CN109119155A - 基于深度学习的icu死亡危险性评估系统 - Google Patents
基于深度学习的icu死亡危险性评估系统 Download PDFInfo
- Publication number
- CN109119155A CN109119155A CN201810718023.4A CN201810718023A CN109119155A CN 109119155 A CN109119155 A CN 109119155A CN 201810718023 A CN201810718023 A CN 201810718023A CN 109119155 A CN109119155 A CN 109119155A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- patient
- icu
- sign
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于深度学习的ICU死亡危险性评估系统,包括:ICU历史数据库,其中存储有历史病人的体征数据集及历史病人真实的最终状态;第一数据预处理模块,其从所述ICU历史数据库中提取所述历史病人的体征数据集并进行预处理,获得训练样本数据,同时提取病人真实的最终状态对所述训练样本数据赋予标签;第二数据预处理模块,其提取由所述人机交互模块录入的待评估病人的体征数据并进行预处理;死亡风险性评估模块,其基于双向监督型LSTM神经网络构建;其从所述第一数据预处理模块获取训练样本数据及标签值进行模型训练,利用训练好的模型从所述第二数据预处理模块获取待评估病人的体征数据进行评估,最后通过所述人机交互模块输出评估结果。
Description
技术领域
本发明涉及死亡危险性预测领域,具体涉及一种基于深度学习的ICU死亡危险性评估系统。
背景技术
目前医院ICU中广泛采用是SAPS和APACHE评分标准对进入ICU病房的病人进行死亡危险性评估,基于这两种评标准方法的评估系统都是基于病人进入ICU后前24小时的10多项体征数据,对病人的身体状况作出评估,从而帮助医生确定更及时有效的救治措施。但是,由于评分标准的固定性,加上这两种评分标准都没有利用病人体征数据的动态变化特征,导致现有评估系统的输出结果相对粗糙,并不能较为准确地对病人的死亡危险性进行评估。
发明内容
本发明的目的在于提供一种基于深度学习的ICU死亡危险性评估系统,通过深度学习技术,根据ICU中病人动态产生的体征数据,通过捕捉病人体征的绝对值与时序变化特征,对病人的死亡危险性进行更为准确地评估。
为实现上述目的,本发明采用以下技术方案:
基于深度学习的ICU死亡危险性评估系统,包括ICU历史数据库、第一数据预处理模块、死亡风险评估模块、第二数据预处理模块及人机交互模块;所述ICU历史数据库、第一数据预处理模块、死亡风险评估模块及人机交互模块依次相连,所述人机交互模块、第二数据预处理模块及死亡风险评估模块依次相连;
所述ICU历史数据库中存储有历史病人的体征数据集及历史病人真实的最终状态;
所述第一数据预处理模块从所述ICU历史数据库中提取所述历史病人的体征数据集并进行预处理,获得训练样本数据,同时提取病人真实的最终状态对所述训练样本数据赋予标签;
所述第二数据预处理模块提取由所述人机交互模块录入的待评估病人的体征数据并进行预处理;
所述死亡风险性评估模块,其基于双向监督型LSTM神经网络构建;其从所述第一数据预处理模块获取训练样本数据及标签值进行模型训练,利用训练好的模型从所述第二数据预处理模块获取待评估病人的体征数据进行评估,最后通过所述人机交互模块输出评估结果。
进一步地,所述历史病人的体征数据集的记录项目及所述待评估病人的体征数据的录入项目包括:心率、格拉斯哥昏迷指数、平均血压、舒张压、收缩压、pH值、呼吸速率、体温、氧气浓度、排尿量及体重。
进一步地,所述死亡风险性评估模块基于以下规则进行训练:
在每个时间步输出信息,并将输出信息与标签值分别比较形成每一步的损失值Lossi,则最终的损失值为:
式中,gi表示第i步的损失值的权重,N表示时间步的总步数;
进行反向传播,对所述ICU死亡风险性评估模型进行训练。
进一步地,所述第一预处理模块包括第一数据提取模块及分别与所述第一数据提取模块相连的第一数据修正模块及标签赋予模块;
所述第一数据修正模块基于以下规则对数据进行修正以获得所述训练样本:将选取的若干项体征数据按一定时长分为若干时段,对于某个变量在一个时段内测得多个值的情况,取这些值的平均值作为该时段内该变量的数值;对于某个变量在某个时段内没有记录的情况,根据最近一个时段的数据进行补全;对于某个变量在整个指定时数内都没有数据的情况,用该病人所在ICU类型中该变量的平均值补全。
进一步地,所述第二预处理模块依次包括第二数据提取模块与第二数据修正模块;
所述第二数据修正模块基于以下规则对待评估的体征数据数据进行修正:将选取的若干项体征数据按一定时长分为若干时段,对于某个变量在一个时段内测得多个值的情况,取这些值的平均值作为该时段内该变量的数值;对于某个变量在某个时段内没有记录的情况,根据最近一个时段的数据进行补全;对于某个变量在整个指定时数内都没有数据的情况,用该病人所在ICU类型中该变量的平均值补全。
进一步地,所述标签赋予模块基于以下规则对所述训练样本进行赋值:若病人在指定天数内死亡则添加标签值为1,否则添加标签值为0;
所述人机交互模块输出的评估结果为0到1之间的某个值,1表示最可能死亡,0表示最不可能死亡,值越大,则死亡危险性越高。
采用上述技术方案后,本发明与背景技术相比,具有如下优点:
1、本发明的ICU死亡风险性评估系统中引入了采用双向架构的评估模型,能够更全面地捕捉病人的全局状态;
2、本发明评估模型采用的监督型结构可以更准确地捕捉病人在不同时间步之间细微的变化;同时,监督型结构的损失值给出了与时间递增相关联的重要性信息,更适合进行病人的状态预测,使得病人最终的状态与更接近的时间下的状态关联更加紧密;
综上,本发明能对病人的死亡危险性进行更准确的评估,帮助医生确定更及时有效的救治措施,同时可以帮助医院更好地调度各方面资源,提高效率。
附图说明
图1为本发明结构框图;
图2为本发明中死亡风险性评估模块的模型示意图;
图3为单向LSTM模型示意图;
图4为双向LSTM模型示意图;
图5为本发明分别采用双向监督型LSTM模型、单向LSTM模型以及双向LSTM模型构建死亡风险评估模型的评估结果对比。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一
请参考图1所示,本发明公开了一种基于深度学习的ICU死亡危险性评估系统,其包括ICU历史数据库、第一数据预处理模块、死亡风险评估模块、第二数据预处理模块及人机交互模块;所述ICU历史数据库、第一数据预处理模块、死亡风险评估模块及人机交互模块依次相连,所述人机交互模块、第二数据预处理模块及死亡风险评估模块依次相连。
所述ICU历史数据库中存储有历史病人的体征数据集及历史病人真实的最终状态。所述第一数据预处理模块从所述ICU历史数据库中提取所述历史病人的体征数据集并进行预处理,获得训练样本数据,同时提取病人真实的最终状态对所述训练样本数据赋予标签。所述第二数据预处理模块提取由所述人机交互模块录入的待评估病人的体征数据并进行预处理。
所述第一预处理模块包括第一数据提取模块及分别与所述第一数据提取模块相连的第一数据修正模块及标签赋予模块。
所述第一数据提取模块基于以下规则所述第一数据修正模块基于以下规则提取数据:在历史病人数据集中选取病人进入ICU后指定时数(本实施例为24H)内产生的若干项体征变量数据。
所述第一数据修正模块基于以下规则对数据进行修正以获得所述训练样本:将选取的若干项体征数据按一定时长分为若干时段(本实施例按1个小时作为一个时段,则有24个时段),对于某个变量在一个时段内测得多个值的情况,取这些值的平均值作为该时段内该变量的数值;对于某个变量在某个时段内没有记录的情况,根据最近一个时段的数据进行补全;对于某个变量在整个指定时数内都没有数据的情况,用该病人所在ICU类型中该变量的平均值补全。
所述标签赋予模块基于以下规则对所述训练样本进行赋值:若病人在指定天数(本实施例为30天)内死亡则添加标签值为1,否则添加标签值为0。
所述第二预处理模块依次包括第二数据提取模块与第二数据修正模块。所述第二数据提取模块取由所述人机交互模块录入的待评估病人的体征数据,所述第二数据修正模块基于以下规则对待评估的体征数据数据进行修正:将选取的若干项体征数据按一定时长分为若干时段,对于某个变量在一个时段内测得多个值的情况,取这些值的平均值作为该时段内该变量的数值;对于某个变量在某个时段内没有记录的情况,根据最近一个时段的数据进行补全;对于某个变量在整个指定时数内都没有数据的情况,用该病人所在ICU类型中该变量的平均值补全。
所述历史病人的体征数据集的记录项目及所述待评估病人的体征数据的录入项目均包括:心率、格拉斯哥昏迷指数、平均血压、舒张压、收缩压、pH值、呼吸速率、体温、氧气浓度、排尿量及体重。
所述死亡风险性评估模块,其基于双向监督型LSTM神经网络构建;其从所述第一数据预处理模块获取训练样本数据及标签值进行模型训练,利用训练好的模型从所述第二数据预处理模块获取待评估病人的体征数据进行评估,最后通过所述人机交互模块输出评估结果。所述人机交互模块输出的评估结果为0到1之间的某个值,1表示最可能死亡,0表示最不可能死亡,值越大,则死亡危险性越高。
所述ICU死亡风险性评估模块的模型结构如下:
a、决定丢弃的信息
ft=σ(Wf·[ht-1,xt]+bf)
b.确定更新的信息
c.更新细胞状态
ot=σ(Wo[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,σ表示sigmoid激活函数,tanh表示双曲正切函数用作激活函数,Wf、Wi、WC、Wo表示要学习的权重矩阵,ht-1为前一时刻输出,xt为当前时刻输入。
如图2所示,所述ICU死亡风险性评估模型采用双重架构,图中虚线框所示意的即是监督性的体现。其在每个时间步实现监督,即在每一个时间步输出信息,并将输出信息与标签值分别比较形成每一步的损失值Lossi,则最终的损失值为:
式中,gi表示第i步的损失值的权重,其呈线性递增,也就是越后面的时间步的损失值权重越大,N表示时间步的总步数。进行反向传播,对所述ICU死亡风险性评估模块进行训练。
实施例二
本实施例中,死亡风险评估模块分别采用单向LSTM架构与双向LSTM架构构建,其模型示意图分别如图3与图4所示,与图2对比可以看出,对于这两种LSTM架构的模型,其只在最后一个时间步输出结果,并与标签Label求损失值Loss,从而训练模型。
如图5所示的是分别采用单向LSTM架构(LSTM)、双向LSTM架构(BiLSTM)以及双向监督型LSTM架构(BiLSTM-ST)所构建并训练的ICU死亡风险性评估系统的评估效果对比表,可以看出基于双向监督型LSTM架构构建的ICU死亡风险性评估模型从Precision(精确率)、Recall(召回率)、F1(F1-score)以及AUC(准确率)上均明显优于基于LSTM或BiLSTM架构的系统。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.基于深度学习的ICU死亡危险性评估系统,其特征在于:包括ICU历史数据库、第一数据预处理模块、死亡风险评估模块、第二数据预处理模块及人机交互模块;所述ICU历史数据库、第一数据预处理模块、死亡风险评估模块及人机交互模块依次相连,所述人机交互模块、第二数据预处理模块及死亡风险评估模块依次相连;
所述ICU历史数据库中存储有历史病人的体征数据集及历史病人真实的最终状态;
所述第一数据预处理模块从所述ICU历史数据库中提取所述历史病人的体征数据集并进行预处理,获得训练样本数据,同时提取病人真实的最终状态对所述训练样本数据赋予标签;
所述第二数据预处理模块提取由所述人机交互模块录入的待评估病人的体征数据并进行预处理;
所述死亡风险性评估模块,其基于双向监督型LSTM神经网络构建;其从所述第一数据预处理模块获取训练样本数据及标签值进行模型训练,利用训练好的模型从所述第二数据预处理模块获取待评估病人的体征数据进行评估,最后通过所述人机交互模块输出评估结果。
2.如权利要求1所述的基于深度学习的ICU死亡危险性评估系统,其特征在于:所述历史病人的体征数据集的记录项目及所述待评估病人的体征数据的录入项目包括:心率、格拉斯哥昏迷指数、平均血压、舒张压、收缩压、pH值、呼吸速率、体温、氧气浓度、排尿量及体重。
3.如权利要求1所述的基于深度学习的ICU死亡危险性评估系统,其特征在于,所述死亡风险性评估模块基于以下规则进行训练:
在每个时间步输出信息,并将输出信息与标签值分别比较形成每一步的损失值Lossi,则最终的损失值为:
式中,gi表示第i步的损失值的权重,N表示时间步的总步数;
进行反向传播,对所述ICU死亡风险性评估模型进行训练。
4.如权利要求1所述的基于深度学习的ICU死亡危险性评估系统,其特征在于:所述第一预处理模块包括第一数据提取模块及分别与所述第一数据提取模块相连的第一数据修正模块及标签赋予模块;
所述第一数据修正模块基于以下规则对数据进行修正以获得所述训练样本:在历史病人的体征数据集中选取病人进入ICU后指定时数内产生的若干项体征变量数据:将选取的若干项体征数据按一定时长分为若干时段,对于某个变量在一个时段内测得多个值的情况,取这些值的平均值作为该时段内该变量的数值;对于某个变量在某个时段内没有记录的情况,根据最近一个时段的数据进行补全;对于某个变量在整个指定时数内都没有数据的情况,用该病人所在ICU类型中该变量的平均值补全。
5.如权利要求4所述的基于深度学习的ICU死亡危险性评估系统,其特征在于:所述第二预处理模块依次包括第二数据提取模块与第二数据修正模块;
所述第二数据修正模块基于以下规则对待评估的体征数据数据进行修正:选取病人进入ICU后指定时数内产生的若干项体征变量数据;将选取的若干项体征数据按一定时长分为若干时段,对于某个变量在一个时段内测得多个值的情况,取这些值的平均值作为该时段内该变量的数值;对于某个变量在某个时段内没有记录的情况,根据最近一个时段的数据进行补全;对于某个变量在整个指定时数内都没有数据的情况,用该病人所在ICU类型中该变量的平均值补全。
6.如权利要求4所述的基于深度学习的ICU死亡危险性评估系统,其特征在于,所述标签赋予模块基于以下规则对所述训练样本进行赋值:若病人在指定天数内死亡则添加标签值为1,否则添加标签值为0;
所述人机交互模块输出的评估结果为0到1之间的某个值,1表示最可能死亡,0表示最不可能死亡,值越大,则死亡危险性越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810718023.4A CN109119155B (zh) | 2018-07-03 | 2018-07-03 | 基于深度学习的icu死亡危险性评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810718023.4A CN109119155B (zh) | 2018-07-03 | 2018-07-03 | 基于深度学习的icu死亡危险性评估系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109119155A true CN109119155A (zh) | 2019-01-01 |
CN109119155B CN109119155B (zh) | 2022-01-28 |
Family
ID=64822036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810718023.4A Active CN109119155B (zh) | 2018-07-03 | 2018-07-03 | 基于深度学习的icu死亡危险性评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109119155B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112420201A (zh) * | 2020-11-25 | 2021-02-26 | 哈尔滨工业大学 | 用于icu死亡率预测的深度级联框架和icu死亡率预测方法 |
CN112466469A (zh) * | 2020-12-08 | 2021-03-09 | 杭州脉兴医疗科技有限公司 | 一种重大危机及死亡风险预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933804A (zh) * | 2017-03-10 | 2017-07-07 | 上海数眼科技发展有限公司 | 一种基于深度学习的结构化信息抽取方法 |
CN107436993A (zh) * | 2017-05-05 | 2017-12-05 | 陈昕 | 建立icu患者病情评估模型的方法和服务器 |
CN107679234A (zh) * | 2017-10-24 | 2018-02-09 | 上海携程国际旅行社有限公司 | 客服信息提供方法、装置、电子设备、存储介质 |
CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
-
2018
- 2018-07-03 CN CN201810718023.4A patent/CN109119155B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933804A (zh) * | 2017-03-10 | 2017-07-07 | 上海数眼科技发展有限公司 | 一种基于深度学习的结构化信息抽取方法 |
CN107436993A (zh) * | 2017-05-05 | 2017-12-05 | 陈昕 | 建立icu患者病情评估模型的方法和服务器 |
CN107679234A (zh) * | 2017-10-24 | 2018-02-09 | 上海携程国际旅行社有限公司 | 客服信息提供方法、装置、电子设备、存储介质 |
CN107890348A (zh) * | 2017-11-21 | 2018-04-10 | 郑州大学 | 一种基于深度学习法心电节拍特征自动化提取及分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112420201A (zh) * | 2020-11-25 | 2021-02-26 | 哈尔滨工业大学 | 用于icu死亡率预测的深度级联框架和icu死亡率预测方法 |
CN112466469A (zh) * | 2020-12-08 | 2021-03-09 | 杭州脉兴医疗科技有限公司 | 一种重大危机及死亡风险预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109119155B (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106778014B (zh) | 一种基于循环神经网络的患病风险预测建模方法 | |
JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
CN106934235B (zh) | 一种基于迁移学习的疾病领域间病人相似性度量迁移系统 | |
CN110957015B (zh) | 电子医疗记录数据的缺失值填充方法 | |
CN109659033A (zh) | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 | |
CN109949936A (zh) | 一种基于深度学习混合模型的再住院风险预测方法 | |
CN107832737A (zh) | 基于人工智能的心电图干扰识别方法 | |
CN110516095A (zh) | 基于语义迁移的弱监督深度哈希社交图像检索方法和系统 | |
WO2022166158A1 (zh) | 一种基于卷积生存网络的血透并发症长期风险预测系统 | |
CN115050451B (zh) | 败血症临床用药方案自动生成系统 | |
CN110767279A (zh) | 基于lstm的电子健康记录缺失数据补全方法及系统 | |
Katsuki et al. | Risk Prediction of Diabetic Nephropathy via Interpretable Feature Extraction from EHR Using Convolutional Autoencoder. | |
Mehmood et al. | Systematic framework to predict early-stage liver carcinoma using hybrid of feature selection techniques and regression techniques | |
CN114218292A (zh) | 一种多元时间序列相似性检索方法 | |
CN109119155A (zh) | 基于深度学习的icu死亡危险性评估系统 | |
CN114883003A (zh) | 基于卷积神经网络的icu住院时长和死亡风险预测方法 | |
Sheikhalishahi et al. | Benchmarking machine learning models on eICU critical care dataset | |
CN117034142B (zh) | 一种不平衡医疗数据缺失值填充方法及系统 | |
CN110633368A (zh) | 早期结直肠癌非结构化数据的深度学习分类方法 | |
CN114504298A (zh) | 基于多源健康感知数据融合的生理特征判别方法及系统 | |
Zhu et al. | Design and development of a readmission risk assessment system for patients with cardiovascular disease | |
CN117497111B (zh) | 一种基于深度学习实现疾病名称标准化分级的系统 | |
CN117235487B (zh) | 一种用于预测哮喘患者住院事件的特征提取方法和系统 | |
CN114595731B (zh) | 基于持续学习的非线性医疗传感器数据的语义分割方法 | |
CN114565972B (zh) | 骨架动作识别方法、系统、设备与存储介质 |
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 |