CN111066091A - 预测评分信息的背景化患者特异性呈现 - Google Patents

预测评分信息的背景化患者特异性呈现 Download PDF

Info

Publication number
CN111066091A
CN111066091A CN201880055227.2A CN201880055227A CN111066091A CN 111066091 A CN111066091 A CN 111066091A CN 201880055227 A CN201880055227 A CN 201880055227A CN 111066091 A CN111066091 A CN 111066091A
Authority
CN
China
Prior art keywords
patient
prediction function
risk prediction
variables
values
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
CN201880055227.2A
Other languages
English (en)
Inventor
T·A·福斯贝里
M·塞芬斯特
贾宇岗
A·阿拉拉奥
李倩茜
钱悦晨
B·约翰
E·鲁宾斯
B·D·格罗斯
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 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 NV filed Critical Koninklijke Philips NV
Publication of CN111066091A publication Critical patent/CN111066091A/zh
Pending legal-status Critical Current

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
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种患者监测器(8)包括显示器(10)。获得针对风险预测函数(30)的一个或多个已知变量的患者值(38)。确定所述风险预测函数的一个或多个未知变量，并且至少一个超平面(40)被定义为可由所述一个或多个未知变量假定的值。使用所获得的患者值在所述至少一个超平面上计算所述风险预测函数的值。使用包括所述风险预测函数和所述一个或多个未知变量的模板选择指数从可视化模板(50)的数据库中选择可视化模板。使用所述可视化模板，显示所述至少一个超平面上的风险预测函数的计算值的可视化(52)。

Description

预测评分信息的背景化患者特异性呈现
技术领域
以下总体上涉及患者监测领域、电子患者监测领域、电子临床决策支持领域和相关领域。
背景技术
患者监测器已经在传统上显示用于患者的生命体征数据。例如，多功能患者监测器可以显示生命体征数据，诸如以下各项中的一项或多项：(一个或多个)心电图(ECG)趋势线、心脏脉搏率、呼吸率和/或趋势线、血氧饱和度(SpO2)值和/或趋势线、血压值和/或趋势线、二氧化碳图趋势线和/或呼气末二氧化碳(etCO2)水平和/或等等。这样的患者监测器提供医生、护士或其他医学专家可以评估患者状态的大量的患者数据。
然而，关于这样的患者的困难在于，其要求医学专家具有临床专业知识以解释各种生命体征，并且特别地解释由患者监测器所提供的生命体征数据的组合。甚至更多，解释可以要求或者受益于未由患者监测器采集和显示的额外信息，诸如患者医学历史和/或患者的最新实验室测试结果，例如动脉血液气体(ABG)、全血计数(WBC)数据和/或等等。如果医学专家具有不足的临床专业知识、不足的知识(例如不知道最新实验室测试结果)和/或不足的时间以适当地分析由患者监测器呈现的大数量的信息，则患者的医学状态能够基于由患者监测器呈现的数据不准确地评估。
解释由患者监测器呈现的数据中的时间约束可以在手术或其他介入医学流程期间是特别有问题的，其中，能够期望跟踪染上不利医学状况的实时风险。例如，在图像引导治疗(iGT)流程期间，施予静脉内造影剂从而改进引导图像对比度能够需要与针对由于造影剂造成的肾损伤的潜在性平衡。肾损伤的该风险取决于诸如患者医学历史(例如，糖尿病患者处于造影剂引起的肾损伤的升高的风险)和血压的因子。合成相关信息以评估iGT流程期间的肾风险是具挑战性的任务。
患者监测中的已知改进将风险估计工具并入到患者监测器中。例如，给定列线图的特定输入(例如生命体征)，可以向患者提供图形表示不利状况的风险的列线图。以电子形式，给定输入，列线图可以由等效计算机处理替换以计算不利状况发作的风险。风险估计工具可以简洁呈现关于患者染上不利状况的风险的生命体征或其他输入的组合的总体影响。
以下公开了一种新并经改进的系统和方法。
发明内容
在一个所公开的方面中，一种患者监测设备包括显示器。处理硬件包括电子处理器和非瞬态存储介质，所述非瞬态存储介质存储可视化模板的数据库和指令，所述指令能够由所述电子处理器读取并运行以执行患者监测方法，所述患者监测方法包括：获得针对风险预测函数的一个或多个已知变量的患者值；确定所述风险预测函数的一个或多个未知变量并且将至少一个超平面定义为能够由所述一个或多个未知变量假定的值，其中，针对所述一个或多个未知变量，患者值是未知的；使用针对所述一个或多个已知变量的所获得的患者值来计算所述至少一个超平面上的所述风险预测函数的值；使用包括所述风险预测函数和所述一个或多个未知变量的模板选择指数从可视化模板的数据库中选择可视化模板；并且使用所述可视化模板在所述显示器上显示对所述至少一个超平面上的所述风险预测函数的计算值的可视化。
在另一所公开的方面中，公开了一种患者监测方法。在床旁或手术患者监测器处，获得针对风险预测函数的一个或多个已知变量的患者值。使用包括电子处理器的处理硬件，确定针对其患者值未知的风险预测函数的一个或多个未知变量，并且至少一个超平面被定义为能够由一个或多个未知值假定的值。使用处理硬件，使用针对一个或多个已知变量的所获得的患者值在至少一个超平面上计算风险预测函数的值。在所述床旁或手术患者监测器的显示器上，显示所述至少一个超平面上的风险预测函数的计算值的可视化。
在另一所公开的方面中，公开了一种患者监测设备，包括图像引导治疗(iGT)设备，其包括放射学成像部件和手术显示器。处理硬件包括：电子处理器；和非瞬态存储介质，其存储指令，所述指令由所述电子处理器可读并且可执行以计算风险预测函数的值并且执行患者监测方法，所述患者监测方法包括：在所述iGT设备的手术显示器上显示使用所述iGT设备的放射学成像部件采集的患者的图像；获得针对所述风险预测函数的一个或多个已知变量的患者值；确定风险预测函数的一个或多个未知变量并且将至少一个超平面定义为能够由所述一个或多个未知变量假定的值，其中，针对所述一个或多个未知变量，患者值是未知的；使用针对一个或多个已知变量的所获得的患者值计算所述至少一个超平面上的风险预测函数的值；并且在所述iGT设备的手术显示器上显示所述至少一个超平面上的风险预测函数的计算值的可视化。
一个优点在于提供包括用于评估患者染上不利状况的风险的风险估计工具的患者监测设备，其中，所述风险估计工具容纳丢失输入数据。
另一优点在于提供这样的风险估计工具：其提供关于未知离散选项的影响的信息，例如是否采用治疗选项。
另一优点在于提供这样的风险估计工具：其提供关于未知连续选项的影响的信息，例如提供药品的定量剂量影响风险的程度上的引导。
另一优点在于提供患者染上不利状况的风险的紧凑图形表示。
另一优点在于提供还描绘丢失输入数据的影响的风险的这样的紧凑图形表示。
另一优点存在于提供用于估计在图像引导治疗(iGT)流程期间患者染上急性肾损伤(AKI)的风险的风险估计工具，其中，AKI风险估计工具具有前述益处中的一个或多个。
如本领域的普通技术人员在阅读并且理解本公开之后将变得显而易见的，给定实施例可以不提供前述优点，提供前述优点中一个、两个、更多或全部，和/或可以提供其他优点。
附图说明
本发明可以采取各种部件和部件的布置的形式，并且可以采取各种步骤和各步骤安排的形式。附图仅出于图示优选的实施例的目的，而不应被解释为对本发明的限制。
图1图解地图示了包括具有风险估计工具的患者监测器的患者监测设备；
图2图解地图示了由图1的患者监测设备执行的风险估计过程；并且
图3图解地图示了包括基于X射线的图像引导治疗(iGT)设备的患者监测设备，其具有提供由图2的过程生成的图形用户接口(GUI)风险估计呈现的手术显示器，所述呈现表示患者在患者由基于X射线的iGT设备监测时执行的介入流程期间染上急性肾损伤(AKI)的风险。
具体实施方式
如本文所识别的，关于风险估计工具的困难在于，工具采用要求特定输入的风险预测函数。例如，用于估计在手术流程期间染上AKI的风险的急性肾损伤(AKI)风险估计工具可以要求以下输入变量：低血压；主动脉内球囊泵(iABP)的围手术期使用；慢性心力衰竭；年龄；贫血；糖尿病；造影剂体积；和估计的肾小球滤过率(eGFR、肾功能的度量)。在这些变量中，低血压、iABP、慢性心力衰竭、贫血和糖尿病是表示患者是否具有这些状况(或iABP是否使用)的二进制值。年龄、造影剂体积和eGFR变量各自假定数值。基于这些输入参数的状态，AKI模型产生可以被显示给操作者以用于介入规划和/或在介入流程的执行期间考虑的百分比风险评分或风险评分类别(低/中/高)。类似风险估计技术已经开发用于其他不利事件，诸如药物和辐射过量。风险模型是被设计为基于输入健康变量预测特定事件的一种类型的预测工具。预测工具可以在医学流程之前和/或期间使用。其还可以被用于权衡预期的医学流程或处置选项的风险/益处。
通常，预测工具的输入变量可以被分类为静态或动态。静态变量是已知的并且未期望在对于预测工具的使用和意图现实的时间框架内基本上改变。范例包括糖尿病和年龄。动态变量将变为已知的，和/或将在对于预测工具的使用和意图现实的时间框架内基本上改变。范例包括造影剂体积。在医学流程(例如，应用于估计在冠状动脉介入期间染上AKI的可能性的AKI风险估计工具)的背景下，现实时间框架适合地包括导致流程以及流程自己的持续时间的规划阶段。在该背景下，可以区分第三类别的输入变量，即未知变量。该变量在相关时间框架之前和期间保持未知。
如果预测工具完全取决于静态变量，则这些静态变量可以在医学流程之前获得并且被用于导出预测风险。然而，许多风险估计工具依赖于动态和/或未知的变量。在这样的情况下，风险估计工具要么不能使用，要么可以仅通过做出针对(一个或多个)未知变量的值的“最佳猜测”估计来使用。在一些实例中这样的估计不具有理性基础，和/或具有为显著错误的高可能性。在使用这样的风险估计工具估计的风险基础上做出的医学决策也是怀疑，并且能够导致非最佳决策。此外，即使针对未知输入变量的“最佳猜测”估计是合理估计，该方法为不利事件的预测风险提供单个(估计)数据点。如果未知变量可由医学人员控制，那么对于风险预测工具而言提供关于选择未知(但是可控制的)变量的不同值的影响的信息将是有用的。
在本文所公开的实施例中，风险预测工具通过获得风险预测函数的一个或多个已知变量的患者值操作。在该数据收集过程中，确定风险预测函数的一个或多个未知变量，针对其，患者值未知。至少一个超平面被定义为能够由一个或多个未知变量假定的值，并且使用针对一个或多个已知变量的所获得的患者值在至少一个超平面上计算风险预测函数的值。使用包括风险预测函数和一个或多个未知变量的模板选择指数从可视化模板(的数据库中选择可视化模板。使用可视化模板显示至少一个超平面上的风险预测函数的计算值。
在本文中做出的各种洞悉上假定用于经改进的风险预测工具的该方法。首先，尽管由风险预测函数的所有输入变量定义的空间通常非常大，但是可能未知变量的集合是相当小的。使用先前所提到的AKI风险预测工具，存在八个输入变量：低血压、IABP、慢性心力衰竭、年龄、贫血、糖尿病、造影剂体积和eGFR。可以由这八个变量假定的可能值是大的：五个二进制变量(低血压、iABP、慢性心力衰竭、贫血和糖尿病)具有25＝32个组合，并且对于这32个组合中的每个，剩余的三个数字变量(年龄、造影剂体积和eGFR)可以取决于用于这些值的颗粒度或分辨率而假定几十、几百或更多值中的任一个。
另一方面，未知变量的总数可以不超过八个，并且在现实情况下可能不超过两个或三个。在AKI风险预测工具范例中，很可能低血压、慢性心力衰竭、年龄、贫血和糖尿病将具有例如从电子患者或健康记录检索的已知值。因此，未知变量的总数可能是至多三个：iABP、造影剂体积和eGFR。如果这些变量中的一个或两个先前已知(例如，外科医师可以做出该患者必须由于心脏病具有iABP的术前决策，和/或可以在流程之前决定某个造影剂体积要被使用)，那么未知变量的数目适合地降低。
对于按照先前范例的三个未知变量，定义两个超平面：一个超平面用于iABP＝“假”并且另一超平面用于iABP＝“真”。每个超平面被定义为可以由剩余的两个未知变量(造影剂体积和eGFR)假定的值集。使用针对一个或多个已知变量的所获得的患者值(以及针对每个超平面的适当的iABP值)计算这两个超平面上的AKI风险预测函数的值是计算上可行的。可视化也是可行的，因为存在能够具有对应的可视化模板的可能需要存在的可能可视化的小空间：用于所有三个未知变量的一个模板；用于两个未知变量的三个可能组合的三个模板，以及一个未知变量的三个可能组合(总共七个模板)。如果其他二进制变量中的一个或两个也可以实际未知(例如低血压)，那么这仅将模板的数目增加两倍。
因此，计算并且显示针对特定风险预测函数设计的可视化和在特定患者情况下遇到的未知变量的特定集合在计算上是可行的。这通过提供各自由包括风险预测函数和未知变量的选择指数索引的可视化模板的(有限)集完成。任选地，可视化模板可以通过其他信息索引：例如，可以存在使用不同格式提供的不同可视化模板，例如用于在手术流程期间使用定制的一个和用于危症监护病房中的一般患者监测定制的另一个。
参考图1，在说明性范例中，风险预测工具是患者监测器的一部分，并且并入到包括显示器10的床旁或手术患者监测器8中。患者监测器还包括处理硬件12，其包括电子处理器和非瞬态存储介质。通过非限制性说明性范例，电子处理器可以包括床旁或手术患者监测器8的微处理器或微控制器和辅助电子设备，诸如存储器、图形处理单元和/或等等；和/或可以包括床旁或手术患者监测器8经由医院电子网络和/或因特网操作来操作地连接的远程服务器计算机；和/或可以包括图像引导治疗(iGT)设备的计算机或其他处理电子设备；和/或等等。非瞬态存储介质可以同样地在床旁或手术患者监测器8的内部和/或可以驻留在操作地连接的服务器计算机、iGT设备或等等处或中。非瞬态存储介质可以包括硬盘驱动器、RAID、或者其他磁性存储介质；光盘或其他光学存储介质；固态驱动器或其他电子存储介质；其各种组合；和/或等等。在图1中图解地指示处理硬件12；应理解，处理硬件12被实现为存储在非瞬态存储介质上的指令，其由电子处理器可读并可执行以执行如本文所公开的操作。非瞬态存储介质还存储在所公开的操作中访问和使用的各种数据结构(例如数据阵列、可视化模板等)。
说明性床旁或手术患者监测器8操作地连接以从一个或多个生命体征传感器接收生命体征数据，例如说明性心电图(ECG)或其他心脏监测器14、血压传感器16(例如血压袖带、动脉管路血压监测器和/或等等)、测量氧饱和度(SpO2)并且任选地还有心率的脉搏血氧计18和/或等等。在实际使用中，生命体征传感器14、16、18被连接到其医学状况由床旁或手术患者监测器8监测的患者，并且与监测器8的操作连接可以通过有线连接或无线连接(例如蓝牙、WiFi等)。接收到的生命体征数据(或其一些子集)可以任选地显示在适合的窗口或显示区域20中。处理硬件12还可以被编程为在生命体征数据上执行各种数据处理，例如从ECG迹线提取心率、ST段抬高或其他信息；从血压数据提取收缩和舒张压读数；和/或等等。
处理硬件12还被编程为实现应用于评估患者染上不利医学状况的风险的风险预测工具。为此目的，处理硬件12获得针对风险预测函数30的一个或多个已知变量的患者值，并且还确定风险预测函数的一个或多个未知变量，针对其，患者值未知。变量值提取接口32通过处理硬件12并且可能通过其他相关联的硬件实现，诸如提供对一个或多个健康数据存储库34(诸如电子病历(EMR)、电子健康记录(EHR)、心血管信息系统(CVIS)、放射信息系统(RIS)和/或等等)的操作访问的电子医院网络和/或因特网。应用编程接口(API)可以被用于使用患者标识符(例如，医学记录号)查询患者特异性文档。变量值提取接口32还可以从生命体征传感器14、16、18中的一个或多个接收针对风险预测函数30的输入变量的一个或多个值(此外，可能地利用由处理硬件12执行的生命体征数据的一些后采集处理)。还预期对于变量值提取接口32而言结合显示器10和键盘、鼠标、口授麦克风或其他用户输入设备提供用户对话，经由其，用户可以输入一个或多个输入变量的(一个或多个)值。可以注意，输入变量可以包括基本变量自己。例如，说明性AKI模型的eGFR参数使用应用于以下基本变量的数学公式确定：血清肌酐；年龄；性别；和民族。在这样的情况下，可以根据经由存储库34、生命体征传感器14、16、18或手动输入接收到的下层基本变量计算变量。变量阵列36存储已知的所有输入变量的值，以及分配占位符指示器(被指代为图1中的问号)或以其他方式指示被确定为未知变量的任何未知变量。
输入变量的集合然后被分成两组：第一组是患者值38已知的已知变量。第二组是患者值未知的未知变量。处理硬件12被编程为将至少一个超平面40定义为可以由一个或多个未知变量假定的值。例如，在图解性图1中，存在三个未知变量：X4、X5和X6。在这些中，X4是二进制值。将X4设定为其可以假定的一个值(例如取决于表示的信息的“假”或“否”等)，第一超表面401由可以由(X5、X6)假定的值定义。同样地，将X4设置为其可以假定的另一值(例如“真”或“是”等)，第一超平面402由可以由(X5、X6)假定的值定义。在该范例中，超平面401、402各自是二维“真”平面；另一方面，如果存在三个或更多个连续值，则超平面将是更高维的；相反地，如果仅存在单个连续值，则超平面将是一维的，即，线。如本文所使用的，术语“超平面”涵盖所有这些情况(一维、二维、三维、或更高维)。(一个或多个)超平面的范围由(一个或多个)各种未知变量可以可信地假定的值控制。例如，如果未知变量之一是心率，那么用于该变量的可信范围可以是例如40-200每分钟心跳次数(bpm)。用于SpO2的可信范围可以是0-100％，或更现实地，一些更高下限，诸如50-100％。如先前所隐含的，取决于表示的信息，用于X4的可信范围是集合{“假”，“真”}或{“否”，“是”}等。在连续变量的情况下，(一个或多个)超平面40可以针对更方便的计算离散化：例如，超平面可以通过针对采取5bpm的增量(例如40bpm、45bpm、50bpm、...、200bpm)的离散心率的数据点以及被选择为将最终可视化的平滑性对着计算效率和速度平衡的分辨率定义。
处理硬件12被编程为实现预测计算引擎44，其使用针对一个或多个已知变量的所获得的患者值38计算至少一个超平面40上的风险预测函数30的值。这需要循环通过跨超平面的未知变量的可信值。例如，使用图1的图解范例的未知X4、X5、X6，其中，X5是范围40-200bpm内的心率并且X6是范围50-100％内的SpO2，这需要调用风险预测函数30以计算针对输入集的风险：
(X1＝12,X2＝3,X3＝“否”,X4＝“假”,X5＝40,X6＝50％)
(X1＝12,X2＝3,X3＝“否”,X4＝“假”,X5＝40,X6＝55％)
(X1＝12,X2＝3,X3＝“否”,X4＝“假”,X5＝40,X6＝60％)
,,
(X1＝12,X2＝3,X3＝“否”,X4＝“假”,X5＝40,X6＝100％)
(X1＝12,X2＝3,X3＝“否”,X4＝“假”,X5＝45,X6＝50％)
(X1＝12,X2＝3,X3＝“否”,X4＝“假”,X5＝45,X6＝55％)
(X1＝12,X2＝3,X3＝“否”,X4＝“假”,X5＝45,X6＝60％)
,,
(X1＝12,X2＝3,X3＝“否”,X4＝“假”,X5＝45,X6＝100％)
,,
(X1＝12,X2＝3,X3＝“否”,X4＝“假”,X5＝200,X6＝100％)
(X1＝12,X2＝3,X3＝“否”,X4＝“真”,X5＝40,X6＝50％)
,,
(X1＝12,X2＝3,X3＝“否”,X4＝“真”,X5＝200,X6＝100％)
任选地，由预测计算引擎44计算的风险预测函数30的值被离散化为定性风险分配46，例如如果风险预测函数30是AKI风险预测函数，那么AKI风险预测函数的值可以被分箱为标记“低”、“中”、“高”和“非常高”的定性风险分配。更一般地，定性风险分配46将预测值(或评分)映射为定性状态。在一个实现方式中，其具有与每个定性状态相关联的范围。该范围可以局部地可配置为反映局部实践。在另一实现方式中，每个定性状态可以自己标记。例如，我们可以区分：(1)硬边界状态：定性状态需要医学流程或其他情况下不适当的事态的终止；与(2)软边界状态：定性状态是重要的，但是如果无其他选项是可用的，则医学流程可以继续。另外，定性风险分配46可能能够计算针对每个定性状态的未知输入参数的边界线组合。例如，在AKI模型的范例中，假定仅造影剂体积是未知的(即，所有其他输入参数在可变阵列36中)。然后，可以计算造影剂体积的最小和最大量，其将借助于预测评分计算引擎44产生“中”风险定性状态。在一个实现方式中，其通过迭代通过未知输入参数的所有相关组合完成其。该方法还可以通过迭代通过所有未知输入参数对被用于两个或更多个丢失未知参数。该方法可以被应用于选择定性状态(例如，仅硬边界)。
处理硬件12被编程为实现使用包括要可视化的风险预测函数30和一个或多个未知变量(即，图1的图解范例中的变量X4、X5和X6)的模板选择指数从可视化模板50的数据库中选择可视化模板的风险可视化引擎48，并且使用选定的可视化模板将至少一个超平面40上的风险预测函数30的计算值(在显示器10上)显示为可视化52。可视化模板定义图形表示和风险预测函数的值如何显示在该图形表示中。参考图3在本文中其他地方描述了说明性范例。
继续参考图1并且还参考图2，描述了由图1的患者监测器执行的风险估计过程。在操作60中，提取接口32被用于获得针对风险预测函数的一个或多个已知变量的患者值38。操作60还确定风险预测函数的一个或多个未知变量，针对其，患者值未知，并且操作62确定由未知变量的可信值的组合定义的(一个或多个)超平面40。在操作64中，预测计算引擎44使用针对一个或多个已知变量的所获得的患者值38计算至少一个超平面40上的风险预测函数30的值。在操作66中，使用包括风险预测函数30和未知变量的指数从可视化模板数据库50中选择用于可视化计算值的可视化模板。在操作68中，风险可视化引擎40使用选定的可视化模板生成(一个或多个)超平面40上的风险估计的图形用户接口(GUI)表示(即，可视化)。在操作70中，风险可视化引擎40将GUI表示(即，可视化)显示在显示器10上。
应当注意，风险估计是优选地动态的。如果患者值针对先前未知变量接收，那么图2的方法可以重新执行以更新可视化。同样地，如果已知变量的患者值改变，如能够是对于动态变量(诸如可以随时间改变的生命体征)的情况，图2的方法可以重新执行以更新可视化。
参考图3，在一些实施例中，患者监测器8可以是图像引导治疗(iGT)设备80的一部分，并且可以被用于为在介入流程的过程中(近)实时更新的不利状况提供风险预测。在说明性范例中，预测的风险是急性肾损伤(AKI)的风险。该风险在某些情况下升高，诸如主动脉内球囊泵(iABP)的使用和某些造影剂的使用，例如有时用于当在心脏或血管手术流程期间使用透射X射线成像设备(诸如计算机断层摄影(CT)成像设备)时增加血管造影的类型的碘化造影剂。说明性iGT设备80采用C型臂类型X射线成像部件82，其允许设置在检查台84上的患者(未示出)的断层摄影或多视图心脏成像。这样的iGT设备的说明性范例是从Koninklijke Philips N.V.(Eindhoven,the Netherlands)可用的Azurion 7系列iGT设备。在该实施例中，外科医师可以查看由显示器10上的放射学成像部件82采集的图像86，以及由风险预测工具生成的可视化52。
继续参考图3，示出了由AKI风险预测工具适合地输出的说明性可视化52的放大图。该说明性可视化显示两个未知参数：一个离散的(流程期间的iABP的使用，即，二进制iABP变量)和一个数字的(指示具有说明性范围[0,600cc]的造影剂体积的造影剂变量)。在说明性可视化52中，在各自对应于AKI风险预测函数的预测评分的二十个分段中划分表示AKI风险的垂直条90。二十个分段还被分组(即，离散化)为标记“7.5％”、“14％”、“27％”和“56％”的四个非交叠组以标记四个定性AKI风险状态。“7.5％”组表示低风险：分段1至5。“14％”组表示中风险：分段6至10。“27％”组表示高风险：分段11至15。“56％”组表示非常高风险：分段16至20。在说明性AKI风险可视化中，可以由iABP变量假定的两个可能值通过以下各项捕获：在不使用iABP的情况下根据造影剂体积示出AKI风险的第一风险图92；以及在使用iABP的情况下根据造影剂体积示出AKI风险的第二风险图94。数字表部分96示出了还输入到AKI风险预测函数30的已知变量的患者值。
有利地，图3中示出的说明性AKI风险可视化52向外科医师提供一眼看去可用的大量信息。例如，如果外科医师预期在心脏流程期间部署iABP，则外科医师可以比较风险图92、94以迅速地评估将通过部署iABP产生的AKI风险的增加。再一眼看去，外科医师还可以理解iABP的使用可以通过降低造影剂体积补偿，例如没有500cc造影剂的iABP的AKI风险可与150cc造影剂的较低剂量的iABP的风险相比较。
通常，在用于风险函数的输入变量未知的情况下，这些值被分配默认值并且计算风险。任选地，为了给外科医师提供可视化52的背景下的该相同信息，风险预测函数的默认值可以使用针对一个或多个已知变量的所获得的患者值38和针对一个或多个未知变量(此处iABP和造影剂体积)的默认值计算，并且标记96可以被用于在至少一个超平面上的风险预测函数的计算值的显示上(即，在可视化52上)标记风险预测函数30的默认值。
在以下中，描述了一些另外的说明性范例。表1提供这些范例中采用的术语和注释的总结，以及以下本文中给出的某些术语和注释的一些进一步的解释。
在以下范例中，风险预测函数30被表示为具有n个输入变量(在本文中还被称为参数)：x1,...,xn的风险预测函数F。函数的输出由F(x1,…,xn)指代。输出可以是数字或离散的(例如，[0,20]内的整数)。风险预测函数30可以通过机器学习分类模型、神经网络、随机森林和支持向量机(SVM)、逻辑和线性回归模型、其各种组合等等在计算上实现。
作为说明性范例，考虑具有两个输入变量x和y的风险预测函数F。如果x是静态的(即，已知变量)，例如，x＝12，并且y是未知变量，那么“剩余函数”F12具有一个输入参数，使得F12(y)＝F(12,y)。可以针对任何函数和其可能具有的任何数目的静态变量导出这样的剩余函数。
如果风险预测函数F的输出是来自列表的值，则可能值具有容易显而易见的意义，但是可能情况不总是这样。可以提供任选的“定性状态”，其是(剩余)函数的输出的解释。例如，说明性AKI模型可以返回11个风险点作为用于急性肾损伤的预测风险。对应的定性状态可以是“中风险”。
表1
Figure BDA0002391460860000121
Figure BDA0002391460860000131
(一个或多个)超平面40的一些其他范例如下。作为初始点，如果所有参数是已知的，那么无超平面被定义并且预测计算引擎44简单地将已知变量输入到风险预测函数30以接收预测评分。如果一个或多个参数是未知的，则其根据未知参数的性质来定义超平面。借助于范例，考虑以下情况。
在一类超平面中，仅一个参数是未知的，并且其是数字的(例如具有范围[0,600]的造影剂体积)。然后，超平面是线，其具有范围[0,600]内的x坐标和通过基于变量阵列36以及具有沿着x的被选择为足够小以用于期望的分辨率并且被选择为足够大以提供可接受的计算效率的增量的x坐标应用风险预测函数30所确定的y坐标。
在另一类超平面中，仅一个参数是未知的并且其是离散的，例如可以假定集合{是，否}的值的iABP值。然后，超平面降低到两个预测评分：通过评价具有所有其他已知参数并且具有设定为“是”的未知iABP变量的风险预测函数30获得的一个，以及类似地利用设定为“否”的未知iABP变量获得的另一个。
在另一类超平面中，两个参数是未知的，一个是数字的(例如，具有范围[0,600]的造影剂体积)，一个是离散的，例如可以假定集合{是，否}的值的iABP变量。在这种情况下，超平面包括两条线：通过将未知iABP变量固定到“是”并且针对范围中的小增量在数字未知造影剂体积变量上迭代获得的一个；以及通过将未知iABP变量固定到“否”并且针对范围中的小增量在数字未知造影剂体积变量上迭代获得的另一个。
在另一类超平面中，两个参数是未知的，其两者是数值的。然后，定义的超平面是三维空间中的平面，其具有两个未知参数的范围内的x和y坐标和通过除全部已知的剩余参数之外将两个坐标馈送到风险预测函数30确定的z坐标。
前述是说明性范例，并且可以一般化为任意数目的未知变量的一般情况。
在包括定性风险分配46的实施例中，超平面(的碎片)可以利用定性状态标记。这能够通过循环通过每个输入参数向量(x1,…,xn)从使用风险预测函数30计算的超平面获得预测评分并且将该预测评分映射到定性状态上实现。因此，每个输入参数向量(x1,…,xn)能够利用定性状态标记。任选地，还针对关于已知变量的每个定性状态导出最小和最大输入变量向量。以这种方式，例如，可以针对被指代为“不可接受的-终止流程”的定性状态计算最小和最大造影剂体积剂量。
如先前所提到的，预测计算引擎44可以在无论何时变量阵列36利用针对变量之一的患者值的改变更新时被触发，使得实时对输入变量的患者值的改变作出反应。备选地，预测计算引擎44可以周期性地或当用户与其交互时被触发。
风险虚拟化引擎48呈现由预测计算引擎44在(一个或多个)超平面上计算的风险预测函数30的值。可以采用各种可视化图形。例如，如果超平面是一个或多个评分，则其可以显示这些，例如作为条形图。如果超平面是线，则其可以显示线，例如，作为趋势线图。如果超平面是三维空间中的平面，则其可以将其显示为三维图。“当前”或“默认”位置96(参见图3)可以被标记在显示中。该默认位置可以通过使用针对(一个或多个)未知变量的默认参数值计算。在另一预期变型实施例中，可以从推测的当前或者默认位置显示差量，其在任何一个未知变量的值随着预设增量改变的情况下，标记预测评分中的差异是什么。以这种方式，例如，针对AKI的额外风险可以使用100cc的造影剂体积来计算。在另一预期实施例中，风险可视化引擎48是交互式的并且通过触摸对应于未知参数的相应轴中的任一个上的位置允许一个未知变量的手动输入(例如，通过触摸要么在图3中示出的第一风险图92(如果不使用iABP)，要么第二风险图92(如果使用iABP)，标记造影体积＝200cc)。另外，触摸屏交互可以用于确定标记为“当前”的显示器中的坐标，如果示出该信息，则更新差量。如果实现定性风险分配46，则定性状态可以通过颜色编码具有匹配定性状态的超平面中的区可视化(例如，在图3中，被标记“7.5％”、“14％”、“27％”和“56％”的分段可以各自具有不同颜色，例如从蓝色延伸到红色以指示增加的AKI风险)。如果定性风险分配46提供定性状态上的边界，则那些边界可以明确标记，例如，通过粗线。
借助于可视化模板50的数据库，定制可视化可以被实现为以与特定临床情况或医学领域相适应的方式显示超平面信息。说明性范例已经参考图3描述为针对iGT设备80设计的AKI风险可视化52。
已经参考优选实施例描述了本发明。在阅读并且理解前述详细描述之后可以想到修改和变化。本发明旨在被理解为包括所有这样的修改和变化，只要其落入权利要求书或其等价方案的范围之内。

Claims (21)

1.一种患者监测设备，包括：
显示器(10)；
处理硬件(12)，其包括电子处理器和非瞬态存储介质，所述非瞬态存储介质存储可视化模板(50)的数据库和指令，所述指令能够由所述电子处理器读取并运行以执行患者监测方法，所述患者监测方法包括：
获得针对风险预测函数(30)的一个或多个已知变量的患者值(38)；
确定所述风险预测函数的一个或多个未知变量并且将至少一个超平面(40)定义为能够由所述一个或多个未知变量假定的值，其中，针对所述一个或多个未知变量，患者值是未知的；
使用针对所述一个或多个已知变量的所获得的患者值来计算所述至少一个超平面上的所述风险预测函数的值；
使用包括所述风险预测函数和所述一个或多个未知变量的模板选择指数从可视化模板的所述数据库中选择可视化模板；并且
使用所述可视化模板在所述显示器上显示对所述至少一个超平面上的所述风险预测函数的计算值的可视化(52)。
2.根据权利要求1所述的患者监测设备，其中，所述患者监测方法还包括从一个或多个生命体征传感器(14、16、18)接收生命体征数据，其中，所述获得包括获得作为由所述电子处理器从所述一个或多个生命体征传感器接收到的生命体征数据的一个或多个患者值。
3.根据权利要求2所述的患者监测设备，其中，所述患者监测方法还包括与对所述风险预测函数(30)的所述计算值的所述显示分离地在所述显示器(10)上显示接收到的生命体征数据(20)。
4.根据权利要求1-3中的任一项所述的患者监测设备，其中，所述患者监测方法还包括：
使用针对所述一个或多个已知变量的所获得的患者值(38)和针对所述一个或多个未知变量的默认值来计算所述风险预测函数(30)的默认值；并且
在所述可视化(52)上显示指示所述风险预测函数的所述默认值的标记(96)。
5.根据权利要求1-4中的任一项所述的患者监测设备，还包括：
图像引导治疗(iGT)设备(80)，其包括放射学成像部件(82)；
其中，所述风险预测函数(30)包括急性肾损伤(AKI)风险预测函数并且所述AKI风险预测函数的变量包括造影剂剂量变量，所述造影剂剂量变量表示被施予到所述患者以改进由所述iGT设备采集的所述患者的至少部分的图像(86)的图像对比度的造影剂的剂量。
6.根据权利要求1-5中的任一项所述的患者监测设备，其中，所述风险预测函数(30)包括急性肾损伤(AKI)风险预测函数并且所述AKI风险预测函数的变量包括主动脉内球囊泵(iABP)变量，所述主动脉内球囊泵变量指示iABP是否在执行所述患者监测方法时在所述患者上所执行的手术流程期间被采用。
7.一种患者监测方法，包括：
在床旁或手术患者监测器(8)处获得针对风险预测函数(30)的一个或多个已知变量的患者值(38)；
使用包括电子处理器的处理硬件(12)来确定所述风险预测函数的一个或多个未知变量并且将至少一个超平面(40)定义为能够由所述一个或多个未知变量假定的值，其中，针对所述一个或多个未知变量，患者值是未知的；
使用所述处理硬件，使用针对所述一个或多个已知变量的所获得的患者值来计算所述至少一个超平面上的所述风险预测函数的值；并且
在所述床旁或手术患者监测器的显示器(10)上显示对所述至少一个超平面上的所述风险预测函数的计算值的可视化(52)。
8.根据权利要求7所述的患者监测方法，还包括：
通过利用所述至少一个超平面(40)上的所述风险预测函数(30)的所述计算值填充可视化模板来生成所述可视化(52)。
9.根据权利要求8所述的患者监测方法，还包括：
使用包括所述风险预测函数和所述一个或多个未知变量的模板选择指数从可视化模板(50)的数据库中选择所述可视化模板。
10.根据权利要求7-9中的任一项所述的患者监测方法，其中，所述确定包括：确定离散未知变量和至少一个连续未知变量，并且将所述至少一个超平面(40)定义为针对所述离散未知变量能够假定的每个离散值的超平面(401、402)，其中，还由能够由所述至少一个连续未知变量假定的值定义每个超平面。
11.根据权利要求7-10中的任一项所述的患者监测方法，还包括：
在所述床旁或手术患者监测器(8)处从一个或多个生命体征传感器(14、16、18)接收生命体征数据；
其中，所述获得包括获得作为在所述床旁或手术患者监测器处接收到的来自所述一个或多个生命体征传感器的生命体征数据的至少一个患者值。
12.根据权利要求11所述的方法，还包括：
与对所述至少一个超平面(40)上的所述风险预测函数(30)的所述计算值的所述可视化(52)分离地在所述床旁或手术患者监测器(8)的所述显示器(10)上显示接收到的生命体征数据(20)。
13.根据权利要求7-12中的任一项所述的患者监测方法，其中，所述获得包括从电子健康数据存储库(34)获得至少一个患者值。
14.根据权利要求7-13中的任一项所述的患者监测方法，还包括：
使用针对所述一个或多个已知变量的所获得的患者值(38)和针对所述一个或多个未知变量的默认值来计算所述风险预测函数(30)的默认值；并且
在所显示的可视化(52)上显示指示所述风险预测函数的所述默认值的标记(96)。
15.根据权利要求7-14中的任一项所述的患者监测方法，还包括：
更新所述获得、所述确定、所述计算和所述显示，使得所述可视化(52)表示针对所述风险预测函数的当前一个或多个已知变量的当前患者值。
16.根据权利要求7-15中的任一项所述的患者监测方法，还包括：
使用图像引导治疗(iGT)设备(80)对所述患者进行成像；
其中，所述一个或多个未知变量包括造影剂剂量变量，所述造影剂剂量变量表示被施予到所述患者以改进使用所述iGT设备执行的成像的图像对比度的造影剂的剂量。
17.根据权利要求16所述的患者监测方法，其中，所述风险预测函数(30)包括急性肾损伤(AKI)风险预测函数，所述急性肾损伤风险预测函数的值随着如由所述造影剂剂量变量表示的造影剂的增加的剂量而增加。
18.根据权利要求16-17中的任一项所述的患者监测方法，其中，所述风险预测函数(30)包括急性肾损伤(AKI)风险预测函数并且所述AKI风险预测函数的变量包括主动脉内球囊泵(iABP)变量，所述主动脉内球囊泵变量指示iABP是否在执行所述患者监测方法时在所述患者上所执行的手术流程期间被采用。
19.一种患者监测设备，包括：
图像引导治疗(iGT)设备(80)，其包括放射学成像部件(82)和手术显示器(8)；以及
处理硬件(12)，其包括电子处理器和非瞬态存储介质，所述非瞬态存储介质存储指令，所述指令能够由所述电子处理器读取并运行以计算风险预测函数(30)的值并且执行患者监测方法，所述患者监测方法包括：
在所述iGT设备的所述手术显示器上显示使用所述iGT设备的所述放射学成像部件采集的患者的图像(86)；
获得针对所述风险预测函数的一个或多个已知变量的患者值；
确定所述风险预测函数的一个或多个未知变量并且将至少一个超平面(40)定义为能够由所述一个或多个未知变量假定的值，其中，针对所述一个或多个未知变量，患者值是未知的；
使用针对所述一个或多个已知变量的所获得的患者值来计算所述至少一个超平面上的所述风险预测函数的值；并且
在所述iGT设备的所述手术显示器上显示对所述至少一个超平面上的所述风险预测函数的计算值的可视化(52)。
20.根据权利要求19所述的患者监测设备，其中，所述风险预测函数是具有变量的急性肾损伤(AKI)风险预测函数，所述变量至少包括造影剂剂量变量，所述造影剂剂量变量表示被施予以改进使用所述iGT设备执行的成像的图像对比度的造影剂的剂量。
21.根据权利要求20所述的患者监测设备，其中，所述AKI风险预测函数具有变量，所述变量还包括主动脉内球囊泵(iABP)变量，所述主动脉内球囊泵变量指示iABP是否在执行所述患者监测方法时在所述患者上所执行的手术流程期间被采用。
CN201880055227.2A 2017-07-25 2018-07-20 预测评分信息的背景化患者特异性呈现 Pending CN111066091A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201762536582P 2017-07-25 2017-07-25
US62/536,582 2017-07-25
PCT/EP2018/069698 WO2019020497A1 (en) 2017-07-25 2018-07-20 PRESENTATION CONTEXTUALIZED SPECIFIC TO PATIENT OF PREDICTION SCORE INFORMATION

Publications (1)

Publication Number Publication Date
CN111066091A true CN111066091A (zh) 2020-04-24

Family

ID=63014514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880055227.2A Pending CN111066091A (zh) 2017-07-25 2018-07-20 预测评分信息的背景化患者特异性呈现

Country Status (5)

Country Link
US (1) US11482334B2 (zh)
EP (1) EP3659155A1 (zh)
JP (1) JP7232240B2 (zh)
CN (1) CN111066091A (zh)
WO (1) WO2019020497A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11540794B2 (en) 2018-09-12 2023-01-03 Orthogrid Systesm Holdings, LLC Artificial intelligence intra-operative surgical guidance system and method of use
EP3852645A4 (en) * 2018-09-12 2022-08-24 Orthogrid Systems, SAS INTRAOPERATIVE ARTIFICIAL INTELLIGENCE SURGICAL GUIDANCE SYSTEM AND METHOD OF USE
US11666288B2 (en) * 2019-08-30 2023-06-06 GE Precision Healthcare LLC Systems and methods for graphical user interfaces for medical device trends
US11765189B2 (en) * 2021-01-13 2023-09-19 Gurucul Solutions, Llc Building and maintaining cyber security threat detection models
EP4102517A1 (en) * 2021-06-11 2022-12-14 Siemens Healthcare GmbH Risk determination for a ct-examination

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130231949A1 (en) * 2011-12-16 2013-09-05 Dimitar V. Baronov Systems and methods for transitioning patient care from signal-based monitoring to risk-based monitoring
CN103997961A (zh) * 2011-10-10 2014-08-20 韦克福里斯特大学健康科学院 使用mri图像数据的自动肾评估系统及方法
CN104115150A (zh) * 2012-02-17 2014-10-22 皇家飞利浦有限公司 急性肺损伤(ali)/急性呼吸窘迫整合征(ards)评估和监测
CN104737171A (zh) * 2012-10-22 2015-06-24 皇家飞利浦有限公司 健康护理系统和方法
CN105184107A (zh) * 2015-10-20 2015-12-23 沈阳国际旅行卫生保健中心 一种人体循环系统健康风险预警系统
CN105408905A (zh) * 2013-07-26 2016-03-16 皇家飞利浦有限公司 用于患者监测系统的临床规则和定义的计算机化与可视化
WO2016079654A1 (en) * 2014-11-20 2016-05-26 Koninklijke Philips N.V. Method for score confidence interval estimation when vital sign sampling frequency is limited
CN105792731A (zh) * 2013-07-18 2016-07-20 帕克兰临床创新中心 患者护理监督系统和方法
CN106709247A (zh) * 2016-12-16 2017-05-24 遵义医学院附属医院 一种icu患者非计划性拔管预警系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0975272B1 (en) * 1997-02-28 2005-06-29 Koninklijke Philips Electronics N.V. Image-guided surgery system
US7599730B2 (en) 2002-11-19 2009-10-06 Medtronic Navigation, Inc. Navigation system for cardiac therapies
JP2013537326A (ja) 2011-08-31 2013-09-30 アピシオ，インク． 医療情報ナビゲーションエンジン（ｍｉｎｅ）システム
WO2013142268A1 (en) 2012-03-23 2013-09-26 Etiometry, Llc Systems and methods for transitioning patient care from signal-based monitoring to risk-based monitoring
JP6464254B2 (ja) 2014-07-09 2019-02-06 バイエル・ヘルスケア・エルエルシーＢａｙｅｒ ＨｅａｌｔｈＣａｒｅ ＬＬＣ 造影剤ベースの医療処置での副作用を管理するシステム及び方法
US10213145B1 (en) * 2015-10-01 2019-02-26 Cerner Innovation, Inc. Context-aware post traumatic stress disorder monitoring and intervention
US11257574B1 (en) * 2017-03-21 2022-02-22 OM1, lnc. Information system providing explanation of models

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103997961A (zh) * 2011-10-10 2014-08-20 韦克福里斯特大学健康科学院 使用mri图像数据的自动肾评估系统及方法
US20130231949A1 (en) * 2011-12-16 2013-09-05 Dimitar V. Baronov Systems and methods for transitioning patient care from signal-based monitoring to risk-based monitoring
CN104115150A (zh) * 2012-02-17 2014-10-22 皇家飞利浦有限公司 急性肺损伤(ali)/急性呼吸窘迫整合征(ards)评估和监测
CN104737171A (zh) * 2012-10-22 2015-06-24 皇家飞利浦有限公司 健康护理系统和方法
CN105792731A (zh) * 2013-07-18 2016-07-20 帕克兰临床创新中心 患者护理监督系统和方法
CN105408905A (zh) * 2013-07-26 2016-03-16 皇家飞利浦有限公司 用于患者监测系统的临床规则和定义的计算机化与可视化
WO2016079654A1 (en) * 2014-11-20 2016-05-26 Koninklijke Philips N.V. Method for score confidence interval estimation when vital sign sampling frequency is limited
CN105184107A (zh) * 2015-10-20 2015-12-23 沈阳国际旅行卫生保健中心 一种人体循环系统健康风险预警系统
CN106709247A (zh) * 2016-12-16 2017-05-24 遵义医学院附属医院 一种icu患者非计划性拔管预警系统

Also Published As

Publication number Publication date
US20200168338A1 (en) 2020-05-28
US11482334B2 (en) 2022-10-25
EP3659155A1 (en) 2020-06-03
JP7232240B2 (ja) 2023-03-02
JP2020527990A (ja) 2020-09-17
WO2019020497A1 (en) 2019-01-31

Similar Documents

Publication Publication Date Title
US11482334B2 (en) Contextualized patient-specific presentation of prediction score information
US11854704B2 (en) Systems and methods for anatomical modeling using information obtained from a medical procedure
US8526693B2 (en) Systems and methods for machine learning based hanging protocols
US10541048B2 (en) System for monitoring and visualizing a patient treatment process
US20230142909A1 (en) Clinically meaningful and personalized disease progression monitoring incorporating established disease staging definitions
US11309079B2 (en) System and method for a patient dashboard
US8503741B2 (en) Workflow of a service provider based CFD business model for the risk assessment of aneurysm and respective clinical interface
US11037659B2 (en) Data-enriched electronic healthcare guidelines for analytics, visualization or clinical decision support
US20060072797A1 (en) Method and system for structuring dynamic data
WO2017055958A1 (en) Challenge value icons for radiology report selection
JP7199368B2 (ja) 視覚的に強力な患者状態表示を有する患者状態モニタ
US20100054555A1 (en) Systems and methods for use of image recognition for hanging protocol determination
US20210174922A1 (en) Medical care support apparatus
US20230118299A1 (en) Radiologist fingerprinting
CN114678118A (zh) 医疗设备显示方法和医疗设备
US20090327335A1 (en) Systems and Methods For Generating Vendor-Independent Computer-Aided Diagnosis Markers
US20150149213A1 (en) Medical care information display control apparatus, method, and medium
US20190139629A1 (en) Rules engine referencing for medical data

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