CN115769302A - 流行病监控*** - Google Patents

Abstract

提供了使用IOT技术来监控大流行性肺炎的扩散的***和方法。利用来自可穿戴设备的传感器数据：对于暴露用户，使用穿戴者的健康的现有指标确定从大流行病发展出并发症的概率；确定封锁措施对健康的影响；确定暴露至病原体的用户经历并发症的概率；为用户提供各种疾病阶段的概率，所述阶段包括正常、无症状、症状前、有症状、并发症发展和康复。

Description

流行病监控***

技术领域

本发明涉及使用通过移动传感器(包括可穿戴设备和GPS)所收集的位置数据和生理数据来追踪新型病原体的传播、疾病分期、并发症的易感性以及用于控制新型病原体扩散的法规的影响。

背景技术

全世界的许多政府机构试图追踪新型疾病的存在、扩散和影响，以便及时地展开适当的响应。无一例外的是，当前在量化具有大流行潜力的疾病的扩散方面存在全球性的困难。比如，经由接触追踪以及其他典型的方法而在群体中追踪高传染性疾病的基本进程是需要大量的人力资源和全面的后勤***的劳动密集型过程。再比如，成功的疾病追踪工作需要在尽可能短的时间内发现和记录新感染，或者通过从临床标准测试来直接确认，或者基于适用症状的出现来推定感染；此问题还需要标准医疗和公共卫生***内的大量人力资源和后勤资源。上面提及的问题在资源匮乏的国家/地区变得越发棘手。

上述问题与负责流行病管理等事务的政府主体的利益有关。然而，个体在大流行中所面临的重大问题不是由政府或公司的政策调整或由其他机构做出的干预措施能解决的。例如，存在为一组人的健康负责的较小的主体，如雇主。对于在流行病中被监控的人而言，一个重要的问题是要知晓她被感染的时间，以便她防止家庭成员、同事和其他个体感染疾病。对她而言同样重要的是，要知晓她家人或亲人中谁被感染了，以便提供支持且防止感染在这些个体中进一步扩散。此外，对她而言重要的是，要能够监控需要访问她的生活空间的个体(例如，居住在家庭住宅的父母的看护人)的健康状态。当不在或在同一住所的她或家人确实被感染时，重要的是能够在整个感染过程中跟踪他们的健康水平，且当存在危险并发症发展的信号时接收警报，使得她可以为这些个体提供必要的支持。除此之外，对她而言还重要的是，基于家人和亲人的病史、人口统计学特征和其他健康指标，在家人和亲人感染疾病之前，知晓家人和亲人患严重并发症的风险，从而助于调节各个家庭成员的暴露水平。最后，被监控个体面临的另一问题是，如何控制她的行为，以降低向广大民众扩散感染的风险，且类似地帮助告知朋友和家人在她所在地区保持适当程度的谨慎。

因此，需要一种用于解决上面所提及的问题的解决方案。

发明内容

所提出的解决方案(下文将进行详细描述)加入了一种方法，所述方法利用可访问的消费电子设备以及本领域技术人员已知建立的IOT技术，且结合不断改进的临床护理和流行病学研究领域的学习。作为一个实施例，当前预估示出，20％的美国成年人使用可穿戴设备，与大流行病期间每天进入医疗***的小比例个体相比，此比例显著更大。与在移动电话上使用安珀(Amber)警报(这产生针对警报的整个社区的协调反应)类似，可以规范可穿戴设备和其他IOT身体监控设备，使得能够在大流行病条件下实现这些功能。与在不同州的不同医疗***的不成体系化相比，这提供了显著的优势。此外，虽然从不同的医疗***和应急***的集合至政府机构的信息传输会导致大量的信息传送延迟，但是所提出的解决方案可以大大增强信息传输的速度。这些方法足够地灵活，可适用于美国和其他国家/地区，包括那些资源相对匮乏的国家/地区。

通过医疗服务和应急服务中继大流行病信息导致低个体覆盖率的一个重要结果是，早期症状信息的低密度阻碍了用于帮助定位来源和联系新病例的高分辨率地理地图的构建。借助高覆盖率的IOT***，使可穿戴设备和移动设备能够精准确定与生理变化相关联的GPS坐标，所述GPS坐标可被用于在高分辨率下追踪流行病的早期阶段，以便尽早采取行动来抑制它。

在一方面，本发明涉及一种用于提供传染性疾病的群体的连续监控的方法，所述方法包括以下步骤：在被监控个体的IOT数据流中检测异常关联偏差，以及通过与被监控个体进行通信来筛选所述偏差，以预测所述偏差是否由混杂因素而非疾病引起。异常关联偏差可以包括生理数据流和行为数据流中的偏差，从群体数据与个体的当前数据的比较所得出的偏差，和/或从个体的历史数据与个体的当前数据的比较所得出的偏差。对偏差的筛选可以包括评估多个因素，所述因素包括但不限于饮酒、接近睡觉时间的大量饮食、剧烈运动和/或生理压力。

在一方面，所述方法可以与被监控个体联系以报告对疾病的预测，包括向所述被监控个体通知可能的感染以及发展出并发症的风险。所述方法能够监控若干个体，且在离散的疾病状态空间中组合异常关联偏差，以为每个被监控个体提供对疾病状态以及在感染情况下发展出严重并发症的风险的预测，从而控制对工作场所的物理访问，在现有大流行病中发现新流行病和新疾病爆发热点，和/或执行接触追踪以警告潜在暴露的个体。接触追踪可以在多个用户的位置历史上进行，且通过通信模块向可能已暴露至确诊或疑似感染的用户发送通知。用于接触追踪的历史位置数据可以通过用户可能访问过的设施确定路线，以使用关于设施的元信息(meta-information)来计算用户之间的本地接触的可能性，例如，与推断访问过健身房相比，对于推断两个用户对加油站访问，接触可能性较低。此外，推断的疾病状态转变的历史模式可用于预测未来的疾病状态模式。

在一方面，在筛选偏差以确认由疾病引起的原因后，异常关联偏差可用于预测被监控个体在离散的疾病状态空间中的转变，使用量化模型来预测转变。在一个实施方案中，离散的疾病状态空间可包括常规健康状态，以描述常规疾病。用户的常规健康水平被确定为在疾病期间感染严重并发症的风险代表。这是在考虑到以下一组测量值的子集的情况下进行的：心脏健康(通过脉冲波形分析、心率变异性测量和心率测量)、呼吸健康(通过SpO2和呼吸率)、活动水平和体能水平(通过体动计和心率储备变化)、睡眠健康(通过总睡眠时间、睡眠阶段时长、睡眠阶段的连续性以及前述的睡眠质量估计)。

在其他实施方案中，离散的疾病状态空间可以包括多种疾病状态，以代表替代的疾病或疾病组。在一方面，量化模型被用于基于以下来预测离散的疾病状态空间中的转变：所述异常关联偏差、被监控个体的IOT数据流(包括测量的行为、估计的行为、测量的生理学和/或估计的生理学)以及与该被监控个体有关的反馈，所述反馈包括症状、基于临床测试结果的疾病状态、暴露和/或混杂因素，所述混杂因素包括饮酒、接近睡觉时间的大量饮食、剧烈运动和/或生理压力。

在一方面，量化模型可以利用疾病的已知流行病学参数做出对离散疾病状态的转变。疾病的流行病学参数可以包括：潜伏时间、有症状疾病的持续时间、疾病R0值、预期生理偏差、预期行为偏差或被监控个体的地理空间和时间坐标，以及公开可得的该位置处的疾病患病率的估计。量化模型还可以在群体数据上训练，所述群体数据包括所记录的疾病病例以及疾病状态空间中的转变时间。

在一方面，本发明涉及一种连续监控传染性疾病的群体的方法，所述方法包括：从与个体相关联的移动设备捕获与所述个体相关联的生理信号、时间信息以及与该移动设备有关的位置信息；将所捕获的生理信号与有关个体的历史生理信号进行比较以识别异常；从所识别的异常计算异常关联偏差；在群体水平上将所述异常关联偏差聚集为类似的组；基于传染性疾病的知识来选择异常组；在群体水平的时空相关度上筛选所选定异常组的异常关联偏差；如果时空相关度达到阈值，则传达潜在的流行病发现。在一方面，所述方法还可以包括在计算所述异常关联偏差之后，基于传染性疾病的知识对所述异常关联偏差进行标记。

在一方面，本发明涉及一种用于提供连续监控传染性疾病的群体的***。所述***包括带有网络连接的服务器，所述服务器允许与多个个体相关联的多个IOT设备通信。所述服务器包括存储器和处理器，所述存储器和处理器调用疾病说明模块、异常检测模块、异常筛选模块、概率分配模块以及常规传染性疾病状态空间。所述服务器经由网络连接从多个IOT设备接收多个个体的生理数据流。所述处理器可以调用异常检测模块，以检测生理数据中的异常，且所述处理器可以调用概率分配模块，以基于通过筛选的异常为疾病状态空间模型中的状态分配概率。从生理数据流中发现的生理数据是从生理***记录的，所述生理***包括心血管、肺、肌肉骨骼以及神经***。所述数据流的数据可以包括心脏健康(脉冲波形分析、心率变异性测量、心率测量)、呼吸健康(SpO2、呼吸率)、活动和体能(体动计和心率储备变化)以及睡眠健康(总睡眠时间、睡眠阶段时长和连续性以及睡眠质量)。

在一方面，所述***可以基于现存的传染性疾病的生理信号的常规变化的知识和/或根据被监控群体的子组中存在的生理偏差的性质和时间的相似性来筛选异常。在一方面，所述***包括计时模块，用于在多个用户中收集关于异常事件的时间的信息。所述***还可以包括位置模块，所述位置模块被配置为收集关于所述***的用户彼此之间的接近度的信息。所述***经由疾病说明模块将位置信息和时间信息关联，可以在被监控群体的子组中过滤出具有共享的生理偏差模式的异常。疾病说明模块还可以被配置为使用来自各个个体的生理数据，随着时间的推移进行个性化处理。在一方面，所述***可以包括通信模块，所述通信模块可以通知用户，且从用户收集问卷答复，所述通信模块还可以利用对问卷的回答来将生理数据标记为(支持疾病状态空间中的转变的)疾病关联异常。问卷数据可以包括以寒战、疲劳和全身不适为例的主观健康指标，以及涵盖暴露风险信息的数据，暴露风险信息包括但不限于本地居住场所、家庭规模以及职业类型和状态。所述疾病状态模块可以在每个个体的基础上用标记数据进行个性化处理。

在一方面，服务器被配置为传达来自具有类似感测能力的多种IOT设备的数据、使收集规范化、设备间兼容的生理信号。在另一方面，异常检测模块利用深度学习架构，所述深度学习架构捕获用户生理信号的低维度潜在空间表示。可使用共享的潜在空间维度(如针对提及的VAE或GAN方法所限定的)，以在多个个体中比较生理。在一方面，已经构建了异常检测模块的潜在空间，使得记录特定生理信号的一个设备架构的潜在空间维度可以与记录相同生理信号的另一设备的潜在空间维度相关。

在一方面，所述***的异常检测模块被配置为在用户群体中收集异常，以过滤掉对时间上相关的用户子组而言不常见的偏差。所述异常筛选模块还可以通过使用SpO2生理信号的减少或呼吸率信号的增加过滤指示肺炎发展的异常情况，来过滤肺炎发展。异常筛选模块可以使用心率的变化来过滤指示传染性疾病发作或进展的异常。此外，异常筛选模块可以根据升高的静息心率、降低的HRV和/或降低的活跃度来过滤疾病状态空间中的症状前状态的异常。在一方面，异常筛选模块可以根据升高的HR、降低的HRV、降低的活跃度和体能和/或心律失常模式来过滤疾病状态空间中的无症状状态的异常。在另一方面，异常筛选模块可以根据以下模式过滤疾病状态空间的并发症发展状态的异常：SpO2降低(指示肺炎进展)，特别是肺炎呼吸率的增加，使用氧气治疗(支气管扩张剂，早期重点监控以改善结果)以及心律失常(指示心脏并发症进展)。在一方面，异常筛选模块可以根据升高的静息心率、升高的HRV和增加的活跃度的模式来过滤疾病状态空间中的康复状态的异常。

在一方面，所述***的位置模块通过使用可穿戴设备中的GPS能力或者使用具有这种能力的能够与所述位置模块联网的其他移动设备(例如，移动电话)的GPS数据确定用户的接近度。定位模块还可以通过使用与可穿戴设备数据相关联的元信息(诸如，接收数据的服务器，例如发送数据的国家)来产生粗略的用户接近度数据。位置模块还可以通过使用本地网络信息(示例性地但不限于通过Wifi或蓝牙信号的定位信息)来产生用户接近度数据。

在一方面，所述***可以处理数据，且发现异常事件的算法发生在生理数据记录设备、配套设备(诸如，智能电话)、云服务器或者(依赖于能量、处理和存储限制的)任何其他适当的联网设备上。在一方面，生理信息包括与咳嗽、心音和呼吸率有关的听觉数据，所述听觉数据通过适当的移动传感器技术例如通过启用MEMS麦克风的智能贴片记录。生理信息可以包括关于心血管***的数据，例如由PPG得出的心率、心率变异性和SpO2。

在一方面，所述***所利用的疾病状态包括症状前状态，在所述症状前状态中，可以在用户经历症状之前提醒可能的感染。所述疾病状态空间可以包括无症状状态，在所述无症状状态中，可以提醒用户在疾病过程中不经历症状的情况下可能的感染。所述疾病状态空间可以包括有症状的阶段，在所述有症状的阶段，可以提醒用户可能的感染，且可以基于用户分享的医学测试结果来确认或否定所述感染。所述疾病状态空间可以包括并发症状态，在所述并发症状态中，可以提醒用户可能的并发症发展，例如由于移动监控设备的SpO2读数异常低而导致的肺炎。所述疾病状态空间可以包括康复状态，在所述康复状态中，可以提醒用户生理信号的变化，所述生理信号的变化指示生理读数的恶化或改善，且提醒用户生理读数不再显著地偏离在健康状态期间所收集的读数。

在一方面，所述***包括流行病学模块，所述流行病学模块在用户群体中汇总来自疾病状态模块的疾病状态信息、与其相关联的生理信号偏差的异常及其时间。所述流行病学模块可以预测是否有证据表明在被监控的群体中存在流行病，所述预测基于多个用户中的生理偏差共享模式，其中类似性质的生理偏差在时空上是相关的，且以符合量化流行病学模型的方式在时空上演变，例如在相关的地理位置上预测的有症状病例的数目随时间呈指数增长。

通过随后对本发明的优选实施方案的详细描述，本发明的这些和其他目的和优势将变得显而易见。上文的总体描述和后文的详细描述是示例性地且仅是解释性的，旨在为所要求保护的发明提供进一步解释。

附图被包括以为本发明提供了进一步的理解，附图被纳入且构成本说明书的一部分，以及也说明了本发明的几个实施方案，所述几个实施方案与描述一起作为对本发明原理的解释。

附图说明

图1是指示组成***的不同电子设备的框图。

图2是一系列的操作，概述了如何应用***的部件。

图3是例示了在穿戴有连接至互联网且能够记录生理信息和时间信息的设备的用户的群体中，发现和监控流行病的***的框图。支持此功能的计算主要发生在连接至互联网的处理器上，而非终端用户的全身性网络(body wide network)的一部分。

图4是框图的左半部分(图5是右半部分)，例示了用于在穿戴有连接至互联网且能够记录生理信息和时间信息的设备的用户的群体中，发现和监控流行病的方法。在此实施方案中，强调的是在设备上的用户全身性网络中执行计算。

图5是框图的右半部分(图4是左半部分)，例示了用于在穿戴有连接至互联网且能够记录生理信息和时间信息的设备的用户的群体中，发现和监控流行病的方法。在此实施方案中，强调的是在设备上的用户全身性网络中执行计算。

图6示出了了Covid-19的疾病分期模型，所有可能的状态构成了疾病状态空间，且基于知识的筛选规则为斜体。

定义

BAN—体域网

ECG—心电图

GAN—生成式对抗网络

HMM—隐马尔可夫模型

HRV—心率变异性

ICU—重症监护病房

IOT—物联网

PPG—光学容积描记

SpO2—血氧饱和度

VAE—变分自编码器

具体实施方式

所提出的发明使用移动技术收集多个移动设备的生理信号，为自动发现和监控流行病的问题提供了一种解决方案。人类病原体是流行病的原因，通过人类病原体产生了人类疾病状态。例如，鼠疫是由细菌性病原体Yersinia pestis造成的疾病，它在公元1346年至1353年间造成了数百万的死亡。与非传染性疾病不同，传染性疾病由可传播的人类病原体导致。流行病未必由传染性疾病导致，还可以是非传染性的，例如肥胖流行病，其中人类饮食和生活方式的改变导致超重至不健康的人类数目快速增加。

考虑到个体或组织和政府能够采取许多行动来大幅改变流行病的进程，对流行病进行监控和早期检测的重要性能够被理解。最近的Covid-19爆发是全球许多国家应用激进措施限制公民流动的原因，但这对经济产生了不利的影响，包括失业，突出了尽可能精确和慎重地应用这些措施的重要性，以便将遏制病毒与因封锁规定而造成的经济衰退和常规健康降低相平衡。在这种大流行期间，从可穿戴设备数据中获得的关于症状、疾病发作和进展的高地理空间和时间分辨率信息，可以帮助平衡影响数百万生命和数万亿美元的决策。这不仅包括识别有症状的病例，而且包括执行接触追踪以管理症状发生前的病例。

虽然在被监控的群体中进行非常早的检测和接触追踪可以成功地遏制新型病原体，但是随着被感染数的增加，这变得越来越不可能。这不仅要求反应性措施来监控辨别出的流行病，而且要求有积极主动措施。下文中详细描述的公开的本发明在大规模运作时，旨在用作可应用的积极主动措施。新型病原体的定义需要新过程来建立诊断，且诊断第一个病例需要耗费时间的研究，而流行病可能达到不可逆转的状态。在被监控的群体中自动地识别相对于基线的共同生理偏差(其中这些偏差还能在相关的地理位置和时间点上见到)，能够有助于快速地建立对潜在新流行病及受其影响的个体的关注。

人体生理的IOT监测器得到了广泛和越来越多的使用。在撰写时，每五分之一的美国人都使用这种设备。这些设备的计算能力也得到了显著地提高，其中相对于待被智能手表取代的健身追踪器来说，智能手表具有强大的处理能力。在本发明中待解决的一个关键问题是，在多个不同设计的设备中，组合对同一种生理信号所记录的数据分析。在一方面，本发明可以利用用于这种设备的通用软件库(例如，*** wear OS等)。

独立于新的流行病，可以通过收集纵向生理学数据来量化个体的预先存在的健康维度。纵向数据是指以适当的频率且在足够长的(或未限定)的时长下所记录的任何相关测量、信号或其他的信息类型，使得例如在从数周至数月(或更长)的规模下，能够将被监控个体的生理自然变化与指示疾病发作和康复的变化分开。对于Covid-19，已知的是心血管、呼吸和免疫***的健康会强烈地影响个体感染病毒之后发展出并发症的概率。作为***的一部分，提出一种解决方案，从而在个体被感染之后，用于对与预测个体发展出并发症的风险有关的健康方面做出量化。所述方面将典型地包括人口统计信息，诸如身高、体重、年龄和性别以及健康记录数据(包括预先存在的条件)，但也可能包括通过现有的可穿戴设备的现有IOT检测所获得的数据，例如个体的静息心率值。对于个体、他们的朋友、家人和同事来说，掌握暴露风险的信息显然是实用的，因为此信息可以帮助该个体和社区来最有效地保护处于最高风险水平的人们。

除了理解感染状态和并发症发展的风险以外，实时识别并发症发展的信号对某些疾病而言非常重要。以Covid-19的情况为例，许多患者因无关的原因(诸如创伤)来到医疗机构，但临床医生却发现他们患有晚期肺炎，且表现出血氧饱和度(SpO2)下降以及呼吸率增加，但他们却没有意识到自己患有肺炎。当前阶段的可穿戴技术越来越多地包括用于以呈红光、红外光以及传感器的形式获得SpO2预测的必要技术，然而在腕部上进行所述SpO2预测的质量依然不可靠。典型的商业可穿戴设备同时包含光学容积描记(PPG)传感器和三轴加速度传感器，适于经由生命体征的症状性变化来检测/指示疾病感染，例如Covid-19的存在，可以通过这些传感器，采用数字信号处理和机器学习方法对所述生命体征的症状性变化进行追踪。在此公开了一种利用这些技术的方法，以从根本上促进了对感染进展的追踪，且对并发症发展的信号进行警告。在资源匮乏的场景或不堪重负的医疗***中，当ICU床位的24小时监控被完全占用时，这种能力可能具有很高的价值。

在流行病期间，公共健康水平由于涉及病原体引起的疾病以及为了控制传播而制定的封锁规定的影响而受到了伤害。在这些条件下测量健康水平的下降，可有助于为该规定的更广泛影响提供有价值的信息，且可有助于在遏制传播与保持总体健康水平之间取得平衡。利用已经建立的可穿戴设备网络能够帮助测量封锁期间的健康水平。这可以通过例如政府强制加入机制或选择性机制，在设备上加载固件更新，以使得能够传输标准化算法和数据传输协议的机制来实现。这可能与各种移动电话所支持的通用安珀警报功能类似。它也可以在雇主层面上实施，例如，当雇员需要极为接近时，更好地帮助实现公司内的风险管理。当个体从感染中康复时，监控个体的常规健康轨迹也是有用的，这有助于做出明智的选择。所述对康复轨迹的监控可以通过访问以上述方法所获取的个体生理数据，且使用数字信号处理方法和机器学习方法评估他们的相关生命体征来完成。通过使用这些相同技术和技术基础设施，本文介绍的***可以在群体的规模上帮助解决有效监控流行病的问题。

对于在***内被监控个体而言，优势可以通过与连接至互联网的计算机或移动设备的直接交互来体现，通过这种交互，个体可以接收诸如它们的预测疾病状态改变的通知，或者接收对于附加信息/反馈的请求，所述附加信息/反馈可以帮助更好地确定例如从未感染状态至感染状态的转变。例如，可以经由与当前症状有关和/或暴露至被感染者的已知实例有关的问卷，收集***内被监控个体所请求的附加信息/反馈；这可以使用合适的支持IOT设备诸如个体自己的智能电话或个人计算机来完成，或者替代地通过合适的智能手表或其他穿戴设备的用户界面，通过软件应用、网络表格、电子邮件调查等方式来完成，这些都是所公开***的一部分。附加地，用户不仅可以接收关于他们自己的数据的信息，还可能收到来自全球或他们更直接的环境中的其他用户的匿名结果，以及他们的结果与其他的相关用户子集的比较。除了通过共享信息直接反馈至被监控个体的优势以外，经准许的第三方(诸如，雇主或政府机构)也可以采取有利于被监控个体的行动，例如分别地改变办公室政策和改变本地居住场所的当前措施。

在图1中示出了为发现和监控新型流行病所提出的***的基本构成。在一个实施方案中，***包括：数个IOT设备，包括移动电话101；可穿戴设备，称作移动监控设备100，能够从传感器(诸如但不限于，PPG和加速度计)收集带时间戳的生理数据，且将所述生理数据从本地设备传输出去；服务器或服务器的组合，代管该***的流行病学监控网络102，且经由直接网间连接105或通过作为代理的移动电话101，接收从监控设备100所传输的生理数据。在通过作为代理的移动电话101的情况下，移动监控设备100必须启用替代手段，以通过物理有线连接或经由无线方法(诸如但不限于，通过局域网或诸如蓝牙的协议通信)，本地地向移动电话101传输数据。可选地，在个体移动监控设备100和/或移动电话101支持(例如，通过GPS或特定位置的网络连接)收集地理空间数据的情况下，所述***还为准许的第三方103提供用于查看群体水平结果的界面(所述群体水平结果可能地叠加在地图上)。当移动监控设备100是具有直接网间连接105以及合适的用户界面的智能手表时，还可以将移动电话101的全部功能转移至移动监控设备100，且完全地省略移动电话101***。

在图1中，处理生理数据、发现异常以及识别进入疾病状态或康复状态的可能转变的计算任务以虚线指示，从而示出这些模块可以驻留在移动设备101、移动监控设备100中，或者替代地驻留在流行病学监控网络102中。图4和图5中还更详细地描述了这些替代实施方案。类似地，在一个实施方案中，用于在体域网(BAN)104(如图1所示)上使用该***的个体的用户界面可以位于移动监控设备100上，或者替代地位于移动电话101上。BAN 104可包含多个IOT设备(包括移动监控设备100)，可以是不同于商业化可穿戴监控器(例如，智能手表)的设备。与BAN 104兼容的设备的实施例包括但不限于：不同于商业化智能手表的可穿戴设备，诸如包括多种生理传感器(PPG、心电图、温度、皮电活动等)的贴片；被监控个体的直接环境中的可接近设备，例如视频相机或光电探测器，能够产生生理测量值，诸如远程PPG感测或远程温度感测；和/或，可摄取传感器。为了与BAN 104兼容，可期望的是，包含传感器的设备能够经由直接网间连接105或通过作为代理的移动电话101，从被监控个体收集带时间戳的生理数据，且将其传输至流行病学监控网络102的实施方案。在通过作为代理的移动电话101的情况下，移动监控设备100必须启用替代手段，以通过物理有线连接或经由无线方法(诸如但不限于，通过局域网或诸如蓝牙的协议通信)，本地地向移动电话101传输数据。

关于BAN 104中的设备的更具体的实施方案，仅考虑目前市场上的技术，移动监控设备100可以采取多种形式。在最低限度下，这种设备具有记录生理信号的能力，且对所述生理信号进行处理或经由网络105直接地将所述生理信号发送至互联网，或者通过BAN 104中的代理设备将所述生理信号发送至互联网。在某些实施方案中，移动监控设备100的实施例可包括戴在腕部的可穿戴设备，诸如具有PPG能力和测量体动的加速度计的智能手表以及健身追踪器。使用来自PPG和体动计的数据，可以提取与人类生理和行为有关的数据，且可以进一步处理所述数据来估计行为(诸如，运动和睡眠)的发生(所述行为的发生可通过感染的存在而被修改)以及生命体征(诸如，心率和呼吸率)的值(经由感染对个体心跳的调制作用)。可以从可兼容的人类生理的IOT监控器中，得到与存在感染和/或从感染中康复有关的许多其他生理测量值和行为测量值。实施例包括但不限于：心率变异性的多种指数、体动计在整个清醒时段所测得的累积水平、对纵向监控(例如，定期上班/下班、每日步行数等)所建立的相对于常规例程的偏差。在另一组实施方案中，移动监控设备100可以是例如可穿戴的贴片或者能够通过皮肤(诸如，血糖监控贴片)读取化学指标的其他设备。在又一实施方案中，具有PPG能力的智能眼镜可用作移动监控设备100，从所述智能眼镜中可以测量或推断出心率、心率变异性指数以及多种相关联的见解(例如，睡眠时段和运动时段)。在又一实施方案中，具有PPG能力的智能耳机可以用作移动监控设备100。在又一实施方案中，移动心电图(ECG)监控器(以定位于胸前例如以贴片形状因子可得的移动心电图(ECG)监控器)可以用作移动监控设备100。在其他实施方案中，这种可穿戴的贴片可以利用听诊来记录心声和呼吸声，且用作移动监控设备100。在又一实施方案中，可摄取的生理监控设备(诸如，智能胶囊)可以用作移动监控设备100。此外，移动监控设备100还可以是可接近设备，而非戴在身体上的设备。例如，可接近设备可以包括允许远程PPG信号生成的相机，或是可以记录体重以及已知由这样的设备捕获的其他测量值(体脂率、水合水平等)的体重计。在另一这种实施方案中，移动监控设备100是带有触摸传感器的智能方向盘，所述智能方向盘可以测量可获取的生理信号，例如ECG、PPG和生物阻抗测量值。所公开的总体***并不意味着，在本发明的所有实施方案中，必定使用单个移动监控设备100，相对于单个设备或单个生理信号，更倾向于覆盖了更广泛空间的有关生理信号的更多设备。在一个方面，所述***被配置为利用能够捕获与个体有关的某些生理数据的任何IOT设备。

移动设备101是上文所描述的移动监控设备100的可选配套设备，且可以是智能电话或膝上型计算机。在某些实施方案中，移动设备101主要用于在流行病学监控网络102与移动监控设备101之间中继数据和信息，且在其他实施例中，移动设备101用于对来自移动监控设备100的数据执行处理。在一些实施方案中，移动设备101还可以从***内被监控个体收集附加的信息/反馈，这可以帮助更好地建立例如从未感染状态到感染状态的转变；这种信息/反馈可以通过流行病学监控网络102(例如，通过与当前症状有关和/或与已知的暴露于被感染个体的情况有关的问卷)来直接地从被监控的个体请求。可以通过软件应用、网络表格、电子邮件调查等来接收从被监控个体请求的信息/反馈，它们作为所公开***的一部分在移动设备101上运行。在其他实施方案中，移动设备101还可以是能够与互联网通信的一个或多个固定设备，例如，可以同时与移动设备101和互联网105通信的网络路由器。移动设备101上的接近度测量部件113包括确定用户彼此之间的接近度的一系列方法，所述方法利用了不同于GPS的手段，诸如在一些实施方案中，对于利用该***的用户或多个用户，所述手段为蓝牙连接、近场通信(NFC)和Wi-Fi连接，且所述手段可以在用户位于GPS信号受到影响的建筑物内时帮助定位用户，而且将用户链接至大型建筑物内可访问的具体设施。在这种情况下，知晓一个个体曾在另一用户附近是作为管理流行病的一部分的接触追踪的一份重要信息。接近度检测的分辨率可以很高，例如能够测量近似米的接近度，分辨率可以相对较低，例如能够确定两个个体曾经同一时间在同一建筑物内；从公众接触追踪和确定暴露风险的角度，前者是优选的，但后者仍有优点，可以帮助将决策告知被监控个体、经准许的第三方和/或公共卫生当局部门。类似地，知晓被监控个体经过智能设备的时间可以提供关于区域(如，建筑物)的有价值的数据，比如如果这个人碰巧有***预测的感染，或***经由准许访问患者医疗数据而知晓这个人，则现在可以将该区域认定为暴露的。除了这种本地信息以外，此模块还可以用于嵌入诸如移动设备101曾经所在的地区的信息，除了高分辨率的GPS数据以外，这些信息仍然是可用。在其他实施方案中，位置信息还可以通过***的用户请求且被录入至设备101中(例如，通过键入地址)。

用于第三方的界面103是可选部件，将关于可能异常的群体水平信息111暴露至经准许的第三方，例如雇主或负责流行病管理的政府主体，它们可以基于个体水平信息112向本文介绍的***的用户提供服务。在雇主的情况下，这可以是要求雇员在暴露的日子中居家办公，或在某些日子中居家办公，以达到已知基于***的预测不会被暴露或者不可能被感染的一定的个体密度。在一些实施方案中，此界面103是可以在膝上型计算机的互联网浏览器中显示的网站，所述网站以地理尺度将***预测的疾病病例可视化。许多其他用于通过可以连接至互联网且显示结果的设备将此信息通信至所述第三方的实施方案是可能的。还指定了模块114，用于在一些实施方案中与第三方103通信，例如，第三方103可以是初级护理机构(***的用户准许该初级护理机构与流行病学监控网络102分享或更新它们的医疗记录)，以对用户或***总体而言，提高新型流行病发现的准确性。

用户109的界面(或者通过BAN 104中的移动监控和/或移动设备100、101，或者通过用于第三方的界面103)具有用于中继信息所必需的元件，所述信息能够以先前所描述的方式使被监控个体直接受益，例如，提醒他们注意指示感染的他们的生命体征的变化。更具体的实施例包括但不限于：向个体显示关于在流行病的情况下推断出他们的疾病状态的信息，显示个***置的新的潜在流行病的通知，向个体显示与他们在感染之前的常规健康状态以及随后发展出严重疾病并发症的风险有关的信息，显示有关严重疾病并发症的潜在发展的通知，根据有关部门公布的旨在减缓疾病进展的本地规范来显示与用户的健康水平的改变有关的信息，显示其他经准许的***成员(诸如，朋友、同事和家人)的风险和疾病状态。界面109不仅为用户通知、分享或可视化有关信息，而且具有能力执行查询，以帮助更详细地告知用户最可能的疾病状态是什么。在图3、图4和图5的详细描述中，将给出关于此过程的目的的更详细的观点。

此外，在一些实施方案中，用户109的界面(或者通过BAN 104中的设备100或101，或者通过用于第三方103的界面)还可以将关于被监控个体的信息中继至可能对个体的健康状态感兴趣的经准许的第三方，例如个体的医生。同样的信息还可以被中继至其他经准许的第三方，在被监控个体感染的情况下，这些其他经准许的第三方自身的健康可能因接近被监控个体而受到影响(例如，同一家庭的家庭成员)。这些只是两个非限制性的实施例，在这些实施例中，可以解决在先前的背景部分所强调的问题。流行病学监控网络102还可以包括通信模块116，用于与***中的被监控个体直接地通信；通信的目的可以是查询被监控个体所经历的症状，传达潜在感染或暴露至被感染个体的通知，基于检测到的严重并发症的发展建议医学治疗等。通信模块116的具体和特别重要的功能是允许临床确诊感染的被监控个体将所述信息报告至所公开的***中，消除与基于所观察到的生理数据变化的感染预测有关的任何概率不确定性；此信息还可以用于加强用于预测感染存在的模型。相反，通信模块116的另一具体和重要的功能是允许提示被标记为可能感染的被监控个体反馈与感染无关联的潜在混杂因素，例如饮酒、最近的剧烈运动和大量饮食；否则，在没有附加背景的情况下，与这些类型的混杂因素相关联的某些生理变化(例如，静息心率的增加)，可能会被解释为感染症状。

在一个实施方案中，流行病学监控网络102可以在运行本发明的多种其他部件例如异常检测模块301的一个或多个云服务器上代管，这在图3中概述且将在下文中详细描述。在另一实施方案中，如图4和5所述，流行病学监控网络102的这些多个部件可以替代性地在包括BAN104的同一设备或其子集上代管，且可以在为BAN 104提供计算的统一微控制器上进行计算。在又一实施方案中，流行病学监控网络102的多种部件可以以任何组合被任意地分布在上述云服务器以及包括BAN104的设备上。通常而言，这些部件被设计成独立于平台，且可能的部署配置仅受可用设备的限制，即仅受计算能力和/或可用内存的限制。

图2描述了根据本发明的一个方面的通过***所执行的方法200。在第一阶段201中，使用移动监控设备100为个体测量生理时间序列数据。借助于已经讨论的替代移动监控设备100的实施方案，该生理时间序列数据包括许多不同类型的生理信号，但是从生理学的角度来看，还包括五个生命体征(心率、呼吸率、血压、体温和SpO2)的数据以及其他基本生理过程如睡眠、睡眠阶段、EEG活动、EMG活动和体动。该数据由设备100以适当的时区信息加上时间戳，从而将关于不同的被监控个体所观察到的事件在时间上进行关联。当设备100或设备101(例如，经由启用GPS)直接地支持这种信息时，时区信息可以从被监控个体的位置的实时知识获得，或者时区信息可以从被监控个体所录入到流行病学监控网络***102中的位置数据(即，通过设备100或设备101的用户界面应用录入)获得，或者时区信息可以从间接建立的位置信息(例如，移动设备101与蜂窝网络塔的接近度)获得。在***的一个实施方案中，从设备100或设备101所收集的位置数据或者经由其他上述手段所收集的位置数据还被包括在被监控个体的BAN 104中，以允许BAN 104中的数据在空间上横跨多个被监控个体关联。

对于给定的被监控个体，通过移动监控设备100所收集的一些或全部连续生理学数据被累积和存储在移动监控设备100、移动设备101或流行病学监控网络102中的任何一个或全部中。累积数据可以是“原始”数据，或通过某一可逆方案压缩的数据，或“原始”数据的统计概要，或上述的组合。累积数据或其概要所跨越的时间段可以是任何间隔，但是将通常是近似几天至几个月。在图2的第二阶段202中，将移动监控设备100在当前时期或中间时期(例如，在过去24小时内)所测量的生理时间序列数据与历史累积数据进行比较，从而识别统计上显著的感兴趣偏差，该偏差将在下文中被称为“异常”。对异常的识别发生在图2的第三阶段203中。可以通过本领域技术人员已知的任何适用方案在时间序列数据中识别异常(https://en.wikipedia.org/wiki/Anomaly_detection)。异常通常被限定为罕见的值。此被最佳理解为相对于所采样数据的某一分布而言是罕见的。关于人类生理学而言，如果将母体分布视为从主要健康个体所收集的数据，则来自有疾病的个体的数据或该数据的时间节段(事件)将是罕见的，从而被认为相对于大多数健康个体的母体分布而言是异常的。还重要的是考虑，对于在健康、疾病和康复状态中变化的个体的数据而言，可以在健康状态下产生她自身的母体分布，以帮助标记个体进入疾病状态的时间。作为简单的实施例，可以在每天的基础上对被监控个体24小时内所测量的平均心率值进行汇总，且异常可以被限定为与跨越几个月内的历史标准相差超过(比如)每分钟10次的任何24小时平均心率。作为另一简单的实施例，可以将连续的心率值累积成直方图，该直方图包括了跨越几个月所有观察到的心率值的统计；这种直方图可以用于获得数据的经验累积分布函数(eCDF)(https://en.wikipedia.org/wiki/Empirical_distribution_function)，且异常可以被限定为落入eCDF的非常低或非常高百分位数的任何随后24小时的平均心率值。这种值在总体数据集中相对稀少。本领域的技术人员可以使用许多具体方法，例如Z分数法(Z-scores)、四分位数间距法(Interquartile Ranges)、巴氏距离法(Bhattacharyyadistances)等来限定稀少值。

依赖于诸如感兴趣的疾病的预期症状等因素，所公开的发明的不同实施方案将包括用于限定和识别异常的不同方案。在图2的间歇阶段204中，基于所述疾病症状表现的临床知识来筛选和标记与传染性疾病相符的异常。例如：在临床文献中已知的是，发烧典型地伴随着静息心率的增加，典型地每高于正常温度一摄氏度，静息心率增加6-8次每分钟；因此，与每阶段202的历史标准相比，被监控个体的夜间平均心率的异常和急剧增加将表明被监控个体已经发烧，且随后在阶段204中触发标记的异常。此信息可以被直接传达至被监控个体和/或图2的阶段209中经准许的第三方。在图2的阶段205中，来自多个被监控个体的类似异常可以在流行病学监控网络102中聚类；在图2的阶段206中，可以将(基于所建立的临床知识)共同指示特定传染性疾病的异常组汇总；例如，单独的发烧异常可以指示任何数目的传染性疾病，但是发烧异常与异常低的SpO2测量值以及异常高的呼吸率测量值结合可以具体地指示Covid-19感染。

在图2的阶段207中，可以对聚集在特定异常组中的被监控个体进行时空接近度筛选，也就是说，由移动监控设备100和/或移动设备101所收集的异常的被监控个体的带适当时间戳的历史位置数据(例如，GPS数据或特定位置的网络数据)可以在流行病学监控网络102中被交叉引用，该流行病学监控网络102寻找异常的被监控个体之间发生极为接近的实例(即，传染性疾病可能已在被监控个体之间扩散的实例)。在图2的阶段208中，由流行病学监控网络102所识别的足够数目/阈值的极为接近事件可能指示紧急或持续的流行病，且随后在图2的阶段209中将此信息传达至受影响的被监控个体(例如，在传染性疾病爆发附近的人)和/或经准许且感兴趣的第三方(例如，公共卫生人员)。

如图3至图5中所描述的，***对生理信号的稳定记录允许创建终端用户的生理学模型，所述生理学模型可以将用户生理学中的典型模型与尚未被观察到且无法从历史数据推测的虚假模式(称为异常203/204)区分开。注意，在图3具体例示的实施方案中，支持这些功能的计算主要发生在被监控个体的体域网络104的外部处理器(例如，经由IoT通信与BAN104通信的云服务器)上；图4至图5共同例示了分立的实施方案，其中同样的计算主要发生在位于被监控个体的BAN 104本地设备或其一部分的设备上。通常而言，图3至图5的实施方案主要是在它们的实施方式而非它们的功能上不同。

对于最典型的实施方案，使用所述数据建立这种模型308的此过程(见图3)将发生在流行病学监控网络102内，但在其他实施方案中，此还可以发生在BAN 104的处理器和存储介质上。如在此所描述的模型有效地将不同实施方案中新测量的具有不同精密度的生理信号与所述用户202的历史生理机能进行比较。深度学习方法(诸如，自动编码器、一般对抗网络、支持向量机以及本领域技术人员已知的其他方法)已为异常检测领域以及对***的近期分布建模的领域增加了新的可能性。在许多情况下，这些方法可能在成功检测异常发生及根本原因(例如疾病感染)方面胜过传统方法(例如，z分数法、巴氏距离法以及其他基于矩统计量的方法)。这在大量数据可用的应用中尤其是可能的，诸如在用可穿戴设备进行连续的身体监控时。通常地，异常检测方法的一个明显的限制是，对检测到的异常类型未进行区分。对于本发明，基于图2，希望利用异常检测来帮助在所公开***的多个用户中识别和监控新型流行病。在图2所概述的过程中，将异常检测步骤应用于生理数据，得出原始异常事件203，该原始异常事件203是已被异常检测模型308标记的时间序列数据节段。通常地，模型308可以是任何技术或方法或它们的组合，使用所测量的生理数据连同其他信息(诸如但不限于，地理空间数据、来自被监控用户的症状报告、感兴趣区域内的已知病例的实例等)来筛选流行病学监控网络102内被监控个体中的例如疾病感染实例。模型308可以结合数学或机器学习方法(例如，先前所描述的示例性深度学习方法或统计方法)进行自动的检测异常，且通常地将被编程以使得异常检测可以由***自动地完成。在获得***内的新的被监控个体的足够量的生理数据之前，模型308可以对该新个体应用基于群体的模型，直到积累了足够的数据来建立鲁棒的个体化模型的时间。

作为第一步，针对每个异常203计算用户生理学中的异常关联偏差309，描述观察到的总体特征，一个实施例是指示发烧开始的静息心率的急性增加，如先前上文所讨论的。在一个实施方案中，这些偏差可以简单地是异常数据节段与所考虑的(例如，根据上文实施例)多种生理测量值的平均值之间的差异；在其他实施方案中，它可以是利用为用户308所计算的详细分布的更复杂计算。这种异常模型308(无论它是最近期数据的平均值、概率分布，或者更复杂的方法(诸如，一般对抗网络或变分自编码器)的编码器损失)都能在阶段302中使用来自用户304的新的可穿戴数据来持续且自动地更新。这种连续训练的过程在时间序列数据的异常检测中很常见。

本发明可以利用异常筛选模块310，该异常筛选模块310包括多个筛选层：知识标准311、计时标准312和位置标准313。这些层包括图2的流程图中所概述的阶段206和阶段207的功能实施方式。这些层共同提高了在所收集的数据中的检测异常偏差的可能性，所收集的数据与新流行病的爆发或进展最相关。这些层未必需要以特定的顺序应用，且具有不同层排列的实施方案是可能的。

在一方面，为了检测群体内的传染性疾病爆发以及特定被监控个体内的感染，通过非监督式机器学习方法205(例如，K均值聚类法、高斯混合建模法或本领域技术人员已知的其他类似方法)，将感兴趣区域内(例如，家庭单元、工作区域、城市或州内)的被监控群体在近期时间窗中所观察到的所有异常关联偏差聚类为一组。这些聚类中的每个可以被认为是与潜在的疾病关联的聚类。

图2中的提取阶段206及其图3中的相关联的功能实施方式311是知识过滤器，被应用至阶段205和阶段315中所识别的潜在疾病关联的聚类。知识过滤器根据科学文献中关于各种传染性疾病在群体中表现的预期以及单个被感染个体的生命体征的预期，选择异常关联的偏差。这些疾病如何表现可以用疾病状态空间(图6)中所描述的一组基本的流行病学参数来捕获，诸如疾病的潜伏期、疾病的每个阶段所影响的生命体征以及疾病的传播性。流行病期间出现异常生命体征的时空数据提供了关于传染原性质的重要信息，且可以与疾病的已知流行病学参数的数据库进行交叉参考，从而基于数据得出可靠的疾病类型的子集。

知识过滤器的基本实施例将是疾病的预计潜伏时间，即从暴露与出现初始症状的时间长度。不同疾病之间潜伏时间变化很大，与肺结核的数周至数月的非常长的潜伏期相比，Covid-19的潜伏期为数天。作为知识过滤器功能的更具体的实施例：对Covid-19患者的多种临床调查已得出了与感染相关联的发烧症状的患病率；如果检测到的异常聚类包含以预期的类似速率发烧的指标，则异常聚类中的Covid-19爆发的置信度增加。在示例性实施方案206和311中，可以将一组知识标准应用至被监控群体内所测量的各种生命体征，从而对于给定的疾病类型(例如，血源性细菌感染)，筛选从健康状态至被感染但症状前状态的转变，该被感染但症状前状态典型地将与静息心率增加、高频心率变异性的减小以及收缩压的增加相关联。在另一示例性实施方案中，可以应用一组知识标准，以筛选从有症状但稳定阶段至发展出严重并发症的恶化阶段的转变，例如在病毒性肺炎中，严重并发症与SpO2下降、呼吸频率增加、静息心率增加以及心率变异性的高频部分减小相关联。

阶段206/311的输出是一组异常关联偏差，这些偏差指示在群体或特定被监控个体中的疾病爆发，被称为潜在疾病关联异常。图2中的后续提取阶段207已在图3的阶段312和313中具有其关联的功能实施方式，通过检查关联的(带时间戳的)位置数据，在空间和时间上共同对潜在的疾病关联异常进行聚类。如流行病学领域已知的是，这允许使用疾病病例的时间和位置来计算新爆发的本地地理热点。此背景对于识别潜在聚类而言也是关键的，否则这些潜在聚类可以用不同于疾病爆发的原因来适当地解释，例如观察到被监控个体的静息心率升高，这些被监控个体的集***置和生理数据表明参与了运动赛事，例如大众马拉松(这也将会导致静息心率的异常、剧烈升高)。

在提取阶段208及其功能实施方式314中，与健康群体中的生理变化的基线模型相比，对所有剩余的潜在疾病关联聚类进行统计显著性评估。本领域技术人员已知的显著性测试(例如，p值测试(p-value test))，允许将由真正疾病爆发所出现的聚类更可靠地与由健康群体中所观察到的随机(或虚假)自然变化而产生的地理空间相关的聚类分开。

为了在传达所公开发明的操作步骤时保持清晰，已经仅从获得上文的一组潜在疾病关联异常的角度公开了获得流行病学相关异常的过程。与此过程并行，所公开的***还利用疾病分期模块319，用于明确地追踪个体疾病状态的概率，且将其作为被监控个体的附加背景。此疾病分期模块319包含对疾病状态空间的限定，在图6中以Covid-19为具体案例进行了描绘。在这种背景下，疾病状态空间指的是输入数据空间中的一组值或统计范围值，这些值与正在经历活动性感染的个体相符(由一组真阳性参考数据建立，或由对预期症状的临床理解建立，或上述的某种组合)；这些值以外的点也可被认为限定了健康个体、非感染个体。通常而言，状态空间表示是那些在控制工程中动态***建模的人所公知的形式体系(https://en.wikipedia.org/wiki/State-space_representation)。在数学和计算机科学中，有限状态机(https://en.wikipedia.org/wiki/Finite-state_machine)是一种描述具有有限数目的状态的模型的形式体系，且在这些状态之间的每个时间步骤具有有限数目的转变。

在一方面，疾病状态空间是描述个体如何从健康、至暴露、至有症状、至康复作为有限状态机的模型。仅某些转变是可能的，例如在图6中示出了针对Covid-19感染的这种疾病状态空间。例如，不可能在单个步骤中从康复606转变至死亡605。在限定疾病状态空间时，可以基于疾病的临床知识来清楚地限定个体状态，以及这些状态之间的逻辑转变，以及预期个体在这些状态之间转变的时间；例如，如果以这种方式建立模型，所记录的疾病潜伏期提供了从暴露状态转变至有症状状态所需的时间的直接估计。在限定了疾病状态空间的情况下，就可以建立各种统计模型，所述统计模型基于现有的与个体有关的信息，描述人从一个状态转变至下一状态的数字概率。对于本领域技术人员而言，用于创建这种状态转变模型的一种公知框架是概率图形模型，其中明确的实施例是隐马尔可夫模型(HMM)，其中疾病状态空间限定了在HMM状态向量中被追踪的状态，以及在HMM转变矩阵中所捕获的状态之间的可能转变。在此实施例中，为了获得被充分训练的HMM模型，疾病状态空间中关于转变的数据以及影响所述转变的诸如生理偏差的背景信息构成了可用于训练HMM的数据。用这种数据训练这种模型的算法是可得的，例如参见Baum-Welch算法(https:// en.wikipedia.org/wiki/Baum％E2％80％93Welch_algorithm)。

在图6中，个体疾病状态被编号为600、601、602、603、604、605、606和607。它将所筛选的用户的异常关联偏差(根据阶段308和318)作为输入，这是与疾病有关的候选者318，且将这些异常关联偏差与用户的疾病状态321的当前估计值一起考虑，该当前估计值可假定是疾病状态空间321中的任何值。根据上文，***随后基于用户状态的现有概率结合与每个阶段的预期生理变化相符的转变概率(如经由所考虑的特定传染性疾病的现有知识来建立的)，来确定是否可能发生了状态转变。例如，所述***可以利用任何已知的新形式数学框架来执行这种计算。在所公开的***的一个实施方案中，利用了隐马尔可夫模型(HMM)，其中隐藏状态对应于图6中的疾病状态，转变概率对应于疾病状态空间中基于知识的转变(例如608)与所观察到的与生理学中异常关联偏差之间的相似性。作为具体实施例，对于初始为健康状态600的用户而言，该状态的概率在模型的第一时间步骤上将是1，且如果在模型的下一时间步骤上记录了异常生理偏差(示出了(特别是在睡眠期间)心率变异性降低以及静息心率增加)，HMM计算将通过使用户从健康转变至症状前来确定最可能的结束状态将是症状前阶段601。此步骤的作用首先是在更大的时间窗上保持背景，以便对个体用户的疾病阶段状态做出决策，同时当对用户达到特定疾病状态转变具有足够确定性时，用作向用户和第三方传达结果的基础。

如上文所述，所述***的疾病追踪能力能够自动检测并发症的发展，例如，在Covid-19感染的情况下，检测严重肺炎的发展。为了扩展此实施例：从被监控个体开始(所述被监控个体可能并未意识到他们正发展出显著的并发症)，***在阶段309中自动地检测他们的数据中关联的异常生命体征；在病毒性肺炎的情况下，该异常生命体征通常被看作是SpO2在连续几小时或几天内的异常低值。此个体在疾病分期模块319中的疾病状态很可能已经指示为有症状，因为***将很可能已检测到与感染相符的其他生命体征异常，诸如(特别是在睡眠期间)高静息心率以及降低的心率变异性。

如先前所建立的，这些生命体征的异常变化通过以下来确定：当存在感染时所述值如何典型变化的知识(这可以从临床研究以及本领域技术人员已知的其他参考资料中了解)，结合所获取的被监控个体感染前的历史正常知识。在多天的数据中反复出现的异常将增加感染预测的置信度，且有助于消除可能由于例如生活方式行为(例如，饮酒)所出现的假阳性。延续当前的实施例，被监控个体的SpO2(该SpO2由他们的移动监控设备100所收集的数据来确定)在持续的时间段(例如，几天)内达到异常和危险低值，成为在309中检测到的异常事件；再次在此，通过将临床知识与所获取的被监控个体感染前的历史正常知识相结合，使得值被建立为异常低。

在流行病学模块316中，这种具有严重并发症发展的潜在病例与总体***内所记录的其他确诊或疑似Covid-19感染病例进行比较；与更广泛的被感染群体相比，在示例性个体的生命体征中存在显著的统计偏差，特别是当该偏差持续数天或更长时期时，这将增加此个体正在发展严重并发症的置信度。经由通信模块116发送至被监控个体的问卷信息可以确认与病毒性肺炎相符的新症状，例如呼吸时胸闷的感觉。进一步的问卷交流可能建议用户与她的主治医生跟进交流，以立即评估他们的当前状况。

图3中所公开的本发明关注于一个特定的实施方案，其中大部分的异常识别和筛选发生在流行病学监控网络102(表现为云服务器或服务器组合)上。如例如图4和图5联合示出的替代实施方案将***的大量功能移动至体域网络104的设备(即，移动监控设备100和/或移动设备101)，使得所公开的发明的***可以以去中心化的方式运行(这可以减少与集中式云计算相关联的管理成本)。在图4至图5的相对去中心化的实施方案中，异常检测模型308以等效形式400在本地运行，但它的参数在云服务器501上被训练/计算，该云服务器501可以访问群体数据和其他背景信息(例如，来自新的临床研究的症状知识)，这些数据和信息定期更新从而最好由集中式服务器或多个服务器来提供服务。在此实施方案中，在阶段501中被训练的更新模型参数借助于IoT通信传达至本地模型副本400。

除了对有关疾病阶段转变的生理数据进行推断外，***还通过通信模块116与***的用户接触，从而收集关于附加症状的信息，在一个实施例中，所述收集通过关于诸如咳嗽、头痛症状的问题以及通过对健康的主观评估(诸如，是否存在寒战、咳嗽、疲劳、呼吸困难和全身不适)的问题完成。在一些实施方案中，问卷还包括确认当时是否患有由医疗专业人员所确定的特定传染病。在一些实施方案中，可以采用这种数据来训练异常模型302，从而辨别除正常类别和异常类别之外的特定疾病状态，同时也被用于将疾病状态空间模型中的特定疾病状态的概率固定为高确定性。

在所公开的***经由GPS 115或其他接近度测量值113访问位置信息的实施方案中，所述***还可以被配置为执行接触追踪322。这是通过利用多个用户的最近地理空间位置数据来实现的，该多个用户已与***中的个体在一个阈值距离内，其中该***中的个体根据疾病分期模块319已被预测为进入疾病状态，和/或使用通信模块116(见图1)公开该***中的个体的当前状态为确认阳性的可传染性疾病。接触追踪的过程在撰写时被限定为“识别可能已与被感染人接触的人(“接触者”)且随后收集关于这些接触者的进一步信息的过程”(https://en.wikipedia.org/wiki/Contact_tracing)。

经由疾病分期模块319或所公开的疾病状态结合多个个体的地理空间数据的阳性疾病状态的估计提供了执行接触追踪的第一步所需的信息，以及附加信息可向接触追踪工作所强调的用户的后续问卷中收集到(即，使用通信模块116或诸如电话或电子邮件的其他方式)。接触追踪的重要目标是提醒暴露的个体注意他们发展成阳性感染的风险，从而防止在症状前阶段进一步传播，已知的是该症状前阶段是诸如Covid-19的传染性疾病快速扩散的关键因素。还可能的是，不仅考虑GPS坐标，而且考虑在这些坐标上的可能设施信息，诸如与其他设施(顾客不以相同的强度呼吸或者顾客不与如此多件共享设备交互)相比，可能默认在例如健身房接触的概率给予个体之间更高的传播性，当与例如加油站的泵相比，即使在每个时间单位有相同数目的访问者进入和离开。

凭借对连续生理数据流的访问，本发明还提供了追踪常规健康标记物的能力，该常规健康标记物指示在感染传染原600之前并发症发展的风险，同时还通知***的用户正在经历的康复轨迹606。此外，这种常规健康标记物还有助于向负责用于控制传染原扩散的封锁规定的部门通知社会隔离和关闭诸如健身房等设施的意外负面健康后果。在某些实施方案中，这些常规健康标记物基于公知的生理信号，诸如静息心率、睡眠期间的静息心率、心率变异性、脉冲波形和SpO2，所述信号很容易从具有PPG功能的可穿戴设备中获得，且将所述信号与能够执行体动记录的传感器结合时能获得的活动模型和运动量。此外，对得到的健康指标的预测还用于通知常规健康预测，例如生物年龄(生理特征相对于群体实际年龄的回归)、睡眠阶段和睡眠时长、急性应激和慢性应急。

已经如此描述了本发明的示例性实施方案，本领域技术人员应注意，本公开内容仅是示例性的，且在本发明的范围内可以做出多种其他的替代、适应和修改。因此，本发明不受在此例示的具体实施方案限制，而仅受随后的权利要求书限制。

Claims (15)

1.一种用于提供传染性疾病的群体的连续监控的方法，所述方法包括：

a.在被监控个体的IOT数据流中检测异常关联偏差，其中所述异常关联偏差包括：

i.生理数据流中的偏差；

ii.行为数据流中的偏差；

iii.从群体数据与个体的当前数据之间的比较所得出的偏差；或者

iv.从个体的历史数据与个体的当前数据之间的比较所得出的偏差；以及

b.通过与所述被监控个体通信来筛选偏差，以预测所述偏差是否是由混杂因素而非疾病引起的。

2.根据权利要求1所述的方法，其中筛查所述偏差包括评估包含饮酒、接近睡觉时间的大量饮食、剧烈运动或生理压力的因素。

3.根据权利要求1所述的方法，其中在对所述偏差进行筛选从而确认是由疾病引起之后，使用所述异常关联偏差来预测被监控个体在离散的疾病状态空间中的转变，使用量化模型来预测转变。

4.根据权利要求3所述的方法，其中所述离散的疾病状态空间包括描述常规疾病的常规健康。

5.根据权利要求4所述的方法，其中所述离散的疾病状态空间进一步包括代表替代的疾病或疾病组的多个疾病状态。

6.根据权利要求5所述的方法，其中所述量化模型基于所述异常关联偏差、被监控个体的IOT数据流以及与被监控个体有关的反馈来预测所述离散的疾病状态空间中的转变。

7.根据权利要求6所述的方法，其中：

a.所述IOT数据流包括测量的行为、估计的行为、测量的生理或估计的生理；以及

b.所述与被监控个体有关的反馈包括症状、基于临床测试结果的疾病状态、暴露或混杂因素，其中所述混杂因素包括：

i.饮酒、接近睡觉时间的大量饮食、剧烈运动或生理压力。

8.根据权利要求7所述的方法，还包括使用疾病的已知流行病学参数来做出离散的疾病状态的转变。

9.根据权利要求8所述的方法，其中所述疾病的流行病学参数包括潜伏时间、有症状的疾病持续时间、疾病的R0值、预期的生理偏差、预期的行为偏差，或被监控个体的地理空间和时间坐标以及公开可得的该位置处的疾病患病率的估计。

10.根据权利要求6所述的方法，其中所述量化模型是在群体数据上训练的，所述群体数据包含疾病状态空间中所记录的疾病病例以及转变时间。

11.根据权利要求1所述的方法，进一步包括联系所述被监控个体以报告对疾病的预测。

12.根据权利要求11所述的方法，其中所述报告包括向所述被监控个体通知可能的感染以及发展并发症的风险。

13.根据权利要求1所述的方法，其中所述被监控个体包括多个被监控个体，还包括将所述离散的疾病状态空间中的所述多个被监控个体的异常观察偏差组合，从而：

a.在感染的情况下，为每个被监控个体提供对疾病状态和发展严重并发症的风险的预测，以便控制对工作场所的物理访问；

b.从现有大流行病中发现新的流行病或新的疾病爆发热点；或者

c.执行接触追踪，以警告潜在暴露的个体。

14.一种连续监控传染性疾病的群体的方法，所述方法包括：

a.从与个体相关联的移动设备捕获与个体相关联的生理信号、时间信息以及与所述移动设备有关的位置信息；

b.将所捕获的生理信号与有关所述个体的历史生理信号进行比较，以识别异常；

c.从所识别的异常来计算异常关联偏差；

d.在群体水平上将所述异常关联偏差聚类成类似的组；

e.基于传染性疾病知识来选择异常组；

f.根据群体水平的时空相关度，从所选定的异常组筛选所述异常关联偏差；以及

g.如果时空相关度达到阈值，则传达潜在的流行病发现。

15.根据权利要求14所述的方法，其中在计算异常关联偏差之后，基于传染性疾病的知识对所述异常关联偏差进行标记。

Images