用于改善人工智能算法迭代的机器学习的制作方法

背景技术：

1、可使用感测系统(其可包括可穿戴装置)来跟踪患者的一个或多个生物标志物。医护人员(hcp)可使用生物标志物来诊断患者的疾病或确定患者的问题(诸如外科并发症)。可使用机器学习来改善来自可穿戴设备的数据(诸如生物标志物)。但训练机器学习可能是耗时的并且可能是不方便的。

技术实现思路

1、一种用于将机器学习应用于数据集合以改善手术结果的计算系统可包括处理器。该处理器可被配置成能够根据包括一个或多个生物标志物的数据集合确定外科装置的操作行为未达最佳的指示；使用该数据集合确定机器学习模型，该机器学习模型优化该外科装置的该操作行为以改善手术结果；使用由医护专业人员(hcp)给出的反馈来更新该模型以改善该模型；使用该模型和该数据集合来确定控制程序更新，该控制程序更新被配置成能够改变控制程序在外科手术期间操作该外科装置的方式；以及将该控制程序更新发送到该外科装置。

2、确定可包括训练、生成和/或确定。改善手术结果可涉及使用数据集合和模型来预测外科并发症，使得控制程序更新被配置成能够改变控制程序在外科手术期间操作外科装置的方式以防止外科并发症。可训练机器学习模型以确定和/或预测一个或多个手术结果和/或一个或多个外科并发症。可创建和/或训练机器学习模型以预测外科并发症的概率。

3、可训练机器学习模型以检测第二外科装置操作参数可与在由数据集合(例如，生物标志物测量数据)表示的生理条件状态下不存在外科并发症相关的数据模式。该模型可预测外科装置可如何操作，可预测可穿戴装置可如何操作，可预测外科并发症(例如，风险级别评估)，可预测手术结果，可预测手术成功率，和/或可预测改善的恢复率。该模型可例如通过指示疾病可能发生或可能正在发生的概率来诊断疾病。该模型可通过确定手术结果以及通过确定可在外科装置上调整以改善手术结果的一个或多个参数来优化外科装置的操作行为。该模型可通过确定手术结果以及通过确定可修改、更新和/或生成用于外科装置的控制程序以修改外科装置的操作行为来优化外科装置的操作行为。

4、有利地，可以涉及用户/hcp较少时间和较少注意力的方式改善外科装置。

5、该处理器可被进一步配置成能够：确定对该反馈的请求将导致更快的学习周期来训练该模型，该模型优化该外科装置的该操作行为；以及将对该反馈的该请求发送到该hcp。有利地，可允许强化学习。

6、该处理器可被进一步配置成能够根据该模型确定高级器械操作将减少患者的并发症或改善该患者的恢复率，并且其中该处理器被进一步配置成能够使用该模型和该数据集合，通过改变该控制程序在该外科手术期间操作该外科装置的方式以提供该高级器械操作来生成该控制程序更新。有利地，可通过使用更新的控制程序来减少并发症和/或改善恢复率，这可通过减少用户/hcp修改来实现。

7、该模型还可提供风险级别评估，并且任选地其中由该hcp给出的该反馈还包括风险级别验证，该风险级别验证指示该hcp同意由该模型提供的该风险级别评估。有利地，可更容易确定外科手术的风险级别评估，并且可通过hcp来强化机器学习。

8、该模型还可基于该一个或多个生物标志物提供对患者的诊断，并且其中由该hcp给出的该反馈还包括诊断验证，该诊断验证指示该hcp同意由该模型提供的该诊断。有利地，可允许强化学习。

9、该模型还可提供通知级别，以通过在该外科手术期间寻求来自该hcp的该反馈来实现该模型的改善。有利地，可训练该模型以当存在外科并发症的高风险时向hcp发送通知。

10、该模型还可提供通知级别，以减少在该外科手术期间对该hcp的干扰。有利地，该模型可防止将不相关数据(例如，生物标志物测量数据)报告给hcp以减少干扰。

11、该模型还可提供通知级别，以通过在该外科手术期间寻求来自该hcp的该反馈同时最小化在该外科手术期间对该hcp的干扰来改善该模型的质量。有利地，可允许外科手术期间的强化学习，同时最小化干扰，诸如报告不相关数据。

12、该处理器可被进一步配置成能够确定与在该外科手术期间操作该外科装置的该控制程序相关联的先前机器学习模型，并且其中该处理器被进一步配置成能够使用该数据集合和该先前模型来确定该机器学习模型，该机器学习模型优化该外科装置的该操作行为以改善该手术结果。有利地，先前模型可用于优化外科装置的操作行为，因此需要hcp/用户提供较少的输入来改善外科装置。

13、一种用于将机器学习应用于数据集合以改善手术结果的计算系统可包括处理器。该处理器可被配置成能够：根据包括一个或多个生物标志物的数据集合确定外科装置的操作行为未达最佳；使用该数据集合确定机器学习模型，该机器学习模型优化该外科装置的该操作行为并预测外科并发症；使用由医护专业人员(hcp)给出的反馈来更新该模型以改善该模型；使用该模型和该数据集合来确定控制程序更新，该控制程序更新被配置成能够改变控制程序在外科手术期间操作该外科装置的方式以防止该外科并发症；以及将该控制程序更新发送到该外科装置。

14、确定可包括训练、生成和/或确定。可训练机器学习模型以确定和/或预测一个或多个手术结果和/或一个或多个外科并发症。可创建和/或训练机器学习模型以预测外科并发症的概率。

15、可训练机器学习模型以检测第二外科装置操作参数可与在由数据集合(例如，生物标志物测量数据)表示的生理条件状态下不存在外科并发症相关的数据模式。该模型可预测外科装置可如何操作，可预测可穿戴装置可如何操作，可预测外科并发症(例如，风险级别评估)，可预测手术结果，可预测手术成功率，和/或可预测改善的恢复率。该模型可例如通过指示疾病可能发生或可能正在发生的概率来诊断疾病。该模型可通过确定手术结果以及通过确定可在外科装置上调整以改善手术结果的一个或多个参数来优化外科装置的操作行为。该模型可通过确定手术结果以及通过确定可修改、更新和/或生成用于外科装置的控制程序以修改外科装置的操作行为来优化外科装置的操作行为。

16、有利地，可以涉及用户/hcp较少时间和较少注意力的方式改善外科装置。

17、该控制程序可以是第一控制程序，该控制程序更新可以是第一控制程序更新，并且该处理器可被进一步配置成能够使用该模型和该数据集合来生成第二控制程序更新，该第二控制程序更新被配置成能够改变第二控制程序操作与患者相关联的感测系统的方式以监测该外科并发症。有利地，可同时更新多个控制程序，因为该模型能够为多个控制程序生成控制程序更新。

18、该处理器可被进一步配置成能够：确定对该反馈的请求将导致更快的学习周期来确定该机器学习模型，该机器学习模型优化该外科装置的该操作行为并预测该外科并发症；以及将对该反馈的该请求发送到该hcp。有利地，可降低学习周期的速度(即，可减少完成学习周期所花费的时间)。

19、由hcp提供的反馈还可包括外科并发症验证，该外科并发症验证指示hcp同意由模型预测的外科并发症。有利地，可提供强化学习。

20、该模型还可提供针对该外科并发症的风险级别评估，并且任选地其中由该hcp给出的该反馈还包括风险级别验证，该风险级别验证指示该hcp同意由该模型提供的针对外科并发症的该风险级别评估。有利地，可更容易确定外科手术的风险级别评估，并且可通过hcp来强化机器学习。

21、该模型还可提供通知级别，以通过在该外科手术期间从该hcp寻求关于该外科并发症的该反馈来改善该模型的质量。有利地，可允许外科手术期间的强化学习。

22、该模型还可提供通知级别，以通过减少在该外科手术期间对该hcp的干扰来防止该外科并发症。有利地，该模型可防止将不相关数据(例如，生物标志物测量数据)报告给hcp以减少干扰。

23、一种由计算系统执行的用于将机器学习应用于数据集合以改善手术结果的方法可包括：使用从感测系统接收的数据集合确定外科装置的操作行为未达最佳，其中该数据集合包括生物标志物；使用该数据集合确定机器学习模型，该机器学习模型改善该外科装置的该操作行为以改善该手术结果；使用由医护人员(hcp)给出的反馈来更新该模型以改善该模型；使用该模型和该数据集合来确定控制程序更新，该控制程序更新被配置成能够改变控制程序在外科手术期间操作该外科装置的方式；以及将该控制程序更新发送到该外科装置。

24、数据集合可包括外科装置数据，并且可使用外科装置数据和生物标志物来执行确定机器学习模型，并且可使用外科装置数据来执行控制程序更新。

25、可训练机器学习模型以确定和/或预测一个或多个手术结果和/或一个或多个外科并发症。可创建和/或训练机器学习模型以预测外科并发症的概率。

26、可训练机器学习模型以检测第二外科装置操作参数可与在由数据集合(例如，生物标志物测量数据)表示的生理条件状态下不存在外科并发症相关的数据模式。该模型可预测外科装置可如何操作，可预测可穿戴装置可如何操作，可预测外科并发症(例如，风险级别评估)，可预测手术结果，可预测手术成功率，和/或可预测改善的恢复率。该模型可例如通过指示疾病可能发生或可能正在发生的概率来诊断疾病。该模型可通过确定手术结果以及通过确定可在外科装置上调整以改善手术结果的一个或多个参数来优化外科装置的操作行为。该模型可通过确定手术结果以及通过确定可修改、更新和/或生成用于外科装置的控制程序以修改外科装置的操作行为来优化外科装置的操作行为。

27、有利地，可以涉及用户/hcp较少时间和较少注意力的方式改善外科装置。

28、该方法还可包括：使用该生物标志物和该反馈来确定数据集合改善；以及使用该数据集合改善来更新该模型。数据集合改善可以是以下中的一者或多者：数据集改善、数据集具有改善的准确度、数据集合的方法改善、由数据提供的预测改善、假阳性被去除和/或数据过滤改善。有利地，可通过改善数据集合来改善模型的准确度。

29、该生物标志物可以是第一生物标志物，该感测系统可以是第一感测系统，并且该方法还可包括：使用该模型和该反馈来确定传感器馈送改善；以及使用该传感器馈送改善从第二感测系统确定第二生物标志物；以及使用该第二生物标志物来更新该模型。

30、传感器反馈改善可以是第二感测系统与第一感测系统相比可提供改善的生物标志物跟踪的指示。传感器反馈改善还可以是以下指示：第二生物标志物可改善用第一生物标志物进行的诊断、可改善第一生物标志物的准确度、可与第一生物标志物互补、可确认基于第一生物标志物的预测和/或可与第一生物标志物一起使用来改善预测。

31、有利地，可通过使用第二感测系统来改善模型的准确度。

32、该手术结果可包括以下中的一者或多者：患者的并发症减少、患者的恢复率改善、和感测系统的假阳性感测问题少。

33、一种计算机可读介质可包括指令，该指令在由计算机执行时可使该计算机执行上述方法中的任一种方法。

34、本文公开了用于提供机器学习的方法、系统和设备，该机器学习可用于改善人工智能算法，可减少用于训练人工智能算法的迭代，和/或可使训练机器学习耗时更少。自适应学习算法可用于聚集一个或多个数据流。自适应学习算法可用于从数据集合生成和/或确定元数据。自适应学习算法可用于处理数据、确定传输数据的有效方式、确定存储数据的有效方式等。自适应学习可用于确定来自先前机器学习分析的一个或多个改善。传感器馈送、数据馈送和/或生物标志物馈送的收集和/或处理的改善可用于产生改善的功率器械算法。例如，改善可用于基于期望的结果产生改善的功率器械算法。

35、可使用一种用于将机器学习应用于数据集合以改善手术结果的计算系统和/或方法。该计算系统可包括处理器，该处理器可执行该方法。可确定包括一个或多个生物标志物的数据集合。该数据集合和/或该一个或多个生物标志物可指示外科装置的操作行为可能未达最佳。可使用机器学习和该数据集合来确定模型。该模型可优化和/或改善外科装置的操作行为以改善手术结果。可使用由医护人员(hcp)给出的反馈来更新该模型以改善该模型。可使用模型和集合数据来确定控制程序更新。该控制程序更新可被配置成能够改变控制程序在外科手术期间操作该外科装置的方式。可将该控制程序更新发送到该外科装置。

36、可使用一种用于将机器学习应用于数据集合以改善手术结果的计算系统和/或方法。该计算系统可包括处理器，该处理器可执行该方法。可根据包括一个或多个生物标志物的数据集合确定外科装置的操作行为可能未达最佳。可使用机器学习和该数据集合来确定模型，该模型优化和/或改善该外科装置的该操作行为并可预测外科并发症。可使用由医护人员(hcp)给出的反馈来更新该模型以改善该模型。可使用该模型和该数据集合来确定该控制程序更新。该控制程序更新可被配置成能够改变控制程序可在外科手术期间操作该外科装置的方式，以防止该外科并发症。可将该控制程序更新发送到该外科装置。

37、可使用一种用于将机器学习应用于数据集合以改善手术结果的计算系统和或方法。该计算系统可包括处理器，该处理器可执行该方法。可使用来自感测系统的外科装置数据和生物标志物来确定外科装置的操作行为可能未达最佳。可使用机器学习、该外科装置数据和该生物标志物来确定模型，该模型优化和/或改善外科装置的该操作行为以改善该手术结果。可使用由医护人员(hcp)给出的反馈来更新该模型以改善该模型。可使用生物标志物和外科装置数据来确定控制程序更新。该控制程序更新可被配置成能够改变控制程序可在外科手术期间操作该外科装置的方式。可将该控制程序更新发送到该外科装置。

38、以简化的形式提供本
技术实现要素：
以介绍一些概念，这些概念将在本文的具体实施方式中进一步描述。本发明内容并非旨在识别受权利要求书保护的主题的关键特征或本质特征，也并非旨在用于限制受权利要求书保护的主题的范围。本文描述了其他特征。