[发明专利]数据转换/症状评分

说明书

一种用于生成与负面健康后果相关的定量值的计算机系统，该计算机系统包括：转换模块，其被配置为接收与患者相关联的多个数据项集合，每个集合包括描述符以及该事件影响患者的时间。转换模块生成训练数据结构，该训练数据结构包括：针对每个患者的所选特征的阵列，每个所选特征与表示分数的数值相关联，该分数指示该特征与负面健康后果的预测的相关性；以及指示患者是否表现负面健康后果的标签；以及机器学习模型，其使用训练数据结构进行训练，从而可操作来为具有至少一些特征的患者生成与负面健康后果相关的定量值。

技术领域

本公开涉及一种用于生成与负面健康后果相关的定量值的计算机系统。该系统可以被用作供医疗从业人员使用的诊断辅助工具，或者被用作消费者的健康管理工具。

背景技术

对患者的负面健康后果进行评估和预测是向患者提供医护保健的重要阶段。这样的评估和预测包括对患者疾病的诊断，疾病发展风险的预测以及诊断出某种疾病的患者发生并发症的风险的预测。例如，对于医护保健人员来说，很难从患者症状中诊断出卵巢癌，并且常常保持未被检测到——直到癌症的后期阶段(治疗不太可能成功的时期)。对该疾病和其他疾病的早期诊断是提供有效治疗的关键。

现在，患者健康记录常常可以在数据库中找到。这样的数据库可以存储来自多个不同来源的共享患者记录。可以从健康服务的不同分支(例如从初级保健和二级保健来源)收集针对患者的多个记录。将针对患者的不同记录收集在一起，以形成存储在数据库中的针对该患者的单个患者记录。然后，来自不同医院、手术室等的医护保健人员可以访问此共享的患者记录，以便为他们提供患者医疗历史的详尽记录。

发明内容

患者的电子医护保健记录的可用性提高使发明人考虑一种计算机系统的设计，该计算机系统用于使用其中包含的数据项来帮助诊断和预测患者的负面健康后果。

诸如神经网络之类的机器学习模型可以在对患者进行诊断和预测方面扮演有价值的角色。已经证明，可以训练神经网络来根据视网膜扫描预测心血管风险。此外，可以训练机器学习模型来比人眼更精确地发现癌组织。

一种提议是应用机器学习模型来执行患者记录的数据分析。来自GP(全科医生)的数据可以被馈送到机器学习模型中进行分析。另外，健康记录数据可以与基因组数据相结合，并被提供给机器学习模型。除了基因组数据之外，来自可穿戴物的数据或以任何方式可链接到患者的任何其他数据都可以与健康记录数据相结合进行分析。

但是，为了实现这些期望的后果，必须考虑对数据结构的操纵以及训练模型在各种上下文中可用的方式。

根据第一方面，提供了一种用于生成与患者的负面健康后果相关的定量值的计算机系统，该计算机系统包括：转换模块，其被配置为接收多个数据项集合，每个集合与患者相关联并且每个数据项包括描述符和该事件影响患者的时间，转换模块被配置为生成至少一个训练数据结构，该至少一个训练数据结构包括：针对每个患者的所选特征的阵列，每个所选特征与表示分数的数值相关联，该分数指示该特征与负面健康后果的预测的相关性；以及指示患者是否表现负面健康后果的标签；以及至少一个机器学习模型，该至少一个机器学习模型在至少一个训练数据结构上训练，以便可操作来为具有至少一些特征的患者生成与负面健康后果相关的定量值，但针对至少一些特征的负面健康后果的状况是未知的。

在一些实施例中，转换模块被配置为生成多个训练数据结构，每个训练数据结构具有对应于不同的相应负面健康后果的不同标签；以及多个机器学习模型，相关于相应负面健康后果之一已经训练了每个模型。

在一些实施例中，利用具有共同的所选特征集合的训练数据结构来训练利用指示相应不同的负面健康后果的标签所训练的每个机器学习模型。

在一些实施例中，使用具有不同的所选特征集合的训练数据结构来训练与不同的相应负面健康后果相关所训练的每个机器学习模型，所述不同的所选特征集合具有包括至少一些共同特征的不同集合。