[go: up one dir, main page]

CN104541268A - 智能健康护理决策分析与支持的方法和设备 - Google Patents

智能健康护理决策分析与支持的方法和设备 Download PDF

Info

Publication number
CN104541268A
CN104541268A CN201380015826.9A CN201380015826A CN104541268A CN 104541268 A CN104541268 A CN 104541268A CN 201380015826 A CN201380015826 A CN 201380015826A CN 104541268 A CN104541268 A CN 104541268A
Authority
CN
China
Prior art keywords
analysis
data
health care
decision
intelligent
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.)
Pending
Application number
CN201380015826.9A
Other languages
English (en)
Inventor
刘际明
梁灏锵
陶丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hong Kong Baptist University HKBU
Original Assignee
Hong Kong Baptist University HKBU
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 Hong Kong Baptist University HKBU filed Critical Hong Kong Baptist University HKBU
Publication of CN104541268A publication Critical patent/CN104541268A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/08—Insurance
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Technology Law (AREA)
  • Epidemiology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了用于开发、分析、研究和提出健康护理和保健相关决策的方法和设备。特别地，本发明涉及：采用单机或分布式/协作式/普适式配置的系统架构，所述系统的组件、所述组件的底层过程和耦合联接方式，内置入所述方法的计算技术，集成入所述系统的输入数据源和由所述系统产生并分布的输出结果，以及，实现对应的用户交互、数据接入和收集、数据集成和处理、数据驱动的推断和仿真、智能计算、决策分析以及用于产生各种健康护理分析和决策牵涉问题的方案的决策支持的设备。本发明还涉及所述方法和设备的两种工作实施例，这两种工作实施例展示了本发明的实施方式。

Description

智能健康护理决策分析与支持的方法和设备
相关申请的交叉引用
本申请要求于2012年3月22日提交的美国临时申请号61/613,981和于2013年3月15日提交的美国非临时申请号13/831,980的优先权，并且所述申请的公开内容整体地通过引用结合于本文中。
技术领域
本发明涉及用于开发、分析、研究、支持和提出健康护理和保健相关的决策的方法和设备。特别地，本发明涉及：采用单机或分布式/协作式/普适式配置的系统架构，所述系统的组件及所述组件的底层过程和耦合联接方式，内置入所述方法的计算技术，集成入所述系统的输入数据源和由所述系统产生并发布的输出结果，以及，实现相应的用户交互、数据存取和收集、数据集成和处理、数据驱动的推断和仿真、智能计算、决策分析与决策支持的设备。所述设备为日常健康护理服务和运营管理(例如，时间块分派、服务/质量管理)、战略规划(例如，资源优化和分配)等针对各种健康护理分析和做出决策所涉及的问题产生解决方案。本发明还涉及所述方法和设备的两种工作实施例，这两种工作实施例展示了本发明的实施方式。一种实施例是涉及为健康护理服务提供机构产生适应性手术室(Operating Room，简称OR)时间块分配方案。该实施例产生的成果可容易地用于帮助手术室在面对动态变化和非确定的患者就诊(例如，因地理人口统计、环境/气候和社会经济变化)情况下保持稳定的性能。在本文中，“非确定”意味着尽管特定结果可能不会百分之百发生然而尚未确定的数量可通过各种统计或者数学技术进行预测。另一个实施例关于在地区性的健康护理资源分配中执行决策分析任务和对适应性决策的支持，该实施例的健康护理具有降低健康护理性能差异，及/或优化资源使用和性能的优点。
背景技术
健康护理决策分析和支持是健康护理服务提供组织、从业者、研究人员、决策者、患者、普通用户和其他利益相关者的至关关重要的职能。本发明提出的决策分析与支持方法和设备：帮助他们提取和/或推断、整合、融合和解释信息(例如，检测并解释复杂的健康护理系统的行为)；为涉及在多个时间和空间尺度内对复杂健康护理系统的性能和成果施加影响的许多动态交互的内在(内源性，内部的)和外在(外源性，外部的)影响因素的日常服务和运营(例如，时间块的分派；服务/质量管理)或战略规划(例如，资源的优化和分配)提供功用和技术以科学地开发、分析、调查和评估健康护理保健相关的决策；并为健康护理服务提供组织、从业者、研究人员、健康护理决策者、患者、普通用户和其他利益相关者(也为了与健康护理服务的直接集成)产生基于证据的推荐和/或分析支持。
本发明的潜在用户包括：地区级别或者个人健康服务级别的健康护理管理人员，健康护理服务提供组织(比如，医院和实验室)、健康护理工作人员(比如，医生和护士)和利益相关者(比如，次级服务提供者和患者(此处，患者应广义理解，其包括所有潜在的健康护理服务用户))健康护理。例如，当地区(例如，国家、省、市或区)健康护理管理人员在规划和分配健康护理资源以及对公共健康护理基础设施和服务提出战略和步骤的时候，本申请将对地区健康护理管理人员提供支持。当医院和其他健康护理服务管理人员分析、评估和预测他们的战略和运营(例如，在调度物力和人力资源以及在不同单位间使物流流程顺畅化时)的结果和有效性时，本发明将辅助医院和其他健康护理服务管理人员。基于取自不同源的根据(比如，历史的患者临床数据和学术/医学研究发现)，本发明将辅助健康护理服务提供组织部门和医务人员(比如，医生)、帮助他们作出对患者进行治疗的临床决策。由于本发明的决策分析和支持设备基于对历史临床健康记录和学术/医学研究发现(例如，通过文本和语义分析功能)的全面分析提供推荐，本发明将帮助健康护理研究人员开展临床实验。同时，由于本发明针对患者个人的基本资料提供基于证据的信息和决策推荐，因此患者将在其自身健康相关的决策方面(例如，日常护理、医生或治疗选择)受惠。
用户可通过集中式、分布式以及普适式/移动式中的任何方式来接入智能健康护理决策分析和支持装置并提出他们的分析和决策问题。决策分析问题的目标、问题类型、议题、子问题、标准、需求(例如，指标和度量)、以及决策分析问题的对应的决策/控制变量和约束应从用户的问题刻画或描述来自动提取或者推断得出。同时，本发明提取出及/或推断出用户和待分析问题的背景信息，比如，用户的基本资料和问题的分析尺度(例如，对于区域或者医院的决策分析和支持)。本发明可以记录和回顾遇到过的使用者并能使用后续/新的用户的基本资料自动识别及/或推断后续/新的用户的类型并将他们的需要(即，所需决策分析和支持问题)联系在一起，从而智能地、自动地为后续/新的用户推断和推荐决策分析问题。
为达到不同健康护理分析和决策问题的目标(所述目标从用户问题描述提取出及/或自动推断出)，决策分析和支持设备将利用五类主要数据源。第一类主要数据源对应于现有健康护理服务操作，包括：来自实际健康护理系统/子系统的，地区性级别以及个人健康护理服务级别的患者个人基本资料和临床信息，投资、政策和管理信息。即，实际健康护理服务系统/子系统的输入。第二类数据源与普适的患者数据相关，包括：个人信息(例如，个人基本资料以及日常行为)以及从普适设备(例如，智能手机)常规地追踪/收集的信息，以及发布于与健康相关的物理或者在线社区(例如，论坛)的临床和患者信息。第三类数据源来自于健康护理相关的次级服务提供者，比如社区健康服务中心、康复中心、保险公司、制药公司和医疗器械公司。第四数据源与影响真实健康护理服务系统的输入的外源性因素(动态的或者静态的)相关，如地理人口统计、环境/气候以及社会经济相关的因素以及人类行为，这些因素对于健康护理保健相关的决策充当影响因素及/或基本背景。最后，利用先前的学术/医学研究发现，将学术/医学研究数据库结合到健康护理决策分析和支持设备中，这些先前的学术/医学研究发现用于健康护理的证据推断、假设产生、模型构建以及挖掘及/或发现影响因素/条件/决定性因素/条件及决策参数和变量之间显式或隐式的相互关系，例如，药品研发中药物之间的相互作用。健康护理决策分析和支持设备通过集成式或分布式/普适式的接口来接入、提取和/或推断、维护上述数据源。
本发明能够根据用户的决策需要和要求，识别、推断和支持在不同服务层次的分析和决策任务。根据待处理的具体任务，可以自动以个别地/有序地/或者以组合的方式使用分析技术，这些分析技术包括：统计分析工具(如，回归、ANOVA、和结构方程模型)；智能分析工具(如，人工智能、机器学习和数据挖掘技术)；以及，最重要地，智能复杂健康护理系统建模和策略分析模块，其通过复杂系统建模设计(例如，基于面向自治计算(Autonomy-Oriented Computing，简称AOC)的建模和排队建模)、优化和智能计算技术(例如，数学规划)、基于数字或代理(Agent)或基于AOC的仿真和可视化技术的综合应用分析、预测和评估经设计的策略。这种智能配置和综合的处理能力能够为实际的健康护理决策分析问题生成解决方案，由于在不同的时空层次内施加影响于健康护理成果的大量内生、外生影响因素，实际的健康护理决策分析问题牵涉到复杂系统行为。
在健康护理的现有技术中已存在一般用途的用于健康护理决策分析与支持的决策支持系统，如临床决策支持系统和健康护理专家系统。已经存在的决策支持系统通常只针对某种特定类型的决策(例如，临床治疗决策)而构建，并且包括有限的数据源(例如，现有的医院运营数据)。然而，例如，在处理实际的健康护理决策分析问题、而实际的健康护理决策分析问题由于在不同的时空层次内施加影响于健康护理成果的大量内生、外生影响因素而牵涉到复杂系统行为时，现有技术缺乏一种包括技术和多个数据源的集成以在健康护理中向不同的用户提供综合的智能决策分析和支持功能的系统。
本发明旨在提供用于开发、分析和研究和建议健康护理和保健相关的决策的方法和装置。特别地，本发明提出了：采用单机或分布式/协作式/普适式配置的系统架构，系统组件及其内在处理过程和耦合联接，内置入方法的计算技术，集成入系统的输入数据源和由系统产生和分布的输出结构，以及，实现对应的用户问题描述和交互、背景信息收集、决策问题提取/推断和推荐、数据访问和采集、数据集成和处理、数据驱动的推段和仿真、智能计算、决策分析与决策支持的装置，从而为不同复杂度的各种健康护理与健康护理分析和做出决策相关的问题提供解决方案。本文档在下面将描述作为工作实施例的两种实施方式来展示本发明(即，本发明提出的方法和装置的工作情况)。第一种实施方式展示了采用本发明的设备在地区性健康护理资源分配时执行决策分析任何和适应性决策支持的工作情况，这种方案具有降低健康护理服务性能的差异，及/或优化资源的使用和性能的优点。
另一种实施方式展示了采用本发明的设备来为健康护理服务提供机构产生适应性手术室(OR)时间块分配方案的工作情况。这种方案产生的成果方便地用于帮助手术室在面对动态变化和非确定的患者就诊(例如，因地理人口统计、环境/气候和社会经济变化)的情况下保持稳定的性能。
该部分或本申请其他部分对任何文献的引用或认可均不应被理解为申请人承认此文献可作为本申请的现有技术。
发明内容
本发明的说明文档包括用于智能健康护理决策分析和支持的方法、设备和说明性工作实施方式。
本发明的用户包括：健康护理服务提供组织(如医院、诊所和实验室)、医护工作人员(如全科医生和专科医生、护士)、研究人员、决策者(如健康护理管理者)、患者、普通用户和其他利益相关者(如保险公司，制药公司和健康护理器械公司)。决策分析和支持问题会因不同的用户而有所不同。因此，第一方面，本发明提供的方法和装备(1)使用户通过集中式、分布式、及/或普适式/移动式方式提交决策分析；(2)提取和/或推断用户和分析问题的背景信息，例如，在用户与系统之间交互过程期间用户的个人基本资料和问题的分析尺度(例如，对于地区还是对于医院的决策分析和支持)；(3)从用户的问题刻画或描述自动提取、推断、精炼目标、问题类型、问题点、子问题、标准、需求(例如，指标和度量)、以及决策分析问题的相应的决策/控制变量和约束条件；(4)记录和回顾遇到过的使用者，通过后续/新用户的个人基本资料自动识别及/或推断后续用户的类型并将他们的需要(即，所需求的决策分析和支持问题)联系在一起，从而为随后/新用户智能地、自动地推断决策分析问题并对推断决策分析问题提供推荐；以及(5)在分析过程期间，收集和合并用户发起的反馈(例如，对中间结果的评价)，及/或智能地/自动地代表用户推断出反馈。
本发明设备的系统中核心和最重要的是健康护理决策分析和支持系统(HDASS)。HDASS通过集成的或分布式/普适式的用户—HDASS接口来从用户接收输入信息。通过分析引擎(Analyticsengine)，HDASS从输入信息自动提取和/或推断用户期望的问题类型(例如，这是优化问题还是统计分析问题)和期望要解决的问题(例如，该选择哪些技术，所选择的技术是如何单独地/顺序地/反复地或者组合地使用)；自动地确定、访问、检索、组织和预处理分析所需的数据；基于存储、维护和并入信息管理系统(IMS)的经验数据(Empirical data)和次级数据(Secondary data)自动生成分析解决方案，执行分析任务，并且根据用户的标准、要求和在分析、研究、及/或仿真过程期间对中间结果的反馈，智能地对解决方案精调。在分析过程的最终阶段，HDASS以综合文本和/或图形报告形式返回析结果，同时还将推荐、情景分析、预测、评估、可视化、智能数据分析、数据挖掘和统计分析等的结果返回。此外，它将产生的健康护理决策分析方案，按照针对决策分析问题的计算类型、议题和子问题的解决问题的一般化流程(而不是按照问题的确切例子)，保留在方案库中。这样，方案库中积累集合的健康护理解决方案可被存储、相互连接、更新，并用于解决将来问题中的类似或更复杂的类型、议题和子问题。
HDASS的分析引擎实现和智能部署三大分析方法组(尽管实现和智能部署的分析方法没有排除其他方法组)。第一方法组、也是最重要的方法组用于策略分析。本组中作为示例的方法包括：算法机制设计技术、确切或者近似排队建模、离散事件仿真、优化(例如，数学规划)和基于面向自治计算(AOC)的建模。这些智能配置和集成的策略分析方法对实际的健康护理问题进行建模、调查和评估涉及众多在多个时空尺度下影响复杂系统性能的众多动态交互的内生和外生影响因素的健康护理和保健相关决策，并对这种健康护理决策的效果进行预测和仿真，从而产生以凭据为基础的推荐和/或分析支持，同时也为了实现健康护理服务的集成实施。本方法组可根据需要智能地与下述两个方法组集成使用，并对于执行解决复杂决策分析问题相关的任务/步骤尤其有用。第二个分析方法组是智能数据分析方法，其包含：人工智能技术、机器学习技术、数据挖掘技术和模式识别技术。第三个分析方法组是数据驱动的统计分析方法，包括回归、方差分析(ANOVA)、结构方程建模和因子分析等技术。
根据不同的决策分析和支持问题和待解决的具体任务，可智能地、自动地以单独/依次/迭代或者任意组合的方式使用这三组可部署分析方法。例如，在某些情况下，数据驱动分析的结果，将用于支持进一步的智能数据分析和策略分析任务；智能数据分析结果也将馈送给策略分析方法。在另一些情况下，将综合使用三个分析方法组以及它们的底层处理技术。例如，从策略分析模块获得的模拟、评估和/或预测结果将采用数据驱动的分析方法及/或智能数据分析来进一步研究和分析。
IMS中存储、维护和集成的数据来自于与健康护理有关的五大数据源。包括于本发明的第一个典型的数据源为现有的医院运营数据库，如电子健康档案数据库(EHR)、电子病历(EMR)数据库、医院信息系统(HIS)数据库和管理信息系统(MIS)数据库。一般患者健康数据是第二个主要的数据来源。一般患者健康数据包括：患者个人信息(例如，个人基本资料和日常行为)和从普适装置(例如，智能手机)常规地追踪/收集的患者健康数据，以及发布在物理或者在线社区(如，论坛)中的临床和患者健康信息(例如，治疗经历和/或药物治疗情况)。IMS还包含来自健康护理相关的健康护理次级服务提供者(如社区健康护理服务中心、康复中心、保险公司、制药公司和医疗器械公司)的数据。由于健康护理需求在不断受到健康护理系统的某些外源性因素的影响，关于健康护理的确定性因素的初级数据(Primary data)和次级数据(Secondary data)，比如与地理人口统计、环境/气候、以及社会经济相关的因素以及人类行为，将收集、存储于IMS中并在其中进行追踪。包含于本发明中的第五个、也是最后一个数据源是学术/医学研究或其他相关的数据库，如MEDLINE和PubMed。学术/医学研究或其他相关的数据库将给决策分析和支持系统提供先前的学术/医学研究发现，这样它们被用于健康护理证据推断、假设提出、模型构建、以及挖掘和/或发现影响因素/决定性因素/条件和决策参数及变量之间显式或者隐式的关系，例如，在药物研发中的药物之间的交互。
在IMS中，这些数据源通过输入信息总线被收集、清理和集成。输入信息总线通过本地连接或者远程网络连接实现。而后，IMS中预处理的数据将借助通过输出信息总线的标准查询支持HDASS中的决策分析和支持任务。同样，输出信息总线也通过本地连接或远程网络连接实现。
本领域技术人员将了解，除了具体描述的内容，本发明可以进行变形和修改。
本发明包括所有这行变形和修改。同时，本发明也包括在说明书中引用和指示的所有步骤和特征，并且本发明还包括在说明书中所有提及的、表示的，可以单独使用、共同使用的步骤和特征以及上述特征的任意组合。
在本说明书的全文中，除非其上下文有其他要求，用语“包含”或者其变形，例如“将包含”和“包含有”应当被理解为暗示了包含所声明的完整体或完整体组、而并没有排除其他完整体或完整体组。同时应当注意，在本申请中，尤其是在权利要求书和说明书段落中，用语“包含”，“包含于”和“包含有”等具有在美国专利法中赋予的含义。例如，它们可意味着“将包含”，“包含于”和“包含有”等意思；用语“主要有……组成”和“主要有……构成”具有美国专利法给予它们的意思，例如，它们承认没有明确记载的元素，但排除了可以在现有技术中发现、或者影响发明的基本或者是新颖性特征的元素。
另外，在本说明书和权利要求书的全文中，除非其上下文有其他要求，用语“包括”或者其变形，例如“将包括”和“包括有”应当被理解为暗示了包含所声明的完整体或完整体组、而并没有排除其他完整体或完整体组。
本文中选取的用语的定义可以在对发明的具体说明中找到并在全文中应用。除非另有限定，本文使用的其他技术用语具有能由本发明所属技术领域的一般技术人员理解的含义。
本发明的其他方面和优点在阅读了下面的描述之后对本领域技术人员来说是清楚的。
附图说明
结合下列附图阅读之后的描述，将明了本发明上述内容、其他对象和特征。
图1:展示了发明设备以及其与用户和至少五组集中式/分布式/普适式/移动式数据源的交互(例如，数据通信)的总体框架，其中，设备包括智能用户接口(Smart user interface)103，HDASS104和IMS105三个模块；用户包括健康员工(Health worker)100，健康护理相关利益者(Stakeholder)101，咨询小组(Advisory group)102和健康护理服务提供组织等；数据源包括现有的医院运营数据库(Existing hospital operation database)106，普适健康数据源(Ubiquitous patient health data source)107，次级服务提供者数据源(Data sources of secondary service provider)108，健康护理决定性因素数据源(Data sources of determinants for healthcare)109，和学术/医学研究数据库(Academic/Medical research database)110。
图2:展示了健康护理决策分析和支持系统(HDASS)模块104、智能用户接口模块103和信息管理系统(IMS)105模块中的组件。
图3:展示了HDASS模块104内分析引擎(Analytics engine)207的组件提供的集成技术的功能和例示。
图4:展示了本发明在实施例1中关于适应性手术室(OR)时间块分配的第一实施方式说明中的组件、功能和部署的技术。
图5:展示了本发明第一实施方式说明中HDASS模块104内分析引擎207中产生的具有经设计的反馈机制的手术室调度器(ORscheduler)。
图6:展示了在产生的手术室调度器403中用于更新紧急手术的OR时间块的经调整窗口机制，其作为本发明第一实施方式说明中HDASS模块104内分析引擎207的算法/机制(Algorithmic/Mechanismdesign)设计329的实施方式。
图7:展示本发明第一实施方式说明中HDASS模块104内分析引擎207中的排队模型330，其为带入口控制机制的多优先权、多服务台的非抢占式排队模型(Multi-priority,multi-server,non-preemptivequeueing model)402。
图8:展示了本发明第一实施方式说明中产生的关于一年内(δ0＝2)模拟平均等待时间-实际的平均等待时间的决策评估输出(Decision evaluation output)218。
图9:展示了本发明第一实施方式说明中产生的关于一年使用和不使用的适应性策略情况下的意外碰到的手术的数量(δ0＝2，Δp＝Δq＝1，T＝1周，θ1＝θ2＝2)的决策评估输出218。
图10:展示了本发明第一实施方式说明中关于使用适应性策略情况下为紧急手术分配的OR时间块的数目(δ0＝2，Δp＝Δq＝1，T＝1周，θ1＝θ2＝2)的决策评估输出218(δ0＝2，Δp＝Δq＝1，T＝1周，θ1＝θ2＝2)。
图11:展示了本发明第一实施方式说明中产生的关于具有不同的初始紧急OR时间块的OR的有效性的决策评估输出218(其中，AS表示适应性策略；Δp＝Δq＝1，T＝1周，θ1＝θ2＝2)。
图12:展示了本发明第一实施方式说明中产生的关于具有不同的阈值的OR的有效性的决策评估输出218(Δp＝Δq＝1，δ0＝1，T＝1周)。
图13:展示了本发明第一实施方式说明中产生的关于具有不同的步长大小的OR的有效性的决策评估输出218(θ1＝θ2＝2，δ0＝1，T＝1周)。
图14:展示本发明第二实施方式说明中用于适应性区域性健康护理资源分配的组件、功能和部署的技术。
图15:展示了用于研究地理人口统计概况和健康护理服务的特性之间的关系的HDASS模块104内分析引擎207中的结构方程模型340的实施方式。
图16:展示了本发明第二实施方式说明中结构方程模型测试结果的统计分析输出(Statistical analysis output)221。
图17:展示了本发明第二实施方式说明中HDASS模块104内分析引擎207中基于AOC的模型(AOC-based model)333的实施方式。
图18:展示了为了医院的运营进行建模的HDASS模块104内分析引擎207中的排队模型330的实施方式。
图19:展示了城市医院的二分网络。该信息被基于自治行为的实体利用为在自治行为的实体的行为选择期间的环境输入，所揭示的内容作为本发明第二实施方式说明中基于AOC的模型333的实施方式。
具体实施方式
本发明不仅限于由本文所述的任何具体实施方式的范围。下面的实施方式仅是作为举例说明。
图1概略地描述了智能健康护理决策分析和支持设备的三个关键模块，即智能用户接口103，健康护理决策分析与支持系统(HDAMSS)模块104和信息管理系统(IMS)模块105，图1也概略地描述了智能健康护理决策分析和支持设备与用户和健康护理相关的数据的交互，其中用户包括医护人员100，咨询顾问组102，健康护理服务提供组织，和健康护理其他利益相关者101)，并且，上述健康护理相关的数据从以下各方收集：现有的医院运营(Existinghospital operation)106、患者日常相关的健康数据源(Ubiquitouspatient health data source，如，患者在线社区)107、次级服务提供者(Secondary service provider，如，保险公司、制药公司)108、健康护理的决定性因素(Determinants for healthcare，如，地理人口的、环境/气候的、与社会经济相关的行为)109和学术/医学研究数据库(Academic/Medical research databases，如Medline、PubMed)110。
智能用户接口103能够(1)允许用户以集中式、分布式及/或普适式/移动式中的任何方式访问智能健康护理决策分析和支持设备、输入他们的对分析和决策问题的刻画或者描述，以及有选择地修改方案库设置和配置；(2)为用户和待处理的分析问题自动提取和/或推断背景信息；(3)自动提取、推断和/或精炼目标、问题类型、议题、子问题、标准、需求(例如，指标和度量)，以及针对决策分析问题的相应的决策/控制变量和约束条件；(4)为后续/新的用户智能、自动地推断和推荐决策分析问题；以及(5)及/或推断用户的(例如，关于中间结果评估的)反馈及/或在分析过程期间智能地/自动地推断出反馈。
在从智能用户接口103输入自动提取和/或推断的关于决策分析问题描述(Decision analytics problem description)111、背景信息(Contextual information)112、标准和需求(Criteria and requirement)113和反馈(Feedback)114之后，HDASS模块104在分析过程期间提供中间结果(Intermediate result)115并最终产生文本和/或图形的综合报告(Comprehensive report)116、决策推荐报告(Decisionrecommendation report)117、决策情景分析输出(Decision scenarioanalysis output)118、决策预测输出(Decision prediction output)119、决策评估输出(Decision evaluation output)120、仿真可视化输出(Simulation visualization output)121、智能数据分析和数据挖掘输出(Intelligent data analysis and data mining output)122，和/或统计分析输出(Statistical analysis output)123。在作此行动之前，HDASS模块104将执行对于IMS模块105的数据查询(Data query)124来检索标准查询结果(Standard query result)125形式的与所记录的健康护理相关信息。这种信息将基于从现有的医院运营106收集的运营数据124、患者日常的健康数据107、次级服务提供者108、健康护理的确定性因素109和学术/医学研究数据库110中而提取得到。此外，它将把产生的健康护理决策分析方案(即，按照针对决策分析问题的计算类型、议题和子问题等的解决问题的一般化流程，而不是按照问题的确切例子)保留健康护理在其方案库中。这样，在库中累加整合的解决方案可被存储、相互连接、更新，并被用来解决今后的问题中相似的、或者更为复杂的类型、议题和子问题。
智能用户接口103、健康护理决策分析和支持系统(HDASS)模块104以及信息管理系统(IMS)模块105的操作将通过图2呈现的组件而实现。
用户借助智能用户接口103模块中的用户接入(User accessing)200，以集中式、分布式和普适式/移动式中的任意方式来访问本发明系统。收集决策分析问题描述(Collecting decision analytics problemdescription)201的功能允许用户提出在眼前的决策分析问题，然后自动提取，推断和/或精炼目标、问题类型、议题、子问题、标准、需求(例如，指标和度量)、以及决策分析问题对应的决策/控制变量和约束条件。与此同时，用户特征描述(User profiling)202能够提取和推断对于用户和分析问题的背景信息，比如，在用户和系统的交互过程期间的用户的个人资料和分析的问题的尺度(例如，是对于区域还是对于医院的决策分析和支持)。借助由决策分析203中的用户推断和推荐用户的需要所提供的功能，智能用户接口103能够记录和回顾遇到过的用户，并能通过随后/新的用户的个人资料来自动识别和/或推断随后/新的用户的类型并将它们的需要(即，所要求的决策分析和支持问题)联系在一起，从而为后续/新的用户智能地、自动地推断和推荐决策分析问题。智能用户接口103在分析过程期间始终如一地运转以收集和合并用户发起的反馈(例如，对中间结果的评价)，及/或通过搜集用户发起的反馈或者或智能地推断关于中间结果的反馈204来代表用户智能地/自动地推断出反馈。
HDASS103模块为用户提供了用于识别和/或推断决策分析问题、自动构建解决方案并对解决方案进行精调、支持技术，及自动生成各类输出(如，决策推荐输出和统计分析输出)的方法和设备。通过集中式/分布式/普适式的用户-HDASS接口205，智能用户接口103的输出(即决策分析问题定义111、背景信息112、标准和需求113及反馈114)将被暂时存储在输入信息库201，然后，从该输入信息库201，分析引擎207内的解决方案生成器210将被调用以(1)识别和/或推断待解决的问题(例如，类型、议题和子问题)、选择合适的解决方案并智能地整合合适的技术(例如，生成针对分析任务的解决方案)；(2)确定用于分析的必要数据源，并访问、检索、组织和预处理HDASS-IMS接口209从IMS105所查询的所需数据，从而进行参数化各种分析和做出决策的任务并对各种分析和做出决策的任务提供支持；(3)在经处理的数据上以单独地/有序地，或者以综合的方式操作策略分析211、智能数据分析212，数据驱动的统计分析213的实体化；(4)根据用户的标准和需求、及所提取/推断出来的背景信息，自动且智能地对解决方案以及解决方案中的参数设定进行微调；(5)返回由综合报告214、决策推荐输出215、决策情景分析输出216、决策预测输出217、决策评估输出218、仿真可视化输出219、智能数据分析和数据挖掘分析输出220、统计分析输出221和中间结果输出222这些模块自动生成的中间和最终分析结果；以及(6)在其方案库中保留产生的健康护理决策分析解决方案(即，按照针对决策分析问题的计算类型、议题和子问题等的解决问题的一般化流程，而不是按照问题的确切例子)，从而在库中累加整合的解决方案可被存储、相互连接、更新，并被用来解决今后的问题中相似的、或者更为复杂的类型、议题和子问题。
IMS模块105收集、预处理并维护医院运转的数据库，如EHR241，EMR 242，HIS 243和MIS 244，普适患者健康数据源245，次级服务提供者的数据源246，人口普查数据源247和学术/医学研究数据库248。它包含了以集中式、分布式，和/或普适式/移动式处理数据库输入258至265的输入信息总线(Input informationBUS)249，和处理HDASS104和IMS105间的通信250至257的输出信息总线(Output information BUS)240。
由HDASS模块104的分析引擎207提供的集成技术的功能和样例如图3所示。由语义分析(Semantic analysis)312(例如，基于XML标准和基于HL7标准)、问题分类和匹配(Problem classificationand matching)313支持的、解决方案生成器210内的识别问题类型(Identifying problem types)300子模块会自动从输入信息库(Inputinformation repository)206推断分析问题(例如，优化问题、统计分析的问题或两种问题类型的组合与集成)的类型/范围，以及待处理的议题/子问题。
随后，对于所识别的问题类型、范围、议题及子问题，确定解决方案(Determining solution)301子模块将会选择合适的现有解决方案和/或智能的扩展/修改/定制/整合合适的技术(即为分析任务生成解决方案)以通过调用检索现有解决方案(Retrieving existingsolutions)314、问题和解决方案之间关系的相关元知识(Meta-knowledge about the relationshipbetween problems andsolutions)315和所需的分析技术/扩展/定制/修改/集成(Requiredanalytics techniques extension/customization/revise/integration)316来构建新的解决方案。对于解决眼前的决策分析问题，可以单个地/顺序地，或以综合的方式使用归类在策略分析(Strategic analysis)211、智能数据分析(Intelligent data analysis)212、数据驱动的统计分析(Data-driven statistical analysis)213中的技术的实施方式。
在分析过程期间，确定解决方案301子模块将基于用户的标准、需求及对中间结果的反馈监视和评估自动构建的解决方案，以便通过调用微调解决方案(Fine-tuning solution)318来自动地、智能地改善解决方案。通过调用更新个人化解决方案信息(Updatingpersonalized solution information)323和更新策略分析//智能数据分析/数据驱动的统计分析的技术库(Updating technique repositories ofstrategic analysis/intelligent data analysis/data-driven statisticalanalysis)324，更新后的或新构建的解决方案将增加地存储在维护方案库(Maintaining solution)304中并在其中进行维护。本发明的此项功能可将解决方案累加整合起来以在将来重新使用。
通过获取所需数据302中的确定所需数据源319，解决方案生成器210还确定分析所需的数据源，并通过调用所需接入、检索、组织和预处理320来准备所需数据，从而支持各种数据分析和数据驱动建模步骤。
在执行解决方案中已经选择和扩展/定制/修改/集成的技术之前，解决方案生成器210中的配置解决方案(Configuring solution)303子模块将通过调用技术方案初始化和参数化技术(Initializing andparameterizing techniques in solution)321借助相关变量对上述技术进行初始化和参数化。同样地，在分析过程期间，根据用户的标准和需求、背景信息、中间分析结果232及用户反馈，配置解决方案303子模块将通过调用微调参数设置(Fine-tuning parameter settings)322而自动且智能地微调解决方案中的参数设置。
在智能地选取和合成解决方案生成器210所提供解决方案中的决策分析和支持技术之后，分析引擎207将执行技术的实施，其分类为策略分析(Strategic analysis)211、智能数据分析(Intelligent dataanalysis)212和数据驱动的统计分析(Data-driven statisticalanalysis)。
在策略分析211中，功能305包含对选取策略的建模(Modeling)325、评估(Evaluation)326、仿真(Simulation)327和/或预测(Predication)328，其中将使用来自计算模型和仿真分析技术库(Computational modeling and simulation analysis technique repository)306中的技术，如算法/机制设计(Algorithmic/Mechanism design)329、排队模型(Queueing model)330、离散事件仿真(Discrete eventsimulation)331、包括数学规划等的优化(Optimization)332和基于AOC的模型(AOC-based model)333。策略分析211阶段可单独实施，或是基于智能数据分析212和数据驱动的统计分析213阶段产生的结果229和231来运行，反之亦然(即，提供结果给智能数据分析212和数据驱动的统计分析213)。在智能数据分析212中，数据分析功能将通过利用智能数据分析技术库(Intelligent data analysistechnique repository)308中的技术来实现。这些技术包括人工智能技术(Artificial intelligence technique)334、机器学习技术(Machinelearning technique)335、数据挖掘技术(Data mining technique)336和模式识别技术337(Pattern recognition technique)。智能数据分析212阶段的执行也将基于来自数据驱动的统计分析213的结果(反之亦然)，在其中将使用来自数据驱动的统计分析技术库(Data-drivenstatistical analysis technique repository)310的技术，这些技术包含多种技术，如回归(Regression)338、方差分析(ANOVA)339、结构方程建模(Structural equation modeling，简称SEM)340和因子分析(Factor analysis)341。
在下文中，将描述本发明的方法和设备的两种实施例以对其的实现方式进行详细说明。实施例1(如图4所示)展示了本发明的设备在开发用于应对非确定的患者就诊而对手术室时间块进行的分配的适应性机制(如图5和图6所示)的工作情况。为了示例适应性策略的表现，本发明的该实施例展示了本发明自动地构建解决方案、对解决方案进行参数化以及执行技术方案，其包含以下技术：排队模型和对于推断出的决策分析问题、背景信息、标准及需求的离散事件模拟。具体来说，本发明的该实施例(1)自动构建基于真实实践(如，在安大略省汉密尔顿健康科学中心(HHSC)的心脏病手术中涉及的实践)的排队模型(图7所示的带入口控制机制的多优先权、多服务台非抢占式排队模型，以及(2)在此后自动配置排队模型的实体化并进行离散事件仿真。
本发明实施例2(如图14所示)展示了在区域内为维持稳定的健康护理性能并减少地区内同一健康护理服务的等待时间差异而设计、分析、评价和支持适应性区域健康护理资源分配策略的过程。具体而言，以加拿大安大略省的心脏病手术为例，本发明的该实施例(1)从问题刻画/描述中识别/推断决策分析问题、背景信息、标准和需求作为对于数据分析、数据驱动的建模和基于仿真的优化问题的综合；(2)自动构建解决方案，其中构建的解决方案包括下述技术：结构方程建模(SEM)、面向自治的计算(AOC)、排队模型、离散事件模拟，以及上述技术的综合方式和其耦合流；以及(3)完成解决方案中所包含的选择的、修改的、定制的、初始化的和参数化的技术的实施。具体来说，本发明的该实施例(1)基于先前研究自动地产生/推荐研究假设(如图15所示)，并使用SEM技术研究地理人口统计概况(例如，人口规模、年龄分布和服务可达性)健康护理和健康护理特征(如，患者就诊，手术室数，医生数及等待时间)之间的关系；(2)基于SEM测试所产生的发现和决策理论，为心脏手术系统自动构建和配置具体的基于面向自治计算(AOC)模型，其中，心脏病手术系统包括：基于自主行为的患者、一般医务员、医院等实体、以及其行为和相互交互(如图17所示)；(3)自动构建并配置医院手术室运营的排队模型(如图18所示)；(4)自动执行基于AOC模型的离散事件仿真，从而：研究时间-空间的医院服务利用模式，捕捉作为范例的健康护理系统的复杂的突发行为，展示患者就诊和医院性能的动态性，从而阐明为减少区域内等待时间的差异而设计更好的资源分配策略；以及(5)自动和智能地微调上述技术的实施例中的参数设置，以提升满足用户需求的增强的结果。
实施例1:用于适应性手术室时间块分配策略分析和决策支持的方法和装置
在医疗服务提供机构(比如，医院)中，手术室(OR)将是开销巨大的区域之一。因此，改善手术室性能对于降低成本、提供基于需求的服务从而引起医院管理层的特别注意尤为重要。
想象一下，如果你是一名安大略省汉密尔顿健康科学中心的健康护理管理者。你想要制定合理的并基于证据的关于如何改善医院手术室时间块分配的决策，以应对动态变化/非确定性的患者从医就诊。你要从本发明寻求帮助，并刻画/描述你的决策分析和支持问题如下：
“如何适应性地分配手术室时间块从而在面对动态变化/非确定性的患者从医就诊时保持稳定的手术室性能？”
在收到用户请求和问题描述后，本发明将自动且智能地识别问题类型、构建解决方案、部署/扩展/定制用于决策分析的技术，并最终给你返回带有必要支持输出(例如，方法评估输出)的适应性OR时间块分配方法。
在下文中，该实施例将展示在接收用户(即，前述情景下的“你”)的问题描述之后产生适应性的分配OR时间块的方法的操作流程和设备。
实施例1的详细说明
图4概要的描述了实施例1中的主要模块，即智能用户接口103、健康护理决策分析和支持系统(HDAMSS)模块104、及信息管理系统(IMS)模块105，及其与用户(如，健康工作人员100)和从现有的医院运营106交互收集的健康护理相关数据的交互。
当用户以集中式、分布式、普适式/移动式中的任何方式通过智能用户接口103的用户接入(User accessing)200接入实现对智能健康护理决策分析和支持设备，智能用户接口103的收集决策分析问题描述201将会收集问题的一般描述(即，如何适应性地分配手术室时间块从而在面对动态变化/非确定性的患者从医就诊时保持稳定的手术室性能？)。同时，智能用户接口103的用户概况描述202提取和推断出用户的背景信息及其手头的分析问题，比如：用户类型是医院管理者，工作场所和分析背景是汉密尔顿健康科学中心的心脏病手术室等。目标、问题类型、议题、子问题、标准、需求(例如，指数和度量)，以及针对决策分析问题的相应的决策/控制变量和约束条件将从用户的问题刻画或描述以及提取和/推断的背景信息自动地提取出、推断出和/进行精炼。举例来说，目标应是为手术室提时间块分配提供适应性的方法。推断出的子问题将涉及(1)如何刻画动态变化/非确定性的患者从医就诊；(2)如何描述手术室的运作；以及(3)有什么机制帮助为紧急/非紧急的患者实现适应性的时间块分配，因为保留超过实际需要的时间块可能会导致较低的手术室利用率和较长的非紧急手术的等待时间，而保留时间块不足可能会增加急症患者的风险，造成非紧急手术的高取消率。标准和需求需包括：突发的非紧急手术和手术室时间分配的未使用的紧急手术时间块之间的权衡，用于估量手术室性能的平均等待时间，及采用和未采用所产生的适应性手术室时间块分配方法这两种情况的等待时间的动态。
实施例1的解决方案生成器
依据决策分析问题描述111(例如，目标，问题类型，议题，和子问题)、背景信息112(如使用者概况、问题的分析背景)的输入信息以及来自智能用户接口103的标准和要求113，HDASS模块104中解决方案生成器210基于解决方案生成器210内的语义分析312和问题分类及匹配313所提供的功能来识别和/或推断问题类型。根据用户的问题刻画及所推断的目标、问题类型、议题、子问题、背景信息、标准、需求(例如，指标和度量)及相应的决策/控制变量和约束，问题将通过集成基于机制设计的优化、基于仿真的评估和手术室等待时间的动态展示而得以解决。
为了构建实现分析目标和答复子问题的解决方案，从方案库检索现有方案314和关于解决方案301中的问题和方案315之间的关系的元知识中检索现有方案的装置自动地推论出：来自策略分析211内的计算建模和仿真分析技术库306的排队模型330和离散时事件仿真331的技术是对OR现有技术方案的建模和仿真操作来说是有用的方案。然后，解决方案生成器210自动且智能地构建解决方案，此解决方案有序地使用算法/机制设计329去生成适应性手术时间块分配策略，使用排队模型330用于对手术室的运营进行建模、并使用离散事件仿真331用于借助适应性手术时间块分配策略对排队模型的实施进行仿真，以便评估(按照突发的非紧急手术和手术室时间分配的未使用的紧急手术时间块之间的权衡以及用于估量手术室性能的平均等待时间)和微调(通过微调解决方案318的功能)所产生的适应性手术时间块分配方法。
相应地，借助确定所需数据源319和所需数据接入、检索、组织和预处理320的功能，解决方案生成器210中的获取所需数据302确定并访问对于开发、参数化和评估适应性OR时间块分配方法来说是必要的数据源。
IMS105已经在集中式/分布式/普适式信息管理系统(MIS)数据库244中收集并储存/维护了对有关于汉密尔顿健康科学中心(HHSC)目前的运营的适应性手术室时间块分配方法进行参数化、仿真和模拟的必要数据。具体来说，HHSC包含6个专科外科医生和2间手术室，并每年提供1400例心脏病手术。表1展示了HHSC心脏手术数据的总结。
表1-2004年HHSC心脏手术的统计数据(UMW/SMW/EMW：紧急/半紧急/非紧急手术等候时间中位数)。
借助分析引擎207中的配置解决方案303的对解决方案中的技术进行初始化和参数化321的功能，实施例1利用该数据对适应性手术室时间块分配方法的参数设置、排队模型的实施及离散事件仿真进行初始化。
实施例1的策略分析
为了实现适应性手术室时间块分配的目标，基于反馈机制的适应性手术时间块分配调度器403(如图5所示，括号中内容表示时间段)是HDASS104中分析引擎207内的算法/机制设计329的一种实现方式。该实现方式的主要思路是周期性地基于对应于不同优先权的群组的就诊患者情况和OR使用有效性的反馈信息而期调紧急手术的整时间块。
具体而言，本适应性方法使用了如图6所示的窗口调整机制404。当OR调度器做出为即将到来的时间周期T分配时间块的决策之时，在过去的时间周期T-1中的信息将被反馈到调度器。如果突发的非紧急手术的数量比T-1的阈值θ1大，调度器就会在周期T内以Δp的步长增加紧急手术的时间块(RT)的数量。如果未使用的紧急时间块的数量比阈值θ2大，调度器会在周期T内以Δq的步长减少紧急手术的时间块。
为了例证所揭示的适应性方法的性能，实施例2基于汉密尔顿健康科学中心(HHSC)1心脏外科手术室的经验数据构建了排队模型405(如图7所示)。换句话说，这个具体的排队模型参数如下：(1)有2个同质(Homogeneous)(针对具有相同的服务速率来说)手术室；(2)每个手术室每天平均具有2个时间块；以及(3)每周有5个工作日。每年来进行心脏手术的1400次就诊被分为三个优先级群组：紧急(U)、半紧急(S)和非紧急(E)。根据来自Alter DA,CohenEA,Wang X,Glasgow KW,Slaughter PM,Tu JV.Cardiac procedures.In:Tu JV,Pinfold SP,McColgan P,Laupacis A,eds,Access to HealthServices in Ontario.2nd edition ICES Atlas,2006的历史数据，U，S和E患者的比例分别是0.23、0.6和0.17。此外，由于应时的因素(如，天气)，冬天患者就诊的数量大约多于其他季节数量的四分之一。与大多数已有工作类似，本文中，该实施例也经参数化为：中采用概率分布(如泊松分布)对每个优先级小组i(i∈{U，S，E})的就诊率进行服从合适的点过程(如，泊松过程)，并其，每个手术室的服务时间服从以均值为1/μ的任意分布的随机变量(如指数分布)。
由于U型患者具有最高的优先级，因此他/她应该立即被安置到可用的手术室。在真实的OR操作中，一定数量的OR时间块被保留，以应付U型患者的及时需求。在本发明所使用的模型中，本实施方式描述利用δ0表示为紧急手术所保留的时间块的初始数量。但是，如果所有的手术室都不可用，U型患者应该等待并等候临时出现的第一个可用的手术室块。外科医生将按照基于优先级的服务原则调度S型和E型患者。具体而言，新到来的非紧急(即S和E)患者将首先以概率(符号表示非急患者)分配给外科医生j(在我们的实施例中，j∈[1,6]表示6个外科医生之一)。然后，患者将留在外科医生j的队列中。根据实际操作，外科医生只能在预先分配给他们的时间块内执行非紧急手术。因此，该实施方式作这样的安排：在队列j队头的患者会在下一次时间步时以概率移动至OR。在这种情况下，和在模拟中将服从常数分布。
离散事件仿真331的技术被使用于排队模型的仿真。仿真基于HHSC的统计数据执行。为了比较性能，本实施例在在相同的条件下单次运行后的模拟仿真结果如下所示。也可以执行多次仿真并按照法则综合仿真结果。
实施例1的系统输出
HDASS104内的系统输出208的实施方式包括：通过仿真的实施排队模型和适应性OR时间块分配方法的决策评估输出218，对于结果发现及文本的和/或图形的综合报告214的决策推荐输出215，其中综合报告214包括仿真结果、适应OR调度策略关键参数(如调整步长和阈值)的敏感性分析、决策评估输出218和决策推荐输出215。
图8展示了平均等待时间方面评价适应性OR时间块分配方法有效性的决策评估输出218。从图8中可以看出，该模拟的等待时间刚开始时持续增长(定义为增加阶段，如图8中阴影面积区域所示)。随后，等待时间相对稳定(定义为稳定阶段，如图8中无阴影区域所示)。如图所示，在稳定阶段所产生的/模拟的平均等待时间与真实情况非常匹配，这是基于Little定理来计算的：Lq＝λWq(Lq是平均队列长度；λ是就诊率；Wq是平均等待时间)。模拟平均等待时间的增加阶段是由于在本实施例中，队列中所有患者的初始等待时间在仿真时设置为零。这里，除了平均值，其他相关的度量标准(例如，百分位数和全概率分布)也可以进行评估和检查。图9和图10展示了决策评估输出218示例性的另外两种输出。由图9可知，适应性方法可以减少突发的非紧急手术的数量。图10则显示了使用适应性策略的紧急手术的OR时间块随着时间的变化。在模拟中，在采用与未采用适应性策略两种情况下，一年内突发的非紧急手术的总数量分别为68和129。
由于OR的有效性可能对紧急手术时间块的数量敏感，因此将传统的OR时间块分配策略和本实施例的实施方式的分配策略进行了对比。作为决策评估输出218的示例，图11中展示了在传统的分配策略中突发的非紧急手术(BNS)的数量随着紧急手术时间块的增加而下降。相比之下，未使用的紧急时间块(UUB)的数量却是上升的。此外，从本发明所产生的结果是具有鲁棒性的，因为无论紧急手术的初始时间块的数量是多少，OR都可以维持突发的非紧急手术的数量和未使用的紧急时间块的数量之间的折衷。因此，使用本发明的实施方式，医院能够快速适应动态变化的患者就诊量，从而实现更好的OR性能。作为决策评估输出218的另一个示例，表2显示了当紧急时间块的初始数量为4且更新步长是一个星期或一个月时，OR变得更加有效(即BNS和UUB的数值小)。
表2-不同δ0和T(周)下生成的模拟结果(Δp＝Δq＝1，θ1＝θ2＝2*T)。
另外，调整步长的大小(Δp和Δq)和阈值(θ1和θ2)也会对适应性策略造成影响。根据决策评估输出218的一个示例，如图12所示，较大的调整阈值导致产生较大量的未使用的紧急时间块和较少量的突发的非紧急手术。这是合理的，因为最初只为紧急手术保留了一个时间块，因此，较大的阈值使得OR较不可能增加紧急手术的时间块，反之亦然。作为决策评估输出218的最后一个示例，图13显示了较大的步长产生较少的突发的非紧急手术和更多的未使用的紧急时间块。其原因在于，较大的步长导致了每次给紧急手术分配了较多的时间块。因此，在同一时间内，突发的非紧急手术的数量将减少，而未使用的紧急时间块将增加。
在第一个实施例描述图中的决策推荐输出215包含以下推荐：(1)所产生的适应性OR时间块分配方法能够更有效地按照患者就诊的变化的模式调节OR时间块的保留量；(2)部署了所产生的适应性方法的医院OR调度器可以维持突发的非紧急手术的数量和未使用的紧急OR时间块的数量的之间更佳的折衷；以及(3)频繁地调整OR时间块分配(如，每周一次或每月一次)可改善OR的效能。包括上述提及的评价输出与决策推荐输出综合报告214是给用户产生的。
实施例2：适应性区域健康护理资源分配分析和支持的方法和装置
健康护理资源分配是区域健康护理管理者关心的最重要问题之一。以前的研究，如Mclntosh T,Ducie M,Charles MB,Church J,Lavis J,Pomey MP,Smith N,Tomblin S:Population health and healthsystem reform:needs-based funding for health services in five provinces.CPSR 2010,4:42–6主张按人口中疾病的发生和危害分配资源，其中，作为例子，人口中疾病的发生和危害是基于邻区地理人口统计因素(如人口规模，年龄分布，地理上的对于服务的可及性，及教育概况)由基于人群需要资金划拨方案进行评估的。然而，在考察传统的服务需求的估算方法(如Kephart G,Asada Y.Need-based resourceallocation:different need indicator,different result？BMC Health ServiceResearch 2009,9:122)时，常常发现在一些地区，估计的与实际的需求之间存在很大的差异。对这种偏差的估计的一种可能解释是，这种需要估计方法仅仅是所考虑因素的线性组合，而没有考虑这些因素是如何彼此交互的以及患者的与健康护理相关的行为。
想象一下，你是安大略的省/区域健康护理管理员。你发现，目前的心脏手术服务资源分配方法是静态的、并导致区域的估计与实际的需求之间存在差距。因此，你想要对心脏手术的地区资源分配制定合理的、基于证据的决策，以缩短区域平均等待时间并减少等待时间的差异。你从本发明寻求帮助并这样刻画/描述你的决策分析和支持问题：
“面对动态变化/非确定性患者就医情况，如何适应性地分配安大略的心脏手术资源，以缩短省的平均等待时间并降低等待时间的差异？”
在接收用户的请求和一般问题描述后，本发明的实施方式将自动和智能地识别/推断目标、问题类型、议题、子问题、背景信息、标准、需求(例如指标和度量)、以及相应的决策/控制变量和约束，构建解决方案，部署/扩展/定义所识别的用于决策分析的技术，并最后返回适应性区域资源分配方法、统计和策略分析输出、决策评估和推荐输出。
在下文中，该实施例将对本发明的操作流程和设备进行展示，以(1)分析邻区理人口统计因素和与医院/网络有关的心脏手术特性(例如，患者就诊的数目)之间的关系；(2)对患者就诊行为和医院的心脏手术服务操作进行建模，以通过仿真来研究资源利用的时-空模式和复杂的突发行为；以及(3)自动生成基于仿真的用于分配区域心脏手术资源的适应性方法。
实施例2的智能用户接口
图14展示了本发明的第二个实施例中的主要模块，即，智能用户接口103，健康护理决策分析和支持系统(HDAMSS)模块104和信息管理系统(IMS)模块105，以及其与通过智能用户接口103与用户(如，健康护理人员100)、必要的关于现有医院运营的健康护理相关的数据、健康护理的确定性因素(如，地理人口和社会经济相关的行为)109和学术/医学研究数据库110的交互(例如，中间结果和用户的对它们的反馈)。
在用户以集中式、分布式和普适式/移动式中的任何方式通过智能用户接口103的用户接入200进入智能健康护理决策分析和支持系统后，智能用户接口103的搜集决策分析问题描述201将搜集问题的一般描述(即，面对动态变化/非确定性患者就医情况，如何适应性地分配安大略的心脏手术资源，以缩短省的平均等待时间并降低等待时间的差异？)。与此同时，智能用户接口103的用户概况描述202提取和/或推断的用户的背景信息和手头的分析问题，比如，用户类型是省健康护理服务管理员，分析问题是安大略省心脏手术服务。决策分析问题的目标，问题类型，议题，子问题，标准，要求(例如，指标和度量)，以及相应的决策/控制变量和约束将从用户的问题刻画/描述和所提取的及/或推断出的背景信息中自动地提取，推断和/或精炼。例如，目标是为区域健康护理资源分配提供适应性方法，以缩短区域平均等待时间和降低区域等待时间的差异。子问题将涉及(1)地理人口统计因素对心脏手术服务特性(患者就诊数量和等待时间)有什么影响并且是如何影响的，(2)如何对患者服务利用行为进行建模，从而刻画动态变化/非确定性的患者就诊，以探讨心脏手术服务利用的时-空模式，并且甚至捕捉示例性的复杂的健康护理系统中的突发为(例如，选择医院时的违约行为)，(3)如何表征心脏手术服务的操作，以及(4)在考虑地理人口统计因素的区域异质性和患者健康服务利用行为的患者异质性时，什么机制有助于适应性地分配的心脏手术资源。标准和需求的例子包括区域等待时间的差异，区域患者就医的时-空模式和动态变化过程，以及心脏手术服务的等待时间。
实施例2的解决方案生成器
根据从智能用户接口103输入的关于决策分析问题定义111(例如，目标和子问题)、背景信息112(例如，用户的个人概况和对于分析问题的背景)、以及来自智能用户接口103的标准和需求113，HDASS模块104的解决方案生成器210通过由解决方案生成器210内的语义分析312和问题分类及匹配313提供的功能来识别问题类型。根据用户的问题刻画、推理出的目标、问题类型、议题、子问题、背景信息、标准、需求(例如，指标和度量)、以及相应的决策/控制变量和约束，问题将通过整合统计分析、机制设计、建模与仿真和优化方式来得以解决。
要构建实现分析目标和回答子问题的解决方案，确定解决方案301中的从方案库中检索现有的解决方案314和关于问题和解决方案之间关系的元知识315的装置自动推断出：(1)结构方程模式(SEM)340的技术是适合于对地理人口统计因素和心脏手术服务特性之间复杂的和分层级的关系进行建模和分析的，因为它在构建潜在变量(即，不能被直接测量变量)和测试观察的与潜在变量之间的复杂的关系时是有效的(如在Hair JF,Anderson RE,Tatham RL,Black WC.Multivariate Data Analysis:with Readings.5th edition.Englewood Cliffs,NJ:Pearson Prentice Hall；1998所解释的)；(2)基于AOC的建模333有助于对针对患者服务利用行为的心脏手术系统进行建模；(3)来自策略分析211内计算建模和仿真分析技术库306的排队模型330和离散事件仿真331是对OR现有解决方案的操作进行建模和仿真的有用方法；以及(4)基于仿真的优化对于通过仿真独立地或者基于算法/机制设计329的实施而产生适应性资源分配方法来说是有益的。
而后，解决方案生成器210自动地且构建解决方案，其中所构建的解决方案综合地利用了结构方程建模340、基于AOC的模型333、排队模型330、离散事件模拟331、算法/机制设计328、以及基于仿真的优化332，以实现用户的目标并回答紧密相关的子问题。具体而言，心脏外手术系统在患者服务利用行为(即，就诊行为)方面的基于面向自治计算(AOC)的建模将参考结构方程模型(SEM)340的结果，基于AOC的心脏手术模型包括服务操作的具体的排队模型。基于AOC的多代理仿真和离散事件仿真方法将共同支持基于仿真的优化的实现。
相应地，借助确定所需数据源319和对所需数据接入、检索、组织和预处理320的功能，解决方案生成器210中的获取所需数据302确定对于分析问题来说必要的数据源。在本分析问题中，所涉及到的数据源包含：现有的(关于心脏病手术服务的)医院运营106；如何转诊心脏病手术患者相关情况的次级服务提供者108(例如，关自家庭医生的心脏病手术的转诊)；以及健康护理的确定性因素109(例如，区域的地理人口统计概况)。
IMS 105已经收集和存储/维护了用于对适应性资源分配问题进行开发、参数化、分析、建模和评估的必要的数据。MIS数据库243和IMS数据库244已经收集和存放了代表加拿大安大略省在2004-2007年之间的心脏病手术特征(例如，就诊、容量、储备和等待时间)的数据。人口普查数据源237存放了收集自加拿2006年的人口普查关于人口规模、年龄分布、教育状况的邻区地理人口统计数据。在本实施例中，选取了安大略省中的超过40000人口(该人口取舍点是经确定的以使得包括在样本中的市/镇代表了安大略省总人口的90.72％)的47个主要市/镇来导出14LHIN的地理人口统计概况。此外，次级服务提供者的数据源236收集和存储了每个样本市/镇到其最近医院的驱车时间，以用于衡量服务可及性。在本实施例中驱车时间基于谷歌地图的“获取行车路线”功能估算得出。
表3和表4总结了不同的本地健康整合网络(Local healthintegration networks，简称LHIN，在本实施例中即为所关注的邻区)的地理人口统计概况和每一被研究医院的服务特征。
表3–对加拿大安大略省提供心脏病手术服务的LHIN的邻区地理人口统计概况的汇总
A：年龄分布；SA：服务可及性；E：教育概况。表4-对关于心脏手术特性的次级数据的汇总(2004-2007)
C：服务容量；S：服务储备；A：入院就诊；UMW：紧急患者的等待时间中位数；SME：较紧急患者的等待时间中位数；EMW：非紧急患者的等待时间中位数；QL：队列长度；d：天。
借助于分析引擎207内配置解决方案303的解决方案中的初始化和参数化技术321，本实施例利用了用于研究地理人口统计因素和心脏手术服务特征之间的关系的数据，以初始化基于AOC的心脏病手术系统模型、排队模型的实施、离散事件仿真和基于仿真的优化的参数设置。
实施例2中的数据驱动的统计分析
作为确定的解决方案，本实施例首先自动地(1)基于存储/维护在集中式/分布式/普适式学术/医学研究数据库257中的之前的研究成果来构建假设，其中，上述数据库257中的数据收集自学术/医学研究数据库110，并且(2)基于从集中式/分布式/普适式医院信息系统(HIS)数据库243、集中式/分布式/普适式管理信息系统(MIS)数据库244和集中式/分布式/普适式次级服务提供者的数据源255，利用结构方程建模(SEM)方法来捕获地理人口统计因素和心脏病手术服务的患者入院就诊之间的关系。
结构方程建模400的实施方式包含所有经逻辑推断和导出的假设(如图15所示)。已有研究的例子包括：Alguwaihes A,Shah BR.Educational attainment is associated with health care utilization andself-care behavior by individuals with diabetes。公开糖尿病期刊(2009,2:24–28)(Open Diabetes Journal 2009,2:24–28)发现，某些地理人口统计因素可能会缓和(即，改变其方向和/或力度)其他地理人口统计因素产生的对于健康护理服务特征的影响。如果某区域有较多的健康护理服务提供者(如，提供心脏手术服务的医院)，那么人口增长和老龄化对该区域中的特定医院的患者就诊带来的压力就可能会得到缓解，因为居住在那里的患者有更多的选择，从而更有可能分散于多个医院。这表明，地理的对于服务的可及性(称为服务可及性)除了对入院就诊有直接影响外，还可能对人口规模/年龄分布和入院就诊之间的关系有潜在的调节影响。作为另外的例子，具有不同教育背景的个人(包括长者)可有不同的生活方式，这些生活方式影响患心血管疾病的风险，也会影响其健康护理服务利用行为。这表明，教育状况除了对入院就诊具有直接影响外，还可能对人口规模和患者就诊之间的关系具有潜在的调节影响。作为汇总，基于存储在集中式/分布式/普适式学术/医学研究数据库257中的之前的研究成果而自动推断出的研究假设为：
假设1(H1)：人口规模(其某邻区的总人口数来衡量)对入院就诊(即，医院登记的使用特定健康护理服务的患者人数)有直接正向影响。
假设2(H2)：年龄分布(其概念化为某地区50岁以上的人口比重)对入院就诊有直接正向影响。
假设3.1(H3.1)：服务可及性(其由某地区内居住于在30分钟驱车时间内变可到达最近的提供心脏手术服务医院的地方的人口的比重来定义，以表示对于健康护理服务的地理可及性)对入院就诊有直接负向影响。
假设3.2(H3.2)：服务可及性对人口规模和入院就诊之间的关系具有负向调节作用。
假设3.3(H3.3)：服务可及性对年龄分布和入院就诊之间的关系具有负向调节作用。
假设4.1(H4.1)：教育状况(由某邻区内具有高中以上教育程度的人口数比例来定义)对入院患者有直接的负向影响。
假设4.2(H4.2)：教育状况对人口规模和入院就诊之间的关系具有负向调节作用。
假设4.3(H4.3)：教育状况对年龄分布和入院就诊之间的关系具有负向调节作用。
假设5.1(H5.1)：入院就诊对容量(代表硬件资源，例如，心脏病手术室数来衡量)有正向影响。
假设5.2(H5.2)：入院就诊对储备(代表人力资源，例如，心脏病手术医生)有正向影响。
假设5.3(H5.3)：入院就诊对等待时间(等待时间是衡量患者是否能及时获得健康护理服务的指标)有直接正向影响。
假设5.4(H5.4)：容量对等待时间有直接负向影响。
假设5.5(H5.5)：储备对等待时间有直接负向影响。
实施例2中的策略分析
根据所确定的解决方案，本实施例基于SEM测试的发现和基于AOC的建模结束自动地且智能地对心脏病手术系统进行建模，其中在建模的时候考虑了患者就诊行为，从而识别和评估患者入院就诊和等待时间的动态性，并捕捉健康护理系统中复杂的突发行为。心脏病手术系统的基于AOC的模型如图17所示。在基于AOC的心脏手术系统模型401中，对以下对象进行了建模：三类基于自治行为的实体(即患者、一般医务者(简称为GP，如，家庭医生)和医院)、他们之间的行为交互、以及活跃地进行执行信息交换的环境。
如前述的基于SEM的统计分析输出221和先前文献(如文献：Harindra C Wijeysundera,Therese A Stukel,Alice Chong,Madhu KNatarajan,David A Alter.Impact of clinical urgency,physician supplyand procedural capacity on regional variations in wait times for coronaryangiography.BMC Health Services Research 2010,10:5doi:10.1186/1472-6963-10-5和文献Cardiac Care Network of Ontario.Cardiac Care Network of Ontario Patient,Physician and OntarioHousehold Survey Reports:Executive Summaries.2005.http://www.ccn.on.ca/ccn_public/UploadFiles/files/CCN_Survey_Exec_Sum_200508.pdf)表明的，在对自治的患者/家庭医生选择医院的行为进行建模时，应当考虑的主要因素包括：医院的硬件资源(如手术室的数量)和人力资源(如医生的数量)的量、从家到医院的距离、以及接受请求的健康护理服务的等待时间。在实际的心脏病手术系统中，患者几乎遵从GP的医院医疗安排推荐。因此，本实施例设定自治的患者实体均会选择其GP推荐医院。
自动地并按照计算为GP的自治医院选择决策行为建模基于以下的决策过程。当GP实体在选择医院时，他们首先会基于发布的信息和他们的在等待时间方面历史的医疗安排方面的经验，计算每个医院的效用(这里，效用代表对医院的在行程距离、服务质量、接收服务的等待时间方面的满意程度)。具有最高期望效用的医院将被推荐。
基于排队过程，自动地并按照计算为医院实体的自主行为建模。作为本实施例中排队模型330的实现方式，图18呈现了一般的多优先级、多服务台、非抢占式的排队模型402。具体而言，每个医院都有紧急、半紧急和非紧急三种类型的自治患者实体。紧急患者实体具有最高的治疗优先级，而非紧急患者实体则具有最低的治疗优先级。每一类型患者的就诊率服从泊松分布。
如图19所示，由自治实体共享并对信息进行执行按照计算被建模为城市-医院二分网络。在该实施例中，每个节点ci(ci∈C)代表一个根据2006年安大略省的人口普查数据人口超过4万的市/镇。每个节点hj(hj∈H)代表一家提供心脏手术的医院。并且，每一条具有一定权重的边dij(dij∈D)代表从一个市/镇ci(ci∈C)到一家医院hj(hj∈H)的驱车时间。自治患者实体从市节点移动到医院节点。关于医院特征的适时信息(包含手术室和医生的数量)、以及发布的等待时间将作为患者和GP实体在做出其医院选择决策时的参考。
基于上述的基于AOC的心脏病手术系统模型，执行离散事件仿真以对模型进行验证，并调查服务利用的时-空模式、以及不同应用场景中健康护理服务性能在服务吞吐量、等待时间、队列长度和复杂健康护理系统的突发行为方面的动态性。此外，通过基于AOC(即，AOC自身发现)的建模和仿真的方式，健康护理资源分配的适应性方法/策略被自动生成、凭据和推荐。
实施例2中的系统输出
本实施例提供以下形式的决策分析和支持：文本和/或图形的综合报告214、决策推荐输出215、决策情景分析输出216、决策预测输出217、决策评估输出218、仿真可视化输出219和统计分析输出221。
特别地，产生的关于健康护理资源分配的SEM测试结果和推荐通过HDASS104内的系统输出208模块中的统计分析输出221和决策推荐输出215的实施而被格式化和汇报推荐。在统计分析输出221中，所产生的SEM测试结果表明，人口规模和年龄分布对入院就诊有直接正向影响(分别为：β＝0.737，p<0.01；β＝0.284，p<0.01)，而服务可及性负向地影响患者入院就诊(β＝-0.210，p<0.01)。服务可及性减弱了人口规模对入院就诊的影响(β＝-0.606，p<0.01)，并且，教育状况削弱了人口规模和年龄分布对入院就诊的影响(分别为：β＝-0.595，p<0.01；β＝-0.286，p<0.01)。在决策推荐输出215中，所产生的SEM测试结果的研究发现表明：(i)心脏手术服务等待时间的地区差异和如服务可及性和教育状况等地理人口统计特征的差异相关；(ii)对某地区内特定健康护理服务资源的分析需要考虑同样服务在相邻地区的地理分布情况；以及(iii)增加医生和更有效地利用现有的手术设施可有助于减少心脏手术的等待时间。
基于以上结果，基于AOC的心脏手术系统建模的仿真结果以及关于适应性健康护理资源分配的之后的决策分析将以下述方式产生、格式化和汇报：文字和/或图形的综合报告214、决策推荐输出215、决策情景分析输出216、决策预测输出217、决策评估输出218和仿真可视化输出219。具体来说，在通过实际的地理人口统计和医院特征数据进行参数化之后，通过基于自治行为的仿真来验证基于AOC的心脏病手术系统模型。同时，还产生并观察了医院服务利用的时空-模式和患者入院就诊和医院性能的动态性。然后，基于验证后的基于AOC的心脏手术系统模型，在不同的场景(例如，因为天气寒冷紧急心脏手术的患者数急剧增加，或医院提供更准确和及时的等待时间信息以向患者呈现其性能)中运行仿真、并通过决策情景分析输出216和决策结果预测出处217产生和汇报相应结果和发现。在这样的仿真中，产生和捕获了心脏病手术系统中的感兴趣的复杂突发行为(例如，病人的违约模式，其由离开最近的医院或面对被其GP转诊情形的患者数量表达)。类似地，通过基于自治行为的仿真，适应性资源分配方法/策略的有效性可被验证，并通过决策评估输出218进行汇报。通过利用并/或扩展2D或3D地理信息系统(例如，谷歌地球)的功能，本实施例部署了仿真可视化输出219，以对上述提及的所有仿真的患者入院就诊和健康护理性能(比如，服务吞吐量、等待时间和队列长度)的动态性，以及服务利用的时-空模式、以及复杂健康护理系统的突发行为进行了可视化。
工业适用性
本发明涉及用于开发、分析、研究和健康护理和康乐相关决策、并健康护理和康乐相关决策进行推荐的方法和设备。特别地，本发明涉及采用以单机或分布式/协作式/普适式配置的系统架构，系统组件和它们的底层过程和耦合方式，内置于方法的计算技术，集成入系统的输入数据源和由系统产生和发布的输出结果，以及实现相应的用户交互、数据访问和采集、数据集成和处理、数据驱动的推断和仿真、智能计算、决策分析与决策支持的装置，以产生各种健康护理分析和决策制定问题的解决方案。本发明还涉及本发明提出的方法和设备的两中工作实施例，体来展示本发明提出实施方式。本发明的一个实施例涉及给医疗服务提供机构产生适应性的手术室(OR)时间块分配方案。所产生的成果可方便地帮助OR在面对患者入院就诊动态变化和非确定的患者就诊(例如，归于与地理人口统计的、环境的/气候的和社会经济的变化)时保持较稳定的性能。在本文中，“非确定”意味着尽管特定结果可能不会百分之百发生然而尚未确定的数量可通过各种统计或者数学技术进行预测。另一个实施例关于在地区性的健康护理资源分配中执行决策分析任务和适应性决策支持，该实施例健康护理具有降低健康护理性能差异，健康护理及/或优化资源使用和性能的优点推荐。
本发明介绍的不同功能可根据需要按不同的顺序及/或共同地执行。另外，如果需要，上文描述的功能可以是可选的和组合的。
在本文中公开的实施方式可采用通用的或专用的计算平台，计算装置、计算机处理器或电子电路而实现，其包括但不限于数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、以及其他相关的依据本发明所公开内容的教示进行配置和编程的可编程逻辑器件。根据本发明所公开内容的教示，软件或电子领域技术从业人员可以容易地准备在通用或专门的计算平台、计算装置、计算机处理器、或可编程逻辑设备中运行的计算机指令或软件代码。
在一些具体实施例中，本发明包含其中存储有计算机指令或软件代码的计算机存储介质，其中的计算机指令或软件代码可用于对计算机或微处理器进行编程以执行本发明中的任意流程。这些存储介质可以包括，但不限于，软盘、光盘、蓝光光盘、DVD、CD-ROM、磁光盘、ROM、RAM、闪存装置，或其他适合用来存储指令、代码和/或数据的任何存储介质或装置。
尽管本发明已通过各种实施方式和说明性的进行了描述，但是应当理解，表达为随附的权利要求书中的方案及其等价方案的其他实施方式也属于本发明范畴。此外，应当将上述的具体实施例理解为仅是说明性的，并且不以任何方式限制本公开内容的其余部分。无需进一步详尽说明，据信本领域的技术人员可以根据本文的描述，最大限度地利用本发明。本文中所有的引用的所有出版物以全文引用的方式合并于本文。

Claims (20)

1.一种用于实现智能健康护理决策分析与支持系统的计算机系统可实现方法，其包括：
允许用户通过集中式、分布式、和/或普适式/移动式提出决策分析问题；
在用户-系统交互过程期间自动提取和/或推断用户的背景信息和分析问题；
从所述用户的分析问题输入自动提取或推断所述决策分析问题的目标、问题类型、议题、子问题、标准、需求、和对应的决策/控制变量和约束；
记录和回顾遇到过的用户，以及使用后续/新用户的个人资料自动识别和/推断后续/新用户的类型，并将使用后续/新用户的要求联系在一起，从而智能地和自动地为后续/新用户推断和推荐决策分析问题；
在分析过程期间，收集和合并用户发起的反馈，及/或智能地或自动地代表用户推断反馈；以及
选择性地修改智能健康护理决策分析与支持系统的方案库、设置和配置。
2.根据权利要求1所述方法，其中所述用户包括：
健康护理服务提供组织，所述健康护理服务提供组织进一步包括医院、保健中心、诊所和实验室；
健康护理员工，所述健康护理员工进一步包括全科医生、专科医生和护士；
利益相关者，所述利益相关者进一步包括患者、普通用户、保险公司、制药公司和医疗器械公司；以及
决策者和咨询小组，所述决策者和咨询小组进一步包括健康护理管理人员和健康护理研究人员。
3.根据权利要求1所述的方法，其中所述智能健康护理决策分析与支持系统至少实现利用三个分析方法组，所述分析方法组进一步包括：
用于智能复杂健康护理系统建模和策略分析的分析方法组；
智能数据分析的方法组；以及
数据驱动的统计分析方法组；
从而为所述用户自动产生和输出健康护理决策分析方案，并将方案保留在方案库。
4.根据权利要求3所述的方法，其中，取决于由所述智能健康护理决策分析和支持系统识别和执行的一个或多个具体问题和任务，所述分析方法组将被智能地和自动地进行配置、参数化并单个地或者有序地或者以结合的方式利用。
5.根据权利要求3所述的方法，其中：
用于智能复杂健康护理系统建模和策略分析的分析方法组包括用于下述方面的技术：算法/机制设计、排队建模、离散事件仿真、优化和基于面向自治计算(AOC)的建模，其中这些策略分析方法在需要的时候智能地与其他两组方法结合，将通过对所述分析问题进行建模、调查和评估健康护理和保健相关的决策来执行解决复杂决策分析问题的任务/步骤，并预测和仿真这些健康护理决策的效果，以产生基于证据的推荐和/或分析支持以及用于在健康护理中结合的实施，其中所述健康护理和保健相关的决策涉及许多动态交互的内在的(内源的，内部的)和外在的(外源的，外部的)影响因素，这些影响因数在时间和空间尺度上对复杂健康护理系统的性能施加影响；
智能数据分析的方法组包括人工智能技术、机器学习技术、数据挖掘技术和模式识别技术；以及
数据驱动的统计分析方法组包括回归分析、ANOVA、结构方程建模和因素分析。
6.根据权利要求1所述的方法，其还包括以集中式、分布式、和/或普适式/移动式的方式在信息管理系统(IMS)中收集、存储、维护、整合和利用数据，其中所述数据收集自至少五个与健康护理相关的主要数据源。
7.根据权利要求6所述的方法，其中至少五个主要数据源包含：
包括现有的医院运营数据库的第一主要数据源，其中现有的医院运营数据库包括电子健康记录(EHR)数据库、电子病历(EMR)数据库、医院信息系统(HIS)数据库和管理信息系统(MIS)数据库；
包括普适用户或患者健康数据的第二主要的数据源，其中普适用户或患者健康数据包括从普适设备收集或追踪的患者健康信息，以及在健康相关的物理和在线社区中创建、维护和发布的临床和患者信息；
包括来自与健康护理相关的次级服务提供者的数据的第三主要数据源，其中与健康护理相关的次级服务提供者包括社区健康服务中心、康复中心、保险公司、制药公司和医疗器械公司；
包括从健康护理系统的外源因素产生和导出的数据和关于医疗护理的确定性因素的初级和次级数据的第四主要数据源，其中关于医疗护理的确定性因素的初级和次级数据例如人口普查数据、环境/气候以及社会经济相关的因素和人类行为；以及
包括学术/医学研究的数据的第五个主要的数据来源，其中学术/医学研究的数据诸如用于健康护理保健的证据推断、假设生成、模型构建、以及挖掘和/或发现影响因素/决定因素/条件和决策参数及变量之间的显性和隐性关系的先前学术/医学研究发现，其中所述显性和隐性关系诸如药物开发中的药物之间的相互作用。
8.根据权利要求6所述的方法，其还包括通过输入信息总线清理和整合数据源，并且，其中在IMS中经预处理的数据随后通过经由输出信息总线的标准查询以集中式、分布式和/或普适式/移动式的方式对用于执行智能决策分析和支持的方法中的决策分析和支持任务进行参数化和提供支持。
9.根据权利要求8所述的方法，其中，信息总线采用本地的或通过网络连接的远程的方式实现。
10.根据权利要求1所述的方法，其中智能健康护理决策分析和支持系统在一个或者多个装置上采用本地的或通过网络连接的远程的方式、以软件或硬件或软件硬件的操作性混合的方式实现。
11.一种用于实现智能健康护理决策分析与支持系统的设备，其包括一个或多个执行下述操作的计算机处理器：
允许用户通过集中式、分布式及/或普适式/移动式的方式来提出决策分析问题的一个或多个操作；
在用户-系统交互过程期间自动提取及/或推断用户背景信息和分析问题的一个或多个操作；
从用户的分析问题输入自动提取或推断决策分析问题的目标、问题类型、议题、子问题、标准、需求和对应的决策/控制变量和约束的一个或多个操作；
记录和回顾遇到过的用户，并使用后续/新用户的个人资料自动识别和/或推断后续/新用户的类型、并将后续/新用户的要求联系在一起，从而智能地和自动地为后续/新用户推断和推荐决策分析问题的一个或多个操作；
在分析过程期间收集和合并用户发起的反馈，及/或智能地和自动地代表用户推断反馈的一个或多个操作；以及
选择性地修改智能健康护理决策分析和支持系统的方案库、设置和配置的一个或多个操作。
12.根据权利要求11所述的设备，其中用户包括：
健康护理服务提供组织，所述健康护理服务提供组织进一步包括医院、保健中心、诊所和实验室；
健康护理员工，所述健康护理员工进一步包括全科医生、专科医生和护士；
利益相关者，所述利益相关者进一步包括患者、普通用户、保险公司、制药公司和医疗器械公司；以及
决策者和咨询小组，其中决策者和咨询小组进一步包括健康护理管理人员和健康护理研究人员。
13.根据权利要求11所述的设备，其中所述智能健康护理决策分析与支持系统至少利用三个分析方法组，所述分析方法组进一步包括：
用于智能复杂健康护理系统建模和策略分析的分析方法组；
智能数据分析的方法组；以及
数据驱动的统计分析方法组；
从而为所述用户自动产生和输出健康护理决策分析方案，并将方案保留在方案库。
14.根据权利要求13所述的设备，其中取决于由所述智能健康护理决策分析和支持系统识别和执行的一个或多个具体问题和任务，所述分析方法组将被智能地和自动地进行配置、参数化并单个地或者有序地或者以结合的方式利用。
15.根据权利要求13所述的设备，其中：
用于智能复杂健康护理系统建模和策略分析的方法组包括用于下述方面的技术：算法/机制设计、排队建模、离散事件仿真、优化和基于面向自治计算(AOC)的建模，其中这些策略分析方法在需要的时候智能地与其他两组方法结合，将通过对所述分析问题进行建模、调查和评估健康护理和保健相关的决策来执行解决复杂决策分析问题的任务/步骤，并预测和仿真这些健康护理决策的效果，以产生基于证据的推荐和/或分析支持以及用于在健康护理中结合的实施，其中所述健康护理和保健相关的决策涉及许多动态交互的内在的(内源的，内部的)和外在的(外源的，外部的)影响因素，这些影响因数在时间和空间尺度上对复杂健康护理系统的性能施加影响；
智能数据分析的方法组包括人工智能技术、机器学习技术、数据挖掘技术和模式识别技术；以及
数据驱动的统计分析方法组包括回归分析、ANOVA、结构方程建模和因素分析。
16.根据权利要求11所述的设备，其中智能健康护理决策分析与支持系统以集中式、分布式、和/或普适式/移动式的方式在信息管理系统(IMS)中收集、存储、维护、整合和利用数据，其中所述数据收集自至少五个与健康护理相关的主要数据源。
17.根据权利要求16所述的设备，其中至少五个主要数据源包含：
包括现有的医院运营数据库的第一主要数据源，其中现有的医院运营数据库包括电子健康记录(EHR)数据库、电子病历(EMR)数据库、医院信息系统(HIS)数据库和管理信息系统(MIS)数据库；
包括普适用户或患者健康数据的第二主要的数据源，其中普适用户或患者健康数据包括从普适设备收集或追踪的患者健康信息，以及在健康相关的物理和在线社区中创建、维护、和发布的临床和患者信息；
包括来自与健康护理相关的次级服务提供者的数据的第三主要数据源，其中与健康护理相关的次级服务提供者包括社区健康服务中心、康复中心、保险公司、制药公司和医疗器械公司；
包括从健康护理系统的外源因素产生和导出的数据和关于医疗护理的确定性因素的初级和次级数据的第四主要数据源，其中关于医疗护理的确定性因素的初级和次级数据例如人口普查数据、环境/气候因素和社会经济相关的因素和人类行为；以及
包括学术/医学研究的数据的第五个主要的数据来源，其中学术/医学研究的数据诸如用于健康护理保健的证据推断、假设生成、模型构建、以及挖掘和/或发现影响因素/决定因素/条件和决策参数及变量之间的显性和隐性关系的先前学术/医学研究发现，其中所述显性和隐性关系诸如药物开发中的药物之间的相互作用。
18.根据权利要求16所述的设备，其中在IMS中，通过输入信息总线收集、清理和整合数据源，并且，其中在IMS中经预处理的数据随便通过经由输出信息总线的标准查询以集中式、分布式和/或普适式/移动式的方式对智能决策分析和支持系统中的决策分析和支持任务进行参数化和提供支持。
19.根据权利要求18所述的设备，其中的信息总线采用本地的或通过网络连接的远程的方式实现。
20.根据权利要求11所述的设备，其中智能健康护理决策分析和支持系统在一个或者多个装置上采用本地的或通过网络连接的远程的方式、以软件或硬件或软件硬件的操作性混合的方式实现。
CN201380015826.9A 2012-03-22 2013-03-22 智能健康护理决策分析与支持的方法和设备 Pending CN104541268A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201261613981P 2012-03-22 2012-03-22
US61/613,981 2012-03-22
US13/831,980 US20130253942A1 (en) 2012-03-22 2013-03-15 Methods and Apparatus for Smart Healthcare Decision Analytics and Support
US13/831,980 2013-03-15
PCT/CN2013/073096 WO2013139312A1 (en) 2012-03-22 2013-03-22 Methods and apparatus for smart healthcare decision analytics and support

Publications (1)

Publication Number Publication Date
CN104541268A true CN104541268A (zh) 2015-04-22

Family

ID=49213187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201380015826.9A Pending CN104541268A (zh) 2012-03-22 2013-03-22 智能健康护理决策分析与支持的方法和设备

Country Status (6)

Country Link
US (1) US20130253942A1 (zh)
EP (1) EP2828774A4 (zh)
CN (1) CN104541268A (zh)
CA (1) CA2867510A1 (zh)
HK (1) HK1209861A1 (zh)
WO (1) WO2013139312A1 (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021893A (zh) * 2016-05-12 2016-10-12 北京鑫丰南格科技股份有限公司 医护量表处理方法和装置
CN106126873A (zh) * 2016-05-30 2016-11-16 刘华英 治疗方案推荐方法和系统
CN106845093A (zh) * 2017-01-04 2017-06-13 潘敏 一种糖尿病腕式发送系统
CN107194164A (zh) * 2017-05-15 2017-09-22 泰康保险集团股份有限公司 长期护理保险信息系统及电子设备
WO2018172971A1 (en) * 2017-03-23 2018-09-27 International Business Machines Corporation Healthcare analytics management
CN111145896A (zh) * 2020-03-04 2020-05-12 大连理工大学 一种分布式的5g医疗物联网健康监测方法
CN112598402A (zh) * 2018-11-28 2021-04-02 创新先进技术有限公司 一种项目处理方法及装置、一种计算设备及存储介质
CN115438506A (zh) * 2022-09-29 2022-12-06 浙江传媒学院 一个基于数据驱动的异质养老服务需求的建模分析方法
CN117457153A (zh) * 2023-12-26 2024-01-26 深圳市龙岗区第三人民医院 精神科居家护理智能推荐系统及方法

Families Citing this family (50)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2503163B (en) 2011-03-22 2019-05-29 Nant Holdings Ip Llc Reasoning Engines
US20130262060A1 (en) * 2012-03-29 2013-10-03 General Electric Company Systems and methods for managing an infrastructure using a virtual modeling platform
US9411962B2 (en) 2012-07-18 2016-08-09 Sequitur Labs Inc. System and methods for secure utilization of attestation in policy-based decision making for mobile device management and security
US10169571B1 (en) 2012-07-18 2019-01-01 Sequitur Labs, Inc. System and method for secure, policy-based access control for mobile computing devices
US20140108033A1 (en) * 2012-10-11 2014-04-17 Kunter Seref Akbay Healthcare enterprise simulation model initialized with snapshot data
CN104756604B (zh) * 2012-10-24 2019-07-09 飞利浦灯具控股公司 帮助用户选择照明设备设计
WO2014064640A1 (en) * 2012-10-24 2014-05-01 Koninklijke Philips N.V. Assisting a user in selecting a lighting device design
US9754233B1 (en) 2013-12-31 2017-09-05 EMC IP Holding Company LLC Centralized employee data analytics
US9699214B2 (en) 2014-02-10 2017-07-04 Sequitur Labs Inc. System for policy-managed content presentation
GB2541572A (en) 2014-05-01 2017-02-22 Sequitur Labs Inc Applications of secured memory areas and secure environments in policy-based access control systems for mobile devices
US10581852B2 (en) 2014-05-14 2020-03-03 Sequitur Labs, Inc. Hardware implementation methods and system for secure, policy-based access control for computing devices
US9894101B2 (en) 2014-06-02 2018-02-13 Sequitur Labs, Inc. Autonomous and adaptive methods and system for secure, policy-based control of remote and locally controlled computing devices
US20160004228A1 (en) 2014-06-20 2016-01-07 Atigeo Corp. Cooperative distributed control of target systems
US10462185B2 (en) 2014-09-05 2019-10-29 Sequitur Labs, Inc. Policy-managed secure code execution and messaging for computing devices and computing device security
US10454933B2 (en) 2015-01-21 2019-10-22 Sequitur Labs, Inc. System and methods for policy-based active data loss prevention
US20160247170A1 (en) * 2015-02-19 2016-08-25 Northwestern University System and Method for Determining, Visualizing and Monitoring Coordination of Resources
US10685130B2 (en) 2015-04-21 2020-06-16 Sequitur Labs Inc. System and methods for context-aware and situation-aware secure, policy-based access control for computing devices
US11847237B1 (en) 2015-04-28 2023-12-19 Sequitur Labs, Inc. Secure data protection and encryption techniques for computing devices and information storage
WO2016183504A1 (en) 2015-05-14 2016-11-17 Sequitur Labs, Inc. System and methods for facilitating secure computing device control and operation
US20170271984A1 (en) 2016-03-04 2017-09-21 Atigeo Corp. Using battery dc characteristics to control power output
JP7222883B2 (ja) 2016-04-28 2023-02-15 ヴェリトーン アルファ インコーポレイテッド 予測を使用してターゲットシステムを制御すること
US10303131B2 (en) 2016-05-13 2019-05-28 Veritone Alpha, Inc. Using sensor data to assist in controlling a target system by modeling the functionality of the target system
TWI607404B (zh) * 2016-09-10 2017-12-01 神達電腦股份有限公司 護理決策輔助方法及系統
US10700865B1 (en) 2016-10-21 2020-06-30 Sequitur Labs Inc. System and method for granting secure access to computing services hidden in trusted computing environments to an unsecure requestor
CN106530175A (zh) * 2016-11-01 2017-03-22 北京师范大学 一种城市生态系统健康诊断系统
CN107705842B (zh) * 2017-10-13 2019-09-03 合肥工业大学 智能分诊系统及其工作方法
US10621013B2 (en) 2018-06-29 2020-04-14 Optum, Inc. Automated systems and methods for generating executable workflows
US10666076B1 (en) 2018-08-14 2020-05-26 Veritone Alpha, Inc. Using battery state excitation to control battery operations
US10452045B1 (en) 2018-11-30 2019-10-22 Veritone Alpha, Inc. Controlling ongoing battery system usage while repeatedly reducing power dissipation
US10816949B1 (en) 2019-01-22 2020-10-27 Veritone Alpha, Inc. Managing coordinated improvement of control operations for multiple electrical devices to reduce power dissipation
US11097633B1 (en) 2019-01-24 2021-08-24 Veritone Alpha, Inc. Using battery state excitation to model and control battery operations
US11644806B1 (en) 2019-01-24 2023-05-09 Veritone Alpha, Inc. Using active non-destructive state excitation of a physical system to model and control operations of the physical system
US11069926B1 (en) 2019-02-14 2021-07-20 Vcritonc Alpha, Inc. Controlling ongoing battery system usage via parametric linear approximation
US11514528B1 (en) 2019-06-20 2022-11-29 Express Scripts Strategic Development, Inc. Pharmacy benefit management machine learning systems and methods
US11407327B1 (en) 2019-10-17 2022-08-09 Veritone Alpha, Inc. Controlling ongoing usage of a battery cell having one or more internal supercapacitors and an internal battery
AU2021362814A1 (en) * 2020-10-15 2023-06-08 Liminal Group Pty Ltd System and method for monitoring and managing individual wellbeing in organisations
CN113159475B (zh) * 2020-12-04 2024-03-15 中国国家铁路集团有限公司 基础设施全生命周期监测平台及方法
US12183461B2 (en) * 2021-05-19 2024-12-31 Roobrik, Inc. Dynamically updating platform for age-related lifestyle and care decisions with predictive analytics
US11892809B2 (en) 2021-07-26 2024-02-06 Veritone, Inc. Controlling operation of an electrical grid using reinforcement learning and multi-particle modeling
CN113947278B (zh) * 2021-09-07 2025-10-10 上海蓬海涞讯数据技术有限公司 医院专科决策支持系统、方法及相应设备和存储介质
US11770307B2 (en) 2021-10-29 2023-09-26 T-Mobile Usa, Inc. Recommendation engine with machine learning for guided service management, such as for use with events related to telecommunications subscribers
US20230197293A1 (en) * 2021-12-22 2023-06-22 Morgan State University System and method for communications between patients and mental health providers
US20250322463A1 (en) * 2022-05-13 2025-10-16 Imx, Inc. Systems and methods for generating financial indexes for medical conditions
CN116523120B (zh) * 2023-04-14 2024-11-12 成都飞机工业（集团）有限责任公司 一种作战系统健康状态预测方法
CN117894476B (zh) * 2024-03-12 2024-05-14 西南医科大学附属医院 一种基于云数据的生殖健康管理系统
CN119047507B (zh) * 2024-10-24 2025-01-21 杭州亚信云信息科技有限公司 一种基于多智能体的领域模型设计方法及相关装置
CN119377387A (zh) * 2024-12-26 2025-01-28 北京通用人工智能研究院 基于反馈及价值驱动的规划方法、计算机设备及存储介质
CN119943327A (zh) * 2024-12-27 2025-05-06 上海交通大学医学院附属第九人民医院 基于医疗文档智能匹配医疗器械设计方案的方法及应用
CN119885091B (zh) * 2025-03-28 2025-06-20 安徽中技国医医疗科技股份有限公司 一种数据分析平台管理方法及系统
CN120164627B (zh) * 2025-05-19 2025-08-19 简阳市人民医院 一种全病程个案管理的团队构建方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1908975A (zh) * 2006-08-10 2007-02-07 中山大学 一种基于人体特征的健康智能管理方法以及健康建议系统
US20090119126A1 (en) * 2005-11-15 2009-05-07 General Electric Company Method to view schedule interdependencies and provide proactive clinical process decision support in day view form
US20110301977A1 (en) * 2010-06-03 2011-12-08 General Electric Company Systems and methods for value-based decision support

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002025528A1 (en) * 2000-09-21 2002-03-28 Theradoc.Com, Inc. Systems and methods for manipulating medical data via a decision support system
US20050234740A1 (en) * 2003-06-25 2005-10-20 Sriram Krishnan Business methods and systems for providing healthcare management and decision support services using structured clinical information extracted from healthcare provider data
US20060173715A1 (en) * 2005-02-01 2006-08-03 Hao Wang Health information system and method
US20070118401A1 (en) * 2005-11-23 2007-05-24 General Electric Company System and method for real-time healthcare business decision support through intelligent data aggregation and data modeling
WO2009126941A1 (en) * 2008-04-10 2009-10-15 Content Directions, Inc. Apparatuses, methods and systems for portable universal profile (hereinafter "pup")
US20100145720A1 (en) * 2008-12-05 2010-06-10 Bruce Reiner Method of extracting real-time structured data and performing data analysis and decision support in medical reporting
RU2573218C2 (ru) * 2009-09-04 2016-01-20 Конинклейке Филипс Электроникс Н.В. Поддержка принятия клинических решений
US8260779B2 (en) * 2009-09-17 2012-09-04 General Electric Company Systems, methods, and apparatus for automated mapping and integrated workflow of a controlled medical vocabulary
CN101986333A (zh) * 2010-12-01 2011-03-16 福州维胜信息技术有限公司 一种医院辅助决策支持系统
WO2012112761A2 (en) * 2011-02-17 2012-08-23 University Hospitals Of Cleveland Method and system for extraction and analysis of inpatient and outpatient encounters from one or more healthcare related information systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090119126A1 (en) * 2005-11-15 2009-05-07 General Electric Company Method to view schedule interdependencies and provide proactive clinical process decision support in day view form
CN1908975A (zh) * 2006-08-10 2007-02-07 中山大学 一种基于人体特征的健康智能管理方法以及健康建议系统
US20110301977A1 (en) * 2010-06-03 2011-12-08 General Electric Company Systems and methods for value-based decision support

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
秦琛: "基于数据仓库的医疗决策支持系统的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021893A (zh) * 2016-05-12 2016-10-12 北京鑫丰南格科技股份有限公司 医护量表处理方法和装置
CN106126873B (zh) * 2016-05-30 2019-02-05 刘华英 治疗方案推荐方法和系统
CN106126873A (zh) * 2016-05-30 2016-11-16 刘华英 治疗方案推荐方法和系统
CN106845093A (zh) * 2017-01-04 2017-06-13 潘敏 一种糖尿病腕式发送系统
US11355231B2 (en) 2017-03-23 2022-06-07 International Business Machines Corporation Scalable and traceable healthcare analytics management
WO2018172971A1 (en) * 2017-03-23 2018-09-27 International Business Machines Corporation Healthcare analytics management
GB2574568A (en) * 2017-03-23 2019-12-11 Ibm Healthcare analytics management
US11424023B2 (en) 2017-03-23 2022-08-23 International Business Machines Corporation Scalable and traceable healthcare analytics management
US11967418B2 (en) 2017-03-23 2024-04-23 Merative Us L.P. Scalable and traceable healthcare analytics management
CN107194164A (zh) * 2017-05-15 2017-09-22 泰康保险集团股份有限公司 长期护理保险信息系统及电子设备
CN112598402A (zh) * 2018-11-28 2021-04-02 创新先进技术有限公司 一种项目处理方法及装置、一种计算设备及存储介质
CN111145896A (zh) * 2020-03-04 2020-05-12 大连理工大学 一种分布式的5g医疗物联网健康监测方法
CN111145896B (zh) * 2020-03-04 2022-11-18 大连理工大学 一种分布式的5g医疗物联网健康监测方法
CN115438506A (zh) * 2022-09-29 2022-12-06 浙江传媒学院 一个基于数据驱动的异质养老服务需求的建模分析方法
CN117457153A (zh) * 2023-12-26 2024-01-26 深圳市龙岗区第三人民医院 精神科居家护理智能推荐系统及方法

Also Published As

Publication number Publication date
EP2828774A1 (en) 2015-01-28
EP2828774A4 (en) 2015-10-14
WO2013139312A1 (en) 2013-09-26
HK1209861A1 (zh) 2016-04-08
CA2867510A1 (en) 2013-09-26
US20130253942A1 (en) 2013-09-26

Similar Documents

Publication Publication Date Title
CN104541268A (zh) 智能健康护理决策分析与支持的方法和设备
Aspland et al. Clinical pathway modelling: a literature review
US11250954B2 (en) Patient readmission prediction tool
Kovalchuk et al. Simulation of patient flow in multiple healthcare units using process and data mining techniques for model identification
Isern et al. A systematic literature review of agents applied in healthcare
Kadri et al. A simulation-based decision support system to prevent and predict strain situations in emergency department systems
Kang et al. Patient flow in the emergency department: a classification and analysis of admission process policies
Augusto et al. Evaluation of discovered clinical pathways using process mining and joint agent-based discrete-event simulation
Harper et al. A hybrid modelling approach using forecasting and real-time simulation to prevent emergency department overcrowding
Liu et al. A generalized agent-based model to simulate emergency departments
Hosseini Rad et al. Presented a framework of computational modeling to identify the patient admission scheduling problem in the healthcare system
WO2020102220A1 (en) Adherence monitoring through machine learning and computing model application
Yang et al. Evaluation of smart long-term care information strategy portfolio decision model: the national healthcare environment in Taiwan
Ponsiglione et al. Combining simulation models and machine learning in healthcare management: strategies and applications
Berg et al. The application of model-based systems engineering to rural healthcare system disaster planning: A scoping review
Shojaei et al. Investigating impacts of telemedicine on emergency department through decreasing non-urgent patients in spain
Jean et al. Predictive modelling of telehealth system deployment
Henares et al. Efficient micro data centres deployment for mobile healthcare monitoring systems in IoT urban scenarios
Tamatta Time series forecasting of hospital Inpatients and Day case waiting list using ARIMA, TBATS and Neural Network Models
Kakad et al. Using stochastic simulation modelling to study occupancy levels of decentralised admission avoidance units in Norway
US8762171B2 (en) Medical resource estimation and simulation system
Suhaimi et al. Building a flexible simulation model for modeling multiple outpatient orthopedic clinics
Sieve et al. BedreFlyt: Improving Patient Flows through Hospital Wards with Digital Twins
Alkhaldi et al. Development of a Generic Model for Large-Scale Healthcare Organizations
Tan Developments in Healthcare Information Systems and Technologies: Models and Methods: Models and Methods

Legal Events

Date Code Title Description
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1209861

Country of ref document: HK

WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150422

REG Reference to a national code

Ref country code: HK

Ref legal event code: WD

Ref document number: 1209861

Country of ref document: HK