CN115023763A - 数字疗法系统和方法 - Google Patents

Abstract

方法和设备包括：基于一个或更多个目标参数来识别用于数字疗法的多个目标用户；使用外展介质对多个目标用户中的一个或更多个进行外展；识别激活机制以优化数字疗法的使用；以及鼓励多个目标用户中的一个或更多个对数字疗法的参与水平。

Description

数字疗法系统和方法

相关申请的交叉引用

本申请要求于2019年12月4日提交的美国临时申请No.62/943,536的权益，该申请全文通过引用并入本文。

技术领域

本公开总体上涉及获得和处理数据，以实施适于改善用户健康的数字疗法系统。

背景技术

增加的医疗保健成本限制了患者获得适当护理的机会。同时，医疗保健公司已经增加了提供者工作量并限制了医患互动。数字疗法(digital therapeutic)可以降低成本并提供新的治疗实现方式。然而，由于缺乏标准化价值链、缺乏关键过程、缺乏度量、以及缺乏最佳实践和基准，数字疗法尚未达到临界规模。

本公开旨在解决上述挑战中的一个或更多个。本文提供的介绍是为了总体呈现本公开的背景的目的。除非本文另有说明，否则在本部分中描述的材料不是本申请的权利要求的现有技术，并且不因被包括在本部分中而被承认是现有技术或现有技术的建议。

发明内容

本公开涉及一种用于部署数字疗法的计算机实现的方法，该方法包括：基于一个或更多个目标参数来识别用于数字疗法的多个目标用户；使用外展介质对多个目标用户中的一个或更多个进行外展；识别激活机制以优化数字疗法的使用；以及鼓励多个目标用户中的一个或更多个对数字疗法的参与水平。

所公开的技术包括：基于目标用户、外展、激活机制、或参与水平中的一个或更多个生成报告。该报告可以基于信息分析、发现分析、外推分析或自适应分析中的一种或更多种。该报告可以包括N+1阶段分数与N阶段分数的比较。

基于临床因素、疾病因素、技术因素、社会因素或人口统计因素中的一个或更多个来识别多个目标用户。外展是基于方法、模态、频率、时间或交互水平中的一个或更多个来进行的。激活机制基于模态、数据启用与数据输入或位置中的一个或更多个。参与水平是基于解决方案内与解决方案外、频率、长度和模态中的一个或更多个。识别多个目标用户、进行外展、识别激活机制以及鼓励参与水平中的至少一个基于机器学习模型的输出。通过基于训练数据修改一个或更多个权重或一个或更多个层中的一个，来训练机器学习模型。训练数据包括阶段输入、已知结果和比较结果中的一个或更多个。比较结果是N+1阶段分数与N阶段分数的比率。

附图说明

包含在本说明书中并且构成本说明书的一部分的附图示出了本公开的示例并且与说明书一起用于解释本公开的原理。

图1是根据本公开的示例的健康管理系统的示意图。

图2是图1的健康管理系统的一部分的示意图。

图3是图1的健康管理系统的另一部分的示意图。

图4是根据本公开的示例的数字疗法方法的流程图。

图5是根据本公开的示例的基于多个阶段的流程图。

图6示出了根据本公开的示例的用于生成比较结果的流程图。

图7是根据本公开的示例的用于训练机器学习模型的流程图。

图8是根据本公开的示例的计算机的简化功能框图，该计算机可以被配置为主机服务器，例如，用作医疗保健提供者决策服务器。

图9是示出根据本公开的示例的实验结果的图表。

具体实施方式

现在将详细参考在附图中示出的本公开的示例。在可能的情况下，相同的附图标记将在整个附图中指代相同或相似的部件。

在以下讨论中，诸如“约”、“基本上”、“近似”等相对术语用于表示在所述数值中±10％的可能变化。应注意，本文所阐述的描述在本质上仅是说明性的，并不旨在限制主题的示例、或这些示例的应用和使用。本文中描述为示例性的任何实现方式不应被解释为优于或胜过其他实现方式。相反，正如上面提到的，术语“示例性”是在示例或“说明性”的意义上使用的，而不是“理想的”。术语“包含”、“包括”、“具有”、“带有”及其任何变型同义地用于表示或描述非排他性的包括。因此，使用这样的术语的过程、方法、物品或设备不仅包括那些步骤、结构或元件，还可以包括未明确列出的或此类过程、方法、物品或设备固有的其他步骤、结构或元件。此外，本文中的术语“第一”、“第二”等不表示任何顺序、数量或重要性，而是用于区分一个元件与另一个元件。此外，本文中的术语“一个”和“一种”不表示数量的限制，而是表示存在至少一个所指项。

医疗保健与计算环境

图1是根据本公开的示例的健康管理系统100的框图。具有电子设备19的用户(例如，患者、消费者等)8可以与移动健康(mobile health，mHealth)应用1进行通信或者以其他方式访问移动健康(mHealth)应用1，电子设备19诸如为移动设备、计算机、医疗设备或被配置为访问电子网络32(诸如互联网)的任何其他电子设备。mHealth应用1是数字疗法的示例，如在本文进一步公开。根据一些示例，网络32可以包括无线或有线链路，诸如移动电话网络、Wi-Fi、LAN、WAN、蓝牙、近场通信(NFC)或其他合适形式的网络通信。多个电子设备19可以被配置为访问电子网络32。用户8可以利用链接到多个电子设备19的单个账户(例如，经由移动电话、平板和膝上型计算机中的一个或更多个)访问mHealth应用1。电子设备19还可以包括但不限于，移动健康设备、台式计算机或工作站、膝上型计算机、移动手持机、个人数字助理(PDA)、蜂窝电话、网络家电、相机、智能电话、智能手表、增强型通用分组无线电服务(EGPRS)移动电话、媒体播放器、导航设备、游戏控制台、机顶盒、具有通信能力的生物计量感测设备、智能TV、或具有至少一个处理器、本地存储器、显示器(例如，监视器或触摸屏显示器)、一个或更多个用户输入设备、和网络通信接口的这些或其他类型的计算设备的任何组合。电子设备19可以包括任何类型或组合的输入/输出设备，诸如显示监视器、键盘、触摸板、加速度计、陀螺仪、鼠标、触摸屏、相机、投影仪、触摸面板、定点设备、滚动设备、按钮、开关、运动传感器、音频传感器、压力传感器、热传感器和/或麦克风。电子设备19还可以通过任何合适的有线或无线手段(例如，经由Wi-Fi、射频(RF)、红外(IR)、蓝牙、近场通信、或任何其他合适的手段)彼此通信以发送和接收信息。

mHealth应用1可以与其他实体或网络通信，以发送和接收信息。在一些示例中，mHealth应用1可以与和用户8相关联的一个或更多个应用通信，例如，锻炼跟踪(例如，步数跟踪)应用和/或其他健康相关的应用。mHealth应用1可能能够从其他应用导入数据，以分析并且用于为用户8生成治疗计划。例如，mHealth应用1可以从另一个应用导入活动跟踪数据，并使用该数据来识别用户8锻炼和在使用mHealth应用1之前收集的血糖值之间的模式。mHealth应用1还可以从其他移动健康应用导入任何其他合适的数据，例如血压、BMI、A1C、锻炼类型、锻炼持续时间、锻炼距离、燃烧的卡路里、总步数、锻炼日期、锻炼开始和停止时间、以及睡眠。mHealth应用1还可以向其他移动应用输出数据，其他移动应用包括例如具有社会或交互式特征的其他移动健康应用。医疗保健提供者7(诸如医生)可以开出该应用。然而，还可以设想，mHealth应用1可能不需要处方，例如，mHealth应用1可以是在没有处方的情况下，可从用于计算机软件的数字发布平台访问的商业上可用的消费者应用。mHealth应用1可以针对特定用户8定制，并且可以通过访问药房9或其他授权实体由用户8亲自激活。例如，用户8可以从药房接收授权访问mHealth应用1的访问代码。用户8可以通过mHealth支持系统25和/或应用训练器24接收关于使用mHealth应用1的训练。mHealth应用1可以包括各种形式的编程28，诸如机器学习编程算法26。用户治疗计划可以包括(例如，用于药物、设备和/或疗法的)处方，该处方可以由药房9分配。药房9可以在接收到基于用户对他/她的医疗保健治疗计划的依从性的授权之后，允许处方产品/疗法的再填充。药房9可以通过经由例如网络32和各种服务器29的来自应用1的通信来接收授权。药物或其他医疗产品/疗法的使用还可以通过网络32发送给制造商37，以通知制造商37用户8正在使用的医疗产品或疗法的量。该信息可以帮助制造商37评估医疗产品或疗法的需求和计划供应。医疗保健提供者7还可以接收基于由应用1接收的用户信息的报告，并且可以基于该信息来更新用户治疗计划。用户的电子医疗记录14还可以基于由mHealth应用1接收的用户信息经由网络32自动更新，用户信息可以包括电子传输的用户8对应用的反馈。医疗保健提供者7可以是任何合适的医疗保健提供者，包括例如医生、专家、护士、教育者、社会工作者、MA、PA等。

图2是系统100的附加方面的示意图。例如，系统100可以经由网络32访问存储在决策模型数据库270上的决策模型。检索的决策模型可以用于由一个或更多个电子设备19显示和/或处理，电子设备19诸如移动设备215、平板设备220、计算机(例如，膝上型或台式机)225、自助服务终端230(例如，在具有医疗和/或处方信息的自助服务终端、药房、诊所或医院处)和/或连接到网络32的任何设备。

在图2中所示的示例中，移动设备215、平板220和计算机225各自可以配备有或包括例如GPS接收器，用于经由网络32向和从服务器29和/或一个或更多个GPS卫星255中的任一个获得和报告位置信息(例如，GPS数据)。

电子设备19中的每个包括：移动设备215、平板设备220、计算机225和/或自助服务终端230，电子设备19中的每个可以被配置为通过网络32将数据(例如，临床信息)发送至服务器29的系统、以及从服务器29的系统接收数据(例如，临床信息)。设备19中的每个可以经由网络32从服务器29接收信息，诸如临床数据。服务器29可以包括临床数据服务器240、算法服务器245、用户界面(UI)服务器250、和/或任何其他合适的服务器。电子设备19可以包括经由网络32与UI服务器250数据通信的用户界面。每个服务器可以访问决策模型数据库270以检索决策模型。每个服务器可包括存储器、处理器和/或数据库。例如，临床数据服务器240可以具有被配置为从提供者的数据库和/或患者的电子医疗记录检索临床数据的处理器。算法服务器245可以具有包括各种算法的数据库和被配置为处理临床数据的处理器。UI服务器250可以被配置为接收和处理用户8输入，诸如临床决策偏好。卫星255可以被配置为在服务器29和设备19之间发送和接收信息。

临床数据服务器240可以经由网络32或间接经由UI服务器250从电子设备19接收临床数据，诸如关于用户的数据。临床数据服务器240可以将信息保存在诸如计算机可读存储器的存储器中。

临床数据服务器240还可以与一个或更多个其他服务器通信，一个或更多个其他服务器诸如算法服务器245和/或外部服务器。服务器29可以包括关于提供者偏好和/或用户8健康历史的数据。此外，临床数据服务器240可以包括来自其他用户的数据。算法服务器245可以包括机器学习和/或其他合适的算法。算法服务器245还可以与其他外部服务器通信，并且可以根据需要对算法服务器245进行更新。例如，可以利用新算法、更强大的编程和/或更多数据来更新算法服务器245。临床数据服务器240和/或算法服务器245可以处理该信息并且将数据传输至模型数据库270用于处理。在一个示例中，算法服务器245可以以简单格式获得模式定义、通过使用模型(例如，马尔可夫模型、高斯模型、贝叶斯模型和/或分类模型(诸如线性判别函数、非线性判别函数、随机森林算法等))预测未来的若干时间步长、基于其预测优化结果、检测模式之间的过渡、获得抽象数据并提取信息以推断更高知识水平、组合更高和更低信息水平以理解用户8和临床行为、从多时间(例如，不同时间尺度)数据和相关信息推断、使用可变阶马尔可夫模型、和/或通过采用聚类算法(诸如k均值聚类)随着时间的推移减少噪声。

服务器29的系统中的每个服务器(包括临床数据服务器240、算法服务器245和UI服务器250)可以表示各种类型的服务器中的任一种，包括但不限于web服务器、应用服务器、代理服务器、网络服务器、或服务器群。服务器29的系统中的每个服务器可以使用例如能够经由网络32向其他计算设备(包括但不限于设备19或任何其他计算设备(未示出))提供数据的任何通用计算机来实现。这样的通用计算机可以包括但不限于具有用于执行和存储指令的处理器和存储器的服务器设备。存储器可以包括:包含在物理存储介质中的任何类型的随机存取存储器(RAM)或只读存储器(ROM)(诸如包括软盘、硬盘或磁带的磁存储器)、半导体存储器(诸如固态盘(SSD)或闪存)、光盘存储器、或磁光盘存储器。软件可以包括操作系统和一个或更多个应用。硬件可以包括但不限于处理器、存储器和图形UI显示器。每个服务器还可以具有多个处理器和多个共享或分开的存储器组件，多个处理器和多个共享或分开的存储器组件被配置为在例如集群计算环境或服务器群内一起工作。

图3是示出了电子设备19和服务器29的附加细节的系统100的一部分的另一表示。电子设备19和服务器29各自可以包括一个或更多个处理器，诸如处理器301-1和304-1。处理器301-1和304-1各自可以是中央处理单元、微处理器、通用处理器、专用处理器或执行指令的任何设备。电子设备19和服务器29还可以包括一个或更多个存储器，诸如存储一个或更多个软件模块的存储器301-2和304-2。存储器301-2和304-2可以使用任何计算机可读存储介质(诸如硬盘驱动器、CD、DVD、闪存、RAM、ROM等)来实现。存储器301-2可以存储模块301-3，模块301-3可以由处理器301-1执行。类似地，存储器304-2可以存储模块304-3，模块304-3可以由处理器304-1执行。

电子设备19可以进一步包括一个或更多个UI。UI可以允许一个或更多个界面向用户8呈现信息，诸如计划或干预。UI可以是基于网络的，诸如网页或独立应用。UI还可以被配置为接受关于用户8的信息，诸如数据输入和用户反馈。用户8可以手动地输入信息，或者信息可以被自动地输入。在示例中，用户8(或者用户的看护者)可以输入信息，信息诸如何时服用药物或者用户8食用了什么食物和饮料。电子设备19还可以包括测试设备(未示出)或用于从测试设备接收信息的接口。测试设备可以包括例如血糖仪、心率监视器、体重秤、血压袖带等。电子设备19还可以包括用于从用户8收集反馈的一个或更多个传感器(未示出)，诸如相机、麦克风或加速度计。在一个示例中，该设备可以包括用于读取和自动报告用户的血糖水平的血糖计。

电子设备19还可以包括呈现层。呈现层可以是web浏览器、应用、消息界面(例如，电子邮件、即时消息、SMS等)等。电子设备19可以经由呈现层向用户8呈现通知、警报、阅读材料、参考、指南、提醒或建议。例如，呈现层可以呈现被确定为与用户8相关的文章、购买药物的提醒、关于主题的教程(例如，关于碳水化合物的教程)、来自具有类似症状的其他人的推荐、和/或一个或更多个目标(例如，碳水化合物计数目标)。呈现层还可以呈现诸如教程(例如，用户指南或指导视频)的信息和/或使得能够在医疗保健提供者与用户8(例如，患者)之间进行通信。医疗保健提供者与用户8(例如，患者)之间的通信可以经由电子消息(例如，电子邮件或SMS)、语音或实时视频进行。这些项目中的一个或更多个可以基于治疗计划或经更新的治疗计划来呈现，如稍后所描述的。呈现层还可以用于从用户接收反馈。

系统100还可以包括一个或更多个数据库，诸如数据库302。数据库302可以使用本领域普通技术人员已知的任何数据库技术来实现，任何数据库技术诸如关系数据库技术或面向对象的数据库技术。数据库302可以存储数据302-1。数据302-1可以包括用于做出推断的知识库、统计模型和/或用户信息。数据302-1或其部分可以交替地或同时地存储在服务器29或电子设备19中。

系统100可以用于多种多样的应用，包括例如解决用户的医疗保健、维护用户的财务状况以及监视和跟踪用户的营养和/或睡眠。在系统100的一些实施方式中，任何接收的数据可以以加密的形式存储在数据库中，以提高数据的安全性，防止未经授权的访问并遵守HIPAA隐私和/或其他法律、医疗保健、金融或其他法规。

对于系统100中所描绘的任何服务器或服务器系统29，该服务器或服务器系统可以包括一个或更多个数据库。在示例中，数据库可以是任何类型的数据存储或记录介质，数据存储或记录介质可以用于存储任何类型的数据。例如，数据库302可以存储由服务器29接收或处理的数据，该数据包括与用户的治疗计划相关的信息，用户的治疗计划包括与治疗计划的每种处方药相关联的定时和剂量。数据库302还可以存储与用户8相关的信息，该信息包括他们的与多种处方药中的每种相关的知识水平。

健康病症

型糖尿病(通常称为糖尿病)可以是慢性、终身代谢性疾病(或病症)，其中，患者的身体无法产生任何或足够的胰岛素，或无法使用其产生的胰岛素(胰岛素抗性)，导致患者血液中葡萄糖的水平升高。三种最可识别的诊断糖尿病类型包括：前驱糖尿病、1型糖尿病和2型糖尿病。前驱糖尿病是血糖高但不足够高到为2型糖尿病的病症。2型糖尿病是影响身体处理血糖的方式的慢性病症。最后，1型糖尿病是胰腺产生很少胰岛素或不产生胰岛素的慢性病症。

糖尿病通常以几种方式诊断。诊断糖尿病可能需要多天重复测试，以确认糖尿病类型的阳性诊断。医生或其他合适的医疗保健提供者在确认糖尿病诊断时使用的一些健康参数包括：血液中的糖化血红蛋白(A1C)水平、空腹血浆葡萄糖(FPG)水平、口服葡萄糖耐量测试、和/或随机血浆葡萄糖测试。通常，医疗保健提供者对患者的A1C水平感兴趣以辅助糖尿病的诊断。糖化血红蛋白是血红蛋白的一种形式，测量糖化血红蛋白主要是为了识别医生和/或其他合适的医疗保健提供者可能使用的三个月平均血浆葡萄糖浓度，包括体重、年龄、营养摄取、锻炼活动、胆固醇水平、甘油三酯水平、肥胖症、烟草使用和家族史。

一旦医生或其他合适的医疗保健提供者确认了糖尿病类型的诊断，患者可以经历治疗以管理他们的糖尿病。由医生或其他医疗保健提供者跟踪或监视的糖尿病患者可以通过饮食、锻炼、口服药物和/或胰岛素治疗来控制他们的血糖的组合来治疗。一些患者还需要定期筛查并发症。根据患者已经被诊断患有糖尿病多久，mHealth应用1可以建议特定的治疗计划来管理他们的病症。口服药物典型地包括由口服用的丸剂，以减少由肝脏产生的葡萄糖并且使肌肉对胰岛素更敏感。在糖尿病更严重的其他实例中，可能需要另外的药物来治疗患者的糖尿病，包括注射。医疗保健提供者可以使用注射基础胰岛素(也称为背景胰岛素)，来在空腹期间将血糖水平保持在一致的水平。当空腹时，患者的身体稳定地将葡萄糖释放到血液中以向细胞供应能量。因此需要注射基础胰岛素以保持血糖水平处于控制之下，并且允许细胞吸收葡萄糖作为能量。根据胰岛素的类型，基础胰岛素通常每天进行一次或两次。基础胰岛素在相对长的时间段内起作用，因此被认为是长效的胰岛素或中间胰岛素。相比之下，餐前胰岛素可以用于快速起作用。例如，可以在进餐时间专门服用餐前胰岛素，以在进餐后保持血糖水平处于控制之下。在一些情况下，当医生或医疗保健提供者制定用于管理患者的糖尿病的治疗计划时，医生创建涉及例如全天进行多次注射的基础-餐时方案。基础-餐时方案(可以包括每次进餐的注射)试图粗略地模拟非糖尿病人的身体如何递送胰岛素。基础-餐时方案可以适用于患有1型和2型糖尿病的人。除了需要注射胰岛素的基础-餐时方案之外，治疗计划可以通过使用处方口服药物来增强。患者对治疗计划的遵守可能在管理患者的疾病状态中是重要的。例如，在患者已经被诊断患有糖尿病超过六个月的情况下，患者必须遵循非常特定的治疗方案以实现健康或有利的血糖水平。最终，这些药物治疗类型的每周模式可能对管理糖尿病是重要的。mHealth应用1可以推荐治疗计划以帮助患者管理他们的糖尿病。

示例性方法

如本文应用的，数字疗法是使用一个或更多个软件程序实现以预防、管理、或治疗医学失调或疾病的基于证据的疗法干预。作为示例，图1的mHealth应用1是数字疗法干预。数字疗法可以依赖于实施行为和/或生活方式的改变，改变可以由数字驱动的一个或更多个集合来提示。由于数字疗法的数字性质，可以收集和/或分析数据以改进数字疗法、改进数字疗法的传播、改进或实现基于数字疗法的使用的报告、或改进患者护理。

鉴于数字疗法是新行业的一部分，具有嘈杂或冲突的信息、具有不确定的实现模型、不稳定的命名法、缺乏测量或度量、独特的实现方式、缺乏稳定性、和/或缺乏比较点，本文公开的技术可以用于改进当前的数字疗法实现状态。实现方式可以用于标准化命名法、过程配置、应用配置稳定性、广泛适用性(例如，多疾病/域)、以及允许测量和基准测试。

数字疗法(诸如mHealth应用1)可以被实现为利用数字数据、传感器、用户数据、用户背景信息、疾病数据、医疗信息等来鼓励或引起用户动作、行为和/或习惯的改变的治疗或疗法。根据实现方式，数字疗法本身可以经由电子设备19提供治疗。例如，数字疗法应用(例如，mHealth应用1)可以使用电子设备19输出数字治疗。数字治疗可以是听觉治疗、视觉治疗、嗅觉治疗、触觉治疗、或它们的组合等。可以使用电子设备19的一个或更多个组件来输出数字治疗，一个或更多个组件诸如但不限于扬声器、屏幕、投影仪、嗅觉组件、触觉组件、或作为与数字疗法相关联的电子设备19的一部分或可以连接(例如，有线连接、无线连接等)到与数字疗法相关联的电子设备19的任何其他合适的组件。

数字疗法可以用作处于发展医疗病症和/或恶化医疗病症的风险中的患者的预防措施。例如，可以为患有前驱糖尿病的用户开具数字疗法以改变可能反之会导致糖尿病诊断的用户的饮食和行为。数字疗法也可以用作现有病症的治疗选项。例如，如本文所公开的，患有II型糖尿病的患者可以使用数字疗法，以基于使用数字疗法(例如，mHealth应用1)实施的治疗计划更有效地管理疾病。数字疗法可以用于就药物、锻炼、饮食和/或疾病管理的一个或更多个其他方面进行警报、指导或鼓励用户。

根据所公开主题的实施方式，可以使用电子设备19和/或服务器29实施数字疗法，该电子设备19和/或服务器29可以在生成数字治疗计划之前从用户8获得初始数据或获得关于用户的初始数据。用户8可以将数据输入到电子设备19中，该数据可以被发送到服务器29。在一些示例中，服务器29可以接收与医疗保健提供者相关的数据，例如，医生可以将相关的患者医疗保健信息输入到服务器29中。该数据可以由提供者和/或用户8电子地传输并且由服务器29接收。该数据可以由服务器29以任何适合的方式电子地传输和接收。例如，提供者可以访问数字疗法应用(例如，mHealth应用1)或安全服务器，并且经由网络发送或丢弃电子数据文件，使得文件可以由数字疗法应用访问。在一些示例中，根据任何医疗保健隐私规章和其他合适规章，提供者可以允许数字疗法应用对任何电子医疗记录、用户处方记录、转诊记录等进行有限的访问。在一些示例中，服务可以从这样的电子记录(例如，自动地)电子地检索医疗保健数据。在其他示例中，用户数据可以由用户8电子地传输，并且可以由服务以任何合适的方式电子地接收。用户数据可以由用户8经由数字疗法应用手动输入和/或可以由服务从用户的电子设备(例如，电子设备19)自动地检索，该电子设备可以周期性地或连续地测量用户健康值，诸如心率、血糖、血氧、血压、活动、压力、情绪和/或睡眠。在一些示例中，可以要求用户8完成问卷和/或调查。可以在设置数字治疗应用期间向用户8呈现问卷。

在另一示例中，可以从下载到设备19的其他应用软件(例如，对应于健身带跟踪器的智能电话上的应用，该健身带跟踪器用于收集关于由用户8消耗的卡路里、步行的步数等的数据)接收初始数据。可以在一段时间内周期性地或连续地从其他应用软件收集该初始数据。

由服务器接收的数据可以存储在数据库(例如，图3的数据库302)中。可以在任何时间访问数据，并且可以以任何合适的方式显示、打印或更新数据。可以任何合适的方式组织和访问所存储的数据。在一些示例中，可以用各种标识符(诸如年龄、性别、临床病症等)电子地标记数据。

初始数据可以包括用户8的一个或更多个疾病状态的识别和/或与用户8的健康相关联的其他参数。例如，初始数据可以包括选自以下类型的糖尿病诊断：1型、2型、前驱糖尿病、妊娠期糖尿病、早发性糖尿病、成年晚发性糖尿病等。初始数据可以包括血糖水平、血红蛋白A1C水平、血压值、低密度脂质水平、高密度脂质水平、甘油三酯胆固醇水平、总胆固醇水平、体重指数(BMI)、年龄、体重、烟草使用、酒精使用、锻炼活动(例如，步数、燃烧的卡路里、心率)、以及糖尿病的阶段/疾病的严重性。还可以包括其他类型的数据。在一些示例中，初始数据可以包括用户8已经被诊断患有诸如例如糖尿病的疾病的时间长度。初始数据还可以包括用户8的其他相关数据，包括用户8的临床简档，诸如疾病史、重大医疗事件(例如，心脏病发作、中风、头部创伤、移植)、实验室值、用户自我报告的临床、行为和心理社会数据、用户的人口统计、医疗史。在一个示例中，当疾病是糖尿病时，用户的相关数据可以是用户自初诊以来的临床数据，还可以包括用户初诊前的临床数据。在该示例中，如果用户8已经有20年的2型糖尿病，则相关历史数据可以至少包括在那20年期间的用户的A1C水平和/或血糖水平。可以收集的其他合适的数据集包括：代谢数据(例如，血压、血糖、体重、LDL、实验室结果等)、药物(例如，剂量、频率、药物类别)、症状(例如，结构化的和非结构化的输入)、饮食(例如，食物、卡路里、蛋白质、脂肪、碳水化合物、钠、过敏等)、活动(例如，类型、持续时间、强度等)、以及心理社会(例如，金融、索赔、信仰、障碍等)。

对于从用户8收集的任何数据，可以从所存储的数据中提取元数据。在一些其他示例中，系统、设备和/或服务器可以基于用户8的地理标记结果来建议吃的地方(例如，向用户8提供在用户8附近的具有健康菜单选项的餐厅的推荐)。在一些示例中，基于地理标记的餐厅，可以提取餐厅菜单数据，并且可以向用户8呈现来自菜单数据的更健康的菜单选项(例如，可以向用户呈现包含低糖或无糖的菜单项)。在一些示例中，餐厅进餐数据可以由用户8输入到服务器29和/或设备19中。在这两个示例中，可以基于例如基于一天中的时间、关于用户的饮食习惯的信息、用户个人偏好、药物和/或锻炼的餐厅进餐数据将进餐选项呈现给用户8。

初始数据还可以包括：用户8当前服用的药物(例如，口服药物、基础注射和/或餐前注射)以及与用户的健康和生活方式相关的数据，例如，对处方药物(例如，血糖、口服胰岛素等)的依从历史、与处方药物剂量(例如，血糖、口服胰岛素等)对所述血糖水平的影响相关的处方药物剂量的依从历史、碳水化合物摄取、体重、社会心理决定因素、以及与其对所述血糖水平的影响相关的血糖水平测试频率。在一些示例中，用户与电子设备19的参与频率的历史也可以用在初始用户数据中。例如，如果用户8示出与电子设备19的高参与频率，则数字疗法应用可以生成更复杂的数字治疗计划。初始数据还可以包括由医疗保健提供者输入的数据，并且可以包括医疗保健提供者对用户8的主观意见。例如，数据可以包括医疗保健提供者关于用户动机、依从性、整体健康等的主观意见。当创建治疗计划时，数字疗法应用可以权衡提供者的主观意见。例如，如果提供者对用户8的主观意见是用户8对药物和饮食方案具有高依从性，但对锻炼方案具有低依从性，那么与锻炼相反，由mHealth应用1生成的后续治疗计划可以包括对药物和饮食的更大的强调。另外，mHealth应用1还可以使用此信息来将发送给用户8的教程和教育内容集中在锻炼主题和相对于用户健康的锻炼益处上。

服务器29可以基于用户8与其他用户之间的相似性来将用户8与其他用户的群组(例如，具有相似身体、医疗、心理决定性病症的一组用户)相关联。例如，身高70英寸、体重190磅、患有高血压、印度种族、2型糖尿病、以及A1C水平约为6.8％的的男性可能与具有类似特征的群组的用户相关联。如先前所公开的，具有大于6.5％的A1C水平的用户8被认为患有糖尿病。在该示例中，群组可以是具有相似血压、身高、体重和A1C水平的一组印度美国男性，这组印度美国男性对特定治疗计划响应良好和/或对其他计划响应较差。例如，如果以特定剂量和时间表每日两次服用药物，则高度68-72英寸、体重175-200磅的一组印度种族男性可能对1型糖尿病的口服药物治疗响应良好。如下所述，可以基于与基于群组内的用户的结果或目标/治疗的群组的关联，将目标和/或治疗计划分配给用户8。医生或其他合适的医疗保健提供者或数字疗法应用本身可以基于在群组内成功治疗特定医疗病症的目标和/或治疗计划，来建立目标和/或治疗计划。在一些示例中，群组可以包括少量用户，例如两个用户，而在其他示例中，群组可以包括更多用户，例如几十、几百或几千用户。根据特定的医疗病症或慢性疾病，医生或其他合适的医疗保健提供者希望解决，该群组可能会改变。

数字疗法应用可以从用户8或其他合适的医疗保健提供者接收一个或更多个目标，或者mHealth应用1可以基于所接收的初始数据生成目标。在其他示例中，目标可以是默认目标，例如当应用是血糖管理应用时降低用户8的血糖水平。目标可以包括改善用户的一个或更多个健康参数，例如，血糖水平、血红蛋白A1C水平、血压、低密度脂质水平、高密度脂质水平、甘油三酯胆固醇水平、总胆固醇水平、体重指数(BMI)、体重、用户活动水平、睡眠持续时间、睡眠质量、遵守处方药物、营养(例如，碳水化合物摄取)、社会心理决定因素、以及与其对所述血糖水平的影响相关的血糖水平测试频率等。目标可以由mHealth应用1基于先前输入的信息来确定，信息包括基于用户的疾病状态、用户的疾病历史和/或其他初始用户数据的信息。目标还可以基于与用户8相关联的群组来确定。服务器29可以使用一个或更多个机器学习算法来帮助确定目标。在一些示例中，目标可以包括时间段，在该时间段之后目标应当被实现。例如，目标可以是在固定时间段内将用户的A1C水平降低某个量(例如，用于缓解用户8的特定健康参数的治疗窗)。在一些示例中，固定时间段可以是一天、一周、一年或任何其他合适的时间段。在一些示例中，可以由mHealth应用1基于在时间段的过程期间用户的进展或依从性来扩展或减少时间段。例如，如果用户的A1C水平比预期更早地响应特定治疗，则mHealth应用1可以将固定的治疗窗从20周减少到16周。

目标还可以包括应在治疗窗的过程中改进的多个参数。例如，用户8可以设定失去10英镑的目标并且在12周的时间段内将她的A1C水平从6.7％降至6.3％。在另一示例中，数字疗法应用可设定目标来在20周时间段内降低用户的总胆固醇水平，此外还将他们的血压降低至正常水平，例如从升高的水平降低至120/80mmHg。在该示例中，如果用户无法在原始的20周窗口上满足他们的目标，则数字疗法应用可以扩展20周窗口。例如，在第15周，如果确定健康参数在原始时间段内无法达到，则数字疗法应用可以将用户8达到其目标的时间段增加到30周。

根据实现方式，公开了一种用于优化在一个或更多个群体和/或患者群组中采用的数字疗法方案的数字疗法体验链。图4是用于实施数字疗法体验链的示例性方法400的流程图。在一些示例中，所描绘的方法400可以用于实现患者群体对数字疗法的采用。方法400提供但不限于，表征企业和终端用户对数字疗法的消费体验的一组宏级过程。方法400提供建立通用术语的框架、表征数字疗法实现体验的测量、一个或更多个阶段的性能的基准和定量等。方法400的全部或部分可以被配置成经由一个或更多个环境或实体(例如，医院系统、健康保险公司、自我保险个人、雇主等)来优化数字疗法实现体验的一部分。如本文所公开的，与方法400的一个或更多个阶段相关联的输出可用于例如通过比较类似或不同的环境或实体内的体验性能来改进数字疗法实现。

如图4所示，在阶段402，可以识别一个或更多个目标。该一个或更多个目标可以是个体、组、或实体，个体、组、或实体是给定数字疗法解决方案或通常至数字疗法解决方案的候选者。为了简单起见，本公开通常可以将目标称为个体。可以基于临床因素、疾病因素、技术或技术工艺因素、社会因素、和/或人口统计因素中的一个或更多个来识别该一个或更多个目标。在阶段404，可以确定一个或更多个外展属性。外展属性可以是用于达到在阶段402识别的目标的全部或一部分的技术、系统、设备或实现方式。可以基于方法、模态、频率、时间、交互水平等中的一个或更多个来确定一个或更多个外展属性。在阶段406，可以提供一个或更多个激活用于激活在阶段402对其识别目标的数字疗法。可以经由用于激活该一个或更多个目标的技术、系统、设备等来实现该激活，以使得该一个或更多个目标总体上使用一个或多个数字疗法。可以基于模态、数据启用与数据输入和/或位置等中的一个或更多个来确定激活。在阶段408，可以确定一个或更多个参与属性。参与属性可以与通过在阶段402识别的一个或更多个目标改进的数字疗法的参与相关联。可以使用解决方案内与解决方案外参与、频率、长度和/或参与模态等中的一个或更多个来确定参与属性。图5示出了每个因素及其相应的组件。在阶段410，可以生成基于阶段402、404、406或408中的任何一个或更多个的报告。

方法400的数字疗法体验链提供了表征企业和终端用户对数字疗法的消费体验的一组宏级过程。它提供了建立通用术语、定义和测量的框架，通用术语、定义和测量的框架可用于表征体验以及在整个体验的不同点上的基准/合格性能。方法400的数字疗法体验链的全部或一部分可以用作配置器，以优化不同操作环境(例如，医院系统、健康保险公司、自保雇主等)中的体验。方法400的数字疗法体验链的全部或一部分可用于通过比较相似环境的体验性能和跨不同环境的体验性能来驱动连续改进。

在阶段402，可以基于给定的数字疗法(例如，mHealth应用1)解决方案或一般数字疗法解决方案的一个或更多个理想候选者的确定，来识别一个或更多个目标。目标可以是终端用户的子集，终端用户提供最佳机会以证明使用数字疗法的成功。可以基于目标的属性和/或基于给定数字疗法的属性来识别目标。例如，如果给定数字疗法的部署不可由给定目标实现(例如，如果目标不具有实现数字疗法的特定电子设备)，则即使该目标可能使用数字疗法，该目标也可能不是所识别的目标。另外，根据实现方式，当识别一个或更多个目标时，可以考虑潜在目标的反馈潜力。例如，相对于在不提供测量确定数字疗法的成功部署所需的主要参数的能力的潜在目标，可识别提供测量确定数字疗法的成功部署所需的主要参数的能力的潜在目标。

所识别的目标可以是可能使用给定数字疗法的个体、组或实体或可能受益于给定数字疗法的使用的那些。例如，基于所获得的关于个体中的每个的信息，所识别的目标可以是比一个或更多个其他个体更有可能使用数字疗法应用的个体。作为另一示例，所识别的目标可以是具有可以受益于数字疗法(例如，以糖尿病为中心的数字疗法，如mHealth应用1)的医疗病症(例如，前驱糖尿病、高血压、高胆固醇、糖尿病、高血压、肥胖症、其他心脏病等)的个体。可以基于一个或更多个因素来识别目标，如在图5的目标部分502中所示，该一个或更多个因素包括但不限于临床因素504、疾病因素506、技术或技术工艺因素508、社会因素510、人口统计因素512(例如，地理因素)和/或市场细分因素513。

临床因素504可以包括但不限于，基于关键临床标记具有不同健康敏锐度的用户。标记可以包括例如糖尿病的HbA1c、高血压的血压、肥胖症的体重/身高、心脏病的胆固醇水平、相应病症的患者属性、相应病症的测试结果等。临床因素504可以指示医疗病症的严重性或者可以用于指示具有给定医疗病症的用户使用给定数字疗法的潜力。例如，基于个体可以从mHealth应用中受益的可能性，可以将一组前驱糖尿病个体识别为mHealth应用1的目标。

可以经由网络32从访问云数据库来获得临床因素504，其中该数据库可以存储与多个潜在目标相关联的临床因素504。可以由潜在目标使用例如相应的电子设备19输入临床因素504。临床因素504可以与多个潜在目标相关联(例如，同时保持相应潜在目标的身份被隐藏)。可以使用诊断、医疗病症和/或电子医疗记录(EMR)数据来进行相关联，并且将诊断、医疗病症和/或电子医疗记录(EMR)数据与潜在目标(例如，患者ID、EMR ID等)相关联。可经由网络32从医疗保健提供者或系统(例如，医生、医院网络、EMR等)来获得临床因素504。

疾病因素506可以允许将患有不同并发症的用户作为目标。例如，目标用户可以是患有高血压和充血性心力衰竭的个体或患有糖尿病或心脏病的个体。具有多个疾病因素506的用户可能更有可能使用数字疗法，因为例如使用数字疗法代替传统药物或与传统药物结合使用可以改进他们的个体治疗计划。作为示例，数字疗法可以与传统药物结合使用，以至少部分地警告患者关于药物消耗的时机。患有并发症的使用者可能依赖于数字疗法，因为在没有数字疗法的情况下可能很难确保药物依从性。临床因素和/或疾病因素506可以基于代谢病症、药物方案驱动、和/或并发症驱动。

可以经由网络32从访问云数据库来获得疾病因素506，其中该数据库可以存储与多个潜在目标相关联的疾病属性。可以由潜在目标使用例如相应的电子设备19输入疾病因素506。疾病因素506可以与多个潜在目标相关联(例如，同时保持相应潜在目标的身份被隐藏)。可以使用诊断、医疗病症和/或电子医疗记录(EMR)数据来进行相关联，并且将诊断、医疗病症和/或电子医疗记录(EMR)数据与潜在目标(例如，患者ID、EMR ID等)相关联。可以经由网络32从医疗保健提供者或系统(例如，医生、医院网络、EMR等)来获得疾病因素506。

技术或技术工艺因素508可以允许将具有不同的技术完善程度或不同类型的技术访问的用户作为目标。技术完善度可对应于一般技术体验、与给定数字疗法相关联的特定技术体验、技术熟练度、使用技术(例如，一般或特定)的舒适水平、关于技术的指示偏好等中的一个或更多个。对技术的访问可以包括访问网络(例如，有线或无线互联网连接)和/或访问硬件(例如，连接的医疗设备、可穿戴设备、移动设备、计算机、膝上型计算机、平板计算机、IoT传感器等)。

可以基于观察给定用户与给定技术设备(例如，电子设备19)或技术界面的交互以评估用户的技术完善度来获得技术或技术工艺因素508。评估可以基于用户发起的会话、基于从第三方接收的数据、或基于用户的实时或记录的交互。可以由潜在目标使用例如相应的电子设备19输入技术或技术工艺因素508。例如，用户可以使用移动设备或可穿戴设备来输入他们的舒适水平。可以通过(例如，经由网络32)访问数据库以确定与用户或用户账户相关联的设备的类型来确定技术或技术工艺因素508。例如，用户账户可以合并关于每个用户设备的信息，并且可以访问用户账户以确定用户对技术的访问。可以基于用户的购买历史来确定技术或技术工艺因素508。例如，用户可以购买医疗设备并且该交易可以被记录和获得以确定用户能够使用给定的医疗设备。

社会因素510可以允许将具有不同社会决定因素或约束的患者作为目标，不同社会决定因素或约束诸如教育水平、收入、获得护理、精神健康(例如，焦虑、抑郁、痛苦等)等。社会因素510可以使用数字疗法来确定潜在目标的可能性。例如，依赖于他们的移动设备来应付精神健康病症的用户可能更有可能使用数字疗法，而具有充足护理机会的用户可能会选择护理而不是数字疗法。

可以通过经由网络32访问云数据库来获得社会因素510，其中该数据库可以存储与多个潜在目标相关联的社会属性。可以通过潜在目标使用例如相应的电子设备19来输入社会因素510。社会因素510可以与多个潜在目标相关联(例如，同时保持相应潜在目标的身份被隐藏)。可以使用电子医疗记录(EMR)数据来进行相关联，并且将电子医疗记录(EMR)数据与潜在目标(例如，患者ID、EMR ID等)相关联。可以经由网络32和/或经由与潜在目标相关联的社会网络从医疗保健提供者或系统(例如，医生、医院网络、EMR等)来获得社会因素510。

人口统计因素可以允许将具有不同人口统计属性(诸如地理(例如，城市、州、国家、地区、地形)、年龄、农村或城市面值等)的患者作为目标。人口统计因素可以基于例如与来自相同或相似人口统计的其他个体相关联的数据(指示那些其他个体是否使用数字疗法)来确定使用数字疗法的潜在目标的可能性。例如，潜在目标的国家可以用于基于来自同一国家的其他个体对数字疗法的使用，来确定潜在目标是否可能使用数字疗法。

可以通过经由网络32访问云数据库来获得人口统计因素，其中该数据库可以存储与多个潜在目标相关联的人口统计属性。可以由潜在目标使用例如相应的电子设备19输入人口统计因素。人口统计因素可以与多个潜在目标相关联(例如，同时保持相应潜在目标的身份被隐藏)。可以使用电子医疗记录(EMR)数据、调查数据和/或记录数据相关联，并且将电子医疗记录(EMR)数据、调查数据和/或记录数据与潜在目标(例如，患者ID、EMRID等)相关联。可以经由网络32和/或与潜在目标相关联的社会网络从医疗保健提供者或系统(例如，医生、医院网络、EMR等)来获得人口统计因素。

基于市场细分的因素513可以允许基于不同市场提供者的护理访问将患者作为目标。市场细分可以包括私人保险、商业保险、医疗保险、医疗补助、礼宾保险等。市场细分因素513可以指示潜在目标用户是否可能使用数字疗法。例如，可以确定使用商业保险的用户更有可能使用数字疗法。可以通过经由网络32访问云数据库来获得市场细分信息，其中数据库可存储与多个潜在目标相关联的保险属性。可以由潜在目标使用例如相应的电子设备19输入市场细分因素513。市场细分因素513可与多个潜在目标相关联(例如，同时保持相应潜在目标的身份被隐藏)。可以使用电子医疗记录(EMR)数据、调查数据和/或记录数据进行相关联，并且将电子医疗记录(EMR)数据、调查数据和/或记录数据与潜在目标(例如，患者ID、EMRID等)相关联。可以经由网络32从医疗保健提供者或系统(例如，医生、医院网络、EMR等)来获得市场细分因素513。

相应地，在阶段402，可以基于以上公开的因素中的一个或更多个来识别多个目标。可以基于所识别的多个目标比其他目标更有可能总体上使用给定的一种或更多种数字疗法的可能性，来识别该多个目标。可以将所识别的多个目标本地存储或经由网络32存储在云数据库(诸如一个或更多个服务器29)中。

在阶段404，如图5所示，可以基于如何最好地提高对给定数字疗法(例如，mHealth应用1)解决方案的意识的确定，来识别一个或更多个外展属性514。外展属性514可以包括可能促进给定数字疗法的使用的服务、方法、个体、组或实体。例如，外展属性514可以识别更经常与可能使用给定数字疗法的目标接触的个体。可以基于包括但不限于方法516、模态518、频率520、时间522、和/或交互水平的一个或更多个因素来识别外展属性514。外展属性514可以确定如何最有效地到达所识别的目标以使用数字疗法。当确定外展属性时，外展的迭代次数(例如，活动的数量、触摸点等)可以是因素。此外，当确定外展属性514时，可以考虑可扩展性潜力。可扩展性潜力可以解释外展的增加范围和/或成本效益。

外展方法516可以是指示给定数字疗法的传播的属性。可以使用第一外展方法来更快地传播第一数字疗法，而可以使用第二外展方法来更快地传播第二数字疗法。外展方法516可以包括但不限于人为外展、自动外展等。人为外展可以包括诸如来自医生的基于处方的外展，或者可以包括经由诸如医生、医疗保健专业人员(例如，注册营养师(RD)、临床饮食教育者(CDE)、社会工作者(SW)等)、数字疗法的用户等个体的激励或信息共享。自动外展可以使用一个或更多个技术模态来进行，并且可以是广播、多播的，或者可以用于一次到达一个目标用户。

外展模态518可以是面对面、经由技术、经由一个或更多个通信模式等。模态518的示例包括但不限于数字广告、电子邮件、网站、门户访问、消息、社会媒体促销、电话呼叫、聊天会话、社会聚会、面对面讨论等。可以经由现场促销、邮件促销等来进行物理外展。

可以确定外展频率520以优化给定数字疗法的传播。例如，可以为在给定时间量上的外展的量确定平衡比，使得目标用户不被外展过饱和，而是被提供足够的触摸点以使外展有效。全面的外展实现可以包括按照方法516和/或按照模态518改变外展频率520，使得第一外展方法可能比第二外展方法更频繁。可以基于机器学习模型的输出来确定频率520，该机器学习模型输入例如目标用户属性、临床因素504、疾病因素506、技术因素508、社会因素510、人口统计因素512、和/或市场细分因素513以输出频率520。在本文中进一步讨论可以使用的机器学习模型。频率520可以基于用户动作，诸如经由给定模态518的给定促销的用户接收以及数字疗法的后续使用或不使用。例如，如果用户看到促销外展并且不使用给定的数字疗法，则可以基于用户不使用给定的数字疗法来调整促销外展或不同的促销外展的频率。

可以确定外展时间522以优化给定数字疗法的传播。例如，可以确定到达目标用户的一个或更多个最佳时间，使得该一个或更多个最佳时间对应于目标用户最可能使用数字疗法的时间。外展时间522可以是用户特定的、目标因素特定的，或者可以是一般的并且应用于组或所有目标用户。全面的外展实现可以包括按照方法516和/或按照模态518改变外展的时间522，使得可以在第一时间使用第一外展方法，并且可以在第二时间使用第二外展方法。可以基于机器学习模型的输出来确定时间522，该机器学习模型输入例如目标用户属性、临床因素504、疾病因素506、技术因素508、社会因素510、人口统计因素512、和/或市场细分因素513以输出时间522。在本文中进一步讨论可以使用的机器学习模型。时间522可以基于用户动作，诸如经由给定模态518的给定促销的用户接收以及数字疗法的后续使用或不使用。例如，如果用户在第一时间看到促销外展并且不使用给定的数字疗法，则可以基于用户不使用给定的数字疗法来调整促销外展时间22。

可以确定交互水平524以优化给定数字疗法的传播。交互水平524可以是交互的分类，诸如单向交互或双向(即，交互式)交互。替换地或附加地，交互水平524可以包括交互的持续时间、深度或程度。例如，人为交互可以是两分钟长或十五分钟长。然而，可以确定大于三分钟的外展提供了收益递减。因此，交互水平524可以在三分钟封顶以防止目标用户过饱和。可以基于机器学习模型的输出来确定交互水平524，机器学习模型输入例如目标用户属性、临床因素504、疾病因素506、技术因素508、社会因素510、人口统计因素512和/或市场细分因素513以输出交互水平524。在本文中进一步讨论可以使用的机器学习模型。

在阶段406，可以基于如何最好地激活用于一个或更多个目标用户的数字疗法(例如，mHealth应用1)解决方案的确定，来提供图5的一个或更多个激活526。激活526可以基于模态528、数据启用与数据输入530和/或位置532中的一个或更多个，并且可以是人为辅助的(例如，在诊所或办公室，经由人为通信、远程辅助、电信辅助等)、技术驱动的(例如，经由移动应用、电子提示等)和/或经由技术自动化的(例如，经由非深度链路、深度链路、自动化机器人等)。所提供的激活526可被选择以最大化激活与外展比率，使得在给定一个或更多个对应外展属性514的情况下，所提供的激活526最有效。

激活模态518可以是辅助的、自激活的等。模态518的示例包括：用户自己激活数字疗法、用户经由技术平台(例如，电子邮件、消息传送、应用门户、社会媒体门户、指导或自动聊天等)接收指导、电话呼叫等。例如，用户可以在给定时间522接收链接，使得对链接的选择导致数字疗法的激活。作为另一示例，用户可以从自动系统接收电话呼叫以提醒用户在给定时间激活数字疗法。根据实现方式，用户可以能够基于一个或更多个模态选项来选择他们的优选模态。根据另一实现方式，可以基于机器学习模型的输出来确定模态518，机器学习模型输入例如目标用户属性、临床因素504、疾病因素506、技术因素508、社会因素510、人口统计因素512、和/或市场细分因素513以输出模态518。在本文中进一步讨论可以使用的机器学习模型。

数据启用与数据输入530可以指的是数据的预填充与数据的用户输入。可以基于用户可能需要输入的数据量来做出关于缺乏激活的确定。因此，可以从包括但不限于电子设备19、EMR14、药房9、服务器29等的一个或更多个设备和/或系统拉取可用数据并且可以经由网络32接收可用数据。数据启用可以基于目标用户属性、临床因素504、疾病因素506、技术因素508、社会因素510、人口统计因素512、市场细分因素513来输出模态518、电子设备19、先前的用户输入等。

可以基于位置532提供激活，该位置532可以是数字疗法可以被激活的任何合适的位置。位置532可以是医生的办公室、医疗保健提供者位置、家、工作场所等。位置532可以是从第一激活改变成第二激活的位置。进一步地，例如如果用户在旅行或通勤时激活给定的数字疗法，单个激活的位置532可以改变。

在408，可以确定一个或更多个参与属性。可以确定参与属性以最大化与数字疗法的参与或基于数字疗法的参与。基于数字疗法的参与可能与数字疗法的参与不同，使得基于数字疗法的参与可以在与数字疗法相关联的应用外部利用工具、过程、技术等。例如，数字疗法应用可以确定用户服用葡萄糖药物的最佳时间。然而，除了提醒用户在最佳时间服用葡萄糖药物之外，数字疗法可以向用户的电话发送SMS消息。因此，与SMS消息的参与可以基于数字疗法。如图5所示，参与属性534可以基于解决方案内(例如，在数字疗法应用内)与解决方案外536。一个或更多个参与属性可基于识别哪些用户子集展示共同参与模式，且进一步基于定义这些模式的内容(例如，人口统计、药物方案、使用特定应用内特征等)。参与属性可基于利用医疗保健专业人员来优化用户对给定数字疗法的参与(例如，以易于使用、可管理、适合工作流等方式)。可以基于提供关于给定参与的反馈的参与度量来定义或选择参与属性。

参与属性534可以进一步基于参与频率538、参与长度540、和/或参与模态542。作为示例，经由与数字疗法相关的软件应用(例如，引导数据收集、实时反馈(RTFB)、纵向反馈(LFB)、洞察、教育、支持、综合数据分析(CDA)、人工智能等)、经由开处方的医疗保健提供者(例如，可能命令使用数字疗法、检查临床决策支持或临床决策系统(CDS)、调整数字疗法计划等)、经由护理团队或程序管理员(例如，个体干预、群体干预等)、经由客户护理(例如，上岗、人为参与、故障管理、处方升级等)、经由人工智能引擎(例如，人为分析和干预、自动分析和干预等)等等进行参与。

参与频率538可以是在给定的时间量中数字疗法参与的次数。频率538可以被优化以平衡参与饱和度的必要性(例如，医疗依从性、锻炼依从性、饮食依从性等)。频率538可以基于个体或者可以基于组或所有用户。参与长度540可以是参与的持续时间和/或基于参与进行的活动或任务的持续时间。可以对长度540进行优化以根据给定用户的病症或需要促进数字疗法的使用。参与或治疗模态542可以是任何合适的介质，诸如应用、网页、软件、可穿戴设备、移动设备、全息设备、电话、虚拟现实(VR)系统、增强现实系统(AR)等。

在阶段410，可以生成报告。报告可以基于与如本文所公开的图4的方法400的阶段402、404、406和408相关的任何数据。报告可以包括：给定数字疗法的登记的一个或更多个组件、来自方法400的一个或更多个阶段的结果等。例如，报告可以包括：成本度量、有效性度量、时间度量、个体成本度量、基于群体的成本度量、个体有效性度量、基于群体的有效性度量、个体时间度量、基于群体的时间度量等中的一个或更多个。根据实现方式，该报告可以将值归入集成方法，以便经由方法400实现数字疗法解决方案。该报告可以识别在数字疗法体验链(例如，方法400)内应当在何处(例如，在方法400的一个或更多个阶段)发生集成，以及该集成贡献的值的一个或更多个来源或组件。

可以以任何合适的格式生成报告，从而使得该报告可由人为用户(例如，屏幕、网页、应用、PDF、excel、基于文本的报告等)或由自动化系统(例如，反馈回路、机器学习模型等)使用。该报告可以提供信息性分析(例如，基于从患者或医疗保健系统接收的信息)、发现分析(例如，基于在方法400的实施期间发现的项目)、外推分析(例如，潜在改变的识别)、自适应分析(例如，来自实施一个或更多个改变的结果)等中的一个或更多个。可以提供报告，使得报告被组织、可搜索和/或可过滤。例如，该报告可以由图5中所示的一个或更多个因素或属性(例如，临床因素504、外展方法514、激活模态528、参与频率538等)来过滤。

可以生成报告以识别最有用的数据以改进或验证数字疗法体验链，如经由方法400中的阶段所示。例如，对于第一阶段或后续阶段，报告可以示出与该阶段相关联的相关数据和/或将允许改进该阶段的数据。例如，该报告可以包括用于在阶段402处识别目标的数据并且可以使用来自阶段406的激活数据来提供关于在阶段402处的目标的洞察。可以通过使用可用数据来发现趋势、模式和/或洞察来生成报告。该报告可以识别为满足良好数据科学管理策略而实施的实践和/或策略。

图6示出了用于输出来自方法400的两个或更多个阶段的比较结果并将比较结果应用于机器学习模型的方法600。如本文所公开的，比较结果可以包括在方法400的阶段410处生成的报告中。

在步骤602，可以接收N阶段分数。N阶段可以对应于方法400的阶段402、404、406、408或410中的任一个。N阶段分数可以对应于与相应阶段的实施方式相关联的分数。N阶段分数可以基于根据阶段特定因素确定的该给定阶段的成功。给定阶段的成功可以基于预定或动态确定的标准，或可以基于与给定阶段的先前迭代的比较。作为示例，阶段402可以包括目标识别因素(例如，所识别的目标数量、所识别的目标比率、所识别的目标与先前所识别的目标的比较等)，阶段404可以包括外展因素(例如，点击率、观看率、用户参与率、所达到的目标的百分比等)，阶段406可以包括基于激活的因素(例如，激活的频率、在给定的时间量中激活数字疗法的用户的百分比、激活的原因、激活的一致性等)，阶段408可以包括基于参与的因素(例如，参与的持续时间、参与的质量、参与的频率、来自参与的结果等)。在604，可以接收N+1阶段分数。N+1阶段可以对应于步骤602处的N阶段之后的阶段。例如，如果N阶段分数来自阶段402，则N+1阶段分数对应于阶段404的分数。

在606，可以将N+1阶段分数与N阶段分数进行比较。该比较可以是任何合适的比较，诸如N阶段分数与N+1阶段分数之间的比率、N阶段分数与N+1阶段分数之间的差、N阶段分数的变化与N+1阶段分数的变化等。该比较可以是数字、排名、名称、分数等。N+1阶段分数与N阶段分数的比较可以提供对阶段中的一者或两者的洞察。例如，如果N阶段分数不成比例地高于N+1阶段分数(例如，如比率所指示的)，则该差可以触发对N+1阶段的调整。作为具体示例，如果在阶段402，与识别目标相关联的分数是100，但在阶段404，对这些目标的外展是20，则这可以指示阶段402与404之间的较大差异。因此，作为结果，可以触发一个或更多个改变。例如，在后续的迭代期间，与目标识别阶段402相比，可以花费更多的资源用于外展阶段404。

在608，可以输出比较结果。该输出可以是在方法400的阶段410生成的报告的一部分，或者可以独立于报告而被输出。可以经由任何合适的格式(例如，屏幕、网页、应用、PDF、excel、基于文本的报告等)输出比较结果。可以将比较结果输出到数字疗法系统的输入组件中，使得基于比较结果来实施对方法400的阶段中的一个或更多个的改变。

可替代地或此外，在610，可以将比较结果应用于机器学习模型。比较结果可以是机器学习模型的输入或者可以是机器学习模型的输入中的一个，使得基于根据机器学习模型输出的比较结果来实施对方法400的阶段中的一个或更多个的改变。图7示出了比较结果706组件，如本文进一步公开。

方法400的阶段中的一个或更多个、图5的因素或属性、和/或方法600的比较可以基于一个或更多个机器学习模型的输出来实现。为了简单起见，在本文中将讨论单个机器学习模型，但是将理解的是，多个机器学习模型可以用于相应的不同的输出。可以使用包括受监督的、部分受监督的、或无监督的样本数字疗法数据的数据集(例如，来自方法400的实际或模拟阶段)来训练机器学习模型。例如，可以向学习算法或网络(例如，聚类算法；神经网络；深度学习网络；基因学习算法；或基于卷积神经网络(CNN)的算法、具有多实例学习或多标签多实例学习的CNN的算法、递归神经网络(RNN)的算法、长短期记忆RNN(LSTM)、门控递归单元RNN(GRU)、图形卷积网络的算法等)提供数字疗法数据。通过应用大量这样的数字疗法数据，机器学习算法可以用于训练机器学习模型、提供合适的输出(例如，目标、外展属性、激活、参与属性、报告、来自图5的一个或更多个因素或属性等)。

图7示出了训练数字疗法系统机器学习模型的示例训练模块700。如图7所示，训练数据702可以包括阶段输入704(例如，来自方法400的阶段的一个或更多个输出、来自图5的因素或属性等)和与数字疗法系统有关的已知结果708(即，用于与不具有对应的已知输出的阶段输入704相似或相同类别的未来输入的已知或期望输出)中的一个或更多个。训练数据702和训练算法710可以被提供给训练组件720，该训练组件720可以将训练数据702应用于训练算法710以便生成数字疗法机器学习模型。根据实施方式，可以向训练组件720提供来自方法600的步骤610的比较结果。训练组件720可以使用比较结果来更新数字疗法机器学习模型。例如，阶段404与阶段402相比的比率可以用于修改数字疗法机器学习模型，使得有利于方法400的后续迭代的外展而不是目标识别。

图8是计算机的简化功能框图，该计算机被配置为主机服务器，例如，用作医疗保健提供者决策服务器。图8示出了网络或主计算机平台800。相信本领域的技术人员熟悉这种计算机设备的结构、编程和一般操作，因此，附图应该是不言而喻的。

用于服务器800等的平台例如可以包括用于分组数据通信的数据通信接口860。平台还可以包括用于执行程序指令的一个或更多个处理器形式的中央处理单元(CPU)820。平台通常包括内部通信总线810、程序存储装置、以及用于由平台处理和/或通信的各种数据文件的数据存储装置，诸如ROM 830和RAM 840等。这种设备的硬件元件、操作系统和编程语言本质上是常规的，并且假定本领域技术人员充分熟悉它们。服务器800还可以包括：输入和输出端口850以及通信端口860，输入和输出端口850连接诸如键盘、鼠标、触摸屏、监视器、显示器等的输入和输出设备。当然，可以在多个类似平台上以分布式方式实现各种服务器功能以分配处理负载。可替代地，服务器可以通过一个计算机硬件平台的适当编程来实现。

该报告或任何合适的输出可以进一步识别一个或更多个集成点提供的相对值。例如，潜在的集成点可以包括程序集成(例如，提供围绕数字疗法解决方案的实现方式的有组织的结构)、医疗保健提供者集成(例如，在数字疗法经验链中的各个点处接合临床关键实体)、系统或EMR集成(例如，降低在提供者交互中以及与数字疗法的数据可访问性中的摩擦)。

实验结果已经示出对关键数字疗法度量值来源的增量影响，如图9的图表900中提供的。如图例902中所示，持久性由点矩阵图案表示，参与率由格子花纹图案表示，以及激活率由实心形状表示。如图所示，与具有针对消费者实施的基线904(即，没有诸如方法400之类的数字疗法体验链)相比，包括在906处的雇主或支付者参与的程序示出了改进的训练有效性、增加的访问和效率、对支持的访问、以及增加的触摸点。在这种情况下，持久性增加了4倍，参与增加了2倍，以及激活率增加了15倍。如图所示，与具有增量程序、针对消费者实施的基线904相比，涉及医疗保健提供者(例如，健康系统、支付者)的程序示出了对分析的患者生成的健康数据(PGHD)的改进的访问、通过疗法优化改进的结果、改进的质量措施(例如，医疗保险&医疗服务中心(CMS)健康有效性数据和信息集(HEIS)、CMS星级等)，该增量程序包括在906处的雇主或支付者的参与。在这种情况下，持久性增加了5倍，参与增加了4倍，以及激活率增加了26倍。如图所示，与具有增量程序的基线904相比，广告集成(例如，EMR集成)的程序示出了一次触摸式激活(例如，减少激活摩擦)、易于订购、数字疗法工具的监视、易于集成到EMR驱动的工作流中、用于人群健康洞察的丰富数据，该增量程序包括在906处的雇主或支付者的参与、以及在908处的医疗保健提供者(例如，健康系统、支付者)的参与。在这种情况下，持久性增加了7.5倍，参与增加了7倍，以及激活率增加了39倍。

本技术的程序方面可以被认为是“产品”或“制品”，典型地以可执行代码和/或相关联数据的形式承载或体现在一种类型的机器可读介质中。“存储”型介质包括计算机、处理器等的任何或所有有形存储器或它们的相关模块，诸如各种半导体存储器、磁带驱动器、磁盘驱动器等，它们可以在任何时间提供用于软件编程的非暂时性存储。软件的全部或部分有时可通过互联网或各种其他电信网络通信。这样的通信例如可以实现将软件从一个计算机或处理器加载到另一计算机或处理器中，例如从移动通信网络的管理服务器或主计算机加载到服务器的计算机平台中、和/或从服务器加载到移动设备。因此，可以承载软件元件的另一类型的介质包括光波、电波和电磁波，诸如通过有线和光陆线网络以及通过各种空中链路跨本地设备之间的物理接口使用。承载此类波的物理元件(诸如有线或无线链路、光链路等)也可被认为是承载软件的介质。如本文中使用的，除非局限于非暂时性的、有形的“存储”介质，否则诸如计算机或机器“可读介质”等术语指参与向处理器提供指令以供执行的任何介质。

对于相关领域的技术人员来说显而易见的是，如本文所描述的本公开可以在附图中所示的软件、硬件、固件和/或实体的许多不同示例中实现。具有用于实现示例的硬件的专门控制的任何实际软件代码不限制详细描述。因此，将描述示例的操作行为，应当理解，在给定本文呈现的细节水平的情况下，示例的修改和变型是可能的。

应当理解的是，如所要求保护的，上述一般描述和以下详细描述两者均仅是示例性和说明性的，并且不限制所公开的示例。

通过考虑本文公开的本发明的说明书和实践，本公开的其他示例对于本领域技术人员将是显而易见的。说明书和实施例旨在被认为仅是示例性的，本发明的真实范围和精神由所附权利要求表示。

Claims (14)

1.一种用于部署数字疗法的计算机实现的方法，所述方法包括：

基于一个或更多个目标参数，来识别用于所述数字疗法的多个目标用户；

使用外展介质，对所述多个目标用户中的一个或更多个进行外展；

识别激活机制以优化所述数字疗法的使用；以及

鼓励所述多个目标用户中的一个或更多个对所述数字疗法的参与水平。

2.根据权利要求1所述的计算机实现的方法，进一步包括：基于所述目标用户、所述外展、所述激活机制、或所述参与水平中的一个或更多个生成报告。

3.根据权利要求2所述的计算机实现的方法，其中，所述报告基于信息分析、发现分析、外推分析或自适应分析中的一个或更多个。

4.根据权利要求2所述的计算机实现的方法，其中，所述报告包括N+1阶段分数与N阶段分数的比较。

5.根据权利要求1所述的计算机实现的方法，其中，基于临床因素、疾病因素、技术因素、社会因素或人口统计因素中的一个或更多个，来识别所述多个目标用户。

6.根据权利要求1所述的计算机实现的方法，其中，所述外展是基于方法、模态、频率、时间或交互水平中的一个或更多个来进行的。

7.根据权利要求1所述的计算机实现的方法，其中，所述激活机制基于模态、数据启用与数据输入或位置中的一个或更多个。

8.根据权利要求1所述的计算机实现的方法，其中，所述参与水平基于解决方案内与解决方案外、频率、长度和模态中的一个或更多个。

9.根据权利要求1所述的计算机实现的方法，其中，识别所述多个目标用户、进行外展、识别激活机制以及鼓励参与水平中的至少一个基于机器学习模型的输出。

10.根据权利要求9所述的计算机实现的方法，其中，通过基于训练数据修改一个或更多个权重或一个或更多个层中的一个，来训练所述机器学习模型。

11.根据权利要求10所述的计算机实现的方法，其中，所述训练数据包括阶段输入、已知结果和比较结果中的一个或更多个。

12.根据权利要求11所述的计算机实现的方法，其中，所述比较结果是N+1阶段分数与N阶段分数的比率。

13.一种用于部署数字疗法的系统，所述系统包括：

数据存储设备，所述数据存储设备存储处理器可读指令；以及

处理器，所述处理器可操作地连接到所述数据存储设备，并且所述处理器被配置为执行所述指令以执行操作，所述操作包括：

基于一个或更多个目标参数，来识别用于所述数字疗法的多个目标用户；

使用外展介质，对所述多个目标用户中的一个或更多个进行外展；

识别激活机制以优化所述数字疗法的使用；以及

鼓励所述多个目标用户中的一个或更多个对所述数字疗法的参与水平。

14.一种存储指令的非暂时性计算机可读介质，所述指令在由处理器执行时使所述处理器执行用于部署数字疗法的操作，所述操作包括：

基于一个或更多个目标参数，来识别用于所述数字疗法的多个目标用户；

使用外展介质，对所述多个目标用户中的一个或更多个进行外展；

识别激活机制以优化所述数字疗法的使用；以及

鼓励所述多个目标用户中的一个或更多个对所述数字疗法的参与水平。

Images