CN109155158A - 管理膝关节手术的患者 - Google Patents
管理膝关节手术的患者 Download PDFInfo
- Publication number
- CN109155158A CN109155158A CN201680077636.3A CN201680077636A CN109155158A CN 109155158 A CN109155158 A CN 109155158A CN 201680077636 A CN201680077636 A CN 201680077636A CN 109155158 A CN109155158 A CN 109155158A
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- prediction
- input data
- satisfactory value
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 52
- 210000003127 knee Anatomy 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 85
- 238000013179 statistical model Methods 0.000 claims abstract description 45
- 238000013500 data storage Methods 0.000 claims abstract description 27
- 238000003860 storage Methods 0.000 claims abstract description 13
- 230000002980 postoperative effect Effects 0.000 claims description 70
- 208000002193 Pain Diseases 0.000 claims description 44
- 238000005259 measurement Methods 0.000 claims description 32
- 230000000694 effects Effects 0.000 claims description 31
- 230000000474 nursing effect Effects 0.000 claims description 16
- 210000000629 knee joint Anatomy 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 7
- 230000002411 adverse Effects 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 6
- 238000013150 knee replacement Methods 0.000 claims description 5
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 28
- 201000008482 osteoarthritis Diseases 0.000 description 17
- 238000007726 management method Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 11
- 230000008901 benefit Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000011883 total knee arthroplasty Methods 0.000 description 7
- 208000003947 Knee Osteoarthritis Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000004630 mental health Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 230000005021 gait Effects 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 208000008035 Back Pain Diseases 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000002601 radiography Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 208000035965 Postoperative Complications Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 208000012285 hip pain Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010197 meta-analysis Methods 0.000 description 2
- 230000037230 mobility Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 239000003826 tablet Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010063659 Aversion Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000011688 Generalised anxiety disease Diseases 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 208000012659 Joint disease Diseases 0.000 description 1
- 206010060820 Joint injury Diseases 0.000 description 1
- 206010058046 Post procedural complication Diseases 0.000 description 1
- 208000004550 Postoperative Pain Diseases 0.000 description 1
- 230000018199 S phase Effects 0.000 description 1
- 241001227561 Valgus Species 0.000 description 1
- 241000700647 Variola virus Species 0.000 description 1
- 241000469816 Varus Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 210000003423 ankle Anatomy 0.000 description 1
- 239000000730 antalgic agent Substances 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 238000011882 arthroplasty Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- NCEXYHBECQHGNR-UHFFFAOYSA-N chembl421 Chemical compound C1=C(O)C(C(=O)O)=CC(N=NC=2C=CC(=CC=2)S(=O)(=O)NC=2N=CC=CC=2)=C1 NCEXYHBECQHGNR-UHFFFAOYSA-N 0.000 description 1
- 238000009225 cognitive behavioral therapy Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 208000029364 generalized anxiety disease Diseases 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000011540 hip replacement Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000008407 joint function Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004417 patella Anatomy 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 206010039073 rheumatoid arthritis Diseases 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
- A61B17/56—Surgical instruments or methods for treatment of bones or joints; Devices specially adapted therefor
- A61B17/58—Surgical instruments or methods for treatment of bones or joints; Devices specially adapted therefor for osteosynthesis, e.g. bone plates, screws, setting implements or the like
- A61B17/88—Osteosynthesis instruments; Methods or means for implanting or extracting internal or external fixation devices
- A61B17/92—Impactors or extractors, e.g. for removing intramedullary devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/02—Prostheses implantable into the body
- A61F2/30—Joints
- A61F2/38—Joints for elbows or knees
- A61F2/3868—Joints for elbows or knees with sliding tibial bearing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/02—Prostheses implantable into the body
- A61F2/30—Joints
- A61F2/46—Special tools or methods for implanting or extracting artificial joints, accessories, bone grafts or substitutes, or particular adaptations therefor
- A61F2/4684—Trial or dummy prostheses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- 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
- 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
- G16H40/63—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 local operation
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/02—Prostheses implantable into the body
- A61F2/30—Joints
- A61F2/38—Joints for elbows or knees
- A61F2002/3895—Joints for elbows or knees unicompartimental
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
- A61F2/02—Prostheses implantable into the body
- A61F2/30—Joints
- A61F2/46—Special tools or methods for implanting or extracting artificial joints, accessories, bone grafts or substitutes, or particular adaptations therefor
- A61F2002/4687—Mechanical guides for implantation instruments
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Orthopedic Medicine & Surgery (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Transplantation (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physical Education & Sports Medicine (AREA)
- Vascular Medicine (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
Abstract
本公开涉及用于管理膝关节手术的患者的***和方法。术前患者问卷调查用户界面与患者的未来膝关节手术相关联。患者输入数据指示患者关于术前患者问卷调查的答案。计算机***的处理器评估统计模型,以确定指示患者对未来膝关节手术的满意度的预测满意值。统计模型包括:存储在数据存储器上的节点,节点表示患者输入数据和预测满意值;以及存储在数据存储器上的边,边在节点之间,表示患者输入数据与预测满意值之间的条件依赖性。处理器然后生成包括与未来膝关节手术相关联的外科医生报告的电子文档,以向外科医生指示预测满意值。
Description
相关申请的交叉引用
本申请要求于2015年11月5日提交的澳大利亚临时专利申请No.2015904543的优先权,其内容通过引用并入本文。
技术领域
本公开涉及用于管理膝关节(knee)手术的患者的***和方法。
背景技术
骨关节炎(Osteoarthritis)是关节中软骨组织的退行性损失,并且是澳大利亚社区中最常见的关节疾病,大约15%的人口受到不利影响。其中,膝关节是骨关节炎症状出现的常见部位,这可以造成患者的衰弱疼痛和功能丧失。随着年龄的增长,发病率显著增加,在60-69岁年龄组中有多达1/3的人显示膝骨关节炎的放射摄影术(radiographic)证据,尽管其中只有一小部分有症状。照此,随着人口老龄化以及随之而来的对这一人口群体的工作需求增加,这一人口统计(demographic)群体的增长正在加速整个人口群体中膝骨关节炎的发病率。在与诸如肥胖、关节损伤和体力劳动导致的重复性关节压力之类的风险因素相关的年轻年龄组中,发病率也在增加,这进一步促成了膝骨关节炎的社会负担加重。
全膝关节置换术(TKA)是一种终末期膝骨关节炎的治疗方法。一个目标是对于患者而言缓解疼痛并恢复功能。由于可以在生活方式改善和工作能力方面为患者带来巨大的益处,手术被认为是非常成功的。成功的主要客观测量是关于修正(revision)率的幸存者分析,在12年的窗口内这一数字为6.5%。有趣的是,这个数字容易被低估,因为对患者的常规追踪在他们进行修正手术时终止意味着另外两个成功情况:患者在接受他们将来可能需要的修正手术之前死亡,或者患者的健康状况随着年龄恶化到即使需要进行修正手术也被认为进行手术不安全的点。尽管如此,这个统计数据还是掩盖了一个更大的问题:多达20%的患者在1年后报告对他们的手术的疼痛缓解和功能结果(outcome)的不满。由于数据收集相对容易和因此基于生存的数据在关节注册中得到了更广泛的采用,以及执业外科医生相对更多地接触到比大量不太不满意的患者数量更少的受诸如植入物松动之类的结果影响的高度不满意的患者,因此,存在不加思考地(mechanically)赞成“较安全”但不一定是患者结果最佳手术决策制定的潜在可能偏向。
当考虑具有广泛的终点(包括随着时间推移的负面疼痛或功能性结果)的生存时,有效的生存率被示为约所有患者的一半。
对本说明书中包含的文档、行动(act)、材料、设备、物品等的任何讨论不应因为它在本申请的每项权利要求的优先权日之前存在而被视为承认任何或所有这些事项构成现有技术基础的一部分或是本公开相关领域中的普通常识。
在整个说明书中,词语“包括”或其变形将被理解为暗示包括所陈述的元素、整数或步骤或者元素、整数或步骤的组,但不排除任何其它元素、整数或步骤或者元素、整数或步骤的组。
发明内容
一种用于管理膝关节手术的患者的方法,包括:
生成与患者的未来膝关节手术相关联的术前患者问卷调查(questionnaire)用户界面;
接收患者输入数据,该患者输入数据指示患者的与术前患者问卷调查相关的答案;
由计算机***的处理器评估统计模型,以确定预测满意值,该预测满意值指示患者对未来膝关节手术的满意度,该统计模型包括:
节点,存储在数据存储器上,表示患者输入数据和预测满意值,以及
边,存储在数据存储器上,在节点之间,表示患者输入数据与预测满意值之间的条件依赖性;以及
生成包括与未来膝关节手术相关联的外科医生报告的电子文档,以向外科医生指示预测满意值。
由于患者输入数据和预测满意值由节点表示并且条件依赖性由边表示,因此能够将指示条件依赖性的不同(disparate)数据源集成,这对于其它解决方案而言是不可能的。优点是更准确的预测模型,这意味着可以更加现实地管理患者,从而提高患者对于他们的膝关节手术的满意度。
满意值可以指示满意的概率(probability)。
统计模型可以是贝叶斯(Bayesian)网络。
该方法还可以包括确定多个影响因素,其中生成外科医生报告包括生成该多个影响因素的定量(quantitative)指示。
确定该多个影响因素可以包括根据患者报告的结果测量来确定该多个影响因素。
患者报告的结果测量可以包括牛津膝关节评分(Oxford Knee Score)以及西安大略和麦克马斯特大学关节炎指数(WOMAC,Western Ontario and McMaster UniversitiesArthritis Index)中的一个或多个。
确定该多个影响因素可以包括从膝关节损伤和骨关节炎结果评分(KOOS)确定影响因素。
从KOOS确定影响因素可以包括确定以下的一个或多个的影响因素:
疼痛,
症状,
在日常生活中的功能(ADL),
在体育和娱乐中的功能,以及
与膝关节相关的生活质量(QOL)。
生成外科医生报告可以包括确定预测满意值的统计变换。
统计变换可以包括缩放到患者的答案分布。
答案分布可以来自以下的一个或多个:
术后结果,
术前基线,
健康患者基线,
术后高成功者(achievers),以及
术后低成功者。
统计变换可以包括转换至以下的一个或多个:
比值比(odds ratio),以及
风险因素。
生成外科医生报告可以包括生成以下的一个或多个的图形描绘:
盒子,
垂直条,
水平条,
具有色阶(colour scale)映射的视觉输出的图形元素,
到百分比的转换,
嵌入到可定制的文本行中,以及
向患者指示的具体突出风险因素。
统计模型的节点可以是分层的(hierarchical),从患者输入数据到预测满意值的至少一条路径具有至少两个边。
该方法还可以包括:
生成专家用户界面,该专家用户界面包括针对专家输入数据的专家数据输入,其中专家输入数据指示患者输入数据与预测满意值之间的条件依赖性;
接收专家输入数据;
基于专家输入数据确定患者输入数据与预测满意值之间的条件依赖性;以及
将条件依赖性作为统计模型的一部分存储在数据存储设备上。
确定条件依赖性可以基于如由专家输入数据所反映的专家意见和专家网络建模。
专家输入数据可以包括来自专家的数据,专家包括以下的一个或多个:
患者,
护士,
物理治疗师(physiotherapist),
心理医生(psychologist),以及
专职医疗专业人员(allied health professional)。
该方法还可以包括:
基于预测满意值自动确定干预(intervention)规程(procedure),其中
生成外科医生报告包括生成干预规程的指示。
该方法还可以包括在膝关节手术之后:
生成与膝关节手术相关联的术后患者问卷调查用户界面;
接收术后患者输入数据,术后患者输入数据指示患者的与术后患者问卷调查相关的答案;以及
基于术后患者输入数据来确定患者输入数据与预测满意值之间的更新后的条件依赖性。
该方法还可以包括:
接收术中数据和术后数据;
基于术中数据和术后数据在膝关节手术之后确定修正的预测满意值。
术前患者问卷调查或术后患者问卷调查可以包括多个页面,并且每个页面恰好包含一个问题。
每个页面可以包括以下的一个或多个:
视觉模拟量表(scale),
二元选择或多选,
开放的文本或数字字段(field),以及
可按每位外科医生、每次实践或每个部位(site)为基础定制以输入患者输入数据。
该方法还可以包括:
确定在患者结果方面测得的误差的费用;
确定未来的结果收益或损失;以及
基于未来的结果收益或损失确定后续治疗决定。
外科医生报告可以包括以下的一个或多个的指示:
健康的一般/整体测量,
具体的功能实现,
术后的运动范围,
术后的动员(mobilisation)时间,
步行,
活动水平,以及
不良事件的风险。
该方法还可以包括从模拟全膝关节置换的重建结果的模拟器接收运动学模拟数据,其中
患者输入数据指示活动期望或患者行为,以及
统计模型的节点包括表示运动学模拟数据和指示活动期望或患者行为的患者输入数据的节点。
该方法还可以包括:
生成模型选择用户界面,模型选择用户界面包括与相应模型相关联的多个指示,相应模型中的每一个与统计模型的节点之间的不同条件依赖性相关联;
接收用户输入,用户输入关于与模型中的一个或多个相关联的多个指示中的一个或多个指示;
确定与模型中的一个或多个相关联的价格值;
为所确定的价格值生成支付界面;以及
当接收到支付确认后,使得能够进行模型中的一个或多个的评估。
该方法还可以包括术前和/或术后患者监视数据,其中统计模型包括用于术前和/或术后监视数据的另外的节点和边。
术前和/或术后患者监视数据可以涉及由患者在预定时间段内采取的多个步骤。
该方法还可以包括:
从多个数据源接收数据;
接收与多个数据源中的每一个相关联的权重;
为多个数据源中的每一个确定预测满意值;以及
基于预测满意值和相关联的权重来确定加权满意值。
接收权重可以包括通过用户界面从专家接收权重。多个数据源可以包括模拟结果、术前和术后监视、专家知识模型和数据构建模型中的一个或多个。
一种用于操作医疗护理(healthcare)***的方法,包括:
执行前述权利要求中任一项所述的方法,以确定在医疗护理***中登记的多个患者中的每一个患者的预测满意值;
通过最大化在医疗护理***中花费的医疗护理的效用来为多个患者中的每一个患者确定患者护理项目。
最大化效用可以包括以下的一个或多个:
具有集体满意或患者结果目标的全局费用最小化,
具有每个患者满意或患者结果目标的每个患者费用最小化,以及
具有满意或患者结果目标最大化的固定的全局费用分配。
最大化效用可以基于多个患者中的每一个患者的预定量。
一种用于管理膝关节手术的患者的计算机***,包括:
屏幕;
输入设备,用于从患者接收患者输入数据;
数据存储器,用于存储统计模型,统计模型包括:
节点,表示患者输入数据和预测满意值,以及
边,在节点之间,表示患者输入数据与预测满意值之间的条件依赖性;以及
处理器,用于:
在屏幕上生成与患者的未来膝关节手术相关联的术前患者问卷调查用户界面;
从输入设备接收患者输入数据,患者输入数据指示患者的与术前患者问卷调查相关的答案;
评估统计模型以确定预测满意值,预测满意值指示患者对未来膝关节手术的满意度;以及
生成包括与未来膝关节手术相关联的外科医生报告的电子文档,以向外科医生指示预测满意值。
所描述的方法、计算机可读介质或计算机***的任何方面可选特征在适当的情况下类似地适用于这里也描述的其它方面。
附图说明
将参考以下附图来描述示例:
图1a例示了用于管理膝关节手术的患者的计算机***100。
图1b例示了在使用图1的计算机***的外科医生的诊室。
图2例示了用于管理膝关节手术的患者的方法。
图3例示了术前患者问卷调查用户界面的示例。
图4例示了统计模型。
图5例示了示例外科医生报告。
图6例示了统计模型的另一个示例。
图7更详细地例示了图6中的统计模型。
图8例示了报告的另一个示例。
图9例示了作为用户与图8的报告中的交互元素进行交互的结果的另一个报告。
图10例示“设定”后台(back)页面的示例。
图11例示了术后监视用户界面。
图12例示了用于管理膝关节手术的患者的体系架构。
图13例示了模型选择用户界面。
具体实施方式
图1例示了用于管理膝关节手术的患者的计算机***100。计算机***100包括连接到程序存储器104、数据存储器106、通信端口108和用户端口110的处理器102。程序存储器104是非瞬态计算机可读介质,诸如硬盘驱动器、固态盘或CD-ROM。软件(即,存储在程序存储器104中的可执行程序)使得处理器102执行图2中的方法(即,处理器102接收患者输入数据、评估统计模型以确定预测满意值并生成包括外科医生报告的电子文档)。
处理器102然后可以将预测满意值和报告存储在数据存储设备106(诸如RAM或处理器寄存器)上。处理器102还可以经由通信端口108将报告发送到服务器(诸如患者管理数据库),以通过请求向外科医生显示。
处理器102可以从数据存储器106以及从通信端口108和用户端口110接收数据(诸如患者输入数据),用户端口110连接到显示器112,显示器112向外科医生116或其他用户或操作者示出电子文档的视觉表示114。在一个示例中,处理器102经由通信端口108(诸如通过使用根据IEEE 802.11的Wi-Fi网络)从托管调查问卷的web服务器接收患者输入数据。Wi-Fi网络可以是分散式的自组织(ad-hoc)网络,使得不需要专用的管理基础设施(诸如路由器),或者是具有管理网络的接入点或路由器的集中式网络。
虽然通信端口108和用户端口110被示为不同的实体,但是应当理解的是,可以使用任何种类的数据端口(诸如网络连接、存储器接口、处理器102的芯片封装的引脚,或逻辑端口)来接收数据(诸如存储在程序存储器104上并由处理器102执行的IP套接字(socket)或函数的参数)。这些参数可以存储在数据存储器106上,并且可以在源代码中按值或按引用(即,作为指针)被处理。
处理器102可以通过所有这些接口接收数据,这些接口包括易失性存储器(诸如高速缓存或RAM)或非易失性存储器(诸如光盘驱动器、硬盘驱动器、存储服务器或云存储)的存储器访问。计算机***100还可以在云计算环境(诸如托管动态数量的虚拟机的受管理的互连服务器组)内实现。
应当理解的是,任何接收步骤之前都可以由处理器102确定或计算稍后被接收的数据。例如,处理器102确定输入数据并将输入数据存储在数据存储器106(诸如RAM或处理器寄存器)中。处理器102然后从数据存储器106请求数据,诸如通过提供读取信号连同存储器地址。数据存储器106将数据作为物理位线上的电压信号提供,并且处理器102经由存储器接口接收输入数据。
应当理解的是,除非另有说明,否则贯穿本公开,节点、边、图形、解决方案、变量、手术计划、尺寸、位置等等是指被物理地存储在数据存储器106上或由处理器102处理的数据结构。另外,为了简洁起见,当提及特定的变量名称(诸如“预测满意值”)时,这应当被理解为指作为物理数据存储在计算机***100中的变量的值。
图1b例示了在使用图1的计算机***100的外科医生的诊室150。存在于房间150中的是外科医生151和具有需要手术的肿胀膝关节153的患者152。在图1b中示意性捕获的时刻,患者152已经将患者输入数据提供给计算机设备100,计算机设备100在这个示例中是平板计算机,并且设备100的处理器102已经计算出预测满意值。处理器102还已经生成包括报告的电子文档并在平板电脑100的屏幕112上显示该电子文档。特别地,处理器102生成作为报告的一部分的预测满意值的图形指示154,诸如数字或图表。外科医生151现在可以与患者152讨论值154,这允许外科医生151对手术规程、护理计划进行改变或者管理患者152的期望以增加积极结果的可能性。
图2例示了由处理器102执行的用于管理膝关节手术的患者的方法200。图2将被理解为软件程序的蓝图,并且可以被逐步实现,使得图2中的每个步骤都由编程语言(诸如C++或Java)中的函数表示。然后将结果得到的源代码编译并作为计算机可执行指令存储在程序存储器104上。
方法200开始于生成201与患者的未来膝关节手术相关联的术前患者问卷调查用户界面。
图3例示了在触摸屏112上显示的示例术前患者问卷调查用户界面300。问卷调查界面300可以是基于web的,这意味着处理器102是web服务器的一部分并且通过将HTML代码编写到由在患者设备(诸如平板计算机)上运行的浏览器可访问的数据存储来生成问卷调查界面300。在另一个示例中,问卷调查界面300是基于应用的,这意味着应用被安装在计算机***100上,并且处理器102通过执行包含通用用户界面函数的库函数来生成问卷调查界面300。
图3示出了问卷调查300的一页,并且当前页面恰好包含具有多个可能答案302的一个问题301。处理器102监视用户与用户界面300的交互,并且在检测到用户与多个可能答案302中的一个交互时,处理器102注册这个答案并创建问卷调查的再次仅包含单个问题的下一页。
处理器102可以通过在数据存储设备106上存储答案值来注册所选择的答案,诸如如果患者选择“从不”则是“1”,如果患者选择“很少”则是“2”,等等。在基于web的示例中,处理器102经由XMLHttpRequest、POST或GET方法将答案值发送到服务器。
作为下一个步骤,处理器102接收202患者输入数据,该患者输入数据指示患者的与术前患者问卷调查相关的答案。这可以意味着处理器102从数据存储设备106或经由XMLHttpRequest、POST或GET方法从基于web的接口接收答案值。患者输入数据可以与答案值完全相同或者可以被预处理,诸如通过压缩或加密来获得患者输入数据。
在一些示例中,患者输入数据由患者传感器生成并上载到计算机***100。例如,患者可以佩戴步数计数设备,诸如安装了步数计数应用的智能电话或者手腕或脚踝传感器。然后处理器102从步数传感器接收步数计数,并使用步数计数作为问卷调查数据,就好像患者已被问及他们的活动水平并以步数的数目回答了一样。
处理器102然后将接收到的患者输入数据馈送到统计模型,以评估203统计模型。以这种方式,处理器102确定预测满意值,其中预测满意值指示患者对未来膝关节手术的满意度。
图4例示了存储在数据存储器106上的统计模型400。统计模型400包括由盘表示的节点(Node))和由箭头表示的边(edge。节点被存储在数据存储器106上并且表示患者输入数据(诸如年龄节点401和BMI节点402)以及输出节点403处的预测满意值。节点在数据存储器106处被存储为数据结构,诸如列表,其中,为创建年龄节点401,在列表中添加新节点(例如,node_list.append(new Node(“年龄”)。在这个示例中,标签“年龄”是唯一的,使得年龄节点401可以通过搜索这个标签node_list.find(“年龄”)来检索,它返回指向节点对象的指针。
类似地,边也被存储在数据存储器106上。节点之间的边表示患者输入数据与预测满意值之间的条件依赖性。通过edge_list.append(new Edge(node_list.find(“年龄”),node_list.find(“满意”))将边添加到全局边列表,以创建年龄节点401与满意节点403之间的直接边。
在一个示例中,统计模型400是贝叶斯网络,即,有向非循环图(DAG)。在这个示例中,节点表示贝叶斯意义上的随机变量:它们可以是可观察的量、潜在变量、未知参数或假设。边表示条件依赖性;未连接的节点表示彼此有条件地独立的变量。
每个节点与概率函数相关联,概率函数采用对于节点的父变量(parentvariables)的值的特定集合作为输入,并(作为输出)给出由该节点表示的变量的概率(或概率分布,如果适用的话)。例如,如果m个父节点表示m个布尔(Boolean)变量,那么概率函数可以由2m个条目的表来表示,其中对于其父节点的2m个可能组合中的每一个可能组合的一个条目是真或假。例如,可以有多个与年龄相关的节点,其中每个节点指示患者年龄是否在预定义的年龄段内。诸如对于“年龄低于40岁”的陈述的真值或假值。其它表示可以包括对于彼此依赖的父节点组的多个子表。
在其它示例中,统计模型400是无向并且可能循环的图;诸如马尔可夫(Markov)网络。
满意节点403也可以是表示患者是否对手术满意的布尔节点。以这种方式,考虑如上所述的实际患者输入数据的概率能够被传播通过统计模型400,以计算患者满意的最终概率,即,在最终满意节点403处的值为“1”或“真”的概率。然后这个概率能够用作预测满意值。这个的一个示例是,BMI超过40并且年龄在55岁以下将返回预测满意值“64%”,指示患者在手术后满意的机会为64%,相对年轻的年龄且高的BMI对她得到成功结果的机会产生负面影响。
图4的示例是分层模型,这意味着存在从患者输入数据到预测满意值403的至少一条路径,该至少一条路径具有至少两个边。例如,从年龄节点401到满意节点403的路径总共包含四个节点以及它们之间的三个边。
最后,处理器102生成(204)包括与未来膝关节手术相关联的外科医生报告的电子文档,以向外科医生指示预测满意值。
在一个示例中,处理器102在生成报告之前确定预测满意值的统计变换,诸如将预测满意值缩放到患者的答案的分布,诸如同一位医生的其他患者的答案的分布。
在进一步的示例中,答案的分布来自以下的一个或多个:
术后结果,
术前基线,
健康患者基线,
术后高成功者,以及
术后低成功者。
处理器102还可以通过执行至比值比或风险因素的转换来执行统计变换。
处理器102可以通过生成以下的一个或多个的图形描绘来生成外科医生报告:
盒子,
垂直条,
水平条,
具有色阶映射的视觉输出的图形元素,
至百分比的转换,
嵌入到可定制的文本行中,以及
向患者指示的具体突出风险因素。
图5例示了示例外科医生报告500。在这个示例中,统计模型400具有多个输出。即,处理器102确定多个预测满意值,该多个预测满意值可以被认为是最终满意值的影响因素。在这个示例中,处理器102根据膝关节损伤和骨关节炎结果评分(KOOS)确定部分满意值/影响因素。特别地,处理器102确定预测疼痛值501、预测症状值502、预测的日常生活功能(ADL)值503和预测的膝关节相关生活质量(QOL)值504。
外科医生报告500还可以包括患者输入数据(即,由患者选择的答案或积极地影响风险的那些答案的总结)的第一指示505。这意味着这些答案导致更高可能性的患者满意。例如,患者回答他具有低严重性的和不频繁的背部疼痛。这使得他比具有高严重性的和频繁的背部疼痛的其它患者更有可能对膝关节手术满意。
类似地,报告500包括负面风险调整的第二指示506,诸如差的精神健康评分、孤独的生活方式、吸烟者或高止痛药使用。
处理器102通过选择具有小于最终值的贡献值的患者输入数据来确定正风险调整505和负风险调整506。换句话说,处理器102将从一个患者输入节点到输出节点的路径的概率与最终预测值进行比较。如果边概率小于最终值,那么处理器102将那个患者输入节点选择为负风险调整,而对于高于预测值的边概率,反过来。在其它的条件依赖的输入的情境中,处理器102通过选择之前已经被识别为与所感知的满意值具有正关系或负关系的患者输入数据来确定正风险调整505和负风险调整506。这些关系可以被预先确定,并与适当的文本串一起存储在数据存储设备106中的数据表中以显示。
报告500还包括患者的活动水平的指示。在图5的示例中,这种指示是将在手术或咨询之前每天的步数显示为线508的图表。图表507还包括步数的变化509的指示,在这个示例中,变化509的指示包括两条水平线以指示患者的表现带,颜色被编码以指示患者相对于性别和BMI调整规范(norms)达到的活动水平。
报告500还包括这个患者在这个年龄组和性别的患者中的活动水平的百分数510以及平均值511的指示。
图6例示了统计模型600的另一个示例。这个示例是数据馈送的监督学习模型,以便处理器102计算中心节点(在这种情况下,术后自报告的疼痛)的预测。节点是二元的,这意味着肯定或以满足预定标准的其它患者数据回答的问题被例示为粗体和连接。链接节点的每个集合定义条件概率表。
例如,在跌倒组602中,患者回答了他在前12个月中有跌倒,因此对应的跌倒节点603用粗体例示。跌倒节点603通过边605连接到疼痛节点604,指示前12个月中的跌倒使术后疼痛的水平不太可能令人满意。
图7更详细地例示了来自图6的统计模型600。这可以是一旦学到就拉动预测的后端结构。图7中的每个圆圈(诸如圆圈702)表示处理器102能够以很少的滞后(lag)在查找表中完全定义的因素的独立马尔可夫毯(blanket)节点的马尔可夫毯包含将节点与网络的其余部分屏蔽开的所有变量。这意味着节点的马尔科夫毯是预测那个节点的行为所需的唯一知识。
结合图7中定义的查找表结构的计算的示例将包括以下内容:满意的可能性的先验概率(80%)、患者年龄(64)、性别(“女性”)、受影响膝关节的当前KOOS疼痛、症状和ADL评分(38、51和62)、对KOOS疼痛小节问题2、5和8的具体答案(“轻度”、“中度”和“严重”)、去年的跌倒(2)、报告的背部疼痛的严重性和频率(“严重”和“每日”)以及受影响膝关节的髋部的疼痛的存在(“是”)。为了计算,处理器102基于年龄和性别、KOOS疼痛结果、其它KOOS结果和背部疼痛、髋部疼痛和跌倒次数结果来检索期望值的查找表。这些值是84%、72%、77%和47%。等式可以如下,其中n是使用的查找表的次数:
在这里,这被求解为:
或预测的满意机会是38.51%。
在贝叶斯网络中,节点的父节点和子节点的值明显地给出关于那个节点的信息;但是,它的子节点的父节点也被包括,因为它们能够被用来解释所讨论的节点。在马尔可夫随机场中,节点的马尔可夫毯就是它的相邻节点。
处理器102然后可以通过每个表结果计算联合概率,其中毯是由A的父节点、A的子节点及A的子节点的其它父节点组成的节点的集合。这种方法有助于处理实际尺寸的数据集合。
应用前端(患者和外科医生)以及Web服务可以用C++实现。存储节点和边以及其它数据的数据库可以是MySQL。单个数据库既保持预测值的表以进行查找还保持患者的患者记录及其答案集。处理器102可以执行用于预测建模的称为BayesiaLab(Bayesia S.A.S.公司)的软件。
图8例示了报告800的另一个示例。报告800将预测满意值解释为疼痛,以便针对术后状况参考术前状态。报告800包括术前疼痛值802。通过将患者术前自报告的疼痛水平与进入外科医生房间的患者的分布相比来确定这个值。这被表示为百分数排名。此外,报告800包括术后预测疼痛值803。处理器102通过在手术之前接收患者输入数据来确定术后值803,如上所述。然后使用这个数据将患者与相同分布相比,以便绘制预测的术后百分数排名。报告800显示,手术的结果是预测的百分数从41%增加至64%。报告800还包含报告的其它元素的含义的简要解释。
图9例示了报告900—报告800中的交互元素的结果。在这里,术后指示符(indicator)箭头具有按钮的功能,将条改变为术后模式,这触发了百分数条中的动画颜色改变。还被触发的是生成与图5中的报告类似的正风险调整和负风险调整的指示。
返回去参考图5,要注意的是,在一个示例中,报告的各个元素可以被定制或选择为显示或不显示。换句话说,预测前端是以模块化的方式创建的,以允许外科医生定制显示什么以及如何显示。
图10例示了允许模型权重的某种定制的“设定”后台页面1000的示例。模型加权被分成3组–集体专家知识模型1002、个体外科医生专家模型1003和数据库模型1004。用户可以通过移动相应的滑块来调整权重并且可以单独地对问卷调查中的每个问题调整“是”和“否”权重。
换句话说,处理器102生成专家用户界面1000,该专家用户界面1000包括针对专家输入数据的专家数据输入1002至1004,其中专家输入数据指示患者输入数据与预测满意值之间的条件依赖性。处理器102接收专家输入数据并基于专家输入数据确定患者输入数据与预测满意值之间的条件依赖性。最后,处理器102将条件依赖性作为统计模型的一部分存储在数据存储设备106上,使得条件依赖性基于由专家输入数据反映的专家意见和专家网络建模。要注意的是,专家可以是外科医生、患者、护士、物理治疗师、心理医生或专职医疗专业人员。
图11例示了术后监视用户界面1100,该术后监视用户界面1100用于针对非常低1103、低1104,正常1105和高1106步数计数的标准化期望恢复曲线来报告患者1102的步数计数。附加数据可以被集成到该术后监视界面中,诸如睡眠质量、心率和血压。这些可以或者如图11中所示那样通过文本显示,或者经由定制显示来显示。
在一个示例中,处理器102还接收术中数据和术后数据,诸如通过附加用户界面。例如,可以将与切割角度的偏离(deviation)或任何其它术中调整输入到***100中,并且,在膝关节手术之后,处理器102可以然后基于术中数据和术后数据确定修正的预测满意值。术后数据也可以是在问卷调查中提供的术后患者输入数据。
处理器102还可以确定在患者结果方面测得的误差的费用,并且可以确定将来的结果收益或损失。处理器102然后可以基于将来的结果增益或损失来确定后续的治疗决定。
在一些示例中,外科医生报告包括以下的一个或多个的指示
健康的一般/整体测量,
具体的功能实现,
术后的运动范围,
术后的动员时间,
步行,
活动水平,以及
不良事件的风险。
处理器102还可以(诸如基于以计算机断层图像(tomographic imagery)表征的膝关节的力学(mechanical)模型)进行膝关节的运动学模拟。该模拟对全膝关节置换的重建结果进行模拟。处理器102从模拟器接收运动学模拟数据,诸如通过从数据存储设备106中检索模拟数据。患者输入数据指示活动期望或患者行为,并且统计模型的节点包括表示运动学模拟数据和指示活动期望或患者行为的患者输入数据的节点。
例如,处理器102可以模拟膝关节的内翻/外翻(varus/valgus)值,该内翻/外翻值能够然后成为统计模型的节点之一。统计模型还可以包括用于活动(诸如打高尔夫球)的节点。例如,特定的内翻/外翻值可能使得打高尔夫球更加痛苦并因此导致较低的预测满意值。
本文描述的方法也可以用于操作医疗护理***。特别地,处理器102可以执行图2中的方法200以确定针对在医疗护理***中登记的多个患者中的每一个患者的预测满意值。处理器102然后可以通过最大化在医疗护理***中花费的医疗护理的效用来为多个患者中的每一个患者确定患者护理项目。例如,处理器102可以确定附加的物理治疗处理的费用是否超过预测满意值的期望收益。
通过将在相同时间的多个患者组合,处理器102可以在具有集体满意度或患者结果目标的情况下使全局总费用最小化,并且在具有每个患者满意度或患者结果目标的情况下执行每个患者费用最小化。处理器102还可以在满意度或患者结果目标最大化的情况下执行固定全局费用分配。
最大化效用可以基于针对多个患者中的每一个患者的预定量的费用支出。例如,处理器102可以接收能够在每个患者身上花费10000美元的指示,并确定该金额的最佳分配,以便实现最大预测满意值。
偏差(bias)问题的核心是外科医生和患者关于什么构成成功手术的定义的定义差异,以及未能使患者的期望与其可能的手术结果的现实完全一致。引出(elicit)患者测量结果的一种机制是通过使用患者报告的结果测量(PROMS)。
可以使用一系列评分度量(metric),以旨在客观结合的、可直接测量的数据(诸如运动范围(ROM)测量)和主观的、基于问卷调查的数据之间实现不同平衡,以便按照使干预可行的方式阐明和表征患者不满意度。
前者的优点是其再现性(reproducibility);但是,与直接患者报告的结果相比,临床相关性受到影响。另一种方法涉及患者结果问卷调查的高度复杂性,使得每个问题都集中在非常具体的场景或者痛苦或不满意的来源;但是,这是以暴露于调查疲劳(fatigue)或降低管理问卷调查的临床实用性为代价的。进一步的发展包括试图通过适应性问卷调查格式以便获得表征患者期望和愿望(aspiration)的具体信息来解决临床负担。虽然这种方法与提供个性化医疗护理的目标高度相关,但它确实导致围绕针对数据分析和患者结果预测工作的数据库完整性方面的潜在问题。
患者集中评分的示例是膝骨关节炎和损伤结果评分(KOOS)、牛津膝关节评分(OKS)和西安大略和麦克马斯特骨关节炎指数(WOMAC)。
更一般的问卷调查包括SF-36,与具体的膝关节功能问卷调查一起使用。用于TKA结果的评分的最终结构直接关注患者的满意度,或者通过使用视觉模拟量表构造直接询问患者是否对手术结果满意,或者通过针对现有的评分结构生成患者可接受的症状状态(PASS)以将患者组二值化为满意或不满意的组。
植入物部件与骨骼的对齐可以是测量全膝关节置换术中短期结果的基准(benchmark),并且这可以与生存率相关。这将膝关节置换手术精简到只需简单的机械优化即可实现“成功”,这可以不等同于满意的患者。各种其它因素(一些与手术有联系,一些与患者有联系)可以驱动结果。
全膝关节置换术的风险因素分析是一个示例,它可以针对两个主要目标之一:风险因素识别方法(焦点在于识别出指示可能出现严重并发症(complication)的单一关键因素),或者结果预测(其中关于输入变量的相互依赖性的考虑更广泛,代价是尽可能准确地给出单一焦点或将干预的影响隔离)。目标端点可以是再次手术、住院时间大于四天、一个月内再次入院以及术后并发症(骨科(orthopaedic)和非骨科)的发生率。如果数据覆盖具有相当大的患者结果数据库的单个关节中心(joint center),那么可以产生重要优势。这将混合源数据集遭受的许多变量控制作为混淆变量。另一方面,端点的范围可以有些限制,这种限制完全依赖医院的基于住院(based-admissions)的数据,而不是(通常更大噪声但更长期在临床上相关的)PROMS测量。分析、逐步多变量回归(regression)(具有一些基于逻辑单变量回归统计显著性的输入过滤)的统计过程是风险分析的一种方法。
通过考虑住院时间作为因素,数据可以包括一些噪音,并且端点一般是围绕管理短-中期护理费用而构建的,有可能捕获与感染或者不管实际的手术结果如何患者都倾向于表现为不满意相关的风险因素。对于所有在考虑的端点而言,精神科(Psychiatric)合并症(comorbidity)都作为负面结果的最大单一来源预测因子(predictor)呈现。这虽然不是基于PROMS分析,但它的用处在于,即使在考虑经最佳设计为捕捉与手术中的手术问题直接相关的变量的影响的端点时,也会强调患者结果的主导因素是存在精神科合并症(主要与患者而不是手术有关的因素)。这个推理没有考虑膝骨关节炎恶化作为患者精神科合并症风险的促成因素的可能因果贡献,但是,值得注意的是,输入变量不包含任何放射摄影术或其它术前骨关节炎状态变量。
可以围绕WOMAC评分将预测患者报告的结果测量设计为术前输入和目标预测。可以使用简易格式(Short Form)36问卷调查(SF-36)作为经过验证的、更一般性的、以患者响应为中心的健康测量,作为对标准人口统计因素和社会经济因素的附加术前输入。如果这种方法考虑从澳大利亚、英国和美国的关节中心招募的患者,那么这种方法会在某种程度上受到上面列出的问题的影响。这些市场中的每一个都具有本质上不同的医疗护理制度,这些制度影响患者的手术体验并且表征所选择的相关患者群体的人口统计特征(即,不仅是患者在接受关节置换方面的体验,而且在每个国家谁能够接受关节置换。)
虽然可以将此作为因素加以控制,但存在一些歪曲(distortion),诸如美国中心治疗更高百分比的高收入和高教育患者。虽然目标是识别存在这些差异的因素以便表征健壮的术前预测因子,但存在有限但完全不同的患者样本并不能保证识别出的因素将与整个人口相关。
但是,通过追求分层模型而不是基于回归的分析,可以实现某种控制,从而限制回归模型的脆弱性,可以将自身映射到非线性人口函数,该函数仅将其结构的具有选择性采样的某个部分呈现。在一个示例中,WOMAC的功能和疼痛评分的术后结果的最大单一决定因素是那些相同评分的术前结果。这就关于捕获的内容提出了一个问题:是在手术前就受到骨关节炎的较大程度影响的患者在手术后有更糟的结果,还是仅仅是那些天生认为自己状态更差的患者在手术后继续这样这么认为?当考虑相关PROMS评分的意图时,这个问题开始与哲学接壤(是提出目标作为仅被主观上考虑的结果的可能测量,还是包含患者病情体验的主观性?),但是在从机器学习的角度考虑更好的数字是患者改善的量还是最终状态的情境下具有相关性。另外,SF-36的精神健康子评分可以是另一个关键预测因子,它对患者认知是一个因素的观点给出了某种支持,这个因素在这个模型中的一些权重可能由于术前和术后评分相对彼此可能具有相比于另一种测量工具的结果的更大内在关联而被吸收在术前WOMAC变量中,即使术前评分反映了与精神健康评分相关的偏差(术后评分为强相关性)。
总的来说,这个示例强调将频率论(frequentist)统计方法应用于像这样复杂的机器学习问题时出现的杂乱的(tangled)因果关系网。心理困扰的影响可以将一些精神健康评分表征为手术干预后的可逆问题,尽管术前患者的膝关节状态驱动其低精神健康评分的因果联系的程度可以通过基于放射摄影术或其它骨关节炎评分的变量来捕获。
作为患者满意度指标的测得的因素的相互作用以及他们与地理(geography)的相互作用以及因此那些患者的相对采样可以是相关的。除了IMD(复合剥夺指数(Index ofMultiple Deprivation))外,还可以考虑EQ5D抑郁评分,这是牛津大学在收入、就业、健康剥夺和残疾、教育、技能和培训、住房和服务的障碍、犯罪和生活环境的指数方面测量的社会经济剥夺评分。
IMD可以是显著的预测因子。由于没有可信的因果联系,似乎患者单独生活不足以驱动他们的TKR结果。可以被识别的因果联系是a)为那些具有较低手段的患者提供的较差质量的医疗护理,尽管医疗***的公共管理性质表明这不是关键驱动因子(尽管有较高经验的外科医生潜在自我选择到可以从平均而言更不贫困的地理区域接收患者群体的更加“有声望的(prestigious)”医院环境),以及b)与患者康复一致性和结果感知相关的某种降低的“驱动”或其它心理特点。在单独考虑单个预测模型时,识别预测因子集合中的驱动因素的需求并不明显,但是如果试图将来自具有单独控制和共同预测因子(co-predictor)的模型的见解结合起来,它就成为识别正在引入的什么预测因子在没有完整数据集的情况下呈现独特的、未交叉相关的信息的重要工具来测试。
也可以表征使患者对不良术后结果或多或少敏感的心理特征(trait)。可以在WOMAC疼痛和功能评分结果与心理属性自我效能之间找到回归分析关系,这是“能够成功执行产生结果所需的行为的信念”的测量,在这种情况下是关于成功的TKR手术恢复。这可以被认为是派生的属性,因为它捕获患者对自己意志力的评估,与对恢复之路相对困难的看法进行平衡。它也可以捕获一些在变量中未被捕获的隐藏的相关性,因为测量可能与患者在寻求治疗前允许他们自己经历的延迟以及因此手术时骨关节炎的严重程度相关。
自我效能可以是患者结果的独立预测因子。照此,其它心理属性可以被结合到回归分析中,其中许多心理属性具有非常高的相关性,并因此导致某些容易被误解的结果。一个这样的结果是高水平的权力被给予焦虑,以预测多变量分析中的不良疼痛结果,这可能反映其与抑郁的相关性以及抑郁本身与疼痛严重性和评分的上限效应的负相关性的组合。照此,在基于回归的模型中,通过预测因子回归的其它因素的反映来解释预测因子的真正独立性是重要的,同时还要理解将实际正在被评估的内容分离的许多抽象层。作为其核心,在术前预测中,是患者的心理及该心理对他们对正在被检验的他们的变化的疼痛状态的响应的影响,以及影响他们对手术的响应的潜在因素,毫无疑问地由调整为测量严格定义的心理属性的静态手段所不完美地捕获。
但是,自我效能是要结合的有用因素,因为它捕获明确地关联到患者骨关节炎状态和即将到来的手术的心理信息(这是他们感受到多么能够克服具体挑战的测量),这是更通用的精神健康评分无法触及的。照此,研究仍然能够将自我效能识别为功能结果的重要预测因子,尽管不是疼痛。
因果联系可能是较大的疼痛没有被自我效能以任何方式减轻,但是患者功能结果的基于疼痛厌恶(aversion)的组成部分有减轻–更多自我效能的患者能够更好地装备以克服在恢复其生活方式中的疼痛。作为对此的观察,值得牢记的是PROMS评分的性质,因为将它们构建和分类为子评分(诸如疼痛和功能)并不是试图隔离手术后患者体验的具体组成部分,而是形成多个(有时微妙地)不同的临床观点,利用这些临床观点来评估他们的结果。因此,有意思的是,回归可以不选择将术前疼痛用作术后功能结果的回归因子,反之亦然。以下假设是合理的:如果自我效能捕获患者术后克服基于疼痛的残疾的能力,那么术前功能状态比其疼痛状态高得多的患者是高度自我效能的患者,并且添加用来在临床前评估这个的附加评分是多余的。诸如此类的关系,其中现有的临床工具可以部分捕获在单独手段中可隔离的相关潜在因素的元素,恰恰是机器学习而非基于线性回归的方法可显著提高术后结果预测领域的应用。
关于自我效能是主要因素,还有一些证据。一项类似的研究用经过验证的手段评估人格类型作为TKR的预测因子,该研究将被识别为“不稳定的内向型人士(introvert)”的人格类型示为最不可能表达术后满意。这种人格类型与自我效能和痛苦灾难行为之间可以存在相关性,并且显示神经质(neuroticism)和外向度(extraversion)的度量的人格测验被表示为用于灾难倾向和自我效能倾向的替代分类标签。人格分型(subtyping)可以与自我效能或其它因素无关,但是相反,一些示例描述了另一种具有更加离散的分类的手段,承认了大量心理属性的问题,所有这些问题都在设计方面和响应噪声方面通过问卷调查手段不完美地捕获,即使它们关于其定义被完美捕获,表示高度相关的因素。
照此,决定要使用这些手段中的哪个需要考虑多个维度,并且对所包括的、在由于调查疲劳和临床实用性问题导致的结果中的噪声增加方面表达的那些进行限制。所贡献的预测能力或相关性的量难以评估。
可以有能力将诸如乐观、悲观、希望、治疗可信度和治疗期望之类的几种心理构念(construct)分开成它们的组成构念(被识别为独立因素),并将其显示,尽管有巨大的互相关性,个体心理因素可以被独特地分开。但是,将一般因素结合到五因素模型中可以识别出对数据的更好拟合,尽管存在一些具体的差异,这表明分开这些独特的心理构念的临床意义可能有限。
另一个度量被称为不公正体验问卷调查(IEQ),适用于TKR接受者。问卷调查可以覆盖三个主要方面–患者是否认为他们的状况无法挽回或相信他们的生活受到了永久的负面影响,他们是否认为这是某种方式的“不公平”,他们是否认为其他人对于他们的状况负有部分过错。一个示例是将因素逐步引入线性回归模型,假设他们希望相关的因素具有最小意义并且最后被引入,目的是预测WOMAC疼痛和功能评分。主导因素可以是术前疼痛和功能评分,值得记住的是,这些评分可能会淹没其它心理评分的一些重要性(因为现在患者对他们的疼痛的测量可以被假设为捕获某种水平的心理因素,该心理因素指示他们将来可能的疼痛响应。)
但是,当用单变量回归进行分析时,IEQ可以具有更强的相关性。但是,值得考虑IEQ和这里正考虑的术后评分的性质。IEQ问卷调查的结果可以低于在问卷调查原生域(native domain)中记录的损伤和事故的评分(2至3倍)。患者群体可以年龄较大,并可以患有没有明显的来源来负责的退化性疾病。照此,IEQ可以用作相对少量注定不满意的患者的过滤器,而不是能够在广泛的结果上将患者分类的工具。
这将导致它识别为统计学上对于回归的有力工具,因为它的结果的数值分布(许多具有较高评分的长尾(tail)的低评分)以倾向于适应天花板效应和术后结果评分的长尾的方式被偏置。于是,然后相对少量的非常准确的预测可以促成强烈报道的适应性。这是另一种应用,其中机器学习算法(即使像CART分析那样简单)可以产生更有意义的观察结果。
通过允许其它术后变量馈送到患者的满意度预测中,TKR满意度可以从对满意和不满意的人进行分类的角度来考虑,而不关心预测。不满意的最大“预测因子”可以是何时患者的预期没有得到满足,这比任何其它术前或术后因素更为重要。
患者术前期望的反映可以是将可能影响结果的许多术前心理属性“门控(gating)”成单一因素的有效方式。作为主要的预测因子,患者期望通过将患者预期与他们的外科医生进行对齐来表示用于改善患者结果的未来干预的非常现实的途径。
没有达到其不切实际的期望的过于乐观的患者由于他们的思维方式而导致具有表现不佳的可信道路;同样,过度悲观的患者可能自己形成负面看法,无论他们的实际手术结果如何。另一方面,有把握地预测患者的结果并且向患者呈现比实际上的结果稍微更乐观的结果的能力可以促使患者转向更好的结果,尽管存在伦理方面的考虑。
驱动外科医生-患者预期对齐的可能机制从首先使用经验证的问卷调查手段在每个患者水平上测量外科医生与患者之间的期望差距开始。这可以包括患者教育课程或影响它们对患者术前预期的影响的其它信息分散机制。一些示例在其教育结构中使用个性化的报告或信息。照此,他们工作中需要将对患者决策制定过程的理解结合到他们的设计和开发以及对社会心理因素的理解中。通过将在患者手术前识别的风险因素结合到针对患者的具有个性化风险因素评估的决策支持工具中,这种鸿沟可以被潜在地桥接。
一个示例是审视术前期望并将其分解为响应期望和行为结果期望。响应期望涵盖不由自主的因素,诸如疼痛和睡眠能力。行为结果期望涵盖与患者自身决策制定相关的因素,诸如他们克服具体障碍的能力。将这两个因素按照与自我效能如何与术前疼痛评分相联系的相同方式联系,但在患者关于术后状态的术前期望的情境下捕获这两个因素。结果表明,行为结果期望比响应期望更好地预测随访时的疼痛严重性和功能,并胜过疼痛灾难以外的其它心理属性,从而进一步证实这样的想法,即,结合到患者关于自身能力的信念的某些因素会减弱纯粹基于心理属性的预测中发现的噪音。
作为潜在的预测因子,疼痛灾难以及与心理状态相联系的多个不同的术前指标,包括抑郁、广泛性焦虑或恐慌测量,可以被进一步探索。这可以意味着对疼痛灾难的测量可以将疼痛灾难评分的结果二值化为“高”或“低”范围(bin),并且可以导致将患者人群的最高三分之一划分成高痛苦灾难群体。这个示例还可以采用在逻辑回归中表征其结果的路线,其改进场景基于初始状态的百分比增益。
重要的是要注意,包括感染率、手术时在手术台上达到的ROM、某种程度上达到的对齐(到了极端非对齐(mal-alignment)可能造成负面影响)以及外科医生培训和手术量的继续作用手术因素和手术事件都是术前结果预测时不能获得的患者结果的驱动因素,因此可能存在预测模型可能无法闭合的一定水平的“差距”。作为手术并发症的广泛捕获所有预测因子,延长的手术时间也具有预测能力,尽管结果的因果关系是未知的,并且如果直接采取行动可能不合适。
在以下五个维度的单独的情境被阻止合成到有效的临床工具中。
第一个维度是目标人群,具有在本质上不同的医疗护理制度中观察到显著差异,这些差异影响患者的手术体验并表征用于所选的相关患者群体的人口统计特征(即,不仅患者在接受关节置换方面的体验,而且在每个国家谁能够接受关节置换。)
第二个维度是所使用的PROMS或满意度量的性质,以及如何应用它的协议偏差(例如,自我管理相对于指导)。
第三个维度是满意度本身或PROMS是否实际上是目标度量,因为这些相关性已被证明是中度到弱的,并且患者在术后的功能和疼痛状态对整体满意度有贡献。
第四个维度是如何定义成功的PROMS结果,以及它是能够被认为是成功的绝对结果评分还是相对于术前状态的改善。
最后,在定义预测因子变量时使用不同的手段以及关于它们表示的构造的混淆(特别是在心理领域)使得对具有不同结果的研究进行比较更加麻烦。
功能性手段寻求捕获的患者疾病状态的一个方面是OA引起的损害程度和丧失的机动性。患者活动水平可以使用主观自我评估来进行,采用多种不同的发展规模或外科医生对患者的“需求匹配”。
但是,主观自报告的活动性和机动性水平的测量可以按照不可预测的方式相对于客观测量剧烈变化,其中子人群趋势和变化的受试者水平偏差都会影响结果的准确性。终末期膝骨关节炎患者的步数/天计数可能与健康的可比年龄受试者相比减少,从峰值处的约8800步减少至6600。这些数字在患者群体内和患者群体之间是变化的,但是,诸如公共相对于私人治疗患者、年龄和性别之类的划界(delimination)都会造成巨大的差异。看起来与这种变化不一致的观察是,在评估步数计数时仅需要3天的积极测量来引出患者活动水平概况,这似乎对于周末相对于工作日患者会改变行为的观点以及其他区别因素提出了质疑。
活动水平的客观测量可以通过多种方式完成。就风湿性关节炎患者可以使用步数计数作为治疗结果的评估这点而言,步数计数最直接地适用于患者的生活方式。其它示例查看由除步数计数之外的某种其它度量定义的活动监视器数据,包括受试者一天中用来移动或直立的百分比。
但是,这种测量可以被认为是测量不同的构造以进行步数计数,因为不难想象这样的情景,其中活动并且步行相同时间量的受试者基于步态(gait)速度实现不同的步数计数。其它示例使用基于特定点的加速度计,并将来自胫骨结节(tibial tubercle)的加速度计数据与患者报告的膝关节不稳定性相关联。步态分析也可能有用。步数计数具有显著的优势,因为它引入的变量易于理解,因此能够让患者自行管理其疾病状态。
诸如Fitbit之类的可穿戴无线活动监视器是费用越来越低的、临床上相关的用于监视患者活动水平的现成选项。这些设备可以是专门用于正常受试者的步行的有效且可靠的评估工具,而且步测量(pedometry)的整个领域通常可以具有相似的效果。其它示例利用无线活动监视器在慢性疾病评估中的价值。戴上设备的时间段可以是48小时。
一个示例基于智能活动监视设备报告能量消耗(expenditure)定量(quantification)。这可以包括5个不同记录时间段的活动水平的测量,包括术前、6周、3个月、6个月和12个月的场景。这可以允许患者相关的、可以被患者理解并容易由患者以自我管理的方式干预以报告的单个值,这是前面已经提到的论点。
该设备可以将行走所花时间量测量为每日活动的百分比,并且在步行所花的时间、步态速度和正在进行的步数之间可以存在隐含关系。作为示范性示例,在术前、术后每天花5%的时间步行、步态速度在术后快两倍的患者将在术后场景中用计步器计数两倍多的步数,但步行所花时间量相同。其它示例使用相对小且无障碍的腰部佩戴设备在4到7天的时段内评估患者,并因此表示克服一些潜在观察偏差的尝试。这可以包括采样差异,包括BMI。
这些测量可以用作早期恢复干预的评估目标,其中早期恢复干预被设计为驱动患者的自我效能,因此可以利用这种结构生成临床改善机制。
一个示例是BBN模型。在这种结构中特别有吸引力的是,可以相对容易地将专家知识建模观察结果拉入模型,以增强其预测能力并避免与文献中可用数据的断裂性质相关的一些问题。这些观察结果可以从专家个人、团队或者通过文献荟萃分析(meta analysis)来获得。
作为进一步的观点,贝叶斯模型具有附加的优点,优点在于贝叶斯网络结构能够对诊断精度的变化相当不敏感。
医疗护理***具有有限的资源来为其公民提供护理。全膝关节置换术是与高费用和术后一年高不满意率相关联的手术。医疗护理***可以从以下的方式中受益:膝关节置换的费用a)对于每个患者可预测并且b)呈现既符合费用效益又为患者提供最大益处的术前和术后计划。根据手术前后预测结果对患者护理进行分层(Stratification)可以提供一种在全膝关节置换术之前和之后有效利用资源的解决方案。
护理结构的分层可以受益于一套有针对性的、对患者结果有已知或可预测的影响的干预策略。使用患者术前和术后的数据收集可能是一种机制,通过这种机制,可以对于适当患者将具有费用效益的患者特定干预策略作为目标,以获得最大的影响。将这些观察与医疗护理效用过滤器联系起来可以允许实现显著的节省,或产生显著的结果收益。实现这种医疗护理效用过滤器的一些可能方法可以是使具有目标总体患者满意水平的医疗***的费用最小化;在具有每个患者目标最小可接受预测结果的情况下减少个体患者相关联费用;或固定费用、最佳分配***,其中应用固定数量的资源以便获得满意患者的尽可能高的比例。
照此,本文提出的解决方案可以通过从尽可能多的文献来源中拉入观察结果来增强初始的、单一数据库馈送的模型,使用外科医生团队来指导模型的开发,以便创建尽可能强的TKR结果的预测因子,从而克服断裂的数据景观。在临床综合工作流程中,依靠低费用计步器,廉价客观可测量数据源可用于替代术前功能评估领域的主观数据。预测工具的影响可以通过在其可以用于驱动干预的例行手术咨询之前和之后的患者的期望测量来评估。此外,通过结合下面描述的其它要素,可以通过整个参与患者人群的费用节省或结果改善来评估对整个患者群体的影响。
在一个示例中,为了通过分析算法预测TKR患者的术后结果,在术前设定中存在用于从患者收集数据的平台。该平台包括为最大限度方便患者使用而开发的界面,使用每页一个问题的结构以及在适当情况下自动验证输入数据能够提出以下问题:
视觉模拟量表
二元选择或多选
开放的文本或数字字段
可按每位外科医生、每次实践或每个部位为基础定制
向患者显示界面、捕获患者数据并将其安全地返回给服务器的应用
根据患者报告的功能、活动、生活质量或基于疼痛的子区域、健康的一般/整体测量或具体功能实现(包括但不限于术后的运动范围、术后的动员时间和步行)或活动水平以及不良事件的风险的结果预测的结果的定制。
提供了在贝叶斯概率结构或信念网络中使用的算法的发展,所述贝叶斯概率结构或信念网络包括以下一个或多个:
使用已知的、日志记录的结果来驱动预测的数据库馈送的模型
基于临床观察以及外科医生、护士、患者和专职医疗专业人员或他们的组的判断的源于用户的专家知识模型
贝叶斯决策树或其它决策工具的开发,以指导或引导术前干预的实现,以便驱动改善的结果,或者撤回标准护理实践,以便在认为适当的情况下对患者护理进行分层,包括以下一个或多个:
数据库馈送的模型,使用已知的、日志记录的结果增强来驱动有针对性的干预,其中结果增强被链接到基于术前指标的干预
基于临床观察以及外科医生、护士、患者和专职医疗专业人员或他们的组的判断的源于用户的专家知识模型
用于基础算法的定制结构,允许在一个或多个这种数据或专家用户馈送模型之间进行概率性加权的预测能够在每个外科医生或用户的基础上设定为特定用户选择的权重
商业化平台,用于专家用户算法的许可或商业所有权向其他专家用户发展。
还提供了一个界面,用于在咨询或患者管理环境中向患者和专家用户显示如此生成的预测,该界面包括能够渲染的可定制的外科医生-用户可选模块的集合
对于各种结果目标的预测,经历各种统计变换,包括
根据各种分布(诸如术后结果、术前基线、健康患者基线、术后高成功者或术后低成功者)对患者的答案分布进行缩放
转换为比值比或风险因素
预测经历各种显示结构变化,诸如盒子、垂直或水平条以及色阶映射的视觉输出
转换到百分比或嵌入可定制的文本行中
向患者指示的具体突出风险因素
对患者期望进行综合测量,以便评估预测工具对患者期望管理的影响
集成预测和观察结果以便提供特定于患者的决策辅助或可能结果和当前状态的报告的远程可用的web或应用工具,结合上面概述的显示的所有可定制性。
提供了预测术前模型的术后患者数据测量的监视。
提供在全膝关节置换手术后的不同时间点收集的术后患者数据:
通知外科医生患者是否在如期望那样表现
通知患者他们与患者人群相比表现如何
对术前数据库的反馈,以不断改善预测软件的准确性
基于术后数据进行术后干预
术后干预可以取决于收集的术后PROM数据来触发:
如果患者表现不佳而触发的干预增加与医护专业人员的接触。这个的示例包括由外科医生、物理治疗师、全科医生和/或心理医生的检查
如果患者表现良好而触发的干预将鼓励使用移动技术接口进行自我管理康复
基于术前和术后数据收集进行的具有或不具有费用-效用函数的术后护理分层,驱动干预选择。
术前数据收集可以关于患者在手术后的康复计划将可能是什么而对患者进行分层。康复的示例可以是经由移动技术接口的自我管理、通过物理治疗师的康复或通过心理医生的认知行为治疗。在适当的情况下,这些干预可以在术前而不是术后就开始。
提供了一种基于患者移动应用的依从性(compliance)模型,该模型有助于在全膝关节置换术前后进行自我管理。
为计划接受和已经接受全膝关节置换手术的患者提供期望管理、教育、建议和锻炼处方的移动应用
锻炼、建议和描述将特定于患者,取决于患者对完成的锻炼、步数计数和疼痛评分的输入。
图12例示了用于管理膝关节手术的患者的体系架构1200。体系架构1200的输入数据包括来自模拟器(诸如模拟围绕膝关节的骨骼的移动的物理模拟器)的模拟器数据1201。输入数据还包括患者数据1202,诸如来自现有数据库的数据和从本文描述的患者界面收集的数据。输入数据还包括未知数据1203和例如来自整形外科医生、物理治疗师和护士的专家意见数据1204。
知识生成模块1205接收输入数据1201、1202、1203和1204并生成预测膝关节手术后的患者结果的新知识体。合并模块1206基于数学算法将知识和数据合并到临床上有用且相关的工具中。特别地,合并模块1206确定输入数据(诸如患者输入数据)与预测满意值之间的条件依赖性,如与统计模型的边相关联地存储的那样。
例如,患者界面模块1207(诸如患者界面环境和咨询应用)生成包括患者问卷调查的用户界面,并且评估统计模型以确定预测的患者满意值,如本文参考图2所描述的。即,特定于患者的程序基于术前调查向患者提供其可能的预测结果。
患者界面模块1207的输出数据被提供给过滤器模块1208(诸如医疗护理效用过滤器),过滤器模块1208基于预测满意值来确定动作。
过滤器模块1208可以激活康复计划模块1209,康复计划模块1209确定特定于患者的术后康复计划。例如,康复计划模块1209可以查询查找表,以找到针对特定预测满意值的预配置康复计划。
过滤器模块1208还可以激活干预模块1210,干预模块1210确定特定于患者的术前干预。再次,处理器可以查询查找表,以找到适当的干预。
过滤器模块1208还可以激活患者引导模块1211,患者引导模块1211生成用于在术前和术后自我管理和教育的患者用户界面环境。例如,患者用户界面可以显示包含用于膝关节相关和特定于患者的锻炼的文本、图像和视频的指令,并提供允许患者指示那些锻炼的完成的输入字段。
过滤器模块1208还可以激活修改模块1212,修改模块1212修改期望并且增强共享决策制定,诸如通过通知患者或外科医生或允许外科医生与其他外科医生协作以改善膝关节手术的期望结果。
体系架构1200还包括数据收集模块1213,数据收集模块1213持续地收集患者数据(诸如疼痛评分、步数计数、KOOS)。数据收集模块1213还可以收集指示将修改患者界面环境1211和医疗护理效用过滤器1208的不良事件的数据。
体系架构1200被描述为包括若干模块,并且每个模块可以是一段软件(诸如C++或Java类),或者可以是由其自己的处理器在其自己的设备上执行的其自己的应用。图12中的箭头可以通过函数参数、类参数、进程间通信、经互联网或另一个分布式计算平台(诸如云计算平台)的TCP/IP通信来实现。
图13例示了如由处理器102生成的模型选择用户界面1300。模型选择用户界面1300包括与相应模型相关联的多个指示。对于每个模型,用户界面1300示出外科医生的名字、医院的名字、用于训练模型的患者的数量以及费用。
如从来自患者数量的数据得知的,每个模型与统计模型节点之间的不同条件依赖性相关联。
处理器102从外科医生接收关于与一个或多个模型相关联的多个指示中的一个或多个指示相关的用户输入,诸如外科医生按压“选择”按钮中的一个的指示。
处理器102确定与一个或多个模型相关联的价格值,诸如通过从模型的数据库中检索价格值。处理器102然后为所确定的价格值生成支付界面,诸如通过调用支付处理器API(诸如PayPal API或Google Wallet API)。
一旦处理器102从API接收到支付确认,处理器102就能够评估所选择的模型,即,处理器102允许将患者数据馈送到节点和边中,以确定预测满意值。
本领域技术人员将认识到的是,在不脱离如权利要求书中限定的范围的情况下,可以对具体实施例进行许多变化和/或修改。
应当理解的是,本公开的技术可以使用各种技术来实现。例如,本文描述的方法可以通过驻留在合适计算机可读介质上的一系列计算机可执行指令来实现。合适的计算机可读介质可以包括易失性(例如,RAM)和/或非易失性(例如,ROM、盘)存储器、载波和传输介质。示例性载波可以采用沿着本地网络或公共可访问网络(诸如互联网)传送数字数据流的电、电磁或光信号的形式。
还应当理解的是,除非特别指出,否则如从以下讨论中清楚的,应当认识到的是,在整个描述中,利用诸如“估计”或“处理”或“计算(compute)”或“计算(calculate)”、“优化”或“确定”或“显示”或“最大化”等之类的术语进行的讨论是指计算机***或类似电子计算设备的动作和处理,它们对被表示为计算机***的寄存器和存储器内的物理(电子)量的数据进行处理并将其变换为被类似表示为计算机***存储器或寄存器或其它此类信息存储、传输或显示设备内的物理量的其它数据。应当注意的是,虽然上述示例涉及膝关节手术,但本文所述的方法和***可同样适用于其它临床规程(诸如髋部置换)。
因此,本实施例在所有方面都被认为是例示性而非限制性的。
Claims (32)
1.一种用于管理膝关节手术的患者的方法,所述方法包括:
生成与患者的未来膝关节手术相关联的术前患者问卷调查用户界面;
接收患者输入数据,所述患者输入数据指示患者的与所述术前患者问卷调查相关的答案;
由计算机***的处理器评估统计模型以确定预测满意值,所述预测满意值指示所述患者对所述未来膝关节手术的满意度,所述统计模型包括:
节点,所述节点存储在数据存储器上,表示所述患者输入数据和所述预测满意值,以及
边,所述边存储在数据存储器上,在所述节点之间,表示所述患者输入数据与所述预测满意值之间的条件依赖性;以及
生成包括与所述未来膝关节手术相关联的外科医生报告的电子文档,以向外科医生指示所述预测满意值。
2.如权利要求1所述的方法,其中所述统计模型是贝叶斯网络。
3.如权利要求1或2所述的方法,还包括确定多个影响因素,其中生成所述外科医生报告包括生成所述多个影响因素的定量指示。
4.如权利要求3所述的方法,其中确定所述多个影响因素包括根据患者报告的结果测量来确定所述多个影响因素。
5.如权利要求3或4所述的方法,其中确定所述多个影响因素包括从膝关节损伤和骨关节炎结果评分KOOS确定影响因素。
6.如权利要求5所述的方法,其中从KOOS确定影响因素包括确定以下的一个或多个的影响因素:
疼痛,
症状,
在日常生活中的功能ADL,
在体育和娱乐中的功能,以及
与膝关节相关的生活质量QOL。
7.如前述权利要求中任一项所述的方法,其中生成所述外科医生报告包括确定所述预测满意值的统计变换。
8.如权利要求7所述的方法,其中所述统计变换包括缩放到患者的答案分布。
9.如权利要求8所述的方法,其中所述答案分布来自以下的一个或多个:
术后结果,
术前基线,
健康患者基线,
术后高成功者,以及
术后低成功者。
10.如权利要求7、8或9所述的方法,其中所述统计变换包括转换至以下的一个或多个:
比值比,以及
风险因素。
11.如前述权利要求中任一项所述的方法,其中生成所述外科医生报告包括生成以下的一个或多个的图形描绘:
盒子,
垂直条,
水平条,
具有色阶映射的视觉输出的图形元素,
至百分比的转换,
嵌入到可定制的文本行中,以及
向患者指示的具体突出风险因素。
12.如前述权利要求中任一项所述的方法,其中所述统计模型的所述节点是分层的,其中从所述患者输入数据到所述预测满意值的至少一条路径具有至少两个边。
13.如前述权利要求中任一项所述的方法,还包括:
生成专家用户界面,所述专家用户界面包括针对专家输入数据的专家数据输入,其中所述专家输入数据指示所述患者输入数据与所述预测满意值之间的所述条件依赖性;
接收所述专家输入数据;
基于所述专家输入数据确定所述患者输入数据与所述预测满意值之间的所述条件依赖性;以及
将所述条件依赖性作为所述统计模型的一部分存储在数据存储设备上。
14.如权利要求13所述的方法,其中确定所述条件依赖性是基于如由所述专家输入数据所反映的专家意见和专家网络建模。
15.如权利要求13和14所述的方法,其中所述专家输入数据包括来自专家的数据,所述专家包括以下的一个或多个:
外科医生,
患者,
护士,
物理治疗师,
心理医生,以及
专职医疗专业人员。
16.如前述权利要求中任一项所述的方法,还包括:
基于所述预测满意值自动确定干预规程,其中
生成所述外科医生报告包括生成所述干预规程的指示。
17.如前述权利要求中任一项所述的方法,还包括在所述膝关节手术之后:
生成与所述膝关节手术相关联的术后患者问卷调查用户界面;
接收术后患者输入数据,所述术后患者输入数据指示所述患者的与所述术后患者问卷调查相关的答案;以及
基于所述术后患者输入数据来确定所述患者输入数据与所述预测满意值之间的更新后的条件依赖性。
18.如前述权利要求中任一项所述的方法,还包括:
接收术中数据和术后数据;
基于所述术中数据和所述术后数据在所述膝关节手术之后确定修正的预测满意值。
19.如前述权利要求中任一项所述的方法,其中所述术前患者问卷调查或术后患者问卷调查包括多个页面,并且每个页面恰好包含一个问题。
20.如权利要求19所述的方法,其中每个页面包括以下的一个或多个:
视觉模拟量表,
二元选择或多选,
开放的文本或数字字段,以及
可按每位外科医生、每次实践或每个部位为基础定制以输入所述患者输入数据。
21.如权利要求18、19或20所述的方法,还包括:
确定在患者结果方面测得的误差的费用;
确定未来的结果收益或损失;以及
基于所述未来的结果收益或损失来确定后续治疗决定。
22.如前述权利要求中任一项所述的方法,其中所述外科医生报告包括以下的一个或多个的指示:
健康的一般/整体测量,
具体的功能实现,
术后的运动范围,
术后的动员时间,
步行,
活动水平,以及
不良事件的风险。
23.如前述权利要求中任一项所述的方法,还包括从模拟全膝关节置换的重建结果的模拟器接收运动学模拟数据,其中
所述患者输入数据指示活动期望或患者行为,以及
统计模型的所述节点包括表示所述运动学模拟数据和指示活动期望或患者行为的所述患者输入数据的节点。
24.如前述权利要求中任一项所述的方法,还包括:
生成模型选择用户界面,所述模型选择用户界面包括与相应模型相关联的多个指示,所述相应模型中的每一个与所述统计模型的所述节点之间的不同条件依赖性相关联;
接收用户输入,所述用户输入关于与所述模型中的一个或多个模型相关联的所述多个指示中的一个或多个指示;
确定与所述模型中的所述一个或多个模型相关联的价格值;
为所确定的价格值生成支付界面;以及
当接收到支付确认后,使得能够进行所述模型中的所述一个或多个模型的评估
25.如前述权利要求中任一项所述的方法,还包括术前和/或术后患者监视数据,其中所述统计模型包括用于所述术前和/或术后监视数据的另外的节点和边。
26.如权利要求25所述的方法,其中所述术前和/或术后患者监视数据涉及由所述患者在预定时间段内采取的多个步骤。
27.如前述权利要求中任一项所述的方法,还包括:
从多个数据源接收数据;
接收与所述多个数据源中的每一个数据源相关联的权重;
为所述多个数据源中的每一个数据源确定预测满意值;以及
基于所述预测满意值和所述相关联的权重来确定加权满意值。
28.一种用于操作医疗护理***的方法,所述方法包括:
执行前述权利要求中任一项所述的方法,以确定在所述医疗护理***中登记的多个患者中的每一个患者的预测满意值;
通过最大化在所述医疗护理***中花费的医疗护理的效用来为所述多个患者中的每一个患者确定患者护理项目。
29.如权利要求28所述的方法,其中最大化效用包括以下当中的一个或多个:
具有集体满意或患者结果目标的全局费用最小化,
具有每个患者满意或患者结果目标的每个患者费用最小化,以及具有满意或患者结果目标最大化的固定的全局费用分配
30.如权利要求28或29所述的方法,其中最大化效用是基于所述多个患者中的每一个患者的预定量。
31.一种软件,当安装在计算机上时,使所述计算机执行前述权利要求中任一项所述的方法。
32.一种用于管理膝关节手术的患者的计算机***,所述计算机***包括:
屏幕;
输入设备,用于从患者接收患者输入数据;
数据存储器,用于存储统计模型,所述统计模型包括:
节点,所述节点表示所述患者输入数据和预测满意值,以及
边,所述边在所述节点之间,表示所述患者输入数据与所述预测满意值之间的条件依赖性;以及
处理器,用于:
在所述屏幕上生成与所述患者的未来膝关节手术相关联的术前患者问卷调查用户界面;
从所述输入设备接收患者输入数据,所述患者输入数据指示所述患者的与所述术前患者问卷调查相关的答案;
评估所述统计模型以确定预测满意值,所述预测满意值指示所述患者对所述未来膝关节手术的满意度;以及
生成包括与所述未来膝关节手术相关联的外科医生报告的电子文档,以向外科医生指示所述预测满意值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AU2015904543A AU2015904543A0 (en) | 2015-11-05 | Managing patients of knee surgeries | |
AU2015904543 | 2015-11-05 | ||
PCT/AU2016/051043 WO2017075657A1 (en) | 2015-11-05 | 2016-11-03 | Managing patients of knee surgeries |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109155158A true CN109155158A (zh) | 2019-01-04 |
Family
ID=58661413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680077636.3A Pending CN109155158A (zh) | 2015-11-05 | 2016-11-03 | 管理膝关节手术的患者 |
Country Status (5)
Country | Link |
---|---|
US (3) | US10984893B2 (zh) |
JP (1) | JP7031953B2 (zh) |
CN (1) | CN109155158A (zh) |
AU (2) | AU2016349941A1 (zh) |
WO (1) | WO2017075657A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110507297A (zh) * | 2019-08-30 | 2019-11-29 | 深圳市汇健医疗工程有限公司 | 基于5g网络的手术中心智慧手术干预平台 |
CN110517770A (zh) * | 2019-08-28 | 2019-11-29 | 中国科学院重庆绿色智能技术研究院 | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 |
CN111933238A (zh) * | 2020-08-31 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN113421623A (zh) * | 2021-06-24 | 2021-09-21 | 广东省中医院(广州中医药大学第二附属医院、广州中医药大学第二临床医学院、广东省中医药科学院) | 一种基于阶梯诊疗的全膝关节置换评估分析*** |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2016349941A1 (en) | 2015-11-05 | 2018-05-17 | 360 Knee Systems Pty Ltd | Managing patients of knee surgeries |
US11387000B2 (en) * | 2016-02-08 | 2022-07-12 | OutcomeMD, Inc. | Systems and methods for determining and providing a display of a plurality of wellness scores for patients with regard to a medical condition and/or a medical treatment |
WO2017139383A1 (en) * | 2016-02-08 | 2017-08-17 | OutcomeMD, Inc. | Determining a wellness, improvement, or effectiveness score |
KR101992919B1 (ko) * | 2017-08-08 | 2019-06-26 | 유의식 | 관절 검진 시스템 |
WO2019040705A1 (en) * | 2017-08-23 | 2019-02-28 | The General Hospital Corporation | SURGICAL DECISION SUPPORT USING A DECISION-MAKING MODEL |
JP7361505B2 (ja) * | 2019-06-18 | 2023-10-16 | キヤノンメディカルシステムズ株式会社 | 医用情報処理装置及び医用情報処理方法 |
US20210241116A1 (en) * | 2020-02-05 | 2021-08-05 | Koninklijke Philips N.V. | Quantification and estimation based on digital twin output |
AU2021257275A1 (en) * | 2020-04-17 | 2022-11-17 | Exactech, Inc. | Method and system for modeling predictive outcomes of arthroplasty surgical procedures |
MX2022015502A (es) | 2020-06-08 | 2023-05-18 | Kinesiometrics Inc | Sistema y método para evaluar el nivel de actividad física utilizando datos de salud de dispositivos de cómputo de un usuario. |
CN112133437A (zh) * | 2020-10-14 | 2020-12-25 | 四川省骨科医院 | 一种预测髌股关节疼痛综合征发病风险的方法 |
CN114912935A (zh) * | 2021-02-09 | 2022-08-16 | 日本电气株式会社 | 数据处理方法、装置和计算机可读存储介质 |
AU2022228435A1 (en) | 2021-03-01 | 2023-09-14 | New York Society For The Relief Of The Ruptured And Crippled, Maintaining The Hospital For Special Surgery | Predicting implant size in arthroplasty using demographic variables |
JP6963343B1 (ja) * | 2021-08-10 | 2021-11-05 | 株式会社トータル・ヘルス・サポート | 情報処理装置及びプログラム |
WO2023034072A1 (en) * | 2021-08-31 | 2023-03-09 | Mako Surgical Corporation | Digital twin systems, devices, and methods for treatment of the musculoskeletal system |
WO2023107897A1 (en) * | 2021-12-07 | 2023-06-15 | Kinesiometrics, Inc. | Medical data assessment and visualization platform for use in a network environment including computing devices |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
CN101526980A (zh) * | 2008-02-27 | 2009-09-09 | 积极健康管理公司 | 用于产生实时健康护理警报的***和方法 |
US20140244292A1 (en) * | 2011-01-27 | 2014-08-28 | Wiser Together, Inc. | Method for Helping Patients Find Treatments Based on Similar Patients' Experiences |
CN104584017A (zh) * | 2012-08-16 | 2015-04-29 | 金格输入输出有限公司 | 用于对行为和健康变化进行建模的方法 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5860917A (en) * | 1997-01-15 | 1999-01-19 | Chiron Corporation | Method and apparatus for predicting therapeutic outcomes |
AU2001222939A1 (en) | 2000-03-06 | 2001-09-17 | Theodore V Benderev | On-line survey method |
AU2001251616A1 (en) * | 2000-04-13 | 2001-10-30 | Hospitalcareonline.Com Inc. | Remote patient care |
US7853456B2 (en) * | 2004-03-05 | 2010-12-14 | Health Outcomes Sciences, Llc | Systems and methods for risk stratification of patient populations |
WO2006026383A2 (en) * | 2004-08-26 | 2006-03-09 | Strategic Health Decisions, Inc. | Sytem for optimizing treatment strategies using a patient-specific rating system |
JP4318221B2 (ja) * | 2004-12-02 | 2009-08-19 | 富士通株式会社 | 医療情報分析装置、方法及びプログラム |
US20070015999A1 (en) * | 2005-07-15 | 2007-01-18 | Heldreth Mark A | System and method for providing orthopaedic surgical information to a surgeon |
JP5425793B2 (ja) * | 2007-10-12 | 2014-02-26 | ペイシェンツライクミー, インコーポレイテッド | 患者のコミュニティのプロファイルに基づく病状および転帰の個人管理ならびに比較 |
EP3770912A1 (en) * | 2010-02-02 | 2021-01-27 | Accumen Inc. | Methods and devices for improving quality of life and function in chronic disease |
US20120271612A1 (en) * | 2011-04-20 | 2012-10-25 | Barsoum Wael K | Predictive modeling |
JP5855742B2 (ja) * | 2011-05-11 | 2016-02-09 | ザ クリーブランド クリニック ファウンデーションThe Cleveland ClinicFoundation | ヘルスケア用の対話型グラフィカルマップのビジュアライゼーション |
MX2014000752A (es) * | 2011-07-20 | 2014-11-13 | Smith & Nephew Inc | Sistemas y metodos para optimizar el ajuste de un implante a anatomía. |
AU2013210797C1 (en) * | 2012-01-16 | 2018-01-25 | Emovi Inc. | Method and system for human joint treatment plan and personalized surgery planning using 3-D kinematics, fusion imaging and simulation |
US20140013565A1 (en) * | 2012-07-10 | 2014-01-16 | Eileen B. MacDonald | Customized process for facilitating successful total knee arthroplasty with outcomes analysis |
US20140025390A1 (en) * | 2012-07-21 | 2014-01-23 | Michael Y. Shen | Apparatus and Method for Automated Outcome-Based Process and Reference Improvement in Healthcare |
US20140108321A1 (en) * | 2012-10-12 | 2014-04-17 | International Business Machines Corporation | Text-based inference chaining |
WO2014062644A1 (en) * | 2012-10-15 | 2014-04-24 | ClinicalBox, Inc. | Epoch of care-centric healthcare system |
US20150072327A1 (en) * | 2013-09-12 | 2015-03-12 | STRETCHING CHARTS, INC. dba VHI | Web site for use by physicians for treating patients with musculoskeletal conditions |
WO2015054290A1 (en) * | 2013-10-07 | 2015-04-16 | Ckn Group, Inc. | Systems and methods for interactive digital data collection |
US10102926B1 (en) * | 2014-10-14 | 2018-10-16 | Sentry Data Systems, Inc. | Detecting, analyzing and impacting improvement opportunities related to total cost of care, clinical quality and revenue integrity |
AU2016349941A1 (en) | 2015-11-05 | 2018-05-17 | 360 Knee Systems Pty Ltd | Managing patients of knee surgeries |
-
2016
- 2016-11-03 AU AU2016349941A patent/AU2016349941A1/en not_active Abandoned
- 2016-11-03 US US15/772,872 patent/US10984893B2/en active Active
- 2016-11-03 CN CN201680077636.3A patent/CN109155158A/zh active Pending
- 2016-11-03 JP JP2018543410A patent/JP7031953B2/ja active Active
- 2016-11-03 WO PCT/AU2016/051043 patent/WO2017075657A1/en active Application Filing
-
2021
- 2021-02-09 US US17/171,197 patent/US11942193B2/en active Active
-
2022
- 2022-08-26 AU AU2022221519A patent/AU2022221519A1/en active Pending
-
2024
- 2024-03-28 US US18/585,569 patent/US20240225848A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1973778A (zh) * | 2006-12-08 | 2007-06-06 | 南京大学 | 胃癌术后严重并发症风险度的预测方法 |
CN101526980A (zh) * | 2008-02-27 | 2009-09-09 | 积极健康管理公司 | 用于产生实时健康护理警报的***和方法 |
US20140244292A1 (en) * | 2011-01-27 | 2014-08-28 | Wiser Together, Inc. | Method for Helping Patients Find Treatments Based on Similar Patients' Experiences |
CN104584017A (zh) * | 2012-08-16 | 2015-04-29 | 金格输入输出有限公司 | 用于对行为和健康变化进行建模的方法 |
Non-Patent Citations (3)
Title |
---|
(美)巴洛克等原著;周勇刚,王岩译: "《人工髋膝关节置换》", 30 September 2009 * |
于本锋: "人工全膝关节置换患者术前期望及医生满意度与患者术后满意度关系", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
马刚编著: "《商务智能》", 31 July 2010 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517770A (zh) * | 2019-08-28 | 2019-11-29 | 中国科学院重庆绿色智能技术研究院 | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 |
CN110517770B (zh) * | 2019-08-28 | 2021-08-17 | 中国科学院重庆绿色智能技术研究院 | 基于贝叶斯网络和效用体系的围手术期危重不良事件干预决策方法 |
CN110507297A (zh) * | 2019-08-30 | 2019-11-29 | 深圳市汇健医疗工程有限公司 | 基于5g网络的手术中心智慧手术干预平台 |
CN111933238A (zh) * | 2020-08-31 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN111933238B (zh) * | 2020-08-31 | 2024-04-02 | 深圳赛安特技术服务有限公司 | 信息推送方法、装置、电子设备及存储介质 |
CN113421623A (zh) * | 2021-06-24 | 2021-09-21 | 广东省中医院(广州中医药大学第二附属医院、广州中医药大学第二临床医学院、广东省中医药科学院) | 一种基于阶梯诊疗的全膝关节置换评估分析*** |
Also Published As
Publication number | Publication date |
---|---|
US20180330800A1 (en) | 2018-11-15 |
WO2017075657A1 (en) | 2017-05-11 |
AU2022221519A1 (en) | 2022-09-22 |
US20240225848A1 (en) | 2024-07-11 |
US10984893B2 (en) | 2021-04-20 |
US11942193B2 (en) | 2024-03-26 |
AU2016349941A1 (en) | 2018-05-17 |
JP2019500709A (ja) | 2019-01-10 |
US20210233622A1 (en) | 2021-07-29 |
JP7031953B2 (ja) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109155158A (zh) | 管理膝关节手术的患者 | |
US20230111801A1 (en) | Graphical representation of a dynamic knee score for a knee surgery | |
Mahmud et al. | Cloud enabled data analytics and visualization framework for health-shocks prediction | |
Shim et al. | Application of machine learning approaches for osteoporosis risk prediction in postmenopausal women | |
Makhni et al. | Artificial intelligence for the orthopaedic surgeon: an overview of potential benefits, limitations, and clinical applications | |
Paraschiakos et al. | Activity recognition using wearable sensors for tracking the elderly | |
KR20200038628A (ko) | 맞춤형 의료 정보 제공 장치 및 방법 | |
Trunfio et al. | Multiple regression model to predict length of hospital stay for patients undergoing femur fracture surgery at “san giovanni di dio e ruggi d’aragona” university hospital | |
CN102971755A (zh) | 用于慢性病管理的早期告警方法和*** | |
Kenner | Asthma on the move: how mobile apps remediate risk for disease management | |
Stotts et al. | Nursing surveillance for deterioration in pediatric patients: an integrative review | |
Hsu | A decision-making mechanism for assessing risk factor significance in cardiovascular diseases | |
CN109545374A (zh) | 一种基于人体步态特征大数据的疾病自动跟踪、治疗及推送*** | |
Colella et al. | Studying variables affecting the length of stay in patients with lower limb fractures by means of Machine Learning | |
Ramos et al. | SDHAR-HOME: A sensor dataset for human activity recognition at home | |
Holmes et al. | Modelling patient behaviour using IoT sensor data: a case study to evaluate techniques for modelling domestic behaviour in recovery from total hip replacement surgery | |
Han et al. | Prediction of human thermal comfort preference based on supervised learning | |
Calero et al. | Assessment of the current surveillance system for human leptospirosis in ecuador by decision analytic modeling | |
WO2021260171A2 (en) | System and method for peri-anaesthetic risk evaluation | |
Sulis et al. | A survey on agents applications in healthcare: opportunities, challenges and trends | |
Sarabia et al. | Using decision trees to support classifiers’ decision-making about activity limitation of cerebral palsy footballers | |
Juan et al. | A classifier fusion approach to osteoporosis prediction for women in Taiwan | |
Zamzami | The Key Criteria for Predicting Unusual Behavior in the Elderly With Deep Learning Models Under 5G Technology | |
Grzywalski et al. | Fully interactive lungs auscultation with AI enabled digital stethoscope | |
Dai et al. | Design and implementation of an automatic nursing assessment system based on CDSS technology |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |