工作流程预测性分析引擎

摘要

本发明公开和描述了用于生成和利用预测性工作流程分析和推理的系统、方法和装置。示例性预测性工作流程分析装置包括数据存储库，该数据存储库用于接收医疗保健工作流程数据，该医疗保健工作流程数据包括计划表或工作列表中的至少一者，该计划表或该工作列表包括患者和计划表或工作列表中的至少一者中涉及患者的活动。示例性装置包括数据访问层，该数据访问层将医疗保健工作流程数据与非医疗保健数据组合起来以丰富医疗保健工作流程数据以用于相对于患者进行分析。示例性装置包括推理引擎，该推理引擎用于通过使用模型处理所组合的丰富的医疗保健工作流程数据来生成包括患者对活动失约的概率的预测，并且触发与患者失约的概率成比例的校正行动。

说明书

技术领域

本公开整体涉及经改善的医疗系统，并且更具体地讲，涉及经改善的工作流程预测性分析引擎系统和相关联的方法。

背景技术

本节中的陈述仅提供与本公开相关的背景信息，并且可能不构成现有技术。

医疗保健环境诸如医院或诊所包括信息系统，诸如医院信息系统(HIS)、放射线信息系统(RIS)、临床信息系统(CIS)和心血管信息系统(CVIS)；以及存储系统，诸如图片归档和通信系统(PACS)、图书馆信息系统(LIS)和电子病历(EMR)。例如，所存储的信息可以包括患者用药医嘱、病史、成像数据、测试结果、诊断信息、管理信息和/或计划信息。大量的信息是可用的，但是这些信息可能被存入需要单独访问、搜索和检索的各种独立系统中。由于相关联的系统的技术限制，医疗保健数据之间的相关性仍然难以捉摸。

进一步地，当将数据放在一起进行显示时，数据量可能大到让人不知所措和困惑。此类数据过载在尝试显示时会带来困难，并且相互竞争的优先级使可用的屏幕实际空间特别昂贵。现有的解决方案不足以解决这些和其他相关问题。

发明内容

本发明公开和描述了用于生成和利用预测性工作流程分析和推理的系统、方法和装置。

某些示例提供了预测性工作流程分析装置。示例性装置包括数据存储库，该数据存储库用于接收医疗保健工作流程数据，该医疗保健工作流程数据包括计划表或工作列表中的至少一者，该计划表或该工作列表包括患者和计划表或工作列表中的至少一者中涉及患者的活动。示例性装置包括数据访问层，该数据访问层将医疗保健工作流程数据与非医疗保健数据组合起来以丰富医疗保健工作流程数据以用于相对于患者进行分析。示例性装置包括推理引擎，该推理引擎用于通过使用模型处理所组合的丰富的医疗保健工作流程数据来生成包括患者对活动失约的概率的预测，并且触发与患者失约的概率成比例的校正行动。

某些示例提供包括指令的计算机可读存储介质。指令在由至少一个处理器执行时致使至少一个处理器至少执行以下操作：将医疗保健工作流程数据与非医疗保健数据组合起来以丰富医疗保健工作流程数据以用于相对于患者进行分析，该医疗保健工作流程数据包括计划表或工作列表中的至少一者，该计划表或该工作列表包括患者和计划表或工作列表中的至少一者中涉及患者的活动；通过使用模型处理所组合的丰富的医疗保健工作流程数据来生成包括患者对活动失约的概率的预测；输出该预测；以及触发与患者失约的概率成比例的校正行动。

某些示例提供了一种应用预测性分析来驱动患者护理路径的方法。示例性方法包括通过使用至少一个处理器执行指令来将医疗保健工作流程数据与非医疗保健数据组合起来以丰富医疗保健工作流程数据以用于相对于患者进行分析，该医疗保健工作流程数据包括计划表或工作列表中的至少一者，该计划表或该工作列表包括患者和计划表或工作列表中的至少一者中涉及患者的活动。示例性方法包括通过使用至少一个处理器执行指令通过使用模型处理所组合的丰富的医疗保健工作流程数据来生成包括患者对活动失约的概率的预测。示例性方法包括通过使用至少一个处理器执行指令来输出该预测。示例性方法包括通过使用至少一个处理器执行指令来触发与患者失约的概率成比例的校正行动。

附图说明

图1示出了示例性预测性分析推理架构。

图2示出了图1的示例性架构的具体实施的更详细视图。

图3描绘了图1至图2的推理引擎的示例性具体实施。

图4至图5示出了将人工智能驱动的预测和建模集成到示例性患者护理路径中的示例性流程图。

图6至图9描绘了通过图1至图4的示例性系统和方法生成的示例性接口。

图10是能够执行指令以实现本文所公开和描述的示例性系统和方法的示例性处理器平台的框图。

具体实施方式

在以下详细描述中，参考形成其一部分的附图，并且其中通过图示的方式示出了可实践的具体示例。足够详细地描述了这些示例以使得本领域技术人员能够实践本主题，并且应当理解，可以利用其他示例，并且可以在不脱离本公开主题的范围的情况下进行逻辑、机械、电气和其他改变。因此提供以下详细描述的目的是为了描述示例性实施方式，而非被看作对本公开所述的主题的范围进行限制。来自以下描述的不同方面的某些特征可组合形成下文所讨论的主题的新方面。

当介绍本公开的各种实施方案的元件时，词语“一个”、“一种”和“该”旨在意指存在这些元件中的一个或多个元件。术语“第一”、“第二”等不表示任何顺序、量或重要性，而是用于将一个元件与另一个元件区分开。术语“包含”、“包括”和“具有”旨在是包含性的，并且意指除了列出的元件之外还可存在附加元件。如本文使用术语“连接到”、“联接到”等，一个对象(例如，材料、元件、结构、构件等)可以连接到或联接到另一个对象，而无论该一个对象是否直接连接或联接到另一个对象，或者在该一个对象和另一个对象之间是否存在一个或多个介入对象。

如本文所用，术语“系统”、“单元”、“模块”、“引擎”等可以包括操作以执行一个或多个功能的硬件和/或软件系统。例如，模块、单元或系统可包括计算机处理器、控制器和/或基于存储在有形和非暂态计算机可读存储介质(诸如计算机存储器)上的指令来执行操作的其他基于逻辑的设备。另选地，模块、单元、引擎或系统可包括基于设备的硬连线逻辑来执行操作的硬连线设备。附图中示出的各种模块、单元、引擎和/或系统可表示基于软件或硬连线指令操作的硬件、指示硬件执行操作的软件、或其组合。

此外，应当理解，对本公开的“一个实施方案”或“实施方案”的引用不旨在被解释为排除也包含所引用特征的附加实施方案的存在。

本文所公开和描述的方面提供了用于提供预测性分析的系统和相关联方法，该预测性分析包括客户驱动的工作流程预测和对应的响应行动。例如，本文所公开和描述的预测性分析可用于通过在决定点(例如，在放射线信息系统(RIS)等中)提供实时报告工作列表以及违背概率来避免关于报告等的服务级别协议(SLA)的违背。在另一示例中，如本文所公开和描述的，可通过识别具有高失约概率的检查并且触发校正行动(诸如提醒、超订分析、拼车辅助等)来预防患者失约。在另一示例中，如本文所公开和描述的，可通过计算和宣布预计等待时间来预测患者等待时间以改善患者体验和收入机会。在另一示例中，如本文所公开和描述的，可通过在机器上策略性地计划和报告每个服务所需的资源来管理工作负荷和容量。

例如，可使用患者信息(例如，年龄、性别、历史记录等)、预约时长(例如，作出预约多久了等)、预约日期/时间、天气预报、其他历史模式数据等的历史模式和人工智能处理来预测患者对放射科预约的失约。某些示例利用人工智能(AI)(诸如随机森林、人工神经网络(诸如卷积神经网络(CNN)等)等)来提供集成预测和校正行动框架以解决可能的患者失约情况。患者失约代价较高(例如，针对磁共振成像检查每年一次机会在4％的患者失约率下损失为约1百万美元)。机器学习算法和相关联的模型可将诸如天气预报、位置、时间、交通等要素纳入考虑因素，以预测可能的患者失约，并且例如通过基于算法的重新确认/替换策略，患者失约的减少会提高对患者健康需求的响应能力，提高医疗保健环境中的生产率，增加收入等。

图1示出了示例性预测性分析推理架构100。示例性装置100包括一个或多个工作流程信息系统110(诸如电子病历(EMR)系统、放射线信息系统(RIS)、图片归档和通信系统(PACS)等)和/或与该一个或多个工作流程信息系统进行交互。信息系统110将医疗保健工作流程数据115提供给数据存储库120(诸如ElastiCube、其他数据立方体、其他数据存储库等)。工作流程数据115可与例如针对医疗保健场所的涉及患者、资源、人员等的活动的计划表或工作流程相关。例如，可使用提取、变换和加载(ETL)操作来挖掘工作流程数据115，以将数据115提供给存储装置120。数据存储装置120将数据提供给预测性分析仪表板130以及数据访问层140。例如，仪表板130可显示来自数据115的预测。数据访问层140从数据存储库120接收数据(例如，经由表述性状态转移(REST)获取请求等)并且将该数据与诸如天气预报信息150(交通信息、非医疗保健事件信息等)的附加信息组合起来。数据访问层140将医疗保健数据115(诸如预约数据、患者数据、医院资源数据等)与天气预报信息150(例如，查看预约时间前后的5天窗口等)和/或其他信息(诸如位置、交通等)组合起来以形成组合的丰富的医疗保健工作流程数据，并且将该组合的丰富的信息(例如，经由REST post操作等)提供给机器学习推理引擎160，例如，该机器学习推理引擎包括一个或多个AI模型165以处理信息并且生成预测。结果被提供(例如，经由REST结果操作等)回到数据访问层140，以作为一个或多个集成工作流程预测170被传送到数据存储库120以及信息系统110。

因此，可通过使用模型165(例如，随机森林、CNN等)实现的一个或多个机器学习算法来聚合和处理数据，以将预测输出170提供给信息系统110。算法可基于分析目标、概率估计度、准确度、优先级等而改变。示例性仪表板130可提供信息的预测性可视化和回顾性可视化两者，诸如对一个或多个患者失约的预测等。在某些示例中，可为置信区间提供预测估值。例如，通过使用对患者失约的预测和相关联的置信区间或分数(例如，90％、50％、30％等)，系统110可决定其是否想要对该患者的预约进行调整或改变(例如，提醒、确认、该时隙和相关联资源的替换或替代等)。例如，置信区间可以是基于可用信息的对预测的置信度，并且/或者置信区间可以是对例如患者将按其排定预约而出现的置信度的指示。

例如，预测可提前三天分析计划表以识别与低置信区间(例如，<50％)相关联的患者，然后跟进他们以确认他们是否会出现。虽然在同一天重新计划是困难的，但是可提前一天调整计划表，以适应不会或不太可能会出席其排定预约的患者。在某些示例中，可计划更紧急的患者来代替出席可能性低的患者。如果患者不太可能出席，则诸如核医学同位素等可降解材料可被保存、推迟、用于另一患者，而不会由于半衰期不允许储存以延迟使用而浪费。

在某些示例中，输出170可包括具有对置信度/出席可能性/失约的指示的工作列表等。在某些示例中，工作列表被生成用于跟进，并且列表上的患者基于其优先级、其失约的可能性以及在列表过长而无法跟进所有人时基于可用容量来排优或排序。

在某些示例中，可通过查找下个月计划进行相同或类似手术的患者来处理工作列表，以查看在当前处于该时隙中的患者未预约的情况下，是否可由其他人填补该时隙。在某些示例中，可将患者地址与诊所位置进行比较并且结合交通信息来使可更容易到达医院的患者优先，以填补时隙。

在某些示例中，数据存储库120在将数据提供给数据访问层140和推理引擎160之前变换该数据115。例如，数据存储库120可变换数据115的格式，可组织/布置数据115等。因此，例如，数据115可从RIS变换以生成优先级列表。模型165将输出提供给数据存储库120以供仪表板130使用以呈现预测结果。例如，数据存储库120可变换来自推理引擎160的模型165的输出以形成预测性仪表板显示130。因此，例如，在数据存储库120中建模(例如，清洁、标准化/归一化/变换和准备以供输出等)的数据可用于训练模型165并且生成预测。数据存储库120可被配置为从信息系统110中选择与某些约束条件、标准等匹配的数据115的特定子集而不是所有数据115，并且数据存储库120可按某种方式为仪表板130、模型165等组织该数据。

使用来自数据存储库120的准备数据，其经由数据访问层140与其他信息(诸如天气150、交通等)进一步组合起来，来训练模型165。数据和约束条件训练、测试模型165并且将该模型变换为针对特定数据集115和针对特定医疗保健环境系统110观察到的患者模式而定制的特定算法。因此，模型165变成针对特定环境、场景、资源集、患者群体等起作用的定制算法或算法集。

在某些示例中，数据访问层140可将结果发送到相关系统110(诸如RIS、PACS、EMR等)，并且可在RIS计划系统中以高失约概率直接标记预约。可采取行动来确认那些预约、取消或重新计划那些预约、用其他可用患者来填补空时隙等。

图2示出了示例性架构100的具体实施的更详细视图。在图2的示例中，架构100被实现为在医疗保健场所(例如，医院、诊所、医生办公室等)处运行的虚拟机或设备。在图2的示例性具体实施中，数据存储库120被划分为RIS数据立方体120和结果立方体125，并且数据访问层140包括数据访问服务142和数据访问控制器144。数据访问层140提供保存在结果文件210中的结果，该结果文件被提供给结果立方体125。来自结果文件210的预测结果的计划构建可用于驱动仪表板130接口显示器和相关联的行动。

如图2的示例所示，工作流程信息系统110处的事件触发(例如，基于预约或计划请求、每日计划表生成等)数据交换以及事件数据、患者数据和其他数据(例如，非健康数据，诸如天气、交通、资源等)的处理，以生成交互式仪表板显示和计划表修改。数据立方体120合并来自多个来源的数据并且使得系统100的部件能够操纵和查询数据，就好像其是一个统一数据集一样。使用立方体120，来自一个或多个位置处的一个或多个来源110的数据可“捣碎”在一起以表示字段中的数据，其中一个字段中的值在另一字段中具有对应的值，以使字段中的数据能够相对于任何其他字段中的数据进行处理。通过允许在来自相同或不同数据源的其他数据的上下文中分析数据，立方体120使得来自不同数据源的大量数据能够得到有力查询和分析，以由数据访问层140实时(或在给定数据检索、存储和/或处理延迟等的情况下基本上实时)处理。

在某些示例中，数据115可经由提取、变换和加载(ETL)操作提供给立方体120。使用ETL，可将数据115从一个上下文中的来源复制到另一上下文中的目的地。因此，ETL操作处理从一个或多个来源110检索的数据，从预期格式和/或上下文清理数据以补救缺陷、不一致性等，并且将数据变换为数据访问层140可对其起作用的格式/上下文。在某些示例中，对数据115的ETL操作将数据115形成逗号分隔值(CSV)文件和/或其他电子表格、数据文件等，以供数据访问层140检索和处理。

在某些示例中，数据访问层140在数据立方体120和推理引擎160之间创建抽象层。例如，数据访问层140的抽象化允许相对于数据立方体120中的数据使用不同的逻辑模型并且经由推理引擎160及其模型165进行处理。在某些示例中，数据访问层140可包括业务逻辑，以经由数据立方体120定制数据的查询并且提供数据立方体120的传入查询(例如，经由REST获取查询从立方体120收集的数据等)和结果立方体125的传出结果。如图2的示例所示，数据访问层140包括数据访问服务142和数据访问控制器144。数据访问控制器144调控数据访问服务142以获取和组合数据、处理数据、通过推理引擎160触发推理等。例如，数据访问控制器144可帮助确保由数据访问服务142检索的数据的质量和数量并且可帮助确保认证和授权以检索、组合和处理数据。例如，数据访问控制器144可控制(例如，经由超文本传输协议(HTTP)请求等)数据访问服务142以收集患者和计划表数据115以及针对特定时间/位置的天气信息150，从而形成针对推理引擎160的执行请求。

因此，数据访问层140从数据存储库120接收数据(例如，经由REST获取请求等)并且将该数据与诸如天气预报信息150(交通信息、非医疗保健事件信息等)的附加信息组合起来。数据访问层140将医疗保健数据115(诸如预约数据、患者数据、医院资源数据等)与天气预报信息150(例如，查看预约时间前后的5天窗口等)和/或其他信息(诸如位置、交通等)组合起来，并且将该组合的信息(例如，经由REST post操作等)提供给机器学习推理引擎160，例如，该机器学习推理引擎包括一个或多个AI模型165以处理信息并且生成预测。推理引擎160训练和部署AI模型165(诸如机器学习模型(例如，神经网络等)等)，以处理传入数据并且确定可能的结果(诸如失约预测等)。模型165可例如在先前经验证的数据上进行训练，该先前经验证的数据例如指示某些患者状况、天气、时间/位置等导致患者对预约失约。例如，结果被提供(例如，经由REST结果操作等)回到数据访问层140，以作为输出(诸如CVS文件210等)作为一个或多个集成工作流程预测170被传送到结果数据立方体125以及信息系统110。

图3描绘了图1至图2的推理引擎160的示例性具体实施。如图3的示例所示，推理引擎160可被实现为包括多个要素或行动302-314的容器或虚拟机。例如，图3的推理引擎包括HTTP请求接收器302以执行输入验证、请求处理等。接收器302将经处理的数据提供给上下文创建器304，该上下文创建器使用输入数据创建患者/计划表上下文。例如，上下文(诸如检查原因、患者状况、位置、时间等)可与数据相关联。然后将具有上下文的数据提供给预处理算法306，该预处理算法准备数据以供AI模型165处理以生成预测(例如，失约预测、SLA违背预测、等待时间预测、工作负荷预测等)。然后将该预测输出到算法后处理器310以获取模型165结果并且制定结果以用于显示、记录、计划表调整、通信、其他输出等。为后处理结果提供输出上下文化器312，以将上下文(例如，患者上下文、计划表上下文等)提供给输出。例如，然后将上下文化的输出提供给响应发生器314以创建响应(例如，HTTP响应等)，该响应要被发送到数据访问层140的数据访问控制器服务144。

因此，推理引擎160是框架部件，该框架部件提供用于适应一个或多个算法模型165的连接性和发展性、预处理和/或后处理以及用于扩展算法以支持跨一个或多个医院部门、团队等的工作流程的可扩展性。引擎160可针对来源数量、接受者数量、预期受众/环境等对模型165中的预测性分析进行缩放。在某些示例中，可根据指向目标/目的、患者群体、医疗保健环境等将各种模型165插入引擎160中，模型165被并入到对用户和/或医疗保健系统110透明的引擎160中。例如，引擎160提供框架以接受算法模型165并且使该模型165适应现实世界系统110。

例如，模型165无法连接到系统110的其他部分，并且引擎160将模型165连接到系统100，允许其被改变，使得其能够使用等。引擎160的框架锚定模型165并且建立与系统100的其他部分的连接。例如，作出预测的数据来自数据库/立方体120，经由访问层140的数据管理服务被转发，并且推理引擎160暴露HTTP端点，例如以接收数据并且处理该数据以帮助确保质量、格式等。然后将预处理的数据转发到模型165。引擎160在模型165之前和在模型165之后所执行的代码对进入模型165的数据进行预处理并且对从模型165出来的数据进行后处理以供系统100在模型165之后使用。

在某些示例中，模型165被生成为随机森林模型。随机森林或随机决策森林是用于分类、回归和其他任务的集合学习方法，这些任务通过在训练时构建多个决策树并且输出类别来操作，该类别是例如各个树的包括类别(分类)模式或均值预测(回归)模式。例如，随机决策森林校正决策树的过度适应其训练集的习惯。即是说，决策树结构可用于机器学习，但是当该树生长得较深时，该树可学习不规则模式，从而由于决策树过度适应其训练数据集而导致偏差低但方差高。随机森林对在同一训练集的不同部分上训练的多个深度决策树进行平均，以减少方差。方差的减小可能是以偏差的小幅增加和可解释性的一定损失为代价的，但是一般而言大大地提高了最终模型的性能。随机森林可用于以自然方式将变量在回归或分类问题中的重要性(诸如患者失约的可能性或概率)进行排序。

在某些示例中，随机森林预测器可导致观察之间的相异性量度。随机森林相异性量度也可被定义在未标记数据之间。由于随机森林相异性对于输入变量的单调变换是不变的并且对无关观察具有稳健性，因此随机森林相异性可用于处理混合变量类型。随机森林相异性由于其固有变量选择而适应大量半连续变量。例如，随机森林相异性可用于根据变量对其他变量的依赖性来权衡每个可用变量的贡献。随机森林相异性可用于基于过去的历史、天气、交通等在一组排定患者中识别不太可能针对其排定预约出现的一组患者。

例如，机器学习技术(不论是随机森林，还是深度学习网络和/或其他体验/观察学习系统)可用于定位图像中的对象，理解语音并且将语音转换为文本，建立事件(诸如患者失约)的相关性和/或预测，提高搜索引擎结果的关联性等。深度学习是机器学习的子集，该机器学习使用一套算法以使用具有多个处理层(包括线性和非线性变换)的深度图对数据中的高层抽象化进行建模。虽然许多机器学习系统都是先植入初始特征和/或网络权重、再通过机器学习网络的学习和更新加以修改，但是深度学习网络是通过训练自身来识别分析的“良好”特征。使用多层架构时，采用深度学习技术的机器对原始数据的处理可好于使用常规机器学习技术的机器。使用评估或抽象化的不同层促进了各组高度相关的值或区别性主题的数据检查。

神经网络环境中的深度学习包括许多称为神经元的互连节点。由外部来源激活的输入神经元基于受机器参数控制的与其他神经元的连接来激活这些其他神经元。神经网络以基于其自身参数的一定方式起作用。学习改善机器参数，并且广义来说，改善网络中的各神经元之间的连接，使得神经网络以所需方式起作用。

利用卷积神经网络的深度学习使用卷积滤波器来分割数据以定位并且识别数据中学习到的可观测特征。CNN架构的每个滤波器或层变换输入数据以增加数据的选择性和不变性。数据的该抽象化允许机器聚焦于数据中其尝试分类的特征并且忽略不相关的背景信息。

深度学习的操作建立在许多数据集包括高级特征而高级特征又包括低级特征这一理解上。例如，当检查图像时，并不查找对象，更有效的做法是查找边缘，边缘形成模体，模体形成部分，部分形成要寻找的对象。特征的这些层次可见于许多不同形式的数据，诸如语音和文本等。

学习到的可观测特征包括机器在监督学习期间学习到的对象和可量化正则性。设置有有效分类的数据的大集合的机器更有条件区分并且提取与新数据的成功分类相关的特征。

利用迁移学习的深度学习机器可将数据特征正确地连接到由人类专家确认的某些分类。相反，同一机器可在人类专家告知分类错误时更新用于分类的参数。例如，可通过学习到的设置和/或其他配置信息的使用来引导设置和/或其他配置信息，并且当系统被使用更多次(例如，反复使用和/或由多个用户使用)时，对于给定情况而言，可减少设置和/或其他配置信息的变化和/或其他可能性的数量。

例如，可使用专家分类数据集来训练示例性深度学习神经网络。该数据集构建了神经网络的第一参数，并且这将成为监督学习阶段。在监督学习阶段期间，可测试神经网络是否已实现所需行为。

一旦已实现所需神经网络行为(例如，机器经过训练以根据指定阈值来操作等)，就可部署机器以便使用(例如，使用“真实”数据来测试机器等)。在操作期间，可(例如，由专家用户、专家系统、参考数据库等)确认或拒绝神经网络分类以继续改善神经网络行为。然后示例性神经网络处于迁移学习状态，因为确定神经网络行为的分类参数基于正在进行的交互来更新。在某些示例中，神经网络可向另一个过程提供直接反馈。在某些示例中，神经网络输出的数据先经过缓冲(例如经由云等)和验证，再提供给另一个过程。

图4示出了将AI驱动的预测和建模集成到示例性患者护理路径400中的示例性流程图。在框410处，生成请求。根据给定上下文(例如，用户上下文、应用上下文、医疗保健上下文等)，可为基于机器学习的处方支持提供检查请求、计划请求、处方请求等。在框420处，执行计划。例如，预测性失约算法模型165可适应于提供智能计划并且减少预约错过、资源未充分利用、患者护理延迟等情况。此外，例如，预测性等待时间算法可提供经改善的患者体验，并且成像洞察可促进经改善的资产利用和病例负载管理。在框430处，进行数据采集。例如，采集可利用预测性等待时间算法和成像洞察、成像优化(例如，MR优化等)、智能悬片协议配置、基于AI的计算机辅助诊断(CAD)等。在框440处，可使用智能悬片协议、基于AI的CAD输出、以及关于潜在SLA违背、发现情况的自动填充等的预测性报告来提供读取和报告，以改善性能。

图5提供了对患者护理的计划(例如，框420)的示例性图示，包括对患者失约的预测和反应。在框510处，识别患者护理工作流程(例如，在检查请求/检查原因中提供、从患者记录中提取、在部门计划表中识别等)。例如，可从医院信息系统110检索医院的一个或多个医疗保健医生要查看的一个或多个患者的计划表。在框520处，挖掘与所识别的患者和/或患者护理工作流程相关的数据以用于预测性分析。例如，用于计划表上的患者、计划表中所涉及的医疗保健医生、计划表中所涉及的资源等的数据115可从一个或多个系统110(诸如HIS、RIS、CIS、CVIS、PACS、LIS、EMR等)中提取，并且被挖掘用于预测性分析。例如，数据立方体120可将数据115格式化，将数据115进行组合，和/或以其他方式变换数据115以由推理引擎160处理。

在框530处，将所挖掘的数据与非医疗保健数据(诸如预约数据、天气数据、交通数据、资源信息等)组合起来。例如，所挖掘的医疗保健数据115用天气数据150、相对于患者、提供商和/或其他医疗保健位置的交通信息等来丰富。因此，医疗保健数据可用提供上下文、环境、相冲突的计划表约束条件等的非医疗保健数据来丰富，这些数据可影响对未来事件(诸如患者对排定预约失约等)的预测性分析。

在框540处，将组合信息提供给机器学习推理引擎160，以生成关于与该信息相关联的结果(例如，患者未按预约出现的可能性或概率等)的预测。例如，随机森林模型165可用于使用多个决策树来表示计划表数据、工作流程数据、患者信息、天气和/或交通推测等。决策树可在训练时使用已知或“地面实况”验证数据来构建。例如，在部署在推理引擎160中时，模型165可输出表示患者失约的概率的决策树的模式回归和/或均值分类。

在框550处，计算与预测相关联的置信分数和/或区间。例如，模型165可输出“是”或“否”答案和/或在审查的患者不会出席其预约(失约)的概率百分比。与模型确定相关联的置信区间可例如通过以下操作来形成：确定患者失约的平均概率和与多次确定的平均值(例如，取可用确定范围内的平方差的平方根等)的标准偏差并且使用平均值、标准偏差、所需置信水平(例如，90％、95％、99％等)计算误差界限。例如，可从平均值中减去误差界限并且将误差界限加到平均值中来确定围绕由模型165计算出的值的置信区间。

在框560处，生成输出。例如，基于预测与置信分数和/或区间的组合来生成和提供具有预测、置信分数和对计划表和/或其他工作流程要素的推荐/调整的工作列表。例如，由推理引擎160生成并且经由REST命令提供给数据访问层140的结果可用于驱动仪表板130输出以及将输出提供给与一个或多个信息系统110相关联的计划员，以基于集成工作流程预测170来调整装备、人员、患者和/或其他资源分配。输出可用于帮助确保符合服务级别协议(SLA)，减少和/或维持患者等待时间，并且在推理引擎160指示患者失约的可能性高时，针对一个或多个患者触发提醒和/或其他预防性和/或补救性行动。例如，由引擎输出130、170等触发的此类行动可改善资源利用率、患者护理和系统响应能力。

图6至图9描绘了通过图1至图5的示例性系统和方法生成的示例性接口。例如，图6示出了示例性预测性失约接口600。例如，示例性接口600基于来自推理引擎160的机器学习示出了患者对放射科检查的预测性失约。对于每个计划的患者，表示患者及其预约的图块610-612结合针对其预约的天气预报信息620-622示出。作为天气预报信息的替代或补充，可经由示例性接口600结合患者610-612和预测630-632信息提供交通信息等。在接口600上显示失约概率630-632，并且当患者错过排定预约的概率高(例如，>50％等)时呈现重新计划选项640。

图7示出了示例性仪表板700，该示例性仪表板列出了一组患者及其信息、计划的预约信息、预测的失约概率等。用户可与示例性仪表板700交互以评估计划表或工作流程以及包括在该计划表/工作流程/工作列表中的患者。在某些示例中，用户可选择患者的失约概率以查看导致生成对应概率的附加信息。选择仪表板700中列出的患者和/或其他人可检索该人和/或在失约情况下、在可能失约之前等联系他们的另一人的联系信息，以提示该人出席、用其他人填补该时隙等。例如，可经由示例性接口700查看和修改每日计划表、每周计划表、每月计划表等。在某些示例中，可通过模态(modality)和/或其他标准经由示例性仪表板接口700查看计划表或工作列表。例如，示例性接口700可针对用户、部门等的次日预约提供给定模态的预测失约。

图8示出了针对一天中每个小时的预测失约概率的示例性曲线图800。因此，对于特定模态(例如，x射线、超声、MR等)，患者失约的概率可在一天内按小时变化。例如，示例性曲线图800向用户传达概率。使用示例性曲线图800，用户可查看出席预测并且计划需求，制定策略以增加需求等。在某些示例中，曲线图800连接到仪表板700以允许用户查看等待列表和/或联系信息以尝试并填补空的计划表时隙，帮助确保个人按预约出现等。

图9示出了处理在一段时间(例如，一年、两年、三年等)内收集的出席数据的示例性随机森林输出900。在图9的示例中，可为所监测的患者出现和失约生成混淆矩阵，诸如用于训练机器学习模型以进行失约预测性。在图9的示例中，对在医疗保健场所处训练和部署的随机森林进行分析以识别正确识别的出现的数量、正确识别的失约的数量、错过出现的数量和假阳性失约的数量，从而以90.8％的精度生成预测，其中从假阴性中召回82.6％。

图4至图5示出了表示用于结合图1至图3和图6至图9的示例性系统、算法和接口来实现和/或执行的示例性机器可读指令的流程图。在这些示例中，机器可读指令包括供处理器(诸如下文结合图10讨论的示例性处理器平台1000中所示的处理器1012)执行的程序。该程序可体现在有形计算机可读存储介质(诸如CD-ROM、软盘、硬盘驱动器、数字通用盘(DVD)、蓝光

如上所述，图4至图5的示例性过程可使用存储在有形计算机可读存储介质上的编码指令(例如，计算机和/或机器可读指令)来实现，该有形计算机可读存储介质为诸如硬盘驱动器、闪存存储器、只读存储器(ROM)、光盘(CD)、数字通用盘(DVD)、高速缓存、随机存取存储器(RAM)和/或信息在其中存储任何持续时间(例如，延长的时间段、永久、短暂实例、临时缓冲和/或高速缓存信息)的任何其他存储设备或存储盘。如本文所用，术语有形计算机可读存储介质明确地被定义为包括任何类型的计算机可读存储设备和/或存储盘，并且排除传播信号且排除传输介质。如本文所用，“有形计算机可读存储介质”和“有形机器可读存储介质”可互换使用。此外或另选地，图4至图5的示例性过程可使用存储在非暂态计算机和/或机器可读介质上的编码指令(例如，计算机和/或机器可读指令)来实现，该非暂态计算机和/或机器可读介质为诸如硬盘驱动器、闪存存储器、只读存储器、光盘、数字通用盘、高速缓存、随机存取存储器和/或信息在其中存储任何持续时间(例如，延长的时间段、永久、短暂实例、临时缓冲和/或高速缓存信息)的任何其他存储设备或存储盘。如本文所用，术语非暂态计算机可读介质明确地被定义为包括任何类型的计算机可读存储设备和/或存储盘，并且排除传播信号并且排除传输介质。如本文所用，当短语“至少”用作权利要求前序中的过渡性术语时，与术语“包含”是开放式的一样，其也是开放式的。

本说明书的主题可被实现为独立系统或作为能够由一个或多个计算设备执行的应用程序来执行。应用程序(例如，网页、可下载小应用程序或其他移动可执行程序)可生成本文描述为图形用户接口(GUI)或其他视觉图示的各种显示或图形/视觉表示，该各种显示或图形/视觉表示可被生成为网页等，其方式促进经由计算设备与用户进行交互(接收输入/指令、生成图形说明)。

本文所提及的存储器和处理器可为独立的或整体地构造为各种可编程设备的一部分，包括例如台式计算机或膝上型计算机硬盘驱动器、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、可编程逻辑设备(PLD)等，或作为计算设备的一部分，以及它们的任何组合，该组合可操作以执行与实现本文所描述的主题的方法相关联的指令。

如本文所提及的计算设备可包括：移动电话；计算机，诸如台式计算机或膝上型计算机；个人数字助理(PDA)或移动电话；笔记本电脑、平板电脑或其他移动计算设备；等以及它们的任何组合。

如本文所提及的计算机可读存储介质或计算机程序产品是有形的(并且另选地为非暂态的，如上所定义)，并且可包括用于存储电子格式信息(诸如计算机可读程序指令或指令模块、数据等)的易失性和非易失性的、可移动和不可移动的介质，该介质可为独立的或作为计算设备的一部分。计算机可读存储介质或计算机程序产品的示例可包括但不限于RAM、ROM、EEPROM、闪存存储器、CD-ROM、DVD-ROM或其他光学存储装置、磁带盒、磁带、磁盘存储装置或其他磁存储设备、或可用于存储所需电子格式的信息并且可由处理器或计算设备的至少一部分访问的任何其他介质。

如本文所提及的术语模块和部件通常表示当在处理器上执行时导致指定任务的程序代码或指令。程序代码可存储在一个或多个计算机可读介质中。

如本文所提及的网络可包括但不限于：广域网(WAN)；局域网(LAN)；互联网；有线或无线(例如，光学、蓝牙、射频(RF))网络；计算机、路由器、服务器、网关等的基于云的计算基础结构；或与其相关联的允许系统或其部分与一个或多个计算设备进行通信的它们的任何组合。

术语用户和/或该术语的复数形式用于通常指能够访问、使用或受益于本公开的那些人。

图10是能够执行指令以实现本文所公开和描述的示例性系统和方法的示例性处理器平台1000的框图。处理器平台1000可为例如服务器、个人计算机、移动设备(例如，蜂窝电话、智能电话、平板电脑诸如IPAD

所示示例的处理器平台1000包括处理器1012。所示示例的处理器1012是硬件。例如，处理器1012可由来自任何所需系列或制造商的一个或多个集成电路、逻辑电路、微处理器或控制器来实现。

所示示例的处理器1012包括本地存储器1013(例如，高速缓存)。所示示例的处理器1012经由总线1018与包括易失性存储器1014和非易失性存储器1016的主存储器通信。易失性存储器1014可由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)和/或任何其他类型的随机存取存储器设备来实现。非易失性存储器1016可由闪存存储器和/或任何其他所需类型的存储器设备来实现。对主存储器1014、1016的访问由存储器控制器来控制。

所示示例的处理器平台1000还包括接口电路1020。接口电路1020可由任何类型的接口标准(诸如以太网接口、通用串行总线(USB)和/或PCI express接口)来实现。

在所示示例中，一个或多个输入设备1022连接到接口电路1020。输入设备1022允许用户将数据和命令输入到处理器1012中。一个或多个输入设备可由例如音频传感器、麦克风、相机(静物相机或摄像机)、键盘、按钮、鼠标、触摸屏、触控板、轨迹球、isopoint和/或语音识别系统来实现。

一个或多个输出设备1024也连接到所示示例的接口电路1020。输出设备1024可例如由显示设备(例如，发光二极管(LED)、有机发光二极管(OLED)、液晶显示器、阴极射线管显示器(CRT)、触摸屏、触觉输出设备、发光二极管(LED)、打印机和/或扬声器)来实现。因此，所示示例的接口电路1020通常包括图形驱动器卡、图形驱动器芯片或图形驱动器处理器。

所示示例的接口电路1020还包括通信设备，诸如发射器、接收器、收发器、调制解调器和/或网络接口卡，以促进经由网络1026(例如，以太网连接、数字订户线(DSL)、电话线、同轴电缆、蜂窝电话系统等)与外部机器(例如，任何种类的计算设备)交换数据。

所示示例的处理器平台1000还包括用于存储软件和/或数据的一个或多个大容量存储设备1028。此类大容量存储设备1028的示例包括软盘驱动器、硬盘驱动器、光盘驱动器、蓝光盘驱动器、RAID系统以及数字通用盘(DVD)驱动器。

编码指令1032可存储在大容量存储设备1028中、在易失性存储器1014中、在非易失性存储器1016中和/或在可移动的有形计算机可读存储介质(诸如CD或DVD)上。指令1032可由处理器1012执行以实现如上文所公开和描述的示例性系统100等。

根据前述内容，应理解，已经公开了用于改善对数据和相关联文档的处理的示例性方法、装置和制品。所公开的方法、装置和制品通过在特定患者和检查顺序的上下文中提供相关文档以用于经由单个接口显示和交互来提高使用计算设备和由计算设备驱动的接口的效率。在某些示例中，还维持对较大文档集的访问。某些示例通过以先前不可用的方式应用滤波器的能力来改善计算机系统及其过程和用户接口显示。虽然现有方法不提供此类匹配和过滤并且缺乏导致相关数据丢失、计算性能问题、对患者安全性的影响等的粒度，但是某些示例更改了计算设备的操作并且提供了新的接口和文档交互。因此，所公开的方法、装置和制品涉及计算机功能的一个或多个改进，以及针对患者和检查信息的新匹配方法和用户接口布局、结构和交互。

虽然本文已公开了某些示例性方法、装置和制品，但本专利的覆盖范围不限于此。相反，本专利覆盖合理落入本专利的权利要求书的范围内的所有方法、装置和制品。