【技术实现步骤摘要】
【国外来华专利技术】用于临床结果量度的自动检测的系统和方法
[0001]本申请涉及一种用于临床结果量度和/或临床生物标志物的自动检测和/或估计的系统、设备和方法。
技术介绍
[0002]患者或受试者的临床生物标志物，也被称为客观结果量度(OOM)或临床结果量度，用于定量地指示在所述患者或受试者的特定身体系统或身体部位中所述患者或受试者的病状。所述受试者或患者可以包括或表示任何生物体或生物生命，其可以包含，仅通过举例但不限于，人、动物等。术语受试者或患者在本文中可互换使用。临床医师、医生和研究人员可以使用受试者的一个或多个临床生物标志物来协助形成临床决策、诊断病状和/或提出对由临床生物标志物指示的所述患者或受试者的任何潜在病状的合适治疗的基础。临床生物标志物对病状的诊断、针对所述病状的治疗类型的选择和/或治疗费用有影响。
[0003]临床生物标志物可以包括或表示代表度量或值的数据，所述度量或值是根据在临床或实验室环境中执行或经历具体测试的受试者计算的，其可以用作患者的特定疾病状态或某种其它生物或生理状态的指标。患者或受试者的临床生物标志物的实例可以包含，仅...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于提取传感器数据部分以估计受试者的一个或多个临床生物标志物的计算机实施的方法，所述计算机实施的方法包括：从与所述受试者相关联的多个传感器接收传感器数据；通过将所述传感器数据输入到第一组ML模型来对所述传感器数据进行处理，所述第一组ML模型被配置成提取与构建和估计所述受试者的临床生物标志物相关的传感器数据部分；输出所提取的传感器数据部分以输入到第二组ML模型，所述第二组ML模型被配置成构建和估计所述受试者的一个或多个临床生物标志物。2.根据权利要求1所述的计算机实施的方法，其进一步包括基于将所述所提取的传感器数据部分输入到所述第二组ML模型来估计所述受试者的临床生物标志物，所述第二组ML模型被配置成估计所述受试者的所述一个或多个临床生物标志物。3.一种用于估计受试者的临床生物标志物的计算机实施的方法，所述方法包括：接收从与所述受试者相关联的传感器提取的传感器数据部分，其中所述传感器数据部分是使用第一组ML模型提取的，所述第一组ML模型被配置成提取相关传感器数据部分以构建和估计所述受试者的一个或多个临床生物标志物；以及使用第二组ML模型对所提取的传感器数据部分进行处理，所述第二组ML模型被配置成估计受试者的一个或多个临床生物标志物。4.根据权利要求3所述的计算机实施的方法，其进一步包括基于将所述传感器数据输入到所述第一组ML模型来提取传感器数据部分，所述第一组ML模型被配置成提取与构建和估计所述受试者的临床生物标志物相关的传感器数据部分。5.一种用于估计受试者的一个或多个临床生物标志物的计算机实施的方法，所述方法包括：从与所述受试者相关联的一个或多个传感器接收传感器数据；使用第一组机器学习(ML)模型对所述传感器数据进行处理，所述第一组ML模型被配置成提取与估计所述受试者的一个或多个临床生物标志物相关的传感器数据部分；从与所述受试者相关联的传感器接收所提取的传感器数据部分；以及使用第二组ML模型对接收到的所提取的传感器数据部分进行处理，所述第二组ML模型被配置成估计所述受试者的所述一个或多个临床生物标志物。6.根据权利要求1到5中任一项所述的计算机实施的方法，其中所述传感器数据包括所述受试者的实时传感器测量结果。7.根据权利要求1到6中任一项所述的计算机实施的方法，其中所述传感器数据包括所述受试者的在所述受试者执行其每天活动时获取的传感器测量结果。8.根据权利要求1到7中任一项所述的计算机实施的方法，其中所述传感器数据包括所述受试者的从在向所述受试者施用治疗期间记录数据的装置获取的传感器测量结果。9.根据权利要求1到8中任一项所述的计算机实施的方法，其中所述传感器数据包括所述受试者的在所述受试者执行其每天活动时连续获取的传感器测量结果，所述方法进一步包括：使用所述第一组ML模型对所述传感器数据进行预处理以提取传感器数据部分并对所述传感器数据部分进行分类；以及将所提取和所分类的传感器数据部分传输到第二计算装置或单元以使用所述第二组ML模型来估计在所述所提取和所分类的传感器数据部分中存
在的一个或多个所关注临床生物标志物。10.根据权利要求1到9中任一项所述的计算机实施的方法，其中在将由所述第一组ML模型提取的所述传感器数据部分输入到所述第二组ML模型之前进一步由一个或多个预处理算法或另外的ML模型对所提取的传感器数据部分进行处理，所述第二组ML模型被配置成估计所述受试者的所述一个或多个临床生物标志物。11.根据权利要求1到10中任一项所述的计算机实施的方法，其中临床生物标志物包括表示由在临床或实验室环境中执行或经历具体测试的受试者计算的度量或值的数据，所述度量或值能够用作受试者的特定疾病状态或某种其它生理状态的指标。12.根据权利要求1到11中任一项所述的计算机实施的方法，所述方法包括基于以下构建所述临床生物标志物的估计值：接收传感器数据，所述传感器数据包括所述受试者的在所述受试者执行其每天活动时获取的传感器测量结果；使用所述第一组ML模型来提取所述传感器数据的段，以基于与所述临床生物标志物相关联的一个或多个临床生物标志物组成部分来鉴定所述传感器数据的每个相关段并对所述每个相关段进行分类；基于将与所述临床生物标志物组成部分相关联的所提取的段输入到所述第二组ML模型中的一个或多个ML模型中以估计所述临床生物标志物来构建所述临床生物标志物的估计值。13.根据权利要求12所述的计算机实施的方法，其中所述第二组ML模型估计一组生物标志物，并且构建所述临床生物标志物的估计值的步骤进一步包括基于使用数学模型和/或所述第二组ML模型中的一个或多个ML模型将所述一组生物标志物组合来估计所述临床生物标志物，所述第二组ML模型被配置成估计所述临床生物标志物。14.根据权利要求1到13中任一项所述的计算机实施的方法，其中所述第一组机器学习(ML)模型被配置成基于与所述一个或多个临床生物标志物相关联的一个或多个临床生物标志物组成部分对所述所提取的传感器数据部分进行分类。15.根据权利要求14所述的计算机实施的方法，其中所述第二组ML模型被配置成基于接收到所述所提取的传感器数据部分和对应一个或多个临床生物标志物组成部分作为输入来估计所述受试者的一个或多个临床生物标志物。16.根据权利要求1到15中任一项所述的计算机实施的方法，其中所述第二组ML模型中的一个或多个ML模型被进一步配置成基于从所述第二组ML模型中的其它ML模型接收到一个或多个所估计的临床生物标志物来估计一个或多个另外的生物标志物或另外的临床生物标志物。17.根据权利要求1到16中任一项所述的计算机实施的方法，其中所述传感器数据是非结构化传感器数据，所述方法进一步包括将所述非结构化传感器数据输入到所述第一组ML模型以提取与估计所述一个或多个临床生物标志物相关的非结构化传感器数据部分。18.根据权利要求17所述的计算机实施的方法，其中所述传感器数据部分包括所述非结构化传感器数据的多个所关注段，所述多个所关注段与估计一个或多个所关注临床生物标志物相关联。19.根据任一前述权利要求所述的计算机实施的方法，其中所述第一组ML模型中的一
个或多个ML模型对所述传感器数据部分进行分类以形成与一个或多个临床生物标志物组成部分相关联的所标记的一组传感器数据以输入到所述第二组ML模型。20.根据权利要求1到19中任一项所述的计算机实施的方法，其中将所述传感器数据部分输入到所述第二组ML模型以估计一个或多个所关注临床生物标志物。21.根据权利要求1到20中任一项所述的计算机实施的方法，其中所述第一组ML模型中的一个或多个ML模型对所述传感器数据部分进行分类以形成与所述受试者相关联的第一生物标志物数据集以输入到所述第二组ML模型中的一个或多个ML模型以估计与所述受试者的所述生物标志物数据集相关联的另外的临床生物标志物。22.根据权利要求21所述的计算机实施的方法，其中所述受试者的所述生物标志物数据集包括在功能上能用作临床生物标志物组成部分的一组生物标志物，其中临床生物标志物是基于所述临床生物标志物组成部分中的一个或多个临床生物标志物组成部分而估计的。23.根据权利要求21或22所述的计算机实施的方法，其中所述生物标志物数据集包括鉴定所述临床生物标志物组成部分的多个临床生物标志物组成部分标签和与每个临床生物标志物组成部分相关联的对应一个或多个传感器数据部分。24.根据权利要求23所述的计算机实施的方法，其中所述临床生物标志物组成部分标签中的每个临床生物标志物组成部分标签与一个或多个传感器数据部分相关联，所述一个或多个传感器数据部分被分类为与对应临床生物标志物组成部分相关联。25.根据权利要求1到24中任一项所述的计算机实施的方法，其中所述方法进一步包括基于与所述受试者的一个或多个临床生物标志物相关联的第一所标记的传感器训练数据集来训练所述第一组ML模型中的一个或多个ML模型以提取与估计所述一个或多个临床生物标志物相关联的传感器数据部分。26.根据权利要求25所述的计算机实施的方法，其中所述第一所标记的传感器训练数据集是基于以下生成的：从与处于与所关注临床生物标志物相关联的身体状态下的测试受试者相关联的传感器接收传感器数据；存储所述传感器数据以用于训练所述第一组一个或多个ML模型；跟踪所述测试受试者的所述身体状态，其中每种不同的身体状态定义不同的临床生物标志物组成部分以估计所述受试者的临床生物标志物；对于与所述测试受试者相关联的所述传感器中的每个传感器，用与针对所述测试受试者的每个传感器数据段确定的所跟踪的身体状态相对应的临床生物标志物组成部分对所述每个传感器数据段进行标记；存储所标记的传感器数据集以用于训练一种或多种ML技术以生成一个或多个ML模型，所述一个或多个ML模型被配置成从接收到的传感器数据中提取所关注传感器数据部分和/或基于所述临床生物标志物组成部分对所提取的传感器数据部分中的每个所提取的传感器数据部分进行分类。27.根据权利要求26所述的计算机实施的方法，其中所述受试者的身体状态包括对特定时间时所述受试者的生物或生理状态的指示。28.根据权利要求26或27所述的计算机实施的方法，其中所述受试者的所述身体状态
基于由所述受试者执行的一个或多个活动而变化。29.根据权利要求26到28中任一项所述的计算机实施的方法，其中训练所述第一组ML模型中的所述一个或多个ML模型进一步包括：检索一个或多个测试受试者的所存储的传感器数据和与所述传感器数据相关联的对应所标记的传感器数据段；将所述所存储的传感器数据输入到第一组ML技术以训练所述第一组ML模型，以输出对所提取的传感器数据段的指示和相对于一个或多个临床生物标志物组成部分对每个段的分类；基于将对所提取的传感器数据段的输出指示和临床生物标志物组成部分分类与所述所标记的传感器数据集的对应段进行比较来更新所述ML技术；重复输入和更新的步骤，直到确定所述一种或多种ML技术得到有效训练为止；输出对应经训练的ML模型，所述对应经训练的ML模型被配置成用于提取传感器数据段并相对于临床生物标志物组成部分对每个段进行分类，以用于估计一个或多个临床生物标志物。30.根据权利要求25到29中任一项所述的计算机实施的方法，其中所述第一所标记的传感器训练数据集包括多个传感器数据部分，每个传感器数据部分与和估计一个或多个临床生物标志物或临床生物标志物组成部分相关联的标签相关联。31.根据权利要求1到30中任一项所述的计算机实施的方法，其中所述方法进一步包括训练所述第二组ML模型中的一个或多个ML模型以基于第二所标记的传感器数据集估计所述受试者的一个或多个临床生物标志物，所述第二所标记的传感器数据集对应于与所述所标记的传感器数据集相关的对应一个或多个临床生物标志物的估计值。32.根据权利要求26所述的计算机实施的方法，其中所述第二所标记的传感器数据集包括所述第一所标记的传感器数据集并且进一步用相对于所述第一所标记的传感器数据集计算的临床生物标志物的对应估计值进行标记。33.根据权利要求31或32中任一项所述的计算机实施的方法，其中所述第二所标记的传感器训练数据集是基于以下生成的：检索测试受试者的所述第一所标记的传感器数据集；基于所述测试受试者的所述第一所标记的传感器数据集和对应临床生物标志物组成部分来计算使用一个或多个ML模型进行估计所需的一个或多个临床生物标志物；用对应计算出的临床生物标志物标记所述第一所标记的传感器数据集的一个或多个段；存储所述所标记的传感器数据集作为所述第二所标记的传感器数据集以用于训练一种或多种ML技术以生成一个或多个ML模型，所述一个或多个ML模型被配置成根据接收到的所提取的传感器数据段估计一个或多个对应所关注临床生物标志物，所述接收到的所提取的传感器数据段中的每个接收到的所提取的传感器数据段已基于一个或多个临床生物标志物组成部分进行分类。34.根据权利要求31到33中任一项所述的计算机实施的方法，其中训练所述第一组ML模型中的所述一个或多个ML模型进一步包括：检索一个或多个测试受试者的所存储的第一和第二所标记的传感器数据集；
将所述第一所标记的传感器数据集输入到第二组ML技术，以训练所述第二组ML模型以估计一个或多个临床生物标志物；基于将所估计的临床生物标志物与所述第二所标记的数据集的对应临床生物标志物进行比较来更新所述第二组ML技术；重复输入和更新的步骤，直到确定所述一种或多种ML技术得到有效训练为止；输出对应经训练的ML模型，所述对应经训练的ML模型被配置成用于估计一个或多个临床生物标志物。35.根据权利要求1到34中任一项所述的计算机实施的方法，其中所述方法进一步包括训练所述第二组ML模型中的一个或多个ML模型以基于一个或多个其它临床生物标志物、生物标志物和/或相关联的所提取的传感器数据部分来估计一个或多个临床生物标志物。36.根据权利要求1...
【专利技术属性】
技术研发人员：O阿米蒂奇，E休沃奇，T爱德华兹，S李，L韦尔尼施，M雅各佩克，B帕特森，C汉利，
申请(专利权)人：生物医疗有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。