专利名称：医护点动作医疗系统和方法
技术领域：
本发明总体涉及应用复杂性科学和专家知识来分析医学数据以便对出现的疾病进行风险评估和诊断。更具体地讲，本发明披露了一种动作的医护点医疗系统和方法。在医疗系统和用户之间存在传出-传入关系，从而系统包括学习部件以便系统从用户和数据采集设备学到关于将相关数据和/或已转换数据结合入生理状态的特征和/或特征集，以便该知识被结合入和/或添加至知识库。
背景技术：
只是因为老年人暴露于潜在的风险的时间更长，随着人口的增加和年龄的增长， 与年龄相关的疾病会达到很大比例。例如，到2020年，仅与年龄相关的心血管疾病会导致全世界所有死亡的大约25% -30%。目前，与年龄相关的疾病的治疗绝大多数涉及所观察到的临床表现、风险因素、和相关不良事件的二次管理。风险因素通常被认为是当前生理扰动的结果但是这些风险因素中及其自身并不是归咎于它们的疾病表现的主要原因。风险因素更像是结果而非原因。传统上，根据这些临床风险因素和明显的表现的存在或不存在对患者进行评估和管理。根据定义，风险因素管理要求患者有疾病。此外，疾病的严重程度可能是不确定的， 并且个体对治疗方法的反应或预先存在的疾病负荷的程度是不可预测的。这种风险管理不仅是用户不友好的并且在有些情况对于患者和医学界是不利的。举例来说，具有一周持续时间的糖尿病很可能与10年持续时间的糖尿病具有完全不同的风险负荷，因此这两种疾病状态的分类和治疗应当是不同的并且更重要是个体化的。理想的，疾病治疗的选择应当根据从基于与原因相关的要素的测量的统计研究而得到的最好证据。我们称为疾病的事物通常是多变量的，包括多个和成群的风险因素，表达变量或不定的风险负荷，并且证实变量和/或对疗法的不确定的反应。多变量风险模型几乎是必须的以便评估疾病状态，因为没有一个生物标记或特征能够测量个体对治疗的需要或防止疾病的不利影响的成功性。临床试验的结果经常用于预测疾病的风险，其最终目标引向疾病的预防。不过，临床试验通常遵循具有定义的进入点的一维“自上而下”的方法，即，参与临床试验的患者已经通过了可能是任意的并且基于共识的阈值。“关联”经常等于因果关系，不过只是示出统计独立或关联并不足以证明风险预测的原因或临床应用。多个疾病的多变量特征彼此相互作用，以便它们不仅改变相互作用，而且更关键的是所述相互作用可以隐藏或抹去它们对初始条件的依赖性。临床试验以评估风险因素来确定疾病的原因的另一不足是评价多个变量需要更为复杂地分析所有因素，使得相应增大群的大小成为必需，通常需要几百或者甚至几千名患者。不过，临床实验中这些大量患者的平均效应可能在照看具有一个或多个可变持续时间和强度的这些多个风险因素的实际个体中给出误导性结果。“通常的”患者并不符合“平均”患者的特征，因此临床试验可能实际促成低和高风险患者组的过度治疗或治疗不足。风险因素的处理的长期成本效益的计算是不精确的，并且治疗建议主要是根据不同的风险因素的未经修饰的平均值。风险因素的目前管理当然在获得的总年数或质量调节的年数方面具有益处，例如在抗高血压疗法的情况中。不过，一般，报告临床试验的总体结果的传统方法给予医师的是贫乏的观点，其中风险数据被变成单个效果疗法或者起作用或者不起作用。轻易作出治疗决定，因为风险匹配平均患者而非实际的患者。没有实质的临床试验或群组研究具有基于个体风险的干预的定义风险、益处、和成本。结果，用于疾病预防的现有的指南没有实现它们控制常见风险因素的目标。因此，复杂多变量临床特征和相关疾病的识别的常用实践可能是使人感兴趣的， 但并没有解决疾病的初级预防。初级预防不仅要求评估潜伏期或出现风险的集合，而且要求在疾病自身表现前管理这些风险。大多数疾病是当前生理扰动的结果；因此适于初级预防的风险评估必须具有不同的范例。尽管临床实验认可疾病状态要求分析很多变量，传统的临床风险算法的用途有限，因为所研究的临床风险因素可能并不很相关并且没有疾病强度的数值表达。此外，当试图预测突发事件时，可能不可复制单独的生物标记或非数学观察结果。实际上，结果的管理并不确保起因的成功管理。在没有充分解决和量化疾病状态的临床和突发风险负荷的情况下，治疗对于减轻常见疾病只会是部分成功。复杂的多变量疾病的成功管理必须超越“一种疾病，一个风险因素和一个血清标记”模式的限制并将医学科学推向更全面和临床更实际可行的局面。预测模型是用于预测疾病的一种技术。一般，预测模型算法结合解释历史数据的数学算法并对未来作出预测。不过，预测模型也有缺点，尤其是在应用于疾病的预测时。如前所述，用于收集数据的临床模型涉及已患有疾病的人而不是公众中潜在的突发风险。从统计学上来说，使用具有疾病的对象已经是偏斜群落，导致在分布的最边处收集数据点，即到常态钟形曲线的极左或极右。已知在医学文献中，基于不同的观察到的风险因素和复杂的改性剂的多变量风险模型难以评估。此外，事实上基于临床风险修正或事件发生率的单独风险和管理不能阻止观察到的因素的发生。进一步阻碍预测模型应用于疾病状态的是，大部分医生没有意识到来自基于证据的医学研究的相关结果被医学文献的多样性和数量或两者淹没。互联网数据库和信息检索技术的进步激发了决策者进行医学信息的分析和传播的新技术的研究。远程医疗和超级数据处理器，当前的互联网辅助，以及对于诊断决策支持软件的关注通过临床发现的输入进行提示。可以假定互联网检索嵌入在汇集的卫生保健经验中的信息会使医生做出更有根据的诊断、减少误诊、并增强循证医学的应用。这些互联网诊断软件工具通常利用分类的疾病来统计性地检索期刊论文或工作组中最有可能与不同的疾病相关的词条。虽然尽了最大努力并抱最好的希望，超级信息数据处理器目前应用于对诊断的自上而下的搜索并且只在约 10%的时间是成功的。所述范例从开始就有瑕疵；仅是发现临床上明显的疾病的数据并不能告诉患者或医生如何预防疾病。为了进入不同范例的疾病预防以及本文所述的实施例，讨论数据、元数据、理解和知识之间的不同是有用的。数据是从观察、数学计算或实验得出的数字，并且通常利用机器获得。信息是在上下文中的数据；信息是关于特定对象、事件或进程的数据和相关说明、解释或讨论的集合，例如，诊断者对数据与正常或非正常状态的关系的解释。元数据是关于数据的数据并且描述获得或使用信息的上下文，例如，数据的总结和高级别的解释如“最终报告”。理解是利用元数据和信息作出逻辑选择；例如，医生在考虑特定的疾病和/或患者时选择特征或测试。理解也被认为是人通过将特定知识与宽泛概念相联系来明白易懂地提供经验的能力。知识是元数据和可成功应用元数据的上下文的认知的组合，例如，特征之间的关系。在人工智能中，知识决定如何使用并将信息和元数据关联。应用于人工智能算法的积累的知识通常被称为知识库。一般，知识库是信息和知识的集中式存储库。每个知识库对于产生它的专家或专家们是独一无二的，但是无规律的知识库不能产生高阶预测。临床医学已探索使用不同形式的信息科学来确定健康和管理疾病，但到目前为止这些技术的实施尚不能成功复制或替代具有疾病构成相关知识的医疗提供者(例如，医师、专科医生和技术专家)的复杂的多变量知识库。目前，在临床医学中使用人工智能本身仍然是幻想和难以达到的。信息学包括普通信息科学，信息处理的实践和信息系统的工程学。信息学是对存储、处理和传达信息的自然或人工系统的结构、行为和相互作用的研究。健康和医学信息学处理健康和生物医学中优化信息的采集、存储、取回和使用所需的资源、设备和方法。另一方面，包括复杂性科学的信息科学是信息的收集、分类、处理、报告、存储、取回和传播的交叉科学。因此信息科学和信息学是非常相似的，信息科学一般被认为是计算机科学的分支而信息学与认知和社会科学更加密切相关。复杂性科学是新兴的研究，其中科学家通常寻找导致复杂现象的简单的非线性耦合规律。人类社会、人脑是复杂系统的示例，其中无论是构成还是耦合都不是简单或线性的。然而，它们表现出很多复杂系统的标志。尽管生物系统通常是非线性的，但非线性不是复杂系统模型的必要特征还可以通过线性方程组进行某些生物学/社会学/经济学系统的不稳定平衡和演变过程的有用宏观分析，这不过确实使可变参数之间的相互关联的依赖性成为必要。这里尤其值得关注的是，疾病可作为复杂系统进行研究。在复杂性科学中，自然规律的数值表达被称为特征。如果特征允许识别事件，则特征被视为是特点。例如，一个人通过诸如性别、肤色、眼睛、身高等特征来识别另一个人。在复杂性科学中，这些特征被汇集成增强预测的高度相关特征的小集合，称为特征集。每个后继遇到的“陌生人”补充了小特征集。不同的特征和较少关联的特征例如皮肤温度和衣服在确定重复的识别时不是特别有帮助。亚临床或早期出现的疾病的确信预测对于疾病的预测和预防以及当前医疗危机的管理是必要的，但是当前的疾病预测和管理是不足的。存在源于各种目前技术发展水平的医学技术的多个相关医学数据源，其中数据通常被表达为与正常或非正常状态相关的数值变量。旨在帮助预测或指导医疗护理的数据信息学和信息科学的应用管理人类疾病中满足有限的临床应用。所述信息解决方案包括远程医疗、临床实验、临床风险评分、二元博弈算法、超级数据处理器等。真正的人工智能仍然并仍会不能实施再达几十年。不过，在信息科学的背景下，复杂性科学是疾病的有力预测者和该疾病风险大小的确定者，如同本文所述。复杂性科学已经在医学中被用于比较分类算法的预测精确度、复杂度和训练时间。关于非线性和线性动力学的应用有公开发表的论文床边医生的混沌理论、分形和复杂性。复杂性科学主要应用于临床环境的关联少的不同特征。复杂性科学还常用于社会科学。医学界有待识别和接受风险模型的特征集，也被称作疾病替代者，它能够在疾病的形成或早期出现阶段检测到疾病。一般人群中携带有高风险的无症状对象的识别和个体特征仍旧是有问题和不足的。目前为止，对这个困境还没有满意的解决方案。
发明内容
在一个实施例中，医护点动作医疗系统包括采集设备，以便在第一人上获得医学数据。所述采集设备由第二人操作，所述第二人对所述第一人提供护理。所述系统包括动作界面，用于由第二人操作所述采集设备；计算机，包括处理器和存储器。所述计算机用于接收、存储和处理由所述采集设备产生的所述医学数据。所述存储器存储具有多个特征集的知识库，其中每个所述特征集具有两个或更多个特征。所述系统的实施例包括访问所述医学数据和所述知识库并且在所述处理器中执行程序的传出部分，其中医学数据被转换成转换数据，通过至少一个转换数据从所述知识库选择和布居一个或多个特征集中的至少一个特征，并且产生由具有通过转换数据布居的特征的一个或多个特征集表示的一个或多个生理状态的知识。所述系统的实施例包括在所述处理器中执行的传入部分，以便将关于所述一个或多个生理状态的知识传达给所述第二人用于进一步操作所述采集设备。医护点动作医疗系统的实施例包括学习部分，所述学习部分将由所述转换数据布居的所述特征与另一生理状态相关联，产生由具有通过所述转换数据布居的所述特征的另一个特征集表示的所述另一生理状态的另一知识，并且将所述另一知识添加入存储在所述存储器中的知识库中。医护点动作医疗系统的实施例包括进程(程序)，所述进程(程序) 包括算法。一个实施例是其上存储有可执行程序的非暂时性计算机可读存储介质，所述程序评估通过由第二人操作的采集设备获得的第一人的医学数据，所述介质可加载在计算机存储器上，所述程序指示计算机处理器执行步骤，所述存储器存储所述第一人的所述医学数据和具有特征集的知识库，所述计算机处理器在所述程序控制下向动作界面提供指令以便由所述第二人操作所述采集设备。所述实施例包括下述步骤，所述步骤包括传出部分步骤， 所述传出部分步骤从所述存储器访问所述医学数据和所述知识库并且在所述计算机处理器中执行进程，所述进程包括将所述医学数据转换成转换数据，通过至少一个所述转换数据选择和布居从所述知识库获得的所述特征集的特征，并且产生由具有通过所述转换数据布居的所述特征的一个或多个所述特征集表示的一个或多个生理状态的知识。所述实施例包括在所述计算机处理器中执行的传入部分步骤，以便将所述一个或多个生理状态的所述已生成的知识传达给所述动作界面，以便所述第二人对所述采集设备进行操作。非暂时性计算机可读存储介质的一个实施例包括在所述计算机处理器中执行的学习部分步骤，其中所述学习部分步骤包括将由所述转换数据布居的所述特征与另一生理状态相关联，产生由具有通过所述转换数据布居的所述特征的另一特征集表示的所述另一生理状态的另一知识，并且将所述另一知识添加入存储在所述存储器中的所述知识库中。用于获得关于有关第一人的一个或多个生理状态的知识的方法的一个实施例包括由第二人操作采集设备。所述方法的实施例包括从所述采集设备获得所述第一人的医学数据，将来自所述采集设备的所述医学数据输入计算机，所述计算机接收、存储和处理所述医学数据，所述计算机具有处理器和存储器，将具有特征集的知识库存储在所述存储器中。 所述方法的实施例包括执行加载在所述处理器上的程序，所述程序包括传出部分，所述传出部分访问在所述存储器中的所述医学数据和所述知识库并且在所述处理器中执行进程以便将所述医学数据转换成转换数据，所述进程通过至少一个所述转换数据选择和布居从所述知识库获得的一个或多个所述特征集中的特征，并且进一步利用所述知识库产生由具有通过所述转换数据布居的所述特征的一个或多个所述特征集表示的一个或多个生理状态的知识。所述方法的实施例包括程序，所述程序进一步包括在所述处理器中执行的传入部分，以便将所述一个或多个生理状态的所述知识传达给所述动作界面以便由所述第二人进一步操作所述采集设备，由所述第二人进一步操作所述采集设备，和从所述采集设备获得所述第一人的进一步的医学数据。所述方法的实施例包括程序，所述程序进一步包括在所述计算机处理器中执行的学习部分，以便将由所述转换数据布居的所述特征与另一生理状态相关联，以产生由具有通过所述转换数据布居的所述特征的另一特征集表示的所述另一生理状态的另一知识，并且将所述另一知识添加入存储在所述存储器中的所述知识库中。
图1是根据一个实施例的计算机系统和网络的框图；图2是对于一个实施例使用复杂性标志的示意图；图3-5是根据一个实施例的方法的流程图，其中通过分析医学数据来识别存在风险的健康状况；图6-10是关于不同健康状况的特征集的实施例的示例；图11是对于一个实施例使用复杂性标志的示意图。图12-13是根据一个实施例的方法的流程图。
具体实施例方式本说明书包括对附图的引用。本发明可以多种不同的形式体现并且不应被解释为限于本文所述的实施例。而是，提供所示的实施例以便本公开是详尽和完整的，并且向本领域的技术人员充分表达本发明的保护范围。在全文中相同的附图标记表示同样的部件。在一个实施例中，在医学和临床环境中使用数字成像和计算机辅助图像解释能够显著增强对诊断图像技术以及它们与人类疾病状态和/或生理状态的关系的理解和知识。 医学成像是指为了临床和研究目的用于获得和解释人体或其部分的图像的机器、技术和过程。作为学科，它是生物成像的一部分并且结合放射学和放射科学以及其它医学专业，例如使用例如心脏超声冠状动脉血管造影术的心脏病学，使用内视镜检查法的肠胃病学，使用例如眼压和臂压反应的血管专业等等。在图像和图像内包含的数据之间存在差异。图像可以用不同形式取得照片是视觉表示；图表或其它照片可以是数字地图；信息的数学或实际表达被称为数据对象。图像采集是指获得具有视觉或数据信息的图像的技术。图像解释是指处理、分析和解释图像内信息的计算机图像处理。在一个实施例中，计算机被设置成利用人机界面辅助解释数字图像。原始图像文件包含最低程度处理的数据，所述数据还未准备好被用作图表或有意义的显示。图像或数据分析或处理是从原始图像文件中提取有意义的信息或数据。在一个实施例中，数字图像的数据处理使用在计算机上进行数字图像处理。原始图像文件被处理成数字地图，例如参数图像、多普勒(Doppler)速度包络等等，或者表示时间、距离、重量、 体积、形状、尺寸、位置、压力、速度、倾斜度等的数学表达式的数据对象。在一个实施例中， 复杂的数据或图像处理通过其涉及分级、密度、组织特征的特征结构识别生理状态例如肿瘤类型。在一个实施例中，计算机数据处理结合智能人机界面提高图像解释。图像数据的计算机生成、操作和管理已经产生了图像处理和信息表达的新方面，例如参数图像、特定数据的图像显示等等。元数据管理(即管理关于数据的数据)进一步增强了图像解释的复杂性。元数据可描述各数据或内容项，或者不同或相关的数据对象的集合为例如多个内容项和分等级级别的表达，即，一、二、三和更高维成像。复杂信息算法结合复杂性科学的原理用于同时分析多个高度相关的特征被应用于元数据或数据库模式以便获得关于数据特点、关系、理解和知识的信息。数据是利用数据采集设备和/或成像设备，例如超声、核磁共振、计算机辅助断层成像等所获得的观察数据、数学计算或实验得到的数值或对象。信息是告知的任何事物，即允许从数据(即上下文中的数据)提取一个或多个有意义的结论。信息是关于特定对象、 事件、进程或图像的数据和相关说明、解释或讨论的集合，例如诊断者对数据与正常或非正常状态的关系的解释。元数据是例如描述上下文的数据，在所述上下文中获得或使用信息， 例如总结、数据的高级别解释、总结报告。理解被认为是通过将特定知识(例如元数据和信息)与宽泛概念相关联以便例如识别特征之间的关系或作出选择的人对提供经验和智慧的能力。当医生在考虑特定疾病和/或风险群体时选择特征或测试，他/她在使用知识。知识是更宽泛的理解，它最大限度地利用了信息，例如以产生评估图像数据的更为有效、可预测和准确的方式。动作知识是通过与环境的感知动作相互作用获得的信息。动作知识是多模式的， 因为运动动作改变多个知觉系统的刺激。动作知识既不是使用符号的(数学或语言)也不是图标化的(图像)；它是直接的，在某种意义上它是自然和凭直觉获知的，基于经验和运动动作的感知结果。不过，动作知识不仅仅是多种感觉调和获得的信息，而是以运动反应的形式存储并且通过“做”的动作获得的知识。它是认知固有地依靠动作的形式，如在“手工艺中”以知晓的方式。它是凭直觉获知的非符号形式的学习。在医学诊断实施例的上下文中，通过实时交互式操纵数据特征获得动作知识，以便进一步收集数据和推导知识。在一个实施例中，动作界面是技术手段，以便增强用于进行直觉操作程序的状态， 并且研究用户“将他的手放在那里并且动作”的状态，导致整体增强的“在那里”的感觉。动作界面是人-机界面的特定类型，它输出并传输通过不同的知觉机制采集的动作知识，而同时获得和/或分析基于图像的知识。动作界面传达和理解用户的输入，用户在知觉方面相应地响应，旨在达到具有最少错误的目标。动作界面可包括由传出部分-用户的自然姿势和传入部分-激活的知觉形态构成的闭合回路。可将动作界面进行编程或教授以识别复杂的姿势以便同时采集数据和生成知识。在一个实施例中，知识库是存储在计算机中的信息和知识的集中式存储库并且每个知识库对于产生它的专家或专家们是独一无二的。在一个实施例中，以图像为中心的成像涉及计算机辅助采集、分类和检测相关信息和利用诊断的分割解释原始数字图像。分割是指视觉或数字识别数据模式以区分和表征图像的纹理、尺寸、密度、内容、变化等等，以识别诊断特征(例如小结节)并随后确定所述小结节是否是癌性的。计算机可进一步访问数据库，以便有指导的分割复杂的解剖结构或特征。人和计算机解释之间的相互作用增强了图像解释的一致性和准确性，在放射学和CT 例如乳腺X光摄影、超声波扫描术、乳房MRI和胸部成像等最为显著。计算机辅助诊断提高了诊断的准确性。在一个实施例中，计算机辅助检测的延伸包括人和计算机之间的协同作用，以便以图像为中心的计算机解释充当人的替代并辅助解释图像。在一个实施例中，存在人机界面的演变(发展)，增强了以数据为中心的解释的质量。在所述实施例中，存在以数据为中心的解释，包括构建、管理和支配从原始图像获得的元数据。以数据为中心的计算机辅助解释的一个示例专注于器官功能、信息收集和疾病预测；以数据为中心的解释不是可视图像或数字地图的计算机辅助解释。以数据为中心的应用的一个示例强调评估复杂事件和利用复杂性科学。在一个实施例中，当前的目标是不可分地连接人的动作和技术系统之间的相互作用，因为不可分地与两者连接导致同样重要方面的分析、设计和评估。—个实施例包括元数据管理。元数据的管理集中在三种不同的元数据上说明性、 结构性和管理性。说明性元数据是传达数据的知识性内容和上下文的一些理解的信息，例如描述特定源或目的的元素、特征或对象的集合。一般说明性元数据对于系统的用户是可见的，所述用户搜索、浏览和分割以便找到并评估特征集合内的知识。结构性元数据是描述特定数据特征的属性或对象例如尺寸、源和数字捕获过程的信息。结构性元数据一般由计算机使用，用于将单独的数字特征编译成对用户更为有意义的特征集。这些特征集用于构建说明性元数据。管理性元数据是关于数据处理权管理、数字资源生成的日期、硬件设置等的信息，一般由维护或管理数据库的人使用。动作系统可被认为是人和计算机之间的相互作用；计算机接收说明性元数据并随后与人交互作用以构建结构性元数据。在一个实施例中，存在用于医护点具有成像能力和计算图像分析能力的便携式医学诊断系统。便携式医护点单元的示例包括小的超声扫描仪、医护点测试(生物传感器)、 移动成像单元、微型系统、和/或远程卫生/信息学。使用这些医护点系统的卫生保健专业人员可更易于提供诊断和治疗决定。在一个实施例中，医护点系统包括由动作界面指导的数据处理，以便提高利用成像数据的知识生成的效率、可再现性、和准确性。在动作医护点医疗系统和方法的一个实施例中，存在循环，即医疗系统和用户之间的传出-传入关系，使得系统包括学习部分以便系统从用户和数据采集设备得知关于将相关数据和/或转换数据结合入生理状态的特征和/或特征集，以便该知识被结合入和/ 或添加至知识库。
正如本领域的技术人员会理解的那样，本文所述的实施例是医护点动作医疗系统 100的方法、数据处理系统、计算机程序产品和服务，上述方法、系统、产品和服务维护知识库140、多个关联算法150和多个特征集160，所述多个特征集160的每一个具有识别健康状况和应用一个或多个关联算法来评估表示特征的大小的输入医学数据的一组高度相关的特征，其中识别并确定个体的健康状况或疾病的风险。确定个体的健康状况或疾病的风险包括量化区别于常态的生理学变化。因此，实施例是计算机设备、计算机系统、计算机设备的网络、和/或一个或多个组成部分。所述实施例包括医学数据采集设备。包括传出部分、传入部分、和学习部分的实施例的组成部分可采用硬件部分或结合软件和硬件部分的实施例的形式。实施例包括组成部分，所述组成部分包括算法。此外，实施例的组成部分可采用非暂时性计算机可读的和/或计算机可用的存储介质上的计算机程序产品的形式，所述介质中包含有计算机可用代码。可使用任何适用的计算机可读介质，包括固态存储设备、 硬盘、CD-ROM、光存储设备、便携式存储器、诸如那些支持互联网或内部网的传输介质、或磁性存储设备。如本文所述维护知识库140、多个关联算法150和多个特征集160的软件组成部分的计算机程序源代码可用面向对象的编程语言编写，例如C，Java, Smalltalk or C++。包括知识库140、多个关联算法150和多个特征集160的组成部分的目标代码可以整个在单独的服务器或客户端上、部分在单独或备用服务器或客户端上、部分在单独或备用服务器或客户端上并且部分在远程服务器或客户端、或整个在远程服务器或客户端上执行。在后者的情况，远程服务器或客户端可通过局域网(LAN)或广域网(WAN)连接至单独或备用的服务器或客户端，或者可利用因特网服务提供商经由因特网连接至远程服务器或客户端。本文所述维护知识库140、多个关联算法150和多个特征集160的方法将在下文结合根据实施例的方法、装置(系统)、部件、和计算机程序产品的流程图和/或框图进行描述。应当理解，流程图和/或框图的每个方框、以及流程图和/或框图中方框的组合可由计算机程序指令执行。可将这些计算机程序指令设置为通用计算机、专用计算机、或其它可编程数据处理设备的处理器的一个或多个组成部分以产生一机器，使得通过计算机或其它可编程数据处理设备的处理器执行的组成部分产生用于执行流程图和/或框图方框或多个方框中指定的功能/动作的装置。本文所述的知识库140、多个关联算法150和多个特征集160的这些计算机程序组成部分以及执行它们所需的用户和应用程序界面还可存储在计算机可读存储器中，可指导计算机或其它可编程数据处理设备以特定方式运行，以便存储在计算机可读存储器中的组成部分产生包括执行流程图和/或框图方框或多个方框中所规定的功能/动作的组成部分的产品。计算机程序组成部分可加载到计算机或其它可编程数据处理设备上，以使一系列运行步骤在计算机或其它可编程设备上执行以产生计算机执行进程，使得在计算机或其它可编程设备上执行的组成部分提供用于执行流程图和/或框图方框或多个方框中所规定的功能/动作的步骤。参见图1，示出了与本文所述实施例一致的维护知识库140、多个关联算法150和多个特征集160的计算机网络系统10的高级框图以及如本文所述的执行它们所需的用户和应用程序界面。计算机网络系统10优选包括多个网络化计算机110，每个网络化计算机 110可具有处理器112(在本文中也被称为计算机处理器112，还在本文中被称为中央处理器(CPU)IU)、存储器114、和各种数字和/或模拟接口 128-138。各种设备通过内部通信总线122彼此进行通信。处理器112是通用可编程处理器，执行存储在存储器114中的指令； 尽管在图1中示出了一个处理器112，应当理解可使用具有多个处理器的计算机系统。处理器112能够执行操作系统120和本文所述维护知识库140、多个关联算法150和多个特征集 160的进程、方法步骤和计算机程序产品以及其它应用程序300。处理器112还能够产生如本文所述维护知识库140、多个关联算法150和多个特征集160的计算机程序组成部分以及合适的用户和应用程序界面并且能够接收和传送包含用于执行本文所述的这些进程、功能和方法100的方法学的程序指令。通信总线122支持不同设备之间的数据、命令和其它信息的传送，并且尽管以简化的形式示出为单总线，通常构造为包括内部总线124的多总线， 所述内部总线1 可将处理器112与存储器114直接连接。存储器114包括只读存储器(ROM) 116和随机存取存储器(RAM) 118 (用于存储操作系统120)，本文所述维护知识库140、多个关联算法150和多个特征集160的组成部分， 和其它的应用程序300、数据及程序。“启动”所需的操作系统120的那些部分或程序、例行程序、模块存储在ROM 116中。RAM 118加载和/或存储当计算机关闭时会被删除的程序和数据。存储器114概念性地示出为单一体，但公知存储器通常被设置成缓存的分层结构并且其它存储设备中的一些或全部可被集成在与处理器112相同的半导体基片中。RAM 118设备包括计算机的主存储器，以及存储器的任何补充级，例如缓存、非易失性或备用存储器、可编程或闪存存储器、便携式存储器、其它只读存储器等等。另外，可考虑使存储器 114包括物理位于计算机中其它地方的存储设备，例如，处理器中的高速缓冲存储器或用作虚拟内存的其它存储容量，例如存储在大容量存储设备上或存储在经由网络连接至所述计算机的另一计算机上。维护和包括如本文所述的知识库140、多个关联算法150和多个特征集160的组成部分可用于从其源访问数据和/或访问在任何存储器114内的分布式知识库 140是完全可实现的，其中所述存储器114包括位于计算机处理装置110内部或外部的ROM 和RAM，在所述计算机处理装置110上安装和执行维护本文所述的知识库140、多个关联算法150和多个特征集160的组成部分。如图1所示，维护和包括本文所述的知识库140、多个关联算法150和多个特征集160的组成部分可以通过网络连接至存储在其它设备上的类似组成部分并且可获取医学数据或否则交换模拟和数字数据以便实施和执行根据本文原理的方法。操作系统120和维护本文所述的知识库140、多个关联算法150和多个特征集160 的组成部分及其它的应用程序300驻留在存储器114中。操作系统120尤其提供本领域已知的例如设备接口、存储页面的管理、多任务的管理等功能。所述操作系统的示例可包括 Linux，Aix, Unix，基于 Windows，Z/os, V/os, 0S/400, Rtos,掌上操作系统等。这些操作系统120和其它各种维护和包括本文所述的知识库140、多个关联算法150和多个特征集 160的组成部分及其它应用程序300、其它组成部分、程序、对象、模块等也可通过网络170、 180在连接至计算机110的另一计算机中的一个或多个处理器上执行，例如以分布式或客户端-服务器计算环境，其中实施计算机程序的功能所需的处理可通过网络170，180分配给多台计算机110。维护和包含本文所述的知识库140、多个关联算法150和多个特征集160的组成部分在处理器112内执行以实施所述实施例，不管作为操作系统的部分实施还是特定的应用程序、组成部分、程序、对象、模块或指令序列在本文中可被称为计算机程序或简单地称为组成部分。维护和包含本文所述的知识库140、多个关联算法150和多个特征集160的组成部分通常包括一个或多个指令，所述一个或多个指令在不同时候驻留在不同存储器114 中并存储在装置内，并且当处理装置110中的一个或多个处理器读取和执行时使得该装置 110执行完成包含所述不同方面的步骤或元件所需的步骤。医护点动作医疗系统100的一个实施例包括知识库140。医护点动作医疗系统100的一个实施例包括至少一个或更多个知识库140。医护点动作医疗系统100还包括高度关联特征的一个或多个特征集160，所述高度关联特征表征根据本文所述特征的健康状况或疾病或者健康状况或疾病的风险。医护点动作医疗系统100还包括一个或多个关联和评估算法150，所述算法150获取和评估特征集中特征的输入医学数据以便确定个体对于健康状况或疾病的风险。医护点动作医疗系统100还包括数据采集和输入及数据排序方法，和通过医师或其它用户可访问的应用程序或用户界面以及其它适当的用户和应用程序界面的形式显示结果的输出部分。应当理解，如本领域所已知的，计算机110通常包括位于处理器112和连接的装置之间合适的模拟和/或数字接口 1观-138。例如，计算机110通常接收多个输入和输出，用于外部传达信息。对于与医师或其它用户的接口，计算机110通常包括一个或多个软件开发者输入装置162-168，例如尤其是键盘、鼠标、轨迹球、操纵杆、触摸板、和/或麦克风，以及显示器，例如尤其是CRT监控器、IXD显示板、和/或扬声器。不过，应当理解，计算机110 的一些实施方案，例如一些服务器实施方案，可能不支持直接的软件开发者输入和输出。终端接口 134可支持单个或多个终端或便携式电脑144的连接并且可被实施为一个或多个电子电路卡或其它单元。可以想象自一个或多个医学工具175的输入被直接连接，例如，来自超声波扫描、断层摄影、实验室测试、心电图描记等的数据，以便医学数据可直接输入计算机系统110。应当理解，医学数据还可通过便携式存储器、通过传输介质例如因特网、电话或无线，或甚至人工录入来输入。此外，医学数据可从数据存储器进行访问，所述数据存储器优选包括一个或多个旋转磁性硬盘驱动装置，尽管可以使用其它类型的数据存储器，包括磁带、闪存或光驱。对于附加存储器，计算机110还可包括存储器114，所述存储器114尤其包括一个或多个大容量存储装置，例如，软盘或其它移动式磁盘驱动器、硬盘驱动器、直接存取存储装置(DASD)、光驱例如光盘(CD)驱动器、数字化视频光盘(DVD)驱动器等，和/ 或磁带驱动器。知识库140、一个或多个特征集160、和/或一个或多个关联算法150可设置在存储器上，所述存储器包括通过因特网180、WAN170、和其它连接的机器1 设置的不同计算机110的RAM或大容量存储装置。本领域的技术人员还会预见到接口 1观-238还可以是无线的。此外，计算机110可包括与一个或多个网络170，180的接口 136，138，以允许与连接至网络170，180的其它处理装置和知识库140进行通信。网络接口 136，138提供物理和 /或无线连接，用于将数据传输至网络170，180和从网络170，180传输数据。网络170，180 可以是因特网，以及任何更小的独立的网络例如内部网，广域网(WAN)，局域网(LAN)，或其它使用例如电话传输线、卫星、光纤、Tl线、无线、公共电缆等和任何不同可用技术的内部或外部网络。本领域的普通技术人员会理解计算机系统10可同时连接至多于一个网络170， 180。计算机系统和远程系统1 可以是台式机或个人计算机、工作站、迷你计算机、中型计算机、大型计算机。任何数量的计算机、不同医学测试和数据采集机构的处理装置、其它微处理器，例如个人掌上计算机、个人数字助理(PDA)、无线电话等，可能并不必然需要具有如大型服务器那样的完全信息处理能力，也可以通过网络170，180进行网络连接。仍然，所述实施例可包括由执行下述中的一个或多个的服务提供商配置、管理、服务的方法和程序产品的任何组成部分产生或修改一个或多个知识库140，提供特征集的特征的输入医学和临床数据，产生、提供或修改医护点动作系统100或它的其它组成部分可执行的任何关联算法或其它的过程步骤。在本文的上下文中，存储器114还可被认为是非易失性或备份存储器或可编程或闪存、只读存储器等，所述存储器位于物理设置在不同的计算机、客户机、服务器、或其它硬件存储设备例如大容量存储装置或通过网络连接至计算机的另一计算机上的装置中。存储器114可包括远程档案库存储器，例如具有本文所述任何组成部分的一个或多个旋转磁性硬盘驱动器装置、磁带驱动器或光驱。存储器114还可被认为是一个或多个大容量存储装置，例如软驱或其它可移动磁盘驱动器、硬盘驱动器、直接存取存储装置(DASD)、光驱例如光盘(⑶)驱动器、数字化视频光盘(DVD)驱动器等，和/或磁带驱动器等等，上述中的每一种可具有本文所述的一个或多个组成部分。本文所述的实施例应用“从下到上”方法来预测和评估区别于健康状况的常态的风险或差异，其中研究者寻找物理、功能性、化学、和/或生物学现象中的线索来推断隐含的理论或做法的缘由。目的是确定什么可观察到的现象是根本的并随后连接这些根本现象作为健康状况或疾病的风险的特征或疾病本身的特征。在该模型中，特征是由自然规律确定的数学或文字数据。也就是说，特征是从测试、检查、机器等获得的数学或逻辑数据。疾病或风险的示例是正常或不正常状态的复杂表达并从相互作用的特征的集合出现。本文所用的“从下到上”的方法提供了多变量特征分层的风险分析并且比较在比“从上到下”分析更完全的基准风险的范围上的效应。从下到上模型的具体诉求是利用有相互关系的可量化特征来检测亚临床或早期出现疾病状态、预测未来健康事件、和预防疾病表现的可能性。目前使用的对疾病表征和管理的从下到上的方法是非常有限的。如同在本文的知识库140和关联算法150中体现的用于研究自密切相关的特征的特征集出现的疾病或病前阶段示例的复杂性科学事实上在预测出现的病例或风险评估上具有更大的准确性。用于本文所述实施例的一些激励规范是“具有相同程度相似性的系统必须遵循相同的简单规则”和“每个科学家应当尝试以最简单的可能方式看世界”。简单但深刻的自然法则控制所有复杂网络的结构和演变，包括人体疾病。每种风险评估技术具有其自身的限制性和优点，但是信息科学并尤其是复杂性科学具有逻辑诉求。复杂性科学是研究自密切相关特征的集合出现的现象，这在医学中与表达的疾病或风险最为相关。参见图2和11，其是自复杂性科学的角度观察的系统的图示。在图2和11的底部，存在表示在没有组织的情况下系统的基本构成的混沌210。图11示出了在医学世界中，这些基本构成 212包括基因、蛋白质、糖、电解质、分子、原子等。这些基本构成212中是自然不变的和一贯的自然法则，所述自然法则使得这些构成212将它们自身安排成系统、状态、网络等等。该现象被称为确定性混沌。在不存在这些自然的法则或形态的情况下，有组织的状态例如发病率不会逐步形成。复杂性230的最上阶并与混沌相对的是分形体；分形体是在其自身内重复的形态，因此分形体的系统表示高组织。在混沌210和复杂性230或分形体之间的是简单性220。复杂性科学关注其自身与简单性群集的研究导致分形体的复杂系统。图11示出了一个示例的简单性群集作为知识库222，所述知识库包括速度、压力和体积的特征。在本文所述的上下文中，应用复杂性科学来简化和确定少量的高度相关的可量化特征以便表征现有的或出现前的健康状况和疾病状态。当试图预测和量化健康状况的风险或预防、治疗或治愈疾病时，当医师忽视生命体的复杂性相互关联并专注于混沌即具体的分子或基因或临床风险因素时，医师面对极大的挑战。考虑复杂性科学背景内的疾病特征简化了复杂性并提供了考虑基本构成的相互作用的不可预测性的框架。该框架的结果允许预料一个或多个复杂事件，在图11所示的示例中为疾病状态232，例如癌症、糖尿病、生死、痴呆症、心房颤动、动脉硬化症、中风、心脏衰竭、睡眠障碍、和高血压。预料导致预测健康状况例如疾病状态232，使得医师能够用预防性策略快速响应可能的疾病状态232的风险以便可避免疾病状态232的全部表现。疾病和/或疾病的风险具有下述特征的大多数或全部(1)彼此密切相关、为群组成员、或共享一些共同信息的许多相互作用特征的集合，(2)特征的表现受反馈系统的影响，其中在一个时间或地方发生的某些事影响另一处发生的事情；C3)特征可根据改进其性能进行调整；和(4)系统通常是“开放”的并且可被其环境影响。将这些疾病或风险属性与显示下述表现的复杂多变量系统进行比较(1)复杂系统显示是活跃的，在反馈的影响下以不平常和复杂的方式演变；和O)复杂系统具有在它们何时产生方面意外出现的示例并且通常不能根据单独特征的知识例如具体的分子、基因或计算来预测；(3)复杂系统表现出通常在缺少任何中央控制器的情况下出现的复杂现象，换句话说，复杂系统大于其部件的总和；和(4)复杂系统显示有序和无序表现的混合，可以独自在有序和无序之间运动， 并且似乎显示在有序的掌控中，例如，具有症状的心脏衰竭可具有变量或反复的正常或不正常的相关特征。本文所述的实施例利用发明人认识到复杂性科学的适用性的有利条件来分析出现前和现有的疾病状态。估计临床疾病的风险充其量是不精确的，但是额外使用生物标记，例如回波式多普勒系统(echo/Doppler)、生化试验、放射线照相术等改进了个体风险负荷的量化。调整风险降低至个人的风险负荷是吸引人的。为了被医学和科学界接受，要被选为特征的观察到的生理学现象或生物标记必须满足若干个特定标准中的至少一个并且优选大多数(1)为可再现的测量，超出传统的风险因素关联添加至预测值；( 对于人口研究中的具体性和敏感性具有增值；C3)产生新的治疗评估或重新分类并防止或减少错误分类从而避免不合适的治疗；(4)通过低假阳性率可易于得到和再现；( 具有明显改进结果和相关风险预测的前景；和(6)测量具有在不良事件上明显减少的治疗的成功。根据可量化的形态学和生理学特征的特征集，回波式多普勒(Echo/Doppler)模型是理想的生物标记的一个示例。一个挑战是识别和验证哪些具体特征确定复杂的突现疾病的稳定性。在正常状态，自然生理特征通常符合具有遵循指数定律快速衰减的相关性的钟形曲线。不过，如果系统经历相变，例如水从液态转变到固态，从有序状态到无序状态，或从混沌生物化学转变到疾病状态，称为幂律的自组织的强大定律表征该转变。幂律分布不是钟形的而是沿着连续递减曲线的直方图，从而暗示很多小事件或节点与几个大事件或枢纽共存。无尺度网络的幂律分布预测大多数关联仅有几个链接但通过几个高度连接的枢纽保持在一起，类似于空中交通系统。许多连接不好的关联或节点衰减到与因果关系和网络的稳定性更密切相关的几个主要特征或枢纽。值得注意的是在自然网络中，故障主要影响较小的更多关联但这些较弱的关联实际上对网络整体性的贡献很小。如本文所述，出现前疾病状态的预测器的实施例利用基于复杂性科学的“计算智能”。与通常利用不同的临床和技术派生数据的试验、超级数据处理器、临床风险评分的传统医学信息系统不同，人类专家选择并验证哪些医学数据是相关的并进一步选择哪些特征要包括在该健康状况的特征集中。很多专家的知识的整合概率限定了特征选择和特征间的关系。仅作为示例，尽管回波式多普勒(echo/Doppler)和其它最先进的数据采集技术是表征和量化特征的优选装置的示例，但它们作为治疗算法的组成部分受到很少的关注。反而， 不同血清标记和临床风险因素的单独和小组成为了规划风险和治疗算法的经典方式。当将具体的健康状况或疾病视为网络时，复杂疾病的传统治疗专注于关连不好的特征并且对于其它疾病或并发症的出现具有有限的影响。仅因为疾病是复杂和多变量的并不意味着它必须由复杂化或复杂的一组规则产生。记得在图2中，复杂性科学鼓励我们在表面上复杂的状态中寻找简单性，并且应用于医学指导我们利用少量的高度相关的特征来表征、管理和预防疾病。多变量疾病状态事实上是相对简单的规则在低于复杂的一级运行的结果。通过自然规律确定的特征可包括例如心脏充盈压[mm Hg]、心肌舒张[cm/s]、中心主动脉压[mm Hg]、和许多其它的百分比。不能管理和预防复杂疾病，除非多个高度相关的特征同时失效，此时疾病会衰竭。理解并将自然发生网络的幂律分布应用至疾病系统要求分子、血清标记或单独部分表征疾病的范式的终止。反而，特别互相关联的特征的小特征集携带大部分动作并表示复杂人类疾病中的自组织。根据复杂性科学，组织成网络的特征集的枢纽(其中特征集是密切相关的主要特征的集合)限定网络的拓扑结构并确定结构的稳定性、动态行为、坚固性、以及网络的错误和攻击容忍度。用于预测疾病的风险或疾病强度评价取决于少量最高度相关的特征。简单但高度相关特征的特征集定义出现的疾病并预测风险从而使得预测专注于治疗和监控成功或失败。可使用高度选择的特征的小特征集的集中识别和管理来检测和管理出现疾病的风险并且向预防的时代推动医疗护理。也就是说，特征集中主要特征的治疗与出现前或现有疾病本身的治疗具有相同的作用。相互作用特征的高度互相关联的网络是预测复杂事件的关键。出现前或现有疾病状态是复杂事件，所以当应用于医学时，复杂性科学促进了预测和控制出现的疾病和与该疾病相关的风险的理解。第一步是产生特征和已定义特征集150的知识库140，特征集150 内的每个特征具有可确定的和可测量的值并且与健康状况或疾病的出现相关联。知识库 140将形态学、生理学和生物学数据登记和验证为特征，表征自然的生理状态和事件并且建立与特定疾病和/或特定或一般风险匹配的特征的特征集。优选的，该知识库140是动态的，并且表示生理学或形态学变化的网络一次集合一个特征，每个额外特征优先连接至现有的特征。医学数据优选被视为可量化的特征并作为说明自然生理事件的正常波动的数学函数的变量。从“常态”的变化或从一个状态转变到另一个状态可被表达为包含在特征集中的特征的数值平均。将复杂性科学的术语采用到本文的说明书节点被定义为共同但关联小的特征的集合；枢纽或特征集被定义为彼此间并与出现(潜伏期)的疾病强相关的少数主要特征的集合。节点和枢纽的网络维持网络的基本功能，包括向疾病状态转变。每个特征集是枢纽的小集合，所述枢纽包括表征健康状况或疾病状态的最强相关的特征。来自采集技术的数据或者是直接输入(如超声波扫描或χ-射线)或者间接通过半导体存储器或由人手工录入至知识库140。在产生知识库140后，它与多个特征和派生的特征集160 — 起存储并被存储为多个特征和派生的特征集160。优选专家可访问知识库140以便在特定的特征集中选择特征。知识库140还优选是受到不断的同行评议和修正的专家知识的开放资源使用中的集合，其中专家可以编辑、 添加、删除、评论和提炼具有少量(例如优选二至四个但一般小于十个)与健康状况或疾病状态相关的高度相关特征的特征集。将较不重要的特征(即节点或数据)添加至有效的高度选择的特征集并不显著影响预测的能力。该发现是无尺度网络的特征，其中添加或消除关联少的节点不会明显影响网络的整体性。为比较起见，WIKIPEDIA是在线数据库，其中几乎任何人可以贡献包含在其中的信息。根据本文说明书的知识库140包含知识，而不仅仅是数据(即，知识是元数据和其中可成功应用元数据的上下文的认知的组合)。此外，本文的实施例包括经同行评议的知识库140。更进一步，本文的实施例包括包含在知识库140中的专家知识，其中只有专家可以是贡献者。可以添加或减去其它特征以便集中或概括特征集的预测能力以确定健康状况或疾病的风险。目前，包括特征集的高度选择的特征在课本、 传统数据库、在线所谓专家诊断工具等中还不易于可确定。与心脏衰竭相关的简单特征集或替代疾病模型的特征集的示例包括并基本由五个可量化特征构成(1)射血分数；(2)充盈压的慢性化和(3，4)充盈压的敏锐度；和(5)心肌舒张，如图6中所示。参见图3，示出了本文所述的用于实现将复杂性科学应用至医学诊断和疾病预防的方法步骤的流程图。在本文中，术语健康状况(medical condition)和生理状态可以互换使用。健康状况表示健康、常态、出现疾病前，出现(疾病)、或表现的疾病本身。后三者是处于风险的健康状况。术语医学数据是不同单独项(称为特征)的任意一种，与不同健康状况中的至少一种相关。医学数据的特征中的至少一些具有值。首先在步骤308，产生医学数据，并且在步骤310，获得医学数据并将医学数据输入至处理系统并存储在存储器312 中。医学数据可以从采集数据的装置实时直接输入。可直接将数据输入至处理系统或存储器的医疗器械的示例包括但不限于χ-射线，回波式多普勒系统，磁共振(MRI)和其它超声波扫描、计算机辅助断层摄影术(CAT扫描)、生化实验室仪器、核装置、基因组学等等，如图 1中175所示。医学数据还可例如通过图1中的计算机系统10经由通信连接或网络对计算机存储装置利用例如应用程序界面访问存储的医学数据而被间接输入。可以使用批量数据采集程序从医疗机构获取全天、一周、一月等大量的数据。医学数据还可以由个人或通过输入装置例如键盘或麦克风等录入数据来输入。在步骤320，本文所述的方法访问知识库140。记得知识库140包含多个特征集 160，每个代表可以是疾病替代或枢纽的一般或特定健康状况，并且每个具有表征该特定健康状况的少量或成组的高度相关特征。至少一些高度相关的特征具有值的范围。还记得该知识库140包含这些健康状况的已验证的专家知识。在步骤330，所述方法随后识别那些特征集，即，特征与个人的输入医学数据具有最高相关性的所有特征集的子集。至少两个医学数据特征必须与子集中每个特征集的至少两个高度相关特征相关。通过这种方式，医学数据特征从医学数据的特征的知识转换成以子集中每个特征集的高度相关特征的组的形式的元数据。根据输入的医学数据，可识别一个或多个特征集。个人的医学数据可表示所述个人具有一个或多个健康状况或疾病状态。 类似的，医学数据可能不与知识库140中任何现有的特征集相关。在这种情况，可以突出与个人相关的医学数据以供专家(a human expert)进一步查阅。因此，在步骤330中，执行进程和组成部分以使医学数据关联至特征并预测、量化、和可建议或监控对出现前、或出现时或临床表现明显的健康状况的治疗并识别可能的行动方案。在步骤340和350，在输入适当的医学数据后，关联算法150、适当的比较和专家解释被应用至医学数据，其中医学数据的量值被应用至每个选定的特征集内的特征，以确定其医学数据已被分析的个人具有或不具有所选定特征集的健康状况的累积风险。对于步骤340，应当注意医学数据特征可以是正常或不正常的或可以具有量值。在特征是正常或不正常的情况，所述语言可以针对特征例如性别，其中特定的特征集针对男性而非女性，因此“男性”是正常的，而“女性”对于所述特征是不正常的。在步骤340，将特定特征集的特征相对于特征是否是正常还是不正常或医学数据的特征的量值是否在特征集的特征的值的范围内进行为正常或不正常量值之一的医学数据特征的比较。比较级或值在范围内的位置(也是比较)随后相对于标准进行测量或解释。通过这种方式，可以识别个人的处于风险的健康状况。当主要面对医师或看护者时，本文所述的程序步骤还包括步骤360，所述步骤360 建议另外的诊断测试或评估，例如图1中的进一步诊断帮助部分152，以帮助数据采集器评估识别可能的健康状况所要求的特征集和特征。医学数据对于确信地识别一个或多个特征集可能是模棱两可和不确定的。如上文所述，可能已识别了一个或多个健康状况，或者可能没有识别到健康状况。这些情况可能出现，例如，当特征集的决定性识别并因此医疗诊断要求例如五个特征但所述医学数据包括少于五个特征或量值是不确定的时候。知识库140中的每个特征集具有相关置信系数，用于根据输入医学数据的值选择特征集。如果某些特征是矛盾的或者要不然不合理的，例如同一人具有不一致的化验，或者当置信度过低时，与结果一起会包括必须确定、重复、排除、更正等某些数据或要求其它医学数据的声明。如在本方法中应用复杂性科学来识别和预测疾病状态的风险或可能性比将相同的输入医学数据提供给“专家”更有力。当相同的输入医学数据被提供给“专家”和被输入至本方法和计算系统利用专家知识和应用的复杂性科学自动管理医学数据以供风险评估和诊断，如本文所述，人类“专家”是始终不可预测的而本文的自动系统始终是可预测的。即使在人类专家知道特征集的特征并访问有关该特征集的输入医学数据时，人不如本文所述的自动系统能够始终并快速地预测健康状况的风险负荷。在步骤370，根据步骤340的比较和步骤350中相对于标准的解释，如果在步骤 360认为不需要其它数据，那么如果存在处于风险的健康状况，它被识别出并被输出。在另一个实施例中，结果可能以合适的形式输出至应用程序接口或用户接口(界面)，借此执业医生可以读到哪些健康状况(如果有的话)是主要的，并且在特定的病人中它们存在的程度，即，具有该健康状况的病人的风险是什么。可以推荐其它的医学检查或另外的评估，并且其它的医学检查或另外的评估被包括在输出中，以帮助额外和/或更准确的诊断。在本文中预期，输出还可包括基于病人健康状况的风险或表达量值的可能的治疗选择和建议。如在步骤380所表示，其它的例行程序或实施例可被认为是本方法的一部分。图 4和5分别是导致处于风险的健康状况的输出风险水平和处于风险的健康状况的状态的其它方法。对于图4，如步骤382所示，对于特征集的适当特征，风险水平被分配给各自不同范围的值。根据医学数据的量值，风险水平关联特征集的高度相关特征的数据。在步骤384， 相对于适当的标准评估特征集的高度相关特征的风险水平并且计算或获得处于风险的健康状况的风险水平。如步骤386所示，处于风险的健康状况的风险水平被输出。对于图5，在步骤390，医学数据的量值的位置与特征集的高度相关特征的值的范围进行比较。在步骤392，根据对于位置的标准获得高度相关特征的相关水平的强度。在步骤394，高度相关特征的相关水平的强度随后与处于风险的健康状况的状态相关联，具体为无或正常、出现前、出现时、和已表现。从图1和3可见，图3的方法体现在图1所示计算机系统的不同结构中。计算机系统包括与存储器114相连的中央处理器112，以便中央处理器被编程以评估医学数据，以便识别个人的处于风险的健康状况。计算机系统获得医学数据，其中医学数据具有不同健康状况的至少一种的特征，其中一些特征具有值。医学知识库140可从存储器114访问并且具有与不同健康状况相关的多个特征集。所述特征集中的每一个具有与不同健康状况的特定某几个(一个)相关的高度相关特征的组，其中至少一些所述高度相关特征具有值的范围。风险水平可被分配给各个不同范围的值。中央处理器通过将医学数据的特征中的至少两个与子集中每个特征集的高度相关特征中的至少两个相关联来确定多个特征集的子集。 通过这种方式，医学数据的特征的知识被转换成(已)转换数据。(已)转换数据指的是以子集中每个特征集的已转换高度相关特征的组为形式的元数据。处理器继续比较转换数据的特征是否是正常或不正常之一和医学数据的量值是否在正常或不正常的已转换高度相关特征的值的范围内。对于比较使用标准以便识别个人的任何处于风险的健康状况。计算机系统从合适的接口输出与处于风险的健康状况相关的信息。中央处理器还可被编程以根据医学数据的特征的量值识别特征集的已转换高度相关特征与处于风险的健康状况的状态的相关水平的强度，其中状态或者是该人是正常的，或者是该人具有出现前、出现中、或已表现的健康状况或疾病。图3-5的方法还可被体现在对图1所示计算机系统可用的非暂时性计算机可读存储介质。存储介质上存储有可执行程序。所述程序命令连至存储器的中央处理器和数据接收接口执行按照图3-5的方法的步骤。具体地说，获得医学数据，其中数据具有不同健康状况的至少一种的特征。医学数据的特征中的至少一些具有值。储存在存储器中的医学知识库具有与不同健康状况相关的多个特征集。所述多个特征集的每一个具有与不同健康状况的特定几个相关的高度相关特征的组。至少一些所述高度相关特征具有值的范围。通过将医学数据中的至少两个与子集中每个特征集的高度相关特征中的至少两个相关联来确定所述多个特征集的子集。通过这种方式，医学数据的特征的知识被转换成以子集中每个特征集的已转换高度相关特征的组为形式的元数据。正常或不正常或具有量值的医学数据的特征对于常态和值的范围与子集中特征集的高度相关特征的特性进行比较。比较相对于标准进行解释，以便识别该人的任何处于风险的健康状况。编程提供了将与处于风险的健康状况相关的信息(如果有的话)从接口输出。风险水平可被分配给特征集中特征的各种不同范围的值。可以有根据医学数据的特征的量值识别特征集的已转换高度相关特征与处于风险的健康状况的状态的相关水平的强度的步骤。本文所提供和所述的将复杂性科学应用于医学诊断和疾病预防(1)能够量化大量特征；( 提供很好的试验用于确定功能；C3)量化生理学和解剖学的重塑；(4)对疾病重新分类；( 减少错误分类；(6)利用可用的技术，和(7)是产生多变量生物标记模型(即替代疾病模型)的物有所值的方法。图6是可包括在识别和评估心脏衰竭的风险的特征集中的特征的示例。在专家知识库140中，“心脏衰竭”特征集具有一小组的高度相关特征-心肌舒张、充盈压和射血分数。没有一个单独的所述特征足以表征出现前、出现中或现有疾病状态如心脏衰竭、心房颤动、中风等的风险。从回波式多普勒心动描记法得到的一小组强相关特征的特征集呈现六个表征心血管疾病的可量化特征。LAV指数(充盈压的慢性化)和心肌舒张是高度相关特征。其余的EF、充盈压、和心室肥厚指数(LV mass)是较小相关(变量)特征。SBP(心脏收缩血压)是普遍存在的特征。图7-10呈现了其它的特征集160。在表格中每行是不同健康状况的不同特征集而其特征集中的特征以列呈现。每种健康状况的特征集是不同的。在特征(列)和特征集 (行)的相交处是表示变量严重性的与其相应的健康状况的特征集相关的特征的相应量。 临床相关性增强了诊断专属性，例如运动员心脏的特征集具有良性容量超负荷但是慢性贫血、慢性病、甲状腺机能亢进、和表现良性容量超负荷的其它健康状况。例如，为了在高血压和运动员心脏和慢性贫血之间进行区分，高血压特征集还包括脉压和中央主动脉压和舒张压。心脏病学专家已确定这些特征是表征健康状况的最小数量并且是彼此间最强相关的， 即，表格中的每一行代表“枢纽，，而该行中的每一列代表那些实际的数值医学数据，所述医学数据不仅表征健康状况而且还彼此间最受影响或彼此间最高度相关。因此，在图3的步骤330中，首先读取输入医学数据以确定什么特征(如果有的话)在输入医学数据中。根据输入医学数据中的特征，选择其相应健康状况的一个或多个特征集。随后在步骤340和 350，关联算法或标准按照特征的量值来确定特征集和相关的风险负荷，S卩，由选定的特征集规定健康状况的状态。图6-9是不同心脏健康状况的特征集。图10提供了表征若干新陈代谢健康状况的特征。例如，在图3中，与诊断多种心脏健康状况相关的特征是射血分数、EF、充盈压和速度、心肌舒张速度、和左心房容积指数，所有均从超声心动图和不同的多普勒测量技术获得。这些附图旨在表示当在知识库中构建特征集时可考虑的特征。特征的量值(即ABN表示不正常、NL是正常、VAR是变量等)是如何用于分配健康状况的风险负荷的将在下面考虑。本文预期这些特征集以有意义和相关的数据关系作为相关数据库、非相关数据库、或面向对象的数据库中的对象可访问。不过，对这些特征集的访问并不限于上文所述而是还预期也可使用和开发其它的访问技术。下文是用于图6-10的特征集的一些特征的图表。在第一列中是表征健康状况的与另一特征密切相关的特征。在第二列中是医学数据的量值或量值范围，而在第三列中是相关算法150所用的对医学数据的特定量值范围分配的风险值，以确定具有这些特定医学数据的个体中健康状况的风险。优选这些医学数据直接从仪器得到，例如，减速时间和E/A 比值可从脉冲波多普勒超声心动图直接得到而心肌舒张速度e’可利用组织多普勒成像获得，并随后输入计算机系统10用于诊断健康状况的风险。这些特征、它们的量值和用于获得医学数据的仪器设备仅以示例的方式呈现。使用中的知识库会包含许多已验证的特征。 预期随着知识库140的发展并变得更为精细，任何一个的所述特征、它们的量值和量值的风险分配以及用于获得原始医学数据的技术会改变。
权利要求
1.一种医护点动作医疗系统，包括 采集设备，以获得第一人的医学数据，所述采集设备由对所述第一人提供护理的第二人操作； 动作界面，用于由所述第二人操作所述采集设备； 计算机，所述计算机包括处理器和存储器，所述计算机用于接收、存储、和处理由所述采集设备产生的所述医学数据， 所述存储器存储具有多个特征集的知识库， 所述特征集中的每一个具有两个或更多个特征；传出部分，所述传出部分访问所述医学数据和所述知识库并且在所述处理器中执行进程，其中，所述医学数据被转换成转换数据，通过所述转换数据中的至少一个从所述知识库选择和布居所述特征集中的至少一个特征，和产生由具有通过所述转换数据布居的所述特征的一个或多个所述特征集代表的一个或多个生理状态的知识；和传入部分，所述传入部分在所述处理器中执行，以将关于所述一个或多个生理状态的所述知识传达至所述第二人以便进一步操作所述采集设备。
2.根据权利要求1所述的医护点动作医疗系统，还包括学习部分，所述学习部分将由所述转换数据布居的所述特征与另一生理状态相关联，其中产生由具有通过所述转换数据布居的所述特征的另一特征集代表的所述另一生理状态的另一知识，和所述另一知识被添加入存储在所述存储器中的知识库中。
3.根据权利要求1所述的医护点动作医疗系统，其中所述进程包括算法。
4.一种其上存储有可执行程序的非暂时性计算机可读存储介质，所述程序评估通过由第二人操作的采集设备获得的第一人的医学数据， 所述介质可加载在计算机存储器上， 所述程序命令计算机处理器执行步骤，所述存储器存储所述第一人的所述医学数据和具有特征集的知识库， 所述计算机处理器在所述程序的控制下向动作界面提供指令以便由所述第二人操作所述采集设备， 所述步骤包括传出部分步骤，所述传出部分步骤从所述存储器访问所述医学数据和所述知识库并且在所述计算机处理器中执行进程，所述进程包括将所述医学数据转换成转换数据，通过所述转换数据中的至少一个选择和布居从所述知识库获得的所述特征集中的特征，并且产生由具有通过所述转换数据布居的所述特征的一个或多个所述特征集代表的一个或多个生理状态的知识；和传入部分步骤，所述传入部分步骤在所述计算机处理器中执行，以便将所述一个或多个生理状态的所述产生的知识传达至所述动作界面，以便所述第二人对所述采集设备进行操作。
5.根据权利要求4所述的非暂时性计算机可读存储介质，所述步骤还包括 学习部分步骤，所述学习部分步骤在所述计算机处理器中执行，其中所述学习部分步骤包括将由所述转换数据布居的所述特征与另一生理状态相关联，产生由具有通过所述转换数据布居的所述特征的另一特征集代表的所述另一生理状态的另一知识，和将所述另一知识添加入存储在所述存储器中的所述知识库中。
6.一种用于获得关于有关第一人的一个或多个生理状态的知识的方法，所述方法包括由第二人操作采集设备； 从所述采集设备获得所述第一人的医学数据； 将从所述采集设备得到的所述医学数据输入计算机； 所述计算机接收、存储和处理所述医学数据； 所述计算机具有处理器和存储器， 访问在所述存储器中的具有特征集的知识库； 执行加载在所述处理器上的程序，所述程序包括传出部分，所述传出部分访问所述存储器中的所述医学数据和所述知识库并且在所述处理器中执行进程以便将所述医学数据转换成转换数据，所述进程通过所述转换数据中的至少一个选择和布居从所述知识库获得的一个或多个所述特征集中的特征并且进一步利用所述知识库产生由具有通过所述转换数据布居的所述特征的一个或多个所述特征集代表的一个或多个生理状态的知识；所述程序还包括传入部分，所述传入部分在所述处理器中执行，以便将所述一个或多个生理状态的所述知识传达至动作界面，以便由所述第二人进一步操作所述采集设备； 由所述第二人进一步操作所述采集设备，和从所述采集设备获得所述第一人的其它医学数据。
7.根据权利要求6所述的方法，其中所述程序还包括学习部分，所述学习部分在所述计算机处理器中执行，以便将由所述转换数据布居的所述特征与另一生理状态相关联，以产生由具有通过所述转换数据布居的所述特征的另一特征集代表的所述另一生理状态的另一知识，并且将所述另一知识添加入存储在所述存储器中的所述知识库中。
全文摘要
本发明涉及一种诊断动作医疗系统，所述医疗系统在采集数据期间引导用户并分析医学数据以用于诊断和风险评估。利用以数据为中心的分析和解释所采集的医学数据结合医护点动作医疗系统中的元数据管理的方法转换原始医学数据以便产生与具体健康状况或生理状态相关的少量密切相关特征的特征集。来自医护点动作医疗系统的医学数据聚合到一个或多个特征集上，与用户相互作用以提供关于患者的评论或要求其它信息或数据。利用专家知识库，医护点动作医疗系统从医学数据得知并随后向用户提供适于动态构建风险和/或治疗的医护点动作医学知识、诊断、和建议的任务。
文档编号G06F19/00GK102405473SQ201080016431
公开日2012年4月4日 申请日期2010年2月23日 优先权日2009年2月23日
发明者J·B·苏厄德 申请人:通用电气公司