CN102413760A - 监控外周退耦 - Google Patents
监控外周退耦 Download PDFInfo
- Publication number
- CN102413760A CN102413760A CN2010800197842A CN201080019784A CN102413760A CN 102413760 A CN102413760 A CN 102413760A CN 2010800197842 A CN2010800197842 A CN 2010800197842A CN 201080019784 A CN201080019784 A CN 201080019784A CN 102413760 A CN102413760 A CN 102413760A
- Authority
- CN
- China
- Prior art keywords
- arterial
- parameter
- under inspection
- person under
- group
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/41—Detecting, measuring or recording for evaluating the immune or lymphatic systems
- A61B5/412—Detecting or monitoring sepsis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/029—Measuring or recording blood output from the heart, e.g. minute volume
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Vascular Medicine (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Immunology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明描述一种用于监控中心到外周的动脉压退耦,即高动力情况的方法。这些方法包括比较从多变量统计模型计算的参数,该模型是针对经历正常血液动力情况的受检者和经历其中可发生中心到外周的退耦的高动力情况的受检者所建立。使用两个多变量统计模型计算的参数之间的差或比提供了对于退耦水平的连续表示,以及指示了在超过阈值时的外周退耦。这些方法可用来警告用户受检者经历外周退耦的事实,并提供准确的动脉紧张测量,这使其它参数例如搏出量和心输出量的准确值计算成为可能。
Description
背景技术
指示器尤其例如搏出量(stroke volume)(SV)、心输出量(cardiacoutput)(CO)、舒张期末容积(end diastolic volume)、喷血分数(ejectionfraction)、搏出量变差(SVV)、脉压变差(PPV)以及收缩压变差(SPV)等不仅对疾病诊断重要,也对“实时”即连续监控受检者临床显著变动是重要的。例如,保健提供商对人和动物受检者的预载依赖性、流体响应性或体积响应性的变动感兴趣。因此极少医院没有一些形式的器材来监控一个或更多心脏指示器,从而企图提供表示的变动中一个或更多在受检者体内发生的警报。包括侵入性技术、非侵入性技术及其结合的许多技术被使用并甚至更多技术在文献中被提出。
发明内容
描述监控受检者体内中心到外周动脉压退耦的方法。这些方法包括从受检者提供动脉压波形数据并向动脉压波形数据应用第一(退耦)多变量统计模型,从而确定并提供受检者的退耦动脉紧张(arterialtone)值。第一(退耦)多变量统计模型从源自经历中心到外周动脉压退耦的一群测试受检者的一组动脉压波形数据制备。然后第二(正常)多变量统计模型应用于动脉压波形数据,从而确定并提供受检者的正常动脉紧张值。第二(正常)多变量统计模型从具有正常血液动力情况的一群测试受检者的一组动脉压波形数据制备。一旦计算受检者的退耦和正常动脉紧张,则比较这些值。受检者的第一动脉紧张和受检者的第二动脉紧张之间的差大于阈值表示受检者经历中心到外周动脉压退耦。相似地,受检者的动脉紧张对受检者的第二动脉紧张的比大于阈值比表示受检者经历中心到外周动脉压退耦。
附图说明
图1示出在正常血液动力情况期间,猪的动物模型中升主动脉(ascending aorta)(主动脉的)、股动脉(股的)和桡动脉(桡的)中同时记录的压力波形。
图2示出在用大量流体和血管加压药恢复内毒素休克(脓毒性休克)期间,猪的动物模型中升主动脉(主动脉的)、股动脉(股的)和桡动脉(桡的)中同时记录的压力波形。
图3示出在一个逐搏心脏周期的复杂血压曲线的例子。
图4示出图3的压力波形的离散时间表征。
图5示出在动脉压波形的收缩部分下方的区域。
图6示出在正常受检者和高动力受检者的动脉压波形的收缩态下方区域的统计分布。
图7示出动脉压波形收缩的期间。
图8示出正常受检者和高动力受检者的动脉压波形的收缩期间的统计分布。
图9示出动脉压波形的收缩期间和舒张期间。
图10是在正常血液动力情况(虚线)和高动力情况(粗线)下,高心率受检者的舒张态期间的统计分布,结合的全部患者的分布也被示出(细线)。
图11是在正常血液动力情况(虚线)和高动力情况(粗线)下,高心率受检者的收缩态期间的统计分布,结合的全部患者的分布也被示出(细线)。
图12是示出实施在此描述方法的系统的主要组件的框图。
具体实施方式
描述监控中心到外周动脉压退耦,即高动力情况的方法。这些方法包括比较从多变量统计模型计算的动脉紧张,所述模型是为针对经历正常的血液动力情况的受检者和在中心到外周退耦可发生期间经历高动力情况的受检者所建立的。使用两个多变量统计模型计算的动脉紧张之间的差可用来表示超过阈值时的外周压力退耦。这些方法警告用户受检者经历中心到外周退耦的事实,并提供准确的动脉紧张测量,其使搏出量和心输出量的准确计算成为可能,其依次使临床医生能够向受检者合适提供治疗。
如在此使用,术语高动力和血管舒张的意思是其中外周动脉压和流动从中心动脉压和流动退耦的情况,并且术语外周动脉的意思是远离心脏定位的动脉,例如桡动脉、股动脉或肱动脉。退耦动脉压意思是在外周动脉压和中心动脉压之间的正常关系无效,并且外周动脉压不可用来确定中心动脉压。这也包括其中外周动脉压不与中心动脉压成比例或不是其函数的情况。在正常血液动力情况下,随着越远离心脏进行测量,则血压增加。这样的压力增加在图1中示出,即在桡动脉测量的压力波的振幅大于在股动脉测量的压力,后者进而大于主动脉压。这些压力的差涉及波反射,即压力向外周放大。
压力的这种正常血液动力关系,即远离心脏的压力增加,经常依赖医疗诊断。然而,在高动力/血管舒张情况下,该关系可变得颠倒,即动脉压变得低于中心主动脉压。该颠倒归因于例如外周血管中的动脉紧张,其被认为影响上述的波反射。这样的高动力情况在图2中示出,即在桡动脉测量的压力波的振幅低于在股动脉测量的压力,后者进而低于主动脉压。认为使小外周动脉舒张的药物(例如,硝酸盐、ACE抑制剂和钙抑制剂)促成高动力情况。这些类型的严重血管舒张情况也经常刚好在心肺旁路术(冠状动脉旁路术)之后状况中观察到,其中桡动脉压低估主动脉中的压力。其中外周动脉压低估中心主动脉压的基本中心到外周的压力差通常在用大量流体和高剂量血管加压药治疗从而导致严重血管舒张的具有严重败血症的患者体内观察到。非常相似的情况也在具有晚期肝病的患者体内观察到。如本领域技术人员良好认识到,在正常血液动力情况下受检者某些治疗接近不同于高动力情况下的受检者。因此,本公开的方法检测患者体内的血管舒张(如存在)并且也提供合适的基于动脉紧张的计算。
在此描述的测量高动力和非高动力受检者体内动脉紧张的方法通常包括从受检者提供动脉压波形数据的步骤,然后分析该数据的步骤。首先,分析受检者的动脉压波形从而确定受检者的退耦动脉紧张。接下来,分析受检者的动脉压波形从而确定受检者的正常动脉紧张。这些步骤可串行(以任何次序)或并行执行。然后,比较受检者的退耦动脉紧张和正常动脉紧张。受检者的退耦动脉紧张和正常动脉紧张之间的差大于阈值表示受检者经历中心到外周动脉压退耦。相似地,受检者的退耦动脉紧张对受检者的正常动脉紧张的比大于阈值表示受检者经历中心到外周动脉压退耦。
在这些方法中,确定受检者的外周动脉压是否从受检者的中心动脉压退耦包括向动脉压波形数据应用多变量统计模型。第一(退耦)多变量统计模型从源自经历外周动脉压和中心动脉压之间退耦的第一群测试受检者的第一组动脉压波形数据制备。第二(正常)多变量统计模型从源自不经历外周动脉压和中心动脉压之间退耦的第二群测试受检者的第二组动脉压波形数据制备。每个多变量统计模型都提供关于两个测试受检者群的动脉紧张值。
在此使用的多变量统计模型基于多组因数,包括受受检者的血管情况影响的一个或更多参数。使用的每个类型的因数,例如脉搏跳动标准差,通常表达经历特别血管情况的受检者和不经历该情况的受检者之间的差。然而,该差经常连续定位,并且具体受检者可具有在明确退耦表示和明确正常表示之间的值,或由于受检者的一些原因即使受检者经历血管情况该具体因数仍可在正常范围内出现。然而,通过使用多个因数,即受血管情况影响的多个因数,通常具有足够阳性表示从而表示存在情况(或具有足够阴性表示从而表示不存在情况)。如在此描述的多变量统计模型提供使用多个因数从而增加准确计算两个状态(即经历或不经历外周退耦)的动脉紧张的能力。
用于多变量统计模型的因数的具体数量取决于单个因数在经历具体情况的受检者和不经历该具体情况的受检者之间区分的能力。因数的数量也可增加从而向模型提供更大水平的准度。因此,根据在具体环境中的需要,更大数量的因数可用来有助于模型的精度、准度和/或复现性。可用于在此描述模型的因数的例子包括(a)基于动脉压波形数据的标准差的参数,(b)基于受检者心率的参数,(c)基于动脉血压信号的收缩部分下方面积的参数,(d)基于收缩持续时间的参数,(e)基于收缩持续时间对舒张持续时间的比的参数,(f)基于一组动脉压波形数据的平均动脉压的参数,(g)基于一组动脉压波形数据的压力加权标准差的参数,(h)基于一组动脉压波形数据的压力加权平均值的参数,(i)基于一组动脉压波形数据的动脉脉搏跳动偏度值的参数,(j)基于一组动脉压波形数据的动脉脉搏跳动峰度值的参数,(k)基于一组动脉压波形数据的压力加权偏度的参数,(l)基于一组动脉压波形数据的压力加权峰度的参数,(m)基于一组动脉压波形数据的压力依赖Windkessel顺应性的参数,(n)基于受检者体表面积的参数。可与在此描述的多变量统计模型一起使用的其他因数包括(o)基于逐搏动脉血压信号形状和具有一或更大阶次的动脉血压信号的至少一个统计矩的参数,以及(p)受检者的一组人体测量参数。这些因数中的一个或更多(或这些因数中的全部)可用于在此描述的多变量统计模型。
用于在此描述的多变量统计模型的因数从基于动脉血压的信号或与动脉血压成比例的信号计算。心血管参数例如动脉顺应性(动脉紧张)的计算在美国专利申请序列号No.10/890,887中描述,该申请提交于2004年7月14日,其全部内容包括在此作为参考。在下面描述用于计算心血管参数,以便与在此公开的方法一起使用的因数和数据的例子,该心血管参数包括在美国专利申请序列号No.10/890,887中讨论的参数。
图3是在单个心动周期采集的动脉压波形P(t)的例子。在时间tdia0该心脏循环在舒张压点Pdia开始,通过到收缩压Psys的时间tsys到达时间tdia1,在该时间血压再次达到Pdia。
与本方法一起有用的信号包括基于动脉血压或与动脉血压成比例的任何信号的心血管参数,其在动脉树,例如桡动脉、股动脉或肱动脉中的任何点侵入性或非侵入性处测量。如在此使用,术语动脉压波形数据意思是基于动脉血压的数据或基于与动脉血压成比例的任何信号的数据。如果使用侵入性仪器,特别是导管安装的压力变换器,那么任何动脉都是可能的测量点。非侵入性变换器的放置通常通过仪器自身支配,例如手指套囊、上臂压力套囊和耳垂夹。无关于使用的具体仪器,获得的数据最终产生与动脉血压对应(例如,成比例)的电信号。
如在图4中图解,模拟信号例如动脉血压可使用任何标准模数转换器(ADC)被数字化为一系列数值。即t0≤t≤tf的动脉血压可使用已知方法和电路被转换为数字形式P(k),k=0,(n-1),其中t0和tf是测量间隔的初始和最后时间,并且n是包括在计算中、通常在测量间隔平均分布的动脉血压样本的数量。
为从这样的数字或数字化信号捕捉相关数据,考虑m值的有序收集,即序列Y(i),其中i=1,...,(m-1)。如从统计领域良好了解的,Y(i)的头四个矩μ1、μ2、μ3和μ4可使用已知公式计算,其中μ1是平均值(即算术平均),μ2=σ2是变差(即标准差σ的平方),μ3是偏度,以及μ4是峰度。因此:
μ1=Yavg=1/m*(∑Y(i)) (公式1)
μ2=σ2=1/(m-1)*∑(Y(i)-Yavg)2 (公式2)
μ3=1/(m-1)*∑[(Y(i)-Yavg)/σ]3 (公式3)
μ4=σ/(m-1)*∑[(Y(i)-Yavg)/σ]4 (公式4)
通常,第β矩μp可表达为:
μβ=1(m-1)*1/σβ*∑[(Y(i)-Yavg)/σ]β (公式5)
其中i=0,...,(m-1)。为众所周知的统计原因,第二到第四矩的离散值公式通常通过乘以1/(m-1)而不是1/m。
在此描述的方法可利用的因数不仅是压力波形P(k)四个矩的函数,也是压力加权的时间向量的函数。标准差σ提供一个水平的形状信息,其中σ越大,则函数Y(i)越“散开”,即函数Y(i)越趋向于偏离于平均值。尽管标准差提供一些形状信息,但可通过考虑下面内容容易理解其缺点:如果其中值构成序列Y(i)的阶次“颠倒”,即Y(i)绕i=0轴镜像并移位,以便值Y(m-1)及时变为第一值,那么平均值和标准差不变动。
偏度是对称缺少的测量值,并表示函数Y(i)的左侧或右侧相对于统计模式是否重于另一侧。正偏函数迅速上升,达到其峰值,然后缓慢下降。负偏函数相反。问题在于偏度值包括不在平均值或标准差值中发现的形状信息,具体地,偏度值表示函数怎样迅速地初始上升到其峰值,然后其怎样缓慢衰减。两个不同函数可具有相同平均值和标准差,但它们然后仅很少具有相同偏度。
峰度是函数Y(i)相比正态分布是否更尖峰或更平坦的测量值。因此,高峰度值表示接近平均值的明显峰值,且在此后下降,继之以重“尾部”。低峰度值趋向于表示函数在其峰值的区域相对平坦。正态分布具有3.0的峰度;实际峰度值因此经常调整3.0,因此该值替代原点。
使用逐搏动脉压波形的四个统计矩的优点为矩是逐搏动脉压波形的准确和灵敏的数学测量。由于动脉顺应性和外周阻力直接影响动脉压波形的形状,因此可通过测量逐搏动脉压波形的形状来直接评估动脉顺应性和外周阻力的效果。与在此描述的其它动脉压参数一起的逐搏动脉压波形的形状敏感统计矩可有效用来测量血管顺应性和外周阻力的结合效果,即动脉紧张。动脉紧张表现动脉顺应性和外周阻力的结合效果,并对应众所周知的Windkessel血液动力模型的2-元素电模拟等效模型的阻抗,该模型由电容和电阻分量构成。通过测量动脉紧张,基于动脉紧张的若干其它参数,例如动脉弹性、搏出量和心输出量也可被直接测量。在此描述的方法中这些参数中的任意参数都可用作因数。
在压力波形P(k)的前四个矩μ1P、μ2P、μ3P和μ4P被计算并用于多变量Boolean或多变量统计模型时,其中μ1P是平均值,μ2PP=σP 2是变差,即标准差σP的平方;μ3P是偏度,以及μ4P是峰度,其中这些矩全部都基于压力波形P(k)。上面的公式1-4可用来在P代入Y、k代入i以及n代入m之后计算这些值。
上面的公式2提供计算标准差的“教科书”方法。其它更多合适方法也可使用。例如,至少在基于血压测量的背景下,对σP的粗略近似是最大和最小测量压力值之间的差除以三,而且关于时间的P(t)一阶导数的最大值或最小值绝对值通常与σP成比例。
如图4图解,在每个离散时间k,对应的测量压力为P(k)。值k和P(k)可形成为对应直方图的序列T(j),意思是每个P(k)值都用作对应的k值的“计数”。例如大大简化的例子,假设全部压力波形仅由四个测量值P(1)=25、P(2)=50、P(3)=55和P(4)=35构成。则,这可表现为具有25个一、50个二、55个三和35个四的序列T(j):
T(j)=1,1,...,1,2,2,...,2,3,3,...,3,4,4,...,4该序列因此具有25+50+55+35=165项。
正如针对任何其它序列,可针对该序列计算矩。例如,平均值(第一矩)为:
μ1T=(1*25+2*50+3*55+4*35)/165=430/165=2.606(公式6)以及标准差σT是变差μ2T的平方根:
SQRT[1/164*25(1-2.61)2+50(2-2.61)2+55(3-2.61)2+35(4-2.61)2]=0.985
偏度μ3T和峰度μ4T可通过在公式3和4中的相似代入计算:
μ3T={1/(164)*(1/σT 3)∑[(P(k)*(k-μ1T)3]} (公式7)
μ4T={1/(164)*(1/σT 4)∑[(P(k)*(k-μ1T)4]} (公式8)其中k=1,...,(m-1)。
如这些公式表示,实际上该处理在计算时间的矩之前使每个离散时间值k“加权”其对应压力值P(k)。该序列T(j)具有非常有用的性质,其鲁棒地表征了压力波形的时序分布。在几乎全部情况下,使压力值P(k)的阶次颠倒将甚至导致T(j)的平均值变动,以及所有更高阶次矩的变动。此外,通常在二波脉压力(dicrotic pressure)Pdicrotic发生的次级“驼峰”也显著影响峰度μ4T的值;相反,在现有技术例如在Romano法中简单识别降中峡(dicrotic notch)需要对于至少一个导数的有噪声计算。
由于压力加权矩是逐搏动脉压信号的振幅和时间信息的非常准确测量值,因此其提供逐搏动脉压信号的另一水平的形状信息。除压力波形矩之外压力加权矩的使用还可增加在此描述的模型的准度。
与在此描述的方法一起有用的一个心血管参数是动脉紧张因数χ,其可自身用作心血管参数,或用于其它心血管参数例如搏出量或心输出量的计算。动脉紧张χ的计算可使用例如压力波形和压力加权时间矩的全部四个。另外的参数包括在计算中,从而考虑其它已知特性,例如血管分支的患者具体复杂样式。另外值的例子包括心率HR(或R波的周期)、体表面积BSA或受检者的其它人体测量参数、使用已知方法例如Langewouters等人描述的方法(“The Static Elastic Propertiesof 45 Human Thoracic and 20 Abnormal Aortas in vitro and the Parametersof a New Model”,J.Biomechanics,17(6):425-435(1984))计算的顺应性值C(P),其中该方法计算顺应性作为压力波和患者年龄与性别、基于动脉血压信号形状和具有一或更大阶次的动脉血压信号的至少一个统计矩的参数、基于动脉血压信号的收缩部分下方面积的参数、基于收缩持续时间的参数以及基于收缩持续时间对舒张持续时间的比的参数的多项式函数。
这些最后三个心血管参数,即动脉血压信号的收缩部分下方面积、收缩持续和收缩持续对舒张持续的比,可受动脉紧张和血管适应性影响,并因此变化,例如在正常血液动力情况的受检者和高动力情况的受检者之间变化。因为这些三个心血管参数在正常和高动力受检者之间变化,所以在此描述的方法可使用这些心血管参数检测受检者外周动脉中的血管舒张或血管收缩。
在图5中图形示出动脉压波形收缩部分下方的面积(Asys)。在动脉压信号中动脉压波形收缩部分下方的面积被定义为波形从心跳开始来开始并在二波脉凹口中结束(在图5上从点b到点d)的部分下方的面积。在收缩下方的面积表现收缩期间动脉压信号的能量,其与搏出量成正比,并与动脉顺应性成反比。在正常和高动力患者的群测量时,可检测到Asys中的移位。如在图6中示出,在收缩期间动脉压信号的能量更高,例如在高动力情况下的一些受检者体内。具有更高Asys的这些受检者通常是具有高心输出量(CO)和低或正常HR的受检者,其中提高的CO主要通过提高的心脏收缩性所导致,这意味着这些受检者具有增加的搏出量和减少的动脉顺应性,其直接反映在收缩期间动脉压信号的能量中。在许多高动力情况期间通常非常强烈的反射波也可显著促成收缩期间信号的能量增加。
收缩的持续时间(tsys)在图7中图形示出。在动脉压波形中收缩的持续时间被定义为从心跳开始到二波脉凹口(在图7上从点b到点d)的持续时间。收缩的持续时间直接受动脉顺应性影响,并相对独立于外周动脉紧张的变动,除非是在大反射波存在时。如在图8上示出,例如,在一些高动力受检者体内的收缩持续时间高于在正常受检者体内的收缩持续时间(数据向更高tsys值移位)。如为收缩能可见,在同样具有低或正常HR的具有高CO的患者体内收缩持续时间通常更高,其中提高的CO主要通过提高的心脏收缩性所导致,并且其中收缩性可以不足够高以至不够增加收缩能。在这些患者体内的增加搏出量部分地是由于增加的收缩性,并部分地是由于增加的收缩持续时间。反射波在这里也起作用。
例如在正常和高动力受检者之间变化的进一步参数是收缩持续时间(tsys)对舒张持续时间(tdia)的比,如在图9中图形示出。在动脉压波形中舒张的持续时间被定义为从二波脉凹口到心动周期结束(在图9上从点d到点e)的持续时间。在一些高动力情况下,收缩和舒张持续时间的比显著高于在正常血液动力学情况下观察到的比。这通常在具有提高的CO的脓毒性休克患者体内观察到,其中HR也为高。在这些类型的情况下,收缩占用几乎全部心动周期,仅在下个心动周期开始之前为舒张留下非常少的时间。这在图10和图11中示出,该图示出在脓毒性休克患者体内和正常患者体内,在高HR情况期间舒张的持续时间(图10)和收缩的持续时间(图11)。如在图中示出,在正常血液动力情况下的高HR患者(虚线)趋向于具有低收缩和舒张持续时间,而脓毒性休克的高HR患者(实线)趋向于具有低舒张持续时间,但具有正常或高的收缩持续时间。
基于动脉紧张因数的其它参数,例如搏出量(SV)、心输出量(CO)、动脉流量或动脉弹性可用作在此描述的方法中的因数。例如,搏出量(SV)可作为动脉紧张和动脉压信号标准差的乘积被计算:
SV=χ*σP (公式9)
其中:
SV是搏出量;
X是动脉紧张;以及
σP是动脉压的标准差。
模拟测量间隔,即每个计算期都在该时间窗口实施的时间窗口[t0,tf]并因此离散采样间隔k=0,...,(n-1)足够小,因此其在压力和/或时间矩中不包含实质移位。然而,比一个心动周期更长的时间窗口提供合适数据。优选地,测量间隔是在不同心动周期中的相同点开始和结束的多个心动周期。使用多个心动周期确保用于各种更高阶次矩计算的平均压力值将使用平均压力值Pavg,其不会因为周期的不完整测量而产生偏差。
更大采样窗口具有如下优点,即通常减小扰动的效果,例如通过反射导致的扰动的效果。可使用本领域技术人员众所周知的正常实验和临床方法确定合适时间窗口。注意时间窗口与单心脏周期一致是可能的,在此情况下平均压力移位没有意义。
时间窗口[t0,tf]也根据Pavg的漂移可调整。例如,如果在给定时间窗口的Pavg与先前时间窗口的Pavg完全不同或成比例不同多于阈值量,那么可减少时间窗口;在此情况下Pavg的稳定度然后用来表示时间窗口可扩张。时间窗口也可基于噪声源或基于信噪比测量或变差而扩张和缩小。限制优选关注于允许时间窗口扩张或缩小多少,并且如果完全允许这样的扩张或缩小,那么时间间隔的表示优选地向用户显示。
时间窗口不需要开始于心跳周期中的任何特别点。因此,t0不需要与tdia0相同,尽管在许多实施中这可以是方便的选择。因此,每个测量间隔的开始和结束(即t0和tf)可根据心跳周期的几乎任何特性被触发,例如在时间tdia0或tsys,或根据非压力特性例如R波等被触发。
可使用与血压成比例的任何其它输入信号,而不是直接测量血压。这意味着可在计算中的若干点中的任何或全部点处实现校准。例如,如果动脉血压自身之外的信号用作输入,那么其可在它的值用来计算各种分量矩之前被校准到血压,或在产生的矩值可修正的情况下在后来被校准。简而言之,心血管参数在一些情况下可使用不同于动脉血压直接测量的输入信号这一事实不排除其生成准确顺应性估计的能力。
创造多变量模型从而计算动脉紧张包括若干步骤。例如,多线性回归响应面方法学可用来建立该模型。在模型中使用的项的数量可使用若干数值途径被确定,从而最小化模型输出值和通过强制该模型的可替换方法所确定的动脉紧张值之间的均方误差。具体地,多项式多变量拟合函数用来生成针对每组动脉压波形参数给予χ值的多项式系数,如下:
其中a1...an是多项式多元回归模型的系数,并且x1...xn是模型的预测变量。预测变量从得自动脉压波形的上面讨论的因数选择。
模型的预测变量χi中的每个都是动脉压波形参数vi的预定组合,并可如下计算:
系数vi是动脉压波形的不同时间和频域参数。
例如,使用11个动脉压波形参数创造多变量统计模型。这些参数是:v1(动脉压的标准差(σP))、v2(心率)、v3(平均动脉压(Pavg))、v4(压力加权标准差(σT))、v5(压力加权MAP(μ1T))、v6(动脉压的偏度(μ3P))、v7((动脉压的峰度(μ4P))、v8(压力加权偏度(μ3T))、v9(压力加权峰度(μ4T))、v10(压力依赖的Windkessel顺应性(CW))以及v11(患者体表面积(BSA))。系数ai和指数矩阵“P”可通过使用从受检者收集的因数数据的多变量最小二乘回归确定。系数和指数因数涉及通过热稀释法针对许多参考受检者确定的“真”搏出量。在该模型中,A和B如下建立:
A=2.95-0.43472 12.384-143.49 21.396-1.3508 0.029824-7.3862
回归以约束每回归变量的参数数字小于三的方式执行,其中每个参数都具有不大于二的阶次。因此,矩阵P的每行都具有至多三个非零项,其中P的每个元素的绝对值至多为二。这些约束用来建立数值稳定度和准度。因此χ的表达式在十一维参数空间中变为二阶曲线。为χ确定的多项表达式可如下写出:
因此,受检者的动脉紧张可通过首先生成如刚才描述的模型(即,从具有正常血液动力情况的受检者或经历中心到外周动脉压退耦的受检者(取决于模型)确定逼近函数,其关于表现取决于动脉紧张的血压参数的一组临床取得的基准测量,逼近函数是在上面描述的参数中的一个或更多的函数,以及一组临床确定的基准测量表现取决于动脉紧张的血压参数)来确定。接下来,从动脉血压波形数据确定一组动脉血压参数,该组动脉压参数包括与用来生成多变量统计模型的相同参数。然后通过用该组动脉血压参数估算逼近函数,估计受检者的正常动脉紧张。
一旦退耦和正常情况的多变量统计模型如上面描述建立,那么在此描述的模型和方法可用来连续计算受检者的退耦和正常动脉紧张,并监控随时间的差或比变动。差可以是动脉紧张之间的简单delta(Δ)值,或可以例如被表征为百分比差或变动。相似地,比可以是受检者的退耦与正常动脉紧张间的比。无关于经计算记录两个动脉紧张之间差或比的数值,超过预定阈值的该值的变动可用来表示受检者经历中心到外周动脉退耦。进一步地,从动脉紧张计算的值例如心输出量也可被计算,并且这些差被监控。作为具体例子,在受检者的第一动脉紧张和受检者的第二动脉紧张之间的差可被计算作为与受检者的第二动脉紧张相比的受检者第一动脉紧张的百分比变动。使用百分比变动的阈值例子包括1%或更大、2%或更大、3%或更大、4%或更大、5%或更大、6%或更大、7%或更大、8%或更大、9%或更大、10%或更大、15%或更大、20%或更大、30%或更大、40%或更大以及50%或更大。相似地,使用受检者的退耦动脉紧张对受检者的正常动脉紧张的比的阈值例子包括1.01或更大、1.02或更大、1.03或更大、1.04或更大、1.05或更大、1.06或更大、1.07或更大、1.08或更大、1.09或更大、1.10或更大、1.15或更大、1.20或更大、1.30或更大、1.40或更大以及1.50或更大。在确定退耦或高动力情况时,该方法可进一步警告用户。这样的警告可以是在图形用户界面上公布的通知或者是声音。
图12示出实施在此描述方法以便监控受检者体内中心到外围退耦的系统的主要组件。该方法可在现有患者监控仪件内实施,或可作为专用监控仪实施。如上面提及,压力或与压力成比例的一些其它输入信号可实际上用两种方式中的一种或两种来感测:侵入性和非侵入性。为方便,系统被描述为测量与转变为压力的一些其它输入信号相反的动脉血压。
图12为完整性示出两种压力感测类型。在此描述的方法的最实际应用中,通常实施一个或若干变化。在此描述的方法的侵入性应用中,常规压力传感器100安装在导管110上,导管110插入人或动物患者身体的一部分130的动脉120中。动脉120是动脉系统中的任何动脉,例如股动脉、桡动脉或肱动脉。在此描述的方法的非侵入性应用中,常规压力传感器200例如光体积描记(photo-plethysmographic)血压探针以任何常规方式外部安装,例如使用围绕手指230的套囊,或安装在患者手腕上的变换器。图12示意示出两种类型。
源自传感器100、200的信号经任何已知连接器作为输入传递到处理系统300,其包括一个或更多处理器和其它支持硬件以及通常被包括以便处理信号和执行代码的系统软件(未示出)。在此描述的方法可使用改型的、标准的个人计算机被实施,或可集成到更大的专用监控系统实施中。为与在此描述的方法一起使用,处理系统300也可包括或连接到根据需要执行正常信号处理任务例如放大、滤波或测距的调理电路302。调理的、感测的输入压力信号P(t)然后通过常规模数转换器ADC 304转变为数字形式,ADC 304具有其时间基准或从时钟电路305取得其时钟基准。如良好理解,ADC 304的采样频率应关于Nyquist准则被选择,以便避免压力信号失真(该过程在数字信号处理领域非常著名)。源自ADC 304的输出是离散压力信号P(k),其值可存储在常规存储器电路(未示出)中。
值P(k)通过包含计算机可执行代码的软件模块310被传递到存储器或从存储器获取,以便实施多变量统计模型,从而确定受检者的退耦和血液动力动脉紧张。这样的软件模块310的设计对于计算机编程领域技术人员是直截了当的。
如果使用,那么患者具体数据例如年龄、身高、体重、BSA等被存储在存储器区315中,该存储器区315也可存储其它预定参数,例如阈值或阈值范围值。可使用任何已知输入器件400以常规方式输入这些值。
动脉紧张的比较在模块320中完成。计算模块320包括计算机可执行代码,并视为模块310输出的输入,然后执行选定的动脉紧张计算。
如通过图12图解,结果可传递到进一步的模块(330)以便附加处理并在常规显示器或记录器件500上最终显示,以便向用户呈现并由用户理解。如同输入器件400,显示器500通常同样由处理系统为其它目的使用。
对于在此描述的方法的每个方法,在检测到退耦时可通知用户。可通过在显示器500或另一图形用户界面器件上公布通知来通知用户退耦。进一步地,声音可用来通知用户退耦。可使用视觉和听觉信号这二者。
本发明的示范实施例参考方法、设备和计算机程序产品的框图在上面描述。本领域技术人员理解框图的每个方框和框图中方框的结合分别可通过包括计算机程序指令的各种工具实施。这些计算机程序指令可加载到通用计算机、专用计算机或其它可编程数据处理设备上从而产生机器,以使在计算机或其它可编程数据处理设备上执行的指令创造实施在方框中指定的功能的手段。
在此描述的方法进一步涉及可存储在计算机可读存储器中的计算机程序指令,其可引导计算机或其它可编程数据处理设备,例如在处理器或处理系统中(在图12中示作300),从而以具体方式运行,以使存储在计算机可读存储器中的指令产生一件制品,其包括计算机可读指令以便实施在图12中图解的框图中指定的功能。计算机程序指令也可加载到计算机、处理系统300或其它可编程数据处理设备上,从而导致一系列操作步骤在计算机、处理系统300或其它可编程设备上被执行,从而产生计算机实施的处理,以使在计算机或其它可编程设备上执行的指令提供用于实施在方框中的指定功能的步骤。此外,用来执行各种计算并执行在此描述的相关方法步骤的各种软件模块310、320和330也可在计算机可读媒体上作为计算机可执行指令被存储,以便允许方法加载到不同处理系统上并通过不同处理系统执行。
因此,框图的方框支持执行特定功能的手段的结合、执行特定功能的步骤的结合以及执行特定功能的程序指令手段。本领域技术人员理解框图的每个方框以及框图中方框的结合可通过执行特定功能或步骤的专用的基于硬件系统来实施,或通过专用硬件和计算机指令的结合来实施。
本发明范畴不受在此公开的、意图说明本发明少量方面的实施例的限制,并且功能性等效的任何实施例均落入本发明的范畴内。除了示出并在此描述的方法之外,各种方法改型对于本领域技术人员是明显的,并且意图落入权利要求的范畴内。进一步地,尽管仅在此公开的方法步骤的某些代表性结合在上面的实施例中被具体讨论,但方法步骤的其它结合对于本领域技术人员是明显的,并也意图落入权利要求的范畴内。因此在此明确提及了步骤的一种组合;不过,即使没有明确陈述,也包括步骤的其它组合。在此使用的术语“包含”及其变化与术语“包括”及其变化同义,并且是开放的、非限制的术语。
Claims (26)
1.一种监控受检者体内中心到外周动脉压退耦的方法,包含:
提供来自于所述受检者的动脉压波形数据;
向所述动脉压波形数据应用第一多变量统计模型,从而确定所述受检者的第一动脉紧张,所述第一多变量统计模型从源自经历中心到外周动脉压退耦的一群测试受检者的一组动脉压波形数据制备而得,所述第一多变量统计模型提供所述受检者的第一动脉紧张的值;
向所述动脉压波形数据应用第二多变量统计模型,从而确定所述受检者的正常动脉紧张,所述第二多变量统计模型从具有正常血液动力情况的一群测试受检者的一组动脉压波形数据制备而得,所述第二多变量统计模型提供所述受检者的第二动脉紧张的值;以及
比较所述受检者的第一动脉紧张和所述受检者的第二动脉紧张,
其中所述受检者的第一动脉紧张和所述受检者的第二动脉紧张之间的差大于阈值表示所述受检者经历中心到外周动脉压退耦。
2.一种监控受检者体内中心到外周动脉压退耦的方法,包含:
提供来自于所述受检者的动脉压波形数据;
向所述动脉压波形数据应用第一多变量统计模型,从而确定所述受检者的第一动脉紧张,所述第一多变量统计模型从源自经历中心到外周动脉压退耦的一群测试受检者的一组动脉压波形数据制备而得,所述第一多变量统计模型提供所述受检者的第一动脉紧张的值;
向所述动脉压波形数据应用第二多变量统计模型,从而确定所述受检者的正常动脉紧张,所述第二多变量统计模型从具有正常血液动力情况的一群测试受检者的一组动脉压波形数据制备而得,所述第二多变量统计模型提供所述受检者的第二动脉紧张的值;以及
比较所述受检者的第一动脉紧张和所述受检者的第二动脉紧张,
其中所述受检者的第一动脉紧张对所述受检者的第二动脉紧张的比大于阈值比表示所述受检者经历中心到外周动脉压退耦。
3.根据权利要求1或2中一项所述的方法,进一步包含使用所述受检者的第一动脉紧张和所述受检者的第二动脉紧张来计算受检者的第一心输出量和受检者的第二心输出量,其中所述受检者的第一心输出量和所述受检者的第二心输出量之间的差大于阈值表示所述受检者经历中心到外周动脉压退耦。
4.根据权利要求1或2中一项所述的方法,其中所述受检者的第一动脉紧张和所述受检者的第二动脉紧张之间的差作为与所述受检者的第二动脉紧张相比较所述受检者的第一动脉紧张的百分比变动被计算。
5.根据权利要求1或2中一项所述的方法,其中所述多变量统计模型基于包括受血管情况影响的一个或更多参数的一组因数。
6.根据权利要求1或2中一项所述的方法,其中所述多变量统计模型基于包括一个或更多参数的一组因数,该一个或更多参数从下面参数构成的集合中选择:(a)基于所述动脉压波形数据的标准差的参数,(b)基于所述受检者的心率的参数,(c)基于动脉血压信号的收缩部分下方面积的参数,(d)基于收缩持续时间的参数,(e)基于所述收缩持续时间对舒张持续时间的比的参数,(f)基于一组动脉压波形数据的平均动脉压的参数,(g)基于一组动脉压波形数据的压力加权标准差的参数,(h)基于一组动脉压波形数据的压力加权平均值的参数,(i)基于一组动脉压波形数据的动脉脉搏跳动偏度值的参数,(j)基于一组动脉压波形数据的动脉脉搏跳动峰度值的参数,(k)基于一组动脉压波形数据的压力加权偏度的参数,(l)基于一组动脉压波形数据的压力加权峰度的参数,(m)基于一组动脉压波形数据的与压力有关的Windkessel顺应性的参数,以及(n)基于所述受检者的体表面积的参数。
7.根据权利要求1或2中一项所述的方法,其中所述多变量统计模型基于一组因数,该组因数包括:(a)基于所述动脉压波形数据的标准差的参数,(b)基于所述受检者的心率的参数,(c)基于动脉血压信号的收缩部分下方面积的参数,(d)基于收缩持续时间的参数,(e)基于所述收缩持续时间对舒张持续时间的比的参数,(f)基于一组动脉压波形数据的平均动脉压的参数,(g)基于一组动脉压波形数据的压力加权标准差的参数,(h)基于一组动脉压波形数据的压力加权平均值的参数,(i)基于一组动脉压波形数据的动脉脉搏跳动偏度值的参数,(j)基于一组动脉压波形数据的动脉脉搏跳动峰度值的参数,(k)基于一组动脉压波形数据的压力加权偏度的参数,(l)基于一组动脉压波形数据的压力加权峰度的参数,(m)基于一组动脉压波形数据的与压力有关的Windkessel顺应性的参数,以及(n)基于所述受检者的体表面积的参数。
8.根据权利要求1所述的方法,其中所述阈值为1%或更大。
9.根据权利要求1所述的方法,其中所述阈值为5%或更大。
10.根据权利要求1所述的方法,其中所述阈值为10%或更大。
11.根据权利要求1所述的方法,其中所述阈值为20%或更大。
12.根据权利要求2所述的方法,其中所述阈值比为1.01或更大。
13.根据权利要求2所述的方法,其中所述阈值比为1.05或更大。
14.根据权利要求2所述的方法,其中所述阈值比为1.10或更大。
15.根据权利要求2所述的方法,其中所述阈值比为1.20或更大。
16.根据权利要求1或2中一项所述的方法,其中连续分析所述受检者的第一动脉紧张和所述受检者的第二动脉紧张之间的差。
17.根据权利要求1所述的方法,其中大于所述阈值的所述受检者的第一动脉紧张和所述受检者的第二动脉紧张之间的差被显示在用户图形界面上。
18.根据权利要求17所述的方法,其中大于所述阈值的所述受检者的第一动脉紧张和所述受检者的第二动脉紧张之间的差作为条形图或趋势图被显示。
19.根据权利要求2所述的方法,其中大于阈值比的所述受检者的第一动脉紧张对所述受检者的第二动脉紧张的比被显示在用户图形界面上。
20.根据权利要求19所述的方法,其中大于阈值比的所述受检者的第一动脉紧张对所述受检者的第二动脉紧张的比作为条形图或趋势图被显示。
21.根据权利要求1所述的方法,进一步包含当所述受检者的第一动脉紧张和所述受检者的第二动脉紧张之间的差大于所述阈值时警告用户。
22.根据权利要求2所述的方法,进一步包含当所述受检者的第一动脉紧张对所述受检者的第二动脉紧张的比大于所述阈值比时警告用户。
23.根据权利要求21或22中一项所述的方法,其中通过在图形用户界面上公布通知警告所述用户。
24.根据权利要求21或22中一项所述的方法,其中通过发声警告所述用户。
25.根据权利要求1或2中一项所述的方法,其中通过应用使用下面步骤生成的所述第一多变量统计模型来确定所述受检者的第一动脉紧张:
从经历中心到外围动脉压退耦的受检者确定逼近函数,所述逼近函数关于表现取决于动脉紧张的血压参数的一组临床取得的基准测量值以及表现取决于动脉紧张的血压参数的一组临床确定的基准测量值,所述逼近函数是至少下面参数的函数(a)基于所述动脉压波形数据的标准差的参数,(b)基于所述受检者的心率的参数,(c)基于动脉血压信号的收缩部分下方面积的参数,(d)基于收缩持续时间的参数,(e)基于所述收缩持续时间对舒张持续时间的比的参数,(f)基于一组动脉压波形数据的平均动脉压的参数,(g)基于一组动脉压波形数据的压力加权标准差的参数,(h)基于一组动脉压波形数据的压力加权平均值的参数,(i)基于一组动脉压波形数据的动脉脉搏跳动偏度值的参数,(j)基于一组动脉压波形数据的动脉脉搏跳动峰度值的参数,(k)基于一组动脉压波形数据的压力加权偏度的参数,(l)基于一组动脉压波形数据的压力加权峰度的参数,(m)基于一组动脉压波形数据的与压力有关的Windkessel顺应性的参数,以及(n)基于所述受检者的体表面积的参数;
从所述动脉血压波形数据确定一组动脉血压参数,所述一组动脉血压参数至少包括(a)基于所述动脉压波形数据的标准差的参数,(b)基于所述受检者的心率的参数,(c)基于动脉血压信号的收缩部分下方面积的参数,(d)基于收缩持续时间的参数,(e)基于所述收缩持续时间对舒张持续时间的比的参数,(f)基于一组动脉压波形数据的平均动脉压的参数,(g)基于一组动脉压波形数据的压力加权标准差的参数,(h)基于一组动脉压波形数据的压力加权平均值的参数,(i)基于一组动脉压波形数据的动脉脉搏跳动偏度值的参数,(j)基于一组动脉压波形数据的动脉脉搏跳动峰度值的参数,(k)基于一组动脉压波形数据的压力加权偏度的参数,(l)基于一组动脉压波形数据的压力加权峰度的参数,(m)基于一组动脉压波形数据的与压力有关的Windkessel顺应性的参数,以及(n)基于所述受检者的体表面积的参数;以及
通过用所述一组动脉血压参数估算所述逼近函数,来估计所述受检者的第一动脉紧张。
26.根据权利要求1或2中一项所述的方法,其中通过应用使用下面步骤产生的所述第二多变量统计模型来确定所述受检者的正常动脉紧张:
从具有正常血液动力情况的受检者确定逼近函数,所述逼近函数关于表现取决于动脉紧张的血压参数的一组临床取得的基准测量值以及表现取决于动脉紧张的血压参数的一组临床确定的基准测量值,所述逼近函数是至少下面参数的函数(a)基于所述动脉压波形数据的标准差的参数,(b)基于所述受检者的心率的参数,(c)基于动脉血压信号的收缩部分下方面积的参数,(d)基于收缩持续时间的参数,(e)基于所述收缩持续时间对舒张持续时间的比的参数,(f)基于一组动脉压波形数据的平均动脉压的参数,(g)基于一组动脉压波形数据的压力加权标准差的参数,(h)基于一组动脉压波形数据的压力加权平均值的参数,(i)基于一组动脉压波形数据的动脉脉搏跳动偏度值的参数,(j)基于一组动脉压波形数据的动脉脉搏跳动峰度值的参数,(k)基于一组动脉压波形数据的压力加权偏度的参数,(l)基于一组动脉压波形数据的压力加权峰度的参数,(m)基于一组动脉压波形数据的与压力有关的Windkessel顺应性的参数,以及(n)基于所述受检者的体表面积的参数;
从所述动脉血压波形数据来确定一组动脉血压参数,所述一组动脉血压参数至少包括(a)基于所述动脉压波形数据的标准差的参数,(b)基于所述受检者的心率的参数,(c)基于动脉血压信号的收缩部分下方面积的参数,(d)基于收缩持续时间的参数,(e)基于所述收缩持续时间对舒张持续时间的比的参数,(f)基于一组动脉压波形数据的平均动脉压的参数,(g)基于一组动脉压波形数据的压力加权标准差的参数,(h)基于一组动脉压波形数据的压力加权平均值的参数,(i)基于一组动脉压波形数据的动脉脉搏跳动偏度值的参数,(j)基于一组动脉压波形数据的动脉脉搏跳动峰度值的参数,(k)基于一组动脉压波形数据的压力加权偏度的参数,(l)基于一组动脉压波形数据的压力加权峰度的参数,(m)基于一组动脉压波形数据的与压力有关的Windkessel顺应性的参数,以及(n)基于所述受检者的体表面积的参数;以及
通过用所述一组动脉血压参数估算所述逼近函数,来估计所述受检者的正常动脉紧张。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16194209P | 2009-03-20 | 2009-03-20 | |
US61/161,942 | 2009-03-20 | ||
US12/720,118 US20100268097A1 (en) | 2009-03-20 | 2010-03-09 | Monitoring Peripheral Decoupling |
US12/720,118 | 2010-03-09 | ||
PCT/US2010/028004 WO2010108110A2 (en) | 2009-03-20 | 2010-03-19 | Monitoring peripheral decoupling |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102413760A true CN102413760A (zh) | 2012-04-11 |
CN102413760B CN102413760B (zh) | 2015-09-16 |
Family
ID=42740259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080019784.2A Active CN102413760B (zh) | 2009-03-20 | 2010-03-19 | 监控外周退耦 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20100268097A1 (zh) |
EP (1) | EP2416701B1 (zh) |
JP (1) | JP2012521223A (zh) |
CN (1) | CN102413760B (zh) |
AU (1) | AU2010226436A1 (zh) |
BR (1) | BRPI1012542A8 (zh) |
CA (1) | CA2756048A1 (zh) |
WO (1) | WO2010108110A2 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107920764A (zh) * | 2015-07-17 | 2018-04-17 | 皇家飞利浦有限公司 | 用于评估脉管的设备、系统和方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6333599B2 (ja) * | 2014-03-27 | 2018-05-30 | 旭化成株式会社 | 心雑音判定装置、プログラム、媒体及び心雑音判定方法 |
US10449003B2 (en) | 2015-05-29 | 2019-10-22 | The Penn State Research Foundation | Individualized preoperative planning system and method |
WO2017179693A1 (ja) * | 2016-04-15 | 2017-10-19 | オムロン株式会社 | 生体情報分析装置、生体情報分析システム、プログラム、及び、生体情報分析方法 |
US20190110694A1 (en) * | 2017-10-12 | 2019-04-18 | Edwards Lifesciences Corporation | Cardiac monitoring system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5161539A (en) * | 1991-05-09 | 1992-11-10 | Physio-Control | Method and apparatus for performing mapping-type analysis including use of limited electrode sets |
US5249257A (en) * | 1989-08-30 | 1993-09-28 | Matsushita Electric Industrial Co., Ltd. | Fuzzy regression data processing device |
US20020169139A1 (en) * | 1995-06-22 | 2002-11-14 | Mu-En Lee | Single gene encoding aortic-specific and striated-specific muscle cell isoforms and uses thereof |
US20030093301A1 (en) * | 2001-11-13 | 2003-05-15 | Hypertension Diagnostics, Inc. | Centralized clinical data management system process for analysis and billing |
US20080015451A1 (en) * | 2006-07-13 | 2008-01-17 | Hatib Feras S | Method and Apparatus for Continuous Assessment of a Cardiovascular Parameter Using the Arterial Pulse Pressure Propagation Time and Waveform |
WO2008080194A1 (en) * | 2006-12-29 | 2008-07-10 | The University Of Queensland | Pain-relieving compositions and uses therefor |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6335238A (ja) * | 1986-07-29 | 1988-02-15 | 日本光電工業株式会社 | 末梢血管の時定数特性測定装置 |
AU4197989A (en) * | 1988-09-28 | 1990-04-18 | Regents Of The University Of Minnesota | Method and apparatus for diagnosing, treating hypertension |
EP0818175B1 (en) * | 1995-11-01 | 2004-04-28 | Seiko Epson Corporation | Living body condition measuring apparatus |
JP3637916B2 (ja) * | 1995-11-01 | 2005-04-13 | セイコーエプソン株式会社 | 生体状態測定装置 |
US5913826A (en) * | 1996-06-12 | 1999-06-22 | K-One Technologies | Wideband external pulse cardiac monitor |
JP4314710B2 (ja) * | 2000-01-17 | 2009-08-19 | オムロンヘルスケア株式会社 | 動脈硬化評価装置 |
JP3779900B2 (ja) * | 2001-09-05 | 2006-05-31 | 独立行政法人科学技術振興機構 | 血管の緊張度測定装置 |
JP4590844B2 (ja) * | 2003-08-26 | 2010-12-01 | パナソニック電工株式会社 | 循環器機能判定装置 |
US7452333B2 (en) * | 2003-12-05 | 2008-11-18 | Edwards Lifesciences Corporation | Arterial pressure-based, automatic determination of a cardiovascular parameter |
JP3961500B2 (ja) * | 2004-03-11 | 2007-08-22 | 株式会社中日電子 | 大動脈血流データ処理方法 |
JP4754915B2 (ja) * | 2005-09-21 | 2011-08-24 | フクダ電子株式会社 | 血圧監視装置 |
CA2656815A1 (en) * | 2006-07-13 | 2008-02-14 | Edwards Lifesciences Corporation | Method and apparatus for continuous assessment of a cardiovascular parameter using the arterial pulse pressure propagation time and waveform |
US20090270739A1 (en) * | 2008-01-30 | 2009-10-29 | Edwards Lifesciences Corporation | Real-time detection of vascular conditions of a subject using arterial pressure waveform analysis |
-
2010
- 2010-03-09 US US12/720,118 patent/US20100268097A1/en not_active Abandoned
- 2010-03-19 CA CA2756048A patent/CA2756048A1/en not_active Abandoned
- 2010-03-19 EP EP10754181.5A patent/EP2416701B1/en active Active
- 2010-03-19 CN CN201080019784.2A patent/CN102413760B/zh active Active
- 2010-03-19 BR BRPI1012542A patent/BRPI1012542A8/pt not_active IP Right Cessation
- 2010-03-19 AU AU2010226436A patent/AU2010226436A1/en not_active Abandoned
- 2010-03-19 WO PCT/US2010/028004 patent/WO2010108110A2/en active Application Filing
- 2010-03-19 JP JP2012500999A patent/JP2012521223A/ja active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5249257A (en) * | 1989-08-30 | 1993-09-28 | Matsushita Electric Industrial Co., Ltd. | Fuzzy regression data processing device |
US5161539A (en) * | 1991-05-09 | 1992-11-10 | Physio-Control | Method and apparatus for performing mapping-type analysis including use of limited electrode sets |
US20020169139A1 (en) * | 1995-06-22 | 2002-11-14 | Mu-En Lee | Single gene encoding aortic-specific and striated-specific muscle cell isoforms and uses thereof |
US20030093301A1 (en) * | 2001-11-13 | 2003-05-15 | Hypertension Diagnostics, Inc. | Centralized clinical data management system process for analysis and billing |
US20080015451A1 (en) * | 2006-07-13 | 2008-01-17 | Hatib Feras S | Method and Apparatus for Continuous Assessment of a Cardiovascular Parameter Using the Arterial Pulse Pressure Propagation Time and Waveform |
WO2008080194A1 (en) * | 2006-12-29 | 2008-07-10 | The University Of Queensland | Pain-relieving compositions and uses therefor |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107920764A (zh) * | 2015-07-17 | 2018-04-17 | 皇家飞利浦有限公司 | 用于评估脉管的设备、系统和方法 |
CN107920764B (zh) * | 2015-07-17 | 2021-09-21 | 皇家飞利浦有限公司 | 用于评估脉管的设备、系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
BRPI1012542A2 (pt) | 2016-10-18 |
CN102413760B (zh) | 2015-09-16 |
EP2416701A4 (en) | 2014-08-06 |
US20100268097A1 (en) | 2010-10-21 |
BRPI1012542A8 (pt) | 2018-04-03 |
EP2416701B1 (en) | 2017-02-22 |
CA2756048A1 (en) | 2010-09-23 |
EP2416701A2 (en) | 2012-02-15 |
WO2010108110A2 (en) | 2010-09-23 |
AU2010226436A1 (en) | 2011-10-13 |
WO2010108110A3 (en) | 2011-01-13 |
JP2012521223A (ja) | 2012-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2393423B1 (en) | Calculating cardiovascular parameters | |
JP5904660B2 (ja) | 動脈圧波形データを用いた血管症状の検出 | |
US20090270739A1 (en) | Real-time detection of vascular conditions of a subject using arterial pressure waveform analysis | |
CN100528073C (zh) | 基于动脉压力的心血管参数的自动确定 | |
CN101765398B (zh) | 前负荷依赖性和流体反应性的评估 | |
CN101489472A (zh) | 使用动脉脉压传播时间和波形连续估算心血管参数的方法和仪器 | |
CN102427760A (zh) | 动脉压力解耦的直接测量 | |
WO2012021765A2 (en) | Methods and apparatus for determining arterial pulse wave velocity | |
CN102413760B (zh) | 监控外周退耦 | |
Kumar et al. | Oscillometric waveform evaluation for blood pressure devices | |
JP2018534023A (ja) | 心弾動図(bcg波)の複数の基準点の間で測定された時間差から大動脈の脈拍の伝搬時間(大動脈ptt)を見積もる方法と装置。 | |
Narus et al. | Noninvasive blood pressure monitoring from the supraorbital artery using an artificial neural network oscillometric algorithm | |
Paliakaitė et al. | Blood pressure estimation based on photoplethysmography: Finger versus wrist | |
Gunarathne et al. | Arterial blood-volume pulse analyser | |
Kumar et al. | Biomedical Engineering Advances |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |