CN101681400A

CN101681400A - 用于提供健康数据的可靠性度量的信誉系统

Info

Publication number: CN101681400A
Application number: CN200880018954A
Authority: CN
Inventors: T·F·P·范德乌尔森; M·佩特科维奇; R·P·科斯特
Original assignee: Koninklijke Philips Electronics NV
Current assignee: Koninklijke Philips NV
Priority date: 2007-06-07
Filing date: 2008-06-04
Publication date: 2010-03-24
Also published as: RU2009148298A; WO2008149300A1; EP2168065A1; US20100179832A1; JP2010529549A; EP2000934A1

Abstract

本发明涉及对由数据提供者所提供的关于患者(103)的第一组健康数据(102)的可靠性进行度量的系统和方法。分配器(105)用于将至少一个第一评级要素分配给第一组健康数据或数据提供者。信誉指示器(106)使用至少一个第一评级要素作为输入数据来确定指示数据提供者可靠性的第一信誉度量。随后比较器(107)比较所确定的第一信誉度量与预定义的信誉阈值度量，所述信誉阈值度量是预设的数据提供者的可靠性水平的度量。

Description

用于提供健康数据的可靠性度量的信誉系统

技术领域

本发明涉及用于提供患者的第一组健康数据的可靠性度量的信誉系统和方法。

背景技术

电子健康记录(EHR)：

现今，健康数据保留在健康护理提供者的专有系统中。随着大型网络应用的增加，提出了针对健康数据的分布式计算机系统的可能性，例如，地区性或国家性的电子健康记录(EHR)基础设施。健康护理专业人员为这些EHR提供信息。EHR的主要目的是通过健康数据的可利用性和可靠性的增加而提高健康护理的效率和质量。健康护理信息和管理系统协会(HIMSS)给出了电子健康记录的定义(T.Handler，R.Holtmeier，J.Metzger，M.Overhage，S.Taylor and C.Underwoord.HIMSS electronic health recorddefinitional model version 1.1.2003)。电子健康记录(EHR)是安全的、实时的、定点护理的、以患者为中心的为临床医生使用的信息资源。EHR通过提供当临床医生需要的时候随时随地可获取的患者的健康记录信息以及通过结合循证(evidence-based)的决策支持的方式，协助临床医生做出决策。EHR使临床医生的工作流程自动化和流水线化，结束护理中导致延误或隔阂的在通信和回应之间的循环。EHR同样支持对并不直接应用于临床护理的数据的收集，例如账单、质量管理、结果报告、资源规划以及公共健康疾病的监测与报告。当前，许多国家正在建设和实施电子健康记录。

个人健康记录(PHR)

个人健康记录是由患者而不是健康护理提供者所管理的健康记录。健康护理提供者并不是仅有的可以为患者的身心健康提供健康数据的群体。患者(也包括没有罹患疾病，但却关心他们自身健康的人)可能想为他们的健康记录提供健康信息。试想体重、心率、血压信息的例子。此外，诸如健身俱乐部和体重控制俱乐部的保健提供者正日趋专业化，他们可能想要使用并提供有关的健康数据给患者的健康记录。将由患者、保健提供者、健康护理提供者所提供的数据存储在患者的PHR中。使用PHR的另一个原因是，健康护理提供者仅有义务在删除患者的记录之前对其保存一定的时间。想要在数据保留期后保存他们的健康数据的患者可以将这些数据转移到他们的PHR中去。PHR授权患者对他们的健康数据的控制。患者可以管理并根据自己的意愿分享他的PHR中的健康数据。共享之后，健康护理提供者和保健提供者可以使用PHR中的健康数据来改善患者的健康。PHR中的健康数据不同于EHR中的健康数据。EHR中的健康数据往往是由健康护理提供者所提供(或至少审查过的)的。因此，EHR中的健康数据被认为是准确的和可信的。不同的是，PHR中的健康数据可以是由健康护理提供者、保健提供者和患者提供的。患者可以通过亲自添加健康数据，或者通过使用产生健康数据并将其添加到PHR中的设备而提供他们的健康数据。尽管由患者和保健提供者所提供的健康数据的可靠性得不到保证，但该健康数据对于健康护理提供者可能是颇有价值的。通过患者或通过保健提供者所提供的健康数据能够指导健康护理提供者制定医学决策、做出诊断、决定实施何种医学测试和检查以及决定是否将患者转送到另外的健康护理提供者那里。考虑到众多的PHR倡议，在美国有这样一个趋势，即PHR将越来越多的被使用(http://www.e-health-insider.com/news/item.cfm？ID＝2520)。

群体及他们的健康数据的可靠性：

健康护理提供者是具有医学背景的人，因此源于健康护理提供者的健康数据可以被认为有一定水平的准确性。此外，健康护理提供者是被授权的，并且也被列入国家注册登记表的。因此，期望健康护理提供者为EHR和PHR两者都制造高度可靠的健康数据。由患者所提供的健康数据是具有不同的可靠性的，因为患者具有不同的医疗知识。每天都做测量的慢性疾病患者可能提供非常准确的健康数据。然而，很多患者并不准确地知道如何测量。老年人可能难于进行测量。通常，患者所提供的健康数据的可靠性从无用的到可与健康护理提供者所提供的健康数据相比的水平不等。与患者所提供的健康数据相似，保健提供者所提供的健康数据也可能有不同的质量。提供健康数据的保健提供者常常在他们的专业领域很擅长。因此，其所提供的健康数据的可靠性或许不会非常差。该健康数据的可靠性取决于设备的质量、保健提供者的雇员的训练水平以及保健提供者给予他的顾客的训练水平。

因此，对现有健康数据的可靠性进行评估是非常困难的。

发明内容

本发明的目的是提供用于确定患者健康数据的可靠性的系统和方法。

根据一个方面，本发明的涉及一种信誉系统，用于提供对由数据提供者提供的关于患者的第一组健康数据的可靠性度量，所述系统包括：

a)分配器，用于将至少一个第一评级要素分配给第一组健康数据或数据提供者，

b)信誉指示器，用于使用至少一个第一评级要素作为输入数据来确定指示所述数据提供者的可靠性的第一信誉度量，以及

c)比较器，用于比较所确定的第一信誉度量和预定义的信誉阈值度量，所述信誉阈值度量是预设的数据提供者的可靠性水平的度量。

相应地，通过这种方式评估所述数据提供者，可以评估所述健康数据的可靠性。例如，这为健康护理提供者基于数据提供者的信誉，在几乎不需要健康护理提供者、保健提供者和患者的经费开销的情况下，对健康数据的可靠性做出明智的判断提供了有利条件。

在一个实施例中，所述分配器包括适于结合数据提供者的证书确定对数据提供者的评级的规则引擎。

因此，提供关于数据提供者的相关参数或度量，也就是他/她是否具备采集健康数据的资格。

在一个实施例中，所述分配器包括聚集引擎，其适于基于由不同的数据提供者所提供的两个或更多个同一患者的健康数据集的比较，确定对所述健康数据的评级。

相应地，例如，如果两个数据集非常相似，将给出指示所述数据提供者是可靠的良好的指标。

在一个实施例中，所述聚集引擎通过计算两个或更多个健康数据集之间的一致性来确定对所述健康数据的评级。

在一个实施例中，所述分配器包括健康护理提供者或保健提供者，他们通过手动操作的方式将至少一个评级要素分配给健康数据。

相应地，手动操作也可以为健康数据分配一个或多个评级要素。举例来说，健康护理提供者可以是诸如医生、牙科医生、外科医生或当患者创建所述健康数据时在场的任何类型的专家。在观察患者之后，健康护理提供者可以为数据手动提供可靠性评级要素。

在一个实施例中，所述评级手段包括用于将元数据整合到健康数据中去的元数据源，所述元数据是在为健康数据分配至少一个评级要素的过程中作为附加数据源实现的。相应地，例如，此类元数据可以包括在测量期间患者是否静止，测量条件是否正确，测量设备的类型以及测量设备的准确性等等。当为健康数据分配一个或多个评级要素的时所有的这些附加信息是非常相关的。

在一个实施例中，所述数据提供者是患者或保健提供者。在另一个实施例中，所述数据提供者是健康护理提供者。

在一个实施例中，第一组健康数据以及伴随的元数据是通过通信信道从外部数据库或系统中获得的。

在一个实施例中，涉及健康数据的第一信誉度量通过通信信道传送到远程系统中。

在一个实施例中，涉及对第一组健康数据的评级通过通信信道传送到远程系统中。

根据另一方面，本发明涉及一种方法，其提供由数据提供者所提供的关于患者的第一组健康数据的可靠性度量，包括：

a)将至少一个评级要素分配给第一组健康数据或数据提供者，

b)使用所分配的评级要素作为输入数据来确定指示所述数据提供者的可靠性的第一信誉度量，以及

c)比较所确定的第一信誉度量和预定义的信誉阈值度量，所述信誉阈值度量是对预设的数据提供者的可靠性水平的度量。

根据另一个方面，本发明涉及一种计算机程序产品，用于当所述产品在计算机上运行时引导处理单元执行所述方法的方法步骤。

本发明的这些方面的每一个可能与任何其它方面的进行组合。通过参考下文描述的实施例，本发明的这些和其他方面将显而易见并且得以阐明。

附图说明

下面将仅仅以例子的方式，参考附图描述本发明的实施例，其中

图1示出了根据本发明的用于提供患者的第一组健康数据的可靠性度量的信誉系统；

图2是根据本发明的信誉系统的一个实施例的方框图；

图3图形地描绘了健康护理提供者和PHR系统之间的交互的一个实施例；以及

图4示出了根据本发明的用于提供由数据提供者提供的关于患者的健康数据的可靠性度量的方法的流程图。

具体实施方式

图1示出了根据本发明的信誉系统100，用于提供由数据提供者提供的关于患者103的第一组健康数据102的可靠性度量。所述数据提供者可以是为患者创建健康数据的人，例如，患者自己、健康护理提供者(例如医生牙科医生或有资质执行此类测量的任何人)、保健提供者(如健身中心的人)或者预先编程为执行此类测量的计算机或类似装置。所述系统包括分配器105、信誉指示器106和比较器107。

所述分配器105的任务是为健康数据102或数据提供者103分配评级。在一个实施例中，所述分配器105是规则引擎，其通过依靠所述数据提供者的证书计算规则评级，所述数据提供者例如是自己创建了健康数据的患者，或者创建患者的健康数据的保健提供者，或者创建患者的健康数据的健康护理提供者。因此，数据提供者的可靠性是在规则评级中反映出来的。所述规则引擎可以使用不同的方法来查找所述规则评级。例如，规则引擎可能适于使用预定义的映射以找到与证书有关的规则评级。例如，所述证书可以是大学文凭、学校或鉴定机构、测试、不同类型的课程(例如在线课程等)。举例来说，如果所述健康数据是由患者创建的并且证书表明他/她非常有资质执行此类测量，例如已经参加了一些涉及如何创建此类健康数据的课程，则所述规则评级将评估为高。相应地，所述规则评级要素反映了创建患者的健康数据的人的“教育水平”，并且因此是对所述健康数据“可靠性”的良好的指示。

在一个实施例中，所述分配器105是适于基于对不同数据提供者所创建的健康数据的比较来确定聚集评级的聚集引擎，优选的具有小的时间差，因为所述信息会随着时间变化。举例来说，如果所述数据提供者是医生A和患者B，他们进行相同的患者测量并且这些测量值是相似的，则所述聚集评级将会比较高，反之测量值的不一致将导致更低的聚集评级。因此，所述聚集评级反映了测量数据在统计学上的可靠性。

在一个实施例中，所述分配器105是健康护理提供者，例如医生，他/她提供所接收到的对数据检查后带有评级的健康数据。这通常是以当数据提供者创建健康数据时，健康护理提供者在场为基础的，或者(？)重复所述健康数据的创建等等。由健康护理提供者所分配的评级被称为是局部评级。举例来说，医生可能会通过为整套数据提供单一评级要素，或者通过为每个数据元素提供评级要素而为患者在一周内测量的血压值提供评级。这些将在下文中进行更为详尽的讨论。

在为数据提供者提供的评级是由其他健康护理提供者提供的情况下，该评级被称为全局评级。

相应地，评级要素定义了涉及为患者执行的测量的可靠性的可靠性参数。正如先前提到的，如果所述规则评级是高的，那么创建所述健康数据的数据提供者的资质也是高的；例如通过医生为每一个数据元素分配(例如)评级而给出局部评级；当诸如第二健康护理提供者使用由另一个健康护理提供者分配的局部评级时使用术语全局评级；所述聚集评级依赖通过比较两个或更多个测量的统计过程，并且基于上述，为健康数据提供聚集评级要素。这些评级要素作为由信誉指示器106执行的后续步骤的输入。

信誉指示器106的作用是，在确定第一组健康数据的数据提供者的第一信誉度量的过程中，使用所分配的评级要素作为输入数据或输入参数。所述第一信誉度量确定数据提供者的信誉并且因此反映所述第一组数据的可靠性，即他们是否是值得信赖的。通常的标准是他们必须是准确的，可靠性是高的，等等。所述信誉指示器106将在下文中更详细讨论。

所述比较器107将第一信誉度量与阈值度量进行比较，所述阈值度量是预设的数据提供者的可靠性水平的度量。例如，所述比较器可以是医生，他们很明确的知道用于评估第一信誉度量是否足够高并且因此健康数据的可靠性是否足够高的参考水平(阈值度量)。所述比较器107也可以是诸如预先编程为自动比较第一信誉度量和预设的阈值度量的处理器。

在一个实施例中，所述信誉系统100还包括提供指令器108以基于所述比较器107的结果指示在所确定的信誉度量低于信誉阈值度量的情况下，是否需要重新创建健康数据。如果所确定的信誉度量低于所述信誉阈值度量，则可以由相同的数据提供者或新的数据提供者创建第二组健康数据或者舍弃所述数据。随后，为第二组健康数据指定至少一个第二评级要素，第二信誉度量是基于至少一个第二评级要素所确定的并且最终将第二信誉度量与信誉阈值度量进行比较。如此重复直到后来所确定的信誉度量达到或超过了信誉阈值度量。

正如在图1中所描绘的，健康数据可以是从外部数据库109通过例如诸如因特网的无线通信信道111获得的个人健康记录(PHR)或者是电子健康记录(EHR)。这样，医生可以获得患者的健康数据并检查所述健康数据是否有高的可靠性。

所述指令器108的结果也可以通过无线通信信道111发送到诸如医生110或者患者103的外部客户端103、110上。如果回应指示第一组健康数据的可靠性不是足够高，则可能会要求数据提供者重复所述测量。

在一个实施例中，所述健康数据102与元数据104有关，所述元数据用于指示患者健康数据的创建过程是如何执行的，例如，在测量期间，血压仪是否被放置在正确的高度，或者患者是否在测量期间保持静止等等。相应地，所述元数据可以反映测量的环境或情况。当仅仅通过观察元数据来分配局部评级的时该信息可能对于诸如医生来说是非常有价值。此类元数据通常由产生元数据并将其附加到健康数据的设备提供。

可以将以上提及的系统集成到包含执行上述步骤的处理器的计算机设备112中，计算机设备112例如为PC计算机、PDA或类似装置。

图2是根据本发明的信誉系统100的一个实施例的方框图，此处分配器105包括规则引擎202、聚集引擎207和健康护理提供者209。

所述规则引擎202可以是包括处理器的计算机202或类似装置，其中计算依赖可获得的证书201，例如，在数字数据库中预存储的。这通常是与数据提供者有关的数字信息识别证书。例如，如果没有找到关于数据提供者的证书，所分配的规则要素203可能会被认为是低的(或者0)，反之如果找到了健康数据提供者(例如，作为健康数据提供者的医生)的高信誉的证书，则所述规则要素将会比较高。

所述聚集引擎207通常执行患者的两组或更多组健康数据208的统计评估或计算，基于上述内容，提出了聚集评级要素206。这类统计评估可以通过计算机或类似装置执行。

所述健康护理提供者209为健康数据208提供局部或全局评级要素205。正如先前讨论的，局部评级是指这样的情况，即，例如健康护理提供者为健康数据提供评级要素。举例来说，患者A进行测量并且医生B给出了评级。如果医生B计算A的信誉，此评级将是局部评级。

所述全局评级是指这样的情况，即另一个健康护理提供者使用局部评级确定第一信誉度量。举例来说，医生C可以使用由医生B提供的评级计算患者A的信誉。为了使用医生B的评级，医生C计算全局评级(基于医生B提供的评级)。

总之，如果医生B给出了评级，对于医生B来说所述评级是局部评级，而对于医生C来说是全局评级。

正如先前所提到的，在某些情况下，所述健康数据208具有相关联的元数据210，所述元数据提供诸如测量步骤或者所使用的测量设备的类型等的附加信息。当将局部评级要素分配给健康数据时这些数据在是高度相关的。举例来说，关于模型的信息，例如，患者所使用的测量设备的类型/品牌会是评估测量可靠性的相关因素。同样的，例如指示在测量血压时手臂的相对位置是正确的附加信息也同样被认为是高度相关的信息。

这些所分配的评级要素被用做计算信誉度量106/204的输入数据，所述信誉度量确定诸如健康护理提供者、保健提供者、患者的数据提供者的信誉度量211。信誉度量越高，健康数据的可靠性越高，并且反之亦然，信誉度量越低，健康数据的可靠性就越低。

如果信誉度量低于预定义的阈值信誉度量，则优选地应该由例如不同的测量设备重新创建健康数据，或者由不同的数据提供者创建健康数据。

当所述信誉度量211等于或大于阈值度量时，213将做出决定指示数据提供者以及因此的所述健康数据是否可以被认为是可靠的。

实施例的起始

在这个例子中，所述评级要素是元组(tuple)(r，s，c)，其中r是评级的正系数，s是评级的负系数以及c是评级的确定性。r，s，c都是介于0和1之间的实数，并且r和s满足r+s＝1的条件。信誉或信誉部分是评级的聚集。信誉(部分)是元组(R，S)，其中R是评级的正系数的组合，以及S是评级的负系数的组合。该模型是由

和Ismail(A.Josang and R.Ismail，The Beta Reputation System，In Proc.15th Bled Conf.ElectronicCommerce，2002)所提出针对评级和信誉的模型的扩展，据此并入引用。

所述四种不同类型的评级(局部、全局、聚集和规则评级)可以被分为两类：对于健康数据的评级和规则评级。两类中的评级都需要以不同的形式组合。在下一节将讨论不同类型的评级的不同组合方式。

组合健康数据的评级：

该信誉部分是基于对健康数据的评级(局部的、全局的和聚集评级)。所述信誉部分的正系数R是通过将局部评定中所有正系数加和计算得到的。所述评级的正系数是通过几个因素衡量的：

-确定性c：具有高度确定性的评级应该比低确定性的评级给予更高的权重。

-第一遗忘函数：给予更临近的评级以更高的权重的函数。用户可能随着时间学着表现的更好(或更差)。因此，临近的评级应该比以往的评级给予更高的权重。最近的评级应给予最高的权重，其前面的一个评级给与次高的权重，等等。

-第二遗忘函数：给予更临近日期创建的健康数据更高的权重的函数。随着健康数据的创建与信誉部分的计算之间的时间的增长，所述评级应该给予更低的权重。毕竟，如果用户在很长时间以前执行得很好(或差)，不能保证他现在依然如此。

-范围函数的相似性：如果不能得到足够的评级来计算信誉，可以使用其他范围的评级。范围是组合对(m，d)，其中m是检测的类型(如血压)以及d是所使用的设备(如Philips HF305型血压仪)。为了使评级有用，针对其计算信誉的范围必须与评级的范围相关联，范围函数是如果所述范围彼此接近则给予更多权重的函数。此函数具有针对每一个范围的组合对的初始值并且是动态更新的。

信誉是用户x对用户y的主观判断。信誉往往是为范围sc、信赖类型tt(功能性的或者建议性的)以及为时间t计算的。信誉部分的正系数RH和负系数SH的计算如下：

{RH}_{x, y, sc, tt, t} = Σ_{j = 1}^{| SC |} SS (sc, {sc}_{j}) \cdot Σ_{i = 1}^{| H_{j} |} g (t_{i}, t) \cdot f (i, | H_{j} |) \cdot c_{x, y, {sc}_{j}, tt, t_{i}}^{i} \cdot r_{x, y, {sc}_{j}, tt, t_{i}}^{i}

{SH}_{x, y, sc, tt, t} = Σ_{j = 1}^{| SC |} SS (sc, {sc}_{j}) \cdot Σ_{i = 1}^{| H_{j} |} g (t_{i}, t) \cdot f (i, | H_{j} |) \cdot c_{x, y, {sc}_{j}, tt, t_{i}}^{i} \cdot s_{x, y, {sc}_{j}, tt, t_{i}}^{i}

其中：

SC 范围组。

SS(sc，sc_j) 返回范围sc和scj之间相似性的函数。

H_j 范围j的局部、全局、聚集评级组

以健

康数据的创建时间按照升序排列。此组中仅存在时间t_i＜t的评级。

g(t_i，t) 第二遗忘函数，当t_i接近于t时给出更高的值。

f(i，|H_j|) 第一遗忘函数，当i接近于|H_j|时给出更高的值。

r_{x，y，sc，tt，t} x关于y对于范围为sc、信任类型为tt和在时间t时的评级的正系数。

s_{x，y，sc，tt}，t x关于y对于范围为sc、信任类型为tt和在时间t时的评级的负系数。

c_{x，y，sc，tt，t} x关于y对于范围为sc、信任类型为tt和在时间t时的评级的确定性。

组合规则评级：

该信誉部分是基于规则评级的。信誉部分的正系数RR和负系数SR的计算如下：

{RR}_{x, y, sc, tt, t} = Σ_{i = 1}^{| R |} c_{y, sc, tt, t_{i}}^{i} \cdot r_{y, sc, tt, t_{i}}^{i}

{SR}_{x, y, sc, tt, t} = Σ_{i = 1}^{| R |} c_{y, sc, tt, t_{i}}^{i} \cdot s_{y, sc, tt, t_{i}}^{i}

其中：

R 该组规则评级(r_{y，sc，tt，t}，s_{y，sc，tt，t}，c_{y，sc，tt，t})是规则引擎基于用户y所拥有的证书所确定的。在本组中只有t_i＜t时间内的评级。

r_{y，sc，tt，t} x关于y对于范围为sc、信任类型为tt和在时间t时的评级的正系数。此值是规则引擎基于用户y所拥有的证书确定的。

s_{y，sc，tt，t} x关于y对于范围为sc、信任类型为tt和在时间t时的评级的负系数。此值是规则引擎基于用户y所拥有的证书确定的。

c_{y，sc，tt，t} x关于y对于范围为sc、信任类型为tt和在时间t时的评级的确定性。此值是规则引擎基于用户y所拥有的证书确定的。

组合健康数据的评级和规则评级

两个信誉部分(一个对健康数据的评级和一个规则评级)可以组合起来以获得信誉。所述信誉的正系数R和负系数S可以计算如下：

R_{x，y，sc，tt，t}＝RH_{x，y，sc，tt，t}+ω·RR_{x，y，sc，tt，t}

S_{x，y，sc，tt，t}＝SH_{x，y，sc，tt，t}+ω·SR_{x，y，sc，tt，t}

其中ω是基于规则评级给予所述信誉部分的权重(ω≥0)。

评级的计算：

局部评级：局部评级是健康护理提供者x在检查y所提供的健康数据的可靠性之后所提供的评级。

全局评级：为了获得对用户y更广泛的认识，用户x可以询问其他用户z关于对用户y的评级。从用户z获得的评级应当打折扣(也就是给予较小的权重)，因为用户自己的评级往往比另外一个用户的评级更可靠。其他用户的评级通过用户z(评级的提供者)的推荐信誉而打折扣。用户z的推荐信誉是组合对(R_{x，z，sc，R，t}，S_{x，z，sc，R，t})，其计算类似于功能信誉。然而，对于所述推荐，仅仅使用了规则评级，并且没有使用对健康数据的评级。

明显的，与来自具有低推荐信誉的用户的评级相比，应当给予来自具有高推荐信誉的用户的评级以更高的权重。因此用户z的评级的折扣可以容易的由他的推荐信誉通过给评级的确定性打折得到。所述打折后的评级的计算如下：

r_{x，y，sc，tt，t}＝r_{z，y，sc，tt，t}

s_{x，y，sc，tt，t}＝s_{z，y，sc，tt，t}

c_{x, y, sc, tt, t} = \frac{R_{x, z, sc, R, t}}{R_{x, z, sc, R, t} + S_{x, z, sc, R, t} + 2} \cdot c_{z, y, sc, tt, t}

聚集评级：所述聚集引擎提供可以由信誉引擎用于信誉计算的聚集评级。聚集评级是通过比较来自具有小的时间差的不同来源的测量值来计算的。如果两个用户为同一个人进行相同的测量并且这些测量值是相似的，那么两个用户的信誉值都可能提高。如果两个用户在为同一个人进行同样的检测并且检测值不相似，那么两个用户的信誉值都必须降低(在两个用户具有相似信誉的情况下，这样是非常合理的)。在健康护理提供为患者重复测量的情况下，不必要改变健康护理提供者的信誉。实际上，具有非常高信誉的用户(例如健康护理提供者)的所述信誉仅仅是做了非常小的变动。假设hd_{y，z，(m，d)，t}是用户y在时间t点对用户z的测量值。所述测量值是m类型的并且是由设备d处理的。D是一组相同类型并且针对同一患者的测量值hd_{y，z，(m，d)，t}。选择D以使得D中的测量值在时间上足够的接近，以从一个或一个以上其他测量值上推断其中一个测量值的正确性。对hd_{y，z，(m，d)，t}的聚集评级的计算如下：

r_{x，y，(m，d)，F，t}＝SH(hd_{y，z，(m，d)，t}，D，m)

s_{x，y，(m，d)，F，t}＝1-SH(hd_{y，z，(m，d)，t}，D，m)

c_{x, y, (m, d), F, t} = \frac{Σ_{i = 1}^{| D |} ST (t, t_{i}, m) \cdot R_{x, y_{i}, (m, d_{i}), F, t}}{Σ_{i = 1}^{| D |} ST (t, t_{i}, m) \cdot (R_{x, y_{i}, (m, d_{i}), F, t_{i}} + S_{x, y_{i}, (m, d_{i}), F, t_{i}}) + 2}

其中SH(hd_{y，z，(m，d)，t}，，D，m)是比较测量值hd_{y，z，(m，d)，t}与在组D中的测量值的函数。作为计算SH的一部分，首先计算基于组D中测量值的hd_{y，z，(m，d)，t}的最大概然值。然后，计算hd_{y，z，(m，d)，t}和所述最大概然值之间的相似性。

所述最大概然值是对同一患者的同种测量值的加权平均值。

mpv ({hd}_{y, z, (m, d), t}, D) = \frac{Σ_{i = 1}^{| D \cup {{hd}_{y, z, (m, d), t}} |} ST (t, t_{i}, m) \cdot {hd}_{y_{i}, z (m, d_{i}), t_{i}}}{Σ_{i = 1}^{| D \cup {{hd}_{y, z, (m, d), t}} |} ST (t, t_{i}, m)}

所述方程式的权重是测量值之间在时间上的相似性。在时间ST(t，t_i，m)的相似性的计算如下：

其中σ_时间，m是属于m类型的测量的时间的标准差。

那么所述测量值hd_{y，z，(m，d)，t}的相似性可以计算如下：

SH ({hd}_{y, z, (m, d), t}, D, m) = e^{\frac{- {({hd}_{y, z, (m, d), t} - mpv ({hd}_{y, z, (m, d), t}, D))}^{2}}{2 {\cdot σ}_{hd, m}^{2}}}

其中σ_hd，m是属于m类型测量的健康数据的标准差。

规则评级：规则引擎计算可以被信誉引擎使用的规则评级。所述计算依赖于可获得的证书。证书可以是从大学、院校或鉴定机构获得的文凭。获得证书的另一个可能性是通过就读在线课程并通过测试。证书表示为元组(x，p，t)说明了用户x的属性p，其中p可以是导致规则评级的任意属性(例如‘医学院毕业’或‘顺利完成测量血压的在线辅导’)并且t是证书的创建时间。

规则引擎使用预定义的映射关系将证书映射到规则评级(r_{x，sc，tt，t}，s_{x，sc，tt，t}，c_{x，sc，tt，t})。每当接收到新类型的证书，或者引入了新的范围，就必须更新所述映射关系。所述映射关系可以以查找表的形式存在。

与PHR系统的交互：

患者与PHR系统之间以及保健提供者和PHR系统之间的交互已经以这样一种方式发生了改变，即由这些提供者或数据提供者传送到PHR系统的健康数据可以伴随元数据。PHR系统和健康护理提供者可以使用该元数据来计算评级。对于健康护理提供者，与PHR系统的交互已经发生了改变使得健康护理提供者可以获得信誉并提供评级(也需要有这种情况，即保健提供者(甚至患者)也将获得健康数据的数据提供者的信誉。毕竟，信誉是(并且应该是)公共信息。在这种情况下，保健提供者(和患者)与PHR系统之间的交互类似于图3中的情况)。与从PHR系统获取数据不同，健康护理提供者也获取健康数据的元数据和在创建健康数据时健康数据的数据提供者的信誉。在获得所述健康数据后，健康护理提供者可以选择为健康数据提供评级。另一选择是健康护理提供者重复测量并把此次测量添加到用户的PHR中。所述信誉系统随后自动计算聚集评级。

在图3中描绘了在健康护理提供者301和PHR系统302之间的交互的一个实施例，并包含如下步骤：

健康护理提供者301x要求在时间t所创建的针对范围sc的患者的健康数据。PHR系统302验证x的身份并且如果x具有足够的访问权，则PHR系统将健康记录发送到x。如果可获得设备所提供的元数据，则PHR系统也将该元数据发送到x。所述健康数据和元数据伴随着数据创建时数据的数据提供者的信誉。

如果没有提供对此健康数据的评级，x将他对所述健康数据的评级发送到PHR系统。这一步是任选的。

实施例的结束。

示例1的开始：

血压(第一部分)：

“近来，Alice感觉不舒服。她有时会视力模糊并且经常头痛。Alice决定去拜访她的全科医生，Bob医生。Bob测量了Alice的血压并发现她的血压相当高(160/100mmHg)。高血压显著增加了心力衰竭的风险和中风的风险。因此，Bob决定从现在起，Alice必须每天测量她的血压。Alice决定将使用血压计测量她的血压。由于血压在一天内会不断变化，Alice往往在她的工作日结束的时候测量她的血压。在第一周中，Alice测量到的血压值在表1中描述。

日期收缩压舒张压

星期一 170mmHg 110mmHg

星期二 165mmHg 105mmHg

星期三 140mmHg 90mmHg

星期四 155mmHg 100mmHg

星期五 160mmHg 100mmHg

表1：第一周的血压值

Bob对Alice所提供的测量值不是十分确信。他通过提供具有高不确定性的平均评级来表达这种情况”。

Bob提供了如下评级：

(r_{B，A，(bp，sphyg)，101}，s_{B，A，(bp，sphyg)，101}，c_{B，A，(bp，sphyg)，101})＝(0.5，0.5，0.2)

(r_{B，A，(bp，sphyg)，102}，s_{B，A，(bp，sphyg)，102}，c_{B，A，(bp，sphyg)，102})＝(0.5，0.5，0.2)

(r_{B，A，(bp，sphyg)，103}，s_{B，A，(bp，sphyg)，103}，c_{B，A，(bp，sphyg)，103})＝(0.5，0.5，0.2)

(r_{B，A，(bp，sphyg)，104}，s_{B，A，(bp，sphyg)，104}，c_{B，A，(bp，sphyg)，104})＝(0.5，0.5，0.2)

(r_{B，A，(bp，sphyg)，105}，s_{B，A，(bp，sphyg)，105}，c_{B，A，(bp，sphyg)，105})＝(0.5，0.5，0.2)

“由于所述评级变化非常大，Bob请Charlie医生星期一去检查Alice是否用恰当的方式测量她的血压。作为Alice的陪护医生，Charlie已经完成了医学院的学业并因此他可以向Bob提供建议。遗憾的是，Charlie观察到Alice在测量她的血压时相当笨拙并且她在操作血压计上有很多困难。因此，Charlie给予Alice的测量一个不好的评级”。

Charlie对Alice的评级表述如下：

(r_{C，A，(bp，sphyg)，F，108}，s_{C，A，(bp，sphyg)，F，108}，c_{C，A，(bp，sphyg)，F，108})＝(0.1，0.9，1)

Charlie的推荐信誉表述如下：

R_{B，C，(bp，sphyg)，R，108}＝11.25 S_{B，C，(bp，sphyg)，R，108}＝1.25

Bob通过Charlie对Alice的全局评级计算如下：

r_{B，A，(bp，sphyg)，F，108}＝0.1

s_{B，A，(bp，sphyg)，F，108}＝0.9

c_{B, A, (bp, sphyg), F, 108} = \frac{11.25}{11.25 + 1.25 + 2} \cdot 1 = 0.7759

“提供高度可靠的测量值符合Alice和Bob双方的利益。因此，Bob建议使用具有更先进定位传感器的Braun BP3550型血压监控器。对于测量血压，把血压仪放置在与心脏等高处是非常重要的。由BP3550所提供的健康数据是伴随着元数据的。所述元数据包含手臂是否放置在正确高度水平的信息。因此，Bob可以对健康数据的可靠性做出更明智的判断。另外，Alice参加了如何使用Braun BP3550测量她的血压的在线辅导。因此，她使用BP3550进行血压测量的信誉提高了”。

规则引擎计算出对Alice的规则评级如下：

(r_{A，(bp，BP3550)，F，108}，s_{A，(bp，BP3550)，F，108}，c_{A，(bp，BP3550)，F，108})＝(0.7，0.3，0.1)

“表2中描述了第二周剩余几天的血压值。”

日期收缩压舒张压

星期二 162mmHg 101mmHg

星期三 158mmHg 102mmHg

星期四 155mmHg 95mmHg

星期五 160mmHg 101mmHg

表2：第二周的血压值

Bob提供如下评级：

(r_{B，A，(bp，BP3550)，109}，s_{B，A，(bp，BP3550)，109}，c_{B，A，(bp，BP3550)，109})＝(0.8，0.2，0.6)

(r_{B，A，(bp，BP3550)，110}，s_{B，A，(bp，BP3550)，110}，c_{B，A，(bp，BP3550)，110})＝(0.8，0.2，0.6)

(r_{B，A，(bp，BP3550)，111}，s_{B，A，(bp，BP3550)，111}，c_{B，A，(bp，BP3550)，111})＝(0.8，0.2，0.6)

(r_{B，A，(bp，BP3550)，112}，s_{B，A，(bp，BP3550)，112}，c_{B，A，(bp，BP3550)，112})＝(0.8，0.2，0.6)

“由于血压值依然太高，Alice再次拜访了Bob医生。Bob要求Alice用她的血压仪进行一次测量。在Alice做完她的测量后，Bob立即用他自己的器材重复Alice的测量。这样，Bob可以确定Alice的血压在两次测量之间没有变化。所述系统自动观测到Alice和Bob的测量非常的接近，并且由于Bob是医生，Alice的信誉提高了。

Alice测量到的血压值为179并且Bob测量到的血压值为180。因此，聚集评级是高的。因为Bob在一分钟内测量血压，评级的确定性也是非常高的。所述聚集引擎基于Alice和Bob的测量值计算如下的聚集评级：

(r_{B，A，(bp，BP3550)，F，122}，s_{B，A，(bp，BP3550)，F，122}，c_{B，A，(bp，BP3550)，F，122})＝(0.9729，0.027，0.8832)

使用Braun BP3550测量血压的功能信誉可以通过健康数据的评级和规则评级来计算。为此，需要使用健康数据的评级计算功能信誉部分。需要分别计算基于规则评级的所述功能信誉部分。

将范围函数定义为：

(bp，sphyg)(bp，BP3550)(bp，HEM650)

(bp，sphyg) 1 0.3 0.3

(bp，BP3550) 0.3 1 0.8

(bp，HEM650) 0.3 0.8 1

第一遗忘函数表述为：

f (i, j) = \frac{1}{{(1 + j - i)}^{λ}}

其中λ＝0.25。

第二遗忘函数表述为

g(i，j)＝λ^j-i

其中λ＝0.9999。

之后，对于Bob在时间t＝122使用Braun BP3550对Alice进行血压测量的功能信誉值计算如下：

{RH}_{B, A, (bp, BP 3550), F, 122} = SS ((bp, BP 3550), (bp, sphyg)) \cdot (\begin{matrix} g (101,122) \cdot f (1,6) \cdot 0.2 \cdot 0.5 + \\ . \\ . \\ . \\ g (108,122) \cdot f (6,6) \cdot 0.7759 \cdot 0.1) \end{matrix})

+ SS ((bp, BP 3550), (bp, BP 3550)) \cdot (\begin{matrix} g (109,122) \cdot f (1,5) \cdot 0.6 \cdot 0.8 + \\ . \\ . \\ . \\ g (122,122) \cdot f (5,5) \cdot 0.8832 \cdot 0.9729) \end{matrix})

= 2.4179

{SH}_{B, A, (bp, BP 3550), F, 122} = SS ((bp, BP 3550), (bp, sphyg)) \cdot (\begin{matrix} g (101,122) \cdot f (1,6) \cdot 0.2 \cdot 0.5 + \\ . \\ . \\ . \\ g (108,122) \cdot f (6,6) \cdot 0.7759 \cdot 0.9) \end{matrix})

+ SS ((bp, BP 3550), (bp, BP 3550)) \cdot (\begin{matrix} g (109,122) \cdot f (1,5) \cdot 0.6 \cdot 0.2 + \\ . \\ . \\ . \\ g (122,122) \cdot f (5,5) \cdot 0.8832 \cdot 0.0271) \end{matrix})

= 0.6982

基于规则评级的功能信誉部分计算如下：

R R_{A, (bp, BP 3550), F, 122} = Σ_{i = 1}^{| R |} c_{A, (bp, BP 3550), F, t} \cdot r_{A, (bp, BP 3550), F, t}

= 0.1 \cdot 0.7

= 0.07

{SR}_{A, (bp, BP 3550), F, 122} = Σ_{i = 1}^{| R |} c_{A, (bp, BP 3550), F, t} \cdot s_{A, (bp, BP 3550), F, t}

= 0.1 \cdot 0.3

= 0.03

Bob对于Alice的信誉可以通过组合基于健康数据评级的信誉部分和基于规则评级的信誉部分来计算：

R_{B，A，(bp，BP3550)，F，122}＝RH_{B，A，(bp，BP3550)，F，122}+ω·RR_{A，(bp，BP3550)，F，122}

＝2.4179+25·0.07

＝4.1679

S_{B，A，(bp，BP3550)，F，122}＝SH_{B，A，(bp，BP3550)，F，122}+ω·SR_{A，(bp，BP3550)，F，122}

＝0.6982+25·0.03

＝1.4482

血压(第二部分)

10年后，Alice再次被诊断出高血压。与此同时，David医生已经接替了Bob医生的实务。David不确定他是否应该相信由Alice提供的测量值。David并没有对Alice提供的测量值做过任何评级。因为David相信Bob提供的进行测量的建议，所以David可以相信Bob关于Alice的测量的评级。因此，在David的眼里，Alice具有使用BP3550测量血压的良好的信誉和使用血压仪测量血压的不好的信誉。因为信誉是基于已经有10年的测量，它比10年前传达更多的不确定性。此外，由于David是基于Bob提供的评级计算所述信誉的，因此从而降低了确定性。同样，Alice已经买了一个新的血压仪，带有先进定位传感器的Omron HEM650。与BP3550相似，HEM650同样对手臂是否放置在正确的高度水平提供元数据。Alice没有使用HEM650测量血压的评级。因此，使用血压计和使用BP3550测量血压的评级被用于计算使用HEM650的信誉。因为使用BP3550比起使用血压计更相似于使用HEM650，因此与使用血压计的评级相比，对使用BP3550的评级给予更高的权重。

David可以使用过去由Bob和Charlie给出的局部评级来计算Alice的信誉。然而，所述评级需要由David对Bob和Charlie的推荐信誉打折扣。整个情景中，假定Bob和Charlie有如下的推荐信誉(对所有时间t)：

R_{D，C，(bp，BP3550)，R，t}＝11.875 S_{D，C，(bp，BP3550)，R，t}＝0.625

R_{D，C，(bp，sphyg)，R，t}＝11.25 S_{D，C，(bp，sphyg)，R，t}＝1.25

R_{D，B，(bp，sphyg)，R，t}＝11.25 S_{D，B，(bp，sphyg)，R，t}＝1.25

David对Alice的全局评级如下：

(r_{D，A，(bp，sphyg)，101}，s_{D，A，(bp，sphyg)，101}，c_{D，A，(bp，sphyg)，101})＝(0.5，0.5，0.1552)

(r_{D，A，(bp，sphyg)，102}，s_{D，A，(bp，sphyg)，102}，c_{D，A，(bp，sphyg)，102})＝(0.5，0.5，0.1552)

(r_{D，A，(bp，sphyg)，103}，s_{D，A，(bp，sphyg)，103}，c_{D，A，(bp，sphyg)，103})＝(0.5，0.5，0.1552)

(r_{D，A，(bp，sphyg)，104}，s_{D，A，(bp，sphyg)，104}，c_{D，A，(bp，sphyg)，104})＝(0.5，0.5，0.1552)

(r_{D，A，(bp，sphyg)，105}，s_{D，A，(bp，sphyg)，105}，c_{D，A，(bp，sphyg)，105})＝(0.5，0.5，0.1552)

(r_{D，A，(bp，sphyg)，108}，s_{D，A，(bp，sphyg)，108}，c_{D，A，(bp，sphyg)，108})＝(0.1，0.9，0.7759)

(r_{D，A，(bp，BP3550)，109}，s_{D，A，(bp，BP3550)，109}，c_{D，A，(bp，BP3550)，109})＝(0.8，0.2，0.4914)

(r_{D，A，(bp，BP3550)，110}，s_{D，A，(bp，BP3550)，110}，c_{D，A，(bp，BP3550)，110})＝(0.8，0.2，0.4914)

(r_{D，A，(bp，BP3550)，111}，s_{D，A，(bp，Bp3550)，111}，c_{D，A，(bp，BP3550)，111})＝(0.8，0.2，0.4914)

(r_{D，A，(bp，BP3550)，112}，s_{D，A，(bp，Bp3550)，112}，c_{D，A，(bp，BP3550)，112})＝(0.8，0.2，0.4914)

David也可以计算由Alice和Bob在t＝122进行的测量的聚集评级：

(r_{D，A，(bp，BP3550)，F，122}，s_{D，A，(bp，BP3550)，F，122}，c_{D，A，(bp，BP3550)，F，122})＝(0.9729，0.0271，0.8832)

“当Alice提供使用HEM650的血压测量值时，向David提供关于Alice的信誉信息”。

在t＝3750时的功能信誉如下计算：

R_{D, A, (bp, HEM 650), F, 3750} = SS ((bp, HEM 650), (bp, sphyg)) \cdot (\begin{matrix} g (101,3750) \cdot f (1,6) \cdot 0.1552 \cdot 0.5 + \\ . \\ . \\ . \\ g (108,3750) \cdot f (6,6) \cdot 0.7759 \cdot 0.1) \end{matrix})

+ SS ((bp, HEM 650), (bp, BP 3550)) \cdot (\begin{matrix} g (109,3750) \cdot f (1,5) \cdot 0.4919 \cdot 0.8 + \\ . \\ . \\ . \\ g (122,3750) \cdot f (5,5) \cdot 0.8832 \cdot 0.9729) \end{matrix})

= 1.2034

S_{D, A, (bp, HEM 650), F, 3750} = SS ((bp, HEM 650), (bp, sphyg)) \cdot (\begin{matrix} g (101,3750) \cdot f (1,6) \cdot 0.1552 \cdot 05 + \\ . \\ . \\ . \\ g (108,3750) \cdot f (6,6) \cdot 0.7759 \cdot 0.9) \end{matrix})

+ SS ((bp, HEM 650), (bp, BP 3550)) \cdot (\begin{matrix} g (109,3750) \cdot f (1,5) \cdot 0.4919 \cdot 0.2 + \\ . \\ . \\ . \\ g (122,3750) \cdot f (5,5) \cdot 0.8832 \cdot 0.0271) \end{matrix})

= 0.3799

“Alice的信誉相当好，但却显示了相当多的不确定性。所述不确定性归结于以前的评级和不同的装置。因此，David决定他想重新做一次测量。因为由Alice和David提供的测量值是相近的，David给予Alice良好的评级。Alice的信誉提高了并且所述信誉的确定性也提高了。从现在起，只要元数据显示手臂位置是正确的，则David相信Alice的测量值”。

由David提供的评级如下：

(r_{D，A，(bp，HEM650)，F，3750}，s_{D，A，(bp，HEM650)，F，3750}，c_{D，A，(bp，HEM650)，F，3750})＝(1，0，1)

Alice的信誉目前是：

R_{D，A，(bp，HEM650)，F，3750}＝2.2034 S_{D，A，(bp，HEM650)，F，3750}＝0.3799

示例1的结束

图4示出了根据本发明用于提供数据提供者提供的关于患者的第一组健康数据102a的可靠性度量的方法的流程图。在第一步(S1)401中，将至少一个评级要素分配给健康数据或数据提供者，并且所分配的评级要素用作(S2)402输入数据来确定第一信誉度量，所述第一信誉度量指示数据提供者的可靠性。所述第一信誉度量与预定义的信誉阈值度量进行比较404，所述信誉阈值度量是预设的由健康护理提供者设定的可靠性水平的度量。在一个实施例中，如果信誉度量低于信誉阈值度量(S4)405，则创建第二组健康数据以得到第二组健康数据102b并且重复执行步骤S1-S3。否则，第一组健康数据102a被认为是可靠的(S5)405。

所公开的实施例的某些细节是以解释而不是限制为目的的，以使得对本发明的理解更加明确和彻底。然而，本技术领域的技术人员应当理解，本发明可以在并不完全遵照这里所阐述的细节的其它实施例中实行，只要不严重背离本公开的思想和范围。此外，在本文中，和为了简短和清晰，已经省略了对众所周知的设备、电路和方法理论的详尽描述，以避免不必要的细节或可能的混乱。

在权利要求中包含附图标记，然而，附图标记的内容仅仅是出于清晰的目的而不能理解为是对权力要求范围的限制。

Claims

1、一种信誉系统，用于提供由数据提供者所提供的关于患者(103)的第一组健康数据(102)的可靠性度量，所述系统包括：

a)分配器105，用于将至少一个第一评级要素分配给所述第一组健康数据或者所述数据提供者，

b)信誉指示器(106)，用于使用所述至少一个第一评级要素作为输入数据来确定指示所述数据提供者的可靠性的第一信誉度量，以及

c)比较器(107)，用于比较所确定的第一信誉度量和预定义的信誉阈值度量，所述信誉阈值度量是预设的所述数据提供者的可靠性水平的度量。

2、根据权利要求1所述的信誉系统，其中，所述分配器包括适于结合所述数据提供者的证书确定对所述数据提供者的评级的规则引擎(202)。

3、根据权利要求1所述的信誉系统，其中，所述分配器包括聚集引擎(207)，所述聚集引擎适于基于对由不同数据提供者所提供的关于同一患者的两个或更多个健康数据集的比较确定对所述健康数据的评级。

4、根据权利要求3所述的信誉系统，其中，所述聚集引擎(207)通过计算所述两个或更多个健康数据集之间的一致性来确定对所述健康数据的所述评级。

5、根据权利要求1所述的信誉系统，其中，分配器(105)包括健康护理提供者或保健提供者，所述健康护理提供者或保健提供者通过手动操作的方式将所述至少一个评级要素分配给所述健康数据。

6、根据权利要求1所述的信誉系统，其中，所述评级的方式包括用于将元数据(104)并入所述健康数据中的元数据源，所述元数据是在向所述健康数据分配至少一个评级要素中作为附加数据源而实现的。

7、根据权利要求1所述的信誉系统，其中，所述数据提供者是患者或保健提供者。

8、根据权利要求1所述的信誉系统，其中，所述数据提供者是健康护理提供者(209)。

9、根据权利要求1所述的信誉系统，其中，所述第一组健康数据(102)以及伴随的元数据(104)是通过通信信道(111)从外部数据库(109)或系统获得的。

10、根据权利要求1所述的信誉系统，其中，涉及健康数据(102)的所述第一信誉度量是通过通信信道(111)发送到远程系统的。

11、根据权利要求1所述的信誉系统，其中，涉及第一组健康数据(102)的所述评级是通过通信信道(111)发送到远程系统的。

12、一种方法，用于提供由数据提供者所提供的关于患者的第一组健康数据的可靠性度量，包括：

a)将至少一个评级要素分配(401)给所述第一组健康数据或所述数据提供者，

b)使用所分配的评级要素(402)作为输入数据(403)来确定指示所述数据提供者的可靠性的第一信誉度量，以及

c)比较所确定的第一信誉度量和预定义的信誉阈值度量(404)，所述信誉阈值度量是预设的所述数据提供者的可靠性水平的度量。

13、一种计算机程序产品，用于当所述产品在计算机上运行时指示处理器单元执行如权利要求12所述的方法的步骤。