CN109643585A - 用于进行患者监测以预测并防止坠床的设备、系统和方法 - Google Patents

用于进行患者监测以预测并防止坠床的设备、系统和方法 Download PDF

Info

Publication number
CN109643585A
CN109643585A CN201780051539.1A CN201780051539A CN109643585A CN 109643585 A CN109643585 A CN 109643585A CN 201780051539 A CN201780051539 A CN 201780051539A CN 109643585 A CN109643585 A CN 109643585A
Authority
CN
China
Prior art keywords
individual
patient
intervention
bed
risk score
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.)
Pending
Application number
CN201780051539.1A
Other languages
English (en)
Inventor
M·A·韦弗斯-阿尔布
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN109643585A publication Critical patent/CN109643585A/zh
Pending legal-status Critical Current

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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Invalid Beds And Related Equipment (AREA)
  • Emergency Alarm Devices (AREA)
  • Alarm Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种用于结合个体(2)的坠床风险对所述个体(2)进行自适应干预的设备(60)，所述设备(60)包括：第一端口(70)，其用于获得所述个体(2)的个人数据(120)以及所述个体(2)的总风险评分(114)；干预单元(15)，其用于基于所获得的数据(120、114)来确定关于所述个体(2)的即将发生的坠床的推测以及用于防止所述个体(2)的坠床的干预的时间帧；以及第二端口(71)，其用于基于所述推测和所获得的数据(120、114)来输出干预信号。

Description

用于进行患者监测以预测并防止坠床的设备、系统和方法
技术领域
本发明涉及一种用于监测个体、尤其是在医院中或者在家庭护理下的患者的设备，所述设备适于允许做出人即将坠到床外的预测。所述设备在若干关联的风险因子超过预定义阈值时发出警报。本发明还涉及一种结合了前述设备的系统以及一种对个体进行监测以预测坠床的方法。
背景技术
跌落是在医院中报告的最常见的不利事件，并且是医院获得性损伤的首要原因，并且常常延长住院期或者使住院期复杂化。对急性护理医院中的观测研究的回顾表明，跌落比率处于从1.3至8.9次跌落/1000患者日的范围内，并且更高的比率发生在关注于老年护理、神经病学和康复的病房中。尽管对跌落风险因子进行了广泛研究并且开发出了许多跌落风险器械，但是对协议的应用不一致，并且涉及风险因子的干预也远未得到标准化。
尽管跌落可能发生在所有年龄，但是已知跌落会对老年人造成显著损伤，或者当混杂了需要住院的急性健康问题时会对来自高跌落风险群体的那些人造成显著损伤，或者会对需要收入到住宅护理设施中的那些人造成显著损伤。
另外，其他观测研究表明，在医院内的所有跌落中的60-70％是从床上或床边的椅子上发生的，超过80％的跌落无人目击，并且大约50％发生在反复跌落的患者身上。
考虑到跌落事件对患者的健康和生活质量以及护理成本具有很大影响，找到用于患者监测和跌落预防的可扩展并且有成本效益的解决方案以降低坠床事件的数量将变得至关重要。
本领域的当前状态包括一些解决方案，诸如作为坠床事件预防措施的保姆服务、作为坠床事件预防措施的床护栏以及用于患者监测的特定自动化解决方案。
保姆服务难以实施、不可扩展并且不具有成本效益。对于其实施，医院通常必须在从医院员工外部雇佣保姆或者向其自己的医院员工委派保姆职责之间进行选择，前者由于服务高成本的原因造成财务困顿，后者则显著增加了通常已经因员工短缺问题而过劳的员工的责任和工作量。另外，向有资质的员工分配保姆任务(不需要医学培训)妨碍人员资质和技能的适当使用。
从该意义上来讲，当使用保姆服务来实施可靠的、可扩展的并且有成本效益的住院患者坠床事件的预防策略时，保姆服务并未呈现出有利的前景。
床护栏作为单一预防策略似乎也确保不了对坠床事件的预防。医院中有50-90％的坠床发生在施加了床护栏的情况下，这说明其在防止跌落方面一般成功率有限。另外，床护栏的使用还可能与激动、恐惧和谵妄的恶化相关联。“化学”抑制(例如，具有精神安定药的使用的形式)尽管有被误导的借助于其使用防止跌落的意图，但还是与增加的跌落率相关联。此外，抑制或床护栏的使用可能由无法活动以及机能失调而导致肌肉萎缩、感染或褥疮。最后，当到达限制患者移动能力的程度时，还存在道德层面的考量。
已经尝试了使用基于技术的产品来替代保姆服务，但是这些产品还是可能具有固有缺陷。一些系统在患者监测时不提供任何智能来支持所谓的“eSitter”，这限制了同时监测的患者的数量。由于这样的解决方案的可扩展性有限，因而升级需要额外的设备和远程监测站。没有智能被实施用于自动地实时确定跌落风险将带来顾虑，并且使跌落事件预防的可行性存在问题。所评估的跌落风险以基于医院员工所做的最初以及持续进行的患者接触而获得的输入为基础，但是并未基于对患者的实时连续自动观测而得到更新。由于跌落风险的更新是以就诊时以及在住院期间与患者的会面为基础的，因而这些更新容易存在不准确和显著延迟的情况，从而带来另外的问题。
在其他系统实施方案中，只要发生部分地跨床沿(由毯子或患者手臂引起的)，即使没有实际发生患者掉到床外，系统也会触发警报。这导致了高的误警报率。
另外，关于有效的预防性干预，这些技术非常关注于监测和报警，而不注意去理解在特定时间上对于给定具体患者概况应当提供的最佳干预。此外，在医务人员应当干预的情况下，这些系统却并不提供支持来确定应当通知的实际人员以便优化人力资源。最后，所有的警报都是仅在跌落风险非常高并且事件的发生非常迫近时才发出，在这一时点上，降低了提供实际防止跌落的有效干预的机会。
WO 2013/150523A1描述了对临床事件的监测、预测和处置。提供了用于与已经被分配了处置协议的患者一起使用的装置和方法。传感器感测患者的至少一个生理参数。控制单元包括信号分析功能，所述信号分析功能分析所述生理参数，并且确定患者是否遵循了所述处置协议。用户接口向患者生成输出，所述输出指示：(a)生理参数与患者对处置协议的不遵从之间的关联，所述输出是响应于所述分析功能确定患者未能遵从所述处置协议而生成的；或者(b)生理参数与患者对所述处置协议的遵从之间的关联，所述输出是响应于所述分析功能确定患者遵从了所述处置协议而生成的。
发明内容
本发明的目的在于提供一种用于监测患者的设备、系统和方法，其不仅监测患者的移动模式和生命体征，还评价数据，并且评估风险评分，其一方面允许进行可靠的预测，并且另一方面使假警报最小化，由此实现对患者的有效率并且细心的护理。
在本发明的第一方面中，提出了一种用于结合个体的坠床风险对所述个体进行自适应干预的设备，所述设备包括：第一端口，其用于获得所述个体的个人数据以及所述个体的总风险评分；干预单元，其用于基于所获得的数据来确定关于所述个体的即将发生的坠床的推测以及用于防止所述个体的坠床的干预的时间帧(timeframe)；以及第二端口，其用于基于所述推测和所获得的数据来输出干预信号。
在本发明的另外的方面中，提出了一种用于结合个体的坠床风险对所述个体进行自适应干预的系统，所述系统包括：分类单元，其用于提供所述个体的个人数据；计算单元，其用于计算所述个体的总风险评分；以及用于基于所述分类单元和所述计算单元的输出对所述个体进行自适应干预的设备。
在本发明的另一方面中，提出了一种用于确定个体的坠床风险的方法，所述方法包括以下步骤：获得所述个体的个人数据，并且获得所述个体的总风险评分；基于所获得的数据来确定关于所述个体的即将发生的坠床的推测以及用于防止所述个体的坠床的干预的时间帧；并且基于所获得的数据和所述推测在所述个体处进行干预。
在本发明的又另外的方面中，提出了一种包括程序代码模块的计算机程序，当所述计算机程序在计算机上被执行时，所述程序代码模块用于使计算机执行所述方法的步骤。
本发明的用于确定坠床风险的设备、系统、方法和计算机程序与上文所描述的现有技术的区别在于：干预单元被配置为，一方面考虑个体的个人数据，而另一方面基于移动数据和健康记录来检测所述个体的风险评分和能力水平，并且基于所述数据集来判定如何在所述个体处进行有效并且可靠的干预以防止坠床。
在从属权利要求中定义了本发明的优选实施例。应当理解，所主张保护的方法与所主张保护的设备具有相似和/或相同的并且如在从属权利要求中所定义的那样的优选实施例。
优选地，所述干预单元被配置为通过被布置在所述个体附近的接口的方式来直接向所述个体输出干预信号。这是不涉及人员或其他资源而对所述个体进行干预的最简单并且最直接的方案。如果该直接干预失败，那么能够发起下一步骤。
根据有利实施例，所述设备还包括用于获得人员日程有关的数据的第三端口。如果给出了警报，那么能够考虑人员日程，并且最近的、或空闲的、或具有较低优先权任务的人员将首先接到警报去辅助所述个体。
有利地，所述干预单元被配置为向人员成员输出干预信号，并且基于所述人员日程、所获得的数据和所述推测来触发在所述个体处的人员干预。因此，将使所述动作流线化，同时使接受护理的人具有最低的风险，人员付出合理的努力，并且得到最有效的干预。
优选地，所述个体的个人数据包括以下中的一项或多项：年龄、性别、精神病学状况、症状、残疾、药物处置、跌落历史、心理学概况。在任何情况下，这些数据都在收录所述个体时被存储在护理环境的IT系统中，并且因此，能容易地用于确定所述个体的风险评分。
所述总风险评分是通过获得所述个体的个人数据并且通过获得来自被布置在所述个体附近和/或与所述个体相接触的至少一个传感器的传感器数据而确定的。因此，能够对基于所述个体的实际行为和长期健康记录两者的个体风险评分进行定制，并且能够以高准确度来预测个体坠床风险。
根据本发明的优选实施例，所述干预单元被配置为基于所述总风险评分以及其在预定时间帧期间的变化和/或演变来区分所述个体的能力水平，其中，所述个体的能力水平包括：认知能力水平、沟通能力水平、顺从水平。不同的水平允许容易并且可靠地评价即将发生的坠床的风险，并且能够容易地将其彼此区分开。因此，能够触发相应的干预。
所述认知能力水平与处于低或中等但是在有限时间窗口内缓慢地到中度地增大的总风险评分有关。这是最低水平的干预，其中，能够最大可能地通过接口进行直接干预来照料所述个体。
所述沟通能力水平与处于低或中等但是在有限时间窗口内显著地增大的总风险评分有关。在这种情况下，如果所述总风险评分持续增大，那么所述系统将得到提示，并且准备好发出警报。如果存在下降，则所述系统将降低警报状态。
所述顺从水平与被确定为高的总风险评分有关。如果所述总风险评分为持久性的高，则所述系统将处于持久警报中，并且保持向人员通知该紧迫情况。
优选地，在所述个体处进行干预的步骤包括经由接口与所述个体直接交谈，并且/或者基于人员日程、所获得的数据和所述推测来触发由人员进行的干预。这允许在最佳地使用所有资源的情况下有效地进行干预，由此使过程流线化，并且同时允许根据相应需求对每人进行个体监测。
附图说明
根据下文所描述的实施例，本发明的这些和其他方面将变得显而易见并且将参考所述实施例得以阐述。在以下附图中：
图1示出了用于监测患者并且用于预测和防止坠床的本发明的设备和系统的示意性概览，
图2示出了被视频部件覆盖的床框架的示意性视图，
图3至图10示出了处于不同状况下的床内患者，
图11至图13示出了特定患者的姿态和移动的加速度计信号的示意图，
图14示出了患者的不安度示意图，并且
图15示出了比较患者的不安度与激动的图示。
具体实施方式
在图1中，图解性地示出了本发明的优选实施例的概览。所述实施例包括用于监测个体2的设备1。个体2尤其可能是医院病床上的患者。因此，在下文中，个体2将被称为患者2，但是个体2也可以是护理院的居住者、精神科病房的住户或者接受居家护理的个体2等。基于设备1的原理在于：与处于监测下的患者2相关联的坠床风险是通过不可修改的风险因子和可修改的风险因子两者来确定的，所述不可修改的风险因子诸如是患者2的年龄、特定虚弱(持久的)状况、生理损害等以及心理构成(关于对医院中的医学指南的遵从/遵守的水平)，所述可修改的风险因子诸如是患者2在占据病床时的不安度、意识错乱水平、移动的类型和速度(例如，飘忽不定的移动)。
设备1确保了：与每位患者2相关联的风险评分的计算是以对以上所有风险因子(不可修改的和可修改的)的评价为基础的，并且对每位患者2来定制所实施的干预策略，以通过预防跌落事件以及优化医务人员资源来确保解决方案的完全效力，所述优化是仅在需要时涉及医务人员，并且然后仅涉及最便于到达的和/或最可实施所述干预的人员。
图1的实施例的设备1经由第一端口3连接至位于患者2所处的患者房间40中的传感器12和13。所述实施例尤其提供了：具有视频相机12或者用于监测患者2的移动的另一适合的设备的形式的传感器12，以及具有生命体征传感器13的形式的传感器13。生命体征传感器13具体能够是光电容积描记传感器、心率监测器、血压监测器、SpO2传感器和/或呼吸监测器，其全部适合于评估生命体征，并且同时允许得出关于压力、焦虑、激动等的结论。生命体征传感器13能够被布置在患者的身体上或者被布置在远程位置中，尤其是在使用PPG传感器的情况下。因此，连续地或者以离散的间隔实时地获取输入的传感器12、13提供了用于监测的特定冗余度，从而允许对事件进行准确的并且故障安全的预测。在传感器12、13中的一个传感器发生故障的情况下，那么另一个传感器仍然能够提供数据。
由传感器12、13收集的传感器数据100，即射频数据130和生命体征数据140，分别被传送至视频处理单元8和生命体征处理单元9。处理单元8、9被配置为通过分析视频数据130和生命体征数据140来实时地检测风险因子，并且基于所检测到的风险因子来计算针对每个数据集的风险评分110、111。下文将参考图2至图15更详细地描述视频处理单元8和生命体征处理单元9以及其功能。
设备1还包含用于确定指示传感器数据100的质量的质量信息的评估单元4。因此，对视频数据130和生命体征数据140的可靠性进行评价和加权。评估单元4获得来自相应处理单元8、9的风险评分110、111；确定针对相应数据130、140的可靠性值；并且根据其来计算可变风险评分112，如下文更详细描述的。与评估单元4相连接的生命体征处理单元9可以被称为生命体征风险评分检测设备20，而与评估单元4相连接的视频处理单元8可以被称为视频数据风险评分检测设备30。与相应的设备30和20相连接的相应的视频传感器12和生命体征传感器13可以被称为系统31和21。
评估单元4使用风险因子110和111(上文所定义的)以及传感器可靠性指示器(如下文进一步详细描述的)以便实时地计算针对坠床事件的总体患者可变风险评分112。可变风险评分112被传输至计算单元6，以供进一步处理。尤其地，可变风险评分112能够经由网络通信协议从患者房间40传输至远程工作站房间50。
所述传感器可靠性指示与每个传感器相关联的置信度的水平，其取决于环境和连接因子，如下文进一步参考视频处理单元8和生命体征处理单元9的功能而详细描述的。
这样，可变风险评分112被定义为R_Video和R_VitalSigns(上文所定义的)的复合项，其中，所述传感器可靠性指示器(SR_V和SR_VS)起着加权因子的作用。作为范例，在可能的实施方式中，如果SR_V和SR_VS两者均为0，那么所述可变风险评分被设定为-1，指示所述系统由于不可靠的输入而不能够计算所述可变风险评分。在所有其他情况下：
可变风险评分＝(SR_V*R_Video+SR_VS*R_VitalSigns)/(SR_V+SR_VS)
以上公式暗示了，一旦所述视频信号不是可靠的，可变风险评分112实际上就等于R_VitalSigns。相反，如果所述生命体征信号不是可靠的，那么可变风险评分112实际上等于R_Video。如果这两个信号都是可变的，那么可变风险评分112是以上两个风险评分110和111的平均值。以伪代码表达为：
如果(SR_V＝0并且SR_VS＝0)，那么
可变风险评分＝-1
否则
可变风险评分＝(SR_V*R_Video+SR_VS*R_VitalSigns)/(SR_V+
SR_VS)。
先前所描述的部件被布置在患者2的附近。然而，以下部件被有利地布置在远程工作站房间50中。
分类单元10基于患者2的临床和心理概况对患者2进行分类，并且基于所述患者概况提供固有风险评分113。当前实施例中的患者概况是经由第二端口5从数据库16获得的。所述患者概况包括关于患者2的任何可获得的信息，其以年龄、性别开始，并且还包含当前诊断、相应的药物处置、患者的总体状况、医学历史以及坠床历史等。因此，所述患者概况是用于患者2的坠床风险的评价的主要来源。
个人数据120提供构成临床和心理概况的不可修改风险因子，并且根据其来提供固有风险评分113。
不可修改风险因子可以是患者年龄(患者年龄越大，发展出认知损害的风险就越高，并且因此，将具有增大的坠床风险)、患者性别(男性患者呈现出针对跌落事件的更高风险，这有可能归因于男性患者在离开病床时更不愿意接受辅助)、(神经系统疾病)状况(痴呆症，例如，阿尔茨海默症)患者以及患有帕金森病的患者已知具有更高的坠到床外的风险，因为其更易于发生空间定向障碍、激动事件以及因睡眠障碍而把其梦境当真。与没有神经学疾病相比，具有神经学疾病将对应于增大的坠床风险水平)、当前或先前的症状(所登记/观测到的幻觉/睡眠障碍的发生将增大坠床风险水平)、(认知、视觉)残疾(有视觉损害的患者将承受不能很好地估计距离的更高风险，空间意识不足将造成增大的坠床风险水平)、药物处置(大量的处方药物处置或者服用可能引起镇静、意识错乱、平衡受损或者直立位血压改变的患者具有更高的跌落风险)、坠床历史(与这样的事件的散发历史(或者无先前历史)相比，持续的坠床事件历史将增大后续重复该事件的可能性)以及心理学概况——遵从/遵守水平(在其住院期间对医学指南(例如，不在无监护的情况下离开床)遵从/遵守水平低的患者在尝试下床时比不这样的患者承受更高的跌落风险)。
上文所提到的所有不可修改因子(除了坠床历史和心理概况)是由分类单元10根据患者电子健康记录16来确定的，如在图1中所示的。
经由关于患者到目前为止所经历的跌落次数的简单问题来评价患者坠床历史。患者心理学概况(关于患者对医院中的医学指南的遵从/遵守水平)是借助于住院时的问卷测试来确定的，所述问卷测试是一种确定基线的方式。基于进一步了解关于患者在医院居留期间对不在无监护的情况下下床的医学建议的遵从/遵守水平来更新该概况。
固有风险评分113是以评价上文所提到的不可修改的风险因子为基础的，其中，所述固有风险评分按照参数xi(i＝1..8)(与每个风险因子相关联)而增大。这将隐含以下测试和相关联的计算：
如果患者年龄>65，那么
如果患者性别＝男性，那么
如果患者(神经系统疾病)状况＝是，那么
如果患者残疾(视觉或肌肉运动)＝是，那么
如果患者药物处置(引起镇静等)＝是，那么
如果患者症状＝是，那么
如果患者具有坠床历史＝是，那么
如果患者遵守水平＝低，那么
其中，在简单范例中，可以代表简单的加和。
在系统初始化时，能够基于由文献研究指示的值对参数x1至x8进行初始化，与此同时，随着时间的推移，所述系统通过了解以上每个风险因子对坠床发生的影响(例如，针对手头的特定群体)而对所述参数值进行调节。这是通过以下操作来完成的：在每次坠床事件之后执行相关性分析并且应用回归技术，以理解每个风险因子对坠床事件的可能性的影响，并且更新以上参数的值。根据医学文献，已知以上指示的所有风险因子都与跌落事件的发生具有因果相关性。问题仍然在于：针对每位患者(在给定患者的特定患者概况的情况下)，每个风险因子具有多大的因果相关性。参数x1至x8对其相关联的风险因子的因果相关性进行量化，这使得对其的确定具有必要性。通过评估其(相关联的)风险因子的存在与跌落事件的发生之间的相关性水平而完成确定。亦即，对于具有特定概况的患者而言，风险因子的出现居于跌落事件的发生之前的次数越高，所述风险因子与跌落事件的发生具有因果相关性的可能性就越高。如果风险因子引起了跌落事件，那么其也具有预测能力。相关性对两个变量的关联程度进行量化，所述两个变量在这种情况下为风险因子和跌落发生率。计算相关系数(r)指示一个变量在另一变量发生变化时倾向于发生多少变化。出于该原因，在实施例中，例如，可以通过相关系数(或者这些相关系数的因子)表示参数x1至x8。随时时间的推移，所述系统在确定该固有风险方面变得越来越准确。如果未发生坠床事件，那么不需要参数调节。
此外，提供了计算单元6，其获得来自评估单元4的可变风险评分112以及来自分类单元10的固有风险评分113，并且根据其来计算总风险评分114。后者连同从数据库16获得的患者概况是对干预单元15的输入，干预单元15基于患者的临床和心理概况以及总风险评分114来提供防止患者2的即将发生的坠床的策略。总风险评分114是固有风险评分113与可变风险评分112的值的复合项：
在可能的实施方式中，所述公式可以表示以上两个风险评分112和113的加权和或者加权均值，其中，能够基于根据所监测的群体的数据的连续系统学习对权重进行更新，其中，所述数据表示可修改风险因子和不可修改风险因子的影响水平。
根据优选实施例的设备1还可以对应于额外的部件，如反馈单元14，其位于患者2附近并且其在设备1检测到即将发生的坠床的情况下与患者2直接交谈。一般而言，设备1优选具有在患者房间40中提供尽可能少的部件并且相应地使其他部件处于远程工作站房间50中的配置。这种配置允许监测处于各种位置中的一定数量的患者2，而无需针对每位患者2的完整监测系统。
根据图1的优选实施例，在患者房间40中，仅安装以下部件：视频相机12、生命体征传感器13、相应的处理单元8、9以及评估单元4。备选地，还将能够将处理单元8、9和评估单元4布置在远程工作站房间50中，并且例如通过无线网络向其传输数据130、140。由于当今的现代视频相机12和生命体征传感器13是已经能够与其相应的处理单元8、9相组合的小部件，因而这些部件还是能够不明显地被布置在患者房间40中。将评估单元4布置在处理单元8、9附近允许更加容易的数据管理，因为每位患者的个体传感器数据100能够被无歧义地分配给相应的患者2，并且例如，存储在数据存储装置(未示出)中，直到从计算单元6请求所述数据为止。
此外，反馈单元14被布置在患者房间40中。反馈单元14例如能够是配备有麦克风的TV显示器，所述TV显示器是正常情况下在医院中的每个患者房间40中无论如何都会为了患者的休闲娱乐而提供的，干预单元15可以采用其与患者2进行通信。备选地，反馈单元14能够是额外的单独单元，其能够是更确切地说由医务人员使用的监测系统的部分。在这种情况下，在存在关于即将发生的坠床警报的情况下，反馈单元14还能够充当针对进入房间的人员的信息的来源。
在下文中，参考图2至图10更详细地描述了视频相机12和相应处理单元8的功能。为了简单起见，在下文中，视频相机12和所分配的处理单元8被称为“视频部件”，指代具有附图标记12和8的部件。
如上文所提到的，所述视频部件实施两项主要功能：一方面，评价视频数据130的可靠性；另一方面，实施对风险因子的存在的实时检测，基于此，计算了鉴于由视频相机12检测到的参数而指示坠床事件的可能性的视频数据风险评分110。仅在确定上文所提到的视频数据130的可靠性足够的情况下，才执行该功能。
对视频数据130的可靠性的评价例如能够通过使用变量来完成以表达视频传感器可靠性(SR_V)。当所述传感器可靠性被评价为足够时，SR_V被设定为1，否则被设定为0。
所述评价主要基于照明水平、场景内的移动对象的对比度变化的估计以及相机并且因此还有视频数据130的信噪比。本申请中的信号是场景内的最小对比度变化，所述最小对比度变化是场景内的对象的移动的结果。从该意义上来讲，每当照明水平或视频数据130的信噪比低于阈值(例如，6勒，3dB信噪比)，就确定传感器信号是不可靠的，并且将SR_V设定为0。如果照明和信噪比两者都高于阈值，那么将SR_V设定为1。所述阈值取决于所使用的相机类型和质量，并且必须在初始化时这样做出设置。这种信号可靠性评估要么是以特定频率和/或在预定间隔内如期完成的，要么备选地是持续地完成的，以检查是否需要改变SR_V的值。
仅在发现可靠性值SR_V为1的情况下才进行对风险因子的检测以及对视频数据风险评分110的计算。因为只要视频数据130被认为是可靠的，视频处理单元8就对视频数据130进行处理，并且实时地检测若干风险因子，所述风险因子主要指代患者的身体姿态以及在床上占据的位置。范例为：患者的躯干从仰卧姿态立起，患者2躁动不安、翻来覆去，或者患者2靠近床沿。
另外，所述视频部件能够检测如患者2的故意和非故意离床的事件。如果患者2有意地离床，那么离床指示器将被设定为1(BE＝1)，否则将被设定为0。如果患者2已经非故意地坠床，那么坠床指示器将被设定为1(BF＝1)，否则将被设定为0。当在房间内存在额外人的情况下，将额外人指示器设定为1(AP＝1)，否则将其设定为0。
检测以上可修改风险因子允许基于视频数据130来计算针对坠床事件的视频数据风险评分110。如果所述相机不可靠(SR_V＝0)，那么处理单元8根本不对所述信号进行处理，并且视频数据风险评分110将被设定为-1，以指示由于信号不可靠性的原因而尚未对风险进行评估。如果发现所述视频信号不是可靠的，那么所述系统将基于来自生命体征传感器13的风险评分做出反应，并且反之亦然。如果所述信号中没有任何信号是可靠的，那么设备1向干预单元15发送消息，以表明不能够进行实时检测，并且需要技术团队来关照患者房间40，以解决问题并且恢复信号质量。根据优选实施例，设备1能够是自诊断的，并且将信号不可靠性的起因写到日志上。就生命体征信号而言，这可能是例如网络带宽不够、吞吐量不足等。就视频信号而言，不足的照明状况等可能是信号不可靠的起因。所述日志甚至能够提供关于最常出现的起因、最受影响的位置/患者房间40等的统计学结果。之后，所述日志将被技术团队用于解决问题。
视频数据处理单元8的输出包括SR_V信号可靠性指示器以及视频数据风险评分110。这些数据被递送至评估单元4。
另外，视频数据处理单元8提供由分类单元10进行检索的数据，以帮助了解患者遵从水平，例如，不在无监护的情况下离开床。移交给分类单元10的数据为SR_V信号可靠性指示器、针对所检测到的故意离床事件的BE代码和非故意坠床事件的BF代码以及额外人指示器AP。
在下文中，描述了用于上文所提到的风险因子的检测的算法。首先参考图2。
在图2中，图示了针对患者2(在图2中未示出)的非常示意性的床200。
本发明的用于坠床预测的设备1采取有待获知的在由视频相机12覆盖的帧内指示床空间的点的(x,y)坐标，所述床空间例如为四个床沿201a、201b、201c和201d。床沿201a、201b、201c和201d能够是人工指示的，例如，通过在充当输入设备(未示出)的可视编辑器中绘制所述床沿，或者可以自动地检测所述床沿。
基于床沿201a、201b、201c和201d的坐标，所述算法执行以下步骤：
1.定义稍后在检测参数过程中使用的第一感兴趣区域202和第二感兴趣区域203，所述第二感兴趣区域被划分成与第一感兴趣区域202相邻布置并且与床沿201c和201d相邻的两个部分203a和203b；
2.确定第二感兴趣区域203a和203b内的有效运动轨迹，其中，有效轨迹是由基于学习而确定的特定长度和最大方差来定义的；
3.对有效运动轨迹进行聚类处理，以通过若干图像帧(当前为15个图像帧——需要根据场景中的移动行为(例如，速度)对该阈值进行学习和调整)基于方向、斜率、位置和长度来识别移动的实体；
4.通过计算属于每个实体的所有有效运动轨迹的端点的x、y坐标的中值来确定所述实体的重心运动；
5.确定参考运动重心：最右侧运动重心401，其为所有重心中具有最大x坐标的重心；最左侧运动重心400，其为所有重心中具有最小x坐标的重心；最高运动重心402，其为所有重心中具有最大y坐标的重心；以及全局重心，其为以覆盖全部实体的场景内所有有效轨迹的端点的x坐标的中值为基础来计算的。
轨迹被定义为视频场景中的对象的移动的轨迹，所述轨迹是基于场景中的具体点的对比度的变化来计算的。那些点是被指示为可能的起始轨迹点的点。场景中的点的对比度变化性确定该点是否变为起始轨迹点。由候选起始轨迹点开始，计算图像中的x方向和y方向上的梯度，从而给出从该起始点的移动的方向。以这种方式，确定下一轨迹点。轨迹是在给定数量的视频帧(例如，15帧)期间形成的。当在该数量的帧期间已经形成了轨迹时，执行接受还是拒绝该轨迹作为有效轨迹的检查。能够基于对象的符合逻辑的移动的典型特征来进行对轨迹的有效性核验。例如，能够使用轨迹的长度、轨迹的曲率、轨迹点的变动作为对轨迹的接受度的质量指示器。
在下文中，实体被定义为场景中具有公共特征的一组轨迹或一组移动点。能够使用聚类算法，即，公知的k均值聚类基于(例如)颜色、轨迹长度、轨迹斜率、轨迹点的柱形图对轨迹或移动点进行聚类处理。在此应当指出，轨迹是在例如15帧的长度内计算的，但是轨迹的长度取决于对应的移动对象的速度。通过对场景中的轨迹或移动点进行聚类，这样识别出患者的各身体部分以及如床单的其他移动部分，所述识别归因于其共同特征。
所述重心值是以所述视频信息为基础的。实际上，重力值是对移动点和/或轨迹进行聚类处理的不同的并且更简单的算法。计算场景中的感兴趣区域202、203(如下文所描述的)内的所有移动点或者轨迹的起始点的x坐标的中值，从而得出重心400、401的x坐标值。类似地，计算场景内的感兴趣区域202、203内的所有移动点或者轨迹的起始点的y坐标的中值，从而得出重心402的y坐标值。另外，能够使用场景内的感兴趣区域202、203内的移动点中的部分移动点来计算感兴趣区域202、203内的对象的具体子部分的重心400、401、402，即，仅采用处于场景内的窗口的全局重力点的右侧上的点中的30％的点。
基于床沿201a、201b、201c、201d的坐标，所述算法定义了上文所提到的两个感兴趣区域202以及203a和203b。第一感兴趣区域202为矩形形状，其中，下底204跨床200的中央部分水平地伸展。水平下底204在长度上不超过床200的宽度。在竖直方向上，第一感兴趣区域202伸展超出顶部床沿201a，其中，顶部床沿201a在竖直方向上被置于第一感兴趣区域202的中央处。
第二感兴趣区域203a和203b也基本上呈矩形，其中，下底205水平地伸展，并且基本上平行于跨床200的中央部分的第一感兴趣区域202的下底204。水平底205超出床200的宽度，超出床200的宽度的大致一半。在竖直方向上，所述区域伸展超出顶部床沿201a，其中，顶部床沿201a被沿着竖直方向置于第一感兴趣区域202的中央处。第二感兴趣区域203a和203b的总尺寸可以与第一感兴趣区域大致相同。然而，能够选取针对感兴趣区域202和203的选择任何适合的尺寸。
在下文中，描述了一种方法，所述视频部件通过所述方法基于感兴趣区域202、203以及运动重心400、401、402来自动地检测被分配给不同移动类型的参数。每个参数检测步骤的结果是根据每个参数的设计而计算的指示器α的值。α值被转化成针对可检测参数的每个可检测参数处于绿色到红色的范围内的具体可视输出指示器UI_RGB 300，所述指示器是根据以下公式的[R,G,B]元组：
UI_RGB＝[α*255,(1-α)*255,0]。
所述输出指示器值被用于在视频部件的用户接口中显示。所述用户接口在图1中未明确示出，但是其能够是任何适合的显示单元，如屏幕等。从该意义上来讲，如果具体参数的UI_RGB指示器300更接近红色，则检测到所述参数在由相机覆盖的帧内更加显著地存在，例如，检测到患者2更加接近床沿201a、201b、201c或201d或者患者2非常躁动不安。相反，如果具体参数的UI_RGB指示器300更接近绿色，则检测到所述参数在由相机覆盖的帧内不太显著地存在，例如，检测到患者2更加远离床沿201a、201b、201c或201d或者患者2相当安静地躺在床上。
在图3至图10中，示出了在患者2的不同状态下由相机覆盖的帧。在所述显示中，相应的UI_RGB指示器300是在显示器的左侧和右侧上以两列示例性布置的，其中，左侧包含针对“离床”事件的指示器301、针对患者朝向“床沿”201a、201b、201c、201d的移动的指示器302、针对直立的“躯干立起”姿态的指示器303以及针对“躁动不安”的指示器304。在右手侧布置了针对视频数据“风险评分”110的指示器305和针对“跌落事件”的指示器306。当然，UI_RGB指示器300的任何其他适当数量和布置都是可能的。此外，为了在图中以黑色和白色清楚地表示UI_RGB指示器300的颜色，使针对指示器300中的任何指示器的空白方块表示绿色，同时使方块内的逐渐升高的斑点数量表示经由黄色和橙色向红色的转变。针对指示器300中的每个指示器的填满的方块表示红色。
基于前述感兴趣区域202、203，所述视频部件在最高运动重心402处于比具体阈值更高的位置上时检测到患者的躯干从躺卧位立起。该具体的阈值低于图2中的第一感兴趣区域202的顶部边界。该阈值是通过一组视频而学习到的。在图3中示出了患者的躯干处于直立姿态的情况。
使用所述阈值将场景中的由于噪声的原因似乎正在移动的移动点与实际表示场景中的正在移动的对象的点的移动点区分开。通过估计视频的噪声水平来计算所述阈值的值。那是基于在图像中没有任何移动对象处于具体点处时场景内的所述具体点的平均噪声水平而发生的。作为范例，使用帧的上部处的五个点来计算视频的噪声，但是能够使用散布在场景范围内的点的任何集合来进行该计算。按照若干步骤来计算所述阈值。
假设被用于计算所述阈值的值的点不是场景中的移动对象的点，那么在采用最后(即，60个)帧内的所述点的强度值的情况下来计算该点的强度的方差。
对被用于计算所述视频的阈值的点进行评价，所述评价是联系移动对象是否位于场景中的该点上而做出的。其通过监测所述点的强度变化而发生。假设在所述视频的最后60帧内计算的所述点的强度的平均值的变化指示了突然变化，那么在该时刻的阈值计算中不考虑所述视频的最后60帧内的该点的所述方差。
使用基于上文所描述的考虑事项未被拒绝的点来计算该时刻上所述视频的噪声水平的方差。该时刻上所述视频的噪声水平的方差取决于被用于计算所述场景的阈值的各个点的方差。这种相关性能够是各方差的均值或者各方差的最大值。
然后，将该时刻上所述视频的阈值计算为标准偏差(该时刻上所述视频的前述评价的方差的平方根)的倍数。倍增因子被设定为4(四个标准偏差)，但是在现场数据可用时其将以训练算法为基础。所述训练算法将以在使用来自临床测试的真实视频的同时训练迭代学习系统为基础。
从图3中能够进一步认识到，在最高运动重心402高于所述阈值时不仅针对“躯干立起”姿态的指示器303变为红色，并且指示视频数据风险评分110的相应指示器305也已经从绿色变成了橙色，指示可能从床200上发生跌落。类似地，针对接近床沿201a、201b、201c、201d的指示器302已经朝向橙色发生了改变，因为患者2不仅坐了起来，并且也已经略微偏移向床200的一侧。针对躁动不安的指示器304也略微偏离绿色，因为坐起将隐含特定量的移动。
现在参考图4，所述视频部件能够在一定数量的连续帧内(例如，在2秒时间间隔内)计算全局运动重心在水平方向上的运动的方差，以检测躁动不安。如果该方差高于阈值(其能够是经由学习来确定的)，那么所述视频部件检测到患者2躁动不安。当前述方差高于阈值时，图4中的针对躁动不安的指示器304变红。所述方差离所述阈值越远，指示器304就变得离红色越远，并且离绿色越近，指示患者2正在安静地休息。另外，针对“躯干立起”姿态的指示器303以及针对患者接近床沿201a、201b、201c、201d的指示器302从绿色朝向橙色或红色改变，就像针对视频数据风险评分110的指示器305所做的那样。
根据图5A和图5B，所述视频部件还提供患者相对于竖直床沿201c、201d的位置的渐进式指示器302。从该意义上来讲，监测相对于右侧的床沿201c的患者位置是通过监测最右侧运动重心401相对于图2中的第一感兴趣区域202的右侧竖直床沿的位置来完成的。
相反，所述视频部件通过监测最左侧运动重心400相对于第一感兴趣区域202的左侧竖直边缘的位置来监测相对于左侧的床沿201d的患者位置。在相应的运动重心400、401更加远离同一侧上的第一感兴趣区域202的竖直边缘时，指示器302的值更接近绿色，并且在运动重心400、401更加接近同一边缘时，指示器302的值更加接近红色。
相应地，图5A示出了在患者2正在触摸床沿201c时呈橙色的指示器302，而在图5B中，在患者2正爬上或者翻越床沿201c时指示器302为红色。由于所涉及的不同移动的混合的原因，其他指示器300再次转换其颜色。在图5A中，由于患者2仍然在床200内，因而“离床”指示器301仍然为绿色，而在图5B中，相应的指示器301则在患者2正在离开床200时变为橙色。针对视频数据风险评分110的指示器305也是橙色。类似地，由于患者2的动作涉及许多移动，因而躁动不安指示器304也背离绿色。
另外，所述视频部件能够检测到患者2在床200内没有太多移动从而是安全的，例如，在睡眠或被镇静处置的时候，此时这两个(最右侧和最左侧)运动重心400和401均处于第一感兴趣区域202的竖直边界内。在图7中示出了这一点，其中，在患者2并未处于移动中时，因而相应的指示器300全部为绿色。
图6A和图6B图示了白天条件和夜间条件下的视频部件运行，其中，患者2被检测到安全地处于床内。在这种情况下未示出指示器300。然而，盖着患者2的毯子上的点400和401表示两个水平运动重心，这两者均被发现处于床沿201c、201d的界限内，亦即，处于第一感兴趣区域202的竖直边界内。
当最左侧运动重心超出第一感兴趣区域202的右竖直边缘，并且最右侧运动重心401超出第二感兴趣区域203b的右竖直边缘时，所述视频部件检测到患者2已经故意离开了床200。在满足前述条件时，针对“离床”的指示器301变为红色，如在图8和图9中所图示的。如上文已经详述的，其他指示器300在这种情况下可以改变颜色，因为离开床200将涉及到许多移动，例抬起躯干、朝向床沿201c移动，并且因此还触发了视频数据风险评分110的升高。
当最左侧运动重心400超出第一感兴趣区域202的右竖直边缘并且最右侧运动重心401超出第二感兴趣区域203b的右竖直边缘时，并且当最高运动重心402位于特定水平阈值(被置于感兴趣区域202和203的底204和205之下)以下时，所述视频部件检测到患者2已经跌出了床200。所述阈值是经由在一定数量的视频内进行学习来确定的。当满足前述条件时，针对“坠床”的指示器306变为红色，如在图10中所图示的。其他指示器300再次被涉及并且改变颜色，由于患者2现在躺在床200之外但是躯干处于卧位，仅“躯干立起”指示器303为绿色。
对指示总体坠床风险的视频数据风险评分110的计算是以除了跌落检测之外的所有检测到的参数的线性组合或加和除以计算所考虑的检测到的风险因子的数量(No_RF)为基础的。在图3至图10中所示的范例中，风险因子的数量为三(No_RF＝3)：
视频数据风险评分＝(躯干立起+躁动不安+床沿)/No_RF
在下文中，详细描述了生命体征传感器13的功能。在下文中，与所述视频部件类似，生命体征传感器13和相应的生命体征处理单元9被称为“生命体征部件”。处理单元9接收来自患者房间40内的生命体征传感器13的输入，如上文参考图1所描述的。
设备1的该部分接收来自生命体征传感器13的输入，所述生命体征传感器13被布置在患者房间40中或者被直接布置在患者的身体上，其例如是脉搏计或者用于监测血压的设备等。备选地，生命体征传感器13能够是远程传感器，例如，PPG传感器，其能够通过辐照特定皮肤区域来监测血氧含量。所述生命体征部件再次像所述视频部件那样结合了两项功能。一方面，评价生命体征或生理信号(例如，心脏信号、呼吸信号、加速度计信号等)的可靠性，另一方面，所述系统实时地检测风险因子的存在，所述系统基于所述风险因子来计算指示坠床事件的可能性的风险评分。仅在确定如上文所提到的生理数据的可靠性足够时，才执行该功能。
实时检测到的可修改风险因子如下：患者经受紧张或压力；患者经受焦虑；患者经受躁动不安，即，翻来覆去；或者患者经受激动，其可能是经由强烈或快速的大的古怪动作表达的。此外，能够检测患者在床上的姿态：患者的躯干直立；患者俯身于床沿之上；或者患者探身到床外。
检测以上可修改风险因子允许基于来自生命体征传感器13的输入来计算针对坠床事件的生命体征风险评分111。在下文中利用R_VitalSigns表示生命体征风险评分111。如果所述生命体征传感器是不可靠的，那么系统11根本不对信号进行处理，并且R_VitalSigns被设定为-1，以指示由于信号不可靠的原因而尚未对风险进行评估。
对接收自所述生命体征传感器的生理信号的可靠性的评价是通过表达生命体征传感器可靠性的变量SR_VS来完成的。当传感器可靠性被评价为足够时，将SR_VS设定为1，并且否则设定为0。
所述评价以信号广播速率以及信号伪影率为基础。从该意义上来讲，每当信号广播速率低于被定义为系统要求的阈值(例如，1Hz)，生命体征传感器13的信号就被确定为不可靠，并且SR_VS被设定为0。类似地，如果信号伪影率高于阈值，例如，在移动时间窗口内的异常样本的比例高于阈值，亦即，例如，在1分钟的窗口内超过10％的样本是异常的，则生命体征传感器13被确定为不可靠，并且SR_VS被设定为0。
然而，如果信号广播速率以及信号伪影率都相对于上文所提到的阈值处于可接受的范围之内，那么SR_VS被设定为1。
可以利用特定频率或者以特定间隔如期地完成该生理信号可靠性评价，或者可以连续地使用移动信号窗口来完成所述评价。后一种选择意味着对所要评价的信号的各小部分进行缓存，并且这有助于使处理器性能流线化。
在下文中，描述了对风险因子的检测以及基于生命体征数据140的风险评分的计算。
所述生命体征部件在专用处理单元9上运行，并且接收来自生命体征传感器13的输入，其将基于所述输入来实时地检测已知将导致如上文所提到的坠床事件的若干风险因子。所述部件使用对以上风险因子的检测来计算实时地指示针对坠床事件的概率的生命体征风险评分R_VitalSigns 111。因此，相应的部件的输出包括SR_VS信号可靠性指示器以及R_VitalSigns风险评分111。
如果患者2经受一定的紧张或压力，那么通过按照下述方式分析心率(HR)、心率变化性(HRV)、呼吸率(RSP率)和加速度计(ACC)信号来检测相应的风险因子：所述系统在长于阈值(例如，0.5分钟)的时间窗口内检测到有不断增大的趋势取得相对于针对HR、RSP率的基线平均值略微升高的平均值(例如，低于5％的提高)以及略低的HRV值，但是系统11未检测到ACC信号的显著移动。加速度计优选被布置在患者2胸部上，但是也能够被布置在身体的其他适当位置上。
如果患者2感受到焦虑，那么所述系统在长于阈值(例如，0.5分钟)的时间窗口内检测到有不断增大的趋势取得相对于针对HR、RSP率的基线均值显著升高的平均值(例如，大于5％的提高)和较低的HRV值，但是所述系统未检测到ACC信号的显著移动。
此外，采用患者在床200内的姿态来确定相应的风险因子，如参考图11至图15所描述的。
假设患者2坐在床200内，那么通过对x、y、z加速度计信号应用以下公式(1)计算来自图11的“Torso up(躯干立起)”信号：
其中，
其中，lcountsi(i表示x、y、z通道编号)是低通滤波的加速度计计数，截止频率(cutoff)＝1Hz，cmingi＝-g加速度的lcounts，cplusgi＝+g加速度的lcounts。
前述公式被用于对加速度计计数“lcounts”的归一化，从而得到处于“-1”(如果重力加速度指向负坐标方向内)到“+1”(如果重力加速度指向正坐标方向内)的范围内的归一化的值“tn”。“+x”方向从患者的胸部指向其左侧，“-x”方向朝向其右侧。“+y”方向指向其头部，“-y”方向指向其脚部。“+z”方向是从胸部朝外，“-z”方向从其胸部指向其后背。范例：处于休息状态下的患者的归一化的加速度计读数(0；0；-1)将指示“仰卧”姿态，而读数(0；-1；0)将指示“躯干立起”姿态。
当躯干立起信号达到大于0.7的峰值时，如在图11中所图示的，系统11检测到患者2使其躯干立起。图11的底部左侧部分中的圆化标记指示沿着图11的其余三个部分中的三个轴所图示的当前的“躯干立起”状态。
如果患者探身到了床外，那么通过对x、y、z加速度计信号应用公式(2)而计算来自图12的“Reach out(探出)”信号：
其中，
并且
如果ψ＝45度并且tz>0，那么“探出”中的第一因子(＝|sin(2ψ)|*(tz>0))因而处于最大值(＝1)。如果φ＝45度并且ty<0，那么“探出”中的第二因子(＝sin(2φ)*(ty<0))因而处于最大值(＝1)。
当探出信号达到大于0.8的峰值时，如在图12中所图示的，系统11检测到患者2将探出。图12的底部左侧部分中的圆化标记指示沿着图12的其余三个部分中的三个轴所图示的当前的“探出”状态。
如果患者2俯身到了床沿201之上，那么通过对x、y、z加速度计信号应用公式(3)而计算来自图13的“Lean over(俯身)”信号：
其中，
并且
如果ψ＝45度并且tz>0，那么“俯身”中的第一因子(＝|sin(2ψ)|*(tz>0))因而处在最大值(＝1)。如果φ＝-45度并且ty>0，那么“俯身”中的第二因子(＝-sin(2φ)*(ty>0))因而处于最大值(＝1)。
当所述俯身信号达到大于0.5的峰值时，如在图13中所图示的，系统11检测到患者2正在俯身。图13的底部左侧部分中的圆化标记指示沿着图13的其余三个部分中的三个轴所图示的当前的“俯身”状态。
躁动不安被定义为患者躯干呈水平取向的运动，并且移动幅度是有限的并且主要是在x轴和z轴上，指代身体的翻来覆去的活动。如果患者2经历躁动不安，那么通过对x、y、z加速度计信号应用公式(4)而获得来在图14中所图示的“restlessness(躁动不安)”信号：
Restlessness＝movav(50·rm,5s) (4)
其中，
其中，TorsoUp是在以上公式(1)中定义的并且其中，movav(A,T)是A在时间T内的移动平均值，hcountsi表示高通滤波的加速度计计数(i为x、y或z加速度计通道)，其中，截止频率＝2Hz。
量“rni”是针对每个坐标方向i的归一化的高通滤波的加速度计信号。然后，计算由各分量rni给出的向量的幅值，即，指示患者2的快速变化的加速度的量。但是，患者2也可能进行“正常”活动，如走、跑或跳。所有这些“正常”活动都将通过接近1的“TorsoUp”信号来表征，但是躺在床上的患者的“躁动不安”则将通过接近0的“TorsoUp”信号来表征。因此，“rm”的定义包括因子“(1-TorsoUp)”，从而在“躁动不安”计算中抑制所提到的“正常”活动。在躁动不安的各阶段期间，信号“rm”在0与其最大值之间快速地振荡，因此最终执行“移动平均”运算“movav”，即，对最后的5s内的信号“rm”求平均(乘以任意因子50)，以获得“躁动不安”信号。
在图14中，躁动不安是经由向x、y、z加速度计信号应用公式(1)所获得的信号来表达的。
患者激动(agitation)被定义为患者躯干具有竖直取向的运动，并且移动幅度高，尤其是比在图14中的躁动不安情况的显著更高，并且主要是在y轴和x轴上。激动是经由急剧/快速的大的古怪移动来表达的。
通过以下公式(5)对此进行建模：
Agitation＝movav(50·rm，5s) (5)
其中，其中，TorsoUp是在以上公式(1)中定义的，
并且，其中，movav(A,T)是A在时间T内的移动平均值，hcountsi表示高通滤波的加速度计计数(i为x、y或z加速度计通道)，其中，截止频率＝2Hz。
在图15中，对躁动不安信号和激动信号的组合图示表明，激动状态下的移动的幅度显著高于躁动不安的情况(图15中的上曲线)。
R_VitalSigns风险评分111是以评估以上风险因子为基础的，其中，R_VitalSigns按照参数xi(i＝1..8)(与每个风险因子相关联)增大。其将隐含以下测试和相关联的计算：
如果检测到压力＝是，那么
如果检测到焦虑＝是，那么
如果检测到患者躯干立起＝是，那么
如果检测到患者探出＝是，那么
如果检测到患者俯身＝是，那么
如果检测到患者躁动不安＝是，那么
如果检测到患者激动＝是，那么
其中，在简单范例中，可以代表简单的加和。
然而，还存在将所述风险因子联系起来的其他可能性。实际的公式将是从数据中学习的，即，是从各个单一参数的不同出现中学习的。
在系统初始化时，能够基于由文献研究指示的值对参数x1至x7进行初始化，与此同时，随着时间的推移，系统11通过了解以上每个风险因子对坠床发生的影响(例如，对于手头的具体群体而言)而对所述参数值进行调节。这是通过在每次坠床事件之后执行相关性分析并且应用回归技术以理解每个风险因子对坠床事件的可能性的影响并且更新以上参数的值来完成的。随时时间的推移，系统11在确定风险因子方面将变得越来越准确。如果未发生坠床事件，那么将不需要参数调节。
在下文中，将更加详细地描述干预单元15。干预单元15优选位于远离患者房间40的工作站房间50内，以允许医务人员、维护人员等访问，并且允许同时对许多个体进行监测。干预单元15接收来自分类单元10的患者概况以及来自计算单元6的如上文所描述的总风险评分114。
基于这些值(例如，总风险评分114高于阈值或者在短时间窗口内显著地增大)，干预单元15执行以下动作中的一个或多个动作：
要么其经由患者房间40内的反馈单元14与患者联系，并且对状况进行评价，如果有必要，则在医务人员赶去照料患者需求的路上对患者2进行安抚，劝说患者2留在床200上。
备选地或同时地，所述干预单元识别最近的可用的医务人员，并且向该人员成员发送以上信息，以确保动作的速度。为了识别离患者房间40最近的人员，干预单元15可以使用定位技术(例如，GPS)。为了识别当时可用的人员，干预单元15查询人员日程17，所述人员日程可能被存储在数据库中，其指示当时的人员可用性。
干预单元15在任何情况下均向医务人员发送指示坠床事件的风险连同所需的干预的警报代码。
干预单元15还发送指示关于患者概况以及在给定概况的情况下针对该特定患者的建议的干预的细节的干预信息。
除此之外，干预单元15向医务人员发出关于时间帧的通知，必须在所述时间帧内提供干预才能有效地防止所述事件。
此外，干预单元15有助于使以上当前患者需求相对于其他预期活动得到优先考虑。
干预单元15是如在图1中所描述的负责患者监测、坠床风险评估、基于概况的患者分类以及自适应干预的更大基础设施的部分。
干预单元15利用人工智能实施方式，其在必要时采用例如语音识别直接与患者2沟通。所述系统在这种背景下区分3种情况：
1.总风险评分114为低或中等(低于特定阈值)但是在有限时间窗口内发生缓慢地到中度地增大——例如，风险评分值在最后10分钟期间以具有最高为10度的角度的平均斜率(平均斜率<＝0.17)升高。
2.总风险评分114为低或中等(低于特定阈值)但是在有限时间窗口(例如，5-10分钟)内发生显著地增大——例如，风险评分值以具有大于10度的角度的平均斜率(平均斜率>0.17)升高。
3.总风险评分114被确定为高(高于特定阈值)。
干预单元15在上文所描述的每种情况下基于从患者概况导出的信息而做出反应。从该意义上来讲，所述系统根据认知能力水平(CgAL)、沟通能力水平(CmAL)和顺从水平(CL)对患者2进行分类。如果基于所述患者概况，并且患者没有认知障碍，并且也没有语言障碍，那么将CgAL设定为高。在任何其他情况下，将其设定为低。另外，基于患者概况(尤其是心理顺从概况)，所述系统将CL设定为高或低。
在以下表格中，描述了干预单元15对总风险评分114的值趋势做出反应所依据的情况。
1.如果总风险评分114为低或中等(低于特定阈值)，但是在有限时间窗口(例如，10分钟)内缓慢地到中度地增大，则干预单元15基于当前风险评分增长预测总风险评分114过多久将变高，从而向护士指示针对有效干预的可用的时间帧。这样将有助于优先考虑需要护理的患者。
表1
2.如果总风险评分114为低或中等(低于特定阈值)，但是在有限时间窗口(例如，5-10分钟)内显著地增大，那么干预单元15再次基于当前风险评分增长预测总风险评分114过多久将变高，从而向当值护士或最近的可用的医务人员指示有效预防性干预的可用的时间帧。这将有助于优先考虑需要护理的患者2。
所述干预矩阵与在表1中指定的相似，其差别在于在这种情况下患者自动地变为各当值护士的最高优先考虑对象，并且如果所有当值护士都在照料其他患者2并且无法前往护理，那么联系最近可用的医务人员。
3.如果总风险评分114被确定为高(高于特定阈值)，那么将发生相对于前述情况的差异。需要立即采取动作。干预单元15简单地识别最近可用的医务人员，并且还通知当值护士必须对该患者进行照料。
表2
如之前所提到的，反馈单元14(在表1和表2中由“通过音频沟通”指代)能够是当今医院房间内通常可用的电视机。然而，如果环境例如是针对有认知损害的人的护理院，那么所述反馈单元能够是具有扬声器的显示器、麦克风以及布置在接近患者2的适当位置上的其他通信手段。
尽管已经通过附图和前文的描述详细例示和说明了本发明，但是这样的例示和说明应当被看作是例示性或示例性的而非限制的；本发明不限于所公开的实施例。通过研究附图、本公开和随附的权利要求，本领域技术人员能够在实践所要求保护的本发明的过程中理解并实施针对所公开实施例的其他变型。
在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除复数。单个元件或其他单元可以履行权利要求中列举的若干项的功能。在互不相同的从属权利要求中陈述特定措施不指示不能够有利地将这些措施结合使用。
可以将计算机程序存储/分配到适当的介质(例如，与其他硬件一起提供的或者作为其他硬件的部分而提供的光学存储介质或者固态介质)上，也可以按照其他形式配发计算机程序，例如，通过互联网或者其他有线或无线电信系统。
权利要求中的任何附图标记不应当被理解为对范围构成限制。

Claims (15)

1.一种用于结合个体(2)的坠床风险对所述个体(2)进行自适应干预的设备(60)，所述设备(60)包括：
-第一端口(70)，其用于获得所述个体(2)的个人数据(120)以及所述个体(2)的总风险评分(114)，
-干预单元(15)，其用于基于所获得的数据(120、114)来确定关于所述个体(2)的即将发生的坠床的推测以及用于防止所述个体(2)的所述坠床的干预的时间帧，以及
-第二端口(71)，其用于基于所述推测和所获得的数据(120、114)来输出干预信号。
2.根据权利要求1所述的设备(60)，其中，所述干预单元(15)被配置为通过被布置在所述个体(2)附近的接口(14)的方式来直接向所述个体(2)输出所述干预信号。
3.根据权利要求1所述的设备(60)，还包括用于获得与人员日程(17)有关的数据的第三端口(71)。
4.根据权利要求3所述的设备(60)，其中，所述干预单元(15)被配置为：向人员成员输出所述干预信号，并且基于所述人员日程(17)、所获得的数据(120、114)以及所述推测来触发在所述个体(2)处的人员干预。
5.根据权利要求1所述的设备(60)，其中，所述个体(2)的所述个人数据(120)包括以下中的一项或多项：年龄、性别、精神病学状况、症状、残疾、药物处置、跌落历史、心理学概况。
6.根据权利要求1所述的设备(60)，其中，所述总风险评分(114)是通过获得所述个体(2)的所述个人数据(120)并且通过获得来自被布置在所述个体(2)附近和/或与所述个体(2)相接触的至少一个传感器(12、13)的传感器数据(130、140)来确定的。
7.根据权利要求1所述的设备(60)，其中，所述干预单元(15)被配置为基于所述总风险评分(114)以及所述总风险评分在预定时间帧期间的变化和/或演变来区分所述个体(2)的能力水平，其中，所述个体(2)的所述能力水平包括认知能力水平、沟通能力水平、顺从水平。
8.根据权利要求7所述的设备(60)，其中，所述认知能力水平与处于低或中等但是在有限时间窗口内缓慢地到中度地增大的所述总风险评分(114)有关。
9.根据权利要求7所述的设备(60)，其中，所述沟通能力水平与处于低或中等但是在有限时间窗口内显著地增大的所述总风险评分(114)有关。
10.根据权利要求7所述的设备(60)，其中，所述顺从水平与被确定为高的所述总风险评分(114)有关。
11.一种用于结合个体(2)的坠床风险对所述个体(2)进行自适应干预的系统(61)，所述系统包括：
-分类单元(10)，其用于提供所述个体(2)的个人数据(120)，
-计算单元(6)，其用于计算所述个体(2)的总风险评分(114)，以及
-根据前述权利要求中的一项所述的设备(60)，其用于基于所述分类单元(10)的输出和所述计算单元(6)的输出对所述个体(2)进行自适应干预。
12.一种用于确定个体的坠床风险的方法，所述方法包括以下步骤：
-获得所述个体的个人数据，并且
-获得所述个体的总风险评分，
-基于所获得的数据来确定关于所述个体的即将发生的坠床的推测以及用于防止所述个体的所述坠床的干预的时间帧，并且
-基于所获得的数据和所述推测在所述个体处进行干预。
13.根据权利要求12所述的方法，其中，在所述个体处进行干预的步骤包括：经由接口与所述个体直接交谈，并且/或者基于人员日程、所获得的数据和所述推测来触发由人员进行的干预。
14.根据权利要求12所述的方法，其中，触发由人员进行的干预的步骤包括以下步骤中的一个或多个步骤：
-识别最近的可用的人员成员，
-向所述人员成员发送警报代码，
-向所述人员成员通知防止坠床事件的可用的时间帧，
-向所述人员通知所述个体的患者概况的细节，
-向人员通知建议的干预动作，
-相对于所述人员成员的其他任务优先进行所述干预。
15.一种包括程序代码模块的计算机程序，当所述计算机程序在计算机上被执行时，所述程序代码模块用于使计算机执行根据权利要求12所述的方法的步骤。
CN201780051539.1A 2016-08-24 2017-08-24 用于进行患者监测以预测并防止坠床的设备、系统和方法 Pending CN109643585A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16185507 2016-08-24
EP16185507.7 2016-08-24
PCT/EP2017/071320 WO2018037073A1 (en) 2016-08-24 2017-08-24 Device, system and method for patient monitoring to predict and prevent bed falls

Publications (1)

Publication Number Publication Date
CN109643585A true CN109643585A (zh) 2019-04-16

Family

ID=56802306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780051539.1A Pending CN109643585A (zh) 2016-08-24 2017-08-24 用于进行患者监测以预测并防止坠床的设备、系统和方法

Country Status (5)

Country Link
US (1) US20190221315A1 (zh)
EP (1) EP3504649B1 (zh)
JP (1) JP6692987B2 (zh)
CN (1) CN109643585A (zh)
WO (1) WO2018037073A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669566A (zh) * 2020-12-16 2021-04-16 问境科技(上海)有限公司 一种基于人体姿态分析的护理预警方法和系统
CN112907894A (zh) * 2021-03-02 2021-06-04 深圳市医创加科技有限公司 一种基于患者动作预判的坠床预警方法及系统
US11699528B2 (en) 2019-06-28 2023-07-11 Hill-Rom Services, Inc. Falls risk management
WO2024138431A1 (zh) * 2022-12-28 2024-07-04 深圳迈瑞生物医疗电子股份有限公司 监护及提示的方法、设备和系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11410540B2 (en) 2019-08-01 2022-08-09 Fuji Xerox Co., Ltd. System and method for event prevention and prediction
JP7466865B2 (ja) 2020-08-07 2024-04-15 公立大学法人名古屋市立大学 自己抜去発生予測装置、自己抜去発生予測方法、プログラム、転倒転落発生予測装置、転倒転落発生予測方法および医療安全性向上支援方法
US20220084383A1 (en) * 2020-09-14 2022-03-17 Curbell Medical Products, Inc. System and method for monitoring an individual using lidar

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080281638A1 (en) * 2007-05-07 2008-11-13 Your Choice Living, Inc. Method and apparatus for tracking, documenting, and predicting fall-related activities
CN104484977A (zh) * 2014-11-21 2015-04-01 深圳市前海安测信息技术有限公司 可穿戴式人体多维度跌倒预防和检测装置及其检测方法
US20150109442A1 (en) * 2010-09-23 2015-04-23 Stryker Corporation Video monitoring system
WO2015074007A1 (en) * 2013-11-15 2015-05-21 Leaf Healthcare, Inc. Prevention and treatment of bed exits, falls, and other conditions
JP2015128574A (ja) * 2013-12-06 2015-07-16 国立大学法人宇都宮大学 被検者の状態判定システム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005128967A (ja) * 2003-10-27 2005-05-19 Sozo Gijutsu Kenkyusho:Kk 医療用動き検出装置、医療用動き検出方法、医療用動き検出プログラム並びにコンピュータで読取可能な記録媒体
JP2009005849A (ja) * 2007-06-27 2009-01-15 Nippon Telegr & Teleph Corp <Ntt> 転倒転落事故予防装置
WO2013150523A1 (en) 2012-04-01 2013-10-10 Earlysense Ltd. Monitoring, predicting and treating clinical episodes
JP6211891B2 (ja) * 2013-04-08 2017-10-11 日本電子工学株式会社 被介護者監視システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080281638A1 (en) * 2007-05-07 2008-11-13 Your Choice Living, Inc. Method and apparatus for tracking, documenting, and predicting fall-related activities
US20150109442A1 (en) * 2010-09-23 2015-04-23 Stryker Corporation Video monitoring system
WO2015074007A1 (en) * 2013-11-15 2015-05-21 Leaf Healthcare, Inc. Prevention and treatment of bed exits, falls, and other conditions
JP2015128574A (ja) * 2013-12-06 2015-07-16 国立大学法人宇都宮大学 被検者の状態判定システム
CN104484977A (zh) * 2014-11-21 2015-04-01 深圳市前海安测信息技术有限公司 可穿戴式人体多维度跌倒预防和检测装置及其检测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11699528B2 (en) 2019-06-28 2023-07-11 Hill-Rom Services, Inc. Falls risk management
CN112669566A (zh) * 2020-12-16 2021-04-16 问境科技(上海)有限公司 一种基于人体姿态分析的护理预警方法和系统
CN112907894A (zh) * 2021-03-02 2021-06-04 深圳市医创加科技有限公司 一种基于患者动作预判的坠床预警方法及系统
CN112907894B (zh) * 2021-03-02 2022-12-02 深圳市医创加科技有限公司 一种基于患者动作预判的坠床预警方法及系统
WO2024138431A1 (zh) * 2022-12-28 2024-07-04 深圳迈瑞生物医疗电子股份有限公司 监护及提示的方法、设备和系统

Also Published As

Publication number Publication date
EP3504649A1 (en) 2019-07-03
JP6692987B2 (ja) 2020-05-13
EP3504649B1 (en) 2020-05-13
WO2018037073A1 (en) 2018-03-01
JP2019534495A (ja) 2019-11-28
US20190221315A1 (en) 2019-07-18

Similar Documents

Publication Publication Date Title
JP6823160B2 (ja) ベッド転落を予測及び防止する患者監視のためのデバイス、システム、及び方法
CN109863562A (zh) 用于进行患者监测以预测并防止坠床的设备、系统和方法
CN109643585A (zh) 用于进行患者监测以预测并防止坠床的设备、系统和方法
CN109891516A (zh) 用于患者监测以预测和防止床跌落的设备、系统和方法
JP6975230B2 (ja) 患者モニタリングシステム及び方法
El-Bendary et al. Fall detection and prevention for the elderly: A review of trends and challenges
JP7197475B2 (ja) 患者モニタリング・システムおよび方法
CN109644254A (zh) 医院视频监控系统
CN108882853B (zh) 使用视觉情境来及时触发测量生理参数
WO2018086953A1 (en) Queue for patient monitoring
AU2024203613A1 (en) System for recording, analyzing risk(s) of accident(s) or need of assistance and providing real-time warning(s) based on continuous sensor signals
CN112437629A (zh) 确定被监测对象的生命体征的可靠性
JP2014092945A (ja) 身体状況判定システム及び身体状況判定方法
KR20230069363A (ko) 인공지능을 이용한 환자의 이상 행동 탐지 시스템
Mendis et al. SURAKSHA E-Caretaker: elders falling detection and alerting system using machine learning
JP7502737B2 (ja) 見守り支援システムおよび見守り支援方法
JP2022178500A (ja) ウエアラブル端末を用いた総合体調管理システムおよび総合体調管理方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190416

WD01 Invention patent application deemed withdrawn after publication