CN112703562A - 一般和个人患者风险预测 - Google Patents
一般和个人患者风险预测 Download PDFInfo
- Publication number
- CN112703562A CN112703562A CN201980060521.7A CN201980060521A CN112703562A CN 112703562 A CN112703562 A CN 112703562A CN 201980060521 A CN201980060521 A CN 201980060521A CN 112703562 A CN112703562 A CN 112703562A
- Authority
- CN
- China
- Prior art keywords
- vital sign
- patient
- personal
- risk score
- independent vital
- 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
- 230000010354 integration Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 68
- 238000003860 storage Methods 0.000 claims description 34
- 238000013473 artificial intelligence Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 11
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000003814 drug Substances 0.000 description 37
- 230000002542 deteriorative effect Effects 0.000 description 34
- 229940079593 drug Drugs 0.000 description 27
- 238000003745 diagnosis Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 15
- 238000003759 clinical diagnosis Methods 0.000 description 14
- 230000036772 blood pressure Effects 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 12
- 229910003798 SPO2 Inorganic materials 0.000 description 11
- 238000009533 lab test Methods 0.000 description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 9
- 239000008280 blood Substances 0.000 description 9
- 210000004369 blood Anatomy 0.000 description 9
- 238000007477 logistic regression Methods 0.000 description 9
- 229910052760 oxygen Inorganic materials 0.000 description 9
- 239000001301 oxygen Substances 0.000 description 9
- 101100478210 Schizosaccharomyces pombe (strain 972 / ATCC 24843) spo2 gene Proteins 0.000 description 8
- 238000002059 diagnostic imaging Methods 0.000 description 8
- 230000036541 health Effects 0.000 description 8
- 241000894007 species Species 0.000 description 7
- 239000000203 mixture Substances 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 108010014172 Factor V Proteins 0.000 description 5
- 230000000747 cardiac effect Effects 0.000 description 5
- 230000006866 deterioration Effects 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 238000011002 quantification Methods 0.000 description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 description 5
- 230000036387 respiratory rate Effects 0.000 description 5
- 239000002371 cardiac agent Substances 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 230000035488 systolic blood pressure Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 101001068052 Homo sapiens Lysine-specific demethylase hairless Proteins 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 102000053615 human HR Human genes 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 208000020446 Cardiac disease Diseases 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 206010040560 shock Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
-
- 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
-
- 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
- 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
- G16H40/67—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 remote operation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Signal Processing (AREA)
- Computational Mathematics (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Operations Research (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
Abstract
本公开的各种实施例涉及用于执行患者风险预测方法的一般统计分类器(40)和个人统计分类器(50)。在操作中，所述一般统计分类器(40)可以针对单个生命体征提供单个一般独立生命体征风险分数，并且/或者可以针对多个生命体征提供多个一般独立生命体征风险分数。所述个人统计分类器(50)可以根据单个患者特征到所述单个一般独立生命体征风险分数的整合提供单个个人生命体征风险分数，并且/或者也可以根据多个患者特征到所述单个一般独立生命体征风险分数的个体整合、单个患者特征到所述多个一般独立生命体征风险分数的个体整合，和/或多个患者特征到所述多个一般独立生命体征风险分数的个体整合提供多个个人独立生命体征风险分数。
Description
技术领域
本公开中描述的各种实施例涉及包含用于预测稳定/非恶化患者状况或不稳定/恶化患者状况的统计分类器的系统、设备、控制器和方法。
背景技术
在过去的十年里，个体护理提供者和健康护理组织已经意识到低急性病房中发生的未处置的患者不稳定/恶化是上升的问题。这些患者通常由于各种各样的原因(包括护理提供者之中的低护士-患者配备比和无经验)而不被注意。为了解决这种问题，已经开发了能够跟踪要不然将会不被注意的生命体征的微小变化的早期预警分数(EWS)指南。EWS指南(例如，修改的EWS指南和国家EWS指南)已经在实践中表现出一定的效果，并且已经在一些国家(例如，英国)中成为护理的标准。
遗憾地，EWS指南的采用已经由于高错误率警报和总体低灵敏度而受到限制。这些限制是患者之间的异质性的结果，并且目前的研究建议风险评价应当被定制到特定患者组(例如，呼吸疾病、心血管疾病、败血病等)以更加有效。
发明内容
根据上述内容，本公开中描述的各种实施例的目的是根据一个或多个生命体征计算一般独立生命体征风险分数并且/或者基于一般独立生命体征风险分数和一个或多个患者特征计算一般独立生命体征风险分数。
出于描述和要求保护本公开的目的：
(1)包括但不限于“生命体征”、“患者特征”、“人工智能”、“统计分类器”和“风险分数”的本公开的领域的术语要如本公开的领域中已知且领会的那样并且如本公开中示范性描述的那样宽泛地进行解读；
(2)更具体地，术语“生命体征”宽泛地涵盖本领域中在本公开之前和之后理解的指示身体的生命维持功能的状况或已经在医学实践中被用来评价患者的健康的体征。已知生命体征的范例包括但不限于心率、心脏收缩血压、呼吸速率、血氧饱和度(SPO2)、温度和评价患者的健康的实验室值/科学值/实验值/度量/量化；
(3)更具体地，术语“患者特征”宽泛地涵盖患者医学历史和当前临床评价的(一个或多个)重要方面。患者特征的范例包括但不限于(一种或多种)疾病或(一种或多种)状况的(一种或多种)临床诊断、(一个或多个)实验室测试的(一个或多个)结果和(一个或多个)药物处方；
(4)更具体地，术语“统计分类器”宽泛地涵盖如本公开的领域中已知或下文构想的根据本公开被训练用于预测新的观察属于一组类别之中的哪个类别的机器学习模型。统计分类器的范例包括但不限于朴素贝叶斯分类器、逻辑回归分类器、随机森林分类器和梯度提升分类器；
(5)更具体地，术语“风险分数”宽泛地涵盖由统计分类器提供的表示新的观察属于一组类别之中的类别的风险水平的分数；
(6)术语“生命体征风险分数”宽泛地涵盖由统计分类器提供的表示特定生命体征的新的观察属于稳定/非恶化患者状况或不稳定/恶化患者状况的风险水平的风险分数；并且
(7)术语“独立生命体征风险分数”宽泛地涵盖由统计分类器提供的独立于(一个或多个)其他生命体征的(一个或多个)观察的特定生命体征的风险分数。
本公开的一个实施例是一种患者风险预测控制器，其采用存储人工智能引擎的存储器，所述人工智能引擎包括一般统计分类器和个人统计分类器。所述一般统计分类器关于一个或多个生命体征被训练为提供(一个或多个)一般独立生命体征分数，并且所述个人统计分类器关于一个或多个患者特征被训练为提供(一个或多个)个人独立生命体征分数。
所述患者风险预测控制器还采用一个或多个处理器。在操作中，对于单个生命体征，(一个或多个)处理器将经训练的一般统计分类器应用于所述单个生命体征，以提供单个一般独立生命体征风险分数。此后，对于单个患者特征，(一个或多个)处理器将经训练的个人统计分类器应用于所述单个一般独立生命体征风险分数和所述单个患者特征，以根据所述单个患者特征到所述单个一般独立生命体征风险分数的整合导出单个个人独立生命体征风险分数。对于多个患者特征，(一个或多个)处理器将经训练的个人统计分类器应用于所述单个一般独立生命体征风险分数和所述多个患者特征，以根据所述多个患者特征中的每个患者特征到所述单个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数。
或者，在操作中，对于多个生命体征，(一个或多个)处理器将经训练的一般统计分类器应用于所述多个生命体征，以提供多个一般独立生命体征风险分数。此后，对于单个患者特征，(一个或多个)处理器将经训练的个人统计分类器应用于所述多个一般独立生命体征风险分数和所述单个患者特征，以根据所述单个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数。对于多个患者特征，(一个或多个)处理器将经训练的个人统计分类器应用于所述多个一般独立生命体征风险分数和所述多个患者特征，以根据所述多个患者特征中的每个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出所述多个个人独立生命体征风险分数。
本公开的第二实施例是一种非瞬态机器可读存储介质，其被编码有用于由人工智能引擎的一个或多个处理器执行的指令，所述人工智能引擎包括一般统计分类器和个人统计分类器。再次，所述一般统计分类器关于一个或多个生命体征被训练为提供(一个或多个)一般独立生命体征分数，并且所述个人统计分类器关于一个或多个患者特征被训练为提供(一个或多个)个人独立生命体征分数。
对于单个生命体征，被编码介质包括用于将经训练的一般统计分类器应用于所述单个生命体征以提供单个一般独立生命体征风险分数的指令。此后，对于单个患者特征，被编码介质还包括用于将经训练的个人统计分类器应用于所述单个一般独立生命体征风险分数和所述单个患者特征以根据所述单个患者特征到所述单个一般独立生命体征风险分数的整合导出单个个人独立生命体征风险分数的指令。对于多个患者特征，被编码介质还包括用于将经训练的个人统计分类器应用于所述单个一般独立生命体征风险分数和所述多个患者特征以根据所述多个患者特征中的每个患者特征到所述单个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数的指令。
或者，对于多个生命体征，被编码介质包括用于将经训练的一般统计分类器应用于多个生命体征以提供多个一般独立生命体征风险分数的指令。此后，对于单个患者特征，被编码介质还包括用于将经训练的个人统计分类器应用于所述多个一般独立生命体征风险分数和所述单个患者特征以根据所述单个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数的指令。对于多个患者特征，被编码介质还包括用于将经训练的个人统计分类器应用于所述多个一般独立生命体征风险分数和所述多个患者特征以根据所述多个患者特征中的每个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出所述多个个人独立生命体征风险分数的指令。
本公开的第三实施例是一种可由人工智能引擎执行的患者风险预测方法，所述人工智能引擎包括一般统计分类器和个人统计分类器。再次，所述一般统计分类器关于一个或多个生命体征被训练为提供(一个或多个)一般独立生命体征分数，并且所述个人统计分类器关于一个或多个患者特征被训练为提供(一个或多个)个人独立生命体征分数。
对于单个生命体征，所述患者风险预测方法包含将经训练的一般统计分类器应用于所述单个生命体征，以提供单个一般独立生命体征风险分数。此后，对于单个患者特征，所述患者风险预测方法还包含将经训练的个人统计分类器应用于所述单个一般独立生命体征风险分数和所述单个患者特征，以根据所述单个患者特征到所述单个一般独立生命体征风险分数的整合导出单个个人独立生命体征风险分数。对于多个患者特征，所述患者风险预测方法还包含将经训练的个人统计分类器应用于所述单个一般独立生命体征风险分数和所述多个患者特征，以根据所述多个患者特征中的每个患者特征到所述单个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数。
或者，对于多个生命体征，所述患者风险预测方法包含将经训练的一般统计分类器应用于多个生命体征，以提供多个一般独立生命体征风险分数。此后，对于单个患者特征，所述患者风险预测方法包含将经训练的个人统计分类器应用于所述多个一般独立生命体征风险分数和所述单个患者特征，以根据所述单个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数。对于多个患者特征，所述患者风险预测方法包含将经训练的个人统计分类器应用于所述多个一般独立生命体征风险分数和所述多个患者特征，以根据所述多个患者特征中的每个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出所述多个个人独立生命体征风险分数。
而且出于描述和要求保护本公开的目的：
(1)术语“控制器”宽泛地涵盖如本公开的领域中理解和下文构想的用于如随后在本公开中描述的那样控制本公开的各种原理的应用的主电路板或整合电路的所有结构构造。控制器的结构构造可以包括但不限于(一个或多个)处理器、(一个或多个)非瞬态机器可读存储介质、操作系统、(一个或多个)应用模块、(一个或多个)外围设备控制器、(一个或多个)槽和(一个或多个)端口；并且
(2)术语“数据”和“信号”可以以如本公开的领域中理解并且如本公开中示范性描述的所有形式的可检测物理量或脉冲(例如，电压、电流、磁场强度、阻抗、颜色)被实施用于传输支持如随后在本公开中描述的那样应用各种本公开的原理的信息和/或指令。被本公开涵盖的数据/信号通信可以涉及如本公开的领域中已知的通信方法，包括但不限于通过任何类型的有线或无线通信链路的数据/信号的发射/接收，以及对被上传到计算机可用/计算机可读存储介质的数据的读取。
结合附图，根据本发明的各个实施例的下文详细描述，本公开的前述实施例和其他实施例以及本公开的各种特征和优点将会变得更加明显。这些详细描述和附图仅仅是对本公开的说明而不是限制，本公开的发明范围由权利要求及其等价要件来定义。
附图说明
为了更好地理解各种范例实施例，对附图进行参考，其中：
图1图示了根据本公开的原理的人工智能引擎的示范性实施例；
图2图示了根据本公开的原理的患者风险预测方法的示范性实施例；
图3A图示了根据本公开的原理的一般统计分类器的示范性实施例；
图3B图示了根据本公开的原理的直方图的示范性实施例；
图3C图示了根据本公开的原理的概率表的示范性实施例；
图4图示了根据本公开的原理的一般患者风险评分方法的示范性实施例；
图5图示了根据本公开的原理的个人统计分类器的示范性实施例；
图6A图示了根据本公开的原理的患者特征加权方法的示范性实施例；
图6B图示了根据本公开的原理的个人患者风险评分方法的示范性实施例；
图7图示了根据本公开的原理的患者风险预测控制器的示范性实施例；
图8图示了根据本公开的原理的患者风险预测系统的示范性实施例；并且
图9A和9B图示了根据本公开的原理的患者风险预测设备的示范性实施例。
具体实施方式
为了便于本公开的理解，图1和2的以下描述分别教导了本公开的人工智能引擎和患者风险预测方法的各种实施例。根据图1和2的描述，本公开的领域的技术人员将会意识到如何将本公开应用于制作并使用本公开的人工智能引擎和患者风险预测方法的许多和各种另外实施例。
参考图1，本公开的人工智能引擎30采用一般统计分类器40和个人统计分类器50来根据X数量的生命体征(X≥0)计算一般患者风险分数(GRS)44，并且/或者基于(一个或多个)生命体征和Y数量的个体患者特征23(Y≥0)计算个人患者风险分数(PRS)54。
出于本公开的目的，生命体征12宽泛地涵盖指示身体的生命维持功能的状况的体征。生命体征12的范例包括但不限于心率、心脏收缩血压、呼吸速率、血氧饱和度(SPO2)和温度。
出于本公开的目的，患者特征23宽泛地涵盖患者医学历史和当前临床评价的重要方面。患者特征23的范例包括但不限于(一种或多种)疾病或(一种或多种)状况的(一种或多种)临床诊断、(一个或多个)实验室测试的(一个或多个)结果和(一个或多个)药物处方。在实践中，单个患者特征23可以包括患者医学历史和当前临床评价的单个重要方面(例如，疾病的单个临床诊断，或单个实验室测试的结果或单个药物处方)，或可以包括患者医学历史和当前临床评价的多个重要方面的累积(例如，疾病的多个临床诊断，或多个实验室测试的结果或多个药物处方、或(一个或多个)临床诊断、(一个或多个)实验室结果和(一个或多个)药物处方的任何组合)。
仍然参考图1，在实践中，一般统计分类器40是如在本公开之前和之后本领域中已知的如本文中示范性描述的那样根据本公开的原理构造并训练的任何类型的统计分类器。一般统计分类器40的各种实施例的范例包括但不限于朴素贝叶斯分类器、逻辑回归分类器、随机森林分类器和梯度提升分类器。
在第一组实施例中，一般统计分类器40根据本公开的原理被构造为针对单个生命体征12(例如，心率)计算一般独立生命体征风险分数(GVRS)43，并且根据本公开的原理在一般患者群体的单个生命体征12上进行训练，由此一般独立生命体征风险分数43量化将单个生命体征12分类为稳定/非恶化患者状况(即，在实践中被认为对患者的健康无害的患者状况)或不稳定/恶化患者状况(即，在实践中被认为对患者的健康潜在危害/危险的患者状况)的概率。与稳定/非恶化患者状况相关联的训练可以涉及正在从或从健康紧急情况(例如，心脏病发作或中风)和/或外科手术(例如，心脏移植或冠状动脉搭桥)恢复的患者，并且与不稳定/恶化患者状况相关联的训练可以涉及已故的患者、被转移到更高急性的患者和/或需要呼叫快速响应团队的患者。
对于第一组实施例，一般统计分类器40可以根据本公开的原理被进一步构造为以适合于量化一般稳定/非恶化患者状况或一般不稳定/恶化患者状况的一般患者风险分数44的信息性报告的任何方式根据单个一般独立生命体征风险分数43导出一般患者风险分数44。例如，一般患者风险分数44可以相当于单个一般独立生命体征风险分数43或单个一般独立生命体征风险分数43的归一化。
在第二组实施例中，一般统计分类器40根据本公开的原理被构造为针对多个生命体征12(例如，心率、心脏收缩血压、呼吸速率、血氧饱和度(SPO2)和温度)之中的每个生命体征12单独地计算一般独立生命体征风险分数43，并且根据本公开的原理在一般患者群体的多个生命体征12上进行训练，由此每个一般独立生命体征风险分数43单独地量化将对应生命体征12分类为稳定/非恶化患者状况(即，在实践中被认为对患者的健康无害的患者状况)或不稳定/恶化患者状况(即，在实践中被认为对患者的健康潜在危害/危险的患者状况)的概率。再次，与稳定/非恶化患者状况相关联的训练可以涉及正在从或从健康紧急情况(例如，心脏病发作或中风)和/或外科手术(例如，心脏移植或冠状动脉搭桥)恢复的患者，并且与不稳定/恶化患者状况相关联的训练可以涉及已故的患者、被转移到更高急性的患者和/或需要呼叫快速响应团队的患者。
对于第二组实施例，一般统计分类器40可以根据本公开的原理被进一步构造为以适合于量化一般稳定/非恶化患者状况或一般不稳定/恶化患者状况的一般患者风险分数44的信息性报告的任何方式根据多个一般独立生命体征风险分数43导出一般患者风险分数44。例如，一般患者风险分数44可以是多个一般独立生命体征风险分数43的和、或多个一般独立生命体征风险分数43的和的归一化形式的多个一般独立生命体征风险分数43的聚合。
仍然参考图1，在实践中，个人统计分类器50是如在本公开之前和之后本领域中已知的如本文中示范性描述的那样根据本公开的原理构造的任何类型的统计分类器。个人统计分类器50的各种实施例的范例包括但不限于线性回归分类器、基于逻辑回归的分类器、基于多项式回归的分类器、基于逐步回归的分类器、基于岭回归的分类器、基于套索回归的分类器和基于弹性网络回归的分类器。
在第一组实施例中，个人统计分类器40根据本公开的原理被构造为根据单个患者特征23(例如，临床诊断、实验室测试结果或药物处方)到单个一般独立生命体征风险分数43(例如，一般心率风险分数)的整合导出单个个人独立生命体征风险分数(未在图1中示出，图2中示出的PVRS 53)，并且使用回归的形式被训练到单个患者特征23。例如，个人独立生命体征风险分数可以是单个患者特征23的加权函数和单个一般独立生命体征风险分数43的乘积或单个患者特征23的加权函数和单个一般独立生命体征风险分数43的乘积的归一化形式的单个患者特征23到单个一般独立生命体征风险分数43的整合。
出于本公开的目的，单个患者特征23的加权函数宽泛地涵盖进一步将单个一般独立生命体征风险分数43个人地细化为将单个生命体征12分类为稳定/非恶化患者状况或不稳定/恶化患者状况的概率的单个患者特征23的量化。在实践中，加权函数可以是简单的(例如，指示特定临床诊断、特定实验室结果或特定药物处方的不存在或存在二值数)或复杂的(例如，临床诊断的各种类别、实验室结果的许多测试范围和药物处方的各种剂量的多变量表达式)。例如，单个患者特征23的加权函数可以是(一个或多个)简单或复杂系数和单个患者特征23的乘积。
对于第一组实施例，个人统计分类器50根据本公开的原理被进一步构造为以适合于量化个人稳定/非恶化患者状况或个人不稳定/恶化患者状况的个人患者风险分数54的信息性报告的任何方式根据单个个人独立生命体征风险分数导出个人患者风险分数54。例如，个人患者风险分数54可以相当于单个个人独立生命体征风险分数或单个个人独立生命体征风险分数的归一化。
在第二组实施例中，个人统计分类器40根据本公开的原理被构造为根据多个患者特征23(例如，临床诊断、实验室测试和药物处方)到单个一般独立生命体征风险分数43(例如，一般心率风险分数)的独立整合导出多个个人独立生命体征风险分数(未在图1中示出，图2中示出的PVRS 53)，并且使用回归的形式被训练到多个患者特征23。例如，单个个人独立生命体征风险分数可以是多个患者特征23中的每一个的加权函数和单个一般独立生命体征风险分数43的单独乘积或多个患者特征23中的每一个的加权函数和单个一般独立生命体征风险分数43的单独乘积的归一化形式的多个患者特征23中的每一个到单个一般独立生命体征风险分数43的独立整合。
出于本公开的目的，每个患者特征23的加权函数宽泛地涵盖进一步将单个一般独立生命体征风险分数43个人地细化为将单个生命体征12分类为稳定/非恶化患者状况或不稳定/恶化患者状况的概率的每个患者特征23的量化。再次，在实践中，加权函数可以是简单的(例如，指示特定临床诊断、特定实验室结果或特定药物处方的不存在或存在二值数)或复杂的(例如，临床诊断的各种类别、实验室结果的许多测试范围和药物处方的各种剂量的多变量表达式)。例如，多个患者特征23中的每一个的加权函数可以是(一个或多个)简单或复杂系数和对应患者特征23的乘积。
对于第二组实施例，个人统计分类器50根据本公开的原理被进一步构造为以适合于量化个人稳定/非恶化患者状况或个人不稳定/恶化患者状况的个人患者风险分数54的信息性报告的任何方式根据多个个人独立生命体征风险分数导出个人患者风险分数54。例如，个人患者风险分数54可以是多个个人独立生命体征风险分数的和/乘积或多个个人独立生命体征风险分数的和/乘积的归一化的形式的多个个人独立生命体征风险分数的聚合。
在第三组实施例中，个人统计分类器40根据本公开的原理被构造为根据单个患者特征23(例如，诊断、实验室测试或药物)到多个一般独立生命体征风险分数43(例如，一般心率风险分数和一般血压风险分数)的独立整合导出多个个人独立生命体征风险分数(未在图1中示出，图2中示出的PVRS 53)。例如，多个个人独立生命体征风险分数中的每一个可以是单个患者特征23的加权函数和每个一般独立生命体征风险分数43的单独乘积或单个患者特征23的加权函数和每个一般独立生命体征风险分数43的单独乘积的归一化形式的单个患者特征23到多个一般独立生命体征风险分数43中的一个的整合。
出于本公开的目的，单个患者特征23的加权函数宽泛地涵盖进一步将每个一般独立生命体征风险分数43个人地细化为将每个生命体征12分类为稳定/非恶化患者状况或不稳定/恶化患者状况的概率的单个患者特征23的量化。再次，在实践中，加权函数可以是简单的(例如，指示特定诊断、特定实验室结果或特定药物的不存在或存在二值数)或复杂的(例如，诊断的各种类别、实验室结果的许多测试范围和特定类型的药物的数量的多变量表达式)。例如，单个患者特征23的加权函数可以是(一个或多个)简单或复杂系数和单个患者特征23的乘积。
对于第三组实施例，个人统计分类器50根据本公开的原理被进一步构造为以适合于量化个人稳定/非恶化患者状况或个人不稳定/恶化患者状况的个人患者风险分数54的信息性报告的任何方式根据多个个人独立生命体征风险分数导出个人患者风险分数54。例如，个人患者风险分数54可以是多个个人独立生命体征风险分数的和/乘积或多个个人独立生命体征风险分数的和/乘积的归一化的形式的多个个人独立生命体征风险分数的聚合。
在第四组实施例中，个人统计分类器40根据本公开的原理被构造为根据多个患者特征23(例如，诊断、实验室测试和药物)到多个一般独立生命体征风险分数43(例如，一般心率风险分数和一般血压风险分数)的独立整合导出多个个人独立生命体征风险分数(未在图1中示出，图2中示出的PVRS 53)。例如，个人独立生命体征风险分数可以是每个患者特征23的加权函数和每个一般独立生命体征风险分数43的单独乘积或每个患者特征23的加权函数和每个一般独立生命体征风险分数43的单独对数乘积形式的每个患者特征23到每个一般独立生命体征风险分数43的独立整合。
出于本公开的目的，每个患者特征23的加权函数宽泛地涵盖进一步将每个一般独立生命体征风险分数43个人地细化为将每个生命体征12分类为稳定/非恶化患者状况或不稳定/恶化患者状况的概率的每个患者特征23的量化。再次，在实践中，加权函数可以是简单的(例如，指示特定临床诊断、特定实验室结果或特定药物处方的不存在或存在二值数)或复杂的(例如，临床诊断的各种类别、实验室结果的许多测试范围和药物处方的各种剂量的多变量表达式)。例如，多个患者特征23中的每一个的加权函数可以是(一个或多个)简单或复杂系数和对应患者特征23的乘积。
对于第四组实施例，个人统计分类器50根据本公开的原理被进一步构造为以适合于量化个人稳定/非恶化患者状况或个人不稳定/恶化患者状况的个人患者风险分数54的信息性报告的任何方式根据个人独立生命体征风险分数导出个人患者风险分数54。例如，个人患者风险分数54可以是多个个人独立生命体征风险分数的和/乘积或多个个人独立生命体征风险分数的和/乘积的归一化的形式的多个个人独立生命体征风险分数的聚合。
参考图1和2，在操作中，人工智能引擎30执行表示本公开的患者风险预测方法的流程图70。
在流程图70的阶段S72期间，人工智能引擎30从生命体征源10接收单个生命体征12，或从一个或多个生命体征源10接收多个生命体征12。在实践中，生命体征源10可以是能够感测、检测或以其他方式监测患者11的生命体征的任何类型的源。生命体征源10的范例包括但不限于心率传感器、心电图、血压传感器、呼吸速率传感器、脉搏血氧仪和温度计。在实践中，(一个或多个)生命体征12可以在适合于查明患者11的状况的任何时候(例如，实时或后研究)通过在本公开之前和之后本领域中已知的技术来通信。
在接收到单个生命体征12之后，一般统计分类器40如之前在本公开中描述的那样执行单个生命体征12的一般生命体征风险评分41以提供单个一般独立生命体征风险分数43。随后，一般统计分类器40如之前在本公开中描述的那样执行一般患者风险评分42以计算一般患者风险分数44。例如，在评分41期间，一般统计分类器40可以实施单个生命体征12的朴素贝叶斯分类、逻辑回归分类、随机森林分类或梯度提升分类来提供单个一般独立生命体征风险分数43。随后，在评分42期间，一般统计分类器40可以将一般患者风险分数44计算为单个一般独立生命体征风险分数43。
在接收到多个生命体征12之后，一般统计分类器40如之前在本公开中描述的那样执行多个生命体征12的一般生命体征风险评分41以提供多个一般独立生命体征风险分数43。随后，一般统计分类器40如之前在本公开中描述的那样执行一般患者风险评分42以计算一般患者风险分数44。例如，在评分41期间，一般统计分类器40可以个体地实施多个生命体征12中的每一个的朴素贝叶斯分类、逻辑回归分类、随机森林分类或梯度提升分类来提供多个一般独立生命体征风险分数43。随后，在评分42期间，一般统计分类器40可以实施多个一般独立生命体征风险分数43的求和/乘积来计算一般患者风险分数44。
仍然参考图1和2，在流程图70的阶段S74期间，人工智能引擎30从患者特征源20接收单个患者特征23，或从一个或多个患者特征源20接收多个患者特征23。在实践中，患者特征源20可以是能够将(一个或多个)患者特征12下载/上传或要不然传输到人工智能引擎30的任何类型的源。(一个或多个)患者特征源20的范例包括但不限于健康护理设施或健康护理提供者办公室处的工作站21和被安装在远程医学数据报告地点内的数据库22。在实践中，(一个或多个)患者特征23可以在适合于查明患者11的状况(例如，实时或后研究)的任何时候通过在本公开之前和之后本领域中已知的技术来通信。
在接收到单个患者特征23之后，个人统计分类器50如之前在本公开中描述的那样分别执行单个患者特征23和一般独立生命体征风险分数43或多个一般独立生命体征风险分数43(以适用为准)的个人生命体征风险评分51以提供单个个人独立生命体征风险分数53或多个个人独立生命体征风险分数53。随后，个人统计分类器50如之前在本公开中描述的那样执行个人患者风险评分52以计算个人患者风险分数54。例如，在评分51期间，个人统计分类器50可以实施单个患者特征23的加权函数并且计算单个患者特征23的加权函数和单个一般独立生命体征风险分数43或多个一般独立生命体征风险分数43(以适用为准)的乘积，以提供单个个人独立生命体征风险分数53或多个个人独立生命体征风险分数53。随后，在评分52期间，个人统计分类器50可以将单个个人独立生命体征风险分数53等同于个人患者风险分数54，或可以实施多个个人独立生命体征风险分数53的求和，以适用为准。
在接收到多个患者特征23之后，个人统计分类器50如之前在本公开中描述的那样执行多个患者特征23和一般独立生命体征风险分数43或多个一般独立生命体征风险分数43(以适用者为准)的个人生命体征风险评分51以提供多个个人独立生命体征风险分数53。随后，个人统计分类器50如之前在本公开中描述的那样执行个人患者风险评分52以计算个人患者风险分数54。例如，在评分51期间，个人统计分类器50可以生成多个患者特征23中的每一个的加权函数并且计算多个患者特征23中的每一个的加权函数和单个一般独立生命体征风险分数43或多个一般独立生命体征风险分数43(以适用者为准)的个体乘积，以提供多个个人独立生命体征风险分数53。随后，在评分52期间，个人统计分类器50可以实施多个个人独立生命体征风险分数53的求和来计算个人患者风险分数54。
仍然参考图1和2，在流程图70的阶段S76期间，人工智能引擎30如本公开的领域中已知的那样将一般患者风险分数44(如果适用的话)和个人患者风险分数54通信给报告设备60。报告设备60的范例包括但不限于用于视觉报告的监视器61、用于图形报告的提供器62或用于文本报告的电子邮件63。在一个实施例中，人工智能引擎30执行如图2中示出的患者风险报告77，包含一般患者风险分数44相对于不稳定/恶化阈值(虚线)的图表和/或个人患者风险分数44相对于不稳定/恶化阈值(虚线)的图表。在第二实施例中，人工智能引擎30执行如图2中示出的患者风险报告78，包含一般患者风险分数44相对于一般独立生命体征风险分数中的一个或多个的图表和/或个人患者风险分数44相对于个人独立生命体征风险分数中的一个或多个的图表。
为了便于本公开的进一步理解，图3A-6B的以下描述分别教导了图1的一般统计分类器和图1的个人统计分类器的各种实施例。根据图3A-6B的描述，本公开的领域的技术人员将会意识到如何将本公开应用于制作并使用本公开的一般统计分类器和个人统计分类器的许多和各种另外实施例。
出于清楚性目的，图3A-6B的以下描述是在包括心率、心脏收缩血压、呼吸速率、心脏收缩血压、呼吸速率、血氧饱和度(SPO2)和温度的生命体征的背景下，并且进一步在包括单个心脏临床诊断、单个心脏实验室测试的结果和单个处方的心脏药物的患者特征的背景下。然而，本公开的领域的技术人员将会意识到如何在生命体征的不同列出(例如，更多或更少的生命体征)的背景下并且进一步在患者特征的不同列出(例如，另外的或不同的患者特征)的背景下将本公开的描述应用于制作并使用本公开的一般统计分类器和个人统计分类器的许多和各种另外实施例。
参考图3A，一般统计分类器40(图1)的一个实施例是采用五(5)个统计分类器(SC)141a-141e和风险分数加法器142的并行网络的一般统计分类器140。
在操作中，统计分类器141a被构造并训练为输入心率(HR)信号112a，以由此提供一般心率风险分数(GHRRS)143a。
统计分类器141b被构造并训练为输入血压(BP)信号112b，以由此提供一般血压风险分数(GBPRS)143b。
统计分类器141c被构造并训练为输入呼吸速率(RR)信号112c，以由此提供一般呼吸速率风险分数(GRRRS)143c。
统计分类器141d被构造并训练为输入血氧饱和度(SPO2)信号112d，以由此提供一般血氧饱和度风险分数(GSPRS)143d。
统计分类器141e被构造并训练为输入温度(TEMP)信号112e，以由此提供一般温度风险分数(GTPRS)143e。
在实践中，统计分类器141a-141e可以实施如在本公开之前和之后本领域中已知的根据本公开的原理构造并训练的统计分类器来分别针对多个生命体征112a-112e提供多个一般独立生命体征风险分数143a-143e。统计分类器141a-141e的各种实施例的范例包括但不限于朴素贝叶斯分类器的并行网络、逻辑回归分类器的并行网络、随机森林分类器的并行网络和梯度提升分类器的并行网络。
出于清楚性目的，统计分类器141a-141e的并行网络的以下描述将会作为朴素贝叶斯分类器的并行网络。然而，根据朴素贝叶斯分类器的并行网络的描述，本公开的领域的技术人员将会意识到如何将本公开的描述应用于制作并使用统计分类器141a-141e的并行网络的许多和各种另外实施例，包括但不限于，如在本公开之前和之后本领域中已知的根据本公开经由(一个或多个)逻辑/S型函数训练的逻辑回归分类器的并行网络、如在本公开之前和之后本领域中已知的根据本公开经由决策树训练的随机森林分类器的并行网络和如在本公开之前和之后本领域中已知的根据本公开在预测模型上训练的梯度提升分类器的并行网络。
在如图3B中示出的一般统计分类器140的一个实施例中，每个统计分类器141a-141e生成具有密度轴145a、生命体征轴145b和风险曲线轴145c的连续值的训练直方图145。混合模型(例如，高斯模型、对数-正态混合、指数混合、α混合和β混合)用来拟合在训练直方图145内提供的指定生命体征的稳定/非恶化训练值的稳定/非恶化种类C0分布146和指定生命体征的不稳定/恶化训练值的不稳定/恶化种类C1分布147。生命体征风险曲线148根据以下对数优势比公式[1]，以下归一化概率公式[2]和以下归一化概率公式[3]来计算：
对于公式[1]-[3]，P(Xi│C0)是观察到针对稳定/非恶化种类C0的指定生命体征的概率，P(Xi│C1)是观察到针对不稳定/恶化种类C1的指定生命体征的概率，并且P(Xi)是观察到指定生命体征的概率。
在如图3C中示出的一般统计分类器140的第二实施例中，每个统计分类器141生成离散值的训练概率表240，包括生命体征的属性值(例如，如通过早期预警分数指导建立的针对心率的属性值)的列241、生命体征的每个属性值的稳定/非恶化状况C0的发生次数的列242，生命体征的每个属性值的不稳定/恶化状况C1的发生次数的列243、根据前面提到的公式[1]-[3]中的一个的生命体征的属性值的稳定/非恶化状况C0的概率的列244，和根据前面提到的公式[1]-[3]中的一个的生命体征的属性值的不稳定/恶化状况C1的概率的列245。
在实践中，风险分数加法器142是如在本公开之前和之后本领域中已知的根据本公开的原理被构造为将一般患者风险分数144计算为多个一般独立生命体征风险分数143a-143e的和的任何类型的加法器。
参考图3A和4，在操作中，一般统计分类器140实施表示图2的一般患者风险评分计算阶段S72的流程图170。
在流程图170的阶段S172期间，统计分类器141a-141e分别针对生命体征112a-112e独立地提供一般独立生命体征风险分数143a-143e。
对于对数优势比实施例173a，统计分类器141a-141e分别针对生命体征112a-112e根据以下公式[4]-[8]独立地提供多个一般独立生命体征风险分数143a-143e：
对于归一化概率实施例173b，统计分类器141a-141e分别针对生命体征112a-112e根据以下针对稳定/非恶化种类C0或不稳定/恶化种类C1的公式[9]-[13]独立地提供一般独立生命体征风险分数143a-143e：
在流程图170的阶段S174期间，风险分数加法器142将一般患者风险分数144计算为一般独立生命体征风险分数143a-143e的和。
对于对数优势比实施例175a，风险分数加法器142根据以下公式[14a]或以下公式[14b]将一般患者风险分数144计算为多个一般独立生命体征风险分数143a-143e的和：
对于公式14[b]，log(P(C1)/P(C0))表示用于通过不稳定/恶化种类C1的总体普遍性偏置GRS的项。
对于归一化概率实施例175b，风险分数加法器142根据以下针对稳定/非恶化种类C0或不稳定/恶化种类C1的公式[15]将一般患者风险分数144计算为一般独立生命体征风险分数143a-143e的对数和：
对于公式[15b]，log(P(C1)/P(C0))再次表示用于通过不稳定/恶化种类C1的总体普遍性偏置GRS的项。
参考图5，个人统计分类器(图1)的一个实施例是采用五(5)个加权函数乘法器(WPM)151a-151d、风险分数加法器152和加权函数生成器155的并行网络的个人统计分类器150。
在实践中，加权函数乘法器151a被构造并训练为输入一般心率风险分数(GHRRS)143a和多个加权函数156，以针对每个加权函数156计算个人心率风险分数(PHRRS)153a。
加权函数乘法器151b被构造并训练为输入一般血压风险分数(GBPRS)143b和多个加权函数156，以由此针对每个加权函数156提供个人血压风险分数(PBPRS)153b。
加权函数乘法器151c被构造并训练为输入一般呼吸速率风险分数(GRRRS)143c和多个加权函数156，以由此针对每个加权函数156提供个人呼吸速率风险分数(PRRRS)153c。
加权函数乘法器151d被构造并训练为输入一般血氧饱和度风险分数(GSPRS)143d和多个加权函数156，以由此针对每个加权函数156提供个人血氧饱和度风险分数(PSPRS)153d。
加权函数乘法器151e被构造并训练为输入一般温度风险分数(GTPRS)143e和多个加权函数156，以由此针对每个加权函数156提供个人温度风险分数(PTPRS)153e。
在实践中，每个加权函数乘法器151是如在本公开之前和之后本领域中已知的根据本公开的原理被构造为将个人独立生命体征风险分数153a-153e计算为对应的一般独立生命体征风险分数143a-143a和多个加权函数156中的每一个的乘积的任何类型的乘法器。
在实践中，风险分数加法器152是如在本公开之前和之后本领域中已知的根据本公开的原理被构造为将个人患者风险分数154计算为个人心率风险分数153a-153e的对数和的任何类型的加法器。
在实践中，加权矩阵生成器155是如在本公开之前和之后本领域中已知的根据本公开的原理被构造为生成指示心脏临床诊断的诊断患者特征123a、指示心脏实验室测试的结果的实验室结果患者特征123b和指示处方的心脏药物的药物患者特征123c的加权函数的任何类型的算术逻辑单元。
在实践中，加权矩阵生成器155编码患者特征，并且将被编码患者特征应用于在个人统计分类器150(图3A)的训练期间通过具有正则化的逻辑回归先验确定的加权系数。在一个实施例中，逻辑回归算法(例如，最大似然估计)被用来根据与患者特征相关联的训练数据估计加权系数。例如，加权系数以如下方式进行建模：对于稳定/非恶化种类C0预测非常接近“0”的值并且对于不稳定/恶化种类C1预测非常接近“1”的值以由此寻求将通过模型预测的概率到由训练数据描绘的概率的误差最小化的加权系数的值(例如，如果训练数据和患者特征对应于稳定/非恶化患者状况，则最小化误差“0”的概率，并且如果训练数据和患者特征对应于不稳定/恶化患者状况，则最小化“1”的概率)。
进一步地在实践中，用于特定患者特征123的(一个或多个)加权系数可以针对所有生命体征141a-141e(图3A)被确定，或加权系数的集合可以针对特定患者特征123在生命体征基础上被确定。
在一个实施例中，加权矩阵生成器155针对每个患者特征123实施(一个或多个)类别变量或(一个或多个)连续变量的二值编码或独热编码。例如，对于诊断患者特征123a，对于被诊断心脏疾病的类别变量的不存在，二值编码可以是“0”，并且对于被诊断心脏疾病的类别变量的存在，可以是“1”。通过进一步的范例，对于实验室结果患者特征123b，独热编码可以被用于心脏实验室测试的结果的多个连续变量。通过更进一步的范例，对于药物患者特征123c，对于处方的心脏药物的非使用类别变量，二值编码可以是“0”，并且对于处方的心脏药物的使用类别变量，可以是“1”。
参考图5、6A和6B，在操作中，个人统计分类器实施表示图2的个人患者风险评分计算阶段S74的流程图270和流程图370。
参考图6A，在流程图270的阶段S272期间，加权矩阵生成器155根据患者特征123a-123c生成加权函数Vij*f(yj)，其中，f(yj)是被编码患者特征123，并且Vij是与被编码患者特征123相关联的先验训练的加权系数。
在通用加权实施例273a中，加权矩阵生成器155根据针对所有生命体征的诊断患者特征123a生成加权系数Vi诊断*f(y诊断)，根据针对所有生命体征的实验室结果患者特征123b生成加权系数Vi实验室结果*f(y实验室结果)，并且根据针对所有生命体征的药物患者特征123c生成加权系数Vi药物*f(y药物)。
在生命体征实施例273b中，对于心率112a(图3)，加权矩阵生成器155根据诊断患者特征123a生成加权系数VHR，诊断*f(y诊断：HR)，根据实验室结果患者特征123b生成加权系数VHR，实验室结果*f(y实验室结果：HR)，并且根据药物患者特征123c生成加权系数VHR，药物*f(y药物：HR)。
对于血压112b(图3)，加权矩阵生成器155根据诊断患者特征123a生成加权系数VBP，诊断*f(y诊断：BP)，根据实验室结果患者特征123b生成加权系数VBP，实验室结果*f(y实验室结果：BP)，并且根据药物患者特征123c生成加权系数VBP，药物*f(y药物：BP)。
对于呼吸速率112c(图3)，加权矩阵生成器155生成根据诊断患者特征123a生成加权系数VRR，诊断*f(y诊断：RR)，根据实验室结果患者特征123b生成加权系数VRR，实验室结果*f(y实验室结果：RR)，并且根据药物患者特征123c生成加权系数VRR，药物*f(y药物：RR)。
对于血氧饱和度112d(图3)，加权矩阵生成器155根据诊断患者特征123a生成加权系数VSPO2，诊断*f(y诊断：SPO2)，根据实验室结果患者特征123b生成加权系数VSPO2，实验室结果*f(y实验室结果：SPO2)，并且根据药物患者特征123c生成加权系数VSPO2，药物*f(y药物：SPO2)。
对于温度112e(图3)，加权矩阵生成器155根据诊断患者特征123a生成加权系数VTEMP，诊断*f(y诊断：TEMP)，根据实验室结果患者特征123b生成加权系数VTEMP，实验室结果*f(y实验室结果：TEMP)，并且根据药物患者特征123c生成加权系数VTEMP，药物*f(y药物：TEMP)。
在流程图270的阶段S274期间，加权矩阵生成器155将加权函数Vij*f(yj)通信给每个加权函数乘法器143a-143e。通信遵循通过如所示的生命体征112a-112e的列和患者特征123a-123c的行(或反之亦然)布置的加权函数Vij*f(yj)的矩阵。
参考图6B，在流程图370的阶段S372期间，加权函数乘法器151a-151e分别针对多个一般独立生命体征风险分数143a-143e独立地计算多个个人独立生命体征风险分数153a-153e。
对于对数优势比实施例375a，加权函数乘法器151a-151e分别针对一般独立生命体征风险分数143a-143e根据以下公式[16]-[20]独立地计算个人独立生命体征风险分数153a-153e：
对于归一化概率实施例(图3C)，加权函数乘法器151a-151e分别针对一般独立生命体征风险分数143a-143e根据以下针对稳定/非恶化种类C0或不稳定/恶化种类C1的公式[21]-[25]独立地计算多个个人独立生命体征风险分数153a-153e：
在流程图370的阶段S374期间，风险分数加法器152将个人患者风险分数154计算为多个个人独立生命体征风险分数153a-153e的和。
对于对数优势比实施例375a，风险分数加法器152根据以下公式[26]将个人患者风险分数154计算为多个个人独立生命体征风险分数153a-153e的和：
PRS＝∑Vi,jf(yj)*log(P(Xi│C1)/P(Xi│C0)) [26]
对于归一化概率实施例375b，风险分数加法器152根据以下针对稳定/非恶化种类C0或不稳定/恶化种类C1的公式[27]将个人患者风险分数154计算为个人独立生命体征风险分数153a-153e的对数和：
PRS＝∑Vi,jf(yj)*log(P(Xi│C1)/P(Xi)) [27]
为了进一步便于本公开的理解，图7的以下描述教导了本公开的患者风险预测控制器的各种实施例，图8的以下描述教导了本公开的患者风险预测系统的各种实施例，并且图9A和9B的以下描述教导了本公开的患者风险预测设备的各种实施例。根据图7-9B的描述，本公开的领域的技术人员将会意识到如何将本公开应用于制作并使用本公开的患者风险预测控制器、患者风险预测系统和患者风险预测设备的许多和各种另外实施例。
在实践中，本公开的患者风险预测控制器可以被体现为用于如之前在本文中描述的那样实施本公开的患者风险预测方法的硬件/电路/软件/固件。进一步在实践中，患者风险预测控制器可以被定制并安装在服务器、工作站等中或被编程在通用计算机上。
在如图7中示出的一个实施例中，患者风险预测控制器80包括经由一个或多个系统总线86相互连接的处理器81、存储器82、用户接口83、网络接口84和存储设备85。在实践中，控制器80的部件81-85的实际组织可以比所图示的更复杂。
处理器81可以是能够执行被存储在存储器或存储设备中的指令或以其他方式处理数据的任何硬件设备。因此，处理器81可以包括微处理器、现场可编程门阵列(FPGA)、专用集成电路(ASIC)或其他类似的设备。
存储器82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。因此，存储器82可以包括静态随机存取存储器(SRAM)、动态RAM(DRAM)、闪烁存储器、只读存储器(ROM)或其他类似的存储器设备。
用户接口83可以包括用于实现与用户(诸如管理员)通信的一个或多个设备。例如，用户接口83可以包括显示器、鼠标、以及用于接收用户命令的键盘。在一些实施例中，用户接口83可以包括可以经由网络接口84被呈现给远程终端的命令行接口或图形用户接口。
网络接口84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84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)。此外，网络接口84可以实施用于根据TCP/IP协议进行通信的TCP/IP堆栈。用于网络接口84的各种备选的或额外的硬件或配置将会是显而易见的。
存储设备85可以包括一个或多个机器可读存储介质，诸如只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光学存储介质、闪烁存储器设备或类似的存储介质。在各种实施例中，存储设备85可以存储由处理器81执行的指令或处理器81可以对其进行操作的数据。例如，存储设备85存储用于控制硬件的各种基本操作的基本操作系统(未示出)。
更具体到本公开，存储设备85可以存储一般统计分类器40(图1)、个人统计分类器60(图1)和通信管理器88(例如，显示器处理器、绘制器管理器和/或电子邮件管理器)形式的控制模块87。
参考图8，在实践中，患者风险预测控制器80可以被安装/编程在可由多个客户端(例如，如所示的客户端91和客户端92)访问的应用服务器90内，并且/或者被安装/编程在采用监视器94、键盘95和计算机96的工作站93内。
在操作中，患者风险预测控制器80在训练阶段和阶段期间从医学成像数据源80输入医学成像数据30(平面或体积)。医学成像数据源90可以包括任何数量和类型的医学成像机器(例如，如所示的MRI机器91、CT机器93、X射线机器95和超声机器97)，并且可以还包括数据库管理/文件服务器(例如，如所示的MRI数据库管理服务器92、CT服务器94、X射线数据库管理服务器96和超声数据库管理器服务器97)。在实践中，应用服务器90或工作站93(以适用为准)可以被直接或网络连接到医学成像数据源90，以由此输入用于患者风险预测控制器80的医学成像数据30。或者，医学成像数据源90和应用服务器90或工作站93(以适用为准)可以被直接整合，由此患者风险预测控制器80具有对医学成像数据30的直接访问。
参考图9A和9B，本公开的患者风险预测设备100(例如，除颤器)采用被附接到壳体102的手柄101，壳体102提供对显示器/显示器接口103、治疗接口104和端口接口105的用户访问。壳体12还包围除了实施另外的功能(例如，同步电击)的其他控制器(未示出)之外的患者风险预测控制器80。
在实践中，显示器/显示器接口103显示如被用户经由显示器接口103(例如，键)定制的患者监测数据和如之前在本公开中描述的患者风险预测控制器80生成的(一个或多个)患者风险分数。控制器接口15(例如，旋钮和按钮)允许用户将各种治疗(例如，电击)应用于患者。端口接口17允许被用户连接到(一个或多个)生命体征源10以便接收生命体征，并且连接到患者特征源(20)以便接收患者特征。
参考图1-9，本领域的技术人员将会认识到本公开的许多益处，包括但不限于可被个体护理提供者和健康护理组织用于提供稳定/非恶化患者状况或不稳定/恶化患者状况的可靠患者风险预测的系统、设备和方法。
此外，显而易见的是，被描述为被存储在存储设备中的各种信息可以另外地或备选地被存储在存储器中。在这方面，存储器也可以被认为构成“存储设备”，并且存储设备也可以被认为是“存储器”。各种其他布置将是显而易见的。另外，存储器和存储设备都可以被认为是“非瞬态机器可读介质”。本文使用的术语“非瞬态”将被理解为排除瞬态信号但包括所有形式的存储，包括易失性和非易失性存储器。
尽管该设备被示为包括每个描述的部件中的一个部件，但是在各种实施例中可以复制各种部件。例如，处理器可以包括多个微处理器，所述多个微处理器被配置为独立地执行本公开中描述的方法，或者被配置为执行本公开中描述的方法的步骤或子例程，使得多个处理器协作以实现在本公开中描述的功能。另外，在云计算系统中实施该设备的情况下，各种硬件部件可以属于单独的物理系统。例如，处理器可以包括第一服务器中的第一处理器和第二服务器中的第二处理器。
根据前面的描述显而易见的是，本发明的各种范例实施例可以被实施为硬件或固件。此外，各种示范性实施例可以被实施为被存储在机器可读存储介质上的指令，所述指令可以由至少一个处理器读取和运行以执行本文详细描述的操作。机器可读存储介质可以包括用于以机器可读形式存储信息的任何机构，例如，个人计算机或膝上型计算机、服务器或其他计算设备。因此，机器可读存储介质可以包括只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光学存储介质、闪烁存储设备和类似的存储介质。
本领域技术人员应当理解，本文中的任何框图均表示采样本发明原理的说明性电路的概念视图。类似地，应当理解，任何流程图解、流程图、状态转换图、伪代码等均表示可以基本上在机器可读介质中表示且因此由计算机或处理器执行的各种过程，而无论这样的计算机或处理器是否被明确示出。
尽管已经具体参考本公开的某些示范性方面详细描述了各种示范性实施例，但是应当理解，本公开能够具有其他实施例，并且其细节能够在各种明显的方面进行修改。对于本领域技术人员显而易见的是，能够在保持在本公开的精神和范围内的同时做出改变和修改。因此，前述公开内容、说明书和附图仅用于说明目的，而并不以任何方式限制本公开，本公开仅由权利要求来定义。
Claims (20)
1.一种患者风险预测控制器(80)，包括：
存储器(82)，其存储人工智能引擎(30)，所述人工智能引擎包括
一般统计分类器(40)，其关于至少一个生命体征被训练为提供至少一个一般独立生命体征风险分数，以及
个人统计分类器(50)，其关于至少一个患者特征被训练为提供至少一个个人独立生命体征风险分数；以及
至少一个处理器(81)，其与所述存储器(82)通信，其中，所述至少一个处理器(81)被配置为执行以下中的至少一项：
将所述一般统计分类器(40)应用于单个生命体征，以提供单个一般独立生命体征风险分数，并且
执行以下中的至少一项
将所述个人统计分类器(50)应用于所述单个一般独立生命体征风险分数和单个患者特征，以根据所述单个患者特征到所述单个一般独立生命体征风险分数的整合导出单个个人独立生命体征风险分数，以及
将所述个人统计分类器(50)应用于所述单个一般独立生命体征风险分数和多个患者特征，以根据所述多个患者特征中的每个患者特征到所述单个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数；以及
将所述一般统计分类器(40)应用于多个生命体征以提供多个一般独立生命体征风险分数，并且
执行以下中的至少一项
将所述个人统计分类器(50)应用于所述多个一般独立生命体征风险分数和所述单个患者特征，以根据所述单个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数，以及
将所述个人统计分类器(50)应用于所述多个一般独立生命体征风险分数和所述多个患者特征，以根据所述多个患者特征中的每个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出所述多个个人独立生命体征风险分数。
2.根据权利要求1所述的患者风险预测控制器(80)，
其中，所述一般统计分类器(40)被配置为将所述至少一个一般独立生命体征风险分数中的一个或每一个量化为对数优势比或对数归一化概率；并且
其中，所述个人统计分类器(50)被配置为将所述至少一个个人独立生命体征风险分数中的一个或每一个量化为所述对数优势比或所述对数归一化概率。
3.根据权利要求1所述的患者风险预测控制器(80)，
其中，所述单个患者特征到所述单个一般独立生命体征风险分数的通过所述个人统计分类器(50)的所述整合包括所述个人统计分类器(50)被配置为将所述单个患者特征的加权函数应用于所述单个一般独立生命体征风险分数；
其中，所述多个患者特征中的每个患者特征到所述单个一般独立生命体征风险分数的通过所述个人统计分类器(50)的所述个体整合包括所述个人统计分类器(50)被配置为将每个患者特征的加权函数个体地应用于所述单个一般独立生命体征风险分数；
其中，所述单个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的通过所述个人统计分类器(50)的所述个体整合包括所述个人统计分类器(50)被配置为将所述单个患者特征的所述加权函数个体地应用于多个一般独立生命体征风险分数中的每一个；并且
其中，所述多个患者特征中的每个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的通过所述个人统计分类器(50)的所述个体整合包括所述个人统计分类器(50)被配置为将每个患者特征的所述加权函数个体地应用于多个一般独立生命体征风险分数中的每一个。
4.根据权利要求1所述的患者风险预测控制器(80)，
其中，所述一般统计分类器(40)被配置为根据所述多个一般独立生命体征风险分数或所述单个一般独立生命体征风险中的一项计算一般患者风险分数；并且
其中，所述至少一个处理器(81)还被配置为控制由所述一般统计分类器(40)对所述一般患者风险分数的计算。
5.根据权利要求4所述的患者风险预测控制器(80)，其中，所述一般统计分类器(40)被配置为将所述一般患者风险分数计算为以下中的一项：所述单个一般独立生命体征风险的等效值或所述多个一般独立生命体征风险分数的和。
6.根据权利要求1所述的患者风险预测控制器(80)，
其中，所述个人统计分类器(50)被配置为根据所述多个个人独立生命体征风险分数或所述单个个人独立生命体征风险中的一项计算个人患者风险分数；并且
其中，所述至少一个处理器(81)还被配置为控制由所述个人统计分类器(50)对所述个人患者风险分数的计算。
7.根据权利要求6所述的患者风险预测控制器(80)，其中，所述个人统计分类器(50)被配置为将所述个人患者风险分数计算为以下中的一项：所述单个个人独立生命体征风险的等效值或所述多个个人独立生命体征风险分数的和。
8.根据权利要求1所述的患者风险预测控制器(80)，
其中，以下中的至少一项：
所述一般统计分类器(40)被配置为根据所述多个一般独立生命体征风险分数或所述单个一般独立生命体征风险分数中的一项导出一般患者风险分数，以及
所述个人统计分类器(50)被配置为根据所述多个个人生命体征风险分数或所述单个个人生命体征风险分数中的一项导出个人患者风险分数；
其中，所述人工智能引擎(30)还包括通信管理器；并且
其中，所述至少一个处理器(81)还被配置为：
控制由所述通信管理器执行的所述一般患者风险分数和所述个人患者风险分数中的至少一项到至少一个报告设备的通信。
9.一种非瞬态机器可读存储介质，其被编码有用于由人工智能引擎(30)的至少一个处理器(81)执行的指令，所述人工智能引擎包括一般统计分类器(40)和个人统计分类器(50)，
所述一般统计分类器(40)关于至少一个生命体征被训练为提供至少一个一般独立生命体征风险分数，
所述个人统计分类器(50)关于至少一个患者特征被训练为提供至少一个个人独立生命体征风险分数，
所述非瞬态机器可读存储介质包括执行以下中的至少一项的指令：
将所述一般统计分类器(40)应用于单个生命体征，以提供单个一般独立生命体征风险分数，并且
执行以下中的至少一项
将所述个人统计分类器(50)应用于所述单个一般独立生命体征风险分数和单个患者特征，以根据所述单个患者特征到所述单个一般独立生命体征风险分数的整合导出单个个人独立生命体征风险分数，以及
将所述个人统计分类器(50)应用于所述单个一般独立生命体征风险分数和多个患者特征，以根据所述多个患者特征中的每个患者特征到所述单个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数；以及
将所述一般统计分类器(40)应用于多个生命体征以提供多个一般独立生命体征风险分数，并且
执行以下中的至少一项
将所述个人统计分类器(50)应用于所述多个一般独立生命体征风险分数和所述单个患者特征，以根据所述单个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数，以及
将所述个人统计分类器(50)应用于所述多个一般独立生命体征风险分数和所述多个患者特征，以根据所述多个患者特征中的每个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出所述多个个人独立生命体征风险分数。
10.根据权利要求9所述的非瞬态机器可读存储介质，
其中，所述至少一个一般独立生命体征风险分数中的一个或每一个被量化为对数优势比或对数归一化概率；并且
其中，所述至少一个个人独立生命体征风险分数中的一个或每一个被量化为所述对数优势比或所述对数归一化概率。
11.根据权利要求9所述的非瞬态机器可读存储介质，
其中，将所述单个患者特征整合到所述单个一般独立生命体征风险分数的指令包括将所述单个患者特征的加权函数应用于所述单个一般独立生命体征风险分数的指令；
其中，将所述多个患者特征中的每个患者特征个体地整合到所述单个一般独立生命体征风险分数的指令包括将每个患者特征的加权函数个体地应用于所述单个一般独立生命体征风险分数的指令；
其中，将所述单个患者特征个体地整合到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的指令包括将所述单个患者特征的所述加权函数个体地应用于多个一般独立生命体征风险分数中的每一个的指令；并且
其中，将所述多个患者特征中的每个患者特征个体地整合到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的指令包括将每个患者特征的所述加权函数个体地应用于多个一般独立生命体征风险分数中的每一个的指令。
12.根据权利要求9所述的非瞬态机器可读存储介质，其中，所述非瞬态机器可读存储介质还包括执行以下项的指令：
经由所述一般统计分类器(40)根据所述多个一般独立生命体征风险分数或所述单个一般独立生命体征风险中的一项计算一般患者风险分数。
13.根据权利要求12所述的非瞬态机器可读存储介质，其中，所述一般患者风险分数是以下中的一项：所述单个一般独立生命体征风险的等效值或所述多个一般独立生命体征风险分数的聚合。
14.根据权利要求9所述的非瞬态机器可读存储介质，其中，所述非瞬态机器可读存储介质还包括执行以下项的指令：
经由所述个人统计分类器(50)根据所述多个个人独立生命体征风险分数或所述单个个人独立生命体征风险中的一项计算个人患者风险分数。
15.根据权利要求14所述的非瞬态机器可读存储介质，其中，所述个人患者风险分数是以下中的一项：所述单个个人独立生命体征风险的等效值或所述多个个人独立生命体征风险分数的聚合。
16.一种可由人工智能引擎(30)执行的患者风险预测方法，所述人工智能引擎包括一般统计分类器(40)和个人统计分类器(50)，
所述一般统计分类器(40)关于至少一个生命体征被训练为提供至少一个一般独立生命体征风险分数，
所述个人统计分类器(50)关于至少一个患者特征被训练为提供至少一个个人独立生命体征风险分数，
所述患者风险预测方法包括以下中的至少一项：
将所述一般统计分类器(40)应用于单个生命体征，以提供单个一般独立生命体征风险分数，并且
执行以下中的至少一项
将所述个人统计分类器(50)应用于所述单个一般独立生命体征风险分数和单个患者特征，包括将所述单个患者特征整合到所述单个一般独立生命体征风险分数以导出单个个人独立生命体征风险分数，以及
将所述个人统计分类器(50)应用于所述单个一般独立生命体征风险分数和多个患者特征，包括将所述多个患者特征中的每个患者特征个体地整合到所述单个一般独立生命体征风险分数以导出多个个人独立生命体征风险分数；以及
将所述一般统计分类器(40)应用于多个生命体征以提供多个一般独立生命体征风险分数，并且
执行以下中的至少一项
将所述个人统计分类器(50)应用于所述多个一般独立生命体征风险分数和所述单个患者特征，包括将所述单个患者特征个体地整合到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数以导出多个个人独立生命体征风险分数，以及
将所述个人统计分类器(50)应用于所述多个一般独立生命体征风险分数和所述多个患者特征，包括将所述多个患者特征中的每个患者特征个体地整合到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数以导出所述多个个人独立生命体征风险分数。
17.根据权利要求16所述的患者风险预测方法，
其中，所述至少一个一般独立生命体征风险分数中的一个或每一个被量化为对数优势比或对数归一化概率；并且
其中，所述至少一个个人独立生命体征风险分数中的一个或每一个被量化为所述对数优势比或所述对数归一化概率。
18.根据权利要求16所述的患者风险预测方法，
其中，所述单个患者特征到所述单个一般独立生命体征风险分数的经由所述个人统计分类器(50)的所述整合包括经由所述个人统计分类器(50)将所述单个患者特征的加权函数应用于所述单个一般独立生命体征风险分数；
其中，所述多个患者特征中的每个患者特征到所述单个一般独立生命体征风险分数的经由所述个人统计分类器(50)的所述个体整合包括经由所述个人统计分类器(50)将每个患者特征的加权函数个体地应用于所述单个一般独立生命体征风险分数；
其中，所述单个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的经由所述个人统计分类器(50)的所述个体整合包括将所述单个患者特征的所述加权函数个体地应用于多个一般独立生命体征风险分数中的每一个；以及
其中，所述多个患者特征中的每个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的经由所述个人统计分类器(50)的所述个体整合包括将每个患者特征的所述加权函数个体地应用于多个一般独立生命体征风险分数中的每一个。
19.根据权利要求16所述的患者风险预测方法，还包括以下中的至少一项：
经由所述一般统计分类器(40)将一般患者风险分数计算为所述单个一般独立生命体征风险的等效值；以及
经由所述一般统计分类器(40)将所述一般患者风险分数计算为所述多个一般独立生命体征风险分数的聚合。
20.根据权利要求16所述的患者风险预测方法，还包括以下中的至少一项：
经由所述个人统计分类器(50)将个人患者风险分数计算为所述单个个人独立生命体征风险的等效值；以及
经由所述个人统计分类器(50)将所述个人患者风险分数计算为所述多个个人独立生命体征风险分数的聚合。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862732623P | 2018-09-18 | 2018-09-18 | |
| US62/732,623 | 2018-09-18 | ||
| PCT/EP2019/074600 WO2020058145A1 (en) | 2018-09-18 | 2019-09-16 | General and personal patient risk prediction |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112703562A true CN112703562A (zh) | 2021-04-23 |
Family
ID=67988991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980060521.7A Pending CN112703562A (zh) | 2018-09-18 | 2019-09-16 | 一般和个人患者风险预测 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20210350933A1 (zh) |
| EP (1) | EP3853868A1 (zh) |
| JP (1) | JP2022500767A (zh) |
| CN (1) | CN112703562A (zh) |
| WO (1) | WO2020058145A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114334145A (zh) * | 2021-12-06 | 2022-04-12 | 中国医学科学院北京协和医院 | 一种不典型危重患者的动态识别方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210366619A1 (en) * | 2020-05-20 | 2021-11-25 | Koninklijke Philips N.V. | Recovery profile clustering to determine treatment protocol and predict resourcing needs |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110224565A1 (en) * | 2010-03-15 | 2011-09-15 | Singapore Health Services Pte Ltd. | Method of predicting acute cardiopulmonary events and survivability of a patient |
| US20160143596A1 (en) * | 2014-04-16 | 2016-05-26 | Xerox Corporation | Assessing patient risk of an acute hypotensive episode with vital measurements |
| CN106132286A (zh) * | 2014-03-07 | 2016-11-16 | 心脏起搏器股份公司 | 多级心力衰竭事件检测 |
| US20160378943A1 (en) * | 2015-06-25 | 2016-12-29 | Johnathan VALLÉE | Method for predicting adverse events for home healthcare of remotely monitored patients |
| US20170177823A1 (en) * | 2015-12-18 | 2017-06-22 | Cerner Innovation, Inc. | Prediction of readmission risk |
| US20170235910A1 (en) * | 2016-02-17 | 2017-08-17 | The Cleveland Clinic Foundation | Systems and methods for remote monitoring of non-critically ill hospitalized patients |
| CN107438399A (zh) * | 2015-04-08 | 2017-12-05 | 皇家飞利浦有限公司 | 心血管恶化预警评分 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7311666B2 (en) * | 2004-07-10 | 2007-12-25 | Trigeminal Solutions, Inc. | Apparatus for collecting information |
| US9775533B2 (en) * | 2013-03-08 | 2017-10-03 | Singapore Health Services Pte Ltd | System and method of determining a risk score for triage |
| CN107408144B (zh) * | 2014-11-14 | 2021-07-06 | Zoll医疗公司 | 医疗先兆事件估计 |
| WO2019036805A1 (en) * | 2017-08-22 | 2019-02-28 | Orpyx Medical Technologies Inc. | METHOD AND SYSTEM FOR CLASSIFICATION OF ACTIVITIES |
| US20190080056A1 (en) * | 2017-09-14 | 2019-03-14 | Qualcomm Incorporated | Systems and methods for remote patient monitoring and event detection |
-
2019
- 2019-09-16 JP JP2021514346A patent/JP2022500767A/ja active Pending
- 2019-09-16 EP EP19769777.4A patent/EP3853868A1/en not_active Withdrawn
- 2019-09-16 US US17/277,619 patent/US20210350933A1/en not_active Abandoned
- 2019-09-16 CN CN201980060521.7A patent/CN112703562A/zh active Pending
- 2019-09-16 WO PCT/EP2019/074600 patent/WO2020058145A1/en unknown
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110224565A1 (en) * | 2010-03-15 | 2011-09-15 | Singapore Health Services Pte Ltd. | Method of predicting acute cardiopulmonary events and survivability of a patient |
| CN106132286A (zh) * | 2014-03-07 | 2016-11-16 | 心脏起搏器股份公司 | 多级心力衰竭事件检测 |
| US20160143596A1 (en) * | 2014-04-16 | 2016-05-26 | Xerox Corporation | Assessing patient risk of an acute hypotensive episode with vital measurements |
| CN107438399A (zh) * | 2015-04-08 | 2017-12-05 | 皇家飞利浦有限公司 | 心血管恶化预警评分 |
| US20180064400A1 (en) * | 2015-04-08 | 2018-03-08 | Koninklijke Philips N.V. | Cardiovascular deterioration warning score |
| US20160378943A1 (en) * | 2015-06-25 | 2016-12-29 | Johnathan VALLÉE | Method for predicting adverse events for home healthcare of remotely monitored patients |
| US20170177823A1 (en) * | 2015-12-18 | 2017-06-22 | Cerner Innovation, Inc. | Prediction of readmission risk |
| US20170235910A1 (en) * | 2016-02-17 | 2017-08-17 | The Cleveland Clinic Foundation | Systems and methods for remote monitoring of non-critically ill hospitalized patients |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114334145A (zh) * | 2021-12-06 | 2022-04-12 | 中国医学科学院北京协和医院 | 一种不典型危重患者的动态识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022500767A (ja) | 2022-01-04 |
| US20210350933A1 (en) | 2021-11-11 |
| EP3853868A1 (en) | 2021-07-28 |
| WO2020058145A1 (en) | 2020-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | A deep learning model for real-time mortality prediction in critically ill children | |
| US11734629B2 (en) | Medical scan labeling quality assurance system and methods for use therewith | |
| US8055603B2 (en) | Automatic generation of new rules for processing synthetic events using computer-based learning processes | |
| CN110459328B (zh) | 临床监护设备 | |
| Liu et al. | Development and validation of a machine learning algorithm and hybrid system to predict the need for life-saving interventions in trauma patients | |
| US11276495B2 (en) | Systems and methods for predicting multiple health care outcomes | |
| US20210294946A1 (en) | Selecting and applying digital twin models | |
| CN108231146B (zh) | 一种基于深度学习的医疗记录模型构建方法、系统及装置 | |
| Messinger et al. | Novel pediatric‐automated respiratory score using physiologic data and machine learning in asthma | |
| Tsiklidis et al. | Using the National Trauma Data Bank (NTDB) and machine learning to predict trauma patient mortality at admission | |
| Saqib et al. | Artificial intelligence in critical illness and its impact on patient care: a comprehensive review | |
| Bulgarelli et al. | Prediction on critically ill patients: the role of “big data” | |
| CN112703562A (zh) | 一般和个人患者风险预测 | |
| CN117672532B (zh) | 住院患者护理风险评估预警监控系统及方法 | |
| Stewart et al. | Applications of natural language processing at emergency department triage: A narrative review | |
| Tripathy et al. | Innovative classification, regression model for predicting various diseases | |
| Hillsgrove et al. | Utilization of data mining for generalizable, all-admission prediction of inpatient mortality | |
| Kyrimi | Bayesian networks for clinical decision making: support, assurance, trust | |
| Rava | Survival analysis and causal inference: from marginal structural cox to additive hazards model and beyond | |
| WO2021076652A1 (en) | Method for enhancing patient compliance with a medical therapy plan and mobile device therefor | |
| Venkatesh et al. | An automatic diagnostic model for the detection and classification of cardiovascular diseases based on swarm intelligence technique | |
| Hu | A Recurrent Network Approach to G-Computation for Sepsis Outcome Prediction Under Dynamic Treatment Regimes | |
| Li et al. | A patient similarity network (CHDmap) to predict outcomes after congenital heart surgery: development and validation study | |
| CN115762698B (zh) | 一种医疗慢病检查报告数据提取方法及系统 | |
| US20240212865A1 (en) | Skill learning for dynamic treatment regimes |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210423 |
|
| WD01 | Invention patent application deemed withdrawn after publication |