机器学习支持且存储器系统扩增的癫痫发作风险推断的制作方法

技术特征：
1.一种方法(680)，其包括：在第一处理资源处从与被配置成监测患者的患者健康数据的第二处理资源通信的无线电设备接收第一信令(100、218、682)；在所述第一处理资源处从与被配置成监测与癫痫发作相关联的健康提供者数据的第三处理资源通信的无线电设备接收第二信令(217、684)；在所述第一处理资源处从与被配置成监测与所述患者相关联的环境数据的第四处理资源通信的无线电设备接收第三信令(104、216、686)；将至少部分地基于所述第一信令、所述第二信令和所述第三信令的组合的数据从所述第一处理资源写入到耦合到所述第一处理资源的存储器资源(688)；在所述第一处理资源或不同的第五处理资源处基于所述第一信令、所述第二信令和所述第三信令确定所述患者的癫痫发作基线(102、202)和所述患者的癫痫发作风险(106、206)(690)；在所述第一处理资源或所述不同的第五处理资源处至少部分地基于表示所写入信息、所述癫痫发作基线和所述癫痫发作风险的存储在所述存储器资源或可由所述第一处理资源访问的其它存储装置的一部分中的输入数据，识别表示所述患者的癫痫发作计划的输出数据(108、219)(692)；以及经由第四信令发射表示所述癫痫发作计划的所述输出数据，所述第四信令经由与可由所述患者访问的计算装置的第六处理资源通信的无线电设备而发送(694)。2.根据权利要求1所述的方法，其中识别表示所述癫痫发作计划的所述输出数据包括利用经训练机器学习模型基于同所述第一信令、所述第二信令、所述第三信令、所述癫痫发作基线、所述癫痫发作风险以及与先前癫痫发作计划相关联的先前接收到的信令和相关联数据相关联的数据识别表示所述癫痫发作计划的所述输出数据。3.根据权利要求1所述的方法，其中确定所述癫痫发作基线和所述癫痫发作风险包括利用经训练机器学习模型基于同所述第一信令、所述第二信令、所述第三信令以及与先前癫痫发作计划相关联的先前接收到的信令和相关联数据相关联的数据来确定所述癫痫发作基线和所述癫痫发作风险。4.根据权利要求1所述的方法，其中确定所述癫痫发作基线包括确定在该处最可能发生癫痫发作的与所述患者相关联的多个因素中的每一个的水平。5.根据权利要求1-4中任一项所述的方法，其中确定所述癫痫发作风险包括确定所述患者将在特定时间周期处经历癫痫发作的概率。6.根据权利要求1-4中任一项所述的方法，其中识别表示所述癫痫发作计划的所述输出数据包括：识别待发射到所述患者的所述计算装置的警示；以及识别降低所述患者的癫痫发作风险的所提议动作和相关联指令、保持处于或低于所述患者的癫痫发作基线的所提议动作和相关联指令，或这两者。7.根据权利要求1-4中任一项所述的方法，其进一步包括响应于在所述第一处理资源处接收到额外的第一信令、第二信令、第三信令或其任何组合，且至少部分地基于在所述第一处理资源处接收的与表示所述癫痫发作计划的所述输出数据的结果相关联的反馈，来更新所述癫痫发作基线。
8.根据权利要求1-4中任一项所述的方法，其进一步包括：在所述第一处理资源处经由可由所述患者访问的所述计算装置或所述患者的不同移动装置的应用从所述患者接收包括个人患者数据、患者健康数据、环境数据、健康护理提供者数据或其组合的手动输入；以及将至少部分地基于所述第一信令、所述第二信令、所述第三信令和所述手动输入的组合的数据从所述第一处理资源写入到耦合到所述第一处理资源的所述存储器资源。9.一种包括与存储器资源(445)通信的处理资源(446)的非暂时性机器可读介质(444)，所述存储器资源具有可执行以进行以下操作的指令：在处理资源、所述存储器资源或这两者处从多个来源接收多个输入数据，所述多个来源包括以下中的至少两个：患者的移动装置、医疗装置、健康护理提供者数据库、所述存储器资源或其它存储装置的一部分、手动接收的输入，和环境传感器(100、218、448)；将所接收的多个输入数据从所述第一处理资源写入到所述存储器资源(450)；在所述第一处理资源或第二处理资源处至少部分地基于表示从所述第一处理资源写入的所述数据的输入数据识别表示癫痫发作计划的输出数据，所述癫痫发作计划包含降低所述患者的癫痫发作风险的所提议动作、保持处于或低于所述患者的癫痫发作基线的所提议动作，或这两者(106、206、452)；经由信令将表示所述癫痫发作计划的所述输出数据发射到所述患者的所述移动装置，所述信令经由与所述患者的移动装置的第三处理资源通信的无线电设备而发送(108、454)。10.根据权利要求9所述的介质，其进一步包括可执行以进行以下操作的指令：至少部分地基于存储在所述存储器资源或可由所述第一处理资源访问的其它存储装置的一部分中的一般癫痫患者信息和一般癫痫发作治疗信息识别表示所述癫痫发作计划的所述输出数据。11.根据权利要求9所述的介质，其进一步包括可执行以进行以下操作的指令：至少部分地基于存储在所述存储器资源或可由所述第一处理资源访问的其它存储装置的一部分中的患者病史信息识别表示所述癫痫发作计划的所述输出数据。12.根据权利要求9-11中任一项所述的介质，其进一步包括可执行以进行以下操作的指令：在所述第一处理资源或所述第二处理资源处使用经训练机器学习模型识别表示所述癫痫发作计划的输出数据。13.根据权利要求9-11中任一项所述的介质，其中可执行以发射表示所述癫痫发作计划的所述输出数据的所述指令进一步包括可执行以进行以下操作的指令：将关于所述癫痫发作风险、降低所述患者的所述癫痫发作风险的所述所提议动作、保持处于或低于所述患者的所述癫痫发作基线的所述所提议动作或其任何组合的警示发射到所述患者的所述移动装置。14.一种非暂时性机器可读介质(555)，其包括与存储器资源(545)通信的第一处理资源(546)，所述存储器资源具有可执行以进行以下操作的指令：在所述第一处理资源、所述存储器资源或这两者处经由被配置成监测患者健康数据的第一信令、经由第二信令或这两者接收患者健康数据，所述第二信令经由与所述患者的移动装置的处理资源通信的无线电设备而发送(100、218、556)；
在所述第一处理资源、所述存储器资源或这两者处经由第三信令接收健康护理提供者数据，所述第三信令被配置成监测包含一般癫痫患者信息和一般癫痫发作治疗信息的健康护理提供者数据(217、558)；在所述第一处理资源、所述存储器资源或这两者处经由第四信令接收环境数据，所述第四信令被配置成监测包含光线、筛查时间、饮食、湿度、温度或其任何组合的环境数据(104、204、216、560)；将所述患者健康数据、健康护理提供者数据和环境数据从所述第一处理资源写入到所述存储器资源(562)；在所述第一处理资源或第二处理资源处使用经训练机器学习模型、表示写入的患者健康数据、写入的健康护理提供者数据和写入的环境数据的输入数据确定所述患者的癫痫发作风险和所述患者的癫痫发作基线(106、202、204、206、564)；在所述第一处理资源或第二处理资源处使用所述经训练机器学习模型、表示所述写入的患者健康数据、所述写入的健康护理提供者数据和所述写入的环境数据的输入数据，以及表示所述癫痫发作风险和所述癫痫发作基线的输入数据，识别表示所述患者的癫痫发作计划的输出数据(108、566)；以及经由无线电设备将表示所述癫痫发作计划的所述输出数据发射到所述患者、健康护理提供者或其任何组合(568)。15.根据权利要求14所述的介质，其中所述患者健康数据、所述健康护理提供者数据和所述环境数据在所述经训练机器学习模型内携载不同的权重。16.根据权利要求14所述的介质，其中可执行以经由被配置成监测患者健康数据的第一信令接收所述患者健康数据的所述指令包括可执行以进行以下操作的指令：经由信令从所述患者的健康传感器、健康监测器、可穿戴式装置或移动装置接收所述患者数据(215、214、213)。17.根据权利要求14-16中任一项所述的介质，其中可执行以识别表示所述癫痫发作计划的所述输出数据的所述指令包括可执行以进行以下操作的指令：确定待发射到所述患者的所述移动装置的关于所述癫痫发作风险的警示；确定待发射到健康护理提供者的计算装置的关于所述癫痫发作风险的警示；确定待发射到经授权用户的移动装置的关于所述癫痫发作风险的警示；确定降低所述患者的所述癫痫发作风险的所提议动作；确定保持处于或低于所述患者的所述癫痫发作基线的所提议动作；或其任何组合。

技术总结
本公开涉及机器学习支持且存储器系统扩增的癫痫发作风险推断。描述与癫痫发作风险确定相关联的方法、设备和非暂时性机器可读介质。一种癫痫发作风险确定可包含：接收来自与被配置成监测患者的患者健康数据的处理资源通信的无线电设备的信令、来自与被配置成监测同癫痫发作相关联的健康提供者数据的处理资源通信的无线电设备的信令，以及来自与被配置成监测同所述患者相关联的环境数据的处理资源通信的无线电设备的信令。所述癫痫发作风险确定可包含基于所述信令确定所述患者的癫痫发作基线和所述患者的癫痫发作风险。所述癫痫发作风险确定可包含识别表示所述患者的癫痫发作计划的输出数据，以及发射表示所述癫痫发作计划的所述输出数据。作计划的所述输出数据。作计划的所述输出数据。


技术研发人员：B
受保护的技术使用者：美光科技公司
技术研发日：2022.08.02
技术公布日：2023/2/17