[go: up one dir, main page]

RU2019112163A - Системы и способы интеллектуального анализа медицинских данных - Google Patents

Системы и способы интеллектуального анализа медицинских данных Download PDF

Info

Publication number
RU2019112163A
RU2019112163A RU2019112163A RU2019112163A RU2019112163A RU 2019112163 A RU2019112163 A RU 2019112163A RU 2019112163 A RU2019112163 A RU 2019112163A RU 2019112163 A RU2019112163 A RU 2019112163A RU 2019112163 A RU2019112163 A RU 2019112163A
Authority
RU
Russia
Prior art keywords
patient
digital
clinical
parameters
pri
Prior art date
Application number
RU2019112163A
Other languages
English (en)
Inventor
Офер АРИЭЛИ
Original Assignee
Медиал Рисёч Лтд.
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Медиал Рисёч Лтд. filed Critical Медиал Рисёч Лтд.
Publication of RU2019112163A publication Critical patent/RU2019112163A/ru

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Child & Adolescent Psychology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Claims (34)

1. Реализуемый компьютером способ создания персонализированного референтного интервала (PRI), предусматривающий:
получение цифрового профиля пациента, причем цифровой профиль включает множество демографических параметров и связанные с ними значения, и причем цифровой профиль включает параметры данных истории болезни и связанные с ними значения; получение результата клинического теста пациента, причем результат клинического теста включает измеренное значение по меньшей мере одного анализируемого параметра; получение доступа к набору данных, хранящему множество цифровых профилей других пациентов, каждый цифровой профиль из набора данных связан по меньшей мере с одним результатом клинического теста соответствующего другого пациента и множеством демографических параметров и связанных ними значений для каждого из других пациентов, и параметры данных истории болезни и связанные с ними значения; выявление подмножества из набора данных на основе корреляции согласно критерию сходства между по меньшей мере одним из множества демографических параметров цифрового профиля пациента и по меньшей мере одним из множества демографических параметров цифровых профилей других пациентов и на основе корреляции согласно критерию сходства между историей болезни из цифрового профиля пациента и историей болезни других пациентов; вычисление персонализированного референтного интервала (PRI) для каждого соответствующего по меньшей мере одного анализируемого параметра результата клинического теста пациента по результатам анализа соответствующих значений по меньшей мере одного анализируемого параметра из данного подмножества, причем PRI вычисляют динамически с помощью наиболее обновленной версии набора данных; и создание инструкций для лечения пациента, при этом инструкции включают PRI для каждого из по меньшей мере одного анализируемого параметра результата клинического теста пациента.
2. Способ по п. 1, предусматривающий, что других пациентов из подмножества обозначают как здоровых и нормальных, и причем PRI обозначает здоровое и нормальное значение соответствующего анализируемого параметра для здоровых и нормальных пациентов, имеющих цифровые профили, коррелирующие с цифровым профилем пациента.
3. Способ по п. 1, предусматривающий, что параметры данных истории болезни указывают по меньшей мере на одну медицинскую патологию.
4. Способ по п. 1, предусматривающий, что PRI вычисляют с учетом противоречащих эффектов демографии и/или истории болезни, оказывающих влияние на соответствующий анализируемый параметр.
5. Способ по п. 1, предусматривающий, что PRI вычисляют с учетом аддитивных эффектов демографии и/или истории болезни, оказывающих влияние на соответствующий анализируемый параметр.
6. Способ по п. 1, предусматривающий, что данные истории болезни включают по меньшей мере один элемент, выбранный из группы, состоящей из анамнеза перенесенных заболеваний, сопутствующей патологии, хронических медицинских состояний, перенесенных хирургических операций, принимаемых в настоящее время лекарственных препаратов, статуса в отношении курения, статуса в отношении употребления алкоголя, статуса в отношении употребления наркотиков, острых медицинских состояний, семейного анамнеза и генетической предрасположенности.
7. Способ по п. 1, предусматривающий, что анализируемый параметр получают в результате измерения из жидкости организма, выбранной из группы, состоящей из крови, мочи, спинномозговой жидкости, плевральной жидкости, околоплодных вод, внутриглазной жидкости, стекловидного тела, желчи, желудочной кислоты, лимфы, слизи, перикардиальной жидкости, гноя, слюны, спермы, выделений из влагалища, мокроты, синовиальной жидкости, слез и пота.
8. Способ по п. 1, предусматривающий, что анализируемый параметр представляет собой по меньшей мере одно из следующего: результата анатомического измерения тела, выполненного непосредственно или с помощью способов визуализации, и результата измерения функции органа.
9. Способ по п. 8, предусматривающий, что анализируемый параметр выбран из группы, состоящей из индекса массы тела (BMI), сердечного выброса, частоты дыхания, толщины эндометрия, размера аппендикса, размера почки и объема предстательной железы.
10. Способ по п. 1, предусматривающий, что цифровые профили подмножества включают по меньшей мере одно из дожития соответствующего пациента и времени до возникновения конкретного клинического результата для соответствующего пациента и дополнительно предусматривающий вычисление риска конкретного результата для пациента по результатам анализа значения по меньшей мере одного анализируемого параметра с учетом PRI.
11. Способ по п. 10, предусматривающий, что конкретный результат является по меньшей мере одним из получаемых от пользователя с помощью графического пользовательского интерфейса (GUI) и определенного для каждого из перечня множества предварительно заданных результатов.
12. Способ по п. 1, дополнительно предусматривающий:
получение по меньшей мере одного другого результата клинического теста пациента, в том числе другого измеренного значения по меньшей мере одного анализируемого параметра; определение тенденции по результатам анализа разницы между измеренным значением по меньшей мере одного анализируемого параметра по меньшей мере одного другого результата клинического теста и результатом теста; выявление клинической значимости или клинической незначимости тенденции по PRI.
13. Способ по п. 12, предусматривающий, что цифровые профили подмножества включают по меньшей мере одно из дожития соответствующего пациента и времени до возникновения конкретного клинического результата для соответствующего пациента, и причем выявление клинической значимости или клинической незначимости тенденции основано на вычислении риска конкретного результата для пациента на основе тенденции.
14. Способ по п. 12, дополнительно предусматривающий выявление клинической значимости или клинической незначимости тенденции на основе результатов анализа корреляции между тенденцией и распределением значений, соответствующих тенденции у цифровых профилей подмножества.
15. Способ по п. 1, дополнительно предусматривающий сохранение полученного клинического результата пациента и цифрового профиля пациента в наборе данных.
16. Способ анализа клинических связей посредством навигации по набору медицинских данных других пациентов, предусматривающий:
управление набором данных, хранящим множество цифровых профилей пациентов, при этом каждый цифровой профиль каждого пациента из набора данных связан с измеренным значением для каждого из множества анализируемых параметров, полученных во время клинического тестирования соответствующего пациента, множеством демографических параметров для каждого соответствующего пациента и по меньшей мере одним из дожития соответствующего пациента и времени до возникновения конкретного клинического результата для соответствующего пациента;
получение от графического пользовательского интерфейса (GUI), исходя из сделанного пользователем ввода, конкретного анализируемого параметра из множества анализируемых параметров, хранящихся в наборе данных;
получение от GUI, исходя из сделанного пользователем ввода, по меньшей мере одного критерия для значения по меньшей мере для одного из множества демографических параметров пациентов из набора данных, обозначающего заданный контингент;
получение от GUI, исходя из сделанного пользователем ввода, конкретного результата;
выявление подмножества из множества цифровых профилей из набора данных, соответствующего заданному контингенту;
посыл команды визуализировать GUI, на котором представлены связи между значениями конкретного анализируемого параметра и конкретным результатом для заданного контингента в соответствии с цифровыми профилями подмножества.
17. Способ по п. 16, предусматривающий, что конкретный результат включает элемент, выбранный из группы, состоящей из риска развития ракового заболевания через предопределенный период времени в будущем, риска развития застойной сердечной недостаточности через предопределенный период времени в будущем, риска развития сахарного диабета через период времени в будущем, риска развития заболевания печени через предопределенный период времени в будущем, риска развития заболевания почек через предопределенный период времени в будущем, риска развития сепсиса через предопределенный период времени в будущем и риска повторной госпитализации через предопределенный период времени в будущем, риска общей смертности через предопределенный период времени в будущем и критерия для значения по меньшей мере для одного анализируемого параметра через предопределенный период времени в будущем.
18. Способ по п. 16, предусматривающий, что каждый из множества цифровых профилей из набора данных включает значение для каждого из множества параметров данных истории болезни;
дополнительно предусматривает получение от GUI, исходя из сделанного пользователем ввода, определенного по меньшей мере одного из множества параметров данных истории болезни; и
причем данное подмножество выявляют в соответствии с определенным по меньшей мере одним из множества параметров данных истории болезни.
19. Способ по п. 18, предусматривающий, что данные истории болезни включают по меньшей мере один элемент, выбранный из группы, состоящей из анамнеза перенесенных заболеваний, сопутствующей патологии, хронических медицинских состояний, перенесенных хирургических операций, принимаемых в настоящее время лекарственных препаратов, статуса в отношении курения, статуса в отношении употребления алкоголя, статуса в отношении употребления наркотиков, острых медицинских состояний, семейного анамнеза и генетической предрасположенности.
20. Система создания персонализированного референтного интервала (PRI), включающая:
устройство хранения данных, хранящее набор данных, хранящий множество цифровых профилей пациентов, при этом каждый цифровой профиль из набора данных связан по меньшей мере с одним результатом клинического теста соответствующего пациента и соответствующими значениями по меньшей мере для одного демографического параметра, причем каждый цифровой профиль включает параметры данных истории болезни и связанные с ними значения; программный накопитель, хранящий код; и по меньшей мере один блок обработки данных, связанный с устройством хранения данных и программным накопителем для реализации хранящегося кода, причем код содержит
код для приема цифрового профиля пациента, включающего по меньшей мере один демографический параметр и связанное с ним значение и параметры данных истории болезни и связанные с ними значения, и для приема результата клинического теста пациента, причем результат клинического теста включает измеренное значение по меньшей мере одного анализируемого параметра;
код для выявления подмножества из набора данных на основе корреляции согласно критерию сходства между по меньшей мере одним из множества демографических параметров цифрового профиля пациента и по меньшей мере одним из множества демографических параметров цифровых профилей других пациентов и на основе корреляции согласно критерию сходства между историей болезни из цифрового профиля пациента и историей болезни других пациентов; и для вычисления персонализированного референтного интервала (PRI) для каждого соответствующего по меньшей мере одного анализируемого параметра результата клинического теста пациента по результатам анализа соответствующих значений по меньшей мере одного анализируемого параметра из данного подмножества, причем PRI вычисляют динамически с помощью наиболее обновленной версии набора данных; и
код для создания инструкций для лечения пациента, при этом инструкции включают PRI для каждого из по меньшей мере одного анализируемого параметра результата клинического теста пациента.
RU2019112163A 2016-09-28 2017-09-27 Системы и способы интеллектуального анализа медицинских данных RU2019112163A (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662400651P 2016-09-28 2016-09-28
US62/400,651 2016-09-28
PCT/IL2017/051086 WO2018060996A1 (en) 2016-09-28 2017-09-27 Systems and methods for mining of medical data

Publications (1)

Publication Number Publication Date
RU2019112163A true RU2019112163A (ru) 2020-10-29

Family

ID=61762576

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2019112163A RU2019112163A (ru) 2016-09-28 2017-09-27 Системы и способы интеллектуального анализа медицинских данных

Country Status (12)

Country Link
US (1) US11404166B2 (ru)
EP (1) EP3520005A4 (ru)
JP (1) JP2019534506A (ru)
KR (1) KR20190062461A (ru)
CN (1) CN110024044A (ru)
AU (1) AU2017335721A1 (ru)
BR (1) BR112019006004A2 (ru)
CA (1) CA3037837A1 (ru)
IL (1) IL265683A (ru)
MX (1) MX2019003580A (ru)
RU (1) RU2019112163A (ru)
WO (1) WO2018060996A1 (ru)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3037837A1 (en) 2016-09-28 2018-04-05 Medial Research Ltd. Systems and methods for mining of medical data
WO2019173283A1 (en) 2018-03-05 2019-09-12 Marquette University Method and apparatus for non-invasive hemoglobin level prediction
US11350887B2 (en) 2019-08-07 2022-06-07 Fresenius Medical Care Holdings, Inc. Systems and methods for detection of potential health issues
JP2021043631A (ja) * 2019-09-10 2021-03-18 富士ゼロックス株式会社 状態推定装置及び状態推定プログラム
CN110880362B (zh) * 2019-11-12 2022-10-11 南京航空航天大学 一种大规模医疗数据知识挖掘与治疗方案推荐系统
CN111128320B (zh) * 2019-11-19 2023-08-01 四川好医生云医疗科技有限公司 基于检验结果确定医学标签的系统及人工智能方法
CN113017695B (zh) * 2019-12-25 2026-01-23 深圳迈瑞生物医疗电子股份有限公司 超声成像方法、系统及计算机可读存储介质
CN115297781A (zh) * 2020-02-26 2022-11-04 布莱特临床研究有限公司 对正在运行中的临床试验进行动态监测和指导的雷达系统
US12205686B2 (en) * 2020-02-27 2025-01-21 The Cleveland Clinic Foundation Identifying patients for intensive hyperglycemia management
CN111243753B (zh) * 2020-02-27 2024-04-02 西安交通大学 一种面向医疗数据的多因素相关性交互式分析方法
CN111768213B (zh) * 2020-09-03 2021-02-19 耀方信息技术(上海)有限公司 一种用户标签权重评估方法
TR202016430A1 (tr) * 2020-10-14 2022-04-21 Acibadem Mehmet Ali Aydinlar Ueniversitesi Tibbi̇ laboratuvar testleri̇ni̇n ki̇şi̇ye özgü referans araliğinin beli̇rlenmesi̇nde kullanilan bi̇r yöntem
KR102510347B1 (ko) * 2021-02-10 2023-03-20 고려대학교 산학협력단 위암 수술 이후 제2형 당뇨병 예후의 예측 방법
EP4299710B1 (en) * 2021-03-31 2025-09-24 PHC Corporation Information management device and computer program
CN113160976B (zh) * 2021-04-29 2024-08-16 上海商汤善萃医疗科技有限公司 基于SaaS服务的医疗数据处理方法、装置及电子设备
TR2021012216A1 (tr) * 2021-08-02 2023-02-21 Acibadem Mehmet Ali Aydinlar Ueniversitesi Tibbi̇ laboratuvar testleri̇ni̇n ki̇şi̇ye özgü referans araliğinin beli̇rlenmesi̇nde kullanilan bi̇r yöntem
WO2023069914A1 (en) * 2021-10-22 2023-04-27 Dexcom, Inc. Proximity-based data access authentication and authorization in an analyte monitoring system
KR20250168222A (ko) * 2023-04-26 2025-12-02 주식회사 씨젠 Mdx 데이터를 이용한 피진료자의 similarity case 제공 방법 및 장치

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07296089A (ja) 1994-04-28 1995-11-10 Fujitsu Ltd 医療システムにおける検査データの管理，処理，表示方法，及び装置
FR2794961B1 (fr) 1999-06-16 2001-09-21 Global Link Finance Procede de determination du decalage temporel entre les instants de passage d'une meme onde de pouls en deux points de mesure distincts d'un reseau arteriel d'un etre vivant et d'estimation de sa pression aortique
JP2002024401A (ja) * 2000-07-06 2002-01-25 Takeda Chem Ind Ltd 疾病の治療および予防の指導・支援システム
US20030018633A1 (en) * 2001-03-30 2003-01-23 University Of Cincinnati Robust reference interval estimator
CA2553290A1 (en) * 2004-01-20 2005-09-01 Cedars-Sinai Medical Center Pattern recognition of serum proteins for the diagnosis or treatment of physiologic conditions
US20090062624A1 (en) * 2007-04-26 2009-03-05 Thomas Neville Methods and systems of delivering a probability of a medical condition
US9639667B2 (en) 2007-05-21 2017-05-02 Albany Medical College Performing data analysis on clinical data
CA2702406C (en) 2007-10-12 2018-07-24 Patientslikeme, Inc. Processor-implemented method and system for facilitating a user-initiated clinical study to determine the efficacy of an intervention
JP2009193148A (ja) * 2008-02-12 2009-08-27 A & T Corp 医療情報処理方法、医療情報処理プログラム、および医療情報処理装置
BRPI0910608A2 (pt) * 2008-03-26 2016-07-26 Theranos Inc métodos e sistemas para avaliar resultados clínicos
US8694333B2 (en) 2011-04-14 2014-04-08 International Business Machines Corporation Cohort driven medical diagnostic tool
US20140006039A1 (en) * 2012-06-27 2014-01-02 Xerox Business Services. LLC Health Care Index
JP6173316B2 (ja) * 2012-07-05 2017-08-02 パナソニックヘルスケアホールディングス株式会社 生活習慣病改善支援システム、生活習慣病改善支援方法、生活習慣病改善支援用コンピュータプログラム、及び、生活習慣病改善支援用コンピュータプログラムを格納したコンピュータ読み取り可能な記録媒体
JP5844247B2 (ja) 2012-11-30 2016-01-13 富士フイルム株式会社 検査結果表示装置及びその作動方法、並びにプログラム
WO2014088593A1 (en) * 2012-12-07 2014-06-12 Drdi Holdings, Inc. Integrated health care systems and methods
EP3982374A1 (en) * 2013-02-19 2022-04-13 Laboratory Corporation of America Holdings Methods for indirect determination of reference intervals
JP2017521756A (ja) 2014-05-23 2017-08-03 ニューミトラ インク．Ｎｅｕｍｉｔｒａ Ｉｎｃ． 色に基づく健康状態テーマを伴うオペレーティング・システム
CA3037837A1 (en) 2016-09-28 2018-04-05 Medial Research Ltd. Systems and methods for mining of medical data

Also Published As

Publication number Publication date
US20190214147A1 (en) 2019-07-11
EP3520005A1 (en) 2019-08-07
WO2018060996A1 (en) 2018-04-05
JP2019534506A (ja) 2019-11-28
AU2017335721A1 (en) 2019-05-23
US11404166B2 (en) 2022-08-02
IL265683A (en) 2019-05-30
KR20190062461A (ko) 2019-06-05
CA3037837A1 (en) 2018-04-05
EP3520005A4 (en) 2020-06-17
BR112019006004A2 (pt) 2019-07-02
CN110024044A (zh) 2019-07-16
MX2019003580A (es) 2019-08-01

Similar Documents

Publication Publication Date Title
RU2019112163A (ru) Системы и способы интеллектуального анализа медицинских данных
US12412665B2 (en) Methods for evaluating the effect of the start date for cancer treatment with a cancer medication using propensity scoring
CN111164705B (zh) 预测从总群体中任意选择的亚群体中测试对象的不利健康状况的风险、发生或发展的医学设备和计算机实施的方法
Esmaeilzadeh et al. A combined echocardiography approach for the diagnosis of cancer therapy–related cardiac dysfunction in women with early-stage breast cancer
RU2707720C2 (ru) Система для автоматизированного анализа результатов лабораторных исследований и оповещения о риске в отделении интенсивной терапии
Lam et al. Identifying prognostic factors for survival in advanced cancer patients: a prospective study
JP2023529647A (ja) 急性呼吸窮迫症候群（ａｒｄｓ）のサブタイピングのための電子健康記録（ｅｈｒ）ベースの分類器
US8538778B2 (en) Methods and systems for integrated health systems
EP3635746A1 (en) System and method for predicting survival time
Lad et al. Machine learning OCT predictors of progression from intermediate age-related macular degeneration to geographic atrophy and vision loss
CN112447270A (zh) 一种用药推荐方法、装置、设备及存储介质
CN113257436A (zh) 一种帕金森病治疗的药物治疗管理方法和系统
CN114373546A (zh) 疾病风险评估方法、装置及存储介质
CN116364268B (zh) 一种新型基于惩罚cox回归的乳腺癌预测方法
WO2024243364A1 (en) Subarachnoid hemorrhage detection and risk stratification with machine learning-based analysis of medical images
WO2016057679A1 (en) Personalized antibiotic dosing platform
WO2015173917A1 (ja) 分析システム
US20220277839A1 (en) Model to dynamically predict patient's discharge readiness in general ward
Zhou et al. Accuracy of clinicians’ prediction of survival and prognostic factors indicative of survival: a systematic review
RU2800315C2 (ru) Способ ранней диагностики хронических заболеваний пациента, основанный на кластерном анализе больших данных
US20100235181A1 (en) Methods for making complex therapeutic clinical decisions
Yang et al. Ct-based diagnosis of sarcopenia as a prognostic factor for postoperative mortality after elective open-heart surgery in older patients: a cohort-based systematic review and meta-analysis
CN118609805A (zh) 一种重度aGVHD风险预测模型的构建方法以及预测方法、系统设备、存储介质
Zhang et al. MSR21 Comparing Methods for eGFR Slope Estimates Among Adult CKD Patients in a UK Electronic Health Record System: Challenges and Opportunities
Purvis et al. Developing an Electronic Health Record (EHR)-Based Model for Delineating Advanced CKD Cohort in Veterans Affairs (VA) System: PO2341

Legal Events

Date Code Title Description
FA93 Acknowledgement of application withdrawn (no request for examination)

Effective date: 20200928