Результат интеллектуальной деятельности: СПОСОБ И СИСТЕМА КОМПЬЮТЕРНОЙ СТРАТИФИКАЦИИ ПАЦИЕНТОВ НА ОСНОВЕ СЛОЖНОСТИ СЛУЧАЕВ ЗАБОЛЕВАНИЙ

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.