CN110600130A - 触发针对对象的警报 - Google Patents
触发针对对象的警报 Download PDFInfo
- Publication number
- CN110600130A CN110600130A CN201910510637.8A CN201910510637A CN110600130A CN 110600130 A CN110600130 A CN 110600130A CN 201910510637 A CN201910510637 A CN 201910510637A CN 110600130 A CN110600130 A CN 110600130A
- Authority
- CN
- China
- Prior art keywords
- subject
- data
- health data
- health
- score
- 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
- 230000036541 health Effects 0.000 claims abstract description 277
- 238000000034 method Methods 0.000 claims abstract description 94
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 238000011282 treatment Methods 0.000 claims description 18
- 238000003058 natural language processing Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 15
- 208000024891 symptom Diseases 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000036651 mood Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 abstract description 19
- 230000006870 function Effects 0.000 description 10
- 235000005911 diet Nutrition 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 230000006866 deterioration Effects 0.000 description 7
- 230000037213 diet Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 206010019233 Headaches Diseases 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 231100000869 headache Toxicity 0.000 description 4
- 230000001225 therapeutic effect Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 206010008479 Chest Pain Diseases 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000036642 wellbeing Effects 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 206010029412 Nightmare Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000036528 appetite Effects 0.000 description 1
- 235000019789 appetite Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000002123 temporal effect Effects 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
用于触发针对对象的警报的方法和***。将预测模型应用于当前健康数据以预测对象的生活质量分数。确定生活质量分数是否满足一个或多个预定标准,从而确定是否触发警报。如果生活质量分数满足(至少一个)一个或多个预定标准,则触发警报。通过将机器学习算法应用于由数据记录形成的数据集来生成预测模型,每个数据记录将至少(历史)健康数据与(历史)生活质量分数相关联。
Description
技术领域
本发明涉及一种用于触发针对对象的警报的方法或***,尤其涉及用于在对象的健康的度量值低于可接受的水平时触发警报的方法或***。
背景技术
在医学界,人们强烈希望监测或跟踪患者的健康状况。在患者出院或长期(慢性)病症后,这一点尤为重要。这有助于防止或识别患者在不在临床环境中时可能的恶化,即在没有临近的临床人员或医疗设备的情况下。在这种情况下,重要的是快速识别患者的健康状况何时下降或何时将低于可接受的水平,以便在进一步或不可逆的恶化发生之前有足够的时间进行干预。
用于度量患者健康水平的一种方法是获取患者的生活质量(QOL)分数。QOL分数是对个体感知健康状况(即他/她的“健康状况”)的已知衡量措施,并且经常用于医院后管理,以监测健康治疗的有效性以及患者的持续状况。
常规地,为了获取QOL分数,个体采取生活质量调查问卷,例如,在对医生的后续访问期间。然而,从患者获取QOL分数是困难的,尤其是在患者从医院环境中释放后,由于医疗保健成本高且患者依从性差。
因此,希望提供一种确定患者的感知健康状态的改进方法,其减少了对执行问卷或其他生活质量评估的患者的依赖。
发明内容
本发明由权利要求限定。
根据示例,所述示例是根据本发明的一个方面的,提供了一种触发针对对象的警报的方法,该方法包括:获取对象的当前健康数据;获取用于基于对象的当前健康数据来预测生活质量、QOL、对象的分数的预测模型,其中通过使用由多个数据记录形成的数据集执行机器学习算法来生成预测模型,其中,数据集的每个数据记录包括健康数据和相关联的QOL分数;使用预测模型基于对象的当前健康数据来预测对象的QOL分数;确定预测的QOL分数是否满足至少一个预定标准,并且响应于预测的QOL分数满足至少一个预定标准,触发警报。
因此,获取针对对象的生活质量分数而无需对象执行或进行专门的生活质量评估。具体地,使用预测模型处理对象的健康数据,以预测对象的生活质量分数。预测的生活质量分数用于确定是否触发警报。
重要的是使用生活质量分数(例如,而不是任何其他健康指标)来触发警报,因为对象的感知健康状况(QOL分数)对他们的健康、快乐和治疗紧迫性具有显著影响。生活质量的恶化导致幸福感和对象满意度降低,并且可能导致寿命缩短。因此,生活质量分数被认为是针对干预的需求的重要指标。
为了使用健康数据来预测对象的生活质量,获取预测模型。特别地,已经使用历史健康数据来生成预测模型,例如,其他对象和/或受调查的对象的历史健康数据,以及相关联的历史生活质量分数。将机器学习算法应用于该历史健康数据以识别历史健康数据的值与历史生活质量分数之间的(因果)链接。这些链接可用于生成预测模型,其用于基于对象的至少当前健康数据来预测对象的生活质量分数。合适的机器学习算法的示例包括回归算法、随机森林算法、支持向量机方法等。
因此,本发明提出使用通过将历史健康数据记录与生活质量分数相链接而形成的预测模型,以使用对象的当前健康数据记录来预测(新)对象的生活质量分数。
这减轻了对象或临床医生执行生活质量评估的负担,因为这种评估可以自动进行。它还确保在评估其生活质量分数时不会(例如,由临床医生或对象)忽视潜在相关的临床事件。这种方法不再需要依赖可能昂贵的生活质量评估或对象遵守这种生活质量评估。
此外,可以基于对象状况的变化自动触发警报,这些变化会影响他们预期的生活质量。换句话说,处理当前健康数据以预测生活质量分数,其可以触发警报。这有利地降低了将错过对象健康状况恶化的可能性,从而允许适当的及时干预。
所提出的方法还避免需要对对象健康数据进行复杂且耗时的分析以评估对象的状况。因此,通过使用历史数据执行生活质量预测,可以以高度确定性确定对象的感知的健康状况的状态的准确表示,而不需要与对象进行冗长且昂贵的咨询。
生活质量分数可以表示在预定时间段(例如,一周、两周或一个月)内的生活质量。因此,对象的当前健康数据可以表示在预定时间段内获取的对象的健康数据。
获取预测模型的步骤包括通过对数据集执行机器学习算法来生成预测模型,其中数据集的每个数据记录包括健康数据和相关联的QOL分数。因此,数据集的每个元素/条目可以包括健康数据和QOL分数。
在其他示例中,使用存储的预测模型,其中先前已基于数据集生成所存储的预测模型,其中其每个元素/条目包括健康数据和相关联的QOL分数。
获取预测模型的步骤可以包括:通过对与QOL分数相关联的对象的健康注释执行自然语言处理过程,生成针对数据集的每个数据记录的健康数据。
因此,可能存在多个健康注释(每个健康注释与QOL分数相关联)。可以使用自然语言处理过程来处理多个健康注释中的每一个,以生成针对数据集的数据记录的相应的健康数据-该数据记录还包括与健康注释相关联的QOL分数。
因此,健康注释(即,描述健康信息的文本)可以被转换成健康数据(可由计算机识别,例如数字信息)。健康注释通常是非结构化文本,这种格式通常不能被计算***识别。因此,自然语言处理(NLP)可用于将健康注释转换为健康数据,该健康数据是可由计算机程序容易地处理的格式。
使用自然语言处理过程来提取健康数据减少了将信息输入到针对对象或临床医生的数据库中的负担。这允许增加该方法与现有历史数据信息的兼容性;因为这样的历史数据信息可以以各种不同的格式存储,可以使用自然语言处理来处理这些格式以提取相关的健康数据。
健康注释是记录对象健康数据的普遍接受且直观的方法。特别地,对象/临床医生不需要输入特定格式或结构的信息以便记录他们的健康数据。这减少了对象或临床医生的负担,并增加了他们提供其健康信息的可能性。通过增加这种可能性,不太可能遗漏或忽略对象的恶化。
该方法可以包括获取对象的人口统计信息,其中获取预测模型的步骤包括至少基于对象的人口统计信息来获取预测模型。
通过基于人口统计信息(例如年龄、性别等)获取预测模型,预测模型可以更准确地模拟对象的生活质量。通过这种方式,生活质量分数将更加准确,从而减少了许多错误警报并提高了警报的准确性。
基于人口统计信息来获取预测模型可以包括,例如,将其他对象的多个健康数据和QOL分数过滤到具有与被调查对象相似的人口统计信息的那些对象,并且仅从那些对象获取预测模型。其他实施例对于本领域技术人员将是显而易见的(例如,基于其与所研究的对象的人口统计相似性来对其他对象数据加权)。
在其他示例中,预测模型还适于接收人口统计信息作为输入,并基于人口统计信息和当前健康数据生成QOL分数。因此,使用预测模型预测的步骤可以包括使用预测模型来使用对象的当前健康数据和人口统计信息来预测QOL分数。
该方法可以包括获取对象的诊断信息和/或推荐处置信息,其中获取预测模型的步骤包括至少基于对象的诊断信息和/或推荐处置信息来获取预测模型。
因此,可以获取来源于临床医生的信息(诊断或推荐处置计划)。来源于临床医生的信息用于获取用于预测对象的生活质量分数的预测模型。
这提高了预测模型的准确性和可靠性,从而确保预测的生活质量分数更准确,减少了错误警报的数量。
在其他示例中,预测模型还适于接收对象的诊断信息和/或推荐处置信息作为输入,并基于诊断信息和/或推荐处置信息和当前健康数据来生成QOL分数。因此,使用预测模型的预测的步骤可以包括使用预测模型来使用对象的当前健康数据和诊断信息和/或推荐处置信息来预测QOL分数。
当然,预测模型可以适于在预测QOL分数时处理与对象相关联的任何信息。例如,使用预测模型的预测的步骤可以包括使用预测模型来使用对象的当前健康数据、人口统计信息和诊断信息和/或推荐处置信息来预测QOL分数。
在实施例中,确定预测的QOL分数是否满足至少一个预定标准的步骤包括确定预测的QOL分数是否小于第一预定值。
以这种方式,当对象的生活质量恶化到低于可接受或警告值(第一预定值)时,可以触发警报。这有助于确保临床/医务人员及时干预,以防止对象进一步恶化。
因此,第一预定值可表示与最低可接受生活质量水平、接近最小可接受水平的生活质量水平或最小期望生活质量水平(例如,对于特定临床环境或医疗保健提供者,或对于对象本身)相关联的值。
在至少一个实施例中,确定预测的QOL分数是否满足至少一个预定标准的步骤包括确定对象的预测的QOL分数与先前QOL分数之间的差异是否大于第二预定值。
通过这种方式,如果对象的生活质量突然发生变化,可能会触发警报。这可能表明对象状况突然恶化,并且表明迫切需要医疗干预。因此,当生活质量分数突然改变时触发警报可以防止其病理状况(不可逆地)下降。
例如,可以从存储对象的先前QOL分数的数据集获取先前的生活质量分数。先前的生活质量分数优选地是最紧接的先前生活质量,或者可以是预定数量的先前生活质量分数的平均。先前的生活质量分数可以是先前预测的生活质量分数(例如,来自该方法的先前迭代)或从对象获取的生活质量分数,例如,经由评估或问卷调查。
先前的生活质量可能代表前一周、两周(两周)或一个月的生活质量。
可选地,当前健康数据包括对象的体征、症状、生活方式和/或情绪的至少一种度量。生活方式措施可以包括例如关于对象的睡眠、运动、饮食、工作、休闲时间等的措施。
因此,当前健康数据可以包括可以影响或指示对象状况的信息的任何度量。例如,降低运动质量或降低睡眠质量(生活方式度量)可能表明对象的状况已经恶化。
举例来说,当前健康数据可包括关于对象症状(例如头痛、胸闷等)、睡眠习惯(例如失眠、噩梦、容易被唤醒等的次数)、锻炼措施(例如,游泳、走路、做家务的时间的数量)、饮食信息(例如失去食欲、饮酒等的次数)或情绪状态(例如幸福感值、情绪量表值、对象感到抑郁/焦虑的次数等等。)的信息。
根据实施例,当前健康数据包括对象的当前健康信息的一个或多个类别,并且该方法还包括:获取包括对象的相应的一个或多个类别的先前健康信息的先前健康数据;将当前健康数据的每个类别与先前健康数据的相应的类别进行比较,以获取指示当前健康数据的类别与先前健康数据的相应的类别之间的相似性的相应的一个或多个相似性值;并且响应于一个或多个相似性值中的至少一个低于预定阈值,触发警报。
因此,对象特征或信息的突然变化将触发警报。健康相关对象特征(例如症状)的突然变化可能表明对象状况的突然恶化,并且因此可能表明迫切需要医疗干预。因此,当对象的健康数据突然改变时触发警报可以防止其病理状况(不可逆地)下降。
可选地,当前健康数据的每个类别包括相应的第一时间序列,其表示对象的当前健康信息随时间的变化;先前健康数据的每个类别包括相应的第二时间序列,其表示对象的先前健康信息随时间的变化,并且其中将当前健康数据的每个类别与先前健康数据的相应的类别进行比较的步骤包括:将当前健康数据的每个类别的第一时间序列与先前健康数据的相应的类别的第二时间序列进行比较,以获取相似性值。
因此,可以将第一时间段内对象的当前健康数据的一部分与第二较早时间段内对象的先前健康数据的相对应的部分进行比较。优选地,两个时间段的长度相同。
比较健康数据的时间序列意味着可以对异常峰值(例如生活方式的意外变化,例如一方)进行平均,并降低触发警报的误报率。
在一些实施例中,将第一时间序列与第二时间序列进行比较的步骤包括计算第一时间序列和第二时间序列之间的时间序列相关性。
在实施例中,获取对象的当前健康数据的步骤包括对对象的健康注释执行自然语言处理过程以获取当前健康数据。
在示例性实施例中,对象的当前健康数据包括在预定长度的时间段的过程中收集的健康信息,并且包含在数据集的数据记录中的健康数据包括在相同的预定长度的一段时间的过程中收集的健康信息。预定时间间隔可以是一个月,但也可以是其他时间长度,例如一天、一周、两周(两周时间)或一年。
还提出了一种计算机程序,包括用于在计算机上运行所述程序时实现任何先前描述的方法的代码单元。
还提出了一种用于触发针对对象的警报的***,该***包括:获取单元,其适于:获取对象的当前健康数据;以及基于对象的当前健康数据,获取用于预测对象的生活质量QOL分数的预测模型,其中,通过使用由多个数据记录形成的数据集执行机器学习算法来生成预测模型,其中数据集的每个数据记录包括健康数据和相关联的QOL分数;预测单元,其适于使用预测模型基于对象的当前健康数据来预测对象的QOL分数;确定单元,其适于确定预测的QOL分数是否满足至少一个预定标准;以及触发单元,其适于响应于满足所述至少一个预定标准的预测QOL分数,触发警报。
参考下文描述的实施例,本发明的这些和其他方面将变得显而易见并得以阐明。
附图说明
为了更好地理解本发明,并且为了更清楚地示出如何实现本发明,现在仅通过示例的方式参考附图,其中:
图1示出了根据实施例的方法;
图2和图3示出了用于确定QOL分数是否满足至少一个预定标准的步骤的不同实施例;
图4和图5示出了生成一个或多个预测模型的不同实施例;
图6示出了根据本发明的另一实施例的方法;
图7示出了用于确定是否触发警报的框架;以及
图8示出了根据本发明的实施例的***。
具体实施方式
将参考附图描述本发明。
应当理解,具体实施方式和具体示例在指示装置、***和方法的示例性实施例的同时,仅旨在用于说明的目的,而不旨在限制本发明的范围。从以下描述、所附权利要求和附图将更好地理解本发明的装置、***和方法的这些和其他特征、方面和优点。应该理解的是,附图仅是示意性的,并未按比例绘制。还应该理解,在所有附图中使用相同的附图标记来表示相同或相似的部分。
根据本发明的概念,提出了一种触发针对对象的警报的方法或***。将预测模型应用于当前健康数据以预测对象的生活质量分数。确定生活质量分数是否满足一个或多个预定标准,从而确定是否触发警报。如果生活质量分数满足(至少一个)一个或多个预定标准,则触发警报。通过将机器学习算法应用于由数据记录形成的数据集来生成预测模型,每个数据记录将至少(历史)健康数据与(历史)生活质量分数相关联。
实施例至少部分地基于以下认识:对对象的生活质量的度量是用于评估对象的状况的重要工具,但评估生活质量通常是复杂且耗时的任务。发明人已经认识到,可以使用对象的当前健康数据自动预测生活质量的度量。具体地,可以根据将(历史)健康数据与QOL分数相关联的数据集生成预测模型,该预测模型可以用于预测当前生活质量分数。
说明性实施例可以例如用于出院后对象监测解决方案中或用于监测患有长期慢性疾病的对象的状况。
在医学领域,术语“对象”通常用于指患者、个体或个人,例如医院中的个人(即患者)或从临床环境中出院(即,他们不再认为是病人)。
术语“生活质量”是对对象或个人感知的健康状态(例如,日常健康)的度量。因此,在本发明的上下文中,生活质量是指与健康相关的生活质量。作为另一个示例,健康相关的生活质量(QOL)分数可以是个体的健康状态随着时间的推移而受疾病、残疾或病症影响的度量。
术语“健康数据”是指关于对象的体征/症状(例如生命体征或医疗状况的发生,诸如头痛/胸闷)或可影响或指示对象健康变化的其他生活方式/情绪度量的信息,例如睡眠信息、运动信息、饮食信息或情绪(例如情绪)信息。因此,健康数据指示与对象健康相关的信息(并且是非人口统计信息)。特别地,健康数据可以包括对象健康(例如症状发生)或健康影响因素(例如睡眠、饮食、运动或情绪信息)的一种或多种度量。
优选地,健康数据指示在预定时间长度(例如,一天、一周或一个月)内获取的与对象健康相关的信息。因此,例如,健康数据可以指示一个月内心脏问题的数量或频率。在另一个示例中,健康数据可以指示对象在一个月的过程中游泳的次数。
在本发明的上下文中,术语“预测模型”是指任何合适的方法、函数或等式,其至少接收对象的健康数据作为输入,并基于该健康数据输出针对对象的预测QOL分数。。
图1示出了根据本发明的实施例的用于触发针对对象的警报的计算机实现方法1的流程图。
方法1从步骤11开始,步骤11包括获取对象的当前健康数据11a。这可以包括,例如,从存储设备获取当前健康数据11a。
在一些其他实施例中,步骤11包括对对象的健康注释执行自然语言处理过程以获取当前健康数据11a。这减轻了对象/临床医生的用于提供计算机兼容格式的健康信息的负担,并且增加了结合现有对象注释(记录对象信息的典型方法)的方法的灵活性,从而增加了该方法的潜在市场。
当前健康数据可以表示个人或对象的最近可用(即及时)健康相关信息,或者可以代表在先前时间段收集的健康信息。
方法1还包括步骤12,其包括获取预测模型12a,用于预测对象的生活质量(QOL)分数(基于当前健康数据11a)。稍后将描述生成或以其他方式获取预测模型的合适方法。步骤11和12可以以任何顺序执行,或者彼此并行执行。
在随后的步骤13中,基于对象的当前健康数据,使用预测模型来预测对象的QOL分数S。换句话说,步骤13包括将预测模型应用于当前健康数据以预测生活质量分数。因此,当前健康数据被用作预测模型的输入,该预测模型处理当前健康数据以输出对象的预测QOL分数。
QOL分数S可以是表示对象的感知的生活质量的值或数值度量。例如,它可以是0到100之间的数字,其中0表示针对对象的最小可能/可想象的生活质量,并且100表示针对对象的最大可能生活质量。在其他示例中,生活质量分数可以在0和1之间的范围内。生活质量分数范围可以根据标准策略或医疗实践来定义,或者由护理人员/治疗师针对对象来定义。
步骤14包括确定预测的生活质量(QOL)分数S是否满足至少一个预定标准。
在所示(简单)示例中,步骤14包括确定生活质量(QOL)分数S是否低于第一预定值T1。因此,至少一个预定标准可以包括预测的QOL分数小于第一预定值T1的标准。第一预定值可以表示QOL分数的最小推荐值或对象期望值,或者可以表示指示不良对象状况的QOL分数。在QOL分数是0到100之间的度量的情况下,第一预定值可以例如是60。因此,第一预定值可以是最大可能生活质量值的60%。
响应于该方法在步骤14中确定预测的QOL分数满足至少一个预定标准,在步骤15中触发或生成警报。这可以包括例如输出指示满足至少一个预定标准的QOL分数的音频/视觉信号。
可选地,响应于该方法在步骤14中确定预测的QOL分数不满足至少一个预定标准,可以在步骤16中提供QOL分数满足可接受标准(例如,落在可允许的频带内)的指示符。因此,如果预测的QOL分数不满足将触发警报的至少一个标准,则不触发警报。
所提出的方法使得当对象的生活质量满足代表不良对象状况的一个或多个预定标准时能够触发警报,从而能够迅速且自动地检测对象恶化。所提出的方法还减少了对对象生活质量进行潜在耗时或昂贵评估的需要,因为这可以经由预测模型自动预测。
在一些实施例中,步骤12包括获取单个预测模型(例如,先前已经用于对象的模型)。这提供了该方法的简单实现。
然而,在其他实施例中并且如图1所示,步骤12可以替代地包括子步骤12b,选择多个潜在预测模型12c中的一个以用作用于预测QOL分数的预测模型12a。
在至少一个示例中,每个潜在预测模型12c与不同的人口统计信息相关联,并且子步骤12b可以包括基于对象的人口统计信息12d获取预测模型。作为示例,子步骤12b可以包括识别与最接近对象的人口统计信息的人口统计信息相关联的潜在预测模型,并选择该识别的潜在预测模型作为预测模型。
以这种方式,获取预测模型12的步骤可以包括至少基于对象的人口统计信息12d获取预测模型的子步骤12b。此外,步骤12可以包括获取对象的人口统计信息12d的子步骤12e。
在其他示例中,每个潜在预测模型12c与对象的不同可能诊断或治疗信息相关联,并且子步骤12b可以包括基于对象的诊断信息和/或治疗信息获取预测模型(来自多个预测模型)。
以这种方式,获取预测模型12的步骤可以包括至少基于对象的诊断信息和/或治疗信息12d获取预测模型的子步骤12b。
术语“治疗信息”是指关于对象的推荐治疗的信息,例如推荐的药物/剂量、生活方式改变、治疗期等。术语“诊断信息”是指关于对象的诊断或病史的信息,例如临床诊断、影响对象的潜在疾病/问题的识别、哮喘病史、糖尿病等等。
当然,每个潜在预测模型12c可以与针对对象的人口统计信息和诊断信息和/或治疗信息相关联,并且可以基于对象(被研究的)的适当特征来选择预测模型。
因此,不同(潜在)预测模型可以与针对对象的不同潜在特征相关联,并且可以选择最合适的预测模型(即,与最接近当前对象的特征的对象的特征相关联的预测模型)用于预测QOL分数。
在一些示例中,预测模型与历史健康数据实例的特定集群相关联。步骤12b可以包括将对象的健康数据分配给集群,并选择与该集群相关联的关联预测模型。
这意味着所选择的预测模型将更适合于所研究的对象的状况或特征,从而提高预测QOL分数的准确性。
在其他示例中,预测模型能够接收人口统计信息和/或诊断信息和/或治疗信息作为输入,以便预测QOL分数。因此,获取预测模型的步骤12可以包括获取单个预测模型(能够处理对象的这种信息)。
以这种方式,步骤13可以包括基于对象的当前健康数据以及人口统计信息、诊断信息和/或治疗信息中的一个或多个来使用预测模型来预测对象的QOL分数。特别地,步骤13可以包括将这样的信息输入到预测模型并从预测模型输出预测的QOL分数。
对于对象的不同健康数据,可以迭代地重复方法1(或者并行地执行方法1的多个实例)。例如,对象可以与健康数据的多个实例相关联,健康数据的每个实例可以被连续/同时处理以预测针对健康数据的每个实例的相应的QOL分数。
健康数据的每个实例可以表示收集健康数据的不同时间段。因此,第一实例(可由方法1处理)可表示第一时间段,而第二实例(也可由方法1处理)可表示随后的第二时间段。
例如,在一年的过程中收集的对象的健康数据可以被分成针对每个月的健康数据。可以通过针对每个月迭代地重复该方法(当前健康数据随每次迭代而改变)来生成针对每个月的QOL分数。
图2和图3示出了用于图1的方法1的步骤14的替代实施例。
首先参考图2,步骤14包括获取对象的先前QOL分数29的子步骤21。先前的QOL分数29可以是在方法1的先前迭代期间获取的QOL分数,或者可以是来自较早的QOL评估的存储的QOL分数。在一些示例中,先前的QOL分数是多个先前QOL分数的平均(例如,超过前一年、一周、一月)。
步骤14还包括确定先前QOL分数29与预测QOL分数(在先前步骤13中获取)之间的差的子步骤22。确定的差ΔS可以是数值差(例如,从先前的QOL分数中减去预测的QOL分数)或百分比差(例如,确定从先前的QOL分数到预测的QOL分数的百分比变化)。
步骤14还包括确定先前QOL分数29与预测QOL分数之间的差ΔS是否大于第二预定值T2的子步骤23。因此,子步骤23确定预测的QOL分数是否比先前的QOL分数更差(即更少)至少第二预定值。因此,步骤14的预定标准可以是先前QOL分数与预测QOL分数之间的差必须大于第二预定值T2。
响应于子步骤23确定差大于第二预定值T2,方法1移动到触发警报的步骤15。否则,不触发警报(例如,移动到可选步骤16)。
在差是百分比差的情况下,第二预定值可以是50%,即,当预测的QOL值比先前的QOL值低50%或更多时,可以触发警报。
通过这种方式,生活质量分数的突然变化将触发警报,降低将错过对象状况恶化的可能性,并且从而确保提供及时干预以改善对象结果。
在图3中,步骤14包括两个预定标准,为了使方法移动到步骤15,必须满足这两个标准。这可以替代地视为由两个部分或子标准形成的单个标准。
具体地,步骤14可以代替子步骤23,包括确定预测的QOL分数(S)是否小于第一预定值T1和预测的QOL分数与先前的QOL分数之间的差(ΔS)并且大于第二预定值T2的子步骤33。
因此,步骤14的预定标准可以是差ΔS必须大于第二预定值并且预测的QOL分数小于第一预定值。
这可以防止预测的QOL分数(可能低于第一预定值)的轻微变化产生不必要的警报,从而提供更合适的评估。
除了上述示例之外,应当意识到,步骤14可以包括确定预测的QOL分数是否满足多个标准中的任何一个。
举例来说,步骤14可以包括确定生活质量分数满足预测的生活质量分数S小于第一预定值的标准还是差ΔS大于第二预定值-如果符合任何一个标准,则任何移动到步骤15。
应当意识到,步骤14可以包括确定是否满足多个标准中的任何一个或子标准的组合,其中至少一个标准基于预测的QOL分数。因此,单个标准可以包括多个子标准,针对被认为满足的标准,所有这些子标准必须满足。因此,可以使用可能标准的任何“和/或”组合来触发警报。
例如,步骤14可以包括确定:差ΔS是否大于第二预定值并且预测的生活质量分数小于第一预定值;或者生活质量分数小于第三预定值。
在这样的实施例中,第三预定值优选地小于第一预定值。这样的示例将防止预测的QOL分数中的任何微小变化(例如,浸入低于第一预定值)触发警报,同时仍然允许在预测的QOL分数不够高时(即,当低于第三个时)触发警报。这可以防止慢慢恶化的主体被忽视。
在QOL分数是0到100之间的度量的情况下,第一和第三预定值之间的差可以是10/15/20(即,第三预定值可以比第一预定值小10/15/20)。在其他示例中,第三预定值可以比第一预定值小10%、15%或20%。
图4示出了根据实施例的用于生成预测模型12a的方法的框架40。方法1可以包括生成预测模型(例如,在步骤12中)的这种方法。
包括历史数据(例如,多个对象的历史数据)的数据集41用于生成预测模型。数据集包括多个条目或数据记录,每个数据记录包括(历史)对象的健康数据43a和相关联的QOL分数43b。因此,每个数据记录将至少(历史)健康数据与(历史)生活质量分数相关联。可以例如使用现有的QOL评估技术获取QOL分数。
单个数据记录包含的健康数据可以表示在预定时间段(例如一个月)内对象的健康(或影响健康的特征)的至少一种度量。因此,在示例中,单个记录的健康数据可以指示对象在一个月的过程中报告的多个头痛。
该框架包括对数据集执行机器学习算法以生成预测模型12a的步骤45。机器学习算法通过评估数据集来识别健康数据43a和相关联的QOL分数43b之间的链接或关系。以这种方式,机器学习算法可以生成用于基于健康数据预测QOL分数的预测模型。
举例来说,步骤45可以包括使用诸如逻辑回归的回归方法来建立预测模型,其中QOL分数是从属值并且剩余参数(即健康数据的参数)是独立值。其他合适的机器学习算法包括随机森林算法或支持向量机方法,但是其他方法对于技术人员来说是显而易见的。
以这种方式,机器学习算法通过评估数据集来生成预测模型,该预测模型考虑健康数据和QOL分数之间的关系,例如具有健康数据43a的不同方面作为(独立)变量和QOL分数作为输出(从属)变量的加权函数。
在一些实施例中,数据集41的每个数据记录包括对象的健康注释和相关联的QOL分数。该框架可以包括对每个数据记录的健康注释应用自然语言处理(NLP)过程的步骤42,从而生成针对数据集的每个数据记录的健康数据。
例如,步骤42可以包括应用NLP过程以从健康注释中提取数据,并将提取的数据变换为可以由机器学习算法识别的数字数据。作为示例,NLP过程可以包括识别与对象相关联的至少五类健康信息(包括症状信息、睡眠信息、锻炼信息、饮食信息和情绪状况)。
数据集41的条目可以仅与被研究的对象相关联,使得每个数据记录包括对象的历史健康数据和历史QOL分数。在其他示例中,数据集的条目与其他对象(例如,来自健康注释的数据库)相关联,使得每个数据记录包括关于其他对象的健康数据和相关联的QOL分数。当然,在其他实施例中,数据集的条目与对象的历史数据记录和其他对象的历史数据记录的组合相关联。
在一个示例中,数据集包括至少5000个数据记录(例如,表示已经收集了健康数据和QOL分数的至少5000个人或时段),每个数据记录包括相应的健康数据43a和相关联的QOL分数。
每个数据记录优选地包括或关联于针对对象在预定时间长度(例如,一个月或一周)内获取的健康数据(或健康注释)以及针对对象的与该时间段相关联的QOL分数。
图5示出了根据另一实施例的用于生成预测模型12a或多个预测模型12c的方法的框架50。方法1可以包括生成预测模型的这种方法。
框架50与早期框架40的不同之处在于,数据集51的每个数据记录还包括附加的、特定于对象的信息52c,例如人口统计信息和/或诊断信息和/或推荐处置信息。因此,每个数据记录包括关于对象的信息,该对象已经提供了该记录的健康数据并且与特定的QOL分数相关联。
在一个示例中,步骤55包括生成单个预测模型12c,其可以用于基于对象的健康数据43a和/或附加信息43c来预测QOL分数。
特别地,步骤55可以包括对数据集51执行机器学习算法以生成预测模型12a。机器学习算法识别相关联的QOL分数与健康数据43a和附加数据53c的组合之间的链接或关系。机器学习算法通过评估数据集来生成考虑这些关系的预测模型,例如具有不同健康数据43a或附加数据53c度量作为变量的加权函数。以这种方式,机器学习算法可以生成用于基于健康数据预测QOL分数的预测模型。
特别地,步骤45可以包括使用诸如逻辑回归的回归方法来建立预测模型,其中QOL分数是从属值而剩余参数(即健康数据43a和/或附加信息53c的参数/度量)是独立值。这可以生成接收健康数据和附加数据的度量作为输入以提供QOL分数的输出的函数。
因此,健康数据、人口统计信息、诊断信息和/或治疗信息可以是单个预测模型的独立变量或输入变量。这意味着单个预测模型可以用于任何对象,即独立于对象的特征。这增加了预测QOL分数的简单性(根据获取的方法1)并降低了预测模型的存储复杂性/成本。
在替代实施例中,可以在步骤45中生成多个不同预测模型12c。多个预测模型中的每个预测模型可以与同类似对象特征相关联的数据记录的不同组或集群相关联。
举例来说,步骤45可以包括基于数据记录的附加信息来使数据集51的数据记录成为集群。因此,例如,具有相似人口统计信息的数据记录可以被分配给相同的群集,并且具有不同的人口统计信息的数据记录可以被分配给不同的群集。由此可以为每个数据记录的每个集群生成相应的预测模型(使用先前描述的机器学习算法方法)。换句话说,对于数据记录的集群,机器学习算法可以识别健康数据和QOL分数之间的关系以生成预测模型。
这允许采用分而治之的方法来生成预测模型,允许降低生成预测模型的复杂性(因为需要识别的变量较少。这种方法还允许针对大量对象并行生成多个预测模型,从而减少了处理时间。
图6示出了根据本发明的实施例的计算机实现的方法60。
方法60与先前描述的方法的不同之处还在于包括附加步骤61、62和63。这些附加步骤允许将对象的先前健康数据集成到是否生成警报的确定中(即在步骤15中)。
步骤61包括获取对象的先前健康数据61a。先前的健康数据是在对象的当前健康数据11a之前收集的健康数据。例如,在当前健康数据表示在一个月的过程中收集的健康信息的情况下,先前的健康数据可以表示在前一个月的过程中收集的健康信息。
当前健康数据11a可以表示在预定时间段内收集的信息,并且先前健康数据61a可以表示在紧接在收集了当前的健康数据的该时间段之前的一段时间(长度与当前健康数据的长度相等)收集的信息。
预定时间段可以是例如一周、两周(两周时间)、一个月或一年。当然,与当前和先前健康数据相关联的时间长度可能存在微小变化,例如,考虑不同长度的月份或年份。
步骤62包括将先前健康数据与当前健康数据进行比较,以便生成指示当前健康数据与先前健康数据之间的相似性的至少一个相似性值。这可以通过确定当前和先前健康数据之间的相关性来执行。通常,相似性分数越大,当前健康数据与先前健康数据之间的相似性越大。
可替换地,步骤62可以包括确定当前健康数据与先前健康数据之间的差异分数(指示当前健康数据与先前健康数据之间的差)。
步骤63包括确定相似性值是否满足预定标准。特别地,步骤63可以包括确定相似性值是否小于预定阈值。例如,在相似性值是0和1之间的值的情况下,预定阈值可以在0.4-0.8的范围内,例如在0.5和0.7之间,例如0.6。
响应于步骤63的确定是肯定的,该方法移动到步骤15并生成警报。响应于步骤63的确定是否定的,该方法可以移动到步骤16,其中不生成警报,并且提供指示符,指示当前健康数据类似于先前健康数据。
如果在步骤62中计算差值而不是相似性值,则可以相应的地修改步骤63。例如,步骤63可以改为包括确定差值是否大于预定阈值。
步骤14和步骤63可以组合成单个比较步骤64,以确定是否触发警报。因此,可以存在组合步骤,其评估预测的QOL分数S(例如,如步骤13中生成的)、差异ΔS(例如,如步骤22中生成的)或相似性值(例如,如步骤62中生成的)的任何组合是否满足一个或多个预定阈值。
因此,单个比较步骤可以确定预测的QOL分数、预测的QOL分数与先前的QOL分数之间的差以及一个或多个相似性值(表示相应的类别的当前健康数据与相应的类别的先前健康数据之间的相似性)中的一个或多个是否满足一个或多个预定标准。
例如,当以下情况之一时,步骤64可以确定触发警报(即,移动到步骤15):预测的QOL分数小于第一预定阈值并且差ΔS大于第二预定阈值;或者相似性值小于预定阈值。
可以采用任何可想到的标准组合,并且对于本领域的技术人员来说是显而易见的。
图7示出了将先前健康数据与当前健康数据进行比较的步骤62和确定相似性值是否满足预定标准的步骤63的更详细示例。
当前的11a和先前的61a健康数据都包括相应的一个或多个类别或健康度量。每个类别代表对象的健康(如症状信息)或健康影响因素(如睡眠,饮食或运动信息)的不同度量。因此,健康数据的不同部分涉及不同的类别或健康度量。
在所示的示例中,当前健康数据包括五个类别71b-71f(例如,症状发生、花费的睡眠时间、运动信息、饮食信息和情绪信息),并且先前的健康数据包括相应的五个类别61b-61f。当前健康数据的每个类别对应于先前健康数据的相应的类别,反之亦然。
举例来说,当前健康数据11a和先前健康数据可各自包括第一类别71b、61b,其指示对象的症状(例如,每天的头痛数量)如何随时间变化,以及第二类别71c、61c,其详细描述对象的睡眠量如何随时间而变化。
在特定实施例中,健康数据可以包括一个或多个时间序列,其表示随时间变化的健康相关信息的度量。因此,每个类别可以由时间序列表示,该时间序列指示健康相关信息的度量如何在预定的时间长度(例如,一个月、一周或一天)内改变。优选地,当前/先前健康数据的每个时间序列与相同的预定时间长度相关联。
在步骤62中,将当前健康数据和先前健康数据的各个类别相互比较以生成相应的相似性值。
因此,将当前健康数据11a的第一类别71b与先前健康数据的第一类别62b进行比较,以生成第一相似性值。类似地,将当前健康数据11a的第二类别71c与先前健康数据的第二类别62c进行比较,以生成第二相似性值。
在每个类别由时间序列表示的情况下,步骤62可以包括将(当前健康数据的)第一时间序列与(先前健康数据的)第二时间序列进行比较。由于可能存在多个对应的类别,因此步骤62可以包括将多个第一时间序列中的每一个与相应的第二时间序列进行比较。
具体地,步骤62可以包括计算(当前健康数据的类别的)第一时间序列和(先前健康数据的对应类别的)第二时间序列之间的时间序列相关性,以生成相似性值。可以针对当前和先前健康数据的(各个类别的)每个相应的时间序列重复该时间序列相关。
在步骤64中,将每个相似性值与预定阈值进行比较,以确定是否触发警报(步骤15)。例如,响应于相似性值中的任何一个低于预定阈值,可以触发警报。
预定阈值可以针对不同类别而变化。例如,在类别表示症状信息的情况下,相关联的预定阈值可以在最大可能相似值的20-40%之间(例如30%)。作为另一示例,在类别表示对象睡眠的度量的情况下,相关联的预定阈值可以在最大可能相似性值的70-90%之间(例如,80%)。预定阈值的值可以取决于类别在表示患者状况中的重要性。
优选地,步骤15中的警报触发指示关于触发警报的类别的信息。例如,如果表示当前健康数据的第一类别与先前健康数据的对应第一类别之间的相似性的第一相似性值低于预定阈值,则步骤15中触发的警报可指示健康数据的第一类别发生了重大变化。
在图7所示的示例中,可以看出,与先前的健康数据相比,当前健康的第二至第五类别(例如,表示睡眠、运动、饮食和情绪的度量)没有显著改变。但是,第一类(例如症状信息)已经发生了显著变化。因此,步骤15可以包括触发指示对象的症状已经显著改变的警报。
通过这种方式,将触发警报,该警报指示对象的健康相关信息的异常变化。这增加了警报方法的有效性,因为可以通过监测对象的体征/症状(或其他健康度量)的突然变化来识别对象状况的突然变化。
图8示出了根据本发明实施例的用于触发针对对象的警报的***80。***80包括获取单元81、预测单元82、确定单元83和触发单元84。
获取单元81,其适于获取对象的当前健康数据;以及获取用于基于对象的当前健康数据来预测对象的生活质量QOL分数的预测模型,其中,通过使用由多个数据记录形成的数据集执行机器学习算法来生成预测模型,其中数据集的每个数据记录包括健康数据和相关联的QOL分数。
获取单元81可以适于生成预测模型,例如,通过使用由多个数据记录形成的数据集执行机器学习算法,其中数据集的每个数据记录包括健康数据和相关联的QOL分数。先前已经描述了其他合适的方法。
获取单元81可以适于对对象的健康注释执行自然语言处理过程,以便生成(从而获取)对象的当前健康数据。
预测单元82适于使用预测模型基于对象的当前健康数据来预测对象的QOL分数。换句话说,预测单元可以至少接收对象的健康数据作为输入,以便预测他们的QOL分数。
确定单元83适于确定预测的QOL分数是否满足至少一个预定标准。这可以包括将预测的QOL分数与一个或多个预定值进行比较,以确定是否满足一个或多个预定标准。在其他示例中,如先前所解释的,这可以包括计算预测的QOL分数与先前的QOL之间的差,并将该差与一个或多个预定值进行比较以确定是否满足一个或多个预定标准。
触发单元84适于响应于满足至少一个预定标准的预测QOL分数,触发警报。特别地,触发单元可以经由警报机构85生成警报,警报机构85可以在***80的外部,或者优选地,形成为***80的一部分。
在一些实施例中,***80还包括健康数据比较器86,其适于生成指示对象的当前健康数据与先前健康数据之间的相似性的至少一个相似性分数。
在一些示例中,如先前所描述的,当前健康数据和先前健康数据都可被分成相同数量的相应的类别或时间数据系列,例如,每个都与对象的健康相关信息的不同度量相关联。健康数据比较器可以适于生成针对每个类别的相应的相似性分数,指示该类别的当前健康数据与先前健康数据的对应类别之间的相似性。
特别地,健康数据比较器86适于从获取单元81获取对象的先前健康数据(例如,来自外部数据库)和当前健康数据。在其他示例中,先前健康数据由获取单元81获取并被传递给健康数据比较器。
确定单元83可以适于确定(至少一个)相似性分数和预测的QOL分数是否满足一个或多个标准或标准的组合。响应于满足任何标准或标准的组合,触发单元84适于触发警报。
因此,确定单元83可以是组合模块,其组合来自预测单元82和健康数据比较器86的信息以确定是否触发警报。以这种方式,可以检测对象的健康状况的详细变化。
可以适当地修改***80(例如,修改现有单元或包括附加模块或单元),以执行任何先前描述的方法的步骤。
由本发明的***和方法触发的警报可以呈现在显示器上,作为可听输出提供或作为消息提供给远程设备。当使用显示器时,当处理对象的健康数据并且确定已经满足一个或多个标准时,显示视觉警报,这指示不良的对象条件。
例如,如果在一段时间内收集的健康数据的预测QOL分数满足预定标准(例如,低于预定值),则可以生成第一类型的视觉警报。
在另一示例中,如果相似性值(在与该时段相关联的当前健康数据的第一类别和与紧接在第二时段之前的时段相关联的先前健康数据之间)满足预定标准(例如低于预定值),则可以针对一时间段生成第二类型的视觉警报。
视觉警报可能因警报原因而异。例如,第一类型的视觉警报可能与第二类型的视觉警报不同。
可以提供更详细的信息,例如,响应于用户点击视觉警报-例如提供关于触发警报的内容的细节。
如上所述,实施例利用用于触发警报的***。该***可以用软件和/或硬件以多种方式实现,以执行所需的各种功能。处理器是采用一个或多个微处理器的***的一个示例,该微处理器可以使用软件(例如,微代码)来编程以执行所需的功能。然而,***可以在使用或不使用处理器的情况下实现,并且还可以实现为执行某些功能的专用硬件和执行其他功能的处理器(例如,一个或多个编程的微处理器和相关联的电路)的组合。
可以在本公开的各种实施例中采用的***组件的示例包括但不限于传统的微处理器、专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
在各种实现中,处理器或***可以与一个或多个存储介质相关联,诸如易失性和非易失性计算机存储器,诸如RAM、PROM、EPROM和EEPROM。存储介质可以用一个或多个程序编码,所述程序编码当在一个或多个处理器和/或***上执行时,执行所需的功能。各种存储介质可以固定在处理器或***内,或者可以是可移动的,使得存储在其上的一个或多个程序可以加载到处理器或***中。
通过研究附图、公开内容和所附权利要求,本领域技术人员在实践所要求保护的发明时可以理解和实现对所公开实施例的变型。在权利要求中,词语“包括”不排除其他元件或步骤,并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中记载的若干项的功能。在相互不同的从属权利要求中陈述某些措施的仅有事实并不表示这些措施的组合不能用于获益。计算机程序可以存储/分布在合适的介质上,例如与其他硬件一起提供或作为其他硬件的一部分提供的光学存储介质或固态介质,但也可以以其他形式分发,例如经由因特网或其他有线或无线电信***。权利要求中的任何附图标记不应被解释为限制范围。
Claims (15)
1.一种触发针对对象的警报的方法(1),所述方法包括:
获取(11)所述对象的当前健康数据(11a);
获取(12)预测模型(12a),所述预测模型用于基于所述对象的当前健康数据来预测所述对象的生活质量QOL分数,其中,所述预测模型是通过使用由多个数据记录形成的数据集执行机器学习算法来生成的,其中,所述数据集的每个数据记录包括健康数据和相关联的QOL分数;
使用所述预测模型基于所述对象的当前健康数据来预测(13)所述对象的QOL分数(S);
确定(14)预测的QOL分数是否满足至少一个预定标准,以及
响应于所述预测的QOL分数满足所述至少一个预定标准,触发(15)警报。
2.如权利要求1所述的方法,其中,获取所述预测模型的步骤(40)包括通过对所述数据集(41)执行机器学习算法来生成(45)预测模型(12a),其中,所述数据集的每个数据记录包括健康数据(43a)和相关联的QOL分数(43b)。
3.如权利要求2所述的方法,其中,还包括通过对与QOL分数相关联的对象的健康注释执行(42)自然语言处理过程来生成针对所述数据集的每个数据记录的健康数据。
4.如权利要求1至3中任一项所述的方法,还包括获取(12e)所述对象的人口统计信息(12d),
其中,获取所述预测模型的所述步骤包括至少基于所述对象的人口统计信息来获取所述预测模型。
5.如权利要求1至4中任一项所述的方法,还包括获取(12e)所述对象的诊断信息和/或推荐处置信息(12d),
其中,获取所述预测模型的所述步骤包括至少基于所述对象的诊断信息和/或推荐处置信息来获取所述预测模型。
6.如权利要求1至5中任一项所述的方法,其中,确定所述预测的QOL分数是否满足至少一个预定标准的所述步骤包括确定(14,33)所述预测的QOL分数是否小于第一预定值。
7.如权利要求1至6中任一项所述的方法,其中,确定所述预测的QOL分数是否满足所述至少一个预定标准的所述步骤包括确定(23,33)所述对象的预测的QOL分数(S)与先前的QOL分数之间的差(ΔS)是否大于第二预定值。
8.如权利要求1至7中任一项所述的方法,其中,所述当前健康数据包括所述对象的体征、症状、生活方式和/或情绪的至少一种度量。
9.如权利要求1至8中任一项所述的方法,其中,所述当前健康数据(11a)包括所述对象的当前健康信息的一个或多个类别(71b、71c、71d、71e、71f),所述方法还包括:
获取(61)先前健康数据(61a),所述先前健康数据包括所述对象的先前健康信息的相应的一个或多个类别(61b、61c、61d、61e、61f);
将所述当前健康数据的每个类别与所述先前健康数据的相应的类别进行比较(62),以获取指示所述当前健康数据的类别与所述先前健康数据的相应的类别之间的相似性的相应的一个或多个相似性值;以及
响应于所述一个或多个相似性值中的至少一个相似性值低于预定值,触发(15)警报。
10.如权利要求9所述的方法,其中:
所述当前健康数据(11a)的每个类别(71b、71c、71d、71e、71f)包括表示所述对象的当前健康信息随时间的变化的相应的第一时间序列;
所述先前健康数据(61a)的每个类别(61b、61c、61d、61e、61f)包括表示所述对象的先前健康信息随时间的变化的相应的第二时间序列,
并且其中,将所述当前健康数据的每个类别与所述先前健康数据的相应的类别进行比较的步骤(62)包括将所述当前健康数据的每个类别的第一时间序列与所述先前健康数据的相应的类别的第二时间序列进行比较以获取所述相似性值。
11.如权利要求1至10中任一项所述的方法,其中,获取所述对象的当前健康数据的步骤(11)包括对所述对象的健康注释执行自然语言处理过程以获取所述当前健康数据。
12.如权利要求1至11中任一项所述的方法,其中:
所述对象的当前健康数据包括在预定长度的时间段的过程中收集的健康信息,以及
包含在所述数据集的数据记录中的健康数据包括在相同预定长度的时间段的过程中收集的健康信息。
13.如权利要求12所述的方法,其中,所述预定时间间隔是月。
14.一种计算机程序,其包括用于当所述程序在计算机上运行时实现如权利要求1至13中任一项所述的方法的代码单元。
15.一种用于触发针对对象的警报的***(80),所述***包括:
获取单元(81),其适于:
获取所述对象的当前健康数据;以及
获取预测模型,所述预测模型用于基于所述对象的当前健康数据来预测所述对象的生活质量QOL分数,其中,所述预测模型是通过使用由多个数据记录形成的数据集执行机器学习算法来生成的,其中,所述数据集的每个数据记录包括健康数据和相关联的QOL分数;
预测单元(82),其适于使用所述预测模型基于所述对象的当前健康数据来预测所述对象的QOL分数;
确定单元(83),其适于确定所述预测的QOL分数是否满足至少一个预定标准,以及
触发单元(84),其适于响应于所述预测的QOL分数满足所述至少一个预定标准,触发警报。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNPCT/CN2018/091142 | 2018-06-13 | ||
CN2018091142 | 2018-06-13 | ||
EP18194022.2A EP3624135A1 (en) | 2018-09-12 | 2018-09-12 | Triggering an alert for a subject |
EP18194022.2 | 2018-09-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110600130A true CN110600130A (zh) | 2019-12-20 |
Family
ID=68852626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910510637.8A Pending CN110600130A (zh) | 2018-06-13 | 2019-06-13 | 触发针对对象的警报 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110600130A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5438983A (en) * | 1993-09-13 | 1995-08-08 | Hewlett-Packard Company | Patient alarm detection using trend vector analysis |
US20120041575A1 (en) * | 2009-02-17 | 2012-02-16 | Hitachi, Ltd. | Anomaly Detection Method and Anomaly Detection System |
US20160235356A1 (en) * | 2015-02-16 | 2016-08-18 | Withings | System and Method to Monitor a Physiological Parameter of an Individual |
CN107077523A (zh) * | 2014-03-20 | 2017-08-18 | 比特斯达克有限公司 | 健康风险指标确定 |
CN107440685A (zh) * | 2016-06-01 | 2017-12-08 | 精工爱普生株式会社 | 生物体信息显示***及方法、便携终端装置、可穿戴装置 |
-
2019
- 2019-06-13 CN CN201910510637.8A patent/CN110600130A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5438983A (en) * | 1993-09-13 | 1995-08-08 | Hewlett-Packard Company | Patient alarm detection using trend vector analysis |
US20120041575A1 (en) * | 2009-02-17 | 2012-02-16 | Hitachi, Ltd. | Anomaly Detection Method and Anomaly Detection System |
CN107077523A (zh) * | 2014-03-20 | 2017-08-18 | 比特斯达克有限公司 | 健康风险指标确定 |
US20160235356A1 (en) * | 2015-02-16 | 2016-08-18 | Withings | System and Method to Monitor a Physiological Parameter of an Individual |
CN107440685A (zh) * | 2016-06-01 | 2017-12-08 | 精工爱普生株式会社 | 生物体信息显示***及方法、便携终端装置、可穿戴装置 |
Non-Patent Citations (2)
Title |
---|
CHINMOY NATH: "A Natural Language Processing Tool for Large-Scale Data Extraction from Echocardiography Reports", 《PLOS ONE》 * |
SHOAB SAADAT: "Predicting Quality of Life Changes in Hemodialysis Patients Using Machine Learning: Generation of an Early Warning System", 《CUREUS》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220330823A1 (en) | Systems and devices for telemetry monitoring management | |
JP2019016235A (ja) | 疾病発症予測装置、疾病発症予測方法およびプログラム | |
JP5977898B1 (ja) | 行動予測装置、行動予測装置の制御方法、および行動予測装置の制御プログラム | |
CN108604465B (zh) | 基于患者生理反应的对急性呼吸道疾病综合征(ards)的预测 | |
US20150148621A1 (en) | Methods and systems for creating a preventative care plan in mental illness treatment | |
KR20180064952A (ko) | 빅데이터를 활용한 건강정보 예측 장치 및 방법 | |
US11580432B2 (en) | System monitor and method of system monitoring to predict a future state of a system | |
AU2016278356A1 (en) | Method and system for assessing mental state | |
Somanchi et al. | Early prediction of cardiac arrest (code blue) using electronic medical records | |
US20190311809A1 (en) | Patient status monitor and method of monitoring patient status | |
US10622099B2 (en) | Systems and methods for supporting hospital discharge decision making | |
JP7449287B2 (ja) | クリティカルアラームの予測 | |
US10431343B2 (en) | System and method for interpreting patient risk score using the risk scores and medical events from existing and matching patients | |
US20180173854A1 (en) | Monitoring predictive models | |
EP3382584A1 (en) | A system and a method to predict patient behaviour | |
US10490049B2 (en) | Systems and methods for identifying patient distress | |
WO2020027213A1 (ja) | 認知症リスクの提示システムおよび方法 | |
WO2009083886A1 (en) | Presenting patient relevant studies for clinical decision making | |
US20210043326A1 (en) | Methods and systems for telemetry monitoring protocol management | |
US20210407676A1 (en) | Patient ventilator asynchrony detection | |
Nestor et al. | Preparing a clinical support model for silent mode in general internal medicine | |
JP2024513618A (ja) | 感染症及び敗血症の個別化された予測のための方法及びシステム | |
KR102186486B1 (ko) | 인공지능 기반의 이미지 분석을 통한 의학적 이벤트 발생 감지 방법, 장치 및 컴퓨터프로그램 | |
CN110600130A (zh) | 触发针对对象的警报 | |
EP3624135A1 (en) | Triggering an alert for a subject |
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 |
Application publication date: 20191220 |
|
RJ01 | Rejection of invention patent application after publication |