CN109069081A - 用于预测、筛查和监测脑病/谵妄的设备、系统和方法 - Google Patents

用于预测、筛查和监测脑病/谵妄的设备、系统和方法 Download PDF

Info

Publication number
CN109069081A
CN109069081A CN201680081192.0A CN201680081192A CN109069081A CN 109069081 A CN109069081 A CN 109069081A CN 201680081192 A CN201680081192 A CN 201680081192A CN 109069081 A CN109069081 A CN 109069081A
Authority
CN
China
Prior art keywords
signal
patient
module
delirium
data
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.)
Granted
Application number
CN201680081192.0A
Other languages
English (en)
Other versions
CN109069081B (zh
Inventor
约翰·克伦威尔
篠崎元
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.)
University of Iowa Research Foundation UIRF
Original Assignee
University of Iowa Research Foundation UIRF
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 University of Iowa Research Foundation UIRF filed Critical University of Iowa Research Foundation UIRF
Publication of CN109069081A publication Critical patent/CN109069081A/zh
Application granted granted Critical
Publication of CN109069081B publication Critical patent/CN109069081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • A61B5/7221—Determining signal validity, reliability or 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/01—Emergency care
    • 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
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Educational Technology (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Crystals, And After-Treatments Of Crystals (AREA)

Abstract

所公开的设备、系统和方法涉及谵妄的预测、筛查和监测。系统和方法可以包括从一个或者多个传感装置接收一个或者多个信号；处理所述一个或者信号，以从所述一个或者多个信号提取一个或者多个特征；分析所述一个或者多个特征，从而为所述一个或者多个特征中的每一个特征确定一个或者多个值；对所述一个或者多个值中的至少一个值或者基于所述一个或者多个值中的至少一个值的测量与阈值进行比较；基于所述比较确定患者谵妄的存在、不存在或者后续罹患可能性；并且输出所述患者的谵妄的存在、不存在或者后续罹患可能性的指示。

Description

用于预测、筛查和监测脑病/谵妄的设备、系统和方法
相关申请的交叉引用
本申请要求申请号为62/263,325、2015年12月4日提交的、标题为“Predicting,Screening and Monitoring of Delirium”的美国临时申请的优先权，其全部内容根据35U.S.C.§119(e)通过引用结合于本文中。
技术领域
所公开的实施例涉及用于预测、筛查和监测脑病/谵妄的系统和方法，并且更具体地，涉及用于通过信号分析确定患者的脑病/谵妄的存在、不存在或者后续罹患可能性的系统和方法。
背景技术
脑病-通常被诊断为并被称为“谵妄”-是一种常见的、诊断不足且非常危险的医学病症。如在此所述，“谵妄”一般涉及典型地基于医生根据诊断标准对患者症状的评估进行临床诊断的综合症，而“脑病”涉及潜在的生理状态。如在此所用，“谵妄”和/或“脑病”两者或者任一者可以与各种实施方式结合使用，尽管使用一者不必然旨在排除另一者。
谵妄或者脑病与以下各项相联系：死亡率高、脑功能不可逆衰退发展风险增加、可预防性并发症的发生率增加、住院时间延长、以及出院后去护理院的可能性高于回家的可能性。这些代表一种严重的“脑衰竭”状态，常见于各种医院背景，包括手术后患者以及普通内科老年患者。与谵妄相关的死亡率约为40％，与急性心肌梗塞的死亡率一样高。仅在美国，谵妄每年花费超过1500亿美元，是美国和国际医疗系统上的重大负担。尽管医疗保健费用和并发症严重程度如此，仍没有有效方法来预防和识别谵妄。
对谵妄的认知不足的一个原因是缺乏简单客观的测量来识别即将发生的谵妄。没有装置如同心电图测量即将发生的心脏病发作或者血糖水平的血液检验监测糖尿病的高风险并发症那样测量即将发生的谵妄。
迄今为止，检测谵妄的尝试依赖于两种主要的方法，这两种方法都达不到现代医院环境的实际需求。主要基于图表述评和患者访谈的筛查仪器由于在将这些筛查仪器实现于临床工作流程中、以及为医疗保健提供者提供持续培训以使用这些仪器上的挑战而未能成功。另外，它们在常规使用中表现出的敏感性较差。
脑电图(EEG)可以有效地区分谵妄和正常脑功能，但是，在逻辑上不可能用于谵妄的筛查，因为其需要熟练的技术人员进行16导联到24导联EEG测试和准专业神经科医师来解释该研究。这使每位患者花费数小时，而且几乎不可能在繁忙的医院背景下在大量患者上实施。此外，尚未将EEG用于预测罹患谵妄，而只是用于确认其存在。
对用于预测、筛查和监测脑病/谵妄的改进的系统和方法存在需求。
发明内容
在此论述的各种装置、系统和方法涉及用于检测、识别或者以其它方式预测患者的脑病或者谵妄的系统、装置和方法。在各种实施方式中，利用装置来检测弥漫性减慢-脑病的标志。
对系统和方法进行描述，以使用各种工具和程序来预测、筛查和监测脑病。在某些实施例中，在此描述的工具和程序可以与用于预测、筛查和监测脑病的另外的一个或者多个工具和/或程序结合使用。在此所描述的例子涉及预测、筛查和监测脑病，仅用于说明目的。对于多步骤的过程或者方法，步骤可以通过一个或者多个不同主体、服务器、处理器等来执行。
一个或者多个计算机的系统可以被配置为凭借在系统上安装软件、固件、硬件或其组合来执行特定的操作或者动作，该软件、固件、硬件或其组合在操作中使得所述系统执行所述动作。一个或者多个计算机程序可以被配置为凭借包括指令来执行特定的操作或者动作，当由数据处理设备执行时，该指令使得所述设备执行所述动作。一个一般方面包括用于患者谵妄筛查的系统，所述系统包括手持式筛查装置，所述手持式筛查装置包括壳体；至少两个传感器，所述至少两个传感器被配置为记录一个或者多个脑信号，并且生成一个或者多个值；处理器和至少一个模块，所述至少一个模块被配置为：对一个或者多个值执行谱密度分析，并且输出展示脑病的存在、不存在或者后续罹患可能性的指示的数据。该方面的其它实施例包括相应的计算机系统、设备和记录在一个或者多个计算机存储装置上的计算机程序，每一个均被配置为执行该方法的动作。
实施方式可以包括一个或者多个以下特征。在该系统中，所述模块被配置成对来自一个或者多个脑信号的一个或者多个值与阈值进行比较。在该系统中，所述阈值是包括高频波的出现数目与低频波的出现数目的比率。在该系统中，所述一个或者多个脑信号为脑电图(EEG)信号。在该系统中，有两个传感器。在系统中，所述壳体包括显示器。在该系统中，所述处理器设置在所述壳体内。在该系统中，该一个或者多个值选自：高频波、低频波及其组合。在该系统中，该一个或者多个值是一段时间内该一个或者多个特征中的每个特征的出现数目的数字表示。在该系统中，预先确定所述阈值。在该系统中，在机器学习模型的基础上确定所述阈值。该系统还包括手持式壳体，所述手持式壳体包括显示器，其中：所述至少两个传感器与所述壳体进行电子通讯，该处理器设置在该壳体内，并且所述显示器被配置为描绘该输出数据。该系统还包括验证模块，该验证模块被配置为评估信号脑，其中，该处理器将该一个或者多个脑频率转换成信号数据，并且该验证模块摒弃超过至少一个预定的信号质量阈值的信号数据。在该系统中，该信号数据被分区到相等持续时间的窗口中。该装置还包括信号处理模块。该装置还包括验证模块。该装置还包括阈值模块。所描述的技术的实施方式可以包括硬件、方法或者过程、或者在计算机可访问的介质上的计算机软件。
一个一般方面包括用于评估脑病的存在的系统，所述系统包括：a.至少两个传感器，所述至少两个传感器被配置为记录一个或者多个脑频率；处理器；至少一个模块，所述至少一个模块被配置成：随时间而比较脑波频率，对脑波频率进行谱密度分析以确定比率，比较该比率与确定的阈值，并输出展示脑病的存在、不存在或者后续罹患可能性的指示的数据。该方面的其它实施例包括相应的计算机系统、设备和记录在一个或者多个计算机存储装置上的计算机程序，每一个均被配置成执行该方法的动作。
实施方式可以包括一个或者多个以下特征。在该系统中，预先确定该阈值。在该系统中，在机器学习模型的基础上确定该阈值。该系统还包括手持式壳体，所述手持式壳体包括显示器，其中：所述至少两个传感器与该壳体进行电子通讯，该处理器设置在该壳体内，并且该显示器被配置成描绘该输出数据。该系统还包括验证模块，该验证模块被配置成评估信号脑，其中，该处理器将该一个或者多个脑频率转换成信号数据，并且该验证模块摒弃超过至少一个预定的信号质量阈值的信号数据。在该系统中，该信号数据被分区到相等持续时间的窗口中。该装置还包括信号处理模块。该装置还包括验证模块。该装置还包括阈值模块。所描述的技术的实施方式可以包括硬件、方法或者过程、或者在计算机可访问的介质上的计算机软件。
一个一般方面包括评估患者脑病的存在、不存在或者后续罹患可能性的手持式装置，所述手持式装置包括：壳体；至少一个传感器，所述至少一个传感器被配置成生成至少一个脑波信号；至少一个处理器；至少一个系统存储器；至少一个程序模块，所述至少一个程序模块被配置成对该至少一个脑波信号进行谱密度分析，并生成患者输出数据；以及显示器，所述显示器被配置成描绘所述患者输出数据。该方面的其它实施例包括对应的计算机系统、设备和记录在一个或者多个计算机存储装置上的计算机程序，每一个均被配置成执行该方法的动作。
实施方式可以包括一个或者多个以下特征。该装置还包括信号处理模块。该装置还包括验证模块。该装置还包括阈值模块。该装置还包括特征分析模块。该装置还包括信号处理模块。所描述的技术的实施方式可以包括硬件、方法或者过程、或者在计算机可访问的介质上的计算机软件。
一个或者多个计算装置可以适用于通过访问以计算机可读形式呈现的软件指令来提供期望的功能。在使用软件时，可以使用任何合适的编程、脚本或者其它类型的语言或者语言的组合来实施在此所包含的教导。但是，不需要专门使用软件，或者根本不需要使用软件。例如，在此所述的方法和系统的一些实施例也可以通过硬线逻辑或者其它电路来实施，包括(但不限于)专用电路。计算机执行的软件和硬件逻辑或者其它电路的组合也可能是合适的。
虽然公开多个实施例，但是通过以下详细说明，本发明的其它实施例对于本领域技术人员来说将变得显而易见，该详细说明示出并描述了所公开的设备、系统和方法的说明性实施例。如将认识到的，所公开的设备、系统和方法能够在各种明显的方面进行修改，所有这些都不脱离本发明的精神和范围。因此，附图和详细说明在本质上被认为是说明性的，而不是限制性的。
附图说明
所包括的附图并入说明书中并且构成本说明书的一部分，用于进一步理解本发明，这些附图展示本发明的优选实施例，并且与详细说明一起用于说明本发明的原理。在这些附图中：
图1A示出将示例性筛查系统用于患者时的概况。
图2A示出会显现在脑电图上的脑波中的弥散性减慢的例子。
图2B示出会显现在脑电图上的脑波中的弥散性减慢的例子。
图3A示出会显现在脑电图上的脑波中的弥散性减慢的例子。
图3B示出会显现在脑电图上的脑波中的弥散性减慢的例子。
图3C示出会显现在脑电图上的脑波中的弥散性减慢的例子。
图4A示出用于预测、筛查和监测谵妄的示例性系统。
图4B示出用于预测、筛查和监测谵妄的计算方面的示例性系统。
图5A示出用于预测、筛查和监测脑病的示例性系统。
图5B示出用于预测、筛查和监测脑病的示例性系统。
图5C示出用于预测、筛查和监测脑病的示例性系统。
图5D示出用于预测、筛查和监测脑病的另一个示例性系统。
图6示出根据示例性实施例的筛查装置的程序模块和程序数据。
图7为根据示例性实施例的用于预测、筛查和监测脑病的方法的概况。
图8A为根据示例性实施例的用于预测、筛查和监测脑病的方法的概况。
图8B为根据示例性实施例的用于预测、筛查和监测脑病的方法的概况。
图9A示出原始脑电图信号的例子。
图9B示出原始脑电图信号的例子。
图9C示出谱密度分析的例子。
图9D示出谱密度分析的例子。
图10示出随时间变化的谱密度分析的例子。
图11示出根据示例性实施例的在最佳频率下的筛查结果的例子。
图12示出用以识别脑病的特征的机器学习模型的例子。
图13为示例性升高图。
具体实施方式
在此所公开或者设想的各种实施例涉及能够提供客观的脑病(谵妄的临床形式)临床测量的系统、方法和装置。这些实施方式检测患者脑波中弥漫性减慢(脑病发作的标志)的存在。在此所论述的实施方式能够通过对在患者头部上的少量的离散位置所记录的脑波进行谱密度分析来检测弥漫性减慢，从而，例如使用手持式装置，较轻易地实现床边诊断。也就是说，各种实施方式能够通过放置在患者头部的两条或者多条导线记录脑波，执行算法以评估所记录的低频波与高频波的比率，并且将该比率与确定的阈值进行比较，从而识别脑病的发作。在进一步的实施例中，这些实施方式利用机器学习和诸如来自病历的附加数据来提高诊断准确度。
所公开的系统、装置和方法涉及使用少于现有技术中存在的十六导联、二十导联或者二十四导联EEG的非侵入式的床旁诊断(point of care diagnostics)。例如，如图1中大致所示，在某些实施方式中，采用了2导联“双谱脑电图”(BSEEG)筛查系统1，其可以通过将两条导线12A、12B以少于10分钟的时间应用至患者30的前额以手持式筛查装置10来执行。虽然在这些实施方式中，出于解释的目的，在BSEEG中使用两条导线或者通道，但是应该理解的是，在此可设想许多导线或者通道数目。在各种实施方式中，装置10能够显示用于诊断脑病/谵妄的有用信息的图形和/或数字表示7，例如上次测量值4、趋势6、信号质量8等。应该理解的是，这些表示7可以是在显示器16上的能理解的图形用户接口技术的结果。
脑波可以具有各种频率和/或频带。“弥漫性减慢”是脑病的标志性指示。图2A-3D描绘与正常对照3相比，来自正经历脑病症状2的患者的若干EEG读数。对于本领域技术人员显而易见的是，在各种状态下，脑病中脑波可能具有“弥散性减慢”2的特征，意味着可以在所观察的通道中的每一条通道上观察到减慢的波形。由图2A-2B显而易见的是，由于这种减慢的s型而非局灶性弥散，所以从EEG的各种电极中的大部分-通常全部-的电极观察到这种减慢(如图2A所示)。
如图3A所示，与频率较高的波的数目相比，较慢波2的出现可能是患者患有脑病或者较可能要罹患脑病的指示。
如图3B-3D所示，因为通常可以从所有或者几乎所有的EEG电极观察到弥散性减慢，所以可以使用比标准数目十六至二十四更少的数目来识别弥散性减慢，并且由此预测脑病的发作。在这些实施方式中，在此所论述的BSEEG实施方式中使用的两条导线可能足以用于检测弥散性减慢，并且，通过适当的信号处理和用户接口，可以不需要专业知识来进行放置或者解释，并且可以借助于简单的手持式筛查装置来执行。
图4A显示筛查装置10的一种实施方式。在各种实施方式中，在此公开的用于预测、筛查和监测脑病的系统和方法可以使用这样的手持式或者其它便携式筛查装置10。在这些实施方式中，筛查装置10被配置为从例如一个或者多个传感器12A、12B接收信号。因为可在患者的整个大脑中轻易地识别弥漫性减慢，所以这些装置10可以使用远少于二十个的传感器，例如使用两个、三个、四个、五个或者更多个传感器12。在某些实施方式中，使用六至二十个或者更多个传感器。因此应该理解的是，由于使用少于二十个的传感器12，所公开的装置和系统能够轻易地运输并用于患者30，因为不需要应用典型的现有技术EEG帽。
在图4A的实施方式中，该一个或者多个传感器12A、12B是脑传感器，比如但不限于放置在患者上的电极。在某些实施例中，该信号可以是来自测量患者的脑活动的一个或者多个电极的脑电图(EEG)信号。可以对该信号进行处理，以提取这些信号的一个或者多个特征。可以分析该一个或者多个特征，从而为该一个或者多个特征中的每一个特征确定一个或者多个值。如果患者目前没有表现出疾病的临床体征或者症状，可以将所述值或者基于所述一个或者多个值的测量与阈值进行比较，以确定脑病的存在、不存在或者后续罹患可能性。
继续参考图4A-4B，筛查装置10可以包括壳体14。在各种实施方式中，壳体14的尺寸可以为手持式或者其它便携式。壳体14可以具有显示器16和接口18，比如技术人员所了解的按钮或者触摸屏。在各种实施方式中，传感器12A、12B经由端口22A、22B和电线24A、24B连接到装置10，而可替代的实施方式中使用无线接口，比如等。如图4A所示，还可以提供接地导线13，接地导线13可以与电线24A、24B捆绑在一起，以简化应用。各种实施方式中，可以使用传输线26或者其它连接，以使装置10与服务器或者其它计算装置进行电子通讯，如结合图5A-B中所论述。
还如图4B所示，在各种实施方式中，显示器16可以描绘用于脑病/谵妄诊断的有用信息的图形和/或数字表示7，该图形和/或数字表示7包括以下项中的至少一个：一个或者多个脑波2A、2B、上次测量值4、趋势6、信号质量8等。在示例性实施方式中，下面所描述的比较谱密度与确定的阈值的阈值步骤的图形表示显示为上次测量值4。应当理解的是，这些表示7可以包括任何程序数据67，并且可以作为显示器16上的能理解的图形用户接口技术的结果显示给该提供者。在这些实施例中，从放置在患者上的传感器12获得脑波2A、2B，并且可以在临床或者其它背景下将其用于诊断和/或预测脑病的发作。在各种实施方式中，壳体14还包括电源和计算部件，比如微处理器、存储器等。在另外的实施方式中，在装置壳体14内，比如通过程序模块(如结合图6-7所述)，完成计算和其它处理，而附加的处理可以在别处进行，正如在此所述。在每一个这样的实施方式中，筛查装置10和/或系统1包括处理器，该处理器被配置为通过在少于20个的通道上进行的谱密度分析的方式评估患者的弥漫性减慢，以识别弥漫性减慢。
图5A示出了根据一个实施方式的用于预测、筛查和监测脑病的示例性系统1。在该实施方式中，系统1可以包括一个或者多个筛查装置10(例如，筛查装置1、筛查装置2……筛查装置n)，在某些实施方式中筛查装置10为图1的装置10。该实施方式中的筛查装置10可操作地连接至一个或者多个传感器12A至12-n。该一个或者多个传感器12可以是单独的传感器、传感器阵列、医疗装置，或者可以是其它计算装置、远程访问装置等。在某些实施例中，该一个或者多个传感器12可以是一个或者多个电极和/或其它脑功能监测装置。该一个或者多个传感器12可以直接或者间接连接至患者30，以监测该患者30的生物信号。在某些实施例中，该一个或者多个传感器12中的某些传感器可以经由端口22直接连接至筛查装置10和/或与筛查装置10集成(图4A所示最佳)。
图5A还显示如结合图6和图8所描述，可以在筛查装置10上对从传感器12A、12B、12C、12-n接收的信号进行各种处理和分析。在某些可替代实施方式中，比如如图5B-D所示的那些实施方式，筛查装置10可以与其它计算装置结合使用。
如在图5B的实施方式中所示，筛查装置可以连接或者以其它方式通过接口连接到床边装置11。在各种实施方式中，该床边装置11可以是患者监测器或者其它一体的床边监测装置11。在各种实施方式中，该床边装置11可以为医疗保健提供者所用，以查看和/或进行某些分析或者观察步骤。
如图5C-5D所示，该一个或者多个筛查装置10还可以可操作地直接地和/或间接地(比如通过网络)连接至一个或者多个服务器/计算装置42、系统数据库36(例如，数据库1、数据库2……数据库n)。各种装置可以连接至该系统，包括但不限于医疗装置、医疗监测系统、客户端计算装置、用户端计算装置、提供者计算装置、远程访问装置等。该系统1可以接收来自各种传感器、医疗装置、计算装置、服务器、数据库等的一个或者多个输入38和/或一个或者多个输出40。
如图5D所示，在某些实施例中，该一个或者多个筛查装置10可以经由连接32直接连接至该一个或者多个服务器/计算装置42和/或与该一个或者多个服务器/计算装置42集成，和/或可以通过一个或者多个网络连接32直接连接至该一个或者多个服务器/计算装置42。该筛查装置10和/或一个或者多个服务器/计算装置42还可以可操作地直接和/或间接地(比如通过网络)连接到一个或者多个第三方服务器/数据库34(例如，数据库1、数据库2……数据库n)。该一个或者多个服务器/计算装置42可以代表例如服务器，诸如服务器、个人计算机(PC)、笔记本电脑、智能电话、平板电脑等计算装置中的任何一个或者多个。
在各种实施方式中，连接32可以代表例如硬线连接；无线连接；因特网、诸如内联网的局域网、广域网、蜂窝网络、Wi-Fi网络中的任何组合等。该一个或者多个传感器12自身可以包括至少一个处理器和/或存储器，可以代表执行如下应用的成组的任意传感器、医疗装置或者其它计算装置：分别将数据输入发送至所述一个或者多个筛查装置10或者服务器/计算装置42，和/或从所述一个或者多个筛查装置10或者服务器/计算装置42接收数据输出。这样的服务器/计算装置42可以包括例如台式计算机、笔记本电脑、移动计算装置(例如平板电脑、智能电话、可穿戴装置)、服务器计算机等中的一个或者多个。在某些实施方式中，该输入数据可以包括例如来自EEG系统、其它脑波测量等的模拟和/或数字信号，以通过一个或者多个服务器/计算装置10进行处理。
在各种实施方式中，数据输出40可以包括例如医学指示、建议、通知、警报、数据、图像等。所公开的实施例中的实施例还可以用于协作项目，其中，多个用户登录并且对来自各种位置的数据项目进行各种操作。某些实施例可以是基于计算机的、基于网络的、基于智能电话的、基于平板电脑的、和/或基于人可穿戴式装置的。
在另一个示例性实施方式中，如图6所示，筛查装置10(和/或服务器/计算装置42)可以包括连接至系统存储器46的至少一个处理器44。该系统存储器46可以包括计算机程序模块48和程序数据50。如上所述，与程序模块48中的相应计算机程序指令相关的操作可以分布在多个计算装置上。
可以通过各种电子和计算机制来进行来自导线的谱密度分析。在图6的实施方式中，提供程序模块48。这些程序模块可以包括信号处理模块52；特征分析模块54；验证模块55；弥散性减慢或者脑病确定、或者阈值模块56；输出模块59；和其它程序模块58(比如操作系统、装置驱动器等)。在各种实施方式中，每个程序模块52至58可以包括可由处理器44执行的相应的成组的计算机程序指令。
图6描述成组的程序模块的一个例子，并且根据服务器/计算装置10和/或系统1的特定的任意设计和/或架构来设想程序模块的其它数目和设置。在示例性实施方式中，程序数据50可以包括信号数据60、特征数据62、验证数据63、弥漫性减慢或者脑病确定模块64、输出数据67和其它程序数据66(比如数据输入、第三方数据、和/或被配置为实施图7-8中描述的各种步骤的其它数据)。
在各种实施方式中，程序数据50可以与上面论述的各种程序模块48对应。在这些各种实施方式中，程序模块48和/或程序数据50可以用于记录、分析、和以其它方式在显示器(如图1A和8B中的16所示)和/或任何在此所描述的其它计算装置上生成输出数据67，该其它计算装置比如为图5B的床边监测装置11、图5C的各种系统数据库36和/或第三方服务器或者数据库34、图5D的系统服务器/计算装置42，或者在模块不包含在壳体14内的实施方式中，在筛查装置10本身、以及图12的网关210或者与输出模块进行电子通讯或者物理通讯的任何其它计算、存储或者通讯装置生成输出数据67。应该理解的是，输出数据67向床旁提供者提供患者脑波的特征，以用于诊断或者以其它方式识别谵妄或者脑病的症状。例如，在某些实施方式中，可以向提供者提供谱密度的上次测量读数以及信号质量和趋势的定性测量，如本文其它地方所描述。
图7为根据用于预测、筛查和监测脑病的一个实施例的示例性方法5的概况。为实现脑病的预测、筛查和监测，该系统和方法可以执行若干可选步骤。
一个可选步骤是记录步骤70。在该步骤中，可以通过例如在图4A-4B、图5A-5D和图6中所示的传感器12、装置10、处理器40和/或系统存储器46中的一个或者全部来接收和/或记录输入数据(比如一个或者多个信号)。
继续参考图7，在可选处理步骤71中，可以比如通过图6所示的程序数据50和/或信号处理模块52来处理一个或者多个信号。在某些实施方式中，且如在图8A中所述，可以对这些信号进行处理，以将所述信号分区至窗口中。还可以对所述信号进行处理，以从一个或者多个信号和/或窗口提取一个或者多个值，如进一步结合图8A所述。在某些实施方式中，这些值可以包括来自EEG的原始信号的特征。在各种实施方式中，系统1能够使这些值倾向于提高系统的准确性，如进一步结合图11A和11B所述。
继续参考图7，可以执行可选的分析步骤72，其中可以分析一个或者多个值以确定信号或者窗口的某些特征。在某些实施方式中，该分析步骤可以包括进行快速傅里叶变换100，以创建或者以其它方式比较特征数据(如图6中的64所示)。
在另一可选步骤中，可以执行验证步骤73。在这些实施方式中，如图8A所示，可以使用谱密度102和/或其它原始信号值104A、104B或者其它特征来比较来自信号分区窗口(一般以84A、84B示出)的单独读数，以在后续步骤中使用或者排除使用。在各种实施方式中，该步骤可以通过验证模块55和验证数据63来执行。在各种实施方式中，验证步骤73可以与在此所述的其它步骤同时地或者以其它方式重复迭代地执行，并且使用误差收集算法，直到为后续分析准备好由此产生的信号数据。例如，如在图8A中进一步描述，验证步骤73可以用于确保高于或者低于某些确定的预定误差值的所有读数已被排除在进一步的处理之外。
继续参考图7，可以执行弥散性减慢或者脑病确定步骤、或者阈值步骤74。在该步骤中，可以将一个或者多个值或者特征中的至少一个值或者特征或者基于该一个或者多个值中的至少一个值的测量与确定的弥漫性减慢阈值(如图8中的65所示)进行比较，这可以通过弥漫性减慢阈值数据来实施(如图6中的64所示)。在某些实施例中，可以基于阈值比较为患者确定脑病的存在、不存在或者后续罹患可能性。例如，如在下面的例子中所论述，使用3Hz/10Hz读数的平均值作为阈值数据64，并且阈值65为1.44(阳性>＝1.44且阴性<1.44)，筛查装置10可以以图形指示阳性读数和/或阴性读数，并且显示或者不显示该阈值65。应该理解的是，作为系统改进和增强的结果，以及在附加数据66和其它因素的基础上，也可以随着时间而修改该阈值65。
在示例性实施方式中，阈值步骤的图形表示显示在筛查装置10或者其它监测系统上，表明谱密度与确定的阈值的比较显示为上次测量值4。下面将结合目前公开的例子进一步地详细论述这些可选步骤中的每一个步骤。
如图8A所示，在系统1的一个示例性实施方式中，传感器12A、12B正在通过例如图1的筛查装置10来监测患者30。在该实施方式中，传感器12产生来自患者30的一个或者多个信号80A、80B。该一个或者多个信号80A、80B可以是模拟和/或数字信号。该一个或者多个传感器12A、12B可以与接收该一个或者多个信号的系统分离，或者可以与接收该一个或者多个信号的系统集成。应该理解的是，虽然目前描述的系统1涉及EEG信号的收集，但在可替代实施方式中，该一个或者多个传感器12A、12B可以测量、检测、确定、和/或监测以下生理状况中的一个或者多个：心率、脉率、EKG、心脏变异性、呼吸频率、皮肤温度，运动参数、血压、氧气水平、核心体温、身体热量流失、皮肤电反应(GSR)、肌电图(EMG)、眼电图(EOG)、体脂、水合程度、活动水平、耗氧量、葡萄糖或者血糖水平、体位、对肌肉或者骨骼的压力、以及紫外线(UV)辐射吸收等。
在各种实施方式中，如结合4A-6所论述，系统1包括一个或者多个信号处理装置，该一个或者多个信号处理装置可以设置在筛查装置10内或者别处。通过剖析该一个或者多个信号以查找与某些信号特征对应的信号信息，该处理可以确定一个或者多个特征。在某些实施例中，可以对该一个或者多个信号进行处理以确定一个或者多个高频波和/或一个或者多个低频波的存在。该一个或者多个特征可以是波的类型，例如但不限于高频波和/或低频波。
在图8A的实施方式中，如上所述，通过第一通道82A和第二处理通道82B接收信号80A、80B以进行处理。其它的实施方式也是可能的。该方法可以集成于8位或者16位嵌入式装置环境中，或者也可以集成于更稳健的环境中。这些方法可以集成于现有的医院患者工作流程中。
还如图8A所示，在某些实施方式中，可以对信号80A、80B进行处理从而将该信号窗口化分割至相等的连续分区(如一般以84A和84B示出)。在所描绘的实施方式中，示出了十分钟的信号持续时间，其中所述信号被窗口化分割为十个单独的一分钟窗口(同样如一般以84A和84B示出)，但是应该理解的是，在可替代实施方式中，可以使用其它信号持续时间和窗口数目。在各种实施方式中，信号的长度可以小于一秒或者大于一小时、或者为若干分钟。类似地，可以有任意数目的窗口，并且窗口的时间范围可以为几分之一秒至几分钟或者更长的时间。
在图8A的实施方式中，在将信号80A、80B进行分区之后，可以执行若干可选的处理步骤和分析步骤，如结合图7所述。在各种实施方式中，提取值86A、86B，并且可以对值86A、86B执行各种可选步骤，以识别原始数据特征104A、104B，从而可以为相应的信号80A、80B确定如下数据中的几个或者全部：最小/最大振幅88A、88B；平均振幅90A、90B；四分位距(IQR)振幅92A、92B；振幅平均偏差94A、94B；和/或信号熵96A、96B。对本领域技术人员显而易见的是，可以识别其它原始信号特征104A、104B。
在分析步骤中，谱密度分析102可以用于识别弥漫性减慢。而且如图8A所示，在某些实施例中，可以在一个或者多个信号80A、80B上执行快速傅立叶变换100，以识别附加特征104A、104B。该快速傅立叶变换100可以单独使用或者与其它分析工具组合使用，以评估谱密度。可以对所述一个或者多个信号进行谱密度分析102，以确定一个或者多个谱密度特征104A、104B，比如低频密度105A、高频密度105B以及低频密度和高频密度的比率105C。来自谱密度分析102的这些特征104A、104B可以单独使用或者与从原始信号获得的各种值104A、104B结合使用，以通过使用各种可选步骤和组合来预测和/或诊断脑病。
在某些实施方式中，可以对该一个或者多个信号80A、80B(比如所描绘的EEG信号)中的每一个信号进行谱密度分析102A、102B，以区分不同的患者状态。在某些实施例中，谱密度分析102A、102B可以提供值104A、104B，包括高频脑电活动与低频脑电活动的比率105C。例如，可以比较大约10Hz信号与大约2Hz、3Hz或者4Hz信号的比率，以确定弥漫性减慢。可以识别在一个或者多个信号80A、80B内的一个或者多个频带或者窗口，以用于在此描述的系统和方法中。
在某些实施方式中，可以执行验证步骤73(如方框106所示)。在这些实施方式中，谱密度102和/或其它原始信号值104A、104B可以用于比较来自信号分区窗口(一般以84A，84B示出)的单独读数，以进行分析或者排除分析。例如，在某些实施方式中，可以执行校正算法108。在一个实施方式中，误差收集算法108执行若干可选步骤。在一个可选步骤中，给定窗口中的高于或者低于某些预定误差阈值的各种值104A、104B被摒弃110。在另一可选步骤中，如下文所述，如果IQR和/或密度比105C在某个预定接近度112之内，则保留这些窗口信号以进行集合和重组116。其它可选步骤是可能的。
在这些实施方式中，可以执行可选的附加重组步骤116。在该重组步骤116中，可以组合根据验证步骤73(方框106)的结果而尚未被移除的窗口84A、84B，从而将值104A、104B、来自那些窗口的值104A、104B集合为弥漫性减慢阈值数据64。
如进一步在图9A-13中所示，使用该弥漫性减慢阈值数据(如图6中的64示出)，进行弥漫性减慢或者脑病阈值化步骤74。在这些实施方式中，可以通过阈值模块56将集合的阈值数据64与确定的阈值65进行比较。在各种实施方式中，还可以对来自其它来源的数据66(比如电子病历)与阈值65进行比较，以确定输出67，该输出67例如可以在本文所述(如结合图5A-5D)的其它装置或者系统中的任何一个上以图形展示。一个这样的例子是输出数据67的显示，其可以包括上次测量值4、趋势6、质量8、功率75和其它诸如在9A-D中存在的图形表示。
如图2A-3D所示，脑病中脑波可以以“弥漫性减慢”为特征，指的是EEG的电极(优选所有电极)显示出减慢的波形。如上所述，脑波可以具有各种频率和/或频带。弥漫性减慢可以指的是在EEG上的大部分(如果不是全部的话)电极上观察到较慢的波，即，具有较低频率的那些波。与高频波的数目相比，较慢的波的出现可能是患者患有脑病或者较可能罹患脑病的指示。两条导线(和接地导线)可能足以用于检测弥漫性减慢，并且，通过适当的信号处理和用户接口，可以不需要专业知识来进行放置或者解释。
在某些实施例中，如图9A-9B所示，对一个或者多个值104A、104B进行谱密度分析102A、102B，该一个或者多个值104A、104B可以是一个或者多个信号中的高频波的数目和/或一个或者多个信号中的低频波的数目。如图9A所示，可以通过结合图8所述的步骤来分析每个通道82A、82B，以确定作为输出数据67的“高”频波和“低”频波的频率和其它特征。在各种实施方式中，在该过程中，这些表示可以以上述各种形式的数据中的任何形式使用，并且可以在装置显示器16上描绘这些表示(如图4B所示)。
在某些实施例中，可以在所述一个或者多个信号80A、80B的整体上计算值104A、104B，作为上述任何步骤的一部分。在某些实施例中，可以在该一个或者多个信号的子集上或者在该一个或者多个信号的时间子集上计算值104A、104B。例如，如果该一个或者多个信号的持续时间是五分钟，则可以在少于五分钟的持续时间(例如四分钟、三分钟、两分钟、一分钟、三十秒等)上计算值104A、104B。因此，该一个或者多个值104A、104B可以是预定时间量内的特征104A、104B和/或值104A、104B。在某些实施例中，该一个或者多个值104A、104B可以是一段时间内的高频波的数目和/或一段时间内的低频波的数目。在某些实施例中，该一个或者多个值104A、104B可以是高频波的数目与低频波的数目的比率。在某些实施例中，该一个或者多个值104A、104B可以是一段时间内高频波的数目与一段时间内低频波的数目的比率。
如图8A-B和图9A-D所示，在装置10、系统1和方法5的各种实施方式中，可以绘制每个通道的高频波和低频波的比率，并且在弥漫性减慢或者脑病的确定步骤中比较该比率(如图7中的74所示)。在这些实施方式中，可以通过模块56，对包含在阈值数据64中的一个或者多个值(或者特征)中的至少一个值(或者特征)或者基于该一个或者多个值中的至少一个值的测量与所确定的弥漫性减慢阈值65进行比较。在某些实施例中，基于该比较，可以为患者确定脑病的存在、不存在或者后续罹患可能性。在各种实施方式中，随着时间比较每个信号的频率，并且分析结果。如下面将进一步描述，图9A和9B示出相应通道中的每一个通道随着时间变化的原始EEG通道信号。图9C和9D描绘了所得的每个通道的谱密度分析102。
在随后的实施例中示出实验结果并给出结论。
实施例1：通过BSEEG进行脑病筛查与谵妄的临床诊断的比较
本实施例中进行了初步研究，采用超过80名65岁及以上的患者(临床诊断患有谵妄和临床诊断未患有谵妄的均有)，比较通过筛查装置10、系统1和方法5获得的患者脑波信号。使用蒙特利尔认知评估(MoCA)来评估基线认知功能。
在本实施例中，随后使用重症监护病房的意识模糊评估方法(CAM-ICU)对患者筛查谵妄的存在。在评估后，使用目前描述的装置、系统和方法通过BSEEG获取脑电图(EEG)读数，即：将两条EEG导线放置在患者的前额上-每个大脑半球一个-以获得10分钟的历程内的来自右侧和左侧的双通道信号。还使用了接地导线。在患者住院期间，每天重复该过程两次，最多7天，并且如果在此时间之后没有观察到精神状态的变化，则终止测试。在观察到精神状态改变的情况下，再对改变监测一段时间。
在本实施例中，在相同时间，针对相同患者，对来自当前描述的筛查装置的EEG信号的质量与从传统的20导联EEG机器上获得的EEG信号进行比较，确定结果之间没有显著差异。
在本实施例中，对来自有限量的案例的数据进行进一步的初步分析，这些案例包括患有谵妄的患者和未患有谵妄的患者。初步分析表明，当前描述的装置、系统和方法明确地区分这些患者，并且还在不同时间检测到同一患者有谵妄和没有谵妄。根据BSEEG结果和信号处理算法，我们计算正确地分类为阳性(真阳性)和阴性(真阴性)的受试者的数目。在本实施例中，通过将错误地分类为阳性(假阳性)和阴性(假阴性)的案例的数目列表，与CAM-ICU研究结果相比，能够通过若干阈值对阳性结果和阴性结果计算灵敏度和特异性。
随后，进行接受者操作特性(ROC)分析，并开发算法以评估筛查装置输出数据。使用多种算法重复该ROC过程，以开发出目标预测准确度(AUC)大于0.7(1.0为优选的)的最佳算法。在各种实施方式中，如上所述，该算法可以实现于系统中，比如实现于手持式筛查装置10(例如如图4A所示)中或者系统5中的其它地方，以用于床边诊断和系统改进。
实施例2：筛查装置评估
在本实施例中，数据集的初始训练集包括186个与谵妄的临床或者CAM证据相关的患者总EEG样本。这些样本代表5个阳性案例、179个阴性案例、和由于数据质量不足以用于进行分析而因此排除在进一步审查之外的2个阴性案例。
在本实施例中，最初使用15Hz的低通滤波器，但初步结果表明，阳性案例和阴性案例之间的FFT频率信息中存在不相等的衰减，因此摒弃低通滤波器。
在经处理的样本的处理过程中，观察到4秒的窗口足以显示出良好的结果。而且，在本实施例中，例如如图9A和9B所示，使用500μV的阈值来排除包含高振幅峰值的窗口。
图9C和9D描绘了通道的谱密度，其中可以对每个频率(以Hz计)的强度(以W/Hz计)进行比较，以确定低频率：高频率的比率。据观察，在该训练集中，与2Hz/10Hz或者4Hz/10Hz的比率相反，使用3Hz/10Hz的比率得到优选的预测结果。
在图10中，系统1和方法5可以用于确定时间序列130谱密度分析，以随着时间比较谵妄的波频率132和“正常的”波频率134。从谵妄受试者139可明显地看出，该系统能够识别低(3Hz)波形与高(10Hz)波形的比率相比对照(受试者122)的提高，由此表明脑病的存在。在各种实施方式中，这些结果可以通过确定谱密度，与群体阈值进行比较，而用于前瞻性地识别脑病的发作。
如图11所示，使用3Hz/10Hz的平均值作为阈值数据64，且其阈值65设定为1.44(阳性>1.44而阴性<1.44)，与CAM-ICU(或者以其它方式临床识别患者)对照的性能指标如表1所示：
表1：弥散性减慢评估与临床诊断的比较
真阳性 4
假阳性 22
真阴性 157
假阴性 1
准确度 87.50％
灵敏度 80.00％
特异性 87.70％
阳性预测值 0.153846
阴性预测值 0.993671
应该理解的是，可以提供许多其它实施例。
实施例3：机器学习
如图12所示，在某些实施方式中，机器学习模型(方框200)用于识别谵妄/脑病的特征，并且可以用于修改在此所述的其它系统、方法和装置，例如通过精化阈值(如结合图6-8以65所述)以提高诊断的准确度。在这些实施方式中，在计算机器(方框204)内使用模型来关联个体患者数据和群体患者数据(一般在方框202示出)。一般地，可编码各种机器学习方法以在如下设备中执行：筛查装置10、服务器/计算装置42、数据库36、第三方服务器34、与筛查装置10和/或传感器12可操作地通讯的其它计算或者电子存储装置(也如图5A-5D的实施方式所示)。
可以对如下数据执行该模型，即：记录自患者30或者以其它方式(比如谱密度分析102、输出数据67和结合图8A等所描述的其它值)从患者30观察到的数据(方框202)，以及来自其它记录数据(比如来自电子病历(EMR-方框201))的数据。
在各种实施方式中，EMR数据201可以包括但不限于以下生理状况中的一个或者多个：心率、脉率、EKG、心脏变异性、呼吸频率、皮肤温度、运动参数、血压、氧气水平、核心体温、身体热量流失、GSR、EMG、EEG、EOG、体脂、水合程度、活动水平、耗氧量、葡萄糖或者血糖水平、体位、对肌肉或者骨骼的压力、和紫外线辐射吸收等。从这些组合EMR和在此所述的其它系统所输出的外部观测数据也可以提供给EMR、独立的患者监测系统、装置上的图形用户接口等。
相应地，使用机器学习模型(方框200)的各种系统和方法可以通过网关210或者其它连接机制发送和/或接收来自各种计算装置以及患者EMR的信息用于监测、筛查或者预测谵妄。在某些实施例中，系统和方法可使用EMR数据提高结合筛查装置10和相关的系统1和方法5所执行的谵妄的监测、筛查或者预测的准确度。
在各种实施方式中，患者数据202也可以加载到计算机的任何计算机存储装置上，以生成适当的树算法或者逻辑回归公式。一旦生成，可以随后使用任何通用计算语言来编码树算法以用于测试实施方式，所述树算法可以采用大量的if-then条件组的形式。例如，可以捕获并编译if-then条件，以产生机器可执行模块(方框206)，在运行时，该机器可执行模块接受新的患者数据202和输出结果208，该输出结果208可以包括计算出的预测或者其它图形表示(方框208)。该输出可以为图形的形式，该图形指示预测值或者概率值以及相关的统计指标(比如p值，chi评分等)。在各种实施方式中，可以将这些结果208重新引入学习模块200或者其它地方，以持续地改进系统的功能，包括通过更新自始至终使用的各种阈值。应该理解的是，这些实施方式也能够使得相应的数据值和读数倾向于改善装置、系统和方法的性能。在这些实施方式中，例如，可以识别连续的趋势数据流，该趋势数据流可用于提供可选的附加评估步骤以及随着时间的趋势。在各种实施方式中，该模型可以提供附加的程序数据(如图6中的48所示)以提高准确度，并且包括在聚合中(如图8中的116所示)。
为了产生更好的算法并进一步地在机器学习模型(方框200)中确定变量的重要性，可以使用增强的分类和回归树方法。例如，可以使用分类和回归树、随机森林、提升树、支持向量机、神经网络、以及前述其它机器学习技术。图13显示这些方法中的每种方法的升高值的升高图表。
树提升法结合分类器变量组来实现最终的分类器。在各种实施方式中，这是通过基于模型开发数据构建初始决策树以将因变量分类来完成的。对于结果被错误分类的开发数据集中的所有案例，这些案例的权重会增加(提升)，并且生成新的决策树，从而基于该新的案例权重优化结果的分类。这些被错误分类的案例又一次提升其权重，并产生新的决策树。反复地重复该方法，通常重复数百或者数千次，直到识别出最佳的提升树。然后将该提升后的决策树应用于验证数据集，并且将验证数据集中的案例分类为应答者或者无应答者。可以使用许多其它已知的方法，例如
应该注意的是，如前所述，提升树机器学习方法以及任何更复杂的树生成方法可以产生非常复杂的算法(包含许多if-then条件)。相反地，对于用作输入到任何回归和分类树技术中以生成算法的输入的变量选择和/或变量的相对重要性也唯一地识别该算法。
在该实施例中，在13,819名患者的队列上开发机器学习算法(类似方框200的)。在本实施例中，使用变量，比如实验值、药物、年龄。对这些患者中的12,461名患者进行算法训练，并对1,358个测试案例进行验证。将每位患者的谵妄结果与DOSS量表进行比较，DOSS量表是一种手动执行筛查工具，其中大于3的评分指示谵妄。
在本实施例中，模型性能如下：真阴性：951；假阳性：62；真阳性：132；假阴性：213。相应地，观察到的错误率为20％，准确度为80％。重要的是，该模型不包括筛查装置10的输出。应该理解的是，当结合筛查装置10使用时，准确度可以提高到80％以上。如图13所示，各种附加的实施方式都是可能的。
值，特征和阈值。在此所使用的术语“值”和“特征”可以互换，并且将原始数据和已分析的数据设想为数字、时间尺度、图形或者其它。在各种实施方式中，类似在此所述的实施方式，值(比如高频波的数目)可以与阈值进行比较。可替代地或者附加地，可以将两个或者更多个值的比率与阈值进行比较。该阈值可以是预定值。该阈值可以基于关于谵妄的存在、不存在或者后续罹患可能性的统计信息，比如来自个体群体的信息。在某些实施例中，可以为一个或者多个患者预先确定阈值。在某些实施例中，对于所有患者来说，阈值可以是一致的。在某些实施例中，针对患者的一个或者多个特征，比如当前健康、年龄、性别、种族、病史、其它医疗状况等，阈值可以是特定的。在某些实施例中，可以基于患者电子病历(EMR)中的生理数据来调整阈值。
在某些实施例中，阈值可以是高频波与低频波的比率。在某些实施例中，阈值可以是一段时间内的高频波与一段时间内的低频波的比率。在此公开的所有内容中，比率是指高频波与低频波的比率，但是应当理解的是，只要该比率的形式在整个过程中保持一致，该比率也可以是低频波与高频波的比率。例如，可以在高频波与低频波的比率之间或者在相反的情况下，即低频波/高频波之间，进行比较。
可以预先确定该一个或者多个特征或者值。例如，可以将作为高频波的波的范围预先确定为大于设定值。类似地，可以将作为低频波的波的范围预先确定为小于设定值。对于所有患者，该设定值可以是相同的，或者可以根据特定的患者特征而变化。
可以提取一个或者多个信号的其它特征或者值。例如，还可以确定信噪比以用于其它用途。可以通过查找非生理性电活动频率来评估数据质量。当数据质量低于可接受的水平时，数据收集和/或解释可能受到限制直到停止。
装置特征和信号收集。在此描述的系统和方法可以提供简单、方便且易于使用的专用的筛查装置10、系统1和方法5。在某些实施例中，该系统和方法可以使用为终端用户而简化的脑电图(EEG)技术。该系统和方法可以自动解释数据，并且向医疗专业人员提供关于患者谵妄的监测、筛查或者后续罹患的指导。传统上，EEG数据由训练有素的神经科医师对其进行目测检查，并且该过程未进行自动化。在此描述的某些实施例中，可以存在如下选项：与标准监测器材、移动装置、云技术以及其它通过接口连接，以创建自动化过程。
本文描述的某些实施例可用于各种医疗领域，比如但不限于重症监护、手术前和手术后护理、老年病学、护理院、急诊室和创伤护理。监测、筛查或者预测可以改善医院或者其它医疗保健背景中的患者护理。患者还可以使用个人医疗保健装置和监测，从而允许在患者不处于医疗保健背景中时远程地监测患者状况。例如，个人医疗保健装置可以监测家中的患者或者位于医疗保健背景之外的其它位置的患者，并且提供对谵妄的监测、筛查或者预测。远程传感和/或分析系统可以与医疗保健专业人员使用的系统通过接口连接。
如在各种实施方式中所示，可以放置一个或者多个传感器12与患者30通讯。在某些实施例中，该一个或者多个传感器12可以是一个或者多个脑传感器，比如但不限于EEG装置，比如一个或者多个EEG导线/电极。根据本公开的目的，术语“导线”和“电极”可以互换使用。该一个或者多个信号可以是EEG信号。EEG信号可以包括在患者大脑的神经元内的离子电流引起的电压波动。在某些实施例中，可以有多个传感器。在某些实施例中，可以有两个传感器，比如两个EEG电极。使用少于传统的16或者24个电极的EEG系统可以降低预测、筛查或者监测谵妄的成本以及复杂性。在各种实施方式中，使用2个或者更多个导线或者传感器。在某些实施方式中，使用2、3、4、5、6、7、8、9或者10个传感器。在另外的实施方式中，使用11、12、13、14或者15个传感器。在更进一步的实施方式中，使用超过15个传感器。在各种实施方式中，可以使用最少数量的易于放置的EEG导线-少于现有技术中所示出的-由此消除和/或减少对熟练的EEG技术人员和/或准专业神经科医师的需求。在各种实施方式中，使用至少1条接地导线，并且在可替代的实施方式中使用多于1条的接地导线，例如2、3、4、5、6、7、8、9、10、11、12、13、14、15、16或者更多的接地导线。
在某些实施例中，该一个或者多个传感器12可以是非侵入式的。在某些实施例中，可以将非侵入式的电极放置在患者的皮肤上。在某些实施例中，最少可有两个皮肤接触点，即传感器和接地传感器。可以存在这样的无源传感器，其中没有外部电流流过这些传感器。在某些实施例中，可以使用有源电力传感器。在某些实施例中，该一个或者多个传感器可以是具有印刷电路的粘性贴片或者将该传感器连接至皮肤的非粘性耳机。在某些实施例中，该一个或者多个传感器可以放置在患者的头部上，例如在前额上和/或患者的一个或者多个耳朵后面。在某些实施例中，可以在一个或者多个传感器之间设置最小间隔，以使得该一个或者多个传感器彼此不接触。
在某些实施例中，可以使用微创传感器或者侵入式传感器。微创传感器或者侵入式传感器可以提供所述一个或者多个信号作为生理状况(比如大脑活动)的指示。
如果需要，可以将该一个或者多个信号从模拟信号转换为数字信号。该转换可以在处理装置接收到该一个或者多个信号之前，在处理装置处或者在独立的装置处进行。如果该一个或者多个信号被制作成数字信号或者作为数字信号被接收，则可以不需要进行转换。
该一个或者多个信号可以指示患者的一个或者多个脑功能。在某些实施例中，该一个或者多个信号可以提供关于患者的脑波活动的信息。可以测量患者脑波。在某些实施例中，脑波可以通过EEG来表现，EEG可以是从头皮处对脑电活动的记录。所记录的波形可以反映皮层电活动。在某些实施例中，EEG的信号强度可以为较小的，并且可以以微伏计量。传统上，可以使用EEG检测若干频率和/或频带。高频和低频的定义可以根据各种因素而变化，该因素包括但不限于患者群体。在某些实施例中，患者群体中的高频率和低频率的定义可以是一致的。在某些实施例中，低频波可以是具有如下频率的波：小于约7.5Hz、小于约7.0Hz、小于约6.5Hz、小于约5.5Hz、小于约5Hz、小于约4.5Hz、小于约4.0Hz、小于约3.5Hz、或者小于约3.0Hz。在某些实施例中，高频波可以是具有如下频率的波：大于约7.5Hz、大于约8.0Hz、大于约8.5Hz、大于约9.0Hz、大于约9.5Hz、大于约10.0Hz、大于约10.5Hz、大于约11.0Hz、大于约11.5Hz、大于约12.0Hz、大于约12.5Hz、大于约13.0Hz、或者大于约14.0Hz。
在某些实施例中，该一个或者多个信号可以是实时或者接近实时的数据流。在某些实施例中，可以在处理和/或分析之前测量该一个或者多个信号和/或将该一个或者多个信号存储一段时间。
尽管不是必需的，但是在软件和/或计算机程序指令的一般上下文中描述了系统和方法，该软件和/或计算机程序指令由一个或多个计算装置；移动装置，比如智能手机或者平板电脑；可穿戴装置、医疗装置、其它医疗保健系统等执行，该一个或多个计算装置可以采取传统的服务器/台式机/笔记本电脑的形式。计算装置可以包括一个或者多个处理器，该一个或者多个处理器连接至用于计算机程序模块和数据的数据存储器。关键技术可以包括但不限于基于微软和Linux/Unix操作系统的多行业标准；数据库，比如SQL Server、Oracle、NOSQL和DB2；业务分析/智能工具，比如SPSS、Cognos、SAS等；开发工具，比如Java、.NET Framework(VB.NET、ASP.NET、AJAX.NET等)；和其它电子商务产品、计算机语言、和开发工具。这样的程序模块可以包括由一个或者多个处理器执行的计算机程序指令，比如例程、程序、对象、组件等，用于执行特定任务、使用数据、数据结构、和/或实现特定抽象数据类型。尽管在上面的上下文中描述了系统、方法和设备，但是下文描述的动作和操作也可以在硬件中实现。
分析和诊断。在某些实施例中，可以通过在此所述的各种装置、系统和方法确认谵妄的存在。在某些实施例中，可以通过在此所述的系统和方法确认或者确定谵妄不存在。
在某些实施例中，患者30目前可能被诊断为患有谵妄。医疗保健专业人员可能希望监测患者的谵妄状态。在此描述的实施例可以提供高效且有成本效益的系统和方法用于监测患者的谵妄状态。在此描述的实施例可以使得医疗保健专业人员能够确定患者的谵妄是否正在改善、保持稳定或者正在恶化。在某些实施例中，医疗保健专业人员可能不确定患者是否患有谵妄。例如，患者可能具有有一些但并非全部与谵妄有关的临床体征和症状。在此描述的实施例可以使得医疗保健专业人员能够确定患者目前是否患有谵妄。
在某些实施例中，患者30目前可能未被诊断为患有谵妄，并且目前可能未具备谵妄临床体征和症状中的一种或者多种临床体征和症状。根据本公开的目的，可以根据DSM-5谵妄标准(美国心理学协会(American Psychiatric Association)(2013)，精神病诊断和统计手册(Diagnostic and Statistical Manual of Mental Disorders)(第5版)，华盛顿)定义“谵妄临床体征和症状”。具体地，谵妄临床体征和症状可以如下：
A.注意力障碍(即引起、集中、维持和转移注意力的能力下降)和意识障碍(对环境的定向降低)。
B.在较短时间内(通常是几小时到几天)出现障碍，表现出基线注意力和意识的改变，并且在一天的历程中严重程度倾向于有所波动。
C.另外的认知障碍(例如，记忆缺失、定向障碍、语言、视觉空间能力、或者知觉)。
D.标准A和C中的障碍不能通过预先存在的、已确定的或者不断发展的神经认知病症进行解释，并且不在觉醒水平严重降低(比如昏迷)的背景下发生。
E.历史、体格检查或者实验室检查结果的证据表明，此障碍是另一种医疗状况、物质中毒或者戒断、或者毒素暴露的直接生理结果，或者是由于多种病因造成的。
在某些实施例中，除非满足所有的标准A-E，否则可以不考虑将患者30诊断为患有谵妄。在其它的实施例中，在考虑将患者诊断为患有谵妄之前必须满足的标准少于所有的标准A-E。在某些实施例中，如果满足标准A-C，则可以考虑将患者诊断为患有谵妄。在某些实施例中，如果满足标准A-E中的两个或者更多个标准，则可以考虑将患者诊断为患有谵妄。在某些实施例中，如果满足标准A-E中的三个或者更多个标准，则可以考虑将患者诊断为患有谵妄。在某些实施例中，如果患者满足标准A或者标准C，则可以考虑将患者诊断为患有谵妄。在某些实施例中，如果患者满足标准A或者标准C以及标准B、D或者E中的至少一个，则可以考虑将患者诊断为患有谵妄。在某些实施例中，如果满足标准A-E中的三个或者更少个标准，则可以考虑不将患者诊断为患有谵妄。
根据本公开的目的，如果患者30目前尚未被医疗专业人员诊断为患有谵妄，则患者30可能不具有谵妄的临床体征和症状。上述条件是基于DSM-5的诊断谵妄的当前指南。在某些实施例中，这些指南或者其它指南的新版本和/或更新版本可以用于确定患者是否患有谵妄，并且可以具有不同的临床体征和症状。无论用于诊断的标准如何，在此的装置10、系统1和方法5可以在患者出现一种或者所有临床体征和症状之前预测患者正在罹患谵妄。
在患者目前可能未出现谵妄临床体征和症状时，某些实施例可以提供用于预测患者后续罹患谵妄的系统和方法。
在某些实施例中，当患者目前未被诊断为患有谵妄时，可以为患者进行关于谵妄后续罹患可能性的预测。在某些实施例中，在确定谵妄后续罹患可能性时，患者目前可能不具有谵妄临床体征和症状中的一种或者多种临床体征和症状。
在某些实施例中，可以为患者输出谵妄存在、不存在或者后续罹患可能性的指示。该输出可以采取各种形式，包括通知、警报、视觉指示、听觉指示、触觉指示、报告，病历中的条目、电子邮件、文本消息以及其组合。
谵妄的存在、不存在或者后续罹患可能性的指示可以是二元指示，比如“是”或者“否”指示。例如，该输出可以为“是”，即患者患有谵妄，或者为“否”，即患者未患有谵妄。该输出也可以为“是”，即患者可能会罹患谵妄，或者为“否”，即患者不大可能会罹患谵妄。
在某些实施例中，谵妄存在、不存在或者后续罹患可能性的指示可以是非二元指示。例如，该指示可以是百分比风险指标，即后续罹患谵妄机率为70％。在某些实施例中，可以将谵妄存在、不存在或者后续罹患可能性的指示分类。例如，该指示可以为用户具有“高”、“中”或者“低”风险，以及中等的分类，比如“中高”或者“中低”。该指示也可以是任意的比例，例如1-5、1-10等。
患者后续罹患谵妄的可能性的指示可以基于百分比可能性。例如，患者后续可能会罹患谵妄的指示可基于：患者后续会罹患谵妄的可能性超过50％、超过55％、超过60％、超过65％、超过70％、超过75％、超过80％，超过85％、超过90％或者超过95％。
这些指示可以用于谵妄的监测、筛查或者预测中的任何一种。该指示也可以计算和/或输出置信分值。例如，该指示可以包括患者将在特定时间段内罹患谵妄的80％的置信分值。
虽然上面的描述针对本发明的优选实施例，但应指出的是，其它变化和修改对于本领域技术人员来说是显而易见的，并且可以在不脱离本发明的精神或者范围的情况下做出。此外，即使没有在上面明确地指出，结合本发明的一个实施例所描述的特征也可以与其它实施例结合使用。
尽管已经参照优选实施例描述本公开，但本领域技术人员会认识到，可以在形式和细节上进行改变而不脱离所公开的设备、系统和方法的精神和范围。
权利要求书(按照条约第19条的修改)
1.一种用于筛查患者谵妄的系统，包括筛查装置，所述筛查装置包括：
a.至少两个传感器，所述至少两个传感器被配置成记录一个或者多个脑信号并生成一个或者多个值；
b.处理器；和
c.至少一个模块，所述至少一个模块被配置成：
i.随时间比较脑波频率；
ii.对所述脑波频率进行谱密度或者子波分析，以确定比率；
iii.对所述比率与确定的阈值进行比较；并且
ii.输出展示脑病的存在、不存在或者后续罹患可能性的数据，
其中，通过电子病历确定和/或调整所述阈值。
2.根据权利要求1所述的系统，其特征在于，在机器学习模型的基础上使用所述电子病历确定和/或调整所述阈值。
3.根据权利要求1所述的系统，其特征在于，还包括机器学习模块。
4.根据权利要求3所述的系统，其特征在于，还包括机器可执行模块。
5.根据权利要求1所述的系统，其特征在于，还包括信号处理模块，所述信号处理模块被配置成对所述脑波频率进行分区。
6.根据权利要求5所述的系统，其特征在于，所述脑波频率随着时间而分区至相等持续时间的窗口中。
7.一种谵妄筛查和阈值化系统，包括：
a.手持式筛查装置，所述手持式筛查装置包括壳体以及少于5个的传感器，所述少于5个的传感器被配置成记录一个或者多个脑信号并且生成一个或者多个值；以及
b.至少一个模块，所述至少一个模块被配置成：
i.随时间从所述少于5个的传感器收集脑波频率；
ii.对所述脑波频率进行谱密度分析，以确定至少一个比率；
iii.对所述至少一个比率与确定的患者数据阈值进行比较；并且
ii.输出展示脑病的存在、不存在或者后续罹患可能性的数据，
其中，通过电子病历确定和/或调整所述阈值。
8.根据权利要求7所述的系统，其特征在于，在机器学习模型的基础上确定所述患者数据阈值。
9.根据权利要求7所述的系统，其特征在于，还包括机器学习模块。
10.根据权利要求7所述的系统，其特征在于，还包括信号处理模块，所述信号处理模块被配置成对所述脑波频率进行分区。
11.根据权利要求10所述的系统，其特征在于，所述脑波频率随着时间被分区至相等持续时间的窗口中。
12.一种用于患者谵妄筛查的电子病历觉察系统，包括：
a.手持式筛查装置，所述手持式筛查装置包括壳体；
b.至少两个传感器，所述至少两个传感器被配置成记录一个或者多个脑信号，并且生成一个或者多个值；
c.处理器；
d.数据库，所述数据库包括患者数据；以及
e.多个程序模块，所述多个程序模块包括：
i.信息处理模块；
ii.特征分析模块；
iii.验证模块；以及
iv.阈值模块，所述阈值模块被配置成确定谵妄阈值，
其中，所述谵妄阈值被配置成通过在来自电子病历的患者数据上运行的机器学习模块来确定。
13.根据权利要求12所述的系统，其特征在于，还包括机器学习模块，所述机器学习模块执行机器学习模型，以确定并修改所述谵妄阈值。
14.根据权利要求12所述的系统，其特征在于，还包括机器学习模块。
15.根据权利要求12所述的系统，其特征在于，脑波频率随着时间而被分区至相等持续时间的窗口中。
16.根据权利要求12所述的系统，其特征在于，所述阈值模块被配置成在附加的患者数据的基础上随着时间更新所述谵妄阈值。
17.根据权利要求12所述的系统，其特征在于，还包括服务器，所述服务器与所述筛查装置进行电子通讯。
18.根据权利要求12所述的系统，其特征在于，所述壳体还包括显示器和接口。
19.根据权利要求18所述的系统，其特征在于，所述显示器被配置成显示程序数据。
20.根据权利要求19所述的系统，其特征在于，所述显示器被配置给阈值数据。

Claims (20)

1.一种用于患者谵妄筛查的系统，包括：
a.手持式筛查装置，所述手持式筛查装置包括壳体；
b.至少两个传感器，所述至少两个传感器被配置成记录一个或者多个脑信号并且生成一个或者多个值；
c.处理器；和
d.至少一个模块，所述至少一个模块被配置成：
i.对所述一个或者多个值进行谱密度分析；并且
ii.输出展示脑病的存在、不存在或者后续罹患可能性的数据。
2.根据权利要求1所述的系统，其特征在于，所述模块被配置成对来自所述一个或者多个脑信号的一个或者多个值与阈值进行比较。
3.根据权利要求2所述的系统，其特征在于，所述阈值为包括高频波的出现数目与低频波的出现数目的比率。
4.根据权利要求1所述的系统，其特征在于，所述一个或者多个脑信号为脑电图(EEG)信号。
5.根据权利要求1所述的系统，其特征在于，存在两个传感器。
6.根据权利要求1所述的系统，其特征在于，所述至少一个模块。
7.根据权利要求1所述的系统，其特征在于，所述壳体包括显示器。
8.根据权利要求7所述的系统，其特征在于，所述处理器设置在所述壳体内。
9.根据权利要求1所述的系统，其特征在于，所述一个或者多个值选自：高频波、低频波及其组合。
10.根据权利要求1所述的系统，其特征在于，所述一个或者多个值为一段时间内所述一个或者多个特征中的每一个特征的出现数目的数字表示。
11.一种用于评估脑病的存在的系统，包括：
a.至少两个传感器，所述至少两个传感器被配置成记录一个或者多个脑频率；
b.处理器；
c.至少一个模块，所述至少一个模块被配置成：
i.随时间比较脑波频率；
ii.对所述脑波频率进行谱密度分析，以确定比率；
iii.将所述比率与确定的阈值进行比较；以及
iv.输出表示脑病的存在、不存在或者后续罹患可能性的数据。
12.根据权利要求11所述的系统，其特征在于，预先确定所述阈值。
13.根据权利要求11所述的系统，其特征在于，在机器学习模型的基础上确定所述阈值。
14.根据权利要求11所述的系统，其特征在于，还包括手持式壳体，所述手持式壳体包括显示器，其中：
i.所述至少两个传感器与所述壳体进行电子通讯，
ii.所述处理器设置在所述壳体内，并且
iii.所述显示器被配置成描绘所述输出数据。
15.根据权利要求11所述的系统，其特征在于，还包括验证模块，所述验证模块被配置成评估信号脑，其中，所述处理器将所述一个或者多个脑频率转换成信号数据，并且所述验证模块摒弃超过至少一个预定的信号质量阈值的信号数据。
16.根据权利要求15所述的系统，其特征在于，所述信号数据被分区至相等持续时间的窗口中。
17.一种评估患者脑病的存在、不存在或者后续罹患可能性的手持式装置，其特征在于，所述手持式装置包括：
a.壳体；
b.至少一个传感器，所述至少一个传感器被配置成生成至少一个脑波信号；
c.至少一个处理器；
d.至少一个系统存储器；
e.至少一个程序模块，所述至少一个程序模块被配置成对所述至少一个脑波信号进行谱密度分析并生成患者输出数据；以及
f.显示器，所述显示器被配置成描绘患者输出数据。
18.根据权利要求17所述的装置，其特征在于，还包括信号处理模块。
19.根据权利要求17所述的装置，其特征在于，还包括验证模块。
20.根据权利要求17所述的装置，其特征在于，还包括阈值模块。
CN201680081192.0A 2015-12-04 2016-12-05 用于预测、筛查和监测脑病/谵妄的设备、系统和方法 Active CN109069081B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201562263325P 2015-12-04 2015-12-04
US62/263,325 2015-12-04
PCT/US2016/064937 WO2017096358A1 (en) 2015-12-04 2016-12-05 Apparatus, systems and methods for predicting, screening and monitoring of encephalopathy / delirium

Publications (2)

Publication Number Publication Date
CN109069081A true CN109069081A (zh) 2018-12-21
CN109069081B CN109069081B (zh) 2022-05-13

Family

ID=58798082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680081192.0A Active CN109069081B (zh) 2015-12-04 2016-12-05 用于预测、筛查和监测脑病/谵妄的设备、系统和方法

Country Status (9)

Country Link
US (2) US20180353094A1 (zh)
EP (2) EP3383271B1 (zh)
JP (3) JP7240789B2 (zh)
CN (1) CN109069081B (zh)
AU (2) AU2016364992B2 (zh)
CA (1) CA3006968C (zh)
IL (2) IL294038A (zh)
RU (1) RU2768581C2 (zh)
WO (1) WO2017096358A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111613347A (zh) * 2020-05-15 2020-09-01 首都医科大学 一种用于预防或干预谵妄的护理决策辅助方法及系统
CN111613337A (zh) * 2020-05-15 2020-09-01 首都医科大学 一种重症监护病房用的智能化谵妄评估系统及评估方法
CN111839479A (zh) * 2020-06-19 2020-10-30 中国人民解放军海军特色医学中心 一种手持式简易生理参数检测仪
TWI830530B (zh) * 2022-12-08 2024-01-21 陳韋達 偏頭痛患者藥物響應特徵訊息功率量測方法及系統

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2016364992B2 (en) 2015-12-04 2021-12-09 University Of Iowa Research Foundation Apparatus, systems and methods for predicting, screening and monitoring of encephalopathy / delirium
US20200265950A1 (en) 2017-08-30 2020-08-20 Nec Corporation Biological information processing system, biological information processing method, and computer program recording medium
JP2019181049A (ja) * 2018-04-17 2019-10-24 ソニー株式会社 生体情報評価装置および生体情報評価方法
CN109300544B (zh) * 2018-12-10 2024-04-26 南京伟思医疗科技股份有限公司 一种新生儿脑功能标准化七步分析方法
US20200205712A1 (en) * 2018-12-28 2020-07-02 X Development Llc Assessment of risk for major depressive disorder from human electroencephalography using machine learned model
EP3946020A4 (en) * 2019-04-04 2022-12-21 Shinozaki, Gen APPARATUS, SYSTEMS AND METHODS FOR PREDICTING, SCREENING AND MONITORING MORTALITY AND OTHER HEALTH CONDITIONS
US11826129B2 (en) * 2019-10-07 2023-11-28 Owlet Baby Care, Inc. Heart rate prediction from a photoplethysmogram
CN116584939A (zh) * 2020-05-15 2023-08-15 首都医科大学 一种谵妄风险监测装置及系统
KR102515982B1 (ko) * 2020-12-10 2023-03-29 가톨릭대학교 산학협력단 섬망 발생 여부 판단 장치 및 이를 이용한 섬망 발생 여부 판단 방법
WO2022149789A1 (ko) * 2021-01-07 2022-07-14 가톨릭대학교 산학협력단 뇌파 분석을 이용한 수술후섬망 예측 방법 및 분석장치
CN114980120A (zh) * 2021-02-26 2022-08-30 神讯电脑(昆山)有限公司 手持式电子装置、其数据传输方法及非暂时性储存装置
US20240120042A1 (en) * 2021-03-29 2024-04-11 Nec Corporation Learning device, determination device, method for generating trained model, and recording medium
WO2023090162A1 (ja) * 2021-11-19 2023-05-25 ソニーグループ株式会社 信号処理装置および方法
KR20230173439A (ko) * 2022-06-17 2023-12-27 연세대학교 산학협력단 섬망 발생 예측 방법 및 이를 이용한 섬망 발생 예측용 장치
CN118000665A (zh) * 2024-01-30 2024-05-10 北京大学第三医院（北京大学第三临床医学院） 基于术前检测指标的术后谵妄预测模型的训练方法及设备

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6021346A (en) * 1997-11-13 2000-02-01 Electronics And Telecommunications Research Institute Method for determining positive and negative emotional states by electroencephalogram (EEG)
US20070032737A1 (en) * 2005-08-02 2007-02-08 Elvir Causevic Method for assessing brain function and portable automatic brain function assessment apparatus
CN101155548A (zh) * 2005-03-04 2008-04-02 曼提斯库拉Ehf.公司 评估神经病症的方法和系统
CN101259015A (zh) * 2007-03-06 2008-09-10 李小俚 一种脑电信号分析监测方法及其装置
WO2010038217A1 (en) * 2008-10-03 2010-04-08 University Of Cape Town Neonatal brain well-being monitor
CN102488517A (zh) * 2011-12-13 2012-06-13 湖州康普医疗器械科技有限公司 一种检测脑电信号中爆发抑制状态的方法以及装置
WO2012161657A1 (en) * 2011-05-20 2012-11-29 Nanyang Technological University Systems, apparatuses, devices, and processes for synergistic neuro-physiological rehabilitation and/or functional development
WO2013142051A1 (en) * 2012-03-19 2013-09-26 University Of Florida Research Foundation, Inc. Methods and systems for brain function analysis
WO2014040175A1 (en) * 2012-09-14 2014-03-20 Interaxon Inc. Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data
CN103930027A (zh) * 2011-10-07 2014-07-16 皇家飞利浦有限公司 用于监测患者并检测该患者的谵妄的监测系统
WO2014176286A1 (en) * 2013-04-22 2014-10-30 The Regents Of The University Of California Fractal index analysis of human electroencephalogram signals
ES2525225T3 (es) * 2006-09-20 2014-12-19 Earlogic Korea Inc. Método para audiometría automatizada objetiva
WO2015039689A1 (en) * 2013-09-19 2015-03-26 Umc Utrecht Holding B.V. Method and system for determining a parameter which is indicative for whether a patient is delirious
US20150099946A1 (en) * 2013-10-09 2015-04-09 Nedim T. SAHIN Systems, environment and methods for evaluation and management of autism spectrum disorder using a wearable data collection device
JP2015116376A (ja) * 2013-12-19 2015-06-25 株式会社デンソー 状態推定装置、および状態推定プログラム
CN105046111A (zh) * 2015-09-10 2015-11-11 济南市儿童医院 一种振幅整合脑电图结果自动识别系统及方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5813993A (en) * 1996-04-05 1998-09-29 Consolidated Research Of Richmond, Inc. Alertness and drowsiness detection and tracking system
US6358201B1 (en) * 1999-03-02 2002-03-19 Doc L. Childre Method and apparatus for facilitating physiological coherence and autonomic balance
ZA200608191B (en) * 2004-04-01 2008-07-30 William C Torch Biosensors, communicators, and controllers monitoring eye movement and methods for using them
US7539533B2 (en) * 2006-05-16 2009-05-26 Bao Tran Mesh network monitoring appliance
US7629889B2 (en) * 2006-12-27 2009-12-08 Cardiac Pacemakers, Inc. Within-patient algorithm to predict heart failure decompensation
DK2830645T3 (da) 2012-03-30 2017-11-20 Acorda Therapeutics Inc Neuregulin til anvendelse i behandling af perifær nervelæsion
RU2521345C1 (ru) * 2013-03-22 2014-06-27 Государственное бюджетное образовательное учреждение высшего профессионального образования "Тихоокеанский государственный медицинский университет" Министерства здравоохранения Российской Федерации (ГБОУ ВПО ТГМУ Минздрава России) Способ диагностики функционального состояния головного мозга соответственно уровню здоровья
EP2789293A1 (en) * 2013-04-12 2014-10-15 Commissariat à l'Énergie Atomique et aux Énergies Alternatives Methods to monitor consciousness
TWI703158B (zh) * 2015-09-18 2020-09-01 美商希佛隆公司 特異性結合tl1a之抗體
AU2016364992B2 (en) 2015-12-04 2021-12-09 University Of Iowa Research Foundation Apparatus, systems and methods for predicting, screening and monitoring of encephalopathy / delirium

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6021346A (en) * 1997-11-13 2000-02-01 Electronics And Telecommunications Research Institute Method for determining positive and negative emotional states by electroencephalogram (EEG)
CN101155548A (zh) * 2005-03-04 2008-04-02 曼提斯库拉Ehf.公司 评估神经病症的方法和系统
US20070032737A1 (en) * 2005-08-02 2007-02-08 Elvir Causevic Method for assessing brain function and portable automatic brain function assessment apparatus
CN101500471A (zh) * 2005-08-02 2009-08-05 脑仪公司 用于评估脑功能的方法和便携式自动脑功能评估设备
ES2525225T3 (es) * 2006-09-20 2014-12-19 Earlogic Korea Inc. Método para audiometría automatizada objetiva
CN101259015A (zh) * 2007-03-06 2008-09-10 李小俚 一种脑电信号分析监测方法及其装置
WO2010038217A1 (en) * 2008-10-03 2010-04-08 University Of Cape Town Neonatal brain well-being monitor
WO2012161657A1 (en) * 2011-05-20 2012-11-29 Nanyang Technological University Systems, apparatuses, devices, and processes for synergistic neuro-physiological rehabilitation and/or functional development
US20140235969A1 (en) * 2011-10-07 2014-08-21 Koninklijke Philips N.V. Monitoring system for monitoring a patient and detecting delirium of the patient
CN103930027A (zh) * 2011-10-07 2014-07-16 皇家飞利浦有限公司 用于监测患者并检测该患者的谵妄的监测系统
CN102488517A (zh) * 2011-12-13 2012-06-13 湖州康普医疗器械科技有限公司 一种检测脑电信号中爆发抑制状态的方法以及装置
WO2013142051A1 (en) * 2012-03-19 2013-09-26 University Of Florida Research Foundation, Inc. Methods and systems for brain function analysis
WO2014040175A1 (en) * 2012-09-14 2014-03-20 Interaxon Inc. Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data
WO2014176286A1 (en) * 2013-04-22 2014-10-30 The Regents Of The University Of California Fractal index analysis of human electroencephalogram signals
WO2015039689A1 (en) * 2013-09-19 2015-03-26 Umc Utrecht Holding B.V. Method and system for determining a parameter which is indicative for whether a patient is delirious
US20150099946A1 (en) * 2013-10-09 2015-04-09 Nedim T. SAHIN Systems, environment and methods for evaluation and management of autism spectrum disorder using a wearable data collection device
JP2015116376A (ja) * 2013-12-19 2015-06-25 株式会社デンソー 状態推定装置、および状態推定プログラム
CN105046111A (zh) * 2015-09-10 2015-11-11 济南市儿童医院 一种振幅整合脑电图结果自动识别系统及方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111613347A (zh) * 2020-05-15 2020-09-01 首都医科大学 一种用于预防或干预谵妄的护理决策辅助方法及系统
CN111613337A (zh) * 2020-05-15 2020-09-01 首都医科大学 一种重症监护病房用的智能化谵妄评估系统及评估方法
CN111613347B (zh) * 2020-05-15 2023-11-14 首都医科大学 一种用于预防或干预谵妄的护理决策辅助方法及系统
CN111613337B (zh) * 2020-05-15 2023-11-14 首都医科大学 一种重症监护病房用的智能化谵妄评估系统及评估方法
CN111839479A (zh) * 2020-06-19 2020-10-30 中国人民解放军海军特色医学中心 一种手持式简易生理参数检测仪
TWI830530B (zh) * 2022-12-08 2024-01-21 陳韋達 偏頭痛患者藥物響應特徵訊息功率量測方法及系統

Also Published As

Publication number Publication date
RU2768581C2 (ru) 2022-03-24
JP7367099B2 (ja) 2023-10-23
IL294038A (en) 2022-08-01
EP4338672A2 (en) 2024-03-20
JP2019500939A (ja) 2019-01-17
RU2018123713A3 (zh) 2020-06-10
WO2017096358A1 (en) 2017-06-08
US20180353094A1 (en) 2018-12-13
AU2022201530A1 (en) 2022-03-24
JP7240789B2 (ja) 2023-03-16
RU2018123713A (ru) 2020-01-14
CN109069081B (zh) 2022-05-13
CA3006968C (en) 2024-04-23
IL259752A (en) 2018-07-31
AU2016364992A1 (en) 2018-07-05
EP3383271A1 (en) 2018-10-10
EP4338672A3 (en) 2024-07-17
JP2023182756A (ja) 2023-12-26
US20240008795A1 (en) 2024-01-11
JP2022084673A (ja) 2022-06-07
CA3006968A1 (en) 2017-06-08
EP3383271A4 (en) 2019-07-03
EP3383271B1 (en) 2022-08-24
BR112018011326A2 (pt) 2018-12-04
AU2022201530B2 (en) 2024-05-16
IL259752B (en) 2022-07-01
AU2016364992B2 (en) 2021-12-09

Similar Documents

Publication Publication Date Title
CN109069081A (zh) 用于预测、筛查和监测脑病/谵妄的设备、系统和方法
CN111133526B (zh) 发掘可用于机器学习技术中的新颖特征，例如用于诊断医疗状况的机器学习技术
US9801553B2 (en) System, method, and computer program product for the real-time mobile evaluation of physiological stress
Kalaivani et al. Prediction of biomedical signals using deep learning techniques
Panganiban et al. ECG diagnostic support system (EDSS): A deep learning neural network based classification system for detecting ECG abnormal rhythms from a low-powered wearable biosensors
Jin et al. A novel attentional deep neural network-based assessment method for ECG quality
CN102014742A (zh) 现场可部署的震荡检测器
Fu et al. Comparison of machine learning algorithms for the quality assessment of wearable ECG signals via lenovo H3 devices
JP2022532697A (ja) 死亡およびその他の状態の予測、スクリーニングおよびモニタリングのための装置、システムおよび方法
Shen et al. Bio-signal analysis system design with support vector machines based on cloud computing service architecture
Desai et al. Electrodermal activity (EDA) for treatment of neurological and psychiatric disorder patients: a review
Ho et al. A telesurveillance system with automatic electrocardiogram interpretation based on support vector machine and rule-based processing
Fang et al. Physiological computing for occupational health and safety in construction: Review, challenges and implications for future research
Huang et al. A portable household detection system based on the combination of bidirectional LSTM and residual block for automatical arrhythmia detection
Deshmukh Study of Online Driver Distraction Analysis using ECG-Dynamics
Wadhwani et al. IOT based biomedical wireless sensor networks and machine learning algorithms for detection of diseased conditions
Paul et al. Mental stress detection using multimodal characterization of PPG signal for personal healthcare applications
Sahoo et al. Artificial Intelligence Assisted Cardiac Signal Analysis for Heart Disease Prediction
Moreno et al. 1D Convolutional Neural Network Impact on Heart Rate Metrics for ECG and BCG Signals
Alahmadi et al. Prediction of mild cognitive impairment using EEG signal and BiLSTM network
Pustozerov et al. Modern Methods for Determining Emotional Stress Based on Physiological Signals and Machine Learning
BR112018011326B1 (pt) Sistema para rastreamento de delírio de paciente
Bekmukhametov et al. Automatic Detection of Non-Biological Artifacts in ECGs Acquired During Cardiac Computed Tomography
Islam A Decision Support System for StressDiagnosis using ECG Sensor
Kshirsagar et al. DEEP LEARNING TECHNIQUES FOR PREDICTION OF BIOMEDICAL SIGNALS

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
GR01 Patent grant
GR01 Patent grant