TWI816632B - 臨床推薦方法、臨床推薦裝置及電腦可讀記錄媒體 - Google Patents
臨床推薦方法、臨床推薦裝置及電腦可讀記錄媒體 Download PDFInfo
- Publication number
- TWI816632B TWI816632B TW112109999A TW112109999A TWI816632B TW I816632 B TWI816632 B TW I816632B TW 112109999 A TW112109999 A TW 112109999A TW 112109999 A TW112109999 A TW 112109999A TW I816632 B TWI816632 B TW I816632B
- Authority
- TW
- Taiwan
- Prior art keywords
- medical
- diagnosis
- record
- coefficients
- parameter
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003745 diagnosis Methods 0.000 claims abstract description 75
- 239000003814 drug Substances 0.000 claims description 27
- 229940079593 drug Drugs 0.000 claims description 25
- 201000010099 disease Diseases 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000003058 natural language processing Methods 0.000 claims description 8
- 238000001356 surgical procedure Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000002483 medication Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 2
- 229940035676 analgesics Drugs 0.000 description 2
- 229940124599 anti-inflammatory drug Drugs 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 201000004193 respiratory failure Diseases 0.000 description 2
- 208000010444 Acidosis Diseases 0.000 description 1
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 1
- 206010020591 Hypercapnia Diseases 0.000 description 1
- 208000002682 Hyperkalemia Diseases 0.000 description 1
- 208000036647 Medication errors Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 241000194017 Streptococcus Species 0.000 description 1
- 208000009470 Ventilator-Associated Pneumonia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 229960001138 acetylsalicylic acid Drugs 0.000 description 1
- 230000007950 acidosis Effects 0.000 description 1
- 208000026545 acidosis disease Diseases 0.000 description 1
- 206010001053 acute respiratory failure Diseases 0.000 description 1
- 230000000202 analgesic effect Effects 0.000 description 1
- 239000000730 antalgic agent Substances 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- -1 dosages Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 229960005489 paracetamol Drugs 0.000 description 1
- 229920001467 poly(styrenesulfonates) Polymers 0.000 description 1
- 229960002796 polystyrene sulfonate Drugs 0.000 description 1
- 239000011970 polystyrene sulfonate Substances 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
Images
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
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本發明提供一種臨床推薦方法、臨床推薦裝置及電腦可讀記錄媒體。在方法中，決定每一醫療參數為獨立事件。每一醫療參數具有真實診斷，且獨立事件經定義為醫療參數獨立於其真實診斷。基於機率式模型決定每一醫療參數的多個關聯係數。每一關聯係數為在參考診斷發生的條件下醫療參數的係數。依據那些醫療參數的那些關聯係數決定那些參考診斷的多個最終係數。依據那些參考診斷的最終係數決定推薦。藉此，可提供合適的推薦。
Description
本發明是有關於一種臨床評估技術，且特別是有關於一種臨床推薦方法、臨床推薦裝置及電腦可讀記錄媒體。
多變項(multivariate)模型(例如，類神經網路(Neural Network))為黑箱(Black Box)模型。然而，黑箱模型可能不適合臨床評估相關應用。病人的醫療資料有較高的隱私規範。例如，單一資料的數量不得局限於少於或等於10人。然而，在黑箱模型的前提下無法證明，使得大型醫療資料模型無法商業使用。
有鑑於此，本發明實施例提供一種臨床推薦方法、臨床推薦裝置及電腦可讀記錄媒體，可適用於臨床評估相關應用。
本發明實施例的臨床推薦方法包括(但不僅限於)下列步
驟：決定每一醫療參數為獨立事件。每一醫療參數具有真實診斷，且獨立事件經定義為醫療參數獨立於其真實診斷。基於機率式模型(probabilistic model)決定每一醫療參數的多個關聯係數。每一關聯係數為在參考診斷發生的條件下醫療參數的係數。依據那些醫療參數的那些關聯係數決定那些參考診斷的多個最終係數。依據那些參考診斷的最終係數決定推薦。
本發明實施例的醫療推薦裝置包括(但不僅限於)記憶體及處理器。記憶體經配置用以儲存程式碼。處理器耦接記憶體。處理器經配置用以執行程式碼以執行下列步驟：決定每一醫療參數為獨立事件。每一醫療參數具有真實診斷，且獨立事件經定義為醫療參數獨立於其真實診斷。基於機率式模型決定每一醫療參數的多個關聯係數。每一關聯係數為在參考診斷發生的條件下醫療參數的係數。依據那些醫療參數的那些關聯係數決定那些參考診斷的多個最終係數。依據那些參考診斷的最終係數決定推薦。
本發明實施例的非暫時性電腦可讀記錄媒體(non-transitory computer-readable recording medium)儲存程式碼。程式碼經加載至處理器上以執行前述步驟。
基於上述，依據本發明實施例的臨床推薦方法、臨床推薦裝置及電腦可讀記錄媒體，可取得受判定為獨立事件的醫療參數，並依據多個診斷的係數提供推薦。藉此，可考慮大量臨床相關資料，並可據以提供合適的推薦。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉
實施例，並配合所附圖式作詳細說明如下。
100:臨床推薦裝置
110:通訊收發器
120:記憶體
130:處理器
S210~S240:步驟
圖1是依據本發明一實施例的臨床推薦裝置的元件方塊圖。
圖2是依據本發明一實施例的臨床推薦方法的流程圖。
圖1是依據本發明一實施例的臨床推薦裝置100的元件方塊圖。請參照圖1，臨床推薦裝置100包括(但不僅限於)通訊收發器110、記憶體120及處理器130。臨床推薦裝置100可以是桌上型電腦、筆記型電腦、智慧型手機、平板電腦、穿戴式裝置、伺服器、醫療測試儀器、智能助理裝置或其他運算裝置。
通訊收發器110可以是支援第五代(5G)或其他世代的行動通訊、Wi-Fi、藍芽、紅外線、無線射頻識別(Radio Frequency Identification，RFID)、乙太網路(Ethernet)或光纖網路的收發電路。或者，通訊收發器110可以是諸如USB、Thunderbolt的傳輸介面或其他傳輸介面。在一實施例中，通訊收發器110用以傳送資料至其他電子裝置(例如，資料伺服器、資料庫或儲存載具)或接收來自其他電子裝置的資料。
記憶體120可以是固定或移動隨機存取記憶體(Random Access Memory，RAM)、唯讀記憶體(Read-Only Memory)、快閃記
憶體、硬碟(Hard Disk Drive，HDD)、固態硬碟(Solid-State Drive，SDD)或相似者。在一實施例中，記憶體120用以儲存程式碼、軟體模組、組態、資料(例如，醫療參數、機率、相關係數、模型等)或檔案，且於後續實施例詳述。
處理器130耦接通訊收發器110及記憶體120。處理器130可以是中央處理器(Central Processing Unit，CPU)、圖形處理器(Graphic Processing Unit，GPU)、其他可程式化通用或特殊用途元件(例如，微處理器、數位訊號處理器(Digital Signal Processor，DSP)、可程式化控制器、場式可程式邏輯陣列(Field Programmable Gate Array，FPGA)、特殊應用積體電路(Application-Specific Integrated Circuit，ASIC)、類神經網路加速器)、相似者、或前述元件的組合。在一實施例中，處理器130可用以執行診斷推薦裝置100的全部或部分運作，可載入並執行記憶體120所儲存的多種程式碼、軟體模組、檔案及資料。處理器130的功能可藉由獨立裝置或積體電路(Integrated Circuit，IC)實現，且處理器130的運作也可藉由軟體實現。
下文中，將搭配臨床推薦裝置100中的各項元件及模組說明本發明實施例所述之方法。本方法的各個流程可依照實施情形而隨之調整，且並不僅限於此。
圖2是依據本發明一實施例的臨床推薦方法的流程圖。請參照圖2，處理器130決定多個醫療參數的每一者為獨立事件(步驟S210)。具體而言，醫療參數可包括用藥紀錄、手術紀錄、治
療紀錄、檢驗報告、會診紀錄、急診紀錄、疾病紀錄、出院醫療紀錄及入院醫療紀錄中的至少一者。例如，用藥紀錄包括藥物、劑量及/或吃藥的排程。檢驗報告包括文字、數字、影像或訊號波形。手術/治療紀錄包括手術/治療類型及/或工具/裝置。會診紀錄包括症狀及/或問題。然而，本發明實施例不加以限制醫療參數的內容。可透過通訊收發器110自其他裝置(例如，資料庫或伺服器)取得或自醫療/檢驗設備取得醫療參數。
在一實施例中，處理器130可基於自然語言處理(Natural language processing，NLP)自用藥紀錄、手術紀錄、治療紀錄、檢驗報告、會診紀錄、急診紀錄、疾病紀錄、出院醫療紀錄或入院醫療紀錄的臨床紀錄取得關鍵詞彙。可藉由口說、手寫或打字而產生臨床紀錄。處理器130可能無法理解臨床紀錄的原始資料。自然語言處理可嘗試找尋出電腦如何與人類語言互動，且進一步處理及分析大量自然語言資料。此外，自然語言產生(Natural Language Generation，NLG)是自然語言處理的分支。自然語言產生意圖理解輸入詞句，以產生機器表現語言並進一步轉換表現語言成字詞。例如，自然語言處理模型將字詞嵌入到低維度空間且編碼字詞之間的關係，透過例如是遞迴類神經網路(Recurrent Neural Network，RNN)的技術編碼字詞向量成考慮上下文(context)及語意學(semantics)的向量，且關注在重要字詞。接著，處理器130可決定關鍵詞彙為某一個醫療參數。在一實施例中，自然語言處理模型可參考諸如SNOMED、UMLS或ICD的詞彙系統，以產生關鍵詞彙。
例如，關鍵詞彙可以是詞彙系統所定義的臨床術語。然而，在一些實施例中，關鍵詞彙也可以是自記錄在臨床紀錄的詞句所分割出來的原始詞彙。
在一實施例中，檢驗報告可包括一個或更多個數字變數。將「陽性(Positive)」定義成正常，且將「陰性(Negative)」定義成異常。在設有上限及下限的情況下，可能將變數標記成「實驗順序(Lab Order)」、陽性、陰性、陽性高(Positive High)、陽性低(Positive Low)、陽性極高(Positive Extreme High)或陰性極高(Negative Extreme High)。可將具有標記的每一變數視為一個醫療參數。
在一實施例中，當或僅當多天進行一個或更多個用藥或檢驗時，可將每一天的用藥或檢驗分別視為一個醫療變數。例如，可將第一天的用藥、第二天的用藥及第三天的用藥分別視為三個醫療參數。
此外，各醫療參數具有真實診斷。這真實診斷可以是(例如)疾病、病兆、生理狀態或心理狀態。真實診斷是經醫師、檢驗人員或護理師所確定的診斷。例如，自病歷或自臨床報告取得真實診斷。
另一方面，獨立事件經定義為多個醫療參數中的一者獨立於其真實診斷。值得注意的是，在條件機率的理論中，若在第二事件發生的條件下的第一事件的機率等於第一事件的無條件機率(unconditional probability)，則可視為第一事件與第二事件獨立。也就是說，第一事件獨立於第二事件。在一實施例中，各醫療參數
獨立於其真實診斷。
在一實施例中，處理器130可依據各醫療參數及其真實診斷之間的關聯係數決定獨立事件，且這關聯係數小於門檻值。可透過基於機器學習演算法所訓練的評估模組決定關聯係數。機器學習演算法可以是監督式(supervised)學習演算法或非監督式(unsupervised)學習演算法。機器學習演算法可分析訓練樣本，以自訓練樣本取得特徵，並據以基於特徵預測未知資料。評估模組經訓練所建立的機器學習模型，且可基於評估模型推論待評估資料。
在一實施例中，評估模型將真實診斷及醫療參數作為訓練參數來使用。此外，關聯係數相關於真實診斷及醫療參數之間的關聯程度。例如，較高的關聯係數指示醫療參數及診斷之間有較高關聯，並代表在這醫療參數的條件下有較高的機會可能得出這診斷(但不限於此)。或者，較低的關聯係數指示醫療參數及診斷之間有較低關聯，並代表在這醫療參數的條件下有較低的機會可能得出這診斷(但不限於此)。
例如，文獻1「Computer Methods and Programs in Biomedicine(用於生物醫學的電腦方法及程式)期刊接受於2021年5月的Improved diagnosis medication association mining to reduce pseudo-associations(以改善診斷用藥關聯探勘減少偽關聯的方法)」藉由第二次係數計算診斷與藥物以及診斷與檢驗之間的關聯係數，從而減少偽關聯。
在一實施例中，評估模型是機率式模型(Probabilistic
model)。機率式模型屬於非監督學習演算法，並為資料探勘(Data Mining)的重要方法。例如，文獻2「Journal of Biomedical Informatics(生物醫學資訊期刊)volume(卷)43,issue(議題)6,2020年12月，891至901頁的An automated technique for identifying associations between medications,laboratory results and problems(用於辨識用藥、檢驗結果及問題之間的關聯性的自動化技術)」藉由確信(Conviction)係數計算診斷與藥物以及診斷與檢驗之間關聯係數，並可透過關聯係數的強度判斷上述兩對臨床變數(例如，診斷與藥物、及診斷與檢驗)之間的關係。
又例如，https：//doi.org/10.1371/journal.pone.0082401在2013年12月所公開的文獻3「A Probabilistic Model for Reducing Medication Errors(用於減少用藥錯誤的機率式模型)」藉由類似模型Q係數計算診斷與藥物及藥物與藥物之間關聯係數，並透過處方箋適當性(Appropriateness of Prescription，AOP)模型來評估處方的適當性。其中，Q係數的範圍被定義在[0，∞]；Q=1表示疾病和藥物間沒有關聯；Q<1表示疾病和藥物為負相關；Q>1表示疾病和藥物為正相關。
在另一實施例中，評估模型是類神經網路模型。例如，深度神經網路(Deep Neural Network，DNN)是以人工神經網路為主要架構。這深度神經網路架構包括輸入層、隱藏層及輸出層。值得注意的是，深度神經網路是由一個多層神經元(Neuron)結構組成，每一層神經元經組態有輸入(例如，前一層神經元的輸出)及輸出。隱
藏層的任一層中的神經元是對輸入向量與權重向量內積並經過非線性傳遞函式而輸出純量結果。評估模型的學習階段將訓練並決定前述權重向量，而評估模型的推論階段使用已決定的權重向量得出評估結果(即，輸出)。在本實施例中，評估模型的評估結果為輸入變數之間的關聯係數。這關聯係數可以是機率、Q係數或其他量化值。而輸入變數例如是醫療參數及診斷。
在一實施例中，處理器130可維持那些關聯係數中具有最高關聯係數的醫療參數與其真實診斷之間的關聯性，並中斷那些關聯係數中不具有最高關聯係數的醫療參數與其真實診斷之間關聯性。接著，基於前述維持及中斷方法透過評估模型產生多個醫療參數及多個診斷之間的修改的關聯係數。
反應於決定相關係數，處理器130可進一步排除/刪除具有大於門檻值的關聯係數的其他醫療參數。例如，例如是乙醯胺酚(Acetaminophen)或阿司匹靈(Aspirin)的通用止痛及消炎藥可能相關於多種疾病及病兆，且其相關係數將大於門檻值。基於相關係數的離散條件，可排除/刪除包括這類通用止痛及消炎藥的這些用藥紀錄(即，醫療參數)。
最終，視為獨立事件的剩餘的醫療參數具有小於或等於門檻值的關聯係數。而受排除/刪除的醫療參數不為獨立事件，且將排除/忽略於後續推薦決策。這門檻值可以是1、1.5或基於評估模型或係數相關演算法的類型的其他數字。
處理器130基於機率式模型決定每一醫療參數的多個關
聯係數(步驟S220)。具體而言，機率式模型可以是前述文獻2、文獻3、結合前述維持及中斷方法的模型、或其他相關於醫療資料的機率式模型。每一關聯係數為在多個參考診斷中的一者發生的條件下的那些醫療參數中的一者的係數。這參考診斷是預設的診斷。例如，特定疾病、特定生理狀態或特定心理狀態。
處理器130依據那些醫療參數的那些關聯係數決定那些參考診斷的多個最終係數(步驟S230)。具體而言，每一最終係數是在那些醫療參數發生的條件下的一個參考診斷的機率。例如，參考診斷包括第二型糖尿病(Diabetes Mellitus)及高血壓(Hypertension)。因此，可產生在多個醫療參數發生的條件下的對應於這兩個參考診斷的最終係數。
在一實施例中，處理器130可決定每一參考診斷的無條件機率(unconditional probability)、每一醫療參數的無條件機率、以及每一參考診斷與每一醫療參數的聯合機率(joint probability)。無條件機率式未考慮其他事件的情況下的事件的機率。聯合機率式多個事件為「真(True)」或多個事件發生的清況下的機率。處理器130可依據每一參考診斷的無條件機率、每一醫療參數的無條件機率、以及每一參考診斷與每一醫療參數的聯合機率決定那些參考診斷的最終係數。獨立事件的特性在於在第二事件發生的條件下的第一事件的機率等於第一事件的(無條件)機率。因此，最終係數將相關於這些醫療參數的無條件機率的乘積。
在一實施例中，假設有i個醫療參數(i為正整數)，則可
依據以下方程式決定最終係數：
處理器130依據參考診斷的最終係數決定推薦(步驟S240)。具體而言，這推薦可以是關聯係數與其最終係數的表單、參考診斷的最終係數的排序，或具有最高最終係數的一個或更多個參考診斷。假設考慮一個病人的多個醫療參數，則可產生針對這病人的推薦。
例如，表(1)是醫療參數與其關聯係數：
急性呼吸衰竭併高碳酸血症(Acute respiratory failure in hypercapnia)的最終係數為0.001796172 * 7.509 * 6.678 * 5.146 * 4.522 * 4.139 * 3.952 * 3.744 * 3.638 * 3.358=1568.08056。呼吸器相關肺炎(Ventilator-associated pneumonia)的最終係數為0.00079063344927398 * 7.509 * 6.678 * 5.146 * 4.522 * 4.139 * 3.952 * 3.744 * 3.638 * 3.358=690.232862。其中，4.139為聚磺苯乙烯(Polystyrene Sulfonate)的關聯係數。然而，以傳統方式(例如，相關性的權重整合)可能推薦出診斷為酸中毒(acidosis)、呼吸衰竭(respiratory failure)、肺炎(pneumonia)、高血鉀(hyperkalemia)、糖
尿病(diabetes)、氣喘(asthma)、炎球菌感染(pneumococcal streptococcus infection)及關節炎(arthritis)。
另外，本發明進一步提供非暫時性電腦可讀記錄媒體(例如，儲存媒體，諸如硬碟、光碟、快閃記憶體或固態磁碟(Solid State disk，SSD))。電腦可讀記錄媒體能夠儲存一個或更多個程式碼(或碼段)(例如，決定獨立事件的程式碼、決定關聯係數的程式碼、決定最終係數的程式碼以及決定推薦的程式碼等)。在程式碼或碼段經加載至處理器130或另一處理器上且執行之後，可完成與臨床推薦相關的上述方法的所有步驟。
綜上所述，在本發明實施例臨床推薦方法、臨床推薦裝置及電腦可讀記錄媒體中，取得獨立事件的醫療參數，並基於結構化及非結構化事件提供推薦。藉此，可預測遺漏的臨床結果，並可提升預測準確度。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
S210~S240:步驟
Claims (9)
- 一種臨床推薦方法，藉由一處理器實現，且該臨床推薦方法包括：決定多個醫療參數中的每一者為一獨立事件，其中每一該醫療參數具有一真實診斷，且該獨立事件經定義為該些醫療參數中的一者獨立於其真實診斷；基於一機率式模型(probabilistic model)決定每一該醫療參數的多個關聯係數，其中每一該關聯係數為在多個參考診斷中的一者發生的條件下該些醫療參數中的一者的係數；依據該些醫療參數的該些關聯係數決定該些參考診斷的多個最終係數，其中依據該些醫療參數的該些關聯係數決定該些參考診斷的該些最終係數的步驟包括：決定每一該參考診斷的無條件機率(unconditional probability)、每一該醫療參數的無條件機率、以及每一該參考診斷與每一該醫療參數的聯合機率(joint probability)；以及依據每一該參考診斷的該無條件機率、每一該醫療參數的該無條件機率、以及每一該參考診斷與每一該醫療參數的該聯合機率決定該些參考診斷的該些最終係數，其中P(D|M 1 ,M 2 ,...,M i )=P(D)Q DM1 Q DM2...Q DMi ，P(D|M 1 ,M 2 ,...,M i )為該些參考診斷中的一第一診斷的最終係數，D為該第一診斷，M i 為第i醫療參數，P(D)為該第一診斷 的無條件機率，Q DMi 為，P(M i )為該第i醫療參數的無條件 機率，且P(M i ,D)為該第一診斷與該第i醫療參數的聯合機率；以及依據該些參考診斷的該些最終係數決定一推薦。
- 如請求項1所述的臨床推薦方法，其中該些醫療參數包括一用藥紀錄、一手術紀錄、一治療紀錄、一檢驗報告、一會診紀錄、一急診紀錄、一疾病紀錄、一出院醫療紀錄及一入院醫療紀錄中的至少一者。
- 如請求項2所述的臨床推薦方法，更包括：基於一自然語言處理自該用藥紀錄、該手術紀錄、該治療紀錄、該檢驗報告、該會診紀錄、該急診紀錄、該疾病紀錄、該出院醫療紀錄或該入院醫療紀錄的一臨床紀錄取得一關鍵詞彙；以及決定該關鍵詞彙為該些醫療參數中的一者。
- 如請求項1所述的臨床推薦方法，其中決定多個醫療參數中的每一者為該獨立事件的步驟包括：依據每一該醫療參數與其真實診斷之間的一關聯係數決定該獨立事件，其中該關聯係數小於一門檻值；以及排除具有大於該門檻值的關聯係數的其他醫療參數。
- 一種臨床推薦裝置，包括：一記憶體，用以儲存一程式碼；以及一處理器，耦接該記憶體，並經配置用以執行該程式碼以執行：決定多個醫療參數中的每一者為一獨立事件，其中每一 該醫療參數具有一真實診斷，且該獨立事件經定義為該些醫療參數中的一者獨立於其真實診斷；基於一機率式模型決定每一該醫療參數的多個關聯係數，其中每一該關聯係數為在多個參考診斷中的一者發生的條件下該些醫療參數中的一者的係數；依據該些醫療參數的該些關聯係數決定該些參考診斷的多個最終係數，其中該處理器更執行：決定每一該參考診斷的無條件機率、每一該醫療參數的無條件機率、以及每一該參考診斷與每一該醫療參數的聯合機率；以及依據每一該參考診斷的該無條件機率、每一該醫療參數的該無條件機率、以及每一該參考診斷與每一該醫療參數的該聯合機率決定該些參考診斷的該些最終係數，其中P(D|M 1 ,M 2 ,...,M i )=P(D)Q DM1 Q DM2...Q DMi ，P(D|M 1 ,M 2 ,...,M i )為該些參考診斷中的一第一診斷的最終係數，D為該第一診斷，M i 為第i醫療參數，P(D)為該第一診 斷的無條件機率，Q DMi 為，P(M i )為該第i醫療參數的無條 件機率，且P(M i ,D)為該第一診斷與該第i醫療參數的聯合機率；以及依據該些參考診斷的該些最終係數決定一推薦。
- 如請求項5所述的臨床推薦裝置，其中該些醫療參數包括一用藥紀錄、一手術紀錄、一治療紀錄、一檢驗報告、一會診 紀錄、一急診紀錄、一疾病紀錄、一出院醫療紀錄及一入院醫療紀錄中的至少一者。
- 如請求項6所述的臨床推薦裝置，其中該處理器更執行：基於一自然語言處理自該用藥紀錄、該手術紀錄、該治療紀錄、該檢驗報告、該會診紀錄、該急診紀錄、該疾病紀錄、該出院醫療紀錄或該入院醫療紀錄的一臨床紀錄取得一關鍵詞彙；以及決定該關鍵詞彙為該些醫療參數中的一者。
- 如請求項5所述的臨床推薦裝置，其中該處理器更執行：依據每一該醫療參數與其真實診斷之間的一關聯係數決定該獨立事件，其中該關聯係數小於一門檻值；以及排除具有大於該門檻值的關聯係數的其他醫療參數。
- 一種非暫時性電腦可讀記錄媒體，記錄程式碼，該程式碼經加載至一處理器上以執行：決定多個醫療參數中的每一者為一獨立事件，其中每一該醫療參數具有一真實診斷，且該獨立事件經定義為該些醫療參數中的一者獨立於其真實診斷；基於一機率式模型決定每一該醫療參數的多個關聯係數，其中每一該關聯係數為在多個參考診斷中的一者發生的條件下該些醫療參數中的一者的係數；依據該些醫療參數的該些關聯係數決定該些參考診斷的多個 最終係數，其中依據該些醫療參數的該些關聯係數決定該些參考診斷的該些最終係數的步驟包括：決定每一該參考診斷的無條件機率、每一該醫療參數的無條件機率、以及每一該參考診斷與每一該醫療參數的聯合機率；以及依據每一該參考診斷的該無條件機率、每一該醫療參數的該無條件機率、以及每一該參考診斷與每一該醫療參數的該聯合機率決定該些參考診斷的該些最終係數，其中P(D|M 1 ,M 2 ,...,M i )=P(D)Q DM1 Q DM2...Q DMi ，P(D|M 1 ,M 2 ,...,M i )為該些參考診斷中的一第一診斷的最終係數，D為該第一診斷，M i 為第i醫療參數，P(D)為該第一診斷 的無條件機率，Q DMi 為，P(M i )為該第i醫療參數的無條件 機率，且P(M i ,D)為該第一診斷與該第i醫療參數的聯合機率；以及依據該些參考診斷的該些最終係數決定一推薦。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| WOPCT/US23/13402 | 2023-02-20 | ||
| PCT/US2023/013402 WO2024177618A1 (en) | 2023-02-20 | 2023-02-20 | Clinical recommendation method, clinical recommendation apparatus, and computer-readable recording medium |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI816632B true TWI816632B (zh) | 2023-09-21 |
| TW202435242A TW202435242A (zh) | 2024-09-01 |
Family
ID=88966324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112109999A TWI816632B (zh) | 2023-02-20 | 2023-03-17 | 臨床推薦方法、臨床推薦裝置及電腦可讀記錄媒體 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20250078997A1 (zh) |
| CN (1) | CN118830027A (zh) |
| TW (1) | TWI816632B (zh) |
| WO (1) | WO2024177618A1 (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI362627B (en) * | 2007-11-23 | 2012-04-21 | Inst Information Industry | Method and system of evaluating disease severity |
| US10755816B2 (en) * | 2013-07-09 | 2020-08-25 | Indiana University Research And Technology Corporation | Clinical decision-making artificial intelligence object oriented system and method |
| US11238975B2 (en) * | 2014-04-02 | 2022-02-01 | University Of Louisville Research Foundation, Inc. | Computer aided diagnosis system for classifying kidneys |
| TWM631259U (zh) * | 2022-05-25 | 2022-08-21 | 臺中榮民總醫院 | 急性腎損傷預測系統 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6076083A (en) * | 1995-08-20 | 2000-06-13 | Baker; Michelle | Diagnostic system utilizing a Bayesian network model having link weights updated experimentally |
| EP1440410A2 (en) * | 2001-11-02 | 2004-07-28 | Siemens Corporate Research, Inc. | Patient data mining for lung cancer screening |
| US7853446B2 (en) * | 2006-05-02 | 2010-12-14 | International Business Machines Corporation | Generation of codified electronic medical records by processing clinician commentary |
| WO2011060314A1 (en) * | 2009-11-12 | 2011-05-19 | eTenum, LLC | Method and system for optimal estimation in medical diagnosis |
| US10943676B2 (en) * | 2010-06-08 | 2021-03-09 | Cerner Innovation, Inc. | Healthcare information technology system for predicting or preventing readmissions |
| ITMI20142149A1 (it) * | 2014-12-16 | 2016-06-16 | L I A Di Giuseppe Capasso | Apparato di diagnosi differenziale in medicina adattato per determinare la sequenza di test ottimale atta ad identificare una patologia secondo criteri di appropriatezza diagnostica |
| CN109564782B (zh) * | 2016-08-08 | 2024-03-08 | 皇家飞利浦有限公司 | 基于医院人口统计的电子临床决策支持设备 |
| US20220375618A1 (en) * | 2021-05-11 | 2022-11-24 | Electronics And Telecommunications Research Institute | Method and apparatus of calculating comprehensive disease index |
| TWI782608B (zh) * | 2021-06-02 | 2022-11-01 | 美商醫守科技股份有限公司 | 提供建議診斷的電子裝置和方法 |
| US20240194317A1 (en) * | 2021-06-02 | 2024-06-13 | Aesop Technology Inc. | Method, apparatus related to medication list management, and computer-readable recording medium |
| GB202109116D0 (en) * | 2021-06-24 | 2021-08-11 | Univ College Dublin Nat Univ Ireland Dublin | Remote monitoring of respiration |
-
2023
- 2023-02-20 CN CN202380008651.2A patent/CN118830027A/zh active Pending
- 2023-02-20 US US18/029,639 patent/US20250078997A1/en not_active Abandoned
- 2023-02-20 WO PCT/US2023/013402 patent/WO2024177618A1/en not_active Ceased
- 2023-03-17 TW TW112109999A patent/TWI816632B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI362627B (en) * | 2007-11-23 | 2012-04-21 | Inst Information Industry | Method and system of evaluating disease severity |
| US10755816B2 (en) * | 2013-07-09 | 2020-08-25 | Indiana University Research And Technology Corporation | Clinical decision-making artificial intelligence object oriented system and method |
| US11238975B2 (en) * | 2014-04-02 | 2022-02-01 | University Of Louisville Research Foundation, Inc. | Computer aided diagnosis system for classifying kidneys |
| TWM631259U (zh) * | 2022-05-25 | 2022-08-21 | 臺中榮民總醫院 | 急性腎損傷預測系統 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118830027A (zh) | 2024-10-22 |
| US20250078997A1 (en) | 2025-03-06 |
| WO2024177618A1 (en) | 2024-08-29 |
| TW202435242A (zh) | 2024-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A scoping review of using large language models (llms) to investigate electronic health records (ehrs) | |
| Tomašev et al. | Use of deep learning to develop continuous-risk models for adverse event prediction from electronic health records | |
| Kaswan et al. | AI-based natural language processing for the generation of meaningful information electronic health record (EHR) data | |
| CN111801741B (zh) | 不良药物反应分析 | |
| CN113015977A (zh) | 使用自然语言处理的对疾病和病症的基于深度学习的诊断和转诊 | |
| Gangavarapu et al. | FarSight: long-term disease prediction using unstructured clinical nursing notes | |
| AU2017210493A1 (en) | System for automated analysis of clinical text for pharmacovigilance | |
| Carrell et al. | Improving methods of identifying anaphylaxis for medical product safety surveillance using natural language processing and machine learning | |
| Ding et al. | Large language multimodal models for new-onset type 2 diabetes prediction using five-year cohort electronic health records | |
| Davazdahemami et al. | A deep learning approach for predicting early bounce-backs to the emergency departments | |
| US20260058018A1 (en) | Methods and systems for confirming an advisory interaction with an artificial intelligence platform | |
| CN108231146A (zh) | 一种基于深度学习的医疗记录模型构建方法、系统及装置 | |
| Gao et al. | Predictive models for emergency department triage using machine learning: a systematic review | |
| Pienaar et al. | An artificial neural network model for pediatric mortality prediction in two tertiary pediatric intensive care units in South Africa. A development study | |
| Teng et al. | Few-shot ICD coding with knowledge transfer and evidence representation | |
| Shafqat et al. | A unified deep learning diagnostic architecture for big data healthcare analytics | |
| Tseng et al. | al-BERT: a semi-supervised denoising technique for disease prediction | |
| Moldwin et al. | Empirical findings on the role of structured data, unstructured data, and their combination for automatic clinical phenotyping | |
| Cara et al. | An artificial intelligence model for predicting hospital readmission using electronic health records data | |
| TWI816632B (zh) | 臨床推薦方法、臨床推薦裝置及電腦可讀記錄媒體 | |
| Rahman et al. | Comparative evaluation of machine learning models for stroke prediction in clinical settings | |
| Nalela | Leveraging generative ai through prompt engineering and rigorous validation to create comprehensive synthetic datasets for ai training in healthcare | |
| CN115359866A (zh) | 一种医保欺诈识别方法、装置、存储介质及设备 | |
| US12381008B1 (en) | System and methods for observing medical conditions | |
| Araújo | The Challenge of Time in Clinical AI: Longitudinal Predictions with Variable History |