从个体内时间方差异方差性发展健康信息特征提取

摘要

方法、系统和/或计算机程序产品自动提取和选择指示健康护理中的个体后果和个性化计划选择的方差相关特征的最优集合。产生包含时间异方差性特征的候选方差相关病人特征的提取集合。通过识别各病人特征的方差和异方差性被最大化的时间周期，优化来自候选方差相关病人特征的提取集合的各病人特征，其中，该优化产生来自各病人特征的方差和异方差性被最大化的时间周期的方差相关病人特征的最优提取集合。然后对当前病人使用方差相关病人特征的最优提取集合，以预测特定后果和/或产生个性化健康护理治疗计划。

说明书

技术领域

本公开内容涉及计算机的领域，特别是涉及使用计算机分析数据。更具体而言，本公开内容涉及提取和选择与健康护理病人有关的方差相关特征的最优集合。

背景技术

疾病自管理程序和介入/护理计划监视程序由于不能系统性地利用病人产生的信息、特别是需要对测量的时间上下文的有技巧的解释的那些信息(例子包括但不限于病人随时间的体重、胆固醇水平、血糖水平等)而受到限制。虽然现有技术(几种移动应用和基于网络的门户)帮助捕获和存储相关数据，但是它们确定对该个体最敏感的适当度量的能力是受限或者不存在的。这是由于这些技术不关于疾病进展、医疗简档和对临床关键性能指标(KPI)具有影响的护理的其它方面考虑个体的特定情况。

发明内容

方法、系统和/或计算机程序产品自动提取和选择指示健康护理中的个体后果(outcome)和个性化计划选择的方差相关特征的最优集合。产生包含时间异方差性特征的候选方差相关病人特征的提取集合。通过识别各病人特征的方差和异方差性被最大化的时间周期，优化来自候选方差相关病人特征的提取集合的各病人特征，其中，所述优化根据各病人特征的方差和异方差性被最大化的时间周期产生方差相关病人特征的最优提取集合。方差相关病人特征的最优提取集合与病人群体的历史数据集合比较，以产生方差相关病人特征的预测集合，其中，方差相关病人特征的预测集合预测病人群体的目标健康相关后果。 对当前病人产生方差相关病人特征的当前病人最优集合。病人群体的方差相关病人特征的最优集合与当前病人的方差相关病人特征的当前病人最优集合比较。响应于病人群体的方差相关病人特征的最优集合在预定限制内匹配当前病人的方差相关病人特征的当前病人最优集合，确定目标健康相关后果是否匹配当前病人的预定健康相关后果。响应于目标健康相关后果匹配当前病人的预定健康相关后果，发出与当前病人的预定健康相关后果相关的警告。

附图说明

下面，参照附图，仅作为例子描述本发明的实施例，其中，

图1示出可实现本公开内容的示例性系统和网络；

图2示出用于发展健康信息特征提取的示例性架构和处理；

图3示出病人健康测量的模拟序列；

图4示出图3所示的病人健康测量的估计趋势方差；

图5示出病人健康测量的另一模拟序列；

图6示出图5所示的病人健康测量的随时间的方差趋势(VAROT)；

图7是根据在图5所示的测量中使用的不同观察窗口的各种增量周期的排列的VAROT测量的表；

图8是由一个或更多个处理器执行以提取和选择指示健康护理中的个体后果和个性化计划选择的方差相关特征的最优集合的一个或更多个操作的高级别流程图。

具体实施方式

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上具有用于使处理器执行本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是―—但不限 于―—电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子的非穷举的列表包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备(诸如其上存储有指令的打孔卡或凹槽内凸起结构)、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，瞬时信号诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤缆线的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者经由网络下载到外部计算机或外部存储设备，该网络例如因特网、局域网、广域网和/或无线网。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明的操作的计算机可读程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Java、Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”编程语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在后者的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通 过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在经由计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而其上存储有指令的计算机可读存储介质包括制造品，该制造品包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得一系列操作步骤在计算机、其它可编程数据处理装置或其它设备上被执行，以产生计算机实现的处理，从而使得在计算机、其它可编程装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

现在参照附图、特别是参照图1，示出可被本发明的实现方式利用和/或在本发明的实现方式中使用的示例性系统和网络的框图。注意，为计算机102示出或者在计算机102中示出的包括示出的硬件和软件的示例性架构中的一些或全部可被部署服务器150和/或数据存储系统152的软件利用。

示例性计算机102包括与系统总线106耦合的处理器104。处理器104可利用分别具有一个或更多个处理器核的一个或更多个处理 器。驱动/支持显示器110的视频适配器108也与系统总线106耦合。系统总线106经由总线桥112与输入/输出(I/O)总线114耦合。I/O接口116与I/O总线114耦合。I/O接口116提供与包括键盘118、鼠标120、媒介托盘122(可包含诸如CD-ROM驱动的存储设备、多媒体接口等)、打印机124和外部USB端口126的各种I/O设备通信。虽然与I/O接口116连接的端口的格式可以是计算机架构领域的技术人员已知的任一种，但是在一个实施例中，这些端口中的一些或全部是通用串行总线(USB)端口。

如图所示，计算机102能够通过使用网络接口130与软件部署服务器150通信。网络接口130是硬件网络接口，诸如网络接口卡(NIC)等。网络128可以是诸如因特网的外部网络或诸如以太网或虚拟专用网络(VPN)的内部网络。

硬驱动接口132也与系统总线106耦合。硬驱动接口132与硬驱动134对接。在一个实施例中，硬驱动134填充系统存储器136，该系统存储器136也与系统总线106耦合。系统存储器被定义为计算机102中的最低级别的易失性存储器。该易失性存储器包含附加的更高级别的易失性存储器(未示出)，包括但不限于缓存存储器、寄存器和缓冲器。填充系统存储器136的数据包含计算机102的操作系统(OS)138和应用程序144。

OS 138包含用于提供对诸如应用程序144的资源的透明用户访问的外壳(shell)140。一般地，外壳140是提供解释器和用户与操作系统之间的界面的程序。具体而言，外壳140执行键入命令行用户接口中或来自文件的命令。因此，也称为命令处理器的外壳140一般是最高级别的操作系统软件层级并且用作命令解释器。外壳提供用户提示、解释通过键盘、鼠标或其它用户输入媒介键入的命令并且向操作系统的适当的较低级别(例如，内核142)发送解释命令以用于处理。注意，虽然外壳140是基于文本的、面向行的用户接口，但本发明同样很好地支撑其它的用户接口模式，诸如图形、声音、手势等。

如图所示，OS 138还包括包含用于OS 138的较低级别的功能的 内核142，这些功能包括提供OS 138的其它部分和应用程序144需要的基本服务，包含存储器管理、处理和任务管理、盘管理和鼠标和键盘管理。

应用程序144包含以示例性方式示为浏览器146的呈现器。浏览器146包含使得万维网(WWW)客户端(即，计算机102)能够通过使用超文本传输协议(HTTP)消息传送关于因特网发送和接收网络消息从而使得能够实现与软件部署服务器150和其它计算机系统的通信的程序模块和指令。

计算机102的系统存储器(以及软件部署服务器150的系统存储器)中的应用程序144还包含个体内时间方差异方差性分析逻辑(IITVHAL)148。IITVHAL 148包含用于实现后面描述的处理的代码，这些处理包括在图2～8中描述的那些。在一个实施例中，计算机102能够从软件部署服务器150下载IITVHAL 148，包含以按需方式，其中，IITVHAL 148中的代码在需要执行之前不被下载。还应注意，在本发明的一个实施例中，软件部署服务器150执行与本发明相关的所有功能(包含执行IITVHAL 148)，由此使得计算机102不必使用其自身的内部计算资源以执行IITVHAL 148。

注意，在计算机102中示出的硬件元件不是详尽的，而是代表性的，以强调本发明所需要的基本部件。例如，计算机102可包含替代性的存储器存储设备，诸如磁盘、数字多功能盘(DVD)和伯努利(Bernoulli)盒等。这些和其它变型要处于本发明的精神和范围内。

现在参照图2，给出用于发展健康信息特征提取的示例性结构和处理。在一个实施例中是图1所示的计算机102的系统200包括一般群体部件202和个体病人部件204。在一般群体部件202和个体病人部件204内的是执行描述的步骤1～5中的一个或更多个的一个或更多个处理器(诸如在图1中示出但在图2中没有示出的处理器104)。

在步骤1中，产生候选特征的提取。提取/产生的候选特征随时间改变。即，候选特征的提取产生病人的一个或更多个生物特征如何随时间改变的模型，以便形成候选方差相关病人特征的提取集合。如这 里描述的那样，病人特征的这些方差是时间异方差的(即，在不同的时间周期中并且根据时间周期为了进行分析如何进行再分割，以不同的方式改变)。方差可以是单变量或多变量。

例如，考虑测量单一类型的生物事件的单变量模型。示例性单变量模型是测量的低血细胞计数(单一类型的生物事件)。低血细胞计数常常导致广泛的造血干细胞的增殖，这往往会导致白血病(终点)。即，如果病人具有低血细胞计数(即，红血细胞和/或白血细胞的数量减少)，身体将产生更多的造血干细胞。这些造血干细胞是形成红血细胞(红细胞)和白血细胞(例如，淋巴细胞)的前体细胞。在白血细胞的情况下，造血干细胞形成中间的未成熟的白血细胞，称为母细胞(blast)。这些母细胞然后转化为成熟的白血细胞。如果病人暴露于辐射或其他环境诱变剂而造血干细胞转化为未成熟白血细胞暴露(母细胞)，那么这些母细胞具有突变及数量异常增加的风险(如白血病)。因此，病人血液计数的重复的负峰值(即，减少)表示病人具有较大的白血病的风险。

多变量模型，顾名思义，利用显示方差的多个生物事件。例如，考虑病人在手术过程中经历了全身麻醉。经历全身麻醉可能会影响多个病人特征，包括解决问题的能力、记忆(短期和长期)、情绪等。通过定量测量这些特征(例如，通过功能磁共振成像(FRMI)、书面/口头测试等)，这些多种能力的波动可被测量。如这里描述的那样，这些波动(方差)可用于预测病人群体和/或特定病人的最终的终点(例如，认知健康的水平)。

将在本发明的一个或更多个实施例中用于预测终点的生物特征的该方差可根据它们变化多少(基于幅度)或者它们多么经常地变化(基于频率)。

因此，在一个实施例中，测量的方差是基于幅度的。也就是说，事件可能跨着不同的范围波动。例如，红血细胞的血液计数可能在第一延伸时间周期内在3.0(百万细胞/微升)和6.0之间波动，并且可能在第二延伸时间周期内在4.0和5.0之间波动。因此，基于幅度的方差 在第一延伸时间周期内(6.0-3.0＝3.0)比在第二延伸时间周期内(5.0-4.0＝1.0)大。因此，该方差被称为“基于幅度的方差”。

在一个实施例中，测量的方差可以是基于频率的。即，事件(例如，血细胞减少、测量的认知能力等)可在不同的频率下波动，使得测量的事件的方差在某些时间比在其它时间更常见(即，更频繁)。例如，血细胞可在第一延伸时间周期内每7天以循环的方式减小到水平X，并且在第二延伸时间周期内为每3天。因此，方差的频率在第二延伸时间周期内(每3天)比在第一延伸时间周期内(每7天)大。因此，该方差被称为“基于频率的方差”。

重新参照图2，一旦产生完整特征集合(即，根据一个或更多个病人属性如何随时间改变)，完整特征集合就被优化(步骤2)。通过分析来自完整特征集合的选择的方差特征(即，提取/构建的病人特征)来执行该优化。该优化包括识别某些方差什么时候被最大化。在本发明的一个或更多个实施例中，该优化利用在后面详细描述的随时间的方差趋势(VAROT)算法。VAROT根据观察窗口的长度以及其中的增量周期分析方差。即，假定存在监视病人特征的三个时间分割(观察窗口)。不仅这些病人特征的方差在这三个时间分割之间改变，而且方差还依赖于在时间分割中的每一个中使用哪些暂时的时间周期(增量周期)。

如在图2的步骤3中描述的那样，一旦产生优化特征子集(即，表示方差被最大化的时间点的模型)，来自一般群体的输入数据源就被挖掘，以便匹配该数据与优化特征子集。因此，匹配优化特征子集的现实数据就被定位，包括预测的终点。即，步骤3找到包括优化特征子集(包含方差何时被最大化)的数据库以及描述对其特征匹配来自优化特征子集的那些特征的病人出现的预测的终点的数据(例如，通过输入数据库描述的群体的疾病的开始)。

如图2的步骤4所述，然后，比较填充的优化特征子集(即，“特征群体”)与来自个体病人的数据库206和/或数据库208的数据。在一个实施例中，数据库206和/或数据库208可由图1所示的数据存储 系统152提供。数据库206包含来自特定病人的电子健康记录/个人健康记录(EHR/PHR)的数据。来自数据库206的数据包括关于该特定病人的历史数据，包括实验室结果、X射线、临床笔记等。数据库208包括来自便携式心脏监视器、血糖监测器和测量病人的实时状况的其他传感器的病人的实时数据。来自数据库206和/或数据库208的数据被用于产生优化特征子集，其格式与在步骤2中对病人的宽泛群体产生的格式类似。如果在对当前病人产生的优化特征子集与对一般群体产生的优化特征子集(来自步骤2)之间存在匹配，那么设定警告。在一个实施例中，该警告指示，只有优化特征子集超过该病人的特定基线，才存在这种匹配。例如，特定病人可具有常规性地波动到异常低的范围内的心率。然而，数据库206确认，这名病人具有“运动员的心脏”，其中，心动过缓只是由病人的高水平状况引起的，不是由于任何病理学原因。

如在图2的步骤5中描述的那样，确定优化特征子集是否实际上匹配对特定病人期望的关键性能指标(KPI)。例如，假定用户希望获知病人是否有中风的危险。来自数据库206和208的数据可能能够产生当前病人的几种不同的优化特征子集。但是，只有以“中风”为终点的优化特征子集才对预测当前病人有中风的危险有用。

类似地，由于当前病人也是一般群体的一部分，因此步骤5用当前病人的数据调整一般群体的优化特征子集(步骤3)。

一旦在来自一般群体的特定优化特征子集(包含期望的KPI)与当前病人的优化特征子集之间发现匹配，就对当前病人产生个体自适应计划(警告、介入、治疗、理疗)(块210)。

现在给出图2所示的步骤1～5的附加的细节。

步骤1：特征提取

特征提取限定用于预测特定状况或事件的特定候选病人特征。现在从图3开始，图300描绘了病人健康测量的模拟序列。这些病人健康测量可能源自病人的病史(例如，来自图2所示的数据库206)和/或来自传感器的原始数据(例如，通过图2所示的数据库208路由)。 测量结果可以是来自血液检查值、生命体征(体温、脉搏呼吸速率)、胰岛素水平等的值。在一个实施例中，病人特征是单变量(即，只看单一类型的病人测量)。在另一个实施例中，病人特征是多变量(即，考虑多个类型的病人测量)。

因此，假设图300通过使用具有恒定平均值(mu＝100)和随时间的非恒定方差的正态分布产生的描绘测量的模拟序列X(即，单个病人特征X)，长度为从开始到结束的150天。在本例子中，观察窗口从第30天(第一垂直虚线)开始并且在第120天(最后的垂直虚线)结束。观察窗口分成三个周期(dt)，dt＝30天。因此，第一周期是从第30天到第60天，第二周期是从第60天到第90天，第三周期是从第90天到第120天。在本例子中，周期类型被设定为“离散”(即，从起始点“0”起具有固定周期，而不是将每新的一天复位以从最后的新的一天观看下一个30天的“滚动”周期)。最后，为了测量有效，假定约束被限定为表明各周期必须具有至少10个测量(s＝10)。

图4示出图400，该图400示出图3所示的病人健康测量的估计趋势方差。图400示出估计的方差及其随时间的趋势。三个示出的三角形是以上对图300描述的三个周期中的每一个的样品方差。线402通过三角形的斜率为正，由此表示在图300中存在被测量/检测的方差的向上的量。对于图30所示的数据，通过普通最小二乘法(OLS)拟合的线402是估计的随时间的方差趋势(VAROT)。

注意，在图400中示出的VAROT仅是估计，原因是它不考虑图400中的三角形所示的三个时间分割中的再分割。如现在描述的那样，VAROT的优化版本考虑这种再分割。

从对预定的观察窗口通过时间索引的测量序列提取VAROT。一般而言，VAROT被写为函数：

VAROT＝f(x,t_s,wl,dt,pt,s)

这里，

x是通过时间索引的测量序列；

ts是观察窗口的起始点；

wl是观察窗口的长度；

dt是观察窗口内的一个或更多个的增量周期；

pt描述周期类型的约束(为离散周期或滚动周期)；以及

s描述稀疏化的约束(各周期中的数据可用性的最小要求)。

但是，图4所示的VAROT仅是统计性近似。为了建立更有用的VAROT，VAROT被优化，由此产生优化特征子集(参见图2中的步骤2)。

步骤2：特征优化

获得测量的整个序列不揭示病人的历史中具有最陡的方差的子周期。从具有最大的方差斜率(绝对值)的子周期提取的VAROT更可能与病人在将来的后果相关。因此，优化框架搜索返回在病人的时间索引测量中的最强VAROT信号的参数的最优集合。

现在参照图5，图500示出病人健康测量的另一模拟序列。偶然的观察表明，随着时间的过去，存在更大的幅度方差的量。但是，在图500所示的300天的整个时间周期内，可能存在幅度更多变化的区段。即，假定一个尖峰的范围为70～130，并且，紧挨着该70/130方差前后的尖峰为80～120。因此，70/130范围(改变60个点)其及80/120邻居(改变40个点)具有20(60-40)点的方差范围差。进一步假定还存在范围为80～120(仅改变40点)的尖峰，但是该80/120尖峰前后的尖峰仅为90/100。因此，80/120范围(改变40点)及其90/100邻居(改变10点)具有30(40-10)点的方差范围差。即，虽然绝对波动范围对于70/130尖峰(60点)来说比80/120尖峰(40点)高，但是来自先前和随后的尖峰的范围变化对于80/120尖峰(它与30的相邻尖峰之间的方差范围差)比70/130尖峰(它与20的相邻尖峰之间的方差范围差)大。为了识别在哪里出现这种最大方差范围差，利用这里描述的VAROT式。

对于图5中的图500所示的数据点，假定使用以下的VAROT式：

VAROT＝f(x,ts＝90,wl＝(30,60,90,120),dt＝(5,10,15,20,25,30,35,30),pt＝“离散”,s＝10)

使用这些值，图6中的图600示出用于图5所示的病人健康测量的VAROT值。注意，根据图例602，图600中的绘制点可以被颜色编码，从而表示VAROT最大的时间(表示记录数据中的最大方差)，诸如时间100～125。还应注意，VAROT结果在时间150附近最小(表示记录数据中的最小方差)。因此，图7中的表700表示根据在图5所示的测量中使用的不同观察窗口的各种增量周期的排列的VAROT测量。如表700所示，当该时间周期被分成25天的块(dt＝25)时，在时间90(ts)与时间180(wl＝90)之间出现最大方差(由VAROT值68.66表示)。

步骤3：特征填充

如这里描述的那样，一旦通过使用VAROT式建立优化特征子集，优化特征子集就被构造为接收用于一般群体的识别输入数据源。因此，与在步骤1～2中产生的提取/候选趋势一致的数据库填充这样被识别的数据库，由此使得数据在特定病人的个体水平上可用。采取该数据驱动方法，在这里，对个体得出数据，以对介入做出可靠的判断。

注意，对于一般群体以及特定病人，可从电子健康记录(EHR)、个人健康记录(PHR)和设备数据获得数据。如上所述，可对VAROT特征提取使用单变量数据以及多变量数据。

在特征产生中考虑的某些关键设计因素可被用作起始点来分析通过VAROT算法产生的随时间方差矩阵(例如，图7表示的表700)。即，当设定VAROT算法的参数时，考虑以下方面：

可用的读数的数量；

可用读数的频率；

观察的时间(即，总观察周期——从ts到ts+wl)；

增量时间(即，每天、每周、每月、每季节——dt)；

数据敏感度(即，数据在多大程度上受环境状况、季节变化、个体病人行动等影响)；

时间间隔设计(wl)；

允许的波动水平(即，不考虑超过预定极限并因此可能是伪信号 的异常尖峰)；

用于获得实时读数的设备的类型；

数据的稀疏化的可接受水平(s)；

观察窗口的长度(wl)；

移动窗口或离散窗口(pt)；

餐后/餐前考虑(即，影响读数的病人活动，诸如饮食、饮酒、锻炼等)；和

响应可变知识(即，解释什么会出现方差的其它信息)。

步骤4：警告设定

如这里描述的那样，可以使用基线数据以理解正常方差并且构建上下控制极限。即，对达到特定终点(例如，发展医疗状况)的病人，当当前病人的优化特征子集匹配一般群体的优化特征子集时，产生警告。一旦看到方差的趋势，就相应设置质量控制图和警告。基于使用方差技术/警告的个体校准，对健康护理提供者产生触发器以看到案例管理中的反映点。

在一个实施例中，使用警告以基于病人的最有预测性的VAROT特征提示个性化护理计划的发展。这又可帮助设计介入空间并且潜在地将其用作介入优化的证据产生的基础。

在一个实施例中，通过使用自功效介入或任何协调护理，警告用作发展坚持程序的基础，该基础形成病人自管理的基础。

步骤5：用于自适应的特征学习

一旦当前病人的优化特征子集与(医疗病人的)一般群体的优化特征子集匹配，系统就验证和重新确认选择的提取就是用于个体的那个。即，确认病人的一般群体的优化特征子集导致期望的终点(关键性能指标－KPI)(例如，特定医疗状况的预测)。

还应注意，不同的数据读取由不同的事件提示。例如，当病人接受手术、开始服用某种药物、开始物理治疗时，可开始读取病人数据。这导致产生(上述的)ts，该ts将影响什么数据被考虑，由此产生时间门，这些时间门触发用于确定选择的特征是否是最优的一个的检查。

注意，当前的VAROT处理允许系统根据其医疗需求区分病人。即，通过根据某类病人的VAROT值的强度预测这类病人多么可能到达某个终点(例如，发展医疗状况)，然后可相应分配医疗资源。因此，在一个实施例中，在这里描述的处理使用统计建模技术(例如，混合建模)，以基于源自VAROT算法、数据可用性和数据完整性的优化集合区分病人，以用于对同一后果的预测。

注意，如这里描述的那样，尽管在群体的水平上执行分析，但介入技术在个体水平上是适用的。

现在参照图8，给出由一个或更多个处理器执行以提取和选择指示健康护理中的个体后果和个性化计划选择的方差相关特征的最优集合的一个或更多个操作的高级别流程图。

在初始块802之后，由一个或更多个处理器产生候选方差相关病人特征的提取集合(块804)。候选方差相关病人特征的提取集合是时间异方差性特征。术语“时间异方差性特征”被定义为根据1)从特征出现的特定事件的时间(按照在这里描述的VAROT算法中的变量ts和wl)和2)根据测量特征的时间间隔(按照VAROT算法中的变量dt)改变的特征。

如块806所示，一个或更多个处理器通过识别各病人特征的方差和异方差性被最大化的时间周期优化来自候选方差相关病人特征的提取集合的各病人特征，其中，该优化产生来自各病人特征的方差和异方差性被最大化的时间周期的方差相关病人特征的最优提取集合。例如，在图6中的图600中，VAROT式识别在时间标记90和时间标记180之间的时间跨度被分成25个单位的时间段时在该时间处被异方差性最大化(即，达到68.66)的特定病人特征的方差(参见表7)。

如图8的块808所示，一个或更多个处理器然后比较方差相关病人特征的最优提取集合与病人群体的历史数据集合以产生方差相关病人特征的预测集合。如这里描述的那样，方差相关病人特征的这个预测集合预测病人群体的目标健康相关后果。

如图8的块810所示，一个或更多个处理器然后产生当前病人的 方差相关病人特征的当前病人最优集合。如块812所示，一个或更多个处理器然后比较病人群体的方差相关病人特征的最优集合与当前病人的方差相关病人特征的当前病人最优集合。如果存在匹配(询问块814)(即，如果病人群体的方差相关病人特征的最优集合在预定限制内匹配当前病人的方差相关病人特征的当前病人最优集合)，那么一个或更多个处理器确定目标健康相关后果是否匹配当前病人的预定健康相关后果(块816)。即，进行确定以确认候选方差相关病人将实际导致期望的KPI(例如，特定疾病的诊断的预测)(询问块818)。

如块820所示，如果在目标健康相关后果与当前病人的预定健康相关后果之间存在匹配，那么一个或更多个处理器发出与当前病人的预定健康相关后果相关的警告。该警告可以是疾病的危险增加的警告、推荐的预防/治疗疾病的疗程等。处理在终止块822中结束。

在本发明的一个实施例中，各病人特征的方差和异方差性被最大化的时间周期通过以下步骤被识别：由一个或更多个处理器产生多个时间段尺寸；由一个或更多个处理器产生多个时间子段尺寸；由一个或更多个处理器产生所述多个时间段尺寸与所述多个时间子段尺寸的各种排列；以及由一个或更多个处理器识别特定时间段尺寸与特定时间子段尺寸的最优组合，在该最优组合内，各病人特征的方差和异方差性被最大化。

在本发明的一个实施例中，一个或更多个处理器基于当前病人的历史数据建立当前病人的方差相关病人特征的当前病人最优集合内的正常方差，其中，正常方差被预定为不预测当前病人的医疗状况。例如，当前病人可具有慢心率，该慢心率对于该当前病人是“正常”(即，无害)。一个或更多个处理器确定当前病人的方差相关病人特征的当前病人最优集合是否超过正常方差。响应于确定当前病人的方差相关病人特征的当前病人最优集合超过正常方差，该一个或更多个处理器发出与当前病人的预定健康相关后果有关的警告。

在本发明的一个实施例中，当前病人的预定健康相关后果是治愈当前病人遭受的医疗状况的医疗治疗计划的实现。在本实施例中，方 法还包括：由一个或更多个处理器确定医疗治疗计划的实现是否在预定时间量内治愈当前病人的医疗状况；响应于确定医疗治疗计划的实现没有在预定时间量内治愈当前病人的医疗状况，由一个或更多个处理器选择当前病人的方差相关病人特征的新集合，以产生当前病人的方差相关病人特征的新的当前病人最优集合。

在本发明的一个实施例中，一个或更多个处理器识别时间异方差性特征的趋势，其中，正趋势表示时间异方差性特征的方差的时间上的增加，其中，负趋势表示时间异方差性特征的方差的时间上的减少，并且其中，正趋势和负趋势描述时间异方差性特征的方差的幅度随时间的变化。响应于检测到时间异方差性特征中的正趋势，一个或更多个处理器发出与当前病人的预定健康相关后果有关的警告。

在本发明的一个实施例中，通过最大化随时间的方差趋势，由一个或更多个处理器产生候选方差相关病人特征的提取集合以及当前病人的方差相关病人特征，其中，

VAROT＝f(x,ts,wl,dt,pt,s)

这里，

x＝预定的测量病人特点的测量，

ts＝用于观察预定的测量病人特点的观察窗口的起始点，

wl＝观察窗口的长度，

dt＝观察窗口的子单元的长度的增量周期，

pt＝观察窗口的周期类型，其中，周期类型选自包含离散周期和滚动周期的集合，

s＝在观察窗口中在增量周期内对x限定数据点的所需最少数量的的稀疏性约束。

在本发明的一个实施例中，在VAROT式中描述的观察窗口的起始点通过与当前病人相关的预定事件被触发。在本发明的一个实施例中，与当前病人有关的该预定事件是施加到当前病人的药理协议的开端。在本发明的一个实施例中，与当前病人有关的该预定事件是对当前病人正在进行的手术。在本发明的一个实施例中，与当前病人有关 的该预定事件是当前病人发生的饮食事件。

如这里描述的那样，本发明描述帮助在新特征的提取、构建和填充中强调度量随时间的变化(异方差性)的方法和系统，从而使得能够(但不限于)在设计/监视/适应诸如坚持的护理管理服务时使用来自该特征的洞察。系统还包括利用个体历史数据以评价选定的特征提取的敏感度的学习部件。

这里描述的数据驱动方法使得能够在不需要限定理论模型的情况下捕获与度量相关联的时间上下文并且还提供连续监视选定的提取并且修改它们的能力。

用例

临床诊断和预后

本发明的一个基本概念是，描述系统(或有机体)的以前的进化的生物模型的参数用作终点的预测器。该预测可以是单变量或多变量。

单变量例子

低血细胞计数导致造血干细胞的广泛增殖。由于辐射暴露下的突变概率(最终导致白血病)高，因此血液计数动力学的某些可测量的特性可以被认为是白血病的危险因素，例如，外周血的血液计数的速度和最大下降。

多变量例子

在各种人类认知功能上收集的多变量数据和跨时间测量的它们的方差可被用于确定麻醉对认知的长期影响。在常见的认知测试的分析中获得的一些测量用作未来病人认知健康和/或他/她的生活质量的预测器。

本发明在将方差(或其它一般化变量)分析成特征提取和它们的应用时利用两种根本的推理(或其他广义变量)：统计和生物

统计分析

统计分析建立基于统计的预测器，以确定它们在终点中的可预测性。逻辑或线性拟合线(例如，使用最后和倒数第二值协变量之间的差值，即以前的测量的方差)最初被用作方差的趋势的趋势线，作为 终点的预测器。这些方差可基于频率的增加的方差或数据点的增加的方差(两个连续数据点之间的减小的间隔)。即，不管在整个时间周期上出现多少方差，可存在在特定的时间周期内出现的许多方差(“频率上增加的方差”)，或者可能简单地存在“两个连续数据点之间的减小间隔”(即，在时间周期内的预定时间子集内出现两个方差)。

注意，在一个或更多个实施例中，基于用于对同一后果的预测的方差因子的明显提取，混合模型被应用于区分病人。即，这里描述的VAROT式可将某些群体/病人识别为可能具有某个预定的后果。

生物分析

虽然本发明被描述为依赖于统计工具，但是应当理解的是，底层数据基于生物/医疗证据，使得在数据属性的变化性和终点之间存在相关性。即，生物模型的参数描述系统(或生物体)的先前演进，其在一个或多个实施例中作为终点的预测器。这种生物分析的例子包括但不限于下列示例性的用例：

辐射暴露：对暴露于辐射下时的减小的红血细胞计数以及对为了弥补红血细胞的损失的干细胞再生加速所收集的数据可指示白血病的风险增加。低血细胞计数导致造血干细胞的广泛增殖。由于辐射暴露下的突变概率(最终导致白血病)高，因此血液计数动力学的某些可测量的特性可以被认为是白血病的危险因素，例如，外周血液的血液计数的速度和最大下降。

肾衰竭：对手术过程中的血压水平收集的数据可以指示肾衰竭的风险更大。在临床上已知，长时间低血压导致肾衰竭。因此，在手术中血压低于正常的数分钟被用作肾衰竭的预测器。

心脏病：连续/稳定的高血压比变化的血压问题少。与实际的升高值相比，计算的方差更是心脏疾病的预测器。

认知功能(多变量数据)：对各种人类认知功能(感测、思考等)上收集的多变量数据和跨时间测量的它们的方差可被用于确定麻醉对认知的长期影响。在常见的认知测试的分析中获得的一些测量(例如，使用因子分析或潜在的分类分析)用作未来病人认知健康和/或他/她 的生活质量的预测器。

所有这些用例都能够利用这里描述的VAROT式来准确地预测一个或多个特定后果/结果。

个性化治疗

基于由这里描述的基于VAROT的处理识别的预测后果/结论/结果/终点，(即，捕获跨时间方差以用于个体预后)，可然后产生个性化护理计划和坚持程序。产生定制的治疗计划或特定介入为提供者或病人产生有利的临床可行观点。例如，根据响应变量是体重管理的跨时间的方差，可采用导致生活方式和营养调整的个性化治疗计划。

本发明的一个或更多个实施例因此对个性化医疗/预测医学领域有用。预测医学的目标是预测未来疾病的概率，使健康护理专业人员和患者本身可以在实行生活方式调整和增加医师监视上积极主动。例如，如果病人被发现具有黑色素瘤的风险增加，那么可订购由皮肤科医生或内科医生进行一年两次的全身皮肤检查。类似地，如果患者被发现心律不齐的风险增加，那么可订购由心脏病专家进行的EKG和心脏病学检查。同样地，如果患者被发现乳腺癌的风险增加，那么可订购每六个月的交替核磁共振或乳房X射线检查。因此，使用这里描述的基于VAROT的处理，数据分析可以用在个性化医疗/预测医学领域中。

附图中的流程图和框图显示了根据本公开内容的多个实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。还应注意，在有些替代性的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，连续示出的两个方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现， 或者可以用专用硬件与计算机指令的组合来实现。

在这里使用的术语仅出于描述特定的实施例目的，并且不意在限制本发明。如这里使用的那样，除非在上下文中另外明显指出，否则单数形式“一”、“一个”和“该”意在也包括多数形式。还将理解，在本说明书中使用的术语“包括”和/或“包含”规定阐述的特征、整数、步骤、动作、要素和/或部件的存在，但不排除存在或添加一个或更多个其它的特征、整数、步骤、动作、要素、部件和/或它们的集合。

以下的权利要求中的相应的结构、材料、动作和所有手段或步骤加上功能要素的等同意在包括用于与具体要求权利的其它要求权利的要素组合执行功能的任何结构、材料或动作。已出于解释和描述的目的给出本发明的各种实施例的描述，但是，该描述意图不在于详尽或者将本发明限于所公开的形式。在不背离本发明的范围和精神的情况下，许多修改和变更对于本领域技术人员来说是明显的。选择和描述实施例，以便最好地解释本发明的原理和实际的应用并使得本领域其它技术人员能够理解具有适于设想的特定用途的各种修改的各种实施例的本发明。

还应注意，在本公开内容中描述的任何方法可通过使用VHDL(VHSIC硬件描述语言)程序和VHDL芯片来被实现。VHDL是用于现场可编程门阵列(FPGA)、专用集成电路(ASIC)和其它类似的电子器件的示例性设计条目语言。因此，在这里描述的任何软件实现方法可通过基于硬件的VHDL程序被仿真，该基于硬件的VHDL程序然后被应用于诸如FPGA的VHDL芯片。

已由此参照其解释性的实施例详细描述了本申请的本发明的实施例，很显然，在不背离在所附的权利要求中限定的本发明的范围的情况下，修改和变更是可能的。