RU2616985C2 - Система и способ для поддержки принятия клинических решений для планирования терапии с помощью логического рассуждения на основе прецедентов - Google Patents
Система и способ для поддержки принятия клинических решений для планирования терапии с помощью логического рассуждения на основе прецедентов Download PDFInfo
- Publication number
- RU2616985C2 RU2616985C2 RU2013132759A RU2013132759A RU2616985C2 RU 2616985 C2 RU2616985 C2 RU 2616985C2 RU 2013132759 A RU2013132759 A RU 2013132759A RU 2013132759 A RU2013132759 A RU 2013132759A RU 2616985 C2 RU2616985 C2 RU 2616985C2
- Authority
- RU
- Russia
- Prior art keywords
- patient
- question
- previous patients
- patients
- data sets
- Prior art date
Links
- 238000002560 therapeutic procedure Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 title description 25
- 238000011282 treatment Methods 0.000 claims abstract description 80
- 238000003860 storage Methods 0.000 claims abstract description 10
- 208000024891 symptom Diseases 0.000 claims description 5
- 238000011221 initial treatment Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims 2
- 239000003814 drug Substances 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 206010020772 Hypertension Diseases 0.000 description 6
- 206010028980 Neoplasm Diseases 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000009104 chemotherapy regimen Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- 208000006402 Ductal Carcinoma Diseases 0.000 description 1
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 1
- 208000037396 Intraductal Noninfiltrating Carcinoma Diseases 0.000 description 1
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 208000028715 ductal breast carcinoma in situ Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 206010073096 invasive lobular breast carcinoma Diseases 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Группа изобретений относится к медицине. Предложен постоянный машиночитаемый носитель данных, на котором хранится совокупность команд, исполняемых процессором, при этом совокупность команд приводится в действие для того, чтобы: принимать совокупность данных рассматриваемого пациента, относящихся к рассматриваемому пациенту; сопоставлять совокупность данных рассматриваемого пациента с множеством совокупностей данных предшествующих пациентов, при этом каждая из совокупностей данных предшествующих пациентов соответствует предшествующему пациенту, причем совокупность данных рассматриваемого пациента и множество совокупностей данных предшествующих пациентов представлены в виде совокупности признаков, причем каждый признак представляет собой индивидуальную характеристику, соответствующую каждому пациенту, и качественные признаки представлены на шкале от 0 до 1; выбирать множество совокупностей данных предшествующих пациентов на основе уровня сходства между выбранным множеством совокупностей данных предшествующих пациентов и совокупностью данных рассматриваемого пациента; предоставлять множество выбранных совокупностей данных предшествующих пациентов пользователю; генерировать план лечения на основе соответствующих планов лечения из множества выбранных совокупностей данных предшествующих пациентов; оснащать весовыми коэффициентами каждый из соответствующих планов лечения на основе сходства каждого пациента из множества выбранных предшествующих пациентов с рассматриваемым пациентом; и представлять пользователю посредством устройства отображения графическое сопоставление между совокупностью данных рассматриваемого пациента и каждой из множества совокупностей данных предшествующих пациентов, причем сопоставление содержит указание на степень сходства между признаками рассматриваемого пациента и каждым из множества признаков предшествующих пациентов. Предложена система для поддержки принятия клинических решений для планирования терапии, содержащая: интерфейс пользователя, принимающий совокупность данных рассматриваемого пациента; базу данных, хранящую множество совокупностей данных предшествующих пациентов; механизм поиска сходства; систему генерирования планов. Группа изобретений позволяет генерировать план лечения высокого качества за счет использования априорной информации. 2 н. и 13 з.п. ф-лы, 5 ил.
Description
Уровень техники
Врач, планирующий курс лечения пациента, может, как правило, располагать многообразием вариантов лечения, подходящих для выбора. Каждый вариант лечения может обладать различными преимуществами и недостатками и может различным образом оказывать воздействие на прогноз будущего состояния пациента. Преимущества и недостатки задаваемого возможного курса лечения могут зависеть от различных характеристик пациента. Врачу может потребоваться исследование курсов лечения и их результатов для предшествующих похожих пациентов, прежде чем он примет решение о курсе лечения для рассматриваемого пациента.
Раскрытие изобретения
Постоянный машиночитаемый носитель данных хранит совокупность команд, исполняемых процессором. Совокупность команд приводится в действие для того, чтобы: принимать совокупность данных рассматриваемого пациента, относящихся к рассматриваемому пациенту; сопоставлять совокупность данных рассматриваемого пациента с множеством совокупностей данных предшествующих пациентов, при этом каждая из совокупностей данных предшествующих пациентов соответствует предшествующему пациенту; выбирать множество совокупностей данных предшествующих пациентов на основе уровня сходства между выбранным множеством совокупностей данных предшествующих пациентов и совокупностью данных рассматриваемого пациента; и предоставлять множество выбранных совокупностей данных предшествующих пациентов пользователю.
Система включает в себя пользовательский интерфейс, базу данных и механизм поиска сходства. Пользовательский интерфейс принимает совокупность данных рассматриваемого пациента, относящихся к рассматриваемому пациенту. База данных хранит множество совокупностей данных предшествующих пациентов. Каждая из совокупностей данных предшествующих пациентов соответствует предшествующему пациенту. Механизм поиска сходства осуществляет поиск множества совокупностей данных предшествующих пациентов и выбирает одну из совокупностей данных предшествующих пациентов, обладающую высокой степенью сходства с совокупностью данных рассматриваемого пациента. Выбранная одна из совокупностей данных предшествующих пациентов предоставляется пользователю с помощью интерфейса пользователя.
Краткое описание чертежей
Фиг. 1 иллюстрирует систему для обеспечения поддержки принятия решений на основе прецедентов согласно примерному варианту осуществления изобретения.
Фиг. 2 иллюстрирует первый способ для обеспечения поддержки принятия решений на основе прецедентов согласно примерному варианту осуществления изобретения.
Фиг. 3 иллюстрирует примерный графический интерфейс пользователя для предоставления пользователю результатов способа, такого как способ на Фиг. 2.
Фиг. 4 иллюстрирует второй способ для обеспечения поддержки принятия решений на основе прецедентов согласно примерному варианту осуществления изобретения.
Фиг. 5 иллюстрирует третий способ для обеспечения поддержки принятия решений на основе прецедентов согласно примерному варианту осуществления изобретения.
Осуществление изобретения
Примерные варианты осуществления изобретения могут быть лучше поняты с помощью следующего описания и приложенных чертежей, на которых на похожие элементы делаются ссылки с помощью похожих ссылочных номеров. Примерные варианты осуществления изобретения описывают системы и способы, с помощью которых применяется логическое рассуждение на основе прецедентов, для того чтобы обеспечивать поддержку принятия решений для врачей, принимающих решения о курсах лечения для пациентов.
Когда пациенту ставится диагноз заболевания или другого состояния здоровья, врач (или другой медицинский специалист) должен определить курс лечения, соответствующий состоянию здоровья пациента. Решения, принимаемые во время этого процесса, основываются на многообразии факторов. Эти факторы включают в себя характер и подробности заболевания пациента, историю болезни пациента, историю семьи пациента, любые существующие сопутствующие заболевания, другие медикаментозные курсы лечения, в настоящий момент назначаемые пациенту, предпочтения пациента, такие как предпочтения качества жизни и т.д. Врач может основывать такие решения частично на знаниях в данной области, которые включают в себя опыт работы с предшествующими пациентами, имевшими похожие состояния здоровья, курсы лечения, назначавшиеся этим предшествующим пациентам, и последствия, испытанные предшествующими пациентами после прохождения курса лечения. В то время как отдельный врач имеет в наличии его или её собственный прошлый опыт, привлекаемый в ходе принятия таких решений, может потребоваться иметь в наличии более обширный массив информации, доступной для врачей в этой ситуации. Примерные варианты осуществления изобретения предоставляют для врачей доступ к информации о большом количестве предшествующих пациентов для того, чтобы предоставлять лучшее лечение.
Фиг. 1 иллюстрирует схематический вид примерной системы 100. Линии, соединяющие элементы, показанные на Фиг. 1, могут представлять собой любой тип коммуникационных каналов, подходящих для того, чтобы передавать данные между элементами, соединенными с их помощью; при этом стрелки на линиях указывают направление потока данных между элементами. Система 100 включает в себя информацию 110 о рассматриваемом пациенте, которая может быть получена, в различных вариантах осуществления изобретения, используя какой-либо способ получения информации о пациенте, который известен в данной области техники. Этот способ может включать в себя устройство для генерирования медицинских изображений (например, сканер КТ, рентгеновский формирователь изображения, формирователь изображения ЯМР и т.д.), вводимые данные, предоставляемые пациентом (например, симптомы, история болезни и т.д.), и т.д.
Например, в случае пациента, которому недавно был поставлен диагноз рака молочной железы, информация 110 о рассматриваемом пациенте, как правило, включает в себя одно или более из следующего: демографическая статистика (например, возраст, высота, вес и т.д.), специфические особенности диагноза, такие как результаты патологических исследований, относящихся к типу рака (например, инфильтрирующая лобулярная карцинома, карцинома из эпителия протоков in-situ (DCIS)), подтипы рака (например, ER +/-, PR +/-, HER2 +/-), определение стадии рака, сопутствующие заболевания (например, диабет, высокое кровяное давление и т.д.), история семьи и факторы, относящиеся к качеству жизни. Как правило, информация 110 о рассматриваемом пациенте доступна в цифровой форме, например, с помощью одного или более из следующего: информационная система стационаров HIS (Hospital Information System), информационная система лабораторий LIS (Laboratory Information System), рентгенологическая информационная система RIS (Radiology Information System), система архивирования изображений и коммуникационных систем PACS (Picture Archiving and Communications System) и система управления цифровой информацией патологических исследований DP (Digital Pathology).
Информация 110 о рассматриваемом пациенте предоставляется на рабочую станцию 120 планирования лечения, которая представляет собой вычислительную систему (например, комбинацию аппаратного и программного обеспечения), используемую врачом или другим медицинским специалистом для того, чтобы планировать лечение для рассматриваемого пациента. Рабочая станция 120 планирования лечения является похожей на известные системы, используемые в настоящее время медицинскими специалистами, за исключением того, что будет описано далее в настоящем документе.
Рабочая станция 120 планирования лечения передает информацию о рассматриваемом пациенте на систему 130 поиска сходства. Система 130 поиска сходства при этом извлекает данные о предшествующих пациентах из базы 140 данных предшествующих пациентов, которые затем сопоставляются с информацией о рассматриваемом пациенте, как будет описано в дополнительных подробностях далее в настоящем документе. База 140 данных предшествующих пациентов сохраняет информацию в хранилище с использованием известных стандартов медицинской информатики, таких как DICOM или DICOM-RT, но данные могут также сохраняться с использованием любой другой подходящей системы. Данные, сохраняемые для предшествующих пациентов, могут включать в себя медицинские изображения (например, рентгеновское обследование, КТ, ЯМР и т.д.), историю болезни предшествующих пациентов, лечение, назначавшееся для предшествующих пациентов, последствия для предшествующих пациентов (например, время выживания, время прогрессирования и т.д.). Дополнительно информация, сохраняемая в базе 140 данных предшествующих пациентов для каждого пациента, может включать в себя дополнительную, существенную информацию, такую как возраст, историю болезней в семье пациента, дополнительную информацию о текущем состоянии здоровья пациента, другое лечение, в настоящий момент назначенное пациенту (например, химиотерапия), или любую другую информацию, которая может быть существенной для врача при планировании курса лечения рассматриваемого пациента.
Некоторые или все данные, относящиеся к предшествующим пациентам, затем передаются от системы 130 поиска сходства к системе 150 генерирования планов, которая генерирует план лечения для рассматриваемого пациента, основанный на данных, относящихся к предшествующим пациентам, как будет описано в дополнительных подробностях в настоящем документе. Система 150 генерирования планов при этом является соединенной с рабочей станцией 120 планирования лечения для того, чтобы ее выходные данные могли быть возвращены обратно к планировщику, который использует рабочую станцию планирования лечения. Специалисты в данной области техники поймут, что система 130 поиска сходства, база 140 данных предшествующих пациентов и система 150 генерирования планов могут быть реализованы различными способами, включая в себя как элементы аппаратного обеспечения, так и/или элементы программного обеспечения рабочей станции 120 планирования лечения, или как отдельные компоненты аппаратного обеспечения и/или отдельные компоненты программного обеспечения, не оказывая воздействия на их функциональность. Например, база 140 данных предшествующих пациентов может быть осуществлена в виде любой формы известной иерархической или реляционной базы данных, сохраняемой на любом типе известного машиночитаемого устройства для хранения данных. Система 150 генерирования планов и система 130 поиска могут быть осуществлены в виде любой стандартной вычислительной системы, имеющей признаки системы обработки машиночитаемых команд и признаки аппаратного и программного обеспечения хранения информации.
Фиг. 2 иллюстрирует примерный способ 200 для извлечения данных о предшествующих пациентах, имеющих характеристики, похожие на характеристики рассматриваемого пациента, что будет описано в настоящем документе со ссылкой на примерную систему 100 на Фиг. 1. На этапе 210 принимается информация 110 о рассматриваемом пациенте; как описано выше, она может быть получена с помощью какого-либо средства получения такой информации, известного в данной области техники. Например, информация 110 о рассматриваемом пациенте генерируется одновременно с выполнением примерного способа 200 (например, медицинские изображения, сделанные в это время); в другой альтернативной ситуации информация 110 о рассматриваемом пациенте, возможно, была сгенерирована заранее, и может храниться в любом подходящем виде (например, в виде бумажной копии, в компьютерной базе данных и т.д.). В другой альтернативной ситуации врач пациента может сузить информацию 110 о рассматриваемом пациенте до существенного подмножества всей информации, имеющейся в наличии на этом этапе. Информация 110 о рассматриваемом пациенте (или ее существенное подмножество) передается от рабочей станции 120 планирования лечения к системе 130 поиска сходства.
На этапе 220 система 130 поиска сходства осуществляет поиск в базе 140 данных предшествующих пациентов, используя информацию 110 о рассматриваемом пациенте (или ее существенное подмножество), для того чтобы найти похожих предшествующих пациентов, то есть предшествующих пациентов, характеристики которых (например, возраст, состояние здоровья, история болезни и т.д.) похожи на характеристики рассматриваемого пациента.
Когда производится поиск на этапе 220, рассматриваемый пациент и предшествующие пациенты представляются в виде совокупности признаков, каждый из которых представляет собой индивидуальную характеристику пациентов. Признаком может служить, например, любая из характеристик, обсужденных выше, со ссылкой на информацию о рассматриваемом пациенте, например тип рака. Признаки, которые являются качественными, представляются в виде двоичных величин; например, если рассматриваемым признаком является диабет, признаку может быть приписано значение 0, если у рассматриваемого пациента нет диабета, или значение 1, если у рассматриваемого пациента есть диабет. Признаки, которые имеют больше чем одно возможное значение, могут быть представлены относительно той же самой шкалы; например, если у пациента имеется тип поражения, у которого могут существовать четыре различные формы, к признаку, соответствующему такому поражению, можно придать заранее определяемое значение 0,25, 0,50, 0,75 или 1, в зависимости от формы поражения.
В добавление к признакам, которые непосредственно измеряются или наблюдаются, некоторые признаки могут вычисляться на вычислительном устройстве, таком как рабочая станция 120 планирования лечения. Например, там, где информация 110 о рассматриваемом пациенте включает в себя медицинские изображения (например, изображения ЯМР), признаки, вычисляемые на вычислительном устройстве, могут включать в себя местоположение злокачественного поражения, его местоположение по отношению к другим органам, его размер, форму, край, размер и количественную оценку лимфатических узлов пациента, кинетическое исследование контрастного поглощения и т.д., которые могут определяться на основе медицинских изображений. Часть этой информации может определяться с помощью известных методик обработки/анализа, таких как сегментация изображений, построение контуров изображений, и других инструментов измерений, например, или с помощью других типов инструментов компьютерной диагностики "CAD"(computer assisted diagnosis).
Для одного примерного поиска, включающего в себя признаки в количестве 
, каждый признак может идентифицироваться с помощью индекса признака 
, меняющегося в пределах от 
до 
, и каждый признак может обладать весовым коэффициентом 
, представляющим собой весовой коэффициент, который будет придан этому конкретному признаку при сопоставлении. В качестве одного примера, сумма всех значений весовых коэффициентов 
равна 
. Сходство между рассматриваемым пациентом и любым заданным предшествующим пациентом может быть представлено в виде "метрики расстояний", основанной на разности между каждым из признаков, и основанной на весовых коэффициентах признаков. Метрика расстояния может вычисляться на основе евклидового расстояния, расстояния городских кварталов, расстояния Махаланобиса или любой другой метрики, подходящей для такого вычисления. В одном примерном варианте осуществления изобретения метрика расстояния между рассматриваемым пациентом 
и предшествующим пациентом 
вычисляется как:
В выражении выше символ f_clinical представляет собой признаки, основанные на клинической информации пациента, символ f_calculated представляет собой признаки пациента, вычисленные на вычислительном устройстве, символ f_qualitylife представляет собой признаки пациента, относящиеся к качеству жизни, а символ f_treatment представляет собой признаки, относящиеся к плану лечения для пациента. Признаки качества жизни могут включать в себя, например, способность пациента выполнять его или её работу, способность пациента заботиться о его или её семействе, требует ли лечение пациента стационарного или амбулаторного лечения и т.д. В примерном способе 200 поиск основывается на клинической информации о пациенте, вычисляемых признаках и факторах качества жизни; следовательно, выражение выше может быть упрощено так:
На этапе 230 предшествующие пациенты, имеющие низкие метрики расстояния (то есть высокую степень сходства с рассматриваемым пациентом), возвращаются обратно из базы 140 данных предшествующих пациентов и предоставляются для врача с помощью рабочей станции 120 планирования лечения. В качестве одного примера, предшествующие пациенты показываются с использованием визуальных представлений предшествующих пациентов и степеней их сходства с рассматриваемым пациентом. Это может указываться, используя гистограмму, паутинную диаграмму, или другими разнообразными способами, известными в данной области техники.
Фиг. 3 иллюстрирует примерный графический интерфейс 300 пользователя, с помощью которого результаты могут быть представлены врачу (например, на устройстве отображения рабочей станции 120 планирования лечения). Графический интерфейс 300 пользователя включает в себя информацию 310 о рассматриваемом пациенте; конкретная показываемая информация может настраиваться пользователем (например, врачом). В примерном графическом интерфейсе 300 пользователя на Фиг. 3 информация 310 о рассматриваемом пациенте включает в себя имя, возраст, пол, диагноз, историю болезни, сопутствующие заболевания, существенную историю семьи, вопросы качества жизни, хронологическую последовательность медицинских изображений и хронологическую последовательность результатов лабораторных обследований. Специалисты в данной области техники поймут, что предоставляемая конкретная информация о рассматриваемом пациенте может изменяться в ряде отличающихся вариантов осуществления изобретения.
Графический интерфейс 300 пользователя также включает в себя информацию 320 о предшествующих пациентах. Информация 320 о предшествующих пациентах включает в себя существенную информацию о похожих предшествующих пациентах, которые представляют собой результаты поиска, такого как поиск на этапе 230 примерного способа 200. В примерном графическом интерфейсе 300 пользователя на Фиг. 3 показываются два предшествующих пациента, и предоставляемая информация о каждом предшествующем пациенте включает в себя идентификатор ссылки, возраст, диагноз, назначавшееся лечение, сопутствующие заболевания и последствия (например, рецидив, 5-летнее выживание). Каждый список данных о предшествующих пациентах может сопровождаться указанием на степень сходства между предшествующим пациентом и рассматриваемым пациентом; в примерном варианте осуществления изобретения может показываться индикатор с расцветкой, изменяющейся в пределах от зеленого (символизирующий самый высокий уровень сходства) до красного (символизирующий самый низкий уровень сходства), но специалисты в данной области техники поймут, что возможны и другие типы индикации, такие как числовое представление или графическое изображение. Дополнительно, специалисты в данной области техники поймут, что количество одновременно показываемых предшествующих пациентов и конкретная показываемая информация о каждом предшествующем пациенте могут изменяться в ряде отличающихся вариантов осуществления изобретения.
Графический интерфейс 300 пользователя также включает в себя критерии 330 извлечения данных, которые могут использоваться врачом для того, чтобы оснащать весовыми коэффициентами различные факторы, которые будут использоваться в процессах поиска, описанных выше со ссылкой на способ 200 и описываемых ниже со ссылкой на способы 400 и 500. Например, врач, который хочет, чтобы высокая величина весового коэффициентами была установлена на устранение боли, может настраивать критерии 330 извлечения данных так, чтобы отразить это предпочтение.
Фиг. 4 иллюстрирует второй примерный способ 400 для поддержки принятия решений на основе прецедентов. Способ 400 будет описываться со ссылкой на примерную систему 100 на Фиг. 1. На этапе 410 от врача принимается план лечения рассматриваемого пациента; план лечения основывается на врачебной образованности, опыте работы и знании симптомов пациента, истории болезни и т.д. План лечения может включать в себя тип лечения, которое следует назначить, тип хирургии, которую следует осуществить, и т.д. План лечения вводится врачом (или, альтернативно, сотрудником технического персонала) с использованием рабочей станции 120 планирования лечения.
На этапе 420 система 130 поиска сходства осуществляет поиск в базе 140 данных предшествующих пациентов в отношении пациентов, которые подвергались планам лечения, похожим на план лечения, который был введен на этапе 410. Этот этап в значительной степени похож на этап 220 способа 200, за исключением того, что признаки, которые следует использовать в поиске, представляют собой признаки, скорее относящиеся к предлагаемому плану лечения, чем признаки, относящиеся к диагностике пациента, и к другой существенной клинической информации. Элементы плана лечения могут быть преобразованы в признаки, подходящие для того, чтобы поиск производился таким же образом, как это описано выше. Метрика расстояний между двумя пациентами для поиска, основанного на признаках, относящихся к плану лечения, выражается так:
На этапе 430 пациенты, имеющие низкие метрики расстояний (например, высокий уровень сходства с рассматриваемым пациентом), возвращаются обратно и предоставляются для врача с помощью рабочей станции 120 планирования лечения. В качестве одного примера, предшествующие пациенты показываются с использованием визуального представления предшествующих пациентов и их степени сходства с рассматриваемым пациентом; это может быть достигнуто, используя графический интерфейс 300 пользователя, как описано выше.
Фиг. 5 иллюстрирует третий примерный способ 500 для поддержки принятия решений на основе прецедентов. На этапе 510 принимается информация о диагностике пациента, как описано выше со ссылкой на этап 210 способа 200. На этапе 520 принимается план лечения пациента, как описано выше со ссылкой на этап 410 способа 400. На этапе 530 система 130 поиска сходства осуществляет поиск в базе 140 данных предшествующих пациентов, используя все принятые входные данные в качестве критериев поиска; этот этап может использовать все параметры поиска, как это поясняется в качестве примера выражением:
На этапе 540 поиск этапа 530 приводит к возврату обратно предшествующих пациентов, имеющих высокую степень сходства с рассматриваемым пациентом, которая определяется согласно малому значению показателя расстояний, которые приведены выше. На этапе 550 один или более предлагаемых планов лечения рассматриваемого пациента генерируются системой 150 генерирования планов на основе планов лечения, которые ранее назначались для одного или более пациентов, имеющих высокую степень сходства с рассматриваемым пациентом. В одном примере план лечения, идентичный плану для самого похожего предшествующего пациента (например, предшествующего пациента с самым малым показателем расстояний), предлагается для рассматриваемого пациента. Альтернативно, план лечения определяется на основе взвешенного усреднения некоторого количества похожих пациентов. В таком примере количество похожих пациентов, которые будут использоваться, может быть определяемым заранее, может быть конфигурируемым пользователем или может представлять собой взвешенное усреднение всех предшествующих пациентов или всех предшествующих пациентов, имеющих такое же состояние здоровья, как рассматриваемый пациент. Предшествующие пациенты, как правило, оснащаются весовыми коэффициентами на основе их уровня сходства с рассматриваемым пациентом, при этом пациенты, имеющие более высокий уровень сходства с рассматриваемым пациентом, оснащаются весовыми коэффициентами в более значительной степени.
В качестве другого альтернативного примера, начальный план лечения определяется на основе ключевых разностей между характеристиками рассматриваемого пациента и характеристиками предшествующих пациентов. Этот подход может оказаться ценным, потому что может случиться так, что даже в большой базе данных невозможно обнаружить идеальную пару для рассматриваемого пациента. Отсюда следует, что такой ситуации рассматриваемый пациент сопоставляется с наиболее похожим предшествующим пациентом или с группой наиболее похожих предшествующих пациентов. Выявляется ключевая разность (или некоторое количество разностей) между предшествующим пациентом или пациентами и рассматриваемым пациентом, и элементы плана лечения, которые в значительной степени зависят от этой разности, определяются на основе знаний в данной области. Затем проводится отдельный поиск, основанный на ключевой разности для того, чтобы найти самого близкого пациента, участвующего в ключевой разности вместе с рассматриваемым пациентом, и элемент плана, относящийся к ключевой разности, берется от пациента, найденного с помощью этого поиска. Например, высокое кровяное давление является важным фактором при определении режима химиотерапии для пациента. Таким образом, если рассматриваемый пациент имеет высокое кровяное давление, а у самого похожего предшествующего пациента не было высокого кровяного давления, отдельный поиск проводится, чтобы найти наиболее похожего предшествующего пациента, у которого действительно было высокое кровяное давление, и режим химиотерапии для рассматриваемого пациента основывается на наиболее похожем предшествующем пациенте с высоким кровяным давлением.
В другой примерной ситуации, система 150 генерирования планов генерирует множество планов лечения рассматриваемого пациента. Каждый из них может представлять собой план лечения индивидуального предшествующего пациента или может основываться на изменяющихся критериях поиска (например, более или менее значительное оснащение весовыми коэффициентами факторов качества жизни при поиске). На этапе 560 система 150 генерирования планов делает заключение об ожидаемых последствиях, относящихся к каждому из планов лечения, при условии, если бы каждый из планов лечения был назначен для рассматриваемого пациента. Ожидаемые последствия могут основываться на последствиях, перенесенных предшествующими пациентами, которые подвергались похожим планам лечения, на характеристиках рассматриваемого пациента, на том, каким образом характеристики рассматриваемого пациента отличаются от характеристик предшествующих пациентов, и т.д. На этапе 570 похожие предшествующие пациенты, планы лечения и сделанные заключения о последствиях предоставляются врачу, использующему графический интерфейс 300 пользователя рабочей станции 120 планирования лечения. Фиг. 3 иллюстрирует вариант осуществления изобретения, показывающего три предлагаемых плана 340 лечения рассматриваемого пациента.
Примерные варианты осуществления изобретения, описанные в настоящем документе, позволяют врачу рассматривать значительно большую базу знаний информации при определении плана лечения рассматриваемого пациента, чем информация, которой обладает врач, как отдельно взятый человек. Примерные варианты осуществления изобретения дополнительно оказывают содействие при генерировании плана лечения рассматриваемого пациента, который имеет более высокое качество, чем план, который создается врачом на оперативной основе, на основе его собственного врачебного опыта. Дополнительно, из-за объективного характера сопоставления с прошлыми пациентами, качество обслуживания, получаемого пациентами, может быть стандартизировано, вместо того чтобы зависеть от квалификации и опыта врача. Дополнительно, так как предлагаемые планы лечения рассматриваемого пациента основываются на одном или более предшествующих пациентах, имеющих общие характеристики с рассматриваемым пациентом, автоматически могут быть сгенерированы планы лечения более высокого качества для рассмотрения их лечащим врачом.
Специалисты в данной области техники поймут, что примерные варианты осуществления изобретения, описанные выше, могут быть реализованы в любом количестве видов, включающих в себя такие, как отдельный модуль программного обеспечения, как комбинация аппаратного и программного обеспечения и т.д. Например, система 130 поиска сходства может представлять собой программу, содержащую в себе строки текста кода, который при компиляции может исполняться процессором.
Отмечается, что пункты формулы изобретения могут включать в себя ссылочные знаки/цифры в соответствии с Правилом 6.2 (b) PCT. Однако представленные пункты формулы изобретения не следует рассматривать как ограниченные примерными вариантами осуществления изобретения, которые соответствуют этим ссылочным знакам/цифрам.
Для специалистов в данной области техники будет очевидно, что различные модификации могут быть сделаны в настоящем изобретении, не отступая от сущности или объема правовой охраны изобретения. Таким образом, предполагается, что настоящее изобретение охватывает модификации и разновидности этого изобретения, при условии, что они попадают в рамки объема правовой охраны прилагаемых пунктов формулы изобретения и их эквивалентов.
Claims (26)
1. Постоянный машиночитаемый носитель данных, на котором хранится совокупность команд, исполняемых процессором, при этом совокупность команд приводится в действие для того, чтобы:
принимать совокупность данных рассматриваемого пациента, относящихся к рассматриваемому пациенту;
сопоставлять совокупность данных рассматриваемого пациента с множеством совокупностей данных предшествующих пациентов, при этом каждая из совокупностей данных предшествующих пациентов соответствует предшествующему пациенту, причем совокупность данных рассматриваемого пациента и множество совокупностей данных предшествующих пациентов представлены в виде совокупности признаков, причем каждый признак представляет собой индивидуальную характеристику, соответствующую каждому пациенту, и качественные признаки представлены на шкале от 0 до 1;
выбирать множество совокупностей данных предшествующих пациентов на основе уровня сходства между выбранным множеством совокупностей данных предшествующих пациентов и совокупностью данных рассматриваемого пациента;
предоставлять множество выбранных совокупностей данных предшествующих пациентов пользователю;
генерировать план лечения на основе соответствующих планов лечения из множества выбранных совокупностей данных предшествующих пациентов;
оснащать весовыми коэффициентами каждый из соответствующих планов лечения на основе сходства каждого пациента из множества выбранных предшествующих пациентов с рассматриваемым пациентом; и
представлять пользователю посредством устройства отображения графическое сопоставление между совокупностью данных рассматриваемого пациента и каждой из множества совокупностей данных предшествующих пациентов, причем сопоставление содержит указание на степень сходства между признаками рассматриваемого пациента и каждым из множества признаков предшествующих пациентов.
2. Постоянный машиночитаемый носитель данных по п. 1, в котором совокупность данных рассматриваемого пациента содержит одно из следующего: совокупность клинической информации о рассматриваемом пациенте, совокупность вычисляемой информации о пациенте, совокупность предпочтений качества жизни пациента и начальный план лечения рассматриваемого пациента.
3. Постоянный машиночитаемый носитель данных по п. 1, в котором совокупности данных предшествующих пациентов содержат одно из следующего: совокупности клинической информации о предшествующих пациентах, совокупности вычисляемой информации о предшествующих пациентах, планы лечения предшествующих пациентов и информацию о последствиях для предшествующих пациентов.
4. Постоянный машиночитаемый носитель данных по п. 1, в котором выбирается множество совокупностей данных предшествующих пациентов и в котором множество выбранных совокупностей данных предшествующих пациентов классифицируется по уровню сходства.
5. Постоянный машиночитаемый носитель данных по п. 1, в котором первый элемент плана лечения копируется из первого плана лечения первого пациента из множества выбранных предшествующих пациентов и в котором второй элемент плана лечения копируется из второго плана лечения второго пациента из множества выбранных предшествующих пациентов, при этом второй элемент является элементом, относящимся к показателю рассматриваемого пациента, который отличается от соответствующего показателя выбранного первого пациента из предшествующих пациентов, второй элемент дополнительно является элементом, относящимся к показателю рассматриваемого пациента, который подобен соответствующему показателю второго пациента из предшествующих пациентов.
6. Постоянный машиночитаемый носитель данных по п. 1, в котором уровень сходства основывается на метрике расстояний между рассматриваемым пациентом и выбранным одним из предшествующих пациентов.
7. Постоянный машиночитаемый носитель данных по п. 6, в котором метрика расстояний представляет собой одно из следующего: евклидово расстояние, расстояние городских кварталов и расстояние Махаланобиса.
8. Система для поддержки принятия клинических решений для планирования терапии, содержащая:
интерфейс пользователя, принимающий совокупность данных рассматриваемого пациента, относящихся к рассматриваемому пациенту;
базу данных, хранящую множество совокупностей данных предшествующих пациентов, при этом каждая из совокупностей данных предшествующих пациентов соответствует предшествующему пациенту, причем совокупность данных рассматриваемого пациента и множество совокупностей данных предшествующих пациентов представлены в виде совокупности признаков, причем каждый признак представляет собой индивидуальную характеристику, соответствующую каждому пациенту, и качественные признаки представлены на шкале от 0 до 1;
механизм поиска сходства, осуществляющий поиск множества совокупностей данных предшествующих пациентов и выбирающий множество совокупностей данных предшествующих пациентов, имеющих высокую степень сходства с совокупностью данных рассматриваемого пациента, при этом множество выбранных совокупностей данных предшествующих пациентов и графическое сопоставление, содержащее указание на степень сходства между признаками рассматриваемого пациента и каждым из множества признаков предшествующих пациентов, предоставляются пользователю с помощью интерфейса пользователя; и
систему генерирования планов, генерирующую план лечения для рассматриваемого пациента на основе множества выбранных совокупностей данных предшествующих пациентов, при этом планы лечения каждого пациента из выбранного множества пациентов оснащаются весовыми коэффициентами на основе сходства каждого пациента из выбранного множества предшествующих пациентов с рассматриваемым пациентом.
9. Система по п. 8, в которой совокупность данных рассматриваемого пациента представляет собой одно из следующего: совокупность клинической информации о рассматриваемом пациенте, совокупность вычисляемой информации о пациенте, совокупность предпочтений качества жизни пациента и начальный план лечения рассматриваемого пациента.
10. Система по п. 8, в которой совокупности данных предшествующих пациентов содержат одно из следующего: совокупности клинической информации о предшествующих пациентах, совокупности вычисляемой информации о предшествующих пациентах, планы лечения предшествующих пациентов и информацию о последствиях для предшествующих пациентов.
11. Система по п. 8, в которой выбирается множество совокупностей данных предшествующих пациентов, и в которой множество выбранных совокупностей данных предшествующих пациентов классифицируется по уровню сходства с совокупностью данных рассматриваемого пациента.
12. Система по п. 8, в которой первый элемент плана лечения копируется из первого плана лечения первого пациента из множества выбранных предшествующих пациентов и в которой второй элемент плана лечения копируется из второго плана лечения второго пациента из множества предшествующих пациентов, при этом второй элемент является элементом, относящимся к показателю рассматриваемого пациента, который отличается от соответствующего показателя выбранного первого пациента из предшествующих пациентов, второй элемент дополнительно является элементом, относящимся к показателю рассматриваемого пациента, который подобен соответствующему показателю второго пациента из предшествующих пациентов.
13. Система по п. 8, в которой степень сходства основывается на метрике расстояний между рассматриваемым пациентом и выбранным одним из предшествующих пациентов и в которой метрика расстояний представляет собой одно из следующего: евклидово расстояние, расстояние городских кварталов и расстояние Махаланобиса.
14. Система по п. 8, в которой интерфейс пользователя представляет собой графический интерфейс пользователя.
15. Система по п. 14, в которой графический интерфейс пользователя содержит элемент для выбора критериев извлечения данных, указывающий на оснащение весовыми коэффициентами множества критериев извлечения данных.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US42380110P | 2010-12-16 | 2010-12-16 | |
| US61/423,801 | 2010-12-16 | ||
| PCT/IB2011/055514 WO2012080906A1 (en) | 2010-12-16 | 2011-12-07 | System and method for clinical decision support for therapy planning using case-based reasoning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2013132759A RU2013132759A (ru) | 2015-01-27 |
| RU2616985C2 true RU2616985C2 (ru) | 2017-04-19 |
Family
ID=45496216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2013132759A RU2616985C2 (ru) | 2010-12-16 | 2011-12-07 | Система и способ для поддержки принятия клинических решений для планирования терапии с помощью логического рассуждения на основе прецедентов |
Country Status (6)
| Country | Link |
|---|---|
| US (2) | US20130268547A1 (ru) |
| EP (1) | EP2652656A1 (ru) |
| JP (1) | JP5899236B2 (ru) |
| CN (2) | CN110570950A (ru) |
| RU (1) | RU2616985C2 (ru) |
| WO (1) | WO2012080906A1 (ru) |
Families Citing this family (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10741287B2 (en) * | 2009-11-19 | 2020-08-11 | The Cleveland Clinic Foundation | System and method for motor and cognitive analysis |
| AU2012318730C1 (en) * | 2011-10-03 | 2015-12-17 | The Cleveland Clinic Foundation | System and method to facilitate analysis of brain injuries and disorders |
| US20140081659A1 (en) | 2012-09-17 | 2014-03-20 | Depuy Orthopaedics, Inc. | Systems and methods for surgical and interventional planning, support, post-operative follow-up, and functional recovery tracking |
| JP5613213B2 (ja) * | 2012-09-28 | 2014-10-22 | 富士フイルム株式会社 | グラフ表示制御装置および方法並びにプログラム |
| EP2775412A1 (en) * | 2013-03-07 | 2014-09-10 | Medesso GmbH | Method of generating a medical suggestion as a support in medical decision making |
| CA2914949A1 (en) * | 2013-06-21 | 2014-12-24 | Siris Medical, Inc. | Multi-objective radiation therapy selection system and method |
| RU2697373C2 (ru) * | 2013-10-23 | 2019-08-13 | Конинклейке Филипс Н.В. | Система и способ, обеспечивающие эффективное управление планами лечения, и их пересмотрами и обновлениями |
| US20150161331A1 (en) * | 2013-12-04 | 2015-06-11 | Mark Oleynik | Computational medical treatment plan method and system with mass medical analysis |
| JP6316689B2 (ja) * | 2014-07-15 | 2018-04-25 | 株式会社 国際疾病管理研究所 | 情報表示装置及び方法、並びにコンピュータプログラム |
| JP6845136B2 (ja) | 2014-12-04 | 2021-03-17 | コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． | 治療プランニング・システム、治療プラン生成方法及び記憶媒体 |
| WO2016092436A1 (en) * | 2014-12-10 | 2016-06-16 | Koninklijke Philips N.V. | System to create and adjust a holistic care plan to integrate medical and social services |
| US20160188806A1 (en) * | 2014-12-30 | 2016-06-30 | Covidien Lp | System and method for cytopathological and genetic data based treatment protocol identification and tracking |
| WO2016147289A1 (ja) * | 2015-03-16 | 2016-09-22 | 富士通株式会社 | 情報分析プログラム、情報分析方法および情報分析装置 |
| WO2016147290A1 (ja) * | 2015-03-16 | 2016-09-22 | 富士通株式会社 | 情報分析プログラム、情報分析方法および情報分析装置 |
| DE102015205493B4 (de) * | 2015-03-26 | 2023-12-28 | Siemens Healthcare Gmbh | Betrieb einer medizinischen Bildgebungsvorrichtung |
| CN104835096B (zh) * | 2015-05-15 | 2018-06-19 | 北京胡杨众联科技有限公司 | 一种检索方法、装置及终端 |
| WO2016187002A1 (en) * | 2015-05-15 | 2016-11-24 | Mako Surgical Corp. | Systems and methods for providing guidance for a robotic medical procedure |
| JP6615493B2 (ja) | 2015-05-26 | 2019-12-04 | 株式会社野村総合研究所 | サーバ装置 |
| EP3156923A1 (en) * | 2015-10-12 | 2017-04-19 | OncoDNA SA | Molecular profile matching of tumours |
| CN105956151B (zh) * | 2016-05-13 | 2019-03-26 | 中国有色金属长沙勘察设计研究院有限公司 | 基于预案的辅助决策方法、尾矿库监测方法及*** |
| SG10201610983SA (en) * | 2016-12-30 | 2018-07-30 | Nec Asia Pacific Pte Ltd | Method and system for recommending resource allocation to a target subject |
| EP3613060A1 (en) | 2017-04-20 | 2020-02-26 | Koninklijke Philips N.V. | Learning and applying contextual similarities between entities |
| EP3480823A1 (en) * | 2017-11-02 | 2019-05-08 | Koninklijke Philips N.V. | Clinical decision support |
| JP6812327B2 (ja) | 2017-11-21 | 2021-01-13 | 株式会社日立製作所 | 治療選択支援システム及び方法 |
| CN111512395A (zh) * | 2017-12-19 | 2020-08-07 | 皇家飞利浦有限公司 | 学习并应用实体之间的背景相似性 |
| US11139080B2 (en) | 2017-12-20 | 2021-10-05 | OrthoScience, Inc. | System for decision management |
| US11335464B2 (en) * | 2018-01-12 | 2022-05-17 | Siemens Medical Solutions Usa, Inc. | Integrated precision medicine by combining quantitative imaging techniques with quantitative genomics for improved decision making |
| WO2019158496A1 (en) * | 2018-02-19 | 2019-08-22 | Koninklijke Philips N.V. | System and method for providing model-based population insight generation |
| JP7122120B2 (ja) * | 2018-02-27 | 2022-08-19 | ヤフー株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
| US20210225467A1 (en) * | 2018-03-09 | 2021-07-22 | Koninklijke Philips N.V. | Pathway information |
| JP2020013204A (ja) * | 2018-07-13 | 2020-01-23 | 帝人ファーマ株式会社 | 医療用サーバ、在宅医療装置、システム |
| RU2720900C2 (ru) * | 2018-10-11 | 2020-05-14 | федеральное государственное бюджетное образовательное учреждение высшего образования "Новгородский государственный университет имени Ярослава Мудрого" | Способ диагностики аллергических заболеваний |
| JP2021012437A (ja) * | 2019-07-03 | 2021-02-04 | キヤノンメディカルシステムズ株式会社 | 意思決定支援装置及びシステム |
| CN111145909B (zh) * | 2019-11-29 | 2023-07-14 | 泰康保险集团股份有限公司 | 诊疗数据处理方法与装置、存储介质、电子设备 |
| CN111276191B (zh) * | 2020-01-15 | 2020-12-18 | 范时浩 | 胰腺癌血液中糖的分子量统计识别方法、***、介质及装置 |
| EP3866111A1 (en) * | 2020-02-17 | 2021-08-18 | Koninklijke Philips N.V. | Latency compensation for image processing devices |
| GB202002459D0 (en) * | 2020-02-21 | 2020-04-08 | Mclaren Applied Tech Ltd | Healthcare analytics |
| DE102020001563A1 (de) * | 2020-03-10 | 2021-09-16 | Drägerwerk AG & Co. KGaA | Medizinsystem zum Bereitstellen einer Behandlungsempfehlung |
| US11830183B2 (en) * | 2020-09-03 | 2023-11-28 | Merative Us L.P. | Treatment planning based on multimodal case similarity |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030149597A1 (en) * | 2002-01-10 | 2003-08-07 | Zaleski John R. | System for supporting clinical decision-making |
| US7156453B2 (en) * | 2004-07-01 | 2007-01-02 | Khosrow Shahbazi | Pressure drag reduction system with a side duct |
| WO2009083841A1 (en) * | 2007-12-27 | 2009-07-09 | Koninklijke Philips Electronics, N.V. | Method and apparatus for refining similar case search |
| WO2009136354A1 (en) * | 2008-05-09 | 2009-11-12 | Koninklijke Philips Electronics N.V. | Method and system for personalized guideline-based therapy augmented by imaging information |
| RU2008128839A (ru) * | 2005-12-15 | 2010-01-20 | Конинклейке Филипс Электроникс, Н.В. (Nl) | Основанное на внешнем пользовательском интерфейсе ассоциирование измерений |
| WO2010060102A2 (en) * | 2008-11-24 | 2010-05-27 | Corthera, Inc. | Prediction and prevention of preeclampsia |
Family Cites Families (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6120440A (en) * | 1990-09-11 | 2000-09-19 | Goknar; M. Kemal | Diagnostic method |
| US5660176A (en) * | 1993-12-29 | 1997-08-26 | First Opinion Corporation | Computerized medical diagnostic and treatment advice system |
| US7272593B1 (en) * | 1999-01-26 | 2007-09-18 | International Business Machines Corporation | Method and apparatus for similarity retrieval from iterative refinement |
| US7395216B2 (en) * | 1999-06-23 | 2008-07-01 | Visicu, Inc. | Using predictive models to continuously update a treatment plan for a patient in a health care location |
| US7003472B2 (en) * | 1999-11-30 | 2006-02-21 | Orametrix, Inc. | Method and apparatus for automated generation of a patient treatment plan |
| US7171311B2 (en) * | 2001-06-18 | 2007-01-30 | Rosetta Inpharmatics Llc | Methods of assigning treatment to breast cancer patients |
| JP4029593B2 (ja) * | 2001-09-11 | 2008-01-09 | 株式会社日立製作所 | プロセス分析方法及び情報システム |
| US20040078231A1 (en) * | 2002-05-31 | 2004-04-22 | Wilkes Gordon J. | System and method for facilitating and administering treatment to a patient, including clinical decision making, order workflow and integration of clinical documentation |
| US8744867B2 (en) * | 2002-06-07 | 2014-06-03 | Health Outcomes Sciences, Llc | Method for selecting a clinical treatment plan tailored to patient defined health goals |
| US20040122708A1 (en) * | 2002-12-18 | 2004-06-24 | Avinash Gopal B. | Medical data analysis method and apparatus incorporating in vitro test data |
| US7361018B2 (en) * | 2003-05-02 | 2008-04-22 | Orametrix, Inc. | Method and system for enhanced orthodontic treatment planning |
| CN1961321A (zh) * | 2004-05-21 | 2007-05-09 | 西门子医疗健康服务公司 | 为医疗决策提供支持的方法及*** |
| US20070156453A1 (en) * | 2005-10-07 | 2007-07-05 | Brainlab Ag | Integrated treatment planning system |
| JP2007287027A (ja) * | 2006-04-19 | 2007-11-01 | Fujifilm Corp | 医療用の計画立案支援システム |
| US7860287B2 (en) * | 2006-06-16 | 2010-12-28 | Siemens Medical Solutions Usa, Inc. | Clinical trial data processing system |
| EP2210226A4 (en) * | 2007-10-12 | 2013-11-06 | Patientslikeme Inc | SELF-IMPROVED METHOD OF USING ONLINE COMMUNITIES TO PREDICT CLINICAL RESULTS |
| US20090248445A1 (en) * | 2007-11-09 | 2009-10-01 | Phil Harnick | Patient database |
| JP5403899B2 (ja) * | 2007-11-15 | 2014-01-29 | キヤノン株式会社 | 画像処理装置、画像処理方法、プログラム及びコンピュータ記録媒体 |
| JP5771006B2 (ja) * | 2007-12-20 | 2015-08-26 | コーニンクレッカ フィリップス エヌ ヴェ | ケースベースの意思決定支援のための方法及び装置 |
| US8655817B2 (en) * | 2008-02-20 | 2014-02-18 | Digital Medical Experts Inc. | Expert system for determining patient treatment response |
| RU2010150811A (ru) * | 2008-05-12 | 2012-06-20 | Конинклейке Филипс Электроникс Н.В. (Nl) | Система и способ для содействия в создании плана лечения |
| JP5092018B2 (ja) * | 2008-09-19 | 2012-12-05 | 株式会社日立製作所 | 類似症例検索システム |
| JP5317716B2 (ja) * | 2009-01-14 | 2013-10-16 | キヤノン株式会社 | 情報処理装置および情報処理方法 |
| US8126736B2 (en) * | 2009-01-23 | 2012-02-28 | Warsaw Orthopedic, Inc. | Methods and systems for diagnosing, treating, or tracking spinal disorders |
| US7986768B2 (en) * | 2009-02-19 | 2011-07-26 | Varian Medical Systems International Ag | Apparatus and method to facilitate generating a treatment plan for irradiating a patient's treatment volume |
| EP2401718A4 (en) * | 2009-02-26 | 2014-03-12 | I M D Soft Ltd | DECISION SUPPORT |
| US20110202361A1 (en) * | 2009-03-10 | 2011-08-18 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Computational systems and methods for health services planning and matching |
| US8688618B2 (en) * | 2009-06-23 | 2014-04-01 | The Johns Hopkins University | Method and system for determining treatment plans |
| US20110301976A1 (en) * | 2010-06-03 | 2011-12-08 | International Business Machines Corporation | Medical history diagnosis system and method |
| US8645165B2 (en) * | 2010-06-03 | 2014-02-04 | General Electric Company | Systems and methods for value-based decision support |
| US20120041772A1 (en) * | 2010-08-12 | 2012-02-16 | International Business Machines Corporation | System and method for predicting long-term patient outcome |
| US8660857B2 (en) * | 2010-10-27 | 2014-02-25 | International Business Machines Corporation | Method and system for outcome based referral using healthcare data of patient and physician populations |
| EP2973059A4 (en) * | 2013-03-14 | 2016-10-12 | Ontomics Inc | TOOLS AND METHOD FOR PERSONALIZED CLINICAL DECISION SUPPORT |
| US10866508B2 (en) * | 2018-05-18 | 2020-12-15 | Taiwan Semiconductor Manufacturing Company Ltd. | Method for manufacturing photomask and semiconductor manufacturing method thereof |
-
2011
- 2011-12-07 CN CN201910836800.XA patent/CN110570950A/zh active Pending
- 2011-12-07 US US13/993,419 patent/US20130268547A1/en not_active Abandoned
- 2011-12-07 EP EP11808941.6A patent/EP2652656A1/en not_active Ceased
- 2011-12-07 RU RU2013132759A patent/RU2616985C2/ru active
- 2011-12-07 CN CN2011800676930A patent/CN103380428A/zh active Pending
- 2011-12-07 JP JP2013543925A patent/JP5899236B2/ja active Active
- 2011-12-07 WO PCT/IB2011/055514 patent/WO2012080906A1/en active Application Filing
-
2021
- 2021-11-01 US US17/515,635 patent/US20220114213A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030149597A1 (en) * | 2002-01-10 | 2003-08-07 | Zaleski John R. | System for supporting clinical decision-making |
| US7156453B2 (en) * | 2004-07-01 | 2007-01-02 | Khosrow Shahbazi | Pressure drag reduction system with a side duct |
| RU2008128839A (ru) * | 2005-12-15 | 2010-01-20 | Конинклейке Филипс Электроникс, Н.В. (Nl) | Основанное на внешнем пользовательском интерфейсе ассоциирование измерений |
| WO2009083841A1 (en) * | 2007-12-27 | 2009-07-09 | Koninklijke Philips Electronics, N.V. | Method and apparatus for refining similar case search |
| WO2009136354A1 (en) * | 2008-05-09 | 2009-11-12 | Koninklijke Philips Electronics N.V. | Method and system for personalized guideline-based therapy augmented by imaging information |
| WO2010060102A2 (en) * | 2008-11-24 | 2010-05-27 | Corthera, Inc. | Prediction and prevention of preeclampsia |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2013132759A (ru) | 2015-01-27 |
| JP5899236B2 (ja) | 2016-04-06 |
| CN103380428A (zh) | 2013-10-30 |
| US20130268547A1 (en) | 2013-10-10 |
| EP2652656A1 (en) | 2013-10-23 |
| WO2012080906A1 (en) | 2012-06-21 |
| CN110570950A (zh) | 2019-12-13 |
| JP2014503894A (ja) | 2014-02-13 |
| US20220114213A1 (en) | 2022-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2616985C2 (ru) | Система и способ для поддержки принятия клинических решений для планирования терапии с помощью логического рассуждения на основе прецедентов | |
| EP3215968B1 (en) | Optimized anatomical structure of interest labelling | |
| RU2687760C2 (ru) | Способ и система компьютерной стратификации пациентов на основе сложности случаев заболеваний | |
| US20190156947A1 (en) | Automated information collection and evaluation of clinical data | |
| US20170193660A1 (en) | Identifying a Successful Therapy for a Cancer Patient Using Image Analysis of Tissue from Similar Patients | |
| JP5952835B2 (ja) | 撮像プロトコルの更新及び／又はリコメンダ | |
| JP5383431B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
| US20100145720A1 (en) | Method of extracting real-time structured data and performing data analysis and decision support in medical reporting | |
| RU2573218C2 (ru) | Поддержка принятия клинических решений | |
| US20130039552A1 (en) | Methods and systems for analyzing, prioritizing, visualizing, and reporting medical images | |
| WO2015134530A1 (en) | Personalized content-based patient retrieval system | |
| US7418120B2 (en) | Method and system for structuring dynamic data | |
| CN103460213A (zh) | 图像采集和/或图像相关参数推荐器 | |
| US20170154167A1 (en) | A system and a related method for automatically selecting a hanging protocol for a medical study | |
| JP2017191469A (ja) | 診断支援装置、情報処理方法、診断支援システム及びプログラム | |
| JP2014039852A (ja) | 情報処理装置、情報処理方法及びプログラム | |
| US20230142909A1 (en) | Clinically meaningful and personalized disease progression monitoring incorporating established disease staging definitions | |
| US20180286504A1 (en) | Challenge value icons for radiology report selection | |
| JP6986014B2 (ja) | 診断情報項目のソート方法、システム及び記憶媒体 | |
| JP2022036125A (ja) | 検査値のコンテキストによるフィルタリング | |
| EP3955260A1 (en) | Clinical decision support | |
| CN113728392A (zh) | 自动癌症登记表记录生成 | |
| RU2740219C2 (ru) | Движок для контекстно-зависимых медицинских рекомендаций | |
| WO2018073707A1 (en) | System and method for workflow-sensitive structured finding object (sfo) recommendation for clinical care continuum | |
| US20200075163A1 (en) | Diagnostic decision support for patient management |