CN110770848A - 弥散性血管内凝血的风险评估 - Google Patents
弥散性血管内凝血的风险评估 Download PDFInfo
- Publication number
- CN110770848A CN110770848A CN201880039882.9A CN201880039882A CN110770848A CN 110770848 A CN110770848 A CN 110770848A CN 201880039882 A CN201880039882 A CN 201880039882A CN 110770848 A CN110770848 A CN 110770848A
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- dic
- transitory computer
- vital 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—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
-
- 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
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Immunology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Hematology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Urology & Nephrology (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Cell Biology (AREA)
- Biotechnology (AREA)
- Microbiology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
Abstract
公开了一种用于评估在示出全身性炎症反应综合征(SIRS)或败血症的患者中形成弥散性血管内凝血(DIC)的风险的方法和系统。具体地,本发明提供了一种用于早期DIC评估和预防性处置规划的方法,所述方法具有显著降低SIRS/败血症患者人群中的死亡率以及DIC相关的后遗症的比率的潜力,并且由此改善生活质量。这种风险评估方法基于生命体征和/或生物标志物测量的特征,并提供用于提前24小时或在ICU收入后72小时内评估DIC形成的风险的技术方案。
Description
技术领域
本发明涉及一种用于评估在示出全身性炎症反应综合征(SIRS)或败血症的患者中形成弥散性血管内凝血(DIC)的风险的方法和系统。具体地,本发明提供了一种用于早期DIC评估和预防性处置规划的方法,所述方法具有显著降低SIRS/败血症患者人群中的死亡率以及DIC相关的后遗症的比率的潜力,并且由此改善生活质量。这种风险评估方法基于生命体征和/或生物标志物测量的特征,并提供用于提前24小时或在ICU收入后72小时内评估DIC形成的风险的技术方案。为每种模型实施方式选择最佳的测量集。
描述了用于提前24小时和在从ICU收入起72小时内的风险评估的开发的模型,其获得等于0.85和0.83的ROC(受试者工作曲线)曲线下面积(AUC)。
所述系统提供了对患者特性和人口统计、生命体征和体外诊断数据进行综合分析以进行有效的处置规划的改进的过程。
背景技术
DIC是一种病理过程,其特征在于凝血系统的系统性激活,导致随后的血凝块形成、血管阻塞和器官功能障碍。在该过程中大量消耗血小板和凝血因子可能继而引起出血,其进一步加重患者的状况并降低存活机会。(Di Nisio,M.等人,“Diagnosis andtreatment of disseminated intravascular coagulation:guidelines of the ItalianSociety for Haemostasis and Thrombosis(SISET)”,Thrombosis research,第129卷,pp.e177-e184,2012)。
DIC通常继发于诸如全身性炎症反应综合征(SIRS)、败血症、创伤、恶性肿瘤、中暑和体温过高等潜在状况。SIRS和败血症是DIC的最常见原因,其死亡率的范围在10-50%之间。败血症患者中有30%到50%会形成DIC。败血症的严重性与DIC发病率呈正相关,因此与死亡率呈正相关(Levi.M.等人的“Disseminated intravascular coagulation”,NewEngland Journal of Medicine,第341卷,第586-592页,1999)。DIC发病率的范围在7%(轻度败血症)和73%(败血症性休克)之间(参见Kinasewitz,GT等人的“Prognostic value ofa simple evolving disseminated intravascular coagulation score in patientswith severe sepsis”,Critical Care Medicine,第33卷,第2214-2221页,2005),并且DIC死亡率的范围在10%和50%之间。
已经提出了基于常规凝血试验(例如凝血酶原时间(PT)、纤维蛋白原、d-二聚体和血小板计数)的若干诊断分数,以基于患者的临床体征和症状来使DIC的主观临床诊断客观化。例如参见Kobayashi,N.等人的“Criteria for diagnosis of DIC based on theanalysis of clinical and laboratory findings in 345DIC patients collected bythe Research committee on DIC in Japan”(Disseminated IntravascularCoagulation,ed:Karger Publishers,1983,第265-275页)。虽然这些分数中的一些分数似乎很好地反映专家对DIC的临床诊断,但这也意味着这些分数不适合作为用于DIC的风险评估和预防的工具。
SIRS/败血症相关联的DIC的高死亡率驱使我们开发出用于使用生命体征和标准可用的实验室测量两者来评估在SIRS诊断之后DIC形成的风险的方法。这些方法允许改善在SIRS患者中对DIC的预防,其继而改善患者恢复结果。
本发明评估在SIRS患者中形成DIC的风险。虽然可用的诊断性DIC分数仅允许对DIC的治疗性处置,但本发明允许进行早期预防性干预,这应当减少DIC发病率并降低死亡率。尽管DIC死亡率很高,但目前尚无可用于DIC的风险评估算法。
因此,本发明提供了一种基于生物标志物(乳酸、胆红素和肌酸酐)和/或从生命体征(心率、呼吸率和氧饱和度)中提取的统计特征(例如,平均值、标准偏差、峰度、偏斜度和分位数)的提前24小时评估形成DIC的风险的方法。另外,本发明提供了一种基于生物标志物(乳酸、胆红素和肌酸酐)和/或从生命体征(心率、呼吸率和氧饱和度)中提取的统计特征(例如,平均值、标准偏差、峰度、偏斜度和分位数)的在ICU收入后的前72小时内评估形成DIC的风险的方法。
最佳系统要求至少每天进行一次所有提到的生物标志物测量,并连续监测所有提到的生命体征。更实用但仍高性能的实施方式基于使用生命体征(高敏感性、低特异性)中的一个或多个对败血症/SIRS患者的连续筛查和对生物标志物中的一个或多个的随后测量以在生命体征指示DIC形成风险增加时增加风险评估的特异性。
概括而言,我们的发明使用用于检测败血症/SIRS患者的临床恶化的生命体征监测与反映可能由DIC导致的器官损害的生物标志物测量的组合。本领域技术人员可以想到将生命体征监测数据与其他和/或更早的器官损害标志物和/或凝血系统的系统性激活的更直接的生物标志物进行组合的技术方案。
发明内容
本发明的目的是提供一种用于在示出SIRS或败血症的患者中形成DIC的风险的方法和系统。特别地,本发明的目的是提供一种系统和方法,其通过提供一种用于评估DIC形成的风险的方法和系统来解决现有技术的上述问题。本发明提出了该系统的两种不同的实施方式,第一种实施方式允许提前24小时预测DIC的发作,而第二种实施方式允许在ICU收入时,更具体地是在从ICU收入起的前72小时内,在对DIC进行诊断之前,预测DIC的风险。
本发明的另一目的是提供一种用于基于生命体征和/或生物标志物测量的特征来评估形成DIC的风险的系统和方法。本发明的又一目的是提供一种用于通过对DIC的早期评估和预防性处置规划来降低形成DIC的患者的死亡率的方法和系统。本发明的再一目的是提供现有技术的替代方案。
因此,旨在通过提供一种用于提供相关的患者特异性DIC风险信息的系统和方法来在本发明的第一方面中获得上述目的和若干其他目的,这样的系统和方法包括:
诊断所述患者是否有SIRS,如果是肯定的,则将患者特异性诊断数据输入到被配置为接收所述患者特异性数据的处理器上,并且将所述数据存储在非瞬态计算机可读存储介质上;
从所述患者采集初始生命体征和生物标志物测量数据,并且将所述生命体征和生物标志物测量数据输入并存储在所述非瞬态计算机可读存储介质上;
监测所述患者的所述生命体征,并且将所述生命体征和生物标志物测量数据连续地输入并存储在所述非瞬态计算机可读存储介质上;
对所述生命体征数据进行预处理,包括评估所述数据的质量并从所述数据中移除异常值。预处理包括丢弃在生理范围之外的样本。在表1和表2中示出了针对生物标志物和生命体征两者的生理范围。
表1针对选择的生物标志物的生理范围
名称 | 度量单位 | 范围 |
肌酸酐 | mg/dl | 0÷20 |
直接胆红素 | mg/dl | 0÷10 |
乳酸 | mmol/L | 0÷10 |
总胆红素 | mg/dl | 0÷20 |
表2针对选择的生命体征的生理范围
名称 | 度量单位 | 范围 |
氧饱和度 | % | >=90 |
心率 | bpm | 25÷250 |
呼吸率 | Cycle/min | >0 |
对所述生命体征数据进行窗口化处理;以120分钟长具有60分钟的重叠的滑动窗口来分割生命体征。从每个窗口中提取感兴趣的统计量,并通过对在所有窗口上提取的统计量求平均来获得最终特征(参见图9)。
从所述患者特异性数据中提取特定特征;
计算来自所述生命体征窗口的统计特征;
在表3中提供了统计功能的描述。
表3从生命体征中提取的统计特征的描述
关于存储在所述非瞬态计算机可读存储介质上的预测模型来分析所述患者数据;并且
确定通过所述预测模型从所述患者特异性数据导出的值是否满足DIC概率阈值,其中,所述概率阈值预测DIC的可能形成。
附图说明
现在将参考附图更详细地描述根据本发明的方法和系统。附图示出了实施本发明的方式,并且不应被解释为限制落入所附权利要求的范围内的其他可能实施例。
图1示出了针对形成(病例)和未形成DIC(对照)的患者人群的生物标志物分布;
图2A是示出针对24小时模型的单个生物标志物、对象特性、Apache评分和从生命体征提取的统计特征的曲线下面积(AUC)的绘图;
图2B是示出针对ICU收入72小时模型的单个生物标志物、对象特性、Apache评分和从生命体征提取的统计特征的曲线下面积(AUC)的绘图;
图3是示出DIC风险评估框架的三个版本的图;
图4是示出本发明的DIC风险评估系统的实施例的框图;
图5是示出了本发明的实施例的从患者ICU收入和诊断到针对DIC的风险评估的过程的流程图;
图6是描述在对构成最终风险评估模型的逻辑函数的训练之前的预处理步骤的流程图;
图7是本发明的实施的模型的图;参数q和w是在模型训练期间被确定的;
图8提供了描述用于在给出一般生命体征或一般生物标志物的情况下估计DIC概率的步骤的两个流程图。参数k和m是利用对模型的训练而被确定的;
图9A是在针对24小时模型的针对不同配置的测试集上计算出的AUC;
图9B是在针对ICU收入72小时模型的针对不同配置的测试集上计算出的AUC;
图10是应用于计算DIC发生的概率的逻辑函数的表示。
具体实施方式
本发明提供了一种用于使用生物标志物测量、生命体征监测以及用于检测败血症/SIRS患者的临床恶化的生命体征监测与反映可能由DIC导致的器官损害的生物标志物测量的组合进行DIC的早期风险评估的方法和系统。下面参考图1-10进一步详细描述本发明。
本发明源自对从在DIS诊断前未接收抗凝血处置的SIRS患者收集到的重症监护病房(ICU)数据的分析。所选择的患者被分为训练集和测试集,分别为70%和30%。训练集用于确定模型参数,而测试集用于评估模型性能。在表4中提供了训练集和测试集的描述。来自患者子组的数据用于开发本发明的模型,因为并非所有数据始终可用于所有所选择的SIRS患者。
表4患者集
评估了不同独立因素(特征)及其组合的鉴别能力,以便为DIC预测定义特征的最佳组合。这样的因素包括生物标志物、从生命体征中提取的特征、对象的特性以及Apache评分。现在参考附图,图1示出了初始统计分析,其示出了在已形成DIC的人群与未形成DIC的人群之间的针对生物标志物胆红素、乳酸和肌酸酐的生物标志物浓度的显著差异。图1展示了这样的生物标志物对DIC预测的鉴别能力。类似地,每个考虑的特征的鉴别能力利用逻辑分类器来评估,并以受试者工作特性(ROC)下面积(AUC)表示。参见图2A、2B。
ROC曲线示出了针对不同操作点的二进制分类器的性能。该曲线通过将针对不同操作点计算出的真阳性率(TPR)对比假阳性率(FPR)进行绘图来绘制。在本文档中,“最佳截止(cutoff)”(参见表5,Opt th)被定义为提供TPR(敏感性)和特异性(1-假阳性率FPR)的最高可达到的平均值或总和并且旨在给出模型具备的敏感性和特异性的指示的值。注意,在现实世界意义中最佳的截止取决于特定的应用,并且本发明并非旨在提出最佳截止。从ROC曲线中提取并用于模型比较的另一(广泛使用的)参数是曲线下面积(AUC),其可以被解读为分类器将更高的分数分配给随机选择的正例而不是随机选择的反例的概率。
图2A和图2B是示出针对24小时模型(图2A)和ICU收入72小时模型(图2B)的单个生物标志物、对象特性、Apache分数和从生命体征中提取的统计特征的曲线下面积(AUC)的绘图。在训练集上通过10倍交叉验证对平均AUC值和相关联的标准偏差进行了评估。使用的统计量的首字母缩写为:std:标准偏差;avg:平均值;k:峰度;s:偏斜度;quant25、quant50、quant75:分位数0.25、0.50、0.75。
图2A和图2B展示了所选择的生物标志物的预测能力,其中的每个生物标志物都获得了高于0.60的AUC。
为了选择最佳特征集,并且因此选择最佳模型架构,实施了特征选择过程。首先,排除具有低于0.55的AUC的所有特征,并保留n个特征。之后,训练n个单个特征逻辑回归模型(其中特征是生命体征提取的统计量或生物标志物水平,在可以进行多次测量的情况下是最大生物标志物水平)。通过将多个单变量逻辑模型的输出与加权平均值进行组合来计算DIC分数,其中权重与在训练集上计算出的单变量逻辑模型AUC成比例。在图7中描绘了该架构的方案。
考虑到每个逻辑模型P(Y|Xi)的输出作为在给定预测子Xi和在训练集上计算出的由Xi实现的ROC曲线下面积AUCi的情况下得DIC的可能性,如下地计算被分配给每个预测子的权重:
wi=AUCi×α
得DIC的风险(P(Y))最终被计算为:
为了选择上述集成分类器中包含的最佳模型集合(X,特征),评估了不同模型组合的性能。为了减少组合的数量,我们将组合的最大项目数限制为三。我们使用仅生命体征、仅生物标志物以及它们的组合来计算最佳配置。
针对仅生物标志物、仅生命体征特征以及它们的组合提供最高AUC的组合已经被选择并在独立的测试集上进行了测试(参见表4)。
在表5中示出了选择过程的结果以及因此的最佳模型配置。
表5在测试集上评估的DIC预测模型的性能
缩写:标准偏差(std),峰度(k),分位数0.25(quant25),氧饱和度(saO2),在ROC上计算出的用于分配DIC类别的最佳阈值(Opt th),敏感性(Se),特异性(Sp),Nr.cases(包含于测试集中的得DIC的患者数量),Nr.Ctrls(包含于测试集中的没得DIC的患者数量)
*用于提前24小时预测DIC的特征集
**用于在从ICU收入起72小时内预测DIC的特征集
胆红素、乳酸和肌酸酐的组合显示出很大的区别,分别针对24小时模型和ICU收入72小时模型实现0.79和0.82的AUC。通过24小时模型获得的较低准确性可能与考虑在DIC诊断之前至少24小时收集的数据的约束有关。假设是,越接近诊断,增加越大,因此可预测性越高。根据文献,这种生物标志物的增加在大多数情况下与器官衰竭有关。获得的结果表明,多个器官开始衰竭,可能是由于由可以表示DIC出现的第一临床体征的微血管血栓形成引起的较低灌注造成。这项工作的另一出乎意料的结果是对生命体征与总胆红素和乳酸的耦合提供更准确的预测的发现。实际上,通过针对24小时模型(其获得了0.85的AUC曲线)组合乳酸、总胆红素和呼吸能量,以及针对ICU收入72小时模型(其获得了0.83的AUC曲线)组合乳酸、总胆红素和心率偏斜度,实现了最大的准确性。
给定通过特征选择获得的结果,指示了三种可能的实施方式:基于生物标志物的模型,基于生命体征特征的模型,以及由生物标志物和生命体征特征的组合组成的模型。在图3中示出了通用DIC风险评估框架和三种实施版本的描述。基于生命体征特征的实施版本(图3中的橙色框)要求:
(a)生命体征监测:连续信号记录;
(b)预处理:基于生理范围的异常值移除;
(c)窗口化处理:具有1小时重叠的2小时信号分割;以及
(d)特征提取:计算来自生命体征窗口的统计特征;
基于生物标志物的实施版本至少需要一次,但优选是定期的,例如每日的生物标志物试验(图3中的绿色框)。并且基于生物标志物和生命体征的实施版本需要这两个系统的组合(图3中的红色框)。
在所示的示例中,逻辑函数用于估计在给定选择的单个特征的情况下DIC的概率;然后将基于特征的概率以加权平均值来组合,以获得以概率表达的最终DIC预测分数。权重取决于单独估计量8的预测准确性。算法(即,逻辑函数和加权平均)中的每个可以由本领域中已知的其他方法(例如,人工神经网络、决策树等)代替。备选地,可以将以下方案视为贝叶斯网络,其具有从训练数据(朴素贝叶斯)或从先验知识(如果可用的话)中估计的概率表。该方案的不同框可以以不同方式组合,并独立用于评估DIC风险概率。
在图4中示出了对通用DIC风险评估系统的描述。这样的系统包括:
(a)用于生命体征采集的系统
(b)用于测量生物标志物浓度的实验室
(c)数据存储系统,例如本地驱动器
(e)托管算法的计算机,该算法包括用于数据预处理的块(参见图6)和具有预测模型的块(参见图7)。
图4的系统的输出可以用作决策制定系统的输入,该决策制定系统负责决定是否需要干预,并且在肯定的情况下,决定哪种干预对患者更有益。典型的干预可以是药物治疗(例如抗凝剂、抗心律失常)。
图5示出了从患者诊断到DIC预测的过程的流程图。特别地,图5是对从将患者收入ICU到针对DIC的风险评估的过程的描述。在图6中详细解释了在对包含于最终预测模型中的逻辑函数的训练之前的预处理步骤,而图7示出了所提出的预测模型的架构。
在当前应用示例中,在图7中示出了实施的模型的方案(示出了针对其的结果)。逻辑函数用于估计在给定选择的单个特征的情况下DIC的概率(参见图10)。然后将基于特征的概率与加权平均值进行组合,以获得最终的DIC预测分数。
权重取决于在训练集上计算出的单独估计量的预测准确性。注意,算法中的每个都可以被本领域已知的其他机器学习方法(例如,人工神经网络、决策树等)代替。备选地,可以将以下方案视为贝叶斯网络,其具有从训练数据(朴素贝叶斯)或从先验知识(如果可用的话)中估计的概率表。该方案的不同框可以以不同方式组合,并独立用于评估DIC风险概率。
图9A和图9B示出了基于以下项针对24小时模型和ICU收入72小时模型计算的受试者工作曲线:仅实验室试验,仅生命体征,实验室试验和生命体征的组合。在表5中报告了针对每条曲线计算出的AUC。
Claims (5)
1.一种用于评估在诊断有全身性炎症反应综合征(SIRS)的患者中形成DIC的风险的计算机实现的方法,所述方法包括:
具有图形用户界面的计算设备,
将患者收入ICU病房,
诊断所述患者是否有SIR,如果是肯定的,则将患者特异性诊断数据输入到被配置为接收所述患者特异性数据的处理器上,并且将所述数据存储在非瞬态计算机可读存储介质上;
从所述患者采集初始生命体征和生物标志物测量数据,并且将所述生命体征和生物标志物测量数据输入并存储在所述非瞬态计算机可读存储介质上;
基于患者数据集来确定选择准则;
监测所述患者的所述生命体征,并且将所述生命体征和生物标志物测量数据连续地输入并存储在所述非瞬态计算机可读存储介质上;
对所述生命体征数据进行预处理,包括评估所述数据的质量并从所述数据中移除异常值;
对所述生命体征数据进行窗口化处理;
从所述患者特异性数据中提取特定特征;
计算来自所述生命体征窗口的统计特征;
关于存储在所述非瞬态计算机可读存储介质上的预测模型来分析所述患者数据;
确定通过预测模型从所述患者特异性数据导出的值是否满足DIC概率阈值,其中,所述概率阈值预测DIC的可能形成。
2.根据权利要求1所述的方法,其中,关于存储在所述非瞬态计算机可读存储介质上的所述预测模型来分析所述生物标志物测量数据。
3.根据权利要求1所述的方法,其中,关于存储在所述非瞬态计算机可读存储介质上的所述预测模型,一起分析所述生命体征数据和所述生物标志物测量数据两者。
4.一种有形地编码有计算机可执行指令的非瞬态计算机可读存储介质,所述计算机可执行指令当由与具有图形用户界面的计算设备相关联的处理器运行时,使所述设备执行根据权利要求1所述的方法的步骤。
5.一种计算机程序产品,包括当从非瞬态计算机可读介质中取回时由一个或多个处理器运行的计算机可读代码,所述计算机可读程序代码包括用于进行以下操作的指令:
将患者特异性诊断数据输入到被配置为接收所述患者特异性数据的处理器上,并且将所述数据存储在非瞬态计算机可读存储介质上;
将患者特异性生命体征和生物标志物测量数据输入并存储在所述非瞬态计算机可读存储介质上;
基于患者数据集来确定选择准则;
将通过连续地监测所述患者获得的生命体征和生物标志物测量数据输入并存储在所述非瞬态计算机可读存储介质上;
对所述生命体征数据进行预处理,包括评估所述数据的质量并从所述数据中移除异常值;
对所述生命体征数据进行窗口化处理;
从所述患者特异性数据中提取特定特征;
计算来自所述生命体征窗口的统计特征;
关于存储在所述非瞬态计算机可读存储介质上的预测模型来分析所述患者数据;
确定所述患者特异性数据是否满足DIC概率阈值,其中,所述概率阈值预测DIC的可能形成。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762518064P | 2017-06-12 | 2017-06-12 | |
US62/518,064 | 2017-06-12 | ||
PCT/EP2018/065412 WO2018229019A1 (en) | 2017-06-12 | 2018-06-12 | Risk assessment of disseminated intravascular coagulation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110770848A true CN110770848A (zh) | 2020-02-07 |
Family
ID=62748927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880039882.9A Pending CN110770848A (zh) | 2017-06-12 | 2018-06-12 | 弥散性血管内凝血的风险评估 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200118687A1 (zh) |
EP (1) | EP3639276A1 (zh) |
CN (1) | CN110770848A (zh) |
WO (1) | WO2018229019A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114093523A (zh) * | 2021-11-11 | 2022-02-25 | 哈尔滨工业大学 | 一种新冠肺炎轻重症预测模型的构建方法及其应用 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3422011A1 (en) * | 2017-06-28 | 2019-01-02 | Koninklijke Philips N.V. | Parameter value estimation in coagulation system |
CN114999658B (zh) * | 2022-08-04 | 2022-11-11 | 四川大学华西医院 | 一种数字干预icu后综合征的系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009123737A2 (en) * | 2008-04-03 | 2009-10-08 | Becton, Dickinson And Company | Advanced detection of sepsis |
CN104285148A (zh) * | 2012-05-07 | 2015-01-14 | 美迪恩斯生命科技株式会社 | 检测弥散性血管内凝血或感染性弥散性血管内凝血的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1829730A (zh) * | 2002-11-12 | 2006-09-06 | 贝克顿迪金森公司 | 使用生物标记谱诊断脓毒或者sirs |
EP2545924A1 (en) * | 2011-07-14 | 2013-01-16 | Universiteit Maastricht | Method for the prevention and treatment of sepsis. |
-
2018
- 2018-06-12 CN CN201880039882.9A patent/CN110770848A/zh active Pending
- 2018-06-12 EP EP18734116.9A patent/EP3639276A1/en active Pending
- 2018-06-12 US US16/618,426 patent/US20200118687A1/en active Pending
- 2018-06-12 WO PCT/EP2018/065412 patent/WO2018229019A1/en unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009123737A2 (en) * | 2008-04-03 | 2009-10-08 | Becton, Dickinson And Company | Advanced detection of sepsis |
CN104285148A (zh) * | 2012-05-07 | 2015-01-14 | 美迪恩斯生命科技株式会社 | 检测弥散性血管内凝血或感染性弥散性血管内凝血的方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114093523A (zh) * | 2021-11-11 | 2022-02-25 | 哈尔滨工业大学 | 一种新冠肺炎轻重症预测模型的构建方法及其应用 |
Also Published As
Publication number | Publication date |
---|---|
US20200118687A1 (en) | 2020-04-16 |
EP3639276A1 (en) | 2020-04-22 |
WO2018229019A1 (en) | 2018-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6684302B2 (ja) | 心肺機能不全に対する易罹患性(susceptibility)を判断する装置を制御する方法、コンピュータ読取可能記憶媒体 | |
US20230078248A1 (en) | Early diagnosis and treatment methods for pending septic shock | |
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
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 | |
Behlouli et al. | Identifying relative cut-off scores with neural networks for interpretation of the Minnesota Living with Heart Failure questionnaire | |
CN110957015B (zh) | 电子医疗记录数据的缺失值填充方法 | |
US9959390B2 (en) | Modeling techniques for predicting mortality in intensive care units | |
Songthung et al. | Improving type 2 diabetes mellitus risk prediction using classification | |
US10327709B2 (en) | System and methods to predict serum lactate level | |
CN110770848A (zh) | 弥散性血管内凝血的风险评估 | |
CN113327679A (zh) | 一种肺栓塞临床风险及预后评分方法与系统 | |
Aktar et al. | Predicting patient COVID-19 disease severity by means of statistical and machine learning analysis of blood cell transcriptome data | |
Yang et al. | Early prediction of sepsis using multi-feature fusion based XGBoost learning and Bayesian optimization | |
Zheng et al. | Time-dependent predictive values of prognostic biomarkers with failure time outcome | |
Karaoglu et al. | Performance improvement with decision tree in predicting heart failure | |
Yamin et al. | Predictive efficasy of APACHE IV at ICU. s of CHK | |
Umut et al. | Prediction of sepsis disease by Artificial Neural Networks | |
Rajabalizadeh et al. | In-depth evaluation of APACHE scoring system using eICU database | |
Kavya et al. | Heart Disease Prediction Using Logistic Regression | |
CN117116475A (zh) | 缺血性脑卒中的风险预测方法、系统、终端及存储介质 | |
US11925474B2 (en) | Methods and systems for patient baseline estimation | |
Hammoud et al. | EventScore: An automated real-time early warning score for clinical events | |
Mesinovic et al. | XMI-ICU: Explainable Machine Learning Model for Pseudo-Dynamic Prediction of Mortality and Heart Attack in the ICU | |
WO2023144154A1 (en) | Determining likelihood of kidney failure | |
Vardhana et al. | CARDIAC DISEASE PREDICTION USING RANDOM FOREST WITH LINEAR MODEL |
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 |