Способ и система компьютерной стратификации пациентов на основе сложности случаев заболеваний

Авторы патента:

ЛИ Майкл Чунь-чи (NL)

БОРОЦКИ Лилла (NL)

G06T7/00 - Анализ изображения, например из побитового к непобитовому изображению

G06F19/00 - Устройства или способы цифровых вычислений или обработки данных для специальных применений (G06F 17/00 имеет преимущество)

G06F17/30268 - Устройства или методы цифровых вычислений или обработки данных, специально предназначенные для специфических функций

A61B6/00 - Приборы для радиодиагностики, например комбинированные с оборудованием для радиотерапии (рентгеноконтрастные препараты A61K 49/04; препараты, содержащие радиоактивные вещества A61K 51/00; радиотерапия как таковая A61N 5/00; приборы для измерения интенсивности излучения, применяемые в ядерной медицине, например измерение радиоактивности живого организма G01T 1/161; аппараты для получения рентгеновских снимков G03B 42/02; способы фотографирования в рентгеновских лучах G03C 5/16; облучающие приборы G21K; рентгеновские приборы и их схемы H05G 1/00)

Владельцы патента RU 2687760:

КОНИНКЛЕЙКЕ ФИЛИПС Н.В. (NL)

Группа изобретений относятся к медицинской технике, а именно к средствам медицинской диагностики, реализуемым с помощью компьютеров. Способ ранжирования случаев заболеваний пациентов в соответствии с уровнями сложности диагностирования содержит: извлечение из базы данных визуализирующего исследования пациента, установление патологии на изображении, анализ демографических и клинических данных, расчет показателя компьютерной стратификации для каждого случая заболевания в зависимости от установленной патологии и демографических и клинических данных и выдачу ранжированного списка случаев заболеваний пациентов согласно соответствующим оценкам стратификации, присвоенным каждому случаю заболевания, хранение ранее диагностированных случаев заболеваний в базе данных, оценку точности ранее установленного диагноза, выполнение классификатора, который генерирует показатель точности, указывающий на точность диагноза, прием информации о типе каждого случая заболевания и генерацию показателя стратификации. Способ осуществляется с использованием системы, содержащей модуль компьютерной стратификации и процессор. Кроме того, система содержит машиночитаемый носитель, который хранит выполняемые системой команды, описанные в способе. Использование группы изобретений позволяет облегчать стратифицирование случаев заболеваний пациентов в соответствии с потенциальными уровнями сложности диагноза. 3 н. и 12 з.п. ф-лы, 5 ил.

Настоящее изобретение относится к методам медицинской диагностики, в частности, реализуемым с помощью компьютеров. Однако следует понимать, что описанные методики также применимы к другим системах диагностирования пациентов, другим способах диагностирования, другим методикам стратификации и т.д.

Точный диагноз является важным для управления ходом заболевания и определения терапии для пациента. Чтобы установить точный диагноз, врачи часто проводят много времени за чтением, изучением и составлением рекомендаций для «сложных», то есть необычных или комплексных, случаев заболеваний. С другой стороны, в более простых случаях диагноза врач может очень быстро установить диагноз и составить рекомендации для последующих действий. Сказанное в особенности справедливо для врачей-интернов, когда они сталкиваются со сложными случаями заболеваний и часто нуждаются в помощи более опытного коллеги. Таким образом, может существовать значительная разница в количестве времени и усилиях, затрачиваемых врачом для оценки сложного случая по сравнению с простым случаем. Примером этого является ситуация, когда радиолог должен оценить изображение, на котором хорошо видно поражение, а его злокачественный характер является очевидным, по сравнению со случаем, когда поражение является сложным и обладает смешанными злокачественными и доброкачественными характеристиками.

В медицинской радиологической практике радиолог обычно работает по ежедневному рабочему листу, который хранится в радиологической информационной системе (RIS) или в системе архивации и передачи изображений (PACS) и в который включены пациенты, недавно прошедшие визуализирующее исследование. Указанные системы обычно не учитывают «сложность» случая заболевания, сортировка пациентов выполняется только по типам исследований, и не обращается внимание на то, что конкретный случай может оказаться сложным для диагностирования или нет. Обычные системы способны только сортировать и представлять случаи заболеваний по методикам визуализирующих исследований и по медицинской специализации. Например, они могут сортировать случаи заболеваний только по органам (например, грудь или молочная железа, печень и т.д.) и/или только по методикам визуализирующих исследований (КТ, рентгенография, УЗИ, МРТ-ДКУ и т.д.).

Настоящая заявка предлагает новые и усовершенствованные системы и способы, которые облегчают стратифицирование случаев заболеваний пациентов в соответствии с потенциальными уровнями сложности диагноза, благодаря чему решаются указанные выше и другие проблемы.

В соответствии с одним аспектом, способ ранжирования случаев заболеваний пациентов в соответствии с уровнями сложности включает для каждого из множества случаев заболеваний пациентов: извлечение из базы данных визуализирующего исследования пациента; установление патологии на изображении пациента, включенном в указанное визуализирующее исследование; анализ демографических и клинических данных пациента; и расчет показателя компьютерной стратификации для данного случая заболевания пациента в зависимости от установленной патологии и демографических и клинических данных пациента. Данный способ дополнительно включает выдачу ранжированного списка случаев заболеваний пациентов согласно соответствующему показателю стратификации, присвоенному каждому случаю заболевания пациента. Кроме того, данный способ включает: хранение множества ранее диагностированных случаев заболеваний пациентов в базе данных; оценку точности ранее установленного диагноза для указанного множества ранее диагностированных случаев заболеваний пациентов; выполнение классификатора, который генерирует показатель точности, указывающий на точность диагноза для каждого из множества типов случаев заболеваний пациентов; и прием информации о типе текущего случая заболевания пациента и генерацию показателя стратификации для текущего случая заболевания пациента на основании типа текущего случая заболевания пациента и показателя точности для этого типа.

В соответствии с другим аспектом, система, облегчающая ранжирование случаев заболеваний пациентов в соответствии с уровнями сложности, включает модуль компьютерной стратификации, включающий процессор, выполненный с возможностью для каждого из множества случаев заболеваний пациентов: извлекать из базы данных визуализирующие исследования для пациента; устанавливать патологию на изображении пациента, включенном в указанное визуализирующее исследование; анализировать демографические и клинические данные пациента; и рассчитывать показатель компьютерной стратификации для данного случая заболевания пациента в зависимости от установленной патологии и демографических и клинических данных пациента. Указанный процессор дополнительно выполнен с возможностью вывода (например, на пользовательский интерфейс, принтер и т.д.) ранжированного списка случаев заболеваний пациентов согласно соответствующему показателю стратификации, присвоенному каждому случаю заболевания пациента. Указанная система дополнительно включает машиночитаемый носитель, который хранит множество ранее диагностированных случаев заболеваний пациентов; причем процессор дополнительно выполнен с возможностью: оценивать точность ранее установленного диагноза для указанного множества ранее диагностированных случаев заболеваний пациентов; выполнять классификатор, который генерирует показатель точности, указывающий на точность диагноза для каждого из указанного множества типов случаев заболеваний пациентов; и принимать информацию о типе текущего случая заболевания пациента; и генерировать показатель стратификации для текущего случая заболевания пациента на основании указанного типа текущего случая заболевания пациента и указанного показателя точности для этого типа.

В соответствии еще с одним аспектом, машиночитаемый носитель хранит выполняемые компьютером команды для ранжирования случаев заболеваний пациентов в соответствии с уровнями сложности, где указанные команды включают для каждого из множества случаев заболеваний пациентов: извлечение из базы данных визуализирующего исследования для пациента; установление патологии на изображении пациента, включенном в указанное визуализирующее исследование; анализ демографических и клинических данных пациента; и расчет и присвоение показателя компьютерной стратификации для данного случая заболевания пациента в зависимости от установленной патологии и демографических и клинических данных пациента. Данные команды дополнительно включают выдачу ранжированного списка случаев заболеваний пациентов согласно соответствующему показателю стратификации, присвоенному каждому случаю заболевания пациента. Кроме того, эти команды включают: хранение множества ранее диагностированных случаев заболеваний пациентов в базе данных; оценку точности ранее установленного диагноза для указанного множества ранее диагностированных случаев заболеваний пациентов; выполнение классификатора, который генерирует показатель точности, указывающий на точность диагноза для каждого из множества типов случаев заболеваний пациентов; и прием информации о типе текущего случая заболевания пациента и генерацию показателя стратификации для текущего случая заболевания пациента на основании типа текущего случая заболевания пациента и показателя точности для этого типа.

Одним преимуществом является улучшение равномерности рабочей нагрузки врача.

Другим преимуществом является возможность идентификации сложных диагнозов для дополнительного рассмотрения.

После изучения представленного ниже подробного описания специалистам в данной области техники станут очевидными и другие преимущества настоящего изобретения.

Данные чертежи представлены только с целью иллюстрации различных аспектов настоящего изобретения и не должны рассматриваться как ограничивающие.

ФИГУРА 1 иллюстрирует систему, которая помогает выполнять компьютерную стратификацию пациентов для ранжирования пациентов по сложности случаев заболеваний в соответствии с одним или более аспектами, описанными в данном документе.

ФИГУРА 2 иллюстрирует способ выполнения компьютерной стратификации уровней сложности диагноза для множества случаев заболеваний пациентов с использованием данных ретроспективной диагностической достоверности в соответствии с одним или более аспектами, описанными в данном документе.

ФИГУРА 3 иллюстрирует способ выполнения компьютерной стратификации уровней сложности диагноза для множества случаев заболеваний пациентов в зависимости от анализа параметров поражения в соответствии с одним или более аспектами, описанными в данном документе.

ФИГУРА 4 иллюстрирует способ выполнения компьютерной стратификации уровней сложности диагноза для множества случаев заболеваний пациентов с помощью компьютерной медицинской диагностики (КМД) в соответствии с одним или более аспектами, описанными в данном документе.

ФИГУРА 5 иллюстрирует способ выполнения компьютерной стратификации уровней сложности диагноза для множества случаев заболеваний пациентов в соответствии с одним или более аспектами, описанными в данном документе.

Описанные системы и способы решают указанные выше проблемы путем стратифицирования случаев заболеваний пациентов по уровням сложности, связанных с диагнозами пациентов. Например, чтобы добиться максимальной эффективности и точности в работе, запись случая заболевания в рабочий лист врача включает уровень сложности как фактор. Например, простые случаи заболеваний могут быть переданы врачам-интернам, а более сложные случаи заболеваний направляются более опытным специалистам. В другом примере вся совокупность случаев заболеваний может равномерно распределяться между разными врачами. Таким образом, данное изобретение облегчает выполнение оценки уровня сложности случая заболевания и внедрение результата этой оценки для корректировки рабочего процесса в медицинском учреждении. Например, случаи заболеваний пациентов передаются конкретному врачу не только исходя из органа тела человека или методики визуализации, но также в зависимости от уровня сложности диагноза. В другом варианте реализации, если установлено, что случай заболевания очень сложный, создается предупреждающий сигнал, например, предупреждающий сигнал, который рекомендует осмотр пациента вторым врачом, и/или когда данный случай заболевания является полезным обучающим примером.

ФИГУРА 1 иллюстрирует систему 10, которая помогает выполнять компьютерную стратификацию пациентов для ранжирования пациентов по сложности случаев заболеваний в соответствии с одним или более аспектами, описанными в данном документе. Данная система получает в качестве входных данных случай заболевания текущего пациента, который необходимо оценить с точки зрения конкретного клинического вопроса. Такой случай заболевания может включать информацию о пациенте или данные, содержащие демографические сведения о пациенте, клинические данные, данные текущего визуализирующего исследования и т.д. База 12 данных хранит информацию о пациенте, включая, в числе прочего, демографические сведения, например пол, возраст, этническую принадлежность и т.д. Такая база данных также хранит клинические данные каждого из множества пациентов, которые могут включать, например, семейный анамнез, медицинский анамнез, причину проведения визуализирующего исследования, текущее состояние пациента, симптомы, выполняемую терапию, факторы риска и т.д. Также в базе данных хранятся полученные данные проведенных визуализирующих исследований для одного или более пациентов, включая, например, срезы, или сканы, КТ, срезы МРТ, срезы ПЭТ, срезы ОФЭКТ, фотографии УЗИ, рентгенограммы и т.д.

Клинический вопрос может быть широко определен как задача скрининга (например, выявление патологий и т.п.), диагностическая задача (например, определение природы и/или злокачественного характера патологий) или задача оценки (например, измерения, оценка течения болезни и/или эффективности лечения). Указанный вопрос можно дополнительно сузить путем указания положения(ий) на изображении для оценки, такого как орган тела, в котором выполняется поиск патологий (например, поражений в груди) или оценивается специфическая опухоль. Эта информация может быть включена в метаданные, связанные с информацией о пациенте или изображении (например, в личном поле стандарта DICOM или в интерпретируемом компьютером сегменте клинического комментария).

Данная система также включает процессор 14, который выполняет выполняемые компьютером команды по выполнению различных функций, способов, методик, приложений и т.п., описанных в данном документе, и память 16, которая их хранит. Память 16 может быть машиночитаемым носителем, на котором хранится управляющая программа, таким как диск, жесткий диск и т.д. Машиночитаемые носители в общем случае включают, например, дискеты, гибкие диски, жесткие диски, магнитную ленту и другие магнитные запоминающие носители, CD-ROM, DVD и другие оптические носители, ОЗУ, ПЗУ, ППЗУ, СППЗУ, флэш-СППЗУ, их варианты, другие микросхемы или картриджи памяти и любые другие материальные носители информации, с которых процессор 14 может считывать и выполнять команды. В данном контексте система 10 может быть реализована в пределах или как один или более компьютеров общего назначения, специализированный компьютер(ы), программируемый микропроцессор или микроконтроллер и элементы периферийной ИС, специализированная или другая интегральная микросхема, цифровой сигнальный процессор, аппаратно-реализованная электронная или логическая схема, такая как схема с дискретными элементами, программируемое логическое устройство, такое как ПЛИС, ПЛМ, ППВМ, графический процессор (ГП) или ПМЛ и другие.

Модуль 18 компьютерной стратификации (ВКС) работает на данных 12 случаев заболеваний и генерирует показатель 20 стратификации. Такой показатель может быть количественным (например, от 0 до 100 баллов) или категориальным (например, «легкий», «средний» и «сложный»). В одном варианте реализации для генерирования показателя стратификации модуль ВКС использует данные визуализирующих исследований. В другом вариант реализации модуль ВКС также использует демографические сведения и другую не относящуюся к визуализирующим исследованиям информацию, которая была указана выше. Модуль 18 компьютерной стратификации генерирует показатель стратификации, который используется для ранжирования случая заболевания пациента исходя из ожидаемого уровня сложности случая заболевания в отношении клинического вопроса. В другом варианте реализации модуль 18 ВКС рассчитывает показатель стратификации, который оценивает уровень сложности при описании признаков и особенностей данного поражения.

Модуль 18 ВКС выдает ранжированный список 21 пациентов, который может быть отранжирован в соответствии с показателями стратификации (например, с уровнем сложности постановки диагноза), связанными с соответствующими случаями заболеваний пациентов. Такой список пациентов может также включать, например, предупреждающие сигналы, рекомендующие осмотр пациента вторым врачом (например, заключение другого специалиста) для указанных случаев заболеваний пациентов, предупреждающие сигналы, рекомендующие использование отдельных случаев заболеваний в качестве обучающего примера, и т.д. Показатели стратификации или ранжирование для каждого случая заболеваний пациента могут использоваться, например, для гарантии того, что сложные случаи заболеваний будут переданы опытным врачам, что одному врачу не будет направлено чрезмерное количество сложных случаев заболеваний (для равномерного распределения рабочей нагрузки между врачами) и т.д.

Продолжая рассматривать ФИГУРУ 1, рассмотрим также ФИГУРУ 2, которая иллюстрирует способ выполнения компьютерной стратификации уровня сложности диагноза для множества случаев заболеваний пациентов в соответствии с одним или более аспектами, описанными в данном документе. На этапе 50 выполняется сбор (например, предварительный) базы данных для большого количества случаев заболеваний, включающий, например, демографические сведения о пациенте, клинические данные, данные визуализирующих исследований и т.д. Указанная база данных также включает диагностическую оценку радиолога, расшифровывающего снимки (ставящего диагноз) радиолога, например, относительно того, является ли установленное поражение злокачественным или доброкачественным. База данных также включает действующий диагноз, установленный по патологии или по дополнительным признакам, таким как стабильность во времени (указывающая на начальные процессы). Таким образом, база данных включает данные, отображающие как оценку радиолога, так и то, является ли оценка радиолога правильной. На этапе 52 классификатор 22 компьютера, используя методики машинного обучения, выполняет математическое преобразование, которое переводит данные в базе данных в числовую форму определения вероятности того, что диагностическая оценка (например, опухоль злокачественная или доброкачественная) будет правильной (то есть совпадет с фактическим правильным диагнозом, определяемым по патологии или по другим признакам). Иными словами, модуль ВКС предсказывает, правильно или неправильно оценит данный случай заболевания радиолог. В одном примере для присвоения показателей стратификации текущим случаям заболеваний пациентов используется точность ранее установленных диагнозов для множества случаев заболеваний пациентов. Например, модуль ВКС определяет, был ли поставлен неправильный диагноз поражению конкретного типа в количестве выше заданного порога, и присваивает этому поражению конкретного типа рейтинг или показатель «сложный». В дополнение к этому примеру, радиолог может регулярно определять, что конкретная опухоль или место опухоли являются злокачественными, и предписывать процедуру биопсии. Если биопсия регулярно показывает, что опухоль является доброкачественной, тогда опухоль конкретного типа или место опухоли (или другой показатель опухоли) может соответствовать оценке стратификации «сложный». Следует понимать, что приведенный пример не ограничен неправильным диагнозом как показателем для присвоения показателя стратификации, но могут также использоваться и другие показатели, такие как характеристики изображений или рассчитанные показатели, описывающие уровень неопределенности, отраженный в радиологических отчетах. На этапе 54 при применении к новому случаю заболевания, для которого, как отмечалось выше, было предварительно указано конкретное положение (или тип, или другой показатель) поражения, показатель, генерируемый классификатором, становится показателем стратификации. В одном варианте реализации, алгоритм ВКС может обеспечить показатель стратификации для каждого отдельного радиолога исходя из диагностической достоверности конкретного врача.

Продолжая рассматривать ФИГУРУ 1, рассмотрим также ФИГУРУ 3, которая иллюстрирует способ выполнения компьютерной стратификации уровня сложности диагноза для множество случаев заболеваний пациентов в соответствии с одним или более аспектами, описанными в данном документе. Например, модуль 18 ВКС рассчитывает показатель стратификации, который оценивает уровень сложности измерения данного поражения. В случае заболевания, когда заранее указывается конкретное поражение, которое должно быть измерено, положение поражения принимается в качестве входного параметра на этапе 60. Алгоритм 24 сегментации для разбиения на сегменты поражения на изображении выполняется процессором на заданном положении поражения на этапе 62. Он создает контур или маску 26 поражения, который или которая может использоваться для расчета на этапе 64 параметров 28 поражения, таких как площадь поверхности, объем, продольная ось, поперечная ось и другие стандартные характеристики клинических измерений. Множество альтернативных контуров (и, следовательно, альтернативных масок) поражения может быть рассчитано на этапе 66, например, следующим образом. Возможно отклонение от исходного положения, например, путем случайной выборки из окрестности с заданным распределением, таким как среднеквадратичное отклонение 1 или 2 мм. В альтернативном варианте может работать множество разных алгоритмов сегментации с одинаковыми исходными данными, что также дает ряд измерений. На этапе 68 показатель стратификации получают непосредственно из колебаний между различными измерениями. Показатель стратификации отображает оценку того, как разные радиологи или алгоритмы различались бы в своей оценке конкретного поражения. Например, если небольшое изменение одного или более входных параметров приводит к большому изменению результатов сегментации, тогда такому случаю заболевания может быть присвоен показатель стратификации «сложный». В то же время, если большие колебания входных значений приводят к минимальным отличиям между выходными значениями, тогда такому случаю заболевания может быть присвоен показатель стратификации «легкий». В одном варианте реализации реальный рабочий процесс радиолога может полностью выполняться вручную. В другом варианте реализации для оценки неопределенности и расчета показателя стратификации используется автоматическая сегментация.

Продолжая рассматривать ФИГУРУ 1, рассмотрим также ФИГУРУ 4, которая иллюстрирует способ выполнения компьютерной стратификации уровней сложности постановки диагноза для множества случаев заболеваний пациентов в соответствии с одним или более аспектами, описанными в данном документе. Модуль 18 ВКС рассчитывает показатель стратификации, который оценивает уровень сложности при описании признаков и особенностей данного поражения. На этапе 80 конкретное поражение характеризуется как предварительно заданное, и положение поражения берется в качестве входного параметра. Алгоритм 30 компьютерной медицинской диагностики выполняется процессором на этапе 82 для расчета вероятности злокачественного характера поражения на основе данных изображения. В другом варианте реализации алгоритм КМД может использовать данные изображения и демографические и клинические данные пациента, представленные на этапе 83, при определении на этапе 82 вероятности злокачественного характера поражения. Методики КМД могут включать, например, методики, которые дают показатели в пределах 0-100, где показатель 100 указывает на наивысшую вероятность злокачественного характера. Далее показатель стратификации можно получить на этапе 84 непосредственно из оценки КМД. Очень высокий (или очень низкий) показатель КМД (например, меньше 20 или больше 80) может соответствовать «легким» случаям заболеваний. «Средний» и «сложный» случаи заболеваний можно отображать аналогичным образом.

Показатель стратификации с выхода модуля ВКС используется на этапе 86 для воздействия на рабочий процесс рассмотрения случая заболевания врачами различными способами. Например, случаи заболеваний могут быть дополнительно ранжированы и переданы врачам исходя из их опыта. Например, наиболее сложные случаи заболеваний могут быть направлены опытным врачам с определенным количеством лет стажа, а случаи заболеваний средней сложности будут переданы менее опытным врачам. В другом варианте реализации случаи заболеваний могут быть отранжированы и переданы врачам с целью уменьшения различия в уровнях сложности для разных врачей, то есть для каждого врача определяется показатель рабочей нагрузки путем расчета суммы показателей стратификации по всем случаям заболеваний для данного врача за день и выбирается такое распределение, которое минимизирует колебания этого показателя рабочей нагрузки между врачами.

В другом варианте реализации случаи заболеваний могут быть ранжированы в рабочем листе одного врача с целью равномерного распределения сложных случаев заболеваний по всему рабочему дню, например, как и в предыдущем случае, путем определения показателя рабочей нагрузки и выбора распределения, которое минимизирует почасовые (или с другим отрезком времени) колебания этого показателя рабочей нагрузки для отдельного врача. В другом варианте реализации рядом с пациентом в рабочем листе (например, В РИС) может быть установлен индикатор, отображающий уровень сложности каждого случая заболевания пациента. Такой индикатор может быть отметкой порогового значения случая заболевания, срабатывающим при превышении определенного уровня сложности или численного значения, или визуальным индикатором, таким как цветной флажок, графическая линия и т.д., отображающим это значение.

В соответствии с другим примером, исключительно сложные случаи заболеваний могут быть отмечены индикатором автоматического двойного чтения, то есть чтения вторым радиологом. Его можно реализовать путем задания порогового значения, которое превышает пороговое значение, выше которого происходит срабатывание этого события. В другом варианте реализации сложные случаи заболеваний могут быть отмечены знаком возможного включения в обучающий файл или для анализа случая заболевания.

ФИГУРА 5 иллюстрирует способ выполнения компьютерной стратификации уровней сложности постановки диагноза для множества случаев заболеваний пациентов в соответствии с одним или более аспектами, описанными в данном документе. На этапе 100 из базы данных конкретного пациента генерируется или извлекается визуализирующее исследование. Это визуализирующее исследование может относиться к любой соответствующей методике визуализирующих исследований, таким как МРТ, КТ, УЗИ, рентгенография, радионуклидная визуализация и т.д. На этапе 102 устанавливается патология (например, поражение). В одном варианте реализации патология устанавливается с использованием выполняемого с помощью компьютера обнаружения. В другом варианте реализации патология снабжается комментариями или устанавливается вручную. На этапе 104 извлекаются демографические сведения и/или клинические данные о пациенте. На этапе 106 показатель компьютерной стратификации рассчитывается как функция демографических сведений о пациенте, клинических данных пациента и идентификационных характеристик поражения, или комбинации указанной информации. То есть, такой показатель может быть рассчитан с помощью КМД, на основе данных сегментации изображения и т.п.Действия 100, 102, 104 и 106 итерационно выполняются для каждого из указанного множества случаев заболеваний пациентов. На этапе 108 случаи заболеваний пациентов ранжируются согласно их показателям стратификации.

В соответствии с примером, 43-летней женщине было выполнено обследование груди с помощью магнитно-резонансной терапии (МРТ) с динамическим контрастным усилением (ДКУ). Семейный анамнез пациентки содержит мать, которая умерла в возрасте 45 лет от рака молочной железы. Как только МРТ-ДКУ исследование стало доступно для системы архивации и передачи изображений в этой больнице, алгоритм ВКС обработал данный случай заболевания в биографических данных. Выполняемый с помощью компьютера алгоритм обнаружения устанавливал поражение в левой груди пациентки. Далее был выполнен алгоритм компьютерной медицинской диагностики (КМД) для получения показателя вероятности (например, от 0 до 100) злокачественного характера опухоли, где более высокие показатели вероятности соответствуют большей вероятности злокачественного характера. Если показатель вероятности находится, например, между 0 и 20 или между 80 и 100, тогда показателем стратификации будет «легкий»; если показатель вероятности находится в пределах 20-30 или 70-80, тогда показателем стратификации будет «средний»; и показателем стратификации будет «сложный», если выход алгоритма КМД составляет 30-70. Может быть реализован как выполняемый с помощью компьютера алгоритм обнаружения, так и алгоритм компьютерной медицинской диагностики (например, путем выполнения сегментации поражения, выделения признаков с помощью оконтуривания изображения и сегментации и расчета классификатором оценки вероятности).

В дополнение к этому примеру, алгоритм ВКС использует также демографические сведения и другую информацию о пациентах, не относящуюся к изображениям. Например, в приведенном выше примере женщина имела семейный анамнез рака молочной железы, и поэтому даже если оценка стратификации является «легкий», она, благодаря этим дополнительным клиническим данным, может быть повышена до уровня «средний», что, в свою очередь, может привести к тому, что данный случай заболевания будет передан более опытным врачам или, соответственно, к изучению двумя врачами.

Данное изобретение было описано с привязкой к нескольким вариантам реализации. После внимательного изучения представленного выше подробного описания в данное изобретение могут внесены изменения и усовершенствования. Предполагается, что данное изобретение будет истолковываться как включающее все такие изменения и усовершенствования в той мере, в какой они будут находиться в рамках формулы изобретения или ее эквивалентов.

1. Способ ранжирования случаев заболеваний пациентов в соответствии с уровнями сложности диагностирования, включающий:

для каждого из указанных случаев заболеваний пациентов:

извлечение из базы (12) данных визуализирующего исследования для пациента;

установление патологии на изображении пациента, содержащемся в визуализирующем исследовании;

анализ демографических и клинических данных пациента;

расчет показателя (20) компьютерной стратификации для указанного каждого случая заболевания пациента в зависимости от установленной патологии и демографических и клинических данных пациента и

выдачу ранжированного списка (21) случаев заболеваний пациентов согласно соответствующим оценкам стратификации, присвоенным каждому случаю заболевания пациента,

причем способ кроме того включает:

хранение ранее диагностированных случаев заболеваний пациентов в базе (12) данных;

оценку точности ранее установленного диагноза для указанных ранее диагностированных случаев заболеваний пациентов;

выполнение классификатора (22), который генерирует показатель точности, указывающий на точность диагноза для случаев заболеваний пациентов каждого типа; и

прием информации о типе указанного каждого случая заболевания пациента и

генерацию показателя (20) стратификации для указанного каждого случая заболевания пациента на основании типа указанного каждого случая заболевания пациента и показателя точности для этого типа.

2. Способ по п. 1, согласно которому указанный каждый случай заболевания пациента назначают врачу в зависимости от показателя (20) стратификации и опыта врача.

3. Способ по п. 1, также включающий для указанного каждого случая заболевания пациента:

прием информации о типе и месте расположения поражения для поражения на изображении пациента;

сегментацию указанного изображения на месте расположения поражения для генерирования первого контура поражения;

расчет одного или более параметров (28) поражения из первого контура поражения;

расчет одного или более альтернативных контуров поражения;

расчет одного или более параметров поражения из указанных одного или более альтернативных контуров поражения и

расчет показателя (20) стратификации в зависимости от колебаний параметров поражения между указанным контуром поражения и указанными одним или более альтернативными контурами поражения.

4. Способ по п. 3, согласно которому расчет одного или более альтернативных контуров поражения включает одно из следующего:

случайную выборку данных изображения из окрестности с заданным распределением относительно места расположения поражения и

применение разных алгоритмов сегментации для сегментации изображения в месте расположения поражения.

5. Способ по п. 3, согласно которому параметры поражения включают одну или более из следующих характеристик:

площадь поверхности поражения;

объем поражения;

продольная ось поражения и поперечная ось поражения.

6. Способ по п. 1, также включающий:

для указанного каждого случая заболевания пациента:

прием информации о типе и месте расположения поражения для поражения на изображении пациента;

выполнение методики (30) компьютерной медицинской диагностики (КМД) для одного или более поражений на изображении пациента с использованием демографических и клинических данных пациента и определение вероятности злокачественного характера указанного поражения;

получение показателя (20) стратификации для указанного каждого случая заболевания пациента из указанной вероятности злокачественного характера и

корректировку рабочего процесса врача в зависимости от показателей стратификации для указанных случаев заболеваний пациентов.

7. Способ по п. 1, также включающий отметку по меньшей мере одного случая заболевания пациента как потенциально подлежащего просмотру по меньшей мере двумя пользователями в зависимости от показателя стратификации для указанного по меньшей мере одного случая заболевания пациента.

8. Способ по п. 1, также включающий отметку по меньшей мере одного случая заболевания пациента как потенциально подходящего для учебно-методического использования в качестве обучающего примера в зависимости от показателя стратификации для указанного по меньшей мере одного случая заболевания пациента.

9. Система (10) ранжирования случаев заболеваний пациентов в соответствии с уровнями сложности диагностирования, содержащая:

модуль (18) компьютерной стратификации, содержащий процессор, выполненный с возможностью для каждого из указанных случаев заболеваний пациентов:

извлекать из базы (12) данных визуализирующее исследование для пациента;

устанавливать патологию на изображении пациента, включенном в указанное визуализирующее исследование;

анализировать демографические и клинические данные пациента;

рассчитывать показатель (20) компьютерной стратификации для указанного каждого случая заболевания пациента в зависимости от установленной патологии и демографических и клинических данных указанного пациента и

выдавать ранжированный список (21) указанных случаев заболеваний пациентов согласно соответствующим показателям стратификации, присвоенным каждому случаю заболевания пациента,

причем система кроме того содержит машиночитаемый носитель (12), который хранит ранее диагностированные случаи заболеваний пациентов; а

процессор (14) также выполнен с возможностью:

оценивать точность ранее установленного диагноза для указанных ранее диагностированных случаев заболеваний пациентов;

выполнять классификатор (22), который генерирует показатель точности, указывающий на точность диагноза для случаев заболеваний пациентов каждого типа; и

принимать информацию о типе указанного каждого случая заболевания пациента и

генерировать показатель (20) стратификации для указанного каждого случая заболевания пациента на основании указанного типа указанного каждого случая заболевания пациента и указанного показателя точности для этого типа.

10. Система по п. 9, в которой патология является поражением, а показатель (20) стратификации рассчитан по меньшей мере частично путем сегментации (24) изображения указанного поражения.

11. Система по п. 9, в которой процессор (14) также выполнен с возможностью для указанного каждого случая заболевания пациента:

принимать информацию о типе и месте расположения поражения для поражения на изображении пациента;

сегментировать указанное изображение на месте расположения поражения для генерирования первого контура поражения;

рассчитывать один или более параметров (28) поражения из первого контура поражения;

рассчитывать один или более альтернативных контуров поражения;

рассчитывать один или более параметров поражения из указанных одного или более альтернативных контуров поражения и

рассчитывать показатель (20) стратификации в зависимости от колебаний параметров поражения между указанным контуром поражения и указанными одним или более альтернативными контурами поражения.

12. Система по п. 11, в которой расчет одного или более альтернативных контуров поражения включает одно из следующего:

случайную выборку данных изображения из окрестности с заданным распределением относительно места расположения указанного поражения и

применение разных алгоритмов сегментации для сегментации изображения в месте расположения поражения.

13. Система по п. 11, в которой параметры поражения включают одну или более из следующих характеристик:

площадь поверхности поражения;

объем поражения;

продольная ось поражения и

поперечная ось поражения.

14. Система по п. 9, в которой процессор также выполнен с возможностью:

для указанного каждого случая заболевания пациента:

принимать информацию о типе и месте расположения поражения для поражения на изображении пациента;

выполнять методику (30) компьютерной медицинской диагностики (КМД) для одного или более поражений на изображении пациента с использованием демографических и клинических данных пациента и определять вероятность злокачественного характера указанного поражения;

получать показатель (20) стратификации для указанного каждого случая заболевания пациента исходя из указанной вероятности злокачественного характера и

корректировать рабочий процесс врача в зависимости от показателей стратификации для указанных случаев заболеваний пациентов.

15. Машиночитаемый носитель (16), который содержит хранящиеся на нем выполняемые компьютером команды для ранжирования случаев заболеваний пациентов в соответствии с уровнем сложности диагностирования, включающие:

для каждого из указанных случаев заболеваний пациентов:

извлечение из базы (12) данных визуализирующего исследования для пациента;

установление патологии на изображении пациента, содержащемся в визуализирующем исследовании;

анализ демографических и клинических данных пациента;

расчет и присвоение показателя (20) компьютерной стратификации для указанного каждого случая заболевания пациента в зависимости от установленной патологии и демографических и клинических данных пациента и

выдачу ранжированного списка (21) случаев заболеваний пациентов согласно соответствующим оценкам (20) стратификации, присвоенным каждому случаю заболевания пациента,

причем указанные команды включают:

хранение ранее диагностированных случаев заболеваний пациентов в базе (12) данных;

прием информации о типе указанного каждого случая заболевания пациента и

Изобретение относится к средствам виртуальной реальности игровых устройств. Технический результат заключается в расширении арсенала средств игровых устройств.

Способ и устройство для сравнения схожих элементов высокоразмерных признаков изображений // 2686590

Изобретение относится к способу и устройству для сравнения схожих элементов высокоразмерных признаков изображений. Технический результат заключается в повышении скорости и точности определения схожих элементов изображений.

Способ ранней автоматизированной дистанционной диагностики меланомы кожи // 2685469

Изобретение относится к медицине, а именно к онкологии, и может быть использовано для диагностики меланомы кожи. Предложен способ ранней автоматизированной дистанционной диагностики меланомы кожи, заключающийся в выполнении цифровых фотографий, компьютерном картрировании кожных покровов пациента с созданием базы данных всех выявленных пигментных новообразований кожи, при этом выявляются очаги, подозрительные на меланому, отличающийся тем, что анализируют исходные изображения подозрительных участков кожи, производят уменьшение изображений до размера 512×512 пикселей, проводят автоматическую диагностику меланомы по исходным изображениям участков кожи с помощью трехслойной компьютерной программы типа «нейронные сети», предварительно обученной различать меланому кожи на основе эталонных изображений, включающей предобработчик, автоматически выделяющий на основе анализа спектра Фурье исходные изображения существенных признаков, позволяющих разделить эти изображения на два класса, соответствующие наличию диагноза меланомы кожи или его отсутствию; с помощью данной компьютерной программы каждому эталонному изображению обучающей выборки ставят в соответствие нейрон третьего слоя; в пространстве преобразованных изображений нейроны третьего слоя оценивают эвклидово расстояние от каждого эталонного изображения обучающей выборки до тестируемого изображения, при этом полученным оценкам присваивают положительный или отрицательный знак в зависимости от класса - наличие или отсутствие меланомы, к которому отнесено эталонное изображение; среди 70-ти нейронов первого слоя в каждом из двух классов выявляют «победителей» по минимуму эвклидова расстояния от эталонного изображения до тестируемого; с помощью 20-ти нейронов второго слоя суммируют обратные величины эвклидовых расстояний, взятых с соответствующим знаком, в группах «победителей» и на основе сравнения суммы с нулевой пороговой величиной определяют класс тестируемого изображения, соответствующий диагнозу меланомы кожи либо его отсутствию.

Анализ кальциноза аортального клапана // 2685373

Группа изобретений относится к медицине, а именно к системе и способу анализа изображения структуры аортального клапана. Рабочая станция и устройство визуализации содержат систему для реализации способа, причем система содержит интерфейс визуализации для получения изображения структуры аортального клапана, содержащей створки аортального клапана и аортальную луковицу; подсистему сегментации для разбиения структуры аортального клапана на сегменты на изображении для получения разбивки структуры аортального клапана на сегменты; подсистему распознавания для распознавания кальциноза на створках аортального клапана посредством анализа изображения структуры аортального клапана; - подсистему анализа, выполненную с возможностью: i) определения срединной линии аортальной луковицы посредством анализа разбивки структуры аортального клапана на сегменты; ii) проецирования кальциноза от срединной линии на аортальную луковицу, с получением, таким образом, проекции, отображающей местоположение кальциноза, спроецированное на аортальную луковицу, после замещения клапана; блок вывода для выработки данных, представляющих проекцию, причем изображение структуры аортального клапана представляет собой трехмерное изображение, с получением, таким образом, трехмерной проекции в качестве указанной проекции.

Слежение за взглядом на основе адаптивного гомографического сопоставления // 2685020

Группа изобретений направлена на обнаружение взгляда на основе нескольких камер и/или источников света вместе с моделью адаптивного гомографического сопоставления.

Способ совмещения цифровых изображений различных спектральных диапазонов // 2684749

Изобретение относится к вычислительной технике для определения и приведения к заданным значениям параметров видеокамер. Техническим результатом является обеспечение возможности совмещения изображений камер видимого и инфракрасного диапазонов, не требующего механической юстировки.

Адаптивное распознавание событий // 2684189

Изобретение относится к области обработки данных. Технический результат заключается в уменьшении задержки обработки ввода жеста.

3d моделируемая визуализация устройства интерфейса пациента в соответствии с лицом пациента // 2684185

Изобретение относится к области вычислительной техники. Технический результат – обеспечение эффективного выбора подходящего устройства интерфейса пациента для пациента за счет 3D моделируемой визуализации устройства интерфейса пациента в соответствии с лицом пациента.

Улучшение киноизображений с использованием точной информации о движении // 2683857

Изобретение относится к средствам цифрового улучшения характеристик последовательности изображений. Техническим результатом является улучшение качества визуального отображения.

Автоматизированная система анализа ангиографических изображений глазного дна человека // 2683758

Изобретение относится к распознаванию и анализу изображений в медицине и может быть использовано при обработке биомедицинских изображений и при автоматизации научных исследований.

Удаленный контроллер помпы с двусторонней связью для проверки состояния инсулиновой помпы // 2687635

Группа изобретений относится к медицине. Группа изобретений включает компьютерно-реализуемый способ эксплуатации системы для лечения диабета, систему для лечения диабета и устройство управления инсулиновой помпой.

Распределенные реестры пациентов для объединенных федеративных pacs // 2686295

Группа изобретений относится к совместному использованию медицинской информации между местоположениями объединенной федеративной системы здравоохранения. Предложена система для реализации способа, содержащая: множество устройств хранения локальных изображений, хранящих обследования пациентов, индексированных с помощью локального идентификатора пациента, множество устройств хранения локального опознавательного кода, хранящих список локальных опознавательных кодов, включающий в себя глобальный идентификатор пациента, сохраненные в соответствующем одном из устройств хранения локальных изображений, и один или более локальных идентификаторов пациентов; множество устройств хранения локального местоположения, причем индекс включает в себя местоположение хранения каждого обследования и соответствующий глобальный идентификатор пациента, устройство хранения глобального опознавательного кода, расположенное дистанционно, причем список локальных опознавательных кодов является подмножеством списка глобальных опознавательных кодов, и устройство хранения глобального местоположения, расположенное дистанционно, хранящее глобальный индекс обследований пациента, причем глобальный индекс включает в себя местоположение хранения каждого обследования и соответствующий глобальный идентификатор пациента, при этом первое устройство хранения локального изображения посылает запрос, включающий в себя один из локальных идентификаторов пациентов, в соответствующее первое устройство хранения локального опознавательного кода, и при этом, если запрос включает в себя локальный идентификатор пациента, не включенный в список локальных опознавательных кодов, первое устройство хранения локального изображения повторно направляет запрос в устройство хранения глобального опознавательного кода, которое возвращает соответствующий глобальный идентификатор пациента.

Представление данных, генерируемых устройством непрерывного мониторирования гликемии // 2686039

Группа изобретений относится к медицине, а именно к передаче сообщений, генерируемых устройством непрерывного мониторирования гликемии (НМГ). Предложено вычислительное устройство, содержащее средства, настроенные для осуществления компьютерно-реализуемых способов, включающих в себя: прием данных, соответствующих первому сообщению, относящемуся к измерению гликемии, посредством приемника устройства для управления диабетом, причем первое сообщение имеет связанный с ним первый приоритет; прием данных, соответствующих второму сообщению, относящемуся к измерению гликемии, посредством вышеупомянутого приемника, причем второе сообщение имеет связанный с ним второй приоритет, более высокий по сравнению с первым приоритетом, и второе сообщение принимают после первого сообщения; определение процессором устройства для управления диабетом времени, прошедшего после того, как приемник принимал данные; определение процессором того, превышает ли прошедшее время первый порог; представление процессором первого сообщения посредством интерфейса вывода устройства для управления диабетом при определении того, что прошедшее время меньше первого порога; приоритизацию процессором первого сообщения и второго сообщения с использованием приоритетов, присвоенных каждому из первого и второго сообщений и включенных в них, при определении того, что прошедшее время превышает первый порог; отбрасывание первого сообщения при определении того, что прошедшее время превышает первый порог; и представление второго сообщения посредством интерфейса вывода устройства для управления диабетом при определении того, что прошедшее время превышает первый порог.

Способ формирования правила получения логического вывода // 2685965

Изобретение относится к средствам обработки информации за счет автоматизации формирования логических выводов при обработке массивов данных. Технический результат заключается в сокращении времени обработки и повышении достоверности логических выводов за счет постоянного контроля и подтверждения в процессе обработки данных.

Система и способ для оптимизирования частоты сбора данных и пороговых значений для алгоритма обнаружения ухудшения состояния // 2685681

Группа изобретений относится к медицине и может быть использована для мониторинга пациента. Предложена система для реализации способа, причем система содержит один или более датчиков, осуществляющих выборку данных о пациенте для пациента с частотой выборки; контроллер, выполненный с возможностью приема данных о пациенте отданного одного или более датчиков, причем контроллер запрограммирован с возможностью: определения состояния пациента с помощью данных о пациенте; определения исходных показателей информации о пациенте, включая возраст, площадь поверхности тела, день поступления в больницу, местоположение источника финансирования, историю течения хронических заболеваний, историю последнего хирургического вмешательства, историю прохождения последней химиотерапии, текущие назначения лекарственных препаратов, причины госпитализации, последний набор жизненно важных показателей; определения предрасположенности к наступлению случая ухудшения состояния и вероятности ухудшения состояния, оптимизации частоты выборок одного или более датчиков на основании вероятности ухудшения состояния, автоматического регулирования частоты выборки одного или более датчиков на основании определенного состояния пациента, причем каждый раз, когда осуществляется выборка одного из датчиков, осуществляется повторное вычисление вероятности ухудшения состояния, причем на основании повторно вычисленной вероятности ухудшения состояния регулируется частота выборки датчиков.

Способ и устройство для оценивания внутрискважинных параметров бурильной колонны // 2684787

Раскрыт способ для оценивания внутрискважинных скоростных и силовых параметров в произвольном месте движущейся бурильной колонны на основании данных измерения тех же параметров на поверхности, причем способ содержит этапы, на которых: а) используют геометрию и упругие свойства бурильной колонны для расчета передаточных функций, описывающих зависящие от частоты амплитудные и фазовые соотношения между взаимными комбинациями скоростных и силовых параметров на поверхности и в забое; b) выбирают базовый период времени; с) измеряют, напрямую или косвенно, скоростные и силовые параметры на поверхности, предварительно обрабатывают указанные измеренные данные путем применения сглаживающих и/или прореживающих фильтров и сохраняют предварительно обработанные данные в средствах хранения данных, которые выполнены с возможностью хранения предварительно обработанных данных измерений на поверхности по меньшей мере на протяжении последнего завершившегося базового периода времени; d) при обновлении содержимого средств хранения данных вычисляют внутрискважинные параметры в частотной области путем применения интегрального преобразования, такого как преобразование Фурье, к параметрам, полученным на поверхности, перемножают результаты с указанными передаточными функциями, применяют обратное интегральное преобразование к суммам связанных членов и выявляют точки в указанных базовых периодах времени, чтобы получить задержанные по времени оценки динамических параметров скорости и силы, также раскрыта система для реализации указанного способа.

Мобильный комплекс многоканальной диагностики и мониторинга для дистанционных исследований пациентов в режиме реального времени // 2683898

Изобретение относится к медицинской технике, а именно к мобильному комплексу дистанционного мониторинга. Мобильный комплекс включает монитор и соединенные с ним с возможностью многократного раздельного подключения манжету тонометра, назальную канюлю, электроды для снятия электрокардиограммы (ЭКГ), пульсоксиметр, датчик температуры и выносную камеру с микрофоном.

Способ изготовления капы на нижнюю челюсть // 2683895

Изобретение относится к медицинской технике, а именно к стоматологии, и может быть использовано для изготовления съемных кап, используемых для лечения. Способ изготовления капы на нижнюю челюсть включает компьютерное моделирование, в процессе которого получают трехмерное цифровое изображение верхней и нижней челюстей пациента в позиции, соответствующей требуемому окклюзионному соотношению, на основании которого моделируют цифровую модель капы на нижнюю челюсть, определяют оси размещения капы на зубах пациента, которые определяют путь введения капы на зубы пациента и путь снятия с зубов, изготавливают капу по готовой цифровой модели, при этом внутреннюю поверхность цифровой модели капы, прилегающую к поверхности зубов и к мягким тканям нижней челюсти, моделируют конгруэнтной относительно указанных поверхностей, цифровую модель нижней челюсти делят срединной сагиттальной плоскостью на правую и левую части, затем в правой и левой частях полученной цифровой модели нижней челюсти проводят множество прямых линий, параллельных фронтальной плоскости, касательных к наиболее выступающей язычной поверхности каждого зуба и пересекающих линию десны, затем в правой и левой частях цифровой модели нижней челюсти из полученного множества касательных выбирают единственную прямую линию с наибольшим углом наклона к срединной сагиттальной плоскости, которую принимают соответственно за правую и левую оси размещения капы на зубы нижней челюсти, после чего в правой и левой частях цифровой модели нижней челюсти изображают межевые линии на поверхностях зубов относительно правой и левой осей размещения капы, соответственно, после чего внутреннюю поверхность правой и левой частей капы ограничивают цилиндрическими поверхностями, в которых образующая параллельна соответственно правой и левой осям размещения, а направляющая совпадает с соответствующей межевой линией, затем внутреннюю поверхность капы, прилегающую к поверхности зубов и к мягким тканям нижней челюсти, моделируют эквидистантной относительно указанных поверхностей и получают готовую цифровую модель капы, по которой изготавливают капу на нижнюю челюсть в виде правой и левой частей, которые сжимают навстречу друг другу без остаточной деформации.

Способ и устройство для верификации модели скважины // 2683608

Изобретение относится к способу верификации модели скважины, который содержит этапы: получение сохраненных скважинных данных существующей скважины, формирование модели на основе полученных скважинных данных, погружение инструмента для выполнения рабочей задачи в существующую скважину, причем инструмент выполнен с возможностью измерять текущие характеристики скважины при погружении, получение от инструмента данных инструмента, соответствующих измеренным в текущее время характеристикам скважины, при этом указанные данные инструмента представляют свойства скважины, имеющие отношение к эксплуатации скважины и производительности инструмента, и выполнение проверки подтверждения путем сравнения скважинных данных модели с данными инструмента.

Комбинированное использование клинических факторов риска и молекулярных маркеров тромбоза для поддержки принятия клинических решений // 2682622

Группа изобретений относится к медицине, а именно к области поддержки принятия клинических решений, и может быть использована для вычисления значения оценки риска тромбоза у пациента на основе входных признаков.

Способ создания декоративного украшения транспортного средства // 2687376

Изобретение относится к декоративному украшению транспортного средства. Способ включает в себя представление модели автоматизированного проектирования, включающей в себя модель панели и модель декоративного украшения.