CN114760911A - 监测慢性阻塞性肺病患者 - Google Patents

监测慢性阻塞性肺病患者 Download PDF

Info

Publication number
CN114760911A
CN114760911A CN202080084234.2A CN202080084234A CN114760911A CN 114760911 A CN114760911 A CN 114760911A CN 202080084234 A CN202080084234 A CN 202080084234A CN 114760911 A CN114760911 A CN 114760911A
Authority
CN
China
Prior art keywords
patient
information
sensors
coverage area
metrics
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
CN202080084234.2A
Other languages
English (en)
Inventor
W·A·特拉舍尔
F·维卡里奥
M·波尔基
P·纳内兹
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 CN114760911A publication Critical patent/CN114760911A/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
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
    • 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
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0008—Temperature signals
    • 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
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0024—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system for multiple sensor units attached to the patient, e.g. using a body or personal area network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A61B5/015—By temperature mapping of body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1124—Determining motor skills
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6824—Arm or wrist
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6829—Foot or ankle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6889—Rooms
    • 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
    • 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
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • 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
    • A61B2562/0257—Proximity sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K19/00—Record carriers for use with machines and with at least a part designed to carry digital markings
    • G06K19/06—Record carriers for use with machines and with at least a part designed to carry digital markings characterised by the kind of the digital marking, e.g. shape, nature, code
    • G06K19/067—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components
    • G06K19/07—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components with integrated circuit chips
    • G06K19/0723—Record carriers with conductive marks, printed circuits or semiconductor circuit elements, e.g. credit or identity cards also with resonating or responding marks without active components with integrated circuit chips the record carrier comprising an arrangement for non-contact communication, e.g. wireless communication circuits on transponder cards, non-contact smart cards or RFIDs
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

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)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种用于确定患者状况的系统和方法，包括：在观察时段内接收传感器信息，基于传感器信息来生成一个或多个度量，将一个或多个度量与参考信息进行比较以确定偏差信息，以及基于偏差信息来生成指示患者正在经历COPD相关事件的概率的风险评分。传感器信息是从患者地点的预定地点处的一个或多个传感器接收的。

Description

监测慢性阻塞性肺病患者
相关申请的交叉引用
本专利申请根据美国法典第35章第119(e)条要求于2019年12月4日提交的美国临时申请第62/943,573号的优先权权益，其内容通过引用并入本文。
技术领域
本发明涉及用于处理信息以确定患者状况的系统和方法。
背景技术
患者监测已经通过各种基本应用执行。例如，一些患者被给予徽章(medallion)，如果他们跌倒或由于其他而动弹不得，徽章可以被用来联系帮助。其他患者被给予监测用于在诊断心脏病时使用的心律的记录设备。在其他情况下，为了诊断睡眠呼吸暂停，在睡眠设施中对患者进行监测。所有这些方法已被证明是不方便的、破坏性的、侵入性的，或者需要患者方的大量参与。此外，这些方法均不适用于预测或监测疾病的进展，包括但不限于与呼吸相关的疾病，诸如慢性阻塞性肺病(COPD)。
发明内容
因此，本发明的一个目的是提供一种用于监测患者状况的系统和方法，该系统和方法没有破坏性或侵入性并且对患者来说是方便的。本发明的另一个目的是应用提供这样的系统和方法来预测和监测疾病的发作和进展，包括但不限于与呼吸相关的疾病，诸如COPD。
所公开的实施例的这些和其他目的通过提供一种用于确定患者状况的方法来实现，该方法包括：在观察时段内接收传感器信息、基于传感器信息来生成一个或多个度量、将一个或多个度量与参考信息进行比较以确定偏差信息，以及基于偏差信息来生成指示患者正在经历COPD相关事件的概率的风险评分，其中传感器信息是从患者地点的预定地点处的一个或多个传感器接收的。一个或多个传感器可以包括用于贯穿观察时段跟踪患者在患者地点处的移动的一个或多个第一传感器。一个或多个第一传感器可以跟踪患者的三维移动，并且三维移动可以包括上楼梯或下楼梯的移动。
一个或多个度量可以包括：基于从一个或多个第一传感器接收对的信息所生成的热图。生成一个或多个度量可以包括生成热图以包括第一覆盖区域，该第一覆盖区域包括在观察时段期间由患者在患者地点处采取的一条或多条移动路线。将一个或多个度量与参考信息进行比较可以包括：将第一覆盖区域与对应于参考信息的热图的第二覆盖区域进行比较，该第二覆盖区域对应于针对非COPD相关事件的患者地点处的移动并且偏差信息对应于第一覆盖区域和第二覆盖区域之间的差异。
一个或多个传感器可以包括用以生成患者的生理数据的一个或多个第二传感器。将一个或多个度量与参考信息进行比较可以包括：将基于从一个或多个第一传感器接收到的移动跟踪信息所生成的第一度量与第一参考信息进行比较以生成第一偏差值，以及将基于生理数据所生成的第二度量与第二参考信息进行比较以生成第二偏差值，并且其中基于第一偏差值和第二偏差值来生成风险评分。
根据一个或多个其他实施例，一种监测系统，包括：用于在观察时段内接收传感器信息的接口、存储用于确定患者的健康状况的指令的存储器、以及用于执行指令以执行操作的处理器，操作包括：基于传感器信息来生成一个或多个度量，将一个或多个度量与参考信息进行比较以确定偏差信息，以及基于偏差信息来生成指示患者正在经历COPD相关事件的概率的风险评分，其中传感器信息是从患者地点的预定地点处的一个或多个传感器接收的。该一个或多个传感器包括用于贯穿观察时段跟踪患者在患者地点处的移动的一个或多个第一传感器。该一个或多个第一传感器可以跟踪患者的三维移动，并且三维移动可以包括患者上楼梯或下楼梯的移动。一个或多个度量可以包括基于从一个或多个第一传感器接收到的信息所生成的热图。
处理器可以通过生成热图以包括第一覆盖区域来生成一个或多个度量，该第一覆盖区域包括在观察时段期间由患者在患者地点处采取的一条或多条移动路线。处理器可以通过将第一覆盖区域与对应于参考信息的热图的第二覆盖区域进行比较来将一个或多个度量与参考信息进行比较，该第二覆盖区域对应于针对非COPD相关事件的患者地点处的移动并且偏差信息对应于第一覆盖区域和第二覆盖区域之间的差异。一个或多个传感器包括生成针对患者的生理数据的一个或多个第二传感器。
处理器可以通过以下操作来将一个或多个度量与参考信息进行比较：将基于从一个或多个第一传感器接收到的移动跟踪信息所生成的第一度量与第一参考信息进行比较以生成第一偏差值，以及将基于生理数据所生成的第二度量与第二参考信息进行比较以生成第二偏差值，并且其中风险评分是基于第一偏差值和第二偏差值而生成的。
根据一个或多个实施例，一种监测系统，包括：用于在观察时段内接收传感器信息的接口部件、存储用于确定患者的健康状况的指令的存储器、以及用于执行操作的处理部件，该操作包括：基于传感器信息来生成一个或多个度量，将一个或多个度量与参考信息进行比较以确定偏差信息，以及基于偏差信息来生成指示患者正在经历COPD相关事件的概率的风险评分，其中传感器信息是从患者地点的预定地点处的一个或多个传感器接收的。一个或多个传感器可以包括用于贯穿观察时段跟踪患者在患者地点处的移动的一个或多个第一传感器。一个或多个度量包括基于从一个或多个第一传感器接收到的信息所生成的热图。
处理部件可以通过以下方式来执行将一个或多个度量与参考信息进行比较：生成热图的第一覆盖区域，该第一覆盖区域对应于在观察时段期间由患者在患者地点处采取的路线，覆盖区域和路线生成是基于从一个或多个第一传感器接收到的信息来生成的；以及将第一覆盖区域与热图中的第二覆盖区域进行比较，该第二覆盖区域对应于针对非COPD相关事件的患者地点处的参考移动路线，其中偏差信息对应于第一覆盖区域和第二覆盖区域之间的差异。
本发明的这些和其他目的、特征和特性、以及相关结构元件的操作和功能以及部件的组合和制造的经济性，在参考附图考虑下面的描述和所附权利要求后将变得更加明显，所有这些形成本说明书的一部分，其中相同的附图标记指明各个图中的对应部分。然而，应当清楚地理解，附图仅用于说明和描述的目的，并不旨在作为对本发明的限制的定义。
附图说明
图1是图示了用于对患者进行监测的实施例的视图。
图2是图示了监测系统的实施例的视图。
图3是图示了用于检测患者的方法的实施例的视图。
图4是图示了基于一种类型的偏差信息来检测COPD相关事件的示例的视图。
图5是图示了可以被用作检测COPD相关事件的基础的路线信息的实施例的视图；
图6A是图示了参考热图的示例的视图，图6B是图示了与针对COPD相关事件的第一风险等级相对应的热图的视图，并且图6C是图示了针对COPD相关事件的第二风险等级的视图。
图7是图示了为了检测COPD相关事件而可以如何生成度量和偏差信息的附加示例的视图；
图8是图示了患者的步态模式的示例的视图。
图9A至图9E是对应于或可以被用作生成指示COPD相关事件的度量的基础的数据图表的视图；
图10A至图10C是对应于或可以被用作针对生成指示COPD相关事件的附加度量的基础的数据图表的视图；
图11是图示了具有相对三维数据轴的楼梯组的示例的视图。
图12A和图12B是对应于或可以被用作生成指示COPD相关事件的附加度量的基础的数据图表的视图；
图13是图示了对应于或可以被用作生成指示COPD相关事件的附加度量的基础的数据的示例的视图；
图14是图示了对应于或可以被用作生成指示COPD相关事件的附加度量的基础的数据的示例的视图；
图15是图示了对应于或可以被用作生成指示COPD相关事件的附加度量的基础的数据的示例的视图；
图16是图示了对应于或可以被用作生成指示COPD相关事件的附加度量的基础的数据的示例的视图；
图17是图示了对应于或可以被用作生成指示COPD相关事件的附加度量的基础的数据的示例的视图；
图18是图示了对应于或可以被用作生成指示COPD相关事件的附加度量的基础的数据的示例的视图；和
图19是图示了对应于或可以被用作生成指示COPD相关事件的附加度量的基础的数据的示例的视图。
具体实施方式
如本文中所使用的，除非上下文另有明确规定，否则单数形式的“一”、“一个”和“该”包括复数引用。如本文中所使用的，两个或更多零件或组件“耦合”的陈述应该意指这些零件直接或间接地(即，通过一个或多个中间零件或组件，只要存在链接)连接或一起操作。如本文中所使用的，“直接耦合”意指两个元件彼此直接接触。如本文中所使用的，“固定地耦合”或“固定的”意指两个组件耦合以便作为一个整体移动，同时维持相对于彼此的恒定取向。
如本文中所使用的，词语“单一”意指组件被创建为单件或单元。也就是说，包含单独创建然后作为一个单元耦合在一起的各片的组件不是“单一”组件或主体。如本文中所采用的，两个或更多零件或组件彼此“接合”的陈述应当意指零件直接或通过一个或多个中间零件或组件而对彼此施加力。如本文中所采用的，术语“数量”应该意指一或大于一的整数(即，多个)。
在本文中所使用的方向性短语，诸如例如但不限于顶、底、左、右、上、下、前、后及其衍生词，与图中所示元件的取向有关，并且不限制权利要求，除非在其中被明确记载。
图1示意性地图示了为了执行疾病的早期预警检测(和/或检测已知疾病的进展)的目的而用于对患者进行监测的系统100的示例性实施例。例如，疾病可以是可基于从传感器信息导出的信息检测到的任何疾病。在一个实施例中(下文更详细讨论)，疾病是基于活动或行为模式检测到的慢性阻塞性肺病，单独或结合患者的生命体征或其他生理数据来获取。在另一个实施例中，疾病可以例如基于不同传感器数据而检测或预测的不同疾病。
参考图1，系统100包括监测系统10，该监测系统10通过一个或多个通信网络20而连接到一个或多个传感器301至30N。一个或多个传感器可以被布置在患者地点5处的预定位置处。传感器可以全部是相同的类型或者可以是不同的类型。例如，可以基于特定种类的活动和/或行为模式或者要针对患者检测的生理数据来确定传感器的类型。
在COPD应用中，第一组传感器301至30N例如可以是运动检测、位置、地点、跟踪或布置贯穿患者地点的关键地点处的其他形式的活动传感器。第二组传感器301至30N可以在患者的身体上。例如，第二组传感器可以包括用于检测对应的手臂和/或手部运动模式的手腕或手臂运动传感器。第三组传感器可以包括用于检测患者身体的对应部分的运动模式的腿部、角和/或脚部传感器。第四组传感器可以包括不同于运动检测传感器的活动传感器。在一个实施例中，可以仅包括一个传感器。
系统可以包括用于与一个或多个传感器301至30N通信的基站40。在一个实施例中，基站40通过无线协议连接到一个或多个传感器，无线协议诸如但不限于Wi-Fi或蓝牙协议。在另一个实施例中，有线连接可以被用于将一个或多个传感器连接到基站40。在又一个实施例中，可以使用有线和无线连接的组合来建立基站40和传感器之间的通信。
患者地点可以是患者的医疗设施、家、住所或其他地点。当在家中或住所中时，系统100对于获得捕获患者日常生活的数据的目的而言是特别方便和有益的，其中疾病最有可能在无压力或现实条件下表现出来。在一个实现中，一个或多个传感器301至30N可以被布置在家中的关键地点处，该地点具有捕获可能表现为疾病症状的患者活动或行为的最佳机会。这些地点包括例如楼梯、卧室、浴室、走廊、楼梯或台阶、或者一个或多个其他地点。下面更详细地讨论其他示例。
在操作中，基站40从传感器接收指示运动模式、活动模式、行为模式、生理数据和/或其他患者相关特性的信号。可以处理指示这些模式和特性的信息以生成度量，这些度量可以被用作检测、预测和/或以其他方式确定相对于特定类型的疾病或其他状况的患者状况的基础。在一个实施例中，基站40可以对从传感器获得的信息进行预处理，然后将处理后的信息传输到监测系统10。在另一个实施例中，基站40可以将原始形式的信息传输到监测系统。在另一个实施例中，监测系统本身可以被包括在基站40中或对应于基站40。
一旦确定了患者状况，就可以将包括指示结果的信息的通知传输到预定方、系统或设备。在一个实施例中，为了接收和/或做出护理决定的目的，可以将通知传输给责任方，诸如家庭成员、监护人、紧急服务人员或医疗保健专业人员。此时也可以通知患者。例如，通知可以是通过电子邮件、文本消息、显示、警告或其他形式的传输信息。
在一个实施例中，一个或多个传感器可以从基站40(和/或当监测站与基站分离时的监测站)接收信息。信息可以包括例如用于控制传感器以某些模式或在某些时间进行操作的信号。为了接收关于患者的信息的目的，该信息还可以同步传感器的操作和/或对传感器进行ping。在一个实施例中，传感器中的一个或多个可以与一个或多个其他传感器通信以控制激活和/或操作或同步。
通信网络20可以是互联网、虚拟专用网络、移动通信网络和/或适用于将数据从基站传送到监测系统10的多种其他类型的网络中的任何一种。在这种情况下，基站40可以包括或耦合到网络服务器。当基站未被包括在患者地点处时，传感器本身可以通过网络直接与监测系统通信。
监测系统10可以根据本文描述的实施例处理从传感器导出和传输的信息。为了接收传感器信息，监测系统10可以包括或耦合到网络服务器。
图2图示了图1中的监测系统10的实施例。在该实施例中，监测系统包括处理器210、存储器220、存储区域230、接口240和输出设备250。处理器210可以处理通过通信接口240从基站40(和/或直接从一个或多个传感器301至30N)接收到的患者信息。信息可以通过网络20被接收并且可以被用作检测或预测疾病的存在、已知疾病的进展和/或患者可能因疾病或其他原因而正在经历的发作的基础。处理器210可以包括以硬件、软件或两者来实现的逻辑，以用于实现本文描述的操作。
存储器220可以存储包括用于控制处理器210的一种或多种算法的指令。这些算法可以实现例如一种或多种机器学习模型、神经网络或用于执行监测系统的分析的其他计算引擎。机器学习模型可以基于线性回归、强化学习技术和/或其他基于模型的方法。存储器可以是用于存储用于控制处理器的指令的多种非暂时性计算机可读介质中的任何一种。
存储区域230可以是一个或多个数据库或可以存储从基站和/或传感器接收的数据的其他存储设备。此外，存储区域可以存储由处理器执行的处理的结果，以及可以被用来实现(多个)模型或算法的任何训练数据，这些模型或算法被用来分析传感器数据并最终检测或预测疾病的存在、已知疾病的进展和/或患者可能因疾病或其他原因而正在经历的发作。
输出设备250例如可以是耦合到监测系统的显示设备。输出设备可以以各种方式显示由处理器执行的分析的结果，各种方式包括文本、图形、统计演示、视频、动画、图像和/或其他信息。显示设备可以与处理器210位于相同的地点，或者可以远离处理器，例如以允许在医疗保健专业人员和/或其他相关方之间共享信息。
下面讨论的实施例涉及COPD实施例；然而，在其他实施例中，监测系统可以处理与其他类型疾病相关联的信息。
COPD实现
图3图示了用于监测患者的方法的实施例，其目的是执行COPD的早期预警检测或预测、COPD的进展和/或与此类疾病相关的发作。该方法可以由图1和图2中所图示的监测系统或由其他系统来执行。
参考图3，该方法包括在310处将传感器301至30N中的一个或多个布置在患者地点处的预定地点处，为了说明的目的，将假定该地点是要被监测的患者的房屋。传感器可以包括一个或多个信标、相机、热成像设备、运动检测传感器、接近传感器、跟踪传感器、GPS传感器和/或用于检测患者的移动、活动或其他模式的其他类型的传感器以及用于获取生理数据的患者佩戴的传感器。
在320，存储患者地点的信息以供在家中与(多个)传感器交互的基站40访问。信息可以包括患者的房屋的二维和/或三维地图，该地图已经以数字形式被预先存储到基站的处理逻辑中和/或远程耦合到基站的监测系统中。该地点信息可以例如基于房屋蓝图而被获得和/或可以通过成像技术而被生成，例如贯穿房屋放置相机，拍摄房屋中的每个房间的360°图像或视频。例如，二维地图可以是患者房屋的每个房间和楼层的平面图。房间的示例包括厨房、浴室、起居区和车库以及其他房间。地图还可以包括各种房屋特征，包括但不限于门、电器地点、壁炉、餐桌、沙发和办公区以及其他特征。三维地图可以包括例如楼层之间的各种类型的过渡区域，诸如台阶、楼梯、坡道和/或患者可以步行或以其他方式占据的其他三维房屋特征。为了监测活动模式和其他与患者相关行为的目的，传感器可以战略性地遍布房屋内部和/或外部地点的所有或选定区域。在一个实施例中，虚拟现实系统可以被用于生成(多个)地图。
除了传感器301至30N之外，基站40还可以与佩戴在患者身上的一个或多个传感器或设备通信，如前面所提及。这些传感器或设备可以包括测量各种患者参数的生命体征传感器，并且可以包括心率监测器、血压监测器、血氧计、呼吸率监测器等。在一个实施例中，传感器还可以包括捕获生理数据的其他类型，这些生理数据可以被用作例如用于检测COPD相关事件的基础。
在330，(多个)传感器301至30N和/或患者佩戴的设备被编程或以其他方式被控制以在特定时间或根据预定模式或时间表来进行操作。这可以基于存储在监测系统(例如，基站40或操作为与基站通信和/或直接与(多个)传感器通信的监测系统10)中的指令和/或传感器本身的各种可编程模式来执行。传感器和患者佩戴的设备可以例如通过短距离连接(例如蓝牙)或通过Wi-Fi连接而被耦合到基站40。在一个实施例中，基站40可以包括或耦合到路由器和调制解调器，用于通过网络来与监测系统通信。在另一个实施例中，(多个)传感器和/或患者佩戴的设备可以通过网络来与监测设备无线通信，而无需通过路由器或基站。在另一个实施例中，监测系统本身可以被包括在患者家中，例如以基站的角色来操作。出于说明的目的，基站和监测系统10将被同义地称为监测系统。
在340，监测系统开始从一个或多个传感器301至30N接收信息，这些传感器可以包括或可以不包括患者佩戴的设备。信息可以包括在观察时段内的一种类型的信息(例如，来自一种类型的传感器的信息)或多种类型的信息(例如，来自多种类型的传感器的信息)。例如，接收到的信息可以仅包括从IPS生成的跟踪或地点信息。在另一个实施例中，可以与患者佩戴的传感器的数据同时接收跟踪或地点信息。该信息然后可以被存储用于进行处理从而检测或预测COPD相关事件。
在350处，除了存储该信息(例如，在存储区域230中)之外，监测系统的处理器210可以基于存储在存储器220中的一种或多种算法来处理接收到的信息。这可以涉及：处理传感器、生理和/或其他接收到的信息以计算、确定或以其他方式观察一个或多个预先确定的度量，这些度量提供基础以用于COPD的检测或预测、COPD疾病的进展(例如，恶化或慢性状态)和/或可能预期由于COPD而在患者身上发生的发作。
所计算出的度量可以包括例如患者的手臂移动、身体姿势、位置、取向和步态速度。例如，可以基于由传感器之一捕获的成像信息和/或基于由患者佩戴的运动传感器(例如，并入在手表状设备内)来确定手臂移动。可以由许多相同的传感器检测患者的位置(例如，站姿、坐姿等)或患者的姿势(例如，弯腰、下垂、无精打采等)。例如，通过由患者佩戴的加速度计、跟踪患者在其步行时的移动的跟踪系统、基于图像信息和/或来自其他类型的传感器的数据而标识和跟随患者移动的图像处理系统，可以确定患者的移动速度。
除了这些度量之外，可以基于对传感器/设备信息的处理来确定与以下度量相对应的其他类型的活动和行为模式：坐起来的速度、从坐姿到站姿的速度、上楼梯或爬台阶或楼梯的速度、步行或踏步方式、患者是否摔倒(例如，跌倒、昏倒、晕倒等)以及患者是否正在使用扶手上楼梯或下楼梯。
其他度量包括由热成像传感器、信标、锚点或其他跟踪设备获得的热图和模式，用于确定例如患者在一天中位于每个房间中的时间、患者在一天中到访的房间、以及患者贯穿房屋的移动模式。移动模式可以包括例如从一个房间到另一个房间所采取的路线(例如，由信标信号、热成像、相机图像和/或其他类型的传感器数据确定)、患者通常经过的路径(例如，前往洗手间、前往冰箱、外出次数等)、以及患者完全或者至少考虑到一天中的时间而不经常经过的路径。
在一个实施例中，患者在预定时间段(例如，全天、一天中的部分时间、某些小时等)内前往浴室的次数可以被计数为度量。此外，患者前往冰箱的次数也可以是度量。本文提及的这些和其他度量可以与对饮食敏感的某些合并症相关。这些其他度量可以包括但不限于起床时间。例如，COPD患者倾向于在症状让他们焦躁不安时更早醒来。因此，患者下床的时间可以构成被记录的度量。另一个度量可以包括一天中的时间。例如，当COPD症状发生在早上时，可以将早上的移动变化与一天中的其他时间期间的移动变化进行比较。因此，另一个度量可以包括对一天中的不同时段处的移动进行分类，例如，早上时段和非早上时段。如果在服药前的早上移动受到限制，那么可能假定出现恶化的迹象。另一个度量可以包括淋浴时间，例如当传感器标签是防水的时。另一个度量可以包括检测到患者久坐不动的时间。例如，患者久坐不动的时间可以被表达为每天的百分比，例如一天的80％是久坐不动的(仅限于没有移动)。在一个实施例中，可以随时间生成和记录本文所述的这些和其他度量，以允许出于COPD疾病检测或预测的目的和/或用于确定患者中的此类疾病的进展而标识各种趋势。
在360处，监测系统的处理器实现一种或多种算法以确定一种或多种度量的相对偏差。这可能涉及：将从当前传感器或设备数据所生成的度量与过去的度量进行比较，例如所述过去的度量已随着时间的推移而被建立为对应于参考基线，例如针对该特定患者而被认为是“正常”行为或活动模式的度量。当针对给定度量(或由机器学习或其他经验证据所确定的度量的组合)的偏差超过预定的相对阈值量(例如，Δ＝10％或更多)时，则监测系统的处理器可以生成信号，该信号指示(多个)当前度量可能指示COPD或者COPD状况恶化(例如，进入慢性状态)或者由于COPD相关事故而发生了发作。
在一些实施例中，可以针对疾病进展评估所有度量，例如通过每天跟踪度量并检测超出患有COPD的特定患者或患者群体的标准的下降螺旋、异常值、稳定变化或警报模式。在一些情况下，使用客观跟踪系统可能比调查和自我报告更可靠，因为它消除了回忆偏差。(由于患者依从性或参与度低或报告不准确，对患者进行调查并要求自我报告其症状及其与身体活动的关系的研究经常失败。)
在370，基于由监测系统的处理器所使用的模型如何被训练，偏差的严重性和性质可以被确定为足以得出这样的结论。例如，在一个实施例中，处理器可以生成一个或多个风险评分，该风险评分指示患者正在经历COPD相关事件的概率。评分的值可以指示COPD相关事件的严重性或可能性程度。
一旦由处理器执行的模型基于一个或多个度量的相对偏差而返回指示COPD相关事件已经发生的结果，处理器就可以生成指示相同结果的信息以输出到输出设备(例如，显示设备250)以便向医疗保健提供者或一个或多个其他责任方提醒以其他方式通知该事件。然后，医疗保健提供者可能会以帮助做出回应。
例如，如果偏差落入在第一范围(例如，中等范围)内，则可以自动生成电子邮件、文本或其他消息并将其发送给患者，其指示患者应该关于可能的COPD状况进行预约。如果偏差落入在第二范围内(例如，大于第一范围)，那么可以进行实时电话呼叫或其他紧急消息以通知患者。如果偏差落入在第三范围内(例如，大于第二范围)，则可以联系急救人员以立即前往患者地点提供护理。通知的方法在其他实施例中可能不同。这些和其他类型的偏差的示例在下面更详细地描述。
以下提供了传感器和其他类型的系统的更详细和/或附加的示例，这些系统和其他类型的系统可以被用来生成用于获得针对系统和方法的COPD实施的度量的信息。第一系统可以是放置在患者家中的室内定位系统(IPS)。室内定位系统可以包括信标、运动检测器和/或可以被用来在任何给定时间确定患者在家中的位置的其他类型的设备或系统。在一个实施例中，室内定位系统可以包括实时定位系统(RTLS)，该实时定位系统直接或通过基站、服务器或其他网络连接设备而向监测系统传输和/或从监测系统接收超宽带(UWB)无线电信号。
路线系统可以被用来确定由患者在一段时间段内(例如，每天)经过的通常(例如，每天)通路。该系统可以例如基于由室内定位系统所生成的位置信号来实现，或者可以包括其他类型的传感器。
使用跟踪系统可以被用来跟踪患者每天的地点，并且计算一天中被占据的空间相对于IPS覆盖区域的百分比。这可以例如基于覆盖区域上的患者地点的热图来执行，如前所述。
测量患者的步态速度的系统可以在患者沿着通常经过的通路移动时以合适的带宽跟踪患者地点的时间顺序坐标。可以随时间测量坐标的变化以便计算步态速度。在一个实施例中，患者的计步器测量中的变异性的系数可以被用作计算步态速度的基础。
一种系统，该系统解释了指示患者移动和三维(3D)患者地点的信息随时间的变化，以确定患者的楼梯使用情况、在楼梯上跨步的速度、患者在上下楼梯时是否使用把手、在穿过楼梯时的路径以及其他信息。这样的系统可以例如通过基于指示海拔的数据和在日常基础上发生的其他患者特定信息而训练的强化学习模型来实现。在模型改变之后，高度(3D)信息改变、患者地点和跟踪以及其他传感器信息然后可以与楼梯使用情况及其关联特征相联系。
附加信息可以被用来跟踪患者地点并确定活动和行为模式。该附加信息可以包括例如家中的关键地点的先验知识。这可以允许将这样的信息确定为患者就寝时间、在浴室的平均时间、前往冰箱的行程、门的出口和入口以及其他活动、路线和模式相关的信息。此外，在一个实施例中，该系统和方法可以包括网络警报系统或与之相关联地进行操作，该网络警报系统向干预者、亲人、医务人员或其他责任方提供通知，告知患者的风险状态已发生变化。
无论是位于基站还是网络连接的远程地点，监测系统的处理器都可以生成上述度量，以便检测或预测患者的状况，患者要么已经被诊断患有COPD，要么是COPD的疑似候选人。监测系统的(多个)模型所计算的活动模式、行为模式和其他度量可以用作COPD存在或状况恶化的指示符。
监测系统的(多个)模型可以使用这些度量作为用于预测再次入院的基础。例如，(多个)模型可以被训练以指示当一个或多个预定度量位于相应范围内或具有特定值时可能或即将再次入院。例如，可以基于指示活动模式、行为模式、生命体征数据和/或指示可能的或立即的COPD相关事件的其他标记的训练数据来确定范围和值。
在一个实施例中，患者可以佩戴与家中的不同地点处的锚点或信标进行通信的标签(例如，RFID标签)。由标签和锚点/信标生成的信号可以被用作实时确定患者地点的基础。由于受试者不可避免地并且经常穿过家中的通常通路(例如，厨房到沙发、沙发到浴室、卧室到浴室、上下楼梯)，所以通路距离与穿越这些通路的时间的比率被记录。移动性指示符的显著变化可以由警报系统通知。此外，患者的日常室内移动性(例如，楼梯使用情况、爬升速度等)可以由(多个)模型跟踪并将该(多个)模型与患者佩戴的传感器所捕获的生理数据(例如，心率、呼吸频率等)相结合以做出COPD相关预测。在一个实施例中，患者佩戴的传感器可以被集成在由患者所佩戴的IPS标签中或者可以与这种标签分离。上述信息可以被存储并被处理以确定COPD恶化，并且可以(例如，使用智能系统)生成或以其他方式确定指示风险的参考值、范围、阈值或异常值的组合。这些参考值、范围等可以例如基于历史患者数据的平均测量、历史数据的中值、或另一模式或其他统计测量来确定。在一种情况下，例如，当风险很严重时，警报系统生成通知，并且通过网络将通知传输给可以针对患者进行干预以改善他/她的健康结果的人。
在一个实施例中，移动性指示符可以是包括指示4米步态速度(4MGSP)的信息的度量。尤其是在老年人之中，4MGS可以预测大型群体的存活(survival)。针对COPD应用，4MGS可以与疾病表型的各方面相关，并且也可以指示肺康复的改善或恶化以及对COPD患者在急性加重后再次入院风险的预测。在一个实施例中，生理测量可以与移动性测量(例如，其可以包括或不包括步态速度)相结合，以提供指示步行对患者生理的影响的附加度量。这种组合度量可以解决或消除潜在的混杂因素，例如由于无法检测到的事件(患者在步行时多任务处理、渴望到达目的地等)而导致的步态速度降低。例如，指示类似步行的信息可以通过路线和步态速度的相似性来进行聚类，并且这种信息可以与一种或多种类型的生理数据(例如，检测到的心率差异和/或由于步行引起的呼吸频率变化)相结合，该生理数据可能与患者身体能力的变化相关，该变化又可能被标识为针对COPD检测或恶化的风险因素。
在一个实施例中，为了避免误报，可以使用每日收集的数据的数字过滤器，或者可以以需要在触发和传输通知之前检测连续数据异常值的方式来实现警报系统。
IPS系统功能
在一个实施例中，室内定位系统(IPS)可以包括与放置在家中的信标进行通信的患者佩戴的标签。标签和信标信息可以由定位算法来处理以始终确定患者的室内地点。例如，标签和信标可以操作在超过40Hz的一个或多个频率下。在一个实施例中，标签和信标可以传输/接收超宽带(UWB)无线电信号，该信号允许以亚厘米准确度，甚至以非视距(NLOS)测量(例如，穿过墙壁)来确定患者地点。
例如，可以基于覆盖区域中的测量因素(例如，金属物体、多径干扰、准确度规范)的数量和系统成本来确定放置在家中的信标的数量。美国、欧盟和几个亚太国家已允许将3.1至10.6GHz之间的UWB频率用于未经许可的商业用途，前提是传输符合美国国家电信和信息管理局的要求。
在一个实施例中，可以基于到达时间(TOA)信息、到达时间差(TDOA)信息、到达角(AOA)信息或相对信号强度(RSS)信息来确定患者地点。在存在干扰的情况下，使用若干技术可以使传输和接收的信号更加稳健。这些技术的示例包括信号调制、脉冲宽度调制(PWM)、脉冲幅度调制(PAM)或开关键控(OOK)。此外，为了最小化多径模糊的影响(例如，当信号从物体反弹并被多次接收时通常发生的现象)，可以使用跳时扩频(TH-SS)无线电脉冲或二进制相移键控(BPSK)。
在一个实施例中，可以由接收器采用滤波来确定真实地点，以使用针对一个地点加权最小二乘多维缩放或扩展卡尔曼滤波器的一系列测量。尽管在IPS的一个实施例中合并了UWB信令，但是另一个实施例可以使用不同类型的信令，包括但不限于红外(IR)、WiFi、LiFi、蓝牙(BT)、低功耗蓝牙(BLE)、成像(相机)、RFID、NFC、蜂窝设备、磁力计、加速度计、陀螺仪、惯性计、地板压力传感器、卫星和伪卫星。此外，在一种情况下，可以使用混合型IPS系统，该系统组合了前面提及的各种形式的信令。
图4图示了计算出的地点相关度量与一个或多个参考地点的偏差可以如何被监测系统的处理器检测或预测为COPD相关事件的示例。在该示例中，三个信标被放置贯穿患者家的预定地点处。例如，信标410可以在厨房中，信标420可以在浴室中，并且信标430可以在客厅中。
每个信标都与至少一个参考范围相关联。例如，信标410可以具有由距离a和线411指示的参考范围，信标420可以具有由距离b和线421指示的参考范围，并且信标430可以给出由距离c指示的以及由线431指示的参考范围。这些参考范围可以被认为定义了患者的正常移动或位置范围，如例如基于由监测系统的处理器所实现的模型的历史或训练数据所确定的。此外，每个信标基于具有与其关联的至少一个异常值范围。例如，信标410可以具有由距离a'和线412标示的第一异常值范围，信标420可以具有由距离b'和线422标示的第二异常值范围，并且信标430可以具有由距离c'和线432标示的第三异常值范围。可以基于患者佩戴的地点标签传输相对于信标的信号(例如，UWB脉冲)来确定患者的地点。
参考范围和异常值范围之间的差异可以定义偏差量(Δ)，该偏差量为确定或预测具有第一概率的COPD事件提供了基础。例如，在一个实施例中，当患者的地点在对应于参考范围和异常值范围的线421和422之间时，模型可以预测COPD事件以第一概率存在。当患者的地点超出异常值范围时，然后模型可以预测COPD事件以大于第一概率的第二概率存在。概率可以对应于风险状态或风险评分。为了确定风险状态或评分，一种实现可能要求患者处于超出参考范围或异常值范围的地点至少一段预定时间段，例如以便过滤掉可能的误报。
在一个实施例中，如果患者处于相对于仅一个信标已超过参考范围或异常值范围的地点，则患者可能不被标识为处于概率风险状态(或者可能具有风险评分为0)。在这种情况下，为了被认为处于风险状态或具有非零风险评分，患者的地点必须同时相对于至少两个信标(或在一些情况下是所有三个信标)超过参考范围或异常值范围。这种情形通过图4中的星450的改变的位置来例示。例如，在图4中，星450在初始地点470处标记患者的地点，该地点与界定信标410、420和430的参考范围的线的交点重合。星450在第二地点480处以标记患者从初始地点的移动。第二480地点超出第一信标410的参考范围411但是没有超出其异常值范围412，超出第二信标420的参考范围421但是没有超出其异常值范围422，并且超出第三信标430的异常值范围432。
当患者的位置在第二地点480处(由星450的改变地点所标记)至少预定时间段时，那么监测系统的处理器将来自相应信标的相对范围的组合标识为风险因素，保证预测患者正在经历COPD相关事件。在一个或多个实施例中，COPD事件可以被认为对应于检测或预测患者的COPD、检测或预测患者的COPD状况恶化和/或另一个COPD相关事件。
从患者佩戴的标签传输的UWB脉冲可以处于高载波频率。在该频率下，可以以一定的准确度检测患者的低速身体活动，并且还可以允许在家中对患者进行过采样以及充分的速度测量，例如大于40Hz的更新率。此外，UWB传输器和接收器的低功耗要求可以允许系统在由低密度电池供电时运行较长时间段(例如，超过1年)。
在一个实施例中，存储器存储设备可以耦合到中央传输器、锚点/信标中所选择的一者或基站(其可以对应于中央传输器或选定锚点/信标)，或以其他方式与之通信，以便存储由日常路线所生成的传感器数据和其他信息以及为患者所生成的度量、以及房屋的平面图或地图信息，其包括患者家中的楼梯的3D坐标。
微处理器可以被包括在主锚点(或基站)内，以执行路线计算并存储日常活动和步态速度度量。均值度量计算逻辑可以被包括在微处理器内部，以确定平均覆盖区域百分比(例如，热图)、平均楼梯穿过次数、平均每日爬升速度(与楼梯相关联)、平均每日下降速度(与楼梯相关联)、公共通路的数量以及与公共相关联的每日平均步态速度、和/或在预定时间段内例如每小时、每天、实时的其他度量等。
在一个实施例中，生成和处理传感器数据和/或度量的微处理器或其他处理逻辑(例如，处理器210)可以位于房屋外部。在这种情况下，传感器数据可以例如周期性地或实时地被传输到监测站的处理器，以便生成和/或解释关联度量以作为检测COPD相关事件的基础。
图5图示了系统和方法可以如何生成叠加房屋地图或相对于房屋地图的路线信息的示例。在该情况下，监测系统(或基站，或两者)的处理器生成叠加在患者的房屋的二维平面图上的路线信息。
参考图5，路线地图包括指示被用来确定地点并跟踪患者在预定时间段(例如一天)内所采取的路线和路径的IPS和/或其他传感器的范围R的周长510。路线地图包括两种类型的路线。第一种类型的路线520是患者在他穿过他家的厨房、住宿房间(lodge room)、浴室和其他房间时采取的每日地点路线。这些路线可以被认为是正常路线，并且因此可以被用于例如建立用于训练数据的基线，以被用作由监测系统处理器实现的用于检测或预测COPD相关事件的模型。第二种类型的路线530是患者在其房屋各处和周围穿过的通常通路。在操作中，处理器可以检测与日常地点路线和/或通常通路的显著偏差，以便检测COPD相关事件。偏差可以基于例如一个或多个距离阈值或患者很少(如果有的话)去的地点(例如，房间或外部区域)。
图6A到图6C图示了系统和方法如何生成指示患者地点的热图的示例，每个热图贯穿预定或指定的时间段(例如，一天)。监测系统(或基站，或两者)的处理器可以基于从布置在患者家中的传感器导出的路线信息(和/或其他IPS或地点/跟踪信息)来生成热图。
图6A图示了反映患者的正常一天的活动和行为的热图601的示例。热图包括叠加在患者的房屋的平面图上的区域名称。区域名称可以是在对应于传感器范围的周长605内分配的扇区610的形式。例如，扇区可以基于房屋的房间来进行分配，或者可以对应于预定模板或模式。在图6A的情况下，扇区被布置在圆形模板的界限内。
热图传达各种类型的信息，其中最重要的是包括患者在房屋内可能光顾或可能最常在每个扇区内频繁光顾的覆盖区域。在这种情况下，热图是基于图5中所图示的每日地点路线620生成的，并且可以包括由路线地图中最远离地图模板的参考点(例如，中心或另一点)630的路线的最远点定义的周长605。为了生成地图内容，监测系统(或基站)的处理器确定路线和扇区之间的交叉点。当一条或多条路线重叠扇区(或以其他方式驻留在扇区中)时，该扇区被阴影化。不包括任何路线的扇区不被阴影化。因此，热图传达了基于覆盖区域指示患者全天(或其他时间段)的地点的信息。图6A的热图中的覆盖区域621可以对应于一个或多个或全部的阴影区域。
在一个实施例中，热图的每个扇区中的阴影可以是局部的，仅对应于包括路线信息的那个扇区的区域。因此，例如，扇区625几乎完全被阴影化，因为它包括至少一条跨越整个扇区的路线。相比之下，扇区635仅具有局部阴影，因为患者仅穿过仅与该扇区一小部分区域相交的路线。因为图6A中的热图反映了患者的正常活动模式，所以该热图的扇区中的阴影可以被用作参考或基线，用于确定可以指示风险或COPD相关事件的活动模式。
图6B图示了当患者的活动已偏离正常(或参考)活动模式(例如，由图6A中的热图例示)第一水平(例如，适度的量)时生成的热图602的示例。在热图602中，每日地点路线640被限定到房屋里的小得多的区域。因此，热图模板的半径645和周长650小得多，从地图的参考点655(例如，中心或另一点)延伸出去，到最远路线的最远点。在一个实施例中，参考点的地点可以基于路线的地点而被移动，以便生成具有较小半径和周长的地图。由于半径和周长的路线和大小的差异，图6B的热图中的参考点655的地点不同于图6A的热图中的参考点630的地点。在另一个实施例中，这些参考点可以是重合的，例如，取决于路线的地点。此外，在图6B的热图中，路径和阴影区域较少，这反映了患者贯穿观察时段的身体部分的移动的减少。
一旦生成了该热图，监测系统的处理器210就可以将其与图6A中的热图进行比较和/或与其他参考信息进行比较。例如，处理器可以将阴影化的程度(例如，基于相对于房屋的平面图的百分比的阴影化)、路线和阴影的地点(或预期患者通常会全天占据的区域中的路线或阴影的遗漏)、和/或周长和/或半径大小(其中任何一个或组合可以被称为覆盖区域651)与阴影、半径大小、周长大小、路线、和/或图6A的热图中的其他类似信息(例如，覆盖区域)进行比较。基于该比较，处理器可以确定患者活动的偏差是处于预定范围内还是超过指示COPD相关事件的中等或第一级风险的预定阈值(例如，在第一概率范围内)。
图6C图示了当患者的活动已偏离正常活动模式(例如，由图6A中的热图例示)第二水平(例如，非常显著的量)时生成的热图603的示例。在热图603中，每日地点路线660被限定到房屋的非常小的区域空间。因此，该热图中的半径665和周长670要小得多，从地图的参考点675(例如，中心或另一个参考点)向外延伸到最远路线的最远点。在该实施例中，参考点的地点基于路线的地点而被偏移，以便生成具有较小半径和周长的地图。由于活动减少而导致的大小差异，图6C的热图中的参考点的地点可能与图6A和图6B的热图中的任何一个参考点的地点都不一致。此外，在图6C的热图中，相对于平面图(例如，和/或受影响的扇区)，存在少得多的路线和阴影区域，这反映了患者最小的身体移动。
一旦生成了热图，监测系统的处理器就可以将阴影化的程度(例如，基于相对于房屋平面图的百分比的阴影化)、路线和阴影的地点(或预期患者通常期望全天占据的区域中的路线或阴影的遗漏)、和/或周长和/或半径大小(其中任何一个或组合可以被称为覆盖区域671)与周长和/或半径大小与阴影、覆盖区域、半径大小、周长大小、路线、和/或图6A的热图中的其他类似信息(例如，覆盖区域)进行比较或者在相对的基础上将其与图6B的热图中的该信息(例如，其可以被存储和取回以用于比较目的)进行比较。基于该比较，处理器可以确定患者活动的偏差是位于预定范围内还是超过指示COPD相关事件的非常严重或危及生命的风险的预定阈值(例如，在大于第一概率范围的第二概率范围内)。
在一个实施例中，在所有热图中，参考点可以对应于相对于具体路线穿过的区域的中间覆盖点。在另一个实施例中，参考点可以对应于房屋或楼层平面图(floor plan)的中心点。在另一个实施例中，取决于路线的布置，这些参考点中的一个或多个可以是重合的。
图7图示了监测系统的处理器可以如何通过执行一个或多个算法或模型(例如，如前所述)来计算对应于COPD相关事件的偏差的另一示例。在该示例中，处理器接收指示或跟踪患者地点的第一信息和指示或跟踪患者的身体或身体部位在观察时段中的姿势、位置、取向或移动的第二信息。第一和/或第二信息可以对应于本文中描述的任何一个或多个度量。
在该示例中，第一信息对应于患者爬楼梯时移动的检测，第二信息对应于患者行走时的手臂移动(例如，通过诸如腕式监测器之类的患者佩戴的传感器检测到的移动)。COPD相关事件的确定是通过基于此信息与参考信息相比较的相关性来执行的，例如，基于患者的训练数据或健康患者的一般模式而生成参考信息。
参考图7，第一信息对应于曲线A，该曲线A在扇区710中示出例如基于由被定位在房屋中的信标或跟踪监测器而获得的三维信息而检测到患者在爬楼梯的时间段。第二信息对应于曲线B，其被叠加在以曲线C的形式的参考信息上。曲线C的参考信息示出健康人(例如，没有COPD的人)爬楼梯时手臂移动的基本一致的模式。相比之下，曲线C展示了相对于曲线B的不稳定的手臂移动模式。处理器可以计算在检测到患者在爬楼梯的时段期间在曲线之间的偏差(Δl)以确定COPD相关事件。
在一个实施例中，可以基于相对于曲线C的均值幅度的曲线B的均值幅度来计算偏差。如果该偏差超过预定阈值，则监测系统的处理器可以生成指示可能发生COPD事件的信号。在另一个实施例中，可以基于曲线B的最高峰值与曲线C的最高峰值之间的差异来计算偏差。在其他实施例中，可以使用另一种方法来计算偏差。此外，在其他实施例中，第一信息和第二信息可以是本文中描述的度量类型的任何一种或多种或其组合，包括但不限于生命体征信息。
在一种实现中，三种类型的信息可以被用作检测COPD相关事件的基础。例如，这三种类型的信息可以包括上述的第一和第二信息，该第一和第二信息与从另一个患者佩戴的传感器生成的呼吸频率信息相耦合。呼吸频率信息可以由监测系统处理以确定度量，例如指示患者的呼吸频率相对于患者移动、跟踪、地点、或在观察时器期间发生的其他活动的变化的波形。当呼吸频率度量例如在爬楼梯时段中手臂移动模式不稳定的时间期间表现出某种预定模式(例如，不稳定模式、增加幅度模式等)时，则监测系统的处理器可以确定患者正在经历COPD相关事件。
附加实施例
在一个实施例中，可以被用来检测或预测COPD相关事件的度量可以是患者的步态。例如，可以基于由佩戴在患者手腕上的位置标签所生成的信息来确定患者的步态。例如，该位置标签可以包括加速度计和/或用于确定患者的手臂摆动移动的其他传感器，其进而可以提供患者步态的指示。
更具体地，对腕戴式位置标签的分析可以提供若干预测元素，以确定患有慢性疾病的患者的病态步态和增加的发病率。虽然此处讨论了COPD的具体病例，但是在另一个实施例中，该疾病可以是不同于COPD的病症。不同的病态步态模式可能源于各种畸形，包括但不限于肌肉骨骼无力、神经系统疾病、或本体感觉障碍。标签中的(多个)传感器可以检测这些模式并使用RF或其他类型的信号将对应的信息传输到基站或监测系统。例如，可以通过无线蓝牙、WiFi、或其他类型的通信链路或网络连接从标签传输信号。
图8图示了患者810左臂手腕上带着位置标签820行走的示例。在该示例中，该患者从位置A行走到位置B。如所描绘的，看起来患者只需要两步即可到达位置B。然而，可以理解，在一些实施例中，可以在A和B之间走额外的若干步。例如，在一种情况下，位置A可能是在一个房间中，而位置B可能是在患者房屋的另一个房间中，从A到B需要走许多步。在另一种情况下，位置A可能在房屋的一层，而B位置在另一层，因此需要患者下楼梯或上楼梯，才能从A走到B。
在从位置A穿越到位置B时，手腕标签中的(多个)传感器可以确定手腕位置坐标的时间序列，这些坐标可以指示手臂摆动度量(例如，其可以指示快乐步行，步履蹒跚等)、肩部移动、和/或由于脚的环转或不平衡的摇摆。在三个方向(x、y、z)上记录的以下位置数据可以提供这些步态相关参数/度量的指示。
时间(秒) X(m) Y(m) Z(m)
0 0 2.0 0
.5 0.3 2.1 0.1
1.3 1.7 2.2 0.1
在一个实施例中，可以基于从随时间测量的腕戴式标签导出的位置数据来确定手臂摆动模式。快走可以指示健康的患者并且可以对应于手臂以钟摆模式移动。相反，弯腰行走且手臂移动受限或不稳定可以指示可能正在经历COPD相关事件的虚弱患者。在更极端的示例中(例如，偏瘫或双瘫步态)，步行的特征在于手臂弯曲处于锁定位置，没有手腕移动。导致上半身屈曲的虚弱步行的特征可能在于帕金森步态，当患者迈出被称为小步的“短小步态”(Marche a petits pas)行走的小步时，这种步态会限制手臂移动。
例如，通过基于标签传感器数据在至少二维中生成坐标的时间序列，可以对患者的手臂摆动进行量化。然后，可以通过监测系统的处理器将坐标的时间序列与患者房屋的平面图进行比较，或抽象地在任何二维空间中进行比较。然后，当患者从A点穿越到B点时，该坐标可以以时间序列的形式被存储。
图9A图示了当患者从位置A步行到位置B时由标签生成的位置数据图表的示例。由标签中的(多个)传感器测量的位置数据对应于黑点并且表示在二维(例如，x-y、x-z或y-z)中进行的测量。在此，每100毫秒对该位置进行一次采样。通过每次测量减去A点的坐标，与位置A相对应的点被任意地指派为在原点处。
可以处理图表中的标签传感器数据，以得出步行期间手臂摆动的度量。在一个实施例中，这可以通过将数据拟合到线来实现。数据被包含在从PA到PA的时间序列位置向量P中，其中两个新的变量X和Y被分配如下：
Figure BDA0003677235530000251
使用线性最小二乘法，可以生成线性模型
Figure BDA0003677235530000252
其中：
Figure BDA0003677235530000253
在这个等式中，
Figure BDA0003677235530000254
的第二元素表示最佳拟合线的斜率。这个斜率可以被表示为远离x轴方向的角度θ，其中该角度可以由下式给出：
Figure BDA0003677235530000255
图9B图示了包括线910的图表，线910对应于步行期间由手腕位置的数据所表示的最佳拟合线。为了简化手臂摆动度量，可以执行平移，包括使用由上式计算的斜率角度将所有数据旋转到x轴上，然后执行由下面的矩阵给出的旋转变换：
Figure BDA0003677235530000256
图9C图示了示出这些操作的示例的图表。在该图表中，线920(对应于数据1)表示位置数据平移到x轴上。一旦执行了此平移，就可以通过使用走过距离(distance walked)与所有绿点之间在x方向上的差之和之间的比率来计算手臂摆动度量，如下式所指示：
Figure BDA0003677235530000261
步行距离可由下式给出：
Figure BDA0003677235530000262
使用这个度量，很明显，具有健康的手臂摆动的患者具有大的手臂摆动度量，而手臂弯曲着虚弱步行具有接近1的δarm_swing。当以比率表述时，这个度量对步行距离不太敏感，但随着步行时间的延长，该比率略有增加。当患者步行较长距离时，这会提高健康度量，但一般来说，该比率反映了手臂的移动。
图9D图示了示出在各式各样步行中获取的数据的曲面图，其中有手臂摆动度量的多个测量。例如，曲面图显示，随着手臂摆动幅度的增加，该度量显著增长，但是作为步行距离函数的增加更为微妙。曲面图中上方三角形部分930可以被认为是健康的、快乐的步行，有着良好的手臂移动。度量δarm_swing可以被定期(例如，每天)用作健康监测器，因为它指示与健康快走相对应的手臂摆动程度和走过的距离。
图9E图示了基于最近1000次步行的数据生成的手臂摆动度量。可以分析该度量以检测导致上半身弯曲或帕金森氏症拖步的健康衰减或神经损伤的以下度量。
1.随时间呈下降趋势
2.每天步行高于“健康”阈值的较低百分比，例如，4.0
3.异常检测方法。
a.(密度法)每日手臂摆动度量位于低密度区域。
b.(距离法或K均值)通过使用K均值聚类技术，每日手臂摆动度量不同于均值。
c.(参数化)每日手臂摆动度量是在过去几天内被建模的，并且根据与线斜率有关的参数，斜率更负。
d.(隔离)使用隔离森林，每日手臂摆动度量是异常值，因为它使用隔离决策树而被较少数量的边隔离。
摇摆度量实施例
在一个实施例中，患者的摇摆可以被用作检测或预测COPD相关事件的度量。摇摆是一种以笨拙蹒跚步态为特征的症状，这可能指示大脑中存在导致协调或平衡问题的问题(例如，小脑或共济失调)。在COPD中，摇摆也可能是由劳力性呼吸困难引起的不稳定性造成的，这种情况倾向于患者在移动时靠在墙上、抓住支撑结构、或因胸闷而跌跌撞撞。腕戴式位置传感器也可以检测到有摇摆迹象的患者行走。
摇摆度量可以例如通过在患者从位置A和位置B步行时获取时间序列位置矢量P来生成，如前所述。和以前一样，所有数据都可以参考在位置A处的原点。
图10A是图示了在从位置A步行到位置B期间表现出摇摆模式的患者所生成的二维(例如，x-y)数据的图表。对于摇摆检测，拟合线的过程在一些情况下可能是不准确的。因此，在一个实施例中，步行角度可以简单地由两个端点确定，例如，基于下式：
Figure BDA0003677235530000271
数据可以以前面描述的方式被平移到x轴上，例如，根据以下平移矩阵：
Figure BDA0003677235530000272
图10B图示了示出未平移数据1010和使用上述矩阵平移到x轴上的数据1020的图表。基于走过距离(distance walked)与所有点1020之间在y方向上的差之和之间的比率，摇摆度量可以根据下式进行计算。
Figure BDA0003677235530000273
其中步行距离可由下式给出：
Figure BDA0003677235530000281
图10C图示了示出在患者进行的最近1000次步行中计算出的摇摆度量的图。可以分析该度量以检测导致蹒跚或摇摆的健康衰退或神经损伤的以下度量。
1.随时间呈上升趋势
2.每天步行低于“健康”阈值的较低百分比，例如，4.0
3.异常检测方法
a.(密度法)每日手臂摆动度量位于低密度区域。
b.(距离法或K均值)通过使用K均值聚类技术，每日手臂摆动度量不同于均值。
c.(参数化)每日手臂摆动度量是在过去几天内被建模的，并且根据与线斜率有关的参数，斜率更正。
d.(隔离)使用隔离森林，每日手臂摆动度量是异常值，因为它使用隔离决策树而被较少数量的边隔离。
在一个实施例中，爬楼梯模式可以被用作检测或预测患者的COPD相关事件的度量。例如，如前所述，用于生成度量的数据可以从腕戴式位置标签被导出。爬楼梯模式可以被用来检测COPD，因为COPD患者可能爬楼梯很困难。
更具体地说，当患者有肺部问题时，患者可能会尝试避免爬楼梯和许多其他形式的简单锻炼，而这些已被证明对长期健康和幸福有益。患有严重COPD的患者在上楼梯时可能会因非常不舒服的胸部收紧而气喘吁吁。这种生理反应可能会使患者丧失使用楼梯的信心。用腕戴式定位标签，可以定期(例如，每天)确定患者的表现和房屋内楼梯的使用情况。可以随时间获取数据以生成时间序列数据，该数据可以被用作估计患者COPD状况恶化的基础。
对于爬楼梯度量，监测系统的处理器可以解释来自腕戴式位置传感器的数据，该数据具有房屋的地点信息(例如，蓝图或平面图)。该数据包括已知的3D坐标，3D坐标对应于包括台阶或楼梯的房屋区域。在一些情况下，楼层平面图或房屋地点/布局信息可以指示栏杆相对于楼梯在楼梯上的位置(例如，左侧或右侧或两侧)。位置数据可以被用作确定栏杆的存在和使用的基础。当位置标签被放置在在上楼梯或下楼梯时抓住扶手的手腕上时，也可以通过传感器数据来确定栏杆或扶手的使用。
图11图示了佩戴腕式监测器的患者的房屋中的一组楼梯1110的示例。在此示例中，位置A位于楼梯的一端，而位置B可位于楼梯的相对一端。在从位置A到位置B上下楼梯的过程中，手腕位置坐标的时间序列可以确定以下内容：
1.上下一组楼梯的时间
2.在上下楼梯时使用了扶手
3.指示需要进行呼吸恢复的步子的停顿次数和持续时间
4.每天的步数
在解释该数据时，可以相对于楼梯来定义坐标系(如图所示)。在一个实施例中，坐标系可以对应于其中主要分量(x)平行于患者在一组楼梯上的移动方向的维度系统，而其他两个维度(y和z)被布置为与主方向正交，z坐标表示高度。
在一个实施例中，从腕戴式传感器生成的数据的信息坐标可以被旋转(或以其他方式被平移)到三个正交轴的任何系统，以提高处理效率或获得更多的相关信息。然后，可以基于一维或二维数据集的时间序列导出水平方向(x)和许多其他度量。
随着COPD变得更加严重，上楼梯所需的时间也会增加。在一些情况下，患有轻度COPD的患者在测量其爬12级台阶的能力的临床表现测试中的时间可能会显著缩短，而在轻度和重度患者之间可能不会注意到显著差异(例如，从跑步机行走导出的数据)。例如，可以通过传感器数据来确定穿过楼梯的完整水平距离的总时间。
图12A图示了第一示例的图表，其中传感器数据被绘制为线1210，线1210指示患者在50秒内以一致的步伐爬楼梯。该图表指示患有轻度COPD或没有患COPD的患者。相比之下，图12B图示了第二示例的图表，其中传感器数据被绘制为线1220，线1220指示在50秒内爬上较短的一组楼梯，但是在爬升期间不得不暂停四次的患者的更不稳定的模式。在后一种情况下，数据被处理成指示中度至重度COPD状况的度量。
图13图示了绘制对应于两种类型的活动的数据点的图表的示例。用点表达的数据点对应于上楼梯的患者，而用x表达的数据点对应于下楼梯的患者。数据点分别被绘制在垂直和水平时间轴上。监测系统的处理器可以处理这些数据点以生成趋势线1310。该趋势线显示在60天的时间段内多次爬楼梯的上升趋势，这可能表明患者的COPD状况正在恶化。除了这些时间的趋势之外，爬楼梯度量还可以标识出在爬楼梯或下楼梯所需的时间上有显著变化的患者。可以使用具有统计数据的异常算法来检测这种变化，以确定患者的状况。
图14图示了相对于三个轴绘制的从腕戴式传感器导出的数据点的图表。第一轴对应于月份中的某天。第二轴对应于爬楼梯的时间。第三轴对应于在预定时间段内爬楼梯的总时间，例如，以每天为基础。第一轴上低于30秒时间的数据点(空心圆)表示正常的数据点，而高于30秒时间的数据点表示异常值，例如，在统计上超出为患者制定的正常范围的数据点。这些异常值是特别令人感兴趣的，因为异常值的频率和/或严重性的增加可以允许监测系统的处理器确定患者恶化的COPD状况。
图15图示了由监测系统的处理器基于由腕戴式传感器所生成的数据的三维图的示例，在这种情况下具体涉及沿着楼梯扶手的移动。该图的纵轴对应沿楼梯的y方向移动，两个横轴分别指示沿楼梯的x方向移动和上下楼梯的时间。在上下楼梯时，患者可以使用扶手来提高稳定性并帮助上楼梯。这涉及对上身肌肉的使用。当手腕标签戴在使用轨道的手上时，所导致的运动在主要方向(x)上趋于一致，当手暂时抬离轨道并重新定位时，与运动方向的偏差很小。在此图中所示的示例中，处理器计算的移动y坐标的偏差非常小(例如，最大偏差为5厘米)。由此，处理器可以确定患者的手仅在楼梯的方向上沿着栏杆移动。
图16图示了由处理器基于来自腕戴式传感器的数据生成的另一图。在这种情况下，示出了两条曲线。第一曲线1610表示与确定患者在楼梯上使用扶手的时间相对应的数据点。第二曲线1620表示与确定患者自由爬楼梯(例如，不使用扶手)的时间相对应的数据点。
从图16的图，与患者自由走上楼梯时生成的数据点相比，扶手的使用更加明显。例如，该方向不仅与爬升方向平行，而且当患者上楼梯时，y坐标有40厘米的变化，这两个参数都可以通过处理器执行对数据的比较分析而被标识。在解释数据时，处理器可以标识扶手的使用将人的运动限制在患者的垂直方向和背侧/腹侧方向。当患者将他的手放在栏杆上时，处理器可以确定存在相对最小量的横向移动，因此y坐标不变。
根据该数据分析，处理器可以使用手腕身体传感器准确地估计栏杆的线。在一个实施例中，这可以例如使用最佳拟合线算法、线性趋势估计算法、残差分析算法、或通过使用预先映射的栏杆位置来确定。
图17图示了将扶手使用率绘制为百分比的图表的示例。例如，在该图表中，扶手的使用可以被表述为患者(佩戴传感器)的手在栏杆上的时间的百分比。该百分比时间可以由处理器来计算，例如，被计算为：栏杆上的百分比＝(手在栏杆上的时间)/(上楼梯的时间/下楼梯的时间)。与本文描述的其他度量相似，异常值/异常检测可以被处理器用作标识患者何时做出不同反应的基础。例如，从传感器数据生成的第一曲线1710基于传感器数据指示健康患者(例如，没有或仅有轻度COPD状况的患者)使用扶手的百分比。这样的病人不需要大量的栏杆支撑。第二曲线1720表示与第一曲线显著不同，例如，第二曲线指示扶手的使用百分比在使用次数的百分比基础上显著增加。根据该曲线，处理器可以确定患者的COPD状况已经恶化。
图18图示了可以由监测系统的处理器基于传感器数据生成的图表的示例，此时患者的COPD状况是基于患者在上楼梯或下楼梯时暂停的次数和/或持续时间来确定的。图表的纵轴表示每次发作的暂停持续时间。下部水平轴表示每次楼梯发作。上部水平轴表示每次发作的平均暂停持续时间。在图18中，绘制了15次发作。
图表上的数据点由处理器(基于腕戴式传感器数据)生成并且并被表示为空心圆。不在曲线1810上的空心圆表示每次爬楼梯/下楼梯发作的停顿持续时间，由曲线1810连接的空心圆表示停顿持续时间的平均持续时间。如前所述，需要经常停下来的患者可能是因呼吸困难而停下来。爬升过程中频繁、长时间、或多次的停顿可以被用作指示患者状况恶化的基础。通过比较在楼梯上的停顿次数和停顿的持续时间，处理器可以检测到健康状况的潜在变化。在图中绘制的15次爬楼梯中，出现了不同长度的停顿。处理器可以确定平均暂停时间并使用这些值来标识异常值。可以对原始暂停次数进行类似的分析。
图19图示了包括数据点的图的示例，数据点指示患者在一段时间段内(例如，每天)在楼梯上使用的总的台阶数。这样的图可以由处理器基于手腕传感器数据来生成，其中垂直轴表示在下部水平轴上指示的天数期间每天采取的台阶/楼梯的数量。在这种情况下，以60天的周期为例。该图还可以包括沿着上部水平轴绘制的台阶计数信息(例如，患者每天上台阶或下台阶的次数)。
一旦由处理器生成，处理器就可以执行统计算法以标识模式，这些模式可以被用作确定患者的肺部状况恶化已经阻止患者爬台阶或其他度量的基础。根据该信息，可以确定患者每天上楼梯或下楼梯的次数(无论是完全还是部分)，并且这个计数可以被乘以楼梯井中的台阶数。如果不知道，则可以使用预定的标准值，诸如每个楼梯间10个台阶。通过这些技术，可以例如以趋势线1910的形式生成度量，以用于确定患者的COPD状况。例如，倾向于每天爬越来越少的台阶的患者将被指示为状况更糟。
本文描述的方法、过程和/或操作可以由计算机、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。计算机、处理器、控制器或其他信号处理设备可以是本文中描述的那些，或者是除了本文中描述的元件之外的元件。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，用于实现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所述的方法的专用处理器。
此外，另一个实施例可以包括用于存储上述代码或指令的计算机可读介质，例如，非暂时性计算机可读介质。计算机可读介质可以是易失性或非易失性存储器或其他存储设备，其可以被可拆卸地或固定地耦合到计算机、处理器、控制器、或将执行代码或指令以执行本文描述的系统和方法实施例的操作的另一信号处理设备。
本文描述的实施例的处理器、系统、控制器和其他信号生成和信号处理特征可以例如以可以包括硬件、软件或这二者的逻辑来实现。当至少部分地以硬件实现时，处理器、系统、控制器和其他信号生成和信号处理特征可以例如是各种各样的集成电路中的任何一种，这些集成电路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、或其他类型的处理或控制电路。
当至少部分地以软件实现时，处理器、系统、控制器和其他信号生成和信号处理特征可以包括例如用于存储待由(例如，计算机、处理器、微处理器、控制器或其他信号处理设备)执行的代码或指令的存储器或其他存储设备。计算机、处理器、微处理器、控制器或其他信号处理设备可以是本文描述的那些，或者是除了本文描述的元件之外的元件。由于详细描述了形成方法(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，用于实现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所述的方法的专用处理器。
在权利要求中，被置于括号之间的任何参考符号不应被解释为限制权利要求。“包括”或“包含”一词不排除在权利要求中列出的元素或步骤之外的元素或步骤的存在。在列举了若干部件的设备权利要求中，这些部件中的若干可以由同一个硬件项来体现。一个元素之前的单词“一”或“一个”不排除多个这种元素的存在。在列举了若干部件的任何设备权利要求中，这些部件中的若干可以由同一个硬件项来体现。在互不相同的从属权利要求中列举了某些元素这一事实并不表明这些元素不能组合使用。
尽管基于当前被认为是最实用和优选的实施例，出于说明的目的对本发明进行了详细描述，但应理解，这种细节仅用于该目的，并且本发明不限于所公开的实施例而是相反地旨在涵盖在所附权利要求的精神和范围内的修改和等效布置。例如，应当理解，本发明考虑到，在可能的范围内，任何实施例的一个或多个特征可以与任何其他实施例的一个或多个特征进行组合。

Claims (15)

1.一种用于确定患者状况的方法，包括：
在观察时段内接收传感器信息；
基于所述传感器信息来生成一个或多个度量；
将所述一个或多个度量与参考信息进行比较以确定偏差信息；以及
基于所述偏差信息，生成指示患者正在经历COPD相关事件的概率的风险评分，其中所述传感器信息是从患者地点的预定地点处的一个或多个传感器(301至30N)接收的。
2.根据权利要求1所述的方法，其中所述一个或多个传感器包括：
一个或多个第一传感器，用以贯穿所述观察时段跟踪所述患者在所述患者地点处的移动。
3.根据权利要求2所述的方法，其中所述一个或多个第一传感器跟踪所述患者的三维移动，并且所述三维移动包括上楼梯或下楼梯的移动。
4.根据权利要求2所述的方法，其中所述一个或多个度量包括热图，所述热图基于从所述一个或多个第一传感器接收到的信息而被生成。
5.根据权利要求4所述的方法，其中生成所述一个或多个度量包括：生成所述热图以包括第一覆盖区域，所述第一覆盖区域包括在所述观察时段期间由所述患者在所述患者地点处采取的一条或多条移动路线。
6.根据权利要求5所述的方法，其中将所述一个或多个度量与参考信息进行比较包括：将所述第一覆盖区域与对应于参考信息的热图的第二覆盖区域进行比较，所述第二覆盖区域对应于针对非COPD相关事件的所述患者地点处的移动，并且所述偏差信息对应于所述第一覆盖区域和所述第二覆盖区域之间的差异。
7.一种监测系统，包括：
接口，用以在观察时段内接收传感器(301至30N)信息；
存储器，存储用于确定患者的健康状况的指令；和
处理器，用以执行所述指令以执行操作，所述操作包括：
基于所述传感器信息来生成一个或多个度量；
将所述一个或多个度量与参考信息进行比较以确定偏差信息；以及
基于所述偏差信息，生成指示患者正在经历COPD相关事件的概率的风险评分，其中所述传感器信息是从患者地点的预定地点处的一个或多个传感器(301至30N)接收的。
8.根据权利要求7所述的监测系统，其中所述一个或多个传感器包括：
一个或多个第一传感器(301至30N)，用以贯穿所述观察时段跟踪所述患者在所述患者地点处的移动。
9.根据权利要求8所述的监测系统，其中所述一个或多个第一传感器跟踪所述患者的三维移动，并且所述三维移动包括所述患者上楼梯或下楼梯的移动。
10.根据权利要求8所述的监测系统，其中所述一个或多个度量包括热图，所述热图基于从所述一个或多个第一传感器接收到的信息而被生成。
11.根据权利要求10所述的监测系统，其中所述处理器通过生成所述热图以包括第一覆盖区域来生成所述一个或多个度量，所述第一覆盖区域包括在所述观察时段期间由所述患者在所述患者地点处采取的一条或多条移动路线。
12.根据权利要求11所述的监测系统，其中所述处理器通过将所述第一覆盖区域与对应于参考信息的热图的第二覆盖区域进行比较来将所述一个或多个度量与参考信息进行比较，所述第二覆盖区域对应于针对非COPD相关事件的所述患者地点处的移动，并且所述偏差信息对应于所述第一覆盖区域和所述第二覆盖区域之间的差异。
13.一种监测系统，包括：
接口部件，用以在观察时段内接收传感器信息；
存储器，存储用于确定患者的健康状况的指令；和
处理部件，用以执行操作，所述操作包括：
基于所述传感器信息来生成一个或多个度量；
将所述一个或多个度量与参考信息进行比较以确定偏差信息；以及
基于所述偏差信息来生成指示患者正在经历COPD相关事件的概率的风险评分，其中所述传感器信息是从患者地点的预定地点处的一个或多个传感器(301至30N)接收的。
14.根据权利要求13所述的监测系统，其中所述一个或多个传感器包括一个或多个第一传感器(301至30N)，所述一个或多个第一传感器(301至30N)用以贯穿所述观察时段跟踪所述患者在所述患者地点处的移动。
15.根据权利要求14所述的监测系统，其中
所述一个或多个度量包括热图，所述热图基于从所述一个或多个第一传感器接收到的信息而被生成，并且
所述处理部件通过以下方式将所述一个或多个度量与参考信息进行比较：
生成所述热图的第一覆盖区域，所述第一覆盖区域对应于在所述观察时段期间由所述患者在所述患者地点处采取的路线，所述覆盖区域和路线基于从所述一个或多个第一传感器接收到的信息而被生成；以及
将所述第一覆盖区域与热图中的第二覆盖区域进行比较，所述第二覆盖区域对应于针对非COPD相关事件的所述患者地点处的参考移动路线，其中所述偏差信息对应于所述第一覆盖区域和所述第二覆盖区域之间的差异。
CN202080084234.2A 2019-12-04 2020-11-24 监测慢性阻塞性肺病患者 Pending CN114760911A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962943573P 2019-12-04 2019-12-04
US62/943,573 2019-12-04
PCT/EP2020/083119 WO2021110466A1 (en) 2019-12-04 2020-11-24 Monitoring a patient with chronic obstructive pulmonary disease

Publications (1)

Publication Number Publication Date
CN114760911A true CN114760911A (zh) 2022-07-15

Family

ID=73598833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080084234.2A Pending CN114760911A (zh) 2019-12-04 2020-11-24 监测慢性阻塞性肺病患者

Country Status (5)

Country Link
US (1) US20210174954A1 (zh)
EP (1) EP4069060A1 (zh)
JP (1) JP2023504277A (zh)
CN (1) CN114760911A (zh)
WO (1) WO2021110466A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020185556A1 (en) * 2019-03-08 2020-09-17 Musara Mubayiwa Cornelious Adaptive interactive medical training program with virtual patients
US20230263393A1 (en) * 2022-02-22 2023-08-24 NOMO International, LLC Non-intrusive monitoring system
CN117195139B (zh) * 2023-11-08 2024-02-09 北京珺安惠尔健康科技有限公司 基于机器学习的慢性病健康数据动态监测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8180651B2 (en) * 2009-11-24 2012-05-15 General Electric Company System and method of patient destination prediction
US10687193B2 (en) * 2013-09-19 2020-06-16 Unaliwear, Inc. Assist device and system
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

Also Published As

Publication number Publication date
US20210174954A1 (en) 2021-06-10
JP2023504277A (ja) 2023-02-02
WO2021110466A1 (en) 2021-06-10
EP4069060A1 (en) 2022-10-12

Similar Documents

Publication Publication Date Title
US8810388B2 (en) Position tracking and mobility assessment system
US9940822B2 (en) Systems and methods for analysis of subject activity
CN114760911A (zh) 监测慢性阻塞性肺病患者
US12011258B2 (en) Method and apparatus for determining a fall risk
CN113397520B (zh) 室内对象的信息检测方法及装置、存储介质和处理器
Hagler et al. Unobtrusive and ubiquitous in-home monitoring: A methodology for continuous assessment of gait velocity in elders
US9104788B2 (en) System and method of using location technology to aid patient recovery
US9526421B2 (en) Mobile wireless customizable health and condition monitor
US10805767B2 (en) Method for tracking the location of a resident within a facility
EP3731752A1 (en) Method for tracking and reacting to events in an assisted living facility
US11412957B2 (en) Non-contact identification of gait dynamics, patterns and abnormalities for elderly care
AU2024203613A1 (en) System for recording, analyzing risk(s) of accident(s) or need of assistance and providing real-time warning(s) based on continuous sensor signals
US10986199B2 (en) Method for tracking persons and state of tracked person and device employing method
Torres et al. How feasible is WiFi fingerprint-based indoor positioning for in-home monitoring?
Hsiao et al. Towards long-term mobility tracking in NTU hospital's elder care center
Kołakowski et al. Localization system supporting people with cognitive impairment and their caregivers
WO2023283834A1 (zh) 室内对象的信息检测方法及装置、存储介质和处理器
JP7371624B2 (ja) コンピューターで実行されるプログラム、情報処理装置、および、コンピューターで実行される方法
CN116940279A (zh) 跌倒分类设备和装置
US20240353917A1 (en) Human behavior recognition system based on iot positioning and wearable devices
WO2008058337A1 (en) Health monitoring and evaluation system

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