CN104040547B - 用于预测生理和临床状态改变的方法和系统 - Google Patents
用于预测生理和临床状态改变的方法和系统 Download PDFInfo
- Publication number
- CN104040547B CN104040547B CN201280063293.7A CN201280063293A CN104040547B CN 104040547 B CN104040547 B CN 104040547B CN 201280063293 A CN201280063293 A CN 201280063293A CN 104040547 B CN104040547 B CN 104040547B
- Authority
- CN
- China
- Prior art keywords
- patient
- vix
- data
- threshold values
- baseline
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 18
- 230000035479 physiological effects, processes and functions Effects 0.000 title description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 57
- 230000006866 deterioration Effects 0.000 claims description 18
- 238000007689 inspection Methods 0.000 claims description 13
- 230000002542 deteriorative effect Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 6
- 230000000474 nursing effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000035488 systolic blood pressure Effects 0.000 description 17
- 230000008901 benefit Effects 0.000 description 11
- 230000000004 hemodynamic effect Effects 0.000 description 9
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 8
- 210000004369 blood Anatomy 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 229940124572 antihypotensive agent Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000005534 hematocrit Methods 0.000 description 3
- 210000000265 leukocyte Anatomy 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000005526 vasoconstrictor agent Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 102000009123 Fibrin Human genes 0.000 description 1
- 108010073385 Fibrin Proteins 0.000 description 1
- BWGVNKXGVNDBDI-UHFFFAOYSA-N Fibrin monomer Chemical compound CNC(=O)CNC(=O)CN BWGVNKXGVNDBDI-UHFFFAOYSA-N 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010040070 Septic Shock Diseases 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 206010007625 cardiogenic shock Diseases 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000000502 dialysis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229950003499 fibrin Drugs 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008816 organ damage Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000036303 septic shock Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04C—ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT PUMPS
- F04C2270/00—Control; Monitoring or safety arrangements
- F04C2270/04—Force
- F04C2270/041—Controlled or regulated
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Abstract
临床决策支持系统(16)监测一个或多个患者。所述系统(16)包括被编程为从患者接收患者数据的一个或多个处理器(84)。对于每一个患者,基于患者数据可用性和/或患者背景来从多个监测规则中选择一个或多个监测规则。使用为患者选择的监测规则来做出关于患者是否正在恶化的确定。对确定所述患者正在恶化做出响应,生成警报。
Description
本申请涉及临床决策支持。它结合预测生理和临床状态改变而得到特别的应用,并且将特别地参照该生理和临床状态改变来描述本申请。然而,应该理解,它也在其它使用情况中得到应用,并且不必局限于前面提到的应用。
当照料患者时,临床医生对患者的恶化了解得越快,该临床医生就能够越快地采取矫正行动。这转而降低了最终器官损坏的可能性,特别是在血液动力恶化的情况中,并且通常改善患者结果。检测恶化典型地要求临床医生手动地审查多个生理参数的生理数据,例如收缩期血压和/或实验室数据。然而,临床医生照料大量患者,并且患者与临床医生的比率仅被预期增加。进而,生成生理数据的频率很高。这样,临床医生常常在检测恶化中被耽搁。
为了缓解这一问题,患者的自动监测变得日益普遍。然而,自动监测的主要挑战是警报疲劳。警报疲劳是下列情况:由于警报不具有实际临床意义的高概率,临床医生对临床警报变得麻木。简单的解决方案是升高警报阈值。然而,这降低了敏感度并且增加了未能检测到患者恶化的可能性。
另一解决方案是设置警报发出之后的禁止时段,因此类似的警报不被发出,直到满足重新进入工作状态的条件为止。在这样的方案中,重新进入工作状态的条件对减少警报是至关重要的。典型的重新进入工作状态的条件是从警报触发禁止时段并且然后在经过这一时段之后重新评估生理数据以来经过的预定时间量。这基于以下理念:在第一警报之后的任何警报可能基于类似的生理数据,并且因而不向临时医生提供任何额外的信息。临床医生或者已经计划采取行动来治疗患者,如果他/她同意警报,或者怀疑警报的有效性,并且在任一情况下将发现另一警报是不必要的。因而,禁止进一步的警报是合理的。
这一发布警报解决方案的一个缺点是,如果患者的情况在禁止时段内变坏,则不引起额外的警报。另一缺点是,所述预定时间量典型地是固定的。这样,所述预定时间量不适应于任何具体患者。进而,所述预定时间量不适合于个体的生理动力学或干预。
自动监测的其它挑战源于由自动监测系统典型地采用的预测模型。这样的预测模型典型地在人群数据的大数据库上被训练,从而,使用这样的预测模型的决策基于大人群的一般特征。进而,典型地不考虑个体和一般训练人群之间的差异。按照这种方式的训练对于具有与一般训练人群的生理标准不同的生理标准的某些患者会产生不必要的警报和/或不能够生成警报。
为了缓解这样的情况,来自临床医生的关于所发出的警报的有效性的直接反馈可以用于学习。然而,这样的方案对于不具有这一直接反馈学习的益处的系统是不可能的。因而,如果响应于预测的事件而提前数小时发出警报,则来自临床医生的关于警报的有效性的立即反馈是无意义的。
WO2006/136972涉及一种患者监测系统,其中复合作用评分生成器基于所感测的生理参数和较长间隔数据来生成或者更新指示患者的健康状况和/或恶化的各自评分。在监视器上指示的不同数据以及恶化可以产生警报。
本申请提供了克服上面提到的问题及其它问题的新的和改进的方法和系统。
根据一个方面,提供了用于监测一个或多个患者的临床决策支持系统。所述系统包括被编程为从患者接收患者数据的一个或多个处理器。对于每一个患者,基于患者数据可用性和/或患者背景来从多个监测规则中选择一个或多个监测规则。使用为患者选择的监测规则来做出关于患者是否恶化的确定。响应于确定所述患者正在恶化,生成警报。
根据在过去的预定时间量内的VIX值来计算所述患者的基线VIX;将所述基线VIX与VIX阈值进行比较;以及对所述VIX超出所述VIX阈值以及所述基线VIX超出所述VIX阈值的预定分数做出响应,确定所述患者正在恶化。根据另一方面,提供了用于监测一个或多个患者的方法。所述方法包括接收患者的患者数据。对于每一个患者,基于患者数据可用性和/或患者背景来从多个监测规则中选择一个或多个监测规则。使用为每一个患者选择的监测规则来做出关于患者是否恶化的确定。响应于确定所述患者正在恶化,对于该患者生成警报。
根据在过去的预定时间量内的VIX值来计算所述患者的基线VIX;将所述基线VIX与VIX阈值进行比较;以及对所述VIX超出所述VIX阈值以及所述基线VIX超出所述VIX阈值的预定分数做出响应,确定所述患者正在恶化。
根据另一方面,提供了用于评估患者的生理状况的稳定性的系统。所述系统包括被编程为接收患者的患者数据的一个或多个处理器。所述患者数据包括监测数据和患者特定背景数据。所述系统调节原始数据,因此能够在预测算法系统中利用这些原始数据。使用预测模型根据监测数据来计算生理状况的生命体征不稳定性指数(VIX)。基于可用的实验室数据来确定不稳定性的VIX阈值。至少部分地通过将VIX与VIX阈值进行比较来做出关于患者是否是不稳定的确定。响应于确定所述患者是不稳定的,生成警报。
根据在过去的预定时间量内的VIX值来计算所述患者的基线VIX;将所述基线VIX与VIX阈值进行比较;以及对所述VIX超出所述VIX阈值以及所述基线VIX超出所述VIX阈值的预定分数做出响应,确定所述患者正在恶化。
一个优点在于考虑多个生理参数的稳定性指数。
另一优点在于减少警报。
另一优点在于使临床医生的注意力集中于需要额外警惕的患者。
另一优点在于与高时延数据分开地处理低时延数据。
另一优点在于对异常患者情况的增加的敏感性。
另一优点在于对可用数据的适应性。
另一优点在于降低异常(outlie)触发警报的值的可能性。
另一优点在于调节到患者具有不是普通人群特有的状况的情况。
在阅读并且理解下面的具体实施方式时,本领域中的普通技术人员将认识到本发明的进一步的优点。
本发明可以采取各种部件和部件的布置的形式以及各种步骤和步骤的布置的形式。附图仅为了说明优选实施例的目的,并且不应该被解释为限制本发明。
图1是患者护理环境的信息技术(IT)基础设施的方框图。
图2是临床决策支持系统的方框图。
图3是血液动力稳定性的生命体征指数和相对应的输入的曲线表示。
图4是基线生命体征指数和生命体征指数的曲线表示。
图5是血液动力稳定性的生命体征指数和相对应的输入的曲线表示。
图6是临床决策支持系统的流程图。
图7是用于监测一个或多个患者的方法的方框图。
参照图1和图2,提供了照料一个或多个患者的诸如重症监护病房(ICU)的患者监测环境的信息技术(IT)基础设施10。IT基础设施10包括一个或多个患者数据生成器12、可选的患者信息系统14、临床决策支持系统(CDSS)16、一个或多个患者数据消耗装置18等等。适当地,IT基础设施10的部件经由诸如互联网、局域网、广域网、无线网络、虚拟专用网等等的通信网络20互连。
患者数据生成器12生成在患者监测环境中被照料的相应患者的患者数据。所述患者的患者数据包括生理数据,入院、出院和转院(ADT)数据,实验室数据,临床数据,结果数据和警报数据中的一个或多个。生理数据包括生理参数波形,典型地以预定采样率生成的生理参数的测量,该预定采样率例如是1秒或者在参数改变时,观察到的生理参数以及计算的生理参数中的一个或多个。这样的生理参数的示例包括收缩期血压(SBP)、心率(HR)、SpO2等等。ADT数据包括诸如年龄、国籍等等的用于人口统计特征数据的值,以及诸如不复苏(DNR)、仅舒适性措施(CMO)、允许自然死亡(AND)、准许进入医院或监护病房的原因等等的护理偏好。ADT数据典型地在患者入院或出院和/或在医疗机构的诸如ICU和/或普通病房的患者护理环境之间转移时生成。实验室数据包括实验室检验结果,并且典型地在发生诸如临床医生嘱咐实验室检验的事件时偶尔生成。临床数据包括指示被采取来改善患者的健康的动作以及其它观测的数据,该其它观测例如是意识水平、干预措施、透析、所配的药物、患者社会和先前病历、当前疾病历史、诸如基因组的患者拥有的其它社会或风险因素等等。结果数据包括指示患者的医学治疗和/或在医疗机构中逗留的结果的数据,例如患者的状况是否变坏或改善,患者是否死亡等等。典型地,结果数据在患者在医疗机构逗留期间在采取医学干预之后生成。警报数据是指示警报的数据,例如患者的恶化,并且典型地响应于恶化的检测而生成。
患者数据可以手动地和/或自动地生成,典型地取决于患者数据的类型。关于前者,可以采用用户输入22。可选地,患者数据生成器12包括为用户提供用户界面和/或用于向临床医生显示患者数据的显示设备24,在该用户界面内,用户手动地输入患者数据。关于后者,可以采用例如测量生理参数和/或实验室结果的诸如SpO2传感器的传感器26和/或监测和/或处理患者数据的处理器28。患者数据产生器的示例包括但不局限于生理监测器、移动通信设备、实验室系统、现场护理系统、临床信息系统等等。
患者信息系统14将来自IT基础设施10,例如来自患者数据生成器12和/或DCSS16,的患者数据存储在IT基础设施10的一个或多个数据库30中。例如,患者信息系统14可以存储来自患者数据生成器12之一的患者的SBP。患者信息系统14可以配置为将来自用户输入设备32的患者数据存储在数据库30中和/或允许在显示设备34上观看所存储的患者数据。显示设备34也可以用于促进数据从用户输入设备32的接收。适当地,患者信息系统14在预定的时间量,例如一年,内手动地存储患者数据,以便允许诸如CDSS16的IT基础设施10的其它部件访问历史患者数据。患者信息系统的示例包括但不局限于电子医疗记录系统、部门系统等等。
CDSS16从IT基础设施10,例如从患者数据生成器12和/或患者信息系统14,接收患者的患者数据。CDSS可以可选地配置为使得也从诸如用户输入设备36的其它源接收患者数据,可选地,显示设备38为用户提供用户界面,在该用户界面内用户输入患者数据,和/或诸如位于IT基础设施10外部的数据库。患者数据例如包括当前患者数据(例如,生理参数的当前测量)和/或历史患者数据(例如,生理参数的先前测量)。使用所接收的患者数据,CDSS16监测患者的健康状态。监测例如包括当患者的状况看起来恶化时生成警报、概括患者的状态的报告、生命体征不稳定性指数(VIX)值等等。
CDSS16可选地还包括过滤器40。所接收的患者数据中的至少一些经过过滤器40,其将患者数据调节为标准化格式和/或过滤不适合于监测患者的健康状态的患者数据。有利地,调节患者数据允许CDSS16在各种主机中被利用并且消耗来自各种主机的自然格式的数据。过滤可以包括下列操作中的一个或多个:将患者数据与预定范围的常态进行比较,确保患者数据满足对于可用性的时间标准,以及交叉检查患者数据。例如,生理数据典型地被过滤以便移除不在预定边界内和/或以其它方式高度不可能的测量,所述预定边界例如是指示可能值的边界。作为另一示例,ADT数据典型地被过滤以便移除不属于目标人口统计特征(例如,年龄、种族等等)的患者的ADT。例如,还没有达到诸如成年年龄(例如在美国通常是18岁)的预定年龄和/或超出诸如不可能是真的或不太可能的年龄的预定年龄的患者的ADT数据。作为又一示例,实验室结果典型地被过滤以便移除不在预定边界内和/或超出诸如24小时的预定时期的结果,所述预定边界例如是指示可能值的边界。有利地,这移除了陈旧的和/或可能位于外面的数据,从而降低了假警报的可能性。
CDSS16的VIX模块42根据所接收的患者数据(如所过滤的,在相关的场合)计算VIX值。VIX典型地将多个生理参数的低时延数据,例如当前生理数据,以及可选的静态数据,例如人口统计特征数据,组合为反映患者的生理状况的稳定性的单个度量,例如患者的血液动力状态、肺稳定性、营养稳定性等等。CDSS16可以配置为使得患者的VIX值显示在显示设备38上。可以连续地和/或在发生诸如定时器事件、用户输入事件、新数据的可用性等等的事件时计算VIX值。例如,临床医生可以手动地触发患者的VIX的计算,以便确定患者的血液动力稳定性。CDSS16能够进一步配置为使得保存VIX值用于历史分析,典型地保存在患者信息系统14中。
通过向选定的VIX模型提供预测变量的值来计算生理状况的稳定性的VIX值,该VIX模型基于预测变量来生成VIX值。预测变量是生理参数、诸如种族的从静态数据提取的特征以及与确定生理状况的稳定性有关的其它特征中的一个或多个。适当地,基于生理状况和/或数据的可用性从VIX模型数据库44中的多个VIX模型选择VIX模型。例如,选择第一VIX模型用于第一生理状况的稳定性,并且选择第二VIX模型用于第二生理状况的稳定性。作为另一示例,当无创SBP和HR的测量可用时选择第一VIX模型,并且当有创SBP和HR可用时选择第二VIX模型。进而,由模型产生的VIX值的典型范围在0和1之间,其中值越接近1,患者就越可能是不稳定的。能够使用诸如逻辑回归、多项式逻辑回归、线性回归和支持向量机学习的任何预测模型方法学来开发VIX模型。
一般VIX模型例如包括具有下列形式的血液动力不稳定性的逻辑回归模型:
其中
z=γ+β1*SBP+β2*SI+L
根据不同的患者子群体(心原性休克、溢血性休克、败血性休克等等)并且基于不同的源参数(有创SBP、无创SBP等等)来推导具体的VIX模型。该模型考虑在确定血液动力稳定性中是高度重要的预测变量的SBP和SI,并且返回在零和一之间的VIX。VIX越高,患者就越不稳定。在一些实例中,SBP的系数β1是负的。当SBP变得更低时,VIX倾向于增加,反映患者正在接近不太稳定的状态。进而,SI的系数β2是正的。当SI变得更高时,VIX也倾向于增加,再次反映稳定性的降低。以下讨论用于确定系数的方案。
参照图3,说明了根据时间的血液动力稳定性的典型VIX输出和相对应的输入。根据真实的患者数据来绘制输入。曲线的第一曲线图46和第二曲线图48分别表示患者的HR和SBP。如上所述,HR和SBP是在确定血液动力稳定性中高度重要的预测变量。在第三曲线图50中,显示了所计算的VIX值。我们可以看到,到第11.75小时为止,患者的VIX相当高(接近0.8),指示患者血液动力不稳定。虽然未说明,但是在第14小时,患者被配给血管加压药,指示血液动力不稳定性由临床医生识别。
回来参照图1和图2,VIX模块42可以进一步配置为根据历史患者数据生成和/或更新VIX模型。历史患者数据包括多个患者的记录,其中每一个记录包括多个变量的值以及指示患者对于正在更新和/或生成的预测模型的生理状况是否稳定的相对应的结果数据,该多个变量包括预测变量。使用记录,特别是变量和结果之间的关联性,以及诸如逻辑回归、多项式逻辑回归、线性回归和支持向量机学习的预测模型方法学,识别预测变量和/或用于预测结果的一个或多个规则。例如,多变量逻辑回归可以用来识别预测变量和上面描述的逻辑回归模型的系数。当VIX模块42用于更新VIX模型时,VIX模型典型地响应于诸如周期性定时器事件、用户输入事件、新历史患者数据的可用性等等而被更新。
CDSS16的规则模块52确定指示患者的不稳定性的VIX阈值。基于相对应的生理状况以及可选的诸如实验室数据和/或人口统计特征数据的背景数据来确定患者的VIX阈值。背景数据是描述下列项目中的一个或多个的数据:患者在护理过程中的哪里、患者的问题列表、干预、人口统计特征、实验室检验等等。背景数据不直接与VIX相关,但是提供关于应该对于特定的患者将阈值设置在哪里的指示。例如,具有0.9mg/dL的肌酸酐值的患者可以被认为是稳定的,具有.5的VIX值,而具有3.2mg/dL的肌酸酐值的患者可能不是稳定的。当没有关于患者的背景数据可用时,对于该患者采用一般阈值。否则,典型地采用基于所提供的背景数据的阈值。例如,如果生成诸如指示低红细胞比容或白蛋白水平的血液实验室结果的背景数据,则可以将VIX阈值调节到较低的值。
适当地根据VIX分类符数据库54的一个或多个VIX分类符的规则来确定VIX阈值,这些VIX分类符区分开多个变量的稳定性和不稳定性给定值,该多个变量包括VIX以及可选的诸如实验室检验的背景数据的一个或多个变量。规则模块52可以可选地包括输入变量的每一个可能集合的VIX分类符。例如,规则模块52可以包括仅由VIX值组成的输入的VIX分类符以及由VIX值和第一背景值组成的输入的VIX分类符,该第一背景值例如是特定实验室检验的实验室结果。可以使用诸如决策树算法的任何机器学习方法学来生成和/或更新VIX分类符。有利地,用于使用决策树分析来区分开稳定和不稳定的患者的任何规则集合将具有背景规则,指示在不存在任何背景数据的情况下VIX的阈值。例如,如果VIX大于0.6,则患者是不稳定的。除了这一背景规则以外,规则集合包括合并诸如实验室的背景数据并且根据该背景来增加或减小VIX阈值的规则。例如,如果VIX大于0.33并且肌酸酐大于1.6,则患者是不稳定的。
规则模块52也可以根据历史患者数据来生成和/或更新VIX分类符。历史患者数据包括多个患者的记录,其中每一个记录包括关系到检测患者的敏感性的输入变量的值,以及指示患者是否是稳定的结果数据,该输入变量包括VIX以及可选的诸如实验室检验的背景数据的变量。使用记录,特别是输入变量和结果之间的关联性,以及诸如决策树算法的机器学习算法,确定用于确定结果的一个或多个规则。当规则模块52用于更新分类符时,VIX分类符典型地响应于诸如周期性定时器事件、用户输入事件、新的历史患者数据的可用性等等的事件而被更新。
规则监控器和选择器模块56确定待监测的每一个患者要使用的一个或多个监测规则的集合和/或一个或多个VIX模型。监测规则采用诸如生理参数的一个或多个变量的值作为输入,并且提供关于患者是否正在恶化的指示。为了确定一个或多个监测规则的集合和/或一个或多个VIX模型,采用选择规则数据库58的一个或多个选择规则。选择规则从规则监测数据库60中的多个监测规则中选择一个或多个监测规则和/或从VIX数据库44中选择一个或多个VIX模型。适当地例如由临床专家手动地和/或使用机器学习算法自动地生成监测规则。
选择规则可以基于可用患者数据、患者背景和/或患者数据的源中的一个或多个。然而,典型地,选择规则基于诸如实验室数据和/或人口统计特征数据的背景数据。在背景数据可用的场合中,选择规则确定适应于可用的背景数据的监测规则的集合和/或VIX模型。在背景数据不可用的场合中,选择规则返回监测规则的一般集合和/或一般VIX模型选择。按照这种方式,规则监控器和选择器模块56适合于可用的患者数据。尽管基于背景数据的选择规则是典型的,但是可以设想其它选择方案。例如,设想规则监控器和模块56为每一个患者简单地返回监测数据的集合,而与背景数据的可用性无关。与监测规则类似,适当地例如由临床专家手动地和/或使用机器学习算法自动地生成选择规则。
监测规则可以基于VIX值。然而,采用VIX值的一个挑战是,例如由于错放的监测引线或者患者在臂位置上的突然改变或从俯卧到坐或站立位置的移动,高VIX值会是异常的生理数据的结果。特别是在采用自动患者监测的场合中,这样的数据会导致假警报。为了减小这些假警报的可能性,指示VIX如何运作的基线VIX(bVIX)由CDSS16的bVIX模块62计算。bVIX模块62根据历史患者数据计算bVIX值。许多方法可以用于估计一系列VIX值中的趋势。一些比另一些更复杂。在一个示例中,bVIX值是最大VIX值或者在过去的预定时间量,例如三个小时,内的90%值。
当采用bVIX时,仅在bVIX指示VIX中的上升趋势时才指示超出触发阈值的警报。然后,当前高VIX值更可能反映生理状况的真实状态。否则,假警报是更可能的。在一个示例中,当当前VIX值大于预定阈值并且bVIX是该阈值的至少某个分数(例如,3/4或2/3)时,检测到上升趋势。这意味着当前VIX高到足以引起警报,并且较早的VIX值已经相当高。然后并且仅在那时引起警报。如果bVIX太低,则当前VIX,尽管高,也更可能是畸变的,并且不引起警报。这一具体实现具有简单和有效的优点,并且已经证明在由于数据异常值而减少警报中是有效的。
参照图4,提供了患者在患者护理环境中逗留的一部分期间根据时间计算的该患者的VIX值64和相对应的bVIX值66的示例。参照大约第308小时,患者的VIX值达到足够高的值以便触发警报。然而,由于在这一时间点的bVIX值太低(~0.22),因此没有由于VIX中的这一尖峰而触发警报。按照这种方式,bVIX的实现使得不能够由于这一相当可能畸变的数据而触发警报。在患者逗留的随后,大约第314.5小时,患者的VIX再次变得足够高以便与不稳定性的阈值交叉。然而这次,bVIX也高到(~0.4)足以允许触发警报。本质上,bVIX对数据中的趋势敏感;由VIX值的逐渐增加产生的高VIX比突然增加的VIX更有可能是实际重要的生理改变的结果。
回来参照图1和图2,警报监控器模块68监测患者的患者数据并且在检测到恶化时生成警报。为了确定患者何时恶化,警报监控器模块68采用由规则监控器和选择器模块56确定的患者的监测规则的集合。如上所述,监测规则采取典型地从IT基础设施10接收到的诸如生理参数的一个或多个变量的值作为输入。进而,输入变量可以包括VIX。VIX值例如从VIX模块42接收,并且例如根据由规则监控器和选择器模块56做出的VIX模型选择来生成。进而,从规则模块52接收VIX值的监测规则的阈值。
当确定患者正在恶化时,生成对该效应的警报。根据警报规则数据库70中的一个或多个规则来适当地生成该警报并且将该警报呈送给临床医生。所述规则可以考虑医院政策、临床医生工作明细表、临床医生的待命状态、临床医生偏好等等中的一个或多个。例如,假设医院政策规定响应于特定类型的警报而向监督医生的随叫随到医生发布警报。进而,假设随叫随到医生希望按照诸如文本消息的特定方式被联系。所述规则可以用于生成并发送满足这些要求的警报。还设想警报逐步升级。警报逐步升级是在满足诸如预定时间量已经过去而没有接收到确认的条件之后通过将警报重新发送到相同或不同的临床医生来使警报逐步升级的理念。
除了发送警报以外,解除对相同恶化的警报(即,禁止触发),直到满足重新进入工作状态的条件为止。重新进入工作状态的条件可以例如包括预定时间量的过去。进而,可以例如通过自适应重新进入工作状态的方法来确定重新进入工作状态的条件。自适应方法预先假定对临床医生响应于与解除的警报相对应的生理状况的恶化而采取的典型干预措施的熟悉性以及指示由临床医生采用的干预的临床数据的可用性。进而,该自适应方法预先假定反映患者关于生理状况的稳定性的指数或参数。例如,当生理状况是血液动力稳定性时,所述指数或参数可以是VIX,并且典型的干预措施包括流体、血管加压药或包装的红血细胞的配给。
根据自适应方法,如果发出对于生理状况的恶化的警报,则在预定时间量,例如三个小时,内禁止发出对于相同恶化的警报。所述预定时间量与将发生恶化的预测的前置时间相对应,并且典型地取决于生理状况而变化。在所述预定时间量过去之后,基于典型地从IT基础设施10接收到的临床数据以及对于生理状况的典型干预措施的了解来做出关于是否已经采取干预措施来解决恶化的确定。
如果没有给予干预或者正在给予干预,则解除对于相同恶化的警报,除非和/或直到所述指数或参数与在初始警报时的指数或参数值相比较已经变坏了阈值量为止。该阈值量可以是固定的或可变的,例如到前一指数或参数值的距离的一半。通过按照这种方式重新进入工作状态,将在过去相当多的时间之后临床医生的干预的缺乏解释为在第一次警报时患者的状况对于那个特定患者是可接受的。因此,尽管指数或参数按照群体标准是不正常或不稳定的,但是该自适应方法也得知它是正常的。如果正在给予干预,则这由临床医生识别为确认,并且进一步的警报是不必要的。在干预结束之后,在预定时间量过去之后解除对于生理状况的恶化的警报。
参照图5,说明了在几个小时的过程中患者的VIX和相对应的输入,SBP72和HR74,的曲线。当患者的VIX值与警报阈值交叉时,在第214.5小时处生成警报。在第一次警报之后的三个小时的过程期间,不采取干预。这被解释为意味着在第一次警报时患者的动力学对那个特定患者是可接受的。因此,在过去三个小时之后,不生成警报,因为患者的VIX与它在第一次警报时相比不太高。然而,当达到第222.5小时的时间为止,VIX明显增加,并且因此发出患者的另一警报。应该注意,在第226小时,临床医生配血管加压药,指示患者确实经历了血管动力不稳定性的临床上显著的事件。
回来参照图1和图2,患者数据消耗装置18消耗来自患者的IT基础设施10,例如来自患者数据生成器12、CDSS16、患者信息系统14等等,的患者数据。例如,患者数据消耗装置18可以从CDSS16接收VIX值。作为另一示例,患者数据消耗装置18可以从患者数据生成器12接收呼吸率和心率。作为又一示例,患者数据消耗装置18可以从CDSS16接收警报。可选地,患者数据消耗装置18还从用户输入设备76接收患者数据,可选地,显示设备78为用户提供用户界面,在该用户界面内用户输入患者数据。患者数据消耗装置的示例包括但不局限于患者监测器、抽查患者监测器、移动通信设备、患者信息系统、临床决策支持系统等等。
消耗可以包括处理所接收的患者数据以便生成额外的患者数据和/或将患者数据合并到报告中。报告是诸如PDF、DCOX、DOC等等格式的计算机文件。可选地,将新生成的患者数据和/或新生成的报告保存在IT基础设施10中,例如保存在患者信息系统14中。进而可选地,使用例如电子邮件将新生成的报告电子发送到临床医生和/或例如使用激光打印机、喷墨打印机等等来打印该新生成的报告。消耗还可以包括在经由显示设备78呈现给临床医生的用户界面上显示至少一个患者的所接收的患者数据,例如警报或VIX值。当接收到患者数据时,典型地连续更新用户界面。有利地,这允许临床医生接近实时地监测患者。
当显示患者数据和/或生成报告时,报告和/或显示适当地包括至少患者姓名和至少一个患者的VIX值。在所接收的患者数据包括多个患者的患者数据的场合中,所接收的患者数据被适当格式化为表格结构,多个行与所述患者相对应。所述行可以可选地被分类和/或可以按照VIX的严重性进行分类。例如,临床医生可以采用用户输入设备76来基于VIX对患者数据的表格进行分类。进而,临床医生可以可选地选择性地观看VIX的细节。例如,临床医生可以采用用户输入设备76来选择患者的VIX,并且观看产生VIX的变量和各自值,可选地基于该变量和各自值的贡献来对这些变量和各自值进行分级。甚至,可以可选地基于类似的VIX来对患者进行分组。组例如包括极低风险、低风险、中等风险、高风险等等中的一个或多个。
在用户界面和/或报告中可以将VIX表示为文本值(例如分数、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)、前述项的组合等等中的一个或多个。例如,可以将VIX表示为具有取决于严重性的背景颜色的圆形,例如针对高风险的红色、针对中等风险的黄色和针对低风险的绿色。图标可以进一步包括覆盖在其上的文本值,可选地取决于严重性。例如,图标可以包括当严重性是中等时覆盖在其上的概率。还可以呈现VIX以便用作分立的消息(例如,警报、文本页、电子邮件、SMS等等)或者作为基于患者在预先配置或连续的时间范围中具有不稳定性事件的绝对概率的参数,或者作为基于VIX和为患者运行的其它CDSS算法的不稳定性的总体预测的标准化标度。
IT基础设施10的部件适当地包括执行体现前述功能的计算机可执行指令的处理器28、80、82、84,其中将计算机可执行指令存储在与处理器28、80、82、84相关联的存储器86、88、90、92上。CDSS16的处理器84例如执行位于CDSS16的一个或多个存储器92上的计算机指令,体现过滤器40、VIX模块42、警报模块68、规则模块52、规则监控器和选择器模块56以及bVIX模块62中的一个或多个的功能。然而设想至少一些前述功能可以在硬件中实现而不使用处理器。例如,可以采用模拟电路。进而,IT基础设施10的部件包括为处理器28、80、82、84提供从其通过通信网络20进行通信的接口的通信单元94、96、98、100。甚至,尽管分立地描述了IT基础设施10的前述部件,但是应该认识到,可以对部件进行组合。例如,患者数据消耗装置12和患者数据生成器18可以是相同的和/或具有重叠。作为另一示例,CDSS16可以与患者数据消耗装置18和/或患者数据生成器12集成。作为另一示例,可以将CDSS16、患者数据消耗装置18和患者数据生成器12组合在与通信网络20无关的独立设备中。
参照图6,说明了根据其中的一个实施例的CDSS16的操作的流程图。CDSS16从生理数据馈送装置102、ADT数据馈送装置104、实验室数据馈送装置106和临床数据馈送装置108接收患者数据。如所说明的,生理数据馈送装置102提供对于HR、SBP(有创和/或无创)、平均血压(MBP)(有创和/或无创)和心节律状态的测量;ADT数据馈送装置104提供患者的年龄、患者是否不想要被复苏、患者是否想要仅舒适性措施以及患者是否想要允许自然死亡;实验室数据馈送装置106提供血液检验的实验室结果,包括对肌酸酐(Cr)、血尿素氮(BUN)、白蛋白(Alb)、血细胞比容(HCT)、血色素(HB)、白血细胞(WBC)计数、重碳酸盐(HCO3)和凝血酶原时间(PT)的检验;并且临床数据馈送装置108描述提供给患者的药物(Med)、患者是否被给予透析、患者是否具有主动脉内气囊泵(IABP)、被配给患者的任何其它药物等等以及从患者抽取的任何样本。典型地,数据馈送装置102、104、106、108是患者数据生成器12。
包括生理数据、ADT数据和实验室数据的至少一些患者数据经过过滤器40。过滤器40对数据的格式进行标准化和/或确保HR和SBP在可能的范围内,例如无创MBP小于无创SBP,并且无创MBP降低相关联的无创SBP降低的50%。进而,过滤器40确保患者年龄是合理的并且超出诸如成年年龄(例如在美国通常是18岁)的预定年龄。甚至,过滤器40确保Cr、BUN、Alb、HCT、HB、WBC、HCO3和PT在可能的范围内,并且在24小时内执行检验(即,实验室检验的使用期限(TTL)是仅仅24小时)。
将经过滤的患者数据传到规则监控器和选择器模块56,其中它被规则监控器和选择器模块56使用来确定一个或多个监测规则的集合和/或一个或多个VIX模型,用于对待监测的每一个患者使用。如所说明的,可用的VIX模型包括无创模型和有创模型。患者数据用于提供患者的背景,并且基于这一背景,选择适当的监测规则和VIX模型。将VIX模型的确定传到VIX模块42,其使用选定的VIX模型来根据过滤的患者数据计算VIX值。将由VIX模块42计算的VIX值传到bVIX模块62,其使用三小时移动窗来根据VIX值计算bVIX值。将所确定的监测规则的集合传到确定VIX值的阈值的规则模块52。
警报监控器模块68接收规则和阈值以及VIX和bVIX值,并且经过应用该规则集合来监测患者恶化。当确定恶化时,警报监控器68向用户通知患者恶化并且解除对于相同恶化的警报。如所说明的,在12小时过去或者如果VIX变坏则在3小时之后使警报重新进入工作状态。进而,如果患者是DNR、CMO或AND,则监测规则不发布警报,和/或如果患者在透析,则CR和BUN规则被抑制。警报监控器模型68还具有经由CDSS16从用户接收关于用户的期望警报行为的反馈的能力。在这种情况下,部署CDSS16,其中不存在与在患者信息系统14中用图表表示的干预的联系,用户具有指示干预被计划的能力,因而抑制新的警报直到用户指示干预完成或状况变坏到新的阈值为止,该新的阈值基于第一警报和由用户指示的干预的类型。
参照图7,提供了用于监测患者的方法150的方框图。方法150适当地由CDSS16执行,并且包括(152)患者的患者数据。对患者接收的患者数据的类型可以在患者之间改变。对于每一个患者,基于患者数据可用性和/或患者背景从规则监测数据库60选择(154)一个或多个监测规则。如上所述,背景数据是描述下列项目中的一个或多个的数据:患者在护理过程中的哪里、患者的问题列表、干预、人口统计特征、实验室检验等等。使用为患者选择的监测规则来确定(156)患者的患者恶化,并且对确定患者恶化做出响应,生成(158)警报。按照这一方式,每一个患者以适应于他们的规则的集合被监测。
如本文使用的,存储器包括下列项目中的一个或多个:非暂态计算机可读介质;磁盘或其它磁性存储介质;光盘或其它光学存储介质;随机存取存储器(RAM)、只读存储器(ROM)或其它电子存储器设备或芯片或可操作地互连的芯片的集合;互联网/内联网服务器,所存储的指令可以经由互联网/内联网或局域网从该互联网/内联网服务器取回;等等。进而,如本文使用的,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;显示设备包括液晶显示器(LCD)、发光二极管(LED)显示器、等离子体显示器、投影显示器、触摸屏显示器等等中的一个或多个;并且数据库包括一个或多个存储器。
参照优选实施例描述了本发明。在阅读和理解前述的具体实施方式时,其他人可以想到修改和变更。例如,尽管将VIX讨论为检测不稳定患者的手段,但是VIX也可以用于确定哪些患者处于安全稳定的状态中,以便优先考虑他/她的时间或者决定谁可以从例如ICU移动到普通病房,因为延长的非常低的VIX值指示非常稳定的患者。意图是将本发明解释为包括所有这样的修改和变更,只要它们在所附权利要求或其等效形式的范围内。
Claims (17)
1.一种用于监测一个或多个患者的临床决策支持系统(16),所述系统(16)包括:
一个或多个处理器(84),被编程为:
接收所述患者的患者数据;
对于每一个患者,基于患者数据可用性和/或患者背景来从多个监测规则中选择一个或多个监测规则;
使用为患者选择的监测规则来确定或者预测所述患者是否正在恶化;以及
对确定所述患者正在恶化做出响应,生成警报,
其中,所述处理器(84)进一步被编程为:
根据在过去的预定时间量内的多个生命体征不稳定性指数(VIX)值来计算所述患者的基线VIX;
将所述基线VIX与VIX阈值进行比较;以及
对所述VIX超出所述VIX阈值以及所述基线VIX超出所述VIX阈值的预定分数做出响应,确定所述患者正在恶化。
2.如权利要求1所述的临床决策支持系统(16),其中,进一步基于患者数据源来选择每一个患者的所述监测规则。
3.如权利要求1和2中的任意一项所述的临床决策支持系统(16),其中,患者的背景包括下列项目中的一个或多个:所述患者在护理过程中的哪里、所述患者的问题列表、对所述患者的临床干预、所述患者的人口统计特征、对所述患者执行的实验室检验。
4.如权利要求1和2中的任意一项所述的临床决策支持系统(16),其中,所述处理器(84)进一步被编程为:
基于患者数据可用性和/或患者背景来选择所述患者的生理状况的稳定性的预测模型;以及
使用所述预测模型来根据所述患者数据计算所述患者的生命体征指数(VIX);
其中,所述确定包括将所述VIX与不稳定性的VIX阈值进行比较。
5.如权利要求1和2中的任意一项所述的临床决策支持系统(16),其中,所述临床决策支持系统(16)适合于可用数据和/或自然地处理在主机之间不同的患者数据格式。
6.如权利要求1所述的临床决策支持系统(16),其中,所述基线VIX是在所述过去的预定时间量期间的最大VIX。
7.如权利要求1和2中的任意一项所述的临床决策支持系统(16),其中,所述处理器(84)进一步被编程为:
过滤所接收的患者数据以便移除未能满足常态范围、可使用性的时间标准和交叉参数检查中的一个或多个的患者数据。
8.如权利要求1和2中的任意一项所述的临床决策支持系统(16),其中,所述处理器(84)进一步被编程为:
对根据稳定性的指数或参数确定所述患者正在恶化做出响应,解除对于相同恶化的进一步警报,直到满足多个重新进入工作状态的条件中的至少一个为止,所述重新进入工作状态的条件包括:
第一重新进入工作状态的条件,包括:
过去第一预定时间量;
在所述第一预定时间量期间没有给予干预;以及
所述指数或参数与当所述患者恶化时的指数或参数的值相比较变坏了预定量;以及
第二重新进入工作状态的条件,包括:
过去所述第一预定时间量;
在所述第一预定时间量期间给予了干预;以及
过去第二预定时间量。
9.一种计算机可读介质,所述计算机可读介质其上存储有指令,所述指令在由处理器执行时使所述处理器:
接收(152)患者的患者数据;
对于每一个患者,基于患者数据可用性和/或患者背景来从多个监测规则中选择(154)一个或多个监测规则;
根据在过去的预定时间量内的多个VIX值来计算所述患者的基线VIX;
将所述基线VIX与VIX阈值进行比较;以及
对所述VIX超出所述VIX阈值以及所述基线VIX超出所述VIX阈值的预定分数做出响应,确定所述患者正在恶化。
10.如权利要求9所述的计算机可读介质,其中,患者的背景包括下列项目中的一个或多个:所述患者在护理过程中的哪里、所述患者的问题列表、对所述患者的临床干预、所述患者的人口统计特征、以及对所述患者执行的实验室检验。
11.如权利要求9和10中的任意一项所述的计算机可读介质,所述指令在由处理器执行时还使所述处理器:
基于患者数据可用性和/或患者背景来选择所述患者的生理状况的稳定性的预测模型;以及
使用所述预测模型来根据所述患者数据计算所述患者的生命体征指数(VIX);
其中,所述确定包括将所述VIX与不稳定性的VIX阈值进行比较。
12.一种用于监测一个或多个患者的装置,所述装置包括:
用于接收患者的患者数据的模块;
用于对于每一个患者,基于患者数据可用性和/或患者背景来从多个监测规则中选择一个或多个监测规则的模块;
用于根据在过去的预定时间量内的多个VIX值来计算所述患者的基线VIX的模块;
用于将所述基线VIX与VIX阈值进行比较的模块;以及
用于对所述VIX超出所述VIX阈值以及所述基线VIX超出所述VIX阈值的预定分数做出响应确定所述患者正在恶化的模块。
13.根据权利要求12所述的装置,其中,患者的背景包括下列项目中的一个或多个:所述患者在护理过程中的哪里、所述患者的问题列表、对所述患者的临床干预、所述患者的人口统计特征、以及对所述患者执行的实验室检验。
14.根据权利要求12和13中的任意一项所述的装置,还包括:
用于基于患者数据可用性和/或患者背景来选择所述患者的生理状况的稳定性的预测模型的模块;以及
用于使用所述预测模型来根据所述患者数据计算所述患者的生命体征指数(VIX)的模块;
其中,所述确定包括将所述VIX与不稳定性的VIX阈值进行比较。
15.一种用于评估患者的生理状况的稳定性的系统(16),所述系统(16)包括:
一个或多个处理器(84),被编程为:
接收所述患者的患者数据,所述患者数据包括监测数据和背景数据;
使用预测模型来根据所述监测数据计算所述生理状况的生命体征指数(VIX);
根据所述背景数据来确定不稳定性的VIX阈值;
至少部分地通过对所述VIX与所述VIX阈值进行比较来确定所述患者是否是不稳定的;以及
对确定所述患者是不稳定的做出响应,生成警报,
其中,所述处理器进一步被编程为:
根据在过去的预定时间量内的多个VIX值来计算所述患者的基线VIX;
对所述基线VIX与VIX阈值进行比较;以及
对所述VIX超出所述VIX阈值以及所述基线VIX超出所述VIX阈值的预定分数做出响应,确定所述患者是不稳定的。
16.如权利要求15所述的系统(16),其中,所述基线VIX是在所述过去的预定时间量内的最大VIX。
17.如权利要求15-16中的任意一项所述的系统(16),其中,使用逻辑回归、多项式逻辑回归、线性回归和支持向量机中的一个或多个来生成所述预测模型,和/或其中,使用诸如决策树算法的机器学习算法来确定所述VIX阈值,和/或其中,所述背景数据包括实验室数据和/或所述监测数据包括生理数据。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201161578512P | 2011-12-21 | 2011-12-21 | |
US61/578,512 | 2011-12-21 | ||
US201261600140P | 2012-02-17 | 2012-02-17 | |
US61/600,140 | 2012-02-17 | ||
PCT/IB2012/057076 WO2013093692A2 (en) | 2011-12-21 | 2012-12-07 | Method and system to predict physiologic and clinical status changes |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104040547A CN104040547A (zh) | 2014-09-10 |
CN104040547B true CN104040547B (zh) | 2018-10-12 |
Family
ID=47666426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280063293.7A Active CN104040547B (zh) | 2011-12-21 | 2012-12-07 | 用于预测生理和临床状态改变的方法和系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20150006088A1 (zh) |
EP (1) | EP2795495B1 (zh) |
JP (2) | JP6138820B2 (zh) |
CN (1) | CN104040547B (zh) |
BR (1) | BR112014014841A2 (zh) |
WO (1) | WO2013093692A2 (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5860901B2 (ja) * | 2011-01-05 | 2016-02-16 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 有意義な臨床警告を配信するシステム及び方法 |
US11676730B2 (en) * | 2011-12-16 | 2023-06-13 | Etiometry Inc. | System and methods for transitioning patient care from signal based monitoring to risk based monitoring |
WO2015054156A1 (en) * | 2013-10-08 | 2015-04-16 | COTA, Inc. | Clinical outcome tracking and analysis |
US10468126B1 (en) | 2014-08-19 | 2019-11-05 | Multiscale Health Networks, Llc. | Clinical activity network generation |
CN105684394B (zh) | 2014-12-18 | 2021-04-02 | 德尔格制造股份两合公司 | 目标警报系统中的警报路由优化策略 |
CN104715568A (zh) * | 2015-03-07 | 2015-06-17 | 上海恩辅信息科技有限公司 | 用于家庭环境监控的大数据系统及方法 |
CN106681997B (zh) * | 2015-11-05 | 2020-09-08 | 中国移动通信集团公司 | 一种信息处理方法及装置 |
EP3394775A1 (en) * | 2015-12-21 | 2018-10-31 | Koninklijke Philips N.V. | Behavior trained clinical support |
WO2017203002A1 (en) * | 2016-05-24 | 2017-11-30 | Koninklijke Philips N.V. | Methods and systems for providing customized settings for patient monitors |
US9965945B2 (en) * | 2016-09-30 | 2018-05-08 | General Electric Company | Patient monitoring system and method configured to suppress an alarm |
US11694809B2 (en) * | 2016-10-05 | 2023-07-04 | Koninklijke Philips N.V. | Patient monitoring systems and methods |
KR102579786B1 (ko) * | 2016-11-14 | 2023-09-15 | 코타 인코포레이티드 | 임상 결과들을 개선하고 총 케어 비용을 감소시키기 위한 cna-유도 케어 |
CN107392644A (zh) * | 2017-06-19 | 2017-11-24 | 华南理工大学 | 一种商品购买预测建模方法 |
KR20200003407A (ko) * | 2017-07-28 | 2020-01-09 | 구글 엘엘씨 | 전자 건강 기록으로부터 의료 이벤트를 예측 및 요약하기 위한 시스템 및 방법 |
US10573155B2 (en) * | 2017-12-07 | 2020-02-25 | Covidien Lp | Closed loop alarm management |
EP3522173B1 (de) * | 2018-02-01 | 2024-04-03 | Vorwerk & Co. Interholding GmbH | System mit vitaldatensensor und auswertungseinheit |
US11942222B2 (en) * | 2018-06-18 | 2024-03-26 | Zoll Medical Corporation | Medical device for estimating risk of patient deterioration |
WO2020030480A1 (en) * | 2018-08-08 | 2020-02-13 | Koninklijke Philips N.V. | Incorporating contextual data in a clinical assessment |
EP3660802A1 (en) * | 2018-11-27 | 2020-06-03 | Koninklijke Philips N.V. | Predicting critical alarms |
CN111671394A (zh) * | 2020-05-12 | 2020-09-18 | 中国医学科学院北京协和医院 | 一种重症监护报警方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101073496A (zh) * | 2006-05-17 | 2007-11-21 | 优盛医学科技股份有限公司 | 可判断心跳不规则的方法及其装置 |
CN101203172A (zh) * | 2005-06-22 | 2008-06-18 | 皇家飞利浦电子股份有限公司 | 测量瞬时患者急性值的设备 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2924367A1 (de) * | 1979-06-16 | 1980-12-18 | Bayer Ag | Verfahren und vorrichtung zur individuellen ueberwachung der belastung von personen durch schaedliche gase |
IL118389A0 (en) * | 1996-05-22 | 1996-09-12 | Gat Yigal | Fetal monitoring system and method |
US6312378B1 (en) * | 1999-06-03 | 2001-11-06 | Cardiac Intelligence Corporation | System and method for automated collection and analysis of patient information retrieved from an implantable medical device for remote patient care |
US6754516B2 (en) * | 2001-07-19 | 2004-06-22 | Nellcor Puritan Bennett Incorporated | Nuisance alarm reductions in a physiological monitor |
US20040034288A1 (en) * | 2002-02-20 | 2004-02-19 | Hennessy Gary R. | Chronic disease outcomes education and communication system |
US7986994B2 (en) * | 2002-12-04 | 2011-07-26 | Medtronic, Inc. | Method and apparatus for detecting change in intrathoracic electrical impedance |
US20060025931A1 (en) * | 2004-07-30 | 2006-02-02 | Richard Rosen | Method and apparatus for real time predictive modeling for chronically ill patients |
WO2006133368A2 (en) * | 2005-06-08 | 2006-12-14 | Mediqual | System for dynamic determination of disease prognosis |
US7780606B2 (en) * | 2006-03-29 | 2010-08-24 | Cardiac Pacemakers, Inc. | Hemodynamic stability assessment based on heart sounds |
US8852094B2 (en) * | 2006-12-22 | 2014-10-07 | Masimo Corporation | Physiological parameter system |
WO2009051658A1 (en) * | 2007-10-12 | 2009-04-23 | Cardiac Pacemakers, Inc. | Decompensation detection based on heart failure co-morbidities |
US8275553B2 (en) * | 2008-02-19 | 2012-09-25 | Nellcor Puritan Bennett Llc | System and method for evaluating physiological parameter data |
US8510126B2 (en) * | 2008-02-24 | 2013-08-13 | The Regents Of The University Of California | Patient monitoring |
US20090326340A1 (en) * | 2008-06-30 | 2009-12-31 | Hui Wang | Patient Monitor Alarm System And Method |
US20100023342A1 (en) * | 2008-07-25 | 2010-01-28 | Cardinal Health 303, Inc. | Use of clinical laboratory data to identify inpatient hospital complications |
US8512260B2 (en) * | 2008-10-29 | 2013-08-20 | The Regents Of The University Of Colorado, A Body Corporate | Statistical, noninvasive measurement of intracranial pressure |
US8682612B2 (en) * | 2008-12-18 | 2014-03-25 | Abb Research Ltd | Trend analysis methods and system for incipient fault prediction |
JP5210264B2 (ja) * | 2009-05-12 | 2013-06-12 | 徳雄 齋藤 | 生体情報を収集し伝達する装置 |
RU2538623C2 (ru) * | 2009-06-18 | 2015-01-10 | Конинклейке Филипс Электроникс, Н.В. | Контроль экг с пониженными ложными тревогами в связи с асистолией |
US20110009753A1 (en) * | 2009-07-10 | 2011-01-13 | Yi Zhang | Respiration Rate Trending for Detecting Early Onset of Worsening Heart Failure |
EP2454696A1 (en) * | 2009-07-15 | 2012-05-23 | Koninklijke Philips Electronics N.V. | Method for automatic setting time varying parameter alert and alarm limits |
US20130191097A1 (en) * | 2010-01-04 | 2013-07-25 | Mayo Foundation For Medical Education And Research | Erythropoietic stimulating agent (esa) dosage determination |
GB2490832B (en) * | 2010-03-01 | 2016-09-21 | Masimo Corp | Adaptive alarm system |
CN102151136A (zh) * | 2011-01-06 | 2011-08-17 | 南京工程学院 | 一种便携式小型运动负荷监测设备及其监控方法 |
-
2012
- 2012-12-07 WO PCT/IB2012/057076 patent/WO2013093692A2/en active Application Filing
- 2012-12-07 US US14/366,876 patent/US20150006088A1/en not_active Abandoned
- 2012-12-07 JP JP2014548263A patent/JP6138820B2/ja active Active
- 2012-12-07 BR BR112014014841A patent/BR112014014841A2/pt not_active Application Discontinuation
- 2012-12-07 EP EP12821306.3A patent/EP2795495B1/en active Active
- 2012-12-07 CN CN201280063293.7A patent/CN104040547B/zh active Active
-
2017
- 2017-04-26 JP JP2017086792A patent/JP6526735B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101203172A (zh) * | 2005-06-22 | 2008-06-18 | 皇家飞利浦电子股份有限公司 | 测量瞬时患者急性值的设备 |
CN101073496A (zh) * | 2006-05-17 | 2007-11-21 | 优盛医学科技股份有限公司 | 可判断心跳不规则的方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
JP2017152030A (ja) | 2017-08-31 |
JP6526735B2 (ja) | 2019-06-05 |
BR112014014841A2 (pt) | 2017-06-13 |
CN104040547A (zh) | 2014-09-10 |
US20150006088A1 (en) | 2015-01-01 |
WO2013093692A2 (en) | 2013-06-27 |
JP6138820B2 (ja) | 2017-05-31 |
JP2015501058A (ja) | 2015-01-08 |
EP2795495B1 (en) | 2019-09-04 |
WO2013093692A3 (en) | 2013-10-24 |
EP2795495A2 (en) | 2014-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104040547B (zh) | 用于预测生理和临床状态改变的方法和系统 | |
EP2850550B1 (en) | Method of rendering hemodynamic instability index indicator information | |
US10813580B2 (en) | Alarm fatigue management systems and methods | |
US11587677B2 (en) | Predicting intensive care transfers and other unforeseen events using machine learning | |
EP2696746B1 (en) | Stepped alarm method for patient monitors | |
US9113778B2 (en) | Predicting near-term deterioration of hospital patients | |
CN103635908B (zh) | 离开就绪性指标 | |
CN104823195A (zh) | 一种降低临床设定中的妨害性警报负荷的方法和系统 | |
EP4012721A1 (en) | Hemodynamic instability index indicator | |
WO2022122517A1 (en) | Hemodynamic instability index indicator | |
US11961621B2 (en) | Predicting intensive care transfers and other unforeseen events using machine learning | |
Soma et al. | A survey on iomt based food recommendation system | |
CN103476328B (zh) | 用于患者监测器的阶梯式警报方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |