CN111568445B - 一种基于谵妄动态预测模型的谵妄风险监测方法及系统 - Google Patents

一种基于谵妄动态预测模型的谵妄风险监测方法及系统 Download PDF

Info

Publication number
CN111568445B
CN111568445B CN202010417659.2A CN202010417659A CN111568445B CN 111568445 B CN111568445 B CN 111568445B CN 202010417659 A CN202010417659 A CN 202010417659A CN 111568445 B CN111568445 B CN 111568445B
Authority
CN
China
Prior art keywords
delirium
evaluated
information
risk
evaluation
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.)
Active
Application number
CN202010417659.2A
Other languages
English (en)
Other versions
CN111568445A (zh
Inventor
吴瑛
张山
范环
杨芳宇
杨雪
韩媛
李宁
李超群
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.)
Capital Medical University
Original Assignee
Capital Medical University
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 Capital Medical University filed Critical Capital Medical University
Priority to CN202010417659.2A priority Critical patent/CN111568445B/zh
Priority to CN202310232528.0A priority patent/CN116584939A/zh
Publication of CN111568445A publication Critical patent/CN111568445A/zh
Application granted granted Critical
Publication of CN111568445B publication Critical patent/CN111568445B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/16Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271Specific aspects of physiological measurement analysis
    • A61B5/7275Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Psychiatry (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于谵妄动态预测模型的谵妄风险监测方法,所述谵妄风险监测方法至少包括以下步骤中的一个或几个:在待评估对象完成至少一次谵妄意识模糊快速评估后,由谵妄因子处理模块调取出医疗信息管理系统中与该待评估对象相关的显性因子与隐性因子,并根据所述显性因子的属性和/或隐性因子的属性,生成谵妄风险监测模块所需的标签;基于生成的所述标签,所述谵妄风险监测模块以其与云平台进行信息交互的方式,获得所述云平台中与该待评估对象相匹配的多个病例信息组;所述谵妄风险监测模块根据获得的多个病例信息组,利用谵妄动态预测模型进行计算,获得待评估对象的谵妄风险预测。

Description

一种基于谵妄动态预测模型的谵妄风险监测方法及系统
技术领域
本发明涉及谵妄护理技术领域,尤其涉及一种基于谵妄动态预测模型的谵妄风险监测方法及系统。
背景技术
谵妄(delirium)是一组以注意缺陷、思维混乱、意识模糊、意识状态改变的急性认知障碍综合征,它是一种急性或亚急性起病的疾病,通常在数小时到数天内发生变化,识别需要简短的认知筛查和敏锐的临床观察,主要的诊断特征包括急性发作和波动的意识状态改变、注意力不集中、意识水平受损、认知障碍(例如,迷失方向、记忆障碍)。临床上常将重症加强护理病房(Intensive Care Unit,ICU)患者发生的谵妄称为ICU谵妄,据文献报道,14%~24%的住院患者在住院期间发生谵妄,其中老年患者谵妄的发生率高达30%~50%,ICU谵妄的发生率高达35%~80%。
虽然谵妄的发生率之高不容小觑,但是一直以来,ICU患者发生谵妄后被误认为是无关大局、也无需重视的“ICU精神病”,这种忽视可能引起多种不良后果。谵妄是一种复杂的神经综合征,并且与多种不良结局有关,如:医疗费用增加、住院时间延长、认知损害、独立性降低、并发症增加、累积生存率下降、术后恢复时间延长、术后病死率提高等。TrogrlicZ等研究发现谵妄的发生使得患者治疗更复杂化并增加了更多困难,同时也有可能导致永久性不可逆脑损伤。如果患者长期处于谵妄状态,可造成潜在的器官功能不全,其发病率约70%~92%,误吸、医源性肺炎的危险性增加10倍,肺栓塞、压疮等并发症的发生率大大增加,并可造成机械通气患者脱机困难,意外拔管或拔管后再度气管插管等,最终延长ICU住院时间,增加死亡率。研究显示谵妄患者较无谵妄患者平均住院时间增加8天,谵妄一旦发生,会延长患者用呼吸机来支持生存的时间、在ICU停留时间及患者的住院时间;据相关研究显示,75.7%出现谵妄的患者出院时仍存在认知障碍,老年人一旦出现谵妄往往预示预后不良,包括整体功能受损、无法独力生活、极度需要照顾;据相关研究表明,与未发生谵妄患者相比,术后谵妄的患者肺部并发症发生率也有增加的趋势,术后接受进一步疗养的概率增加,ICU谵妄的发生能够促使医源性肺炎的危险提高10倍,同时能够使接受机械通气的患者出现意外拔管、二次气管插管、脱机困难等情况。
然而谵妄由于其早期症状不典型,起病隐匿,同时非专业精神科医生常常缺乏对该疾病的认识和了解,故容易被误诊或漏诊,通常无法给予及时的关注和治疗。
现有技术如公开号为CN109069081A的专利文件所公开的用于预测、筛查和监测脑病/谵妄的系统和方法,该系统和方法检测患者脑波中弥漫性减慢(脑病发作的标志)的存在。该系统和方法能够通过对在患者头部上的少量的离散位置所记录的脑波,进行谱密度分析来检测弥漫性减慢,从而,例如使用手持式装置,较轻易地实现床边评估。也就是说,该系统和方法能够通过放置在患者头部的两条或者多条导线记录脑波,执行算法以评估所记录的低频波与高频波的比率,并且将该比率与确定的阈值进行比较,从而识别脑病的发作。在进一步的实施例中,该系统和方法利用机器学习和诸如来自病历的附加数据来提高评估准确度。
根据由美国精神病学会制定的、通常作为谵妄诊断金标准的精神疾病诊断与统计手册现行版本——DSM-IV-TR诊断标准,可知谵妄的诊断需要符合:A伴随注意力,持续性或转移能力减退的意识障碍;B认知功能改变(包括记忆力推荐,定向力障碍,语言障碍),或存在不能以痴呆所解释的知觉障碍;C病情短期内发生(通常数小时到数天),病情在一天过程中多有起伏变化。
上述专利文件利用放置在患者上的十几个生理传感器或脑传感器,持续地对患者的至少包括脑信号的生理信息进行监测,输出所述患者的谵妄的存在、不存在或者后续罹患可能性的指示。但在实际操作中,一方面,脑电图主要是针对临床症状不典型、不易发觉的脑异常放电的早期监测,无法提供DSM-IV-TR诊断标准所需的患者信息,即谵妄的评估难以仅仅通过该脑电的持续监测来确定,易错失及时采取预防谵妄措施的时机;另一方面,原本排查术后谵妄的主要目的之一,是及时采取预防措施及避免高额的谵妄治疗费用,现采用高昂的脑电陪护持续监测的评估方案反而增大了患者治疗成本。
除了采用脑电图作为谵妄评估和鉴别的辅助检查手段,临床中常应用在DSM-IV-TR诊断标准的基础上所衍生出的谵妄量表,来评估ICU谵妄严重程度,为谵妄患者提供预后评估,并作为治疗的依据。目前主要应用的量表如下:意识模糊评定量表(confusionassessment method,CAM)、记忆谵妄评定量表(memorial delirium assessment scale,MDAS)、谵妄评定量表(delirium rating scale,DRS)、谵妄评定量表-98修订版(DRS-R-98)、谵妄认知功能测查量表(cognitive test for delirium,CTD)、谵妄意识模糊快速评估法(3-Minute Diagnostic Interview for CAM-Defined Delirium,3D-CAM)。上述专利文件中也提及了在脑电图无法评估出谵妄时,采用常用量表之一对患者继续进行评估的解决方案。然而其未考虑到,谵妄量表本身虽然将客观的认知测试评估结合到谵妄评估中,但其对护理人员的谵妄评估能力的要求较高,医护人员基于上述专利文件中所提出的解决方案,即基于护理人员自身对脑电图和量表的理解评估,难以实现可靠有效的谵妄评估。
发明内容
目前谵妄护理技术领域中存在有如:谵妄量表对护理人员的谵妄评估能力的要求较高,仅基于护理人员自身对量表的理解评估,难以实现可靠有效的谵妄风险预测的问题。对此,现有技术中提出了对医疗大数据中的相似病情信息进行聚类抓取并以基于抓取到的数据进行风险预测的解决方案,但由于此类解决方案都是针对与疾病本身相关的多个医疗数据进行聚类抓取,未考虑当前待评估对象自身的个体性差异对于谵妄风险的重要影响,即单一的医疗数据无法反映当前待评估对象的状态及反应情况;此外,该类解决方案所抓取到的医疗数据对象均是已经确定了疾病已经存在的患者,导致基于确诊后患者的医疗数据所确定的风险预测结果,可靠性极低,因此现有技术所提出的解决方案不适用于谵妄风险预测,尤其不适用于尚未出现谵妄的待评估对象的谵妄风险预测。
对此,在本发明所提供的利用医疗大数据中的相似病情信息进行风险预测的解决方案中,一方面利用谵妄量表本身客观的认知测试评估的特性,将通过评估过程所获得的与患者个体性差异紧密相关的评估数据,作为用于聚类抓取大数据的隐性因子,在充分满足患者个体性差异的基础上实现了对数据抓取的高匹配度,并且,另一方面考虑到多个医疗数据之间的相互叠加和抵消而导致风险预测结果的准确性低的问题,本发明所提出的解决方案是分别从整体变化趋势以及局部变化趋势两个不同层面分别对大数据进行分析处理的,进一步地提高了风险预测的准确性以及可靠性,尤其适用于尚未出现谵妄的待评估对象或谵妄潜在风险较低的谵妄风险预测。
针对现有技术之不足,本申请提出了一种基于谵妄动态预测模型的谵妄风险监测装置,所述谵妄风险监测装置至少包括:谵妄因子处理模块,其用于在待评估对象完成至少一次谵妄意识模糊快速评估后,调取出医疗信息管理系统中与该待评估对象相关的显性因子与隐性因子,并根据所述显性因子的属性和/或隐性因子的属性,生成谵妄风险监测模块所需的标签;谵妄风险监测模块,其用于以其与云平台进行信息交互的方式基于生成的所述标签获得所述云平台中与该待评估对象相匹配的多个病例信息组,其中,所述谵妄风险监测模块根据获得的多个病例信息组,利用谵妄动态预测模型进行计算,获得待评估对象的谵妄风险预测。
针对谵妄发生或谵妄恶化的风险预测,国内外学者的研究方面主要是以患者、自身疾病以及治疗与环境等因素(可视为显性因子)为指标构建风险体系进行谵妄风险预测,然而上述因素不仅数量庞大,且各因素间的关联度不清楚,也就是,虽然众多因素对谵妄的诱发具有可能潜在影响,但其中包含了与谵妄发生或谵妄诱发无关、弱相关或相互冗余的因素,这些因素不但对预测结果无明显贡献,而且会增大数据计算量,降低了预测效率。
对此,本申请所提出的谵妄风险监测方法利用谵妄量表本身客观的认知测试评估的特性,将通过评估过程所获得的与患者个体性差异紧密相关的评估数据,作为用于聚类抓取大数据的隐性因子,一方面隐性因子数量远低于显性因子数量,数据计算量少,有利于数据处理效率的提升,另一方面本申请所提出的谵妄风险监测方法是在已经基于隐性因子而筛选出部分病例信息组的基础上,再利用对谵妄的诱发具有可能潜在影响的显性因子,继续对病例信息组进行筛选才确地的用于风险监测的病例样本,使得谵妄风险监测在充分满足患者个体性差异的同时实现了对数据抓取的高匹配度以及高处理效率。
进一步优选地,所述谵妄风险监测模块根据所获得的多个历史信息组以及与各个历史信息组相对应的整体变化趋势和/或局部变化趋势,利用谵妄动态预测模型进行计算,获得待评估对象的谵妄风险预测。尤其是针对单个的患者而言,若采用现主流的大数据分析方法,大数据所采集到的通常是当前时间点下的因素、谵妄情况以及因素与谵妄情况之间的关联关系,然而谵妄作为一种时间序列病症,因为某一时间点的相关因素的变化(或可简单地理解为治疗措施的实施等),会对后续时间点的谵妄的诱发产生影响,该时间序列病症具有一定的滞后性又具有较大的随机性,且由于其他可控性差的因素(例如患者自身疾病所引起的突然疼痛等)的影响,存在短期内剧烈波动的可能。
对此,本申请所提出的谵妄风险监测方法是分别从隐性因子的整体变化趋势以及隐性因子的局部变化趋势两个不同层面分别对大数据进行分析处理的,尤其适用于作为时间序列病症的谵妄的滞后性特征,通过变化趋势可以确定出某一时间点的相关因素的变化对后续时间点的谵妄的诱发所产生的影响。同时,整体变化趋势下的大数据处理过程相对较为粗糙,针对受到可控性差因素而存在谵妄趋势恶化改善反复波动的样本而言,此类样本的整体变化趋势无法反映该样本的真实谵妄变化趋势。以此,本申请将整体变化趋势与局部变化趋势相结合,进一步地提高了风险预测的准确性以及可靠性,尤其适用于尚未出现谵妄的待评估对象或谵妄潜在风险较低的谵妄风险预测。
根据一种优选实施方式,所述谵妄风险监测模块在获取到所述标签后,先基于预先设定的相似度区间,将当前待评估对象的隐性因子的标签与云平台中多个病例信息的隐性因子的标签进行相似度比对,以此确定云平台中符合相似度区间的且用于形成病例信息组的多个病例信息。
根据一种优选实施方式,在多个病例信息组中的至少一个病例信息组的病例信息数量未达到样本数量阈值时,所述谵妄风险监测模块以区间范围选择性扩大的方式修正相似度区间,以此在最大化病例信息组与待评估对象之间的匹配程度的同时满足对待评估对象进行谵妄风险预测所需的样本数量。
根据一种优选实施方式,多个病例信息组的获得指的是在确定云平台中符合相似度区间的多个病例信息后,所述谵妄风险监测模块根据多个病例信息各自的标签以及待评估对象的标签,筛选出多个病例信息中满足其标签与待评估对象的标签相同的多个病例信息,并形成病例信息组。
根据一种优选实施方式,显性因子至少包括至少一个谵妄主要危险因素和至少一个谵妄次要危险因素,隐性因子至少包括待评估对象完成谵妄意识模糊快速评估的过程中所确定的谵妄评估数据,其至少包括谵妄潜在风险级别变化趋势、谵妄特征k中的一个或几个。
根据一种优选实施方式,所述谵妄风险监测装置包括谵妄评估模块,其被配置为:获取关于待评估对象和/或关于辅助人员的反馈信息,并获取待评估对象在进行谵妄意识模糊快速评估时进行的行为信息,和/或根据所述行为信息的属性和所述反馈信息的属性,分别生成谵妄评估模型所需的参数,和/或根据生成的参数,利用所述谵妄评估模型进行计算,获得待评估对象进行谵妄意识模糊快速评估所得的关于至少一个谵妄特征的评估值。
根据一种优选实施方式,所述谵妄风险监测装置还包括:影音处理模块,其用于对确诊已发生谵妄的或具有谵妄潜在风险的待评估对象在进行谵妄意识模糊快速评估时的行为进行视频采集的方式获取关于该待评估对象的行为信息和/或反馈信息,和/或外接输入设备,其由待评估对象操作且用于获取由所述待评估对象针对评估内容所输入的反馈信息,并对该待评估过程中待评估对象的自主操作情况进行检测以获取关于该待评估对象的行为信息和/或反馈信息。
本申请还提出了一种基于谵妄动态预测模型的谵妄风险监测系统,所述风险监测系统至少包括:存储器;与存储器相耦合的至少一个计算机处理器,第一计算机处理器,用于在第一用户完成至少一次评估后,调取出数据库中与该第一用户相关的显性因子与隐性因子,并根据所述显性因子的属性和/或隐性因子的属性,生成第二计算机处理器所需的标签;第二计算机处理器,用于基于生成的所述标签,以其与数据库进行信息交互的方式,获取与该第一用户相匹配的多个历史信息组,其中,所述第二计算机处理器根据所获得的多个历史信息组以及与各个历史信息组相对应的整体变化趋势和/或局部变化趋势,利用动态预测模型进行计算,获得第一用户的风险预测。
根据一种优选实施方式,所述第二计算机处理器还被配置为在获取到所述标签后,先基于预先设定的相似度区间,将当前第一用户的隐性因子的标签与数据库中多个历史信息的隐性因子的标签进行相似度比对,以此确定数据库中符合相似度区间的且用于形成历史信息组的多个历史信息。
根据一种优选实施方式,所述第二计算机处理器还被配置为在多个历史信息组中的至少一个历史信息组的历史信息数量未达到样本数量阈值时,以区间范围选择性扩大的方式修正相似度区间,以此在最大化历史信息组与第一用户之间的匹配程度的同时满足对第一用户进行风险预测所需的样本数量。
在本发明中所提及的处理模块,可以使用“被配置为”来描述执行一个或多个功能。一般来说,被配置为执行或被配置为用于执行一个功能的元件能够执行该功能,或者适合执行该功能,或者可操作地执行该功能,或者是以其他方式执行该功能。应当理解的是,“X,Y,Z中的至少一个”和“X,Y,Z中的一个或多个”可理解为只有X,只有Y,只有Z,或者X,Y,Z中的两个或多个的任意组合(例如,XYZ,XY,YZ,XZ,等等)。类似的逻辑也可应用于“至少一个……”和“一个或多个……”语句中出现的任何两个或多个对象。在本说明书中使用的,单数形式的“一”或“该”均包括复数的指代对象,除非该内容和上下文另外明确地指明。即例如,提及“装置”包括两个或更多个此类装置的组合。除非另外指明,“或”连接意图以其作为布尔逻辑算符的正确含义使用,包括择一性的特征选择(A或B)和合取性的特征选择(A或B)两者。所述智能电子设备包括但不限于计算机、手机、平板电脑等各类终端设备。
本发明所提出的装置包括至少一个处理模块、系统存储设备以及至少一个计算机可读存储介质。所述至少一个计算机可读存储介质上载有其上载有用于使处理器实现本发明的各个方面的计算机可执行指令。以如图2为例说明,多个处理器、接口通过诸如母板的通信总线(实线)互连(系统存储设备未示出)。接口至少包括通信接口和I/O接口。各模块借助于通信接口(如网络适配器)可操作地耦合至计算机网络。计算机网络可以是因特网、互联网和/或外联网,或与因特网通信的内联网和/或外联网。各模块通过计算机网络或通过直线(例如有线、无线)连接与智能电子设备通信。
至少一个处理模块如第一处理模块用于执行所述计算机可执行指令。如附图中的流程图和框图,其显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。处理模块是解释和执行指令的功能单元,也称为中央处理器或CPU,作为计算机系统的运算和控制核心,是信息处理、程序运行的最终执行单元。
上述计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于是电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。这里所描述的计算机可执行指令可以从计算机可读存储介质下载到各个计算/处理模块,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理模块中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可执行指令,以供存储在各个计算/处理模块中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言诸如Smalltalk、C++等,以及常规的过程式编程语言诸如C语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
附图说明
图1是本发明提供的优选的谵妄风险监测方法的流程图;和
图2是本发明提供的优选的谵妄风险监测系统的简化模块连接示意图。
附图标记列表
101:移动电子设备 102:谵妄因子处理模块
103:谵妄评估模块 1011:影音处理模块
1012:外接输入设备 104:评估处理模块
105:谵妄风险监测模块 106:云平台
107:医疗信息管理系统
具体实施方式
下面结合附图对本发明进行详细说明。
针对现有技术之不足,如谵妄量表对护理人员的谵妄评估能力的要求较高,仅基于护理人员自身对量表的理解评估,难以实现可靠有效的谵妄风险预测的问题。现有技术中提出了对医疗大数据中的相似病情信息进行聚类抓取并以基于抓取到的数据进行风险预测的解决方案。但由于此类解决方案都是针对与疾病本身相关的多个医疗数据进行聚类抓取,未考虑当前待评估对象自身的个体性差异对于谵妄风险的重要影响。即单一的医疗数据无法反映当前待评估对象的状态及反应情况。此外,该类解决方案所抓取到的医疗数据对象均是已经确定了疾病已经存在的患者,导致基于确诊后患者的医疗数据所确定的风险预测结果,可靠性极低。因此现有技术所提出的解决方案不适用于谵妄风险预测,尤其不适用于尚未出现谵妄的待评估对象的谵妄风险预测。
而本发明所提供的利用医疗大数据中的相似病情信息进行风险预测的解决方案中,一方面利用谵妄量表本身客观的认知测试评估的特性,将通过评估过程所获得的与患者个体性差异紧密相关的评估数据,作为用于聚类抓取大数据的隐性因子,在充分满足患者个体性差异的基础上实现了对数据抓取的高匹配度,并且,另一方面考虑到多个医疗数据之间的相互叠加和抵消而导致风险预测结果的准确性低的问题,本发明所提出的解决方案是分别从整体变化趋势以及局部变化趋势两个不同层面分别对大数据进行分析处理的,进一步地提高了风险预测的准确性以及可靠性,尤其适用于尚未出现谵妄的待评估对象或谵妄潜在风险较低的谵妄风险预测。
如图1所示,本发明提出了基于谵妄动态预测模型的谵妄风险监测方法。该谵妄风险监测方法尤其针对于尚未出现谵妄或谵妄潜在风险等级较低的待评估对象。如图1所示,该谵妄风险监测方法主要包括:
预处理步骤(未在图中示出):在获取到当前待评估对象的患者信息后,该系统通过与医疗信息管理系统107进行信息交互,调取出当前待评估对象的患者病史并传至预处理模块,由预处理模块对待评估对象的语言表达能力、身体活动能力、面部表达能力进行预判。
S1:由至少一个移动电子设备101,获取关于待评估对象和/或关于辅助人员的反馈信息,并获取待评估对象在进行谵妄意识模糊快速评估时进行的行为信息;
S2:由谵妄因子处理模块102,根据行为信息的属性和反馈信息的属性,分别生成谵妄评估模型所需的参数;
S3:由谵妄评估模块103,根据生成的参数,利用谵妄评估模型进行计算,获得待评估对象进行谵妄意识模糊快速评估所得的关于至少一个谵妄特征的评估值;
S4:在谵妄评估模块103获得待评估对象进行谵妄意识模糊快速评估所得的关于至少一个谵妄特征的评估值后,由评估处理模块104,将上述关于至少一个谵妄特征的若干个评估值进行组合,并对该组合是否满足预定评估条件进行判定。
S5:谵妄因子处理模块102调取出医疗信息管理系统107中与该待评估对象相关的显性因子与隐性因子,并根据显性因子的属性和/或隐性因子的属性,生成谵妄风险监测模块105所需的标签;
S6:基于生成的标签,谵妄风险监测模块105以其与云平台106进行信息交互的方式,获得云平台106中与该待评估对象相匹配的多个病例信息组;
S7:谵妄风险监测模块105根据获得的多个病例信息组,利用谵妄动态预测模型进行计算,获得待评估对象的谵妄风险预测。
如下分步骤地对先对S5~S7详细说明:
针对步骤S5:谵妄因子处理模块102调取出医疗信息管理系统107中与该待评估对象相关的显性因子与隐性因子,并根据显性因子的属性和/或隐性因子的属性,生成谵妄风险监测模块105所需的标签。
“显性因子”指的是谵妄主要危险因素和谵妄次要危险因素。谵妄主要危险因素至少包括APACHE-II评分、慢性疾病史、睡眠障碍、使用镇静剂或麻醉剂、感染、留置尿管、听力缺损。谵妄次要危险因素包括ABCDEF集束化措施针对的危险因素:疼痛、机械通气、使用镇静剂或止痛剂、活动受限、无家属陪伴。例如待评估对象的年龄D1、性别D2、体重指数D3、受教育程度D4、是否有酗酒或吸烟病史D5、既往基础疾病D6、此次入院的疾病种类D7、是否使用镇痛药物D8等信息Dm。
显性因子指的无需通过评估即可确定的信息,如上述待评估对象的个人信息或病史信息或用药信息。“显性因子的属性”指的是区别于待评估对象的实际情况,可能具有或可能不具有该显性因子,或是该显性因子落入某一划定区间。基于该属性,即可确定相对应的标签Dmn。由于其属性所对应的值均为非数值型,以此需要步骤S5中的谵妄因子处理模块102根据显性因子的属性,生成谵妄风险监测模块105所需的标签。以“年龄D1”以及“是否有酗酒或吸烟病史D5”为例说明,对于年龄划分有四个年龄划定区间,{10~30、31~50、51~70、71~100},四个年龄划定区间分别对应一个数字标识1~4,若待评估对象的年龄为52岁即落入{51~70}这一划定区间时,则该待评估对象的标签至少包括D13。对于是否有酗酒或吸烟病史,具有或不具有分别对应一个数字标识1和0,若待评估对象具有酗酒或吸烟病史之一,则该待评估对象的标签至少包括D51。
“隐性因子”指的是待评估对象的谵妄评估数据。隐性因子的指的是通过评估所确定的信息。谵妄评估数据可以包括谵妄潜在风险级别变化趋势δQ。谵妄评估数据还可以包括组合Σ、k1、k2、k3、k4等信息。其中,“谵妄潜在风险级别变化趋势δQ”可以指的是根据待评估对象每次评估所得到的谵妄潜在风险级别随时间变化的信息。由于其属性所对应的值均为数值型,以此其隐性因子的属性即为生成谵妄风险监测模块105所需的标签。例如,待评估对象的四次评估所得到谵妄潜在风险级别Q依次地分别是0、1、2、1,即待评估对象的标签至少包括ΩQ{0、1、2、1}。
针对步骤S6:基于生成的标签,谵妄风险监测模块105以其与云平台106进行信息交互的方式,获得云平台106中与该待评估对象相匹配的多个病例信息组。
“云平台106”可以是存储有大量病例信息的第三方服务数据库。每个病例信息均包含显性因子的标签Hmn和隐性因子的标签Φ。优选地,谵妄风险监测模块105以其与云平台106进行信息交互的方式,在满足预设的相似度筛选条件的基础上,获得云平台106中与该待评估对象相匹配的多个病例信息组。其中,“预设的相似度筛选条件”是用于筛选云平台106的大量病例信息中与预设相似度相匹配的部分病例信息。更具体地,步骤S6中还包括以下步骤中的一个或几个:
S61:基于相似度区间90%~100%,将当前待评估对象的隐性因子的标签Ω与云平台106中多个病例信息的隐性因子的标签Φ进行相似度比对,以此确定云平台106中符合相似度区间的X个病例信息;
进行相似度比对的隐性因子的标签Ω,其可以是根据待评估对象每次评估所得到的Σ、k1、k2、k3、k4、谵妄潜在风险级别Q中的一个或几个与时间相关的变化趋势信息。由于谵妄特征k1、k2、k3、k4的“评估值”仅包括阴性和阳性两个结果,阴性结果可以用“-”表示,阳性结果可以用“+”表示,以此其隐性因子的评估值即为生成谵妄风险监测模块105所需的标签。例如,待评估对象的四次评估所得到谵妄特征k1依次地分别是-、+、-、-,即待评估对象的标签至少包括Ωk1{-、+、-、-}。在评估的初期,由于待评估对象可能仅进行了一两次的谵妄意识模糊快速评估,即标签Ω将比对得到数量庞大的多个病例信息。因此,“将当前待评估对象的隐性因子的标签Ω与云平台106中多个病例信息的隐性因子的标签Φ进行相似度比对”是在满足前提条件的基础上进行的。前提条件指的是当前待评估对象至少进行了λ次的评估λ∈{1,2,3,4,5},即为标签Ω中至少包括λ个数值。针对评估初期,当前待评估对象至少进行的评估次数不足λ次的情况下,待评估对象的可参考数据不足。优选地,基于相似度区间90%~100%,将当前待评估对象的显性因子的标签Dmn与云平台106中多个病例信息的显性因子的标签Hmn进行相似度比对,以此确定云平台106中符合相似度区间的X个病例信息。
S62:根据X个病例信息各自的标签Hmn以及待评估对象的标签Dmn,筛选出X个病例信息中满足Hmn与Dmn相同的多个病例信息,并形成病例信息组;
S63:基于预设的样本数量阈值,判断多个病例信息组各自的病例信息数量是否满足样本数量阈值;
S64:在多个病例信息组各自的病例信息数量都分别满足样本数量阈值时,由谵妄风险监测模块105调取出该多个病例信息组;
S65:在多个病例信息组中至少一个病例信息组的病例信息数量未达到样本数量阈值时,以扩大区间范围的方式修正相似度区间,以修正后的相似度区间代入步骤S61中,重复执行S61~S63,直至满足步骤S64,由谵妄风险监测模块105调取出该多个病例信息组。
其中,Dmn即指的是待评估对象的某一显性因子的标签。例如D51指的是待评估对象具有酗酒或吸烟病史之一。对于确定的m值,其对应的n值是唯一的。因此基于多个Dmn值,可以分为多个病例信息组。单个病例信息组对应一个标签Dmn,多个病例信息组各自对应的标签Dmn互不相同。“多个病例信息组”也就是分别按照不同标签Dmn所分类的多个组合。单个病例信息组中的所有病例信息均具有标签与Dmn相同的标签Hmn。
其中,“相似度比对”的方式主要是指两方面的比对,整体变化趋势以及局部变化趋势。整体变化趋势即为评估后最终确定的谵妄潜在风险等级Q的变化趋势,局部变化趋势指的是评估过程中所确定的谵妄特征k1、k2、k3、k4的评估值的变化趋势。在满足整体变化趋势符合相似度区间的情况下,再对局部变化趋势进行比对,比对两者的局部变化趋势是否也符合相似度区间。“以扩大区间范围的方式修正相似度区间”指的是选择性修正方式。具体地,在多个病例信息组中至少一个病例信息组的病例信息数量未达到样本数量阈值时,保持整体变化趋势的相似度区间要求不变,降低对局部变化趋势的相似度区间要求。以此最大程度上获得相似度较高的多个病例信息作为谵妄风险监测模块105的风险预测样本。
现有技术中通常是采用指定筛选范围的方式来筛选出数据库中符合指定筛选范围的数据组,再将数据组内各样本与待测样之间逐一比对,获得各样本与待测样之间的相近度,增大了不必要的数据处理量,并且部分现有技术是当筛选得到足量样本数量后不再继续进行筛选,在该设置下将导致筛选得到的数据组的置信区间较低,而另一部分现有技术是对数据库中所有样本均进行筛选后再择选出所需数量的样本,在该设置下CPU负荷率急剧增大,数据处理效率降低。对此,本申请所提出的谵妄风险监测系统,采用了层递式筛选结构来获取所需数量的病例信息组,以满足最大相似度的指定筛选范围的方式来筛选出数据库中的相似度最高的病例信息组,初次筛选后对组内样本数量进行统计,在为未达到所需数量时,以降低指定筛选范围的方式继续筛选数据库。在本申请中采用层递式筛选结构的谵妄风险监测方法下,将筛选过程与相似度比对过程同步完成,减少了不必要的数据处理量,并且在无需完全筛选所有数据的前提下就可完成较高置信区间的样本获取任务。
上述筛选过程先是将符合当前待评估对象的谵妄评估数据的病例信息筛选出来,再对初步筛选出来的数量进行统计,未达到要求的最低样本数量阈值时,适当地扩大筛选范围,进行二次筛选,以此一方面确定获取到的样本数量足够支持谵妄风险预测,另一方面保证了获取到的数据的有效性,提高谵妄风险预测的准确率。
针对步骤S7:谵妄风险监测模块105根据获得的多个病例信息组,利用谵妄动态预测模型进行计算,获得待评估对象的谵妄风险预测。
为便于理解,以下先对多个病例信息的标签Φ进行说明:由于被筛选出来的多个病例信息的标签Φ均与标签Ω之间满足相似度筛选条件,即为标签Φ中的部分谵妄潜在风险级别变化趋势与标签Ω的谵妄潜在风险级别变化趋势满足相似度筛选条件。针对标签Φ中的位于该部分变化趋势之后的谵妄潜在风险级别变化趋势,则视为趋势值。即,被筛选出来的多个病例信息,分别对应有一个趋势值,趋势值用于为对待评估对象的谵妄风险预测模型提供计算数据。“之后的谵妄潜在风险级别变化趋势”指的是,在预设时长范围内的部分谵妄潜在风险级别变化趋势。预设时长范围可以是一个月或两个月。
例如,标签Φ中的一个月内的谵妄潜在风险级别变化趋势为1、0、1,其平均变化趋势持平且无较高的风险级别,则其趋势值为0,指示着谵妄风险较小且状态较稳定的情况。此外,若平均变化趋势增大或出现较高的风险等级之间至少存在其一,则其趋势值为1,指示着出现谵妄风险增大的情况。若平均变化趋势降低且无较高的风险级别,则其趋势值为-1,指示着出现谵妄风险降低且状态较稳定的情况。
同样地,由于被筛选出来的多个病例信息的标签Φ均与标签Ω之间满足相似度筛选条件,即为标签Φ中的谵妄特征k1、k2、k3、k4的评估值变化趋势与标签Ω的谵妄特征的部分评估值变化趋势满足相似度筛选条件。针对标签Φ中的位于该部分变化趋势之后的谵妄特征的评估值变化趋势,则视为趋势值。根据不同的谵妄评估数据可以确定若干个不同标签的趋势值。
针对步骤S7中的“谵妄动态预测模型”,该谵妄动态预测模型中预存储有若干个计算式。例如其包含有谵妄风险预测计算式。由此,更具体地,步骤S7至少包括以下步骤中的一个或几个:
S71:获取多个病例信息组,并基于各个病例信息组的病例信息数量,确定各个病例信息组的占比;
S72:基于各个病例信息的与标签Ω之间满足相似度筛选条件的标签Φ,确定各个病例信息的趋势值;
S73:对各个病例信息组的趋势值分别进行统计,生成各个病例信息组的趋势值;
S74:基于各个病例信息组的占比及趋势值,确定并输出针对当前待评估对象在预设时长范围内的谵妄风险预测。
“趋势值”至少包括整体变化趋势对应的趋势值以及局部变化趋势对应的趋势值。优先基于整体变化趋势对应的趋势值进行计算,即基于谵妄潜在风险等级Q的变化趋势进行计算。由于计算过程中存在占比大小的比较,可能会出现占比之间的差距较小的情况,该情况下不能反映样本的真实变化趋势,将导致计算结果极大地偏向谵妄风险预测为恶化或是良化两个极端。因此,针对步骤S74,更为优选地:若计算得到为1的趋势值、为0的趋势值、为-1的趋势值各自对应的占比之间的差值较小,无法确定针对当前待评估对象在预设时长范围内的谵妄风险预测,再基于局部变化趋势对应的趋势值进行计算,即为谵妄特征k1、k2、k3、k4的评估值变化趋势,以此能够确定至少一个谵妄潜在风险等级Q,基于该谵妄潜在风险等级Q确定并输出针对当前待评估对象在近期内的谵妄风险预测。由于局部变化趋势/谵妄特征的评估值变化趋势仅包括阴性和阳性两个结果,并且针对谵妄特征的评估值组合Σ能够获得与之对应的至少一个谵妄潜在风险等级Q,将其与待评估对象的当前谵妄潜在风险等级进行比较,即可确定待评估对象的在预设时长范围内的谵妄风险预测——谵妄潜在风险等级上升、持平或是下降。
针对“各个病例信息组的占比”进一步说明:首先,在进行风险预测前,通过预先设定的方式,对各个显性因子之间的比重进行设置。如前文,显性因子区别于主要危险因素与次要危险因素,相应地,不同显性因子的对谵妄风险的影响比重不同。辅助人员可以根据实际情况修改已经预先设定好的多个显性因子之间的比重。由于单个病例信息组对应唯一的标签Dmn,单个病例信息组也只对应唯一的比重值。通过对单个病例信息组中的病例信息数量的统计,可以得到多个病例信息组各自对应的占比,并基于单个病例信息组所对应的比重值对该占比进一步优化,优化结果即为各个病例信息组的占比。例如可以通过将两者相乘,乘积结果即为各个病例信息组的占比。
如下分步骤地对S1~S4详细说明:
针对步骤S1:由至少一个移动电子设备101,获取关于待评估对象和/或关于辅助人员的反馈信息,并获取待评估对象在进行谵妄意识模糊快速评估时进行的行为信息。
上述步骤S1中的“关于待评估对象和/或关于辅助人员的反馈信息”,指的是待评估对象或辅助人员对谵妄意识模糊快速评估量表的若干个条目作出的选择,该反馈信息可以包括有、没有、不正确、正确四个信息。
针对步骤S1中的“关于辅助人员的反馈信息”,该反馈信息是辅助人员对相关条目的回答,该回答采集方式可以是通过辅助人员向移动电子设备101输入的回答所确定的。例如,就量表条目之一的“在评估过程中,患者有无嗜睡,昏睡或昏迷?”,辅助人员基于自身对待评估对象的情况的判断,向移动电子设备101输入有或没有的反馈信息。
针对步骤S1中的“关于待评估对象的反馈信息”,该反馈信息是待评估对象对相关条目的回答,该回答采集方式可以是通过辅助人员向移动电子设备101输入的回答所确定的。优选地,“关于待评估对象的反馈信息”也可以是由待评估对象自行输入的回答。例如,辅助人员向待评估对象询问量表条目之一的“最近这一天你有没有感到迷糊?”,待评估对象可以握持的可操作遥控器,自行向移动电子设备101输入有或没有。上述优选实施方式主要是针对如机械通气、中心静脉插管等不能说话的患者而提出的,在该情况下无法通过患者话语描述来实现谵妄评估,本发明所提供的智能评估系统向待评估对象提供可操作遥控器,通过滑移或按压可操作遥控器上的按键,对显示屏上的条目进行回答。
此处进一步优选地,针对步骤S1中的“关于待评估对象的反馈信息”,该反馈信息是待评估对象对相关条目的回答,该回答采集方式可以是通过移动电子设备101所确定的。例如,辅助人员向待评估对象询问量表条目之一的“请问今年是哪一年?”,待评估对象可能回答正确或回答错误,由移动电子设备101基于其影音处理模块1011所采集到的视频对待评估对象的回答进行分析处理,以确定该条目下的回答。利用上述视频采集方式的辅助评估,本发明能够通过对视频分析处理的方式获取到准确无误的回答,将其与辅助人员向移动电子设备101输入的回答相互验证,消除因辅助人员失误导致其输入的回答有误的问题。
针对步骤S2:由谵妄因子处理模块102,根据行为信息的属性和反馈信息的属性,分别生成谵妄评估模型所需的参数。
步骤S2中的“反馈信息的属性”,如上的反馈信息可以包括有、没有、不正确、正确四个信息,反馈信息的属性所对应的值均为非数值型,以此需要谵妄因子处理模块102根据反馈信息的属性,生成谵妄评估模型所需的参数。针对“谵妄评估模型所需的参数”,指的是患者给出的回答、辅助人员给出的回答、评估过程中的患者行为、患者病史四个参数中的至少一个或几个的组合。例如,针对关于待评估对象和/或关于辅助人员的反馈信息的属性所对应的参数,可以将“有或不正确”设为1,将“没有或正确”设为0。在此举例说明:在患者针对条目08给出为“有”的反馈信息时,则患者给出的回答这一参数所对应的参数值则至少包括A081。A指示的是患者给出的回答这一参数,08指示的是针对条目08,1指示的是为“有”的反馈信息。又例如在辅助人员针对条目13给出为“没有”的反馈信息时,则辅助人员给出的回答这一参数所对应的参数值至少包括B130。B指示的是辅助人员给出的回答这一参数,13指示的是针对条目13,0指示的是为“没有”的反馈信息。所需的参数是基于谵妄评估模型所确定的。为实现谵妄评估的谵妄评估模型需要哪些参数,则根据上述反馈信息的属性和行为信息的属性生成相应的参数,并确定相应的参数值。
针对“待评估对象在进行谵妄意识模糊快速评估时进行的行为信息”,指的是基于移动电子设备101的第三方角度,对待评估对象在评估过程中的外在表现进行采集及分析。例如,辅助人员向待评估对象询问量表条目之一的“请问今年是哪一年?”,可能待评估对象是在辅助人员重复了至少两次条目的情况下才回答了正确年份,该情况下,患者显露出跟不上正在谈论的话题或是因环境刺激出现不适当的走神。由移动电子设备101,基于其所采集到的视频对待评估对象的回答过程进行分析处理,以确定该条目下的关于待评估对象的行为信息。利用上述视频采集方式的辅助评估,不同于辅助人员的感官角度,视频采集方式是从客观事实角度出发,其对进行评估的患者实际反应进行分析处理,避免单一地依赖于主观性强且理解偏差较大的辅助人员,而保证了本发明所提出的智能评估系统的评估准确性和可靠性。
进一步优选地,“行为信息”可以包括反应时长a、眨眼情况b、反馈信息的相关性c、语速d等若干个信息、以及与患者回答相关的第三方判定C。针对量表中需要辅助人员完成的相关条目,是在待评估对象完成与之相对应的条目后进行的,辅助人员主要是依赖于记忆以及感官进行回答,而本发明所提供的智能评估系统是借助于移动电子设备101的视频处理技术,提供了能够与辅助人员的回答相互验证的第三方判定C。例如,在患者针对条目08“请问这里是什么地方”给出正确的回答时,而移动电子设备101分析确定了该待评估对象回答了正确年份,则评估过程中的患者行为这一参数所对应的参数值则至少包括C081。
进一步优选地,针对量表中需要辅助人员完成的相关条目,通过预先设定,将由辅助人员回答的条目12~20中的各条目分别与至少一个行为信息相对应。例如,条目B11“在评估过程中,患者有无嗜睡、昏睡或昏迷”,通过预先设定,该条目11与行为信息中的眨眼情况b相关联。又例如,通过预先设定,条目B18与行为信息中的眨眼情况a、b相关联。更为优选地,针对量表中需要辅助人员完成的相关条目,通过预先设定,将由待评估对象回答的条目1~10中的各条目分别与行为信息中的第三方判定C相对应。例如,通过预先设定,条目1与行为信息中的针对条目1的第三方判定C1相关联。
在此以“反应时长a的行为信息”举例说明:辅助人员是按照预先设定的条目顺序逐一对待评估对象进行询问的,询问完成后,基于步骤1中的移动电子设备101,确定按照预先设定的条目顺序的各条目所对应的反应时长。移动电子设备101基于其对由待评估对象回答的条目1~10中的各条目所对应的反应时长的变化趋势的分析,获得反应时长a的行为信息的属性——a出现波动或a未出现波动。
优选地,对待评估对象进行询问的“预先设定的条目顺序”,指的是条目4、条目5、条目6、条目7、条目8、条目9、条目10、条目1、条目2、条目3的顺序。优选地,需要辅助人员进行回答的“预先设定的条目顺序”,指的是条目16、条目17、条目18、条目19、条目20、条目13、条目14、条目15、条目11、条目12、条目21、条目22的顺序。其中,对待评估对象进行询问的“预先设定的条目顺序”优先于需要辅助人员进行回答的“预先设定的条目顺序”进行。
由于行为信息的属性所对应的值均为非数值型,以此需要步骤S2中的谵妄因子处理模块102根据反馈信息的属性,生成谵妄评估模型所需的参数。同上,针对步骤S2中的“谵妄评估模型所需的参数”,指的是患者给出的回答、辅助人员给出的回答、评估过程中的患者行为、患者病史四个参数中的至少一个或几个的组合。针对行为信息的属性所对应的参数,可以将“出现波动”设为1,将“没有出现波动”设为0。例如,在移动电子设备101基于其对预先设定的条目顺序的各条目所对应的反应时长的变化趋势的分析,获得反应时长a的行为信息的属性——a出现波动时,则评估过程中的患者行为这一参数所对应的参数值至少包括a1。相应地,针对眨眼情况b、反馈信息的相关性c、语速d等若干个信息,评估过程中的患者行为这一参数所对应的参数值至少包括b1、b0、c1、c0、d1、d0中的一个或几个。
针对步骤S3:由谵妄评估模块103,根据生成的参数,利用谵妄评估模型进行计算,获得待评估对象进行谵妄意识模糊快速评估所得的关于至少一个谵妄特征的评估值。
步骤S3更具体地:获取上述若干参数的参数值;利用谵妄评估模型,将上述若干参数的参数值进行匹配更新;根据匹配更新后获得的若干参数值,利用谵妄评估模型进行计算;获得待评估对象进行谵妄意识模糊快速评估所得的关于至少一个谵妄特征的评估值。
“谵妄特征”包括谵妄特征k,k∈{1,2,3,4},即谵妄特征1、谵妄特征2、谵妄特征3、谵妄特征4。谵妄特征的“评估值”包括阴性和阳性两个结果。阴性结果可以用“-”表示,阳性结果可以用“+”表示。具体地,基于谵妄意识模糊快速评估法可知,谵妄特征1指的是急性起病或波动性改变,谵妄特征2指的是注意力不集中,谵妄特征3指的是思维混乱,谵妄特征4指的是意识水平改变。谵妄意识模糊快速评估法判定谵妄必须满足谵妄特征1和谵妄特征2,并且至少满足谵妄特征3或是谵妄特征4中的一条或两条。
其中,谵妄特征1的评估值是基于条目8~10以及条目18~20来判定的,通过预先设定,谵妄特征1与Aiji∈{08,09,10}以及Biji∈{18,19,20}相对应。
其中,谵妄特征2是基于条目4~7以及条目16~17来判定的,通过预先设定,谵妄特征2与Aiji∈{04,05,06,07}以及Biji∈{16,17}相对应。
其中,谵妄特征3是基于条目1-3以及条目13~15来判定的,通过预先设定,谵妄特征3与Aiji∈{01,02,03}以及Biji∈{13,14,15}相对应。
其中,谵妄特征4是基于条目11~12来判定的,通过预先设定,谵妄特征4与Biji∈{11,12}相对应。
针对谵妄特征1,进一步优选地,在条目1~20分别对应的Aij和/或Bij均被调取出数据库106进行计算后,在当前的谵妄特征1为阴性、谵妄特征2为阳性,谵妄特征3为阳性和/或谵妄特征4为阳性的情况下,基于Biji∈{21,22}再次判定谵妄特征1,并根据该判定结果更新谵妄特征1的评估值。
针对步骤S3中的“谵妄评估模型”,该谵妄评估模型中预存储有若干个计算式。例如其包含有基于谵妄意识模糊快速评估法的谵妄评估计算式。
由此,针对步骤S3中的“谵妄评估模型”更具体地,步骤S3至少包括以下步骤中的一个或几个:
S31:获取由谵妄因子处理模块102所确定的若干个参数及其对应的参数值,至少包括Aij、Bij、ζj、Cij;
Aij指的是患者给出的回答这一参数,i指示的是针对条目i,j指示的是为“有、不正确、没有或正确”的反馈信息;
Bij指的是辅助人员给出的回答这一参数,i指的是针对条目i,j指示的是为“有、不正确、没有或正确”的反馈信息;
ζj指的是评估过程中的患者行为这一参数,ζ指的是至少一个行为信息,j指示的是为“出现波动或未出现波动”的反馈信息;
Cij指的是评估过程中的患者行为这一参数,C指的是至少一个行为信息中所包含的第三方判定,i指的是针对条目i,j指示的是为“有、不正确、没有或正确”的反馈信息;
i∈{01,02....09,10....21,22},j∈{1,0},ζ∈{a,b,c,d....};
S32:基于至少一个Aij与至少一个Cij之间的关联关系,将Aij与Cij之间进行匹配,在Aij和与之对应的Cij之间匹配成功时则输出Aij,在Aij和与之对应的Cij之间匹配失败时,则以Cij中的j值更新Aij中的j值,再输出更新后的Aij;
S33:基于至少一个Bij与至少一个ζj之间的关联关系,将Bij与至少一个ζj之间进行匹配,在Bij和与之对应的至少一个ζj中任意一个之间匹配成功时则输出Bij,在Bij和与之对应的所有ζj之间均匹配失败时,则以ζj中的j值更新Bij中的j值,再输出更新后的Bij;
谵妄评估模块103中预先存储有至少一个Aij与至少一个Cij之间的关联关系、以及至少一个Bij与至少一个ζj之间的关联关系;
至少一个Aij与至少一个Cij之间的关联关系是通过非数字的首位与为数字的末位之间的数值可视为i值相对应的方式确定的,至少一个Bij与至少一个ζj之间的关联关系是通过预先设定的方式确定的;
Bij与至少一个ζj之间进行匹配的方式指的是,将Bij中的j值与至少一个ζj中的j值进行比对,两者数值相同时则匹配成功,相反则匹配失败;
Aij与Cij之间进行匹配的方式指的是,将Aij中的j值与至少一个Cij中的j值进行比对,两者数值相同时则匹配成功,相反则匹配失败;
S34:基于预先设定的谵妄特征k,k∈{1,2,3,4},逐一调取关于至少一个谵妄特征k的条目ii∈{01,02....19,20}所对应的Aij和Bij,并根据预先设定的谵妄特征k的评估值判定条件确定该谵妄特征k的评估值为阴性或阳性;
“预先设定的谵妄特征k的评估值判定条件”指的是,调取与谵妄特征k相对应的所有Aij和/或Bij,若任一Aij或任一Bij的参数值即j值为1,则该谵妄特征k的评估值为阳性,若所有Aij和/或Bij的参数值即j值为0,则该谵妄特征k的评估值为阴性;
如上,关于待评估对象和/或关于辅助人员的反馈信息的属性所对应的参数,设定其为“有或不正确”的参数值设为1,设定其为“没有或正确”的参数值设为0;
S35:基于当前确定的谵妄特征k,k∈{1,2,3,4}的评估值,判定其是否符合预先设定的选择性评估条件,在判定其不符合预先设定的选择性评估条件时,则输出上述确定的谵妄特征k,k∈{1,2,3,4}的评估值;反之,则提示辅助人员需要进行选择性评估,并基于选择性评估的评估结果,更新当前确定的谵妄特征k,k∈{1,2,3,4}的评估值,以更新后的评估值输出。
“选择性评估条件”指的是,在条目1~20分别对应的Aij和/或Bij均被调取出数据库106进行计算后,在当前确定的谵妄特征1为阴性、谵妄特征2为阳性,谵妄特征3为阳性和/或谵妄特征4为阳性的情况下,提示辅助人员需要进行选择性评估包括条目21~22。
“选择性评估”的过程指的是,基于与谵妄特征1相对应的Biji∈{21,22}再次判定谵妄特征1,并根据该判定结果更新谵妄特征1的评估值。
通过上述预先设定操作,可以将由移动电子设备101即第三方的分析数据,与由待评估对象或辅助人员输入的回答相对应,因此能够以第三方的分析数据作为辅证,对手动输入的回答进行再次验证,尤其是针对由辅助人员输入的难以避免其强主观性及感官偏差的回答,以此不仅实现了对待评估对象进行谵妄特征的评估,并且该评估结果是根据待评估对象在评估过程所实际展示的反应及状态所生成的,能够对辅助人员输入的出现强主观性及感官偏差的回答进行有效修正及提示,有利于谵妄特征评估准确度及可靠度的提高。
为明确本智能评估系统中“移动电子设备101”的设置方式,在此对智能评估系统中所使用的设备进行说明:智能评估系统至少包括手持智能移动终端、显示器、输入设备,手持智能移动终端由辅助人员进行操作,显示器可架设于病床上以供待评估对象观看,输入设备由待评估对象进行操作。手持智能移动终端可以是智能手机、智能手表、智能手环、平板电脑、笔记本等设备,显示器即为与手持智能移动终端相接的外接设备,辅助人员在手持智能移动终端上操作,可以控制显示器上的显示界面。输入设备可以是类似于投影仪控制器或鼠标的外接输入设备,其与显示器相接,待评估人员可以通过手持该输入设备,向显示器录入信息。输入设备上只设置有两个物理控制按键,一个物理控制按键为鼠标滚轮,其主要是针对竖向布列的若干选项,拨动鼠标滚轮即可向上或向下进行浏览,例如针对部分条目中需要待评估对象输入数字时,显示器上竖向布列有1~9的数字,待评估对象拨动鼠标滚轮即可选中不同数字;另一个物理控制按键为触发按键,待评估对象只需按压该触发按键即可将目前鼠标滚轮所选中的选项输入显示器中。输入设备的结构及操作均简单易懂,有利于待评估对象的使用,尤其是针对如机械通气、中心静脉插管等不能说话的患者而言,能够通过手控输入设备,间接地输出对辅助人员的问题的回答。
结合上述内容,“移动电子设备101”主要区别于接触式与非接触式获取两种方式类获取待评估对象的外在表现。其中,通过非接触式获取方式的包括影音处理模块1011,影音处理模块1011为设置在上述显示器上的摄像头。通过接触式获取方式的包括外接输入设备1012。外接输入设备1012即指的是智能评估系统中的输入设备。
如下对上述步骤S1~S3提出另一种优选实施方式,本实施方式可以是对以上实施方式的进一步改进和/或补充,重复的内容不再赘述。在不造成冲突或者矛盾的情况下,其他实施方式的整体和/或部分内容可以作为本实施方式的补充:
S1:预处理步骤。预处理模块基于当前待评估对象的患者病史,生成与待评估对象的至少三个生理状态分别相关联的第一预判数据、第二预判数据和第三预判数据,预处理模块通过对上述若干预判数据进行综合条件处理后确定至少一个反馈获取模式。
其中,第一预判数据与待评估对象的语言表达能力相关。第一预判数据可以是基于患者病史信息所得到的,例如针对佩戴有呼吸面罩、或是被诊断为术后语言神经受压迫此类的无法说话的情况,或是针对可以自主说话的患者而言,其说话流利程度、吐字清晰程度、语言逻辑程度等。第二预判数据与待评估对象的身体活动能力相关。第二预判数据可以是基于设置在患者手部上的行为传感器所得到的,行为传感器能够监测待评估对象的手部活动并生成待评估对象手部的可自主控制程度和控制迟钝度等。第三预判数据与待评估对象的面部表达能力相关。第三预判数据可以是基于患者病史信息所得到的,例如针对已上呼吸机的或是口部插管的情况。这里的综合条件处理指的是,基于以上三个预判数据,对待评估对象的状态进行综合分析,筛选出能够对待评估对象的反馈进行有效采集的反馈获取模式。反馈获取模式例如可以是仅通过遥控器的操控以及视频采集分析等。
S2:在预判后所确定的反馈获取模式下,在辅助人员对待评估对象进行谵妄意识模糊快速评估时,由至少一个获取模块,获取关于待评估对象的语音、视频影像、手部行为、在评估界面上的点选项中的一个或几个的反馈数据,并由获取模块中的反应时长分析单元、眼部运动分析单元、反馈信息的相关性分析单元、语速分析单元、手部行为分析单元中的一个或几个,分别根据评估条目和预判数据对反馈数据进行处理并得到各自对应的至少一个初级分析信息,由获取模块中的一数据处理模块对多个初级分析信息进行二次处理以得出评估过程中对患者行为的第三方判定信息。
针对量表中需要辅助人员完成的相关评估条目,通过预先设定,将由辅助人员回答的条目12~20中的各条目分别与至少一个分析单元相对应。单个的获取模块中至少包括反应时长分析单元、眼部运动分析单元、反馈信息的相关性分析单元、语速分析单元、手部行为分析单元中的一个或几个。例如条目B11“在评估过程中,患者有无嗜睡、昏睡或昏迷”,通过预先设定,该条目B11与上述反应时长分析单元相关联。针对若干分析单元而言,单个的分析单元至少与第一预判数据和第二预判数据中的一个或几个预判数据相对应,基于第一预判数据和第二预判数据中的一个或几个预判数据,可以排除掉反馈情况中受待评估对象自身习惯所影响的部分扰乱信息。
优选地,反应时长分析单元、眼部运动分析单元、反馈信息的相关性分析单元、语速分析单元等分别地与反应时长a、眨眼情况b、反馈信息的相关性c、语速d等若干个信息相对应。
优选地,反应时长分析单元用于根据评估条目和预判数据对反馈数据进行处理并得到反应时长a。辅助人员是按照预先设定的条目顺序逐一对待评估对象进行询问的,基于自辅助人员的询问结束至待评估对象开始反馈回答之间的时长的预先设定条件,反应时长分析单元可以确定出按照预先设定的条目顺序的各条目所对应的反应时长。反应时长分析单元基于其对由待评估对象回答的条目1~10中的各条目所对应的反应时长的变化趋势的分析,获得反应时长a的行为信息的属性——a出现波动或a未出现波动。
优选地,反馈信息的相关性c用于根据评估条目和预判数据对反馈数据进行处理并得到反馈信息的相关性c。反馈信息的相关性c是指获取到的反馈信息的属性与条目答案的属性之前存在偏差。此处所指的属性偏差不是指反馈信息中不包含正确答案,而是指两者之间无相关性。例如针对条目7“你能从12月开始倒数月份吗?”,条目答案的属性是有逻辑性的连续数字,而患者可能回答的是自己的生日年月或是困惑地重复辅助人员提出的问题,反馈信息的属性是个人信息或是理解障碍,均不属于有逻辑性的连续数字。在上述情况下,存在属性偏差,判定反馈信息的相关性c出现波动,即指示着待评估对象在评估过程中有思维不清晰、回答不切题、无法跟上正在谈论的话题的表现。
优选地,眼部运动分析单元用于根据评估条目和预判数据对反馈数据进行处理并得到眨眼情况b。通过对评估过程中患者的眨眼频率进行监测计算的方式,可以获得眨眼情况b是否出现波动,如判定眨眼情况b出现波动,即指示着待评估对象在评估过程中有反应快慢的变化、入睡倾向、警觉性低的表现。
优选地,语速分析单元用于根据评估条目和预判数据对反馈数据进行处理并得到语速d。此处的语速d指的是手部操作频率,例如针对条目7“你能从12月开始倒数月份吗?”,显示器上竖向布列有1~20的数字以及若干与题干无关的回答内容条目,待评估对象拨动鼠标滚轮即可选中不同数字或条目,按压该触发按键即可将目前鼠标滚轮所选中的选项输入显示器中。在该过程中,记录患者的拨动鼠标滚轮及按压触发按键的频率,如判定语速d出现波动,即指示着待评估对象在评估过程中有语速快慢的变化、反应快慢的变化、跟不上正在谈论的话题的表现。
优选地,由数据处理模块进行二次处理所得到的评估过程中对患者行为的第三方判定信息包括至少一个由初级分析信息所确定的参数值。通过预先设定,数据处理模块将初级分析信息出现波动设为数值型的1,将其没有出现波动设为0。例如,在反应时长分析单元基于其对预先设定的条目顺序的各条目所对应的反应时长的变化趋势的分析,获得反应时长a的行为信息的属性——a出现波动时,则第三方判定信息所对应的参数值至少包括a1。相应地,针对其它的初级分析信息如眨眼情况b、反馈信息的相关性c、语速d等,第三方判定信息所对应的参数值至少包括b1、b0、c1、c0、d1、d0中的一个或几个。
S3:识别模块利用谵妄评估模型,至少基于第三方判定信息进行计算,获得待评估对象进行谵妄意识模糊快速评估所得的关于至少一个谵妄特征的评估值,以此基于若干谵妄特征的评估值可以确定待评估对象的已发生谵妄标签或未发生谵妄标签。
由此,针对步骤S3中的“谵妄评估模型”更具体地,步骤S3至少包括以下步骤中的一个或几个:
S31:获取由生成模块102所确定的若干个参数及其对应的参数值,至少包括Aij、Bij、ζj、Cij;
Aij指的是患者给出的回答这一参数,i指示的是针对条目i,j指示的是为“有、不正确、没有或正确”的反馈信息;
Bij指的是辅助人员给出的回答这一参数,i指的是针对条目i,j指示的是为“有、不正确、没有或正确”的反馈信息;
ζj指的是评估过程中的患者行为这一参数,ζ指的是至少一个行为信息,j指示的是为“出现波动或未出现波动”的反馈信息;
Cij指的是评估过程中的患者行为这一参数,C指的是至少一个行为信息中所包含的第三方判定,i指的是针对条目i,j指示的是为“有、不正确、没有或正确”的反馈信息;
i∈{01,02....09,10....21,22},j∈{1,0},ζ∈{a,b,c,d....};
S32:基于至少一个Aij与至少一个Cij之间的关联关系,将Aij与Cij之间进行匹配,在Aij和与之对应的Cij之间匹配成功时则输出Aij,在Aij和与之对应的Cij之间匹配失败时,则以Cij中的j值更新Aij中的j值,再输出更新后的Aij;
S33:基于至少一个Bij与至少一个ζj之间的关联关系,将Bij与至少一个ζj之间进行匹配,在Bij和与之对应的至少一个ζj中任意一个之间匹配成功时则输出Bij,在Bij和与之对应的所有ζj之间均匹配失败时,则以ζj中的j值更新Bij中的j值,再输出更新后的Bij;
识别模块103中预先存储有至少一个Aij与至少一个Cij之间的关联关系、以及至少一个Bij与至少一个ζj之间的关联关系;
至少一个Aij与至少一个Cij之间的关联关系是通过非数字的首位与为数字的末位之间的数值可视为i值相对应的方式确定的,至少一个Bij与至少一个ζj之间的关联关系是通过预先设定的方式确定的;
Bij与至少一个ζj之间进行匹配的方式指的是,将Bij中的j值与至少一个ζj中的j值进行比对,两者数值相同时则匹配成功,相反则匹配失败;
Aij与Cij之间进行匹配的方式指的是,将Aij中的j值与至少一个Cij中的j值进行比对,两者数值相同时则匹配成功,相反则匹配失败;
S34:基于预先设定的谵妄特征k,k∈{1,2,3,4},逐一调取关于至少一个谵妄特征k的条目ii∈{01,02....19,20}所对应的Aij和Bij,并根据预先设定的谵妄特征k的评估值判定条件确定该谵妄特征k的评估值为阴性或阳性;
“预先设定的谵妄特征k的评估值判定条件”指的是,调取与谵妄特征k相对应的所有Aij和/或Bij,若任一Aij或任一Bij的参数值即j值为1,则该谵妄特征k的评估值为阳性,若所有Aij和/或Bij的参数值即j值为0,则该谵妄特征k的评估值为阴性;
如上,关于待评估对象和/或关于辅助人员的反馈信息的属性所对应的参数,设定其为“有或不正确”的参数值设为1,设定其为“没有或正确”的参数值设为0;
S35:基于当前确定的谵妄特征k,k∈{1,2,3,4}的评估值,判定其是否符合预先设定的选择性评估条件,在判定其不符合预先设定的选择性评估条件时,则输出上述确定的谵妄特征k,k∈{1,2,3,4}的评估值;反之,则提示辅助人员需要进行选择性评估,并基于选择性评估的评估结果,更新当前确定的谵妄特征k,k∈{1,2,3,4}的评估值,以更新后的评估值输出。
“选择性评估条件”指的是,在条目1~20分别对应的Aij和/或Bij均被调取出云平台106进行计算后,在当前确定的谵妄特征1为阴性、谵妄特征2为阳性,谵妄特征3为阳性和/或谵妄特征4为阳性的情况下,提示辅助人员需要进行选择性评估包括条目21~22。
“选择性评估”的过程指的是,基于与谵妄特征1相对应的Biji∈{21,22}再次判定谵妄特征1,并根据该判定结果更新谵妄特征1的评估值。
S4:在谵妄评估模块103获得待评估对象进行谵妄意识模糊快速评估所得的关于至少一个谵妄特征的评估值后,由评估处理模块104,将上述关于至少一个谵妄特征的若干个评估值进行组合,并对该组合是否满足预定评估条件进行判定。
“将上述关于至少一个谵妄特征的若干个评估值进行组合”指的是将关于至少一个谵妄特征的若干个评估值归纳为一个组合Σ,例如{k1+,k2+,k3+,k4+}。
“预定评估条件”指的是通过预先设定的判定该评估对象存在谵妄的三个组合Ψ1{k1+,k2+,k3+,k4+},Ψ2{k1+,k2+,k3+,k4-},Ψ3{k1+,k2+,k3-,k4+}。
“对该组合是否满足预定评估条件进行判定”的方式,指的是将组合Σ与组合{Ψ1、Ψ2、Ψ3}分别进行比对。
S41:当待评估对象进行谵妄意识模糊快速评估所得的关于至少一个谵妄特征的若干个评估值之间的组合满足预定评估条件时,则输出该待评估对象存在谵妄的谵妄评估结果。
具体地,在组合Σ与组合{Ψ1、Ψ2、Ψ3}中的一个相匹配的情况下,即在待评估对象进行谵妄意识模糊快速评估所得的关于至少一个谵妄特征的若干个评估值之间的组合满足预定评估条件,则输出该待评估对象存在谵妄的谵妄评估结果。
S42:当待评估对象进行谵妄意识模糊快速评估所得的关于至少一个谵妄特征的若干个评估值之间的组合不满足预定评估条件时,则调取医疗信息管理系统107中与该待评估对象相关的历史信息,结合历史信息中的医疗信息和/或评估信息进行二次评估,确定该待评估对象的谵妄潜在风险级别Q。
其中,在组合Σ与组合{Ψ1、Ψ2、Ψ3}中的任一组合均不匹配的情况下,即视为上述“待评估对象进行谵妄意识模糊快速评估所得的关于至少一个谵妄特征的若干个评估值之间的组合不满足预定评估条件“。其中“评估信息”指的是行为信息以及反馈信息。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。

Claims (10)

1.一种基于谵妄动态预测模型的谵妄风险监测装置,其特征是,所述谵妄风险监测装置至少包括:
谵妄因子处理模块(102),其用于在待评估对象完成至少一次谵妄意识模糊快速评估后,调取出医疗信息管理系统(107)中与该待评估对象相关的显性因子与隐性因子,并根据所述显性因子的属性和隐性因子的属性,生成谵妄风险监测模块(105)所需的标签;其中,“显性因子”指的是谵妄主要危险因素和谵妄次要危险因素,是无需通过评估即可确定的信息;“隐性因子”指的是待评估对象的谵妄评估数据,是通过评估所确定的信息;
谵妄风险监测模块(105),其用于以其与云平台(106)进行信息交互的方式基于生成的所述标签获得所述云平台(106)中与该待评估对象相匹配的多个病例信息组,其中,
所述谵妄风险监测模块(105)基于所获得的多个病例信息组的数量占比以及谵妄潜在风险等级变化趋势、谵妄特征的评估值变化趋势获得待评估对象的谵妄风险预测。
2.根据权利要求1所述的谵妄风险监测装置,其特征是,所述谵妄风险监测模块(105)在获取到所述标签后,先基于预先设定的相似度区间,将当前待评估对象的隐性因子的标签与云平台(106)中多个病例信息的隐性因子的标签进行相似度比对,以此确定云平台(106)中符合相似度区间的且用于形成病例信息组的多个病例信息。
3.根据权利要求1或2所述的谵妄风险监测装置,其特征是,在多个病例信息组中的至少一个病例信息组的病例信息数量未达到样本数量阈值时,所述谵妄风险监测模块(105)以区间范围选择性扩大的方式修正相似度区间,以此在最大化病例信息组与待评估对象之间的匹配程度的同时满足对待评估对象进行谵妄风险预测所需的样本数量。
4.根据权利要求1所述的谵妄风险监测装置,其特征是,多个病例信息组的获得指的是在确定云平台(106)中符合相似度区间的多个病例信息后,所述谵妄风险监测模块(105)根据多个病例信息各自的显性因子的标签以及待评估对象的显性因子的标签,筛选出多个病例信息中满足其显性因子的标签与待评估对象的显性因子的标签相同的多个病例信息,并形成病例信息组。
5.根据权利要求1所述的谵妄风险监测装置,其特征是,显性因子至少包括至少一个谵妄主要危险因素和至少一个谵妄次要危险因素,
隐性因子至少包括待评估对象完成谵妄意识模糊快速评估的过程中所确定的谵妄评估数据,其至少包括谵妄潜在风险等级变化趋势、谵妄特征k(k∈{1,2,3,4})中的一个或几个。
6.根据权利要求1所述的谵妄风险监测装置,其特征是,所述谵妄风险监测装置包括谵妄评估模块(103),其被配置为:
获取关于待评估对象和/或关于辅助人员的反馈信息,并获取待评估对象在进行谵妄意识模糊快速评估时进行的行为信息,和/或
根据所述行为信息的属性和所述反馈信息的属性,分别生成谵妄评估模型所需的参数,和/或
根据生成的参数,利用所述谵妄评估模型进行计算,获得待评估对象进行谵妄意识模糊快速评估所得的关于至少一个谵妄特征的评估值。
7.根据权利要求1所述的谵妄风险监测装置,其特征是,所述谵妄风险监测装置还包括:
影音处理模块(101),其用于对确诊已发生谵妄的或具有谵妄潜在风险的待评估对象在进行谵妄意识模糊快速评估时的行为进行视频采集的方式获取关于该待评估对象的行为信息和/或反馈信息,
和/或
外接输入设备,其由待评估对象操作且用于获取由所述待评估对象针对评估内容所输入的反馈信息,并对该待评估过程中待评估对象的自主操作情况进行检测以获取关于该待评估对象的行为信息和/或反馈信息。
8.一种基于谵妄动态预测模型的谵妄风险监测系统,所述风险监测系统至少包括:
存储器;
与存储器相耦合的至少一个计算机处理器,
其特征是,
第一计算机处理器,用于在第一用户完成至少一次评估后,调取出数据库中与该第一用户相关的显性因子与隐性因子,并根据所述显性因子的属性和隐性因子的属性,生成第二计算机处理器所需的标签;其中,“显性因子”指的是谵妄主要危险因素和谵妄次要危险因素,是无需通过评估即可确定的信息;“隐性因子”指的是待评估对象的谵妄评估数据,是通过评估所确定的信息;
第二计算机处理器,用于基于生成的所述标签,以其与数据库进行信息交互的方式,获取数据库中与该第一用户相匹配的多个历史信息组,其中,
所述第二计算机处理器基于所获得的多个历史信息组以及与各个历史信息组对应的谵妄潜在风险等级变化趋势、谵妄特征的评估值变化趋势,利用动态预测模型进行计算,获得第一用户的风险预测。
9.根据权利要求8所述的风险监测系统,其特征是,所述第二计算机处理器还被配置为在获取到所述标签后,先基于预先设定的相似度区间,将当前第一用户的隐性因子的标签与数据库中多个历史信息的隐性因子的标签进行相似度比对,以此确定数据库中符合相似度区间的且用于形成历史信息组的多个历史信息。
10.根据权利要求8所述的风险监测系统,其特征是,所述第二计算机处理器还被配置为在多个历史信息组中的至少一个历史信息组的历史信息数量未达到样本数量阈值时,以区间范围选择性扩大的方式修正相似度区间,以此在最大化历史信息组与第一用户之间的匹配程度的同时满足对第一用户进行风险预测所需的样本数量。
CN202010417659.2A 2020-05-15 2020-05-15 一种基于谵妄动态预测模型的谵妄风险监测方法及系统 Active CN111568445B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010417659.2A CN111568445B (zh) 2020-05-15 2020-05-15 一种基于谵妄动态预测模型的谵妄风险监测方法及系统
CN202310232528.0A CN116584939A (zh) 2020-05-15 2020-05-15 一种谵妄风险监测装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010417659.2A CN111568445B (zh) 2020-05-15 2020-05-15 一种基于谵妄动态预测模型的谵妄风险监测方法及系统

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202310232528.0A Division CN116584939A (zh) 2020-05-15 2020-05-15 一种谵妄风险监测装置及系统

Publications (2)

Publication Number Publication Date
CN111568445A CN111568445A (zh) 2020-08-25
CN111568445B true CN111568445B (zh) 2023-02-07

Family

ID=72115524

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010417659.2A Active CN111568445B (zh) 2020-05-15 2020-05-15 一种基于谵妄动态预测模型的谵妄风险监测方法及系统
CN202310232528.0A Pending CN116584939A (zh) 2020-05-15 2020-05-15 一种谵妄风险监测装置及系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202310232528.0A Pending CN116584939A (zh) 2020-05-15 2020-05-15 一种谵妄风险监测装置及系统

Country Status (1)

Country Link
CN (2) CN111568445B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112216389A (zh) * 2020-10-12 2021-01-12 温州医科大学附属第一医院 一种pacu成人高活动型谵妄预测的建模
CN116168840B (zh) * 2023-04-23 2023-12-22 北京大学人民医院 一种预测术后谵妄发生风险的方法、设备及系统
CN117643458B (zh) * 2024-01-30 2024-04-09 北京大学第三医院(北京大学第三临床医学院) 一种多模态数据驱动的术后谵妄评估系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6053866A (en) * 1998-10-29 2000-04-25 Mcleod; Malcolm N. Method for facilitating diagnosis of a psychiatric disorder

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101347509B1 (ko) * 2011-06-20 2014-01-06 가톨릭대학교 산학협력단 섬망 고위험군 예측모형 시스템 및 그 예측모형 방법, 및 그것을 이용한 섬망 고위험군 예측 시스템
US11410777B2 (en) * 2012-11-02 2022-08-09 The University Of Chicago Patient risk evaluation
WO2014201515A1 (en) * 2013-06-18 2014-12-24 Deakin University Medical data processing for risk prediction
EP3943611A3 (en) * 2014-06-24 2022-05-04 Likeminds, Inc. Predictive neurodiagnostic methods
EP4338672A3 (en) * 2015-12-04 2024-07-17 University Of Iowa Research Foundation System for screening delirium patients for the presence of encephalopathy
US10244975B2 (en) * 2016-10-17 2019-04-02 Morehouse School Of Medicine Mental health assessment method and kiosk-based system for implementation
EP3420898A1 (en) * 2017-06-28 2019-01-02 Koninklijke Philips N.V. Assessing delirium in a subject
CN108630314A (zh) * 2017-12-01 2018-10-09 首都医科大学 一种智能化谵妄评估系统和方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6053866A (en) * 1998-10-29 2000-04-25 Mcleod; Malcolm N. Method for facilitating diagnosis of a psychiatric disorder

Also Published As

Publication number Publication date
CN116584939A (zh) 2023-08-15
CN111568445A (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
EP3776586B1 (en) Managing respiratory conditions based on sounds of the respiratory system
US20230082019A1 (en) Systems and methods for monitoring brain health status
CN111568445B (zh) 一种基于谵妄动态预测模型的谵妄风险监测方法及系统
US11363984B2 (en) Method and system for diagnosis and prediction of treatment effectiveness for sleep apnea
CN108778097A (zh) 用于评估心力衰竭的装置和方法
US20140122109A1 (en) Clinical diagnosis objects interaction
CN111613347B (zh) 一种用于预防或干预谵妄的护理决策辅助方法及系统
CN111613337B (zh) 一种重症监护病房用的智能化谵妄评估系统及评估方法
JP2023547875A (ja) 個人化された認知介入システム及び方法
CN113383395A (zh) 用于睡眠障碍识别的决策支持软件系统
US20210183482A1 (en) Method and system for remotely monitoring the psychological state of an application user based on historical user interaction data
US20210177324A1 (en) Method and system for remotely monitoring the psychological state of an application user using machine learning-based models
CN111613281B (zh) 一种基于医院信息系统的谵妄风险评估方法及评估系统
US20210183481A1 (en) Method and system for remotely monitoring the psychological state of an application user based on average user interaction data
CN112908481A (zh) 一种自动化个人健康评估及管理方法及系统
CN116472591A (zh) 使用人工智能生成与脊髓性肌萎缩症相关的预测结果的技术
WO2023226369A1 (zh) 预测机械通气脱机的方法、装置、设备及存储介质
CN112509657A (zh) 一种慢性病的健康管理系统
CA3154229A1 (en) System and method for monitoring system compliance with measures to improve system health
WO2023217737A1 (en) Health data enrichment for improved medical diagnostics
CN111613330B (zh) 基于谵妄意识模糊快速评估法的智能评估系统
US20230215566A1 (en) System and method for automated diagnosis
US20220375607A1 (en) Information processing apparatus, information processing method, and program
US20200211715A1 (en) Method for recruiting patients, and patient recruitment system
US20210193276A1 (en) Integrated healthcare monitoring system and method therefor

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