CN111613347A - 一种用于预防或干预谵妄的护理决策辅助方法及系统 - Google Patents

一种用于预防或干预谵妄的护理决策辅助方法及系统 Download PDF

Info

Publication number
CN111613347A
CN111613347A CN202010417437.0A CN202010417437A CN111613347A CN 111613347 A CN111613347 A CN 111613347A CN 202010417437 A CN202010417437 A CN 202010417437A CN 111613347 A CN111613347 A CN 111613347A
Authority
CN
China
Prior art keywords
delirium
care
nursing
information
processing device
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
Application number
CN202010417437.0A
Other languages
English (en)
Other versions
CN111613347B (zh
Inventor
吴瑛
张山
杨芳宇
杨雪
任幸
韩媛
肖艳艳
范环
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 CN202010417437.0A priority Critical patent/CN111613347B/zh
Publication of CN111613347A publication Critical patent/CN111613347A/zh
Application granted granted Critical
Publication of CN111613347B publication Critical patent/CN111613347B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Accommodation For Nursing Or Treatment Tables (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及一种用于预防或干预谵妄的护理决策辅助装置，所述装置包括：存储设备；处理终端，其耦合至存储设备且用于提供ICDSC谵妄筛查量表评估界面，其由护理人员操作，且在评估结束后根据预先建立的ICDSC谵妄评估模型输出护理对象的谵妄状态数据，所述装置包括第一处理设备，其耦合至存储设备且其被配置为基于谵妄风险预测的预测结果和护理决策模型进行主动式动态护理分析，基于反馈节点的时间相关性对护理分析结果与预测结果进行更新并分别地反馈至由护理人员操作的处理终端。

Description

一种用于预防或干预谵妄的护理决策辅助方法及系统
技术领域
本发明涉及谵妄照护技术领域，尤其涉及一种用于预防或干预谵妄的护理决策辅助方法及系统。
背景技术
随着医学的不断发展，医学专业的划分变得越来越细，很多临床医生对自己专业范围外的疾病领域知识掌握非常有限。而在临床真实环境中，患者的情况往往是复杂的，临床医生需要具备多学科多领域疾病知识，才能做出更加科学的临床判断。
临床决策支持系统(Clinical Decision Support System，CDSS)的出现为解决这一问题带来了极大的帮助。CDSS是指能够给临床工作者、患者或个体提供知识或统计信息，并可以自动选择适当的时机，智能地过滤或表示这些信息，以促进临床决策，减少人为的医疗错误，更好的提高医疗质量和患者安全。CDSS储存有大量的医学知识，且知识库内容不断更新、扩充，很大程度上弥补了临床医生医学知识的局限性。CDSS不仅能够帮助临床医生做出恰当的诊断决策，提高医疗效率，也可以帮助减少医疗差错，改善临床结果，从而可以间接地控制医疗费用的支出，降低医疗成本。
国内有很多研究医学知识库的医学研究机构和院校，开发了中医知识库、药学知识库和临床知识库，但是把知识库和信息系统整合到一起，提供决策支持的信息系统还非常少见。目前市场上的用药决策支持只有单纯的合理用药系统、处方点评等。
现有技术中如已授权的公开日为2019-08-06公开号为CN109448865B的专利文献提出了一种ICU临床决策支持系统，其所要解决的技术问题是在ICU快节奏的环境下，面对病情的爆发医护人员只能被动地应对，医生很难全面顾及大量的参数数据，无法在短时间内安排有效的病患处理顺序或是措施。而其所提出的解决方案是借助于ICU临床决策支持系统，通过病患监护装置采集病患人员的身体状态信息，根据对应各个病情的病情评分方法对各个身体症状信息的参数进行分类，在数千万计的数据中，对HIS在ICU中散乱的数据进行了过滤归结出的100个以内的临床医生最需要的关键数据，再结合病情评分方法分别评估各个病情的风险可能性，从而对ICU中经常出现的风险进行等级的划分并自动辨识风险，让医生能明确需要进行处理的症状及对策；对于处于第一等级的病情，能够生成提醒以及医护任务，帮助医护人员安排有效的病患处理顺序或是措施，减轻工作量并提高治疗安全性。
上述专利文献所提供的临床决策支持系统通过风险评估的方式，自动生成治疗决策方案并推送至医护人员，其虽然从工作负担以及治疗安全性上给予了医护人员一定的辅助作用，但针对危重症患者集中的ICU而言，治疗方案是把双刃剑，上述治疗方案所提供的又仅仅是与当前病症最为匹配有效的药物治疗或设备辅助治疗，未考虑到潜在的ICU谵妄风险。
一旦诱发谵妄或是使得谵妄加重将给患者精神上以及经济上带来严重的后果。据相关研究显示，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。
又如现有技术中已授权的公开日为2019-12-31公开号为CN105431851B的专利文献所提出的一种用于定制患者护理的健康护理决策支持系统，其所要解决的技术问题是：决策制定常常基于治疗师的经验与健康护理组的意见和对应的健康护理规程的组合，每个决策都考虑作为个体的患者以及他在其中生活的环境，难以将这样的组织决策指定过程映射到技术系统，目前，大多数决策因此主要基于医学支持人员的经验，责任医师将他的经验和他对患者的印象用于评估自我护理能力的水平、对护理安排的需要、随访约定以及专业支持。而其所提出的技术手段是提供一种用于定制患者护理的健康护理决策支持系统，包括处理器和计算机可读存储介质，其中，所述计算机可读存储介质包括用于由所述处理器运行的指令，所述指令使所述处理执行以下步骤：获得适应性康复环境中的患者的媒体刺激与反馈数据，所述媒体刺激与反馈数据包括关于所述患者与所述适应性康复环境的交互的信息；获得所述患者的状况数据；获得所述患者的电子健康记录数据；评价所获得的数据并确定包括关于所述患者集的信息的患者参数；并且将所述患者参数集提供给医学决策支持部件。
上述专利文献所提供的护理决策支持系统，在现有的仅仅考虑当前病症所提出的治疗方案的基础上，同时兼顾了治疗患者所处的适应性康复环境，但根据媒体刺激与反馈数据来调整护理决策，其实是被动式地随着患者反馈来提供护理措施，所以，一方面，其无法主动为ICU患者提供干预措施或预防措施，尤其是针对术后突发ICU谵妄的比例高达80％的ICU患者而言，主动式干预措施或预防措施尤其重要；另一方面，其无法区别已发生谵妄人群和未发生谵妄人群而无法分别地提供合理的ICU谵妄护理方案。
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
目前谵妄护理领域的现有技术中所提出的护理决策支持系统，其在现有的仅仅考虑当前病症所提出的治疗方案的基础上，根据媒体刺激与反馈数据来调整护理决策，其实际上是被动式地随着患者反馈来提供护理措施，一方面，存在其无法主动为ICU患者提供干预措施或预防措施的问题，尤其是针对术后突发ICU谵妄的比例高达80％的ICU患者而言，主动式干预措施或预防措施尤其重要；另一方面，存在其无法区别已发生谵妄人群和未发生谵妄人群而无法分别地提供合理的ICU谵妄护理方案的问题。
针对上述现有技术之不足，本发明提出了一种护理决策辅助装置，该护理决策辅助装置不仅适用于已发生过谵妄的ICU患者使用，主动向护理人员提供适用于此类护理对象的护理决策建议；同时该护理决策辅助装置还适用于未发生谵妄的ICU患者，基于区别于已发生过谵妄的ICU患者的不同护理目标来提供护理决策建议，以预防此类护理对象谵妄的发生。基于被划分为三种潜在风险途径下的多个触发事件，当监测到某一触发事件的发生时，从护理决策模型中调取至少一种护理建议方案，各护理建议方案包含针对各项干预优化措施或是预防优化措施的建议等级，基于该建议等级对由触发事件谵妄风险预测所得到的预测结果进行优先级排序。从而，多个护理建议方案是基于其对应的护理问题的重要性进行逻辑排序后，并以双通道信息呈现原则提供给护理人员的，降低了护理人员在护理过程中对决策的时间投入和无关的认知负荷。
优选地，如图1所示，第二处理设备将其采集到的数据进行处理，并将处理后得到的初步处理数据发送至第四处理设备，由第四处理设备根据该初步处理数据进行建模，并将得到的模型数据分别传输至第三处理设备和第一处理设备，第三处理设备根据该模型数据进行谵妄风险预测分析并将其生成的分析数据发送至第一处理设备进行处理，而第一处理设备根据其接收到的模型数据进行处理，将由第三处理设备和第一处理设备最后处理得到的数据发送至由护理人员操作的处理终端进行反馈。
在本发明中所提及的处理设备，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设备、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。
至少一个处理设备如第一处理设备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第一处理设备、所述第二处理设备、所述第三处理设备、所述第四处理设备以及处理终端。优选地，处理器还包括采集模块。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。处理设备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：本申请提出了一种用于预防或干预谵妄的护理决策辅助装置，所述装置包括：存储设备；处理终端，其耦合至存储设备且用于提供ICDSC谵妄筛查量表评估界面，其由护理人员操作，且在评估结束后根据预先建立的ICDSC谵妄评估模型输出护理对象的谵妄状态数据，所述装置包括第一处理设备，其耦合至存储设备且其被配置为基于谵妄风险预测的预测结果和护理决策模型进行主动式动态护理分析，基于反馈节点的时间相关性对护理分析结果与预测结果进行更新并分别地反馈至由护理人员操作的处理终端。
根据一种优选实施方式，所述装置还包括第二处理设备，其被配置为与医院信息系统进行信息交互，用于调取所述医院信息系统中的护理对象信息以及与该护理对象的标签相对应的所述护理决策模型。
根据一种优选实施方式，所述装置还包括第三处理设备，其被配置为基于所述触发事件信息和谵妄风险预测模型以至少区别于具有谵妄已发生标签的护理对象或具有谵妄未发生标签的护理对象的方式进行谵妄风险预测。
根据一种优选实施方式，所述反馈节点的时间相关性指的是由至少一个环境与至少一个时刻相交互所共同构成的反馈节点的时间序列。
根据一种优选实施方式，所述装置还包括第四处理设备，用于获取训练数据集的历史病例参数及其相关的谵妄结果作为训练属性，应用其训练生成谵妄风险预测模型。
根据一种优选实施方式，所述第一处理设备还被配置为至少基于所述谵妄风险预测模型，执行动态输入集分析以确定该护理对象的谵妄表现预测输出集。
根据一种优选实施方式，所述第三处理设备，其用于对于护理对象，将谵妄风险作为目标属性，协同该护理对象的待评估数据集作为输入，应用所述触发事件信息和所述谵妄风险预测模型生成触发事件优化预测参数集，以通过提供优化触发事件方案参考的方式进行谵妄风险预测，最大限度地降低谵妄发生率或谵妄恶化程度。
本申请还提出了一种护理决策辅助系统，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：以至少区别于具有谵妄已发生标签的护理对象或具有谵妄未发生标签的护理对象的方式进行谵妄风险预测；基于谵妄风险预测的预测结果和护理决策模型进行主动式动态护理分析；基于反馈节点的时间相关性对护理分析结果与预测结果进行更新并分别地反馈至由护理人员操作的处理终端。
根据一种优选实施方式，至少一个反馈节点的所述谵妄风险预测是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。
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用于实现如下步骤：与医院信息系统进行信息交互，调取所述医院信息系统中的护理对象信息以及与该护理对象的标签相对应的所述护理决策模型。
附图说明
图1是本发明提供的一种优选实施方式的护理决策辅助装置的简化模块连接关系示意图。
附图标记列表
101：第一处理设备 102：第二处理设备
103：第三处理设备 104：第四处理设备
105：处理终端
具体实施方式
下面结合附图对本发明进行详细说明。
Figure BDA0002494659670000051
Figure BDA0002494659670000061
实施例1
本实施例公开了一种用于预防或干预谵妄的护理决策辅助装置。
该护理决策辅助装置尤其指的是针对如ICU患者的护理对象的装置。
该护理决策辅助装置不仅适用于已发生过谵妄的ICU患者使用，主动向护理人员提供适用于此类护理对象的护理决策建议；同时该护理决策辅助装置还适用于未发生谵妄的ICU患者，基于区别于已发生过谵妄的ICU患者的不同护理目标来提供护理决策建议，以预防此类护理对象谵妄的发生。
上述ICU患者指的是在护理人员的辅助下完成一个或几个谵妄筛查量表后，基于谵妄筛查量表的结果判定有“谵妄已发生标签”或“谵妄未发生标签”的患者。
该护理决策辅助装置包括存储设备和处理终端105。该处理终端105耦合至存储设备且具有用于展示ICDSC谵妄筛查量表的评估界面。该处理终端105由护理人员来操作，在护理人员的辅助下将评估界面展示给护理对象。在评估结束后，该处理终端105可以根据预先建立的ICDSC谵妄评估模型输出当前护理对象的谵妄状态数据。
本申请中由护理人员操作的处理终端105，可以是但不限于只是计算机、手机、平板电脑等各类终端设备。
该护理决策辅助装置还包括第一处理设备(101)。第一处理设备(101)用于对护理对象进行主动式动态护理分析。“主动式动态护理分析”中主动式指的是该分析过程是在监测到触发事件时就自动执行的，而不是必须由护理人员手动选择才执行，从而能够保证对护理对象的护理及时性以及可靠的敏感性。“主动式动态护理分析”中动态指的是用于指示执行该分析过程的触发事件是动态可变的，该触发事件是基于当前护理对象的个体差异性所确定的，也就是不同护理对象在不同护理阶段下的触发事件可以是不同的，从而进一步提高了对护理对象的护理及时性以及可靠的敏感性。
该主动式动态护理分析过程是基于触发事件的谵妄风险预测的预测结果和护理决策模型来进行的。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，这里的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。
基于被划分为三种潜在风险途径下的触发事件，当监测到某一触发事件的发生时，由第一处理设备(101)来调取护理决策模型中所包含有至少一种护理建议方案。多个护理建议方案分别对应有建议等级。该建议等级指示对应的护理建议方案的重要程度以及实施先后次序。护理决策模型中包含针对各项干预优化措施或是预防优化措施的建议等级，基于该建议等级对由手术谵妄风险预测所得到的预测结果进行优先级排序。从而，多个护理建议方案是基于其对应的护理问题的重要性进行逻辑排序后，并以双通道信息呈现原则提供给护理人员的，降低了护理人员在护理过程中对决策的时间投入和无关的认知负荷。
优选地，本实施例中所提及的谵妄状态数据可以指的是在监测到触发事件前是否罹患谵妄的数据信息，触发事件的谵妄风险预测可以指触发事件本身可能对当前患者所造成的关于谵妄发生风险的预测。例如谵妄状态数据可以是谵妄状态数据，触发事件的谵妄风险预测可以是手术谵妄风险预测。
在执行主动式动态护理分析后，第一处理设备(101)基于反馈节点的时间相关性对护理分析结果与预测结果进行更新。由第一处理设备(101)将更新后的护理分析结果与预测结果分别地反馈至由护理人员操作的处理终端105。由于触发事件的发生只是第一处理设备(101)中所设定的可能诱发谵妄的预测事件，在监测到触发事件的同时ICU患者并未发生谵妄，当前所提出的护理建议方案是针对避免ICU患者发生谵妄所提出的，但随着时间的推移，ICU患者可能已经出现谵妄发生初期的表现症状，对此当前的护理建议方案已经不适用，进而由第一处理设备(101)来对护理分析结果与预测结果进行更新，以使得当前的护理建议方案能够快速给予护理人员正确有效的护理方案。
如下对本实施例所提出的护理决策辅助装置的实施流程进行说明：
(1)经过统一培训的护士在处理终端105(例如PDA)上点击“AID-CDSS”的图标进行入系统，护士第一次访问的时候，需要进行用户注册：点击桌面图标→注册→输入用户名→输入密码→输入科室→提交。
(2)注册成功的护士可以进行用户登录：点击桌面图标→输入用户名和密码→登录，登录谵妄系统之后，对于新增患者，输入患者病历号，系统自动获取患者的基本信息，包括姓名、床号、科室、入住ICU日期等
(3)点击“谵妄评估”，进入到谵妄评估工具界面，该界面会显示CAM-ICU评估条目，护士根据提示进行逐条评估，评估完毕后，系统自动显示患者是否存在谵妄。
(4)点击“危险因素”，进入到谵妄危险因素评估界面，评估患者目前存在的谵妄危险因素，包括患者因素(性别、年龄、体重指数等)、疾病因素(入院诊断、异常的实验室指标等)、治疗与环境因素(机械通气、约束、噪音等)，该系统能够自动获取的信息(如，实验室检查结果)，护士则不需要填写；该系统不能获取到的信息(如，患者睡眠情况)，护士再根据实际情况进行评估并填写信息。
(5)点击“护理措施”，该系统根据患者目前存在的谵妄危险因素情况自动生成个性化谵妄预防或干预方案，护士每日参照该个性化方案对患者进行护理照护，该系统设置提醒功能，提醒护士何时执行各种预防或干预措施，若未执行，记录原因；若执行，则在相应措施前的方框中点击“√”，则记录为护士完成了此条护理措施。
(6)每天上午8:00-10:00护士对入组患者应用AID-CDSS按照上述步骤评估和照护患者，下午16:00该系统提醒对患者进行第二次评估。
(7)通过应用程序后台自动保存护士每天谵妄和危险因素评估次数，以及个性化护理措施的依从情况。
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。
本实施例公开了一种用于预防或干预谵妄的护理决策辅助装置，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，ICU病房工作环境密闭，医生很少在病房里，护理人员要通过呼叫器与外界沟通，当处于ICU病房中的护理人员独自面临紧急情况而需要护理人员独立决策时，在无法确定有效护理决策的情况下，往往带给护理人员非常大的精神压力。
目前谵妄护理领域的现有技术中也提出了护理决策支持系统，其给出的护理决策基本都是建立在ICDSC谵妄筛查量表的结果上，ICDSC谵妄筛查量表的结果完全是由护理人员的观察记录所决定的。然而，在新型冠状病毒肺炎爆发期间，护理人员受到隔离防护件尤其是护目镜的影响，对护理对象的意识表达或病情观察存在偏差，即仅仅基于ICDSC谵妄筛查量表的结果是无法得到有效护理决策的，因而现有技术中所提出的护理决策支持系统也根本无法适用于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。
对此，本申请所提出的护理决策辅助装置是在已有的由护理人员所观察记录得到的ICDSC谵妄筛查量表的结果的基础上，通过多个传感器对护理对象进行监测，以在获取到护理对象将实施某项风险治疗的信息时，就预先地主动式地对护理对象进行谵妄风险预测，由谵妄风险预测结果与量表结果共同决定护理目标及护理决策。以此使得由本申请的装置所给出的护理决策对量表结果的依赖程度大大减少，提高了护理决策的及时性和可靠性。当处于ICU病房中的护理人员独自面临紧急情况而需要护理人员独立决策时，可以提供护理人员及时可靠的护理决策支持，极大地减轻了护理人员的精神压力。
同时，本申请所提出的护理决策辅助装置在获取到护理对象将实施某项风险治疗的信息时，就预先地主动式地对护理对象进行谵妄风险预测，基于对治疗前治疗中治疗后所划分的四个关键性干预时间段，分阶段地调整护理目标及护理决策，并将分析结果及时地反馈至护理人员。针对已感染新型冠状病毒的重症患者或危重症患者的护理对象，此类护理对象大多已出现神志不清或是表达不确定的状态，护理人员难以仅就当前各监测设备的参数或是观察护理对象的外在表现来判断是否可执行某项风险治疗。然而本申请所提出的护理决策辅助装置通过主动式谵妄风险预测，不仅为护理人员提供了可靠的谵妄风险意见，并且在风险治疗前就准备好风险治疗后的谵妄识别时机以及谵妄方案的快速响应。
本护理决策辅助装置包括第一处理设备101、第一处理设备102、第三处理设备103、第四处理设备104以及处理终端105。
S1：由护理人员操作处理终端105，对护理对象进行谵妄评估。在评估结束后，处理终端105根据预先建立的ICDSC谵妄评估模型输出护理对象的谵妄状态数据，并将该谵妄状态数据传输至第四处理设备104。
S2：在确认当前护理对象的手术信息时，对护理对象进行主动式动态护理分析。用于实施该步骤的处理器包括第一处理设备101、第一处理设备102、第三处理设备103以及第四处理设备104。具体地：
S21：第一处理设备102与医院信息系统进行信息交互，以查看医院信息系统中由护理人员录入的关于当前护理对象的手术信息。第一处理设备102将其采集到的数据进行处理，并将处理后得到的初步处理数据发送至第四处理设备104。
S22：在确定手术信息后，由第四处理设备104建立手术谵妄风险预测模型。由第四处理设备104根据该初步处理数据进行建模，并将其所得到的模型数据分别传输至第三处理设备103和第一处理设备101。
S23：第三处理设备103根据手术谵妄风险预测模型，对当前护理对象进行手术谵妄风险预测。第三处理设备103根据该模型数据进行手术谵妄风险预测分析并将其生成的分析数据发送至第一处理设备101进行处理。由于手术谵妄风险预测模型是预先就建立好的，其使得在实际监测到触发事件而需要进行手术谵妄风险预测时，第三处理设备103的数据处理速度快且可以获得更快的响应速度。
S24：第一处理设备101基于手术谵妄风险预测的预测结果和护理决策模型，对护理对象进行主动式动态护理分析。第一处理设备101根据其接收到的模型数据进行处理，将由第三处理设备103和第一处理设备101最后处理得到的数据发送至由护理人员操作的处理终端105进行反馈。
S3：第一处理设备101基于反馈节点的时间相关性，对护理分析结果与预测结果进行更新，并分别地反馈至由护理人员操作的处理终端105。
实施例3
本实施例可以是对实施例1、2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。
本实施例公开了一种用于预防或干预谵妄的护理决策辅助装置，本实施例所公开的该护理决策辅助装置可以是针对如术前ICU患者的护理对象的装置。
针对现有技术中所存在的无法区别已发生谵妄人群和未发生谵妄人群而无法分别地提供合理的ICU谵妄护理方案的问题，本实施例提出了一种护理决策辅助装置，该装置通过对护理对象进行监测以在获取到护理对象将实施手术的信息时，就预先地主动式地对护理对象进行谵妄风险预测，并基于对术前术中术后所划分的四个关键性干预时间段，分阶段地调整护理目标及护理决策，并将分析结果及时地反馈至护理人员。以此不仅为护理人员提供了可靠的手术谵妄风险，并且在术前就准备好术后的谵妄识别时机以及谵妄方案的快速响应，由于在术前就对术后谵妄进行了预测，并结合患者情况以及手术情况实时分析，从而术后能够确定至少一种谵妄干预方案，在护理人员对患者进行谵妄识别后立即更新谵妄干预方案，保证了谵妄干预方案的快速响应以及合理性。
优选地，在本发明中，“术前ICU患者”是指基于至少一个谵妄筛查量表的结果而具有谵妄已发生标签或谵妄未发生标签的、在进行手术之前已发生或可能发生中枢神经病变的患者。优选地，谵妄筛查量表是指重症监护谵妄筛查量表(Intensive Care DeliriumScreening Checklist，ICDSC)。优选地，“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(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。
目前谵妄护理领域的现有技术中所提出的护理决策支持系统，通过在现有的仅仅考虑当前病症所提出的治疗方案的基础上，根据媒体刺激与反馈数据来调整护理决策，其实是被动式地随着患者反馈来提供护理措施，一方面，存在其无法主动为ICU患者提供干预措施或预防措施的问题，尤其是针对术后突发ICU谵妄的比例高达80％的ICU患者而言，主动式干预措施或预防措施尤其重要；另一方面，存在其无法区别已发生谵妄人群和未发生谵妄人群而无法分别地提供合理的ICU谵妄护理方案的问题。
针对上述现有技术之不足，本发明提出了一种护理决策辅助装置，该装置通过对护理对象进行监测以在获取到护理对象将实施手术的信息时，就预先地主动式地对护理对象进行手术谵妄风险预测，并基于对术前术中术后所划分的四个关键性干预时间段，分阶段地调整护理目标及护理决策，并将分析结果及时地反馈至护理人员。
以此不仅为护理人员提供了可靠的手术谵妄风险，并且在术前就准备好术后的谵妄识别时机以及谵妄方案的快速响应，由于在术前就对术后谵妄进行了预测，并结合患者情况以及手术情况实时分析，从而术后能够确定至少一种谵妄干预方案，在护理人员对患者进行谵妄识别后立即更新谵妄干预方案，保证了谵妄干预方案的快速响应以及合理性。
针对本发明所提出的用于预防或干预谵妄的护理决策辅助装置作如下详细说明：
本发明所提出的装置包括至少一个处理设备、系统存储设备以及至少一个计算机可读存储介质。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。至少一个处理设备用于执行计算机可执行指令。为明确多个处理设备之间的数据传递关系，如下先对由该装置所实施的用于预防或干预谵妄的护理决策辅助方法/计算机可执行指令进行说明，该方法包括至少一个以下步骤：
S1：对护理对象进行谵妄评估。
通过由护理人员操作的处理终端105执行该计算机可执行指令。由该处理终端105来提供ICDSC谵妄筛查量表评估界面，并在评估结束后，该处理终端105根据预先建立的ICDSC谵妄评估模型输出护理对象的谵妄状态数据。本发明中的用于提供ICDSC谵妄评估界面的处理终端105，可以指由护理人员操作的智能电子设备例如智能手机等，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。
S2：在确认当前护理对象的手术信息时，对护理对象进行主动式动态护理分析。用于实施该步骤的处理器包括第一处理设备101、第一处理设备102、第三处理设备103以及第四处理设备104。具体地：
S21：与医院信息系统进行信息交互，以查看医院信息系统中由护理人员录入的关于当前护理对象的手术信息。
由第一处理设备102执行该计算机可执行指令。针对步骤S21优选地，在与医院信息系统进行信息的同时，基于反馈节点的时间相关性，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、和/或调取医院信息系统中的护理对象信息以及与该护理对象的标签相对应的护理决策模型。在确定当前护理对象需进行手术后，护理人员将手术信息上传至医院信息系统。第一处理设备102与医院信息系统进行信息交互，从而第一处理设备102能够确认当前护理对象近期将实施的手术信息。这里所指的手术信息包括手术类型及手术部位、(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、术前禁水和脱水要求等。
优选地，在确认医院信息系统中已上传该手术信息的情况下，由第一处理设备102来调取医院信息系统中的护理对象信息以及与该护理对象的标签相对应的护理决策模型。“护理对象信息”主要包括谵妄主要危险因素与谵妄次要危险因素。其中，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、听力缺损等；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、无家属陪伴等。此外，护理对象信息还应至少包含有该护理对象的病史信息以及文化敏感度量值等。而“与该护理对象的标签相对应的护理决策模型”是指由医院信息系统基于该护理对象的谵妄已发生标签或是谵妄未发生标签所生成的护理决策模型。护理决策模型中包含有至少一种护理建议方案以及该护理建议对应的建议等级。建议等级可以是基于谵妄护理相关指南或是由专家小组所共同决定的。根据建议等级所表示的优选次序，护理人员能够快速明确护理方案及其中需注意的重要护理步骤。
S22：在确定手术信息后，建立手术谵妄风险预测模型。
该计算机可执行指令被配置为由第四处理设备104来执行。优选地，获取训练数据集及其相关的POD结果，将训练数据集的历史病例参数及POD结果作为训练属性，应用其训练生成手术谵妄风险预测模型。训练数据集及其相关的POD结果，是由第四处理设备104基于待评估对象的待评估数据集(包括由处理终端105所确定的谵妄状态数据)，与医院信息系统和第三方信息系统进行信息交互来获取的。获取到的训练数据集满足该待评估对象的筛选条件。筛选条件可以是由医师提前预设也可以是该护理决策辅助装置的默认值。其中，“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 Evidence Summary)、CochraneLibrary(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)。
S23：根据手术谵妄风险预测模型，对当前护理对象进行手术谵妄风险预测。
该计算机可执行指令被配置为由第三处理设备103来执行。优选地，基于手术信息和手术谵妄风险预测模型以至少区别于具有谵妄已发生标签的护理对象或具有谵妄未发生标签的护理对象的方式进行手术谵妄风险预测。更为优选地，将POD风险作为目标属性，协同该护理对象的待评估数据集作为输入，应用手术信息和手术谵妄风险预测模型生成手术优化预测参数集进行手术谵妄风险预测，最大限度地降低谵妄发生率或谵妄恶化程度。其中，优选地，以通过提供优化手术方案参考的方式进行手术谵妄风险预测。所提供的优化手术方案参考，是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POD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。优化手术方案参考主要是通过三种潜在风险途径下的触发事件来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
Figure BDA0002494659670000121
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。
根据一种优选实施方式，优化手术方案参考是由第三处理设备103将POD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，应用手术谵妄风险预测模型所生成的。优选地，“POD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，POD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POD量表评估累计积分仍为3分的待评估对象而言，POD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POD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，输出作为优化手术方案参考的手术优化预测参数集。
S24：基于手术谵妄风险预测的预测结果和护理决策模型，对护理对象进行主动式动态护理分析。
该计算机可执行指令被配置为由第一处理设备101来执行。第一处理设备101基于手术谵妄风险预测的预测结果和护理决策模型进行主动式动态护理分析。“主动式动态护理分析”中的主动式护理是相对谵妄领域中现有的被动式地随着患者反馈来提供护理措施的护理决策支持系统而言的，而动态护理是指基于反馈节点的时间相关性来分阶段地提供护理决策辅助分析。手术谵妄风险预测的预测结果主要是通过三种潜在风险途径，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。
本申请中护理决策模型是由第四处理设备104将其所获取到的训练数据集的历史病例参数及其相关的有效护理方案作为训练属性，应用所述训练属性至谵妄护理评估学习算法，以训练生成护理决策模型。护理决策模型中包含有至少一种护理建议方案以及该护理建议对应的建议等级。该建议等级指示对应的护理建议方案的重要程度以及实施先后次序。护理决策模型中包含针对各项干预优化措施或是预防优化措施的建议等级，基于该建议等级对由手术谵妄风险预测所得到的预测结果进行优先级排序。
S3：基于反馈节点的时间相关性，对护理分析结果与预测结果进行更新，并分别地反馈至由护理人员操作的处理终端105。
该计算机可执行指令被配置为由第一处理设备101来执行。优选地，第一处理设备101基于反馈节点的时间相关性，对护理分析结果与预测结果进行更新，并分别地反馈至由护理人员操作的处理终端105。其中，“反馈节点的时间相关性”指的是由两个环境与三个时刻相交互所共同构成的反馈节点的时间序列。其中，两个环境是指位于ICU病房和位于手术室内。三个时刻是指术前、术后、术后探视。进而，反馈节点至少包括两个环境与三个时刻相交互所构成的术前位于ICU病房内、术前位于手术室内、术后位于ICU病房内以及术后探视位于ICU病房内四个反馈护理分析结果与预测结果的节点。上述四个反馈节点的护理目标和护理决策均不相同，因此本发明将上述四个反馈节点相区分开来，按其时间序列分别地对护理目标及护理决策进行分析及更新，并及时地反馈至护理人员所操作的处理设备进行显示。进一步优选地，术前位于ICU病房内可以划分为在确定手术信息后至转移到手术室之前的在ICU病房中的第一时间段，术前位于手术室内可以划分为在转移到手术室后至进行麻醉之前，术后位于ICU病房内可以划分为在完成手术后转移回ICU病房内的麻醉时效以外的时间段(或患者可能苏醒的时间段，以及术后探视位于ICU病房内可以划分为在患者术后有家属探视的时间段。
例如，基于手术谵妄风险预测所得到的预测结果包括：定向力重建(在易被护理对象看到的位置放置时钟、日历、开窗等帮助护理对象重新定向)，将其对应至护理决策模型后输出其建议等级为A级建议(针对处于术后位于ICU病房内的反馈节点)。例如，基于手术谵妄风险预测所得到的预测结果包括：向探视护理对象的家属提供谵妄教育(主要是基于文化敏感度量值所确定的更便于理解具有文化实用性的沟通方式，主要指的是家属在探视过程中可以如何来开展更有效地交流)，将其对应至护理决策模型后输出其建议等级为A级建议(针对处于术后探视位于ICU病房内的反馈节点)。
针对“用于提供ICDSC谵妄评估界面的处理设备”进一步说明：ICDSC，IntensiveCare 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。
如下对上述内容中由本装置所包含的各处理设备所执行的可执行计算机指令分别以优选实施方式进一步详细说明：
根据一种优选实施方式，第一处理设备102用于获取训练数据集的历史病例参数及其POD结果作为训练属性。“训练数据”指的是依据护理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，筛选其中与当前护理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。
优选地，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，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informationdivergence)是通过下式进行计算的，
Figure BDA0002494659670000151
其中，
Figure BDA0002494659670000152
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，
Figure BDA0002494659670000154
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，
Figure BDA0002494659670000156
指的是在节点f选择属性i的训练数据数量，
Figure BDA0002494659670000155
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：
Figure BDA0002494659670000153
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护理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，第四处理设备104采用术前谵妄评估学习算法，以训练生成手术谵妄风险预测模型。“术前谵妄评估学习算法”和“谵妄护理评估学习算法”可以为现有的分类算法如Naive Bayesian Mode朴素贝叶斯模型、K Nearest NeighborsKNN K近邻、Support VectorMachinesSVM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)为例对手术谵妄风险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，即得到护理决策模型/手术谵妄风险预测模型。
第一处理设备101至少基于手术谵妄风险预测模型，执行动态输入集分析以确定该护理对象的POD表现预测输出集。作为一种优选实施方式，第一处理设备101基于由手术谵妄风险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护理对象的POD表现预测输出集。作为一种优选实施方式，第一处理设备101基于由护理决策模型所生成的护理方案集，执行动态输入集分析以确定该护理对象的护理方案预测输出集。其中，“手术优化预测参数集”是由第三处理设备103将POD风险作为目标属性，协同该护理对象的待评估数据集作为输入，应用手术谵妄风险预测模型所生成的。其中，“手术优化预测参数集”还包括第三处理设备103将POD风险作为目标属性，协同该护理对象的待评估数据集作为输入，应用护理决策模型所得到的护理方案集。
针对“POD风险”进一步说明：POD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护理对象而言，POD风险可以设置为R1(也可是数值型)，其表示此类护理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POD量表评估累计积分仍为3分的护理对象而言，POD风险可以设置为R2(也可是数值型)，其表示此类护理对象的谵妄恶化风险程度较小。将POD风险作为目标属性即为将其应用为手术谵妄风险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护理对象情况相似的已知病例历史数据进行分析，得到达到POD风险控制目标的历史数据，该部分历史数据中包括与当前护理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护理对象的手术信息，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中的护理方案集，指的是：通过对大量的与当前护理对象情况相似的已知病例历史数据进行分析，得到达到POD风险控制目标的历史数据，该部分历史数据中包括与当前护理对象的手术信息相匹配的术后护理方案信息，该术后护理方案信息能够用于指导优化当前护理对象的术后护理方案，或是为医师如何在避免谵妄发生/恶化的前提下选择有效护理方案提供可靠性参考。
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(post operative delirium，POD)需与术后认知功能障碍(postoperative cognitive dysfunction，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。
以此，对于现有的单一的POD诊断技术而无法起到有效预防或易导致谵妄恶化的问题，本发明所提出的护理决策辅助装置能够在术前即对护理对象的情况进行分析并及时地将分析结果反馈至医师，该护理决策辅助装置不仅是为在术前指导优化当前护理对象的手术信息，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，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，本发明提出了用于预防或干预谵妄的护理决策辅助装置，其能够在术前术后持续地对护理对象的情况进行分析评估，尤其地，是在术后在区分开POD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。
根据一种优选实施方式，护理决策辅助装置还包括至少一个采集模块。由采集模块获取在术前、术中和术后中的至少一个手术阶段的关于护理对象的可采集特征。优选地，采集模块与被穿戴于护理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连接，接口将传感器所生成的可采集特征有线或无线传送到护理决策辅助装置的采集模块。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，采集到护理对象的具体手术操作以及术后情况，术后情况可以是由护理人员通过智能电子设备填写上传而得到的。采集模块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。
本发明所提出的护理决策辅助装置能够在术前术后持续地对护理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护理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。
根据一种优选实施方式，第一处理设备101至少基于手术谵妄风险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护理对象的POD表现预测输出集。优选地，第一处理设备101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：获取由手术谵妄风险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护理对象的各属性值之间的不同第一匹配度。
优选地，上述“各属性值”可以是指第一属性和第二属性。在第三处理设备103的分析处理中，训练数据集是用于构建手术谵妄风险预测模型以确定手术优化预测参数集的训练数据集，而经第三处理设备103预处理后的训练数据集还用于第一处理设备101确定该护理对象的POD表现预测输出集。训练数据集中各个训练数据分别对应历史病例参数，历史病例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POD结果，其包括其他术后出现谵妄的病例(即指POD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POD表现相似的可量化指标。
S202：基于训练数据与护理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POD表现、以及由中枢神经病变所引起的相似谵妄表现等。
S203：在获取到护理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POD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(即指护理对象与其他病例的术后表现的匹配程度)，预判当前护理对象是否可能发生POD(或是POD恶化)的POD风险以及该预判结果的置信度。此处所得到的POD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POD风险，该POD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POD风险同样具有时间相关特性。从而，POD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POD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护理决策辅助装置，是在术后在区分开POD表现与由中枢神经病变所引起的相似谵妄表现的基础上，实现了对护理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，护理决策辅助装置还包括至少一个处理设备(未在图中示出)。该处理设备获取由第一处理设备101所生成的POD表现预测输出集，基于该POD表现预测输出集构建评估误差模型，并对POD表现预测输出集的评估误差进行预测。该处理设备基于预测结果修正并更新POD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手术谵妄风险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手术谵妄风险预测模型所采用的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手术谵妄风险预测模型进行测试运算，得到POD风险，计算该POD风险与该部分训练数据中实际的POD情况之间的评估误差。继而，在对当前的护理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POD风险进行修正更新。基于此，本发明所提供的护理决策辅助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，第一处理设备102基于护理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护理对象的筛选条件。“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护理决策辅助装置的默认值。
根据一种优选实施方式，在第一处理设备102筛选训练数据集的同时，由第一处理设备102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护理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POD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。此时第一处理设备102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护理对象的计算模型。优选地，此时第一处理设备102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。
对谵妄进行评估的步骤S1更具体地为：
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。
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：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；
S135：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。
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)

1.一种用于预防或干预谵妄的护理决策辅助装置，所述装置包括：
存储设备；
处理终端(105)，其耦合至存储设备且用于提供ICDSC谵妄筛查量表评估界面，其由护理人员操作，且在评估结束后根据预先建立的ICDSC谵妄评估模型输出护理对象的谵妄状态数据，
其特征是，
所述装置包括第一处理设备(101)，其耦合至存储设备且其被配置为基于谵妄风险预测的预测结果和护理决策模型进行主动式动态护理分析，基于反馈节点的时间相关性对护理分析结果与预测结果进行更新并分别地反馈至由护理人员操作的处理终端(105)。
2.根据权利要求1所述的装置，其特征是，所述装置还包括第一处理设备(102)，其被配置为与医院信息系统进行信息交互，用于调取所述医院信息系统中的护理对象信息以及与该护理对象的标签相对应的所述护理决策模型。
3.根据前述权利要求之一所述的装置，其特征是，所述装置还包括第三处理设备(103)，其被配置为基于所述触发事件信息和谵妄风险预测模型以至少区别于具有谵妄已发生标签的护理对象或具有谵妄未发生标签的护理对象的方式进行谵妄风险预测。
4.根据前述权利要求之一所述的装置，其特征是，所述反馈节点的时间相关性指的是由至少一个环境与至少一个时刻相交互所共同构成的反馈节点的时间序列。
5.根据前述权利要求之一所述的装置，其特征是，所述装置还包括第四处理设备(104)，用于获取训练数据集的历史病例参数及其相关的谵妄结果作为训练属性，应用其训练生成谵妄风险预测模型。
6.根据前述权利要求之一所述的装置，其特征是，所述第一处理设备(101)还被配置为至少基于所述谵妄风险预测模型，执行动态输入集分析以确定该护理对象的谵妄表现预测输出集。
7.根据前述权利要求之一所述的装置，其特征是，所述第三处理设备(103)，其用于对于护理对象，将谵妄风险作为目标属性，协同该护理对象的待评估数据集作为输入，应用所述触发事件信息和所述谵妄风险预测模型生成触发事件优化预测参数集，以通过提供优化触发事件方案参考的方式进行谵妄风险预测，最大限度地降低谵妄发生率或谵妄恶化程度。
8.一种护理决策辅助系统，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：
以至少区别于具有谵妄已发生标签的护理对象或具有谵妄未发生标签的护理对象的方式进行谵妄风险预测；
基于谵妄风险预测的预测结果和护理决策模型进行主动式动态护理分析；
基于反馈节点的时间相关性对护理分析结果与预测结果进行更新并分别地反馈至由护理人员操作的处理终端(105)。
9.根据权利要求8所述的护理决策辅助系统，其特征是，至少一个反馈节点的所述谵妄风险预测是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。
10.根据权利要求9所述的护理决策辅助系统，其特征是，当所述计算机程序被所述处理器执行时还用于实现如下步骤：与医院信息系统进行信息交互，调取所述医院信息系统中的护理对象信息以及与该护理对象的标签相对应的所述护理决策模型。
CN202010417437.0A 2020-05-15 2020-05-15 一种用于预防或干预谵妄的护理决策辅助方法及系统 Active CN111613347B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010417437.0A CN111613347B (zh) 2020-05-15 2020-05-15 一种用于预防或干预谵妄的护理决策辅助方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010417437.0A CN111613347B (zh) 2020-05-15 2020-05-15 一种用于预防或干预谵妄的护理决策辅助方法及系统

Publications (2)

Publication Number Publication Date
CN111613347A true CN111613347A (zh) 2020-09-01
CN111613347B CN111613347B (zh) 2023-11-14

Family

ID=72202066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010417437.0A Active CN111613347B (zh) 2020-05-15 2020-05-15 一种用于预防或干预谵妄的护理决策辅助方法及系统

Country Status (1)

Country Link
CN (1) CN111613347B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112309555A (zh) * 2020-11-04 2021-02-02 苏州麦迪斯顿医疗科技股份有限公司 一种针对患者的护理计划管理方法、系统及存储介质
CN113486255A (zh) * 2021-09-08 2021-10-08 南京麦豆健康管理有限公司 一种基于互联网的产后线上咨询匹配系统及方法
CN113990501A (zh) * 2021-10-28 2022-01-28 江苏省人民医院（南京医科大学第一附属医院） 一种icu患者身体约束决策方法
CN114842717A (zh) * 2022-05-17 2022-08-02 浙江大学 一种重症监护病房用的智能化谵妄评估模型
TWI789040B (zh) * 2020-09-30 2023-01-01 大陸商北京優理醫療器械有限公司 生理數據的收集、管理、顯示裝置、方法及系統
CN116469565A (zh) * 2023-03-29 2023-07-21 中国人民解放军总医院 航空医学应急救援自适应模拟场景控制方法、系统及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150363567A1 (en) * 2014-06-13 2015-12-17 T.K. Pettus LLC Comprehensive health assessment system and method
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
KR20200046946A (ko) * 2018-10-26 2020-05-07 재단법인 아산사회복지재단 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법 및 프로그램

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150363567A1 (en) * 2014-06-13 2015-12-17 T.K. Pettus LLC Comprehensive health assessment system and method
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
KR20200046946A (ko) * 2018-10-26 2020-05-07 재단법인 아산사회복지재단 섬망 여부의 조기 판단 및 섬망의 중증도 판단 방법 및 프로그램

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱虹 等: "基于谵妄风险评估策略下的分层护理干预对预防ICU 患者谵妄发生的影响", 医学临床研究, vol. 36, no. 2, pages 415 - 416 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI789040B (zh) * 2020-09-30 2023-01-01 大陸商北京優理醫療器械有限公司 生理數據的收集、管理、顯示裝置、方法及系統
CN112309555A (zh) * 2020-11-04 2021-02-02 苏州麦迪斯顿医疗科技股份有限公司 一种针对患者的护理计划管理方法、系统及存储介质
CN113486255A (zh) * 2021-09-08 2021-10-08 南京麦豆健康管理有限公司 一种基于互联网的产后线上咨询匹配系统及方法
CN113486255B (zh) * 2021-09-08 2021-11-16 南京麦豆健康管理有限公司 一种基于互联网的产后线上咨询匹配系统及方法
CN113990501A (zh) * 2021-10-28 2022-01-28 江苏省人民医院（南京医科大学第一附属医院） 一种icu患者身体约束决策方法
CN114842717A (zh) * 2022-05-17 2022-08-02 浙江大学 一种重症监护病房用的智能化谵妄评估模型
CN116469565A (zh) * 2023-03-29 2023-07-21 中国人民解放军总医院 航空医学应急救援自适应模拟场景控制方法、系统及装置

Also Published As

Publication number Publication date
CN111613347B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
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
Basilakis et al. Design of a decision-support architecture for management of remotely monitored patients
US20200221990A1 (en) Systems and methods for assessing and evaluating renal health diagnosis, staging, and therapy recommendation
US20170262609A1 (en) Personalized adaptive risk assessment service
Paré et al. Home telemonitoring for chronic disease management: an economic assessment
Samal et al. Health information technology to improve care for people with multiple chronic conditions
CN113383395A (zh) 用于睡眠障碍识别的决策支持软件系统
US20190392952A1 (en) Computer-implemented methods, systems, and computer-readable media for diagnosing a condition
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
Heitz et al. Performance of the maximum modified early warning score to predict the need for higher care utilization among admitted emergency department patients
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
CN111613281A (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
CN116168840B (zh) 一种预测术后谵妄发生风险的方法、设备及系统
KR101166647B1 (ko) 노인 활력징후 이상에 따른 의사결정지원방법 및 시스템
Demiris Home based e-health applications
CN111613330B (zh) 基于谵妄意识模糊快速评估法的智能评估系统
US11721421B2 (en) Pharmaceutical dispensing system
Alhorishi et al. Using machine learning to predict early preparation of pharmacy prescriptions at psmmc-a comparison of four machine learning algorithms
US20190335999A1 (en) Method and apparatus for providing personized healthcare advice
Graham et al. In-hospital cardiac arrest and post-arrest care
US12040062B2 (en) Systems and methods for reducing patient readmission to acute care facilities
US20210241871A1 (en) Systems and Methods for Reducing Patient Readmission to Acute Care Facilities
US11322250B1 (en) Intelligent medical care path systems and methods
Hu A quantitative approach to patient risk assessment and safety optimization in intensive care units

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