具体实施方式

在以下描述中，将描述各种可能的实施例。为了解释的目的，阐述了具体的配置和细节以便提供对实施例的透彻理解。但是，对于本领域技术人员而言，显然可以在没有这些具体细节的情况下实践实施例。此外，可以省略或简化众所周知的特征，以免模糊所描述的实施例。

还应该注意的是，如在本说明书中所使用的，单数形式“一”、“一个”和“该”包括复数指示物，除非明确地且不含糊地限于一个指示物。术语“和/或”一般用于指代至少一个或另一个。在一些情况下，术语“和/或”与术语“或”可互换使用。术语“包括”在本文中用于表示短语“包括但不限于”并且与其可互换使用。术语“诸如”在本文中用于表示短语“诸如但不限于”并且与其可互换使用。

除非另有定义，否则本文中使用的所有技术和科学术语都具有与本领域普通技术人员通常理解的相同含义。

在图1中示意性地描绘了本发明的实施例。如图1中所示，建议的临床试验可以包括多个参数。这些参数可以包括但不限于要研究的患者群体、要调查的治疗方法(一个或多个)、终点以及将如何进行试验(例如，随机相对于非随机)。患者群体可以包括可能从待测的治疗或干预中受益的患者。还可以选择群体，便得在临床实践中可以将试验结果推广到患者。总体而言，患者群体越多样化，结果对更广泛的患者群体的推广就越广泛。临床试验中的患者也可以被称为受试者，并且该术语在本文中可互换使用。

为了研究具有适当疾病状态和多样性水平的患者群体，调查者定义了确定患者是否有资格进行试验的标准。纳入和排除标准可以包括患者特点(例如，年龄、遗传简档)以及特定于疾病和治疗的特点，包括与疾病和/或病情相关的先前实验室测试结果。附加参数是临床试验所需的患者的人数。临床试验参数还可以包括用于登记患者和/或调查者地点的期望定时，以及用于完成临床试验的建议时间线。

如图1中所示，临床试验参数被用于查询实验室试测试数据数据库，以确定可能的受试者和调查者进行临床试验。该数据库提供与每个可能的受试者相关的受试者数据，包括但不限于上面阐述的属性和受试者的地理位置。类似地，该数据库提供与每个可能的调查者相关的调查者数据，包括但不限于以上阐述的属性和调查者的地理位置。每个受试者和/或每个调查者的地理位置数据可以包括全球定位系统坐标数据、美国邮政服务的邮递区号数据、经度和/或纬度数据等。

如图1中进一步所示，受试者数据和调查者数据经历空间集群分析，诸如上述的空间集群分析。空间集群分析输出潜在的调查者和受试者以进行临床试验。

从以下说明性示例中将进一步理解本发明的实施例的特征和优点。

示例

本发明的实施例被用于选择假想的临床试验的患者和调查者(临床试验地点)。

使用了由本申请的受让人，卫生保健诊断公司，维护的数据库。该数据库包括：大于130亿个测试结果；每天处理大于500,000个样本；超过4000个诊断测试；为其提供结果的大于758,000个医疗保健专业人员；以及超过1.42亿患者。

假想的临床试验起始参数包括以下：

150个具有潜在复发疾病迹象(被定义为在彼此的1-3个月内的两个阳性样本)的患者；

在美国登记的9个月时间线；

来自95个不同邮递区号(位置)的120个调查者的草案地点列表。

对数据库内前14个月实验室测试数据库的询问揭示，已经对来自跨2848个邮递区号的9628个患者进行了疾病测试，并且其中这2358个患者(少于25％)具有至少一个测试呈阳性的样本。在那些测试呈阳性的患者当中，有262个患者(大约3％)具有两个或更多个测试呈阳性的样本。在262个患者当中，有156个(大约2％)具有在1-3个月内测试呈阳性的两个样本。这些结果在图2中示出。测试呈阳性的受试者的地理分布在图3中示出，其中阴性测试为红色圆圈，阳性测试为黄色圆圈，复发阳性测试为绿色圆圈，并且1-3个月内复发阳性测试为黑色圆圈。

鉴于这个患者和地理数据，在不存在本发明的情况下，即，使用现有技术，如果要使调查者在捕获所有被测患者的所有2848个邮递区号处招募，那么将要求13个月的招聘窗口来提供80％或更高的机会将150个患者随机分配用于临床试验。如果应用统一的登记假设，使用仅95个邮递区号的地点，将花费三十倍的时间，即，超过三十二年。实际上，在阶段II设置中，可以考虑的最长时间线为18个月；在假设将来的测试模式可以反映观察到的历史模式的情况下，假设阳性测试的数量与所有测试成比例，那么邮递区号的覆盖率需要与测试量成比例地增加。因此，在不存在本发明的情况下，不能满足用于登记的期望时间线，并且由于试验位置的地理分布，临床试验的后勤工作将是困难的。

为了满足期望的临床试验参数，利用了本发明的实施例。最初，识别出了试验的所提议的调查者地点。这些地点与患者数据一起在图4中示为蓝色十字。如所描述的，有几个远离受试者的所提议的调查者地点(一个用黄色圆圈圈出)和几个具有大量潜在受试者而没有调查者的地理位置(一个用绿色圆圈圈出)。

邮递区号被用于确定每个测试中心和调查者的坐标(纬度和经度)。使用Haversine公式计算了美国同一州内每个测试中心与每个调查者之间的直接“笔直”距离(在SAS中实现为geodist函数)：

其中

是Haversine函数

两个点之间的距离

球体的半径()

和是每个弧度坐标的经度和纬度

50英里被用作使用最小距离确定潜在推荐的一般界限(cut-off)。

地点的地理位置在图5中示出，其中地点用黄色表示，并且小于50英里的地点用蓝色表示。

来自过去试验的调查者被添加到评估中并且重复计算。结果在图6中示出，其中绿色星号表示小于50英里的地点。如图6中所示，田纳西州的潜力似乎尚未开发。

根据本发明，通过空间聚集来识别潜在的新地点。采取的方法是通过根据以下来计算每对测试中心之间的距离矩阵并使用空间集群模型来检查是否可以识别出新的调查者：

ods output clusterhistory＝c_ST；

proc cluster data＝sqlmatz(type＝distance)outtree＝t_st nonorm method＝complete

trim＝10 r＝25；

by phys_std；

copy phys_zipnd numpatd numphyd numpatposd；id phys_zipndd；

run；

然后就潜在患者的数量和调查者的适用性评估了集群的潜在有用性。使用Complete(完成)方法，定义了集群，使得集群中的所有地点都在彼此的指定距离内，并且集群之间的最小距离大于该指定距离。使用修剪选项维持规则的集群形状。示意性表示在图7中示出。

分析的结果在图8中示出，其中紫色五边形表示从至少30个患者的集群分析中识别出的集群。预期这些结果将允许满足临床试验的登记参数。

虽然已经关于本主题的具体实施例对本主题进行了详细描述，但是应该认识到的是，本领域技术人员在获得对前述内容的理解后可以容易地产生对这样的实施例的替代、变化和等同形式。因而，应当理解的是，已经出于示例而非限制的目的呈现了本公开，并且不排除本主题包括对本领域普通技术人员来说显而易见的这样的修改、变化和/或添加。