專利名稱：在醫(yī)療計劃中的個性化預后建模的制作方法
在醫(yī)療計劃中的個性化預后建模
相關申請
本專利文獻基于35U.S.C. § 119 (e)來要求在2006年4月17日申請的美 國臨時專利申請Nos.60/792,450的申請日期的權益，所述申請以弓間的方式結 合于此。
背景技術：
本實施例涉及醫(yī)療計劃。輻射治療計劃的目標在于計算一組參數(shù)以用于控 制一個傳送輻射給患者的輻射治療設備。理想地，全部所述傳送的輻射被集中 在一個腫瘤內，并且沒有輻射被傳送到所述腫瘤的外面。事實上，這是不可能 的。因此，輻射治療it^試圖找到一個對給所述腫瘤的輻射劑量和到所述腫瘤 外部的輻射劑量作出權衡的解決方案。
--個操作員可以設置輻射治療參數(shù)，如射束數(shù)目、射束位置、射束方向和 射束強度。到所述腫瘤和所述腫瘤外部的預測輻射劑量根據(jù)操作員設置的輻射 治療參數(shù)來被計算。逆向治療計劃的系統(tǒng)(ITPS)已經(jīng)被開發(fā)，其試圖創(chuàng)建一 個被給出一個目標功能的輻射治療參數(shù)的最優(yōu)解。該目標功能衡量一個寺寺殊的 輻射方案能夠以何種程度實現(xiàn)治療目標。
所述目標功能或者基于劑量或者基于一個通用生物模型?；趧┝康哪繕?功能要求一個關于在一個規(guī)定腫瘤內的期望劑量應該到什么程度和所述腫瘤外
部的期望劑量應該至附么程度的輸入。itps隨后試圖優(yōu)化一^i軍決方案以滿足 這些標準。基于生物參數(shù)的目標功肖巨包括--個不同的齊糧分布如何影響一個月中 瘤和不同的劑量分布如何影響所述腫瘤外部的正常組織的通用模型。到所述系
統(tǒng)的輸入是期望腫瘤控制概率(TCP)和正常組織并發(fā)癥概率(NTCP)。所述 系統(tǒng)試圖最大化期望腫瘤控制概率和最小化正常組織并發(fā)癥概率，以符合期望 目標。通過使用所述生物模型以提取到所述腫瘤的期望劑量以及允許到正常組 織的耐受劑量，這些期望腫瘤控制概率和正常組織并發(fā)癥概率目標的實現(xiàn)被執(zhí) 行。給定所述劑量，輻射治療參數(shù)就被確定出。但是，輻射治療參數(shù)對于一個 給定患者來說未必是最佳的。

發(fā)明內容
在各種實施例中，系統(tǒng)、方法、指令以及計算機可讀介質被提供用于帶有 對個體的具體考慮的自動治療計劃。 一個或多個預后模型指示與一個給定劑量
的患者專用信息有關的耐受性(survivability)。通過對于多個劑量確定耐受性， 由與劑量有關的耐受性表示的生物模型被確定用于特定患者。同樣，并發(fā)癥或 副作用的概率被確定。耐受性的概率以及并發(fā)癥的概率分別被用作或代替所述 腫瘤控制概率和正常組織并發(fā)癥概率。與患者特定劑量分配有關的期望腫瘤劑 量和耐受劑量被選擇。所述被選擇的劑量被輸入到一個用于確定輻射治療參數(shù) 的逆向治療計劃的系統(tǒng)。
在一個第一方面中， 一提供用于帶有個體的具{*#慮的自動治療計劃的系 統(tǒng)。 一個輸入可操作以接收用于一個患者的多個患者特定特性的值。處理器可 操作以把所述值施加到一個第一預后模型。所述第一預后模型把對應于所述值 的多個變量與一個給定劑量的第一概率相關聯(lián)。所述處理器可操作以把一個第 一輸入提供給一個逆向治療計劃的系統(tǒng)，其中第一輸入取決于所述第一概率。 顯示器可操作以根據(jù)所述第一概率輸出所，向治療計劃的系統(tǒng)提供的輻射治 療參數(shù)。
在一個第二方面中， 一個計算機可讀存儲介質具有存儲在其中的數(shù)據(jù)，該 數(shù)據(jù)表示用于帶有個體的具體考慮的自動治療計劃的可通過編程處理器執(zhí)t亍的 指令。所述指令包括確定~-個與劑量有關的存活概率的第一劑量分布，所述 第一劑量分布根據(jù)專用于一個個體患者的第一值來通過一個預后模型輸出；確 定一個與劑量有關的并發(fā)癥概率的第二劑量分布，所述第二劑量分布根據(jù)專用 于所述個體患者的第二值 過所述預后模型輸出；從對應于一個期望的存活 概率的所述第一劑量分布中選擇一個腫瘤齊糧；從對應于一個期望的并發(fā)癥概 率的所述第二劑量分配中選擇一個耐受齊糧；并且確定--個與所述腫瘤劑量和 所述耐受(tolerance)劑量有關的輻射治療方案。
在一個第三方面中， 一個方法被提供用于帶有個體的具體考慮的自動治療 計戈ij。把患者的特定值施加到一個預測模型。 一個存活概率響應于所述施加被 從所述預后模型輸出。 一個根據(jù)所述存活概率的第一齊糧被輸入到一個逆向治 療計劃的系統(tǒng)。 一個輻射治療方案響應于所述第一劑量從所,向治療計劃的 系統(tǒng)輸出。任何一個或多個如上所述的方面可以被單獨或組合使用。ilil接下來的具 體實施方式，這些以及其它方面、特征以及優(yōu)點便會變得明顯，所述具體實施 方式將結合附圖來理解。本發(fā)明由接下來的禾又利要求定義，并且在這個部分中 沒有什么應該作為在那些權利要求之上的限制。本發(fā)明的進一步方面以及優(yōu)點 在下面結合優(yōu)選實施例被論述，并且可以在以后被獨立地或組合地進行權利要 求。


圖1是用于個體化的治療計戈啲方法的一個實施例的流程圖 圖2是用于個體化的治療計劃的方法的另一實施例的流程亂 圖3是用于在輻射治療方案中施加一個預后模型的系統(tǒng)的一個實施例的框
圖4是在一個例子中的一個患者醫(yī)療記錄的圖解表示；以及
圖5是用于推導一個預后模型的個體患者輸入的數(shù)據(jù)挖掘器的一個實施例
的圖解表示。
具體實施例方式
用于輻射治療的治療計劃使用患者專用信息。期望腫瘤控制概率以及正常 組織并發(fā)癥概率模型基于通用模型，所述通用模型來自或者臨床試驗或者醫(yī)學 知識的其它資料來源。然而，每一個體可能具有用于劑量分布的一個唯一的期
望腫瘤控制概率(TCP)或者正常組織并發(fā)癥概率(NTCP)曲線。通過調整針 對一個特殊個體的所述期望腫瘤控制概率或者正常組織并發(fā)癥概率模型可以生 成一個最優(yōu)治療。這些生物模型基于個體和/或治療特性被修改，以個體化所述 期望腫瘤控制概率以及正常組織并發(fā)癥概率模型。所述產生的劑量和允許的對 ITPS系統(tǒng)的耐受輸入可能更加合理地反映適于一個個體患者的劑量。ITPS輸出 一個預觀擠糧到M所述輻射治療方案可達至啲腫瘤和正常組織。
所述生物模型的個性化可以用多個方式構造。一個方法是構造小心的試驗， 其中在大量的患者基礎上患者數(shù)據(jù)被收集，然后劑量和結果被測量。所述結果 被隨后返回關聯(lián)到所述劑量和患者數(shù)據(jù)，以找到一個用于如何通過個體的患者 數(shù)據(jù)來確定出結果的模型。然而，該方法可能是昂貴的，因為需要的不同患者 的數(shù)目將是非常大的，以說明劑量和患者數(shù)據(jù)兩者的變化。
在一個替代的方法中， 一個預后模型基于患者的特定值來預測結果(例如存活率)和副作用(例如疾病)。與齊糧有關的輸出提供所述生物曲線。例如， 所述預后模型源自于文獻和/或一個數(shù)據(jù)庫，例如在美國專利號_^代理人編
號2006P07714US01，與本申請同日提交)中，其公開內^這里作為參考被包 括。所述預后模型被用作用于劑量分布的生物模型。存活的概率和/或并發(fā)癥的 概率可能是通過利用很少數(shù)目的患者記錄而不是數(shù)據(jù)密集的試驗來建模而得 到。存活的概率以及并發(fā)癥的概率在一個逆向治療計劃的系統(tǒng)中被用作所述腫 瘤控制概率和正常組織并發(fā)癥概率。
可以使用任何預后模型。在一個實施例中， 一個由公布文獻獲得的模型被 使用。公布文獻是用于建模的可靠資料的可用來源，甚至在大數(shù)據(jù)庫不可用的 地方。為了增加準輸性，治療結果(例如耐受性和并發(fā)癥)通過組合多個資料 來源的統(tǒng)計模型被預測，例如文獻和數(shù)據(jù)驅動的模型。例如，非小細胞肺癌 (non-small-celllung-cancer， NSCLC)患者的2年存活率基于個體或者患者專用 信息被預測。所述預測使用通過文獻和一個數(shù)據(jù)庫收集的知識庫。通過把兩者 的信息源結合到一個聯(lián)合模型中，所述預測的一致性和準確性可以被改進。
自動治療計劃可以與一個保健工作流程相關聯(lián)。例如，患者數(shù)據(jù)挖掘或者 人工輸入提供數(shù)值到一個或多個預后模型。所述數(shù)值用于一個特定患者。所述 模型或者多個模型生成一個涉及基于所述數(shù)值的可能的治療的概率。所述模型 或者多個模型可能重復地執(zhí)行所述診斷以確定一個最佳的治療，例如模擬不同 的治療概率。作為選擇，輸入建議的治療并且輸出與所述治療相關聯(lián)的預后。 一個與耐受性的概率和一個并發(fā)癥的可容忍的概率的期望組合相關聯(lián)的劑量基 于所述個體化的預后被選擇。所述劑量和耐受被輸出到一個逆向治療計劃的系 統(tǒng)(ITPS)。所述ITPS和預后模型或者通過所述預后模型確定的劑量分布可以 被重復地使用，以優(yōu)化一個能實現(xiàn)的治療計劃。所述預后模型可以解釋其它治 療，例如化學療法、外科、和/或射留法(fractionation),以對個體的患者提供一 個治療方案。任何提供一個工作流程弓摩的現(xiàn)在已知的或者以后開發(fā)的軟件或 者系統(tǒng)可以被配置為依照對特定的患者屬性的考慮來進行自動治療計劃。
圖1和2示出了用于帶有個體的特定考慮的自動治療計戈啲一個方法的實 施例。所述方法采用圖3所示的系統(tǒng)或者一個不同的系統(tǒng)被實現(xiàn)。所述動作依 照所示的順序或者一個不同的順序被執(zhí)行。另外的、不同的、或者更少的動作 可以被提供。例如，圖2中的動作202-210沒有被提供。圖l示出了用于確定一個治療計劃的患者特定值的使用。圖2示出了用于確定一個治療計劃的一個預 后模M其后繼使用的一個實施例的開發(fā)。
參照圖2，在動作202中，用于一個疾病的預測器的定量的醫(yī)學知識被從
文獻處收集。所述文獻是任何公布信息，最好是可信的。所述文獻資源可以是 書、醫(yī)學雜志、論文、報告或者其它出版物。 一個或多個文獻資源被使用。例
如，與一種特定疾病和不同的治療選擇相關聯(lián)的提示(leading)或者許多出版 物被使用。所述文獻可以報告臨床研究的成果。
所述知識為了一個特定疾病或者一組相關疾病被收集。所述知識反映與一 個或多個治療相關聯(lián)的耐受性和副作用(并發(fā)癥)，所述一個或多個治療例如一 個同型治療的不同的劑量。與一個疾病相關聯(lián)的報告結果和對應治療被收集。
一個變量的與結果相關性的任何指示可以被收集。定量的醫(yī)學知識可以被 提供作為一個表、 一個圖、文本或者其組合。例如，目標患者群體的特性、所 述患者群體的整個存活率、展現(xiàn)某些特性的某些子群的存活率、危害比例、在 一個接收治療的研究中的患者比率、分組信息、治療、結果、或者其它參數(shù)被 收集。通常，所述文獻報告一個有兩組患者的研究， 一個組接受治療并且另一 組不接受所述治療。在所述研究開始時的所述兩個組之間的患者比率、 一個周 期之后的 ^存活率、以及危害(hazard)比例被給定。在其它出版物中，不同 的、另外的、或者更少的信息被提供。沒有直接報告過的數(shù)值可以從在文獻中 提供的信息被推定，為了缺少的信息單元可能需要另外的設想來彌補。
所述收集被人工地執(zhí)行。例如， 一個或多個人檢査所述文獻并且輸入所述 信息至lj一個數(shù)據(jù)庫或者電子數(shù)據(jù)表中。所述收集、對所述收集的評估、或者用 于收集的資源的選擇可以通過一個醫(yī)生或者其它博學的來源被執(zhí)行或者檢查。 在可替代的實施例中，所述信息被自動或者半自動地收集。例如，在下面論述 的數(shù)據(jù)挖掘被用來挖掘自由文本(freetext)、其它非結構化的資源或者結構化的 文獻資源，以收集所希望的信息。手動的和自動的收集的組合可以被執(zhí)行。
在動作204中，所述患者信息和結果之間的關系被確定。在一個實施例中， 一個多變量模型通過所述收集信息在沒有確定個體的關系的情況下被創(chuàng)建。在 另一個實施例中， 一個劑量和不同的預測器(即與一個結果相關的不同患者 信息變量)之間的單變量的關系通過所述定量的醫(yī)學知識被獨立地建模。在所 述文獻的報告成果的下層的統(tǒng)計模式和參數(shù)通過所收集的數(shù)據(jù)被反向工程(reverse engineered )c
在--個示例性實施例中，所述文獻包括示出了與一個M有關的結果的圖。 例如，與抽煙量有關的生存兩年的概率可以被提供用于一個給定治療。通iM" 所述圖進行擬合， 一個所述圖的數(shù)學表達式被提供用于計算機的使用。線性、 平方或者其它擬合可以被使用。作為選擇，對應于所述圖的邏輯(例如if-then 語句)對所述圖建模。
在另一示例性實施例中，所述文獻包括示出了與所述M有關的結果的表。 所述表被轉換為供一個計算機使用的邏輯語句。作為選擇，所述表被用作用于 曲線擬合的數(shù)據(jù)點。所述擬合曲線建模所述表。
在又一個示例性實施例中， 一個二進制分類利用-一個邏輯或者Cox回歸 (Coxregression)被確定。所述分類ffiil—賴、 一個圖、文本、或者其組合被 確定出。其它建模或者分類可以被使用。在其他實施例中， 一個組合建模被確 定用于單變量關系，例如同時使用分類和曲線擬合。兩個不同的模型表示相同 的關系。
作為一個分類的例子，總##活率(D、危害比例(/0、和與為與結果的 相關性而學習的一個變量的不同的二進制數(shù)值(尸=0和尸=7)相關聯(lián)的研究患 者的比率被收集和用于建模一個單變量關系。所述患者的每一獨立群的存活率 可以不必獨立地提供，建模也是如此。例如， 一個總體存活率被提供，但是對 于所述患者的兩個組的每個來說，獨立的存活率沒有被提供。所述獨立的存活 率被建模c
4OT—個用于二進制預測器尸的Cox回歸模型示例，所收集的數(shù)據(jù)被歸類。
危害比例的數(shù)值可以被給定為/^/^W一。采用尸^和尸^的患者的比率可 以fflil 和被表示。具有尸O和尸=/的由SP=0和SP=/ ，的所述子群
的2 ，活率被推斷。所述比率在零時間(研究的開始)是已知的，而不是在 所述研究結束時。 一個存活時間的指數(shù)、韋伯(Weibull)、或者其它分布被假定
或者已知。對于一個指數(shù)遞減，公式,=(^=1+，=^=尸^產生。該公式包括
作為一個指數(shù)項的危害比例、作為權重的相對比率、總1W活率、和患者的一 個組的期望兩年存活率。所述公式對&y被求解(數(shù)字地)?；颊叩钠渌M的兩
年存活率的關系表示為(S^M^A&;) 結果是對于所述二進制預 測器(變量)的兩年之后的存活概率。在上述例子中， 一個特定的回歸模型被使用。可以使用其它模型，例如邏 輯回歸。在所述例子中建模的結果是耐受性，但是其它結果可以被建模，例如 并發(fā)癥。兩年存活率被建模，但是其它術語可以被使用。時間的范圍(例如， 4-10 ^#活率)對--個給定預觀U器可以被內插或者外插。其它公式可以被f頓。 其它參數(shù)可以被使用。非二進制的建?？梢员皇褂?。其它文獻資源可以給定不 同類型的{言息，因此所述建?；谏舷挛目梢圆煌?br> 對于一個給定治療，不同的變量的與結果的關系可以被建模。例如，部分 預后模型可以為一個給定劑量提供與所述輸入變量有關的結果。不同的或者相 同的模型可以被使用。任何變量可以被使用，但是統(tǒng)計上有顯著意義的變量優(yōu) 先。其中可用的或者期望的、附加的單 關系為一個給定治療而建模。
在動作206中，所述單變量關系的建模被合并成一個多變量模型。任何組 合可以被使用。因為關系反映概率，組合可以是隨機的。例如，假定一個月市癌
患者具有一個平均30%概率的兩年存活率；和一個有肺癌的吸煙者具有一個
27%概率的兩年存活率，同時一個剤市癌的非吸煙者具有一個40%的概率；另 外，假定有肺癌的男子具有一個25%概率的兩年存活率，而婦女具有一個35% 的概率。假定患者的性另,其煙癮不彼此依賴(其實際上也許不正確)，人們可 以組合這兩個預測器，并且獲得，舉例來說， 一個不吸煙婦女具有一個45.6% 概率的兩年存活率，而一個抽煙男子具有一個22.3%概率的兩年存活率。
作為另一可能的組合， 一個貝葉斯(Bayesian)網(wǎng)絡作為多變量模型通過 所述單變量關系形成。貝葉斯網(wǎng)絡充當多變量定量模型，其以(隨機的)因果 關系影響的形式獲取醫(yī)學知識。其它網(wǎng)絡或者g模型可以被使用。
所述組合假定多樣的單體預觀懶型不彼此1^#、。作為選擇，單變量預測 模型之間的關系是已知的或者確定的，并且作為所述組合的一部分被包括。
除所述文獻之外，從內科醫(yī)師獲得的信息可以被包括在文獻模型中。內科 醫(yī)師的知識可以為填充在文獻中缺少的信息或用于形成所述多變量模型的變量 之間的關系提供合理的設想。信息的其它來源，例如由一個患者記錄數(shù)據(jù)庫獲 得，還可以被包括或者獨立地作為一個不同的預后模型而維護。
所述動作204和206的建模和組合被ilil一^H十算機或者人工地執(zhí)行。所 述建?？梢越柚谝粋€計算機開發(fā)。所述建模和組合被編程，從而一個計算機 可以施加得到的針對個體患者的模型的數(shù)據(jù)?？蛇x的、附加的、或者替代的動作208中， 一個數(shù)據(jù)驅動的模型被推導。 任何現(xiàn)在已知的或者以后開發(fā)的數(shù)據(jù)驅動模型可以被創(chuàng)建，例如一個線性差別
分析、相關性向量機、或者通過在公開號為2003/0126101的美國專利申請中公 開的數(shù)據(jù)挖掘，其中所述公開內容作為參考在這里被包括。多個患者的病歷被 處理，以建模一個或多個劑量、治療、禾卩/或治療方案(regime)的結果的^S。 通過挖掘或者處理先前治療的患者的患者信息的數(shù)據(jù)庫， 一個數(shù)值與結果的關 系的模型借助于一^H十算機被開發(fā)。
沒有、 一個、兩個或更多數(shù)據(jù)驅動的模型可以被推導。在一個例子中，對 于NSCLC患者，兩個模型被推導。 一個模型采用線性差別分析被推導。在該邏 輯回歸模型中的預測器基于所述文獻被選擇，但是可以從數(shù)據(jù)分析中或者借助 于一個內科醫(yī)師而被衫瞇出來。所述模型參數(shù)源自于可從多個先前患者的機構 數(shù)據(jù)庫中得到的 。其它模型使用一個相關性向量機用數(shù)據(jù)驅動方式被推導。 相關預測器和模型參數(shù)兩個都借助于所述模型或者數(shù)據(jù)處理被確定。
用于每一模型的知識庫是不同的或者相同的。例如，動作206的多變量模 型基于有或者沒有內科醫(yī)師提供的信息的文獻。在所述例子中的用于上述的動 作208的模型是基于一個相同的數(shù)據(jù)庫。當從所述患者數(shù)據(jù)中學習數(shù)據(jù)驅動模 型的時候，所述文獻驅動模型可以被用作先前的醫(yī)學知識。先前的醫(yī)學知識是 從所述數(shù)據(jù)庫并入機器學習的。所述醫(yī)學知識可以被與從患者數(shù)據(jù)得到的信息 進行禾又衡，以進行確認。
所述模型創(chuàng)建動作可以對于不同的劑量、治療類型、禾n/或并發(fā)癥重復。一 批模型可以為了探索與對一個相同患者的不同選擇相關聯(lián)的可能的結果在預后 模型中被提供。
在動作210中，模型是包括在一個計#|/1上的，例如在硬件、軟件、或者 兩者中的。所述并入允許使用處理器將聯(lián)合模型或者一個單個的模型作為一個 對于個體患者的預后模型而運行。所述模型的預測器的數(shù)值被獲得。醫(yī)療記錄 或者其它資源為一個特定的或者個體的患者提供數(shù)值。所述模型被用于所述個 體的患者信息。 一個或多個模型，例如來自動作206和208的所述數(shù)據(jù)驅動的 模型和所述文獻驅動的模型兩者，都被用作預后模型。
來自不同模型的獨立的輸出可以被提供。作為選擇，所述模型被包括以提 供單個輸出或者相關輸出。聯(lián)合模型可以是基于信息的多個資源的改進預測模型。不管所述輸出的格式， 一個或多個獨立的或者聯(lián)合的模型作為一個預后模 型執(zhí)行。
任何組合可以被使用。在一個實施例中，所述模型被組合為一個整體。不
同模型的預測被組合，例如一個加權平均或者多數(shù)投票(majority vote)。不同的 模型為了輸入可以使用不同的預測器或者變量。如果待組合的所述模型具有相 同的輸入變量或者預測器，那么所述模型可以被融合。所述模型被合并成單個 的模型，例如一個貝葉斯網(wǎng)絡。
在動作212中，個體的患者數(shù)據(jù)為了所述預后模型的施加而被輸入。所述 患者特定值的輸入對應于由所述模型使用的所述預測器或者變量。在一個個體 患者的值不可用的地方，值可以被假定，例如4頓一個平均值，或者留下空白。
任何現(xiàn)在已知的或者以后開發(fā)的與結果相互關聯(lián)的變量可以被輸入。例如， 所述數(shù)值可以是用于關于所述患者的臨床資料，例如年齡、病史(例如用于 肺癌的尼古丁使用)、月市臟功能、性別、和/或活動程度(activity level)。作為另 一例子，所述數(shù)值可以用于基因組和蛋白質組變量。參照圖l，動作14示出了 患者專用信息的輸入。
在圖1中，動作16示出了治療參數(shù)的輸入，例如劑量的分級(fractionation)、
全程治療時間、并行的化學療法、或者治療方案的其它變量。該信息包括對于 所述個體的提議的治療計劃。預后模型可以包括給定其它治療的先前效能的對 耐受性或者并發(fā)癥的增減可能性的指示。不同的個體可能對于不同的治療參數(shù) 反應不同。
所述數(shù)據(jù)被人工地輸入。作為選擇，所述數(shù)據(jù)被挖掘自一個結構化數(shù)據(jù)庫。 如果數(shù)值可以來自非結構化數(shù)據(jù)，所述數(shù)值可以借助于搜索或者概率推理來挖 掘。處理器從所述個體患者的醫(yī)療記錄挖掘所述數(shù)值。例如，在下面論述的挖 掘被執(zhí)行。所述挖掘和/或人工輸入的值被用于所述聯(lián)合模型以獲得一個結果預 領U，例如對于所述個體患者的治療的存活率。
在圖1的動作18中，齊U量的生物效應基于所述患者特定值被估計。所述估 計通過把一個患者的所述數(shù)值施加到所述預后模型而被執(zhí)行。所述預后模型確 定一個結果，例如與所述施加的數(shù)值有關的一個或多個概率。所述預后模型使 用來自一個或多個資源的知識庫來確定所述結果，所述資源例如來自臨床研究 出版物、其它文獻、和/或一個數(shù)據(jù)庫。在圖2的所述實施例中，所述生物效應在動作214中被確定。所述生物效 應作為一個或多個劑量分布被確定，例如兩個劑量分布。在一個實施例中，所 述生物效應作為與劑量有關的存活概率的一個劑量分布被確定。所述預后模型 提供與兩個或更多個可能的齊糧相關聯(lián)的兩個或更多個結果。 一個可能的劑量 可以是沒有附加的輻射或者缺乏治療。所述預后模型對一個劑量的范圍估計一 個概率的范圍。在所述分布中的其它數(shù)值可以被內插或者外插。所述劑量分布 表示基于患者專用信息在治療中給定不同劑量的存活概率，所述信息例如腫瘤 的大小、年齡、尼古丁4頓、肺臟功能、性別、活動程度和/或其它變量。
在另一個實施例中，所述生物效應被所述預后模型確定為與劑量有關的并 發(fā)癥概率的劑量分布。相同的或者不同的值被用于所述預后模型的相同的或者 不同的部分。所述預后模型提供與兩個或更多個可能的劑量相關聯(lián)的兩個或更 多個結果。 一個可能的劑量可以是沒有附加的輻射或者缺乏治療。所述診斷模 型對一個劑量的范圍估計一個概率的范圍。在所述分布中的其它數(shù)值可以被內 插或者外插。所述劑量分布表示基于患者專用信息在治療中給定不同劑量的并 發(fā)癥的概率。在一個實施例中，所述劑量分布具有針對所述腫瘤的劑量。在另 一個實施例中，所述劑量分布具有針對正常組織的劑量。
在動作214中，所述治療結果采用基于文獻的模型被預測。所述預后模型 可以采用另一模型預測結果。所述個體患者的相同的或者不同的數(shù)據(jù)被輸入。 其它模型基于一個不同的信息源，例如一個數(shù)據(jù)驅動的模型。與模型參數(shù)有關 的所述模型采用多個患者的過往患者信息的數(shù)據(jù)庫來作為一個知識庫資源運 行。 一個統(tǒng)一、組合或者單個的結果從所述預后模型的不同模型中被估計。
所述治療結果基于給定患者專用信息的一次輻射的劑量。所述治療結果可 能取決于其它可能的治療，所述治療例如化學療法、藥品類型、藥品量、外禾斗、 輻射時間(例如，分級)、或者其它治療、或者治療組合。所述基于文獻的模型 作為一個知識庫資源源自于在臨床研究出版物中的參數(shù)。患者專用信息作為用 于從所述文獻識別的變量的數(shù)值被輸入到所述模型。所述施加造成一個或多個 預測治療結果，包括與治療方案和/或輻射劑量有關的存活概率。
在圖1的動作20中， 一個或多個存活概率/A^述預測模型輸出。所述概率 可能被輸出為一個表、分布、或者單個數(shù)值。在一個實施例中，與齊U量和/或治 療方案有關的存活概率的一個劑量分布被輸出。 一個或多個并發(fā)癥概率被另外或者作為選擇輸出。其它概率可以被輸出，例如與劑量以及其它治療有關或者 與治療方案有關的概率。
所述輸出被提供以響應于所述患者特定值的施加?；谝粋€給定患者的所 述數(shù)值，對所述特定患者的輻射治療的生物效應被估計和輸出。對于不同的患 者，所述輸出由于在醫(yī)療記錄、病歷、或者患者中的區(qū)別可以是不同的。
所述輸出被用來確定輸入到一個治療計劃的系統(tǒng)的劑量。待施加到所述腫 瘤的齊糧和至鵬瘤外部的組織的容許齊糧隨所述概率而被選擇。所鵬擇部分 地基于所述治療目標。
在動作i2中，治療目標被輸入。所述治療目標被人工地輸入，例如ilii-一 個內科醫(yī)師或者患者。作為選擇，所述治療目標fflil處理器被確定，例如基于 可能的目標、共同目標、或者其它信息。
所述治療目標可能包括一個存活率和一個并發(fā)癥概率。例如， 一個只有5% 并發(fā)癥概率的70%的存活率是被期望的。其它治療目標可以被提供，例如沒有 化學療法或者其它治療方案限制。
如在圖2的動作216中的指示，所述劑量根據(jù)所述腫瘤控制概率和所述正 常組織并發(fā)癥概率被確定。在一個例子中，所述存活概率被用作所述腫瘤控制 概率，而所述并發(fā)癥概率被用作所述正常組織并發(fā)癥概率。
與所述期望概率相關聯(lián)的所述劑量被選擇。例如，與等于或者好于一個治 療目標的存活率相關聯(lián)的劑量被選擇。給定所m擇的劑量，并發(fā)癥的概率被 審查。如果并發(fā)癥的概率低于對應治療目標，大于能實現(xiàn)并發(fā)癥治療目標的所 選劑量的劑量范圍可以被提供。例如，腫瘤劑量60Gy可能提供70%的存活率 和3%的并發(fā)癥概率?；趯Σl(fā)癥的劑量分布，直到65Gy仍可能提供5%或 者更少的并發(fā)癥概率。對并發(fā)癥的一個5Gy的耐受被確定。在其他實施例中， 劑量的初始選擇基于有基于耐受性而給定的耐受的并發(fā)癥。所述劑量(例如， 60Gy)隨著并發(fā)癥和存活率分布兩者的變化而被選擇。所述劑量分布通過被審 查的劑量而彼此相關。
在另一示例中，其中一個治療目標沒有把另一治療目標考慮進去。例如， 1%的并發(fā)癥被期望，但是相關聯(lián)的劑量可能只提供一個40%的存活率，其中一 個70%的概率被期望。反饋可以被提供給所述用戶以選擇不同的目標。所述反 饋可以包括所述劑量分布。所述用戶可以基于所述劑量分布而選擇所述治療目標。所述反饋可以包括給定劑量分布的可能的治療目標的一個基于計算機的輸 出。選項的范圍可以被輸出。
其它選擇和相關聯(lián)的標準可以被使用。作為另一例子，提供所述期望目標
的用于所述個體患者的所述腫瘤劑量(例如，60Gy)被選擇。用于所述個體患 者以提供對組織輻射量的期望限制的所述正常組織劑量(例如，5Gy)被選擇。 所,擇基于通過所述預后模型提供的用于特定患者數(shù)值的所述劑量分布。
在圖1的動作22中，所,擇的腫瘤劑量和正常組織劑量、選擇的劑量和 相關聯(lián)的耐受性、選擇的存活概率和并發(fā)癥概率、或者其它信息被輸入給所述 逆向治療計劃的系統(tǒng)。所述劑量以Gy或者其它類型的值被提供。所述容許劑量 以Gy、 一個所述腫瘤齊糧的百分比、或者其它鄉(xiāng)的值被提供。待治療的腫瘤 的位置和維數(shù)也被輸入。
所述逆向治療計劃的系統(tǒng)為所述輸入信息確定治療參數(shù)。例如，射束數(shù)目、 射束位置、射束方向、射束強度、和/或通過所述治療設備能實現(xiàn)的其它治療參 數(shù)被確定，以用于提供腫瘤劑量的期望量并且不超過正常組織劑量的期望量。 因為所過t束的聚焦不是一個點并且所述輻射經(jīng)過正常組織到達腫瘤，正常組 織對所述治療計劃而言是受輻射的。所述組合治療參數(shù)優(yōu)化所述治療，以用于 限制正常組織劑量并且最大化腫瘤劑量。
在動作218 (圖2)中，所述輻射治療方案或者參數(shù)被輸出。響應于所述輸 入腫瘤劑量和/或正常組織劑量，參數(shù)被提供以用于引導所述輻射治療。所述參 數(shù)可以為一個或多個劑量而盡可能地完善，所述劑量例如在正常組織耐受性內 提供最大腫瘤劑量，在實現(xiàn)所述腫瘤劑量時最小化正常組織劑量，或者其組合。
如果所述治療方案在給定對正常組織劑量的限制時無法提供所述腫瘤劑 量，所述處理可以在圖1的動作24和/或圖2的動作220中進行反饋。所述反饋 有助于在圖2的動作216中確定一個不同劑量或者在圖1的動作20中概率輸出 的不同的1吏用。
所述反饋可以包括選擇，例如由滿足所述腫瘤齊糧而產生的正常組織齊糧， 和/或反之亦然。能實現(xiàn)的腫瘤和/或容許劑量被提供。所述結果可以帶有一個所 述期望目標無法實現(xiàn)的警告被發(fā)送給用戶。
所述劑量分布用來確定其它能實現(xiàn)的可能的劑量。如果該劑量不是在期望 的技術要求內，所述數(shù)值可以被送回給所述模型，并且預測的耐受性和并發(fā)癥概率、以及因此預測的結果(壽命、副作用等等)對于現(xiàn)實或者能實現(xiàn)的齊糧 而被計算。
所述反饋甚至可以在治療計劃滿足腫瘤劑量以及正常組織耐受性時被提 供。所述輻射治療方案可以隨著能實現(xiàn)的腫瘤劑量、能實現(xiàn)的容許劑量、以及 所述第一以及第二劑量分布的變化而被優(yōu)化。使用所述劑量分布以及一個在腫 瘤劑量和正常組織劑量上的優(yōu)先次序、其它優(yōu)先次序、或者其組合，所述治療 計劃可以被改變。例如，能實現(xiàn)的腫瘤劑量大于給定的所述正常組織耐受性。 劑量分布對于一個增加的齊U量可以提供一個更大的存活率。倘若如此，所述增 加劑量可以被使用。如果不是，導致較少并發(fā)癥概率的較少的腫瘤劑量可以被 維持。在并發(fā)癥以及耐受性的齊糧的關系中的區(qū)別可以允許基于期望的優(yōu)先次 序的優(yōu)化。帶有治療計劃的迭代概率以及劑量選擇可以被使用。
在一個實施例中，預后模型用 擇一個治療方案。帶有輻射方案的一個 治療方案的同步優(yōu)化可以導致一個更佳的綜合處理方案以及由此帶來的結果。 所述預后模型指示與患者特定值有關的耐受性和/或并發(fā)癥。預后模型包括與不 同的治療方案相關聯(lián)的不同的部分。有最高存活概率、最少并發(fā)癥概率、或者 較高存活概率和較低并發(fā)癥概率的組合的治療方案被選擇?；颊咛囟╥M來為 一個患者預測最優(yōu)治療方案。所述治療方案可以提供化學療法、外科、激素治
療、其它治療、禾n/或輻射治療。更加復雜的考慮可以包括在所述治療方案中， 例如化學療法的藥品類型、治療時間、輻射，、輻射治療類型和/或輻射治療 的分級。如果所述治療方案包括輻射治療，所述輻射治療參數(shù)被確定。
只要治療實際開始，所述治療計劃處理可以被重復。所述實際傳送和/或測 量的劑量可以是一個所述診斷模型的輸入值。耐受性概率(例如，用作期望腫 瘤控制概率)和并發(fā)癥概率(例如，用作正常組織并發(fā)癥概率)的預測結果可 以使用所述改進的生物模型(即，預后模型)來計算，并且呈現(xiàn)給內科醫(yī)師。 新的治療參數(shù)可以被確定以用于說明與計劃治療的區(qū)別和/或患者情況的變化。
圖3示出了用于具有個體的特定考慮的自動治療計劃的一個示例系統(tǒng)ioo 的框圖。所述系統(tǒng)ioo被顯示為一個硬件設備，但是可以被實現(xiàn)為各種形式的 硬件、軟件、固件、專用處理機、或者其組合。某些實施例被實現(xiàn)為軟件，其
作為被確實包含在一個程序存儲裝置上的程序。ffi31用一個系統(tǒng)或者程序來實
現(xiàn)，半自動的或者自動的工作流程被提供，以用于幫助一個用戶生成一個輻射治療方案。
所述系統(tǒng)100是一^i十^m、個人計^t幾、月艮務器、PACs工作站、成像系 統(tǒng)、醫(yī)療系統(tǒng)、網(wǎng)絡處理機、網(wǎng)絡、或者其它現(xiàn)在已知的或者以后開發(fā)的處理 系統(tǒng)。所述系統(tǒng)100包括至少一個處理器102，其可操作地通過一個系統(tǒng)總線 104耦合至其它組件。在一個實施例中所述處理器102在一個具有硬件部件的計 算機平臺上實現(xiàn)。所述計算機平臺還包括一個操作系統(tǒng)以及微指令代碼。此處 所述的多樣的處理、方法、動作與功能可以是或者微指令代碼的一部分或者一 個程序的一部分(或者其組合)，其M所述操作系統(tǒng)執(zhí)行。
其它組件包括存儲器(只讀存儲器106和/或隨機存取存儲器108)、 一個網(wǎng) 絡接口 112、 一個外部存儲器114、 一個輸入/輸出接口 110、顯示器116、以 及用戶輸入118。附加的、不同的、或者更少的組件可以被提供。
所述用戶輸入118、網(wǎng)絡接口 112或者外部存儲器114可以作為一個輸入 運行，其可操作以接受一個患者的多個患者特定特性的數(shù)值。所述數(shù)值是用于 由一個或多個模型使用的M 。所述數(shù)值可以人工地輸A^/或ilii處理器輸入， 例如輸入作為從外部存儲器114中的一個數(shù)據(jù)庫或者其它地M掘的一部分的 翻。
所述用戶輸入118是一個鼠標、鍵盤、跟蹤球、觸^M-、游戲桿、觸摸板、 按鈕、旋鈕、滑±央、其組合、或者其它現(xiàn)在己知的或者以后開發(fā)的輸入設備。 所述用戶輸入118作為用戶接口的一部分運行。例如，一個或多個按鈕顯示在 顯示器116上。用戶輸入118用來控制一個用于選擇以及激活與所述按鈕相關 聯(lián)的功能的指針。作為選擇，硬編碼或者固定的按鈕可以被使用。
所述網(wǎng)絡接口 112可以是一個硬接線(hard-wired)接口。但是，在各種示 例性的實施例中，網(wǎng)絡接口 112可以包括適合于往返于另一設備傳輸信息的任 何設備，例如一個通用異步接收機/傳輸器(UART)、 一個并行數(shù)字接口、 一個 軟件接口或者已知的或者以后開發(fā)的軟件以及硬件的任何組合。所述網(wǎng)絡接口 112可以鏈接到各種類型的網(wǎng)絡，包括局域網(wǎng)(LAN)、廣域網(wǎng)(WAN)、內聯(lián) 網(wǎng)、虛擬專用網(wǎng)絡(VPN)、以及因t寺網(wǎng)。處理器102或者網(wǎng)絡接口 112提供數(shù) 據(jù)接口，其可操作以接受被處理器102或者一個不同的處理器從數(shù)據(jù)挖掘的數(shù) 值。
所述處理器102具有任何適當?shù)捏w系結構，例如一個通用處理器、中央處理單元、數(shù)字信號處理器、專用集成電路、現(xiàn)場可編程門陣列、數(shù)字電路、模 擬電路、其組合、或者任何其它現(xiàn)在已知的或者以后開發(fā)的用于處理數(shù)據(jù)的設 備。所述處理器102可以是一個單個的設備或者包括在用于并行和/或串行處理 的分布式結構中的多個設備。同樣，處理策略可以包括多道處理、多重任務、
并行處理等等。 一個程序可以被上載到處理器102，以及i!M處理器102執(zhí)行。
處理器102執(zhí)行工作流程、數(shù)據(jù)挖掘、模型施加、逆向治療計劃、和/或其 它此處所述的處理。例如，所述處理器102或者-一個不同的處理器可操作以提 取用于所述期望變量的數(shù)值。
處理器102對應于一個存活和/或并發(fā)癥概率的數(shù)值來把施加所述數(shù)j魏力口 到一個涉及多個變量的預后模型。在一個實施例中，每一變量涉及一個用于結 果的概率。所述模型參數(shù)表示由文獻獲得的醫(yī)學知識。與給定劑量或者治療區(qū) 域的輸入值有關的概率被確定。用于各種變量的數(shù)值的概率，為了施加所述模 型，艦處理器102組合。關系也許己由內科的醫(yī)生得出。
在一個實施例中處理器102把患者的相同的數(shù)值和/或附加的數(shù)值施加到另 一模型。其它模型源自于一個不同的知識庫，例如是一個由多個患者的患者數(shù) 據(jù)的 庫獲得的統(tǒng)計模式。處理器102可能把數(shù)值施加到其它模型，例如由 一個數(shù)據(jù)庫獲得的另一統(tǒng)計模式。用于不同的模型的變量是相同的或者不同的， 有或者沒有重疊。各種模型的輸出被合，并以提供一個預后模型的存活概率、 并發(fā)癥概率，或者其它概率。
處理器102輸出一個存活率。輸出可以是存活率與針對給定患者數(shù)值的不 同的劑量的關系。同樣，副作用的概率被輸出。所述概率是通過處理器輸出的 劑量分布的一部分或者是不依賴于分布的個體的概率。所述輸出是在處理器102 內部或者輸出到處理器102外部。
至U—個逆向治療計劃的系統(tǒng)的輸入從所述診斷模型的一個或多個輸出中被 確定。所述概率用來確定待輸入到逆向治療計劃的系統(tǒng)的劑量。作為選擇，所 述概率、劑量、耐受、或者其它派生值被輸入到所,向治療計劃的系統(tǒng)。例
如，所述存活概率被用作腫瘤控制概率。所述存活概率也許不與腫瘤控制概率 相同，但是可以用一個相似的方式使用。所述并發(fā)癥概率被用作正常組織并發(fā) 癥概率。所述并發(fā)癥概率也許不與正常組織并發(fā)癥概率相同，但是可以用一個 相似的方式使用。所述概率和治療目標用來確定腫瘤和正常組織劑量和/或耐受。所述概率與劑量相關聯(lián)。
處理器102或者一個不同的處理器實1^縱向治療計戈啲系統(tǒng)。任何現(xiàn) 在已知的或者以后開發(fā)的逆向治療計劃的系統(tǒng)可以被使用。所述逆向治療計劃 的系統(tǒng)接受限制、劑量、目標、和/或其它信息，并且為一個或多^l射治療方 案輸出治療參數(shù)以治療一個腫瘤。所述輸出參數(shù)可能提供一個完整的方案或者 一個方案的一部分。任何現(xiàn)在己知的或者以后開發(fā)的參數(shù)可以被輸出。
處理器102可能提供所述預后模型和所述逆向治療計劃的系統(tǒng)之間的交 互。例如，所述逆向治療計劃的系統(tǒng)輸出輻射治療能實現(xiàn)的劑量，以及所述預 后模型的輸出用于確定給定治療目標和能實現(xiàn)的齊糧的可能的概率。
處理器102可能確定一個治療方案，例如一個包括輻射、外科、禾n/或化學
療法的治療方案。所述治療方案可能包括輻射治療。能實現(xiàn)的輻射治療參數(shù)被 確定。 一個治療方案被確定，其滿足帶有能實現(xiàn)的福射治療參數(shù)的所述治療目 標。 一個或多個可能的治療方案以及相關聯(lián)的概率可以被輸出用于用戶選擇。 在一個實施例中，最佳方案被確定基于選擇或者設置的優(yōu)先級來最大化和/或最 小化概率。
處理器102輸出預測的結果到顯示器116上、至U--個存儲器中、經(jīng)由一個 網(wǎng)絡、到一個打印機、或者到另一介質中。顯示器116是一個CRT、 LCD、等 離子、投影儀、監(jiān)視器、打印機、或者其它用于顯示數(shù)據(jù)的輸出設備。所述顯 示是文字、圖形、或者其它顯示。
所述顯示器116可操作以輸出M所述逆向治療計劃的系統(tǒng)提供的輻射治 療參數(shù)，其與根據(jù)一個預后模型確定的--個或多個概率有關。其它信息可以被 輸出，例如劑量分布、能實現(xiàn)的劑量、腫瘤劑量、正常組織劑量、耐受、治療 參數(shù)、患者數(shù)值、預后模型信息、逆向治療計劃信息、其組合、和/或其它信息。 一個存活概率和/或一個并發(fā)癥概率可以被輸出。支持信息，例如數(shù)值、不同的 模型輸出、選項、或者其它支，射言息，可以被顯示。
處理器102依據(jù)指令運行。帶有個體特定考慮的自動治療計劃的指令和/ 或患者記錄被存儲在一個計算機可讀存儲器中，例如外部存儲器114、只讀存儲 器106、禾Q/或隨機存取存儲器108。用于實現(xiàn)在這里論述的處理、方法和/或技 術的指令被提供在計算機一可讀存儲介質或者存儲器上，例如一個高速緩存、 緩沖器、隨機存取存儲器、可移除介質、硬盤驅動器或者其它計算機可讀存儲介質。計算機可讀存儲介質包括各種類型的易失的以及非易失存儲器介質。在 圖中舉例說明的或者此處所述的功能、動作或者任務響應于存儲在計算機可讀 存儲介質中或者存儲在計算機可讀存儲介質上的一個或多個指令集而執(zhí)行。所 述功能、動作或者任務不依賴于指令集的具體類型、存儲介質、處理器或者處 理策略，并且可以通過軟件、硬件、集成電路、固件、微代碼等等被執(zhí)行，單 獨或者組合運行。在一個實施例中，所述指令被存儲在一個由本地或者遠程系 統(tǒng)讀取的可移除介質設備上。在其他實施例中，所述指令被存儲在通過一個計 算機網(wǎng)絡或者經(jīng)由電話線傳送的遠程位置中。在又一實施例中，所述指令被存 儲在一個給定計算機、中央處理器、GPU或者系統(tǒng)內。因為在附圖中描述的某 些組成系統(tǒng)組件和方法動作可以用軟件實現(xiàn)，所述系統(tǒng)組件(或者所述處理步 驟)之間的實際連接可能根據(jù)編程方式而不同。
相同的或者不同的計算機可讀介質可以被用于所述指令、所述個體患者、 記錄數(shù)據(jù)、和先前治療患者的數(shù)據(jù)庫。所述患者記錄被存儲在外部存儲器114 中，但是可以在其它存儲器中。外部存儲器114可以使用一個由處理器102管 理并駐留在一個存儲器上的數(shù)據(jù)庫管理系統(tǒng)(DBMS)來實現(xiàn)，所述存儲器例 如一個硬盤、隨機存取存儲器、或者可移除介質。作為選擇，存儲器114被內 置于處理器102中(例如高速緩存)。所述外部存儲器114可以在一個或多個附 加的計算機系統(tǒng)上實現(xiàn)。例如，外部存儲器114可能包括一個數(shù)據(jù)庫系統(tǒng)，其 駐留在一個獨立的計算機系統(tǒng)、 一個PACS系統(tǒng)、或者任何其它現(xiàn)在已知的或 者以后開發(fā)的醫(yī)院、醫(yī)療機構、內科的辦公室、試驗設備、藥店或者其它內科 病人記錄存儲器系統(tǒng)上。夕卜部存儲器114、 一個內部存儲設備、其它計算機可讀 介質、或者其組合存儲一個患者的至少-一個患者記錄的數(shù)據(jù)。所述患者記錄數(shù) 據(jù)可以象圖4所示的那樣被分散在多個存儲設備上或者在--個位置中。
逐漸地，保健供應商為了信息存儲和檢索采用自動化技術。 一個維護患者 信息的計算機化患者記錄(CPR)的使用是一個這樣的例子。如圖4所示，一 個示例性CPR200包括經(jīng)一個患者的治療過程或者設施的使用而收集的信息。 該信息可能包括，例如，計算機X線斷層攝影術(CT)照片、X射線照片、實 驗室試驗結果、醫(yī)生病情記錄、關于醫(yī)療過程的細節(jié)、處方藥物信息、輻射性 的報告、其它專題報告、人口統(tǒng)計的信息、家族史、患者信息、以及帳單(金 融)信息。一個CPR可能包括多個數(shù)據(jù)源，每個通常反映患者護理的一個不同的方 面。作為選擇，所述CPR并入一個^t居源中。結構化 資源，例如金融、實 驗室、以及藥店數(shù)據(jù)庫，通常在數(shù)據(jù)庫表中維護患者信息。信息還可以被存儲 在非結構化數(shù)據(jù)資源中，諸如例如，自由文本、圖像、以及波形。往往，關鍵 的臨床發(fā)現(xiàn)只存儲在未組織的內科醫(yī)師報告、在圖像上的注解、或者其它非結 構化 資源內。
用于推導數(shù)據(jù)驅動模型的數(shù)據(jù)庫可以是以CPR200的形式。已往治療的多
個患者的數(shù)據(jù)被存儲。作為選擇或者附加地，待治療個體的病歷被存儲在所述
CPR200中。
在一個實施例中，M所述模型施加施加的患者數(shù)值、用于數(shù)據(jù)驅動模型 開發(fā)的數(shù)據(jù)和/或模型參數(shù)被從患者病歷中挖掘。參見公開號為2003/0126101的 美國專利申請，其公開內容在這里作為參考被包括。任何現(xiàn)在己知的或者以后 開發(fā)的數(shù)據(jù)挖掘可以被使用。對于結構化的病歷，不同的搜索子程序可以基于 所述結構使用。在一個實施例中對于非結構化的或者結構化的以及非結構化的 病歷，概率推理被用于挖掘。所述挖掘被通過處理器執(zhí)行。對于挖掘，事實被 從一個患者記錄中提取。所述事實可以是指示一個結論的數(shù)據(jù)點。所述事實可 能是或者可能不是準確的。
患者記錄為了涉及對應于建模中使用的變量或者可能的變量的多個數(shù)值的 信息而被挖掘。在某些情況下，所述患者記錄可以分布或者存儲在不同的設施 上。不同的設施包括醫(yī)生的辦公室、醫(yī)院、保健網(wǎng)、診所、圖像機構或者其它 醫(yī)療組織。所述不同的設施具有獨立的患者記錄，但是可能或者也許不彼此附 屬或者共同擁有。為了挖掘所述患者記錄，所述不同的設施的患者記錄被鏈接。 作為一個例子，考慮，家,綜質畫漱量發(fā)術歡范手瀰勺一個指導原則。如果一 個有心力衰竭的原始診斷的患者被許可進入醫(yī)院，那么應該有在到來之前或者 在住院治療期間的任何時間的左心室收縮功能(LVSF)評估的文獻匯編。第 一，醫(yī)院記錄被搜索以發(fā)現(xiàn)被允許進入的有一個心力衰竭原始診斷的患者。這 可以通過搜索醫(yī)院的記錄(例如，帳單記錄和/或其它 源) 行。但是， 評估第二部分是更復雜的。如果一個LVSF評估的記載在醫(yī)院記錄中存在，如 病史、出院摘要、或者其它地方的一部分，那么所述數(shù)據(jù)可以從醫(yī)院數(shù)據(jù)中單 獨被評估。但是往往，所述數(shù)據(jù)在那里不是可用的，而是在其它地方。例如，如果患者被其心臟病專家指定到所述醫(yī)院，所述專家前一天在其辦公室執(zhí)行了
所述LVSF評估，那么LVSF評估的記錄和醫(yī)師的實習記錄在一起。如果所述 LVSF評估在一個醫(yī)院執(zhí)行，然后所述患者被轉送到當前的醫(yī)院，那么所述LVSF 評估的記錄和先前的醫(yī)院在一起。
用于建?；蛘叽┘佑?一個模型的數(shù)值源自于所述提取信息。所述數(shù)值被 從一個或多個數(shù)據(jù)點確定。所述數(shù)值可以被取作所述提取的一部分。例如，所 述數(shù)值通過組合仿真陳述(factoid)而被隨機地推導。數(shù)值可以由已經(jīng)提取的信 息獲得。非隨機的推導可以被使用。
用于數(shù)據(jù)挖掘的示例性實施例包括使用概率從非結構化的患者記錄中挖 掘。美國公開申請?zhí)?003/0120458的申請公開了挖掘非結構化的以及結構化的
信息以提取結構化的臨床資料。缺少的、不一致的或者可能不正確的信息通過 概率分配或者推斷被處理。這些挖掘技術用于質量保持(美國公開申請?zhí)?2003/0125985)、順應性(美國公開申請?zhí)?003/0125984)、臨床試驗規(guī)格(美國 公開申請?zhí)?003/0130871)、賬單(美國公開申請?zhí)?004/0172297)、患者狀況 的規(guī)劃(美國公開申請?zhí)?003/0126101 )、以及改進(美國公開申請?zhí)?2006/0265253)。上面參考的這些公開申請的公開內容作為參考在這里被包括。 其它患者數(shù)據(jù)挖掘或者挖掘方法可以被使用，例如只從結構化信息挖掘、在沒 有概率分配的情況下挖掘、或者在沒有用于不一致、缺少或者不正確的信息的 推斷的情況下挖掘。
處理器102或者一個不同的處理，掘所述患者記錄并且自動提取數(shù)值。 圖5舉例說明了通過處理器102實現(xiàn)的一個示例性類娥挖掘系統(tǒng)，其用于挖掘 一個患者記錄以創(chuàng)建高質量結構化的臨床信息。所述數(shù)據(jù)挖掘系統(tǒng)的處理組件 是軟件、固件、微代碼、硬件、其組合、或者其它基于處理器的對象。所述數(shù) 據(jù)挖掘系統(tǒng)包括一個數(shù)據(jù)挖掘器350，其使用一個知識庫330中包含的特定領域 知識從一個計算機化患者記錄(CPR) 310中挖掘信息。所述數(shù)據(jù)挖掘器350包 括組件，所述組件用于從CPR中提取信息352、隨著時間的過去(over time) 以一個有原則的方式組合所有可用的證據(jù)354、并且從該組合過程中形成推斷 356。所述挖掘信息可以被存儲在一個結構化的CPR380中。在圖5中描述的體 系結構支持插件模塊，其中所述系統(tǒng)可以是對于新的數(shù)據(jù)資源、疾病和醫(yī)院容 易擴展的。新的元素抽取算法、元素組合算法、和推斷算法可用于擴充或者替換存在的算法。
所述挖掘與領域知識有關地執(zhí)行。涉及感興趣的域的細節(jié)知識，諸如例如 一個感興趣的疾病，弓i導所述處理以識別相劉言息。領域知識基石出330可以用 兩個形式出現(xiàn)。它可以被編碼作為一個到所述系統(tǒng)的輸入，或者作為產生可以 被所述系統(tǒng)理解的信息的程序。例如，診斷一種特定疾病或者多種疾病的臨床 指導原則提供與所述預后有關的信息。所述臨床指導原則對所述挖掘被用作領 域知識。所述領域知識可以被從與預后相關聯(lián)的文獻資源中提供。另外或者作
為選擇，領域知識基礎330可以從與另外的開發(fā)的臨床指導原則有關或者無關
的試驗數(shù)據(jù)中學習。至lj一個診斷或者預后的信息的學習關系可以是一個臨床指 導原則。
所述特定領域知識還可以包括特定的疾病領域知識。例如，所述特定的疾 病領域知識可能包括多樣的因素，其影響一個疾病的風險、疾病級數(shù)信息、并 發(fā)癥信息、結果、以及涉及一個疾病的變量、涉及一個疾病的測量、和通過醫(yī) 療主體確定的策略和指導原則。所述特定領域知識基礎可能包括同義詞、術語、 或者其它被確定與一個特定的^#、指導原則、或者影響因素有關的指示器。
M所述臨床指導原則被標識為相關的信息提供一個概率的指示，其中一 個因素或者信息項指示或者沒有指示一個特定的診斷或者預后。所述相關性可
以被一般地估計，例如為任何信息項提供更可能指示診斷或者預后為75%或者 其它概率艦50%的相關性。所述相關性可以更加具體，例如基于臨床經(jīng)驗、 文獻、測試、研究或者機器學習來分配一個指示一個特定的預后的信息項的概 率。所述領域知識指示具有一個概率的元素，所述概率大于指示患者狀況、診 斷、所期望的數(shù)據(jù)點、數(shù)值、預后、或者測量的閾值。其它概率可以與組合信 息相關聯(lián)。
用于挖掘數(shù)據(jù)源的特定領域知識可能包括特定設施的領域知識。例如，與 特定醫(yī)院的可用數(shù)據(jù)、醫(yī)院的文件結構、醫(yī)院的策略、醫(yī)院的指導原則、以及 與一個醫(yī)院相關聯(lián)的任何變化有關的信息。所述領域知識引導所述挖掘，但是 可能在沒有從一個患者記錄指示一個具體的信息項的情況下進行弓(導。
所述提取組件352從涉及一個患者或者多個患者的每一數(shù)據(jù)源收集小塊的 信息。所述信息單元或元素作為關于患者在特定時間的概率性的推斷而表示。 作為選擇，所述元素不與任何概率相關聯(lián)。所述提取組件352從CPR310獲取信息，以產生關于所述患者的與時間或者周期的一個時亥陏關的概率性的推斷 (元素)。該處理依照領域知識基礎330中包含的所述領域知識的指導而進行。 用于提取的領域知識通常專用于各自的資源，但是可以被一般化。
所述聽源包括結構化的和/或非結構化的信息。結構化信息可以在適當?shù)?br> 地方被轉換為標準化單位。非結構化信息可能包括ASCn文本字符串、DICOM (醫(yī)學數(shù)字圖像及通信)格式的圖像信息、或者基于領域知識的文本文檔分塊。 可能將是不正確的或者缺少的信息可以被記錄，從而行動可以被采取。例如， 挖掘信息可能包括校正信息，所述校正信息包括校正的ICD-9診斷代碼。
從一個數(shù)據(jù)庫資源的提取可以通過查詢所述資源中的一個表而進行，在這 種情況下，所述領域知識編碼所述數(shù)據(jù)庫的字段中表示的信息。另一方面，所 述提取過程可能涉及計算所述數(shù)據(jù)庫中包含的所述信息的一個復雜函數(shù)，在這 種情況下，所述領域知識可以被以一個程序的形式提供，其執(zhí)行該計算，所述 計算的輸出可以被t^t到所述系統(tǒng)其余的部分。
從圖像或者波形的提取可以M提供到所述系統(tǒng)的圖像處理或者特征抽出 程序而被執(zhí)行。從一個文本資源的提取可以通過短語發(fā)現(xiàn)而被執(zhí)行，其需要規(guī) 定感興趣的短語的規(guī)貝咧表以及可以從那里形成的推斷。例如，如果在一個醫(yī) 生證明中存在帶有言詞"有證據(jù)說明肝中有轉移性的癌"的敘述，那么，為了 從該語句推定所述患者具有癌， 一個規(guī)則引導所述系統(tǒng)去尋找短語"轉移性的 癌"。如果所述短語被發(fā)現(xiàn)， 一個有高度準確性的所述患者具有癌的斷言 本實施例中譯為生成一個元素，所述元素有名稱"癌"、數(shù)值"真"以及準確性 0.9)被生成。
所述組合組件354組合在相同周期指的是相同變量的所有元素，以形成一 個涉及該變量的統(tǒng)一的概率性推斷。組合包括從來自相同的/不同的資源的可能 沖突的推斷中產生一個在給定時間點的每一變量的統(tǒng)一觀點的處理。該統(tǒng)一的 概率性的推斷被稱為傷^^^^。所述仿真陳述從一個或多個元素被推定。其中 所述不同單元指示不同的仿真陳述或者用于一個仿真陳述的數(shù)值，有一個足夠 的(閾值)或者來自所述概率性推斷的最高概率的仿真陳述被選擇。領域知識 基礎可能指示使用的特定元素。作為選擇，有足夠的決定概率的唯一單元被使 用。有大于指示一個患者狀況的閾值的概率的元素(例如，直接或者間接地作 為一個仿真陳述)被選擇。在各種實施例中，所述組合使用涉及由元素("先前的概率")表示的變量的統(tǒng)計量的領域知識來被執(zhí)行。
所述患者狀況是一個患者狀況的單模型。所述患者狀況是關于所述患者的 人們可能關心的變量的集合，例如通過所述域知識庫所確定的。所述感興趣的 信息可能包括一個狀態(tài)序列，艮卩，在患者的治療期間在不同時間點的患者狀況 的數(shù)值。
推斷組件356處理這些仿真陳述的組合，在相同的時間點和/或在不同的時 間點，以產生一個時間上患者狀況的進程的相關的以及簡明的圖片。該患者狀 況的進程被稱為一個狀態(tài)序列。所述患者狀況被MJ^述仿真陳述或元素推定。 有一個足夠的(閾值)、高的概率或者最高的概率的患者狀況或者狀況被選為--個推斷的患者狀況或者差別狀況。
推斷是采用關于一個患者的可用的所有仿真陳述和/或元素并且通過疾病 狀況、治療方案、室內試驗、臨床作用、或者其組合來產生一個患者的進展的 綜合觀點的處理。主要地， 一個患者的當前狀態(tài)可以受一個先前狀況以及任何 新的綜合觀察的影響。
該處理所需的領域知識可以是一個統(tǒng)計模式，其描述跨越整個患者群體的 感興趣的疾病的演變的一般模式、以及患者疾病和可以被觀察的變量(實驗室 測試結果、醫(yī)生證明、或者其它信息)之間的關系?；颊叩母攀隹梢员划a生， 其被認為最符合仿真陳述和所述領域知識中包含的信息。
舉例來說，如果觀測結果似乎說明一個癌癥患者正在接受化學療法而他或 她沒有癌的生長，鑒于領域知識說明化學療法只有當患者具有癌時被給定，那 么所述系統(tǒng)可能判定或者(1)所述患者沒有癌并且沒有接受化學療法(也就 是說，所述觀察也許是不恰當?shù)?，或者(2)所述患者具有癌并且正在接受化
學療法(初始推斷一所述患者沒有癌一是不恰當?shù)?；取決于給定所有其它信息 的哪一^h^題是更加合理的。事實上，(1)和(2)兩者都可以被作為結論得出， 但是有不同的概率。
作為另一例子，考慮這樣一種情況，其中一個例如"所述患者具有轉移性 的癌癥"的敘述在一個醫(yī)生證明中被發(fā)現(xiàn)，并且根據(jù)該敘述得出結論 <cancer=True (probability=0.9)〉。(應注意的是，這等于斷言〈cance戶True (probability=0.9)， cance戶unkno菌(probability^). 1)〉)。
現(xiàn)在，進 一 步假定存在 一 個癌癥的基礎概率<cancer=True(probability=0.35) ,canceHFalse (probability=0.65) > (例如，35%的患者具有癌 癥)。那么，這斷言與癌癥的所述基礎概率組合以獲得，例如，斷言〈canceFTrue (probability=0.93) ，cancer=False (probability=0.07)〉。
同樣，假定沖突的證據(jù)指示了接下來的
1. <cancer=True (probability=0.9) ,cancer=unknown (probability=0.1) >
2. <cancer=False (probability=0.7) ,cancep=unknown (probability^O.3) >
3. <cancer=True (probability=0.1) ,cancer=unknown (probability^O.9)〉
4. <cancer=False (probability^O.4) ,canceF=unknown (probability=0.6)〉
在此情況下，這些元素可以與癌癥的基礎概率<canceFTrue (probability^O.35) ,cancep=False (probabiUty=0.65)〉結合以得出結論，例如， <cancer=True (prob=0.67) ,canceHFalse (prob=0.33)〉。
在替代的實施例中，在沒有對一個全面的或者暫時的患者狀況挖掘的情況 下，特殊的概率性的結論被確定。例如，在沒有確定與一個患者相關聯(lián)的狀況 進展或者其它病史的情況下，預后預測的數(shù)值被提取。
很多數(shù)據(jù)源可以被評估以收集元素，以及處理缺少的、不恰當?shù)?、禾tv或不 一致的信息。作為一個例子，假設，在確定一個患者是否具有糖尿病的過程中，
接下來的信息可以被提取
(a) 用于與糖尿病相關聯(lián)的二次診斷(secondaiy diagnose)的ICD-9賬單 代碼(billingcodes);
(b) 與治療糖尿病相關聯(lián)的給予患者的藥品(例如，胰島素)；
(c) 患者的實驗測試值(labvalues),其是對糖尿病的診斷(例如，兩次連 續(xù)血糖讀取在250 m^d之上)；
(d) 在H&P (病史和皿檢查)或者出院記錄(自由文本)中的所述病人 有糖尿病的醫(yī)生記載；以及
(e) 與是糖尿病相關聯(lián)的患者經(jīng)歷(例如，足部檢查)。 正如可以看到的那樣，存在多個獨立信息源，根據(jù)其的觀測結果可以支持
(有不同程度的確定性)所述患者有糖尿病(或更通常具有某些疾病/狀況)。不
是所有的它們都可以存在，而實際上，在某些情況下，它們可能互相沖突。概 率性的觀測結果可以是推導的，有不同程度的可信度。這些觀測結果(例如， 關于所述賬單代碼、所述藥品、所述實驗測試等等)可以被隨機地合并以找到糖尿病的一個最終的概率。應注意的是，在所述患者記錄中可以有信息同糖尿 病相矛盾。舉例來說，病人具有某些緊張事件(例如， 一個手術)并且他的血
糖沒有上升。在另一例子中，在一個心電圖(EKG)中ST抬高的觀觀U結果可以 增加患者存。、臟病發(fā)作的可信度，即使制蚰勺所述ST抬高不是心臟病發(fā)作的確
鑿證據(jù)。
上述給出的例子只是為了舉例說明的目的，并且沒有意圖進行限定。組合 元素的實際方式根據(jù)在考慮中的特殊域以及所述系統(tǒng)的用戶需求。進一步，雖 然上述論述涉及一個患者一中心的方法，多個患者可以被同時處理。另外，一 個學習過程可以在任何或者全部階段(即，提取、組合、推斷)被并入領域知
識基礎330。
在遺漏信息的情況下，沒有支持證據(jù)被找到。處理器102可以用兩種方法 的其中一個響應。所述字段可以被留下空白，或者先驗概率被用于計算最可能 的響應。例如，其中一個詢問的問題是所述患者是否是-一個吸煙者。如果在患 者記錄中沒有證據(jù)提供所述用戶是否是一個吸煙者，那么所述系統(tǒng)保留這些空 白或者記錄所述用戶不是一個吸煙者，因為先驗概率(基于吸煙者的百分比) 暗示所述患者也許不是一個吸煙者。
所述挖掘可以使用所述因特網(wǎng)被運行。創(chuàng)建的結構化的臨床信息還可以使 用所述因特網(wǎng)訪問。另外，所述數(shù)據(jù)挖掘器可以作為服務運行。例如，多個醫(yī) 院可以參與所述服務，以擁有其為一致性而挖掘的患者信息，并且這些信息可 以被存儲在一個被服務供應商擁有的數(shù)據(jù)庫中。所述服務可以被一個第三方服 務供應商(即，不與所述醫(yī)院相關聯(lián)的實體)執(zhí)行。
所述域知識庫、提取、組合和/或推斷可以隨一個或多個參數(shù)值而作出響應 或者執(zhí)行。例如，所述概率性的推斷通?？梢耘c一個平均數(shù)或者平均值相關聯(lián)。 但是， 一些開業(yè)醫(yī)生或者機構可能期望一個特殊的元素或多或少地表示一個患 者狀況。 一個不同的概率可以與一個元素相關聯(lián)。作為另一例子， 一個特殊的 疾病或者臨床指導原則的領域知識基礎中包括的元素組對于不同的人或者情況 可以是不同的。足夠概率的閾值或者其它閾值對于不同的人或者情況可以是不 同的。
所述挖掘生成數(shù)據(jù)點和/或數(shù)值。只要所述結構化的CPR 380被填充有患者 信息，數(shù)據(jù)點被提供在一個有助于回答涉及預后的問題的表格中，例如為建模預測器或者變量確定數(shù)值。所述結構化信息可能包括除數(shù)據(jù)點以外用于推導所 述數(shù)值的數(shù)值。例如，仿真陳述以及組合信息作為提取的或者結構化的信息被 包括。
此處所述的多樣的改進可以一起或者獨立地使用。任何形式的 挖掘或 者才叟索可以被使用。雖然此處已經(jīng)參考附圖描述了例證性的實施例，但是應該 理解的是，本發(fā)明不局限于那些精確的實施例，本領域普通技術人員在不脫離 本發(fā)明的范圍或者構思盼瞎況下，可以對其做出各種其它改變和修改。
權利要求
1、帶有個體的具體考慮的自動治療計劃的系統(tǒng)(100)，所述系統(tǒng)(100)包括輸入(118，112，114)，其可操作以接受患者的多個患者具體特性的數(shù)值；處理器(102)，可操作以把所述數(shù)值施加到第一預后模型(18)，所述第一預后模型(18)把對應于所述數(shù)值的多個變量與在給定劑量的第一概率相關聯(lián)，所述處理器(102)可操作以把第一輸入提供給逆向治療計劃的系統(tǒng)(22)，所述第一輸入取決于所述第一概率；以及顯示器(116)，可操作以根據(jù)所述第一概率來輸出通過所述逆向治療計劃的系統(tǒng)(22)提供的輻射治療參數(shù)。
2、 如權利要求l所述的系統(tǒng)(100)，其中所述第一預后模型(18)根據(jù)來自文獻的醫(yī)學知識來把所述變量與所述第一概率相關聯(lián)。
3、 如權利要求l所述的系統(tǒng)(100),其中所述輸入(118， 112， 114)包括 接口 (112)，該 接口可操作以接受 1所述處理器(102)或者不同的 處理器從 中挖掘出的所述數(shù)值。
4、 如權利要求l所述的系統(tǒng)(100)，其中所述第一預后模型(18)取決于 從文獻中收集的醫(yī)學知識，所述醫(yī)學知識被轉換為每個不依賴于其它變量的變 量的功能關系。
5、 如權利要求1所述的系統(tǒng)(100)，其中所述處理器(102)可操作以把 所述患者的所述數(shù)值或者附加的數(shù)值施加到第二預后模型，所述第二預后模型 是從多個患者的患者數(shù)據(jù)的數(shù)據(jù)庫中獲得的統(tǒng)計模型，所述第一概率取決于所 述第一以及第二預后模型的輸出。
6、 如豐又利要求l所述的系統(tǒng)(100)，其中所述第一預后模型(18)可操作以輸出存活率以作為所述第一概率，所述存活率作為腫瘤控制概率被輸入到所 腿向治療i找啲系統(tǒng)(22)。
7、 如權利要求l所述的系統(tǒng)(100)，其中所述第一預后模型(18)可操作 以輸出副作用概率來作為所述第一概率，所述副作用概率作為正常組織并發(fā)癥 概率被輸入到所逸逆向治療計劃的系統(tǒng)(22)。
8、 如權禾腰求6所述的系統(tǒng)(100)，其中所述第一預后模型(18)可操作以輸出副作用概率來作為第二概率，所述副作用概率作為正常組織并發(fā)癥概率被輸入到所皿向治療計劃的系統(tǒng)(22)。
9、 如權利要求l所述的系統(tǒng)(100)，其中所述第一預后模型(18)可操作以輸出與所述數(shù)值有關的劑量分布，所述劑量分布包括在所述給定劑量的所述 第一概率，所述第一輸入是所述劑量分布。
10、 如權利要求l所述的系統(tǒng)(100)，其中所述處理器(102)可操作以提 供所述第一預后模型(18)和所,向治療計劃的系統(tǒng)(22)之間的交互，所 述第一預后模型(18)可操作以根據(jù)所述輸出輻射治療參數(shù)中的至少一個來確 定第二概率。
11、 如權利要求IO所述的系統(tǒng)(100)，其中所述處理器(102)可操作以 確定至少包括輻射療法和化學療法的治療方案，所述治療方案取決于能夠實現(xiàn) 的輻射治療參數(shù)。
12、 在計算機可讀存儲介質(106， 108， 114)中，其中存儲有表示用于帶 有個體的具體考慮的自動治療計戈啲可被編程處理器(102 )執(zhí)行的指令的數(shù)據(jù)， 所述指令包括根據(jù)劑量來確定(20， 214)存活率的第一劑量分布，所述第一劑量分布與 專用于個體患者的第一數(shù)值有關，通過預后模型輸出；根據(jù)劑量來確定(20， 214)并發(fā)癥概率的第二劑量分布，所述第二劑量分 布與專用于所述個體患者的第二數(shù)值有關，M31所述預后模型輸出；從對應于期望存活率的所述第一劑量分布中選擇(216)腫瘤劑量；從對應于期望并發(fā)癥概率的所述第二劑量分布中選擇(216)劑量耐受；并且根據(jù)所述腫瘤劑量和所述劑量耐受來確定(218)輻射治療方案。
13、 如權利要求12所述的指令，其中選擇(216)所述腫瘤劑量和所述劑量耐受包括把所述第一劑量分布與所述第二劑量分布相關聯(lián)。
14、 如權利要求12所述的指令，其中確定(214)所述第一和第二劑量分 布包括采用具有來自臨床研究出版物的知識庫的預后模型進行確定。
15、 如權禾腰求12所述附旨令進一步包括根據(jù)來自逆向治療it^的系統(tǒng)(22)的反饋來優(yōu)化(220)所述腫瘤劑量和 所述劑量耐受，所,向治療計劃的系統(tǒng)(22)可操作以輸出所述輻射治療方案。
16、 帶有個體的具體考慮的自動治療討,|方法，所述方法包括 把患者特定f魏加至U預后模型；響應于所述施加來AA^述預后模型輸出(20)存活概率； 根據(jù)所述存活概率把第一劑量輸入到逆向治療計劃的系統(tǒng)(22);并且響應于所述第一劑量來由所述逆向治療計劃的系統(tǒng)(22)提供(218)輻射治療方案。
17、 如權利要求16所述的方法，其中輸出(20)所述存活概率包括估計與 劑量有關的存活概率的第一劑量分布；進一步包括響應于所述施加，利用所述預后模型來估計(20)與劑量有關的并發(fā)癥概 率的第二劑量分布；以及選擇(216)與所述第一和第二劑量分布有關的第一劑量。
18、 如權利要求17所述的方法，進--步包括力A^，向治療計劃的系統(tǒng)(22)反饋(24)能實現(xiàn)的腫瘤劑量和能實現(xiàn) 的容許劑量；并且優(yōu)化(220)與所述能實現(xiàn)的腫瘤劑量、所述能實現(xiàn)的容許劑量、和所述第 一和第二劑量分布有關的所述輻射治療計劃。
19、 如權利要求16所述的方法，進一步包括 響應于所述施加來/Ai^述預后模型輸出(20)并發(fā)癥概率；并且選擇(216)所述第一劑量作為腫瘤劑量和選擇容許劑量，所述腫瘤劑量和 容許劑量中的每個均取決于所述存活概率和所述并發(fā)癥概率；并且 把所述容許劑量輸入(20)到所述逆向治療計劃的系統(tǒng)(22)。
20、 如權利要求16所述的方法，進一步包括采用所述預后模型來選擇與所述數(shù)值有關的治療方案。
21、 如權利要求16所述的方法，其中輸出(20)包括采用所述預后模型來 估計(18)表示多個不同類型的知識庫源的預后模型。
全文摘要
帶有個體的具體考慮的自動治療計劃(22)。一個或多個預后模型(18)對一個給定劑量指示與患者特定信息有關的耐受性。通過對多個劑量確定耐受性，來基于特定的患者并根據(jù)劑量來確定由耐受性所表示的生物模型(20)。相似地，確定并發(fā)癥或者副作用的概率(20)。耐受性的概率和并發(fā)癥的概率分別被用作或者代替腫瘤控制概率和正常組織并發(fā)癥概率。根據(jù)患者特定劑量分布來選擇期望腫瘤劑量和耐受劑量(216)。被選擇的劑量被輸入到逆向治療計劃的系統(tǒng)(22)，以確定輻射治療參數(shù)。
文檔編號G06F19/00GK101421736SQ200780013615
公開日2009年4月29日 申請日期2007年4月17日 優(yōu)先權日2006年4月17日
發(fā)明者C·J·阿米斯, R·B·勞, S·克里什南 申請人:美國西門子醫(yī)療解決公司