CN111989752A - 用于检测败血症的检测组 - Google Patents
用于检测败血症的检测组 Download PDFInfo
- Publication number
- CN111989752A CN111989752A CN201980026474.4A CN201980026474A CN111989752A CN 111989752 A CN111989752 A CN 111989752A CN 201980026474 A CN201980026474 A CN 201980026474A CN 111989752 A CN111989752 A CN 111989752A
- Authority
- CN
- China
- Prior art keywords
- sepsis
- blood sample
- representation
- values
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 206010040047 Sepsis Diseases 0.000 title claims abstract description 304
- 238000012360 testing method Methods 0.000 title description 87
- 210000004369 blood Anatomy 0.000 claims abstract description 134
- 239000008280 blood Substances 0.000 claims abstract description 134
- 238000000034 method Methods 0.000 claims abstract description 123
- 210000004027 cell Anatomy 0.000 claims description 92
- 210000000265 leukocyte Anatomy 0.000 claims description 49
- 210000001616 monocyte Anatomy 0.000 claims description 39
- 238000004820 blood count Methods 0.000 claims description 18
- 238000012800 visualization Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 description 138
- 239000000523 sample Substances 0.000 description 108
- 238000004458 analytical method Methods 0.000 description 35
- 208000015181 infectious disease Diseases 0.000 description 34
- 230000006399 behavior Effects 0.000 description 33
- 239000013610 patient sample Substances 0.000 description 33
- 238000005259 measurement Methods 0.000 description 18
- 239000000306 component Substances 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 15
- 238000011282 treatment Methods 0.000 description 15
- 206010051379 Systemic Inflammatory Response Syndrome Diseases 0.000 description 14
- 238000011895 specific detection Methods 0.000 description 14
- 238000003745 diagnosis Methods 0.000 description 13
- 210000000440 neutrophil Anatomy 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000002560 therapeutic procedure Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 230000001413 cellular effect Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 10
- 210000003743 erythrocyte Anatomy 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000004054 inflammatory process Effects 0.000 description 9
- 230000035945 sensitivity Effects 0.000 description 9
- 206010061218 Inflammation Diseases 0.000 description 8
- 239000000090 biomarker Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 7
- 210000000601 blood cell Anatomy 0.000 description 6
- 238000009640 blood culture Methods 0.000 description 6
- 230000009885 systemic effect Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 206010053159 Organ failure Diseases 0.000 description 5
- 206010040070 Septic Shock Diseases 0.000 description 5
- 239000003153 chemical reaction reagent Substances 0.000 description 5
- 238000013480 data collection Methods 0.000 description 5
- 238000003018 immunoassay Methods 0.000 description 5
- 238000001802 infusion Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000036303 septic shock Effects 0.000 description 5
- 210000002966 serum Anatomy 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 4
- 108010074051 C-Reactive Protein Proteins 0.000 description 4
- 102100032752 C-reactive protein Human genes 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000004883 computer application Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000002458 infectious effect Effects 0.000 description 4
- 230000004768 organ dysfunction Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 239000003242 anti bacterial agent Substances 0.000 description 3
- 229940088710 antibiotic agent Drugs 0.000 description 3
- 230000003115 biocidal effect Effects 0.000 description 3
- 239000013068 control sample Substances 0.000 description 3
- 239000002537 cosmetic Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 238000009533 lab test Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000002906 microbiologic effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 244000052769 pathogen Species 0.000 description 3
- 210000002381 plasma Anatomy 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 2
- 102000001554 Hemoglobins Human genes 0.000 description 2
- 108010054147 Hemoglobins Proteins 0.000 description 2
- 206010033645 Pancreatitis Diseases 0.000 description 2
- 206010036790 Productive cough Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 229930003268 Vitamin C Natural products 0.000 description 2
- 208000007502 anemia Diseases 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 230000001580 bacterial effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000001124 body fluid Anatomy 0.000 description 2
- 239000010839 body fluid Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 208000035850 clinical syndrome Diseases 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000002503 granulosa cell Anatomy 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005534 hematocrit Methods 0.000 description 2
- 230000002489 hematologic effect Effects 0.000 description 2
- 230000028709 inflammatory response Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000001990 intravenous administration Methods 0.000 description 2
- 208000032839 leukemia Diseases 0.000 description 2
- 201000004792 malaria Diseases 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000013031 physical testing Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000011514 reflex Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000001995 reticulocyte Anatomy 0.000 description 2
- 210000003802 sputum Anatomy 0.000 description 2
- 208000024794 sputum Diseases 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 235000019154 vitamin C Nutrition 0.000 description 2
- 239000011718 vitamin C Substances 0.000 description 2
- -1 vitamin C) therapy Chemical class 0.000 description 2
- 150000003722 vitamin derivatives Chemical class 0.000 description 2
- 208000023275 Autoimmune disease Diseases 0.000 description 1
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 102000055006 Calcitonin Human genes 0.000 description 1
- 108060001064 Calcitonin Proteins 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- 208000001490 Dengue Diseases 0.000 description 1
- 206010012310 Dengue fever Diseases 0.000 description 1
- 208000030453 Drug-Related Side Effects and Adverse reaction Diseases 0.000 description 1
- 208000005189 Embolism Diseases 0.000 description 1
- 206010020843 Hyperthermia Diseases 0.000 description 1
- 206010058558 Hypoperfusion Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 206010021113 Hypothermia Diseases 0.000 description 1
- 206010022004 Influenza like illness Diseases 0.000 description 1
- 206010025323 Lymphomas Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010053879 Sepsis syndrome Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 208000001435 Thromboembolism Diseases 0.000 description 1
- 101150044878 US18 gene Proteins 0.000 description 1
- 206010047115 Vasculitis Diseases 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 210000004381 amniotic fluid Anatomy 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 230000000843 anti-fungal effect Effects 0.000 description 1
- 230000000840 anti-viral effect Effects 0.000 description 1
- 229940121375 antifungal agent Drugs 0.000 description 1
- 210000003567 ascitic fluid Anatomy 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 239000012503 blood component Substances 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- BBBFJLBPOGFECG-VJVYQDLKSA-N calcitonin Chemical compound N([C@H](C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC=1NC=NC=1)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)NCC(=O)N[C@@H](CO)C(=O)NCC(=O)N[C@@H]([C@@H](C)O)C(=O)N1[C@@H](CCC1)C(N)=O)C(C)C)C(=O)[C@@H]1CSSC[C@H](N)C(=O)N[C@@H](CO)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CO)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1 BBBFJLBPOGFECG-VJVYQDLKSA-N 0.000 description 1
- 229960004015 calcitonin Drugs 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 208000025729 dengue disease Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002074 deregulated effect Effects 0.000 description 1
- 239000000104 diagnostic biomarker Substances 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000684 flow cytometry Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000002637 fluid replacement therapy Methods 0.000 description 1
- 238000004362 fungal culture Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000036031 hyperthermia Effects 0.000 description 1
- 230000036543 hypotension Effects 0.000 description 1
- 230000002631 hypothermal effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 208000027866 inflammatory disease Diseases 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 238000011221 initial treatment Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 206010024378 leukocytosis Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 230000002101 lytic effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006371 metabolic abnormality Effects 0.000 description 1
- 238000009629 microbiological culture Methods 0.000 description 1
- 238000004802 monitoring treatment efficacy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004789 organ system Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 210000004910 pleural fluid Anatomy 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 239000000092 prognostic biomarker Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000012474 protein marker Substances 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 206010040872 skin infection Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000009120 supportive therapy Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 210000001179 synovial fluid Anatomy 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000008718 systemic inflammatory response Effects 0.000 description 1
- 230000006794 tachycardia Effects 0.000 description 1
- 208000008203 tachypnea Diseases 0.000 description 1
- 206010043089 tachypnoea Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 206010043554 thrombocytopenia Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 230000009385 viral infection Effects 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003936 working memory Effects 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/569—Immunoassay; Biospecific binding assay; Materials therefor for microorganisms, e.g. protozoa, bacteria, viruses
- G01N33/56966—Animal cells
- G01N33/56972—White blood cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/80—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood groups or blood types or red blood cells
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Hematology (AREA)
- Immunology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Cell Biology (AREA)
- Molecular Biology (AREA)
- Urology & Nephrology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Microbiology (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Biotechnology (AREA)
- Medicinal Chemistry (AREA)
- Databases & Information Systems (AREA)
- Zoology (AREA)
- Tropical Medicine & Parasitology (AREA)
- Virology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本技术的实施方式包括用于针对败血症来检测血液样本的方法。该方法可以包括：从个体接收血液样本。该方法还可以包括：执行用于针对败血症来分析血液样本的指令。另外，该方法可以包括：测量血液样本中的特征集的值。该特征集是在测量所述值之前被确定。该方法还可以包括：分析特征集的值以产生对败血症的怀疑的表示。另外，该方法可以包括：显示该表示。实施方式还包括用于针对败血症来检测血液样本的系统。
Description
相关申请的交叉引用
本申请要求于2018年4月20日提交的标题为“SEPSIS INFECTION DETECTIONSYSTEMS AND METHODS”的美国临时专利申请第62/660,785号的优先权，该美国临时专利申请的全部内容通过引用并入本文中以用于所有目的。
技术领域
所公开的技术涉及分析样本，包括使用医疗方案和装置。本技术的具体示例可以指示对败血症的怀疑或败血症的可能性。
背景技术
通常，当分析血液或另一种体液时，可以对血液或另一种体液进行检测以识别样本中的各种参数或生物标记。然而，在一些情况下，简单地指定要测量的参数可能会提供次优的结果。例如，在健康状况诊断和治疗的背景下，单个参数可能与多种状况的治疗和/或诊断相关，包括会受益于具有一定的准确度的测量的一些状况，而所述测量对于其他状况毫无意义。另外，在一些情况下，可以基于特定类型的参数(例如，细胞类型)组织检测并且报告检测结果，但是可能出于会受益于考虑与多种类型的参数相关的信息的目的来收集和/或分析样本。这可能会导致各种问题，例如，使得在针对参数的检测专注于比针对特定用途可能合适的要求更高的需求情况下，更难以获得与特定分析目标相关的信息和/或呈现为更低的分析效率。
败血症是对感染的不受控制的全身性炎症反应，如果不及时治疗，可能会迅速发展成威胁生命的状况，可能导致休克和器官衰竭(即败血性休克和严重的败血症)。进入医疗机构的患者可能表现出全身性炎症的临床特征。然后，医学专家可以尝试确定炎症是由感染引起从而导致诊断为败血症还是由某些其他原因引起从而导致诊断为全身性炎症反应综合征(SIRS)。在一些情况下，患者可能没有明显的全身性炎症病征，这可能意味着该患者可能不被认为有败血症的风险。例如，较为年轻、较为健康的患者可能会弥补患有败血症，并且可能不表现出败血症的病征或者表现得与败血症或炎症的病征不一致，因此可能未被针对败血症治疗，并且遭受未治疗败血症的后果。
如果未被检测到，则败血症可能导致严重的败血症或败血性休克，其死亡率约为60％。大部分的医院死亡与败血症相关。由于缺乏准确的生物标记物，因此败血症的诊断具有挑战性。另外，可以指示败血症的临床标准，例如体温过低、体温过高、心动过速、呼吸急促可能不能将败血症与SIRS或其他状况区分开。这些标准可能与医院急诊室中可能存在的包括创伤、烧伤、胰腺炎、镰状细胞危象和其他炎症性疾病的非感染性病因相关联。败血症与炎症之间的这些相似性可能使诊断败血症具有挑战性并且耗时。例如，获得血液培养结果以确认感染和/或识别引起感染的病原体可能需要几天。在完成常规诊断检测所需的时间期间，患者的状况可能会恶化，可能达到患者需要特别的临床支持或者不能再被有效治疗的程度。由于这些和其他原因，需要用于评估包括败血症的全身性感染的可能性的改进的或新的系统和方法。
发明内容
需要以与特定分析目标一致的方式分析样本的改进的技术。因此，一些实施方式的目的是提供一种方法，该方法可以包括诸如以下步骤：接收用于识别应执行一个或更多个检测的状况的命令；确定要执行以诊断或评估该状况的一个或更多个检测；确定在执行该检测时要使用的定制行为集并且通过使用定制行为执行该检测来获得针对该检测的结果；以及呈现被执行以诊断或评估该状况的一个或更多个检测的结果。在一些实施方式中，该目的可以通过独立权利要求的主题来实现，其中另外的实施方式被包含在从属权利要求中。
本公开内容的实施方式可以实现评估个体是否患有败血症或者可能发展成败血症或严重感染的有效且准确的方式。
本发明的实施方式通过提供对败血症状态的快速、简单且准确的确定来改进诊断、生物学和医学相关技术或技术领域。基于败血症状态，可以迅速开始治疗，从而防止不能足够快地治疗败血症带来的并发症，包括器官衰竭和死亡。败血症状态可以包括患者有发展成败血症的高风险的指示，而不是对败血症的诊断。
败血症状态可以指示由血液样本指示败血症，或者基于血液样本中测量的特征而可能发展成败血症。血液样本中的可能患有败血症可以指示建议或需要对个体进行败血症治疗。败血症是由对感染的不受控制的全身反应导致的。败血症可能是体内的任何感染引起的。例如，简单的皮肤感染可能会引发败血症事件。手术后感染可能导致败血症，因为手术后感染可能包括感染和全身性炎症。很难预测并且并非总是可以预测哪些感染可能导致败血症事件。临床医生希望及早检测到或者指示患者可能会患上败血症。
本技术的实施方式包括一种针对败血症来检测血液样本的方法。该方法可以包括：从个体接收血液样本。该方法还可以包括：执行用于针对与败血症相关的特征来分析血液样本的指令。另外，该方法可以包括：测量血液样本中的特征集的值。该特征集可以在测量值之前确定。该方法还可以包括：分析该特征集的值以产生对败血症的怀疑的表示。另外，该方法可以包括：显示该表示。
本技术的实施方式包括一种训练和使用机器学习模型以基于检测血液样本数据集来估计败血症可能性的方法。该方法可以包括：由计算机系统接收包括多个数据元素的训练数据集。多个数据元素中的每个训练数据元素可以包括血液样本数据集和状况数据集。对于多个个体中的每个个体，血液样本数据集可以包括与血液样本相关联的特征集的值。状况数据集可以指示在多个个体中的每个个体中的败血症的存在。该方法还可以包括：使用训练数据集来训练机器学习模型。训练可以使得基于血液样本数据集与状况数据集之间的对应关系来识别机器学习模型中的函数的一个或更多个参数。此外，该方法可以包括：由计算机系统接收检测血液样本数据集，该检测血液样本数据集包括特征集中的每个特征的值。该方法可以使用经训练的机器学习模型和检测血液样本数据集来生成检测血液样本数据集中的败血症可能性的表示。
本技术的实施方式可以包括一种用于针对败血症来检测血液样本的自动化系统。血液样本可以从个体获得。该系统可以包括第一模块。第一模块可以包括第一组件，该第一组件被配置成测量分别穿过细胞询问区的血液样本的细胞的直流(DC)阻抗。第一模块还可以包括第二组件，该第二组件被配置成测量分别穿过细胞询问区的血液样本的细胞的射频(RF)电导率。第一模块还可以包括第三组件，该第三组件被配置成测量分别穿过细胞询问区的血液样本的细胞的光传播。另外，自动化系统可以包括被配置成对细胞计数的第二模块。自动化系统还可以包括与第一模块和第二模块连接的数据处理模块。数据处理模块可以包括处理器和有形非暂态计算机可读介质，该有形非暂态计算机可读介质被编程有计算机应用。当由处理器执行时，计算机应用可以使处理器执行用于针对败血症来分析血液样本的指令。可以使处理器测量血液样本中的特征集的值。该特征集可以在测量值之前确定。还可以使处理器分析特征集的值以产生对败血症的怀疑的表示。还可以使处理器显示该表示。
参照以下详细描述和附图，可以更好地理解本发明的实施方式的性质和优点。
附图说明
随后的附图和详细描述仅仅旨在进行说明而不旨在限制如由发明人构想的本发明的范围。
图1呈现了在一些实施方式中可以用于基于特定状况来控制和/或呈现检测结果的示例性处理。
图2示出了根据本发明的实施方式的用于针对败血症来检测血液样本的方法。
图3示出了根据本发明的实施方式的二维数学模型的示例。
图4示出了根据本发明的实施方式的示例用户接口。
图5示出了根据本发明的实施方式的训练和使用机器学习模型来估计败血症的可能性的方法。
图6示出了根据本发明的实施方式的模块系统的简化框图。
具体实施方式
败血症的诊断标记物已经被研究了很多年。即便如此，仍没有可用于确定败血症的明确的诊断检测或生物标记物。以前认为可以对一系列的七个与血细胞相关的因素进行检测，以确定可能的败血性感染。参见例如Park等人的“Screening of sepsis usingleukocyte cell population data from the Coulter automatic blood cell analyzerDxH800”，国际实验室血液学杂志(International Journal of Laboratory Hematology)，2011年，第33期，391-399，397-98。早在几年前，就认为需要基于包括七个因素中的至少两个因素的计算的参数或指标，以进行败血性感染的预测。单核细胞体积的标准偏差和白细胞计数是与败血症的可能性相关的参数。尽管这些和其他参数显示出对败血症的预测能力，但其他参数或其他参数组合(包括提到的参数)在确定败血症的可能性方面也可能是有益的。此外，即使使用已识别的参数，参数的值也可能会随特定患者群体、样本采集实践、医疗机构和医疗装置而变化。仍可能需要能够考虑变化的方法和设备。
如本文所用，“参数”可以指从血液样本中测量的属性(例如，细胞群体数据参数)或者函数中的自变量。除非上下文另有明确说明，否则包括两种类型的“参数”的广义定义均适用。“特征”是指血液样本的属性，而不是函数中的自变量。
败血症本身的定义已改变，说明了在最终诊断败血症时的其他困难。在败血症-2定义下，败血症基于全身性炎症反应综合征(SIRS)标准被定义。SIRS可以指由于对非传染性感染例如自身免疫性疾病、胰腺炎、血管炎、血栓栓塞、烧伤或手术的炎症反应失调而导致的临床综合征。SIRS标准包括温度、心率、呼吸频率和白细胞计数。SIRS标准在Kaukonen等人的“Systemic Inflammatory Response Syndrome Criteria in Defining SevereSepsis”，新英格兰医学杂志(New England J.of Med.)，372:1629-38(2015)(doi:l0.l056/NEJMoal4l5236)以及补充附录中进行了描述，上述两者的内容均通过引用并入本文以用于所有目的。“败血症”可以是由于对感染的炎症反应失调所导致的临床综合征。在败血症-2中，败血症包括两个SIRS标准和感染。“严重败血症”可以指败血症引起的组织灌注不足或者感染引起的器官功能障碍。“败血性休克”可以指尽管有足够的液体复苏——其可以定义为20-30mL/kg的晶体液的输注——但仍存在严重的败血症加持续低血压的状况。
在2016年，败血症-3更新了败血症的定义，这在Singer等人的“The ThirdInternational Consensus Definitions for Sepsis and Septic Shock(Sepsis-3)”，JAMA,315(8):801-810(2016)(doi:l0.l00l/jama.20l6.0287)中进行了描述。败血症-3将败血症定义为由宿主对感染的反应失调引起的威胁生命的器官功能障碍。可以使用序贯的[败血症相关]器官衰竭评估(SOFA)评分来识别器官功能障碍。SOFA评分按器官系统对异常进行分级并且说明临床干预措施。“败血性休克”在“潜在的循环系统和细胞/代谢异常足够严重从而大幅增加死亡率”时被认为是败血症的子集。在败血症-3中没有“严重败血症”。由于败血症-2和败血症-3的定义不完全相同，因此甚至定义“败血症”也是一项挑战。然而，如本文所述，某些患者样本的测量结果单独或组合地可以识别出符合败血症-2和/或败血症-3的标准的患者，或者在不久的将来(例如，在样本检测的24小时内或48小时内)存在符合败血症-2和/或败血症-3标准的较高风险的患者。
由于败血症是基于临床病征和体征的集合定义的，因此不能以可以检测寄生虫或低血红蛋白浓度的方式在血液中检测到败血症。当临床状况模糊或不明确时(例如，可能是败血症的症状的类似流感的症状)，本文所述的方法和系统可以使临床医生能够识别或确定败血症。如果本文将“检测”或词语的形式与败血症一起使用，则该术语应理解为意指确定、诊断或评估败血症，而不是测量明确指示败血症的特定成分。
用于诊断败血症的常规系统和方法可能是低效率的和/或耗时的。在当前实践中，可以使用临床标准通过检测伴随败血症的全身性炎症来诊断败血症。然而，临床标准可能是败血症和SIRS二者共有的，这可能与非感染性状况相关联。可能患有败血症的个体可以接受实验室检测，包括但不限于：生成全血细胞计数(CBC)和差异(CBC-diff)的检测；测量C反应蛋白(CRP)、血清乳酸、红细胞沉降率(ESR)和降钙素(PCT)；以及细菌培养。当用于诊断败血症时，这些技术可能导致较差的敏感性和/或特异性。其他系统和方法可能限于白细胞细胞群体数据(CPD)，并且可能仍然缺乏敏感性和/或特异性。一些常规方法可以使用缺乏本文所使用的CPD参数的敏感性和/或特异性的CPD参数(例如，单核细胞体积)。在一些情况下，常规方法可能需要使用多种分析方法来示出提高的灵敏性或特异性。这些检测中的某些检测可能很昂贵，并且可能不能对个体常规进行，因此，被感染并且潜在地患有败血症但尚未出现症状的个体可能不能立即被诊断或根本无法被诊断。缺乏评估感染状态的有效且准确的方法和系统可能会导致临床医生使用抗生素作为预防措施，从而导致抗生素的过度使用。在健康患者中可以容易地控制的不良药物事件、不良治疗效果或副作用在患有SIRS、败血症或类似严重临床状况的患者中可能会出现严重问题。因此，用抗生素对所有潜在的败血症患者进行药物治疗不是理想的临床策略。
另一方面，等待检测结果可能会危及个体的生命。分析血液培养物以明确诊断败血症可能需要二天至四天。在那段时间，个体可能发展成败血症、发展成器官衰竭、超过恢复点以及最终死亡。评估败血症的快速且准确的方法将改善患者的治疗成效并且挽救生命。在识别败血症或潜在败血症中节省的任何时间可以改善患者的治疗成效。据一项估计，对潜在感染的治疗每延迟一小时，则败血症患者的康复机会就会降低7％-8％。
附加检测也可能是不够的。CRP可能不特定于细菌和病毒感染，因为它也与癌症和心脏病相关联。血清乳酸可能不特定于败血症，并且可以更多地用作败血症的预兆生物标记物，而不是诊断性生物标记物。ESR可以代表与炎症处理相关联的物理性质，但对感染的特异性较差。血液培养可能太耗时而不能使医生做出即时或及时的治疗决策。另外，抗生素药物和/或顽固病原体可能会限制血液培养的敏感性。PCT在有症状的患者中缺乏足够的敏感性和特异性，可能不能可靠地将败血症与重症患者中SIRS的其他非感染性原因区分开。此外，由于PCT可能是仅可以根据临床医生的要求进行的单独的专门检测，因此该检测可能不能尽早进行，因此可能不是败血症患者的早期识别物。
常规系统可以包括计算机，该计算机即使具有从血液样本提供的所有信息，也不能以足够的灵敏度和特异性来评估感染状态。在一些情况下，针对败血症的一个或更多个常规检测可以指示败血症，而针对败血症的一个或更多个常规检测可能为非结论性或禁忌性败血症。常规系统可能不能调和关于患者是否患有败血症或者可能发展成败血症的矛盾或冲突的指标。本发明的实施方式可以通过以下方式来改进计算机相关技术：允许计算机执行对感染状态的评估，包括对败血症状态的评估，这可以包括对败血症的怀疑或败血症的可能性。
本发明的实施方式可以评估败血症状态。败血症状态可以指示个体患有败血症、怀疑患有败血症或者患有败血症的可能性。如果个体被评估为患有败血症、怀疑患有败血症或者可能患有败血症，则可以使用临床标准来确认该个体是否患有败血症。临床标准可以包括心率、体温、出现发烧和精神状态。被诊断为患有败血症的个体可以接受更密切的监测、入院、静脉输液、反复的血液培养、维生素(例如维生素C)治疗、抗生素治疗、抗病毒治疗、抗真菌治疗、支持疗法和/或优先诊断和治疗。
I.用于检测状况的检测组(panel)
鉴于上述情况，能够基于旨在或者可以预期进行分析的特定目标来自动定制样本的分析是有益的。根据第一方面，一些实施方式可以包括方法，该方法包括例如以下步骤：接收识别应执行一个或更多个检测以进行测定的状况的命令；确定要执行以测定该状况的一个或更多个检测；确定在执行该检测时要使用的定制行为集并且通过使用定制行为执行该检测来获得该检测的结果；以及呈现被执行以测定该状况的一个或更多个检测的结果。
在根据第一方面的一些实施方式中，要执行以测定状况的一个或更多个检测可以包括第一检测组中的第一检测以及第二检测组中的第二检测。在这样的实施方式中，可以在单个输出中同时呈现被执行以测定状况的一个或更多个检测的结果。
在根据第一方面的一些实施方式中，可以存在要执行以测定状况的第一检测，该第一检测在具有默认数据收集要求的分析仪上执行，并且定制行为集可以包括用于第一检测的定制数据要求。在这种类型的一些实施方式中，该状况可以是需要在早期状态下检测到的状况，例如，在某些实施方式中，这可能是败血症，第一检测的默认数据收集要求可以是从500至1,000个单核细胞获取数据，并且第二检测的扩展数据收集要求可以是从更高数目的单核细胞(例如1,000至2,000、4,000至5,000，等等)获取数据。另外，在其他实施方式中，可以使用各种其他参数来检测处于早期状态的状况或者甚至在基于来自身体检测的临床病征和症状能够识别到状况之前来测定该状况。类似地，在诸如本段落中最初描述的一些实施方式中，要执行以测定状况的一个或更多个检测可以包括第二检测，并且在执行第二检测时要使用的定制行为集可以没有定制行为。不同的检测可以涉及以不同的方式或者在不同的时间处分析相同或相似的特征，例如，从其他细胞获取数据以增加对观察或测量的置信度或者以评估随时间的变化。不同的检测可以涉及分析不同的特征，例如，细胞群或细胞亚群的分布宽度，或者细胞群或细胞亚群的一个或更多个极值。不同的检测可以涉及分析相同特征与不同特征的混合，只要“不同检测”不是与正常样本间差异或检测间差异相比在临床上相同的时间处，即基于患者样本的实际差异预期检测结果中没有差异的时间段内执行的相同检测即可。
在根据第一方面的一些实施方式中，该方法可以包括：使用指标计算函数；计算指示存在在该命令中识别的状况的可能性的值。这样的实施方式还可以包括：呈现指示存在在该命令中识别的状况的可能性的值。类似地，在这种类型的一些实施方式中，用于在该命令中识别的状况的指标计算函数可以是基于预定义的参数集来计算指示该状况存在的可能性的值的函数。在一些实施方式中，参数可以是但不限于：与和患者样本相关联的各种可测量参数相关联的分布宽度；与患者样本相关联的各种可测量参数之间的比率；与血液样本中的粒状细胞或粒状细胞亚群相关联的细胞群体数据；与血液样本中的淋巴细胞或单核细胞相关联的细胞群体数据；患者样本中的单核细胞体积的标准偏差；患者样本中的白细胞计数；患者样本中的单核细胞和中性粒细胞的总和；WBC’(患者样本中的白细胞计数的线性变换，如下所述)；在遵循来自与正常情况相比的更高数目的单核细胞的扩展数据范围(体积)模式的患者样本中的单核细胞体积的标准偏差；患者样本中的早期粒状细胞的数目；患者样本中的中性粒细胞计数；对患者样本中的中性粒细胞群体或者中性粒细胞的特征的一个或更多个测量，例如平均体积、体积标准偏差等；具有或不具有扩展数据范围(体积)模式的患者样本中的单核细胞体积的标准偏差与患者样本中的白细胞计数的组合；具有或不具有扩展数据范围(体积)模式的患者样本中的单核细胞体积的标准偏差与患者样本中的单核细胞与中性粒细胞的总和的组合；具有或不具有扩展数据范围(体积)模式的患者样本中的单核细胞体积的标准偏差与WBC’的组合；患者样本中的白细胞计数与患者样本中的单核细胞和中性粒细胞的总和的组合；具有或不具有扩展数据范围(体积)模式的患者样本中的白细胞计数与患者样本中的单核细胞体积标准偏差的组合；患者样本中的单核细胞与中性粒细胞的比例与WBC’的组合；具有或不具有扩展数据范围(体积)模式的患者样本中的单核细胞体积的标准偏差、患者样本中的白细胞计数以及患者样本中的单核细胞与中性粒细胞的比率的组合；具有或不具有扩展数据范围(体积)模式的患者样本中的单核细胞体积的标准偏差、WBC’以及患者样本中的单核细胞与中性粒细胞的比率的组合；及其上述的组合和子组合。扩展数据范围(体积)模式是指使用扩展体积范围，该扩展体积范围允许具有超过五部分差分测量范围的细胞体积的单核细胞群体完全扩展，从而可以基于完全的单核细胞群体来计算单核细胞体积的标准偏差。
可以顺序地评估参数的组合，例如，针对用于第一参数的对败血症的怀疑的阈值来评估来自患者样本的观测结果，然后针对用于第二参数的对败血症的怀疑的阈值来评估来自患者样本的观测结果；或者可以评估为协变量回归；或者可以评估为指标或转换；或者可以使用将参数进行组合的手段的组合。在一些情况下，包括但不限于白细胞计数，可以使用变换来同时考虑下阈值和上阈值二者。在其他情况下，可以使用变换来缓和两个参数之间的绝对值的较大差异，或者消除或减少相关参数的影响(例如，可以将受细胞体积(例如，RF)影响的参数除以体积以去除该因素)。从负无穷大到正无穷大的任何值都可以转换到[0,1]范围。示例性变换可以是线性或非线性的，包括对数变换。执行该方法的计算机可以通信地连接到远程定位的服务器，并且还可以被配置成接收更新的指标计算函数。
在根据第一方面的一些实施方式中，要执行以测定状况的一个或更多个检测可以包括第一检测和第二检测，其中，第一检测是对白细胞参数的检测，并且第二检测可以是对红细胞参数的检测。另外，在这种类型的一些实施方式中，可以使用试剂作为单个检测组的一部分或者在单个设备中执行第一检测和第二检测。
相应的系统包括：由存储在非暂态计算机可读介质上的用于执行前述实施方式中任一项所述的方法的步骤的计算机可执行指令配置的一个或更多个计算机；以及存储用于执行前述实施方式中任一项所述的方法的步骤的指令的非暂态计算机可读介质，本领域普通技术人员也可以在没有过度实验的情况下基于该公开内容来实现相应的系统。类似地，所公开的技术可以用于诊断多种临床状况，例如败血症、疟疾、登革热、贫血、白血病等。因此，对本文阐述的可能的实施方式和方面的前述描述以及对示例性实施方式的讨论应被理解为仅是说明性的，而不应被视为限制性的。
现在转到图1。图1呈现了在一些实施方式中可以用于基于特定状况来控制和/或呈现检测结果的示例性处理。最初，在图1的处理中，将接收101用于针对特定状况进行检测的命令。优选地，该步骤(以及可选地，与图1的处理中的其他步骤一样)将由控制会执行检测以测定相关状况的实验室仪器(例如血液分析仪)的计算机来执行。在其中由计算机执行诸如图1所示的处理的实施方式中，可以以各种方式执行接收101特定于状况的检测命令的步骤。例如，在一些实施方式中，计算机可以被配置成当医师指定应当对样本进行针对特定状况的检测时，接收101用于针对该状况进行检测的命令。在一些实施方式中，这样的命令可以电子地传输到分析仪，而在其他实施方式中，基于本公开内容实现的分析仪可以被配置成在呈现给操作者的菜单中包括特定状况，并且允许该操作者使用该菜单来指定状况。在其他实施方式中，计算机可以被配置成自动生成用于针对状况来检测样本的命令。例如，计算机可以配置有用于当表现为特定状况存在的可能性提高时触发针对该特定状况进行反射检测的规则(例如，在共同待审的针对跨学科疾病管理系统的PCT申请PCT/US18/20087中描述的规则，该申请的全部公开内容通过引用合并到本文中)。
在该上下文中，“反射检测”是指因为某些数据或情况指示附加检测将是有帮助的而执行的检测。反射检测通常是由于不可能或不寻常的结果(例如，细胞计数很高，可能指示计数错误而并非样本中的实际细胞密度，或者样本的统计学异常检测结果)或者可能具有重大的临床影响(例如，会使患者失去手术资格的血小板计数)而发生的。在这种情况下，反射检测可能旨在验证不可能或临床上重要的检测结果。在本公开内容的上下文中，可以进行反射检测以确认结果，以(例如通过扩展采样)增加结果的置信度，和/或因为一个或更多个常规或特殊命令的检测的结果可以指示另一检测组，例如指示针对特定状况例如败血症的检测的检测组。可能因为执业医师命令了特定于状况的检测组以及一个或更多个主要检测的集合指示了附加检测是可取的(例如，一个或更多个结果与对状况的诊断相符)而发生反射检测。如果结果指示应当检测特定于状况的检测组，则即使执业医师没有命令该特定于状况的检测组，也可以进行针对该特定于状况的检测组的反射检测。替选地，在本文中描述为反射检测的检测可以是特定于状况的检测组的常规处理的一部分(例如，实际上不是反射检测，而是相对于针对特定于状况的检测组的命令的常规检测，而不管任何检测首次进行的结果如何)。
可能触发针对特定于状况的检测组的反射检测的示例性情况包括：患者人口统计学和/或患者状况(例如，基于检测命令和/或包括电子病历和/或实验室信息系统的医院信息系统中的信息，对于发烧或精神状态改变的所有急诊科患者，均可以运行特定于败血症的检测组)；命令了针对特定样本的任一个或多个检测的结果(例如，针对单核细胞体积标准偏差较高的全血细胞计数与差异或CBC-diff提交的任何样本，可以运行特定于败血症的检测组)；执业医师的命令(例如，完成特定于状况的检测组的命令)；来自特定于状况的检测组的初步发现(例如，仅当某些主要检测与该状况的诊断相符时，才运行附加检测作为特定于状况的检测组的一部分，例如，针对WBC’和单核细胞体积的标准偏差来检测怀疑患有败血症的患者的血液样本，并且仅在一项或两项检测超过怀疑败血症的临界值时，才针对其他参数进行扩展检测)；或其组合。例如，在一些实施方式中，计算机可以被配置成能够在医生直接请求命令以及自动生成命令时接收101用于检测特定状况的命令。
在图1的处理中，在已经接收101到特定于状况的检测命令时，处理继续进行识别102针对该状况要执行的检测。如同接收101特定于状况的检测命令一样，识别102针对指定状况的检测的步骤可以以各种不同的方式执行。例如，在一些实施方式中，执行如图1所示方法的计算机可能已经在其自己的存储器或本地数据库中存储了将特定状况与和识别这些状况相关的特定检测相关联的数据(例如，存储在一个或更多个表中)。在这样的实施方式中，识别102要执行的检测的步骤可以由计算机通过使用先前接收101的命令中指定的状况进行查询来从其自己的存储器或本地数据库中检索各检测来完成。在其他实施方式中，执行诸如图1所示的处理的计算机可以查询远程数据库(例如，托管在云服务器上的数据库)以识别102应当执行哪些检测，或者可以尝试查询远程数据库，并且如果这样的查询失败(例如，如果与远程数据库通信时出现问题)，则回退到存储在计算机存储器或本地数据库中的任何信息。
其他替选方案也是可能的。例如，在一些实施方式中，特定于状况的检测命令可以指定要执行的检测和所述检测意图测定的状况。在这种场景下，执行如图1所示的处理的计算机可以简单地将要执行的检测识别102为命令本身中指定的检测，或者可以将检测识别102为命令中指定的检测加上可以由在本地或远程数据库中存储的信息指定的任何附加检测。在一些实施方式中，附加变化(例如，将在命令中指定的检测识别为要执行的检测，在命令中指定的检测是不确定性的或者指示附加检测可能是与临床相关的情况下，将本地或远程数据库中的信息所指示的任何附加检测视为可能的反射检测。)也是可能的。因此，以上关于识别102要执行的检测的讨论，如接收101特定于状况的检测的命令的讨论，应被理解为仅是说明性的，而不应被视为对本文献或者要求本公开内容的权益的任何其他文献中的任何权利要求范围的限制。
数据库可以是绝对的，将相同的标准应用于所有特定于状况的检测命令。在其他情况下，数据库可以基于例如本地数据趋势、时间数据趋势、本地决策规则、患者亚群等来修改。例如，与急诊科、重症监护病房、术后观察病房、儿科病房等相比，肿瘤学实践可以包括不同的检测、用于触发反射检测的不同的阈值、或者可以使用不同的公式来评估败血症的可能性。
在识别102要执行的检测之后，图1的处理继续确定103是否存在针对下一检测(如果这是针对样本第一次执行确定103，则该检测将是针对该状况识别的第一次检测)的定制行为。为了说明这种类型的确定可能的后果，考虑以下情况：接收101的命令是对样本进行检测以确定从其收集样本的个体是否患有败血症，并且识别102的检测是对该样本执行包括确定单核细胞分布宽度(MDW)的检测。还考虑下述假设情况：将使用具有用于确定包括要在样本中检测的单核细胞的数目的MDW的默认行为的仪器来处理该命令。在这种类型的假设场景下，确定103是否存在针对样本的定制行为的步骤可以包括：确定由于正在运行样本以诊断败血症，因此应扩展数据收集以便覆盖默认行为，并且将获取大量单核细胞的数据，从而允许对可以适用于败血症的检测但是对于其他目的可能不是必需的类型的更精确的MDW确定。
在遵循这种类型的假设场景的一些实施方式中，用于确定MDW的默认行为可以是检测500至1,000个单核细胞，而定制行为可以是获取1,000至2,000个单核细胞的数据。在其他实施方式中，定制行为可以是获取4,000至5,000个单核细胞的数据。在其他实施方式中，可以实现不同类型的定制行为。例如，可以反射样本以在相同或不同的设备上进行附加检测。如上所述，示例性反射检测可以包括其他细胞群体测量。然而，反射检测还可以包括在不同的设备上和/或在不同的领域中进行检测。例如，可以在细胞计数和/或测量设备与化学、免疫测定、微生物学或其他设备中的一个或更多个之间反射患者样本，以补充或完成初始命令。因此，以上对特定定制行为的讨论应理解为仅是说明性的，而不应视为限制性的。
关于执行，可以以类似于先前针对要执行的检测的识别102所讨论的方式来执行确定是否存在针对检测的定制行为的确定103。因此，在一些实施方式中，可以通过由计算机使用相关的检测和状况来执行对其自己的本地数据库的存储器的查询来确定103是否存在针对检测的定制行为，并且使用该查询的结果来定义针对该检测的定制行为(如果有)。类似地，在一些实施方式中，可以通过查询远程数据库和/或通过参考特定于状况的检测命令来确定103是否存在针对检测的定制行为(例如，该命令是否具有指定的特定行为，例如在执行特定检测时要使用的扩展数据收集)。因此，像识别102检测一样，确定103定制行为应被理解为潜在地易于以不同的方式实现，并且由本文献或任何相关文献提供的保护不应仅限于使用本文描述的示例性实现方式之一执行该步骤的实施方式。
在已经确定103是否存在针对检测的定制行为之后，然后可以以其默认行为执行104该检测(如果没有针对该检测的定制行为)，或者可以以定制行为执行105该检测(如果已经确定103存在这样的定制行为)。然后可以重复进行，直到已经执行了来自特定于状况的检测命令的针对状况的所有检测106。替选地或附加地，定制行为可以与如何获取检测结果相关。例如，可以识别不同的群体特征，例如极值或标准偏差；可以计算不同细胞、细胞群体特征、生物标记等的比率或相对测量；或者可以将断定样本正常或异常的不同阈值用作定制行为。在一些情况下，定制行为可以包括影响如何分析数据或者如何将数据呈现给人的若则级联(if-then cascade)。在一些情况下，若则级联可以包括反射检测，或者数据分析与反射检测之间的循环，直到可以做出针对特定于状况的诊断的合理可靠的建议或者例如因为分析是不确定性的或样本已用完或过期而不能进行进一步检测而使该级联终止)。可以基于数据分析来增大或减小所获取数据的分辨率。如果优选较低精度或更快的数据处理，则可以降低所获取数据的分辨率。如果需要更高的精度，则可以增大所获取数据的分辨率。
最后，可以呈现107检测结果。在一些实施方式中，这可以例如通过简单地逐检测组来呈现检测结果并且允许用户通过选择包含检测的检测组来查看检测结果来完成。替选地，在一些实施方式中，所有检测结果可以被收集到单个页面中，使得它们可以被一起呈现，而不管用于那些检测的试剂是否已经被包括在不同的检测组中。例如，在这种类型的实施方式中，如果对样本进行的检测已经包括了利用来自白细胞检测组的试剂进行的检测以及利用来自红细胞检测组的试剂进行的检测，则可以将这些结果一起呈现107在单个接口中，尽管事实是检测是在不同的检测组中(即，依赖于试剂或来自不同检测组的不同检测处理)。另外，所公开技术的方面的一些实施方式可以允许以下分析器，该分析器不包括用于将来自多个检测组的检测结果收集在单个输出中以通过使用特定于状况的检测组来提供特定于状况的统一的输出的代码。即，在一些实施方式中，可以提供以下检测组，该检测组被组织为包括将用于检测特定状况的检测结果，而不是包括针对特定类型的主题(例如红细胞或白细胞检测组)的检测结果。
在一些实施方式中，关于呈现107结果的其他变型也是可能的。例如，在一些实施方式中，在呈现结果之前，可以将在检测中收集的数据用于计算反映存在指定状况的可能性的值。在一些实施方式中，这可以使用一般形式的指标＝f(参数1,参数2,...参数n)的等式来计算以计算基于关于该样本收集的数据来说明从其采集样本的患者具有相关的临床状况的可能性的值。在一些情况下，无需参考单个特定于状况的生物标记或分析物即可确定这种可能性。例如，该状况可以是败血症，与可以通过血液培养确认的诸如大肠杆菌感染之类的状况相比，没有可以单独诊断败血症的已知生物标记物或分析物。
在一些实施方式中，指标表示可以包括识别可能有助于诊断的附加检测。例如，如果系统不能在不同类型的实验室仪器之间进行反射检测，则指标表示可以包括特定化学、免疫分析、微生物学或细胞测量检测，这些检测可以基于哪些检测不能用于反射检测和/或未被包括在执业医师的命令中来改进指标的准确度或精度。
在一些实施方式中，可以执行诸如上述的指标计算的实验室中的计算机可以被配置成与远程服务器通信以确定服务器是否具有与计算机的当前模型相比的更为新近的用于计算指标的模型，如果是，则计算机可以进行更新以将更为当前的模型用于将来的指标计算。在支持这种类型的更新的实施方式中，其可以用于更新除了用于计算可能性指标的模型之外的其他数据。例如，在附加研究完成时，可以更新远程服务器，以包括指示已发现的对于检测各种状况有用的新检测和/或定制行为的数据，并且可以以类似于针对指标更新所述的方式将该信息传播到本地实验室计算机。
II.确定败血症的检测组
本技术的实施方式包括用于针对败血症进行检测的检测组。该检测组可以针对通常从访问急诊科的患者获得的血液样本进行。针对败血症的检测可以包括或者可以不包括诊断败血症。在一些实施方式中，针对败血症的检测组的结果可以指示败血症的可能性是个体关注的问题并且可能需要进一步的分析或监测，而无需指出败血症存在于该个体中。然后，执业医师可以基于检测组的结果来决定进行附加检测或者主动开始败血症治疗。在一些情况下，个体可能不会表现出任何明显的败血症症状，并且检测组的结果可能会引起执业医师对败血症的可能性的注意。例如，进入急诊室的个体可能是年轻的(例如18-29岁)，并且没有显示任何败血症的症状，或者可能出现非特异性的不适，并且检测组可以指示败血症是该个体关注的问题。
检测组包括生成新数据的部件或方法，包括测量装置或技术。测量装置将在下面描述。测量技术包括以新方式分析血细胞参数数据(例如，白细胞群体数据(CPD))。常规的分析血细胞参数数据的检测组不会生成特定于确定败血症或评估对败血症的怀疑或败血症的可能性的数据，并且即使结果指示败血症的可能性很高，也不会分析或呈现数据以引起对败血症可能性的注意。
对败血症的怀疑是怀疑患有败血症或者引起患者关注的分类。败血症的可能性是患者患有败血症的可能性。基于身体检测，可能怀疑患者患有败血症，但患者可能并不患有败血症。相反，即使基于身体检测并未怀疑患有败血症，患者也可能是败血症或者具有发展成败血症的高风险。对败血症的怀疑可以用二值分类-是或否；怀疑患有败血症或者并不怀疑患有败血症。对败血症的怀疑可能会导致可以确定败血症的可能性的附加检测。然而，在一些实施方式中，可以将怀疑扩展到败血症的可能性，并且较高的可能性与较高的值相关联。
A.示例方法
图2示出了针对败血症检测血液样本的方法200。对败血症的怀疑可以首先来自于或者对败血症的假设可以通过检测不同类型的患者样本，例如尿液、脑脊液、腹膜液、精液、痰、汗液、羊水、滑膜液、胸膜液、粪便、透析液、浆液或其组合来质疑。附加地或者替选地，如果检测血液样本，则血液可以是全血、稀释的血液、裂解的血液(即，已经过处理以裂解一种或更多种类型的细胞的血液，这可以使得更容易地分析剩余的细胞或经裂解的细胞的内容)、分离的血细胞、血浆或其组合。可以对不同类型的样本进行类似的检测，例如，对特定蛋白质或生物标记物的存在或水平的检测，或者可以进行不同的检测。例如，可以针对指示败血症的细胞群体参数来检测来自患者的血液样本，并且可以培养和/或检测来自同一患者的痰样本以寻找可能是感染源的病原体。
在框202处，方法200可以包括：从个体接收血液样本。方法200还可以包括：从个体获得血液样本。个体可以是包括医院急诊科的医疗设施中的患者。
在框204处，方法200还可以包括：执行用于针对败血症来分析血液样本的指令。该方法可以由计算机系统执行。
方法200还可以包括：接收用于针对败血症来分析血液样本的指令。可以在框204处执行指令之前接收该指令。接收指令可以包括：接收来自执业医师的用于针对个体针对败血症来分析血液样本的输入。输入可以是指示应当针对特定个体针对败血症来分析血液样本的计算机输入。在其他实施方式中，输入可以是应当针对败血症来分析来自多个个体的多个血液样本的设置。该设置可能是分析系统的默认设置。
在一些实施方式中，方法200可以包括：生成用于针对败血症来分析血液样本的指令。方法200可以包括：测量血液样本中的基本特征集的值。血液样本可以与针对败血症分析的血液样本相同或不同。可以将基本特征集的值与临界值的集合进行比较。比较可以是确定该值是否超过临界值。该值可以被确定为高于临界值或者低于临界值。临界值可以根据已知未患有败血症或者已知患有败血症的个体的对照样本来确定。临界值可以是针对对照样本测量的平均值的1、2或3个标准偏差。基于比较，可以生成用于分析血液样本的指令。该指令可以包括用于分析另一特征集合的值以产生对败血症的怀疑的表示的命令。
在一些实施方式中，可以在分析来自个体的另一血液样本之后生成用于针对败血症来分析血液样本的指令。以这种方式，可以分析来自个体的至少两个血液样本。可以从血液样本中测量和分析相同或不同的特征集。
在框206处，方法200可以包括：测量血液样本中的特征集的值。在测量值之前确定特征集，并且该特征集可以与基本特征集不同。该特征集可以是被观察到与败血症的可能性或对败血症的怀疑相关的特征。该特征集可以包括单核细胞体积的标准偏差(单核细胞分布宽度)、白细胞计数、中性粒细胞百分比或者单核细胞百分比。该特征集可以包括来自完整血细胞计数(CBC)模块或者体积电导率散布(VCS)数据的任何参数或者本文所述的任何参数。测量特征集可以包括：执行图1中的检测。
测量特征集的值可以针对血液样本中的多种细胞的类型以及针对每种类型的细胞的数目。细胞的类型和每种类型的细胞的数目可以使用用于针对败血症来分析血液样本的指令来确定。细胞的类型和每种类型的细胞的数目可以是针对败血症检测组的定制行为。在一些仪器中，可以控制所测量的细胞的数目，例如以确保检测足够数目的某种类型的细胞以获得统计上可靠的结果。要测量的细胞的数目可以通过对个体细胞进行计数来确认，或者在某些仪器中，可以通过控制所分析的样本的体积和稀释度(或非稀释度)来推断，这通常与样本中的细胞的数目成比例。即，检测更高体积的血液通常会导致检测更多的细胞。
在框208处，方法200还可以包括：分析特征集的值以产生对败血症的怀疑的表示。该表示可以包括血液样本的特征集的值和非败血症状况的特征集的值的可视化。例如，可视化可以是与非败血症状况的特征集的值相比的败血症的特征集的值的曲线图，非败血症状况的特征集的值可以例如基于对照样本或者被确定为未患有败血症的患者的值的数据库。
分析特征集的值以产生表示可以包括：使用公式来计算模型值。该公式可以包括
其中x使用特征集的值来计算。变量x可以是特征(例如白细胞计数)的值或者特征的多个值的计算(例如WBC和SD-V-MO的线性组合)。该公式是示例性的，并且本领域技术人员将意识到，包括线性或非线性数学函数在内的各种公式可能是有用的。所使用的具体公式将取决于单独的或者作为组的所评估的特征，并且还可能基于机构的倾向(例如，医院倾向于宁可错误地将患者诊断为患有败血症，也不将患者错误地诊断为未患有败血症)而改变，并且如果被使用，则基于患者群体、用户偏好、败血症和相关状况的患病率等进行局部修改。
对败血症的怀疑的表示可以包括败血症的可能性与非败血症状况的可能性的比较。该表示可以是与状况的可能性相关联的具有字体大小、颜色、饱和度、透明度、阴影、强调和/或每个状况的其他视觉表示的词云。
对败血症的怀疑的表示可以包括与败血症的可能性对应的指标的值。指标的值可以在从较低的值到较高的值的范围内。指标的值的范围的一端可以是零或者低的败血症的可能性。指标的值的范围的另一端可以是高的败血症的可能性。示例范围包括从0到1以及从0到100。该范围可以随败血症的可能性而线性地、对数地或非线性地缩放。
在一些实施方式中，可以针对通过分析特征集的第二值而产生的第二表示来显示该表示。可以在分析第一当前血液样本之前根据来自个体的第二先前血液样本测量第二值。以这种方式，可以理解随着时间的推移的败血症的可能性。测量第一血液样本与第二血液样本之间的时间可以是从10分钟至1小时、从1小时至2小时、从2小时至5小时、从5小时至12小时、从12小时至24小时、从24小时到48小时或者大于48小时。
方法200可以包括：进行针对非败血症状况(例如，疟疾、白血病、贫血、淋巴瘤、白细胞增多、血小板减少症)的检测组。方法200可以包括：测量血液样本中的第二特征集的值。可以在测量第二特征集的值之前确定第二特征集。可以分析第二特征集的值以产生非败血症状况的第二表示。可以显示第二表示。第二表示可以是对非败血症状况的怀疑。例如，第二表示可以是词云中的元素，其使用字体大小或其他视觉表示来显示非败血症状况的可能性。第二表示可以是本文所述的除了用于非败血症状况的表示之外的对败血症的怀疑的任何表示。
在框210处，方法200可以包括：显示该表示。显示该表示可以是在计算机监视器、电话屏幕、智能手表屏幕、移动装置屏幕或硬拷贝上。在一些实施方式中，方法200可以包括：基于该表示来确定是否怀疑或可能患有败血症。在确定怀疑或可能患有败血症时，可以分析血液样本中的第二数目的细胞。细胞的第二数目可以大于被测量以生成初始表示的细胞的第一数目。第二数目的细胞中的细胞可以包括第一数目的细胞中的细胞。可以测量血液样本中的特征集的第二值，其中第二值与第二数目的细胞相关联。可以分析第二值以产生对败血症的怀疑的第二表示。可以显示第二表示。替选地或者附加地，可以针对第二特征或第二特征集来分析第二细胞集，例如以表征不同群体的细胞(例如，红细胞与白细胞、中性粒细胞与单核细胞、不成熟细胞与成熟细胞等)，或不同的群体测量(例如，最小尺寸，体积、粒度等、特定测量的标准偏差、特定类型的测量范围等)，或者可以表征与患者的细胞相比的不同的患者样本的特征，例如化学、免疫测定、微生物学等(例如PCT、CRP、ESR、血清乳酸盐、微生物培养、流感检测或其他病毒指示或识别、真菌培养或其组合)。
方法200可以包括：基于该表示来确定败血症的可能性。在确定可能患有败血症时，方法200可以包括：针对败血症来治疗该个体。被诊断为患有败血症的个体可以接受更严格的监测、入院、积极的静脉输液、反复的血液培养、抗生素治疗、维生素(例如维生素C)治疗和/或优先诊断和治疗。
方法200还可以包括：显示特征集的值或者与该特征集的值相关的其他数据。例如，可以显示实验室检测的结果或者白细胞群体数据(CPD)。
B.示例特征
可以根据执行以指示对败血症的怀疑、败血症的可能性或败血症的存在的对参数的其他分析来确定特征集。该特征集可以包括白细胞计数和单核细胞体积的标准偏差，如在2017年1月24日提交的标题为“INFECTION DETECTION AND DIFFERENTIATION SYSTEMSAND METHODS”的美国申请第16/073,757号以及在2018年4月20日提交的标题为“SEPSISINFECTION DETECTION SYSTEMS AND METHODS”的美国申请第62/660,795号中所述。
特征可以包括针对来自已知为败血症阳性的个体的样本相对于为败血症阴性的个体的样本被分析的参数，为败血症阴性的个体包括来自不患有败血症的个体，包括健康的个体、被感染的个体、患有SIRS的个体。
在研究了来自不同分析方法例如全血细胞计数(CBC)、有核红细胞(NRBC)、白细胞分化(DIFF)和网纹细胞(RETIC))的超过250种血液学参数后，识别出本文所述的适用于评估败血症的示例性参数。本领域已知用于计数和/或以其他方式表征这些血细胞的各种分析方法，包括但不限于光散射、荧光、图像分析、电阻抗、流式细胞术、比色法、免疫测定及其组合。在各种实施方式中，这些方法可以在全血或部分全血(例如，尚未被稀释、浓缩或以其他方式分离或纯化的血液样本)、稀释的血液、经处理的血液(例如，已暴露于溶解剂中以溶解一种或更多种类型的细胞的血液样本，或者已用染色剂或其他物质处理以区分不同类型的细胞的血液样本)、分离的血液成分(例如血浆、血清、各种细胞成分)、浓缩的血液等中执行。如上所述，可以例如基于SD-EV-MO(扩展数据范围(体积)模式下的单核细胞体积的标准偏差)、WBC’(WBC计数的非线性变换，以包括作为阳性因子的低的WBC计数)以及MO_NE％(单核细胞百分比和中性粒细胞百分比的总和)的某种组合来组合使用参数。WBC’的高值或低值可以指示对败血症的怀疑。WBC’的可能的等式如下：
可以使用针对WBC的低值也针对WBC的高值生成WBC’的高值的WBC’的其他等式。
基于有限时间段内来自特定医院的数据集，开发了使用可以由商业细胞分析仪例如Beckman 
900血液分析仪测量的参数来描述败血症的可能性的各种模型。这些参数中的任一个或者这些参数的组合可以是特征集中的特征。针对参数的可能组合开发了线性和逻辑模型。该模型使用表达式
其中x可以是参数本身的值，或者可以是组合了两个或更多个参数的单独模型。例如，使用
900血液分析仪，发现表1中x的模型-值具有临床上有用的敏感性和特异性。
表1
| 参数 | 建议临界值 | 模型值“x” |
| (@SD-V-MO)+(WBC) | ≥0.0651 | (0.336x@SD-V-MO)+(0.185WBC)-11.63 |
| (@SD-V-MO)+(MO_NE％) | ≥0.0685 | (0.294x@SD-V-MO)+(0.139xMO_NE％)-20.08 |
| (@SD-V-MO)+(WBC′) | ≥0.0679 | (0.339x@SD-V-MO)+(5.223WBC′)-13.492 |
| (WBC)+(MO_NE％) | ≥0.0771 | (0.097xWBC)+(0.125xMO_NE％)-14.021 |
| (WBC)+(SD-EV-MO) | ≥0.0630 | (0.177xWBC)+(0.4744xSD-EV-MO)-9.777 |
| (MO_NE％)+(WBC′) | ≥0.0763 | (0.123xMO_NE％)+(3.333xWBC′)-15.1557 |
| (MO_NE％)+SD-EV-MO | ≥0.0653 | (0.1386xMO_NE％)+(0.421xSD-EV-MO)-18.51 |
| (WBC′)+(SD-EV-MO) | ≥0.0634 | (4.991xWBC′)+(0.469xSD-EV-MO)-11.4 |
区分败血症与非败血症的示例性建议临界值是基于敏感性和特异性的粗略优化，以试图在正确排除不患有败血症的患者与正确识别确实患有败血症的患者之间取得平衡。通常，增加一种类型的确定性(划入或排除)的置信度会降低另一种确定性。这样，对于不同的用户，实际使用的临界值可能不同，这些不同的用户对于一种类型的错误比另一种类型的错误好还是差可能有不同的倾向。此外，如上所述，可以针对不同的患者群体调整临界值。这些建议临界值可以是用图2中的方法200描述的临界值的示例，或者可以是不同的临界值。利用方法200，可以使用临界值来确定是否应针对败血症分析血液样本。可以保守地设置方法200中的临界值，使得即使在第一次分析中特定参数或参数集未显示出败血症的存在的情况下，也应针对败血症进一步分析更多的血液样本。
可能有助于评估败血症的其他血液学参数包括血红蛋白(Hgb)、血细胞比容(HCT)、红细胞(RBC)、白细胞(WBC)、中性粒细胞数(NE#)、毒性颗粒和血小板(PLT)。示例性参数在以下文献中描述：Goyette等人的“Hematologic changes in sepsis and theirtherapeutic implications”，Seminars in Respiratory and Critical Care Medicine，第25卷，第6号，第645-659页(2004)、Aird的“The hematologic system as a marker oforgan dysfunction in sepsis”，Mayo Clin Proc.，78：869-81(2003)；以及在laboratory-manager.advanceweb.com/signs-of-sepsis/中可以找到的Warner的“Tipsfor evaluating a peripheral blood smear for possible sepsis”(2014)。这些参考文献的全部内容通过引用并入本文以用于所有目的。机器学习可以通过识别参数之间的相互作用以及通过识别在特定患者群体中可能或多或少相关的参数和/或相互作用来进一步筛选这些特征。此外，机器学习可以筛选哪些参数例如绝对细胞计数、相对细胞计数、分布度量(例如，标准偏差、极值、众数、中位数、平均数、偏度、正态性、模态、对称性等)或其组合与哪些细胞群体最相关。
可以使用二维指标数学模型。图3示出了使用根据MO_NE％计算的指标以及根据@SD-V-MO和WBC计算的指标的示例。在y轴上示出用于MO_NE％的指标，在x轴上示出用于@SD-V-MO和WBC的指标。来自已知患有败血症的个体的数据点用十字示出。已知不患有败血症的数据点用圆圈示出。线302可以用于帮助识别个体的败血症。来自患有败血症的个体的大多数数据点在线302上方。来自已知不患有败血症的个体的数据点也在线302上方。因此，线302在区分败血症和非败血症方面可能不是有效的。然而，线302可以捕捉大多数败血症患者。即，线302指示对败血症的怀疑。在图3中，仅有三个示出败血症的数据点位于线302下方。因此，来自产生在线302上方的数据点的个体的血液样本可以被认为怀疑患有败血症，即使败血症可能性很小。如果若干个指标或若干个模型指示对败血症的怀疑，则可以进行附加检测、认为很可能是败血症、和/或可以开始治疗。可以相对于基于一个或更多个基于参数的指标来定义线502。通常，线502应被定义为最佳地区分这两个类别(败血症和非败血症)。这可以通过回归分析来完成，但是可以优先通过机器学习来完成，并且可以基于本地(例如，特定于一个实验室或一个组织中的实验室，例如本地卫生系统)或汇总数据(例如，从多个独立实验室收集的数据)进行定期更新。
C.示例检测组结果
图4示出了显示败血症检测组的结果的示例用户接口400。用户接口400的左侧包括检测和结果的表404。可以示出来自检测的附加数据，包括CBC-PLT 408和WBC-DIFF412。CBC-PLT408将白细胞计数和血小板计数示出为直方图。WBC-DIFF 412示出了存在的不同白细胞的百分比。绘制细胞群体数据图表提供了关于患者健康的视觉提示。直方图的形状可以符合通常的分布(其在统计意义上可能为“正态的”，或者可能不为“正态的”)，或者可以指示细胞群体中的干扰，并且在一些情况下，与通常的直方图偏离的性质和/或大小可以提供关于干扰的原因或者临床相关性的提示。用户接口400可以包括对败血症的怀疑的不同表示。雷达标绘416示出了与正常范围(九边形420)相比的当前血液样本的某些参数的值。如果多个参数的值在正常范围之外，则败血症的可能性与较少参数的值在正常范围之外相比可能性较大。雷达标绘416可以是许多参数的清晰视觉描绘，从而使执业医师可以容易地识别出可能患有败血症或者可能需要进一步针对败血症进行检测的异常血液样本，或者可以证实加强临床监测是合理的(例如将患者留在医院过夜而不是让患者回家)和/或开始医疗。
用户接口400可以包括指标424。指标424可以表示对败血症的怀疑或者败血症的可能性。指标424可以覆盖范围。在图4中，指标424的范围从0到1，其中1与败血症的更高可能性相关联。该指标可以是任何优选的范围或标度，例如1-10、1-100或者替选指示符，例如具有或不具有数值指标的红-黄-绿的颜色编码。
用户接口400还可以包括词云428。词云428可以包括来自多个检测组的结果。单词的字体大小可以与状况的可能性或者与状况相关的关注程度成比例。在分析之后，每个状况可以具有与该状况相关联的指标，类似于败血症的指标424。词云428可以是表示针对不同状况的指标结果的一种方式。
另外，用户接口400可以包括随时间变化的败血症的指标的曲线图432。败血症随时间的趋势可以帮助执业医师确定败血症的风险是增加还是减少。败血症的可能性的趋势可以有助于监测治疗效果，或者有助于监测在出现器官衰竭之前呈现轻度或不一致症状的患者。
用户接口400可以包括对败血症的怀疑或败血症的可能性的不同表示。如果需要治疗败血症，则用户接口可以提示执业医师。如果执业医师指示需要治疗，则用户接口可以将命令发送给另一执业医师以准备治疗。用户接口400可以具有主败血症检测组的观感(例如，针对特定实验室仪器的用户接口)，即使各个表示都链接到其他检测组(其通常可以在主仪器的其他接口上访问，或者可以从其他仪器或其他数据源获取)，然后可以根据其自身的模型和计算进行分析。在某些方面，诸如医院或医疗实践团体之类的机构或者个人用户能够打开或关闭用户接口400上的不同指示器。例如，如果执业医师的偏好、实践或患者群体使一个或更多个可视化较为无用或有干扰，则执业医师能够禁用词云、检测表或时间指标。
III.败血症学习模型
可以针对模式来分析针对败血症检测组收集的数据，以更好地开发败血症的模型或指标。在一些情况下，各医院之间参数值可能会变化。医院附近的群体可能有相似的饮食、共同的水源、某种种族的构成和/或其他相似之处。因此，可以使用在特定地点或地理区域收集的数据来完善或改进对败血症的怀疑的分析。此外，针对败血症的检测组并不常见，并且分析通过新检测组生成的数据可能有助于改善对败血症的怀疑的分析。数据的分析可以通过机器学习算法进行。
图5示出了训练和使用机器学习模型以基于检测血液样本数据集来估计败血症的可能性的方法500。
在框502处，方法500可以包括：由计算机系统接收包括多个数据元素的训练数据集。多个数据元素中的每个训练数据元素可以包括血液样本数据集和状况数据集。对于多个个体中的每个个体，血液样本数据集可以包括与血液样本相关联的特征集的值。状况数据集可以例如基于患者的病历中的诊断代码来指示对多个个体中的每个个体中的败血症的诊断。由于没有单一的确定性的针对败血症的生物标记物，因此这些诊断代码反映了执业医师基于可能包括实验室检测结果的临床病征和症状的最佳判断。
方法500可以包括：针对每个个体测量血液样本中的特征集的值。方法500还可以包括：确定个体中的败血症的可能性。
在框504处，方法500还可以包括：使用训练数据集来训练机器学习模型。训练可以使得基于血液样本数据集与状况数据集之间的对应关系来识别机器学习模型中的函数的一个或更多个参数。机器学习模型可以包括卷积神经网络。卷积滤波器集可以取决于一个或更多个参数。训练机器学习模型可以包括：识别用于卷积滤波器集的一个或更多个参数。
在框506处，方法500可以包括：由计算机系统接收检测血液样本数据集，该检测血液样本数据集包括特征集中的每个特征的值。
在框508处，方法500可以使用经训练的机器学习模型和检测血液样本数据集来生成检测血液样本数据集中的败血症可能性的表示。
IV.用于针对败血症进行检测的系统
本技术的实施方式可以包括用于针对败血症来检测血液样本的自动化系统。血液样本可以从个体获得。系统可以包括第一模块。第一模块可以通过观察光在穿过细胞之后散射的方式来评估血液样本中的细胞。第一模块可以附加地或替选地包括第一组件，该第一组件被配置成测量分别穿过细胞询问区的血液样本的细胞的直流(DC)阻抗。第一模块还可以或者替选地包括第二组件，该第二组件被配置成测量分别测量分别穿过细胞询问区的血液样本的细胞的射频(RF)电导率。第一模块可以包括Beckman Coulter的
DxHTM 800和/或DxHTM 900细胞分析系统。
可以在第一模块中测量的参数包括表1中列出的参数。这些参数中的任何一个可以是本文所述方法中使用的特征。
表1.细胞群体数据参数
另外，自动化系统可以包括被配置成对细胞计数的第二模块。第二模块可以实现库尔特(Coulter)技术。第二模块可以确定包括白细胞计数和红细胞计数的全血细胞计数(CBC)数据。
自动化系统还可以包括与第一模块和第二模块连接的数据处理模块。数据处理模块可以包括处理器和有形非暂态计算机可读介质，该有形非暂态计算机可读介质被编程有计算机应用。当由处理器执行时，计算机应用可以使处理器执行用于针对败血症来分析血液样本的指令。可以使处理器测量血液样本中的特征集的值。该特征集可以在测量值之前确定。还可以使处理器分析特征集的值以产生对败血症的怀疑的表示。还可以使处理器显示该表示。该指令可以包括本文描述的任何方法。
图6是示例性模块系统的简化框图，图6广泛地示出了模块系统600的各个系统元件可以如何以分立或更集成的方式实现。根据本发明的实施方式，模块系统600可以是用于评估败血症状态的细胞分析系统的一部分或者与该细胞分析系统连接。模块系统600非常适合于产生数据或者接收与评估感染状态相关的输入。在一些情况下，模块系统600包括经由总线子系统602电耦合的硬件元件，包括一个或更多个处理器604、一个或更多个输入装置606例如用户接口输入装置和/或一个或更多个输出装置608例如用户接口输出装置。在一些情况下，系统600包括网络接口610和/或诊断系统接口640，诊断系统接口640可以从诊断系统642接收信号和/或向诊断系统642发送信号。在一些情况下，系统600包括软件元件，例如此处示出为当前位于存储器614的工作存储器612内的操作系统616和/或其他代码618，例如被配置成实现本文公开的技术的一个或更多个方面的程序。可以使用具有硬件、软件和/或固件的计算机或其他处理器来执行本文描述的每个计算或操作。各种方法步骤可以由模块执行，并且模块可以包括被布置成执行本文描述的方法步骤的各种数字和/或模拟数据处理硬件和/或软件中的任何一种。模块可选地包括数据处理硬件，该数据处理硬件适于通过具有与其相关联的适当的机器编程代码来执行这些步骤中的一个或更多个，用于两个或多个步骤(或者两个或多个步骤的一部分)的模块以各种集成和/或分布式处理架构被集成到单个处理器板中或者被分开在不同的处理器板中。这些方法和系统将经常采用实施机器可读代码的有形介质，该机器可读代码具有用于执行本文描述的任一种或更多种方法或处理步骤的指令。
在一些实施方式中，模块系统600可以包括存储子系统620，存储子系统620可以存储提供本文公开的各种技术的功能的基本编程和数据构造。例如，如本文所述，实现方法方面的功能的软件模块可以被存储在存储子系统620中。这些软件模块可以由一个或更多个处理器604执行。在分布式环境中，软件模块可以被存储在多个计算机系统上并且由多个计算机系统的处理器执行。存储子系统620可以包括存储器子系统622和文件存储子系统628。存储器子系统622可以包括多个存储器，所述多个存储器包括用于在程序执行期间存储指令和数据的主随机存取存储器(RAM)626以及存储固定指令的只读存储器(ROM)624。文件存储子系统628可以为程序和数据文件提供持续性(非易失性)存储，并且可以包括有形存储介质，该有形存储介质可以可选地实施患者、治疗、评估或其他数据。文件存储子系统628可以包括硬盘驱动器、软盘驱动器以及相关联的可移动介质、致密型数字只读存储器(CD-ROM)驱动器、光盘驱动器、DVD、CD-R、CD RW、固态可移动存储器、其他可移动介质盒或磁盘等。一个或更多个驱动器可以位于耦接到模块系统600的其他站点上其他连接的计算机上的远程位置。在一些情况下，系统可以包括存储一个或更多个指令序列的计算机可读存储介质或其他有形存储介质，当由一个或更多个处理器执行时，所述指令序列可以使一个或更多个处理器执行本文公开的技术或方法的任何方面。可以由文件存储子系统628存储实现本文公开的技术的功能的一个或更多个模块。在一些实施方式中，软件或代码将提供协议以允许模块系统600与通信网络630通信。可选地，这样的通信可以包括拨号或互联网、有线或无线连接通信。
应当理解，系统600可以被配置成执行本发明的方法的各个方面。以这种方式，系统600是专用系统。例如，处理器部件或模块604可以是被配置成从传感器输入装置或模块632、从用户接口输入装置或模块606和/或从诊断系统642可选地经由诊断系统接口640和/或网络接口610和通信网络630接收蜂窝参数信号的微处理器控制模块。在一些情况下，传感器输入装置可以包括被配备以获取光角度检测参数的细胞分析系统或者可以是该细胞分析系统的一部分，例如Beckman Coulter的
DxHTM 800和/或DxHTM 900细胞分析系统。在一些情况下，用户接口输入装置606和/或网络接口610可以被配置成接收由被配备以获取光角度检测参数的细胞分析系统例如Beckman Coulter的
DxHTM 800和/或DxHTM 900细胞分析系统生成的细胞参数信号。在一些情况下，诊断系统642可以包括被配备以获取光角度检测参数的细胞分析系统或者是该细胞分析系统的一部分，例如BeckmanCoulter的
DxHTM 800和/或DxHTM 900细胞分析系统。在一些情况下，这些系统中的一个或更多个可以获得多个光角度检测参数。
在一些情况下，系统600可以包括多个分析子系统，包括但不限于细胞分析仪器、微生物仪器、化学分析仪器、免疫测定仪器或者包括相同或不同类型的可能的多种仪器的组合。在一些情况下，分析子系统可以物理地联网，使得患者样本可以被系统600自动反射到相同或不同类型的不同仪器。
处理器部件或模块604还可以被配置成向传感器输出装置或模块636、向用户接口输出装置或模块608、向网络接口装置或模块610、向诊断系统接口640或其任何组合发送蜂窝参数信号，该蜂窝参数信号可选地根据本文公开的任何技术进行处理。根据本发明的实施方式的装置或模块中的每一个可以包括在由处理器处理的计算机可读介质上的一个或更多个软件模块或硬件模块或其任何组合。各种常用平台例如Windows、Mac和Unix中的任何一种以及各种编程语言中的任何一种都可以用于实现本发明的实施方式。
用户接口输入装置606可以包括例如触摸板、键盘、指示装置诸如鼠标、轨迹球、图形输入板、扫描仪、操纵杆、结合在显示器中的触摸屏、音频输入装置诸如语音识别系统、麦克风和其他类型的输入装置。用户输入装置606还可以从有形存储介质或者从通信网络630下载计算机可执行代码，该代码实施本文公开的任何方法或方面。应当理解，终端软件可以时常被更新并且根据需要下载到终端。通常，术语“输入装置”的使用旨在包括各种常规的和专有的装置以及将信息输入到模块系统600中的方式。
用户接口输出装置606可以包括例如显示子系统、打印机、传真机或者诸如音频输出装置的非可视显示器。该显示子系统可以是阴极射线管(CRT)、诸如液晶显示器(LCD)的平板装置、发光二极管(LED)显示器、有机发光二极管(OLED)显示器、等离子显示器、投影装置等。显示子系统还可以例如经由音频输出装置来提供非视觉显示。通常，术语“输出装置”的使用旨在包括各种常规的和专有的装置以及从模块系统600向用户输出信息的方式。本文描述的任何方法或操作的结果(例如，感染状态)可以被显示在输出装置上。
总线子系统602提供了用于使模块系统600的各个部件和子系统按照预期或期望彼此通信的机制。模块系统600的各个子系统和部件不需要处于相同的物理位置处，而是可以分布在分布式网络内的各个位置处。尽管总线子系统602被示意性地示出为单个总线，但是总线子系统的替选实施方式可以利用多个总线。
网络接口610可以提供到外部网络630或其他装置的接口。外部通信网络630可以被配置成根据需要或期望与其他方进行通信。因此，外部通信网络630可以从模块系统600接收电子数据包，并且根据需要或期望将任何信息发送回模块系统600。如此处所示，通信网络630和/或诊断系统接口642可以向被配备以获得一个或更多个光角度检测参数的诊断系统642发送信息或者从该诊断系统642接收信息，诊断系统642例如为Beckman Coulter的
DxHTM 800和/或DxHTM 900细胞分析系统。
除了提供系统内部的这种基础设施通信链路之外，通信网络系统630还可以提供到诸如互联网的其他网络的连接，并且可以包括有线的、无线的调制解调器和/或其他类型的接口连接。
对于本领域技术人员来说明显的是，可以根据特定要求使用实质性的变型。例如，还可以使用定制的硬件和/或特定元件可以在硬件、软件(包括便携式软件，如小应用程序)或这两者中实现。此外，可以采用与诸如网络输入/输出装置的其他计算装置的连接。模块终端系统600本身可以是各种类型的，包括计算机终端、个体计算机、便携式计算机、工作站、网络计算机或者任何其他数据处理系统。由于计算机和网络的不断变化的性质，因此对图6中描绘的模块系统600的描述旨在仅作为用于说明本发明的一个或更多个实施方式的特定示例的目的。模块系统600的许多其他配置可能具有比图6描绘的模块系统更多或更少的部件。模块系统600的任何模块或部件或者这样的模块或部件的任何组合可以与本文公开的任何细胞分析系统实施方式耦接、集成到所述细胞分析系统实施方式中或以其他方式配置成与所述细胞分析系统实施方式连接。相关地，以上讨论的任何硬件和软件部件都可以与在其他位置使用的其他医学评估或治疗系统集成在一起或者配置成与之接口。
在一些实施方式中，模块系统600可以被配置成在输入模块处接收患者的一个或更多个细胞分析参数。细胞分析参数数据可以被发送到评估模块，在评估模块中评估、预测、分析或确定感染状态。感染状态可以经由输出模块输出给系统用户。在一些情况下，模块系统600可以基于一个或更多个细胞分析参数和/或评估的感染状态，例如通过使用治疗模块，为患者确定初始治疗或诱导方案。可以经由输出模块将治疗输出给系统用户。可选地，治疗的某些方面可以由输出装置确定并且被发送到治疗系统或者治疗系统的子装置。可以将与患者相关的多种数据包括年龄、体重、性别、治疗史、病史等中的任何一种输入到模块系统中。可以基于此类数据来确定治疗方案或诊断评估的参数。
相关地，在一些情况下，系统包括处理器，该处理器被配置成接收细胞群体数据作为输入。可选地，可以将处理器、存储介质或两者并入血液学或细胞分析仪内。在一些情况下，血液学机器可以生成细胞群体数据或其他信息以输入到处理器中。在一些情况下，处理器、存储介质或两者可以被并入计算机内，并且该计算机可以与血液学机器通信。在一些情况下，处理器、存储介质或两者可以被并入计算机内，并且该计算机可以经由网络与血液学机器远程通信。
根据本公开内容，发明人的技术的其他的变型和特征对于本领域普通技术人员而言将立即是明显的并且可以在没有过度实验的情况下由本领域普通技术人员实施。因此，当下面在“明确定义”标签下列出的在由文献或相关文献中阐述的权利要求(如果有的话)中的术语被给出本文所阐述的明确定义并且其余术语被给出由通用词典所示的其最广泛的合理解释时，不应将本文献或与本文献相关的任何文献所给予的保护限于本文明确公开的材料，该保护应理解为由文献或相关文献中阐述的权利要求(如果有的话)所限定。如果基于上述公开内容对这些权利要求给出的解释在任何方面比基于“明确定义”和通用词典提供的最广泛的合理解释所给出的解释更为狭窄，则由“明确定义”提供的解释和通用词典提供的最广泛的合理解释应予以控制，并且规范或优先权文件中术语的不一致使用不具有效力。
明确定义
当出现在权利要求中时，某事物“基于”其他事物的陈述应当被理解为意味着该事物至少部分地由被指示为“基于”的事物来确定。当需要某事物完全由事物确定时，它将被描述为“完全基于”该事物。
当在权利要求中使用时，“确定”应当被理解为指代生成、选择、定义、计算或以其他方式指定某事物。例如，作为分析结果获得输出将是“确定”该输出的示例。作为第二示例，从可能的响应列表中选择响应将是一种“确定”响应的方法。作为第三示例，将从外部源(例如，麦克风)接收到的数据识别为事物将是“确定”事物的示例。
当在权利要求书中使用时，“用于确定一个或更多个检测和检测性能行为以检测指定状况的装置”应理解为35U.S.C.§112(f)中规定的装置加功能限制，其中，功能是“确定一个或更多个检测和检测性能行为以检测指定状况”，并且对应结构是被配置成执行如图1和图5所示并且在对应文本中描述的处理的计算机。
特定实施方式的具体细节可以在没有脱离本发明的实施方式的精神和范围的情况下以任意合适的方式组合。然而，本发明的其他实施方式可以针对与每个单独方面或者这些单独方面的特定组合相关的特定实施方式。
为了说明和描述的目的，已经呈现了本发明的示例实施方式的以上描述。其并不意在是穷尽的或将本发明限于所描述的明确形式，并且根据上述教导，许多修改和变型是可能的。
在前述的描述中，出于说明的目的，已经阐述了许多细节以便提供对本技术的各种实施方式的理解。然而，对于本领域技术人员来说将明显的是，可以在没有这些细节中的一些细节的情况下或者在具有附加细节的情况下实施某些实施方式。
虽然已经描述了若干实施方式，但是本领域技术人员将认识到，可以在不脱离本发明的精神的情况下使用各种修改、替代构造和等效物。此外，没有描述许多众所周知的处理和元件以避免不必要地模糊本发明。此外，任何特定实施方式的细节可能并不总是存在于该实施方式的变型中，或者可以被添加至其他实施方式中。
在提供值的范围的情况下，应理解的是，除非上下文另外明确指出，否则也具体公开了该范围的上限与下限之间的每个中间值至下限的单位的十分之一。涵盖了指定范围内的任何指定值或中间值与该指定范围内的任何其他指定值或中间值之间的每个较小范围。这些较小范围的上限和下限可以独立地被包括或排除在该范围内，并且在本发明中还涵盖了其中限制中任一个被包括在该较小范围内、限制中的任一个都不被包括在该较小范围内以及两个限制都被包括在该较小范围内的每个范围，受到在指定范围中的任何明确被排除的限制。在指定范围包括限制中的一个或两个的情况下，还包括排除了那些所包括的限制中的任一个或两个的范围。
如本文和所附权利要求书中所使用的，单数形式“一(a)”、“一个(an)”和“该(the)”包括复数含义，除非上下文另有明确指示。因此，例如，对“一种方法”的提及包括多种这样的方法，而对“颗粒”的提及包括对本领域技术人员已知的一个或更多个颗粒及其等同物的提及，等等。出于清楚和理解的目的，现在已经详细描述了本发明。然而，应当理解的是，某些改变和修改可以在所附权利要求的范围内实施。
本文引用的所有出版物、专利和专利申请的全部内容通过引用并入本文中以用于所有目的。这些出版物、专利和专利申请均不被认为是现有技术。
Claims (15)
1.一种用于针对败血症来检测血液样本的方法，所述方法包括：
从个体接收血液样本；
执行用于针对败血症来分析所述血液样本的指令；
测量所述血液样本中的特征集的值，所述特征集在测量所述值之前被确定；
分析所述特征集的值以产生对败血症的怀疑的表示；以及
显示所述表示。
2.根据权利要求1所述的方法，其中，所述特征集包括单核细胞体积的标准偏差或者白细胞计数中的至少一个。
3.根据权利要求1所述的方法，还包括：
接收用于针对败血症来分析所述血液样本的指令，其中，接收所述指令包括：接收来自执业医师的用于针对所述个体针对败血症来分析所述血液样本的输入。
4.根据权利要求1所述的方法，其中：
所述特征集为第一特征集，
所述方法还包括：
测量所述血液样本中的第二特征集的值，所述第二特征集与所述第一特征集不同，
将所述第二特征集的值与临界值的集合进行比较，以及
基于所述比较，生成用于针对败血症来分析所述血液样本的指令，所述指令包括用于分析所述第一特征集的值以产生所述对败血症的怀疑的表示的命令。
5.根据权利要求1所述的方法，其中，所述表示包括所述血液样本的所述特征集的值以及非败血症状况的特征集的值的可视化。
6.根据权利要求1所述的方法，其中，所述对败血症的怀疑的表示包括败血症的可能性与非败血症状况的可能性的比较。
7.根据权利要求1所述的方法，其中：
所述特征集是第一特征集，并且
所述表示是第一表示，
所述方法还包括：
测量所述血液样本中的第二特征集的值，所述第二特征集在测量所述第二特征集的值之前被确定，
分析所述第二特征集的值以产生非败血症状况的第二表示，以及
显示所述第二表示。
8.根据权利要求1所述的方法，其中，所述对败血症的怀疑的表示包括与败血症的可能性对应的指标的值。
9.根据权利要求1所述的方法，其中：
所述血液样本是第一血液样本，
所述方法还包括：
在分析来自所述个体的第二血液样本之后，生成用于针对败血症来分析所述第一血液样本的指令，所述第二血液样本是在获得所述第一血液样本之前从所述个体获得的。
10.根据权利要求1所述的方法，其中：
所述表示是第一表示，
所述血液样本是第一血液样本，并且
所述值是第一值，
所述方法还包括：
显示第二表示和所述第一表示，其中，所述第二表示通过分析所述特征集的第二值来产生，所述第二值是在测量所述第一值之前从来自所述个体的第二血液样本中测量的。
11.根据权利要求1所述的方法，还包括：
从所述个体获得所述血液样本。
12.根据权利要求1所述的方法，还包括：
基于所述表示来确定败血症的可能性，以及
针对败血症对所述个体进行治疗。
13.根据权利要求1所述的方法，其中：
所述值是第一值，
测量所述血液样本中的所述第一值包括：分析所述血液样本中第一数目的细胞，并且
所述表示是第一表示，
所述方法还包括：
基于所述表示来确定败血症的可能性，
分析所述血液样本中第二数目的细胞，所述细胞的第二数目大于所述细胞的第一数目，
在确定所述败血症的可能性时，测量所述血液样本中的所述特征集的第二值，所述第二值与所述第二数目的细胞相关联，
分析所述特征集的所述第二值以产生对败血症的怀疑的第二表示，以及
显示所述第二表示。
14.根据权利要求1所述的方法，其中，分析所述特征集的值以产生所述表示包括：将作为从负无穷大到正无穷大的任何值的值转换至[0,1]范围。
15.根据权利要求1所述的方法，其中：
测量所述特征集的值是针对所述血液样本中的多种细胞的类型以及针对每种类型的细胞的数目，
所述细胞的类型使用用于针对败血症来分析所述血液样本的指令来确定，并且
所述每种类型的细胞的数目使用用于针对败血症来分析所述血液样本的指令来确定。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/987,541 | 2018-05-23 | ||
| US15/987,541 US11538566B2 (en) | 2018-05-23 | 2018-05-23 | Sample analysis with test determination based on identified condition |
| PCT/US2019/028488 WO2019226260A1 (en) | 2018-05-23 | 2019-04-22 | Panels for testing sepsis |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111989752A true CN111989752A (zh) | 2020-11-24 |
Family
ID=66625334
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980026474.4A Pending CN111989752A (zh) | 2018-05-23 | 2019-04-22 | 用于检测败血症的检测组 |
| CN201980034364.2A Pending CN112154517A (zh) | 2018-05-23 | 2019-05-07 | 特定于状况的样本分析 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980034364.2A Pending CN112154517A (zh) | 2018-05-23 | 2019-05-07 | 特定于状况的样本分析 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11538566B2 (zh) |
| EP (2) | EP3797427A1 (zh) |
| CN (2) | CN111989752A (zh) |
| WO (2) | WO2019226260A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115482925A (zh) | 2016-01-28 | 2022-12-16 | 贝克曼考尔特公司 | 感染检测和区分系统及方法 |
| WO2018160619A1 (en) | 2017-02-28 | 2018-09-07 | Beckman Coulter, Inc. | Cross discipline disease management system |
| US11852640B2 (en) | 2017-10-27 | 2023-12-26 | Beckman Coulter, Inc. | Hematology analyzers and methods of operation |
| US11521706B2 (en) | 2018-04-20 | 2022-12-06 | Beckman Coulter, Inc. | Testing and representing suspicion of sepsis |
| US11644464B2 (en) | 2018-04-20 | 2023-05-09 | Beckman Coulter, Inc. | Sepsis infection determination systems and methods |
| US11994514B2 (en) | 2018-06-15 | 2024-05-28 | Beckman Coulter, Inc. | Method of determining sepsis in the presence of blast flagging |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004044556A2 (en) * | 2002-11-12 | 2004-05-27 | Becton, Dickinson And Company | Diagnosis of sepsis or sirs using biomarker profiles |
| US20100240078A1 (en) * | 2007-03-23 | 2010-09-23 | Seok-Won Lee | Methods and compositions for diagnosis and/or prognosis in systemic inflammatory response syndromes |
| WO2017132132A1 (en) * | 2016-01-28 | 2017-08-03 | Beckman Coulter, Inc. | Infection detection and differentiation systems and methods |
| CN107532214A (zh) * | 2015-03-12 | 2018-01-02 | 斯坦福大学托管董事会 | 用于败血症诊断的方法 |
Family Cites Families (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR970007077B1 (ko) | 1987-03-13 | 1997-05-02 | 코울터 일렉트로닉스 인커퍼레이티드 | 광산란 기술을 이용한 다중-부분식별 분석 방법 |
| US5025374A (en) * | 1987-12-09 | 1991-06-18 | Arch Development Corp. | Portable system for choosing pre-operative patient test |
| ATE193603T1 (de) | 1992-02-24 | 2000-06-15 | Coulter Corp | Suspensionsmedien für hämatoligische zusammensetzungen und methode für ihren gebrauch |
| US5858790A (en) | 1996-06-26 | 1999-01-12 | Abbott Laboratories | Hematology reference control and method of preparation |
| US6228652B1 (en) | 1999-02-16 | 2001-05-08 | Coulter International Corp. | Method and apparatus for analyzing cells in a whole blood sample |
| US20040122708A1 (en) * | 2002-12-18 | 2004-06-24 | Avinash Gopal B. | Medical data analysis method and apparatus incorporating in vitro test data |
| JP4850711B2 (ja) | 2003-10-02 | 2012-01-11 | ベックマン コールター， インコーポレイテッド | 血液サンプルの有核赤血球の光学測定のリファレンスコントロール |
| US7195919B2 (en) | 2003-12-19 | 2007-03-27 | Beckman Coulter, Inc. | Hematology controls for reticulocytes and nucleated red blood cells |
| JP4644244B2 (ja) | 2004-02-27 | 2011-03-02 | ベックマン コールター， インコーポレイテッド | マラリア原虫その他の寄生虫の感染を検出する方法 |
| EP1738163A4 (en) | 2004-04-07 | 2008-01-23 | Beckman Coulter Inc | REFERENCE CONTROL COMPOSITION CONTAINING NUCLEIC RED GLOBULE COMPONENT |
| US7109036B2 (en) | 2004-05-13 | 2006-09-19 | Beckman Coulter, Inc. | Hematology reference control containing an immature granulocyte component |
| US7390662B2 (en) | 2005-11-09 | 2008-06-24 | Beckman Coulter, Inc. | Method and apparatus for performing platelet measurement |
| JP4926812B2 (ja) * | 2007-02-01 | 2012-05-09 | シスメックス株式会社 | 血球分析装置および体液分析方法 |
| US20090149724A1 (en) | 2007-12-05 | 2009-06-11 | Massachusetts Institute Of Technology | System and method for predicting septic shock |
| WO2009123737A2 (en) | 2008-04-03 | 2009-10-08 | Becton, Dickinson And Company | Advanced detection of sepsis |
| US8094299B2 (en) | 2008-07-24 | 2012-01-10 | Beckman Coulter, Inc. | Transducer module |
| ES2796655T3 (es) | 2008-11-14 | 2020-11-27 | Beckman Coulter Inc | Celdas de flujo óptico monolíticas y método de fabricación |
| US20110076685A1 (en) | 2009-09-23 | 2011-03-31 | Sirs-Lab Gmbh | Method for in vitro detection and differentiation of pathophysiological conditions |
| JP5667353B2 (ja) | 2009-09-25 | 2015-02-12 | シスメックス株式会社 | 血球計数装置、診断支援装置、診断支援方法及びコンピュータプログラム |
| EP2694960B1 (en) | 2011-04-07 | 2019-02-20 | Beckman Coulter, Inc. | Identifying and enumerating early granulated cells (egcs) |
| EP2520926B1 (en) * | 2011-05-05 | 2022-06-15 | Sysmex Corporation | Blood analyzer, blood analysis method, and computer program product |
| US11056229B2 (en) | 2011-12-21 | 2021-07-06 | Beacon Laboratory Benefit Solutions, Inc. | Systems, methods, and media for laboratory benefit services |
| US20140172321A1 (en) | 2012-08-13 | 2014-06-19 | Beckman Coulter, Inc. | Leukemia classification using cpd data |
| KR20150091049A (ko) | 2012-11-30 | 2015-08-07 | 베크만 컬터, 인코포레이티드 | Cpd 데이터를 이용한 결핵 선별검사 |
| BR112015015400A2 (pt) | 2012-12-31 | 2017-07-11 | Beckman Coulter Inc | métodos e sistemas de enumeração de plaquetas imaturas |
| EP3570040B1 (en) * | 2013-04-05 | 2024-02-14 | F. Hoffmann-La Roche AG | Analysis method for a biological sample |
| CN105136795B (zh) * | 2015-07-20 | 2018-12-11 | 爱威科技股份有限公司 | 血液样本检测装置、方法和系统 |
| WO2018160619A1 (en) | 2017-02-28 | 2018-09-07 | Beckman Coulter, Inc. | Cross discipline disease management system |
| WO2019028448A1 (en) | 2017-08-04 | 2019-02-07 | The Johns Hopkins University | APPLICATION FOR EARLY PREDICTION OF SEPTIC SHOCK WAITING |
| US11852640B2 (en) | 2017-10-27 | 2023-12-26 | Beckman Coulter, Inc. | Hematology analyzers and methods of operation |
| US11521706B2 (en) | 2018-04-20 | 2022-12-06 | Beckman Coulter, Inc. | Testing and representing suspicion of sepsis |
| US11644464B2 (en) | 2018-04-20 | 2023-05-09 | Beckman Coulter, Inc. | Sepsis infection determination systems and methods |
| US11994514B2 (en) | 2018-06-15 | 2024-05-28 | Beckman Coulter, Inc. | Method of determining sepsis in the presence of blast flagging |
| WO2021011349A1 (en) | 2019-07-12 | 2021-01-21 | Beckman Coulter, Inc. | Method of detecting sepsis using vital signs, including systolic blood pressure, hematology parameters, and combinations thereof |
| US20210011005A1 (en) | 2019-07-12 | 2021-01-14 | Beckman Coulter, Inc. | Systems and methods for evaluating immune response to infection |
| JP7561821B2 (ja) | 2019-07-12 | 2024-10-04 | ベックマン コールター， インコーポレイテッド | 感染に対する免疫応答を評価するためのシステムおよび方法 |
-
2018
- 2018-05-23 US US15/987,541 patent/US11538566B2/en active Active
-
2019
- 2019-04-22 WO PCT/US2019/028488 patent/WO2019226260A1/en unknown
- 2019-04-22 EP EP19728159.5A patent/EP3797427A1/en active Pending
- 2019-04-22 CN CN201980026474.4A patent/CN111989752A/zh active Pending
- 2019-05-07 EP EP19725526.8A patent/EP3797420A1/en active Pending
- 2019-05-07 WO PCT/US2019/031151 patent/WO2019226340A1/en unknown
- 2019-05-07 CN CN201980034364.2A patent/CN112154517A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004044556A2 (en) * | 2002-11-12 | 2004-05-27 | Becton, Dickinson And Company | Diagnosis of sepsis or sirs using biomarker profiles |
| US20100240078A1 (en) * | 2007-03-23 | 2010-09-23 | Seok-Won Lee | Methods and compositions for diagnosis and/or prognosis in systemic inflammatory response syndromes |
| CN107532214A (zh) * | 2015-03-12 | 2018-01-02 | 斯坦福大学托管董事会 | 用于败血症诊断的方法 |
| WO2017132132A1 (en) * | 2016-01-28 | 2017-08-03 | Beckman Coulter, Inc. | Infection detection and differentiation systems and methods |
Non-Patent Citations (3)
| Title |
|---|
| CHAVES F: ""Neutrophil volume distribution width: a new automated hematologic parameter for acute infection"", 《ARCH PATHOL LAB MED》, vol. 130, no. 3, pages 378 - 380 * |
| RUSSELL M. PETRAK: ""The Value of an Infectious Diseases Specialist"", 《CLINICAL INFECTIOUS DISEASES》, vol. 36, no. 8, pages 1013 - 1017 * |
| SENTHIL K. NACHIMUTHU: ""Early Detection of Sepsis in the Emergency Department using Dynamic Bayesian Networks"", 《AMIA ANNUAL SYMPOSIUM PROCEEDINGS》, vol. 2012, pages 653 - 662 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3797420A1 (en) | 2021-03-31 |
| WO2019226340A1 (en) | 2019-11-28 |
| WO2019226260A1 (en) | 2019-11-28 |
| US20190362824A1 (en) | 2019-11-28 |
| US11538566B2 (en) | 2022-12-27 |
| EP3797427A1 (en) | 2021-03-31 |
| CN112154517A (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11521706B2 (en) | Testing and representing suspicion of sepsis | |
| CN111989752A (zh) | 用于检测败血症的检测组 | |
| US20210011005A1 (en) | Systems and methods for evaluating immune response to infection | |
| CN108604466B (zh) | 感染检测和区分系统及方法 | |
| US11796447B2 (en) | Systems and methods for using cell granularitry in evaluating immune response to infection | |
| CN111989032B (zh) | 存在母细胞标志时确定败血症的方法 | |
| US11644464B2 (en) | Sepsis infection determination systems and methods | |
| CN1826529A (zh) | 临床检查分析装置、临床检查分析方法以及使该方法在计算机中执行的程序 | |
| US11791022B2 (en) | Cross discipline disease management system | |
| MX2008013978A (es) | Metodos y aparatos para identificar el estado de enfermedades utilizando biomarcadores. | |
| EP4139655A1 (en) | Detection of medical condition, severity, risk, and acuity using parameters | |
| US20230005566A1 (en) | Testing and representing suspicion of sepsis | |
| WO2017177192A1 (en) | White blood cell population dynamics | |
| US20230393164A1 (en) | Methods for evaluating mis-c associated with covid-19 | |
| CN116762011A (zh) | 发展成脓毒症的概率的检测 | |
| WO2023159188A1 (en) | Detection of sepsis using hematology parameters | |
| WO2023275568A1 (en) | Anomaly detection based on complete blood counts using machine learning |
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 |