CN105593860B - 用于确定复合评分分布的装置和患者健康状态确定器 - Google Patents
用于确定复合评分分布的装置和患者健康状态确定器 Download PDFInfo
- Publication number
- CN105593860B CN105593860B CN201480054182.9A CN201480054182A CN105593860B CN 105593860 B CN105593860 B CN 105593860B CN 201480054182 A CN201480054182 A CN 201480054182A CN 105593860 B CN105593860 B CN 105593860B
- Authority
- CN
- China
- Prior art keywords
- scoring
- distribution
- composite score
- branch mailbox
- vital sign
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 105
- 239000002131 composite material Substances 0.000 title claims abstract description 86
- 230000036541 health Effects 0.000 title claims description 83
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 230000003862 health status Effects 0.000 claims abstract description 13
- 238000009528 vital sign measurement Methods 0.000 claims abstract description 13
- 239000004615 ingredient Substances 0.000 claims abstract description 5
- 238000003860 storage Methods 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 7
- 230000002045 lasting effect Effects 0.000 claims 2
- 238000000034 method Methods 0.000 abstract description 12
- 238000012986 modification Methods 0.000 description 18
- 230000004048 modification Effects 0.000 description 18
- 238000013459 approach Methods 0.000 description 8
- 230000036387 respiratory rate Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000035488 systolic blood pressure Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- TVZRAEYQIKYCPH-UHFFFAOYSA-N 3-(trimethylsilyl)propane-1-sulfonic acid Chemical compound C[Si](C)(C)CCCS(O)(=O)=O TVZRAEYQIKYCPH-UHFFFAOYSA-N 0.000 description 1
- 208000030090 Acute Disease Diseases 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G16H50/30—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种方法包括使用至少第一预定分箱和第二预定分箱，来生成分别针对生命体征测量结果的至少第一集合和第二集合的至少第一直方图和第二直方图。所述生命体征测量结果的所述第一集合和所述第二集合中的每个包括在不同时间处采集的至少两个测量结果，并且第一生命体征和第二生命体征是不同的生命体征。所述方法还包括通过将所述第一预定分箱中的每个分箱映射到对应的预定评分来生成针对所述第一生命体征的第一评分分布。所述方法还包括通过将所述第二预定分箱中的每个分箱映射到对应的预定评分来生成针对所述第二生命体征的第二评分分布。所述方法还包括基于所述第一评分分布和所述第二评分分布来生成针对所述第一生命体征和所述第二生命体征的复合评分分布，所述复合评分分布指示患者的健康状态。
Description
技术领域
下文总体上涉及监测患者的健康状态，并且更具体而言涉及通过患者健康状态复合评分分布和/或基于其的代表性复合评分来确定患者的健康状态。
背景技术
诸如早期预警(体温)的患者健康状态评分和/或其他评分被用在患者监测中，以帮助医疗提供者评估患者状况的严重性以及其恶化风险。这样的评分通常基于对生命体征的集合的单一观测。例如，在医院中，护士每次当班可能都要从病房到病房地跑很多次(例如，在其当班的开始和中间)，并获取诸如呼吸率、心率、收缩压、温度等的生命体征，并且通过观测和询问评估每个患者的神经状况。
来自一轮询查的信息已经被用于创建早期预警评分。图1示出了现有技术早期预警评分的范例。该早期预警评分采取表格或矩阵形式，其中，每列表示在标题单元中指示的具体评分值，每行表示标题单元中指示的健康状态参数(例如，生命体征)，体中的单元包括将评分值映射到健康状态参数的标准。在该具体范例中，呼吸率为17、心率为60、收缩压为90、温度为37并且表现出“疼痛”症状的患者具有4(或者1+0+1+0+2)的评分。
遗憾的是，该途径提供了患者健康状态的窄时间快照(单一时刻)。此外，该途径没有充分利用所有的可用信息，诸如，通过(例如)连续或者周期性地自动测量健康状态参数的床旁电子设备或监视器利用更高的频率获得的健康状态信息。此外，从病房到病房并从患者到患者地跑，并且人工采集健康状态参数或调用健康状态参数的自动采集耗费了医疗保健提供者的时间，其在其他情况下能够被用于提供患者护理。
出版物L.Tarassenko等的“Early warning scores derived from Statisticaldistributions of vital signs",Resuscitation,Elsevier,IE,vol.82,no.8,11March2011(2011-03-11),第1013-1018页描述了一种基于处于风险中的入院就诊患者的生命体征的统计学性质的早期预警评分(EWS)系统。使用床旁监护仪从863名急症入院患者采集的生命体征数据的大的数据集被用于研究四种主要生命体征的统计学性质。针对四个变量中的每个绘制归一化直方图和累积分布函数。使用总合数据库对基于百分位数的警报系统进行建模。
本文描述的各个方面解决了上述问题及其他问题。
发明内容
下文将描述一种途径，其中，多个不同健康状态参数测量结果的集合被用于确定患者健康状态复合评分分布和/或基于其的代表性单一复合评分。在一个实例中，所述复合评分分布和/或代表性单一复合评分便于对患者健康状态的评价。
在一个方面中，提供了一种根据权利要求1所述的用于确定患者健康状态复合评分分布的方法。其包括使用至少第一预定分箱和第二预定分箱，来生成分别针对生命体征测量结果的至少第一集合和第二集合的至少第一直方图和第二直方图。所述生命体征测量结果的所述第一集合和所述第二集合中的每个包括在不同时间处采集的至少两个测量结果，并且第一生命体征和第二生命体征是不同的生命体征。所述方法还包括通过将所述第一预定分箱中的每个分箱映射到对应的预定评分来生成针对所述第一生命体征的第一评分分布。所述方法还包括通过将所述第二预定分箱中的每个分箱映射到对应的预定评分来生成针对所述第二生命体征的第二评分分布。所述方法还包括基于所述第一评分分布和所述第二评分分布来生成针对所述第一生命体征和所述第二生命体征的复合评分分布，所述复合评分分布指示患者的健康状态。
在另一方面中，一种患者健康状态确定器包括至少一个直方图生成器，所述至少一个直方图生成器使用至少第一预定分箱和第二预定分箱，来生成分别针对生命体征测量结果的至少第一集合和第二集合的至少第一直方图和第二直方图。所述生命体征测量结果的所述第一集合和所述第二集合中的每个包括在不同时间处采集的至少两个测量结果，并且第一生命体征和第二生命体征是不同的生命体征。所述患者健康状态确定器还包括个体评分分布确定器，所述个体评分分布确定器通过将所述第一预定分箱中的每个分箱映射到对应的预定评分来确定针对所述第一生命体征的第一评分分布，并且通过将所述第二预定分箱中的每个分箱映射到对应的预定评分来确定针对所述第二生命体征的第二评分分布。所述患者健康状态确定器还包括复合评分分布确定器，所述复合评分分布确定器基于所述第一评分分布和所述第二评分分布来确定针对所述第一生命体征和所述第二生命体征的复合评分分布，其中，所述复合评分分布指示患者的健康状态。
在另一方面中，一种计算机可读存储介质被编码有计算机可读指令，所述计算机可读指令当由处理器运行时令所述处理器：使用至少第一预定分箱和第二预定分箱，来生成分别针对生命体征测量结果的至少第一集合和第二集合的至少第一直方图和第二直方图。所述生命体征测量结果的所述第一和第二集合中的每个包括在不同时间处采集的至少两个测量结果。第一生命体征和第二生命体征是不同的生命体征。所述计算机可读指令当由处理器运行时还令所述处理器通过将所述第一预定分箱中的每个分箱映射到对应的预定评分来生成针对所述第一生命体征的第一评分分布。所述计算机可读指令当由处理器运行时还令所述处理器通过将所述第二预定分箱中的每个分箱映射到对应的预定评分来生成针对所述第二生命体征的第二评分分布。所述计算机可读指令当由处理器运行时还令所述处理器基于所述第一评分分布和所述第二评分分布来生成针对所述第一生命体征和所述第二生命体征的复合评分分布。所述复合评分分布指示患者的健康状态。
附图说明
本发明可以采取各种部件和各部件布置的形式，并且可以采取各种步骤和各步骤安排的形式。附图仅是为了图示优选实施例，而不应被解释为对本发明的限制。
图1示出了现有技术早期预警评分。
图2示意性图示了范例患者健康状态确定器，其包括与对象和一个或多个健康状态参数传感器结合的复合评分分布确定器。
图3图示了在特定预定义时间窗口内采集的针对健康状态参数的生理测量结果的集合的范例。
图4图示了针对图3的测量结果的集合生成的范例直方图。
图5图示了基于针对多个不同健康状态参数的直方图的范例个体评分分布。
图6示意性图示了复合评分分布确定器的范例。
图7示意性图示了复合评分分布的范例。
图8示意性图示了图2的包括代表性复合评分确定的变型。
图9图示了范例累积复合评分直方图。
图10示意性图示了图2或图3的包括滤波器的变型。
图11示意性图示了图2、图3或图10的包括跟踪器的变型。
图12示意性图示了图2、图3、图10或图11的包括评价器的变型。
图13图示了根据本文的范例的另一范例方法。
具体实施方式
下文描述了用于根据可评分的测量的患者健康状态参数的集合确定患者健康度量-复合评分分布的途径。任选地，基于其的代表性单一复合评分。额外地或备选地，所述状况状态度量能够以其他方式被用于评估患者状态的不确定性、患者状态随着时间的发展以及其他特征。能够将用于由单一观测导出单一每观测评分的算法、用于由各单一观测/单一每观测评分导出单一复合评分的算法和/或其他算法与该途径一起使用。
图2示意性图示了与对象202(例如，人或动物)和N个状态参数传感器204结合的范例患者健康状态确定器200，所述状态参数传感器包括健康状态参数传感器2041、……、健康状态参数传感器204N(其中，N是大于等于1的整数)。
在一个实例中，健康状态参数传感器204中的至少一个感测健康状态信息，诸如但不限于，收缩压、呼吸率、心率或温度中的一个或多个。例如，健康状态参数传感器204的健康状态参数传感器可以包括(非侵入式的或者侵入式)血压监测器等。健康状态参数传感器204在其处进行感测的频率取决于被感测的具体健康状态参数。
任选地，健康状态参数传感器204的健康状态参数传感器包括相机(静态和/或视频)、录音机等，所述健康状态参数传感器感测对象移动、行为、情感等和/或语言、声音等。能够由计算机和/或人对这样的信息进行评价，以确定对象的神经状态，诸如，他们是否为警觉的、无反应的、在说话、处于疼痛中等。人也能够进行观测并将观测结果输入到健康状态参数传感器204中。
健康状态参数传感器204生成指示感测的健康状态参数的电信号。所述信号能够是模拟和/或数字信号。能够将模拟信号转换为数字信号。在将所述信号传达到健康状态参数传感器204外部的设备时，能够由健康状态参数传感器204和/或健康状态参数传感器204外部的设备(例如，模数转换器)执行这样的转化。
能够将所述模拟和/或数字信号存储在所述N个健康状态参数传感器 204(如示出的)的计算机存储器中，在中央监测站的计算机存储器中，在数据存储库的计算机存储器中(例如，在对象的电子医学记录等中)，在患者健康状态确定器200的计算机存储器中和/或在其他计算机存储器中。这样的存储器可以存储所有的信号，仅在特定(例如，最近的)预定时间窗口内的信号等。
健康状态参数传感器204可以是诸如多参数监测器的相同设备的部分。或者，健康状态参数传感器204中的至少两个是相同设备的部分，并且健康状态参数传感器204中的至少一个是不同设备的部分。备选地，健康状态参数传感器204中的至少的两个的中的每个是不同设备的部分。这样的设备的范例包括但不限于血压监测器、心率监测器、温度计、呼吸率监测器、氧饱和监测器等。
患者健康状态确定器200包括多个直方图生成器206，包括直方图生成器2061、……、直方图生成器206N。在变型中，通过单个直方图生成器206 来实施直方图生成器206。在变型中，通过多变量直方图生成器来实施直方图生成器206，其生成针对多个传感器的概率函数。在图示的范例中，使健康状态参数传感器204中的每个与直方图生成器206中的对应的一个相关联，使得健康状态参数传感器2041与直方图生成器2061通信，……，健康状态参数传感器204N与直方图生成器206N通信。
这样的通信包括在它们之间传达信号。通过范例，直方图生成器2061可以针对所存储的感测信号的某一时间块向健康状态参数传感器2041传送请求信号，并且作为响应，从健康状态参数传感器204N获得信号。通过另一范例，直方图生成器2061访问健康状态参数传感器2041的存储器，并且获得存储的感测信号的某一时间块。对于两个不同直方图生成器206而言所述时间块可以相同或不同。
直方图生成器206中的每个获得对应于预定时间窗口的感测信号。例如，直方图生成器2061获得基于时间窗口2081的感测信号，……，直方图生成器206N获得基于时间窗口208N的感测信号。如上面讨论的，健康状态参数传感器204可以在不同频率处进行感测(采集、采样等)。这样一来，可以从健康状态参数传感器204中的每个获得相同或者不同数量的样本。
简要转到图3，图示了针对时间窗口的样本的范例集合。在图3中，Y 轴302表示呼吸率，x轴304表示时间，曲线306表示作为时间的函数的呼吸率。曲线306是通过采用线性、样条和/或其他途径连接个体样本生成的。作为范例，所述样本能够是针对范围从过去一小时直到当前时间的时间窗口的。
返回到图2，直方图生成器206利用所获得的信号生成直方图。直方图生成器206中的每个采用分箱(bin)的对应的集合。特定直方图的分箱可以取决于正在被感测的健康状态参数，并且能够是基于缺省，由用户定义的等。在图示的范例中，直方图生成器2061采用分箱2101，……，直方图生成器206N采用分箱210N。
在图示的实施例中，直方图生成器206中的每个采用权重的集合来生成直方图。在图示的范例中，直方图生成器2061采用权重2121，……，直方图生成器206N采用权重212N。针对特定直方图的权重可以取决于正在被感测的健康状态参数，并且能够是基于缺省，由用户定义的等。
在一个实例中，所述权重作为时间的函数对样本进行加权，其中，针对最旧的采集的样本具有最低权重值，并且针对最新近的采集的样本具有最高权重值。在该实例中，权重可以在它们之间线性或者非线性地变化。本文还预期了其他加权函数。在另一实例中，权重能够全部是一(1)或者被省略。
简要转到图4，图示了基于图3的样本的范例加权直方图402。y轴404 表示样本值，x轴406表示分箱。针对该范例，利用零值对最旧的样本进行加权，并且加权随着时间线性增加。在该范例中，分箱与图1中针对呼吸率的那些类似。然而，分箱能够是不同的。直方图402表示基于分箱的样本的分布。
返回到图2，个体评分分布确定器214基于预定的评分到分箱映射216 确定N个直方图(即，来自N个直方图生成器206的直方图)中的每个的评分分布，所述预定的评分到分箱映射提供在评分和直方图的分箱中的每个之间映射，从而定义了针对每个健康状态参数的评分/分箱对。简要转到图5，示出了针对多个范例健康状态参数中的每个的个体评分分布的范例表格或矩阵。
在图5中，每行502表示不同健康状态参数，并且每列504表示针对健康状态参数值的评分。图5中的第一行表示呼吸率。图示的分布来自于图4的直方图402，其中，分箱以与图1中类似的方式被分配到评分。针对直方图402，样本的5％处于9-14的范围中，所述范围对应于1的评分，样本的61％处于15-20的范围中，所述范围对应于0的评分，35％的样本处于21-29的范围中，所述范围对应于1的评分。
在图5中，零的评分表示“正常”范围。从其增大的评分(例如，1、 2、3)表示在“正常”范围外部的呼吸率值，或者低于(零的左侧)或者高于(零的右侧)“正常”范围。能够利用其他评分系统、其他分箱、分箱和评分之间的其他映射等。图5还示出了针对心率、收缩压、温度和神经的评分分布。
返回到图2，复合评分分布确定器218基于个体评分分布来确定复合评分分布。能够采用各种途径。例如，在一个非限制性实例中，通过计算多个评分，随后计算针对所述多个评分的分布来确定复合评分分布，其中，所述多个评分中的每个对应于健康参数观测的子集(例如，从其导出的中心值)。
本文还预期了其他途径。例如，结合图6描述了另一非限制性范例。在该非限制性范例中，组合确定器602接收个体评分分布作为输入。组合确定器602根据个体评分分布来确定所有可能的评分组合。例如，关于图5，组合确定器602针对五种健康状态参数确定了针对表格中的十五个条目的所有可能组合。
组合复合评分确定器604基于来自组合确定器602的不同组合来确定针对每个组合的复合评分。例如，继续先前段中的范例，存在总评分为零- 全零的一个组合。针对总评分为一的组合，有六个组合。这些组合包括针对所述健康状态参数中地一个的为一的评分，和针对所有其他健康状态参数的为零的评分。其他组合出于简洁的目的没有被详细讨论，但是基于本文的讨论而是显而易见的。
组合概率确定器606基于来自组合确定器602的不同组合和输入的个体评分分布来确定每个组合的概率。例如，继续前两段中的范例，存在总评分为零的一个组合。针对该组合，评分分布为5％、19％、11％、50％以及10％。组合概率确定器606将该组合的概率确定为评分分布的乘积或者 (.05)(.19)(.11)(.50)(.10)。
复合评分概率确定器608基于组合复合评分和组合概率来确定每个复合评分的概率。例如，继续前三段的范例，存在总评分1的六个组合，并且因此六个组合概率，针对所述六个组合中的每个，一个。对此，复合评分概率确定器608将概率确定为六个评分组合的个体概率的总和。
复合评分直方图确定器610基于针对每个复合评分的概率来确定复合评分分布或直方图。简要转到图7，图示了范例复合评分分布706。在该范例中，y轴702表示复合评分概率，并且x轴704表示复合评分。返回到图 2，患者健康状态确定器200输出复合评分分布。在图示的范例中，复合评分分布是每健康状态参数评分的总和。在其他实例中，能够利用其他途径。
在图示的实施例中，将所述复合评分分布提供到一个或多个输出设备 220。一个或多个输出装置220可以包括显示监视器、数据存储库、中央监测站、智能电话、计算机、诸如临床决策支持系统的决策支持系统和/或其他设备。在一个非限制性实例中，经由显示监视器视觉地显示类似于图7 的直方图。任选地，将行动的列表与所述表格一起视觉地呈现。在这种情况下，视觉显示的信息指示针对每个复合评分分布的(一个或多个)建议的动作。
转到图8，图示了图2的变型。在该变型中，患者健康状态确定器200 还包括代表性评分确定器802。代表性评分确定器802识别代表性单一复合评分，以表示患者。在该实例中，除了复合评分分布和/或建议动作的列表之外，或者作为复合评分分布和/或建议动作的列表的备选，经由输出设备 220中的一个视觉地呈现单一复合评分。
在一个实例中，所述的代表性评分能够基于累积复合评分分布。图9 示出了累积复合评分分布906的非限制性范例。在图9中，Y轴902表示累积概率，x轴904表示复合评分。在图9中，针对每个评分分值，提供了针对该值以及更高值的分布的总和。该分布可以被用于导出代表性评分，例如，在一个实例中，所述代表性评分是具有高于50％的累积概率的最高评分值。
复合评分分布能够被用于建立恶化评分的分布(与单一值相反)，以表示患者的状态。这样的分布继而能够被用于导出单个代表性值，但是也可以以其他方式被使用，诸如以评估患者状态的不确定性、患者状态随时间的发展以及其他特性。患者健康状态确定器200能够是诸如患者监测设备的医学设备和/或通用或专用计算机的部分。
图10图示了包括滤波器1000的变型。在一个非限制性实例中，滤波器1000基于预定时间范围或时间阈值来对来自健康状态参数传感器204的信号进行滤波。例如，在一个实例中，滤波器1000能够被配置为滤除比预定日期D和/或预定时间T早的信号。特定日期和/或时间可以或者可以不从健康状态参数到健康状态参数而变化。在该范例中，滤波器1000处于患者健康状态确定器200的外部。然而，在另一变型中，滤波器1000的至少部分是患者健康状态确定器200的部分。
图11图示了包括跟踪器1100的变型。在一个非限制性实例中，跟踪器1100被配置为随时间跟踪针对患者当前状态的评分分布和/或代表性评分。在该范例中，跟踪器1100处于患者健康状态确定器200的外部。然而，在另一变型中，跟踪器1100的至少部分是患者健康状态确定器200的部分。
图12图示了包括评价器1200的变型。在一个非限制性实例中，评价器1200评价针对患者的当前状态的历史及当前评分分布和/或代表性评分。这可以包括对不同时间窗口之间的评分分布进行比较(例如，过去的一小时对昨天的相同时间帧；过去的一小时对过去24小时；过去的一小时对其之前的前一小时；等等)。在将新近过去与过去进行比较时，能够对两者时间帧内的所有观测结果使用相等的权重。在该范例中，评价器1200处于患者健康状态确定器200的外部。
然而，在另一变型中，评价器1200的至少部分是患者健康状态确定器 200的部分。在变型中，还能够考虑评分分布与患者群体的比较。例如，评分分布能够与在之前年份的相同季节中呆在相同的机构中的类似患者群体进行比较。这样允许考虑季节性患者群体改变。
另一变型包括图10、11和/或12的组合和/或其他变型。
本发明的方法能够被实现为患者监测系统的部分，或者能够被实施在与患者监测系统接合的计算机系统上，当然还不乏其他的可能性。
图13图示了范例方法。
应当认识到，动作的顺序不是限制性的。这样一来，本文预期了其他顺序。此外，可以省略一个或多个动作，和/或可以包括一个或多个额外的动作。
在1302处，获得不同的生理测量结果的至少两个集合，每个集合包括在至少两个不同时间处采集的至少两个测量结果。
在1304处，任选地，获得权重的至少两个集合，针对不同生理测量结果的两个集合中的每个，具有权重的一个集合。
在1306处，任选地使用权重的所述至少两个集合，针对不同生理测量的至少两个集合中的每个，生成健康状态分布。
在1308处，基于个体健康状态评分分布确定所有可能评分组合的列表。
在1310处，基于所有可能评分组合的列表来确定针对每个组合的复合评分。
在1312处，基于个体健康状态评分分布以及所有可能评分组合的列表来确定针对每个组合的概率。
在1314处，基于针对每个组合的复合评分以及针对每个组合的概率来确定针对每个复合评分的概率。
在1316处，至少基于针对每个组合的概率来确定复合健康状态评分分布。
在1318处，任选地，基于所述复合健康状态评分分布来确定代表性复合评分。
在1320处，将复合健康状态评分分布和/或任选的代表性复合评分提供到输出设备。
可以通过被编码或者嵌入在计算机可读存储介质(即，物理存储器和其他非暂态介质)上的计算机可读指令来实施以上动作，所述计算机可读指令当由(一个或多个)微处理器运行时，令(一个或多个)处理器执行所描述的动作。额外地或备选地，所述计算机可读指令中的至少一个是由信号、载波以及其他暂态介质承载的。
已经参考优选实施例描述了本发明。他人在阅读和理解以上详细描述之后可以实现修改和变化。本发明旨在被解释为包括所有这样的修改和变化，只要其落入权利要求书或其等价方案的范围之内。
Claims (15)
1.一种用于确定复合评分分布的装置，所述装置包括处理器和用于存储机器可执行指令的存储器，其中，所述机器可执行指令的运行令所述处理器：
使用至少第一预定分箱(406)和第二预定分箱(406)，来生成(1302)分别针对生命体征测量结果(306)的至少第一集合和第二集合的至少第一直方图(402)和第二直方图(402)，
其中，所述生命体征测量结果(306)的所述第一集合和所述第二集合中的每个包括在不同时间处采集的至少两个测量结果，并且第一生命体征和第二生命体征是不同的生命体征；
通过将所述第一预定分箱中的每个分箱映射到对应的预定评分来生成(1306)针对所述第一生命体征的第一评分分布；
通过将所述第二预定分箱中的每个分箱映射到对应的预定评分来生成针对所述第二生命体征的第二评分分布；并且
基于所述第一评分分布和所述第二评分分布来生成(1316)针对所述第一生命体征和所述第二生命体征的所述复合评分分布(706、906)。
2.根据权利要求1所述的装置，其中，所述机器可执行指令的运行还令所述处理器：
与针对每个可能评分的建议的动作的列表一起视觉地呈现所述复合评分分布。
3.根据权利要求1所述的装置，其中，生成所述至少第一直方图和第二直方图包括基于采集时间来对生命体征测量结果进行加权(1304)。
4.根据权利要求1所述的装置，其中，生成所述复合评分分布包括：
基于所述第一评分分布和所述第二评分分布来识别(1308)所有可能评分组合；
基于所识别的评分组合来确定(1310)针对每个组合的复合评分；
基于所述第一评分分布和所述第二评分分布以及所识别的评分组合来确定(1312)针对每个组合的概率；
基于针对每个组合的概率来确定(1314)针对每个复合评分的概率；并且
基于针对每个复合评分的所述概率来确定(1316)所述复合评分分布。
5.根据权利要求4所述的装置，其中，确定针对复合评分的所述概率包括对针对所述复合评分的所述评分组合的个体概率进行求和。
6.根据权利要求1至5中的任一项所述的装置，其中，所述机器可执行指令的运行还令所述处理器：
基于所述复合评分分布来确定(1318)代表性复合评分。
7.根据权利要求1至5中的任一项所述的装置，其中，所述机器可执行指令的运行还令所述处理器：
对生命体征测量结果的所述至少第一集合和第二集合进行滤波(1000)，以移除在距离当前时间预定持续时间之前采集的测量结果。
8.根据权利要求1至5中的任一项所述的装置，其中，所述机器可执行指令的运行还令所述处理器：
随时间跟踪所述复合评分分布。
9.一种患者健康状态确定器(200)，包括：
至少一个直方图生成器(206)，其使用至少第一预定分箱和第二预定分箱来生成分别针对生命体征测量结果的至少第一集合和第二集合的至少第一直方图和第二直方图，
其中，所述生命体征测量结果的所述第一集合和所述第二集合中的每个包括在不同时间处采集的至少两个测量结果，并且第一生命体征和第二生命体征是不同的生命体征；
个体评分分布确定器(214)，其通过将所述第一预定分箱中的每个分箱映射到对应的预定评分来确定针对所述第一生命体征的第一评分分布，并且通过将所述第二预定分箱中的每个分箱映射到对应的预定评分来确定针对所述第二生命体征的第二评分分布；以及
复合评分分布确定器(218)，其基于所述第一评分分布和所述第二评分分布来确定针对所述第一生命体征和所述第二生命体征的复合评分分布，其中，所述复合评分分布指示患者的健康状态。
10.根据权利要求9所述的患者健康状态确定器，还包括：
至少一个输出设备(220)，其与针对每个可能评分的建议的动作的列表一起视觉地呈现所述复合评分分布。
11.根据权利要求9所述的患者健康状态确定器，其中，所述复合评分分布确定器包括：
组合确定器(602)，其基于所述第一评分分布和所述第二评分分布来识别所有可能评分组合；
组合复合评分确定器(604)，其基于所识别的评分组合来确定针对每个组合的复合评分；
组合概率确定器(606)，其基于所述第一评分分布和所述第二评分分布以及所识别的评分组合来确定针对每个组合的概率；
复合评分概率确定器(608)，其基于针对每个组合的所述概率来确定针对每个复合评分的概率；以及复合评分直方图确定器(610)，其基于针对每个复合评分的所述概率来确定所述复合评分分布。
12.根据权利要求9所述的患者健康状态确定器，其中，所述复合评分分布确定器对所述第一评分分布和所述第二评分分布进行求和以计算所述复合评分分布。
13.根据权利要求9所述的患者健康状态确定器，还包括：
代表性评分确定器(802)，其基于所述复合评分分布来确定单值代表性复合评分。
14.根据权利要求9至13中的任一项所述的患者健康状态确定器，还包括以下中的至少一个：
滤波器(1000)，其对生命体征测量结果的所述至少第一集合和第二集合进行滤波，以移除在距离当前时间预定持续时间之前采集的测量结果；
跟踪器(1100)，其随时间跟踪所述复合评分分布；以及
评价器(1200)，其对在至少两个不同时间处确定的至少两个复合评分分布进行比较。
15.一种被编码有计算机可读指令的计算机可读存储介质，所述计算机可读指令当由处理器运行时令所述处理器：
使用至少第一预定分箱和第二预定分箱来生成分别针对生命体征测量结果的至少第一集合和第二集合的至少第一直方图和第二直方图，
其中，所述生命体征测量结果的所述第一集合和第二集合中的每个包括在不同时间处采集的至少两个测量结果，并且第一生命体征和第二生命体征是不同的生命体征；
通过将所述第一预定分箱中的每个分箱映射到对应的预定评分来生成针对所述第一生命体征的第一评分分布；
通过将所述第二预定分箱中的每个分箱映射到对应的预定评分来生成针对所述第二生命体征的第二评分分布；并且
基于所述第一评分分布和所述第二评分分布来生针对成所述第一生命体征和所述第二生命体征的复合评分分布，其中，所述复合评分分布指示患者的健康状态。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201361884347P | 2013-09-30 | 2013-09-30 | |
| US61/884,347 | 2013-09-30 | ||
| PCT/IB2014/064509 WO2015044826A1 (en) | 2013-09-30 | 2014-09-15 | Patient health state compound score distribution and/or representative compound score based thereon |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105593860A CN105593860A (zh) | 2016-05-18 |
| CN105593860B true CN105593860B (zh) | 2019-08-06 |
Family
ID=51688372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201480054182.9A Active CN105593860B (zh) | 2013-09-30 | 2014-09-15 | 用于确定复合评分分布的装置和患者健康状态确定器 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US10037412B2 (zh) |
| EP (1) | EP3053066A1 (zh) |
| JP (1) | JP6534192B2 (zh) |
| CN (1) | CN105593860B (zh) |
| BR (1) | BR112016006577A2 (zh) |
| WO (1) | WO2015044826A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108702418A (zh) | 2016-02-25 | 2018-10-23 | 皇家飞利浦有限公司 | 用于确定呼叫的优先级水平和/或对话持续时间的设备、系统和方法 |
| EP3497597A1 (en) * | 2016-08-08 | 2019-06-19 | Koninklijke Philips N.V. | Electronic clinical decision support device based on hospital demographics |
| CN108768822B (zh) * | 2018-04-11 | 2021-08-27 | 特素生物科技（天津）有限公司 | 身体状态自诊软硬件系统及其用于建立社群的方法 |
| JPWO2020203015A1 (zh) * | 2019-04-02 | 2020-10-08 | ||
| CN111035378B (zh) * | 2020-03-17 | 2020-07-17 | 深圳市富源欣袋业有限公司 | 一种基于旅行包的健康数据监测方法和智能旅行包 |
| US11417429B2 (en) * | 2020-09-04 | 2022-08-16 | Centerline Holdings Llc | System and method for providing wellness recommendation |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102792336A (zh) * | 2009-05-29 | 2012-11-21 | 电信教育集团-巴黎电信学校 | 量化涉及身体体积变化的疾病、特别是肿瘤的发展的方法 |
| CN103038772A (zh) * | 2010-03-15 | 2013-04-10 | 新加坡保健服务集团有限公司 | 预测患者的存活性的方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002095650A (ja) * | 2000-09-25 | 2002-04-02 | Teijin Ltd | 臨床データ解析処理方法及びシステム |
| US20120296675A1 (en) * | 2006-02-13 | 2012-11-22 | Silverman David G | Method and System for Assessing, Quantifying, Coding & Communicating a Patient's Health and Perioperative Risk |
| US8781566B2 (en) * | 2006-03-01 | 2014-07-15 | Angel Medical Systems, Inc. | System and methods for sliding-scale cardiac event detection |
| US7629889B2 (en) * | 2006-12-27 | 2009-12-08 | Cardiac Pacemakers, Inc. | Within-patient algorithm to predict heart failure decompensation |
| US8768718B2 (en) * | 2006-12-27 | 2014-07-01 | Cardiac Pacemakers, Inc. | Between-patient comparisons for risk stratification of future heart failure decompensation |
| US20090093686A1 (en) * | 2007-10-08 | 2009-04-09 | Xiao Hu | Multi Automated Severity Scoring |
| SG190397A1 (en) * | 2011-01-20 | 2013-06-28 | Nitto Denko Corp | Method and apparatus for deriving a health index for determining cardiovascular health |
| GB201114406D0 (en) | 2011-08-22 | 2011-10-05 | Isis Innovation | Remote monitoring of vital signs |
-
2014
- 2014-09-15 US US15/025,758 patent/US10037412B2/en active Active
- 2014-09-15 JP JP2016545074A patent/JP6534192B2/ja active Active
- 2014-09-15 WO PCT/IB2014/064509 patent/WO2015044826A1/en active Application Filing
- 2014-09-15 CN CN201480054182.9A patent/CN105593860B/zh active Active
- 2014-09-15 BR BR112016006577A patent/BR112016006577A2/pt not_active Application Discontinuation
- 2014-09-15 EP EP14781949.4A patent/EP3053066A1/en not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102792336A (zh) * | 2009-05-29 | 2012-11-21 | 电信教育集团-巴黎电信学校 | 量化涉及身体体积变化的疾病、特别是肿瘤的发展的方法 |
| CN103038772A (zh) * | 2010-03-15 | 2013-04-10 | 新加坡保健服务集团有限公司 | 预测患者的存活性的方法 |
Non-Patent Citations (1)
| Title |
|---|
| Centile-based early warning scores derived from statistical distributions of vital signs;Lionel Tarassenko et.;《Resuscitation》;20111231;第82卷(第8期);第1013-1018页 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6534192B2 (ja) | 2019-06-26 |
| BR112016006577A2 (pt) | 2017-08-01 |
| WO2015044826A1 (en) | 2015-04-02 |
| EP3053066A1 (en) | 2016-08-10 |
| CN105593860A (zh) | 2016-05-18 |
| JP2016531712A (ja) | 2016-10-13 |
| US10037412B2 (en) | 2018-07-31 |
| US20160232323A1 (en) | 2016-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alazzam et al. | [Retracted] A Novel Smart Healthcare Monitoring System Using Machine Learning and the Internet of Things | |
| CN105593860B (zh) | 用于确定复合评分分布的装置和患者健康状态确定器 | |
| CN102908130B (zh) | 用于监测人体健康状态的设备 | |
| JP7108267B2 (ja) | 生体情報処理システム、生体情報処理方法、及びコンピュータプログラム | |
| Tjahjadi et al. | Noninvasive blood pressure classification based on photoplethysmography using k-nearest neighbors algorithm: a feasibility study | |
| RU2657384C2 (ru) | Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий | |
| US20200178903A1 (en) | Patient monitoring system and method having severity prediction and visualization for a medical condition | |
| CN109564586A (zh) | 系统监测器及系统监测方法 | |
| Vargas-Lopez et al. | A new methodology based on EMD and nonlinear measurements for sudden cardiac death detection | |
| Tiwari et al. | Remote copd severity and exacerbation detection using heart rate and activity data measured from a wearable device | |
| Milena et al. | Linear and non-linear heart rate variability indexes from heart-induced mechanical signals recorded with a skin-interfaced IMU | |
| Taoum et al. | Validity of ultra-short-term hrv analysis using ppg—a preliminary study | |
| Warnecke et al. | Printed and flexible ECG electrodes attached to the steering wheel for continuous health monitoring during driving | |
| Lueken et al. | Automated signal quality assessment of single-lead ecg recordings for early detection of silent atrial fibrillation | |
| Mamun | Cuff-less blood pressure measurement based on hybrid feature selection algorithm and multi-penalty regularized regression technique | |
| US20220401037A1 (en) | Ml-based anomaly detection and descriptive root-cause analysis for biodata | |
| Panagiotou et al. | A multi: modal decision making system for an ambient assisted living environment | |
| CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
| Jung et al. | Monitoring senior wellness status using multimodal biosensors | |
| JP6481335B2 (ja) | 情報処理システム、情報処理装置、情報処理方法および情報処理プログラム | |
| Lakudzode et al. | Review on human stress monitoring system using wearable sensors | |
| CN116019429B (zh) | 基于生理指标的健康监测方法、装置、设备及存储介质 | |
| Lang | A low-complexity model-free approach for real-time cardiac anomaly detection based on singular spectrum analysis and nonparametric control charts | |
| Durga | Intelligent Support for Cardiovascular Diagnosis: The AI-CDSS Approach | |
| Almeida et al. | Early warnings of heart rate deterioration |
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 |