BR112020023361A2 - método e sistema - Google Patents
método e sistema Download PDFInfo
- Publication number
- BR112020023361A2 BR112020023361A2 BR112020023361-7A BR112020023361A BR112020023361A2 BR 112020023361 A2 BR112020023361 A2 BR 112020023361A2 BR 112020023361 A BR112020023361 A BR 112020023361A BR 112020023361 A2 BR112020023361 A2 BR 112020023361A2
- Authority
- BR
- Brazil
- Prior art keywords
- codes
- concepts
- medical
- reasoning
- ontology
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9032—Query formulation
- G06F16/90332—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
A presente invenção se refere a um
sistema e a um método para priorizar e apresentar dados médicos
heterogêneos. O método inclui recuperar dados médicos de um paciente,
sendo que os dados médicos incluem dados provenientes de múltiplas
fontes de dados. O método inclui fenotipar os dados médicos para gerar
uma trilha de raciocínio e um resultado do raciocínio incluindo um ou
mais códigos, sendo que a trilha de raciocínio inclui uma base para a
qual o resultado do raciocínio é determinado. O método inclui atribuir
um escore de relevância a cada um dentre o um ou mais códigos. O método
inclui classificar os códigos com base no escore de relevância de cada
um dentre o um ou mais códigos. O método inclui exibir os códigos em
ordem de classificação.
Description
[001] Um Registro Médico Eletrônico (RME) do paciente pode incluir uma ampla variedade de fontes de dados clínicos como, por exemplo listas de problemas, valores Lab, listas de medicamentos e documentos em texto livre, incluindo observações sobre admissões e altas juntamente com laudos de patologia, radiológicos e de operações cirúrgicas. Os dados disponíveis a partir das várias fontes de dados podem ser exibidos em uma interface gráfica de usuário (GUI). A quantidade de dados clínicos registrados para um paciente, entretanto, suplanta o poder de processamento de trabalhadores da área de saúde. O grande volume de dados apresentados a um usuário (por exemplo, médico, enfermeiro, técnico em medicina etc.) através da GUI resulta em um processo de análise demorado e ineficiente. Além disso, devido ao grande volume de dados disponíveis, as informações das várias fontes de dados são, muitas vezes, exibidas com os dados obtidos mais recentemente e/ou disponíveis mais recentemente aparecendo primeiro. Consequentemente, o usuário pode analisar apenas os dados do paciente que se tornaram disponíveis recentemente e/ou consultar fontes de dados selecionadas no registro médico do paciente, possivelmente deixando de ter informações relevantes. Por exemplo, os trabalhadores da área de saúde podem apenas verificar os valores Lab mais recentes, possivelmente sem ter as informações sobre medicamentos relevantes ou os resultados de laudos de patologia.
[002] O documento US2014/108047A1 se refere a métodos e a sistemas de automação de documentação e codificação médica que combina previsões de apoio para decisões clínicas ou atribuições múltiplas de códigos médicos em uma atribuição final de códigos médicos, de modo que a combinação seja diferente para diferentes contextos. Em certas implementações, cada agente recebe o mesmo conjunto de termos e frases extraídos de um registro médico eletrônico (EMR - “electronic medical record”). Com base no contexto do EMR, cada agente extrai códigos médicos de uma ou mais listas de códigos, compara os termos e as frases com os códigos médicos e atribui um código ao EMR com base em um escore de confiança. As múltiplas atribuições de código são combinadas para gerar uma atribuição final de código médico baseada nos escores de confiança, no contexto e no desempenho histórico de cada agente dentro do contexto. O sistema automatizado armazena e fornece a atribuição final de código médico.
[003] O documento US2017/351806A1 se refere a sistemas e métodos para avaliar a fertilidade e a infertilidade feminina, a fertilidade e a infertilidade masculina e o perfil combinado de fertilidade de um homem e de uma mulher. Os sistemas e métodos determinam a fertilidade potencial combinada de uma mulher e um homem por meio de um ensaio em uma amostra obtida do homem e da mulher para a presença de uma ou mais variantes genéticas associadas à fertilidade, obter um fenótipo associado à fertilidade e/ou a dados ambientais do homem e da mulher, aceitando, como dados de entrada, as variantes genéticas determinadas da mulher e do homem e o fenótipo e/ou os dados de exposição ambiental do homem e da mulher, analisar os dados de entrada com o uso de um previsor de prognóstico correlacionado à fertilidade e gerar um perfil de fertilidade que reflete a fertilidade potencial combinada do homem e da mulher por meio do uso do previsor de prognóstico sobre os dados de entrada.
[004] As modalidades exemplificadoras são direcionadas a um método que compreende: recuperar dados médicos de um paciente, sendo que os dados médicos incluem dados provenientes de múltiplas fontes de dados; fenotipar os dados médicos para gerar uma trilha de raciocínio e um resultado do raciocínio incluindo um ou mais códigos, sendo que a trilha de raciocínio inclui uma base para a qual o resultado do raciocínio é determinado; atribuir um escore de relevância a cada um dentre o um ou mais códigos; classificar os códigos com base no escore de relevância de cada um dentre o um ou mais códigos; e exibir os códigos em ordem de classificação.
[005] As modalidades exemplificadoras são direcionadas a um sistema que compreende: uma mídia de armazenamento não transitório legível por computador que armazena um programa executável; e a um processador que executa o programa executável para fazer com que o processador execute as operações de: recuperar dados médicos de um paciente, sendo que os dados médicos incluem dados provenientes de múltiplas fontes de dados; fenotipar os dados médicos para gerar uma trilha de raciocínio e um resultado do raciocínio incluindo um ou mais códigos, sendo que a trilha de raciocínio inclui uma base para a qual o resultado do raciocínio é determinado; atribuir um escore de relevância a cada um dentre o um ou mais códigos; classificar os códigos com base no escore de relevância de cada um dentre o um ou mais códigos; e exibir os códigos em ordem de classificação.
[006] As modalidades exemplificadoras são direcionadas a uma mídia de armazenamento não transitório legível por computador que inclui um conjunto de instruções executáveis por um processador, sendo que o conjunto de instruções, quando executado pelo processador, faz com que o processador execute operações que compreendem: recuperar dados médicos de um paciente, sendo que os dados médicos incluem dados provenientes de múltiplas fontes de dados; fenotipar os dados médicos para gerar uma trilha de raciocínio e um resultado do raciocínio incluindo um ou mais códigos, sendo que a trilha de raciocínio inclui uma base para a qual o resultado do raciocínio é determinado; atribuir um escore de relevância a cada um dentre o um ou mais códigos; classificar os códigos com base no escore de relevância de cada um dentre o um ou mais códigos; e exibir os códigos em ordem de classificação.
[007] A Figura 1 mostra um desenho esquemático de um sistema de acordo com uma modalidade exemplificadora.
[008] A Figura 2 mostra um fluxograma de um método de acordo com uma modalidade exemplificadora.
[009] A Figura 3 mostra uma tabela ilustrando uma trilha de raciocínio exemplificadora fornecida por um mecanismo de fenotipagem exemplificador do sistema da Figura
1.
[0010] A Figura 4 mostra um diagrama ilustrando um fluxo de dados de um sistema e/ou método de acordo com uma modalidade exemplificadora.
[0011] As modalidades exemplificadoras podem ser adicionalmente entendidas com referência à descrição a seguir e aos desenhos anexos, nos quais elementos similares têm os mesmos números de referência. As modalidades exemplificadoras são direcionadas a sistemas e métodos para priorizar informações provenientes de fontes de dados médicos heterogêneos e apresentar informações relevantes a um usuário no contexto do ambiente de fluxo de trabalho do usuário. Os dados clínicos relevantes podem ser apresentados ao usuário por meio de uma interface de usuário que melhora a capacidade de navegação entre as várias fontes de dados e assegura a análise de todas as informações relevantes de modo que o usuário possa fornecer diagnósticos e/ou análises mais precisos e tratamento superior ao paciente. Os versados na técnica devem compreender que o termo “usuários” pode incluir qualquer tipo de profissional médico, incluindo, por exemplo, médicos, enfermeiros, técnicos de medicina etc. Os versados na técnica também devem compreender que as modalidades exemplificadoras podem ser usadas para priorizar informações provenientes de qualquer uma dentre uma variedade de fontes de dados clínicos em qualquer um dentre uma variedade de ambientes hospitalares.
[0012] Conforme mostrado na Figura 1, um sistema 100, de acordo com uma modalidade exemplificadora da presente revelação, prioriza informações provenientes de uma variedade de fontes de dados e apresenta as informações mais relevantes ao usuário no contexto do ambiente de fluxo de trabalho do usuário. O sistema 100 compreende um processador 102, uma interface de usuário 104, uma tela 106 e uma memória 108. A memória 108 inclui uma base de dados 120 que armazena registros médicos dos pacientes. Os registros médicos podem incluir dados clínicos provenientes de uma variedade de fontes como, por exemplo, imagens médicas (por exemplo IRM, TC, RC, ultrassom RC), listas de problemas, valores Lab, listas de medicamentos e documentos incluindo admissões e avisos de alta e laudos de patologia, radiologia e operações cirúrgicas.
[0013] O processador 102 pode incluir um mecanismo de determinação de relevância 110 para atribuir um escore de relevância a um código médico, um mecanismo de extração de conceito 112 para extrair conceitos a partir de documentos médicos em texto livre (por exemplo, laudos radiológicos e de patologia), um mecanismo de fenotipagem 114 para aplicação de raciocínio clínico para determinar se um paciente tem uma doença ou condição específica, um mecanismo de mapeamento de conceito 116 para mapear as informações fenotípicas extraídas em um vocabulário médico, e um mecanismo controlador 118 para recuperar dados médicos relevantes e aplicar os mecanismos adequados para priorizar os dados médicos relevantes. Os versados na técnica compreenderão que os mecanismos 110 a 118 podem ser implementados pelo processador 102 como, por exemplo linhas de código que são executadas pelo processador 102, como firmware executado pelo processador 102, como uma função do processador 102 sendo um circuito integrado para aplicação específica (ASIC)etc.
[0014] Ao fazer seleções na interface de usuário 104, o usuário, que pode incluir trabalhadores da área de saúde, incluindo, por exemplo, médicos, enfermeiros, técnicos em medicina etc., pode iniciar o processo de priorização e classificação de relevância e/ou fazer seleções para analisar/ver dados de uma lista priorizada apresentada ao usuário na tela 106. O usuário pode também editar e/ou definir parâmetros para os mecanismos 110 a 118 acima descritos através da interface de usuário 104, que pode incluir, por exemplo, uma interface de RME.
[0015] A Figura 2 mostra um exemplo de um método 200 para priorizar informações provenientes de fontes de dados médicos heterogêneas e apresentar informações relevantes ao usuário no contexto do ambiente de fluxo de trabalho do usuário, com o uso do sistema 100 descrito acima. O método 200 pode ser executado pelo mecanismo controlador 118, quando iniciado ou ativado por um evento ou um usuário, conforme será descrito em mais detalhes abaixo.
[0016] Na etapa 210, os dados médicos relacionados a um paciente são recuperados da base de dados 120 com o uso, por exemplo, de uma chamada de base de dados. A recuperação de dados pode ser em resposta a um disparador contextual. Por exemplo, dentro de um departamento de radiologia, uma captura de uma imagem (por exemplo IRM, TC, ultrassom RC), que precisa ser lida ou analisada pelo usuário, pode acionar a recuperação de dados de modo que o usuário possa, com base em outras informações relevantes, fazer uma análise fundamentada da imagem. Em um outro exemplo, dentro do departamento de oncologia, o usuário pode iniciar a recuperação ao conduzir uma consulta com o paciente. Em ainda outro exemplo, dentro do departamento de cardiologia, um usuário pode iniciar a recuperação ao conduzir a preparação do paciente para um procedimento. Os versados na técnica devem compreender que a recuperação de dados a partir do registro do paciente pode ser iniciada em resposta a qualquer um dentre uma variedade de disparadores contextuais que podem ser selecionados e/ou inseridos através da interface de usuário.
[0017] Na etapa 220, as fontes de dados médicos em texto livre como, por exemplo, laudos radiológicos, laudos de patologia e laudos de operação cirúrgica, que são recuperados durante a etapa 210, são transmitidas ao mecanismo de extração de conceito 112. O mecanismo de extração de conceito 112 processa linguagem natural e aplica técnicas para extrair conceitos de ontologia da linguagem natural. Em uma modalidade exemplificadora, o mecanismo de extração de conceito 112 pode ter conhecimento de como um documento padrão é configurado. Por exemplo, um laudo de radiologia pode incluir seções específicas como TÉCNICA, HISTÓRICO CLÍNICO, COMPARAÇÃO, DESCOBERTAS e CONCLUSÕES. Em alguns casos, a porção DESCOBERTAS é subdividida por estrutura anatômica. De modo similar, o mecanismo de extração de conceito 112 pode ter acesso ao conhecimento de como outros documentos em texto livre como laudos de patologia e observações sobre operações cirúrgicas são estruturados para que o mecanismo de extração de conceito 112 possa ser configurado para extrair conceitos de seções específicas de um laudo sendo analisado.
[0018] O mecanismo de extração de conceito 112 pode aplicar um algoritmo de detecção de limite de sentença e/ou de detecção de frase para decompor o texto em sentenças ou frases que podem ser classificadas de acordo com um algoritmo de parte do discurso. Em uma modalidade exemplificadora, elementos da linguagem natural (por exemplo, frase) são comparados com conceitos de um vocabulário médico para gerar uma lista de códigos médicos. Os conceitos médicos podem, por exemplo, incluir códigos de ontologia médica aceita como, por exemplo, SNOMED (Systematic Nomenclature of Medicine) ou ICD (International Classification of Diseases). Podem ser obtidas relações entre conceitos extraídos que são relacionadas entre si, com cada relação tendo uma interpretação semântica padronizada como, por exemplo, conceito X é_local_de conceito Y, onde X é um conceito anatômico. Em uma modalidade específica, para cada conceito extraído, é determinado se está negado no contexto no qual ele aparece ou se está sujeito a um modificador de certeza.
[0019] Na etapa 230, o mecanismo de fenotipagem 114 aplica raciocínio clínico aos conceitos extraídos na etapa 220 e a outros dados recuperados na etapa 210 para determinar se um paciente tem uma determinada doença ou condição. O resultado do mecanismo de fenotipagem pode ser codificado como um ou mais conceitos ou códigos. Em uma modalidade exemplificadora, o mecanismo de fenotipagem 114 pode executar um módulo diferente para cada condição ou doença detectável. Cada módulo, por exemplo, pode ser uma regra que acessa uma ou mais fontes de dados de RME para determinar se o paciente tem uma condição ou doença específica. Em outro exemplo, o módulo pode ser um mecanismo complexo de raciocínio baseado em aprendizado de máquina ou modelagem estatística. Por exemplo, uma regra de fenotipagem para diabetes pode consultar fontes de dados da seguinte forma: (a) A lista de problemas contém um código para a diabetes? (b) Os valores Lab contêm um valor A1C que excede 7%? (c) A lista de medicamentos contém uma medicação de insulina?
[0020] A regra pode retornar um valor VERDADEIRO, indicando que o paciente é diabético, se for encontrada evidência de apoio em qualquer uma das fontes de dados acima. Os versados na técnica devem compreender que essa regra de fenotipagem é apenas exemplificadora e que podem ser aplicadas combinações booleanas mais complexas ou raciocínio ponderado juntamente com outras fontes de dados.
[0021] O mecanismo de fenotipagem 114 pode fornecer uma trilha de raciocínio, conforme mostrado na tabela da Figura 3. A trilha de raciocínio pode incluir informações como, por exemplo, a fonte de dados original, fragmentos significativos contidos na fonte(ou fontes) de dados originais, evidência de apoio nos fragmentos significativos, o diálogo de raciocínio (por exemplo, uma declaração especificando a evidência de apoio e como ela é usada no processo de raciocínio), e o resultado do raciocínio. Embora o raciocínio ilustrado na Figura 3 seja um raciocínio simples baseado em regras para determinar se um paciente é diabético, conforme observado acima, os versados na técnica devem compreender que a evidência de apoio, o diálogo de raciocínio e o resultado do raciocínio podem ser baseados em mais de uma fonte de dados durante o uso, por exemplo, de um raciocínio de combinação booleana, evidência ponderada, ou métodos de decisão mais complexos criados com o uso, por exemplo, de técnicas de aprendizado de máquina. Embora a modalidade exemplificadora mostre e descreva especificamente um módulo de fenotipagem específico para determinar se o paciente tem diabetes, os versados na técnica devem compreender que o mecanismo de fenotipagem 114 pode incluir qualquer número de módulos de fenotipagem, sendo que cada um deles determina se o paciente tem uma doença ou condição específica.
[0022] Conforme observado acima, os resultados de raciocínio do mecanismo de fenotipagem podem ser codificados de acordo com mais de um conceito ou código. Nos casos em que um ou mais dos conceitos/códigos gerados pelo mecanismo de fenotipagem não são coerentes com o vocabulário ou ontologia utilizada pelo mecanismo de determinação de relevância 110, o mecanismo de mapeamento de conceito 116 mapeia os conceitos/códigos de uma ontologia para outra, na etapa 240. Por exemplo, o mecanismo de mapeamento de conceito 116 pode incluir tabelas de mapeamento que mapeiam SNOMED para ICD. Se, no entanto, todos os conceitos/códigos estiverem na mesma ontologia, o método 200 pode prosseguir da etapa 230 diretamente para a etapa 250.
[0023] Na etapa 250, a relevância de cada um dos conceitos/códigos gerados pelo mecanismo de fenotipagem 114 e/ou mapeados por meio do mecanismo de mapeamento de conceito 116 é determinada pelo mecanismo de determinação de relevância
110. O mecanismo de determinação de relevância 110 atribui um escore de relevância para cada um dos conceitos/códigos extraídos conforme descrito acima. Os escores de relevância podem ser mapeados por meio de uma tabela de mapeamento. Em uma modalidade, o mecanismo de determinação de relevância 110 pode ser específico de contexto. Por exemplo, o mecanismo de determinação de relevância 110 pode incluir uma tabela separada para cada contexto reconhecido. No domínio da radiologia, por exemplo, os contextos relevantes são determinados pela seção na qual o exame radiológico é interpretado - por exemplo abdome, neuro, torácico etc. Os contextos relevantes também podem ser determinados por seções mais granulares do exame radiológico definidas através de combinações seção-modalidade como, por exemplo, TC de abdome e RM neurológica. O contexto pode ser determinado pelo mecanismo controlador 118.
[0024] Em uma modalidade exemplificadora, o escore de relevância de códigos pode ser condicionalmente dependente da presença de outros códigos. Por exemplo, se o paciente tiver um tipo de diabetes conhecido, a presença ou ausência de infecção é mais evidente do que em não diabéticos. Nessa modalidade, um fator de ponderação WC,D pode ser aplicado para ajustar o escore de relevância de um código C, sendo que os códigos em D são conhecidos para aplicar a um estado de doença do paciente, sendo D um conjunto de códigos. Dessa forma, em um dado contexto (por exemplo, TC de abdome), se o código C tivesse uma relevância R, o escore de relevância ajustado no mesmo contexto poderia ser R × WC,D. O fator de ponderação WC,D pode ser baseado em uma tabela de consulta na qual cada combinação relevante de C e D está indicada. Se E for o conjunto de códigos conhecidos para um paciente, a tabela de consulta é pesquisada quanto à entrada D que é o maior subconjunto de E dentre todas as entradas na tabela de consulta. Para situações nas quais existem múltiplas entradas para D, pode haver uma regra em vigor. Por exemplo, a entrada D com o mais alto peso de ajuste WC,D pode ser selecionada. Se uma combinação é desconhecida, no entanto, um peso de ajuste padrão de, por exemplo, 1 pode ser aplicado - isto é, nenhum ajuste.
[0025] Para limitar o tamanho da tabela de consulta e evitar que o mecanismo de determinação de relevância 110 se torne computacionalmente difícil de gerenciar, o tamanho do conjunto D pode ser limitado a, por exemplo, 1, de modo que a tabela de consulta possa ter um tamanho máximo de N2, onde N é o número de códigos na ontologia de base. Em outra modalidade, os conjuntos D de códigos conhecidos podem ser “fechados sob ancestrais”. Em outras palavras, todos os códigos ancestrais dos códigos em D são adicionados ao mesmo antes da pesquisa de pesos de ajuste na tabela de consulta. Por exemplo, se o código E11.21 (“Diabetes mellitus tipo 2 com nefropatia diabética”) estiver em D, então os códigos E11.2 (“Diabetes mellitus tipo 2 com complicações renais”) e E11 (“Diabetes mellitus tipo 2”) são adicionados. Embora o tamanho dos conjuntos D cresça como consequência da operação de fechamento, os pesos de ajuste podem ser especificados em um nível mais alto - por exemplo todos os códigos de diabetes tipo 2 sob E11 como uma única entrada - o que pode resultar em tabelas de consulta mais curtas e mais fáceis de gerenciar. Em ainda outra modalidade, o peso de ajuste pode depender não só do conjunto D de códigos conhecidos, mas também do contexto de consumo (por exemplo TC de abdome). Os versados na técnica compreenderão que essa modalidade resultará em combinações mais exclusivas de códigos e tabelas de consulta mais longas. Para todas as modalidades, no entanto, as tabelas de consulta do mecanismo de determinação de relevância 110 podem ser manualmente configuradas e editadas.
[0026] Na etapa 260, o mecanismo controlador 118 classifica os códigos pelos escores de relevância determinados na etapa 250. Na etapa 270, os códigos classificados são exibidos na tela 106, em ordem de classificação. A tela 106 pode exibir uma lista priorizada de códigos mediante a filtragem dos códigos que não são suficientemente relevantes,
com o uso de um valor-limite de relevância predeterminado. Os códigos exibidos podem ser codificados por cor e/ou por fonte de relevância (por exemplo laboratórios, lista de problemas etc.). Alternativa ou adicionalmente, a tela 106 pode mostrar apenas um número predeterminado de códigos. A interface de usuário 104, entretanto, pode incluir uma opção que pode ser selecionada para exibir mais códigos - por exemplo um conjunto de próximos códigos mais relevantes.
[0027] Com base na lista classificada e/ou priorizada mostrada na tela 106, o usuário pode selecionar códigos específicos para ver a fonte (ou fontes) de dados original a partir da qual os códigos foram extraídos. Selecionar os códigos pode exibir também a trilha de raciocínio que gerou o código. O usuário pode ainda filtrar os códigos exibidos como desejar. Por exemplo, o usuário pode filtrar os códigos para mostrar códigos de apenas algumas fontes selecionadas.
[0028] A Figura 4 mostra um diagrama de um fluxo de dados, de acordo com uma modalidade exemplificadora da presente invenção. Conforme descrito acima em relação ao método 200, os dados de MRE de fontes de dados heterogêneas são transmitidos ao mecanismo de fenotipagem 114 para gerar uma trilha e um resultado de raciocínio. Os dados transmitidos para o mecanismo de fenotipagem 114 podem incluir conceitos extraídos de documentos em texto livre por meio do mecanismo de extração de conceito 112. Após a extração de conceitos/códigos por meio do mecanismo de fenotipagem 114, os dados podem ser opcionalmente transmitidos ao mecanismo de mapeamento de conceito para converter conceitos/códigos de uma ontologia médica para outra ontologia médica que é utilizada pelo mecanismo de determinação de relevância 110. O mecanismo de determinação de relevância 110 atribui então um escore de relevância (específicos do contexto) a cada um dos códigos de modo que uma lista de códigos classificados e/ou priorizados possa ser mostrada para o usuário na tela 106 através da interface de usuário 104.
[0029] Os versados na técnica compreenderão que as modalidades exemplificadoras descritas acima podem ser implementadas em qualquer número de formas, inclusive, como um módulo de software separado, como uma combinação de hardware e software, etc. Por exemplo, o mecanismo de determinação de relevância 110, o mecanismo de extração de conceito 114, o mecanismo de fenotipagem 116 e o mecanismo controlador 118 podem ser programas contendo linhas de código que, quando compiladas, podem ser executadas em um processador.
[0030] Ficará evidente aos versados na técnica que várias modificações podem ser feitas aos métodos, às modalidades exemplificadoras e às alternativas revelados, sem que se desvie do escopo e do espírito da revelação. Dessa forma, intenciona-se que a presente revelação englobe as modificações e variações, desde que estejam dentro do escopo das reivindicações em anexo e de suas equivalentes.
Claims (17)
1. MÉTODO (200), caracterizado por compreender: recuperar (210), por meio de um mecanismo controlador (118) de um processador (102), dados médicos de um paciente, sendo que os dados médicos incluem dados provenientes de múltiplas fontes de dados; extrair (220), por meio de um mecanismo de extração de conceito (112) do processador (102), conceitos médicos ou de ontologia a partir dos dados médicos do paciente que incluem documentos em texto livre por processamento de linguagem natural; fenotipar (230), por meio de um mecanismo de fenotipagem (114) do processador (102), os dados médicos do paciente e os conceitos médicos e de ontologia para gerar uma trilha de raciocínio e um resultado do raciocínio incluindo um ou mais códigos / conceitos e convertendo o um ou mais códigos / conceitos em uma ontologia médica predeterminada, sendo que a trilha de raciocínio inclui uma base para a qual o resultado do raciocínio é determinado; mapear (240), por meio de um mecanismo de mapeamento de conceito (116) do processador (102), códigos / conceitos sobre um vocabulário médico ou de ontologia a partir de uma ontologia para outra e passar para a etapa seguinte de atribuição; ou, quando todos dentre o um ou mais conceitos / códigos estiverem na mesma ontologia, passar diretamente para a etapa seguinte de atribuição; atribuir (250), por meio de um mecanismo de determinação de relevância (110) do processador (102), um escore de relevância a cada um dentre o um ou mais códigos / conceitos;
classificar, por meio do mecanismo controlador (118), os códigos / conceitos com base no escore de relevância de cada um dentre o um ou mais códigos / conceitos; e mostrar (270) os códigos / conceitos em ordem de classificação.
2. MÉTODO, de acordo com a reivindicação 1, caracterizado por compreender adicionalmente filtrar os códigos classificados de modo que apenas os códigos com um escore de relevância acima de um valor-limite predeterminado sejam mostrados.
3. MÉTODO, de acordo com a reivindicação 1, caracterizado pelas múltiplas fontes de dados incluírem um dentre resultados de laboratório, listas de problemas, listas de medicamentos, laudos radiológicos, laudos de patologia, laudos de operação cirúrgica e observações sobre admissões e altas.
4. MÉTODO, de acordo com a reivindicação 1, caracterizado pela atribuição do escore de relevância incluir aplicar um fator de ponderação com base na presença de um segundo código dentro do um ou mais códigos gerados pelo resultado do raciocínio.
5. MÉTODO, de acordo com a reivindicação 5, caracterizado pelo fator de ponderação ser baseado em uma tabela de consulta que inclui combinações de códigos relevantes.
6. MÉTODO, de acordo com a reivindicação 1, caracterizado pelo um ou mais códigos serem códigos médicos baseados em uma ontologia médica aceita que inclui um ou mais dentre SNOMED e ICD.
7. MÉTODO, de acordo com a reivindicação 1, caracterizado pela exibição dos códigos em ordem de classificação incluir exibir um número predeterminado de códigos.
8. MÉTODO, de acordo com a reivindicação 1, caracterizado por compreender adicionalmente receber uma informação inserida pelo usuário com base na lista de códigos exibida.
9. MÉTODO, de acordo com a reivindicação 8, caracterizado pela informação inserida pelo usuário selecionar um dos códigos exibidos para ver em uma dentre a uma ou mais fontes de dados originais o código e a trilha de raciocínio para o código.
10. MÉTODO, de acordo com a reivindicação 8, caracterizado pela informação inserida pelo usuário filtrar os códigos exibidos para ver códigos em uma fonte de dados selecionada.
11. MÉTODO, de acordo com a reivindicação 1, caracterizado pela atribuição do escore de relevância a cada um dentre o um ou mais códigos incluir determinar uma relevância de cada um dentre o um ou mais códigos em relação a um contexto de um fluxo de trabalho de um usuário.
12. SISTEMA (100), caracterizado por compreender: uma mídia de armazenamento legível por computador não transitória que armazena um programa executável; e um processador que executa o programa executável para fazer com que o processador execute as operações de: recuperar dados médicos de um paciente, sendo que os dados médicos incluem dados provenientes de múltiplas fontes de dados;
extrair conceitos médicos ou de ontologia dos dados médicos do paciente, incluindo documentos em texto livre por processamento de linguagem natural; fenotipar os dados médicos do paciente e os conceitos médicos e de ontologia para gerar uma trilha de raciocínio e um resultado do raciocínio incluindo um ou mais códigos / conceitos e converter o um ou mais códigos / conceitos em uma ontologia médica predeterminada, sendo que a trilha de raciocínio inclui uma base para a qual o resultado do raciocínio é determinado; quando nem todos dentre os um ou mais conceitos / códigos estiverem na mesma ontologia, mapear os conceitos / códigos em um vocabulário médico ou de ontologia a partir de uma ontologia para outra; atribuir um escore de relevância a cada um dentre o um ou mais códigos / conceitos; classificar os códigos / conceitos com base no escore de relevância de cada um dentre o um ou mais códigos / conceitos; e mostrar os códigos / conceitos em ordem de classificação.
13. SISTEMA, de acordo com a reivindicação 12, caracterizado pelo processador executar o programa executável para fazer com que o processador execute as operações de: filtrar os códigos classificados de modo que apenas os códigos com um escore de relevância acima de um valor-limite predeterminado sejam mostrados.
14. SISTEMA, de acordo com a reivindicação 12, caracterizado pela atribuição do escore de relevância incluir aplicar um fator de ponderação com base na presença de um segundo código dentro do um ou mais códigos gerados pelo resultado do raciocínio.
15. SISTEMA, de acordo com a reivindicação 12, caracterizado pelo processador executar o programa executável para fazer com que o processador execute as operações de: receber uma entrada de usuário com base na lista de códigos exibida.
16. SISTEMA, de acordo com a reivindicação 15, caracterizado pela informação inserida pelo usuário: (a) selecionar um dos códigos exibidos para ver em uma dentre a uma ou mais fontes de dados originais o código e a trilha de raciocínio para o código, e (b) filtrar os códigos exibidos para ver códigos em uma fonte de dados selecionada.
17. SISTEMA, de acordo com a reivindicação 15, caracterizado pela atribuição do escore de relevância a cada um dentre o um ou mais códigos incluir determinar uma relevância de cada um dentre o um ou mais códigos em relação a um contexto de um fluxo de trabalho de um usuário.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862673155P | 2018-05-18 | 2018-05-18 | |
US62/673,155 | 2018-05-18 | ||
PCT/EP2019/061166 WO2019219388A1 (en) | 2018-05-18 | 2019-05-01 | System and method for prioritization and presentation of heterogeneous medical data |
Publications (1)
Publication Number | Publication Date |
---|---|
BR112020023361A2 true BR112020023361A2 (pt) | 2021-02-09 |
Family
ID=66440015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BR112020023361-7A BR112020023361A2 (pt) | 2018-05-18 | 2019-05-01 | método e sistema |
Country Status (6)
Country | Link |
---|---|
US (2) | US11775585B2 (pt) |
EP (1) | EP3794600A1 (pt) |
JP (1) | JP7319301B2 (pt) |
CN (1) | CN112154512B (pt) |
BR (1) | BR112020023361A2 (pt) |
WO (1) | WO2019219388A1 (pt) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT524707A1 (de) * | 2021-01-28 | 2022-08-15 | Blockhealth Gmbh | Verfahren zum Ordnen von Gesundheitsdaten |
CN117594198B (zh) * | 2024-01-18 | 2024-04-05 | 万里云医疗信息科技(北京)有限公司 | 基于异构数据的医学影像记录检索方法及装置 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2283442A1 (en) * | 2008-05-09 | 2011-02-16 | Koninklijke Philips Electronics N.V. | Method and system for personalized guideline-based therapy augmented by imaging information |
US8799286B2 (en) | 2008-10-23 | 2014-08-05 | International Business Machines Corporation | System and method for organizing and displaying of longitudinal multimodal medical records |
EP2411931A1 (en) * | 2009-03-26 | 2012-02-01 | Koninklijke Philips Electronics N.V. | A system that automatically retrieves report templates based on diagnostic information |
WO2011132097A2 (en) * | 2010-04-19 | 2011-10-27 | Koninklijke Philips Electronics N.V. | Report viewer using radiological descriptors |
US9946991B2 (en) * | 2011-06-30 | 2018-04-17 | 3M Innovative Properties Company | Methods using multi-dimensional representations of medical codes |
WO2013036677A1 (en) | 2011-09-06 | 2013-03-14 | The Regents Of The University Of California | Medical informatics compute cluster |
JP6200431B2 (ja) * | 2011-12-27 | 2017-09-20 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | テキスト分析システム |
EP2856372A2 (en) * | 2012-06-01 | 2015-04-08 | Koninklijke Philips N.V. | System and method for matching patient information to clinical criteria |
US10127271B2 (en) * | 2012-09-06 | 2018-11-13 | Koninklijke Philips N.V. | Generating a query |
US20140108047A1 (en) * | 2012-09-21 | 2014-04-17 | Atigeo Llc | Methods and systems for medical auto-coding using multiple agents with automatic adjustment |
CA2905072A1 (en) * | 2013-03-15 | 2014-09-25 | The Cleveland Clinic Foundation | Self-evolving predictive model |
CA2916651A1 (en) * | 2013-06-27 | 2014-12-31 | Smiths Medical Asd, Inc. | Infusion planning system |
US9292658B2 (en) | 2013-11-20 | 2016-03-22 | International Business Machines Corporation | Evidence based medical record |
US20150149215A1 (en) * | 2013-11-26 | 2015-05-28 | Koninklijke Philips N.V. | System and method to detect and visualize finding-specific suggestions and pertinent patient information in radiology workflow |
US9690861B2 (en) | 2014-07-17 | 2017-06-27 | International Business Machines Corporation | Deep semantic search of electronic medical records |
WO2016024221A1 (en) * | 2014-08-12 | 2016-02-18 | Koninklijke Philips N.V. | Increasing value and reducing follow-up radiological exam rate by predicting reason for next exam |
WO2017172629A1 (en) * | 2016-03-28 | 2017-10-05 | Icahn School Of Medicine At Mount Sinai | Systems and methods for applying deep learning to data |
JP7021101B2 (ja) | 2016-03-28 | 2022-02-16 | コーニンクレッカ フィリップス エヌ ヴェ | 検査値のコンテキストによるフィルタリング |
US11017033B2 (en) | 2016-05-27 | 2021-05-25 | Koninklijke Philips N.V. | Systems and methods for modeling free-text clinical documents into a hierarchical graph-like data structure based on semantic relationships among clinical concepts present in the documents |
EP3482328A4 (en) * | 2016-06-03 | 2020-04-15 | Celmatix Inc. | FERTILITY EVALUATION METHOD BASED ON GENETIC AND PHENOTYPIC DATA OF MAN AND WOMAN |
US11915803B2 (en) | 2016-10-28 | 2024-02-27 | Intelligent Medical Objects, Inc. | Method and system for extracting data from a plurality of electronic data stores of patient data to provide provider and patient data similarity scoring |
-
2019
- 2019-05-01 BR BR112020023361-7A patent/BR112020023361A2/pt unknown
- 2019-05-01 WO PCT/EP2019/061166 patent/WO2019219388A1/en active Application Filing
- 2019-05-01 CN CN201980033495.9A patent/CN112154512B/zh active Active
- 2019-05-01 EP EP19722555.0A patent/EP3794600A1/en not_active Withdrawn
- 2019-05-01 JP JP2020564058A patent/JP7319301B2/ja active Active
- 2019-05-01 US US17/056,161 patent/US11775585B2/en active Active
-
2023
- 2023-09-27 US US18/373,333 patent/US20240020342A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240020342A1 (en) | 2024-01-18 |
US20210279289A1 (en) | 2021-09-09 |
CN112154512A (zh) | 2020-12-29 |
WO2019219388A1 (en) | 2019-11-21 |
JP2021524097A (ja) | 2021-09-09 |
US11775585B2 (en) | 2023-10-03 |
CN112154512B (zh) | 2024-03-08 |
JP7319301B2 (ja) | 2023-08-01 |
EP3794600A1 (en) | 2021-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410775B2 (en) | Structured support of clinical healthcare professionals | |
US10929420B2 (en) | Structured report data from a medical text report | |
US10910100B2 (en) | System and method for generating descriptions of abnormalities in medical images | |
JP5736007B2 (ja) | 検査報告書を生成する装置、システム、方法およびプログラム | |
EP3928322A1 (en) | Automated generation of structured patient data record | |
US8600772B2 (en) | Systems and methods for interfacing with healthcare organization coding system | |
JP2015524107A (ja) | 患者情報を臨床基準にマッチングするシステム及び方法 | |
US11244755B1 (en) | Automatic generation of medical imaging reports based on fine grained finding labels | |
RU2697764C1 (ru) | Итерационное построение разделов истории болезни | |
US20240020342A1 (en) | System and method for prioritization and presentation of heterogeneous medical data | |
Möller et al. | Radsem: Semantic annotation and retrieval for medical images | |
JP2022036125A (ja) | 検査値のコンテキストによるフィルタリング | |
EP2922018A1 (en) | Medical information analysis program, medical information analysis device, and medical information analysis method | |
US11763081B2 (en) | Extracting fine grain labels from medical imaging reports | |
US20240006039A1 (en) | Medical structured reporting workflow assisted by natural language processing techniques | |
US9305052B2 (en) | System and method for queried patient abstract | |
Zuo et al. | Normalizing clinical document titles to LOINC document ontology: an initial study | |
KR102451066B1 (ko) | 텍스트 마이닝 기법을 이용한 중요검사결과 제공 시스템 및 그 방법 | |
Sonntag et al. | Design and implementation of a semantic dialogue system for radiologists | |
US20240079102A1 (en) | Methods and systems for patient information summaries | |
CN116487014A (zh) | 分诊方法、装置、电子设备和存储介质 | |
JP2013506900A (ja) | 画像に基づくクエリを使用したドキュメント識別 | |
KR20170132995A (ko) | 임상 분석 지원 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B350 | Update of information on the portal [chapter 15.35 patent gazette] |