CN111613337A - 一种重症监护病房用的智能化谵妄评估系统及评估方法 - Google Patents
一种重症监护病房用的智能化谵妄评估系统及评估方法 Download PDFInfo
- Publication number
- CN111613337A CN111613337A CN202010417656.9A CN202010417656A CN111613337A CN 111613337 A CN111613337 A CN 111613337A CN 202010417656 A CN202010417656 A CN 202010417656A CN 111613337 A CN111613337 A CN 111613337A
- Authority
- CN
- China
- Prior art keywords
- delirium
- prediction
- evaluation
- training data
- subject
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 206010012218 Delirium Diseases 0.000 title claims abstract description 329
- 238000011156 evaluation Methods 0.000 title claims abstract description 112
- 238000012549 training Methods 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 238000003860 storage Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 20
- 201000001119 neuropathy Diseases 0.000 claims abstract description 16
- 230000007823 neuropathy Effects 0.000 claims abstract description 16
- 208000033808 peripheral neuropathy Diseases 0.000 claims abstract description 16
- 230000008921 facial expression Effects 0.000 claims abstract description 4
- 230000037081 physical activity Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 35
- 238000005457 optimization Methods 0.000 claims description 31
- 238000012216 screening Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 20
- 230000002980 postoperative effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000036962 time dependent Effects 0.000 claims description 7
- 230000005713 exacerbation Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000001356 surgical procedure Methods 0.000 description 29
- 238000003745 diagnosis Methods 0.000 description 19
- 230000000875 corresponding effect Effects 0.000 description 15
- 208000026301 Postoperative Cognitive Complications Diseases 0.000 description 14
- 230000006399 behavior Effects 0.000 description 14
- 230000006866 deterioration Effects 0.000 description 13
- 230000000474 nursing effect Effects 0.000 description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 208000024891 symptom Diseases 0.000 description 10
- 238000011282 treatment Methods 0.000 description 10
- 201000010099 disease Diseases 0.000 description 9
- 238000005399 mechanical ventilation Methods 0.000 description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012854 evaluation process Methods 0.000 description 8
- 229910052760 oxygen Inorganic materials 0.000 description 8
- 239000001301 oxygen Substances 0.000 description 8
- 230000035484 reaction time Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 206010002091 Anaesthesia Diseases 0.000 description 6
- 241000711573 Coronaviridae Species 0.000 description 6
- 230000037005 anaesthesia Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000002265 prevention Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 5
- 230000036407 pain Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 208000028399 Critical Illness Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004424 eye movement Effects 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 210000003169 central nervous system Anatomy 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000004064 dysfunction Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008506 pathogenesis Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 239000000932 sedative agent Substances 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000002627 tracheal intubation Methods 0.000 description 3
- 206010012373 Depressed level of consciousness Diseases 0.000 description 2
- 206010013954 Dysphoria Diseases 0.000 description 2
- 208000004547 Hallucinations Diseases 0.000 description 2
- 208000001953 Hypotension Diseases 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 2
- 206010022773 Intracranial pressure increased Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000005978 brain dysfunction Effects 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 208000004209 confusion Diseases 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 206010013395 disorientation Diseases 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- LNEPOXFFQSENCJ-UHFFFAOYSA-N haloperidol Chemical compound C1CC(O)(C=2C=CC(Cl)=CC=2)CCN1CCCC(=O)C1=CC=C(F)C=C1 LNEPOXFFQSENCJ-UHFFFAOYSA-N 0.000 description 2
- 230000036543 hypotension Effects 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006213 oxygenation reaction Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229940125723 sedative agent Drugs 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 208000027765 speech disease Diseases 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- SVUOLADPCWQTTE-UHFFFAOYSA-N 1h-1,2-benzodiazepine Chemical class N1N=CC=CC2=CC=CC=C12 SVUOLADPCWQTTE-UHFFFAOYSA-N 0.000 description 1
- 206010005746 Blood pressure fluctuation Diseases 0.000 description 1
- 241001631457 Cannula Species 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 206010010071 Coma Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010020100 Hip fracture Diseases 0.000 description 1
- 206010021703 Indifference Diseases 0.000 description 1
- 206010024264 Lethargy Diseases 0.000 description 1
- 208000032376 Lung infection Diseases 0.000 description 1
- 206010029174 Nerve compression Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 206010071229 Procedural haemorrhage Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 230000036592 analgesia Effects 0.000 description 1
- 229940035676 analgesics Drugs 0.000 description 1
- 229940035674 anesthetics Drugs 0.000 description 1
- 239000000730 antalgic agent Substances 0.000 description 1
- 230000001078 anti-cholinergic effect Effects 0.000 description 1
- 239000000164 antipsychotic agent Substances 0.000 description 1
- 229940005529 antipsychotics Drugs 0.000 description 1
- 210000000576 arachnoid Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229940049706 benzodiazepine Drugs 0.000 description 1
- 150000001557 benzodiazepines Chemical class 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000007675 cardiac surgery Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000002283 elective surgery Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000009760 functional impairment Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000002695 general anesthesia Methods 0.000 description 1
- 239000003193 general anesthetic agent Substances 0.000 description 1
- 229960003878 haloperidol Drugs 0.000 description 1
- 208000016354 hearing loss disease Diseases 0.000 description 1
- 230000002489 hematologic effect Effects 0.000 description 1
- 208000018875 hypoxemia Diseases 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 201000009941 intracranial hypertension Diseases 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- COCAUCFPFHUGAA-MGNBDDOMSA-N n-[3-[(1s,7s)-5-amino-4-thia-6-azabicyclo[5.1.0]oct-5-en-7-yl]-4-fluorophenyl]-5-chloropyridine-2-carboxamide Chemical compound C=1C=C(F)C([C@@]23N=C(SCC[C@@H]2C3)N)=CC=1NC(=O)C1=CC=C(Cl)C=N1 COCAUCFPFHUGAA-MGNBDDOMSA-N 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 229940001470 psychoactive drug Drugs 0.000 description 1
- 239000004089 psychotropic agent Substances 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 208000010540 rapid respiration Diseases 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000001624 sedative effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000036299 sexual function Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000022925 sleep disturbance Diseases 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 238000011277 treatment modality Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G16H50/50—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
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Abstract
本发明涉及一种重症监护病房用的智能化谵妄评估装置,特别是针对如ICU病人的待评估对象的智能评估系统,并且待评估对象的语言表达能力、身体活动能力、面部表达能力中的至少一个能力受限,评估装置包括:存储设备;处理终端,评估装置还包括:谵妄模型建立装置,用于获取训练数据集的触发前参数及其谵妄结果作为训练属性,应用其训练生成触发前预测模型;谵妄表现预测装置,用于至少基于触发前预测模型,执行动态输入集分析以确定该待评估对象的谵妄表现预测输出集,以此,评估装置能够在区分开谵妄表现与由中枢神经病变所引起的相似谵妄表现的基础上实现对待评估对象的准确的谵妄评估。
Description
技术领域
本发明涉及谵妄照护技术领域,尤其涉及一种重症监护病房用的智能化谵妄评估系统及评估方法。
背景技术
谵妄是综合医院中最常见的一种精神障碍,占内、外科患者的5%-15%。全麻外科手术后,谵妄的发生率可高达50%。普通内、外科病房中70岁及以上患者中三分之一存在谵妄,其中一半的患者在入院时已存在谵妄,另外一半则在住院期间发生谵妄。此外,谵妄也是老年人最常见的外科并发症。择期手术者中约有15-25%可能发生谵妄,而接受高危手术者(包括髋部骨折修复术及心脏手术等)谵妄的发生率高达50%。在ICU中接受机械通气的患者累积发生率达75%。即使是在姑息治疗环境下,也有85%的患者存在谵妄。
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在30%~50%,而ICU谵妄的发生率高达35%~80%。导致ICU谵妄的发生率之高的原因主要在于治疗手段的影响。而ICU中最为常见的治疗手段之一就是机械通气,据调查显示,在ICU中有39%的患者接受机械通气治疗。
上述机械通气(Mechanical ventilation,MV),即为在患者自然通气和(或)氧合功能出现障碍时,应用呼吸机使患者恢复有效通气并改善氧合的方法。肺部严重感染是最为典型的需要进入ICU采取机械通气治疗的主要病症之一。一般正常人每分钟的呼吸约在18次左右,而肺部严重感染者每分钟呼吸可高达40多次,血氧饱和度低于正常值94%,在体征上表现为呼吸急促、喘气等症状。机械通气这项技术的应用尽管挽救了不少生命,但同时也给患者带来了极大的生理和心理上的不适与痛苦:上呼吸机的目的是通过机械往人体里补充氧气,呼吸机分为有创和无创两种,无创的,即在人的口鼻处戴上面罩,通过机械泵入氧气帮助病人呼吸;有创的,是在患者的脖子下面切开气管造成一个创口,然后从创口里插入一根拇指粗的塑料输氧管往里输入氧气;上呼吸机后的患者既不能说话,也不能吃东西,患者所需要的养分,暂时都需要通过注射输进人体,呼吸不能由着患者自己自然地一进一出,而是由机器机械地将氧气压进患者肺里,因此,对此类患者除了使用大剂量的镇静剂,有时还需将患者的四肢固定在病床上,以防止患者痛苦中意外拔管。ICU主要接收的是危重或大手术后的患者,本身病情和手术就会给患者带来极大的身体痛苦和心理刺激,尤其进入ICU后采取的如上述机械通气的强制性治疗手段,对ICU患者更是一种严重的心理应激源,进一步增大了ICU谵妄的发生率。
现有技术中如公开号为CN108038627A的专利文献所提出的一种对象评估方法及装置,对象评估方法包括:获取与待评估对象及待评估项目关联的信息数据;参考预置的评估属性模板,从信息数据中确定评估属性数据;将评估属性数据输入至预先建立的项目评估模型,得到项目评估模型输出的待评估对象在待评估项目中的评估结果,项目评估模型为预先利用标注有评估结果的评估属性训练数据进行训练得到。
又如公开号为CN109069081A的专利文献所提出的涉及谵妄的监测的装置,系统和方法可以包括从一个或者多个传感装置接收一个或者多个信号;处理所述一个或者信号,以从所述一个或者多个信号提取一个或者多个特征;分析所述一个或者多个特征,从而为所述一个或者多个特征中的每一个特征确定一个或者多个值;对所述一个或者多个值中的至少一个值或者基于所述一个或者多个值中的至少一个值的测量与阈值进行比较;基于所述比较确定患者谵妄的存在、不存在或者后续罹患可能性;并且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。
上述现有技术所提出的解决方案,相比于人工评估的方式,均可以节省人力和时间,但其只能用于在已经出现谵妄的情况下实现单一的触发事件发生后或触发事件发生前谵妄诊断结果,而无法为需要进行手术的ICU患者提供有效预防或避免谵妄恶化的作用。
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于发明人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
针对现有技术之不足,例如对于现有的单一的谵妄诊断技术而无法起到有效预防或易导致谵妄恶化的问题,以及目前医师难以仅凭有限的临床经验准确甄别出相似度较高的谵妄与POCD的问题,本发明提出了重症监护病房用的评估装置,能够在术前即对待评估对象的情况进行分析并及时地将分析结果反馈至医师,该评估装置不仅是为在术前指导优化当前待评估对象的触发事件信息/手术信息,为医师如何在最小化谵妄发生/恶化的前提下调整手术参数提供可靠性参考;更重要的是,其能够在术前术后持续地对待评估对象的情况进行分析评估,尤其地,是在术后在区分开谵妄表现与由中枢神经病变所引起的相似谵妄表现的基础上来实现的,避免了因存在相似谵妄表现而加大诊治难度易误诊的严重后果。
具体地:一种重症监护病房用的智能化谵妄评估装置,尤其是一种重症监护病房用的触发前谵妄评估装置,所述触发前指的是在已发生或可能发生中枢神经病变的待评估对象进行触发事件例如手术之前,所述评估装置至少包括处理器和存储设备,所述存储设备上存储有可用在所述处理器上运行的计算机程序,谵妄模型建立装置,用于获取训练数据集的触发前参数及其谵妄结果作为训练属性,应用其训练生成触发前预测模型;谵妄表现预测装置,用于至少基于所述触发前预测模型,执行动态输入集分析以确定该待评估对象的谵妄表现预测输出集,以此,所述评估装置能够在术后在区分开谵妄表现与由中枢神经病变所引起的相似谵妄表现的基础上实现对待评估对象的准确的谵妄评估。
该装置主要由若干计算机处理器、采集模块以及它们之间的接口组成。该装置是由智能电子设备设定该智能化谵妄评估装置的至少一个初始参数,并通过接口将所述初始参数传向分析模块组件,然后由分析模块组件实现谵妄评估操作,并通过与智能电子设备的接口将谵妄评估操作每一步骤所运行的中间结果和整个操作运行的最终结果传给智能电子设备,由智能电子设备将该装置所生成的触发事件的优化预测参数集和/或谵妄表现预测输出集存储下来并基于用户的指令进行显示。
在本发明中,上述评估装置可以使用“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计算机处理器、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1为例说明,该分析模块组件中的多个处理器、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。分析模块组件借助于通信接口(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。分析模块组件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。
至少一个计算机处理器用于执行所述计算机可执行指令。优选地,至少一个处理器包括所述谵妄模型建立装置、所述谵妄表现预测装置、所述护理方案优化装置、所述预测修正装置以及采集模块。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。计算机处理器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/处理设备,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/处理设备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/处理设备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。
具体地:一种重症监护病房用的智能化谵妄评估装置,特别是针对如ICU病人的待评估对象的智能评估系统,并且所述待评估对象的语言表达能力、身体活动能力、面部表达能力中的至少一个能力受限,所述评估装置包括:存储设备;处理终端,其耦合至所述存储设备且用于提供ICDSC谵妄筛查量表评估界面,其由医护人员操作,且在评估结束后根据预先建立的ICDSC谵妄评估模型输出待评估对象的触发前谵妄状态数据,所述评估装置还包括:谵妄模型建立装置,用于获取训练数据集的触发前参数及其谵妄结果作为训练属性,应用其训练生成触发前预测模型;谵妄表现预测装置,用于至少基于所述触发前预测模型,执行动态输入集分析以确定该待评估对象的谵妄表现预测输出集,以此,所述评估装置能够在区分开谵妄表现与由中枢神经病变所引起的相似谵妄表现的基础上实现对待评估对象的准确的谵妄评估。
根据一种优选实施方式,所述评估装置还包括护理方案优化装置,其用于对于待评估对象,将谵妄风险作为目标属性,协同该待评估对象的待评估数据集作为输入,应用所述触发前预测模型生成触发事件的优化预测参数集,以通过提供优化触发事件的方案参考的方式最大限度地降低谵妄发生率或谵妄恶化程度;谵妄表现预测装置,用于至少基于由所述触发前预测模型所生成的手术优化预测参数集,执行动态输入集分析以确定该待评估对象的谵妄表现预测输出集。
根据一种优选实施方式,所述评估装置还包括预测修正装置,其用于获取由所述谵妄表现预测装置所生成的谵妄表现预测输出集,构建评估误差模型对所述谵妄表现预测输出集的评估误差进行预测,并修正更新所述谵妄表现预测输出集。
根据一种优选实施方式,所述评估装置还包括至少一个采集模块,其用于获取在触发前、术中和术后中的至少一个触发事件阶段的关于待评估对象的可采集特征,以此所述谵妄表现预测装置的动态输入集分析过程至少是基于具有时间相关特性的所述可采集特征来执行的。
根据一种优选实施方式,所述谵妄模型建立装置通过其与至少一个第三方信息系统进行信息交互,基于待评估对象的待评估数据集来获取所述第三方信息系统中的所述训练数据集,获取到的训练数据集满足该待评估对象的筛选条件。
根据一种优选实施方式,在谵妄模型建立装置筛选所述训练数据集的同时,由所述谵妄模型建立装置对满足信息匹配度满足筛选条件但数据完整度不符合筛选条件的训练数据进行分析计算,并对计算更新后的该训练数据进行二次筛选。
本申请还提出了一种谵妄评估系统,所述系统至少包括处理器和存储设备,所述存储设备上存储有可用在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时实现如下步骤:获取训练数据集的触发前参数及其谵妄结果作为训练属性,应用其训练生成触发前预测模型;应用所述触发前预测模型生成触发事件的优化预测参数集;至少基于所述成触发事件的优化预测参数集,执行动态输入集分析以确定该待评估对象的谵妄表现预测输出集。
根据一种优选实施方式,当所述计算机程序被所述处理器执行时还可以实现如下步骤:获取由所述谵妄表现预测装置所生成的谵妄表现预测输出集,构建评估误差模型对所述谵妄表现预测输出集的评估误差进行预测,并修正更新所述谵妄表现预测输出集。
根据一种优选实施方式,当所述计算机程序被所述处理器执行时还可以实现如下步骤:对获取的初步训练数据进行扩充,增加初步训练数据中少数类训练数据集的数量,得到触发事件的优化预测值的数量分布均衡的训练数据。
根据一种优选实施方式,当所述计算机程序被所述处理器执行时还可以实现如下步骤:计算初步训练数据中各属性对触发事件的优化预测值的信息增益,确定与谵妄主要危险因素相关的第一属性以及与谵妄次要危险因素相关的第二属性。
附图说明
图1是本发明提供的一种优选实施方式的评估装置的简化模块连接关系示意图。
附图标记列表
1:谵妄模型建立装置 2:谵妄表现预测装置
3:护理方案优化装置 4:预测修正装置
5:采集模块 6:接口 7:智能电子设备
具体实施方式
下面结合附图对本发明进行详细说明。
实施例1
本实施例公开了一种重症监护病房用的智能化谵妄评估装置,本实施例所公开的该护理决策辅助装置可以是针对如感染新型冠状病毒的重症患者或危重症患者的护理对象的装置。
新型冠状病毒肺炎具有症状隐匿、传播速度快、传染性强、人群普遍易感等特点,在护理已感染新型冠状病毒的重症患者或危重症患者时,进入隔离区的护士必须戴一次性医用帽、N95口罩、护目镜或面屏,穿隔离服、靴套,进行各项护理操作时还要戴双层隔离手套。护目镜本身是一种用于封闭或保护眼睛周围的护眼装置,然而佩戴过程中护目镜容易起雾,严重影响医护人员视线,视线受阻,增大了操作难度,严重影响医护人员操作的准确性。尤其是在护理人员需要为护理对象评估其谵妄风险时,护理人员受到隔离防护件尤其是护目镜的影响,导致其对护理对象的意识表达或病情观察存在偏差。并且,对于已感染新型冠状病毒的重症患者或危重症患者而言,大多数都是气管插管的半昏迷状态,加剧了护理人员实施谵妄评估的工作难度。
针对现有技术之不足,本发明提出了重症监护病房用的谵妄评估装置,其通过多个传感器对护理对象进行监测,持续地对待评估对象的情况进行分析评估,能够及时地将评估结果与风险反馈至医师,减少了谵妄评估对护理人员主观地判断的患者意识表达或患者病情的依赖程度,尤其是对于已感染新型冠状病毒的重症患者或危重症患者而言,大多数都是气管插管的半昏迷状态,在此情况下也能够实现有效可靠的谵妄评估,同时评估过程中护理人员无需近距离接触或观察已感染新型冠状病毒的患者,降低了护理人员被感染的几率,有利于减轻护理人员在患者人数爆发性增加的情况下的护理压力。
本护理决策辅助装置主要由若干计算机处理器、采集模块以及它们之间的接口组成。该装置是由智能电子设备7设定该智能化谵妄评估装置的至少一个初始参数,并通过接口将所述初始参数传向分析模块组件,然后由分析模块组件实现谵妄评估操作,并通过与智能电子设备7的接口将谵妄评估操作每一步骤所运行的中间结果和整个操作运行的最终结果传给智能电子设备7,由智能电子设备7将该装置所生成的手术优化预测参数集和/或谵妄表现预测输出集存储下来并基于用户的指令进行显示。本护理决策辅助装置包括所述谵妄模型建立装置1、所述谵妄表现预测装置2、所述护理方案优化装置3、所述预测修正装置4以及采集模块5。具体地:
S1:谵妄模型建立装置1与至少一个第三方信息系统进行信息交互。谵妄模型建立装置1基于待评估对象的待评估数据集来获取所述第三方信息系统中的所述训练数据集。
S2:所述谵妄模型建立装置1将其所获取到的训练数据集的术前参数及其谵妄结果作为训练属性,应用其训练生成术前预测模型。谵妄模型建立装置1将其所生成的术前预测模型传输至谵妄表现预测装置2和护理方案优化装置3。
S3:护理方案优化装置3将谵妄风险作为目标属性,协同该待评估对象的待评估数据集作为输入,应用所述术前预测模型生成手术优化预测参数集。护理方案优化装置3以通过提供优化手术方案参考的方式最大限度地降低谵妄发生率或谵妄恶化程度。护理方案优化装置3将其所生成的手术优化预测参数集传输至谵妄表现预测装置2。
S4:采集模块5获取在术前、术中和术后中的至少一个手术阶段的关于待评估对象的可采集特征。采集模块5将其所生成的可采集特征传输至谵妄表现预测装置2。
S5:谵妄表现预测装置2至少基于由术前预测模型所生成的手术优化预测参数集,执行动态输入集分析以确定该待评估对象的谵妄表现预测输出集。谵妄表现预测装置2的动态输入集分析过程至少是基于具有时间相关特性的可采集特征来执行的。谵妄表现预测装置2将其所生成的谵妄表现预测输出集输出至预测修正装置4进行处理。
S6:预测修正装置4获取由谵妄表现预测装置2所生成的谵妄表现预测输出集,构建评估误差模型对谵妄表现预测输出集的评估误差进行预测,并修正更新谵妄表现预测输出集。预测修正装置4将其所生成的更新后谵妄表现预测输出集传输至由医护人员所操作的智能电子设备7。
实施例2
本实施例可以是对实施例1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,其他实施例的优选实施方式的整体和/或部分内容可以作为本实施例的补充。
本实施例提供了一种重症监护病房用的智能化谵妄评估装置,该评估装置尤其是指一种重症监护病房用的术前谵妄评估装置。
优选地,在本发明中,“触发”指的是触发事件。ICU患者的谵妄诱发原因主要是由于某些触发事件(或称风险治疗)的发生。本发明中触发事件可以指的是ICU患者出现烦躁、难以平静的症状,ICU患者本身罹患疾病的加剧将直接影响患者的心理及脑部神经,在初期出现烦躁难以平静的症状的情况下极易诱发谵妄的发生。触发事件可以指的是ICU患者服用精神活性类药物。触发事件可以指的是ICU患者在手术期间出现低氧血症、低血压、大出血等诱发谵妄的症状。触发事件可以指的是ICU病房内环境噪音加剧或ICU患者上插管数量增加。在本申请中所执行的主动式动态护理分析过程中,是按照三种谵妄危险因素(患者因素、疾病因素、治疗与环境因素),将上述多个不同触发事件划分为三种潜在风险途径下的触发事件,当监测到触发事件时,触发相对应的干预/预防措施。不仅为已发生谵妄人群提供干预优化措施,并同时也为未发生谵妄人群提供预防优化措施。在本实施例中触发事件指的是手术,触发事件的优化预测参数集和触发事件阶段等以下分别统称为手术优化预测参数集和手术阶段。“触发前”(以下统称为术前)指的是在已发生或可能发生中枢神经病变的待评估对象进行手术之前。而“中枢神经病变”或称中枢神经系统功能障碍,指的是不同程度的神经系统损害,其是以意识障碍和颅内压增高为主要表现的综合征。所指的“颅内压增高”首先可以通过脑脊液的生成速率减少和蛛网膜绒毛对脑脊液的吸收增加来代偿,代偿极限是颅腔容积的8~10%,超过此极限必将出现脑功能障碍。需进一步说明的是,“意识障碍”指的是中枢神经系统对内、外环境刺激所作出的应答反应的能力的减退或消失。也可以是指术后认知功能障碍(postoperative cognitive dysfunction,POCD),手术麻醉后常见的中枢神经系统并发症,其主要临床表现为患者在手术麻醉后出现认知功能(包括学习、记忆、情绪、情感、判断力等)下降,其特征是由一般的医疗处理引起,而又不属于谵妄、痴呆、以往障碍等临床类型。中枢神经功能障碍的诊断依据之一为1995年全国危重病急救医学学术会通过的多脏器功能障碍综合征病情分期诊断及严重程度评分标准,根据得分的分别划分为功能受损期、衰竭早期和衰竭期。按照北美精神障碍诊断和统计手册第4版修订版(DSM-IV-R)对认知障碍的分类,POCD属于轻度神经认知障碍。首先术后谵妄(postoperative delirium,POD)需与术后认知功能障碍(postoperative cognitivedysfunction,POCD)相区别:POD有波动性的意识变化,而POCD无意识改变。此外,POD通常发生在术后早期,即术后1~3d,病程仅数日。如上可知,无论是POD,还是术后认知功能障碍POCD,均是术后发生的脑功能障碍,并且两者有相似的危险因素、临床表现和诊断标准,但是两者发病机制不同,需采用的干预措施/预防措施不同,一旦被误诊为其他病因,未及时采取有效护理的话,患者谵妄症状持续恶化加重患者痛苦。
首先,现有技术中如公开号为CN108038627A的专利文献所提出的项目评估模型自动评估的装置,或是公开号为CN109069081A的专利文献所提出的涉及谵妄的监测的装置,相比于人工量表评估的方式均可以节省人力和时间,但由于其只能用于在已经出现谵妄的情况下实现单一的术后或术前谵妄诊断结果,而无法为需要进行手术的ICU患者提供有效预防或避免谵妄恶化的作用。
针对ICU谵妄护理临床领域已发生或可能发生中枢神经病变的且被安排需动手术的待评估对象,现有的单一的谵妄诊断技术无法起到有效预防或易导致谵妄恶化的问题,本发明所提出的评估装置,通过在术前即对待评估对象的情况进行分析并及时地将分析结果反馈至医师,该评估装置能够在术前指导优化当前待评估对象的手术信息,为医师如何在最小化谵妄发生/恶化的前提下调整手术参数提供可靠性参考,为现有谵妄诊断技术无法起到有效预防或易导致谵妄恶化的问题提出了有效的解决方案;
其次,更重要的是,ICU诊治困境之一就在于医师常常面临术后突发率极高的ICU患者突发无源性恶化的情况,面对种类繁多的谵妄危险因素、生理体征监测数据等大量信息,尤其是针对谵妄与POCD,两者有相似的危险因素、临床表现和诊断标准但两者发病机制不同、需采用的干预措施/预防措施不同,医师难以仅凭有限的临床经验准确甄别,更加难以快速确定出发病原因并快速制定有效的干预措施。而基于该问题,尚未见本领域内相关文献或专利文件提出解决该问题的硬件/系统,在此基础上,本发明提出了重症监护病房用的谵妄评估装置,其能够在术前术后持续地对待评估对象的情况进行分析评估,尤其地,是在术后在区分开谵妄表现与由POCD所引起的相似谵妄表现的基础上来实现的,能够及时地将风险与有效措施反馈至医师,有助于医师快速定向定位病因,而不是仅仅依赖于主治医师的临床经验,避免了因存在相似谵妄表现而加大诊治难度易误诊的严重后果。
针对本发明所提出的重症监护病房用的谵妄评估装置作如下详细说明:
评估装置包括处理器和存储设备。存储设备上存储有可用在处理器上运行的计算机程序。
处理器包括谵妄模型建立装置1。谵妄模型建立装置1用于获取训练数据集的术前参数及其谵妄结果作为训练属性。“训练数据”指的是依据待评估对象的待评估数据集,对医院信息系统或云平台或医学数据库等第三方信息系统,筛选其中与当前待评估对象情况相似的病例历史数据,并进行特征归一化等预处理,以此得到初步训练数据。优选地,预处理方法可以是性函数归一化、0均值归一化等常用处理方法。
根据一种优选实施方式,在预处理得到初步训练数据后,为使得不同分类标签下的样本数量比例之间趋于平衡,即避免由于随机过采样采取简单复制样本的策略来增加少数类样本而产生模型过拟合的问题,继续对初步训练数据作如下进一步处理:对获取的初步训练数据进行扩充,增加初步训练数据中少数类训练数据集的数量,得到手术优化预测值的数量分布均衡的训练数据。
计算初步训练数据中各属性对手术优化预测值的信息增益,确定与谵妄主要危险因素相关的第一属性以及与谵妄次要危险因素相关的第二属性。具体地,计算初步训练数据中各属性对手术优化预测值的信息增益,比较确定其中信息增益较大的初步训练数据的属性,信息增益与属性对手术优化预测值的影响呈正相关,以此,将信息增益较大的属性或称对手术优化预测值影响较大的属性视为第一属性。第一属性与谵妄主要危险因素相关。优选地,第一属性包含的危险因素: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、听力缺损等。第二属性与谵妄次要危险因素相关。优选地,第二属性包含的危险因素:疼痛、机械通气、使用镇静剂或止痛剂、活动受限、无家属陪伴等。优选地,上述信息增益(Kullback-Leibler divergence,又叫做information divergence)是通过下式进行计算的,
其中,如上式,计算信息增益IG(C,fi)分为两部分,一部分是计算类别C的熵H(C),另一部分是计算类别C在事件fi下的条件熵H(C|fi)。具体地,Nf指的是节点f上的训练数据集合,指的是在节点f上的全部训练数据中属于类别C的训练数据数量,F为节点f上属性的数量,指的是在节点f选择属性i的训练数据数量,指的是在选择属性i的样本中属于类别C的训练数据数量。
S101:对于少数类训练数据集中每一个样本x,以欧氏距离为标准计算它到少数类训练数据集中所有样本的距离,得到其k近邻。
S102:根据样本不平衡比例设置一个采样比例以确定采样倍率N,对于少数类训练数据集中每一个样本x,从其k近邻中随机选择若干个样本,假设选择的近邻为xn。即样本x与近邻xn的手术优化预测值相同,且其他属性相似。
S103:对于每一个随机选出的近邻xn,分别与原样本按照如下的公式构建新的样本:即样本x的第二属性取值与原样本x相同,样本x的第一属性取值为原样本x与近邻xn相应的第一属性值得随机中间值rand(0,1),
S104:重复步骤S101~S103,直到训练数据基于不同第一匹配度的数量分布达到均衡。优选地,以训练数据的各属性值与待评估对象的各属性值之间的不同第一匹配度为分类标签。
优选地,谵妄模型建立装置1采用术前谵妄评估学习算法,以训练生成术前预测模型。“术前谵妄评估学习算法”可以为现有的分类算法如Naive Bayesian Mode朴素贝叶斯模型、K Nearest Neighbors(KNN)K近邻、Support Vector Machines(SVM)支持向量机、Decision Trees决策树、Logistic Regression逻辑回归等。如下以多层感知器(Multi-Layer Perceptron,MLP神经网络算法)为例对术前预测模型的构建进行详细说明:首先,MLP神经网络算法是一种构造前馈人工神经网络模型的典型算法,其将输入的多个数据集映射到单一的输出的数据集上,可以解决任何线性不可分问题。MLP神经网络中包含了安排在多个层中的多个神经元(节点),相邻层的节点有连接或者边,所有的连接都配有权重,学习的目的即是为这些连接的边分配正确的权重.多层感知器可以从给定的训练数据/训练数据进行学习,并且根据给出的新的数据点,进行准确的预测。最初,所有的边权重都是随机分配的;对于所有训练数据集中的输入,人工神经网络都被激活,并且观察其输出;这些输出会和已知的、期望的输出进行比较,误差会传播回上一层;该误差会被标注,权重也会被相应的调整;重复该流程,直到输出误差低于预设的标准。上述算法结束后,即得到术前预测模型。
处理器还包括谵妄表现预测装置2和护理方案优化装置3。谵妄表现预测装置2至少基于术前预测模型,执行动态输入集分析以确定该待评估对象的谵妄表现预测输出集。作为一种优选实施方式,谵妄表现预测装置2基于术前预测模型所生成的手术优化预测参数集,执行动态输入集分析以确定该待评估对象的谵妄表现预测输出集。其中,“手术优化预测参数集”是由护理方案优化装置3将谵妄风险作为目标属性,协同该待评估对象的待评估数据集作为输入,应用术前预测模型所生成的。
针对“谵妄风险”进一步说明:谵妄风险指的是对于历史病例而言其术前术后的谵妄变化程度。例如针对以往未发生过谵妄且最近一次谵妄量表评估累计积分为0分、但在术后发生谵妄的待评估对象而言,谵妄风险可以设置为R1(也可是数值型),其表示此类待评估对象的风险程度较大;而针对以往发生过谵妄且最近一次谵妄量表评估累计积分为3分、在谵妄量表评估累计积分仍为3分的待评估对象而言,谵妄风险可以设置为R2(也可是数值型),其表示此类待评估对象的谵妄恶化风险程度较小。将谵妄风险作为目标属性即为将其应用为术前预测模型的主要目标,基于大量的已知病例历史数据进行分析,输出手术优化预测参数集。
针对“手术优化预测参数集”进一步说明:通过对大量的与当前待评估对象情况相似的已知病例历史数据进行分析,得到达到谵妄风险控制目标的历史数据,该部分历史数据中包括与当前待评估对象的手术信息相匹配的历史手术信息,该历史手术信息能够用于指导优化当前待评估对象的手术信息,或是为医师如何在最小化谵妄发生/恶化的前提下调整手术参数提供可靠性参考。
手术优化预测参数集主要是通过三种潜在风险途径下的触发事件对已发生谵妄人群提供干预优化措施,并同时也对未发生谵妄人群提供预防优化措施。三种潜在风险途径分别与三种谵妄危险因素(患者因素、疾病因素、治疗与环境因素)相对应。预防优化措施例如要求避免常规使用苯二氮类药物、要求监测麻醉深度、术中保持镇痛(瑞芬)、小剂量氟哌啶醇和非典型抗精神病药物等等。干预优化措施例如实行快速康复外科、快速诊断、鉴别诊断及处理、尽量缩短禁食禁饮时间等等。
以此,对于现有的单一的谵妄诊断技术而无法起到有效预防或易导致谵妄恶化的问题,本发明所提出的评估装置能够在术前即对待评估对象的情况进行分析并及时地将分析结果反馈至医师,该评估装置不仅是为在术前指导优化当前待评估对象的手术信息,为医师如何在最小化谵妄发生/恶化的前提下调整手术参数提供可靠性参考;更重要的是,ICU诊治困境之一就在于医师常常面临术后突发率极高的ICU患者突发无源性恶化的情况,面对种类繁多的谵妄危险因素、生理体征监测数据等大量信息,医师难以仅凭有限的临床经验快速确定出发病原因并快速制定有效的干预措施,基于该问题,本发明所提出的评估装置能够在术前术后持续地对待评估对象的情况进行分析评估,以及时地将风险与有效措施反馈至医师。例如在历史数据中与当前待评估对象情况相似的患者较大比例在术后1d~2d期间可能出现谵妄突发或谵妄恶化的情况下建议医师延长该评估对象的持续观察时间而不低于2d,在最大限度上避免目前临床上出现的在各项数据显示术后情况良好而脱离观察错失最佳诊治时机的情况。
评估装置还包括至少一个采集模块5。由采集模块5获取在术前、术中和术后中的至少一个手术阶段的关于待评估对象的可采集特征。优选地,采集模块5与被穿戴于待评估对象身上的传感器进行信息交互。传感器可以为经由Wi-Fi、蓝牙、ZigBee或其他无线标准连接的无线传感器。传感器与一个或多个接口6连接,接口6将传感器所生成的可采集特征有线或无线传送到评估装置的采集模块5。传感器所采集的可采集特征包括心率、血氧、呼吸频率、活动力、血压、温度或其他生命参数中的至少一个。传感器可以是用于确定血氧、呼吸频率、血压、心率、温度的光学传感器,各种电容式传感器或者还有任意其他类型的传感器。优选地,采集模块5与心电监护仪、床旁血气分析仪、床旁血液净化仪、呼吸机等ICU仪器以及医院信息系统进行信息交互。通过与医院信息系统进行交互,采集到待评估对象的具体手术操作以及术后情况,术后情况可以是由医护人员通过智能电子设备7填写上传而得到的。采集模块5所采集到的可采集特征可以包括术中出血情况、手术部位手术类型(腹部或胸外科手术或血液科手术)、手术方式(开腹或腔镜)、抗胆碱能药物或苯二氮卓类药物的应用、麻醉深度、手术与麻醉时间、术前禁水和脱水状况、低血压与血压波动、颅内压、缺氧中的至少一个。“具有时间相关特性的可采集特征”即可采集特征是根据术前、术中、术后的时间先后顺序分阶段地持续采集更新的。
谵妄表现预测装置2至少基于术前预测模型所生成的手术优化预测参数集,执行动态输入集分析以确定该待评估对象的谵妄表现预测输出集。优选地,谵妄表现预测装置2的动态输入集分析过程至少是基于具有时间相关特性的可采集特征来执行的。动态输入集分析过程至少包括以下至少一个步骤:
S201:获取由术前预测模型预处理后生成的训练数据集。所确定的训练数据集已按分类标签分好类。分类标签可以是训练数据的各属性值与待评估对象的各属性值之间的不同第一匹配度。
上述“各属性值”可以是指第一属性和第二属性。在护理方案优化装置3的分析处理中,训练数据集是用于构建术前预测模型以确定手术优化预测参数集的训练数据集,而经护理方案优化装置3预处理后的训练数据集还用于谵妄表现预测装置2确定该待评估对象的谵妄表现预测输出集。训练数据集中各个训练数据分别对应术前参数,术前参数包括其他病例的具有时间相关特性的多个可采集特征、以及手术实施方案。训练数据集中各个训练数据分别对应谵妄结果,其包括其他术后出现谵妄的病例(即指谵妄表现)的术后各可采集特征变化趋势、谵妄量表评估结果变化趋势、以及其他术后出现术后认知功能障碍的病例(即指由中枢神经病变所引起的相似谵妄表现)的术后各可采集特征变化趋势、谵妄量表评估结果变化趋势、以及其他术后未出现术后认知功能障碍或谵妄的病例的术后各可采集特征变化趋势、谵妄量表评估结果变化趋势。“相似谵妄表现”即指的是由中枢神经病变所引起的部分与谵妄表现相似的可量化指标。
S202:基于训练数据与待评估对象的不同第一匹配度进行分类后的各类别中的训练数据,可以确定不同第一匹配度下的谵妄表现、以及由中枢神经病变所引起的相似谵妄表现等。
S203:在获取到待评估对象的术后各可采集特征变化趋势、谵妄量表评估结果变化趋势等信息时,将其与谵妄表现、以及由中枢神经病变所引起的相似谵妄表现进行比对。
S204:基于第一匹配度与第二匹配度(即指待评估对象与其他病例的术后表现的匹配程度),预判当前待评估对象是否可能发生谵妄(或是谵妄恶化)的谵妄风险以及该预判结果的置信度。此处所得到的谵妄风险是在手术结束后,确定了手术具体时间、麻醉深度、药物使用等信息后,才进行预测所生成的风险预测。而在分析得到手术优化预测参数集的同时也确定有一个谵妄风险,该谵妄风险是在手术开始之前,在仅有手术方案的情况下所进行的风险预测,其是用于及时地在术前就将谵妄风险提供给医师以参考。即谵妄风险同样具有时间相关特性。从而,谵妄以及中枢神经病变的发病机制不同诊治方案不同,而基于已知的大量病例历史数据,可将谵妄表现与由中枢神经病变所引起的相似谵妄表现以可量化标准进行区分,以此本发明所提出的评估装置,是在术后在区分开谵妄表现与由中枢神经病变所引起的相似谵妄表现的基础上,实现了对待评估对象的准确的谵妄评估,有助于医师快速定向定位病因,而不是仅仅依赖于主治医师的临床经验,避免了因存在相似谵妄表现而加大诊治难度易误诊的严重后果。
根据一种优选实施方式,评估装置还包括预测修正装置4。预测修正装置4获取由谵妄表现预测装置2所生成的谵妄表现预测输出集,基于该谵妄表现预测输出集构建评估误差模型,并对谵妄表现预测输出集的评估误差进行预测。预测修正装置4基于预测结果修正并更新谵妄表现预测输出集。针对“评估误差模型”,其模型构建与上述步骤中对训练数据集进行训练生成术前预测模型的过程类似,评估误差模型同样是基于训练数据集的第一属性和第二属性、以及手术优化预测参数集采用术前谵妄评估学习算法(优选地其可以是与上述术前预测模型所采用的MLP神经网络算法)来构建的。针对“评估误差”进一步说明:抽取部分训练数据,将其作为输入集输入术前预测模型进行测试运算,得到谵妄风险,计算该谵妄风险与该部分训练数据中实际的谵妄情况之间的评估误差。继而,在对当前的待评估对象进行评估的过程中,可将其属性应用至评估误差模型进行计算生成其评估误差,并将得到的评估误差对由术前谵妄预测模型所得到的谵妄风险进行修正更新。基于此,本发明所提供的评估装置能够进一步地提高评估准确率。
根据一种优选实施方式,谵妄模型建立装置1通过其与至少一个第三方信息系统进行信息交互。“第三方信息系统”可以包括医院信息系统、云平台、医疗信息数据库(例如UpToDate临床顾问、BMJ Best Practice、JBI(JBI Systematic Review/JBI EvidenceSummary)、Cochrane Library(Cochrane Systematic Review)等等)或是谵妄相关指南网站(例如NICE指南网、SIGN指南网、NGC指南网、RNAO指南网等等)。谵妄模型建立装置1基于待评估对象的待评估数据集来获取第三方信息系统中的训练数据集,获取到的训练数据集满足该待评估对象的筛选条件。“筛选条件”可以是基于第一属性与第二属性中的一个或几个的组合以及预设匹配度或是信息匹配度或是数据完整度中的一个或几个。筛选条件可以是由医师提前预设也可以是该评估装置的默认值。
根据一种优选实施方式,在谵妄模型建立装置1筛选训练数据集的同时,由谵妄模型建立装置1对满足信息匹配度满足筛选条件但数据完整度不符合筛选条件的训练数据进行分析计算,并对计算更新后的该训练数据进行二次筛选。针对信息条目的匹配度满足筛选条件,例如手术类型、手术位置、年龄等多个信息条目均与当前待评估对象相匹配的病例历史数据,该部分病例历史数据中却未包含谵妄风险而不满足筛选条件对数据完整度的要求,无法继续进行筛选。此时谵妄模型建立装置1基于该病例历史数据中的其他信息对不完整的信息条目进行分析计算,并将计算更新后的该训练数据进行二次筛选。即在对大量训练数据集进行筛选的同时,对一次筛选中不符合筛选条件的训练数据进行分析计算并将其进行二次筛选,同步进行的筛选操作与计算操作能够有效地保证筛选出的训练数据集在数量上的要求,从而能够更好地构建更加符合当前待评估对象的计算模型。优选地,此时谵妄模型建立装置1将该类病例历史数据反馈回第三方信息系统,由第三方信息系统基于该病例历史数据中的其他信息对不完整的信息条目进行分析计算,并将计算更新后的该训练数据进行二次筛选。
本发明中的用于提供ICDSC谵妄评估界面的计算机处理器,指的是由医护人员操作的智能电子设备7例如智能手机等,是适合于重症监护病房等繁忙工作场合使用的谵妄评估辅助工具。该计算机处理器在评估结束后根据预先建立的ICDSC谵妄评估模型输出待评估对象的术前谵妄状态数据。
针对“用于提供ICDSC谵妄评估界面的计算机处理器”进一步说明:ICDSC,Intensive Care Delirium Screening Checklist,即为重症监护谵妄筛查量表。ICDSC已经被翻译成多种语言版本,被广泛验证和使用,然而,在应用过程中,纸质版ICDSC存在耗时、护士易评估出错等不足。针对ICDSC的用户需求,本发明以纸质原版ICDSC为蓝本,依据ICDSC的评估流程和内容,通过综合运用移动智能终端、计算机网络、数据库等智能化手段开发而成智能版ICDSC谵妄评估辅助工具,解决纸质版ICDSC在评估过程中出现的问题,为ICU护士提供一个简单、快速、有效的智能化谵妄评估工具,为谵妄的筛查和诊断提供依据。
智能版ICDSC以纸质原版ICDSC为蓝本,依据ICDSC的评估流程和内容,通过智能化手段设计和开发出来的。评估最终的得分与结果都遵循纸质原版的计算方法和定义,谵妄评估辅助工具由后台程序自动计算得分和显示评估结果,智能版ICDSC可以达到评估谵妄的作用,从而为谵妄的筛查和诊断提供依据。该工具的总体设计原则:第一,智能版ICDSC无需人工计算得分,评估结束后,系统自动计算得分,并呈现评估结果;第二,该工具设计有评估指导语,用户可根据指导语进行评估和点选;第三,评估流程规范,不会漏项。
针对“界面内容”进一步说明:ICDSC谵妄评估界面又包括7个评估子界面,分别对应纸质版ICDSC的7个条目,每个条目下都有若干个选项,选项为单选,每项分值为1分或0分,用户根据系统的提示进行评估,并在评估界面上依次点选每个条目下的选项,系统自动由后台程序完成对患者的评分,最终显示总分与评估结果,无需人工计算和判断评估结果。由于后台设置为条目2到条目7这7个条目,只要任何一个条目选择了选项而非跳过,或条目1选择了A/C选项,条目8都记为1分,因此,智能版ICDSC无需显示条目8的界面。ICDSC谵妄评估共包括8个条目,包括意识状态改变的水平、注意力不集中、定向障碍、幻觉、精神运动性兴奋或迟钝、不恰当的言语或情绪、睡眠/清醒周期紊乱、症状波动等谵妄相关特征的评估。每个条目为1分,共计8分。0分表示无谵妄发生;1~3分表示病人为亚谵妄;4~8分表示病人为谵妄。每8小时评估一次,可连续记录谵妄状态和谵妄发生程度。其中条目7和条目8是需要观察患者24h内的的睡眠情况和症状动态变化情况,可以通过回顾病人24h的病历得到数据从而完成其评估。
医护人员利用智能电子设备7对患者谵妄进行评估的步骤包括:
S11: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。
S12: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。
S13: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S13中的“谵妄评估模型”更具体地,步骤S13至少包括以下步骤中的一个或几个:
S131: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....};
S132: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;
S133: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;
S134:逐一调取ICDSC谵妄评估的条目i∈{1,2....7,8},获取所对应的Aij和/或Bij,并根据预先设定的分级判定条件确定当前患者的评估得分为哪一阶段;
“预先设定的分级判定条件”指的是,ICDSC谵妄评估共包括8个条目,包括意识状态改变的水平、注意力不集中、定向障碍、幻觉、精神运动性兴奋或迟钝、不恰当的言语或情绪、睡眠/清醒周期紊乱、症状波动等谵妄相关特征的评估。每个条目为1分,共计8分。0分表示无谵妄发生;1~3分表示病人为亚谵妄;4~8分表示病人为谵妄。每8小时评估一次,可连续记录谵妄状态和谵妄发生程度。其中条目7和条目8是需要观察患者24h内的的睡眠情况和症状动态变化情况,可以通过回顾病人24h的病历得到数据从而完成其评估。
本发明利用的是视频采集方式的辅助评估对谵妄评估过程进行双向验证。通常而言,双向验证方法将不可避免地增大数据处理量降低处理速度,系统反应迟缓而导致反馈至用户界面时用户使用不顺畅,进一步影响评估效率,无法达到快速评估,难以应用于谵妄意识模糊快速评估法。区别于上述现有双向验证方法,本发明提出了改进后的双向验证方法,对用户输入的信息以及获取模块即第三方的分析数据进行采集,再交由后台运行的处理模块进一步处理,即该过程与用户界面的加载采用并行化计算方式,不但保证了系统反应速度以及反馈至用户界面时用户的顺畅使用,达到了谵妄快速评估法的快速评估要求,并且可以区别于不同条目的评估要求,通过对待评估对象的多个生理状态信息进行多维度监测分析,得出了更接近待评估对象实际情况的第三方判定信息,使评估过程不再受用户操作的影响,避免了现有技术中单一问答评估方法所存在的主观性强且理解偏差较大的问题,以此能够提高谵妄评估结果的准确度。
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)
1.一种重症监护病房用的智能化谵妄评估装置,特别是针对如ICU病人的待评估对象的智能评估系统,并且所述待评估对象的语言表达能力、身体活动能力、面部表达能力中的至少一个能力受限,所述评估装置包括:
存储设备;
处理终端,其耦合至所述存储设备且用于提供ICDSC谵妄筛查量表评估界面,其由医护人员操作,且在评估结束后根据预先建立的ICDSC谵妄评估模型输出待评估对象的触发前谵妄状态数据,
其特征是,所述评估装置还包括:
谵妄模型建立装置(1),用于获取训练数据集的触发前参数及其谵妄结果作为训练属性,应用其训练生成触发前预测模型;
谵妄表现预测装置(2),用于至少基于所述触发前预测模型,执行动态输入集分析以确定该待评估对象的谵妄表现预测输出集,
以此,所述评估装置能够在区分开谵妄表现与由中枢神经病变所引起的相似谵妄表现的基础上实现对待评估对象的准确的谵妄评估。
2.根据权利要求1所述的智能化谵妄评估装置,其特征是,所述评估装置还包括护理方案优化装置(3),其用于对于待评估对象,将谵妄风险作为目标属性,协同该待评估对象的待评估数据集作为输入,应用所述触发前预测模型生成触发事件的优化预测参数集,以通过提供优化触发事件方案参考的方式最大限度地降低谵妄发生率或谵妄恶化程度;
谵妄表现预测装置(2),用于至少基于由所述触发前预测模型所生成的触发事件的优化预测参数集,执行动态输入集分析以确定该待评估对象的谵妄表现预测输出集。
3.根据前述权利要求之一所述的智能化谵妄评估装置,其特征是,所述评估装置还包括预测修正装置(4),其用于获取由所述谵妄表现预测装置(2)所生成的谵妄表现预测输出集,构建评估误差模型对所述谵妄表现预测输出集的评估误差进行预测,并修正更新所述谵妄表现预测输出集。
4.根据前述权利要求之一所述的智能化谵妄评估装置,其特征是,所述评估装置还包括至少一个采集模块(5),其用于获取在触发前、术中和术后中的至少一个触发事件阶段的关于待评估对象的可采集特征,以此所述谵妄表现预测装置(2)的动态输入集分析过程至少是基于具有时间相关特性的所述可采集特征来执行的。
5.根据前述权利要求之一所述的智能化谵妄评估装置,其特征是,所述谵妄模型建立装置(1)通过其与至少一个第三方信息系统进行信息交互,基于待评估对象的待评估数据集来获取所述第三方信息系统中的所述训练数据集,获取到的训练数据集满足该待评估对象的筛选条件。
6.根据前述权利要求之一所述的智能化谵妄评估装置,其特征是,在谵妄模型建立装置(1)筛选所述训练数据集的同时,由所述谵妄模型建立装置(1)对满足信息匹配度满足筛选条件但数据完整度不符合筛选条件的训练数据进行分析计算,并对计算更新后的该训练数据进行二次筛选。
7.一种谵妄评估系统,所述系统至少包括处理器和存储设备,所述存储设备上存储有可用在所述处理器上运行的计算机程序,其特征是,当所述计算机程序被所述处理器执行时实现如下步骤:
获取训练数据集的触发前参数及其谵妄结果作为训练属性,应用其训练生成触发前预测模型;
应用所述触发前预测模型生成触发事件的优化预测参数集;
至少基于所述触发事件的优化预测参数集,执行动态输入集分析以确定该待评估对象的谵妄表现预测输出集。
8.根据上述权利要求之一所述的谵妄评估系统,其特征是,当所述计算机程序被所述处理器执行时还可以实现如下步骤:
获取由所述谵妄表现预测装置(2)所生成的谵妄表现预测输出集,构建评估误差模型对所述谵妄表现预测输出集的评估误差进行预测,并修正更新所述谵妄表现预测输出集。
9.根据前述权利要求之一所述的谵妄评估系统,其特征是,当所述计算机程序被所述处理器执行时还可以实现如下步骤:
对获取的初步训练数据进行扩充,增加初步训练数据中少数类训练数据集的数量,得到触发事件的优化预测值的数量分布均衡的训练数据。
10.根据前述权利要求之一所述的谵妄评估系统,其特征是,当所述计算机程序被所述处理器执行时还可以实现如下步骤:
计算初步训练数据中各属性对触发事件的优化预测值的信息增益,确定与谵妄主要危险因素相关的第一属性以及与谵妄次要危险因素相关的第二属性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417656.9A CN111613337B (zh) | 2020-05-15 | 2020-05-15 | 一种重症监护病房用的智能化谵妄评估系统及评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417656.9A CN111613337B (zh) | 2020-05-15 | 2020-05-15 | 一种重症监护病房用的智能化谵妄评估系统及评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111613337A true CN111613337A (zh) | 2020-09-01 |
CN111613337B CN111613337B (zh) | 2023-11-14 |
Family
ID=72200377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010417656.9A Active CN111613337B (zh) | 2020-05-15 | 2020-05-15 | 一种重症监护病房用的智能化谵妄评估系统及评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111613337B (zh) |
Cited By (6)
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 |
CN112270994A (zh) * | 2020-10-14 | 2021-01-26 | 中国医学科学院阜外医院 | 一种风险预测模型的构建方法、设备、终端及存储介质 |
CN113069080A (zh) * | 2021-03-22 | 2021-07-06 | 上海交通大学医学院附属第九人民医院 | 一种基于人工智能的困难气道评估方法及装置 |
CN114913974A (zh) * | 2022-05-10 | 2022-08-16 | 上海市东方医院(同济大学附属东方医院) | 一种谵妄评估方法、装置、电子设备及存储介质 |
CN115274089A (zh) * | 2022-06-06 | 2022-11-01 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种护理风险评估预警方法及系统 |
CN116580855A (zh) * | 2023-05-22 | 2023-08-11 | 武汉市第三医院 | 放射性皮肤溃疡严重程度评估量表的信度检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120139908A (ko) * | 2011-06-20 | 2012-12-28 | 가톨릭대학교 산학협력단 | 섬망 고위험군 예측모형 시스템 및 그 예측모형 방법, 및 그것을 이용한 섬망 고위험군 예측 시스템 |
CN107180155A (zh) * | 2017-04-17 | 2017-09-19 | 中国科学院计算技术研究所 | 一种基于异构集成模型的疾病预测方法及系统 |
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 |
US20180353094A1 (en) * | 2015-12-04 | 2018-12-13 | University Of Iowa Research Foundation | Apparatus, Systems and Methods for Predicting, Screening and Monitoring of Encephalopathy/Delirium |
CN209232420U (zh) * | 2018-08-07 | 2019-08-09 | 首都医科大学 | 一种智能化谵妄评估装置 |
-
2020
- 2020-05-15 CN CN202010417656.9A patent/CN111613337B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120139908A (ko) * | 2011-06-20 | 2012-12-28 | 가톨릭대학교 산학협력단 | 섬망 고위험군 예측모형 시스템 및 그 예측모형 방법, 및 그것을 이용한 섬망 고위험군 예측 시스템 |
US20180353094A1 (en) * | 2015-12-04 | 2018-12-13 | University Of Iowa Research Foundation | Apparatus, Systems and Methods for Predicting, Screening and Monitoring of Encephalopathy/Delirium |
CN109069081A (zh) * | 2015-12-04 | 2018-12-21 | 爱荷华大学研究基金会 | 用于预测、筛查和监测脑病/谵妄的设备、系统和方法 |
CN107180155A (zh) * | 2017-04-17 | 2017-09-19 | 中国科学院计算技术研究所 | 一种基于异构集成模型的疾病预测方法及系统 |
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 |
CN209232420U (zh) * | 2018-08-07 | 2019-08-09 | 首都医科大学 | 一种智能化谵妄评估装置 |
Non-Patent Citations (1)
Title |
---|
SHARON K. INOUYE 等: "A Predictive Model for Delirium in Hospitalized Elderly Medical Patients Based on Admission Characteristics", ANNALS OF INTERNAL MEDICINE, vol. 119, no. 6, pages 474 - 481 * |
Cited By (9)
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 |
CN112270994A (zh) * | 2020-10-14 | 2021-01-26 | 中国医学科学院阜外医院 | 一种风险预测模型的构建方法、设备、终端及存储介质 |
CN112270994B (zh) * | 2020-10-14 | 2021-08-17 | 中国医学科学院阜外医院 | 一种风险预测模型的构建方法、设备、终端及存储介质 |
CN113069080A (zh) * | 2021-03-22 | 2021-07-06 | 上海交通大学医学院附属第九人民医院 | 一种基于人工智能的困难气道评估方法及装置 |
CN113069080B (zh) * | 2021-03-22 | 2021-12-21 | 上海交通大学医学院附属第九人民医院 | 一种基于人工智能的困难气道评估方法及装置 |
CN114913974A (zh) * | 2022-05-10 | 2022-08-16 | 上海市东方医院(同济大学附属东方医院) | 一种谵妄评估方法、装置、电子设备及存储介质 |
CN115274089A (zh) * | 2022-06-06 | 2022-11-01 | 安徽省立医院(中国科学技术大学附属第一医院) | 一种护理风险评估预警方法及系统 |
CN116580855A (zh) * | 2023-05-22 | 2023-08-11 | 武汉市第三医院 | 放射性皮肤溃疡严重程度评估量表的信度检测方法及系统 |
CN116580855B (zh) * | 2023-05-22 | 2023-11-03 | 武汉市第三医院 | 放射性皮肤溃疡严重程度评估量表的信度检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111613337B (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
Blackwood et al. | Protocolized versus non‐protocolized weaning for reducing the duration of mechanical ventilation in critically ill adult patients | |
Bone et al. | Risk factors for acquiring functional and cognitive disabilities during admission to a PICU | |
US20140316220A1 (en) | Personal Health Monitoring System | |
US20080114212A1 (en) | Detecting surgical phases and/or interventions | |
KR20190132290A (ko) | 환자 진단 학습 방법, 서버 및 프로그램 | |
CN113383395A (zh) | 用于睡眠障碍识别的决策支持软件系统 | |
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 | |
US20220015694A1 (en) | Systems and Methods for Preventing Sleep Disturbance | |
US20210241871A1 (en) | Systems and Methods for Reducing Patient Readmission to Acute Care Facilities | |
Jungquist et al. | Identifying patients experiencing opioid‐induced respiratory depression during recovery from anesthesia: The application of electronic monitoring devices | |
US20180071470A1 (en) | Tool for recommendation of ventilation therapy guided by risk score for acute respirator distress syndrome (ards) | |
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 | |
WO2014096118A2 (en) | System for monitoring a user | |
KR20210066271A (ko) | 마취 분야에서의 의료 딥러닝을 활용한 처방 시스템 | |
CN116168840B (zh) | 一种预测术后谵妄发生风险的方法、设备及系统 | |
Dietsch et al. | Swallowing mechanics associated with artificial airways, bolus properties, and penetration–aspiration status in trauma patients | |
KR101166647B1 (ko) | 노인 활력징후 이상에 따른 의사결정지원방법 및 시스템 | |
CN111613330B (zh) | 基于谵妄意识模糊快速评估法的智能评估系统 | |
Isetta et al. | Supporting patients receiving CPAP treatment: the role of training and telemedicine | |
JP7045749B1 (ja) | ソフトウェア、健康状態判定装置及び健康状態判定方法 | |
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 | |
US11721421B2 (en) | Pharmaceutical dispensing system | |
US20190335999A1 (en) | Method and apparatus for providing personized healthcare advice |
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 |