasini et al. Multi decision support model for psychiatry problem
CN116636844A (zh) 用于监控医学干预的方法、监控系统和总系统
Yoganathan et al. ENT disease diagnosis using an expert system
WO2022118084A1 (en) Hamed pd: private, all-specialized doctor for all