CN113383396A - 用于计算肾衰竭风险的利尿监测预测系统及其方法 - Google Patents
用于计算肾衰竭风险的利尿监测预测系统及其方法 Download PDFInfo
- Publication number
- CN113383396A CN113383396A CN201980090849.3A CN201980090849A CN113383396A CN 113383396 A CN113383396 A CN 113383396A CN 201980090849 A CN201980090849 A CN 201980090849A CN 113383396 A CN113383396 A CN 113383396A
- Authority
- CN
- China
- Prior art keywords
- patient
- mathematical model
- algorithm
- biological fluid
- urine
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 57
- 208000001647 Renal Insufficiency Diseases 0.000 title claims abstract description 30
- 201000006370 kidney failure Diseases 0.000 title claims abstract description 30
- 239000002934 diuretic Substances 0.000 title claims abstract description 20
- 230000001882 diuretic effect Effects 0.000 title claims abstract description 20
- 239000013060 biological fluid Substances 0.000 claims abstract description 81
- 210000002700 urine Anatomy 0.000 claims abstract description 74
- 238000005259 measurement Methods 0.000 claims abstract description 58
- 230000003862 health status Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000013178 mathematical model Methods 0.000 claims description 91
- 208000009304 Acute Kidney Injury Diseases 0.000 claims description 75
- 208000033626 Renal failure acute Diseases 0.000 claims description 74
- 201000011040 acute kidney failure Diseases 0.000 claims description 74
- 208000004880 Polyuria Diseases 0.000 claims description 52
- 230000035619 diuresis Effects 0.000 claims description 52
- 230000003044 adaptive effect Effects 0.000 claims description 47
- 208000012998 acute renal failure Diseases 0.000 claims description 27
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 22
- 210000004369 blood Anatomy 0.000 claims description 20
- 239000008280 blood Substances 0.000 claims description 20
- 238000005303 weighing Methods 0.000 claims description 19
- 201000010099 disease Diseases 0.000 claims description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 17
- 239000012530 fluid Substances 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 230000004872 arterial blood pressure Effects 0.000 claims description 11
- 230000036760 body temperature Effects 0.000 claims description 11
- 229940109239 creatinine Drugs 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 11
- 230000036387 respiratory rate Effects 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000006866 deterioration Effects 0.000 claims description 8
- 210000004381 amniotic fluid Anatomy 0.000 claims description 7
- 210000003567 ascitic fluid Anatomy 0.000 claims description 7
- 210000003296 saliva Anatomy 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 210000002751 lymph Anatomy 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004579 scanning voltage microscopy Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 2
- 210000000056 organ Anatomy 0.000 claims description 2
- 238000002054 transplantation Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 13
- 238000013399 early diagnosis Methods 0.000 description 11
- 230000001419 dependent effect Effects 0.000 description 6
- 230000003907 kidney function Effects 0.000 description 6
- 210000001124 body fluid Anatomy 0.000 description 5
- 239000010839 body fluid Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 229910052751 metal Inorganic materials 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 208000011580 syndromic disease Diseases 0.000 description 5
- 206010061481 Renal injury Diseases 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 210000003734 kidney Anatomy 0.000 description 3
- 208000037806 kidney injury Diseases 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 238000002560 therapeutic procedure Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036512 infertility Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 244000144725 Amygdalus communis Species 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 206010030302 Oliguria Diseases 0.000 description 1
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010171 animal model Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 229940125691 blood product Drugs 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000000502 dialysis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001926 lymphatic effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007721 medicinal effect Effects 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 210000003097 mucus Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229940021317 other blood product in atc Drugs 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 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
- G16H50/20—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
- A61B5/201—Assessing renal or kidney functions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0045—Devices for taking samples of body liquids
- A61B10/007—Devices for taking samples of body liquids for taking urine samples
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
- A61B5/207—Sensing devices adapted to collect urine
-
- 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
-
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0252—Load cells
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Urology & Nephrology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Hematology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明涉及一种用于计算患者肾功能衰竭发病风险的监测系统(1)及相关的利尿监测和预测方法，包括设备(5)，设备(5)包括用于记录、存储、比较和处理尿液容器(2)的测量值的第一算法(15)和用于预测尿液容器(2)的未来测量值以及与之相关的肾衰竭风险水平的第二算法(25)。更普遍地，本发明还涉及一种用于预测患者健康状态的生物流体的监测系统(10)以及相关的监测和预测方法，包括设备(50)，设备(50)包括用于记录、存储、比较和处理生物流体容器(20)的测量值的第一算法(150)和用于预测生物流体容器(20)的未来测量值以及与之相关的肾衰竭风险水平的第二算法(250)。本发明在医院和护理诊所、重症监护、肾病学、泌尿学、心脏病学和移植领域中具有有利的应用。
Description
技术领域
本发明涉及医学领域，尤其涉及对患者的生命参数的监测和预测，以便早期诊断其健康状态可能发生的变化。
具体地，本发明涉及一种用于住院和插管患者的急性肾衰竭的早期诊断的系统和方法。这种早期诊断是通过对患者利尿情况的持续监测以及对患者肾功能关键阶段的自动和即时评估并与主治医师的交流而获得的。
一般而言，本发明涉及一种用于早期诊断的系统和方法，该早期诊断是通过连续监测患者的生物流体而获得以建立他/她的健康状态。
本发明优选的应用领域是医院和护理诊所、重症监护、肾病学、泌尿学、心脏病学、移植手术等。
背景技术
在住院患者的管理中，对肾脏正常功能的调查和对利尿的监测常常被低估。由于人口老龄化、越来越有效的手术和复苏实践，急性肾损伤(AKI)目前是一种可以在各种重症监护中发现的综合征。
AKI被定义为一种可能导致衰竭的肾损伤，并且随着时间的推移甚至可能产生长远的影响。该术语确定了急性肾损伤的整个范围，从而认识到肾功能下降通常继发于导致肾脏功能或结构改变的病变。
此外，重症监护并不是唯一可能发生这种综合征的领域；大量临床数据证据(参见KDIGO,Clinical Practice Guideline for Acute Kidney Injury,KidneyInternational Supplements(2012)第2卷,增刊1,第1-138页)表明，大量患者尽管不需要透析却在住院期间发展为AKI。
SocietaItaliana di Nefrologia(意大利肾脏病学会)将AKI定义为肾功能突然下降，其包括急性肾功能衰竭(InsufficienzaRenale Acuta-IRA)和影响肾脏结构和功能的多种病理状况。
临床数据，包括Uchino等人的研究(参见Uchino S.、Bellomo R.、Goldsmith D.等人，An assessment of the RIFLE criteria for acute renal failure inhospitalized patients,，Crit.Care Med.2006；34：1913-1917)指出即使是中度和可逆形式的AKI也会增加死亡率。实际上，已经证明归类为不太严重的RIFLE风险级别RIFLE-R(风险)的患者的死亡率是根据RIFLE标准未归类为易发生肾衰竭的患者的2.5倍。此外，据估计，超过5％的住院患者和约50％的重症监护患者患有AKI(参见Mandelbaum M.等人."Outcome of critically ill patients with acute kidney failure using the AcuteKidney Injury Network criteria."Crit.Care Med.(2011)39(12):2659-64)，并且在意大利，每年有超过40万人患有急性肾损伤。还估计，重症监护室住院患者发生急性肾功能衰竭会使死亡率增加5倍，平均需要额外住院27天，因此估计的医疗保健费用增加至4,000欧元/病人(参见Macedo E.,Malhotra R.,Bouchard J.,Wynn S.K.,Mehta R.L."Oliguriais an early predictor of higher mortality in critically ill patients"KidneyInternational(2011)80,760-767)。
因此，AKI导致一种常见的、有害的但可能可治疗的疾病，其中肾功能的急剧下降，即使是轻微的下降，都会对患者的预后产生负面影响。
从这个意义上说，AKI的诊断和及时治疗可以改善患者的临床病程和预后。
与其他生命参数(如血压、心率和血液中的氧浓度)不同，医生目前没有可用于关键参数(如利尿水平)的可靠的实时监测系统。
迄今为止，监测是由病房护士手动进行的，她们定期(大约每6小时)通过尿液采集袋上的刻度标记检查利尿水平。
E.Macedo等人在Preventing Acute Kidney Injury,Critical Care Clinics第31卷，第4期，第773-784页中给出了此类监测的示例。
与此类过程相关的主要问题包括测量精度差和缺乏自动数据采集系统；这意味着主治医师无法识别出患者利尿过程中的异常情况，从而甚至低估了可以预测严重临床后果的中等信号。
关于住院期间发生急性肾功能衰竭的患者的管理，2009年发表的“NationalConfidential Inquiry into Patient Outcome and Death”研究(参见London,UK,https://www.ncepod.org.uk/CommonThemes.pdf)实际估计出，43％的患者被诊断为AKI的发病较晚，并且在54％的病例中，主治医师低估了发生AKI的风险。
一些专利文件报告了旨在监测患者利尿情况的系统，以便在医院环境中对患者进行最佳管理。
文件WO 2008/059483 A3描述了一种用于基于光学测量来监测体液的系统。
这种解决方案的缺点是难以保持测量系统的无菌性、解决方案的技术复杂性以及随之而来的技术性问题、用于预测患者未来健康状况的数据的缺乏以及设备整体尺寸。
文件EP 3282948 A1描述了一种用于监测肾功能的系统，该系统包括用于监测尿液的设备和与其相关联的用于计算AKI风险的算法。
该解决方案未解决的问题主要有两种类型。
第一，由于存在用于计算尿袋重量的平台，因此监控设备的整体尺寸相当大，这不允许在不妨碍医院病床周围的医生和医疗保健专业人员的工作的情况下使用该系统。
第二个问题与上述解决方案中提出的AKI风险计算系统的输出类型有关。
对于诊断辅助系统(例如上述解决方案中提出的诊断辅助系统)，信息接收者(在这种情况下是医生)对系统提供的信息的理解和接受程度起着关键作用。
上述解决方案中提出的输出包括它定义了相应患者发生AKI的概率的“风险评分”。许多研究(例如K.B.Kashani"Automated acute kidney injury alerts"J.KidneyIntern.2018年9月,第94栏,第3期,第484-490页；K.B.Kashani,E.A.Burdmann,L.SeongHooi,D.Khullar,A.Bagga,R.Chakravarthi,R.Mehta,"Acute Kidney InjuryRisk Assessment:Differences and Similarities Between Resource-Limited andResource-Rich Countries"Kidney International Reports,2017,第2栏,第4期,第519-529页)表明，这些信息如何不被医生理解和执行不力，因此没有被整合到临床实践中，失去了其对改善患者健康的影响。
文件WO 2017/149272 A1描述了一种基于称重传感器监测体液(即尿液)的系统。
该解决方案的缺点是缺乏用于预测肾功能不全的发作的系统和设备的总体尺寸。
更普遍地，文件US 4922922 A描述了一种用于在外科手术期间监测患者释放的体液的系统。
该解决方案的问题在于缺乏用于预测体液未来趋势的系统，并且缺乏将体液流失量与患者的其他生命参数整合以确定他/她的健康状态。一种能够监测和预测利尿(更普遍地说是生物流体)的系统和方法，其将满足许多应用的要求，例如，对肾功能衰竭风险的评估(更普遍地说，对患者健康状态的评估)。
本发明旨在满足上述要求。
具体而言，本发明旨在解决如何及早识别急性肾损伤(AKI)的发作的技术问题。
此外，本发明所要解决的技术问题是如何提高医院环境中肾衰竭的管理质量，从而降低相对死亡率和正常住院天数。
此外，本发明旨在解决这样的技术问题：如何通过连续监测系统，向医疗保健专业人员提供正确管理急性肾损伤(AKI)发作所需的临床信息，从而实时评估未来发生AKI的风险以及实时预测患者利尿趋势。
此外，本发明旨在解决如何减小利尿监测设备的尺寸的技术问题。
此外，本发明旨在解决如何及早发现患者健康状态变化的技术问题。
此外，本发明旨在解决如何提高医院环境中患者健康状态变化的管理质量，从而降低相对死亡率和正常住院天数的技术问题。
此外，本发明旨在解决这样的技术问题：如何通过连续监测系统，向医务人员提供正确管理患者健康状态发生变化所需的临床信息，以实时的预测患者的生物流体趋势并实时评估未来健康状态恶化的风险
因此，总而言之，迄今为止，就申请人所知，没有已知的解决方案允许监测和预测利尿(更普遍地说是生物流体)，以评估肾衰竭的风险(更普遍地说，用于评估患者的健康状态)。
因此，申请人利用根据本发明的系统和方法来弥补这种不足。
发明内容
本发明的目的是克服已知技术中与不能监测和预测利尿以评估肾衰竭风险有关的缺陷。
更普遍地，本发明的目的是克服已知技术的与不能监测和预测生物流体的流动以评估患者的健康状态有关的缺陷。
使用根据本发明的系统和方法实现了这样的目的，由于患者的生命参数(特别是利尿的生命参数)随着时间的推移检测、记录和处理，其有利地允许监测和预测生物流体的流动(特别是利尿)，以用于评估患者的健康状态(特别是AKI发作的风险)。
据申请人所知，根据本发明的系统和方法第一次结合了从患者身上采集的样本的重量随时间的检测、这种重量数据的记录和处理有助于识别随时间推移的趋势，有助于疾病发作的早期诊断(特别是AKI的发作)。
具体地，本发明的上述和其他目的和优点，将从以下描述中显而易见的，其是通过根据权利要求1的用于预测患者肾衰竭风险的利尿监测系统来实现的。
根据本发明的利尿监测系统的优选实施例和变型形成从属权利要求2至5的主题。
本发明的另一个独立方面涉及一种用于预测患者肾衰竭风险的利尿监测方法且其构成权利要求6的主题。
根据本发明的利尿监测方法的优选实施例和变型形成从属权利要求7和8的主题。
本发明的另一个独立方面涉及一种用于计算患者急性肾衰竭风险水平的利尿预测方法且其构成权利要求9的主题。
本发明的利尿预测方法的优选实施例和变型形成从属权利要求10至12的主题。
本发明的另一个独立方面涉及一种用于预测患者健康状态的生物流体监测系统且其构成权利要求13的主题。
根据本发明的生物流体监测系统的优选实施例和变型形成从属权利要求14和15的主题。
本发明的另一个独立方面涉及一种用于预测患者健康状态的生物流体监测方法并构成权利要求16的主题。
根据本发明的生物流体监测方法的优选实施例和变型形成从属权利要求17至19的主题。
本发明的另一个独立方面涉及用于一种用于计算患者健康状态水平的生物流体的预测方法且其构成权利要求20的主题。
根据本发明的生物流体预测方法的优选实施例和变型形成从属权利要求21至24的主题。
应当理解的是，所有所附权利要求构成本说明书的组成部分，并且其中要求保护的每个技术特征可以是独立的并且可以相对于本发明的其他方面自主地使用。
显而易见的是，在不脱离所附权利要求中要求保护的本发明的保护范围的情况下，可对所描述的内容(例如，与形状、尺寸、布置和具有等效功能的部件相关)进行无数次修改。
有利地，根据本发明的技术方案提供用于监测和预测患者生命参数进展的系统和方法，允许：
-由于在未来与插管患者利尿管理相关的临床实践中引入了创新的系统和方法，因此优于目前使用的临床程序；
-相对于当前的临床标准，通过连续和自动监测患者的利尿(或更普遍的是生物流体)，以及自动和即时评估(通过与临床医学界已经共享和接受的国际指南中获得的参数和阈值进行即时比较)急性肾功能衰竭的严重程度(或更普遍地说，健康状态的改变)，以允许对问题进行更准确和早期的诊断，特别是AKI的发作；
-通过主治医生的即时和自动警报系统，在AKI发作的风险水平增加(或更普遍地，生命参数异常改变)的情况下，开始对正在进行的综合征进行更及时的干预和治疗，避免临床情况恶化和随之而来的并发症；
-通过实时发送和保存采集的数据，分析随时间推移的利尿趋势或患者的任何生物流体的趋势，目的是开发能够早期准确诊断AKI发作或其他病理的预测模型；
-显着改善住院和插管患者急性肾损伤的临床治疗，实现早期诊断和临床干预；
-提高插管患者的生活质量；
-减少与急性肾功能衰竭管理相关的卫生支出，减少重症监护的住院天数和再入院的次数；
-允许根据不同的治疗方法开发疾病进程的预测模型；
-允许开发由两个不同设备组成的监控系统；第一个是微创性的，能够不妨碍医院病床周围的医疗活动，第二个是最笨重的，放置在不妨碍的区域；
-允许开发一种能够预测包括插管患者利尿在内的生物流体的未来趋势，并由此计算出AKI发作的风险水平的算法。
进一步的有利特征将通过以下优选的但非排他的实施例的描述而变得更加明显，这些实施例仅作为示例而非限制提供。
附图说明
下面将结合附图，通过一些优选实施例的方式对本发明进行说明，这些实施例以举例而非限制的方式提供。这些附图示出了本发明的不同方面和示例，并且在适当的情况下，不同附图中的相似结构、部件、材料和/或元件由相似的附图标记表示。
图1是根据本发明的用于预测患者肾衰竭风险的利尿监测系统的示意图；
图2是根据本发明的用于预测患者肾衰竭风险的利尿监测系统的流程图；
图3是根据本发明的用于预测患者健康状态的生物流体监测系统的示意图；
图4是根据本发明的用于预测患者健康状态的生物流体监测方法的流程图；
图5是根据本发明的用于预测患者肾衰竭风险的利尿监测系统的设备的第二算法执行的一组详细说明的示意图；以及
图6是根据本发明的用于预测患者健康状态的生物流体监测系统的设备的第二算法执行的一组详细说明的示意图。
具体实施方式
尽管本发明易于进行各种修改和替代实施，但在附图中示出了一些优选实施例并且将在下文中详细描述。
然而，应当理解的是，本发明无意将本发明限制于所示出的特定实施例，相反，本发明旨在涵盖落入如权利要求所限定的本发明范围内的所有修改、替代实施例和等同物。
因此，在以下描述中，除非另有说明，否则“例如”、“等”、“或”、“任一”的使用表示并非没有任何限制的排他性替代；除非另有说明，否则使用“也”是指“包括但不限于”；除非另有说明，否则“包括/包含”的使用是指“包括/包含但不限于”。
本发明的系统和方法基于以下创新概念：将随时间推移取自患者的样本的重量的检测、该重量数据的记录和处理相结合以识别随时间变化的趋势，该趋势有助于疾病发作(特别是AKI的发作)的早期诊断。
总之，本发明的系统和方法利用：
通过两个能够通过蓝牙网络相互通信并能够通过3G网络传输数据的仪器自动实时监测插管患者的利尿情况，以便主治医生远程监测患者的健康状态；有利地，这允许减小患者病床周围区域中的设备的总体尺寸；
-在两个仪器中实施的算法，用于确定急性肾功能衰竭的进展阶段和相关风险水平；以及
-用于采集、处理和传输数据给主治医生的过程。
作为本发明的主要目的是住院插管患者的急性肾功能衰竭的早期诊断，并且更普遍的是其健康状态恶化的早期诊断。
本发明的系统和方法，通过对患者的利尿或另一生命参数的持续监测，允许自动实时识别与生理利尿方案或健康状态(如国际指南所定义的)相关的任何差异；此外，本发明的系统和方法允许通过远程连接通知主治医生可能突破警报阈值，并因此进行早期诊断和及时治疗干预。
在本说明书中，术语“生物流体”是指人类来源的流体，包括但不限于尿液、血液和其他血液制品、唾液、粘液、羊水、腹膜液、淋巴系统液、胃液、血液、一般体液。
在本说明书中，术语“电子临床记录”和“电子病历”是指采集的与患者及其健康状态相关的数据集，包括但不限于血肌酐水平、动脉压、心率和心电图、体温、氧饱和度、呼吸频率、患者体重、给予患者的液体量和当前疾病；在本说明书中，术语“电子临床记录”和“电子病历”作为同义词无区别地使用。
在本说明书中，术语“KDIGO指南”是指文件“The 2012Kidney Disease:ImprovingGlobal Outcomes(KDIGO)Clinical Practice Guideline for Acute Kidney Injury(AKI)”中描述的急性肾衰竭管理指南(来源：网站地址：https://kdigo.org/guidelines/acute-kidney-injury/；访问日期：2019年1月28日)。
在本说明书中，术语“RIFLE指南”是指在“Bellomo R.,Ronco C.,Kellum J.A.,etal.,Acute renal failure-definition,outcome measures,animal models,fluidtherapy and information technology needs:the Second International ConsensusConference of the Acute Dialysis Quality Initiative(ADQI)Group.Crit Care2004；8:R204-212”描述的急性肾衰竭管理指南。
参考图1，其示出了本发明的优选实施例，观察到用于预测患者肾衰竭风险的利尿监测系统1包括：
-尿液容器2；
-尿液容器2的称重计3；
-设备5，设备5包括用于记录、存储、比较和处理尿液容器2的测量值的第一算法15和用于预测尿液容器2的未来测量值和与它们相关的肾衰竭风险水平的第二算法25；
-视频终端7，用于显示设备5中存在的第一算法15和第二算法25的输出；
-第一“无线”系统4，用于连接称重计3和设备5；以及
-第二“无线”系统6，用于连接设备5和视频终端7。
优选地，尿液容器2是无菌袋。
优选地，称重计3是称重传感器。
优选地，
-第一算法15包括用于分析通过称重计3获得的数据的数学模型，以便将每次的称重测量值与获得所述称重测量值的时间点相关联，并计算根据患者体重标准化的每小时尿产生率(重量/小时/患者体重)；随后，将此标准化的每小时尿产生率与又KDIGO和RIFLE指南限定的每小时产生率阈值进行比较，以定义急性肾损伤(AKI)的阶段；
-第二算法25包括：
.自适应数学模型H-25，自适应数学模型H-25至少将由第一算法15计算出的利尿的当前值和过去值以及从患者的电子病历35中提取的当前值和过去值(如果相关)作为输入，并将未来容器重量测量值的预测值UO(t)∧作为输出；
.用于比较e(t)∧预测UO(t)∧与实时观察到的相应值UO(t)的数学模型；
.用于根据比较结果e(t)∧对由自适应数学模型H-25执行的计算进行校正的数学模型；以及
.数学模型M-25将自适应数学模型H-25的输出、尿液容器2的重量测量值的当前值和过去值以及患者的电子病历35中的生理参数作为输入，以及将风险水平R(t)∧作为输出，以预测在所述尿液容器最后一次重量测量后的24/48小时内发生急性肾功能衰竭的可能性，所述风险水平的范围是从1到10。
优选地，自适应数学模型H-25包括线性和非线性回归模型和机器学习模型，优选地，为人工神经网络。
优选地，数学模型M-25包括具有可变二分响应的回归模型和机器学习模型，具有可变二分响应的回归模型更优选地为logit和probit模型，机器学习模型优选地为分类模型、人工神经网络和SVM模型。
优选地，从患者的电子病历35中提取的当前值和过去值包括血肌酐水平、动脉压、心率和心电图、体温、氧饱和度、呼吸频率、患者体重、给予患者的液体量和当前疾病。
在示例性和非限制性实施例中，利尿监测系统1包括硬件组件和软件组件。
硬件组件包括称重计3和设备5。
称重计3的任务是测量医院环境中插管患者使用的尿袋2内的利尿量；这种测量是通过计算尿袋2的重量来进行的。
如此采集的数据然后通过蓝牙连接传输到设备5。
称重计3的硬件组件是：
-配备有低功耗蓝牙(BLE)连接的电池供电微控制器，用于管理尿袋的重量测量并通过蓝牙连接将数据发送到称重计3；
-用于测量尿袋重量的称重传感器；
-24位模数转换器(ADC)，用于放大和转换称重传感器相对于尿袋重量产生的测量信号；如此处理的数据通过电缆传输到上述微控制器；
-用于容纳称重计3操作所需的所有硬件组件的外壳；
-用于连接称重传感器和尿袋的链条和挂钩，袋子然后被悬挂起来并挂在钩子上。
称重计3安装在重症监护病房患者的病床结构上，体积较小以免妨碍在患者病床附近操作的医护人员的日常工作(这往往需要立即干预，患者的生存可能取决于此)。
需要指出的是，无论是对含尿袋还是对患者的尿流，都没有进行任何类型的侵入性操作，也没有必要使用特定类型或制造的袋子来使用称重计3。
设备5的任务是：
-通过蓝牙连接接收称重计3传输的与尿袋重量相关的数据，
-分析和处理所接收的数据，
-通过3G连接将已处理的数据传输到智能手机应用，供主治医生稍后查看，
-通过3G连接将原始数据到传输电子数据库以存储采集的数据，
-允许向部门护士显示原始和已处理的数据
-允许输入有关被监测患者的信息。
设备5的硬件组件是：
-由电源插座供电的微控制器，其配备有3G和蓝牙连接，用于管理称重计3通过蓝牙连接传输的数据的接收、上述数据的处理以及原始数据和已处理的数据在电容式触摸屏上的显示；以及
-电容式触摸屏，用于显示微控制器的原始数据和已处理的数据，以及用于病房值班护士输入患者信息。
软件组件包括称重计3的软件和设备5的软件。
称重计3的软件在相应的微控制器内部实现，其任务是：
-管理称重传感器的数据采集，每5分钟测量一次尿袋的重量；
-通过蓝牙连接将采集到的数据传输到设备5中。
此外，这种软件被优化以最小化称重计3的功耗，允许其由电池供电。
设备5的软件在相应的微控制器内部实现，其任务是：
-通过BLE连接管理称重计3传输到设备5的数据的接收；
-处理已接收的数据，这种处理的目的是确定急性肾功能衰竭或急性肾损伤或肾损伤的发病风险，将每个患者与风险水平相关联；这种风险的计算方法是将被监测患者最后24小时的利尿情况(通过随时间测量尿袋的重量而获得)与急性肾损伤(AKI)进展阶段定义的国际指南"KDIGO Clinical Practice Guideline for Acute Kidney Injury"(2012年3月)确定的阈值进行比较；此外，将实施机器学习算法，目的是确定和实施急性肾损伤的预测模型；
-管理已处理的数据的显示和使用设备5中存在的电容式触摸屏计算的风险级别；
-管理与被监测患者相关的敏感数据的输入，例如由卫生人员通过触摸屏显示分配给每个患者的代码、体重(公斤)和年龄；
-管理通过3G连接计算的处理数据和风险级别到在线数据库和智能手机应用程序的传输。
综上所述，本发明的用于住院插管患者的利尿监测系统1，主要包括：
数据采集：连续测量住院病人尿袋的重量；
已采集数据的处理：以mL/hr/kg(尿量)为单位计算随时间推移的患者利尿量，将此尿量与国际指南KDIGO为了定义与一定风险水平相关的肾衰竭进展阶段而描述的阈值进行比较，以及使用用于确定和实现急性肾衰竭发作的预测模型的机器学习算法处理患者的利尿，从而确定急性肾衰竭发作的准确风险水平；
将已处理的数据和患者风险级别传达给主治医生；这种传达的目的是让医生实时了解患者的利尿情况及其相关风险水平，因此，通过将数据文档和风险级别发送到主治医生拥有的智能手机应用程序，有可能及时干预患者的健康状态。
此外，图2说明了本发明的优选实施例，用于预测患者肾衰竭风险的利尿监测方法构成相对于本发明的其他方面可独立使用的独立方面，并且包括以下步骤：
-在预定时间段内采集有肾衰竭风险的患者产生的尿液样本并将其采集在尿液容器2中(步骤100)；
-称量尿液容器2(步骤101)；
-通过第一算法15，记录和存储尿液容器2的测量值(步骤102)；
–以预订次数重复之前从步骤100到步骤102的步骤(步骤103)；
-通过第一算法15，比较和处理随时间记录和存储的尿液容器2的测量值以确定利尿过程(步骤104)；
-基于在前一步骤104中确定的趋势，通过包括自适应数学模型H-25和机器学习数学模型M-25的第二算法25，预测尿液容器2的未来测量值和发生肾衰竭的风险(步骤105)；
-将在前一步骤105中获得的数据传送到视频终端7(步骤106)。
优选地，
-第一算法15包括用于分析通过称重计3获得的数据的数据模型，以便将每次的称重测量值与获得所述称重测量值的时间点相关联，并计算根据患者体重标准化的每小时产尿产生率(重量/小时/患者体重)；随后，将此标准化的每小时尿产生率与KDIGO和RIFLE指南对于定义急性肾损伤(AKI)阶段而限定的每小时产生率阈值进行比较；
-第二算法25包括：
.自适应数学模型H-25，自适应数学模型H-25至少将由第一算法15计算出的利尿的当前值和过去值以及从患者的电子病历35中提取的当前值和过去值(如果相关)作为输入，并将未来容器重量测量值的预测值UO(t)∧作为输出；
.用于比较e(t)∧预测UO(t)∧与实时观察到的相应值UO(t)的数学模型；
.用于根据比较结果e(t)∧对由自适应数学模型(H-25)执行的计算进行校正的数学模型；以及
.数学模型M-25将自适应数学模型H-25的输出、尿液容器2的重量测量值的当前值和过去值以及患者电子病历35中的生理参数作为输入，以及将风险水平(R(t)∧)作为输出，以预测在所述尿液容器最后一次重量测量后的24/48小时内发生急性肾功能衰竭的可能性，所述风险水平的范围是从1到10。
优选地，
-步骤100所指的预定时间段的范围是从30秒至10分钟，优选地其等于5分钟；以及
-步骤103中所指的预定次数的范围是从1至100次，优选地其等于50次。
此外，用于计算患者急性肾功能衰竭风险水平的利尿UO(t)预测方法构成相对于本发明的其他方面可独立使用的独立方面，包括以下步骤：
-通过自适应数学模型H-25，计算患者利尿趋势，考虑：
.至少地，由设备5记录和处理的利尿的当前值和过去值，以及
.可选地，从与血肌酐水平、动脉压、心率和心电图、体温、氧饱和度、呼吸频率、患者体重、给予患者的液体量和当前疾病相关的患者电子病历(35)中提取的相关的当前值和过去值(步骤300)；
-将预测值UO(t)∧，即在步骤300提到的计算输出，与实时观察到的相应值UO(t)进行比较(步骤301)；
-基于步骤301中提到的比较校正在步骤300中提到的计算(步骤302)；
-将预测值UO(t)∧、UO(t+1)∧、UO(t+2)∧，即在步骤300中提到的计算输出，与在KDIGO和AKIN指南中指示的用于诊断急性肾功能衰竭的阈值比较(步骤303)；
-基于在步骤303中提到的比较，预测急性肾衰竭的可能性的风险级别，所述风险级别的范围是从1到10(步骤304)；
-通过机器学习数学模型M-25，计算未来时刻肾功能衰竭的风险因素，机器学习数学模型M-25考虑：
.至少地，利尿的当前值UO(t)、过去值以及自适应数学模型H-25预测的值；以及
.可选地，从与血肌酐水平、动脉压、心率和心电图、体温、氧饱和度、呼吸频率、患者体重、给予患者的液体量和当前疾病相关的患者电子病历35中提取的相关的当前值和过去值(步骤305)。
优选地，自适应数学模型H-25的校准算法考虑实时提供的与患者相关的可用附加信息，例如通过使用贝叶斯估计器。
优选地，在步骤303中提到的预测值UO(t)∧、UO(t+1)∧、UO(t+2)∧与相应的增加的时间点t、t+1、t+2相关，因此每个增量都是从5分钟到6小时不等的时间值。
优选地，机器学习数学模型M-25选自具有可变二分响应的回归模型(包括logit和probit模型)和机器学习模型(包括分类模型、人工神经网络和SVM模型)。
参考图3，其举例说明本发明的一般实施例，用于预测患者健康状态的生物流体10的监测方法构成相对于本发明的其他方面可独立使用的独立方面，并且包括：
-生物流体容器20；
-生物流体容器20的称重计30；
-设备50，设备50包括用于记录、存储、比较和处理生物流体容器20的测量值的第一算法150和用于预测生物流体容器20的未来测量值和与未来测量值相关的患者健康状态的第二算法25；
-视频终端70，用于显示设备50中存在的第一算法150和第二算法250的输出；
-第一“无线”系统40，用于连接称重计30和设备50；以及
-第二“无线”系统60，用于连接设备50和视频终端70。
优选地，生物流体选自腹膜液、淋巴液、尿液、血液、羊水和唾液
优选地，生物流体容器10通常是无菌袋。
此外，参考图4，其示出了本发明的一般实施例，用于预测患者健康状态的生物体液监测方法构成相对于本发明的其他方面可独立使用的独立方面，并且包括以下步骤：
-在预定时间段内采集患者产生的生物流体样本并将其收集在生物流体容器20中(步骤200)；
-称量生物流体容器20(步骤201)；
-通过第一算法150，记录和存储生物流体容器20的测量值(步骤202)；
-以预测次数重复之前从步骤200到步骤202的步骤(步骤203)；
-通过第一算法(150)，比较和处理随时间记录和存储的生物流体容器20的测量值以确定器官流体重量的趋势(步骤204)；
-基于在前一步骤204中确定的趋势，通过包括自适应数学模型H-250和机器学习数学模型M-250的第二算法250，预测生物流体容器(20)的未来测量值和患者健康状态恶化的风险(步骤205)；
-将在前一步骤205中获得的数据传送到视频终端70(步骤206)。
优选地，生物流体选自腹腔液、淋巴液、尿液、血液、羊水和唾液。
优选地，
-第一算法150包括用于分析通过称重计30获得的数据的数据模型，以便将每次的称重测量值与获得所述称重测量值的时间点相关联，并计算根据患者体重标准化的每小时生物流体产生率(重量/小时/患者体重)；
-第二算法250包括：
.自适应数学模型H-250，自适应数学模型H-250至少将由第一算法150计算出的生物流体流量的当前值和过去值以及从患者的电子病历350中提取的当前值和过去值(如果相关)作为输入，并将未来的容器重量测量值的预测值UO(t)∧作为输出；
.用于比较e(t)∧预测值UO(t)∧与实时观察到的相应值UO(t))的数学模型；
.用于根据比较结果e(t)∧对由自适应数学模型H-250执行的计算进行校正的数学模型；以及
.数学模型M-250将自适应数学模型H-250的输出、生物流体容器20的重量测量值的当前值和过去值以及患者电子病历350中的生理参数作为输入，以及将在所述生物流体容器最后一次重量测量后的24/48小时内患者健康状态恶化的风险水平(R(t)∧)作为输出，所述风险水平的范围是从1到10。
优选地，
-步骤200所指的预定时间段的范围是从30秒至10分钟，优选地其等于5分钟；以及
-步骤203中所指的预定次数的范围是从1至100次，优选地其等于50次。
此外，用于计算患者健康状态水平的生物流体流量的预测方法构成了相对于本发明的其他方面可自主使用的独立方面，并且包括以下步骤：
-通过自适应数学模型H-250，计算患者生物流体的趋势，自适应数学模型(H-25)考虑：
.至少地，由设备50记录和处理的生物流体的当前值和过去值，以及
.可选地，从与血肌酐水平、动脉压、心率和心电图、体温、氧饱和度、呼吸频率、患者体重、给予患者的液体量和当前疾病相关的患者电子病历350中提取的相关的当前值和过去值(步骤400)；
-将预测值UO(t)∧，即在步骤400提到的计算输出，与实时观察到的相应值UO(t)进行比较(步骤401)；
-基于步骤401中提到的比较校正在步骤400中提到的计算(步骤402)；
-通过机器学习数学模型M-250，计算未来时间点的健康状态水平，机器学习数学模型(M-250)考虑：
.至少地，生物流体的当前值UO(t)、过去值以及由自适应数学模型H-250预测的值；以及
.可选地，从与血肌酐水平、动脉压、心率和心电图、体温、氧饱和度、呼吸频率、患者体重、给予患者的液体量和当前疾病相关的患者电子病历(350)中提取的相关的当前值和过去值(步骤403)。
优选地，自适应数学模型H-250的校准算法考虑实时提供的与患者相关的可用附加信息，例如通过使用贝叶斯估计器。
优选地，在步骤403中提到的预测值UO(t)∧、UO(t+1)∧、UO(t+2)∧与相应的增加的时间点t、t+1、t+2相关，因此每个增量都是从5分钟到6小时不等的时间值。
优选地，机器学习数学模型M-250选自具有可变二分响应的回归模型(包括logit和probit模型)和机器学习模型(包括分类模型、人工神经网络和SVM模型)。
优选地，生物流体选自腹腔液、淋巴液、尿液、血液、羊水和唾液。
参考图5，其表示根据本发明的用于预测患者肾衰竭风险的利尿监测系统1的设备5的算法25执行的一组详细说明，算法25包括：
.自适应数学模型H-25，自适应数学模型H-25至少将由第一算法15计算的利尿的当前值和过去值以及从患者的电子病历35中提取的当前值和过去值(如果相关)作为输入，并将未来容器重量测量值的预测值UO(t)∧作为输出；
.用于比较e(t)∧预测值UO(t)∧与实时观察到的相应值UO(t)的数学模型；
.用于根据比较结果e(t)∧对由自适应数学模型H-2执行的计算进行校正的数学模型；以及
-数学模型M-25将自适应数学模型H-25的输出、尿液容器2的重量测量值的当前值和过去值以及患者电子病历35中的生理参数作为输入，以及将风险水平R(t)∧风险水平(R(t)∧)作为输出，以预测在所述尿液容器最后一次重量测量后的24/48小时内发生急性肾功能衰竭的可能性，所述风险水平的范围是从1到10。
参考图6，其表示由根据本发明的用于预测患者健康状态的生物流体监测系统10的设备50的算法250执行的一组详细说明，算法250包括：
.自适应数学模型H-250，自适应数学模型H-250至少将由第一算法150计算出的生物流体流量的当前值和过去值以及从患者的电子病历350中提取的当前值和过去值(如果相关)作为输入，并将未来的容器重量测量值的预测值UO(t)∧作为输出；
.用于比较e(t)∧预测值UO(t)∧与实时观察到的相应值UO(t)的数学模型；
.用于根据比较结果e(t)∧对由自适应数学模型H-250执行的计算进行校正的数学模型；以及
-数学模型M-250将自适应数学模型H-250的输出、生物流体容器20的重量测量值的当前值和过去值以及患者电子病历350中的生理参数作为输入，以及将在所述生物流体容器最后一次重量测量后的24/48小时内患者健康状态恶化的风险水平(R(t)∧)作为输出，所述风险水平的范围是从1到10。
下面参考以下实施例更详细地描述根据本发明的系统和方法，这些实施例是在实验数据的基础上开发的并且旨在说明而非限制本发明。
示例1
具有上述功能的尿袋的称重计可以具有例如5×5×5cm的长×宽×高尺寸；可配备29×36×4.75mm尺寸的长寿命3.7V和500mAh可充电锂离子电池电源；尺寸为35×33×7mm的小型化电池充电器；安装在SensorTile模块上的STM32L476JG处理器，用于控制和管理传感器收集的数据，并通过低功耗蓝牙连接将数据发送到尿液容器；微型称重传感器，特别是S215-012，容量为5.4kg，尺寸为28.7×5.99×5.99mm，精度为±1g；用于称重传感器的24位模数转换器(ADC)，特别是HX711型号，尺寸为31×22mm；外壳尺寸为5×5×5cm，由ABS和IP68防水制成。
用附图标记5表示并具有上述功能的设备可以具有例如20×10×10cm的总尺寸；可配备带插座的电源；供用户输入数据的3.5"(英寸)触摸屏；Rasperry Pi3 b plus微控制器，用于控制和管理通过低功耗蓝牙连接接收的数据，并在其中实现了先前描述的算法；Raspberry pi 3G 4G LTE base shield v2电子卡，用于将尿液容器连接到移动网络。
如下所述，将根据本发明的系统和方法与已知方案进行比较。
本发明与已知方案之间的比较结果总结在下表中。
表
上述表格显示了与本发明相比的已知方案；特别地，突出了本发明中存在而在先前方案中不存在的主要技术特征。
在优选实施例中，本发明代表了一种用于测量和分析插管患者的利尿水平的创新系统，目的是监测该参数的趋势，以便及时进行治疗干预并获得识别潜在危急情况的关键指标。
所描述的系统和方法的创新价值首先表现为连续检测和监督患者利尿水平的活动的自动化，该参数目前以不准确的方式和延长的时间间隔进行视觉验证。
该系统允许即时采集数据并连续计算患者的利尿水平，将此信息发送到数据库并使其在未来可用并易于主治医师分析；此外，该系统能够实时分析采集到的数据，验证治疗目标的实现和克服国际急性肾损伤综合征AKI诊断指南中规定的利尿阈值。
其次，该系统因为消除了手动监督患者的利尿水平参数是否在确定的生理范围内的需要，因此允许优化医护人员的工作；此外，限制了在任何重复性任务中不可避免地常见的人为错误(例如生理参数的监督)。
该系统旨在适应任何类型的部门和当前的导尿管管理实践；因此，它不需要任何额外的费用来修改当前使用的仪器，并且可以完美地集成到大多数市售的导管袋中。
此外，这种系统不会将患者的健康置于危险之中，因为尿液不会与任何测量仪器接触，从而保证无菌和防止感染。
鉴于本文提出的系统内使用的单一技术的广泛使用，预计低生产成本。
因此，由于数据连接系统、能够适应使用环境的易于使用、具有成本效益的技术，本文提出的系统允许将源自信息采集的自动化、精确性和连续性的强大创新价值和他们能够与主治医生积极互动的能力相结合。
由上可知，本文所述的创新技术方案具有以下优点：
-由于在未来与导管患者利尿管理相关的临床实践中引入了创新的系统和方法，因此胜过了目前使用的临床程序；
-通过持续和自动监测患者的利尿(或更普遍的生物流体)，以及自动和即时评估急性肾功能衰竭的严重程度(或更普遍地说，健康状态的改变)(通过与临床医学界已经共享和接受的国际指南中获得的参数和阈值进行即时比较)，相对于当前的临床标准，允许对问题进行更准确和早期的诊断，特别是AKI的发作；
-在AKI发病风险水平增加(或更普遍地，生命参数异常改变的情况下)，通过即时和自动警报系统向主治医生发送警报，以开始对正在进行的综合征进行更及时的干预和治疗，有可能避免临床影片的恶化和随之而来的并发症；
-通过实时发送和保存采集的数据，分析患者随时间推移的利尿或任何生物流体的趋势，开发了能够提前准确诊断AKI或其他病理的预测模型；
-显着改善住院插管患者急性肾损伤的临床治疗，实现早期诊断和临床干预；
-提高插管患者的生活质量；
-减少与急性肾功能衰竭管理相关的卫生支出，减少重症监护的住院天数和再入院的次数；
-允许根据不同的治疗方法开发疾病进程的预测模型。
因此，根据以上描述，根据本发明的系统和方法如何允许实现预期目标是显而易见的。
因此，对于本领域技术人员显而易见的是，在不脱离本发明的教导和由所附权利要求限定的保护范围的情况下，可以对参照附图描述的解决方案进行修改和进一步变型。
Claims (24)
1.一种用于预测患者肾衰竭风险的利尿监测系统(1)，包括：
-尿液容器(2)；
-所述尿液容器(2)的称重计(3)；
-设备(5)，所述设备(5)包括用于记录、存储、比较和处理所述尿液容器(2)的测量值的第一算法(15)和用于预测所述尿液容器(2)的未来测量值和与所述未来测量值相关的肾衰竭风险水平的第二算法(25)；
-视频终端(7)，用于显示所述设备(5)中存在的所述第一算法(15)和所述第二算法(25)的输出；
-第一“无线”系统(4)，用于连接所述称重计(3)和所述设备(5)；以及
-第二“无线”系统(6)，用于连接所述设备(5)和所述视频终端(7)。
2.根据权利要求1所述的利尿监测系统(1)，其中所述尿液容器(2)是无菌袋。
3.根据权利要求1或2所述的利尿监测系统(1)，其中所述称重计(3)是称重传感器。
4.根据权利要求1或2或3所述的利尿监测系统(1)，其中
-所述第一算法(15)包括用于分析通过所述称重计(3)获得的数据的数学模型，以便将每次的称重测量值与获得所述称重测量值的时间点相关联，并计算根据患者体重标准化的每小时尿产生率(重量/小时/患者体重)；随后，将此标准化的每小时尿产生率与KDIGO和RIFLE指南为了定义急性肾损伤(AKI)阶段而限定的每小时产生率阈值进行比较；
-所述第二算法(25)包括：
.自适应数学模型(H-25)，所述自适应数学模型(H-25)至少将由所述第一算法(15)计算出的利尿的当前值和过去值以及从所述患者的电子病历(35)中提取的相关的当前值和过去值作为输入，并将未来的容器重量测量值的预测值(UO(t)∧)作为输出；
.用于比较(e(t)∧)预测值(UO(t)∧)与实时观察到的相应值(UO(t))的数学模型；
.用于根据比较结果(e(t)∧)对由所述自适应数学模型(H-25)执行的计算进行校正的数学模型；以及
.数学模型(M-25)将所述自适应数学模型(H-25)的输出、所述尿液容器(2)的重量测量值的当前值和过去值以及所述患者的电子病历(35)中的生理参数作为输入，以及将风险水平(R(t)∧)作为输出，以预测在所述尿液容器最后一次重量测量后的24/48小时内发生急性肾功能衰竭的可能性，所述风险水平的范围是从1到10。
5.根据权利要求4所述的利尿监测系统(1)，其中所述自适应数学模型(H-25)包括线性和非线性回归模型和机器学习模型，优选地为人工神经网络，其中，所述数学模型(M-25)包括具有可变二分响应的回归模型和机器学习模型，所述具有可变二分响应的回归模型更优选地为logit和probit模型，所述机器学习模型优选地为分类模型、人工神经网络和SVM模型，以及其中从所述患者的电子病历(35)中提取的当前值和过去值包括血肌酐水平、动脉压、心率和心电图、体温、氧饱和度、呼吸频率、患者体重、给予患者的液体量和当前疾病。
6.一种用于预测患者肾衰竭风险的利尿监测方法，包括以下步骤：
-在预定时间段内采集有肾衰竭风险的患者产生的尿液样本并将其收集在尿液容器(2)中(步骤100)；
-称量所述尿液容器(2)(步骤101)；
-通过第一算法(15)，记录和存储所述尿液容器(2)的测量值(步骤102)；
-以预订次数重复之前从步骤100到步骤102的步骤(步骤103)；
-通过所述第一算法(15)，比较和处理随时间记录和存储的所述尿液容器(2)的测量值以确定利尿过程(步骤104)；
-基于在前一步骤104中确定的趋势，通过包括自适应数学模型(H-25)和机器学习数学模型(M-25)的第二算法(25)，预测所述尿液容器(2)的未来测量值和发生肾衰竭的风险(步骤105)；
-将在前一步骤105中获得的数据传送到视频终端(7)(步骤106)。
7.根据权利要求6所述的利尿监测方法，其中：
-所述第一算法(15)包括用于分析通过所述称重计(3)获得的数据的数据模型，以便将每次的称重测量值与获得所述称重测量值的时间点相关联，并计算根据患者体重标准化的每小时尿产生率(重量/小时/患者体重)；随后，将此标准化的每小时尿产生率与由KDIGO和RIFLE指南为了定义急性肾损伤(AKI)阶段而限定的每小时产生率阈值进行比较；
-所述第二算法(25)包括：
.自适应数学模型(H-25)，所述自适应数学模型(H-25)至少将由所述第一算法(15)计算出的利尿的当前值和过去值以及从所述患者的电子病历(35)中提取的相关的当前值和过去值作为输入，并将未来的容器重量测量值的预测值(UO(t)∧)作为输出；
.用于比较(e(t)∧)预测值(UO(t)∧)与实时观察到的相应值(UO(t))的数学模型；
.用于根据比较结果(e(t)∧)对由所述自适应数学模型(H-25)执行的计算进行校正的数学模型；以及
.数学模型(M-25)将所述自适应数学模型(H-25)的输出、所述尿液容器(2)的重量测量值的当前值和过去值以及所述患者的电子病历(35)中的生理参数作为输入，以及将风险水平(R(t)∧)作为输出，以预测在所述尿液容器最后一次重量测量后的24/48小时内发生急性肾功能衰竭的可能性，所述风险水平的范围是从1到10。
8.根据权利要求6或7所述的利尿监测方法，其中
-步骤100所指的预定时间段的范围是从30秒至10分钟，优选地所述预定时间段等于5分钟；以及
-步骤103中所指的预定次数的范围是从1至100次，优选地所述预定次数等于50次。
9.一种用于计算患者急性肾功能衰竭风险水平的利尿(UO(t))预测方法，包括以下步骤：
-通过自适应数学模型(H-25)，计算患者利尿趋势，所述自适应数学模型(H-25)考虑：
.至少地，由设备(5)记录和处理的利尿的当前值和过去值，以及.可选地，从与血肌酐水平、动脉压、心率和心电图、体温、氧饱和度、呼吸频率、患者体重、给予患者的液体量和当前疾病相关的患者电子病历(35)中提取的相关的当前值和过去值(步骤300)；
-将预测值(UO(t)∧)，即在步骤300提到的计算输出，与实时观察到的相应值(UO(t))进行比较(步骤301)；
-基于步骤301中提到的比较校正在步骤300中提到的计算(步骤302)；
-将所述预测值(UO(t)∧、UO(t+1)∧、UO(t+2)∧)，即在步骤300中提到的计算输出，与在KDIGO和AKIN指南中指示的用于诊断急性肾功能衰竭的阈值进行比较(步骤303)；
-基于在步骤303中提到的比较，分配预测急性肾衰竭的可能性的风险级别，所述风险级别的范围是从1到10(步骤304)；
-通过机器学习数学模型M-25，计算未来时刻肾功能衰竭的风险因素，机器学习数学模型M-25考虑：
.至少地，利尿的当前值UO(t)、过去值以及由自适应数学模型H-25
预测的值；以及
.可选地，从与血肌酐水平、动脉压、心率和心电图、体温、氧饱和度、呼吸频率、患者体重、给予患者的液体量和当前疾病相关的患者电子病历(35)中提取的相关的当前值和过去值(步骤305)。
10.根据权利要求9所述的利尿预测方法，其中所述自适应数学模型(H-25)的校准算法考虑实时提供的与患者相关的可用附加信息，优选地通过使用贝叶斯估计器。
11.根据权利要求9或10所述的利尿预测方法，其中在步骤303中提到的预测值(UO(t)∧、UO(t+1)∧、UO(t+2)∧)与相应的增加的时间点(t,、t+1、t+2)相关，因此每个增量都是从5分钟到6小时不等的时间值。
12.根据权利要求9或10或11所述的利尿预测方法，其中所述机器学习数学模型(M-25)选自具有可变二分响应的回归模型和机器学习模型，所述具有可变二分响应的回归模型包括logit和probit模型，所述机器学习模型包括分类模型、人工神经网络和SVM模型。
13.一种用于预测患者健康状态的生物流体监测系统(10)，包括：
-生物流体容器(20)；
-所述生物流体容器(20)的称重计(30)；
-设备(50)，所述设备(50)包括用于记录、存储、比较和处理所述生物流体容器(20)的测量值的第一算法(150)和用于预测所述生物流体容器(20)的未来测量值和与所述未来测量值相关的患者健康状态的第二算法(25)；
-视频终端(70)，用于显示所述设备(50)中存在的第一算法(150)和第二算法(250)的输出；
-第一“无线”系统(40)，用于连接所述称重计(30)和所述设备(50)；以及
-第二“无线”系统(60)，用于连接所述设备(50)和所述视频终端(70)。
14.根据权利要求13所述的生物流体监测系统(10)，其中所述生物流体选自腹膜液、淋巴液、尿液、血液、羊水和唾液。
15.根据权利要求13或14所述的生物流体的监测系统(10)，其中所述生物流体容器(10)是无菌袋。
16.一种用于预测患者健康状态的生物流体监测方法，包括以下步骤：
-在预定时间段内采集患者产生的生物流体样本并将其收集在生物流体容器(20)中(步骤200)；
-称量所述生物流体容器(20)(步骤201)；
-通过第一算法(150)，记录和存储所述生物流体容器(20)的测量值(步骤202)；
-以预订次数重复之前从步骤200到步骤202的步骤(步骤203)；
-通过所述第一算法(150)，比较和处理随时间记录和存储的所述生物流体容器(20)的测量值以确定器官流体重量的趋势(步骤204)；
-基于在前一步骤204中确定的趋势，通过包括自适应数学模型(H-250)和机器学习数学模型(M-250)的第二算法(250)，预测所述生物流体容器(20)的未来测量值和患者健康状态恶化的风险(步骤205)；
-将在前一步骤205中获得的数据传送到视频终端(70)(步骤206)。
17.根据权利要求16所述的生物流体监测系统，其中，所述生物流体选自腹腔液、淋巴液、尿液、血液、羊水和唾液。
18.根据权利要求16或17所述的生物流体监测系统，其中：
-所述第一算法(150)包括用于分析通过所述称重计(30)获得的数据的数据模型，以便将每次的称重测量值与获得所述称重测量值的时间点相关联，并计算根据患者体重标准化的每小时生物流体产生率(重量/小时/患者体重)；
-所述第二算法(250)包括：
.自适应数学模型(H-250)，所述自适应数学模型(H-250)至少将由所述第一算法(150)计算出的生物流体流量的当前值和过去值以及从所述患者的电子病历(350)中提取的相关的当前值和过去值作为输入，并将未来的容器重量测量值的预测值(UO(t)∧)作为输出；
.用于比较(e(t)∧)预测值(UO(t)∧)与实时观察到的相应值(UO(t))的数学模型；
.用于根据比较结果(e(t)∧)对由所述自适应数学模型(H-250)执行的计算进行校正的数学模型；以及
.数学模型(M-250)将所述自适应数学模型(H-250)的输出、所述生物流体容器(20)的重量测量值的当前值和过去值以及所述患者电子病历(350)中的生理参数作为输入，以及将在所述生物流体容器最后一次重量测量后的24/48小时内患者健康状态恶化的风险水平(R(t)∧)作为输出，所述风险水平的范围是从1到10。
19.根据权利要求16或17或18所述的生物流体监测系统，其中：
-步骤200所指的预定时间段的范围是从30秒至10分钟，优选地所述预定时间段等于5分钟；以及
-步骤203中所指的预定次数的范围是从1至100次，优选地所述预定次数等于50次。
20.一种用于计算患者健康状态水平的生物流体流量预测方法，包括以下步骤：
-通过自适应数学模型(H-250)，计算患者生物流体的趋势，所述自适应数学模型(H-25)考虑：
.至少地，由设备(50)记录和处理的生物流体的当前值和过去值，以及
.可选地，从与血肌酐水平、动脉压、心率和心电图、体温、氧饱和度、呼吸频率、患者体重、给予患者的液体量和当前疾病相关的患者电子病历(350)中提取的相关的当前值和过去值(步骤400)；
-将预测值(UO(t)∧)，即在步骤400提到的计算输出，与实时观察到的相应值(UO(t))进行比较(步骤401)；
-基于步骤401中提到的比较校正在步骤400中提到的计算(步骤402)；
-通过机器学习数学模型(M-250)，计算未来时间点的健康状态水平，所述机器学习数学模型(M-250)考虑：
.至少地，所述生物流体的当前值UO(t)、过去值以及由自适应数学模型H-250预测的值；以及
.可选地，从与血肌酐水平、动脉压、心率和心电图、体温、氧饱和度、呼吸频率、患者体重、给予患者的液体量和当前疾病相关的患者电子病历(350)中提取的相关的当前值和过去值(步骤403)。
21.根据权利要求20所述的生物流体预测方法，其中所述自适应数学模型(H-250)的校准算法考虑实时提供的与患者相关的可用附加信息，优选地通过使用贝叶斯估计器。
22.根据权利要求20或21所述的生物流体预测方法，其中在步骤403中提到的预测值(UO(t)∧、UO(t+1)∧、UO(t+2)∧)与相应的增加的时间点(t、t+1、t+2)相关，因此每个增量都是从5分钟到6小时不等的时间值。
23.根据权利要求20或21或22所述的生物流体预测方法，其中所述机器学习数学模型(M-250)选自具有可变二分响应的回归模型和机器学习模型，所述具有可变二分响应的回归模型包括logit和probit模型，所述机器学习模型包括分类模型、人工神经网络和SVM模型。
24.根据权利要求20或21或22或23所述的生物流体预测方法，其中，所述生物流体选自腹腔液、淋巴液、尿液、血液、羊水和唾液。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102019000001365 | 2019-01-30 | ||
| IT102019000001365A IT201900001365A1 (it) | 2019-01-30 | 2019-01-30 | Sistema di monitoraggio e previsione della diuresi per il calcolo del rischio di insufficienza renale, e relativo metodo |
| PCT/IB2019/060017 WO2020157557A1 (en) | 2019-01-30 | 2019-11-21 | A monitoring and prediction system of diuresis for the calculation of kidney failure risk, and the method thereof |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113383396A true CN113383396A (zh) | 2021-09-10 |
Family
ID=66641209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980090849.3A Pending CN113383396A (zh) | 2019-01-30 | 2019-11-21 | 用于计算肾衰竭风险的利尿监测预测系统及其方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20220095977A1 (zh) |
| EP (1) | EP3918610A1 (zh) |
| JP (1) | JP2022519167A (zh) |
| CN (1) | CN113383396A (zh) |
| IT (1) | IT201900001365A1 (zh) |
| WO (1) | WO2020157557A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115837103A (zh) * | 2022-11-21 | 2023-03-24 | 首都医科大学宣武医院 | 一种基于尿液监测的肾衰控制系统及方法 |
| CN117297610A (zh) * | 2023-11-28 | 2023-12-29 | 首都医科大学宣武医院 | 一种病人术后尿量测量监控分析方法及装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220159029A1 (en) * | 2020-11-13 | 2022-05-19 | Cyberark Software Ltd. | Detection of security risks based on secretless connection data |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845140A (zh) * | 2017-03-01 | 2017-06-13 | 重庆工商大学 | 一种基于尿比重和尿量监测的肾衰竭预警方法及系统 |
| CN107660136A (zh) * | 2015-04-15 | 2018-02-02 | 约翰霍普金斯大学 | 用于监测肾功能的系统和尿液检测装置及监测肾功能的方法 |
| CN107949328A (zh) * | 2015-08-05 | 2018-04-20 | 艾特医疗护理有限公司 | 定点照护的尿液分析仪 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4922922A (en) | 1988-04-12 | 1990-05-08 | Pollock Richard A | Fluid monitoring apparatus |
| AU2007320718A1 (en) | 2006-11-14 | 2008-05-22 | Flowsense Ltd | A diagnostic method and apparatus |
| CN105917229B (zh) * | 2013-12-03 | 2019-04-26 | 阿斯图特医药公司 | 用于肾损伤和肾衰竭的诊断和预后的方法和组合物 |
| GB201603449D0 (en) | 2016-02-29 | 2016-04-13 | Univ Leicester | Urine weighing apparatus |
-
2019
- 2019-01-30 IT IT102019000001365A patent/IT201900001365A1/it unknown
- 2019-11-21 JP JP2021539022A patent/JP2022519167A/ja active Pending
- 2019-11-21 US US17/427,034 patent/US20220095977A1/en active Pending
- 2019-11-21 WO PCT/IB2019/060017 patent/WO2020157557A1/en unknown
- 2019-11-21 EP EP19831877.6A patent/EP3918610A1/en active Pending
- 2019-11-21 CN CN201980090849.3A patent/CN113383396A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107660136A (zh) * | 2015-04-15 | 2018-02-02 | 约翰霍普金斯大学 | 用于监测肾功能的系统和尿液检测装置及监测肾功能的方法 |
| CN107949328A (zh) * | 2015-08-05 | 2018-04-20 | 艾特医疗护理有限公司 | 定点照护的尿液分析仪 |
| CN106845140A (zh) * | 2017-03-01 | 2017-06-13 | 重庆工商大学 | 一种基于尿比重和尿量监测的肾衰竭预警方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115837103A (zh) * | 2022-11-21 | 2023-03-24 | 首都医科大学宣武医院 | 一种基于尿液监测的肾衰控制系统及方法 |
| CN117297610A (zh) * | 2023-11-28 | 2023-12-29 | 首都医科大学宣武医院 | 一种病人术后尿量测量监控分析方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022519167A (ja) | 2022-03-22 |
| US20220095977A1 (en) | 2022-03-31 |
| WO2020157557A1 (en) | 2020-08-06 |
| IT201900001365A1 (it) | 2020-07-30 |
| EP3918610A1 (en) | 2021-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5669787B2 (ja) | ヒトの健康に関する残差ベースの管理 | |
| US10872694B2 (en) | Software, health condition determination apparatus, and health condition determination method | |
| CN113383396A (zh) | 用于计算肾衰竭风险的利尿监测预测系统及其方法 | |
| TWI512665B (zh) | 病房雲端系統 | |
| CN111372506B (zh) | 使用可穿戴设备预测甲状腺毒症的系统和计算机程序 | |
| CN104239415A (zh) | 一种健康信息数据监控系统及其监控方法 | |
| US20170193181A1 (en) | Remote patient monitoring system | |
| US20210311070A1 (en) | Healthcare management method | |
| TW201504987A (zh) | 可紀錄本身狀態之醫療雲端系統 | |
| Khanna et al. | Postoperative ward monitoring–Why and what now? | |
| WO2021044520A1 (ja) | ソフトウェア、健康状態判定装置及び健康状態判定方法 | |
| TWM444565U (zh) | 具有可手動輸入生理值功能之電子生理監測系統 | |
| CN106991293B (zh) | 一种重症疾病早期沟通系统、方法及沟通仪 | |
| KR20040034164A (ko) | 간병용로봇장치 및 간병로봇 모니터링시스템 | |
| KR20010097151A (ko) | 원격 건강관리 서비스 시스템 및 그 방법 | |
| CN110570932A (zh) | 多参数临床移动生理量测管理方法及系统 | |
| KR20180013074A (ko) | 소변측정 센서를 이용한 모바일 연동 건강 확인 시스템 | |
| Aghav et al. | Health track | |
| CN110507298A (zh) | 血压监测系统及其监测方法 | |
| Kumar et al. | The Role of IOT in Health/Patient | |
| TWM456794U (zh) | 病房雲端系統 | |
| CN218004403U (zh) | 一种健康信息管理平台 | |
| RU2709225C1 (ru) | Радиоканальный комплекс домашней телемедицины | |
| Rakovic et al. | Cloud based solution for vital signs tracking | |
| TWM465638U (zh) | 可辨識個人資訊之無線電子生理監測系統 |
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 |