A catastrophe-theoretic approach is provided for predicting an occurrence of an acute inflammatory condition or event (e.g., SIRS or sepsis) for a human patient based on a time series of monitored vital signs values measured from a patient, and in some instances, for providing advanced notice to clinicians or caregivers when such an acute inflammatory event is forecasted or modifying treatment for the patient, according to the predicted likelihood. In particular, an acute inflammatory condition management system is provided for determining a likelihood of near-term future significant acute inflammation in human patients. Embodiments of the disclosure described herein may provide a forecasted risk for future significant acute inflammation within a time horizon comprising a future time interval. In one embodiment, the future time interval is from 30 min to approximately 8 hours into the future, and may be dependent on the frequency of vital signs measurements.
A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
A61B 5/0205 - Évaluation simultanée de l'état cardio-vasculaire et de l'état d'autres parties du corps, p. ex. de l'état cardiaque et respiratoire
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
A61B 5/021 - Mesure de la pression dans le cœur ou dans les vaisseaux sanguins
A61B 5/024 - Mesure du pouls ou des pulsations cardiaques
A61B 5/08 - Dispositifs de mesure pour examiner les organes respiratoires
Embodiments optimize a user interface (“UI”) of an application for a user. Embodiments train a machine learning (“ML”) model on one or more optimized routes for navigating the UI to arrive at a desired result. Embodiments monitor at least a portion of a first navigation route during a user interaction with the UI to achieve the desired result. Embodiments determine by the ML model that the first navigation route is not the one or more optimized routes and redirect the user to one of the optimized routes during the user interaction.
Systems, methods, and computer-readable storage media are provided for determining and ascribing clinical conditions or diagnoses to patients and provide them to a caregiver, such as attending clinicians or other appropriate health services personnel. In particular, embodiments of the disclosure determine likely phenotypic findings that are salient to the decision-making context for a current human patient, based on anticipative sequence-mining and trajectory-mining. A sequential pattern mining and sequence itemset matching system is provided for determining likely, temporally-relevant concepts that are manifested in the information that is produced during the course of a patient's care. A clinician or caregiver may be provided the sequence itemset matching by generating a list or notice. In addition or alternatively, the results may be stored in an EHR associated with the patient.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
4.
CONFIGURABLE VALIDATION SYSTEM FRAMEWORK AND TOOL FOR DATA MIGRATION
Systems, methods, and other embodiments are described that are associated with a configurable validation system and framework that may be used for data exchange or migration. The system provides a specification neutral design for validating a source dataset. The configurable validation system is configured to receive a specification configuration associated with a selected source dataset, wherein the specification configuration provides at least scanning parameters and formatting rules that are input to configure the configurable validation system to validate the selected source dataset. The configurable validation system is reconfigurable to scan and validate a different source dataset in response to receiving a different specification configuration without reprogramming the configurable validation system.
Methods, systems, and computer-readable media for rapid event voice documentation are provided herein. The rapid event voice documentation system captures verbalized orders and actions and translates that unstructured voice data to structured, usable data for documentation. The voice data captured is tagged with metadata including the name and role of the speaker, a time stamp indicating a time the data was spoken, and a clinical concept identified in the data captured. The system automatically identifies orders (e.g., medications, labs and procedures, etc.), treatments, and assessments/findings that were verbalized during the rapid event to create structured data that is usable by a health information system and ready for documentation directly into an EHR. The system provides all of the captured data including orders, assessment documentation, vital signs and measurements, performed procedures, and treatments, and who performed each, available for viewing and interaction in real time.
G10L 17/00 - Techniques d'identification ou de vérification du locuteur
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
Technologies are provided for providing a dashboard interface comprising a plurality of API tools for accessing one or more datacenter components for information originating from one or more proprietary applications. A selection of information corresponding to the one or more datacenter components is initially received. Upon receiving the selection, an application programming interface (API) call request is made for the information corresponding to the one or more datacenter components from the one or more proprietary applications. As the information corresponding to one or more datacenter components from the one or more proprietary applications is received, it is aggregated and provided within the dashboard interface.
H04L 41/22 - Dispositions pour la maintenance, l’administration ou la gestion des réseaux de commutation de données, p. ex. des réseaux de commutation de paquets comprenant des interfaces utilisateur graphiques spécialement adaptées [GUI]
H04L 41/50 - Gestion des services réseau, p. ex. en assurant une bonne réalisation du service conformément aux accords
H04L 67/125 - Protocoles spécialement adaptés aux environnements propriétaires ou de mise en réseau pour un usage spécial, p. ex. les réseaux médicaux, les réseaux de capteurs, les réseaux dans les véhicules ou les réseaux de mesure à distance en impliquant la commande des applications des terminaux par un réseau
H04L 67/131 - Protocoles pour jeux, simulations en réseau ou réalité virtuelle
H04L 67/133 - Protocoles pour les appels de procédure à distance [RPC]
H04L 67/567 - Intégration de l’approvisionnement des services à partir d'une pluralité de fournisseurs de services
7.
OBSTRUCTIVE SLEEP APNEA PREDICTION AND ANALYTICAL REASONING USING HYPERPARAMETERS FOR ACCURATE MODELING OF RISK
The system and methods for predicting sleep apnea in subjects using machine-learning models. The method entails collecting a dataset from a variety of data sources such as electronic records, sleep audio data, or biometric sensor data from wearable devices. A set of features are extracted from the dataset including demographic features, comorbidities features, anthropometric features, or sleep history features. The method generates a set of compound features by performing transformations on the set of features. The extracted set of features and generated set of compound features are collated into a compound feature vector used for training the machine-learning models. The models accurately predict the sleep apnea intensity score which is mapped to a sleep apnea category such as controlled, mild, moderate, or severe apnea. Based on the predicted sleep apnea category treatment regimens as action strategies are recommended to the users.
A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/67 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement à distance
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
Techniques for generating recommendations of candidate standard codes for association with unmapped proprietary codes are disclosed. Initially, the system generates vector embeddings for mapped standard codes by applying a vector embedding function to datasets of proprietary codes that are mapped to the respective mapped standard codes. The system generates vector embeddings for unmapped standard codes by applying a vector embedding function to a dataset of the unmapped standard codes. The system compares a target vector embedding for a target unmapped proprietary code to the vector embeddings computed for each of the mapped and unmapped standard codes. Based on a similarity measure between the target vector embedding and the vector embeddings for the mapped and unmapped standard codes, the system selects a subset of the mapped and unmapped standard codes for recommending to the user as a set of candidate standard codes for mapping to the target unmapped proprietary code.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
Systems, methods, and other embodiments associated with error resolution and auto-correction are described. In one embodiment, a method includes, for a selected application that was executed by the computing system, accessing a system error log and identifying error messages that occurred during execution. Skipped data records that were not processed are identified. A resolving function is executed to resolve a selected error type that is associated with a group of skipped data records by: identifying an error pattern from an error message and matching it to a database of observed error patterns. In response to a match, retrieving a corrective action that is assigned to the observed error pattern and executing the corrective action to resolve the error on the group of skipped data records. The skipped data records are re-submitted and reprocessed where previous error should be resolved.
Methods, systems, and computer-readable media are disclosed herein for a machine learning engine and rule engine that leverage historical and contextual data to intelligently identify, score, and suggest one or more documents for auto-population of a graphical user interface. The machine learning and rule engine employ vectorization and clustering technique to identify, score, and suggest the most factually accurate and contextually relevant documents as selectable candidates for electronic documentation. Further, the selection, rejection, or modification of the candidate documents are ingested by the machine learning engine and/or the rule engine to update a clustering algorithm and/or to update a relevance scoring algorithm, which are then utilized for subsequent instances.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
Decision support technology is provided for use with patients who may be prone to a cardiovascular condition such as acute coronary syndromes. A mechanism is provided to determine a patient's risk for experiencing a cardiovascular ischemic event at a future time interval based on temporal patterns determined using physiological parameters of the patient such as serum or blood uric acid and/or C-reactive protein (CRP). A forecast or score may be determined indicating whether or not temporal patterns merit intervention to prevent occurrence or reoccurrence of ischemic events, or for determining adherence to or efficacy of treatment or preventive interventions. Based on the forecast or score, appropriate response action such as automatically issuing an alert or notification to a caregiver associated with the patient, may be determined, recommended, or implemented.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G01N 33/68 - Analyse chimique de matériau biologique, p. ex. de sang ou d'urineTest par des méthodes faisant intervenir la formation de liaisons biospécifiques par ligandsTest immunologique faisant intervenir des protéines, peptides ou amino-acides
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/63 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement local
12.
Discovering Context-Specific Complexity And Utilization Trajectories
Systems, methods, and computer-readable media are provided for patient case and care complexity characterization, and detecting matches of an individual patient's record with collections of other patients' records, based on serial, longitudinal patterns, for facilitating efficient health services utilization, implementing programs to reduce complexity, preventive medicine, and risk management in health care. In an embodiment, time series are formed by electronically representing information pertaining to successive longitudinal episodes of health services utilization and the circumstances in which the episodes were incurred; calculating time-series K-nearest-neighbor clusters and distances for each combination; determining the cluster to which a given candidate patient complexity record is nearest, and prescribing one or more interventions specific to hazards that are characteristic of trajectories that are members of that cluster, or that are deemed to be relevant to mitigating those hazards, thereby preventing the adverse outcomes and subsequent excess utilization that are prevalent in that cluster.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 20/00 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients
G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
13.
Discovering Context-Specific Complexity And Utilization Trajectories
Systems, methods, and computer-readable media are provided for patient case and care complexity characterization, and detecting matches of an individual patient's record with collections of other patients' records, based on serial, longitudinal patterns, for facilitating efficient health services utilization, implementing programs to reduce complexity, preventive medicine, and risk management in health care. In an embodiment, time series are formed by electronically representing information pertaining to successive longitudinal episodes of health services utilization and the circumstances in which the episodes were incurred; calculating time-series K-nearest-neighbor clusters and distances for each combination; determining the cluster to which a given candidate patient complexity record is nearest, and prescribing one or more interventions specific to hazards that are characteristic of trajectories that are members of that cluster, or that are deemed to be relevant to mitigating those hazards, thereby preventing the adverse outcomes and subsequent excess utilization that are prevalent in that cluster.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 20/00 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients
G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
Methods, systems, and computer-readable media are provided for improving patient safety using virtual observation. A falls risk assessment and a patient safety risk assessment are initially provided within an electronic health record of a patient. A clinician is prompted at a clinician device to provide input to the falls risk assessment and the patient safety risk assessment for the patient. Based on the input, a safety assessment score is determined for the patient. The safety assessment score is provided to the clinician via the clinician device and the clinician is prompted to initiate an order to place a camera in the room of the patient. Based on the order, a virtual sitter may be assigned to the patient to monitor the camera.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/60 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
Methods, systems and computer storage media are disclosed for providing resources to a platform issue. Embodiments describe associating educational resources and an event resource to resolve the platform issue.
G06Q 10/0631 - Planification, affectation, distribution ou ordonnancement de ressources d’entreprises ou d’organisations
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
16.
Clinical decision support system using phenotypic features
Systems, methods, and computer-readable storage media are provided for determining and ascribing clinical conditions or diagnoses to patients and provide them to a caregiver, such as attending clinicians or other appropriate health services personnel. In particular, embodiments of the disclosure determine likely phenotypic findings that are salient to the decision-making context for a current human patient, based on anticipative sequence-mining and trajectory-mining. A sequential pattern mining and sequence itemset matching system is provided for determining likely, temporally-relevant concepts that are manifested in the information that is produced during the course of a patient's care. A clinician or caregiver may be provided the sequence itemset matching by generating a list or notice. In addition or alternatively, the results may be stored in an EHR associated with the patient.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
Systems, methods, and computer-readable media are provided for identification of patients having an elevated near-term risk of chronic kidney disease progression, including quantitatively predicting whether or not an elevated risk of progression of Stage 3 or Stage 4 chronic kidney disease is likely within a time interval of up to 36 months subsequent to computing the prediction. Based on the prediction, appropriate care providers may be notified so that the risk of CKD progression may be mitigated. In some embodiments, serial measurements are obtained of urine osmolality, and a challenge with an AVP V2 antagonist and serum sodium concentration is provided. From a time series based on the serial measurements, estimates of each variable's velocity and/or doubling-time may be determined. These values then may be combined via a multivariable mathematical model for providing a leading indicator of near-term future abnormalities in kidney function.
Decision support technology is provided for use with patients prone to recurrent urolithiasis. A mechanism is provided to determine a forecast of urolithiasis for a patient over a future time interval. The forecast may be based on temporal patterns in urinalysis parameters of the patient. In one embodiment, the mechanism utilizes a time series Hölder exponent and recurrence quantification analysis (RQA) recurrence rate to generate a forecast of recurrent symptomatic urolithiasis for a future time, such as a multi-year time horizon. Based on the generated forecast, one or more intervening actions may be carried out automatically or may be recommended, including modifying a care program for the patient, automatically scheduling interventions or consultations with specialist caregivers, or generating notifications such as electronic messages or alerts.
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
G01N 33/493 - Analyse physique de matériau biologique de matériau biologique liquide d'urine
G01N 33/68 - Analyse chimique de matériau biologique, p. ex. de sang ou d'urineTest par des méthodes faisant intervenir la formation de liaisons biospécifiques par ligandsTest immunologique faisant intervenir des protéines, peptides ou amino-acides
G01N 33/84 - Analyse chimique de matériau biologique, p. ex. de sang ou d'urineTest par des méthodes faisant intervenir la formation de liaisons biospécifiques par ligandsTest immunologique faisant intervenir des composés inorganiques ou le pH
G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
Systems and methods provide for implementation of a messaging protocol that provides security necessary for clinical messaging while also providing scalability needed to properly function within a clinical setting. The messaging protocol provides for federation of messages across messaging domains with a direct target address or via a role or group endpoint address that resolves to one or more target addresses. The messaging protocol also provides the ability to include content other than text in messages.
G16H 15/00 - TIC spécialement adaptées aux rapports médicaux, p. ex. leur création ou leur transmission
G06F 21/62 - Protection de l’accès à des données via une plate-forme, p. ex. par clés ou règles de contrôle de l’accès
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
H04L 51/48 - Adressage des messages, p. ex. format des adresses ou messages anonymes, alias
H04L 67/12 - Protocoles spécialement adaptés aux environnements propriétaires ou de mise en réseau pour un usage spécial, p. ex. les réseaux médicaux, les réseaux de capteurs, les réseaux dans les véhicules ou les réseaux de mesure à distance
Systems, methods, and user interfaces provide integrated coordination of care. Care team coordination and collaboration is promoted by bringing together each of the necessary elements of a patient's plan into a single point of access. Current workflow silos that exist in the care planning space are eliminated. This allows seamless support for the many different care planning regulations across care settings and supports and involves the entire care team including the patient and personal care team.
G16H 20/30 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des thérapies ou des activités physiques, p. ex. la physiothérapie, l’acupression ou les exercices
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
21.
Discovering Context-Specific Complexity And Utilization Trajectories
Systems, methods, and computer-readable media are provided for patient case and care complexity characterization, and detecting matches of an individual patient's record with collections of other patients' records, based on serial, longitudinal patterns, for facilitating efficient health services utilization, implementing programs to reduce complexity, preventive medicine, and risk management in health care. In an embodiment, time series are formed by electronically representing information pertaining to successive longitudinal episodes of health services utilization and the circumstances in which the episodes were incurred; calculating time-series K-nearest-neighbor clusters and distances for each combination; determining the cluster to which a given candidate patient complexity record is nearest, and prescribing one or more interventions specific to hazards that are characteristic of trajectories that are members of that cluster, or that are deemed to be relevant to mitigating those hazards, thereby preventing the adverse outcomes and subsequent excess utilization that are prevalent in that cluster.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
Various tools are disclosed for providing assistive or augmentative means to enhance the fluency and accuracy of persons having speech disabilities. These technologies may automatically ascertain and dynamically improve the accuracy with which automatic speech recognition (ASR) systems recognize utterances of persons having impaired speech conditions. In an embodiment, digitized audio information about a speaker's utterance is processed to determine a set of candidate words matching the utterance. From these candidate words, a set of concepts is determined using a finite state machine model. A pictogram representing each concept is identified and presented to the speaker so that the speaker may select the pictogram corresponding to the best match of his or her intended meaning associated with the utterance. An action corresponding to speaker's selection then may be performed. For example, displaying or synthesizing speech from textual information describing the selected concept.
G10L 15/30 - Reconnaissance distribuée, p. ex. dans les systèmes client-serveur, pour les applications en téléphonie mobile ou réseaux
A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
G10L 15/20 - Techniques de reconnaissance de la parole spécialement adaptées de par leur robustesse contre les perturbations environnantes, p. ex. en milieu bruyant ou reconnaissance de la parole émise dans une situation de stress
G10L 15/22 - Procédures utilisées pendant le processus de reconnaissance de la parole, p. ex. dialogue homme-machine
G10L 15/26 - Systèmes de synthèse de texte à partir de la parole
G10L 25/54 - Techniques d'analyse de la parole ou de la voix qui ne se limitent pas à un seul des groupes spécialement adaptées pour un usage particulier pour comparaison ou différentiation pour la recherche
G10L 25/63 - Techniques d'analyse de la parole ou de la voix qui ne se limitent pas à un seul des groupes spécialement adaptées pour un usage particulier pour comparaison ou différentiation pour estimer un état émotionnel
G10L 25/66 - Techniques d'analyse de la parole ou de la voix qui ne se limitent pas à un seul des groupes spécialement adaptées pour un usage particulier pour comparaison ou différentiation pour extraire des paramètres en rapport avec l’état de santé
Systems, methods and computer-readable media are provided for facilitating clinical decision support and managing patient population health by health-related entities including caregivers, health care administrators, insurance providers, and patients. Embodiments of the invention provide decision support services including providing timely contextual patient information including condition risks, risk factors and relevant clinical information that are dynamically updatable; imputing missing patient information; dynamically generating assessments for obtaining additional patient information based on context; data-mining and information discovery services including discovering new knowledge; identifying or evaluating treatments or sequences of patient care actions and behaviors, and providing recommendations based on this; intelligent, adaptive decision support services including identifying critical junctures in patient care processes, such as points in time that warrant close attention by caregivers; near-real time querying across diverse health records data sources, which may use diverse clinical nomenclatures and ontologies; improved natural language processing services; and other decision support services.
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
24.
Dynamic Management Of Treatments For One Or More Conditions
Computerized systems and methods intelligently and dynamically manage treatment for one or more conditions for an individual. A manager is programmed to provide one or more active treatments associated with one or more conditions for an individual and then retrieve the one or more active treatments associated with the one or more conditions. The system communicates at least one of the one or more active treatments to a treatment repository. A first criteria is identified, which is applied to one or more potential treatments identified, resulting in the identification of a first subset. Additionally, a second criteria is identified and applied to the first subset, resulting in a second subset comprising potential treatments that satisfy the first and second criteria. The second subset is presented to a user so that the user may make treatment decisions related to the one or more conditions for the individual.
G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
G06F 16/90 - Détails des fonctions des bases de données indépendantes des types de données cherchés
Systems, methods and computer-readable media are provided for monitoring patients and quantitatively predicting whether an event, such as a significant change in health status meriting intervention, is likely to occur within a future time interval subsequent to computing the prediction. Medical data for a patient is collected from one or more different inputs and used to determine time series data. From this, a forecasted numerical value is computed for one or more physiologic parameters associated with the patient, which may be used to further monitor the patient and facilitate decision making about a need for intensified monitoring or intervention to prevent or manage deterioration of hemostasis. An evolutionary algorithm, such as particle swarm optimization and/or differential evolution, may be used to determine the most probable value of the one or more physiologic parameters at one or more future times.
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
A61B 5/02 - Détection, mesure ou enregistrement en vue de l'évaluation du système cardio-vasculaire, p. ex. mesure du pouls, du rythme cardiaque, de la pression sanguine ou du débit sanguin
A61B 5/0205 - Évaluation simultanée de l'état cardio-vasculaire et de l'état d'autres parties du corps, p. ex. de l'état cardiaque et respiratoire
A61B 5/021 - Mesure de la pression dans le cœur ou dans les vaisseaux sanguins
A61B 5/024 - Mesure du pouls ou des pulsations cardiaques
A61B 5/145 - Mesure des caractéristiques du sang in vivo, p. ex. de la concentration des gaz dans le sang ou de la valeur du pH du sang
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
Computerized systems and methods are provided to intelligently and dynamically manage a data center comprising at least one server and at least one central manager. The central manager is programmed to access the at least one server on a predetermined schedule to determine whether at least one application is functioning properly by determining a functionality level. Alternatively, the central manager determines whether the at least one server is actively used by determining an activity level for the server. Based on the central manager's determinations, the system dynamically adjusts the power level of the server, resulting in reduced power consumption and a reduction in wasted resources and unnecessary processing power in the management of servers in a data center.
G06F 1/3287 - Économie d’énergie caractérisée par l'action entreprise par la mise hors tension d’une unité fonctionnelle individuelle dans un ordinateur
G06F 1/28 - Surveillance, p. ex. détection des pannes d'alimentation par franchissement de seuils
G06F 1/30 - Moyens pour agir en cas de panne ou d'interruption d'alimentation
G06F 11/07 - Réaction à l'apparition d'un défaut, p. ex. tolérance de certains défauts
Systems, methods and computer-readable media are provided for monitoring patients and quantitatively predicting whether an event, such as a significant change in health status meriting intervention, is likely to occur within a future time interval subsequent to computing the prediction. Medical data for a patient is collected from one or more different inputs and used to determine time series data. From this, a forecasted numerical value is computed for one or more physiologic parameters associated with the patient, which may be used to further monitor the patient and facilitate decision making about a need for intensified monitoring or intervention to prevent or manage deterioration of hemostasis. An evolutionary algorithm, such as particle swarm optimization and/or differential evolution, may be used to determine the most probable value of the one or more physiologic parameters at one or more future times.
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
A61B 5/02 - Détection, mesure ou enregistrement en vue de l'évaluation du système cardio-vasculaire, p. ex. mesure du pouls, du rythme cardiaque, de la pression sanguine ou du débit sanguin
A61B 5/0205 - Évaluation simultanée de l'état cardio-vasculaire et de l'état d'autres parties du corps, p. ex. de l'état cardiaque et respiratoire
A61B 5/021 - Mesure de la pression dans le cœur ou dans les vaisseaux sanguins
A61B 5/024 - Mesure du pouls ou des pulsations cardiaques
A61B 5/145 - Mesure des caractéristiques du sang in vivo, p. ex. de la concentration des gaz dans le sang ou de la valeur du pH du sang
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
Technologies are provided for an improved classifier apparatus and processes for improving the accuracy of classification technology including example applications of such classifiers. A process includes applying clustering to variables contributing to the classification task. The clusters may be represented in a 1-dimensional, 2-dimensional, or 3-dimensional matrix that is a spatial abstraction of the interrelationships. A convolutional transformation may be applied to the matrix so as to reduce the effective dimensionality of the classification problem and improve the signal-to-noise ration. A deep learning neural network method may be applied to the transformed network to generate an improved classification model, which may be utilized by a decision support tool. One embodiment comprises a decision support tool for detecting risk of venous thrombosis and venous thromboembolism (VTE) in a patient, based on phenotype and genomics information.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
A61B 5/0205 - Évaluation simultanée de l'état cardio-vasculaire et de l'état d'autres parties du corps, p. ex. de l'état cardiaque et respiratoire
C07K 16/36 - Immunoglobulines, p. ex. anticorps monoclonaux ou polyclonaux contre du matériel provenant d'animaux ou d'humains contre des facteurs de coagulation sanguine
C07K 16/44 - Immunoglobulines, p. ex. anticorps monoclonaux ou polyclonaux contre du matériel non prévu ailleurs
G06F 18/2413 - Techniques de classification relatives au modèle de classification, p. ex. approches paramétriques ou non paramétriques basées sur les distances des motifs d'entraînement ou de référence
G16B 20/20 - Détection d’allèles ou de variantes, p. ex. détection de polymorphisme d’un seul nucléotide
A decision support method and system is provided for monitoring and treating pediatric obesity. Embodiments include generating obesity risk curves corresponding to obesity risk levels, for example, severe and morbid obesity risk levels. Generating obesity risk curves depends on predicting at least one health proxy such as, for example, spend data and chronic conditions. Generating severe obesity curves depends on an age-dependent multiplier. An obesity risk level is assigned to a target pediatric patient using the obesity risk curves dependent on the age-dependent multiplier. In some aspects, an intervening response is initiated based on the assigned obesity risk level.
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
G16H 20/30 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des thérapies ou des activités physiques, p. ex. la physiothérapie, l’acupression ou les exercices
G16H 20/60 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant le contrôle de l’alimentation, p. ex. les régimes
G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
G16H 40/63 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement local
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
30.
STRUCTURED DATA SHARING USING DIGITALLY ENCODED IMAGES
Techniques relate to efficiently encoding data. A data set in a first specific format is received. The data set is transformed into data-string values in a second specific format, where the data-string values includes a set of data-string values, wherein each of the set of data-string values is represented by an intensity for each of one or more channels. A digitally encoded image is generated by transforming the data-string data into an image comprising a pixel value for each of a set of pixels, wherein the pixel values for the set of pixels have at least three different intensities and/or at least three different colors relative to each other. The transformation may include generating the data set or a representation thereof in a hexadecimal format. The digitally encoded image is output.
G06T 3/40 - Changement d'échelle d’images complètes ou de parties d’image, p. ex. agrandissement ou rétrécissement
G06V 10/24 - Alignement, centrage, détection de l’orientation ou correction de l’image
G06V 10/56 - Extraction de caractéristiques d’images ou de vidéos relative à la couleur
G06V 10/60 - Extraction de caractéristiques d’images ou de vidéos relative aux propriétés luminescentes, p. ex. utilisant un modèle de réflectance ou d’éclairage
G06V 10/75 - Organisation de procédés de l’appariement, p. ex. comparaisons simultanées ou séquentielles des caractéristiques d’images ou de vidéosApproches-approximative-fine, p. ex. approches multi-échellesAppariement de motifs d’image ou de vidéoMesures de proximité dans les espaces de caractéristiques utilisant l’analyse de contexteSélection des dictionnaires
Methods, systems, and computer-readable media are provided for improving patient safety using virtual observation. A falls risk assessment and a patient safety risk assessment are initially provided within an electronic health record of a patient. A clinician is prompted at a clinician device to provide input to the falls risk assessment and the patient safety risk assessment for the patient. Based on the input, a safety assessment score is determined for the patient. The safety assessment score is provided to the clinician via the clinician device and the clinician is prompted to initiate an order to place a camera in the room of the patient. Based on the order, a virtual sitter may be assigned to the patient to monitor the camera.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/60 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
32.
Discovering Context-Specific Complexity And Utilization Trajectories
Systems, methods, and computer-readable media are provided for patient case and care complexity characterization, and detecting matches of an individual patient's record with collections of other patients' records, based on serial, longitudinal patterns, for facilitating efficient health services utilization, implementing programs to reduce complexity, preventive medicine, and risk management in health care. In an embodiment, time series are formed by electronically representing information pertaining to successive longitudinal episodes of health services utilization and the circumstances in which the episodes were incurred; calculating time-series K-nearest-neighbor clusters and distances for each combination; determining the cluster to which a given candidate patient complexity record is nearest, and prescribing one or more interventions specific to hazards that are characteristic of trajectories that are members of that cluster, or that are deemed to be relevant to mitigating those hazards, thereby preventing the adverse outcomes and subsequent excess utilization that are prevalent in that cluster.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
33.
Discovering Context-Specific Complexity And Utilization Trajectories
Systems, methods, and computer-readable media are provided for patient case and care complexity characterization, and detecting matches of an individual patient's record with collections of other patients' records, based on serial, longitudinal patterns, for facilitating efficient health services utilization, implementing programs to reduce complexity, preventive medicine, and risk management in health care. In an embodiment, time series are formed by electronically representing information pertaining to successive longitudinal episodes of health services utilization and the circumstances in which the episodes were incurred; calculating time-series K-nearest-neighbor clusters and distances for each combination; determining the cluster to which a given candidate patient complexity record is nearest, and prescribing one or more interventions specific to hazards that are characteristic of trajectories that are members of that cluster, or that are deemed to be relevant to mitigating those hazards, thereby preventing the adverse outcomes and subsequent excess utilization that are prevalent in that cluster.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
Methods, computer systems, and computer-storage medium are provided for providing closed-loop intelligence. A selection of data is received, at a cloud service, from a database comprising data from a plurality of sources in a Fast Healthcare Interoperability Resources (FHIR) format to build a data model. After a feature vector corresponding to the data model is extracted, a selection of an algorithm for a machine learning model to apply to the data model is received. A portion of the selection of data is utilized for training data and test data and the machine learning model is applied to the training data. Once the model is trained, the trained machine learning model can be saved at the cloud service, where it may be accessed by others.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
Methods, computer systems, and computer-storage medium are provided for providing closed-loop intelligence. A selection of data is received, at a cloud service, from a database comprising data from a plurality of sources in a Fast Healthcare Interoperability Resources (FHIR) format to build a data model. After a feature vector corresponding to the data model is extracted, a selection of an algorithm for a machine learning model to apply to the data model is received. A portion of the selection of data is utilized for training data and test data and the machine learning model is applied to the training data. Once the model is trained, the trained machine learning model can be saved at the cloud service, where it may be accessed by others.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
Various tools are disclosed for providing assistive or augmentative means to enhance the fluency and accuracy of persons having speech disabilities. These technologies may automatically ascertain and dynamically improve the accuracy with which automatic speech recognition (ASR) systems recognize utterances of persons having impaired speech conditions. In an embodiment, digitized audio information about a speaker's utterance is processed to determine a set of candidate words matching the utterance. From these candidate words, a set of concepts is determined using a finite state machine model. A pictogram representing each concept is identified and presented to the speaker so that the speaker may select the pictogram corresponding to the best match of his or her intended meaning associated with the utterance. An action corresponding to speaker's selection then may be performed. For example, displaying or synthesizing speech from textual information describing the selected concept.
G10L 15/30 - Reconnaissance distribuée, p. ex. dans les systèmes client-serveur, pour les applications en téléphonie mobile ou réseaux
A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
G10L 15/20 - Techniques de reconnaissance de la parole spécialement adaptées de par leur robustesse contre les perturbations environnantes, p. ex. en milieu bruyant ou reconnaissance de la parole émise dans une situation de stress
G10L 15/22 - Procédures utilisées pendant le processus de reconnaissance de la parole, p. ex. dialogue homme-machine
G10L 15/26 - Systèmes de synthèse de texte à partir de la parole
G10L 25/54 - Techniques d'analyse de la parole ou de la voix qui ne se limitent pas à un seul des groupes spécialement adaptées pour un usage particulier pour comparaison ou différentiation pour la recherche
G10L 25/63 - Techniques d'analyse de la parole ou de la voix qui ne se limitent pas à un seul des groupes spécialement adaptées pour un usage particulier pour comparaison ou différentiation pour estimer un état émotionnel
G10L 25/66 - Techniques d'analyse de la parole ou de la voix qui ne se limitent pas à un seul des groupes spécialement adaptées pour un usage particulier pour comparaison ou différentiation pour extraire des paramètres en rapport avec l’état de santé
37.
Systems And Methods For Refactoring A Knowledge Model To Increase Domain Knowledge And Reconcile Electronic Records
Methods, systems, and computer-readable media are disclosed herein that employ a contextually intelligent framework. In accordance with embodiments, a knowledge model having rules, axioms, and a domain ontology is evaluated to determine rules that are redundant to other rules and axioms, to determines those rules thresholds that may be refactored to generate composite rules and reduce the overall quantity of rules in the knowledge model, and to generate and add new concepts as axioms to the domain ontology as determined through refactoring. Methods, systems, and computer-readable media are disclosed herein that use the refactored and improved knowledge model to reconcile information currently stored in one system with information imported from a plurality of diverse systems, in order to generate recommendations that promote continuity of care in clinical settings.
G06N 5/046 - Inférence en avantSystèmes de production
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
G16H 70/40 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des médicaments, p. ex. leurs effets secondaires ou leur usage prévu
G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
Technologies are provided for an improved classifier apparatus and processes for improving the accuracy of classification technology including example applications of such classifiers. A process includes applying clustering to variables contributing to the classification task. The clusters may be represented in a 1-dimensional, 2-dimensional, or 3-dimensional matrix that is a spatial abstraction of the interrelationships. A convolutional transformation may be applied to the matrix so as to reduce the effective dimensionality of the classification problem and improve the signal-to-noise ration. A deep learning neural network method may be applied to the transformed network to generate an improved classification model, which may be utilized by a decision support tool. One embodiment comprises a decision support tool for detecting risk of venous thrombosis and venous thromboembolism (VTE) in a patient, based on phenotype and genomics information.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
A61B 5/0205 - Évaluation simultanée de l'état cardio-vasculaire et de l'état d'autres parties du corps, p. ex. de l'état cardiaque et respiratoire
C07K 16/36 - Immunoglobulines, p. ex. anticorps monoclonaux ou polyclonaux contre du matériel provenant d'animaux ou d'humains contre des facteurs de coagulation sanguine
C07K 16/44 - Immunoglobulines, p. ex. anticorps monoclonaux ou polyclonaux contre du matériel non prévu ailleurs
G06F 18/2413 - Techniques de classification relatives au modèle de classification, p. ex. approches paramétriques ou non paramétriques basées sur les distances des motifs d'entraînement ou de référence
G16B 20/20 - Détection d’allèles ou de variantes, p. ex. détection de polymorphisme d’un seul nucléotide
Systems and methods provide for implementation of a messaging protocol that provides security necessary for clinical messaging while also providing scalability needed to properly function within a clinical setting. The messaging protocol provides for federation of messages across messaging domains with a direct target address or via a role or group endpoint address that resolves to one or more target addresses. The messaging protocol also provides the ability to include content other than text in messages.
G16H 15/00 - TIC spécialement adaptées aux rapports médicaux, p. ex. leur création ou leur transmission
G06F 21/62 - Protection de l’accès à des données via une plate-forme, p. ex. par clés ou règles de contrôle de l’accès
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
H04L 51/48 - Adressage des messages, p. ex. format des adresses ou messages anonymes, alias
H04L 67/12 - Protocoles spécialement adaptés aux environnements propriétaires ou de mise en réseau pour un usage spécial, p. ex. les réseaux médicaux, les réseaux de capteurs, les réseaux dans les véhicules ou les réseaux de mesure à distance
Systems and methods provide for implementation of a messaging protocol that provides security necessary for clinical messaging while also providing scalability needed to properly function within a clinical setting. The messaging protocol provides for federation of messages across messaging domains with a direct target address or via a role or group endpoint address that resolves to one or more target addresses. The messaging protocol also provides the ability to include content other than text in messages.
G16H 15/00 - TIC spécialement adaptées aux rapports médicaux, p. ex. leur création ou leur transmission
G06F 21/62 - Protection de l’accès à des données via une plate-forme, p. ex. par clés ou règles de contrôle de l’accès
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
H04L 51/48 - Adressage des messages, p. ex. format des adresses ou messages anonymes, alias
H04L 67/12 - Protocoles spécialement adaptés aux environnements propriétaires ou de mise en réseau pour un usage spécial, p. ex. les réseaux médicaux, les réseaux de capteurs, les réseaux dans les véhicules ou les réseaux de mesure à distance
41.
Predicting Glycogen Storage Diseases (Pompe Disease) And Decision Support
A diagnostic and decision support technology is provided for determining the presence, identity, and/or severity of an inherited lysosomal storage disorder. In particular, a mechanism is provided to detect and classify a lysosomal storage disorder in a human patient, which utilizes a logistic regression classifier determined based on a multi-variable-composite-biomarker comprising a specific set of physiological variables of the patient. This multi-variable statistical predictive biomarker approach may be employed for identifying persons whose attributes are consistent with features or glycogen storage diseases, such as late-onset Pompe disease.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16B 40/00 - TIC spécialement adaptées aux biostatistiquesTIC spécialement adaptées à l’apprentissage automatique ou à l’exploration de données liées à la bio-informatique, p. ex. extraction de connaissances ou détection de motifs
Systems, methods, and user interfaces provide integrated coordination of care. Care team coordination and collaboration is promoted by bringing together each of the necessary elements of a patient's plan into a single point of access. Current workflow silos that exist in the care planning space are eliminated. This allows seamless support for the many different care planning regulations across care settings and supports and involves the entire care team including the patient and personal care team.
G16H 20/30 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des thérapies ou des activités physiques, p. ex. la physiothérapie, l’acupression ou les exercices
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
A decision support method and system is provided for monitoring and treating pediatric obesity. Embodiments include generating obesity risk curves corresponding to obesity risk levels, for example, severe and morbid obesity risk levels. Generating obesity risk curves depends on predicting at least one health proxy such as, for example, spend data and chronic conditions. Generating severe obesity curves depends on an age-dependent multiplier. An obesity risk level is assigned to a target pediatric patient using the obesity risk curves dependent on the age-dependent multiplier. In some aspects, an intervening response is initiated based on the assigned obesity risk level.
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
G16H 20/30 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des thérapies ou des activités physiques, p. ex. la physiothérapie, l’acupression ou les exercices
G16H 20/60 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant le contrôle de l’alimentation, p. ex. les régimes
G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
G16H 40/63 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement local
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
A decision support method and system is provided for monitoring and treating pediatric obesity. Embodiments include generating obesity risk curves corresponding to obesity risk levels, for example, severe and morbid obesity risk levels. Generating obesity risk curves depends on predicting at least one health proxy such as, for example, spend data and chronic conditions. Generating severe obesity curves depends on an age-dependent multiplier. An obesity risk level is assigned to a target pediatric patient using the obesity risk curves dependent on the age-dependent multiplier. In some aspects, an intervening response is initiated based on the assigned obesity risk level.
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
G16H 20/30 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des thérapies ou des activités physiques, p. ex. la physiothérapie, l’acupression ou les exercices
G16H 20/60 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant le contrôle de l’alimentation, p. ex. les régimes
G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
G16H 40/63 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement local
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
45.
Systems And Methods For Refactoring A Knowledge Model To Increase Domain Knowledge And Reconcile Electronic Records
Methods, systems, and computer-readable media are disclosed herein that employ a contextually intelligent framework. In accordance with embodiments, a knowledge model having rules, axioms, and a domain ontology is evaluated to determine rules that are redundant to other rules and axioms, to determines those rules thresholds that may be refactored to generate composite rules and reduce the overall quantity of rules in the knowledge model, and to generate and add new concepts as axioms to the domain ontology as determined through refactoring. Methods, systems, and computer-readable media are disclosed herein that use the refactored and improved knowledge model to reconcile information currently stored in one system with information imported from a plurality of diverse systems, in order to generate recommendations that promote continuity of care in clinical settings.
G06N 5/046 - Inférence en avantSystèmes de production
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
G16H 70/40 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des médicaments, p. ex. leurs effets secondaires ou leur usage prévu
G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
Technologies are provided for an improved classifier apparatus and processes for improving the accuracy of classification technology including example applications of such classifiers. A process includes applying clustering to variables contributing to the classification task. The clusters may be represented in a 1-dimensional, 2-dimensional, or 3-dimensional matrix that is a spatial abstraction of the interrelationships. A convolutional transformation may be applied to the matrix so as to reduce the effective dimensionality of the classification problem and improve the signal-to-noise ration. A deep learning neural network method may be applied to the transformed network to generate an improved classification model, which may be utilized by a decision support tool. One embodiment comprises a decision support tool for detecting risk of venous thrombosis and venous thromboembolism (VTE) in a patient, based on phenotype and genomics information.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
A61B 5/0205 - Évaluation simultanée de l'état cardio-vasculaire et de l'état d'autres parties du corps, p. ex. de l'état cardiaque et respiratoire
C07K 16/36 - Immunoglobulines, p. ex. anticorps monoclonaux ou polyclonaux contre du matériel provenant d'animaux ou d'humains contre des facteurs de coagulation sanguine
C07K 16/44 - Immunoglobulines, p. ex. anticorps monoclonaux ou polyclonaux contre du matériel non prévu ailleurs
G06F 18/2413 - Techniques de classification relatives au modèle de classification, p. ex. approches paramétriques ou non paramétriques basées sur les distances des motifs d'entraînement ou de référence
G16B 20/20 - Détection d’allèles ou de variantes, p. ex. détection de polymorphisme d’un seul nucléotide
Systems, methods and computer-readable media are provided for monitoring patients and quantitatively predicting whether an event, such as a significant change in health status meriting intervention, is likely to occur within a future time interval subsequent to computing the prediction. Medical data for a patient is collected from one or more different inputs and used to determine time series data. From this, a forecasted numerical value is computed for one or more physiologic parameters associated with the patient, which may be used to further monitor the patient and facilitate decision making about a need for intensified monitoring or intervention to prevent or manage deterioration of hemostasis. An evolutionary algorithm, such as particle swarm optimization and/or differential evolution, may be used to determine the most probable value of the one or more physiologic parameters at one or more future times.
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
A61B 5/02 - Détection, mesure ou enregistrement en vue de l'évaluation du système cardio-vasculaire, p. ex. mesure du pouls, du rythme cardiaque, de la pression sanguine ou du débit sanguin
A61B 5/0205 - Évaluation simultanée de l'état cardio-vasculaire et de l'état d'autres parties du corps, p. ex. de l'état cardiaque et respiratoire
A61B 5/021 - Mesure de la pression dans le cœur ou dans les vaisseaux sanguins
A61B 5/024 - Mesure du pouls ou des pulsations cardiaques
A61B 5/145 - Mesure des caractéristiques du sang in vivo, p. ex. de la concentration des gaz dans le sang ou de la valeur du pH du sang
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
48.
Time-Based Healthcare Data Management with Partitioned Storage and Compaction
Methods, systems, and computer-readable media are provided for delivering healthcare records with low latency. Healthcare data is collected from various disparate healthcare data sources. The data is filtered in accordance with routing rules to identify healthcare data to deliver to a processing node. The routing rules specify that healthcare data from a particular originating source of a particular data type is to be delivered to a particular processing node. The healthcare data is converted to a local format for use by a computing solution. This system of delivering healthcare data with low latency ensures that the data is delivered to the correct location in the correct format, even if the routing rules change.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G06F 16/25 - Systèmes d’intégration ou d’interfaçage impliquant les systèmes de gestion de bases de données
G06F 16/27 - Réplication, distribution ou synchronisation de données entre bases de données ou dans un système de bases de données distribuéesArchitectures de systèmes de bases de données distribuées à cet effet
49.
Predicting Recurrent Urolithiasis And Decision Support Tool
Decision support technology is provided for use with patients prone to recurrent urolithiasis. A mechanism is provided to determine a forecast of urolithiasis for a patient over a future time interval. The forecast may be based on temporal patterns in urinalysis parameters of the patient. In one embodiment, the mechanism utilizes a time series Hölder exponent and recurrence quantification analysis (RQA) recurrence rate to generate a forecast of recurrent symptomatic urolithiasis for a future time, such as a multi-year time horizon. Based on the generated forecast, one or more intervening actions may be carried out automatically or may be recommended, including modifying a care program for the patient, automatically scheduling interventions or consultations with specialist caregivers, or generating notifications such as electronic messages or alerts.
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
G01N 33/493 - Analyse physique de matériau biologique de matériau biologique liquide d'urine
G01N 33/68 - Analyse chimique de matériau biologique, p. ex. de sang ou d'urineTest par des méthodes faisant intervenir la formation de liaisons biospécifiques par ligandsTest immunologique faisant intervenir des protéines, peptides ou amino-acides
G01N 33/84 - Analyse chimique de matériau biologique, p. ex. de sang ou d'urineTest par des méthodes faisant intervenir la formation de liaisons biospécifiques par ligandsTest immunologique faisant intervenir des composés inorganiques ou le pH
G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
50.
Predicting Recurrent Urolithiasis And Decision Support Tool
Decision support technology is provided for use with patients prone to recurrent urolithiasis. A mechanism is provided to determine a forecast of urolithiasis for a patient over a future time interval. The forecast may be based on temporal patterns in urinalysis parameters of the patient. In one embodiment, the mechanism utilizes a time series Hölder exponent and recurrence quantification analysis (RQA) recurrence rate to generate a forecast of recurrent symptomatic urolithiasis for a future time, such as a multi-year time horizon. Based on the generated forecast, one or more intervening actions may be carried out automatically or may be recommended, including modifying a care program for the patient, automatically scheduling interventions or consultations with specialist caregivers, or generating notifications such as electronic messages or alerts.
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
G01N 33/493 - Analyse physique de matériau biologique de matériau biologique liquide d'urine
G01N 33/68 - Analyse chimique de matériau biologique, p. ex. de sang ou d'urineTest par des méthodes faisant intervenir la formation de liaisons biospécifiques par ligandsTest immunologique faisant intervenir des protéines, peptides ou amino-acides
G01N 33/84 - Analyse chimique de matériau biologique, p. ex. de sang ou d'urineTest par des méthodes faisant intervenir la formation de liaisons biospécifiques par ligandsTest immunologique faisant intervenir des composés inorganiques ou le pH
G16H 10/40 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données relatives aux analyses de laboratoire, p. ex. pour des analyses d’échantillon de patient
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
51.
Predicting Glycogen Storage Diseases (Pompe Disease) And Decision Support
A diagnostic and decision support technology is provided for determining the presence, identity, and/or severity of an inherited lysosomal storage disorder. In particular, a mechanism is provided to detect and classify a lysosomal storage disorder in a human patient, which utilizes a logistic regression classifier determined based on a multi-variable-composite-biomarker comprising a specific set of physiological variables of the patient. This multi-variable statistical predictive biomarker approach may be employed for identifying persons whose attributes are consistent with features or glycogen storage diseases, such as late-onset Pompe disease.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16B 40/00 - TIC spécialement adaptées aux biostatistiquesTIC spécialement adaptées à l’apprentissage automatique ou à l’exploration de données liées à la bio-informatique, p. ex. extraction de connaissances ou détection de motifs
52.
Predicting Glycogen Storage Diseases (Pompe Disease) And Decision Support
A diagnostic and decision support technology is provided for determining the presence, identity, and/or severity of an inherited lysosomal storage disorder. In particular, a mechanism is provided to detect and classify a lysosomal storage disorder in a human patient, which utilizes a logistic regression classifier determined based on a multi-variable-composite-biomarker comprising a specific set of physiological variables of the patient. This multi-variable statistical predictive biomarker approach may be employed for identifying persons whose attributes are consistent with features or glycogen storage diseases, such as late-onset Pompe disease.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16B 40/00 - TIC spécialement adaptées aux biostatistiquesTIC spécialement adaptées à l’apprentissage automatique ou à l’exploration de données liées à la bio-informatique, p. ex. extraction de connaissances ou détection de motifs
53.
Determining A Cardiovascular Ischemic Event And Decision Support Tool
Decision support technology is provided for use with patients who may be prone to a cardiovascular condition such as acute coronary syndromes. A mechanism is provided to determine a patient's risk for experiencing a cardiovascular ischemic event at a future time interval based on temporal patterns determined using physiological parameters of the patient such as serum or blood uric acid and/or C-reactive protein (CRP). A forecast or score may be determined indicating whether or not temporal patterns merit intervention to prevent occurrence or reoccurrence of ischemic events, or for determining adherence to or efficacy of treatment or preventive interventions. Based on the forecast or score, appropriate response action such as automatically issuing an alert or notification to a caregiver associated with the patient, may be determined, recommended, or implemented.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G01N 33/68 - Analyse chimique de matériau biologique, p. ex. de sang ou d'urineTest par des méthodes faisant intervenir la formation de liaisons biospécifiques par ligandsTest immunologique faisant intervenir des protéines, peptides ou amino-acides
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/63 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement local
54.
Determining A Cardiovascular Ischemic Event And Decision Support Tool
Decision support technology is provided for use with patients who may be prone to a cardiovascular condition such as acute coronary syndromes. A mechanism is provided to determine a patient's risk for experiencing a cardiovascular ischemic event at a future time interval based on temporal patterns determined using physiological parameters of the patient such as serum or blood uric acid and/or C-reactive protein (CRP). A forecast or score may be determined indicating whether or not temporal patterns merit intervention to prevent occurrence or reoccurrence of ischemic events, or for determining adherence to or efficacy of treatment or preventive interventions. Based on the forecast or score, appropriate response action such as automatically issuing an alert or notification to a caregiver associated with the patient, may be determined, recommended, or implemented.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G01N 33/68 - Analyse chimique de matériau biologique, p. ex. de sang ou d'urineTest par des méthodes faisant intervenir la formation de liaisons biospécifiques par ligandsTest immunologique faisant intervenir des protéines, peptides ou amino-acides
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/63 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement local
Systems, methods, and user interfaces provide integrated coordination of care. Care team coordination and collaboration is promoted by bringing together each of the necessary elements of a patient's plan into a single point of access. Current workflow silos that exist in the care planning space are eliminated. This allows seamless support for the many different care planning regulations across care settings and supports and involves the entire care team including the patient and personal care team.
G16H 20/30 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des thérapies ou des activités physiques, p. ex. la physiothérapie, l’acupression ou les exercices
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
56.
Systems And Methods For Refactoring A Knowledge Model To Increase Domain Knowledge And Reconcile Electronic Records
Methods, systems, and computer-readable media are disclosed herein that employ a contextually intelligent framework. In accordance with embodiments, a knowledge model having rules, axioms, and a domain ontology is evaluated to determine rules that are redundant to other rules and axioms, to determines those rules thresholds that may be refactored to generate composite rules and reduce the overall quantity of rules in the knowledge model, and to generate and add new concepts as axioms to the domain ontology as determined through refactoring. Methods, systems, and computer-readable media are disclosed herein that use the refactored and improved knowledge model to reconcile information currently stored in one system with information imported from a plurality of diverse systems, in order to generate recommendations that promote continuity of care in clinical settings.
G06N 5/046 - Inférence en avantSystèmes de production
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
G16H 70/40 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des médicaments, p. ex. leurs effets secondaires ou leur usage prévu
G16H 70/60 - TIC spécialement adaptées au maniement ou au traitement de références médicales concernant des pathologies
Systems, methods and computer-readable media are provided for facilitating clinical decision support and managing patient population health by health-related entities including caregivers, health care administrators, insurance providers, and patients. Embodiments of the invention provide decision support services including providing timely contextual patient information including condition risks, risk factors and relevant clinical information that are dynamically updatable; imputing missing patient information; dynamically generating assessments for obtaining additional patient information based on context; data-mining and information discovery services including discovering new knowledge; identifying or evaluating treatments or sequences of patient care actions and behaviors, and providing recommendations based on this; intelligent, adaptive decision support services including identifying critical junctures in patient care processes, such as points in time that warrant close attention by caregivers; near-real time querying across diverse health records data sources, which may use diverse clinical nomenclatures and ontologies; improved natural language processing services; and other decision support services.
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
Systems, methods and computer-readable media are provided for monitoring patients and quantitatively predicting whether an event, such as a significant change in health status meriting intervention, is likely to occur within a future time interval subsequent to computing the prediction. Medical data for a patient is collected from one or more different inputs and used to determine time series data. From this, a forecasted numerical value is computed for one or more physiologic parameters associated with the patient, which may be used to further monitor the patient and facilitate decision making about a need for intensified monitoring or intervention to prevent or manage deterioration of hemostasis. An evolutionary algorithm, such as particle swarm optimization and/or differential evolution, may be used to determine the most probable value of the one or more physiologic parameters at one or more future times.
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
A61B 5/02 - Détection, mesure ou enregistrement en vue de l'évaluation du système cardio-vasculaire, p. ex. mesure du pouls, du rythme cardiaque, de la pression sanguine ou du débit sanguin
A61B 5/0205 - Évaluation simultanée de l'état cardio-vasculaire et de l'état d'autres parties du corps, p. ex. de l'état cardiaque et respiratoire
A61B 5/021 - Mesure de la pression dans le cœur ou dans les vaisseaux sanguins
A61B 5/024 - Mesure du pouls ou des pulsations cardiaques
A61B 5/145 - Mesure des caractéristiques du sang in vivo, p. ex. de la concentration des gaz dans le sang ou de la valeur du pH du sang
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
59.
Indicator For Probable Inheritance Of Genetic Disease
Systems, methods and computer-readable media are provided for identification of patients or family member having genetic disease or probable genetic disease. During or after registration of a patient, parents, grandparents, or siblings of the patient are identified. If it is determined that one of the patient or the parents, grandparents, or siblings of the patient has been assigned with a diagnosis indicating a genetic disease, an alert for genetic disease or probable genetic disease for the patient or family member of the patient is provided. A clinician is then prompted to confirm or rule out the patient or family member inheriting the disease.
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/63 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement local
G16H 40/67 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement à distance
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
Embodiments relate to systems and methods that retrieve dialogue data associated with a plurality of utterances. The plurality of utterances include a first utterance. The systems and methods further determine that a target concept, of the dialogue data, is in a first dialogue segment associated with the first utterance. Additionally, the target concept is determined based on the first utterance in the first dialogue segment having a highest weight for relevancy to a knowledge domain. Further, the methods and systems determine a dialogue goal comprising the target concept. Due to the dialogue goal comprising the target concept, a structured link associating the target concept to the dialogue goal is generated.
Methods, systems, and computer-storage media are provided for determining an individual's second event risk score where the second event risk score represents a likelihood that the individual will experience the second event within a predetermined time period after the occurrence of a first event. Upon occurrence of the first event, a sampling protocol is initiated where an electronic medical record store is accessed on a predetermined schedule to sample a pre-selected set of medical data elements for the individual. Logistic regression analysis is executed on the pre-selected set of medical data elements to generate a second event risk score for the individual. The second event risk score is communicated to a medical professional managing the medical care of the individual, and the individual's electronic medical record is modified to reflect the second event risk score.
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
G16H 40/67 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement à distance
System and methods for controlling healthcare devices and systems using voice commands are presented. In some aspects a listening device may receive voice command from a person. The voice command may be translated into human readable or machine readable text via a speech-to-text service. A control component may receive the text and send device-specific instructions to a medical device associated with a patient based on the translated voice command. In response to the instructions, the medical device may take an action on a patient. Some examples of actions taken may include setting an alarm limit on a monitor actively monitoring a patient and adjusting the amount of medication delivered by an infusion pump. Because these devices may be controlled using a voice command, in some cases, no physical or manual interaction is needed with the device. As such, multiple devices may be hands-free controlled from any location.
G10L 15/22 - Procédures utilisées pendant le processus de reconnaissance de la parole, p. ex. dialogue homme-machine
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/63 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement local
G16H 40/67 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement à distance
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
63.
SUBJECT-CENTRIC SMART HOSPITAL WITH CUSTOMIZABLE SMART SERVICES
Techniques disclosed herein provide a layered healthcare medical stack for embodying the architecture of a subject-centric smart hospital (SH) with customizable smart services. A subject centric matrix hosted on a centralized cloud that is configured to provide interoperability, integration, and customization of services for various healthcare organizations. Data is obtained for each subject to create a subject-specific persona for performing prescriptive and predictive analysis thereby generating alerts and trends based on the current and historical healthcare data of a subject. The subject-centric matrix can enable healthcare facilities to choose any service in any layer without a prerequisite service to be in place first. The healthcare medical stack enables dynamically changing services to the subjects as their health profile and status changes such that they get a personalized and customized experience that is created based on the current health status, which is different from the one observed in the previous visit.
G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
G06F 3/01 - Dispositions d'entrée ou dispositions d'entrée et de sortie combinées pour l'interaction entre l'utilisateur et le calculateur
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
64.
OUTREACH COMMUNICATION CONTROLS USING MACHINE LEARNING
A system and method for predicting resource usage using machine-learning models. The method entails collecting a dataset from a variety of data sources such as electronic medical/health records or medical registries. The method identifies if an outreach communication occurred or is scheduled to occur for a subject. A set of features are extracted from the dataset and the method generates derived features from one or more extracted features. The extracted features and generated set of derived features are collated into a candidate feature vector used for training the machine-learning models. The models generate a predicted likelihood of the subject seeking care at the medical facility within a defined time period. Based on the predicted likelihoods of the subjects seeking care at the medical facility, the method predicts an upcoming resource demand at the medical facility. The method generates a recommended action in case predicted resource demand exceeds a threshold.
G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
65.
SYSTEMS AND METHODS FOR ENHANCING NATURAL LANGUAGE PROCESSING
Methods and systems for enhanced natural language processing of clinical documentation are provided. Using natural language processing, a clinical condition is extracted from unstructured data within a current electronic document. A clinical ontology identifying itemsets associated with the clinical condition is retrieved, and indicators of relevant clinical concepts, as identified from the ontology, are searched from within the patient's longitudinal record, which comprises documentation from at least a prior encounter. Based on the whether the clinical concepts are present in the patent's record, a confidence is assigned to the NLP-extracted clinical condition, and one or more actions may be performed.
Systems, methods, and computer-readable media are provided for patient case and care complexity characterization, and detecting matches of an individual patient's record with collections of other patients' records, based on serial, longitudinal patterns, for facilitating efficient health services utilization, implementing programs to reduce complexity, preventive medicine, and risk management in health care. In an embodiment, time series are formed by electronically representing information pertaining to successive longitudinal episodes of health services utilization and the circumstances in which the episodes were incurred; calculating time-series K-nearest-neighbor clusters and distances for each combination; determining the cluster to which a given candidate patient complexity record is nearest, and prescribing one or more interventions specific to hazards that are characteristic of trajectories that are members of that cluster, or that are deemed to be relevant to mitigating those hazards, thereby preventing the adverse outcomes and subsequent excess utilization that are prevalent in that cluster.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
Computerized systems and methods are provided to intelligently and dynamically manage a data center comprising at least one server and at least one central manager. The central manager is programmed to access the at least one server on a predetermined schedule to determine whether at least one application is functioning properly by determining a functionality level. Alternatively, the central manager determines whether the at least one server is actively used by determining an activity level for the server. Based on the central manager's determinations, the system dynamically adjusts the power level of the server, resulting in reduced power consumption and a reduction in wasted resources and unnecessary processing power in the management of servers in a data center.
G06F 1/3287 - Économie d’énergie caractérisée par l'action entreprise par la mise hors tension d’une unité fonctionnelle individuelle dans un ordinateur
G06F 1/28 - Surveillance, p. ex. détection des pannes d'alimentation par franchissement de seuils
G06F 1/30 - Moyens pour agir en cas de panne ou d'interruption d'alimentation
G06F 11/07 - Réaction à l'apparition d'un défaut, p. ex. tolérance de certains défauts
Methods, computer systems, and computer-storage medium are provided for providing closed-loop intelligence. A selection of data is received, at a cloud service, from a database comprising data from a plurality of sources in a Fast Healthcare Interoperability Resources (FHIR) format to build a data model. After a feature vector corresponding to the data model is extracted, a selection of an algorithm for a machine learning model to apply to the data model is received. A portion of the selection of data is utilized for training data and test data and the machine learning model is applied to the training data. Once the model is trained, the trained machine learning model can be saved at the cloud service, where it may be accessed by others.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
Embodiments herein disclose systems, methods, and computer-readable media for generating CDA (Clinical Document Architecture) documents from Past Healthcare Interoperability Resources (FHIR) APIs utilizing a unified, flexible, cloud-based service that can be leveraged across disparate solutions and/or systems.
G06F 16/25 - Systèmes d’intégration ou d’interfaçage impliquant les systèmes de gestion de bases de données
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
Methods, systems, and computer-readable media are provided for improving patient safety using virtual observation. A falls risk assessment and a patient safety risk assessment are initially provided within an electronic health record of a patient. A clinician is prompted at a clinician device to provide input to the falls risk assessment and the patient safety risk assessment for the patient. Based on the input, a safety assessment score is determined for the patient. The safety assessment score is provided to the clinician via the clinician device and the clinician is prompted to initiate an order to place a camera in the room of the patient. Based on the order, a virtual sitter may be assigned to the patient to monitor the camera.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/60 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
71.
Proximity-based mobile-device updates of electronic health records
A system, method, and computer-readable media are provided for facilitating clinical decision making, and in particular, decision making based on a third party's clinical situation by determining and providing useful, up-to-date information, such as patient-related information to a decision maker. In one embodiment, a user first identifies an information item concerning a patient. Based on that item, a set of related information items is determined and prioritized, and a reference pointer, which identifies the set of related information, is generated. The reference pointer is communicated to the user's mobile device. Subsequently, the user's mobile device requests information from the set of information items associated with the reference pointer, and provides information authorization information. Following authentication of the user's credentials, updates of information from the set of information items may be communicated to the user's mobile device as they become available.
G16H 10/65 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients stockées sur des supports d’enregistrement portables, p. ex. des cartes à puce, des étiquettes d’identification radio-fréquence [RFID] ou des CD
G06F 16/90 - Détails des fonctions des bases de données indépendantes des types de données cherchés
G06F 16/955 - Recherche dans le Web utilisant des identifiants d’information, p. ex. des localisateurs uniformisés de ressources [uniform resource locators - URL]
G06F 21/62 - Protection de l’accès à des données via une plate-forme, p. ex. par clés ou règles de contrôle de l’accès
G06Q 50/22 - Aide sociale ou assistance sociale, p. ex. activités de développement communautaire ou services de consultation
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/63 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement local
G16Z 99/00 - Matière non prévue dans les autres groupes principaux de la présente sous-classe
72.
Proximity-based mobile-device updates of electronic health records
A system, method, and computer-readable media are provided for facilitating clinical decision making, and in particular, decision making based on a third party's clinical situation by determining and providing useful, up-to-date information, such as patient-related information to a decision maker. In one embodiment, a user first identifies an information item concerning a patient. Based on that item, a set of related information items is determined and prioritized, and a reference pointer, which identifies the set of related information, is generated. The reference pointer is communicated to the user's mobile device. Subsequently, the user's mobile device requests information from the set of information items associated with the reference pointer, and provides information authorization information. Following authentication of the user's credentials, updates of information from the set of information items may be communicated to the user's mobile device as they become available.
G16H 10/65 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients stockées sur des supports d’enregistrement portables, p. ex. des cartes à puce, des étiquettes d’identification radio-fréquence [RFID] ou des CD
G06F 16/90 - Détails des fonctions des bases de données indépendantes des types de données cherchés
G06F 16/955 - Recherche dans le Web utilisant des identifiants d’information, p. ex. des localisateurs uniformisés de ressources [uniform resource locators - URL]
G06F 21/62 - Protection de l’accès à des données via une plate-forme, p. ex. par clés ou règles de contrôle de l’accès
G06Q 50/22 - Aide sociale ou assistance sociale, p. ex. activités de développement communautaire ou services de consultation
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/63 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement local
G16Z 99/00 - Matière non prévue dans les autres groupes principaux de la présente sous-classe
Methods, systems, and computer-readable media are provided for improving patient safety using virtual observation. A falls risk assessment and a patient safety risk assessment are initially provided within an electronic health record of a patient. A clinician is prompted at a clinician device to provide input to the falls risk assessment and the patient safety risk assessment for the patient. Based on the input, a safety assessment score is determined for the patient. The safety assessment score is provided to the clinician via the clinician device and the clinician is prompted to initiate an order to place a camera in the room of the patient. Based on the order, a virtual sitter may be assigned to the patient to monitor the camera.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/60 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
74.
System and Method for Predicting the Impact of Source Code Modification Based on Historical Source Code Modifications
Methods, systems, and computer-readable media are disclosed herein that utilizes historical changes made to files and methods in computer programming code to predict related files and methods that may be affected by current and/or future changes made to other files and methods. In aspects, when computer code for a particular method is going to be edited, other methods are identified that were changed in previous editing sessions that also included changes to the particular method. Using scoring techniques for the other methods, a recommendation is provided that details the relative strength of whether the other methods are predicted to be affected by any changes made to the computer code for the particular method that is edited.
A system, method and article of manufacture are presented for improving therapy such as adjustment of a chronotherapeutic pharmaceutical regimen. Physiological variables are measured longitudinally and a time series of the measurements is constructed. In some cases, a time series is pre-whitened and transformed to a frequency spectrum while applying multi-taper filtering, and entropy or other statistical measures are calculated for the power spectral distribution. Improved timing, medication and dosage are individually or collectively improved and/or verified through successive testing. An improvement is illustrated for hypertension, using medication to achieve autonomic control and to reduce blood pressure variability and to reduce spectral diversion.
G16H 20/10 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des médicaments ou des médications, p. ex. pour s’assurer de l’administration correcte aux patients
G16H 10/00 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients
G16H 40/00 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux
76.
System And Method For Generating Multi-Category Searchable Ternary Tree Data Structure
Systems, methods, and computer-readable media are disclosed herein that generate a ternary tree data structure that includes multiple categories (e.g., terminologies) using dynamic array modifications that facilitate sharing of one or more nodes across categories. A plurality of different categories may be added and stored within a single ternary tree data structure such that each categories may be separately queried using the single ternary data structure.
Systems and methods are provided for evaluating an alarm condition for a monitored patient in a population of one or more patients. One or more physiological parameters pertaining to the patient, or physiological variables, are used to form a time series describing the patient status. A quantile threshold is determined for a patient. A monitor is initialized and begins generating a binary raw alarm signal. The binary signal is filtered with a low pass filter, and the filtered data is subjected to a quantile operation to determine if a particular sample exceeds the determined quantile threshold. If the quantile threshold is exceeded, then a check is performed to see if the raw binary alarm signal also indicates an alarm. If both the preliminary alarm indication and the raw binary signal indicate an alarm, then an alarm is emitted; otherwise monitoring continues.
Methods, systems, and computer-readable media are provided for managing health status of persons with a chronic condition including providing dynamic, adaptive monitoring, detection, and prediction of suicide risk to a person at risk for suicide related to mental health. In an embodiment, a patient-assessment application is used to obtain information periodically on a patient's mental health status. Based on this information, a logistic regression model is employed to determine a patient's probability of attempting suicide. The probability is evaluated against a default threshold to determine if the patient's status has changed significantly, and if the threshold is exceeded, an action is evoked. In one embodiment, the action includes providing notice to the patient's care provider, caregiver, or case manager.
G16H 20/70 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des thérapies mentales, p. ex. la thérapie psychologique ou le training autogène
G16H 40/67 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement à distance
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
79.
ACTIVE MANAGEMENT OF FILES BEING PROCESSED IN ENTERPRISE DATA WAREHOUSES UTILIZING TIME SERIES PREDICTIONS
Techniques are provided for determining a delay in a data process flow at an enterprise data warehouse. An example method generating a feature for a machine learning model to use to forecast a time interval between receipt of first data at a staging area of a data warehouse and receipt of the first data at a target database of the data warehouse based at least in part on second data received from the staging area and third data received from the target database. The method can further include generating, using the machine learning model, a forecasted time interval based at least in part on the feature. The method can further include comparing the forecasted time interval with an expected time interval for fourth data received at the staging area. The method can further include updating a priority of the first data based at least in part on the comparison. The method can further include transmitting the first data to the target database based at least in part on the updated priority.
Methods, computer readable media, and systems for providing a Cloud-Based system that takes maintenance and access of patient-centric healthcare records to the next level by providing a healthcare-provider-specific app store in a healthcare web portal. The cloud-based system serves as a patient web portal which hosts a computer App Store. The system determines a set of relevant computer applications from a plurality of available computer applications that are relevant to the particular patient and generates a customizable dashboard on a graphical user interface.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G06F 16/954 - Navigation, p. ex. en utilisant la navigation par catégories
G06F 16/955 - Recherche dans le Web utilisant des identifiants d’information, p. ex. des localisateurs uniformisés de ressources [uniform resource locators - URL]
G16H 50/00 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies
Methods, computer systems, and computer-storage medium are provided for providing closed-loop intelligence. A selection of data is received, at a cloud service, from a database comprising data from a plurality of sources in a Fast Healthcare Interoperability Resources (FHIR) format to build a data model. After a feature vector corresponding to the data model is extracted, a selection of an algorithm for a machine learning model to apply to the data model is received. A portion of the selection of data is utilized for training data and test data and the machine learning model is applied to the training data. Once the model is trained, the trained machine learning model can be saved at the cloud service, where it may be accessed by others.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
Techniques for presenting recommendations of candidate unmapped proprietary codes for target standard codes are disclosed. The techniques include comparing datasets of unmapped proprietary codes with datasets of a target standard code. The datasets are represented as vector embeddings generated using word embedding techniques. Cosine similarities between the vector embeddings of candidate proprietary codes and the target standard code are used to identify and rank a list of candidate unmapped proprietary codes for the target standard code. The cosine similarity scores may be weighted.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G06F 40/284 - Analyse lexicale, p. ex. segmentation en unités ou cooccurrence
83.
Systems, Methods, And Storage Media For Conducting Security Penetration Testing
Methods, systems, and computer-readable media are disclosed herein that conduct security penetration testing. In accordance with embodiments, a security extension is run in a web browser in order to record a user interface workflow and to generate a test script of the user interface workflow. The test script is executed in an application in order to perform penetration testing of the user interface workflow, in some embodiments. Based on the outcomes of the penetration testing, a security report may be generated in order to identify one or more security vulnerabilities in the user interface workflow.
In one aspect: A non-healthcare data source associated with a patient may be identified, and a non-healthcare dataset may be extracted from the non-healthcare data source. A target subset of healthcare data may be selected from a set of healthcare data based on the non-healthcare dataset. A query may be executed on the target subset of healthcare data to identify a candidate patient information dataset. A patient information data structure may be created or updated based on the candidate patient information dataset associated with the patient. In another aspect: A match score may be computed between a non-healthcare dataset and a candidate patient information dataset, and responsive to the match score meeting a threshold, the candidate patient information dataset may be selecting as a patient information dataset. The patient information dataset may be stored in the patient information data structure in association with the patient.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
85.
Concept Agnostic Reconcilation And Prioritization Based On Deterministic And Conservative Weight Methods
Methods, systems, and computer-readable media are disclosed herein to provide rule-based reconciliation of records. Specifically, rules are utilized to reconcile one or more records and identify duplicates therein. Once duplicate records are identified, one or more ranking sets can be utilized to identify which of the duplicate records to write to the system.
A decision support tool is provided for identifying and assisting clinicians with patient ventilator asynchrony. The information used to make the identification may include data from a patient's ventilator including the volume, flow, and pressure associated with that ventilator. At least some of this information may be used to compute one or more features for a time series of the data received for the patient. These features may be used in connection with heuristic rules and machine learning algorithms to identify instances of patient ventilator asynchrony. Based on the identification, one or more intervening actions may be initiated to reduce the impact of patient ventilator asynchrony.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
A61M 16/00 - Dispositifs pour agir sur le système respiratoire des patients par un traitement au gaz, p. ex. ventilateursTubes trachéaux
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 20/40 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des thérapies mécaniques, la radiothérapie ou des thérapies invasives, p. ex. la chirurgie, la thérapie laser, la dialyse ou l’acuponcture
G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
G16H 40/40 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion d’équipement ou de dispositifs médicaux, p. ex. pour planifier la maintenance ou les mises à jour
G16H 40/67 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement à distance
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
Systems, methods, and user interfaces provide integrated coordination of care. Care team coordination and collaboration is promoted by bringing together each of the necessary elements of a patient's plan into a single point of access. Current workflow silos that exist in the care planning space are eliminated. This allows seamless support for the many different care planning regulations across care settings and supports and involves the entire care team including the patient and personal care team.
G16H 20/30 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des thérapies ou des activités physiques, p. ex. la physiothérapie, l’acupression ou les exercices
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
88.
Systems And Methods For Ontologically Classifying Records
Systems and methods are described for procedurally-based decision support using ontology-based classification of database records. The procedural decision support can facilitate extraction of contextually relevant data from a database. The data may be formatted for compatibility with a knowledge-based data library using one or more scripts and populated in the library as an entity. Classification of the entity can be reasoned using the available data. One or more classifications of the entity may be returned to the procedural decision support to facilitate computation of a recommendation.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
Methods, systems, and computer-readable media are provided for facilitating record matching and entity resolution and for enabling improvements in record linkage. A power-spectrum-based temporal pattern-specific weight may be incorporated into record linkage methods to enhance the record linkage accuracy and statistical performance. For example, in embodiments, a value-specific weight may be calculated from a population-based frequency of field-specific values and provides an opportunity to capture and measure the relative importance of specific values found in a field. A timeseries-derived Bayesian power spectrum weight may be calculated from the population-based frequency of temporal pattern-specific values in terms of intensities at various frequencies of the power spectrum computed from the timeseries, and further provides an opportunity to capture and measure the relative importance of specific sequences of care episodes.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 80/00 - TIC spécialement adaptées pour faciliter la communication entre les professionnels de la santé ou les patients, p. ex. pour le diagnostic collaboratif, la thérapie collaborative ou la surveillance collaborative de l’état de santé
Systems, methods and computer-readable media are provided for identifying patients having an elevated near-term risk of chronic kidney disease (CKD) progression, including predicting an individual's risk of progression to Stage 3 CKD within a future time interval, which may be up to 36 months. Based on the prediction, appropriate care providers may be notified so that the risk of CKD progression may be mitigated. In an embodiment, measurements of physiological variables are obtained, including serial measurements for uric acid levels from a longitudinal time series of serum or plasma samples spanning the previous two to five years. An annualized uric acid velocity of the patient is determined and used to generate a multivariable mathematical model for determining a likelihood of risk for developing Stage 3 CKD within 36 months.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G06Q 10/1093 - Ordonnancement basé sur un agenda pour des personnes ou des groupes
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 20/30 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des thérapies ou des activités physiques, p. ex. la physiothérapie, l’acupression ou les exercices
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
91.
CODE GENERATOR FOR ACCESSING DIFFERING HEALTH RECORD SYSTEMS
Techniques for enabling a user, having little or no code-writing experience, to build and configure a user-customized software application configured to extract, process, and display information associated with user-selected health records or portions of health records is disclosed. The techniques may include operations such as receiving a selection of a first resource defined by a first EHR system, analyzing metadata associated with the first resource to identify a first set of characteristics corresponding to the first resource, identifying configuration fields associated with the first resource based on the first set of characteristics, presenting the configuration fields associated with the first resource, receiving configuration values for the configuration fields, and generating code for executing API calls to extract data associated with the first resource in accordance with the configuration values and for presenting the data associated with the first resource.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
Techniques for enabling a user, having little or no code-writing experience, to build and configure a user-customized software application configured to extract, process, and display information associated with user-selected health records or portions of health records is disclosed. The techniques may include operations such as receiving a selection of a first resource defined by a first EHR system, analyzing metadata associated with the first resource to identify a first set of characteristics corresponding to the first resource, identifying configuration fields associated with the first resource based on the first set of characteristics, presenting the configuration fields associated with the first resource, receiving configuration values for the configuration fields, and generating code for executing API calls to extract data associated with the first resource in accordance with the configuration values and for presenting the data associated with the first resource.
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
G16H 40/67 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement à distance
93.
SYSTEM AND TECHNIQUES FOR GENERATING A REUSABLE PROCESS
In some aspects, a method can be performed by a processor of a computing device. The method includes generating a non-executable code template that includes code that defines a set of operations. Additionally, the method includes accessing data about a particular project. Further, the method includes determining a set of project variables that pertain to the particular project and determining a set of project logic that pertains to the particular project. Furthermore, the method includes generating an executable code by integrating the set of project variables and the set of project logic into the non-executable code template. Moreover, the method includes compiling the executable code and generating a result by executing the compiled executable code.
Systems, methods and computer-readable media are provided for monitoring patients and quantitatively predicting whether an event, such as a significant change in health status meriting intervention, is likely to occur within a future time interval subsequent to computing the prediction. Medical data for a patient is collected from one or more different inputs and used to determine time series data. From this, a forecasted numerical value is computed for one or more physiologic parameters associated with the patient, which may be used to further monitor the patient and facilitate decision making about a need for intensified monitoring or intervention to prevent or manage deterioration of hemostasis. An evolutionary algorithm, such as particle swarm optimization and/or differential evolution, may be used to determine the most probable value of the one or more physiologic parameters at one or more future times.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
A61B 5/02 - Détection, mesure ou enregistrement en vue de l'évaluation du système cardio-vasculaire, p. ex. mesure du pouls, du rythme cardiaque, de la pression sanguine ou du débit sanguin
A61B 5/0205 - Évaluation simultanée de l'état cardio-vasculaire et de l'état d'autres parties du corps, p. ex. de l'état cardiaque et respiratoire
A61B 5/021 - Mesure de la pression dans le cœur ou dans les vaisseaux sanguins
A61B 5/024 - Mesure du pouls ou des pulsations cardiaques
A61B 5/145 - Mesure des caractéristiques du sang in vivo, p. ex. de la concentration des gaz dans le sang ou de la valeur du pH du sang
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
95.
System and techniques for generating a reusable process
In some aspects, a method can be performed by a processor of a computing device. The method includes generating a non-executable code template that includes code that defines a set of operations. Additionally, the method includes accessing data about a particular project. Further, the method includes determining a set of project variables that pertain to the particular project and determining a set of project logic that pertains to the particular project. Furthermore, the method includes generating an executable code by integrating the set of project variables and the set of project logic into the non-executable code template. Moreover, the method includes compiling the executable code and generating a result by executing the compiled executable code.
System, methods and computer-readable media are provided for facilitating decision support by assessing the severity of injuries and the acute risk of physiologic deterioration and short-term mortality in trauma patients, both on the scene where emergency medical personnel initially evaluate and treat trauma victims and while in-transit to receive care at a health care facility. Embodiments of the invention provide a quantitative numerical score and calculated probabilities of deterioration and/or mortality, based on multi-variable statistical regressions. In some embodiments, fuzzy-set mathematics are employed in the regressions to account for physiologic and epistemologic uncertainty that are inherent in one or more emergency personnel members' observations and recordings of a plurality of measurements periodically during the time on-scene and during transit. Embodiments also enable the prediction of the other outcomes of trauma patients, such as the intensity of care that will likely be required prior to hospital arrival.
In some examples, data associated one or more medical presentations of a person is received. A mapping that associates the data to one or more candidate diagnoses is determined. The one or more candidate diagnoses correspond to one or more possible medical conditions associated with the person. A validation score for a first candidate diagnosis, of the one or more candidate diagnoses, is generated based on a set of features associated with the person. The validation score indicates an accuracy of the candidate diagnosis. At least partially in response to the generating of the validation score, an indicator is caused to be provided at a user device. The indicator indicates the validation score.
G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
A computer-implemented trading platform, system, and method are provided for facilitating the trading and accounting for health quality offsets. So-called “health quality credits” related to emissions of ‘potentially avoidable complications’ (PACs) or ‘potentially avoidable mortality’ (PAMs). Emissions trading or “cap-and-trade” is an administrative approach used to control emissions that degrade public-goods assets by providing economic incentives for achieving and sustaining economically significant reductions in the emissions of pollutants that impair public goods such as clean air or health. In one embodiment, a method of accounting for health quality offsets established in one or more offset markets includes registering a health quality offset to an owner thereof; assigning a unique identifier to the health quality offset; crediting a client account with the health quality offset; receiving notification of a trade between a buyer and a seller, if the seller has an amount of health quality offsets sufficient for the trade, adjusting buyer and seller accounts with corresponding credits and debits; otherwise, providing a notification of insufficient health quality offsets to carry out the trade.
Methods and systems are provided for detecting objects or patient safety events in a patient room. Artificial intelligence is utilized to enhance safety issue recognition capabilities by the methods and systems. Sensors collect a series of images and depth data in a room of a patient. Data (corresponding to images and depth data of an object or patent safety event) is received from the sensors and compared to stored data to identify the object or patient safety event. The images are communicated to a central video monitoring system and a user may be prompted to confirm if the object requires learning or a patient safety event occurred (or identify the object or patient safety event) or to provide additional parameters or actions. A patient safety learning system analyzes the data and incorporates the user response to enhance safety issue recognition capabilities of the system and reduce false alerts.
Methods, systems, and computer-readable media for rapid event voice documentation are provided herein. The rapid event voice documentation system captures verbalized orders and actions and translates that unstructured voice data to structured, usable data for documentation. The voice data captured is tagged with metadata including the name and role of the speaker, a time stamp indicating a time the data was spoken, and a clinical concept identified in the data captured. The system automatically identifies orders (e.g., medications, labs and procedures, etc.), treatments, and assessments/findings that were verbalized during the rapid event to create structured data that is usable by a health information system and ready for documentation directly into an EHR. The system provides all of the captured data including orders, assessment documentation, vital signs and measurements, performed procedures, and treatments, and who performed each, available for viewing and interaction in real time.
G10L 15/26 - Systèmes de synthèse de texte à partir de la parole
G10L 17/00 - Techniques d'identification ou de vérification du locuteur
G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
