相关申请的交叉引用本申请要求以下申请的优先权：2014年10月3日提交的序号为62/059,588、标题为“MethodandSystemforIntelligenceMassMedicalAnalysis”的美国临时申请；2014年4月9日提交的序号为61/977,512、标题为“MethodandSystemforIntelligenceMassMedicalAnalysis”的美国临时申请；2014年2月28日提交的序号为61/946,339、标题为“MethodandSystemforIntelligenceMassMedicalAnalysis”的美国临时申请；2013年12月4日提交的序号为61/911,618、标题为“MethodandSystemforIntelligenceMassMedicalAnalysis”的美国临时申请；以及2014年12月2日提交的序号为14/558,706、标题为“ComputationalMedicalTreatmentPlanMethodandSystemwithMassMedicalAnalysis”的美国非临时申请，这些申请的公开内容通过引用整体合并于此。技术领域本发明总体上涉及计算机软件，更特别地，涉及用于对来源于跨多个地理区域的许多来源的浩繁的电子医疗记录(EMR)或电子健康记录(EHR)进行分析，以用于优化对患者的治疗以及生成计算机产生的医疗处理方案时的智能医疗处置(medicalprocessing)的软件工具。
背景技术：
健康护理正在随着作为支撑力之一的技术而发生重大变革。电子医疗记录一直在很大程度上被按地理区划内不同的附属医院、诊所、以及医生办公室和诊所并且按合作关系或国家政府规定而隔离开，更不必说跨地理边界共享患者信息的复杂性。在软件分析的情形中，这些电子医疗数据可被视为非结构化数据，因为存在未被整合和分析的许多相异的数据格式和或类型。为确定与医疗处理(medicaltreatment)和后果相关联的模式(pattern)和统计证据而对大量电子医疗记录进行的关键分析可对患者的治疗具有巨大的积极影响。医疗行业和患者双方都将极大地受益于医疗记录的计算机化分析，医疗记录包含重要的真实世界的关于诊断、治疗和患者后果的数据。现代医疗信息，诸如医疗记录，依然被按机构、附属机构、地点、地理位置和地区而极度隔离开。通常，医生将基于患者提供的信息和医生自己的经验、而不是基于表明类似患者如何被治疗以及这种治疗的后果的统计证据来诊断和治疗患者。这种情况的一个原因在于，医生对超出他们实践的患者信息以及出版文献具有相对有限的获取途径。在全国、国际或世界范围内的医生诊断和推荐治疗方案的集体智慧尚未被收集、分析和用于提供实用的、基于证据的患者治疗方案。因此，期望具有一种系统和方法，其用于对来自跨多个地理区域的不同来源的大量医疗数据进行计算机分析以改善对患者的治疗并且为患者生成推荐治疗方案。该系统和方法可用于分析具有特定疾病的患者的治疗和医疗后果，这将允许医生基于表明类似患者如何被治疗以及这种治疗的后果的计算和统计证据来做出其治疗决策。
技术实现要素：
本公开的实施例涉及计算机密集型概率性全球医疗数据方法、系统和计算机程序产品，其用于通过对来自同一地区或跨不同地理地区的大批医疗来源的海量电子医疗记录进行分析、分类、匹配和向下分组来优化针对特定症状、疾病或患者概况的患者治疗方案。全球医疗数据分析计算机系统包括主医疗服务器，其包括用于优化治疗方案处理的智能医疗引擎。全球医疗数据分析计算机系统通信耦接到中央数据库、保密个人数据库，并且还通过网络通信耦接到以下中的一个或多个：医院、学术医学中心、诊所、以及其他医疗数据来源。智能医疗引擎可以全球地从不同的国家、地区和大陆接收浩繁的医疗记录。来源于医院、学术医学中心、诊所以及世界各地其他医疗来源的电子医疗记录被馈送到智能医疗引擎以用于海量计算分析以及与患者的医疗记录中的一个或多个的关联。智能医疗引擎包括存储模块、分析模块、分类部件、匹配模块、学习模块、输入数据模块以及显示模块。智能医疗引擎合并有学习模块，学习模块用于随时间推移而交互地处理和学习患者的和其他的电子医疗记录以及所处方的治疗方案，以优化所推荐的治疗规程。智能医疗引擎配置为对照大量电子医疗记录，对患者的症状、疾病或患者概况进行向下分组(也称为“过滤”)。向下分组意指找到患者组的有意义的子组(子集)，这些子组(子集)具有一个或多个临床参数的相同或相似值，并且对于给定治疗具有相同或类似的医疗后果。在一实施例中，过滤处理或向下分组处理包括多个级的过滤器，其作为将相关电子医疗记录的数量减小到其成员共享至少一些临床参数、疾病和/或治疗后果的更小子组的机制。例如，对照患者的电子医疗记录(包括症状或疾病)，对现有的电子医疗记录进行向下分组可包括第一级过滤器，其使用与患者的疾病相关联的一个或多个显著参数来生成类似匹配的电子医疗记录的一个或多个第一子组。在第二级过滤器，作为进一步减小所述一个或多个第一子组中的数量的方法，向下分组方法通过使用附带病、慢性病、并发症参数生成类似匹配的患者电子记录的一个或多个第二子组(其可等于但一般小于第一子组)来对照患者的电子医疗记录对所述一个或多个第一子组进行过滤。在第三级过滤器，向下分组方法通过使用第三组参数生成一个或多个第三子组(其可等于但一般小于第二子组)来进一步对所述一个或多个第二子组进行过滤。在第四级过滤器，向下分组方法可通过使用第四组参数-诸如生活方式参数(例如，饮食习惯、日常锻炼、吸烟者、超重、压力等)-生成类似匹配的患者电子记录的一个或多个第四子组(其可等于但一般小于第三子组)来缩减所述一个或多个第三子组中的电子医疗记录的数量。附加的向下分组级是可能的，以减小类似匹配子组的数量来关于患者的特定疾病或症状在子组中生成期望的数量，从而基于医疗数据的计算分析来创建计算机产生的治疗规程。一般地，向下分组导致比向下分组操作之前的那些项更少的一组项，因为增加了必须被向下分组的子集中的项满足的附加标准。向下分组方法可以相对于显著变量和间接变量(也称为“参数”)、(二维曲线图上的)一段时间段期间的变量、二维或三维图像(例如，X射线、MRI、CT扫描图像)或以上的任何组合来实施。在一实施例中，向下分组方法通过在第一级向下分组使用显著变量、在第二级向下分组使用间接变量来用特定患者的客观医疗数据对来自数据库的其他患者的客观医疗数据进行过滤。在另一实施例中，另一向下分组方法将在与患者的客观医疗数据相关联的时间上显著参数如何演变与在相同时间段上相同显著参数上的其他患者的客观医疗数据进行比较。在患者的客观医疗数据和其他客观医疗数据之间，在指定时间段上任何从显著参数之一有意义的偏离可以提供对来自患者的客观医疗数据的该特定子组进行向下分组的基础。在另一实施例中，替代的向下分组方法通过将患者的客观医疗数据-其包括在三维器官图像中例示说明的显著参数-与其他患者的客观医疗数据-其包括在三维器官图像中例示说明的显著参数-进行比较来对子组进行过滤。大量患者的客观医疗数据的收集和分析，其中每个患者的客观医疗数据可包括没有患者的保密信息-诸如社会保险号-的标准化电子医疗记录。客观医疗数据的使用还缓解了一些隐私顾虑，因为一个人的保密信息未被揭露。客观医疗数据的标准化使得智能医疗引擎能够对来源于医疗医院、学术医学中心、诊所以及其他医疗数据来源的浩繁的电子医疗数据进行处理、关联、分析和匹配。客观医疗数据的标准化涉及用于以允许客观医疗数据被以数据库格式存储、组织和搜索的方式对临床参数进行一致分类或归类的任何结构。客观医疗数据的变换可以在处理的不同时刻发生，包括例如当患者的客观医疗数据和相关联的代码被从医院发送到智能医疗引擎时、在向下分组处理中修改患者的医疗数据期间、等等。在智能医疗引擎上实现的标准化客观医疗数据和向下分组方法的许多真实世界的应用是可行的。一种应用将涉及医师使用本发明的装置和方法来基于具有相同疾病和显著医疗参数的其他患者的医疗后果开发治疗方案。在另一应用中，全科医生将疾病舱放置在他或她的办公室以通过以下方式进行年度或定期医学检查(或年度体检)：使患者躺在平台上以移至疾病舱中，从而进行各种医疗读取以用于随后在与存储在智能医疗引擎中的患者的医疗数据进行比较时使用。在第二应用中，可穿戴装置被放置在患者上以用于监视和治疗患者。可穿戴装置具有可连接到患者以用于监视患者的状况、将药物注射到患者中、或者从患者抽取血液的合成血管或端口。例如，医疗装置被植入到患者的皮肤下面，该医疗装置具有连接到血管的一个末端和连接到母连接器的另一个末端，母连接器具有表面包封(也称为阀，当不使用时，阀关闭母连接器)以将外部公连接器放置到母连接器中来抽取血液。表面包封确保血液和其他流体包含在患者的身体内。患者的状况由可穿戴装置持续地监视，可穿戴装置将患者的医学状况发送到智能医疗引擎以用于当必要时向医生、医院或救护车发出警告。可穿戴装置的其他实施例包括将一个或多个传感器嵌入在衣服或内衣上以用于与可穿戴移动装置进行无线通信。泛言之，一种用于处理电子医疗记录的计算机实施的方法包括：存储多个患者的多个客观医疗数据，每个患者的客观医疗数据被结构化成多个元素以供在存储所述客观医疗数据时使用，每个患者的客观医疗数据至少包含患者的参数、患者的疾病、患者经历的治疗以及治疗后果；对所述多个患者的客观医疗数据进行向下分组以将所述多个客观医疗数据分类为子组，分类步骤包括基于每个患者的参数、疾病、每个患者针对所述疾病经历的治疗、以及治疗后果的至少一个级的分类，迭代地重复该处理，在每个级中对每个子组进行一次，直到识别一组比先前产生的子组更小的子组，其中所述更小的子组中的患者具有基本类似的临床相关参数和基本类似的后果；接收新患者的疾病模板，所述新患者的疾病模板具有基于新患者的疾病的新患者的客观医疗数据，所述新患者的模板至少包括新患者的临床相关参数以及新患者的至少一种疾病；以及将所述新患者的参数和疾病与向下分组得到的子组的对应参数和疾病进行匹配，以选择最类似的子组，并且基于用于所述子组中的患者的治疗的后果来确定用于新患者的潜在治疗的可能后果。在以下详细描述中公开了本公开的结构和方法。本概述无意以任何方式限定或限制本发明。本发明由权利要求限定。本发明的这些和其他实施例、特征、方面和优点就以下描述、所附权利要求和附图将变得更好理解。附图说明将关于本发明的特定实施例来描述本发明，并且将参考附图，在附图中：图1是根据本公开的用于接收、分析、关联和生成大量患者医疗记录和治疗的全球医疗数据分析系统。图2是例示说明根据本公开的主医疗服务器中的智能医疗引擎的软件系统图，该主医疗服务器提供计算能力以对来自跨多个地理区域的各种医疗来源的浩繁的客观医疗数据进行处理、分析、分类、匹配和学习。图3A和3B是例示说明根据本公开的智能医疗引擎用来对客观医疗数据进行分析、分类、匹配和向下分组(degroup)的处理的框图。图3C是例示说明根据本公开的多级向下分组处理的图画示意图。图4A是例示说明根据本公开的与图3A和3B相关的向下分组为子组的多级向下分组处理的图画示意图。图4B是根据本公开的用于通过用具有一组不同参数的多级过滤将患者模板与其他患者的客观医疗数据的子组进行比较来执行向下分组处理的示例菜单。图4C是例示说明作为对不同治疗规程(protocol)的反应的、一个或多个子组的显著参数(significantparameter)变化和治疗后果的框图。图4D是例示说明两个子组的不同显著参数对同一治疗规程的动态和变化的曲线图。图4E是例示说明根据本公开的用于同一或不同患者的三个示例性时间轴场景的框图。图5是例示说明根据本公开的监视患者的客观医疗数据的便携式医疗监视装置的系统图。图6是根据本公开的24/7监视患者的客观医疗数据的示例性处理流程。图7A是根据本公开的用于相对于主医疗服务器处的客观医疗数据来监视患者的当前医疗数据和对患者进行治疗的可穿戴装置的示例性示图。图7B是根据本公开的接入(access)血管系统的一对连接装置的示例性示图。图7C是根据本公开的可植入端口和治疗装置的示例性示图。图8是根据本公开的用于相对于主医疗服务器处的客观医疗数据来监视患者的当前医疗数据和对患者进行治疗的可植入装置的示例性示图。图9是根据本公开的具有统一健康检查和疾病诊断功能的诊断舱(diagnosiscapsule)机器的示例性示图。图10是例示说明根据本公开的自动化处理的框图，在该自动化处理中，智能医疗引擎通过用于优化的交互式机器学习过程来接收、存储、分析和分类客观医疗数据。图11是例示说明根据本公开的由医疗人员发起的用于快速地将患者的新症状与具有大量现有客观医疗数据的数据库进行比较的处理的框图。图12是例示说明根据本公开的由消费者发起的用于基于查询来选择医生客观数据的处理的框图。图13是例示说明根据本公开的关于图12的示例性预定义搜索类别的框图。图14是例示说明根据本公开的消费者从世界上的任何地点检索他或她自己的电子医疗记录的处理的框图。图15是例示说明根据本公开的相对于与图13相关的客观医疗数据来24/7监视患者的处理的流程图。图16是例示说明根据本公开的用于随时间推移而存储、汇编和分析患者的三维概况(profile)以辅助医生考虑到变化的图像而基于多个不同的数据点做出治疗决策的处理的流程图。图17是例示说明根据本公开的用于随时间推移而存储、汇编和分析患者模板中的关键参数以辅助医生考虑到显著参数的变化而基于多个不同数据点做出决策的处理的流程图。图18是例示说明根据本公开的利用相对于客观医疗数据监视患者的电子内衣或衣服的纺织电极来感测医疗数据的处理的流程图。图19A至19Q例示说明根据本公开的用于全科医师检查初步患者检查规程的字段和子字段的示例性列表。图20是例示说明根据本公开的对临床记录进行标准化的处理的示例性流程图。图21A是例示说明根据本公开的用于临床记录标准化的示例性临床参数和代码列表的框图。图21B是例示说明根据本公开的用于来自医学成像设备的视觉表示的标准化处理过程的流程图。图21C是例示说明根据本公开的用于临床视觉表示记录的标准化的示例性临床参数和代码列表的框图。图22是根据本公开的标准化临床参数表单的示例性结构。图23是根据本公开的示例性标准化空白临床参数表单。图24A是根据本公开的为肺癌创建示例性临床参数表单的第一步的示例性指令。图24B是根据本公开的为肺癌创建示例性临床参数表单的第二步的示例性指令。图24C是根据本公开的为肺癌创建示例性临床参数表单的第三步的示例性指令。图24D是根据本公开的为肺癌创建示例性临床参数表单的第四步的示例性指令。图24E是根据本公开的为肺癌创建示例性临床参数表单的第五步的示例性指令。图24F是根据本公开的为肺癌创建示例性临床参数表单的第六步的示例性指令。图24G是根据本公开的为肺癌创建示例性临床参数表单的第七步的示例性指令。图24H是根据本公开的为肺癌创建示例性临床参数表单的第八步的示例性指令。图24I是根据本公开的为肺癌创建示例性临床参数表单的第九步的示例性指令。图25A至25M是例示说明根据本公开的用于肺癌的示例性临床参数表单的框图。图26A至26S是例示说明根据本公开的用于心肌梗塞(MI)的示例性临床参数表单的框图。图27A至27M是例示说明根据本公开的用于阑尾炎的示例性临床参数表单的框图。图28是例示说明根据本公开的用于在全球医疗数据分析系统中使用的示例性计算装置的框图。具体实施方式参照图1-28提供对本发明的结构实施例和方法的描述。将理解，无意将本发明限制到具体公开的实施例，而是本发明可以使用本领域技术人员已知的其他特征、元素、方法和实施例来操作。各种实施例中相似的元素一般用相似的数字来指代。以下定义适用于本文描述的元素和步骤。这些术语可以被类似地进一步扩展。治疗过程——是指针对患者医学状况的处方给药法、疗法或其他治疗。治疗过程包括用于患者的治疗规程和治疗方案。向下分组——是指基于发现具有相同的一个或多个参数值(例如，年龄、性别、体重、胆固醇水平、血糖水平、白细胞数等)并且对至少一种治疗(例如，对斯达汀药物治疗，或者对以缩小肿瘤直径为目标的化疗方案等)产生相同或类似的反应的患者，来将一组患者(或者与患者对应的电子医疗记录)分成子组的方法。诊断——是指任何医学状况、传染病、精神疾病、或其他状况或疾病(包括慢性病)的任何医学分类。诊断的例子包括糖尿病、癌症、心脏病、动脉粥样硬化、中风等。显著参数(也称为“直接参数”)——是指根据世界卫生组织(WHO)分类的每种疾病的、在医学领域已知为预示、影响或者源自患者的医学状况或疾病的治疗、预后(prognosis)和进展的参数。间接参数(也称为非显著参数)——是指根据世界卫生组织分类的每种疾病的除了直接参数之外的、与疾病、预后以及患者的医学状况或疾病的治疗相关的参数。客观医疗数据——是指关于患者的病史和医学状况的客观数据。客观医疗数据包括但不限于患者的症状、疾病(如果适用)、患者的概况、病史、医疗设备检查数据、实验室结果、生活方式习惯，但是不包括将揭示患者身份的信息，例如患者的依法登记姓名、社会保险号、指纹等。客观医疗数据可以是新兴标准(比如良好数据收集和记录实践(GDCRP))的实质部分。患者疾病模板——是指根据世界卫生组织的国际疾病分类(ICD)(www.who.int/classifications/icd/en)的、与疾病、预后以及患者的医学状况(一种或多种)或疾病的治疗相关的参数的集合。推荐治疗规程(一个或多个)——是指软件在对不同的选定治疗规程进行分析和选择时基于一组或多组标准执行的处理的结果。第二级参数——是指在向下分组处理中使用的第二组参数。这些参数可以包括与疾病关联的潜在或实际并发症相关的参数、与附带病(sidedisease)或慢性病相关的参数、与患者的其他医学状况或疾病相关的参数、以及与医学状况或疾病的细胞和遗传标记(例如，肿瘤标记、遗传标记、由特定细胞系表达的特定分子等)相关的参数。标准化临床表单——是指用于收集患者个体的客观医疗数据的表单。标准治疗规程——是指医学专业通常接受的用于治疗具有特定疾病的患者的医疗处理过程(例如，疗法、药物或其他治疗)。治疗方案——是指一段时间的一个或多个治疗规程的集合。本公开提供用于汇编和存储医疗记录，并且用于利用电子医疗记录来基于所存储的其他患者的数据确定患者的治疗过程，以及诊断、治疗和/或监视患者的医学状况和疾病的方法。在本发明中，电子医疗记录可以全球地被健康护理提供者容易地、即时地访问。电子医疗记录使得健康护理提供者能够开发针对患者的治疗计划，减少误诊，提高服务质量，改善患者的医疗后果，并且控制医疗成本。本公开涉及获得、汇编、利用和存储可以全球地被健康护理提供者和患者容易地访问的患者医疗记录的方法。电子医疗记录可以电子地、即时地排序和搜索。汇编的医疗记录使得健康护理提供者能够诊断、治疗和/或监视或跟踪各种患者的医学疾病或状况。此外，患者可以访问他们的信息并且监视他们的状况。本公开提供用于诊断并且确定针对患者的适当治疗过程的方法。该方法包括获得关于患者的现有症状的信息并且将该信息输入到计算机系统中。在一实施例中，疾病和治疗过程基于输入到计算机系统中的患者的现有症状和状况以及已经在计算机系统中的患者的病史，并且基于所存储的具有类似病史、症状和疾病的其他患者的数据。计算机系统基于输入的信息以及与所存储的针对其他患者获得的客观医疗数据相比较的迭代处理来输出疾病和推荐治疗过程。计算机系统可生成需要进一步分析、请求附加信息和/或医学测试、以及还需要通过咨询其他健康护理提供者或专家来输入信息的输出信息。通常开发新的医疗程序(medicalprocedure)以用于治疗患者，如果不能治疗并且治愈患者的话，其至少可以在治疗过程期间改善患者的生命质量。然而，除非存在支持其有效性的数据，否则新的医疗程序是不可接受的。这样的数据可以被汇编并且被存储在计算机系统中，并且使得可供所有健康护理提供者访问。该数据将被认为是新医疗程序有效性的支持证据，以供其他健康护理提供者考虑用于治疗其他患者。本公开提供监视和/或跟踪患者随着健康护理提供者开为处方的治疗过程的症状、疾病和进展的方法。当患者开始治疗方案时，需要监视患者以评估患者对治疗方案的反应。有时候需要监视患者以确定患者是否对治疗剂过敏。替代地，当在没有来自患者的附加医疗信息的情况下就不能诊断疾病或不能确定治疗过程时，需要监视和/或跟踪患者的症状或状况，以使得可以诊断正确的疾病和/或可以确定治疗过程。患者信息可由患者输入和即时访问。作为例子，具有心血管疾病的患者可以每日获得他的血压，并且将其输入到计算机系统中，健康护理提供者可以容易地访问患者血压。此外，一旦治疗过程已经被确定，健康护理提供者就可以在整个治疗过程期间容易地访问患者的血压。通常在治疗过程期间，患者可能被各种健康护理提供者治疗。例如，患者可以被主治医生、专家、专业医院的专家以及进行随访(follow-upcare)或在康复中心的医师检查。在一实施例中，本公开提供一种供任何健康护理提供者或患者直接并且即时地访问患者的整个病史的方法。在治疗过程期间，在每次到健康护理提供者的办公室就诊时与患者的状况相关地收集的信息被输入到计算机系统中并且被存储。在另一实施例中，本公开提供一种供任何健康护理提供者监视患者在整个治疗过程中的进展和生命质量的方法。所公开的方法最大化了数据的捕获，并且减少了治疗过程期间数据的丢失，这实现了改进的随访，并且改善了患者的生命质量和医疗后果。本公开提供评估对象/患者在未来患上疾病或状况或者在治疗期间或之后(随时间)复发疾病或状况的风险的方法。诸如家族病史和对象病史之类的信息可以被输入到计算机系统中以供估计对象在未来患上疾病或状况的风险。基于评估，健康护理提供者可以推荐特定的治疗剂、饮食改变、减肥和锻炼以防止患上该疾病或状况。例如，具有家族心脏病史的无症状对象具有如下特征：高血压、高总胆固醇水平(超过370mg/dl(毫克每分升))、高LDL水平(100mg/dl以上)、高甘油三酯水平(100mg/dl以上)、以及超重。这些因素作为用于与所存储的类似患者数据进行迭代比较的参数被输入到计算机系统中。计算机系统可以估计无症状对象在未来患上心脏病的风险。计算机系统将无症状对象的信息与具有类似因素的其他患者的医疗信息进行比较，并且通过向下分组处理，提供该对象患上心脏病的风险的估计。基于风险评估，健康护理提供者可以推荐服用立普妥(Lipitor)或其他降低胆固醇的药物并且改变生活方式，诸如进行锻炼并且减少对象饮食中的胆固醇消耗量。本公开还提供当患者的医疗数据在进行治疗的同时被输入到计算机系统中时评估患者的预后(prognosis)的方法。患者的医疗数据被与其他患者的信息进行比较，并且通过向下分组处理，提供患者的疾病或状况的预后。类似地，本公开提供评估患者的疾病或状况在治疗期间或之后复发的方法。患者被监视，并且患者的医疗信息被定期输入到计算机系统中，被与其他患者的医疗信息进行比较，并且通过向下分组处理，提供对潜在疾病或状况复发的评估。作为例子，可以用本文提供的方法监视处于缓解期的癌症患者，并且对癌症随时间推移而复发进行评估。本文提供的方法可以是动态的，因为患者的医疗数据可以被定期地采集和输入到计算机系统中以供与其他患者的医疗信息进行比较。通过定期向下分组处理，对患者的治疗可以被修正以提供最佳治疗过程。本文描述的方法可以用于诊断、治疗、确定对任何医学疾病或状况的治疗过程和/或监视任何医学疾病或状况。这样的医学疾病或状况的例子包括但不限于过敏症、自体免疫性疾病、细菌性疾病、病毒性疾病、内分泌疾病、癌症、心血管疾病、妊娠、心理和精神异常、以及神经系统疾病。具体的疾病状况的例子包括但不限于霍乱、白喉、莱姆病、破伤风、肺结核、伤寒、肝炎、麻疹、腮腺炎、埃博拉病毒、登革热、黄热病、阿狄森氏病、甲状腺机能亢进、狼疮、败血性休克、血流动力学休克、疟疾、炎性肠病(IBD)(诸如克罗恩氏病和溃疡性结肠炎)、炎性骨疾病、分枝杆菌感染、脑膜炎、纤维化疾病、脑缺血发作、移植排斥、动脉粥样硬化、肥胖、涉及血管再生现象的疾病、自体免疫性疾病、骨关节炎、类风湿性关节炎、强直性脊柱炎、青少年慢性关节炎、多发性硬化症、HIV、非胰岛素依赖型糖尿病、变应性疾病、哮喘、慢性阻塞性肺病(COPD)、中风、眼部炎症、炎症性皮肤病、银屑病、特应性皮炎、银屑病关节炎、双相型障碍、精神分裂症、感冒和流感。癌症的例子包括但不限于肺癌、乳腺癌、白血病、前列腺癌、卵巢癌、胰腺癌、肝癌、皮肤癌和结肠癌。神经系统疾病的例子包括但不限于阿尔茨海默病、帕金森病、帕金森障碍、肌萎缩性脊髓侧索硬化症、神经系统自身免疫病、神经系统自主性疾病、背部疼痛、脑水肿、脑血管意外、痴呆、神经系统神经纤维脱髓鞘自身免疫病、糖尿病神经病变、脑炎、脑脊髓炎、癫痫、慢性疲劳综合症、巨细胞动脉炎、格林-巴雷综合征、头痛、多发性硬化症、神经痛、周围神经系统疾病、多神经病变、多神经根神经病、神经根病、呼吸麻痹、脊髓疾病、拉塔综合征、中枢神经系统血管炎和亨廷顿氏病。图1是用于接收、分析、关联和生成大量患者医疗记录和治疗的全球医疗数据分析系统10。全球医疗数据分析系统10包括主医疗服务器12，主医疗服务器12包括智能医疗引擎14，智能医疗引擎14通信地耦接到中央数据库16，并且还通过网络18通信地耦接到第一医院20、第二医院22、诊所24和来源26。医院、诊所或医疗来源中的每个通信地耦接到两个数据库：第一保密个人数据库，其存储个人信息；以及第二数据库，其存储供医院、诊所或医疗来源使用的客观医疗数据。在该实施例中，第一医院20中的医疗计算装置28通信地耦接到第一医院数据库30和保密个人数据库32。第二医院22中的医疗计算装置34双向通信地耦接到第二医院数据库36和保密个人数据库38。不同的县、城市、州、国家、地区和洲中的其他医院也是全球医疗数据分析系统10的一部分，并且在图中用多个点表示。诊所24中的医疗计算装置40双向通信地耦接到诊所数据库42和保密个人数据库44。来源26中的医疗计算装置58双向通信地耦接到来源数据库46和保密个人数据库48。保密个人数据库32、38、44和48每个都包含与患者相关联的个人数据(例如，依法登记的姓名、社会保险号、指纹等)。本文使用的计算装置包括但不限于台式计算机、笔记本计算机和移动装置，诸如具有处理器、存储器、屏幕并且具有无线局域网(WLAN)和广域网(WAN)连接能力的便携式装置(包括智能电话(比如iPhone)、移动电话、移动装置(比如iPod)、平板计算机(比如iPad)以及基于浏览器的笔记本计算机(比如Chromebook))。移动电话配置有全部或部分操作系统(OS)软件，其提供用于运行基本和高级软件应用的平台。智能医疗引擎14全球地从不同国家、地区和洲接收浩繁的多组电子医疗记录(每个医疗记录包括患者代码和客观医疗数据)50、52、54、56。多组电子医疗记录50、52、54、56来源于医院20、22、一个或多个诊所24以及世界各地的其他医疗来源26，这些电子医疗记录被馈送到智能医疗引擎14中以供进行患者医疗记录的海量分析和关联。智能医疗引擎14配置为接收一个或多个电子医疗记录，诸如来源于多组电子医疗记录50、52、54和/或56的那些。在一实施例中，多组电子医疗记录50、52、54和56中的每个包括代码(也称为“患者代码”)和客观医疗数据。在一实施例中，客观医疗数据包括经过验证处理和质量检查的所有的患者医疗信息，诸如患者的症状、疾病(如果适用)、患者的概况、病史、医疗设备检查数据、实验室结果、生活方式习惯，但是不包将揭示患者身份的信息，例如患者的依法登记姓名、社会保险号、指纹等。智能医疗引擎14配置为通过基于一组参数将所接收的电子医疗记录与先前已存储在中央数据库16中的数据进行比较来对电子医疗记录执行分析处理。分析结果可存储在中央数据库16中或者被送回给第一医院20、第二医院22、诊所24或来源26的医生、护士或医疗人员。图2是例示说明主医疗服务器12中的智能医疗引擎14的框图，智能医疗引擎14提供计算能力以对来自世界各地大量医疗来源的浩繁的客观医疗数据进行处理、分析、分类、匹配和学习。智能医疗引擎14包括存储模块60、向下分组模块62、便携式监视医疗装置模块70、学习模块72、输入数据模块74、科学模块76、转换器模块78、电子医生80以及显示模块82。向下分组模块62配置为对电子医疗记录进行向下分组，其包括分类部件64、比较部件66、匹配部件68(也称为“过滤部件”)。存储模块60配置为将从第一医院20、第二医院22、诊所24和来源26接收的客观医疗数据存储在中央数据库16中。分类部件64配置为分析医疗记录的不同片段，诸如患者的地理位置、患者的病史、患者的疾病或症状、与患者的疾病相关联的显著参数、与患者的疾病相关联的附带或慢性参数、与患者的疾病相关联的非显著参数、与患者的疾病相关联的生活方式参数、以及与患者的疾病相关联的其他参数。比较部件66配置为比较来自所接收的客观医疗数据的每个患者以将所接收的患者的客观医疗数据与现有的存储在中央数据库16中的客观医疗数据进行匹配。过滤部件68(也称为“匹配部件”)配置为提供所接收的患者的电子医疗记录(或“患者的客观医疗数据”)和存储在中央数据库16中的大量客观医疗数据之间的不同级的过滤或匹配参数。学习模块72配置为对向下分组处理提供学习机制以及参数修改，以调整向下分组处理(或算法)从而获得针对特定患者的电子医疗记录和相关联的疾病最佳的治疗方案。输入数据模块74配置为接收多组电子医疗记录50、52、54、56和其他输入信息，诸如针对特定疾病开发的并且被医疗专业人士普遍接受的标准医疗处理的模板规程。在一实施例中，每个电子医疗记录包括患者疾病模板，其涉及与疾病、预后以及患者的医学状况或疾病的治疗相关的参数的集合。在另一实施例中，每个电子医疗记录包括患者模板，其涉及患者信息的计算机化记录，该计算机化记录被结构化为多个节段(section)(又称为“字段”)，所述节段包括以下中的至少一些：1)患者属性(例如，年龄、性别、体重)，2)呈现症状(例如，“皮疹”、“发烧”、“腹部疼痛”)，3)实验室检验(例如，“HDL水平”、“LDL水平”、“血糖”、“细菌培养”)，4)疾病/诊断(例如，“流行性感冒”、“II型糖尿病”、“肺部肿瘤”)，5)治疗后果(例如，“肿瘤生长被抑制”、“缓解”、“死亡”)，以及6)附加临床信息。(1)、(2)和(3)的组合通常被称为患者参数。用于特定患者的患者模板可以使字段中的一些或全部被填充。输入数据模块74的一个目标是接收与每种疾病相关的医疗信息，从而用作具有关于所有疾病的医疗概况的库。科学模块76配置为产生新的、改进的或合成的治疗规程(或治疗方案)。转换器模块78(也称为“通用转换器”)配置为对各种类型的医疗记录格式进行转换以实现客观医疗数据的标准化。电子医生80配置为作为人工智能/计算机医生进行操作，其基于患者的当前输入医疗数据与来自中央数据库16的现有数据的比较来提供患者的预后。显示模块82配置为将信息显示到计算机显示器中。存储模块60、向下分组模块62(包括分类部件64、比较部件66、过滤部件68)、便携式监视医疗装置模块70、学习模块72、输入数据模块74、科学模块76、转换器模块78、电子医生80、显示模块82经由总线84彼此双向通信耦接。图3A和3B是例示说明由智能医疗引擎14执行的、用于快速地将患者的电子医疗记录(诸如患者的症状或疾病)与存储在中央数据库16中的其他电子客观医疗记录进行比较的向下分组处理86的框图。在一实施例中，大量电子客观医疗记录经过向下分组处理分类成多个子组。在步骤90，智能医疗引擎配置为检索并且提取存储在中央数据库16中的大量其他患者的客观医疗数据(或其他患者的标准化模板信息)。在步骤92，针对大量其他患者的电子客观医疗记录，智能医疗引擎14配置为将某些初始关键参数，诸如患者疾病以及可选地诸如治疗方案(或者治疗规程)，与中央数据库16中的客观医疗数据相比较。中央数据库16以标准化格式存储来自全球患者的大量患者客观医疗数据。在步骤92，智能医疗引擎14配置为将来自患者模板的关键参数，诸如具有可选治疗规程(如果适用)的主疾病，与来自中央数据库16的客观医疗数据的参数相比较，并且分类成子组。在确定来自中央数据库16的客观医疗数据的族群(population)之后，通过一般从更上位(generic)的特性到详细特性的多个不同的级进行将患者模板与客观医疗数据的所选族群相匹配以便向下分组成子组的分析，诸如用显著参数、附带病、慢性病、并发症、间接参数、患者的一般状况以及患者的生活方式等开始的比较。在步骤94中的第一级比较中，智能医疗引擎14配置为比较患者模板和子组之间的第一组显著参数(也称为一次参数)，以向下分组成一个或多个第一级子组。显著参数可涉及例如来自步骤92分类的子组中的客观医疗数据的一种或多种主要疾病，诸如在特定疾病中定义的不同阶段。向下分组是用于基于一组参数对一个或多个第一子组进行过滤并且细化到另一个或多个第二子组的处理。在步骤96中的第二级向下分组中，智能医疗引擎14配置为比较患者模板和第一级子组(一个或多个)之间的第二组参数(也称为二次参数)，诸如第二疾病参数(包括附带病、慢性病和并发症参数)，以向下分组成一个或多个第二级子组，所述一个或多个第二级子组表示人数从所述一个或多个第一级子组减少。在步骤98中的第三级向下分组中，智能医疗引擎14配置为比较患者模板和所述一个或多个第二级子组之间的第三组关键参数(也称为三次参数)，诸如间接参数，以向下分组成一个或多个第三级子组，所述一个或多个第三级子组表示人数从所述一个或多个第二级子组减少。示例性第三级参数包括患者的一般状况，例如超重、睡眠不足、抑郁症、家庭压力、工作压力等。在步骤100中的第四级向下分组中，智能医疗引擎14配置为比较患者模板和所述一个或多个第三级子组之间的第四组关键参数(也称为四次参数)，诸如生活方式参数，以向下分组成一个或多个第四级子组，所述一个或多个第四级子组表示人数从所述一个或多个第三级子组减少。四次参数的例子与生活方式习惯(例如，吸烟习惯、饮酒习惯等)和生活条件相关。步骤94、96、98、100中的这些不同级的比较用作过滤器以在需要时细化当前患者模板与子组中的现有客观医疗数据匹配的特性。超过四次参数的额外级被预期，并且在本公开的精神内。在步骤102，智能医疗引擎14已经从中央数据库16确定、过滤和识别了具有与患者模板的参数最匹配的特性的少量客观医疗数据或小的类似群组。换言之，通过步骤96、98和100，中央数据库16中的大量客观医疗数据可以被向下分组为第一系列组，第一系列组可以被进一步从第一系列组向下分组为第二系列子组，第二系列子组可以被进一步从第二系列子组向下分组为第三系列子组，依此类推，直到具有与患者模板最类似特性的小的子组(或组)已经被识别为止。在步骤88，智能医疗引擎14配置为接收并提取从发送者-诸如第一医院20、第二医院22、诊所24或来源26-接收的特定患者的客观医疗数据(或患者的标准化模板信息)。在步骤103，智能医疗引擎14配置为匹配在步骤88接收的患者疾病模板，并且步骤102中的具有类似客观医疗数据的小的组提供可供用于患者的可能治疗的若干不同的规程。从类似客观医疗数据的小的组，智能医疗引擎14配置为提取一个或多个治疗规程和结果，如具有第一规程和结果的步骤104、具有第二规程和结果的步骤106以及具有第N规程和结果的步骤108所示。在步骤110，智能医疗引擎14配置为根据步骤104、106和108中的不同治疗规程和结果计算并确定每组中最有效的规程。在替代实施例中，向下分组处理可以与患者的疾病模板并行地执行。智能医疗引擎14配置为接收并提取从发送者，诸如第一医院20、第二医院22、诊所24或来源26，接收的特定患者的客观医疗数据(或患者的标准化模板信息)。智能医疗引擎14配置为接收并提取存储在中央数据库16中的大量其他患者的客观医疗数据。智能医疗引擎14配置为将患者模板中的一些初始关键参数，诸如患者的疾病，与其他患者的客观医疗数据的参数进行比较以选择中央数据库16中的、可能与所接收的患者的客观医疗数据相关的客观医疗数据的族群。中央数据库16以标准化格式存储来自全球患者的大量患者客观医疗数据。智能医疗引擎14配置为将来自患者模板的关键参数，诸如具有可选的治疗规程(如果适用)的主要疾病，与来自中央数据库16的客观医疗数据的参数进行比较，并且分类为子组。在确定来自中央数据库16的客观医疗数据的族群之后，通过一般从更上位的特性到详细特性的多个不同的级进行将患者模板与客观医疗数据的所选族群相匹配以便向下分组成子组的分析，诸如用显著参数、附带病、慢性病、并发症、间接参数、患者的一般状况以及患者的生活方式等开始的比较。在第一级比较中，智能医疗引擎14配置为比较患者模板和子组之间的第一组显著参数(也称为一次参数)，以向下分组成一个或多个第一级子组。显著参数可涉及例如来自所分类的子组中的客观医疗数据的一种或多种主要疾病，诸如在特定疾病中定义的不同阶段。向下分组是用于基于一组参数对一个或多个第一子组进行过滤并且细化到另一个或多个第二子组的处理。在第二级向下分组中，智能医疗引擎14配置为比较患者模板和第一级子组(一个或多个)之间的第二组参数(也称为二次参数)，诸如第二疾病参数(包括附带病、慢性病和并发症参数)，以向下分组成一个或多个第二级子组，所述一个或多个第二级子组表示人数从所述一个或多个第一级子组减少。在第三级向下分组中，智能医疗引擎14配置为比较患者模板和所述一个或多个第二级子组之间的第三组关键参数(也称为三次参数)，诸如间接参数，以向下分组成一个或多个第三级子组，所述一个或多个第三级子组表示人数从所述一个或多个第二级子组减少。示例性第三级参数包括患者的一般状况，例如超重、睡眠不足、抑郁症、家庭压力、工作压力等。在第四级向下分组中，智能医疗引擎14配置为比较患者模板和所述一个或多个第三级子组之间的第四组关键参数(也称为四次参数)，诸如生活方式参数，以向下分组成一个或多个第四级子组，所述一个或多个第四级子组表示人数从所述一个或多个第三级子组减少。四次参数的例子与生活方式习惯和生活条件相关。这些不同级的比较用作过滤器以在需要时细化当前患者模板与子组中的现有客观医疗数据匹配的特性。超过四次参数的额外级被预期，并且在本公开的精神内。智能医疗引擎14已经从中央数据库16确定、过滤和识别了具有与患者模板的参数最匹配的特性的少量客观医疗数据或小的类似群组。换言之，中央数据库16中的大量客观医疗数据由此可以被向下分组为第一系列组，第一系列组可以被进一步从第一系列组再向下分组为第二系列子组，第二系列子组可以被进一步从第二系列子组向下分组为第三系列子组，依此类推，直到具有与患者模板最类似特性的小的子组已经被识别为止。具有类似客观医疗数据的小的组提供可用于与患者模板相关联的患者的可能治疗的若干不同规程。从类似客观医疗数据的小的组，智能医疗引擎14配置为提取一个或多个治疗规程和结果，如第一规程和结果、接着是第二规程和结果、以及第N规程和结果。智能医疗引擎14配置为根据不同的治疗规程和结果计算并确定每组中最有效的规程。可选地，智能医疗引擎14中的科学模块76配置为研究并产生新的或合成的方案以增强可用于步骤112的匹配的全部治疗方案。例如，医疗公司可以进行临床试验或者进行关于疾病的一些研究以发现可以独立于或依赖于可用规程的新的科学规程。图4A是例示说明关于图3A-3B的多级向下分组处理的图画示意图。智能医疗引擎14配置为通过提供第一级向下分组94、第二级向下分组96、第三级向下分组98和第四级向下分组100来执行计算机向下分组处理，以通过利用来自中央数据库16的其他患者客观医疗数据的大型池来生成用于患者的一个或多个推荐治疗方案。四级向下分组处理旨在作为示例，在不脱离本发明的精神的情况下，可以实施附加的向下分组级或者数量减少的向下分组级。在一实施例中，向下分组是找到一个族群的子集的处理，这些子集既具有可观察或可测量参数(一个或多个)(例如，年龄、重量、白血球计数、胆固醇等)上的共同值(一个或多个)，又具有例如对于治疗(例如，斯达汀给药方案或特定化疗)的共同医疗后果。本发明一实施例涉及自动向下分组，其要求自动地识别将组划分为子组的参数，其中每个子组对至少一种特定医疗处理更加同性质地作出反应。为了在不同的医疗领域中执行系统化向下分组，一个有力的实施例是依赖于信息理论。考虑基于单个参数的向下分组。设G为原始(通常是大的)患者组。设A为治疗或程序的期望医疗后果(例如，作为化疗结果的肿瘤直径收缩，或者作为斯达汀药物剂量结果的LDL血胆固醇水平下降)。设p为组G中的典型患者的目标后果的概率。针对患者组G定义并且从以下公式计算G的香农熵，其中p(t(qi)＝R)是接收治疗t的患者qi将具有后果R的概率，H(G)是患者组G的熵：H(G)=-Σi=1,...|G|p(t(qi)=R)log2(p(t(qi)=R))]]>熵是“紊乱”或可变性的度量。熵越小，组更加同性质。因为向下分组力求子组同质性，所以该方法基于产生最同质性的子组的参数，即最大地减小熵的参数，来对G进行向下分组。为此，我们使用条件熵(conditionalentropy)，条件熵是当特定参数x具有给定阈值以上(或以下或相等)的值时G的子组的熵。H(G|x＞thresh(x))例如，以上G可以是60岁以上的所有患者，或者平均血糖水平超过医学上定义的阈值(thresh)x的所有糖尿病患者。然后，下一步是找到最大地减小总熵(即，借助于所选参数的值划分的所得子组的熵的和)的参数。在数学上，使向下分组自动化的该划分处理被称为信息增益，其被定义为：I(G,A)＝H(G)-Argminx∈X[H(G|x＞thresh(x)]换句话说，向下分组处理寻找具有最大信息增益-即用作向下分组的标准时最大的熵减小-的参数x。因为存在患者的许多潜在参数，其大部分记录在患者的电子医疗记录中，所以向下分组处理可以每一个自动地以确定哪个参数生成关于期望医疗后果来说最大的信息增益，因此确定哪个参数将原始组G向下分组为再次关于所讨论的医疗后果来说最同性质的子组。一替代实施例是根据临床知识，基于提前选择的候选参数定义向下分组的多个级。在该实施例中，在每个级上计算和优化信息增益，因为如例如在图3A-3B、4A-4E以及22-27中所示的那样，每一级只考虑几个参数，即，被预定义为属于各个级的那些参数，所以节省了计算，并且加快了响应时间。相关的并且更为全面的实施例可基于如下的基于多个患者参数x1,…,xk的对条件香农熵的扩展：H(G|x1＞thresh(x1),...,xk＞thresh(xk)然后，信息增益变为：I(G,A)=H(G)-Argmaxxi∈X[H(G|x1>thresh(x1),...,xk>thresh(xk)]]]>该扩展方法在计算上更复杂，因为为了找到一起最佳地对患者组G进行向下分组的一组属性，必须考虑属性的不同组合。一实施例是考虑参数的多达目标数量N的所有可能组合。另一实施例是依赖于临床知识来预先选择考虑参数的哪些组合是明智的，以便减轻计算负担并且加快响应时间。在所有情况下，向下分组可以是级联的，也就是说，组G可以被向下分组为子组G1、G2和Gs，这些子组中的任一个可以分别被进一步向下分组，例如，子组G1进一步向下分组为G1,a、G1,b和G1,c，子组G2进一步向下分组为G2,a和G2,b。如图4A所示，向下分组处理进一步继续进行(或重复)，直到关于一个或多个治疗的医疗后果(一个或多个)来说找到充分同性质的子组为止。当没有预先提供明确的向下分组的级时，或者当临床医生希望探索分析电子医疗数据的多种方式时，向下分组为更小的并且更同性质的子组的自动化向下分组级联是特别有用的。例如，为了评估患者的动脉粥样硬化的风险以确定治疗，医生将查看若干血因子(或参数)来确定患者的风险。·LDL——理想地，你的LDL胆固醇水平应小于130mg/dL(3.4mmol/L)，优选地在100mg/dL(2.6mmol/L)以下·HDL——你的HDL胆固醇水平应为60mg/dL(1.6mmol/L)或更高·甘油三酯——美国心脏协会(AHA)推荐100mg/dL(1.1mmol/L)的甘油三酯水平·C-反应蛋白——高风险(3.0mg/L以上)、平均风险(1.0至3.0mg/L)在一实施例中，基于系统中的从具有类似病史、症状和状况以及他们使用特定治疗过程的成功和/或失败的其他患者获得的数据来获得患者的疾病和治疗过程。通过对患者输入参数的比较、分类和向下分组的迭代处理，系统提供用于患者的疾病和治疗过程。作为例子，被诊断患有癌症的患者具有若干治疗选项，诸如激素治疗、放射治疗、生物靶向治疗、化疗和外科手术。然而，根据患者的病史、以前的诊断检验结果以及特定癌症类型，选项中的一个或多个可能是不适合的。本文公开的方法使得医师能够访问关于其他患者的信息。基于系统中汇编的具有类似病史、症状和状况的其他患者的医疗信息和治疗过程的成功率，健康护理提供者可以为寻求治疗的癌症患者推荐一个或多个合适的治疗选项。该系统使用的迭代处理涉及用于确定用于被诊断患有疾病，诸如癌症，的患者的治疗过程(包括治疗规程或治疗方案)的若干级的向下分组。与被诊断患有癌症的患者相关联的因素和症状被作为参数输入到系统中。用于第一级向下分组的与癌症相关联的参数的例子可以包括直接参数，诸如：(1)癌症细胞类型；2)癌症的阶段；3)癌症的分级；(4)以及患者一般状况，例如，柯氏人体机能状态量表指数(KarnofskyPerformanceScaleIndex)，http://www.pennmedicine.org/homecare/hcp/elig_worksheets/Karnofsky-Performance-Status.pdf。用于第二级向下分组的参数的例子可以包括分子级癌症信息，诸如特定肿瘤标记的存在以及与癌症相关联的并发症。用于第三级向下分组的参数的例子可以包括患者的其他医学状况。用于第四级向下分组的参数的例子可以包括患者的生活方式和习惯。向下分组可以在计算机系统中执行和存储，并且可以周期性更新。向下分组可以在将新的患者疾病模板输入到计算机系统中之前或之后执行。医疗信息被作为患者疾病模板获得。新的患者模板是指之前未通过智能医疗引擎14处理的人，或者之前已经被智能医疗引擎14处理，但是现在具有新疾病(或者新的治疗方案或治疗规程)的人。作为例子，用于乳腺癌的第一级参数可以包括诸如以下的肿瘤特征：(1)侵润(invasive)或原位；2)如果侵润，则肿瘤是否已经转移；(3)导管的或小叶的；(4)阶段(肿瘤的程度)；以及(5)分级(癌细胞的外观)。用于乳腺癌的示例性第二级参数可以包括肿瘤标记的存在，诸如雌激素受体(ER)、孕激素受体(PR)、人表皮生长因子受体2(HER2)、癌抗原15-3(CA15-3)、癌抗原27.29(CA27.29)、癌坯抗原(CEA)、尿激酶纤溶酶原激活物(μPA)以及纤溶酶原激活物抑制剂(PAI-1)。肿瘤标记的存在提供关于肿瘤的分子级信息，并且通常用于确定治疗过程。为了示例，ER和PR的存在指示乳腺癌细胞为了生长而需要雌激素和孕激素，激素疗法(阻止这些激素)可能是有效的治疗。乳腺癌患者中蛋白HER2的存在指示阻止HER2的抗HER2(赫赛汀Herceptin)治疗可能是有效的治疗。在具有转移性乳腺癌的患者中发现癌抗原、CA15-3、CA27.29和CEA。高于正常水平的μPA和PAI-1可以指示癌症是侵略性的。用于乳腺癌的示例性第三级参数可以包括患者的一般状况，诸如年龄、乳腺癌(如果复发)和卵巢癌的个人历史、乳腺癌的家族历史、继承风险和遗传风险(乳腺癌基因1或2(BRCA1或2)中的突变的存在)、对雌激素和孕激素的暴露、更年期之后的激素替代疗法、口服避孕药、种族和民族。示例性第四级参数可以包括患者的生活方式和习惯，诸如体重、身体活动水平、饮酒量和摄食量(水果蔬菜对动物脂肪)。在第四级向下分组结束时，计算机系统提供类似患者组的客观医疗数据。输入到计算机系统中的新患者的医疗信息被与已经通过向下分组而分类为子组的客观医疗数据进行比较以获得匹配，用于确定包括治疗规程或治疗方案的治疗过程。计算机系统分析数据，并且为新患者提供最有效的或最佳的治疗过程，包括治疗规程或治疗方案。尽管论述了客观医疗数据和患者参数，但是本发明一替代实施例基于用附加属性增补患者参数，所述附加属性是可观察患者参数的变换和组合。例如，参数值可以被转换为全体患者族群的或向下分组的子组患者族群的百分比。变型是在作为整体的患者族群或向下分组的子组患者族群上重新将属性归一化到0至1标度。对属性a和参数p的归一化计算对应于以下公式：a=actual(p)-min(p)max(p)-min(p)]]>另外，属性可以包括患者参数的比值或其他函数组合，诸如乘积、差值、平均值、和等。对患者的向下分组处理的益处是在患者已经找到他的子组或小的子组之后对信息的使用。与向下分组的子组的匹配提供关于所有可用治疗方案的全部信息以及对最有效治疗方案的指示。匹配输出概括了每个可用治疗方案的长期结果和短期结果，包括任何时间段的临床状况动态(dynamics)信息、任何时间段的显著参数平均动态信息、任何时间段的任何特定参数平均动态信息、任何时间段的该组中的死亡率信息。有可能将要调查来自你的组的所有完整患者文件中的任何一个以获悉任何一个患者参数的具体动态。向下分组处理提供了解任何并发症、附带病、慢性病或主要病在短期和长期时间段内的风险的统计数据、以及所调查的其每个按患者时间段的统计百分比。该向下分组信息向患者提供在可能的并发症和疾病开始之前最小化或防止它的潜在可能性。向下分组信息还便于患者找到任何区域的、在你的特定子组中具有最好结果的最好医生或最好医院。所有这些激励(incentive)用作让患者购买使用该计算机分析系统的订阅的强烈动机。图4B是例示说明用于通过处理大量患者的客观医疗数据102来执行向下分组处理的示例性菜单的框图。在第一级向下分组94期间，智能医疗引擎14配置为通过使用一个或多个显著参数114来对患者组G进行过滤，以将G向下分组为第一级子组G1、G2、…、Gs115。第一组显著参数114包括与诊断或疾病相关的一次参数，诸如肿瘤大小、侵润(invasion)、淋巴结、肿瘤转移、症状、胸痛以及呼吸短促。在所示的示图中，符号SP1至SPn的列表表示用于特定疾病的现有显著参数114，例如，被诊断患有肺癌2期的患者具有阳性显著参数(或以下范围内的值)，诸如出血症状(SP2)、肿瘤直径尺寸大于3cm但是小于或等于5cm(SP4)、肿瘤转移到同侧支气管周围和/或肺门淋巴结(SP5)、血红蛋白水平(SP6)以及其他SP12、SP14。用指定的显著参数114缩减的一个或多个子组与一组对应的治疗规程116相关联，在这个特例中，诸如为袖式切除外科手术(规程A)、化疗(规程B)或放射疗法(规程C)。在下一级或第二级向下分组96中，智能医疗引擎14配置为基于第二级参数(包括附带病、慢性(历史)病和/或并发症参数)117来执行第二级向下分组，以将第一级子组G1、G2、…、Gs向下分组为一个或多个第二级子组118G1a、G1b、G2a、G2b、…118。在这个特例中，附带病、慢性病和/或并发症参数117包括慢性阻塞性肺病(CDP1)和肺结核(CDP2)。用指定的第二级参数117缩减的一个或多个第二级子组118与一组对应的治疗规程110相关联，诸如放射疗法(规程C)和靶向疗法(规程D)，不包括来自第一级向下分组的袖式切除法(规程A)和化疗(规程B)。这些规程将可能优化患者对治疗的反应的期望后果。在下一级或第三级向下分组98期间，智能医疗引擎14配置为基于一组第三级间接(或非显著)参数来进行第三级向下分组，以从一个或多个第二级子组向下分组为一个或多个第三级子组124。间接参数包括感觉无力(NSP1)、口腔干燥(NSP3)和出汗(NSP7)。用指定的间接参数122缩减的一个或多个第三级子组与一组对应的治疗规程126相关联。在下一级或第四级向下分组100期间，智能医疗引擎14配置为通过使用一组生活方式参数130以及可选地使用对应的治疗规程134来执行第四级向下分组，以从一个或多个第三级子组向下分组为一个或多个第四级子组132。生活方式参数130包括例如吸烟(LSP5)、消防职业(LSP8)，在该子组中，化疗(治疗规程B)最大化程序的期望后果。医生将患者的临床参数表单提交给主医疗服务器12处的智能医疗引擎14以用于运行向下分组处理。智能医疗引擎14配置为将患者的参数与中央数据库16中的其他患者的电子医疗记录进行比较，并且滤除具有较少类似参数集合的无关组，得到减小的具有共同参数的一个或多个子组108。图4C是例示说明作为对不同治疗规程的反应的、子组的显著参数变化和治疗后果的框图。存在三个示例性的子组I141、子组II142和子组III143，这些子组具有作为对不同治疗规程135A、135B、137C的程序的反应的显著参数(例如，肿瘤大小、血细胞数)变化以度量治疗程序的后果。在这个例子中，癌症治疗的最期望的后果141a是指完全或部分反应，或者癌症或肿瘤整个消失，或者肿瘤收缩一百分比，但是疾病仍存在。较不期望的后果141b是指疾病的生长稳定的状况，其中肿瘤大小保持不变，或者肿瘤既没有有意义地生长，也没有有意义地收缩。最不期望的后果141c是指疾病恶化，其中癌症肿瘤已经生长，并且疾病区域已经扩大。例如，子组I141对治疗规程B136的反应(显著参数变化)是具有作为最可取治疗的后果，治疗规程A135作为较不期望的后果141b，治疗规程C137作为最不期望的后果141C。对于子组II142，治疗规程A135导致最期望的后果142a，治疗规程C137作为较不期望的后果142b，治疗规程B具有最不期望的后果142c。子组III143具有作为最期望的后果的治疗规程C，治疗规程A135作为较不期望的后果143b，治疗规程B具有最不期望的后果143c。图4D是例示说明对于具有相同治疗规程的两个子组显著参数如何改变的动态过程的曲线图。矩形框表示第一子组141，三角形表示第二子组。对于子组I141，第一显著参数151a可以与例如治疗规程B136(例如，化疗)的治疗周期期间的肿瘤大小变化有关，其中显著参数读数没有指示肿瘤已经收缩一百分比。对于子组II142，显著参数151a可以在规程B136(例如，化疗)的治疗周期内变化，其中显著参数的读数指示癌症已经生长。其他显著参数151b、151c、151d和151e提供影响子组分类特性的某些显著参数的变化的进一步的示例性动态。图4E是例示说明对同一患者或不同患者的三种示例性场景155a、156b、157a的框图。向下分组处理是参数和治疗规程之间的连续动态变化。符号◆1所示的第一时间轴时刻(timelinejuncture)涉及疾病(诸如肺癌)的阶段进展，例如，阶段IIA表示在从阶段I至阶段IV的整个癌症周期上疾病的一个阶段。符号◆2所示的第二时间轴时刻涉及在3个月内具有三个化疗治疗周期的治疗规程或治疗方案。符号◆3所示的第三时间轴时刻涉及治疗周期期间或之后的治疗反应评估和新治疗规程。如果评估的反应是显著参数(诸如肿瘤大小、血细胞数)变化，则最大化对具有共同参数的组期望的治疗后果的治疗规程被开为处方。符号◆4所示的第四时间轴时刻涉及疾病发展速度或复发时间，例如手术和化疗后5年。存在三种示例性场景155a、156a、157a，其反映在整个治疗方案中处于不同状态的同一患者和预后，以及对应的治疗规程A155b、B156b、C157b，例如，第一场景155a中的被诊断患有肺癌2期的患者，具有显著参数和对应的规程A155b，诸如治疗选项评估和由于老年而导致的药物使用、药物/药剂过敏历史。在一段时间之后，同一患者处于治疗后显著参数测量表明疾病量保持不变的第三场景157a，产生新的对应治疗规程C(二线疗法/改为不同药物)。替代地，这三种时间轴场景155a、156a、157a可表示三种不同数量的患者，其中每个患者代表具有与该患者的疾病模板相关联的显著参数和治疗规程的一种场景。如果向下分组处理产生其中患者对所选治疗的反应在统计上并不彼此显著不同的子组，则在一实施例中，这些子组应被合并。统计显著性可以以许多方式度量；标准方式是应用公知的t测试，优选地是在给定显著水平的两侧(或两尾)t测试。在特定实施例中，该显著水平将为p<.05。向下分组处理已经被描述为在可能很大的客观医疗数据集合上发生。然而，当该数据随时间变化时，主要通过添加新的目标医疗记录——不管涉及已有患者、新患者还是两者，向下分组处理可能需要周期性地重复以刷新子组，并且可能创建新的子组。在一实施例中，当与新的或已有的患者对应的多个客观医疗数据被添加到系统的储存器以产生任何子组的熵的显著变化时，触发附加的向下分组。变化可能针对不同疾病在不同水平是临床上显著的，但是一般地，如果基于新的患者客观医疗数据，相对于患者对治疗的反应来说变化大于百分之三(3％)，则变化被说成是视为显著的变化。如医师和本领域其他技术人员将意识到的那样，治疗的后果可用以下项来表征：单个记号(token)(例如，“无埃博拉病毒”或“缓解”)、数字(例如，在用蛋白酶抑制剂和其他抗病毒药物治疗HIV之后的所得病毒载量)、或者表示在不同时间点的不同值的矢量(例如，每几个月测量的相同病毒载量、或者在放射治疗之后每几周测量的肿瘤直径)。该矢量对应于患者的疾病随着患者进行治疗的轨迹，因为它测量治疗在多个时间点的后果。对于分层级的向下分组，不管是经由预定的向下分组级，还是经由自动化向下分组级联处理，本公开提供使用这些向下分组来找到具有与新患者相同或类似参数的先前患者的方式，临床医生希望从这些先前患者确定一个或多个有效治疗选项。一般来说，对于具有一组被测参数{y1,y2,…,yk