亚星游戏官网-www.yaxin868.com

专利名称：使得能够进行临床决策支持的方法、计算机程序产品和系统的制作方法
技术领域：
本发明涉及疾病诊断的领域，并且具体而言，涉及使用对患者体内的多个生物标记物的多种测试(代表性地，如血液中的免疫球蛋白水平)诊断过敏性和/或自身免疫性 疾病。特别地，本发明涉及用于改进此类诊断的计算机处理工具。
背景技术：
对疾病的精确诊断始终是卫生保健的根本之一。做出诊断的过程可以采取多种形 式，如基于症状的、基于患者历史的以及基于测试的诊断。在基于测试的诊断中，在体液中 被测生物标记物的水平被用于查明患者的疾病(例如，血液中的IgE表示过敏，并且尿液中 的糖表示糖尿病)。此外，医师趋向于将基于症状的诊断和基于测试的诊断进行组合，以便 精确地阐述潜在的疾病。近些年来，分子生物标记物测试的有效性有了巨大的增强。现在，执行面板测试已 经非常普遍，并且这些结果与患者历史相结合，形成诊断的基础。只要测试的数目少于10 左右，这对平均水平的医师而言，在“他的脑海”中处理是可以接受的。然而，当医师必须基 于20-100条独立测试结果做出决策时，误判和混淆的风险急剧增加。为了改进由医师所做出的决策或者减小做出误判和错误的数目，已经开发出了设 计用于改进涉及诊断或保健治疗过程的临床决策制定的临床决策支持系统(CDSSs)。CDSSs 在许多领域中表现有活性的，诸如对药品的选择(见诸如由Evans等人在1998年第338 其月 N Engl J Med 的第 232-238 页所发表的"A computer-assisted management program for antibiotics and other antiinfective agents”)以及对潜在的肺结核感染的筛查 (见诸如由Steel等人在2005年第28期第3卷Am J Prev Med的第281-4页所发表的 "Using computerized clinical decision support for latent tuberculosis infection screening”)。此外，有用于图像解释的不同的支持工具(见诸如由Harpole等人在1997 年第 4 期 J Am Med Inform Assoc 的第 511-521 页所发表的 “Automated evidence-based critiquing of orders for abdominal radiographs impact on utilization and appropriateness",以及 US 2005/0102315)。大多数⑶SSs具有近似相同的结构，例如，正如由Mendonca等人在2004年六月第 68 期第 6 卷 J Dent Educ 的第 589-97 页所发表的"Clinical decision support systems perspectives in dentistry”中所描述的，这里将其一起纳为参考。在常规的CDSS中，有 包含患者数据的工作存储器(通常被称为数据库)，使用分类知识库的决策(或推断)引擎 (例如，包含给定测试结果下疾病的可能性)。可能有可利用的解释�？椋�所述解释�？楦� 据上下文将来自决策引擎的输出转换为消息。在WO 2005/103300中公开了一种用于解释在诊断条件下的测试结果的⑶SS，其 中，统计模式识别算法被应用于关于自身免疫性疾病的平板测试结果。该算法将测试结果 的面板与多个先前诊断的患者的参考数据集进行比较，每个参考数据集包括针对多个具体抗体中的每一个的和所诊断出的疾病的值。该算法对面板测试结果和参考数据集应用k最 邻近处理，以便产生在统计学上导出指示面板测试结果是否与零个、或一个或多个具体疾 病相关联的决策。
WO 96/12187公开了一种能够使用经训练的神经网络从多变量实验室数据中进行 复杂模式识别的自动化诊断系统。现有技术还包括US 2006/0013773，其公开了用于将血型与食物过敏和食物超敏 性联系起来的技术。US 5692220公开了用于血液病理学诊断的决策支持系统，其中，测试结果被输入 到决策引擎中，所述决策引擎将其与对应于具体患者状况的模式进行比较。所匹配的模式 依据预先确定的准则分层次进行布置。设计现有技术的CDSS中的共同问题是，其决策引擎的复杂度随着可获得的测试 结果数目的增加快速增长。显然，这在可获得大量生物标记物测试，并且还在不断进行新的 测试的场合就引起了问题。一种此类场合是过敏性和自身免疫性疾�。�其中，可以获得成百 上千不同的生物标记物测试。此外，可能希望将测试结果与人口统计学和所观测的症状进行组合，以改进由决 策引擎所提供的诊断的精度，并且使得诊断引擎能够建议相关的随访测试。这将进一步增 加决策引擎的复杂度。

发明内容
本发明的目标是克服或缓解至少某些以上所提到的现有技术的局限。可以从下文的描述中看出的这个目标和其他目标，至少部分地通过根据独立权利 要求、及其有从属权利要求所限定的实施例的使得能够进行临床决策支持的方法、用于使 得能够进行临床决策支持的计算机程序产品和系统来实现。根据本发明的第一方面，提供了使得能够基于对多个被测生物标记物的测试结果 用于进行临床决策支持的方法，其中，每个测试结果是在值的第一分辨率中给出的。该方法 包括接收测试结果；访问预定义的结构，其中，可获得的生物标记物与宿主相关，至少一 个宿主与多个生物标记物相关；通过将被测生物标记物映射到结构上来识别宿主集；基于 映射到宿主上的(一个或多个)被测生物标记物的测试结果，为宿主集中的每个宿主分配 宿主值，其中，该宿主值是在值的第二分辨率中给出的；并且为基于计算机的决策引擎的输 入提供指示宿主集和所分配的宿主值的输入数据，用于产生临床决策支持。通过对预定义的结构恰当的设计，所述恰当的设计是指基于临床经验和研究表述 生物标记物和宿主之间已知关系来进行设计，这可能降低决策引擎的输入数据的量。这样， 这使得能够降低决策引擎的复杂度。此外，第一方面使得决策引擎被设计为处理宿主和宿 主值，而不是独立生物标记物的测试结果，以便提供所需的临床决策支持。在该决策引擎当 中的数据处理也是适当地基于预定义的结构。这也具有降低决策引擎复杂度的趋势，这是 由于输入数据将固有的反映临床经验和研究。通过更新预定义的结构、示范性地通过将新 生物标记物与一个或多个现有的宿主进行关联和/或通过添加一个或多个宿主，可以容易 地解决对新生物标记物后后续开发的测试。在一个实施例中，该结构包括在某分层等级的宿主。此类结构可以被用于反映临床经验和研究，以限定在宿主/生物标记物之间子类型-父类型的关系。例如，在结构中不同的等级可以代表在不同细节度的宿主的类别。分层结构的使用可以使得能够进行有效的 处理，例如，关于对被测生物标记物的映射。此外，生物标记物的映射可以在一个或多个所 选择的依赖于所需的作为所生成的输入数据的细节的结构等级完成。为了进一步降低决策引擎的复杂度，第二分辨率可以低于第一分辨率。这将使决 策引擎的输入数据的量降低给定的测试结果集。在另一实施例中，测试结果或宿主值是基于具体患者对于测试结果的背景数据调 节的。该患者特异性背景数据可能包括人口统计学数据、既往病史、遗传因素、响应模式、患 者历史和基因数据中的至少一个。这使得可以降低决策引擎的复杂度，例如，可以是为平均 水平的患者设计的决策引擎。该测试结果也可以调节用于匹配不同生物标记物之间的响应尺度。这使得决策引 擎能够忽视在响应尺度中的不同，从而简化决策引擎的设计。在一个实施例中，所检测到的生物标记物是免疫球蛋白超级家族的成员，并且用 于在血液中测试。例如，所测试的生物标记物可能是抗体。 在一个具体的实施例中，临床决策支持涉及对过敏或自身免疫性疾病的诊断。根据本发明的第二方面，提供了一种包括用于引起计算机执行第一方面的方法的 指令的计算机程序产品。根据本发明的第三方面，提供了使得能够基于对多个被测生物标记物的测试结果 进行临床决策支持的系统，其中，每个测试结果是在值的第一分辨率中给出的。该系统包括 用于接收所述测试结果的组件；用于访问预定义结构的组件，其中，可获得的生物标记物与 宿主相关，至少一个宿主与多个生物标记物相关；用于通过将被测生物标记物映射到结构 上，识别宿主集的组件；用于基于映射到宿主上的被测(一个或多个)生物标记物的测试结 果，为在宿主集中的每个宿主分配宿主值的组件，其中，该宿主值是在值的第二分辨率中给 出的；以及用于为基于计算机的决策引擎的输入提供指示宿主集和所分配的宿主值的输入 数据，用于产生临床决策支持的组件。每个此类组件可以体现为软件、硬件或其组合。在一个实施例中，基于计算机的决策引擎包含在系统中。在一个实施例中，所有的组件被集成在单一设备中，所述单一设备可以是服务器、 个人电脑、分析仪器、或具有数据处理能力的任意其他设备。该系统还可以包括基于针对测试结果的具体患者的背景数据的用于调节测试结 果或宿主值的组件。该系统还可以包括用于产生测试结果的组件。在一个实施例中，该组件包括分析 仪器，特别地为成检测预定义的生物标记物的子集的分析仪器，优选地，使用体外IgE ab检 测技术。根据第二方面和第三方面的计算机程序产品和系统能够使得能够进行如根据第 一方面的方法相同的作用和优点。还必须理解的是，关于第一方面所描述的不同的实施例， 以及相关联的优点和作用，等效于第二和第三方面。从下面的详细描述中，从附带的权利要求中，以及从附图中，本发明的其他目标、 特征、方面和优点将显而易见。


现在，将参考相应的示意图更加具体地描述本发明的实施例，其中，相似的原件被 分配相同的附图标记。图1是用于临床决策支持的包含本发明的实施例的系统的方块图；图2示出了宿主的分层结构的示例； 图3是不同食物过敏原对IgE生物标记物值的过敏反应的可能性相关的图表；图4示出了根据本发明的实施例的顶级宿主“花粉”和“食物”的预定义的结构的 一部分；图5是本发明的实施例的实施环境的示意图；图6是根据本发明的实施例的用于使得能够进行临床决策支持的方法的流程图；图7是用于实施图6中方法的示例性系统的方框图；图8是与奶制品过敏原发生过敏反应的可能性相关的图表，特别是不同年龄的患 者的IgE抗体值。下面，出于进行描述的目的，并为了清晰，做出如下限定患者表示可能有、也可能没有疾病的受检者。患者一般是人，但也可以是任意存活 的有机体，特别是哺乳类动物。体液表示在存活的有机体中的液体，包括(但不限于)血液、尿液、泪水、唾液、淋 巴、精液、粪便(feaces)等等。生物标记物是在体液中可以使用分析仪器检测或量化的成分。生物标记物包括， 但不限于，蛋白质和代谢物。免疫球蛋白表示一类生物标记物，它是免疫球蛋白超级家族的成员。该家族包括， 但不限于，抗体(例如，IgA, IgD, IgE, IgG, IgM)、T细胞受体链、I类MHC、II类MHC, β -2 微球蛋白、〇04、〇08丄019、〇03-^、_ δ 和-ε 链、CD79a、CD79b、CD28、CD80、CD86、吞噬细胞 免疫球蛋白类受体(KIR)、CD2、CD48、CD22、CD83、CTX、JAM、BT-IgSF、CAR、VSIG、ESAM)、胞间 吸附分子(ICAM)、血管细胞吸附分子(例如，VCAM-1)、神经细胞吸附分子(NCAM)、IL-1R_2、 IL-IR-β、CD121b 抗原、PDGFR、IL-6R- α、CD126 抗原、CSF-l-R、CD115 抗原、SCFR、c_kit， CDl 17 抗原、FGFR-I、CEKl、PIGR、CD147、CD90、CD7、嗜乳脂蛋白等。过敏表示获得性的、对引起过敏症状的外来物质的异常敏感。所有的抗原表示能够引起过敏的实体。测试表示对患者对具体过敏原反应的测量；宿主表示携带或与一个或多个具体抗原相关联的对象/有机体。宿主类表示宿主的组和家族。
具体实施例方式图1是应用了本发明实施例的数据处理系统10的方框图。系统10接收来自测试 设备11的测试数据，测试设备11包括用于测量在体液(对于患者而言，通常是指血液)中 的生物标记物的量的分析仪器。该测量可以在体内或在体外执行。所生成的测试数据，即每 种被测生物标记物的测量值(测试结果)，通常由在测量范围内的高分辨率(resolution)给出。例如，在测量范围内的多个测量步骤可能至少是10，通常是大约50-100或更多。该 测试数据可以包括任意数目的测试结果，通常多余大约10。系统10接收并处理测试数据，以及进一步与患者相关的数据，以便最终生成患者 特异性诊断报告12，所述诊断报告12可以辅助医师精确地对患者进行诊断。例如，诊断报 告12可以包括所建议的诊断，以及对相关随访测试的建议，以及全部或减少的测试结果列表。在所示出的实施例中，系统10包括决策或推 断引擎13，所述决策或推断引擎13操 作诸如预处理的测试数据，以便生成诊断报告。决策引擎13可以根据传统技术进行配置， 以便使用以计算机可读形式存储相关知识的知识库14。决策引擎13可以包括由专家导出 的规则集，以及基于证据的与可获得的生物标记物相关的用药。规则集可以因此限定从知 识库14中导出的患者特异性注释，以便基于输入数据在报告12中显示。决策引擎13的输入数据也可以包括患者特异性症状数据，指示一个或多个由医 师在患者身上所观察到的症状。决策引擎13的输入数据也可以包括患者特异性背景数据，诸如人口统计学数据 (年龄、种族、住址等等)、既往病史、遗传因素、反应模式、基因数据等等。在一个实施例中，决策引擎13基于降纹波规则(ripple-down rules)技术。此 类决策引擎可以使用可获得的商业软件实施，诸如LabWizard ，可以从太平洋知识系统获得。传统上讲，开发决策引擎可能是非常复杂的，所述决策引擎可以处理患者大量不 同的测试结果和症状。例如，如果可获得100种不同的生物标记物的测试，并且每个测试结 果可以假定为是在0-100范围内的整数值，并且有7种不同症状有待处理，传统的决策引擎 将需要包括10Γ°*27 = 3. 5*102°2种不同组合的规则。为了降低决策引擎的复杂度，对于给定数目的测试结果，图1的系统包括数据降 低�？�15。该�？�15被配置为降低由决策引擎13处理的数据的量。为此，�？�15利用可 获得生物标记物的结构，即由决策引擎13处理的生物标记物，被分配给不同的宿主。每个 宿主包括或表示一个或多个生物标记物。图2中示出了此类结构20的常规示例，其中，宿 主以数字等级L1-L4进行组织。结构20表示生物标记物和宿主之间的已知关系，并且是基 于临床经验和研究进行设置的。模块15将被测生物标记物映射到由预定义的结构20所限定的宿主上，并且因此 识别宿主集，其中，每个宿主包括一个或多个被测生物标记物。�？�15也基于包含在宿主 中的(一个或多个)生物标记物的(一个或多个)测试结果，为每个此类宿主分配值。该值 可以由任意合适的统计函数给出，所述统计函数对测试结果进行操作，诸如最大值、中值、 算术平均值、几何平均值、调和平均值等等。宿主集，以及所分配的值，作为输入数据提供给决策引擎13。该输入数据能够以任 意合适的格式呈现给决策引擎，例如文本、或在任意库中的数(二进制、十六进制等等)、或 其组合。例如，对于指示具体过敏原存在的生物标记物，宿主可以表示携带一个或多个具 体过敏原的对象/有机体类。在一个示例中，预定义的结构将可获得的生物标记物分为五 个不同的主要组或宿主“食物”、“花粉”、“螨类”、“尘土”和“动物”。如图2所示，结构20能够以宿主在不同等级L1-L4的分层形式组织。以上所提到的主要组可以在最根本等级Ll 上组织，并且在一个或多个子等级L2-L4上具有子组(宿主)。在一个示例中，主要组“花 粉”可以具有子组(在等级L2上)“树”、“草”和“药草”，并且子组“树”可以具有子组(在 等级L3上)“橡树”、“桦树”和“榆树”等等。不管子组的数目如何，决策引擎的复杂度是 受主要组的数目支配的。必须意识到，这显著降低了决策引擎的复杂度。存在若干希望得到的变量，用于数据降低�？檠≡窠�包含在决策引擎的输入数据 中的宿主。在一个变量中，在预定义结构20中的所有宿主都可以被映射到可能包含在输入 数据中的所检测到的生物标记物上。例如，如果已经检测了针对桦树的生物标记物，该�？� 可以在输入数据中包括宿主“桦树”、“树”和“花粉”。
在另一变量中，数据降低模块可以包括基于测量值和/或包含在检测数据中的生 物标记物控制宿主选择的预先确定的规则集。例如，如果检测数据包括多于三种不同树花 粉的测试结果(任选地，在附加条件下这些测试结果是非常有意义的)，这些测试结果可以 归为落叶树的宿主组。如果测试数据仅仅包括与桦树有关的花粉，这些测试结果可以归为 桦树宿主组。在另一示例中，与螨类相关的所有测试结果缺省地归为相应的主要宿主组。如 果结果的数目非常大，该规则可以保证所有的测试结果应当归为主要宿主组，或至少在等 级Ll或L2上的宿主组。在另一变量中，宿主的选择是由数据降低�？榈氖淙氩问�控制的。例如，该输入参 数可以指示个人解释诊断报告的资历水平。如果该人是专业人员，这个诊断报告包括更多 的关于所建议的诊断和测试结果的细节是可接受的/所期望的，并且因此输入数据应当包 括在结构20(cf.L3和L4)的更低等级的宿主。如果该人是普通从业者，该诊断报告应当简 洁和直接，并且输入数据应该主要基于来自结构20 (cf. Ll和L2)的更高等级的宿主。数据降低模块15可以被用于降低决策引擎13的输入参数的表面数目。该特征可 以用于在没有不恰当地增加其复杂度的情况下，降低决策引擎13的复杂度和/或允许其他 信息、而不是用作决策引擎13的输入变量的测试结果。如图1所示，患者特异性症状数据 可以被用作此类输入变量。例如，该决策引擎可以被配置为使用0或1的值处理给定的症 状集，分别指示该症状不存在和存在。类似地，患者特异性背景数据(既往病史、人口统计 学等等)可以被用作决策引擎的一个或多个输入变量。需要理解的是，决策引擎13应当被设计为基于由数据降低�？�15所提供的输入 数据，即宿主和宿主值提供诊断报告。为此，决策引擎13可以包括基于如数据降低�？�15 所使用的类似预定义结构的规则集。正如上面所提到的，该预定义的结构代表基于临床经验和研究的生物标记物和宿 主之间的已知关系。因此，即使决策引擎对输入数据的稀疏矩阵进行操作，它被理解为基于 临床经验提供精确的诊断。例如，关于交叉反应的、过敏症的人口统计学的和医学年龄的知 识使得可能可靠地预计患者对具体过敏原的高风险，对于该过敏原，相关过敏原的具体IgE 没有在过敏原测试的面板中检测到。因此必须认识到，因为决策引擎能够基于很少的输入 参数提供精确的诊断引导，上述系统使得可以使用稀疏生物传感器面板。此外，将输入数据降低为宿主和宿主值使得它也能够将决策引擎的输出压缩为短 的和简明可读的消息。为了进一步降低由决策引擎13处理的输入数据的量，�？�15可以配置为与测试值的分辨率相比较，降低所分配的宿主值的分辨率。这可以通过量化实现，或者是在以上所提到的映射之前的测试值，或者是分配给宿主集的值。值的量化可以包括为多个值组中的 一个分配的值。例如，测试值可以分配给如下值组中的一个不可探测的、非常低的、低的、 适度的、高的、非常高的。例如，这些值组可以由值0-5代表。因此，我们以可以采用0-5的整数值的5个宿主结束。根据7种不同的症状，我们 最终获得65*27 = 995000种有待由决策引擎处理的不同的组合，其是显著地少于3. 5*102°2 种不同待处理的未压缩的测试结果的组合。返回到图1，所示出的实施例也包括调节�？�16，用于有效地选择对测试结果的 基于上下文的调节。可以实施模块16，以调整基于患者特异性背景数据的测试结果。这使 得决策引擎13基于针对平均人口的规则，因此简化了决策引擎的设计。例如，当测试儿童 时，该响应尺度可能不同于成年人。因此，该�？榭梢耘渲梦�调节(通常增加)针对至少某 个生物标记物的测试结果。另外地或可替代地，�？�16可以被配置为重新调节测试结果，以便匹配在不同生 物标记物之间的反应调节。例如，部分依赖于各自过敏原的固有过敏特性，不同的过敏原可 能具有不同的截止水平。因此，针对一种生物标记物的低测试值比针对另一生物标记物的 高的测试值可能更有可能导致过敏。即使生物标记物非常相似这也将是有效的，诸如IgE 抗体直接针对多种过敏原。如图3所示，对于过敏原c和d的IgE生物标记物的低值( lkUA/Ι)的可能性高于针对过敏原a的IgE生物标记物的高值( 10kU/l)的可能性。基 于上下文的调节可以解决此问题，通过调节一个或多个测试值，以便匹配反应的可能性。这 使得决策引擎可以忽略在反应调节中的差别，从而简化决策引擎的设计。在可替代实施例(未示出)中，调节�？�16被布置在数据降低�？�15的下游，以 便操作分配给宿主集的值，而不是来自测试装置的测试结果。在另一实施例中，可以将所有 或部分调节功能组合到决策引擎13中。下面，将进一步举例说明决策引擎的操作和其使用规则。例子1-6是参考图4给 出的，图4示出了对主要宿主“花粉”和“食物”预先确定的结构的小部分。需要注意到的 是，为便于理解，对下面的示例进行了简化。在该示例中，变量和值以斜体字表示。示例 1症状湿;^r宿主值在烁范围内的##规则如果(症状=湿參)并且〈任竟、花^>不可探测性)=>解释说明 “湿多很可能不是由于示例 2輒..哮喘宿主值在高范围内的##规则如果(症状=孝糖)并且(在蔷到养赏高的范围内的任意花粉)=> 解释说明“针对##所探测的IgE抗体可能与_的症状相关”示例 3
症状哮喘宿主值在高范围内的在^^范围内的以及在烁范围内的##规则如果(症状=孝勝)并且(在高到桊赏高的范围内的任意花粉)=> 解释说明“针对探测的IgE抗体可能与_症状相关”示例 4症状湿疼 宿主值在#_的范围内的_规则如果(症状=湿；^ )并且(在杀赏高的范围内的任意會# )= >解释说 明“湿參可能是由于―”示例 5症状湿疫宿主值在^r的范围内的_规则如果(症状=^D并且(在^^的范围内的任意_)=>解释说明 “^麥可能是由于_”示例 6症状湿疫宿主值在#赏烁的范围内的_规则如果(症状)并且(在#赏烁的范围内的任意## )= >解释说 明“_非常低的IgE等级很可能与湿參无关”示例 7具有哮喘和湿疹症状的患者在体外对IgE抗体进行测试，下面的测试结果包括猫=51kU/l艾蒿=23kU/l桦树=3kU/l狗=2.7kU/l豚草=0.7kU/l牧草=0.6kU/l马=0.45kU/l兔=0.41kU/l螨类_dl = 0. 57kU/l在该简化的示例中，数据降低�？楸慌渲梦�为如下预定义的主要宿主分配测试结 果“花粉”、“食物”、“动物”、“螨类”和“尘土”。每种主要宿主分配有由分配给宿主的最大 测试值给出的宿主值。此外，该数据降低模块被配置为根据如下预定义的IgE范围将宿主 值归为宿主值组(在kU/Ι给出)不可探测的< 0. 1，非常低
，低
，适 度的[2-15]，高[15-50]，以及非常高> 50。在数据降低�？橹性ご�理之后，获得了针对决策引擎的如下输入数据。动物=非常高
花粉=高螨类=低
预处理后的数据被传送到决策引擎，所述决策引擎产生根据下列规则集的解释说 明规则如果m =哮喘或鼻炎)并且(在若赏高的范围内的动激)=>解 释说明“所观察到的动#的IgE abs是很可能与孝糖症状相关。”规则如果(症状=_或#炎)并且(在高的范围内的^=>解释说 明“所观察到的贞纷的IgE abs可能与#赫症状相关。”规则如果(症状=_或#炎)并且(在烁的范围内的螨类)=>解释说明 “所观察到的的IgE abs可能会促进^^症状”规则如果(症状= ^gO并且(在任意范围内的^=>解释说明“所观 察到的_的IgE abs不太可能与所报告的_相关。”规则如果(症状=湿&)并且(在任意> 低的范围内的〈螨类i动物))= >解释说明“引起过敏性皮肤症状的IgE通常涉及食物过敏原，但直接皮肤接触或吸入性 过敏原偶尔也可能促进皮肤的症状。，，IgE生物标记物值的解释的一个常规规则是，值越高，引起过敏症状的IgE的风险 越大。然而，这里有许多针对该常规规则的例外，并且这些例外可以组合到决策引擎的规则 中，或在基于上下文的调节中。下面两个示例示出了这些例外如何能够集成到基于上下文 的调节中。示例 8两个患者A和B具有对蛋类在烁范围内的IgE响应，一个患者是1岁并且另一个 患者是30岁。对于< 6岁的儿童，调节�？楸慌渲梦�将针对蛋类在烁范围内的测试结果增 加到的范围。该相应处理后的测试结果被作为输入数据发送到决策引擎，所述决策引 擎根据下列规则集生成解释说明规则如果(症状=^D并且(在^^勺范围内的蛋类)=> 对患者A的解 释说明"^r很可能是由于 ^。”规则如果(症状=湿D并且(在烁的范围内的 ^)=>对患者B的解释 说明“湿；^可能是由于 ^。”示例 9对于具体的过敏原而言，可以不考虑年龄因素而增加或降低测试结果重要性的等 级。基于临床经验，例如，调节�？榭梢员慌渲梦�总是将在渐范围内的小麦或大豆的测试结 果(例如1.8kU/l)降低到历的范围内。该相应的处理测试结果是决策引擎的输入， 所述决策引擎根据如下规则集生成解释说明规则如果(症状=湿;并且(在#赏烁的范围内的(…I或=> 解释说明“对于湿參的症状是由于这些IgE抗体等级不平常。”规则如果(症状=湿;^)并且(在烁的范围内的或^"))=>解释 说明“_可能是由于
示例8和9指示逻辑可能从决策引擎转移到调节�？椋�使得降低先前的复杂度。此 夕卜，调节�？榈奶峁┦沟每梢越�参数调节为不依赖于决策引擎而改变，例如，解决关于某种 生物标记物的过敏性的新发现的问题。下面表1是由决策引擎基于不同的测试结果集所生成的诊断报告的示例。在该示 例中，诊断报告包括观察到的症状，在该示例中是鼻炎。它也包括落在每个所提到的范围内 的测试结果。在该示例中，螨类的一个测试结果落在_范围内，并且草花粉的一个测试结 果落在适度的范围内，而所有其他的测试结果是不可探测的。在该示例中，决策引擎并不是 仅仅被提供有预处理后的输入数据，也提供有原始测试结果。然而，诊断报告是基于预处理 的输入数据生成的；在该示例中的测试结果仅仅是出于表述的目的。表1 基于根据本发明的实施例处理的测试结果生成的诊断报告的示例
权利要求
一种使得能够基于对多个被测生物标记物的测试结果进行临床决策支持的方法，其中，每个测试结果是在值的第一分辨率中给出的，所述方法包括接收所述测试结果；访问预定义的结构(20)，在所述预定义的结构中可获得的生物标记物与宿主相关，至少一个宿主与多个生物标记物相关；通过将所述被测生物标记物映射到所述结构(20)上来识别宿主集；基于映射到所述宿主上的(一个或多个)所述被测生物标记物的所述测试结果，为所述宿主集中的每个宿主分配宿主值，其中，所述宿主值是在值的第二分辨率中给出的；以及为基于计算机的决策引擎(13)的输入提供指示所述宿主集和所分配的宿主值的输入数据，用于生成所述临床决策支持。
2.如权利要求1所述的方法，其中，所述结构(20)包括在分层等级(L1-L4)上的宿主。
3.如权利要求1或2所述的方法，其中，在所述宿主集中的宿主的数目少于可获得的生 物标记物的数目。
4.如上述任一权利要求所述的方法，其中，所述第二分辨率低于所述第一分辨率。
5.如上述任一权利要求所述的方法，还包括基于针对所述测试结果的患者特异性背景数据，调节所述测试结果或所述宿主值。
6.如权利要求5所述的方法，其中，所述患者特异性背景数据包括人口统计学数据、既 往病史、遗传因素、响应模式、患者历史和基因数据中的至少一个。
7.如权利要求5或6所述的方法，还包括在所述输入数据中包含所述患者特异性背景数据的至少一部分。
8.如上述任一权利要求所述的方法，还包括识别至少一种患者症状并且在所述输入数据中包含指示所述患者症状的数据。
9.如上述任一权利要求所述的方法，其中，所述被测生物标记物是免疫球蛋白族超级 家族的成员，并且被在血液中测试。
10.如上述任一权利要求所述的方法，其中，可获得的生物标记物的数目是大约10或更多。
11.如上述任一权利要求所述的方法，其中，所述被测生物标记物是抗体。
12.如上述任一权利要求所述的方法，其中，所述临床决策支持涉及对过敏和自身免疫 性疾病的诊断。
13.如上述任一权利要求所述的方法，其中，所述预定义结构(20)表示所述生物标记 物和宿主之间的已知关系。
14.一种计算机程序产品，其包括用于使计算机执行如上述权利要求1-13中的任一项 所述的方法的指令。
15.一种使得能够基于对多个被测生物标记物的测试结果进行临床决策支持的系统， 其中，每个测试结果是在值的第一分辨率中给出的，所述系统包括用于接收所述测试结果的组件(80)；用于访问预定义的结构(20)的组件(81)，在所述预定义的结构(20)中可获得的生物 标记物与宿主相关，至少一个宿主与多个生物标记物相关；用于通过将所述被测生物标记物映射到所述结构(20)上来识别宿主集的组件(82)；用于基于映射到所述宿主上的(一个或多个)所述被测生物标记物的所述测试结果为 所述宿主集中的每个宿主分配宿主值的组件(83)，其中，所述宿主值是在值的第二分辨率 中给出的；以及用于为基于计算机的决策引擎(13)的输入提供指示所述宿主集和所分配的宿主值的 输入数据，以生成所述临床决策支持的组件(84)。
16.如权利要求15所述的系统，还包括用于基于针对所述测试结果的患者特异性背景 数据调节所述测试结果或所述宿主值的组件(16)。
17.如权利要求15或16所述的系统，还包括所述基于计算机的决策引擎(13)。
18.如权利要求15、16或17所述的系统，还包括用于生成所述测试结果的组件(11)。
19.如权利要求18所述的系统，其中，用于生成所述测试结果的所述组件(11)包括特 别设计用于测试预定义的生物标记物的子集的分析仪器，优选地，使用体外IgE ab检测技 术。
20.如权利要求15-19的任一项所述的系统，其中，所述组件(11、80-84)集成到单一设备中。
全文摘要
一种使得能够基于对多个被测生物标记物的测试结果进行临床决策支持的方法。所述方法是由数据降低�？�(15)执行的并且包括这些步骤，即接收来自测试设备(11)的测试结果；访问预定义的结构，在所述预定义的结构中可获得的生物标记物与宿主相关，至少一个宿主与多个生物标记物相关；通过将被测生物标记物映射到所述结构上来识别所述宿主集；基于映射到所述宿主上的(一个或多个)所测得生物标记物的测试结果，为所述宿主集中的每个宿主分配宿主值；以及为基于计算机的决策引擎(13)的输入提供指示所述宿主集和所分配的宿主值的输入数据，用于生成临床决策支持(12)。所述数据降低�？�(15)可以包含在系统中，并且由在数据处理设备(诸如PC或网络服务器)上运行的计算机可执行指令实施。
文档编号G01N33/68GK101971180SQ200980104541
公开日2011年2月9日 申请日期2009年2月6日 优先权日2008年2月8日
发明者A·奥尼尔, A·科伯, K·瓦尔, P·福斯格伦 申请人:法蒂亚公司