CN113990501A - 一种icu患者身体约束决策方法 - Google Patents
一种icu患者身体约束决策方法 Download PDFInfo
- Publication number
- CN113990501A CN113990501A CN202111259986.0A CN202111259986A CN113990501A CN 113990501 A CN113990501 A CN 113990501A CN 202111259986 A CN202111259986 A CN 202111259986A CN 113990501 A CN113990501 A CN 113990501A
- Authority
- CN
- China
- Prior art keywords
- score
- body constraint
- consciousness
- patient
- icu
- 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.)
- Granted
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
- 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
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Accommodation For Nursing Or Treatment Tables (AREA)
Abstract
本发明公开了一种ICU患者身体约束决策方法，包括如下步骤：S1、根据护理记录单，自动获取患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的取值；S2、根据各变量得分规则，依次输入S1得到的各个变量取值，自动获取患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的得分，并计算身体约束决策的总得分，建立ICU患者身体约束决策评估表；S3、根据公式P=1/（1+e‑a），计算身体约束概率P；S4、约束判定：当P＜24%，不约束；当24%≤P≤36%，约束替代；当P＞36%，约束；S5、系统内形成ICU患者身体约束决策表。优点，本方法，实现了患者身体约束决策信息化，并且为新手护士提供一定的导向作用，替代了人工方式，提高工作效率。
Description
技术领域
本发明涉及一种ICU患者身体约束决策方法。
背景技术
重症监护病房(ICU)是以救治各类危重症及多系统功能衰竭患者为主的综合诊疗体系。ICU患者病情重，常伴有神志不清，躁动不安，其状态经常会妨碍常规治疗，甚至发生患者自我伤害的行为。目前，为了避免上述情况的发生，对ICU患者需进行身体约束；但是，也不是所有患者都需要的。
发明内容
本发明提出一种能够快速判断出是否需要对ICU患者进行身体约束的方法，具体的技术方案如下：
一种ICU患者身体约束决策方法，包括如下步骤：
S1、根据护理记录单，自动获取患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的取值；
S2、根据各变量得分规则，依次输入S1得到的各个变量取值，自动获取患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的得分，并计算身体约束决策的总得分，建立ICU患者身体约束决策评估表；
S3、根据公式P=1/（1+e-a），自动计算身体约束概率P；
其中，a=(-5.419+β1*X1+β2*X2+β3*X3+β4*X4+β5*X5+β6*X6)，β1为依据X1的得分赋予的系数，β2为依据X2的得分赋予的系数，β3为依据X3的得分赋予的系数，β4为依据X4的得分赋予的系数，β5为依据X5的得分赋予的系数，β6为依据X6的得分赋予的系数；
S4、约束判定：当P＜24%，不约束；当24%≤P≤36%，约束替代；当P＞36%，约束；
S5、系统内形成ICU患者身体约束决策表。
本发明方法，自动获取患者约束影响因素的相关信息，通过一定的算法，得出患者身体约束的概率，并根据对前期数据的统计分析以及身体约束的概率P值自动做出约束决策。
对本发明技术方案的优选，S2中ICU患者身体约束决策评估表包括患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的取值以及得分。本发明中的ICU患者身体约束决策评估表，为根据前期数据分析建立的表格。
对本发明技术方案的优选，S5中ICU患者身体约束决策表包括患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的取值以及得分、身体约束总得分、身体约束概率P和约束决策。ICU患者身体约束决策表，是在ICU患者身体约束决策评估表的基础上，将得到的身体约束总得分、身体约束概率P和约束决策添加进去，形成的最后表格。
对本发明技术方案的优选，根据X1得分为1.0159*患者年龄X1-10.159，患者年龄X1为根据护理记录单上患者身份证号码获得。
对本发明技术方案的优选，S2中X2的得分的具体方法如下：X2的得分根据GCS评分获得：当GCS：3~8分，意识判定为昏迷，X2得分为0；当GCS：9~14分，意识判定为意识障碍，X2得分为50；当GCS：15分或未评，意识判定为清楚，X2得分为15；GCS评分根据Glasgow昏迷评定量表获得。Glasgow昏迷评定量表为本技术领域公开使用的表格，本领域技术人员已知。
对本发明技术方案的优选，S2中X3的得分的具体方法如下：活动能力X3分为主动和被动，主动时，X3得分为0；被动时，X3得分为37。
对本发明技术方案的优选，S2中X4的得分的具体方法如下：X4的得分根据理查曼躁动-镇静评估量表的结果获得，结果为≥2，X4得分为0；结果为未评估，X4得分为54；结果为≤-3，X4得分为70；结果为-3~2，X4得分为100。理查曼躁动-镇静评估量表为本技术领域公开使用的表格，本领域技术人员已知。
对本发明技术方案的优选，S2中X5的得分的具体方法如下：X5的评分根据ICU患者意识模糊评估单的结果获得，结果为无法评估，X5得分为0；结果为阴性，X5得分为5；结果为阳性，X5得分为85。ICU患者意识模糊评估单为本技术领域公开使用的表格，本领域技术人员已知。
对本发明技术方案的优选，S2中X6的得分的具体方法如下：当结果为否，X6得分为0；结果为是，X6得分为20。
本发明的有益效果是：
1、本发明的ICU患者身体约束决策方法，自动获取护理记录单上的取值，获得各项变量的得分，系统内建立ICU患者身体约束决策评估表；同时能得出身体约束概率P的数值；根据P值，快速的作出决策。
2、本发明的ICU患者身体约束决策方法，实现了患者身体约束决策信息化，并且为新手护士提供一定的导向作用，替代了人工方式，提高工作效率。
附图说明
图1为本发明方法的流程框图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
为使本发明的内容更加明显易懂，以下结合附图1和具体实施方式做进一步的描述。
如图1所示，本实施例提供的一种ICU患者身体约束决策方法，包括如下步骤：
S1、根据护理记录单，自动获取患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的取值；
S2、根据各变量得分规则，依次输入S1得到的各个变量取值，自动获取患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的得分，并计算身体约束决策的总得分，建立ICU患者身体约束决策评估表；
S3、根据公式P=1/（1+e-a），自动计算身体约束概率P；
其中，a=(-5.419+β1*X1+β2*X2+β3*X3+β4*X4+β5*X5+β6*X6)，β1为依据X1的得分赋予的系数，β2为依据X2的得分赋予的系数，β3为依据X3的得分赋予的系数，β4为依据X4的得分赋予的系数，β5为依据X5的得分赋予的系数，β6为依据X6的得分赋予的系数；
S4、约束判定：当P＜24%，不约束；当24%≤P≤36%，约束替代；当P＞36%，约束；
S5、系统内形成ICU患者身体约束决策表。
本发明方法中，约束判定：当P＜24%，不约束；当24%≤P≤36%，约束替代；当P＞36%，约束；这个身体约束判定规则，是根据对前期数据的统计分析得出。
本发明方法中，当P＞36%，约束；此时，对患者需进行身体约束，身体约束是指使用相关用具或设备附加在或邻近于患者的身体，限制其身体或身体某部位自由活动和（或）触及自己身体的某部位。当24%≤P≤36%，约束替代；此时，可用于代替约束用具、减少身体约束的干预措施，如环境改变、巡视、倾听、陪伴等。
本方法中，护理记录单为，护士在本系统中对病人进行病情观察和实施护理措施的原始文字记载，是电子记录单。
本实施例中，S2中X1的得分的具体方法如下：根据X1得分为1.0159*患者年龄X1-10.159，患者年龄为根据本系统内护理记录单上患者身份证号码获得。
举例，护理记录单上患者身份证号码为xxxxxx19540120xxxx，得到患者年龄68；X1得分为1.0159*68-10.159得分为58.92。
本实施例中，X2的得分根据GCS评分获得：当GCS：3~8分，意识判定为昏迷，X2得分为0；当GCS：914分，意识判定为意识障碍，X2得分为50；当GCS：15分或未评，意识判定为清楚，X2得分为15；GCS评分由护士根据Glasgow昏迷评定量表获得。Glasgow昏迷评定量表如下表1所示。Glasgow昏迷评定量表为目前本技术领域公开使用的表格。
表1
意识：根据GCS评分：
昏迷（GCS：3~8分）：0分；
意识障碍（GCS：9~14分）：50分；
清楚（GCS：15分或未评）：15分。
举例：一位患者根据表1 Glasgow昏迷评定量表，得到GCS评分为7，则判断意识为昏迷，则X2得分为0。
本实施例中，S2中X3的得分的具体方法如下：活动能力X3分为主动和被动，主动时，X3得分为0；被动时，X3得分为37。 本实施例中，主动运动：患者在没有辅助情况下完成的一种运动。被动运动：是指全靠外力来帮助完成运动，这种外力既可借助康复器具，也可借助他人或自身健侧肢体来实现。
举例：一位患者，根据本系统内的护理记录单，直接获得活动能力的取值为主动，直接得到X3得分为0。
本实施例中，S2中X4的得分的具体方法：X4的评分根据理查曼躁动-镇静评估量表的结果获得，结果为≥2，X4得分为0；结果为未评估，X4得分为54；结果为≤-3，X4得分为70；结果为-3~2，X4得分为100。
理查曼躁动-镇静评估量表（Richmond Agitation-sedation scale，RASS）如下表2所示：理查曼躁动-镇静评估量表为目前本技术领域公开使用的表格。
表2
| 项目 | 分值 |
| 攻击性：明显攻击性或暴力行为，对人员有直接危险 | 4 |
| 非常躁动：拔、拽各种插管，或对人员有过激行为 | 3 |
| 躁动：频繁的无目的的动作或人机对抗 | 2 |
| 不安：焦虑或紧张但无攻击性或表现精力过剩 | 1 |
| 警觉但安静 | 0 |
| 嗜睡：不全警觉，但对呼唤持续清醒＞10s，能凝视 | -1 |
| 轻度镇静：对呼唤有短暂（＜10s）清醒，伴睁眼 | -2 |
| 中度镇静：对呼唤有一些活动（但无睁眼） | -3 |
| 深度镇静：对呼唤无反应但对躯体刺激有一些活动 | -4 |
| 不易觉醒：对呼唤或躯体刺激无反应 | -5 |
RASS评分：理查曼躁动-镇静评估量表
≥2：0分；
未评估：54分；
≤-3：70分；
-3~2：100分
举例：一位患者根据表2理查曼躁动-镇静评估量表，得到RASS评分为-1，则X4得分为100。
本实施例中，S2中X5的得分的具体方法如下：X5的评分根据ICU患者意识模糊评估单的结果获得，结果为无法评估，X5得分为0；结果为阴性，X5得分为5；结果为阳性，X5得分为85。
ICU患者意识模糊评估单（CAM-ICU）如下表3所示，ICU患者意识模糊评估单为目前本技术领域公开使用的表格。
表3
谵妄：CAM-ICU评估
无法评估：0分；
阴性：5分；
阳性：85分
举例：一位患者根据表3 ICU患者意识模糊评估单（CAM-ICU），得到的结果为阴性，则X5得分为5。
本实施例中，S2中X6的得分的具体方法如下：当结果为否，X6得分为0；结果为是，X6得分为20。
本实施例中，机械通气是指在病人自然通气和（或）氧合功能出现障碍时，运用器械（主要是呼吸机）使病人恢复有效通气并改善氧合的办法。根据是否建立人工气道分为有创机械通气和无创机械通气。有创机械通气是指建立人工气道（经鼻或口气管插管、气管切开）进行机械通气的方式。
举例：一位患者有创机械通气的取值为“是”，则X6得分为20。
本实施例中，S2中ICU患者身体约束决策评估表包括患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的取值以及得分。
本实施例中，将S1中获得的各个取值，输入本系统，获得患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的得分，本系统内建立ICU患者身体约束决策评估表，ICU患者身体约束决策评估表，如下表4所示。
表4
从ICU患者身体约束决策评估表能直观的获得身体约束决策的总分，根据身体约束决策的总分，能更直观的得到约束风险。本实施例中，在针对前期数据的统计分析中得知，身体约束决策的得分越高，约束风险也就是患者身体需要约束的概率越大。
计算身体约束概率P，通过身体约束概率P，判断是否需对患者身体进行约束。本实施例中，将ICU患者身体约束决策评估表内的各个得分，代入公式，系统计算身体约束概率P，P= 1/（1+e-a）。其中，a=(-5.419+β1*X1+β2*X2+β3*X3+β4*X4+β5*X5+β6*X6)，β1为依据X1的得分赋予的系数，β2为依据X2的得分赋予的系数，β3为依据X3的得分赋予的系数，β4为依据X4的得分赋予的系数，β5为依据X5的得分赋予的系数，β6为依据X6的得分赋予的系数。
本实施例中，每一个X对应一个β值，根据对前期数据统计分析获得，如下表5的每一个X对应一个β值的各变量赋值表。
表5
| 变量 | β | |
| 年龄（X<sub>1</sub>） | 年龄（X<sub>1</sub>） | 0.046 |
| 意识（X<sub>2</sub>） | 意识清楚（X<sub>2</sub>） | 0 |
| 意识障碍（X<sub>2</sub>） | 1.579 | |
| 昏迷（X<sub>2</sub>） | -0.689 | |
| 活动能力（X<sub>3</sub>） | 主动活动（X<sub>3</sub>） | 0 |
| 被动活动（X<sub>3</sub>） | 1.71 | |
| RASS评分（X<sub>4</sub>） | RASS未评（X<sub>4</sub>） | 0 |
| RASS≤-3（X<sub>4</sub>） | 0.7 | |
| -3＜RASS＜2（X<sub>4</sub>） | 2.112 | |
| RASS≥2（X<sub>4</sub>） | -2.456 | |
| 谵妄（X<sub>5</sub>） | 谵妄阴性（X<sub>5</sub>） | 0 |
| 谵妄阳性（X<sub>5</sub>） | 3.615 | |
| 谵妄无法评估（X<sub>5</sub>） | -0.233 | |
| 有创机械通气（X<sub>6</sub>） | 无有创机械通气（X<sub>6</sub>） | 0 |
| 有创机械通气（X<sub>6</sub>） | 0.902 |
最后，经过计算，得到身体约束概率P，通过身体约束概率P，在依据约束判定：当P＜24%，不约束；当24%≤P≤36%，约束替代；当P＞36%，约束；直接得到约束决策。本系统内，形成，ICU患者身体约束决策表，如下表6所示。
表6
本发明的ICU患者身体约束决策方法，自动获取护理记录单上的取值，获得各项变量的得分，系统内建立ICU患者身体约束决策评估表；同时能得出身体约束概率P的数值；根据P值，快速的作出决策。同时，实现了患者身体约束决策信息化，并且为新手护士提供一定的导向作用，替代了人工方式，提高工作效率。
本发明的ICU患者身体约束决策方法，可以搭载任何重症信息化系统，它不只是依托于本实施例中提及的系统。
实施例1
例如：护理记录单，记载有患者70岁，意识清楚，主动活动，RASS评分为1分，谵妄阴性，进行有创机械通气，等信息。
得到的患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的取值分别为：取值分别为：70岁、清楚、主动、-3~2、阴性、是。
根据上面的取值得到患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的得分分别为：61、15、0、100、5、20。
身体约束风险总分：201。
计算，身体约束概率P：
a =-5.419+70*0.046+0+0+2.112+0+0.902
=0.815
P= 1/（1+e-a）
=1/（1+e-0.815）
=0.6931739得分为69.32%
结果，P=69.32%大于36%，约束。
系统形成的ICU患者身体约束决策表，如表7所示。
表7
实施例2
例如：重症监护信息管理系统，记录有患者47岁，意识昏迷，被动活动，RASS评分为未评，谵妄无法评估，进行有创机械通气，等信息。
得到的患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的取值分别为：取值分别为：47岁、昏迷、被动、未评、无法评估、是。
根据上面的取值得到患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的得分分别为：38、0、37、54、0、20。
身体约束概率总分：149。
计算身体约束概率P：
a =-5.419+47*0.046+（-0.689）+1.71+0+（-0.233）+0.902
=-1.567
P= 1/（1+e-a）
=1/（1+e1.567）
=0.172644≈17.26%
结果，17.26%＜24%，不约束。
系统形成的ICU患者身体约束决策表，如表8所示。
表8
实施例3
例如：重症监护信息管理系统，记录有患者70岁，意识清楚，主动活动，RASS评分为≥2，谵妄阳性，双鼻导管吸氧，等信息。
得到的患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的取值分别为：取值分别为：70岁、清楚、主动、≥2、阳性、否。
根据上面的取值得到患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的得分分别为：61、15、0、0、85、0。
身体约束概率总分：161。
计算身体约束概率P：
a =-5.419+70*0.046+0+0+（-2.456）+3.615+0
=-1.04
P= 1/（1+e-a）
=1/（1+e1.04）
=0.261149≈26.11%
结果，24%＜26.11%＜36%，约束替代。
系统形成的ICU患者身体约束决策表，如表9所示。
表9
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (9)
1.一种ICU患者身体约束决策方法，其特征在于，包括如下步骤：
S1、根据护理记录单，自动获取患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的取值；
S2、根据各变量得分规则，依次输入S1得到的各个变量取值，自动获取患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的得分，并计算身体约束决策的总得分，建立ICU患者身体约束决策评估表；
S3、根据公式P=1/（1+e-a），自动计算身体约束概率P；
其中，a=(-5.419+β1*X1+β2*X2+β3*X3+β4*X4+β5*X5+β6*X6)，β1为依据X1的得分赋予的系数，β2为依据X2的得分赋予的系数，β3为依据X3的得分赋予的系数，β4为依据X4的得分赋予的系数，β5为依据X5的得分赋予的系数，β6为依据X6的得分赋予的系数；
S4、约束判定：当P＜24%，不约束；当24%≤P≤36%，约束替代；当P＞36%，约束；
S5、系统内形成ICU患者身体约束决策表。
2.根据权利要求1所述的ICU患者身体约束决策方法，其特征在于：S2中ICU患者身体约束决策评估表包括患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的取值以及得分。
3.根据权利要求1所述的ICU患者身体约束决策方法，其特征在于：S5中ICU患者身体约束决策表包括患者年龄X1、意识X2、活动能力X3、RASS评分X4、谵妄X5和有创机械通气X6的取值以及得分、身体约束总得分、身体约束概率P和约束决策。
4.根据权利要求1所述的ICU患者身体约束决策方法，其特征在于：S2中X1的得分的具体方法如下：根据X1得分为1.0159*患者年龄X1-10.159，患者年龄X1为根据护理记录单上患者身份证号码获得。
5.根据权利要求1所述的ICU患者身体约束决策方法，其特征在于：S2中X2的得分的具体方法如下：
X2的得分根据GCS评分获得：当GCS：3~8分，意识判定为昏迷，X2得分为0；当GCS：9~14分，意识判定为意识障碍，X2得分为50；当GCS：15分或未评，意识判定为清楚，X2得分为15；GCS评分根据Glasgow昏迷评定量表获得。
6.根据权利要求1所述的ICU患者身体约束决策方法，其特征在于：S2中X3的得分的具体方法如下：活动能力X3分为主动和被动，主动时，X3得分为0；被动时，X3得分为37。
7.根据权利要求1所述的ICU患者身体约束决策方法，其特征在于：S2中X4的得分的具体方法如下：
X4的得分根据理查曼躁动-镇静评估量表的结果获得，结果为≥2，X4得分为0；结果为未评估，X4得分为54；结果为≤-3，X4得分为70；结果为-3~2，X4得分为100。
8.根据权利要求1所述的ICU患者身体约束决策方法，其特征在于：S2中X5的得分的具体方法如下：
X5的评分根据ICU患者意识模糊评估单的结果获得，结果为无法评估，X5得分为0；结果为阴性，X5得分为5；结果为阳性，X5得分为85。
9.根据权利要求1所述的ICU患者身体约束决策方法，其特征在于：S2中X6的得分的具体方法如下：
当结果为否，X6得分为0；结果为是，X6得分为20。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111259986.0A CN113990501B (zh) | 2021-10-28 | 2021-10-28 | 一种icu患者身体约束决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111259986.0A CN113990501B (zh) | 2021-10-28 | 2021-10-28 | 一种icu患者身体约束决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113990501A true CN113990501A (zh) | 2022-01-28 |
| CN113990501B CN113990501B (zh) | 2023-03-24 |
Family
ID=79743066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111259986.0A Active CN113990501B (zh) | 2021-10-28 | 2021-10-28 | 一种icu患者身体约束决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113990501B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709247A (zh) * | 2016-12-16 | 2017-05-24 | 遵义医学院附属医院 | 一种icu患者非计划性拔管预警系统 |
| CN108630314A (zh) * | 2017-12-01 | 2018-10-09 | 首都医科大学 | 一种智能化谵妄评估系统和方法 |
| CN110895971A (zh) * | 2019-12-20 | 2020-03-20 | 蒙斯雅 | 一种疾病信息的数据分析方法、系统及信息数据处理终端 |
| US20200168340A1 (en) * | 2018-11-26 | 2020-05-28 | Industry-Academic Cooperation Foundation, Yonsei University | Method For Predicting Risk Of Delirium And Device For Predicting Risk Of Delirium Using The Same |
| CN111261281A (zh) * | 2020-01-18 | 2020-06-09 | 中国医学科学院北京协和医院 | 一种模型训练方法、机械通气表型识别方法及呼吸机 |
| CN111613347A (zh) * | 2020-05-15 | 2020-09-01 | 首都医科大学 | 一种用于预防或干预谵妄的护理决策辅助方法及系统 |
| US20210174261A1 (en) * | 2019-12-06 | 2021-06-10 | Industrial Technology Research Institute | Optimum sampling search system and method with risk assessment, and graphical user interface |
| CN113555111A (zh) * | 2021-07-19 | 2021-10-26 | 厦门理工学院 | 医患共同决策多议题协商方法、系统及可读存储介质 |
-
2021
- 2021-10-28 CN CN202111259986.0A patent/CN113990501B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709247A (zh) * | 2016-12-16 | 2017-05-24 | 遵义医学院附属医院 | 一种icu患者非计划性拔管预警系统 |
| CN108630314A (zh) * | 2017-12-01 | 2018-10-09 | 首都医科大学 | 一种智能化谵妄评估系统和方法 |
| US20200168340A1 (en) * | 2018-11-26 | 2020-05-28 | Industry-Academic Cooperation Foundation, Yonsei University | Method For Predicting Risk Of Delirium And Device For Predicting Risk Of Delirium Using The Same |
| US20210174261A1 (en) * | 2019-12-06 | 2021-06-10 | Industrial Technology Research Institute | Optimum sampling search system and method with risk assessment, and graphical user interface |
| CN110895971A (zh) * | 2019-12-20 | 2020-03-20 | 蒙斯雅 | 一种疾病信息的数据分析方法、系统及信息数据处理终端 |
| CN111261281A (zh) * | 2020-01-18 | 2020-06-09 | 中国医学科学院北京协和医院 | 一种模型训练方法、机械通气表型识别方法及呼吸机 |
| CN111613347A (zh) * | 2020-05-15 | 2020-09-01 | 首都医科大学 | 一种用于预防或干预谵妄的护理决策辅助方法及系统 |
| CN113555111A (zh) * | 2021-07-19 | 2021-10-26 | 厦门理工学院 | 医患共同决策多议题协商方法、系统及可读存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| 余明迪: "危重患者规范性身体约束评分量表的研制与应用", 《中国优秀博硕士学位论文全文数据库（硕士）》 * |
| 吉安卡洛•扎克尼 著: "《TensorFlow深度学习》", 29 February 2020, 机械工业出版社 * |
| 庄晓艳 等: "神经外科ICU患者身体约束相关非计划拔管影响因素研究", 《护理学杂志》 * |
| 张凡: "多发伤患者ICU护理监测评估量表的研制与应用", 《中国优秀博硕士学位论文全文数据库（硕士）》 * |
| 李易 著: "《深度学习 算法入门与Keras编程实践》", 30 April 2021, 机械工业出版社 * |
| 桑塔努•帕塔纳亚克 著: "《Python人工智能项目实战》", 31 October 2019, 机械工业出版社 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113990501B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | Sample entropy analysis of EEG signals via artificial neural networks to model patients’ consciousness level based on anesthesiologists experience | |
| CN111613337A (zh) | 一种重症监护病房用的智能化谵妄评估系统及评估方法 | |
| JP6884453B2 (ja) | 患者状況予測装置、予測モデル生成装置、患者状況予測用プログラムおよび患者状況予測方法 | |
| CN111613281B (zh) | 一种基于医院信息系统的谵妄风险评估方法及评估系统 | |
| CN111568445B (zh) | 一种基于谵妄动态预测模型的谵妄风险监测方法及系统 | |
| CN113990501B (zh) | 一种icu患者身体约束决策方法 | |
| Akhtar et al. | Detection of sleep paralysis by using IoT based device and its relationship between sleep paralysis and sleep quality | |
| Erazo et al. | A benchmark on automatic obstructive sleep apnea screening algorithms in children | |
| Kuzma | The legislative response to infant Doe | |
| Buheji et al. | Hearing the Silent Voices of COVID-19 Patients on Mechanical Ventilators: The Use of Augmentative and Alternative Communication (AAC) Approach | |
| Ríos et al. | An automatic apnea screening algorithm for children | |
| CN111613330B (zh) | 基于谵妄意识模糊快速评估法的智能评估系统 | |
| Babaei et al. | A fuzzy rule-based expert system to determine Propofol drug dosage in anesthesia | |
| Bello et al. | Computer aided detection of obstructive sleep apnea from EEG signals | |
| Shapiro et al. | CPAP-SAVER follow-up study to determine long-term adherence and associated factors | |
| Sun et al. | Analysis of Risk Factors of Neurobiological Pipeline Care and Investigation of Preventive Measures | |
| Rafael-Palou et al. | Towards an intelligent monitoring system for patients with obstrusive sleep apnea | |
| van de Mortel et al. | Client perceptions of the polysomnography experience and compliance with therapy | |
| Zilio | Personhood and care in disorders of consciousness. An ontological, patient-centred perspective | |
| Butterton | How neuroscience technology is changing our understanding of brain injury, vegetative states and the law | |
| EP4260798A1 (en) | Assessing sleep of a subject | |
| Banzett et al. | Dyspnea in the ICU: It Is Difficult to See What Patients Feel | |
| CN117877738B (zh) | 一种基于知信行健康教育模式的copd患者静脉血栓预防系统 | |
| KR20090049426A (ko) | 사용자 맞춤형 건강관리 지원 서비스 | |
| Hasana et al. | Description Of Sleep Quality Of Patients With Chronic Obstructive Pulmonary Disease (COPD) Who Were Treated In The Jasmine Room At The Arifin Achmad Regional General Hospital Riau Province |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |