用于遵从性预测的系统和方法与流程

本技术总体上涉及预测建模，并且更具体地，涉及针对方案遵从性的预测建模。

背景技术：

1、对方案的依从性，诸如定期服用处方药物或定期进行处方活动，对于监管遵从性至关重要。相对于医疗保健方案，对方案的依从性与积极的患者结局相关联。对方案的依从性也可能是某些认证、分类或福利所要求的。例如，为了获得医疗保健计划的某些分类等级，提供者必须证明对处方药物使用的最低遵从性水平。除了满足监管要求之外，对规律时间表的依从性可提供对潜在问题的改进的治疗和/或控制。

2、在一些情况下，干预（诸如通信）可用于提高对方案的遵从性。例如，指示即将到来的事件（诸如处方续配）的通信或关于遵循方案的重要性的信息可提高对方案的依从性。尽管干预可提高遵从性，但当前系统不提供用于基于遵从性概率来识别干预的过程或方法。

技术实现思路

1、在各种实施例中，公开了一种系统。该系统包括非暂时性存储器以及通信地耦合到非暂时性存储器的处理器。处理器被配置为读取指令集以接收与方案数据结构相关的遵从性事件通知，并且对于预测时间段迭代地预测针对方案数据结构的下一方案遵从性状态。下一方案遵从性状态由包括集成机器学习框架的随机化预测模型来预测，并且预测时间段在每次迭代期间按预定增量递增。处理器被进一步配置为读取指令集以基于下一方案遵从性状态来选择干预通信数据结构，并且修改方案数据结构以引用干预通信数据结构。

2、在各种实施例中，公开了一种计算机实现的方法。该计算机实现的方法包括以下步骤：接收与方案数据结构相关的遵从性事件通知，以及对于预测时间段迭代地预测针对方案数据结构的下一方案遵从性状态。下一方案遵从性状态由包括蒙特卡罗框架的随机化预测模型来预测，该随机化预测模型包括集成机器学习框架，并且预测时间段在每次迭代期间按预定增量递增。该计算机实现的方法进一步包括以下步骤：基于下一方案遵从性状态来选择干预通信数据结构，以及修改方案数据结构以引用干预通信数据结构。

3、在各种实施例中，公开了一种具有存储在其上的指令的非暂时性计算机可读介质。指令当由至少一个处理器执行时，使至少一个装置进行操作，该操作包括：接收与方案数据结构相关的遵从性事件通知，以及对于预测时间段迭代地预测针对方案数据结构的下一方案遵从性状态。下一方案遵从性状态由包括集成机器学习框架的随机化预测模型来预测，并且预测时间段在每次迭代期间按预定增量递增。该装置被进一步配置为进行操作，该操作包括基于下一方案遵从性状态和下一方案遵从性状态的概率将方案数据结构分类在多个类别中的一个类别中，基于多个类别中的一个类别来选择干预通信数据结构，以及修改方案数据结构以引用干预通信数据结构。

4、本技术公开了与以下编号条款相对应的主题：

5、(a1)一种系统，其包括非暂时性存储器以及通信地耦合到非暂时性存储器的处理器，其中处理器被配置为读取指令集以：接收与方案数据结构相关的遵从性事件通知；使用包括集成机器学习框架的随机化预测模型来对于预测时间段迭代地预测针对方案数据结构的下一方案遵从性状态，其中预测时间段在每次迭代期间按预定增量递增；当下一方案遵从性状态包括遵从状态时，通过实现包括基于树的机器学习框架的经训练的参数预测模型来预测下一方案遵从性状态的至少一个参数；基于下一方案遵从性状态来选择干预通信数据结构；以及修改方案数据结构以引用干预通信数据结构。

6、(a2)根据条款(a1)所述的系统，其中随机化预测模型包括蒙特卡罗框架。

7、(a3)根据条款(a1)至(a2)中任一项所述的系统，其中集成机器学习框架包括极端梯度提升框架。

8、(a4)根据条款(a1)至(a3)中任一项所述的系统，其中迭代地预测下一方案遵从性状态，直到已经进行了预定次数的递增或者预测到遵从状态。

9、(a5)根据条款(a1)至(a4)中任一项所述的系统，其中处理器被配置为读取指令集以在选择干预通信数据结构之前，基于下一方案遵从性状态和下一方案遵从性状态的概率将方案数据结构分类在多个类别中的一个类别中，其中干预通信数据结构是基于多个类别中的一个类别来选择的。

10、(a6)根据条款(a1)至(a5)中任一项所述的系统，其中多个类别包括与遵从的下一方案遵从性状态和高于第一预定阈值的概率相关联的可能遵从类别、与遵从的下一方案遵从性状态和低于第一预定阈值的概率相关联的潜在遵从类别、与未遵从的下一方案遵从性状态和低于第二预定阈值的概率相关联的潜在未遵从类别以及与未遵从的下一方案遵从性状态和高于第二预定阈值的概率相关联的可能未遵从类别。

11、(a7)根据条款(a1)至(a6)中任一项所述的系统，其中方案数据结构包括表示药物方案的数据。

12、(b1)一种计算机实现的方法，其包括：接收与方案数据结构相关的遵从性事件通知；使用包括蒙特卡罗框架的随机化预测模型来对于预测时间段迭代地预测针对方案数据结构的下一方案遵从性状态，该随机化预测模型包括集成机器学习框架，该集成机器学习框架包括极端梯度提升框架，其中预测时间段在每次迭代期间按预定增量递增；基于下一方案遵从性状态来选择干预通信数据结构；以及修改方案数据结构以引用干预通信数据结构。

13、(b2)根据条款(b1)所述的方法，其中当下一方案遵从性状态包括遵从状态时，通过实现经训练的参数预测模型来预测下一方案遵从性状态的至少一个参数。

14、(b3)根据条款(b1)至(b2)中任一项所述的方法，其中经训练的参数预测模型包括基于树的机器学习框架。

15、(b4)根据条款(b1)至(b3)中任一项所述的方法，其中迭代地预测下一方案遵从性状态，直到已经进行了预定次数的递增或者预测到遵从状态。

16、(b5)根据条款(b1)至(b4)中任一项所述的方法，其中在选择干预通信数据结构之前，基于下一方案遵从性状态和下一方案遵从性状态的概率将方案数据结构分类在多个类别中的一个类别中，其中干预通信数据结构是基于多个类别中的一个类别来选择的。

17、(b6)根据条款(b1)至(b5)中任一项所述的方法，其中多个类别包括与遵从的下一方案遵从性状态和高于第一预定阈值的概率相关联的可能遵从类别、与遵从的下一方案遵从性状态和低于第一预定阈值的概率相关联的潜在遵从类别、与未遵从的下一方案遵从性状态和低于第二预定阈值的概率相关联的潜在未遵从类别以及与未遵从的下一方案遵从性状态和高于第二预定阈值的概率相关联的可能未遵从类别。

18、(c1)一种具有存储在其上的指令的非暂时性计算机可读介质，指令当由至少一个处理器执行时，使至少一个装置进行操作，该操作包括：接收与方案数据结构相关的遵从性事件通知；使用包括集成机器学习框架的随机化预测模型来对于预测时间段迭代地预测针对方案数据结构的下一方案遵从性状态，其中预测时间段在每次迭代期间按预定增量递增；基于下一方案遵从性状态和下一方案遵从性状态的概率将方案数据结构分类在多个类别中的一个类别中；当下一方案遵从性状态包括遵从状态时，通过实现包括基于树的机器学习框架的经训练的参数预测模型来预测下一方案遵从性状态的至少一个参数；基于多个类别中的一个类别来选择干预通信数据结构；以及修改方案数据结构以引用干预通信数据结构。

19、(c2)根据条款(c1)所述的非暂时性计算机可读介质，其中随机化预测模型包括蒙特卡罗框架。

20、(c3)根据条款(c1)至(c2)中任一项所述的非暂时性计算机可读介质，其中集成机器学习框架包括极端梯度提升框架。

21、(c4)根据条款(c1)至(c3)中任一项所述的非暂时性计算机可读介质，其中迭代地预测下一方案遵从性状态，直到已经进行了预定次数的递增或者预测到遵从状态。

22、(c5)根据条款(c1)至(c4)中任一项所述的非暂时性计算机可读介质，其中在选择干预通信数据结构之前，基于下一方案遵从性状态和下一方案遵从性状态的概率将方案数据结构分类在多个类别中的一个类别中，其中干预通信数据结构是基于多个类别中的一个类别来选择的。

23、(c6)根据条款(c1)至(c5)中任一项所述的非暂时性计算机可读介质，其中随机化预测模型包括蒙特卡罗框架，并且集成机器学习框架包括极端梯度提升框架。