一种用于诊断和治疗疾病的医疗设备和方法

摘要

一种医疗设备，包括一个内存，一个以通信方式连接到所述内存的处理器，并且所述处理器经过配置从而执行指令以评估与第一个特定疾病有关的一个或多个患者数据输入，使用至少一种计算算法将该一个或多个数据输入与来自至少一个数据库的一组数值进行比较，训练至少一种计算算法以基于第一个特定疾病来估计对患者的诊断，使用至少一种计算算法确定患者针对所述特定疾病的第一个诊断评分，当第一个特定疾病的第一个诊断评分高于第一个数值时，将患者诊断为患有所述特定疾病，并输出为患者提供的诊断。

说明书

相关申请/优先权的交叉引用

本发明要求获得对2018年8月28日提交的美国临时专利申请号62/723,593和2019年3月11日提交的美国临时专利申请号62/816,239的优先权，这两个专利申请都通过引用并入本披露内容中，等同于在此文中进行了完全重述。若是所并入的材料与本公开的具体思想之间存在任何冲突，应以后者为先。同样地，若是一个单词或短语在技术领域上理解的定义与单词或短语在本披露中具体阐述的定义之间存在任何冲突，应以后者为先。

背景

对患者作出正确诊断对于医疗专业人员来说很有必要，这样他们才能开出适合治疗患者疾病的处方，并进行适当的管理。有些疾病要作出准确诊断会有些困难，尤其是患者进行初次看诊时。而当疾病的有效治疗窗口有限时，例如脑卒中和心脏病发作，这个问题就会变得更加困难。由于诊断疾病需要花费时间，因此很少会对不同类型的急性脑卒中(尤其是缺血性脑卒中)进行紧急治疗，例如使用“溶栓”重组组织型纤溶酶原激活剂(rtPA)。尽管在全球范围内，脑卒中是导致残疾的首要原因，并且是导致死亡的第二大最常见原因，而在美国，每年发生的脑卒中近80万例，在医疗保健上的费用大约为370亿美元。每年会发生1700+万例脑卒中，其中有570万例是致命的，但是医疗专业人员尚没有可以利用的能够快速有效进行诊断和治疗的工具。神经系统紧急情况(例如急性脑卒中)会引起有时间依赖性的脑损伤。由于上述原因，找到一种能够快速有效诊断和治疗疾病的设备和方法的需求非常迫切但似乎又无法解决。

概述

因此，本发明的实施例的一个目的是克服上述与当前技术相关的不足和弊端。

目前缺血性脑卒中可以在院前就使用重组组织型纤溶酶原激活剂进行治疗。在患者诊断有急性脑卒中被送至医院时，患者只需进行常规的神经影像学检查即可确定最终诊断，然后就可以使用重组组织型纤溶酶原激活剂对患者进行输液治疗。在治疗越早与预后越好之间存在强相关的情况下，利用本公开装置能在现场建立诊断，无需住院医生再去评估，因此能平均节省83分钟的时间用以进行重组组织型纤溶酶原激活剂输液治疗。节省的时间意味着重组组织型纤溶酶原激活剂治疗的有效性能提高37％，救治的患者数量能提高2倍。由于本文公开的医疗设备能伸缩，因此它可用在例如美国的约81000辆救护车中和欧洲的178000辆救护车中。

根据其中一个实施例，本公开的人工智能诊断(AID)医疗设备具有自然语言和视觉识别/计算机视觉，是基于云的人工神经网络，通过与患者直接沟通来诊断神经系统的紧急情况。诊断完成后，医疗设备将把治疗信息传达给医务人员，并指导将患者运送到合适的医院。没有建立明确诊断的患者可能会被送至当职的神经科医生以进行评估。

本文中使用的术语“疾病”是笼统的同义词，并且与术语“障碍”和“病症”(医学上的病状)互换使用，因为它们均反映了人体或动物或其一部分的正常功能出现损害而表现出的异常病症，通常表现有明显的体征和症状，并导致人或动物的生存时间减少或生活质量降低，并且还可能包括身体的器官、一部分、结构或系统出现功能失调或功能不正常，引起的原因有遗传或发育出错、感染、中毒、营养缺乏或不平衡、毒性或不利的环境因素的影响，患病，不适，病痛。

本公开的发明涉及方法、系统和医疗设备，设备包括一个内存，一个与内存连接且能通信的处理器；并且所述处理器经过配置可执行指令以评估与第一个特定疾病有关的一个或多个输入的患者数据；此处理器使用至少一个计算算法将一个或多个输入的数据与来自至少一个数据库的一组数值进行比较；训练至少一个计算算法从而以第一个特定疾病为基础估算患者的诊断；使用至少一个计算算法针对这个特定疾病确定患者的第一个诊断评分；当第一个特定疾病的第一个诊断评分高于第一个数值时，将患者诊断为患有此特定疾病，并且显示或提供患者的这个诊断以作为输出。根据另一个实施例，所述处理器还经过配置，从而当所述诊断评分低于第二个数值且所述第二数值低于所述第一数值时，执行指令以诊断所述患者未患有所述特定疾病。根据另一个实施例，所述处理器还经过配置，从而当所述诊断分数在第一数值和第二数值之间时，执行指令以显示所述患者的诊断为非结论性的。根据又一个实施例，所述医疗设备还包括以下装置：一个反射镜，能测量至少一个平方英尺的反射区域；一个时钟；一个冰箱；一个马桶；一张椅子；一张床；一台电视；一台微波炉；一盏落地式电灯或柜台式电灯；以及一盏安装在天花板上的灯具。根据另一实施例，所述医疗设备还包括一些绑带，可将医疗设备固定佩戴在手腕上。根据另一实施例，所述输入的数据是人口统计数据、症状、病史要素、检查结果和/或诊断性测试结果中的一种，或其某种组合。根据另一实施例，所述输入的数据由患者或第三方中的一个输入，并由所述医疗设备自动获取。根据另一实施例，所述医疗设备通过语音提示与患者进行交互。根据另一实施例，当存在某特定疾病的一个阳性症状时，诊断患有该疾病的可能性增加，而当存在某相似疾病的不同症状时，诊断患有该疾病的可能性降低。根据另一个实施例，所述第一个特定疾病是神经系统异常、充血性心力衰竭、哮喘、心肌梗塞和感染中的一种。根据另一个实施例，所述特定疾病是一种神经系统异常，包括急性缺血性脑卒中、短暂性脑缺血发作、癫痫发作、脱髓鞘疾病、多发性硬化症、脑外伤和脑肿瘤中的一种，或它们的某种组合。根据另一实施例，所述医疗设备自动评估患者的一种或多种特定疾病的初始体征，并在检测到有初始体征时自动触发更全面的评估。根据另一实施例，体温异常被评为是感染的初始体征，步态、言语和四肢运动中有一个或多个出现变化被评为是神经系统异常的初始症状和体征，呼吸频率改变、说话出现停顿中有一个或两者一起出现被评为是充血性心力衰竭加重的初始症状和体征，呼吸短促、呼吸困难中有一个或两者一起出现被评为是哮喘即将发作或正在发作的初始症状和体征，而抓握胸部、表示疼痛的面部表情、呼吸急促、潮红和/或出汗中出现一种或多种被评为是心肌梗塞的初始症状和体征。根据另一实施例，当所述设备诊断患者患有第一个特定疾病时，所述设备会确定患者要服用的合适药物并通知患者，或者确定患者要服用的合适药物，通知患者，然后也直接分配药物。根据另一实施例，所述处理器还经过配置，从而执行指令以评估患者患有第二个疾病的可能性，所述第二个疾病与第一个疾病有类似之处，并且当诊断此相似病征为另一种疾病的可能性高于25％，50％，75％或90％时，患有第一个疾病的诊断会伴随有警报。根据另一实施例，至少有一个计算算法包括人工神经网络，支持向量机(SVM)，Nu-SVM，线性SVM，朴素贝叶斯(NB)算法，高斯NB，多项式NB计算算法，多类SVM，有向无环图SVM(DAGSVM)，结构化SVM，最小二乘SVM(LS-SVM)，贝叶斯SVM，直推式SVM，支持向量聚类算法(SVC)，分类SVM类型1(C-SVM分类)，分类SVM类型2(nu-SVM分类)，回归SVM类型1(ε-SVM回归)和回归SVM类型2(nu-SVM回归)中的一个。根据另一实施例，所述处理器还经过配置，从而经由有线或无线网络将诊断发送到一个医疗设施，并且所述医疗设备还包括经由网络传达诊断的装置。根据另一实施例，所述处理器还经过配置，从而当确定第一个诊断评分低于第一个数值，或低于第一个数值且高于第二个数值，或同时低于第一个数值和第二个数值时，执行第二个计算算法以确定患者的第二个诊断评分。根据另一实施例，所述处理器还经过配置，从而执行多个计算算法，每个算法都使用来自多个数据库中的数据，针对每个计算算法确定患者的第一个特定疾病的诊断评分，并且当特定疾病的大多数计算算法或所有计算算法的诊断评分都高于第一个数值时，即诊断患者患有该特定疾病。根据另一实施例，所述处理器还经过配置，从而输入与第一个特定疾病有关的经典综合征的历史定义所涵盖的一个或多个综合征元素，分配与已知或文件记录的确定具有经典综合征患者人群中的患病率成比例的综合征元素分数，确定患者是否具有综合征元素，计算患者具有经典综合征的诊断概率，方法为将代表在患者身上识别出的综合征元素的总分数除以包括经典综合征的历史定义所涵盖的所有综合征元素的总分数，并输入经典综合征的诊断概率作为与第一种疾病相关的数据输入。根据另一实施例，所述第一个计算算法和第二个计算算法是多个计算算法的一部分，所述多个计算算法以串行方式改进对患者的诊断。根据另一个实施例，所述第一计算算法的计算基于来自多个数据库的一组公共数据，并且其中所述第二计算算法的计算基于来自单个数据库的所有数据。根据另一实施例，所述第二计算算法是从多个计算算法中选择的，其中多个计算算法中每一个计算算法都基于来自不同数据库的所有数据，并且其中所述第二计算算法的选择是基于患者的数据输入和第二种计算算法所使用的数据库数据之间的相似性。

根据另一个实施例，当前公开的发明涉及设备，系统和方法，其包括生成表示与一个医学疾病相关的综合征的数值，其中，综合征可以是与医学疾病相关的症状、病史要素、检查结果和诊断性测试结果的集合；生成代表一个患者的一组生物特征值，将代表综合征和该组生物特征值的每一个值提供给机器学习系统，以提供表示患者患有医学疾病的可能性的输出值，并生成从该输出值中导出的输出给用户。

以下将对所述医疗设备的优选实施例进行详细描述，并会附有附图，从而使本发明的各种目的、特征、方面和优点更加显而易见，在附图中，相同的数值代表相同的组件。本发明可以解决上面讨论的当前技术的一个或多个问题和不足。但是，可以设想，本发明可能证明在解决许多技术领域中的其他问题和不足方面也是有用的。因此，不必将要求保护的本发明解读为仅限于解决本文所讨论的任何特定问题或不足。

附图说明

并入本说明书中并构成本说明书的一部分的附图示出了本发明的各种实施例，并且与以上给出的本发明的一般描述和以下给出的附图的详细描述一起对本发明的原理进行了解释。应当理解，附图不一定按比例绘制，因为，重点放在对本发明的原理进行说明上。现在将参考附图通过示例的方式对本发明进行描述，其中：

图1是一种经典的缺血性脑卒中综合征延髓外侧综合征的外部症状和内部神经损伤的示意图。延髓外侧部分的损伤(如图所示，延髓横截面左侧较暗的部分)损害了某些神经解剖结构，从而出现了一些独特的症状和体格检查上的异常。急性损伤可由特定动脉阻塞引起，也称为缺血性脑卒中；

图2是一个汇总了各种卒中样发作的表格，不包括出血性脑卒中的病征(颅内出血，蛛网膜下腔出血)；

图3是根据当前要求保护的发明的一个实施例的患者诊断评估中串行采用的计算算法的域的流程图。在所述医疗设备的一个实施例的本示例中，为了确定适合采取紧急治疗的缺血性脑卒中患者，通过一组以逻辑顺序运行以完善诊断的计算算法来评估可能患有某种神经系统紧急情况的患者。“卒中样发作”涵盖了经常被误认为脑卒中的神经系统疾病，例如癫痫发作。AI＝人工智能(Artificial Intelligence)。CA＝计算算法(Computational Algorithm)。TIA＝短暂性脑缺血发作(Transient Ischemic Attack)；

图4A至图4D是经典综合征用分数进行加权/概率计算所涉及的潜在步骤，可以用作所公开的医疗设备基于人工智能的诊断医疗设备实施例的离散数据输入。图4A至图4D描述了采用分数评估来识别经典综合征例如延髓外侧缺血性脑卒中综合征的逻辑；

图5示出了基于该数据输入的重要性，所述设备的患者界面的数据采集任务(左)，其顺序将是可调整。然后，一种或多种计算算法处理数据输入(右)，其中最强的数据可能是关键定义。以脑卒中诊断设备为例，关键的定义将包括发作的敏锐度、症状的持续性、经典脑卒中综合征和卒中样发作(图中心左上方的灰色框)。关键定义可能需要有检查结果以及症状和诱发事件才能建立；其他数据可能会产生影响，尽管影响程度较小。凭经验，数据输入的权重(W)得以改进，以提高诊断的准确性，而不是“金标准”式的医生诊断。然后，所计算的概率(netj)能确定例如急性缺血性脑卒中(AIS)的诊断，依此可确定治疗决策。EMS＝紧急医疗服务(Emergency Medical Service)；EKG＝心电图(Electrocardiogram)；rtPA＝重组组织型纤溶酶原激活剂。

图6示出了具有一级计算算法组和三个二级计算算法组的分层多级分析设备过程的一个具体示例，其中，所述一级计算算法首先对患者进行评估，如果无法生成诊断，则采用，应用或遵照一个二级计算算法，对患者进行不同的评估以得出诊断；

图7示出了一个流程图，该流程图描述根据当前要求保护的发明的一个实施例，在对患者进行诊断评估中串行使用的计算算法的域的过程示例；

图8示出了利用多个数据库和计算算法来计算患者诊断的串行方法的示意图；

图9示出了利用多个数据库和计算算法来计算患者诊断的组方法的示意图；

图10示出了一个流程图，该流程图描述根据当前要求保护的发明的一个实施例，在对患者进行诊断评估中串行采用的计算算法的域的过程示例；

图11示出了神经网络架构的示例；

图12示出了具有四个神经网络层的神经网络的一个具体示意性示例；

图13示出了根据所公开的主题的实施例，一个计算设备的示意性示例；

图14示出了根据所公开的主题的实施例，所述医疗设备的示例框图，该医疗设备包括通过接口耦合至神经网络的多个传感器；

图15示出了本公开的医疗设备基于人工智能的一个诊断医疗设备实施例，对经典综合征进行分数加权/概率计算作为离散数据输入的另一实施例中涉及的潜在步骤；

图16和图17显示了来自纽约市的一个非洲裔美国人中年男性的具体示例，以及根据与训练该计算算法的数据库中其他患者的患者病历相似的患者的人口统计学特征来选择较优的诊断计算算法的方法，利用了非地理人口统计学相似性(图16)和地理相似性(图17)；以及

图18和图19分别是所述诊断医疗设备的一个实施例中的元件的示意图(图18)和在所述设备发挥作用时通过这些元件的过程流的泳道图(图19)。API＝应用程序编程接口；LUIS＝语言理解情报服务；CA＝计算算法；NLP＝自然语言处理。

详细说明

通过参考以下详细描述来理解本发明，应结合附图来解读这些详细描述。应当理解，以下各种实施例的详细描述仅作为示例，并不意味着以任何方式限制本发明的范围。在上面的概述中，在下面的详细描述中，在下面的权利要求中，以及在附图中，作为参考展示了本发明的特定特征(包括方法步骤)。应当理解，本说明书中本发明的公开内容包括这些特定特征的所有可能的组合，而不仅仅是这些明确描述的内容。例如，在本发明的一个特定方面或实施例或特定权利要求的上下文中公开一个特定特征时，该特征也可以在可能的情况下在本发明的其他特定方面和实施例的上下文中以及在整个发明中使用或组合使用。本文所用的术语“包括”及其语法上等同的同义词指任选的情况下均存在其他组件、成分、步骤等。例如，术语“包括”(或“包含”)组件A，B和C可以由(即仅包含)组件A，B和C组成，或者不仅可以包含组件A，B和C，而且还有一个或多个其他组件。在本文中引用包括两个或多个定义的步骤的方法时，可以以任何顺序或同时执行所定义的步骤(除非上下文排除了这种可能性)，并且该方法可以包括一个或多个在任何已定义的步骤之前、在两个已定义的步骤之间或在所有已定义的步骤之后(除非上下文排除了这种可能性)执行的其它步骤。

本文使用术语“至少”后跟数字来表示以该数字开始的一个范围的开始(可以是具有上限或没有上限的范围，具体取决于所定义的变量)。例如，“至少1”表示1或大于1。本文中使用术语“至多”后跟数字表示以该数字结束的一个范围的结束(可以是具有下限为1或0的范围，或无下限的范围，具体取决于所定义的变量)。例如，“至多4”是指4或小于4，而且“至多40％”是指40％或小于40％。在本说明书中，当范围被指定为“(第一个数字)至(第二个数字)”或“(第一个数字)-(第二个数字)”时，这意味着下限为第一个数字、上限为第二个数字的一个范围。例如，25至100毫米是指下限为25毫米、上限为100毫米的一个范围。下面阐述的实施例代表能让本领域技术人员实践本发明的必要信息，并且示出了实践本发明的最佳方式。另外，本发明不需要将所有有利特征和所有优点都并入到本发明的每个实施例中。

现在介绍图1-19，将讨述关于本发明的各种组件的简要描述。发明人公开了诸如人工神经网络(ANN)的计算算法(CA)2可以被用作医疗设备3的一部分，从而基于一种或多种单个症状6、病史元素8、检查结果10和/或诊断测试结果12(统称为“数据输入14”)来预测患有疾病4的诊断20，较优的情况下，每个数据输入14接收其各自的预测权重16以进行分析。

发明人已经观察到，某些疾病4可以根据高度并发的症状6的集合(例如，综合征18)促进识别。虽然“综合征18”的技术定义仅包括症状6，但本文使用该术语时包括一种更广泛、更口语化的意义，作为包括例如症状6、病史要素8、检查结果10和/或诊断测试结果12在内的多个单个数据输入14的集合。该更广泛的定义与医学实践更加紧密相关。

尤其，可以通过识别综合征18来预测神经系统领域中某些疾病4的诊断20，该综合征18本身可以用作计算算法2的单个数据输入14或补充计算算法2的诊断评估。在临床神经科学中，局灶性脑损伤通常涉及功能网络中所涉及的多个离散的神经结构，其中，这些结构和网络在物理空间中最接近(如果不是重叠的话)，否则可能没有或几乎没有功能相关关系。以脑干为例说明，脑干用于通过颅神经直接将较大的前脑连接到身体的其余部分，并通过投射到脊髓的方式间接地连接到身体的其余部分，并且其中可以定位大多数非认知神经功能。因此，即使是对脑干的微小局灶性损伤也可能引起明显症状，但是基于脑干受伤部位以一种独特方式表现。一个特定的例子是脑干下部(延髓)外侧部分的单侧伤害，会引起症状6、检查结果10和诊断检查结果12的集合，称为延髓外侧综合征18，如图1所示。延髓外侧综合征18与椎动脉或小脑后下动脉闭塞密切相关，因此，它几乎总是代表一种缺血性脑卒中4，即患者22患有的疾病，会被正确识别为具有综合征18。因此，它将被临床医生认为是典型的脑卒中综合征18。其他典型的神经系统综合征18与其他疾病4(如癫痫发作，脱髓鞘疾病，如多发性硬化症或颅脑外伤)的关联性更强。然后，以缺血性脑卒中4的诊断20为目的的计算算法2，例如ANN，可以识别出缺血性脑卒中4的诊断20，从而对任何被所述医疗设备3诊断为患有非缺血性脑卒中病征(称为“卒中样发作”疾病24)的典型症状18的个体22排除缺血性脑卒中4的诊断20。

根据当前要求保护的医疗设备3的一个实施例，是计算算法2，例如ANN，其中，综合征18被评为单独的数据输入14且伴随有一个或多个个体22具有的症状6、病史元素8、检查结果和/或诊断测试结果12。典型综合征18输入的权重16最好较高(例如0.9或更大)，并且对目标疾病具有积极的预测作用。然后，满足或不满足经典综合征18的定义将被考虑是ANN诊断评估的一个“关键定义26”。以急性缺血性脑卒中(AIS)为例，经典脑卒中综合征18将作为评估患者22的关键定义26，如图5所示。

类似地，其他关键定义26可能包括与目标疾病相似的医学病征或综合征的定义/诊断标准/特征。使用一个急性缺血性脑卒中诊断计算算法为示例，卒中样发作病征24将包括在诊断环境中通常被误诊为急性缺血性脑卒中的疾病，例如癫痫发作，出血性脑卒中，偏头痛或脑外伤。参见图2。作为关键定义26的经典卒中样发作综合征24将在优选情况下具有高的权重16(例如0.9或更大)，但是对目标疾病4(这里是急性缺血性脑卒中)具有消极的预测作用。

在另一个实施例中，当前要求保护的发明包括计算算法2，例如ANN，其中出于诊断目的，其它关键定义26将被视为数据输入14。这些包括满足或不满足以下情况的预定定义：(i)急性/突然发作；(ii)症状6的持续存在或缓解、检查结果和/或诊断测试结果。

在另一个实施例中，所述计算算法2可以使数据输入14的权重16进行如下相对排序：关键定义26大于单个症状6，单个症状6大于单个检查结果10，单个检查结果10大于病史要素8。在一些实施例中，诊断测试结果12可以用作关键定义26，例如，在CT扫描或其他诊断测试评估中不存在颅内出血即默认或排除定义为“局部缺血”。

在其他实施例中，满足或不满足经典综合征18定义不被计算算法2使用作为数据输入14，而是确认计算算法的诊断20或使计算算法的诊断20无效，或生成不确定诊断20的疾病而需要由值班医生28进行进一步评估。在其他实施例中，必须首先满足经典综合征18定义，然后才能通过计算算法2评估数据输入14，从而得出诊断20。在另外的其他实施例中，达到或未能达到经典综合征18的定义确定了在患者评估30中采用的计算算法2，其中多个经典综合征18从多个计算算法2中有选择性地采用计算算法2。

现在介绍图3-10，示出了当前公开医疗设备3的另一实施例，即采用多种计算算法2的人工智能医疗设备3。

基于人工智能的诊断医疗设备3(包括“作为医疗设备3的软件”)可能包括计算算法2，计算算法2被构造为例如人工神经网络，支持向量机和贝叶斯算法等。单个计算算法2可能用于例如基于症状6、病史元素8、检查结果10和/或诊断测试结果12的数据输入14来预测患有疾病4的诊断20。

根据所公开的医疗设备3的另一实施例，是基于人工智能的医疗设备3，下文将对其进一步描述，其具有一个或多个计算算法2，所述计算算法2会协调预测患有疾病4的诊断20，所用方法有例如共识，多数或其他预定义的阈值。在所述医疗设备3的一些实施例中，如果所有采用的计算算法2都达不到诊断20，那么诊断20就不会提供给患者22或医疗保健提供者28，或者提供的诊断20会带有一个警报32或警告消息，例如所有计算算法2均达不到诊断20。并且，在一些实施例中，如果所有采用的计算算法2确实都达到诊断20，那么诊断20将被提供给患者22或医疗保健提供者28。在其他实施例中，如果至少大多数计算算法2达不到诊断20，那么诊断20将不会被提供给患者22或医疗提供者28，或者提供诊断20时将带有一条警报32或警告消息。并且在其他实施例中，如果至少大多数计算算法2确实达到诊断20，则该诊断20将被提供给患者22或医疗保健提供者28。在另外的其他实施例中，如果一个或多个充当“网守”34的计算算法2提供特定的输出38，这将允许其他计算算法2确定诊断20，或者将允许其他计算算法2提供诊断20，或者在计算算法2充当“毒丸防御36”的情况下，提供特定的输出38，该输出可以防止其他计算算法2确定其它情况下可能确定的诊断20。在出现“网守”34和“毒丸防御”36的这种情况下，某些计算算法2或其他计算机过程除了识别出目标主要疾病4(例如脑卒中)之外，可能具有特定目的，例如，检测出头部外伤，在脑电图上识别癫痫发作活动，测量颅内压升高，或在紧急情况下检测到机动车事故，类似发作疾病24将对脑卒中的诊断20产生疑问，而在其它情况下在人工智能医疗设备3中通过不同的计算算法2则会达到脑卒中的诊断20。在另外的实施例中，计算算法2可以提供2、3、4、5或更多的诊断20，每个诊断20都带有其各自成立的可能性，并且较优的情况下，还带有赞成每个诊断20的数据输入14和怀疑每个诊断20的数据输入14，较优的情况下，还带有可以解决任何或所有诊断20的缺失的数据输入14，尤其是指示诊断20是正确还是不正确的数据输入14，例如网守34和毒药防御36。

所提出的基于人工智能的诊断医疗设备3的多个计算算法2中的每个计算算法2可以采用它们各自的数据输入14来进行训练和/或用于参考。或者，一些或所有计算算法2可以在一组共同的数据输入14的基础上来进行计算。在所述医疗设备3的一些实施例中，多个计算算法2可以具有基本上相同的原始结构和/或代码，但是由于所训练的数据集不同而有所不同，因此对于相同的数据输入14具有不同的权重16，例如，以不同的患者数据库40进行训练的两个最初相同的计算算法2(例如人工神经网络)会变得不一样。这两个算法会基于针对特定疾病4的单个患者数据库40中的单个数据输入14的预测权重16来调整分配给数据输入14的相应权重16。

在所提出的机器学习医疗设备3的一些实施例中，以串行方式参与多个计算算法2和/或分析过程以改进诊断20，如图5所示。诊断20的改进可能会继续进行，例如，通过一个计算算法2将脑卒中确定为是导致患者22出现神经系统紧急情况的原因，然后通过第二个计算算法2在预定的时限内确定脑卒中是急性/突然发作，然后通过第三个计算算法2确定急性发作是脑缺血引起的，再通过第四个计算算法2根据所述治疗的适应症和禁忌症，确定患者22是否适合进行药物治疗或外科/血管内干预治疗。在一些实施例中，计算算法2的协调活动基本上像具有多个独立或半独立决策点的决策树或流程图一样，其中决策计算就在决策点位置执行。如果医疗设备3的多个计算算法2不能得出一个高诊断值(例如，高概率/高度确定)为患者22确定诊断20，则医疗设备3的其他实施例会将患者22的评估30转给医师28或其他医疗保健提供者。在医疗设备3的一些实施例中，基于人工智能的诊断医疗设备3实现的诊断20的诊断准确性/与医师28的诊断20的一致性为至少85％，90％，92％，94％，95％，或96％时，其诊断20才被认为具有足够高的概率/确定性。

在所述医疗设备3的其他实施例中，个体22的计算算法2的介入是灵活的并且可以进行调整，从而使得具有高诊断置信度的那些计算算法2将被用于患者评估30和诊断决策过程中，而另外，效率较低的计算算法2将仅针对患者22的数据进行培训，以备将来可能使用，而对诊断评估并无帮助。在这样的实施例中，可以根据哪个计算算法2最具有期望的敏感性、特异性、正向预测值、负向预测和/或与其他计算算法2的一致性/一致率来随时间改变或调整作为多个计算算法2的一部分用于诊断目的的特定计算算法2的使用。在所述医疗设备3的一个此类实施例中，以回顾性收集的患者22的记录进行训练的具有机器学习能力的计算算法2替换为以前瞻性收集的患者22的记录进行训练的计算算法2。该实施例可以逐渐地用前瞻性训练的计算算法2来代替回顾性训练的计算算法2，例如以进行训练的患者22的记录的数量成比例的方式，或者突然地以前瞻性训练的计算算法来达到预定阈值。在一些实施例中，不同的计算算法2前瞻性地收集不同的数据输入14以建立它们和/或其他计算算法2可以在训练和/或决策计算中使用的前瞻性数据库40。

尽管“综合征18”的技术定义仅涉及患者22告知的症状6，但在本文中，我们使用该术语时具有广义上的含义以作为多种症状6、病史要素8、检查结果10和/或诊断测试结果12(统称为“综合征要素42”)的集合。比技术定义更宽泛的定义更适合医学实践，并且与医学实践更紧密相关。

某些疾病因为综合征18的存在特别容易识别，甚至可以通过综合征18(“经典综合征18”)在病理学上得到识别。以这种方式特别容易识别神经系统领域中某些医学疾病4的诊断20。在临床神经科学中，局灶性脑损伤/功能障碍通常涉及多个离散的神经结构，这些结构参与了解剖上分布的功能网络的重要方面，其中这些神经结构在物理空间上是相近的(如果不是重叠的话)，但是没有或几乎没有功能关系。以脑干为例，脑干是大脑的一部分，通过颅神经直接地将较大的前脑与身体连接，并通过投射到脊髓的方式间接地起到此连接作用。大多数非认知神经功能可以位于脑干中。因此，即使是对脑干的小范围局灶性损伤，也会以受损伤的脑干部分和引起该损伤的病理生理机制的性质所独有的方式产生许多神经系统异常。一个例子是下脑干(延髓)外侧部分的单侧损伤会引起一组称为延髓外侧综合征18的综合征元素42，如图1所示。延髓外侧综合征18与椎动脉或小脑后下动脉的闭塞紧密相关。因此，它代表了一种缺血性脑卒中。也因此，临床医生会将其视为“经典脑卒中综合征18”或“经典缺血性脑卒中综合征18”，它很可能是无需进一步诊断评估30的缺血性脑卒中。

鉴于经典综合征18具有较高的预测价值，它的存在与否可以用作人工智能诊断医疗设备3中一个计算算法或多个计算算法2的单个数据输入14。但是，所有综合征要素42可能不会出现在每个被认为是典型综合征18的典型患者22中。为了对典型症状18的单个数据输入14进行加权16以便进行计算分析，或者评估患者22具有典型症状18的可能性，发明人公开了基于给定患者22中存在的综合征元素42的数量和患病率相对于人群平均数的计算。对于所述医疗装置3的一些实施例，发明人公开了一种计算，其中：1)例如在医学文献中记录的综合征元素42分配有分数，分数与已知/记录的确认具有经典综合征18的患病人群22中的患病率成比例；2)确定被评估的患者22具有或不具有综合征元素42；3)然后，数据输入的权重16或经典综合征18的诊断20的概率的计算方式为代表在评估患者22中识别出的综合征元素42的分数除以该综合征18历史定义所包含的该综合征18所有要素的总分数，得出百分比。

在图4A-4D中示出了经典综合征18的基于分数的评估案例示例。其他经典的神经系统综合征18与癫痫发作、脱髓鞘疾病(例如多发性硬化症)，脑瘤或脑外伤更紧密相关，就如脑卒中4的相似发作疾病24或反例之于这些疾病的关系。基于人工智能的医疗设备3的一个实施例中，其目的是获得对脑卒中4的诊断20，可能需要考虑、评估或识别、从而排除相似发作综合征24(这些非脑卒中疾病的典型综合征18)或卒中样发作24。相似发作综合征24可能会成为负面因素，从而降低得出患有特定疾病4(例如缺血性脑卒中)的诊断20的可能性。相似发作综合征24的存在还可能是句号中止了之后的计算，从而完全防止获得患有特定疾病4的诊断20。此外，或者另外，如果其它诊断20(例如相似发作疾病24)的可能性高于某个水平，例如15％，25％，50％，75％或90％的话，所述医疗设备3可以得出患有疾病4的诊断20，但是其中包括一个警报32。

在所述医疗装置3的一些实施例中，仅当在患者22的初始筛查期间识别出预定数量或比例的综合征元素42时，例如，在诊断具有综合征18的患者22中发现最常见的综合征元素42中有一个、两个或三个，或者在诊断具有综合征18的患者22中发现的综合征元素42达到四分之一甚至是二分之一时，才会将患者22评估为具有经典综合征18。图4A-D所示的基于分数的系统，类似地，可用于触发对患者22进行是否具有典型综合征18的更全面评估，其中评估30仅在代表在患者22中识别出综合征要素42的分数达到一定比例或为大多数时才会开始。

参照图6，示出了所述医疗设备3的分层计算算法2系统。如图所示，在由患有相同疾病4的患者22的记录组成的各种数据库40中，可能存在不一致的数据输入14。在图中，“Y”表示所显示的框中存在数据，而“N”表示所显示的框中不存在数据。以缺血性脑卒中4为例，许多数据输入14可能存在于所有数据库40中(例如，年龄，房颤)，因为它们可以强烈预测患有给定疾病4是已知的事实。其他一些数据输入14可能存在于某些但并非是其他的数据库40中，例如饮酒或脑卒中家族史。这可能是一个挑战，即，如何在并非都具有相同数据输入14的数据库40上串行训练所公开的医疗设备3。对缺失数据的估算可能是有问题的。训练所述医疗设备3的计算算法2以提高诊断20的准确性的一种方法是重复地循环使用患者数据库40，包括查找数据库40，访问数据库40，利用数据库40进行训练，然后搜索其他数据库40。训练计划的这一实施例的一个好处是，它使机器学习能力最大化，而潜在的缺点是，它可能会在连续的训练周期中丢失/稀释/压垮已有的训练。

所公开的医疗设备3可以利用各种数据库40。FABS数据库40(与FABS评分系统相关)，FAST-MAG(脑卒中治疗——镁的现场管理)数据库40和GWTG(按指南使用)数据库40仅作为示例示出。可以基于针对特定疾病的可用性和适用性来使用另外的和/或其它的数据库40。

发明人公开了多个实施例，以利用各种数据库40来训练所述医疗设备3并得出诊断20。第一个实施例是利用使用所有数据元素的数据库40进行串行训练，并允许对不常见的数据输入14进行稀释。该实施例的一个优点在于其实施非常简单。一个潜在的弱点则是，它可能会稀释以前的训练工作，可能会忽略难以收集的数据输入14的价值，并且由于需要不断估算和删除数据输入14而可能变得不可行。第二个实施例是仅对在所有数据库40中可用的公共数据输入14进行训练。该实施例的优点在于其实施非常简单。一个潜在的弱点则是，即使数据输入14有很强或只有很弱的预测作用，此方法也可能会丢弃潜在有用的数据输入14。第三个实施例是在有或没有从大到小的数据库40训练的情况下进行的迁移学习串行训练。该实施例的优点在于它保护了先前的训练，并且它大概首先以最准确的单个训练估计(即最大的数据库40)开始，它限制了方差。该实施例的潜在弱点则是，它可能依赖于在开始时要有最大的数据库40并且在训练期间冻结的部分计算算法2的不确定性可能意味着反复试验。第四个实施例是为在所有数据库40中丢失的数据输入14估算值。该实施例的优点是对于某些数据输入14它不复杂。该实施例的潜在弱点则是它可能产生混杂干扰，比如某些数据输入14无法进行估算，比如它可能会稀释以前训练的价值，再比如可能会有大量丢失的数据输入14导致潜在的较大不可靠性。第五实施例是基于最大的数据库40为较小的数据库40估算缺失的数据输入14，然后融合所有数据库40并在综合的数据库40上进行训练。该实施例的优点在于它创建了最大规模的数据库40，并且与第四个实施例相比它潜在地具有更少的不可靠性。潜在的缺点则是，它假定丢失的数据输入14具有较低的诊断值，并且可以估算丢失的数据输入14。第六个实施例对包括数据输入14在内的数据输入设置了阈值，例如，数据输入14必须存在于多个数据库40中和/或必须是可接受的疾病4(例如脑卒中)的危险因素。该实施例的优点在于它建立在确定的风险因素的知识上。潜在的弱点则是，它有可能消除被忽略的或当前价值未知的数据元素。第七个实施例是在最大的数据库40上进行训练，然后在较小的数据库40上进行验证。该实施例的优点在于，它并不排除其他可能的设计。缺点则是可能需要在验证数据库40中估算缺失的数据输入14，从而限制验证过程的价值。第八个实施例是将稀有数据输入14综合成组(例如，将心率和体温归类于“非血压生命体征”)。该实施例的优点在于它是简单的。该实施例的潜在弱点则是可能损失稀有数据输入14的唯一预测价值。

成组的计算算法2可以包括一个或多个ANN，支持向量机(SVM)(包括NuSVM和线性SVM)以及朴素贝叶斯(NB)算法(包括高斯NB)和多项式NB计算算法。成组的计算算法2可能包括多类SVM，有向无环图SVM(DAGSVM)，结构化SVM，最小二乘支持向量机(LS-SVM)，贝叶斯SVM，直推式支持向量机，支持向量聚类(SVC)，分类SVM类型1(也称为C-SVM分类)，分类SVM类型2(也称为nu-SVM分类)，回归SVM类型1(也称为ε-SVM回归)，回归SVM类型2(也称为nu-SVM回归)。在所述设备的一个实施例中，在能够建立诊断之前，NB算法和SVM算法必须得到一致诊断。在该设备的其他实施例中，在可以建立诊断之前，2、3、4、5或更多计算算法的不同组合必须得到一致诊断。在第一阶段期间，所述设备可以使用汇总数据库40训练主要计算算法组44，该汇总数据库40仅包括所有数据库40共用的数据输入14，请参见图6，即在每个数据库40中具有代表性数据的输入14。在第二阶段或第二域内，所述医疗设备3可以使用来自各个数据库40的所有数据输入14来训练单独的计算算法2的组，其中每个数据库40都训练其各自的计算算法组(二级计算算法组46)。主要和二级计算算法2可以是相同或不同类型的算法。

参照图7，在这种情况下，主要计算算法组44首次尝试基于已知的疾病4危险因素的共同且有很强预测作用的数据输入14来获得诊断20。如果不确定，或者如果诊断评分48没有达到第一个值50，那么可以将患者22的案例转介给二级计算算法组46。然后，可以通过设备的一个前端患者界面50，第三方74，和/或根据二级计算算法组46的需要检索患者22记录等获得其它的数据输入14。然后，例如使用二级计算算法2的组的一致结果作为决胜局或通过基于主要计算算法组44的计算的叠加概率评估，来对诊断20进行重新评估。如果过程重新评估30不能结论性地给出存在疾病3的诊断20，和/或不能结论性地给出不存在疾病3的诊断20，那么之后可能将患者22转介给医师28(在该实施例中为神经科医生)以进行评估30。

现在介绍图11-14，进一步讨论所公开的医疗设备3的实施例。在一些实施例中，传感器62(例如，麦克风和摄像头)和直接接口64获得的设备输入56可以通过特征提取模块(也称为特征提取器)传递，该特征提取模块将设备输入56转换为“特征”58，这些特征是用于训练计算算法2的设备输入的有效数字表示。所述接口可以是例如键盘或触摸屏。除了设备输入56特征58之外，可以为症状提供特征的“标签”60。“标签”可以包括语音样本口齿不清的程度，或者微笑时面部前半部分相对于后半部分的下垂程度。除了诸如用户输入的数据14之外，还可以使用来自患者22的视觉或听觉图像/视频或记录的诊断症状6的其他类型的标记，包括直接输入到所述医疗设备3中的二进制或有标度或有范围的值。这包括对所述医疗设备3提出的问题的“是”或“否”二进制答案，例如从“0–10”或模拟答案(例如真实或虚拟滑块)，到所述医疗设备3提出的问题的范围答案。可以通过从多个设备输入56及其关联的标签60或标签组60接收、处理和学习来训练神经网络66，以允许设备估计患者22的诊断20。

在一些实施例中，一个神经网络架构的构造可以为在每个层52内具有足够数量的层52和节点60，使得当用传感器62(例如，摄像头和麦克风)和用户界面(UI)64获取的输入数据14进行训练时，它可以以足够的精度对诊断20进行建模。图11显示了神经网络66架构的一个示例，其中从中提取的特征作为神经输入68(f1，f2，...，fL)提供给一个或多个较低层52、一个或多个长期短期记忆(LSTM)层52和一个或多个深层神经网络(DNN)层52，以估计诊断评分48。可以在本公开的范围内实施各种类型的神经网络层52。例如，作为对DNN层52的替代或补充，可以实现一个或多个卷积神经网络(CNN)层52或LSTM层52。在一些情况下，除了一个或多个神经网络层或作为其一部分，可以实施各种类型的滤波器，例如无限冲激响应(IIR)滤波器，线性预测滤波器，卡尔曼滤波器等等。

图12示出了神经网络66的一个实施例的一个具体示例，该神经网络具有四个神经网络层52，即第1，2，3和4层，用于处理从设备输入56提取的特征58。在图12中，示出了两个图，即图n和图n+L。应当理解，在给定的时间长度内，可以将设备输入56表示为多个图，并且图的大小可以表示诊断评分48。对于图n，第一层52，即，第1层，包括用于每个诊断的多个数据输入14的设备输入，如第一个诊断评分48中所示。同样，对于图n+L，第1层包括来自每个诊断的多个数据输入14的设备输入56，如第二个诊断评分48中所示。关于患者22的其它信息可能包括在第1层中。为了改变数据输入14，图n和图n+L的第1层可能包括代表随时间变化的症状6的设备输入56。在一个实施例中，在第2和3层中具有足够数量的节点54或单元时，神经网络66将能够获得知识或诊断准确性并预测出诊断20。

可能需要神经网络66的至少一层52来处理复数。在一个示例中，可能在神经网络66的第2层中处理复数。复数可以采用实部和虚部的形式，或者另外采用幅度和相位的形式。例如，在神经网络的第2层中，每个单元或节点54可以接收复数输入并产生复数输出。在此示例中，具有复数输入和复数输出的神经单元可能是第2层的相对直接的设置。在一个示例中，复数单元内的净结果U由下式给出：U＝Σ

在另一个实施例中，神经网络66的第1层和第2层可能涉及复数的计算，而上面的层52，例如第3层和第4层，可能涉及实数的计算。例如，神经网络66第2层中的每个单元或节点54可以接收复数输入并产生实数输出。可以实施各种方案以基于复数输入来生成实数输出。例如，一种方法是实现一个复数输入-复数输出的公式，并通过简单地取复数输出的大小来使复数输出变为实数：

当前公开的主题的实施例可以在各种组件和网络架构中实现并与之一起使用。例如，如图14所示的医疗设备3神经网络66可以包括用于实现上述主题实施例的一个或多个计算设备70。图13示出了适合于实现本公开主题实施例的计算设备70的一个示例。计算设备70可以是例如一个台式或笔记本电脑，或一个移动计算设备，例如智能电话，平板电脑，视频会议/远程医疗系统等等。计算设备70可以包括总线，该总线互连计算机的主要部件，例如中央处理器，诸如主存(RAM)、只读存储器(ROM)、闪存RAM等等之类的存储器，用户显示器(例如显示屏)，用户输入界面，用户输入界面可以包括一个或多个控制器以及相关的用户输入设备，例如键盘，鼠标，触摸屏(可以认为是界面64的一部分)等等，诸如硬盘驱动器、闪存等之类的存储设备，可操作用以控制和接收光盘、闪存驱动器等的可移动媒体组件，以及可操作以经由合适的网络连接与一个或多个远程设备进行通信的网络接口。

如前所述，总线允许中央处理器与一个或多个存储器组件之间进行数据通信，所述存储器组件可以包括RAM，ROM和其他存储器。通常，RAM是加载操作系统和应用程序的主内存。ROM或闪存组件可以包含除其他代码外的基本输入输出系统(BIOS)，该基本输入输出系统控制基本硬件操作，例如与外围组件的交互。驻留在计算机中的应用程序通常存储在电脑可读媒体上，并通过该电脑可读媒体进行访问，例如硬盘驱动器(如固定存储器)，光盘驱动器，软盘或其他存储媒体。

固定存储器可以与计算机集成在一起，也可以是独立的，并可以通过其他接口访问。网络接口可以通过有线或无线连接提供与远程服务器的直接连接。网络接口可以使用本领域技术人员容易理解的任何合适的技术和协议来提供这种连接，包括数字蜂窝电话，Wi-Fi，

可以类似的方式(例如，文档扫描仪，数码相机等)连接许多其他设备或组件(未示出)。相反地，要实践本公开内容，图13中所示的组件无须所有都要存在。组件可以采用与所示方式不同的方式互连。诸如图13所示的计算机的操作在本领域中是众所周知的，因此在本申请中就不再详细论述。可以将实现本公开的代码存储在计算机可读的存储介质中，例如一个或多个存储器、固定存储器、可移动介质、或在远程存储位置上。

更一般的情况下，当前公开的主题的各种实施例可能包括或以计算机实现的过程和用于实践那些过程的设备的形式体现。实施例还可以以具有包含指令的计算机程序代码的计算机程序产品的形式来体现，这些指令体现在非暂时性或有形介质(例如软盘，CD-ROM，硬盘驱动器，USB(通用串行总线)驱动器或任何其他机器可读存储介质)中，使得当将计算机程序代码加载到计算机中并由计算机执行时，计算机成为用于实践所公开主题实施例的设备。实施例还可以以计算机程序代码的形式来体现，例如，无论是存储在存储介质中、加载到计算机中或由计算机执行，还是通过某种传输介质(例如通过电线或电缆、通过光纤、或通过电磁辐射)传输，使得当计算机程序代码被加载到计算机中并由计算机执行时，计算机成为用于实践所公开主题实施例的设备。当在通用微处理器上实现时，所述计算机程序代码段将微处理器配置为创建特定的逻辑电路。

在一些配置中，存储在计算机可读存储介质上的一组计算机可读指令可以由通用处理器实现，该通用处理器可以将通用处理器或包含通用处理器的设备转换为被配置为实现或执行指令的专用设备。可以使用硬件来实施各实施例，该硬件可以包括在硬件或固件中体现根据所公开主题实施例的全部或部分技术的诸如通用微处理器或特殊应用集成电路(ASIC)之类的处理器。所述处理器可以耦合到诸如RAM、ROM、闪存、硬盘或能够存储电子信息的任何其他设备的存储器。所述存储器可以存储适于由处理器执行以执行根据所公开主题实施例的技术的指令。

在一些实施例中，如图14所示的麦克风和相机可以被实现为传感器62网络的一部分。例如，这些传感器62可以包括用于声音检测的麦克风和用于视觉检测的摄像头，并且还可以包括其他类型的传感器62。通常，“传感器62”是指可以获取有关其环境的信息的任何设备。传感器62可以通过它们收集的信息类型来描述。例如，本文公开的传感器62的类型可以包括波形，化学发射，运动，烟雾，一氧化碳，接近，温度，时间，物理定向，加速度，位置，进入，存在，压力，光，声音等等。还可以根据获得环境信息的特定物理设备来描述传感器62。例如，加速度计可以获得加速度信息，因此可以用作一般运动传感器62或加速度传感器62。还可以根据用于实现传感器62的特定硬件组件来描述传感器62。例如，温度传感器62可包括热敏电阻，热电偶，电阻温度检测器，集成电路温度检测器或其组合。还可以根据传感器62在诸如智能家居环境的集成传感器62网络内执行的功能来描述传感器62。例如，当传感器62用于确定诸如未经授权的进入之类的安全事件时，其可以用作安全传感器62。传感器62可以在不同的时间以不同的功能操作，例如运动传感器62在存在授权用户的情况下用于控制智能家居环境中的照明，并且在没有授权用户的情况下或警报系统处于“布防”状态等时用于警告未授权或意外运动。在一些情况下，传感器62可以顺序地或同时地作为多种传感器62类型操作，例如在温度传感器62用于检测温度变化以及人或动物存在与否的情况下。传感器62也可以在相同或不同时间以不同模式操作。例如，传感器62可以被配置为在白天在一种模式下操作而在晚上以另一种模式操作。另一个示例就是，传感器62可以基于家居安全系统或智能家居环境的状态，或者在这类系统的其它指示下，以不同的模式操作。

通常，本文所公开的“传感器62”可以包括多个传感器62或子传感器62，例如，其中位置传感器62同时包括全球定位传感器62(GPS)和无线网络传感器62，它提供可以与已知无线网络相关联的数据从而获得位置信息。多个传感器62可以布置在单个物理空间中，例如单个设备包括运动、温度、磁性或其他传感器62的地方。这种空间也可以称为传感器62或传感器62设备。为了清楚起见，当传感器62所执行的特定功能或所使用的特定物理硬件对于理解本文所公开的实施例是必需的时，那么在描述传感器62时会说明此类说明。

除了特定的获取关于环境信息的物理传感器62之外，传感器62还可能包括硬件。所述传感器62可能包括环境传感器62，例如温度传感器62，烟雾传感器62，一氧化碳传感器62，运动传感器62，加速度计，距离传感器62，无源红外(PIR)传感器62，磁场传感器62，射频(RF)传感器62，光传感器62，湿度传感器62，压力传感器62，麦克风，体重秤或任何其他合适的环境传感器62，这类传感器获得有关传感器62所处环境的相应信息类型。处理器可以接收并分析由传感器62获得的数据，控制传感器62的其他组件的操作，以及处理传感器62与其他设备之间的通信。处理器可以执行存储在计算机可读存储器上的指令。传感器62中的内存或另一存储器还可存储由传感器62获得的环境数据。通信接口，例如Wi-Fi或其他无线接口，以太网或其他本地网络接口等，可允许传感器62和其他设备进行通信。用户界面可以向用户提供信息或从用户或传感器62处接收输入。用户界面64可以包括例如扬声器，以在传感器62检测到事件时发出声音警报即输出38。或者，或另外，用户界面64还可以包括当传感器62检测到事件时将被激活的灯。用户界面可以相对非常小，如有限输出38的显示器，或者可以是一个全功能界面，如触摸屏。本领域技术人员很容易理解，传感器62内的组件可以经由一个内部总线或其他机制彼此之间来回发送和接收信息。此外，传感器62可包括一个或多个麦克风以检测环境中的声音。一个或多个组件可以以单个物理布置来实现，例如在单个集成电路上实现多个组件的情况。如本文所公开的传感器62可以包括其他组件或者可以不包括所示的所有说明性组件。

如本文所公开的传感器62可以在诸如常规无线网络之类的通信网络内或者传感器62特定的网络内操作，传感器62可以通过该特定传感器网络彼此进行通信或者与其他的专用设备进行通信。在某些配置中，一个或多个传感器62可以向一个或多个其他传感器62、向中央控制器或向能够与一个或多个传感器62在网络上进行通信的任何其他设备提供信息。一个中央控制器可能有一般或特殊用途。例如，一种类型的中央控制器是家居自动化网络，能收集和分析来自家庭中的一个或多个传感器62的数据。中央控制器的另一个示例是专用于功能子集的专用控制器，例如安全控制器，主要或专门收集和分析传感器62的数据，因为它与一个位置的各种安全考虑事项有关。中央控制器可以相对于与之通信的传感器62布置于本地，且中央控制器从传感器62获取传感器62的数据，例如将中央控制器布置于含有家庭自动化或传感器62网络的房屋内。或者，或另外，本文公开的中央控制器可以远离传感器62，例如将中央控制器布置为与多个传感器62通信的基于云的系统，该多个传感器62可以位于多个位置并且彼此之间可以都位于本地或是远程的。

此外，智能家居环境可以推断哪些个人22居住在家中，因此是用户，以及哪些电子设备与那些个人22相关联。这样，智能家居环境可以“学习”谁是用户(例如，一个授权用户)，并允许与那些个人22相关联的电子设备控制智能家居环境的连网智能设备，在一些实施例中，包括由智能家居环境使用或在智能家居环境内使用的传感器62。可以经由发送到一个或多个用户电子设备的消息向用户提供各种类型的通知和其他信息。例如，可以通过电子邮件、短信服务(SMS)、多媒体消息服务(MMS)、非结构化补充服务数据(USSD)以及任何其他类型的消息服务或通信协议来发送消息。

智能家居环境可以包括与智能家居环境外部但在家庭的邻近地理范围内的设备进行通信。例如，智能家居环境可以通过通信网络或直接向中央服务器或云计算系统传达有关检测到的人、动物和任何其他物体的运动或存在与否的信息，并相应地接收用于控制环境照明的返回命令。

在所述医疗设备3的一些实施例中，医疗设备3定期评估患者22的疾病或异常的症状，如果检测到症状，则可能自动触发更全面的患者22装置评估30，从而得出诊断20。在所述医疗装置3的一个实施例中，定期评估30涉及对步态、言语和四肢运动的评估，以寻找神经系统异常的症状，例如分别有跛行，言语口齿不清，一只手臂无力或脸的一个部分下垂。在所述医疗设备3的该实施例中，对这种神经系统异常的检测将触发对症状6和与局灶性脑损伤如脑卒中相一致的体检异常的全面评估。在所述设备的另一实施例中，会对已知患有充血性心力衰竭的患者22的呼吸频率变化或说话停顿的情况进行评估，这些症状能提示充血性心力衰竭出现恶化，这时将具体评估患者22的状况，这可能包括称量患者22的体重。在该实施例中，所述设备可以基于充血性心力衰竭加重的诊断20来指导患者22的用药调整，例如利尿药的使用。在所述设备的另一个实施例中，该设备将识别气短或呼吸困难，并当作哮喘即将发作或正在发作的证据，这时，将通知患者22使用任一种包括吸入器在内的可用呼吸治疗措施，和/或如果患者22的病情足够严重，则所述设备将通知护理和/或紧急医疗服务28以协助患者22。在所述设备的另一个实施例中，该设备将识别受监护的目标人22的以下行为，例如抓握胸部，表示疼痛的面部表情，呼吸急促，潮红和/或出汗，这些行为将提示患者有心肌梗塞，此时所述设备将确认与心肌梗塞相一致的其他症状6和检查结果10，从而指示患者22采取心肌梗塞的紧急治疗，并根据心肌梗死的可能诊断20通知救护车72接收患者22。在所述设备的另一实施例中，可以使用患者22的常规热扫描或点温测量来识别是否有体温异常，这将触发医疗设备3对患者22进行评估30即是否有与感染一致的症状6；基于所述医疗设备3的诊断20，可以在医师28的办公室或所在医院对患者22作出评估30之前，由患者22自行进行推定的抗生素治疗，或由某个第三方74向患者22提供推定的抗生素治疗。在另外的实施例中，当所述医疗设备3确定患者22需要用药时，所述医疗设备3也可以直接分配药物。在另一个实施例中，一个相同的医疗设备3可以评估患者22是否患有任何或所有以上疾病4。

在所述医疗设备3的一些实施例中，配备有足够多的组合的输入设备76(例如麦克风，温度计和一个或多个摄像头)、输出设备38(例如扬声器和灯)、处理器和/或内存的任何电子设备，例如可以单独地或协同地用来监护患者22。在所述医疗设备3的一些实施例中，各种电子设备散布在患者22的整个家中以监护患者22。

在所述医疗设备3的一些实施例中，所述医疗设备3被动地评估患者22是否有患有某些疾病4的证据。当用于救护车72中时，所述医疗设备3可以收听由救护车/紧急医疗服务(EMS)调度员提供的报告，并对报告进行解读，表明有待救护人员看诊的下一位患者22是否患有某种目标疾病4，例如脑卒中。在那种情况下，例如，所述医疗设备3可以具有激活自身并对患者22进行综合评估30的能力。在其他情况下，所述医疗设备3可以请求获得机会对患者22进行评估(例如，面对面或通过电话)，评估方式为让患者22和急救医疗技术人员或医护人员之间进行对话，和/或让此类救护车72的医疗保健提供者对患者22进行体检评估30。

本医疗装置3的一个实施例的第一作用是在院前环境中诊断缺血性脑卒中。基于该诊断20，可以立即获得治疗选择。所述医疗设备3的一个优选实施例是确定缺血性脑卒中症状6和检查结果10得到解决，表明缺血性脑卒中已经消退并且患者22发生过短暂性脑缺血发作，在这种情况下，所述医疗设备3将在进一步的诊断评估30或到达医院之前，指导患者22服用阿司匹林或其他抗血小板药物。可以在任何医疗保健提供者或包括护士、医护人员或救护车在内的任何专业医疗服务到达之前，在医疗设备3的指导下完成给药。在另一个实施例中，缺血性脑卒中的治疗，例如面神经刺激器，在发生出血性脑卒中时足够安全，因此可以在事先没有进行神经影像学评估的情况下对无差别的脑卒中患者22使用，本医疗设备3可以诊断出患者22患有脑卒中，然后指导使用经颅磁刺激(TMS)面神经刺激器进行治疗。在另一个实施例中，所述医疗设备3自身可以在诊断出患者22患有脑卒中之后向患者22提供TMS。在其他实施例中，在已经向患者给予过初始治疗性TMS刺激之后，所述医疗设备3将评估患者症状6和检查异常是否有所改善，并确定从重复治疗性TMS刺激中得到恰当治疗/受益的症状6和检查异常是否有复发或新的发作。

在到达医院之前就在救护车72或其他地方建立脑卒中的诊断20，从而在到达医院后可立即对患者22进行神经影像学检查以识别是否有颅内出血，这将建立出血性脑卒中的诊断20，因此避免了采用缺血性脑卒中的既定疗法(例如静脉组织纤溶酶原激活剂((rtPA)或血管内插管的手术)所进行的治疗。这样的系统将绕过急诊科评估30，从而有助于开展对缺血性脑卒中患者22的治疗。

现在介绍图15，示出了另一个实施例，即基于患者22的症状6和体征的累积概率确定经典综合征18的诊断。在该实施例中，具有典型综合征18，即出现个体症状6、检查异常10或诊断测试结果12(“综合征18的组分”)的患者22的比例被汇编到数据库40或库中。还可以均等或不均等地给每个综合征元素42分配一个偏倚因素，其中不均等的偏倚因素可以由患者22告知的调查、对生活质量的影响或一个或多个保健提供者的决定来确定。假设经典综合征18的所有综合征元素42需要有一个偏差因子1.0，那么就可以根据患者22的综合征元素42的比例来调整经典综合征18的数据输入的权重16。如图15所示的示例中，在评估的目标患者22中有同侧肢体和步态共济失调、同侧面部麻木以及同侧霍纳综合征18，而无对侧半身麻木、吞咽困难和构音障碍以及无恶心、呕吐、眩晕和眼球震颤。该综合征18各个组分的相对比例为90％，50％，50％，90％，20％和10％。所述设备将通过从1中减去概率的乘积来计算症状6和检查结果10的效力，以及具有患者22所有综合征18组分的患病个体22的百分比。例如，若患者22仅出现同侧肢体和步态共济失调以及对侧半身麻木，并且每个综合征元素的偏倚因子42＝1，则诊断评分48为1–(0.9*-0.9)＝1-(0.81)＝0.19。如果图15中的所有症状6和检查结果10都存在，则根据该实施例的诊断评分48将为0.996。当达到诊断评分48的较高诊断值78时，可以得出患有特定疾病4的诊断20，例如，该诊断值可以是大于0.80，大于0.85，大于0.90，大于0.95的值。例如若这些较高诊断值78在80％到小于100％之间(例如，对于较高诊断值0.80的实施例，在0.64到0.80之间，以及对于较高诊断值0.90的实施例，在0.72到0.90之间)，诊断评分48可标记为因缺乏特异性而不能做出特定疾病的诊断20或特定疾病的诊断20并不十足准确，和/或触发转介过程以将患者转介给医疗专业人员进行诊断20。此类中等诊断评分48将被称为具有中等诊断值80，对于是否患有特定疾病4并不确定。中等诊断值的其他下限值可以是较高诊断值78的值的75％，85％，90％和95％。较低诊断分数48，例如低于高诊断值78的五分之四或80％的值(例如，对于较高诊断值0.80的实施例低于0.64，对于较高诊断值0.90的实施例低于0.72和0.90)，可以由所述医疗设备3诊断为具有一个较低诊断值82并且患有特定疾病4为阴性。较低诊断值82的其他上限值可以是较高诊断值78的值的75％，85％，90％和95％。

本医疗装置3的一些实施例将每个经典综合征18的综合征元素42汇总或编译到数据库40或一个或多个库中。例如，可以使用多个库，从而将经典脑卒中综合征18与经典卒中样发作综合征24区分开。在本医疗设备3的此类实施例中，所述设备的前端患者接口64可以收集患者22告知的初始症状6，然后医疗设备3可以使用这些初始症状6从包含这些初始症状6的库中识别经典综合征18。然后，所述医疗设备3可以从所选经典综合征18中评估其他综合征元素42的分布情况，并根据它们在选定的典型综合征18中找到的次数对综合征元素42进行排序。下一步就是，医疗设备3之后可以询向患者22是否最常遇到综合征元素42。基于患者22的回答，针对包括初始症状6在内而选择的经典综合征18的子集会减少，仅保留下也包含最常见综合征元素42的经典综合征18。此过程重复进行，直到剩下单个经典综合征18，或者直到仍然可能有一小组经典综合征18，而这所有剩下的经典综合征18都属于单一类型，例如经典脑卒中综合征18，这时，诊断20可以通过医疗设备输出或通过网络传达给患者22和/或医疗保健提供者。在其他实施例中，可以询问患者22是否具有仅在少数几个或一个最初选择的经典综合征18中存在的不常见症状元素42，从而减少可能的经典综合征18的数量。在其他实施例中，检查结果10或其他数据输入14可用于在各种经典综合征中进行选择以及用于排除各种经典综合征。

现在介绍图16和17中，示出了用于选择性地或有针对性地使用数据库40以及以某些数据库40进行训练的计算算法2的其他实施例。在该图中，较浅的灰色单元格表示值/数据输入14存在于该数据库40中，而较暗的灰色单元表示不同数据库40的不同元素不存在任何值。例如，在所示的实施例中，使用FABS数据库40并且存在表示葡萄糖水平的值，但没有表示用药的值。可以基于人口统计学特征(年龄，性别，种族，病史，地理环境等)来选择要使用的、与所述设备所做的评估30中的患者22特别相关的数据库40。在该图中给出了两个例子。在图16中，使用非地理/个人人口统计特征相似性来选择数据库40及其与患者最相关的相关计算算法。在图17中，使用地理相似性(例如，地理邻近性)来选择数据库40及其与患者最相关的相关计算算法。数据库40与评估30的目标患者22的人口统计学相似性或相关性可以使所述医疗设备3采用按某个数据库40进行调整或调适的计算过程，即使该特定数据库40的数据值小于另一个数据库40的数据值也是如此。

图18和19示出了利用所述医疗设备3诊断患有疾病4的其他实施例。在这些实施例中，

在另一些实施例中，所述医疗设备3可以集成到一个或多个家用设备84或家用固定装置或电器中，诸如镜子，时钟，冰箱，水槽，马桶，椅子，床，电视，微波炉，或电灯，例如包括安装在天花板上的灯具。在优选的情况下，所述家用设备84是患者22会定期或频繁地与之互动或靠近的一个家用设备。所述家用设备84在优选情况下会被连接或可连接到诸如WIFI，蓝牙，蜂窝和/或物联网之类的网络，并且它包括传感器62从而能够被动地或以交互的方式记录患者22的病情，例如一个或多个麦克风，摄像头，热像仪或温度计，心电图传感器，光电容积描记器传感器(用于测量心率)和/或例如电磁脉冲监视器以及可能与患者22交互的其他输入设备76。家用设备集成医疗设备3后，可以具有输出元件38，例如屏幕，灯和扬声器，从而例如用光、声音或语音问题来提示患者22发出响应或以其他方式与患者22交互。在所述医疗设备3监测患者告知的脑卒中感知症状6或身体体征10的实施例中，例如，摄像头可以捕获视频从而确定是否存在脸或身体的一部分与其它部分相比有下垂现象。扬声器可以捕获并确定当患者22讲话时是否有口齿不清或口齿不清是否变得更加严重，或者语言的语法、句法或内容有所破坏。例如，这也可以是对医疗设备的答复，医疗设备通过扬声器以口语的形式或通过接口64以书面文本的形式向患者22发出“早上好”问候。此外，所述医疗设备3可以定期或连续地监测患者22的语言，并且如果检测到患者说话口齿不清，设备就可以自动触发评估30和/或向护理人员、医护人员或其他急救人员和/或中央服务器或其他显示屏发送警报32。摄像头还可以检测患者22的步态是否有跛行。如果患者22具有脑卒中的高风险因素，则所述医疗设备3可以定期筛查初始警告症状6或体征，并在检测到初始警告症状6或体征10时自动触发评估30和/或发送警报32。如果检测到初始警告症状6，或者如果得出患有疾病4的诊断20，则所述医疗设备3还可以指示患者22采取应付一时之急的治疗，或者既指导患者22又向患者22提供应付一时之急的治疗。在心脏缺血或短暂性脑缺血发作的例子中，所述设备可以指示患者22在等待医疗专业人员到达的同时服用阿司匹林。在另外的实施例中，所述医疗装置3可以针对诊断出的患有特定疾病4分配阿司匹林或其他合适的紧急药物。可以从包含治疗一种或多种不同疾病药物的贮存器中分配药物。药物可以装在容器或袋子中，容器或袋子用颜色编码，有编号，有命名或以其他方式标记，从而使得如果患者22需要使用多种类型的药物，那么将清楚地指示这些需要服用的药物。例如，所述医疗设备3可能会指出“您已经被诊断出可能患有短暂性脑缺血发作，请从药品容器中标有“A”的蓝色袋子中拿一片阿司匹林服用。”所述医疗设备3可以自我激活。预计所述医疗设备3将用于例如护理和长期护理设施中，以及用于老年人的居所。

所述医疗设备3在优选情况下会收集与患者22直接或间接交互的信息，但是还有如第三方74之类的其他来源的信息，例如来自事故的目击者，疗养院工作人员，家庭成员，医务人员和患者22的医院/医疗记录。如果输入的数据中存在不一致，则所述医疗设备3可以标记不一致信息并且对医师28发出警告32，和/或所述医疗设备3可以查询不一致信息以及其他信息的来源以图进行澄清。例如，如果患者22输入的是症状6在六个小时前开始出现，而护士输入的则是症状6在两天之前开始出现，则可以由所述医疗设备3标记出此不一致信息，然后由医师28或所述医疗设备3例如通过进一步询问不一致信息的来源来确定哪个是真实信息。或者或另外，基于对该给定问题或对个人22提出的所有问题由该个人22所给出的其他答案的真实性或准确性，或基于属于例如护士或救护人员、或在特定医院工作的个人人群所给出的答案的真实性或准确性，可以对各个人给出的答案的准确性进行加权16。

在所述医疗设备3的一些实施例中，所述医疗设备3将仅与患者22交谈并使患者22可视化，以作为获得关于患者22的诊断信息的手段。在其他更加优选情况下的实施例中，所述医疗设备3将能够与多个第三方74(除患者22以外的个人)以及与患者22相关的其他信息源进行交互，例如，患者22在事故中受伤时的多名目击者，患者22的家庭成员或医疗保健提供者，以及患者22病历的来源。在一些实施例中，所述医疗设备3包括多个设备装置，其中一个可以布置在救护车72中，而其他设备可以是小型手持设备，这些手持设备能够将来自用户(包括第三方74)的诸如语音、图像和输入数据信息传输到所述医疗设备3的数据收集过程。然后，救护车的救护人员可以将手持装置交给急救现场的人员74，允许他们与医疗设备系统3进行交互，由独立的装置询问人员74关于与患者22病情相关的必要信息，而救护人员则处理患者22或将患者22运送到医院。具有独立的医疗设备装置的好处是，在将装置提供给第三方用户74时，装置可能已经与医疗设备系统3的其余部分一起连接到了一个网络上，并且已经加载有要问的问题，在时间至关重要的时候这是一个很关键的好处。在其他实施例中，所述独立的医疗设备装置直接连接到第三方74已经可用的具有通信功能的设备上，例如他们的个人手机或其他计算设备70，通过该装置可以查询与患者22的诊断20有关的信息并进行传达。在本发明的优选实施例中，所述医疗设备3将以平行、同时或重叠的方式从包括患者、第三方和/或病历的多个来源收集关于患者22的信息。

医护人员可能会将所述医疗设备3的一个或多个优选为小型手持式装置的实施例留给第三方74，例如目击人或家庭成员，尤其是在医护人员到达时患者22没有知觉的情况下。所述医疗设备装置将提出问题、输入答案、并通过无线网络将数据发送到医疗设备系统主机，以进行分析、存储和诊断决策。这可以转发给目的地医院的医师28和/或将患者22运送到目的地医院的护理人员。这样可以节省时间并提高信息的质量。在一个实施例中，可以在第三方74在小型手持式医疗设备装置上完成输入数据以供返回和重复使用之后将它们寄出去。

在另一个实施例中，可以将用于询问第三方信息的程序下载到第三方74的智能电话或计算设备70上，或者可以将第三方74带到向第三方询问有关患者22信息的一个网站。信息将通过网络发送到一个医疗设备中央服务器以进行编译和分析，然后发送到一个医疗专业人员28或诊断机器。或者，可以将信息直接或间接发送给医疗专业人员28以进行编译和分析。

在另一实施例中，可以根据不同的数据输入14来跟踪被诊断为患有、不患有特定疾病4或包括患有特定疾病4在内的每个或一个或多个患者22，以得到结果数据。如果患者22收到由医生28或医疗专业人员在医院或其他医疗护理中心开具的明确诊断20，则该诊断20可用于创建使用后的患者22数据库40，以提高所述医疗设备使用的计算算法2的准确性。即，使用例如反向传播以及其他分析和计算，所述医疗设备3的过去用户22的诊断20的准确性可以用于，在确定所述医疗设备3的当前用户22的诊断20时，训练和/或更新计算算法2以及确定权重16和数据输入14的选择(包括基于人口统计学特征的变化)以及节点54的激活/转移函数需要的偏差。在一些优选实施例中，在住院期间和出院之后向患者22提供便携式计算和/或通信设备，该设备能够将有关患者的慢性疾病的信息提供给数据库40。在其他实施例中，提供给患者22的便携式计算和/或通信设备可以用于监护患者22的病情和/或召唤急诊医学服务。

在不存在本文未具体公开的任何要素的情况下，可适当地明确地实施本文以举例说明的方式公开的当前要求保护的发明。尽管已经详细描述了本发明的各种实施例，但是显然，那些实施例的各种修改和变更对于本领域技术人员而言将是显而易见的。然而，应该明确地理解，如所附权利要求中所阐述的，这样的修改和变更属于当前要求保护的发明的范围和精神。此外，本文描述的发明能够应用其他实施方式，能够以各种其他相关方式来实践或执行。另外，应理解，本文使用的措词和术语是出于描述的目的，而不应被认为是具有限制性。本文中“包括”，“包含”或“具有”及其同义词的使用意在涵盖其后面所列出的项目及其同等内容以及其他项目，而只有术语“由......组成”和“仅由......组成”在解读时才有限制意义。