[发明专利]用于自动的包含或排除准则检测的方法和系统

说明书

一种用于训练评分系统(600)的方法(100)，包括以下步骤：(i)提供(110)包括评分模块(606)的评分系统；(ii)接收(120)包括多个患者数据和处置结果的训练数据集；(iii)使用临床决策支持算法分析(130)所述训练数据集以生成多个临床决策支持推荐；(iv)使用所述评分模块将所述多个临床决策支持推荐聚类(140)到多个聚类中；并且(v)使用评分模块识别(160)所述多个聚类中的至少一个聚类的一个或多个特征，并基于识别出的一个或多个特征，来生成针对所述多个聚类中的至少一个的一个或多个包含则准。

技术领域

本公开总体涉及用于通过基于聚类来添加置信度分数以改进临床决策支持算法的方法和系统。

背景技术

临床决策支持(CDS)系统是健康信息算法，其根据健康知识分析关于患者的数据，以便向医疗保健专业人员提供信息，目的是改善医疗保健。该信息可以是例如诊断、推荐的行动过程或两者。大多数健康护理专业人员不是简单地同意并应用CDS的结果，而是根据之前的CDS经验将CDS的输出添加到他们的分析和决策过程中。实际上，经验性经验表明，有一些患者特征可能导致更高的错误分类，包括假阳性和假阴性建议。例如，特定药物、干预、和/或慢性疾病可能导致CDS算法的错误建议。

简单CDS算法的输出，包括假阳性和假阴性，很容易被健康护理专业人员解读，他们己经获得对CDS算法的输出何时应该被忽略或者何时应该修改算法的响应的理解。然而，随着提供更复杂和高级的CDS服务，健康护理专业人员越来越难以像使用简单算法那样自信地解释CDS输出。因此，健康护理专业人员可能无法完全理解何时应使用、信任或忽略CDS算法的输出。此外，依靠健康护理专业人员花时间来解释复杂CDS服务的输出不仅会增加大多数健康护理环境中已经很繁重的工作量，而且还会降低对CDS算法输出的信心。

发明内容

鉴于前述内容，提供改进临床决策支持算法以向健康护理专业人员提供可靠且可操作的信息的方法和系统将是有益的。

因此，本公开涉及用于将置信度分数添加到临床决策支持算法的输出的方法和系统。本文中的各种实施例和实现方式涉及一种系统，所述系统基于准确性将分析训练数据的CDS算法的输出聚类到多维参数空间中，并且计算针对每个聚类的置信度分数。针对给定聚类的置信度分数表示来自CDS算法的预测落在对应于给定聚类的多维参数空间的区域内的可靠性。在系统被训练后，它接收来自CDS算法的输出，将输出与生成的聚类进行比较，将输出与对应于输出所属的聚类的置信度分数相关联，并且将置信度分数提供给健康护理专业人员。

通常在一个方面中，提供了一种用于训练评分系统的方法。所述方法包括以下步骤：(i)提供包括评分模块的评分系统；(ii)接收包括多个患者数据和处置结果的训练数据集；(iii)使用临床决策支持算法分析所述训练数据集以生成多个临床决策支持推荐；(iv)使用所述评分模块将所述多个临床决策支持推荐聚类到多个聚类中；并且(v)使用所述评分模块识别所述多个聚类中的至少一个聚类的一个或多个特征，并基于识别出的一个或多个特征，来生成针对所述多个聚类中的至少一个聚类的一个或多个包含则准(inclusioncriteria)。

根据实施例，所述聚类至少部分地基于每个临床决策支持推荐与训练数据中的处置结果的比较。

根据实施例，识别步骤还包括基于识别出的一个或多个特征，生成针对所述多个聚类中的至少一个聚类的一个或多个排除准则。

根据实施例，所述方法还包括以下步骤：获得关于患者的健康数据；使用临床决策支持算法分析所述健康数据，以生成针对所述患者的临床决策支持推荐；使用评分模块，基于提取的包含准则，将所述临床决策支持推荐分配给所述多个聚类中的一个聚类；并且使用所述评分模块，至少部分地基于所述多个聚类中的一个聚类的推荐的分配，向所述临床决策支持推荐分配置信度分数。

根据实施例，所述方法还包括将置信度分数传送给用户的步骤。

根据实施例，所述置信度分数是定量分数。