Результат интеллектуальной деятельности: СИСТЕМА И СПОСОБ КЛИНИЧЕСКОЙ ПОДДЕРЖКИ

Область техники, к которой относится изобретение

Настоящее изобретение относится к системе клинической поддержки, содержащей процессор и машиночитаемый носитель данных, при этом машиночитаемый носитель данных содержит инструкции для выполнения процессором. Кроме того, настоящее изобретение относится к способу клинической поддержки, машиночитаемому постоянному носителю данных и компьютерной программе.

Уровень техники

Уровень и место ухода за пациентом должны соответствовать его состоянию здоровья. Очевидно, что чем выше уровень ухода, тем больше сопутствующие затраты. Таким образом, важно отслеживать состояние здоровья пациента и соответствующим образом подстраивать уровень ухода.

Документ US 2009/0105550 A1 раскрывает систему и способ предоставления балла состояния здоровья в качестве индикатора состояния здоровья пациента. Обширные медицинские записи сжимаются в один балл состояния здоровья. Такой балл состояния здоровья можно наносить на график во времени для визуализации тенденции.

Документ US 2009/0177613 A1 раскрывает систему и способ предоставления объединенной оценки здоровья. Путем синтеза разномасштабных данных система способна создать численное значение здоровья человека. Балл общего здоровья конкретного человека может быть выработан, основываясь на данных по группе и конкретному пациенту. Такой балл состояния здоровья - это индикатор состояния пациента.

Там, где перевод ухода определяется лечащими врачами, существует возрастающая потребность в поддержке принятия основанного на доказательствах решения о переводах между уровнями ухода. В нынешних продуктах заявителя, таких как IntelliVue Guardian и Visicu, применяется шкала раннего предупреждения при ухудшении состояния здоровья пациента. Этот балл основывается на ухудшении текущей фазы госпитализации

пациента, либо в палате интенсивной терапии, либо в обычной палате.

В документе US 2012/0046965 A1 риск повторной госпитализации пациентов, госпитализированных в учреждение здравоохранения, определяется с использованием общего алгоритма оценки риска повторной госпитализации.

Раскрытие изобретения

Цель настоящего изобретения - предоставить систему клинической поддержки и способ клинической поддержки, которые лучше помогают практикующему врачу в планировании ресурсов и назначении ухода за пациентом.

В первом аспекте настоящего изобретения представлена система клинической поддержки, содержащая процессор и машиночитаемый носитель данных, при этом машиночитаемый носитель данных содержит инструкции для выполнения процессором, причем инструкции побуждают процессор осуществлять этапы:

- получения текущих данных о пациенте, описывающих пациента, для которого рекомендация о переводе с текущего уровня ухода на один или более других уровней ухода должна быть выдана, при текущем уровне ухода,

- получения данных истории болезней пациента, полученных ранее при текущем и/или других уровнях ухода, и

- вычисления двух или более баллов перевода конкретного пациента из указанных полученных текущих данных и данных истории болезней пациента, при этом балл перевода конкретного пациента показывает уровень рекомендации о переводе пациента с текущего уровня ухода на отличающийся уровень ухода или об оставлении на текущем уровне ухода.

В дополнительном аспекте настоящего изобретения представлен соответствующий способ клинической поддержки.

В других аспектах настоящего изобретения представлена компьютерная программа, которая содержит средство программного кода для того, чтобы побуждать компьютер осуществлять этапы указанного способа обработки, когда указанная компьютерная программа выполняется на компьютере, и машиночитаемый постоянный носитель данных, содержащий инструкции для исполнения процессором, при этом инструкции побуждают процессор осуществлять этапы заявленного способа клинической поддержки.

Предпочтительные варианты осуществления изобретения определены в зависимых пунктах формулы изобретения. Необходимо понимать, что заявленные способ, компьютерная программа и машиночитаемый постоянный носитель данных имеют похожие и/или идентичные предпочтительные варианты осуществления, как и заявленная система, и как определено в зависимых пунктах формулы изобретения.

При сравнении с известными системами и способами, в соответствии с настоящим изобретением, предоставляется более широкий обзор для пациента, поскольку традиционно используемые баллы основываются только на текущем состоянии пациента. Посредством обеспечения прогнозирования восстановления пациента и его прогноза на следующий период, практикующему врачу может быть предоставлена лучшая помощь в планировании ресурсов и назначении ухода.

Таким образом, настоящим изобретением обеспечивается поддержка принятия основанного на доказательствах решения, чтобы оказать помощь практикующему врачу в принятии обоснованного решения о переводе пациента на отличающийся уровень ухода (или предпочтительности остаться на текущем уровне ухода). В противоположность известным решениям, эти рекомендации на предмет принятия решения основываются на данных из продолжительной истории болезней пациента и, предпочтительно, моделях прогнозирования.

Предложенные система и способ клинической поддержки, таким образом, предпочтительно оценивают прогресс в состоянии здоровья пациента на протяжении всего цикла ухода (обычно до тех пор, пока не начинает предоставляться паллиативный уход) от палаты интенсивной терапии (ICU), до обычной палаты и дома. Основываясь на прошлых переводах - и по улучшениям, и по ухудшениям состояния - создаются рекомендации (в форме двух или более баллов перевода) для перевода на отличающийся (или такой же) уровень ухода. Следовательно, такие рекомендации основываются, по меньшей мере, на некоторой информации из медицинского прошлого (например, на информации лишь с момента перед помещением на текущий уровень ухода) и текущем состоянии пациента. По желанию, дополнительными полезными параметрами для использования при определении этих рекомендаций являются значения риска повторного помещения на текущий уровень ухода (в учреждение по уходу), состояния здоровья и прогресса во время текущего нахождения и спрогнозированного состояния здоровья. Предпочтительно, чтобы такие рекомендации основывались не только на данных, собранных в текущем блоке по уходу, на также и на данных в предыдущих блоках по уходу. Предложенные система и способ клинической поддержки могут применяться на протяжении всего цикла по уходу от палаты интенсивной терапии до общей палаты и амбулаторного сопровождения, такого как учреждения сестринского ухода и на дому.

В одном аспекте изобретение обеспечивает систему клинической поддержки. Система клинической поддержки, используемая в данном документе, подразумевает автоматизированную систему, которая способствует управлению ходом лечения пациента или планом по уходу. Такая система клинической поддержки содержит процессор и машиночитаемый носитель данных.

«Машиночитаемый носитель данных», используемый в данном документе, охватывает любой носитель данных, который может хранить инструкции, которые может выполнять процессор вычислительного устройства. Такой машиночитаемый носитель данных может быть машиночитаемым постоянным носителем данных. Такой машиночитаемый носитель данных может быть также материальным машиночитаемым носителем данных. В некоторых вариантах осуществления изобретения машиночитаемый носитель данных может также быть способен хранить данные, к которым осуществляет доступ процессор вычислительного устройства. Пример машиночитаемого носителя данных включает в себя, но не ограничиваясь этим, гибкий диск, магнитный жесткий диск, твердотельный жесткий диск, флэш-память, USB-диск, оперативное запоминающее устройство (RAM), постоянное запоминающее устройство (ROM), оптический диск, магнитно-оптический диск и файл регистра процессора. Примеры оптических дисков включают в себя компакт-диски (CD) и цифровые универсальные диски (DVD), например, диски CD-ROM, CD-RW, CD-R, DVD-ROM, DVD-RW или DVD-R. Термин «машиночитаемый носитель данных» также относится к различным типам носителей информации, к которым можно получить доступ посредством вычислительного устройства по сети или линии связи. Например, данные могут быть извлечены посредством модема, по сети Интернет или по локальной сети.

«Процессор», используемый в данном документе, подразумевает электронный компонент, который способен выполнять программу или машиновыполняемую инструкцию. Ссылки на вычислительное устройство, содержащее «процессор», должны интерпретироваться как, по возможности, содержащее более одного процессора. Термин «вычислительное устройство» должен также интерпретироваться как, по возможности, относящийся к совокупности или сети вычислительных устройств, каждое из которых содержит процессор. Многие программы допускают выполнение своих инструкций множеством процессоров, которые могут быть внутри одного и того же вычислительного устройства, или же которые могут быть равномерно распределены по многим вычислительным устройствам.

«Уровень ухода» обозначает уровень, на котором осуществляется уход за пациентом, такой как палата интенсивной терапии, общая палата, на дому, различные отделения больницы. Прочие используемые здесь или в общем в данной области техники термины, обозначающие «уровень ухода» - это «уровень ухода», «учреждение по уходу», «зона ухода», «местоположение ухода», «обстановка по уходу» или «блок по уходу». Следовательно, когда любой из этих терминов используется в данном документе, его необходимо понимать как синоним для «уровня ухода» или, по меньшей мере, как указатель «уровня ухода».

В предпочтительном варианте осуществления инструкции дополнительно побуждают процессор вычислять указанные два или более баллов перевода конкретного пациента посредством использования модели прогнозирования, прогнозирующей будущий прогресс в состоянии здоровья пациента, основываясь на указанных полученных текущих данных и данных истории болезней пациента. Существуют различные модели прогнозирования, которые можно использовать, например, модели риска госпитализации (например, модель риска на дому, как, например, описано у Murata GH, Gorby MS, Kapsner CO, Chick TW, Halperin AK «Многофакторная модель прогнозирования госпитализации для пациентов с декомпенсированным хроническим обструктивным легочным заболеванием» («A multivariate model for predicting hospital admissions for patients with decompensated chronic obstructive pulmonary disease»), Arch Intern. Med. 1992, янв.; 152(1):82-6), модели тяжести заболевания/диагноза (как, например, описано у Richard W Troughton, Christopher M Frampton, Timothy G Yandle, Eric A Espine, M Gary Nicholls, A Mark Richards, «Лечение сердечной недостаточности по концентрациям аминотерминальных натриуретичных мозговых пептидов плазмы {(N-BNP)}» («Treatment of heart failure guided by plasma aminoterminal brain natriuretic peptide {(N-BNP)} concentrations»), The Lancet, Volume 355, Issue 9210, cc. 1126-1130, 1 апреля 2000), или модели развития сердечной недостаточности, такие как балл тяжести сердечной недостаточности (HFSS), или Фрамингемская модель сердечной недостаточности, например, как описано у Kannel WB, D'Agostino RB, Silbershatz H, Belanger AJ, Wilson PW, Levy D, «Профиль для оценки риска сердечной недостаточности» («Profile for estimating risk of heart failure»), Arch Intern Med. 1999 янв. 14; 159(11):1197-204. В дополнение, можно использовать модели прогнозирования повторной госпитализации и/или рисков смертности, в том числе, но не ограничиваясь этим, те, которые описаны у Keenan PS, Normand SL, Lin Z, Drye EE, Bhat KR, Ross JS, Schuur JD, Stauffer BD, Bernheim SM, Epstein AJ, Wang Y, Herrin J, Chen J, Federer JJ, Mattera JA, Wang Y, Krumholz HM, «Административные требования, подходящие для определения эффективности больницы на основе показателей по всем повторным госпитализациям за 30 дней среди пациентов с сердечной недостаточностью» («An administrative claims measure suitable for profiling hospital performance on the basis of 30-day all-cause readmission rates among patients with heart failure»), Circ Cardiovasc Qual Outcomes. 2008 сент.; l(l):29-37, Amarasingham R, Moore BJ, Tabak YP, Drazner MH, Clark CA, Zhang S, Reed WG, Swanson TS, Ma Y, Halm EA, «Автоматизированная модель для идентификации пациентов с сердечной недостаточностью, имеющих риск повторной госпитализации или смерти в течение 30 дней, с использованием электронных данных истории болезней» («An automated model to identify heart failure patients at risk for 30-day readmission or death using electronic medical record data»), Med Care. 2010 нояб.; 48(11):981-8, или Tabak YP, Johannes RS, Silber JH, «Использование автоматизированных клинических данных для изменения риска: развитие и подтверждение шести моделей прогнозирования смертности по конкретному заболеванию для оплаты в зависимости от эффективности работы» («Using automated clinical data for risk adjustment: development and validation of six disease-specific mortality predictive models for pay-for-performance»), Med Care. 2007 авг.; 45(8):789-805. Описание этих моделей в процитированных публикациях здесь приведено посредством ссылки.

В другом варианте осуществления указанные данные истории болезней пациента содержат историю переводов между различающимися уровнями ухода, в том числе информацию об улучшениях и/или ухудшениях состояния здоровья пациента в ответ на указанные в истории переводы. Иными словами, данные по конкретному пациенту из прошлого, например, о том, как развивалось состояние здоровья пациента в прошлом вслед за переводом на отличающийся уровень ухода, принимаются во внимание для дополнительного улучшения надежности и точности определения баллов перевода.

Предпочтительно, чтобы текущие данные о пациенте содержали изменения состояния здоровья пациента при текущем уровне ухода. Например, улучшение состояния здоровья пациента при текущем уровне ухода может быть показанием к тому, что пациент может быть переведен на менее интенсивный уровень ухода или может остаться на текущем уровне ухода, но не должен переводиться на уровень более интенсивного ухода.

В одном варианте осуществления инструкции дополнительно побуждают процессор идентифицировать местоположение текущего уровня ухода и использовать такое местоположение текущего уровня ухода в качестве дополнительной исходной величины при вычислении двух или более баллов перевода конкретного пациента. Местоположение можно использовать для определения того, какое учреждение по уходу нужно оценить. Например, некоторые переводы с одного уровня ухода на другой (например, из палаты интенсивной терапии на дом), с достаточной вероятностью, никогда не произойдут. Местоположение текущего уровня ухода также используется для определения доступных данных и частоты оценки пациента (например, вычисление баллов перевода). Для более высоких уровней ухода такая частота будет выше.

Предпочтительно, чтобы инструкции дополнительно побуждали процессор идентифицировать местоположение текущего уровня ухода посредством считывания информации о местоположении из текущих данных о пациенте или посредством извлечения местоположения из признаков текущих данных о пациенте, включающих в себя тип, количество и/или содержание текущих данных о пациенте.

В предпочтительном варианте осуществления инструкции дополнительно побуждают процессор использовать риск повторной госпитализации пациента на текущий уровень ухода в качестве дополнительной исходной величины при вычислении двух или более баллов перевода конкретного пациента. Риск повторной госпитализации обычно означает шанс того, что пациент вернется на текущий уровень ухода после выписки на более низкий уровень ухода. Пример модели риска повторной госпитализации описывается у Amarasingham и др., «Автоматизированная модель для идентификации пациентов с сердечной недостаточностью, имеющих риск повторной госпитализации или смерти в течение 30 дней, с использованием электронных данных истории болезней» («An Automated Model to Identify Heart Failure Patients at Risk for 30-Day Readmission or Dearth Using Electronic Medical Record Data»), Medical Care: ноябрь 2010 - том 48 - выпуск 11 - сс. 981-988. Риск повторной госпитализации (например, в форме балла повторной госпитализации) может, например, быть напрямую взят как балл перевода или может быть объединен с альтернативным баллом с использованием взвешенной суммы.

Предпочтительно, инструкции дополнительно побуждают процессор использовать модель риска, описывающую риск повторной госпитализации пациента на текущий уровень ухода. Такие модели риска общеизвестны, например, из B. Hammill, L. Curtis, G. Fonarow, P. Heidenreich, C. Yancy, E. Peterson, и A. Hernandez, «Прирост клинических данных за пределы данных из отчетов при прогнозировании 30-дневных исходов после госпитализации в связи с сердечной недостаточностью» («Incremental value of clinical data beyond claims data in predicting 30-Day outcomes after heart failure hospitalization»), Circulation: Cardiovascular Quality and Outcomes, том 4, № 1, сс. 60-67, янв. 2011, Harlan M. Krumholz и др., «Параметры прогнозирования повторной госпитализации среди пожилых, перенесших госпитализацию в связи с сердечной недостаточностью» («Predictors of readmission among elderly survivors of admission with heart failure»), American Heart Journal, том 139, выпуск 1, сс. 72-77, январь 2000, или Philbin EF, DiSalvo TG, «Прогнозирование повторной госпитализации в связи с сердечной недостаточностью: разработка простого балла риска, основываясь на административных данных» («Prediction of hospital readmission for heart failure: development of a simple risk score based on administrative data»), J Am Coll Cardiol. 1999 май; 33(6):1560-6.

В одном варианте осуществления инструкции дополнительно побуждают процессор использовать данные по группе пациентов, предоставляющие собой статистическую информацию об истории переводов других пациентов между разными уровнями ухода, в том числе информацию об улучшениях и/или ухудшениях их состояния здоровья в ответ на указанные в истории переводы. Таким образом, статистические данные о том, как проходило лечение бóльшего числа пациентов в прошлом, предпочтительно, пациентов с тем (теми) же заболеванием (заболеваниями) и/или состоянием здоровья, используются при формировании баллов перевода конкретного пациента с тем, чтобы дополнительно повысить их надежность и точность.

В еще одном варианте осуществления инструкции дополнительно побуждают процессор вычислять один или более баллов состояния здоровья по конкретному заболеванию для пациента из указанных текущих данных и истории болезней пациента, чтобы использовать такие один или более баллов состояния здоровья по конкретному заболеванию при вычислении указанных двух или более баллов перевода конкретного пациента. Формирование и использование таких баллов состояния здоровья общеизвестны, например, из Subbe C. P. и др., «Подтверждение модифицированной шкалы раннего предупреждения при медицинских госпитализациях» («Validation of a modified Early Warning Score in medical admissions»), QJM (2001) 94 (10): 521-526. doi: 10.1093/qjmed/94.10.521, и дополнительно повышают надежность и точность сформированных баллов перевода конкретного пациента.

Предпочтительно, инструкции дополнительно побуждают процессор получать данные о пациенте, информацию о прогрессе в состоянии здоровья и/или баллы перевода пациентов, которые имели такое же или похожее состояние здоровья и/или историю болезней, что и текущий пациент, и использовать полученную информацию из данных о прогрессе в состоянии здоровья пациента и/или баллы перевода при вычислении двух или более баллов перевода конкретного пациента. Таким образом, не только данные о текущем пациенте, но также данные истории болезней других пациентов, предпочтительно, с таким же или похожим состоянием здоровья и/или пациентов, которые находились на том же уровне ухода, и прогресс в их состоянии здоровья в прошлом, например, в ответ на перевод на отличающийся уровень ухода, или в ответ на решение оставаться на том же самом уровне ухода, используются для определения актуальных баллов перевода конкретного пациента.

В предпочтительном варианте осуществления инструкции дополнительно побуждают процессор

- вычислять общий балл состояния здоровья для текущего уровня ухода из данных истории болезней пациентов, которые были на текущем уровне ухода,

- вычислять два или более общих баллов перевода, каждый из которых указывает на уровень рекомендации о переводе пациента с текущего уровня ухода на отличающийся уровень ухода или об оставлении на текущем уровне ухода, и

- объединять указанные два или более общих баллов перевода и указанные два или более баллов перевода конкретного пациента для получения двух или более конечных баллов перевода.

Таким образом, вычисляются не только баллы перевода для текущего пациента, но и баллы перевода для других пациентов (основываясь на данных истории болезней), чтобы избежать ситуации, когда баллы перевода конкретного пациента неверны из-за какой-либо ошибки, например, из-за неправильной интерпретации каких-либо данных, ошибки вычисления или какой-либо другой проблемы. Это можно распознать из сравнения с общими баллами перевода, например, если показано, что баллы перевода конкретного пациента сильно отличаются от общих баллов перевода.

Предпочтительно, если инструкции дополнительно побуждают процессор применять взвешенную комбинацию указанных общих баллов перевода и указанных баллов перевода конкретного пациента для получения указанных конечных баллов перевода, при этом вес определяется вручную или исходя из точности прошлых баллов перевода текущего пациента, других пациентов и/или всех пациентов.

Краткое описание чертежей

Эти и другие аспекты изобретения будут очевидны и пояснены со ссылкой на вариант(ы) осуществления, описанные здесь и далее. В нижеследующих чертежах

Фиг. 1 показывает схему, иллюстрирующую модель перевода в общем виде,

Фиг. 2 показывает схему, иллюстрирующую баллы перевода для модели перевода, показанной на Фиг. 1,

Фиг.3 показывает принципиальную схему первого варианта осуществления предложенной системы клинической поддержки,

Фиг. 4 показывает блок-схему первого варианта осуществления предложенного способа клинической поддержки,

Фиг. 5 показывает принципиальную схему второго варианта осуществления предложенной системы клинической поддержки,

Фиг. 6 показывает блок-схему второго варианта осуществления предложенной системы клинической поддержки.

Осуществление изобретения

Предложенные система и способ клинической поддержки используют текущие данные и данные истории болезней пациента. Эти данные пациента могут быть собраны посредством устройств мониторинга состояния здоровья пациентов (например, ЭКГ, пульсоксиметр, термометр, …), других (близлежащих) устройств измерения в реальном времени, таких как весы или лабораторные анализы, равно как и данные о пациенте в электронном виде. Например, может использоваться EHR (электронная медицинская карта), которая содержит структурированное описание текущего состояния пациента, а также данные истории предыдущих заболеваний, диагноза, терапий, прогресса в состоянии здоровья и т.д.

Система и способ клинической поддержки, которые могут также быть частью полноценной системы или способа воздействия на состояние здоровья, используемого практикующими врачами, могут содержать много различных функций и аспектов. Предложенные система и способ клинической поддержки фокусируются на рекомендациях о переводе пациента на отличающийся уровень ухода (или учреждение по уходу). Это может быть более высокий уровень ухода, из-за ухудшения состояния здоровья пациента. В качестве альтернативы, улучшение состояния здоровья может привести к понижению уровня ухода. Схема типичной модели перевода показана на Фиг. 1, где дом, палата интенсивной терапии и общая палата взяты в качестве примера зон ухода (например, уровни ухода). Моделируются возможные переводы из одного блока в другой. Следовательно, при заданном местоположении пациента известен клинический протокол. В примере на Фиг. 1 не принимается в расчет прямой перевод из палаты интенсивной терапии на дом.

Для вычисления рекомендаций о переводе из одного учреждения по уходу (т.е. уровня ухода) в другое баллы перевода конкретного пациента вычисляются для нескольких (предпочтительно каждого) возможных переводов. Эти баллы перевода (называемые «score_X(Y)», где «Х» указывает конечный уровень ухода, а «Y» указывает текущий уровень ухода) в качестве примера показаны на Фиг. 2, показывающей модель перевода с Фиг. 1. Для каждого уровня ухода сумма баллов перевода для всех исходящих стрелок составляет 1. Эти баллы могут быть предоставлены практикующему врачу отдельно, или же они могут быть преобразованы в одну рекомендацию о том, на какой уровень ухода этот конкретный пациент должен быть переведен.

Фиг. 3 показывает принципиальную схему первого варианта осуществления системы 10 клинической поддержки в соответствии с настоящим изобретением. Она содержит процессор 11 и машиночитаемый носитель 12 данных. Машиночитаемый носитель 12 данных содержит инструкции для выполнения процессором 11. Эти инструкции побуждают процессор 11 осуществлять этапы способа 100 клинической поддержки, как это проиллюстрировано на блок-схеме, показанной на Фиг. 4.

На первом этапе S10 текущие данные 1 о пациенте, описывающие пациента, для которого должна быть предоставлена рекомендация о переводе с текущего уровня ухода на один или более других уровней ухода, получаются при текущем уровне ухода. На втором этапе S11 получаются данные 2 истории болезней пациента, полученные ранее при текущем уровне ухода и/или других уровнях ухода. На третьем этапе S12 вычисляются два или более баллов 3 перевода конкретного пациента из указанных полученных текущих данных 1 о пациенте и данных 2 истории болезней пациента, при этом балл перевода конкретного пациента указывает уровень рекомендации о переводе пациента с текущего уровня ухода на отличающийся уровень ухода или об оставлении на текущем уровне ухода.

Таким образом, текущее состояние здоровья пациента (указанное в текущих данных о пациенте), равно как и данные истории болезней конкретного пациента, формируют основу для вычисления баллов перевода конкретного пациента для нескольких (предпочтительно всех) возможных переводов из текущего блока по уходу. Данные истории болезней пациента описывают не только данные, собранные в текущем блоке по уходу, но также и данные, собранные в предыдущей обстановке по уходу (т.е. уровни ухода). При том, что устройства мониторинга могут различаться и баллы состояния здоровья могут основываться на различных алгоритмах, это обеспечивает обзор состояния здоровья пациента за много лет (например, долговременный обзор, или обзор, основанный на текущем состоянии, равно как и прогресс в заболевании/состоянии здоровья на основе данных, собранных при множестве уровней ухода). Такой обзор предпочтительно используется для прогнозирования будущих переводов между уровнями ухода и для вычисления баллов перевода с указанием того, на какой именно уровень ухода перевод более рекомендован, а на какой уровень ухода перевод менее рекомендован.

Фиг. 5 иллюстрирует принципиальную схему другого варианта осуществления предложенной системы 20 клинической поддержки. Она содержит средство 21 для получения текущих данных о пациенте (называемое «Менеджер обстановки по уходу» в этом варианте осуществления изобретения). Этот менеджер 21 обстановки по уходу управляет контекстом пациента, т.е. определяет текущее местоположение и уровень ухода. Такой компонент собирает измерения, выполненные при помощи устройств-датчиков 22, 23, 24, которые используются для мониторинга состояния здоровья пациента. Местоположение пациента может быть одной из исходных величин.

Следует заметить, что, для различающейся обстановки по уходу, обычно используются разные комбинации измерительных устройств. Например, при том, что в палате интенсивной терапии имеется широкий диапазон устройств мониторинга с потоковой передачей данных, на дому собирается только небольшой набор образцов из ежедневных (или еженедельных) измерений. Предложенная система клинической поддержки, однако, способна работать с данными о пациенте, полученными в различных форматах, из различных мест расположения, в различные моменты времени и/или от различных измерительных устройств. Например, используемые модели состыкуются с данными, доступными в такой обстановке, для обеспечения поддержки на протяжении всего цикла по уходу.

Определив местоположение пациента, главный вычислительный компонент 25 (называемый «Советник по переводу» в этом варианте осуществления изобретения) определяет баллы для всех переводов, при этом оставление в текущем учреждении по уходу также моделируется как перевод.

Менеджер 21 обстановки по уходу собирает потоки данных для пациента и идентифицирует местоположение ухода. Такая идентификация делается посредством явного ввода или присваивания меток (например, название больницы, блока по уходу или ID палаты) или неявно посредством извлечения из получаемых данных.

Советник 25 по переводу вычисляет, основываясь на обстановке по уходу, рекомендации о переводе на другую обстановку по уходу. Эти рекомендации, предпочтительно, вычисляются с частотой, связанной с такой обстановкой по уходу, т.е. чем выше уровень ухода, тем более часто будут вычисляться эти рекомендации. Такие рекомендации основываются на сочетании источников данных, т.е., по меньшей мере, из собранных данных мониторинга и дополнительных данных о пациенте (например, извлеченные советником 25 по переводу, который может включать в себя отдельное средство для получения дополнительных данных о пациенте из базы 26 данных, в которой сохранена EHR пациента). Кроме того, предпочтительно, чтобы вдобавок использовались модели 27 риска, которые описывают риск повторной госпитализации в текущую обстановку ухода, модели 28 балла здоровья и/или данные 29 о группе пациентов, которые используются для выработки статистических данных на предмет вероятных переводов и прогноза повторной госпитализации.

По каждому пациенту и каждому учреждению по уходу (например, палата интенсивной терапии, общая палата, на дому) вариант осуществления способа 200 клинической поддержки, как это показано на Фиг. 6, можно использовать с заранее заданной частотой. Необходимо отметить, что в других вариантах осуществления используются не все элементы способа 200 клинической поддержки, и выбор показанных элементов может осуществляться также в других комбинациях.

Для выбора подходящих алгоритмов для пациента на этапе S20 формируется профиль для пациента («Профиль заболевания»). Этот профиль содержит обзор многих (предпочтительно всех) текущих заболеваний пациента. Эти заболевания извлекаются из EHR пациента, которая, например, сохранена в базе данных (например, база 26 данных, показанная на Фиг. 5), основываясь либо на структурированных данных (например, коды ICD-10), либо на диагнозе и подробностях госпитализации на естественном языке, или выведены с использованием комбинации симптомов, медикаментов, лабораторных показателей и других свидетельств в поддержку диагноза. Следовательно, с пациентом ассоциировано ноль или более текущих заболеваний. В дополнение, эти заболевания предпочтительно взвешены, основываясь на классификации в EHR (например, первичный, вторичный диагноз, или основываясь на основных симптомах при госпитализации). Если идентифицировано по меньшей мере одно заболевание, предполагается, что сумма всех весов заболевания равна 1.

С использованием данных, собранных на этапе S20, вычисляется балл состояния здоровья пациента, основываясь на баллах состояния здоровья по конкретному заболеванию и конкретной обстановке по уходу (в отношении критичности состояния здоровья и необходимости в уходе/поддержке) на этапе S21 («Балл состояния здоровья по конкретному заболеванию»). Например, текущий балл состояния здоровья у пациента с сердечной недостаточностью на дому может быть определен по изменению его веса (сигнализирующем о задержке жидкости). Балл состояния здоровья у пациента с сердечной недостаточностью в больнице может быть выражен как его прогресс в направлении выписки (например, посредством применения указаний HFSA или вычислением балла смертности по конкретному заболеванию). Теперь, имея выборку заболеваний, каждое из которых ассоциируется с одной или более моделью риска, несколько (например, все) модели 28a, 28b, 28c балла состояния здоровья оцениваются вместе с данными мониторинга пациента, а также вместе с информацией, доступной из EHR. По каждому заболеванию это дает выборку баллов состояния здоровья, либо выражающих состояние здоровья или улучшения состояния здоровья (например, готовность к выписке, стабильность пациента, балл оценки симптома), либо выражающих риск внезапного неблагоприятного события (например, балл смертности в больнице).

При использовании заранее заданной комбинации весов эти вычисленные баллы состояния здоровья объединяются в один балл состояния здоровья по конкретному заболеванию для каждого заболевания. Наконец, все объединенные баллы состояния здоровья по конкретному заболеванию сливаются в один балл состояния здоровья с использованием весов, выведенных на этапе S20.

Предпочтительно, эти баллы состояния здоровья вычисляются непрерывно с фиксированными интервалами по времени. В качестве альтернативы, тяжесть состояния здоровья пациента может увеличить число моментов оценки (как-то в IntelliVue Guardian, которое представляет собой продукт, в котором частота оценок EWS увеличивается, если состояние здоровья пациента ухудшается).

Отдельно от баллов состояния здоровья по конкретному заболеванию могут использоваться общие (итоговые) баллы состояния здоровья, полученные на этапе S22, предпочтительно посредством использования моделей 28d, 28e, 28f балла состояния здоровья.

Основываясь на данных, доступных при текущей обстановке ухода, когда это возможно, вычисляются баллы состояния здоровья. Данные, отслеживаемые при помощи датчиков, извлекаемые из EHR или выводимые из анкет, можно использовать для оценки общего состояния здоровья пациента. Например, для палаты интенсивной терапии известную модифицированную шкалу раннего предупреждения (MEWS) можно использовать для оценки состояния здоровья пациента, тогда как анкета качества жизни и измерения Физической активности более применимы в домашней обстановке.

И для способа с общим баллом состояния здоровья, и для способа с баллом состояния здоровья по конкретному заболеванию применимы модели 27a, 27b риска. Эти модели 27a, 27b риска прогнозируют риск ранней повторной госпитализации на текущий уровень ухода. И для палаты интенсивной терапии, и для госпитализации такие модели общедоступны. Такие модели могут быть по конкретному заболеванию (например, острый инфаркт миокарда, пневмония, сердечная недостаточность) или общими. В обоих случаях, и общем, и по конкретному заболеванию, такие модели (для которых имеется достаточно данных) взвешиваются в объединенные баллы риска. Когда модели 27a, 27b риска также включают в себя меру их достоверности (например, стандартное отклонение модели при применении к группе), эти величины могут быть преобразованы в коэффициент веса и объединены в комбинацию баллов риска.

Необходимо заметить, что для самого низкого уровня ухода (например, на дому), риск повторной госпитализации неприменим, но баллы риска используются для прогнозирования переводов на более высокие уровни ухода.

На этапе S23 («Балл перевода по конкретному заболеванию») вычисляются основанные на тенденции баллы перевода для следующего периода времени. Предпочтительно, если вычисляется комбинация баллов и по конкретному пациенту и общего по пациенту. Основываясь на прогрессе текущего пребывания в блоке по уходу и прогрессе в состоянии здоровья в прошлых блоках по уходу, рассчитывается вероятность переводов путем сравнения данных по баллу перевода из истории болезней и действительные переводы в другие учреждения по уходу. Для данных истории болезней используются данные от самого пациента, равно как данные истории болезней пациентов с похожим профилем (т.е. похожими показателями смертности, таким же уровнем ухода и похожим прогрессом в показателях жизнедеятельности и прочих маркеров состояния здоровья). Основываясь на этих алгоритмах сравнения, вычисляется вероятность для каждого возможного перевода.

На этапе S24 («Общий балл перевода») вычисляется общий балл перевода тем же образом, что и балл перевода по конкретному заболеванию на этапе S23. Следовательно, общие баллы состояния здоровья из истории болезней сравниваются с действительными переводами для прогнозирования вероятностей каждого возможного перевода. Во внимание принимаются не только баллы состояния здоровья, собранные в текущем блоке по уходу, но также баллы перевода в предыдущих блоках по уходу.

Баллы перевода по конкретному заболеванию, вычисленные на этапах S23 и S24, могут быть точно настроены с использованием риска ранней повторной госпитализации в текущий блок по уходу на этапах S25 («Скорректированный балл перевода по конкретному заболеванию») и S26 («Скорректированный общий балл перевода»). Для более высоких баллов риска переводы на более низкие уровни понижаются, тогда как балл для оставления в таком блоке по уходу увеличивается. Во-вторых, если у пациента была ранняя повторная госпитализация в прошлом, баллы перевода корректируются тем же образом.

Для вычисления конечных баллов перевода на этапе S27 («Балл перевода») берется взвешенная комбинация двух баллов перевода. Эти веса можно либо определить вручную, либо они могут основываться на точности предыдущих прогнозирований по этому пациенту, или могут основываться на точности предыдущих прогнозирований по похожим пациентам, или же могут основываться на точности по всем пациентам в базе данных.

В каждый момент вычисляется новый набор баллов перевода; это можно направить в клиническое приложение-программу. Такое клиническое приложение может выдать рекомендацию (основываясь на высшем по рангу балле перевода), например, показать ее на дисплее. В качестве альтернативы могут быть выданы несколько или все баллы перевода для нескольких или всех переводов. Наконец, практикующий врач может понять сущность прогресса в состоянии здоровья пациента по выдаче (например, отображению на дисплее) баллов перевода во времени.

Предложенные система и способ клинической поддержки применимы в широком диапазоне клинической деятельности, где имеются данные о пациенте, например, собранные посредством устройств мониторинга и электронных записей. Поэтому, они, в частности, нацелены на цикл перевода по уровню ухода пациентов с хроническими заболеваниями.

Для целей иллюстрации практической реализации предполагается ситуация в палате интенсивной терапии, в которой обычно используется модифицированная шкала раннего предупреждения (MEWS - как это, например, описано на http://qjmed.oxfordjournals.org/content/94/10/521.short) для восприятия состояния здоровья пациента. Этот балл MEWS можно использовать для двух баллов перевода score_icu и score_ward, при этом score_icu = «процент времени за последние 24 часа, когда балл MEWS пациента был ниже 6», и score_ward = «процент времени за последние 24 часа, когда балл MEWS пациента был, по меньшей мере, равен 6». Если пациент помещен в палату интенсивной терапии с сердечной недостаточностью, то прогресс в заболевании можно выразить, используя потерю веса пациента (из-за диуретического лечения для удаления накопления жидкостей в легких и других частях тела). С этой целью, наблюдаются изначальный вес w_i, целевой вес w_t (задается практикующим врачом) и нынешний вес w_c. Персонализированный балл перевода по конкретному заболеванию тогда может быть:

Score_icu = α × «процент времени за последние 24 часа, когда балл MEWS пациента был ниже

Score_ward=1-score_icu,

при этом α - это заданное значение между 0 и 1.

Резюмируя, и для пациентов, и для поставщиков услуг по уходу существенно, чтобы уровень ухода отвечал текущему и будущему состоянию здоровья пациента. Сегодня решения по клинической поддержке принятия решения обычно фокусируются на раннем распознавании неблагоприятных событий, основываясь на данных, собранных в текущем блоке по уходу (например, палата интенсивной терапии, общая палата, на дому). Имеется потребность в поддержке принятия основанного на доказательствах решения о будущих переводах на другие уровни ухода, либо на более высокие (например, из общей палаты в палату интенсивной терапии), либо на более низкие (например, из палаты в учреждение сестринского ухода). Предложенные система и способ клинической поддержки вычисляют рекомендации по таким переводам между уровнями ухода. Принимая во внимание текущее состояние здоровья пациента и историю болезней (и, предпочтительно, прогнозирование состояния здоровья), получают рекомендации о каждом возможном переводе между уровнями ухода. Посредством измерения, отслеживания и моделирования состояния здоровья пациента на протяжении различной обстановки по уходу собирают доказательства в пользу создания персонализированных рекомендаций о переводе между уровнями ухода.

Несмотря на то, что изобретение подробно описано и проиллюстрировано в предшествующем описании и на сопроводительных чертежах, такие иллюстрация и описание должны рассматриваться только как примерные и иллюстративные и не имеющие ограничительного характера; изобретение не ограничивается описанными вариантами осуществления. Специалисты в данной области техники могут представить и осуществить на практике другие изменения раскрытых вариантов осуществления заявленного изобретения, исходя из изучения чертежей, описания и прилагаемой формулы изобретения.

В формуле изобретения слово «содержащий» не исключает иные элементы или этапы, а упоминание элементов или этапов в единственном числе не исключает их множества. Один элемент или другой блок может осуществлять функции нескольких элементов, упоминаемых в формуле изобретения. Простой факт, что конкретные меры упоминаются во взаимно различающихся зависимых пунктах формулы изобретения, не означает, что сочетание этих мер не может использоваться для получения преимущества.

Компьютерная программа может быть сохранена/распространяться на подходящем постоянном носителе данных, таком как оптический носитель данных или твердотельный носитель данных, поставляемый вместе с прочим аппаратным оборудованием или как его часть, но также может распространяться в других формах, например, по сети Интернет или иным проводным или беспроводным системам телекоммуникации.

Никакие ссылочные обозначения в формуле изобретения не должны рассматриваться как ограничивающие объем изобретения.