CN105765584B - 用于分诊决策制定的临床决策支持系统和计算机存储介质 - Google Patents
用于分诊决策制定的临床决策支持系统和计算机存储介质 Download PDFInfo
- Publication number
- CN105765584B CN105765584B CN201480061876.5A CN201480061876A CN105765584B CN 105765584 B CN105765584 B CN 105765584B CN 201480061876 A CN201480061876 A CN 201480061876A CN 105765584 B CN105765584 B CN 105765584B
- Authority
- CN
- China
- Prior art keywords
- seriousness
- probability
- data
- patient
- recommendation
- 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
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- 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
-
- 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
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/04—Babies, e.g. for SIDS detection
- A61B2503/045—Newborns, e.g. premature baby monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Optics & Photonics (AREA)
- Pulmonology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
一种方法包括:获得包括感测到的患者的至少两个生理测量结果的集合的电信号;将所述至少两个生理测量结果与预定生理测量结果范围进行比较;响应于确定所述至少两个生理测量结果不满足所述生理测量结果范围而识别确定所述患者的感兴趣状况的概率和严重性所需要的数据;接收以电子格式的识别出的数据;基于接收到的识别出的数据来确定所述感兴趣状况的第一概率和第一严重性;基于所述第一概率和所述第一严重性、护理设施的资源以及事件指南来确定针对所述患者的推荐的动作过程;并且使显示器视觉呈现所述第一概率和所述第一严重性以及所述推荐的动作过程。
Description
技术领域
下文大体涉及临床决策支持(CDS)系统,更具体地涉及确定患者的感兴趣状况的概率和严重性的CDS系统以及基于其的护理推荐。
背景技术
检测某些罕见临床状况可能是困难的,并且确定状况的严重性可能超出某些临床医生的能力和专长。在许多情况下,严重性评估对于确定患者在当前护理设置中是否被安全护理或者是否需要被运送到具有这样的严重性的患者通常所需要的服务的设施是关键的。这样的状况的范例是新生儿的先天性心脏缺陷,这在生命的前几个小时和前几天是有生命危险的。
一些先天性心脏状况要求相对即时的稳定和介入来防止死亡。其他先天性心脏状况可能以非常细微或不明显的症状存在于早期新生儿期。具有这些状况的患者通常作为“正常”转到家中并在家中恶化。这些患者的存活依赖于快速识别、分诊、复苏和介入。在许多情况下,由于介入的延迟,这些较晚呈现先天性心脏患者遭受深切的且不可挽回的伤害或死亡。
筛选新生儿的指南试图通过使用脉搏血氧定量法来改善在从保育室离开之前对这些先天性心脏缺陷的检测。脉搏血氧定量法可以检测到一些关键的先天性心脏疾病,例如,具有完整中隔法洛四联症的左心发育不全综合征肺动脉闭锁、完全肺静脉回流异常、大血管三尖瓣闭锁转移以及动脉干。这些关键先天性心脏疾病(CCHD)表示先天性心脏缺陷的非限制性范例。
遗憾的是,脉搏血氧定量法可能不能如此可靠地检测(除了左心发育不全综合征和三尖瓣闭锁之外的)其他CCHD,例如主动脉弓闭锁或发育不全、主动脉弓中断、主动脉缩窄、右室双出口、Ebstein异常、肺动脉瓣狭窄、房室中隔缺损、心室中膈缺损或者单心室缺陷,并且具有这些状况的婴儿将受益于早期检测、分诊和介入。
在WO2013/103885 A1中描述了一种自动关键先天性心脏缺陷 (CCHD)筛选系统和过程。可以引导护理者使用单个或两个传感器脉搏血氧计来获得前导管和后导管的血氧测量结果。测量结果的差量(delta) 指示可能存在或不存在CCHD。例如基于灌注指数通过可配置的测量置信度阈值来减少测量结果中的误差。测量数据可以被存储并从远程数据处理中心检索以进行重复筛选。
在WO 2008/005480 A1中公开了一种用于筛选先天性心脏疾病的设备和方法。所公开的装置包括主处理单元和耦合到主处理单元的心口贴片 (precordial patch),所述心前贴片具有用于检测心音和心脏电信号(ECG) 的多个传感器。所述装置还包括耦合到主处理单元的探针,所述探针具有用于检测循环通过人体的血液的氧饱和度的传感器。所公开的方法包括同时测量和分析心音、心脏电信号(ECG)和循环通过人体的血液的氧饱和度。所述方法还包括执行确定存在显著先天性心脏疾病的算法并基于该算法的结果来显示管理推荐。
在US 2008/0071155A1中公开了一种先天性心脏疾病监测器。所述监测器使用能够将多个波长的光辐射发射到组织部位并检测在被在组织部位内流动的脉动血液衰减之后的光辐射的传感器。患者监测器能够接收与检测到的光辐射相对应的传感器信号并且作为响应计算至少一个生理参数。所述生理参数在基线部位和比较位置处被测得,并且这些测量结果中的差异被计算。根据在每个部位处测量的生理参数或者计算出的在各部位测量的生理参数之间的差异或者两者来指示可能的先天性心脏疾病状况。
在WO 2004/061744 A2中描述了一种用于增强计算机辅助数据操作算法的性能的技术。根据指定的操作算法来访问并分析来自针对医学数据的可控制和可规定资源的数据。然后基于该分析来修改操作算法(相同的或不同的算法)。所述算法可以在来自不同资源类型或模态的数据上操作。可以进行影响修改后的数据的各个子模块的修改。可以在全局的基础上、特定人群的基础上、特定患者的基础上、等等进行修改。
发明内容
本文描述的各方面解决了上述问题和其他问题。
以下描述促进对某些感兴趣状况的早期检测、分诊和介入的方法。在一些实例中,基于参数指南的“正常”范围来评估初始生理参数。如果生理参数落到范围外,则获得另外的数据。至少基于所获得的另外的数据来确定感兴趣状况的概率和严重性。基于概率和严重性以及事件指南来确定推荐的护理。在一个实例中,所述推荐是将患者运送到护理或其他设施以进行护理。可选地,所述推荐的护理包括还提供可能缓解在当前设施处的对象的健康状态的恶化的护理建议。可选地,所述推荐的护理导致控制与患者的护理相关联的电气设备的操作。
在一个方面中,一种方法包括接收包括感测到的患者的至少两个生理测量结果的集合的电信号。所述方法还包括将所述至少两个生理测量结果与预定生理测量结果范围进行比较。所述范围是根据传感器输出指南的,所述传感器输出指南是以电子格式的。所述方法还包括基于数据指南来识别确定所述患者的感兴趣状况的概率和严重性所需要的数据。这是响应于确定所述至少两个生理测量结果不满足所述生理测量结果范围的。所述方法还包括获得以电子格式的识别出的数据。所述方法还包括基于接收到的识别出的数据来确定所述感兴趣状况的概率和严重性。所述方法还包括基于所述概率和所述严重性、护理设施的资源以及事件指南来确定针对所述患者的推荐的动作过程。所述方法还包括使显示器视觉呈现所述概率和所述严重性以及所述推荐的动作过程。
在另一方面中,一种系统包括计算系统,所述计算系统具有至少一个计算机处理器、输入部/输出部以及编码有分诊模块的计算机可读存储介质。所述输入部/输出部配置为接收包括感测到的患者的至少两个生理测量结果的集合的电信号。所述至少一个计算机处理器被配置为执行所述分诊模块的指令,所述指令包括:将所述至少两个生理测量结果与根据传感器输出指南的预定生理测量结果范围进行比较,所述传感器输出指南是以电子格式的;响应于确定所述至少两个生理测量结果不满足所述生理测量结果范围而基于数据指南来识别确定所述患者的感兴趣状况的概率和严重性所需要的数据;获得以电子格式的识别出的数据;基于接收到的识别出的数据来确定所述感兴趣状况的概率和严重性;并且基于所述概率和所述严重性、护理设施的资源以及事件指南来确定针对所述患者的推荐的动作过程;并且使显示器视觉呈现所述概率和所述严重性以及所述推荐的动作过程。
在另一方面中,一种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被处理器执行时使所述处理器:接收包括感测到的患者的至少两个生理测量结果的集合的电信号;将所述至少两个生理测量结果的差值与根据传感器输出指南的预定生理测量结果范围进行比较,其中,所述至少两个生理测量结果与分别在所述患者的右脚处和在所述患者的左手处感测到的血氧浓度水平相对应;响应于确定所述差值落到生理测量结果范围外而识别用于采集数据以确定所述患者的感兴趣状况的概率和严重性的超声成像过程;基于识别出的超声成像过程来获得来自扫描的图像数据;基于接收到的图像数据来确定所述感兴趣状况的概率和严重性;识别可能改善所述概率和所述严重性的准确度的其他数据;响应于接收到至少识别出的其他数据的子集而更新所述概率和所述严重性;基于更新后的概率、更新后的严重性、护理设施的资源以及事件指南来确定针对所述患者的推荐的动作过程;并且视觉呈现更新后的概率和更新后的严重性以及所述推荐的动作过程。
附图说明
本发明可以采取各种部件和部件布置以及各种步骤和步骤的安排的形式。附图仅出于示出优选实施例的目的并且不应被解释为对本发明的限制。
图1示意性示出了具有分诊模块的临床决策支持系统。
图2示意性示出了示例性通用分诊模块。
图3示意性示出了关于新生儿先天性心脏疾病的分诊模块的范例。
图4示出了用于促进早期检测、分诊和介入某些感兴趣状况的方法。
具体实施方式
首先参考图1,示意性示出了临床决策支持(CDS)系统100。CDS 系统100经由计算系统102来实现。计算系统102的范例包括但不限于:独立或专用计算机、生理监测装置、成像系统等。在变型中,CDS系统100 是预置型或基于“云”的计算环境,其中例如包括临床诊断和结果信息的基于自学习或专家临床医生事后判决库来维护和改善处理算法。
图示的计算系统102包括一个或多个硬件处理器104(例如,中央处理单元(CPU)、微处理器(μ处理器)、控制器等)以及计算机可读存储介质106(其不包括瞬态介质),例如编码或嵌入有计算机可读指令的物理存储器。所述指令在被一个或多个处理器104执行时使所述一个或多个处理器执行某些功能,例如,本文所描述的一个或多个功能和/或其他功能。
额外地或备选地,一个或多个处理器104执行由诸如信号或载波的瞬态介质承载的指令。在图1中,计算机可读存储介质106被示为单个元件。然而,要认识到,计算机可读存储介质106可以包括多个分离的硬件存储设备。分离的硬件存储设备包括在计算系统102本地的硬件存储设备、在计算系统102外部的硬件存储设备或者分布在计算系统102与(一个或多个)外部设备之间的硬件存储设备。
输入部/输出部(I/O)108接收来自一个或多个输入设备110(例如,键盘、鼠标等)的信息,和/或将信息传达给一个或多个输出设备112(例如,显示监视器、打印机等)。I/O108还被配置为与一个或多个其他计算设备114和/或一个或多个数据存储库116交换(以电子格式的)数据。当被配置为如此时,I/O 108包括用于交换数据的一个或多个物理-机械接口和 /或无线接口。例如,I/O 108可以包括RJ-45连接器,其与以太网线缆的连接器以接口方式电连接以通过有线网络、无线网络进行数据交换,与收发机以接口方式电连接以通过无线网络进行数据交换等。交换的数据的范例包括人口统计资料、测得的生理参数、图像数据、实验结果、临床医生报告、观察、医学历史等。这样的数据可以通过有线网络和/或无线网络进行交换。
计算设备114的范例包括但不限于:静脉泵、氧气调节器、通气机、 ECG设备、通信设备(例如,智能电话、寻呼机等)、(例如,床边、中央等)监测站、计算机等。数据存储库116的范例包括影像归档与传输系统 (PACS)、放射信息系统(RIS)、医院信息系统(HIS)、电子医学记录(EMR)、数据库、服务器、成像系统、计算机和/或其他数据存储库。可以经由计算设备114和/或存储库116来传输以诸如医学数字成像和通信(DICOM)、健康等级7(HL7)格式和/或其他格式的数据。
I/O 108还可以配置为与输出设备112的输出设备和/或计算设备114的计算设备交换信息,例如通知、消息、警报等。这样的交换可以通过电子邮件、文本消息、即时消息、蜂窝电话呼叫、寻呼机寻呼等。
图示的计算机可读存储介质106存储软件应用、软件模块和/或数据。在图示的范例中,计算机可读存储介质106至少存储分诊模块118,其处理通过I/O 108接收到的数据。如下面更详细地描述的,在一个非限制性实例中,一个或多个处理器104响应于执行分诊模块118的指令而评估患者的健康相关信息并基于该评估来推荐对象是否应当被运送到另一护理设施。
在一个实例中,通过计算针对一个或多个感兴趣状况中的每个的概率和严重性来确定健康状态。计算这种信息的范例描述于2008年12月8日提交的、题目为“Retrieval ofsimilar patient cases based on disease probability vectors”的申请序列号12/810,021、公开号US 2010/0312798A1中,通过引用将其整体并入本文。大体上,申请序列号12/810,021公开了一种计算针对某些状况的概率和严重性并基于新数据来更新概率和严重性的算法。
除了推荐对象是否应当被运送到另一护理设施以进行护理外,一个或多个处理器104还能够响应于执行分诊模块118的指令而确定可能在当前设施处缓解对象的健康状态的恶化的护理建议。分诊模块118还能够控制电子设备的操作、与患者的护理相关联的(一个或多个)其他计算机设备 114的操作。分诊模块118还能够推荐要获得和评估的其他数据类型。一个或多个处理器104还可以响应于执行分诊模块118的指令而执行一个或多个其他功能。
要认识到,例如,所述概率、严重性和推荐促进对难以检测的急性疾病的早期检测(例如,新生儿的急性先天性心脏缺陷)以及对新生儿适当护理的应用。这可以促进使新生儿稳定、缓解状况的恶化、改善新生儿的存活机率并缓解不可逆的伤害或死亡。所述概率、严重性和推荐还促进对同样可能难以检测的其他急性疾病和/或慢性疾病的早期检测并受益于早期检测和适当的护理。
图2示意性示出了分诊模块118的非限制性范例。在该范例中,分诊模块118确定患者200的感兴趣状况的概率和严重性并基于此来提供针对患者的护理的推荐的过程。
一个或多个生理传感器202感测患者的生理信号。一个或多个生理传感器202包括至少一组传感器,其监测触发分诊模块118来确定感兴趣状况的概率和严重性以及所述推荐的生理参数。
评估器204评估至少一组传感器的输出信号。在一个实例中,这包括将输出信号关于预定传感器输出指南206(其指示“正常范围”)进行比较。这包括例如将同一生理参数但是在患者的不同位置处感测到的两个传感器测量结果之间的差异与指南206进行比较。
如本文所使用的,术语“正常范围”是(一个或多个)临床医生、医学设施、医学社区等视为指示不存在感兴趣状况的范围。“正常范围”是可编程的并且当(一个或多个)临床医生、医学设施、医学社区等采用不同范围作为“正常范围”或者修改当前“正常范围”时可以被改变。
逻辑208接收评估器204的输出并确定是否调用分诊模块118的其他部件来确定感兴趣状况的概率和严重性。例如,当输出信号落入“正常范围”内时,逻辑208不调用分诊模块118的其他部件。代替地,在一个实例中,逻辑208经由输出设备112的显示器210设备显示指示输出信号落入“正常范围”内的(以人类可读格式的)消息。
这可以包括显示表示两个传感器测量结果之间的差异的数字值以及“正常范围”,指示不存在状况的文本消息,例如指示不存在或存在状况的颜色的标记等等。然而,当输出信号在“正常范围”外时,逻辑208调用分诊模块118的其他部件来确定感兴趣状况的概率和严重性。
缺失数据识别器212在被调用时确定针对感兴趣区域计算感兴趣状况的概率和严重性所需要的数据。在图示的范例中,缺失数据识别器212将可用数据与指南214中的预定数据列表进行比较以确定缺失数据。缺失数据识别器212经由输出设备112的显示器210设备显示指示缺失数据和/或建议特定的流程以采集缺失数据的(以人类可读格式的)消息。
通过该范例,在一个实例中,缺失数据识别器212将来自成像器216 的成像数据识别为缺失数据或者计算感兴趣状况的概率和严重性所需要的数据。在该实例中,缺失数据识别器212将信号传达给显示器210,其视觉呈现指示需要特定上下文和图像数据的消息和/或建议特定类型或成像流程以采集特定图像数据。
在确定概率和严重性之后,缺失数据识别器212识别可能改善感兴趣状况的概率和严重性的准确度的其他数据或额外数据,其用于更新或计算另一概率和严重性。在图示的范例中,其他数据包括但不限于:来自其他传感器的数据、其他成像数据、人口统计资料、观察、临床数据和/或其他数据。
类似地,缺失数据识别器212经由显示器210设备显示指示额外缺失数据和/或建议特定流程以采集缺失数据的消息。请求初始缺失数据和额外缺失数据的信号还可以被传送到输出设备112的消息传送服务218,其例如可以通过电子邮件、文本消息、即时消息、蜂窝电话呼叫、寻呼机寻呼、中心站通知等发送具有该信息的消息。
概率和严重性确定器220基于当前可用信息来确定概率和严重性。响应于接收到任何额外缺失数据,概率和严重性确定器220确定更新后的概率和严重性。经由显示器210显示所确定的概率和严重性。可选地,消息传送服务218可以被用于将概率和严重性传达给特定设备。在接收到其他缺失数据或额外缺失数据之后,概率和严重性确定器220生成表示更新后的最近的概率和严重性的信号。
事件推荐器222结合医院资源和预定义事件指南224处理概率和严重性并生成包括针对患者的推荐的动作的输出信号。例如,所述动作是患者被运送到另一设施的推荐,另一设施被装备以提供适于具有感兴趣状况的概率和严重性的患者的护理。
所述动作例如还建议应当在当前护理设施处被提供以缓解患者的健康状态的恶化的护理。在当前设施能够提供推荐的护理的情况下,在当前护理设施处将推荐视觉呈现和/或提供给人员。类似于概率和严重性,可以经由显示器210显示推荐的动作和/或将推荐的动作传达给消息传送服务218。
所述动作还包括控制其他计算设备114的一个或多个医学设备226的操作的控制信号。例如,所述动作可以包括用于以下的控制信号:打开监测患者的监测器的监测特征、激活床边或中央站监测器警报、调节输液(例如,静脉)泵的流速参数、调节输氧系统的调节器等。通常,所述动作包括控制与护理患者相关的电气设备的操作的控制信号。
图3示意性示出了结合具体感兴趣状况的分诊模块118的非限制性范例。在该范例中,分诊模块118包括用于促进对新生儿的先天性心脏缺陷的检测、分诊和决策制定的指令,例如是否将新生儿运送到被更多地装备为解决先天性心脏缺陷的护理设施。为了简明和清晰,没有详细包含本文预见到的其他具体范例。
在图示的范例中,计算系统102的I/O 108分别从至少两个血氧(SpO2) 传感器302处接收血氧信号。在该范例中,至少两个SpO2传感器302中的第一个或其中一个被定位在对象的右脚处,并且至少两个SpO2传感器 302的第二个或另一个被定位在对象的左手处。至少两个SpO2传感器302 针对同一组心动周期(例如,所有心动周期或其子集)并发地测量血氧。
图示的至少两个SpO2传感器302例如是脉搏血氧计的一部分,其间接地监测对象血液的氧饱和度并改变皮肤中的血液量,从而产生血管容积图。在变型中,例如直接通过血液样本测量氧饱和度。在另一变型中,利用脉搏血氧计、血液样本和/或测量血氧饱和度的其他方法来进行直接测量和间接测量的组合。
SpO2监测器304处理来自至少两个SpO2传感器302的信号。这种处理例如包括对信号进行预处理以改善信号质量。SpO2监测器304确定并输出经预处理的血氧测量值之间的差异(或前后SpO2差值)。通常,所述差异指示血液是正流经肺部且被充氧还是分流且未被充氧。SpO2监测器304 还测量其他值,例如脉搏瞬变时间。
图示的分诊模块118包括前后SpO2评估器306,其接收并评估前后 SpO2差值。在图示的实施例中,前后SpO2评估器306基于指示针对前后 SpO2差值的“正常”范围的预定前后SpO2指南308来评估前后SpO2差值,所述“正常”范围是被医学社区视为指示不存在将导致新生儿被运送到不同医学设施的先天性心脏缺陷的范围。
基于来自评估器306的信号,逻辑指示不需要进一步的动作(例如,当信号指示前后SpO2差值在“正常”范围内时)或者调用分诊模块118 的其他部件的进一步的动作(例如,当信号指示前后SpO2差值在“正常”范围外时),如结合图2和/或其他情况所描述的。
在该范例中,缺失数据识别器212在被调用时输出指示生成先天性心脏缺陷的概率和严重性所需要的缺失数据的信号。缺失数据识别器212基于数据指南214来确定缺失信息。可以将信号传达给显示器210和/或消息传送服务,如结合图2和/或其他情况所描述的。
在图示的范例中,缺失数据识别器212从例如利用超声(US)成像器 227执行的新生儿扫描中识别US图像数据。通常,适当的US成像器能够向用户提供关于用于评估生物统计学的成像技术(例如,2D徒手画、具有跟踪设备的2D、机械3D采集、电子矩阵阵列)的可接受性的反馈,如基于器官模型的心脏间分流和总体解剖结构。
概率和严重性确定器220基于当前可用信息来确定先天性心脏缺陷的概率和严重性。例如,概率和严重性确定器220关于先天性心脏缺陷的概率和严重性来量化US图像数据的不存在先天性心脏疾病常态的概率。在图示的范例中,这可以在某种程度上通过利用器官缺陷的图像图集结合机器学习来处理图像数据来实现,以基于US图像数据来得到具体器官缺陷的概率和严重性。
缺失数据识别器212还基于由ECG传感器230(3导联、12导联等) 感测到的电热活动数据来识别由ECG监测器228生成的新生儿的ECG。缺失数据识别器212还识别人口统计资料、观察和临床数据,例如存在和显著性或心脏杂音、手足发绀或中枢发绀、怀孕史、分娩史以及其他实验发现。当数据变得可用时,概率和严重性确定器220更新概率和严重性。概率和严重性确定器220还考虑SPO2差异和/或由系统获得的其他数据。
如本文或其他情况所描述的,所确定的概率和严重性被输出并经由显示器210显示。所显示的数据例如向临床医生提供关于次级调查的指南,所述次级调查包括额外的传感器信息、实验室测试、其他图像流程以及细化模型发现所需要的详细物理检查输入。通过举例的方式,所显示的数据可以指示一系列先天性心脏缺陷(例如,缺陷A:10%,缺陷B:3%,等等),并且对于每个缺陷提供缺陷的概率和缺陷的严重性。
事件推荐器222基于事件指南224来处理概率和严重性并生成包括针对患者的推荐的动作的输出信号。当分诊模块118确定新生儿具有先天性心脏缺陷并且当前设施不能提供适当的护理时,推荐是运送新生儿。对应的动作例如可以包括通知运送服务控制与新生儿的护理相关联的电子设备,等等。
如本文所讨论的,所述概率、严重性和推荐促进对难以检测的急性疾病的早期检测和适当护理的应用。对于新生儿和先天性心脏缺陷,这种护理可以使新生儿稳定、缓解状况的恶化、改善新生儿的存活机率并缓解不可逆伤害或死亡。同样,所述概率、严重性和推荐还促进对其他急性疾病和/或慢性疾病的早期检测。
图4示出了根据本文所讨论的范例的示例性方法。类似于图3,为了简洁和清晰,图4是结合特定范例先天性心脏缺陷进行讨论的。
要认识到,这些方法的动作的顺序不是限制性的。因此,在本文中可以预见其他顺序。另外,可以省略一个或多个动作和/或可以包含一个或多个动作。
在402处,接收来自同时感测SpO2的至少两个SpO2传感器的信号。
如本文所讨论的,被定位在新生儿右脚和左手处的传感器提供用于确定血液是如所假设的流经肺部并被充氧还是分流到肺部周围并未被充氧的信息。
在404处,处理接收到的信号以确定前后SpO2差值。
如本文所讨论的,这包括计算分别在右脚和左手两处测得的两个血氧浓度测量之间的差异。
在406处,响应于前后SpO2差值处于根据预定指南的范围外而采集用于确定先天性心脏疾病的概率和严重性的数据。
如本文所公开的,在一个实例中,对于新生儿的先天性心脏疾病,至少将US成像数据识别为用于确定概率和严重性所需要的。
在408处,基于所采集的数据来计算先天性心脏疾病的概率和严重性。
在410处,识别可能改善概率和严重性的准确度的缺失数据。
在412处,获得缺失数据。在没有识别到缺失数据和/或操作员确定不采集识别出的缺失数据的情况下省略该动作。
在414处,基于所获得的缺失数据来更新先天性心脏疾病的概率和严重性。
在416处,结合可用的本地护理资源和事件指南来评估概率和严重性。
在418处,使用评估的结果来生成针对新生儿的建议的护理过程。
如本文所讨论的,建议的护理过程例如包括将新生儿运送到针对患者更好地装备的不同的护理设施、用于在当前护理设施处缓解患者的健康状态恶化的护理、等等。建议的护理过程还可以包括传送控制与护理相关联的至少一个电气设备的操作的控制信号。
可以通过编码于或嵌入于计算机可读存储介质上的计算机可读指令来实施上述动作,所述计算机可读指令在由计算机处理器执行时使该处理器执行所描述的动作。额外地或备选地,计算机可读指令中的至少一个由信号、载波或其他暂态介质承载并且由计算机处理实施。
已经参考优选实施例描述了本发明。他人在阅读并理解前述详细说明后可以进行修改和变化。本发明旨在被解释为包括所有这样的修改和变化,只要它们落在权利要求书或其等价要件的范围内。
Claims (13)
1.一种系统(100),包括:
计算系统(102),包括:
至少一个计算机处理器(104);
输入部/输出部(108);以及
编码有分诊模块(118)的计算机可读存储介质(106),
其中,所述输入部/输出部被配置为接收包括感测到的患者的至少两个生理测量结果的集合的电信号;并且
所述至少一个计算机处理器被配置为执行所述分诊模块的指令,所述指令包括:
将所述至少两个生理测量结果与根据传感器输出指南的预定生理测量结果范围进行比较,所述传感器输出指南是电子格式的;
响应于确定所述至少两个生理测量结果不满足所述生理测量结果范围而基于数据指南来识别确定所述患者的感兴趣状况的概率和严重性所需要的数据;
获得电子格式的识别出的数据;
基于接收到的识别出的数据来确定所述感兴趣状况的概率和严重性;并且
基于所述概率和所述严重性、护理设施的资源以及事件指南来确定针对所述患者的推荐的动作过程;并且
使显示器视觉呈现所述概率和所述严重性以及所述推荐的动作过程。
2.根据权利要求1所述的系统,其中,所述至少一个计算机处理器被配置为基于所述推荐的动作过程来控制至少一个电子设备的操作。
3.根据权利要求1所述的系统,其中,识别出的数据包括图像数据。
4.根据权利要求3所述的系统,其中,所述图像数据是超声图像数据。
5.根据权利要求3-4中任一项所述的系统,其中,所述至少一个计算机处理器被配置为接收器官缺陷的图像图集并且基于所述图像数据和所述器官缺陷的图像图集来确定所述概率和所述严重性。
6.根据权利要求5所述的系统,所述指令还包括:
识别可能改善所述感兴趣状况的所述概率和所述严重性的准确度的其他数据;并且
基于所述其他数据来更新所述概率和所述严重性以生成所述感兴趣状况的更新后的概率和更新后的严重性。
7.根据权利要求1至4中任一项所述的系统,其中,所述感兴趣状况是新生儿的先天性心脏缺陷,并且感测到的至少两个生理测量结果是血氧浓度,一个在新生儿的右脚处感测到,并且另一个在所述新生儿的左手处感测到。
8.根据权利要求7所述的系统,其中,将所述至少两个生理测量结果进行比较包括:获取所述至少两个生理测量结果之间的差异并确定差异血氧浓度值,将所述差异血氧浓度值与根据所述传感器输出指南的测量结果范围进行比较,并且确定血液正在肺部周围被分流。
9.根据权利要求5所述的系统,其中,所述至少一个计算机处理器被配置为还基于生理传感器数据、人口统计资料、观察以及临床数据来确定所述概率和所述严重性。
10.根据权利要求1至4中任一项所述的系统,其中,所述推荐的动作过程包括将所述患者运送到针对所述感兴趣状况更好地装备的另一护理设施。
11.根据权利要求10所述的系统,其中,所述推荐的动作过程还包括用于在运送所述患者之前缓解所述感兴趣状况的恶化的建议的护理。
12.根据权利要求1至4中任一项所述的系统,其中,所述推荐的动作过程包括用于在所述护理设施处使用在所述护理设施处可用的资源来缓解所述感兴趣状况的恶化的建议的护理。
13.一种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被处理器执行时使所述处理器:
接收包括感测到的患者的至少两个生理测量结果的集合的电信号;将所述至少两个生理测量结果的差值与根据传感器输出指南的预定生理测量结果范围进行比较,其中,所述至少两个生理测量结果与分别在所述患者的右脚处和在所述患者的左手处感测到的血氧浓度水平相对应;
响应于确定所述差值落到所述生理测量结果范围外而识别用于采集数据以确定所述患者的感兴趣状况的概率和严重性的超声成像过程;
基于识别出的超声成像过程来获得来自扫描的图像数据;
基于接收到的图像数据来确定所述感兴趣状况的概率和严重性;
识别可能改善所述概率和所述严重性的准确度的其他数据;
响应于接收到至少识别出的其他数据的子集而更新所述概率和所述严重性;
基于更新后的概率、更新后的严重性、护理设施的资源以及事件指南来确定针对所述患者的推荐的动作过程;并且
视觉呈现更新后的概率和更新后的严重性以及所述推荐的动作过程。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361903438P | 2013-11-13 | 2013-11-13 | |
US61/903,438 | 2013-11-13 | ||
PCT/IB2014/066005 WO2015071847A2 (en) | 2013-11-13 | 2014-11-13 | Clinical decision support system based triage decision making |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105765584A CN105765584A (zh) | 2016-07-13 |
CN105765584B true CN105765584B (zh) | 2019-03-29 |
Family
ID=52023571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480061876.5A Active CN105765584B (zh) | 2013-11-13 | 2014-11-13 | 用于分诊决策制定的临床决策支持系统和计算机存储介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US9946843B2 (zh) |
EP (1) | EP3069281B1 (zh) |
JP (1) | JP6402185B2 (zh) |
CN (1) | CN105765584B (zh) |
RU (1) | RU2679572C1 (zh) |
WO (1) | WO2015071847A2 (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITUB20153285A1 (it) * | 2015-08-28 | 2017-02-28 | Inmm S R L | Sistema e metodo di supporto ad un operatore in un intervento di emergenza su un paziente |
US10855515B2 (en) * | 2015-10-30 | 2020-12-01 | Netapp Inc. | Implementing switchover operations between computing nodes |
US10950341B2 (en) * | 2015-11-30 | 2021-03-16 | Physio-Control, Inc. | Integration of a point-of-care blood analyzer into a prehospital telemedicine system |
WO2018162644A1 (en) * | 2017-03-10 | 2018-09-13 | Koninklijke Philips N.V. | Patient status monitor with visually strong patient status display |
US20200185078A1 (en) * | 2017-04-25 | 2020-06-11 | Koninklijke Philips N.V. | System and method for facilitating configuration modifications for a patient interface computer system based on a patient-specific risk alert model |
EP3404666A3 (en) * | 2017-04-28 | 2019-01-23 | Siemens Healthcare GmbH | Rapid assessment and outcome analysis for medical patients |
US10825167B2 (en) | 2017-04-28 | 2020-11-03 | Siemens Healthcare Gmbh | Rapid assessment and outcome analysis for medical patients |
US10346979B2 (en) * | 2017-06-19 | 2019-07-09 | Viz.ai Inc. | Method and system for computer-aided triage |
CN107800801A (zh) * | 2017-11-07 | 2018-03-13 | 上海电机学院 | 一种基于用户学习偏好的学习资源推送方法及系统 |
US10811135B2 (en) * | 2018-12-27 | 2020-10-20 | General Electric Company | Systems and methods to determine disease progression from artificial intelligence detection output |
JP2019107485A (ja) * | 2019-02-26 | 2019-07-04 | 株式会社トプコン | 眼科検査装置 |
KR102261078B1 (ko) * | 2019-07-08 | 2021-06-03 | 경희대학교 산학협력단 | 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 방법 및 이의 시스템 |
TR202011991A2 (tr) * | 2020-07-28 | 2020-10-21 | Asli Goerek Dilektasli | Medi̇kal ki̇osk i̇çeren mobi̇l tri̇yaj i̇stasyonu |
GB2598568A (en) * | 2020-09-01 | 2022-03-09 | Clini Hub Ltd | Patient monitoring device |
WO2023049430A1 (en) * | 2021-09-27 | 2023-03-30 | Becton, Dickinson And Company | System and method for vascular access management |
US20230207131A1 (en) * | 2021-12-27 | 2023-06-29 | Matrixcare, Inc. | Wound management system for predicting and avoiding wounds in a healthcare facility |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101911083A (zh) * | 2008-01-07 | 2010-12-08 | 通用电气公司 | 用于预测心脏猝死风险的系统、方法和装置 |
CN103313650A (zh) * | 2010-11-11 | 2013-09-18 | 卓尔医学产品公司 | 急诊处理系统信息面板 |
Family Cites Families (17)
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 |
US7454360B2 (en) * | 1999-06-23 | 2008-11-18 | Visicu, Inc. | Order evaluation system for use in a healthcare location |
US7315825B2 (en) * | 1999-06-23 | 2008-01-01 | Visicu, Inc. | Rules-based patient care system for use in healthcare locations |
US8401874B2 (en) * | 1999-06-23 | 2013-03-19 | Koninklijke Philips Electronics N.V. | Rules-based system for maternal-fetal care |
US9053222B2 (en) * | 2002-05-17 | 2015-06-09 | Lawrence A. Lynn | Patient safety processor |
US20040122787A1 (en) * | 2002-12-18 | 2004-06-24 | Avinash Gopal B. | Enhanced computer-assisted medical data processing system and method |
JP2007504883A (ja) * | 2003-09-12 | 2007-03-08 | オル−ニム メディカル リミテッド | 対象領域の非侵襲的光学モニタリング |
US7433853B2 (en) * | 2004-07-12 | 2008-10-07 | Cardiac Pacemakers, Inc. | Expert system for patient medical information analysis |
US8740789B2 (en) * | 2005-03-03 | 2014-06-03 | Cardiac Pacemakers, Inc. | Automatic etiology sequencing system and method |
US20060265253A1 (en) * | 2005-05-18 | 2006-11-23 | Rao R B | Patient data mining improvements |
US8892196B2 (en) * | 2006-07-06 | 2014-11-18 | Los Angeles Biomedial Research Institute At Harbor-Ucla Medical Center | Device and method for screening congenital heart disease |
US8457707B2 (en) | 2006-09-20 | 2013-06-04 | Masimo Corporation | Congenital heart disease monitor |
US20090149719A1 (en) * | 2007-12-05 | 2009-06-11 | Cardiac Pacemakers, Inc. | System And Method For Performing Remote Patient Risk Assessment Through A Visual Analog Scale |
US9997260B2 (en) | 2007-12-28 | 2018-06-12 | Koninklijke Philips N.V. | Retrieval of similar patient cases based on disease probability vectors |
US9763606B2 (en) | 2010-08-23 | 2017-09-19 | Los Angeles Biomedical Research Institute At Harbor-Ucla Medical Center | Foot pulse oximeter for screening congenital heart disease before newborn discharge |
US9392945B2 (en) * | 2012-01-04 | 2016-07-19 | Masimo Corporation | Automated CCHD screening and detection |
WO2014205139A1 (en) * | 2013-06-20 | 2014-12-24 | University Of Virginia Patent Foundation | Multidimensional time series entrainment system, method and computer readable medium |
-
2014
- 2014-11-13 CN CN201480061876.5A patent/CN105765584B/zh active Active
- 2014-11-13 RU RU2016123429A patent/RU2679572C1/ru not_active IP Right Cessation
- 2014-11-13 JP JP2016529429A patent/JP6402185B2/ja active Active
- 2014-11-13 US US15/034,609 patent/US9946843B2/en active Active
- 2014-11-13 EP EP14811977.9A patent/EP3069281B1/en active Active
- 2014-11-13 WO PCT/IB2014/066005 patent/WO2015071847A2/en active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101911083A (zh) * | 2008-01-07 | 2010-12-08 | 通用电气公司 | 用于预测心脏猝死风险的系统、方法和装置 |
CN103313650A (zh) * | 2010-11-11 | 2013-09-18 | 卓尔医学产品公司 | 急诊处理系统信息面板 |
Also Published As
Publication number | Publication date |
---|---|
WO2015071847A2 (en) | 2015-05-21 |
CN105765584A (zh) | 2016-07-13 |
JP2017503532A (ja) | 2017-02-02 |
JP6402185B2 (ja) | 2018-10-10 |
US9946843B2 (en) | 2018-04-17 |
RU2679572C1 (ru) | 2019-02-11 |
EP3069281A2 (en) | 2016-09-21 |
US20160328525A1 (en) | 2016-11-10 |
WO2015071847A3 (en) | 2015-08-27 |
RU2016123429A (ru) | 2017-12-22 |
EP3069281B1 (en) | 2021-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105765584B (zh) | 用于分诊决策制定的临床决策支持系统和计算机存储介质 | |
US9589106B2 (en) | Devices, systems, and methods for automated data collection | |
US9462980B2 (en) | Apparatus, method and computer readable code for forecasting the onset of potentially life-threatening disease | |
JP2019509101A (ja) | 小児対象に関する血行力学的不安定性リスクスコアを決定するシステム及び方法 | |
CN106455996A (zh) | 用于无创地监测和识别药物效应和相互作用的方法和设备 | |
WO2022082004A1 (en) | Systems and methods using ensemble machine learning techniques for future event detection | |
KR102446376B1 (ko) | 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스 | |
Ardeti et al. | An overview on state-of-the-art electrocardiogram signal processing methods: Traditional to AI-based approaches | |
CN110200599A (zh) | 一种脉搏波检测方法、终端设备及系统 | |
US20210307624A1 (en) | Non-invasive device and methods for monitoring muscle tissue condition | |
Atalay et al. | Digital twin in health care | |
Bhattacharya et al. | Remote cardiovascular health monitoring system with auto-diagnosis | |
Valsalan et al. | Remote healthcare monitoring using expert system | |
Shwetha et al. | Remote monitoring of heart patients using robotic process automation (RPA) | |
Skrivanos et al. | Home Healthcare Technologies and Services: Heart-Rate Fetus Monitoring System Using an MCU ESP8266 Node | |
Hridhya et al. | Patient Monitoring and Abnormality Detection Along with an Android Application | |
Veeraprakashkumar et al. | Survey on Various Iot Healthcare Monitoring and Prediction System Using Machine Learning Concepts | |
Mythili et al. | Predictive Analytics for Improving Physician Insights in Health Informatics | |
US20230386676A1 (en) | Systems and methods to detect a false alarm in a patient monitoring device | |
Kumari et al. | A Cloud-Based Real-Time Healthcare Monitoring System for CVD Patients | |
Vats | Machine Learning Enabled Vital Sign Monitoring System | |
Cabrera-Quirós et al. | Listen to the real experts: Detecting need of caregiver response in a NICU using multimodal monitoring signals | |
Baker | Development of machine learning schemes for use in non-invasive and continuous patient health monitoring | |
Chatrati et al. | Computer and Information Sciences | |
CN115979735A (zh) | 具有疾病检测功能的人体尿液气味检测装置 |
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 |