CN112121250A - 用于血液透析的脱水量预测方法与使用该方法的电子装置 - Google Patents

用于血液透析的脱水量预测方法与使用该方法的电子装置 Download PDF

Info

Publication number
CN112121250A
CN112121250A CN201910699181.4A CN201910699181A CN112121250A CN 112121250 A CN112121250 A CN 112121250A CN 201910699181 A CN201910699181 A CN 201910699181A CN 112121250 A CN112121250 A CN 112121250A
Authority
CN
China
Prior art keywords
patients
historical
groups
patient
candidate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910699181.4A
Other languages
English (en)
Other versions
CN112121250B (zh
Inventor
连玉惠
简至毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wistron Corp
Original Assignee
Wistron Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wistron Corp filed Critical Wistron Corp
Publication of CN112121250A publication Critical patent/CN112121250A/zh
Application granted granted Critical
Publication of CN112121250B publication Critical patent/CN112121250B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M1/00—Suction or pumping devices for medical purposes; Devices for carrying-off, for treatment of, or for carrying-over, body-liquids; Drainage systems
    • A61M1/14—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis
    • A61M1/16—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis with membranes
    • A61M1/1601—Control or regulation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M1/00—Suction or pumping devices for medical purposes; Devices for carrying-off, for treatment of, or for carrying-over, body-liquids; Drainage systems
    • A61M1/14—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis
    • A61M1/16—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis with membranes
    • A61M1/1601—Control or regulation
    • A61M1/1613—Profiling or modelling of patient or predicted treatment evolution or outcome
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Anesthesiology (AREA)
  • Emergency Medicine (AREA)
  • Vascular Medicine (AREA)
  • Hematology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • External Artificial Organs (AREA)

Abstract

一种用于血液透析的脱水量预测方法与使用该方法的电子装置，所述方法包括下列步骤。获取第一病患的生理数据与透析治疗数据。判定第一病患属于多个群组中的一个，其中多个群组分别关联于多个预测模型。从多个预测模型中选择出对应于多个群组中的一个的目标预测模型。提供生理数据与透析治疗数据给目标预测模型，从而基于目标预测模型生成建议脱水量。

Description

用于血液透析的脱水量预测方法与使用该方法的电子装置
技术领域
本发明涉及基于机器学习的预测方法，特别地涉及用于血液透析的脱水量预测方法与使用该方法的电子装置。
背景技术
血液透析(也称为洗肾)是常见的医疗手段之一。在进行血液透析的过程中，血液会引流到透析仪器(也称为洗肾机)后再导回体内。具体地，血液先引流到体外，接着经过半透膜的扩散和超过滤作用来清除尿毒素及水分，最后再将血液引回体内。一般而言，在医疗人员完成透析仪器的各项参数设定之后，病患便可以开始通过透析仪器进行血液透析的疗程。
需要注意的是，在进行血液透析时，脱水量的多少对于病患血压有直接的影响。如果以预估过高的脱水量进行血液透析，可能会使病患脱水而导致血压骤降，造成身体不适。如果经常性的发生低血压，将迫使血液透析的疗程提早结束或中断，长久下来会导致尿毒素移除不足的现象。另一方面，如果以预估过低的脱水量进行血液透析，将导致病患长时间处在高体液的情况下，从而容易有高血压与心室肥厚扩大的现象发生。由此可知，理想的脱水量设定一直都是非常重要的议题。过去在临床上，医护人员大多使用尝试错误法来决定脱水量，因此医护人员一般需要通过经验的累积才有办法预估出理想的脱水量。另外，由在每位病患的身体条件不同，并且在病患状况不稳的时候，仍然需要依赖医护人员专业的判断和实时的监控，增加了医疗成本。此外，目前还是有许多透析病患在进行血液透析之后需要服用血压控制药物来稳定血压。上述种种现象显示血压控制与理想脱水量设定仍有相当大的改进空间。因而，如何能够预估出理想的脱水量来减少病患生成不适感，并降低医疗成本是本领域技术人员所致力的课题。
发明内容
鉴于此，本发明提供一种用于血液透析的脱水量预测方法与使用该方法的电子装置，其可以自动提供理想的脱水量，从而减轻医疗人员的负担并减少病患的不适感。
本发明实施例提出一种用于血液透析的脱水量预测方法，所述方法包括下列步骤。获取第一病患的生理数据与透析治疗数据。判定第一病患属于多个群组中的一个，其中多个群组分别关联于多个预测模型。从多个预测模型中选择出对应于群组中的一个的目标预测模型。提供生理数据与透析治疗数据给目标预测模型，从而基于目标预测模型生成建议脱水量。
本发明实施例提出一种电子装置，其包括储存电路与处理器。储存电路储存多个模块，而处理器耦合储存电路。处理器被配置为存取上述模块以执行下列步骤。获取第一病患的生理数据与透析治疗数据。判定第一病患属于多个群组中的一个，其中多个群组分别关联于多个预测模型。从多个预测模型中选择出对应于群组中的一个的目标预测模型。提供生理数据与透析治疗数据给目标预测模型，从而基于目标预测模型生成建议脱水量。
基于上述，在本发明实施例中，会先判断病患属于哪一个群组，再根据病患所属的群组来决定对应的目标预测模型。接着，将病患的生理数据与透析治疗数据给目标预测模型后，目标预测模型可以自动生成理想的建议脱水量。因此，透析仪器可参考目标预测模型生成的建议脱水量进行脱水量参数设定。由此，可降低医护人员人工评估脱水量的医疗成本，并可以减少病人因为血液透析疗程而引起的不适现象。
为了让本发明的上述特征和优点能更明显易懂，下文列举了实施例，并结合附图详细说明如下。
附图说明
图1是根据本发明的实施例绘制的电子装置的框图。
图2是根据本发明的实施例绘制的用于血液透析的脱水量预测方法的流程图。
图3根据本发明的实施例绘制的用于血液透析的脱水量预测方法的流程图。
图4是根据本发明的实施例绘制的模型构建的详细示意图。
图5是根据本发明的实施例绘制的根据血压变化趋势进行分类的示意图。
具体实施方式
本发明的部分实施例接下来将会结合附图来详细描述，以下的描述所引用的元件符号，当在不同附图中出现相同的元件符号时将视为相同或相似的元件。这些实施例只是本发明的一部分，并未披露本发明的所有实施方式。更确切的说，这些实施例只是本发明的专利申请范围中的方法与装置的示例。
图1是根据本发明的实施例绘制的电子装置的框图。但其仅是为了方便说明，并不用于限制本发明。首先，图1先介绍了电子装置中的所有部件以及配置关系，详细功能将结合图2与图3一并披露。
参照图1，电子装置10被应用于血液透析过程中，并用于预估病患进行血液透析所需设定的建议脱水量。电子装置10包括处理器101与储存电路102。
储存电路102用于储存数据、软件模块、程序代码，其可以例如是任意形式的固定的或可移动的随机存取存储器(random access memory，RAM)、只读存储器(read-onlymemory，ROM)、闪存(flash memory)、硬盘或其他类似装置、集成电路及其组合。
处理器101用于执行所提出的脱水量预测方法，其可以例如是中央处理单元(central processing unit，CPU)、图形处理单元(graphics processing unit，GPU)，或是其他可编程的通用或专用微处理器(microprocessor)、数字信号处理器(digital signalprocessor，DSP)、可编程控制器、专用集成电路(application specific integratedcircuits，ASIC)、可编程逻辑设备(programmable logic device，PLD)或其他类似装置、芯片、集成电路及其组合。在本发明的实施例中，处理器101可下载储存电路102中所记录的程序代码或模块以执行本发明实施例提出的脱水量预测方法。
在本发明的实施例中，电子装置10可以为血液透析仪、控制仪器、具有执行运算功能的计算机装置、服务器装置、或者是整合上述装置的电子装置，本发明并不限制电子装置10的类型。
图2是根据本发明的实施例绘制的用于血液透析的脱水量预测方法的流程图。参照图1与图2，本实施例的方法适用于上述实施例中的电子装置10，以下将结合电子装置10中的各个元件说明本实施例的用于血液透析的脱水量预测方法的详细步骤。
在步骤S201中，处理器101获取病患(即第一病患)的生理数据与透析治疗数据。上述的生理数据可包括病患基本数据、病患个人病史数据或病患在进行血液透析前所测量的生理评估数据等。透析治疗数据是病患先前(前一次或前几次)进行血液透析的疗程相关数据，其可包括血液透析期间的血压值、进行血液透析所设定的脱水量与实际脱水量，或进行血液透析的其他参数设定等。
具体地，病患向医院或洗肾中心报到后，医护人员将对病患进行生理测量，其可包括体重测量与血压测量等，并通过电子装置10的输入界面(图中未示出)输入病患的生理数据，以获取病患在血液透析前的生理数据(例如血液透析前的体重与血压值)，其中，输入界面例如是键盘、鼠标、语音输入装置或触控装置等，使医护人员可将测量到的病患的生理数据输入到电子装置10。在另一实施例中，电子装置10中还有无线或有线的数据传输界面(图中未示出)可连接生理数据测量仪器，并从其连接的生理数据测量仪器接收病患的生理数据。前述生理数据测量仪器例如为血压计、体重计或是穿戴在病患身上的穿戴测量装置(例如24小时血压测量设备、可测量血压或心率的智能手表、可测量体重的智能鞋等)，处理器101可通过数据传输界面获得病患的生理数据。此外，前述的数据传输界面可以是无线的蓝牙传输、ZigBee传输、Wifi传输等，或是有线的以太网传输、USB接口传输、雷电(thunderbolt)接口传输等，本发明对此不限制。此外，医院或洗肾中心的病患数据管理中心也存储了病患的基本数据，例如性别、年龄、透析年数与糖尿病状态等。此外，医院或洗肾中心的病患数据管理中心也存储了病患的透析治疗数据。因此，处理器101可通过储存电路102或通信电路(图中未示出)获取来从病患数据管理中心的病患基本数据以及前次血液透析的疗程相关数据，并在血液透析前获取由测量仪器对病患进行生理测量而生成的生理评估数据，以获取病患的生理数据。
在步骤S202中，处理器101判定第一病患属于多个群组中的一个。在步骤S203中，处理器101从多个预测模型中选择出对应于多个群组中的一个的目标预测模型。具体地，在本发明的实施例中，多个预测模型是根据机器学习算法训练而生成的。多个群组分别关联于多个预测模型，即不同的群组对应于不同的预测模型。因此，病患将根据其生理表征被处理器101判定为属于多个群组中的一个，接着处理器101再使用对应的预测模型来预估病患的建议脱水量。换言之，针对不同的病患，处理器101有可能使用不同的预测模型来进行脱水量的预估。
具体地，病患的生理表征是设定脱水量高低的参考因素，其可能是血压或其他类型的数据，可根据临床表现而设计。在本发明的实施例中，处理器101可通过步骤S201获得的病患的生理数据与透析治疗数据将病患的生理表征数值化为生理表征因子，并且具有相似或较接近的生理表征因子的病患会被分类为同一群组，而位于同一群组内的病患的历史生理数据与历史透析治疗数据将作为训练数据以用来训练出一个预测模型。因此，位于同一群组内具有相似生理表征的病患将使用相同的预测模型来预估建议脱水量。关于预测模型的构建后续实施例有清楚的说明。
需说明的是，在本发明的实施例中，在构建多个预测模型的过程中，基于已经执行的生理表征的病患分类操作来建立对应于不同群组的多个预测模型。因此，各病患的群组索引也可在构建多个预测模型的过程中被分配，以便让处理器101可在病患进行血液透析之前直接根据病患的群组索引选择出对应的目标预测模型，而不需要根据大量病患的数据来再次进行病患分类操作。更具体地，在构建预测模型的过程中，病患可因为基于生理表征被分类到一个群组之中而被分配一个群组索引，因此处理器101可直接根据病患所对应的群组索引而获得病患所属群组并据此获取对应的目标预测模型。举例来说，假设病患被分类到第一群组，则此病患可被分配群组索引‘index_1’。假设病患被分类到第二群组，则此病患可被分配群组索引‘index_2’。因此，处理器101可直接根据群组索引判定病患所属群组。
在决定病患所属的群组与对应的目标预测模型之后，在步骤S204中，处理器101将生理数据与透析治疗数据提供给目标预测模型，从而基于目标预测模型生成建议脱水量。具体地，处理器101可将病患的生理数据与透析治疗数据输入到预先建立的目标预测模型，从而通过目标预测模型生成建议脱水量。这里，建议脱水量可包括总建议脱水量与每小时建议脱水量。之后，处理器101可将建议脱水量提示在显示界面给医护人员进行参考，或者处理器101可根据建议脱水量设定电子医疗设备(即透析仪器)的仪器参数。
在实施例中，处理器101还可根据建议脱水量与预设透析时间计算每小时脱水量，并将每小时脱水量提示在显示界面。举例来说，假设建议脱水量为X毫升且预设透析时间为四小时，则每小时脱水量为X/4毫升。此外，处理器101可从透析仪器获取病患进行血液透析时的实际脱水量，并监控透析仪器进行血液透析的实际脱水量是否达到建议脱水量或每小时脱水量，以便让医护人员可根据监控结果做出适当处理。此外，处理器101还记录实际脱水量，其可作为训练预测模型的训练数据。
以下将进一步说明先将病患进行分类再构建预测模型的实施内容。图3根据本发明的实施例绘制的用于血液透析的脱水量预测方法的流程图。参照图1与图3，本实施例的方式适用于上述实施例中的电子装置10，以下将结合电子装置10中的各个元件说明本实施例的用于血液透析的脱水量预测方法的详细步骤。需要说明的是，图3所示的关于建立预测模型的流程是在图2所示的关于使用预测模型预估建议脱水量的流程之前执行的，而图2所提及的第一病患为图3所提及的第二病患中的一个。
在步骤S301中，处理器101收集多个第二病患的历史生理数据与历史透析治疗数据。举例来说，处理器101可从储存电路102和/或通过数据传输界面收集过去两个月所有第二病患的历史生理数据与历史透析治疗数据。一般来说，洗肾病患一个星期需要进行3次血液透析治疗，完成每一次血液透析之后，洗肾病患的透析前生理评估数据、病患基本数据与当次的透析治疗数据都会被储存到病患数据管理中心从而形成历史生理数据与历史透析治疗数据。因此，处理器101可通过无线或有线的数据传输界面从病患数据管理中心收集到所有第二患者的历史生理数据与历史透析治疗数据。举例来说，历史生理数据可包括过去两个月内每次血液透析所对应的体重、血压值、性别、年龄、糖尿病状态、透析年龄等。历史透析治疗数据可包括过去两个月内每次血液透析所对应的透析参数设定、脱水量设定与透析过程期间的血压值等。
在步骤S302中，处理器101对多个第二病患的历史透析治疗数据进行统计分析以获取分别对应于多个第二病患的多个生理表征因子。上述的统计分析可以是线性回归分析、因素分析或是其他种类的统计分析。针对每一个第二病患，处理器101可从历史透析治疗数据提取出与特定生理表征相关联的数据，并据以进行统计分析以生成对应的生理表征因子。在实施例中，若上述的统计分析是线性回归分析，则生理表征因子可以是对历史透析治疗数据执行线性回归分析而生成的回归系数。又或者，生理表征因子可以是对历史透析治疗数据执行统计平均而生成的平均值。
在生成每个第二患者的生理表征因子之后，在步骤S303中，处理器101根据多个分组数目，基于多个第二病患的生理表征因子将多个第二病患分别分类为对应于多个分组数目的多个候选群组。具体地，假设分组数目分别为2、3、4，而处理器101可根据多个第二患者的生理表征因子与这三个分组数目以将多个第二病患分别分类为4个候选群组、3个候选群组与2个候选群组。具体地，生理表征因子可以是对第二病患的生理数据进行回归统计分析以生成的回归系数。处理器101根据分组数目‘2’，将第二病患的生理表征因子与一个阈值进行比较，以将第二病患分组为2个候选群组。处理器101根据分组数目‘3’，将第二病患的生理表征因子与两个阈值进行比较，以将第二病患分组为3个候选群组。处理器101根据分组数目‘4’，将第二病患的生理表征因子与三个阈值进行比较，以将第二病患分组为4个候选群组。上述这些阈值可以是对所有第二病患的生理表征因子进行统计以生成的四分位数。
另外，多组候选群组分别具有对应的群组索引。响应于处理器101将各第二病患分类到对应的候选群组，处理器101将分配各个第二病患对应的多个群组索引中的一个。于是，处理器101可根据将进行血液透析的第一病患(即为用于建立预测模型的第二病患中的一个)所关联的群组索引中的一个判定第一病患属于群组中的一个。
在进行多个第二病患的分类操作之后，在步骤S304中，处理器101根据第二病患的历史生理数据与历史透析治疗数据，通过使用机器学习算法分别对对应于每个分组数目的各个候选群组建立对应于各候选群组的候选预测模型。换言之，响应于多个第二病患被分类为多个候选群组，多个第二病患的历史生理数据与历史透析治疗数据也将被对应分类为多个训练数据集，每个训练数据集对应于一个候选群组，使得处理器101可根据多个训练数据集以利用机器学习算法分别训练出多个候选预测模型。可知的，每个候选预测模型将一对一地对应于一个候选群组。也就是说，假设分组数目分别为2、3、4，则处理器101可获取9个候选群组，并对应生成9个候选预测模型。
进一步地，处理器101将一个候选群组内的多个第二病患的历史透析治疗数据中的历史脱水量以及多个第二病患的历史生理数据与历史透析治疗数据作为监督式学习算法的训练数据集而建立出对应于一个候选群组的一个候选预测模型。更具体地，处理器101可将历史透析治疗数据中的历史脱水量将作为监督式学习算法中的预期输出，并将候选群组内的多个第二病患的历史生理数据与其他历史透析治疗数据作为监督式学习算法中的输入对象，从而训练出对应候选群组的可预测建议脱水量的候选预测模型。上述的监督式学习算法例如包括多元线性回归(Multiple Linear regression，MLR)算法。假设监督式学习算法为多元线性回归，则处理器101可将历史透析治疗数据中的历史脱水量作为多元线性回归的因变量(dependent variable)，并将多个第二病患的其他历史生理数据与其他历史透析治疗数据作为多元线性回归的自变量(independent variable)，以生成线性回归模型。此外，处理器101还可以使用逐步选取法(Stepwise selection)来筛选出用于建立预测模型的重要因变量。
之后，在步骤S305中，处理器101将第二病患的历史生理数据与历史透析治疗数据提供到每个候选预测模型以获取多个误差信息。在步骤S306中，处理器101通过比较对应于多个分组数目的多个误差信息以决定对应分组数目中的一个的多个候选群组的候选预测模型为一套最佳预测模型，其中步骤S202～S203中实际用于脱水量预估的多个群组的多个预测模型即为多个最佳预测模型。也就是说，处理器101可分别对对应于每一分组数目的多组候选群组进行模型验证。在实施例中，处理器101对对应分组数目为2的2组候选群组的2个候选预测模型计算第一误差信息，对对应分组数目为3的3组候选群组的3个候选预测模型计算第二误差信息，对对应分组数目为4的4组候选群组的4个候选预测模型计算第三误差信息，而处理器101通过比较第一误差信息、第二误差信息与第三误差信息选择出一套最佳预测模型，例如从第一误差信息、第二误差信息与第三误差信息中选择出具有最小平均误差之一，并决定该平均误差值最小的误差信息所对应的多个候选群组的多个候选预测模型为一套最佳预测模型。
在另一实施例中，基于对应分组数目中的一个的候选群组的分类，处理器101可将多个第二病患的历史生理数据与历史透析治疗数据逐一输入到对应第一候选群组的多个第一候选预测模型，并通过比较多个第一候选预测模型的预测输出与实际数据(即历史透析治疗数据中的历史脱水量)来生成多个误差值，再对上述这些误差值的绝对值进行平均以生成关联于第一预测模型的模型平均绝对误差作为第一误差信息。相似的，处理器101也可以相似的方法获取对应分组数目其中的另一个的多个第二候选预测模型的模型平均绝对误差作为第二误差信息。如此一来，通过比较第一次误差信息与第二误差信息，处理器101可获取误差较小的多个第一候选预测模型作为一套最佳预测模型，并根据此套最佳预测模型生成建议脱水量给医护人员参考。
在实施例中，响应于经过预设时间(例如2个月)，处理器101还可根据当前收集的第二病患的历史生理数据与历史透析治疗数据将第二病患重新分别分类为对应多个分组数目的多个候选群组，并通过使用机器学习算法分别对候选群组重新训练候选预测模型。换言之，图3的步骤S301～S306的操作可每隔预设时间就执行一轮，以进行预测模型的重新训练。由此可知，病患的分类操作也将每隔预设时间就执行一次。
图4是根据本发明的实施例绘制的模型构建的详细示意图。图4所示的示例是由特征工程模块41、数据筛选模块42、病患分组模块43、模型训练模块44，以及模型验证模块45来生成用于预测建议脱水量的最佳预测模型。特征工程模块41、数据筛选模块42、病患分组模块43、模型训练模块44，以及模型验证模块45可由处理器101与储存电路102所记录的软件元件实现。
参照图4，特征工程模块41可从医院的病患数据管理中心获取多个病患P1～P(M)的历史生理数据d1与历史透析治疗数据d2。特征工程模块41对历史生理数据d1与历史透析治疗数据d2进行缺失值处理、类别数据处理、离群值处理与变数转换。接着，数据筛选模块42将初次进行透析的病患从病患P1～P(M)中予以排除，从而仅将常规病患的相关数据纳入构建预测模型的训练数据中。具体地，初次透析病患进行初次透析的时间是2小时，不同于常规病患进行透析的完整时间是4小时。此外，初次透析患者的身体尚处在适应状态，因而其生理数据的可参考性较低。换言之，初次透析病患的相关数据并不适合纳入建立预测模型的训练数据。数据筛选模块42最后再将筛选过后的历史生理数据d1与历史透析治疗数据d2整理为适合机器学习算法建立预测模型的数据格式。整体而言，在根据机器学习算法训练预测模型的前，特征工程模块41与数据筛选模块42对历史生理数据d1与历史透析治疗数据d2进行数据清整的操作，以提升预测模型的准确度。
接着，病患分组模块43根据3种分组数目“2”、“3”、“4”从而根据三种不同的分类方式将病患P1～P(M)中的常规病患分别分类为2组、3组、4组的候选群组。当病患P1～P(M)中的常规病患被分类为2组时，常规病患被分类到群组1-2与群组2-2。当病患P1～P(M)中的常规病患被分类为3组时，常规病患被分类到群组1-3、群组2-3与群组3-3。当病患P1～P(M)中的常规病患被分类为4组时，常规病患被被分类到群组1-4、群组2-4、群组3-4与群组4-4。根据病患的生理表征因子进行分类已在前述实施例中说明。
需特别说明的是，基于临床的观察，在血液透析过程中呈现相似的血压变化趋势的病患对于脱水量高低的影响有较为相似的生理临床表现。因此，在本发明的实施例中，通过对历史透析治疗数据进行统计分析，病患分组模块43可分析出病患在透析治疗过程中的血压变化趋势(即一种生理表征)，以根据各病患的血压变化趋势对病患进行分类。
具体地，病患分组模块43可从病患的历史透析治疗数据中获取多次先前血液透析过程内对应于不同时间点的多个血压值。病患分组模块43可对对应于不同时间点的血压值进行回归分析以生成病患的多个血压变化趋势因子(即一种生理表征因子)。这里，多个病患的血压变化趋势因子是基于回归分析而分别生成的多个回归系数。具体地，针对各个常规病患，病患分组模块43可将透析治疗过程内的时间点作为回归分析的因变量，并将透析治疗过程内的对应于上述时间点的血压值作为回归分析的因变量，以生成一个线性回归方程式。此线性回归方程式的一次项系数即为可作为血压变化趋势因子的回归系数(regression coefficient，又称回归直线斜率)，其可表示血压变化大小与血压变化的方向性。换言之，通过统计过去血液透析过程中的血压值，病患分组模块43可获取各病患在血液透析过程中的血压变化趋势，例如血压陡降、血压缓降、血压稳定，以及血压上升等，以根据病患P1～P(M)中的常规病患的血压变化趋势进行病患分类。
例如，图5是根据本发明的实施例绘制的根据血压变化趋势进行分类的示意图。参照图5，假设病患A的血压变化趋势因子小在阈值Q1，则病患A将被分类到群组1-4，其血压变化趋势大致上相似于图示51。图示51显示出群组1-4内的病患的血压变化趋势在透析过程中大幅下降。假设病患B的血压变化趋势因子大于阈值Q1但小于阈值Q2，则病患B将被分类到群组2-4，其血压变化趋势大致上相似于图示52。图示52显示出群组2-4内的病患的血压变化趋势在透析过程中微幅下降。假设病患C的血压变化趋势因子大于阈值Q2但小于阈值Q3，则病患C将被分类到群组3-4，其血压变化趋势大致上相似于图示53。图示53显示出群组3-4内的病患的血压变化趋势在透析过程中相对稳定。假设病患D的血压变化趋势因子大于阈值Q3，则病患D将被分类到群组4-4，其血压变化趋势大致上相似于图示54。图示54显示出群组4-4内的病患的血压变化趋势在透析过程中上升。上述4组群组1-4、2-4、3-4、4-4内的病患对于脱水量的需求将因为其血压变化趋势而有所差异。在另一实施例中，上述阈值Q1到Q3可设置为所有血压变化趋势的回归系数分布的四分位数，在其他实施例中可依需求而调整，不以此为限。
回到图4，在病患分组模块43对常规病患进行分类之后，模型训练模块44可针对候选群组逐一建立候选预测模型。模型训练模块44可根据机器学习算法分别针对群组1-2、群组2-2建立出预测模型1-2、预测模型2-2；根据机器学习算法分别针对群组1-3、群组2-3、群组3-3建立出预测模型1-3、预测模型2-3、预测模型3-3；根据机器学习算法分别针对群组1-4、群组2-4、群组3-4与群组4-4建立出预测模型1-4、预测模型2-4、预测模型3-4、预测模型4-4。举例来说，模型训练模块44可根据群组1-2内的病患的历史生理数据与历史透析治疗数据训练出预测模型1-2，并根据群组2-2内的病患的历史生理数据与历史透析治疗数据训练出预测模型2-2。在图4的示例中，模型训练模块44可使用MLR算法而分别训练出三组共9个预测模型。举例来说，表1是基于MLR算法以生成的预测模型1-4、预测模型2-4、预测模型3-4、预测模型4-4的示例。
表1
预测模型1-4 f(x)＝a<sub>0</sub>+a<sub>1</sub>b<sub>1</sub>+a<sub>2</sub>b<sub>2</sub>+a<sub>3</sub>b<sub>3</sub>
预测模型2-4 f(x)＝c<sub>0</sub>+c<sub>1</sub>b<sub>1</sub>+c<sub>2</sub>b<sub>2</sub>+c<sub>3</sub>b<sub>3</sub>
预测模型3-4 f(x)＝d<sub>0</sub>+d<sub>1</sub>b<sub>1</sub>+d<sub>2</sub>b<sub>2</sub>+d<sub>3</sub>b<sub>3</sub>
预测模型4-4 f(x)＝e<sub>0</sub>+e<sub>1</sub>b<sub>1</sub>+e<sub>2</sub>b<sub>2</sub>+e<sub>3</sub>b<sub>3</sub>
其中，a0、a1、a2、a3、c0、c1、c2、c3、d0、d1、d2、d3、e0、e1、e2、e3是训练出来的模型参数。b1是病患年龄。b2是前次透析后的病患体重。b3是前次透析总脱水量。然而，表1仅为示范性说明，并非用于限定本发明。
接着，模型验证模块45将对模型训练模块44所生成的每一组候选预测模型进行模型验证。模型验证模块45可求得对应于同一分组数目「2」下的预测模型1-2、预测模型2-2的模型平均绝对误差MAE1。模型验证模块45可求得对应于同一分组数目「3」下预测模型1-3、预测模型2-3、预测模型3-3的模型平均绝对误差MAE2。模型验证模块45可求得对应于同一分组数目「4」下预测模型1-4、预测模型2-4、预测模型3-4、预测模型4-4的模型平均绝对误差MAE3。于是模型验证模块45可通过比对模型平均绝对误差MAE1、模型平均绝对误差MAE2、模型平均绝对误差MAE3，以根据其中的最小值来决定出一套最佳预测模型。
举例来说，假设模型验证模块45发现模型平均绝对误差MAE3最小，则模型验证模块45将判定预测模型1-4、预测模型2-4、预测模型3-4、预测模型4-4为最佳预测模型。因此，当某一病患向医院或洗肾中心报到后，本发明实施例中的电子装置10将判定此病患是被分类为群组1-4、群组2-4、群组3-4与群组4-4其中的哪一个。假设电子装置10判定此病患被分类为群组1-4，电子装置10可采用预测模型1-4来预估病患此次进行血液透析的建议脱水量。如果以表1的示例作为说明，电子装置10将从病患数据管理中心获取病患的生理数据(即病患年龄)与透析治疗数据(即前次透析后的体重与前次透析总脱水量)。假设病患年龄为65岁、前次透析后的体重为56千克、前次透析总脱水量为2.4千克，且假设a0、a1、a2、a3分别依序为-0.32、-1.5、1.2、13.8，则本次透析的建议脱水量为-0.32-1.5*65+1.2*56+13.8*2.4＝2.5(千克)。因此，电子装置10可提供总建议脱水量为2.5千克与每小时建议脱水量为2.5/4＝0.625千克。因此，医疗人员可参考电子装置10提供的建议脱水量来设定血液透析仪。在另一实施例中，电子装置10设定病患使用的血液透析仪器的参数，并监控病患使用的血液透析仪器是否达到每个小时的建议脱水量，进而监控病患使用的血液透析仪器是否达到总建议脱水量，并相应记录实际脱水量，以供下次重新训练时使用该记录。
值得一提的是，特征工程模块41、数据筛选模块42、病患分组模块43、模型训练模块44，以及模型验证模块45可定期重新训练预测模型，以确保预测模型的参数可随着病患的生理状态变化而适应性改变，从而维持预测模型的稳定度。举例来说，特征工程模块41、数据筛选模块42、病患分组模块43、模型训练模块44，以及模型验证模块45可每隔预定时间，例如每隔1个月就根据过去几个月的历史数据重新训练出一套最佳预测模型。由此可知，随着病患的身体状态改变，重新训练预测模型的过程中，病患可能被分类到其他群组而使用对应于另一群组的预测模型，由此可更符合病患的身体需求。以图5为例，病患A目前可能被分类到群组3-4，但一个月过后却被分类到群组2-4。
需说明的是，在本发明的实施例中，群组的分组数目可根据实际需求而调整的，本发明对此不限制。此外，本发明对预测模型的模型参数或参数权重也不限制，其将根据实际训练出来的结果而定。例如，不同时间点训练出来的预测模型可能使用不同的模型参数或不同的参数权重。随着数据量的累计，预测模型可更贴近病患的实际需求。
综上所述，在本发明实施例中，病患的历史生理数据与历史透析治疗数据将被划分成多个训练数据集，以针对多个群组分别训练出对应的预测模型。对应的，病患进行血液透析的前，可根据病患属于那一个群组来决定对应的目标预测模型，以根据目标预测模型自动生成理想的建议脱水量。因此，对于脱水量高低的影响有相似临床表现的同组病患可以相同的预测模型来预估建议脱水量，从而提供脱水量设定的准确性，以稳定病患透析中与透析后的血压，从而减少透析治疗带来不适症状与降低心血管疾病的发生机率。另外，通过自动化提取病患的生理数据与透析治疗数据且利用目标预测模型进行自动化预测，可降低医护人员人工评估脱水量的医疗成本，还可对较无经验的医护人员提供相当的协助。
虽然本发明已以实施例披露如上，然而其并非用于限定本发明，任何所属技术领域中具有普通知识的人，在不脱离本发明的精神和范围内，可以做出适当的修改和补充，因此本发明的保护范围应当根据所附的权利要求范围所保护的为准。
【符号说明】
10：电子装置
102：储存电路
101：处理器
41：特征工程模块
42：数据筛选模块
43：病患分组模块
44：模型训练模块
45：模型验证模块
d1：历史生理数据
d2：历史透析治疗数据
P1～P(M)：病患
S201～S204、S301～S306：步骤

Claims (20)

1.一种用于血液透析的脱水量预测方法，所述方法包括：
获取第一病患的生理数据与透析治疗数据；
判定所述第一病患属于多个群组中的一个，其中所述多个群组分别关联于多个预测模型；
从所述多个预测模型中选择出对应于所述多个群组中的一个的目标预测模型；以及
提供所述生理数据与所述透析治疗数据给所述目标预测模型，从而基于所述目标预测模型生成建议脱水量。
2.根据权利要求1所述的用于血液透析的脱水量预测方法，还包括：
收集多个第二病患的历史生理数据与历史透析治疗数据，其中所述第一病患是所述多个第二病患中的一个；
对所述多个第二病患的所述历史透析治疗数据进行统计分析以获取分别对应于所述多个第二病患的多个生理表征因子；
根据多个分组数目，基于所述多个第二病患的所述多个生理表征因子将所述多个第二病患分别分类为对应于所述多个分组数目的多组候选群组；以及
根据所述多个第二病患的所述历史生理数据与所述历史透析治疗数据，通过使用机器学习算法分别对所述多组候选群组建立多个候选预测模型。
3.根据权利要求2所述的用于血液透析的脱水量预测方法，还包括：
将所述多个第二病患的所述历史生理数据与所述历史透析治疗数据提供给所述多个候选预测模型以获取多个误差信息；以及
通过比较所述多个误差信息从而决定对应所述多个分组数目中的一个的所述多组候选群组的所述多个候选预测模型为最佳预测模型，其中关联所述多个群组的所述多个预测模型是多个所述最佳预测模型。
4.根据权利要求2所述的用于血液透析的脱水量预测方法，其中对所述多个第二病患的所述历史透析治疗数据进行统计分析以获取分别对应于所述多个第二病患的所述多个生理表征因子的步骤包括：
从所述多个第二病患的所述历史透析治疗数据中获取血液透析过程中的多个血压值；以及
对所述多个血压值进行回归分析以生成所述多个第二病患的多个血压变化趋势因子，其中所述多个第二病患的所述多个血压变化趋势因子是基于所述回归分析分别生成的多个回归系数。
5.根据权利要求2所述的用于血液透析的脱水量预测方法，其中根据所述多个第二病患的所述历史生理数据与所述历史透析治疗数据，通过使用所述机器学习算法分别对所述多组候选群组建立所述多个候选预测模型的步骤包括：
将所述多个被分类后的第二病患的所述历史透析治疗数据中的历史脱水量以及所述多个被分类后的第二病患的所述历史生理数据与所述历史透析治疗数据作为监督式学习算法的训练数据集来训练所述多个候选预测模型。
6.根据权利要求1所述的用于血液透析的脱水量预测方法，还包括：
将所述建议脱水量提示在显示界面，或者根据所述建议脱水量设定电子医疗设备的仪器参数。
7.根据权利要求6所述的用于血液透析的脱水量预测方法，还包括：
根据所述建议脱水量与预设透析时间计算每小时脱水量，并将所述每小时脱水量提示在所述显示界面，或者根据所述每小时脱水量设定所述电子医疗设备的所述仪器参数。
8.根据权利要求7所述的用于血液透析的脱水量预测方法，还包括：
监控所述电子医疗设备进行血液透析的实际脱水量是否达到所述建议脱水量或所述每小时脱水量，并记录所述实际脱水量。
9.根据权利要求2所述的用于血液透析的脱水量预测方法，其中所述多个群组分别对应于多个群组索引，所述方法还包括：
响应于将所述多个第二病患分类到所述多组候选群组而将所述多个第二病患的每一个分配到对应的所述多个群组索引中的一个；其中判定所述第一病患属于所述多个群组中的一个的步骤包括：
根据所述第一病患所关联的所述多个群组索引中的一个判定所述第一病患属于所述多个群组中的一个，其中所述第一病患是所述多个第二病患中的一个。
10.根据权利要求2所述的用于血液透析的脱水量预测方法，所述方法还包括：
响应于经过预设时间，根据所述多个第二病患的所述历史生理数据与所述历史透析治疗数据将所述多个第二病患重新分别分类为对应于所述多个分组数目的所述多组候选群组，并通过使用所述机器学习算法分别对所述多组候选群组重新训练所述多个候选预测模型。
11.一种电子装置，包括：
储存电路，储存多个模块；以及
处理器，耦合所述储存电路，其被配置为存取所述多个模块以：
获取第一病患的生理数据与透析治疗数据；
判定所述第一病患属于多个群组中的一个，其中所述多个群组分别关联于多个预测模型；
从所述多个预测模型中选择出对应于所述多个群组中的一个的目标预测模型；以及
提供所述生理数据与所述透析治疗数据给所述目标预测模型，从而基于所述目标预测模型生成建议脱水量。
12.根据权利要求11所述的电子装置，其中所述处理器还被配置为以：
收集多个第二病患的历史生理数据与历史透析治疗数据，其中所述第一病患是所述多个第二病患中的一个；
对所述多个第二病患的所述历史透析治疗数据进行统计分析以获取分别对应于所述多个第二病患的多个生理表征因子；
根据多个分组数目，基于所述多个第二病患的所述多个生理表征因子将所述多个第二病患分别分类为对应于所述多个分组数目的多组候选群组；以及
根据所述多个第二病患的所述历史生理数据与所述历史透析治疗数据，通过使用机器学习算法分别对所述多组候选群组建立所述多个候选预测模型。
13.根据权利要求12所述的电子装置，其中所述处理器还被配置为以：
将所述多个第二病患的所述历史生理数据与所述历史透析治疗数据提供到所述多个候选预测模型以获取多个误差信息；以及
通过比较所述多个误差信息而决定对应所述多个分组数目中的一个的所述多组候选群组的所述多个候选预测模型为最佳预测模型，其中关联所述多个群组的所述多个预测模型是多个所述最佳预测模型。
14.根据权利要求12所述的电子装置，其中所述处理器还被配置为以：
从所述多个第二病患的所述历史透析治疗数据中获取血液透析过程中的多个血压值；以及
对所述多个血压值进行回归分析以生成所述多个第二病患的多个血压变化趋势因子，其中所述多个第二病患的所述多个血压变化趋势因子是基于所述回归分析而分别生成的多个回归系数。
15.根据权利要求12所述的电子装置，其中所述处理器还被配置为以：
将所述多个被分类后的第二病患的所述历史透析治疗数据中的历史脱水量以及所述多个被分类后的第二病患的所述历史生理数据与所述历史透析治疗数据作为监督式学习算法的训练数据集而训练所述多个候选预测模型。
16.根据权利要求11所述的电子装置，其中所述处理器还被配置为以：
将所述建议脱水量提示在显示界面，或者根据所述建议脱水量设定电子医疗设备的仪器参数。
17.根据权利要求16所述的电子装置，其中所述处理器还被配置为以：
根据所述建议脱水量与预设透析时间计算每小时脱水量，并将所述每小时脱水量提示在所述显示界面，或者根据所述每小时脱水量设定所述电子医疗设备的所述仪器参数。
18.根据权利要求17所述的电子装置，其中所述处理器还被配置为以：
监控所述电子医疗设进行血液透析的实际脱水量是否达到所述建议脱水量或所述每小时脱水量，并记录所述实际脱水量。
19.根据权利要求12所述的电子装置，其中所述多个群组分别对应于多个群组索引，其中所述处理器还被配置为以：
响应于将所述多个第二病患分类到所述多组候选群组从而将所述多个第二病患的每一个分配到对应的所述多个群组索引中的一个；以及
根据所述第一病患所关联的所述多个群组索引中的一个判定所述第一病患属于所述多个群组中的一个，其中所述第一病患为所述多个第二病患中的一个。
20.根据权利要求12所述的电子装置，其中所述处理器还被配置为以：
响应于经过预设时间，根据所述多个第二病患的所述历史生理数据与所述历史透析治疗数据将所述多个第二病患重新分别分类为对应所述多个分组数目的所述多组候选群组，并通过使用所述机器学习算法分别对所述多组候选群组重新训练所述多个候选预测模型。
CN201910699181.4A 2019-06-25 2019-07-31 用于血液透析的脱水量预测方法与使用该方法的电子装置 Active CN112121250B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW108122191 2019-06-25
TW108122191A TWI768216B (zh) 2019-06-25 2019-06-25 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

Publications (2)

Publication Number Publication Date
CN112121250A true CN112121250A (zh) 2020-12-25
CN112121250B CN112121250B (zh) 2023-09-29

Family

ID=73849543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910699181.4A Active CN112121250B (zh) 2019-06-25 2019-07-31 用于血液透析的脱水量预测方法与使用该方法的电子装置

Country Status (3)

Country Link
US (1) US11335450B2 (zh)
CN (1) CN112121250B (zh)
TW (1) TWI768216B (zh)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11957960B2 (en) 2019-05-10 2024-04-16 Rehab2Fit Technologies Inc. Method and system for using artificial intelligence to adjust pedal resistance
US11904207B2 (en) 2019-05-10 2024-02-20 Rehab2Fit Technologies, Inc. Method and system for using artificial intelligence to present a user interface representing a user's progress in various domains
US11433276B2 (en) 2019-05-10 2022-09-06 Rehab2Fit Technologies, Inc. Method and system for using artificial intelligence to independently adjust resistance of pedals based on leg strength
US11957956B2 (en) 2019-05-10 2024-04-16 Rehab2Fit Technologies, Inc. System, method and apparatus for rehabilitation and exercise
US11896540B2 (en) 2019-06-24 2024-02-13 Rehab2Fit Technologies, Inc. Method and system for implementing an exercise protocol for osteogenesis and/or muscular hypertrophy
US11071597B2 (en) 2019-10-03 2021-07-27 Rom Technologies, Inc. Telemedicine for orthopedic treatment
US11069436B2 (en) 2019-10-03 2021-07-20 Rom Technologies, Inc. System and method for use of telemedicine-enabled rehabilitative hardware and for encouraging rehabilitative compliance through patient-based virtual shared sessions with patient-enabled mutual encouragement across simulated social networks
US11915816B2 (en) 2019-10-03 2024-02-27 Rom Technologies, Inc. Systems and methods of using artificial intelligence and machine learning in a telemedical environment to predict user disease states
US11923065B2 (en) 2019-10-03 2024-03-05 Rom Technologies, Inc. Systems and methods for using artificial intelligence and machine learning to detect abnormal heart rhythms of a user performing a treatment plan with an electromechanical machine
US11955223B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using artificial intelligence and machine learning to provide an enhanced user interface presenting data pertaining to cardiac health, bariatric health, pulmonary health, and/or cardio-oncologic health for the purpose of performing preventative actions
US11978559B2 (en) 2019-10-03 2024-05-07 Rom Technologies, Inc. Systems and methods for remotely-enabled identification of a user infection
US20220288460A1 (en) * 2019-10-03 2022-09-15 Rom Technologies, Inc. Method and system for using artificial intelligence to assign patients to cohorts and dynamically controlling a treatment apparatus based on the assignment during an adaptive telemedical session
US11955222B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for determining, based on advanced metrics of actual performance of an electromechanical machine, medical procedure eligibility in order to ascertain survivability rates and measures of quality-of-life criteria
US11961603B2 (en) 2019-10-03 2024-04-16 Rom Technologies, Inc. System and method for using AI ML and telemedicine to perform bariatric rehabilitation via an electromechanical machine
US11887717B2 (en) 2019-10-03 2024-01-30 Rom Technologies, Inc. System and method for using AI, machine learning and telemedicine to perform pulmonary rehabilitation via an electromechanical machine
US11955220B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using AI/ML and telemedicine for invasive surgical treatment to determine a cardiac treatment plan that uses an electromechanical machine
US11101028B2 (en) 2019-10-03 2021-08-24 Rom Technologies, Inc. Method and system using artificial intelligence to monitor user characteristics during a telemedicine session
US11955221B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using AI/ML to generate treatment plans to stimulate preferred angiogenesis
US11915815B2 (en) 2019-10-03 2024-02-27 Rom Technologies, Inc. System and method for using artificial intelligence and machine learning and generic risk factors to improve cardiovascular health such that the need for additional cardiac interventions is mitigated
US11075000B2 (en) 2019-10-03 2021-07-27 Rom Technologies, Inc. Method and system for using virtual avatars associated with medical professionals during exercise sessions
US20220165415A1 (en) * 2020-11-24 2022-05-26 Cerner Innovation, Inc. Intelligent system and methods for automatically recommending patient-customized instructions
US20220318626A1 (en) * 2021-04-05 2022-10-06 Nec Laboratories America, Inc. Meta-training framework on dual-channel combiner network system for dialysis event prediction

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004049492A (ja) * 2002-07-18 2004-02-19 Jms Co Ltd 基準体重算出方法および血液透析装置
US20120330117A1 (en) * 2008-10-29 2012-12-27 The Regents Of The University Of Colorado, A Body Corporate Hemodynamic Reserve Monitor and Hemodialysis Control
US20130041684A1 (en) * 2010-04-23 2013-02-14 Peter Kotanko System And Method Of Identifying When A Patient Undergoing Hemodialysis Is At Increased Risk Of Death By A Logistic Regression Model
US20130325356A1 (en) * 2012-05-30 2013-12-05 Cantimer, Inc. Methods for determining hydration or dehydration level in a subject
US20150065826A1 (en) * 2008-10-29 2015-03-05 Flashback Technologies, Inc. Noninvasive Predictive and/or Estimative Blood Pressure Monitoring
US20160001000A1 (en) * 2014-07-01 2016-01-07 Michael Sabry Awadalla Systems and methods using estimated glomerular filtration rates of the kidneys in the non-steady state
DE102014013886A1 (de) * 2014-09-18 2016-03-24 Fresenius Medical Care Deutschland Gmbh Verfahren und Vorrichtung zur Vorhersage von einem oder mehreren für den Ausgang einer Blutbehandlung charakteristischen Parametern
WO2016182483A1 (en) * 2015-05-11 2016-11-17 Telefonaktiebolaget Lm Ericsson (Publ) An arrangement and method performed therein for data analytics
CN106330852A (zh) * 2015-07-06 2017-01-11 纬创资通股份有限公司 异常预测方法、异常预测系统及异常预测装置
CN106407668A (zh) * 2016-09-05 2017-02-15 中山大学 基于人体热生理模型的运动健康仿真与预测方法及系统
CN107106016A (zh) * 2014-10-09 2017-08-29 雷迪·阿肖克 基于生理数据预测患者的连续心输出量(cco)的方法和系统
CN206612985U (zh) * 2016-12-14 2017-11-07 北京英福美信息科技股份有限公司 肾脏替代治疗控制血流量和透析液流量的装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012102963A1 (en) * 2011-01-26 2012-08-02 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Urine biomarkers for prediction of recovery after acute kidney injury : proteomics
CA2930702A1 (en) * 2013-11-14 2015-05-21 Flashback Technologies, Inc. Noninvasive monitoring for fluid resuscitation
TWM492163U (zh) * 2014-10-02 2014-12-21 qing-hua He 應用於血液透析的雲端監控自動化系統
CN106529162A (zh) * 2016-11-04 2017-03-22 南京端云信息科技有限公司 一种智能糖尿病评估预测系统与算法
WO2019200125A1 (en) * 2018-04-12 2019-10-17 Fresenius Medical Care Holdings, Inc. Systems and methods for determining functionality of dialysis patients for assessing parameters and timing of palliative and/or hospice care
CN109411061A (zh) * 2018-09-21 2019-03-01 厦门大学附属中山医院 一种血液透析患者自助预约透析治疗系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004049492A (ja) * 2002-07-18 2004-02-19 Jms Co Ltd 基準体重算出方法および血液透析装置
US20120330117A1 (en) * 2008-10-29 2012-12-27 The Regents Of The University Of Colorado, A Body Corporate Hemodynamic Reserve Monitor and Hemodialysis Control
US20150065826A1 (en) * 2008-10-29 2015-03-05 Flashback Technologies, Inc. Noninvasive Predictive and/or Estimative Blood Pressure Monitoring
US20130041684A1 (en) * 2010-04-23 2013-02-14 Peter Kotanko System And Method Of Identifying When A Patient Undergoing Hemodialysis Is At Increased Risk Of Death By A Logistic Regression Model
US20130325356A1 (en) * 2012-05-30 2013-12-05 Cantimer, Inc. Methods for determining hydration or dehydration level in a subject
US20160001000A1 (en) * 2014-07-01 2016-01-07 Michael Sabry Awadalla Systems and methods using estimated glomerular filtration rates of the kidneys in the non-steady state
DE102014013886A1 (de) * 2014-09-18 2016-03-24 Fresenius Medical Care Deutschland Gmbh Verfahren und Vorrichtung zur Vorhersage von einem oder mehreren für den Ausgang einer Blutbehandlung charakteristischen Parametern
CN107106016A (zh) * 2014-10-09 2017-08-29 雷迪·阿肖克 基于生理数据预测患者的连续心输出量(cco)的方法和系统
WO2016182483A1 (en) * 2015-05-11 2016-11-17 Telefonaktiebolaget Lm Ericsson (Publ) An arrangement and method performed therein for data analytics
CN106330852A (zh) * 2015-07-06 2017-01-11 纬创资通股份有限公司 异常预测方法、异常预测系统及异常预测装置
CN106407668A (zh) * 2016-09-05 2017-02-15 中山大学 基于人体热生理模型的运动健康仿真与预测方法及系统
CN206612985U (zh) * 2016-12-14 2017-11-07 北京英福美信息科技股份有限公司 肾脏替代治疗控制血流量和透析液流量的装置

Also Published As

Publication number Publication date
TW202101480A (zh) 2021-01-01
US20200411162A1 (en) 2020-12-31
US11335450B2 (en) 2022-05-17
TWI768216B (zh) 2022-06-21
CN112121250B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN112121250B (zh) 用于血液透析的脱水量预测方法与使用该方法的电子装置
TWI710352B (zh) 血壓預測方法與使用該方法的電子裝置
US10039485B2 (en) Method and system for assessing mental state
WO2020181805A1 (zh) 糖尿病的预测方法及装置、存储介质、计算机设备
JP2012221508A (ja) 患者予後を予測するシステムおよびコンピュータ可読媒体
KR20170067759A (ko) 생리학적 데이터를 기반으로 환자의 연속 심박출량(cco)을 예측하기 위한 시스템 및 방법
CN108877924A (zh) 一种哮喘概率的确定方法及装置
TWI792333B (zh) 低血壓的預測處理方法與系統
WO2023050668A1 (zh) 基于因果推断的分群模型构建方法和医疗数据处理方法
WO2023058200A1 (ja) 疲労度算出装置、疲労度算出方法及び記憶媒体
CN117079760B (zh) 华法林剂量调整方法、系统及临床辅助决策系统
KR20230116458A (ko) 건강검진 데이터 처리 방법 및 장치
CN112767350B (zh) 血栓弹力图最大区间预测方法、装置、设备和存储介质
CN111839486B (zh) 预估血压骤降的方法及电子装置
CN116364230A (zh) 一种耳鸣声治疗方案智能生成系统
KR20230100102A (ko) 건강검진 데이터 처리 방법 및 장치
CN116570311A (zh) 一种身体状态监测方法、装置及计算设备
CN117238478A (zh) 基于睡眠监测的脑卒中风险预警模型生成方法
CN118078254A (zh) 智能儿童呼吸监测方法
CN117373672A (zh) 基于近红外光谱因效性脑网络的脑卒中康复分级评估方法
CN117084638A (zh) 一种基于游戏行为分析的认知障碍评估方法及系统
CN117409984A (zh) 一种糖尿病随访管理系统、装置、电子设备和存储介质
CN114668371A (zh) 猝死预警系统
CN116965785A (zh) 一种生命体征监测分析方法、系统、终端及存储介质
CN117253605A (zh) 一种家用心血管疾病预警系统及风险评估方法

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