CN109564586A - 系统监测器及系统监测方法 - Google Patents
系统监测器及系统监测方法 Download PDFInfo
- Publication number
- CN109564586A CN109564586A CN201780048544.7A CN201780048544A CN109564586A CN 109564586 A CN109564586 A CN 109564586A CN 201780048544 A CN201780048544 A CN 201780048544A CN 109564586 A CN109564586 A CN 109564586A
- Authority
- CN
- China
- Prior art keywords
- statistical model
- dictionary entry
- group
- data
- dictionary
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/24—Character recognition characterised by the processing or recognition method
- G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Operations Research (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
Abstract
公开了系统监测器及监测系统的方法。在一种配置中,系统监测器预测系统的未来状态。数据接收单元接收系统数据,该系统数据表示对系统执行的一组一个或多个测量。将第一统计模型拟合到所述系统数据。将第一统计模型与数据库中的多个字典条目中的每一个进行比较。每个字典条目包括第二统计模型。第二统计模型具有与第一统计模型相同的通用类并且通过向以下数据拟合所述第二统计模型获得,所述数据表示对与所述被监测系统具有相同的类型的系统执行的一组一个或多个先前的测量并且具有已知后续状态。基于上述比较输出对被监测系统的未来状态的预测。第一统计模型和第二统计模型各自是随机过程或近似随机过程。
Description
技术领域
本发明涉及系统监测器及系统监测方法,特别地涉及用于预测被监测系统的未来状态的系统监测器及系统监测方法。所述系统特别适用于对系统状态变化例如未来的机器故障或在人或动物体上的不良医疗事件提供早期预警。
背景技术
在临床环境中,特别是在诸如医院之类的急性环境中,连续监测患者数据以提供与患者的当前健康状况相关的值(例如生命体征)。这些测量在重症加强护理病房和其他高依赖病房中特别重要。可以将所测量的生命体征与阈值进行比较,当检测到生命体征超出相应的阈值时,发出警报。
一种改进的对简单生命体征阈值预警的方法是改良早期预警评分(MEWS,Modified Early Waming Score)。MEWS可以针对每个患者来计算,并且考虑了多个生命体征的异常。然而,类似于MEWS的评估是人员密集型的,因此不适合连续监测。在缺少错过的信息的情况下,MEWS可能难以计算,并且MEWS也无法考虑到单个来看健康而联合起来异常的生命体征轨迹或信号。此外,任何人工监测或计算易受人为错误的影响。
通过将患者的当前的一组生命体征与全球的健康患者群体的生命体征进行比较的连续概率监测系统来提供对上述问题的改进。这些方法中最公知的可能是Parzen窗(Parzen window)核密度估计(KDE,kernel density estimate)。如果观测到的数据完全偏离先前从一组稳定患者(在患者监测的示例中)获得的数据,则所观察到的数据是异常和潜在生理恶化的信号。其他概率方法利用极值理论(EVT,Extreme Value Theory)来预见极端观测值表示真正的恶化、伪测量结果还是由于长期连续监测而产生的合理预期的极值。实质上,这些方法采用可以解释生命体征与漫长的观察期之间的相关性的概率阈值来代替绝对阈值。但是,仍然会在单个时间点评估患者风险,由此丢失先前测量的信息,从而对独立同分布的观察数据(即,“被监测患者”的数据与来自“先前获得的患者”的总体的数据具有相同的概率分布,“先前获得的患者”的总体的数据用来形成训练集-这是一个不准确的假设,由于个体的数据会是总体的数据的某一子集)作出不准确的假设。为了解决数据的相关时间序列特性,提出了用于估计患者轨迹的方法,但是这些方法常常依赖于处理数据以拟合成特定模型,例如拟合成离散的时间点。
发明内容
本发明的目的是提供一种能够比现有的方法更准确、更可靠和/或更早地预测系统的未来状态的改进的系统监测器。在系统是人或动物患者的情况下,有证据表明对医疗事件的较早响应可以降低死亡率,改善患者结果。
根据本发明的一方面,提供了一种系统监测器,被配置成预测被监测系统的未来状态,该系统监测器包括:数据接收单元,被配置成接收系统数据,所述系统数据表示对所述被监测系统执行的一组一个或多个测量;以及处理单元,被配置成向所述系统数据拟合第一统计模型;将所述第一统计模型与数据库中的多个字典条目中的每一个进行比较,每个字典条目包括第二统计模型,所述第二统计模型具有与所述第一统计模型相同的通用类并且所述第二统计模型通过向以下数据拟合所述第二统计模型获得,所述数据表示对与所述被监测系统具有相同的类型的系统执行的一组一个或多个先前的测量并且具有已知后续状态;以及基于上述比较输出对所述被监测系统的未来状态的预测,其中,所述第一统计模型和所述第二统计模型各自是随机过程或近似随机过程。
因此,系统监测器被设置成通过执行对系统数据拟合统计模型来获得统计模型(第一统计模型),该系统数据源自于对系统执行的测量。因此,第一统计模型提供了基于系统数据对系统的行为的形式统计表示。
然后,系统监测器使用第一统计模型,通过将第一统计模型与数据库中的第二统计模型(多个)相比较来将所述被监测系统与在过去被监测的其他系统进行比较,第二统计模型中的每一个被称为数据库(“字典”)中的“字典条目”(dictionary entry)。以这种方式,系统监测器能够快速且可靠地评估被监测系统与在过去被监测的系统之间的相似性程度,并基于此提供对被监测系统的未来状态的快速且可靠的预测。
统计模型的使用使得能够在正式概率贝叶斯框架内操作,这使得能够以鲁棒性方式处理噪声和伪影(其在如来自患者佩戴的传感器的数据中是典型情况),从而提高整体性能。例如,在被监测系统是人类患者的情况下,提高的整体性能可以包括增加准确性以及针对实际上处于“正常”或“稳定”状态的患者的“错误警报”的数量减少。已经发现该方法优于在替选的已知方法中使用的启发式方法。
此外,包括随机过程或近似随机过程(即,与随机过程类似但不满足随机过程的正式定义的构造)的统计模型的使用使得系统数据的轨迹能够得到适当考虑,而不是如例如在手动MEWS方法中所做的那样逐点处理测量数据(即,不考虑针对相同系统,例如针对患者收集到的任何历史数据)。发明人发现这种方案特别准确,在该方案中随机过程或近似随机过程是高斯过程或近似高斯过程。
发明人发现这种方案可以实现为特别高的性能(高速和/或低计算资源需求),在该方案中,使用线性状态空间模型(又称为卡尔曼滤波器)提供近似高斯过程。发现这种近似提供了与真正的高斯过程相似但操作速度提高了约100倍的特性。
此外,系统监测器所使用的分析涉及对被监测系统个性化的建模并且不需要如上文在说明书的引言部分所讨论的那样对独立同分布的观察值进行通常不准确的假设。
在被监测系统是人或动物的情况下,系统监测器能够利用大量的患者多变量生命体征数据(以及在原则上,诸如通常在各种医疗保健环境中获得的每日实验测试结果等的其他时间序列数据)的“大数据”累积。发明人发现这种方案相比现有的方案显著提高了性能。在许多情况中,可以发现该方案能够准确预测患者症状的恶化而不是仅识别到正在发生的患者症状的恶化(在当前实践中)。
本发明例如在快速增长的可穿戴传感器领域中是有用的,可穿戴传感器由于现有方法缺乏以上所描述的鲁棒性而当前受限于非医疗市场。本发明还可以应用于来自基于视频的对患者的监测的数据和/或用来改善床边的患者监测器。
在实施例中,所述多个字典条目包括一个或多个字典条目组,每个字典条目组排他地包含具有与任何其他字典条目组中的每一个的已知后续状态不同的共同已知后续状态的字典条目。通过确定第一统计模型与哪一个字典条目组最相似,能够快速且准确地确定对系统的未来状态的预测。
在实施例中,上述比较包括计算第一统计模型和数据库中的多个字典条目中的每一个之间的相似性,以获得相应的相似性值。所述相似性值为量化第一统计模型和相应的字典条目之间的相似性程度提供了方便的基础。发明人发现使用海林格距离和Kullback-Leibler散度计算相似性值特别有效。
在实施例中,上述比较包括计算一组或多组相似性值,每组相似性值表示第一统计模型与一个或多个字典条目组中的相应的一个有多相似。对未来状态的预测基于所述一组或多组相似性值来获得。所述一组或多组相似性值中的每一个使用针对所述字典条目组中的字典条目获得的相似性值来计算。在实施例中,每组相似性值是基于表示与该字典条目组(例如通过将字典条目按相似性以升序排序分类的条目中获得的字典条目)中与第一统计模型第n个最相似的字典条目的相似性值的。虽然其他方案也是可行的,但是发明人发现使用第n个最相似的字典条目在计算时更有效率,并且整体上为第一统计模型提供了对字典条目组的相似性的有效度量。可以根据特定的被监测系统和系统数据的特性来调整对n的特定值的选择。n的值应该足够高以将可能是伪影的字典条目排除,但是也不能太高以防止排除了过多的表示真正高的相似度的字典条目。
根据本发明的替选方面,提供了一种监测系统的方法,以预测该系统的未来状态,该方法包括使用计算机来:接收系统数据,所述系统数据表示对所述被监测系统执行的一组一个或多个测量;向所述系统数据拟合第一统计模型;将所述第一统计模型与数据库中的多个字典条目中的每一个进行比较,每个字典条目包括第二统计模型,所述第二统计模型与所述第一统计模型具有相同的通用类并且所述第二统计模型具有与所述第一统计模型相同的通用类并且所述第二统计模型通过向以下数据拟合所述第二统计模型获得,所述数据表示对与所述被监测系统具有相同的类型的系统执行的一组一个或多个先前的测量并且具有已知后续状态;以及基于上述比较输出对所述被监测系统的未来状态的预测,其中,所述第一统计模型和所述第二统计模型各自是随机过程或近似随机过程。
附图说明
将参照附图通过示例进一步描述本发明,在附图中:
图1为系统监测器的示意图;
图2为表示在第一统计模型和一个字典条目组之间进行比较以获得组相似性值的示意图;
图3为表示在第一统计模型和多个字典条目组之间进行比较以获得多个组相似性值的示意图;以及
图4为将根据实施例的方法的性能与根据替选方法的性能进行比较的图示。
具体实施方式
以下所描述的本发明的实施例主要涉及被监测系统是人或动物(例如人类患者)的情况以及使用时间序列测量数据的情况。应当理解的是,本发明不限于这些类型的系统和/或数据。该方案可以应用于不是时间序列数据的数据和/或不是人或动物的系统。例如,该系统可以可替选地是喷气发动机、水泵、计算机或成像系统。该数据可以包括时间序列数据或包含其他索引对或索引组的数据。示例索引包括像素、距离、位置、时间、温度、压力、速度、电压、电流、功耗和体素位置。系统监测器可以例如远程分析来自飞机发动机的数据,从而比现有的方法更早地预测发动机故障。
图1描绘了根据实施例的系统监测器2。系统监测器2预测被监测的系统10的未来状态。系统10可以是任何系统,例如机械系统、电气系统、化学系统或生物系统。系统10可以是人或动物。系统10的待预测的未来状态可以包括未来偏离正常状态,例如,当系统是机械或电气系统时的机器的损坏,或者当系统是生物系统时的不良医疗事件。系统监测器2可以向用户提供关于预测事件的警告,由此使得能够采取适当的措施。本发明的实施例使得能够比替选的手动或自动监测技术更早和/或更可靠地对偏离正常状态进行预测。
系统监测器2包括数据接收单元4和处理单元6。数据接收单元4接收系统数据,该系统数据表示对系统10执行的一组一个或多个测量。在图1的示例中,通过感测系统8直接提供系统数据。感测系统8对系统10执行测量。感测系统8可以独立于系统监测器2(如图1中的实线所描绘的)设置或者可以形成系统监测器(如图1中通过虚线区域2’所描绘的)的一部分。在其他实施例中,系统数据可以例如通过存储在先前时刻记录的系统数据的存储介质(例如通过感测系统8或其他装置)来间接提供。在其他实施例中,系统数据全部或部分通过对从系统10提取的样本执行测量来获得。感测系统8可以包括用于执行测量的一个或多个传感器12。传感器12可以被配置成直接作用于系统10和/或从系统10提取的样本。例如,在系统10是人或动物的情况下,所述测量可以包括对以下中的一个或多个的测量:心率、呼吸频率、血氧、收缩压、舒张压、心电图、血糖、温度、血液成分水平、瞳孔大小、疼痛评分、格拉斯哥昏迷评分(GCS,Glasgow Coma Scale)或对来自人或动物的样本进行的任何测量。
在实施例中,感测系统8设置在医院里、患者的家里或者由患者佩戴。感测系统8可以经由网络连接(例如有线或无线连接)向数据接收单元4发送数据。以这种方式,可以远程监测并评估患者的医疗状况。感测系统8和/或系统监测器2(两者彼此独立)可以包括告警单元以告警患者或医护人员系统监测器2预测到了需要采取行动的未来的医疗事件。告警单元可以被配置成当预测到阴性的患者结果时自动联系急救人员。
数据接收单元4向处理单元6提供系统数据。处理单元6向该系统数据拟合第一统计模型。然后,处理单元6将第一统计模型与数据库14中的多个字典条目进行比较。在图1的示例中,数据库14被示出为位于系统监测器12外侧,数据库14例如通过外部存储介质或外部数据连接(例如连接到服务器)来提供。该数据库可以替选地或附加地本地存储在系统监测器12上。
每个字典条目包括第二统计模型。第二统计模型与第一统计模型具有相同的通用类(例如高斯过程)。第二统计模型通过向以下数据拟合第二统计模型获得,所述数据表示对与被监测系统10具有相同的类型的系统执行的一组一个或多个先前的测量并且具有已知后续状态。例如,字典条目可以包括向来自患者的历史数据(表示一个或多个先前的测量)拟合的第二统计模型,该历史数据中记录了该患者的后续状态(结果)。(在该示例中,向每个单独患者的数据拟合一种模型。)后续状态可以是两种(阳性/阴性)结果,例如患者是否死亡或必须重新进入重症监护病房(ICU),或者可以记录更大范围的后续状态。后续状态可以例如包括以下状态中的一种或多种:心动过速、心动过缓、呼吸急促、呼吸徐缓、低血压、高血压、低温症、高热症、心血管意外、短暂性脑缺血发作、心肌梗塞、感染、肺炎、心房纤颤、休克或死亡。替选地或附加地,字典条目可以包括向来自健康的个体或患者的历史数据拟合的第二统计模型,所述患者在提供上述数据的测量之后没有经受任何不良结果。
因此,每个字典条目提供了源自于另一系统在前一时刻的统计模型。第一统计模型和字典条目之间的比较结果由此可以用来确定被监测系统与在过去被监测并且记录了其后续状态的各种其他系统有多相似。处理单元6使用该比较结果来确定对系统10的未来状态的预测并将该预测作为信息输出给用户。
第一统计模型和第二统计模型各自是随机过程或近似随机过程,例如高斯过程或近似高斯过程。在本文中,随机过程相比过去所使用的其他回归模型提供了多个优点。例如,它们不输入将因变量与回归量相关联的泛函形式。预先指定的泛函形式可以包括用来处理非线性的那些函数形式(例如多项式、分数多项式或泊松回归)或者用来指定先前的观察对未来观察的影响程度的那些泛函形式(例如具有自回归或移动平均分量的模型)。这种预定义的泛函形式导致了建模过程中的固有挑战性。显而易见的是,预先指定的模型可能是错误指定的,由此可能明显偏离生成过程的实际形式,尤其是在数据缺失或稀疏的情况下。这对于患者监测框架是特别相关的,在该患者监测框架中,同步较差的监测设备可能在记录的测量时间中包含错误,产生时间不确定性。在信息可以在多个设备之间中继的移动或家用的患者监测中尤其如此。一个简单的示例可以是监测设备的蓝牙连接与用来监测同一患者的其他设备断开连接或不同步。随机过程(如高斯过程)可以被设计成适应这种不确定性。相比其他统计模型,随机过程还对观察中的漂移或偏差更不敏感。相比替选方法,这些因素提供了对漂移、偏差、不完整数据和时间不确定性的改进的适应力。
通常向测量数据(例如时间序列数据)拟合诸如高斯过程之类的随机过程在本领域中是公知的,属于该技术领域的技术人员的公知常识。使用线性状态空间模型(或卡曼滤波器)向测量数据拟合诸如近似高斯过程之类的近似随机过程也是本领域公知的,属于该技术领域技术人员的公知常识。
在实施例中,多个字典条目包括一个或多个字典条目组。每个组排他地包含具有不同于任何其他字典条目组中的每一个的已知后续状态的共同已知后续状态的字典条目。在存在多个字典条目组的情况下,该比较可以包括确定第一统计模型与所述多个字典条目组中哪一个最相似。然后,可以基于与第一统计模型最相似的组中的词典条目共同的后续状态来进行对未来状态的预测。例如,如果发现第一统计模型与包含健康的人体对象(其特征在于,没有记录阴性的后续结果)的字典条目的组中的字典条目最相似,并且其他一个或多个组包含具有阴性的未来状态的患者的字典条目,则可以推断该被监测对象的未来状态可能是阳性的。不需要发出警报。反之,则需要发出警报。
在实施例中,上述比较包括计算一个或多个组相似性值。在图2和图3中示出了该方案。每个组相似性值表示第一统计模型与一个或多个字典条目组中的相应的一个有多字典条目相似。然后,可以基于所述一个或多个组相似性值获得对未来状态的预测。例如,在如图2中示意性描绘的仅有从数据库14提取的一个字典条目组111的情况下,该预测可以基于通过将组111与第一统计模型121进行比较得到的组相似性值131是否高于或低于预定阈值。因此,如果组相似性值131指示第一统计模型121与组111的字典条目足够相似,则可以推断待监测系统10的未来状态将与组111的字典条目源自于的系统的未来状态相同。在存在如图3中示意性描绘的多个字典条目组111-113(其中组相似性值131-133分别从三个字典条目组111-113得出)的情况下,具有表示第一统计模型121和组112内的字典条目之间的最高相似性的(例如)组相似性值132的组112可以被识别为最相似的组,由此可以推断待监测系统10的未来状态将与组112的字典条目源自于的系统的未来状态相同。
在实施例中,上述比较包括计算第一统计模型和数据库中的多个字典条目中的每一个之间的相似性,以获得相应的相似性值(即,每个字典条目一个相似性值)。用于量化统计模型之间的相似性或统计模型之间缺乏相似性(例如泛函距离)的各种方法是已知的。在实施例中,相似性值基于海林格距离(Hellinger Distance)或KL散度(Kullback-Leiblerdivergence)来计算。不同于其他比较方法,所述其他比较方法即如果两个时间序列本身都是随机的,则可能无法对不确定性进行建模,KL散度解释了两个分布之间的不相似性。因此,KL散度特别适合于检查诸如高斯过程之类的随机过程之间的相似性。相似性值为量化第一统计模型与所考虑的字典条目中的每一个有多相似提供了有效的基础。
在针对一个或多个字典条目组计算组相似性值的情况下,可以使用针对字典条目组中的字典条目获得的相似性值来分别计算一个或多个组相似性值。
发明人发现得出每组中的组相似性值的一种特别有效的方式是:将该相似性值基于与该字典条目组中与第一统计模型第n个最相似的字典条目。发明人发现当n为大于3的整数时,例如介于3至10范围内的整数、可选地介于3至7范围内的整数、可选地介于4至6范围内的整数、可选地为5,特别是当系统是生物系统(例如人或动物)时,该方案的效果特别好。
替选地或附加地,可以使用对每个组的相似性值的平均处理来计算每个组相似性值。该平均处理可以包括计算所述相似性值的原始平均(例如算术平均数)。替选地或附加地,平均处理可以包括过滤或加权步骤,以去除或减小可能是异常或伪影的相似性值和/或以其他方式考虑关于感测系统8和/或用于创建字典条目的系统的知识。
在实施例中,系统数据包括时间序列数据。在实施例中,对系统数据的加窗版本进行第一统计模型的拟合。时间窗的长度等于用来针对字典条目中的每一个拟合第二统计模型的时间窗。这有利于第一统计模型和字典条目之间的有意义的比较。
在实施例中,处理单元6还被配置成在数据库中选择字典条目子集以获得在比较中使用的多个字典条目。这使得能够选择可能提供关于特定的被监测系统10的最有用的信息的字典条目,这例如是由于对应于字典条目的系统最适合(例如由于他与被监测系统最相似)与被监测系统10进行比较。可以使用各种准则来选择字典条目子集。这些准则可以包括例如以下准则中的一个或多个:患者性别、患者位置、患者种族、患者年龄、患者医疗史、患者症状、患者用药、患者入院时间、对患者进行的操作、患者家族史、患者社会史、患者旅行历史、生理测量时间、窗开始时间。在一个特别优选的实施例中,上述选择基于由用于针对每个字典条目对第二统计模型的数据进行拟合的数据所表示的测量被获得的时间,相对于人类患者进入医疗机构的时间来执行。发明人发现,该因数和患者结果之间存在极强的相关性,使得使用该因素选择字典条目子集显著改善了对系统的未来状态的预测(例如对将来医疗事件的预测)的准确性。彼此进行比较的患者通常彼此处于更相似的情况。
图4是将根据实施例的预测系统的未来状态的方法(记为“TS匹配”)的性能在系统是人类患者的情况下与替选方法“KDE”(kernel density estimate,核密度估计)、“Univ.Thresh.”(univariate threshold model,单变量阈值模型)和“step-changeLogLik”(step-change log likelihood,变步长对数似然)进行比较的图示。
每种方法由三条曲线来表示,这三条曲线具有相同的颜色(阴影)并且分别表示本方法的第一、第二和第三四分位数值。对于实施例中的方法(TS匹配),三条曲线被记为201-203;对于KDE,三条曲线被记为211-213;对于Univ.Thresh.,三条曲线被记为221-223;对于step-change LogLik,三条曲线被记为231-333。
这三条曲线示出了对于四种不同的方法(每种方法的第一、第二、第三四分位数)以小时为单位的早期预警时间(TEW)相对于假阳性率(FPR,false positive rate)的变化。在每种方法中,通过改变该方法的灵敏度来获得上述三条曲线。因此,在灵敏度被设置为相对较低的情况下,FPR降低,TEW也变低。当灵敏度升高时,所述方法通常在更早的时间点(TEM较高)提供预警,但是FPR也增大。因此,曲线不仅比较模型的准确性(由FPR表示),还比较模型可以准确预测未来事件的未来时间(由TEW表示)。假阳性率在临床环境中特别重要,这是因为对患者监测器而言例如通常要求在相对较长的最小时间段(例如30天)期间完全不具有任何假阳性读数。
表示单变量阈值模型方案的曲线221-223一般较低和/或在其他曲线的右侧,通常表示更低的性能。这种模型的示例是监测患者生命体征是否超出预定限制,诸如之前所提及的MEWS方法。
表示变步长对数似然模型的曲线231-233是下一个较差的,其之后是表示核密度估计方案的曲线211-213。最好的结果由如曲线201-203所表示的实施例的方法来提供。从图中明确可见,实施例的方法不仅产生比其他方法少得多的假阳性结果,而且还使得实现了对未来事件更长的预警时间。鉴于特定实施例是基于使用采用一个变量定义的高斯过程,而核密度估计方法使用了五个变量,这种提高的性能特别给人印象深刻。对未来事件的更长的预警时间可以改善患者的优先次序,使临床医生能够最小化不良医疗事件的影响,改善了患者的治疗效果。
Claims (26)
1.一种系统监测器,被配置成预测被监测系统的未来状态,所述系统监测器包括:
数据接收单元,被配置成接收系统数据,所述系统数据表示对所述被监测系统执行的一组一个或多个测量;以及
处理单元,被配置成:
向所述系统数据拟合第一统计模型;
将所述第一统计模型与数据库中的多个字典条目中的每一个进行比较,每个字典条目包括第二统计模型,所述第二统计模型具有与所述第一统计模型相同的通用类并且所述第二统计模型通过向以下数据拟合所述第二统计模型获得,所述数据表示对与所述被监测系统具有相同的类型的系统执行的一组一个或多个先前的测量并且具有已知后续状态;以及
基于所述比较输出对所述被监测系统的未来状态的预测,其中,
所述第一统计模型和第二统计模型各自是随机过程或近似随机过程。
2.根据权利要求1所述的系统监测器,还包括用于对所述被监测系统执行所述一个或多个测量的感测系统。
3.根据权利要求1或2所述的系统监测器,其中,所述随机过程或近似随机过程是高斯过程或近似高斯过程。
4.根据权利要求3所述的系统监测器,其中,所述随机过程或近似随机过程是使用线性状态空间模型或卡尔曼滤波器的近似高斯过程。
5.根据任一前述权利要求所述的系统监测器,其中,所述系统数据是时间序列数据。
6.根据权利要求5所述的系统监测器,其中,对所述系统数据的加窗版本执行所述第一统计模型的所述拟合,所述加窗版本的时间窗的长度等于用于针对所述字典条目中的每一个拟合所述第二统计模型的时间窗的长度。
7.根据任一前述权利要求所述的系统监测器,其中,所述被监测系统是生物系统。
8.根据任一前述权利要求所述的系统监测器,其中,所述被监测系统是人或动物。
9.根据权利要求8所述的系统监测器,其中,所述测量包括对以下中的一个或多个的测量:心率、呼吸频率、血氧、收缩压、舒张压、心电图、血糖、温度、血液成分水平、瞳孔大小、疼痛评分、格拉斯哥昏迷评分,或者对来自人或动物的样本进行的任何测量。
10.根据任一前述权利要求所述的系统监测器,其中,所述处理单元还被配置成在所述数据库中选择字典条目子集以获得待在所述比较中使用的所述多个字典条目。
11.根据权利要求10所述的系统监测器,其中,所述被监测系统是人类患者并且所述选择字典条目子集基于以下时间相对于所述人类患者进入医疗机构的时间来执行,在所述时间处获得由用于针对每个字典条目拟合所述第二统计模型的所述数据表示的测量。
12.根据任一前述权利要求所述的系统监测器,其中,所述多个字典条目包括一个或多个字典条目组,每个字典条目组排他地包含具有与任何其他字典条目组中的每一个的已知后续状态不同的共同已知后续状态的字典条目。
13.根据权利要求12所述的系统监测器,其中,所述一个或多个字典条目组包括多个字典条目组,并且所述比较包括确定所述第一统计模型与所述多个字典条目组中哪一个最相似。
14.根据权利要求12或13所述的系统监测器,其中,所述比较包括计算一个或多个组相似性值,每个组相似性值表示所述第一统计模型与所述一个或多个字典条目组中的相应的一个有多相似,并且对所述未来状态的所述预测基于所述一个或多个组相似性值来获得。
15.根据任一前述权利要求所述的系统监测器,其中,所述比较包括计算所述第一统计模型与所述数据库中的所述多个字典条目中的每一个之间的相似性,以获得相应的相似性值。
16.根据权利要求15所述的系统监测器,其中,每个相似性值基于海林格距离和Kullback-Leibler散度来计算。
17.根据权利要求15或16所述的系统监测器,其中,
所述多个字典条目包括一个或多个字典条目组,每个组排他地包含具有不同于任何其他字典条目组中的每一个的已知后续状态的共同已知后续状态的字典条目;以及
所述比较包括计算一个或多个组相似性值,每个组相似性值表示所述第一统计模型与所述一个或多个字典条目组中的相应的一个有多相似,并且对所述未来状态的所述预测基于所述一个或多个组相似性值来获得,其中,
所述一个或多个组相似性值中的每一个使用针对所述字典条目组中的字典条目获得的所述相似性值来计算。
18.根据权利要求17所述的系统监测器,其中,所述一个或多个字典条目组包括多个字典条目组,并且所述比较包括使用所述一个或多个组相似性值来确定所述第一统计模型与所述多个字典条目组中哪一个最相似。
19.根据权利要求17或18所述的系统监测器,其中,每个组相似性值是基于对所述字典条目组中与所述第一统计模型第n个最相似的字典条目进行表示的相似性值的。
20.根据权利要求19所述的系统监测器,其中,n是大于3的整数。
21.根据权利要求19或20所述的系统监测器,其中,每个组相似性值使用对所述字典条目组的相似性值的平均处理来计算。
22.一种监测系统的方法,用于预测系统的未来状态,所述方法包括使用计算机来:
接收系统数据,所述系统数据表示对所述系统执行的一组一个或多个测量结果;
向所述系统数据拟合第一统计模型;
将所述第一统计模型与数据库中的多个字典条目中的每一个进行比较,每个字典条目包括第二统计模型,所述第二统计模型具有与所述第一统计模型相同的通用类并且所述第二统计模型通过向以下数据拟合所述第二统计模型获得,所述数据表示对与所述被监测系统具有相同的类型的系统执行的一组一个或多个先前的测量并且具有已知后续状态;以及
基于所述比较输出对所述被监测系统的未来状态的预测,其中,
所述第一统计模型和第二统计模型各自是随机过程或近似随机过程。
23.根据权利要求22所述的方法,还包括对所述系统执行所述一个或多个测量。
24.一种计算机程序产品,包括计算机可读代码,所述计算机可读代码被适配成使计算机执行根据权利要求22或23所述的方法。
25.一种系统监测器,其适于并且被布置成基本上如上文中参照附图所描述的和/或如附图中所示出的那样进行操作。
26.一种监测基本上如上文中参照附图所描述的和/或如附图中所示出的系统的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GBGB1613318.3A GB201613318D0 (en) | 2016-08-02 | 2016-08-02 | System monitor and method of system monitoring |
GB1613318.3 | 2016-08-20 | ||
PCT/GB2017/052007 WO2018025008A1 (en) | 2016-08-02 | 2017-07-07 | System monitor and method of system monitoring |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109564586A true CN109564586A (zh) | 2019-04-02 |
CN109564586B CN109564586B (zh) | 2023-09-22 |
Family
ID=56936735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780048544.7A Active CN109564586B (zh) | 2016-08-02 | 2017-07-07 | 系统监测器及系统监测方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11580432B2 (zh) |
EP (1) | EP3494486A1 (zh) |
CN (1) | CN109564586B (zh) |
GB (1) | GB201613318D0 (zh) |
WO (1) | WO2018025008A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111938607A (zh) * | 2020-08-20 | 2020-11-17 | 中国人民解放军总医院 | 基于多元参数融合的智能监护报警方法及其系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201803506D0 (en) * | 2018-03-05 | 2018-04-18 | Univ Oxford Innovation Ltd | Method and apparatus for monitoring a human or animal subject |
US11645552B2 (en) * | 2018-03-11 | 2023-05-09 | International Business Machines Corporation | Travel health optimization simulating health impact of intended user travel using cognitive analytics based on conditions at a geographic location |
US11526790B2 (en) | 2019-09-27 | 2022-12-13 | Oracle International Corporation | Univariate anomaly detection in a sensor network |
US11216247B2 (en) | 2020-03-02 | 2022-01-04 | Oracle International Corporation | Automatic asset anomaly detection in a multi-sensor network |
US11762956B2 (en) | 2021-02-05 | 2023-09-19 | Oracle International Corporation | Adaptive pattern recognition for a sensor network |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1768311A (zh) * | 2003-03-31 | 2006-05-03 | 英国电讯有限公司 | 数据分析系统和方法 |
CN101937207A (zh) * | 2010-08-27 | 2011-01-05 | 上海交通大学 | 机械设备状态的智能可视化监测与诊断方法 |
GB201108778D0 (en) * | 2011-05-24 | 2011-07-06 | Isis Innovation | System monitor and method of system monitoring |
WO2013192593A2 (en) * | 2012-06-21 | 2013-12-27 | Battelle Memorial Institute | Clinical predictive analytics system |
CN105144179A (zh) * | 2013-01-29 | 2015-12-09 | 分子健康股份有限公司 | 用于临床决策支持的系统和方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2981193B2 (ja) | 1997-09-02 | 1999-11-22 | エヌケイエス株式会社 | 時系列連続データの予測方法及び記録媒体 |
US7418399B2 (en) | 1999-03-10 | 2008-08-26 | Illinois Institute Of Technology | Methods and kits for managing diagnosis and therapeutics of bacterial infections |
US20040265874A1 (en) | 2000-10-17 | 2004-12-30 | Bio-Rad Laboratories, Inc. | Pattern recognition method for diagnosis of systemic autoimmune diseases |
US20050119534A1 (en) | 2003-10-23 | 2005-06-02 | Pfizer, Inc. | Method for predicting the onset or change of a medical condition |
US20080161652A1 (en) | 2006-12-28 | 2008-07-03 | Potts Steven J | Self-organizing maps in clinical diagnostics |
EP2419729A4 (en) | 2009-04-13 | 2015-11-25 | Canon Us Life Sciences Inc | FAST PROCEDURE FOR PATTERN RECOGNITION, MACHINE TRAINING AND AUTOMATED GENOTYPIC CLASSIFICATION THROUGH CORRELATION ANALYSIS OF DYNAMIC SIGNALS |
US20120041277A1 (en) * | 2010-08-12 | 2012-02-16 | International Business Machines Corporation | System and method for predicting near-term patient trajectories |
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
US20150006192A1 (en) * | 2013-06-26 | 2015-01-01 | WellDoc, Inc. | Systems and methods for clinical decision-making |
GB201311498D0 (en) * | 2013-06-27 | 2013-08-14 | Isis Innovation | Measuring respiration or other periodic physiological processes |
US10153058B2 (en) | 2014-09-11 | 2018-12-11 | The Regents Of The University Of Michigan | Machine learning for hepatitis C |
-
2016
- 2016-08-02 GB GBGB1613318.3A patent/GB201613318D0/en not_active Ceased
-
2017
- 2017-07-07 EP EP17739672.8A patent/EP3494486A1/en active Pending
- 2017-07-07 CN CN201780048544.7A patent/CN109564586B/zh active Active
- 2017-07-07 WO PCT/GB2017/052007 patent/WO2018025008A1/en unknown
-
2019
- 2019-01-03 US US16/239,144 patent/US11580432B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1768311A (zh) * | 2003-03-31 | 2006-05-03 | 英国电讯有限公司 | 数据分析系统和方法 |
CN101937207A (zh) * | 2010-08-27 | 2011-01-05 | 上海交通大学 | 机械设备状态的智能可视化监测与诊断方法 |
GB201108778D0 (en) * | 2011-05-24 | 2011-07-06 | Isis Innovation | System monitor and method of system monitoring |
WO2013192593A2 (en) * | 2012-06-21 | 2013-12-27 | Battelle Memorial Institute | Clinical predictive analytics system |
CN105144179A (zh) * | 2013-01-29 | 2015-12-09 | 分子健康股份有限公司 | 用于临床决策支持的系统和方法 |
Non-Patent Citations (2)
Title |
---|
GLEN WRIGHT COLOPY ET AL: "《Bayesian Gaussian processes for identifying the deteriorating patient》", 《PRS TRANSFER REPORT, URL:HTTP://WWW.ROBOTS.OX.AC.UK/~DAVIDC/PUBS/TRANSFER_GWC.PDF>》 * |
陈雄姿等: "基于综合健康指数与RVM的系统级失效预测", 《系统工程与电子技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111938607A (zh) * | 2020-08-20 | 2020-11-17 | 中国人民解放军总医院 | 基于多元参数融合的智能监护报警方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2018025008A1 (en) | 2018-02-08 |
CN109564586B (zh) | 2023-09-22 |
US20190156233A1 (en) | 2019-05-23 |
GB201613318D0 (en) | 2016-09-14 |
US11580432B2 (en) | 2023-02-14 |
EP3494486A1 (en) | 2019-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109564586A (zh) | 系统监测器及系统监测方法 | |
US9462980B2 (en) | Apparatus, method and computer readable code for forecasting the onset of potentially life-threatening disease | |
US11497430B2 (en) | Analysis of cardiac data | |
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 | |
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 | |
WO2014036173A1 (en) | Methods and systems for calculating and using statistical models to predict medical events | |
JP6692355B2 (ja) | バイタルサインサンプリング周波数が限定されるときのスコア信頼区間推定に関する方法 | |
US20230233152A1 (en) | Methods, apparatus and systems for adaptable presentation of sensor data | |
JP2022508221A (ja) | クリティカルアラームの予測 | |
CN105593860B (zh) | 用于确定复合评分分布的装置和患者健康状态确定器 | |
AU2012228898B2 (en) | Method and system for determining HRV and RRV and use to identify potential condition onset | |
Peng et al. | A continuous late-onset sepsis prediction algorithm for preterm infants using multi-channel physiological signals from a patient monitor | |
WO2016057806A1 (en) | Weaning readiness indicator, sleeping status recording device, and air providing system applying nonlinear time-frequency analysis | |
JP6318047B2 (ja) | 疾病予測装置、及びプログラム | |
Wong et al. | Probabilistic detection of vital sign abnormality with Gaussian process regression | |
CN113393939B (zh) | 重症监护室患者住院天数预测方法及系统 | |
WO2023220245A2 (en) | Method and apparatus for determining abnormal cardiac conditions non-invasively | |
CN113393939A (zh) | 重症监护室患者住院天数预测方法及系统 | |
CN116250823A (zh) | 一种基于mset和实时动态基线的睡眠呼吸异常预警方法 | |
CN114271804A (zh) | 基于消费级设备的心率状态辅助检测系统、心脏状态监控系统、方法、存储介质及终端 | |
JP2018138170A (ja) | 疾病予測装置、及びプログラム | |
IL188653A (en) | A facility and method and software for computer reading to predict the onset of a life-threatening illness |
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 |