用于主动健康监测和管理的个性化设备推荐的制作方法

背景技术：

本发明涉及健康护理，并且更具体地，本发明涉及基于(个体患者和/或患者群体的)患者人口统计和病史来推荐用于个性化健康护理监测和管理的设备。优选地，考虑到患者和/或操作环境的技术和/或经济约束，单独地定制设备建议。

健康护理是现代经济的极其重要的方面，并且需要使用复杂的信息集来准确地诊断患者并推荐适当的治疗。随着电子健康护理记录的发展，数据驱动的健康护理是健康护理专业人员越来越感兴趣的领域，并且可以提高提供健康护理服务和完成患者治疗的质量和效率。

此外，监测健康状况的便携式传感器和装置的日益普及提供了以精确度量观察健康状态进展的额外机会。然而，当前现有的传感器和设备不提供监测所有相关健康度量的能力，并且这种传感器和设备的使用不发生在所有健康护理专业人员身上，最终在改善健康护理所需的信息和收集这种信息的能力之间留下间隙。

此外，即使适当的传感器/装置或其组合可用于监测个体的健康，特定传感器/装置以期望的方式操作在财力上和/或技术上可能是不切实际的。例如，特定患者可能不能提供适于监测给定健康状况的一种类型的传感器/设备，但是可能提供能够监测给定健康状况的不同、较便宜类型的传感器/设备。类似地，特定患者可能在延长的时间段内不在网络可访问的位置，使得需要有源网络连接的传感器/设备可能不能充分地执行。设备/传感器和网络也可能具有固有的限制，包括例如处理能力、数据存储容量、带宽、等待时间等。在常规医疗环境/交互中通常不考虑这些财力、技术和其它相关的实际考虑/限制，并且可能要求患者使用不适当的或次优的监测技术，从而拒绝收集的信息的量和/或质量以及相应的治疗结果。

因此，提供被配置成使用考虑医疗信息、人口统计学和实际考虑的数据驱动方法来促进患者治疗和健康护理监视的系统和技术将是有利的，以推荐用于监测和管理健康状况的适当传感器和装置。

技术实现要素：

在一个实施例中，一种用于提供用于监测和/或管理健康状况的设备的个性化推荐的计算机程序产品包括计算机可读存储介质，所述计算机可读存储介质具有包含其中的程序指令，其中所述计算机可读存储介质本身不是瞬时信号。程序指令可由处理器执行以使处理器执行一种方法，该方法包括：在所述处理器处接收关于患者和一个或多个患者群体的第一集合的第一结构化信息；在所述处理器处接收至少关于所述患者和一个或多个患者群体的第二集合的非结构化信息；由所述处理器分析所述非结构化信息以导出第二结构化信息；由所述处理器基于使用分类模型分析所述第一结构化信息和所述第二结构化信息来确定针对所述患者的要监测的一个或多个健康度量；以及由处理器确定将用于监测所述一个或多个健康度量的最佳设备集合。

根据另一实施例，一种用于提供用于监测和/或管理健康状况的设备的个性化推荐的计算机实现的方法包括：接收关于患者和一个或多个患者群体的第一集合的第一结构化信息；接收关于至少所述患者和一个或多个患者群体的第二集合的非结构化信息；分析所述非结构化信息以导出第二结构化信息；基于使用分类模型分析所述第一结构化信息和所述第二结构化信息来确定针对所述患者的要监测的一个或多个健康度量；以及确定将用于监测所述一个或多个健康度量的最佳设备集合。

在又一实施例中，一种用于提供用于监测和/或管理健康状况的设备的个性化推荐的系统包括处理器和在处理器中和/或可由处理器执行的逻辑，以使处理器：接收关于患者和一个或多个患者群体的第一集合的第一结构化信息；接收关于至少所述患者和一个或多个患者群体的第二集合的非结构化信息；分析所述非结构化信息以导出第二结构化信息；基于使用分类模型分析所述第一结构化信息和所述第二结构化信息来确定针对所述患者的要监测的一个或多个健康度量；以及确定将用于监测所述一个或多个健康度量的最佳设备集合。

从以下详细描述中，本发明的其它方面和实施例将变得显而易见，当结合附图时，以下详细描述通过示例的方式示出了本发明的原理。

附图说明

图1示出了根据一个实施例的网络架构100。

图2示出了根据一个实施例的可以与图1的服务器和/或客户端相关联的代表性硬件环境200。

图3示出了根据一个实施例的用于至少部分地基于人口统计来建模和预测相关健康状况的决策树300。

图4是根据一个实施例的过程流程400、对应的输入和输出以及用于使用一个或多个设备提供用于监视和/或管理健康状况的个性化推荐的构成过程的简化示意图。

图5示出了根据一个实施例的使用一个或多个设备提供用于监测和/或管理健康状况的个性化推荐的方法500。

具体实施方式

以下描述公开了用于调整移动平台的方面的系统、方法和计算机程序产品的若干优选实施例。各种实施例提供了一种基于人口统计学、给定患者的历史健康护理信息、患者群体和/或家族史、相关医学文献以及诸如财力和技术资源约束等实际考虑来向患者提供个性化健康护理的方法。

以下描述是为了说明本发明的一般原理，而不是为了限制这里要求保护的发明概念。此外，本文所述的特定特征可与其它所述特征以各种可能的组合和排列组合使用。

除非本文另有明确定义，否则所有术语将被给予其最广泛的可能解释，包括说明书中暗示的含义以及本领域技术人员理解的和/或词典、论文等中定义的含义。

还必须注意，如在说明书和所附权利要求中所使用的，单数形式“一”、“一个”和“该”包括复数对象，除非另有说明。还将理解，术语“包括”和/或“包含”在本说明书中使用时，指定所陈述的特征、整数、步骤、操作、元件和/或组件的存在，但不排除一个或多个其它特征、整数、步骤、操作、元件、组件和/或其群组的存在或添加。

本文所述以及应用于组的成员的术语“独立地”，例如各自独立地对应于特定健康状况的已知原因的一个或多个标记，应理解为意指组的每个成员单独地满足所述条件。在前述实例的上下文中，每个标记对应于特定健康状况的已知原因，但不同标记可以以本领域普通技术人员在阅读本公开内容时将理解的任何可能的组合或排列对应于不同健康状况或相同健康状况。

术语“结构化的”并且尤其是“结构化数据”指的是具有固定形式或约束的可能值集合的信息。结构化信息例如以诸如数据库、表单等特定数据结构来组织。结构化信息可以包括具有与之相关联的描述性元数据的数据，例如描述在值中表示的信息的类型或源的元数据，诸如将值识别为在特定时间和/或位置观察到的特定患者的心率。根据各种实施例，结构化数据的示例性形式可以包括数据结构、电子文档(包括但不限于网页、xml文档、文字处理文档、电子表格等，其中定义了底层结构)、策划/注释的图像(例如，利用描述每个字段和/或定义合适的值/格式等的元数据字段注释的形式的图像)、某些电子健康护理记录(例如，具有预定义结构的数据库中的记录)等，如本领域技术人员在阅读本描述时将理解的。

术语“非结构化的”并且尤其是“非结构化数据”是指缺少结构化数据的约束、组织和/或相关联的元数据特性中的任一个的信息。换句话说，“非结构化”信息是“自由形式”信息。非结构化数据可以例如采取原样数字图像的形式，例如健康护理记录、医疗出版物或其他文档的扫描或数字化图像，x射线扫描或其他医疗图像，视频(例如mri、ct扫描、超声波扫描等)，手写笔记，某些电子健康护理记录(例如缺少任何结构或相关元数据的记录)，音频数据，例如医生口述、患者访谈或陈述及其转录等，如本领域普通技术人员在阅读本说明书时将理解的。

如本文所讨论的，术语“可穿戴”、“设备”和“传感器”将被理解为同义词，并且一般是指可选地但优选地与诸如服装、腕带、眼镜等的各种附件集成和/或与诸如手表、耳机和智能电话的其他设备集成的智能设备。可穿戴物用于从远处监测特定个体的一个或多个健康状况，节省时间，改善护理，并且降低医疗需要的总成本。可穿戴设备可以包括化学传感器、机械传感器、电传感器、光学传感器、压力传感器等的任何组合，如本领域技术人员在阅读本公开之后将理解的。示例性可穿戴物可以包括各种物联网(iot)设备，诸如无线连接的血糖仪、秤、心率监视器、血压监视器、电位计、温度计或其他温度感测设备、陀螺仪、加速度计、相机、麦克风等，如本领域普通技术人员在阅读本描述时将理解的。可穿戴设备还可以包括被配置用于和/或用于监测实时医疗过程的任何合适的设备，诸如可以在重症监护室(icu)过程中使用的设备。

本文所用的术语“度量(metric)”应当理解为是指与患者健康有关的任何特性，优选地为可测量的特性。示例性度量可以包括体重、心率、血压、一种或多种感兴趣的标记物或化学物质的存在/浓度，例如基因表达水平、胆固醇水平等、疾病诊断和/或进展、姿势、步态、呼吸率或患者的医疗状态的任何其他指标，如本领域普通技术人员在阅读本说明书时将理解的。

术语“值”，特别是当涉及度量时，指示在给定时间的对应度量的特定状态或测量。例如，度量“体重”的适当值可以是指示患者体重的任何数值，例如在各种实施例中为150磅、100千克、20英石等。度量“心率”可以由以每分钟心跳(bpm)表示的值来表示，例如42bpm、70bpm等。例如，疾病诊断值可以以文本和/或数字术语表达，例如“成人发作糖尿病阳性”或指示肿瘤状况进展的级数。本领域普通技术人员将理解，值可以包括根据各种实施例的表示给定度量的各种可能状态/条件的任何形式，而不脱离这里给出的发明概念的范围。

术语“人口统计”和“人口统计特征”是指可以用于将群体分成亚群的任何特征。人口统计可以是可变的或不可变的，并且可以包括医学和/或(明显地)非医学信息。根据这里描述的本发明概念的优选实施例的示例性人口统计包括年龄、性别、地理位置、疾病状态和/或家族史、种族/民族、职业等，如本领域普通技术人员在阅读本说明书时将理解的。人口统计是结构化信息，因为每个类别仅由有限数量的可能状态或值表示。例如，人口统计“性别”可以是具有值“男性”和“女性”的二元类别。如本领域普通技术人员在阅读本说明书时将理解的，人口统计“地理位置”可以具有设定数量(例如50)的可能值中的一个，每个可能值与诸如州、省、城镇、海拔水平、气候类型等的特定地理区域相对应。图3中示出了根据本文所提出的发明概念的一个特定实现的示例性人口统计。

以下描述公开了用于基于人口统计学、给定患者的历史健康护理信息、患者群体和/或家族史、相关医学文献和/或诸如财务和技术资源约束的实际考虑来向患者提供个性化健康护理的系统、方法和计算机程序产品的若干优选实施例。更具体地，提出了用于基于前述输入来预测患者的可能健康状况以及推荐合适的可穿戴技术以在保持处于实际约束内的同时观察特定健康状况的发生和/或进展或朝向特定健康状况的发生和/或进展的技术。

在向特定患者群体提供个性化健康护理时，有利的是基于大数据集来预测与特定患者相关联的健康问题的主要原因，所述大数据集包括人口统计信息、个人健康史、相关患者群体的健康史(例如，家族史、具有类似遗传概况的个体的历史等)、特定病例研究或病例研究集的结果等的任何组合，如本领域普通技术人员在阅读本说明书时将理解的。给定关于人口统计和个人健康的历史数据，当前公开的发明概念涉及识别不同人口统计属性与个人健康历史之间的关系；基于患者的人口统计学、遗传学、健康史等预测与特定患者可能经历的健康状况相关的健康问题的主要原因(例如，风险因素)；并据此推荐个性化护理。个性化健康护理可以包括使用合适的可穿戴技术的生物特性(例如脉搏、血压、胆固醇水平、呼吸速率和/或体积、特定化合物在身体内的特定位置或介质中的浓度，诸如血液中的特定氧、特定细胞类型或器官中的基因表达水平等，如诊断和/或预测医学领域的普通技术人员根据各种实施例将理解的)的治疗、预防性医学和/或观察。

因此，当前公开的发明概念代表对诊断和/或预防医学领域的技术改进，因为特定患者可能表现出的可能的健康状况可以基于患者的人口统计学和大量的健康数据有把握地被预测，所述健康数据是结构化的和非结构化的，并且可选地根据人口统计学或其他界定特征来组织，以根据界定特征的值来确定各种群体或亚群。例如，考虑到识别/预测可能的健康护理状况和/或界定不同群体/亚群的特征可以包括如本文所述的患者的种族、健康史、病史、遗传信息、dna结构、出生地、性别、年龄、位置等，以及本领域普通技术人员在阅读本公开内容时将理解的其等同物。

此外，如本文所理解的，在不背离本文所呈现的发明概念的范围的情况下，可以以任何组合或排列来采用各种特征。在图3所示的决策树300的可选实施例中，这些特征可以作为形成决策树的基础，决策树基于人口统计之外的因素来分离个人的类别，下面将对此进行更详细的描述。

此外，在识别特定患者的可能健康状况时，可以例如基于大量医疗和/或学术出版物和/或医疗数据的文本分析来确定对应于可能健康状况的相关联的潜在原因、风险因素等，并且可以以个性化方式推荐适当的监测、治疗等以向患者提供最佳质量的护理。

值得注意的是，常规诊断和预防医学技术不能提供预测可能的健康状况和推荐适当的监测或治疗的置信水平，因为实际上健康从业者不可能解析出版物和/或医学数据中表示的大量数据。因此，医生、护士和其他健康护理专业人员不能查看可能提供关于可能的健康状况的有用预测和对患者的适当监测的因素的每个可能组合的所有相关信息，例如家庭病史、个人病史、人口统计等。结果，健康护理专业人员通常基于个体患者的健康护理记录，结合专业人员的个人知识和经验，来限制诊断、预测等。本公开的发明构思通过将在预测健康状况时考虑的数据扩展到超出患者的个体记录和专业人员的个人知识和经验，以包括与共享与要预测健康状况的患者相同的人口统计、健康历史、遗传等的集合的大量患者相对应的数据，来表示对该传统范例的改进。

此外，特别地关于监测，与特定健康状况有关的医学和学术文献可能不包括关于可以用于监测可能的健康状况的进展或发生的适当的可穿戴技术的信息。因此，即使能够审查大量文献和数据以基于人口统计、历史健康信息、相关医学文献等确定适当的可能健康状况，健康护理专业人员可能对关于可穿戴技术的对应信息不是私密的。因此，提供用于将关于可穿戴技术的信息与诸如存在于出版物和医学数据库中的医学信息集成的稳健系统和技术代表了对预防和诊断医学领域的进一步技术改进。

健康护理服务是极其重要的产业，并且仅在新生儿的时代接近与许多常见疾病如冠心病、癌症和各种退行性疾病相关的年龄范围时才变得更加重要。与这种转变相关的患者群体的急剧增加将对已经挣扎的产业施加很大的压力。健康护理专业人员将需要提高他们能够为他们的成长中的患者身体提供质量护理的效率，以免护理质量由于增加的压力而受损。本公开的发明构思通过使健康护理专业人员能够利用大量历史医疗和人口统计信息结合关于可穿戴技术的信息来促进改善护理质量，以便基于患者人口统计、患者和/或给定患者群体的历史健康护理信息、相关医学文献等来预测可能的健康状况，以及将这些预测与经由可穿戴技术的适当监测集成，该可穿戴技术符合患者和/或操作环境的任何适用的财力和/或技术约束。

因此，在当前公开的发明构思的各种实施例中，针对特定患者的可能健康状况的预测至少部分地基于在不同人口统计属性与相关联的健康状况之间识别的关系，例如，来自历史数据集；以及患者的个人健康史。

在一个一般性实施例中，一种用于提供用于监测和/或管理健康状况的设备的个性化推荐的计算机程序产品包括计算机可读存储介质，所述计算机可读存储介质具有包含其中的程序指令，其中，所述计算机可读存储介质本身不是瞬时信号。程序指令可由处理器执行以使处理器执行一种方法，该方法包括：在所述处理器处接收关于患者和一个或多个患者群体的第一集合的第一结构化信息；在所述处理器处接收至少关于所述患者和一个或多个患者群体的第二集合的非结构化信息；由所述处理器分析所述非结构化信息以导出第二结构化信息；由所述处理器基于使用分类模型分析所述第一结构化信息和所述第二结构化信息来确定针对所述患者的要监测的一个或多个健康度量；以及由处理器确定要用于监测一个或多个健康度量的最佳设备集合。

根据另一一般实施例，一种用于提供用于监测和/或管理健康状况的设备的个性化推荐的计算机实现的方法包括：接收关于患者和一个或多个患者群体的第一集合的第一结构化信息；接收关于至少所述患者和一个或多个患者群体的第二集合的非结构化信息；分析所述非结构化信息以导出第二结构化信息；基于使用分类模型分析所述第一结构化信息和所述第二结构化信息来确定针对所述患者的要监测的一个或多个健康度量；以及确定要用于监测所述一个或多个健康度量的最佳设备集合。

在又一一般实施例中，一种用于提供用于监测和/或管理健康状况的设备的个性化推荐的系统包括处理器和在处理器中和/或可由处理器执行的逻辑，以使处理器：接收关于患者和一个或多个患者群体的第一集合的第一结构化信息；接收关于至少所述患者和一个或多个患者群体的第二集合的非结构化信息；分析所述非结构化信息以导出第二结构化信息；基于使用分类模型分析所述第一结构化信息和所述第二结构化信息来确定针对所述患者的要监测的一个或多个健康度量；以及确定要用于监测所述一个或多个健康度量的最佳设备集。

通用计算/联网概念

图1示出了根据一个实施例的架构100。如图1所示，提供了多个远程网络102，包括第一远程网络104和第二远程网络106。网关101可以耦合在远程网络102和邻近网络108之间。在本架构100的上下文中，网络104、106可以各自采取任何形式，包括但不限于lan、诸如因特网的wan、公共交换电话网(pstn)、内部电话网等。

在使用中，网关101用作从远程网络102到邻近网络108的入口点。这样，网关101可以用作路由器和交换机，路由器能够引导到达网关101的给定数据分组，交换机为给定分组提供进出网关101的实际路径。

还包括耦合到邻近网络108的至少一个数据服务器114，并且其可经由网关101从远程网络102访问。应当注意，数据服务器114可以包括任何类型的计算设备/组件。多个用户设备116耦合到每个数据服务器114。用户设备116还可以通过网络104、106、108中的一个直接连接。这样的用户设备116可以包括台式计算机、膝上型计算机、手持式计算机、打印机或任何其他类型的逻辑。应当注意，在一个实施例中，用户设备111也可以直接耦合到任何网络。

外围设备120或一系列外围设备120，例如传真机、打印机、联网和/或本地存储单元或系统等，可以耦合到网络104、106、108中的一个或多个。应当注意，数据库和/或附加组件可以与耦合到网络104、106、108的任何类型的网络元件一起使用，或者集成到其中。在本说明书的上下文中，网络元件可以指网络的任何组件。

根据一些方法，本文描述的方法和系统可以利用和/或在虚拟系统和/或仿真一个或多个其他系统的系统上实现，所述一个或多个其他系统诸如仿真ibmz/os环境的unix系统、虚拟地托管microsoftwindows环境的unix系统、仿真ibmz/os环境的microsoftwindows系统等。在一些实施例中，可以通过使用vmware软件来增强这种虚拟化和/或仿真。

在云计算中，诸如处理能力、外围设备、软件、数据、服务器等的共享资源以按需关系被提供给云中的任何系统，从而允许服务跨许多计算系统的访问和分布。云计算通常涉及在云中操作的系统之间的因特网连接，但是也可以使用连接系统的其他技术。

图2示出了根据一个实施例的与图1的用户设备116和/或服务器114相关联的代表性硬件环境。该图示出了工作站的典型硬件配置，该工作站具有中央处理单元210(例如微处理器)和通过系统总线212互连的多个其它单元。

图2所示的工作站包括随机存取存储器(ram)214、只读存储器(rom)216、用于将诸如盘存储单元220的外围设备连接到总线212的i/o适配器218、用于将键盘224、鼠标226、扬声器228、麦克风232和/或诸如触摸屏和数字照相机(未示出)的其它用户接口设备连接到总线212的用户接口适配器222、用于将工作站连接到通信网络235(例如，数据处理网络)的通信适配器234、以及用于将总线212连接到显示设备238的显示适配器236。

工作站上可以驻留有操作系统，例如操作系统(os)、macos、unixos等。应当理解，优选实施例也可以在除了所提及的那些之外的平台和操作系统上实现。优选实施例可以使用xml、c和/或c++语言或其它编程语言以及面向对象的编程方法来编写。可以使用已经变得越来越多地用于开发复杂应用的面向对象编程(oop)。

如本文所讨论的，根据各种实施例，逻辑可以被实现为任何设备和/或系统上的方法或计算机程序产品。

本发明可以是系统，方法和/或计算机程序产品。该计算机程序产品可以包括其上具有用于使处理器执行本发明的方面的计算机可读程序指令的计算机可读存储介质。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

此外，根据各种实施例的系统可以包括处理器和与处理器集成和/或可由处理器集成的逻辑，该逻辑被配置为执行本文所述的过程步骤中的一个或多个。所谓与其集成，是指处理器具有与其一起嵌入的逻辑作为硬件逻辑，诸如专用集成电路(asic)、fpga等。通过可由处理器执行，意味着逻辑是硬件逻辑；软件逻辑，例如固件、操作系统的一部分、应用程序的一部分；等等，或者硬件和软件逻辑的某种组合，其可由处理器访问并且被配置成使处理器在由处理器执行时执行某种功能。软件逻辑可以存储在任何存储器类型的本地和/或远程存储器上，如本领域所公知的。可以使用本领域已知的任何处理器，诸如软件处理器模块和/或硬件处理器，诸如asic、fpga、中央处理单元(cpu)、集成电路(ic)、图形处理单元(gpu)等。

很清楚，前述系统和/或方法的各种特征可以以任何方式组合，从而从以上所呈现的描述中产生多个组合。

还应当理解，本发明的实施例可以以代表客户部署的服务的形式提供，以便按需提供服务。

如上文简要指出的，并且如将在下文参考图3-图5进一步详细描述的，当前公开的发明构思通常需要收集关于特定患者和/或合适的患者群体(例如，如本文所述，对于总体患者群体的一个或多个部分，表示不同人口统计区段、不同个人和/或家族病史、不同基因型/表型等的群体等)的结构化和非结构化信息。使用由机器学习技术训练的分类模型来分析该信息，以识别要监测的合适的度量，从而跟踪和预测给定患者的健康状态。

优选地，根据优化模型考虑度量，以评估最优设备或设备组，该最优设备或设备组被配置为在诸如可用的计算和/或网络资源和财力限制的特定实际约束内操作时监视度量。该优化使得能够在给定可用医疗信息和实际限制的情况下识别用于针对特定患者的健康监测的最适当的设备集合，并且允许考虑大量潜在设备/度量组合以便改进健康护理监测和疾病预防。

此外，为了适应患者健康随时间的持续变化，可以设置事件触发，并且响应于检测到事件触发而生成更新的建议。更新的建议可以考虑新的/附加的患者医疗信息，例如自从发出先前建议以来监视的度量值，以给出用于未来监视的最相关的设备集合。例如，如果处于冠心病风险中的患者表现出超过预定阈值(例如，指示疾病状态或进展的值，诸如可以在医学文献中定义)的血压、胆固醇水平、心率或其任何组合，则这可以触发更新，其中在导致触发事件的时段(例如，天、周、月、年，取决于状况的性质和数据的可用性)中收集的信息被馈送到分类模型中以识别新度量和/或加强要监视的现有度量的重要性。

因此，本文所提出的发明概念包括使用结构化和非结构化信息来生成针对特定患者的要监测的一组健康护理度量；确定被配置为在遵守诸如可用资源(财力和/或技术)的实际约束的同时监视度量的最佳设备或设备集；以及检测可以指示健康状态的变化的触发事件的发生；以及在检测到触发事件时基于附加信息生成新的推荐，例如，考虑在直到触发事件的时段中针对患者监测的度量来生成新的推荐。

处理结构化数据

在优选实施例中，当前描述的发明概念包括处理与患者健康相关的结构化数据，以便构建合适的知识库，从该知识库中识别用于监测患者的(多个)健康状况的合适的度量。示例性结构化信息可以包括医疗和/或非医疗信息，并且优选地至少包括患者和适当患者群体的人口统计数据。人口统计可以从本领域技术人员在阅读本公开内容时将理解为合适的任何类型的公共来源获得。如本领域普通技术人员在阅读本说明书时将理解的，可以从医学文献、科学文献、技术报告以及关于健康的结构化信息的任何其他等效或合适的来源获得其他结构化信息，诸如患者/家庭病史、与特定群体或亚群相关联的医学信息等。

处理结构化信息通常涉及解析各种输入并将数据点组织成由群体表示的各种类别。在一些方法中，结构化数据可能不需要根据分类模型被处理为可理解的，并且在这样的情况下，可以简单地作为输入被提供给分类模型以用于识别要监视的度量。

处理/分析非结构化信息

在优选方法中，在输入到分类模型之前，应该处理/分析非结构化信息。本质上，处理/分析非结构化信息包括分析各种数据点以确定非结构化信息的哪些部分与患者的医疗状况相关，以及识别特定值、状况等以供分类模型适当考虑。例如，分析非结构化信息可以涉及分析图像和/或视频以确定患者是否表现出特定状况。可以使用本领域已知的任何合适的技术来执行这样的图像分析。在更多实施例中，分析非结构化信息可以包括文本分析，例如，患者图表中的手写笔记、医学文献等。在各种实施例中，分析非结构化信息本质上包括从数据中提取与监视健康状态相关的特征，其可被用于训练文本挖掘和/或自然语言处理模型以用于具有未知分类的样本或数据集的后续分类。

在优选的方法中，分析包括多个属性的历史人口统计和/或医疗数据。例如，历史人口统计数据可以包括本文讨论的人口统计属性的任何组合，并且优选地与历史人口统计数据内表示的个体所经历的健康状况的原因相关联。历史医学数据可以包括关于一个或多个患者群体的病史的信息、医学文献、关于患者的历史信息，例如病史、诊断的疾病、遗传信息等，如上文更详细描述的。在优选实施例中，历史人口统计数据可以以文本串的形式接收，该文本串可以从文献、公共可用的医疗数据库、私人医疗数据库、健康护理记录或历史医疗和/或人口统计信息的任何其他合适的源解析，并且可选地根据期望的惯例使用本领域普通技术人员在阅读本描述时文本信息解析和格式化将理解的任何合适的技术来格式化。在一个实施例中，世界卫生组织(who)数据可以是历史医疗和/或人口统计信息的来源。

分类模型

优选地，提供结构化和非结构化数据作为分类模型的输入，所述分类模型优选地是机器学习分类模型，其映射来自传感器和用户可用的应用的健康历史、人口统计特征和现有的监测数据。

当前公开的发明构思包括使用一个或多个机器学习分类器，所述分类器对系统的特征进行训练，例如针对代表性患者群体获得和/或导出的结构化信息。分类器模型学习并识别需要在系统中被监视的正确测量。在一个实施例中，根据所发现的准确预测人处于以下风险中的疾病的特征来训练分类器，例如：测量的个体健康属性的当前值，可以是结构化数据形式的个体的人口统计信息，例如年龄、性别、居住地点、种族等，以及确定患者先前患有的疾病的个人电子健康记录(ehr)。

ehr数据集通常是文本非结构化格式。因此，使用例如术语“频率-逆文档频率”(tf-idf)算法来构建文本挖掘模型允许结构化非结构化数据(或等效地从非结构化数据导出结构化信息)。基本思想是该算法识别最有助于预测相应的风险疾病的词袋。单词的重要性与其在文档中出现的次数成比例地增加，但是被该单词在语料库中的频率所抵消。该算法对这些单词中的任何一个的频率进行计数，并将其与人口统计数据一起用作分类模型的附加结构化特征。

优选地，提供给分类模型的训练集包括患者群体的历史人口统计数据。此外，历史人口统计数据可以与一个或多个标签相关联，每个标签独立地对应于特定健康状况的已知原因。在各种方法中，每个人口统计值可以与标签相关联，和/或人口统计值的组合可以与标签相关联。决定应用于特定人口统计的特定标签可以全部或部分基于使用决策树算法(x，y)＝(x1，x2，x3，x4，...xn，y)训练模型，如本文参考图3所描述的。

在更多实施例中，标签可以另外地或替代地独立地对应于与特定健康问题相关联的风险因素，诸如环境、行为、遗传、地理等风险因素，包括作为范例的诸如特定物质(例如，烟草、酒精、药物等)的消耗；生活方式(例如，活跃的、久坐的、风险寻求的)；旅行历史或计划旅行(尤其是国外)；突变或基因表达信息；等，如本领域普通技术人员在阅读本公开内容后将理解的。

因此，当前描述的发明概念可以涉及至少部分地基于历史人口统计数据和与其相关联的一个或多个标签，连同任何其他合适的结构化信息和任选地相关联的标签，来构建决策树模型。决策树模型可以基于包括历史医学和/或人口统计信息的训练数据集d而自顶向下(即，根到叶)构建。此外，可以针对用于在树的给定级别划分决策树的每个属性ai计算熵和/或信息增益。如本文所理解的，熵e可以被定义为e[d]＝-σp(cj)log2p(cj)，而信息增益g可以被定义为g(d,ai)＝e[d]-eai[d]，并且p(cj)是元素属于数据集d中的cj类的概率。

优选地，对于给定树级具有最大信息增益g的属性ai被用于分割当前树，同时最小化在该级将数据集划分成不同类别的不确定性。例如，参考图3的示例性实施例，属性值“冠心病”是属于75岁或更大人口统计群体的患者健康问题的主要原因。因此，该属性(年龄)具有年龄组75及以上的决策树分支的最大信息增益，并且可以用作由决策树的根节点表示的人口统计属性。

另外，可以至少部分地基于决策树模型来生成表示多个健康状况中的一个或多个最可能原因的向量yk。根据一种说明性方法，该模型产生健康问题或状况yi的原因和对应的概率pi的向量yk，并且采取以下形式：y：(y1：p1，y2：p2，y3：p3，…，yn：pn)。该向量yk可以基于pi排序以计算健康问题或状况的前k个原因。随后，可以提供yk用于与第二矢量zk比较。

在各种方法中，建立决策树模型；生成矢量yk；和/或最大化信息增益g同时最小化熵e可以基于人口统计值和/或属性的聚类，该聚类基于数据集d中表示的历史医学和/或人口统计信息生成。可以使用本领域普通技术人员在阅读这些描述时将理解的任何适当技术来执行聚类，而不脱离本文所呈现的发明构思的范围。

因此，可以基于将向量yk与第二向量zk进行比较来估计患者的一个或多个最可能的健康状况，其中zk表示基于患者的健康护理记录确定的多个健康状况中的一个或多个最可能的原因。与yk类似，第二向量zk可以采取以下一般形式：zk：(z1：p1，z2：p2，z3：p3，…，zk：zk)。优选地，yk和zk的比较包括计算yk和zk的并集、交集或两者。该并集有利地表示和预测应当经由适当的处置、监测等来考虑的前k个健康状况，而交集预测具有较少覆盖的健康计划，但是其对于患者而言可能是更经济可行的。

现在参考图3，根据一个实施例，以决策树300的形式提供了示例性分类模型，用于建模和预测相关健康状况。虽然图3中所示的树300是人口统计信息，但是在各种实施例中，在与当前描述的发明概念一致的分类模型的上下文中可以采用其他类型的结构化信息。

继续参考图3，决策树300包括三个级别302、304、306，每个级别对应于特定的人口统计属性，以及多个叶节点308，每个叶节点对应于历史上与满足特定人口统计属性组合的患者相关联的一个或多个健康状况。决策树300的内部节点各自表示与决策树300的相应层302、304或306相对应的特定人口统计属性的可能值之间的划分。在更多实施例中，诸如决策树300的分类模型可以考虑诸如可以从电子健康护理记录导出的附加结构化信息，以确定特定度量与对应健康状态之间的关联。

例如，根据图3所示的实施例，层302包括对应于人口统计属性“年龄”的根节点，并且表示根据一个或多个预定年龄组的划分，该年龄组可以用于识别或消除对应于每个年龄组的相关健康状况。

同时，层304包括两个内部节点和叶节点308，每个节点对应于由层302中的根节点定义的年龄组之一。本领域普通技术人员将理解，决策树300因此不必是对称的，并且叶节点308可以根据当前公开的发明概念的各种实施例存在于决策树的各个级别。

根据图3的实施例，层304的内部节点各自对应于人口统计属性“性别”(在本公开的上下文中，其可以指生物特征，例如在诸如癌症、心血管健康状况、生殖健康状况等的身体健康状况的情况下，或者身份特征，例如在诸如创伤后压力障碍、抑郁等的心理健康状况的情况下)，并且表示根据性别在层302中反映的年龄组之间的划分。

同时，层304的叶节点308对应于已知的、可能的健康状况(优选地，叶节点中的已知健康状况是特定人口统计或人口统计组合的最可能的k个健康状况，其中k是例如基于与相关联人口统计内发生的预定阈值频率、百分比等对应的k个健康状况和/或基于相应人口统计的成员将经历的(一个或多个)健康状况的严重性而确定的与报告相关的预定数量的健康状况。在一个实施例中，k＝5。

例如，在图3所示的实施例中，预定年龄或更大(例如75岁或更大)的人可能具有一定的、高可能性经历一种或多种健康状况，例如冠心病、阿尔茨海默病、帕金森病等，而与人的性别或居住地点无关。因此，为了最大化提供用于个性化健康护理的相关推荐的计算效率，可以构建决策树300以便仅基于年龄来预测相应的健康状况。当然，在不背离本发明公开的发明构思的范围的情况下，可以针对不同的健康状况采用其他决定性的人口统计学或人口统计学属性。如这里所提到的，人口统计属性应当被理解为包括一个宽泛的类别，在该类别内可以定义各种人口统计组，并且人口统计是指在特定人口统计属性内各种个人可能属于的实际人口统计组。例如，“年龄”人口统计属性可以包括0-18、19-29、30-39、40-54、55-64、65-74和75+的人口统计。

对于可以基于附加人口统计信息以更高的准确性或确定性预测的其他健康状况，叶节点308可以位于树的更下方。因此，对于图3的实施例，级别306包括多个内部节点，每个内部节点对应于人口统计属性“当前居住位置”，并且表示个体可能居住的多个不同的可能地点。

可以用诊断和/或预测医学领域的普通技术人员将理解的任何适当的粒度来定义可能的位置，并且优选地用提供与预测特定患者群体的健康状况的最大医学相关性的粒度来定义可能的位置。例如，对于国际患者人群，特定地点可以包括不同的国家、大陆、地区(例如，热带、温带、沙漠、高山、丛林、岛屿等)，而在特定国家内，可能地点可以包括不同的州、省、领土等，而对于特定州，可能地点可以包括不同的城市、自治市等。

继续参考图3中表示的决策树300，级别306之后的叶节点308表示满足年龄组、性别和居住地点的特定组合的患者的k个最可能的健康状况，这由从级别302中的根节点到相应叶节点308的进展所反映。例如，根据叶节点308，年龄为55-64岁且生活在阿拉巴马、加利福尼亚或德克萨斯的男性患者可能最可能经历冠心病和/或肺癌，并且这些状况可以针对在该人口统计学范围内的患者进行预测。如下面将关于方法500进一步详细讨论的，当前公开的发明构思的特别有利的方面是推荐使用适当的可穿戴技术的个性化监测，以监测特定患者的可能健康状况的进展或发生。这又允许更早地检测和治疗这些病症，从而改善患者的生活持续时间和质量。

优选地，决策树300被构建为提供树中尽可能高的(即，尽可能接近根节点)的可能健康状况的最佳可能分离。这样，根节点优选地表示对于识别特定健康状况最有说服力的人口统计属性。例如，可以采用不同的决策树来确定与不同诊断类别相关联的最可能的健康状况。

在一个实施例中，被配置为确定与已知仅影响特定人口统计的成员的特定类型的疾病相关联的可能健康状况的决策树可以采用相应的人口统计属性作为根节点，从而快速消除不属于特定人口统计的患者被预测经历与仅影响特定人口统计的成员的疾病相关联的(一个或多个)健康状况的可能性。以这种方式，可以避免不必要的治疗和/或医疗程序，从而节省医疗行业和患者的成本，以及避免与这种治疗和/或程序相关联的潜在风险。

在更多实施例中，决策树300可以包括更多或更少的级别，例如基于与预测和建模各种健康状况相关的人口统计学属性的数量，诸如年龄段、性别、当前居住地点、收入级别、出生地点、就业类型、生活方式和/或环境风险因素、种族等，如诊断和/或预测医学领域的普通技术人员将理解的。

一般而言，可以根据表达式(x，y)＝(x1，x2，x3，x4，...xn，y)来表示将决策树300调用为算法，其中x1至xn表示针对n个人口统计属性的人口统计值，并且y是与由x1至xn表示的人口统计的特定组合相关联的健康状况。根据一个示例性实施例，下面将关于图5更详细地讨论算法的细节。

虽然已经主要参考诸如人口统计信息的结构化信息描述了决策树300，但是应当理解，在不脱离本发明的概念的范围的情况下，当前公开的发明性概念的各种实施例可以考虑如本文定义的结构化信息的任何其他合适形式来构建或利用决策树。

再次参考一般的分类模型，在各种实施例中，分类器可以用于预测任何给定人的风险疾病，并且建议需要常规地进行的测量。例如，可以使用分类器算法基于年龄组、性别、先前健康记录、种族、人口统计状态和城市、职业和婚姻状况将输入数据集划分为不同类别的人口统计。人口统计属性ai的顺序优选地由算法动态地选择，以最大化如上所述计算的信息增益g。

e[d]的值提供了一种使用人口统计属性ai基于疾病的频率来估计疾病的健康风险的方式。g(d,ai)基于在属性上分割数据集d之后熵e[d]的减少给出信息增益。这里，纯度的量度被称为信息。它表示指定是否应当为疾病分类新实例所需的预期信息量。熵e[d]是信息中杂质的量度，因此与信息增益相反。通过构造决策树，我们找到返回最高信息增益g的属性ai。对于给定树级具有最大信息增益g的属性ai被用于分割当前的树，并且最小化在该级将数据集划分成不同类别的不确定性。例如，属性值“冠心病”是年龄大于75岁的人的健康问题的主要原因，因此，对于年龄组75及以上的决策树分支，它具有最大的信息增益。

另外有利的是，使用人的人口统计属性并建立分类器模型以评估他可能面临的主要健康风险。我们形成了可以帮助他评估这些风险并对其进行监测的测量列表。该模型产生需要被监测的测量值yi和相应概率pi的以下向量：y：(y1：p1，y2：p2，y3：p3，…，yn：pn)。我们推断出预测由y给出的最高健康状况的人的个性化健康跟踪。

在特别有利的实施例中，当前公开的用于基于患者人口统计学识别可能的健康状况的发明技术可以与用于识别适当设备的技术相结合，以便促进针对可能的健康状况的发生和/或进展对患者的监测。这便于由健康护理专业人员和/或由患者自身进行早期检测和预防动作，并且因此提供对患者所经历的护理质量和生活质量的改进。

在一种方法中，分类模型404b包括用于识别适当的可穿戴技术以针对可能的健康状况监测患者的适当方法。根据识别适当的设备以监测给定的健康度量，接收从文本数据、图像数据和/或视频数据导出的结构化信息，所述结构化数据从一个或多个医学期刊、出版物、数据库等以及一个或多个患者健康护理记录导出。可以以任何适当的形式接收信息。

文本分析可以应用于所接收的文本数据，例如用于识别(例如生物标记、生命统计等的)测量的文本分析，以从文本数据提取概念并且识别其间的关系。例如，在一个实施例中，可以通过将一个或多个查询规则应用于文本数据来识别一个或多个概念。

查询规则可以识别在不同概念之间建立因果关系的关键词，其中概念各自独立地对应于从原因、健康状况、症状、测量结果和可穿戴技术中选择的一个或多个主题。因此，在优选实施例中，一个或多个查询规则每个独立地表示从以下选择的关系：对应于特定疾病或健康状况的特定原因、对应于特定疾病或健康状况的特定症状、对应于特定症状的特定测量结果、以及对应于特定测量结果的特定可穿戴技术，例如，被配置为执行特定测量结果的可穿戴技术，特定测量结果诸如脉搏率、血糖或胰岛素水平、呼吸率和/或呼吸量、神经活动等，如本文所描述的并且如本领域普通技术人员在阅读本公开内容时将理解的。

例如，在一个实施例中，文本数据可以指示：(1)肺病通常由吸烟引起(将健康状况与病因联系起来)；和(2)肺病的示例为包括长期咳嗽、预期痰液、痰液中的血液、疲劳、虚弱、气短和/或胸痛的症状。文本数据还可以指示(3)正常呼吸率在大约每分钟12-20次呼吸的范围内，以及(4)现有的可穿戴技术是可用的并且被配置为跟踪用户的身体活动、呼吸率和精神状态。根据该文本数据，可以开发建立原因和健康状况之间的关系的查询规则(根据项目1)；与健康状况相关的症状(根据第2项)；监测患者的这些症状的发生和/或进展的适当测量(根据第3项)；以及合适的可穿戴设备，以推荐患者用于监测目的(根据第4项)。

因此，当前公开的发明概念可以涉及基于从非结构化信息提取的概念来生成实体关系图。实体图可以采取任何合适的形式，并且优选地包括通过从文本数据中提取概念而确定的关系的聚集。例如，在一个实施例中，关系可以是图的边，而所提取的概念是图的节点。

在一个实施例中，可以搜索实体关系图以确定与患者的一个或多个最可能的健康状况相关联的一个或多个测量结果，例如，基于识别测量结果与对应于患者的一个或多个最可能的健康状况的可穿戴技术之间的关系。在不脱离本文所呈现的发明概念的范围的情况下，可使用所属领域的技术人员在阅读本发明后将了解的任何合适技术来执行搜索。

根据优选实施例，在确定测量结果时，确定与一个或多个测量结果相关联的一种或多种可穿戴技术。

可穿戴技术的确定可以包括首先确定是否存在任何适当的可穿戴技术并且该可穿戴技术是否适合于患者在监测他们的健康状态中的使用，并且如果是，则确定最适当的可穿戴技术(例如，被配置为测量患者应当监测的最大数量的测量的可穿戴技术)以推荐患者的使用。在一些方法中，关于患者使用适当的可穿戴设备的建议以及与其相关联的任何适当的服务(例如，数据的自动记录和报告、对患者的警报等)可以被提供给患者和/或健康护理专业人员。

如果没有适当的可穿戴技术可用，则目前公开的发明构思优选地包括输出对此的指示，并且推荐将此技术的缺乏报告给例如应用或设备开发者，应用或设备开发者然后可以寻求未来要实现的可穿戴技术并且帮助患者监测他们的健康状态。

优化模型

为了促进将给定患者的健康护理需要与诸如预算关注和技术限制(例如，网络带宽、延迟等；设备存储容量、处理能力等)的相关联的实际约束相匹配的推荐，当前公开的发明构思包括使用诸如图4中所示的模型404c的优化模型。

在这里，数学优化模型给出了在给定需要监测的测量的情况下对可穿戴物的最佳选择。这是通过考虑资源限制、诸如针对可穿戴物的总预算以及监视约束、诸如通过其推送来自所有可穿戴物的测量的网络的总带宽、数据存储容量、数据处理资源约束以及任何其它这样的资源约束来完成的。

根据优选实施例，可以如下公式化本发明的优化模型：

令i为可能设备的集合，ci为集合i中设备i的成本，以及b为所选设备的最大预算。集合m是应当被监视的测量集合，例如，由分类模型404b所标识的度量所确定的。如果集合i中的设备i监视/覆盖集合m中的测量m，则输入参数zim被分配1的值，否则分配0。集合j被定义为系统中的资源集合，其中aij是集合i中的设备i从集合j中的资源j的资源消耗，kj是系统的集合j中的资源j可用容量。

现在，问题变成：设备集合中的哪些设备应当被选择作为最优集合的一部分，以便覆盖集合m中的所有测量，目的是最小化总成本和确保覆盖所有测量的约束，不超过所有资源容量，并且这些所选设备的总成本不超过预算。为此，在一个实施例中，本发明的概念采用定义作为二元变量，如果要选择/推荐设备i∈i，则该二元变量取值为1，否则为零。

根据前述公式，目标函数(3)使所选择的可穿戴物的总成本最小化。约束(4)确保我们应当监视的所有测量都被所选择的最佳可穿戴集合覆盖。约束(5)确保不超过每个资源的最大容量，并且约束(6)是预算约束。最后，约束(7)是对判决变量的二进制约束。

给定要监视的度量和对应的约束，优化模型的输出优选地是针对个体患者的推荐的设备集合(例如406b)的最优。为了便于识别设备的最优集合，提供iot、设备和应用(例如，设备能力和服务402d)中的健康护理解决方案的大语料库作为优化模型的输入，这有助于在测量、健康风险以及可用解决方案和资源(例如，可用资源402c)之间构建散列映射表。如果没有可帮助监视特定测量的适当设备或iot传感器，则这可作为反馈被给回给应用开发者或设备制造商以开发这些按需不存在的技术。通过这种反馈，设备制造商了解这些设备的市场，并且可以将新技术定向到适当的市场，这为我们的框架提供了总体增加的优点。

现在参考图5，示出了根据一个实施例的方法500的流程图。在各种实施例中，方法500可根据本发明在图1-图4中所描述的任何环境中执行。当然，如本领域技术人员在阅读本说明书时将理解的，方法500中可以包括比图5中具体描述的操作更多或更少的操作。

方法500的每个步骤可以由操作环境的任何合适的组件来执行。例如，在各种实施例中，方法500可以部分地或完全地由一个或多个服务器、计算机或其中具有一个或多个处理器的一些其他设备来执行。可以在任何设备中利用处理器(例如，以硬件和/或软件实现的并且优选地具有至少一个硬件组件的处理电路、芯片和/或模块)来执行方法500的一个或多个步骤。说明性处理器包括但不限于中央处理单元(cpu)、专用集成电路(asic)、现场可编程门阵列(fpga)等、其组合或本领域已知的任何其它合适的计算设备。

如图5所示，方法500包括操作502，其中接收关于患者和一个或多个患者群体的第一集合的第一结构化信息。第一结构化信息可以包括任何合适的结构化信息，但是优选地至少包括患者和一个或多个患者群体中的每一个的人口统计信息和/或健康历史信息。患者群体可以以任何合适的粒度水平并且根据任何合适的区别特征来定义，但是优选地至少包括与患者医学相关的群体，即至少包括具有相似人口统计、健康史、遗传组成、职业史和/或由结构化信息表示的其他特征的患者。在一种方法中，结构化数据可以包括如图4所示的结构化数据402a，并且可以从任何合适的源获得，包括用于至少一个或多个患者群体的公共源。

在操作504中，接收至少关于患者，但可选地还关于一个或多个患者群体的第二集合的非结构化信息。如本文所理解的，在各种方法中，患者的第一集合和第二集合可以整体或部分重叠，或者可以相互排斥。非结构化信息可以包括与健康状态有关的文本、图像和/或视频的任何组合。例如，非结构化信息可以包括电子健康记录、医生手写笔记、诸如x射线扫描或磁共振成像(mri)扫描等的医学图像等；如本领域普通技术人员在阅读本说明书时根据本文呈现的发明概念的各种实施例将理解的，医学视频诸如超声波图、ct扫描视频、描绘血流的视频、描绘执行医学评估的患者的视频等。在一个实施例中，非结构化数据可以包括诸如图4所示的非结构化数据402b，并且可以从任何适当的源获得，包括用于关于(多个)患者群体的非结构化数据的公共源。

在操作506中，方法500包括分析非结构化信息(例如，对应于图4所示的分析过程404)以导出第二结构化信息。在各种实施例中分析非结构化信息可以包括以结构化方式从其中提取信息的任何适当形式或技术，即“结构化”非结构化信息以从其中导出尽可能多的相关医疗信息。因此，在一种方法中，分析非结构化信息可以被认为包括构建一个或多个提取模型，该模型被配置为例如使用机器学习技术从特定类型的非结构化信息提取特定类型的结构化信息。

分析非结构化信息的方式(例如，图4的过程404a)将取决于非结构化信息的类型。例如，在非结构化信息包括文本信息的情况下，词频-逆文档频率(tf-idf)分类器可以应用于非结构化信息以导出非结构化信息的给定数据集内的共同词项以及它们之间的关联。类似地，对于图像和视频，可以采用本领域已知的任何合适的图像分析/分类/数据提取技术来从中提取结构化信息。

继续操作508，基于分析第一结构化信息和从非结构化信息导出的第二结构化信息的组合，确定与特定健康状态相关联的或以其他方式指示特定健康状态的(一个或多个)健康度量。优选地，所述分析包括一个或多个患者群体的第一和/或第二集合的历史信息，以便提供用于监测的医学信息和相关度量的适当采样。在各种实施例中，健康度量可以使用分类模型来确定，例如图3中所示的决策树300或任何其他合适类型的分类模型，例如图4中所示的模型404b。

不管分类模型的具体类型如何，确定的结果是要针对患者监测的度量列表，并且可选地是相关联的权重。参见用于图形示例的图4的输出406a。监测这些健康度量将帮助患者主动管理健康决策，以避免或延迟有害健康状况的发作，或加速实现特定的期望医疗结果。

然而，如上所述，要监视的度量列表和执行这种监视所需的相关联的设备对于一些患者可能是实际困难或不可能的。因此，在操作510中，根据优化模型考虑要监视的度量(连同任何关联权重)、用于监视这样的度量的可能设备的列表、以及关联能力、服务和实际资源约束(技术和/或财力)。

具体地，方法500的操作510包括基于以下各项确定将用于监测一个或多个健康度量的最佳设备集合(例如，设备406b的推荐列表)：设备能力；关联的设备服务；以及资源限制。在不脱离本公开的范围的情况下，优化模型可以是如图4所示的过程406c的形式、一种方法或其任何等效形式。

因此，方法500针对将结构化的和重要的非结构化的信息作为输入以训练分类模型并且随后评估患者信息以确定针对患者的要监测的度量集合的一般概念。当然，应当理解，在不背离本文所呈现的发明概念的范围的情况下，各种实施例中的方法500可以包括以任何排列的本文所描述的任何附加/替代特征。

在特别优选的实施例中，方法500可以包括优选地以基本连续的方式随时间监视患者的健康度量值(例如，如图4中经由过程404d所示)的附加概念，以检测可以指示发展的健康状态或新条件的发展的变化，和/或从现有条件的缓解等，如本领域普通技术人员在阅读本说明书时将理解的。

因此，在特别优选的实施例中，方法500可以包括使用根据上述方法500确定的最佳设备集合来连续地监测患者的一个或多个健康度量。连续观测可包括周期性的、不定期的或任何其它类型的离散测量，并且不必是在给定观测周期上的不间断的测量集合。方法500还可以包括将患者的一个或多个健康度量的值(例如，患者度量值406c)与一个或多个对应的事件触发阈值进行比较(例如，根据图4的过程404e)。

如果比较得出没有度量值已经超过预定义的事件触发阈值的确定，则可以如上所述继续监视，直到确定这样的阈值违反。值得注意的是，虽然事件触发可以是预定的，例如基于回顾医学文献、人口统计学等，如上文参考分类模型和图3所述，但是在更多方法中，事件触发可以动态地调整，例如基于与患者的变化状况耦合的历史医学信息的类似分析。

在基于比较确定一个或多个健康度量中的至少一个的特征在于超过对应的事件触发阈值的值时，方法500还可以包括输出患者的一个或多个健康度量的值406c；以及将患者的一个或多个健康度量的输出值与随时间收集的患者的一个或多个健康度量的对应历史值402e组合，以生成患者的一个或多个健康度量的值的综合集合。该全面的、更新的患者信息集合被用于确定要针对患者监测的一个或多个健康度量406a的新集合。该确定可以全部或部分基于使用分类模型404b分析值的综合集合；并且可以基于以下各项来选择新的或更新的最优设备集合以用于监测一个或多个健康度量的新集合：设备能力；关联的设备服务；以及资源限制。

根据前述实施例，当前公开的发明构思有利地能够基于健康度量的连续监测来检测健康状态的重要变化，以及为给定患者提供对适当的设备集合的实时更新(考虑本文讨论的各种约束)，以在监测和管理其健康时使用。

除了前述连续监视和更新能力之外，方法500可以包括附加和/或备选特征和/或操作，诸如在操作506中分析非结构化信息，包括构建至少一个提取模型。提取模型优选地被配置为使用至少一种机器学习技术从非结构化信息中提取结构化信息。例如，如果非结构化信息包括文本信息，则可以应用文本频率-逆向文档频率(tf-idf)或其他等效文本分析技术。如果非结构化信息包括图像和/或视频数据，则可以采用适当的图像处理算法，例如支持向量机(svm)技术、最大熵鉴别(med)技术或者本领域技术人员在阅读这些描述时可以理解的任何其它适当的技术，而不脱离这里给出的本发明概念的范围。

在又一些实施例中，方法500可包括例如使用分类模型来确定与一个或多个健康度量中的每一个相关联的一个或多个权重。优选地，权重指示给定度量在预测患者的未来健康状态中的相对重要性。例如，在一种方法中，可以向度量分配基于以下中的一个或多个的聚合而计算的权重：触发事件的特定度量的权重(例如，响应于随时间连续监测度量以检测预期/可能的未来医疗发展)；与触发事件的特定度量相关联的度量的权重，以及两者之间的任何相关系数。例如，随着健康状况进展和/或次要健康状况变得相关，权重的分配可以将监视扩展到随时间推移的新度量。例如，如果不再与给定患者的特定健康状况相关，则权重的分配还可以或替代地使得特定度量停止被监视。

在另一种方法中，如果特定值相关事件不将监测扩展到任何新度量，则触发事件的现有度量的权重可以被计算为一个或多个监测的度量值与触发值相关事件的预定义阈值(或阈值差)之间的绝对差的非减函数。

如上文所建议的，方法500可以包括使用训练集来训练分类模型，所述训练集包括一个或多个患者群体的历史医疗信息，所述历史医疗信息最优选地包括结构化和非结构化信息。

根据方法500确定最佳设备集合可以涉及包括多个规则的优化模型，所述规则被配置为在确保最佳设备集的同时使最佳设备集合的财力成本最小化：包括监测所述一个或多个健康度量所需的所有设备能力；并且将不会超过以下任何可应用的技术约束：所述最佳设备集合中的任何相应一个设备；以及其中要测量一个或多个健康度量的操作环境。因此，当前公开的发明概念，特别是通过优化模型，以一组客观规则(本质上是数学关系)的形式表示对计算机技术的改进，该组客观规则使计算机能够执行传统上为人(特别是医学专业人员)保留的并且根据主观考虑执行的功能。

这里，计算机可以考虑大量可用候选设备的各种约束和能力以及评估不同健康度量阵列的潜在需要，同时还分别考虑患者和设备/操作环境的财务和技术约束。计算机可以根据上述客观规则评估这些标准，并且相对于不能或没有足够的时间和专业知识来评估所有这些考虑的人类医生向患者提供改进的建议。

因此，使用当前公开的发明技术以使计算机能够执行先前仅能够由人执行的功能的形式，并且以使用客观规则而不是主观标准的方式，传达了对计算机技术的改进。这种实施方式产生了改进的结果质量和对患者的相应健康护理，代表了对另一领域(即，医学，特别是预防医学)的改进。

在特别优选的实施例中，规则包括：目标函数n∑i∈ici.xi，被配置为最小化所述最佳设备集合的总成本，其中，所述成本由多个约束来定义。约束包括但不限于：能力约束其被配置为确保所述最佳设备集合包括监测所述一个或多个健康度量所需的所有设备能力；资源约束其被配置成确保所述最佳设备集将不超过所述最佳设备集合中的个体设备和其中所述一个或多个健康度量将被测量的操作环境的任何适用技术约束；以及财力约束∑i∈ici.xi≤b，其被配置为确保所述最佳设备集合的财力总成本不超过预定预算。

根据前述公式，i是要包括在最佳设备集合中的可能设备集合；ci是给定设备的成本i∈i，b是设备的最优集合的最大预算；m是监测所述一个或多个健康度量所必需的测量结果集合；zim是二进制输入参数，如果可穿戴设备i∈i能够收集测量结果m∈m,则该二进制输入参数具有值1，否则为零；xi是二元变量，如果要推荐/使用给定设备i∈i，则该二元变量值为1，否则其值为零；j是在所述一个或多个健康度量将在其中被监视的所述操作环境中对所述最优设备集合可用的资源集合；aij是给定设备i∈i的资源消耗；以及kj是资源的可用容量j∈j。

虽然上面已经描述了各种实施例，但是应当理解，它们仅是作为示例而非限制来呈现的。因此，优选实施例的宽度和范围不应由上述示例性实施例中的任何一个限制，而应仅根据所附权利要求及其等同物来限定。