[0001] 本公开的实施例涉及数据分析和处理，并且更具体地涉及预测分析平台上的数据分析和处理。

[0002] 计算机系统是硬件和软件的组合。计算机系统存储数据和/或使用该数据。不同的系统可以存储不同类型的数据，并且可以出于不同目的来使用数据。

[0010] 示例实现的以下详细描述参照附图。不同示意图中的相同附图标记可以标识相同或相似元件。

[0011] 与向个体提供护理相关联的各种实体在分开且隔离的系统上存储数据。例如，各种实体可以存储与被提供给个体的历史护理相关的数据、与个体的人口统计相关的数据等。隔离和/或分离防止系统彼此通信，以便共享数据，分析来自不同系统的数据等。另外，即使不同的系统能够彼此通信，但是不同系统中的数据所使用的不同格式化、不同级别的匿名化和/或加密等将防止不同的系统使用彼此的数据。例如，由于第一系统与第二系统之间的数据类型、数据格式化、匿名化等的差异，第一系统可能不能使用来自第二系统的与个体的历史护理相关的数据，以在更大的人口的上下文中、在具有与个体相同的人口统计的其他个体的上下文中分析数据等。

[0012] 本文描述的一些实现提供了一种预测分析平台，该预测分析平台能够处理来自多个分开且隔离的系统的、与被提供给多个个体的护理、被提供给多个个体的护理索赔等相关的数据，以将统一的格式化应用于数据，将数据从一种类型转换为另一类型等。另外，基于应用统一的格式化，转换数据等，预测分析平台可以处理来自多个分开且隔离的系统的数据，以执行与被提供给多个个体的护理相关的各种预测分析。通过这种方式，预测分析平台可以提供标准化接口，以用于与向多个个体提供护理相关联的多个系统之间的数据访问。另外，预测分析平台可以利用已经在匿名数据上训练的机器学习模型来执行各种预测分析，从而便于对与被提供给个体的护理相关的数据的分析，而无需向预测分析平台的用户提供对底层数据的访问，并且无需存储底层数据(例如，预测分析平台可能需要存储机器学习模型，而不是在其上训练了机器学习模型的数据)。这提高了预测分析平台可访问的数据的安全性和/或隐私性。进一步地，相对于尝试处理具有不同格式化的数据、不同类型的数据等，通过利用具有统一格式化的数据、已转换为特定类型数据的数据等，预测分析平台在处理数据时利用的处理资源更少。

[0013] 通过这种方式，用于预测分析的过程的几个不同阶段提高了过程的速度和效率，并且节省了计算资源(例如，处理器资源、存储器资源等)。此外，本文描述的实现使用严格的计算机化过程来执行先前未执行的任务或活动。

[0014] 图1是本文描述的一个或多个示例实现100的图。如图1所示，(多个)示例实现100包括各种系统(例如，与护理的提供者相关联的患者管理系统、与承保实体相关联的管理系统等)和预测分析平台。术语“护理”可以指由护理的提供者(例如，为个体(例如，患者)执行与健康相关的活动的有执照或无执照的个体))执行的与健康相关的活动，诸如，诊断、治疗、测试、成像、康复等。术语“承保实体”包括对被提供给个体的护理执行与承保范围相关的活动的个体、组织、政府实体等，活动诸如，提供保险承保、护理报销、承保认购等。

[0015] 如附图标记105所示，各种系统可以向预测分析平台提供数据。例如，各种系统可以提供由各种系统存储，由各种系统收集，由各种系统生成，由各种系统的用户输入等的数据。在一些实现中，系统可以批量地(例如，可以在存储和/或收集到满足阈值的数据量之后提供数据)、实时地或近实时地(例如，当收集和/或生成数据时)、周期性地、根据时间表等提供数据。在一些实现中，预测分析平台可以使用数据摄取组件来接收数据。例如，并且如本文其他地方所描述的，数据摄取组件可以在接收到数据之后对数据进行预处理，以将数据放置为预测分析平台可以用于执行本文描述的其他处理的形式。

[0016] 在一些实现中，数据可以包括与被提供给个体的护理索赔相关的索赔数据。例如，数据可以包括标识个体的信息、被提供给个体的护理(例如，过程代码)、提供护理的提供者(例如，提供者的名称、提供者的业务名称等)、标识提供者提供的护理类型的护理标识符(例如，诸如“牙医”、“儿科医生”、“理疗师”、“女按摩师”等术语)、提供给个体的护理的值(例如，成本、报销金额、索偿金额、已支付的金额等)、个体和/或提供者的位置(例如，个体和/或提供者的地址)、提供给个体的特殊护理的标识符(例如，账单代码)、索赔的类型(例如，用于索赔的特定索赔表)、与索赔相关联的诊断(例如，基于包括在索赔中的诊断代码)等。附加地或备选地，数据可以包括与个体的人口统计相关的人口统计数据。例如，数据可以包括标识个体的年龄、个体的位置、个体的性别、个体的种族、个体的收入水平等的信息。附加地或备选地，数据可以包括与关联于提供给个体的护理的提供者相关的提供者数据。
例如，数据可以包括标识提供者的专业、提供者的位置、提供者的设施隶属关系等的信息。
附加地或备选地，数据可以包括用于历史索赔的历史数据，并且预测分析平台可以通过人口统计、诊断等来汇总和存储历史数据。

[0017] 在一些实现中，数据可以被匿名化(或被部分地匿名化)。例如，数据可以包括用于个体和/或提供者的名称、用于个体和/或提供者的地址、用于个体和/或提供者的电话号码等的匿名值。在一些实现中，可以以不同的方式来使来自不同系统的数据匿名化。例如，不同的系统可以使用不同的匿名值和/或技术。使用不同的匿名值和/或技术有助于预测分析平台使用匿名数据，这提高了预测分析平台可访问和/或使用的数据的安全性和/或隐私性。

[0018] 在一些实现中，数据可以是特定类型的。例如，数据可以是文本类型、图像类型等。继续先前的示例，预测分析平台可以接收护理索赔的图像，可以接收护理索赔的文本等。在一些实现中，来自不同系统的数据可以是不同类型的。在一些实现中，可以以特定方式格式化数据。例如，数据可以具有关于小数位的特定数量的格式化，诸如，针对所提供的护理单位(例如，小时数、药物单位等)、数据中使用的首字母缩略词、特定术语之间的空格等。在一些实现中，来自不同系统的数据可以具有不同的格式化。在一些实现中，数据可以包括各种类型的数据元素。例如，与个体相关的数据可以包括用于个体的名称、个体的位置、个体的电话号码等的数据元素。在一些实现中，来自不同系统的数据可以包括数据元素的不同组合。例如，来自第一系统的个体的数据可以包括用于个体的名称和个体的地址的数据元素，但是来自第二系统的个体的数据可以包括用于个体的名称、个体的城市位置以及个体的电话号码的数据元素。

[0019] 如附图标记110所示，预测分析平台的数据摄取组件可以对数据进行预处理以形成已处理数据。例如，预测分析平台可以在接收到数据之后，基于从预测分析平台的用户接收输入以预处理数据，在接收到满足阈值的数据量之后，在从特定系统接收到数据之后等使用数据摄取组件预处理数据。

[0020] 在一些实现中，数据摄取组件可以与对数据进行预处理相关联地检测数据的类型。例如，数据摄取组件可以将数据的类型检测为图像类型(例如，电子文档、物理文档的扫描等)、文本类型等。在一些实现中，数据摄取组件可以基于数据的形式来检测数据的类型。例如，数据摄取组件可以从与将数据提供给预测分析平台的文件相关联的元数据、文件的类型、提供数据的源系统(例如，第一系统可以提供文本数据，并且第二系统可以提供图像数据)等标识数据的形式。作为特定示例，数据摄取组件可以基于在文本文件(例如，逗号分隔值(CSV)文本文件)中接收到数据，在数据结构中执行文件的形式的查找之后在电子表格文件(例如，其中数据是行和列的表格形式)中接收到数据，基于指示数据是文本类型的元数据等来将数据的类型检测为文本类型。在一些实现中，数据摄取组件可以基于数据的文件扩展名来检测数据的类型。例如，数据摄取组件可以检测与将数据提供给预测分析平台的文件相关联的文件扩展名，并且可以在数据结构中执行文件扩展名的查找以标识数据的对应类型。

[0021] 在一些实现中，数据摄取组件可以基于数据的类型来处理数据(例如，以从接收数据的文件中提取数据)。例如，在使用处理技术处理数据之前，数据摄取组件可以基于数据的类型为数据选择处理技术。作为特定示例，数据摄取组件可以选择针对文本类型的文本处理技术(例如，自然语言处理技术，文本分析技术等)，针对图像类型的图像处理技术(例如，计算机视觉技术，光学字符识别(OCR)技术，特征检测技术等)等。在一些实现中，当使用处理技术来处理数据时，数据摄取组件可以标识数据中的术语、短语、符号、数字等。

[0022] 在一些实现中，数据摄取组件可以将格式化应用于数据。例如，数据摄取组件可以在从文件提取数据之后将格式化应用于数据。在一些实现中，当将格式化应用于数据时，数据摄取组件可以从文本中移除空格，可以将数据从图像转换为文本，可以将文本数据转换为纯文本，可以扩展数据中的首字母缩略词和/或缩写以包括完整术语和/或短语，可以将术语和/或短语缩写为首字母缩略词和/或缩写，可以从数据中添加或移除符号(例如，可以从电话号码中添加或移除诸如“(”、“)”、“-”等符号)等。这节省了处理资源，否则这些资源将在尝试处理以不同方式格式化的数据时被消耗。

[0023] 在一些实现中，数据摄取组件可以使数据匿名化。例如，数据摄取组件可以在将格式化应用于数据之后，在应用格式化之前等使数据匿名化。在一些实现中，数据摄取组件可以使用匿名化技术来处理数据的特定数据元素(例如，标识个体或可以用于标识个体的信息)以形成匿名标识符。例如，数据摄取组件可以使用数据加密(例如，通过处理数据元素的值以形成字符的随机数组)、字符替换(例如，通过用特定值替换数据元素的值)、字符改组(例如，通过将字符重新排列为数据元素的值)、数字和/或日期变化(例如，通过以预定量修改数值，通过以预定时间量修改日期值等)、赋空(例如，通过移除特定数据元素的值)等来处理数据，以形成匿名标识符和/或使数据匿名化。作为特定示例，数据摄取组件可以用字母数字字符和/或符号的随机生成的数组替换个体的名称，可以移除电话号码的区号以外的电话号码的值(或用字符、符号等替换电话号码的值)，可以以类似的方式使地址匿名化，从而仅不对街道名称、邮政编码等进行匿名化等。在一些实现中，数据摄取组件可以在存储数据、使用数据、提供用于显示的数据等之前，使数据匿名化。通过减少或消除未经授权的个体将访问未匿名数据的风险，这有助于维护与数据相关联的个体的隐私性。

[0024] 在一些实现中，数据摄取组件可以确定数据的签名。例如，数据摄取组件可以在使数据匿名化之后确定数据的签名。在一些实现中，数据的签名可以包括标识与数据中的记录相关联的数据元素的组合、特定数据元素的值等的信息。例如，针对索赔数据中的记录，数据摄取组件可以确定数据包括护理被提供给的个体的名称、提供了护理的提供者、护理被提供的位置的数据元素、先前提到的数据元素的值等，并且可以基于数据元素的这种组合确定索赔数据的签名，可以基于数据元素的值确定特定个体的索赔数据的签名等。

[0025] 在一些实现中，数据摄取组件可以使用数据的签名来使跨不同系统的匿名数据相关。例如，数据摄取组件可以将来自第一系统的数据元素的签名和/或数据元素的值与第二系统中的数据元素和/或值的类似组合进行匹配，并且可以基于匹配确定来自第一系统的数据与相同的个体相关联。附加地或备选地，并且作为另一示例，预测分析平台可以在针对数据确定的签名上训练机器学习模型(例如，自然语言处理模型)，并且数据摄取组件可以使用机器学习模型在不同系统中标识相同数据(例如，尽管不同系统中的相同数据包括数据元素的不同组合、一些数据元素的不同值等)。作为特定示例，并且继续先前的示例，来自第一系统的个体数据可以包括与来自第二系统的个体数据不同的数据元素(或个体类别，诸如，基于个体位置的类别、个体的人口统计等)，尽管个体的数据包括两个系统中的不同数据元素，但是数据摄取组件仍可以使跨两个系统的数据相关。在数据摄取组件否则将由于匿名数据、数据元素和/或值的差异等而无法在多个系统之间关联数据的场景中，这便于在多个系统之间使用匿名数据，从而改进数据的使用，节省处理资源，否则这些资源将由于未能关联数据而被消耗等。

[0026] 在一些实现中，预测分析平台可以经由机器学习模型的训练来生成机器学习模型，可以接收训练后的机器学习模型(例如，另一设备已经训练过的机器学习模型)等。例如，预测分析平台可以训练机器学习模型以输出与要被提供给个体的未来护理相关的预测、要被提供给个体的未来护理的值(例如，成本、报销值等)、与索赔数据相关联的索赔是合法索赔的可能性(例如，索赔是非欺诈的可能性)、特定的人口统计数据是否(和/或在多大程度上)影响了预测等，如本文所描述的。

[0027] 在一些实现中，预测分析平台可以在训练数据集上训练机器学习模型。例如，训练数据集可以包括与历史索赔和/或关联于历史索赔的个体的人口统计数据相关的数据以及标识与历史索赔和/或人口统计数据相关的历史模式的数据。附加地或备选地，当预测分析平台将与历史索赔、人口统计数据和/或历史模式相关的数据输入到机器学习模型中时，预测分析平台可以将数据的第一部分输入为训练数据集(例如，以训练机器学习模型)，将数据的第二部分输入为验证数据集(例如，以评估机器学习模型的训练的有效性和/或标识对机器学习模型的训练所需的修改)，并且将数据的第三部分输入为测试数据集(例如，在使用数据的第一部分和数据的第二部分进行训练和调整训练之后对最终的机器学习模型进行评估)。在一些实现中，预测分析平台可以根据机器学习模型的测试结果来执行机器学习模型的训练的多次迭代(例如，通过提交数据的不同部分作为训练数据集、验证数据集和测试数据集)。

[0028] 在一些实现中，当训练机器学习模型时，预测分析平台可以利用随机森林分类器技术来训练机器学习模型。例如，预测分析平台可以在训练期间利用随机森林分类器技术来构造多个决策树，并且可以输出数据的分类。附加地或备选地，当训练机器学习模型时，预测分析平台可以利用一种或多种梯度提升技术来生成机器学习模型。例如，预测分析平台可以利用xgboost分类器技术、梯度提升树等来从弱预测模型的集合中生成预测模型。在一些实现中，预测分析平台可以利用隔离森林技术或另一类型的机器学习技术来训练用于欺诈和/或异常检测的机器学习模型。

[0029] 在一些实现中，当训练机器学习模型时，预测分析平台可以利用逻辑回归来训练机器学习模型。例如，预测分析平台可以利用与历史索赔、人口统计数据和/或历史模式相关的数据的二进制分类(例如，历史索赔和/或人口统计数据是否与历史模式匹配)来训练机器学习模型。附加地或备选地，当训练机器学习模型时，预测分析平台可以利用朴素贝叶斯分类器来训练机器学习模型。例如，预测分析平台可以利用二进制递归分区来将与历史索赔、人口统计数据和/或历史模式相关的数据划分为各种二进制类别(例如，从历史索赔和/或人口统计数据是否与历史模式匹配开始)。基于使用递归分区，预测分析平台可以相对于对数据点的手动线性排序和分析而降低计算资源的利用率，从而使得能够使用数千、数百万或数十亿数据点来训练机器学习模型，与使用更少的数据点相比，这可能会产生更准确的机器学习模型。

[0030] 附加地或备选地，当训练机器学习模型时，预测分析平台可以利用支持向量机(SVM)分类器。例如，预测分析平台可以利用线性模型来实现非线性类边界，诸如，经由最大裕量超平面。附加地或备选地，当利用SVM分类器时，预测分析平台可以利用二进制分类器来执行多类分类。SVM分类器的使用可以减少或消除过度拟合，可以提高机器学习模型对噪声的鲁棒性等。

[0031] 在一些实现中，预测分析平台可以使用监督训练过程来训练机器学习模型，该监督训练过程包括从主题专家接收对机器学习模型的输入。在一些实现中，预测分析平台可以使用一种或多种其他的模型训练技术，诸如，神经网络技术、潜在语义索引技术等。例如，预测分析平台可以执行多层人工神经网络处理技术(例如，使用两层前馈神经网络架构、三层前馈神经网络架构等)来关于历史索赔和/或人口统计数据的模式、基于历史预测的准确性的历史索赔和/或人口统计数据的模式等执行模式识别。在这种情况下，使用人工神经网络处理技术可以通过对有噪声的、不精确的或不完整的数据具有更强的鲁棒性并且使预测分析平台能够使用不太复杂的技术检测人类分析员或系统无法检测到的模式和/或趋势来提高由预测分析平台生成的监督学习模型的准确性。

[0032] 作为示例，预测分析平台可以使用监督多标签分类技术来训练机器学习模型。例如，作为第一步骤，预测分析平台可以在标记历史索赔、人口统计数据和/或历史模式之后将与历史索赔、人口统计和/或历史模式相关联的数据映射到先前生成的模型的集合。在这种情况下，历史索赔和/或人口统计可以被表征为已经被准确或不准确地预测，历史模式可以被表征为已经是准确或不准确的等(例如，通过技术人员，从而减少了相对于分析每个历史索赔、人口统计和/或历史模式所需的预测分析平台进行的处理)。作为第二步骤，预测分析平台可以确定分类器链，目标变量的标签可以通过该分类器链相互关联(例如，在该示例中，标签可以是历史模式的结果，并且相关性可以指与不同的标签共用的历史模式等)。在这种情况下，预测分析平台可以将第一标签的输出用作第二标签的输入(以及一个或多个输入特征，这些特征可以是与历史索赔、人口统计和/或历史模式相关的其他数据)，并且可以基于与包括类似数据的其他历史索赔的相似度来确定特定历史索赔与至少一个未来索赔相关联的可能性。通过这种方式，预测分析平台将分类从多标签分类问题转换为多个单分类问题，从而降低处理利用率。作为第三步骤，预测分析平台可以在通过使用验证数据集执行分类时确定与标签的准确性相关的汉明损失(Hamming Loss)度量(例如，将权重应用于每个历史索赔、人口统计和/或历史模式的准确性以及每个历史索赔和/或人口统计是否与护理的特定类型和/或模式相关联都会产生正确的历史模式等，从而解决了历史索赔和/或人口统计之间的差异)。作为第四步骤，预测分析平台可以基于满足与汉明损失度量相关联的阈值准确性的标签来最终确定机器学习模型，并且可以将机器学习模型用于其他模型的后续确定。

[0033] 作为另一示例，预测分析平台可以使用线性回归技术确定在数据元素的值的集合中数据元素的值的阈值百分比不指示未来护理的未来组合，索赔是否应该被批准等，并且可以确定数据元素的那些值将接收相对较低的关联分数。相比之下，预测分析平台可以确定数据元素的值的另一阈值百分比确实指示未来护理的未来组合，索赔是否应该被批准等，并且可以为数据元素的那些值分配相对较高的关联分数。基于指示护理的未来组合，索赔是否应该被批准等的数据元素的特性，预测分析平台可以生成模型，并且可以使用该模型来分析预测分析平台标识的索赔数据、人口统计数据等的新数据元素。

[0034] 因此，预测分析平台可以使用任何数目的人工智能技术、机器学习技术、深度学习技术等来确定用于诊断个体的未来治疗，确定是否批准护理索赔等，如本文所描述的。

[0035] 在一些实现中，预测分析平台可以生成模型并且使用该模型来执行本文描述的各种处理。例如，基于与跨多个系统的数百、数千、数百万或更多个实体相关的数据，预测分析平台可以确定要被提供给个体的未来护理的组合和/或要将不同护理提供给个体的概率。在这种情况下，模型可以是基于项目的协作过滤模型、单值分解模型、混合推荐模型和/或基于索赔数据、人口统计数据等使能本文描述的各种确定的另一类型的模型。

[0036] 在一些实现中，预测分析平台可以生成与生成不同的预测相关联，与处理来自不同系统和/或不同形式的数据相关联等的不同机器学习模型。在一些实现中，预测分析平台可以将从系统接收的数据输入到机器学习模型中(例如，索赔数据、人口统计数据、人口数据、历史数据等)，并且机器学习模型可以输出信息，该信息标识个体可以接收的预测护理、预测护理的值、预测护理是否与具有类似诊断、类似人口统计等的其他个体的预测护理相匹配等。在一些实现中，预测分析平台可以使用该信息来生成个体护理的建议，安排个体护理，预测护理的值(例如，估计护理的成本)等，如本文其他地方所描述的。

[0037] 如附图标记115所示，数据摄取组件可以将已处理数据提供给历史数据组件。例如，在数据摄取组件已经预处理了来自各种系统的数据以形成已处理数据之后，基于从预测分析平台的用户接收到输入以将已处理数据从数据摄取组件提供给历史数据组件等，预测分析平台可以将来自数据摄取组件的已处理数据提供给历史数据组件。在一些实现中，预测分析平台可以使用历史数据组件来收集要用作机器学习模型的输入的历史数据，以进一步为特定个体、提供者、诊断等训练机器学习模型等。

[0038] 如附图标记120所示，历史数据组件可以标识与个体相关的历史数据、与向个体提供护理的提供者相关、与具有与索赔类似的诊断和/或过程代码的历史索赔相关的个体的类别(例如，基于人口统计、位置、诊断等的类别)等。例如，历史数据组件可以在与预测分析平台相关联的数据结构中标识历史数据。在一些实现中，历史数据可以与关联于个体的历史索赔、被提供给个体的历史护理、关联于向个体提供护理的提供者的历史索赔(针对其他个体)、由提供者提供给其他个体的历史护理(例如，基于历史索赔具有与索赔类似的诊断(例如，如历史索赔中所标识的)，关联于与索赔类似的过程代码)相关。在一些实现中，历史数据组件可以通过在数据结构中执行历史数据的查找，通过查询数据结构等来标识历史数据。例如，历史数据组件可以执行在数据摄取组件使数据匿名化时生成的匿名标识符与存储在数据结构中的多个其他匿名标识符的比较，并且可以基于匹配来标识历史数据(例如，基于检测到匹配项)。附加地或备选地，并且作为另一示例，历史数据组件可以执行与匿名标识符相关联的已处理数据的签名与存储在数据结构中的其他数据的多个签名的比较，并且可以基于签名的匹配来标识历史数据。附加地或备选地，并且作为另一示例，历史数据组件可以使用机器学习模型来标识历史数据(例如，通过标识具有与关联于匿名标识符的已处理数据的签名类似的签名的历史数据)。例如，历史数据组件可以使用机器学习模型来基于历史数据和具有类似但不同的数据元素组合的索赔数据将历史数据标识为关联于与索赔数据相同的个体或提供者(例如，这将导致历史数据和索赔数据具有不同的签名)。这便于使用不同的数据集，这些数据集对相同个体、提供者等使用不同的匿名标识符，从而改进了对不同数据集的使用。

[0039] 如附图标记125所示，历史数据组件可以将已处理数据和/或历史数据提供给特征组件。例如，在历史数据组件基于已处理数据已经标识出历史数据之后，基于从预测分析平台的用户接收到输入以将已处理数据和/或历史数据从历史数据组件提供给特征组件等，预测分析平台可以将来自历史数据组件的已处理数据和/或历史数据提供给特征组件。

[0040] 如附图标记130所示，特征组件可以基于与个体相关联的人口统计数据来标识人口数据。例如，特征组件可以在与预测分析平台相关联的数据结构中标识人口数据。在一些实现中，人口可以与关联于具有与个体类似的人口统计组合的个体，关联于与向个体提供护理的提供者类似的提供者等的历史索赔、历史护理、历史索赔和/或历史护理的历史值等相关。在一些实现中，按照与本文描述的方式类似的方式，特征组件可以通过在数据结构中执行人口统计数据的查找，通过使用人口统计数据作为用于查询的参数集合查询数据结构等来标识人口数据。附加地或备选地，特征组件可以使用机器学习组件来标识人口数据。例如，特征组件可以使用机器学习组件来标识数据结构中具有与个体类似的人口统计的个体(例如，类似的人口统计组合，诸如，类似年龄、相同性别、相同地理位置、类似的收入水平等的组合)，并且可以标识与具有类似的人口统计的个体相关的人口数据。

[0041] 如附图标记135所示，特征组件可以使用机器学习模型来处理历史数据和人口数据。例如，基于从预测分析平台的用户接收到输入以处理历史数据和/或人口数据，特征组件可以在标识历史数据和/或人口数据之后处理历史数据和人口数据。在一些实现中，特征组件可以在历史数据和/或人口数据的上下文中处理已处理数据中的模式、已处理数据中的趋势等。

[0042] 在一些实现中，特征组件可以在个体的索赔数据、人口统计数据等的上下文中处理历史数据和/或人口数据，诸如以生成与个体相关的预测。例如，特征组件可以处理历史数据、人口数据、索赔数据和/或人口统计数据，以生成与要提供给个体的未来护理相关的预测。继续先前的示例，特征组件可以生成预测，该预测标识要提供给个体的未来护理、该未来护理的定时、该护理和/或该未来护理是否与索赔数据中标识的诊断相匹配等。

[0043] 附加地或备选地，并且作为另一示例，特征组件可以生成与护理和/或未来护理的值相关的预测。继续先前的示例，特征组件可以确定未来护理的预测成本、要报销的护理金额是否与提供者的历史(或其他提供者的历史)相匹配等。附加地或备选地，并且作为另一示例，特征组件可以生成与诊断相关的预测。例如，特征组件可以生成与诊断是否与索赔数据中标识的护理匹配、未来的诊断变化、诊断的准确性、一段时间内的诊断值等相关的预测。

[0044] 附加地或备选地，并且作为另一示例，特征组件可以生成与索赔是否是合法索赔相关的预测。继续先前的示例，特征组件可以使用以本文其他地方所描述的方式训练的机器学习模型来确定与索赔数据相关联的索赔是否为欺诈性索赔，是否被错误提交等(例如，基于与历史数据、人口数据等的上下文中的索赔相关联的索赔数据的模式)。附加地或备选地，并且作为另一示例，特征组件可以生成与针对个体、提供者、人口统计的组合等的索赔是否异常相关的预测。

[0045] 在一些实现中，特征组件可以与生成预测相关联地生成分数。例如，特征组件使用的机器学习模型可以与输出预测相关联地输出分数。在一些实现中，分数可以指示从各种系统接收的已处理数据与历史数据和/或人口数据之间的相似度。例如，分数可以指示已处理数据与历史数据和/或人口数据中的值的模式匹配的程度。继续先前的示例，特征组件可以基于分数来生成预测(例如，索赔是合法索赔，护理的值将与历史护理的历史值匹配等的预测)。附加地或备选地，分数可以指示预测的置信度水平。例如，分数可以基于已处理数据的模式与历史数据和/或人口数据的模式匹配的程度来指示置信度水平(例如，高置信度、中置信度或低置信度)。

[0046] 如附图标记140和145所示，特征组件可以将预测、索赔数据、人口统计数据、历史数据和/或人口数据提供给描述分析组件和/或预测分析组件。例如，特征组件可以将索赔数据、人口统计数据、历史数据和/或人口数据提供给描述分析组件，并且可以将预测提供给预测分析组件。

[0047] 在一些实现中，描述分析组件可以处理索赔数据、人口统计数据、历史数据和/或人口数据，以执行与索赔数据、人口统计数据、历史数据和/或人口数据相关的分析(例如，可以在索赔数据、人口统计数据、历史数据和/或人口数据的上下文中执行分析)。例如，描述分析组件可以相对于被提供给具有相同诊断、类似的人口统计组合、相同提供者等的其他个体的历史护理的值对提供给个体的护理的值执行分析，可以执行对护理的值随着时间的分析(例如，值的趋势、值的模式等)等。附加地或备选地，并且作为另一示例，描述分析组件可以执行护理分析，诸如，针对个体随着时间推移(例如，可以标识针对个体的护理相关活动随着时间的趋势和/或模式)、通过人口统计(例如，可以确定与护理相关的活动的组合是否与具有类似的人口统计组合的其他个体匹配)等。

[0048] 在一些实现中，预测分析组件可以处理预测以执行对预测的分析(例如，在索赔数据、人口统计数据、历史数据和/或人口数据的上下文中)。例如，预测分析组件可以执行与护理相关的预测值和与历史护理相关的历史值的比较(例如，以确定预测值与历史值之间的差异，预测值的模式和/或趋势是否与历史值中的历史模式和/或历史趋势匹配等)。附加地或备选地，并且作为另一示例，预测分析组件可以对预测要提供给个体的护理相关活动的组合与被提供给具有相同诊断，具有相同提供者，具有类似的人口统计组合等的其他个体的护理相关活动的历史组合执行比较。例如，预测分析平台可以确定护理相关活动的组合是否与护理相关活动的历史组合匹配。附加地或备选地，并且作为另一示例，描述分析组件可以确定个体护理的预测长度是否与具有相同诊断，具有相同提供者，具有类似的人口统计组合等的其他个体护理的历史长度匹配。

[0049] 在一些实现中，预测分析平台(例如，使用描述分析组件和/或预测分析组件)可以执行对预测、索赔数据、人口统计数据、历史数据、人口数据等的各种其他分析。例如，预测分析平台可以执行与索赔数据相关联的索赔是否是合法索赔的分析。继续先前的示例，预测分析平台可以基于索赔数据与针对个体的人口统计的历史数据和/或人口数据匹配的程度来确定索赔是否为欺诈性索赔。附加地或备选地，并且作为另一示例，预测分析平台可以执行对承保实体是否应该向个体提供承保的分析。继续先前的示例，预测分析平台可以对个体的预测护理、预测护理的值等执行分析，并且可以确定批准或拒绝个体的承保(例如，基于预测护理与针对诊断的预期护理不同，基于预测护理的值等的保险承保)。

[0050] 作为分析的特定示例，描述分析组件和/或预测分析组件可以执行与要提供给个体的护理(例如，针对给定的诊断要提供的护理的服务包的预测)、要提供的护理成本(包括过程成本、服务包成本等)相关的预测。附加地或备选地，描述分析组件和/或预测分析组件可以对要提供给具有类似诊断，具有相同或不同的人口统计等的不同个体的护理模式执行差距分析(例如，以标识要提供给不同个体的护理之间的差异)。在这种情况下，预测分析平台可以分析(例如，评估和/或量化)提供给不同类型的个体的服务以及跨不同类型的个体的成本的差距，并且可以提供该分析的结果以用于在报告中显示等(例如，以标识与不同人口统计特性相关的各种统计的概述格式)。在一些实现中，预测分析平台可以通过标识提供给具有特定诊断的个体的最佳护理-值组合并且标识不同人口统计简档之间的护理差距，来标识提供给个体的护理的最佳实践。在一些实现中，预测分析平台可以生成建议(例如，策略建议)，以用于改进提供给个体的护理质量(例如，基于差距分析的结果)，同时使跨人口统计的护理的值最大化。

[0051] 在一些实现中，预测分析平台(例如，使用描述分析组件和/或预测分析组件)可以为分析结果生成分数。例如，预测分析平台可以使用机器学习模型来执行分析，并且机器学习模型可以与输出分析结果相关联地输出分数。在一些实现中，分数可以指示分析结果的置信度水平。例如，机器学习模型可以基于在分析期间处理的已处理数据与训练了机器学习模型的数据相匹配的程度来输出分数(例如，已处理数据与训练了机器学习模型的数据之间的相对较好的匹配可能会导致分数与相对较高的置信度水平相关联)。附加地或备选地，并且作为另一示例，机器学习模型可以基于历史分析的历史结果已经是准确的程度来输出分数。继续先前的示例，预测分析平台可以随着时间监测与先前分析相关的数据，以确定历史分析是否准确，并且可以基于历史分析的准确性来为新分析生成分数。附加地或备选地，并且作为另一示例，分数可以指示预测护理(例如，服务包、治疗等)与关联于索赔的诊断相关的可能性。

[0052] 在一些实现中，预测分析平台(例如，使用描述分析组件和/或预测分析组件)可以关于预测执行场景分析。例如，预测分析平台可以通过模拟预测、分数等所基于的已处理数据的变化(例如，通过修改已处理数据的值)来确定预测、分数、分析结果等可以随不同的已处理数据而变化的方式。在一些实现中，预测分析平台可以执行护理的值分析。例如，预测分析平台可以针对给定的诊断来分析单个过程、服务包的成本、护理的寿命等(例如，该成本是否与历史成本匹配，满足阈值等)。在一些实现中，预测分析平台可以基于场景分析的结果来生成建议。例如，特定场景(例如，不同的提供者、不同的护理组合等)可以与改进的分数相关联，并且预测分析平台可以生成建议以实现对当前场景的改变以匹配特定场景。

[0053] 如附图标记150所示，描述分析组件和预测分析组件可以在各种数据结构中存储执行各种分析的结果和/或用于执行各种分析的已处理数据。例如，描述分析组件可以在描述分析数据结构中存储已处理数据和/或执行各种分析的结果，并且预测分析组件可以在预测分析数据结构中存储已处理数据和/或执行各种分析的结果。如附图标记155所示，预测分析平台可以使用报告用户界面(UI)来提供已处理数据、分析结果、预测等以供显示。例如，预测分析平台(例如，使用描述分析组件和/或预测分析组件)可以访问各种数据结构中的已处理数据、分析结果、预测等，并且可以用已处理数据、结果、预测等填充各种UI。在一些实现中，预测分析平台可以实时地、近实时地、周期性地、根据时间表等更新UI。

[0054] 如附图标记160所示，预测分析平台可以执行一个或多个动作。例如，基于来自预测分析平台的用户的输入，基于预测分析平台的用户与UI的交互等，预测分析平台可以在使用机器学习模型处理历史数据和人口数据之后执行一个或多个动作。

[0055] 在一些实现中，预测分析平台可以生成与该预测分析平台生成的预测、该预测分析平台执行的分析等相关的报告，并且可以输出该报告以供显示。附加地或备选地，如本文所描述的，预测分析平台可以基于执行与索赔相关的分析来使索赔被批准或拒绝。例如，预测分析平台可以在数据结构中配置一个值，该值指示索赔将被批准或拒绝和/或索赔将由个体进一步审核，并且可以向客户端设备发送消息(例如，该消息可能包括指示该索赔将被批准或拒绝的信息)。附加地或备选地，预测分析平台可以基于分析结果以与关于批准或拒绝索赔所描述的方式相同或类似的方式使个体被承保实体批准或拒绝承保。附加地或备选地，预测分析平台可以基于分析的结果使索赔的值被调整。例如，如果与索赔相关联的护理的值与针对其他类似索赔的护理的值(例如，针对其他类似诊断)不匹配，则预测分析平台可以向设备发送指令集以调整索赔的值。

[0056] 附加地或备选地，预测分析平台可以将消息发送到与提供者、案例工作者等相关联的客户端设备。例如，预测分析平台可以将消息发送到客户端设备，该客户端设备标识由预测分析平台执行的分析结果(例如，对提供给个体或预测要提供给个体的护理的分析、对诊断的分析等)。附加地或备选地，预测分析平台可以基于预测、分析等来安排个体的护理。例如，预测分析平台可以在与提供者和/或个体相关联的电子日历上生成日历项，以基于预测要由提供者提供给个体的护理来安排提供者和/或个体进行护理。附加地或备选地，预测分析平台可以向与向个体提供护理相关联的设备发送指令集，以使该设备被安排为在特定时间向个体提供护理，使该设备向个体提供护理等。

[0057] 按照这种方式，预测分析平台有助于使用来自具有不同格式化、不同类型、不同级别和/或类型的匿名化等的不同系统的数据，诸如以分析数据，生成与数据相关的预测等。这节省了计算资源，否则这些资源将在试图使用来自具有不同格式化、不同类型、不同级别和/或类型的匿名化等的不同系统的数据时被消耗。另外，本文描述的一些实现对数据应用统一格式化，将数据转换为通用类型的数据等，从而改进了以本文描述的方式使用的数据形式(例如，经由所改进的形式节省了存储器资源、处理资源等)。进一步地，本文描述的一些实现便于匿名数据的这些操作的执行。这维护了与数据相关联的个体的隐私性，减少或消除了对可以标识与数据相关联的个体的数据部分的未授权访问等。

[0058] 如上面所指示的，图1仅被提供为一个或多个示例。其他示例可以不同于关于图1所描述的。

[0059] 图2A至图2K是本文描述的一个或多个示例实现200的图。图2A至图2K示出了预测分析平台可以用于提供数据、分析结果、预测等以进行显示的UI的示例(例如，本文其他地方描述的报告UI)。

[0060] 如在图2A中通过附图标记205所示，预测分析平台可以提供用于显示的UI，该UI包括标识用于各种诊断的预测器的信息。例如，UI的用户可以从“诊断”下拉UI元素中选择诊断和/或从“ClientPCN#”下拉UI元素中选择特定个体，或者可以为与该个体相关联的各种人口统计选择值，并且预测分析平台可以预测要提供给个体或针对各种人口统计具有相同值的个体的护理、护理的值等(例如，基于用户对“估计”按钮的选择，如下面所描述的以及图2B所示)。

[0061] 转到图2B，并且如附图标记210所示，预测分析平台可以提供用于显示的UI，该UI包括标识用于各种提供者的预测器的信息。例如，UI的用户可以从“提供者TPI#”下拉UI元素、与向要分析的个体提供护理的提供者相关的各种属性等中选择提供者，并且预测分析平台可以以本文描述的方式使用该信息来执行分析，生成预测等(例如，基于用户对UI上的“估计”按钮的选择)。

[0062] 转到图2C，并且如附图标记215所示，预测分析平台可以提供用于显示的UI，该UI包括标识分析结果、预测分析平台生成的预测、预测分析平台生成的分数等的信息。例如，UI可以包括标识个体诊断(例如，示出为“学术技能发展障碍(F809)”)、作为分析结果中最强的相对因素的个体属性、预测分析平台生成的分数、预测等(例如，示出为“女性”、“西班牙裔”、“65+”、“休斯顿”、“个体提供者”和“诊所办公室”)、要提供给个体的预期(或建议)的护理组合(例如，示出为“1-7021X、1-7025X”)、与指示关联于预期(或建议)的护理组合的置信度水平的预测(或建议)的护理组合相关的分数等的信息。

[0063] 转到图2D，并且如附图标记220所示，预测分析平台可以提供用于显示的UI，该UI包括标识用于可以提供给个体的各种护理的分数的信息。例如，预测分析平台可以标识可以被提供给个体的各种护理，并且可以基于个体、诊断、提供者等的属性确定各种护理的分数，其指示特定护理对个体来说最佳的置信度水平。

[0064] 转到图2E，并且如附图标记225所示，预测分析平台可以提供用于显示的UI，该UI包括通过个体的属性来标识针对个体的护理的各种组合的信息。例如，UI可以包括通过个体的属性标识建议或预测的护理组合的信息(例如，示出为“整体”、“年龄65岁以上”、“女性”等)，其中相对于每个属性所示的不同颜色标识不同类型的护理或不同的护理组合。继续先前的示例，UI可以被配置为使得通过对应的置信度分数来组织针对每个属性的预测的护理组合(例如，其中置信度分数指示特定护理将被提供给个体或包括在提供给个体的护理组合中的可能性)。在一些实现中，预测分析平台可以基于针对每个属性的建议或预测的组合来生成建议或预测的护理组合(例如，通过平均各个属性之间的组合，通过对各个属性进行加权，通过选择与跨各种属性的阈值置信度分数相关联的护理等)。

[0065] 转到图2F，并且如附图标记230所示，预测分析平台可以提供用于显示的UI，该UI包括标识预测分析平台针对个体分析的唯一的护理组合数量的信息(例如，在可能的护理组合总数中)。转到图2G，并且如附图标记235所示，预测分析平台可以提供用于显示的UI，该UI包括通过重要性来标识个体或提供者的属性的信息。例如，如果该属性对预测分析平台建议或预测要提供给个体的预测护理组合的影响更大，则针对个体或提供者的属性可以被加权为相对于另一属性更为重要。

[0066] 转到图2H，并且如附图标记240所示，预测分析平台可以提供用于显示的UI，该UI包括标识个体最可能的护理组合的信息。例如，UI可以标识预测分析平台建议和/或预测要提供给个体的护理组合、护理组合的预测成本等。转到图2I，并且如附图标记245所示，预测分析平台可以提供用于显示的UI，该UI包括标识场景分析结果的信息。例如，预测分析平台可以执行本文描述的场景分析，并且UI可以包括信息，该信息标识分数、预测护理(或建议护理)等可以基于个体、提供者等的属性的变化而变化的方式。

[0067] 转到图2J，并且如附图标记250所示，预测分析平台可以提供用于显示的UI，该UI包括标识预测(或建议)要提供给个体的预测护理值由个体的属性确定的方式。例如，UI可以包括将通过个体的属性提供给个体的预测护理值的范围，并且预测分析平台可以通过平均不同属性的预测值的范围，通过对预测值的范围进行加权等来确定预测护理值(例如，预测值由图2J中跨越预测值范围的深水平线示出)。转到图2K，并且如附图标记255所示，预测分析平台可以提供用于显示的UI，该UI包括标识与各种类型的提供者相关的分布的信息。例如，UI可以包括标识与预测分析平台执行的分析相关联的各种类型的提供者中的每一个的数量的信息。

[0068] 如上面所指示的，图2A至图2K仅被提供为一个或多个示例。其他示例可以不同于关于图2A至图2K所描述的内容。

[0069] 图3是可以实现本文描述的系统和/或方法的示例环境300的图。如图3所示，环境300可以包括客户端设备310、服务器设备320、托管在包括计算资源334的集合的云计算环境332内的预测分析平台330、系统340和网络350。环境300的设备可以经由有线连接、无线连接或有线和无线连接的组合来互连。

[0070] 客户端设备310包括能够接收、生成、存储、处理和/或提供本文描述的数据的一个或多个设备。例如，客户端设备310可以包括移动电话(例如，智能电话、无线电话等)、膝上型计算机、平板计算机、手持式计算机、游戏设备、可穿戴通信设备(例如，智能手表、一对智能眼镜等)、台式计算机或者类似类型的设备。在一些实现中，客户端设备310可以从预测分析平台330接收由预测分析平台330执行的数据分析的结果，如本文其他地方所描述的。

[0071] 服务器设备320包括能够接收、生成、存储、处理和/或提供本文描述的数据的一个或多个设备。例如，服务器设备320可以包括服务器(例如，在数据中心或云计算环境中)、数据中心(例如，多服务器微数据中心)、工作站计算机、在云计算环境中提供的虚拟机(VM)或类似类型的设备。在一些实现中，服务器设备320可以包括通信接口，该通信接口允许服务器设备320从环境300中的其他设备接收信息和/或向其传输信息。在一些实现中，服务器设备320可以是在壳体内实现的物理设备，诸如，机架。在一些实现中，服务器设备320可以是由云计算环境或数据中心的一个或多个计算机设备实现的虚拟设备。在一些实现中，服务器设备320可以向预测分析平台330提供用于由预测分析平台330处理的数据，如本文其他地方所描述的。

[0072] 预测分析平台330包括能够接收、生成、存储、处理和/或提供本文描述的数据的一个或多个设备。例如，预测分析平台330可以包括云服务器或一组云服务器。在一些实现中，预测分析平台330可以被设计为模块化的，使得可以根据特定需要来交换某些软件组件。这样，可以容易地和/或快速地将预测分析平台330重新配置用于不同的用途。

[0073] 在一些实现中，如图3所示，预测分析平台330可以被托管在云计算环境332中。值得注意的是，尽管本文描述的实现将预测分析平台330描述为托管在云计算环境332中，但是在一些实现中，预测分析平台330可以是不基于云的(即，可以在云计算环境外实现)或者可以是部分基于云的。

[0074] 云计算环境332包括托管预测分析平台330的环境。云计算环境332可以提供计算、软件、数据访问、存储和/或其他服务，其不需要最终用户了解托管预测分析平台330的系统和/或设备的物理位置和配置。如所示，云计算环境332可以包括一组计算资源334(统称为“计算资源334”，并且单独称为“计算资源334”)。

[0075] 计算资源334包括一个或多个个人计算机、工作站计算机、服务器设备或者另一类型的计算和/或通信设备。在一些实现中，计算资源334可以托管预测分析平台330。云资源可以包括在计算资源334中执行的计算实例、在计算资源334中提供的存储设备、由计算资源334提供的数据传输设备等。在一些实现中，计算资源334可以经由有线连接、无线连接或者有线和无线连接的组合与其他计算资源334通信。

[0076] 如图3进一步示出的，计算资源334可以包括一组云资源，诸如，一个或多个应用(“APP”)334-1、一个或多个虚拟机(“VM”)334-2、一个或多个虚拟化存储装置(“VS”)334-3或者一个或多个管理程序(“HYP”)334-4。

[0077] 应用334-1包括可以向环境300的一个或多个设备提供或者由其访问的一个或多个软件应用。应用334-1可以消除在环境300的设备上安装和执行软件应用的需要。例如，应用334-1可以包括与预测分析平台330相关联的软件和/或能够经由云计算环境332提供的任何其他软件。在一些实现中，一个应用334-1可以经由虚拟机334-2向一个或多个其他应用334-1发送信息/从一个或多个其他应用334-1接收信息。在一些实现中，应用334-1可以包括与一个或多个数据库和/或操作系统相关联的软件应用。例如，应用334-1可以包括企业应用、功能应用、分析应用等。

[0078] 虚拟机334-2包括像物理机一样执行程序的机器(例如，计算机)的软件实现。虚拟机334-2可以是系统虚拟机或者过程虚拟机，取决于虚拟机334-2对任何真实机器的使用和对应程度。系统虚拟机可以提供支持完整操作系统(“OS”)的执行的完整系统平台。过程虚拟机可以执行单个程序，并且可以支持单个过程。在一些实现中，虚拟机334-2可以代表用户(例如，客户端设备310的用户)执行，并且可以管理云计算环境332的基础设施，诸如，数据管理、同步或者长时间数据传输。

[0079] 虚拟化存储装置334-3包括在计算资源334的存储系统或设备内使用虚拟化技术的一个或多个存储系统和/或一个或多个设备。在一些实现中，在存储系统的上下文内，虚拟化的类型可以包括块虚拟化和文件虚拟化。块虚拟化可以指逻辑存储装置与物理存储装置的抽象(或分离)，使得可以访问存储系统，而不考虑物理存储装置或者异构结构。该分离可以允许存储系统灵活地管理管理员如何管理最终用户的存储装置。文件虚拟化可以消除在文件级访问的数据与文件被物理地存储的位置之间的依赖性。这可以支持存储使用、服务器整合和/或无中断文件迁移性能的优化。

[0080] 管理程序334-4提供允许多个操作系统(例如，“访客操作系统”)在主机计算机(诸如，计算资源334)上同时执行的硬件虚拟化技术。管理程序334-4可以向访客操作系统呈现虚拟操作平台，并且可以管理访客操作系统的执行。各种操作系统的多个实例可以共享虚拟化硬件资源。

[0081] 系统340包括能够接收、生成、存储、处理和/或提供本文描述的数据的一个或多个设备。例如，系统340可以包括客户端设备310的集合、服务器设备320的集合等。在一些实现中，系统340可以将数据提供给预测分析平台330以进行分析，如本文其他地方所描述的。

[0082] 网络350包括一个或多个有线和/或无线网络。例如，网络350可以包括蜂窝网络(例如，长期演进(LTE)网络、码分多址(CDMA)网络、3G网络、4G网络、5G网络、另一类型的下一代网络等)、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网络(例如，公共交换电话网络(PSTN))、私有网络、自组网、内联网、互联网、基于光纤的网络、云计算网络等和/或这些或其他类型的网络的组合。

[0083] 图3所示的设备和网络的数目和布置被提供为一个或多个示例。实际上，与图3所示的设备和/或网络相比，可能存在附加设备和/或网络、更少设备和/或网络、不同设备和/或网络或者不同地布置的设备和/或网络。此外，图3所示的两个或更多个设备可以被实现在单个设备内，或者图3所示的单个设备可以被实现为多个分布式设备。附加地或备选地，环境300的设备集合(例如，一个或多个设备)可以执行被描述为由环境300的另一设备集合执行的一个或多个功能。

[0084] 图4是设备400的示例组件的图。设备400可以对应于客户端设备310、服务器设备320、预测分析平台330、计算资源334和/或系统340。在一些实现中，客户端设备310、服务器设备320、预测分析平台330、计算资源334和/或系统340可以包括一个或多个设备400和/或设备400的一个或多个组件。如图4所示，设备400可以包括总线410、处理器420、存储器430、存储组件440、输入组件450、输出组件460和通信接口470。

[0085] 总线410包括允许在设备400的多个组件之间通信的组件。处理器420被实现在硬件、固件或者硬件和软件的组合中。处理器420是中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)、微处理器、微控制器、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或者另一类型的处理组件。在一些实现中，处理器420包括能够被编程为执行功能的一个或多个处理器。存储器430包括随机存取存储器(RAM)、只读存储器(ROM)和/或存储供处理器420使用的信息和/或指令的另一类型的动态或静态存储设备(例如，闪速存储器、磁性存储器和/或光学存储器)。

[0086] 存储组件440存储与设备400的操作和使用相关的信息和/或软件。例如，存储组件440可以包括硬盘(例如，磁盘、光盘和/或磁光盘)、固态驱动器(SSD)、压缩盘(CD)、数字多功能盘(DVD)、软盘、磁带盒、磁带和/或另一类型的非瞬态计算机可读介质以及对应的驱动器。

[0087] 输入组件450包括允许设备400诸如经由用户输入接收信息的组件(例如，触摸屏显示器、键盘、小键盘、鼠标、按钮、开关和/或麦克风)。附加地或备选地，输入组件450可以包括用于确定位置的组件(例如，全球定位系统(GPS)组件)和/或传感器(例如，加速度计、陀螺仪、致动器、另一类型的位置或环境传感器等)。输出组件460包括提供来自设备400的输出信息(经由例如显示器、扬声器、触觉反馈组件、音频或视觉指示器等)的组件。

[0088] 通信接口470包括使设备400能够诸如经由有线连接、无线连接或者有线和无线连接的组合与其他设备通信的收发器类组件(例如，收发器、单独的接收器、单独的发射器等)。通信接口470可以允许设备400从另一设备接收信息和/或向另一设备提供信息。例如，通信接口470可以包括以太网接口、光学接口、同轴接口、红外接口、射频(RF)接口、通用串行总线(USB)接口、Wi-Fi接口、蜂窝网络接口等。

[0089] 设备400可以执行本文描述的一个或多个过程。设备400可以基于处理器420执行由诸如存储器430和/或存储组件440等非瞬态计算机可读介质存储的软件指令来执行这些过程。如本文所使用的，术语“计算机可读介质”是指非瞬态存储器设备。存储器设备包括单个物理存储设备内的存储器空间或者分布在多个物理存储设备上的存储器空间。

[0090] 可以经由通信接口470从另一计算机可读介质或者从另一设备将软件指令读取到存储器430和/或存储组件440中。在执行时，存储在存储器430和/或存储组件440中的软件指令可以使处理器420执行本文描述的一个或多个过程。附加地或备选地，硬件电路装置可以代替软件指令使用或者与软件指令组合使用以执行本文描述的一个或多个过程。因此，本文描述的实现并不限于硬件电路装置和软件的任何特定组合。

[0091] 图4所示的组件的数目和布置被提供为示例。实际上，与图4所示的组件相比，设备400可以包括附加组件、更少组件、不同组件或者不同地布置的组件。附加地或备选地，设备
400的组件集合(例如，一个或多个组件)可以执行被描述为由设备400的另一组件集合执行的一个或多个功能。

[0092] 图5是用于执行预测分析的示例过程500的流程图。在一些实现中，图5的一个或多个过程框可以由预测分析平台(例如，预测分析平台330)执行。在一些实现中，图5的一个或多个过程框可以由与预测分析平台分离或者包括预测分析平台的另一设备或设备组执行，诸如，客户端设备(例如，客户端设备310)、服务器设备(例如，服务器设备320)、计算资源(例如，计算资源334)和/或系统(例如，系统340)。

[0093] 如图5所示，过程500可以包括：从多个系统接收与个体相关的数据，其中该数据包括与被提供给个体的护理索赔相关的索赔数据、与个体的人口统计相关的人口统计数据以及与关联于护理的提供者相关的提供者数据(框510)。例如，预测分析平台(例如，使用计算资源334、处理器420、输入组件450、通信接口470等)可以从多个系统接收与个体相关的数据，如上所述。在一些实现中，该数据包括与被提供给个体的护理索赔相关的索赔数据、与个体的人口统计相关的人口统计数据以及与关联于护理的提供者相关的提供者数据。

[0094] 如图5进一步示出的，过程500可以包括：在接收到数据之后检测数据的类型，其中数据的类型包括图像类型或文本类型中的至少一种(框520)。例如，预测分析平台(例如，使用处理器420等)可以在接收到数据之后检测数据的类型，如上所述。在一些实现中，数据的类型包括图像类型或文本类型中的至少一种。

[0095] 如图5进一步示出的，过程500可以包括：使用以下中的至少一种基于数据的类型处理数据：针对图像类型的图像处理技术或者针对文本类型的文本处理技术(框530)。例如，预测分析平台(例如，使用计算资源334、处理器420等)可以使用以下中的至少一种基于数据的类型处理数据：针对图像类型的图像处理技术或者针对文本类型的文本处理技术，如上所述。

[0096] 如图5进一步示出的，过程500可以包括：在使用图像处理技术或文本处理技术中的至少一种基于数据的类型处理数据之后，将格式化应用于数据(框540)。例如，预测分析平台(例如，使用计算资源334、处理器420等)可以在使用图像处理技术或文本处理技术中的至少一种基于数据的类型处理数据之后将格式化应用于数据，如上所述。

[0097] 如图5进一步示出的，过程500可以包括：在将格式化应用于数据之后，标识与个体、关联于护理索赔的提供者或具有与索赔类似的诊断或过程代码的历史索赔相关的历史数据以及与个体的人口统计相关联的人口数据(框550)。例如，预测分析平台(例如，使用计算资源334、处理器420等)可以在将格式化应用于数据之后标识与个体、关联于护理索赔的提供者或具有与索赔类似的诊断或过程代码的历史索赔相关的历史数据以及与个体的人口统计相关联的人口数据，如上所述。

[0098] 如图5进一步示出的，过程500可以包括：使用机器学习模型处理所标识的历史数据和人口数据，其中机器学习模型生成与个体护理相关的预测或个体护理的值(框560)。例如，预测分析平台(例如，使用计算资源334、处理器420等)可以使用机器学习模型处理所标识的历史数据和人口数据，如上所述。在一些实现中，机器学习模型生成与个体护理相关的预测或者个体护理的值。

[0099] 如图5进一步示出的，过程500可以包括：基于预测执行一个或多个动作(框570)。例如，预测分析平台(例如，使用计算资源334、处理器420、存储器430、存储组件440、输出组件460、通信接口470等)可以基于预测执行一个或多个动作，如上所述。

[0100] 过程500可以包括附加实现，诸如，任何单个实现或者下面描述和/或结合本文其他地方描述的一个或多个其他过程的实现的任何组合。

[0101] 在一些实现中，预测分析平台可以基于数据的形式或数据的文件扩展名检测数据的类型，其中数据的形式或数据的文件扩展名指示数据是图像类型或文本类型。在一些实现中，预测分析平台可以在接收到数据之后通过用匿名值替换数据的特定数据元素的值来使数据匿名化。

[0102] 在一些实现中，预测分析平台可以使用匿名化技术处理来自数据的标识个体的信息以形成匿名标识符，可以在处理该信息以形成匿名标识符之后，执行对该匿名标识符和一个或多个数据结构中的多个其他匿名标识符的比较，并且可以基于比较的结果检测匿名标识符和多个其他匿名标识符之间的匹配。在一些实现中，预测分析平台可以基于数据的类型选择图像处理技术或文本处理技术中的至少一种，其中针对图像类型选择图像处理技术，或者针对文本类型选择文本处理技术，并且可以在选择图像处理技术或文本处理技术中的至少一种之后使用图像处理技术或文本处理技术中的至少一种来处理数据。

[0103] 在一些实现中，预测分析平台可以使用机器学习模型基于处理数据的结果来生成分数，其中该分数指示预测的置信度水平，并且可以在生成分数之后输出标识预测和分数的信息。在一些实现中，预测分析平台可以在标识历史数据和人口数据之后在历史数据和人口数据的上下文中执行数据的分析，其中分析包括以下中的至少一项：场景分析、护理的值分析、个体的护理组合的分析或者要提供给个体的护理的时间长度的分析，并且可以用标识分析结果的信息来填充用户界面的用户界面元素集合。

[0104] 尽管图5示出了过程500的示例框，但是在一些实现中，与图5所描绘的框相比，过程500可以包括附加框、更少框、不同框或者不同地布置的框。附加地或备选地，可以并行执行过程500的两个或更多个框。

[0105] 图6是用于执行预测分析的示例过程600的流程图。在一些实现中，图6的一个或多个过程框可以由预测分析平台(例如，预测分析平台330)执行。在一些实现中，图6的一个或多个过程框可以由与预测分析平台分离或者包括预测分析平台的另一设备或设备组执行，诸如，客户端设备(例如，客户端设备310)、服务器设备(例如，服务器设备320)、计算资源(例如，计算资源334)和/或系统(例如，系统340)。

[0106] 如图6所示，过程600可以包括：从多个系统接收与个体相关的数据，其中该数据包括与被提供给个体的护理索赔相关的索赔数据、与个体的人口统计相关的人口统计数据以及与关联于护理的提供者相关的提供者数据(框610)。例如，预测分析平台(例如，使用计算资源334、处理器420、输入组件450、通信接口470等)可以从多个系统接收与个体相关的数据，如上所述。在一些实现中，该数据包括与被提供给个体的护理索赔相关的索赔数据、与个体的人口统计相关的人口统计数据以及与关联于护理的提供者相关的提供者数据。

[0107] 如图6进一步示出的，过程600可以包括：在接收到数据之后检测数据的类型，其中数据的类型包括图像类型或文本类型中的至少一种(框620)。例如，预测分析平台(例如，使用计算资源334、处理器420等)可以在接收到数据之后检测数据的类型，如上所述。在一些实现中，数据的类型包括图像类型或文本类型中的至少一种。

[0108] 如图6进一步示出的，过程600可以包括：使用以下中的至少一种基于数据的类型处理数据：针对图像类型的图像处理技术或者针对文本类型的文本处理技术(框630)。例如，预测分析平台(例如，使用计算资源334、处理器420等)可以使用以下中的至少一种基于数据的类型处理数据：针对图像类型的图像处理技术或者针对文本类型的文本处理技术，如上所述。

[0109] 如图6进一步示出的，过程600可以包括：在基于数据的类型处理数据之后，标识与个体、关联于护理的提供者或具有与索赔类似的诊断或过程代码的历史索赔相关的历史数据以及与个体的人口统计相关的人口数据(框640)。例如，预测分析平台(例如，使用计算资源334、处理器420等)可以在基于数据的类型处理数据之后标识与个体、关联于护理的提供者或具有与索赔类似的诊断或过程代码的历史索赔相关的历史数据以及与个体的人口统计相关的人口数据，如上所述。

[0110] 如图6进一步示出的，过程600可以包括：与标识历史数据和人口数据相关联地使用机器学习模型处理数据，其中机器学习模型关联于生成与个体或个体护理相关的预测(框650)。例如，预测分析平台(例如，使用计算资源334、处理器420等)可以与标识历史数据和人口数据相关联地使用机器学习模型处理数据，如上所述。在一些实现中，机器学习模型关联于生成与个体或个体护理相关的预测。

[0111] 如图6进一步示出的，过程600可以包括：基于预测执行一个或多个动作(框660)。例如，预测分析平台(例如，使用计算资源334、处理器420、存储器430、存储组件440、输出组件460、通信接口470等)可以基于预测执行一个或多个动作，如上所述。

[0112] 过程600可以包括附加实现，诸如，任何单个实现或者下面描述和/或结合本文其他地方描述的一个或多个其他过程的实现的任何组合。

[0113] 在一些实现中，预测分析平台可以在使用机器学习模型处理数据之后生成与预测相关的报告，并且可以在生成报告之后输出报告以进行显示。在一些实现中，预测分析平台可以执行从机器学习模型生成的预测的分析，并且可以基于分析的结果使索赔被批准或拒绝，或者可以基于分析的结果使护理的值被调整。

[0114] 在一些实现中，预测分析平台可以执行从机器学习模型生成的预测的分析，并且可以生成与护理相关的建议或者护理的值。在一些实现中，预测分析平台可以在标识历史数据和人口数据之后在历史数据和人口数据的上下文中执行数据的分析。

[0115] 在一些实现中，在使用机器学习模型处理数据之前，预测分析平台可以使用历史数据和人口数据训练机器学习模型。在一些实现中，在使用机器学习模型处理数据之前，预测分析平台可以接收机器学习模型。

[0116] 尽管图6示出了过程600的示例框，但是在一些实现中，与图6所描绘的框相比，过程600可以包括附加框、更少框、不同框或者不同地布置的框。附加地或备选地，可以并行执行过程600的两个或更多个框。

[0117] 图7是用于执行预测分析的示例过程700的流程图。在一些实现中，图7的一个或多个过程框可以由预测分析平台(例如，预测分析平台330)执行。在一些实现中，图7的一个或多个过程框可以由与预测分析平台分离或者包括预测分析平台的另一设备或设备组执行，诸如，客户端设备(例如，客户端设备310)、服务器设备(例如，服务器设备320)、计算资源(例如，计算资源334)和/或系统(例如，系统340)。

[0118] 如图7所示，过程700可以包括：从多个系统接收与个体相关的数据，其中该数据包括与被提供给个体的护理索赔相关的索赔数据、与个体的人口统计相关的人口统计数据以及与关联于护理的提供者相关的提供者数据(框710)。例如，预测分析平台(例如，使用计算资源334、处理器420、输入组件450、通信接口470等)可以从多个系统接收与个体相关的数据，如上所述。在一些实现中，该数据包括与被提供给个体的护理索赔相关的索赔数据、与个体的人口统计相关的人口统计数据以及与关联于护理的提供者相关的提供者数据。

[0119] 如图7进一步示出的，过程700可以包括：在接收到数据之后并且使用匿名化技术，使包括在数据中的标识个体的信息匿名化(框720)。例如，预测分析平台(例如，使用计算资源334、处理器420等)可以在接收到数据之后并且使用匿名化技术使包括在数据中的标识个体的信息匿名化，如上所述。

[0120] 如图7进一步示出的，过程700可以包括：在使标识个体的信息匿名化之后，将格式化应用于数据(框730)。例如，预测分析平台(例如，使用计算资源334、处理器420等)可以在使标识个体的信息匿名化之后将格式化应用于数据，如上所述。

[0121] 如图7进一步示出的，过程700可以包括：在将格式化应用于数据之后，标识与个体、关联于护理索赔的提供者或具有与索赔类似的诊断或过程代码的历史索赔相关的历史数据以及与个体的人口统计相关联的人口数据(框740)。例如，预测分析平台(例如，使用计算资源334、处理器420等)可以在将格式化应用于数据之后标识与个体、关联于护理索赔的提供者或具有与索赔类似的诊断或过程代码的历史索赔相关的历史数据以及与个体的人口统计相关联的人口数据，如上所述。

[0122] 如图7进一步示出的，过程700可以包括：与标识历史数据和人口数据相关联地使用机器学习模型处理数据，其中机器学习模型关联于生成与个体或提供给个体的护理相关的预测(框750)。例如，预测分析平台(例如，使用计算资源334、处理器420等)可以与标识历史数据和人口数据相关联地使用机器学习模型处理数据，如上所述。在一些实现中，机器学习模型关联于生成与个体或提供给个体的护理相关的预测。

[0123] 如图7进一步示出的，过程700可以包括：基于预测执行一个或多个动作(框760)。例如，预测分析平台(例如，使用计算资源334、处理器420、存储器430、存储组件440、输出组件460、通信接口等)可以基于预测执行一个或多个动作，如上所述。

[0124] 过程700可以包括附加实现，诸如，任何单个实现或者下面描述和/或结合本文其他地方描述的一个或多个其他过程的实现的任何组合。

[0125] 在一些实现中，预测分析平台可以基于数据的形式或数据的文件扩展名检测数据的类型，其中数据的形式或数据的文件扩展名指示数据是图像类型或文本类型。在一些实现中，预测分析平台可以在接收到数据之后检测数据的类型，并且可以基于数据的类型使用以下中的至少一种处理数据：图像处理技术或文本处理技术。

[0126] 在一些实现中，预测分析平台可以基于数据的类型选择图像处理技术或文本处理技术中的至少一种，其中针对图像类型选择图像处理技术，或者针对文本类型选择文本处理技术，并且可以在选择图像处理技术或文本处理技术中的至少一种之后使用图像处理技术或文本处理技术中的至少一种来处理数据。在一些实现中，预测分析平台可以使用机器学习模型基于处理数据的结果生成分数，其中该分数指示数据与历史数据之间或者数据与人口数据之间的相似度，并且可以在生成分数之后基于分数生成预测。在一些实现中，预测与以下中的至少一项相关：要提供给个体的未来护理、未来护理的值或者索赔是合法索赔的可能性。

[0127] 尽管图7示出了过程700的示例框，但是在一些实现中，与图7所描绘的框相比，过程700可以包括附加框、更少框、不同框或者不同地布置的框。附加地或备选地，可以并行执行过程700的两个或更多个框。

[0128] 根据一些实现，示例1：一种方法，包括：由设备从多个系统接收与个体相关的数据，其中数据包括与被提供给个体的针对护理的索赔相关的索赔数据、与个体的人口统计相关的人口统计数据以及与关联于护理的提供者相关的提供者数据；由设备在接收到数据之后检测数据的类型，其中数据的类型包括图像类型或文本类型中的至少一种；由设备使用以下中的至少一种基于数据的类型处理数据：针对图像类型的图像处理技术，或者针对文本类型的文本处理技术；由设备在使用图像处理技术或文本处理技术中的至少一种基于数据的类型处理数据之后，将格式化应用于数据；由设备在将格式化应用于数据之后，标识与个体或关联于针对护理的索赔的提供者相关的历史数据以及与个体的人口统计相关联的人口数据；由设备使用机器学习模型处理所标识的历史数据和人口数据，其中机器学习模型生成与针对个体的护理相关的预测或者针对个体的护理的值；以及由设备基于预测执行一个或多个动作。

[0129] 根据一些实现，示例2：根据示例1的方法，其中检测数据的类型包括：基于数据的形式或数据的文件扩展名来检测数据的类型，其中数据的形式或数据的文件扩展名指示数据是图像类型或文本类型。

[0130] 根据一些实现，示例3：根据示例1的方法，还包括：在接收到数据之后，通过用匿名值替换数据的特定数据元素的值来使数据匿名化。

[0131] 根据一些实现，示例4：根据示例1的方法，还包括：使用匿名化技术处理来自数据的标识个体的信息，以形成匿名标识符；并且其中标识历史数据和人口数据包括：在处理信息以形成匿名标识符之后，执行对匿名标识符和一个或多个数据结构中的多个其他匿名标识符的比较；以及基于比较的结果，检测匿名标识符和多个其他匿名标识符之间的匹配。

[0132] 根据一些实现，示例5：根据示例1的方法，还包括：基于数据的类型选择图像处理技术或文本处理技术中的至少一种，其中图像处理技术针对图像类型而被选择，或者文本处理技术针对文本类型而被选择；并且其中处理数据包括：在选择图像处理技术或文本处理技术中的至少一种之后，使用图像处理技术或文本处理技术中的至少一种来处理数据。

[0133] 根据一些实现，示例6：根据示例1的方法，还包括：使用机器学习模型基于处理数据的结果来生成分数，其中分数指示预测的置信度水平；以及在生成分数之后，输出标识预测和分数的信息。

[0134] 根据一些实现，示例7：根据示例1的方法，其中执行一个或多个动作包括：在标识历史数据和人口数据之后，在历史数据和人口数据的上下文中执行数据的分析，其中分析包括以下中的至少一项：场景分析，针对护理的值分析，针对个体的护理的组合的分析，或者针对要被提供给个体的护理的时间长度的分析；以及用标识分析的结果的信息填充用户界面的用户界面元素的集合。

[0135] 根据一些实现，示例8：一种设备，包括：一个或多个存储器；以及被通信地耦合至一个或多个存储器的一个或多个处理器，一个或多个处理器用于：从多个系统接收与个体相关的数据，其中数据包括与被提供给个体的针对护理的索赔相关的索赔数据、与个体的人口统计相关的人口统计数据以及与关联于护理的提供者相关的提供者数据；在接收到数据之后检测数据的类型，其中数据的类型包括图像类型或文本类型中的至少一种；使用以下中的至少一种基于数据的类型处理数据：针对图像类型的图像处理技术，或者针对文本类型的文本处理技术；在基于数据的类型处理数据之后，标识与个体、关联于护理的提供者或具有与索赔类似的诊断或过程代码的历史索赔相关的历史数据以及与个体的人口统计相关的人口数据；与标识历史数据和人口数据相关联地使用机器学习模型处理数据，其中机器学习模型关联于生成与个体或针对个体的护理相关的预测；以及基于预测执行一个或多个动作。

[0136] 根据一些实现，示例9：根据示例8的设备，其中一个或多个处理器在执行一个或多个动作时用以：在使用机器学习模型处理数据之后，生成与预测相关的报告；以及在生成报告之后输出报告以用于显示。

[0137] 根据一些实现，示例10：根据示例8的设备，其中一个或多个处理器在执行一个或多个动作时用以：执行从机器学习模型生成的预测的分析；以及基于分析的结果使索赔被批准或拒绝，或者基于分析的结果使针对护理的值被调整。

[0138] 根据一些实现，示例11：根据示例8的设备，其中一个或多个处理器在执行一个或多个动作时用以：执行从机器学习模型生成的预测的分析；以及生成与护理相关的建议或护理的值。

[0139] 根据一些实现，示例12：根据示例8的设备，其中一个或多个处理器还用以：在标识历史数据和人口数据之后，在历史数据和人口数据的上下文中执行数据的分析。

[0140] 根据一些实现，示例13：根据示例8的设备，其中一个或多个处理器还用以：在使用机器学习模型处理数据之前，使用历史数据和人口数据训练机器学习模型。

[0141] 根据一些实现，示例14：根据示例8的设备，其中一个或多个处理器还用以：在使用机器学习模型处理数据之前，接收机器学习模型。

[0142] 根据一些实现，示例15：一种存储指令的非瞬态计算机可读介质，指令包括：一个或多个指令，一个或多个指令在由设备的一个或多个处理器执行时使一个或多个处理器：从多个系统接收与个体相关的数据，其中数据包括与被提供给个体的针对护理的索赔相关的索赔数据、与个体的人口统计相关的人口统计数据以及与关联于护理的提供者相关的提供者数据；在接收到数据之后使用匿名化技术，使被包括在数据中的标识个体的信息匿名化；在使标识个体的信息匿名化之后，将格式化应用于数据；在将格式化应用于数据之后，标识与个体、关联于针对护理的索赔的提供者或具有与索赔类似的诊断或过程代码的历史索赔相关的历史数据以及与个体的人口统计相关联的人口数据；与标识历史数据和人口数据相关联地使用机器学习模型处理数据，其中机器学习模型关联于生成与个体或被提供给个体的护理相关的预测；以及基于预测执行一个或多个动作。

[0143] 根据一些实现，示例16：根据示例15的非瞬态计算机可读介质，其中使一个或多个处理器检测数据的类型的一个或多个指令使一个或多个处理器：基于数据的形式或数据的文件扩展名来检测数据的类型，其中数据的形式或数据的文件扩展名指示数据是图像类型或文本类型。

[0144] 根据一些实现，示例17：根据示例15的非瞬态计算机可读介质，其中一个或多个指令在由一个或多个处理器执行时还使一个或多个处理器：在接收到数据之后检测数据的类型；以及基于数据的类型，使用以下中的至少一种处理数据：图像处理技术，或者文本处理技术。

[0145] 根据一些实现，示例18：根据示例17的非瞬态计算机可读介质，其中一个或多个指令在由一个或多个处理器执行时还使一个或多个处理器：基于数据的类型选择图像处理技术或文本处理技术中的至少一种，其中图像处理技术针对图像类型而被选择，或者文本处理技术针对文本类型而被选择；并且其中使一个或多个处理器使用图像处理技术或文本处理技术中的至少一种处理数据的一个或多个指令使一个或多个处理器：在选择图像处理技术或文本处理技术中的至少一种之后，使用图像处理技术或文本处理技术中的至少一种来处理数据。

[0146] 根据一些实现，示例19：根据示例15的非瞬态计算机可读介质，其中一个或多个指令在由一个或多个处理器执行时还使一个或多个处理器：使用机器学习模型基于处理数据的结果来生成分数，其中分数指示数据与历史数据之间或者数据与人口数据之间的相似度；以及在生成分数之后，基于分数生成预测。

[0147] 根据一些实现，示例20：根据示例15的非瞬态计算机可读介质，其中预测与以下中的至少一项相关：要被提供给个体的未来护理，未来护理的值，或者索赔是合法索赔的可能性。

[0148] 前述公开内容提供了说明和描述，但并非旨在穷举实现或将实现限制于所公开的精确形式。可以鉴于以上公开内容进行修改和变型，或者可以从实现的实践中获取修改和变型。

[0149] 如本文所使用的，术语“组件”旨在被广义地解释为硬件、固件和/或硬件和软件的组合。

[0150] 本文结合阈值描述了一些实现。如本文所使用的，取决于上下文，满足阈值可以指值大于阈值、多于阈值、高于阈值、大于或等于阈值、小于阈值、少于阈值、低于阈值、小于或等于阈值、等于阈值等。

[0151] 本文已经描述了和/或在附图中示出了某些用户界面。用户界面可以包括图形用户界面、非图形用户界面、基于文本的用户界面等。用户界面可以提供信息以进行显示。在一些实现中，用户可以与信息交互，诸如通过经由提供用户界面以供显示的设备的输入组件来提供输入。在一些实现中，用户界面可以由设备和/或用户配置(例如，用户可以改变用户界面的大小、经由用户界面提供的信息、经由用户界面提供的信息的位置等)。附加地或备选地，用户界面可以被预配置为标准配置、基于显示用户界面的设备类型的特定配置和/或基于与显示用户界面的设备相关联的能力和/或规范的配置集合。

[0152] 明显的是，本文中所描述的系统和/或方法可以以不同形式的硬件、固件或硬件和软件的组合来实现。用于实现这些系统和/或方法的实际专用控制硬件或软件代码不限制实现。因此，本文中在不参考具体软件代码的情况下描述了系统和/或方法的操作和行为——应理解，可以基于本文中的描述将软件和硬件设计为用于实现系统和/或方法。

[0153] 即使在权利要求书中叙述了和/或在说明书中公开了特征的特定组合，但这些组合不旨在限制各种实现的公开内容。实际上，可以以权利要求书中未具体叙述和/或说明书中未公开的方式组合许多这些特征。尽管下面列出的每项从属权利要求可以仅直接从属于一个权利要求，但各种实现的公开内容包括每个从属权利要求结合权利要求集中的每个其他权利要求。

[0154] 除非另有明确描述，否则本文中所使用的元件、动作或指令不应被解释为关键的或必需的。此外，如本文中所使用的，冠词“一”和“一个”旨在包括一个或多个项目并且可以与“一个或多个”互换地使用。此外，如本文中所使用的，术语“集合”旨在包括一个或多个项目(例如相关项目、不相关项目、相关项目与不相关项目的组合等)，并且可以与“一个或多个”互换地使用。在仅旨在表示一个项目的情况下，使用短语“仅一个”或类似语言。此外，如本文中所使用的，术语“具有(has)”、“具有(have)”、“具有(having)”等旨在作为开放式术语。此外，除非另有明确陈述，否则短语“基于”旨在表示“至少部分地基于”。