CN111839486B - 预估血压骤降的方法及电子装置 - Google Patents
预估血压骤降的方法及电子装置 Download PDFInfo
- Publication number
- CN111839486B CN111839486B CN201910467127.7A CN201910467127A CN111839486B CN 111839486 B CN111839486 B CN 111839486B CN 201910467127 A CN201910467127 A CN 201910467127A CN 111839486 B CN111839486 B CN 111839486B
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- dip
- electronic device
- processing unit
- threshold value
- 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
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 289
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims description 66
- 230000035945 sensitivity Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000001631 haemodialysis Methods 0.000 description 12
- 230000000322 hemodialysis Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 238000005534 hematocrit Methods 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 238000000502 dialysis Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Vascular Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- External Artificial Organs (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种预估血压骤降的方法及电子装置,并具有下列步骤:接收相应第一使用者的第一生理信息;接收第一使用者的第一当前血压;依据血压特征模型、第一生理信息以及第一当前血压获取降压事件概率值;判断降压事件概率值是否不小于触发门槛值;以及在判断降压事件概率值不小于触发门槛值时,判断血压骤降事件会发生。
Description
技术领域
本发明是有关于一种预估技术,且特别是有关于一种预估血压骤降的方法与电子装置。
背景技术
血液透析是常见的医疗手段之一。在进行血液透析的过程中,血液会引流至透析机后再导回体内,可能会使病患脱水而导致血压骤降,造成身体不适。然而在病患感到身体不适的时候,血压骤降已发生一段时间了。此外,由于每位病患的身体状况不同,且在病患状况不稳的时候,仍须仰赖医护人员专业的判断及实时的监控,增加了医疗成本。为了能够减少病患产生不适感,并降低医疗成本,目前存在预估血压骤降的需求,基于此,预估血压骤降成为本领域技术人员所致力研究的课题。
发明内容
本发明提供一种预估血压骤降的方法与电子装置,以提前预估病患产生血压骤降的情形。
在本发明的一实施例中,预估血压骤降的方法具有下列步骤:接收相应第一使用者的一第一生理信息;接收第一使用者的一第一当前血压;依据血压特征模型、第一生理信息以及第一当前血压获取降压事件概率值;判断降压事件概率值是否不小于触发门槛值;以及在判断降压事件概率值不小于触发门槛值时,判断血压骤降事件会发生。
在本发明的一实施例中,用以预估血压骤降的电子装置具有输入单元、储存单元以及处理单元。输入单元接收相应第一使用者的第一生理信息以及第一当前血压。储存单元储存血压特征模型。处理单元连接输入单元以及储存单元,并依据血压特征模型、第一生理信息以及第一当前血压获取降压事件概率值。处理单元还判断降压事件概率值是否不小于触发门槛值,并在判断降压事件概率值不小于触发门槛值时,判断血压骤降事件会发生。
基于上述,本发明所提供的用以预估血压骤降的电子装置以及预估血压骤降的方法中,会透过血压特征模型进而事先预测血压骤降情形的发生。基于此,医护人员能在发生血压骤降的情形前先对病患进行处置,以避免病患产生不适。此外,对于医护人员而言,也能够将注意力放在真正有需求的病患身上,减轻医护人员的负担。
附图说明
为让本发明的上述特征和优点能更明显易懂,下文特举实施例,并配合所附图式作详细说明如下:
图1绘示本发明一实施例预估血压骤降的电子装置的示意图。
图2绘示本发明一实施例预估血压骤降的电子装置的结构示意图。
图3绘示本发明一实施例预估血压骤降的方法的流程示意图。
图4绘示本发明一实施例建置血压特征模型的示意图。
图5绘示本发明一实施例接收回馈操作的流程示意图。
图6绘示本发明一实施例电子装置的应用示意图。
附图标记:
100、200、200a、200b:电子装置
110:输入单元
120:储存单元
130:处理单元
D1:血压正常数据群
D2:血压骤降资料群
d1:第一数据集
d2:第二数据集
S310~S350:步骤
具体实施方式
图1绘示本发明一实施例预估血压骤降的电子装置的示意图。请参照图1,电子装置100被应用于血液透析过程之中,并用以预估使用者是否会发生血压骤降的情形。在本发明的一实施例中,电子装置100可以为血液透析机、控制仪器、或者任何能够接收使用者的生理数据并执行运算功能的电子装置,本发明并不限制电子装置100的类型。
图2绘示本发明一实施例预估血压骤降的电子装置的结构示意图。请参照图2,在本发明的一实施例中,电子装置100至少具有输入单元110、储存单元120以及处理单元130。
输入单元110是用以接收使用者的生理信息。使用者的生理信息例如为,血液浓度、血液的钠浓度、干体重、血球容积比(Hematocrit,HCT)、胰岛素、尿素氮、肌酐酸、钙、胆固醇、铁中的一个或多个,且本发明并不以此为限。
在本发明的一实施例中,输入单元110可以为键盘、鼠标、触控面板等,以让医护人员输入使用者的生理信息。除此之外,输入单元110也可以是各类型的量测装置,例如,血压计、血液分析仪等,以量测使用者的生理参数并将生理参数直接输入电子装置100。又或者是,输入单元110可以为各类型的端口,并与各类型的量测装置、处理装置(例如,个人计算机)等连接,以通过端口进行数据传输,藉此以获取使用者的生理信息。此外,输入单元110也可以为上述各个装置的组合,或者是其他能够获取使用者生理信息的装置,本发明并不限于此。
储存单元120用以储存电子装置100运行所需的各类数据与程序代码。在本实施例中,储存单元120可以是任何型态的固定或可移动随机存取内存(Random Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存(flash memory)、硬盘(Hard DiskDrive,HDD)、固态硬盘(Solid State Drive,SSD)或类似组件或上述组件的组合,且本发明不限于此。
处理单元130连接于输入单元110以及储存单元120,用以执行电子装置100所需要的各种运算,并且,处理单元130例如为中央处理单元(Central Processing Unit,CPU),或是其他可程序化的一般用途或特殊用途的微处理器(Microprocessor)、数字信号处理器(Digital Signal Processor,DSP)、可程序化控制器、特殊应用集成电路(ApplicationSpecific Integrated Circuit,ASIC)或其他类似组件或上述组件的组合,本发明不限于此。
图3绘示本发明一实施例预估血压骤降的方法的流程示意图。在此实施例中,预估血压骤降的方法至少适用于图1及图2的电子装置100,然而本发明并不以此为限。以下将通过图1至图3说明如何通过电子装置100的输入单元110、储存单元120以及处理单元130的协作,以完成预估血压骤降的方法的细节。
在步骤S310,处理单元130会通过输入单元110接收相应第一使用者的生理信息。并且,在S320,处理单元130会通过输入单元110接收第一使用者的第一当前血压。如同前述,输入单元110会接收医护人员所输入相应使用者的生理信息,或者是藉由量测或者是连接到其他电子装置而将使用者的生理信息输入至电子装置100,于此即不再赘述。
在步骤S330,处理单元130依据血压特征模型、第一生理信息以及第一当前血压获取降压事件概率值。详细来说,血压特征模型是预先通过机器学习的方式,建立用以预估未来血压的规则。处理单元130建立并储存血压特征模型于储存单元120的细节会于后方再进行说明。
降压事件概率值是用以表示在未来某个时间点或时间区间发生血压骤降的机率,在此实施例中,降压事件概率值是在未来的30分钟发生血压骤降事件的机率,例如,35%。
在步骤S340,处理单元130判断降压事件概率值是否不小于触发门槛值。在步骤S350,处理单元130在判断降压事件概率值不小于警示阈值时,判断血压骤降事件会发生。触发门槛值则是用以判断血压骤降事件是否发生的标准,倘若降压事件概率值不小于触发门槛值,处理单元130会预测此病患在未来会发生血压骤降的情形。换句话说,倘若触发门槛值越小,表示即使处理单元130判断发生血压骤降的机率很小,处理单元130仍会判断此病患在未来会发生血压骤降的情形。承前例,倘若触发门槛值为35%,且在未来30分钟时,倘若病患发生血压骤降事件的机率不小于35%,处理单元130判断血压骤降事件会发生。在本发明的一实施例中,触发门槛值可以由医护人员进行调整,并储存在储存单元120中,本发明不限于此。
值得一提的是,处理单元130在判断血压骤降事件会发生时,可以进一步发出警示通知。在本发明的实施例中,发出警示通知的方法例如为,发出警示音、显示警示讯息、发送警示讯息至护理站或护理人员持有的电子装置等,并会依据电子装置100的不同设计而有所调整,本发明并不以此为限。
藉由电子装置100的输入单元110、储存单元120以及处理单元130完成的预估血压骤降的方法中,能够在病患发生血压骤降事件之前,事先预测血压骤降情形的发生。基于此,医护人员能在发生血压骤降的情形前先对病患进行处置,以避免病患产生不适。此外,对于医护人员而言,也能够将注意力放在真正有需求的病患身上,减轻医护人员的负担。
图4绘示本发明一实施例建置血压特征模型的示意图。以下将搭配图4说明处理单元130建置血压特征模型的方法。
在开始建置血压特征模型之前,处理单元130会先获取建置血压特征模型的训练数据。具体来说,训练数据中的每一笔包括来自病患的生理信息以及在进行血液透析时的状态信息,例如,病患在进行血液透析前的生理数据、血液透析中的血压变化、血液透析结束后的生理数据以及血压等。处理单元130会以「每次进行血液透析」为搜集训练资料的基础,也就是说,不论是否已存在相同病患的数据的训练数据,每一个重复或不重复的病患,在每一次进行血液透析时,皆可视为一笔训练数据,然本发明并不限于此。
在进行血液透析的临床表现上,没有发生血压骤降的病患数量是发生血压骤降的病患数量的17倍,为不平衡数据(imbalance data)。如此一来,倘若同时对所有的训练数据进行特征提取与平均,会产生偏重于没有发生血压骤降的病患的血压特征模型,使得运用血压特征模型判断发生血压骤降的情形时,容易造成误判。为了弭平不平衡数据的差异,首先,处理单元130会依据病患在血液透析的过程中是否发生血压骤降,进而将训练数据分成血压正常数据群D1及血压骤降数据群D2,其中血压正常资料群D1是相应没有发生血压骤降的病患的训练数据,血压骤降数据群D2是相应发生血压骤降的病患的训练数据。
详细来说,处理单元130会依据血压骤降规则对训练数据进行分群。在本实施例中,血压骤降规则例如为下述表一的三种情形。也就是说,当病患的血压变化满足下列三种情形其中之一,则表示此病患发生血压骤降的情况。
前一笔血压BP1 | 下一笔血压BP2 | |
情形一 | BP1≦100 | BP2≦BP1×90% |
情形二 | 100<BP1<140 | BP2≦BP1×50%+40 |
情形三 | 140≦BP1 | BP2≦BP1-30 |
表一:血压骤降规则(数值单位:毫米汞柱mmHg)
表一所述的前一笔血压BP1与下一笔血压BP2为量测时间间隔30分钟的血压,又或者是,前一笔血压BP1与下一笔血压BP2为依据量测时间中最接近的两笔,本发明并不以此为限。在情形一中,若前一笔血压BP1小于等于100mmHg,且下一笔血压BP2小于等于前一笔血压BP1的90%,则表示发生血压骤降的情形。在情形二中,若前一笔血压BP1介于100mmHg与140mmHg之间,且下一笔血压BP2小于等于前一笔血压BP1的50%加上40mmHg,则表示发生血压骤降的情形。在情形三中,若前一笔血压BP1等于或高于140mmHg,且下一笔血压BP2小于等于前一笔血压BP1减30,则表示发生血压骤降的情形。也就是说,对于不同的病患而言,由于每一个人的生理信息都不同,因此判断血压骤降的门槛也不相同。须说明的是,在本发明的其他实施例中,血压骤降的情形也能够依实际的设计需求与专业的医疗知识而有所调整,本发明不限于此。在本实施例中,血压骤降规则会被事先储存在储存单元120中。
接着,处理单元130会分别从血压正常数据群D1以及血压骤降数据群D2中分别选取第一数量以及第二数量的数据作为第一数据集d1及第二数据集d2,并对第一数据集d1及第二数据集d2进行训练,以获取血压骤降特征。
由于血压骤降数据群D2是我们真正关注的数据,因此,在此实施例中,第一数量会小于或等于第二数量,以强化第二数据集d2的特征强度。在其他实施例中,第一数量也可以略大于第二数量,例如,第一数量为55笔,第二数量为50笔,然而在第一数量与第二数量的比值趋近于1时,从第二数据集d2获取的特征的强度越高,而使获取的血压骤降特征较能反应第二数据集d2。
举例来说,倘若血压正常数据群D1共有950笔数据,血压骤降数据群D2中共有50笔数据,处理单元130会选取血压骤降数据群D2中的所有数据作为第二数据集d2,即第二数量为50。并且,处理单元130会设定第一数量相同于第二数量,即第一数量亦为50,进而从血压正常数据群D1中选取50笔数据做为第一数据集d1。又或者是,处理单元130会预先设定第一数量及第二数量为定值(例如,第一数量及第二数量皆为50、分别为60和50、40和50、30和50、20和50等)。又或者是,处理单元130也可以设定第一数量与第二数量的比例,例如,1:1、1.2:1、1:2、1:3等,并将第二数量设定为定值,(例如,血压骤降数据群D2的数据量),本发明不限制如何设定第一数量以及第二数量。此外,处理单元130例如是依据随机抽样从血压正常数据群D1以及血压骤降数据群D2中抽取第一数量以及第二数量的数据,或者是通过随机分配等方式将血压正常数据群D1以及血压骤降数据群D2分别分成多组,并分别选取其中一组,然本发明不限于此。
处理单元130会对第一数据集d1及第二数据集d2进行特征提取程序。详细来说,处理单元130是依据自适应增强算法(Adaptive Boosting,Adaboost)对第一数据集d1以及第二数据集d2进行运算,以获取血压骤降特征,然本发明不限于此。
在本发明的一实施例中,处理单元130会多次地获取不同的第一数据集d1以及第二数据集d2并进行运算,并且每一次都会获取一组血压骤降特征。最后,处理单元130会将所有的血压骤降特征取平均值,以产生血压特征模型。
并且,本实施例进一步采用敏感度(Sensitivity)、错误遗失率(False OmissionRate,FOR)以及误判率(False Positive Rate,FPR)对血压特征模型的成果进行评估。敏感度为在所有实际发生血压骤降的情形中,依据血压特征模型预估出会发生血压骤降的情形的比例,因此敏感度越高越好。错误遗失率为在所有预测无发生血压骤降的情形中,实际发生血压骤降的情形的比例,因此错误遗失率越低越好。误判率为在所有实际无发生血压骤降的情形中,实际上发生血压骤降情形的比例,因此误判率越低越好。在这些评估的指标之中,敏感度为主要的优先考虑指标。在一个实际的实验中,通过图4的实施例所建立的血压特征模型中,在设定触发门槛值为0.35时,敏感度能够到达90.08%,错误遗失率为1.07%,误判率为54.83%。
惟须注意的是,在本发明的其他实施例中,血压特征模型的建置并不以前述方法为限。在本发明的其他实施例中,处理单元130也可以通过内插法的方式增强血压骤降数据群D2的数据量,以使血压骤降数据群D2的数量与血压正常数据群D1的数量相近。本发明并不以此为限。
值得一提的是,在本发明的一实施例中,医护人员还能进一步对电子装置100提供的警示通知进行回馈操作。图5绘示本发明一实施例接收回馈操作的流程示意图。
在接收到第一生理信息及初始血压时,处理单元130还会进一步依据血压特征模型、第一生理信息、初始血压以及降压临界值计算警示阈值。详细来说,警示阈值是用以判断血压骤降事件发生的临界值。倘若使用者的血压降到了警示阈值时,表示血压骤降事件发生。也就是说,降压事件概率值可以被视为由第一当前血压转变为警示阈值的概率值。举例来说,倘若第一当前血压为120mmHg,经由血压特征模型的计算,处理单元130会判断当病患的血压掉到102mmHg时会发生血压骤降事件。此时,警示阈值会被设定为102mmHg。
当对病患的血压进行评估在未来30分钟内,血压掉到警示阈值的机率会不小于触发门槛值时,处理单元130会发出警示通知。此时,医护人员能够依据自身专业的知识,进一步判断是否对此病患进行进一步医疗处置。倘若判断警示通知为真,也就表示依据现在的血压,未来病患的血压确实有可能发生血压骤降事件,须对病患进行医疗处置。此时,医护人员可以进一步按下「处置」按钮。
当处理单元130接收到此处置操作时,由于此警示阈值为可以信赖的,处理单元130不会变更原本警示阈值的设定。
然而,若判断警示通知并不为真,即表示在病患现在的生理参数下,血压骤降事件可能不会发生。此时,医护人员可以按下「解除警报」的按钮。处理单元130接收到解除警报操作时,表示警示阈值有可能不正确,或者是,对30分钟后的血压估测不正确。因此,处理单元130会重新依据第一生理信息、初始血压以及第一当前血压调整血压特征模型,进而依据第一生理信息、初始血压、第一当前血压以及调整后的血压特征模型产生预估阈值。此预估阈值表示在当前的血压之下,在未来30分钟时可能会到达的血压值。也就是说,预估阈值表示在现在的时间点对未来30分钟时的估计,警示阈值为依据血压特征模型对病患在发生血压骤降事件的判断标准。倘若预估阈值不小于警示阈值,则表示通过医护人员的回馈,并依据第一当前血压进行调整后的血压特征模型后,处理单元130对未来血压的估计不低于警示阈值,因此,处理单元130不再发出警报。然而,倘若预估阈值小于警示阈值,表示经过医护人员的回馈,处理单元130对未来血压的估计会低于警示阈值,仍有可能发生血压骤降的事件。此时,处理单元130会继续地发出警报通知。
藉由医护人员的实时回馈,能够使电子装置100随时调整血压特征模型,以优化血压特征模型的表现。
值得一提的是,在一个实验中,对本实施例的预估血压骤降的方法以及现行采用的回归模型进行仿真,以对两个方法进行成效评估。承上述,由于在评估病患是否发生血压骤降的时候,敏感度为医护人员最为关切的指标,因此,在设计实验时是依据回归模型的敏感度22.67%为基准,进而设置本实施例在敏感度亦为22.67%的情形下,其他变量的表现情形。也就是说,在此实验中,预估血压骤降的方法的触发门槛值会使的整体表现落于敏感度22.67%。藉此,以评估本实施例预估血压骤降的方法以及现行的回归模型在原始模型的敏感度皆为22.67%时,经过医护人员调整后的表现情形。
在回归模型中,原始的敏感度为22.67%,在经过医护人员的回馈调整后,敏感度降为19.36%、错误遗失率为5.33%以及误判率为13.02%。并且,发出的警示通知数量为2268个。
在本实施例的预估血压骤降的方法中,回馈调整后的敏感度为23.38,错误遗失率为4.65%、误判率为4.48%,发出的警示通知数量为943个。也就是说,相较于现行的回归模型,采用本实施例的预估血压骤降的方法不仅能够提升敏感度,同时,错误遗失率与误判率也跟着下降了。不仅如此,警示通知的数量更降为采用回归模型时的41%,有效降低了医护人员的负担。
图6绘示本发明一实施例电子装置的应用示意图。请参照图6,在此实施例中,预估血压骤降的方法适用于具有云端电子装置200、第一电子装置200a、第二电子装置200b,且云端电子装置200、第一电子装置200a以及第二电子装置200b皆可采用图1、图2的电子装置100进行实作,然本发明不限于此。在第一电子装置200a采用预估血压骤降的方法对第一使用者进行血压骤降事件的预估,并接收医护人员的回馈操作(例如,接收处置操作、解除警报操作或者其他被输入的信息,本发明不限于此)之后,第一电子装置200a会将调整后的血压特征模型通过云端电子装置200传送至第二电子装置200b。藉此,第二电子装置200b能够通过调整后的血压特征模型调整第二电子装置200b所储存的血压特征模型。
值得一提的是,在本发明的一实施例中,云端电子装置200仅扮演媒介的角色,即相互传递调整后的血压特征模型至另一第一电子装置200a或第二电子装置200b。第一电子装置200a和第二电子装置200b在接收到来自云端电子装置200的调整后的血压特征模型后,会各自进行运算,以优化自身所储存的血压特征模型。
然而,在本发明的另一实施例中,云端电子装置200还会扮演统合的角色,即先将来自所有第一电子装置200a、第二电子装置200b的调整后的血压特征模型进行统和运算,以获得优化的血压特征模型,再将此优化后的血压特征模型传送至第一电子装置200a与第二电子装置200b。本发明并不限于此。
综上所述,本发明所提供的用以预估血压骤降的电子装置以及预估血压骤降的方法中,会透过血压特征模型进而事先预测血压骤降情形的发生。基于此,医护人员能在发生血压骤降的情形前先对病患进行处置,以避免病患产生不适。此外,对于医护人员而言,也能够将注意力放在真正有需求的病患身上,减轻医护人员的负担。不仅如此,用以预估血压骤降的电子装置以及预估血压骤降的方法也会在医护人员的回馈中实时调整血压特征模型以及对血压骤降事件的评估情况,实时适应病患的身体状况,并提升预估血压骤降的表现。调整后的血压特征模型能够进一步被应用在其他的电子装置上,并相互学习,以提升整体血压特征模型的表现。
虽然本发明已以实施例描述如上,然其并非用以限定本发明,所属技术领域中任何技术人员,在不脱离本发明的精神和范围内,当可作些许的更改、变动与润色,故本发明的保护范围当视前附的权利要求所界定者为准。
Claims (14)
1.一种预估血压骤降的方法,其特征在于,包括:
接收相应一第一使用者的一第一生理信息;
接收该第一使用者的一第一当前血压;
依据一血压特征模型、该第一生理信息以及该第一当前血压获取一降压事件概率值;
判断该降压事件概率值是否不小于一触发门槛值;以及
在判断该降压事件概率值不小于该触发门槛值时,判断一血压骤降事件会发生;
还包括:判断该血压骤降事件会发生时,发出一警示通知;
还包括:
接收该第一使用者的一初始血压;以及
依据该血压特征模型、该第一生理信息、该初始血压、降压临界值获取一警示阈值;
还包括:
接收一警示解除操作,并依据该第一生理信息、该初始血压及该第一当前血压调整该血压特征模型;
依据该第一生理信息、该第一当前血压、该触发门槛值和调整后的该血压特征模型产生一预估阈值;预估阈值表示在当前的血压之下,在未来预设时刻到达的血压值;
判断该预估阈值是否小于该警示阈值;
在该预估阈值小于该警示阈值时,发出该警示通知;以及
在该预估阈值不小于该警示阈值时,不发出该警示通知;
其中,采用敏感度、错误遗失率以及误判率对血压特征模型进行评估;敏感度为在所有实际发生血压骤降的情形中,依据血压特征模型预估出发生血压骤降的情形的比例;错误遗失率为在所有预测无发生血压骤降的情形中,实际发生血压骤降的情形的比例;误判率为在所有实际无发生血压骤降的情形中,实际上发生血压骤降情形的比例。
2.如权利要求1所述的预估血压骤降的方法,其特征在于,还包括:
依据一特征提取程序获取多个血压骤降特征,其中每一血压骤降特征是从多个第一数据集的其中之一以及一第二数据集中所提取;以及
平均所述多个血压骤降特征,以获取该血压特征模型。
3.如权利要求2所述的预估血压骤降的方法,其特征在于,还包括:
从一血压正常数据群中选取一第一数量的数据做为该第一数据集;以及
从一血压骤降数据群中选取一第二数量的数据做为该第二数据集,其中,该第一数量等于该第二数量。
4.如权利要求2所述的预估血压骤降的方法,其特征在于,该特征提取程序是依据一自适应增强算法对所述多个第一数据集的其中之一以及该第二数据集进行运算,以获取所述多个血压骤降特征。
5.如权利要求3所述的预估血压骤降的方法,其特征在于,还包括:
接收多个训练数据;以及
依据一血压骤降规则,判断所述多个训练数据属于该血压正常数据群或该血压骤降数据群。
6.如权利要求1所述的预估血压骤降的方法,其特征在于,还包括:
接收一处置操作;以及
依据该处置操作,不变更该警示阈值。
7.如权利要求1所述的预估血压骤降的方法,其特征在于,该预估血压骤降的方法适用于一第一电子装置与一第二电子装置,且该方法还包括:
由该第一电子装置传送调整后的该血压特征模型至该第二电子装置;以及
由该第二电子装置依据调整后的该血压特征模型调整储存在该第二电子装置中的一第二血压特征模型。
8.一种用以预估血压骤降的电子装置,其特征在于,包括:
一输入单元,接收相应一第一使用者的一第一生理信息以及一第一当前血压;
一储存单元,储存一血压特征模型;以及
一处理单元,连接该输入单元以及该储存单元,依据该血压特征模型、该第一生理信息以及该第一当前血压获取一降压事件概率值,其中该处理单元判断该降压事件概率值是否不小于一触发门槛值;以及
其中响应于该降压事件概率值不小于该触发门槛值,该处理单元判断会发生一血压骤降事件;
该处理单元在判断该血压骤降事件会发生时,发出一警示通知;
该输入单元接收该第一使用者的一初始血压;以及
其中该处理单元依据该血压特征模型、该第一生理信息、该初始血压、降压临界值获取一警示阈值;
其特征在于,
该输入单元接收一警示解除操作;
该处理单元依据该第一生理信息、该初始血压及该第一当前血压调整该血压特征模型;
该处理单元依据该第一生理信息、该第一当前血压、该触发门槛值和调整后的该血压特征模型产生一预估阈值;预估阈值表示在当前的血压之下,在未来预设时刻到达的血压值;
该处理单元判断该预估阈值是否小于该警示阈值;
其中该处理单元在该预估阈值小于该警示阈值时,发出该警示通知,以及在该预估阈值不小于该警示阈值时,不发出该警示通知;
其中,采用敏感度、错误遗失率以及误判率对血压特征模型进行评估;敏感度为在所有实际发生血压骤降的情形中,依据血压特征模型预估出发生血压骤降的情形的比例;错误遗失率为在所有预测无发生血压骤降的情形中,实际发生血压骤降的情形的比例;误判率为在所有实际无发生血压骤降的情形中,实际上发生血压骤降情形的比例。
9.如权利要求8所述的电子装置,其特征在于,该处理单元依据一特征提取程序获取多个血压骤降特征;
其中每一血压骤降特征是从多个第一数据集的其中之一以及一第二数据集中所提取;以及
其中该处理单元平均所述多个血压骤降特征,以获取该血压特征模型。
10.如权利要求9所述的电子装置,其特征在于,该处理单元从一血压正常数据群中选取一第一数量的数据做为该第一数据集,并从一血压骤降数据群中选取一第二数量的数据做为该第二数据集;以及
其中,该第一数量等于该第二数量。
11.如权利要求9所述的电子装置,其特征在于,该特征提取程序是由该处理单元依据一自适应增强算法对所述多个第一数据集的其中之一以及该第二数据集进行运算,以获取所述多个血压骤降特征。
12.如权利要求10所述的电子装置,其特征在于,该输入单元接收多个训练数据;以及
其中,该处理单元依据一血压骤降规则,判断所述多个训练数据属于该血压正常数据群或该血压骤降数据群。
13.如权利要求8所述的电子装置,其特征在于,该输入单元接收一处置操作;以及
其中该处理单元依据该处置操作,不变更该警示阈值。
14.如权利要求8所述的电子装置,其特征在于,该电子装置与一第二电子装置通讯连接,
其中,该处理单元传送调整后的该血压特征模型至该第二电子装置,以使该第二电子装置依据调整后的该血压特征模型调整储存在该第二电子装置中的一第二血压特征模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108114581A TWI693062B (zh) | 2019-04-25 | 2019-04-25 | 預估血壓驟降的方法及電子裝置 |
TW108114581 | 2019-04-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111839486A CN111839486A (zh) | 2020-10-30 |
CN111839486B true CN111839486B (zh) | 2024-05-24 |
Family
ID=71896039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910467127.7A Active CN111839486B (zh) | 2019-04-25 | 2019-05-31 | 预估血压骤降的方法及电子装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200337647A1 (zh) |
JP (1) | JP6825054B2 (zh) |
CN (1) | CN111839486B (zh) |
TW (1) | TWI693062B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116744842A (zh) * | 2020-12-30 | 2023-09-12 | 瓦尔塞尔公司 | 用于使用实时光电容积描记数据生成血糖估计的系统、方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015069940A1 (en) * | 2013-11-06 | 2015-05-14 | Flashback Technologies, Inc. | Noninvasive predictive and/or estimative blood pressure monitoring |
CN105982656A (zh) * | 2015-03-17 | 2016-10-05 | 美盛医电股份有限公司 | 量测装置 |
CN106777891A (zh) * | 2016-11-21 | 2017-05-31 | 中国科学院自动化研究所 | 一种数据特征选择和预测方法及装置 |
CN108378835A (zh) * | 2018-02-11 | 2018-08-10 | 中国联合网络通信集团有限公司 | 血压预测方法及装置 |
CN109195508A (zh) * | 2016-07-22 | 2019-01-11 | 爱德华兹生命科学公司 | 平均动脉压(map)导出的对未来低血压的预测 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101104771B1 (ko) * | 2004-09-13 | 2012-01-17 | 감브로 룬디아 아베 | 급격한 혈압 변화의 검출 |
SE0402184D0 (sv) * | 2004-09-13 | 2004-09-13 | Gambro Lundia Ab | Detection of Drastic Blood Pressure Changes |
WO2012114514A1 (ja) * | 2011-02-25 | 2012-08-30 | パイオニア株式会社 | 血圧低下予測装置 |
US20140323885A1 (en) * | 2013-04-24 | 2014-10-30 | General Electric Company | Methods and systems for predicting acute hypotensive episodes |
US20160143596A1 (en) * | 2014-04-16 | 2016-05-26 | Xerox Corporation | Assessing patient risk of an acute hypotensive episode with vital measurements |
KR102486700B1 (ko) * | 2015-08-11 | 2023-01-11 | 삼성전자주식회사 | 혈압 추정 방법 및 장치 |
US20180025290A1 (en) * | 2016-07-22 | 2018-01-25 | Edwards Lifesciences Corporation | Predictive risk model optimization |
JP2018191724A (ja) * | 2017-05-12 | 2018-12-06 | 東レ株式会社 | 血圧測定装置及び血圧測定装置の制御方法 |
CN109273083B (zh) * | 2018-10-30 | 2020-10-13 | 北京雪扬科技有限公司 | 一种用于辅助脉诊的身体检测系统 |
-
2019
- 2019-04-25 TW TW108114581A patent/TWI693062B/zh active
- 2019-05-31 CN CN201910467127.7A patent/CN111839486B/zh active Active
- 2019-07-31 US US16/528,552 patent/US20200337647A1/en not_active Abandoned
- 2019-08-06 JP JP2019144117A patent/JP6825054B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015069940A1 (en) * | 2013-11-06 | 2015-05-14 | Flashback Technologies, Inc. | Noninvasive predictive and/or estimative blood pressure monitoring |
CN105982656A (zh) * | 2015-03-17 | 2016-10-05 | 美盛医电股份有限公司 | 量测装置 |
CN109195508A (zh) * | 2016-07-22 | 2019-01-11 | 爱德华兹生命科学公司 | 平均动脉压(map)导出的对未来低血压的预测 |
CN106777891A (zh) * | 2016-11-21 | 2017-05-31 | 中国科学院自动化研究所 | 一种数据特征选择和预测方法及装置 |
CN108378835A (zh) * | 2018-02-11 | 2018-08-10 | 中国联合网络通信集团有限公司 | 血压预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
TW202038852A (zh) | 2020-11-01 |
JP2020179143A (ja) | 2020-11-05 |
US20200337647A1 (en) | 2020-10-29 |
TWI693062B (zh) | 2020-05-11 |
JP6825054B2 (ja) | 2021-02-03 |
CN111839486A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI768216B (zh) | 用於血液透析的脫水量預測方法與使用該方法的電子裝置 | |
US9700218B2 (en) | Systems and methods for reducing nuisance alarms in medical devices | |
US6746398B2 (en) | System for the remote monitoring of patients | |
TWI710352B (zh) | 血壓預測方法與使用該方法的電子裝置 | |
US8456295B2 (en) | Alarm generation method for patient monitoring, physiological monitoring apparatus and computer program product for a physiological monitoring apparatus | |
CN114283494A (zh) | 一种用户跌倒预警方法、装置、设备和存储介质 | |
KR20160105440A (ko) | 알람 이벤트의 임상적 관련성을 결정하는 방법 및 시스템 | |
US11571169B2 (en) | Probability-based detector and controller apparatus, method, computer program | |
JP2015535638A (ja) | 臨床現場において有害なアラームによる負荷を減らす方法及びシステム | |
CN111839486B (zh) | 预估血压骤降的方法及电子装置 | |
CN110732068A (zh) | 一种基于云平台的呼吸状态预测方法 | |
US9861344B2 (en) | Ovulation day estimation apparatus, ovulation day estimation method and storage medium in which ovulation day estimation program is recorded | |
CN111956198B (zh) | 一种设备状态确定方法和装置 | |
KR102541362B1 (ko) | 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 | |
Wong et al. | Probabilistic detection of vital sign abnormality with Gaussian process regression | |
JP2018057450A (ja) | 眠気推定装置及び眠気推定プログラム | |
CN113499037A (zh) | 用户睡眠质量的确定方法和装置、电子设备和存储介质 | |
WO2014029986A1 (en) | Foetal monitoring | |
CN117423457B (zh) | 远程健康监测方法及其系统 | |
TWI779365B (zh) | 異常偵測系統以及異常偵測方法 | |
CN117729209B (zh) | 基于云计算的健康管理数据智能管理系统 | |
JP7154247B2 (ja) | 眠気の予兆を検知する情報処理装置、情報処理方法及びプログラム | |
Tóth-Laufer et al. | A personal profile based patient-specific anytime risk calculation model | |
CN113712513A (zh) | 生理检测方法及装置 | |
CN118078214A (zh) | 一种预防拔管的生理性监测手套 |
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 |