CN1748218A - 综合医疗知识库界面系统及方法 - Google Patents

综合医疗知识库界面系统及方法 Download PDF

Info

Publication number
CN1748218A
CN1748218A CNA2003801097216A CN200380109721A CN1748218A CN 1748218 A CN1748218 A CN 1748218A CN A2003801097216 A CNA2003801097216 A CN A2003801097216A CN 200380109721 A CN200380109721 A CN 200380109721A CN 1748218 A CN1748218 A CN 1748218A
Authority
CN
China
Prior art keywords
data
patient
client
knowledge base
comprehensive knowledge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CNA2003801097216A
Other languages
English (en)
Inventor
J·M·萨波尔
G·B·阿维纳什
M·J·沃尔克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GE Medical Systems Global Technology Co LLC
Original Assignee
GE Medical Systems Global Technology Co LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GE Medical Systems Global Technology Co LLC filed Critical GE Medical Systems Global Technology Co LLC
Publication of CN1748218A publication Critical patent/CN1748218A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

由各种各样的用户访问的、与医疗有关的数据的综合知识库和用于在用户特定、功能特定和类似的基础上提供数据的资源。综合知识库可以物理地位于无联系的各位置的范围内，而所述用户和资源也是如此。根据诸如用户识别、用户类型、用户功能、用户环境等等因素，系统可以提供具体修改过的接口，用以与所述综合知识库互相作用。类似地，可以在类似的基础上提供受控的访问，使得综合知识库的某些但不是全部数据或者功能可以向特定用户提供。还提供与资源，诸如诊断设备和系统的接口，所述接口可以类似地被定制和受控访问。

Description

综合医疗知识库界面系统及方法
发明背景
本技术一般地涉及医疗数据处理、采集和分析领域。更具体地说，本技术涉及把范围很宽的可用医疗数据用于提供与诊断、治疗、其他数据处理、采集和分析有关的决定的技术。
在医疗领域，有许多不同的工具可用来了解和处理病人的状态。传统上，内科医生会实际检查病人并利用从多年研究中收集的大量个人知识来识别病人所经历的问题和状态，并确定适当的治疗方法。支持信息的来源传统上包括其他医生、参考书和手册、相对直接的检查结果和分析等等。过去数十年来，特别是近年来，大量其他参考材料已经可供医生使用，这大大地扩展了可用的资源，并增强和改善对病人的治疗。
在当前内科医生及其他医护人员可以获得的诊断资源中间，是信息数据库以及可以订阅和控制的来源。这些数据库是某种传统的参考图书馆，已知可从许多来源获得，并在几秒钟内向内科医生提供关于可能的疾病状态的详细信息、有关如何识别这样的状态的信息和对所述状态的治疗方法。当然，还有类似的参考材料可用来识别药物的相互作用、对疾病的感染性和医疗事件等等。这些参考材料中，有一些是不必付费即可向治疗提供者提供的，而其他一般与订金或社团成员资格相关联。
还已知一些特定的数据采集技术，它可以被规定和控制来探究潜在的身体状态和医疗事件，并精确确定潜在的医疗问题的根源。传统的可开处方的数据源包括简单的血液测试、尿测试、人工记录的体检结果等等。近几十年来，更高级的技术已经开发出来，包括不同类型的电数据采集，它检测和记录人体系统的运作，并在某种程度上，检测和记录这样的系统对环境和刺激的反应。已经开发出甚至更高级的系统，它提供人体的图像，包括内部特征，在它们被开发之前只有通过外科手术才能看到和分析的，而且允许观看和分析以前用任何其他方式都无法看到的其他特征和功能。所有这些技术都已经加入到内科医生可用的庞大的资源系统，并大大地改善医疗质量。
尽管与医疗有关的信息来源得到了显著的增大和改善，但是对检查和数据的指定和分析以及医疗事件的诊断和处理仍然在很大程度上依赖受过训练的护理提供者的专业知识。在这样情况下，人类经验的输入和所提供的判断是不能也不应该被替代的。然而，需要进一步改善和综合医疗信息的来源。尽管人们已经做了尝试，来允许以某种自动化的方式获知诊断和分析，这些尝试甚至没有接近对病人快速和有效的治疗中最有用的综合和相关水平。
大量不同的与医疗有关的数据的综合提出先有技术无法解决的特定问题和挑战。确实，协调大量的根本不同的分立的数据组的访问和接口技术在过去无法解决，因为与医疗有关的数据的高度综合在一定程度上是无法获得的，它要求独特的接口方法。
要使大量与医疗有关的数据成为可用时出现的特定挑战，既影响用户与对所述数据进行分类和存储的系统之间的接口，又影响访问问题。尽管大量用户可以要求和使用特定的数据点，但不是全部用户都将对其中一些数据、数据的处理或数据点之间的关系感兴趣。在不同的与医疗有关的领域内，用户可以包括这样的不同的个人和像医疗机构、放射学部门、内科医生、政府机构、职工、保险公司等这样的实体，更不用说病人本身了。但是，指出以下问题是有意义：应该使所述接口适应特定用户，例如适应准许的访问级别。
因此，有必要改善允许用户接入大量综合编制的数据资料库资源的接口方法，而同时为用户提供最有用的类型的交互式接口和所需功能。类似地，在病人专用基础上，特定用户可能无权访问不同的类型的信息。在这样的形势下，自由访问资料库中的全部数据会是不适当的，合理分配对这些资源的访问才是适宜的。类似地，在编制的数据包括的数据或者来自对不同的资源的访问或者由不同的资源(包括人的和机器的资源)提供的数据的情况下，有利地协调数据的交换，以便保证数据、资料库的完整性并完成分析。
本技术的简要描述
本技术提供一种方法，所述方法用于连接和访问与医疗有关的数据的综合知识库，后者是为响应这样的需要而设计的。按照本技术的一个方面，提供一种方法来控制和与医疗有关的数据的资料库的相互作用，所述方法包括：接收代表客户多种特性的数据；以及分析所述数据以便识别客户专用接口。然后向所述客户提供所述客户专用接口，以便访问综合知识库，后者包括非临床数据和由多个可控和可指定的数据资源衍生的病人专用的临床数据。
按照本技术的另一个方面，用于控制和与医疗有关的数据资料库的相互作用的方法包括接收代表客户多种特性的数据以及分析所述数据，以便识别客户专用接口并且识别一种访问级别，所述访问级别准许客户访问包括非临床数据和由多个可控和可指定的数据资源衍生的病人专用的临床数据的综合知识库。然后向所述客户提供客户专用接口，以便以所识别的级别访问综合知识库。
按照本技术的另一方面，一种用于控制和与医疗有关的数据的资料库的相互作用的方法包括：定义多个客户专用接口和多个对综合知识库的访问级别，所述综合知识库包括非临床数据和由多个可控和可指定的数据资源衍生的病人专用的临床数据；接收代表客户的多种特性的数据；以及分析所述数据，以便识别客户专用接口并且识别准许所述客户访问所述综合知识库的级别。然后向所述客户提供客户专用接口，用来以所识别的级别访问综合知识库，其中所述接口和访问级别由病人专用的临床数据的病人要点(subject)设置。
本技术还提供用于实现类似的过程的系统和计算机程序。
本技术提供用于处理医疗数据的新型技术，所述新型技术用来提供这种改善的医疗。所述技术可以利用整个范围的可以认为被包括在综合知识库中的可用医疗数据。综合知识库本身可以被分析性地细分为某些数据资源及其他可控和可指定资源。数据资源可以包括象数据库那样的内容，所述数据库是病人专用、群体特定、条件特定或组合任何数目因素，包括物理因素、遗传因素、财务和经济因素等等的。可控和可指定资源可以包括任何可用医疗数据采集系统，诸如电气系统、成像系统、基于人和病人和组织的机器分析系统等等。根据这样的数据、由计算机系统之一或计算机系统网络执行的例程，定义一般的处理系统，可以识别和诊断潜在的医疗事件。另外，所述处理系统可以指定从所述可控和可指定资源进行的附加的数据采集，包括在单一时段过程中附加的或不同类型的数据，或在扩展的时段内相同或不同类型的数据。
逻辑机可用的医疗数据的分析可用于若干目的，首先和最重要的是为了诊断和处理医疗事件。这样，通过对疾病状态、医疗状态、对于未来状态和事件的易患病体质等等的更迅速的和见多识广的识别，病人的治疗可以得到改善。另外，所述系统为根据通常最优先的和更重要的医疗事件或状态这样的因素来执行更迅速的、见多识广的、有目标的和有效的数据采集作好准备。但是，所述系统也可用于其他用途。例如，根据编程的或随着时间而取得的知识，所述系统提供有用的训练工具，用于磨练医生的技巧。类似地，在最有知识的治疗提供者和最适当的信息采集系统简直无法获得的区域或情况下，所述系统在提供高质量医疗护理方面提供巨大的方便。
简而言之，相信本技术既在数据资源上，又在本领域内当前可能的可指定和可控资源上，都提供最高级别的综合度。所述系统可以用比较有限的方式实现，诸如只综合某些类型的资源或只针对数据采集和分析的目的。但是，即使在这样的情况下，也可以通过加入软件、固件或硬件模块，或通过连接附加的或不同的数据源，连同它们在所述处理系统所进行的分析中与其他数据源的相关性，进一步扩充所述系统。所得的系统，结合现有的和甚至将来的医疗数据来源，在识别和处理医疗事件和状态方面，为有经验的医生以及经验较少的临床医生，提供值得称赞的极其有用的连接工具。必要时，所述系统还可以用来把目标确定为非常特定的状态和事件。
附图的简要描述
参照附图阅读以下的详细说明，本技术的上述及其他优点和特征将变得显而易见，附图中：
图1是总体概略图，表示按照本技术一些方面，在计算机辅助医疗数据处理系统内某些示范性功能组件和各组件之间的数据流；
图2是图1中概括说明的类型的数据处理系统的某些示范性组件的示意图；
图3是可以形成图1系统中所使用的知识库的一部分的某些示范性数据资源的示意图；
图4是可以在图1中举例说明的类型的系统中使用的可控和可指定资源的某些示例的示意图；
图5是按照本技术一些方面可控和可指定资源内一些示范性模块以及可以包括在数据处理系统内的某些模块的概括示意图；
图6是某些可指定和可控数据资源的总体结构的示意图，图解说明某些类型和某些时段内各种各样形态资源的可用性；
图7是某些时段内图6所示某些数据资源类型之间信息流的示意图，以及信息可以连入数据处理系统，以便分析和指定附加的数据采集、处理或分析的方式；
图8是按类型组织的一系列示范性可指定和可控的医疗数据资源的列表表示，并举例说明所述类型内各种各样的形态的资源；
图9是图8所示的典型示范性电数据资源概括示意图，它可以包括采集代表人体功能和状态的电数据的各种各样的一般组件或模块；
图10是作为图9中所示的可指定和可控资源之一的医疗诊断成像系统的某些功能组件的概括示意图；
图11是按照本技术某些方面可以使用的示范性X射线成像系统的示意图；
图12是可以用于本技术的示范性磁共振成像系统的示意图；
图13是用于本技术的示范性计算断层摄影成像系统的示意图；
图14是用于本技术的示范性正电子发射断层摄影系统的示意图；
图15是可以用来建立和配置按照本技术一些方面的知识库的示范性神经网络系统的图解概略图；
图16是可以类似地用来编程和配置知识库的专家系统的图解概略图；
图17是按照本技术的系统中某些组件的图解概略图，图解说明用于从一系列临床医生采集信息并且用于提供输出信息的联合数据库、综合知识库、数据处理系统和非联合接口层之间的相互作用；
图18是一系列处理字符串的图解流程图，它可以以各种方式启动，用于采集、分析和输出来自通过本技术建立的各种资源和知识库的信息；
图19是可以随着时间而发生的某些事件和过程的图解流程图，用于通过病人交互而采集病人信息、执行系统交互式功能、以及为用户(包括病人和临床医生)输出信息；
图20是某些可用来细化用户对综合知识库的访问并且可用来定义用于与所述综合知识库相互作用的用户特定接口的某些组件和功能的示意图；
图21是按照本技术一些方面实现的聚类体系结构中的层次的示意图；
图22是流程图，举例说明在图21的体系结构的不同的层次中执行的各种各样的功能；
图23是流程图，举例说明病人管理综合记录系统中的组件和过程；
图24是流程图，举例说明预测模型开发系统中的示范性组件和步骤；
图25是流程图，举例说明在图24中所示类型的预测模型开发模块中执行的功能；
图26是流程图，举例说明用于细化或训练计算机辅助算法和专业医务人员的技术；
图27是流程图，举例说明用于试管内样本处理和分析的处理步骤；
图28是按照本技术一些方面的包括一种或多种CAX算法的CAX系统的示意图；
图29是图28的CAX算法和所述算法使用的功能和运算符的示意图；
图30是用于以并行方式和/或以串行方式实现CAX算法以便估算一系列状态和形势范围的方案的示意图；以及
图31是可以用作实现的CAX算法之一的计算机辅助评估算法的示意图。
具体实施例的详细说明
现翻到附图，并首先参见图1，其中举例说明计算机辅助医疗数据交换系统2的概观。系统2用来通过方便对如图1标号6所标示的治疗提供者可用数据的管理来向病人4提供高质量的医疗护理。治疗提供者一般包括病房内科医生、放射学医生、外科医生、护士、临床医生、各种专家等等。但是应当指出，尽管在目前的环境下，一般是指临床医生，但是治疗提供者还可以包括办公人员、保险公司、教师和学生等等。
图1中举例说明的系统提供接口8，后者使临床医生能够与数据处理系统10交换数据。在所述系统和临床医生之间能够交换的信息类型方面以及在接口和数据处理系统及其功能方面，还将进一步说明。如图1中举例说明的，数据处理系统10连接到综合知识库12和联合数据库14。系统10和联合数据库14利用来自某数据资源范围的数据，如概括地用标号18标示的。联合数据库14可以是基于软件的并包括数据访问工具，如下面描述的，用于从不同的资源提取信息或协调或转换对这样的信息的访问。一般，联合数据库把原始数据统一为可用的形式。任何适用的形式都可以使用，在需要的地方，可以使用多种形式，包括超文本标记语言(HTML)、扩展标记语言(XML)、医学上的数字成像和通信(Digital Imaging andCommunications in Medicine DICOM)、健康级别7(Health Level SevenHL7)等等。在目前的环境下，认为综合知识库12包括随便什么类型的可以由数据处理系统处理的、可供临床医生用于提供所需医疗护理的医疗数据。在最简单的实现方案中，资源18可以包括单一的医疗数据来源，诸如成像系统，或更传统的数据提取技术(例如，由病人或治疗提供者填写的表格)。但是，所述资源可以包括多得多和各种各样的数据，如下面还将更充分地描述的。一般，资源和知识库内的数据是数字化的并且被存储，以便使数据可以由联合数据库和数据处理系统提取和分析。这样，甚至在使用更传统的数据采集资源的地方，数据放入表格中，使它可以在由数据处理系统执行的不同类型的分析中被识别和处理。
如在这里使用的，术语″综合知识库″用来包括一种或多种广义上与医疗有关的数据的资料库、各资料库之间的接口和转换器、以及用于对所述数据实施所需操作(包括分析、诊断、报告、显示及其他功能)的处理能力。数据本身可以涉及病人专用特性以及非病人特定信息，如个人、机器、系统等等类别。另外，所述资料库可以包括用于存储数据的专用系统或作为根本不同的系统(诸如成像系统)的一部分的存储装置。如上面指出的，形成综合知识库的资料库和处理资源是可以扩展的并可以实际上驻留在任何数目的一般通过专用或开放的网络链路连接的位置上。另外，包含在综合知识库中的数据，既包括临床数据(亦即，具体地说，涉及病人状态的数据)，又包括非临床数据。非临床数据可以包括代表财务资源、物理资源(如在机构或供应商的情况下)、人的资源等等。
信息的流程，如图1中箭头所表明的，可以包括信息交换的类型和传播媒体的宽的范围，如下面还将更充分地描述的。一般，病人4可以通过传统的门诊(clinical visits)，以及通过电话、电子邮件、表格等等远程方式与临床医生6联系。病人4还可以通过一定范围的病人数据采集接口16与资源18的要素互相作用，所述数据采集接口16可以包括传统的病史表格、用于成像系统的接口、收集和分析组织标本、体液等等的系统。临床医生6和接口8之间的相互作用可以采取任何合适的形式，一般取决于接口的性质。这样，临床医生可以通过传统的输入装置，诸如键盘、计算机鼠标、触摸屏、便携式或远程输入和报告装置，与数据处理系统10互相作用。另外，下面将更充分地描述接口8、数据处理系统10、知识库12、联合数据库14和资源18之间的链路，而所述链路一般可以包括计算机数据交换连接、网络连接、局域网、广域网、专用网络、虚拟的专用网络等等。
如图1中概括地指出的，各种不同的资源、数据库和处理组件的数据处理和互连可以是多种多样的。例如，图1举例说明联合数据库既连接到数据处理系统10又连接到资源18。这样的配置将允许联合数据库和包含于其中的软件从不同的资源提取和访问信息，而它在需要时向数据处理系统10提供所述信息。在某些实例中，在这样的信息可能被访问、解释或转换的地方，数据处理系统10可以直接提取或存储资源18中的信息。类似地，数据处理系统10可以被连接到综合知识库12，而这两个组件都可以连接到接口8。这样，接口8(可以细分为特定接口类型或组件)可以用来直接从综合知识库12访问知识，或命令数据处理系统10采集、分析、处理或以其他方法操纵来自综合知识库或资源的数据。为了便于解释，在附图中这些数据之间这样的链路以图形方式举例说明。但是，在特定的系统中，高度综合可以遵循特定的软件模块或程序，后者针对特定病人、特定疾病状态、特定机构等等执行特定的分析或相关法。
在现在的整个讨论中，资源12将考虑包括两个最初类型的资源。首先，纯数据资源可以由不同的类型的先前采集的、分析研究过的和存储的数据构成。就是说，数据资源可以设想为参考来源，它可以代表在医疗事件、医疗状态、疾病状态、财务信息等等方面的信息，如下面还将更详细讨论的。一般，数据资源不要求直接从病人采集的信息。而是，这些资源在性质上是更一般的，并且可以通过数据参考图书馆、订购等等获得。包括知识库12的第二类型的资源由可控和可指定资源构成。这些资源包括任何数目的数据采集装置、机制和程序，它们直接或间接地从病人采集数据。在目前的讨论中，随后还将进一步说明这些资源，但是，它们一般可以设想为临床资源，诸如成像系统、电参数检测装置、临床医生以完全或部分自动的或甚至手动的过程的方式输入的数据。
图2更详细地举例说明与数据处理系统10相关联的组件的类型。一般，数据处理系统10可以包括单一的计算机，但是对于更有用和更强大的实现方案，可以包括范围很宽的计算资源和接口资源。这样的资源(概括地用标号20标示)可以包括专用计算装置、通用计算机、服务器、数据存储装置等等。这样的装置可以被定位在单一的主位置上，但必要时，也可以设置在宽阔的地理位置上，诸如通过广域网、局域网、虚拟的专用网络等等。计算资源利用和实现各种程序(概括地用标号22标示)，所述程序编制以下过程的程序并对其进行控制：数据提取、分析、编译、报告和由所述数据处理系统执行的类似功能。一般，这样的程序可以用软件实施，尽管某些程序可以硬接线为特定组件，或者可以在某些组件内或它们之间构成固件。如下面还将更充分地描述的，可以认为程序22包括某些逻辑机组件24，它驱动由数据处理系统10执行的分析功能。这样的逻辑机组件可以参与对医疗事件和状态的诊断，但也可以被用于范围很宽的其他功能，如下面描述的。这样的功能可以包括可控和可指定资源的指定和控制、为病人治疗提供建议、财务安排和状态的分析、病人治疗的分析、传授和指示，这只是指出一些可能的应用。
计算资源20用来通过可以是联合数据库14的一部分的数据资源接口26(见图1)利用上面讨论的数据资源并且与所述数据资源接口。另外，数据资源接口26一般将包括存储在计算资源20上的计算机代码和可以存储在特定数据资源内的代码，以及允许计算资源和数据资源之间的通信的代码。因此，这样的代码将允许信息被搜索、提取、发送和存储，以便由计算资源处理。另外，数据资源接口26使数据能够从所述计算资源发送到需要的地方，并存储在所述数据资源内。必要时，所述数据资源接口还允许把所述数据从一种格式转换成另一种格式以便于它的检索、分析和存储。这样的转换可以包括压缩和解压技术、文件格式化等等。
计算资源20还通过接口28与可控和可指定资源连接，所述接口28也可以包括在联合数据库中。类似于接口26，接口28可以包括如上面指出的存储在计算机资源中的代码以及存储在所述特定位置或存储在包括所述可控和可指定资源的系统内的代码。因此，所述接口一般将包括具有以下功能的代码：识别所搜索的信息类型；允许信息的定位和提取；允许对所述信息的转换；在必要的地方，允许对所述信息的处理和所述信息的存储。所述接口还可以允许把信息从所述计算资源装入可控和可指定资源、诸如用于系统的配置和用作进行检查、报告的参数等等。还应当指出，某些计算资源实际上可以定位在(甚至与某些可控和可指定资源综合在一起)诸如计算机系统和成像设备内的控制器、电数据采集设备或其他资源系统。这样，由逻辑机组件24，或者更一般地，由程序22执行的某些操作和分析可以直接在可控和可指定资源中实现或者可以在可控和可指定资源本地实现。
图2中还举例说明网络29，图中概括地示出连接到数据处理系统10的网络29。网络29尽管可能包括连接到数据资源接口、数据资源、可控和可指定资源等等的链路，但可以提供连接到用户、机构、病人等等的附加链路。因此，网络29可以使数据往来于数据处理系统10的不同的组件之间，以便允许更一般地向范围更宽的参与者提供数据采集、分析和报告功能。
如图2中箭头所指出的，范围很宽的网络配置可用于各种各样的资源和接口之间和各种各样的资源和接口中间的通信。例如，如箭头30指出的，计算资源20既可以直接地利用程序22(例如，在计算机系统内部)又可以通过局部或远程网络利用程序22。这样，除立即可从特定计算机系统内访问的程序以外，所述计算资源还可以允许例程根据所存储的和根据需要进行访问的程序运行。
箭头31和32概括地代表更多变的数据交换路径，诸如可以配置的和专用的网络，它为不同资源之间的高速数据交换作好准备。可以使数据资源接口与可控和可指定资源接口之间的类似通信更方便，如图2箭头33所指出的。为了在配置或操作所述可控和可指定资源时利用特定数据资源信息，这样的交换可能是有用的。举例来说，所述数据资源接口可以允许提取人口信息、″最佳实践″系统配置等等，它们可以存储在可控和可指定资源内，以便于它们象由计算资源所进行的分析所表明的那样操作。如下面描述的，箭头34一般指接口26和28与知识库的组件之间不同的数据链路，这样的链路可以包括任何适当类型的网络连接或甚至计算机系统内的内部连接。在所有数据通信30、31、32、33和34的情况下，可以设想任何范围的网络或数据传输装置，诸如数据总线、双上行网络、高速宽带数据交换、无线网络、卫星通信系统等等。
数据资源
图3举例说明某些可以包括在上面讨论的和图1中举例说明的资源的数据资源段内的示范性组件。图3中概括地用标号38标示的数据资源用来与数据处理系统10通信，如参照图2所标示的和如图3中箭头35所表明的。数据处理系统本身对临床医生6是可通过接口8获得的资源，并可以进一步与可控和可指定资源40通信，如箭头36所表明的。如图3所指出的，临床医生也许要直接访问和直接与数据处理系统连接，或间接通过远程网络装置访问数据处理系统10，如直线和虚线箭头37所标示的。
所述数据处理系统，除利用和与数据资源38通信以外，如标号40所标示和下面更充分讨论的，还与所述可控和可指定资源通信。如上面指出的，可以概括地把数据资源设想为包括可以被数据处理系统10识别、定位、提取和利用的信息和数据。另外，需要时，所述数据处理系统可以把数据写入不同的资源。
如图3中举例说明的，数据资源38可以包括一定范围的信息类型。例如，许多信息来源可以是在医院或机构内可得到的，如标号42所标示的。如本专业的技术人员将会意识到的，所述信息可以包括在放射学部门信息系统44内，诸如扫描仪、控制系统或部门管理系统或服务器内。类似地，这样的信息可以以类似的方式存储在医院信息系统46内的一个机构内。许多这样的机构还包括数据，特别是图像数据、存档系统统称为PACS48，用压缩和不压缩图像数据形式、从这样的图像数据衍生的数据、采集图像用的系统设置的描述性数据，(诸如在DICOM或附在图像文件后的其他头部)等等。除存储在机构内的数据以外，数据可以从病人的病史数据库获得，如标号50所标示的。这样的数据库也可以被存储在一种机构内的中央资料库中，但是还可以从远程来源获得，提供病人特定病史数据。需要时，这样的病史数据库可以对可通过数据处理系统搜索并且定位在不同的机构或诊所内的资源范围进行分组。
其他数据资源可以包括诸如机能病理学数据库52等数据库。这样的数据库可以加以编制，既针对病人特定信息，又针对病人人口或个人共享的医疗、遗传、人口统计或其他特征。另外，可以访问概括地用标号54标示的外部数据库。这样的外部数据库在性质上其范围可以很宽，诸如描述人口特征、医疗事件和状态、处理、诊断和预后特征等等的参考材料数据库。这样的外部数据库可以通过数据处理系统以特定的订阅方式，诸如连续订阅方式、或按使用次数计费的方式访问。类似地，可以访问遗传和类似的数据库56。这样的遗传数据库可以包括基因序列、特定遗传标记和多形变态以及这样的遗传信息与特定个人或群体的联系。另外，财务、保险和类似的数据库58对数据处理系统10来说是可以访问的。这样的数据库可以包括诸如病人财务记录、机构财务记录、付费和发票记录和装置、医疗补助方案或医疗保险方案规则和记录等等。
最后，可以通过数据处理系统访问用标号60标示的其他数据库。这样的其他数据库也可以是机构特定的、成像的或其他可控或可指定的数据采集系统、参考材料等等。另一些数据库，如前所述，可以免费获得或甚至在机构内部或一类机构内部获得，但也可以在订阅的基础上访问。这样的数据库还可以是病人专用或群体特定的，参与由数据处理系统10进行的分析、处理及其他功能。另外，其他数据库可以包括临床和非临床性质的信息。为了协助财务和资源分配管理，例如，这样的数据库可以包括行政管理、库存、资源、物理设备、人的资源及其他可以访问和管理以改善病人治疗的信息。
如图3中数据资源分组38中的多头箭头所表明的，不同的数据资源也可以在它们本身之间和在它们本身当中传递。这样，可以为直接的数据交换而配置某些数据库或数据库资源，诸如为了完善或补充存储在不同的数据库中的数据。尽管这样的数据交换可以设想为一般通过数据处理系统10，但在更一般方面，资源可以方便机构、数据资料库、计算机系统等等之间这样直接的数据交换，而数据处理系统10根据需要利用这样的来自一个或多个资源的数据交换。
可控/可指定资源
图4类似地表示某些可以通过数据处理系统10访问的示范性可控和可指定资源。如前所述，数据处理系统用来通过适当的接口8与临床医生6联系，以及与数据资源38联系。
一般，可控和可指定资源40可以是病人特定的或与病人有关的，就是说，或者直接亲身访问或者远程地(例如，通过计算机链路)从病人收集的。所述资源数据还可以是群体特定的，以便允许根据已知的群体特性进行比较，分析特定病人的危险和状态。还应当指出，所述可控和可指定资源可以被一般地设想为生成数据的过程。确实，尽管下面更充分地描述的系统和资源可以本身包含数据，但是这些资源在这样的程度上是可控和可指定的，它们可以根据需要用来为所述病人的适当的处理而产生数据。在示范性可控和可指定资源40当中，电气资源概括地用标号62标示。这样的资源，如下面还将更充分地描述的，可以包括各种各样的数据收集系统，用来根据检测信号检测病人的生理学参数。这样的电气资源可以包括例如脑电描记资源(EEG)、心电描记资源(ECG)、肌电图描记资源(EMG)、电阻抗断层摄影资源(EIT)、神经导通状态测试资源、眼振电图描记法资源(ENG)和这些资源的组合。另外，不同的成像资源可以受到控制和被指定，如标号64所标示的。若干形态的这样的资源是当前可获得的，诸如X射线成像系统、磁共振(MR)成像系统、计算断层摄影(CT)成像系统、正电子发射断层摄影(PET)系统、荧光X线照相系统、乳房X线照相系统、超声波扫描系统、红外线成像系统、核成像系统、热声系统等等。
除这样的电气的和高度自动化的系统以外，还可以访问临床和实验室性质的可控和可指定资源，如标号66所标示的。这样的资源可以包括血液、尿、唾液及其他液体的分析资源，包括胃肠的、生殖系统的、脑脊髓液体分析系统。这样的资源还可以包括聚合酶(PCR)链式反应分析系统、遗传标记分析系统、放射性免疫测定系统、色谱法和类似的化学分析系统、受体测定系统和这样的系统的组合。有点类似地，可以包括组织学资源68，诸如组织分析系统、细胞学和组织分类系统等等。其他组织学资源可以包括免疫细胞化学和组织病理学分析系统。类似地，电子及其他显微镜系统、现场杂交系统等等可以构成示范性组织学资源。药物动力学资源70可以包括这样的系统，诸如治疗药物监测系统、受体表征和量度系统等等。
除直接或间接检测生理学状态和参数的系统以外，可控和可指定资源还可以包括财源72，诸如可以在提供高质量病人治疗和连续地为这样的治疗记账方面有用的保险和付费资源、赠款来源等等。其他杂项资源74可以包括范围很宽的数据收集系统，它们可以把所收集的数据全自动化或半自动化地转换为有用的数字表格。这样的资源可以包括物理检查、医疗史、精神病史、心理病史、行为模式分析、行为测试、人口统计数据、药物使用数据、进食数据、环境因素信息、机能病理学信息和来自非生物模型的各种各样的信息。此外，在直接从病人或通过合格的临床医生和专业医务人员人工收集这样的信息的地方，所述数据被数字化或以有用的数字表格输入，以便存储和通过数据处理系统访问。
如上面就图3讨论的，图4中可控和可指定资源40内所示的多端箭头用来表示这些资源中的一些资源可以直接在它们本身之间和在它们本身当中传递。这样，成像系统可以从其他成像系统抽取信息，电气资源可以与成像系统连接，以便直接交换信息(诸如为了定时或图像数据产生的协调等等)。此外，尽管可以把这样的数据交换设想为通过数据处理系统10进行，但也可以实现不同的可控和可指定资源之间的直接交换。
如上面指出的，通常可以把所述数据资源设想为不直接从特定病人采集的信息资料库。另一方面，所述可控和可指定资源一般包括通过自动化的、半自动化的装置，或人工技术从病人采集医疗数据。图5一般地代表可以认为被包括在图4举例说明的不同的可控和可指定资源类型中的功能模块中的一些功能模块。如图5所示，可以把这样的资源设想为包括某些一般模块，诸如采集模块76、处理模块78、分析模块80、报告模块82和存档模块84。当然，这些不同的模块的性质可以极大地不同，取决于所考虑的资源类型。因此，采集模块76可以包括不同类型的电气传感器、换能器、电路、成像设备等等，用于采集病人的原始数据。采集模块76还可以包括更多的基于人的系统，诸如问卷、综述、表格、计算机化及其他输入装置等等。
处理模块76的性质和操作，类似地取决于采集模块的性质和总体资源类型。因此，处理模块可以包括数据调节、滤波和放大或衰减电路。但是，处理模块还可以包括诸如电子制表软件、数据编制软件等等应用。在电气和成像系统中，处理模块还可以包括数据增强电路和用于执行图像及其他类型数据换算、重构和显示的软件。
分析模块80可以包括范围很宽可以部分地或彻底地自动化的应用。在电气和成像系统中，例如，分析模块可以允许用户增强或改变数据和重构的图像的显示。所述分析模块还可以允许对临床医生收集的数据进行某种编制，以便评估所述数据或把所述数据与基准范围加以比较等等。报告模块82一般提供由模块80完成的分析的输出或摘要。报告还可以在这样的数据采集过程中提供用于采集数据的技术的指示、所执行的数据采集序列的编号、所执行序列的类型、病人状态等等。最后，存档模块84允许把原始的、半处理过的和处理过的数据，或者存储在采集系统或资源本地，或者远程地存储在诸如数据库、资料库、存档系统(例如，PACS)等等中。
包括在可控和可指定资源内的所述典型模块可以与如标号22所标示的程序联系，以增强不同的采集、处理和分析功能的性能。如图5以图示方式举例说明的，例如，各种各样的计算机辅助采集例程(CAA)86可以用来分析以前采集的序列，并规定、控制或配置随后的数据采集。类似地，计算机辅助处理模块(CAP)88可以与处理模块78连接，以执行附加的或增强的处理，取决于对所采集的数据以前的处理和分析。最后，诸如计算机辅助数据操作算法(CAX)模块90等程序可以用来分析所接收和处理的数据，以便提供可以根据所述数据进行的诊断的某些指示。
尽管在目前关于可控和可指定资源类型和形态的各种不同类型以及用于协助对来自这样的资源的数据进行的采集、处理、分析和诊断功能的模块的各种不同类型的讨论中，随后还会说到更多，但是在图5中应该指出，在这些组件和资源之间有各种不同的链路可用。这样，在一个典型的应用中，计算机辅助采集模块86可以根据由计算机辅助处理模块88执行的增强了的处理结果，预定、控制或配置随后的数据采集，诸如图像数据的采集。类似地，这样的采集规定可以从计算机辅助诊断模块90的输出得出，诸如根据随后的数据采集细化所作的潜在的诊断。计算机辅助处理模块88可以以类似的方式，根据计算机辅助模块86或计算机辅助诊断模块90的输出，命令进行由处理模块78进行的增强的不同的或随后的处理。然后，这些资源和程序的各种不同的模块，依靠按照本技术把这些模块综合为一个完整的系统，允许进行高度周期性和交织的数据采集、处理和分析。
如在图5中还举例说明的，对于典型可控和可指定资源，对所述数据执行并用于提供增强的采集、处理和分析的程序，可以由程序22的逻辑机24驱动。如上面指出的，和如下面将要更详细地讨论的，逻辑机24可以包含范围很宽的算法，它们连接和综合程序的输出，诸如CAX算法，其中所示的一些是图5中的CAA、CAP和CAD模块86、88和90的输出，而且根据编程的相关关系、建议等等，指定或控制随后的采集、处理和分析。如上面还指出的，程序22是由计算资源20访问和通过它们实现的。计算资源20可以一般地如上所述，通过适当的接口28与特定资源形态的存档模块84连接。最后，计算资源20与综合知识库12接口。根据图5应当指出，知识库还可以包括形态特定的知识库19，这是与资源62-74的特定形态有关的信息资料库。这样的形态特定的知识库数据可以包括以下要素：诸如系统设置、对特定病人或群体的推荐设置、例程和协议、基于所述特定形态的数据解释算法等等。知识库一般适用于临床医生6，在需要地方，所述知识库可以基于这样的临床医生的输入。因此，需要时，所述知识库可以部分地由专家的配置输入构建，具体地说，由与所述特定资源形态有关的输入构建，用于增强和改善采集、处理、分析或这些过程的多个方面。
形态/类型相互作用
本技术一个特别强大的方面在于，在各可控和可指定资源的类型之间、在这些类型的不同的形态之间和在不同的时刻执行的采集、处理和诊断之间，综合不同的资源数据的能力。本技术这样的方面以图示方式摘要示于图6和7。图6以方框形式举例说明一系列可控和可指定资源类型98、100和102。这些资源类型(它们一般可以跟踪图4举例说明的和上述的各种不同名称)可以各自包括一系列形态104、106和108。举例来说，类型98可以包括在图4中用标号62标示的不同的电气资源，而同时资源100的其他类型可以包括图4的成像资源64。对于这些类型中的每一个，不同的形态可以包括系统和程序，诸如类型98包括EEG、ECG、EMG等等，而类型100包括X射线、MRI、CT成像系统等等。
一般，图6的表示举例说明，按照本技术，病人可以具有在第一时间92执行的不同的程序，它可以包括针对任何一个或多个资源类型98，100，102或针对每一种类型内的任何一个或多个形态的一个或一个范围的数据采集、处理和诊断功能。根据这样的采集、处理和诊断的结果，可以在随后的时间94执行随后的一段数据采集、处理或诊断。如这些方框之间的箭头所表明的，在这两个时刻，随后的数据采集、处理和分析的控制和指定可能是适当的。随后的操作可以对给定资源类型内同一形态或者对同一资源类型的不同的形态执行。类似地，所述系统可以针对完全不同类型的资源，并针对不同的资源类型内特定的形态，控制或指定这样的程序。然后，随后的程序可以在随后的时间执行，如在图6概括地用标号96标示的。
如本专业的技术人员将会意识到的，本技术提供一种非常强大的和高度综合的方法，以随着时间控制和指定医疗数据的处理。例如，根据诸如在时间92对电数据的采集和分析的结果，可能为所述病人规划另一次采集和分析，其中，所述系统通过特定成像系统自动地或半自动地指定或控制图像的采集。如上面一般地描述的，所述系统还可以指定或控制临床实验室数据、组织学数据、药物动力学数据或其他杂项数据类型的采集、处理或分析。然后，结合上面讨论的其他数据资源来的数据，随着时间并且在不同的形态和资源类型之间，所述分析可以在医疗事件、医疗状态、疾病状态、处理、医疗状态和事件的倾向等等方面，提供高度地富有洞察力的反馈。
图7中进一步举例说明所述信息随着时间的综合。如图7所示，通过程序22计算资源20可以获得和处理在不同的时刻收集、处理和分析的，并且从用标号98、100、102标示的不同的资源类型来的不同的数据。如上面指出的，这样的处理可以包括范围很宽的对可用数据进行的操作，诸如通过使用CAX算法进行分析、指定和控制，如针对这样的算法CAA86、CAP88、CAD90或计算资源20可用的其他程序指出的。其他这样的模块可以作为应用的一部分或套装软件提供，或随着时间增加，如概括地用标号91标示的。逻辑机组件24协助使所述数据相关并且协助指定或控制对来自一个或多个资源类型的一个或多个形态的数据的随后的采集、处理和分析。最后，所述计算资源可以使所述信息作为综合知识库12的一部分适用于临床医生6。
就图7的示意图要作几点说明。首先，如上面讨论的，所述系统的元件之间的不同互连一般由直接或间接的通信链路提供。另外，如上面讨论的，可以通过各组件之间的直接互连，便于不同的资源类型98、100和102之间的互连和数据交换。在每一种类型的各种形态之间，以及在不同的类型的不同的形态之间，情况都是这样。如上面就图6讨论的，对于用于这样的类型和形态之间的随着时间的数据交换的互连，同样如此。最后，尽管在图7总的示意图中在不同的位置上举例说明的是临床医生6，但是应当指出，这可以包括相同的或不同的临床医生，取决于使用的形态和类型和所述病人的需要。就是说，可以向特定的临床医生或专家提供不同的资源类型和甚至特定的形态，涉及其他资源类型和形态的受过训练的不同的人员。但是，最后，在目前的环境下一般指的临床医生6是想要包括全部受过训练的人员，他们有时可以个别地或作为一个团队提供医疗情况所要求的输入和治疗。
不同类型的可控和可指定资源以及这样的资源类型的形态可以包括可能对执行本技术提供的采集、处理、分析功能有用的任何可用数据资源。具体地说，本技术企图例如为综合随着时间的采集、处理和分析而提供尽可能单一的资源，并且以一种最有用的配置，使得可以使用范围很宽的这样的资源。图8是列成表格的某些示范性资源类型的概述，概括地用标号110标示，以及这些类型中每一种类型内的形态112。如上面指出的，这样的可控和可指定资源一般可以包括电数据源、成像数据源、临床实验室数据源、组织学数据源、药物动力学数据源、以及医疗数据的其他杂项来源。尽管所述数据资源中可以包括关于这些类型和形态中每一种的不同的基准数据，但是，图8表中列举的类型和形态用来采集数据，所述数据是病人专用的并且是或者直接或者间接从病人采集的。以下的讨论涉及图8中概述的不同的类型和形态，以便较好地理解这样的资源的性质和它们可能用来估算医疗事件和状态的方式。
电数据资源
可以认为可控和可指定的类型的电数据资源包括某些典型的模块或组件，如图9一般地表明的。这些组件包括传感器或换能器114，后者可以设置病人身上或周围，以检测所关心的可以指示医疗事件或状态的某些参数。这样，这些传感器可以检测从人体或人体一部分发出的电信号、由某些类型的运动建立的压力(例如，脉搏、呼吸)、或诸如运动和对刺激的反应等参数、等等。传感器114可以设置在人体的外部区域，但是也可以包括设置在人体内，诸如通过导管、注入或咽下的装置、装有发送器的胶囊等等。
这些传感器产生代表所述检测参数的信号或数据。这样的原始数据被发射到数据采集模块116。所述数据采集模块可以采集采样的或模拟的数据，并且可以对所述数据执行不同的初步的操作，诸如滤波、多路复用等等。然后将所述数据发射到信号调节模块118，在这里进行进一步处理，诸如附加的滤波、模数转换等等。
然后，处理模块120接收所述数据并执行处理功能，后者可以包括对所述数据的简单的或详细的分析。显示/用户接口122允许操纵、观看和以用户要求的格式诸如屏幕显示器上的线迹、硬拷贝等等输出所述数据。处理模块120还可以标记或分析数据，用于这样标记所述数据，以便对轴或箭头作出注释、限定或贴标签，并且其他记号可以出现在接口122产生的输出上。最后，存档模块124用来或者在本地将所述数据存储在所述资源内，或者远程地存储所述数据。所述存档模块还可以允许对所述数据进行重新格式化或重构、对所述数据进行压缩、解压等等。当然，将根据资源的性质和所涉及的形态而改变图9中举例说明的不同模块和组件的特定配置。最后，如概括地用标号29标示的，图9中举例说明的模块和组件可以直接或通过网络链路间接连接到外部系统和资源。
以下更详细地讨论适用于本技术的某些电数据资源。
EEG
脑电描记法(EEG)是这样的过程：一般需要一个到两个小时，它通过传感器或附在病人头部并连接到计算机系统的电极记录脑的电活动。所述过程记录由电极检测的大脑的放电。计算机系统把大脑的电活动显示为线迹或线条。记录所产生的图案，并可以用来分析脑的活动。在所述图案上可以识别几种类型的脑电波，包括α、β、δ和θ波，其中每一个都与某些特性和活动相联系。脑活动偏离正常图案的变动可以指示脑的某些异常、医疗事件、状态、疾病状态等等。
在EEG测试的准备过程中，一般地要避免吃入某些食品或药物，因为它们可能影响脑的活动并产生不正常的测试结果。病人还可能被请求采取必要的步骤，以避免在测试过程中低血糖，并且必要时可以使病人作好睡眠的准备，因为某些不正常类型的脑活动必须在睡眠过程中监测。EEG在医院或诊所执行，检查一般由EEG技术专家完成。技术专家把一般16-25个的电极固定在病人头部的不同位置上，利用胶或小针把电极固定就位。内科医生(一般神经科医生)分析所述EEG记录。在所述程序过程中，病人可能被请求简单地放松，或可以引入不同形式的刺激，诸如使病人呼吸加速(过度呼吸)或观察触发脉冲，来观察大脑对这样的刺激的反应。一般进行EEG来诊断特定的潜在事件或状态，诸如癫痫症或识别与这样的机能紊乱并发的病人可能经历的不同的类型的发作。EEG检查还可以用来估计怀疑的脑部肿瘤、炎症、感染(诸如脑炎)或脑部疾病。所述检查还可以可来估计不省人事或痴呆的周期。所述项测试还可以估算病人心脏病被抑制之后恢复或其他大创伤的预后、确定昏迷病人大脑健康、研究睡眠机能紊乱或在外科手术期间监视个人接受全身麻醉时的大脑活动。
ECG
心电图法(EKG，ECG)是这样的过程：一般要求10-15分钟检查，通过附在病人皮肤上并连接到数据采集系统的电极记录心脏的电活动。所述电极检测电脉冲，并不向人体加电。所述电极检测心脏活动导致的人体电系统的活动。一般，通过病人的胸部、手臂和腿设置电极的地方的皮肤检测电活动。病人的衣服卷高至腰部或卷起长袜或裤子，使病人露出前臂和小腿。所述检查，一般由专门的临床医生执行，可以在医院、诊所或实验室预约。所述测试之后，心脏病学家一般分析心电描记记录。在所述程序过程中，病人一般被请求躺在床上或平台上，尽管其他程序要求特定类型的活动，包括运用体力。必要时，在所述检查过程中，在进行所述测试以前，病人可能被请求休息一段时间。用来检测电活动的电极，一般是12个或更多，通过粘结剂或其他方法，设置在要求的位置上。可以清洁并且可能剃光所述区域，以便于设置或固定电极。另外，可以使用导电底座或糊剂以改善电脉冲的导通状态。
所述采集系统把由脉冲表示的电活动转换成线迹或线条。ECG线迹一般遵循心脏的电脉冲的特性图案。可以识别和测量特性图案的不同部分，包括一般称作P波、QRS杂波、ST段和T波的波形部分。这些线迹可以用计算机或由心脏病学家分析，以便查出医疗事件或状态所指示的异常。ECG程序一般用来识别这样的状态，诸如心脏扩大、流向心脏的血流不足的征兆、新的或旧的心脏损伤(例如，心脏受打击造成的)、心律不齐、人体化学失调所引起的电活动改变、心包炎症的征兆等等。
EMG
肌电图描记(EMG)是这样的过程：一般需要1-3小时，用来测量肌肉收缩造成的放电。一般，因为肌肉收缩，产生电信号，后者可以通过设置在病人身上的传感器检测出来。下面概述的EMG和神经传导研究，可以用来协助检测可能损坏肌肉组织或神经的状态和疾病的出现、位置和存在。EMG检查和神经传导研究一般是一起进行的，以便提供更完整的信息。
在准备EMG检查的过程中，一般要求病人在所述检查以前的某个时段(例如三个小时)内回避某些药物和刺激。所述检查之前，要注意诸如出血或血液稀释等特定状态，和诸如使用强心剂(cardiacstimulator)等实践。在EMG检查本身，医院或诊所里的临床医生要筛除外来电干扰。在需要的地方，神经科医生或物理康复专家也可以执行所述测试。在所述程序过程中，一般要求病人采取放松姿势，把待测试的肌肉定位在便于医生接近的位置。要清洁待测肌肉上面的皮肤区域，把把包括基准电极和记录电极的电极设置在皮肤上。基准电极一般可以包括平坦的金属盘，附在测试区域的皮肤上，或把一根针插入测试区域附近皮肤下面。记录电极一般包括通过导线连接到数据采集装置或记录器的针。记录电极插入待测试的肌肉组织内。然后通过所述两个电极测试肌肉在休息状态和在收缩过程中的电活动，一般逐渐递增收缩力量。可能需要重新设置电极，以记录所述肌肉的不同区域或不同的肌肉内的活动。可以显示这样采集的电活动数据，并且所述电活动数据一般采取尖脉冲波形的形式。
EMG检查的结果可以单独分析，尽管它们一般与其他数据配合使用于诊断状态。这样的其他数据可以包括病人病史、特定症状方面的信息以及从其他检查采集的信息。一般完成EMG检查，以便在可能损坏肌肉组织、神经或神经和肌肉之间的结合部的疾病诊断上提供协助，或用于估计虚弱、麻痹或不随意肌肉刺激的原因。这样的检查还可以用来诊断状态，例如脊椎灰质炎后综合症以及影响正常肌肉活动的其他状态。
EIT
电阻抗断层摄影(EIT)是非侵入性过程，用来提供人体电参数方面的信息。具体地说，所述过程映射人体内导电率和介电常数。电导率是衡量材料导电容易程度的尺度，而介电常数是衡量引入强制加上的电场时分离材料内电荷的容易程度。高导电率材料允许直流和交变电流通过。另一方面，高介电常数材料只允许交变电流通过。通过附在病人皮肤上的电极给人体施加电流，并测量所得的电压，即可对人体内电导率和介电常数进行替代的数据采集。所述测量允许计算人体组织的阻抗，后者可以用来通过重构而建立组织的图像。
因为在所述检查过程中提供的电流将采取最小阻抗路径，所以流过所述组织的电流取决于病人组织的导电率分布。然后用获得的数据通过不同的重构技术重构所述组织的图像。一般，图像重构过程包括非线性数学计算，所得图像可以用于不同的诊断和处理目的。例如，所述过程可以用来检测肺部的血凝块或肺栓。所述过程还可以用来检测肺部问题，包括肺部萎缩和积液。可以检测的其他状态，包括内部出血、黑瘤、癌，诸如胸癌以及各种各样的其他医疗事件和状态。
神经传导测试
神经传导研究已经用于测量各条神经传输电信号的好坏。神经传导研究和EMG研究都可以用来协助检测可能损坏肌肉组织或神经的疾病及其位置。神经传导研究和EMG往往在一起进行，以便为诊断提供更完整的信息。若两个测试在一起进行，则一般首先进行神经传导研究。
在准备神经传导研究时，一般要求病人回避药物以及诸如烟草和咖啡因的刺激。另外，在所述测试之前要识别出血或血液稀释问题以及心脏植入物的使用。神经传导研究本身一般由技术专家进行，并可以在医院或诊所或专门为屏蔽电干扰而设计的特殊房间内进行。一般由神经科医生或物理康复专家进行所述测试。在所述程序过程中，要求病人向后靠或坐着，放松人体的待测试区域。几个平坦的金属盘电极附在病人皮肤上，把放电电极设置在待测试的神经上面。记录电极设置在受所述神经控制的肌肉上面。重复地向所述神经施加电脉冲，然后记录传导速度或获得肌肉响应所需的时间。比较人体不同侧上相应的肌肉之间的响应时间。如上面指出的，可以进行神经传导研究来检测和估算外围神经系统的损坏，识别异常感觉的原因，诊断脊椎灰质炎后综合症，以及估计其他症状。
ENG
眼振电图描记法(ENG)涉及一系列测试，用来估计病人通过协调眼睛、内耳和大脑的输入来维持位置和平衡感觉的能力。ENG测试可以用来例如确定头晕或眩晕是不是由内耳或大脑中神经结构损坏引起的。所述测试利用附在面部上并且用导线连接到监测眼球运动的装置的电极。在ENG测试序列过程中，测量某些不随意眼球运动，称作眼球震颤，它一般随着头部运动出现。自发或长时间的眼球震颤可能表示某些影响神经或内耳或大脑结构的状态。
在准备ENG测试序列时，一般要求病人较长时间回避某些药物和刺激。由于干扰测试过程中使用的电极的缘故，可能需要回避或去除视觉辅助和助听装置以及面部化妆。为了进行所述检查，利用导电粘结剂把一系列电极(一般5个)粘附在病人面部。病人在黑房内以坐着的姿势被测试。在所述检查过程中，调整仪表，以便测量或监测病人如何只用眼睛跟随运动的点。然后在病人闭目思考(perform mental tasks)、直视前方、看每一侧、用眼睛跟随钟摆或其他目标运动以及把头部和人体移到不同的位置时读取读数。另外，在热测试过程中监测眼球运动，这涉及加温或冷却放入病人耳内或吹入其内的空气或水。在这样的测试过程中，电极检测眼球运动，而监测系统把所述运动转换成线条记录。可以在利用或不利用电极来检测眼球运动的情况下来进行所述热测试。分析所述测试的结果，以确定在所述热测试过程中是否检测出不正常的不随意眼球运动，头部运动是否造成眩晕和眼球运动是否具有正常的强度和方向。若在所述测试过程中出现不正常的不随意眼球运动，或者若在所述热测试过程中检测出眩晕或不正常的眼球运动，则结果可以表示可能的大脑或神经受损，或影响平衡的耳结构受损。
组合
上述各过程的各种不同的组合可以以组合的方式用于获得更详细的或具体的信息。具体地说，如上面指出的，往往彼此互补地进行神经传导测试和EMG研究。但是，根据上述一种或多种电测试的结果，同样性质或不同的类型的更详细的其他测试可能是适宜的。可以将所述分析组合或单独地考虑所述分析，以便较好地识别潜在的异常、身体状态或疾病状态。
成像数据资源
不同的成像资源可能对软和硬组织两者的医疗事件和状态的诊断，在分析特定的解剖学上的结构和功能上是有效的。另外，可以采用成像系统，它可以在外科干预，诸如协助引导外科组件通过难以伸到或不可能看到的区域过程中使用。图10提供一个示范性成像系统的总体概略图，随后各图提供特定形式系统的主要系统部件的较多细节。
参见图10，成像系统126一般地包括某些类型的成像器128，后者检测信号并把所述信号转换为有用的数据。如下面还将更充分地描述的，成像器128可以按照不同的物理原理工作，以产生图像数据。但是，一般，成像器或者依靠传统的支持物(诸如摄影胶片)或者依靠数字介质产生表示病人身上所关心的区域的图像数据。
成像器在系统控制线路130的控制下工作。系统控制线路可以包括范围很宽的电路，诸如辐射源控制电路、定时电路、用于协调数据采集与病人或移动平台的协作的电路、用于控制辐射源或其它源以及检测器的位置的电路等等。继图像数据或信号采集之后，成像器128可以处理所述信号，诸如用于将其转换为数字值并把图像数据转送到数据采集线路132。在模拟介质，诸如摄影胶片情况下，数据采集系统可以一般地包括胶片的支持物以及用于对胶片进行显影并产生硬拷贝的设备，随后可以将其数字化。对于数字系统，数据采集线路132可以执行范围很宽的初始处理功能，诸如调整数字动态范围、数据平滑和锐化以及在需要地方，数据流和文件编辑。然后把数据传输到数据处理线路134，在这里进行附加的处理和分析。对于传统的介质，诸如摄影胶片，数据处理系统可以对胶片施加组织信息，以及附上某些备注或病人识别信息。对于不同的可用的数字成像系统，数据处理线路执行实质性的数据分析、数据分类、锐化、平滑、特征识别等等。
最后，把所述图像数据转送到某些类型的操作员界面136，以便观看和分析。尽管可以在观看前对图像数据进行操作，但根据所收集的图像数据，操作员界面136对在某个点上观看重构的图像是有用的。应该指出，在摄影胶片情况下，一般把图像揭示在光盒或类似的显示器上，以便允许放射学医生和病房内科医生更容易地阅读和给图像序列加注释。图像还可以存储在短期或长期存储装置中，为此目的一般地考虑将其包括在接口136内，诸如图像存档通信系统内。还可以诸如通过网络29把图像数据传输到远方位置。还应当指出，从一般观点看，操作员界面136一般通过与系统控制线路130的接口对成像系统进行控制。另外，还应当指出，可以设置多于一个的操作员界面136。相应地，成像扫描仪或工位可以包括这样的接口，它允许调整图像数据采集过程中涉及的参数，而且可以设置不同的操作员界面，用于控制、增强和观看重构的图像结果。
以下是根据图10简要描述的总体系统体系结构，对特定成像方式的更详细的讨论。
X射线
图11一般地示出数字X射线系统150。应该指出，尽管在图11中参照的是数字系统，但当然也可以提供传统的X射线系统，作为本技术中的可控和可指定资源。具体地说，传统的X射线系统可以提供极有用的工具，既以摄影胶片的形式，又以从摄影胶片提取的数字化图像数据的形式，诸如通过使用数字化仪。
图11中举例说明的系统140包括辐射源142(一般的X射线管)，用来发射辐射线束144。一般可以通过调整辐射源142的参数，诸如靶的类型、输入功率电平和滤波器类型来调节或调整所述辐射。一般通过准直器146(它确定射向病人4的辐射线束的范围和形状)使所得的射线束144射向病人4。病人4的一部分被置于辐射线束144的路径中，所述辐射线束撞击数字检测器148。
一般包括像素矩阵的检测器148对撞击矩阵中不同位置的辐射强度进行编码。闪烁计数器把高能X射线辐射转换为能量较低的光电子，所述检测器内的光电二极管检测这些光电子。X射线辐射被病人的组织衰减，因此像素识别不同的衰减电平，产生不同的强度，所述不同的强度构成了最终重构图像的基础。
设置控制线路和数据采集线路来调节图像采集过程并且检测和处理结果信号。具体地说，在图11的图解说明中，设置辐射源控制器150来调节辐射源142的工作。当然，可以为所述系统的可控方面设置其他控制线路，诸如平台位置、辐射源位置等等。数据采集线路152连接到检测器148，并允许读出曝光后光检测器上的电荷。一般，光检测器上的电荷被入射的辐射耗尽，并且随后对所述光检测器充电来测量所述消耗。读出线路可以包括系统地读出与图像矩阵的像素位置对应的光检测器的行和列。然后通过数据采集线路152将所述结果信号数字化并将其转送到数据处理线路154。
数据处理线路154可以执行一定范围的操作，包括调整数字数据中的偏移量、增益等等，以及不同的成像增强功能。然后把所得数据转送到操作员界面或用于短期或长期存储的存储装置。根据所述数据重构的图像可以显示在操作员界面上，或者可以转送到其他位置，诸如通过网络29，以便观看。另外，数字数据还可以用作传统的硬拷贝介质(诸如摄影胶片)上重构图像的曝光和打印的根据。
MR(磁共振)
图12代表磁共振成像系统156的概括示意图。所述系统包括扫描仪158，将病人置于扫描仪158中的适当位置，以便采集图像数据。扫描仪158一般地包括主磁体，用于产生影响病人体内旋磁物质的磁场。当旋磁物质(一般为水和代谢物)力图与磁场对准时，梯度线圈产生彼此正交取向的附加磁场。梯度磁场有效地选择通过所述病人组织的用于成像的切片，并按照它们旋转的相位和频率对切片内的旋磁物质进行编码。扫描仪内的射频(RF)线圈产生高频脉冲，以激励旋磁物质，并在所述物质试图重新使本身与磁场对准时，发射磁共振信号，后者由射频线圈收集。
扫描仪158连接到梯度线圈控制线路160和RF线圈控制线路162。梯度线圈控制线路允许调整不同的脉冲序列，后者定义用于产生图像数据的成像或检查方法。通过梯度线圈控制线路160实现的脉冲序列图形用来将特定切片、断层(anatomy)成像并且允许对运动组织(诸如血液)和摘除(defusing)材料的特定成像过程。所述脉冲序列可以为随后的多切片成像作好准备，诸如为不同的器官或特征的分析以及为三维图像重构作好准备。所述RF线圈控制线路162允许向RF激励线圈施加脉冲，并用来接收和部分地处理检测到的结果MR信号。还应当指出，RF线圈结构的范围可以用于特定的解剖和特定目的。另外，单一的RF线圈可以用来传输RF脉冲，同时不同的线圈用来接收所述结果信号。
梯度和RF线圈控制线路在系统控制器164的指导下起作用。所述系统控制器实现脉冲序列图形，后者定义图像数据的采集过程。所述系统控制器一般将借助于操作员界面136允许对检查序列的一定数量的配合或配置。
数据处理线路166接收检测的MR信号，并处理所述信号来获得用于重构的数据。一般，数据处理线路166将所接收的信号数字化，并对所述信号进行二维快速富里叶变换，以便将从选定切片中的特定位置(从该位置产生MR信号)解码。所述结果信息提供切片中不同的位置或体素发出的MR信号强度的指示。然后可以把每一个体素转换为用于重构的图像数据中的像素强度。数据处理线路166可以执行范围很宽的其他功能，诸如用于图像增强、动态范围调整、强度校准、平滑、锐化等等。所述结果处理图像数据一般转送到操作员界面用于观看，以及进行短期或长期存储。与在上述成像系统的情况一样，可以在扫描仪位置本地观看MR图像数据，或者可以诸如通过网络连接29将MR图像数据发送到远方位置，所述远方位置既在机构内也在远离机构的地方。
CT(计算机断层摄影)
图13举例说明计算断层摄影术(CT)成像系统的基本部件。CT成像系统168包括辐射源170，它配置成产生扇形辐射线束172形式的X射线辐射。准直器174限定射线束的界限。射线束172指向由光电二极管和晶体管阵列构成的曲面检测器176，后者允许读出被来自辐射源170的辐射撞击而耗尽的二极管的电荷。所述辐射源、准直器和检测器安装在旋转台架178上，旋转台架使辐射源等快速(诸如以每秒两圈的速度)旋转。
在检查序列过程中，在辐射源和检测器旋转时，在围绕定位在所述台架内的病人4的角位移位置上产生一系列视域帧。每一转收集许多视域帧(例如，在500和1000之间)，在病人沿着系统的轴向缓慢移动时可以诸如按螺旋状图案旋转若干圈。对于每一个视域帧，从检测器的各个像素位置收集数据，以产生大量的分立数据。辐射源控制器180调节辐射源170的工作，而同时台架/平台控制器182调节台架的旋转和控制病人的运动。
把由检测器收集的数据数字化并将其转送到数据采集线路184。数据采集线路可以执行数据的初始处理，诸如产生数据文件。数据文件可以包含其他有用的信息，诸如与心脏循环、特定时间在所述系统内的位置等等有关的信息。然后，数据处理线路186接收数据，并完成范围很宽的数据处理和计算。
一般，可以以若干种方式重构来自CT扫描仪的数据。例如，旋转整个360度的视域帧可以用来构成通过病人的切片的图像。但是，因为一些信息一般是冗佘的(在病人相反一侧对同样的断层(anatomy)成像)，所以可以构造较少的数据组，所述数据组包括在180度加上辐射扇面的角度范围内采集的视域帧信息。作为另一方案，可以采用多扇形重构，其中可以从围绕病人的多个旋转周期的各部分采集同一数目的视域帧。因此，把数据重构为有用的图像的过程包括计算辐射在检测器上的投影和识别数据在病人特定位置的相对的衰减。可以转送原始的、部分处理过的和完全处理过的数据，用于后处理、存储和图像重构。所述数据可以立即供操作者使用(诸如在操作员界面136上)，也可以通过网络连接29发送至远方。
PET
图14举例说明正电子发射断层摄影(PET)成像系统的某些基本组件。PET成像系统188包括射频标记模块190，有时称作回旋加速器。回旋加速器适合于用放射性物质制备某些标记或放射性标记材料，诸如葡萄糖。然后把放射性物质注射入病人4，如标号192所标示的。然后，把病人放入PET扫描仪194中。当标记物质的放射性在病人体内衰减时，扫描仪检测该标记物质的发射。具体地说，当放射性核素能级衰减时，所述物质发射正电子，有时称作正的电子。正电子行进一段短距离，最后与电子结合，导致发射一对γ射线。扫描仪内的光电倍增管-闪烁器检测器检测γ射线并根据检测的辐射产生信号。
扫描仪194在扫描仪控制线路196的控制下工作，扫描仪控制线路196本身由操作员界面136调节。在大部分PET扫描中，扫描病人整个身体，把从γ辐射检测的信号转送到数据采集线路198。辐射的特定强度和位置可以通过数据处理线路200识别，并可以在操作员界面136上形成和观看重构的图像，或者可以存储原始的或处理过的数据，以便后来对图像进行增强、分析和观看。还可以通过网络链路29把图像或图像数据传送到远方位置。
PET扫描一般用于检测癌症，并检查癌症治疗的效果。所述扫描还可以用来测定血流，诸如对心脏，并可以用来估计冠状动脉疾病的征兆。与心肌新陈代谢相结合，PET扫描可能用来区分无功能心肌和心肌，这将得益于一个程序，诸如血管成形术或冠状动脉旁路外科手术，以建立适当的血流。大脑的PET扫描还可以用来估计原因未确定的记忆机能紊乱的病人，以估计大脑肿瘤存在的可能性，并分析发作机能紊乱的潜在原因。在这些不同的程序中，根据不同类型的组织对标记材料的有差别的吸收来产生PET图像。
荧光X线照相
荧光检查法或荧光X线照相系统由连接到图像或视频摄像机的X射线图像增强器构成。在数字系统中，基本荧光检查系统可以基本上类似于上面参照图11所描述的。在简单的系统中，例如，带有视频摄像机的图像增强器可以在视频监视器上显示，而更复杂的系统可以包括：高分辨率照相机，用于产生静止图像；以及不同分辨率的摄像机，用于产生动态图像。诸如用于数字X射线系统的数字检测器也用在这样的荧光检查法系统中。可以记录所收集的数据，用于随后重构为运动图像类型显示。这样的技术有时称作荧光电影X线照相。这样的过程广泛用于心脏研究，诸如用于记录活体心脏的运动。此外，可以进行所述研究供以后参考，或者也可以在实际的实时外科干预过程中进行所述研究。
与传统的X射线系统中的情况一样，用于荧光X线照相系统的摄像机接收由视频监视器收集的视频信号，用于立即显示。视频磁带或硬盘记录器可以用于存储和随后的重放。计算机系统或数据处理线路既可以实时地又可以在以后对所述图像数据进行附加的处理和分析。
用于荧光X线照相系统的不同的技术可以称作视频荧光镜透视检查或荧光屏检查和数字荧光X线照相。后一种技术正在代替许多传统的基于照像术的方法，有时称作数字现场成像(DSI)、数字心脏成像(DCI)和数字脉管成像(DVI)/数字减法血管造影术(DSA)，取决于特定的临床应用。硬拷贝装置，诸如激光成像器，用于输出数字图像的硬拷贝。另外，荧光检查技术可以与传统的X射线技术协作，具体地说，如上面描述的，在使用数字X射线检测器的地方。就是说，高能X射线图像与荧光检查图像可以穿插拍摄，X射线图像提供较高图像分辨率或清晰度，而荧光检查图像提供实时运动视图。
乳房X线照相
乳房X线照相如上面描述的，一般地涉及特定类型的成像，一般的利用低剂量X射线系统和高反差、高分辨率胶片或数字X射线系统，用于检查乳房。其他乳房X线照相系统可以使用上述类型的CT成像系统，收集几组用于重构有用图像的信息。典型乳房X线照相装置包括X射线辐射源，诸如传统的X射线管，它可以适合于不同的发射电平和辐射滤波。X射线胶片或数字检测器放入与辐射源相对的位置，用设置在这些组件之间的平板压缩乳房，以增强覆盖范围和协助确定在重构的图像中可检测到的特征或异常的位置。一般，由于与周围的组织相比的射线辐射的有差别的吸收或衰减的缘故，可以在收集的数据上或曝光的胶片上可以看到可以包括诸如微钙化、不同的人体和损害等等这样的解剖学特征的所关心的特征。乳房X线照相在早期的癌症检测上起中心作用，当在非常早期检测出来时，癌症可以得到更成功的治疗。
超声检查
超声检查成像技术一般包括采用高频声波而不是电离化或其他类型的辐射的超声检查。所述系统包括探测器，后者紧贴着病人的皮肤，皮肤上设置凝胶以便于传输声波和接收反射。检测和处理从组织平面和结构发出的带有不同的声学声束特性的反射。结果数据的亮度表示被反射的声波的强度。
超声检查一般与视频监视器上图像的连续显示一起实时地进行。可以捕获冻结的帧图像，诸如在实时研究过程中的文档视图显示。在超声系统中，如传统的放射照相术系统，结构的外观高度地依赖于它们的成份。例如，水填充结构(诸如囊肿)在结果重构图像中发暗，而同时包含脂肪的结构一般发亮。钙化，诸如胆石，发亮并产生特征性的阴影失真。
当解释超声研究时，放射学医生和临床医生一般地使用术语″回波产生性(echogeneity)″来描述目标的亮度。″低回音″结构在重构图像中发暗，而同时″高回音″结构发亮。
与其他成像技术相比，超声检查有某些优点，诸如不存在电离化辐射、系统高度便携和它们的造价相对较低。具体地说，超声检查可以使用移动式系统在床边或急救部门进行。所述系统还在区分对象是固态的或胞囊表现优异。与其他成像系统的情况一样，超声检查的结果可以被立即观看，或可以存储用于随后观看、传输到远方位置和分析。
红外线
临床发热记录法，不然称为红外线成像，是基于对皮肤区域温度作为正常或不正常的人体生理学反射的仔细分析。所述过程一般或者通过直接把液晶板压在人体的一部分，或者通过超敏感红外线摄像机通过高级的计算机接口来进行。每一个过程都外推热量数据并形成可以对可能的疾病或损伤征兆的估算的图像。人体面积温度差可以指示血流异常提高，例如，损伤或下面的组织损坏造成的。
原子核
核医学涉及给予少量放射性物质，并随后记录从病人所述物质累积的特定部位发射的辐射。核医学有各种各样的诊断和治疗应用。一般，核医学以特定类型原子核发出的辐射形式的能量的自发发射为依据。所述辐射一般采取α、β和γ射线的形式。核在放射性药物中作为示踪物使用，可以检测出示踪物以便成像，或其辐射可以用于治疗目的。
示踪物是一种物质，当它被放入人体时，发射辐射并可以被识别。因为不同的组织对示踪物可能有不同的吸收，所以它们的发射，一旦检测出来，并适当地确定它们在人体中的位置，便可以用来将器官和不同的内部组织成像。放射性药物一般口服或静脉注射，往往定位于特定器官或组织。扫描仪表检测放射性药物产生的辐射，并可以根据检测的信号重构图像。还可以结合来自病人的标本诸如血液或尿来进行生物标本放射性分析，利用放射性材料来测量标本的不同组分。
在治疗中，由于在吸收放射性材料的特定组织中放射性材料产生发射的缘故，故可以使用放射性材料。例如，放射性碘，可以在没有过量的辐射包围健康组织的情况下被癌组织捕获。这样的化合物用在不同类型的治疗中，诸如用于甲状腺癌。因为碘趋向于直接通到甲状腺，小剂量的放射性碘在腺中被吸收，用于治疗或诊断目的。用于诊断，放射学医生可以确定碘被吸收得太少或太多，分别表示甲状腺机能减退或甲状腺机能亢进。
核医学中其他类型的成像可以涉及其他化合物的使用。例如，锝是一种放射性药物物质，它与病人的白血球结合，可能用来识别骨中癌的迁移或扩散。稳定周期之后，可以进行特定肢体或全身的扫描以识别、诊断是否迁移。锝还可以用来识别肝或胆囊中的异常，诸如由于胆石的阻塞。所述物质还用于放射性核素脑室造影照片。在这样的过程中，取出病人血液标本(诸如约10cm)，并让放射性锝以化学方法附在红血球上。然后把所述血液注入病人，对它通过心脏循环示踪并成像。
锝在核医学的其他用途包括诊断阑尾炎，由于所述炎症在所述器官出现和存在白血球。类似地，涉及锝的技术可以被用于诊断腹部炎症和感染。
在辐射肿瘤学中，可以确定已知或可能范围的肿瘤，而且辐射用来攻击肿瘤细胞，而同时避免对周围健康细胞造成重大损伤。外部辐射线束治疗，例如，涉及来自线性加速器或电子回旋加速器或钴机器的辐射，所述辐射的目标瞄是摧毁已知位置上的癌症。在近程放射治疗中，诸如碘、铯、铱等放射源结合进肿瘤内或其边沿。在其他癌症治疗中，已知硼中子捕获治疗(MNCT)，α粒子由包含硼的非放射性药物产生。随后的中子辐射线束引起中子与肿瘤中的硼反应，产生协助摧毁肿瘤的α粒子。
放射性核素可以是自然出现的或在反应器、回旋加速器、发生器等等中产生的。对于核医学中的辐射治疗，肿瘤学或其他应用，放射性药物是人工生产的。放射性药物具有相对较短的半衰期，使得它们可以被用于想要的目的并相对较快下降为非毒性物质。
热声学
热声成像系统基于对特定组织施加能量的短脉冲。产生能量并施加能量来引起部分能量被病人组织吸收。由于组织的热量，引起所述组织展开，由此产生声波。可以获得多维图像数据，它与组织对能量的吸收有关。可以以射频波的短脉冲的形式施加能量。然后利用超声波检测器(换能器)阵列检测出结果热声发射。
热声扫描仪一般由成像槽、多通道放大器和RF发生器构成。所述发生器和扫描仪的其他组件一般地定位在RF屏蔽的房间或环境中。与用于采集所述热声发射信号的旋转电动机一起设置数字采集系统。然后处理系统对所述信号进行滤波，以数字形式对其进行处理，进行图像重构。一般，所述图像的反差由传递到病人的能量确定，而图像空间分辨率由声音传播特性和检测器的几何形状确定。
临床实验室资源
临床实验室资源包括分析人体组织的不同的技术。许多资源是基于来自人体不同的部分的液体的提取和分析，和可检测的液体参数与个体病人或病人群体的标准的比较。用于临床实验室分析的过程包括液体或组织的采样，一般在医院或诊所就诊的过程中进行。这样的组织集合可以包括不同的采样过程，诸如采集血液、唾液、尿、脑脊髓液(CSF)等等。所述组织用特别制备的容器收集和存储，并转送到实验室，用于测试分析。
有许多不同的方法用来对体液和组织进行临床实验室测试。某些这样的技术涉及抗体和抗原与待测试的组织混合。抗体基本上由免疫系统制造的特殊蛋白质构成。人体响应某些类型的感染或人体内外来物质或机体的存在或产生这样的蛋白质。抗原是在人体内引起免疫系统响应的物质。这样的抗原包括细菌、病毒、药物或其他组织，包括在某些环境下病人自己身体的组织。
一般，在例如，要检测出血液中的抗体的地方，在测试和分析中一般使用抗原。相反，在要检测出抗原存在的地方，可以使用抗体。举例来说，莱姆关节炎疾病存在的分析可以基于设置一部分引起莱姆关节炎(lime)疾病的细菌，在一个容器中与病人的血液一起分析抗原。若对抗莱姆关节炎疾病细菌的抗体存在，则它们会与抗原反应并用不同的方法检测出来。阳性反应指示疾病可能存在，而阴性反应指明所述疾病可能不存在。
血液
全血细胞计数(CBC)在血液中细胞的类型和数目方面提供重要的信息。一般，血液包含许多成分，包括红血球、白血球和血小板。CBC协助内科医生评估诸如虚弱、疲劳、硬伤等症状，并诊断特定疾病状态和医疗事件，诸如贫血、感染和许多其他普通的机能紊乱
CBC及其他血液测试可以把血液构成的特定参数作为目标。具体地说，这样的测试可以用来识别白血球计数、红血球计数、血细胞比容、血色素、不同的红血球指标、血小板计数及其他血液化学测量。然后把结果指标(一般用等级或范围形式)与已知的正常或不正常的等级和范围相比，作为健康或潜在的疾病状态的指示。随着时间推移，所述比较可以根据病人自己正常或不正常的等级作为疾病进展的指示或治疗的结果或人体自己对感染或其他医疗事件的反应。
在血液分析中进行的特定的测量类型可以指示范围很宽的医疗状态。例如，白血球计数增大可以表示感染或人体对某些类型治疗，诸如癌症治疗的响应。可以将各种白血球彼此区别，以识别白血球的主要类型，包括中性白细胞、淋巴细胞、单核白细胞、嗜酸细胞和嗜碱细胞。这些类型的细胞中的每一种都在人体响应中起不同的作用。这些白血球类型中每一种的数目可以提供免疫系统和免疫响应的重要信息。这样，白血球计数等级和改变可以识别感染、过敏或毒性反应以及特定状态。
红血球的分析用于许多目的。例如，因为红血球提供组织的二氧化碳中氧的交换，所以它们的相对计数可以提供人体的氧是否足够的指示，或若高了，是否有红细胞增多(一种可能导致毛细管血管凝集和阻滞的状态)的危险性。血细胞比容测量血液中红血球占的体积。一般地提供血细胞比容数值作为血液体积中红血球的百分数。血色素测试测量血液中血色素的相对数量，并指示血液携带氧通过人体的能力。其他红血液指标包括平均细胞体积、平均细胞血色素和平均细胞血色素浓度。这些指标一般地是在CBC的其他测量过程中确定的，并指示红血球的相对大小、细胞的血色素含量和平均血液细胞中血色素的浓度。这样的测量例如可以用来识别不同的类型贫血。
血小板或凝血细胞计数指示血液中血小板的相对等级并且可以用来指明血液凝固和出血方面的异常。
除上述分析以外，可以进行血涂片检查，其中血液涂在片上并染色用于人工或自动化视觉检查。血液所含细胞的计数和类型可以从这样的检查中确定，包括不同的不正常的细胞类型的识别标志。另外，可以检测各种各样的化学成份并在血液测试中分析研究，包括白蛋白、碱、磷酸酶、ALT(SGPT)、AST(SGOT)、BUN、血清钙、血清氯化物、二氧化碳、肌氨酸酐、直接胆红素、γ-GT葡萄糖、LDH、血清亚磷、钾、血清钠、总胆红素、总胆固醇、总蛋白质、尿酸等等。
血液测试还用来识别肿瘤生物标记的存在或等级改变。例如，诸如结肠、前列腺和肝癌等癌症的存在，分别直接联系到特定生物标记血液等级的提高，诸如致癌胚胎抗原(CEA)、前列腺特定抗原(PSA)和α-胎蛋白(AFP)，这通过酶联免疫吸收测定(ELISA)测试，如下面更充分地讨论的。
尿
可以对尿样进行各种各样的分析。这些分析的一些分析基于标本的总体外观和特性，而其他分析基于化学或显微镜分析。这些分析中基于尿标本的肉眼可见特征的分析是测试颜色、清晰度、气味、比重和pH。
影响尿样颜色的因素包括液体平衡、药物和疾病状态。颜色可以例如表示尿中血液的存在，表示诸如肾疾病等状态。尿的相对澄明度(亦即，不透明度或混浊度)可以表示细菌、血液、精液、晶体或粘液的存在，而它们本身可以表示身体状态不正常。某些疾病状态或身体状态还可以导致不正常的气味，它可能在血液、E.大肠菌中检测出来。尿的比重提供和表示不溶于标本的物质的相对数量。一般，比重较高可能表示不溶于尿的固态的物质的较高水平，并可以表示肾的功能状态。标本的pH(亦即，酸度和碱度)可以表示肾状态和肾功能。例如，尿pH可以通过治疗调整，诸如避免形成某些类型的肾结石。
可以进行尿样的化学分析，以便提供诸如蛋白质、葡萄糖和酮这样的组分的指示。血液中蛋白质的存在可能是某些身体状态的指示，诸如发烧、正常妊娠以及诸如肾机能紊乱等疾病。通常在血液中找到的葡萄糖一般不存在于尿中。尿样中葡萄糖的存在可能是糖尿病或某些肾损坏或疾病的征兆。
酮是脂肪代谢的副产品，一般存在于尿中。但是，高的酮等级可能是诸如糖尿病性酮酸中毒的信号状态。其他不正常的状态，诸如低糖和淀粉饮食、饥饿和长时间的呕吐也可能导致尿中较高的酮等级。
尿样的显微镜分析可以用来检测各种各样物质的存在，包括红和白血球、casts、晶体、细菌、酵母细胞和寄生虫。这样的固态物质一般地通过把尿样放入离心机，使所述物质形成沉淀。Casts和晶体可以是不正常肾功能的征兆，而细菌、酵母细胞或寄生虫的存在可能表示不同的类型感染的存在。
唾液
唾液分析可以用于若干种临床目的。例如，性激素测试可以通过不同的方法进行，包括唾液和血清。通常测试的性激素包括雌二醇、雌醇、雌三醇、睾丸激素、黄体酮、DHEA、褪黑激素和可的索。在利用唾液测试时，算出激素的游离百分率以便得出基线数值。唾液反映血流中类固醇的生物学活性(自由)百分率(与血液或尿不同，它们测量总水平)。一小部分游离的激素可以容易地从血液进入唾液腺。一小部分游离的性类固醇激素的下降特别导致近更年期和更年期。可以进行这样的测试，例如，确定是否应该考虑激素替代治疗，以便使激素水平和平衡从当前水平回到保护范围。
唾液测试还用来识别肿瘤生物标记的存在或水平改变。例如，妇女乳房恶性肿瘤的存在与唾液中ofc-erbB-2较高水平直接相关，这可通过酶联免疫吸附测定(ELISA)测试检测出来，如下面更充分地讨论的。
类似地，基于痰的测试可以用来诊断疾病状态，诸如肺癌。这样的诊断是基于癌细胞可能存在于病人从气道排出的液体中。在典型实现方案中，临床医生通过确定标本是否包含来自肺部的发展成癌细胞以前的典型细胞，分析痰标本作为荧光屏检查工具。
胃肠液
胃肠液的分析在检出和诊断某些疾病状态或不同的内部器官功能异常方面可能是类似地重要的。例如，肝功能测试(LFT)可以检测原发和继发的肝疾病，尽管所述测试一般地不是专门的。就是说，结果必须机智地选定和解释，以便提供最有用的信息。确实，某些共同的测试的特征可以是功能测试而不是疾病测试。
在一个示范性测试中，对胆红素进行采样和分析。胆红素是血色素分子被网状内皮系统击碎而得到的。胆红素在血浆中携带到肝，在这里被肝薄壁组织细胞提取，与两个葡萄苷酸分子共轭，形成胆红素diglucuronide并在胆汁中排泄。可以以总胆红素的形式(既包括共轭又包括非共轭胆红素)测定血清中的胆红素，并作为共轭胆红素的直接胆红素。不正常状态，诸如溶血可以导致增强形成非共轭胆红素的过程，它可以上升到不能由肝适当处理的水平。另外，阻碍性黄疸可能是结石或癌造成的肝外共同胆汁管道障碍的结果，如血清胆红素增大证实的。长期障碍可能导致继发性肝损坏。胆红素水平提高还可以证实由肝细胞损坏引起的黄疸，诸如肝炎或代谢失调主动肝硬化。
作为另一个示例，酶碱磷酸酶的分析可以提供肝损坏的征兆。酶主要在肝和骨产生，对部分或中等程度胆障碍非常敏感。在这样的环境下，碱磷酸酶水平可能随着正常血清胆红素提高。尽管在中等急性肝细胞损坏的情况下上升不多或没有上升，但是在肝硬化中碱磷酸酶可能变化，取决于补偿和障碍的程度。另外，会在肝和骨中发现碱磷酸酶的不同的同工酶，后者可能用来提供血清碱磷酸酶上升的来源的征兆。
门东氨酸盐转氨酶(AST)是一种在几个器官，尤其是在心脏、骨胳肌肉和肝中发现。肝细胞释放AST的损坏，和在急性肝炎情况下，按照肝细胞损坏的严重性和范围在特定时间抽取标本，AST水平一般提高。在诸如肝被动充血的状态下，AST升高的变化程度可以被检测出来，尤其是如果发作是严重和急性的话。
类似地，丙氨酸转氨酶(ALT)是一种主要寻找的酶，尽管不只是在肝部。在肝疾病中，ALT在大约与AST相同的情况下升高，尽管ALT显得对concitoin不那么敏感，除更广泛与严重的急性薄壁组织损坏外。ALT分析的优点是，它对肝细胞损坏是相对地特有的。
胃肠液若干其他组分可以提供不正常状态和疾病状态的类似征兆。例如，乳酸盐脱氢酶，尽管比AST不那么敏感，但是可以提供肝损坏或肝炎的征兆。γ-谷氨酰转酞酶是另一种首先在肝和肾发现的酶，在各种各样的肝疾病中可能升高。血清蛋白质，诸如白蛋白主要是在肝合成的，至少中等严重程度的急性或慢性破坏性肝疾病表现电泳中血清白蛋白减少。类似地，凝固因子是在肝合成的，使得某些凝固测试(诸如凝血酶原时间或PT)是肝功能相对敏感的指标。AMM(氨)水平升高可能随着肝功能紊乱、肝失效、胎儿成红细胞增多病、心肺病(cor pulmonale)、肺气肿、充血性心脏失效和运动而出现。水平降低可能随着肾脏失效、特发或恶性高血压或使用某些抗生素(例如，新霉素、四环素)而出现。与肝炎相关的抗原(HAA)还可以协助诊断肝炎A、B、非A和非B，跟踪从肝炎恢复并识别肝炎载体。免疫蛋白球G(IgG)水平用在免疫不足状态、蛋白质丢失状态、肝疾病、慢性感染的诊断和处理以及特定疾病，诸如多种硬化症、流行性腮腺炎、脑膜炎，尽管免疫蛋白球M(IgM)水平用在免疫不足状态、蛋白质丢失状态、Waldenstrom巨蛋白球血、慢性感染和肝疾病。可以分析的其他组分包括碱磷酸酶，例如，用于区分肝和骨疾病，并在甲状旁腺和肠疾病的诊断和处理中，亮氨酸氨肽酶(LAP)用来诊断肝机能紊乱，淀粉酶用来诊断胰腺炎和影响唾液腺、肾和雌性生殖道的机能紊乱，脂酶用来诊断胰腺炎和胰癌。
生殖系统的液体
可以对生殖系统的体液进行若干测试，以估计生殖系统的功能，以及由于各种各样的事件和状态包括疾病、创伤和年龄造成的疾病状态或不正常的功能。在许多可用的测试当中，子宫颈粘液测试用来通过预测排卵天数并确定是否排卵估计不孕症。类似地，一般进行精液分析，以便通过检查可表明不孕症不正常的体积、密度、机动性和形态学，来评定雄性生育力以及在输精管切除手术后证明足够的绝育。巴氏血涂片测试(一般称作Pap血涂片、Pap测试或癌的细胞学测试)用来检测子宫颈和阴道分泌物中的瘤形成细胞或某些异常(例如，不孕症)。
生殖系统体液的特定测试或分析可以针对相应的特定疾病状态。例如，淋病培养物用来诊断淋病，衣原体血涂片用来诊断衣原体感染，表明血涂片的革兰氏染色剂呈现多形核白细胞。
脑脊髓液
脑脊髓液一般是一种包围大脑和脊髓的清沏的无色液体。一般分析脑脊髓液来检测不同的感染机体的存在。所述液体一般地通过进行腰穿刺，亦称脊柱穿刺来收集。在所述过程中，把一支针插入脊柱道，以获得脑脊髓液的标本。脑脊髓液的压力在腰穿刺过程中测量。然后收集标本并随后分析颜色、血液细胞计数、蛋白质、葡萄糖及其他物质。液体标本可以用于不同的培养物，它促进传染性机体，诸如细菌或真菌生长以检查感染。
PCR
聚合酶链式反应一般指检测和放大特定的DNA或RNA序列的方法。一般，以某些已知的区域为目标，用于临床应用，尽管若干整个染色体组已经是并将继续是研究和临床目的用的序列。一般，可以作为不正常的状态、疾病状态或特定状态发展倾向根源的特定基因，呈现组分分子的独特序列。另外，传染性机体，包括病毒和细菌具有特定物质或机体类独特的特定的DNA或RNA序列。这些可以通过这样的成为目标的序列检测出来。
PCR技术采用在一系列简单的温度适中的酶和分子反应中，产生大量特定核酸序列(DNA/RNA)。从遗传物质单一的分子开始，可以合成十亿以上类似的拷贝。通过临床标本中独特序列的存在或不存在测试，可以把PCR用于许多目的，诸如诊断某些病毒感染。PCR还已经用作确定临床标本中病毒物质数量的方法之一。所述技术还可以用于法医目的、用于分析父子关系和血统等等。另外，PCR测定可用来诊断、定量和用于各种各样的病毒和病毒疾病的研究目的。
基因标记
作为遗传测试和染色体组排序的副产品，增加基因标记的基准准许估算状态和疾病非常特定的倾向。人类的染色体组项目已经达到挺进对特定遗传物质和构成人类染色体组的序列的理解，包括估计50,000至100,000个基因，以及它们之间的空间。所得的映射，一旦细化并结合指示个人功能和基因组的数据考虑，可以用来估计病人现有的、过去的和将来可能的状态。
尽管存在几种用于遗传映射的方法，但一般科学家首先检查易于识别的基因标记，包括位于与已知疾病或状态相联系的、带有所述疾病的个人一贯固有的，但无此疾病的亲属身上找不到的基因附近的已知的DNA段。然后研究对准改变后的一个或一些基因的精确位置，并力图查出特定基线改变的特征。然后发展基因标记映射，它描绘沿着所述染色体发现的基因及其他DNA界标的顺序。
甚至在突变的精确位置已知以前，有时可以针对可靠的基因标记进行探测。这类探测可以包括单股DNA长度，它连接到放射性分子并与所关心的基因附近的区域匹配。所述探测器结合到所述区域，然后使来自所述探测器的放射性信号在X射线胶片上可见，示出所述探测器和所述DNA匹配的位置。
基于探测器和标记的预测基因测试在与基因相关的疾病和状态诊断上将变得日益重要。预测基因测试已经可以用于二十几种机能紊乱，包括威胁生命的疾病，诸如胞囊纤维化和Tay Sachs疾病。还发现基因与几类癌症有关，而几种稀有癌症用的测试已经在临床使用。最近，科学家已经识别与发展普通癌症，包括结肠癌和乳房癌的遗传倾向有关的基因突变。一般，应该指出，这样的基因标记和测试一般地不保证将来的发展状态，而仅仅提供一个特定序列或突变存在的征兆(尽管或许紧密相关)。
放射性免疫测定
放射性免疫测定(RIA)是一种用来检测少量抗体(Abs)或抗原(Ags)和它们之间相互作用或反应的技术。Abs或Ags用放射性同位素，诸如碘-125标记，然后可以通过γ计数器检测出抗体或抗原的存在。在典型的过程中，Ab被绑定在固定到过滤器的激素上。添加血清标本，允许任何激素(Ag)有时间绑定到Ab。为了检测所述绑定，添加放射性标记的激素并允许所述放射性标记有时间绑定。全部未绑定的物质都被洗去。用γ计数器测量绑定的放射性数量。因为血清标本中激素的存在抑制放射性标记激素的绑定，测试中存在的放射性的数量与血清标本中激素的数量成反比。利用已知浓度的激素的递增数量标准曲线，确定标本中的数量。
RIA可能用来检测相当小量的Ag和Ab，因此用来测量病人血清中存在的激素或药物数量。RIA还可以在溶液中而不是在过滤器中进行。在某些情况下，RIA用酶联免疫吸收(ELISA)测定或荧光偏振免疫测定(FPIA)代替。这样的测定具有类似的灵敏度。FPIA是高定量的，而leases可以适当地设计成具有类似的定量。RIA还可以用来测量血清IgE抗体的数量，特别适用于不同的变应原，在所述情况下所述测定可以称作放射性变应原吸收测试(RAST)。
ELISA使用酶来检测Ag和Ab的绑定。酶把称为色原的无色物质转换为有色的指示Ag/Ab绑定的产品。准备协议可以根据是检测Abs还是检测Ags而不同。一般，Ag和Ab的组合固定在表面上，加上待测试的标本，让其孵化。添加抗球蛋白或第二Ab(以共价方式固定在酶上)，让其孵化，从所述表面洗去未绑定的抗球蛋白或酶联的Ab。加上酶的无色衬底，若酶联物质是在表面上，则酶将被转换为检测用的有色的产品。
ELISA技术的变型包括：竞争性ELISA，其中标本中的Ab绑定到Ag，然后抑制与所述Ag反应的酶联Ab的绑定；以及定量的ELISA，其中确定大约与标本的正极性程度成正比的颜色变化强度的量值。
色谱法
色谱法包括范围宽阔的技术，用来通过把它们分离为固定相床和通过固定床渗透的流动相，来分离或分析复杂混合物。在这样的技术中，这些组份以不同的速率通过色谱装置。吸附材料上的迁移速率提供所需的分离。一般，固定相的分子越小亲和力越强，在分离柱中消耗的时间越短。
色谱法的优点包括能够以高精确度分离复杂混合物，包括分离非常类似的组份，诸如只相差一个氨基酸的蛋白质。这样所述技术可以用来纯化可溶性或挥发性物质，或用于测量目的。色谱法还可以用来分离由于产品分离所处的条件而变得脆弱的产品。
色谱分离在一般用玻璃或金属制成的色谱柱内进行。所述柱或者由堆积床或者由管状结构形成。堆积床柱包含构成所述固定相的粒子。开放的管状柱可以衬以薄膜固定相。柱的中心是空心的。流动相一般是一种溶剂，通过所述承载待分离的混合物的柱运动。所述固定相一般是粘性液体，编码在固体粒子的表面上，固体粒子堆积在所述柱内，尽管固体粒子还可以看作是固定相。在固定相和流动相之间溶质分隔产生要求的分离。
存在几种类型的色谱法，可以用于医疗数据收集的目的。一般，这些类型包括吸附色谱法、分隔色谱法、离子交换色谱法、分子排除色谱法以及亲和性色谱法。
受体测定
神经传导脉冲基于电现象，其中顺序地使神经纤维偏振和去偏振。一般，细胞边界两端的电势通常约80mv，这是神经元内的钾离子和所述神经元外部的钠离子的浓度造成的。当对所述细胞施加刺激时，结果是电势改变，导致离子流动造成去偏振。神经传递素横跨突触隙口，并传播所述神经脉冲。
测定已经用来确定物质，包括可能引起神经响应的神经传递素、毒素等等存在或不存在。一般，这样的测定用来测量引起特别感兴趣的响应的化学物质的存在。举例来说，domoic酸受体结合测定可以用来识别大脑中结合到谷氨酸酯的物质。
在domoic酸受体结合测定情况下，例如，制备一种包括诸如3H的放射性标记的卡亨酸(cainic acid)制剂。通过让放射性卡亨酸附在包含谷氨酸酯受体的细胞上，可以测量可能结合卡亨酸(它以类似于谷氨酸(一种普通的氨基酸神经传递素)的方式起作用)的细胞中存在的放射性，以及domoic酸。在实践中，一般根据向细胞加入已知数量的domoic酸，产生一条标准曲线，然后使用所述标准曲线估计被测定物质在制备的标本中的浓度。
组织学数据资源
组织分析
组织学是组织结构和变化特征的显微研究。根据所研究的标本的活体状态分为两类：非活体和活体标本。第一类是对非活体标本的传统的研究。可以用许多不同的方法来制备研究用的标本，一般由要研究的组织类型决定。一些普通的制备方法是：在玻璃滑片或金属网格上薄切片段面；玻璃滑片上的血涂片；拉伸得很薄的组织薄片；和从束中分离纤维。这些方法所用的一些普通的标本类型包括器官组织、血液、尿、粘液、细隙连接组织和肌肉。
非活体标本的制备方法大部分是相当直接的，尽管实际的方法用来制备一个可能是相当棘手的断面。标本必须首先保存以避免腐烂，保持蜂窝结构和强化随后着色。标本一般或者被冻结或者用腊或塑料包裹，以便它适当切开。切出所关心的片段，一般厚度由观看装置决定，诸如对于光学显微镜1-150微米，对于电子显微镜30-60毫微米。把所述片段设置在玻璃滑片或金属网格上。然后一般对所述片段着色，可能分几个阶段，用化学染料或试剂。若所述标本在光学显微镜下观看，则随后清除多余的水和染料，并用玻璃滑片覆盖滑片上的标本。最后，观察、分析所述标本并记录观察到的数据。
活体标本的标本类型和研究方法受到保持标本活性的要求的严格限制。一般，标本可以在活体内或在活体外观看。典型的活体外标本是组织培养物系统。典型的活体内标本还必须在可观察的情况下可用，亦即，耳或皮肤组织。因为制备过程的着色及其他方法不适当，所以一般使用专用的相衬显微镜或暗场显微镜来提供自然结构之间较高的反差。
细胞学
细胞学是对细胞的结构、功能、机能病理学和生命史的研究。与其他组织学数据收集技术相比，细胞学的优点包括进行的速度、相对较低的造价和它可以导致特定诊断的事实。缺点包括一般观察的标本尺寸相对较小，缺乏组织体系结构方面的信息，要求进行所述研究临床医生有相对较高的技巧。所使用的标本收集方法一般地取决于所收集的标本类型。这样的方法包括细针吸入、固态的组织加压涂片或刮除和液体涂片。抽吸基本上是靠吸力收集标本。用这些不同的方法收集的某些普通的标本类型，包括甲状腺、乳房或prostrate标本、子宫、子宫颈或胃组织和排泄(尿或粪便)或分泌物(痰、前列腺液或阴道液)。
细胞学的标本制备方法比较直接。标本首先从待检查的区域取出，然后置于玻片上、着色和研究。当标本是固态的时候，附加的步骤可以是适当的所谓压扁制备。在所述过程中，标本放在第一玻片上，用第二玻片挤压，然后利用第二玻片将其散开在第一玻片上。
细胞学标本的分析一般包括标本与标本解剖学位置的正常细胞的比较试验。然后把这些细胞分类为正常的或不正常的。一般根据炎症、增生或瘤形成来确定异常。增生是组织或器官的大小由于与人体自然的生长无关的更多细胞形成而增大。瘤形成是不正常的生长，亦即，肿瘤的形成。不正常的细胞可以再分类为炎症的或非炎症的，并确定占主导地位的炎症细胞类型。可以根据高于或大于正常的白细胞或巨噬细胞的存在来确定炎症。根据它们的物理外观把白细胞分类为两组：颗粒状的或非颗粒状的。颗粒状白细胞的示例是中性白细胞和嗜酸性粒细胞。非颗粒状白细胞包括淋巴细胞。若标本细胞是非炎症的，则随后检查它们是否恶性的。若所述细胞是恶性的，则确定恶性组织类型。
组织分类
组织分类是对病人的人类白细胞抗原(HLA)图案的识别。所述HLA图案是处于染色体6的区域，称为主要组织适合性复合物(MHC)。所述HLA系统对战胜感染是关键性的，因为它为人体免疫系统区分外来和本地的细胞。这样，所述图案对器官移殖场也是关键性的，因为若供体和受体的HLA图案不足够类似，则受体免疫系统将攻击(″抑制″)所述移殖器官或组织。共有五组，称为构成HLA图案的抗原位点：HLA-A，HLA-B，HLA-C，HLA-D和HLA-DR。抗原的每一个位点包含许多变动，称为等位基因，若已知，则用一个号码，亦即，HLA-A2识别。临时识别的等位基因用一个字母和数字指定，亦即，HLA-Cw5。每一个个人都从父辈继承每一个位点的等位基因。这样，两个兄弟具有相同HLA图案的几率是25％。两人之间关系越亲近，在它们两人各自的HLA图案的相似性就越多。这样，组织分类已经用来确定两个人相关的似然率。另外，带有某些HLA图案的病人更倾向于某些疾病；但是，所述现象的原因未知。一般最需要执行组织分类测试的是血液标本。
两个用于测试组织类型的普通方法包括血清学和DNA测试。直至最近，只完成了血清学测试。但是，因为HLA-A，B，Cw和DR位点的等位基因的氨基酸序列已经确定，DNA测试变为测试HLA图案这些位点的应用最广的方法。血清学测试一般地通过加温盘上来自血液标本的淋巴细胞，它包含要摧毁或溶解某个等位基因的抗血清。然后加染色剂，表明任何溶解细胞是否存在。若是如此，则测试对所述特定等位基因为阳性。
免疫细胞化学
细胞化学研究组织和细胞的化学组分，涉及细胞内不同的化合物和它们的活动的识别和定位。免疫细胞化学包括若干方法，在这里为显微镜检查使用抗体来定位组织或细胞中的抗原。有几种策略来使抗体可视化。
对于透射光显微镜，往往采用酶的显色基质。抗体可以直接用酶标记。但是，抗体和酶之间的共价连接会导致酶和抗体活性都丢失。由于这样的原因，研制了几个多步骤着色程序，其中采用中间连接抗体。
立体学是一种定量技术，提供必要的数学背景材料来预测随机定位、规则排列几何探针和所关心的结构之间遭遇的几率。立体学方法已经引入定量免疫细胞化学。简而言之，可以把摄像机设置在显微镜上，高精确度电动机驱动的标本平台和超微检测器用来监视移动。摄像机连接到计算机上，后者配置成执行立体学软件。利用数字孔径高的物镜以高的放大倍数进行分析，这使组织能够用光学方法切割成薄的切片，诸如0.5μm厚度。定量分析要求厚断面(40μm)，带有平坦的良好穿透的免疫组织化学着色剂。
电子显微镜通常还用在免疫细胞化学中。在一个典型的标本制备方法中，标本首先保存。在一个组合类型中，标本嵌入环氧树脂中。然后把几个标本装配为层状组合件，称为堆叠，这便于多个标本的同时切片。当堆叠组合件不可行时可以使用其他组合类型，称为马赛克。马赛克组合件涉及把几个标本侧面靠侧面地设置，然后把它们嵌入环氧树脂中。然后，装配成堆叠或马赛克之后，将其切片和检查。
组织病理学分析
组织病理学分析涉及通过检查组织进行诊断，既用肉眼又用显微镜。组织病理学分类为三个主要领域：外科机能病理学、细胞学和尸体解剖。外科机能病理学进行活组织检查和切除标本检查。细胞学既包括荧光屏检查程序主要部分(例如，乳房癌荧光屏检查和子宫颈细胞学程序)，又包括有症状损害的病人调查(例如，乳房肿块或头部和颈部肿块)。
电子显微镜
电子显微镜是利用高能电子辐射线束检查非常细小规模的对象用的科学仪表。有两种普通类型的电子显微镜：透射和扫描。标本断面还必须在真空中，并切得非常薄，使得它们对电子束来说是透明的。
在显微镜中使用两个主要指标：放大倍数和分辨率。放大倍数是标本显尺寸(观看时)与实际尺寸之比。电子显微镜使标本的放大倍数能够比光学显微镜高200倍。分辨率衡量两个对象之间仍能识别的最小距离。电子显微镜的分辨率大约0.002μm，比光学显微镜大100倍。
用电子显微镜检查标本可以产生有用的标本信息，诸如局部解剖、形态学、成份和结晶学信息。标本的局部解剖涉及目标的表面特征。在这些特征和所述标本的物质特性(硬度、反射率等等)之间一般有直接关系。标本的形态学是构成标本的粒子的形状和大小。标本粒子的结构一般地与物质特性(延性、强度、反应性等等)有关。成份包括元素和化合物，包括标本和它们的相对数量。标本的成份一般地指示物质特性(熔点、反应性、硬度等等)。结晶学信息涉及标本的原子排列。标本的原子排列还与它的物质特性(导电率、电气特性、强度等等)有关。
原位杂交
原位杂交(ISH)是使用DNA或RNA探针检测克隆细菌或培养真核细胞中互补的DNA序列。真核细胞是具有膜结合的结构分立的核的充分发育的亚细胞的区室的细胞。真核细胞包括除病毒/细菌和蓝绿藻以外的全部生物。有两个普通类型的ISH：基于荧光(FISH)的和基于酶的。
ISH技术使特定核酸序列能够在形态学上保留的染色体、细胞或组织段中被检测出来。与免疫细胞化学结合，原位杂交可以使显微镜拓扑信息与DNA、mRNA和蛋白质级别上基因的活性相关。另外，用稳定的非放射性标记制备核酸探针，可以去除妨碍ISH一般应用的主要障碍。另外，它可以为在一个试验中结合不同的标记打开新的机会。有许多灵敏的抗体检测系统对这样的探针是可用的，这进一步提高所述方法的灵活性。
几种不同的基于荧光的或基于酶的系统用于检测标记核酸探测器。这样的选项为研究者提供优化试验系统的灵活性，以便达到最高灵敏度、避免潜在的问题，诸如内源生物素或酶活性或在单一的试验中引入多个标记。当既选择最优探测标记又选择随后的检测系统时，要考虑象组织固定术、内源生物素或酶活性、所需灵敏度和记录的永久性等这样的全部因素。
组合
上述方法全部或部分地进行任何组合都可以用来最优地诊断病人的疾病，或更一般地说，诊断身体状态或一种状态的危险性或倾向。
药物动力学数据资源
治疗药物监测
治疗药物监测(TDM)是测量药物的血清水平并协调所述血清水平与血清治疗范围。在药物已经表明有效，而在最大多数人们没有毒性效果的情况的地方，血清治疗范围是浓度范围。推荐的治疗范围一般可以在商业的和理论的药物文献中找到。
必须在有效地阐明结果的剂量之后经过适当的时间获得用于TDM的标本，以避免差错。根据药物的稳态浓度来建立治疗范围，所述稳态浓度一般在口服剂量开始之后约五个半衰期达到。在某些情况下，制定峰和谷浓度可能是有用的。峰浓度是在最大药物吸收时刻达到的。谷浓度是在刚好下一个剂量以前达到的。用于TDM的标本类型也是重要的。对于大多数药物，针对血清浓度来报告治疗范围。可以证明某些TDM测试方法用于血清和血浆两者。制造商一般指明哪些标本是可以接受的。
一些药物可以经受TDM。例如，要求治疗监测的普通抗惊厥药物包括苯妥英、卡马西平、丙戊酸、普里米酮和苯巴比妥。抗惊厥剂药物一般通过免疫测定测量。免疫测定一般不受干扰，并要求非常小的标本体积。
作为另一个示例，作用于心脏的药物地高辛是用于治疗监测的候选者。不同的口服地高辛制剂的生物药效率是强烈地可变的。地高辛药物动力学遵循双室模型，以肾为主要排除途径。一般要监测有肾脏疾病或肾脏功能改变的病人，因为它们的排除半衰期会改变。
地高辛的治疗范围基于在肾脏功能正常的病人体内最后剂量之后一段预定的时间诸如八小时后获得的血液标本。特定的时段还可以被指定为抽取所述标本以前确定稳态浓度的基础。通常以成套的方式获得的免疫测定表明关于所述测试的明显的干扰或交叉反应。
作为另一个示例，茶碱是一种高度可变的个体间(inter-individual)药物动力学的支气管扩张药。达到稳态浓度之后监测血清浓度，以保证最大治疗效果并避免毒性。一般测量谷浓度，免疫测定是监测所述药物最普通的方法。类似地，对于用来处理双极抑郁机能紊乱的锂化合物，通过离子选择性电极技术测量血清锂浓度。离子选择性电极具有一个膜，它允许所关心的离子通过，但不让其他离子通过。pH计是离子选择性电极的示例，它响应氢离子浓度。锂电极响应锂浓度，但不响应其他小的阴离子，诸如钾。
作为再另一个示例，三环抗抑郁药物包括：丙咪嗪，其药理学活性代谢物去甲丙咪嗪；阿密曲替林及其代谢物去甲替林以及多塞平及其代谢物去多塞平。父代药物及其代谢物都作为药物可用。这些药物首先用来治疗双极抑郁机能紊乱。丙咪嗪还可以用来治疗儿童遗尿以及盐酸哌醋甲酯难以控制的严重注意缺陷障碍，就是说，。潜在的心脏毒素是监视这些药物浓度的主要理由。免疫测定方法对测量丙咪嗪和其他三环是有效的，但一般推荐高性能液体色谱法(HPLC)方法。当测量具有药理学活性代谢物的三环抗抑郁剂时，一般测量父代药物和代谢物。
受体表征和测量
受体表征传统上利用几种方法之一来执行。这些方法既完全包括又部分包括直接放射性配体结合测定、放射性受体测定以及主动肌和对抗肌相互作用。放射性配体是一种可以与受体、转运蛋白、酶或任何所关心的蛋白质结合的放射性标记药物。结合速率和范围的测量提供结合视野数目及其亲和性和药理学的特性
三个一般使用的试验方案包括饱和结合试验、动力学试验和竞争结合试验。饱和结合方案测量在放射性配体不同的浓度存在的情况下结合的延伸。可以根据对结合和配体浓度之间关系的分析确定参数，包括结合位点数目、结合亲和性等等。在动力学方案中、允许饱和和竞争试验保温，直至结合达到平衡为止。动力学方案测量结合和离解的时间过程，以确定放射性配体结合和离解的速率常数。这些值一起，还允许计算KD。竞争结合方案，测量在未标记竞争者的不同浓度下放射性配体单一浓度的结合。这样的方案允许测量受体对于竞争者的亲和性。
由于费用和技术困难，放射性配体直接结合测量往往用竞争结合测量代替。后一种技术还允许药物的放射性标记，以促进对它们的受体特性的理解。根据组合化学，用于药物设计和研制的技术往往使用放射性受体测量。放射性受体测量技术基于这样一个事实：在不需要平衡透析的情况下，只要配体-受体复合物可以从游离配体分离，便可以测量对大分子靶具有高亲和性的配体的结合。通过用适当的放射性物质标记所述配体，所述配体-受体结合便可以被测量。这样的测量既迅速，灵敏度又高。拮抗作用是抑制或避免主动肌感应受体响应的过程。产生这样的影响的因子称作对抗肌。选择性对抗肌的可用性为竞争结合方案提供重要的元素。
杂项资源
体检
全面的体检为保健专家提供获得病人基线信息以供后用的机会。一般在临床设施上进行的体检提供采集病史信息的机会，并提供诊断和保健实践的信息。体检可以是完全的，就是说，涵盖身体许多部分或实际上全部，或者可以针对病人经历的症状。
在典型体检中，检查者观察病人的外观、一般健康状态、行为、并进行某些关键的测量。所述测量一般包括身高、体重、生命征兆(例如，脉搏、呼吸次数、体温和血压)。然后一般在病人文件的纸上记录所述信息。按照本技术一些方面，许多信息可能是数字化的，用于包括作为用于编制综合知识库的资源，并用于提供病人改善的治疗。下面将更详细地讨论示范性病人数据采集技术及其与知识库及其他资源的联系。
在全面的体检中，一般，诸如坐着检查病人身体不同的系统。这些包括发现任何可见损害的尺寸和形状的外露皮肤区域。然后检查头部，包括头发、头皮、头骨和面部区域。观察眼睛，包括通过眼底镜观察外部结构和内部结构。类似地检查耳，包括通过耳镜检查外部结构和内部结构。检查鼻子和鼻窦，包括用鼻镜检查鼻子外部结构和鼻粘膜和内部结构。类似地，检查口腔和咽部，包括嘴唇、齿龈、牙齿、上颚、舌和咽喉。随后，检查颈部和背部，包括淋巴结、颈部两侧和甲状腺。对于背部，一般地触诊和检查背部的脊柱和肌肉，看有无痛感，在左侧和右侧触诊上背部。还研究和记录病人的呼吸。然后检查胸部和腋窝，包括在臂部放松和举起的情况下检查妇女乳房，看有无损害的征兆。对于男人和妇女，都检查腋窝的淋巴结，以及手、臂、肩、颈和颚的关节运动。
随后，一般地让病人躺下，触诊和检查乳房，看有无肿块。利用触诊和敲击检查胸部和肺部的前端，再次记录内呼吸声音。然后，用听诊器检查心脏速率和节律，观察和触诊颈部血管。
还检查下体，包括腹部的轻度和深度触诊，以检查内部器官，包括肝、脾、肾和主动脉。可以通过数字检查检查直肠和肛门，可以触诊前列腺。检查生殖系统的器官，并检查所述区，看有无疝气。在男人身上，触诊阴囊，而在女人身上，骨盆检查一般利用窥器和Pap测试进行。检查腿部，看膝部有无肿胀和脉搏，检查大腿和足部。触诊腹股沟区域，看有无淋巴结存在，还观察关节和肌肉。还检查肌肉骨胳系统，诸如脊柱是否成直线，腿和足是否对齐。还观察血管，看有无脉管异常变粗，这一般出现在腿部。
典型的体检还包括评价病人的警觉性和心理能力。还可以通过神经病学荧光屏检查来检查神经系统，诸如通过让病人进行简单的体操，诸如步行或跳跃，并测试膝和足的反射。还可以记录某些反射功能，诸如眼睛、面部、颚的肌肉等等，很可能是一般肌肉紧张和协调。
病史
一般在病人进入医疗设施时用问卷收集病史信息。如下面指出的，和按照本技术一些方面，可以在病人就诊之前使这样的信息数字化，并采集后续信息，就诊之前或在病人就诊过程中。所述信息一般可以包括与保险公司(insurance carrier)有关的数据，给所述病人看过病或治疗过的主要和当前的医生的姓名、地址和电话号码，包括最初治疗的内科医生、专家等等。一般所关心的是目前的医疗状态，包括病人所经历的症状和疾病状态或事件。特别感兴趣的是诸如糖尿病、高血压、慢性或急性疾病等等状态。还记录当前药物治疗，包括药名、剂量、服用时间、开方的内科医生姓名、副作用等等。最后，记录病人已知的当前应变性，包括对自然的和人造的物质的应变性。
病史信息还包括过去的病史、甚至延伸到病人儿童期的医疗信息、免疫记录、妊娠、明显的短期疾病、较长期的状态等等。
类似地，记录病人家族历史，以便提供一般对医疗状态和事件的潜在的前期处理征兆。还记录住院，包括住院过程和急救室就诊、以及大、小外科手术，和与麻醉和特定侵入性程序有关的信息。
病史数据还可以包括其他内科医生和来源，诸如重大的或目前的血液测试，它为病人所经历的状态提供一般背景材料。还可以寻找类似的信息，诸如用基于胶片的图像的形式，以便提供所述类型的背景材料信息。
病人提供的信息还可以包括某些与一般社会历史和病人的生活方式有关的信息。这些可以包括习惯，诸如酒精或烟草使用量、饮食、运动和体育和爱好等等。可以关心工作历史，包括当前或目前的雇用或职业中的任务，具体地说与危险、有风险的和压力大的任务有关的信息。
精神病、心理病史和行为测试
病人的精神病史可能是所关心的，特别是在能治疗或可识别的精神病状况的症状或素因可能有意义的情况下。具体地说，精神病学家可以提供药疗法以控制各种各样的精神病症状。大多数精神病学家还向病人以及在需要时向配偶、人群和家族提供精神疗法和咨询服务。另外，精神病学家可以给予电惊厥休克疗法(ECT)。精神病学家比心理学家更有可能治疗严重心理失常的个人，在临床设施中以住院病人为基础对病人进行工作。可以非常广泛地寻找精神病史，诸如在门诊之前或在门诊期间问卷，或者可通过更广泛的提问或测试来确定。
心理病史，严格地与精神病史相反，可能取决于寻求治疗的病人的特殊兴趣。具体地说，心理学家提供的服务通常取决于他们的训练，其中某些心理学家向个人、人群、配偶和家族提供精神疗法及咨询。心理学家通常还在心理测试的给予、判分和解释中受过训练。这样的测试可以评估各种各样的心理因素，包括智力、人格特质(例如，通过诸如Keirsey气质分类器、Meyers-Briggs类型指示器之类的测试)、关系因素、大脑功能紊乱和心理病理学。神经心理学家也可以对大脑受损病人进行认知再训练。
行为测试有点类似于心理测试，并可以识别认知行为紊乱或简单行为模式。可以结合精神病或心理评估提供这样的测试，以便确定导致病人的某些被观察到的行为的精神病学、心理上或生理上的根源。需要时，治疗可以包括咨询或给药。
人口统计数据
从病人收集的某些数据可用来把病人与具有已知特征的特定人群或人口相联系。人口的统计研究一般包括这样的人口统计数据，特别是关于大小和密度、分布、以及特定特征的人口的生命统计。在通常可记录的人口统计变量当中，有性别、年龄、人种、种族划分、宗教隶属关系、婚姻状况、家庭大小、本族语言、国籍、职业、预期寿命、出生率、死亡率、教育程度、收入、人口、水源和环境卫生、住房、识字、失业、疾病发病率和健康风险因素。正如下面指出的，按照本技术的一些方面，通过本技术，至少根据这样的人口统计数据，可以提供病人特定的或适应病人的反馈或咨询，包括在自动化基础上。
用药
与药物使用有关的信息，类似于在检查过程中收集的一般信息，通常特别受关注。这样的信息可以包括合法和非法药物的使用、处方药物、直接出售药物等等。而且，在这样的分类下，甚至可以记录一般不被病人视为药物的特定物质，包括维生素、饮食补充、酒精、烟草等等。
进食
除了一般从病人收集的关于饮食和药物的信息外，特定的进食信息可能受关注，这取决于病人状态。这样的信息可用来针对该病人的特定状态或一般健康提供特定的营养咨询。进食信息一般还包括关于病人的身体活动、种族或文化背景、家庭生活和饮食模式的信息。还可以记录和与病人讨论关于食欲以及对食品和食用的态度的特定信息。针对病人所经历的已知和未知的症状，特定的过敏症、不耐性和食品回避特别受关注。类似地，在就进食或类似问题为客户提建议时，牙齿和口腔健康、胃肠问题和慢性病问题可能受关注。进食信息还可以针对病人已知的特定药物或察觉的饮食或营养问题。还特别关注的是与所经历的以前的和最近的明显体重改变有关的项目。
可以根据所收集的或从病人检测到的信息进行与进食有关的某些评估。这样的评估可以包括人体测量数据、生物化学评估、人体质量指标数据和热量需求。类似地，从病人人体测量数据可以计算理想的体重和一般的体重信息，用于进一步咨询和诊断目的。
环境因素
在评估病人状态和某些状态的素因时，各种环境因素特别受关注。类似于人口统计信息，环境因素可以在评估细微得多且难以识别的潜在状态时有帮助。典型的环境因素可以包括，相当一般地说，生活事件、锻炼等等。另外，可以记录关于特定病人或病人生活状态的信息，包括空气污染、臭氧消耗、杀虫剂、气候、电磁辐射水平、紫外线辐照、化学辐照、石棉、铅、氡或其他特定辐照等等。这样的信息可以与人口信息或已知的相关数据相联系，诸如与氟化物关联的牙和骨的问题、与易挥发有机物(例如苯、四氯化碳等)关联的潜在癌联系、与细菌和病毒(例如大肠杆菌、肠兰伯式鞭毛虫等)关联的肠胃疾病和其它问题、以及与无机物(例如石棉、汞、硝酸盐等)相关的癌症、肝损伤、肾损伤和神经系统损伤的持续时间。
宏观病理学
宏观病理学一般涉及关于主要人体系统的结构和功能的信息。这类系统包括骨胳系统、内分泌系统、生殖系统、神经系统、肌肉系统、泌尿系统、消化系统和呼吸系统。这样的宏观病理学信息可以在特定查询或检查中收集，或者可以结合其他一般查询，诸如上述体检或病史数据收集过程来收集。另外，大体解剖信息的某些方面可以从参考文献、尸体解剖、诸如“可见人类计划”的拟人数据库等等收集。
来自非生物模型的信息
来自非生物模型的信息也可以在评定和诊断病人状况时特别受到关注。此信息在病人护理的全面管理中也特别受到关注。包含在资源的这个一般类别中的信息包括健康保险信息和保健财务信息。此外，对于医疗机构，大量信息是必要的，以便及时提供足够的病人护理，其中包括对管理、工作流程以及人力资源的仔细控制。在为病人提供生活安排的机构中，数据必须还包括诸如饮食服务、医院财务信息以及病人财务信息之类的项目。可通过机构在一般病人记录中积累大量的病人特定的信息。
协助总体管理的机构的其它特定信息可包括关于此机构自己或者与其它关联机构结合的业务相关方面的信息。这种信息可包括表明医院地理位置、诊所的类型、诊所的大小、诊所的专科或科室或内科医生等等的数据。病人教育资料在此组中也可能特别受到关注，而且病人教育资料可能特别适合个别病人，下面更详细地进行描述。最后，有关与内科医生的关系的信息、包括内科医生治疗安排和内科医生需要和喜好，在这个资源类别中也可能特别受到关注。
处理和分析
由数据处理系统10进行的上面描述的处理和分析功能可以采取许多形式，取决于处理所依据的数据、要求的分析类型和数据输出的目的。但是，具体地说，处理和分析最好结合综合知识库12对来自不同资源的范围很宽的数据进行。在资源的各种形态和类型当中，可以设想几种情景用以完成该处理和分析。这些包括根据单形态医疗系统或资源、单类型多形态组合和多类型多形态配置进行的分析。另外，正如上面指出的，不同的计算机辅助处理、采集和分析模块可用于一种或多种形态和类型情景。以下是对于现有系统收集和贮存的数据的使用，基于形态、基于类型、基于计算机辅助处理的方法的某些示例性实现的描述。
形态和类型
在单形态医疗系统中，临床医生起动一连串病人数据事件。事件被分解为各种模块，诸如采集模块、处理模块、分析模块、报告模块和存档模块，正如上面讨论的。在传统方法中，报告返回给涉及的临床医生。
在本技术中，计算机处理可被引入来执行几种数据操作任务。一般，在本讨论中，用以完成这类操作的算法称作数据操作算法或CAX算法。尽管关于当前考虑的CAX算法及其交互和集成还有更多的要说，但是此刻，将一般地涉及某些这样的算法，包括计算机辅助采集算法(CAA)、计算机辅助处理算法(CAP)、计算机辅助检测算法(CAD)。所实现的软件还用来管理整个工作流程，优化目前或以前来自同一模块的知识的每一阶段的参数，和/或目前和以前来自其他模块的数据。另外，如图1所示，利用新的数据建立/更新知识库12，并且后者必不可少地驱动不同的计算机辅助模块。这样，知识库12的建立和更新与计算机辅助方法链接，以实现单形态单元。包括CAA、CAP、CAD模块86、88、90的CAX模块(见例如图5)以及知识库12的细节下面详细描述。另外，应该指出，这些模块中的每一个可专用于给定的临床问题。这样，若同一临床问题需要例如多个采集，或者在不同时刻的多个处理和多个分析，可以将这些技术广义化以适应数据的时间方面。
在当前环境中，单类型多形态医疗系统可由图8的任何列构成。在图7中，说明具有时间属性的单类型多形态系统的图解表示，考虑在N个不同时间点的M个形态。当然，单形态的所有属性也适用于多形态环境中的任何形态，而该示意图只是强调多个形态之间的交互。在图6和图7中，各个类型内的交互也是明显的，例如优化数据的采集、处理和分析。在此环境中还考虑了医疗事件的时间方面，诸如根据数据的时间属性来修改采集、处理和分析模块。如以下所述，逻辑机24(例如参见图5)，或者更一般地说，处理系统10可使用规则以利用知识库12优化形态之间数据的采集、处理和分析。
多类型多形态医疗系统基本上可以涵盖整个可用资源范围，包括图8中概述的类型和形态。在图6中，说明具有时间属性的多类型多形态系统的图解表示，考虑不同的时间点。如前面所述，单类型多形态系统的所有属性适用于任何类型，以及示意图强调多个类型与多个形态之间的交互。在多类型多形态环境中，不同类型的形态之间的交互可用来优化数据的采集、处理和分析。在这里，来自多个类型的医疗事件的时间方面同样可被考虑并用于根据数据的时间属性来修改采集、处理和分析模块。逻辑机24、或者同样更一般地说、处理系统10可以使用规则以利用知识库优化形态之间数据的采集、处理和分析。系统10采用来自工具或模块、如CAX模块或者如图所示的某些特定的这类模块CAA、CAP、CAD模块86、88、90以及来自知识库12的数据，然后建立关系，此关系则可以作为知识库12的一部分。
虽然任何适合的处理算法和程序可用来获得本技术的综合知识库方法的益处，但可为此目的进行可用程序类型的某些修改和综合。如上所述，用于分析医疗相关数据的示范计算机辅助数据操作算法和模块包括计算机辅助诊断模块、计算机辅助采集模块以及计算机辅助处理模块。本技术依靠所提供的高水平的综合，极大地增强了开发、细化和实现这类算法的能力。下面根据本技术的各方面提供关于算法的性质和操作以及它们的交互和接口的更详细情况。
综合知识库
如上所述，本技术中采用的综合知识库可以是高水平综合的资源，包括经由任何所需网络链路相互链接的一个或多个位置上的一个或多个存储装置。综合知识库还可包括客户机组件上的存储装置，例如资源本身，在某些成像系统中通常是这种情况。在有限的实现中，综合知识库可结合极少的这类资源。在较大的实现中，或者当实现随时间扩展时，可提供数据与资源之间的进一步综合和相关。如本讨论整篇中指出的，任何和全部资源不仅可用作数据的使用者，而且可在需要时提供数据。
当前考虑的综合知识库可包括原始数据以及半处理数据、处理过的数据、报告、表格数据、标记数据等等。在最小实现中，综合知识库可包括原始数据子集或原始数据基础。但是，在更优选的实现中，综合知识库是这类原始数据库的超集，并且还包括已过滤、处理或简化维度的数据、例如与临床事件的规则相关的专家意见信息、例如基于症状或其它输入以及疾病或治疗考虑或其它输出、关系、互连、趋势的预测模型等等。正如现在的整个讨论中还要指出的，综合知识库的内容可被确认和检验，以及在提供或利用知识库中存在的知识的各种存储装置之间被同步。
一般来说，当前考虑的综合知识库使基于证据的医学能够无缝地结合到医学和整个保健企业的一般惯例中。也就是说，综合知识库用来扩充临床医生或用户以及相关临床和非临床团体以脑力保持的领域知识和经验的财富，它们提供数据和利用所实现的各种算法程序中的数据。女如现在的整个讨论中所述，综合知识库在性质上可以是分布的和联合的，以便适应原始数据库、数据资源和可控及可指定资源。
用于知识库创建的当前做法是收集特定临床事件的代表数据，建立领域专家团来审阅数据，利用专家把数据分类为不同的有效组，以及采用某种参考标准技术确定专家结论。例如，为了从放射照相图像来创建肺结核判定的图像知识库，专家团可根据结核的细微区别的程度对图像分组，并采用活组织检查来确证放射性结论。在本技术中，这类方法可用作临床关联性的给定数据的第一基本步骤。但是，分类过程则可根据领域专家和附属方法所提供的属性被自动化。在一个实施例中，任何临床数据可被自动分类及索引，使得它可根据请求被检索，用于各种预期目的。
逻辑机
逻辑机主要包含协调系统所执行的各种功能的规则。这种协调包括访问和存储知识库中的数据，以及执行各种计算机辅助数据操作算法，例如用于特征检测、诊断、采集、处理和判定支持。逻辑机可以是基于规则的，并可包括监督学习或无监督学习系统。举例来说，逻辑机所执行的功能可包括数据业务量控制、处理的发起、到资源的链接、连通性、处理的协调(例如定序)、以及诸如访问控制、组件的“交接处理”、接口定义之类的某些活动的协调。
时间处理模块
按照本技术的一个方面，仅包括对单形态数据执行时间变化分析。通过并排显示时间变化数据和当前数据，或者通过把时间结果熔合到当前数据上以突出显示时间变化，结果可被提供给用户。另一种方法是使用至少一个形态的数据以及来自另一个形态的它的时间对等体，执行时间变化分析。又一种方法将包括对多类型数据执行时间分析，以全面表征正讨论的医疗状况。
时间处理一般可以包括以下一般模块：采集/存储模块、分割模块、对齐模块、比较模块和报告模块。
采集/存储模块包含采集的医疗数据。对于时间变化分析，提供装置以从与较早时间点对应的存储器中访问数据。为了简化随后的讨论中的符号，我们只描述两个时间点t1和t2，尽管这个一般方法可以扩展，用于采集和时间序列中的任何类型的医疗数据。分割模块提供自动或手动装置，用以隔离所关心的特征、体积、区域、线条和/或点。在实际感兴趣的许多情况下，整个数据可以是分割模块的输出。对齐模块为不同的医疗数据提供对齐的方法。几个示例可以协助举例说明这一点。
在单形态医疗图像的情况下，如果用于时间变化分析的受关注区域很小，则包括平移、旋转、放大和剪切在内的刚体对齐变换可能足以对齐来自t1和t2的一对图像。但是，如果受关注区域很大，例如几乎包括整体图像，则可应用弯曲弹性变换。实现弯曲对齐的一种方式是使用多标度多区域金字塔逼近法。在这种方法中，不同的费用函数突出变化可在每个标度上经过优化。在给定标度下对图像重新抽样，然后再分为多个区域。在不同区域计算分开的移位向量。移位向量被内插而产生平滑移位变换，它被应用以扭曲图像。图像被重新抽样，在下一个更高标度重复弯曲对齐过程，直至达到预定的最后标度。
在多形态医疗图像的情况下，使相互信息最大化可执行刚性和弯曲对齐。在特定的医疗数据中，可能根本不需要进行任何空间对齐。在这类情况下，数据将为单一标度值或向量。
比较模块为不同的医疗数据提供比较方法。例如，已对齐图像比较可通过若干方法来执行。一种方法包括两个图像相减以产生差图像。或者，两个图像S(t1)和S(t2)可采用增强除法来比较，该方法描述为[S(t1)*S(t2)]/[S(t2)*S(t2)+Φ]，式中标量常数Φ＞0。在单一标量值的情况下，医疗事件的时间趋势可以与正常和异常情况的已知趋势相比。
报告模块为用户提供显示和量化能力，使时间比较的结果可视化或量化。在实践中，将采用所有可用数据进行分析。在医疗图像的情况下，可以采用若干不同的可视化方法。时间比较的结果可根据某种预定标准利用逻辑算子被同时显示或相互重叠。为了定量比较，可以使用色彩查找表。所得的数据也可以与自动模式识别技术结合，以执行结果的进一步定性和/或手动/自动定量分析。
人工神经网络
人工神经网络的大体示意图示于图15，并由标号202表示。人工神经网络由多个单元以及它们之间的连接构成，可以通过硬件和/或软件来实现。神经网络的单元按照其功能，一般可分类为不同组(层)的三种类型，如图15所示。第一层，输入层204，指定用来接受表示输入模式的数据集，第二层，输出层208，指定用来提供表示输出模式的数据集，以及任意数量的中间层，隐藏层206，把输入模式转换为输出模式。由于各层中的单元数量是任意确定的，因此输入层和输出层包括足够数量的单元以分别表示待解决问题的输入模式和输出模式。神经网络已被用来实现学习区别事件的对象或类的计算方法。首先通过呈现有关事件的对象或类的已知数据来训练网络，然后将其用来区分事件的未知对象或类。
简言之，神经网络202的原理可以按以下方式说明。把归一化输入数据210提供给神经网络的输入单元，该数据可以用其范围是从0到1的数字表达。接着，通过隐藏层和输出层208，210中两个相继的非线性计算(在一个隐藏层206的情况下)从输出单元提供输出数据212。在该层中除输入单元以外的每个单元中的计算可包括对所有输入数字进行加权求和，加上某些偏移项，以及通常利用S型函数转换为其范围是从0到1的数字。具体地说，正如图16以图示方式表示的，被标记为O1到On的单元214代表输入单元或隐藏单元，W1直至Wn代表从这些输入或隐藏单元赋予每个相应输出的加权因子216，而T代表乘以各自加权因子后的输出之和。利用给定的S形函数220计算输出218或0，式中θ代表T的偏移值。下式给出一个示例S形函数：1/[1+exp(-T+θ)]。加权因子和偏移值是神经网络202的内部参数，它是针对一组给定的输入和输出数据确定的。
两个不同的基本过程涉及神经网络202，就是说，一个训练过程和一个测试过程。通过向后传播算法利用几对训练输入数据和预期输出数据来训练神经网络。调整神经网络的内部参数，使神经网络的实际输出和预期输出之间的差减到最小。通过在随机序列中对同一组输入和输出数据迭代进行此程序，神经网络学习训练输入数据和预期输出数据之间的关系。一旦受过充分训练，神经网络便可以按照它的学习经历区分不同的输入数据。
专家系统
人工智能(AI)领域的研究结果之一是开发出能够在较高抽象层次上对信息进行建模的技术。这些技术用一些使程序能够构建得在它们的实现中非常类似人类逻辑的语言或工具来实施，因此较容易开发和维护。这些程序在明确定义的问题领域中仿真人类专业知识，一般地称为专家系统。
专家系统运用知识来解决问题的组件称为推理机。在推理机中一般可以识别出四个基本控制组件，就是说，匹配(把当前规则与给定的模式比较)、选择(选择最适当的规则)、实现(最佳规则的实现)和执行(执行所得动作)。
为了构建一个解决给定领域中的问题的专家系统，知识工程师，即在AI语言和表示方面的专家，通过阅读领域相关文献开始，以便熟悉问题和术语。然后，以此为基础，知识工程师广泛与一个或多个领域专家面谈，“采集”他们的知识。最后，知识工程师组织这些面谈的结果，并将其转换为计算机可以使用的软件。在任何这些阶段中，面谈通常要花最多的时间和精力。
基于规则的编程是开发专家系统最常用的技术之一。其他技术包括模糊专家系统，它们采用模糊隶属函数和规则的集合而不是布尔逻辑来推理数据之间的关系。在基于规则的编程范例中，规则用来表示试探法或“经验法则”，它们指定要对给定情况执行的一组动作。规则一般由“if”部分和“then”部分组成。规则的“if”部分是一系列模式，它们指定使规则适用的事实(或数据)。匹配事实与模式的过程一般称作模式匹配。专家系统工具提供推理机，它自动针对模式来匹配事实，并选择最适当的规则。规则的“if”部分实际上可被看作规则的“每当”部分，因为模式匹配每当对事实进行改变时出现。规则的“then”部分是当规则适用时实现的动作集。适用规则的动作在推理机被指示开始执行时被执行。推理机选择规则，然后所选规则的动作被执行(它可通过添加或删除事实来影响适用规则的列表)。推理机则选择另一条规则并执行其动作。这个过程继续进行，直到没有剩余适用规则。
处理功能和字符串的发起
本文所用的术语“处理字符串”是用来广泛地涉及为了在综合知识库内或者从综合知识库内的数据采集、分析、操纵、增强、产生或以其他方式修改或推导数据而执行的基于计算机的活动。处理可包括但不限于对病人特定临床数据的分析。处理字符串可作用于这类数据或者作用于完全非临床的数据，但是一般会作用于这两者。这样，处理字符串可以包括用于采集数据的活动(既用于引发采集又结束采集，又用于设置采集设定和协议或者要求或希望采集的通知)。
用户引发的处理字符串例如可包括启动计算机辅助检测例程，用来识别心脏CT数据内可能可见的钙化。另外，在该处理字符串进行时，根据请求的例程和从其他资源可获得的数据，该系统可以自动发起一个处理字符串，该处理字符串从综合知识库中取出胆固醇测试结果，以便分析所请求的数据分析和胆固醇测试结果之间的可能关系。相反，当请求或发起胆固醇测试结果的分析时，该系统可以检测进行成像的效用，这有助于评估或诊断有关状态，并通知用户(或不同的用户)需要或希望安排图像的采集，图像的采集会形成补充评估的基础。
还应指出，可能引发处理字符串的用户可包括范围很宽的、对原始和处理过的数据有着不同需要和用途的人。这些人可以包括例如请求图像内的数据和从图像推导的数据的放射学家、请求涉及或支持保险索赔的信息的保险业者、需要病史信息的护士、访问处方数据的药剂师、等等。用户还可以包括访问诊断信息或他们自己的记录的病人自己。根据数据状态改变的引发可以依赖实际数据本身，但是也可以依赖数据往返于新工作站的运动、数据的上载或下载等等。最后，系统引发的处理字符串可以依赖简单定时(如按周期性间隔)，或者可以依赖诸如参数或资源的相对水平之类的因素。系统引发的处理字符串还可以在新协议或例程变得可用时启动，以便搜索所有现有数据以确定是否有新的可用的处理可以协助识别一种之前未识别的状态。
正如上面指出的，数据处理系统10、综合知识库12和联合数据库14全都可以彼此通信，以提供来自不同可用资源的各种类型的数据的访问、转换、分析和处理。图17再次说明本技术的这个特征，强调为用户提供的接口8，诸如临床医生和内科医生。接口8在允许访问该系统的包括数据处理系统、综合知识库和联合数据库在内的各种资源的同时，一般会考虑到各式各样的接口类型和系统。具体地说，如图17中标号222以图示方式标示的，包括接口8的“非联合”接口层可包括单一机构中的一定范围的全异的和不同的接口组件，或者在宽范围的地理上彼此分布较广的不同机构。另外，接口的基本操作系统不必相同，而且本技术设想，可以联合不同类型的接口，并在非联合接口层中分别配置，然而允许与数据处理系统、综合知识库和联合数据库中一个或多个通信。具体地说，在提供综合知识库和联合数据库的情况下，在该层中可以接纳不同类型的接口，诸如上面指出的，通过使用标准化协议，包括HTML、XML等等。接口层还可以允许综合知识库、数据处理系统或联合数据库的自动的或使用提示的查询。具体地说，在适当的情况下，用户可能不会察觉在工作站上实现的程序所执行的查询，诸如通过客户数据的输入或输出、索赔、数据采集序列的指定、给药等等的管理。
该接口层以及其中和数据处理系统中包括的编程可以允许各种各样的处理功能基于一定范围的触发事件而执行。这些事件或许是结合使用请求而引发并执行的，或者可以以各种其他方式引发。图18以图示方式说明可以这样的方式完成的某些引发和处理功能。
如图18所示，不同的引发源224可以考虑用以引发对来自这些资源和上述知识库的数据的数据采集、处理和分析。正如整体用图18中的标号226标示的，引发源224按照例程开始处理，这些例程贮存在数据处理系统、综合知识库和联合数据库中的一个或多个中，或者此外还在包括可控可指定资源和数据资源的这些资源内。如上面指出的，特定处理可以被贮存，而单一计算机系统包括在数据处理系统中，或者分散在相互合作以执行数据处理和分析的各种计算机系统中。正如图18中整体用标号228标示的，该处理被引发之后，可执行处理字符串。这些处理字符串可包括各种各样的功能的处理和分析，这些功能通常设计成向护理者提供对病人护理的增进了解，以便处理病人护理所需要的数据，包括临床的和非临床的数据，以便增强提供护理的机构的功能，检测病人数据内的趁势或关系，以及执行关系的一般发现和提取以备将来使用。
本技术设想一定范围的引发源224可以按照系统执行的例程开始处理和分析功能。具体地说，图18举例说明这样的引发源，包括用户引发源230、事件或病人引发源232、数据状态改变源234和系统或自动引发源236。在诸如临床医生、内科医生、保险公司、诊所或医院职员、管理或工作人员用户之类的用户发起一个要利用综合知识库或上述各种综合资源的请求的情况下，一个处理字符串可以开始，不是利用已经贮存在综合知识库内的信息，就是利用通过在一个或多个不同资源内定位、访问和处理数据可访问的信息。在一个典型设置中，用户可以在其中执行查询或其他功能的工作站上引发这样的处理。正如上面指出的，该查询对该用户可以是明显的，或者可以是工作站上执行的功能中固有的。
正如图18中标号232所标示的，另一种设想的引发源是事件或者病人。许多医疗交互作用一般会以触发与医疗机构或从业者联络的特定症状或医疗事件开始。正如下面还将更充分地描述的，当病人登记这样的事件或者临床医生与病人接触时，一个处理字符串可以开始，它将包括一定范围的交互步骤，诸如访问病人记录、更新病人记录、采集与症状有关的细节等等。事件到病人引发的处理字符串，虽然在本环境中用来执行迄今为止无法获得和高度综合的处理，但是一般可类似于驱动当前医疗服务提供的事件类型。
数据处理系统10一般可以监视很宽范围的数据参数，包括该数据的真实状态(静止或正在改变)以检测新数据何时变得可用。新数据可以通过更新病人记录、访问新信息、向各种可控和可指定资源和数据资源上载或从其中下载数据等等来获得。在需要之处，由数据处理系统执行的程序可以根据数据状态的这类变化引发处理。举例来说，在检测到病人记录已经由于最近病人接触而更新或者临床或非临床数据可用时，该处理字符串可确定随后的动作、通知、报告或者检验是否适宜。类似地，正如图18中标号236所标示的，由数据处理系统执行的程序可自动引发某些处理。这样的系统引发的处理可以在例行基础上执行、例如预定的时间间隔，或者在诸如存货水平、最近可用的数据或者数据之间关系的识别之类的各种系统参数的触发下执行。
本技术的高度综合的方法的一个特别强大的方面在于这样一个事实，即不管处理的引发源如何，都可能导致各种处理字符串。正如图18中一般地概述的，例如，处理字符串228虽然一般地对准附图中不同的引发源，但是可从其他引发源和执行的程序得出。例如，用户或环境字符串238可以包括精确地响应用户引发的处理事件或者结合用户访问系统时所处的特定环境而访问和返回处理信息的处理。但是，这样的处理字符串还可以从事件或病人引发的处理、数据状态改变和系统引发的处理得出。另外，应该指出，几种类型的特定字符串可以在不同的类别中得出。例如，正如标号240所标示的，用户或者环境字符串238可以包括特定的基于查询的处理，设计用来识别和返回响应用户提出的特定查询的数据。作为备选方案，可以得出基于用户或者环境的字符串242，其中所访问和返回的数据是用户特定或者环境特定的。这样的处理字符串的示例可以包括为诸如特定类型的临床医生或内科医生、财务机构和保险公司的特定用户所关心的分析进行的数据访问和处理。
作为可以从引发源处理得出的各种处理字符串的另一个示例，事件字符串244可以包括对病人所经历的医疗事件特定的、或者对过去所经历或将来可能的事件特定的处理。这样，事件字符串244可以从用户引发、事件或病人引发、数据状态改变引发或者系统引发中得出。在一个典型环境中，事件字符串可以简单地按照病人所经历的医疗事件或症状的过程来访问信息、处理该信息和根据该处理提供建议或诊断。正如上面指出的，该建议可以包括附加处理或者分析的执行，附加信息的采集，自动地且手工协助地进行，等等。
一般的检测字符串246也可以被各种引发源引发。在目前的环境下，一般的检测字符串246可包括设计用来识别相关数据或者不是由用户、事件、病人、数据状态改变或由系统特别请求的关系的处理。这样的一般检测字符串可以按照数据处理系统或综合知识库识别的关系使新数据相关。这样，即使在病人或者用户没有特别请求检测关系或潜在相关性的情况下，数据处理系统10执行的程序仍然可执行比较和分组，以便识别在一般检测字符串下的风险、潜在治疗、财务管理选项等等。
最后，图18中作为系统字符串248命名的处理字符串可以甚至更具一般性。系统字符串可以是以发现从各种资源可获得的数据之间的关系为目标而执行的处理。这些新关系可以指明诊断或治疗病人的新方式，诸如基于可识别的趁势或相关性、成功或失效率的分析、病人治疗结果的统计分析等等。如以前示例中一样，系统字符串可以以不同的方式被引发，包括在系统的自动引发时，但是也伴随数据状态改变，在新检测出的医疗事件的发生时，或者通过病人的引发，或者通过用户的特定要求。
计算机辅助病人数据捕获和处理
按照本技术的一个方面，通过使直接从病人的数据收集和处理与综合知识库12中贮存的数据协调，提供增强的病人数据处理。为了本目的，应该记住，综合知识库12可以被认为包括不同资源本身内的信息或者从这类原始数据的分析得到的处理过的信息。另外，在目前的环境下，综合知识库被认为包括可贮存在一个机构内以及位于单一位置或根本不同位置的各种机构内的各种位置的数据。因此，综合知识库可包括各种各样协调的数据收集和资料库位置。在图19中一般地举例说明示例性的逻辑动作类和期限以及相关的示例性动作。
参见图19，包括在综合知识库中的病人信息可以从上述形态并且更一般地说从各种资源类型的任何一个或多个类型得到。另外，正如以上也描述的，病人信息可以结合诸如不同的图形信息、专有的或者一般可访问的数据库、订阅数据库、数字化参考材料等等数据资源中其他一般可用的数据，从这种类型的数据的分析得出。但是，当与病人接触、诸如看内科医生或使用设施协调时，该信息特别有用。在图19的示意图中，总体用标号250标示的截然不同的动作类别可以在逻辑上分组，诸如病人交互、系统交互和报告或教育类型动作。这些动作类别还可被一般地视为整个系统的输入、处理和输出。另外，动作类别可被认为通过参考病人接触而发生、诸如网上就诊。在这个意义上，动作可以一般地分类为如标号252指出的就诊或接触前采取的动作、如标号254说明的在接触过程中采取的动作、以及如标号256所示的接触后的动作。
在本技术中已经发现，通过在这些不同的交互阶段收集特定病人信息，来自综合知识库的信息在提供增强的诊断、分析、病人护理和病人指导上可以是极其有用的。具体地说，为了收集和处理病人接触或网上就诊之前的数据，可以设想几个典型情景。
作为病人接触之前可收集的信息类型的一个示例，正如图19中标号258所标示的，可以执行动作的子类别。举例来说，病人就诊前，可以捕获病人接触或者医疗事件(例如，看病的理由)的记录，以便开始新的或持续的记录。这样的引发可以通过病人电话呼叫、输入网站或其他接口的信息、即时消息、聊天室消息、电子消息、通过网络摄像机输入的信息等等开始。与记录有关的数据可以是通过人的交互或者通过自动提示或者甚至通过非正式问卷进行的输入。在这样的问卷中，可以通过语音提示、文本或图形交流，提示病人输入主要病症或症状、医疗事件等。在一个示例性实施例中，例如，病人还可以响应人体的图解描绘，诸如用于人体的症状区域的选择。
在病人接触之前可以采集其他信息，诸如生物测量信息。在把数据输入病人记录以前，这样的信息可用于病人识别和/或鉴定。另外，可以通过病人输入或者通过远程监视器(若可用)获得远程生命征候诊断。在通过语音记录收集数据的地方，语言识别软件或类似的软件引擎可识别关键医疗术语，以备后来分析。另外，在需要的地方，特别是在急救情况下，可以访问居住地址或商业地址、蜂窝电话位置、计算机终端位置等等，以便识别病人的确实位置。另外，可以询问病人保险信息，由病人输入到这样的信息已知或者可用的程度。
根据病人交互258，可以在病人就诊或与其接触之前采取各种系统交互260。具体地说，在采集病人特定数据时，从综合知识库(包括各种资源)访问数据，用以分析病人信息。这样，可以把这些数据关联起来或加以分析，以便识别门诊预约是否适宜，若尚未安排，可以根据资源和设施的可用性、病人喜好和位置等等安排这样的预约。另外，可以根据病人输入的信息估定这样安排的预约的紧急性。
在可根据分析做出的各种建议当中，可以推荐和安排就诊前成像、实验室检验等等，以便提供有效诊断很可能需要的最相关信息，以及在病人就诊过程中或者此后立即反馈。这样的建议可能需要上述各种类型的资源中的一种或多种以及每种资源内的一个或多个形态。各种信息还可以与综合知识库中的信息相关，以便提供潜在诊断或相关问题的指示和在病人就诊过程中可采集的信息。然后，可把整组数据上载到综合知识库，以便建立或者补充综合知识库内的病史数据库。
作为把数据上载到综合知识库的结果，可以贮存各种类型的结构化数据，供今后访问和处理。例如，可以以结构化形式，诸如通过可被搜索和用来评估对医疗访问之前、访问过程中以及访问之后所用程序的可能建议的类或字段，贮存捕获的最相关病人数据。然后，可以使用该数据进行病人状态改变的时间分析、趋势的识别、病人意识到的症状的评估、病人可能甚至尚未意识到并且未特别抱怨的状态的一般评估。该数据还可包括并被处理以识别潜在相关的基于证据的数据、人口统计风险评估以及医疗事件和状态的存在或者诱因的假说的比较和分析的结果。
继系统交互并从系统交互得到结果之后，系统可以完成各种输出类型功能。例如，正如图19中标号262指出的，在病人接触前，可向病人传达病人特定建议。这些建议可包括对于接触或者对于其他检查或分析的预约、与这样的程序有关的教育信息、该程序之前要遵循的协议(例如，饮食建议、处方、访问的定时和持续时间)。另外，病人信息可专门针对或适合该病人。按照本技术的一个方面，例如，可以根据综合知识库中可用的文本信息用喜好的特定语言和病人在病人记录中表明的喜好语言把教育信息传达给病人。这样的指导还可包括细节数据，诸如驾驶或公共交通方向、联络信息(电话和传真号码、网址等)。如上所述，动作可包括检查和数据采集的顺序安排和时间安排。
现场门诊前，系统可采取的另一个输出动作可能包括给临床医生和内科医生的报告或建议。具体地说，该报告可包括根据病人所经历的症状的指示和命名、病史信息采集等等的输出。该报告还可包括图像的电子版本、计算机辅助处理(例如增强的)图像等等。另外，这样的内科医生报告可包括建议或信息的排定优先顺序的列表，或者在访问过程中应该完成的检查，以便细化或排除特定诊断。
正如标号264所标示的，图19中概述的过程用接触、如现场门诊过程中通过病人交互收集的信息继续。在本例中，接触时收集的信息可以从生物测量信息开始，该信息又可用于病人识别和鉴定。这样访问可从报到过程开始，其中病人或者现场登记，或者不在现场在访问前预先登记。可以在此时间里采取协调的系统交互，诸如自动访问在预访问阶段中建立的病人记录。然后可以把类似于或者补充访问前收集的信息的附加信息输入病人记录。病人谈话和输入可以在此面谈过程中手工或自动记录，为临床医生或内科医生面谈作准备。如以前一样，在收集语音数据的地方，语言识别引擎可以识别可能与综合知识库中的信息相关联的关键医疗术语或症状，以便进一步增强诊断或治疗。可以类似地收集视频数据，以便评估病人交互、心理或身体状态等等。这整个报到过程可以部分地或者完全地自动化，以便在与临床医生、护士或内科医生实际面谈之前，最佳地利用机构的资源。
现场门诊(on-visit)可以用临床医生或护士的面谈继续。病人谈话或交互可以再次以音频或视频格式记录，把主诉、症状及其他关键数据输入综合知识库，诸如用于状态或事件进展的趋势识别和时间分析。如上所述，再次并类似地，可以更新生命征候信息，并且可以评估更新后的病人记录，以便识别趋势和可能的诊断，以及或者建议附加医疗程序。
现场门诊通常接着进行内科医生或临床医生面谈。正如上面指出的，在现场门诊本身期间，综合知识库中信息的分析和相关可以以面谈时提供给内科医生的报告或建议来执行。报告还可以提供建议，诸如对于可能诊断、程序的排定等级的建议，或者只是直接可从病人采集的信息，以便增强诊断和治疗。面谈本身可以再次整个或部分地记录，在病人记录中识别和贮存关键医疗术语，以备后用。而且在现场门诊过程中，可以为病人或病人护理提供者产生报告、建议、教育材料等等。这样的信息也可针对病人和病人状态定制，包括检验结果的说明、随访程序(若有)的陈述等等。该材料还可以包括基于病人记录、在接触过程中的交互以及来自综合知识库的信息(包括一般参考材料)的一般健康建议。提供给病人的材料可包括但不限于文本、图像、动画、图形及其他参考材料，问答的原始或处理过的结构化视频和/或音频记录、一般背景数据、诊断、医疗制度、风险、转诊介绍等等。这类输出的形式可以适应任何要求的格式，包括硬拷贝打印输出、小型盘输出、便携存储媒体、加密电子消息等等。如以前一样，通信还可用喜好的语言特别修改为适合该病人。输出还可包括有关财务安排的信息，包括保险数据、索赔数据等等。
该技术还允许接触后的数据收集和分析。例如，继病人访问之后，正如图19中整体用标号266标示的，可以设想各种病人交互。这类交互可包括一般的随访问题、症状更新、远程生命征候捕捉等等，一般类似于接触前收集的信息。另外，接触后病人交互可以包括机构或护理提供者的病人评级，在提出或处理保险索赔、开发票等等时提供协助。再次，根据这样的输入，访问可以是病人特定的或更一般性的来自综合知识库的数据，以便允许该信息与病人记录和全部其他可用数据协调。以便于随访活动，以及为病人以及为护理提供者产生任何报告和反馈。
综合知识库接口
正如上面指出的，用于综合知识库和更一般地用于处理系统和资源的“非联合”接口可以专门针对各种各样的用户、环境、功能等等进行修改。图20一般地举例说明便于与综合知识库交互的接口处理系统。该系统一般包括一系列输入参数或来源270，它们在性质、位置和用途上可以是各种各样的。根据这类来源的输入，可能一般作为上述数据处理系统10的一部分的逻辑分析器272识别一方面在用户、硬件和系统之间，另一方面在用户、硬件和用户工作站之间交互用的接口和访问，以及访问综合知识库。然后用一般地在标号274标示的接口和访问输出功能，根据该分析器收到的输入，提供定制的接口并访问综合知识库。
正如图20中概述的，输入参数或者来源270可以一般地包括与包括病人4和临床医生6在内的用户以及该系统的任何其他用户，诸如财务或保险公司、研究者和任何其他有权访问该数据的个人或机构有关的参数。对于用户引发事件或者其中涉及用户的与综合知识库的任何接触，可以在定制用户界面和对综合知识库数据和处理能力的访问级别时考虑各种访问级别、功能、简档、环境等等。举例来说，在查看工作站查看一个或多个图像的放射科医生、操作CT扫描仪的技术人员或者安排预约或输入计费信息的管理员可以都是该系统的用户。可以由逻辑分析器272考虑的用户参数或特性，正如所指出的，可以是多种多样的。在本示例性实施例中，这样的特性包括如标号276指出的用户完成的功能以及如标号278所指示的用户的个人简档。需要时，与功能和个人简档有关的信息可以受到手动忽略，如图20中标号280所标示的。另外，特定用户进行的全部访问可以通过如标号282所示的各种类型的鉴别来进行过滤。
在一个典型情景中，用户可以例如在示于图20的工作站304上输入鉴别模块，以便实现对系统的安全访问。在用户执行的功能是对于接口和访问考虑的标准之一的地方，可以提示用户输入一个当前功能，或者对于各个用户简档可以识别功能。在这个问题上，同一用户在该系统中可以有多个功能，例如在医院里胸部放射科医生的情况下，他在一个环境中作为干预医生(interventionalist)，在另一些时段具有作为乳腺X线照相医生的附加作用，在某些时段作为管理者，等等。作为另一个示例，全科护士在某些时间可起临床医生的作用，例如输入病史信息，而在另一些时间作为预约安排者，在又一些时间作为输入帐单、记录数据或保险数据的办公人员。每一个人或机构都可定制一种或多种简档，包含个人喜好或者关于每个功能的信息。简档可包含有关用户的数据和描述用户接口喜好(若有)的信息，用于不同数据访问模式或功能。
类似地，某些硬件或者形态系统可以直接访问综合知识库，诸如用于上载或下载由系统完成的分析、处理或数据采集功能中有用的信息。正如在图20中说明的，这样的硬件，整体用标号284标示，可以包括成像系统、病人输入站、通过网站等链接的通用计算机。在类似于上面对于用户描述的问题上，硬件可以通过一种或多种功能286的类似指定与该分析器接口。类似地，可以考虑诸如如标号288所标示的硬件环境等参数。这样的环境可以提供在何地和如何使用系统的指示，诸如区分急救室设施用的和其它临床应用、移动设施等等用的成像系统的特定功能。正如本领域的技术人员将会意识到的，这样的功能和环境信息可以影响可从综合知识库访问或者上载到综合知识库的数据的类型和数量，并且可以例如用于来自综合知识库的信息的优先顺序排列或处理中，取决于治疗的紧急性等等。
在图20中还说明逻辑分析器可以考虑的一般系统输入290。一般系统信息可以涉及个人接口系统，包括其上用户或硬件与知识库接口的系统。举例来说，用户用来与知识库接口的系统可以自动地或者通过用户干预提供与特定硬件装置、参数、系统能力、装置的功能、装置所处的或使用的环境等等有关的信息。这样的信息可以指明例如装置用作图像查看工作站，使得不同的默认接口特性可用在放射科阅读室和特护病房中。这样的接口特性可以提供独特的优点，诸如类似数据的不同呈现方式、定制分辨率和带宽利用等等。
根据提供给逻辑分析器272的信息，分析器确定适当的用户接口定义以及对综合知识库的访问的定义。在逻辑分析器272做出的决定当中，可以是可由用户、硬件或系统引发的可允许数据状态改变、用于数据输入与输出的允许的方法和字段、所定义图形或者其他(例如音频)呈现模式等等。在提供这样的定义时，逻辑分析器可以利用特定访问级别或分类，以及利用特定的预定义图形接口或其它形成接口时用的字段。具体地说，对于给定的知识库请求，除这样的预定义访问和接口配置外，逻辑分析器272可以利用嵌入知识库接口软件内的算法、来自接口管理器的预定义指令集或者自学算法。在用户被允许手动忽略特性数据或配置的地方，逻辑分析器可以定制接口或者给定的应用或功能。例如，个人用户可利用特护病房中的查看工作站304以查看创伤情况，但通过忽略特护病房设施，利用默认急救室设施。可以设想各种各样的其他定义功能和忽略，都允许标准和定制接口和对综合知识库的访问级别。
在逻辑分析器定义的功能当中，某些功能用于定义用户接口，而另一些功能用于定义对综合知识库的访问。如图20所示，这样的功能可包括允许输入字段的定义，如标号292所示。这样的字段可以在图形用户界面的环境下被显示、不显示或者“淡出”于特定用户界面中，取决于上面讨论的因素。另外，可以定义允许的输入模式，如标号294所示，再次允许不同类型的输入，诸如通过显示或不显示特定输入页面、交互式网页等等。相似性，特定图形界面可以由逻辑分析器定义，如标号296所示。应该指出，各种接口字段、模式和逻辑分析器根据输入信息识别的呈现可以远程存储，诸如在处理系统或者系统数据资料库中，或者本地存储在管理系统中或工作站304本身内。
逻辑分析器还可以定义一方面在用户、系统和硬件之间，另一方面在用户、系统和综合知识库之间准许的交互或访问的具体级别。这样的访问控制既可以定义对来自知识库的信息的访问，又可以定义对知识库的信息提供。访问控制还可以通过数据处理系统定义与知识库相关联的准许的处理功能。在图20中说明的示例中，这样的功能可以包括定义允许读访问的数据，如标号298所示，定义允许读写访问的数据，如标号300所示，以及定义允许写访问的数据，如标号302所示。
正如上面指出的，接口处理系统268允许完成各种类型的鉴别，特别是对于试图取得对综合知识库的访问权的用户。这种鉴别功能可以采取一定范围的方式实现，包括通过口令比较、语音识别、生物测量、包含于接口装置(例如″cookie″)或口令文件中的脚本或文件等等。因为在综合知识库中可以包括范围很宽的不同数据，所以鉴别和安全问题可以是特定软件和装置的焦点，以便仔细保护访问，并避免篡改或未经授权的访问。这样，除标准用户鉴别协议的使用外，还可以对往来于知识库的知识使用数据加密技术，并可以在该接口的输入侧和输出侧提供相关的基础设施。
一般，用户可以负责设置由该用户产生或管理的数据的安全或访问级别，或者其他参与者可以负责这样的安全和访问控制。于是，该系统可以编程以实现对不同类型的用户或者用户功能的默认访问级别，如上所述。另外，可以由用户针对不同情况和对于其他用户设置不同的隐私级别。特别是，病人或主治医生可能最有资格设置对其医疗数据的访问权，使得特定的一组内科医生或机构可以根据他们的需要访问该信息。访问还可被扩宽以包括其他内科医生和机构，诸如在事故或病人无能力的情况下。另外，访问级别可以按个人、情况、机构等等分类，在特殊的情况下实现特殊的访问级别，诸如在急救情况下，对于临床访问，在假期过程中控制或监督转到替代的内科医生的过程中，等等。
一般来说，可以通过可询问病人并根据响应实现默认值的软件来实现鉴别和安全程序。于是，病人可以被提示输入个人、保险公司、主治医生和专家、家属等等的类，以及输入要为每一类提供什么访问级别的指示。分析和访问该信息以及定制接口则可按照这样的指定进行。
某些固有的优点来自上述接口系统。举例来说，各个病人可以有效地变为数据或病例管理者，根据该病人的要求和目标授予对信息的访问权。该机制还可以被定制并容易改变，以便遵循本地、州和联邦或者其他的法律或规章，特别是那些与访问病人数据有关的法律或规章。这类规章还可涉及对计费和财务信息的访问、雇主的访问、残废信息、对保险索赔的访问、医疗保险和医疗补助信息，等等。另外，本技术提供自动的或容易修改的遵循医院信息系统的数据访问规章，使得数据可加上标记以根据用户或访问方法保证隐私。最后，本技术提供迅速方便的设置，诸如由病人或内科医生为宽范围的用户，诸如按类、功能、环境等等设置隐私级别。
多级系统体系结构
正如上面一般地描述的，本技术为各种用户、为各种需要在各种级别提供对数据的输入、分析、处理、输出和一般访问。具体地说，该系统提供了提供不同级别的数据访问和处理的能力，使全部不同级别一般地考虑为对综合知识库的各部分和这里描述的功能的贡献、维护或利用。从病人或用户级别上升的各种级别可以包括工作站、输入装置、数据处理系统部分等等，它们贡献所需要的数据，并为相应级别上执行的功能提取所需数据。在系统体系结构中的级别可以满足用户需要的地方，诸如在一个特定机构、保险公司、部门、区域等等内，数据的共享和管理可以只在这样的级别发生。但是，在要求附加功能的地方，该系统体系结构提供链接所需的较低和任何中间级别以便适应这样的功能。
图21和22一般地说明示例性体系结构和按照这种多级体系结构执行的管理功能。图21说明当前数据交换系统2，它包括输入和输出站或用户的若干综合级别和聚类。一般是病人4或者临床医生6(包括放射科医生、护士、内科医生、管理人员、保险公司、研究机构等等)的用户处于基本的或本地级别306。正如上面指出的，可以在这样的本地级别执行各种功能，包括数据输入和输出功能的定制、访问控制、接口定制等等。然后，在本地组或聚类级别308内，这样的用户可以彼此通信和与上述类型的系统元件通信。就是说，每个本地组或者聚类级别308可以包括上面讨论的各种资源中任何一种或者全部，既包括数据资源又包括可控和可指定资源。在一个实际实现中，本地组或聚类级别308可以包括例如特定机构内的部门、以某种方式联营的机构、位于特定地理区域的机构、依靠他们的实践领域或专长链接的机构等等。然后，在这样的本地组或聚类级别的用户和组件的链接允许在可能的程度，相当局部地和在不必访问远程数据资源或其他本地组或聚类的情况下执行特定功能。
然后，类似的远程组或者聚类可以被链接，并可以是类似的或者一般是类似的内部结构，正如图21中标号310、312和314所标示的。但是，应该指出，这样的聚类中的每一个在大小、特性和甚至在它自己的网络体系结构上可能变化很大，取决于该组或聚类内用户的需要和功能。然后，可以通过一个或多个中央聚类链接各种本地组和聚类级别，正如整体用标号318标示的。
尽管在图21中一般地说明“集中式/分散式”系统体系结构，但是还应记住，由本技术几个方面提供的多级系统的功能可以采取不同的分析形式。就是说，任何或者全部可用的网络体系结构，包括集中式体系结构、环形结构、层次结构、分散式结构、集中式结构和这些结构的组合都可以驻留在整个系统中的各种级别上。另外，在需要的地方，各种远程组或聚类可以在不必通过中央组或聚类的情况下以交替方式彼此链接。于是，在特定机构或从业者之间可以设置优先链路，使得为数据交换和数据处理定义“虚拟聚类”。这样的链路在这样的用户之间进行特殊关系或重复操作的地方，可能是特别有用的。
上述功能，包括数据采集、处理、分析及其他功能可以在图21的体系结构内特定的工作站中、在本地组或聚类内、或者通过使用包括一个或多个远程组或聚类的更扩展的资源来执行。在图22中按照多级体系结构情况一般说明这些功能中的一些。如图22所示，某些功能可以在本地组或者聚类级别308中进行，一般类似的功能在较高级别318中进行。再次应该指出，相同或类似的功能甚至可以在单个终端或工作站上执行，在该体系结构中可以设置其他级别。
如图22中说明的，用户4、6可以链接到系统，输入和访问通过安全/访问控制模块320过滤。如上面指出的，这样的模块可以使用不同形式的安全和访问控制，诸如根据口令、语音识别、生物测量以及更高级的技术。一般来说，模块320将维护所需的保证级别，链接到网络的那些有权访问要上载、下载或者处理的特定数据。模块320使用户能够取得对本地知识库322的访问权，这从一般观点看，可被视为上面讨论的综合知识库的一部分。还应指出，本地知识库322还可以包含如上面讨论的联合数据库的特征，其中某些数据可以被预处理或者被转换，以供编程的功能使用。
确认或数据管理模块324通常以某种形式被提供，以控制对本地知识库322内数据和来自整个系统的其它组件的数据的访问及这些数据的质量。就是说，某些数据，特别是在本地级别上用的数据，可以优先贮存在本地知识库322内。但是，在整个系统功能要求的地方，这样的数据可以被上载到较高级别或者驻留在其他本地组或聚类中。类似地，数据可以从其他远程来源被下载或者处理。为了维护这样的数据的有效性和质量，确认和数据管理模块324可以执行特定功能，通常是双向地，如图22所示。这样的功能可以包括调和模块的那些功能，如标号326所示，它可以调和或确认某些数据，诸如根据输入的时间、数据源或者任何其他确认标准。在这样的调和或确认不可用的地方，诸如由于冲突更新或者输入，这样的问题可以被标记给用户以便调和。类似地，同步模块328提供在本地知识库322和远程资源之间记录的同步。最后，链接上载/下载模块330提供定位、访问，并且或者把来自本地知识库的数据贮存到其他存储器或资料库或者从其他存储器或资料库下载来自本地知识库的数据。
然后，一般类似的功能可以在其他级别或者其他关系内进行，正如图22中总体用318表明的。于是，正如在本地组或聚类之间，安全和访问控制模块332可以结合模块320，提供对来自其他用户、组、聚类或者级别的数据的安全访问。另外，可以维护聚类知识库334，它编篡或者甚至复制一些本地知识库数据。正如本地知识库322，聚类知识库334一般可视为总体综合知识库的一部分。其他功能也可以在这样的较高级别上完成。于是，正如标号336所标示的，可以实现确认和数据管理模块，它再次可以与类似的模块324的功能在本地级别上协调。这样的模块也可以包括调和模块338、同步模块340和链接/上载/下载模块342，它们便于组或聚类之间的数据交换。
上述多级体系结构提供显著的优点和功能。第一，数据可以容易地通过具有特别定制的访问控制功能的组或聚类的特定成员访问。就是说，对于诸如保险计费、临床分析等等这样的功能，减少的安全级别可以设置在一个特定组或者聚类内。然后，其他组或者聚类中的其他用户对数据的访问可以进一步被规定，诸如通过应用不同的安全或访问控制机制。另外，某些功能可以设置在非常基本的级别上，诸如在病人或临床医生工作站，对数据的附加访问和处理能力根据需要来链接。
另外，应该指出，在当前设想的实施例中，总体网络拓扑趋向于镜面反射基础数据结构，它本身成镜像并便于下面讨论的计算机辅助数据操作算法。就是说，在功能或者数据通过特定关系、处理需要、访问需要、确认需要等等相关的地方，组或聚类的建立可以遵循类似的结构。就是说，正如上面指出的，“典型”访问、使用、需要和功能可以驻留在或多或少接近的节点或者聚类上，而离得更远或者不频繁的结构或者功能更多地分布。
各种聚类或组的链接还使在现有系统中迄今为止无法获得的功能可以进行。例如，可以促使对在不同组或者聚类级别的数据之间趋势、关系等等的分析，这可以帮助识别在传统上无法获得的信息。举例来说，在特定机构、机构内的部门或某个地理区域出现病状的特定流行程度的情况下，现有系统往往不会意识到或者落后地意识到这样的发生和其他位置上类似的发生之间的任何关系。另一方面，本系统允许这样的数据被操作、提取、分析和相关，以便容易地和迅速地意识到在不同位置和甚至通过不同数据、诸如护理质量等等相关的趋势的发展。于是，对等信息的协调访问和分析可用于这样的病状在总体人口上的识别。
类似地，资源管理可以通过本技术提供的多级体系结构来改善。具体地说，还可以根据在上述不同级别上数据和处理资源的可用性，识别存货使用、保险索赔、人力资源需要等等过去的和预期的趋势。
面向病人的医疗数据管理
在使病人获得信息，甚至管理他们自己各自的医疗保健的能力方面，本技术还提供其他优点。正如上面指出的，该系统可以以这样一种方式集成，以便在医疗接触前，诸如看病前采集病人数据。在需要的地方，该系统还可用来为这样的交互请求附加信息。另外，该系统可修改为使特定的个体化的病人记录能够维持，它可以受病人个人或者病人管理者控制。图23一般地表示本技术的一些方面，设计用来建立和管理综合病人记录。
如图23所示，功能和模块的安排可以一般地称作病人管理知识库系统344，它至少部分地包括综合知识库及其他上述技术的特征。病人4提供病人数据，正如在图23整体用标号346标示的。病人数据可以以任何适当的方式提供，诸如通过硬拷贝、组织样本的分析、机构或者诊所的输入装置或者为该病人个性化的输入装置。这样的输入装置可以包括例如所提供的、病人穿的、植入病人的、在病人家中或雇用地点直接由病人实现的装置。于是，病人数据346可以通过移动取样器(例如，对于血液分析)、生理学数据用的感测系统(例如，血压、心率等)提供。病人数据可以在本地贮存，诸如在感测装置内或者病人计算机或工作站内。类似地，病人数据可以在提示病人时或者通过系统提示，诸如通过可访问的互联网页提供。此外，病人数据可以从外部资源提取，包括综合知识库的资源，正如下面还将更充分地描述的。于是，病人数据，在实现中，可以以双向方式交换，使得病人可以提供信息以便记录信息和从该记录访问信息。类似地，病人可以管理输入，以便记录来自外部资源的数据，以及管理访问以便把该记录输出到外部资源。
病人数据经由病人网络接口348与系统的其它元件交换。病人网络接口可以如网络浏览器那样简单，或者可包括控制病人与外部资源之间对数据的访问、确认和交换的更高级的管理工具。病人网络接口可与各种其它组件通信，例如直接与标号350所示的护理提供者通信。这类护理提供者可包括主治医生，但也可包括存储病人临床数据的机构和诊所、以及存储诸如保险索赔、财务资源数据等非临床数据的机构。病人网络接口348还可与参考数据资料库352通信。这类参考数据资料库在前面一般参照综合知识库进行了论述。资料库352可以是相同或其它的资料库，以及可以由病人网络接口用于接口所执行的某些处理功能，例如比较病人数据与已知范围或人口统计信息、结合到背景的病人显示界面页面以及与病状、护理、诊断和预后相关的特定信息等等。病人网络接口348在必要时还可与如标号354一般标示的转换器或处理模块通信。转换器和处理模块可以完全或部分转换所访问数据或病人数据供分析和存储。转换器和处理功能同样可以是双向的，使得它们可转换和处理源自病人的数据以及从外部资源传递给病人的数据。
综合病人记录模块356设计成产生综合病人记录，如图23中的标号362一般表示的。当前上下文中所用的综合病人记录可包括直接从病人获取的以及从向病人提供护理的机构获取的各种各样的信息。记录还可包括从这类数据导出的数据，例如通过自动化技术以及在适当时通过人类护理提供者从原始病人数据、图像数据等的分析产生。类似地，综合病人记录可包括从参考数据资料库352结合的信息。综合病人记录模块最好是把综合病人记录362的部分或全部存储在一个或多个数据资料库358中。
如上所述，系统344允许创建综合病人记录362，它可包括各种各样的病人数据。实际上，综合病人记录或病人记录的若干部分可存储在各种位置，例如在表示为邻近病人数据框346的病人位置、在表示为邻近框350的各个护理提供商(例如带有主治医生)处，或者在综合病人记录模块356访问的数据资料库358内。还应当指出，病人网络接口348、转换器和处理模块354以及综合病人记录模块356所提供的功能性的部分或全部对于病人可以是本地的或远程的。也就是说，执行病人记录的创建和维护的软件可直接存储在病人终端上，或者可以例如通过订阅服务完全或部分远程提供。类似地，病人记录资料库358对于病人可以是本地或远程的。
综合病人记录模块356还最好是设计成经由综合知识库接口360与综合知识库12通信。接口360可符合上面针对关于病人需求或使用的访问、确认及定制等等描述的一般功能性。综合知识库接口360允许从可能是图23所示的特定机构内部的资源18提取信息。接口还允许数据从病人上载到这类资源和机构。在图23中还注意到，综合病人记录356一般可完全或者部分存储在综合知识库12中，例如以便于护理提供者的访问。记录还可存储在各个机构中，例如在具有或将提供特定病人护理的医院或诊所中。
图23所示的系统功能性提供显著的优点。举例来说，如上所述，对特定信息的访问以及记录的创建可由病人更直接地控制和规定。也就是说，系统用作使能器，对于医疗记录的主动管理对病人授权。这种交互可采取对于提供给特定护理提供者的病人记录的若干部分的病人控制访问的形式。类似地，系统提供用于对一般问题以及特定的临床和非临床问题改进病人的教育的可能性。系统还提供强大工具，用于访问病人数据，包括原始数据、已处理数据、链接、更新等等，它们可由护理提供者用于识别和跟踪病人状况、安排病人就诊等等。这类功能例如可根据定时或者通过通知、电子消息、无线消息等由“推”或“拉”交换技术来提供。因此，与病人的直接交互可包括上载病人数据、下载病人数据、处方提醒、门诊提醒、筛选通信等等。此外，病人数据与来自其它资源的其它功能性和数据的结合允许综合病人记录定期地或者在病人或机构的特定需要之前被创建和存储，或者在特定查询时通过响应该查询而链接到及访问数据来编制。
预测建模
本技术通过如上所述的数据存储、访问和处理功能的高度集成，提供一种强大的工具，用于开发临床和非临床性的预测模型。具体来说，数据可从综合知识库或联合数据库中的各种资源被提取、处理以及分析，从而通过预测模型开发来改进病人护理。这类预测模型的开发可以是完全或部分自动的，以及这种建模可用来修改以上所述类型的某些计算机辅助功能。
图24和图25一般说明可根据本技术的一些方面实现的预测模型开发的一些方面。图24表示预测建模系统364，它可建立于上述综合知识库及网络功能之上或对其补充。预测建模系统364利用包括数据资源以及可控及可指定资源的资源18，以及利用系统中提供的任何联合数据库14，并利用同样可以是集中性或分布性的综合知识库12。系统364依靠图24中标识为数据提取和分析模块366的软件，它设计成从各种资源、知识库和数据库提取数据，以及识别开发预测模型时有用的数据之间的关系。由数据提取和分析模块366执行的分析可通过任何适合的方式引发，如图24中的引发者框368所示，其中包括以上参照图18概述的引发事件中的任一个或全部。一旦处理被引发，则模块搜索和识别可能链接到特定病状、医疗事件或链接到仍未标识或未识别的病状或医疗事件的数据。此外，模块可类似地寻找非临床数据用于开发类似模型，例如用于预测资源需求、资源分配、保险费率、财务计划等等。应当指出，模块366所执行的数据提取和分析功能可对来自资源和数据库(同样为临床以及非临床)的“原始”数据进行操作，以及对来自这些资源的任一个的已过滤、确认、减小尺寸及类似地处理过的数据进行操作。此外，这种数据的处理或确认的引发可由专家、例如图24中的标号6所表示的临床医生来提供。
根据模块366所执行的提取和分析，预测模型开发模块370还采取行动把数据和分析转换为可用于诊断、计划和其它用途的表示模型。在临床环境中，可开发各种各样的模型类型，特别是用于细化以上提及的计算机辅助过程。如上所述，在本文中称作CAX过程的这些过程允许强大的计算机辅助工作流程例如用于获取、处理、分析、诊断等等。预测模型开发模块370所采用的方法可根据应用、可用数据以及预期输出而变化。例如，在当前考虑的实施例中，处理可基于回归分析、决策树、聚类算法、神经网络结构、专家系统等等。此外，预测模型开发模块还可针对特定病状或医疗状况或事件，或者可以是非状况特定的。例如，在已知数据涉及特定医疗状况的情况下，模型可在于细化用于根据来自资源和知识库的所有可用信息识别这类状况的出现可能性的规则和程序。但是，更一般来说，与模型开发算法结合，数据提取和分析功能可提供对病状以及这些病状与先前未识别的可用数据之间的关系的识别。
在预测模型开发模块370适合于细化计算机辅助过程CAX的应用中，模型可识别或细化在执行这类过程时有用的参数。因此，模块370的输出可包括标识为涉及特定状况、事件或诊断的一个或多个参数。通常采取数据关系的形式的来自预测模型开发模块370的输出则可进一步细化或映射到图24中所示的CAX过程85可得到及使用的参数。因此，在当前考虑的实施例中，参数细化功能372被提供，其中，CAX过程85中使用的参数被标识，如标号374所示，以及“最好”或最佳值或者这些值的范围被标识，或者如标号376所示。参数及其值或范围则被提供给CAX过程算法，供将来在特定过程中使用。作为一般规则，CAX过程产生某个输出，如标号378所示。
应当指出，以上在预测建模系统364中所执行及所述的各种功能可在一个或多个处理系统中根据各种输入数据来执行。因此，如上所述，综合知识库以及因而预测模型开发可用的数据固有地是可扩展的，使得模型可在改进或附加信息可用时以不同方式被开发或改进。还应当指出，图24中所示的系统的各种组件提供高度交互模型开发。也就是说，各种模型和功能可相互影响，从而进一步改进模型开发。
举例来说，在预测模型由模块370根据特定数据提取被开发的情况下，模型开发模块可识别出附加或补充数据在改进CAX过程的性能方面也是有用的。模型开发模块则可根据这样的理解来影响数据提取和分析功能。类似地，在参数细化过程中执行的参数标识和参数优化可能影响预测模型开发模块。此外，CAX过程85的结果可类似地影响预测模型开发模块，例如用于开发或细化其它CAX过程。
图24所示的组件与功能之间的交互的后一种可能性特别大。具体来说，应当认识到，在一些方面，预测模型开发模块370本身可用作CAX过程85，例如用于识别可用数据之间的关系以及把这类关系与潜在的病状、事件、资源需求、财务考虑等匹配。但是，该过程不限于任何特定的CAX过程。相反，虽然模型开发可能重点放在例如病状的诊断，但是CAX过程(例如计算机辅助诊断或检测)的输出可导致数据的预期处理的处理和建模方面的改进。类似地，处理中的CAX过程的结果可导致为数据的计算机辅助采集(CAA)而实现的模型中的改进的识别。包括健康或财务状态、预后、处方、疗法及其它判定的计算机辅助评定(CAAx)在内的其它计算机辅助过程可类似地受到预测模型开发模块以及受到来自被细化的其它过程的反馈的影响。
如图24所示，临床和非临床预测模型的开发中涉及的某些步骤可受到来自系统的元件或来自专家的确认或输入。因此，CAX输出378通常将由专家6来审查。类似地，可能影响预测模型开发模块370的CAX输出最好是经过确认，如图24中的框380所示。这种确认可由系统本身来执行(例如通过交叉检验数据或算法输出，或者通过一个或多个专家)。确认的输出则可链接到资源，其中包括原始资源本身18以及综合知识库12。例如，链接或预处理某些数据，或者标记某些数据，供所开发的模型所实现的CAX过程中使用，这可能是有用的。
在使用中，已开发或改进的模型通常可用于远程处理，或者可下载到系统中，包括计算机系统、医疗诊断成像设备等等，它们采用模型来改进数据采集、处理、诊断、判定支持或者由CAX过程提供的其它功能的任一个。在这种实现期间，以及如上所述，实现系统可访问综合知识库、联合数据库或者原始资源本身，以便提取CAX过程所需的数据。
在预测模型开发模块370中，若干功能可驻留并在例行基础上执行，或者由用户或由系统特别编程或发起。图25说明由模型开发模块所执行的这些过程中的某个的一个实例。如图25所示，根据已提取和分析(即从资源采集或提取)的数据，模块通常将识别可用数据之间的关系，如图25的框382所示。关系可基于数据之间的已知交互，或者基于上述识别算法(例如回归分析、决策树、聚类算法、神经网络、专家输入等等)。此外，还应当指出，关系识别可基于任何可用数据。也就是说，当与其类型、形态、实践区域等分开考虑时，数据可以最有效地用于系统中。举例来说，临床数据可从成像系统使用，并与人口统计信息结合使用以及与关于特定病人的组织学信息结合使用。数据也可结合非病人特定(例如一般人口)数据，它可进一步表明特定病状等的风险或可能性。根据所识别的关系，规则识别被执行，如框384所示。这类规则可包括用来链接已识别关系中的各种数据项或输入的比较、布尔关系、回归方程等等。
输入细化步骤被执行，如框386所示，其中关系被链接到从资源或数据库或知识库中可得到的各种数据输入。如图25所示，这类输入388可以是非参数的，即，涉及没有明确受到CAX过程的设定或参数的影响的原始或已处理数据。如框390所示，其它输入识别针对可能受到CAX过程的改变的影响的参数输入。基于输入识别、规则识别和关系识别，模型的调和及细化是可能的，如框392所示。这种调和及细化同样可包括某些输入的添加或删除、在输入的包含上设置某些条件、一些输入的加权等等。这种调和及细化可由系统执行，或者采用来自专家的输入来执行，如图25中的标号6所示。然后，整个过程可以是略微重复的，如图25中的返回箭头所示，使得调和及细化过程可进一步影响关系、规则和输入的识别。
各种各样的模型可通过上述技术来开发。例如，在临床环境中，如上所述的不同类型的数据可能是CAX算法可访问的，诸如图像数据、人口统计数据以及非病人特定数据。举例来说，可开发一种模型，用于在已知表明乳腺癌风险升高的特定年代期间，诊断居住在某个国家的特定区域内的女性的乳腺癌。在可用时可考虑的附加因素可以是从病人完成的问卷中提取的病人历史(例如抽烟习惯、饮食习惯等等)。
作为另一个实例，以及说明各种过程之间的交互，用于采集数据或处理数据的模型可能受到计算机辅助诊断(CADx)算法的影响。例如，在一个实例中，其中突出显示从扫描数据导出的腹部图像、来自疗法算法的输出可根据计算机辅助诊断来更改。因此，对于疗法算法要求阑尾切除术的下腹部，可在较薄切片中采集或处理图像数据。数据的其余部分可采用较厚切片以常规方式来处理。因此，不仅不同焦点的CAX算法在预测模型的开发和细化中会相互影响，而且不同类型的且来自不同形态的数据也可用来改进模型，用于疾病的识别和治疗以及用于非临床目的。
算法和专业训练
如上所述，多个计算机辅助算法可通过本技术来实现。在本文中一般称作CAX算法的这类算法可包括多个类型的数据、如医疗诊断图像数据的处理和分析。本技术在细化如上所述的这类过程以及对于通过学习或训练过程细化这些过程提供增强的效用，从而增强这类过程所执行的检测、分割、分类及其它功能。本技术还提供了提供包括放射科医生、内科医生、技术人员、临床医生、护士等在内的各级专业医务人员的反馈、例如用于训练目的的可能性。图26说明在用于算法以及用于专业医务人员的这种训练过程中的示范性步骤。
参照图26，图解说明算法和专业人员训练过程394。此过程可包括分开的、但相互依赖的模式，例如专业人员训练模式396和算法训练模式398。一般来说，两种模式均可在一个或多个操作环境中被编程及起作用，其中所执行的实际功能性根据用户当前实现此过程的方式而变化。
一般来说，此过程提供计算机辅助算法、如CAD算法与专业医务人员所执行的功能之间的交互。本文中，将在用来检测和分类医疗诊断图像数据中的特征的CAD程序的上下文中说明此过程。但是，应当记住，类似的过程可对其它CAX算法实现，以及对不同类型的医疗诊断数据、包括来自不同形态和资源类型的数据来实现。
过程394可被认为在步骤400开始，其中专家或专业医务人员执行特征检测和分类。本领域的技术人员会认识到，这类功能通常作为诊断图像读取过程的一部分来执行，通常以重构图像或者检查序列中的一组图像开始。专家通常从综合知识库12或者从各种资源18中提取数据，并且可能利用来自这类资源的附加数据来支持特征检测和分类的“读取”过程。然后，专家产生标记为D1、且在图26中由标号402表示的数据集，它可能是特定应用中的带注释的医疗诊断图像。任何适合的技术可用于产生此数据集，例如传统注释、口述、交互标记及类似技术。
与专家特征检测和分类功能并行，在本例中为CAD算法的一种算法在步骤404执行类似的特征检测和分类功能。如上所述，各种程序可用于这类功能，通常利用原始或已处理的图像数据，并且根据参数设定来识别分割和分类识别特征。这类设定可包括数学或逻辑定义的特征识别步骤、基于强度或色彩的特征检测、自动或半自动特征分割、以及基于所识别和分割的特征与已识别病理的已知特性的比较的分类。作为步骤404的结果，在图26中由标号406表示的第二数据集D2被产生，它可类似地被注释以供显示。
专家产生的数据集402在步骤408经受通过相同或不同的计算机算法的检验。算法检验步骤408由于当系统以算法训练模式工作时这个步骤的可选性质而在图26中以虚线表示。也就是说，专家读数的算法检验是优选的，其中反馈被提供给专家，如以下所述。或者，算法检验步骤可在所有情况下实现，使得随后处理的数据集包括由专家以及由算法进行的读取以及对算法检验步骤所产生的专家识别和分类的特征的过滤。一般来说，算法检验步骤将用来消除专家所产生的错误肯定的读数。还应当指出，特定算法和/或算法在步骤408采用的参数设定可不同于步骤404中所使用的那些。也就是说，算法检验步骤可由不同的算法或者采用不同的参数设定来执行，从而在步骤408提供比用于步骤404的算法特征检测和分类的过滤器或多或少严格的过滤器。步骤408产生在图26中由标号410表示的另一个细化数据集D3，它可构造重构图像，该图像经注释以在需要时表明专家特征检测和分类结果以及因算法检验而产生的这类结果的变化。
类似地，从算法特征检测和分类产生的数据集406在步骤412经过专家检验。如步骤408一样，步骤412可以是可选步骤，特别是在系统工作于专业人员训练模式的情况下。也就是说，在反馈要被提供给专业医务人员或专家的情况下，此步骤可被取消，以便提供算法特征检测和分类与专业医务人员所产生的结果的比较。还应当指出，在步骤412，具体专家和/或专家采用的判定门限可不同于步骤400中所使用的那些。在图26中由标号414表示的所产生的数据集D4可被重构，这时数据表示图像，并且可被注释以表明算法所识别的特征以及由专家或专业医务人员对这种识别或分类进行的更改。
在本实现中，数据集410和414被加入联合数据集416，它同样可包含显示已检测和分类的特定特征的原样以及由算法或专家在检验过程中作出的变更的一个或多个图像。图26中的框418表示调和者，可能是专业医务人员(与执行特征检测和分类或检验的人相同或不同的专业医务人员)，或者调和者可包括自动或半自动处理。调和者418的目的是解决由算法和专家进行的检测和分类之间的冲突以及可能从步骤408和412的检验之后的修改而产生的这类冲突。
一旦调和者已经对图26中由标号416表示的数据集DS起作用，则在算法训练模式398中，由步骤412的专家检验以及由调和者418进行的变更被分析，如步骤420所示。分析可包括比较所进行的变更以及确定变更为何是必要的。本领域的技术人员会理解，CAX处理通常包括各种设定，它们可被改变，从而变更可能已经执行的特征识别。检测、分割和分类。在步骤420执行的分析则可针对识别这类参数输入可以如何被修改以便允许检验和调和的结果一致。但是，应当指出，在步骤420执行的分析可能不一定暗示算法中的变化是需要的。也就是说，在某些情况下，可能希望算法不产生与专家完全相同的结果，以便增强算法功能的“第二读取者”或“独立的第一读取者”性质。然后，在步骤422，对算法的任何可能的变化的确认例如由专家或专家组作出。若确认步骤产生的结论是算法中的变化可能是适当的，则这种修改可被实现，如步骤424所示。虽然在本过程中参照这类算法的参数修改，但是还应当指出，这类修改可包括其它输入的识别和考虑，例如从综合知识库12可得到的输入，如以上参照图24所述。
当工作于专业人员训练模式396时，可进行数据集416的类似分析，如图26中的步骤426所示。这种分析同样可用于确定为何专家读数的变化由检验408中的算法进行，以及这种执行可如何达到一致。根据这种分析，在步骤428，可报告结果，以及提供指示给专业医务人员。应当指出，这种报告和指示可能只为专业医务人员提供反馈，例如表明通过算法检验对数据集402进行的变更。但是，报告或指示也可提供有用的教导输入、教学资料的参考、样本、基于图像的数据检索等等，使得专业医务人员获悉性能改进的相关考虑事项。
在创建数据集416之后，结果可通过传统方式来报告和显示，如步骤430所示。此外以及可选地，其它过程可对所得数据执行，它可类似地在细化CAX算法或教导专业医务人员时提供帮助。这类过程如图26中以标号432和434所示。
应当指出，上述过程在需要时可实现为常规操作程序。也就是说，补充算法和专家读取程序、与补充算法和专家检验程序、以及与调和者的使用，可用于数据的常规处理，用于诊断和其它目的。但是，在专业人员训练模式中，较“重”的过滤器可在算法检验步骤中使用，以便识别比可能错误的肯定读数更肯定的读数，用于训练目的。不同的或“较轻”的过滤器可在正常操作期间使用，以及用于在步骤404形成的算法特征检测分类。另外，在步骤420或者426执行的分析还可依靠综合知识库，根据病人特定数据、非病人特定数据、病人特定及非病人特定性质的时间数据等等来识别趋势、预后等等。还应当指出，如上所述，作为训练操作的结果，可对CAX算法进行各种变更。这类变更可包括处理的变化，以及可能是“病人特定的”，其中这类变化被存储，用于将来与相同病人相关的数据的分析。也就是说，例如，对于与具有某些解剖特性(例如体重、骨质量、大小、植入物、假肢等等)的病人相关的图像数据，可通过改变参数设定为该病人专门定制算法，以便增强算法将来应用的效用以及将来根据算法进行的确定对专家读数进行的校正或建议。另外，变更也可根据学习模式结果对综合知识库本身进行，从而调整存储于知识库中的数据中的“正常范围”。
试管内特性识别
如上所述，在可用于本技术的许多资源以及资源类型之中，某些资源将产生数据或样本，它们可经过试管内数据获取和分析。本技术在处理这类数据和样本时提供特别有用的工具，有若干原因。首先，样本可根据多个类型的资源的数据的输入来分析。可实现各种计算机辅助过程，其中包括数据采集、基于内容的信息检索、检索和/或采集数据的处理及分析、特性的识别以及基于所识别特性的数据分类。此外，可执行时间分析，以便分析试管内样本的特性，因为它们涉及利用例如来自综合知识库的已知数据先前识别的特性。此外，信息检索过程可基于试管内样本的特定属性，诸如空间属性(如特定成分或特性的大小)、时间属性(如特征随时间的变化)或者光谱属性(如能级、强度、色彩等等)。这种来自综合知识库中所存储的信息的、在可能的情况下也被识别的内容可包括生物标记、图像、关系表、标准化矩阵等等。因此，多个属性可用于通过参照可用数据、特别是综合知识库中的信息来增强试管内样本的采集、处理和分析。
图27一般表示在根据这类改进技术处理试管内样本时的步骤。在图27中由标号436一般表示的试管内特性识别过程在步骤438开始，其中试管内诊断样本被采集。如上所述，任何适合的技术可用于采集样本，通常可包括体液、组织等等。在步骤440，对所采集的样本进行分析。分析由来自综合知识库的输入来通知，如框442所示。输入可包括与其它形态、资源类型相关的数据或者与来自病人的类似样本相关的时间数据。在步骤440执行的分析可包括与这类数据的某些比较，并且可能是相当初步性的。因此，没有背离整个过程中的采集步骤，可以使样本采集适应过程的需要，如步骤444所示。这种定制采集可包括其它样本的采集、特定条件下(例如就诊期间稍后时间、病人活动或休息期间、从身体的其它部位等等)的样本的采集。因此，试管内诊断样本采集过程可通过影响样本自身的采集的计算机分析来改进。
在采集样本之后，样本的处理可在步骤446执行。在步骤446执行的处理通常是样本处理而不是数据处理，使样本适应手动或者半自动或全自动过程中对数据的提取。在步骤446的处理之后，处理结果在步骤448被分析。如以前一样，在步骤448执行的分析可包括考虑来自综合知识库的数据，包括来自其它形态、资源类型和时间的数据。如同在步骤440执行的分析一样，在步骤448的分析可能是初步性的，或者进一步的分析可通过定制处理来执行，如步骤452所示。因此，在试管内诊断样本的最终分析之前，附加处理可能是适当的，例如载玻片准备、各种化学品、组织、病原体等的存在的分析。
在步骤454，分析的结果与例如来自综合知识库的已知简档进行比较，以便确定可能的诊断。如以前一样，在步骤454进行的比较可基于来自不同形态、资源类型和时间的数据。比较可产生表示病状、医疗事件等的某些数据的分类，如步骤458所示。比较和分类还可表明，特定病人(或病人群体)正经历可能表明可能的诊断、预后等的某些趋势。在步骤460，在步骤458进行的分类的结果例如可通过专业医务人员来确认。
一般来说，对于当前目的，关于病状或状况的特定疾病或诱因的生物标本特征中的可量化征候、症状和/或分析物(例如化学品、组织等)可称作疾病或状况的“生物标记”。虽然本文一般参照分析和比较，但是这类生物标记可包括各种各样的特征，包括上述空间、时间和光谱属性，而且还包括遗传标记(例如特定基因是否存在)等等。
举例来说，在典型的应用中，病人的组织被抽样并传送到实验室供分析。实验室采用诸如显微镜、荧光探测器、微阵列等适当检测器用计算机辅助来采集数据。诸如生物标记、图像信号等数据内容被处理和分析。如上所述，采集和处理步骤本身可能受到参考例如来自综合知识库的其它数据的影响。因此，这类数据从知识库检索，用于帮助采集、分析、比较和分类步骤。
在此过程中进行的比较可以是参数性质的或者是非参数的。也就是说，如上所述，参数比较可基于所测量的量和参数，其中，特性在参数空间中被索引或引用，以及按照关于某些索引、一个数据集对另一个数据集的相对相似性来进行比较，例如两个特征集向量之间的欧几里德距离量度。在显微术的实例中，这类索引可包括特性细胞结构、色彩、试剂、索引等等。其它实例可包括遗传组成、特定基因或基因序列是否存在等等。
非参数比较包括没有对索引的特定引用而进行的比较，例如在一段时间对于特定病人进行。这类比较可基于与来自另一个数据集的数据内容的特性比较相似性的一个数据集的数据内容。本领域的技术人员会注意到，这类比较的一个或两个可被执行，以及在某些情况下，比较之一可能比另一个更优选。参数方法通常当比较将在给定标本与具有已知特性的不同标本之间、例如根据来自综合知识库的信息进行时被使用。例如，除了导出组织病理图像中的细胞的纹理和形状图案之外，参数还可从人口统计数据、电诊断数据、成像诊断数据以及生物流体中生物标记的浓度或者它们的组合中导出。因此，如上所述，比较可根据来自不同形态以及不同资源类型的数据进行。非参数比较一般同样可为了时间比较目的而进行。举例来说，标本可能呈现动态变化的特定离子浓度，以及数据属性(例如值、值的比率等)的时间变化可能需要分析，以便得到最终临床判定。
计算机辅助数据操作算法
如上所述，本技术提供计算机辅助数据操作算法中的操作的高度集成。又如以上所述，某些这类算法已经被开发，并且在各个领域得到比较有限的使用，例如用于疾病的计算机辅助检测或诊断、数据的计算机辅助处理或采集等等。但是，在本技术中，通过如以上针对模型开发所述的算法的开发中与它们的使用中的算法之间的交互，提供高度集成和互通性。此外，对于临床以及非临床应用可设想这类算法。临床应用包括一系列数据分析、采集、获取以及下面更详细论述的其它技术，而非临床应用则可包括各种类型的资源管理、财务分析、保险索赔处理等等。
图28提供在本上下文中一般称作计算机辅助数据操作算法即CAX的这类算法之间的互通性的概述。如上所述，本上下文中的CAX算法可建立于当前使用中的算法之上，或者可被修改或者完全根据附加数据资源、这类数据资源的集成、或者算法中的这类资源之间以及算法本身之间的互通性来构造，如本说明中所述。例如，在图28的概述中，整个CAX系统462表示为包括大量步骤、过程或模块，它们可包含在完全集成的系统中。如上所述，还可设想更多有限的实现，在其中仅存在这类过程、功能或模块中的一部分或者少数几个。此外，在当前考虑的实施例中，这类CAX系统在综合知识库的上下文中实现，使得信息可被收集，从而允许算法本身以及算法中管理的数据的适应和优化。如上所述，这种开发和优化可通过本文所述的模型开发模块来执行，以及各CAX算法的各个方面可以改变，其中包括算法中实现的规则或过程以及各种设定。下面针对图29更多地说明CAX算法的这些方面。
一般来说，如图28中所述，CAX算法以步骤464开始，在其中采集数据。如本说明中所述，数据的采集可采取许多形式，特别是取决于提供数据的资源类型以及资源形态。因此，数据例如可从表单或传统终端手动输入，或者数据可通过实验室报告技术、成像系统、自动或手动生理参数采集系统等来采集。如上所述，数据通常存储在一个或多个存储装置中，其中的一部分可结合到数据采集系统本身中，例如成像系统、图片存档系统等等中。
在步骤466，受关注数据或者CAX算法执行的功能的实用程序被访问。一系列操作则可对所访问数据来执行，如标号468一般表示。在这种处理过程中以及实际上在步骤466，综合知识库12可完全或部分被访问，以便在CAX算法起作用期间提取数据、确认数据、同步数据、下载数据或上载数据。
虽然可设想许多这类计算机辅助数据操作算法，但目前，大约十个这类算法被预计用于执行同样是临床以及非临床的特定功能。因此，图28所述的是计算机辅助特征检测(CAD)的算法以及计算机辅助医疗状况诊断(CADx)的算法中的步骤。此外，计算机辅助临床判定算法(CADs)被实现，其中，临床判定根据分析和处理自动进行。类似地，疗法或治疗判定可通过附加例程(CATx)来实现。可实现以上详细描述的类型的特定计算机辅助采集(CAA)和计算机辅助处理(CAP)算法。此外，计算机辅助分析(CAAn)算法可按照以下论述来实现。在医疗环境中还可设想计算机辅助预测或预后(CAPx)算法，例如处方确认、建议或处理算法(CARx)。最后，对于临床以及非临床的一系列状况设想计算机辅助评定(CAAx)算法。
更详细地考虑图28所述的数据操作步骤，在步骤470，已访问数据一般被处理，例如数字过滤、数据的调整、动态范围的自适应、数据的关联等等。本领域的技术人员会理解，在步骤470执行的特定处理将取决于在所执行的分析或功能的类型中分析的数据的类型。但是，应当指出，数据可从上述资源的任一个被处理，以及来自一个以上形态或者甚至资源的类型的数据实际上可被处理，例如用于存在风险的复杂分析或者医疗状况的治疗等等。类似地，在步骤472，执行数据的分析。这种分析同样取决于数据的性质以及在其中执行分析的算法的性质。
在这种处理和分析之后，在步骤474，受关注特征以一般方法来分割或限定。在图像数据中，这种特征分割同样可识别解剖或病理等的限制。但是，更一般来说，在步骤474执行的分割只用于辨别任何类型的特征的限制，其中包括数据、相关程度等之间的各种关系。在这种分割之后，特征可在数据中被识别，如步骤476所述。虽然这种特征识别可对成像数据来实现，以便识别特定解剖或病理，但应当记住，在步骤476执行的特征识别实际上可能更为广泛。也就是说，由于可结合到该创造性系统的各种各样的数据，特征识别可包括数据的关联，例如来自所有类型的形态的临床数据、非临床数据、人口统计数据等等。一般来说，特征识别可包括对于CAX算法所执行的过程可能是受关注的数据之间的相关的任何种类的识别。在步骤478，这类特征被分类。这种分类通常包括分割特征中的简档与已知状况的已知简档的比较。分类一般可由匹配数据集的已知群体中的这类简档与考虑中的数据集的参数设定、值等产生。但是，分类也可基于非参数简档匹配，例如通过特定病人或病人群体随时间的趋势分析。
根据算法所执行的处理，可进行各种各样的判定。如步骤462所述，这类判定可包括临床判定480、疗法判定482、数据采集判定484、数据处理判定486、数据分析判定488、条件预测或预后判定490、处方建议或确认判定492以及状况评定494。如上所述，本技术所提供的处理操作的高度集成以及来自一系列资源的数据的综合允许CAX算法所执行的功能种类的任一个对于非病人特定原因以及对于病人特定原因被修改或优化，如图28所述。因此，作为算法中进行的判定的任一个的结果，可进行相同或不同CAX算法中的修改，如步骤496所述。又如以下所述，这类修改可包括：不同算法类型的选择，算法所执行的一个或多个功能的修改、添加或删除，或者算法在执行功能时所采用的参数和设定的修改。因此，在图28的流程图中，反馈可能对上述步骤的任一个进行，其中包括数据采集、处理、分析、特征识别、特征分割、特征分类或者在CAX算法中执行的其它任何功能。一般来说，算法的结果的某种形式的报告或显示将被提供，如步骤498所述。
一般来说，在当前上下文中，每个判定子模块具有一个任务(例如采集)以及与其关联的一个目的(例如癌症检测)。根据任务和预期目的，判定规则被建立。在一个实现中，领域专家可对要用于给定任务和目的的规则作出决定。在另一个实现中，与所有可能的任务和目的相关的规则库可由专家组来确定并由子模块使用。在另一个实现中，规则库可从综合知识库来访问。在另一个实现中，新规则可存储在综合知识库中，但在存储到知识库之前从其它部件导出。在典型的实现中，当前数据和规则的组合用来发展数据的假设判定选项的概述。这些选项可产生若干结果，其中的一部分可能是期望的，而一部分则是不希望的。为了获取最佳结果，建立一种度量来提供每个结果的评分。因此，所得结果被评估，以及所选(即最佳)结果确定在判定框所提供的功能。
如上所述，各种CAX算法可单独使用或者采用某种等级的交互。此外，算法可无需修改就用于本技术中，或者可通过本系统中的附加数据资源以及处理的集成来提供某种或高级适应性。这种自适应可实时地或者在数据采集事件之后或之前执行。此外，如上所述，CAX算法的运行或自适应的触发可通过任何范围的引发因素来引发，例如安排的定时、操作员干预、数据状态的改变等等。一般来说，CAX系统或特定CAX算法的许多方面可以改变。如图29所概述的，本技术设想实质上新颖且不同的方法为所提供的自适应和优化来编译、分析和改变这类CAX算法。
参照图29，由标号500总体表示的整个CAX表达可由分开的功能性或参数[i][j][k]来表示。在当前的表达中，CAX算法的这些方面首先表示如图29中的列表502所示的算法执行的功能的主要类型、如图29中的标号504所示的算法执行的功能以及算法中使用的特定数据属性506。算法表示502可按照算法中的功能性的一般线，但本领域的技术人员会认识到，例如通过子例程、子模块等等，可采用不止一个这种功能性。算法中的功能性的[j]级可包括各种各样集成或模块化功能，它们在各种算法中被执行，其中的一部分可被不同的算法共享。在图29中特别要注意的是诸如数据访问、特征识别、分析、分割、分类、判定、比较、预测、确认及调和等功能。其它功能无疑也可采用。一般来说，在当前上下文中，这类功能性实现为算法的子模块，并且一般可实现为“工具箱”，它们由算法调用，并且通过如上所述的编程、专家系统、神经网络等等来开发。
CAX算法的[k]级一般表示CAX算法为执行[j]级中指定的功能所使用的变量或输入。举例来说，在当前考虑的实施例中，[k]级的项目可包括参数、设定、值、范围、病人特定数据、器官特定数据、状态特定数据、时间数据等等。这类参数和设定可按照如上所述的方式来改变，例如用于CAX算法的病人特定实现，或者用于关于病人群体、机构等的基于更广义的变化。还应当指出，如以上针对建模所述，在CAX算法中进行的变更可包括对于在修改之前未考虑的数据的考虑。也就是说，当新数据或新关系被识别时，CAX算法可被改变以适应新数据的考虑。本领域的技术人员会理解，本技术的高度集成允许新的及有用的关系在来自各种各样资源的数据与结合到CAX算法中的这种知识之间被标识，从而进一步增强其性能。在可用时，数据则可从综合知识库或知识库的一部分中提取，以便在CAX算法调用时执行此功能。
应当指出，虽然单个CAX算法可根据本技术来实现，但各种CAX算法可并行及串行实现，用于解决各种各样的情况。例如，如图30所概述的，多CAX实现508可包括第一类型的算法510，它可以是以上所述算法中的任一个。
此外，所选类型的算法可并行实现，使得多个不同或补充功能可被执行。每个这种算法通常包括例如标号512所示的基本操作。这类操作可一般与CAD算法的那些操作相似，包括诸如特征分割514、特征识别516以及特征分类518之类的步骤。根据这些步骤，可进行判定，例如用于进一步动作的特定建议，如步骤520所示。如上所述，根据这类操作，算法可被修改，如步骤522所示。修改则通过返回到用于产生或处理数据的系统或方法来实现，如步骤524所示。如上所述，修改可在算法的各级进行，诸如上述的级[j]和[k]。
又如图30所概述的，不同类型的多个CAX算法(即CAX[i])可并行执行，以便识别不同类型的、或者来自不同类型或形态的数据的受关注特征。由标号526和528表示的这类附加算法可包括上述算法类型中的任一个。类似地，相同或不同类型的CAX算法可顺序执行，如图30中的标号530和532所示。这类算法实际上可根据先前执行的算法的结果来选择。
虽然以上所述的所有CAX算法可在解决一系列临床和非临床问题的过程中得到应用，但是它们中的某些的更完整论述有助于理解所涉及的模块或子模块所执行的数据操作的类型。
计算机辅助诊断(CADX)：
计算机辅助诊断模块通常在医疗成像领域帮助识别和诊断特定状况。但是，根据本技术，这类模块可结合来自成像类型和形态以及来自其它类型和形态的资源的范围广得多的数据。下面是对示范计算机辅助诊断模块的一般描述。如上所述及如图28所示，CADx由计算机辅助检测(CAD)模块和特征分类块组成。
如上所述，开业医生从各种源导出有关医疗状况的信息。本技术提供计算机辅助算法以及从多模式和多维角度调用这些源用于临床相关领域中一系列医疗状况的检测和分类的技术，这些领域包括(但不限于)肿瘤学、放射学、病理学、神经学、心脏病学、矫形外科学以及外科学。状况识别可以是采用体液分析和单独检测的筛选形式(例如为了确定可疑候选损伤是否存在)，或者是诊断形式(例如用于把所检测损伤分类为良性或恶性瘤)。为简洁起见，将根据诊断良性或恶性损伤的CADx模块来说明一个当前实施例。
在当前上下文中，CADx模块可具有若干部分，诸如数据源、最佳特征选择以及结果的分类、训练和显示。如上所述，数据源通常可包括图像采集系统信息、诊断图像数据集、电诊断数据、来自体液的临床实验室诊断数据、组织诊断数据以及诸如抽烟历史、性别、年龄、临床症状之类的病人人口统计状况/症状/历史。
特征选择本身可包括不同类型的分析和处理，例如分割和特征提取。在数据中，可定义受关注区域以计算特征。受关注区域可通过若干方式来定义，例如通过“按原样”使用整个数据，或者通过使用数据的一部分、如尖肺野中的候选瘤区域。受关注区域的分割可手动或自动进行。手动分割包括显示数据并绘制此区域，例如由通过计算机鼠标与系统接口的用户进行。自动分割算法可利用先验知识、诸如瘤的形状和大小来自动绘制受关注区域。也可使用结合以上两种方法的半自动方法。
特征提取过程包括对数据源执行计算。例如，在基于图像的数据中以及对于受关注区域，可计算诸如形状、大小、密度、曲率之类的统计数据。对于基于采集以及基于病人的数据，数据本身可用作特征。一旦计算了这些特征，则预先训练的分类算法可用于将受关注区域分类为良性或恶性瘤。贝叶斯分类器、神经网络、基于规则的方法、模糊逻辑或其它适合的技术可用于分类。这里应当指出，CADx操作可通过结合来自所有数据的特征执行一次，或者可并行执行。并行操作包括分别对数据集执行CADx操作以及结合部分或全部CADx操作的结果(例如经由“与”、“或”运算或两者的组合)。另外，检测多种病状或医疗状况或事件的CADx操作可串行或并行执行。
在本例中，在例如瘤的分类之前，利用CAD模块，可执行来自模块训练的先验知识。训练阶段可包括对良性和恶性瘤的已知样本计算若干候选特征。特征选择算法则用于拣选候选特征，并且只选取有用的特征，从而消除未提供信息或提供冗余信息的那些特征。这个判定基于具有候选特征的不同组合的分类结果。特征选择算法还用于从实践观点减少维数。因此，在乳房肿块分析的实例中，特征集被导出，它可最佳地辨别良性瘤与恶性瘤。这个最佳特征集是在CAD模块中在受关注区域上提取的。最佳特征选择可利用众所周知的距离测量技术来执行，包括分散量度、Bhattacharya距离、Mahalanobis距离等等。
例如，所建议的方法允许使用多个生物标记，供人类或机器观察者审查。CAD技术可对部分或全部数据操作，以及显示关于每种数据或数据集的结果，或者合成结果以供显示。通过简化分割过程，同时不增加待审查数据的数量或类型，这提供了改进CAD性能的益处。
同样在损伤分析实例之后，在可疑候选损伤的识别和分类之后，它的位置和特性可显示给数据的审查者。在某些CADx应用中，这通过在可疑损伤附近或周围叠加标记(例如箭头或圆圈)来进行。在其它情况下，CAD和CADx提供在多个数据集中的任一个上分别显示计算机检测和诊断标记的能力。这样，审查者可查看来自CADx操作阵列的结果可叠加于其上的单个数据集(由唯一分割(即受关注区域)、特征提取和分类过程来定义)。
计算机辅助采集(CAA)
可实现计算机辅助采集处理模块，以便同样从一种或多种类型的资源以及各类型内的一个或多个形态中采集其它数据，从而有助于对病人状况的增强了解和诊断。数据的采集可能需要一次或多次病人访问或对话(例如包括与病人的远程对话)，其中附加数据根据数据处理系统10自动作出的决定来采集。信息最好是基于综合数据库12中可用的数据，以便提供至今不可得的集成度以及对用于诊断和分析的附加数据的后续采集。
例如，根据本技术的一个方面，初始CAD处理可用来指导附加数据采集，其中带有或没有额外的人类操作员辅助。CT肺筛查将用作这种交互的一个实例。首先假设原始CT数据采用5mm切片厚度来采集。这是许多诊所取得诊断精度、病人剂量和待审查图像数量之间适当平衡的常见做法。一旦CAD算法识别可疑部位，则计算机可自动引导CT扫描仪(或者托付给CT操作员)在可疑位置重新采集一组薄切片(例如1mm切片厚度)。另外，增加的X射线通量可用于更好的信噪比。由于位置被明确规定，因此对病人的附加剂量保持为最小。薄切片图像提供更好的空间分辨率，因此提供改进的诊断精度。这类交互的优点包括改进了图像质量以及避免了病人重新安排。应当指出，诊断过程的大部分一般在病人已经离开CT扫描仪室之后很长时间才发生。在传统方式中，如果放射科医生需要更薄的切片，则病人必须被叫回并重新扫描。由于扫描界标采用勘察图像进行，因此受关注特征的后续定位往往相当差。因此，必需重新扫描病人器官的较大体积。这不仅导致时间损失，而且还对病人增加剂量。
虽然这个实例是针对单形态，但此方法可应用于若干形态，甚至应用于如上所述的一些资源类型，以及随时间。例如，采用经由第一形态采集的图像所产生的初始CAD信息可由CAA算法用来指导经由形态B的附加数据采集。这种交互的一个特定实例是通过胸腔x射线的可疑瘤的CAD检测指导薄切片螺旋胸腔CT检查的采集。
计算机辅助处理(CAP)
计算机辅助处理模块允许对于通过一个或多个采集对话已经可用的数据的增强分析。处理同样可基于一种或多种类型的资源，以及基于各类型内的一个或多个形态。又如上所述，虽然计算机辅助处理模块在过去已经应用于单形态，通常在医疗成像环境中，但通过利用各种可用资源以及综合知识库，本技术考虑这类模块在更为广义的环境中的使用。
例如，CAD产生的信息可用来进一步优化获得新图像的过程。在数据采集以及初始图像形成之后(或者基于未处理或部分处理的数据而没有图像重构)，CAD模块可用来执行初始特征检测。一旦潜在病理部位被识别及表征，新图像集可由CAA模块根据发现结果来产生。新的图像集可被产生，以帮助人类观察者的检测/分类任务，或者改进其它CAX算法的性能。
为了说明，考虑CT肺筛查实例，但此方法无疑可一般化为其它成像形态、其它资源类型和其它病理。最初假设图像采用“Bone”(高分辨率)过滤器内核以及采用40cm重构视野(FOV)来重构。一旦可疑肺结核被识别，则CAP模块可采用原始扫描数据重构可疑位置上的新图像集。例如，具有“标准”(较低分辨率内核)过滤器内核的第一图像可首先被重构。虽然标准内核产生差的空间分辨率，但它具有保持精确CT编号的属性。把这类图像与经由Bone算法产生的那些图像组合，则CAP算法可根据它们的CT编号把钙化结与非钙化结分开。另外，CAP模块可执行可疑位置上的有目标的重构，以便提供改进的空间分辨率，或者改进算法性能和/或帮助人类观察者分析。作为另一个实例，对于当前CT扫描仪，典型图像大小为512×512像素。对于40cm重构FOV，各像素沿侧面大致是0.8mm。从尼奎斯特抽样观点来看，这不足以支持高空间分辨率。但是，当CAP模块采用10cm FOV在可疑部位重新产生图像时，各像素沿侧面大致为0.2mm，因此可支持高得多的空间分辨率。由于附加重构和处理仅在隔离部位而不是在整个体积被执行，因此图像处理、重构和存储的数量变得相当易于管理。应当指出，为便于说明，这里提供一个简单实例。其它处理步骤(例如图像增强、局部3D建模、图像再形成等)也可在CAP模块的指导下、例如根据初始CAD结果以及进一步处理的结果来执行。附加图像可用来细化CAD处理的原始发现结果，作为对其它CAX分析的输入，或者可被提供给放射科医生。
计算机辅助预后(CAPX)
医疗预后是对某个病人或病人组的治愈、并发症、疾病复发、在保健机构中停留的时间长度或存活的估计。预后的简单含义是将来病程和疾病结果的预测，以及从该疾病康复的可能性的指示。
根据本技术，计算预后模型可用来预测自然病程或者治疗之后的预计结果。预后构成治疗选择和治疗计划的系统的组成部分。此外，预后模型在例如通过只请求涉及测试的信息来指导诊断问题解决方面起重要作用，它的结果影响预后的知识。
近年来，来自人工智能、决策理论和统计领域的若干方法和技术已经被引入病人的医疗管理模型(诊断、治疗、随访)；在这些模型的一部分中，预计预后的评定构成主要部分。最近的预后方法通常依靠明确的病理生理模型，它可与寿命预期的传统模型结合。这种领域模型的实例是因果疾病模型以及人体内的调节机制的生理模型。这类基于模型的方法具有促进基于知识的系统的开发的可能性，因为医疗领域模型可以部分从医疗文献中获得。
已经提出各种方法来表示这种领域模型，范围从定量和概率方法到象征和定性方法。例如对调节机制的逐渐变化建模的诸如时间等语义概念已经形成重要且有挑战性的建模问题。此外，还提出了这类模型的自动学习技术。当模型构造很困难时，已经研究了较少明确领域的模型，例如基于病例的表示的使用及其与更明确的领域模型的结合。
计算机辅助评定(CAAX)
计算机辅助评定模块可包括分析各种各样的状况或情况的算法。举例来说，这类算法可用来评估医疗过程(例如外科手术)的结果、因损伤(例如脊柱损伤)而治疗的结果、状况(例如妊娠)、情况(例如外伤)、过程(例如保险、赔偿、设备利用)以及个人(例如病人、学生、专业医务人员)。
在图31中一般说明CAAx算法中的某些示范步骤。算法534以在步骤536输入关键数据开始。根据算法的目的，这类数据可包括情况、任务、可用结果、目标人物、所请求信息等的表示或描述。数据用来识别预期软件工具，如步骤538所示，它可采取用作引导用户通过评定过程的界面的“向导”的形式。界面可能至少部分基于来自算法所执行的操作的领域或者数据或待执行的评定的领域中的专业人员或专家的输入。
在步骤540，更具体的信息可从一个或多个用户博得，或者从以上所述的各种资源自动采集或访问。在数据由个人输入的情况下，可通过上述方式、例如经由未联合接口层222来提供定制接口，利用来自综合知识库12和数据资源18的信息。如上所述，这类接口可对于特定用户、所执行的功能、要提供或访问的数据等等来定制。
根据所提供的信息，执行评定，如步骤542所示。这种评定一般根据状况、情况或者被评估的其它问题广泛地变化。在当前考虑的实现中，从评定确定评分，以及在步骤544根据评分进行比较。比较则是对进一步动作的建议的基础，或者可以只用作评定的报告结果的基础。此外，过程的结果可以可选地被调和，其中可能的冲突或判断是适当的，如步骤546所示，在需要时包括来自人类专家的输入。
商业模型实现
上述技术允许以各种各样的方式来实现。例如，如反复指出的那样，数据的使用以及数据与模块之间的交互可极小规模地实现，包括在单个工作站上。更高度的集成可通过各种类型的资源与工作站之间的网络链接、以及同样如上所述在网络组件之间的各级来提供。还应当指出，本技术可实现为工业中或者工业的一部分中的整体商业模型。
本技术的商业模型实现可包括安装在一个或多个存储装置或者诸如盘、硬盘驱动器、闪速存储器等机器可读媒体中的软件。用户则可单独地使用这些技术，或者通过经由网络访问特定站点、链接、服务、数据库等来使用这些技术。类似地，可开发基于这些技术的商业模型，使得本技术可在按使用付费、预订或其它任何适当的基础上提供。
这类商业模型可用于上述技术的任一个或全部，以及可在“模块化”基础上提供。举例来说，机构可预订或订购用于评估病人群体、安排服务和资源、开发用于预测病人状况的模型、训练目的等的服务。个体或机构可预订或购买用于维护各个病人记录、综合记录等的类似服务。这些技术中的某些技术可结合其它资产或服务来提供，诸如成像系统、工作站、管理网络等等。
本领域的技术人员会理解，构建于上述技术之上的商业模型可使用各种各样的支持软件和硬件，其中包括服务器、驱动器、转换器等等，它们允许或帮助与上述数据库、处理资源、数据和可控及可指定资源的交互。提供数据的安全性、检验、接口和同步的支持组件可结合到这类系统中，或者可在系统以及各种用户或客户之间分布。包括允许服务的跟踪和计费的模块在内的财务支持模块可通过类似方式结合。
同样考虑到，上述技术中的某些技术可按照地区范围或工业范围方式来实现。因此，可通过适当地标准化或标记数据以用于访问、交换、上载、下载、转换、处理等来实现高度集成。
虽然本发明可容许各种修改和备选形式，但通过示例在图中表示了具体实施例，并且在本文中进行了详细描述。然而，应当理解，本发明并非意在限制到所公开的特定形式。相反，本发明将涵盖落入以下所附权利要求定义的本发明的精神和范围之内的所有修改、等效物及备选方案。

Claims (41)

1.一种用于控制与有关医疗的数据资料库相互作用的方法，所述方法包括：
接收代表客户多种特性的数据；
分析所述数据以便识别客户专用接口；和
向所述客户提供所述客户专用接口，以便访问包括非临床数据的综合知识库和从多个可控和可指定的数据资源中得出的病人专用的临床数据。
2.如权利要求1所述的方法，其中还包括分析所述数据，以便识别允许所述客户访问所述综合知识库的访问级别。
3.如权利要求2所述的方法，其中所述访问级别由所述客户所属的类定义。
4.如权利要求2所述的方法，其中所述访问级别由病人专用的临床数据的病人主题设置。
5.如权利要求2所述的方法，其中所述访问级别定义所述客户可以从综合知识库抽取的数据和可以从所述客户装入所述综合知识库的数据。
6.如权利要求1所述的方法，其中所述客户是诊断成像系统。
7.如权利要求1所述的方法，其中所述特性包括所述客户的身份。
8.如权利要求1所述的方法，其中所述特性包括所述客户在接收所述数据时执行的功能。
9.如权利要求1所述的方法，其中所述特性包括鉴定只有所述客户才有的数据。
10.一种用于控制与有关医疗的数据资料库相互作用的方法，所述方法包括：
接收代表客户多种特性的数据；
分析所述数据，以便识别客户专用接口并识别允许所述客户访问综合知识库的级别，所述综合知识库包括从多个可控和可指定的数据资源中得出的非临床数据和病人专用的临床数据；和
向所述客户提供所述客户专用接口，以便按照所述识别的级别访问所述综合知识库。
11.如权利要求10所述的方法，其中所述接口和所述访问级别由所述客户所属的类定义。
12.如权利要求10所述的方法，其中所述接口和所述访问级别由病人专用临床数据的病人主题设置。
13.如权利要求10所述的方法，其中所述访问级别定义所述客户可以从所述综合知识库抽取的数据和可以从所述客户装入所述综合知识库的数据。
14.如权利要求10所述的方法，其中所述客户是诊断成像系统。
15.如权利要求10所述的方法，其中所述特性包括所述客户的身份。
16.如权利要求10所述的方法，其中所述特性包括所述客户在接收所述接收到的数据时执行的功能。
17.如权利要求1所述的方法，其中所述特性包括鉴别只有所述客户才有的数据。
18.一种用于控制与有关医疗的数据资料库相互作用的方法，所述方法包括：
定义多个客户专用接口和多个访问综合知识库的级别，所述综合知识库包括从多个可控和可指定的数据资源中得出的非临床数据和病人专用的临床数据；
接收代表客户多种特性的数据；
分析所述数据，以便识别客户专用接口并识别允许所述客户访问所述综合知识库的级别；和
向所述客户提供所述客户专用接口，以便按照所述识别的级别访问所述综合知识库，其中所述接口和所述访问级别由所述病人专用的临床数据的病人主题设置。
19.如权利要求18所述的方法，其中所述接口和所述访问级别由所述客户所属的类定义。
20.如权利要求18所述的方法，其中至少部分地从医疗诊断成像系统中得出所述客户特定的临床数据。
21.如权利要求18所述的方法，其中所述访问级别定义所述客户可以从所述综合知识库抽取的数据和可以从所述客户装入所述综合知识库的数据。
22.如权利要求18所述的方法，其中所述客户是诊断成像系统。
23.如权利要求18所述的方法，其中所述特性包括所述客户的身份。
24.如权利要求18所述的方法，其中所述特性包括所述客户在接收所述接收到的数据时执行的功能。
25.如权利要求18所述的方法，其中所述特性包括鉴别只有所述客户才有的数据。
26.一种用于控制与有关医疗的数据资料库相互作用的系统，所述系统包括：
用于接收代表客户多种特性的数据的装置；
用于分析所述数据以便识别客户专用接口的装置；和
用于向所述客户提供所述客户专用接口以便访问综合知识库的装置，所述综合知识库包括从多个可控和可指定的数据资源中得出的非临床数据和病人专用的临床数据。
27.一种用于控制与有关医疗的数据资料库相互作用的系统，所述系统包括：
用于接收代表客户多种特性的数据的装置；
用于分析所述数据以便识别客户专用接口并识别允许所述客户访问综合知识库的级别的装置，所述综合知识库包括从多个可控和可指定的数据资源中得出的非临床数据和病人专用的临床数据；和
用于向所述客户提供所述客户专用接口以便按照所述识别的级别访问所述综合知识库的装置。
28.一种用于控制与有关医疗的数据资料库相互作用的系统，所述系统包括：
用于定义多个客户专用接口和多个访问综合知识库的级别的装置，所述综合知识库包括从多个可控和可指定的数据资源中得出的非临床数据和病人专用的临床数据；
用于接收代表客户多种特性的数据的装置；
用于分析所述数据以便识别客户专用接口并识别允许所述客户访问所述综合知识库的级别的装置；和
用于向所述客户提供所述客户专用接口以便按照所述识别的级别访问所述综合知识库的装置。
29.一种用于控制与有关医疗的数据资料库相互作用的系统，所述系统包括：
医疗数据的综合知识库，所述知识库包括从多个可控和可指定的数据资源中得出的非临床数据和病人专用的临床数据，所述多个可控和可指定的数据资源位于直接与病人互相作用的保健治疗提供者处；和
逻辑分析器，它配置成接收代表客户多种特性的数据并识别客户专用接口和允许所述客户访问综合知识库的级别。
30.如权利要求29所述的系统，其中所述逻辑分析器配置成通过所述客户所属的类识别所述访问级别。
31.如权利要求29所述的系统，其中所述访问级别是由所述病人专用的临床数据的病人主题设置的。
32.如权利要求29所述的系统，其中所述访问级别定义所述客户可以从所述综合知识库抽取的数据和可以从所述客户装入所述综合知识库的数据。
33.如权利要求29所述的系统，其中所述客户是诊断成像系统。
34.如权利要求29所述的系统，其中所述特性包括所述客户的身份。
35.如权利要求29所述的系统，其中所述特性包括所述客户在产生所述接收到的数据时执行的功能。
36.如权利要求29所述的系统，其中所述特性包括鉴别只有所述客户才有的数据。
37.如权利要求29所述的系统，其中所述综合知识库包括从多个截然不同的资源类型和形态中得出的数据。
38.如权利要求37所述的系统，其中所述形态包括多种医疗诊断成像形式。
39.一种计算机可执行的程序，它包括：
至少一种机器可读介质；
计算机代码，它存储在所述至少一种机器可读介质中，包括执行以下功能的指令：
接收代表客户多种特性的数据；
分析所述数据，以便识别客户专用接口；和
向所述客户提供所述客户专用接口，以便访问综合知识库，所述综合知识库包括从多个可控和可指定的数据资源中得出的非临床数据和病人专用的临床数据。
40.一种计算机可执行的程序，它包括：
至少一个机器可读介质；
计算机代码，它存储在所述至少一种机器可读介质中，包括执行以下功能的指令：
接收代表客户多种特性的数据；
分析所述数据，以便识别客户专用接口并识别允许所述客户访问综合知识库的级别，所述综合知识库包括从多个可控和可指定的数据资源中得出的非临床数据和病人专用的临床数据；和
向所述客户提供所述客户专用接口，以便按照所述识别的级别访问所述综合知识库。
41.一种计算机可执行的程序，它包括：
至少一种机器可读介质；
计算机代码，它存储在所述至少一种机器可读介质中，包括执行以下功能的指令：
定义多个客户专用接口和多个访问综合知识库的级别，所述综合知识库包括从多个可控和可指定的数据资源中得出的非临床数据和病人专用的临床数据；
接收代表客户多种特性的数据；
分析所述数据，以便识别客户专用接口并识别允许所述客户访问所述综合知识库的级别；和
向所述客户提供所述客户专用接口，以便按照所述识别的级别访问所述综合知识库。
CNA2003801097216A 2002-12-18 2003-11-17 综合医疗知识库界面系统及方法 Pending CN1748218A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/323,086 US20040122704A1 (en) 2002-12-18 2002-12-18 Integrated medical knowledge base interface system and method
US10/323,086 2002-12-18

Publications (1)

Publication Number Publication Date
CN1748218A true CN1748218A (zh) 2006-03-15

Family

ID=32593107

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2003801097216A Pending CN1748218A (zh) 2002-12-18 2003-11-17 综合医疗知识库界面系统及方法

Country Status (10)

Country Link
US (1) US20040122704A1 (zh)
EP (1) EP1576522A2 (zh)
JP (1) JP2006511881A (zh)
KR (1) KR20050085711A (zh)
CN (1) CN1748218A (zh)
AU (1) AU2003291001A1 (zh)
BR (1) BR0316899A (zh)
CA (1) CA2508565A1 (zh)
MX (1) MXPA05006607A (zh)
WO (1) WO2004061743A2 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102697511A (zh) * 2012-05-24 2012-10-03 胡明建 体内探测智能针头系统
CN102802511A (zh) * 2009-06-12 2012-11-28 联合研究公司 医学治疗假设检验的系统和方法
CN103038717A (zh) * 2010-06-25 2013-04-10 皇家飞利浦电子股份有限公司 控制对于用户接口的访问以便利用气氛创建系统进行气氛控制
CN103070676A (zh) * 2013-02-04 2013-05-01 广州视声电子科技有限公司 监控对象安全状态的获取方法及系统
CN103181787A (zh) * 2013-02-25 2013-07-03 重庆安碧捷科技股份有限公司 超声三级检诊系统及方法
CN106847258A (zh) * 2013-02-20 2017-06-13 谷歌公司 用于共享调适语音简档的方法和设备
CN107194197A (zh) * 2017-06-30 2017-09-22 上海芭雅医疗科技股份有限公司 一种用于乳腺诊断分析仪器
CN107845097A (zh) * 2017-12-19 2018-03-27 高建华 一种下肢深静脉血栓磁共振成像方法和装置
CN111337321A (zh) * 2014-04-28 2020-06-26 深圳迈瑞生物医疗电子股份有限公司 涂片制备装置和涂片制备方法
CN113383395A (zh) * 2018-10-22 2021-09-10 皇家飞利浦有限公司 用于睡眠障碍识别的决策支持软件系统
WO2022040894A1 (en) * 2020-08-25 2022-03-03 Citrix Systems, Inc. Context-based notification processing system
US11405457B2 (en) 2020-12-08 2022-08-02 Citrix Systems, Inc. Intelligent file access system

Families Citing this family (91)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080147732A1 (en) * 2006-12-13 2008-06-19 Anuthep Benja-Athon Vital hierarchy of data on diseases
US7707046B2 (en) * 2001-10-24 2010-04-27 Qtc Management, Inc. Automated processing of electronic medical data for insurance and disability determinations
US7630911B2 (en) * 2001-10-24 2009-12-08 Qtc Management, Inc. Method of automated processing of medical data for insurance and disability determinations
JP2007517281A (ja) * 2003-11-28 2007-06-28 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ データ処理システム
EP1751550B1 (en) * 2004-04-14 2020-05-13 Edda Technology, Inc. Liver disease diagnosis system, method and graphical user interface
US9984456B2 (en) * 2004-04-14 2018-05-29 Edda Technology, Inc. Method and system for labeling hepatic vascular structure in interactive liver disease diagnosis
US20060020466A1 (en) * 2004-07-26 2006-01-26 Cousineau Leo E Ontology based medical patient evaluation method for data capture and knowledge representation
US20060020447A1 (en) * 2004-07-26 2006-01-26 Cousineau Leo E Ontology based method for data capture and knowledge representation
US20060020465A1 (en) * 2004-07-26 2006-01-26 Cousineau Leo E Ontology based system for data capture and knowledge representation
US20060020444A1 (en) * 2004-07-26 2006-01-26 Cousineau Leo E Ontology based medical system for data capture and knowledge representation
US20060020493A1 (en) * 2004-07-26 2006-01-26 Cousineau Leo E Ontology based method for automatically generating healthcare billing codes from a patient encounter
JP4622462B2 (ja) * 2004-11-05 2011-02-02 富士ゼロックス株式会社 情報処理システム、情報処理装置、および情報処理方法、並びにコンピュータ・プログラム
US20060136267A1 (en) * 2004-12-22 2006-06-22 Cemer Innovation, Inc. System and method for automatic scheduling based on remote monitoring
US7711671B2 (en) * 2005-05-17 2010-05-04 Meyers Kim C Problem solving process based computing
EP1904941A4 (en) * 2005-07-18 2009-10-21 Integralis Ltd DEVICE, METHOD AND COMPUTER-READABLE CODE FOR PREDICTING THE INCIDENT OF A POTENTIALLY HAZARDOUS DISEASE
JP4777028B2 (ja) * 2005-09-15 2011-09-21 株式会社東芝 読影支援装置、読影支援システム、読影レポートデータ授受方法および読影支援プログラム
US20070106127A1 (en) * 2005-10-11 2007-05-10 Alman Brian M Automated patient monitoring and counseling system
US7885443B2 (en) * 2005-11-14 2011-02-08 Hologic, Inc. Facilitating temporal comparison of medical images
WO2007058395A1 (en) * 2005-11-16 2007-05-24 Medintel Co., Ltd Circular matching system and method of applying insurance application thereof
US7769216B2 (en) * 2005-12-29 2010-08-03 Hologic, Inc. Facilitating comparison of medical images
US20070219829A1 (en) * 2006-03-17 2007-09-20 Kay Lay K Medical record association for disability determinations
US20070244503A1 (en) * 2006-04-14 2007-10-18 Salviac Limited Method for filtering embolic material
US20070271121A1 (en) * 2006-04-19 2007-11-22 Consumermed, Inc. Method And System For Providing Evidence Based Evaluations Of Medical Treatments
US20070273517A1 (en) * 2006-05-26 2007-11-29 Navin Govind Apparatus and method for integrated healthcare management
US20080071577A1 (en) * 2006-09-14 2008-03-20 Highley Robert D Dual-access security system for medical records
US8194947B2 (en) * 2006-11-21 2012-06-05 Hologic, Inc. Facilitating comparison of medical images
US8672843B2 (en) * 2006-11-27 2014-03-18 Qtc Management, Inc. Automated protocol for determining psychiatric disability
US20080154637A1 (en) * 2006-12-22 2008-06-26 Capelli Christopher C Methods for risk-adjusted performance analysis
EP2097878A2 (fr) * 2006-12-29 2009-09-09 France Telecom Procede et dispositif d'adaptation au contexte physique d'une application mettant en oeuvre des mecanismes de securite reconfigurables
US20080183501A1 (en) * 2007-01-31 2008-07-31 General Electric Company System and Method for Automated Categorization of Reference Exams
US20080281631A1 (en) * 2007-04-03 2008-11-13 Syth Linda H Health Information Management System
JP5179773B2 (ja) * 2007-04-13 2013-04-10 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー 超音波診断装置
US10201324B2 (en) 2007-05-04 2019-02-12 Delphinus Medical Technologies, Inc. Patient interface system
US20110131234A1 (en) * 2007-08-20 2011-06-02 Konica Minolta Medical & Graphic, Inc. Information process system, and program
US20090119130A1 (en) * 2007-11-05 2009-05-07 Zebadiah Kimmel Method and apparatus for interpreting data
US20090163774A1 (en) * 2007-12-20 2009-06-25 Sudeesh Thatha Managment and Diagnostic System for Patient Monitoring and Symptom Analysis
US8382667B2 (en) * 2010-10-01 2013-02-26 Flint Hills Scientific, Llc Detecting, quantifying, and/or classifying seizures using multimodal data
JP4605252B2 (ja) * 2008-05-21 2011-01-05 富士ゼロックス株式会社 医療情報アクセス制御装置および医療情報アクセス制御プログラム
US20090326340A1 (en) * 2008-06-30 2009-12-31 Hui Wang Patient Monitor Alarm System And Method
US7853459B2 (en) * 2008-08-14 2010-12-14 Qtc Management, Inc. Automated processing of electronic medical data for insurance and disability determinations
US20100049543A1 (en) * 2008-08-22 2010-02-25 Inventec Corporation Health data integration system and the method thereof
US20120016691A1 (en) * 2008-09-30 2012-01-19 Crispian Sievenpiper Automated patient care resource allocation and scheduling
KR101050769B1 (ko) * 2009-05-08 2011-07-21 가톨릭대학교 산학협력단 의료영상 처리 시스템 및 처리 방법
US20110016427A1 (en) * 2009-07-17 2011-01-20 Andre Gene Douen Systems, Methods and Articles For Managing Presentation of Information
US8863031B2 (en) 2009-07-17 2014-10-14 Andre Gene Douen Systems, methods and articles for managing presentation of information
US8786873B2 (en) 2009-07-20 2014-07-22 General Electric Company Application server for use with a modular imaging system
US10089391B2 (en) * 2009-07-29 2018-10-02 Herbminers Informatics Limited Ontological information retrieval system
JP2013519455A (ja) 2010-02-12 2013-05-30 デルフィヌス メディカル テクノロジーズ，インコーポレイテッド 患者の組織を特徴づける方法
US9144403B2 (en) 2010-02-12 2015-09-29 Delphinus Medical Technologies, Inc. Method of characterizing the pathological response of tissue to a treatment plan
SG10201501889WA (en) 2010-03-15 2015-05-28 Singapore Health Serv Pte Ltd Method of predicting the survivability of a patient
US20110238439A1 (en) * 2010-03-25 2011-09-29 Rice William H Method and system for identifying volatility in medical data
US8243882B2 (en) 2010-05-07 2012-08-14 General Electric Company System and method for indicating association between autonomous detector and imaging subsystem
US8666772B2 (en) * 2010-07-12 2014-03-04 Steven J. Kaniadakis Process, system, method creating medical billing code letters, electronic superbill and communication
WO2012094718A1 (en) * 2011-01-14 2012-07-19 Andre Douen Systems, methods and articles for managing presentation of information
US20130132308A1 (en) * 2011-11-22 2013-05-23 Gregory Jensen Boss Enhanced DeepQA in a Medical Environment
EP2613278A2 (en) * 2011-12-05 2013-07-10 Koninklijke Philips Electronics N.V. Retroactive extraction of clinically relevant information from patient sequencing data for clinical decision support
EP2805275A1 (en) * 2012-01-20 2014-11-26 Mueller-Wolf, Martin "indima apparatus" system, method and computer program product for individualized and collaborative health care
US10152702B2 (en) 2012-02-07 2018-12-11 Michael Ingber Apparatus and methods for analyzing a medical condition
US9763641B2 (en) 2012-08-30 2017-09-19 Delphinus Medical Technologies, Inc. Method and system for imaging a volume of tissue with tissue boundary detection
CA2883576C (en) * 2012-09-07 2021-06-08 Hugh MACNAUGHT Comparison of user experience with experience of larger group
KR20140090448A (ko) * 2013-01-09 2014-07-17 한국전자통신연구원 의료 관리 서버 및 그것의 의료 관리 방법
US20200303074A1 (en) * 2013-01-20 2020-09-24 Martin Mueller-Wolf Individualized and collaborative health care system, method and computer program
US9710820B1 (en) 2013-03-04 2017-07-18 Sphere3, LLC Systems and modules for improving patient satisfaction
US10123770B2 (en) 2013-03-13 2018-11-13 Delphinus Medical Technologies, Inc. Patient support system
US9940578B1 (en) 2013-07-10 2018-04-10 Sphere3, LLC Systems and methods for disrupting undesirable outcomes
CN103330554B (zh) * 2013-07-18 2015-05-27 梁亚楠 可穿戴式的人工智能无线物联网安全系统
CN103530727A (zh) * 2013-10-11 2014-01-22 中国人民解放军第九十一中心医院 野战心理防护方舱管理平台系统
US10285667B2 (en) 2014-08-05 2019-05-14 Delphinus Medical Technologies, Inc. Method for generating an enhanced image of a volume of tissue
US9459201B2 (en) 2014-09-29 2016-10-04 Zyomed Corp. Systems and methods for noninvasive blood glucose and other analyte detection and measurement using collision computing
CN107533586A (zh) * 2015-03-23 2018-01-02 私有通道公司 用于加强生物信息学数据隐私和实现生物信息学数据广泛共享的系统、方法和设备
US10043374B2 (en) 2015-12-30 2018-08-07 Lenovo (Beijing) Limited Method, system, and electronic device for monitoring
CN105444815B (zh) * 2015-12-30 2018-07-06 联想(北京)有限公司 一种切换方法、装置、电子设备及应用系统
CN105894088B (zh) * 2016-03-25 2018-06-29 苏州赫博特医疗信息科技有限公司 基于深度学习及分布式语义特征医学信息抽取系统及方法
US9554738B1 (en) 2016-03-30 2017-01-31 Zyomed Corp. Spectroscopic tomography systems and methods for noninvasive detection and measurement of analytes using collision computing
CN106027539A (zh) * 2016-05-30 2016-10-12 成都云材智慧数据科技有限公司 一种材料源数据设备及分布式材料数据搜集系统
WO2018018126A1 (en) * 2016-07-26 2018-02-01 Fio Corporation Data quality categorization and utilization system, device, method, and computer-readable medium
JP6801922B2 (ja) * 2017-06-05 2020-12-16 Ｎｅｃソリューションイノベータ株式会社 診療記録管理システム、装置、方法およびプログラム
KR102186539B1 (ko) * 2018-08-01 2020-12-04 원광대학교산학협력단 다기관 연구용 영상 분석 방법 및 이의 시스템
EP3841552A4 (en) * 2018-08-26 2022-05-18 Haemonetics Corporation PROCESSING AND ANALYSIS OF HEALTHCARE PROVIDER DATA SYSTEMS
US11462317B2 (en) * 2018-08-30 2022-10-04 Qvh Systems, Llc Method and system for displaying medical claim information
JP7262979B2 (ja) * 2018-11-22 2023-04-24 オムロン株式会社 文書作成装置、方法及びプログラム
WO2021140670A1 (ja) * 2020-01-10 2021-07-15 オリンパス株式会社 情報伝達装置および情報伝達方法
US11310210B2 (en) * 2020-01-17 2022-04-19 International Business Machines Corporation Applying unified governance and integration platform to social media data
US20210273962A1 (en) * 2020-02-28 2021-09-02 Electronic Caregiver, Inc. Intelligent platform for real-time precision care plan support during remote care management
US11443845B2 (en) 2020-05-26 2022-09-13 Fujifilm Medical Systems U.S.A., Inc. Systems and methods for storing compressed images
JP7412279B2 (ja) * 2020-06-03 2024-01-12 株式会社日立ハイテク 画像診断方法、画像診断支援装置、及び計算機システム
WO2022024192A1 (ja) * 2020-07-27 2022-02-03 日本電信電話株式会社 情報処理装置、情報処理方法及びプログラム
KR102478613B1 (ko) * 2020-08-24 2022-12-16 경희대학교 산학협력단 스마트 헬스케어 의사결정 지원 시스템을 위한 진화 가능한 증상-질병 예측 시스템
CN112201359A (zh) * 2020-09-30 2021-01-08 平安科技（深圳）有限公司 基于人工智能的重症问诊数据识别方法及装置
US20220157421A1 (en) * 2020-11-13 2022-05-19 Real-Time Engineering And Simulation Inc. System and method for forming auditable electronic health record
CN113034489B (zh) * 2021-04-16 2022-11-01 南方医科大学第五附属医院 基于深度学习的人工智能鼻窦ct图像处理系统

Family Cites Families (87)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3611184C1 (de) * 1986-04-03 1987-09-03 Hirschmann Radiotechnik Verfahren und Vorrichtung zur Raumsicherung
US5019976A (en) * 1987-06-08 1991-05-28 New World Down Hole Tools Method and system for retrieving text associated with a reference image correspondence to a selected patient image
US4945476A (en) * 1988-02-26 1990-07-31 Elsevier Science Publishing Company, Inc. Interactive system and method for creating and editing a knowledge base for use as a computerized aid to the cognitive process of diagnosis
US5235510A (en) * 1990-11-22 1993-08-10 Kabushiki Kaisha Toshiba Computer-aided diagnosis system for medical use
US5200993A (en) * 1991-05-10 1993-04-06 Bell Atlantic Network Services, Inc. Public telephone network including a distributed imaging system
US5384862A (en) * 1992-05-29 1995-01-24 Cimpiter Corporation Radiographic image evaluation apparatus and method
US5537485A (en) * 1992-07-21 1996-07-16 Arch Development Corporation Method for computer-aided detection of clustered microcalcifications from digital mammograms
US6283761B1 (en) * 1992-09-08 2001-09-04 Raymond Anthony Joao Apparatus and method for processing and/or for providing healthcare information and/or healthcare-related information
US5359513A (en) * 1992-11-25 1994-10-25 Arch Development Corporation Method and system for detection of interval change in temporally sequential chest images
EP0616290B1 (en) * 1993-03-01 2003-02-05 Kabushiki Kaisha Toshiba Medical information processing system for supporting diagnosis.
US6574357B2 (en) * 1993-09-29 2003-06-03 Shih-Ping Wang Computer-aided diagnosis method and system
US5452367A (en) * 1993-11-29 1995-09-19 Arch Development Corporation Automated method and system for the segmentation of medical images
US6725209B1 (en) * 1993-12-29 2004-04-20 First Opinion Corporation Computerized medical diagnostic and treatment advice system and method including mental status examination
US6022315A (en) * 1993-12-29 2000-02-08 First Opinion Corporation Computerized medical diagnostic and treatment advice system including network access
US6206829B1 (en) * 1996-07-12 2001-03-27 First Opinion Corporation Computerized medical diagnostic and treatment advice system including network access
US5935060A (en) * 1996-07-12 1999-08-10 First Opinion Corporation Computerized medical diagnostic and treatment advice system including list based processing
US5574828A (en) * 1994-04-28 1996-11-12 Tmrc Expert system for generating guideline-based information tools
US5434932A (en) * 1994-07-28 1995-07-18 West Publishing Company Line alignment apparatus and process
US5519786A (en) * 1994-08-09 1996-05-21 Trw Inc. Method and apparatus for implementing a weighted voting scheme for multiple optical character recognition systems
WO1996012187A1 (en) * 1994-10-13 1996-04-25 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
US5786994A (en) * 1994-11-23 1998-07-28 Imation Corp. Performance monitoring system and method for a laser medical imager
US5790690A (en) * 1995-04-25 1998-08-04 Arch Development Corporation Computer-aided method for automated image feature analysis and diagnosis of medical images
JP2706645B2 (ja) * 1995-12-27 1998-01-28 株式会社亀田医療情報研究所 医療計画支援システム並びに医療計画支援装置及び方法
US6678669B2 (en) * 1996-02-09 2004-01-13 Adeza Biomedical Corporation Method for selecting medical and biochemical diagnostic tests using neural network-related applications
US6108635A (en) * 1996-05-22 2000-08-22 Interleukin Genetics, Inc. Integrated disease information system
US6272481B1 (en) * 1996-05-31 2001-08-07 Lucent Technologies Inc. Hospital-based integrated medical computer system for processing medical and patient information using specialized functional modules
US5815591A (en) * 1996-07-10 1998-09-29 R2 Technology, Inc. Method and apparatus for fast detection of spiculated lesions in digital mammograms
US6173068B1 (en) * 1996-07-29 2001-01-09 Mikos, Ltd. Method and apparatus for recognizing and classifying individuals based on minutiae
US5839438A (en) * 1996-09-10 1998-11-24 Neuralmed, Inc. Computer-based neural network system and method for medical diagnosis and interpretation
US5987345A (en) * 1996-11-29 1999-11-16 Arch Development Corporation Method and system for displaying medical images
JP2815346B2 (ja) * 1997-01-31 1998-10-27 株式会社亀田医療情報研究所 医療計画支援システム
CN1604111A (zh) * 1997-03-13 2005-04-06 第一咨询公司 疾病处理系统
US6301378B1 (en) * 1997-06-03 2001-10-09 R2 Technology, Inc. Method and apparatus for automated detection of masses in digital mammograms
US6058322A (en) * 1997-07-25 2000-05-02 Arch Development Corporation Methods for improving the accuracy in differential diagnosis on radiologic examinations
US6317617B1 (en) * 1997-07-25 2001-11-13 Arch Development Corporation Method, computer program product, and system for the automated analysis of lesions in magnetic resonance, mammogram and ultrasound images
US6021404A (en) * 1997-08-18 2000-02-01 Moukheibir; Nabil W. Universal computer assisted diagnosis
US5999639A (en) * 1997-09-04 1999-12-07 Qualia Computing, Inc. Method and system for automated detection of clustered microcalcifications from digital mammograms
US6073042A (en) * 1997-09-25 2000-06-06 Siemens Medical Systems, Inc. Display of three-dimensional MRA images in which arteries can be distinguished from veins
US6049794A (en) * 1997-12-09 2000-04-11 Jacobs; Charles M. System for screening of medical decision making incorporating a knowledge base
CA2233794C (en) * 1998-02-24 2001-02-06 Luc Bessette Method and apparatus for the management of medical files
US6024699A (en) * 1998-03-13 2000-02-15 Healthware Corporation Systems, methods and computer program products for monitoring, diagnosing and treating medical conditions of remotely located patients
US6067373A (en) * 1998-04-02 2000-05-23 Arch Development Corporation Method, system and computer readable medium for iterative image warping prior to temporal subtraction of chest radiographs in the detection of interval changes
JP2002521752A (ja) * 1998-07-24 2002-07-16 ジャーグ コーポレーション オブジェクト検索を実行するための分散コンピュータ・データベースシステム及びその方法
US6738499B1 (en) * 1998-11-13 2004-05-18 Arch Development Corporation System for detection of malignancy in pulmonary nodules
US6081267A (en) * 1998-11-19 2000-06-27 Columbia Scientific Incorporated Computerized apparatus and method for displaying X-rays and the like for radiological analysis and manipulation and transmission of data
US7450229B2 (en) * 1999-01-25 2008-11-11 Amnis Corporation Methods for analyzing inter-cellular phenomena
US6801645B1 (en) * 1999-06-23 2004-10-05 Icad, Inc. Computer aided detection of masses and clustered microcalcifications with single and multiple input image context classification strategies
AU6491300A (en) * 1999-07-19 2001-02-05 Data Card Corporation System and method for storing, managing, and retrieving healthcare information on a smart card
CN1378677A (zh) * 1999-08-09 2002-11-06 韦克森林大学 生成电子多媒体报告的一种方法和计算机实现程序
WO2001035314A1 (en) * 1999-11-08 2001-05-17 Medical Online, Inc. Medical information management system
US6440066B1 (en) * 1999-11-16 2002-08-27 Cardiac Intelligence Corporation Automated collection and analysis patient care system and method for ordering and prioritizing multiple health disorders to identify an index disorder
US20020069086A1 (en) * 1999-12-06 2002-06-06 Fracek Stephen P. Web linked database for tracking clinical activities and competencies and evaluation of program resources and program outcomes
WO2001059687A1 (en) * 2000-02-09 2001-08-16 Patientpower.Com, Llc Method and system for managing patient medical records
US6383136B1 (en) * 2000-03-06 2002-05-07 Charlyn Jordan Health analysis and forecast of abnormal conditions
US20010039503A1 (en) * 2000-04-28 2001-11-08 Chan Bryan K. Method and system for managing chronic disease and wellness online
US20020016719A1 (en) * 2000-06-19 2002-02-07 Nemeth Louis G. Methods and systems for providing medical data to a third party in accordance with configurable distribution parameters
WO2001099085A1 (en) * 2000-06-20 2001-12-27 Recoverycare.Com, Inc. Electronic patient healthcare system and method
US20020016718A1 (en) * 2000-06-22 2002-02-07 Rothschild Peter A. Medical image management system and method
US6678703B2 (en) * 2000-06-22 2004-01-13 Radvault, Inc. Medical image management system and method
AUPQ842800A0 (en) * 2000-06-28 2000-07-20 Aivision Pty Ltd Flat screen vision testing
US7698154B2 (en) * 2000-07-20 2010-04-13 Marfly 1, LP Patient-controlled automated medical record, diagnosis, and treatment system and method
US20020047867A1 (en) * 2000-09-07 2002-04-25 Mault James R Image based diet logging
US7054755B2 (en) * 2000-10-12 2006-05-30 Iconix Pharmaceuticals, Inc. Interactive correlation of compound information and genomic information
US7024398B2 (en) * 2000-11-02 2006-04-04 Scientific Learning Corporation Computer-implemented methods and apparatus for alleviating abnormal behaviors
US7556602B2 (en) * 2000-11-24 2009-07-07 U-Systems, Inc. Breast cancer screening with adjunctive ultrasound mammography
US7103205B2 (en) * 2000-11-24 2006-09-05 U-Systems, Inc. Breast cancer screening with ultrasound image overlays
US20020127578A1 (en) * 2000-11-27 2002-09-12 Susana Salceda Compositions and methods relating to prostate specific genes and proteins
US6934698B2 (en) * 2000-12-20 2005-08-23 Heart Imaging Technologies Llc Medical image management system
US6551243B2 (en) * 2001-01-24 2003-04-22 Siemens Medical Solutions Health Services Corporation System and user interface for use in providing medical information and health care delivery support
US6939670B2 (en) * 2001-03-12 2005-09-06 Monogen, Inc. Cell-based detection and differentiation of lung cancer
US7386462B2 (en) * 2001-03-16 2008-06-10 Ge Medical Systems Global Technology Company, Llc Integration of radiology information into an application service provider DICOM image archive and/or web based viewer
US20030077576A1 (en) * 2001-03-20 2003-04-24 Joann Trial Use of monoclonal antibodies and functional assays for prediction of risk of opportunistic infection
US7085693B2 (en) * 2001-06-19 2006-08-01 International Business Machines Corporation Manipulation of electronic media using off-line media
AU2002322360A1 (en) * 2001-06-28 2003-03-03 Mount Sinai School Of Medicine Of New York University Methods for diagnosing and treating a disease mediated by decreased mmp-2 function
US7130457B2 (en) * 2001-07-17 2006-10-31 Accuimage Diagnostics Corp. Systems and graphical user interface for analyzing body images
US7158692B2 (en) * 2001-10-15 2007-01-02 Insightful Corporation System and method for mining quantitive information from medical images
US7054473B1 (en) * 2001-11-21 2006-05-30 R2 Technology, Inc. Method and apparatus for an improved computer aided diagnosis system
US20050207630A1 (en) * 2002-02-15 2005-09-22 The Regents Of The University Of Michigan Technology Management Office Lung nodule detection and classification
US7295691B2 (en) * 2002-05-15 2007-11-13 Ge Medical Systems Global Technology Company, Llc Computer aided diagnosis of an image set
US20040078231A1 (en) * 2002-05-31 2004-04-22 Wilkes Gordon J. System and method for facilitating and administering treatment to a patient, including clinical decision making, order workflow and integration of clinical documentation
US6904118B2 (en) * 2002-07-23 2005-06-07 General Electric Company Method and apparatus for generating a density map using dual-energy CT
US6574304B1 (en) * 2002-09-13 2003-06-03 Ge Medical Systems Global Technology Company, Llc Computer aided acquisition of medical images
US7244230B2 (en) * 2002-11-08 2007-07-17 Siemens Medical Solutions Usa, Inc. Computer aided diagnostic assistance for medical imaging
US20040100476A1 (en) * 2002-11-25 2004-05-27 Morita Mark M. Method and apparatus for viewing computer aided detection and diagnosis results
US6628743B1 (en) * 2002-11-26 2003-09-30 Ge Medical Systems Global Technology Company, Llc Method and apparatus for acquiring and analyzing cardiac data from a patient
US7406150B2 (en) * 2002-11-29 2008-07-29 Hologic, Inc. Distributed architecture for mammographic image acquisition and processing
US6765983B2 (en) * 2002-12-13 2004-07-20 General Electric Company Method and apparatus for imaging a region of dynamic tissue

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102802511A (zh) * 2009-06-12 2012-11-28 联合研究公司 医学治疗假设检验的系统和方法
US9959400B2 (en) 2010-06-25 2018-05-01 Philips Lighting Holding B.V. Controlling the access to a user interface for atmosphere control with an atmosphere creation system
CN103038717A (zh) * 2010-06-25 2013-04-10 皇家飞利浦电子股份有限公司 控制对于用户接口的访问以便利用气氛创建系统进行气氛控制
CN103038717B (zh) * 2010-06-25 2017-03-01 皇家飞利浦电子股份有限公司 控制对于用户接口的访问以便利用气氛创建系统进行气氛控制
CN102697511A (zh) * 2012-05-24 2012-10-03 胡明建 体内探测智能针头系统
CN103070676A (zh) * 2013-02-04 2013-05-01 广州视声电子科技有限公司 监控对象安全状态的获取方法及系统
CN103070676B (zh) * 2013-02-04 2014-08-27 广州视声电子科技有限公司 监控对象安全状态的获取方法及系统
CN106847258A (zh) * 2013-02-20 2017-06-13 谷歌公司 用于共享调适语音简档的方法和设备
CN103181787A (zh) * 2013-02-25 2013-07-03 重庆安碧捷科技股份有限公司 超声三级检诊系统及方法
CN111337321A (zh) * 2014-04-28 2020-06-26 深圳迈瑞生物医疗电子股份有限公司 涂片制备装置和涂片制备方法
CN107194197A (zh) * 2017-06-30 2017-09-22 上海芭雅医疗科技股份有限公司 一种用于乳腺诊断分析仪器
CN107194197B (zh) * 2017-06-30 2020-07-14 上海芭雅医疗科技股份有限公司 一种用于乳腺诊断分析仪器
CN107845097A (zh) * 2017-12-19 2018-03-27 高建华 一种下肢深静脉血栓磁共振成像方法和装置
CN113383395A (zh) * 2018-10-22 2021-09-10 皇家飞利浦有限公司 用于睡眠障碍识别的决策支持软件系统
WO2022040894A1 (en) * 2020-08-25 2022-03-03 Citrix Systems, Inc. Context-based notification processing system
US11360830B2 (en) 2020-08-25 2022-06-14 Citrix Systems, Inc. Context-based notification processing system
US11405457B2 (en) 2020-12-08 2022-08-02 Citrix Systems, Inc. Intelligent file access system

Also Published As

Publication number Publication date
WO2004061743A3 (en) 2005-05-26
MXPA05006607A (es) 2005-09-30
KR20050085711A (ko) 2005-08-29
JP2006511881A (ja) 2006-04-06
EP1576522A2 (en) 2005-09-21
WO2004061743A2 (en) 2004-07-22
AU2003291001A1 (en) 2004-07-29
BR0316899A (pt) 2005-10-25
CA2508565A1 (en) 2004-07-22
US20040122704A1 (en) 2004-06-24

Similar Documents

Publication Publication Date Title
CN1748218A (zh) 综合医疗知识库界面系统及方法
CN1748217A (zh) 增强计算机辅助医疗数据处理系统及方法
US7490085B2 (en) Computer-assisted data processing system and method incorporating automated learning
US7187790B2 (en) Data processing and feedback method and system
CN1751309A (zh) 结合体外测试数据的医学数据分析方法和设备
US20040122719A1 (en) Medical resource processing system and method utilizing multiple resource type data
US20040122703A1 (en) Medical data operating model development system and method
US20040122706A1 (en) Patient data acquisition system and method
US20040122705A1 (en) Multilevel integrated medical knowledge base system and method
Spradley Metric methods for the biological profile in forensic anthropology: sex, ancestry, and stature
Van Dijk et al. Association of multigenerational family history of depression with lifetime depressive and other psychiatric disorders in children: results from the Adolescent Brain Cognitive Development (ABCD) Study
US20150339442A1 (en) Computational medical treatment plan method and system with mass medical analysis
Bebo Jr et al. Landscape of MS patient cohorts and registries: recommendations for maximizing impact
Derado et al. Predicting brain activity using a Bayesian spatial model
Kochunov et al. Toward high reproducibility and accountable heterogeneity in schizophrenia research
Dyrberg et al. Diagnostic bone imaging in patients with prostate cancer: patient experience and acceptance of NaF-PET/CT, choline-PET/CT, whole-body MRI, and bone SPECT/CT
Glöggler et al. Development and validation of a useful taxonomy of patient portals based on characteristics of patient engagement
Brodano et al. Adaptation and validation of the spine oncology study group outcomes questionnaire in Italian language
Chen et al. Rates and classification of variants of uncertain significance in hereditary disease genetic testing
Pinneri et al. Recommendations for the autopsy of an infant who has died suddenly and unexpectedly
Borovska et al. Internet of medical imaging Things and analytics in support of precision medicine for early diagnostics of thyroid cancer
Phillips et al. Oncological applications of deep learning generative adversarial networks
Solomon et al. Artificial intelligence and the impact on medical genetics
Shah et al. Association between clinic-reported third next available appointment and patient-reported access to primary care
Gode et al. ’Artificial Intelligence In The Field Of Radiology; A Review Article ‘

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication