当过渡的信号的警告，例如，中间熟练护士设施，因为仅在出院的时刻预期不足的自我护理能力。
[0070]任选地，健康护理系统400能够基于风险模型44来执行风险评估46。为计算不利事件或早期再入院的风险，己经进行了若干观察和研宄。存在可以使用的各种已知模型，例如，入院风险模型(例如，家庭风险模型，如，例如在Murata GH、Gorby MS、Kapsner CO、Chick TW、Halperin AKj “A multivariate model for predicting hospital admiss1nsfor patients with decompensated chronic obstructive pulmonary disease，，，ArchIntern Med.(1992年I月);152(1):82-6中所描述)，疾病严重性/诊断模型(如，例如，在 Richard W Troughton、Christopher M Frampton、Timothy G Yandle、Eric A Espine、M Gary Nicholls、A Mark Richards, “Treatment of heart failure guided by plasmaaminoterminal brain natriuretic peptide{(N-BNP)}concentrat1ns，，，The Lancet,第355页，第9210期，第1126-1130页(2000年4月I日)中所描述)，或者关于HF发展的模型，诸如HFSS (心率衰竭严重性评分)或Framingham心率衰竭模型，如，例如在Kannel WB,D' Agostino RB,Silbershatz H, Belanger AJ, Wilson PW, Levy D, “Profilefor estimating risk of heart failure”，Arch Intern Med.(1999 年 6 月 14 日)；159(11):1197-204中所描述。另外，能够使用预测再入院和/或道德风险的模型，包括但不限于在以下文献中描述的那些:Keenan PS, Normand SL, Lin Z, Drye EE, Bhat KR, RossJS, Schuur JD, Stauffer BD, Bernheim SM, Epstein AJ, Wang Y, Herrin J, Chen J, FedererJJ, Mattera JA, Wang Y, Krumholz HM, “An administrative claims measure suitablefor profiling hospital performance on the basis of 30-day all-cause readmiss1nrates among patients with heart failure，，，Circ Card1vasc Qual Outcomes.(2008年9 月)；1 (1):29-37 ；Amarasingham R, Moore BJ, Tabak YP, Drazner MH, Clark CA, ZhangS, Reed WG, Swanson TS, Ma Y, Halm EA, “An automated model to identify heart failurepatients at risk for 30-day readmiss1n or death using electronic medicalrecord data”，Med Care.(2010 年 11 月)；48(11):981-8 ；或者 Tabak YP, JohannesRS,Silber JH, “Using automated clinical data for risk adjustment:developmentand validat1n of six disease-specific mortality predictive models forpay-for-performance”, Med Care.(2007 年 8 月)；45 (8):789_805。在此通过引用将引用的文献中的对这些模型的描述并入。
[0071]这些模型将能够在医院环境中获得的若干患者参数进行组合。过去这些模型的焦点在于诸如生物标记物和生命体征的临床参数。然而，社交心理学参数也示出对早期不利事件的预测有贡献。关于抑郁、焦虑、护理提供者焦虑、护理提供者压力和其他社交心理学预测物的问题在于它们难于用不突兀和客观的方式来测量。作为范例，图5示出了由Amarasingham等人在以上引用的文献中公开的对30天再入院风险的估计。
[0072]在根据本发明的健康护理系统400中，能够采用Amarasingham的模型作为风险模型44。由于本发明的目标是基于可测量的数据进行推荐，因而能够由如下基于证据的测量结果来代替社交心理学参数:首先，与患者自己有关的社交心理学参数由计算的患者的自我护理能力来代替，患者的自我护理能力是基于所获得的描述患者的身体活动的患者活动数据。其次，与患者的护理提供者、搭档或社交联系有关的社交心理学参数由患者的社交网络的自我护理能力来代替。例如，图5中的项“单身”能够由社交支持活动来代替。单身者更容易遭受社交孤立。然而，单身者也能够具有非常活跃的社交生活。根据本发明的健康护理系统以社交支持活动数据的形式提供可测量证据。根据风险模型44确定的风险能够由临床医师用于风险评估46并且还能够在计算对患者的出院计划47的推荐中被包括在内。
[0073]最后，健康护理系统400提供对出院计划47的推荐。对出院计划47的推荐是基于以下的组合来计算的:来自电子健康记录42的患者数据、根据风险模型44的计算的风险评分、出院指南45以及患者41a的自我护理能力和患者的社交网络41b的自我护理能力。
[0074]出院计划47能够使用基于规则的算法来创建，其中，前面提及的元素被组合以生成对出院计划的推荐。出院计划包括以下的组合:与医学专业人员的随访预约、家庭访问、诸如心脏修复和戒烟课程的项目、以及诸如远程健康监测和餐饮服务的家庭服务。换言之，通过形成规则来推荐出院计划元素，所述规则描述例如患者的风险评分、社交网络的自我护理能力和患者本身的自我护理能力的组合。因此，护理计划是基于事实证据来生成的。
[0075]作为范例，不能做饭且单身并具有来自他的社交网络的有限支持的中等风险患者被分配以餐饮支持作为不能由他的社交网络提供的专业服务。另一方面，具有非常活跃的社交背景的患者能够被分配以降低的专业护理的水平，因为非正式护理提供者己经很好地照顾他。
[0076]在备选的实施例中，出院计划47是使用学习算法来创建的，其中，基于从电子健康记录42提取的患者的简介、根据风险模型44的风险评分、自我护理能力水平41a、41b的组合来建议出院计划47的元素。使用过去的简介和出院计划的组合，针对将来的患者的对应的出院计划元素作为决策支持而被提供给责任医师。
[0077]尽管图3已经示出了医院环境中的健康护理系统20，但是所述系统也能够在家中实现。例如，起居室和/或厨房能够配备有运动传感器24。备选地，能够使用额外的传感器来监测活动，所述额外的传感器包括可穿戴传感器，例如由患者穿戴的加速度计。能够并入其他类型的传感器，例如来自报警系统的门传感器。
[0078]图6示出了针对家庭情形的健康护理系统600的实施例。当然，所述系统的几个方面也能够被应用于医院场景，并且反之亦然。
[0079]所述系统包括可穿戴传感器60a，可穿戴传感器60a能够由患者穿戴以获得描述患者的身体活动或活动水平61a的患者活动数据。所述系统还包括运动传感器60b，例如，相机或动作传感器。运动传感器60b能够被安装在例如患者的家庭的起居室中，用于测量起居室中的总体活动。任选地，患者的活动水平61a能够用于校正总体活动水平61b。具体而言，能够从总体活动水平61b减去患者的活动水平61a以分离出患者的环境的活动水平，所述环境的活动水平然后指示患者的社交网络的社交支持活动。
[0080]在该实施例的修改中，家庭中的健康护理系统600仅包括运动传感器60b以测量活动，并且因而，还有家中所有人一起的自我护理能力。在该实施例中，不需要区分同居者和访问者。
[0081]患者的活动水平6