CN103635908B - 离开就绪性指标 - Google Patents
离开就绪性指标 Download PDFInfo
- Publication number
- CN103635908B CN103635908B CN201280031165.4A CN201280031165A CN103635908B CN 103635908 B CN103635908 B CN 103635908B CN 201280031165 A CN201280031165 A CN 201280031165A CN 103635908 B CN103635908 B CN 103635908B
- Authority
- CN
- China
- Prior art keywords
- risk
- patient
- readmission
- forecast model
- mortality
- 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.)
- Expired - Fee Related
Links
Classifications
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
Abstract
一种评估患者从重症监护室(ICU)、医院或其他受监测临床护理环境离开到较低强度地受监测场所的就绪性的系统(16)。所述系统(16)包括一个或多个处理器(46)。所述处理器(46)被编程为接收患者的患者数据。使用死亡风险的第一预测模型计算来自所述患者的离开的死亡风险。此外,使用再入院风险的第二预测模型计算来自所述患者的离开的再入院风险。将针对所述患者中的一个或多个的死亡风险和/或再入院风险在不同的风险组中呈现给一位或多位临床医师,以补充临床医师的离开决策。
Description
技术领域
本申请涉及临床决策制定。其特别适于结合临床决策支持系统应用,并且将特别参考临床决策支持系统进行描述。然而,应该理解,其也适用于其他使用场景并且不必须被限制到前述应用。
背景技术
在诸如重症监护室(ICU)的受监测临床环境中延长的停留持续时间导致许多不利的临床及经济后果。医院用ICU病床收留患者一天的平均费用大致比用普通医院病床高出三倍。假设患者接收恒定质量的护理,减少住院时间(LOS)会通过改进接待量并增加能受护理的患者的数目而增加医院的吞吐量。由于许多受监测临床环境(例如医院或ICU)中存在混乱环境,因而患者也会从较短的停留获益。因此,早些离开到较低强度地受监测环境有许多益处。
尽管早离开有许多益处,但这并非没有风险的。如果要求强化护理的患者在他们对于较低强度地监测与护理来说足够稳定之前离开,他们会有并发症的风险,例如意外的再入院或者甚至死亡。除了强加给患者及家属的增加的压力以外,再入院的患者倾向于具有较高的风险调整的死亡率。
确定急症患者何时足够稳定以离开到较低强度地受监测区,传统上一直是主治医师与护理团队的其他成员合作的主观决策。由于该决策的高度主观性,在确定患者何时离开中存在很大的可变性。尽管离开之后意外的再入院或死亡的原因中有许多可能与离开之后提供的护理相关,但是想必离开与再入院或死亡之间的临近度越近,患者越有可能未“准备好”离开。
众多研究已评价了对死亡或再入院的预测因子,并且识别了预测这些并发症的变量。之前识别的对ICU离开之后死亡或再入院的预测因子包括ICU LOS、在离开ICU时的格拉斯哥昏迷评分、平均动脉压以及ICU收住的原始来源。
尽管已针对ICU患者识别了许多预测因子,但尚未识别出可靠的且有效的临床决策支持系统。转移稳定性与工作负载指数(SWIFT)评分被设计为通过识别ICU离开一周内的再入院或死亡来方便该目的。所述SWIFT评分的两个主要特点为其简单性(其被设计为无需计算机的辅助进行计算)以及特异性评分(例如64中的15)的设计,以识别患者再入院或死亡的风险。该模型产生了适度的区分,但结果在研究的验证方面重复性不好。尽管对于研究有着许多优势,该评分的有限可应用性的一些可能的原因可能在于,所述模型是在这样的患者上形成的,所述患者在ICU离开与并发症之间具有长的时间长度(一周)并且来自发生事件的单一医院的患者数据相对小(100例再入院和5例死亡)。
进一步地,似乎存在与患者离开时的稳定性不相关的显著因素,该显著因素影响患者到ICU的再入院,并且不能在预测模型中被有效捕获。这些可能包括医院的本地文化及主治医师、患者与家属影响,以及在不同医院单元中的临床工作人员之间的关系或默契。
本申请提供克服了上述问题以及其他问题的新的改进的方法与系统。
发明内容
根据一个方面,提供一种用于评估患者从重症监护室(ICU)、医院或其他受监测临床护理环境离开到较低强度地受监测医院单元的就绪性的系统。所述系统包括一个或多个处理器。所述处理器被编程为接收患者的患者数据。使用死亡风险的第一预测模型来计算针对所述患者的来自离开的死亡风险。进一步地,使用再入院风险的第二预测模型来计算针对所述患者的再入院风险。从所述死亡风险和所述再入院风险来确定离开的风险,针对所述患者中的一个或多个的所述离开的风险被呈现给一位或多位临床医师。
根据另一方面,提供一种方法,其用于评估患者从重症监护室(ICU)、医院或其他受监测临床护理环境离开到较低强度地受监测医院单元的就绪性。接收患者的患者数据。使用死亡风险的第一预测模型来计算针对所述患者的来自离开的死亡风险。使用再入院风险的第二预测模型来计算针对所述患者的再入院风险。从所述死亡风险和所述再入院风险来确定离开的风险,将针对所述患者中的一个或多个的所述离开的风险呈现给一位或多位临床医师。
一个优点在于能容易地预测从ICU离开之后的死亡风险和再入院风险。
另一优点在于能客观地预测从ICU离开之后的死亡风险和再入院风险。
另一优点在于考虑到预测变量与结果(例如死亡和再入院)之间的差异。
本领域技术人员在阅读和理解以下详细描述时,将认识到本发明再其他的优点。
附图说明
本发明可以采取各种部件与部件的布置以及步骤与步骤的安排的形式。附图仅是出于图示优选的实施例的目的,并且不应被解释为对本发明的限制。
图1为重症监护室的IT基础设施的方框图。
图2为临床决策支持系统的框图。
图3为包括针对多个患者的死亡风险和再入院风险的报告的范围。
图4为包括针对多个患者的死亡风险和再入院风险的用户界面的范例。
图5为用于生成线性回归模型的方法的方框图。
图6为用于评估要从重症监护室(ICU)离开的患者的就绪性的方法的方框图。
具体实施方式
参考图1和图2,重症监护室(ICU)的信息技术(IT)基础设施包括一个或多个临床数据产生器12,任选地是患者信息系统14、临床决策支持系统(CDSS)16、一个或多个临床数据使用器18等等。适当地,IT基础设施10的部件经由通信网络20互联,通信网络20例如为互联网、局域网、广域网、无线网络等等。
临床数据产生器12生成针对在ICU中受护理的相应患者的患者数据。所述患者数据适当地包括指示一个或多个生理参数的数据,例如心率、温度、血氧饱和度、意识水平、忧虑、疼痛、尿量等等。所述患者数据能被连续生成和/或在事件发生时生成,所述事件例如计时器事件、用户输入事件等等。此外,所述患者数据能被自动地和/或手动地生成。对于前者,可以采用测量患者的生理参数的传感器22,例如心电图仪(ECG)电极、血压传感器、SpO2传感器等等。对于后者,可以采用用户输入设备24。在一些实施例中,临床数据产生器12包括显示设备26,其为用户提供在其中手动输入所述患者数据和/或用于向临床医师显示生成的患者数据的用户界面。临床数据产生器的范例包括,但不限于,患者监视器、护士站、移动通信设备、患者信息系统等等。
患者信息系统14将来自IT基础设施10,例如来自临床数据产生器12和/或CDSS16的患者数据,存储在IT基础设施10的一个或多个数据库28中。例如,患者信息系统14能存储来自后文讨论的CDSS16的针对患者的离开的风险,例如死亡风险和/或再入院风险。作为另一个范例,患者信息系统14能存储来自临床数据产生器12中的一个的针对患者的呼吸速率。在一些实施例中,所述患者信息系统也将来自用户输入设备30的患者数据存储在数据库28中和/或允许所存储的患者数据在显示设备32上被观看。显示设备32也能被用于方便数据从用户输入设备30的接收。患者信息系统的范例包括,但不限于,电子医疗记录系统、科室系统等等。
CDSS16从IT基础设施10,例如从临床数据产生器12和/或患者信息系统14接收患者数据。也预期所述患者数据能从用户输入设备34被接收,用户输入设备34任选地带有显示设备36,显示设备36为用户提供在其中输入所述患者数据的用户界面。使用所述患者数据,CDSS16基于死亡风险(ROD)和再入院风险(ROR)两者,评价所述患者从ICU离开的风险。在一些实施例中,所述ROD和/或所述ROR对应于预定时段(例如48小时)内的死亡或再入院。有利地,通过分开所述ROD和所述ROR,能考虑针对ROD和ROR的预测变量与结果之间的关系中的差异。在一些实施例中,针对患者的所述ROD和/或ROR被显示在显示设备36上。能随着接收患者数据和/或在事件的发生时,连续地计算所述ROR和/或ROD,所述事件例如计时器事件、用户输入事件等等。例如,临床医师能手动触发针对患者的ROD和/或ROR的计算,从而确定所述患者是否适合从ICU离开。
通过输入患者数据来计算针对患者的ROD,所述患者数据包括针对所述患者接收的预测变量的值,所述ROD模型使用所述预测变量预测患者的所述ROD。在一些实施例中,所述ROD模型选自ROD数据库38中的多个ROD模型。类似于ROD,通过输入患者数据来计算针对患者的ROR,所述患者数据包括针对所述患者接收的预测变量的值,所述ROR模型使用所述预测变量预测针对患者的ROR。在一些实施例中,所述ROR模型选自ROR数据库40。适当地,由所述ROD模型和所述ROR模型使用的所述预测变量不需要是相同的。此外,用于计算ROD和/或ROR采用的所述模型包括任意种类的预测模型方法,例如逻辑回归、多项逻辑回归、线性回归和支持向量机学习,它们适当地由多个系数、支持向量或者与预测变量相对应的类似因子限定。下文结合图5讨论用于生成评估ICU离开就绪性的逻辑回归模型的一种方法。此外,由所述模型产生的所述风险适当地为概率。然而,所述风险不必须为概率。例如,所述风险可以为评分,例如以严重性增加的顺序从1至10或从1至100。
CDSS16还从IT基础设施10接收结果数据,IT基础设施10例如为患者信息系统14和/或外部数据库,例如程序数据库。也预期所述结果数据可以接收自用户输入设备34,其任选地带有显示设备36,显示设备36为用户提供在其中输入所述患者数据的用户界面。结果数据为一种患者数据,并且指示患者是否在从ICU离开之后再入院或在离开之后死亡以及周围环境。基于所述结果数据,CDSS16更新用于计算ROD或ROR的所述预测模型。当所述预测模型为逻辑回归模型时,可以根据后文联系图5讨论的方法更新所述模型。预期随着接收或在事件的发生时更新结果数据,连续地更新所述预测模型,所述事件例如计时器时间、用户输入事件等等。在一些实施例中,在更新所述预测模型时,较新的结果数据权重大于较旧的结果数据。
临床数据使用器18使用从IT基础设置10(例如从临床数据产生器12、CDSS18、患者信息系统14等)接收的针对在ICU中受护理的所述患者的患者数据。例如,临床数据使用器18能从CDSS18接收ROR和/或ROD。作为另一个范例,临床数据使用器18能从临床数据产生器12接收呼吸速率和心率。在一些实施例中,临床数据使用器18也从用户输入设备42接收患者数据,用户输入设备42任选地带有显示设备26,显示设备26为用户提供在其中手动输入所述患者数据的用户界面。适当地,所接收的患者数据包括针对至少一个患者的至少ROD和ROR。临床数据使用器的范例包括,但不限于,患者监视器、护士站、移动通信设备、患者信息系统、临床决策支持系统等等。
使用可以包括处理所接收的患者数据以生成额外的患者数据和/或将所述患者数据统一成报告。报告是例如PDF、DOCX、DOC等格式的计算机文件。在一些实施例中,新生成的患者数据和/或新生成的报告被保存在IT基础设施10中,例如患者信息系统14中。此,在一些实施例中,新生成的报告被使用(例如)电子邮件以电子方式发信给临床医师,和/或使用例如激光打印机、喷墨打印机等打印。使用也可以包括将针对至少一个患者的所接收的患者数据显示在用户界面上,其经由显示设备44被呈现给临床医师。在一些实施例中,随着接收患者数据,连续地更新所述用户界面。有利地,这允许临床医师实时地监测患者ROD和/或ROR。
在显示患者数据和/或生成报告时,所述报告和/或显示适当地至少包括患者姓名、针对至少一个患者的ROD和ROR。当所接收的患者数据包括针对多个患者的患者数据时,所接收的患者数据被适当地格式化为具有对应于所述患者的多个行的表格结构。在一些实施例中,通过和/或可以通过ROD和/或ROR的严重性,对所述行分类。例如,临床医师可以采用用户输入设备42,以基于ROD和/或ROR对患者数据的表格进行分类。此外,在一些实施例中,临床医师能选择性地查看ROD和/或ROR的细节。例如,临床医师可以采用用户输入设备42来选择针对患者的ROD和/或ROR并查看得到所述ROD和/或ROR的所述变量以及各自的值,任选地基于贡献排序。甚至,在一些实施例中,可以基于类似的ROR和/或ROR将所述患者数据分组。组包括例如,非常低风险、低风险、中度风险、高风险等等中的一个或多个。
可以在用户界面和/或报告中将ROD和/或ROR表示为文本值(例如评分、概率等等)、图标(例如基于严重性的形状、颜色、背景等等中的一个或多个)、以上的组合,等等。例如,ROD或ROR可以被表示为具有取决于严重性的背景色的圈,例如红色针对高风险、黄色针对中等风险并且绿色针对低风险。在一些实施例中,图标还包括叠加在其上的文本值,任选地取决于严重性。例如,当严重性为中等时,图标能包括被叠加在其上的概率。
参考图3,图示了示范性报告。所述报告包括多个行,每行包括针对不同患者的患者数据。每行包括患者姓名、ROD、ROR、年龄、预后等等。所述ROD和所述ROR被表示为概率和文本严重性指示符(即针对低、中和高分别为“L”、“M”和“H”)。参考图4,图示针了对患者数据的示范性用户界面。类似于所述报告,所述用户界面包括多个行,每行包括针对不同患者的患者数据。此外,每行包括被表示为在其上叠加概率的图标的ROD和ROR。值得注意的是,所述图标的背景是基于严重性被颜色编码的,其中严重性随着背景色的加深而增加。
返回参考图1和图2,IT基础设施10的部件适当地包括处理器46,其运行实现前述功能的计算机可执行指令,其中,所述计算机可执行指令被存储在与处理器46相关联的存储器48上。然而,预期前述功能中的至少一些能无需处理器的使用而在硬件中得以实现。例如,能采用模拟电路。进一步地,IT基础设施10的部件包括通信单元50,其为处理器46提供接口,从所述接口在通信网络20上通信。甚至,尽管IT基础设施10的前述部件是离散地描述的,但是应该理解,所述部件能被组合。例如,临床数据使用器12和临床数据产生器18可以是相同的和/或有交叠。作为另一个范例,可以将CDSS16与临床数据使用器18和/或临床数据产生器12集成。作为又另一个范例,CDSS16、数据使用器18和临床数据产生器12能被组合成独立于通信网络20的独立设备。
参考图5,用于形成逻辑回归模型的方法100包括接收102患者数据,所述患者数据包括针对从一个或多个ICU离开的多个患者的结果数据。适当地,所述患者数据包括针对所述多个患者中的每个的记录,其中,每个记录包括可能对预测ROD和/或ROR以及所述患者离开ICU之后的结果相关的多个变量。所述患者数据能被接收自例如,IT基础设施10,例如患者信息系统14,和/或外部数据库,例如程序数据库。在一些实施例中,所接收的患者数据是对一个ICU、区域中的多个ICU、跨越国家的多个ICU等特异的。此外,在一些实施例中,所接受的患者数据是特异于人口统计的。
所述多个变量可以包括患者人口统计、ICU入院诊断、通过急性生理学和慢性健康状况IV()评分确定的疾病的入院严重性、重症监护干预、ICU停留期间发生的并发症、过去的24小时期间存在的实验室值与生理变量、入院诊断等等中的一个或多个。在一些实施例中,所述入院诊断是加强的。例如,根据病理学将所述诊断分组,其中,与新创建的诊断组不相关的所有罕见诊断均被一起归类为“其他”。
在一些实施例中,过滤104所接收的患者数据,以去除针对非典型患者的记录。例如,将具有以下状况中的一个或多个的患者滤出所接收的患者数据:1)ICU停留长度小于四小时;2)年龄小于16岁;3)ICU离开状态为死亡;4)离开场所转移到另一ICU或医疗机构外部的场所;以及5)在ICU离开时“不予急救”(DNR)或“仅安慰措施”命令的存在。有利地,这改进了所述模型的效率,因为所述模型不需要解决边缘案例。
然后,使用多变量逻辑回归或其他分析方法,将所述患者数据和所述变量用于识别106所述变量与主要结果(例如,死亡风险或再入院风险)之间的关联。可以使用局部加权散点平滑法,针对具有所述主要结果的非线性关系,评估连续变量。此外,可以通过经由样条项的引入或将连续变量归类到线性关系的变换,来解出非线性关系。可以引入样条项以创建现有线性关系的间隔,所述间隔在通过例如局部加权散点平滑法的视觉检测所指定的结点处改变。
在一些实施例中,所述多变量逻辑回归包括向前和向后逐步多变量逻辑回归或分类和回归树,以便识别所述主要结果的预测变量。如果使用对数似然比检验,空对扩展模型之间的对数似然值的差产生了小于预定值(例如0.05)的p值,则可以将变量包括在逐步回归中。可以使用渥得检验来评估协变量之间进一步的相互影响,并且可以在所述逐步回归中包括具有小于预定值(例如0.05)的p值的相互影响的变量。
参考图6,提供了一种用于评估患者从重症监护室(ICU)离开的就绪性的方法150。CDSS16的处理器46适当地执行方法150。方法150包括接收152针对由ICU护理的患者的患者数据。所述患者数据适当地包括指示所述患者的生理参数的数据。此外,所述患者数据适当地接收自IT基础设施10,例如自患者信息系统14。在一些实施例中,ROD预测模型选自154RDD数据库38中的多个ROD预测模型,并且ROR预测模型选自156ROR数据库40中的多个ROR预测模型。基于ROD预测模型计算158针对ICU的所述患者的ROD。在一些实施例中,所述ROD预测模型为所选的ROD预测模型。也基于ROR预测模型计算针对ICU的所述患者的ROR。在一些实施例中,所述ROR预测模型为所选的ROR预测模型。基于所述计算来确定162针对所述多个患者中所选的一个的离开的风险。可以用用户输入设备,例如用户输入设备42,选择所述离开的风险。经由报告或用户界面,向临床医师呈现164针对所选患者的所述离开的风险。例如,在显示设备44上为临床医师呈现患者的ROD。在一些实施例中,所述方法还包括接收结果数据166,识别离开的患者是否死亡和/或再入院,任选地以预定周期,例如48小时。基于所述结果数据来更新168所述ROD模型和/或ROR模型,任选地根据图5的方法100。
本文中所使用的存储器包括:非暂态计算机可读介质;磁盘或其他磁性存储介质;光盘或其他光学存储介质;随机存取存储器(RAM)、只读存储器(ROM)或其他电子存储器设备或芯片或操作性互联的芯片组;互联网/内联网服务器,可以经由互联网/内联网或其他局域网络从所述服务器检索所存储的指令;等等中的一个或多个。此外,本文中所使用的处理器包括微处理器、微控制器、图形处理单元(GPU)、专用集成电路(ASIC)、现场可编程门控阵列(FPGA)等等中的一个或多个;用户输入设备包括鼠标、键盘、触摸屏显示器、一个或多个按钮、一个或多个开关、一个或多个触发器等等中的一个或多个;并且显示设备包括LCD显示器、LED显示器、等离子显示器、投影显示器、触摸屏显示器等等中的一个或多个。
已参考优选的实施例描述了本发明。他人在阅读和理解前文的详细描述时可以想到各种修改和变更。本发明旨在被解释为包括所有这样的修改和变更,只要它们落入权利要求或其等价方案的范围内。
Claims (25)
1.一种用于评估患者要从重症监护室(ICU)、医院或其他受监测临床护理环境离开到较低强度地受监测场所的就绪性的系统(16),所述系统(16)包括:
一个或多个处理器(46),其被编程为:
接收患者的患者数据,所述患者数据包括预测变量的值;
使用死亡风险的第一预测模型来计算针对所述患者的来自离开的死亡风险;
使用再入院风险的第二预测模型来计算针对所述患者的再入院风险;
从所述死亡风险和所述再入院风险来确定离开的风险,使得针对所述死亡风险和针对所述再入院风险的预测变量与结果之间的关系中的差异被考虑;并且
将针对所述患者中选定的一个或多个的所述离开的风险呈现给一位或多位临床医师。
2.根据权利要求1所述的系统(16),其中,所述处理器(46)还被编程为:
接收结果数据,所述结果数据识别患者在离开之后是否死亡和/或是否再入院;并且
使用所述结果数据来更新所述第一预测模型和/或所述第二预测模型。
3.根据权利要求1和2中任一项所述的系统(16),其中,所述第一预测模型和/或所述第二预测模型包括逻辑回归、多项逻辑回归、线性回归,以及支持向量机中的一个或多个。
4.根据权利要求1和2中任一项所述的系统(16),其中,所述的呈现包括将所述离开的风险显示为指示风险的严重性。
5.根据权利要求4所述的系统(16),其中,图标对应于低风险、中度风险和高风险中的一个或多个,并且其中,所述的呈现还包括:响应于对应于中度风险或高风险的图标,显示所述死亡风险和/或所述再入院风险的概率。
6.根据权利要求1和2中任一项所述的系统(16),其中,所述第一预测模型和/或所述第二预测模型预测预定时段内的死亡风险和/或再入院风险。
7.一种信息技术(IT)基础设施(10),包括:
根据权利要求1至6中任一项所述的系统(16);以及
数据产生器(12),其生成所述患者的患者数据,所述患者数据包括由所述第一预测模型和/或所述第二预测模型采用的指示生理参数的数据;
其中,由所述系统(16)接收的所述患者数据包括由所述数据产生器(12)生成的患者数据。
8.一个或多个处理器(46),其被编程为:
接收患者的患者数据,所述患者数据包括预测变量的值;
使用死亡风险的第一预测模型来计算针对所述患者的来自离开的死亡风险;
使用再入院风险的第二预测模型来计算针对所述患者的再入院风险;
从所述死亡风险和所述再入院风险来确定离开的风险,使得针对所述死亡风险和针对所述再入院风险的预测变量与结果之间的关系中的差异被考虑;并且
将针对所述患者中选定的一个的所述离开的风险呈现给临床医师。
9.根据权利要求8所述的一个或多个处理器(46),其中,所述处理器(46)还被编程为:
接收结果数据,所述结果数据识别患者离开之后是否死亡和/或是否再入院;并且
使用所述结果数据来更新所述第一预测模型和/或所述第二预测模型。
10.根据权利要求8和9中任一项所述的一个或多个处理器(46),其中,所述第一预测模型和/或所述第二预测模型包括逻辑回归、多项逻辑回归、线性回归以及支持向量机中的一个或多个。
11.根据权利要求8和9中任一项所述的一个或多个处理器(46),其中,所述的呈现包括将所述离开的风险显示为指示风险的严重性。
12.根据权利要求11所述的一个或多个处理器(46),其中,图标对应于低风险、中度风险和高风险中的一个或多个,并且其中,所述的呈现还包括:响应于对应于中度风险或高风险的图标,显示所述死亡风险和/或所述再入院风险的概率。
13.根据权利要求8和9中任一项所述的一个或多个处理器(46),其中,所述第一预测模型和/或所述第二预测模型预测预定时段内的死亡风险和/或再入院风险。
14.一种用于评估患者要从重症监护室(ICU)、医院或其他受监测临床护理环境离开到较低强度地受监测场所的就绪性的装置,所述装置包括:
用于接收患者的患者数据的模块,所述患者数据包括预测变量的值;
用于使用死亡风险的第一预测模型来计算针对所述患者的来自离开的死亡风险的模块;
用于使用再入院风险的第二预测模型来计算针对所述患者的再入院风险的模块;
用于从所述死亡风险和所述再入院风险来确定离开的风险,使得针对所述死亡风险和针对所述再入院风险的预测变量与结果之间的关系中的差异被考虑的模块;以及
用于将针对所述患者中选定的一个的所述离开的风险呈现给临床医师的模块。
15.根据权利要求14所述的装置,还包括:
用于接收结果数据的模块,所述结果数据识别患者离开之后是否死亡和/或是否再入院;以及
用于基于所述结果数据来更新所述第一预测模型和/或所述第二预测模型的模块。
16.根据权利要求14和15中任一项所述的装置,其中,所述第一预测模型和/或所述第二预测模型包括逻辑回归、多项逻辑回归、线性回归以及支持向量机中的一个或多个。
17.根据权利要求14和15中任一项所述的装置,其中,用于呈现的所述模块包括用于将所述离开的风险显示为指示风险的严重性的模块。
18.根据权利要求17所述的装置,其中,图标对应于低风险、中度风险和高风险中的一个或多个,并且其中,用于呈现的所述模块还包括用于响应于对应于中度风险或高风险的图标,显示所述死亡风险和/或再入院风险的概率的模块。
19.根据权利要求14和15中任一项所述的装置,其中,所述第一预测模型和/或所述第二预测模型预测预定时段内的死亡风险和/或再入院风险。
20.一种非暂态计算机可读介质(48),其承载有软件,所述软件控制一个或多个处理器(46)以:
接收患者的患者数据,所述患者数据包括预测变量的值;
使用死亡风险的第一预测模型来计算针对所述患者的来自离开的死亡风险;
使用再入院风险的第二预测模型来计算针对所述患者的再入院风险;
从所述死亡风险和所述再入院风险来确定离开的风险,使得针对所述死亡风险和针对所述再入院风险的预测变量与结果之间的关系中的差异被考虑;并且
将针对所述患者中选定的一个的所述离开的风险呈现给临床医师。
21.根据权利要求20所述的非暂态计算机可读介质(48),其中,所述处理器(46)还受所述软件控制以:
接收结果数据,所述结果数据识别患者离开之后是否死亡和/或是否再入院;并且
使用所述结果数据来更新所述第一预测模型和/或所述第二预测模型。
22.根据权利要求20和21中任一项所述的非暂态计算机可读介质(48),其中,所述第一预测模型和/或所述第二预测模型包括逻辑回归、多项逻辑回归、线性回归以及支持向量机中的一个或多个。
23.根据权利要求20和21中任一项所述的非暂态计算机可读介质(48),其中,所述的呈现包括将所述离开的风险显示为指示风险的严重性。
24.根据权利要求23所述的非暂态计算机可读介质(48),其中,图标对应于低风险、中度风险和高风险中的一个或多个,并且其中,所述的呈现还包括:响应于对应于中度风险或高风险的图标,显示所述死亡风险和/或所述再入院风险的概率。
25.根据权利要求20和21中任一项所述的非暂态计算机可读介质(48),其中,所述第一预测模型和/或所述第二预测模型预测预定时段内的死亡风险和/或再入院风险。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161500647P | 2011-06-24 | 2011-06-24 | |
US61/500,647 | 2011-06-24 | ||
PCT/IB2012/053047 WO2012176104A1 (en) | 2011-06-24 | 2012-06-18 | Discharge readiness index |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103635908A CN103635908A (zh) | 2014-03-12 |
CN103635908B true CN103635908B (zh) | 2018-01-30 |
Family
ID=46545427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280031165.4A Expired - Fee Related CN103635908B (zh) | 2011-06-24 | 2012-06-18 | 离开就绪性指标 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20140136225A1 (zh) |
JP (1) | JP6072021B2 (zh) |
CN (1) | CN103635908B (zh) |
WO (1) | WO2012176104A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2014259708A1 (en) | 2013-05-03 | 2015-10-29 | Emory University | Systems and methods for supporting hospital discharge decision making |
CN105453093A (zh) * | 2013-08-14 | 2016-03-30 | 皇家飞利浦有限公司 | 出院处的患者风险因子的建模 |
US20160055412A1 (en) * | 2014-08-20 | 2016-02-25 | Accenture Global Services Limited | Predictive Model Generator |
GB201619902D0 (en) * | 2016-11-24 | 2017-01-11 | Univ Oxford Innovation Ltd | Patient status monitor and method of monitoring patient status |
WO2018141598A1 (en) * | 2017-02-03 | 2018-08-09 | Koninklijke Philips N.V. | System and method for facilitating configuration modifications for a patient interface computer system based on risk of readmission of a patient |
WO2019044642A1 (ja) * | 2017-08-30 | 2019-03-07 | 日本電気株式会社 | 医療情報処理装置、医療情報処理方法および記憶媒体 |
CN108072618A (zh) * | 2017-12-19 | 2018-05-25 | 中国医学科学院阜外医院 | 一种心梗后死亡风险的预测系统 |
KR102257830B1 (ko) * | 2018-12-18 | 2021-05-28 | 연세대학교 산학협력단 | 사망 위험도의 예측 방법 및 이를 이용한 디바이스 |
JP7403094B2 (ja) * | 2019-12-18 | 2023-12-22 | 学校法人立命館 | 判定装置 |
US11763947B2 (en) | 2020-10-14 | 2023-09-19 | Etiometry Inc. | System and method for providing clinical decision support |
US20220115131A1 (en) * | 2020-10-14 | 2022-04-14 | Etiometry, Inc. | System and method for providing clinical decision support |
KR102600493B1 (ko) * | 2023-03-21 | 2023-11-08 | 경북대학교 산학협력단 | 중환자실 환자의 재원 기간과 사망률 예측 장치 및 방법 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6266645B1 (en) * | 1998-09-01 | 2001-07-24 | Imetrikus, Inc. | Risk adjustment tools for analyzing patient electronic discharge records |
US20080228090A1 (en) * | 2007-03-14 | 2008-09-18 | Cardiac Pacemakes, Inc. | Method and apparatus for management of heart failure hospitalization |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4957115A (en) * | 1988-03-25 | 1990-09-18 | New England Medical Center Hosp. | Device for determining the probability of death of cardiac patients |
US7334222B2 (en) * | 2002-09-11 | 2008-02-19 | International Business Machines Corporation | Methods and apparatus for dependency-based impact simulation and vulnerability analysis |
JP4812299B2 (ja) * | 2003-12-25 | 2011-11-09 | 株式会社東芝 | バーチャルペイシェントシステム |
US8082172B2 (en) * | 2005-04-26 | 2011-12-20 | The Advisory Board Company | System and method for peer-profiling individual performance |
AU2006254874A1 (en) * | 2005-06-08 | 2006-12-14 | Carefusion 303, Inc. | System and method for dynamic determination of disease prognosis |
WO2007142968A2 (en) * | 2006-05-30 | 2007-12-13 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer program products for evaluating a patient in a pediatric intensive care unit |
US7880607B2 (en) * | 2006-12-15 | 2011-02-01 | Motorola, Inc. | Intelligent risk management system for first responders |
US20090177102A1 (en) * | 2008-01-07 | 2009-07-09 | The General Electric Company | System, method and device for predicting sudden cardiac death risk |
US8417541B1 (en) * | 2009-08-27 | 2013-04-09 | Cerner Innovation, Inc. | Multi-stage model for predicting probabilities of mortality in adult critically ill patients |
US8607153B2 (en) * | 2009-12-30 | 2013-12-10 | Cerner Innovation, Inc. | Graphic for displaying multiple assessments of critical care performance |
-
2012
- 2012-06-18 JP JP2014516469A patent/JP6072021B2/ja not_active Expired - Fee Related
- 2012-06-18 CN CN201280031165.4A patent/CN103635908B/zh not_active Expired - Fee Related
- 2012-06-18 US US14/125,327 patent/US20140136225A1/en not_active Abandoned
- 2012-06-18 WO PCT/IB2012/053047 patent/WO2012176104A1/en active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6266645B1 (en) * | 1998-09-01 | 2001-07-24 | Imetrikus, Inc. | Risk adjustment tools for analyzing patient electronic discharge records |
US20080228090A1 (en) * | 2007-03-14 | 2008-09-18 | Cardiac Pacemakes, Inc. | Method and apparatus for management of heart failure hospitalization |
Also Published As
Publication number | Publication date |
---|---|
US20140136225A1 (en) | 2014-05-15 |
WO2012176104A1 (en) | 2012-12-27 |
CN103635908A (zh) | 2014-03-12 |
JP2014520335A (ja) | 2014-08-21 |
JP6072021B2 (ja) | 2017-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103635908B (zh) | 离开就绪性指标 | |
US11488711B2 (en) | Alarm notification system | |
DeVita et al. | “Identifying the hospitalised patient in crisis”—a consensus conference on the afferent limb of rapid response systems | |
Santamaria et al. | Changing cardiac arrest and hospital mortality rates through a medical emergency team takes time and constant review | |
Pickering et al. | Data utilization for medical decision making at the time of patient admission to ICU | |
ES2906145T3 (es) | Base de datos médica y sistema | |
US20090093686A1 (en) | Multi Automated Severity Scoring | |
US20180294046A1 (en) | Labor management system, labor management method, and labor management method | |
CN109074859A (zh) | 对患者紧急度的临床医师评估的估计和使用 | |
CA2883218A1 (en) | Methods and systems for calculating and using statistical models to predict medical events | |
JP2016520941A (ja) | 医療支援システム及び方法 | |
CN102197992A (zh) | 用于确定普通临床状态的指示的方法、装置和计算机程序产品 | |
de Grooth et al. | Early warning scores in the perioperative period: applications and clinical operating characteristics | |
Rossetti et al. | Leveraging clinical expertise as a feature-not an outcome-of predictive models: evaluation of an early warning system use case | |
US20230245779A1 (en) | System and method for peri-anaesthetic risk evaluation | |
US9978165B2 (en) | Dynamic presentation of waveform tracings in a central monitor perspective | |
EP3443492A1 (en) | Annotating data points associated with clinical decision support application | |
Tsampi et al. | Extending the Sana mobile healthcare platform with features providing ECG analysis | |
Scales et al. | Predicting time to death after withdrawal of life-sustaining measures using vital sign variability: derivation and validation | |
JP2023020667A (ja) | 医療情報処理方法、医療情報処理装置およびプログラム | |
Wong et al. | Identifying vital sign abnormality in acutely-ill patients | |
Knight et al. | Cardiovascular Signal Entropy Predicts All-Cause Mortality: Evidence from The Irish Longitudinal Study on Ageing (TILDA) | |
US20170354382A1 (en) | User interface for displaying predictive cardio information | |
Shirwaikar et al. | Design framework for a data mart in the neonatal intensive care unit | |
Chen et al. | SEPRES: Sepsis prediction via the clinical data integration system in the ICU |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180130 |