CN113692625A - 用于识别医院中的感染热点的方法和系统 - Google Patents

用于识别医院中的感染热点的方法和系统 Download PDF

Info

Publication number
CN113692625A
CN113692625A CN202080028373.3A CN202080028373A CN113692625A CN 113692625 A CN113692625 A CN 113692625A CN 202080028373 A CN202080028373 A CN 202080028373A CN 113692625 A CN113692625 A CN 113692625A
Authority
CN
China
Prior art keywords
patient
risk score
infected
calculating
risk
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
CN202080028373.3A
Other languages
English (en)
Inventor
C·库尔卡尼
M·S·索罗维尔
B·康罗伊
C·Y·赵
D·P·诺伦
K·斯瓦米纳坦
冯婷
K·塔格瓦勒克斯
D·C·麦克法兰
E·高希
V·库马尔
V·沙瓦纳
S·巴洛迪亚
E·H·施韦格尔
P·拉古塔姆文卡特
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN113692625A publication Critical patent/CN113692625A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

一种用于处理医学信息的方法包括：识别处于第一状态的第一患者；识别处于第二状态的第二患者；计算针对所述第一患者的第一风险得分；计算针对所述第二患者的第一风险得分；并且基于针对所述第一患者的第一风险得分和针对所述第二患者的第一风险得分来确定所述医学设施中的风险易发区。所述第一状态是受感染状态，并且所述第二状态与所述第一状态不同。所述第一患者的第一风险得分提供对所述第一患者的所述受感染状态的严重程度的指示，并且所述第二患者的第一风险得分提供对所述第二患者被所述第一患者感染的指示。

Description

用于识别医院中的感染热点的方法和系统
技术领域
本公开内容总体上涉及处理信息，并且更特别地但非排他性地涉及识别医学设施中的健康状况。
背景技术
根据USACC-NJ授予的第W15QKN-17-9-0008号协议，本发明获得政府支持。政府在本发明中拥有某些权利。
医院和其他医学设施中的人经常暴露于可能导致疾病或感染的病原体。通过与感染者或导致感染的病原体的携带者发生密切接触，可能导致暴露于病原体。通过与先前被感染者接触的物体(例如，桌台、旋钮、手柄等)的物理接触，也可能导致暴露于病原体。根据疾病控制与预防中心(CDC)，在任何给定的日期，大约1/25的医院患者通过这些途径或其他途径发展为医院获得性感染(HAI)。
人群中的一些成员往往比其他成员具有更高的风险。例如，非常年轻的人和非常年老的人对HAI具有增高的风险，这是因为其免疫系统未发育完全或者较弱。其他具有某些类型的病症(例如，败血症、癌症等)或正在经受医学处置(例如，化学治疗、辐射患者、类固醇、大手术等)的成员对HAI也具有增高的风险。
目前，没有可靠的方法来确定医学设施中具有病原体的区或者可以被标示为暴露于疾病和感染的“热点”的区。因此，人们在其寻求治疗的地方会继续生病。
发明内容
下面给出了对各种示例实施例的简要概述。在下面的概述中可以做出一些简化和遗漏，其旨在突出显示和介绍各种示例实施例的一些方面，但并不限制本发明的范围。在后面的章节中将遵循对示例实施例的详细描述，其足以允许本领域普通技术人员制作和使用本发明构思。
根据一个实施例，一种用于处理医学信息的方法包括：识别处于第一状态的第一患者；识别处于第二状态的第二患者；计算针对所述第一患者的第一风险得分；计算针对所述第二患者的第一风险得分；并且基于针对所述第一患者的第一风险得分和针对所述第二患者的第一风险得分来确定所述医学设施中的风险易发区。所述第一状态是受感染状态，并且所述第二状态与所述第一状态不同。所述第一患者的第一风险得分提供对所述第一患者的所述受感染状态的严重程度的指示，并且所述第二患者的第一风险得分提供对所述第二患者被所述第一患者感染的指示。
所述第二患者的第一风险得分可以是基于所述第一患者的第一风险得分和伽马值来计算的，所述伽马值与所述第二患者将被所述第一患者感染的概率相对应。可以基于在所述医学设施中所述第二患者相对于所述第一患者的位置的位置来计算所述伽马值。可以基于所述第一患者与所述第二患者之间的分隔物的类型来计算所述伽马值。可以基于所述医学设施处的一个或多个流程或协议来计算所述伽马值。
所述方法可以包括：确定所述医学设施中的第一位置以将所述第二患者相对于所述第一患者的位置进行移动；计算针对在所述第一位置处的所述第二患者的第二风险得分；并且如果与所述第一患者的第一风险得分相比，针对所述第二患者的第二风险得分指示较低的所述第二患者将被所述第一患者感染的概率，则选择所述第一位置。所述方法可以包括：识别一个或多个动作以减小所述第二患者的第一风险得分。
所述方法可以包括：识别处于所述第一状态的第三患者；计算针对所述第三患者的风险得分；基于所述第三患者的风险得分来计算针对所述第二患者的第二风险得分；并且基于所述第二患者的第一风险得分和针对所述第二患者的第三风险得分来计算针对所述第二患者的第三风险得分。所述第一患者和所述第三患者可以具有不同的感染或者处于相同感染的不同阶段。所述第三患者的风险得分可以与所述第一患者的第一风险得分不同。所述方法可以包括：确定所述医学设施中的多个位置以将所述第二患者相对于所述第一患者的位置和所述第三患者的位置进行移动；并且使用马尔可夫链从所述多个位置中选择一个位置，所述马尔可夫链生成与所述多个位置相对应的不同概率。
根据另一实施例，一种用于处理医学信息的系统包括：存储区，其用于存储算法；以及处理器，其用于实施所述算法以执行以下操作：计算针对处于第一状态的第一患者的第一风险得分；计算针对处于第二状态的第二患者的第一风险得分；并且基于针对所述第一患者的第一风险得分和针对所述第二患者的第一风险得分来确定医学设施中的风险易发区。所述第一状态是受感染状态，并且所述第二状态与所述第一状态不同。所述第一患者的第一风险得分提供对所述第一患者的所述受感染状态的严重程度的指示，并且所述第二患者的第一风险得分提供对所述第二患者被所述第一患者感染的指示。
所述处理器可以基于所述第一患者的第一风险得分和伽马值来计算所述第二患者的第一风险得分，所述伽马值与所述第二患者将被所述第一患者感染的概率相对应。所述处理器可以基于在所述医学设施中所述第二患者相对于所述第一患者的位置的位置来所述计算伽马值。所述处理器可以基于所述第一患者与所述第二患者之间的分隔物的类型来计算所述伽马值。所述处理器可以基于在所述医学设施处就位的一个或多个流程或协议来计算所述伽马值。
所述处理器可以：确定所述医学设施中的第一位置以将所述第二患者相对于所述第一患者的位置进行移动；计算针对在所述第一位置处的所述第二患者的第二风险得分；并且如果与所述第一患者的第一风险得分相比，针对所述第二患者的第二风险得分指示较低的所述第二患者将被所述第一患者感染的概率，则选择所述第一位置。所述处理器可以识别一个或多个动作以减小所述第二患者的第一风险得分。所述处理器可以：识别处于所述第一状态的第三患者；计算针对所述第三患者的风险得分；基于所述第三患者的风险得分来计算针对所述第二患者的第二风险得分；并且基于所述第二患者的第一风险得分和针对所述第二患者的第三风险得分来计算针对所述第二患者的第三风险得分。所述处理器可以：确定所述医学设施中的多个位置以将所述第二患者相对于所述第一患者的位置和所述第三患者的位置进行移动；并且使用马尔可夫链从所述多个位置中选择一个位置，所述马尔可夫链生成与所述多个位置相对应的不同概率。
根据另一实施例，一种非瞬态机器可读介质，其存储用于控制处理器以执行以下操作的指令：计算针对处于第一状态的第一患者的第一风险得分；计算针对处于第二状态的第二患者的第一风险得分；并且基于针对所述第一患者的第一风险得分和针对所述第二患者的第一风险得分来确定医学设施中的风险易发区。所述第一状态是受感染状态，并且所述第二状态与所述第一状态不同。所述第一患者的第一风险得分提供对所述第一患者的所述受感染状态的严重程度的指示，并且所述第二患者的第一风险得分提供对所述第二患者被所述第一患者感染的指示。所述指令还可以控制所述处理器以基于所述第一患者的第一风险得分和伽马值来计算所述第二患者的第一风险得分，所述伽马值与所述第二患者将被所述第一患者感染的概率相对应。
附图说明
在附图中，相似的附图标记指示在单独的视图中完全相同或功能相似的元件，附图与下面的详细描述一起并入说明书并形成说明书的部分，并且用于进一步说明在权利要求中发现的构思的示例实施例并解释这些实施例的各种原理和优点。
参考附图，在下面的说明书中将更全面地公开这些和其他更详细的和特定的特征，在附图中：
图1图示了用于管理医学信息的方法的实施例；
图2A-2D图示了通过该方法管理的各种场景的示例；
图2E图示了用于计算风险得分的算法的示例；
图3A和图3B图示了用于生成风险得分的实施例；
图4图示了用于管理医学信息的方法的另一实施例；
图5图示了用于生成风险得分的另一实施例；并且
图6图示了用于管理医学信息的系统的实施例。
具体实施方式
应当理解，这些附图仅仅是示意性的且并未按比例绘制。还应当理解，贯穿整个附图，使用相同的附图标记来指示相同或类似的部分。
说明书和附图说明了各种示例实施例的原理。因此，应当理解，本领域技术人员将能够设计各种体现本发明的原理的布置，即使在本文中未明确描述或示出这些布置，它们也被包括在本发明的范围内。此外，在本文中记载的所有示例在原则上明确旨在用于教学目的，以帮助读者理解本发明的原理和由(一个或多个)发明人对现有技术做出进一步贡献的构思，并且将被解释为不限于这样的特定记载的实施例和状况。另外，在本文中使用的术语“或”是非排他性的或(即，和/或)，除非另有说明(例如，“否则”或“或在替代方案中”)。而且，在本文中描述的各种示例实施例不一定是相互排斥的，因为一些示例实施例能够与一个或多个其他示例实施例相结合以形成新的示例实施例。诸如“第一”、“第二”、“第三”等描述符并不意味着限制所讨论的元件的顺序，其目的是将一个元件与下一个元件区分开，并且通常是可互换的。诸如最大值或最小值之类的值可以被预先确定并且基于应用被设置为不同的值。
示例实施例描述了用于识别医学设施中被认为是暴露于病原体或否则可以导致疾病或感染的“热点”的区的系统和方法。这是例如通过以下操作来实现的：识别具有高度易受感染患者的区和/或识别具有将病原体传递给他人的风险的受感染患者。通过识别这些区或患者，可以缩减甚至阻止HAI的传播。
图1图示了用于管理医学设施中的感染和疾病(例如，HAI)的传播的方法的实施例。医学设施可以包括医院、医生办公室、手术中心、医学诊所，或任何其他的受感染或易受感染的人可能所在的区。为了方便起见，在下面的说明中将医学设施作为医院进行讨论。
在操作110中，该方法包括识别在医院中受到一种或多种预定疾病或病原体感染的患者。可以对医院中的所有患者执行该操作，或者可以对一个或多个预先指定的区、护理病房、楼层或医院中的其他区中的患者执行该操作。可以通过姓名(或其他标识符)和/或医院中的位置来识别受感染患者。在一个实施例中，可以通过医院中的位置(例如，病床、病房、患者处置区)和/或患者可能驻留或否则被护理的其他地方来识别患者。
图2A中图示了一个示例，其中，受感染患者的位置是基于他被分配到的病床210来识别的。在这种情况下，受感染患者的病床在病房250的病区240中，与病床220和230中的患者共享病区240。在所图示的示例中，病房可以包括其他病区260和265，病区260和265包括被分配给未被感染的患者的病床。可以例如通过屏风或另一种类的分隔物来完成对病区的分区。病房中的所有患者了可以被认为是易受感染的(例如，因为分隔物无法隔离受感染患者与未受感染患者，因为与处理了病房中的患者的护士相接触)。
一些类型的感染可能会比其他类型的感染更具传染性。在一个实施例中，在操作110中可以识别被认为是最令人关注的感染。在其他实施例中，可以通过感染的类型对患者进行归类。可以例如基于存储的信息来识别患者，所存储的信息是由医疗保健专业人员事先确定的，它提供令人关注的感染的类型的列表。HAI的示例包括但不限于流感、肝炎、HIV、流脑、肺结核，以及霍乱。
在操作120中，感染风险得分Ri被分配给每个受感染患者。可以以各种方式确定针对每个受感染患者(或同义词每个病床)的风险得分。在一个实施例中，针对每个受感染患者的风险得分Ri可以基于包括以下各项的因素：患者受到感染的时间长度、感染的严重程度以及给予患者的抗生素(或其他药物或处置)的过程。在一个实施例中，可以给这些因素分配权重以指示例如在计算风险得分的过程中的感染的不同重要水平或严重程度。对于具有更严重的感染或者对他人的感染风险更高的患者(例如，被认为具有比其他类型的感染更具传染性的感染的患者)来说，风险得分Ri会具有更高的值。对于不太严重和/或传染性不强的感染来说，风险得分会较低。
根据图2E中图示的一个实施例，可以通过基于实验室值211、人口统计数据212和/或针对患者记录的生命体征计算特征向量215来确定针对患者的风险得分。实验室值211可以包括例如临床实验室检验得分，例如，WBC、肌酐和碳酸氢盐。这些检验可以例如每天施加一次，或者例如当患者在医院时间歇性地施加。人口统计数据212可以包括例如年龄、身高、体重等。该信息可以从包括在医学设施中存储的医学记录的各种源中汲取，或者可以从一个或多个远程源获得。生命体征213可以包括例如温度、血压、心率等。一旦收集了该信息，就可以例如使用一个或多个已知算法214来计算特征向量215。
在计算了特征向量15之后，可以使用机器学习算法217来生成针对患者的风险得分218。在一个实施方式中，机器学习算法217可以包括分类算法，该分类算法基于特征向量来生成在预定范围内(例如，在0至1之间)的概率得分。在一个实施例中，更接近0的值指示患者被感染的风险较低，而更接近1的值指示患者被感染的风险较高。
在操作130中，将风险得分Rni分配给医院中不被认为受到感染的患者。在一个实施例中，将风险得分Rni分配给医院中的每一个患者(或病床)。在其他实施例中，可以将风险得分分配给仅在医院的某些区域或区中的患者和/或在受感染患者的某个范围或接近度内的患者。
可以通过会考虑以下因素的算法来计算风险得分Rni：受感染患者的病床到未受感染患者的病床的接近度、受感染患者的病床与未受感染患者的病床之间的分隔物的类型(例如、墙壁、窗帘、走廊、没有分隔物而使得受感染患者的病床与未受感染患者的病床在同一房间内)，识别的感染病原体(例如，高度传染性、中度传染性、传染性不是很强)，暴露的类型(例如，共享同一护士、清洁剂、医疗保健提供者或医院的其他成员或雇员的患者，经受相同的流程或处置的患者，具有共病症的患者等)，以及其他可以影响受感染患者的病床与未受感染患者的病床之间的分隔的因素。
可以为计算未受感染患者的风险得分而将这些因素和/或其他因素考虑在内的算法的示例可以基于公式1，其中，Rni指示被分配给未受感染但在受感染患者附近的患者的风险得分，并且Ri与在操作120中针对受感染患者计算的风险得分相对应。图3A图示了这个与受感染患者A和邻近的未受感染患者B有关的公式。
Rni＝γ*Ri (1)
在公式1中，γ可以对应于加权值，例如，在0至1之间的加权值。该加权值可以基于相对位置、分隔物类型、就位的协议或流程和/或任何其他前面提到的因素(其本身可以是根据预定重要程度而分配的权重)来计算。由于伽玛值在0至1之间，因此被分配给具有某种感染风险的患者的风险得分的值将小于(例如，具有折扣)的受感染患者的风险得分的值。没有感染风险的患者将有伽玛值0，而受感染患者将具有伽玛值1。
图3B图示了用于计算针对未受感染患者的风险得分的算法的示例。该算法包括在公式1中计算伽马值，其方法是首先基于例如以下各项来生成特征向量330：病床311之间的分隔物、感染病原体312、共享的资源313、与受感染患者的接近度314，以及之前在同一病床上的受感染患者315。可以例如基于记录数据或历史数据、统计数据和/或通过一个或多个预定算法来为这些特征中的每个特征分配或计算值。
例如，针对病床之间的分隔物的值可以是基于包括以下各项的类别的值：同一房间的直接邻居、同一房间的非邻居、不同房间的直接邻居、同一楼层等。针对感染病原体的值可以基于包括以下各项的类别：经由空气的传播、经由水的传播、经由体液或接触的传播等。针对共享的资源的值可以基于包括以下各项的类别：同一通气机、同一浴室、同一护士等。在一个实施例中，使用共享的护士可以具有其自己的归类值，例如基于共享的护士的类型的归类值。针对之前在同一病床上的患者状况的值可以基于之前的患者受到感染还是未受到感染。
一旦确定了所有这些值，就可以使用算法320来生成特征向量330。该算法可以是例如基于输入值来生成特征向量的分类算法。然后可以将特征向量330输入到机器学习算法340，机器学习算法340生成公式(1)的伽马值。在一个实施例中，机器学习算法可以基于伽马值与针对受感染患者生成的风险得分310的乘积来生成针对未受感染患者的风险得分。针对未受感染患者的风险得分350提供了该患者被受感染患者感染的易感性的指示。
图2B图示了涉及相对于受感染患者来分配风险得分Rni的可能场景。这里，随着病床220和230与病床210中的受感染患者的病床210之间的距离逐渐增大，赋予病床220和230的风险得分也越来越低。赋予在同一病房的更远位置处的另一病床270的风险得分更低，并且向该病房中的剩余的两个病床280和290分配指示被受感染患者感染的风险的风险得分。
在一个实施例中，可以利用颜色编码的标记和/或其他指示得分的相对关系的标记在显示器上生成并输出如图2B所示的图形表示。例如，受感染患者的病床可以是红色的，没有被感染风险的患者的病床可以是绿色的，而具有不同程度的感染风险的患者的病床可以具有相同颜色或不同颜色的不同对应阴影。
针对未受感染患者的风险得分(例如，伽马值)可以是不同的，例如基于某种分隔物的放置情况和/或其他因素，例如，采取的医学流程或预防措施或就位的预防性措施。例如，如果提供提高的保护而免受病原体传递影响的分隔物被放置在更靠近的未受感染患者与受感染患者之间，则更靠近受感染患者的患者的风险得分可以低于针对更远离受感染患者的风险得分。
在操作140中，基于针对受感染患者的风险得分Ri与针对未受感染患者的风险得分Rni来确定至少一个风险易发区RPA。可以例如通过将风险得分Ri和Rni外推到楼层水平或其他区来确定风险易发区RPA。在图2C中用区295来指示针对图2B中的情况确定的RPA的示例。在该示例中，风险易发区295被确定为包括与受感染患者210处于同一病房的具有非零风险得分Rni的所有患者220、230和270。在另一实施例中，RPA可以不包括具有非零风险得分Rni的所有患者。
在操作150中，在识别了RPA之后，额外操作包括采取特定的预防措施以降低或防止风险易发区内的患者的感染风险。这可以包括：向未受感染患者分配不同的雇员、护士或其他医学人员以防止受感染患者的交叉污染，隔离受感染患者，移动受感染患者，移动未受感染患者(或至少那些具有高于预定阈值水平的风险得分的患者和/或采用其他动作以防止感染)。要采用的用于降低未受感染患者的风险得分的动作可以使用例如基于马尔可夫决策过程的算法或加强学习算法来确定。参见例如https://inst.eecs.berkeley.edu/～cs188/fa06/Handouts/mdps.pdf和https://en.wikipedia.org/wiki/马尔可夫_decision_process，它们是可以使用的马尔可夫决策过程的示例。
在图2D中图示了采用这些额外动作的示例，其中，受感染患者210被移动到远处或病房的隔离病区，其中没有患者或者只有很少的患者。当移动受感染患者时，可以重复操作130和140以确定针对未受感染患者的新的风险得分，这样可以确定新的风险易发区298。在本示例中，在未受感染患者中，仅病床280中的患者具有非零的风险得分。即使在这种情况下，病床280中的患者也具有非常低的感染风险(例如，由光阴影所指示的)，这是因为受感染患者的移动受到限制并且采取了额外的预防措施以防止感染的传播。
图4图示了用于管理医学设施中的感染和疾病的传播的方法的另一实施例。在该实施例中，未受感染患者在两个或更多个受感染患者之间(或者否则在两个或更多个受感染患者附近)。如前面所指出的，所有三个患者可能在同一病房、处置区、护理室、楼层、区域、房间或医院中感染可能传播的其他位置。
在操作410中，该方法包括识别受感染患者，例如，通过名字(或其他标识符)和/或医院中的位置来识别受感染患者。在一个实施例中，可以通过医院中的位置(例如，患者病床、患者房间、患者处置区和/或患者可能驻留或以其他方式被护理的其他位置)来识别患者。
在操作420中，将感染风险得分Ri分配给在操作410中识别的受感染患者。可以以与操作120相同的方式(例如，基于包括患者已被感染的时间长度、感染的严重程度以及正给患者进行的抗生素(或其他药物或处置)的过程在内的因素)确定针对受感染患者中的每个受感染患者的风险得分Ri。针对呈现出较高感染风险的受感染患者的风险得分Ri的值高于例如被认为感染了被认为比其他类型的感染更具传染性的感染的其他患者的风险得分Ri的值。
在操作430中，将风险得分Rni分配给不被认为受到感染但在受感染患者附近的患者。在所考虑的示例中，在两个受感染患者之间有一个未受感染患者。针对(一个或多个)未受感染患者的(一个或多个)风险得分Rni可以通过可以考虑了以下因素的算法来计算：受感染患者的病床与未受感染患者的病床的接近度、受感染患者的病床与未受感染患者的病床之间的分隔物的类型(例如、墙壁、窗帘、走廊、没有分隔物而使得受感染患者的病床与未受感染患者的病床在同一房间内)、识别的感染病原体(例如，高度传染性、中度传染性、传染性不是很强)，暴露的类型(例如，共享同一护士、清洁剂、医疗保健提供者或医院的其他成员或雇员的患者，经受相同的流程或处置的患者，具有共病症的患者等)，以及其他可以影响受感染患者的病床与未受感染患者的病床之间的分隔的因素。
在一个实施例中，可以基于当将公式1应用于每个受感染患者时生成的值的总和来计算针对未受感染患者的风险得分。例如，考虑到以下情况：未受感染患者C在两个受感染患者A和B之间。患者A和B可能具有相同或不同的风险得分Ri(例如，因为它们具有不同的感染或者处于相同感染的不同阶段)。因此，更接近具有较高风险得分或较低风险得分的受感染患者可以改变针对患者C最终计算的风险得分Rni。在该情况下，如图5所示，假设患者C距受感染患者A和B的距离相同。
可以考虑这种情况的算法的示例可以基于公式2来计算针对患者C的风险得分。
Rni(C)＝γ(A)*RiA+γ(B)*RiB (2)
其中，Rni(C)是针对未受感染患者C的风险得分，它是基于相对于受感染患者A独立计算的针对患者C的风险得分与相对于受感染患者B独立计算的针对患者C的风险得分的总和来计算的。由于先前在计算公式1中描述的各种因素在该实施例中可以等同地应用，因此伽马值γ(A)和γ(B)用于计算相对于患者A和B的风险得分，它们可以是相同的或不同的，并且基于先前描述的因素，风险得分RiA和RiB可以是相同的或不同的。
在操作440中，基于针对受感染患者的风险得分Ri和未受感染患者的风险得分Rni来确定至少一个风险易发区RPA(或“热点”)。在一些实施例中，确定RPA可以是任选的，特别是在关注点是降低在两个受感染患者之间的患者C的感染风险的情况下。
在操作450中，在识别了(一个或多个)RPA之后，额外操作包括采取特定的预防措施以降低或防止风险易发区内的患者的感染风险。这可以包括：向未受感染患者分配不同的雇员、护士或其他医学人员以防止受感染患者的交叉污染，隔离受感染患者，移动受感染患者，移动未受感染患者(或至少那些具有高于预定阈值水平的风险得分的患者和/或采用其他动作以防止感染)。
在一个实施例中，可以使用两种措施之一来降低或防止在受感染患者A和B之间的未受感染患者C的感染风险。首先，可以将未受感染患者移动到另一(例如，私人或半私人)房间或病房，在那里他可以得到相同水平的护理。此时，可以采取各种预防措施以前瞻性地处置感染的可能性，或者，如果已经发生接触，则可以处置感染的早期阶段。在另一情况下，可以将受感染患者移动到另一房间，例如，配备有一种或多种感染预防功能的私人房间。
其次，可以实施优化算法以确定在给定了医院中的当前环境和当前护理水平的情况下移动未受感染患者或受感染患者的最佳可能位置。可以例如在以下情况下使用这样的算法：当在医院中有固定数量的能够放置受感染患者的地方时，以及当无法找到要放置受感染患者的具有感染预防措施的隔离房间或私人房间时。
优化算法的一个示例使用马尔可夫决策过程(MDP)作为用于确定移动受感染患者中的一个或多个受感染患者的可能最佳位置的框架(例如，映射状态、动作、奖励)。这个框架有助于将医院环境映射为加强学习问题。
马尔可夫决策过程可以通过相对于每个受感染患者定义状态和动作来实施。状态可以包括或者指示例如在当前护理水平下受感染患者的病床以及将患者从一种状态(患者病床)移动另一种状态(患者病床)。这些动作可以包括医院为了改变受感染患者的状态所采用的动作。例如，一个动作可以对应于移动受感染患者或者执行使受感染患者的状态发生转变的其他动作，以便例如降低感染的传播。在马尔可夫决策过程中，会生成将增大的结果(例如，奖励)，因为针对周围患者的风险减小了。
一旦定义了一组状态、动作和奖励，马尔可夫链就可以用于确定医院能够采用的用于降低或阻止感染传播风险的适当(且优选为最佳)动作。这可以例如使用Bellman方程来完成，如公式3所示。
V(s)＝maxa(R(s,a)+γV(s′)) (3)
在公式3中，V(s)是在减小受感染患者对周围区的威胁方面产生的总奖励(在医院场景中)，R(s,a)是当医院采用动作a时受感染患者造成的风险，并且γ是对周围患者造成的风险的折扣因素。在一个实施例中，风险和R值是成反比的，例如，风险越低，R(s,a)值就越高。而且，V(s)的值越高，受感染患者对周围环境的威胁就越低。因此，V(s)是感染造成的风险与对受感染患者周围的病床造成的风险的折扣值V(s′)的总和。因此，公式3计算在用于定义马尔可夫链的状态和动作下由受感染患者造成的总风险。
图6图示了用于管理医学设施中的感染和疾病(例如，HAI)的传播的处理系统600的实施例。处理系统包括处理器610、机器可读存储介质620、数据库630、接口640和显示器650。处理器610可以以逻辑单元的形式实施，该逻辑单元例如可以包括硬件、软件或这两者。当至少部分地以硬件实施时，处理器610可以是例如各种集成电路中的任一种，包括但不限于专用集成电路、现场可编程门阵列、中央处理单元、逻辑门的组合、片上系统、微处理器或另一类型的处理或控制电路。
当至少部分地以软件实施时，处理器610可以包括或者被耦合到用于存储代码或指令的存储器或其他存储设备(例如，介质620)，该代码或指令例如由计算机、处理器、微处理器、控制器或其他信号处理设备来执行。由于详细描述了构成方法(或计算机、处理器、微处理器、控制器或其他信号处理设备的操作)的基础的算法，因此用于实施方法实施例的操作的代码或指令可以将计算机、处理器、控制器或其他信号处理设备变换成用于执行本文描述的实施例的操作和方法的专用处理器。
机器可读存储介质620存储指令，该指令用于控制处理器610以执行本文描述的方法实施例的一些或全部操作。在这种情况下，模块、阶段和/或其他特征可以以本文中的任何形式的逻辑单元(软件、硬件或组合)来实施。
数据库630存储可以由处理器610生成和/或使用以执行前述操作中的一个或多个操作的各种形式的信息。在一个实施例中，数据库630可以存储用于识别患者是否受到感染的数据、针对受感染患者生成的风险得分、针对未受感染患者生成的风险得分、识别风险易发区(或热点)的信息以及用于在给定了热点区中的计算得分的情况下管理和降低感染传播风险的协议。数据库630可以是或者包括集中式数据库、分散式数据库(例如，区块链)或分别存储前述得分和其他信息以供医院网络中的管理人员或其他人员访问和审查的数据库存储网络。在一个实施例中，数据库630可以至少部分在基于云的网络中实施。
接口640可以以硬件、软件或这两者来实施。当以硬件实施时，接口640可以包括端口、连接器、引脚配置、线缆或信号线。在一个实施例中，接口可以包括无线接口(例如，WiFi、GSM、CDMA、LTE或其他移动网络)或与另一类型的通信协议兼容的接口)。接口640可以在处理器610与数据库630之间传送信息，这些信息包括但不限于基于模块620的操作而生成的数据。接口640还可以接收来自用户的信息以控制处理器和模块，从而例如利用不同的或更新的参数来更新处理器或模块等。
在一种情况下，处理器610可以远离显示器650的位置，例如可以被包括在能由在不同位置处的人员访问的虚拟专用网络中。当以软件实施时，处理器610与显示器650之间的接口可以包括例如在工作站、服务器、客户端或移动设备上运行的应用程序编程接口(API)。
在操作中，在机器可读介质620中存储的指令控制处理器610以执行本文描述的方法实施例和系统实施例的操作，包括实施算法、马尔可夫决策过程、公式和所公开的实施例的其他方面。处理器可以在这段时间接收来自一个或多个用户、应用程序和/或控制软件的输入以控制、改变或实施这些操作中的一些操作。可以在显示器650上显示处理器610的结果(包括风险得分、热点区的识别结果、生成的结果和概率等)。
技术创新
准确检测医院或其他医学设施中因传染病的传播造成的健康风险的能力是非常重要的，这不仅对于这些设施中的雇员、护理专业人员和患者来说很重要，而且还可以防止疫情的发生。对于未发育完全或免疫系统受损的人来说，防止感染是个生死攸关的问题。目前，没有可靠的方法来确定医学设施中具有病原体的区或者可以被标示为暴露于感染的“热点”的区。
根据一个或多个实施例，提供了识别医学设施中易于发生感染传播的区的系统和方法。然后生成概率结果以降低或防止这些区中的患者的风险。在一个实施例中，预想到不同的风险场景，并且使用算法为整个设施或设施的选定区中的患者生成并分配得分。然后将该得分用作用于识别给定区中的最大威胁的基础。通过分析(其可以是也可以不是使用马尔可夫链来执行的)，然后生成结果以优化用于引导医疗保健专业人员隔离受感染患者或者保护尚未受到感染的患者的操作。这些动作可以包括例如将受感染患者或未受感染患者移动到产生最低感染风险的各个位置。这些动作可以包括例如将患者移动到受到保护和隔离的房间，以最优方式重新安排患者在病房中的位置，实施协议(例如，消毒流程等)以减小风险得分，以及以指令指示医院工作人员在进入被识别为感染传播的热点区之前完成各种任务。
虽然实施例中的一个或多个特征可以涉及使用数学公式，但是实施例不会以任何方式仅仅局限于数学公式。他们也不是针对组织人类活动或心理过程的方法。相反，由实施例所采取的复杂和具体方法与所执行的信息处理量相结合来否定由人类活动或心理过程执行的实施例中的可能性。此外，虽然计算机或处理器的其他形式可以用于实施实施例的一个或多个特征，但是这些实施例并不是只涉及使用计算机作为工具来以其他方式执行先前手动执行的过程。
这些实施例也不会抢占做出医疗保健成本决策的一般构思。相反，本文公开的实施例采取特定的方法(例如通过事件日志、迹线设置、聚类算法以及加权和距离测量模型)来解决不会抢占的技术问题，或者以其他方式限制根据实践分配医疗保健资源的一般构思进行公开的技术问题。
本文描述的方法、过程和/或操作可以通过要由计算机、处理器、控制器或其他信号处理设备执行的代码或指令来执行。代码或指令可以被存储在根据一个或多个实施例的非瞬态计算机可读介质中。由于详细描述了形成方法(或计算机、处理器、控制器或其他信号处理设备的操作)的基础的算法，因此用于实施方法实施例的操作的代码或指令可以将计算机、处理器、控制器或其他信号处理设备变换成用于执行本文的方法的专用处理器。
本文公开的实施例的模块、阶段、模型、处理器和其他信息生成、处理和计算特征可以以逻辑单元(其例如可以包括硬件、软件或这两者)的形式实施。当至少部分地以硬件实施时，模块、模型、引擎、处理器和其他信息生成、处理或计算特征可以是例如各种集成电路中的任一种，包括但不限于专用集成电路、现场可编程门阵列、逻辑门的组合、片上系统、微处理器或另一类型的处理或控制电路。
当至少部分地以软件实施时，模块、模型、引擎、处理器和其他信息生成、处理和计算特征可以包括例如用于存储代码或指令的存储器或其他存储设备，该代码或指令例如由计算机、处理器、微处理器、控制器或其他信号处理设备来执行。由于详细描述了构成方法(或计算机、处理器、微处理器、控制器或其他信号处理设备的操作)的基础的算法，因此用于实施方法实施例的操作的代码或指令可以将计算机、处理器、控制器或其他信号处理设备变换成用于执行本文的方法的专用处理器。
根据前面的描述应当意识到，本发明的各种示例性实施例可以以硬件来实施。此外，各种示例性实施例可以被实施为在非瞬态机器可读存储介质上存储的指令，该非瞬态机器可读存储介质例如为易失性存储器或非易失性存储器，该指令可以由至少一个处理器读取和执行以执行本文详细描述的操作。非瞬态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制，例如，个人或膝上型计算机、服务器或其他计算设备。因此，非瞬态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、闪存设备和类似的存储介质，并且排除瞬态信号。
本领域技术人员应当理解，本文的任何框和框图表示体现本发明的原理的说明性电路的概念图。特定框的实施方式能够变化，而它们能够在硬件领域或软件领域中实施而不限制本发明的范围。类似地，应当理解，任何流程图表、流程图、状态转换图、伪代码等表示可以基本上被表示在机器可读介质中并因此由计算机或处理器运行的各种过程，无论这样的计算机或处理器是否被明确示出都是如此。
因此，应当理解，以上描述旨在是说明性的而非限制性的。在阅读了以上描述后，除了所提供的示例之外的许多实施例和应用将是明显的。不应参考以上描述或摘要来确定保护范围，而是应当参考权利要求以及这些权利要求所赋予的等同物的全部范围来确定保护范围。预期并希望本文所讨论的技术产生未来的发展并且所公开的系统和方法将被结合到这样的未来实施例中。总之，应当理解，该应用能够进行修改和变化。
益处、优点、问题解决方案以及可能使任何益处、优势或解决方案发生或变得更加明显的任何(一种或多种)要素不得被解释为任意或所有权利要求的关键的、必需的或必要的特征或要素。本发明仅由权利要求来限定，包括在本申请未决期间做出的任何修改以及所发布的那些权利要求的所有等同物。
除非在本文中做出明确的相反指示，否则权利要求中使用的所有术语都旨在给出如本文所讨论的技术中的技术人员所理解的它的最广泛的合理解释及其普通含义。特别地，应当理解，除非权利要求记载了对相反情况的明确限制，否则使用诸如“一”、“该”、“所述”等单数冠词应当是记载所指示的要素中的一个或多个。
提供本公开内容的摘要以允许读者快速确定本技术公开内容的本质。应当理解，摘要并不用于解读或限制权利要求的范围或含义。另外，在前面的具体实施方式中能够看出，为了简化本公开内容，在各种实施例中将各种特征组合在一起。本公开内容的方法不应被解读为反映所要求保护的实施例需要比每个权利要求中明确记载的特征更多的特征的意图。而是，如权利要求所反映的，发明主题在于少于单个公开实施例的所有特征。因此，权利要求在此并入具体实施方式中，每个权利要求自身代表单独的要求保护的主题。

Claims (20)

1.一种用于处理医学信息以确定医学设施的感染风险易发区的方法，包括：
识别处于第一状态的第一患者；
识别处于第二状态的第二患者；
计算针对所述第一患者的第一风险得分；
计算针对所述第二患者的第一风险得分；并且
基于针对所述第一患者的第一风险得分和针对所述第二患者的第一风险得分来确定所述医学设施中的风险易发区，其中，所述第一状态是受感染状态，并且所述第二状态与所述第一状态不同，并且其中，所述第一患者的第一风险得分提供对所述第一患者的所述受感染状态的严重程度的指示，并且所述第二患者的第一风险得分提供对所述第二患者被所述第一患者感染的指示。
2.根据权利要求1所述的方法，其中，所述第二患者的第一风险得分是基于所述第一患者的第一风险得分和伽马值来计算的，所述伽马值与所述第二患者将被所述第一患者感染的概率相对应。
3.根据权利要求2所述的方法，还包括：
基于在所述医学设施中所述第二患者相对于所述第一患者的位置的位置来计算所述伽马值。
4.根据权利要求2所述的方法，还包括：
基于所述第一患者与所述第二患者之间的分隔物的类型来计算所述伽马值。
5.根据权利要求2所述的方法，还包括：
基于所述医学设施处就位的一个或多个流程或协议来计算所述伽马值。
6.根据权利要求1所述的方法，还包括：
确定所述医学设施中的第一位置以将所述第二患者相对于所述第一患者的位置进行移动，
计算针对在所述第一位置处的所述第二患者的第二风险得分，并且
如果与所述第一患者的第一风险得分相比，针对所述第二患者的第二风险得分指示较低的所述第二患者将被所述第一患者感染的概率，则选择所述第一位置。
7.根据权利要求1所述的方法，还包括：
识别一个或多个动作以减小所述第二患者的第一风险得分。
8.根据权利要求1所述的方法，还包括：
识别处于所述第一状态的第三患者；
计算针对所述第三患者的风险得分；
基于所述第三患者的风险得分来计算针对所述第二患者的第二风险得分；并且
基于所述第二患者的第一风险得分和针对所述第二患者的第三风险得分来计算针对所述第二患者的第三风险得分。
9.根据权利要求8所述的方法，其中，所述第一患者和所述第三患者具有不同的感染或者处于相同感染的不同阶段。
10.根据权利要求8所述的方法，其中，所述第三患者的风险得分与所述第一患者的第一风险得分不同。
11.根据权利要求8所述的方法，还包括：
确定所述医学设施中的多个位置以将所述第二患者相对于所述第一患者的位置和所述第三患者的位置进行移动；并且
使用马尔可夫链从所述多个位置中选择一个位置，所述马尔可夫链生成与所述多个位置相对应的不同概率。
12.一种用于处理医学信息的系统，包括：
存储区，其用于存储算法；
处理器，其被配置为实施所述算法以执行以下操作：
a)计算针对处于第一状态的第一患者的第一风险得分；
b)计算针对处于第二状态的第二患者的第一风险得分；并且
c)基于针对所述第一患者的第一风险得分和针对所述第二患者的第一风险得分来确定医学设施中的风险易发区，其中，所述第一状态是受感染状态，并且所述第二状态与所述第一状态不同，并且其中，所述第一患者的第一风险得分提供对所述第一患者的所述受感染状态的严重程度的指示，并且所述第二患者的第一风险得分提供对所述第二患者被所述第一患者感染的指示。
13.根据权利要求12所述的系统，其中，所述处理器被配置为：
基于所述第一患者的第一风险得分和伽马值来计算所述第二患者的第一风险得分，所述伽马值与所述第二患者将被所述第一患者感染的概率相对应。
14.根据权利要求13所述的系统，其中，所述处理器被配置为：
基于以下各项中的至少一项来计算所述伽马值：在所述医学设施中所述第二患者相对于所述第一患者的位置的位置、所述第一患者与所述第二患者之间的分隔物的类型，或在所述医学设施处就位的一个或多个流程或协议。
15.根据权利要求12所述的系统，其中，所述处理器被配置为：
确定所述医学设施中的第一位置以将所述第二患者相对于所述第一患者的位置进行移动，
计算针对在所述第一位置处的所述第二患者的第二风险得分，并且
如果与所述第一患者的第一风险得分相比，针对所述第二患者的第二风险得分指示较低的所述第二患者将被所述第一患者感染的概率，则选择所述第一位置。
16.根据权利要求12所述的系统，其中，所述处理器被配置为识别一个或多个动作以减小所述第二患者的第一风险得分。
17.根据权利要求12所述的系统，其中，所述处理器被配置为：
识别处于所述第一状态的第三患者；
计算针对所述第三患者的风险得分；
基于所述第三患者的风险得分来计算针对所述第二患者的第二风险得分；并且
基于所述第二患者的第一风险得分和针对所述第二患者的第三风险得分来计算针对所述第二患者的第三风险得分。
18.根据权利要求17所述的系统，其中，所述处理器被配置为：
确定所述医学设施中的多个位置以将所述第二患者相对于所述第一患者的位置和所述第三患者的位置进行移动；并且
使用马尔可夫链从所述多个位置中选择一个位置，所述马尔可夫链生成与所述多个位置相对应的不同概率。
19.一种非瞬态机器可读介质，其存储用于控制处理器以执行操作的指令，所述操作包括：
计算针对处于第一状态的第一患者的第一风险得分；
计算针对处于第二状态的第二患者的第一风险得分；并且
基于针对所述第一患者的第一风险得分和针对所述第二患者的第一风险得分来确定医学设施中的风险易发区，其中，所述第一状态是受感染状态，并且所述第二状态与所述第一状态不同，并且其中，所述第一患者的第一风险得分提供对所述第一患者的所述受感染状态的严重程度的指示，并且所述第二患者的第一风险得分提供对所述第二患者被所述第一患者感染的指示。
20.根据权利要求19所述的介质，其中，所述指令用于控制所述处理器以执行以下操作：
基于所述第一患者的第一风险得分和伽马值来计算所述第二患者的第一风险得分，所述伽马值与所述第二患者将被所述第一患者感染的概率相对应。
CN202080028373.3A 2019-04-12 2020-04-10 用于识别医院中的感染热点的方法和系统 Pending CN113692625A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962833152P 2019-04-12 2019-04-12
US62/833,152 2019-04-12
PCT/EP2020/060303 WO2020208219A1 (en) 2019-04-12 2020-04-10 Method and system for identifying infection hotspots in hospitals

Publications (1)

Publication Number Publication Date
CN113692625A true CN113692625A (zh) 2021-11-23

Family

ID=70285693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080028373.3A Pending CN113692625A (zh) 2019-04-12 2020-04-10 用于识别医院中的感染热点的方法和系统

Country Status (3)

Country Link
US (1) US20220028533A1 (zh)
CN (1) CN113692625A (zh)
WO (1) WO2020208219A1 (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010066033A1 (en) * 2008-12-08 2010-06-17 Niall Wallace Disease mapping and infection control system and method
US20100169122A1 (en) * 2008-12-31 2010-07-01 Cerner Innovation, Inc. Identification of health care associated infections
TWI451354B (zh) * 2011-01-07 2014-09-01 Univ Taipei Medical 一種高效率整合式院內感染監視和早期偵測系統及方法
WO2017093884A1 (en) * 2015-12-03 2017-06-08 Koninklijke Philips N.V. Assigning patients to hospital beds
WO2017177111A1 (en) * 2016-04-08 2017-10-12 Rdb Bioinformatics, Llc A multi-level, laboratory-based surveillance system for detection of intraoperative "eskape" bacterial pathogens for hcai prevention
US11476006B2 (en) * 2017-08-21 2022-10-18 Koninklijke Philips N.V. Predicting, preventing, and controlling infection transmission within a healthcare facility using a real-time locating system and next generation sequencing

Also Published As

Publication number Publication date
WO2020208219A1 (en) 2020-10-15
US20220028533A1 (en) 2022-01-27

Similar Documents

Publication Publication Date Title
US20200294680A1 (en) Advanced smart pandemic and infectious disease response engine
US20170024531A1 (en) Systems and methods for near-real or real-time contact tracing
Baumann et al. Evaluation of the Emergency Severity Index (version 3) triage algorithm in pediatric patients
Grossmann et al. At risk of undertriage? Testing the performance and accuracy of the emergency severity index in older emergency department patients
Zhang et al. Hospital response to the COVID‐19 outbreak: The experience in Shanghai, China
JP2018139111A (ja) 臨床判断支援のためのシステムおよび方法
Kang et al. Real-time risk prediction on the wards: a feasibility study
McCaw et al. How to quantify and interpret treatment effects in comparative clinical studies of COVID-19
KR20170108583A (ko) 전염병에 대응을 위해 생체 신호를 분석하는 방법 및 그 장치
US20180358131A1 (en) Assigning patients to hospital beds
US20180101659A1 (en) Methods, devices, and systems for identifying, monitoring, and treating a mental health disorder
Khamis et al. AI and robotics in the fight against COVID-19 pandemic
Ju et al. Computer modeling of lung cancer diagnosis-to-treatment process
Ljubic et al. Social network analysis for better understanding of influenza
Johnson et al. Causal inference on electronic health records to assess blood pressure treatment targets: an application of the parametric g formula
Veena et al. Applications, opportunities, and current challenges in the healthcare industry
Yan et al. Tied infections: How social connectedness to other COVID-19 patients influences illness severity
EP3726533A1 (en) Sepsis automated reporting system
US20220028533A1 (en) Method and system for identifying infection hotspots in hospitals
Kumaresan et al. Amalgamation of blockchain, IoT, and 5G to improve security and privacy of smart healthcare systems
Murphy Communicable diseases in humanitarian operations and disasters
Stecher Physician network connections to specialists and HIV quality of care
Woods et al. The future of data‐driven wound care
Yazdani et al. Logistics of patient evacuation in response to disease outbreaks: critical considerations for transportation planning
US20180315510A1 (en) Use of clinical knowledge to improve use of next generation sequencing

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