威尼斯人棋牌-威尼斯欢乐娱人城-首页

确定对药物剂量方案的遵从性的制作方法

文档序号:24941942发布日期:2021-05-04 11:35
确定对药物剂量方案的遵从性的制作方法

本发明涉及确定对药物剂量方案的遵从性的领域,并且特别地涉及使用对象报告的信息来确定遵从性。



背景技术:

对药物剂量方案的遵从性对于出院后护理或慢性病管理是重要的,因为对长期治疗的不良遵从性导致不良的健康结果和增加的健康护理成本。因此,存在准确地评估对药物剂量方案的遵从性的增加的兴趣。遵从性评估提供针对有效处置规划、药物监测的基础,以及对医学干预的需要。

然而,确保对象对药物剂量方案的遵从性的准确评估(例如,体液中的药物/代谢物浓度的定期测量结果)或使用药物事件监测系统的当前方法对于日常实践是昂贵的且不切实际的。

(诸如使用患者自我报告信息)评估对药物剂量方案的遵从性的其他方法实施起来更便宜、更灵活并且更简单。然而,这些方法更不可靠并且通常更不准确,因为其依赖于准确地报告其遵从性的患者并且因此可能是主观的。

因此,存在提供评估对药物方案的遵从性的准确方法的希望,其实施起来相对便宜并且相对简单。



技术实现要素:

本发明由权利要求书来定义。

根据本发明的方面的范例,提供了一种计算表示对象对药物剂量方案的预测遵从性的遵从性得分的方法。所述方法包括:从由用户接口设备托管的应用获得对象报告的遵从性得分,其中,所述应用由所述对象访问以记录其对所述药物剂量方案的遵从性;获得应用使用信息,所述应用使用信息指示由所述对象对所述应用的访问活动;并且基于所述应用使用信息来增加所述对象报告的遵从性得分,从而计算表示所述对象对所述药物剂量方案的所述预测遵从性的所述遵从性得分。

本发明依赖于以下理解:对象易于漏报其对药物剂量方案的遵从性,例如,由于当使用用于报告其遵从性的应用时的遗忘或误解。因此,关于由所述对象用于登记或记录其对所述药物剂量方案的遵从性的应用的使用或访问活动的信息可以被用于增加遵从性得分以说明该漏报。

这改进遵从性得分的准确度,使得其更紧密地与对象对药物剂量方案的真实或实际遵从性对齐。因此,计算遵从性得分较不依赖于对象准确地报告其对药物剂量方案的遵从性。

这提供了一种评估对象对药物剂量方案的遵从性同时实施起来相对便宜并且简单的高度准确的方法。当遵从性得分高度准确时,因此,其可以被认为是表示对象对药物剂量方案的实际遵从性。

从由对象用于报告对药物剂量方案的遵从性的应用获得的遵从性得分因此使用该应用的访问信息来向上校正。这确保对象报告其对药物剂量方案的遵从性的失败或遗忘不影响所计算的遵从性得分。因此,通过考虑对象已经忘记或未能报告其对药物的摄取的次数,所述方法说明对象报告的遵从性得分与“实际”遵从性得分之间的差。

所述访问活动可以指示例如自对应用的最后访问起的时间、由对象对应用的访问的数目、由对象对应用的访问的频率、在预定时间段内由对象对应用的访问的数目等等。

因此,所述访问活动可以指示对象是否已经根据所述药物剂量方案访问所述应用。例如,如果在预定时段内(用于自我报告)的应用的访问的数目小于在该预定时段内的推荐的药物剂量的数目(根据药物剂量方案),那么可以确定所述对象已经失败或忘记报告对药物剂量方案的遵从性,即使对象可能已经仍然依从了药物剂量方案。

在至少一个实施例中,增加所述对象报告的遵从性得分的步骤包括:获得预测模型用于使用所述对象报告的遵从性得分和所述应用使用信息来预测表示所述对象对所述药物剂量方案的所述预测遵从性的遵从性得分;并且使用所述预测模型基于所述对象报告的遵从性得分和所述应用使用信息来预测所述遵从性得分。

预测模型是接收所述对象报告的遵从性得分和应用使用信息作为输入并且输出更紧密地表示所述对象对所述药物剂量方案的所述实际遵从性的经修改/增加的遵从性得分的方法、算法或函数。

使用预测模型增加所计算的遵从性得分的准确度。特别地,所述预测模型可能能够基于所述对象报告的遵从性得分和由所述对象用于报告其遵从性的应用的访问活动来准确地计算所述患者的“实际”遵从性得分。

获得预测模型的步骤可以包括基于所述对象的一个或多个特性和所述药物剂量方案来选择多个潜在预测模型中的一个。

通过基于所述患者的一个或多个特性或所述药物剂量方案来获得预测模型,可以增加预测遵从性得分的准确度。已经认识到,患者或药物剂量方案特性可以显著地影响患者将在任何给定时间处报告药物的摄取的可能性,并且因此影响对象报告的遵从性得分与实际遵从性得分之间的差异。

通过范例,如果患者被要求在一天里摄取许多药物剂量(由于诊断或药物剂量方案),则其可能更可能忘记或未能报告药物的摄取,例如,由于疲劳或厌倦。通过当选择预测模型时考虑患者的特性或药物剂量方案,然后可以说明这些场景。

所述对象的特性可以包括例如人口统计信息(例如,年龄或性别)、诊断信息或代码、处置信息、医学历史(例如,心血管问题的历史)或体征/症状信息。所述药物剂量方案的特性可以包括:推荐剂量的频率、推荐剂量的大小、推荐剂量的数目等等。

优选地,使用所述预测模型来预测所述遵从性得分的步骤包括:基于所述应用使用信息来确定是否增加所述对象报告的遵从性得分,并且仅当确定增加所述对象报告的遵从性得分时增加所述对象报告的遵从性得分。

因此,所述预测模型可以包括基于所述应用使用信息来确定是否增加所述对象报告的遵从性得分。换句话说,所述预测模型可以定义是否有必要鉴于所述应用使用信息来增加所述遵从性得分。

这避免对所述对象报告的遵从性得分的不必要的增加,例如,其中,考虑所述对象已经足够地报告了其对所述药物剂量方案的遵从性,从而改进所计算的遵从性得分的准确度。

所述应用使用信息可以包括表示所述对象对所述应用的访问活动的使用得分。在这样的实施例中,确定是否增加所述对象报告的遵从性得分的步骤可以包括确定所述使用得分是否大于预定得分,其中,所述预定得分由所述预测模型来定义。

因此,所述预测模型可以定义所述对象是否已经足够地报告了其对所述药物剂量方案的遵从性,例如通过设置对应用的最小访问限制。这改进计算经修改的遵从性得分的准确度。

可选地,所述方法还包括:获得表示所述对象对所述药物剂量方案的实际遵从性的实际遵从性得分;并且基于所述实际遵从性得分来更新所述预测模型。

以这种方式,所述预测模型可以针对所述对象被适配或个性化,而不是一般模型。这增加所述预测模型的准确度并且从而增加所计算的遵从性得分的准确度。

当确定是否增加所述对象报告的遵从性得分的步骤包括确定使用得分是否大于预定得分时,其中,所述预定得分由所述预测模型来定义,更新所述预测模型的步骤可以包括修改所述预定得分。

所述使用得分可以表示所述对象未能访问所述应用以记录其对所述药物剂量方案的遵从性的时间长度,例如,天数。

在一个实施例中,获得实际遵从性得分的步骤包括根据对来自所述对象的体液的药物或代谢物浓度的分析来获得实际遵从性得分。

这样的分析技术已经被识别为提供对象对药物剂量方案的遵从性的准确测量结果。

获得所述对象报告的遵从性得分的步骤可以包括获得所述对象已经使用所述应用来指示其依从所述药物剂量方案多少次的计数。

获得预测模型的步骤可以包括生成预测模型。一种生成预测模型的方法,包括:获得数据项的数据集,每个数据项与对象和药物剂量方案相关联,并且每个数据项包括历史自我报告遵从性得分、历史应用使用信息和历史实际遵从性得分;针对每个数据项,使用通用预测模型,使用所述历史自我报告遵从性信息和所述历史信息使用信息来预测表示与所述数据项相关联的所述对象对药物剂量方案的历史预测遵从性的历史遵从性得分;并且使用每个数据项的所述历史遵从性得分和所述历史实际遵从性得分来修改所述通用预测模型,从而获得所述预测模型。

修改所述通用预测模型的步骤优选地包括以下迭代步骤:针对每个数据项,计算所述历史遵从性得分与所述历史实际遵从性得分之间的差;对每个数据项的计算差进行求和,以生成总数;并且修改所述通用预测模型以在后续迭代中减小所述总数。

在实施例中,所述历史应用使用信息包括表示与所述数据项相关联的由所述对象访问以记录其对所述药物剂量方案的遵从性的应用的所述访问活动的历史使用得分。在其他范例中,使用所述预测模型来预测的步骤包括:确定所述历史使用得分是否大于预定值,所述预定值由所述通用预测模型设定;并且只有在所述使用得分大于预定值的情况下,增加所述历史自我报告遵从性得分,从而生成所述历史遵从性得分;并且修改所述通用预测模型的步骤包括修改所述预定值。

获得数据项的数据集的步骤可以包括基于所述对象的一个或多个特性和所述药物剂量方案来获得所述数据集。

优选地,获得所述对象报告的遵从性得分的步骤包括获得所述对象已经使用所述应用来指示其依从所述药物剂量方案多少次的计数。

所述对象报告的遵从性得分可以因此指示所述对象已经报告其遵从所述药物剂量方案的次数。这提供指示对象的依从性的简单且有效的方法(例如,数目越大,对象可能已经越紧密地依从药物剂量方案)。

获得对象报告的遵从性得分的步骤还可以包括将所述计数除以由所述药物剂量方案推荐的剂量的数目。

因此,所述对象报告的遵从性得分可以表示所述对象已经指示其遵从性的所述药物剂量方案的所述推荐剂量的比例。这增加所述对象对所述药物剂量方案的相对遵从性的概念理解。

所述方法还可以包括:当所计算的遵从性得分低于预定值时生成警报。

因此,响应于所述对象尚未足够地遵从所述药物剂量方案的确定,可以生成警报。这可以允许例如医学介入以避免医学状况恶化。

根据本发明的另一方面的范例,提供了一种计算机程序,包括用于当所述程序在计算机上运行时实施任何先前所描述的方法的代码单元。

根据本发明的又一方面的范例,提供了一种用于计算表示对象对药物剂量方案的预测遵从性的遵从性得分的系统。所述系统包括:获得单元,其适于获得:来自用于用户接口的应用的对象报告的遵从性得分,其中,所述应用由所述对象访问以记录其对所述药物剂量方案的遵从性;以及指示由所述对象对所述应用的访问活动的应用使用信息。所述系统还包括:计算单元,其适于基于所述应用使用信息来增加所述对象报告的遵从性得分,从而生成表示所述对象对所述药物剂量方案的所述预测遵从性的遵从性得分。

本发明的这些和其他方面将从下文中所描述的(一个或多个)实施例而显而易见并且参考下文中所描述的(一个或多个)实施例得以阐述。

附图说明

为了本发明的更好理解并且更清楚地示出其可以如何实现,现在将仅通过范例对附图进行参考,在附图中:

图1是图示根据实施例的方法的流程图;

图2图示了用于托管由对象用于报告遵从性信息的应用的用户接口;

图3图示了根据实施例的用于获得预测模型的步骤;

图4图示了根据实施例的生成预测模型的过程;

图5图示了根据实施例的用于修改预测模型的步骤;并且

图6图示了根据实施例的系统。

具体实施方式

本发明将参考附图来描述。

应理解到,详细描述和特定范例当指示装置、系统和方法的示范性实施例时旨在仅出于图示的目的并且不旨在限制本发明的范围。本发明的装置、系统和方法的这些和其他特征、方面和优点将从以下描述、权利要求书和附图变得更好理解。应当理解,附图仅是示意性的并且不按比例绘制。还应当理解,相同附图标记贯穿附图被用于指示相同或者类似部分。

根据本发明的构思,提出了预测或估计表示对象对药物剂量方案的遵从性的遵从性得分的方法和系统。对象报告的遵从性得分基于由对象用于报告其遵从性的应用的应用使用信息来向上修正。预测模型可以被用于基于应用使用信息来调节对象报告的遵从性得分。

实施例至少部分地基于以下认识:由于遗忘或误解,对象漏报其对药物剂量方案的遵从性。通过使用由对象用于报告其遵从性的应用的访问活动信息,对象报告的遵从性得分可以被向上校正以说明对象未能报告对药物剂量方案的遵从性。

说明性实施例可以例如被采用在慢性病管理解决方案中,其中,对象被要求在延长时间段内或者在其他长期药物剂量系统中摄取药物。以这种方式,可以准确地评估对慢性病药物方案的遵从性,并且可以准确地识别由对象遵从方案的失败。

“药物剂量方案”识别对象应当摄取特定药物多少次(例如,在设定时间段期间)。

“遵从性得分”是对象是否已经遵从药物剂量方案的度量,即,其是否已经摄取了正确剂量数目的药物。特别地,遵从性得分可以表示对象已经在预定时间段(例如,一天或一周)内多么紧密地遵从药物剂量方案的度量。

图1图示了计算表示对象对药物剂量方案的预测遵从性的遵从性得分的方法1。

方法1包括获得对象报告的遵从性得分5的步骤2。

对象报告的遵从性得分5通过由用户接口设备(诸如移动电话或平板电脑)托管的应用提供。如稍后将例示的,用户接口提供通过其对象能够记录其对药物剂量方案的遵从性的应用或程序。

方法然后移动到获得应用使用信息6的步骤3。应用使用信息指示由对象/用户对应用/程序的访问活动。

随后,方法移动到基于应用使用信息6增加对象报告的遵从性得分5的步骤4。通过在步骤4中增加对象报告的遵从性得分,可以获得表示对象对药物剂量方案的预测遵从性的(预测的)遵从性得分7。

因此,在步骤3中生成的遵从性得分7是预测或估计遵从性得分,并且可以备选地被标记“经调节的遵从性得分”。遵从性得分7可以代替“实际遵从性得分”(其表示对对象的遵从性的极其准确评估)使用,例如用于触发警报或通知临床医师对象的遵从性。

本发明依赖于对象可能(例如,由于遗忘)漏报其对药物方案的遵从性的理解。

通过范例,如果应用使用信息6指示对象在预定时间长度内尚未访问应用(用于报告遵从性),则对象报告的遵从性得分5可以被增加预定值或百分比以说明缺失由对象报告。

在优选实施例中,并且如所图示的,增加对象报告的遵从性得分的步骤4可以包括许多子步骤。在实施例中,步骤4包括获得用于基于对象报告的遵从性得分和应用使用信息来预测遵从性得分7的预测模型8的第一子步骤4a。预测模型8在子步骤4b中被用于预测遵从性得分。

各种预测模型由本发明设想,其第一范例在下文中描述。

在该第一范例中,使用自我报告的电子日记或日志方法来获得对象报告的遵从性得分。

图2图示了用户接口20,诸如移动电话,其可以充当用于对象记录其对药物剂量方案的遵从性的电子日记。用户接口包括显示应用的触敏屏幕22。应用提供两个按钮,第一按钮25和第二按钮26。

为了记录遵从性,应用允许对象经由第一按钮25指示其是否已经摄取(“是”)药物或者经由第二按钮指示其是否尚未摄取(“否”)药物。因此,遵从性或不遵从性药物剂量方案可以通过对象点击由用户接口20所提供的“是”按钮25或“否”按钮26来记录。以这种方式,对象报告其是否已经遵从药物剂量方案。

对象报告的遵从性得分ssub可以使用以下等式来计算:

其中,n是表示对象已经指示其已经摄取药物的次数,并且n剂量表示对象应当根据药物剂量方案已经摄取药物的次数。(稍后使用的)n否表示对象已经指示其尚未摄取药物的次数。

因此,获得对象报告的遵从性得分ssub包括获得对象已经使用应用来指示其依从药物剂量方案多少次的计数n是。

换句话说,返回参考图1,获得对象报告的遵从性得分5的步骤2可以包括至少获得对象已经使用应用来记录其依从药物剂量方案多少次的计数n是。步骤2还可以包括确定对象已经指示其依从药物剂量方案的推荐剂量数目的什么比例。

在步骤4中,对象报告的遵从性得分基于应用使用信息来调节以获得(估计的)遵从性得分sad。特别地,预测模型8使用预定值nu来增加对象报告的遵从性得分ssub,其中,预定值nu由应用使用信息6来确定。

在第一范例中,应用使用信息6包括使用得分。使用得分表示对象对应用的访问活动。使用得分可以例如指示自从应用最后由对象访问的时间长度,诸如天数nd。

响应于时间长度nt小于预定得分p,预定值nu可以被设定为0。响应于时间长度nt大于或等于预定得分p,预定值nu可以被设定为第二预定值nu。因此:

以这种方式,应用使用信息定义是否增加对象报告的遵从性得分。预测模型可以定义预定得分p的值。

第二预定值nu可以等于对象是否已经摄取药物的次数。因此,第二预定值nu可以表示对象应当已经根据药物剂量方案摄取药物的次数n剂量与对象已经指示其已经摄取药物的次数n是和对象已经指示其尚未摄取药物的次数n否的和之间的差的大小。因此,第二预定值nu可以被计算如下:

nu=n剂量-n是-n否(3)

然而,第二预定值nu可以由任何适合的预定值替换,或可以以其他方式由预测模型来定义。

(估计的)遵从性得分sad然后可以使用以下等式来计算:

以这种方式,估计的遵从性得分sad取决于对象报告的遵从性得分ssub和定义预定值nu的应用使用信息。

由于预定值nu可以是0或第二预定值nu,所以所提出的方法可以仅当确定增加对象报告的遵从性得分时增加对象报告的遵从性得分(通过第二预定值nu)。

在优选范例中,不同的预测模型定义针对预定得分p的不同值。

因此,在子步骤4b中使用预测模型可以包括确定是否增加对象报告的遵从性得分(即,等式2),并且仅当确定增加对象报告的遵从性得分时增加对象报告的遵从性得分(即,等式4)。

步骤4中使用的预测模型可以定义等式2-4。换句话说,预测模型确定对象报告的遵从性得分ssub如何基于应用使用信息来调节。

特别地,当应用使用信息包括表示对象对应用的访问活动的使用得分时,确定是否增加对象报告的遵从性得分的步骤可以包括确定使用得分是否大于预定得分,其中,预定得分由预测模型来定义。

图3图示了根据本发明的实施例的获得预测模型的子步骤4a的实施例。

子步骤4a包括获得对象的一个或多个特性38和/或(与对象相关联的)药物剂量方案的子步骤31。

子步骤4a还包括基于对象的一个或多个特性和药物剂量方案来选择多个预测模型39中的一个的子步骤32。

因此,子步骤4a包括基于对象的(一个或多个)特性和/或相关联的药物剂量方案来从许多潜在预测模型中选择预测模型。

换句话说,可以存在各自与对象的不同群组和/或药物剂量方案相关联的多个预测模型。步骤32包括选择必须类似于研究中的对象的群组相关联的预测模型。通过范例,子步骤4b可以包括实行最小距离算法。

子步骤4a然后输出所选择的预测模型8用于使用在使用预测模型来预测遵从性得分的子步骤4b中。

对象的特性可以包括例如人口统计信息(例如,年龄或性别)、诊断信息或代码、处理信息、医学历史(例如,心血管问题的历史)或体征/症状信息。药物剂量方案的特性可以包括:推荐剂量的频率、推荐剂量的大小、推荐剂量的数目等等。

因此,子步骤4a可以包括基于对象的一个或多个特性和药物剂量方案来选择一个或多个潜在预测模型39。

图4图示了生成用于使用在方法1的步骤4中的预测模型45’的方法40。

方法40包括获得数据项49’的数据集49的步骤41,其中的每一个与对象和药物剂量方案相关联。数据项49’包括历史自我报告遵从性得分49a、历史应用使用信息49b和历史实际遵从性得分49c。

数据项49’的每个历史元素表示先前报告或已知的信息,并且在时间上彼此对齐。每个数据项可以例如与确定遵从性的不同时间段和/或不同对象相关联。

通过范例,数据集可以包括:与第一对象相关联的第一多个数据项,多个中的每个数据项与确定遵从性的不同时间段相关联;以及与第二对象相关联的第二多个数据项,多个中的每个数据项与确定遵从性的不同时间段相关联。数据集可以包括任何数目的这样的多个,每个多个与不同对象相关联。

因此,历史自我报告遵从性得分49a可以指示对象经由与用户接口的应用(例如,使用“是”按钮)的迭代指示其遵从药物剂量方案的次数的历史记录。

历史实际遵从性得分表示对象对药物剂量方案的实际遵从性。这样的实际遵从性得分可以例如通过在对象上实行血液或流体浓度分析来获得(以识别其是否已经摄取正确数目的药物剂量)。

方法40还包括迭代地实行使用通用预测模型45来预测针对数据项的历史遵从性得分的步骤41,其中,历史遵从性得分表示(与数据项相关联的)对象对药物剂量方案的预测遵从性。为了预测历史遵从性得分,通用预测模型处理数据项的历史自我报告遵从性得分49a和历史应用使用信息49b。

预测历史遵从性得分的方法可以与参考图1至2所描述的预测遵从性得分的步骤基本上相同。

在数据集49的每个数据项49’上实行步骤42,使得生成相应的多个历史遵从性得分46。每个历史遵从性得分46从而与相应的数据项49’相关联。

方法40还包括使用每个数据项49’的历史遵从性得分46和历史实际遵从性得分49c来修改通用预测模型45的步骤43。

特别地,步骤43包括修改通用预测模型以尝试并且最小化每个数据项49’的历史(预测)遵从性得分46与历史实际遵从性得分49c之间的差。

步骤42和43可以每次使用经修改的预测模型45’来迭代地重复以确定修改的结果并且确定如何或是否进一步修改通用预测模型。因此,步骤42和43充当修改旨在使数据集49的历史遵从性得分与历史实际遵从性得分之间的差最小化的通用预测模型的修改过程47。

在修改过程47的预定迭代次数之后,或者当历史遵从性得分与历史实际遵从性得分之间的差小于预定值时,修改过程47的迭代重复可以停止。

在第一范例中,使用修改过程47来生成的预测模型与参考等式2-4所描述的预测模型类似地结构化。即,预测模型可以定义预定得分p的大小。在其他范例中,预测模型可以定义第二预定值nu的大小。

因此,步骤43可以包括修改预定得分p和/或第二预定值nu的大小。修改得分47可以因此包括修改由通用预测模型定义的预定得分p以试图减少每个数据项的历史遵从性得分46与历史实际遵从性得分49c之间的差。

特别地,修改过程47旨在实行以下优化或最小化过程:

其中,n是数据项的数目,shad是历史遵从性得分,并且shac是历史实际遵从性得分。shad可以以与等式4的sad相同的方式计算,但是使用历史自我报告遵从性得分和历史应用使用信息。

调节预测模型以使历史遵从性得分与历史实际遵从性得分之间的差最小化的方法将对于技术人员众所周知。换句话说,生成预测模型的方法40可以包括使历史估计遵从性得分与相关联的历史实际遵从性得分之间的差最小化。

可以在多个不同数据集上实行方法40以生成不同预测模型45以用于与计算表示对象对药物剂量方案的预测遵从性的遵从性得分的方法一起使用。

不同的数据集可以与数据项的不同群组(并且从而与对象或药物剂量方案)相关联。因此,单个数据集中的数据项可以与共享类似特性的对象(诸如诊断、处置方法和/或药物剂量方案)相关联。

以这种方式,可以生成多个不同的预测模型,每个预测模型与对象的不同群组和/或药物剂量方案相关联。

图5图示了用于改进根据实施例的方法的另一过程50。

另一过程包括获得表示对象对药物剂量方案的实际遵从性的实际遵从性得分59的步骤51。

实际遵从性得分可以例如根据对来自对象的体液的药物或代谢物浓度的分析来获得。在其他范例中,实际遵从性得分可以从药物调查获得(例如,检查患者已经留下多少药物剂量)。因此,实际遵从性得分准确地反映对象对药物剂量方案的遵从性。

另一过程50还包括基于实际遵从性得分59来更新预测模型8的步骤52。因此,输出更新的预测模型8’。

因此,另一过程旨在基于对象对药物剂量方案的实际遵从性来更新或个性化预测模型。这导致待用于估计对象对药物剂量方案的遵从性的更准确且定制的预测模型。

基于对象的实际遵从性来更新预测模型的方法可以类似于调节参考图4所描述的预测模型的方法。

换句话说,步骤51可以包括确定实际遵从性得分59与遵从性得分7之间的差和改变旨在减少所确定的差的预测模型的迭代过程。

在所描述的范例中,应用使用信息指示应用尚未访问的时间长度(例如,天数)。然而,在其他范例中,应用使用信息可以指示对象访问应用的时间量、对象访问应用的频率、应用的访问与由对象对其是否已经遵从药物剂量方案的指示之间的关系等等。

其他预测模型对于技术人员将是明显的。例如,预测模型可以定义应用于自我报告遵从性得分的算法,其中,应用使用信息定义待应用的算法的变量,从而生成遵从性得分。

图6图示了用于计算表示对象对药物剂量方案的预测遵从性的遵从性得分的系统60。系统60包括获得单元61和计算单元62。

获得单元61适于获得:来自用于用户接口的应用的对象报告的遵从性得分,其中,应用由对象访问以记录其对药物剂量方案的遵从性;以及应用使用信息,其指示由对象对应用的访问活动。

计算单元62适于基于应用使用信息来增加对象报告的遵从性得分,从而生成表示对象对药物剂量方案的预测遵从性的遵从性得分。

实施例利用系统。系统可以利用App和/或硬件以许多方式来实施以实行要求的各种功能。处理器是采用可以使用App(例如,微代码)编程以实行所要求的功能的一个或多个微处理器的系统的一个范例。然而系统可以在采用或没有采用处理器的情况下来实施,并且还可以被实施为实行一些功能的专用硬件和实行其他功能的处理器(例如,一个或多个可编程微处理器和相关联的电路)的组合。

可以被采用在本公开的各种实施例中的系统部件的范例包括但不限于常规微处理器、专用集成电路(asic)和现场可编程门阵列(fpga)。

在各种实施方式中,处理器或系统可以与一个或多个存储介质相关联,诸如易失性和非易失性计算机存储器(诸如ram、prom、eprom和eeprom)。存储介质可以被编码有一个或多个程序,其当在一个或多个处理器和/或系统上运行时实行本文所要求的功能。各种存储介质可以被固定在处理器或系统内或可以是可传输的,使得被存储在其上的一个或多个程序可以被加载到处理器或系统中。

因此,本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质(或媒介),其上具有用于使处理器实现本发明的各个方面的计算机可读程序指令。

本文参考根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中的各方框的组合都可以由计算机可读程序指令实施。

在这点上,流程图或框图中的每个方框可以代表一个模块、段或指令的一部分,所述模块、段或指令的一部分包含用于实施(一个或多个)指定逻辑功能的一个或多个可实行指令。一些备选实施方式中,框中指出的功能可以不以附图中指出的次序发生。框图和/或流程图中的每个方框、以及框图和/或流程图中的框的组合可以由实行指定功能或动作或实现专用硬件与计算机指令的组合的专用的基于硬件的系统来实施。

通过研究附图、说明书和随附的权利要求书,本领域的技术人员在实践所要求保护的本发明时可以理解和实现所公开的实施例的变型。在权利要求中,词语“包括”不排除其他元件或者步骤,并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中记载的若干项的功能。互不相同的从属权利要求中记载了特定措施的仅有事实并不指示不能有利地使用这些措施的组合。计算机程序可以被存储/被分布在适合的介质(诸如连同其他硬件一起或作为其一部分供应的光学存储介质或固态介质),而且可以以其他形式分布(诸如经由因特网或其他有线或无线电信系统)。权利要求中的任何附图标记不应当被说明为对范围的限制。

再多了解一些
当前第1页1 2 3 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1

威尼斯人棋牌|威尼斯欢乐娱人城

XML 地图 | Sitemap 地图