CN107690687B - 慢性阻塞性支气管炎患者接近发作时的探测和早期预测系统 - Google Patents

慢性阻塞性支气管炎患者接近发作时的探测和早期预测系统 Download PDF

Info

Publication number
CN107690687B
CN107690687B CN201580080628.XA CN201580080628A CN107690687B CN 107690687 B CN107690687 B CN 107690687B CN 201580080628 A CN201580080628 A CN 201580080628A CN 107690687 B CN107690687 B CN 107690687B
Authority
CN
China
Prior art keywords
parameter
alarm
afternoon
patient
morning
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
Application number
CN201580080628.XA
Other languages
English (en)
Other versions
CN107690687A (zh
Inventor
拉法埃莱·弗兰科·安东内利·因卡尔齐
弗兰切斯卡·玛丽亚·芭芭拉
安杰拉·玛丽亚·布苏
朱塞佩·卡帕索
朱利奥·扬内洛
马里奥·梅罗内
莱奥纳尔多·奥诺弗里
克劳迪奥·佩多内
保罗·索达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Joseph Capasso Application Information Laboratory
Original Assignee
Joseph Capasso Application Information Laboratory
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Joseph Capasso Application Information Laboratory filed Critical Joseph Capasso Application Information Laboratory
Publication of CN107690687A publication Critical patent/CN107690687A/zh
Application granted granted Critical
Publication of CN107690687B publication Critical patent/CN107690687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A61B5/1455—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 using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—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 using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A61B5/14552—Details of sensors specially adapted therefor
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A61B5/7405—Details of notification to user or communication with user or patient ; user input means using sound
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • G16H40/67—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 remote 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)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Optics & Photonics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及的是患有慢性阻塞性肺部疾病的病人发生急性事件的探测与早期警告系统(S)，包括：至少一个装置(D)用于生理学参数(R)的探测，这可应用于病人的监控；至少一个计时器用于探测时间间隔，例如日期和时间，与所述探测到的生理学参数(R)结合在一起；至少一个能够发射声音和/或可视输出警告信号的声音和/或可视警报信号的发射装置，与所述探测到的生理学参数(R)结合在一起；一个控制逻辑单元(C)，可以连接所述至少一个装置(D)和至少一个计时器，并且能够控制所述至少一个发射信号装置，适用于接收所述探测到的生理学参数(R)和所述时间间隔的输入，所述控制逻辑单元(C)具备处理程序，其中初始储存所述生理学参数(R)达到的预设值的阈值，程序运行以下步骤：在探测发生时将所述生理学参数(R)与时间间隔结合在一起；在每个探测时间点上，发送一个以统计指标的计算算法测量的所述生理学参数(R)；比较在前述步骤中得到的所述统计指标与所述预设阈值，如果至少一个所述统计指标超过了所述对应的预设阈值则启动所述至少一个信号发射装置用以发射一个声音和/或可视警告信号。

Description

慢性阻塞性支气管炎患者接近发作时的探测和早期预测系统
本发明涉及一个患有慢性阻塞性支气管炎的病人接近发作时的探测与早期预测系统。
慢性阻塞性支气管炎或COPD是一种以支气管阻塞为特点的慢性肺部疾病，带有由导气管和肺实质的慢性炎症所造成的进展缓慢的部分或不可消除的气流限制。
它在美国被认为是第四大死因，在世界范围内是第五。
有这种病的病人会周期性发作。
发作期会或多或少的长并且或多或少的突然发病，在这期间COPD或哮喘症状更糟糕，病人之后须要遵医嘱改变或加强将承担的药物治疗。
发作必须尽快报告给医生，尤其是因为如果得不到快速而适当的治疗，会对哮喘或COPD病人造成严重的后果，例如住院治疗甚至死亡。
用于治疗这些疾病的日常规药物的主要目的是防止发作。
因此本发明涉及一种上述类型的系统，尤其是研究和实现早期早期预测并报告会导致COPD患者健康恶化的所述发作或临床危急情况，称之为“令人不安的事件”。
接下来的描述将主要面对发作探测与早期警告系统，但须清楚同样的描述不能当做这种特定使用的限制。
在稳态条件下，该系统实际上也可用于远程多参数或单参数监控。
目前存在评估病人是否处于COPD发作风险中的文献算法。
本领域已知的算法是在持续30天的时间窗内考虑一个探测生理学参数装置的可能是变量的测量值；然后这种方法在时间和SpO2值的笛卡尔坐标限定的平面中确定了回归线α。
回归线α的系数a和一个参考值a0相比较。
假设a0＝-0.0737，并定义一个函数
Figure BDA0001491587890000021
如果得到的值小于a0，得到的结果小于1，说明正处于发作期；相反，如果得到的值大于a0，得到的结果将等于0，说明病人没有处于发作风险中。
现有技术仅考虑受COPD影响的患者接近发作事件的风险，没有考虑到病人健康的其它重要方面，如可能的呼吸困难和心跳过速。
此外，现有技术采用了固定阈值来区别事件是否对应着发作。
对于只用SpO2参数预测发作，在文献中已经表明如果氧饱和度SpO2和心率的走势都被监控，发作的预测能力会改善。
已知算法所基于的数学表达式只考虑到时间与氧饱和度(SpO2)之间存在的联系，假设这两个参数之间是线性相关关系。
此外，根据现有技术的模型没有考虑到病人的个人生理学特点，例如氧饱和度(SpO2)的时间平均值，而这对于所述病人健康状况走势的正确估计是必要信息。
因此，鉴于所述情况，本发明的目标是提供一个患有慢性阻塞性支气管炎的病人接近发作的探测与早期预测系统，考虑病人的生理学参数。
本发明的进一步目标是提供一个考虑病人生理学参数的测量的时间变量的系统。
因此本发明的具体目标是一个患有慢性阻塞性肺部疾病的病人发生急性事件的探测与早期警告系统，包括：至少一个装置用于生理学参数探测，所述这可应用于被监控的所述病人；至少一个计时器用于探测时间间隔，例如日期和时间，所述与所述探测到的生理学参数结合在一起；至少一个能够发射声音和/或可视输出警告信号的声音和/或可视警报信号发射装置，所述与所述探测到的生理学参数结合在一起；一个控制逻辑单元，可以连接所述至少一个装置和至少一个计时器，能够控制所述至少一个发射信号装置，所述适用于接收所述探测到的生理学参数和所述时间间隔的输入，所述控制逻辑单元具备一个处理程序，所述当所述生理学参数达到了初始储存在该程序中预设值的阈值时，程序运行以下步骤：所述生理学参数与时间间隔结合在一起，其中所述探测发生；在每个探测时间点上，发送以一个统计指标计算算法测量的所述生理学参数；比较所述在前述步骤中得到的统计指标与所述预设阈值，如果至少一个所述统计指标超过了所述对应的预设阈值则激活至少一个信号发射装置用以发射一个声音和/或可视警告信号。
此外根据本发明，所述至少一个装置是探测以下生理学数据的脉搏血氧计：血红蛋白饱和度(SpO)；和心率(HR)；
在下面预设时间框并由所述计时器扫描：上午小时间隔(CMorning)；下午小时间隔(CAfternoon)；晚上小时间隔(CEvening)。
同样根据本发明，所述逻辑控制单元包括第一单元，该第一单元配置以实现所述探测到的生理学参数与探测发生时间所在的时间框的所述组合，获得以下记录点：上午记录点
Figure BDA0001491587890000031
下午记录点
Figure BDA0001491587890000032
Figure BDA0001491587890000033
晚上记录点
Figure BDA0001491587890000034
和第二单元，该第二单元包括由一个二进制有限状态机(BFSM)实施的神经网络，根据所述的处理程序，配置以处理所述的分组的输入数据。
优选地根据本发明，所述二进制有限状态机(BMSF)运行一个第一校准步骤以设置所述预设值P＝(ε,WeightSpO2,WeightHR,κ,λ)的阈值，代表了从所述被监测的病人测量的所述血红蛋白饱和度(SpO2)和心率(HR)的所述生理学参数的典型走势，和所述血红蛋白氧饱和度(SpO2)和心率(HR)的所述生理学参数的一个第二学习步骤，其中所述二进制有限状态机(BMSF)在所述预置的上午(CMorning)、中午(CAfternoon)、晚上(CEvening)的时间框内学习所述被监测的特定病人的所述血红蛋白饱和度(SpO2)和心率(HR)的走势。
进一步根据本发明，所述处理程序在所述统计指标的计算上执行以下步骤：所述上午记录点
Figure BDA0001491587890000041
下午记录点
Figure BDA0001491587890000042
和晚上记录点
Figure BDA0001491587890000043
的平均计算，得到上午平均值
Figure BDA0001491587890000044
下午平均值
Figure BDA0001491587890000045
和晚上平均值
Figure BDA0001491587890000046
计算所述上午记录点
Figure BDA0001491587890000047
下午记录点
Figure BDA0001491587890000048
和晚上记录点
Figure BDA0001491587890000049
的标准差，得到上午标准差值
Figure BDA00014915878900000410
下午标准差值
Figure BDA00014915878900000411
和晚上标准差值
Figure BDA00014915878900000412
给每段时间计算一个加权组合，或者血氧测量加权分数(WOS)：
Figure BDA00014915878900000413
对比了由先前步骤获得的所述统计指标和所述预设值的阈值。
同样根据本发明，所述二进制有限状态机(BMSF)发展成以下与危险警告事件相关联的状态：当两个连续的记录点(R)出现了XHR＞AverageHR+K*DevstHR的条件则HR报警，此情况下K值由所述自学步骤决定；当发生
Figure BDA00014915878900000414
的条件时血氧测量精确报警；当
Figure BDA00014915878900000415
时SpO2报警，两个连续的记录点(R)丢失时丢失数据报警，当记录满足其中以下一个情况时，与警报相关联的报警血氧测量分数将被触发：
警告1：
Figure BDA00014915878900000416
警告2：
Figure BDA00014915878900000417
警告3：
Figure BDA00014915878900000418
令人不安的血氧测量分数报警：
Figure BDA0001491587890000051
其中B1、B2、B3ε[0,1]和SpO2critical是氧饱和度的临界值，一般等于0.9％。
优选地根据本发明，所述HR报警、血氧测量分数精确报警、SpO2报警、丢失数据报警和报警血氧测量分数状态将在每个对应的状态下作为输入提供给所述声音和/或可视信号发射设备。
进一步根据本发明，所述系统可以包含大量能够更进一步探测所述被监测病人的生理学参数的传感器。
同样根据本发明，所述传感器包含一个加速度计用以探测所述病人的动作和/或一个呼吸量计用以探测所述病人的肺活量，以给所述控制逻辑单元提供输入。
优选地根据本发明，在所述有限状态机(BMSF)的所述校验步骤中，可以使用一个自学的算法，其配置参数P＝(ε,WeightSpO2,WeightHR,κ,λ)可由用户设定。
进一步根据发明，所述有限状态机(MSFB)根据以下步骤学习所述参数P：给参数
Figure BDA0001491587890000052
固定一个可能配置，算法得到测试且加权精准度accweighted得到估计，并以此提供一个记录点组的验证；测试所述参数，设置数值WeightHR等于1，则数据WeightSpO2的值可以在1和20之间变化；通过执行参数P＝(ε,WeightSpO2,WeightHR,κ,λ)的可能组合的笛卡尔乘积可确定所述参数
Figure BDA0001491587890000053
的集；选择参数配置P*给所述系统(S)使用，根据公式
Figure BDA0001491587890000054
通过选择所述参数的组合最大化加权精准度值。
同样根据本发明，所述参数λ∈[0.1，...，i，...，0.09]∪[1，...，j，...，10]，其中
Figure BDA0001491587890000055
和
Figure BDA0001491587890000056
并且使得λi+1-λi＝0.01和所述参数k∈[1，...，i，...，10]，其中
Figure BDA0001491587890000057
根据它的优选实施例，本发明现在将被描述，为了说明而不是限制目的，特别参考附图中的图，其中：
图1示出了患有慢性阻塞性肺部疾病的病人发生急性事件的探测与早期警告系统的框图；
图2示出了根据本发明一部分系统的操作；
图3示出了根据本发明涉及与系统探测到的危险事件相关联的优先等级的表格；
图4示出了危险事件的优先等级的一种可能管理；和
图5示出了根据本发明系统操作的框图。
在各个图中，类似的部分将用相同的附图标记表示。
参考附图，可以看到该系统S用以患有慢性阻塞性支气管炎的病人急性事件的探测与预测，本发明的目的，包含一个获取慢性阻塞性支气管炎的病人的生理学数据的装置D，例如一个脉搏血氧计。
对于所述病人，所述装置D探测的数据主要是血红蛋白饱和度，也称之为SpO2，而心率，也称之为Heart Rate或HR。
所述系统S包括了一个计时器用以探测时间数据，例如与生理学数据关联的日期和时间，这将在下文中详细描述。
所述系统S还可能包含大量传感器，在图中没有示出，能够更进一步探测所述被监测病人的生理学参数，例如一个加速度计用以探测所述病人的动作和一个呼吸量计用以探测所述病人的肺活量。
所述系统S也包含一个控制逻辑单元C用以接收所述的生理学数据和所述的时间数据的输入，在下文中称为输入数据，从所述设备D获得，从所述大量的传感器和所述计时器获得，按照预置程序处理所述数据输入，将在下文中详细描述，并提供处理过的数据输出，在下文中称为输出数据。
所述控制逻辑单元C包含一个第一部分C，用以实现所述输入数据的预处理，和一个第二部分C，包含一个急性事件的识别算法，用一个二进制有限状态机或者甚至是BMSF来实现，识别算法执行所述预处理的输入数据的处理，将在下文详细描述。
所述数据输入对于所述控制逻辑单元C是且尤其是四个，血红蛋白饱和度的百分数值、所述脉搏血氧饱和度计测量的心率HR值、和在测量或记录点R发生处所述计时器提供的日期与时间。
这样的输入数据形式上被指定为三元量(XSPO2,XHRXHR,t)，其中t表明记录点R的日期和时间。
记录点R可以在一天内的不同时间内形成，根据这点所述输入数据被分类。
特别地，限定了三种可能的小时分类：
-上午类，由Cmorning表示，包含所有记录点时间属于上午时间段的记录点R，所述记录点由
Figure BDA0001491587890000071
表示；
-下午类，由Cafternoon表示，包含所有记录点时间属于下午时间段的记录点R，所述记录点由
Figure BDA0001491587890000072
表示；
-晚上类，由Cevening表示，包含所有记录点时间属于晚上时间段的记录点R，所述记录点由
Figure BDA0001491587890000073
表示。
所述每类的时间段根据病人的具体需要设定和修改，并且在数量和时间长短上都不一样。
所述第一部分C实现每个记录点R与它们从属的按小时的分类之间的关联。
从所述控制逻辑单元C中得到的所述数据输出在定义的振幅的时间窗口中，如10天，组成一个平均值和标准差，并对应每一个所述输入数据，由下面的符号表示：
Figure BDA0001491587890000074
Figure BDA0001491587890000075
Figure BDA0001491587890000076
来自所述逻辑控制单元C的所述输出数据与所述声音和/或可视警告信号相关联，这将在下文详细描述。
由所述发射装置发射的所述声音和/或可视警告信号如以下列出：
-超过一个预置的阈值与一个HR记录点相关联的HR报警，与其相应的是一个可能的窦性心动过速；
-超过一个预置的阈值与一个锐变SpO2和HR记录相关联的精确血氧测量分数报警，与其相应的是一个可能的呼吸困难；
-低于一个预置的阈值与SpO2记录点相关联的SpO2报警，与其相应的是一个可能的血氧不足；
-与所述病人的治疗医生订制的方案相关的两个连续丢失记录相关联的丢失数据报警，其原因是所述脉搏血氧计D的故障，或是因为该病人的通常的病变状态，使其不能够执行记录点。
-与SpO2和HR记录的反向走势相关联的血氧测量分数报警，与其相应的是疾病可能发作的到来。
根据特定的警告信号，所述发射装置信号可以产生一个报警声音或可视信号。
以下是所述系统S的操作。
当一个患有慢性阻塞性支气管炎的病人决定使用上述系统S时，他同意了他私人治疗医生的方案，方案中他决定了形成的记录点R的数量和执行所述记录点R的时间间隔。
在所述系统S中同时设置初始参数和执行标准校对步骤是可能的，以便使所述系统S与所述被监测病人的生理学参数相适应，因此使其适用于病理学专家的决策过程。
因此，在一个时长约十天的初始校对步骤中，其中时长是象征性和说明性的，可由每个病人的具体特点定制，所述脉搏血氧计D在一天时间框内不同时间点上反复地获得所述被监测病人的这天的生理学数据，尤其是所述被监测病人的SpO2和HR的典型值。
所述控制逻辑单元C的所述第一部分C1与初始时间点上的所述生理学参数相关联，其中记录点受到影响，以便配置在一天的一段时间内的生理学参数的一个典型走势。
这些与时间间隔相关联的初始生理学参数，由所述第一部分C1发送到所述第二部分C2，其后者作为一种受监督的学习算法能够学习并适应所述被监测病人的生理学特征，并在一天内的不同时间为病人定制具体的生理学参数。
为此，该算法要求在上述初始校准阶段中获得的测量结果被标记(例如由专家)，以便学习算法能够适应正确的决策过程。该学习在于优化关于上述生理特征的阈值参数。
然后在所述初始训练期之后，所述系统S或通过利用输入数据自学，或通过修改参数配置的一个可能的专家医生的干预，以从所述系统S得到更好的回应，进而继续基于病人建模。
如将在下文详细描述的，所述系统S因此能够探测可能的发作，分析有相互关系的SpO2和HR参数的走势，通过反映被监控病人恶化的所述系统S的一系列状态转换实现，直到到达了一个报警显示一个被监测病人的生理学参数开始恶化的地步，让发作在早期得到识别。
特别地，所述BMSF包含所述控制逻辑单元C的所述第二部分C2用以分析SpO2和HR的测量值，进而建立一个随着时间推进所述被监测病人健康状况的模型。
BMSF是一个特殊的Petri网，它是一个双向图，其限定了以下项目：
标记，在图2以一个黑点显示，对应的是在所述记录点R发生时所述被监测病人的状况；
位置，在图2以白圈显示，对应的是所述被监测病人的可能健康状况，其被分为正常状况，其间所述被监测病人的测量生理学数据落在正常范围内，警戒状态，其间所述被监测病人的测量生理学数据展示出一种反向走势，和警报状态，其间所述被监测病人的测量生理学数据与一种紧急状态相关联，因而有必要让所述被监测病人在一间医院住院治疗，这也称之为令人不安的事件；
转化，在图2以黑色矩形显示，对应的是一个地方到另一个地方的临床演变。
位置和转化被称为节点，且节点是被定向箭头连通的。
不同类型的节点间的连接是唯一可能的连接。
所述系统S的动态进化被表现为通过一个单独标记，从一个位置到下一个，当连接两个位置的转化被激活，也就是说，与那个转化相连的状态被确认了。
如上所述，这些记录点R是先被所述控制逻辑单元C的第一部分单元C1预处理接着再根据他们出现的时间分类，分为上午、下午和晚上三类记录点。
随后，计算三个记录点分类的平均值和标准差，对每个小时类所述系统S算出氧饱和度测量值和心率的平均值和标准差。
这意味着系统S独立地计算在时间之间获得的所有记录的平均值和标准差，这些记录可能与0一致，并且第二个发生在三个小时分类期间，或者在上午、下午和晚上。
因此，所述系统S计算以上十二个参数：
Figure BDA0001491587890000101
Figure BDA0001491587890000102
Figure BDA0001491587890000103
所述系统S，对于每个新记录点更新与新记录点有关的小时分类的两个测量值的平均值和标准差。
对于在同一时间段内的时间t>t2上得到的每一对测量值，被写成(XSPO2,XHR)，它计算了被称为加权血氧测量分数(WOS)的加权组合：
Figure BDA0001491587890000111
其中SpO2和HR表示用于训练所述系统S的样本记录点。
在所述第一部分C1的预处理步骤之后，数据被发送到所述第二部分C2，特别是到所述控制逻辑单元C的所述BMSF，所述BMSF从上一个事件获取的位置开始启动。
参阅图3，尤其是本文事件中展现的五个竖链，主要的网络路径，从左到右，对应的是上面描述的所述发射装置发射的声音的和/或视觉的警告信号，其在下列情况下出现：
-与报警的一个单独位置相关联的HR报警，当它出现才能被触发，对于两个连续事件，条件：XHR＞AverageHR+K*DevstHR，其中k值由所述BMSF的自学步骤所确定。
-当条件
Figure BDA0001491587890000112
出现与警报被触发的一个位置相关联的精确血氧测量分数报警。
-当
Figure BDA0001491587890000113
其中γ∈[80,95]时与警报被触发时一个独特的位置相关联的SpO2报警；
-与从一个被触发的丢失警报位置而来并且在第一个记录点丢失时警报被触发时的一个独特的位置相关联的丢失数据报警，以防两个连续丢失的测量值；
-与一个警报位置关联的血氧测量分数报警，当记录点确认以下状况之一时被触发：
警告1:
Figure BDA0001491587890000121
警告2:
Figure BDA0001491587890000122
警告3:
Figure BDA0001491587890000123
令人不安的血氧测量分数警报:
Figure BDA0001491587890000124
其中参数B1、B2、B3在0到1之间变化，例如可设等于0.25、0.5、0.75，同时SpO2critical是氧饱和度的临界值，一般等于0.9，Average(HR)是基于观测时间内涵盖记录点的时间段上的心率记录点的算术平均值，其中k，λ和ε是系统S配置期间的可调参数。
标记的动态演变可以同时在如图1所示的主要竖直通道和如图2所示的互相连接的可能备用通道进行。
在一个地方之前的转换都具有相同的条件。
如图3显示，竞争情况或从属几个主要条形图的不同条件同时出现的情况以条形图的优先级别为基础得到解决。
部分条形图对应的是丢失测量值，相同的输入能够同时激活一个以上的转变。
特别的，从与所述被监测病人的健康状况相对应的一个位置开始，如果在一个指定的小时类中产生记录点R在一个预置报警阈值之下显示SpO2的一个突然减小，其与HR的一个小上升相关联，与适时的血氧测量分数报警，SpO2报警和报警血氧浓度分数相对应的转化的条形图会被同时激活。
但是，由于图3所示的不同优先级，只有一个与条形图报警对应的转化被激活，这使得要在统一的途径上通过标记从一个位置到下一个。
下表显示所有可能的转化及其激活的条件：
Figure BDA0001491587890000125
Figure BDA0001491587890000131
至于所述BMSF的自学，是使用自学算法，其中设置参数P(ε,WeightSpO2,WeightHR,κ,λ)是基于由所述被监测的病人的医生在所述初始训练步骤中标记的报警而获得的。
所述参数的学习过程根据下列步骤实现：
-首先，一经固定一个可能的参数
Figure BDA0001491587890000132
的配置，算法得到测试且加权准确度，称之为accWeighted，得到估计，以此必须提供记录点R的一组验证。
下表显示了计算值accWeighted的权重矩阵。
Figure BDA0001491587890000133
Figure BDA0001491587890000141
接着参数
Figure BDA0001491587890000142
得到测试。
对于
Figure BDA0001491587890000143
值的计算式，考虑到配置参数
Figure BDA0001491587890000144
Weight(XHR)中两种权重相关的特质，固定两个参数之一并变动另一个就足够了。
参数Weight(XHR)被选择固定为等于1，同时
Figure BDA0001491587890000145
在1和20之间变化。
参数λ∈[0.1，...，i，...，0.09]∪[1，...，j，...，10]，其中
Figure BDA0001491587890000146
和
Figure BDA0001491587890000147
因而λi+1-λi＝0.01。
参数k∈[1,...,i,...,10]，其中
Figure BDA0001491587890000148
该参数组
Figure BDA0001491587890000149
由参数P(ε,WeightSpO2,WeightHR,κ,λ)可能组合之间的笛卡尔积给出。
所述系统S中使用的参数配置，以P*表示，等于准确度加权值最大化的组合，或者说
Figure BDA00014915878900001410
根据描述，所述系统S自警告阶段而有预测能力，在报警之前就可认为病人可能有一种不同等级可能性的发作，甚至在病人还没有出症状且并发处于潜伏期时就发送警告信号。所述系统可以识别对所述被监测病人的危险事件的接近，与病人健康的消极状态的恶化相关联，就像非采集测量值一样。
同时，BMSF的使用可以检测健康状况随时间的变化。
已经根据本发明的优选实施例对本发明进行了说明但非限制性的目的，但是应该理解，本领域的技术人员可以在不脱离本发明如在所附的权利要求中限定的相关范围的情况下引入修改和/或改变。

Claims (7)

1.一种用于患有慢性阻塞性肺部疾病的病人发生急性事件的探测与早期警告的系统(S)，包含：
至少一个装置(D)用于生理学参数(R)的探测，其应用于被监控的所述病人；
至少一个计时器用于探测时间间隔，所述时间间隔与所述探测到的生理学参数(R)相关联；
至少一个能够发射一种声音和/或视觉输出警告信号的声音和/或视觉报警信号发射装置，所述声音和/或视觉输出警告信号与所述探测到的生理学参数(R)相关联；
一个控制逻辑单元(C)，与所述至少一个装置(D)和至少一个计时器相连，且能够控制所述至少一个信号发射装置，适用于接收所述探测到的生理学参数(R)和所述时间间隔的输入，所述控制逻辑单元(C)具备一个处理程序，其中初始储存所述生理学参数(R)达到的预置阈值，其运行以下步骤：
所述探测到的生理学参数(R)与时间间隔相关联，其中探测已发生；
对每个探测时间点，发送按照一个统计指标计算算法测量到的所述生理学参数(R)；
比较之前步骤中获得的所述统计指标与所述预置阈值，并如果至少一个所述统计指标超过所述对应的预置阈值，则激活所述至少一个信号发射装置用以发射一个声音和/或视觉警告信号；
其中，所述至少一个装置(D)是一个探测以下生理学数据的脉搏血氧计：
-血红蛋白饱和度(SpO2 )；和
-心率(HR)；
在下面预设时间框，并由所述计时器扫描：
上午小时间隔(CMorning)；
下午小时间隔(CAfternoon)；
晚上小时间隔(CEvening)，
所述逻辑控制单元(C)包含：
一个第一单元(C)配置以实现所述探测到的生理学参数(R)与探测发生的时间框相关联，其获得以下记录点：
上午记录点
Figure FDA0003066522770000021
下午记录点
Figure FDA0003066522770000022
和
晚上记录点
Figure FDA0003066522770000023
以及
一个第二单元(C2)，包含一个由一个二进制有限状态机(BFSM)实现的神经网络，其配置以根据所述处理程序处理分组的输入数据，
所述二进制有限状态机(BMSF)运行：
一个用于设定数值P＝(ε，Weight SpO2，WeightHR，κ，λ)的预置阈值的第一校准步骤，，其中κ，λ和ε是系统S配置期间的可调参数，
数值表示能够从被监测的所述病人处测量的血红蛋白饱和度(SpO2)和心率(HR)的所述生理学参数的典型走势，和
一个血红蛋白饱和度(SpO2)和心率(HR)的所述生理学参数的第二学习步骤，其中所述二进制有限状态机(BMSF)在上午(CMorning)，下午(CAfternoon)和晚上(CEvening)的所述预设时间框内学习所述被监测的特定病人的血红蛋白饱和度(SpO2)和心率(HR)的走势，
所述处理程序执行以下步骤用于所述统计指标的计算：
-所述上午
Figure FDA0003066522770000031
下午
Figure FDA0003066522770000032
和晚上
Figure FDA0003066522770000033
Figure FDA0003066522770000034
记录点的平均的计算，获得上午(
Figure FDA0003066522770000035
Averagemorning(HR))、下午(
Figure FDA0003066522770000036
Averageafternoon(HR))和晚上(
Figure FDA0003066522770000037
Averageevening(HR))的平均值；
-所述上午
Figure FDA0003066522770000038
下午
Figure FDA0003066522770000039
和晚上
Figure FDA00030665227700000310
Figure FDA00030665227700000311
记录点的标准差的计算，获得上午标准差(
Figure FDA00030665227700000312
Devstmorning(HR))、下午标准差(
Figure FDA00030665227700000313
Devstafternoon(HR))和晚上标准差(
Figure FDA00030665227700000314
Devstevening(HR))的值；
-对每一个时间分类，计算一个加权组合，或血氧测量加权分数(WOS)：
Figure FDA00030665227700000315
比较之前步骤中获得的所述统计指标和所述预置值的阈值，以及
所述二进制有限状态机(BMSF)演变成与危险警告事件相关联的以下状态：
对于两个连续记录点(R)当XHR>AverageHR+K*DevstHR的条件出现时HR报警，其中K 值由自学步骤决定；
当
Figure FDA00030665227700000316
的条件出现时血氧测量分数精确报警；
当
Figure FDA00030665227700000317
其中γ∈[80,95]时SpO2报警；
当两个连续记录点(R)丢失时丢失数据报警；
与一个报警位置相关联的报警血氧测量分数，其在记录满足其中以下一个条件时被触发：
警告1:
Figure FDA0003066522770000041
警告2:
Figure FDA0003066522770000042
警告3:
Figure FDA0003066522770000043
报警令人不安的血氧测量分数:
Figure FDA0003066522770000044
其中B1、B2、B3、ε[0，1]和SpO2 critical是氧饱和度的临界值，等于0.9％。
2.根据权利要求1所述的系统(S)，其特征在于，所述HR报警、血氧测量分数精确报警、SpO2报警、丢失数据报警和报警血氧测量分数状态被作为所述声音和/或视觉报警信号的发射装置的输入，其发射声音和/或视觉信号用于每个对应的状态。
3.根据权利要求1所述的系统(S)，其特征在于，包含能够进一步探测所述被监测的病人的生理学数据的多个传感器。
4.根据权利要求3 所述的系统(S)，其特征在于，所述传感器包含一个探测所述病人的动作的加速计和/或一个探测所述病人肺活量的呼吸量计，用以提供所述控制逻辑单元(C)的输入。
5.根据权利要求1至4中任一项所述的系统(S)，其特征在于，在所述有限状态机(BMSF)的所述校准步骤中，使用了一个自学算法，其中配置参数P＝(ε,WeightSpO2,WeightHR,κ,λ)可由用户设定。
6.根据前述权利要求1至4中任一项所述的系统(S)，其特征在于，在所述有限状态机(MSFB)根据以下步骤学习所述参数P：
-提供一组记录点(R)的校验，其中确定一个参数
Figure FDA0003066522770000045
的可能配置，算法被测试，且加权精确度accweighted被估计；
-通过设置WeightHR的数据值等于1，同时WeightSpO2的数据值可以从1到20变化，来测试所述参数；
-通过执行参数P＝(ε,WeightSpO2,WeightHR,κ,λ)的可能组合的笛卡尔积来决定所述参数
Figure FDA0003066522770000051
组；
-通过选择一个所述参数的组合来选择参数配置P*用于所述系统(S)的使用，根据公式
Figure FDA0003066522770000052
所述参数的组合最大化加权精准度值。
7.根据权利要求1至4中任一项所述的系统(S)，其特征在于，所述参数λ∈[0.1，...，i，...，0.09]∪[1，...，j，...，10]，其中
Figure FDA0003066522770000053
且
Figure FDA0003066522770000054
因而λi+1-λi＝0.01且所述参数k∈[1，...，i，...，10]，其中
Figure FDA0003066522770000055
CN201580080628.XA 2015-06-03 2015-06-03 慢性阻塞性支气管炎患者接近发作时的探测和早期预测系统 Active CN107690687B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/IT2015/000146 WO2016194007A1 (en) 2015-06-03 2015-06-03 System for the detection and the early prediction of the approaching of exacerbations in patients suffering from chronic obstructive broncopneumaty

Publications (2)

Publication Number Publication Date
CN107690687A CN107690687A (zh) 2018-02-13
CN107690687B true CN107690687B (zh) 2021-08-13

Family

ID=54207647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580080628.XA Active CN107690687B (zh) 2015-06-03 2015-06-03 慢性阻塞性支气管炎患者接近发作时的探测和早期预测系统

Country Status (8)

Country Link
US (1) US10542942B2 (zh)
EP (1) EP3304365B1 (zh)
JP (1) JP6810135B2 (zh)
CN (1) CN107690687B (zh)
ES (1) ES2843688T3 (zh)
HK (1) HK1248916A1 (zh)
RU (1) RU2729131C2 (zh)
WO (1) WO2016194007A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108617007A (zh) * 2016-12-01 2018-10-02 富士通株式会社 数据传输方法和装置
KR101846951B1 (ko) * 2017-02-22 2018-04-09 주식회사 씨씨앤아이리서치 Copd 급성 악화 예측용 애플리케이션
TWI777103B (zh) * 2019-11-06 2022-09-11 達爾生技股份有限公司 電子裝置以及血氧濃度補償方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101214151A (zh) * 2007-12-29 2008-07-09 广州医学院第一附属医院 利用呼出气体co2分压监测估算动脉血co2分压的方法和装置
CN102687152A (zh) * 2009-12-19 2012-09-19 皇家飞利浦电子股份有限公司 Copd恶化预测系统和方法
WO2013029617A1 (en) * 2011-08-26 2013-03-07 Aalborg Universitet Prediction of exacerbations for copd patients
CN104399164A (zh) * 2014-12-01 2015-03-11 北京神鹿腾飞医疗科技有限公司 智能呼吸机及使用该呼吸机的通气方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7454359B2 (en) 1999-06-23 2008-11-18 Visicu, Inc. System and method for displaying a health status of hospitalized patients
US7558622B2 (en) * 2006-05-24 2009-07-07 Bao Tran Mesh network stroke monitoring appliance
US8180442B2 (en) * 2007-12-14 2012-05-15 Greatbatch Ltd. Deriving patient activity information from sensed body electrical information
DK2603138T3 (en) * 2010-08-13 2018-02-05 Respiratory Motion Inc DEVICES AND METHODS FOR MONITORING RESPIRATION VARIATION IN MEASURING RESPIRATION VOLUMES, MOVEMENT AND VARIABILITY
AU2012275159A1 (en) * 2011-06-30 2014-02-20 University Of Pittsburgh - Of The Commonwealth System Of Higher Education A system and method of determining a susceptibility to cardiorespiratory insufficiency
US10172569B2 (en) * 2015-09-11 2019-01-08 Ottawa Hospital Research Institute System and method for assisting decisions associated with events relative to withdrawal of life-sustaining therapy using variability measurements

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101214151A (zh) * 2007-12-29 2008-07-09 广州医学院第一附属医院 利用呼出气体co2分压监测估算动脉血co2分压的方法和装置
CN102687152A (zh) * 2009-12-19 2012-09-19 皇家飞利浦电子股份有限公司 Copd恶化预测系统和方法
WO2013029617A1 (en) * 2011-08-26 2013-03-07 Aalborg Universitet Prediction of exacerbations for copd patients
CN104399164A (zh) * 2014-12-01 2015-03-11 北京神鹿腾飞医疗科技有限公司 智能呼吸机及使用该呼吸机的通气方法

Also Published As

Publication number Publication date
US20180153480A1 (en) 2018-06-07
WO2016194007A1 (en) 2016-12-08
RU2017145814A (ru) 2019-07-09
RU2729131C2 (ru) 2020-08-04
RU2017145814A3 (zh) 2019-07-17
EP3304365A1 (en) 2018-04-11
BR112017026004A8 (pt) 2023-01-31
HK1248916A1 (zh) 2018-10-19
EP3304365B1 (en) 2020-10-21
US10542942B2 (en) 2020-01-28
JP2018519983A (ja) 2018-07-26
JP6810135B2 (ja) 2021-01-06
BR112017026004A2 (pt) 2018-08-14
ES2843688T3 (es) 2021-07-20
CN107690687A (zh) 2018-02-13

Similar Documents

Publication Publication Date Title
CN108604465B (zh) 基于患者生理反应的对急性呼吸道疾病综合征(ards)的预测
AU2011213041B2 (en) System and method for diagnosing sleep apnea based on results of multiple approaches to sleep apnea identification
JP7449287B2 (ja) クリティカルアラームの予測
US11580432B2 (en) System monitor and method of system monitoring to predict a future state of a system
US8456295B2 (en) Alarm generation method for patient monitoring, physiological monitoring apparatus and computer program product for a physiological monitoring apparatus
WO2018096310A1 (en) Patient status monitor and method of monitoring patient status
US20200178903A1 (en) Patient monitoring system and method having severity prediction and visualization for a medical condition
US10490049B2 (en) Systems and methods for identifying patient distress
CN107690687B (zh) 慢性阻塞性支气管炎患者接近发作时的探测和早期预测系统
US11432778B2 (en) Methods and systems for patient monitoring
CN114901128A (zh) 心律失常性心跳弹性睡眠呼吸暂停检测
EP3901965A1 (en) Stress twin for individuals
CN116509349A (zh) 宠物健康状况的监测方法、装置和设备
BR112017026004B1 (pt) Sistema para a detecção e a previsão precoce da aproximação de exacerbações em pacientes que sofrem de broncopneumonia obstrutiva crônica
CN116965785A (zh) 一种生命体征监测分析方法、系统、终端及存储介质
Matam et al. Predictability of unplanned extubations
Van Loon et al. DYNAMIC AUTOREGRESSIVE MODELLING OF CRITICAL CARE PATIENTS AS A BASIS FOR HEALTH MONITORING

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1248916

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant