JP6780520B2 - オープンデータ及び臨床医の入力を用いて患者のリスクを評価するシステム及び方法 - Google Patents
オープンデータ及び臨床医の入力を用いて患者のリスクを評価するシステム及び方法 Download PDFInfo
- Publication number
- JP6780520B2 JP6780520B2 JP2017012894A JP2017012894A JP6780520B2 JP 6780520 B2 JP6780520 B2 JP 6780520B2 JP 2017012894 A JP2017012894 A JP 2017012894A JP 2017012894 A JP2017012894 A JP 2017012894A JP 6780520 B2 JP6780520 B2 JP 6780520B2
- Authority
- JP
- Japan
- Prior art keywords
- risk
- patient
- graph
- predictor
- entity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Description
本発明は、通常「患者」と称される個人又は対象のヘルスケアを評価することに関係がある。患者は、人間、又は場合により動物、例えば、希少な部類の標本若しくはペットでさえであってよい。多くのシナリオにおいて、患者は、既に病気にかかっている可能性があるが、他方では、患者は、現在健康である。本発明は、このようにして、医学、ヘルスケア及び獣医学において広く適用可能である。
患者の健康は、年齢、全体の健康状態、患者が摂取している薬、手術又は負傷のような最近の健康現象、習慣及び生活スタイル、などを含む種々の要因によって影響を及ぼされる。患者が年を取れば取るほど、それらの要因は、患者の生活の質を脅かしうるいくつかの健康リスクの発現に寄与する。よく知られたリスクは、例えば、冠状動脈性心臓病（ＣＨＤ；Coronary Heart Disease）又は第二種糖尿病を発現させるリスクであり、リスクのリスク因子、例えば、長期間の喫煙は、慢性閉塞性肺疾患（ＣＯＰＤ；chronic obstructive pulmonary disease）を発現させるリスク因子である。
臨床診療において、多くのプロトコルは、種々の状態を発現させる患者のリスクを推定するよう設計されてきた。しかし、ほとんどの場合に、所与の患者についての健康リスクは、簡単なリスト（plain list）として表され、一方、内実は、それらのリスクが相互につながっている。異なるリスク間のリンクは、異なるレベルで確立される。例えば、リスクは、患者の遺伝的背景、薬の副作用、生活スタイル、などを含む。
どのようなリスクが所与の患者に影響を及ぼしているかを理解することは、臨床医が適用すべき最良の治療を決定することができるので、臨床医にとって必須である。また、治療はそれだけで新たなリスクの発現の原因でありうるので、治療を適用した後の患者の関連するリスクを理解することが臨床医にとって有用でありうる。ちなみに、臨床医には、例えば、看護士、医師、歯科医、ヘルスケア施術者及び獣医師が含まれてよい。
要約すれば、本発明者は、ヘルスケア分野内で：
●病気の基準、例えば、ＩＣＤ９及びＩＣＤ１０（国際疾病分類の第９版及び第１０版）、が存在するのと同じようには、ヘルスケアを表す標準が存在しないこと、すなわち、リスクの簡単なリストしか存在せず、それらは特定の医療機関又は地域に特有であること；
●ヘルスケアリスク及び患者臨床データに対するそれらの関連性の情報を利用する方法及びツールを欠いていること
を認識するに至った。
●病気の基準、例えば、ＩＣＤ９及びＩＣＤ１０（国際疾病分類の第９版及び第１０版）、が存在するのと同じようには、ヘルスケアを表す標準が存在しないこと、すなわち、リスクの簡単なリストしか存在せず、それらは特定の医療機関又は地域に特有であること；
●ヘルスケアリスク及び患者臨床データに対するそれらの関連性の情報を利用する方法及びツールを欠いていること
を認識するに至った。
本発明の第１の態様の実施形態に従って、オープンデータ及び臨床医の入力を用いて患者のリスクを評価するシステムであって、
オープンデータを受けるヘルスケア知識データ入力部、及びリスクに関連した臨床医の知識の入力を受け入れる専門知識入力部と、
前記オープンデータから関連文書を取り出すようリスク関連語の臨床医の入力を使用することによって、且つ、前記臨床医の語に対応する前記文書からのエンティティ及び該エンティティ間のリンクとしてヘルスケアリスク知識グラフを抽出することによって、前記オープンデータ及び前記臨床医の入力から前記ヘルスケアリスク知識グラフを提供するヘルスケアリスクエンジンと、
患者リスクグラフを生成するよう患者臨床オブジェクト（ＰＣＯ；Patient Clinical Object）における情報を前記ヘルスケアリスク知識グラフと結合することによって、特定の患者についてのリスクを予測する患者リスクグラフ予測モジュールと
を有するシステムが提供される。
オープンデータを受けるヘルスケア知識データ入力部、及びリスクに関連した臨床医の知識の入力を受け入れる専門知識入力部と、
前記オープンデータから関連文書を取り出すようリスク関連語の臨床医の入力を使用することによって、且つ、前記臨床医の語に対応する前記文書からのエンティティ及び該エンティティ間のリンクとしてヘルスケアリスク知識グラフを抽出することによって、前記オープンデータ及び前記臨床医の入力から前記ヘルスケアリスク知識グラフを提供するヘルスケアリスクエンジンと、
患者リスクグラフを生成するよう患者臨床オブジェクト（ＰＣＯ；Patient Clinical Object）における情報を前記ヘルスケアリスク知識グラフと結合することによって、特定の患者についてのリスクを予測する患者リスクグラフ予測モジュールと
を有するシステムが提供される。
この患者リスクグラフは、容易に理解可能であり、且つ、臨床医又は他のユーザが患者自身のデータだけでなく自由に利用可能なデータベースにも基づきリスクを予見するのを助けることができるように、患者についての特有の情報を提供する。
患者自身のデータは、ＰＣＯの形をとる。ＰＣＯは、所与の患者に関する情報の項目をカプセル化する臨床エンティティの集合体である。望ましくは、ＰＣＯは、診断、症状、治療、通院及び処方のいずれかのようなカテゴリによって患者へリンクされた該患者に関する情報とともに、前記患者を中心とするグラフとして既往臨床情報を含む。ＰＣＯは、入力されても、又はシステムにおいて既に利用可能であってもよい。
前記臨床医の語は、潜在的な病気の形でのリスクに関連した語、病気の可能性を高めるリスク因子に関連した語、及び病状の治療に関連した語を含むことができる。
一実施形態において、前記ヘルスケアリスクエンジンは、次のコンポーネント：
潜在的な病気の形でのリスクに関連した語、病気の可能性を高めるリスク因子に関連した語、及び病状の治療に関連した語を含む臨床医による語の入力を受け入れるリスク関連語収集部；
標準化された用語集を用いて同義語及び等価語を含めるよう前記臨床医の語を標準化し拡張する医療エンティティ調停部（reconciliator）；
前記拡張された語へリンクされた文書の組を医療文書データベースから取り出すトピック検出部及びタグ付け部；
スコアを夫々有しており且つ前記標準化された用語集と夫々アライメントされた前記文書の組からのエンティティを抽出する固有表現認識、分解及びあいまい性解消（ＮＥＲＤ；named entity recognition, resolution and disambiguation）モジュール；及び
前記取り出された文書の組に含まれる文書における２つのエンティティの共起に、場合により、更には前記取り出された文書の組におけるコンテキストにも基づき、エンティティ間の関係に点数を付ける関係抽出部
を含むことができ、
当該システムは、前記エンティティ及びそれらの点数を付けられた関係を記憶するリスク知識グラフを生成するよう構成される。
潜在的な病気の形でのリスクに関連した語、病気の可能性を高めるリスク因子に関連した語、及び病状の治療に関連した語を含む臨床医による語の入力を受け入れるリスク関連語収集部；
標準化された用語集を用いて同義語及び等価語を含めるよう前記臨床医の語を標準化し拡張する医療エンティティ調停部（reconciliator）；
前記拡張された語へリンクされた文書の組を医療文書データベースから取り出すトピック検出部及びタグ付け部；
スコアを夫々有しており且つ前記標準化された用語集と夫々アライメントされた前記文書の組からのエンティティを抽出する固有表現認識、分解及びあいまい性解消（ＮＥＲＤ；named entity recognition, resolution and disambiguation）モジュール；及び
前記取り出された文書の組に含まれる文書における２つのエンティティの共起に、場合により、更には前記取り出された文書の組におけるコンテキストにも基づき、エンティティ間の関係に点数を付ける関係抽出部
を含むことができ、
当該システムは、前記エンティティ及びそれらの点数を付けられた関係を記憶するリスク知識グラフを生成するよう構成される。
当該システムは、前記リスク知識グラフを表示し、且つ、前記生成されたグラフを手動により管理監督する臨床医入力を受け入れる知識グラフキュレーターを更に有してよい。
前記リスク関連語収集部は、リスク、リスク因子及び治療のカテゴリごとの語のリスト（又は複数のリスト）として語を受け入れるよう構成されてよい。これは、プレーンテキストの入力によることができ、臨床医（又は複数の臨床医）は、語どうしのリンクのような如何なる他の情報も入力する必要がない。
前記トピック検出部（及びタグ付け部）は、前記文書の来歴、例えば、それらがどのジャーナルに由来するか、ジャーナルの日付、などを考慮に入れるよう構成され得る。この来歴は、場合により、後の点数付け及び他の目的のために、考慮に入れられ得る。この場合に、前記リスク知識グラフは、前記エンティティの来歴も記憶することができる。これは、その余分の情報をユーザに提供することができる。
前記リスク関連語収集部（又は当該システムの他のコンポーネント）は、前記標準化された用語集の前記臨床医による注釈を受け入れるよう構成されてよい。注釈は、リスク、リスク因子及び治療のカテゴリにおいて用語集にラベルを付ける。
前記トピック検出部及びタグ付け部は、リスク、リスク因子及び治療のカテゴリに応じて、更には、前記文書のメイントピック（必ずしもリスク、リスク因子又は治療ではない。）に応じて、前記文書にタグを付けるよう構成されてよい。個の情報は、上述されたように入力された注釈により利用可能であってよい。このタグ付けプロセスは、それが文書のメイントピックを識別することができるので重要であり、その場合に、当該システムは、この主たるトピックと前記文書の固有表現（named entity）との間の関係を生成することができる。これは、コンテキストを扱う１つの特定の方法である。
いくつかの実施形態において、前記ＮＥＲＤモジュールは、前記標準化された用語集と対応する語又は前記取り出された連関した文書における語との間の一致の正確さを反映するように夫々のエンティティに点数を付ける。
簡単な実施形態において、前記患者リスクグラフ予測モジュールは、前記ＰＣＯからの情報の項目を前記ヘルスケアリスク知識グラフにおける対応するエンティティ（又は１つよりも多いエンティティ）と照合し、前記患者リスクグラフを形成するよう前記対応するエンティティの周りのノードを抽出することによって、特定の患者についてのリスクを予測することができる。例えば、正確な一致は、類似の所要又は閾レベルであってよい。
他の実施形態は、夫々が個々の患者リスクサブグラフを与える予測のための異なったストラテジを使用し、次いで、サブグラフを結合する。一実施形態において、前記患者リスクグラフ予測モジュールは、２つ以上の予測器において前記ＰＣＯ及び前記ヘルスケアリスク知識グラフを使用するよう構成されるメタ予測器（meta-predictor）である。予測器は：前の診断に基づき患者リスクサブグラフを提供する、診断に基づく予測器、前記患者によって摂取された前の薬に基づき患者リスクサブグラフを提供する、薬に基づく予測器、前記患者の前の症状に基づき患者リスクサブグラフを提供する、症状に基づく予測器、及び前記患者が受けている治療に基づき患者リスクサブグラフを提供する、治療に基づく予測器を含むことができる。この場合に、前記メタ予測器は、個々の予測器によって生成された前記患者リスクサブグラフを患者リスクグラフにまとめて処理することによって予測を行うメタ予測器を含むことができる。
予測器によって構成される夫々の患者リスクサブグラフは、前記情報の項目に適合する前記ヘルスケアリスク知識グラフ内のあらゆるエンティティを含む。例えば、正確な一致は、類似の所要又は閾レベルであってよい。前記適合するエンティティに隣接する１つ以上のエンティティ（望ましくは、前記適合するエンティティの２ステップ内にある全部で２つのエンティティ）、及び前記適合するエンティティ間の最短経路上のエンティティも、含まれてよい。
夫々の予測器は、パフォーマンス測定の精度に基づく重み付けを与えられ得る。そのような重み付けは、次いで、前記患者リスクグラフで保持される前記サブグラフ内のエンティティの最大数を決定するために使用され得る。
前記エンティティ間のリンクは、関係の強さを示すスコアを含んでよく、加えて、前記ヘルスケアリスク知識グラフにおける各エンティティは、当該エンティティが前記臨床医の語にどれくらい近く対応するかを反映するスコアを含むことができる。それらのスコアの一方又は両方は、前記患者リスクグラフに渡され得る。
エンティティスコアは、前記メタ予測器においても使用され得る。例えば、前記メタ予測器は、最も多くの予測器において存在する及び／又は最も高い累計スコアを有する１つ以上のエンティティを、前記予測器によって含まれるエンティティから選択する。
当該システムは、１つの言語において語を受け入れ、該語を標準化された用語集の言語における同等のものに変換する変換モジュールを更に有してよい。
本発明の第２の態様の実施形態に従って、オープンデータ及び臨床医の入力を用いて患者のリスクを評価する、コンピュータにより実施される方法であって、
オープンデータ、及びリスクに関連した臨床医の知識を受け、
前記オープンデータから関連文書を取り出すようリスク関連語の臨床医の入力を使用することによって、且つ、前記臨床医の語に対応する前記文書からのエンティティ及び該エンティティ間のリンクとしてヘルスケアリスク知識グラフを抽出することによって、前記オープンデータ及び前記臨床医の入力から前記ヘルスケアリスク知識グラフを提供し、
患者リスクグラフを生成するよう患者臨床オブジェクト（ＰＣＯ）における情報を前記ヘルスケアリスク知識グラフと結合することによって、特定の患者についてのリスクを予測する
ことを有する方法が提供される。
オープンデータ、及びリスクに関連した臨床医の知識を受け、
前記オープンデータから関連文書を取り出すようリスク関連語の臨床医の入力を使用することによって、且つ、前記臨床医の語に対応する前記文書からのエンティティ及び該エンティティ間のリンクとしてヘルスケアリスク知識グラフを抽出することによって、前記オープンデータ及び前記臨床医の入力から前記ヘルスケアリスク知識グラフを提供し、
患者リスクグラフを生成するよう患者臨床オブジェクト（ＰＣＯ）における情報を前記ヘルスケアリスク知識グラフと結合することによって、特定の患者についてのリスクを予測する
ことを有する方法が提供される。
本発明の第３の態様の実施形態に従って、コンピュータで実行される場合に、該コンピュータに、上記の方法を実施させるコンピュータプログラムが提供される。
本発明の好適な実施形態に従う方法又はコンピュータプログラムは、関与するシステムの特定の部分に関して制限なしで、前述の装置の態様の如何なる組み合わせも有することができる。それらの更なる実施形態に従う方法又はコンピュータプログラムは、それらがプロセッシング及びメモリ機能を必要とする点で、コンピュータにより実施されるものとして記載され得る。
好適な実施形態に従う装置は、特定の機能を単に実施するものとして、又はそのような特定の機能を実施するよう構成若しくは配置されるものとして、記載される。この構成又は配置は、ハードウェア若しくはミドルウェア又は何らかの他の適切なシステムの使用によってよい。好適な実施形態において、構成又は配置はソフトウェアによる。
このように、一態様に従って、少なくとも１つのコンピュータ上にロードされる場合に、前述のシステムの定義のいずれか又はそれらのいずれかの組み合わせに従うシステムになるよう前記コンピュータを構成するプログラムが提供される。
更なる態様に従って、少なくとも１つのコンピュータ上にロードされる場合に、前述の方法の定義のいずれか又はそれらのいずれかの組み合わせに従う方法ステップを実施するよう前記少なくとも１つのコンピュータを構成するプログラムが提供される。
一般的に、コンピュータは、定義されている機能を提供するよう構成又は配置されているものとして挙げられている要素を有してよい。例えば、このコンピュータは、メモリ、プロセッシング、及びネットワークインターフェイスを含んでよい。
本発明は、デジタル電子回路において、若しくはコンピュータハードウェア、ファームウェア、ソフトウェアにおいて、又はそれらの組み合わせにおいて、実装され得る。本発明は、コンピュータプログラム又はコンピュータプログラム製品、すなわち、非一時的な情報担体において（例えば、マシン読み出し可能な記憶デバイスにおいて）又は伝搬信号において、１つ以上のハードウェアモジュールによる実行のために、又は該１つ以上のハードウェアモジュールの動作を制御するために、有形に具現されているコンピュータプログラム、として実装され得る。コンピュータプログラムは、スタンドアローンのプログラム、コンピュータプログラム部分、又は１つよりも多いコンピュータプログラムの形をとることができ、コンパイル済み又は解釈済み言語を含む如何なる形式のプログラミング言語でも記述可能であり、そして、それは、スタンドアローンのプログラムとして、又はモジュール、コンポーネント、サブルーチン、又はデータプロセッシング環境での使用に適した他のユニットとしてを含め、如何なる形でも展開され得る。コンピュータプログラムは、１つの場所で１つのモジュールにおいて又は複数のモジュールにおいて実行されるか、あるいは、複数の場所にわたって分配されて通信ネットワークによって相互接続されるよう、展開され得る。
本発明の方法ステップは、入力データに対して作用して出力を生成することによって本発明の機能を実施するようコンピュータプログラムを実行する１つ以上のプログラム可能プロセッサによって、実施され得る。本発明の装置は、例えば、ＦＰＧＡ（field programmable gate array）又はＡＳＩＣ（application-specific integrated circuit）を含め、プログラムされたハードウェアとして又は特別目的のロジック回路として実装され得る。
コンピュータプログラムの実行に適したプロセッサは、一例として、汎用及び特別目的の両方のマイクロプロセッサ、並びにあらゆる種類のデジタルコンピュータのいずれか１つ以上のプロセッサを含む。一般的に、プロセッサは、リードオンリーメモリ若しくはランダムアクセスメモリ又は両方から命令及びデータを受け取る。コンピュータの必須の要素は、命令及びデータを記憶する１つ以上のメモリデバイスに結合されている、命令を実行するプロセッサである。
本発明は、特定の実施形態に関連して記載される。他の実施形態は、特許請求の範囲の適用範囲内にある。例えば、本発明のステップは、異なる順序で実施されながら、依然として望ましい結果を達成することができる。複数のテストスクリプトのバージョンは、オブジェクト指向のプログラミング技術を使用することなしに、一体として編集及び起動され得る。例えば、スクリプトオブジェクトの要素は、構造化されたデータベース又はファイルシステムにおいてまとめられてよく、スクリプトオブジェクトによって実行されるものとして記述される動作は、テキスト制御プログラムによって実行されてよい。
本発明の要素は、語「モジュール」及び「ユニット」並びに機能定義を用いて記載されてきた。当業者に明らかなように、そのような語及びそれらの同等物は、空間的に別々でありながら、定義された機能を提供するよう組み合わさるシステムの部分を指すことができる。同様に、システムの同じ物理的部分は、定義された機能のうちの２つ以上を提供してよい。
例えば、別々に定義されている手段は、必要に応じて同じメモリ及び／又はプロセッサを用いて実装されてよい。
本発明の好ましい特徴は、これより、単なる一例として、添付の図面を参照して記載される。
本発明の実施形態は：
●リスク評価に関する臨床医の専門知識とともに文献及び公のデータソースから抽出された、知識グラフとして表される健康リスクのネットワークを生成すること；
●特定の患者についての関連するリスクを、診断、薬及び症状のような患者の既往臨床情報を考慮して識別するメカニズムを開発し、患者の臨床履歴を患者のリスク情報により拡充すること
を目標としている。
●リスク評価に関する臨床医の専門知識とともに文献及び公のデータソースから抽出された、知識グラフとして表される健康リスクのネットワークを生成すること；
●特定の患者についての関連するリスクを、診断、薬及び症状のような患者の既往臨床情報を考慮して識別するメカニズムを開発し、患者の臨床履歴を患者のリスク情報により拡充すること
を目標としている。
プリシジョン・メディスン（precision medicine）は、個々の患者／対象に合わせられたヘルスケアのカスタマイズを提案する医療モデルである。これは、遺伝子、生理機能、生体構造、環境及びライフスタイルにおける個々の違いを考慮する、病気の診断、治療及び予防のための新興のアプローチである。これに関連して、本発明の実施形態は、健康リスクをそれらの関連した治療、診断及び薬とともに含めることによって、患者の個々の違いをサポートする。
以下の定義は、本明細書において使用される：
健康リスク（又は、単に、リスク）：平均よりも高い罹患率又は死亡率に関連した病気又は状態の前兆。病気の前兆は、人口統計学的変数、特定の個人の行動、家族及び個人の病歴、並びに特定の生理的変化を含む。
健康リスク因子：リスクを高める条件、行動、又は他の要因。例えば、うつ病は、自殺のリスク因子である。
治療：患者の管理及び世話（例えば、メンタルヘルス分野において、看護、心理学的介入、及び専門的なメンタルヘルスリハビリテーションを含む。）。この語は、“代替”の治療、及びそのよう望まれる場合には、処方され得る投薬、例えば、ホメオパシー／催眠／鍼治療、を更に含んでよい。
診断：病気又は状態の性質及び詳細をその兆し及び症状から検査によって決定するプロセス。
薬：病気の症状を治療又は予防又は緩和する薬。
健康リスク（又は、単に、リスク）：平均よりも高い罹患率又は死亡率に関連した病気又は状態の前兆。病気の前兆は、人口統計学的変数、特定の個人の行動、家族及び個人の病歴、並びに特定の生理的変化を含む。
健康リスク因子：リスクを高める条件、行動、又は他の要因。例えば、うつ病は、自殺のリスク因子である。
治療：患者の管理及び世話（例えば、メンタルヘルス分野において、看護、心理学的介入、及び専門的なメンタルヘルスリハビリテーションを含む。）。この語は、“代替”の治療、及びそのよう望まれる場合には、処方され得る投薬、例えば、ホメオパシー／催眠／鍼治療、を更に含んでよい。
診断：病気又は状態の性質及び詳細をその兆し及び症状から検査によって決定するプロセス。
薬：病気の症状を治療又は予防又は緩和する薬。
本発明が承知している限りにおいて、ヘルスケアを扱う標準リソースは存在せず、医療機関内及び特定の地域のための、プレーンリスト又はマトリクスのようなアドホックのリソースしか存在しない。
要約すると：
●病気のための標準（例えば、ＩＣＤ９）が存在するのと同じようには、健康リスクを表すための標準な存在しない。リスクのプレーンリストしか存在せず、それらは特定の医療機関又は地域に特有である；
●ヘルスケアリスク及び患者の臨床データへのそれらの関連性の情報を利用する方法及びツールは欠如している；
●特定の治療を適用した後に患者の潜在的なリスクを推測するアプローチは存在しない。
●病気のための標準（例えば、ＩＣＤ９）が存在するのと同じようには、健康リスクを表すための標準な存在しない。リスクのプレーンリストしか存在せず、それらは特定の医療機関又は地域に特有である；
●ヘルスケアリスク及び患者の臨床データへのそれらの関連性の情報を利用する方法及びツールは欠如している；
●特定の治療を適用した後に患者の潜在的なリスクを推測するアプローチは存在しない。
本発明の実施形態は、所与の患者の医療リスクのネットワークを生成し、そのような患者のための治療の潜在的な影響を更には評価することができる。
詳細な実施形態は、３つの主なモジュールから成ってよい：
●リスク評価に関する臨床医の専門知識とともに文献及び公のデータソースから抽出された情報に基づく健康リスク知識ベース／グラフの生成のためのモジュール；
●所与の患者について影響を及ぼされる健康リスクサブグラフを予測するモジュール。
●リスク評価に関する臨床医の専門知識とともに文献及び公のデータソースから抽出された情報に基づく健康リスク知識ベース／グラフの生成のためのモジュール；
●所与の患者について影響を及ぼされる健康リスクサブグラフを予測するモジュール。
本発明の一実施形態に従うシステムは、文献から得られた情報及び利用可能な標準に基づき知識グラフ８０を生成する健康リスク知識グラフ構築モジュール１０と、所与の患者についてのリスクを予測する患者リスクグラフ予測モジュール１１０とを含む。
本実施形態における解決法は、所与の患者に関する情報をカプセル化する臨床エンティティの意味的に豊富な凝集として定義される患者臨床オブジェクト（ＰＣＯ）９０に更に依存することが語るに足る。このＰＣＯは、患者並びにその臨床データ、診断、及び薬に関する情報のような、既往臨床情報を含む。
図１は、健康リスク評価のためのシステム１の主たるコンポーネントを示す。オープンデータを受けるヘルスケア知識データ入力部と、リスクに関する１人以上の臨床医からの入力を受け入れる専門知識入力部とが存在する。臨床医の知識は、人々によって直接に入力され、リスク、リスク因子及び治療にグループ化され得る。オープンデータは、以下で更に詳細に説明されるように、ＰＵＢＭＥＤ及びＳＮＯＭＥＤのようなヘルスケアデータソースからであってよい。
ヘルスケアリスクエンジンは、オープンデータ及び臨床医の入力からヘルスケアリスク知識グラフを提供するために使用される。これは、オープンデータから関連文書を取り出すために、リスク関連語を入力する臨床医の人間の知識を使用する。ヘルスケアリスク知識グラフは、臨床医の語に対応する文書からのエンティティ（標準化された語であるが、臨床医のオリジナルの語を更に含む。）及びエンティティ間のリンクとして抽出される。
患者リスクグラフ予測モジュールは、患者リスクグラフを生成するよう患者臨床オブジェクト（ＰＣＯ）における情報をヘルスケアリスク知識グラフと結合することによって、特定の患者についてのリスクを予測する。
図２は、オープンデータ、及びリスクに関連した臨床医の知識を受けるステップＳ１０と、オープンデータから関連文書を取り出すようリスク関連語の臨床医の入力を使用することによって、且つ、臨床医の語に対応する文書からのエンティティ及び該エンティティ間のリンクとしてヘルスケアリスク知識グラフを抽出することによって、オープンデータ及び臨床医の入力からヘルスケアリスク知識グラフを提供するステップＳ２０と、患者リスクグラフを生成するよう患者臨床オブジェクト（ＰＣＯ）における情報をヘルスケアリスク知識グラフと結合することによって、特定の患者についてのリスクを予測するステップＳ３０とを含む対応する方法を表す。
システムの具体的なモジュールは、以下で更に詳細に記載される。
［ヘルスケアリスクエンジン１０］
このモジュールは、ＰＵＢＭＥＤ（ＰＵＢＭＥＤは、アメリカ国立医学図書館（ＮＬＭ；National Library of Medicine）のサービスであり、看護、獣医、ヘルスケア、医療及び科学論文のＮＭＬデータベースへの自由なアクセスを提供する。）及びＳＮＯＭＥＤ（Systemized Nomenclature of Medicine）のような、文献及び公のデータソースから導出されたデータに基づき、徴候を捕らえる。
このモジュールは、ＰＵＢＭＥＤ（ＰＵＢＭＥＤは、アメリカ国立医学図書館（ＮＬＭ；National Library of Medicine）のサービスであり、看護、獣医、ヘルスケア、医療及び科学論文のＮＭＬデータベースへの自由なアクセスを提供する。）及びＳＮＯＭＥＤ（Systemized Nomenclature of Medicine）のような、文献及び公のデータソースから導出されたデータに基づき、徴候を捕らえる。
１つの基本的概念は、使用されるデータが、広範な種々のリスク及びリスク因子をカバーすることである。本発明の実施形態は、医療の特定の分野に制限されない。例えば、ＳＮＯＭＥＤ ＣＴ（臨床用語）は、医療及びヘルスケア分野にわたって一般的に適用される標準化された多国語の単語集である。ＰＵＢＭＥＤも、アメリカ国立医学図書館と同じくらい広範囲にわたり、よって、一般的に適用される。
当該モジュールによって実施されるプロセスは、図３において示される。それは、臨床医によって提供されるキーワードのイニシャルシード（initial seed）から開始する。このシードによれば、データの収集、クリーニング及び前処理のタスクが実施される。このタスクは、利用可能なオープンデータセットにおいてリスクに関連した情報を検索することから成る。我々がリスク関連語の最初の組を有している時点で、エンジンは、特定のトピックに従ってそれらの用語にフィルタをかける。次のタスクは、リスク及びリスク因子をそれらの間の関係とともに得るよう、抽出された語の最初の組に対して何らかのテキストマイニング（text mining）を実施することから成る。最後に、システムは、グラフにおいて起こり得る誤り及び不一致を識別し見つけるよう臨床医が手動のキュレーション（curation）タスクを実施することを可能にする。
図４は、臨床医からの入力を受け入れる具体的なヘルスケアリスクエンジンの一例を示す。ヘルスケアリスクエンジンは、標準化された用語集並びにヘルスケア分野からの文献、看護、獣医、ヘルスケア、医療及び科学論文のライブラリの形をとるオープンデータへ接続されている。
リスク関連語収集部２０は、臨床医による（又は臨床医のグループからの）シード語の入力を受け入れる。それらの臨床医の語は、潜在的な病気又は状態の形でのリスクに関連した語、病気の可能性を高めるリスク因子に関連した語、及び病状の治療に関連した語を含む。
データの収集、クリーニング及び前処理のために、医療エンティティ調停部３０は、標準化された用語集を用いて同義語及び等価語を含めるよう臨床医の語を標準化し拡張するために使用され得る。例えば、ＳＮＯＭＥＤオントロジー（ontologies）が、後に更に詳細に説明されるように、使用されてよい。
トピック検出部４０は、拡張された語へリンクされた文書の組を、検索可能な医療文書データベース（例えば、ＰＵＢＭＥＤ）から取り出すことによって、リソースにフィルタをかけるために使用される。本質的に、このコンポーネントは、文書のコンテンツ（例えば、それらの要約）を、標準化された語と比較し、まさにそれらの語を含むか又はそれらの語にほぼ一致する語を含む文書を選択する。それはまた、文書にそれらのメイントピックによりタグを付す。
固有表現認識、分解及びあいまい性解消（ＮＥＲＤ）モジュール５０は、スコアを夫々有しており且つ標準化された用語集と夫々アライメントされた文書の組からのエンティティを抽出する。すなわち、エンティティは、例えば、ＳＮＯＭＥＤ単語集から取られてよいが、文書のコンテンツと適合する。
関係抽出部６０は、取り出された文書の組に含まれる文書における２つのエンティティの共起に基づきエンティティ間の関係に点数を付ける。例えば、これは、既知の共起メトリクスを使用することができる。
ヘルスケアリスク抽出システムは、エンティティ及びそれらの点数を付けられた関係を記憶するリスク知識グラフ８０を生成するよう構成される。グラフは、先に説明された部分によって生成される。グラフは、次いで、ユーザ（例えば、他の臨床医であってよい。）に表示され得る。例えば、ユーザは、リスク、リスク因子又は治療のような用語を入力し、ＰＵＢＭＥＤライブラリに暗黙的に記憶されている知識に基づき、リンクされた用語及びリンクの強さのサブグラフを受け取ってよい。なお、ヘルスケアリスク知識グラフは、個々のリスク情報を提供するよう、本発明の実施形態では、ＰＣＯと組み合わされる。
［ＰＣＯ９０］
構成におけるＰＣＯの例は、図５において示される。ＰＣＯは、例えば、診断、症状、治療、通院及び処方のいずれかのようなカテゴリによって患者へリンクされた該患者に関する情報とともに、当該患者を中心とするグラフとして既往臨床情報から提供される。既往臨床データは、例えば、病院の記録又は保健機関の記録から、供給されてよい。ＰＣＯエンリッチャー（enricher）は、ＰＣＯを生医学知識グラフと比較してＰＣＯを標準語彙と同等として扱い、ＰＣＯに含まれるエンティティに生医学知識グラフからの対応する概念／情報により注釈を付けるよう、データ及び知識取得システムにおいて設けられてよい。
構成におけるＰＣＯの例は、図５において示される。ＰＣＯは、例えば、診断、症状、治療、通院及び処方のいずれかのようなカテゴリによって患者へリンクされた該患者に関する情報とともに、当該患者を中心とするグラフとして既往臨床情報から提供される。既往臨床データは、例えば、病院の記録又は保健機関の記録から、供給されてよい。ＰＣＯエンリッチャー（enricher）は、ＰＣＯを生医学知識グラフと比較してＰＣＯを標準語彙と同等として扱い、ＰＣＯに含まれるエンティティに生医学知識グラフからの対応する概念／情報により注釈を付けるよう、データ及び知識取得システムにおいて設けられてよい。
［患者リスクグラフ予測モジュール１１０］
患者リスク予測モジュールは、いくつかの予測器によって生成された予測を整理し処理することによって予測を行う、ハイブリッド／複合予測器としても知られているメタ予測器であることができる。個々の予測器は、患者臨床オブジェクトからの関連する特徴についての情報、及びヘルスケアリスク知識グラフを入手してよい。
患者リスク予測モジュールは、いくつかの予測器によって生成された予測を整理し処理することによって予測を行う、ハイブリッド／複合予測器としても知られているメタ予測器であることができる。個々の予測器は、患者臨床オブジェクトからの関連する特徴についての情報、及びヘルスケアリスク知識グラフを入手してよい。
個々の予測器は、次のものである：
●前の診断に基づく予測器。この場合に、予測は、患者の前の診断をチェックしレビューすることによって行われる。
●患者が摂取していた薬に基づく予測器。
●患者の症状に基づく予測器。
●患者が受けている治療に基づく予測器。
●前の診断に基づく予測器。この場合に、予測は、患者の前の診断をチェックしレビューすることによって行われる。
●患者が摂取していた薬に基づく予測器。
●患者の症状に基づく予測器。
●患者が受けている治療に基づく予測器。
図６は、予測器の各１つと、患者臨床オブジェクト、ヘルスケアリスク知識グラフ、及び患者リスクサブグラフ予測である出力とのそれらの関係とを表す。この予測は、特定の患者についてどのリスクが有効であるかを示す。サブグラフのノードは、リスク、リスク因子及び治療を含むことができる。
夫々の予測器は、ＰＣＯにおいて見つけられる情報の項目（用語）及び場合により周辺語（これはコンテキストに関係がある。）を使用し、ヘルスケアリスク知識グラフにおいて一致するエンティティ（同じく、グラフ内のノードを形成する用語）を検索する。それは、次いで、更なるエンティティを含めるように、対応する用語の周りにサブグラフを拡張する。例えば、いくつかの対応する用語が存在する場合には、サブグラフは、対応する用語と夫々の対応する用語に隣接した１、２、又は３つの用語との間の最短経路にある全てのノードを含めるように拡張されてよい。
我々が個々の予測器の出力を有している時点で、メタ予測器コンポーネントは、より良い予測性能を提供し且つ患者サブグラフにおいてどの用語（ノード）を保持すべきかを確かめるために、個々の予測器を結合する。この結合に重み付けするよう、コンポーネントは、例えば、次の式：
Rj＝WdPd＋WdrPdr＋WsPs＋WtPt
を用いて、予測器の各１つに対する重みを調整する。上記の式で、
Rjは、予測された患者リスク（サブ）グラフであり、
Wdは、前の診断に基づき予測器に割り当てられた重みであり、
Pdは、前の診断に基づく予測であり、
Wdrは、患者が摂取していた薬に基づく予測器に割り当てられた重みであり、
Pdrは、患者が摂取していた薬に基づく予測であり、
Wsは、患者の症状に基づく予測器に割り当てられた重みであり、
Psは、患者の症状に基づく予測であり、
Wtは、患者の治療に基づく予測器に割り当てられた重みであり、
Ptは、患者の治療に基づく予測である。
Rj＝WdPd＋WdrPdr＋WsPs＋WtPt
を用いて、予測器の各１つに対する重みを調整する。上記の式で、
Rjは、予測された患者リスク（サブ）グラフであり、
Wdは、前の診断に基づき予測器に割り当てられた重みであり、
Pdは、前の診断に基づく予測であり、
Wdrは、患者が摂取していた薬に基づく予測器に割り当てられた重みであり、
Pdrは、患者が摂取していた薬に基づく予測であり、
Wsは、患者の症状に基づく予測器に割り当てられた重みであり、
Psは、患者の症状に基づく予測であり、
Wtは、患者の治療に基づく予測器に割り当てられた重みであり、
Ptは、患者の治療に基づく予測である。
コンポーネントは、患者の母集団からサンプルを取り、トレーニングデータセットを生成する。コンポーネントの目標は、予測器を自動的に適用し、最良の推測を行うアルゴリズムを構築すること、すなわち、患者リスクサブグラフを推定することである。
メタ予測の詳細な例は、上述された式を用いて続く。
基本的に、夫々の予測器は、ヘルスケアリスクグラフにおけるそのエンティティのスコアに基づき夫々点数を付けられたリスク、リスク因子及び治療（エンティティ）の組を出力する。
夫々の予測器のための重みは、そのリスク評価がどれくらい正確であるかを表す。夫々の重みは、次いで、我々が夫々の予測器について考えているエンティティの数を表す。メタ予測器は、個々の予測器の繰り返しエンティティの共通集合を出力する。
例えば、エンティティの数を用いて、前の診断に基づく予測器は、次の出力を有してよい：
そして、２の重みは、その予測器について我々が最初の２つのリスクのみを考慮することを表す：
我々は以下の例を有している仮定する：
Rj＝WdPd＋WdrPdr＋WsPs＋WtPt
そして、予測器の結果を置き換える：
Rj＝WdPd＋WdrPdr＋WsPs＋WtPt
そして、予測器の結果を置き換える：
次に、メタ予測器は、どのエンティティが全ての個々の予測器において存在するかをチェックし、それらが現れる最大回数及び／又は最大累積スコアに関して高スコア（閾値を上回るスコア）を有するものを選択する。それらのノードは患者リスクグラフに含まれる。
メタ予測器は、重みを計算するために、トレーニング標本の予め定義された組に対して前もってトレーニングされる。これは、次いで、新しい患者データを与えられる場合に正確な診断に至るその能力を助ける。
サブグラフは、多くの柔軟な方法において使用可能であり、リスクの簡単なリストよりも相当に多くの情報を含む。
図７は、生物医学に関する情報がグラフにおいて如何に符号化されるかを示すリスク知識グラフの抜粋を示す。グラフデータベースは、診断（又はリスク）、薬、治療、及び症状、並びにそれらの間の関係に関する情報を含む。例えば、用語どうしのリンクに対する重みは、上記の共起メトリクスを用いて、それらがどれくらい強く関連しているかを示す。
この特定の例では、グラフは、不安神経症（Anxiety）とうつ病（Depression）との間の関係を、０．７のスコアを有する併存疾患（comorbidity）として、そして、うつ病とセルトラリン（Sertraline）との間の関係を治療（treatment）として識別する。これは、うつ病のための薬の処方がいくつかの場合においてセルトラリンであるからである。
夫々のエンティティは、取り出された文書の組に含まれる文書の要旨とのその類似を示すスコア（例えば、不安神経症−０．９）を有している。１は、全ての関連文書における同一の用語を示す。
ラベルは、用語収集部又は他のモジュールを用いて、リスク、リスク因子及び治療を用いた臨床医によるＳＮＯＭＥＤの前の注釈により利用可能である。例えば、２つのリスク間のリンクは、“併存疾患”によりラベルを付され、リスクとリスク因子との間のリンクは、“リスク因子”によりラベルを付され、治療とリスク又はリスク因子との間のリンクは、“治療”によりラベルを付される。
図８は、ＰＣＯにおける心臓の動悸（palpitations）及びパニック（panic）に関する情報を図７に示されたリスク知識グラフの部分と結合した患者リスクグラフを示す。
ここで、ＰＣＯの情報は、個人のためのリスクのピクチャ（例えば、ＧＵＩを用いてユーザに表示され得る。）を与えるよう、一般的な導出されたリスク情報と結合されている。
図９は、本発明を具現し且つ実施形態の方法を実装するために使用され得る、データ記憶サーバのようなコンピュータデバイスのブロック図である。コンピュータデバイスは、コンピュータプロセッシングユニット（ＣＰＵ；computer processing unit）９９３と、ランダムアクセスメモリ（ＲＡＭ；Random Access Memory）９９５のようなメモリと、ハードディスクのようなストレージ９９６とを有する。任意に、コンピュータデバイスは、実施形態の他のそのようなコンピュータデバイスとの通信のためのネットワークインターフェイス９９９を更に含む。例えば、実施形態は、そのようなコンピュータデバイスのネットワークから構成されてよい。任意に、コンピュータデバイスは、リードオンリーメモリ（ＲＯＭ；Read-Only Memory）９９４と、キーボード及びマウスのような１つ以上の入力メカニズム９９８と、１つ以上のモニタのような表示ユニット９９７とを更に含む。コンポーネントは、バス９９２を介して互いと接続可能である。ＣＰＵ９９３は、コンピュータデバイスを制御し且つプロセッシング動作を実行するよう構成される。ＲＡＭ９９５は、ＣＰＵ９９３によって読み出され且つ書き込まれるデータを記憶する。ストレージユニット９９６は、例えば、不揮発性ストレージユニットであってよく、データを記憶するよう構成される。
表示ユニット９９７は、コンピュータデバイスによって記憶されているデータの表現を表示し、且つ、ユーザとコンピュータデバイスに記憶されているプログラム及びデータとの間のインタラクションを可能にするカーソル及びダイアログボックス及び画面を表示する。入力メカニズム９９８は、ユーザがデータ及び命令をコンピュータデバイスに入力することを可能にする。
ネットワークインターフェイス（ネットワークＩ／Ｆ）９９９は、インターネットのようなネットワークへ接続され、ネットワークを介して他のそのようなコンピュータデバイスへ接続可能である。ネットワークＩ／Ｆ９９９は、ネットワークを介した他の装置との間のデータ入出力を制御する。マイクロホン、スピーカ、プリンタ、電源ユニット、ファン、ケース、スキャナ、トラックボールなどのような他の周辺機器は、コンピュータデバイスに含まれてよい。
本発明を具現する方法は、図９に表されているようなコンピュータデバイスにおいて実施されてよい。そのようなコンピュータデバイスは、図９に表されているあらゆるコンポーネントを有する必要はなく、それらのコンポーネントの一部から構成されてよい。本発明を具現する方法は、ネットワークを介して１つ以上のデータ記憶サーバと通信する単一のコンピュータデバイスによって実施されてよい。コンピュータデバイスは、データグラフの少なくとも一部分を記憶するデータストレージ自体であってよい。本発明を具現する方法は、互いに協調して動作する複数のコンピュータデバイスによって実施されてよい。複数のコンピュータデバイスのうちの１つ以上は、データグラフの少なくとも一部分を記憶するデータ記憶サーバであってよい。
上記の実施形態に加えて、以下の付記を開示する。
（付記１）
オープンデータ及び臨床医の入力を用いて患者のリスクを評価するシステムであって、
オープンデータを受けるヘルスケア知識データ入力部、及びリスクに関連した臨床医の知識の入力を受け入れる専門知識入力部と、
前記オープンデータから関連文書を取り出すようリスク関連語の臨床医の入力を使用することによって、且つ、前記臨床医の語に対応する前記文書からのエンティティ及び該エンティティ間のリンクとしてヘルスケアリスク知識グラフを抽出することによって、前記オープンデータ及び前記臨床医の入力から前記ヘルスケアリスク知識グラフを提供するヘルスケアリスクエンジンと、
患者リスクグラフを生成するよう患者臨床オブジェクト（ＰＣＯ）における情報を前記ヘルスケアリスク知識グラフと結合することによって、特定の患者についてのリスクを予測する患者リスクグラフ予測モジュールと
を有するシステム。
（付記２）
前記ＰＣＯは、所与の患者に関する情報の項目をカプセル化する臨床エンティティの集合体であり、
望ましくは、前記ＰＣＯは、診断、症状、治療、通院及び処方のいずれかのようなカテゴリによって当該患者へリンクされた該患者に関する情報とともに、当該患者を中心とするグラフとして既往臨床情報を含む、
付記１に記載のシステム。
（付記３）
前記臨床医の語は、潜在的な病気の形でのリスクに関連した語、病気の可能性を高めるリスク因子に関連した語、及び病状の治療に関連した語を含む、
付記１又は２に記載のシステム。
（付記４）
前記ヘルスケアリスクエンジンは、
前記臨床医による前記語の入力を受け入れるリスク関連語収集部と、
標準化された用語集を用いて同義語及び等価語を含めるよう前記臨床医の語を標準化し拡張する医療エンティティ調停部と、
前記拡張された語へリンクされた文書の組を医療文書データベースから取り出すトピック検出部及びタグ付け部と、
スコアを夫々有しており且つ前記標準化された用語集と夫々アライメントされた前記文書の組からのエンティティを抽出する固有表現認識、分解及びあいまい性解消（ＮＥＲＤ）モジュールと、
前記取り出された文書の組に含まれる文書における２つのエンティティの共起に基づきエンティティ間の関係に点数を付ける関係抽出部と
を有し、
当該システムは、前記エンティティ及びそれらの点数を付けられた関係を記憶するリスク知識グラフを生成するよう構成される、
付記１乃至３のうちいずれか一つに記載のシステム。
（付記５）
前記患者リスクグラフ予測モジュールは、前記ＰＣＯからの情報の項目を前記ヘルスケアリスク知識グラフにおける対応するエンティティと照合し、前記患者リスクグラフを形成するよう前記対応するエンティティの周りのノードを抽出することによって、特定の患者についてのリスクを予測する、
付記１乃至４のうちいずれか一つに記載のシステム。
（付記６）
前記患者リスクグラフ予測モジュールは、次の予測器：
前の診断に基づき患者リスクサブグラフを提供する、診断に基づく予測器、
前記患者によって摂取された前の薬に基づき患者リスクサブグラフを提供する、薬に基づく予測器、
前記患者の前の症状に基づき患者リスクサブグラフを提供する、症状に基づく予測器、及び
前記患者が受けている治療に基づき患者リスクサブグラフを提供する、治療に基づく予測器
のうちの２つ以上において前記ＰＣＯ及び前記ヘルスケアリスク知識グラフを使用するよう構成されるメタ予測器であり、
前記メタ予測器は、個々の予測器によって生成された前記患者リスクサブグラフを患者リスクグラフにまとめて処理することによって予測を行うメタ予測器を含む、
付記１乃至５のうちいずれか一つに記載のシステム。
（付記７）
予測器によって構成される夫々の患者リスクサブグラフは、前記情報の項目に適合する前記ヘルスケアリスク知識グラフ内のあらゆるエンティティ、該適合するエンティティに隣接する１つ以上のエンティティ、及び前記適合するエンティティ間の最短経路上のエンティティを含む、
付記６に記載のシステム。
（付記８）
夫々の予測器は、パフォーマンス測定の精度に基づく重み付けを与えられ、
望ましくは、前記重み付けは、前記患者リスクグラフで保持される前記サブグラフ内のエンティティの最大数を決定するために使用される、
付記７に記載のシステム。
（付記９）
前記ヘルスケアリスク知識グラフ及び前記患者リスクグラフにおける各エンティティは、当該エンティティが前記臨床医の語にどれくらい近く対応するかを反映するスコアを含む、
付記１乃至８のうちいずれか一つに記載のシステム。
（付記１０）
前記メタ予測器は、前記予測器によって含まれる前記エンティティをチェックし、最も多くの予測器において存在するエンティティ及び／又は最も高い累計スコアを有するエンティティを前記患者リスクグラフとして選択する、
付記８又は９に記載のシステム。
（付記１１）
１つの言語において語を受け入れ、該語を標準化された用語集の言語における同等のものに変換する変換モジュール
を更に有する付記１乃至１０のうちいずれか一つに記載のシステム。
（付記１２）
オープンデータ及び臨床医の入力を用いて患者のリスクを評価する、コンピュータにより実施される方法であって、
オープンデータ、及びリスクに関連した臨床医の知識を受け、
前記オープンデータから関連文書を取り出すようリスク関連語の臨床医の入力を使用することによって、且つ、前記臨床医の語に対応する前記文書からのエンティティ及び該エンティティ間のリンクとしてヘルスケアリスク知識グラフを抽出することによって、前記オープンデータ及び前記臨床医の入力から前記ヘルスケアリスク知識グラフを提供し、
患者リスクグラフを生成するよう患者臨床オブジェクト（ＰＣＯ）における情報を前記ヘルスケアリスク知識グラフと結合することによって、特定の患者についてのリスクを予測する
ことを有する方法。
（付記１３）
コンピュータで実行される場合に、該コンピュータに、付記１２に記載の方法を実施させるコンピュータプログラム。
（付記１）
オープンデータ及び臨床医の入力を用いて患者のリスクを評価するシステムであって、
オープンデータを受けるヘルスケア知識データ入力部、及びリスクに関連した臨床医の知識の入力を受け入れる専門知識入力部と、
前記オープンデータから関連文書を取り出すようリスク関連語の臨床医の入力を使用することによって、且つ、前記臨床医の語に対応する前記文書からのエンティティ及び該エンティティ間のリンクとしてヘルスケアリスク知識グラフを抽出することによって、前記オープンデータ及び前記臨床医の入力から前記ヘルスケアリスク知識グラフを提供するヘルスケアリスクエンジンと、
患者リスクグラフを生成するよう患者臨床オブジェクト（ＰＣＯ）における情報を前記ヘルスケアリスク知識グラフと結合することによって、特定の患者についてのリスクを予測する患者リスクグラフ予測モジュールと
を有するシステム。
（付記２）
前記ＰＣＯは、所与の患者に関する情報の項目をカプセル化する臨床エンティティの集合体であり、
望ましくは、前記ＰＣＯは、診断、症状、治療、通院及び処方のいずれかのようなカテゴリによって当該患者へリンクされた該患者に関する情報とともに、当該患者を中心とするグラフとして既往臨床情報を含む、
付記１に記載のシステム。
（付記３）
前記臨床医の語は、潜在的な病気の形でのリスクに関連した語、病気の可能性を高めるリスク因子に関連した語、及び病状の治療に関連した語を含む、
付記１又は２に記載のシステム。
（付記４）
前記ヘルスケアリスクエンジンは、
前記臨床医による前記語の入力を受け入れるリスク関連語収集部と、
標準化された用語集を用いて同義語及び等価語を含めるよう前記臨床医の語を標準化し拡張する医療エンティティ調停部と、
前記拡張された語へリンクされた文書の組を医療文書データベースから取り出すトピック検出部及びタグ付け部と、
スコアを夫々有しており且つ前記標準化された用語集と夫々アライメントされた前記文書の組からのエンティティを抽出する固有表現認識、分解及びあいまい性解消（ＮＥＲＤ）モジュールと、
前記取り出された文書の組に含まれる文書における２つのエンティティの共起に基づきエンティティ間の関係に点数を付ける関係抽出部と
を有し、
当該システムは、前記エンティティ及びそれらの点数を付けられた関係を記憶するリスク知識グラフを生成するよう構成される、
付記１乃至３のうちいずれか一つに記載のシステム。
（付記５）
前記患者リスクグラフ予測モジュールは、前記ＰＣＯからの情報の項目を前記ヘルスケアリスク知識グラフにおける対応するエンティティと照合し、前記患者リスクグラフを形成するよう前記対応するエンティティの周りのノードを抽出することによって、特定の患者についてのリスクを予測する、
付記１乃至４のうちいずれか一つに記載のシステム。
（付記６）
前記患者リスクグラフ予測モジュールは、次の予測器：
前の診断に基づき患者リスクサブグラフを提供する、診断に基づく予測器、
前記患者によって摂取された前の薬に基づき患者リスクサブグラフを提供する、薬に基づく予測器、
前記患者の前の症状に基づき患者リスクサブグラフを提供する、症状に基づく予測器、及び
前記患者が受けている治療に基づき患者リスクサブグラフを提供する、治療に基づく予測器
のうちの２つ以上において前記ＰＣＯ及び前記ヘルスケアリスク知識グラフを使用するよう構成されるメタ予測器であり、
前記メタ予測器は、個々の予測器によって生成された前記患者リスクサブグラフを患者リスクグラフにまとめて処理することによって予測を行うメタ予測器を含む、
付記１乃至５のうちいずれか一つに記載のシステム。
（付記７）
予測器によって構成される夫々の患者リスクサブグラフは、前記情報の項目に適合する前記ヘルスケアリスク知識グラフ内のあらゆるエンティティ、該適合するエンティティに隣接する１つ以上のエンティティ、及び前記適合するエンティティ間の最短経路上のエンティティを含む、
付記６に記載のシステム。
（付記８）
夫々の予測器は、パフォーマンス測定の精度に基づく重み付けを与えられ、
望ましくは、前記重み付けは、前記患者リスクグラフで保持される前記サブグラフ内のエンティティの最大数を決定するために使用される、
付記７に記載のシステム。
（付記９）
前記ヘルスケアリスク知識グラフ及び前記患者リスクグラフにおける各エンティティは、当該エンティティが前記臨床医の語にどれくらい近く対応するかを反映するスコアを含む、
付記１乃至８のうちいずれか一つに記載のシステム。
（付記１０）
前記メタ予測器は、前記予測器によって含まれる前記エンティティをチェックし、最も多くの予測器において存在するエンティティ及び／又は最も高い累計スコアを有するエンティティを前記患者リスクグラフとして選択する、
付記８又は９に記載のシステム。
（付記１１）
１つの言語において語を受け入れ、該語を標準化された用語集の言語における同等のものに変換する変換モジュール
を更に有する付記１乃至１０のうちいずれか一つに記載のシステム。
（付記１２）
オープンデータ及び臨床医の入力を用いて患者のリスクを評価する、コンピュータにより実施される方法であって、
オープンデータ、及びリスクに関連した臨床医の知識を受け、
前記オープンデータから関連文書を取り出すようリスク関連語の臨床医の入力を使用することによって、且つ、前記臨床医の語に対応する前記文書からのエンティティ及び該エンティティ間のリンクとしてヘルスケアリスク知識グラフを抽出することによって、前記オープンデータ及び前記臨床医の入力から前記ヘルスケアリスク知識グラフを提供し、
患者リスクグラフを生成するよう患者臨床オブジェクト（ＰＣＯ）における情報を前記ヘルスケアリスク知識グラフと結合することによって、特定の患者についてのリスクを予測する
ことを有する方法。
（付記１３）
コンピュータで実行される場合に、該コンピュータに、付記１２に記載の方法を実施させるコンピュータプログラム。
１ システム
１０ 健康リスク知識グラフ構築モジュール（ヘルスケアリスクエンジン）
２０ リスク関連語収集部
３０ 医療エンティティ調停部
４０ トピック検出部及びタグ付け部
５０ 固有表現認識、分解及びあいまい性解消（ＮＥＲＤ）モジュール
６０ 関係抽出部
８０ ヘルスケアリスク知識グラフ
９０ 患者臨床オブジェクト（ＰＣＯ）
１１０ 患者リスクグラフ予測モジュール
９９３ コンピュータプロセッシングユニット（ＣＰＵ）
９９４ ＲＯＭ
９９５ ＲＡＭ
９９６ ストレージ
９９７ 表示ユニット
９９８ 入力メカニズム
９９９ ネットワークインターフェイス
１０ 健康リスク知識グラフ構築モジュール（ヘルスケアリスクエンジン）
２０ リスク関連語収集部
３０ 医療エンティティ調停部
４０ トピック検出部及びタグ付け部
５０ 固有表現認識、分解及びあいまい性解消（ＮＥＲＤ）モジュール
６０ 関係抽出部
８０ ヘルスケアリスク知識グラフ
９０ 患者臨床オブジェクト（ＰＣＯ）
１１０ 患者リスクグラフ予測モジュール
９９３ コンピュータプロセッシングユニット（ＣＰＵ）
９９４ ＲＯＭ
９９５ ＲＡＭ
９９６ ストレージ
９９７ 表示ユニット
９９８ 入力メカニズム
９９９ ネットワークインターフェイス
Claims (13)
- オープンデータ及び臨床医の入力を用いて患者のリスクを評価するシステムであって、
医療文書データベースからアクセス可能に公開されたオープンデータを受けるヘルスケア知識データ入力部、及び臨床医が有している健康リスクに関する知識に基づくリスク関連語を入力される専門知識入力部と、
前記リスク関連語に基づいて前記オープンデータから関連文書を取り出し、該関連文書から、前記リスク関連語に対して標準化又は拡張して得られる語を含むエンティティ及び該エンティティ間のリンクを抽出することによって、ヘルスケアリスク知識グラフを生成するヘルスケアリスクエンジンと、
特定の患者に関する情報の項目を該特定の患者を中心とするグラフとして有する患者臨床オブジェクト（ＰＣＯ）における情報を項目ごとに前記ヘルスケアリスク知識グラフと照合して、該ヘルスケアリスク知識グラフにおいて対応するエンティティ及び該エンティティに隣接したエンティティを含むサブグラフを取り出し、前記項目ごとに取り出されたサブグラフを結合することによって、前記特定の患者についての健康リスクの予測を表す患者リスクグラフを生成する患者リスクグラフ予測モジュールと
を有するシステム。 - 前記ＰＣＯは、診断、症状、治療、通院及び処方のいずれかのようなカテゴリによって前記特定の患者へリンクされた該特定の患者に関する情報とともに、前記特定の患者を中心とするグラフとして既往臨床情報を含む、
請求項１に記載のシステム。 - 前記リスク関連語は、潜在的な病気の形でのリスクに関連した語、病気の可能性を高めるリスク因子に関連した語、及び病状の治療に関連した語を含む、
請求項１又は２に記載のシステム。 - 前記ヘルスケアリスクエンジンは、
前記臨床医による前記リスク関連語の入力を受け入れるリスク関連語収集部と、
標準化された用語集を用いて同義語及び等価語を含めるよう前記リスク関連語を標準化し拡張する医療エンティティ調停部と、
前記拡張された語へリンクされた文書の組を医療文書データベースから取り出すトピック検出部及びタグ付け部と、
スコアを夫々有しており且つ前記標準化された用語集と夫々アライメントされた前記文書の組からのエンティティを抽出する固有表現認識、分解及びあいまい性解消（ＮＥＲＤ）モジュールと、
前記取り出された文書の組に含まれる文書における２つのエンティティの共起に基づきエンティティ間の関係に点数を付ける関係抽出部と
を有し、
当該システムは、前記エンティティ及びそれらの点数を付けられた関係を記憶する前記ヘルスケアリスク知識グラフを生成するよう構成される、
請求項１乃至３のうちいずれか一項に記載のシステム。 - 前記患者リスクグラフ予測モジュールは、次の予測器：
前の診断に基づき患者リスクサブグラフを提供する、診断に基づく予測器、
前記患者によって摂取された前の薬に基づき患者リスクサブグラフを提供する、薬に基づく予測器、
前記患者の前の症状に基づき患者リスクサブグラフを提供する、症状に基づく予測器、及び
前記患者が受けている治療に基づき患者リスクサブグラフを提供する、治療に基づく予測器
のうちの２つ以上において前記ＰＣＯ及び前記ヘルスケアリスク知識グラフを使用するよう構成されるメタ予測器であり、
前記メタ予測器は、個々の予測器によって生成された前記患者リスクサブグラフを前記患者リスクグラフにまとめて処理することによって予測を行うメタ予測器を含む、
請求項１乃至４のうちいずれか一項に記載のシステム。 - 予測器によって構成される夫々の患者リスクサブグラフは、前記情報の項目に適合する前記ヘルスケアリスク知識グラフ内のあらゆるエンティティ、該適合するエンティティに隣接する１つ以上のエンティティ、及び前記適合するエンティティ間の最短経路上のエンティティを含む、
請求項５に記載のシステム。 - 夫々の予測器は、パフォーマンス測定の精度に基づく重み付けを与えられ、
前記重み付けは、前記患者リスクグラフで保持される前記サブグラフ内のエンティティの最大数を決定するために使用される、
請求項６に記載のシステム。 - 前記メタ予測器は、前記予測器によって含まれる前記エンティティをチェックし、最も多くの予測器において存在するエンティティを前記患者リスクグラフとして選択する、
請求項７に記載のシステム。 - 前記ヘルスケアリスク知識グラフ及び前記患者リスクグラフにおける各エンティティは、当該エンティティが前記リスク関連語にどれくらい近く対応するかを反映するスコアを含む、
請求項１乃至８のうちいずれか一項に記載のシステム。 - 前記ヘルスケアリスク知識グラフ及び前記患者リスクグラフにおける各エンティティは、当該エンティティが前記リスク関連語にどれくらい近く対応するかを反映するスコアを含み、
前記メタ予測器は、前記予測器によって含まれる前記エンティティをチェックし、最も高い累計スコアを有するエンティティを前記患者リスクグラフとして選択する、
請求項５乃至８のうちいずれか一項に記載のシステム。 - １つの言語において語を受け入れ、該語を標準化された用語集の言語における同等のものに変換する変換モジュール
を更に有する請求項１乃至１０のうちいずれか一項に記載のシステム。 - オープンデータ及び臨床医の入力を用いて患者のリスクを評価する、コンピュータにより実施される方法であって、
医療文書データベースからアクセス可能に公開されたオープンデータ、及び臨床医が有している健康リスクに関する知識に基づくリスク関連語を受け、
前記リスク関連語に基づいて前記オープンデータから関連文書を取り出し、該関連文書から、前記リスク関連語に対して標準化又は拡張して得られる語を含むエンティティ及び該エンティティ間のリンクを抽出することによって、ヘルスケアリスク知識グラフを生成し、
特定の患者に関する情報の項目を該特定の患者を中心とするグラフとして有する患者臨床オブジェクト（ＰＣＯ）における情報を項目ごとに前記ヘルスケアリスク知識グラフと照合して、該ヘルスケアリスク知識グラフにおいて対応するエンティティ及び該エンティティに隣接したエンティティを含むサブグラフを取り出し、前記項目ごとに取り出されたサブグラフを結合することによって、前記特定の患者についての健康リスクの予測を表す患者リスクグラフを生成する
ことを有する方法。 - コンピュータで実行される場合に、該コンピュータに、請求項１２に記載の方法を実施させるコンピュータプログラム。
Applications Claiming Priority (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102016205066 | 2016-03-24 | ||
| GB1605114.6 | 2016-03-24 | ||
| GBGB1605114.6A GB201605114D0 (en) | 2016-03-24 | 2016-03-24 | A system and a method for assessing patient risk using open data and clinician input |
| DE102016205066.4 | 2016-03-24 | ||
| EP16201282.7A EP3223180A1 (en) | 2016-03-24 | 2016-11-29 | A system and a method for assessing patient risk using open data and clinician input |
| EP16201282.7 | 2016-11-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017174404A JP2017174404A (ja) | 2017-09-28 |
| JP6780520B2 true JP6780520B2 (ja) | 2020-11-04 |
Family
ID=57442528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017012894A Active JP6780520B2 (ja) | 2016-03-24 | 2017-01-27 | オープンデータ及び臨床医の入力を用いて患者のリスクを評価するシステム及び方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10831863B2 (ja) |
| EP (1) | EP3223180A1 (ja) |
| JP (1) | JP6780520B2 (ja) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10114814B1 (en) * | 2015-09-28 | 2018-10-30 | NarrativeDX, Inc. | System and method for actionizing patient comments |
| US11170172B1 (en) * | 2015-09-28 | 2021-11-09 | Press Ganey Associates, Inc. | System and method for actionizing comments |
| US20180218127A1 (en) * | 2017-01-31 | 2018-08-02 | Pager, Inc. | Generating a Knowledge Graph for Determining Patient Symptoms and Medical Recommendations Based on Medical Information |
| US20180218126A1 (en) * | 2017-01-31 | 2018-08-02 | Pager, Inc. | Determining Patient Symptoms and Medical Recommendations Based on Medical Information |
| CN108305175A (zh) * | 2017-12-30 | 2018-07-20 | 上海栈略数据技术有限公司 | 基于智能医学知识图谱的保险理赔风控辅助审核系统 |
| CN108648827B (zh) * | 2018-05-11 | 2022-04-08 | 北京邮电大学 | 心脑血管疾病风险预测方法及装置 |
| CN109767842B (zh) * | 2018-12-13 | 2023-08-22 | 平安科技（深圳）有限公司 | 一种疾病预警方法、疾病预警装置及计算机可读存储介质 |
| CN109902183B (zh) * | 2019-02-13 | 2023-03-31 | 北京航空航天大学 | 一种基于多样图注意力机制的知识图谱嵌入方法 |
| CN110428910A (zh) * | 2019-06-18 | 2019-11-08 | 浙江大学 | 临床用药适应症分析系统、方法、计算机设备和存储介质 |
| KR102288056B1 (ko) | 2019-08-06 | 2021-08-11 | 고려대학교 산학협력단 | 인공지능을 이용한 암환자 예후인자 중요도 분석 및 치료계획 처방적 분석 시스템 |
| CN110659348A (zh) * | 2019-09-24 | 2020-01-07 | 福建正孚软件有限公司 | 一种基于知识推理的集团企业全域风险融合分析方法及系统 |
| CN110866111A (zh) * | 2019-11-18 | 2020-03-06 | 合肥工业大学 | 一种基于知识图谱的糖尿病智能知识服务系统 |
| CN113012803B (zh) * | 2019-12-19 | 2024-08-09 | 京东方科技集团股份有限公司 | 计算机设备、系统、可读存储介质及医学数据分析方法 |
| CN111341456B (zh) * | 2020-02-21 | 2024-02-23 | 中南大学湘雅医院 | 糖尿病足知识图谱生成方法、装置及可读存储介质 |
| KR102559641B1 (ko) * | 2020-11-11 | 2023-07-26 | 아주대학교산학협력단 | 인공지능 기반의 이상 반응 감시 방법 및 이에 대한 시스템 |
| CN112508456A (zh) * | 2020-12-25 | 2021-03-16 | 平安国际智慧城市科技股份有限公司 | 食品安全风险评估方法、系统、计算机设备及存储介质 |
| CN113094512B (zh) * | 2021-04-08 | 2024-05-24 | 达观数据有限公司 | 一种工业生产制造中故障分析系统及方法 |
| US11315679B2 (en) | 2021-05-12 | 2022-04-26 | Cigna Intellectual Property, Inc. | Systems and methods for prediction based care recommendations |
| US20240047070A1 (en) * | 2022-08-04 | 2024-02-08 | Optum, Inc. | Machine learning techniques for generating cohorts and predictive modeling based thereof |
| CN115083602A (zh) * | 2022-08-16 | 2022-09-20 | 阿里巴巴（中国）有限公司 | 精神疾病辅助诊断方法、装置、设备、存储介质及系统 |
| CN116779190B (zh) * | 2023-06-25 | 2024-02-13 | 急尼优医药科技(上海)有限公司 | 一种基于物联网的医疗平台用户随访管理系统及方法 |
| CN117056536B (zh) * | 2023-10-10 | 2023-12-26 | 湖南创星科技股份有限公司 | 一种基于知识图谱驱动的虚拟医生系统及其操作方法 |
| CN117912698B (zh) * | 2024-03-18 | 2024-05-17 | 简阳市人民医院 | 一种针对扁桃体术后患者的健康监控方法和系统 |
Family Cites Families (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH01163873A (ja) * | 1987-12-21 | 1989-06-28 | Nec Corp | 診断支援システム |
| US7107253B1 (en) * | 1999-04-05 | 2006-09-12 | American Board Of Family Practice, Inc. | Computer architecture and process of patient generation, evolution and simulation for computer based testing system using bayesian networks as a scripting language |
| US20130268296A1 (en) | 2003-05-06 | 2013-10-10 | M-3 Information Llc | Method and apparatus for identifying, monitoring and treating medical signs and symptoms |
| US9058629B2 (en) | 2003-10-17 | 2015-06-16 | Optuminsight, Inc. | System and method for assessing healthcare risks |
| US20050086078A1 (en) * | 2003-10-17 | 2005-04-21 | Cogentmedicine, Inc. | Medical literature database search tool |
| US8751266B2 (en) * | 2005-03-04 | 2014-06-10 | Cerner Innovation, Inc. | Method and system for facilitating clinical decisions |
| US20070228721A1 (en) * | 2006-02-15 | 2007-10-04 | Michael Laposata | Systems and devices for assessment and treatment of a myocardial ischemic event |
| US20090005650A1 (en) * | 2007-06-29 | 2009-01-01 | Robert Lee Angell | Method and apparatus for implementing digital video modeling to generate a patient risk assessment model |
| US8229881B2 (en) * | 2007-07-16 | 2012-07-24 | Siemens Medical Solutions Usa, Inc. | System and method for creating and searching medical ontologies |
| UA43768U (ru) | 2009-04-27 | 2009-08-25 | Винницкий Национальный Медицинский Университет Им. Н.И. Пирогова | Способ скрининговой оценки степени риска возникновения донозологических отклонений в состоянии психического здоровья подростков |
| US20110077972A1 (en) * | 2009-09-24 | 2011-03-31 | Agneta Breitenstein | Systems and methods of clinical tracking |
| DE102009051521B4 (de) | 2009-10-31 | 2012-04-26 | X-Fab Semiconductor Foundries Ag | Herstellung von Siliziumhalbleiterscheiben mit III-V-Schichtstrukturen für High Electron Mobility Transistoren (HEMT) und eine entsprechende Halbleiterschichtanordnung |
| CA2832355A1 (en) | 2010-04-07 | 2012-10-13 | Novacare | Computer based system for predicting treatment outcomes |
| US10453574B2 (en) * | 2010-09-01 | 2019-10-22 | Apixio, Inc. | Systems and methods for mining aggregated clinical documentation using concept associations |
| RU2598328C2 (ru) * | 2010-09-30 | 2016-09-20 | Конинклейке Филипс Электроникс Н.В. | Система уточнения медицинских запросов |
| US8543422B2 (en) * | 2011-04-04 | 2013-09-24 | International Business Machines Corporation | Personalized medical content recommendation |
| US8898149B2 (en) | 2011-05-06 | 2014-11-25 | The Translational Genomics Research Institute | Biological data structure having multi-lateral, multi-scalar, and multi-dimensional relationships between molecular features and other data |
| US8639678B2 (en) * | 2011-09-12 | 2014-01-28 | Siemens Corporation | System for generating a medical knowledge base |
| US9082082B2 (en) * | 2011-12-06 | 2015-07-14 | The Trustees Of Columbia University In The City Of New York | Network information methods devices and systems |
| US20130179187A1 (en) * | 2012-01-06 | 2013-07-11 | Molecular Health | Systems and methods for de-risking patient treatment |
| US20140095201A1 (en) * | 2012-09-28 | 2014-04-03 | Siemens Medical Solutions Usa, Inc. | Leveraging Public Health Data for Prediction and Prevention of Adverse Events |
| JP6101563B2 (ja) * | 2013-05-20 | 2017-03-22 | 株式会社日立製作所 | 情報構造化システム |
| US10978208B2 (en) * | 2013-12-05 | 2021-04-13 | International Business Machines Corporation | Patient risk stratification by combining knowledge-driven and data-driven insights |
| US20150193583A1 (en) * | 2014-01-06 | 2015-07-09 | Cerner Innovation, Inc. | Decision Support From Disparate Clinical Sources |
| CN103914800B (zh) | 2014-04-14 | 2017-01-18 | 聂聪 | 心理健康指数智能监控系统 |
| EP3172362A4 (en) * | 2014-07-23 | 2018-01-10 | Ontario Institute for Cancer Research | Systems, devices and methods for constructing and using a biomarker |
-
2016
- 2016-11-29 EP EP16201282.7A patent/EP3223180A1/en not_active Ceased
-
2017
- 2017-01-25 US US15/415,136 patent/US10831863B2/en active Active
- 2017-01-27 JP JP2017012894A patent/JP6780520B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| EP3223180A1 (en) | 2017-09-27 |
| US20170277855A1 (en) | 2017-09-28 |
| JP2017174404A (ja) | 2017-09-28 |
| US10831863B2 (en) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6780520B2 (ja) | オープンデータ及び臨床医の入力を用いて患者のリスクを評価するシステム及び方法 | |
| JP6915282B2 (ja) | オープンデータ及び臨床医の入力を用いて患者の治療リスクを評価するシステム及び方法 | |
| Wang et al. | Should health care demand interpretable artificial intelligence or accept “black box” medicine? | |
| JP6825389B2 (ja) | ヘルスケア・リスク推定システム及び方法 | |
| Pendergrass et al. | Using electronic health records to generate phenotypes for research | |
| JP7035314B2 (ja) | 患者の診断を支援するシステムおよび方法 | |
| Mo et al. | Desiderata for computable representations of electronic health records-driven phenotype algorithms | |
| JP7304960B2 (ja) | 健康情報に基づく予後スコア | |
| JP6907831B2 (ja) | コンテキストベースの患者類似性の方法及び装置 | |
| Dalianis et al. | HEALTH BANK-A Workbench for Data Science Applications in Healthcare. | |
| Chen et al. | OMDP: An ontology-based model for diagnosis and treatment of diabetes patients in remote healthcare systems | |
| Reiz et al. | Big data analysis and machine learning in intensive care units | |
| US11017033B2 (en) | Systems and methods for modeling free-text clinical documents into a hierarchical graph-like data structure based on semantic relationships among clinical concepts present in the documents | |
| US20190362825A1 (en) | Medical information translation system | |
| JP6992370B2 (ja) | 潜在的な診断を所与として患者により利用される医療資源を特定するためのコンピュータ装置及び方法 | |
| Viani et al. | Information extraction from Italian medical reports: An ontology-driven approach | |
| Yu et al. | Clinical coverage of an archetype repository over SNOMED-CT | |
| Lapadula et al. | Greg, ml–machine learning for healthcare at a scale | |
| Ahmad et al. | A survey on the role of artificial intelligence in managing Long COVID | |
| GB2548627A (en) | A system and a method for assessing patient treatment risk using open data and clinician input | |
| Chen et al. | Cognitive computing-based CDSS in medical practice | |
| Cui | Ontology-guided health information extraction, organization, and exploration | |
| Keloth | Methods for Extending Biomedical Reference Ontologies and Interface Terminologies for EHR Text Annotation | |
| Huang et al. | GET OUR E-ALERTS | |
| Dietrich | Ad Hoc Information Extraction in a Clinical Data Warehouse with Case Studies for Data Exploration and Consistency Checks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191008 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200318 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200414 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200611 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200915 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200928 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6780520 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |