用于估计药品相关的治疗优化的临床决策支持系统技术方案

本发明专利技术提供了一种用于估计药品相关的治疗优化的临床决策支持系统。该临床决策支持系统包括：计算单元，其被设计成托管多个预测模型，该计算单元包括被设计成用于接收输入数据的输入接口和被设计成输出结果的输出接口；多个不同的经训练的预测模型，其中，每个模型被训练成预测针对多个不同的药品相关的治疗选项和针对特定患者组的治疗结果的概率；选择单元，其被设计成用于根据预定义的选择方案基于输入数据自动地选择这些预测模型中的一个预测模型；其中，临床决策支持系统被设计成通过利用选择的预测模型处理输入数据来产生输出结果。本发明专利技术还描述了一种预测方法、一种用于制造这样的CDS系统的方法和一种数据处理系统。统。统。

【技术实现步骤摘要】
用于估计药品相关的治疗优化的临床决策支持系统


[0001]本专利技术描述了用于估计关于炎症性疾病的药品相关的治疗优化的临床决策支持(“CDS”)系统以及计算决策支持的预测方法和用于制造这样的CDS系统的方法。

技术介绍

[0002]炎症性疾病——诸如风湿性疾病，比如类风湿性关节炎、银屑病关节炎、其他肌肉骨骼疾病、慢性阻塞性肺病(COPD)、哮喘、多发性硬化症或克罗恩病——包括导致慢性疼痛和炎症的大范围的医疗状况。例如，风湿性疾病影响关节、肌腱、韧带、肌肉和骨骼。这些状况中的大多数状况在免疫系统出于尚不清楚的原因而开始攻击其自己的组织时发生。通常，炎症性疾病的特征在于疾病不活动(也被称为“缓解”)、低度和中度疾病活动的交错时期以及加重的(高)疾病活动(被称为“突发疾病”)的时期。
[0003]虽然这样的疾病中的大多数疾病无法治愈，但是存在可以帮助将疾病活动保持在低水平的不同类型的药物。合适的药物和剂量例如在特定疾病指南(诸如针对类风湿性关节炎的ACR和EULAR指南)中被指定。然而，合适的药物和剂量是基于群体水平上的临床研究和统计分析而得出的。
[0004]由于患者的特性——诸如人口统计特征、饮食和生活方式、遗传易感性、对外部因素比如天气状况的敏感性以及同样可能的其他因素——的大的差异，对于风湿病学家来说找到针对个别患者的正确的药物和/或正确的剂量仍然具有挑战性。
[0005]通常，有效的治疗需要被改变，以适应患者的当前情况(例如，由于计划的手术或急性感染而暂停免疫抑制疗法)、降低药物的不良事件的风险以及/或者降低医疗保健成本。
[0006]此外，根据用于治疗类风湿性关节炎的指南中描述的“靶向治疗”策略，一旦达到稳定缓解，药品尤其是生物药品的剂量应当逐渐减少。然后，风湿病学家再次面临如下挑战：哪些患者符合逐渐减量的条件以及在每个单独病例中药品可以减量多少。这通常是反复试验的过程，该过程伴随着患者生活质量的降低和医疗保健费用的增加，直到找到正确的治疗方法为止。
[0007]在风湿病患者的门诊临床常规中，风湿病学家以固定的时间间隔或不固定的时间间隔(例如在并发症比如突发疾病的情况下)对这些风湿病患者进行检查。在典型的患者就诊期间，收集检查数据，并且有时确认或更新先前收集的人口统计数据和生活方式数据。基于该数据，风湿病学家与患者一起做出理想的治疗决策。在患者就诊期间，血液样本通常被采集并被送到实验室以用于分析，最常关注的是炎症生物标志物比如C反应蛋白(CRP)。稍后——通常在患者就诊后几天以及已经做出治疗决策后——能够获得该血液测试的结果。
[0008]根据新获得的实验室数据，风湿病学家有时获得新的见解，并通过电话调整患者的治疗。在所有情况下，治疗决策基于与患者的人口统计特征(例如，年龄、性别)、检查数据(例如，患者问卷、触痛和肿胀的关节的数目)、血液值(例如，ESR、CRP)和药物(例如，物质、联合疗法、剂量等)相关的多个相关变量。
[0009]最后，临床指南强调临床医生与患者之间关于治疗的共同决策，考虑到大量的所涉及的相关变量，这并不是一项容易完成的任务。
[0010]具体问题是：
[0011]1.医生(例如，风湿病学家)经常难以找到可能对单个患者有效的初始药物和/或剂量。
[0012]2.医生经常需要逐渐减少药品剂量，但不知道逐渐减量对于单个患者是否安全且仍然有效并且不知道逐渐减少多少药品剂量对于单个患者安全且仍然有效。
[0013]3.与治疗决策相关的数据在不同的时间点处变得可用。
[0014]4.由于在炎症性疾病领域(例如，风湿病学)中制定高维决策的复杂性质，数据驱动的黑盒决策支持系统通常被认为缺乏透明度，这对临床医生和患者二者的接受度产生负面影响。

技术实现思路

[0015]因此，本专利技术的目的是改进已知的方法并提供用于估计关于炎症性疾病的药品相关的治疗优化的临床决策支持系统，特别是用于风湿性疾病中的疗法计划的数据驱动的临床决策支持。
[0016]通过根据本专利技术的技术方案所述的临床决策支持系统、根据本专利技术的技术方案所述的预测方法、根据本专利技术的技术方案所述的用于制造CDS系统的方法以及根据本专利技术的技术方案所述的数据处理系统来实现该目的。
[0017]在下文中，可以使用关于预测突发类风湿性关节炎的概率的示例来描述本专利技术，但是本专利技术不限于该应用。本专利技术及其各方面可以尤其用于预测具有已知的炎症性疾病像例如银屑病关节炎、其他肌肉骨骼疾病、慢性阻塞性肺病(COPD)、哮喘、多发性硬化症或克罗恩病的患者的未来状态。
[0018]根据本专利技术的用于估计关于炎症性疾病的药品相关的治疗优化的临床决策支持系统，该临床决策支持系统包括以下组件：
[0019]‑
计算单元，其被设计成托管多个预测模型，该计算单元包括被设计成用于接收输入数据的输入接口和被设计成输出结果的输出接口，
[0020]‑
多个不同的经训练的预测模型，其中，每个模型被训练成基于输入数据来预测针对多个不同的药品相关的治疗选项和针对特定患者组的治疗结果的概率，
[0021]‑
选择单元，其被设计成用于根据预定义的选择方案基于输入数据自动地选择这些预测模型中的一个预测模型，
[0022]其中，CDS系统被设计成：通过利用所选择的预测模型对输入数据进行处理来产生输出结果。
[0023]通常，临床决策支持(CDS)系统在本领域中是已知的。然而，该CDS系统提供对未来时间段内药品相关的治疗优化风险概率的估计。该上下文中的表达“药品相关的”可能意味着与关于药品剂量和/或药品类型的药品反应和/或副作用有关。可替选地，“药品相关的”可以意指患者对应用的(一定剂量的)药品的(阴性或阳性)反应。例如，对于特定量或特定类型的药品，可以估计药品反应概率(药品是否有帮助)以及/或者可以预测针对特定患者的副作用的风险。
[0024]合适的计算单元应当具有足够的内存和计算能力来托管多个预测模型。这意味着计算单元必须能够处理这些预测模型，以便通过预测模型从输入数据获得结果。然而，未使用的预测模型不一定需要由计算单元托管。这些未使用的预测模型可以例如直到需要时才会出现在存储器中。这样的具有输入接口和输出接口的计算单元在本领域中是已知的。输出接口可以是数据接口或显示器。任何用于输出结果的手段都是可能的，只要它们能够提供用户所需的数据格式即可。
[0025]关于预测模型，这些预测模型是出于不同的目的被训练的模型。优选地，已经利用不同的患者组的训练数据(这些模型中的每一个具有关于不同的患者组的训练数据集)以及/或者利用与不同的药物相关的训练数据(尽管也可以利用一组不同的药品来训练模型)对这些预测模型进行训练。还可以利用不同类型的数据(例如，人口统计数据、药物数据、检查数据或实验室数据)来训练模型，例如，利用实验室数据来训练一种模型，而利用人口统计数据来训练另一种模型。通常，预测模型的训练以及这些预测模型的架构在本领域中是熟知的(参见例如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于估计关于炎症性疾病的药品相关的治疗优化的临床决策支持系统(1)，包括：
‑
计算单元(2)，所述计算单元被设计成托管多个预测模型(M)，所述计算单元(2)包括被设计成用于接收输入数据(D)的输入接口(3)和被设计成输出结果(R)的输出接口(4)，
‑
多个不同的经训练的预测模型(M)，其中，每个模型(M)被训练成：基于输入数据来预测针对多个不同的药品相关的治疗选项和针对特定患者组的治疗结果的概率，
‑
选择单元(6)，所述选择单元被设计成用于根据预定义的选择方案基于所述输入数据(D)自动地选择这些预测模型(M)中的一个预测模型，其中，所述临床决策支持系统(1)被设计成：通过利用所选择的预测模型(M)处理所述输入数据(D)来产生输出结果(R)。2.根据权利要求1所述的临床决策支持系统，其中，对于多个不同的预测模型(M)，已经针对不同的患者组来训练每个预测模型(M)并且基于所述输入数据(D)中与患者相关的信息来选择每个预测模型(M)，优选地基于人口统计数据和/或检查数据来选择每个预测模型(M)，特别地基于关于来自包括性别、疾病类型(例如，血清阳性类风湿性关节炎与血清阴性类风湿性关节炎)、年龄、潜在的健康状况、体重指数的组的区别特征的信息来选择每个预测模型(M)。3.根据前述权利要求中一项所述的临床决策支持系统，其中，对于多个所述不同的预测模型(M)，已经针对临床路径中的不同位置来训练每个预测模型(M)，并且基于涉及所述患者在临床路径中的位置的输入数据(D)来选择每个预测模型(M)，优选地基于检查数据来选择每个预测模型(M)。4.根据前述权利要求中一项所述的临床决策支持系统，其中，对于多个所述不同的预测模型(M)，已经针对不同的药物来训练每个预测模型(M)，并且基于所述输入数据(D)中给出的药物类型来选择每个预测模型(M)，所述药物特别地基于DMARDs例如bDMARDs、cDMARDs或tsDMARDs或者NSAIDs。5.根据前述权利要求中一项所述的临床决策支持系统，所述临床决策支持系统被设计成基于可用的输入数据(D)的类型来选择预测模型(M)，优选地，其中，根据实验室数据是否是所述输入数据(D)的一部分的情况来选择预测模型(M)。6.根据前述权利要求中一项所述的临床决策支持系统，其中，多个所述不同的预测模型(M)被训练成：确定单个患者将对特定药品产生反应的概率和/或针对不同的药品逐渐减量情境突发疾病的风险，优选地，其中，预测模型(M)被训练成用于：
‑
确定一线药品例如甲氨蝶呤和柳氮磺吡啶的反应概率，以及/或者
‑
确定对二线药品的选择，以及/或者
‑
特别地针对在稳定缓解期接受生物制剂的RA患者，优选地针对多个剂量方案，在后期治疗阶段中进行药品逐渐减量的情境。7.根据前述权利要求中一项所述的临床决策支持系统，其中，多个预测模型(M)被训练成确定患者对多种药品的药品反应，优选地，其中，一种单个模型确定患者对多种药品的药品反应，以及/或者多个模型的组中的模型确定患者对一种单个药品的药品反应。8.根据前述权利要求中一项所述的临床决策支持系统，所述临床决策支持系统被设计
成输出：特别是与预定义的药物的应用和/或剂量相关的突发疾病的概率、不良事件(例如，药物的副作用)的概率和/或患者对药品无反应的概率，优选地，其中，所述临床决策支持系统(1)的预测模型(M)被训练成确定和输出预测的置信度得分，优选地，其中，预测...

【专利技术属性】
技术研发人员：阿斯米尔，
申请(专利权)人：西门子医疗有限公司，
类型：发明
国别省市：