CN112585693A - 减少冗余警报 - Google Patents
减少冗余警报 Download PDFInfo
- Publication number
- CN112585693A CN112585693A CN201980054213.3A CN201980054213A CN112585693A CN 112585693 A CN112585693 A CN 112585693A CN 201980054213 A CN201980054213 A CN 201980054213A CN 112585693 A CN112585693 A CN 112585693A
- Authority
- CN
- China
- Prior art keywords
- data set
- model
- alarm
- entity
- alarms
- 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
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000015654 memory Effects 0.000 claims description 22
- 238000012806 monitoring device Methods 0.000 claims description 16
- 201000010099 disease Diseases 0.000 claims description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 8
- 229940079593 drug Drugs 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000036471 bradycardia Effects 0.000 description 3
- 208000006218 bradycardia Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000032368 Device malfunction Diseases 0.000 description 1
- 206010022998 Irritability Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect 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
- 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
- G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G16H40/40—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 management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
用于减少冗余警报的方法和系统。所述系统可以接收两个或更多个不同的警报序列以推测它们之间的关系。在推测数据集被耦合而使得与数据集中的一个相关联的警报跟随与另一个数据集相关联的警报时,所述系统可以抑制所述警报中的一个。
Description
技术领域
本文中描述的实施例总体上涉及用于减少警报的系统和方法,并且更具体地但非排他性地涉及用于抑制冗余警报的系统和方法。
背景技术
在诸如医院等的医疗保健机构中,许多不同的医学设备需要不同且独立地设置或者以其他方式配置。警报驱动的设备(例如,医疗保健环境中的那些警报驱动的设备)一般被配置为以相对较高的敏感性和倾向性发出警报以实施“安全至上”策略。
然而,过度的警报会导致警报疲劳,其中,临床医生对监测警报和对其采取行动的敏感性会逐渐变低。这会对患者接受的护理质量产生不利影响。
因此,需要克服现有的警报发出技术和设备的缺点的方法和系统。
发明内容
提供该发明内容是要以简明的形式引入选择的构思,该选择的构思会在下文中的具体实施方式的章节中得到进一步的详细描述。该发明内容并不旨在识别或排除请求保护的主题的关键特征或实质特征,也不旨在被用作对确定请求保护的主题的范围的辅助。
在一个方面中,实施例涉及一种用于减少冗余警报的方法。所述方法包括:使用第一传感器设备收集关于第一实体的第一数据集;使用第二传感器设备收集关于所述第一实体的第二数据集;向处理器提供所述第一数据集和所述第二数据集,所述处理器运行在存储器上存储的指令并提供模型;其中,所述模型被配置为:推测所述第一数据集与所述第二数据集之间的关系,其中,所述关系指示与所述第二数据集相关联的警报和与所述第一数据集相关联的警报耦合,并且抑制所耦合的警报中的至少一个;并且存储所述模型以供以后使用,以便允许所存储的模型被检索并和与所述第一实体共有至少一个特性的第二实体一起被使用。
在一些实施例中,所述至少一个特性包括以下各项中的至少一项:年龄、性别、疾病状态、药物、介入,以及医疗保健科室。
在一些实施例中,所述方法还包括调节与所述第一数据集和所述第二数据集中的至少一个相关联的警报阈值。
在一些实施例中,所述方法还包括使用所述第一数据集和所述第二数据集的较后版本更新所述模型。
在一些实施例中,所述模型包括以下各项中的至少一项:耦合的隐马尔可夫模型、动态贝叶斯网络,以及递归神经网络。
在一些实施例中,所述第一实体是患者,并且所述第一传感器设备是患者监测设备,并且所述第二传感器设备是通气机。
在一些实施例中,所述模型还被配置为基于以下各项中的至少一项推测所述关系:在与所述第一数据集相关联的第一警报状态和与所述第二数据集相关联的第二警报状态中的至少一个上花费的时间;以及阈值违反与生成的与所述第一数据集和所述第二数据集中的至少一个相关联的警报之间的时间。
根据另一方面,实施例涉及一种用于减少冗余警报的系统。所述系统包括:接口,其用于从第一传感器设备接收关于第一实体的第一数据集,并且从第二传感器设备接收关于所述第一实体的第二数据集;处理器,其运行在存储器上存储的指令并提供模型,其中,所述模型被配置为至少推测所述第一数据集与所述第二数据集之间的关系,其中,所述关系指示与所述第二数据集相关联的警报和与所述第一数据集相关联的警报耦合,并且抑制所耦合的警报中的至少一个;以及数据库,其用于存储所述模型以供以后使用,以便允许所存储的模型被检索并和与所述第一实体共有至少一个特性的第二实体一起被使用。
在一些实施例中,所述至少一个特性包括以下各项中的至少一项:年龄、性别、疾病状态、介入、药物,以及医疗保健科室。
在一些实施例中,所述处理器还被配置为调节与所述第一数据集和所述第二数据集中的至少一个相关联的警报阈值。
在一些实施例中,所述处理器被配置为使用所述第一数据集和所述第二数据集的较后版本更新所述模型。
在一些实施例中,所述模型包括以下各项中的至少一项:耦合的隐马尔可夫模型、动态贝叶斯网络,以及递归神经网络。
在一些实施例中,所述第一实体是患者,并且所述第一传感器设备是患者监测设备,并且所述第二传感器设备是通气机。
在一些实施例中,所述模型还被配置为基于以下各项中的至少一项推测所述关系:在与所述第一数据集相关联的第一警报状态和与所述第二数据集相关联的第二警报状态中的至少一个上花费的时间,以及阈值违反与生成的与所述第一数据集和所述第二数据集中的至少一个相关联的警报之间的时间。
根据另一方面,实施例涉及一种计算机可读介质,其包含用于减少冗余警报的方法的计算机可执行指令。所述介质包括:用于使用第一传感器设备收集关于第一实体的第一数据集的计算机可执行指令;用于使用第二传感器设备收集关于所述第一实体的第二数据集的计算机可执行指令;用于向处理器提供所述第一数据集和所述第二数据集的计算机可执行指令,所述处理器运行在存储器上存储的指令并提供模型,其中,所述模型被配置为:推测所述第一数据集与所述第二数据集之间的关系,其中,所述关系指示与所述第二数据集相关联的警报和与所述第一数据集相关联的警报耦合,并且抑制所耦合的警报中的至少一个;以及用于存储所述模型以供以后使用以便允许所存储的模型被检索并和与所述第一实体共有至少一个特性的第二实体一起被使用的计算机可执行指令。
附图说明
本发明的非限制性且非穷举性实施例是参考以下附图描述的,其中,除非另外指出,否则在各幅视图中相同的附图标记指代相同的部分。
图1图示了根据一个实施例的用于减少冗余警报的系统;
图2图示了根据一个实施例的用于耦合的隐马尔可夫模型的警报序列数据;
图3图示了根据一个实施例的考虑在每个警报状态上花费的时间的警报序列数据;
图4图示了根据一个实施例的学习现有的警报序列与新的患者的警报序列之间的关系的方法;并且
图5描绘了根据一个实施例的用于减少冗余警报的方法的流程图。
具体实施方式
下文参考附图来更充分地描述各个实施例,所述附图形成各个实施例的部分,并且所述附图示出了特定的示例性实施例。然而,本公开内容的构思可以以许多不同的形式来实施,而不应被解释为限于本文中所阐述的实施例;而是,这些实施例被提供作为完全和完整的公开内容的部分,从而向本领域技术人员传达本公开内容的构思、技术和实施方式的范围。实施例可以被实践为方法、系统或设备。因此,实施例可以采用硬件实施方式、完全软件实施方式或组合软件方面与硬件方面的实施方式的形式。因此,下文的具体实施方式并非具有限制意义。
在本说明书中对“一个实施例”或“实施例”的引用意味着结合实施例所描述的具体特征、结构或特性被包括在根据本公开内容的至少一个示例实施方式或技术中。在说明书中的各个位置中出现的短语“在一个实施例中”不一定都指代相同的实施例。在说明书中的各个位置中出现的短语“在一些实施例中”不一定都指代相同的实施例。
可以在计算机存储器内存储的非瞬态信号上的操作的符号表示方面呈现下文的描述的一些部分。这些描述和表示被数据处理领域的技术人员用于将其工作的实质内容有效传达给其他本领域技术人员。这样的操作通常要求对物理量的物理操纵。通常,虽然不是必要的,但是这些量采取能够被存储、传输、组合、比较和以其他方式操纵的电学、磁性或光学信号的形式。有时方便的是,主要出于通常使用的原因,将这些信号称为位、值、元素、符号、字符、术语、数字等。此外,有时也方便的是,将要求在不失一般性的情况下对物理量的物理操纵的步骤的特定布置称为模块或代码设备。
然而,所有这些术语和相似术语都要与适当的物理量相关联并且仅仅是应用于这些量的方便标签。除非明确指出,否则,根据下文的讨论能明显看出,将意识到,在整个说明书中,利用诸如“处理”或“计算”或“运算”或“确定”或“显示”等的术语进行的讨论指的是计算机系统或类似的电子计算设备的动作和过程,其对被表示为计算机系统存储器或寄存器或其他这样的信息存储、传输或显示设备内的物理(电子)量的数据进行操纵和变换。本公开内容的各部分包括过程和指令,其可以被实施在软件、固件或硬件中,并且当被实施在软件中时,其可以被下载以驻留在由各种操作系统使用的不同平台上或者从这些不同平台上操作。
本公开内容也涉及用于执行在本文中操作的装置。该装置可以被专门构建用于所要求的目的,或者该装置可以包括由在计算机中存储的计算机程序选择性激活或重新配置的通用计算机。这样的计算机程序可以被存储在计算机可读存储介质中,所述计算机可读存储介质例如是但不限于任何类型的盘,包括软盘、光盘、CD-ROM、磁-光盘、只读存储器(ROM)、随机存取存储器(RAM)、EPROM、EEPROM、磁卡或光卡、专用集成电路(ASIC)或者适合用于存储电子指令的任何类型的介质,并且每种都可以被耦合到计算机系统总线。此外,在说明书中提到的计算机可以包括单个处理器,或者可以是采用多处理器设计的架构以获得提高的计算能力。
本文中呈现的过程和显示并不固有地涉及任何特定计算机或其他装置。各种通用系统也可以利用根据本文中的教导的程序来使用,或者可以证明能方便构建更专用的装置以执行一个或多个方法步骤。在下文的描述中讨论了针对各种这些系统的结构。另外,可以使用足以实现本公开内容的技术和实施方式的任何特定编程语言。各种编程语言可以用于实施如在本文中所讨论的本公开内容。
另外,在说明书中使用的语言主要出于可读性和指导性的目的而被选择,而并非被选择用于描绘或限制所公开的主题。因此,本公开内容旨在对本文中讨论的构思的范围的说明而非限制。
如上面所讨论的,环境(例如,医疗保健环境)频繁地依赖于一个或多个监测设备来监测患者的健康状况。这些设备一般监测患者的健康状况的一个或多个方面,并且可以在检测到异常或可能引起担忧的原因时发出警报。响应于所发出的警报,临床医生可以对患者进行检查并且执行任何所需的(一种或多种)补救措施。
这些警报可以源于均被配置有其自己的特性的许多医学设备。这些设备中的大部分彼此独立地操作,并且不与彼此协作。因此,涉及相同状况的多个警报可以由不同的设备发出。这会使得发出的警报产生冗余,特别是在监测患者的心血管系统的设备的情况下。
警报过多会导致警报疲劳,使得临床医生对警报的敏感性和对警报采取行动的动机会逐渐变低。实际上,与警报相关联的问题已经被定级为顶级技术健康危险。
此外,警报常常伴随有使人恼怒的声音,这些声音能够(例如通过使应激性增加、精神错乱等)对患者舒适性产生有害影响。对于脆弱的患者(例如,婴儿或重症监护室中的患者)尤其如此。
临床医生或其他医学人员也经常无法准确确定发出警报的设备。在与警报相关联的音量很低的情况下尤其如此。类似地,常见情况是临床医生由于其在典型工作日中听见大量警报而忽视或静默警报。这不可避免地增加了错过危急警报的可能性。
本文中描述的系统和方法因此可以学习或者以其他方式推测警报序列之间的关系,以便减少冗余警报。这可以通过将各种机器连接在一起或者通过将各种机器路由到一个机器来完成。或者,在其他实施例中,可以通过被连接到两个或更多个机器的外部功能或设备来管理警报。
可以训练并发展模型,并且当检测到具有连接性的事件时,仅发出一个警报而抑制一个或多个其他警报。通过学习各种设备与其相关联的警报序列之间的关系,本文中描述的系统和方法可以更加肯定应当取消或者以其他方式抑制哪些警报。该模型能够(1)学习两个或更多个警报序列之间的耦合,然后评估警报的新实体/新序列;(2)学习在每个系列中发出警报的警报时段(即,在每个警报状态上花费的时间);以及(3)在学习系列的至少部分之后,将所述系列与数据库中存储的一个或多个先前收集的系列进行比较,以学习所述系列能够随时间如何演变。
除了患者监测设备以外,患者还可以被连接到通气机。患者-通气机相互作用能够被描述为两种呼吸泵之间的关系。第一种可以涉及由患者的神经肌肉系统控制的患者的肺系统,而第二种可以涉及通过通气机设置和流量阀的功能控制的通气机。
由于患者监测设备和通气机以不同的方式与患者接口连接,因此它们都可以检测相同的患者恶化。例如,如果存在通气机故障(例如,阀故障)并且如果患者未得到充分通气,通气机警报之后会有去饱和或心动过缓警报。
在这种情况下,通气机警报能够在患者的状况恶化到从单独的患者监测设备触发警报的程度之前发出声音。在检测到相同恶化时患者监测设备与通气机之间的这种协同能够被模型采用,并且能够被用于抑制冗余警报并创建针对即将发生的恶化的早期警告。
一些警报可能仅发生在有创通气(例如,管控制)中,反之亦然。此外,通气的性质捕获了关于患者的状态的信息。因此,通气机警报和所使用的通气的类型都可以被输入到模型。
设备设置中的错误或设备故障也可能导致错误警报。关于警报与伴随而来的数据之间的关系的了解因此也可以有助于抑制错误警报。
例如,SpO2传感器设备可以发出去饱和警报。然而,从其他设备接收到的数据可以指示其他一切都正常。在已经学习了针对特定患者的警报序列之间的关系之后,模型因此能够推测去饱和警报是异常的,并且该去饱和警报可能是由于设备故障产生的,而不是由于严重的去饱和产生的。
虽然本申请主要在医疗保健和患者监测的背景下讨论了减少冗余警报,但是预想到其他应用也可以受益于本文中描述的各个实施例的特征。例如,监测单独类型的数据并基于该数据发出警报的任何类型的电气、机械或基于计算机的系统可以受益于本文中描述的特征。这些系统可以包括汽车、航空器、海上交通工具、控制系统等。作为另一示例,所述系统和方法可以监测与金融市场或商品有关的指示物并且抑制与之相关的任何冗余警报。
图1图示了根据一个实施例的用于减少冗余警报的系统100。如图所示,系统100包括经由一条或多条系统总线110相互连接的处理器120、存储器130、用户接口140、网络接口150和存储设备160。应当理解,在一些方面中,图1构成抽象概念,并且系统100及其部件的实际组织形式可能不同于所图示的组织形式。
处理器120可以是能够运行在存储器130或存储设备160上存储的指令或者能够以其他方式处理数据的任何硬件设备。正因如此,处理器120可以包括微处理器、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或其他类似设备。
存储器130可以包括各种存储器,例如,L1、L2或L3高速缓冲存储器或系统存储器。正因如此,存储器可以包括静态随机存取存储器(SRAM)、动态RAM(DRAM)、闪速存储器、只读存储器(ROM)或其他类似的存储器设备。存储器130的精确配置可以改变,只要能够运行用于减少冗余警报的指令即可。
用户接口140可以包括用于实现与用户(例如,临床医生或其他类型的医学人员)通信的一个或多个设备。例如,用户接口140可以包括用于接收用户指令的显示器、鼠标和键盘。在一些实施例中,用户接口140可以包括可以经由网络接口150被呈现给远程终端的命令行接口或图形用户接口。
用户接口140可以在用户设备(例如,PC、便携式电脑、平板电脑、移动设备、智能手表等)上运行。用户接口140和其上运行有用户接口140的设备的精确配置可以改变,只要可以实现本文中描述的各个实施例的特征即可。
网络接口150可以包括用于实现与其他硬件设备通信的一个或多个设备。例如,网络接口150可以包括被配置为根据以太网协议进行通信的网络接口卡(NIC)。另外,网络接口150可以实施用于根据TCP/IP协议进行通信的TCP/IP栈。用于网络接口150的各种备选的或额外的硬件或配置将是显而易见的。
网络接口150可以与一个或多个传感器设备151和152可操作地通信。在医疗保健的背景下,这些设备可以包括被配置为患者监测设备的收集关于患者的健康状况的各种类型的信息的部分的传感器。在该背景下,例如,传感器151和152可以包括SpO2传感器和通气机。
所使用的传感器的类型当然可以改变,并且取决于实体和背景。因此,可以使用任何类型的传感器设备,只要它们能够收集或者以其他方式获得关于分析中的实体的所需数据即可。还应注意,模型和任何所需处理可以被嵌入在监测器和/或通气机中的任一个中。
例如,所使用的各种传感器设备可以被配置为由于一些恶化的患者状况而生成警报。经常地,不同的设备均可以由于相同的潜在事件或患者状况而生成警报。因此,系统100可以学习两个或更多个设备的警报序列之间的关系,使得当第一设备生成警报时,系统100可以抑制额外的警报,否则一个或多个其他设备将会生成这些额外的警报。
换句话说,系统100可以基于从第一设备接收到的警报预测到一个或多个其他设备随后将会生成警报。系统100然后可以抑制或忽视由一个或多个其他设备生成的后续警报以防止患者和/或临床医生遭受过多的警报。
传感器设备151和152可以通过可以将各种部件与各种类型的网络连接相链接的一个或多个网络与系统100通信。(一个或多个)网络可以包括以下各项中的一项或多项或者可以接口连接到以下各项中的一项或多项:互联网、内联网、个人网(PAN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、存储区域网(SAN)、帧中继连接、高级智能网(AIN)连接、同步光纤网(SONET)连接、数字T1、T3、E1或E3线路、数字数据服务(DDS)连接、数字用户线路(DSL)连接、以太网连接、综合业务数字网(ISDN)线路、拨号端口(例如,V.90、V.34或V.34双模调制解调器连接)、电缆调制解调器、异步传输模式(ATM)连接、光纤分布式数据接口(FDDI)连接、铜质分布式数据接口(CDDI)连接或光学/DWDM网络。
一个或多个网络也可以包括、包含或者接口连接到以下各项中的一项或多项:无线应用协议(WAP)链路、Wi-Fi链路、微波链路、通用分组无线服务(GPRS)链路、全球移动通信系统G(SM)链路、码分多址(CDMA)链路或时分多址(TDMA)链路(例如,蜂窝电话信道)、全球定位系统(GPS)链路、蜂窝数字分组数据(CDPD)链路、运动研究有限公司(RIM)的双向寻呼类型设备、蓝牙无线电链路或基于IEEE 802.11的链路。
存储设备160可以包括一个或多个机器可读存储介质,例如,只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光学存储介质、闪速存储器设备或类似的存储介质。在各个实施例中,存储设备160可以存储用于由处理器120运行的指令或处理器120可以对其操作的数据。
例如,存储设备160可以包括用于生成模型的指令,所述模型用于检测和监测均与设备相关联的两个或更多个时间系列数据集和/或由两个或更多个设备发出的警报序列之间的关系。存储设备160可以包括群体特征161、预处理引擎162、耦合的隐马尔可夫模型163、时间关系模块164和序列聚类模块165。
所生成的模型可以使用各种各样的技术来学习或者以其他方式推测两个或更多个传感器设备的警报序列之间的关系。能够针对具体患者学习所推测的关系,并且使用所推测的关系改进对患者和对未来患者的警报管理。
模型可以考虑与先前检查的患者和相关联的数据有关的群体特征161。群体特征161可以基于先前收集的数据示出一个事件(例如,警报)将会跟随另一事件(例如,另一警报)的概率。
例如,在位于荷兰的协作NICU中进行的先前研究分析了2400天的警报。在该研究期间,有355000个危急警报——其中的18%是因通气机产生的,而其余部分则来自患者监测器。五个最普遍的警报构成了所有警报的85%。在下面的表1中总结了这些警报:
警报 | 设备 | 所有警报的% | 警报的# |
去饱和 | 患者监测器 | 54.4% | 193000 |
心动过缓 | 患者监测器 | 12.6% | 45000 |
P峰值高 | 通气机 | 8.1% | 29000 |
患者损失 | 通气机 | 6.3% | 22500 |
管控制 | 通气机 | 3.4% | 12000 |
表1:报警总结
基于该研究,识别出许多关系。例如,在所有管控制警报的30%之后的79秒的中值时间之后跟随有去饱和警报,在患者损失警报的35%之后的2.2分钟的中值时间之后跟随有去饱和警报,在所有P峰值高警报的10%之后的3.2分钟的中值时间之后跟随有去饱和警报,并且在所有管控制警报的7.5%之后的10秒的中值时间之后跟随有心动过缓警报。这些类型的关系可以用于管理与未来患者相关联的警报。
预处理引擎162可以接收至少来自传感器设备151和152的关于实体的数据。如先前所陈述的,该实体可以是医疗保健环境中的患者。预处理引擎162可以首先执行任何合适的预处理步骤,例如,平均化、降噪等。
耦合的隐马尔可夫模型163可以考虑先前收集的与广大群体有关的数据(例如,群体特征161),并且当针对特定患者的数据传入时开始学习针对患者的模型的更加个性化的版本。这允许警报序列针对患者的具体生理状况和患者随时间变化的状况进行调整。
耦合的隐马尔可夫模型163考虑两个不同的警报系列数据集,并且学习隐藏状态和它们之间的关系。例如,图2图示了从患者监测设备和通气机获得的警报序列数据200。圆圈202和204分别表示与由患者监测设备和通气机在某些时间间隔t处获得的数据有关的隐藏状态。图2的正方形206和208分别表示与由患者监测设备和通气机在每个时间间隔t处获得的数据有关的可观察状态。因此,模型可以学习这两个警报序列之间的状态。
除了耦合的隐马尔可夫模型以外或者代替耦合的隐马尔可夫模型,模型可以实施任何合适的技术来学习不同警报序列之间的关系。例如,模型可以实施动态贝叶斯网络、递归神经网络或其他神经网络来随时间捕获警报序列之间的关系。精确的实施方式当然可以改变,只要可以实现本文中描述的各个实施例的特征即可。
当发出警报时,警报一般会持续一定时间,直到它被解除为止。可以自动解除警报,或者只有在由临床医生进行某种类型的介入之后才可以解除警报。
如果临床医生可获得和/或在患者附近,临床医生可以相对快速地(例如在5-10秒内)解除警报。如果在患者附近不可获得临床医生,则发出的警报会持续较长时间,直到它被解除为止。发生的持续时间能够被加权并且能够被用于推测关系。例如,可以认为持续时间较长的警报状态比在较短的时间段内解除的警报状态更严重。
在一些实施例中,因此,时间关系模块164可以考虑在警报状态上花费的时间。该数据能够有助于对不同警报序列数据之间的关系进行建模。
例如,耦合的隐马尔可夫模型不仅可以对警报序列之间的关系进行建模,而且还可以对在每个序列中对每个状态花费的时间进行建模。图3图示了来自患者监测设备和通气机的警报序列数据300。然而,警报序列数据300还包括针对每个设备在每个状态中的Tp,v中花费的时间。
当新的患者被连接到传感器设备151和152以进行监测时,可以应用序列聚类模块165。序列聚类模块165可以访问关系的在线数据库,并且应用聚类方法将新的患者与一个或多个类似的数据集进行匹配。例如,可以基于患者之间的一个或多个常见特性将与新的患者相关联的数据和与先前的患者相关联的现有数据进行匹配。这些特性可以包括但不限于患者年龄、性别、疾病状态、药物、介入,以及医疗保健科室。
序列聚类模块165不仅可以基于某些特性将新的患者与先前的患者进行匹配,而且可以跟踪针对先前的患者的警报序列随时间如何发展。序列聚类模块165然后可以使用关于新的患者的这种发展的了解来帮助预测患者的警报发展将会随时间如何演变。因此,警报关系能够是自适应的并且基于以前的数据。
图4例如图示了根据一个实施例的学习现有的警报序列与新的患者的警报序列之间的关系的方法400。具体地,在方法400中运行的模型可以学习与警报序列有关的隐藏参数并且减少冗余警报。步骤402涉及收集关于新的患者的警报序列数据。该警报序列数据可以类似于图2和图3的数据,并且包括与患者监测设备和通气机相关联的警报数据。
在步骤404中,可以将与新的患者相关联的警报序列数据与在警报序列的数据库中存储的数据(例如,上面讨论的群体特征161)进行比较。该数据库可以基于一个或多个特性来组织警报序列,使得与新的患者相关联的数据能够和与相似的患者相关联的数据进行匹配。这些特性可以包括患者年龄、性别、疾病状态、处方药物、介入、医疗保健机构科室等。
在步骤406中,序列聚类模块165可以基于患者的一个或多个特性对警报进行聚类,以找到针对警报序列关系的一个或多个匹配。图4图示了示出警报序列的多个聚类410的标绘图408。每个定义的聚类410可以包括均表示警报序列的多个小圆点或者以其他方式与之相关联。标绘图408的一个或多个轴线可以各自被标示为对应于具体特性(例如,年龄与疾病状态)。
然后可以考虑新的患者的特性,并且将新的患者的特性与标绘图408上的那些特性进行比较,以将新的患者与共有一个或多个共同特性的患者进行匹配。序列聚类模块165可以基于一个或多个特性将新的患者分配给聚类。因此,新的患者的警报序列数据与一个或多个相似的患者的警报序列数据相关联。
序列聚类模块165还可以考虑新的患者与相似的患者之间的相似性的程度。例如,序列聚类模块165可以运行关于标绘图408的距离功能,使得与例如在年龄上更接近新的患者的先前的患者相关联的数据比与其他患者相关联的数据得到更重的加权。新的患者的警报序列数据(以及对推测的关系的了解)可以被存储在警报序列的数据库中,并且可以被用于进一步的分析。
图5描绘了根据一个实施例的用于减少冗余警报的方法500的流程图。步骤502涉及使用第一传感器设备收集关于第一实体的第一数据集。例如,该第一实体可以是正在医疗保健机构中监测的患者,并且第一传感器设备可以是某种类型的患者监测设备。
步骤504涉及使用第二传感器设备收集关于第一实体的第二数据集。例如,第二传感器设备可以被配置为通气机或通气机的部分。第一传感器设备和第二传感器设备可以被配置为在预定时间间隔处收集关于实体的数据以生成两个时间系列数据。
步骤506涉及向处理器提供第一数据集和第二数据集,该处理器运行在存储器上存储的指令并提供模型。例如,处理器和存储器可以分别类似于图1的处理器120和存储器130。
所提供的模型可以被配置为推测第一数据集与第二数据集之间的关于警报的关系。例如,并且如上面所讨论的,这种关系可以指示与第二数据集相关联的警报和与第一数据集相关联的警报耦合。在检测到这种类型的关系时,该模型然后可以抑制所耦合的警报中的一个。
因此,本文中描述的系统和方法的特征可以解决上面讨论的与独立配置的警报设备相关联的问题。也就是说,它们可以识别耦合的或者以其他方式相关的警报,即使这些警报由单独的设备发出也是如此。该模型然后可以抑制警报中的一个以防止它被发出。临床医生(和/或患者)因此不太可能被过多的警报(其中的许多是不必要的)打扰。
步骤508涉及存储该模型以供以后使用,以便允许所存储的模型被检索并和与第一实体共有至少一个特性的第二实体一起被使用。因此,与新的实体(例如,新的患者)相关联的数据可以和与第一实体相关联的数据进行比较。如先前所提到的,对关于警报序列针对一个或多个先前的实体如何发展的了解可以用于帮助预测针对以后的实体的警报序列的发展。
所考虑的特性可以包括以下各项中的一项或多项:年龄、性别、疾病状态、药物、介入,以及医疗保健科室。因此,与第二实体相关联的数据和与一个或多个相似的实体相关联的数据进行比较。
步骤510是任选的并且涉及调节与第一数据集和第二数据集中的至少一个相关联的警报阈值。可以针对给定患者更新模型,使得仅超过给定阈值的数据可以发出警报。这可以帮助避免在与例如患者的基准数据仅产生略微偏差的情况下发生的假阳性。
步骤512是任选的并且涉及使用第一数据集和第二数据集的较后版本更新模型。如上面所提到的,可以监测警报序列的发展以连续改进该模型。
例如,与第二传感器相关联的数据可能最初并不与第一数据集耦合。然而,随着患者的状态的演变,与第一传感器和第二传感器相关联的数据可以变得彼此耦合。这种了解因此可以告知模型以后的实体的第一数据集和第二数据集之间的关系至少可能如何演变以预见并抑制冗余的警报。
上文讨论的方法、系统和设备是示例。各种配置可以酌情省略、替换或者添加各种流程或部件。例如,在备选配置中,可以以与所描述的顺序不同的顺序执行方法,并且可以添加、省略或组合各个步骤。而且,可以将关于某些配置描述的特征组合在各种其他配置中。可以以类似的方式组合配置的不同方面和元件。而且,技术会演变,因此许多元件是示例,并且不限制本公开内容或权利要求的范围。
例如,以上参考根据本公开内容的实施例的方法、系统和计算机程序产品的框图和/或操作图示描述了本公开内容的实施例。框中指出的功能/动作可以脱离如任何流程图中所示的顺序而发生。例如,相继示出的两个框实际上可以基本上并行运行或者有时可以以相反的顺序运行,这取决于所涉及的功能/动作。额外地或备选地,并非任何流程图中所示的所有框都需要执行和/或运行。例如,如果给定流程图具有五个包含功能/动作的框,则可以是仅执行和/或运行五个框中的三个框的情况。在该示例中,可以执行和/或运行五个框中的三个框中的任一个。
对值超过(或超出)第一阈值的陈述等价于对值满足或超过比第一阈值略大的第二阈值的陈述,例如,第二阈值是比相关系统的分辨率中的第一阈值更高的一个值。对值小于第一阈值(或在第一阈值内)的陈述等价于对值小于或等于比第一阈值略低的第二阈值的陈述,例如,第二阈值是比相关系统的分辨率中的第一阈值更低的一个值。
在说明书中给出了特定细节以提供对示例配置(包括实施方式)的透彻理解。然而,可以在没有这些特定细节的情况下实践配置。例如,已经在没有不必要的细节的情况下示出了众所周知的电路、过程、算法、结构和技术以便避免使该配置难以理解。本说明书仅提供了示例配置,并且不限制权利要求的范围、适用性或配置。而是,配置的先前描述将给本领域技术人员提供用于实施所描述的技术的使能描述。在不脱离本公开内容的精神或范围的情况下,可以在元件的功能和布置中做出各种改变。
已经描述了若干示例配置,在不脱离本公开内容的精神的情况下,可以使用各种修改、备选构造和等同物。例如,以上元件可以是更大的系统的部件,其中,其他规则可以优先于或者以其他方式修改本公开内容的各种实施方式或技术的应用。而且,在考虑以上元件之前、期间或者之后可以进行多个步骤。
在已经提供了本申请的描述和图示的情况下,本领域技术人员可以设想落在不脱离权利要求的范围的、本申请中讨论的一般发明构思内的变型、修改和备选实施例。
Claims (15)
1.一种用于减少冗余警报的方法,所述方法包括:
使用第一传感器设备收集关于第一实体的第一数据集;
使用第二传感器设备收集关于所述第一实体的第二数据集;
向处理器提供所述第一数据集和所述第二数据集,所述处理器运行在存储器上存储的指令并提供模型,其中,所述模型被配置为:
推测所述第一数据集与所述第二数据集之间的关系,其中,所述关系指示与所述第二数据集相关联的警报和与所述第一数据集相关联的警报耦合;并且
抑制所耦合的警报中的至少一个;并且
存储所述模型以供以后使用,以便允许所存储的模型被检索并和与所述第一实体共有至少一个特性的第二实体一起被使用。
2.根据权利要求1所述的方法,其中,所述至少一个特性包括以下各项中的至少一项:年龄、性别、疾病状态、药物、介入,以及医疗保健科室。
3.根据权利要求1所述的方法,还包括调节与所述第一数据集和所述第二数据集中的至少一个相关联的警报阈值。
4.根据权利要求1所述的方法,还包括使用所述第一数据集和所述第二数据集的较后版本更新所述模型。
5.根据权利要求1所述的方法,其中,所述模型包括以下各项中的至少一项:耦合的隐马尔可夫模型、动态贝叶斯网络,以及递归神经网络。
6.根据权利要求1所述的方法,其中,所述第一实体是患者,并且所述第一传感器设备是患者监测设备,并且所述第二传感器设备是通气机。
7.根据权利要求1所述的方法,其中,所述模型还被配置为基于以下各项中的至少一项推测所述关系:
在与所述第一数据集相关联的第一警报状态和与所述第二数据集相关联的第二警报状态中的至少一个上花费的时间,以及
阈值违反与生成的与所述第一数据集和所述第二数据集中的至少一个相关联的警报之间的时间。
8.一种用于减少冗余警报的系统,所述系统包括:
接口,其用于:
从第一传感器设备接收关于第一实体的第一数据集,并且
从第二传感器设备接收关于所述第一实体的第二数据集;
处理器,其运行在存储器上存储的指令并提供模型,其中,所述模型被配置为至少执行以下操作:
推测所述第一数据集与所述第二数据集之间的关系,其中,所述关系指示与所述第二数据集相关联的警报和与所述第一数据集相关联的警报耦合,并且
抑制所耦合的警报中的至少一个;以及
数据库,其用于存储所述模型以供以后使用,以便允许所存储的模型被检索并和与所述第一实体共有至少一个特性的第二实体一起被使用。
9.根据权利要求8所述的系统,其中,所述至少一个特性包括以下各项中的至少一项:年龄、性别、疾病状态、药物、介入,以及医疗保健科室。
10.根据权利要求8所述的系统,其中,所述处理器还被配置为调节与所述第一数据集和所述第二数据集中的至少一个相关联的警报阈值。
11.根据权利要求8所述的系统,其中,所述处理器被配置为使用所述第一数据集和所述第二数据集的较后版本更新所述模型。
12.根据权利要求8所述的系统,其中,所述模型包括以下各项中的至少一项:耦合的隐马尔可夫模型、动态贝叶斯网络,以及递归神经网络。
13.根据权利要求8所述的系统,其中,所述第一实体是患者,并且所述第一传感器设备是患者监测设备,并且所述第二传感器设备是通气机。
14.根据权利要求8所述的系统,其中,所述模型还被配置为基于以下各项中的至少一项推测所述关系:
在与所述第一数据集相关联的第一警报状态和与所述第二数据集相关联的第二警报状态中的至少一个上花费的时间,以及
阈值违反与生成的与所述第一数据集和所述第二数据集中的至少一个相关联的警报之间的时间。
15.一种计算机可读介质,包含用于减少冗余警报的方法的计算机可执行指令,所述介质包括:
用于使用第一传感器设备收集关于第一实体的第一数据集的计算机可执行指令;
用于使用第二传感器设备收集关于所述第一实体的第二数据集的计算机可执行指令;
用于向处理器提供所述第一数据集和所述第二数据集的计算机可执行指令,所述处理器运行在存储器上存储的指令并提供模型,其中,所述模型被配置为:
推测所述第一数据集与所述第二数据集之间的关系,其中,所述关系指示与所述第二数据集相关联的警报和与所述第一数据集相关联的警报耦合,并且
抑制所耦合的警报中的至少一个;以及
用于存储所述模型以供以后使用以便允许所存储的模型被检索并和与所述第一实体共有至少一个特性的第二实体一起被使用的计算机可执行指令。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862695404P | 2018-07-09 | 2018-07-09 | |
US62/695,404 | 2018-07-09 | ||
PCT/EP2019/068391 WO2020011778A1 (en) | 2018-07-09 | 2019-07-09 | Reducing redundant alarms |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112585693A true CN112585693A (zh) | 2021-03-30 |
Family
ID=67314735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980054213.3A Pending CN112585693A (zh) | 2018-07-09 | 2019-07-09 | 减少冗余警报 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210272684A1 (zh) |
EP (1) | EP3821441A1 (zh) |
JP (1) | JP7446245B2 (zh) |
CN (1) | CN112585693A (zh) |
WO (1) | WO2020011778A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349746A (zh) * | 2021-07-21 | 2021-09-07 | 中南大学湘雅医院 | 一种生命体征监测报警系统 |
CN115294733A (zh) * | 2021-05-04 | 2022-11-04 | 通用电气精准医疗有限责任公司 | 用于管理来自医疗设备的警报的系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3660802A1 (en) | 2018-11-27 | 2020-06-03 | Koninklijke Philips N.V. | Predicting critical alarms |
CN113497716B (zh) * | 2020-03-18 | 2023-03-10 | 华为技术有限公司 | 相似故障推荐方法及相关设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5584413B2 (ja) * | 2005-06-22 | 2014-09-03 | コーニンクレッカ フィリップス エヌ ヴェ | 患者監視システム及び監視する方法 |
US7936260B2 (en) * | 2008-11-05 | 2011-05-03 | At&T Intellectual Property I, L.P. | Identifying redundant alarms by determining coefficients of correlation between alarm categories |
US9041530B2 (en) * | 2012-04-18 | 2015-05-26 | Qualcomm Incorporated | Biometric attribute anomaly detection system with adjusting notifications |
US9119529B2 (en) * | 2012-10-30 | 2015-09-01 | Dexcom, Inc. | Systems and methods for dynamically and intelligently monitoring a host's glycemic condition after an alert is triggered |
US10653368B1 (en) * | 2013-09-09 | 2020-05-19 | Cerner Innovation, Inc. | Determining when to emit an alarm |
US9517012B2 (en) * | 2013-09-13 | 2016-12-13 | Welch Allyn, Inc. | Continuous patient monitoring |
US9750463B2 (en) * | 2013-12-10 | 2017-09-05 | General Electric Company | Respiratory stress detection |
GB201408469D0 (en) * | 2014-05-13 | 2014-06-25 | Obs Medical Ltd | Method and apparatus for monitoring patient status |
US11647967B2 (en) * | 2016-09-22 | 2023-05-16 | Vital Connect, Inc. | Generating automated alarms for clinical monitoring |
-
2019
- 2019-07-09 US US17/258,830 patent/US20210272684A1/en active Pending
- 2019-07-09 WO PCT/EP2019/068391 patent/WO2020011778A1/en unknown
- 2019-07-09 JP JP2020569839A patent/JP7446245B2/ja active Active
- 2019-07-09 EP EP19740507.9A patent/EP3821441A1/en active Pending
- 2019-07-09 CN CN201980054213.3A patent/CN112585693A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294733A (zh) * | 2021-05-04 | 2022-11-04 | 通用电气精准医疗有限责任公司 | 用于管理来自医疗设备的警报的系统 |
CN113349746A (zh) * | 2021-07-21 | 2021-09-07 | 中南大学湘雅医院 | 一种生命体征监测报警系统 |
Also Published As
Publication number | Publication date |
---|---|
JP7446245B2 (ja) | 2024-03-08 |
EP3821441A1 (en) | 2021-05-19 |
JP2021531546A (ja) | 2021-11-18 |
WO2020011778A1 (en) | 2020-01-16 |
US20210272684A1 (en) | 2021-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112585693A (zh) | 减少冗余警报 | |
US20160063212A1 (en) | System for Generating and Updating Treatment Guidelines and Estimating Effect Size of Treatment Steps | |
US20140278544A1 (en) | Automated alerts for medical indicators | |
Pimentel et al. | Modelling physiological deterioration in post-operative patient vital-sign data | |
US11751821B2 (en) | Systems and methods of advanced warning for clinical deterioration in patients | |
CN112712904B (zh) | 基于嵌套-配对设计的多信息系统不良反应前置预测方法及系统 | |
Duncan et al. | Wireless monitoring and real-time adaptive predictive indicator of deterioration | |
CN109036500A (zh) | 一种临床预警方法、装置、设备及存储介质 | |
US20200395125A1 (en) | Method and apparatus for monitoring a human or animal subject | |
US20230068453A1 (en) | Methods and systems for determining and displaying dynamic patient readmission risk and intervention recommendation | |
US20060069535A1 (en) | System and method for converting data, and system and method for providing warning signals | |
CN112562868B (zh) | 基于患者个体化特征的高灵敏度、高特异性前置药物不良反应预测方法及系统 | |
Amor et al. | Recursive and rolling windows for medical time series forecasting: a comparative study | |
EP3833240B1 (en) | Incorporating contextual data in a clinical assessment | |
Khalid et al. | A bayesian patient-based model for detecting deterioration in vital signs using manual observations | |
US20220184331A1 (en) | PREDICTION OF VENTILATOR-ASSOCIATED EVENTS (VAEs) | |
US20230041051A1 (en) | Methods and systems for predicting and preventing frequent patient readmission | |
US20220354441A1 (en) | Systems for managing alarms from medical devices | |
US20210110898A1 (en) | Scalable clinical decision support | |
JP2019504404A (ja) | 挙動学習臨床支援 | |
US20230360780A1 (en) | Generating information indicative of an interaction | |
US20230207131A1 (en) | Wound management system for predicting and avoiding wounds in a healthcare facility | |
US20220310241A1 (en) | Clinical decision support scheduling and alerts | |
US11042746B2 (en) | Presenting information on object to be observed | |
CN115206536A (zh) | 一种基于知识图谱的模型训练方法、装置、设备及介质 |
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 |