用于检测细胞因子释放综合征的穿戴式伴侣的制作方法

本文中呈现的主题涉及用于监测骨髓瘤治疗的系统及方法。具体地，用于监测与骨髓瘤的治疗相关联的副作用(诸如细胞因子释放综合征)的系统及方法。

背景技术：

1、骨髓瘤亦称为多发性骨髓瘤，是一种浆细胞癌。癌性浆细胞可能会快速生长及排挤正常细胞，诸如红细胞、血小板及其他白细胞。骨髓瘤治疗的形式包括双特异性抗体。双特异性抗体一次可接合两个不同目标：抗体的一臂可直接结合于癌细胞上的特异性抗原且另一臂可活化来自免疫系统的患者自身的t细胞及使所述t细胞靠近癌细胞，以杀伤癌细胞。然而，双特异性抗体治疗可能存在副作用：患者通常在双特异性抗体治疗之前48小时内可能具有发展中的细胞因子释放综合征(crs)的可能性，且在双特异性抗体治疗后亦可出现其他状况，诸如感染(例如败血症)、神经毒性(例如外周神经病变)及血细胞减少症(例如中性粒细胞减少症)。

2、针对双特异性抗体治疗的常规副作用管理既浪费也不充分。举例而言，常规的crs管理涉及在双特异性抗体治疗的一个疗程之后最少住院48小时。然而，双特异性抗体治疗(辉瑞的埃纳妥单抗(elranatamab))的临床试验发现，仅50％至70％的患者会经历一些crs。更具体地，约25％-35％会经历1级crs，25％-35％会经历2级crs，且30％-50％完全不会经历任何crs。仅2级crs，即仅25％-35％的患者可能需要医院级介入。通常，所有患者均必须留在医院以便观测任何crs的发作。因此，65-75％的患者住院是浪费的，即25％-35％发展1级crs的患者仅需要轻度介入且30-50％患者未出现任何crs。

3、此外，针对其他状况，诸如感染、神经毒性、血细胞减少症等的常规副作用管理是基于偶发性临床接触——患者与临床医生面对面时间有限。偶发性临床接触仅提供患者的状况的不完整图像，往往基于来自患者的带偏差的信息(例如，回忆偏差)。因此，常规临床接触无法及时地充分检测风险。例如，骨髓瘤患者——尤其在双特异性抗体治疗之后——可能具有减弱的免疫系统，可能使其容易感染，诸如败血症。已发现感染为死亡的主要原因，对于患有三种难治性多发性骨髓瘤的患者尤其如此。早期介入对于减轻感染可能通常上是有效的，然而，偶发性临床接触可能不足以检测感染的发作以引导此类早期介入。

4、神经毒性及相关周边神经病变可能发展自其他骨髓瘤药物，例如蛋白酶体抑制剂、免疫调节药物(imid)，其通常在双特异性抗体治疗之前服用。因为这些疾病的发作未必快速且剧烈，所以对于患者可能不存在足够数目的临床接触以报告相对较轻症状给临床医生。即使存在多次临床接触，但患者可能未必(例如，归因于回忆偏差)报告这些相对较轻症状。血细胞减少症可能会出现在整个双特异性抗体治疗方案中。血细胞减少症对患者强加额外负担，因为其需要频繁血液测试来鉴别。对于骨髓瘤患者，频繁血液测试典型地可能不方便，可能需要多次造访实验室。偶发性临床接触及偶发性血液测试不足以及时检测血细胞减少症。

技术实现思路

1、在一些实施方案中，本发明涉及一种用于骨髓瘤的双特异性抗体治疗的数字医疗伙伴。本发明进一步涉及预测与双特异性抗体治疗相关联的副作用及主动地管理所预测副作用。

2、举例而言，机器学习模型可用于预测在双特异性抗体治疗(例如辉瑞的埃纳妥单抗)之后患者发展crs的可能性。为此，可以关于双特异性抗体治疗收集来自患者的健康护理数据——由患者主动地输入数据于应用程序上和/或被动地由装置获取健康护理数据。亦可收集其他数据，诸如血液检测(bloodwork)数据。数据的收集期可开始于治疗之前的预定时间(例如自前几天开始)。使用所收集的数据，机器学习模型可输出患者发展crs的可能性且可为临床医生控制面板(dashboard)生成通知。基于产生crs的可能性，通知可提供患者是应该留在医院还是可出院进行居家监测的临床决策支持。

3、另外地或可替代地，可预测且主动地管理与双特异性抗体治疗相关联的其他副作用。居家接受监测的患者可在健康护理应用程序(例如，安装在智能电话上)中主动地输入健康护理数据。诸如穿戴式装置及隐形传感器的其他装置可被动地收集健康护理数据。另外，居家血液监测系统(例如，邮寄至患者家的血液采集试剂盒)可提供血液相关数据。机器学习模型使用这些不同类型的所收集数据，可预测患者是否可能会产生副作用，诸如crs、神经毒性或血细胞减少症。基于预测，一或多个警示通知可发送至患者面的端口(例如，用以鼓励患者联系其临床医生)和/或临床医生端口(例如，用以鼓励临床医生联系其患者)。

4、在一个实施方案中，可提供一种经计算机实施的方法。该方法可包括：在治疗之前，检索在由患者运算装置执行的指定应用程序上由患者输入的第一健康数据；在治疗之前，检索由指定穿戴式装置被动收集的第二健康数据；针对第一健康数据及第二健康数据运用机器学习模型以判定患者是否可能会在治疗之后经历细胞因子释放综合征；及响应患者可能会经历细胞因子释放综合征的判定，触发临床医生控制面板上的通知。

5、在另一实施方案中，可提供另一种经计算机实施的方法。该方法可包括：在治疗之后，检索在由患者运算装置执行的指定应用程序上由患者输入的第一健康数据；在治疗之后，检索由指定穿戴式装置被动收集的第二健康数据；针对第一健康数据及第二健康数据运用机器学习模型以判定患者是否可能会经历不良健康状况；及响应患者可能会经历不良健康状况的判定，触发临床医生控制面板上的通知。

6、在又一实施方案中，提供一种系统。该系统可包含一或多个处理器；及非瞬时储存介质，其储存计算机程序指令，在由该一或多个处理器执行时，所述计算机程序指令引起系统执行包含以下步骤的操作：检索在由患者运算装置执行的指定应用程序上由经受双特异性抗体治疗的患者输入的第一健康数据；检索由患者穿戴的指定穿戴式装置被动收集的第二健康数据；针对第一健康数据及第二健康数据运用机器学习模型以判定患者是否可能会经历不良健康状况；及响应患者可能会经历不良健康状况的判定，触发一或多个通知。

技术特征：

1.一种经计算机实施的方法，其包括：

2.权利要求1的经计算机实施的方法，其进一步包括：

3.权利要求1的经计算机实施的方法，其中该机器学习模型包含以下的至少一种：回归模型、梯度提升回归模型、逻辑回归模型、随机森林回归模型、集成模型、分类模型、深度学习神经网络、用于深度学习的递归神经网络，或用于深度学习的卷积神经网络。

4.权利要求1的经计算机实施的方法，其中该第一健康数据及该第二健康数据是在该治疗前周期性地接收达一段预定时间段。

5.权利要求1的经计算机实施的方法，其中该患者可能会经历该细胞因子释放综合征的判定是在接受该治疗后进行一段预定时间段。

6.权利要求1的方法，其中第一数据包含病史、实验室结果或患者概况中的至少一种。

7.权利要求1的方法，其中第二数据包含温度、心率、血压或氧饱和度中的至少一种。

8.权利要求1的方法，其中触发该临床医生控制面板上的通知包括将该通知提供至电子健康记录(ehr)系统。

9.一种经计算机实施的方法，其包括：

10.权利要求9的经计算机实施的方法，其进一步包括：

11.权利要求9的经计算机实施的方法，其中该不良健康状况包含以下的至少一种：细胞因子释放综合征、感染、神经毒性或血细胞减少症。

12.权利要求9的经计算机实施的方法，其中该机器学习模型包含以下的至少一种：回归模型、梯度提升回归模型、逻辑回归模型、随机森林回归模型、集成模型、分类模型、深度学习神经网络、用于深度学习的递归神经网络，或用于深度学习的卷积神经网络。

13.权利要求9的经计算机实施的方法，其进一步包括：

14.权利要求9的经计算机实施的方法，其中在临床医生控制面板上的通知包含以下的至少一种：该临床医生应联系该患者的指示，处方药物的剂量待调整的指示，或该患者应入院的指示。

15.权利要求9的经计算机实施的方法，其进一步包括：

16.权利要求15的经计算机实施的方法，其中该第二通知包含以下的至少一种：该患者应联系该临床医生的指示，该患者应在药房处获取药物的指示，或该患者应联系紧急服务的指示。

17.一种系统，其包含：

18.权利要求17的系统，其中所述操作进一步包含：

19.权利要求17的系统，其中该机器学习模型包含以下的至少一种：回归模型、梯度提升回归模型、逻辑回归模型、随机森林回归模型、集成模型、分类模型、深度学习神经网络、用于深度学习的递归神经网络，或用于深度学习的卷积神经网络。

20.权利要求17的系统，其中该一或多个通知包含该指定应用程序上的患者通知及临床医生控制面板上的临床医生通知的至少一种。

技术总结
本文中所公开的实施方案可提供用于预测及减轻骨髓瘤患者的双特异性抗体治疗(例如辉瑞的埃纳妥单抗(Elranatamab))的副作用的数字医疗支持。副作用可能包括细胞因子释放综合征(CRS)、感染(例如败血症)、神经毒性(例如外周神经病变)、血细胞减少症(例如中性粒细胞减少症)等。这些副作用可基于从患者穿戴式装置被动收集的数据、患者输入于健康护理应用程序的数据及诸如血液检测数据的其他数据来预测。经训练的机器学习模型可用于预测这些副作用。由于可在副作用发作之前对其进行预测，因此主动介入对于改善骨髓瘤患者的健康护理结果可能是可行的。

技术研发人员：T·多尔蒂,A·菲茨杰拉德,D·P·汉考克,C·J·黄,A·胡达,A·朗布鲁,P·拉玛钱德兰,S·拉维奇,J·雷斯曼,O·瓦克斯
受保护的技术使用者：辉瑞公司
技术研发日：
技术公布日：2024/10/10