CN106456015B - 用于评估急性发作和/或住院治疗的风险的装置、系统、方法和计算机程序 - Google Patents
用于评估急性发作和/或住院治疗的风险的装置、系统、方法和计算机程序 Download PDFInfo
- Publication number
- CN106456015B CN106456015B CN201580034985.2A CN201580034985A CN106456015B CN 106456015 B CN106456015 B CN 106456015B CN 201580034985 A CN201580034985 A CN 201580034985A CN 106456015 B CN106456015 B CN 106456015B
- Authority
- CN
- China
- Prior art keywords
- activity
- activity data
- ratio
- patient
- risk
- 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
- 230000005713 exacerbation Effects 0.000 title claims abstract description 65
- 238000004590 computer program Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 419
- 230000037081 physical activity Effects 0.000 claims abstract description 86
- 238000012502 risk assessment Methods 0.000 claims abstract description 11
- 230000014509 gene expression Effects 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 33
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims 2
- 239000000758 substrate Substances 0.000 claims 2
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 58
- 230000001154 acute effect Effects 0.000 description 18
- 238000012544 monitoring process Methods 0.000 description 13
- 208000024891 symptom Diseases 0.000 description 12
- 206010011224 Cough Diseases 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 6
- 206010003658 Atrial Fibrillation Diseases 0.000 description 5
- 230000002411 adverse Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 208000000059 Dyspnea Diseases 0.000 description 4
- 206010013975 Dyspnoeas Diseases 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 4
- 230000037007 arousal Effects 0.000 description 4
- 230000002060 circadian Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 206010003119 arrhythmia Diseases 0.000 description 3
- 230000006793 arrhythmia Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 3
- 206010007559 Cardiac failure congestive Diseases 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 2
- 206010062519 Poor quality sleep Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000002542 deteriorative effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000013220 shortness of breath Diseases 0.000 description 2
- 230000004622 sleep time Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 208000020053 Abnormal inflammatory response Diseases 0.000 description 1
- 240000004246 Agave americana Species 0.000 description 1
- 235000008754 Agave americana Nutrition 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 206010006482 Bronchospasm Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 208000032131 Diabetic Neuropathies Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010036790 Productive cough Diseases 0.000 description 1
- 208000009144 Pure autonomic failure Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 206010057190 Respiratory tract infections Diseases 0.000 description 1
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 206010047924 Wheezing Diseases 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 230000007885 bronchoconstriction Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008645 cold stress Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000003097 mucus Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001734 parasympathetic effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 208000024794 sputum Diseases 0.000 description 1
- 210000003802 sputum Anatomy 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002889 sympathetic effect Effects 0.000 description 1
- 210000002820 sympathetic nervous system Anatomy 0.000 description 1
- 230000001331 thermoregulatory effect Effects 0.000 description 1
- LERNTVKEWCAPOY-DZZGSBJMSA-N tiotropium Chemical compound O([C@H]1C[C@@H]2[N+]([C@H](C1)[C@@H]1[C@H]2O1)(C)C)C(=O)C(O)(C=1SC=CC=1)C1=CC=CS1 LERNTVKEWCAPOY-DZZGSBJMSA-N 0.000 description 1
- 229940110309 tiotropium Drugs 0.000 description 1
- 230000001515 vagal effect Effects 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
- 230000002747 voluntary effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
- A61B5/4815—Sleep quality
-
- 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
- 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
- G16H50/30—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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及用于评估急性发作和/或住院治疗的风险的装置、系统(100)、方法(200)和计算机程序。在活动时间段期间(例如,在觉醒小时期间)和在休息时间段期间(例如,在睡眠小时期间)(例如,通过加速度计(110))测量患者的身体活动以收集第一活动数据和第二活动数据。(例如,通过风险评估单元(120))基于包含在活动时间段期间和在休息时间段期间的各自的活动数据的表达满足关于预定活动水平的预定关系来评估急性发作和/或住院治疗的风险。例如,在活动时间段期间的低活动数据和在休息时间段期间的高活动数据指示针对患者的急性发作和/或重新住院的增大的风险。
Description
技术领域
本发明涉及用于评估对象的急性发作和/或住院治疗的风险的装置、用于评估对象的急性发作和/或住院治疗的风险的系统、用于评估对象的急性发作和/或住院治疗的风险的方法以及用于评估对象的急性发作和/或住院治疗的风险的计算机程序。
背景技术
慢性阻塞性肺病(COPD)是以气道的发炎为特征的呼吸疾病。COPD以不完全可逆的气流受限为特征。气流受限是渐进的且与肺部对有害颗粒或气体的异常发炎反应相关联。COPD的症状可以包括咳嗽、喘息和粘液的产生,并且可以部分地根据分泌物的体积和颜色查看严重程度。
急性发作是COPD症状的恶化。急性发作可以与不同程度的生理恶化相关联。急性发作可以被测量为在一秒钟内测量的用力呼气量(FEV1)的降低。急性发作可以以增加的咳嗽、呼吸困难(即,呼吸短促)和痰的产生为特征。急性发作的主要症状是呼吸困难的恶化(即,呼吸短促),同时主要反应是缺乏能量,这继而可能转化成身体活动水平的降低。
急性发作通常由病毒或细菌感染引起,并且通常可能导致COPD患者的住院治疗。急性发作的频率在冬天由于对患者身体的冷应力而增加,如在Rabe等人的文章“Seasonaldistribution of COPD exacerbations in the Prevention of Exacerbations withTiotropium in COPD trial”(2013年3月;143(3):711-9)中所公开的。这可能归因于以下组合:a)面部皮肤和气道的冷却,导致支气管狭窄;和b)体温调节系统随着年龄变得不太有效,因此使COPD患者更易受到呼吸感染影响。急性发作不仅限制日常活动的执行,而且显著降低了COPD患者的生活的健康相关质量。高频率的急性发作与存活的不良预后关联。另外,急性发作通常可能导致住院治疗,这是COPD患者的总体护理支出的主要决定因素。
因为当急性发作发生时产生损害,所以期望能够预测急性发作的可能发作并开始治疗,这防止发生急性发作和/或在早期处置症状,由此减少由急性发作引起的严重性和损害。此外,减少以及最重要地防止急性发作可以帮助COPD患者导致改善的生活质量,并且可以降低COPD患者的护理成本。
活动的改变,尤其是身体活动的强度的变化通常被认为是对检测COPD中的急性发作的良好度量。目前,已经在研究COPD患者的身体活动时考虑了多种方法,参考Pitta等人的文章“Physical activity and hospitalization for exacerbation of COPD”(Chest.2006年3月;129(3):536-44);Pitta等人的文章“Characteristics of physicalactivities in daily life in chronic obstructive pulmonary disease”(Am JRespir Crit Care Med.2005年5月1日;171(9):972-7.Epub 2005年1月21日),以及Garcia-Aymerich等人的文章“Physical activity and clinical and functionalstatus in COPD”(Chest.2009年7月;136(1):62-70.doi:10.1378/chest.08-2532.Epub2009年3月2日)。例如,许多研究者已经主动研究了由患者执行的不同类型的活动(例如,散步、站立、坐下、跑步)。此外,还可以观察由患者经历的步数计数。然而,所有这些方法只检查了患者在其活动时间段期间(例如在白天时间期间)的活动。自然,当患者上床睡觉时COPD的症状并没有停止。在许多情况下,COPD患者因为他们的症状(例如,咳嗽)而不能享有良好的夜间睡眠。然而,上述的现有研究并未持续研究患者在家庭环境中的睡眠期间的活动,即,在与重新住院相关的上床睡觉时间期间。Nunes等人在文章“Actigraphicassessement of sleep in chronic obstructive pulmonary disease”(Sleep Breath2013年3月;17(1):125-32)中通过体动记录仪研究了26个中度到非常严重的COPD患者以及15个对照至少五天。COPD患者显示出与对照相比增加的入眠时间、平均的活动和减少的总共睡眠时间。
WO 2013/080109 A2的公开内容的实施例提供了包括活动监测器的健康监测系统。健康监测系统还包括处理器和用于存储机器可读指令的存储器。指令使处理器从由活动监测器获取的活动数据导出活动计数。指令还使处理器将活动计数存储在存储器中,并将其与时间相关联。指令还使处理器根据活动计数来计算至少两个统计参数,其中至少两个统计参数描述根据时间的活动计数。指令还使处理器为计算针对至少两个统计参数中的每个的风险分数。指令还使处理器使用为至少两个统计参数中的每个的风险分数来计算总计风险分数。
由US 2013/0030258 A1提供用于预测COPD患者的急性发作的发作的计算机实现方法。该方法包括:测量在一时间段内患者的身体活动以收集身体活动数据;测量一时间段内患者的呼吸特性以收集呼吸数据;以及在一个或多个计算机处理器上执行一个或多个计算机程序模块以基于预定准则来检测急性发作的发作,其中预定准则包括呼吸数据中的变化与身体活动数据中的变化的比较。
Kurcalte,I.等人的文章“Circadian Heart Rate Variability in PermanentAtrial Fibrillation Patients”(Proceedings of the 41st International Congresson Electrocardiology,第161至164页(2014))公开了使用生理心率的测量用于永久性心房颤动患者的死亡风险和心脏自主控制评估。其发现昼夜节律心率指数在死亡患者中与活着的患者比显著较低;在糖尿病患者中与没有糖尿病患者比较低;以及在具有改善的糖尿病神经病变诊断的糖尿病患者中较低。测量出的心率变化性指数没有显示出在研究的患者组中的显著不同。根据该文章,昼夜节律心率变化性显示了用于PAF患者中风险评估的有前景的预测价值。
WO 97/12546公开了一种评估不利临床事件的风险的方法,所述不利临床事件包括检测对象中的生理信号,并根据生理信号确定对应于心搏之间的时间间隔的间隔序列。分析在长于十五分钟的时间段内的间隔中的波动的长期结构,以评估不利临床事件的风险。生理信号是心电图,并且时间段是至少十五分钟。分析间隔中的长期结构变化性的方法包括计算功率谱,并根据所选频率范围(例如,10-4到10-2Hz)内的谱将功率谱适配到幂次定律。间隔中的长期结构波动的特性用于评估不利临床事件的风险。
US 7,946,995 B1公开了一种基于一个或多个血液动力学参数的昼夜节律变化确定医学患者的不良心脏状况的系统和方法。该系统和方法计算在第一时间段期间的一系列第一值的第一平均值、在第二时间段期间的一系列第二值的第二平均值以及在第一平均值与第二平均值之间的差。该方法当差小于预定阈值时提供不良心脏状况的指示。
Tükek,T.等人的文章“Effect of diurnal variability of heart rate ondevelopment of arrhythmia in patients with chronic obstructive pulmonarydisease”(International Journal of Cardiology,第88卷,第199至206页(2003))检查心率的昼夜变化性对具有慢性阻塞性肺病(COPD)的患者的心率失常发展的可能影响。针对心房颤动(AF)或室性早搏(VPB)分析24个小时的ECG记录,并通过将24小时时间段划分成白天时间(08:00-24:00h)和夜晚时间(24:00-08:00h)时间段来评估心率变化性(HRV)的昼夜变化。在AF(—)COPD患者和对照中的夜晚时间总计功率(TP)、低频率(LF)和高频率(HP)功率都类似地低于白天时间的参数。LF/HF比率在同一患者组中也显著降低。夜晚时间TP和LF增加,HF不变,并且LF/HF在AF(+)COPD患者中显著增加。VPB的频率与经校正的QT散布和白天时间/夜晚时间HF比率相关。具有高于60ms的经校正的QT散布的患者在夜晚时间HF没有预期的增加,并且具有统计上显著增加的LF/HF比率。在具有低于60ms的经校正的QT散布的COPD患者中,HRV参数的昼夜变化与对照平行。该文章推断具有心律不齐的COPD患者具有昼夜节律HRV困扰,例如支持一整天的交感神经系统的不变的夜晚时间副交感音调和扰乱的交感迷走平衡,其可能解释心律不齐的增加的频率。
US 2010/0010552A1公开了一种用于温度分析以在患者症状之前提供充血性心力衰竭进展的早期标志的方法和系统。患者的温度是心力衰竭患者死亡的重要预测器。温度为患者的基本状况的生理学提供了窗口,并可以用作CHF急性发作的早期标志。患者的温度被获取以形成温度值的时间序列。例如,通过离散傅里叶变换将温度值的时间序列变换到频域。然后针对指示患者的恶化状况的标志来分析频域表示。可以针对标志例如利用余弦法分析来分析患者的温度值的时间序列。可以针对患者的恶化医学状况的标志来分析时域温度数据和频域温度数据。
发明内容
本发明的目的是提供用于尤其是在COPD患者的情况下预测和评估急性发作和/或住院治疗的风险的改进的装置、系统、方法和计算机程序。具体地,也期望通过考虑患者在夜间的身体活动来改进现有方法。
在本发明的第一方面中,提供一种用于评估对象的急性发作和/或住院治疗的风险的装置,所述装置包括:输入单元,其用于接收针对所述对象的第一活动数据和第二活动数据;其中,所述第一活动数据指示所述对象在活动时间段的至少部分期间的身体活动;其中,所述第二活动数据指示所述对象在休息时间段的至少部分期间的身体活动;以及风险评估单元,其被配置为基于预定准则来检测所述急性发作的发作,其中,所述预定准则包括包含所述第一活动数据和/或所述第二活动数据的表达满足关于预定活动水平的预定关系的条件,其特征在于,a)所述装置被配置为将所述第一活动数据与第一活动水平进行比较;并且所述装置被配置为将所述第二活动数据与第二活动水平进行比较,其中,所述第一活动水平高于所述第二活动水平,其中,所述预定准则包括以下条件:(1)所述第一活动数据低于所述第一活动水平,以及(2)所述第二活动数据高于所述第二活动水平;和/或b)所述装置被配置为确定第一活动数据与第二活动数据之间的比率,其中,所述装置被配置为将所述比率与比率活动水平进行比较,其中,所述预定准则包括所述比率低于所述比率活动水平的条件;和/或c)所述装置被配置为确定第一活动数据与第二活动数据之间的差异,其中,所述装置被配置为将所述差异与差异活动水平进行比较,并且其中,所述预定准则包括所述差异低于所述差异活动水平的条件。
在本发明的第二方面中,提供了一种用于评估对象的急性发作和/或住院治疗的风险的系统。所述系统包括:身体活动测量单元;其中,所述身体活动测量单元被配置为测量所述对象在活动时间段的至少部分期间的身体活动以收集第一活动数据(活动时间段活动数据);其中,所述身体活动测量单元还被配置为测量所述对象在休息时间段的至少部分期间的身体活动以收集第二活动数据(休息时间段活动数据);以及如第一方面所述的装置;其中,所述装置的所述输入单元被配置为从所述身体活动测量单元接收所述第一活动数据和所述第二活动数据。
如上所述,活动的变化,尤其是身体活动的强度中的变化通常被认为是良好的度量以检测对象(例如,患者)的恶化和/或COPD中的急性发作的发作。然而,现有方法只检查对象(例如,患者)在其活动时间段期间(例如在白天期间)的活动。自然,当患者上床睡觉时COPD的症状并没有停止。在许多情况下,COPD患者因为他们的症状(例如,咳嗽)而不能享有良好的夜间睡眠。根据本发明的第一方面和第二方面,提出了使用患者在活动(例如,白天时间)以及休息(例如,睡眠)时间段期间的身体活动。所提出的系统可以包括设备,其被患者佩戴或携带以便连续地测量身体活动数据。替代地,所述系统包括身体活动测量单元,例如加速度计,其被佩戴到例如患者的手腕上,并且其与风险评估单元进行通信,其可以被包含于个人计算机中等。风险评估单元可以由计算机程序产品实现,以使处理器分析在活动时间段和休息时间段期间从患者处收集的身体活动数据。可以观察到,不稳定的COPD患者(即,在监测时间段内(例如,出院后的一个月内)具有重新住院的增大的风险的患者)在睡眠期间展示出增加的活动(例如,因为他们由于例如他们的咳嗽的症状而保持觉醒),以及在觉醒小时期间减少的活动(例如,因为他们由于没有睡好觉而筋疲力尽)。因此可以有益地使用在活动时间段期间收集的身体活动数据和在休息时间段期间收集的身体活动数据的组合以例如基于COPD患者的日常活动和睡眠中的变化来提供住院治疗的改进的风险分层。
如本文中所使用的术语“风险”对应于(可能令人不愉快的)事件(即,紧急发作和/或住院治疗)发生并因此范围在0%(可以排除急性发作和/或住院治疗)与100%(确定发生急性发作和/或住院治疗)之间的可能性。另一方面,如本文中所使用的术语“发作(onset)”对应于某些事情的开始,尤其是令人不愉快的事情(例如急性发作,其可能导致对象的住院治疗)的开始。“急性发作风险”和“急性发作发作”是相关的,因为检测急性发作的发作通常对应于实际急性发作发生的较高风险。然而,注意,如本文所使用的“发作”并不是指可能性,而是触发或标记,其信号通知指示增加的急性发作或住院治疗的给定准则被满足。
根据选项a),所述装置被配置为将第一活动数据与第一活动水平进行比较;和/或所述装置被配置为将第二活动数据与第二活动水平进行比较。将活动数据与活动水平(例如,阈值、上限和/或下限)进行比较有利地解决了常见的患者在活动时间段和休息时间段期间展示出不同平均活动水平的事实。即,即使对健康的人,在休息时间段期间的活动数据将是低的。在活动时间段与休息时间段之间的区分因此包含在休息时间段期间的低活动不被误解为总体低活动(其可能被解释为增大的重新住院风险)的优点。
这里,第一活动水平高于第二活动水平。该选项因此考虑在活动时间段期间的平均活动水平通常高于在休息时间段期间的平均活动水平。
此外,所述预定准则包括以下条件:(1)所述第一活动数据小于所述第一活动水平,以及(2)所述第二活动数据高于所述第二活动水平。通常,如下文更详细描述的,不稳定的COPD患者在夜间更得不到休息(即,在休息时间段期间展示出较高的活动数据),但是在白天期间疲劳(即,在活动时间段期间展示出较少的活动数据)。相比之下,在监测时间段内(例如,出院后的一个月内)具有较低重新住院风险的稳定的COPD患者通常在睡眠期间展示出较少的运动(即,在休息时间段期间较少的活动),并且在白天期间更活动(即,在活动时间段期间增加的活动)。
根据选项b),所述装置被配置为确定第一活动数据与第二活动数据之间的比率。通过考虑比率,优选实施例实现了对所使用的身体活动测量单元(例如,加速度计)的减少的依赖。这是因为为了支持第一活动数据与第二活动数据的比率而忽略身体活动的绝对值。换句话说,第一加速度计可以产生活动数据的非常高的绝对值(例如,因为第一加速度计非常灵敏),而第二加速度计可以产生活动数据的非常低的绝对值(例如,因为第二加速度计较不灵敏)。在这种情况下,将绝对值与预定阈值进行比较将导致取决于所使用的加速度计的不同的结果。然而,考虑活动数据的比率较不倾向于加速度计的具体细节,只要加速度计输出大致与患者的身体活动成比例。优选地,获取总计日常觉醒活动计数和总计日常睡眠活动计数,并且计算它们的比率。这样,考虑活动时间段和休息时间段的持续时间。替代地和/或另外,确定日常平均觉醒活动计数和日常平均睡眠活动计数,并计算它们的比率。
这里,所述装置配置为将所述比率与比率活动水平进行比较。优选地,比率活动水平可以对应于患者组的平均活动水平。例如,如果比率等于或大于在监测时间段期间具有急性发作或重新住院的较低风险的稳定COPD患者组的平均活动水平(即,例如,第一活动数据是高的并且第二活动数据是低的),则急性发作和/或住院治疗的风险低。另一方面,如果比率小于不稳定的COPD患者组的平均活动水平(即,例如,第一活动数据是低的且第二活动数据是高的),则急性发作和/或住院治疗的风险可以高。
此外,预定准则包括比率小于比率活动水平的条件。该优选实施例利用以下事实:如果所述比率小于不稳定的COPD患者组的平均活动水平(即,例如,第一活动数据是低的且第二活动数据是高的),则急性发作和/或住院治疗的风险可以高。
根据选项c),所述装置被配置为确定第一活动数据与第二活动数据之间的差异。这里,所述装置被配置为将所述差异与差异活动水平进行比较。差异活动水平可以例如对应于阈值。此外,预定准则包括所述差异低于差活动水平的条件。
根据优选实施例,第一活动数据对应于所述对象(例如,患者)在活动时间段的至少部分期间的平均活动数据;和/或第二活动数据对应于所述对象(例如,患者)在休息时间段的至少部分期间的平均活动。
通过考虑平均活动数据,根据优选实施例的装置关于波动更健壮,因为只考虑平均活动数据。可以理解的是,优选实施例类似地可以指代考虑活动数据的中值。此外,将理解的是,在丢弃了最高活动数据测量和最低活动数据测量之后确定平均值和/或中值以便针对单个异常值更健壮。
根据另一优选实施例,第一活动数据对应于所述对象(例如,患者)在整个活动时间段期间的平均活动数据;和/或第二活动数据对应于所述对象(例如,患者)在整个休息时间段期间的平均活动。通过考虑在整个活动时间段和/或休息时间段内的平均活动,优选实施例关于波动更健壮,其受限于简短的时间段。
根据另一优选实施例,所述装置被配置为将第一活动数据与过去的第一活动数据进行比较,其中,所述过去的第一活动数据对应于在先前的一天或几天上收集的第一活动数据;和/或所述装置被配置为将第二活动数据与过去的第二活动数据进行比较,其中,所述过去的第二活动数据对应于在所述先前的一天或几天上收集的第二活动数据。通过将针对给定天的患者的活动数据与先前的(一个或多个)天的患者的活动数据进行比较,优选实施例使得能够监测COPD患者的活动的时间演变。优选地,为了能够采用过去的第一活动数据和第二活动数据,所述系统被配置为对数据存储进行写入和读取。所述数据存储可以为所述系统的部分。在另一实施例中,所述数据存储可以经由网络模块被访问,网络模块例如但不限于互联网。
根据另一优选实施例,所述预定准则包括以下条件:(1)第一活动数据与当没有处于风险时的第一活动数据相比较低;以及(2)第二活动与当没有处于风险时的第一活动数据相比较高。如在这里下文更详细描述的,在休息时间段期间增加的活动水平和在活动时间段期间减小的活动水平通常指示在监测时间段期间紧急发作或重新住院的增大的风险。
根据又一优选实施例,预定准则包括以下条件:(1)第一活动数据小于过去的第一活动中的一个或多个,以及(2)第二活动高于过去的第二活动中的一个或多个。如下文更详细地解释的,在休息时间段期间增加的活动水平和在活动时间段期间减少的活动水平通常指示在监测时间段期间紧急发作或重新住院的增大的风险。
根据另一优选实施例,所述装置被配置为将所述比率与过去的比率进行比较,其中,所述过去比率对应于在先前的一天或多天上收集的第一活动数据与第二活动数据之间的比率。通过将针对给定天的所测量的比率与先前的(一个或多个)天的所测量的比率进行比较,优选实施例使得能够监测COPD患者的活动的时间演变。
根据另一优选实施例,预定准则包括所述比率小于过去的比率中的一个或多个的条件。通常,在休息时间段期间增加的活动水平和在活动时间段期间减少的活动水平可以指示重新住院的增大的风险。因此,减少的比率(即,在休息时间段期间的活动数据高且在活动时间段期间的活动低)可以指示紧急发作或重新住院的增大的风险。连续的低比率可以指示急性发作或重新住院的增大的风险。注意,具有低比率的一天可以不必意指急性发作的增大的风险。然而,如果低比率连续在一些天内持续,则这将为针对急性发作的增大的风险。
根据另一优选实施例,所述装置被配置为确定第一活动数据与第二活动数据之间的差异。在监测时间段期间具有急性发作或重新住院的较低风险的稳定的COPD患者具有针对在活动时间段期间的活动水平减去在休息时间段的活动水平之间的差异的高值。在这些患者中在休息时间段期间具有低活动水平,该差异可能接近在活动时间段期间的活动水平。在监测时间段期间具有急性发作或重新住院的较高风险的不稳定的COPD患者具有针对在活动时间段期间的活动水平减去在休息时间段的活动水平之间的差异的低得多的值,例如,第一活动数据与稳定情形相比低并且第二活动数据与稳定情形相比高,从而导致较小的差异。
根据另一优选实施例,所述装置被配置为将在日常觉醒活动计数与睡眠活动计数之间的差异除以总计日常活动计数。
根据另一优选实施例,所述装置被配置为通过将睡眠活动计数除以总计日常活动计数来确定在睡眠期间发生的日常活动计数的分数。
根据另一优选实施例,所述装置还包括警报,所述警报被配置为当预定准则被满足时生成对患者和/或患者的医生或护理者的警报指示。优选地,当发生增大的急性发作和/或重新住院风险时,警报可以通知患者。替代地和/或另外,警报可以直接通知医生或护理者。
根据另一优选实施例,身体活动测量单元包括加速度计和/或压电传感器。
在本发明的第三方面中,提供了一种用于评估急性发作和/或住院治疗的风险的方法。所述方法包括:测量所述患者在活动时间段的至少部分期间的身体活动以收集第一活动数据;测量所述患者在休息时间段的至少部分期间的身体活动以收集第二活动数据;以及基于预定准则来评估急性发作和/或住院治疗的风险,其中,所述预定准则包括包含所述第一活动数据和/或所述第二活动数据的表达满足关于预定活动水平的预定关系的条件。另外,所述方法包括:a)将所述第一活动数据与第一活动水平进行比较;以及将所述第二活动数据与第二活动水平进行比较,其中,所述第一活动水平高于所述第二活动水平,其中,所述预定准则包括以下条件:所述第一活动数据低于所述第一活动水平,以及所述第二活动数据高于所述第二活动水平;和/或b)确定第一活动数据与第二活动数据之间的比率,以及将所述比率与比率活动水平进行比较,其中,所述预定准则包括所述比率低于所述比率活动水平的条件;和/或c)确定第一活动数据与第二活动数据之间的差异,以及将所述差异与差异活动水平进行比较,其中,所述预定准则包括所述差异低于所述差异活动水平的条件。
在本发明的第四方面中,提供了一种用于评估急性发作和/或住院治疗的风险的计算机程序,所述计算机程序包括程序代码单元,所述程序代码单元用于当计算机程序运行在控制如第一方面所述的用于评估急性发作和/或住院治疗的风险的系统的计算机上时使用于评估急性发作和/或住院治疗的风险的所述系统执行如第三方面所述的用于评估急性发作和/或住院治疗的风险的方法的步骤。
可以理解的是,如权利要求1所述的用于评估急性发作和/或住院治疗的风险的装置、如权利要求8所述的用于评估急性发作和/或住院治疗的风险的系统、如权利要求9所述的用于评估急性发作和/或住院治疗的风险的方法和如权利要求10所述的用于评估急性发作和/或住院治疗的风险的计算机程序具有如在从属权利要求中限定的相似和/或相同的优选实施例。
可以理解的是,本发明的优选实施例还可以是从属权利要求或上述实施例与各自的独立权利要求的任意组合。
本发明的这些和其他方面将从后文描述的实施例变得显而易见并参考后文描述的实施例得到阐述。
附图说明
在以下附图中:
图1示意性且示例性示出了用于评估急性发作和/或住院治疗的风险的系统的实施例;
图2示意性且示例性示出了用于评估急性发作和/或住院治疗的风险的方法的实施例;
图3示意性且示例性示出了在活动时间段期间的来自两个不同组的患者的活动;
图4示意性且示例性示出了在休息时间段期间的来自两个不同组的患者的活动;
图5示意性且示例性示出了针对稳定患者的平均觉醒活动计数与平均睡眠活动计数的比率;
图6示意性且示例性示出了针对在第11天重新住院的患者的平均觉醒活动计数与平均睡眠活动计数的比率;
图7示意性且示例性示出了用于基于与之前的一天/多天相比的身体活动的总量的变化来提供警告指示的交通灯警告系统;
图8示意性且示例性示出了针对两个稳定患者和一个不稳定患者的平均觉醒活动计数与平均睡眠活动计数的比率;以及
图9示意性且示例性示出了针对两个稳定患者和一个不稳定患者的觉醒活动计数与睡眠活动计数之间的差异。
具体实施方式
图1示意性且示例性示出了用于评估急性发作和/或住院治疗的风险的系统100的实施例。系统100包括身体活动测量单元110和风险评估单元120。身体活动测量单元110被配置为在活动时间段的至少部分期间测量患者的身体活动以收集第一活动数据。身体活动测量单元110还被配置为在休息时间段的至少部分期间测量患者的身体活动以收集第二活动数据。风险评估单元120被配置为基于预定准则来检测急性发作的发作。预定准则包括包含第一活动数据和/或第二活动数据的表达满足关于预定活动水平的预定关系的条件。
图2示意性且示例性示出了用于评估急性发作和/或住院治疗的风险的方法200的实施例。方法200包括在活动时间段的至少部分期间测量(步骤210)患者的身体活动以收集第一活动数据;在休息时间段的至少部分期间测量(步骤220)患者的身体活动以收集第二活动数据;以及基于预定准则来检测(步骤230)急性发作和/或住院治疗风险的发作。预定准则包括包含第一活动数据和/或第二活动数据的表达满足关于预定活动水平的预定关系的条件。
根据第一优选实施例,在一天的活动时间段和休息时间段期间进行的身体活动的测量被用作指示出院的COPD患者是否恢复良好或患者是否处于重新住院的风险。
图3中的图形300示意性且示例性示出了在活动时间段期间的来自两个不同组330和340的患者的活动关于针对每个患者的百分比(在轴310上以计数/分钟为单位)。“计数/分钟”的绝对值是任意的并且取决于活动检测设备。活动计数取决于设备被佩戴在哪里(其可以被标准化为手腕)以及如何处理加速度数据(标准,m/s2)来计算活动“计数”。加速度数据的处理在设备制造商之间不同,但是可以被标准化。对于每个患者,已经确定在一时间段内的平均身体活动,并且将其包含于图形300中,其中误差示出了各自的统计误差。换句话说,绘图示出了属于对应百分比的平均身体活动计数以及统计范围“均值+/-s.e(统计误差)”。跨针对患者可用的数据的所有天求平均。这里,术语“活动”一般表示患者可能参与或准备好参与身体锻炼,或者简单地患者是觉醒的,即,没有睡觉。在图3的示例中,活动时间段对应于14个小时的时间段。在其他示例中,活动时间段可以对应于更长或更多的时间段。此外,活动时间段可以包括多个单独的时间段,其不必是连续的。例如,患者可以在下午早些时候打个盹,并在之后恢复活动。在这种情况下,可以从活动时间段数据丢弃患者打盹的时间段。图4的图形400示意性和示例性示出了在休息时间段期间的来自同两组330和340的患者的活动。再次,在以计数/分钟为单位的组百分比320上示出了身体活动310。这里,术语“休息”一般表示患者没有移动、在放松、睡眠或恢复体力,或者简单地患者正在睡觉,即,未觉醒。在图4的示例中,休息时间段对应于7个小时的时间段。在其他示例中,休息时间段可以对应于更长或更短的时间段。此外,休息时间段可以包括多个单独的时间段,其不必是连续的。例如,患者可能已经上床睡觉,但是决定再次起床例如去看电视。在这种情况下,可以将患者觉醒的时间段(例如,因为患者看电视)从休息时间段数据中丢弃。
如上所述,在图3和图4的示例中,“计数/分钟”的绝对值是任意的,并且例如取决于所使用的身体活动测量单元110(例如,加速度计)。对于每个患者,紧跟着例如出院之后的时间段(例如,若干天)内确定平均身体活动,并将其包含于图形中,其中,误差条示出了针对数据点的各自的统计误差。例如图3的表示得出由附图标记330示出的组1的百分之80(即,在其之下组1的每人花费其觉醒时间的80%的活动水平)对应于大约650计数/分钟;而由附图标记340表示的组2的百分之80(即,在其之下组2的每人花费其觉醒时间的80%的活动水平)对应于大约950计数/分钟。换句话说,组1患者330在其觉醒时间的80%期间平均展示不多于650计数/分钟的活动,而组2患者340在其觉醒时间的80%期间平均展示不多于950计数/分钟的活动。
特别地,对来自两个组的COPD患者的身体活动数据进行比较。组1患者是由于急性发作而具有再次住院经历的COPD患者。组2患者是自他们的身体活动数据被收集没有再次住院经历的COPD患者。在这一点上,组2患者可以被认为比组1患者更稳定,因为组2患者没有再次住院的经历。
图3示出了在活动时间段期间(例如,在白天期间)来自组1的患者比来自组2的患者活动较少。图4示出了在休息时间段期间(例如,在患者的睡眠时间)来自组1的患者比来自组2的患者活动较多。针对该观察的一个可能原因在于,当与稳定患者(即,组2中的患者)相比时,组1的患者经历来自他们的症状(例如,在夜间的咳嗽)的更多干扰。
图3和图4的结果可以被如下地使用以预测针对COPD患者的再次住院风险。根据一个示例,风险评估单元120将在活动小时期间的患者的活动与第一活动水平进行比较,并且将在休息小时期间的患者的活动与第二活动水平进行比较。第一活动水平优选高于第二活动水平。如果在活动小时期间的患者的活动少于第一活动水平并且如果在休息小时期间的患者的活动多于第二活动水平,则存在再次住院的增大的风险。例如,可以从落入组1或组2中的一个中的先前患者来确定第一活动水平和第二活动水平。注意,如上所述,活动计数的绝对值是任意的,或者为了精确,可以取决于所使用的实际活动测量设备。因此,确定第一活动水平和第二活动水平可以与所使用的身体活动测量单元110(例如,加速度计)的具体类型关联。换句话说,第一活动水平和第二活动水平(或截止值)不是任意的,但是它们是所使用的具体加速度计的函数。活动计数取决于设备被佩戴在哪里(其可以被标准化为手腕)以及如何处理加速度数据(标准,m/s2)来计算活动“计数”。加速度数据的处理在设备制造商之间不同,但是可以被标准化。使用图3和图4的结果预测针对COPD患者的重新住院风险的另一可能性是使用日夜值以及日夜比率作为特征,并使用除单个阈值之外的其他分类方案(例如,线性回归、逻辑回归、支持向量机,等)。
根据其他优选实施例,在一天的活动和休息时间段期间进行的身体活动的比率测量(和/或差异测量)被用作出院的COPD患者是否恢复良好或者患者是否处于急性发作和/或重新住院的风险的指示。
图5的图形示意性且示例性示出了在相对于出院之后的天数(轴510)的监测时间段期间没有急性发作或重新住院的COPD患者(例如,来自上述组2的患者)的平均活动(例如,觉醒)活动计数与平均休息(例如,睡眠)活动计数的比率。附图标记520、530、540和550分别表示总计觉醒活动计数与睡眠活动计数之间的比率、早晨觉醒活动计数与睡眠活动计数之间的比率、下午觉醒活动计数与睡眠活动计数之间的比率、以及晚上觉醒活动计数与睡眠活动计数之间的比率。图6的图形600示意性且示例性示出了在相对于出院之后的天数(轴610)的第11天重新住院的COPD患者(即,属于上述提及的组1的患者)的平均活动(例如,觉醒)活动计数与平均休息(例如,睡眠)活动计数的比率。附图标记620、630、640和650分别表示总计下午活动计数与睡眠活动计数之间的比率、早晨觉醒活动计数与睡眠活动计数之间的比率、晚上觉醒活动计数与睡眠活动计数之间的比率、以及总计觉醒活动计数与睡眠活动计数之间的比率。所建议的方法在检测住院方面是可靠的,并且比先前的方法简单,这是因为只需要身体活动测量单元110(例如,加速度计)来确定急性发作风险。
在优选实施例中,可以替代地或除了比率趋势(即,除了比率的时间演变)而使用绝对比率值。如上所述,比率测量独立于(或至少仅弱依赖于)所使用的实际活动测量设备(因为计数/分钟的绝对数量与所确定的比率是不相关的)。(下述的)另一优选实施例涉及使用缩放的差异,其中将第一活动数据(活动时间段活动数据)与第二活动数据(休息时间段活动数据)之间的差异除以第一活动数据和第二活动数据之和。利用这种实施例,首先,将从测量结果删除针对给定加速度计的活动计数的恒定偏移。第二,该方法不易于受加速度灵敏度影响,因为将活动计数中的差异除以活动计数之和,从而可以使用相同的阈值,而不管所使用的加速度计。因此可以确定各自的比率水平(或阈值),而不管用于测量身体活动的活动测量设备的细节。因此,来自图5和图6的比率水平可以用于确定针对组1患者和组2患者的平均比率。据此,可以确定比率活动水平例如对应于针对组1患者与组2患者的平均比率之间的比率的一半。因此,可以基于评价针对患者的单日活动(并将其与组1和组2进行比较),而不是将其与患者先前天的数据进行比较,来预测该患者的紧急发作和/或重新住院的风险。
换句话说,图5的图形500示出了恢复良好的患者的数据。如从图5中可看出,一般在白天与晚上之间的比率是高的。这表示患者在白天比在晚上活动更多。
图6的图形600示出了在第11天再次住院的患者的数据。如在将图6与图5进行比较时可看出的,与稳定患者相比,重新住院患者在活动时间段与休息时间段期间的活动计数之间的比率低得多。在图6中第4天的数据缺失,这是因为患者在该天没有佩戴传感器(这导致缺失数据点)。
优选地,根据优选实施例的系统100包括身体活动测量单元110,其被配置为在活动时间段的至少部分和休息时间段的至少部分期间测量患者的身体活动。更具体地,身体活动测量单元100被配置为患者在整个活动时间段期间和在整个休息时间段期间测量的身体活动。根据更优选的实施例,身体活动测量单元110被配置为每天24小时测量患者的身体活动。优选地,身体活动测量单元110可以包括加速度计,其将在三个维度(例如,x方向、y方向和z方向)上收集患者的身体移动。然而,能够检测身体运动的任何身体活动测量单元都是合适的。事实上,可以使用能够持续监测身体活动的任何其他方法。
为了将活动时间段与休息时间段分离,系统100优选包括被配置为检测患者上床睡觉的时刻的算法。优选地,该算法被配置用于检测患者何时从睡眠中醒来。不同的选项可用于区分活动时间段和休息时间段。例如,可以定义很可能落入一种类别的时间段,例如,午夜与早上4点之间的时间段将对应于休息时间段,而早上10点与下午5点之间的时间段将对应于活动时间段。替代地和/或另外,可以在逐患者的基础上确定休息时间段和活动时间段。优选地,还考虑一天的时间和/或活动水平和/或光强度(例如,其可以由活动监测器检测到)。
优选地,风险评估单元120计算在活动时间段和休息时间段期间的身体活动的日常总量,并将该结果与先前的一天或多天进行比较。系统100可以优选地监测患者的身体活动模式。系统100可以优选地分析在活动时间段和休息时间段两者期间身体活动的总量的变化。
如在图7中示出的简单交通灯警告系统700可以用于根据患者的症状向患者或临床医生提供警告指示。然后可以将该信息用于将患者分类为是否处于紧急发作和/或住院治疗的风险。例如,在活动时间段710期间身体活动保持大约相同或增加(由向上指的箭头表示)而在休息时间段期间患者的身体活动随着时间减少(由向下指的箭头表示)的患者可以被分类为稳定的(例如,由绿色代码731标记)。另一方面,在活动时间段期间身体活动减少而在休息时间段期间患者的身体活动随着时间增加的患者可以被分类为不稳定的(例如,由红色代码734标记)。未落入任一种类的患者(例如,身体活动在活动时间段和休息时间段两者都减少,或者身体活动在活动时间段和休息时间段两者都增加)可以被分类为未决定的(例如,由黄色代码标记或由各自的单个标记732和733)。对于被分类为不稳定的患者,存在再次住院的增大的风险,从而可以向患者或临床医生发出警告指示。优选地,将每天的分类记录到数据库中和/或传达给患者的医生处以供查看。基于分类结果,医生可以决定联系患者进行检查过程。优选地,基于分类结果,医生可以决定安排患者再次住院。
交通灯警告系统还可以基于在活动时间段和休息时间段期间的活动计数的绝对值,如图3和图4的示例所示。即,可以将患者在活动小时期间的活动与第一活动水平进行比较,并且将患者在休息小时期间的活动与第二活动水平比较。(通常,第一活动水平高于第二活动水平)。如果患者在活动小时期间的活动少于第一活动水平并且如果患者在休息小时期间的活动多于第二活动水平,则患者可以被分类为不稳定的。如果患者在活动小时期间的活动等于或多于第一活动水平并且如果患者在休息小时期间的活动少于第二活动水平,则患者可以被分类为稳定的。未落入任一种类(例如,身体活动在活动时间段期间高于第一活动水平并且在休息时间段期间高于第二活动水平,或者身体活动在活动时间段期间低于第一活动水平并且在休息时间段期间低于第二活动水平)可以被分类为未决定的(例如,由黄色代码标记)。如上所述,对于被分类为不稳定的患者,存在急性发作和/或再次住院的增大的风险,从而可以在事件发生之前向患者或临床医生发出警告指示。
优选地,“第一活动水平”表示将活动时间段活动数据(即,第一活动数据)与其进行比较的阈值。在一个示例中,该阈值将被设定为稳定患者的平均活动时间段活动计数。这样,如果第一活动数据高于“第一活动水平”,则患者在活动时间段比平均稳定患者活动更多。类似地,如果第一活动数据低于“第一活动水平”,则患者在活动时间段期间比平均稳定患者活动更少。“第二活动水平”表示将休息时间段活动数据(即,第二活动数据)与其进行比较的阈值。在另一示例中(其可以等于或不同于上述示例),该阈值将被设定为稳定患者的平均休息时间段活动计数。这样,如果第二活动数据高于“第二活动水平”,则患者在休息时间段比平均稳定患者活动更多。类似地,如果第二活动数据低于“第二活动水平”,则患者在休息时间段期间比平均稳定患者活动更少。注意,术语“活动水平”不必暗示“水平”是(以计数/分钟测量的)活动。例如,关于上文描述的比率方法,“活动水平”将对应于无单位数值。
交通灯警告系统还可以基于在活动时间段和休息时间段期间的活动计数的比率的绝对值,如在图5和图6的示例中示出的。即,可以将患者在活动期间的活动与患者在休息小时期间的活动数据的比率与比率活动水平进行比较。例如,可以从上述落入组1或组2的COPD患者确定比率活动水平。如果给定患者的比率小于比率活动水平,则该患者可以被分类为不稳定的。如果给定患者的比率等于或多于比率活动水平,则该患者可以被分类为稳定的,即,紧急发作和/或重新住院的较低风险。如上所述,对于被分类为不稳定的患者,存在急性发作和/或再次住院的增大的风险,从而可以向患者或临床医生发出警告指示。除了比率和/或替代地,还可以使用睡眠活动计数与总计白天活动计数的百分比。
图8的图形800示意性且示例性示出了相对出院后天数(在轴820上)针对两个稳定患者830、850和一个不稳定患者840的平均觉醒活动计数与平均睡眠活动计数的比率(在轴810上)。患者830和患者850在出院后的一个月内没有紧急发作或COPD重新住院。患者820在出院后22天具有COPD重新住院。患者820与患者830和患者850相比具有较低的比率和较少的变化。
图9的图形900示意性且示例性示出了相对出院后天数(在轴920上)针对两个稳定患者930、950和一个不稳定患者940的觉醒活动计数与睡眠活动计数之间的差异(在轴910上)。患者930和950在出院后的一个月内没有紧急发作或COPD重新住院。患者940在出院后22天具有COPD重新住院。越接近重新住院的时间,患者940具有觉醒活动与睡眠活动之间的越低的差异,指示日常觉醒活动低于稳定情形,并且日常睡眠活动高于稳定情形。不稳定患者的觉醒活动还可以大致保持相同(而不是降低),而夜间活动增加。在这种情形下,白天与夜晚之间的相对活动(即,比率或差异)仍包括关于患者的紧急发作和/或住院治疗的风险的信息。
本发明的示例性应用是在活动监测应用和活动监测设备中。其尤其被设计用于在COPD中使用,但是其还可以用于其中保持活动是重要的其他慢性疾病。
身体活动测量单元可以包括一个或多个加速度计。系统可以包括一个或多个处理器来计算活动数据的比率和/或差异和/或将所计算的结果与活动水平进行比较。
通过研究附图、说明书和权利要求书,本领域技术人员在实践所主张的本发明的过程中,能够理解和实现所公开的实施例的变型。
在权利要求中,“包括”一词不排除其他元件或步骤,并且词语“一”或“一个”不排除多个。
单个单元或设备可以实现权利要求中记载的若干项目的功能。在相互不同的从属权利要求中记载的特定措施的仅有事实并不指示不能有利地使用这些措施的组合。
由一个或若干单元或设备执行的如测量患者在活动时间段的至少部分期间的身体活动以收集第一活动数据,测量患者在休息时间段的至少部分期间的身体活动以收集第二活动数据;和/或基于预定准则来检测急性发作和/或再次住院的发作等的确定可以由任意其他数量的单元或设备执行。例如,基于预定准则来检测急性发作和/或再次住院风险的发作可以由单个单元或由任意其他数量的不同单元执行。根据用于检测住院治疗风险的上述方法对用于预测COPD患者的急性发作和/或再次住院风险的发作的系统的确定和/或控制可以被实现为计算机程序的程序代码单元和/或被实现为专用硬件。
另外,多个参数可以被用于预测急性发作和/或再次住院的发作。也就是说,检测急性发作和/或再次住院风险的发作可以不仅基于一个准则而且基于多个预定准则,尤其包括在活动时间段的至少部分和休息时间段的部分期间的患者身体活动的差异计算。
计算机程序可以存储/分布在与其他硬件一起提供或作为其他硬件的部分提供的诸如光学存储介质或固态介质的适当的介质上,但是计算机程序也可以以其他的形式分布,例如经由因特网或其他有线或无线的远程通信系统。术语“计算机程序”还可以指的是嵌入式软件。
权利要求中的任何附图标记不得被解释为对范围的限制。
本发明涉及用于评估急性发作和/或住院治疗的风险的装置、系统、方法和计算机程序。在活动时间段期间(例如,在觉醒小时期间)和在休息时间段期间(例如,在睡眠小时期间)(例如,通过加速度计)测量患者的身体活动以收集第一活动数据和第二活动数据。(例如,通过风险评估单元)基于包含在活动时间段期间和在休息时间段期间的各自的活动数据的表达满足关于预定活动水平的预定关系来评估急性发作和/或住院治疗的风险。例如,在活动时间段期间的低活动数据和在休息时间段期间的高活动数据指示针对患者的急性发作和/或重新住院的增大的风险。
Claims (9)
1.一种用于评估对象的急性发作和/或住院治疗的风险的装置,所述装置包括:
输入单元,其用于从具有第一灵敏度的第一加速度计和具有不同于所述第一灵敏度的第二灵敏度的第二加速度计来接收针对所述对象的第一活动数据和第二活动数据;其中,所述第一活动数据指示所述对象在活动时间段的至少部分期间的身体活动;其中,所述第二活动数据指示所述对象在休息时间段的至少部分期间的身体活动;以及
风险评估单元(120),其被配置为基于预定准则来检测所述急性发作的发作,其中,所述预定准则包括包含所述第一活动数据和/或所述第二活动数据的表达满足关于预定活动水平的预定关系的条件,
其特征在于,
所述装置被配置为确定第一活动数据与第二活动数据之间的比率,
其中,所述装置被配置为将所述比率与比率活动水平进行比较,
其中,所述预定准则包括所述比率低于所述比率活动水平的条件。
2.根据权利要求1所述的装置,
其中,所述第一活动数据对应于所述对象在所述活动时间段的至少部分期间的平均活动数据;和/或
其中,所述第二活动数据对应于所述对象在所述休息时间段的至少部分期间的平均活动。
3.根据权利要求1所述的装置,
其中,所述第一活动数据对应于所述对象在整个活动时间段期间的平均活动数据;和/或
其中,所述第二活动数据对应于所述对象在整个休息时间段期间的平均活动。
4.根据权利要求1所述的装置,
其中,所述装置被配置为将所述第一活动数据与过去的第一活动数据进行比较,其中,所述过去的第一活动数据对应于在先前的一天或多天上收集的第一活动数据;和/或
其中,所述装置被配置为将所述第二活动数据与过去的第二活动数据进行比较,其中,所述过去的第二活动数据对应于在所述先前的一天或多天上收集的第二活动数据。
5.根据权利要求4所述的装置,
其中,所述预定准则包括以下条件:
(1)所述第一活动数据低于所述过去的第一活动数据中的一个或多个,以及
(2)所述第二活动数据高于所述过去的第二活动数据中的一个或多个。
6.根据权利要求1所述的装置,
其中,所述装置被配置为将所述比率与过去的比率进行比较,其中,所述过去的比率对应于在先前的一天或多天上收集的第一活动数据与第二活动数据之间的比率。
7.根据权利要求6所述的装置,
其中,所述预定准则包括所述比率小于所述过去的比率中的一个或多个的条件。
8.一种用于评估对象的急性发作和/或住院治疗的风险的系统(100),所述系统(100)包括:
身体活动测量单元(110),其包括具有第一灵敏度的第一加速度计和具有不同于所述第一灵敏度的第二灵敏度的第二加速度计;
其中,所述身体活动测量单元(110)被配置为经由所述第一加速度计测量所述对象在活动时间段的至少部分期间的身体活动以收集第一活动数据;
其中,所述身体活动测量单元(110)还被配置为经由所述第二加速度计测量所述对象在休息时间段的至少部分期间的身体活动以收集第二活动数据;以及
如权利要求1所述的装置;
其中,所述装置的所述输入单元被配置为从所述身体活动测量单元(110)接收所述第一活动数据和所述第二活动数据。
9.一种存储有计算机程序的计算机可读介质,所述计算机程序用于评估对象的急性发作和/或住院治疗的风险,所述计算机程序包括程序代码单元,所述程序代码单元用于当所述计算机程序运行在控制如权利要求8所述的用于评估急性发作和/或住院治疗的风险的系统(100)的计算机上时使用于评估急性发作和/或住院治疗的风险的所述系统(100)执行如下步骤:
经由所述第一加速度计测量所述对象在活动时间段的至少部分期间的身体活动以收集第一活动数据;
经由所述第二加速度计测量所述对象在休息时间段的至少部分期间的身体活动以收集第二活动数据;以及
基于预定准则来评估急性发作和/或住院治疗的风险,
其中,所述预定准则包括包含所述第一活动数据和/或所述第二活动数据的表达满足关于预定活动水平的预定关系的条件,
其特征在于,
确定第一活动数据与第二活动数据之间的比率,并且将所述比率与比率活动水平进行比较,
其中,所述预定准则包括所述比率低于所述比率活动水平的条件。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2014080981 | 2014-06-27 | ||
CNPCT/CN2014/080981 | 2014-06-27 | ||
EP14180307 | 2014-08-08 | ||
EP14180307.2 | 2014-08-08 | ||
PCT/EP2015/064487 WO2015197808A1 (en) | 2014-06-27 | 2015-06-26 | Apparatus, system, method and computer program for assessing the risk of an exacerbation and/or hospitalization |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106456015A CN106456015A (zh) | 2017-02-22 |
CN106456015B true CN106456015B (zh) | 2021-08-24 |
Family
ID=53502646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580034985.2A Active CN106456015B (zh) | 2014-06-27 | 2015-06-26 | 用于评估急性发作和/或住院治疗的风险的装置、系统、方法和计算机程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10849566B2 (zh) |
EP (1) | EP3160344A1 (zh) |
JP (2) | JP2017522951A (zh) |
CN (1) | CN106456015B (zh) |
WO (1) | WO2015197808A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015197809A1 (en) * | 2014-06-27 | 2015-12-30 | Koninklijke Philips N.V. | Apparatus, system, method and computer program for assessing the risk of an exacerbation and/or hospitalization |
WO2017121819A1 (en) * | 2016-01-14 | 2017-07-20 | Koninklijke Philips N.V. | An apparatus and method for monitoring disease progression in a subject |
GB2563205A (en) * | 2017-06-01 | 2018-12-12 | Linde Ag | System and method for predicting an acute exacerbation of a patient's health condition |
JP2020010893A (ja) * | 2018-07-19 | 2020-01-23 | 花王株式会社 | 活動分類方法及び活動分類装置 |
WO2021148966A1 (en) * | 2020-01-23 | 2021-07-29 | Novartis Ag | A computer-implemented system and method for outputting a prediction of an exacerbation and/or hospitalization of asthma |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5755671A (en) | 1995-10-05 | 1998-05-26 | Massachusetts Institute Of Technology | Method and apparatus for assessing cardiovascular risk |
US7313439B2 (en) | 2003-12-03 | 2007-12-25 | Medtronic, Inc. | Method and apparatus for predicting arrhythmias using diurnal heart rate |
WO2007082389A1 (en) * | 2006-01-20 | 2007-07-26 | 6Th Dimension Devices Inc. | Method and system for assessing athletic performance |
US7840346B2 (en) * | 2006-11-02 | 2010-11-23 | Nokia Corporation | Real time performance comparison |
US7946995B1 (en) * | 2006-11-09 | 2011-05-24 | Pacesetter, Inc. | Analyzing circadian variations of a hemodynamic parameter to determine an adverse cardiac condition |
JP4434200B2 (ja) | 2006-12-27 | 2010-03-17 | トヨタ自動車株式会社 | 車両の制御装置 |
WO2008135985A1 (en) | 2007-05-02 | 2008-11-13 | Earlysense Ltd | Monitoring, predicting and treating clinical episodes |
JP2009089672A (ja) * | 2007-10-10 | 2009-04-30 | Sysmex Corp | がんの再発リスクの判定方法 |
US8855761B2 (en) | 2008-07-10 | 2014-10-07 | Texas Heart Institute | Method and system for temperature analysis to provide an early marker of congestive heart failure progress that precedes a patient's symptoms |
CN102687152B (zh) | 2009-12-19 | 2017-03-22 | 皇家飞利浦电子股份有限公司 | Copd恶化预测系统 |
WO2012020433A1 (en) | 2010-08-09 | 2012-02-16 | Mir Srl-Medical International Research | Portable device for monitoring and reporting of medical information for the evidence -based management of patients with chronic respiratory disease |
RU2449723C1 (ru) | 2011-01-11 | 2012-05-10 | Алексей Валерьевич Кулюцин | Способ оценки хронотропной нагрузки сердца |
US8909340B2 (en) * | 2011-08-23 | 2014-12-09 | Palo Alto Investors | Methods and devices for treating conditions associated with autonomic dysfunction |
RU2650586C2 (ru) * | 2011-11-28 | 2018-04-16 | Конинклейке Филипс Н.В. | Система мониторинга состояния здоровья для вычисления общей оценки риска |
EP2930515A1 (en) * | 2014-04-08 | 2015-10-14 | Universite D'angers | Prognostic tests for hepatic disorders |
-
2015
- 2015-06-26 EP EP15733683.5A patent/EP3160344A1/en not_active Withdrawn
- 2015-06-26 WO PCT/EP2015/064487 patent/WO2015197808A1/en active Application Filing
- 2015-06-26 CN CN201580034985.2A patent/CN106456015B/zh active Active
- 2015-06-26 US US15/321,393 patent/US10849566B2/en active Active
- 2015-06-26 JP JP2016574970A patent/JP2017522951A/ja not_active Withdrawn
-
2020
- 2020-06-16 JP JP2020103517A patent/JP7044829B6/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017522951A (ja) | 2017-08-17 |
WO2015197808A1 (en) | 2015-12-30 |
EP3160344A1 (en) | 2017-05-03 |
CN106456015A (zh) | 2017-02-22 |
US20170156681A1 (en) | 2017-06-08 |
JP7044829B6 (ja) | 2022-05-31 |
JP2020171715A (ja) | 2020-10-22 |
JP7044829B2 (ja) | 2022-03-30 |
US10849566B2 (en) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106714682B (zh) | 用于评估加重和/或入院的风险的装置、系统、方法和计算机程序 | |
US12082913B2 (en) | Monitoring a condition of a subject | |
CN106456015B (zh) | 用于评估急性发作和/或住院治疗的风险的装置、系统、方法和计算机程序 | |
JP6178331B2 (ja) | 総リスクスコアを算出するヘルス・モニタリング・システム | |
JP6053802B2 (ja) | 患者を監視し、患者のせん妄を検出する監視システム | |
RU2685681C2 (ru) | Система и способ для оптимизирования частоты сбора данных и пороговых значений для алгоритма обнаружения ухудшения состояния | |
US20130030258A1 (en) | Copd exacerbation prediction system and method | |
JP2023538995A (ja) | 温度データに基づく病気検出 | |
US20140275828A1 (en) | Pathological state detection using dynamically determined body index range values | |
US11419560B2 (en) | Method and apparatus for monitoring state of inflammatory bowel disease | |
CN115802931A (zh) | 检测用户温度和评估呼吸系统病症的生理症状 | |
JP2024100764A (ja) | 健康状態判定システム、健康状態判定方法及びプログラム | |
EP3402403B1 (en) | Apparatus and computer program product for monitoring disease progression in a subject | |
JP7476508B2 (ja) | 健康状態判定システム、健康状態判定方法及びプログラム | |
CN116234495A (zh) | 用于检测恒温活生物体对感染的易损性和感染的可佩戴的检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |