对患者紧急度的临床医师评估的估计和使用的制作方法

本文中所描述的各种实施例大体涉及健康护理。更特别地，但是非排他性地，本文中所公开的各种方法和装置涉及对患者紧急度的临床医师评估的估计和使用。

背景技术

存在用于基于各种健康指标来评估患者的恶化和/或由患者(即，“患者紧急度”)所要求的医学护理的各种技术。这些健康指标可以包括但不限于年龄、性别、体重、身高、血压、乳糖水平、血糖、体温、遗传历史等等。临床决策支持(cds)算法可以使用这些健康指标来提供对患者紧急度的评估。通常地，cds算法被用作健康专家的决策制定的补充而不是对其的替换。

虽然cds算法可以有时警告临床医师患者状况的先前未知的改变的存在，但是在其他情况下，临床医师可能已经知道改变(例如，紧急度的恶化)。在这样的情况下，cds算法未向临床医师提供新信息，并且相反，可能只不过徒增烦扰。如果该场景重复地发生，则临床医师可能开始完全忽略cds算法的输出。

技术实现要素：

本公开涉及用于估计并且利用对患者紧急度的临床医师评估的发明方法和装置。在各种实施例中，关于与多个患者相关联的健康指标的历史数据以及被提供给那些患者的特性可以被用于建立用于估计临床医师紧急度评估指数(“caai”)的方法。在一些实施方式中，建立这样的方法可以包括训练机器学习模型。估计的caai可以然后被用于各种目的。

在一些实施例中，caai可以结合患者紧急度的另一指标使用，例如，以确定对患者的紧急度的当前临床医师评估是否准确。在一些实施例中，当做出各种医学决策(诸如确定是否准许患者住院-使患者出院-转移患者(“adt”)、制定各种处置或手术、改变与患者相关联的医学警报等等)时，可以考虑caai。在一些实施例中，caai可以被用作比仅考虑健康指标的另一指标更鲁棒和/或准确的患者紧急度的指标。

额外地或者备选地，出于各种目的，caai可以(例如，作为计算设备上的输出)被传递给各种医学人员。例如，caai可以被提供给可能尚未立即知道患者的紧急度的刚开始她的换班的医生，使得医生可以更迅速地变得跟上进度。作为另一范例，caai可以被提供给护士以引导护士应当多么紧密地监测患者。作为又一范例，caai可以被提供给医学技术专家以引导所述技术专家如何调谐或者以其他方式配置医学设备。

在本公开中所描述的范例使用机器学习分类器来实现。然而，这不旨在为限制性的。一般而言，本文中所描述的技术也可以以其他方式执行。例如，在一些实施方式中，针对感兴趣患者的caai可以使用被建立为医院流程和策略的一部分的一个或多个规则(例如，启发法)来确定。在具有或没有对计算机的使用的情况下，该caai可以然后被用于如上文所描述的各种目的。

通常地，在一个方面中，获得与多个相应患者相关联的多个患者特征向量。每个患者特征向量可以包括指示患者的一个或多个可观察健康指标的一个或多个健康指标特征，以及指示被提供给患者的处置的一个或多个特性的一个或多个处置特征。机器学习分类器可以基于患者特征向量来训练以接收后续患者特征向量作为输入，并且提供临床医师紧急度评估的水平的指示作为输出。稍后，与给定患者相关联的患者特征向量可以被获得并且被提供作为所述机器学习分类器的输入。基于来自机器学习分类器的输出，可以估计与给定患者相关联的临床医师紧急度评估的水平。

在各种实施例中，给定患者的临床医师紧急度评估的所估计的水平可以被确定为未能满足临床医师紧急度评估阈值。因此，输出可以被提供给医学人员以向医学人员指示对给定患者的紧急度的当前临床医师评估是不准确的。

在各种实施例中，可以确定给定患者的客观紧急度水平与给定患者的临床医师紧急度评估的水平不匹配。在各种版本中，输出可以被提供给医学人员以向医学人员指示对患者的紧急度的当前临床医师评估是不准确的。在各种版本中，可以对给定患者的客观紧急度水平的指标被输出给医学人员的方式做出更改以通知医学人员针对给定患者的额外关注需要保证。

在各种实施例中，至少一个患者特征向量包括指示患者的健康参数是被有创地测量的还是被无创地测量的特征。在各种实施例中，至少一个患者特征向量包括指示患者的健康指标被测量的频率的特征。在各种实施例中，至少一个患者特征向量包括指示患者是否由生命攸关系统支持的特征。在各种实施例中，至少一个患者特征向量包括指示被施予给患者的药物的剂量或者持续时间的特征。在各种实施例中，多个患者特征向量中的每个包括指示与相应患者相关联的结果的标签。

如本文所使用的，“患者紧急度”被用于指代由患者要求和/或需要保证的医学护理的度量。其还可以指代患者恶化的紧密相关概念，其使患者的恶化的水平(例如，多么迅速)与由患者需要保证的医学护理的量相关。例如，经历出血和/或其他危及生命的症状的严重受伤的患者可能要求密集的医学护理，并且因此可以具有比例如对于其来说最好处置是时间和休息的稳定患者更高的患者紧急度。如本文所使用的“医学人员”或者“临床医师”可以包括但不限于医生、护士、护士从业者、治疗师、技术专家等等。

应当认识到，前述概念和以下更详细地讨论的额外概念的所有组合(假如这样的概念不是相互矛盾的话)被预见为本文所公开的发明主题的一部分。特别地，在本公开的末尾出现的要求保护的主题的所有组合被预见为本文所公开的发明主题的一部分。还应当认识到，还可以在通过引用并入的任何公开中出现的本文中明确地采用的术语应当被赋予与本文所公开的特定概念最一致的含义。

本文中所描述的各种实施例涉及一种系统，其包括：一个或多个处理器；以及存储器，其与所述一个或多个处理器耦合，所述存储器存储指令，响应于由所述一个或多个处理器对所述指令的运行，所述指令使所述一个或多个处理器：获得与多个患者相关联的多个患者特征向量，每个患者特征向量包括与所述多个患者中的患者相关联的多个健康指标特征，以及与由医学人员至少部分地基于与所述患者相关联的所述多个健康指标特征对所述患者的处置相关联的多个处置特征；并且基于所述患者特征向量来训练机器学习模型以接收后续患者特征向量作为输入，并且提供临床医师准确度评估的水平的指示作为输出。

本文中所描述的各种实施例涉及一种计算机实现的方法，其包括：通过一个或多个处理器获得与给定患者相关联的患者特征向量，所述患者特征向量包括指示所述给定患者的一个或多个可观察健康指标的一个或多个健康指标特征，以及指示被提供给所述给定患者的处置的一个或多个特性的一个或多个处置特征；通过所述一个或多个处理器将所述患者特征向量作为由所述一个或多个处理器操作的机器学习模型的输入；并且通过所述一个或多个处理器基于来自所述机器学习模型的输出来估计与所述给定患者相关联的临床医师紧急度评估的水平。

本文中所描述的各种实施例涉及一种非瞬态计算机可读介质，其包括指令，响应于由计算系统对所述指令的运行，所述指令使所述计算系统执行以下操作：获得与多个相应患者相关联的多个患者特征向量，每个患者特征向量包括指示患者的一个或多个可观察健康指标的一个或多个健康指标特征，以及指示被提供给所述患者的处置的一个或多个特性的一个或多个处置特征；基于所述患者特征向量来训练机器学习模型以接收后续患者特征向量作为输入，并且提供临床医师紧急度评估的水平的指示作为输出；获得与给定患者相关联的患者特征向量；提供所述患者特征向量作为所述机器学习模型的输入；并且基于来自所述机器学习模型的输出来估计与所述给定患者相关联的临床医师紧急度评估的水平。

通过建立机器学习模型以估计关于患者状况临床医师已经了解了什么(即，临床医师紧急度评估)，系统可能能够更智能地选择如何将“客观”紧急度评估(例如，cds算法的输出)呈现给临床医师和其他人员。在临床医师紧急度评估已经与客观紧急度评估匹配的情况下，可以得出以下结论：临床医师已经知道所述状况并且警报(或者其他主动通知)可以被抑制以支持更被动的通知(或者甚至没有通知)从而减少临床医师将开始将客观紧急度评估视为无用的或者否则开始将其忽略(例如，由于警报疲劳)的可能性。相反地，更主动的通知度量可以然后被保留用于其中在临床医师与客观紧急度评估之间存在差异的情况，其中，客观紧急度评估将向临床医师提供新信息是更可能的。

描述了各种实施例，其中，所述存储器还包括用于进行以下各项的指令：将包括与给定患者相关联的健康指标特征和处置特征的一个或多个特征向量提供给所述机器学习模型作为输入；并且基于所述机器学习模型的输出来估计所述给定患者的临床医师紧急度评估的水平。

各种实施例额外地包括用于进行以下各项的指令：确定所述给定患者的临床医师紧急度评估的所估计的水平未能满足临床医师紧急度评估阈值；并且使输出被提供给医学人员以向所述医学人员指示对所述给定患者的紧急度的当前临床医师评估是不准确的。

各种实施例额外地包括用于确定所述给定患者的客观紧急度水平与所述给定患者的临床医师紧急度评估的水平不匹配的指令。

各种实施例额外地包括用于使输出被提供给医学人员以向所述医学人员指示对所述患者的紧急度的当前临床医师评估是不准确的指令。

各种实施例额外地包括用于更改所述给定患者的客观紧急度水平的指标被输出给医学人员的方式以通知所述医学人员针对所述给定患者的额外关注需要保证的指令。

描述了各种实施例，其中，至少一个患者特征向量包括指示患者的健康参数是被有创地测量的还是被无创地测量的特征。

描述了各种实施例，其中，至少一个患者特征向量包括指示患者的健康指标被测量的频率的特征。

描述了各种实施例，其中，至少一个患者特征向量包括指示患者是否由生命攸关系统支持的特征。

描述了各种实施例，其中，至少一个患者特征向量包括指示患者是否由生命攸关系统支持的特征。

描述了各种实施例，其中，所述多个患者特征向量中的每个包括指示与相应患者相关联的结果的标签。

一些实施方式涉及对经训练的模型的利用。例如，经训练的模型可以被利用在迭代更新中并且进一步开发经训练的模型并且对其进行更新。这样可以在各种实施例中通过将各种患者特征向量输入到先前经训练的模型中来完成，所述患者特征向量被提供作为已经训练的模型的输入。在使用中，与给定患者相关联的患者特征向量可以被获得并且被提供作为机器学习模型的输入。在使用中并且在对患者特征向量的输入之后，所述机器学习模型的输出可以包括与给定患者和患者特征向量相关联的临床医师紧急度评估的所估计的水平。因此，在各种范例中，还可以提供一种使用经训练的机器学习模型来生成caai、获得客观度量、比较和选择警报特性的方法。

在一些实施方式中，提供了一种方法，其包括生成由提供患者特征向量而得到的候选caai。所述方法还包括：输入当前患者特征向量和处置向量作为经训练的机器学习分类器的输入；并且通过经训练的模型生成临床医师紧急度评估的所估计的水平作为针对相关联的患者的输出。同样地，临床医师紧急度评估的所估计的水平可以通过使用阐述的经训练的机器学习模型来生成。

在一些方面中，描述了一种使用经训练的机器学习模型的计算机实现的方法，其中，所述方法包括：通过一个或多个处理器获得与给定患者相关联的患者特征向量和处置特征向量两者；通过所述一个或多个处理器提供所述患者特征向量和所述处置特征向量作为由所述一个或多个处理器操作的机器学习模型的输入；并且通过所述一个或多个处理器基于来自所述机器学习模型的输出来估计与所述给定患者相关联的临床医师紧急度评估的水平。进一步地，在各种实施方式中，描述了对经训练的机器学习模型的使用，其中，所述机器学习模型使用在本文中所描述的各种计算机实现的训练方法步骤来训练。

在一些实施方式中，对所述机器学习模型的训练包括基于多个训练范例的训练输出在卷积网络上执行反向传播。

其他实施方式可以包括一种非瞬态计算机可读存储介质，其存储可由处理器(例如，中央处理单元(cpu))执行以执行方法(诸如上文所描述的方法中的一个或多个)的指令。又一实施方式可以包括一种包括可操作用于运行存储的指令以执行方法(诸如上文所描述的方法中的一个或多个)的一个或多个处理器的一个或多个计算机和/或一个或多个学习模型的系统。

各种实施例涉及一种用于将临床决策支持信息呈现给临床医师的方法、一种用于执行所述方法的设备和一种被编码有用于执行所述方法的指令的非瞬态机器可读存储介质，所述方法包括：接收描述患者的多个特征；将第一经训练的模型应用到所述多个特征的至少第一部分以生成患者紧急度值作为对患者状况的估计；将第二经训练的模型应用到所述多个特征的至少第二部分以生成临床医师紧急度评估值作为对临床医师对所述患者状况的评估的估计；将所述患者紧急度值与所述临床医师紧急度评估值相比较；并且基于所述患者紧急度值与所述临床医师紧急度评估值的所述比较来确定用于呈现所述患者紧急度值的至少一个呈现特性。

描述了各种实施例，其中，所述多个特征的所述第二部分包括被提供给所述患者的处置的至少一个特性。

各种实施例额外地包括当所述患者紧急度值与所述临床医师紧急度评估值的所述比较确定所述临床医师紧急度评估值与所述患者紧急度值基本上相同时，抑制基于所述患者紧急度值生成的警报。

描述了各种实施例，其中，所述确定的步骤包括：当所述患者紧急度值与所述临床医师紧急度评估值的所述比较确定所述临床医师紧急度评估值与所述患者紧急度值基本上不同时，选择吸引注意力的呈现特性。如将理解的，吸引注意力的呈现特性可以包括能够在临床医师未观看或仅仅偶尔瞥一眼输出监视器时捕获临床医师的注意力的各种特性。例如，增加针对输出患者紧急度值的文本大小、改变患者紧急度值的颜色以关于屏幕上输出的其他信息突出、使患者紧急度值闪烁或者输出可听声音以吸引注意力。在一些实施例中，吸引注意力的呈现特性可以是当(在一些实施例中，仅当)临床医师紧急度评估值与患者紧急度值基本上不匹配时使用的被选择为“吸引注意力”的一个或多个特性的预定义集合。描述了各种实施例，其中，所述至少一个呈现特性包括以下各项中的至少一项：可听声音、文本大小、文本颜色和文本闪烁设置。

应当认识到，前述概念和在本文中更详细描述的额外概念的所有组合被预见为本文所公开的主题的一部分。例如，在本公开的末尾出现的要求保护的主题的所有组合被预见为本文所公开的主题的一部分。

附图说明

在附图中，相同的附图标记通常贯穿不同的视图指代相同的部分。而且，附图未按比例绘制，相反重点通常放在说明本文中所描述的实施例的各种原理。

图1a例示了常规患者紧急度指数可以如何基于多个健康指标来确定；

图1b例示了根据各种实施例的临床医师紧急度评估指数可以如何使用本文所公开的技术基于多个健康指标和处置特性来确定；

图2示意性地图示了根据各种实施例的在其中可以采用所公开的技术的环境；

图3示意性地图示了根据各种实施例的训练被配置具有本公开的所选择的方面的机器学习分类器的范例方法；

图4示意性地图示了根据各种实施例的估计caai并且出于各种目的使用该估计的范例方法；并且

图5示意性地描绘了根据各种实施例的范例计算机系统的部件。

具体实施方式

存在用于基于各种健康指标来评估患者紧急度的各种技术。然而，观察的健康指标可以不必提供患者紧急度的综合视图。由医学人员向患者提供的医学处置可以本身还高度指示患者紧急度。因此，在本领域中需要考虑由临床医师提供的处置的特性来估计患者紧急度的临床医师评估并且以各种方式利用患者紧急度的确定的临床医师评估。更一般地，申请人已经意识到并且认识到，基于各种信号(诸如被提供给患者的处置的医学指标和/或特性)来预测和/或估计患者的临床医师紧急度评估将是有益的。通过考虑临床医师紧急度评估(即，临床医师当前如何看待患者的状态的估计)，系统可以更智能地确定如何输出相关患者紧急度度量的输出。例如，如果针对急性肾损伤(aki)的临床医师紧急度评估粗略地匹配由另一cds算法对aki的“常规”评估，则客观评估的输出可以以被动的方式呈现(例如，简单地被显示在监视器的屏幕上)，然而如果临床医师对aki的紧急度评估比客观akicds算低得多(即，在该范例中不太严重)，则可以更主动地呈现输出(例如，闪光文本、警报、被发送给主治临床医师的消息等)。鉴于前述内容，本发明的各种实施例和实施方式涉及估计和利用患者紧急度的临床医师评估。

参考图1a，示出了“常规的”患者紧急度指数可以如何被确定的范例。与患者相关联的各种所谓的“健康指标”(例如，可观察属性)可以被用于确定患者的紧急度。在该范例中，患者的年龄、体重、性别、血压、脉搏率和来自多个实验室lab1-n的结果被用于确定与患者相关联的紧急度指数(或者“得分”)。除了或者代替在图1a中所描绘的那些，可以使用其他健康指标(诸如温度、血糖水平、含氧量等)。虽然这样的传统指数可以在评估患者的紧急度中是有用的，但是其未能考虑临床医师在诊断和/或处置各种疾病和紊乱中的专业知识和/或经验。在一些情况下，传统指数可以简单地反映临床医师已经知道什么，并且如此，可以构成冗余信息。

因此，在各种实施例中，本文所描述的技术可以确定针对患者的所谓的“临床医师紧急度评估指数”或者“caai”。除考虑图1a中所示的一个或多个健康指标之外，caai可以考虑由医学人员提供给患者的处置的一个或多个特性。在许多实例中，被提供给患者的处置的特性可以比客观健康指标本身更强烈地反映针对患者(并且因此患者紧急度)的临床医师关注。如在本文中将描述的，caai可以被用于各种目的。

图1b描绘了根据各种实施例的所公开的技术可以如何被用于确定caai的范例。如大体在100处所指示的，可以考虑在图1a中考虑的相同的健康指标中的一个或多个。然而，如大体在102处所指示的，除了或者代替健康指标，还可以考虑被提供给患者的处置的一个或多个特性。在该范例中，被考虑以确定caai的处置特性包括特定实验室(lab1)被执行的方式(有创的或者无创的)、规定的(或者施予的)药物medicinea、规定的(和/或施予的)medicinea的剂量、medicinea被施予(和/或规定被施予)的频率和多个其他处置特性(图1b中被标记为treatment1...treatmentm)。这些仅仅是可以被考虑的处置特性的范例，并且不旨在为限制性的。在许多情况下，使用这些特征估计的caai可以是比其他常规指数更鲁棒的和/或更准确地反映患者紧急度。

图2描绘了在其中各种部件可以交互操作以执行本文中所描述的技术的范例环境220。环境200包括可以被配置具有本公开的所选择的方面的各种部件，包括临床医师评估确定引擎202、一个或多个健康指标数据库204、一个或多个处置数据库206、一个或多个医学评估引擎208和/或一个或多个医学警报引擎210。各种客户端设备212(诸如智能电话212a、膝上型计算机212b、平板计算机212c和智能手表212d)还可以与图2中所描绘的其他部件通信。在一些实施例中，虽然这不被要求，但是图2的部件可以经由一个或多个无线或有线网络214通信地耦合。并且虽然在图2中分离地描绘了部件，但是应当理解，在图2中所描绘的一个或多个部件可以被组合在单个计算机系统(其可以包括一个或多个处理器)中，和/或跨多个计算机系统(例如，跨多个服务器)实现。

临床医师评估确定引擎202可以被配置为基于各种处置特性来确定针对一个或多个患者的caai。在一些实施例中，临床医师评估确定引擎202可以包括一个或多个机器学习分类器216，其可以被训练以接收包含健康指标和处置特征的一个或多个特征向量作为与患者有关的输入，并且提供基于输入而估计的caai作为输出。机器学习分类器216的输出可以以各种方式由本文中所描述的各种部件使用。虽然相对于机器学习分类器的使用在本文中描述了各种实施例来创建caai以及客观患者紧急度指标，但是将明显的是，各种实施例可以额外地或者备选地使用其他机器学习模型(诸如例如线性回归模型)，其可以在紧急度指数也要被表示为数值的情况下是有用的。

健康指标数据库204可以包括与多个患者相关联的观察和/或可观察健康指标的记录。例如，健康指标数据库204可以包括多个患者记录，其特别地包括指示患者的一个或多个健康指标的数据。在本文中其他地方描述了范例健康指标。在其他实施例中，健康指标数据库可以包括与多个患者相关联(例如，被收集为研究的一部分)的匿名健康指标。

处置数据库206可以包括与由医学人员对患者的处置有关的信息，包括可能未被包含在健康指标数据库204中的被提供给患者的处置的各种特性。例如，鉴于健康指标数据库204可以包括多个患者的各种生命体征测量结果，诸如血压、脉搏率、血糖水平、体温、乳糖水平等，处置数据库206可以包括指示如何获得生命体征的特性的记录。例如，处置数据库206可以包括指示特定生命体征测量是有创地还是无创地进行(后者指示较高程度的临床医师关注)、多久获取/测量特定生命体征一次、用于进行测量的说明原因等等的数据。更一般地，处置数据库206可以包括指示被提供给患者的处置的特性的记录。这些记录可以包括但不限于特定药物或治疗是否被规定和/或施予、药物/处置被规定/施予的频率、规定/施予的药物/处置的量(或者剂量)、是否采取某些治疗和/或预防步骤、流体是否被施予、流体多久被施予一次和/或多少流体被施予等等。

在一些实施例中，机器学习分类器216可以使用包含从健康指标数据库204获得的健康指标特征和/或从处置数据库206获得的一个或多个处置特征的一个或多个患者特征向量来训练。一旦机器学习分类器216被充分地训练，其就可以接收与后续患者相关联的患者特征向量作为输入，并且可以提供与那些后续患者有关的临床医师紧急度评估的水平的指示。本质上，机器学习分类器216“学习”先前患者如何响应于各种健康指标而被处置，并且然后使用该知识“猜测”或者“估计”一个或多个临床医师当前如何基于各种相同的信号来评估患者的紧急度。如上所述可以被称为“caai”的该猜测或者估计可以然后被用于各种目的。

caai可以被用于的一个目的是评估当前患者的紧急度。医学评估引擎208可以可由一个或多个客户端设备212访问，这些客户端设备可以由一个或多个医学人员操作来确定患者的紧急度。在一些实施例中，医学评估引擎208可以基于该患者的caai将患者分类为具有特定水平的紧急度。例如，(一个或多个)患者特征向量可以被提供作为机器学习分类器216的输入，其转而可以提供caai。caai可以然后被返回到医学评估引擎208，其可以单独或者组合其他数据点使用caai来提供患者的紧急度的评估。可以使该评估对客户端设备212处的医学人员可用，使得他们可以相应地做出反应。例如，假设新er医生刚开始换班。为了迅速地使er医生关于该医生可能不熟悉的多个er患者跟上进度，该医生可以(在客户端设备212中的任一个处)被提供有针对这些患者的caai指标，使得医生将迅速地能够确定哪些患者需要保证最紧急的注意力。

在一些实施例中，医学评估引擎208或者在图2中所描绘的另一部件可以被配置为基于caai来确定给定患者的紧急度的当前临床医师评估是否是准确的。例如，医学评估引擎208可以确定由机器学习分类器216输出的caai未能满足临床医师紧急度评估阈值。在一些实施例中，机器学习分类器216可以被配置为将输入向量映射到对应于临床医师紧急度评估的“分数”或者“得分”的输出类别。如果医学评估引擎208从临床医师紧急度评估确定引擎202接收机器学习分类器216已经向临床医师紧急度评估给出不及格分的指示，则医学评估引擎208可以提供听觉、视觉和/或触觉输出，和/或使这样的输出被提供在一个或多个客户端设备212上，以通知医学人员患者的紧急度的当前临床医师评估应当被重新评估。

额外地或者备选地，在一些实施例中，医学评估引擎208可以被配置为基于与患者相关联的健康指标和处置特征来确定给定患者的“客观”紧急度水平是否匹配针对给定患者估计的caai(例如，在其预定范围内)。作为响应，医学评估引擎208可以使输出被提供给医学人员(例如，在客户端设备212处)以向医学人员指示患者的紧急度的当前临床医师评估是不准确的。例如，医学评估引擎208可以选择更主动地输出(例如，利用大文本或闪烁文本、警报声音、被推送到医学人员的设备的消息)客观患者紧急度度量。

如本文所使用的，“客观”患者紧急度可以指代仅基于可观察健康指标(例如，年龄、脉搏、血压、性别等)对患者的紧急度的客观测量结果(例如，如由cds算法输出的)，与caai相反，其反映对紧急度的临床医师评估，并且还基于被提供给患者的主观处置的特性。可以被使用的一些范例“客观”指数包括由飞利浦医疗开发的血液动力学不稳定性指数(“hii”)或者早期恶化指数(“edi”)两者。其他“客观”指数使用各种算法基于患者健康指标来计算，算法诸如用于检测急性肺损伤“ali”和/或急性呼吸窘迫综合征(“ards”)的算法，仅举几例。在各种实施例中，多个caai算法可以被训练并且被部署用于与这些客观患者紧急度度量中的一个或多个配对。例如，针对血液动力学不稳定性的caai可以被用于将临床医师评估与hii相比较，而针对edi的分离的caai可以被用于将临床医师评估与edi相比较。在一些实施例中，caai的输出可以与由对应的客观cds算法输出具有相同的类型，使得这些值可以被直接地比较。例如，在客观cds算法输出在1到10的标度上的值的情况下，对应的caai算法也可以输出在1到10的标度上的值。作为另一实施例，其中，客观cds算法输出分类，对应的caai算法也可以输出分类。

在一些实施例中，给定患者的客观紧急度水平的指标被输出给医学人员的方式可以例如由医学评估引擎208基于使用上文所描述的基于健康指标的指数中的一个或多个生成的患者的客观紧急度水平和与患者相关联的caai的比较来更改。假设医学评估引擎208确定患者的caai“匹配”使用例如hii计算的患者的客观紧急度(例如，在其预定范围内)。在这样的情形中，医学评估引擎208可以确定临床医师足够地关注了患者。因此，医学评估引擎208可以使被输出给医学人员(例如，被显示在一个或多个客户端设备212的屏幕上)的一个或多个hii指标较不显著地被输出和/或根本不被输出，以避免利用太多信息烦扰或者否则淹没医学人员。

另一方面，如果医学评估引擎208确定患者的caai与患者的hii(或者另一类似客观紧急度指数)不匹配，则其可以是医学人员已经低估了患者的恶化的情况。因此，医学评估引擎208可以使一个或多个hii指标更显著地、更频繁地等等被输出(例如，在一个或多个客户端设备212上)以将医学人员置于该差异的通知上。

医学评估引擎208或者另一部件也可以基于由机器学习分类器216输出的caai来做出其他决策。在一些实施例中，可以至少部分地基于与患者相关联的caai来做出针对患者的adt决策。如上所述，caai可以本身被用作患者紧急度的度量(除其作为临床医师紧急度评估的指标的作用之外)，并且因此可以指示由患者要求的护理量是否足够低以证明可以使患者出院和/或将患者从重症监护室(“icu”)转移到例如恢复部门。另一方面，医学评估引擎208可以至少部分地基于患者的caai来确定患者应当从某个其他地方(诸如手术室或者分诊台)被转移到icu。

caai可以被用于的又一目的是调节与被用于处置和/或监测患者的一个或多个机器相关联的一个或多个医学警报。在各种实施例中，医学警报引擎210可以被配置为选择一个或多个阈值或其他准则，其当被满足时触发一个或多个警报。这些阈值和/或准则可以(例如，经由客户端设备212a-d)对医学人员可用和/或在被配置为处置任何患者或者监视患者的一个或多个医学机器(未描绘的)处可用。

假设由机器学习分类器216提供的caai被用于选择与生命体征或者生命体征的组合相关联的阈值(例如，最小/最大可接受血压、最小/最大可接受血糖水平、最小/最大可接受血压/心率等)。然后，假设随着时间过去，医学了解演变或者医院最好实践改变，并且因此，不同的处置方案演变用于对症状的相同集合做出响应。医学处置的这样的演变可以引起caai的对应的演变，其转而可以导致对一个或多个医学警报的更改。

现在参考图3，描绘了训练机器学习分类器(例如，图2中的216)的范例方法300。为简洁和清楚起见，图3的操作和本文所公开的其他流程图将被描述为由系统执行。然而，应当理解，一个或多个操作可以由相同或者不同的系统的不同的部件执行。例如，操作中的许多可以由例如与机器学习分类器216协作的临床医师紧急度评估确定引擎202执行。

在框302处，系统可以例如从图2中的健康指标数据库204获得与多个患者相关联的多个健康指标特征向量。如上所述，这些健康指标特征向量可以包括与患者相关联的各种各样的可观察健康指标作为特征。这些健康指标特征可以包括但不限于年龄、性别、体重、血压、体温、脉搏、中心静脉压(“cvp”)、心电图(“ekg”)读数、氧含量、遗传指标(诸如遗传性和/或种族指标)等等。

在框304处，系统可以例如从图2中的处置数据库206获得与多个患者相关联的多个处置特征向量。每个处置特征向量可以包括与由医学人员对多个患者中的给定患者的处置相关联的多个处置特征。在许多实例中，被提供到给定患者的处置可以至少部分地基于(例如，响应于)与给定患者相关联的健康指标特征向量的对应的多个健康指标特征。“处置”可以包括由医学人员以患者的名义采取的任何动作，例如，向患者施予药物或者治疗、或者监测患者的一个或多个方面等。“处置向量”可以包括由医学人员被提供给患者的一个或多个处置的一个或多个属性或者特性。例如，处置可以是获取患者的血压。获取患者的血压的特性可以是血压是有创地还是无创地被获取、多久血压被获取一次等等。类似特性可以与进行其他健康指标测量相关联。作为一个非限制性范例，患者的格拉斯哥昏迷评分(“gcs”)是否被测量以及其多么频繁地被测量可以是处置向量的特征。

作为另一非限制性范例，处置向量可以包括指示患者是否由生命攸关系统(诸如通气机、透析机等等)支持的特征。额外地或者备选地，被用于处置/维持/监测给定患者的生命攸关系统的各种操作参数还可以构成处置向量的特征，诸如患者是在动脉线上还是静脉线上。作为另一非限制性范例，处置向量可以包括指示被施予给患者的药物或者治疗的剂量、频率和/或持续时间的特征。作为另一非限制性范例，处置向量可以包括指示一个或多个实验室是否已经针对患者被预定(诸如乳酸是否已经被测量)的特征。

在框306处，系统可以基于在框302处获得的多个健康指标向量和在框304处获得的对应的处置向量来训练机器学习分类器(例如，216)。在各种实施例中，机器学习分类器可以在框306处被训练以接收后续健康指标和处置特征向量作为输入，并且提供临床医师紧急度评估的水平的指示(即，caai)。如先前所提到的，在各种实施例中，不是在两个不同的向量中，健康指标特征和处置特征可以被并入单个向量中，或者可以被并入每个患者超过两个不同的向量中。

机器学习分类器可以以各种方式来训练。在采用监督式机器学习(例如，使用梯度下降)的一些实施例中，机器学习分类器可以利用多个训练范例来训练。每个训练范例可以由包括健康指标和处置向量作为输入(作为两个分离的向量或者单个患者特征向量)和“标签”作为期望的输出(还被称为“监督信号”)的对组成。

可以采用各种类型的标签。在一些实施例中，可以采用与患者结果相关联的标签。患者结果标签可以采取各种形式，诸如阳性的、中性的或阴性的、或各种中间的等级。额外地或者备选地，患者结果标签可以指示紧急度的各种度量，诸如死亡率、发病率、生活质量、住院时间(例如，在医院)、所要求的后续处置的量等等。如果采用多个结果度量，则它们可以取决于优先级、策略等以各种方式来加权。在一些实施例中，临床医师的面板可以提供权重。他们可以同意好结果或坏结果的多个度量，例如死亡、严重损伤的脑功能、固定化等。一个可能的方法是当训练分类器时针对特别不期望的紧急度类别使用少量的特别坏的结果来标记患者，并且从更期望的类别排除“更温和的”但是仍然阴性的结果。然后，分类器可以使用更温和的结果来操作。分类器的结果可以被示出到临床医师的面板以看其是否符合他们的直觉。这可以利用被用作训练集中的阴性标签的不同的严重性的阴性结果来迭代，直到临床医师的直觉被满足。

在各种实施例中，分类器可以被训练以输出针对不同类型的问题的caai。例如，一个机器学习分类器可以被训练以输出要与hii一起使用的针对血液动力学不稳定性的caai。另一机器学习分类器可以针对要与针对aki的指数等等一起使用的aki被训练。在一些实施例中，被指定dnr(不施行心肺复苏)或者某个类似指定(例如，仅舒适度量)的患者可以从训练机器学习分类器排除，因为他们尽管具有高紧急度但是可能拒绝处置。

基于这些训练范例，可以产生可以被用于将后续健康指标/处置向量映射到可能的患者结果的推断函数。如果与新患者相关联的新健康指标/处置向量映射到阴性结果，则例如可以做出患者的紧急度的临床评估不准确并且患者可能需要保证比当前被提供和/或预期的更多的医学护理的确定。额外地或者备选地，在一些实施例中，梯度下降或者正规方程方法可以被用于训练机器学习分类器(诸如例如在其中机器学习分类器被表示为逻辑回归模型或者神经网络模型的情况下)。梯度下降或者正规方程方法还可以被用于其他机器学习模型(诸如例如线性回归模型)。如将认识到的，实现梯度下降的各种方法是可能的(诸如例如随机梯度下降和分批梯度下降)。

在一些实施例中，机器学习分类器可以例如在诸如医院的位置处或者包含多个医学部门的地理区域中例如在(例如，已经利用默认训练数据训练的)预配置状态中被启动。在启动之后，回顾性数据的滑动时间窗口(例如，六个月)可以被用于随着其演变将机器学习分类器更新为最新和/或局部最好实践。

图4示意性地图示了出于各种目的使用如216的机器学习分类器的输出(例如，caai)的范例方法400。在框402处，与感兴趣患者相关联的健康指标和处置向量(其如上所述可以被组合为一个或多个患者特征向量)可以例如从图2中的健康指标数据库204和/或处置数据库206获得。在框404处，在框402处获得的健康指标和处置向量可以被提供作为机器学习分类器(例如，图2中的216)的输入。在框406处，感兴趣患者的临床紧急度评估的水平(即，caai)可以至少部分地基于机器学习分类器的输出来估计。

方法400的剩余的操作是在框406处确定的caai的任选应用。例如，在框408处，由例如图2中的医学警报引擎210维持的一个或多个警报阈值可以至少部分地基于估计的caai来调节。在一些实施例中，caai可以被用于评价现有的医学警报。假设caai指示相对低的临床医师关注，甚至尽管一个或多个医学警报被触发。这可能表明临床医师忽略警报(例如，因为他们不认为其是严重的或者甚至认为其是错误的)，和/或警报被过度使用。因此，在各种实施例中，医学警报引擎210可以将警报调节为较不频繁的，使得其更可能影响临床医师关注。

在框410处，可以至少部分地基于caai来做出一个或多个adt决策，并且输出可以被提供作为结果。例如，如果caai是相对低的，并且不存在询问其是否不应当更高的原因，那么医学人员可以被提供有建议他们考虑使患者出院和/或转移到低强度医学处置部门的输出。在框412处，感兴趣患者的客观紧急度可以使用上文所描述的技术中的一个或多个(例如，hii、edi等)例如基于在框402处获得的健康指标向量(但不是处置向量)的一个或多个特征来确定。在框414处，感兴趣患者的客观紧急度可以与在框406处确定的caai相比较来确定它们是否“匹配”。如上所述，在一些实施例中，实际的患者紧急度和与患者相关联的caai当它们在彼此的预定范围内时“匹配”。在一些实施例中，一个或两个值可以被标准化以帮助比较。

如果在框414处的回答是“否”，那么方法400可以前进到框416。在框416处，一个或多个保健人员可以(例如，在一个或多个客户端设备212处)被提供有听觉、视觉和/或触觉输出，其指示caai可能与患者的实际紧急度不相称。在一些实例中，临床医师对患者的紧急度的评估可能低估患者的实际紧急度，在这种情况下，临床医师可以被提示以提高他或她的关注水平。在其他实例中，临床医师对患者的紧急度的评估可能高估患者的客观紧急度，在这种情况下，临床医师可以被提示以减少处置和/或集中于其他更高紧急度的患者。如果在框414处的回答是“是”，那么方法400可以结束。

如本文所描述的训练和使用机器学习分类器来估计caai的一个非限制性技术优点在于，机器学习分类器可以对其本身进行“定制”以反映医学知识与跨空间区域和/或跨时间以及跨不同实践者和/或实践的实践之间的差异。例如，并且如上文所提到的，机器学习分类器可以随时间演变，例如，因为新医学知识导致注意标准和/或最好实践的改变。另外，在不同的地理区域中使用的机器学习分类器可以由于各种因素(诸如在地理区域之间的护理标准和/或最好实践的差异)与彼此不同地操作。而且，由不同的实践组和/或实践者使用的机器学习分类器可以由于各种因素(诸如在实践/实践者之间的护理标准和/或最好实践的差异)与彼此不同地操作。

在一些实施中，caai可以被用于开发新紧急度指标/指数和/或细化现有的指标/指数。例如，caai可以被包括作为将发作性症状标记为例如高临床关注对比低临床关注的患者发作性症状向量中的特征。这样的患者发作性症状向量可以然后被用于训练机器学习分类器以在未来的高临床关注发作性症状发生之前更好地预测它们。

caai还可以被用于确定临床医师关注随时间是足够还是不足的，以及评价临床医师一致性。例如，针对给定患者的期望的caai可以例如基于已知产生积极结果的类似历史实例来确定。然后，当前caai可以针对患者进行计算并且与期望的caai相比较。如果多个当前caai在一定时间段期间(例如，在夜班期间、在轮班之间、周末等)小于多个期望的caai，则那可以证明不足的监视。另一方面，如果多个当前caai在一定时间段期间大于多个期望的caai，则那可以证明过度监视，在这种情况下，可以建议断掉一个或多个治疗。此外，(例如，在一个时间段期间估计的、或者来自由第一医学团队处置的患者的)一组caai可以与(例如，在另一时间段期间估计的、或者来自由第二医学团队处置的患者的)另一组caai进行比较以确定临床医师紧急度评估在两组之间多么一致。一致性的缺乏可能表明不足的协议，或者与协议的不足的遵从性。

图5是范例计算机系统510的框图。计算机系统510典型地包括至少一个处理器514，其经由总线子系统512与许多外围设备通信。这些外围设备可以包括存储子系统524(包括例如存储器子系统525和文件存储子系统526)、用户接口输出设备520、用户接口输入设备522和网络接口子系统516。输入和输出设备允许与计算机系统510的用户交互。网络接口子系统516向外部网络提供接口并且被耦合到其他计算机系统中的对应的接口设备。

用户接口输入设备522可以包括键盘、指点设备(诸如鼠标、轨迹球、触摸板或图形输入板)、扫描器、并入到显示器中的触摸屏、诸如语音识别系统的音频输入设备、麦克风和/或其他类型的输入设备。一般而言，术语“输入设备”的使用旨在包括将信息输入到计算机系统510中或者输入到通信网络上的所有可能类型的设备和方式。

用户接口输出设备520可以包括显示子系统、打印机、传真机或非视觉显示器(诸如音频输出设备)。显示子系统可以包括阴极射线管(crt)、诸如液晶显示器(lcd)的平板设备、投影设备或用于创建可见图像的某种其他机制。显示子系统还可以诸如经由音频输出设备提供非视觉显示。一般而言，术语“输出设备”的使用旨在包括将信息从计算机系统510输出给用户或者另一机器或计算机系统的所有可能类型的设备和方式。

存储子系统524存储提供在本文中所描述的模块中的一些或全部的功能的编程和数据结构。例如，存储子系统524可以包括执行方法300和/或400的所选择的方面和/或实现临床医师紧急度评估确定引擎202、机器学习分类器216、医学评估引擎208和/或医学警报引擎210中的一个或多个的逻辑。

这些软件模块通常由处理器514单独地或者组合其他处理器执行。在存储子系统中使用的存储器525可以包括许多存储器，其包括用于存储在程序执行期间的指令和数据的主随机存取存储器(ram)530和固定指令被存储在其中的只读存储器(rom)532。文件存储子系统526可以为程序和数据文件提供永久存储，并且可以包括硬盘驱动器、软盘驱动器连同相关联的可移除介质、cd-rom驱动器、光盘驱动器或可移除介质盒。实现特定实施方式的功能的模块可以由存储子系统524中的文件存储子系统526存储或在可由(一个或多个)处理器514访问的其他机器中。如本文所使用的，术语“非瞬态计算机可读介质”将被理解为涵盖瞬态存储器(例如，dram和sram)和非瞬态存储器(例如，闪存、磁性存储设备和光学存储设备)两者但是不包括瞬态信号。

总线子系统512提供用于使计算机系统510的各种部件和子系统如预期地与彼此进行通信的机制。虽然总线子系统512被示意性地示出为单个总线，但是总线子系统的备选实施方式可以使用多个总线。

计算机系统510可以具有各种类型，包括工作站、服务器、计算集群、刀片服务器、服务器群或任何其他数据处理系统或计算设备。由于计算机和网络的不断改变的性质，图5中所描绘的计算机系统510的描述仅被认为是出于说明一些实施方式的目的的特定范例。具有比图5中所描绘的计算机系统更多或更少的部件的计算机系统510的许多其他配置是可能的。

虽然在本文中已经描述并且说明了若干发明实施例，但是本领域的普通技术人员将容易设想用于执行本文所描述的功能和/或获得本文所描述的结果和/或优点中的一个或多个的各种其他装置和/或结构，并且这样的变型和修改中的每个被认为是在本文所描述的发明实施例的范围内。更一般地，本领域的技术人员将容易认识到，在本文中所描述的所有参数、尺寸、材料和配置旨在为示例性的，并且实际参数、尺寸、材料和/或配置将取决于使用发明教导的特定一个应用或多个应用。本领域的技术人员将认识到或者能够使用不超过常规试验确定本文所描述的特定发明实施例的许多等价方案。因此，应理解，前述实施例仅以范例的方式呈现，并且在随附权利要求书和其等价方案的范围内，可以实践除特别地描述和要求保护外的发明实施例。本公开的发明实施例涉及本文所描述的每个单独特征、系统、制品、材料、工具和/或方法。另外，如果这样的特征、系统、制品、材料、工具和/或方法不互相矛盾，则两个或两个以上这样的特征、系统、制品、材料、工具和/或方法的任何组合被包括在本公开的发明范围内。

如本文所定义并且所使用的所有定义应当被理解为控制在词典定义、通过引用并入的文档中的定义和/或定义的术语的普通含义上。

除非清楚地给出相反指示，否则如本文在说明书中并且在权利要求中所使用的词语“一”和“一个”应当被理解为意指“至少一个”。

如本文在说明书中并且在权利要求中所使用的短语“和/或”应当被理解为意指如此结合的元件“之一或两者”(即，结合地存在于一些情况中并且分离地存在于其他情况中的元件)。利用“和/或”列出的多个元件应当以相同的方式解释(即，如此结合的元件中的“一个或多个”)。除由“和/或”子句特别地识别的元件之外，可以任选地存在其他元件，无论与特别地识别的那些元件有关还是无关。因此，作为非限制性示例，在一个实施例中，当结合开放式语言(诸如“包括”)使用时，对“a和/或b”的参考可以指代仅a(任选地包括除b之外的元件)；在另一实施例中，指代仅b(任选地包括除a之外的元件)；在又一实施例中，指代a和b两者(任选地包括其他元件)；等等。

如本文在说明书中并且在权利要求中所使用的，“或者”应当被理解为具有与如上文所定义的“和/或”相同的含义。例如，当分离列表中的项时，“或”或者“和/或”应当被解释为包括性的，即，包括至少一个，而且包括若干元件或者元件的列表中的超过一个元件，以及任选地额外的未列出项。只有在清楚地给出相反指示的术语(诸如“……中的仅一个”或者“……中的确切一个”或者当使用在权利要求中时“由……构成”)将指代包括若干元件或者元件的列表中的确切一个元件。一般而言，如本文所使用的术语“或者”应当仅当在排他性的术语(诸如“任一”、“之一”、“……中的仅一个”或者“……中的确切一个”)之前时才被解释为指示排他性备选方案(即，“一个或另一个但非两者”)。当使用在权利要求中时，“基本上由……构成”应当具有其如在专利法的领域中使用的普通含义。

如本文在说明书中并且在权利要求中所使用的，对一个或多个元件的列表的引用中的短语“至少一个”应当被理解为意指选自元件的列表中的元件中的任何一个或多个的至少一个元件，但是不必包括元件的列表内特别地列出的每一个元件中的至少一个并且不排除元件的列表中的元件的任何组合。该定义还允许可以任选地存在除短语“至少一个”指代的元件的列表内特别地识别的元件之外的元件，无论与特别地识别的那些元件有关还是无关。因此，作为非限制性示例，在一个实施例中，“a和b中的至少一个”(或者，等效地“a或b中的至少一个”或者等效地“a和/或b中的至少一个”)可以指代至少一个，任选地包括超过一个，a，并且没有b存在(并且任选地包括除b之外的元件)；在另一实施例中，至少一个，任选地包括超过一个，b，并且没有a存在(并且任选地包括除a之外的元件)；在又一实施例中，至少一个，任选地包括超过一个，a，以及至少一个，任选地包括超过一个，b(并且任选地包括其他元件)；等等。

还应当理解，除非清楚地给出相反指示，否则在本文要求保护的包括超过一个步骤或者动作的任何方法中，方法的步骤或者动作的顺序不必限于方法的步骤或者动作被记载的顺序。

在权利要求中以及在以上说明书中，所有连接词(诸如“包括(comprising)”、“包括(including)”、“承载”、“具有”、“包含”、“涉及”、“保持”、“包括(composedof)”等)将被理解为开放式的(即，意指包括但不限于)。仅连接词“由……构成”和“基本上由……构成”应当分别是封闭式或者半封闭式连接词，如在美国专利局专利审查指南规程2111.03节中所阐述的。应当理解，根据专利合作条约(“pct”)的规则6.2(b)在权利要求中使用的某些表达和参考符号不限制范围。