СПОСОБ И СИСТЕМА КОМПЬЮТЕРНОГО ПЛАНИРОВАНИЯ МЕДИЦИНСКОГО ЛЕЧЕНИЯ С АНАЛИЗОМ МАССИВОВ МЕДИЦИНСКИХ ДАННЫХ Российский патент 2018 года по МПК G06F19/00 

В данной заявке испрашивается приоритет на основании предварительной заявки №62/059588 на изобретение «Способ и система интеллектуального анализа массивов медицинских данных», поданной в США 3 октября 2014 г., предварительной заявки №61/977512 на изобретение «Способ и система интеллектуального анализа массивов медицинских данных», поданной в США 9 апреля 2014 г., предварительной заявки №61/946339 на изобретение «Способ и система интеллектуального анализа массивов медицинских данных», поданной в США 28 февраля 2014 г., предварительной заявки №61/911618 на изобретение «Способ и система интеллектуального анализа массивов медицинских данных», поданной в США 4 декабря 2013 г., и непредварительной заявки №14/558,706 на изобретение «Способ и система компьютерного планирования медицинского лечения с анализом массивов медицинских данных», поданная в США 2 декабря 2014 г., причем информация, раскрытая в данных заявках, полностью включена в состав настоящего описания.

Область техники, к которой относится изобретение

Настоящее изобретение относится в целом к компьютерному программному обеспечению, а более конкретно к программным средствам анализа объемных электронных медицинских карт (EMR) или электронных историй болезни (EHR), имеющих многочисленные источники в нескольких географических регионах для интеллектуальной медицинской обработки с целью оптимизации лечения пациентов и формирования планов лечения, сформированных компьютером.

Уровень техники

В области здравоохранения происходят значительные преобразования, при этом одной из фундаментальных движущих сил является технология. Электронные медицинские карты были в значительной степени сегрегированы различными аффилированными больницами, клиниками, врачебными кабинетами и клиниками в пределах географического региона и в соответствии с партнерскими договоренностями или национальными правительственными постановлениями, не говоря уже о сложности обмена информацией о пациентах между разными географическими регионами. В контексте программной аналитики эти электронные медицинские данные можно рассматривать как неструктурированные данные, поскольку существует множество разрозненных неинтегрированных и неанализируемых форматов или типов данных. Критический анализ массивов электронных медицинских карт для определения шаблонов и статистических данных, связанных с медицинским лечением и его результатами, может принести потенциальную совокупную выгоду при лечении пациентов.

Значительную пользу от машинного анализа медицинских карт, которые содержат значительные реальные данные о диагнозах, лечении и результатах лечения пациентов, получат как медицинская промышленность, так и пациенты. Современная медицинская информация, например, медицинские карты, остаются в значительной мере сегрегированными по принципу учреждения, принадлежности, места, географического расположения и региона. Зачастую врачи ставят диагноз и лечат пациентов на основании информации, сообщаемой пациентом, и собственного опыта вместо того, чтобы опираться на статистические данные о том, как лечили пациентов в аналогичных ситуациях, и какие результаты дало подобное лечение. Одной из причин является то, что врачи имеют ограниченный доступ к информации о пациентах за пределами своей практики и публикуемой литературе. «Коллективный разум», состоящий из диагнозов и планов лечения, рекомендованных разными врачами на национальном, международном или мировом уровне, не был собран, проанализирован и не обеспечивает большого практического применения при лечении пациентов.

Соответственно, желательно иметь систему и способ для анализа большого количества медицинских данных из различных источников, расположенных в нескольких географических регионах с целью повышения качества лечения пациентов и разработки рекомендуемых планов лечения пациентов. Данная система и способ могут быть использованы для анализа методов и результатов лечения различных заболеваний у пациентов, что позволит врачам назначать лечение на основании расчетных и статистических данных о способах лечения пациентов в аналогичных случаях и о результатах подобного лечения.

Раскрытие изобретения

Настоящее изобретение направлено на создание требующего больших компьютерных ресурсов глобальных вероятностных методов и систем обработки медицинских данных, компьютерных программных продуктов для оптимизации плана лечения пациента на основании определенного симптома, заболевания или профиля пациента путем анализа, классификации, сопоставления и разгруппировки массива электронных медицинских карт из большого количества различных источников одного региона или различных географических регионов. Глобальная компьютерная система анализа медицинских данных включает в себя основной медицинский сервер, содержащий интеллектуальный медицинский процессор для оптимизации процесса планирования лечения. Глобальная компьютерная система анализа соединена для обмена данными с центральной базой данных, базой конфиденциальных данных, и далее по сети с больницами, академическими медицинскими центрами, клиниками и/или другими источниками медицинских данных. Интеллектуальный медицинский процессор может принимать объемные медицинские данные в глобальном масштабе из разных стран, регионов и континентов. Электронные медицинские карты поступают в интеллектуальный медицинский процессор из больниц, академических медицинских центров, клиник и других медицинских источников, расположенных по всему миру, для крупномасштабного компьютерного анализа и сопоставления с одной или несколькими медицинскими картами пациентов. Интеллектуальный медицинский процессор включает в себя модуль хранения, аналитический модуль, компонент классификации, модуль сопоставления, модуль обучения, модуль входящих данных и модуль отображения. Интеллектуальный медицинский процессор включает в себя модуль обучения для интерактивной обработки и запоминания электронной медицинской карты пациента и другой документации, а также назначенных планов лечения с целью оптимизации рекомендуемого протокола лечения.

Интеллектуальный медицинский процессор осуществляет разгруппировку (также упоминается как «фильтрация») симптомов, заболеваний или профилей пациентов из большого количества электронных медицинских карт. Разгруппировка подразумевает поиск значимых подгрупп (подмножеств) в группе пациентов, которые имеют одинаковые или сходные значения одного или нескольких клинических параметров и имеют одинаковые или сходные результаты определенного курса лечения. В одном из вариантов осуществления процесс фильтрации или разгруппировки включает в себя несколько уровней фильтров в качестве механизма уменьшения количества сходных электронных медицинских карт и объединения их в подгруппы меньшего размера, элементы которых будут иметь по меньшей мере несколько общих клинических параметров, заболеваний и/или результатов лечения. Например, разгруппировка существующих электронных медицинских карт в соответствии с электронной медицинской картой пациента (включающей симптомы или заболевание) может иметь фильтр первого уровня с использованием одного или нескольких значимых параметров, связанных с заболеванием пациента, для создания одной или нескольких первых подгрупп сходных электронных медицинских карт. На фильтре второго уровня, используемом в качестве способа уменьшения количества элементов в одной или нескольких первых подгруппах, способ разгруппировки осуществляет фильтрацию одной или нескольких первых подгрупп в соответствии с электронными медицинскими картами пациента, используя параметры сопутствующих заболеваний, хронических заболеваний и осложнений для создания одной или нескольких вторых подгрупп (размер которых может быть равен, но обычно меньше размера первой подгруппы) сходных электронных медицинских карт пациентов. На третьем уровне фильтрации способ разгруппировки также отфильтровывает одну или несколько вторых подгрупп за счет использования третьего набора параметров для формирования одной или нескольких третьих подгрупп (размер которых может быть равен, но обычно меньше размера второй подгруппы). На четвертом уровне фильтрации способ разгруппировки может осуществлять дополнительное уменьшение количества электронных медицинских карт в одной или нескольких третьих подгруппах, используя четвертый набор параметров, таких как параметры образа жизни (например, пищевые привычки, уровень физической активности, курение, избыточный вес, стресс и т.д.) для создания одной или нескольких четвертых подгрупп (размер которых может быть равен, но обычно меньше размера третьей подгруппы) сходных электронных медицинских карт пациентов. Возможны дополнительные уровни разгруппировки для уменьшения количества сходных подгрупп с целью получения подгруппы желаемого объема для определенного заболевания или симптомов пациента и создания компьютером протокола лечения на основании компьютерного анализа медицинских данных. В общем случае, разгруппировка приводит к получению наборов меньшего размера по сравнению с наборами до выполнения разгруппировки по дополнительным критериям, которым должны соответствовать элементы разгруппированного подмножества.

Способы разгруппировки могут быть реализованы с учетом значимых и косвенных переменных (также именуемых «параметрами»), переменных за период времени (на двухмерном графике), двух- или трехмерных снимков (например, снимков, полученных с помощью рентгена, магнитно-резонансной томографии, компьютерной томографии) или любой комбинации вышеперечисленных элементов. В одном из вариантов способ разгруппировки осуществляет фильтрацию объективных медицинских данных других пациентов из базы данных в соответствии с объективными медицинскими данными определенного пациента с использованием значимых переменных на первом уровне разгруппировки и косвенных переменных на втором уровне разгруппировки. В другом варианте способ разгруппировки определяет, каким образом значимые параметры изменяются во времени в отношении объективных медицинских данных пациента, связанных с объективными медицинскими данными других пациентов одним значимым параметром за тот же период времени. Любое существенное отклонение от одного из значимых параметров в объективных медицинских данных пациента и объективных медицинских данных других пациентов за указанный период времени может являться основанием для разгруппировки такой определенной подгруппы из объективных медицинских данных пациента. В другом варианте альтернативный способ разгруппировки осуществляет фильтрацию подгрупп путем сравнения объективных медицинских данных пациента, которые включают в себя данные, иллюстрирующие значимые параметры на трехмерных снимках органов, с объективными медицинскими данными других пациентов, которые включают в себя данные, иллюстрирующие значимые параметры на трехмерных снимках органов.

Изобретение предполагает сбор и анализ большого количества объективных медицинских данных пациентов, где каждый набор объективных медицинских данных пациента может включать в себя стандартизованную электронную медицинскую карту, не содержащую конфиденциальной информации пациента, такой как номер социального страхования. Использование объективных медицинских данных также ослабляет обеспокоенность в отношении конфиденциальности, поскольку конфиденциальная информация пациентов не раскрывается. Стандартизация объективных медицинских данных позволяет интеллектуальному медицинскому процессору осуществлять обработку, корреляцию, анализ и сопоставление объемных массивов электронных медицинских данных, полученных из больниц, академических медицинских центров, клиник и других источников медицинских данных. Стандартизация объективных медицинских данных относится к любой структуре для согласованной классификации или группировки клинических параметров таким образом, чтобы объективные медицинские данные можно было хранить, систематизировать и искать в формате базы данных. Преобразование объективных медицинских данных может происходить на разных этапах процесса, в частности, при передаче объективных медицинских данных и соответствующего кода пациента из больницы на интеллектуальный медицинский процессор, во время модификации медицинских данных пациента в процессе разгруппировки и т.д.

Таким образом, обеспечивается возможность различных практических применений стандартизованных объективных медицинских данных и осуществления способа разгруппировки, реализуемого в интеллектуальном медицинском процессоре. В одной области применения при разработке плана лечения врач использует устройства и способ по изобретению, на основании результатов лечения других пациентов с аналогичными заболеваниями и значимыми медицинскими параметрами. В другой области применения врач-терапевт общей практики размещает в своем кабинете диагностическую капсулу для проведения ежегодного или регулярного медицинского обследования (или ежегодного медицинского осмотра), для этого пациенту следует лечь на платформу, которая затем задвигается в диагностическую капсулу для считывания различных медицинских показателей, которые затем используются для сравнения с медицинскими данными пациента, хранящимися в интеллектуальном медицинском процессоре. Во втором варианте на пациенте размещается портативное устройство для наблюдения за пациентом и его лечения. Носимое устройство имеет синтетическую емкость или входное отверстие, которое соединяется с пациентом с целью наблюдения за его состоянием, вливания лекарственных препаратов или забора крови пациента. Например, под кожу пациента имплантируется медицинское устройство, один конец которого соединен с кровеносным сосудом, а другой конец - с гнездом разъема, при этом гнездо разъема оснащено крышкой (также именуемая «клапаном», который закрывает гнездо разъема, когда оно не используется) для установки внешнего разъема с целью забора крови. Крышка гарантирует сохранение крови и других жидкостей внутри тела пациента. Состояние пациента непрерывно контролируется носимым устройством, которое передает данные о состоянии пациента на интеллектуальный медицинский процессор для оповещения врача, больницы или вызова скорой помощи в случае необходимости. Другие варианты осуществления носимого устройства включают в себя встраивание одного или нескольких датчиков в одежду или нижнее белье для беспроводного обмена данными с носимым мобильным устройством.

В широком смысле реализуемый компьютером способ обработки электронных медицинских карт включает в себя хранение нескольких объективных медицинских данных нескольких пациентов, при этом объективные медицинские данные каждого пациента структурированы в виде нескольких элементов для использования при хранении объективной медицинской информации; также каждый набор объективных медицинских данных пациента содержит, по меньшей мере, параметры пациента, заболевания пациентов, лечение, которое проходил пациент, а также результаты лечения; разгруппировка объективных медицинских данных нескольких пациентов для классификации нескольких наборов объективных медицинских данных по подгруппам, при этом этап классификации включает в себя по меньшей мере один уровень классификации на основании параметров каждого пациента, заболевания и лечения, которое проходил пациент, а также результате лечения, итеративное повторение данной процедуры (по одному разу для каждой подгруппы на каждом уровне) выполняется до тех пор, пока набор подгрупп не станет меньше предыдущих сформированных подгрупп, при этом пациенты в меньших подгруппах имеют сходные клинические параметры и сходные результаты лечения; получение шаблона заболевания нового пациента с объективными медицинскими данными нового пациента на основании заболевания пациента, при этом шаблон нового пациента включает в себя, по меньшей мере, клинические параметры нового пациента и по меньшей мере одно заболевание нового пациента; а также сопоставление параметров и заболевания нового пациента с соответствующими параметрами и заболеванием из разгруппированных подгрупп для выбора наиболее похожих подгрупп и определения вероятного результата использования возможного варианта лечения для нового пациента на основании результатов лечения для пациентов в соответствующих подгруппах.

Структуры и способы по изобретению подробно описаны ниже. Вышеприведенное краткое изложение не подразумевается как определяющее или ограничивающее каким-либо образом объем изобретения, который формулой изобретения. Эти и другие варианты осуществления, особенности, аспекты и преимущества изобретения можно лучше понять с помощью приведенного ниже описания, формулы изобретения и сопроводительных чертежей.

Краткое описание чертежей

Изобретение будет описано на конкретных вариантах его осуществления с учетом следующих чертежей.

На Фиг. 1 изображена глобальная система анализа медицинских данных для сбора, анализа, корреляции и генерации большого объема медицинских карт и вариантов лечений пациентов в соответствии с настоящим изобретением.

На Фиг. 2 представлена блок-схема программы, иллюстрирующая интеллектуальный медицинский процессор в основном медицинском сервере, который обеспечивает вычислительную мощность для обработки, анализа, классификации, сопоставления и запоминания больших массивов объективных медицинских данных из различных медицинских источников, расположенных в нескольких географических регионах, в соответствии с настоящим изобретением.

На Фиг. 3А-В изображены блок-схемы, иллюстрирующие процесс работы интеллектуального медицинского процессора для анализа, классификации, сопоставления и разгруппировки объективных медицинских данных в соответствии с настоящим изобретением.

На Фиг. 4А представлено наглядная схема нескольких уровней процесса разгруппировки по подгруппам по изобретению с учетом Фиг. 3А-В; на Фиг. 4В представлен пример меню для выполнения процесса разгруппировки по изобретению, путем сравнения шаблона пациента с подгруппами объективных медицинских данных других пациентов при помощи нескольких уровней фильтрации с различными наборами параметров; на Фиг. 4С изображена блок-схема, иллюстрирующая внесение изменений в один или несколько значимых параметров подгрупп и результаты лечения при использовании различных протоколов лечения; на Фиг. 4D представлен график, иллюстрирующий динамику и изменения различных значимых параметров для двух подгрупп по одному протоколу лечения; на Фиг. 4Е изображена блок-схема, иллюстрирующая три варианта изменения параметров для одного или разных пациентов в соответствии с настоящим изобретением.

На Фиг. 5 представлена схема системы, иллюстрирующая портативные медицинские устройства для мониторинга объективных медицинских данных пациента, в соответствии с настоящим изобретением.

На Фиг. 6 представлена примерная блок-схема непрерывного мониторинга 24/7 объективных медицинских данных пациента, в соответствии с настоящим изобретением.

На Фиг. 7А представлена примерная схема носимого устройства мониторинга и обработки текущих медицинских данных пациента, т.е. объективных медицинских данных, на основном медицинском сервере в соответствии с настоящим изобретением; на Фиг. 7В представлена примерная схема пары соединительных устройств доступа к сердечно-сосудистой системе в соответствии с настоящим изобретением; на Фиг. 7С показана примерная схема имплантируемого приемного и лечебного устройства в соответствии с настоящим изобретением.

На Фиг. 8 представлена примерная схема имплантируемого устройства мониторинга и обработки текущих медицинских данных пациента, т.е. объективных медицинских данных, на основном медицинском сервере в соответствии с настоящим изобретением.

На Фиг. 9 представлена примерная схема капсульного диагностического устройства с унифицированными функциями медицинского обследования и диагностики заболеваний в соответствии с настоящим изобретением.

На Фиг. 10 представлена блок-схема, иллюстрирующая автоматический процесс, в ходе которого интеллектуальный медицинский процессор получает, сохраняет, анализирует и классифицирует объективные медицинские данные с использованием интерактивного машинного обучения с целью оптимизации в соответствии с настоящим изобретением.

На Фиг. 11 представлена блок-схема, иллюстрирующая процесс, инициируемый медицинским персоналом для оперативного сравнения новых симптомов у пациента с базой данных, содержащей большой объем существующих объективных медицинских данных, в соответствии с настоящим изобретением.

На Фиг. 12 представлена блок-схема, иллюстрирующая процесс, инициируемый пользователем, для выбора объективных врачебных данных на основании запроса в соответствии с настоящим изобретением.

На Фиг. 13 представлена блок-схема, иллюстрирующая примерные предварительно определенные категории поиска применительно к Фиг. 12 в соответствии с настоящим изобретением.

На Фиг. 14 представлена блок-схема, иллюстрирующая процесс, выполняемый пользователем для получения его или ее собственной электронной медицинской карты из любой точки мира в соответствии с настоящим изобретением.

На Фиг. 15 представлена блок-схема, иллюстрирующая процесс непрерывного мониторинга за пациентами в сравнении с объективными медицинскими данными с учетом Фиг. 13, в соответствии с настоящим изобретением.

На Фиг. 16 представлена блок-схема, иллюстрирующая процесс хранения, сбора и анализа трехмерного профиля пациента во времени, позволяющего врачу назначить курс лечения на основании нескольких различных точек данных с учетом изменений на снимках в соответствии с настоящим изобретением.

На Фиг. 17 представлена блок-схема, иллюстрирующая процесс хранения, сбора и анализа ключевых параметров шаблона пациента во времени, позволяющих врачу назначить курс лечения на основании нескольких различных точек данных с учетом изменений значимых параметров в соответствии с настоящим изобретением.

На Фиг. 18 представлена блок-схема, иллюстрирующая процесс получения медицинских данных с электронным нижним бельем или одежды с текстильными электродами для наблюдения за пациентами на основании объективных медицинских данных в соответствии с настоящим изобретением.

На Фиг. 19A-Q проиллюстрирован примерный перечень полей и дополнительных полей для врача-терапевта общей практики с целью проверки протокола первичного осмотра пациента в соответствии с настоящим изобретением.

На Фиг. 20 показана примерная блок-схема, иллюстрирующая процесс стандартизации историй болезни в соответствии с настоящим изобретением.

На Фиг. 21А представлена блок-схема, иллюстрирующая примерный перечень клинических параметров и кодов для стандартизации историй болезни в соответствии с настоящим изобретением; на Фиг. 21В представлена блок-схема, иллюстрирующая процесс стандартизации для получения визуального представления, полученного с помощью медицинской аппаратуры формирования изображения, в соответствии с настоящим изобретением; на Фиг. 21С представлена блок-схема, иллюстрирующая примерный перечень клинических параметров и кодов для стандартизации клинических визуальных представлений в соответствии с настоящим изобретением.

На Фиг. 22 показана примерная структура стандартизированной формы клинических параметров в соответствии с настоящим изобретением.

На Фиг. 23 показана примерная стандартизированная пустая форма клинических параметров в соответствии с настоящим изобретением.

На Фиг. 24А представлена примерная инструкция к первому этапу создания примерной формы клинического параметра для рака легких в соответствии с настоящим изобретением; на Фиг. 24В представлена примерная инструкция ко второму этапу создания примерной формы клинического параметра для рака легких в соответствии с настоящим изобретением; на Фиг. 24С представлена примерная инструкция к третьему этапу создания примерной формы клинического параметра для рака легких в соответствии с настоящим изобретением; на Фиг. 24D представлена примерная инструкция к четвертому этапу создания примерной формы клинического параметра для рака легких в соответствии с настоящим изобретением; на Фиг. 24Е представлена примерная инструкция к пятому этапу создания примерной формы клинического параметра для рака легких в соответствии с настоящим изобретением; на Фиг. 24F представлена примерная инструкция к шестому этапу создания примерной формы клинического параметра для рака легких в соответствии с настоящим изобретением; на Фиг. 24G представлена примерная инструкция к седьмому этапу создания примерной формы клинического параметра для рака легких в соответствии с настоящим изобретением; на Фиг. 24Н представлена примерная инструкция к восьмому этапу создания примерной формы клинического параметра для рака легких в соответствии с настоящим изобретением; на Фиг. 24I представлена примерная инструкция к девятому этапу создания примерной формы клинического параметра для рака легких в соответствии с настоящим изобретением.

На Фиг. 25А-М представлены блок-схемы, иллюстрирующие примерную форму клинического параметра для рака легких в соответствии с настоящим изобретением.

На Фиг. 26A-S представлены блок-схемы, иллюстрирующие примерную форму клинического параметра для инфаркта миокарда в соответствии с настоящим изобретением.

На Фиг. 27А-М представлены блок-схемы, иллюстрирующие примерную форму клинического параметра для аппендицита в соответствии с настоящим изобретением.

На Фиг. 28 представлена блок-схема, иллюстрирующая примерное вычислительное устройство для использования в глобальной системе анализа медицинских данных в соответствии с настоящим изобретением.

Осуществление изобретения

Подробное описание предпочтительных структурных вариантов осуществления и способов по изобретению представлено с учетом Фиг. 1-28. Следует понимать, что данное изобретение не ограничивается раскрытыми вариантами осуществления, изобретение можно использовать с использованием других функций, элементов, методов и вариантов осуществления, известных специалистам в данной области техники. Аналогичные элементы в различных вариантах осуществления обозначены аналогичными номерами позиций.

Приведенные ниже определения применяются к элементам и этапам, описанным в настоящем документе. Эти термины могут быть также подробно описаны.

Курс лечения - относится к предписанному режиму, терапии или другому лечению с учетом медицинского состояния пациента. Курс лечения включает в себя протоколы и планы лечения пациента.

Разгруппировка - относится к способу разделения группы пациентов (или электронных медицинских карт, соответствующих пациентам) по подгруппам на основании поиска пациентов с одинаковыми значениями одного или нескольких параметров (например, с одинаковыми возрастом, полом, весом, уровнем холестерина, уровнем глюкозы в крови, уровнем лейкоцитов в крови и т.д.) и имеющими одинаковую или сходную реакцию по меньшей мере на один план лечения (например, на статиновую терапию или на программу химиотерапии, направленную на уменьшение диаметра опухоли, и т.д.).

Диагноз - относится к медицинской классификации медицинских состояний, инфекционных заболеваний, психических заболеваний или другого состояния или заболевания, включая хронические заболевания. В качестве примера диагноза можно указать диабет, рак, сердечно-сосудистые заболевания, атеросклероз, инсульт и т.д.

Значимые параметры (также именуемые «прямыми параметрами») - относятся к параметрам каждого заболевания в соответствии с классификацией Всемирной организации здравоохранения (WHO), известным в медицинской области как предсказывающие, влияющие или возникающие в результате лечения, прогноза и развития медицинского состояния или заболевания пациента.

Косвенные параметры (также именуемые «незначимыми параметрами») - относятся к параметрам каждого заболевания в соответствии с классификацией Всемирной организации здравоохранения, которые не являются прямыми параметрами и относятся к заболеванию, прогнозу и лечению медицинского состояния или заболевания пациента.

Объективные медицинские данные - относятся к объективной информации об истории заболевания и медицинского состояния пациента. Объективные медицинские данные включают в себя, не ограничиваясь этим, симптом пациента, заболевание (если применимо), профиль пациента, историю болезни, результаты обследования с использованием медицинского оборудования, результаты лабораторных исследований, образ жизни, но не содержат информацию, раскрывающую личность пациента, например, имя пациента согласно документам, номер социального страхования, отпечатки пальцев и т.д. Объективные медицинские данные могут являться частью материалов по новому стандарту, например, надлежащей практики по сбору и регистрации данных (GDCRP).

Шаблон заболевания пациента - относится к набору параметров, относящихся к заболеванию, прогнозу и лечению медицинского состояния (состояний) пациента или заболевания в соответствии с Международной классификацией болезней (ICD), www.who.int/classifications/icd/en, Всемирной организации здравоохранения.

Рекомендуемый лечебный протокол (протоколы) - относится к результатам программных процессов, основанным на одном или нескольких наборах критериев для анализа и выбора из различных отобранных лечебных протоколов.

Параметры второго уровня - относятся ко второму набору параметров, используемых при разгруппировке. Данные параметры могут включать в себя параметры, характеризующие потенциальные или реальные осложнения, связанные с заболеванием, параметры, относящиеся к сопутствующим или хроническим заболеваниям, параметры, относящиеся к другим медицинским состояниям или заболеваниям пациента, а также параметры, относящиеся к клеточным и генетическим маркерам медицинского состояния или заболевания (например, маркерам опухоли, генетическим маркерам, отдельным молекулам, выраженным с помощью клеточных линий и т.д.).

Стандартизированная клиническая форма - относится к форме, используемой для сбора объективных медицинских данных об отдельном пациенте.

Стандартный протокол лечения - относится к курсу медицинского лечения (например, терапии, медикаментам или других способам лечения), принятому в медицинской области для лечения пациента от определенного заболевания.

План лечения - относится к набору одного или нескольких протоколов лечения в течение определенного периода времени.

Настоящее изобретение относится к способам составления и хранения медицинской документации, а также использования электронной медицинской документации для определения курса лечения пациента на основании сохраненных данных других пациентов, а также данных диагностики, лечения и/или мониторинга медицинских состояний и заболевания пациента. В соответствии с настоящим изобретением медицинские работники по всему миру могут получить быстрый и удобный доступ к электронным медицинским картам. Электронные медицинские карты позволяют медицинским работникам разрабатывать планы лечения для пациентов, уменьшать вероятность постановки неправильного диагноза, повышать качество обслуживания, улучшать результаты лечения пациентов и контролировать расходы на здравоохранение.

Настоящее изобретение включает в себя способы получения, формирования массивов, использования и хранения медицинских карт пациентов с целью предоставить удобный доступ к ним медицинским работникам и пациентам во всем мире. Сортировка и поиск электронных медицинских карт выполняются мгновенно в электронном виде. Подготовленные медицинские карты позволяют медицинским работникам осуществлять диагностику, лечение и/или мониторинг или отслеживание заболеваний или медицинских состояний различных пациентов. Кроме того, пациенты могут получать доступ к информации о себе и отслеживать свое состояние.

Настоящее изобретение относится к способу диагностики и определения соответствующего курса лечения для пациента. Способ включает в себя получение и ввод информации об имеющихся симптомах в компьютерную систему. В одном варианте заболевание и курс лечения основаны на данных об имеющихся симптомах и состояниях пациента, введенных в компьютерную систему, на истории болезни пациента, уже существующей в компьютерной системе, а также на сохраненных данных для других пациентов с аналогичной историей болезни, симптомами и заболеваниями. Компьютерная система выдает заболевание и рекомендуемый курс лечения на основании введенной информации и итеративного процесса сравнения с сохраненными объективными медицинскими данными, полученными для других пациентов. Компьютерная система может генерировать выходную информацию, требующую дальнейшего анализа, запрашивать дополнительную информацию и/или медицинские исследования, а также требующую ввода информации за счет консультации с другими медицинскими работниками или специалистами.

Для лечения больных часто разрабатываются новые медицинские процедуры, которые позволяют, как минимум, улучшить качество жизни пациента в ходе лечения, если не вылечить пациента полностью. Тем не менее, новые медицинские процедуры не являются приемлемыми в случае отсутствия данных, подтверждающих их эффективность. Такие данные могут быть собраны и сохранены в компьютерной системе, и доступны для всех медицинских работников. Эти данные будут считаться подтверждающими эффективность новой медицинской процедуры для рассмотрения другими медицинскими работниками с целью использования при лечении других пациентов.

Настоящее изобретение относится к способу мониторинга и/или отслеживания симптомов, заболеваний и их развития во время курса лечения, предписанного медицинским работником. Когда пациент начинает выполнять план лечения, необходимо наблюдать за ним, чтобы оценить реакцию на этот план лечения. Иногда наблюдение за пациентом необходимо, чтобы определить, имеет ли пациент аллергическую реакцию на терапевтическое средство. С другой стороны, когда невозможно определить заболевание или назначить курс лечения без дополнительной медицинской информации от "пациента, необходимо контролировать и/или отслеживать симптомы или состояние пациента с тем, чтобы определить заболевание и/или назначить курс лечения. Ввод и доступ к информации о пациенте может быстро и легко осуществляться самим пациентом. В качестве примера пациент с сердечно-сосудистым заболеванием может ежедневно измерять свое артериальное давление и вводить его в компьютерную систему, а лечащий врач может легко получать доступ к информации об артериальном давлении пациента. Кроме того, после определения курса лечения врач может легко получать доступ к информации об артериальном давлении пациента в течение всего курса лечения.

Часто во время курса лечения пациент может обращаться к разным врачам. Например, пациент может находиться под наблюдением первого лечащего врача, специалиста, специалиста в специализированной больнице, а также врача, осуществляющего последующее наблюдение амбулаторно или в реабилитационном центре. В одном варианте осуществления настоящее изобретение относится к способу предоставления непосредственного и быстрого доступа ко всей истории болезни пациента для любого медицинского работника или пациента.

Во время курса лечения информация о состоянии пациента, собираемая при каждом посещении лечащего врача, вводится в компьютерную систему и сохраняется. В другом варианте осуществления изобретение относится к способу мониторинга прогресса и качества жизни пациента любым медицинским работником во время курса лечения. Описанный способ обеспечивает максимально эффективный сбор данных и снижает потерю данных во время курса лечения, что позволяет обеспечить более эффективный последующий уход, а также улучшить качество жизни и результаты лечения пациента.

Настоящее изобретение относится к способам оценки риска субъекта/пациента при развитии заболевания или состояния в будущем или при рецидиве заболевания или состояния во время или после лечения (со временем). Такая информация, как семейный анамнез и история болезни субъекта, может быть введена в компьютерную систему для оценки риска развития заболевания или состояния в будущем. На основании оценки медицинский работник может порекомендовать конкретное терапевтическое средство, изменения в питании, снижение веса и упражнения для профилактики развития заболевания или состояния. Например, пациент, не обнаруживающий симптомов заболевания, имеет в семейном анамнезе болезнь сердца, и характеризуется следующим образом: высокое артериальное давление, высокий уровень общего холестерина (более 370 мг/дл (миллиграмм на децилитр)), высокий уровень липопротеина низкой плотности (более 100 мг/дл), высокий уровень триглицеридов (более 100 мг/дл), а также избыточный вес. Эти факторы вводятся в компьютерную систему в качестве параметров для итеративного сравнения с сохраненными данными сходных пациентов. Компьютерная система может оценить риск возникновения в будущем болезни сердца у пациента, не обнаруживающего симптомов заболевания. Компьютерная система может сравнить информацию о пациенте, не обнаруживающем симптомов заболевания, с медицинской информацией о других пациентах со сходными факторами и обеспечить в процессе разгруппировки оценку риска субъекта в отношении развития болезни сердца. На основании оценки риска медицинский работник может порекомендовать принимать Липитор или другой препарат для снижения уровня холестерина, а также изменить образ жизни, включая физические упражнения и снижение количества потребляемого холестерина в рационе продуктов.

В настоящем изобретении также рассмотрены способы оценки прогноза пациента, когда медицинские данные пациента введены в компьютерную систему при прохождении лечения. Медицинские данные сравнивают с информацией других пациентов и формируют прогноз развития заболевания или состояния пациента путем разгруппировки. Аналогичным образом в настоящем изобретении раскрыты способы оценки вероятности рецидива заболевания или состояния у пациента во время или после лечения. За состоянием пациента наблюдают, и медицинскую информацию о пациенте регулярно вводят в компьютерную систему, сравнивают с медицинской информацией других пациентов и выполняют оценку вероятности рецидива заболевания или состояния путем разгруппировки. Например, за состоянием онкологического больного на стадии ремиссии можно наблюдать с помощью способов, представленных в настоящем документе, и оценить вероятность рецидива рака через некоторое время.

Способы, описанные в настоящем документе, могут быть динамическими, поскольку медицинские данные пациента могут регулярно собираться и вводиться в компьютерную систему для сравнения с медицинской информацией других пациентов. За счет регулярной разгруппировки лечение пациента может быть скорректировано для получения оптимального курса лечения.

Способы, описанные в настоящем документе, могут использоваться для диагностики, лечения, определения курса лечения и/или контроля заболевания или медицинского состояния. Примерами подобных заболеваний или медицинских состояний являются, в частности, аллергия, аутоиммунные заболевания, бактериальные заболевания, вирусные заболевания, эндокринные заболевания, рак, сердечно-сосудистые заболевания, беременность, психологические и психические расстройства, а также неврологические заболевания. Примерами специфических заболеваний являются, в частности, холера, дифтерия, болезнь Лайма, столбняк, туберкулез, брюшной тиф, гепатит, корь, эпидемический паротит, лихорадка Эбола, лихорадка денге, желтая лихорадка, болезнь Аддисона, гипертиреоз, красная волчанка, септический шок, гемодинамический шок, малярия, воспалительные заболевания кишечника, такие как болезнь Крона и язвенный колит, воспалительные заболевания костей, микобактериальные инфекции, менингит, фиброзные заболевания, ишемические заболевания, отторжения трансплантата, атеросклероз, ожирение, заболевания, связанные с ангиогенезом, аутоиммунные заболевания, остеоартрит, ревматоидный артрит, анкилозирующий спондилит, ювенильный хронический артрит, рассеянный склероз, ВИЧ, инсулинонезависимый сахарный диабет, аллергические заболевания, астма, хроническая обструктивная болезнь легких (ХОБЛ), инсульт, раздражение, воспалительные заболевания кожи, псориаз, атопический дерматит, псориатический артрит, биполярное расстройство, шизофрения, простуда и грипп.

Примеры онкологических заболеваний включают в себя, не ограничиваясь этим, рак легких, рак молочной железы, лейкоз, рак предстательной железы, рак яичника, рак поджелудочной железы, рак печени, рак кожи, и рак толстой кишки.

Примеры неврологических заболеваний включают в себя, не ограничиваясь этим, болезнь Альцгеймера, болезнь Паркинсона, расстройства Паркинсона, боковой амиотрофический склероз, аутоиммунные заболевания нервной системы, вегетативные заболевания нервной системы, боль в спине, отек мозга, нарушения мозгового кровообращения, деменция, демиелинизирующие аутоиммунные заболевания нервных волокон нервной системы, диабетическая невропатия, энцефалит, энцефаломиелит, эпилепсия, синдром хронической усталости, гигантоклеточный артериит, синдром Гийена-Барре, головные боли, рассеянный склероз, невралгия, заболевания периферической нервной системы, полинейропатия, полирадикулоневропатия, радикулопатия, дыхательный паралич, заболевания спинного мозга, синдром Туретта, васкулит центральной нервной системы и болезнь Хантингтона.

На Фиг. 1 изображена глобальная система 10 анализа медицинских данных для приема, анализа, корреляции и генерации большого объема медицинских карт и вариантов лечения. Глобальная система 10 анализа медицинских данных состоит из основного медицинского сервера 12, включающего в себя интеллектуальный медицинский процессор 14, связанный с центральной базой данных 16 и далее через сеть 18 с первой больницей 20, второй больницей 22, клиникой 24 и источником данных 26. Каждая больница, клиника или источник медицинских данных связана с двумя базами данных: первая база данных содержит конфиденциальную личную информацию, а вторая база данных хранит объективные медицинские данные для использования больницей, клиникой или источником медицинских данных. В данном варианте медицинское вычислительное устройство 28 в первой больнице 20 связано с базой данных 30 первой больницы и базой данных 32 с конфиденциальной информацией. Медицинское вычислительное устройство 34 во второй больнице 22 связано в двух направлениях с базой данных 36 второй больницы и базой данных 38 с конфиденциальной информацией. Дополнительные больницы в разных странах, городах, штатах, областях, регионах и континентах также являются частью глобальной системы 10 анализа медицинских данных и представлены на рисунке совокупностью точек. Медицинское вычислительное устройство 40 в клинике 24 связано в двух направлениях с базой данных 42 клиники и базой данных 44 с конфиденциальной информацией. Медицинское вычислительное устройство 58 источника 26 связано в двух направлениях с базой данных 46 источника и базой данных 48 с конфиденциальной информацией. Каждая из баз данных 32, 38, 44, 48 содержит личные данные (например, имя по документам, номер социального страхования, отпечатки пальцев и т.д.), связанные с пациентами. Используемое в данном случае вычислительное устройство включает в себя, не ограничиваясь этим, настольный компьютер, ноутбук и мобильное устройство, например, портативное устройство (например, смартфон, например, iPhone, мобильный телефон, мобильное устройство, например, iPod, планшетный компьютер, например, iPad, или ноутбук, например Chromebook) с процессором, памятью, экраном и возможностью подключения к беспроводной локальной сети (WLAN) и глобальной сети (WAN). На мобильном телефоне установлено программное обеспечение, полностью или частично работающее под управлением операционной системы (ОС), которое обеспечивает платформу для запуска основных и дополнительных программных приложений.

Интеллектуальный медицинский процессор 14 получает объемные наборы электронных медицинских карт (каждая медицинская карта включает в себя код пациента и объективные медицинские данные) 50, 52, 54, 56 в глобальном масштабе из разных стран, регионов и континентов. Наборы электронных медицинских карт 50, 52, 54, 56 поступают из больниц 20, 22, одной или нескольких клиник 24 и других источников 26 медицинских данных по всему миру, и вводятся в интеллектуальный медицинский процессор 14 для крупномасштабного анализа и корреляции медицинских карт пациентов. Интеллектуальный медицинский процессор 14 получает одну или несколько электронных медицинских карт, например, полученных из наборов электронных медицинских карт 50, 52, 54 и/или 56. В одном варианте каждый из наборов электронных медицинских карт 50, 52, 54 и 56 содержит код (также именуемый «кодом пациента») и объективные медицинские данные. В одном варианте объективные медицинские данные относятся ко всей медицинской информации пациента после верификации и проверки качества, такой как симптомы пациента, заболевание (если применимо), профиль пациента, история болезни, результаты обследования с использованием медицинского оборудования, результаты лабораторных исследований, образ жизни, но не содержат информацию, раскрывающую личность пациента, например, имя пациента согласно документам, номер социального страхования, отпечатки пальцев и т.д. Интеллектуальный медицинский процессор 14 проводит анализ полученных электронных медицинских карт путем сравнения электронных медицинских карт с данными, ранее сохраненными в центральной базе данных 16, на основании набора параметров. Результат анализа может быть сохранен в центральной базе данных 16 или отправлен врачу, медицинской сестре или медицинскому персоналу в первой больнице 20, второй больнице 22, клинике 24 или в источник 26.

На Фиг. 2 представлена блок-схема, иллюстрирующая интеллектуальный медицинский процессор 14 на основном медицинском сервере 12, который обеспечивает вычислительную мощность для обработки, анализа, классификации, сопоставления и запоминания больших массивов объективных медицинских данных из большого количества медицинских источников по всему миру. Интеллектуальный медицинский процессор 14 включает в себя модуль хранения данных 60, модуль разгруппировки 62, портативное устройство медицинского мониторинга 70, модуль обучения 72, модуль ввода данных 74, научный модуль 76, модуль преобразователя 78, модуль «электронный врач» 80 и модуль отображения 82. Модуль разгруппировки 62 разгруппировывает электронные медицинские карты и включает в себя компонент классификации 64, компонент сравнения 66, компонент сопоставления 68 (также именуемый «компонентом фильтрации»). Модуль хранения данных 60 хранит объективные медицинские данные, полученные из первой больницы 20, второй больницы 22, клиники 24 и источника 26, в центральной базе данных 16. Компонент классификации 64 осуществляет анализ различных сегментов медицинских карт, таких как географическое местонахождение пациента, история болезни пациента, а также симптомы заболевания пациента, значимые параметры для заболевания пациента, параметры для сопутствующих или хронических заболеваний пациента, незначимые параметры для заболевания пациента, параметры образа жизни для заболевания пациента, а также другие параметры для заболевания пациента. Компонент сравнения 66 осуществляет сравнение каждого пациента по полученным объективным медицинским данным для сопоставления полученных объективных медицинских данных пациента с существующими объективными медицинскими данными, сохраненными в центральной базе данных 16. Компонент фильтрации 68 (также именуемый «компонентом сопоставления») создает различные уровни фильтрации или сопоставления параметров принятых электронных медицинских карт разных пациентов (или «объективных медицинских данных пациентов») и массив объективных медицинских данных, хранящихся в центральной базе данных 16. Модуль обучения 72 выполняет роль механизма обучения для процесса разгруппировки, а также изменяет параметры в соответствии с процессом (алгоритмом) разгруппировки для получения оптимального плана лечения для определенной электронной медицинской карты пациента и соответствующего заболевания. Модуль ввода данных 74 получает наборы электронных медицинских карт 50, 52, 54, 56 и другую исходную информацию, например, протоколы шаблонов для стандартного медицинского лечения, разработанные и используемые профессиональными медиками для лечения определенного заболевания. В одном варианте осуществления каждая электронная медицинская карта содержит шаблон заболевания пациента, который представляет собой набор параметров, относящихся к заболеванию, прогнозу и лечению медицинского состояния и заболевания пациента. В соответствии с другим вариантом каждая электронная медицинская карта содержит шаблон пациента, который относится к компьютерной записи с информацией о пациенте, разбитой на секции (также именуемые «полями»), включая по меньшей мере некоторые из следующих пунктов: 1) атрибуты пациента (например, возраст, пол, вес), 2) присутствующие симптомы (например, «сыпь», «лихорадка», «боль в животе»), 3) лабораторные исследования (например, «уровень липопротеинов высокой плотности», «уровень липопротеинов низкой плотности», «уровень глюкозы в крови», «бактериальные культуры»), 4) заболевание/диагноз (например, «грипп», «диабет второго типа», «опухоль легкого»), протоколы лечения (например, «терапия рентгеновским излучением+доза+время», «циклоспорин+доза+время»), 5) результат лечения (например, «контролируемый рост опухоли», «ремиссия», «смерть»), а также 6) дополнительная клиническая информация. Сочетание (1), (2) и (3) обычно называют параметрами пациента. Шаблон для конкретного пациента может иметь несколько или все заполненные поля. Одной из функций модуля ввода данных 74 является прием медицинской информации о каждом заболевании, т.е. работа в качестве библиотеки с медицинскими профилями для всех заболеваний. Научный модуль 76 создан для генерирования нового, улучшенного или объединенного протокола лечения (или плана лечения). Модуль преобразователя 78 (также именуемый «универсальным преобразователем») преобразовывает различные типы форматов медицинских карт для обеспечения стандартизации объективных медицинских данных. Модуль «электронный врач» 80 предназначен для работы в качестве искусственного интеллекта/компьютерного врача, который генерирует прогноз для пациента на основании текущих исходных медицинских данных, сравнивая их с существующими данными из центральной базы данных 16. Модуль отображения 82 отображает информацию на дисплее компьютера. Модуль хранения данных 60, модуль разгруппировки 62 (включающий в себя компонент классификации 64, компонент сравнения 66, компонент фильтрации 68), портативное устройство медицинского мониторинга 70, модуль обучения 72, модуль ввода данных 74, научный модуль 76, конвертирующий модуль 78 (преобразователь), модуль «электронный врач» 80 и модуль отображения 82 обмениваются данными в двух направлениях и соединены друг с другом посредством шины 84.

На Фиг. 3А-В представлены блок-схемы, иллюстрирующие процесс разгруппировки 86, выполняемый интеллектуальным медицинским процессором 14 для быстрого сравнения электронной медицинской карты пациента, например, симптома или заболевания пациента, с другими объективными медицинскими данными, хранящимися в центральной базе данных 16. В одном варианте большой объем объективных медицинских данных обрабатывается путем разгруппировки для классификации по нескольким подгруппам. На этапе 90 интеллектуальный медицинский процессор считывает и извлекает большой объем объективных медицинских данных других пациентов (или стандартизированной шаблонной информации других пациентов), хранящихся в центральной базе данных 16. На этапе 92 в большом объеме объективных медицинских данных других пациентов интеллектуальный медицинский процессор 14 сравнивает некоторые ключевые параметры, например, заболевание пациента и дополнительно план лечения (или протокол лечения), с объективными медицинскими данными в центральной базе данных 16. Центральная база данных 16 хранит в стандартизированном формате большой объем объективных медицинских данных пациентов со всего мира. На этапе 92 интеллектуальный медицинский процессор 14 сравнивает ключевые параметры, например, основное заболевание и дополнительно протокол лечения (если применимо), из шаблона пациента с параметрами объективных медицинских данных из центральной базы данных, а также выполняет их классификацию по подгруппам. После определения совокупности объективных медицинских данных из центральной базы данных 16 шаблон пациента сопоставляется с выбранной совокупностью объективных медицинских данных для разгруппировки в подгруппы на нескольких уровнях, обычно от более обобщенных характеристик к более детальным, например, начиная со сравнения значимых параметров, параметров сопутствующих заболеваний, параметров хронических заболеваний, параметров осложнений, косвенных параметров, параметров общего состояния пациента, параметров образа жизни пациента и т.д. На первом уровне сравнения на этапе 94 интеллектуальный медицинский процессор 14 сравнивает первый набор значимых параметров (также именуемых «первичными параметрами») из шаблона пациента и из подгрупп, чтобы разгруппировать их на одну или несколько подгрупп первого уровня. Значимые параметры, например, могут относиться к одному или нескольким основным заболеваниям, например, различным стадиям определенного заболевания, из объективных медицинских данных в подгруппах, сформированных на этапе 92. Разгруппировка представляет собой процесс, используемый для фильтрации одной или нескольких первых подгрупп и отсева в еще одну или несколько вторых подгрупп на основании набора параметров. На втором уровне разгруппировки на этапе 96 интеллектуальный медицинский процессор 14 сравнивает второй набор параметров (также именуемых «вторичными параметрами»), например, параметры второго заболевания (включая параметры сопутствующих заболеваний, хронических заболеваний и осложнений) между шаблоном пациента и подгруппой (подгруппами), чтобы разгруппировать их на одну или несколько подгрупп второго уровня, при этом одна или несколько подгрупп второго уровня обеспечивает сокращение числа людей в одной или нескольких подгруппах первого уровня. На третьем уровне разгруппировки на этапе 98 интеллектуальный медицинский процессор 14 сравнивает третий набор ключевых параметров (также именуемых «третичными параметрами»), например, косвенные параметры, между шаблоном пациента и одной или несколькими подгруппами второго уровня, чтобы разгруппировать их на одну или несколько подгрупп третьего уровня, при этом одна или несколько подгрупп третьего уровня обеспечивает сокращение числа людей в одной или нескольких подгруппах второго уровня. К параметрам третьего уровня можно отнести общие состояния пациента, например, избыточный вес, нарушение сна, депрессию, стресс в семье, рабочую нагрузку и т.д. На четвертом уровне разгруппировки на этапе 100 интеллектуальный медицинский процессор 14 сравнивает четвертый набор ключевых параметров (также именуемых «четвертичными параметрами), например, параметры образа жизни, между шаблоном пациента и одной или несколькими подгруппами третьего уровня, чтобы разгруппировать их на одну или несколько подгрупп четвертого уровня, при этом одна или несколько подгрупп четвертого уровня обеспечивает сокращение числа людей в одной или нескольких подгруппах третьего уровня. Параметры четвертого уровня связаны с образом жизни (например, курение, употребление алкоголя и т.д.), а также с условиями жизни. Такие различные уровни сравнений на этапах 94, 96, 98, 100 используются в качестве фильтра для уточнения характеристик сопоставления текущего шаблона пациента с существующими объективными медицинскими данными в подгруппах по мере необходимости. Согласно изобретению, также могут предполагаться дополнительные уровни, используемые после параметров четвертого уровня. На этапе 102 интеллектуальный медицинский процессор 14 осуществляет выявление, фильтрацию и определение небольшого количества объективных медицинских данных или небольшой группы сходных элементов из центральной базы данных 16, характеристики которых максимально близки к параметрам из шаблона пациента. Другими словами, большой объем объективных медицинских данных в центральной базе данных 16 может быть разгруппирован на первый массив групп, при этом первый массив групп может быть далее разгруппирован на второй массив подгрупп из первого массива групп, второй массив подгрупп может быть далее разгруппирован на третий массив подгрупп из второго массива подгрупп и так далее на этапах 96, 98 и 100 до выявления небольшой подгруппы (или группы), имеющей характеристики, максимально сходные с шаблоном пациента.

На этапе 88 интеллектуальный медицинский процессор 14 принимает и извлекает определенные объективные данные пациента (или стандартизированную шаблонную информацию пациента), полученную от отправителя, например, из первой больницы 20, второй больницы 22, клиники 24 или источника 26. На этапе 103 интеллектуальный медицинский процессор 14 сопоставляет шаблон заболевания пациента, полученный на этапе 88, и небольшую группу со сходными объективными медицинскими данными с этапа 102, и предоставляет несколько различных протоколов для возможного лечения пациентов. Из небольшой группы сходных медицинских объективных данных интеллектуальный медицинский процессор 14 извлекает один или несколько протоколов и результатов лечения, как показано на этапе 104 в виде первого протокола и результатов, на этапе 106 в виде второго протокола и результатов и на этапе 108 в виде N-ого протокола и результатов. На этапе 110 интеллектуальный медицинский процессор 14 вычисляет и определяет в каждой группе наиболее эффективный протокол из различных протоколов и результатов лечения, выбранных на этапах 104, 106 и 108.

В соответствии с альтернативным вариантом осуществления процесс разгруппировки может выполняться параллельно с шаблоном заболевания пациента. Интеллектуальный медицинский процессор 14 принимает и извлекает объективные медицинские данные определенного пациента (или стандартизированную шаблонную информацию пациента), полученные от отправителя, например, из первой больницы 20, второй больницы 22, клиники 24 или источника 26. Интеллектуальный медицинский процессор 14 считывает и извлекает большой объем объективных медицинских данных других пациентов, хранящихся в центральной базе данных 16. Интеллектуальный медицинский процессор 14 сравнивает некоторые начальные ключевые параметры, например, заболевание пациента, из шаблона пациента с параметрами объективных медицинских данных других пациентов для выбора совокупности объективных медицинских данных в центральной базе данных 16, которые могут относиться к принятым объективным медицинским данным пациента. В центральной базе данных 16 в стандартизированном формате хранится большой объем объективных медицинских данных пациентов со всего мира. Интеллектуальный медицинский процессор 14 сравнивает ключевые параметры, например, основное заболевание и дополнительно протокол лечения (если применимо), из шаблона пациента с параметрами объективных медицинских данных из центральной базы данных 16, а затем выполняет их классификацию по подгруппам. После определения совокупности объективных медицинских данных из центральной базы данных 16 выполняется анализ для сопоставления шаблона пациента с избранной совокупностью объективных медицинских данных для их разгруппировки в подгруппы на нескольких уровнях, обычно от более обобщенных характеристик к более детальным, например, начиная со сравнения значимых параметров, параметров сопутствующих заболеваний, параметров хронических заболеваний, параметров осложнений, косвенных параметров, параметров общего состояния пациента, параметров образа жизни пациента и т.д. На первом уровне сравнения интеллектуальный медицинский процессор 14 сравнивает первый набор значимых параметров (также именуемых «первичными параметрами) из шаблона пациента и из подгрупп, чтобы разгруппировать их на одну или несколько подгрупп первого уровня. Значимые параметры, например, могут относиться к одному или нескольким основным заболеваниям, например, различным стадиям определенного заболевания, из объективных медицинских данных в подгруппах, сформированных ранее. Разгруппировка представляет собой процесс, используемый для фильтрации одной или нескольких первых подгрупп и отсева в еще одну или несколько вторых подгрупп на основании набора параметров. На втором уровне разгруппировки интеллектуальный медицинский процессор 14 сравнивает второй набор параметров (также именуемых «вторичными параметрами»), например, параметры второго заболевания (включая параметры сопутствующих заболеваний, хронических заболеваний и осложнений) между шаблоном пациента и подгруппой (подгруппами), чтобы разгруппировать их на одну или несколько подгрупп второго уровня, и эти подгруппы второго уровня обеспечивают сокращение числа людей в одной или нескольких подгруппах первого уровня. На третьем уровне разгруппировки интеллектуальный медицинский процессор 14 сравнивает третий набор ключевых параметров (также именуемых «третичными параметрами»), например, косвенные параметры, между шаблоном пациента и одной или несколькими подгруппами второго уровня, чтобы разгруппировать их на одну или несколько подгрупп третьего уровня, и эти подгрупп третьего уровня обеспечивают сокращение числа людей в одной или нескольких подгруппах второго уровня. К параметрам третьего уровня можно отнести общие состояния пациента, например, избыточный вес, нарушение сна, депрессию, стресс в семье, рабочую нагрузку и т.д. На четвертом уровне разгруппировки на этапе 100 интеллектуальный медицинский процессор 14 сравнивает четвертый набор ключевых параметров (также именуемых «четвертичными параметрами»), например, параметры образа жизни, между шаблоном пациента и одной или несколькими подгруппами третьего уровня, чтобы разгруппировать их на одну или несколько подгрупп четвертого уровня, и эти подгруппы четвертого уровня обеспечивают сокращение числа людей в одной или нескольких подгруппах третьего уровня. Параметры четвертого уровня связаны с образом жизни (например, курение, употребление алкоголя и т.д.), а также с условиями жизни. Такие различные уровни сравнений используются в качестве фильтра для уточнения характеристик сопоставления текущего шаблона пациента с существующими объективными медицинскими данными в подгруппах по мере необходимости. Согласно изобретению, могут предполагаться дополнительные уровни, используемые после параметров четвертого уровня. Интеллектуальный медицинский процессор 14 осуществляет выявление, фильтрацию и определение небольшого количества объективных медицинских данных или небольшой группы сходных элементов из центральной базы данных 16, характеристики которых максимально близки к параметрам из шаблона пациента. Другими словами, большой объем объективных медицинских данных в центральной базе данных 16 может быть разгруппирован на первый массив групп, который может быть далее разгруппирован на второй массив подгрупп из первого массива групп, второй массив подгрупп может быть далее разгруппирован на третий массив подгрупп из второго массива подгрупп, и так далее до идентификации небольшой подгруппы (или группы), имеющей характеристики, максимально сходные с шаблоном пациента. Небольшая группа со сходными объективными медицинскими данными содержит несколько различных протоколов для возможного лечения пациента, связанная с шаблоном пациента. Из небольшой группы сходных медицинских объективных данных интеллектуальный медицинский процессор 14 извлекает один или несколько протоколов и результатов лечения, с первым протоколом и результатами, со вторым протоколом и результатами и с N-м протоколом и результатами. Интеллектуальный медицинский процессор 14 в каждой группе из различных протоколов и результатов лечения вычисляет и определяет наиболее эффективный протокол.

По выбору, научный модуль 76 в интеллектуальном медицинском процессоре 14 исследует и генерирует новые или объединенные протоколы для усовершенствования итоговых протоколов лечения, доступных для сопоставления на этапе 112. Например, медицинская организация может выполнить клинические испытания или провести исследование заболевания для создания нового научного протокола, который может быть независимым или зависимым от доступных протоколов.

На Фиг. 4А представлено наглядное изображение, иллюстрирующее несколько уровней процесса разгруппировки относительно Фиг. 3А-В. Интеллектуальный медицинский процессор 14 выполняет процесс компьютерной разгруппировки, выполняя разгруппировку первого уровня 94, разгруппировку второго уровня 96, разгруппировку третьего уровня 98 и разгруппировку четвертого уровня 100 для формирования одного или нескольких рекомендованных планов лечения для пациента на основании большого объема объективных медицинских данных других пациентов из центральной базы данных 16. Процесс разгруппировки четвертого уровня приведен в качестве иллюстрации, тем не менее, на практике количество уровней разгруппировки может быть больше или меньше без выхода за рамки настоящего изобретения.

В одном варианте осуществления разгруппировка представляет собой процесс поиска подмножеств в совокупности, которые имеют общее значение (значения) для наблюдаемого или измеряемого параметра (параметров) (например, для возраста, веса, уровня лейкоцитов в крови, уровня холестерина и т.д.) и общий медицинский результат, например, результат лечения (например, статиновую терапию или определенную химиотерапию). Один вариант осуществления изобретения подразумевает автоматизированную разгруппировку, требующую автоматической идентификации параметров, на основании которых группа будет разделена по подгруппам, при этом каждая подгруппа примерно одинаково реагирует по меньшей мере на одно определенное медицинское лечение.

Одним из наиболее эффективных подходов для выполнения систематической разгруппировки в разных областях медицины является использование теории информации. Рассмотрим разгруппировку на основании единственного параметра. Пусть G - исходная (обычно крупная) группа пациентов. Пусть А - желаемый медицинский результат лечения или процедуры (например, уменьшение диаметра опухоли в результате химиотерапии или снижение уровня холестерина липопротеинов низкой плотности в крови в результате статиновой терапии). Пусть р - вероятность достижения целевого результата для стандартного пациента в группе G. Энтропия Шеннона задана для группы пациентов G и рассчитывается по следующей формуле, где p(t(q_i)=R) - вероятность того, что пациент q_i, прошедший лечение t, достигнет результата R, a H(G) - энтропия группы пациентов G:

Энтропия является мерой «беспорядка» или изменчивости. Чем меньше энтропия, тем выше однородность группы. Поскольку разгруппировка направлена на достижение однородности подгруппы, способ предусматривает разгруппировку группы G на основании параметра, который позволяет получить наиболее однородные подгруппы, т.е. подгруппы с максимально сниженной энтропией. Для этого используется условная энтропия, т.е. энтропия подгруппы G, когда значение определенного параметра х выше (или ниже, или равно) заданного порогового значения.

Например, упомянутая выше группа G может включать в себя всех пациентов старше 60 лет или всех диабетиков, средний уровень глюкозы в крови которых превышает принятое в медицине пороговое значение х. На следующем этапе выполняется поиск параметра, который позволяет свести общую энтропию к минимуму, т.е. сумму значений энтропии получившихся подгрупп, разделенных на основании значения выбранного параметра.

С математической точки зрения, данный процесс автоматизации разгруппировки называется приращением информации, который может быть описан следующим образом:

Другими словами, процесс разгруппировки направлен на поиск параметра х с наибольшим приращением информации, т.е. максимальным снижением энтропии при его использовании в качестве критерия разгруппировки. Поскольку существует нескольких возможных параметров пациентов, большая часть которых записана в электронных медицинских картах, процесс разгруппировки может быть автоматизирован для определения того, какой из них позволит получить максимальный приращение информации с учетом желаемого медицинского результата, т.е. для определения параметра, который позволит разгруппировать исходную группу G на наиболее однородные подгруппы также с учетом нужного медицинского результата.

В соответствии с альтернативным вариантом может быть определено несколько уровней разгруппировки на основании заранее выбранных возможных параметров на основании клинического опыта. В соответствии с данным вариантом приращение информации рассчитывается и оптимизируется на каждом уровне, сокращая количество расчетов и уменьшая время реакции за счет рассмотрения меньшего количества параметров на каждом уровне, в частности, параметров, заранее присвоенных каждому уровню, как показано на Фиг. 3А-В, 4А-Е и 22-27.

Более комплексный подходящий вариант основан на доопределении условной энтропии Шеннона на основании нескольких параметров пациента х₁, … x_k следующим образом:

После этого приращение информации можно выразить следующим образом:

Данный расширенный способ является более сложным с точки зрения вычислений, поскольку чтобы найти группу атрибутов, которые вместе позволяют оптимально разгруппировать группу пациентов G, нужно рассмотреть различные комбинации атрибутов. В одном варианте учитываются все возможные комбинации параметров вплоть до целевого количества N. В другом варианте осуществления для предварительного выбора рассматриваемых комбинаций параметров, которые позволят сократить затраты вычислительных ресурсов и уменьшить время реакции, полагаются на клинический опыт.

Во всех случаях разгруппировка может выполняться каскадно, т.е. группа G может быть разгруппирована по подгруппам G₁, G₂ и G_s, а любая из этих подгрупп также может быть далее разгруппирована, например, подгруппа G₁ - на G_1,a, G_1,b и G_1,c, подгруппа G₂ - на G_2,a и G_2,b соответственно. Процесс разгруппировки продолжается (или повторяется) до тех пор, пока не будут получены достаточно однородные подгруппы с точки зрения медицинского результата (результатов) при использовании одного или нескольких способов лечения, как показано на Фиг. 4А. Автоматизированная каскадная разгруппировка на меньшие и более однородные подгруппы является особенно эффективной при отсутствии заранее определенных явных уровней разгруппировки или при желании клинициста проверить различные способы анализа электронных медицинских данных.

Например, для оценки риска атеросклероза у пациента при выборе лечения врач должен проверить несколько показателей (или параметров) крови, чтобы определить риск для пациента.

LDL (Липопротеины низкой плотности) - в идеале уровень холестерина липопротеинов низкой плотности должен быть ниже 130 мг/дл (3,4 ммоль/л), а еще лучше ниже 100 мг/дл (2,6 ммоль/л).

HDL (Липопротеины высокой плотности) - уровень холестерина липопротеинов высокой плотности должен быть не менее 60 мг/дл (1,6 ммоль/л)

Триглицериды - Американская ассоциация изучения сердечных заболеваний (AHA) рекомендует, чтобы уровень триглицеридов составлял 100 мг/дл (1,1 ммоль/л)

С-реактивный белок - высокий риск (выше 3,0 мг/л), средний риск (от 1,0 до 3,0 мг/л)

В одном варианте заболевание и курс лечения основаны на данных системы, полученных от других пациентов с аналогичными историями болезни, симптомами, состояниями и успешными или неудачными курсами лечения. После итеративного выполнения сравнения, классификации и разгруппировки введенных параметров для пациента система предлагает вариант заболевания и курс лечения пациента. Например, для больных раком молочной железы существует несколько вариантов лечения, такие как гормональная терапия, лучевая терапия, биологическая таргетная терапия, химиотерапия и хирургическая операция. Тем не менее, в зависимости от истории болезни пациента, результатов предыдущего диагностического исследования и типа рака молочной железы один или несколько вариантов могут являться нецелесообразными. Описанные в данном документе способы позволяют врачу получать доступ к информации о других пациентах. На основании медицинской информации и коэффициента результативности лечения других пациентов с подобной историей болезни, имеющейся в системе, медицинский работник может порекомендовать один или несколько подходящих вариантов лечения обнаруженного рака груди.

Итеративный процесс, используемый системой, подразумевает несколько уровней разгруппировки с целью определения курса лечения, включая протокол или план лечения, для пациента с таким диагнозом, как рак. Факторы и симптомы, связанные с пациентом, у которого диагностировали рак, вводятся в систему в виде параметров. Примеры параметров, связанных с раком и используемых для разгруппировки первого уровня, могут включать в себя такие прямые параметры, как: (1) тип раковых клеток; (2) стадия рака; (3) оценка рака; (4) общее состояние пациента, например, индекс общего состояния по шкале Карновского, http://www.pennmedicine.org/homecare/hcp/elig_workheets/Karnofsky-Performance-Status.pdf. Примеры параметров, используемых для разгруппировки второго уровня, могут включать в себя информацию о раке на молекулярном уровне, в т.ч. присутствие определенных онкомаркеров, и об осложнениях, связанных с раком. Примеры параметров, используемых для разгруппировки третьего уровня, могут включать в себя другие медицинские состояния пациента. Примеры параметров, используемых для разгруппировки четвертого уровня, могут включать в себя образ жизни и привычки пациента. Разгруппировка может быть выполнена и сохранена в компьютерной системе, а также может периодически обновляться. Разгруппировка может выполняться до или после ввода шаблона заболевания нового пациента в компьютерную систему. Медицинская информация может быть получена в виде шаблона заболевания пациента. Шаблон нового пациента относится к человеку, информация о котором ранее не анализировалась интеллектуальным медицинским процессором 14, или к человеку, информация о котором ранее анализировалась интеллектуальным медицинским процессором 14, но теперь он имеет новое заболевание (новый план лечения или протокол лечения).

В качестве примера параметры первого уровня для рака груди могут включать в себя следующие признаки новообразований: (1) инвазивная опухоль или опухоль in situ; (2) если инвазивная, наличие метастаз опухоли; (3) протоковая или очаговая; (4) стадия (протяженность опухоли); и (5) вид (появление раковых клеток).

Примеры параметров второго уровня для рака груди могут включать в себя присутствие онкомаркеров, таких как рецептор эстрогена (ER), рецептор прогестерона (PR), рецептор эпидермального фактора роста 2 (HER2), раковый антиген 15-3 (СА 15-3), раковый антиген 27.29 (СА 27.29) и карциноэмбриональный антиген (СЕА), активатор плазминогена урокиназы (uPA), и ингибитор активатора плазминогена (PAI-1). Присутствие онкомаркеров способно предоставить информацию об опухоли на молекулярном уровне и часто используется для определения курса лечения. В иллюстративных целях присутствие ER и PR показывает, что раковым клеткам в груди для роста требуется эстроген или прогестерон, и что гормональная терапия (блокирование этих гормонов) может являться эффективным способом лечения. Присутствие протеина HER2 у пациента, больного раком груди, показывает, что эффективным может быть лечение препаратом anti-HER2 (Герцептин) для блокировки HER2. Раковые антигены СА 15-3, СА 27.29 и СЕА обнаруживают у пациентов с метастазами. Повышенные уровни uPA и PAI-1 могут указывать на прогрессирующий рак.

Примеры параметров третьего уровня для рака груди могут включать в себя общее состояние пациента, например, возраст, анамнез заболевания раком груди (в случае рецидива) и рака яичников, семейный анамнез рака молочной железы, наследственный и генетический риск (наличие мутаций в генах рака молочной железы 1 или 2 (BRCA 1 или 2)), воздействие эстрогена и прогестерона, заместительная гормональная терапия после менопаузы, прием оральных контрацептивов, расовую и этническую принадлежность.

Примеры параметров четвертого уровня могут включать в себя образ жизни и привычки пациента, такие как вес, уровень физической активности, употребление алкоголя и пищевое поведение (овощи и фрукты или животные жиры). В конце разгруппировки четвертого уровня компьютерная система выдает объективные медицинские данные для сходной группы пациентов.

Медицинская информация для нового пациента вводится в компьютерную систему и сравнивается с объективными медицинскими данными, которые были классифицированы по подгруппам путем разгруппировки для сопоставления и определения курса лечения, включая протокол и план лечения. Компьютерная система анализирует данные и предоставляет наиболее эффективный или оптимальный курс лечения, включая протокол лечения или план лечения для нового пациента.

Хотя выше сделана ссылка на объективные медицинские данные и параметры пациента, в альтернативном варианте изобретение может быть основано на добавлении к параметрам пациента дополнительных атрибутов, т.е. преобразования и комбинаций наблюдаемых параметров пациента. Например, значения параметров могут быть преобразованы в процентили от общей совокупности пациентов или разгруппированной совокупности пациентов в подгруппе. Также можно перенормировать атрибуты в пределах от 0 до 1 для всей совокупности пациентов или для разгруппированной по подгруппам совокупности пациентов. Нормализация для атрибута а и параметра р выполняется в соответствии со следующей формулой:

Кроме того, атрибуты могут включать в себя соотношения параметров пациента или другие функциональные комбинации, например, произведения, разности, средние значения, суммы и т.д.

Преимуществом процесса разгруппировки для пациента является использование информации после обнаружения его подгруппы или небольшой подгруппы. Сопоставление с разгруппированными подгруппами позволяет получить полную информацию обо всех доступных планах лечения с указанием наиболее эффективного из них. Результат сопоставления позволяет объединить долгосрочные и краткосрочные результаты для каждого доступного плана лечения, включая информацию о динамике клинического состояния в любой период времени, информацию о динамике средних значений значимых параметров в любой период времени, динамику средних значений определенных параметров в любой период времени, информацию о смертности в данной группе в любой период времени. Возможность просмотра любого полного файла пациентов из соответствующей группы позволяет проследить динамику любого отдельного параметра пациента. Процесс разгруппировки позволяет получить статистические данные для понимания рисков в краткосрочной и долгосрочной перспективе при любых осложнениях, сопутствующих, хронических или основных заболеваниях со статистическим процентным отношением для каждого члена группы за исследуемый период. Данная информация о разгруппировке дает возможность свести к минимуму или исключить возможные осложнения и заболевания для пациента до их возникновения. Информация о разгруппировке также упрощает для пациента процесс поиска лучшего врача или лучшей больницы, в любом регионе, который имеет лучшие результаты в соответствующих подгруппах. Все указанные преимущества для пациентов являются отличным стимулом для приобретения подписки, позволяющей использовать данную аналитическую компьютерную систему.

На Фиг. 4В представлена блок-схема, иллюстрирующая пример меню для выполнения процесса разгруппировки путем обработки большого объема объективных медицинских данных 102 пациента. Во время разгруппировки первого уровня 94 интеллектуальный медицинский процессор 14 выполняет фильтрацию для группы пациентов G на основании одного или нескольких значимых параметров 114 для разгруппировки группы G по подгруппам первого уровня G1, G2 … Gs 115. Первый набор значимых параметров 114 включает в себя первичные параметры, относящиеся к диагнозу или заболеванию, например, размер опухоли, вовлечение, лимфатические узлы, метастазы, симптомы, боли в грудной клетке и одышка. На представленной схеме перечень символов SP1-SPn обозначает существующие значимые параметры 114 для определенного заболевания, например, пациент, у которого был диагностирован рак легких 2 стадии, имеет положительный значимый параметр (или значение, находящееся в определенном диапазоне), например, кровянистые выделения (SP2), размер опухоли более 3 см, но не более 5 см (SP4), метастазы в ипсилатеральные перибронхиальные лимфатические узлы и/или лимфатические узлы корня легкого (SP5), уровень гемоглобина (SP6) и другие SP12, SP14. Сокращенная одна или несколько подгрупп с определенными значимыми параметрами 114 связана с соответствующим набором протоколов лечения 116, например, с циркулярной резекций (протокол А), химиотерапией (протокол В) или лучевой терапией (протокол С) в данном конкретном случае.

Во время следующей (второго уровня) разгруппировки 96 интеллектуальный медицинский процессор 14 выполняет второй уровень разгруппировки на основании параметров второго уровня 117 (включая параметры сопутствующего заболевания, хронического заболевания (болезни прошлого) и/или осложнения) для разгруппировки подгрупп G1, G2 … Gs первого уровня на одну или несколько подгрупп G1a, G1b, G2a, G2b второго уровня 118 и т.д. Параметры сопутствующего заболевания, хронического заболевания и/или осложнения 117 включают в себя в данном конкретном случае хроническую обструктивную болезнь легких (CDP1) и туберкулез (CDP2). Уменьшенная одна или несколько подгрупп второго уровня 118 с указанными параметрами второго уровня 117 связана с соответствующим набором протоколов лечения 110, например, с лучевой терапией (протокол С) и таргетной терапии (протокол D), без циркулярной резекции (протокол А) и химиотерапии (протокол В) после разгруппировки первого уровня. Данные протоколы позволяют оптимизировать желаемый результат реакции пациента на лечение.

Во время следующей (третьего уровня) разгруппировки 98 интеллектуальный медицинский процессор 14 выполняет разгруппировку третьего уровня на основании набора косвенных (или незначимых) параметров третьего уровня для разгруппировки одной или нескольких подгрупп второго уровня на одну или несколько подгрупп третьего уровня 124. Косвенный параметр включает в себя слабость (NSP1), сухость во рту (NSP3) и потливость (NSP7). Уменьшенная одна или несколько подгрупп третьего уровня с определенными косвенными параметрами 122 связана с соответствующим набором протоколов лечения 126.

Во время следующей (четвертого уровня) разгруппировки 100 интеллектуальный медицинский процессор 14 выполняет разгруппировку четвертого уровня за счет использования набора параметров образа жизни 130 и дополнительно соответствующих протоколов лечения 134 для разгруппировки одной или нескольких подгрупп третьего уровня на одну или несколько подгрупп четвертого уровня 132. Параметры образа жизни 130 включают в себя, например, курение (LSP5), работа пожарным (LSP8), в данной подгруппе химиотерапия (протокол лечения В) максимизирует вероятность достижения желательного результата процедуры.

Врач вводит форму с клиническими параметрами пациента в интеллектуальный медицинский процессор 14 в основном медицинском сервере 12 для выполнения разгруппировки. Интеллектуальный медицинский процессор 14 сравнивает параметры пациента с электронными медицинскими картами других пациентов в центральной базе данных 16 и отфильтровывает неподходящие группы с менее сходными наборами параметра, что позволяет сократить одну или несколько подгрупп 108 с общими параметрами.

На Фиг. 4С представлена блок-схема, иллюстрирующая изменение значимого параметра и результат лечения в подгруппе в ответ на различные протоколы лечения. Имеется три примерных подгруппы: подгруппа I 141, подгруппа II 142 и подгруппа III 143, со значимыми параметрами (например, размером опухоли, результатами анализа крови), которые изменяются в ответ на выполнение различных протоколов лечения 135А, 135В, 137С для оценки результатов процедуры лечения. В данном примере наиболее предпочтительным результатом 141а лечения рака является полная или частичная ремиссия, либо полное исчезновение рака или опухоли, либо уменьшение размеров опухоли на определенную процентную величину при сохранении заболевания. Менее предпочтительный результат 141b относится к стабильному состоянию с точки зрения развития заболевания, при этом размер опухоли остается прежним или опухоль незначительно вырастает или уменьшается. Наименее предпочтительный результат 141с относится к прогрессированию заболевания, когда раковая опухоль вырастает, а область распространения заболевания увеличивается. Например, реакция (изменение значимого параметра) подгруппы I 141 на протокол лечения В 136 будет иметь наиболее предпочтительный результат лечения, а протокол лечения А 135 - менее предпочтительный результат 141b, а протокол лечения С 137 - наименее предпочтительный результат 141С. Для подгруппы II 142 протокол лечения А 135 дает наиболее предпочтительный результат 142а, протокол лечения С 137 - менее предпочтительный результат 142b, а протокол лечения В - наименее предпочтительный результат 142с. Для подгруппы III 143 протокол лечения С дает наиболее предпочтительный результат, протокол лечения А 135 - менее предпочтительный результат 143b, а протокол лечения В - наименее предпочтительный результат 143с.

На Фиг. 4D представлено наглядное изображение, иллюстрирующее динамику того, как изменяются значимые параметры в двух подгруппах при использовании одного протокола лечения. Прямоугольником обозначена первая подгруппа 141, а треугольником - вторая подгруппа. Для подгруппы I 141 первый значимый параметр 151а может относиться, например, к изменению размера опухоли во время лечения по протоколу лечения В 136 и, например, химиотерапии, где значение значимого параметра не свидетельствует об уменьшении размера опухоли на определенную величину. Для подгруппы II 142 значимый параметр 151а может изменяться во время лечения по протоколу В 136, например, во время химиотерапии, где значение значимого параметра указывает на то, что раковая опухоль растет. Другие значимые параметры 151b, 151с, 151d и 151е демонстрируют дополнительную динамику изменений определенных значимых параметров, влияющих на определенные характеристики при классификации по подгруппам.

На Фиг. 4Е представлена блок-схема, иллюстрирующая три иллюстративных сценария 155а, 156b, 157а для одного пациента или разных пациентов. Процесс разгруппировки представляет собой непрерывное динамическое изменение параметров в зависимости от протокола лечения. Первый узел, обозначенный символом 1, относится к развитию заболевания, в т.ч. рака легких, например, стадия IIA представляет собой одну стадию заболевания в течение всего цикла развития рака от стадии I до стадии IV. Второй узел, обозначенный символом 2, относится к протоколу лечения или плану лечения с тремя циклами химиотерапии в течение 3 месяцев. Третий узел, обозначенный символом 3, относится к оценке реакции на лечение и новому протоколу лечения во время или после лечения. Если результатом лечения является изменение значимого параметра, например, размера опухоли, результатов анализа крови, то выбирается протокол лечения, который максимизирует желаемый результат лечения в группе с общими параметрами. Четвертый узел, обозначенный символом 4, относится к скорости развития заболевания или времени возврата заболевания, например, через 5 лет после операции и химиотерапии. Имеется три иллюстративных сценария 155а, 156а, 157а, которые относятся к одному пациенту в разных состояниях в течение всего плана лечения и прогноза, а также соответствующие протоколы лечения А 155b, В 156b, С 157b, например, у пациента А в первом сценарии 155а диагностирован рак легких 2 стадии, со значимыми параметрами и соответствующим протоколом А 155b, например, оценка лечения и использование лекарств ввиду старческого возраста, аллергии на лекарства/препараты). По истечении некоторого времени для того же пациента в третьем сценарии 157а, в котором измерение значимых параметров после лечения указывает на то, что показатели заболевания остались прежними, выбирается новый соответствующий протокол лечения С (терапия второй линии / переход на другие препараты) 157b. В качестве альтернативы три данных сценария развития 155а, 156а, 157а могут относиться к разным пациентам, где каждый пациент является представителем одного сценария со значимыми параметрами и протоколами лечения, связанными с шаблоном заболевания данного пациента.

Если разгруппировка позволяет сформировать подгруппы, в которых реакция пациентов на выбранное лечение не имеет статистически значимых различий между собой, то в соответствии с одним вариантом осуществления данные подгруппы следует объединить. Статистическая значимость может быть измерена множеством способов; обычно применяют известный из уровня техники t-критерий Стьюдента, предпочтительно двусторонний (или двухвостовой) t-критерий Стьюдента с заданным уровнем достоверности. В одном варианте осуществления данный уровень достоверности должен быть р<0,05.

Процесс разгруппировки описан для потенциально большого собрания объективных медицинских данных. Тем не менее, при изменении этих данных в течение времени, в первую очередь, в результате добавления новых объективных медицинских карт (для существующих пациентов и/или новых пациентов) процесс разгруппировки может периодически повторяться для обновления подгруппы, а также возможного создания новых подгрупп. В одном варианте дополнительная разгруппировка выполняется при добавлении нескольких объективных медицинских данных для новых или существующих пациентов в хранилище в системе, чтобы создать значимое изменение энтропии любых подгрупп. Изменения могут быть клинически значимыми на разных уровнях для различных заболеваний, но в общем случае изменение считается значимым, если на основании новых объективных медицинских данных величина изменения реакции пациента на лечение превышает три процента (3%).

Врачам и специалистам в данной области техники будет понятно, что результаты лечения могут быть помечены одним опознавательным признаком (например «без Эболы» или «ремиссия»), числом (например, результирующая вирусная нагрузка после лечения ВИЧ с помощью ингибиторов протеазы и других антивирусных препаратов), или вектором, представляющим различные значения в разные моменты времени (например, одинаковая вирусная нагрузка, измеренная каждые несколько месяцев, или размер опухоли, измеренный каждые несколько недель после лучевой терапии). Данный вектор соответствует течению заболевания пациента по мере того, как пациент проходит лечение, поскольку он отражает результат лечения в нескольких временных точках.

Если разгруппировка иерархическая, как с помощью заранее заданных уровней, так и с помощью автоматизированного каскадного процесса, предлагается способ использования таких разгруппировок для поиска предыдущих пациентов, параметры которых совпадают или являются сходными с параметрами нового пациента, для которого клиницист хочет определить один или несколько эффективных способов лечения. В общем случае, если имеется новый пациент Q с набором измеренных параметров {y_i, y₂, …, y_k} и заболевание, для которого клиницист хочет определить один или несколько эффективных вариантов лечения, то способ, раскрытый в настоящем документе, сравнивает параметры данного пациента с параметрами каждой подгруппы пациентов, при этом данные подгруппы заранее формируются с помощью любого варианта осуществления раскрытого способа разгруппировки, описанного выше, с учетом каждого возможного варианта лечения. Сравнение может выполняться на одном уровне разгруппировки или нескольких уровнях разгруппировки, включая уровни, заранее заданные на основании медицинских знаний, например, как показано на Фиг. 4А, или несколько уровней, формируемых путем автоматизированной каскадной разгруппировки. Результатом сравнения является обнаружение одного или нескольких вариантов лечения, которые доказали свою эффективность с точки зрения желаемого результата для пациентов из подгрупп, параметры которых наиболее схожи с параметрами нового пациента.

Один вариант осуществления данного общего процесса сопоставления подгруппы заключается в поиске минимальной суммы р-норм разностей параметров пациента и подгруппы, следующим образом:

Где Q(y_i) - параметры нового пациента; g_j - подгруппы группы G, т.е. результаты разгруппировки группы G; g_j(x_i) - параметры каждой подгруппы, р - норма. Если р=1, наилучшее соответствие равно сумме разностей параметров, если р=2, наилучшее соответствие равно сумме квадратов разностей (полученной методом наименьших квадратов), а если р=0, наилучшее соответствие является просто количеством разностей. Оператор Argmin дает подгруппу g_j с наименьшими разностями в параметрах по сравнению с параметрами нового пациента, т.е. наиболее сходную подгруппу в смысле параметров, которая имеет значение при выборе варианта лечения.

Еще один вариант осуществления использует способ наилучшего соответствия на каждом уровне разгруппировки для первой найденной оптимальной подгруппы на верхнем уровне, затем на следующем уровня и т.д. до тех пор, пока не будет достигнут самый нижний уровень. Уровни определяются с помощью медицинских знаний, как показано на Фиг. 4А, или определяются автоматически путем каскадной разгруппировки, как было описано выше. Способ может быть использован для поиска одной оптимальной подгруппы, подподгрупп и т.д., предлагая вариант (варианты) лечения, наиболее подходящие с точки зрения электронных медицинских данных, в качестве альтернативы данный способ может предлагать несколько оптимальных подгрупп, что позволит увеличить количество возможных вариантов лечения.

В настоящем изобретении предложен способ контроля заболевания нового пациента и необходимой корректировки курса или протокола лечения на основании изменения состояний пациента. В компьютерной системе хранятся медицинские карты для разных пациентов с одинаковыми заболеваниями или состояниями, которые прошли определенное лечение. Хранящиеся медицинские карты содержат информацию о разных пациентах в течение курса лечения, которая может быть использована для сравнения с медицинским состоянием нового пациента с течением времени. В качестве примера локализованный рак молочной железы лечится путем хирургической операции и последующей химиотерапии, лучевой терапией или заместительной гормональной терапии (для ER-положительных опухолей) во избежание рецидива опухоли. После операции рака груди осуществляется контроль значимого параметра, который может представлять собой рецидив опухоли во время и после курса лечения. В настоящем изобретении предложен способ, который включает в себя ввод и сравнение медицинских состояний пациента, больного раком груди, с медицинскими данными других пациентов с аналогичными медицинскими состояниями в течение некоторого времени после операции для определения вероятности рецидива и выявления подходящего курса лечения с целью предотвращения рецидива. Настоящий способ также позволяет выявить подходящий курс лечения при рецидиве рака. План лечения для нового пациента, выбранный с помощью способа, рассмотренного в настоящем документе, может быть изменен в зависимости от симптомов нового пациента. Способы, раскрытые в настоящем документе, могут быть изменены стандартным способом, с целью формирования оптимального курса лечения для нового пациента.

На Фиг. 4Е представлено наглядное изображение, иллюстрирующее один пример способа разгруппировки, которое отражает непрерывный динамический процесс изменения протокола лечения и соответствующих параметров, например, значимых параметров. Значимые параметры пациента реагируют на применяемый план лечения (например, хирургию и/или медикаментозное лечение) и изменяются при перемещении вдоль временных линий, например, от временного графика 1 к временному графику 2 или от временного графика 3 к временному графику 1, указывая на развитие или рецидив заболевания в ответ на применяемый протокол лечения. Рекомендованный план лечения выбирается с целью достижения оптимального медицинского результата, например, уменьшения диаметра опухоли в результате химиотерапии. Символ относится к временному графику/скорости, с которой параметры в подгруппе реагируют на применяемый план лечения. Символ относится к рекомендованному протоколу лечения, который может обеспечить наиболее желательный результат лечения для данной подгруппы (подгрупп) пациентов в ответ на применяемый протокол лечения.

На Фиг. 5 представлена схема 146 системы, иллюстрирующая портативные устройства медицинского мониторинга 150, 156, 162 для наблюдения за пациентами 148, 154, 160 на основании соответствующих объективных медицинских данных 152, 158, 164. Портативное устройство медицинского мониторинга 150 относится к пациенту 148 в качестве портативного устройства, осуществляющего наблюдение и отслеживание изменений медицинского состояния пациента, и может предупреждать пациента, медицинского работника и/или реанимацию о любых значимых изменениях в объективных медицинских данных пациента. Наблюдение за пациентом 148 посредством портативного устройства медицинского мониторинга 150 осуществляется непрерывно путем сбора данных о медицинском состоянии пациента и отправки медицинских данных пациента на основной медицинский сервер 12 для сравнения с объективными медицинскими данными 152 пациента 148. Если основной медицинский сервер 12 определяет, что текущие медицинские данные, полученные от портативного устройства 150 медицинского мониторинга, связанного с пациентом 148, превышают пороговый уровень определенных объективных медицинских данных 152, основной медицинский сервер отправляет сигнал предупреждения на портативное устройство медицинского мониторинга 150 для уведомления лечащего врача пациента или другого медицинского работника о потенциально опасном состоянии, а также сообщает пациенту показания. Например, каждое из портативных устройств 150, 156, 162 медицинского мониторинга контролирует для соответствующих пациентов 148, 154, 160 артериальное давление, частоту сердечных сокращений и т.д. Аналогичные операции для портативных устройств медицинского мониторинга 156, 162 также применяются для пациентов 154, 160 соответственно, основного медицинского сервера 12 и связанных объективных медицинских данных 158, 164.

На Фиг. 6 представлена примерная блок-схема 168 непрерывного 24/7 мониторинга состояния пациента на основании объективных медицинских данных с этапами, указанными на Фиг. 11. Наблюдение за пациентом осуществляется портативным устройством медицинского мониторинга 150 (например, смартфонами, планшетами, очками, часами, носимыми устройствами, медицинскими стакерами) или электронным нижним бельем 170, соединенным с электронным устройством (например, датчиком), или одеждой 172 из ткани с текстильными электродами, где портативное устройство медицинского мониторинга 150 работает вместе с имплантируемым устройством, как показано и описано со ссылкой на Фиг. 7А-С, для считывания артериального давления, частоты сердечных сокращений и других жизненно важных медицинских данных пациента. Медицинские данные в режиме реального времени считываются с портативного устройства медицинского мониторинга, с электронного устройства, прикрепленного к электронному нижнему белью, или с одежды с текстильными электродами и передаются на мобильное устройство. Пациент может установить приложение 174 для мониторинга на смартфон, с помощью которого данные будут выводиться на экран или добавляться в сводку или на информационную панель для контроля жизненно важных показателей пациента и изменения настроек последующей передачи медицинских данных в режиме реального времени с мобильного устройства на основной медицинский сервер 12. Объективные медицинские данные в режиме реального времени анализируются на основании объективных медицинских данных пациента, ранее сохраненных в центральной базе данных 16. Если состояние пациента указывает на необходимость вызова медицинской помощи, лечащему врачу пациента отправляется уведомление 176 о потенциально опасном медицинском состоянии и необходимости принятия решения 180 о требуемых действиях (например, извлечь из медицинской карты данные пациента для дополнительного изучения или позвонить пациенту); кроме того, пациенту направляется уведомление 178 о показаниях с целью принятия решения 182 о требуемых действиях (например, вызвать скорую помощь). Если состояние пациента не предполагает вызова медицинской помощи, полученные данные сохраняются в центральной базе данных 16 в существующую электронную медицинскую систему EMR. Результирующие данные также отправляются на смартфон пациента, и приложение мониторинга 174 на смартфоне выполняет обновление сводки или информационной панели.

На Фиг. 7А представлен пример схемы носимого или имплантируемого устройства 184 для мониторинга и лечения в соответствии с Фиг. 6. Носимое устройство с синтетическим резервуаром или входным отверстием 188 (например, катетером) или пластырь с миниатюрной иглой могут обеспечивать подачу человеку определенного вещества (например, лекарственного препарата) или забора определенного вещества (например, крови). Устройство можно носить на руке, бедре, животе или другом участке, подходящем для инъекций. Дополнительно датчик 186 вставляется под кожу для непрерывного измерения (например, уровней глюкозы), и данные отправляются на устройство мониторинга 192 по беспроводному радиочастотному каналу. Затем пациенту отправляется уведомление или предупреждение 178 о необходимости ручного или автоматического ввода лекарственного препарата (например, инсулина). Результаты измерения и инъекций отправляются на интеллектуальный медицинский процессор 14 (через смартфон) для анализа и сохранения. Устройства инъектирования и датчики можно снимать и устанавливать на оборудование ежедневно или по мере необходимости для перезагрузки, заправки и заполнения, например, вставки таблеток, игл и т.д. Носимое устройство 188 является другим источником для передачи параметров пациента в объективные медицинские данные в центральной базе данных 16 для разгруппировки с помощью интеллектуального медицинского процессора 14.

На Фиг. 7В показана примерная схема соединения устройств в процессе 194 для доступа к сосудистой системе. Пара магистралей сосудистого доступа состоит из имплантированного приемного устройства и подключаемого устройства 198. Имплантированное приемное устройство помещается под кожу человека 196 хирургом. Он содержит искусственную кожную перегородку, доступ к которой заблокирован, действует как самоуплотняющийся клапан. Подключаемое устройство (штепсельный разъем) можно вставить в приемное устройство (гнездо) для создания прямой внутренней линии забора крови или вливания медицинского препарата, а также сбора или мониторинга данных, при этом использование шприца или профессиональные навыки не требуются. Пользователь или пациент может подключаться к устройству и осуществлять сбор медицинских данных 200 (например, забор крови), после чего результаты измерения и вливания медицинского препарата отправляются на интеллектуальный медицинский процессор 14 (через смартфон) или в больницу/лабораторию для мониторинга, анализа или диагностики.

На Фиг. 7С показана примерная схема имплантируемого приемного и лечебного устройства 202. Имплантируемое приемное устройство 204 может обеспечивать пациенту такое лечение, как химиотерапия, переливание крови, инъектирование антибиотиков и внутривенных жидкостей, а также забор определенного материала (например, крови) у пациента для анализа, поскольку приемник можно оставлять в теле под кожей, при этом катетер 208 в кровеносном сосуде или монитор можно извлекать и отправлять результаты измерений и инъекций на интеллектуальный медицинский процессор (с помощью смартфона) или в больницу/лабораторию для мониторинга, анализа или диагностики, например, лекарственный препарат можно вливать через кровеносный сосуд путем вставки шприца с иглой в камеру 206 для подачи препарата периодически или постоянно через катетер, который уже находится в кровеносном сосуде.

Имплантируемое приемное и лечебное устройство 202 обеспечивает простой доступ к параметрам крови пациента, например, цитокину, другим протеинам или другим клеткам, которые способны обеспечить клеточную сигнализацию для имплантируемого приемного и лечебного устройства 202, которое, в свою очередь, передает данную информацию на портативное устройство 188 для непрерывного 24/7 наблюдения за пациентом. С помощью онлайн контроля переданных данных от портативного устройства 188 врач или медицинская сестра может следить за изменением клеточных элементов крови в течение времени. Цитокины являются широко используемыми свободными малыми протеинами (~5-20 кДа), которые играют важную роль в клеточной сигнализации. Цитокины выделяются клетками и влияют на поведение других клеток, а иногда на поведение клеток, которые их выделили. К цитокинам относятся хемокины, интерфероны, интерлейкины, лимфокины, фактор некроза опухолей, но обычно не гормоны или факторы роста. Цитокины производятся широким спектром клеток, включая иммуноциты, например, макрофаги, В-лимфоциты, Т-лимфоциты и мастоциты, а также эндотелиоциты, фибробласты и различные стромальные клетки; указанный цитокин может производиться с помощью нескольких типов клеток. Один ключевой аспект цитокинов заключается в их динамике, поскольку изменения относительной концентрации различных цитокинов указывают на прогрессирование или ремиссию заболевания, включая ранние индикаторы отторжения трансплантата органов или тканей (см., например, Штранцль и др., 2013).

На Фиг. 8 представлена примерная схема имплантируемого устройства 210 для мониторинга и лечения. Имплантат в теле 214 человека (например, имплантируемое устройство-чип RFTD 212) может использоваться для наблюдения за общим состоянием здоровья, использоваться для получения медицинской информации в экстренном случае, а также для отслеживания эффективности лечения. Например, в сосудистых системах чип может использоваться для надлежащей идентификации сосудистого приемника в пациенте, чтобы гарантировать инъектирование в тело соответствующего количества лекарственных препаратов и обеспечивать индивидуализированное медицинское обслуживание путем использования имплантируемой порт-системы под кожу пациента, как описано и показано со ссылкой на Фиг. 7В-С.

На Фиг. 9 представлена примерная схема диагностической капсулы 216 с унифицированными функциями медицинского обследования и диагностики, которые могут быть использованы медицинскими работниками, оказывающими первую медицинскую помощь, к которым, в частности, можно отнести врачей общей практики и семейных врачей. В кабинете 218 медицинских работников, оказывающих первую медицинскую помощь, может быть установлена диагностическая капсула 216, способная обеспечить проведение различных лабораторных тестов в рамках медицинского обслуживания, например, клинический анализ крови, биохимический анализ крови, анализ мочи и медицинской визуализации, в т.ч. магнитно-резонансной томографии (МРТ), компьютерной томографии (КТ)/компьютерной аксиальной томографии (КАТ), рентгенографии, электрокардиография (ЭКГ), ультразвуковых исследований (УЗИ). Данный аппарат отличается невысокой стоимостью изготовления, приобретения и эксплуатации, оснащен несколькими детекторами для параллельного сбора данных и может быть установлен в частной клинике, реабилитационном центре или даже дома для проверки здоровья, лечения заболеваний с использованием информации пациента, указываемой медицинской страховой компанией 220, для предварительного подтверждения оплаты. Диагностическая капсула повышает надежность и эффективность медицинского обслуживания за счет сокращения временных и финансовых затрат пациента на посещение больницы или лаборатории, предоставления врачу полных результатов исследований в режиме реального времени, уменьшения объема административной работы страховой компании, а также сокращения времени обработки и утверждения. Результаты лабораторных исследований и снимки внутренних органов человека в режиме реального времени, а также трехмерные цифровые снимки отправляются на интеллектуальный медицинский процессор 14 в виде протокола 222 о лечении/заболевании (через смартфон, планшет, ноутбук или ПК) для сравнения, анализа и сохранения в центральной базе данных 16. Диагностическая капсула 216 представляет собой другой источник для передачи параметров пациентов в объективные медицинские данные в центральной базе данных 16 для последующей разгруппировки интеллектуальным медицинским процессором 14.

По выбору, диагностическая капсула 216 оборудована механической рукой/манипулятором 219 для перемещения медицинского устройства (например, ультразвукового, рентгеновского аппарата и т.д.) и перемещения медицинского устройства на пациенте, когда он лежит на плоской поверхности диагностической капсулы 216. Интегрированная диагностическая капсула 216 способна выполнять множество медицинских функций, которые обычно требуют использования нескольких медицинских устройств для проведения каждой медицинской процедуры по отдельности.

На Фиг. 10 представлена блок-схема 224, иллюстрирующая автоматический процесс 226, в ходе которого интеллектуальный медицинский процессор 14 получает, сохраняет, анализирует и классифицирует объективные медицинские данные с использованием интерактивного машинного обучения с целью оптимизации. На этапе 228 интеллектуальный медицинский процессор 14 получает нескольких объективных медицинских данных из различных медицинских источников, таких как первая больница 20, вторая больница 22, клиника 24 или источник 26. На этапе 230 интеллектуальный медицинский процессор 14 проводит проверку качества объективных медицинских данных. На этапе 232 интеллектуальный медицинский процессор 14 сохраняет совокупность объективных медицинских данных. На этапе 234 интеллектуальный медицинский процессор 15 выполняет анализ и классификацию объективных медицинских данных на группу, которая содержит аналогичное подмножество (или аналогичное множество) кластеров в виде новых объективных медицинских данных, введенных в центральную базу данных 16. На этапе 236 модуль обучения 72 выполняет функцию машинного обучения для всего автоматического процесса 226 путем постоянной коррекции параметров и новых данных с целью улучшения процесса анализа и классификации групп медицинских объективных данных.

На Фиг. 11 представлена блок-схема, иллюстрирующая процесс 238, который инициируется медицинским персоналом с целью оперативного сравнения новых симптомов у пациента с базой данных, содержащей большой объем существующих объективных медицинских данных. На этапе 240 медицинский персонал, например, врач или медицинская сестра, заполняет форму шаблона пациента на вычислительном устройстве при посещении пациентом кабинета врача. Медицинский персонал отправляет форму шаблона пациента с вычислительного устройства на интеллектуальный медицинский процессор 14. На этапе 242 интеллектуальный медицинский процессор 14 сравнивает объективные медицинские данные, содержащиеся в шаблоне пациента, с существующими группами объективных медицинских данных, уже хранящихся в центральной базе данных 16. На этапе 244 интеллектуальный медицинский процессор 14 определяет, какая из существующих групп объективных медицинских данных в центральной базе данных 16 содержит данные, максимально сходные с данными из шаблона пациента. На этапе 246 интеллектуальный медицинский процессор 14 формирует выходные данные с максимально сходной группой или несколькими максимально сходными группами (т.е. с одной или несколькими максимально сходными группами).

На Фиг. 12 представлена блок-схема, иллюстрирующая процесс 248, который инициируется пользователем для выбора объективных врачебных данных на основании запроса. На этапе 250 пациент использует вычислительное устройство для выполнения электронного поиска (или для отправки запроса) информации о врачах и/или больницах для лечения (например, исследование слюнных желез или удаление камней в слюнных железах ультразвуком) с применением предлагаемых критериев/фраз поиска на этапе 252, предварительно определенных фильтров на этапе 254 и критериев хранения на этапе 256 для повышения точности и скорости поиска на основном медицинском сервере 12. На этапе 258 интеллектуальный медицинский процессор 14 сравнивает запрос, отправленный вместе с объективными данными врача (и/или объективными данными больницы) в центральную базу данных 16. Поисковые запросы объективных данных решают проблему поиска по специализированным медицинским терминам или субъективному описанию. На этапе 260 интеллектуальный медицинский процессор 14 генерирует выходную информацию с максимальной релевантностью на основании критериев сортировки и фильтров, которые эффективно сужают результаты в соответствии с потребностями пользователя. В качестве альтернативы на этапе 260 интеллектуальный медицинский процессор 14 генерирует выходную информацию с использованием одного или нескольких ключевых критериев оценки лечения, выбранного врачом, которая может включать в себя как успешные/положительные, так и отрицательные случаи.

На Фиг. 13 представлены примерные предварительно определенные категории поиска 262 применительно к Фиг. 12 в соответствии с настоящим изобретением. Если пациент (или пользователь) выбирает объективные данные врача на основании запроса в процессе 248, как показано на Фиг. 12, то на этапе 254 будут существовать предварительно определенные параметры или фильтры, которые пациент может использовать для выполнения поиска информации о своем заболевании. На Фиг. 13 показаны только некоторые примерные предварительно определенные категории поиска 262, включая, но не ограничиваясь этим, тип заболевания/болезни 264, симптомы 266, категорию 268, тему 270, объем заболевания/болезни 272, оперативные и хирургические процедуры 274, а также исследования/анализы 276 и т.д. Тип заболевания/болезни 264 представляет собой категорию поиска, определяющую тип заболевания пациента, который может включать в себя заразную болезнь, болезнь пищевого происхождения, инфекционное заболевание, болезнь, вызванную образом жизни (например, употреблением пищи с высоким содержанием трансжиров), психические расстройства и т.д. Когда пациент создает запрос, он или она может указать ощущаемые симптомы 266, которые могут включать в себя боль в животе, атрофический вагинит, неприятный запах изо рта, уплотнения в груди, боль в грудной клетке, кашель, головокружение и т.д. В дополнение к симптомам пациент может указать категорию 268, которая определяет часть тела человека, затронутую заболеванием или болезнью. Например, категория 268 может включать в себя внутренние органы /тело, суставы/кости/мышцы, кровь/аллергию и мозг/нервы/неврологию и т.д. Пациент может указать дополнительную информацию в категории поиска по теме 270 с целью определить их поиск по полу, возрасту и т.д. Поисковая категория объема заболевания/болезни 272 предусматривает более общее описание заболевания или болезни. В данной категории пациент может указать свое заболевание в качестве системного (например, грипп, высокое артериальное давление и т.д.). Как показано на Фиг. 13, параметры поиска могут также включать в себя оперативные и хирургические процедуры 274, а также исследования/анализы 276, которые пациент может выбрать из предварительно заданных фильтров.

На Фиг. 14 представлена блок-схема, иллюстрирующая процесс 278, выполняемый пользователем для получения его или ее собственной электронной медицинской карты из любого местоположения. На этапе 280 пациент использует вычислительное устройство для доступа к центральной базе данных 16 посредством основного медицинского сервера 12. На этапе 282 интеллектуальный медицинский процессор 14 получает уникальный код от вычислительного устройства пациента для извлечения истории болезни пациента из центральной базы данных 16. На этапе 284 интеллектуальный медицинский процессор 14 передает выбранную историю болезни, связанную с пациентом, на другое вычислительное устройство или в медицинское учреждение для использования пациентом или другим медицинским персоналом. Возможность получения доступа к истории болезни пациента из центральной базы данных 16 в другом медицинском учреждении, которое может находиться в другой стране или регионе, обеспечивает для пациента огромную гибкость, в особенности, если пациент путешествует или переехал в другой город, страну, регион или континент.

На Фиг. 15 представлена блок-схема, иллюстрирующая процесс 286 непрерывного 24/7 наблюдения за пациентами в сравнении с объективными медицинскими данными, применительно к Фиг. 6. На этапе 288 портативный модуль медицинского мониторинга 65 связан с портативным устройством медицинского мониторинга 150 пациента 148. На этапе 290 портативный модуль медицинского мониторинга 65 получает объективные медицинские данные в режиме реального времени от пациента 148 посредством портативного устройства медицинского мониторинга 150. На этапе 292 портативный модуль 65 медицинского мониторинга отправляет объективные медицинские данные пациента 148 в режиме реального времени с портативного устройства медицинского мониторинга 150 на основной медицинский сервер 12 и в центральную базу данных 16. На этапе 294 интеллектуальный медицинский процессор 14 анализирует в режиме реального времени объективные медицинские данные пациента 148 с учетом объективных медицинских данных пациента 148, ранее сохраненных в центральной базе данных 16, для определения необходимости уведомления врача и пациента о медицинской помощи. Если один из параметров в объективных медицинских данных пациента 148 в режиме реального времени превышает порог для ранее сохраненных объективных медицинских данных пациента 148, то интеллектуальный медицинский процессор 14 отправляет предупреждение лечащему врачу пациента 148 и устройству 150 медицинского мониторинга пациента 148 для информирования пациента 148 на этапе 298. В это время на этапе 296 интеллектуальный медицинский процессор 14 сохраняет полученные в режиме реального времени объективные медицинские данные пациента 148 в центральной базе данных 16 путем добавления полученных объективных медицинских данных в существующую электронную медицинскую карту пациента 116. Если ни один из параметров в объективных медицинских данных пациента 148 в режиме реального времени не превышает порог для ранее сохраненных объективных данных пациента 148, то на этапе 300 интеллектуальный медицинский процессор сохраняет объективные медицинские данные пациента 148 в режиме реального времени в центральную базу данных 16. Пациент 148 используется в целях иллюстрации связи большого объема пациентов, включая пациентов 154, 160, с основным медицинским сервером 12 посредством соответствующего портативного устройства медицинского мониторинга 150. Портативное устройство медицинского мониторинга 150 включает в себя любой тип портативных устройств, такие как смартфоны, планшеты, очки, часы, носимые устройства и т.д.

На Фиг. 16 показана блок-схема, иллюстрирующая процесс 302 хранения, компилирования и анализирования трехмерного профиля пациента с течением времени с целью помощи врачу в принятии решения о лечении на основании нескольких разных точек данных с учетом изменений снимков. Данный вариант осуществления также может включать в себя решения других врачей в подобных ситуациях, в виде двух точек данных пациента. На этапе 304 модуль обучения 72 выполняет анализ снимков от одного или нескольких устройств диагностической визуализации, например, рентгенографию, магниторезонансную томографию (МРТ), компьютерную томографию (КТ) и т.д. для создания двухмерных или трехмерных изображений либо цифровых моделей в момент времени t₁ для тела пациента (например, основных органов тела) и мозга (например, структуры мозга). Несколько двухмерных снимков может быть использовано для трехмерной визуализации определенного органа пациента. На этапе 306 интеллектуальный медицинский процессор 14 дополнительно классифицирует заболевания на основании состояния пациента, определенного по полученным объективным медицинским данным. На этапе 308 интеллектуальный медицинский процессор 14 создает трехмерные изображения выбранного ключевого органа или нескольких ключевых органов. На этапе 310 интеллектуальный медицинский процессор 14 создает для каждого пациента стандартный (или объективный) профиль состояния, при этом объективный профиль состояния пациента может включать в себя набор трехмерных снимков пациента. На этапе 312 интеллектуальный медицинский процессор 14 сохраняет стандартный профиль пациента с трехмерными снимками, а также все применимые двухмерные данные или изображения, в центральной базе данных 16. На этапе 314 интеллектуальный медицинский процессор 14 генерирует трехмерную цифровую модель в момент времени t₂ для этого же пациента с целью определения различий между первой трехмерной цифровой моделью в момент времени t1 и второй трехмерной цифровой моделью в момент времени t₂. На этапе 316 интеллектуальный медицинский процессор 14 определяет различия между первой трехмерной цифровой моделью в момент времени t₁ и второй трехмерной цифровой моделью в момент времени t₂, что может помочь врачу принять решение в отношении процесса лечения пациента. При отсутствии изменений в решении врача, введенном в интеллектуальный медицинский процессор 14, или в случае если интеллектуальный медицинский процессор 14 определяет, что изменение не требуется, на этапе 318 интеллектуальный медицинский процессор записывает трехмерную цифровую модель в момент времени t₂. Если врач принимает решение изменить тип лечения, введенный в интеллектуальный медицинский процессор 14, или в случае если интеллектуальный медицинский процессор 14 определяет, что изменение требуется, на этапе 320 интеллектуальный медицинский процессор записывает вторую трехмерную цифровую модель в момент времени t₂. На этапе 322 интеллектуальный медицинский процессор 14 добавляет решение врача или решение, созданное интеллектуальным медицинским процессором 14, с учетом различий между первой трехмерной цифровой моделью в момент времени t₁ и второй трехмерной цифровой моделью в момент времени t₂, и вводит данные в центральную базу данных для последующего анализа массива данных в процессе принятия врачом решения с учетом различий трехмерных моделей. Процесс продолжается по непрерывному циклу путем возврата с этапа 318 или этапа 322 на этап 314, где момент времени t₂ теперь обозначает следующую точку во времени, а момент времени t₁ теперь обозначает предыдущую точку во времени.

На Фиг. 17 представлена блок-схема, иллюстрирующая процесс 324 хранения, компилирования и анализирования ключевых параметров шаблона пациента с течением времени, помогающий врачу принимать решения между несколькими разными точками данных с учетом изменений ключевых параметров в шаблоне. На этапе 326 интеллектуальный медицинский процессор 14 идентифицирует значение ключевых параметров заболевания, связанного с пациентом, для занесения их в стандартный шаблон пациента в момент времени t₁. На этапе 328 интеллектуальный медицинский процессор 14 выполняет классификацию заболеваний пациента на основании ключевых параметров пациента из шаблона. На этапе 330 интеллектуальный медицинский процессор 14 проводит диагностику с целью определения значения ключевых параметров заболевания, связанного с пациентом в момент времени t₂. На этапе 332 интеллектуальный медицинский процессор 14 определяет различия между значениями первого ключевого параметра в момент времени t₁ и значениями второго ключевого параметра в момент времени t₂. На этапе 334 интеллектуальный медицинский процессор 14 определяет, требуют ли различия между значениями первого ключевого параметра в момент времени t₁ и значениями второго ключевого параметра в момент времени t2 изменения протокола лечения с текущего протокола лечения пациента. С одной стороны, если на этапе 336 в интеллектуальный медицинский процессор 14 поступает информация о решении врача использовать другой способ лечения, интеллектуальный медицинский процессор 14 записывает решение врача с учетом различий в профиле пациента. На этапе 338 интеллектуальный медицинский процессор 14 добавляет решения врача с учетом различий с центральной базой данных для последующего анализа массива данных в процессе принятия решения врачом, с учетом различий значений ключевых параметров в двух или нескольких моментах времени. С другой стороны, при появлении на этапе 340 записи в интеллектуальном медицинском процессоре 14 о решении врача не изменять способ лечения интеллектуальный медицинский процессор 14 записывает значения второго ключевого параметра в стандартный шаблон пациента в момент времени t₂. С этапа 338 и 340 процесс возвращается на этап 326.

На Фиг. 18 представлена блок-схема, иллюстрирующая процесс 342 считывания медицинских данных с использованием электронного нижнего белья 170 или текстильных электродов на одежде 172 из ткани, содержащей токопроводящие волокна, для наблюдения за объективными медицинскими данными пациентов. На этапе 344 электронное устройство прикреплено к нижнему белью мужчины или женщины (электронное нижнее белье). Как показано на Фиг. 18, электронное нижнее белье 170 изготавливается в виде комплекта, состоящего из электронного устройства и нижнего белья, и предназначено для продажи в магазинах розничной торговли. Другие варианты осуществления изобретения могут использовать электронное устройство, продаваемое отдельно и подсоединяемое к нижнему белью. На примере женского нижнего белья - это колготки, в которых электронное устройство крепится к верхней части колготок вокруг талии с очень эластичным поясом.

На этапе 346 электронное устройство на электронном нижнем белье или одежде с текстильными электродами осуществляет наблюдение за пациентом на основании медицинских данных в режиме реального времени (например, температуры, артериального давления, пульса/частоты сердечных сокращений и т.д.), собранных с электронного устройства, которое прикреплено к электронному нижнему белью, или текстильным электродам. На этапе 348 электронное устройство на электронном нижнем белье или текстильные электроды передают медицинские данные в режиме реального времени на мобильное устройство, такое как смартфон 150, через беспроводной протокол, такой как Bluetooth, или мобильную сеть. Дополнительно на этапе 350 данные могут быть выведены на экран или добавлены в краткую сводку или на информационную панель приложения смартфона пациента с целью непрерывного наблюдения за всеми жизненно важными параметрами и изменения настроек.

На этапе 352 смартфон 150 в свою очередь передает медицинские данные в режиме реального времени на основной медицинский сервер 12. На этапе 354 интеллектуальный медицинский процессор 14 анализирует в режиме реального времени объективные медицинские данные пациента 148 на основании объективных медицинских данных пациента 148, ранее сохраненных в центральной базе данных 16 для определения необходимости уведомления врача и пациента о медицинской помощи. Если один из параметров в объективных медицинских данных пациента 148 в режиме реального времени превышает порог для ранее сохраненных объективных медицинских данных пациента 148, на этапе 360 интеллектуальный медицинский процессор 14 отправляет предупреждение лечащему врачу пациента 148 и портативному устройству 150 медицинского мониторинга пациента 148 для информирования пациента 148. В это время на этапе 356 интеллектуальный медицинский процессор 14 сохраняет полученные в режиме реального времени объективные медицинские данные пациента 148 в центральной базе данных 16 путем добавления полученных объективных медицинских данных в существующую электронную медицинскую карту пациента 116. Дополнительно на этапе 358 полученные данные отправляются на смартфон пациента, а приложение выполняет обновление сводки или экрана информационной панели. Если ни один из параметров в объективных медицинских данных в режиме реального времени пациента 148 не превышает порог для ранее сохраненных объективных данных пациента 148, на этапе 362 интеллектуальный медицинский процессор 14 сохраняет объективные медицинские данные пациента 148 в режиме реального времени в центральную базу данных 16. Дополнительно на этапе 364 полученные данные отправляются на смартфон пациента, а приложение выполняет обновление сводки или экрана информационной панели. Пациент 148 используется в целях иллюстрации связи большого объема пациентов, включая пациентов 154, 160 с основным медицинским сервером 12 посредством соответствующего портативного устройства медицинского мониторинга 150. Портативное устройство медицинского мониторинга 150 включает в себя любые типы портативных устройств, такие как смартфоны, планшеты, очки, часы, носимые устройства и т.д.

В некоторых вариантах осуществления электронный контейнер, например, часть портативного устройства, в т.ч. часы, подает пациенту медикаменты через нужные интервалы времени. Например, лекарственные препараты можно хранить в электронном контейнере для повседневного использования. При наступлении времени принятия медикамента электронный контейнер может издавать звуковой сигнал, уведомляющий пациента о необходимости принять лекарственный препарат, полученный из электронного контейнера.

На Фиг. 19A-Q проиллюстрирован примерный список полей для протокола 366 первичного осмотра пациента практикующим врачом-терапевтом. В качестве примера во время физического осмотра лечащий врач измеряет вес, рост и артериальное давление пациента, берет анализы мочи и крови и выполняет различные осмотры, такие как прослушивание сердца, включая снятие электрокардиограммы (ЭКГ), проверку дыхательной системы, осмотр груди, гинекологическое исследование, включая цитологический мазок со слизистой шейки матки, осмотр тестикул, осмотр полового члена и простаты, включая измерение уровня специфического антигена предстательной железы (PSA). Анализ крови включает в себя, не ограничиваясь этим, определение уровня лейкоцитов, эритроцитов, тромбоцитов, гемоглобина, гематокрита, холестерина (ЛПНП, ЛПВП, триглицериды), глюкозы, минералов (в т.ч. калия, кальция, натрия и хлора), общего белка, креатинина, билирубина, альбумина, витамина D, мочевой кислоты, тироксина и тиреотропного гормона (ТТГ). Анализ мочи включает в себя, не ограничиваясь этим, определение цвета и внешнего вида мочи и получения уровня глюкозы, билирубина, кетонов, крови и белка. В качестве профилактических средств также проводятся маммография, скрининг колоректального рака и скрининг остеопороза. Анализы и проверки являются примерами списка полей формы физического осмотра пациента.

На Фиг. 20 представлена примерная блок-схема, иллюстрирующая процесс 368 стандартизации медицинских карт. На этапе 370 врач/терапевт проводит клинические исследования и преобразует результаты этих исследований, в частности, неструктурированные клинические данные в универсальные данные стандартного типа путем выбора/добавления подходящих параметров и кодов из списка в соответствии с процедурой контроля экспертного решения для регистрации и взаимодействия с системой, для заполнения типа и параметра в качестве алгоритма самообучающейся системы. На этапе 374 терапевт/врач проводит клинические мероприятия (например, общее обследование/осмотр в соответствии с симптомами или жалобами пациента) с соблюдением принципов и процедур протокола обследования пациента, например, прием жалоб (местная боль в голове, правом глазу и т.д.), общий осмотр (температура тела, пульс), результаты лабораторных исследований (анализ крови), снимки (компьютерная томография, магнитно-резонансная томография), история болезни. Каждый из элементов проверки имеет заранее определенный соответствующий клинический параметр и коды из списка клинических параметров, при этом коды и значения связаны с пациентом и определяются на основании результатов обследования/осмотра/лабораторных исследований. Отобранные клинические параметры надлежащего типа выбираются из списка всех стандартных типов, таких как название влияния, явление, событие, связанное с клиническими параметрами, параметры и значения международных лабораторных исследований (в т.ч. стандартизированная шкала измерения симптомов/жалоб пациента/интенсивность боли), параметрами образа жизни и конкретные параметры и значения в разное время/дни для кода, возраста и пола конкретного пациента в виде стандартизированных данных для самообучающейся системы. На этапе 376 в соответствующих случаях врач/терапевт выбирает место появления клинического параметра соответствующего типа на трехмерной модели человеческого тела, в том числе точное место появления со снимком, который впоследствии передается на векторную трехмерную модель человеческого тела. При отсутствии клинического параметра надлежащего типа в списке существующих параметров врач/терапевт вручную добавляет новый тип выбранного клинического параметра. Компьютер присваивает временный статус нового типа выбранного клинического параметра (параметров) и добавляет его в список всех стандартных типов. Компьютер отправляет новый тип выбранных клинических параметров ряду клинических экспертов на проверку. Если все эксперты соглашаются с новым типом клинического параметра, компьютер изменяет временный статус нового типа выбранного клинического параметра на постоянный, в рамках интеллектуального машинного обучения. Если согласие в отношении нового типа параметра достигнуто не будет, эксперты обращаются к терапевту/врачу, чтобы помочь ему в поиске подходящего типа выбранного параметра из существующего списка. Если результат не согласуется со всеми выбранными параметрами из списка, терапевт/врач предоставляет экспертам дополнительную информацию для изучения нового типа параметра. Выбранные эксперты принимают согласованное решение в отношении новизны параметра; при этом, если параметр является новым, компьютер изменяет временный статус нового типа выбранного клинического параметра на постоянный в рамках интеллектуального машинного обучения. В противном случае эксперты предоставляют терапевту/врачу пояснение, что никаких новых параметров нет.

На Фиг. 21А показан примерный клинический параметр и перечень кодов 402 для стандартизации медицинских карт. Перечень клинических параметров и кодов может включать в себя коды параметров и данных, такие как имя пациента, возраст, дату посещения клиники, симптомы и жалобы пациента (боль, нарушение работы органа и т.д.), историю болезни пациента, анамнез, общий осмотр (основное состояние, лимфатические узлы, кости, температура тела, сердечно-сосудистая система, дыхательная система, пищеварительная система, мочевыделительная система и дополнительные осмотры), клинический параметр, лабораторный параметр, диагноз, образ жизни и т.д. Стандартизация клинических карт должна быть выполнена с помощью клинического языка и иметь определенный размер компьютерной информации, например, один байт данных. Другими словами, один байт компьютерных данных должен содержать стандартизированный клинический язык, используемый в перечне клинических кодов и параметров 402. При помощи одного байта данных при использовании стандартизированного клинического языка перечень клинических кодов и параметров пациента 402 может быть легко переведен с одного языка на другой, например, с английского на французский или с английского на китайский, а также предоставить стандартизированную информацию для поиска и компьютерного анализа по базе данных.

На Фиг. 21В представлена блок-схема, иллюстрирующая способ 470 стандартизации визуальных представлений (в т.ч. медицинских снимков) от медицинского оборудования для медицинской визуализации, а на Фиг. 21С представлена блок-схема, иллюстрирующая пример перечня клинических параметров и кодов для стандартизации клинических визуальных представлений в соответствии с настоящим изобретением. Стандартизация клинического языка включает в себя, категоризацию медицинских снимков для формирования визуальных представлений внутреннего строения тела для клинического анализа и медицинского вмешательства. Медицинская визуализация позволяет получить двухмерные и трехмерные изображения внутренних структур, закрытых тканями, например, кожей и костями, а также диагностировать и лечить заболевание. Оборудование для медицинской визуализации является частью биологической визуализации и включает в себя рентгенологические исследования, в которых используются такие технологии визуализации, как ультразвук, компьютерная томография (КТ), магнитно-резонансная томография (МРТ), позитронно-эмиссионная томография (ПЭТ/КТ), рентгенография, медицинская ультрасонография, эндоскопия, эластография, тактильная визуализация, термография, медицинская фотография и радионуклидная функциональная визуализация в рамках позитронно-эмиссионной томографии. На этапе 472 интеллектуальный медицинский процессор 14 определяет тип человеческого органа и части тела (например, почка, голова, правая рука и т.д.). На этапе 474 интеллектуальный медицинский процессор 14 определяет оборудование для медицинской визуализации, используемое для классификации визуальных представлений. На этапе 476 интеллектуальный медицинский процессор 14 с помощью соответствующего медицинского эксперта определяет медицинское состояние органа из перечня всех доступных медицинских состояний, используя выбранное оборудование для медицинской визуализации. На этапе 478 интеллектуальный медицинский процессор 14 присваивает уникальный код для каждого медицинского состояния, соответствующего определенному органу. На этапе 480 каждое визуальное представление сопоставляется с указанным в перечне медицинским состоянием. На этапе 482 каждому указанному в перечне медицинскому состоянию присваивается соответствующее описание. На этапе 484 указанному в перечне медицинскому состоянию присваивается одно или несколько числовых значений. На этапе 486 интеллектуальный медицинский процессор 14 использует уникальный код и параметр (значение или размеры) для каждого момента на временной линии для аналитической разгруппировки и поиска, а также для визуализации динамики изменений параметров визуального представления. На этапе 490 интеллектуальный медицинский процессор 14 добавляет новое медицинское состояние из медицинского источника, утвержденное одним или несколькими медицинскими экспертами в соответствующей области.

На Фиг. 22 представлена примерная структура формы 404 клинического параметра. В данной иллюстрации и варианте осуществления форма клинического параметра содержит три раздела: раздел 1 (406) содержит данные значимых (основных) параметров, раздел 2 (408) содержит сложные данные, а раздел 3 (410) содержит данные косвенных параметров. Основные (также именуемые «значимыми») параметры определяют стадию, серьезность и форму заболевания. Значимые параметры могут включать в себя жалобы, результаты осмотра, результаты лабораторных исследований, данные приборных испытаний, симптомы других заболеваний. В соответствии с одним вариантом осуществления косвенные параметры не влияют напрямую и не изменяются в течение заболевания. В разделе 1 и 3 каждый параметр обозначается определенным количеством столбцов в таблице, но произвольным количеством строк, в зависимости от значений, порядков или форм. Данная структурная единица называется «модулем параметра». Каждый модуль параметра содержит «основную строку» 412 и «дополнительную строку» 414. Основная строка 412 содержит: (1) название параметра в столбце «В», (2) характеристику параметра и основную информацию в контексте данного заболевания (с использованием ключевого слова) в столбце «D», (3) основные способы определения параметра в столбце «Е», (4) пояснение основных способов в столбце «F», (5) дополнительную информацию о параметре в столбце «G». Каждая «основная строка» 412 содержит «дополнительную строку» 414, в которой указываются значения, порядок или форма параметра основной строки. Каждый порядок или форма значения включают в себя: (1) описание значения в столбце «С», (2) значения, порядок или форму параметра, например, диапазоны результатов лабораторных исследований, размер, локализацию очага патологии, типы повреждений, серьезность симптома, его продолжительность указываются в поле столбца «Е», (3) характеристику значения параметра в контексте описанных заболеваний и пояснения для каждого значения в столбце «D», (4) специализированные способы определения параметра в столбце «F», (5) дополнительную информацию о значении в столбце «G».

В разделе 2 осложнения должны быть описаны следующим образом: (1) название параметра в столбце «В», (2) описание параметра в столбце «D», (3) код ICD в столбце «G». Основные (значимые) параметры могут определять стадию, серьезность и форму заболевания. Параметры могут включать в себя жалобы, результаты осмотра, результаты лабораторных исследований, данные приборных испытаний, симптомы других заболеваний.

В разделе 3 косвенные параметры 410 обычно не изменяются в ходе заболевания. «Основная строка» 412 содержит: (1) название параметра в столбце «В», (2) характеристику параметра и основную информацию в контексте данного заболевания (с использованием ключевого слова) в столбце «D», (3) основные способы определения параметра в столбце «Е», (4) пояснение основных способов в столбце «F», (5) дополнительную информацию о параметре в столбце «G». Каждая «основная строка» 412 имеет «дополнительную строку» 414, в которой указываются значения, порядок или форма параметра основной строки. Каждый порядок или форма значения включают в себя: (1) описание значения в столбце «С», (2) значения, порядок или форму параметра, например, диапазоны результатов лабораторных исследований, размер, локализация очага патологии, типы повреждений, серьезность симптома, его продолжительность указываются в поле столбца «Е», (3) характеристику значения параметра в контексте описанных заболеваний и пояснения для каждого значения в столбце «D», (4) специализированные способы определения параметра в столбце «F», (5) дополнительную информацию о значении в столбце «G». В разделе 2 название параметра указано в столбце «В», описание параметра указано в столбце «D» 3 и код ICD указан в столбце «Н».

На Фиг. 23 представлена примерная структура пустой формы клинического параметра 416. Пункт «1.2 Патофизиологические симптомы» 418 (раздел «Значимые параметры») в столбце 1 включает в себя параметры меняющихся функций тела, которые ведут к возникновению патологического состояния и которые могут оказывать существенное влияние на медицинское состояние, диагностический скрининг и терапию. Пункт «1.3 Технические параметры» 420 включает в себя параметры для использования и эксплуатации медицинского оборудования. Пункт «1.4 История болезни» 422 включает в себя параметры пациента и/или близких членов семьи в отношении фактического заболевания (фоновые заболевания, гены). Поле в столбце «Код ICD» содержит информацию о связанном пункте (1.4).

На Фиг. 24А представлен пример инструкции 424 для создания формы клинического параметра рака легких - этап 1. Например, в разделе 1 формы первый этап - создание названия параметра в поле столбца «Параметр», например, (значимые) симптомы включают в себя: боль в грудной клетке, кровь в мокроте и кашель.

На Фиг. 24В представлен пример инструкции 426 для создания формы клинического параметра рака легких - этап 2. Характеристика всего параметра в контексте заболевания описывается в поле столбца «Уточнение» применительно к симптомам, например, «прорастание в плевру» для симптома «боль в грудной клетке».

На Фиг. 24С представлен пример инструкции 428 для создания формы клинического параметра рака легких - этап 3. Описание различных значений в поле столбца «Значение, порядок» каждого симптома, например, «умеренная», «сильная» для симптома «боль в грудной клетке».

На Фиг. 24D представлен пример инструкции 430 для создания формы клинического параметра рака легких - этап 4. Уточнения для каждого «значения, порядка» или формы вносятся в поле столбца «Уточнение», например, «неспецифическая» как уточнение значения «умеренная» симптома «боль в грудной клетке», «индикаторы прорастания в плевру (стадия Т3)» как уточнение значения «сильная» симптома «боль в грудной клетке».

На Фиг. 24Е представлен пример инструкции 432 для создания формы клинического параметра рака легких - этап 5. Общие методы определения параметров вписываются в поле столбца «Обнаружение» для каждого симптома, например, «опрос» для обнаружения симптома «боль в грудной клетке».

На Фиг. 24F представлен пример инструкции 434 для создания формы клинического параметра рака легких - этап 6. Соответствующее уточнение вносится в поле столбца «Уточнение способов» каждого симптома. Например, «жалоба» как уточнение способов «опроса» для выявления симптома «боль в грудной клетке», например, «жалоба» в качестве уточнения способов «опроса» для выявления симптома «боль в грудной клетке».

На Фиг. 24G представлен пример инструкции 436 для создания формы клинического параметра рака легких - этап 7. Соответствующее уточнение вписывается в поле столбца «Уточнение способов» каждого симптома, например, «жалоба» в качестве уточнения способов «опроса» для выявления симптома «боль в грудной клетке».

На Фиг. 24Н представлен пример инструкции 438 для создания формы клинического параметра рака легких - этап 8. Подробная (дополнительная) информация о значении или параметре вписывается в поле столбца «Дополнительная информация для параметра или значения». Например, «жалобы пациента: интенсивность боли -> симптомы, возникающие чаще всего; а также частота и продолжительность боли в грудной клетке» в качестве дополнительной информации для симптома «боль в грудной клетке».

На Фиг. 241 представлен пример инструкции 440 для создания формы клинического параметра рака легких - этап 9. Код ICD (если применимо) вписывается в поле столбца «Код ICD».

На Фиг. 25А-М представлены блок-схемы, иллюстрирующие примерную форму 442 клинического параметра для рака легких. Форма заполнена в соответствии со структурой и инструкциями формы клинического параметра.

В качестве примера для рака легких параметры первого уровня (прямые параметры) могут включать в себя, не ограничиваясь этим: 1) тип (мелкоклеточный или немелкоклеточный); (2) стадия (размер опухоли и ее распространение); и (3) оценка (внешний вид и поведение).

Примеры параметров второго уровня для рака легких могут включать в себя наличие мутаций онкогенов: (1) рецептор эпидермального фактора роста (EGFR); (2) гомолог вирусного онкогена саркомы крыс Кирстена (KRAS); и (3) киназа анапластической лимфомы (ALK). Присутствие этих мутаций используется для определения возможности проведения для пациента таргетной терапии для немелкоклеточного рака легких (NSCLC). Параметры второго уровня могут также включать в себя маркеры нейроэндокринной дифференциации, такие как (1) креатинкиназа-ВВ, (2) хромогранин и (3) нейрон-специфическая энолаза; и небольшие пептидные гормоны, такие как (1) гастрин-высвобождающий пептид, (2), кальцитонин и (3) серотонин. Эти маркеры демонстрируют нейроэндокринную дифференциацию мелкоклеточного рака легких. Параметры второго уровня также могут включать в себя осложнения, связанные с раком легких.

Примерами параметров третьего уровня для рака легких могут являться характеристики общего состояния пациента, такие как возраст, личный анамнез рака легких, семейный анамнез рака легких, расовая и этническая принадлежность.

Примеры параметров четвертого уровня могут включать в себя образ жизни и привычки пациента, такие как вес, уровень физической активности, употребление алкоголя, курение, пассивное курение и пищевое поведение (овощи и фрукты или животные жиры).

На Фиг. 26A-S представлены блок-схемы, иллюстрирующие примерную форму 444 клинического параметра для инфаркта миокарда.

В качестве примера параметры первого уровня (прямые параметры) для заболеваний сердечно-сосудистой системы могут включать в себя, не ограничиваясь этим: (1) тип сердечной недостаточности (систолическая или диастолическая дисфункция); (2) стадию заболевания сердечно-сосудистой системы на основании классификации симптомов; (3) оценку заболевания сердечно-сосудистой системы на основании серьезности сердечных симптомов.

В качестве примера параметры второго уровня для заболеваний сердечно-сосудистой системы могут включать в себя, не ограничиваясь этим, маркеры, связанные с заболеваниями сердечно-сосудистой системы. Гены, связанные с инфарктом миокарда, включают в себя PCSK9, SORT1, MIA3, WDR12, MRAS, PHACTR1, LPA, TCF21, MTHFDSL, ZC3HC1, CDKN2A, 2В, ABO, PDGF0, АРОА5, MNF1ASM283, COL4A1, HHIPC1, SMAD3, ADAMTS7, RAS1, SMG6, SNF8, LDLR, SLC5A3, MRPS6 и KCNE2. Данные маркеры могут быть использованы для заболевания, прогноза и лечения заболевания сердечно-сосудистой системы, например, инфаркта миокарда. Параметры второго уровня также могут включать в себя осложнения, связанные с заболеваниями сердечно-сосудистой системы.

В качестве примера параметры третьего уровня для заболевания сердечно-сосудистой системы могут включать в себя общие состояния пациента, например, возраст, личный анамнез заболевания сердечно-сосудистой системы, семейный анамнез заболевания сердечно-сосудистой системы, диабет, высокое артериальное давление, дислипидемия/гиперхолестеринемия (ненормальный уровень липопротеинов в крови), а также расовая и этническая принадлежность.

В качестве примера параметры четвертого уровня могут включать в себя образ жизни и привычки пациента, например, вес, уровень физической активности, курение, употребление алкоголя и пищевое поведение (трансжиры), а также уровень стресса на работе.

На Фиг. 27А-М представлены блок-схемы, иллюстрирующие примерную форму 446 клинического параметра для аппендицита.

На Фиг. 28 представлена блок-схема, иллюстрирующая примерное вычислительное устройство 28 для использования в глобальной системе 10 анализа медицинских данных. Компьютерная система 448 включает в себя процессор 450 для обработки информации, при этом процессор 450 связан с шиной 452 или другим каналом информации для отправки и приема информации. Процессор 450 может представлять собой процессор 450, показанный на Фиг. 28, или другой процессор, используемый для выполнения различных функций, описанных в настоящем документе. В некоторых случаях для осуществления процессора 450 в виде интегральной схемы может использоваться компьютерная система 448. Компьютерная система 448 также включает в себя основное запоминающее устройство 454, например, оперативное запоминающее устройство (ОЗУ) или другое устройство динамического хранения данных, связанное с шиной 452 для хранения информации и инструкций, выполняемых процессором 450. Основное запоминающее устройство 454 также может использоваться для хранения временных переменных или другой промежуточной информации во время выполнения инструкций процессором 450. Компьютерная система 448 также содержит постоянное запоминающее устройство (ПЗУ) 456 или другое устройство статического хранения данных, связанное с шиной 452 для хранения статической информации и инструкций для процессора 450. Устройство хранения данных 458, такое как магнитный диск (например, жесткий диск), оптический диск или флэш-память, соединено с шиной 452 для хранения информации и инструкций. Компьютерная система 448 (например, настольные компьютеры, ноутбуки, планшеты) может работать с любой операционной системой, такой как Windows® от Microsoft Corporation, MacOS или iOS от Apple, Inc., Linux, UNIX, и/или Android от Google Inc.

Компьютерная система 448 может соединяться через шину 452 с дисплеем 460, например, дисплеем с плоским экраном, для отображения информации пользователю. Устройство ввода 462, включая устройство буквенно-цифрового ввода, ручку или сенсорный экран и другие типы клавиатур, соединено с шиной 452 для обмена информацией и отправки команд на процессор 450. Еще одним типом пользовательского устройства ввода является устройство управления курсором 464, такое как мышь (проводная или беспроводная), трекбол или оптическая мышь, или клавиши управления курсором для обмена информацией и отправки команд на процессор 450, а также для управления движением курсора на дисплее 460. Данное устройство ввода, как правило, имеет две степени свободы в двух осях: первой оси (например, х) и второй оси (например, y), которые позволяют устройству определять положения на плоскости.

Процессы и модули, описанные для Фиг. 1-28 могут непрерывно усовершенствоваться со временем за счет сбора и анализа дополнительных данных таким образом, чтобы интеллектуальный медицинский процессор 14 смог выполнять функцию «электронного врача», рекомендующего лечение с высокой степенью надежности и эффективности на основании объективных медицинских данных пациента.

Компьютерная система 448 может использоваться для выполнения различных функций (например, вычислений, расчетов и т.д.) в соответствии с описанными в настоящем документе вариантами осуществления. В соответствии с одним вариантом осуществления такое использование обеспечивается компьютерной системой 448, реагирующей на процессор 450, который выполняет одну или несколько последовательностей одной или более инструкций, содержащихся в основной памяти 454. Такие инструкции могут записываться с основную память 454 с другого считываемого компьютерного носителя, такого как устройство хранения данных 458. Выполнение последовательностей инструкций, хранящихся в основной памяти 454, позволяет процессору 450 выполнять описанные в настоящем документе этапы способа. Один или несколько процессоров в мультипроцессорной среде также могут использоваться для выполнения последовательностей инструкций, хранящихся в основной памяти 454. В альтернативных вариантах осуществления аппаратно-реализованная схема может использоваться вместо или вместе с программными инструкциями для воплощения изобретения. Таким образом, изобретение не ограничивается любой конкретной комбинацией аппаратного и программного обеспечения.

Термин «машиночитаемый носитель», используемый в настоящем документе, относится к любому носителю, который участвует в предоставлении процессору 450 исполняемых инструкций. Основные виды компьютерных носителей включают, не ограничиваясь этим, энергозависимую память, энергонезависимую память, средства связи, дискета, гибкий диск, жесткий диск, магнитную ленту, любой другой магнитный носитель, CD-ROM, DVD, диск Blu-ray, любой другой оптический носитель, перфокарты, бумажную ленту, любой другой физический носитель с рисунками из отверстий, RAM, PROM, EPROM, FLASH-EPROM, любую другую схему памяти или картридж, несущую волну в качестве описанного в настоящем документе или любого другого носителя, который может считываться компьютером. Энергозависимые носители включают в себя, например, оптические или магнитные диски, такие как устройство хранения данных 458. Энергонезависимые носители включают в себя динамическую память, такую как основное запоминающее устройство 454. Средства связи включают в себя коаксиальные кабели, медный провод и оптоволокно. Средства связи также могут иметь вид акустических или световых волн, например, созданных во время передачи радиоволн и инфракрасных данных. Среда передачи также может включать в себя беспроводные сети, например, WiFi и сотовые сети.

При передаче на процессор 450 одной или нескольких исполняемых последовательностей или одной или нескольких инструкций могут использоваться различные формы машиночитаемых носителей. Например, инструкции могут первоначально выполняться на магнитном диске удаленного компьютера. Удаленный компьютер может загружать инструкции в свою динамическую память и отправлять инструкции по каналу связи 466. Компьютерная система 448 включает в себя интерфейс связи 468 для приема данных по каналу связи 466. Шина 452 передает данные в основную память 454, из которой процессор 450 получает и выполняет инструкции. Инструкции, получаемые основной памятью 454, могут дополнительно храниться на устройстве 458 хранения данных до или после выполнения процессором 450.

Интерфейс связи 468, соединенный с шиной 452, обеспечивает двухсторонний обмен данными с каналом 466 связи, который соединяется с сетью 18. Интерфейс связи 468 может быть реализован разными способами, включая, но не ограничиваясь этим, интерфейсами связи для обмена данными по цифровой сети с комплексом услуг (ISDN), локальной вычислительной сети (LAN), беспроводной локальной вычислительной сети (WLAN), глобальной сети (WAN), Bluetooth и сотовой системе передачи данных (например, 3G, 4G, 5G и так далее). В беспроводных каналах интерфейс связи 468 отправляет и принимает электрические, электромагнитные или оптические сигналы, передающие потоки данных, представляющие различные типы информации.

Основной медицинский сервер 12 может быть реализован в виде подключенной к сети компьютерной системы или выделенной компьютерной системы, работающей с клиент-серверной архитектурой или работающей в среде облачных вычислений. В одном варианте осуществления облачный компьютер представляет собой операционную систему на базе браузера, обменивающуюся данными по компьютерной сети на базе Интернет, обеспечивающую динамически масштабируемые и часто виртуализированные ресурсы в виде услуг через Интернет, такие как iCloud® от Apple Inc., Купертино, штат Калифорния, Amazon Web Services (IaaS) и Elastic Compute Cloud (EC2) от Amazon.com, Inc., Сиэтл, штат Вашингтон, SaaS и PaaS от Google Inc., Маунтин-Вью, штат Калифорния, Microsoft Azure Service Platform (Paas) от Microsoft Corporation, Редмонд, штат Вашингтон, Sun Open Cloud Platform от Oracle Corporation, Редвуд-сити, штат Калифорния, и от других поставщиков услуг облачных вычислений Веб-браузер представляет собой программное приложение для извлечения, представления и передачи унифицированного идентификатора ресурса (URI) по глобальной сети связи, обеспечиваемой облачным компьютером или веб-серверами. Один из распространенных типов URI начинается с протокола передачи гипертекста (HTTP) и определяет извлекаемый ресурс по HTTP. Веб-браузер может включать в себя, не ограничиваясь этим, браузеры, работающие под управлением операционных систем персонального компьютера, а также браузеры, работающие на платформах мобильных телефонов. Первый тип веб-браузеров может включать в себя Microsoft Internet Explorer, Apple Safari, Google Chrome и Mozilla Firefox. Второй тип веб-браузеров может включать в себя iPhone OS, Google Android, Nokia S60 и Palm WebOS. Примерами URI являются веб-страница, изображение, видео или контент другого типа.

Сеть 18 может быть реализована в виде протокола беспроводной сети, протокола проводной сети или любых подходящих протоколов связи, таких как 3G (мобильные телекоммуникации 3-го поколения), 4G (сотовые беспроводные стандарты 4-го поколения), стандарт «Долгосрочное развитие» (LTE), 5G, глобальная вычислительная сеть (WAN), Wi-FiTM, например беспроводная локальная вычислительная сеть (WLAN) 802.1 In или подключение к локальной вычислительной сети (LAN) (межсетевое соединение с WAN или LAN), Ethernet, BluetoothTM, высокочастотные системы (например, системы связи 900 МГц, 2,4 ГГц и 5,6 ГГц), инфракрасные, протокол управления передачей/Интернет-протокол (TCP/IP) (например, любой из протоколов, используемых в каждом из слоев TCP/IP), протокол передачи гипертекста (HTTP), BitTorrentTM, протокол передачи файлов (FTP), транспортный протокол реального времени (RTP), протокол потоковой передачи данных реального времени (RTSP), безопасный командный протокол (SSH), любой другой протокол связи и другие типы сетей, например, спутниковая, кабельная сеть или приставки оптической сети (STB). SmartAuto включает в себя автомобиль с процессором, памятью, экраном, возможностью подключения к беспроводной локальной вычислительной сети (WLAN) и глобальной вычислительной сети (WAN), либо автомобиль с телекоммуникационным разъемом для подключения мобильного устройства, например, iPod, iPhone и iPad. SmartTV включает в себя телевизионную систему, имеющую систему связи для передачи и приема видеоизображений (монохромных или цветных), фотоснимков и звука. Телевизионная система выполняет функцию телевизора, компьютера, развлекательного центра и устройства хранения данных. Средство телекоммуникации телевизионной системы включает в себя телевизор, набор телепрограмм, телепередачи, набор кабельных программ, кабельную передачу данных, набор спутниковых программ, спутниковую передачу данных, набор Интернет-программ и Интернет-передачу данных.

Некоторые части приведенного выше описания относятся к вариантам осуществления с точки зрения алгоритмических описаний и процессов, например, в виде описания Фиг. 1-28. Эти операции (например, описанные выше процессы), описываемые в функциональном, расчетном или логическом виде, могут быть реализованы посредством компьютерных программ или эквивалентных электрических цепей, микрокода и т.д. Компьютерные программы обычно встраиваются в виде инструкций, которые могут быть сохранены на реальном компьютерном носителе данных (например, флэш-диске или памяти), и выполняются процессором, например, в соответствии с описанием Фиг. 1-28. Кроме того, периодически удобно называть такие группы операций модулями, без потери общности. Описанные операции и связанные с ними модули могут быть реализованы в виде программного, встроенного программного, аппаратного обеспечения или их комбинаций.

Используемые в данном документе ссылки на «один из вариантов осуществления» или «вариант осуществления» означают, что конкретный элемент, особенность, структура или характеристика, описанные в отношении варианта, включены в состав по меньшей мере одного варианта осуществления. Фраза «в одном из вариантов осуществления», присутствующая в различных местах в описании, необязательно относится к одному варианту осуществления.

Некоторые варианты осуществления могут быть описаны с использованием выражения «соединенный» или «связанный», а также его производных. Следует понимать, что такие термины не являются синонимами друг друга. Например, некоторые варианты осуществления могут быть описаны с использованием термина «связанный» с целью указать, что два или более элемента находятся в прямой физической или электрической связи друг с другом. В другом примере некоторые варианты осуществления могут быть описаны с использованием термина «соединенный» с целью указать, что два или более элемента находятся в прямой физической или электрической связи. Тем не менее, термин «соединенный» может означать, что два или более элемента не находятся в прямой связи друг с другом, но при этом взаимодействуют друг с другом. Варианты осуществления не ограничиваются данным контекстом.

Используемые в данном документе термины «включает в себя», «включающий в себя», «содержит», «содержащий», «имеет», «имеющий» или любые их варианты предназначены для неисключительного использования. Например, процесс, способ, предмет или аппаратура, включающие в себя перечень элементов, не обязательно ограничиваются только этими элементами, а могут содержать другие элементы, не перечисленные явно или не имеющие связи с данным процессом, способом, предметом или аппаратурой. Кроме того, если обратное явно не указано, «или» обозначает «включающее или» и «не исключающее или». Например, условие А или В выполняется в одном из перечисленных случаев: А верно (или присутствует) и В неверно (или отсутствует), А неверно (или отсутствует) и В верно (или присутствует), а также А и В верны (или присутствуют).

Используемые в настоящем документе термины «некоторый» определяют один или несколько предметов. Используемый в данном документе термин «совокупность» определяет два или более предметов. Используемый в данном документе термин «другой» определяет, как минимум, второй или более.

Используемый в данном документе термин «субъект» относится к бессимптомному или симптоматическому пациенту. Пациент может быть бессимптомным или симптоматическим для одного или нескольких заболеваний или патологических состояний.

Данное изобретение может быть реализовано множеством путей, включая использование вычислительного способа процесса, аппаратуры и систем. В данной спецификации такие варианты осуществления или любая другая форма изобретения могут называться технологиями. В общем случае порядок подключения описанной аппаратуры можно изменить в пределах объема данного изобретения.

Описание настоящего изобретения приведено применительно к одному возможному варианту осуществления. Специалистам в данной области должно быть понятно, что изобретение может быть реализовано в виде других вариантов. Во-первых, особенности именования компонентов, применение заглавных букв в словах, атрибуты, структуры данных и любые другие аспекты программирования или структурные аспекты не являются обязательными или существенными, а механизмы, реализующие изобретение или его возможности, могут иметь другие названия, форматы или протоколы. Кроме того, система может быть реализована с помощью комбинации аппаратного и программного обеспечения, как описано в настоящем документе, или полностью аппаратным способом. Кроме того, разделение функциональности между различными описанными в настоящем документе компонентами системы представлено лишь в качестве примера и не является обязательным; функции, выполняемые одним компонентом системы, могут вместо этого выполняться несколькими компонентами, а функции, выполняемые несколькими компонентами, могут вместо этого выполняться с помощью одного компонента.

Среднему специалисту не должно потребоваться никаких дополнительных объяснений при разработке способов и систем, описанных в данном документе, но, возможно, существуют какие-либо полезные инструкции по подготовке данных способов и систем в стандартных справочниках в соответствующей области техники.

Варианты осуществления могут быть воплощены в компьютерной программе, которая реализовывает функции, описанные и проиллюстрированные в настоящем документе, при этом компьютерная программа применяется в компьютерной системе, которая содержит инструкции, хранящиеся на машиночитаемых носителях, и процессор, который выполняет эти инструкции. Тем не менее, следует понимать, что возможно множество других вариантов осуществления компьютерного программирования, при этом варианты осуществления не должны рассматриваться как ограниченные одним любым набором инструкций компьютерной программы. Кроме того, опытный программист сможет написать компьютерную программу для осуществления раскрытых вариантов осуществления на основании прилагаемых блок-схем и соответствующего описания в тексте заявки. Таким образом, раскрытие определенного набора инструкций программного кода не считается необходимым для адекватного понимания того, как создать и использовать варианты осуществления. Кроме того, специалисты в данной области техники должны понимать, что один или несколько аспектов вариантов осуществления, раскрытых в настоящем документе, могут быть реализованы с помощью аппаратного обеспечения и (или) программного обеспечения в виде одной или нескольких вычислительных систем. Более того, любая ссылка на выполняемое действие не должна рассматриваться как выполняемое одним компьютером, т.е. оно может быть выполнено несколькими компьютерами.

Примеры систем, способов и действий, описанных выше в вариантах осуществления, являются иллюстративными, при этом в альтернативных вариантах осуществления определенные действия могут выполняться в другом порядке, параллельно друг с другом, полностью пропущены, объединены из разных вариантов осуществления и/или дополнительно могут быть выполнены определенные действия без отступления от объема и сущности различных вариантов осуществления. Соответственно, подобные альтернативные варианты осуществления включены в объем заявленного изобретения.

Хотя выше были подробно рассмотрены конкретные варианты осуществления изобретения, описание приведено исключительно в наглядных целях. Таким образом, следует понимать, что многие описанные выше аспекты не должны рассматриваться как необходимые или важные элементы, если явно не указано иное. В дополнение к описанным выше аспектам иллюстративных вариантов осуществления средний специалист в данной области техники может внести изменения и использовать эквивалентные компоненты или действия, соответствующие настоящему изобретению, для достижения преимуществ настоящего изобретения без отступления от объема и сущности изобретения, как указано в приведенных ниже пунктах формулы изобретения, которые должны рассматриваться в самом широком смысле и включают в себя такие модификации и эквивалентные конструкции.

Примеры

Нижеприведенные примеры иллюстрируют предлагаемые методики. Данные примеры не предназначены и не могут интерпретироваться как ограничивающие объем изобретения. Следует понимать, что эти способы могут быть реализовано иначе, чем описано в настоящем документе. В свете изложенных в настоящем документе идей возможны многочисленные модификации и вариации, которые включены в объем изобретения.

При посещении новым онкологическим больным врача история болезни нового пациента, результаты лабораторных исследований и снимки КТ, рентгеновские снимки, снимки ПЭТ и маммография вводятся в компьютерную систему. При необходимости дополнительных анализов, таких как лабораторные анализы на наличие онкомаркеров, данные анализы выполняются, после чего результаты вводятся в компьютерную систему. После ввода всей информации о пациенте в систему врач может использовать процесс, обеспечиваемый описанной в настоящем документе компьютерной системой, для определения курса лечения пациента. Компьютеризированный способ содержит разгруппировку объективных медицинских данных нескольких пациентов для классификации данных по подгруппам. Объективные медицинские данные включают в себя параметры пациента. Компьютерная система рекомендует оптимальный курс лечения, включая протокол лечения и план лечения на основании всей медицинской информации нового пациента.

Пример 1: Определение курса лечения пациента, больного раком груди

Параметры первого уровня для рака груди могут включать в себя следующие признаки новообразований: (1) инвазивная опухоль или опухоль in situ; (2) если инвазивная, наличие метастаз опухоли; (3) протоковая или очаговая; (4) стадия; и (5) оценка.

Параметры второго уровня для рака груди могут включать в себя присутствие онкомаркеров, таких как рецептор эстрогена (ER), рецептор прогестерона (PR), рецептор эпидермального фактора роста 2 (HER2), раковый антиген 15-3 (СА 15-3), раковый антиген 27.29 (СА 27.29), карциноэмбриональный антиген (СЕА), активатор плазминогена урокиназы (uPA), и ингибитор активатора плазминогена (PAI-1).

Параметры третьего уровня для рака груди могут включать в себя общее состояние пациента, например, возраст, анамнез заболевания раком груди (в случае рецидива) и рака яичников, семейный анамнез рака молочной железы, наследственный и генетический риск (наличие мутаций в генах рака молочной железы 1 или 2 (BRCA 1 или 2)), воздействие эстрогена и прогестерона, заместительная гормональная терапия после менопаузы, прием оральных контрацептивов, расовую и этническую принадлежность.

Параметры четвертого уровня могут включать в себя образ жизни и привычки пациента, такие как вес, уровень физической активности, употребление алкоголя и пищевое поведение (употребление овощей и фруктов или животных жиров).

Условный курс лечения для пациента, больного раком груди, имеющего положительные результаты анализов на ER и PR, содержит гормональную терапию. В зависимости от всех параметров, связанных с пациентом, компьютерная система может рекомендовать конкретную гормональную терапию, такую как специфический ингибитор ароматазы, селективный модулятор рецептора эстрогена или ингибитор рецепторов эстрогена. Тем не менее, в зависимости от других параметров, связанных с пациентом, компьютерная система может рекомендовать конкретную гормональную терапию и дополнительный курс лечения. Компьютерная система может рекомендовать гормональную терапию в дополнение к хирургическому удалению яичников и фаллопиевых труб в качестве превентивной меры.

Для пациента, больного раком груди с тройным негативным результатом (пациента, чьи клетки рака молочной железы не проявляют гены ER, PR и HER2) гормональная терапия будет неэффективной. В зависимости от всех параметров, связанных с пациентом, компьютерная система может порекомендовать химиотерапию, лучевую терапию, хирургическое вмешательство или их комбинацию на основании компьютерного анализа медицинских данных в системе. Например, компьютерная система может рекомендовать мастэктомию в рамках лампэктомии в виде формы хирургического вмешательства. В качестве альтернативы компьютерная система может порекомендовать химиотерапию в определенной дозировке.

Пример 2: Определение курса лечения пациента, больного раком легких

Для рака легких параметры первого уровня могут включать в себя: (1) тип; (2) стадию и (3) оценку.

Параметры второго уровня могут включать в себя наличие мутаций онкогенов для определения эффективности таргетной терапии NSCLC. Такими онкогенами являются: (1) рецептор эпидермального фактора роста (EGFR); (2) гомолог вирусного онкогена саркомы крыс Кирстена (KRAS); и (3) киназа анапластической лимфомы (ALK). Параметры второго уровня могут также включать в себя маркеры нейроэндокринной дифференциации, такие как (1) креатинкиназа-ВВ, (2) хромогранин и (3) специфическая нейрон энолаза; и небольшие пептидные гормоны, такие как (1) гастрин-высвобождающий пептид, (2) кальцитонин и (3) серотонин.

Параметрами третьего уровня для рака легких могут являться характеристики общего состояния пациента, такие как возраст, личный анамнез рака легких, семейный анамнез рака легких, расовая и этническая принадлежность.

Параметры четвертого уровня могут включать в себя образ жизни и привычки пациента, такие как вес, уровень физической активности, употребление алкоголя, курение, пассивное курение и пищевое поведение (овощи и фрукты или животные жиры).

Лечение рака легких у пациентов обычно осуществляют посредством химиотерапии, хирургического вмешательства, лучевой терапии и/или таргетной терапии. В зависимости от всех параметров, связанных с пациентом, компьютерная система может порекомендовать комбинацию видов лечения в виде курса лечения пациента. Например, химиотерапию можно рекомендовать до или после хирургического вмешательства, либо химиотерапию можно рекомендовать в сочетании с лучевой терапией на основании компьютерного анализа медицинских анализа в системе. Компьютерная система также может рекомендовать конкретное хирургическое вмешательство, такое как лобэктомия, сегментэктомия или пневмонэктомия.

В зависимости от наличия мутации в онкогене у пациента компьютерная система может порекомендовать таргетную терапию, блокирующую онкоген. Например, для блокирования EGFR использовали препараты эрлотиниб и гефитиниб. Гилотриф представляет собой ингибитор тирозинкиназы, который останавливает неконтролируемый рост клеток, вызванный мутацией в гене EGFR. Кризотиниб используется для лечения NSCLC с мутацией в гене ALK.

Группа изобретений относится к медицине, а именно к средствам анализа объемных электронных медицинских карт или электронной истории болезни, и может быть использована для оптимизации плана лечения пациента и выбора курса лечения. Способ включает в себя хранение совокупности объективных медицинских данных для множества пациентов, где объективные медицинские данные каждого пациента структурированы в виде множественных элементов для использования при хранении объективных медицинских данных. При этом объективные медицинские данные каждого пациента содержат историю болезни пациента. Проводят разгруппировку указанной совокупности объективных медицинских данных пациентов для классификации совокупности объективных медицинских данных по подгруппам. При этом этап классификации включает в себя по меньшей мере один уровень классификации, основанный на параметрах каждого пациента, его заболевании, лечении этого заболевания, которое проходил пациент, и результате этого лечения, а также итеративное повторение данной процедуры по одному разу для каждой подгруппы на каждом уровне, пока не будет идентифицирован набор подгрупп, которые меньше ранее сформированных подгрупп, причем пациенты в меньших подгруппах имеют сходные клинически релевантные параметры и сходные результаты лечения. Вычисляют свойства групп пациентов, включая их ожидаемый клинический результат на конкретное лечение, на основе известных результатов пациентов, ранее прошедших такое же лечение. При этом у упомянутых пациентов есть общие демографические, генетические, анамнестические и диагностические параметры. Получают шаблон заболевания нового пациента с объективными медицинскими данными нового пациента, основанными на заболевании этого пациента. Причем шаблон нового пациента включает в себя, по меньшей мере, клинически релевантные параметры нового пациента и по меньшей мере одно заболевание нового пациента. Сопоставляют параметры и заболевание нового пациента с соответствующими параметрами и заболеванием из разгруппированных подгрупп, чтобы выбрать наиболее похожие и определить вероятные результаты возможных вариантов лечения для нового пациента на основании результатов лечения для пациентов в соответствующих подгруппах. Система выбора курса лечения содержит модули для выполнения способа, который содержит этапы, на которых выполняют хранение совокупности объективных медицинских данных для множества пациентов, где объективные медицинские данные каждого пациента структурированы в виде множественных элементов для использования при хранении объективных медицинских данных. Получают индивидуальный шаблон пациента с объективными медицинскими данными пациента на основании заболевания пациента. Разгруппировывают объективные медицинские данные пациента с совокупностью объективных медицинских данных для классификации совокупности объективных медицинских данных по подгруппам. Причем этап классификации включает в себя один и более уровней классификации, начиная с первого набора параметров, после которого идут дополнительные наборы параметров, и продолжая данный процесс, пока параметры пациента и заболевание не будут соответствовать разгруппированным подгруппам. После этого определяют вероятные результаты возможных вариантов лечения для пациента на основании результатов лечения для пациентов в указанных подгруппах. Также система содержит модуль ввода, выполненный с возможностью получать шаблон заболевания нового пациента с объективными медицинскими данными нового пациента, основанными на заболевании этого пациента, причем шаблон нового пациента включает в себя, по меньшей мере, клинически релевантные параметры нового пациента и по меньшей мере одно заболевание нового пациента; и модуль сопоставления, который соединен с возможностью связи с модулем разгруппировки и модулем ввода и выполнен с возможностью сопоставлять параметры и заболевание нового пациента с соответствующими параметрами и заболеванием в разгруппированных подгруппах для выбора наиболее сходных подгрупп и определения вероятных результатов возможных вариантов лечения для нового пациента на основании результатов лечения для пациентов в соответствующих подгруппах. Группа изобретений позволяет оптимизировать лечение пациентов и формирование планов лечения. 6 н. и 62 з.п. ф-лы, 103 ил., 2 пр.

1. Способ обработки электронных медицинских карт для оптимизации плана лечения пациента, основанный на наблюдаемых, вычисленных и полученных параметрах, включающий в себя:

хранение совокупности объективных медицинских данных для множества пациентов, где объективные медицинские данные каждого пациента структурированы в виде множественных элементов для использования при хранении объективных медицинских данных, при этом объективные медицинские данные каждого пациента содержат, по меньшей мере, параметры пациента, заболевания пациента, лечение, которое проходил пациент, а также результаты лечения;

разгруппировку указанной совокупности объективных медицинских данных пациентов для классификации совокупности объективных медицинских данных по подгруппам, при этом этап классификации включает в себя по меньшей мере один уровень классификации, основанный на параметрах каждого пациента, его заболевании, лечении этого заболевания, которое проходил пациент, и результате этого лечения, а также итеративное повторение данной процедуры по одному разу для каждой подгруппы на каждом уровне, пока не будет идентифицирован набор подгрупп, которые меньше ранее сформированных подгрупп, причем пациенты в меньших подгруппах имеют сходные клинически релевантные параметры и сходные результаты лечения;

вычисление свойств групп пациентов, включая их ожидаемый клинический результат на конкретное лечение, на основе известных результатов пациентов, ранее прошедших такое же лечение, при этом у упомянутых пациентов есть общие демографические, генетические, анамнестические и диагностические параметры;

получение шаблона заболевания нового пациента с объективными медицинскими данными нового пациента, основанными на заболевании этого пациента, причем шаблон нового пациента включает в себя, по меньшей мере, клинически релевантные параметры нового пациента и по меньшей мере одно заболевание нового пациента; и

сопоставление параметров и заболевания нового пациента с соответствующими параметрами и заболеванием из разгруппированных подгрупп, чтобы выбрать наиболее похожие и определить вероятные результаты возможных вариантов лечения для нового пациента на основании результатов лечения для пациентов в соответствующих подгруппах.

2. Способ по п. 1, в котором разгруппировка совокупности объективных медицинских данных пациентов в подгруппы, а также этап классификации при сопоставлении шаблона заболевания нового пациента включает в себя один и более уровней классификации, начиная с первого набора параметров, после которого идет второй набор параметров, и продолжая данный итеративный процесс, пока не будет идентифицирована меньшая сходная группа с согласующимися результатами для лечения заболеваний, и отфильтрована относительно объективных медицинских данных нового пациента.

3. Способ по п. 1, в котором разгруппировку повторяют, когда в хранилище системы добавлена совокупность объективных медицинских данных, соответствующая новым или имеющимся пациентам, чтобы создать значимое изменение энтропии любых подгрупп, причем указанное изменение считается значимыми, если оно составляет более трех процентов (3%).

4. Способ по п. 1, в котором подгруппы, полученные разгруппировкой, объединяют в более крупные группы при отсутствии статистически значимых различий в реакции пациентов на полученное лечение, где значимость определяют с помощью двуххвостового t-критерия Стьюдента с заданным уровнем значимости p < 0,05.

5. Способ по п. 1, в котором реакция пациента на лечение представляет собой не одно значение, а вектор реакций, соответствующих траектории от времени.

6. Способ по п. 1, в котором этап разгруппировки включает в себя использование энтропии (H) для группы пациентов G, которая рассчитывается из следующего уравнения:

где p(t(q_i) = R) – вероятность того, что пациент q_i, прошедший лечение t, получит результат R, а H(G) – энтропия группы пациентов G.

7. Способ по п. 6, в котором этап разгруппировки включает в себя использование условной энтропии для каждой подгруппы пациентов G по отношению к результату R случайной величины, когда конкретный атрибут x₁ ... x_k имеет значение выше порогового значения и вычисляется из следующего уравнения:

H(G|x_l > Пороговое значение (x_l), … , x_k > Пороговое значение (x_k),

где x₁-x_k представляют собой один и более выбранных параметров пациента, условная энтропия эквивалентна энтропии для подгруппы по отношению к R, в котором подгруппа выбрана так, что значения параметров попадают в соответствующие заданные пороговые значения, а пороговые значения определяются их минимальными значениями.

8. Способ по п. 7, в котором пороговые значения задаются комбинацией минимальных и максимальных значений параметров:

H(G|x_l > Пороговое значение (x₁), … , x_k < Пороговое значение (x_k).

9. Способ по п. 7, где пороговые значения задаются комбинацией минимального значения, максимальных значений или точных значений параметров пациента:

H(G|x_l > Пороговое значение (x_l), … , x_k = Пороговое значение (x_k).

10. Способ по п. 7, в котором в процессе разгруппировки определяют атрибут, максимально снижающий общую энтропию, выраженный следующим уравнением:

I(G, A) = H(G) − Argmin_xi∈X[H(G|x_l > Пороговое значение (x_l), … , x_k > Пороговое значение (x_k)],

где оператор Argmin выбирает один и более параметров пациента x_i из большего набора параметров X пациента, который максимизирует снижение энтропии, а I(G, A) означает приращение информации.

11. Способ по п. 8, в котором в процессе разгруппировки определяют атрибут, максимально снижающий общую энтропию, выраженный следующим уравнением:

I(G, A) = H(G) − Argmax_xi∈X[H(G|x₁ > Пороговое значение (x_l), … , x_k < Пороговое значение (x_k)],

где оператор Argmax выбирает один и более параметров пациента x_i из большего набора параметров X пациента, который максимизирует снижение энтропии, а I(G, A) означает приращение информации.

12. Способ по п. 9, в котором в процессе разгруппировки определяют атрибут, максимально снижающий общую энтропию, выраженный следующим уравнением:

I(G, A) = H(G) − Argmax_xi∈X[H(G|x_l > Пороговое значение (x_l), … , x_k = Пороговое значение (x_k)],

где оператор Argmax выбирает один и более параметров пациента x_i из большего набора параметров X пациента, который максимизирует снижение энтропии, а I(G, A) означает приращение информации.

13. Способ по п. 1, в котором сопоставление параметров нового пациента с параметрами разгруппированных подгрупп выполняют путем вычисления разностей между соответствующими параметрами нового пациента и подгруппы, последующего суммирования этих разностей и выбора подгруппы с минимальной суммой разностей относительно параметров нового пациента.

14. Способ по п. 1, в котором сопоставление параметров нового пациента с параметрами разгруппированных подгрупп выполняют путем подсчета количества различий между соответствующими параметрами нового пациента и подгруппы и выбора подгруппы с наименьшим количеством отличающихся параметров относительно параметров нового пациента.

15. Способ по п. 1, в котором сопоставление параметров нового пациента с параметрами разгруппированных подгрупп выполняют путем вычисления разностей между соответствующими параметрами нового пациента и подгруппы, последующего суммирования квадратов этих разностей и выбора подгруппы с самой маленькой суммой квадратов разностей относительно параметров нового пациента.

16. Способ по п. 1, в котором сумму разностей между параметрами y_i пациента Q и параметрами g(x_i) подгруппы G рассчитывают по следующей формуле:

Наилучшее соответствие (Q, G) = Argmin_gj∈G [∑_i=1,…k||g_j(x_i_) − y_i||_p],

где p – математическая норма, по умолчанию равная 1.

17. Способ по п. 1, также включающий в себя до получения шаблона нового пациента разгруппировку совокупности объективных медицинских данных пациентов для классификации совокупности объективных медицинских данных по подгруппам, при этом этап классификации включает в себя по меньшей мере один уровень классификации на основании параметров каждого пациента, его заболевания, лечения этого заболевания, которое проходил каждый пациент, и результата такого лечения, а также итеративное повторение данной процедуры для каждой подгруппы, пока не будет идентифицирован набор меньших подгрупп, где пациенты в меньших подгруппах имеют сходные параметры и сходные результаты лечения.

18. Способ по п. 1, в котором параметры пациента дополняют атрибутами, полученными из оригинальных параметров путем автоматизированных преобразований и комбинирования оригинальных параметров пациента.

19. Способ по п. 18, в котором параметры пациента преобразуют в нормализованные диапазоны для множества пациентов в целом.

20. Способ по п. 19, в котором нормализацию выполняют по всему множеству пациентов в подгруппе.

21. Способ по п. 20, в котором параметры пациента преобразуют в процентили для множества пациентов в целом.

22. Способ по п. 21, в котором процентильные значения применяют к множеству пациентов в подгруппе.

23. Способ по п. 1, в котором параметры пациента первого уровня включают в себя параметры, относящиеся к первичному заболеванию и общим клиническим состояниям пациента, а второй набор параметров относится ко вторичному заболеванию.

24. Способ по п. 23, в котором общее клиническое состояние пациента оценивают по шкале Карновского.

25. Способ определения курса лечения для нового пациента, включающий в себя:

хранение в компьютерной системе совокупности объективных медицинских данных для множества пациентов, где объективные медицинские данные каждого пациента структурированы в виде множественных элементов для использования при хранении объективных медицинских данных, при этом объективные медицинские данные каждого пациента содержат, по меньшей мере, параметры пациента, заболевания пациента, лечение, которое проходил пациент, а также результаты лечения;

разгруппировку указанной совокупности объективных медицинских данных пациентов для классификации совокупности объективных медицинских данных по подгруппам, при этом этап классификации включает в себя по меньшей мере один уровень классификации на основании параметров каждого пациента, заболевания, лечения этого заболевания, которое проходил пациент, и результата этого лечения, а также итеративное повторение данной процедуры для каждой подгруппы, пока не будет идентифицирован набор меньших подгрупп, причем пациенты в меньших подгруппах имеют сходные клинически релевантные параметры и сходные результаты лечения;

получение и ввод в компьютерную систему шаблона заболевания нового пациента с объективными медицинскими данными нового пациента на основании заболевания этого пациента, причем шаблон нового пациента включает в себя, по меньшей мере, клинически релевантные параметры нового пациента и по меньшей мере одно заболевание нового пациента;

сопоставление параметров и заболевания нового пациента с соответствующими параметрами и заболеванием из разгруппированных подгрупп, чтобы выбрать наиболее похожие и определить вероятные результаты возможных вариантов лечения для нового пациента на основании результатов лечения для пациентов в соответствующих подгруппах, а также выбрать курс лечения для нового пациента.

26. Способ по п. 25, в котором параметры пациента первого уровня включают в себя параметры, относящиеся к первичному заболеванию и общим клиническим состояниям пациента, а второй набор параметров относится ко вторичному заболеванию.

27. Способ по п. 26, в котором общее клиническое состояние пациента оценивают по шкале Карновского.

28. Способ по п. 27, в котором процесс включает в себя разгруппировку на основании множества различных наборов параметров, причем каждый набор параметров задает уровень для разгруппировки, и разгруппировку выполняют последовательно, начиная с первого уровня.

29. Способ по п. 27, в котором у нового пациента был диагностирован рак, заболевание сердечно-сосудистой системы, неврологическое заболевание или аутоиммунное заболевание.

30. Способ по п. 29, в котором рак представляет собой рак легких, рак предстательной железы, рак печени, рак молочной железы, лейкоз, рак яичника, рак поджелудочной железы, рак кожи или рак толстой кишки.

31. Способ по п. 30, в котором первый набор параметров включает в себя тип раковых клеток; стадию рака; категорию рака.

32. Способ по п. 31, в котором второй набор параметров включает в себя наличие специфических опухолевых маркеров и осложнений, связанных с раком.

33. Способ по п. 32, в котором третий набор параметров включает в себя возраст нового пациента, личный анамнез рака, наследственный и генетический риск рака, расовую и этническую принадлежность.

34. Способ по п. 33, в котором четвертый набор параметров включает в себя вес нового пациента, уровень физической активности, употребление алкоголя, курение, пассивное курение и пищевое поведение.

35. Способ по п. 29, в котором заболевание сердечно-сосудистой системы представляет собой сердечную недостаточность.

36. Способ по п. 35, в котором первый набор параметров включает в себя тип сердечной недостаточности; стадию заболевания сердечно-сосудистой системы; категорию заболевания сердечно-сосудистой системы.

37. Способ по п. 36, в котором параметры второго уровня включают в себя наличие маркеров, связанных с заболеванием сердечно-сосудистой системы, и осложнений, связанных с заболеванием сердечно-сосудистой системы.

38. Способ по п. 37, в котором параметры третьего уровня включают в себя возраст нового пациента, личный анамнез заболевания сердечно-сосудистой системы, семейный анамнез заболевания сердечно-сосудистой системы, диабет, высокое артериальное давление, дислипидемию/гиперхолестеринемию, расовую и этническую принадлежность.

39. Способ по п. 38, в котором параметры четвертого уровня включают в себя вес пациента, его уровень физической активности, привычку к курению, употребление алкоголя и пищевое поведение, а также уровень стресса на работе.

40. Способ по п. 27, в котором объективные медицинские данные, полученные для нового пациента, включают в себя симптомы нового пациента, историю болезни, результаты лабораторных исследований и/или замечания врача.

41. Способ по п. 27, в котором этап разгруппировки включает в себя использование энтропии (H) для группы пациентов G, которая рассчитывается с помощью следующего уравнения:

где p(t(q_i) = R) – вероятность того, что пациент q_i, прошедший лечение t, получит результат R, а H(G) – энтропия группы пациентов G.

42. Способ по п. 41, в котором этап разгруппировки включает в себя использование условной энтропии для каждой подгруппы пациентов G, когда выбранный атрибут a имеет значение выше порогового значения, и рассчитывается с помощью следующего уравнения:

H(G|x_l > Пороговое значение (x₁), … , x_k > Пороговое значение (x_k),

где x₁…x_n представляют собой один и более выбранных параметров пациента.

43. Способ по п. 41, в котором этап разгруппировки включает в себя использование условной энтропии для каждой подгруппы пациентов G, когда выбранный атрибут a имеет значение ниже порогового значения, и рассчитывается с помощью следующего уравнения:

H(G|x_l > Пороговое значение (x_l), … , x_k < Пороговое значение (x_k),

где x₁…x_n представляют собой один и более выбранных параметров пациента.

44. Способ по п. 41, в котором этап разгруппировки включает в себя использование условной энтропии для каждой подгруппы пациентов G, когда выбранный атрибут a имеет значение, равное пороговому значению, и рассчитывается с помощью следующего уравнения:

H(G|x₁ > Пороговое значение (x₁), … , x_k = Пороговое значение (x_k),

где x₁…x_n представляют собой один и более выбранных параметров пациента.

45. Способ по п. 42, в котором в процессе разгруппировки определяют атрибут, максимально снижающий общую энтропию, выраженный следующеим уравнением:

I(G, A) = H(G) − Argmax_xi∈X[H(G|x₁ > Пороговое значение (x₁), … , x_k > Пороговое значение (x_k)],

где оператор Argmax выбирает один и более параметров пациента x_i из большего набора параметров X пациента, который максимизирует снижение энтропии, а I(G, A) означает приращение информации.

46. Способ по п. 43, в котором в процессе разгруппировки определяют атрибут, максимально снижающий общую энтропию, выраженный следующим уравнением:

I(G, A) = H(G) − Argmax_xi∈X[H(G|x₁ > Пороговое значение (x₁), … , x_k < Пороговое значение (x_k)],

где оператор Argmax выбирает один и более параметров пациента x_i из большего набора параметров X пациента, который максимизирует снижение энтропии, а I(G, A) означает приращение информации.

47. Способ по п. 44, в котором в процессе разгруппировки определяют атрибут, максимально снижающий общую энтропию, выраженный следующим уравнением:

I(G, A) = H(G) − Argmax_xi∈X[H(G|x₁ > Пороговое значение(x₁), … , x_k = Пороговое значение(x_k)],

где оператор Argmax выбирает один и более параметров пациента x_i из большего набора параметров X пациента, который максимизирует снижение энтропии, а I(G, A) означает приращение информации.

48. Способ по п. 27, в котором сопоставление параметров нового пациента с параметрами разгруппированных подгрупп выполняют путем вычисления разностей между соответствующими параметрами нового пациента и подгруппы, последующего суммирования данных разностей и выбора подгруппы с минимальной суммой разностей относительно параметров нового пациента.

49. Способ по п. 27, в котором сопоставление параметров нового пациента с параметрами разгруппированных подгрупп выполняют путем подсчета количества различий между соответствующими параметрами нового пациента и подгруппы и выбора подгруппы с наименьшим количеством отличающихся параметров относительно параметров нового пациента.

50. Способ по п. 27, в котором сопоставление параметров нового пациента с параметрами разгруппированных подгрупп выполняют путем вычисления разностей между соответствующими параметрами нового пациента и подгруппы, последующего суммирования квадратов этих разностей и выбора подгруппы с самой маленькой суммой квадратов разностей относительно параметров нового пациента.

51. Способ по п. 27, в котором сумму разностей между параметрами y_i пациента Q и параметрами g(x_i) подгруппы G, рассчитывают по следующей формуле:

Наилучшее соответствие (Q, G) = Argmin_gj∈G [∑_i=1,…k||g_j(x_i_) − y_i||_p],

где p – математическая норма, по умолчанию равная 1.

52. Способ по п. 27, также включающий в себя до разгруппировки объективных медицинских данных нового пациента разгруппировку совокупности объективных медицинских данных пациентов для классификации совокупности объективных медицинских данных по подгруппам, при этом этап классификации включает в себя по меньшей мере один уровень классификации на основании параметров каждого пациента, заболевания, лечения этого заболевания, которое проходил каждый пациент, и результата такого лечения, а также итеративное повторение данной процедуры для каждой подгруппы, пока не будет идентифицирован набор меньших подгрупп, где пациенты в меньших подгруппах имеют сходные параметры и сходные результаты лечения.

53. Способ по п. 27, в котором параметры пациента дополняют атрибутами, полученными из оригинальных параметров путем автоматизированных преобразований и комбинирования оригинальных параметров пациента.

54. Способ по п. 53, в котором параметры пациента преобразуют в нормализованные диапазоны для множества пациентов в целом.

55. Способ по п. 54, в котором нормализацию выполняют по всему множеству пациентов в подгруппе.

56. Способ по п. 55, в котором параметры пациента преобразуют в процентили для множества пациентов в целом.

57. Способ по п. 56, в котором процентильные значения применяют к множеству пациентов в подгруппе.

58. Способ по п. 27, который применяют для оценки вероятности того, что курс лечения для нового пациента позволит улучшить его клиническое состояние.

59. Способ по п. 27, который предоставляет один и более возможных курсов лечения нового пациента.

60. Способ по п. 27, в котором объективные данные нового пациента хранят в компьютерной системе.

61. Способ по п. 27, в котором выбранный курс лечения передают поставщику медицинских услуг.

62. Способ обработки электронных медицинских карт для оптимизации плана лечения пациента, включающий в себя:

хранение совокупности объективных медицинских данных для множества пациентов, где объективные медицинские данные каждого пациента структурированы в виде множественных элементов для использования при хранении объективных медицинских данных, при этом объективные медицинские данные каждого пациента содержат, по меньшей мере, параметры пациента, заболевания пациента, лечение, которое проходил пациент, а также результаты лечения;

разгруппировку указанной совокупности объективных медицинских данных пациентов для классификации совокупности объективных медицинских данных по подгруппам, при этом этап классификации включает в себя по меньшей мере один уровень классификации на основании параметров каждого пациента, заболевания, лечения этого заболевания, которое проходил каждый пациент, и результата этого лечения, а также итеративное повторение данной процедуры для каждой подгруппы, пока не будет идентифицирован набор меньших подгрупп, причем пациенты в меньших подгруппах имеют сходные клинически релевантные параметры и сходные результаты лечения;

получение индивидуального шаблона заболевания пациента с объективными медицинскими данными нового пациента на основании заболевания этого пациента, причем шаблон нового пациента включает в себя, по меньшей мере, клинически релевантные параметры нового пациента и по меньшей мере одно заболевание нового пациента;

сопоставление индивидуальных параметров и заболевания пациента с соответствующими параметрами и заболеванием из разгруппированных подгрупп, чтобы выбрать наиболее похожие и определить вероятные результаты возможных вариантов лечения для нового пациента на основании результатов лечения для пациентов в соответствующих подгруппах.

63. Способ обработки электронных медицинских карт для оптимизации плана лечения пациента, включающий в себя:

хранение совокупности объективных медицинских данных для множества пациентов, где объективные медицинские данные каждого пациента структурированы в виде множества элементов для использования при хранении объективных медицинских данных;

получение индивидуального шаблона пациента с объективными медицинскими данными пациента на основании заболевания пациента;

разгруппировку объективных медицинских данных пациента с совокупностью объективных медицинских данных для классификации совокупности объективных медицинских данных по подгруппам, причем этап классификации включает в себя один и более уровней классификации, начиная с первого набора параметров, после которого идут дополнительные наборы параметров, и продолжая данный процесс, пока параметры пациента и заболевание не будут соответствовать разгруппированным подгруппам, с целью определения вероятных результатов возможных вариантов лечения для пациента на основании результатов лечения для пациентов в указанных подгруппах.

1. Способ по п. 63, в котором разгруппировку совокупности объективных медицинских данных в первую подгруппу выполняют на основании первого набора параметров.

2. Способ по п. 63, в котором разгруппировку совокупности объективных медицинских данных из первой подгруппы во вторую подгруппу выполняют на основании второго набора параметров, причем вторая подгруппа имеет меньшее количество объективных медицинских данных по сравнению с первой подгруппой.

3. Способ по п. 65, в котором дополнительный этап разгруппировки совокупности объективных медицинских данных из второй подгруппы в третью подгруппу выполняют на основании третьего набора параметров, при этом третья подгруппа имеет меньшее количество объективных медицинских данных по сравнению со второй подгруппой.

4. Способ выбора курса лечения для нового пациента, включающий в себя:

получение и ввод в компьютерную систему шаблона заболевания нового пациента с объективными медицинскими данными нового пациента, основанными на заболевании этого пациента, где шаблон нового пациента включает в себя, по меньшей мере, клинически релевантные параметры нового пациента и по меньшей мере одно заболевание нового пациента;

разгруппировку хранящейся в компьютерной системе совокупности объективных медицинских данных пациентов для классификации совокупности объективных медицинских данных по подгруппам, причем этап классификации включает в себя по меньшей мере один уровень классификации на основании параметров каждого пациента, заболевания, лечения этого заболевания, которое проходил каждый пациент, и результата этого лечения, а также итеративное повторение данной процедуры для каждой подгруппы, пока не будет идентифицирован набор меньших подгрупп, причем пациенты в меньших подгруппах имеют сходные клинически релевантные параметры и сходные результаты лечения;

сопоставление параметров и заболевания нового пациента с соответствующими параметрами и заболеванием из разгруппированных подгрупп для выбора наиболее подходящих подгрупп с целью определения вероятных результатов возможных вариантов лечения для нового пациента на основании результатов лечения для пациентов в указанных подгруппах, чтобы выбрать курс лечения нового пациента.

5. Система выбора курса лечения, включающая в себя:

модуль хранения, выполненный с возможностью хранения совокупности объективных медицинских данных для множества пациентов, причем объективные медицинские данные каждого пациента структурированы в виде множественных элементов для использования при хранении объективных медицинских данных, причем объективные медицинские данные каждого пациента содержат, по меньшей мере, параметры пациента, заболевания пациентов, лечение, которое проходил пациент, а также результаты этого лечения;

модуль разгруппировки, который соединен с возможностью связи с модулем хранения и предназначен для разгруппировки совокупности объективных медицинских данных пациента с целью классификации совокупности объективных медицинских данных по подгруппам, причем этап классификации включает в себя по меньшей мере один уровень классификации на основании параметров каждого пациента, заболевания, лечения этого заболевания, которое проходил каждый пациент, и результата этого лечения, а также итеративное повторение данной процедуры по одному разу для каждой подгруппы на каждом уровне, пока не будет идентифицирован набор подгрупп, которые меньше ранее сформированных подгрупп, причем пациенты в меньших подгруппах имеют сходные клинически релевантные параметры и сходные результаты лечения;

модуль ввода, выполненный с возможностью получать шаблон заболевания нового пациента с объективными медицинскими данными нового пациента, основанными на заболевании этого пациента, причем шаблон нового пациента включает в себя, по меньшей мере, клинически релевантные параметры нового пациента и по меньшей мере одно заболевание нового пациента;

модуль сопоставления, который соединен с возможностью связи с модулем разгруппировки и модулем ввода и выполнен с возможностью сопоставлять параметры и заболевание нового пациента с соответствующими параметрами и заболеванием в разгруппированных подгруппах для выбора наиболее сходных подгрупп и определения вероятных результатов возможных вариантов лечения для нового пациента на основании результатов лечения для пациентов в соответствующих подгруппах.