CN112365941A - 受试者招募的方法及*** - Google Patents
受试者招募的方法及*** Download PDFInfo
- Publication number
- CN112365941A CN112365941A CN202011114796.5A CN202011114796A CN112365941A CN 112365941 A CN112365941 A CN 112365941A CN 202011114796 A CN202011114796 A CN 202011114796A CN 112365941 A CN112365941 A CN 112365941A
- Authority
- CN
- China
- Prior art keywords
- data
- project
- service
- identification result
- follow
- 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
- 230000007115 recruitment Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims description 26
- 238000012216 screening Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 13
- 230000008520 organization Effects 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 210000001503 joint Anatomy 0.000 claims description 2
- 239000003814 drug Substances 0.000 abstract description 13
- 238000003255 drug test Methods 0.000 abstract description 9
- 238000003032 molecular docking Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 16
- 229940079593 drug Drugs 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009223 counseling Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
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)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种受试者招募的方法及***。该申请***包括医疗机构信息化***,提供病历数据,与医疗机构本地部署的前置机进行数据对接;前置机,部署在医疗机构本地,与医疗机构信息化***直接对接,实时获取病历数据;通过部署的项目需求模型对病历数据进行识别,得到识别结果,识别结果包含符合试验项目的患者的患者基本信息以及符合的项目编号;将识别结果推送给招募方的服务后台;招募方服务后台,通过前置机获取识别结果,根据识别结果对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者。本申请是为了解决现有的招募方式效果差、效率低无法保证药物试验的快速落地,从而影响药物的上市时间,甚至导致错过拯救病人时机的问题。
Description
技术领域
本申请涉及智能化技术领域,具体而言,涉及一种受试者招募的方法及***。
背景技术
目前,药厂研究出新药后通常需要招募患者来完成新药的临床药物研究,但是药厂不直接对接患者进行招募,而是将需求承包出去,让医院和招募公司协助完成药品的临床研究。那么如何快速的招募到适合的患者就是非常关键的。
现有的招募方式主要是通过招募公司内部招募专员拜访医院、科室、医生,或者直接拜访患者,或和其它平台合作来找到合适的受试者,从而完成药厂的招募目标。随着时代发展,也逐步引入了微信公众号、小程序、App、Web服务来提供招募需要。但是这些技术方式只是为传统的招募方式提供了工具,没有实质的提高招募的效率。
发明人在应用的过程中发现,不管传统的线下拜访方式还是通过线上服务招募工具的方式,都存在很多的问题:患者来源主要来源是线下主动寻找、人与人推荐、线上等待服务,得到的数据量无法满足药物试验的数据量的需求;而且数量的质量差,尤其是线上数据千奇百怪,千差万别,多数报名数据不可用,无法转化;另外对于获取到的数量之后的数据筛选和项目匹配等都是人工处理的,效率很低。综上,现有的招募方式效果差、效率低无法保证药物试验的快速落地,从而影响药物的上市时间,甚至导致错过拯救病人的时机。
发明内容
本申请的主要目的在于提供一种受试者招募的方法及***,以解决现有的招募方式效果差、效率低无法保证药物试验的快速落地,从而影响药物的上市时间,甚至导致错过拯救病人的时机的问题。
为了实现上述目的,根据本申请的第一方面,提供了一种受试者招募的方法。
根据本申请的受试者招募的方法包括:
通过医疗机构本地部署的前置机直接对接医疗机构信息化***,实时获取病历数据;
通过所述前置机中部署的项目需求模型对病历数据进行识别,得到识别结果,所述识别结果包含符合试验项目的患者的患者基本信息以及符合的项目编号;
所述前置机将识别结果推送给招募方的服务后台,以对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者。
可选的,所述通过所述前置机中部署的项目需求模型对病历数据进行识别,得到识别结果包括:
将病历数据输入到项目需求模型中;
项目需求模型根据项目需求的特征信息按照获取途径在病历数据中进行特征信息的查找;
并判断查找到的特征信息是否符合项目需求;
将满足项目需求的特征信息对应的患者的基本信息以及符合的项目编号输出。
可选的,在所述前置机将识别结果推送给招募方的服务后台之前,所述方法还包括:
对识别结果采用对称加密算法进行加密。
可选的,所述医疗机构信息化***包括以下任意至少一种:
医院信息化***、医院自助机、体检机构信息***、体检机构自助机、医疗数据***。
为了实现上述目的,根据本申请的第二方面,提供了一种受试者招募的***。
根据本申请的受试者招募的***包括:
医疗机构信息化***,用于提供病历数据,与医疗机构本地部署的前置机进行数据对接;
前置机,部署在医疗机构本地,用于与医疗机构信息化***直接对接,实时获取病历数据;通过部署的项目需求模型对病历数据进行识别,得到识别结果,所述识别结果包含符合试验项目的患者的患者基本信息以及符合的项目编号;将识别结果推送给招募方的服务后台;
招募方服务后台,用于通过所述前置机获取所述识别结果,根据识别结果对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者。
可选的,所述医疗机构信息化***包括以下任意至少一种:
医院信息化***、医院自助机、体检机构信息***、体检机构自助机、医疗数据***。
可选的,所述招募方服务后台还包括:
数据预处理单元,用于对接收到的识别结果进行归一化处理和/或解密处理;
服务人员匹配单元,用于根据数据预处理单元得到的数据为患者自动匹配对应的服务人员,所述服务人员为后续对患者进行跟踪随访的人员;
随访单元,用于根据每一次的随访信息生成与对应不同患者的个性化的随访计划,以供服务人员根据所述随访计划对患者进行跟踪随访确定是否为最终受试者。
可选的,所述前置机还包括:
加密单元,用于对识别结果采用对称加密算法进行加密,以将加密后的识别结果发送给招募方服务后台。
可选的,所述招募方服务后台还包括:
互联网大数据接收单元,用于接收通过多种互联网渠道得到的试验项目报名数据;
筛选单元,用于对互联网大数据接收单元得到的数据按照试验项目的筛选规则自动筛选出患者;将筛选出的患者的相关信息输入到所述数据预处理单元,以进行后续的归一化处理、服务人员匹配以及根据随访,确定是否为最终受试者。
为了实现上述目的,根据本申请的第三个方面,提供了一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述第二方面中任一项所述的受试者招募的方法。
在本申请实施例中,受试者招募的方法及***中,通过医疗机构本地部署的前置机直接对接医疗机构信息化***,实时获取病历数据;通过前置机中部署的项目需求模型对病历数据进行识别,得到识别结果,识别结果包含符合试验项目的患者的患者基本信息以及符合的项目编号;前置机将识别结果推送给招募方的服务后台,以对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者。可以看到,本申请中进行受试者招募时,在获取数据时是通过直接与医疗机构信息化***进行对接获取的,因此可以扩大患者数据,而且通过医疗机构信息化***获取的数据质量也有保证,可以提高转化率,相比于现有招募方式在一定程度上可以提高招募的效率。另外,在将病历数据推送给招募方的服务后台之前,先通过项目需求模型对数据进行了识别筛选,将符合项目要求的部分数据进行推送,避免了直接对大量数据进行传输、存储、处理会产生网络传输消耗大、存储要求高、处理速度慢等问题,也保证了招募的整体效率。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的一种受试者招募的方法流程图;
图2是根据本申请实施例提供的一种受试者招募的***的组成框图图;
图3是根据本申请实施例提供的另一种受试者招募的***的组成框图图;
图4是根据本申请实施例提供的一种受试者招募的***的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例,提供了一种受试者招募的方法,如图1所示,该方法包括:
首先,本申请是针对现有的招募方式,存在的如下问题:“数据来源单一—主要来源还是线下主动找寻、人与人推荐、线上等待服务;数据质量差—线上数据来源千奇百怪,千差万别,多数报名数据不可用,无法转化;人工处理业务效率低—数据筛选和项目匹配还是人工操作,处理效率低。”提出的要扩大患者数据,提高患者数据质量,提高数据收集,处理时效性,加大资源投放广度的新的招募方案。
S101.通过医疗机构本地部署的前置机直接对接医疗机构信息化***,实时获取病历数据。
医疗机构信息化***在实际应用中可以为医院信息化***、医院自助机、体检机构信息***、体检机构自助机、医疗数据***等医疗机构对应的信息化***中的一种或多种。直接对接医疗机构信息化***然后获取的病历数据可以满足对招募方式数据量以及数量质量的要求。即可以扩大患者数据,提高患者数据质量。另外,通过医疗机构本地部署的前置机可以获取到实时的数据,也保证了数据的时效性。
另外,需要说明的是,上述自助机也是为了扩大拖放资源增设的。自助机类似于医院的自助挂号机器,当患者有需求咨询或者报名的时候可以通过自助机直接和招募专员(或者招募服务人员)进行沟通。自助机投放到医疗机构,尤其是一些专业医院(肿瘤医院等),本身也是一个广告牌,由于招募本身用药免费和治病救人的特性,会主动吸引过来查看了解。自助机的投放也可能会被医生关注到,医生也可能会尝试通过这样的临床试验药物来治疗患者的疾病。
S102.通过前置机中部署的项目需求模型对病历数据进行识别,得到识别结果,识别结果包含符合试验项目的患者的患者基本信息以及符合的项目编号。
在实际应用中,对接的医疗机构往往会有很多个,又由于每天医疗机构每天的看诊量是非常大的,多个医疗机构总的看诊量会更多。比如假设我们接入200个医院,医院每日的门诊看诊量是2000人,住院看诊量是1000人,那么按照患者来计算,每日会产生200*(2000+1000)=60W份病历数据。60W份病历数据如果全部直接推送到招募方的服务后台进行数据的解析(每一份完整病历大约10M或更大),那么就存在网络传输损耗大、存储需求大等问题。但是数据解析后,实际数据的利用率可能只有5%。如果将数据全部收集推送会使得整个流程耗时特别长,资源开销大。针对上述问题,本申请通过解析服务下沉的方式来提前筛选数据。
具体的解析服务下沉的方式包括,通过前置机中部署的项目需求模型对病历数据进行识别,得到识别结果,识别结果包含符合试验项目的患者的患者基本信息以及符合的项目编号。即对直接对接获取的病历数据进行筛选,将符合试验项目的病历数据识别出,之后将其推送给招募方的服务器后台,相较原来的全部推送要节省推送时间和存储空间,这样即便接入再多的医院,也不会带来性能上的压力。
其中,通过项目需求模型对病历数据进行识别,得到识别结果具体的原理如下:将病历数据输入到项目需求模型中;项目需求模型根据项目需求的特征信息按照获取途径在病历数据中进行特征信息的查找;并判断查找到的特征信息是否符合项目需求;将满足项目需求的特征信息对应的患者的基本信息以及符合的项目编号输出。不同的试验项目对应的特征信息种类和值是不同的,不同的试验项目对应的项目编号也是不同的。
上述项目需求的特征信息,主要有:患者姓名、联系方式、性别、年龄、诊断、特定检查数据、用药记录、诊断记录等。获取途径是通过机器学习训练得到的,具体的会提前设置项目的特征信息基于病历数据的取值对应关系。比如姓名、性别、年龄、诊断数据可以基于病历的诊断证明获取,而检查数据需要从病历的检查检验单获取等。然后基于病历数据以及项目需求的特征信息以及项目的特征信息基于病历数据的取值对应关系进行机器的学习训练。可以训练得到特征信息在病历数据中的获取途径。给出具体的例子进行说明:姓名这个数据如果让在病历数据中找寻,可能会翻看诊断证明获取,但如果诊断证明中没有,可能会找寻检查检验单来获取姓名。机器学习训练可以训练得到对于姓名这个数据的获取路径,可以先在病历数据中找寻,如果没获取到,则在检查检验单中查找。
S103.前置机将识别结果推送给招募方的服务后台,以对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者。
具体的在实际应用中,识别结果除了包括符合试验项目的患者的患者基本信息以及符合的项目编号还可以包括符合试验项目的患者的所有相关的病历数据。
另外,由于医疗行业对数据的应用有严格的要求,使用数据必须进行授权、加密、脱敏后才能使用。因此在将识别结果推送给招募方的服务后台之前,需要对数据进行加密处理,比如可以使用对称加密技术和专网通信,保证数据的安全。
招募方的服务后台得到识别结果后会对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者。具体的招募方的服务后台得到识别结果后会对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者具体包括如下流程:
首先,添加数据适配服务,具体为对接收到的识别结果进行归一化处理和/或解密处理。
归一化处理具体为对数据按照统一格式及进行处理,归一化处理是为了方便后续作同样逻辑的处理工作。另外,为了保证数据的安全性,由前置机推送过来的数据是加密的数据,因此在进行归一化处理之前,还需要对加密的数据进行解密处理。
其次,为所有符合试验项目的患者自动匹配对应的服务人员,服务人员为后续对患者进行跟踪随访的人员。
不同的服务人员(招募专员)对于不同试验项目的知识的了解程度是不同的,因此需要为患者匹配更合适的服务人员。这样也可以保证后续随访的顺利进行,提高工作效率。具体的进行匹配的过程都是自动化实现的,具体是根据规则引擎进行匹配的,具体的可以根据患者的信息以及服务人员的信息进行对应的匹配。具体的规则引擎匹配中包含的匹配规则可以为将服务人员的信息中的擅长的药物种类、疾病种类等信息与患者的信息中的疾病类型信息进行匹配,若一致或类似,则匹配成功。一个患者只能对应一个服务人员,一个服务人员可以对应多个患者。
最后,服务后台根据根据每一次的随访信息生成与对应不同患者的个性化的随访计划,以供服务人员根据所述随访计划对患者进行跟踪随访确定是否为最终受试者。
需要说明的是,每个患者的第一次的随访计划可以根据患者的病历数据进行制定,或者统一制定,有了随访信息后可以根据随访信息进行个性化的随访计划的制定。随访计划制定后,对应的服务人员在***中可以查看到,服务人员可以根据随访计划实施线下或者线上随访,最终获取到随访信息,并将随访信息输入到***,以使***进行下次随访计划的制定。
患者每一次的随访信息得到后,在根据其制定下一次的计划前,还需要对随访信息进行判断或者计算,确定该患者是否可以作为某一试验项目的受试者。如果确定患者可以作为某一试验项目的受试者,则不需要再次制定是否可以作为受试者的随访计划。另外,对于确定为受试者后,可能需要制定的是推荐受试者去进行试验项目的报名的访问计划。在确定报名后,会与患者签订协议,患者被正式加入到试验项目组。在试验的过程,服务后台会继续制定试验跟踪计划,让服务人员可以根据试验跟踪计划继续对患者的情况进行跟踪,比如不良事件的记录,病历信息的收集和归档。最后服务后台会根据所有的试验过程中的数据进行分析,为药厂的药物试验结果判定提供数据支持。
从以上的描述中,可以看出,本申请实施例中受试者招募的方法中,通过医疗机构本地部署的前置机直接对接医疗机构信息化***,实时获取病历数据;通过前置机中部署的项目需求模型对病历数据进行识别,得到识别结果,识别结果包含符合试验项目的患者的患者基本信息以及符合的项目编号;前置机将识别结果推送给招募方的服务后台,以对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者。可以看到,本申请中进行受试者招募时,在获取数据时是通过直接与医疗机构信息化***进行对接获取的,因此可以扩大患者数据,而且通过医疗机构信息化***获取的数据质量也有保证,可以提高转化率,相比于现有招募方式在一定程度上可以提高招募的效率。另外,在将病历数据推送给招募方的服务后台之前,先通过项目需求模型对数据进行了识别筛选,将符合项目要求的部分数据进行推送,避免了直接对大量数据进行传输、存储、处理会产生网络传输消耗大、存储要求高、处理速度慢等问题,也保证了招募的整体效率。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。并且***和方法实施例中的内容可以相互参考。
根据本申请实施例,还提供了一种受试者招募的***,如图2所示,该***包括:
医疗机构信息化***21,用于提供病历数据,与医疗机构本地部署的前置机进行数据对接;
医疗机构信息化***在实际应用中可以为医院信息化***、医院自助机、体检机构信息***、体检机构自助机、医疗数据***等医疗机构对应的信息化***中的一种或多种。直接对接医疗机构信息化***然后获取的病历数据可以满足对招募方式数据量以及数量质量的要求。即可以扩大患者数据,提高患者数据质量。另外,通过医疗机构本地部署的前置机可以获取到实时的数据,也保证了数据的时效性。关于自助机的说明,可以参见图1步骤S101中的相关说明,此处不再赘述。
前置机22,部署在医疗机构本地,用于与医疗机构信息化***直接对接,实时获取病历数据;通过部署的项目需求模型对病历数据进行识别,得到识别结果,所述识别结果包含符合试验项目的患者的患者基本信息以及符合的项目编号;将识别结果推送给招募方的服务后台;
通过前置机中部署的项目需求模型对病历数据进行识别,得到识别结果,识别结果包含符合试验项目的患者的患者基本信息以及符合的项目编号。即对直接对接获取的病历数据进行筛选,将符合试验项目的病历数据识别出,之后将其推送给招募方的服务器后台,相较原来的全部推送要节省推送时间和存储空间,这样即便接入再多的医院,也不会带来性能上的压力。
另外,具体的通过项目需求模型对病历数据进行识别,得到识别结果具体的原理如下:将病历数据输入到项目需求模型中;项目需求模型根据项目需求的特征信息按照获取途径在病历数据中进行特征信息的查找;并判断查找到的特征信息是否符合项目需求;将满足项目需求的特征信息对应的患者的基本信息以及符合的项目编号输出。不同的试验项目对应的特征信息种类和值是不同的,不同的试验项目对应的项目编号也是不同的。
上述项目需求的特征信息,主要有:患者姓名、联系方式、性别、年龄、诊断、特定检查数据、用药记录、诊断记录等。获取途径是通过机器学习训练得到的,具体的会提前设置项目的特征信息基于病历数据的取值对应关系。比如姓名、性别、年龄、诊断数据可以基于病历的诊断证明获取,而检查数据需要从病历的检查检验单获取等。然后基于病历数据以及项目需求的特征信息以及项目的特征信息基于病历数据的取值对应关系进行机器的学习训练。可以训练得到特征信息在病历数据中的获取途径。给出具体的例子进行说明:姓名这个数据如果让在病历数据中找寻,可能会翻看诊断证明获取,但如果诊断证明中没有,可能会找寻检查检验单来获取姓名。机器学习训练可以训练得到对于姓名这个数据的获取路径,可以先在病历数据中找寻,如果没获取到,则在检查检验单中查找。
招募方服务后台23,用于通过所述前置机获取所述识别结果,根据识别结果对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者。
具体的在实际应用中,识别结果除了包括符合试验项目的患者的患者基本信息以及符合的项目编号还可以包括符合试验项目的患者的所有相关的病历数据。招募方的服务后台得到识别结果后会对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者。
从以上的描述中,可以看出,本申请实施例中受试者招募的***中,通过医疗机构本地部署的前置机直接对接医疗机构信息化***,实时获取病历数据;通过前置机中部署的项目需求模型对病历数据进行识别,得到识别结果,识别结果包含符合试验项目的患者的患者基本信息以及符合的项目编号;前置机将识别结果推送给招募方的服务后台,以对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者。可以看到,本申请中进行受试者招募时,在获取数据时是通过直接与医疗机构信息化***进行对接获取的,因此可以扩大患者数据,而且通过医疗机构信息化***获取的数据质量也有保证,可以提高转化率,相比于现有招募方式在一定程度上可以提高招募的效率。另外,在将病历数据推送给招募方的服务后台之前,先通过项目需求模型对数据进行了识别筛选,将符合项目要求的部分数据进行推送,避免了直接对大量数据进行传输、存储、处理会产生网络传输消耗大、存储要求高、处理速度慢等问题,也保证了招募的整体效率。
进一步的,如图3所示,招募方服务后台23还包括:
数据预处理单元231,用于对接收到的识别结果进行归一化处理和/或解密处理;
归一化处理具体为对数据按照统一格式及进行处理,归一化处理是为了方便后续作同样逻辑的处理工作。另外,为了保证数据的安全性,由前置机推送过来的数据是加密的数据,因此在进行归一化处理之前,还需要对加密的数据进行解密处理。
服务人员匹配单元232,用于根据数据预处理单元得到的数据为患者自动匹配对应的服务人员,所述服务人员为后续对患者进行跟踪随访的人员;
不同的服务人员(招募专员)对于不同试验项目的知识的了解程度是不同的,因此需要为患者匹配更合适的服务人员。这样也可以保证后续随访的顺利进行,提高工作效率。具体的进行匹配的过程都是自动化实现的,具体是根据规则引擎进行匹配的,具体的可以根据患者的信息以及服务人员的信息进行对应的匹配。具体的规则引擎匹配中包含的匹配规则可以为将服务人员的信息中的擅长的药物种类、疾病种类等信息与患者的信息中的疾病类型信息进行匹配,若一致或类似,则匹配成功。一个患者只能对应一个服务人员,一个服务人员可以对应多个患者。
随访单元233,用于根据每一次的随访信息生成与对应不同患者的个性化的随访计划,以供服务人员根据所述随访计划对患者进行跟踪随访确定是否为最终受试者。
需要说明的是,每个患者的第一次的随访计划可以根据患者的病历数据进行制定,或者统一制定,有了随访信息后可以根据随访信息进行个性化的随访计划的制定。随访计划制定后,对应的服务人员在***中可以查看到,服务人员可以根据随访计划实施线下或者线上随访,最终获取到随访信息,并将随访信息输入到***,以使***进行下次随访计划的制定。
患者每一次的随访信息得到后,在根据其制定下一次的计划前,还需要对随访信息进行判断或者计算,确定该患者是否可以作为某一试验项目的受试者。如果确定患者可以作为某一试验项目的受试者,则不需要再次制定是否可以作为受试者的随访计划。另外,对于确定为受试者后,可能需要制定的是推荐受试者去进行试验项目的报名的访问计划。在确定报名后,会与患者签订协议,患者被正式加入到试验项目组。在试验的过程,服务后台会继续制定试验跟踪计划,让服务人员可以根据试验跟踪计划继续对患者的情况进行跟踪,比如不良事件的记录,病历信息的收集和归档。最后服务后台会根据所有的试验过程中的数据进行分析,为药厂的药物试验结果判定提供数据支持。
进一步的,所述前置机22还包括:
加密单元,用于对识别结果采用对称加密算法进行加密,以将加密后的识别结果发送给招募方服务后台。
由于医疗行业对数据的应用有严格的要求,使用数据必须进行授权、加密、脱敏后才能使用。因此在将识别结果推送给招募方的服务后台之前,需要对数据进行加密处理,比如可以使用对称加密技术和专网通信,保证数据的安全。
进一步的,如图3所示,所述招募方服务后台23还包括:
互联网大数据接收单元234,用于接收通过多种互联网渠道得到的试验项目报名数据;
为了扩大数据量,招募方的服务后台除了可以直接通过医疗机构的信息***获取数据外,还可以通过多种互联网渠道获取数据。具体的互联网渠道可以为:微信招募小程序、手机终端招募APP、招募官网、广告投放、社区自助机、招募方的合作方等。
筛选单元235,用于对互联网大数据接收单元得到的数据按照试验项目的筛选规则自动筛选出患者;将筛选出的患者的相关信息输入到所述数据预处理单元,以进行后续的归一化处理、服务人员匹配以及根据随访,确定是否为最终受试者。
相比于从医疗机构信息***获取到的数据,从多种互联网渠道获取的数据质量比较低,因此需要对其进行筛选,具体的可以根据筛选规则进行自动筛选,筛选出有效的符合试验项目的患者,具体筛选的原理如下:基于筛选规则对数据进行分析清洗、汇总,最终得到符合筛选规则的患者。筛选规则是根据不同的试验需求提前设置的。
进一步的,根据本申请实施例,还提供了一种受试者招募的***的结构示意图,如图4所示,包括接入数据、互联网大数据、前置机服务、数据适配服务、数据应用、招募服务、持续服务:
其中,接入数据和互联网大数据是招募方获取数据的两种方式。其中接入数据中包括医院信息化***、医院自助机、体检机构信息***、体检机构自助机、医疗数据***,这些都属于医疗机构信息化***,是提供病历数据的***,将病历数据接入到前置机。互联网大数据包括微信招募小程序、手机终端招募APP、招募官网、广告投放、社区自助机、招募方的合作方等,这些都是获取数据的渠道。
前置机服务,是部署在医疗机构本地的前置提供的服务,前置机接到病历数据后会进行数据感知—机器筛查分类—数据加密/存储/处理—服务提供/信息推送—调用权限控制。其中机器筛查分类对应与前述实施例中的根据项目需求模型对病历数据进行识别。病历数据经过前置机处理后推送到服务后台(招募方的服务后台)。
数据适配服务、数据应用、招募服务、持续服务都是服务后台提供的服务。如图4所示,其中数据适配服务包括数据来源校验、服务归一化数据格式归一化、部分数据解密、数据存储,数据适配服务主要做数据的预处理,预处理完成后进入数据应用。数据应用包括数据提取、机器学习识别、机器推荐试验项目队列、队列数据分发给到服务人员,数据应用主要为患者匹配对应的服务人员,匹配到服务人员后进入招募服务。招募服务包括网络咨询/电话咨询、获得授权、患者填写预筛表机器筛查符合率、符合则报名、不符合则告知、对于报名的签订知情协议、患者入组。招募服务主要是通过网络咨询/电话咨询确定最终的受试者。其中网络咨询/电话咨询与前述实施例中的随访单元中的涉及的线上、线下随访。确定受试者,并入组后进入持续服务。持续服务包括患者随访、数据跟踪收集、不良事件记录、患者病历归档、治疗方案大数据分析。其中的患者随访是药物试验过程中的随访,同样服务后台可以指定个性化的随访计划,使服务人员通过线上或者线下的方式对患者的试验情况进行跟踪,最终为药厂的药物试验结果判定提供数据支持。
最后,对本申请中的受试者招募的方法及***的有益效果进行总结:
①医疗机构数据质量好、实效性高、数据量大,正好符合药物试验项目受试者招募业务发展的需要。医疗机构数据的接入,可以使得招募业务在另外一个维度上使用数据,使得招募效率更高。
②在通过项目需求模型对病历数据的识别以及服务人员的匹配以及随访单元中的随访计划的生成以及互联网数据的筛选等过程中应用了机器学习、自动识别功能,很大程度上节省人工重复劳动,使得海量数据可以短时间处理,使得流程更加智能化。
③在医疗机构设置自助机可以让线上、线下形成立体效果,可以让更多人了解受试者招募,同时也会为招募公司带来受试者,在某些程度上还可以拯救人的生命。
根据本申请实施例,还提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行图1中的受试者招募的方法。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种受试者招募的方法,其特征在于,所述方法包括:
通过医疗机构本地部署的前置机直接对接医疗机构信息化***,实时获取病历数据;
通过所述前置机中部署的项目需求模型对病历数据进行识别,得到识别结果,所述识别结果包含符合试验项目的患者的患者基本信息以及符合的项目编号;
所述前置机将识别结果推送给招募方的服务后台,以对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者。
2.根据权利要求1所述的受试者招募的方法,其特征在于,所述通过所述前置机中部署的项目需求模型对病历数据进行识别,得到识别结果包括:
将病历数据输入到项目需求模型中;
项目需求模型根据项目需求的特征信息按照获取途径在病历数据中进行特征信息的查找;
并判断查找到的特征信息是否符合项目需求;
将满足项目需求的特征信息对应的患者的基本信息以及符合的项目编号输出。
3.根据权利要求1所述的受试者招募的方法,其特征在于,在所述前置机将识别结果推送给招募方的服务后台之前,所述方法还包括:
对识别结果采用对称加密算法进行加密。
4.根据权利要求1所述的受试者招募的方法,其特征在于,所述医疗机构信息化***包括以下任意至少一种:
医院信息化***、医院自助机、体检机构信息***、体检机构自助机、医疗数据***。
5.一种受试者招募的***,其特征在于,所述***包括:
医疗机构信息化***,用于提供病历数据,与医疗机构本地部署的前置机进行数据对接;
前置机,部署在医疗机构本地,用于与医疗机构信息化***直接对接,实时获取病历数据;通过部署的项目需求模型对病历数据进行识别,得到识别结果,所述识别结果包含符合试验项目的患者的患者基本信息以及符合的项目编号;将识别结果推送给招募方的服务后台;
招募方服务后台,用于通过所述前置机获取所述识别结果,根据识别结果对符合试验项目的患者进行后续的跟踪随访直到确定最终受试者。
6.根据权利要求5所述的受试者招募的***,其特征在于,所述医疗机构信息化***包括以下任意至少一种:
医院信息化***、医院自助机、体检机构信息***、体检机构自助机、医疗数据***。
7.根据权利要求5所述的受试者招募的***,其特征在于,所述招募方服务后台还包括:
数据预处理单元,用于对接收到的识别结果进行归一化处理和/或解密处理;
服务人员匹配单元,用于根据数据预处理单元得到的数据为患者自动匹配对应的服务人员,所述服务人员为后续对患者进行跟踪随访的人员;
随访单元,用于根据每一次的随访信息生成与对应不同患者的个性化的随访计划,以供服务人员根据所述随访计划对患者进行跟踪随访确定是否为最终受试者。
8.根据权利要求5所述的受试者招募的***,其特征在于,所述前置机还包括:
加密单元,用于对识别结果采用对称加密算法进行加密,以将加密后的识别结果发送给招募方服务后台。
9.根据权利要求7所述的受试者招募的***,其特征在于,所述招募方服务后台还包括:
互联网大数据接收单元,用于接收通过多种互联网渠道得到的试验项目报名数据;
筛选单元,用于对互联网大数据接收单元得到的数据按照试验项目的筛选规则自动筛选出患者;将筛选出的患者的相关信息输入到所述数据预处理单元,以进行后续的归一化处理、服务人员匹配以及根据随访,确定是否为最终受试者。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行权利要求1至权利要求4中任一所述的受试者招募的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011114796.5A CN112365941A (zh) | 2020-10-16 | 2020-10-16 | 受试者招募的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011114796.5A CN112365941A (zh) | 2020-10-16 | 2020-10-16 | 受试者招募的方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365941A true CN112365941A (zh) | 2021-02-12 |
Family
ID=74506855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011114796.5A Pending CN112365941A (zh) | 2020-10-16 | 2020-10-16 | 受试者招募的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365941A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112863623A (zh) * | 2021-02-19 | 2021-05-28 | 江苏省人民医院(南京医科大学第一附属医院) | 临床试验业务与常规临床业务的***融合 |
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 |
CN113380354A (zh) * | 2021-06-16 | 2021-09-10 | 联仁健康医疗大数据科技股份有限公司 | 一种人员招募方法、装置、***、电子设备及存储介质 |
CN115831298A (zh) * | 2023-02-22 | 2023-03-21 | 北京肿瘤医院(北京大学肿瘤医院) | 基于医院管理信息***的临床试验患者招募方法及装置 |
CN116596409A (zh) * | 2023-07-17 | 2023-08-15 | 北京厚普医药科技有限公司 | 基于试验数据采集的人员跟踪管理*** |
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 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105561473A (zh) * | 2015-12-21 | 2016-05-11 | 林栋� | 一种基于生物反馈技术的自闭症穴位刺激治疗仪 |
CN106056511A (zh) * | 2016-08-02 | 2016-10-26 | 天津阿贝斯努科技有限公司 | 一种药物临床试验网络化监督管理*** |
CN108154906A (zh) * | 2018-01-17 | 2018-06-12 | 林沛杰 | 电子化病历报告表***及电子化病历报告表记录方法 |
CN109727650A (zh) * | 2018-12-26 | 2019-05-07 | 深圳市天方达健信科技股份有限公司 | 电子病历传输*** |
CN110415772A (zh) * | 2019-07-31 | 2019-11-05 | 曹茂华 | 临床试验患者招募与病例快速匹配*** |
CN110718276A (zh) * | 2019-10-09 | 2020-01-21 | 武汉志软科技有限公司 | 一种临床路径管理信息*** |
CN110826309A (zh) * | 2019-10-25 | 2020-02-21 | 上海市第六人民医院 | 一种临床试验电子病例报告表的生成***及方法 |
CN110957049A (zh) * | 2019-11-21 | 2020-04-03 | 武汉明德生物科技股份有限公司 | 基于医疗大数据的卒中救治网络***及其应用方法 |
CN111145846A (zh) * | 2019-12-30 | 2020-05-12 | 天津开心生活科技有限公司 | 临床试验患者招募方法及装置、电子设备和存储介质 |
CN111210883A (zh) * | 2019-12-24 | 2020-05-29 | 深圳市联影医疗数据服务有限公司 | 生成脑肿瘤患者随访数据的方法、***、装置及存储介质 |
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 |
-
2020
- 2020-10-16 CN CN202011114796.5A patent/CN112365941A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105561473A (zh) * | 2015-12-21 | 2016-05-11 | 林栋� | 一种基于生物反馈技术的自闭症穴位刺激治疗仪 |
CN106056511A (zh) * | 2016-08-02 | 2016-10-26 | 天津阿贝斯努科技有限公司 | 一种药物临床试验网络化监督管理*** |
CN108154906A (zh) * | 2018-01-17 | 2018-06-12 | 林沛杰 | 电子化病历报告表***及电子化病历报告表记录方法 |
CN109727650A (zh) * | 2018-12-26 | 2019-05-07 | 深圳市天方达健信科技股份有限公司 | 电子病历传输*** |
CN110415772A (zh) * | 2019-07-31 | 2019-11-05 | 曹茂华 | 临床试验患者招募与病例快速匹配*** |
CN110718276A (zh) * | 2019-10-09 | 2020-01-21 | 武汉志软科技有限公司 | 一种临床路径管理信息*** |
CN110826309A (zh) * | 2019-10-25 | 2020-02-21 | 上海市第六人民医院 | 一种临床试验电子病例报告表的生成***及方法 |
CN110957049A (zh) * | 2019-11-21 | 2020-04-03 | 武汉明德生物科技股份有限公司 | 基于医疗大数据的卒中救治网络***及其应用方法 |
CN111210883A (zh) * | 2019-12-24 | 2020-05-29 | 深圳市联影医疗数据服务有限公司 | 生成脑肿瘤患者随访数据的方法、***、装置及存储介质 |
CN111145846A (zh) * | 2019-12-30 | 2020-05-12 | 天津开心生活科技有限公司 | 临床试验患者招募方法及装置、电子设备和存储介质 |
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 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112863623A (zh) * | 2021-02-19 | 2021-05-28 | 江苏省人民医院(南京医科大学第一附属医院) | 临床试验业务与常规临床业务的***融合 |
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 |
CN113380354A (zh) * | 2021-06-16 | 2021-09-10 | 联仁健康医疗大数据科技股份有限公司 | 一种人员招募方法、装置、***、电子设备及存储介质 |
CN113380354B (zh) * | 2021-06-16 | 2024-05-24 | 联仁健康医疗大数据科技股份有限公司 | 一种人员招募方法、装置、***、电子设备及存储介质 |
CN115831298A (zh) * | 2023-02-22 | 2023-03-21 | 北京肿瘤医院(北京大学肿瘤医院) | 基于医院管理信息***的临床试验患者招募方法及装置 |
CN116596409A (zh) * | 2023-07-17 | 2023-08-15 | 北京厚普医药科技有限公司 | 基于试验数据采集的人员跟踪管理*** |
CN116596409B (zh) * | 2023-07-17 | 2023-09-19 | 北京厚普医药科技有限公司 | 基于试验数据采集的人员跟踪管理*** |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543863B (zh) | 一种就医任务管理方法、服务器及存储介质 | |
El Khatib et al. | Digital disruption and big data in healthcare-opportunities and challenges | |
CN112365941A (zh) | 受试者招募的方法及*** | |
KR102088980B1 (ko) | 사용자 맞춤형 의료정보 제공 시스템 및 이의 구동방법 | |
US20130304504A1 (en) | System and method for clinical trial design | |
US20100076786A1 (en) | Computer System and Computer-Implemented Method for Providing Personalized Health Information for Multiple Patients and Caregivers | |
Panda et al. | Big data in health care: A mobile based solution | |
CN107273698A (zh) | 人工智能训练标准库的处理与检测方法、*** | |
US20140136221A1 (en) | Online matching system between patient and curer | |
CN111710429A (zh) | 信息的推送方法及装置、计算机设备、存储介质 | |
WO2016109820A1 (en) | A system and method for real-time online and on-demand medical diagnosis and treatment of a patient | |
Kumar et al. | A proposal of smart hospital management using hybrid cloud, IoT, ML, and AI | |
US10366780B2 (en) | Predictive patient to medical treatment matching system and method | |
KR20220092419A (ko) | 비대면 의료상담 서비스 제공방법 및 제공플랫폼 | |
CN107564569A (zh) | 基于计算机的医患双向对接方法及*** | |
US20010032102A1 (en) | Psychiatric information systems, methods and computer program products that capture psychiatric information as discrete data elements | |
Vest et al. | Assessment of structured data elements for social risk factors. | |
Frazão et al. | Priority setting in the Brazilian emergency medical service: a multi-criteria decision analysis (MCDA) | |
US20150339602A1 (en) | System and method for modeling health care costs | |
US20220165415A1 (en) | Intelligent system and methods for automatically recommending patient-customized instructions | |
Isken et al. | Collection and preparation of sensor network data to support modeling and analysis of outpatient clinics | |
US20210335468A1 (en) | Electronic system for automatically recommendating pharmacy stores all suitable drug products and methods thereof | |
CN113393915A (zh) | 一种医院用患者就诊信息管理*** | |
Lewis et al. | Applying" big data" and business intelligence insights to improving clinical care for cancer | |
CN115831298B (zh) | 基于医院管理信息***的临床试验患者招募方法及装置 |
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 |