CN113302701A - 用于确定个体转移到急诊科的风险的数据处理系统及方法 - Google Patents

用于确定个体转移到急诊科的风险的数据处理系统及方法 Download PDF

Info

Publication number
CN113302701A
CN113302701A CN201980090421.9A CN201980090421A CN113302701A CN 113302701 A CN113302701 A CN 113302701A CN 201980090421 A CN201980090421 A CN 201980090421A CN 113302701 A CN113302701 A CN 113302701A
Authority
CN
China
Prior art keywords
individual
status
data processing
processing system
emergency department
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
Application number
CN201980090421.9A
Other languages
English (en)
Inventor
雅克-亨利·韦龙
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.)
Ya Ke HengliWeilong
Original Assignee
Ya Ke HengliWeilong
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 Ya Ke HengliWeilong filed Critical Ya Ke HengliWeilong
Publication of CN113302701A publication Critical patent/CN113302701A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Alarm Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种用于确定个体（110）即将转移到急诊科的风险因素的数据处理系统（100），该数据处理系统包括数据库（122），该数据库存储一组人员中的每个人员的多个状态记录，每个状态记录注有日期并且包括监测指标列表，每项指标具有根据对应人员的状态从两个预定值的列表中选择的值。该系统（100）还包括用于通过使用其参数（230）已经预先生成的机器学习算法分析根据该个体（110）的状态填写的该个体（110）的多个状态记录来确定该风险因素的装置（128）。本发明还涉及一种用于确定该个体（110）即将转移到急诊科的风险因素的数据处理方法（200）。

Description

用于确定个体转移到急诊科的风险的数据处理系统及方法
技术领域
本发明的领域是计算机领域。
更具体地，本发明涉及用于确定个体转移到急诊科的风险的数据处理系统及方法。
具体地，本发明应用于监测自主居家的非医疗人员（更具体地，老年人）。通常，由本发明的系统监测的人员具有若干种病状。
背景技术
用于远程监测个体状况的技术是现有技术中已知的。
通常，此类技术基于使用传感器测量个体的心率、血压、体温、血液中的血氧或血糖水平等中至少一项生理数据。
这些技术的主要缺点在于其需要定期记录这些生理数据使数据处理更为可靠地确定个体的状况。
该定期记录可以进一步证明对个体非常具有针对性，甚至需要医疗护理人员的定期干预以进行更多技术操作，如随后分析血液样品。
此外，由于医疗保健专业人员必须分析大量个体的生理数据，因此监测处于风险中的人群对于他们来说是繁琐的。
为了方便医疗保健专业人员的工作，特别是基于大规模生理数据进行统计分析的工作，目前已经提出了自动数据处理技术。
通常，此类技术专用于预测特定病状，但用于确定具有多种病状的个体立即入住急诊科的风险，被证明是不可靠的。
当前的系统都无法同时解决所有需求，即提供可靠的并且仅针对个体的技术，用于更高效地确定七天内将具有若干种病状的个体立即转移到急诊科的风险。
发明内容
使用用于确定个体即将转移到急诊科的风险因素的数据处理系统实现这些目的以及以后才会出现的其他目的。
本发明的目的是使得能够以高于50%，优选地至少65%，更优选地高于70%的预测性能预测在接下来的七天内将个体转移到急诊科。
这种系统通常包括设置有微处理器和计算机存储器的计算机服务器。
根据本发明，数据处理系统还包括：
-一个存储一组人员中的每个人员的多个状态单的数据库和一个存储该组人员转移到急诊科的日期的数据库，每个状态单注有日期并且包括监测指标列表，每项指标具有根据对应人员的状态在两个预定值的列表中选择的值；
-一个用于生成自动学习计算机算法的参数的装置，该自动学习计算机算法的参数通过状态单和该组人员转移到急诊科的日期生成；
-一个用于填写个体的状态单的装置，状态单包括监测指标列表，每项指标具有根据个体的状态在两个预定值的列表中选择的值；
-一个用于确定风险因素的装置，该装置凭借其参数已经预先生成的自动学习算法通过对个体的多个状态单的分析来确定风险因素，个体的状态单是在不同时间点建立的；
-一个用于当风险因素超过预定阈值时生成警告的装置。
因此，可以预测在即将到来的时间段内（通常在接下来的七天内）转移到急诊科的风险。
应该强调的是，风险因素的确定是在没有对个体的生理数据进行任何分析的情况下进行的，这些生理数据不包括在状态单中。此外，风险因素的值不提供关于个体的病状的任何指示。
状态单通常包括多项监测指标，其值可以由个体、助手或同伴确定，而不需要任何先验医疗知识。可能的值通常由正值（例如：“是”）和负值（例如：“否”）组成。换言之，这些监测指标是根据对个体的观察确定的。
因此，对人员的状况的监测易于实施并且仅具有针对性。
此外，由非常大量的状态单和之前转移到急诊科的记录生成的参数通过分析定期记录（例如，每周或一周两到三次）的状态单的演变来确定个体的风险因素。
应该强调的是，监测的个体通常是很少仅有一种病状而是同时有若干种病状的老年人，这增加了转移到急诊科的风险因素。
通过使用具有有限数量的可能值的指标，因此可以凭借大规模分析推断出个体转移到急诊科的风险因素。
警告可以是文本（如旨在用于从业者的消息）的形式、光的形式和/或声音的形式，该从业者因此可以监测个体的状况而无需定期出行。例如，预定阈值可以在40%、50%或60%的范围内。
还可以根据风险因素来确定风险指标，以指示风险是否相当大、是否需要警惕或风险是否较低。
还应该强调的是，本发明由计算机实施，该计算机允许在短时间段内处理非常大量的数据（通常是超过几十项数据）。该自动处理允许确定自动学习计算机算法的参数，这些参数将用于确定在不久的将来转移到急诊科的风险因素。
有利地，每个状态单的列表中的监测指标在以下各项中选择：
-与个体的健康状况有关的指标，如：
A1. 个体腿部肿胀；
A2. 个体呼吸困难；
A3. 个体发热；
A4. 个体疼痛；
-关系型指标，如：
B1. 个体性格冷漠；
B2. 个体不善言谈；
B3. 个体自至少七天以来独自生活；
B4. 个体联系或探访过自己的随行人员；
-行为型指标，如：
C1. 个体拒绝如厕帮助；
C2. 个体未认出同伴；
C3. 个体忘记同伴何时已来探访；
C4. 个体言辞不一致；
C5. 个体有攻击性；
C6. 个体情绪悲伤；
C7. 个体在不适当的位置储存物体；
C8. 个体看上去疲惫；
C9. 个体拒绝同伴的干预；
-表示个体的身体能力和感官能力的指标，如：
D1. 个体站立；
D2. 个体在家中移动；
D3. 个体清洗自己；
D4. 个体准备膳食；
D5. 个体离家；
D6. 个体进食；
D7. 个体跌倒。
这些指标可以伴有涉及助手的指标，如：
E1. 助手情绪悲伤；
E2. 助手精疲力尽。
有利地，监测指标中的全部或一部分与一个子指标相关联，该子指标表明与上次状态单相比所述指标的演变。在三个值中选择子指标，这三个值通常对应于状态的改善、状态的稳定和状态的恶化。
优选地，每个状态单的监测指标的列表包括至少四项监测指标。
换言之，用于确定转移到急诊科的风险因素的数据分析是针对至少四项监测指标进行的。
更优选地，每个状态单的监测指标的列表包括至少九项监测指标。
有利地，每个状态列表的监测指标的列表是相同的。
优选地，每个状态单的监测指标的列表包括以下九项监测指标中的全部或一部分：
A2. 个体呼吸困难；
A3. 个体发热；
A4. 个体疼痛；
B2. 个体不善言谈；
B4. 个体联系或探访过自己的随行人员；
C6. 个体情绪悲伤；
D2. 个体在家中移动；
D4. 个体准备膳食；
D7. 个体跌倒。
有利地，每个状态单的监测指标的列表包括至少十项监测指标，该至少十项监测指标包括：
A2. 个体呼吸困难；
A3. 个体发热；
A4. 个体疼痛；
B2. 个体不善言谈；
B4. 个体联系或探访过自己的随行人员；
C6. 个体情绪悲伤；
C7. 个体在不适当的位置储存物体；
D2. 个体在家中移动；
D4. 个体准备膳食；
D7. 个体跌倒。
在本发明的特定实施方式中，数据处理系统还包括一个用于填写状态单的设备。
用于填写状态单的设备可以是设置有用于与计算机服务器通信的装置的便携式计算机终端，如智能电话或平板计算机。
应该强调的是，计算机服务器通常不在个体家中而是位于远程位置。通常通过互联网网络和/或移动电信网络进行通信。
在本发明的特定实施方式中，数据处理系统还包括向收集终端传输数据的至少一个传感器，收集终端被配置成处理数据并且与计算机服务器通信。
为此，传感器通常包括蓝牙或Wi-Fi类无线通信装置，以传输获取的数据。
收集终端通常包括一个微处理器、一个用于存储传输的数据的计算机存储器和一个用于与计算机服务器通信的装置。
有利地，传感器是用于检测移动的传感器。
这种传感器可以是存在传感器、相机或红外相机。
因此，根据（多个）传感器的定位，可以自动确定指标D1至D7中的全部或一部分。
在移动检测传感器是相机或红外相机的情况下，图像的处理通常由该收集终端进行。
有利地，传感器是与固定到物体的RFID或NFC标签协作的RFID型（“Radio Frequency Identification（射频识别）”的首字母缩写词）传感器或NFC型（“Near-Field Communication（近场通信）”的首字母缩写词）传感器。
一旦检测到被监测物体之一被储存在不寻常的位置处，指标C7就自动取正值。
被监测物体通常是个体常用的物体，如一双拖鞋、一副眼镜、牙科器具、助听器、电话或遥控器。
在本发明的特定实施方式中，传感器是重量传感器。
因此，可以通过检测不寻常的重量来估计人员的重量的演变。
在本发明的特定实施方式中，数据处理系统还包括存储地理定位的并且注有日期的流行病学信息的数据库，这些流行病学信息涉及群体的体温、流感样疾病和/或急性腹泻疾病。
因此，可以改进自动学习计算机算法的参数的生成。
根据第二方面，本发明涉及一种用于预测个体即将转移到急诊科的风险因素的数据处理方法。
这种方法包括学习阶段和分析阶段。
学习阶段包括以下步骤：
-获取一组人员中的每个人员的多个状态单，每个状态单注有日期并且包括对应人员的多项监测指标，每项指标具有在两个预定值的列表中选择的值；
-获取该组人员转移到急诊科的日期；
-分析状态单和该组中的人员中的全部或一部分转移到急诊科的日期；
-从先前分析生成自动学习计算机算法的参数。
分析阶段包括以下步骤：
-在不同时间点获取个体的多个状态单，每个状态单包括个体的多项监测指标，每项指标具有在两个预定值的列表中选择的值；
-根据其参数在学习阶段已经生成的自动学习计算机算法对个体的状态单在预定时间段内的演变的分析来确定表示在未来几天内个体即将转移到急诊科的风险的值，该值被称为风险因素；
-当风险因素超过预定阈值时生成警告。
在本发明的特定实施方案中，学习阶段的分析步骤还考虑了地理定位的流行病学信息。
在本发明的特定实施方案中，数据处理方法还包括记录状态单和个体转移到急诊科的日期并且更新自动学习计算机算法的参数的步骤。
本发明还涉及一种计算机程序产品，其实施根据先前实施方案模式中任一项所述的数据处理方法。
附图说明
本发明的其他优点、目的和特定特征将从以下参考附图对本发明的设备目的的至少一个特定实施方式的非限制性描述中显现出来，在附图中：
-图1是根据本发明的处理系统的简化图；
-图2是由图1的处理系统实施的处理方法的流程图；
-图3包括六个图表，示出了根据不同指标组合对通过图2的方法获得的预测结果进行比较的示例。
具体实施方式
本描述以非限制性方式提供，一个实施方式的每个特征可以有利地与任何其他实施方式的任何其他特征组合。
到目前为止，应注意到，附图不是按比例绘制的。
本发明的特定实施方式的示例
图1是用于确定个体110即将转移到急诊科的风险因素的数据处理系统100的简化图。
数据处理系统100包括计算机服务器120，该计算机服务器设置有微处理器和计算机存储器，该计算机存储器中存储了自动学习计算机算法，该算法允许确定表示个体110在不久的将来（通常对应于接下来的七天）入住急诊科的风险的值。后文将该值称为风险因素。
应该强调的是，自动学习计算机算法通常是在自动学习技术中选择的，在术语“机 器学习”下更广为人知，如“随机森林”类型算法。
具体地，通过分析个体110的状态单的演变，以棘手且令人惊讶的方式进行风险因素的确定，每个状态单在不同的时间点建立并且包括个体的多项监测指标，每项指标具有在两个预定值的列表中选择的值，该两个预定值通常是正值（“是”）和负值（“否”）。
应该强调的是，状态单尤其没有个体110的任何生理数据，这些状态单可以由任何人填写。因此，例如，每个状态单可以由个体110的助手115填写。应该强调的是，个体110的同伴可以代替助手115填写状态单。
每个状态单包括监测指标列表，这些监测指标通常在以下整个监测指标列表中选择：
-与个体的健康状况有关的指标，如：
A1. 个体腿部肿胀；
A2. 个体呼吸困难；
A3. 个体发热；
A4. 个体疼痛；
-关系型指标，如：
B1. 个体性格冷漠；
B2. 个体不善言谈；
B3. 个体自至少七天以来独自生活；
B4. 个体联系或探访过自己的随行人员；
-行为型指标，如：
C1. 个体拒绝如厕帮助；
C2. 个体未认出同伴；
C3. 个体忘记同伴何时已来探访；
C4. 个体言辞不一致；
C5. 个体有攻击性；
C6. 个体情绪悲伤；
C7. 个体在不适当的位置储存物体；
C8. 个体看上去疲惫；
C9. 个体拒绝同伴的干预；
-表示个体的身体能力和感官能力的指标，如：
D1. 个体站立；
D2. 个体在家中移动；
D3. 个体清洗自己；
D4. 个体准备膳食；
D5. 个体离家；
D6. 个体进食；
D7. 个体跌倒。
这些指标可以伴有涉及助手的指标，如：
E1. 助手情绪悲伤；
E2. 助手精疲力尽。
应该强调的是，每项指标表示一种状态，并且可以使用一项或若干项指标的等效形式，而不会对获得的结果产生任何显著改变。
十分有利地，状态单包括以下九项监测指标的列表的全部或一部分：
A2. 个体呼吸困难；
A3. 个体发热；
A4. 个体疼痛；
B2. 个体不善言谈；
B4. 个体联系或探访过自己的随行人员；
C6. 个体情绪悲伤；
D2. 个体在家中移动；
D4. 个体准备膳食；
D7. 个体跌倒。
通过分析这九项监测指标的联合演变，非常令人惊讶的是，可以按在70%的范围内的预测率预测个体110在接下来的七天内会否转移到急诊科，这使得个体110获得非常快速的支持，由此避免个体的状况变得更差。稍后将更详细地描述图3A中展示的九项指标组合的预测性能。应该强调的是，当考虑了这九项监测指标，未来十四天内转移到急诊科的预测率在63%的范围内。
在本发明的该特定实施方式的变体中，状态单包括以下十项监测指标的列表：
A2. 个体呼吸困难；
A3. 个体发热；
A4. 个体疼痛；
B2. 个体不善言谈；
B4. 个体联系或探访过自己的随行人员；
C6. 个体情绪悲伤；
C7. 个体在不适当的位置储存物体；
D2. 个体在家中移动；
D4. 个体准备膳食；
D7. 个体跌倒。
在这些变体中，关于包括九项指标的列表已经添加了指标C7，这提升了对转移到急诊科的风险的预测。
应该强调的是，列表九项或十项监测指标构成了本发明的非限制性示例，并且在整个监测指标列表中至少九项指标的其他组合可以获得类似的预测结果。
此外，在仅填写了状态单以下四项指标的情况下：
A3. 个体发热；
B4. 个体联系或探访过自己的随行人员；
D2. 个体在家中移动；以及
D4. 个体准备膳食，
转移到急诊科的预测性能在55%的范围内。当指标A4“个体疼痛”被添加到四项指标的该列表中时，预测性能类似。图3B中展示了五项指标的该组合的预测性能。
状态单中的监测指标中的全部或一部分可以与指示精确度的子指标相关联，该精确度与所述监测指标有关，即与对状态单的上次填写相比，所述指标的状态对象的演变。在三个值中选择子指标，这三个值通常对应于状态的改善（例如：“更好”）、状态的稳定（例如：“相同”）和状态的恶化（例如：“不那么好”）。该子指标允许添加另一个维度，该维度是关于该指标的值在两个连续填写的状态单之间尚未修改的。
子指标通常与监测指标A1至A4、B1、C8、D2、D6和/或D7相关联。
凭借子指标的使用，还可以改进对个体110转移到急诊科的风险的预测。
助手115或同伴还可以在状态单上指示其一般感觉，即，个体110是否比上次更好或不那么好或者个体的健康似乎与上次相同。
计算机服务器120连接到存储针对一组人员预先建立的状态单的数据库122和存储该组人员转移到急诊科的日期的数据库124。
从状态单和该组人员转移到急诊科的日期，自动学习计算机算法的参数由用于生成所述参数的装置126生成。为此，计算机服务器120可以被配置成生成所述参数。
为了预测转移到急诊科的风险，数据处理系统100包括用于凭借其参数已经预先生成的自动学习算法通过对个体110的多个状态单的分析来确定风险因素的装置128。
一旦风险因素的值超过预定阈值，就由装置130生成警告，该装置130用于生成数据处理系统100的警告。具体地，该警告可以是发送到干预平台140的文本消息，用以快速接管个体110。
为了定期填写状态单，系统100包括用于填写状态单的设备150，该设备通常是助手115使用的智能电话或平板计算机。
有利地，在本发明的当前非限制性示例中，系统100还包括用于检测移动的至少一个传感器155，至少一个传感器安装在个体110的家中，从而可根据（多个）传感器155的定位检测个体是否站立、个体是否跌倒、个体是否在家中移动或个体是否离家。根据（多个）传感器的数据，还可以确定个体110在家中的哪个房间里，例如个体是在房间、客厅、浴室还是厨房。
因此，可以自动确定监测指标D1至D7中的全部或一部分。
在本发明的该特定实施方式的变体中，系统包括相机，其数据处理允许可确定个体110的移动。面部识别算法也可以用于区分两个个体。
系统100还可以包括可检测物体是否储存在不寻常的位置处的设备160。该设备160可以包括RFID传感器，该传感器可检测RFID标签所固定到的物体的存在和/或定位。
然后可以自动确定监测指标C7。
在本发明的该特定实施方式的变体中，设备160是基于传感器与NFC标签标签而非RFID标签的组合。
为了收集源自填写设备150、传感器155和/或检测设备160的数据并将这些数据传输到计算机服务器120，系统100还包括收集终端170，该收集终端包括用于接收这些数据的无线通信装置。
之后，收集终端170将由助手115填写、并且可能部分自动地根据源自传感器155和/或检测设备160的数据的状态单传输到记录与个体110相关联的状态单的计算机服务器120，同时给该状态单加时间戳。
有利地，收集终端170可以包括可对规则间隔内填写和发送状态单进行配置的时钟。
应该强调的是，状态单可以仅部分地填写有至少上述九项或十项监测指标，即，监测指标A2、A3、A4、B2、B4、C6、D2、D4和D7以及可能C7。实际上，可以基于这九项或十项监测指标来确定个体110转移到急诊科的风险因素。
一旦记录了个体110的四个状态单，就可以通过其参数已经预先生成的自动学习计算机算法来进行对监测指标的演变的分析。
为了改进对在不久的将来转移到急诊科的预测，数据处理系统100还包括存储地理定位的并且注有日期的流行病学信息的数据库180，这些流行病学信息涉及群体的体温、流感样疾病和/或急性腹泻疾病。
通过将该数据库180的数据与该组人员的状态单以及向急诊科的转移相关，可以改进学习计算机算法的参数的生成并且提高对个体110转移到急诊科的风险的预测的质量。
为了更进一步改进对转移到急诊科的风险的确定，数据处理系统100还可以包括存储一组人员中的每个人员的信息单的数据库185，每个人员的至少一个状态单存储在数据库122中和/或转移到急诊科的至少一个日期存储在数据库124中。每个信息单包括人员的年龄、根据人员失去自主能力的阶段将人员分类到等资源组（GIR）的分类、与人员相关联的帮助计划以及该人员可能的医疗处方。帮助计划通常指示人员是否需要家庭护理助手、流动供膳车递送、管家以及可能的技术帮助，如轮椅、手杖、助行器或医疗保健床。
应该强调的是，状态单通常记录在数据库122中。
此外，一旦个体110已经被转移到急诊科，个体110转移到急诊科的日期就被记录在数据库124中。
然后可以在考虑个体110转移到急诊科的日期的同时进行计算机算法的参数的更新。
图2以流程图的形式展示了由数据处理系统100实施的数据处理方法200。
数据处理方法200包括两个主要阶段：学习阶段210和处理阶段250。
学习阶段210包括获取该组人员中的每个人员的多个状态单的第一步骤211和获取同一组人员转移到急诊科的日期的第二步骤212。
之后，在阶段210的第三步骤213期间，分析与该组的全部或部分人员转移到急诊科的日期相关的状态单。
该分析可在第四步骤214期间生成自动学习计算机算法的参数。
为了改进对参数的确定，在本发明的当前非限制性示例中，在步骤213处进行的分析还考虑了存储在数据库180中的地理定位的流行病学信息。
之后，在处理阶段250期间，使用在步骤214期间生成的参数，该处理阶段包括获取个体110的多个状态单的第一步骤251。
之后，在其参数已经在学习阶段210期间生成的自动学习计算机算法的第二步骤252期间分析这些状态单的演变，以确定表示在不久的将来转移到急诊科的风险因素的值。
当风险因素超过预定阈值时，在第四步骤254期间生成警告。
如果个体110入住急诊科（由条件260表示），方法200则可以有利地更新自动学习计算机算法的参数。
为此，方法200包括在数据库122和124中分别记录状态单和个体110转移到急诊科的日期的步骤270。
然后再次进行学习阶段的步骤213和214以更新计算机算法的参数。
图3展示了基于不同指标组合的分析结果的比较示例。
换言之，当分析基于确定的指标组合时，执行参数分析213和参数生成214，该参数为学习阶段210中执行的算法的参数，同时仅考虑状态单上该组合中的指标。如果状态单包括其他指标，则不考虑这些指标，这相当于状态单仅包括确定的指标组合。
该方法还执行确定风险因素的值的步骤，该步骤通过在处理阶段250期间执行对个体110的状态单的分析252来进行，同时仅考虑确定的组合中的指标。
图3包括六个图表，表示为6A至6F，每个图表对应于指标组合。
每个图表包括两条曲线ROC（“接受者操作特征”的首字母缩写词），其可通过将真阳性率（即，有效检测到的阳性的部分）表示为假阳性率（错误地检测到的阴性的部分）的函数来表征二进制分类器的性能。
在每个图表中，纵坐标中为真阳性率（在图3中由术语“真阳性率”指示），而横坐标中为假阳性率（在图3中由术语“假阳性率”指示）。
此外，曲线“训练ROC”展示了学习阶段210，在该学习阶段期间，根据对存储在数据库122中的状态单的分析的算法的参数。
曲线“测试ROC”进而展示了处理阶段250，在该处理阶段期间，计算了表示个体110转移到急诊科的风险的值。为了建立曲线，对随机选择的多个个体110进行该分析，以通过将获得的风险因素值与存储在数据库124中的到急诊科的实际转移进行比较来计算由位于曲线“测试ROC”下方的面积表示的预测性能。
为此，本示例中已经通过从存储在数据库124中的实际数据定义两个队列计算了曲线“训练ROC”和“测试ROC”。对应于在数据库122和124中登记的人员中的70%的第一队列用于建立曲线“训练ROC”。而对应于在数据库122和124中登记的人员中的30%的第二队列用于建立曲线“测试ROC”。
图3A中表示的图表对应于这九项指标的组合：
A2. 个体呼吸困难；
A3. 个体发热；
A4. 个体疼痛；
B2. 个体不善言谈；
B4. 个体联系或探访过自己的随行人员；
C6. 个体情绪悲伤；
D2. 个体在家中移动；
D4. 个体准备膳食；
D7. 个体跌倒。
应该强调的是，对应于图3A的曲线“测试ROC”的曲线310的原点处的斜率几乎是竖直的，这表明在数据处理方法200中使用九项指标的组合来确定即将转移到急诊科的风险因素的优点。实际上，该竖直斜率表明有效地检测到分析的前100个体中的大多数对象被转移到急诊科。因此，这些个体可以通过医疗保健服务非常快速地得到照顾。
图3B中表示的图表对应于这五项指标的组合：
A3. 个体发热；
A4. 个体疼痛；
B4. 个体联系或探访过自己的随行人员；
D2. 个体在家中移动；
D4. 个体准备膳食。
获得的预测性能在54%的范围内，其中斜率在原点处也是竖直的。
图3C中表示的图表对应于这九项指标的组合：
A4. 个体疼痛；
B1. 个体性格冷漠；
B2. 个体不善言谈；
C1. 个体拒绝如厕帮助；
C2. 个体未认出同伴；
C6. 个体情绪悲伤；
D7. 个体跌倒；
E1. 助手情绪悲伤；
E2. 助手精疲力尽。
用该组合获得的预测性能为53%。
图3D中表示的图表对应于这八项指标的组合：
A1. 个体腿部肿胀；
A2. 个体呼吸困难；
A3. 个体发热；
B2. 个体不善言谈；
B4. 个体联系或探访过自己的随行人员；
D2. 个体在家中移动；
D4. 个体准备膳食；
D7. 个体跌倒。
用该组合获得的预测性能为52%。
图3E中表示的图表对应于这八项指标的组合：
A2. 个体呼吸困难；
A4. 个体疼痛；
C1. 个体拒绝如厕帮助；
C6. 个体情绪悲伤；
C8. 个体看上去疲惫；
D2. 个体在家中移动；
D4. 个体准备膳食；
D7. 个体跌倒。
当以该组合为分析基础时获得的预测性能为53%。
图3F中表示的图表对应于这六项指标的组合：
A1. 个体腿部肿胀；
A2. 个体呼吸困难；
A3. 个体发热；
A4. 个体疼痛；
B3. 个体自至少七天以来独自生活；
D7. 个体跌倒。
当以该组合为分析基础时获得的预测性能为56%。

Claims (14)

1.一种用于确定个体（110）即将转移到急诊科的风险因素的数据处理系统（100），该数据处理系统包括设置有微处理器和计算机存储器的计算机服务器（120），其特征在于该数据处理系统还包括：
-一个存储一组人员中的每个人员的多个状态单的数据库（122）和一个存储将该组人员转移到急诊科的日期的数据库（124），每个状态单注有日期并且包括监测指标列表，每项指标具有根据对应人员的状态在两个预定值的列表中选择的值；
-一个用于生成自动学习计算机算法的参数的装置（126），该自动学习计算机算法的参数通过所述状态单和该组人员转移到急诊科的日期生成；
-一个用于填写该个体（110）的状态单的装置（150），该状态单包括该监测指标列表，每项指标具有根据该个体（110）的状态在两个预定值的列表中选择的值；
-一个用于确定风险因素的装置（128），该装置凭借其参数（230）已经预先生成的自动学习算法通过对该个体（110）的多个状态单的分析来确定风险因素，该个体的所述状态单是在不同时间点建立的；
-一个用于当该风险因素超过预定阈值时生成警告的装置（130）。
2.根据权利要求1所述的数据处理系统，其中，每个状态单的该监测指标列表中的所述监测指标在以下各项中选择：
-与该个体的健康状况有关的指标，所述指标包括：
A1. 该个体腿部肿胀；
A2. 该个体呼吸困难；
A3. 该个体发热；
A4. 该个体疼痛；
-关系型指标，所述关系型指标包括：
B1. 该个体性格冷漠；
B2. 该个体不善言谈；
B3. 该个体自至少七天以来独自生活；
B4. 该个体联系或探访过自己的随行人员；
-行为型指标，所述行为型指标包括：
C1. 该个体拒绝如厕帮助；
C2. 该个体未认出同伴；
C3. 该个体忘记同伴何时已来探访；
C4. 该个体言辞不一致；
C5. 该个体有攻击性；
C6. 该个体情绪悲伤；
C7. 该个体在不适当的位置储存物体；
C8. 该个体看上去疲惫；
C9. 该个体拒绝同伴的干预；
-表示该个体的身体能力和感官能力的指标，所述指标包括：
D1. 该个体站立；
D2. 该个体在家中移动；
D3. 该个体清洗自己；
D4. 该个体准备膳食；
D5. 该个体离家；
D6. 该个体进食；
D7. 该个体跌倒。
3.根据权利要求2所述的数据处理系统，其中，所述监测指标中的全部或一部分与指示精确度的子指标相关联，该精确度与该状态单的上一次填写有关的所述指标相关，该子指标在三个值中选择。
4.根据权利要求1至3中任一项所述的数据处理系统，其中，每个状态单的所述监测指标列表包括至少九项监测指标。
5.根据权利要求1至4中任一项所述的数据处理系统，其中，每个状态单的所述监测指标列表包括以下九项监测指标中的全部或一部分：
A2. 该个体呼吸困难；
A3. 该个体发热；
A4. 该个体疼痛；
B2. 该个体不善言谈；
B4. 该个体联系或探访过自己的随行人员；
C6. 个体情绪悲伤；
D2. 该个体在家中移动；
D4. 该个体准备膳食；
D7. 该个体跌倒。
6.根据权利要求1至4中任一项所述的数据处理系统，其中，每个状态单的所述监测指标列表包括至少十项监测指标，所述至少十项监测指标包括：
A2. 该个体呼吸困难；
A3. 该个体发热；
A4. 该个体疼痛；
B2. 该个体不善言谈；
B4. 该个体联系或探访过自己的随行人员；
C6. 个体情绪悲伤；
C7. 该个体在不适当的位置储存物体；
D2. 该个体在家中移动；
D4. 该个体准备膳食；
D7. 该个体跌倒。
7.根据权利要求1至6中任一项所述的数据处理系统，还包括向收集终端（170）传输数据的至少一个传感器，该收集终端被配置成处理所述数据并且与该计算机服务器通信。
8.根据权利要求7所述的数据处理系统，其中，所述至少一个传感器是用于检测移动的传感器（155）。
9.根据权利要求7至8中任一项所述的数据处理系统，其中，所述至少一个传感器是与固定到物体的RFID或NFC标签协作的RFID型传感器或NFC型传感器。
10.根据权利要求7至9中任一项所述的数据处理系统，其中，所述至少一个传感器是重量传感器。
11.根据权利要求1至10中任一项所述的数据处理系统，还包括存储地理定位的并且注有日期的流行病学信息的数据库（180），所述流行病学信息涉及群体的体温、流感样疾病和/或急性腹泻疾病。
12.一种用于确定个体（110）即将转移到急诊科的风险因素的数据处理方法（200），该方法由根据权利要求1至11中任一项所述的处理系统实施，所述方法包括学习阶段（210）和处理阶段（250），该学习阶段包括以下步骤：
-获取（211）一组人员中的每个人员的多个状态单，每个状态单注有日期并且包括对应人员的多项监测指标，每项指标具有在两个预定值的列表中选择的值；
-获取（212）所述组人员转移到急诊科的日期；
-分析（213）所述状态单和该组中的人员中的全部或一部分转移到急诊科的日期；
-基于先前分析生成（214）自动学习计算机算法的参数（230）；
该处理阶段包括以下步骤：
-在不同时间点获取（251）该个体（110）的多个状态单，每个状态单包括该个体（110）的多项监测指标，每项指标具有在两个预定值的列表中选择的值；
-根据其参数（230）在该学习阶段已经生成的该自动学习计算机算法对该个体的所述状态单在预定时间段内的演变的分析（252），来确定表示在未来几天内该个体（110）即将转移到急诊科的风险的值，该值被称为风险因素；
-当该风险因素超过预定阈值时生成（254）警告。
13.根据权利要求12所述的方法，其中，该学习阶段的该分析步骤（213）还考虑了地理定位的流行病学信息。
14.根据权利要求12至13中任一项所述的方法，还包括记录所述状态单和该个体（110）转移到急诊科的日期并且更新该自动学习计算机算法的所述参数的步骤（270）。
CN201980090421.9A 2018-11-29 2019-11-18 用于确定个体转移到急诊科的风险的数据处理系统及方法 Pending CN113302701A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1872055A FR3089331B1 (fr) 2018-11-29 2018-11-29 Système et procédé de traitement de données pour la détermination du risque d’un passage aux urgences d’un individu
FR1872055 2018-11-29
PCT/EP2019/081658 WO2020109058A1 (fr) 2018-11-29 2019-11-18 Systeme et procede de traitement de donnees pour la determination du risque d'un passage aux urgences d'un individu

Publications (1)

Publication Number Publication Date
CN113302701A true CN113302701A (zh) 2021-08-24

Family

ID=66049283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980090421.9A Pending CN113302701A (zh) 2018-11-29 2019-11-18 用于确定个体转移到急诊科的风险的数据处理系统及方法

Country Status (5)

Country Link
US (1) US20220068488A1 (zh)
EP (1) EP3888031A1 (zh)
CN (1) CN113302701A (zh)
FR (1) FR3089331B1 (zh)
WO (1) WO2020109058A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024068953A1 (fr) 2022-09-30 2024-04-04 Presage Système de télésurveillance d'un individu potentiellement âgé dans un environnement quotidien

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030187615A1 (en) * 2002-03-26 2003-10-02 John Epler Methods and apparatus for early detection of health-related events in a population
US20120296621A1 (en) * 2011-05-20 2012-11-22 University Health Network Device and method for prediction of acute heart failure mortality
US20150112710A1 (en) * 2012-06-21 2015-04-23 Battelle Memorial Institute Clinical predictive analytics system
WO2016010997A1 (en) * 2014-07-16 2016-01-21 Parkland Center For Clinical Innovation Client management tool system and method
US20160357930A1 (en) * 2013-03-12 2016-12-08 Humana Inc. Computerized system and method for identifying members at high risk of falls and fractures
US20170124852A1 (en) * 2014-06-11 2017-05-04 Koninklijke Philips N.V. Personal emergency response system with predictive emergency dispatch risk assessment

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7941326B2 (en) * 2001-03-14 2011-05-10 Health Hero Network, Inc. Interactive patient communication development system for reporting on patient healthcare management
US5724983A (en) * 1994-08-01 1998-03-10 New England Center Hospitals, Inc. Continuous monitoring using a predictive instrument
JP5219322B2 (ja) * 2000-02-14 2013-06-26 クリニカル ディシジョン サポート，エルエルシー 自動診断システムおよび方法
US20110295621A1 (en) * 2001-11-02 2011-12-01 Siemens Medical Solutions Usa, Inc. Healthcare Information Technology System for Predicting and Preventing Adverse Events
US8949082B2 (en) * 2001-11-02 2015-02-03 Siemens Medical Solutions Usa, Inc. Healthcare information technology system for predicting or preventing readmissions
US7260480B1 (en) * 2003-04-07 2007-08-21 Health Hero Network, Inc. Method and system for integrating feedback loops in medical knowledge development and healthcare management
US20060294108A1 (en) * 2005-04-14 2006-12-28 Adelson Alex M System for and method of managing schedule compliance and bidirectionally communicating in real time between a user and a manager
EP1976433B1 (en) * 2006-01-07 2011-03-09 Arthur Koblasz Using rfid to prevent or detect falls, wandering, and bed egress and medication errors
US9968266B2 (en) * 2006-12-27 2018-05-15 Cardiac Pacemakers, Inc. Risk stratification based heart failure detection algorithm
US8970381B2 (en) * 2008-08-06 2015-03-03 The Quantum Group, Inc. System and method for coordinated health monitoring, emergency response, and medical record delivery
WO2011103346A1 (en) * 2010-02-17 2011-08-25 Carematix, Inc. Systems and methods for providing personalized health care
US10943676B2 (en) * 2010-06-08 2021-03-09 Cerner Innovation, Inc. Healthcare information technology system for predicting or preventing readmissions
US8704669B2 (en) * 2010-11-08 2014-04-22 Ford Global Technologies, Llc Vehicle system reaction to medical conditions
US9251685B2 (en) * 2011-02-17 2016-02-02 International Business Machines Corporation System and method for medical diagnosis using geospatial location data integrated with biomedical sensor information
US20130127620A1 (en) * 2011-06-20 2013-05-23 Cerner Innovation, Inc. Management of patient fall risk
WO2014028888A2 (en) * 2012-08-16 2014-02-20 Ginger.io, Inc. Method for modeling behavior and health changes
CA2908609A1 (en) * 2013-05-03 2014-11-06 Georgia State University Research Foundation, Inc. Systems and methods for supporting hospital discharge decision making
US20150081328A1 (en) * 2013-09-18 2015-03-19 University Of Pittsburgh - Of The Commonwealth System Of Higher Education System for hospital adaptive readmission prediction and management
US10726954B2 (en) * 2015-04-22 2020-07-28 Reciprocal Labs Corporation Predictive modeling of respiratory disease risk and events
US20180052967A1 (en) * 2015-05-07 2018-02-22 Connance, Inc. Managing data communications for a healthcare provider
US10726097B2 (en) * 2015-10-16 2020-07-28 Carefusion 303, Inc. Readmission risk scores
US20170161614A1 (en) * 2015-12-07 2017-06-08 Rapidsos, Inc. Systems and methods for predicting emergency situations
US20170242973A1 (en) * 2016-02-18 2017-08-24 The Johns Hopkins University E-triage: an electronic emergency triage system
WO2018039142A1 (en) * 2016-08-22 2018-03-01 Rapidsos, Inc. Predictive analytics for emergency detection and response management
US10568703B2 (en) * 2016-09-21 2020-02-25 Verb Surgical Inc. User arm support for use in a robotic surgical system
WO2018160929A1 (en) * 2017-03-03 2018-09-07 Rush University Medical Center Patient predictive admission, discharge, and monitoring tool
EP3634204A4 (en) * 2017-07-28 2021-01-20 Google LLC SYSTEM AND METHOD FOR PREDICTING AND RECAPITULATING MEDICAL EVENTS FROM ELECTRONIC HEALTH RECORDS
US11147459B2 (en) * 2018-01-05 2021-10-19 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030187615A1 (en) * 2002-03-26 2003-10-02 John Epler Methods and apparatus for early detection of health-related events in a population
US20120296621A1 (en) * 2011-05-20 2012-11-22 University Health Network Device and method for prediction of acute heart failure mortality
US20150112710A1 (en) * 2012-06-21 2015-04-23 Battelle Memorial Institute Clinical predictive analytics system
US20160357930A1 (en) * 2013-03-12 2016-12-08 Humana Inc. Computerized system and method for identifying members at high risk of falls and fractures
US20170124852A1 (en) * 2014-06-11 2017-05-04 Koninklijke Philips N.V. Personal emergency response system with predictive emergency dispatch risk assessment
WO2016010997A1 (en) * 2014-07-16 2016-01-21 Parkland Center For Clinical Innovation Client management tool system and method

Also Published As

Publication number Publication date
FR3089331A1 (fr) 2020-06-05
WO2020109058A1 (fr) 2020-06-04
US20220068488A1 (en) 2022-03-03
EP3888031A1 (fr) 2021-10-06
FR3089331B1 (fr) 2020-12-25

Similar Documents

Publication Publication Date Title
EP3839973A1 (en) Automated mobility assessment
KR20140107714A (ko) 건강 관리 시스템 및 그것의 건강 정보 제공 방법
WO2017064609A1 (en) System and method for predicting heart failure decompensation
EP3855451A1 (en) Machine vision system to predict clinical patient parameters
US11800993B2 (en) Exit monitoring system for patient support apparatus
US20200375505A1 (en) Method and apparatus for health prediction by analyzing body behaviour pattern
KR102350643B1 (ko) 활동 및 수면 데이터를 활용한 수면 품질 평가 시스템
JP6373641B2 (ja) 医療情報処理システム、医療情報処理方法、および医療情報処理プログラム
JP2013148996A (ja) 重症度判定装置、及び、重症度判定方法
CN112235740A (zh) 一种基于物联网的个体作息监测方法及系统
CN113302701A (zh) 用于确定个体转移到急诊科的风险的数据处理系统及方法
CN110473616B (zh) 一种语音信号处理方法、装置及系统
JP7396274B2 (ja) レポート出力プログラム、レポート出力方法およびレポート出力装置
KR102645192B1 (ko) 인공지능 모델을 기반으로 욕창을 관리하는 방법 및 이를 수행하는 전자 장치
KR102510180B1 (ko) 사용자 맞춤형 건강 관리 장치 및 방법
TW201411543A (zh) 遠端即時健康預警照護系統
JP2021176036A (ja) 情報処理装置および情報処理プログラム
JP5225344B2 (ja) 生活行動記憶装置
US11806130B2 (en) Predicting the probability of a brain injury of a subject resulting from a fall
Shamna et al. IoMT enabled prototype edge computing healthcare system for isolated patients
JP7404682B2 (ja) 制御装置、制御プログラム、および制御方法
KR20190021953A (ko) 통계정보에 기반한 케어 대상자 상태 정보 제공 장치, 시스템 및 케어 대상자 상태 정보 제공 방법
JP7409305B2 (ja) レポート出力プログラム、レポート出力方法およびレポート出力装置
US20230200724A1 (en) Predicting wound management treatment resources using machine learning
EP3979257A1 (en) Enabling utilization of massive data in a service

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