CN110223784A - 临床试验患者匹配方法 - Google Patents
临床试验患者匹配方法 Download PDFInfo
- Publication number
- CN110223784A CN110223784A CN201910522044.3A CN201910522044A CN110223784A CN 110223784 A CN110223784 A CN 110223784A CN 201910522044 A CN201910522044 A CN 201910522044A CN 110223784 A CN110223784 A CN 110223784A
- Authority
- CN
- China
- Prior art keywords
- information
- patient
- clinical test
- matching
- matching process
- 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
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
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种临床试验患者匹配方法，包含以下步骤：获取患者的患者信息；获取临床试验入排标准信息；对获取到的入排标准信息进行结构化预处理；分析预处理后的入排标准信息以得到该临床试验需求的目标患者信息；目标患者信息包括与基本信息和病历信息相对应的目标基本信息和目标病历信息；将患者信息和目标患者信息与知识图谱关联分别得到第一关联信息和第二关联信息；智能分析第一关联信息和第二关联信息得到患者与该临床试验的匹配度。本发明的有益之处在于提供的临床试验患者匹配方法将患者和临床试验进行自动匹配，无需人工在大量数据中进行繁琐匹配，节省浏览临床试验文档的时间，提高匹配效率，加速试验进程。
Description
技术领域
本发明涉及一种临床试验患者匹配方法。
背景技术
临床试验是指以人为对象的前瞻性研究，预先将受试者或受试人群分配至接受一种或多种医疗干预，以评价医疗干预对健康结局的影响。其中“医疗干预”包括但不仅限于药物、细胞及其他生物制品、外科治疗、放射治疗、医疗器械、行为疗法、治疗过程的改变、预防保健等。其定义包括第1阶段到第4阶段的试验。
在全球，已有超过480,000个临床试验项目。其中，在国内，中国临床试验注册中心和药物临床试验登记与信息公示平台临床试验项目数量超过28,000个。可见，临床试验患者招募需求量很大。然而，一方面，新药研发上市所需的符合临床试验要求的受试者难以招募，常因此导致试验时间周期变长，新药上市进程受阻；另一方面，很多癌症、罕见病患者已经接受过临床通行的疗法但依然无效，可以进一步参加适合的临床试验，通过接受未上市新药的治疗，抓住最后一线生的希望。
目前的临床试验患者招募方式主要采用如下：招募方(如试验负责医生或临床试验协调、招募员)进行招募广告发布、患者资料人工收集和比对，确认患者符合招募标准且知情同意后入组。对患者而言，其参加临床试验项目的方式如下：阅读招募信息和自己的病历材料，人工对比符合招募的条件，判断自己是否可以参加临床试验。目前国内尚无针对患者群体的智能临床试验匹配方法。
以上方法具有弊端：
1.患者缺乏医学知识背景，医学专业信息的不同表达方式会影响对临床试验内容的理解。
2.患者对入组临床试验所需要的材料缺乏了解，全面性不足。
3.患者搜索出大量潜在的临床试验时，因数据量大、对比匹配繁琐而造成匹配低效。
发明内容
本发明提供了一种临床试验患者匹配方法，采用如下的技术方案：
一种临床试验患者匹配方法，包含以下步骤：
获取患者的患者信息；
获取临床试验入排标准信息；
对获取到的入排标准信息进行结构化预处理；
分析预处理后的入排标准信息以得到该临床试验需求的目标患者信息；目标患者信息包括与基本信息和病历信息相对应的目标基本信息和目标病历信息；
将患者信息和目标患者信息与知识图谱关联分别得到第一关联信息和第二关联信息；
智能分析第一关联信息和第二关联信息得到患者与该临床试验的匹配度。
进一步地，获取患者的患者信息的具体方法为：通过调查问卷的方式获取患者的患者信息。
进一步地，患者信息包括基本信息和病历信息。
进一步地，基本信息包括：疾病名称、亚型、性别、年龄、日常活动水平；
病历信息包括：已接受的治疗方法、已接受的治疗时间、已接受的治疗药物、病情信息和并发症信息。
进一步地，获取临床试验入排标准信息的具体方法是为：智能分析临床试验文档并从中提取相关信息得到入排标准信息。
进一步地，入排标准信息包括入选标准信息和排除标准信息。
进一步地，对获取到的入排标准信息进行结构化预处理的具体方法为：对入排标准信息进行分词、词嵌入、命名实体识别和信息抽取处理。
进一步地，智能分析第一关联信息和第二关联信息得到患者与该临床试验的匹配度的具体方法为：计算得出第一关联信息和第二关联信息的匹配分值，匹配分值表示该患者与该临床试验的匹配程度。
进一步地，将患者与多个临床试验进行分析比较得到该患者与多个临床试验的匹配分值。
进一步地，根据患者与多个临床试验的匹配分值的大小对多个临床试验进行排序得到匹配度清单。
本发明的有益之处在于提供的临床试验患者匹配方法将患者和临床试验进行自动匹配，无需人工在大量数据中进行繁琐匹配，节省浏览临床试验文档的时间，提高匹配效率，加速试验进程。
本发明的有益之处还在于提供的临床试验患者匹配方法对入排标准进行结构化预处理，获得结构化的入排标准信息，提高了匹配关键信息的精确度。
附图说明
图1是本发明的临床试验患者匹配方法的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
如图1所示为本发明的一种临床试验患者匹配方法，包含以下步骤：S1:获取患者的患者信息。S2:获取临床试验入排标准信息。S3:对获取到的入排标准信息进行结构化预处理。S4:分析预处理后的入排标准信息以得到该临床试验需求的目标患者信息。S5:将患者信息和目标患者信息与知识图谱关联分别得到第一关联信息和第二关联信息。S6:智能分析第一关联信息和第二关联信息得到患者与该临床试验的匹配度。
对于S1:获取患者的患者信息。
具体而言，一般通过调查问卷的方式对患者进行信息采集得到患者信息，所采集到的患者信息包括该患者的基本信息和病历信息，其中，基本信息包括：疾病名称、亚型、性别、年龄、日常活动水平。病历信息包括：已接受的治疗方法、已接受的治疗时间、已接受的治疗药物、病情信息和并发症信息。
对于S2:获取临床试验入排标准信息。
获取临床试验入排标准信息的具体方法为：智能分析临床试验文档并从中提取相关信息得到对应该临床试验的入排标准信息，其中，临床试验文档包括全球公开的中英文临床试验项目数据。具体而言，该入排标准信息包括入选标准信息和排除标准信息。允许参加临床试验的因素为“入选标准”；不允许参加临床试验的因素为“排除标准”。这些标准是根据如下因素来制定的：年龄、性别、疾病类型和阶段、治疗史、患其他疾病情况等。只有符合标准的人才可以参加临床试验。需要注意的是，制订“入选/排除标准”不是用来拒绝人们参加临床试验，而是确定此人参加临床试验是否合适，以保证其安全。
对于S3:对获取到的入排标准信息进行结构化预处理。
对获取到的入排标准信息进行结构化预处理的具体方法为：对入排标准信息进行分词、词嵌入、命名实体识别和信息抽取处理，得到结构化的入排标准信息。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。词嵌入指把一个维数为所有词的数量的高维空间嵌入到一个维数低得多的连续向量空间中，每个单词或词组被映射为实数域上的向量。命名实体识别又称作“专名识别”，是指识别文本中具有特定意义的实体，主要包括疾病、药品、症状、专有名词等。信息抽取指将非结构化文本里包含的信息进行结构化处理的过程。
对于S4:分析预处理后的入排标准信息以得到该临床试验需求的目标患者信息。
具体而言，目标患者信息包括目标基本信息和目标病历信息，其中，标基本信息和目标病历信息与患者信息中的基本信息和病历信息相对应，通过智能分析，将临床试验文档资料处理成与患者信息相对应的入排标准信息。
S5:将患者信息和目标患者信息与知识图谱关联分别得到第一关联信息和第二关联信息。
具体而言，患者信息和目标患者信息获取途径分别是患者和临床试验文档，在描述病情时，两者对同一医学名称可能采用的描述方法不同，直接对比分析患者信息和目标患者信息可能导致识别准确度较低，因此，首先将患者信息和目标患者信息进行标准化处理，统一不同的表达方式。具体方法为将患者信息和目标患者信息与知识图谱关联分别得到第一关联信息和第二关联信息。其中，知识图谱是一种语义网络，其结点代表实体，边代表实体之间的各种语义关系。知识图谱存储的是医疗领域内的先验知识。
对于S6:智能分析第一关联信息和第二关联信息得到患者与该临床试验的匹配度。
通过步骤S5将患者信息和目标患者信息进行知识图谱关联后，智能分析第一关联信息和第二关联信息得到患者与该临床试验的匹配度。
具体方法为：计算得出第一关联信息和第二关联信息的匹配分值，匹配分值表示该患者与该临床试验的匹配程度。通过预先设定不同信息的权重，根据每个信息的对比结果进行权重计算，得到患者与该临床试验的匹配分值。
可以理解的是，可以将患者与多个临床试验同时进行分析比较，得到该患者与多个临床试验的匹配分值，根据匹配分值的大小，判断该患者与不同的临床试验的匹配程度。
优选的是，根据患者与多个临床试验的匹配分值的大小对多个临床试验进行排序得到匹配度清单，其中，将匹配分值高的临床试验排在清单的上方，通过该清单，患者可以快速判断其与各临床试验的匹配程度，帮助其快速选择适合的临床试验。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (10)
1.一种临床试验患者匹配方法，其特征在于，包含以下步骤：
获取患者的患者信息；
获取临床试验入排标准信息；
对获取到的所述入排标准信息进行结构化预处理；
分析预处理后的所述入排标准信息以得到该临床试验需求的目标患者信息；
将所述患者信息和所述目标患者信息与知识图谱关联分别得到第一关联信息和第二关联信息；
智能分析所述第一关联信息和所述第二关联信息得到患者与该临床试验的匹配度。
2.根据权利要求1所述的临床试验患者匹配方法，其特征在于，
所述获取患者的患者信息的具体方法为：通过调查问卷的方式获取患者的所述患者信息。
3.根据权利要求2所述的临床试验患者匹配方法，其特征在于，
所述患者信息包括基本信息和病历信息。
4.根据权利要求3所述的临床试验患者匹配方法，其特征在于，
所述基本信息包括：疾病名称、亚型、性别、年龄、日常活动水平；
所述病历信息包括：已接受的治疗方法、已接受的治疗时间、已接受的治疗药物、病情信息和并发症信息。
5.根据权利要求1所述的临床试验患者匹配方法，其特征在于，
所述获取临床试验入排标准信息的具体方法是为：智能分析临床试验文档并从中提取相关信息得到所述入排标准信息。
6.根据权利要求5所述的临床试验患者匹配方法，其特征在于，
所述入排标准信息包括入选标准信息和排除标准信息。
7.根据权利要求1所述的临床试验患者匹配方法，其特征在于，
所述对获取到的所述入排标准信息进行结构化预处理的具体方法为：对所述入排标准信息进行分词、词嵌入、命名实体识别和信息抽取处理。
8.根据权利要求1所述的临床试验患者匹配方法，其特征在于，
所述智能分析所述第一关联信息和所述第二关联信息得到患者与该临床试验的匹配度的具体方法为：计算得出所述第一关联信息和所述第二关联信息的匹配分值，所述匹配分值表示该患者与该临床试验的匹配程度。
9.根据权利要求1所述的临床试验患者匹配方法，其特征在于，
将患者与多个临床试验进行分析比较得到该患者与多个临床试验的所述匹配分值。
10.根据权利要求1所述的临床试验患者匹配方法，其特征在于，
根据患者与多个临床试验的所述匹配分值的大小对多个临床试验进行排序得到匹配度清单。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910522044.3A CN110223784A (zh) | 2019-06-17 | 2019-06-17 | 临床试验患者匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910522044.3A CN110223784A (zh) | 2019-06-17 | 2019-06-17 | 临床试验患者匹配方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110223784A true CN110223784A (zh) | 2019-09-10 |
Family
ID=67817435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910522044.3A Pending CN110223784A (zh) | 2019-06-17 | 2019-06-17 | 临床试验患者匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110223784A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640476A (zh) * | 2020-06-01 | 2020-09-08 | 山东健康医疗大数据有限公司 | 一种实验数据治理和管理的方法 |
| CN111667891A (zh) * | 2020-06-08 | 2020-09-15 | 中国医学科学院医学信息研究所 | 应用于专病临床试验的队列识别方法及装置 |
| CN113257377A (zh) * | 2021-06-04 | 2021-08-13 | 联仁健康医疗大数据科技股份有限公司 | 确定目标用户的方法、装置、电子设备及存储介质 |
| CN113380353A (zh) * | 2021-06-11 | 2021-09-10 | 上海妙一生物科技有限公司 | 一种临床研究项目中患者招募方法和装置 |
| CN116957519A (zh) * | 2023-09-19 | 2023-10-27 | 省多多(天津)有限公司 | 一种基于ai的临床试验受试者招募方法、装置及服务器 |
| CN117352112A (zh) * | 2023-10-12 | 2024-01-05 | 北京遥领医疗科技有限公司 | 临床试验受试者招募方法及招募*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030125988A1 (en) * | 2001-11-02 | 2003-07-03 | Rao R. Bharat | Patient data mining with population-based analysis |
| WO2016203457A1 (en) * | 2015-06-19 | 2016-12-22 | Koninklijke Philips N.V. | Efficient clinical trial matching |
| CN106980767A (zh) * | 2017-03-31 | 2017-07-25 | 上海森亿医疗科技有限公司 | 一种基于结构化医学数据库的数据搜索方法及*** |
| CN108364692A (zh) * | 2018-02-27 | 2018-08-03 | 北京盛诺家医院管理咨询有限公司 | 临床试验匹配方法及*** |
| CN108986917A (zh) * | 2018-06-14 | 2018-12-11 | 杭州认知网络科技有限公司 | 临床试验匹配方法、装置及终端设备 |
| CN109739997A (zh) * | 2019-01-28 | 2019-05-10 | 致诚阿福技术发展(北京)有限公司 | 地址对比方法、装置及*** |
-
2019
- 2019-06-17 CN CN201910522044.3A patent/CN110223784A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030125988A1 (en) * | 2001-11-02 | 2003-07-03 | Rao R. Bharat | Patient data mining with population-based analysis |
| WO2016203457A1 (en) * | 2015-06-19 | 2016-12-22 | Koninklijke Philips N.V. | Efficient clinical trial matching |
| CN106980767A (zh) * | 2017-03-31 | 2017-07-25 | 上海森亿医疗科技有限公司 | 一种基于结构化医学数据库的数据搜索方法及*** |
| CN108364692A (zh) * | 2018-02-27 | 2018-08-03 | 北京盛诺家医院管理咨询有限公司 | 临床试验匹配方法及*** |
| CN108986917A (zh) * | 2018-06-14 | 2018-12-11 | 杭州认知网络科技有限公司 | 临床试验匹配方法、装置及终端设备 |
| CN109739997A (zh) * | 2019-01-28 | 2019-05-10 | 致诚阿福技术发展(北京)有限公司 | 地址对比方法、装置及*** |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111640476A (zh) * | 2020-06-01 | 2020-09-08 | 山东健康医疗大数据有限公司 | 一种实验数据治理和管理的方法 |
| CN111667891A (zh) * | 2020-06-08 | 2020-09-15 | 中国医学科学院医学信息研究所 | 应用于专病临床试验的队列识别方法及装置 |
| CN113257377A (zh) * | 2021-06-04 | 2021-08-13 | 联仁健康医疗大数据科技股份有限公司 | 确定目标用户的方法、装置、电子设备及存储介质 |
| CN113257377B (zh) * | 2021-06-04 | 2024-05-24 | 联仁健康医疗大数据科技股份有限公司 | 确定目标用户的方法、装置、电子设备及存储介质 |
| CN113380353A (zh) * | 2021-06-11 | 2021-09-10 | 上海妙一生物科技有限公司 | 一种临床研究项目中患者招募方法和装置 |
| CN116957519A (zh) * | 2023-09-19 | 2023-10-27 | 省多多(天津)有限公司 | 一种基于ai的临床试验受试者招募方法、装置及服务器 |
| CN117352112A (zh) * | 2023-10-12 | 2024-01-05 | 北京遥领医疗科技有限公司 | 临床试验受试者招募方法及招募*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110223784A (zh) | 临床试验患者匹配方法 | |
| US8949079B2 (en) | Patient data mining | |
| CN106845147B (zh) | 医学经验总结模型的建立方法、装置 | |
| CN107480135B (zh) | 数据处理方法、医学用语处理***和医学诊疗*** | |
| CN109036545A (zh) | 医疗信息处理方法、装置、计算机设备和存储介质 | |
| CN107705853A (zh) | 临床营养风险筛查方法及*** | |
| CN106815360A (zh) | 临床研究受试者招募条件排查方法 | |
| CN109378077A (zh) | 诊前病史采集方法及执行该方法的机器可读存储介质 | |
| CN107330288A (zh) | 一种用药信息获取方法及装置 | |
| Di Mauro et al. | Developing a subset of ICNP nursing diagnoses for medical and surgical hospital settings, informed by an Italian nursing conceptual model: a multicenter crosssectional study | |
| CN116504392A (zh) | 一种基于数据分析的智能辅助诊断提示*** | |
| CN115376648A (zh) | 一种智能处方生成装置和智能处方生成*** | |
| Wirsching et al. | Prebioptic psychological characteristics of breast cancer patients | |
| CN109616165A (zh) | 医疗信息展示方法及装置 | |
| CN116631558B (zh) | 一种基于互联网的医学检测项目的构建方法 | |
| CN113096127A (zh) | 一种脑网络演化模型的生成***及方法 | |
| Hand et al. | Measuring the interference of pain on daily life in persons with spinal cord injury: A Rasch‐validated subset of items from the Brief Pain Inventory interference scale | |
| CN108831560B (zh) | 一种确定医疗数据属性数据的方法和装置 | |
| KR20130008677A (ko) | 사상체질 분류방법 | |
| Snider | The elderly and their doctors | |
| Foo et al. | Completeness of ANZACS-QI Cardiac Implanted DEVICE Registry and agreement with national datasets: ANZACS-QI 30 | |
| Hoppe et al. | Implementing artificial intelligence for emergency radiology impacts physicians' knowledge and perception: A prospective pre-and post-analysis | |
| US20090157422A1 (en) | Internet-based balascopy-information exchange system | |
| CN108170828B (zh) | 结构化临床诊断术语集构建方法及其*** | |
| Feng | Support vector machine for stroke risk prediction |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |