[发明专利]学习并应用实体之间的背景相似性

说明书

本文中公开的技术涉及学习和应用背景患者相似性。在各种实施例中，可以在接口上显示(702)针对查询实体的第一值。所述第一值可以与第一背景有关。可以从多个经训练的相似性函数中选择(704)第一经训练的相似性函数。所述第一经训练的相似性函数可以与所述第一背景相关联。可以将第一选择的经训练的相似性函数应用(706)到与所述查询实体相关联的特征集合以及与多个候选实体相关联的相应的特征集合。可以基于对所述第一经训练的相似性函数的应用来从所述多个候选实体中选择(708)一个或多个相似候选实体的集合。可以在所述接口上显示(710)与一个或多个相似候选实体的第一集合相关联的信息。

技术领域

本文中描述的各种实施例总体上涉及实体数据分析。更具体地，但非排他性地，本文中公开的各种方法和装置涉及用于学习并应用实体背景相似性的技术。

背景技术

已经开发了各种临床决策支持(“CDS”)算法来提供近期和/或长期患者恶化的风险评分。这些技术有助于更好地识别高危患者并给出恰当规划介入过程的临床时间。有时，这种治疗决策制定步骤通过临床指南来确定。然而，指南不是个性化的并且无法考虑每种可能的情况。相反，常常需要临床医生来做出决策并且他/她必须依赖于过去的经验。

发明内容

本公开涉及用于学习并应用实体背景相似性的技术。例如，在各种实施例中，本文中描述的技术可以由正在处置特定患者实体的临床医生(例如，医师、护士)、护理人员等使用以识别相似的其他患者，特别是在特定医学背景中相似的其他患者。通过识别其他背景相似的患者，临床医生能够了解什么处置是有效的或无效的，什么处置倾向于产生特定的结果等。本文中描述了各种现场即时治疗决策支持工具(例如，由(一个或多个)处理器运行的软件)，这些工具为临床医生提供了访问关于正被处置的患者(在本文中也被称为“查询患者”)(包括与各种医学背景中的查询患者相似的其他患者(例如，共同特征群体(cohorts)))的各种信息。

在各种实施例中，可以采用诸如人工智能(例如，深度学习、机器学习、核分类、多核学习等)的技术和/或统计技术来促进对背景相似患者的识别。例如，在一些实施例中，可以生成多个“模板相似性函数”(或“模板相似性函数”的“池”)。模板相似性函数的池中的每个模板相似性函数可以将与查询患者相关联的特征向量的某个子集和与一个或多个其他患者(在本文中将被称为“候选患者”)相关联的(一个或多个)特征向量的对应子集进行比较。诸如患者的实体可以具有随时间变化的状态。因此，诸如查询患者特征向量的实体特征向量可以被视为在特定时刻或时间窗口期间实体状态的“简况(snapshot)”。例如，随着时间的流逝并且随着患者经历更多的检验、处置、测量等，患者的特征向量也可以类似地随时间变化。

在一些实施例中，每个模板相似性函数可以被设计或“调谐”为确定两个患者在与患者相关联的特征向量的给定特征子集方面有多相似。因此，每个模板相似性函数的形状可以由与正被比较的特征子集相关联的群体统计(例如，分布)来引导。这些群体统计可以例如从回顾性患者数据库导出。在一些实施例中，模板相似性函数中的一个或多个可以被调谐为突出强调或放大共享异常值的患者之间的相似性，该异常值例如为落向特定特征的分布的“尾部”的离群值。总的来说，模板相似性函数的池可以提供两个患者之间的相似性的多样化的观点。

在一些实施例中，可以将来自模板相似性函数的池的输出提供为在本文中将被称为“复合相似性函数”的项的输入(例如在其上进行应用)。在一些实施例中，复合相似性函数可以基于模板相似性函数的池的输出来计算查询患者与候选患者的在本文中将被称为“复合相似性得分”的项。在各种实施例中，复合相似性函数可以采取机器学习模型、深度学习模型、统计模型等的形式。在一些实施例中，复合相似性函数可以计算模板相似性函数的池的输出的凸组合。