用于确定患者的风险评分的方法与流程

1.本公开总体上涉及一种计算机实现的、用于确定患者的风险评分的方法。本公开还涉及相应的计算机系统和计算机程序产品。


背景技术：

2.在过去的几十年中，医疗保健支出快速增长，已经提出不同的计划来至少减缓支出的增长。例如，此类计划可能侧重于实施一个相对较高的阈值，以用于确定何时给予个人合适的治疗，而且仍尝试将医疗保健系统内的医疗保健质量保持在期望的水平。
3.作为替代方案，医生、护士或任何其它形式的熟练的治疗师或医疗顾问可尝试向个人提供建议，目的是进行可能对个人产生积极健康影响的关联改变，从而降低个人必须在医疗保健系统内寻求治疗的风险。
4.为了能够确定何时给予患者治疗和何时不给予患者治疗，需要对个人进行某种形式的预评估。
5.在评估个人时，例如医生、护士或任何协助患者的人使用个人经验、指导方针和最佳实践来尽可能客观地定义个人的当前状态，且可能给个人定义所建议的治疗的推荐关联改变。尽管例如医生或治疗师拥有丰富的知识基础，但是他们是人，有时可能不知道领域内的最新发展，从而可能无法理解个人的总体状态，诸如个人的所有相关医疗信息。此外，当前可用的最佳实践在某些情况下可能生硬地给个人提供个性化的治疗。
6.最近，已经引入数字解决方案来协助医生或治疗师，大大降低医生或治疗师决策的主观性，同时允许提高可用的最佳实践的“分辨率”，以使得医生或治疗师能够基于更大量的数据来做出决策。此类数字解决方案还可使得在定义个人的当前状态时能够包括个人的所有相关医疗信息。
7.在us20180165418中提出用于推荐关联改变的可用数字解决方案的示例。具体地，us20180165418公开了一种收集直接表征个人健康的数据以及与可能影响个人健康的因素相关的关联数据的系统。该系统使用所收集的因素数据来构建特征的向量(“健康向量”)，特征指示并反映个人随时间的健康状况。系统还可评估个人的健康向量在不同时间点存在的差异，以生成健康向量变化。使用个人的健康向量和健康向量变化，系统确定个人的当前健康评分，其表征个人在该时间点的总体健康(例如，在从非常健康到非常不健康的的范围内)。通过基于更新的健康向量信息周期性地生成健康评分，当个人的健康评分随时间变化时，系统还构建个人的健康变化的趋势(“健康评分趋势”)。系统将个人的健康评分趋势数据与反映类似情况的人群(即，一个或多个人群群组)的健康评分趋势的数据进行比较，且基于该比较和被比较的群组的行为模式，生成针对个人可采取的行动或改变的建议，这些行动或改变既可改善个人的健康，又可被个人采用。
8.然而，在us20180165418中提出的解决方案具有一些普遍性缺点。首先，在us20180165418中提出的解决方案生硬地对个人进行评估，最终导致医生/治疗师可能决定绕过数字解决方案的可能建议，以“保持安全可靠”并确保个人感到满意。
9.其次，在us20180165418中提出的解决方案仅适用于对个人的普遍性建议，而决不关注当个人已经住院或者需要在医疗保健系统内进行实际治疗时所需要采取的行动。因此，在us20180165418中提出的解决方案将无法解决医疗保健支出增加的问题，尤其是当需要在医疗保健系统内给个人提供实际治疗时。
10.考虑到上述问题，似乎存在给医生进一步改进数字解决方案的空间，从而平衡评估可靠性和医疗保健质量，总体意图是针对个人的当前健康/状况给予个人最合适类型的治疗。


技术实现要素：

11.根据本公开的一方面，通过一种计算机实现的方法来缓解上述问题，该方法由控制单元执行、用于确定患者的风险评分，其中，该方法包括以下步骤：在控制单元处接收第一组个人参数，第一组个人参数指示患者的当前状态或先前状态；使用控制单元，基于第一组个人参数形成个人患者模型；使用控制单元确定个人患者模型与多个不同的预定通用患者模型中的每一个之间的匹配水平，通用患者模型中的每一个具有预定患者风险评分；使用控制单元选择至少一个通用患者模型，至少一个通用患者模型具有高于预定阈值的匹配水平；以及使用控制单元，基于所选择的至少一个通用患者模型确定患者的风险评分。
12.本公开的总体思想是确定患者的风险评分，其中针对患者的预评估用作主要输入。风险评分又可以在医疗保健系统中使用，以给患者提供最合适的治疗。根据本公开，与现有技术相比，针对患者的风险评分的确定不仅基于患者的预评估，而且涉及将与患者相关的数据与多个不同的通用患者模型进行匹配的过程。不同的通用患者模型已预先形成，可能通过与不同领域的专家密切协作而形成，其中，不同的通用患者模型通常可视为与不同的患者行为和结果相关联，例如在未进行适当治疗的情况下。此外，不同的通用患者模型通常不是基于与单个患者相关的知识，而是基于与一大群患者相关的普遍性知识(通常匿名)和这些患者的预期(组合)结果。
13.因此，根据本公开，将患者的个人模型(取决于针对患者所收集的数据)与多个不同的通用患者模型匹配，选择至少一个通用患者模型，至少一个通用患者模型具有高于预定阈值的匹配水平。因此，本方案不是仅基于针对患者的直接评估来确定患者的风险评分，而是通过将患者的特定行为与以类似方式出现/表现的患者“群组”相匹配，来确保将针对患者的评估置于“更大的情景”中。
14.因此，通过本公开，可根据通用患者行为来确定患者的风险评分，而不是仅依赖于个人患者。因此，本方案的优点是能够可靠地预测患者的预期未来行为，以及如何最好地处理这种可能的行为，以尽量减少患者的并发症。与不同的预定通用患者模型的匹配还可视为一种滤除患者的个人参数中的可能变化的方式，原因是这种变化先前可能已被确定为对患者的未来影响不大。
15.因此，本公开的目的可以是确保改善提供给患者的治疗质量，同时确保减少“过度治疗”，从而减轻与医疗保健系统相关的总体负担。此外，考虑新识别的“最佳实践”，本公开可以以高度灵活的方式实现，可能确保可不断引入“新的”或“更新的”通用患者模型。
16.在本公开的上下文中，表述“一组个人参数指示患者的当前状态或先前状态”应当宽泛地解释，且包括已经收集或正在收集的、与患者相关的、任何类型的相关信息。例如，此
类信息可包括在预定时间段内收集的患者的临床数据(包括从数秒/数小时到患者的整个生命期间的任何数据，例如在不同医生的安排和/或住院期间所收集的数据)，例如包括但不限于患者生命体征、住院次数、实验室结果和处方药物。可能与使用相关的进一步信息包括例如心率数据、心电图(ekg/ecg)数据、呼吸率数据、患者体温数据、脉搏血氧饱和度数据和血压数据。
17.当然，还可能使用与患者相关的其它参数，例如包括：bmi(体重指数)、尿可控、尿失禁、皮肤类型视觉危险区域、性别和年龄、营养不良筛查(mts)、活动能力、其它身体状况、精神状况、活跃状况、感官知觉、患者身体部位的湿润度、营养、患者身体部位的摩擦和切变、体温、与先前的压疮、灌注(血流)、糖尿病、组织灌注和氧合、卫生、血液动力学等相关的信息。
18.优选地，在一些实施例中，该组个人参数可包括患者的图像和视频序列中的至少一个。然而，合适的是允许护理者输入与患者相关的其它信息，例如与上文列出的参数相关的信息。优选地，可使用例如布置成与控制单元通信的相机来收集图像和/或视频，其中控制单元又可应用图像处理方案来提取例如上文列出的参数。在一些实施例中，图像处理方案可适用于对先前所收集的患者数据进行标准化处理。
19.此外，表述“个人患者模型”同样应当宽泛地解释，在一个实施例中包括确定患者的一组个人参数的集合。然而，在另一实施例中，个人患者模型可定义为患者的个人参数的“容器”，例如定义为一串个人参数，这些参数可根据预定标准进行组织，以提高与通用患者模型的匹配。
20.此外，表述“控制单元”应当宽泛地解释，且可包括用于提供计算能力以执行根据本公开的方案的任何装置。如此，控制单元(对应于用于提供处理能力的任何装置)可以在服务器内实现、在客户端设备(例如计算机或移动设备)内实现，或者在服务器和客户端设备之间共享，如将在本公开的详细描述中进一步讨论的。
21.优选地，在本公开的一个实施例中，选择步骤包括：选择具有最高匹配水平的通用患者模型。因此，在一些实施例中，一个特定的通用患者模型可被精确地定位为最相关的模型，且风险评分基于这种匹配。在一些实施例中，例如，在希望快速确定患者的风险评分的情况下，这种实现可以是优选的。
22.然而，作为替代方案，可基于所选择的一个以上的通用患者模型来确定风险评分，例如基于所选择的至少两个通用患者模型的组合来确定风险评分。在这样的实施例中，可能希望对所选择的通用患者模型中的每一个应用权重，其中权重例如可取决于匹配水平。显然，这种实现可能在确定的风险评分的可靠性方面提供进一步的改进，但是在另一方面，与仅选择单个通用患者模型时相比，这种实现可导致稍微多一些的处理，因此稍微慢一些。
23.在一些实施例中，预定阈值可用于确保匹配至少保持特定的基本水平。换句话说，在匹配不是足够低的情况下，即当个人患者模型与多个不同的预定通用患者模型进行比较时没有产生真正的匹配，该信息可用作指示，其表明医生应手动评估患者的风险评分，而不依赖于当前方案。换句话说，低匹配水平还可视为指示符，其表明指示患者的当前状态或先前状态的个人参数不正确或在其它方面不可靠，且在继续确定风险评分之前收集与患者相关的进一步的/新的信息，是合适的。
24.在本公开的一个实施例中，方法还包括以下步骤：使用控制单元定义低风险类别、
中风险类别和高风险类别；以及使用控制单元，通过将所确定的患者的风险评分与针对不同类别预定义的风险评分范围进行比较，给患者分配风险类别。当然，可包括其它类别且其它类别落入本公开的范围内。这样的其它类别例如可包括在中风险类别和高风险类别之间的中间“较高风险类别”。在一些情况下，风险类别的使用可有助于允许例如护理者快速获取与如何对患者采取行动相关的信息，其中例如，先前(例如在训练中)可能给不同的类别分配不同的行动，而不必解释“风险评分数”(例如在0到100之间，或者以其它方式定义)。因此，在确定患者处于高风险类别的情况下，护理者可快速采取行动以对患者进行处理。
25.这样，在本公开的一个实施例中，方案还可包括以下步骤：使用控制单元，基于所选择的患者风险类别给患者形成所建议的治疗，其中，对于不同的风险类别，所建议的治疗是不同的。换句话说，相较于建议针对所有风险类别进行治疗，本方案进行了排除，使得仅在“确实”需要的情况下才提供所建议的治疗，从而可降低与医疗保健系统相关的总体负担，原因是仅给真正需要的患者提供治疗将大大降低治疗的总成本。应当理解，不同类别的风险评分范围可以是动态变化的，这意味着风险评分范围可随着时间变化，或者以平均化总成本为目的来给患者提供最合适的治疗。
26.优选地，所建议的治疗可包括患者的“预治疗”或针对患者的治疗产品/治疗方案中的至少一个。在本公开的上下文中，表述“预治疗”可以是在例如了解疾病之前提供给患者的任何形式的治疗。这种预治疗可包括从营养推荐到卫生指示等的任何内容。类似地，表述“治疗产品/治疗方案”应当宽泛地解释，包括适合与患者的积极治疗相关地使用的任何形式或手段，例如其用于治疗患者的伤口。以伤口产品作为示例，伤口产品可例如包括伤口敷料、绷带包扎、局部用药、与特定类型的伤口敷料组合的治疗方法等。此外，当前或未来的治疗产品/治疗方案是可能的，且落入本公开的范围内。
27.在一些实施例中，方法还包括以下步骤：在控制单元处接收第二组个人参数，第二组个人参数指示患者在接收所建议的治疗之后的状态；使用控制单元，基于第一组个人参数和第二组个人参数确定患者的健康进展；以及使用控制单元，将所确定的患者的健康进展与针对所选择的至少一个通用患者模型定义的预定健康进展进行比较。
28.根据本公开，可允许第一组个人参数的收集和第二组个人参数的收集之间存在时间差，例如，在1小时至90天之间。然而，所提到的时间差只是一个示例，该时间差当然可以更短和更长。在一个实施例中，可允许时间差取决于所建议的治疗。此外，应当理解，系统可使用多于第一组个人参数和第二组个人参数，例如使用第三组个人参数，使得数据收集时间之间的时间差可以固定或可变。
29.此外，可以给至少一些通用患者模型提供与之相关的健康进展。换句话说，具有(或不具有)相关治疗推荐/建议的通用患者模型可能在如何针对患者方面具有定义的预期。根据该实施例，可以将患者如何对所建议的治疗进行实际反应与预期反应(取决于所选择的通用患者模型)进行比较。该比较又可用于进一步开发根据本公开的方案。换句话说，在一些实施例中，例如在患者的健康进展实质上对应于所选择的通用患者模型的预定健康进展的情况下，可“验证”所选择的通用患者模型。验证可包括使用进一步的数据或微小的调整来更新所选择的通用患者模型。
30.然而，在患者的健康进展(充分)偏离所选择的通用患者模型的预定健康进展的情况下，收集和存储患者进展，也可能同样有用。在这种情况下，例如可以(或者给新的通用患
者模型)形成一个起始点，其中，与先前预期的情况相比，偏离的健康进展可视为新的情况。
31.稍后收集的与患者相关的信息不仅可用于更新/调整/验证通用患者模型。相反，根据本公开的总体方案可用于允许不同的机构和/或组织与其它机构和/或组织进行基准比较。因此，在一些实施例中，可能希望确保所收集的与患者相关的信息严格保持匿名。
32.在一个实施例中，更新/调整通用患者模型可包括应用机器学习过程。换句话说，相较于让医生(或技术人员)形成新的通用患者模型，系统本身可形成这样的模型或者已经可用的通用患者模型的模型迭代。例如，在一些情况下，一个通用患者模型可细分成两个(或者甚至更多个)子模型(如果提供进一步的数据的话)，其表明可以在不同的情况下进行不同的评估。机器学习过程可以是无监督的机器学习过程、有监督的机器学习过程和/或基于卷积神经网络(cnn)或递归神经网络(rnn)。进一步的实现是可能的，且落入本公开的范围内。
33.根据本公开的另一方面，还提供一种计算机实现的方法，该方法由控制单元执行、用于确定患者的风险评分，其中，该方法包括以下步骤：在控制单元处接收第一组个人参数，第一组个人参数指示患者的当前状态或先前状态；使用控制单元，将第一组个人参数与多个不同的预定通用患者模型进行匹配，通用患者模型中的每一个具有预定患者风险评分；使用控制单元至少选择与个人参数最匹配的通用患者模型；以及至少基于所选择的通用患者模型确定患者的风险评分。本公开的这一方面提供与上文关于本公开的先前方面所讨论的优点类似的优点。即便如此，根据本公开的这一方面，提供一种稍微不同的方法，其中个人参数与多个不同的预定通用患者模型直接匹配，而不包括个人患者模型。在某些情况下，例如，当个人参数的类型预期在所有收集例子中相同/相似时，这种实现可以是优选的。
34.根据本公开的再一方面，提供一种计算机实现的方法，该方法由控制单元执行、用于降低与患者相关的医疗保健成本，该方法包括：在控制单元处接收第一组个人参数，第一组个人参数指示患者的当前状态或先前状态；使用控制单元，基于第一组个人参数形成个人患者模型；使用控制单元确定个人患者模型与多个不同的预定通用患者模型中的每一个之间的匹配水平，通用患者模型中的每一个具有预定患者风险评分；使用控制单元选择至少一个通用患者模型，至少一个通用患者模型具有高于预定阈值的匹配水平；使用控制单元，基于所选择的至少一个通用患者模型确定患者的风险评分；使用控制单元定义低风险类别、中风险类别和高风险类别；使用控制单元，通过将所确定的患者的风险评分与针对不同类别预定义的风险评分范围进行比较，给患者分配风险类别；以及仅当给患者分配高风险类别时，才使用控制单元给患者建议进行的治疗。本公开的这一方面也提供与上文关于本公开的先前方面所讨论的优点类似的优点。
35.此外，根据本公开的另一方面，提供一种适于确定患者的风险评分的计算机系统，该计算机系统包括控制单元，控制单元适于：接收第一组个人参数，第一组个人参数指示患者的当前状态或先前状态；基于第一组个人参数形成个人患者模型；确定个人患者模型与多个不同的预定通用患者模型中的每一个之间的匹配水平，通用患者模型中的每一个具有预定患者风险评分；选择至少一个通用患者模型，至少一个通用患者模型具有高于预定阈值的匹配水平；以及基于所选择的至少一个通用患者模型确定患者的风险评分。本公开的这一方面提供与上文关于本公开的先前方面所讨论的优点类似的优点。
36.在本公开的可能的实施例中，计算机系统是移动电子设备，例如“专用电子设备”、移动电话、平板电脑等中的至少一个。作为替代方案，计算机系统可以是计算机(例如膝上型计算机)，例如计算机设置有上文所讨论的、用于获取患者伤口的图像或视频序列的相机。例如计算机系统可布置成由护理者操作。
37.在本公开的优选实施例中，计算机系统包括图形用户界面(gui)，gui适于向护理者提供用于获取患者的第一组参数的指令。然后，在上文所讨论的处理步骤之后，gui可适于呈现指示风险评分和/或风险类别的信息。
38.根据本公开的又一方面，提供一种计算机程序产品，该计算机程序产品包括非暂时性计算机可读介质，在非暂时性计算机可读介质上存储有计算机程序装置，计算机程序装置用于操作适于确定患者的风险评分的计算机系统，该计算机系统包括控制单元，其中，计算机程序产品包括：用于在控制单元处接收第一组个人参数的代码，第一组个人参数指示患者的当前状态或先前状态；用于使用控制单元，基于第一组个人参数形成个人患者模型的代码；用于使用控制单元确定个人患者模型与多个不同的预定通用患者模型中的每一个之间的匹配水平的代码，通用患者模型中的每一个具有预定患者风险评分；用于使用控制单元选择至少一个通用患者模型的代码，至少一个通用患者模型具有高于预定阈值的匹配水平；以及用于使用控制单元，基于所选择的至少一个通用患者模型确定患者的风险评分的代码。本公开的这一方面也提供与上文关于本公开的先前方面所讨论的优点类似的优点。
39.优选地，控制单元是微处理器。类似地，计算机可读介质可以是任何类型的存储器件，包括可移除非易失性随机存取存储器、硬盘驱动器、软盘、cd-rom、dvd-rom、usb存储器、sd存储卡或本领域已知的类似计算机可读介质之一。
40.当研究所附的权利要求和以下描述时，本公开的进一步特征和优点将变得显而易见。本领域技术人员认识到，在不脱离本公开的范围的情况下，本公开的不同特征可进行组合，以创建不同于以下描述的实施例的实施例。
附图说明
41.本公开的各个方面，包括其特定特征和优点，将通过以下详细描述和附图容易地理解，其中：
42.图1概念性地示出了根据本公开的当前优选实施例的计算机系统；
43.图2公开了一种可能的客户端设备，该客户端设备包括应用本发明概念的图形用户界面；以及
44.图3是示出执行根据本公开的当前优选实施例的方法的步骤的流程图。
具体实施方式
45.现在，将在下文参考附图更全面地描述本公开，在附图中示出了本公开的当前优选实施例。然而，本公开可以以许多不同的形式体现，且不应当解释为限于本文阐述的实施例；相反，提供这些实施例是为了彻底和完整，并将本公开的范围完全传达给技术人员。相似的附图标记始终指代类似的元件。
46.现在转到附图，尤其是图1，概念性地示出了适于确定患者的风险评分的计算机系
统100。
47.计算机系统100包括服务器106和客户端设备112，服务器106包括某种形式的控制单元108，控制单元108提供计算能力，且服务器106布置成与数据库110通信，客户端设备112布置成与服务器106进行联网通信，例如使用互联网来进行联网通信。在图1中，客户端设备112由护理者(未示出)操作；然而，可允许任何用户，例如任何形式的看护者，操作客户端设备112。
48.联网通信可以是有线或无线的，例如包括诸如构建的lan、wan、以太网、ip网络等有线连接，以及诸如wlan、cdma、gsm、gprs、3g移动通信、4g移动通信、5g移动通信、蓝牙、红外或类似的无线连接。
49.客户端设备112，在图2中进一步详细描述且示出为移动电话，包括图形用户界面(gui)和相机204。客户端设备112还包括某种形式的控制单元206，控制单元206提供计算能力。gui优选地适于向例如护理者呈现指令和信息，例如用于使用相机204获取患者106的图像，用于接收由护理者输入的其它患者数据，以及用于显示与患者的风险评分和/或患者的风险类别相关的信息。
50.控制单元108以及控制单元206可包括通用处理器、专用处理器、包含处理组件的电路、一组分布式处理组件、配置成用于处理的一组分布式计算机等。处理器可以是或包括用于进行数据或信号处理或者用于运行存储在存储器中的计算机代码的任意数量的硬件组件。存储器可以是用于存储数据和/或计算机代码的一个或多个设备，以用于完成或促进本说明书所描述的各种方法。存储器可包括易失性存储器或非易失性存储器。存储器可包括数据库组件、目标代码组件、脚本组件或用于支持本说明书的各种活动的任何其它类型的信息结构。根据示例性实施例，任何分布式或本地存储器件可与本说明书的系统和方法一起使用。根据示例性实施例，存储器可通信地连接到处理器(例如，经由电路或任何其它有线、无线或网络连接)且包括用于执行本文所描述的一个或多个过程的计算机代码。
51.此外，在一个实施例中，优选地，计算机系统100实现为基于云的计算系统，其中服务器106是云服务器。因此，可以在多个不同的服务器(未示出)之间分配计算能力，且不必明确地限定服务器的位置。如上文所述，还可以在服务器和客户端设备之间分配计算能力。
52.此外，使用基于云的解决方案的有利之处是实现固有冗余。换句话说，通过将分布式方法应用于服务器以及用户/操作者，由于通常不可能附加指定的操作站点(物理的或计算机攻击)，使得可提高安全性，例如现有技术的解决方案在指定的操作站点拥有服务器和用户/操作者两者。
53.在计算机系统100的操作期间，进一步参考图3，例如通过护理者例如使用客户端设备112的gui提供第一组个人参数来启动该过程，第一组个人参数指示患者的当前状态或先前状态，进而由服务器的控制单元108和/或客户端设备112的控制单元206接收第一组个人参数(s1)。
54.随后，控制单元108/206可基于第一组个人参数形成个人患者模型(s2)。如上文所述，在一些实施例中，个人患者模型可以是针对患者的预评估，或者在另一实施例中，个人患者模型可以仅仅是保持第一组个人参数的数据串或向量。
55.然后，将个人患者模型与多个不同的预定通用患者模型相匹配(s3)，其中，通用患者模型中的每一个具有预定患者风险评分。在一些实施例中，多个不同的预定通用患者模
型可与数据库110一起存储和/或与包括在客户端设备112中的存储模块一起存储。
56.个人患者模型与多个不同的预定通用患者模型之间的匹配使得可确定匹配水平。在一些实施例中，匹配可以是多维匹配，其中，第一组个人参数与多个不同的预定通用患者模型相关的多个不同参数进行匹配。可能的是，第一组个人参数不一定对应于多个不同的预定通用患者模型的参数，且多个不同的预定通用患者模型不一定拥有相同类型的参数。因此，为了找到匹配项，可能需要在多个维度上匹配参数。优选地，匹配水平应当考虑到这一点，且在一些实施例中可包括确定不同参数的欧几里得距离。
57.一旦确定匹配水平，则选择至少一个通用患者模型(s4)。即便如此，存在先决条件，即仅选择一个或多个通用患者模型，这一个或多个通用患者模型具有高于预定阈值的匹配水平。如上文所述，这种阈值可以是动态变化的且取决于当前的实现。因此，阈值的范围可以是0至100(在匹配水平具有类似范围的情况下)。
58.在选择至少一个通用患者模型之后，可确定患者的风险评分(s5)。风险评分确定将基于所选择的至少一个通用患者模型，但是还可允许所选择的多于一个通用患者模型的组合。在这种实现中，不同的通用患者模型可具有不同的权重，例如权重基于通用患者模型各自的匹配水平。
59.风险评分可以在0至100之间标准化。其它范围当然是可能的且落入本公开的范围内。风险评分还可用于确定患者的风险类别，可能通过允许总范围的不同范围用于风险评分，以对应于不同的风险类别，来确定患者的风险类别。在一些实施例中，0至50之间的风险评分可对应于低风险类别，51至75之间的风险评分对应于中风险类别，以及76至100之间的风险评分对应于高风险类别。所提供的范围仅用于示例性目的。可能希望至少向高风险类别的患者提供某种形式的治疗。
60.本公开将以高效的方式使得可快速有效地确定患者的风险评分，不是仅依赖于与患者相关的数据，而且包括与多个预定通用患者模型的匹配方案。本方案的优点包括能够可靠地预测患者的预期未来行为，以及如何最好地处理这种可能的行为，以尽量减少患者的并发症。与不同的预定通用患者模型的匹配还可视为一种滤除患者的个人参数中的可能变化的方式，原因是这种变化先前可能已被确定为对患者的未来影响不大。
61.本公开的控制功能可使用现有的计算机处理器来实现，或者通过合适系统的专用计算机处理器来实现，或者通过硬线系统来实现，其中为了该目的或另一目的而结合合适系统的专用计算机处理器。本公开的范围内的实施例包括程序产品，该程序产品包括机器可读介质，机器可读介质用于携带机器可执行指令或数据结构或者在机器可读介质上存储有机器可执行指令或数据结构。这种机器可读介质可以是可由通用计算机或专用计算机或具有处理器的其它机器访问的任何可用介质。例如，这种机器可读介质可包括ram、rom、eprom、eeprom、cd-rom或其它光盘存储器、磁盘存储器或其它磁性存储器件，或可用于携带或存储机器可执行指令或数据结构形式的期望程序代码且可由通用计算机或专用计算机或具有处理器的其它机器访问的任何其它介质。
62.虽然附图可能示出了顺序，但是步骤的顺序可不同于所描绘的顺序。另外，可同时执行两个或更多个步骤，或者部分地同时执行两个或更多个步骤。这种变化将取决于所选择的软件和硬件系统以及设计者的选择。所有这些变化落入本公开的范围内。同样，软件实现可使用具有基于规则的逻辑和其它逻辑的标准编程技术来完成，以实现各种连接步骤、
处理步骤、比较步骤和决策步骤。此外，即使参考本公开的具体示例性实施例描述了本公开，对于本领域技术人员来说，许多不同的改变、修改等将变得显而易见。
63.此外，通过研究附图、公开的内容和所附的权利要求，本领域技术人员在实践本公开时可理解和实现所公开的实施例的变型。此外，在权利要求中，词语“包括”不排除其它元素或步骤，且不定冠词“一”或“一个”不排除多个。