CN115279262A - 验证生理波形可靠性的方法和系统及其用途 - Google Patents

Abstract

提供了验证生理波形可靠性的方法和系统及其用途。多个实施例描述了验证波形可靠性的方法，包括血压波形、心电图波形和/或产生连续波形的任何其它生理测量。某些实施例将可靠性测量输出到闭环系统，该闭环系统能够控制心脏活性药物或其它流体的输注速率，以调节血压、心率、心脏收缩力和/或血管舒缩张力。进一步的实施例允许波形评估器使用机器学习算法从临床监视器收集的数据基于至少一个波形特征来验证波形可靠性。

Description

验证生理波形可靠性的方法和系统及其用途

技术领域

本发明针对用于评估血压监视中的波形可靠性的系统和方法，更具体地涉及闭环控制器，包括被设计为校正低血压和/或高血压的控制器。

背景技术

术中低血压的短暂发作与不利的心血管、肾脏和神经系统并发症相关联，包括器官损伤、缺血、中风、心脏病发作或死亡。(参见例如Sessler DI等人，Anesthesiology2018；128：317-27；Sessler DI和Khanna AK.，Intensive Care Med 2018；44：811-22；Haliqvist L等人，Eur J Anaesthesiol 2016；33：450-56；Sessler DI等人，Br J Anaesth2019年5月；122：563-74；Maheshwari A等人，Br J Anaesth 2017年7月1日；119：40-49；Wesselink EM等人，Br J Anaesth 2018年10月；121：706-21；Sun LY等人，Anesthesiology2015；123：515-23；Maheshwari K，Anesthesiology 2018；73：1223-28；Walsh M等人，Anesthesiology 2013；119：507-15；Gu WJ等人，Ini J Cardiol 2018；258:68-73；Haliqvist L等人，Eur J Anaesthesiol 2018；35:273-79；以及Bijker JB等人，Anesthesiology 2012；116:658-64；其公开内容通过引用整体并入本文。)因此，低血压的快速校正是负责高风险手术和危重患者的麻醉医师的关键考虑因素。(参见例如VincentJL等人，Ann Intensive Care 2018；8：107；Maheshwari K等人，Intensive Care Med2018；44：857-67；以及Nguyen DN等人，PLoS One 2018；13，e0200495；其公开内容通过引用整体并入本文。)

血管加压剂经常用于校正低血压，尤其是当患者对其它干预措施(包括液体给药)无反应时。对于血流动力学复杂的患者，血管加压剂治疗常常要求频繁推注、调整输注速度或两者兼有。理想情况下，应当及时进行此类改变以避免出现低血压或高血压时段，因为两者都会是有害的。(参见例如Abbott TEF等人，Anesib Analg 2019；126(6):1936-45；其公开内容通过引用整体并入本文。)在当前技术中，血管加压剂输注要么滴定，要么用手推注给药。前者在适应不断变化的临床条件方面慢，而后者导致血压管理不准确和不一致。

发明内容

公开了用于评估波形有效性的方法和系统。

在一个实施例中，一种用于验证波形可靠性的方法包括获得作为连续波形的血压测量，验证连续波形的可靠性，以及输出经验证的波形可靠性的可靠性测量。

在进一步的实施例中，验证步骤使用机器学习算法来评估连续波形的至少一个特征、至少一个特征中的方差、至少一个特征中的改变以及至少一个特征的方差中的改变。

在另一个实施例中，至少一个特征来自选自由以下组成的组的类别：压力、压力比、时间、时间比、面积、斜率和形态。

在又一个实施例中，可靠性测量是可靠或不可靠的定性测量。

在又一个实施例中，可靠性测量是0-100％置信度的定量测量。

在又一个实施例中，可靠性测量是不可靠、可能可靠、肯定可靠的半定量测量。

在又一个实施例中，连续波形是侵入式或非侵入式获得的。

在又一个实施例中，连续波形是从附加生理测量推断的。

在另一个实施例中，其它生理测量选自心电图、光电脉搏描记术、皮肤拉伸传感器或电阻抗或电感应。

在另一个附加实施例中，该方法还包括获得附加生理测量作为第二连续波形，验证第二连续波形的可靠性，以及输出第二验证波形可靠性的第二可靠性测量。

在另一个附加实施例中，附加生理测量选自心电图、光电脉搏描记术、皮肤拉伸传感器或电阻抗或电感应。

在又一个实施例中，连续波形是从临床监视器获得的。

在又一个实施例中，临床监视器选自：GE Solar线、LiDCo设备和EdwardsLifesciences EV-1000。

在又一个实施例中，结合波形可靠性测量的设备包括波形可靠性评估器、控制模块和流体泵，其中波形可靠性评估器接收作为连续波形的生理测量并将波形的可靠性测量输出到控制模块，其中控制模块基于生理测量和波形的可靠性测量来控制流体泵的输注速率。

在又一个实施例中，流体泵输注心脏活性药物。

在又一个附加实施例中，心脏活性药物选自：血压调节剂、心率调节剂、心脏收缩调节剂和血管舒缩张力调节剂。

在又一个附加实施例中，心脏活性药物是血管加压剂。

在又一个实施例中，流体泵输注流体，其中流体选自：晶体、胶体和血液产物。

在又一个实施例中，连续波形是从临床监视器获得的。

在又一个附加实施例中，临床监视器选自：GE Solar线、LiDCo设备和EdwardsLifesciences EV-1000。

在又一个附加实施例中，设备还包括第二流体泵，其中流体泵输注选自以下的流体：晶体、胶体和血液产物，并且第二流体泵输注心脏活性药物。

在又一个附加实施例中，心脏活性药物选自：血压调节剂、心率调节剂、心脏收缩调节剂和血管舒缩张力调节剂。

在另一个附加实施例中，心脏活性药物是血管加压剂。

附加的实施例和特征部分地在下面的描述中阐述，并且部分地在检查说明书后对于本领域技术人员变得显而易见或者可以通过本公开的实践而获知。通过参考构成本公开的一部分的说明书的其余部分和附图，可以实现对本公开的性质和优点的进一步理解。

附图说明

当结合附图考虑时，通过参考以下详细描述将更好地理解本发明的这些和其它特征和优点，其中：

图1A-1C图示了根据本发明实施例的示例性血压波形。

图2A-2B图示了根据本发明实施例的一般波形特点。

图3A-3F图示了根据本发明实施例的可以从单拍波形中提取的特征。

图4A-4B图示了根据本发明实施例的接收者-操作者曲线和精度-召回率曲线。

图5图示了根据本发明实施例的用于验证血压测量的方法的流程图。

图6图示了根据本发明实施例的结合波形可靠性测量的设备。

图7图示了根据本发明实施例的用闭环系统监视的多个个体的去甲肾上腺素输注速率随时间的变化。

图8图示了根据本发明实施例的在用闭环系统监视的多个个体的规程期间的平均动脉压(MAP)。

图9图示了根据本发明实施例的选择机器学习算法的方法的流程图。

图10图示了根据本发明实施例的各种状态下的MAP的直方图。

具体实施方式

本文所述的本发明的实施例并非旨在穷举或将本发明限制到所公开的精确形式。更确切地说，被选择用于描述的实施例的选择是为了使本领域技术人员能够实践本发明。

转向数据和附图，提供了评估血压监视中的波形可靠性的系统和方法。许多实施例针对闭环控制器，包括被设计为校正低血压和/或高血压的控制器。多个实施例经由将血压调节器(例如，血管加压剂)的输注速率自动滴定到预定义特点(诸如平均动脉压(MAP))内来校正低血压和/或高血压。进一步的实施例输注心率调节器、心脏收缩调节器和/或血管舒缩张力调节器。

血压控制在包括外科规程在内的医疗规程中非常重要，其中个体的血压可能落入可接受的窗口之外(例如，血压过低或过高)。用于输注血压调节剂和/或其它心脏活性药物的闭环系统示出主动调节心脏参数(例如，血压)的巨大希望。但是，障碍物、干扰、探头位置和其它复杂因素会使得监视系统对心脏参数产生可变、不准确和/或不可信的读数。照此，本发明的许多实施例针对根据由监视设备(诸如脉搏输出量变化(SW)监视器)生成的波形验证波形可靠性的系统和方法，以改进进入患者的药物和/或流体输注，从而更好和更准确控制特定的心脏参数。

转向图1A-1G，图示了示例性波形。图1A-1C中的每一个图示了动脉血压波形102的10秒区段，具有搏动检测分析104以及搏动的质量测量106、108、110。搏动一般被识别为相继舒张最低点之间的动脉波形中的时间；实际上，该时间与从舒张期到收缩期再到舒张期的单个心动周期对应，而质量指示搏动看起来有多“干净”。

图1A图示了“好”波形，而图1B-1C图示了具有差或坏片段和/或搏动的波形。更特别地，在图1A中，波形102的干净的10秒区段被图示为具有十四个搏动104，所有这些搏动都具有“好”质量测量106。图1B图示了具有片段112的10秒区段，其具有坏信号，这可以是由动脉和/或测量线的压缩造成的。虽然在片段112内识别出两个搏动104'，但两者都示出“坏”质量测量108，因为它们具有坏搏动形态。最后，图1C图示了容易看到的搏动104，但是几个搏动104”将人工噪声图示为波形102中的振荡。虽然这些振荡搏动在形态上被正确识别，但由于在波形102中的振荡，搏动被识别为“差”质量110。

实施用于识别波形特征的方法和系统的实施例

为了识别波形数据内的搏动，各种实施例过滤传入信号，诸如来自血压监视器和/或其它生理测量的那些，诸如通过使用低通滤波器。附加实施例还执行傅立叶变换中的一个或多个以检测主要时间常数、选择可能的心率峰、以及扫描波形以寻找指定频率内的峰和谷。在某些实施例中，心率峰可能由出现在30-130Hz范围内的峰确定。进一步的实施例提供了赋予接近30-130Hz范围的中间的值的更高加权概率。

转向图2A-2B，图示了相对于单次搏动的一般波形特点。特别地，图2A图示了表示单次搏动中的收缩期和舒张期以及萎缩肢体和重搏肢体的波形部分。图2B图示了搏动波形内的更多粒度，识别收缩期上升冲程、峰压力和下降以及重搏切迹、舒张期径流和舒张末期压力。

除了在图2A-2B中识别出的特征之外，多个实施例还识别和测量或计算单个搏动的波形内的各种附加特征。波形特征一般被分类为以下类别之一：

·压力—压力波中给定时间点处的血压的直接测量，通常以毫米汞柱(mmHg)为单位测量。例如，收缩压、舒张压、以及收缩峰和搏动结束之间30％时间处的血压，等等。

·压力比—两种压力相对于彼此的比率。例如，收缩压除以舒张压，等等。

·时间—通常搏动中特征的时间的直接测量。例如，从搏动开始到收缩压的时间、从搏动开始到收缩峰值相对于舒张最低点下降50％的时间、从压力上升50％上升到压力下降50％的时间、以及从收缩峰到重搏切迹峰(如果存在)的时间，等等。

·时间比—两个时间相对于彼此的比率。例如，总收缩时间与总搏动时间，以及收缩上坡和收缩峰上升50％之间的时间与收缩峰和下坡压力50％之间的时间，等等。

·面积—波形的全部或一部分中的所有测量的总和。例如，搏动下的总面积、搏动下的总面积减去舒张总面积、以及收缩压的第75个百分位以下的总面积，等等。

·斜率—压力波在波中某一点处的改变率。例如：收缩上升的前五分之一的上升率、总收缩上升的上升率、以及收缩下降的第三个五分位的下降率，等等。

·形态—检测特定特征是否存在(常常是二元“是”或“否”)。例如，双收缩峰的存在，以及多于两个搏动峰的存在，等等。

表1列出了多个特征，包括类别、特征的缩写、特征名称和描述、特征的单位以及如何根据许多实施例测量和/或计算每个特征。

虽然表1中列出的特征例示了可能特定于动脉血压波形的某些特征，但波形的一般类别，包括面积、时间比、压力比、峰、形态等，适用于许多类型的波形，包括其它生理测量，包括(但不限于)神经监视、心电图(例如，ECG/EKG)、脉搏血氧仪、中心血容量、中心血流量、光电体积描记术、皮肤拉伸传感器、其它透光率或反射率测量，以检测血流量，其它电阻抗或电感应测量，从而测量血容量。照此，许多实施例执行与此类生理测量类似的技术，诸如本文所述。此外，非生理测量(例如，温度和/或压力控制)也可以产生实施例所针对的连续波形，以便识别非生理测量和控制的改变。

转向图3A-3F，对照单次搏动的形态图示了可以识别和测量或计算的多个特征。特别地，图3A-3B图示了具有深陷波和反射波的单个搏动，其中绘制并标记了多个可提取特征(例如，来自表1的特征)，包括压力、时间、斜率。图3C-3E图示了在具有不同形态的不同搏动上与图3A-3B中所示相同的测量结果，诸如收缩峰上的滞后肩(图3C)、浅重搏切迹(图3D)或多个收缩峰(图3E)。最后，图3F图示了具有双收缩峰且没有“真”重搏切迹的异常波形，因此没有“真”第二(或重搏)峰。由于图3F中的异常，这个图图示了某些实施例如何提取异常波形中的特征。具体而言，图3F图示了如何可以首先检测下坡的最大凹度，然后从连接最大凹度到搏动末端的线中识别最大正偏转，以便识别某些特征以进行提取。

许多实施例为一个或多个模型识别和/或测量(或计算)本文讨论的各种特征中的一个或多个(例如，表1中列出的特征)。例如，表2列出了根据各种实施例的用于检测动脉线路换能器过高、检测动脉线路换能器过高和检测动脉线路换能器阻尼的示例性模型中的特征。进一步的实施例确定一个或多个特征的中值、一个或多个特征的方差、一个或多个特征的改变(例如，搏动波形之间的特征的改变)和/或一个或多个特征的方差的改变。多个实施例将这四类测量中的一个或多个组合以用于不同用途，使得某些实施例仅单独测量特征中的一个或多个，而附加实施例测量一个或多个特征以及这些特征在一段时间或若干个搏动(例如，60秒和/或60搏动)内的改变。附加实施例仅测量一段时间或搏动(例如，60秒和/或60次搏动)内的测量的改变，使得识别随时间的改变。各种其它实施例组合对这些类别的选择，使得实施例测量一个或多个特征、测量的改变、一段时间(例如，60秒)内测量的改变，以及一段时间(例如，60秒)内方差的改变。进一步的实施例使用覆盖不同时段的大量即时和改变测量。例如，这些实施例可以测量一个或多个特征；一个或多个特征的方差；60秒、180秒和900秒内的测量的改变；以及60秒、180秒和900秒内方差的改变。在一些实施例中，方差被计算为(第75分位数值)-(第25分位数值)。

某些实施例将影响其它特征的一些特征的数据归一化，包括例如心率和平均动脉压。归一化可以包括对测得的特征在心率的跨度内的自然变化和和平均动脉压进行校正。例如，典型窦性心律的舒张期在心率低时长，而在心率高时短。而且，舒张期(y轴)与心率(x轴)的曲线图的曲线是非线性的(例如，它表现出曲率)。因此，在针对心率或者平均动脉压检查所有特征的各种归一化的过程中，在各种实施例中采用多项式回归以最佳地将自然变化拟合到给定心率或平均动脉压范围的归一化值。

应当注意的是，在这些示例性实施例中识别出的特定时间或时段仅用于说明目的，因此识别60秒的时段可以是15秒、30秒、45秒、120秒或任何其它时段的时间。类似地，识别60次搏动还可以被进一步调整为15次搏动、30次搏动、45次搏动、120次搏动或对获得这些测量有用的任何其它数量的搏动的周期。此外，多个实施例将时段(时间或搏动数)的改变或方差的改变测量为离散窗口(例如，时段1测量从1-60秒的改变，时段2测量从61-120秒的改变，等等)，而进一步的实施例测量滑动窗口上时段的改变或方差的改变(例如，时段1测量从1-60秒的改变，时段2测量从16-75秒的改变，等等)。

实施训练波形可靠性算法的实施例

许多实施例针对验证从个体测得的血压的波形可靠性。波形可靠性是指波形是否准确表示个体的血压。如本文所识别出的，多个实施例利用自动化算法，包括机器学习和/或人工智能算法，通过从波形中识别特征(诸如本文描述的那些特征)来验证波形可靠性。一旦模型被训练，许多实施例就使用验证数据集来验证模型。一旦被验证，某些实施例的训练模型就被用于验证波形可靠性。

许多实施例使用被监督的方法来训练模型，通过使用有效和好质量的搏动波形(例如，图1A-1C中的项104)并忽略坏的和/或差的搏动波形(例如，图1A-1C中的项104'和104”)来学习。进一步的实施例使用无监督、半监督或强化学习中的一种；但是，如果没有预先验证的训练集，那么这些方法可能会不正确地训练模型。

各种实施例使用基于模型的学习来识别有效波形并基于波形内的特征来验证波形可靠性，包括这些特征的方差、改变和方差的改变。虽然某些实施例可以使用基于实例的学习，但使用基于实例的学习训练的模型可以由于“懒惰”学习方法而没有那么有效。

某些实施例使用神经网络方法，包括深度学习、卷积和/或循环子类型中的一种或多种，使得某些实施例使用一种类型的神经网络，而一些实施例使用集成方法来为神经网络学习。附加实施例可以使用支持向量、回归建模或线性建模来训练机器学习算法，这在给定预先验证的波形数据的情况下可以是有效的。进一步的实施例可以使用决策树、k-最近邻和/或二元分类器；但是，考虑到实施例中的波形数据，这些模型可能不那么有效。

进一步的实施例结合关于可能影响某些个体中的波形可靠性的已验证波形的附加信息。附加信息可以包括特点，特点包括年龄、疾病状态、疾病严重程度、血压测量的位置和/或可以影响个体内的血压、血流和/或血容量的任何其它特点。疾病状态和/或严重程度包括诸如糖尿病I和II、外周血管疾病、外周动脉疾病、心脏病(例如，心肌梗塞病史、充血性心力衰竭、主动脉瓣和二尖瓣病变、反流、狭窄等)、肺动脉高压、血管扩张性休克状态(包括败血症、神经源性和/或血管麻痹性休克状态)、颈动脉狭窄和/或可能影响血压、血流量和/或血容量的任何其它疾病状态或严重程度之类的特点。测量位置包括此类股骨、桡骨、肱骨、足部和/或中心测量位置。通过结合数据集，包括这些附加信息，某些实施例中的训练模式在验证特定年龄、疾病和/或特定血压测量值在个体中的位置的个体中的波形可靠性方面可以提供更好的准确性。

在某些实施例中，在正常状态(例如，无错误)和/或一种或多种状态之间收集训练数据，包括换能器高、换能器低、阻尼状态和/或任何其它已知错误状态。换能器位置过高(换能器高)足以使得MAP下降10-12mmHg，而换能器置于患者下方(换能器低)足以使得MAP上升10-12mmHg。阻尼状态可以由空气或另一种气体引入动脉血压流体管路中造成，这会造成波形信号的阻尼。

各种实施例基于从其收集数据的个体的正常(例如，无错误)数据来校准数据。例如，如果校准帧时段中的中值脉压是50mmHg，并且在未来的某个状态下，脉压是40或60，这些值将被重新计算为校准数据集从分别为-10和+10的基线的改变。

一些实施例训练用于多类检测的算法，使得该算法能够检测多个错误状态。但是，多种实施例针对每个错误状态训练单独的算法，这可以允许更好地集中针对特定类型的错误的训练。

各种实施例通过变换和/或组合扩展特征，其中变换可以被选择自然对数、平方、倒数或与心率数据相关的任何其它变换方法中的一种或多种。某些实施例使用互信息分类器评估所考虑的错误状态的预测，其中可以识别任何单个基本特征的最高互信息分数并将其设置为用于变换的特征检测的截止值。在某些实施例中，一旦接受截止值，每个基本特征就作为未加工的测量或作为单独的经变换的测量被依次测试，然后与每个其它特征组合，其本身既未加工又是经变换的。各种实施例中的组合包括和、差、绝对差以及和、比率和乘积。附加实施例保留具有高于截止值的互信息分数的任何组合特征。

在特征扩展之后，许多实施例建立Monte-Carlo特征选择和机器学习训练流水线(pipeline)。对于特征选择，某些实施例使用具有f分类器的“K-最佳”选择器来选择与感兴趣的错误状态具有最强关系的特征。各种实施例从以下选择机器学习分类器算法：线性回归器、岭回归器、感知器、被动-积极回归器、决策树、支持向量机、K-最近邻、随机梯度下降和多层感知器神经网络。

各种实施例通过选择随机数量的K-最佳特征来选择机器学习算法(上面列出的机器学习算法之一)，然后从机器学习算法的可用超参数的随机子集中选择(如果有的话)。然后各种实施例使用训练集中的10倍交叉验证来检查训练集中每个训练算法的平衡的准确度；其中平衡的准确度是为关于每个个体类获得的观察数量平衡的简单准确度(正确预测的数量除以观察的总数)。

各种实施例中的算法测试和选择包括允许选择流水线运行大量样本(例如，10,000个样本)，然后一致地，允许高性能算法重新运行算法选择以确定针对每个错误状态的最佳算法。在一些实施例中基于校准和未校准的数据来选择附加算法。

一旦选择了机器学习算法，就对照附加数据测试算法。图4A图示了来自使用校准或未校准的数据图示每个错误状态的实施例的接收者操作特点曲线，其中这些实施例能够实现0.90或更大的曲线下面积(AUC)。图4B图示了使用校准或未校准的数据的三种错误状态的精度-召回率曲线。精度被定义为真阳性/(真阳性+假阳性)，并且召回率被定义为真阳性/(真阳性+假阴性)。图4B图示了在这些实施例中实现的PRC AUC是0.87或更大。

验证波形可靠性

转向图5，图示了验证血压测量的方法500。在多个实施例中，在步骤502处获得个体的血压测量。在一些实施例中，侵入性地(例如，经由换能器)获得血压波形测量，而一些实施例非侵入性地获得血压波形测量，诸如非侵入性换能器或压力测量。某些实施例使用诸如GE Solar线、LiDCo设备、Edwards Lifesciences EV-1000和/或任何其它合适的监视设备之类的临床监视器获得血压测量。某些实施例获得作为连续波形的血压测量，诸如图1A-1C中所示的那些。多个实施例从连接到个体身体不同部位的附加传感器和/或监视器获得个体的多个血压测量。

一些实施例在步骤504处收集关于个体的附加特点和/或测量，诸如年龄、疾病状态、疾病严重程度、血压的位置和/或其它生理测量，和/或可能影响个体体内的血压、血流和/或血容量的任何其它特点。来自个体的特点或信息(诸如年龄、疾病状态等)会影响波形形态的形状，因此某些实施例收集关于个体的附加特点。

在许多实施例的步骤506处，从个体获得其它生理测量。在某些实施例中，获得来自心电图(EKG/ECG)的其它生理测量、脉搏血氧饱和度、中心血容量、中心血流量、光电容积描记术、皮肤拉伸传感器、用于检测血流的其它透光率或反射率测量、测量血容量的其它电阻抗或电感应测量和/或绑定到血流量和/或血容量的任何其它生理测量。多个这些其它生理测量被捕获为连续波形，类似于针对血压的波形。在这些实施例中的一些当中，其它生理测量可以允许推断血压波形测量。

在步骤508处，许多实施例验证血压波形的波形可靠性。多种实施例使用经由机器学习算法训练的模型来验证波形可靠性。多个实施例包括关于个体的附加特点(例如，在步骤504处收集的特点)以验证波形可靠性。本文其它地方描述训练和验证模型的方法。

在步骤510处，若干实施例使用其它生理测量(例如，在步骤506处获得的测量)来验证波形可靠性。某些生理测量(诸如EKG)产生可以与血压波形类似地验证的波形，包括可以使用通过与血压波形相关的EKG测量训练的机器学习算法的使用。某些其它生理测量(诸如脉搏血氧饱和度)可以可直接用作血压的预测器。

在多个实施例中，来自步骤508和步骤510中的至少一个的波形可靠性在步骤512处被输出。在某些实施例中，输出是定性测量和/或二元标识符，诸如“可靠”或“不可靠”。附加实施例输出可靠性的定量标识符，诸如可靠性的连续置信度测量(例如，0％-100％置信度)。进一步的实施例输出可靠性的半定量标识符，诸如顺序置信度度量(例如，不可靠、可能可靠、肯定可靠)。

实现结合波形可靠性测量的设备的实施例

各种实施例针对结合波形可靠性信息的设备。这些设备中的一些是生命支持设备，而其它设备是生命维持设备。转向图6，图示了根据各种实施例的药物递送系统500的实施例。根据某些实施例的药物递送系统500包括波形可靠性评估器502、控制模块504和至少一个流体泵506。在许多实施例中，波形可靠性评估器502从生理监视器接收生理测量508。生理测量508包括血压波形、EKG波形和/或任何其它生理测量(例如，关于图4及其相关文本讨论的生理测量)中的一个或多个。在许多实施例中，波形可靠性评估器502根据本文描述的方法400评估波形。多个这些实施例包括根据本文所述的系统和方法训练的用于评估波形可靠性的机器学习系统。

在各种实施例中，来自波形可靠性评估器502的输出(例如，定量的、定性的和/或半定量的)与生理测量一起被发送到控制模块504。在某些实施例中，控制模块504包括输入和/或输出接口。多种实施例允许医疗专业人员(例如，护士、医师、外科医生等)将控制参数输入到控制模块504中，其中控制参数包括目标参数、目标范围和/或某些规则。例如，许多实施例允许医疗专业人员输入目标血压和/或目标血压范围(例如，70-80mmHg和/或75±5mmHg)，并且某些实施例允许医疗专业人员输入最大和/或最小输注速率。各种实施例允许医疗专业人员在使用控制模块504的操作或规程期间调整和/或覆盖目标参数(例如，目标血压)。

若干实施例允许控制模块504过滤输入数据(传入的生理测量510和/或来自医疗专业人员的输入)中的异常值。在许多实施例中，控制模块504允许计算趋势、移动平均值、导出的值和/或计算潜在的未来状态(例如，预测的值)。某些实施例允许在控制模块504内存储数据。

具有控制模块504的多个实施例控制来自至少一个流体泵506的流体输注速率。在某些实施例中，控制模块504是闭环控制器，其基于生理测量508自动调整至少一个流体泵506的流率。在一些实施例中，可以使用多个控制模块504，其中每个控制模块504控制单个流体泵506—例如，一个控制模块504控制第一流体泵508以递送流体(例如，晶体液、胶体、血液产物等)，而第二控制模块504控制第二流体泵506以输注药物(例如，血管加压剂)。进一步的实施例利用单个控制模块504来控制多个流体泵508，使得一个控制模块504可以控制第一流体泵506来递送流体并且控制第二流体泵508来输注药物。从至少一个流体泵506输注的流体和/或药物被输注到患者510体内。

在使用多个控制模块504的某些实施例中，控制模块在每个控制器之间进行通信或协调以允许对流体、药物或平衡的治疗的偏好。此类偏好可以由医疗专业人员设置。表3列出了用于优先系统的示例性决策矩阵以及药物递送系统如何根据血管加压剂状态和偏好发挥作用。可替代地，在闭环流体控制器(“GIF”)模型中，可以使用直接决策矩阵。表4列出了基于每搏输出量变化和来自个体的平均动脉压读数的替代GIF模型的示例性矩阵。应当注意的是，表3和4中的决策矩阵对于特定实施例是示例性的，并且本领域技术人员将理解如何根据偏好和/或取决于所输注的特定流体和/或药物的读数来操纵决策矩阵。

某些实施例允许设置控制模块504的各种操作规则。例如，一些实施例允许医学专业人员设置“断奶”模式和/或“斜坡”模式，使得输液速率可以逐渐变粗或变细以满足特定目标和/或输注速率。在附加实施例中，控制模块504允许决策支持，使得在某些生理现象期间，具体地实现特定的输注方法和/或速率—例如，如果在生理测量508中指示低每搏输出量，那么可以实现更高的流体输注速率。进一步的实施例在控制模块504内实现机器学习方法以允许在预测某个生理状态时进行主动控制。附加实施例允许使用比例积分微分(RID)模块进行控制，其中RID元件允许调整当前和预期的未来错误两者。

存在于控制模块504的进一步实施例中的特征包括警报、提醒和/或网络接口。警报和/或提醒可以是向医疗专业人员提醒生理测量508和/或药物递送系统500的操作问题的任何合适的方法，包括可听、可见和/或触觉警报。在某些实施例中实现的网络接口允许远程操作、远程监视和/或更新控制模块504的底层软件、固件和/或参数，包括是否对任何使用的机器学习模型进行改进以更好地操作控制模块504。在某些实施例中，警报基于错误的持续时间。例如，各种实施例设置目标范围之外的时间阈值，使得一定量的时间超过目标范围之外之后警报提醒(可听声音和/或可见信号)。各种实施例允许手动调整阈值之外的时间，而一些实施例基于个人的具体情况(例如，年龄、健康状况等)自动设置警报时间。一些实施例允许一旦参数超过目标范围就出现警告信号，并且一旦超过阈值持续一段时间就出现警报信号。此外，进一步的实施例基于目标范围之外的偏差提供类似的警告和/或警报。例如，一旦偏差超过阈值，就警告提醒，并且在参数超过附加阈值之后警报提醒。附加实施例提供了一种混合方法，使得偏差尺寸和阈值之外的时间的组合被用于警报。例如，较小的偏差可以允许在警报发生之前较长时间超出目标范围，而较大的偏差在较短的时间内触发警报。

示例性实施例

虽然以下实施例提供了关于本发明的某些实施例的细节，但应当理解的是，这些性质上仅仅是示例性的，并且不旨在限制本发明的范围。

示例1：测试闭环加压剂系统

背景；根据许多实施例的闭环系统在接受择期手术的患者身上进行了测试，以评估CLV控制是否可以将MAP维持在目标MAP的±5mmHg内达至少85％的术中时间。

方法：当前的实践是维持至少65mmHg的MAP，因此目标MAP被设置为70mmHg，因为这导致CLV控制器旨在将MAP保持在85和75mmHg之间。如果需要，那么可以在该情况下修改这个最初选择的目标。对于颅内脑动脉瘤血管内栓塞患者，使用80mmHg的目标MAP，因为用于治疗脑动脉瘤的线圈、分流器和支架减少脑内血流，并且在这些情况下更高的MAP目标是优选的。在麻醉诱导前(就在放置桡动脉导管之后)接通CLV。出于安全原因，制备去甲肾上腺素并使用单独的输液泵连接到静脉管线(但给药率为零)。此外，在手术过程中不允许推注加压药(麻黄碱、去氧肾上腺素，甚至去甲肾上腺素)。

预定义的CLV目标是使用去甲肾上腺素输注速率的自动调整将MAP维持在目标MAP的±5mmHg内。选择这个目标范围(±5mmHg)有两个原因。首先，它被认为是围绕选定目标的“严格”控制的临床合理定义。其次，在之前的工作中，表明临床医生，并未将MAP维持在术前值的10mmHg以内达术中持续时间的至少40％。(参见例如Rinehart等人。Anaesth CritCare Pain Med 2019；上文引用。)因此，将高目标时间设置为±5mmHg将表示对当前临床实践的显著改进。

主要结果测量是患者出现低血压的时间百分比，如由低于所选择的目标5mmHg的MAP定义的。(即，除血管内脑动脉瘤病例外，所有病例的MAP<65mmHg所花费的时间，对于血管内脑动脉瘤病例，其值<75mmHg所花费的时间)。

次要结果包括施用的去甲肾上腺素的总剂量、处于高血压状态的治疗时间百分比、“目标时间”的原始百分比和标准性能准则(俗称Varvel准则)。高血压状态下治疗时间的百分比被定义为，在主动输注去甲肾上腺素的情况下，MAP高于所选择的目标MAP>5mmHg(即，血管内脑动脉瘤病例>75或>85mmHg)，而在目标中的原始百分比时间比被定义为手术期间MAP在预定MAP目标±5mmHg范围内花费的时间百分比，并且Varvel的准则包括中位绝对性能误差(MDAPE)、中位预测误差(MDPE)、摆动和发散(测量为mmHg min^-1)。(参见例如Varvel JR等人。Measuing the predictive performance of computer-controlledinfusion pumps。J Pharmacokinet Biopharm 1992；20：63-94；其公开内容通过引用整体并入本文)。在Varvel的准则内的参数一般分别表示不准确、偏差、随时间的变化的预期操作范围以及随时间偏离目标的偏差。此外，在没有输注血管加压剂(例如，CLV剂量＝0)的情况下，高于设定目标的MAP可以发生，因此使用理想的性能参数，当患者的血压在CLV率为0时本质上高于目标血压时，不会影响计算的性能-例如，理想性能＝(目标中的时间[％])+(在CLV率为0时高于目标MAP的时间[％])。理想性能参数的这种计算帮助计算一种参数，该参数控制如下情况：超过目标的时间部分地由于调谐不良的控制器造成，其中所述调谐不良的控制器对目标行动过火(overshoot the target)并且然后关闭。

变量呈现为中值(第25-75百分位数)或者具有相关百分比值的数值量。EV1000监视器(Edwards Lifesciences)每20秒记录一次血流动力学变量(MAP、心率[HR]、每搏输出量[SV]、CO、SVV)，然后取平均值。每位患者的MAP状态被分类为“在目标内”(MAP目标的MAP±5mmHg)、“低于目标”(MAP低于MAP目标>5mmHg)或“超过目标”(在持续输注血管加压剂的情况下，MAP高于MAP目标>5mmHg)。

结果：预定义的MAP目标在16名受试者中设置为70mmHg，在4名接受颅内脑动脉瘤血管内栓塞术的患者中设置为80mmHg。在所有情况下，CLV控制器的活动时间为3877分钟(64.8小时)，并且在这段时间内97.1％的时间(3784分钟，表5)正在使用血管加压剂。控制器处于活动状态，但由于患者的血压已经达到或高于目标压力，所以在2.9％的病例时间内未给予去甲肾上腺素。在治疗期间，系统总共进行了11,578次输液速率改变(中位数为每分钟3次输液速率改变，最小零次，最大四次)。20名受试者中有6名出现技术错误。该系统在两名受试者和四名受试者中停止了两次功能。所有错误都归因于CLV系统和Q-核输液泵之间的泵通信错误，该错误与第三方软件相关，其中Commands Server软件与远程泵失去联系。当发生这种情况时，会发出可听警报以提醒主管，并且在每种情况下都立即重新启动系统解决了问题。这些过程持续了不到2分钟。在胸部病例中，当MAP目标故意降低至85mmHg 30分钟以帮助控制出血时，该系统被覆盖一次。该系统从未因不适当的滴速管理而停止，并且从未使用过由输液泵手动输送的去甲肾上腺素的附加管线.

低血压：受试者在总病例时间(范围，0-8.4％)的2.6％(1.6-4.6)内出现低血压(由低于所选择的目标5mmHg的MAP定义)。两名受试者从未出现过低血压。术后心脏受试者的最大低血压时间为8.4％，但是这个事件并未导致任何术后并发症。

去甲肾上腺素剂量：施予的去甲肾上腺素的总剂量为14,382μg(即，每名患者653[499-810]μg或3.9μg min^-1的中位剂量(表5)。在脑动脉瘤手术期间达到的最大输注速率为15.74μg min^-1。图6描绘了20例随时间的去甲肾上腺素输注速率(μg min^-1)。图6图示了所有情况下前2h内的输注速率。在动脉管线的放置之后和麻醉诱导之前开始了闭环加压剂控制器。在大多数患者中，由于麻醉药物的作用，血压降低，控制器在诱导的同时给予初始大剂量的血管加压剂。此后，输注速率因患者和病例而异。

高血压状态下的治疗时间的百分比：当CLV保持输注去甲肾上腺素时，受试者在2.4％(1.4-3.8)的病例时间中MAP超过目标值。患者的MAP在0.3％(0-0.8)的时间内低于目标值>10mmHg，在0.2％(0-0.7)的时间内MAP高于目标值>10mmHg(使用主动血管加压剂输注)。因此，该系统在大约占病例时间的0.5％期间，与目标的距离超过10mmHg。

在手术期间，MAP在MAP目标的±5mmHg范围内的时间百分比：受试者在91.8％(85.6-93.3)的时间内处于目标(目标的MAP±5mmHg)中。如果允许校正在血管加压剂滴注为零时高于目标的时间，那么“理想表现”病例时间百分比为94.2％(91.8-95.8)(表5)。有两个病例，其MAP高于目标的总病例时间为40分钟且血管加压率为零；四个病例中有八个这样的实例，其时间为15-40分钟；并且其余30个实例的持续时间为15分钟或更短(图8)。图8图示了在MAP目标为70mmHg的受试者的规程期间的MAP。当血管加压剂输注被系统完全停止时，超过目标的时间显示为零误差。

性能特点：未经任何校正的控制器的原始标准性能准则是：MDAPE 2.9(0.8)；MDPE0.5(1.0)；摆动2.7(0.8)；以及散度(mmHg min^-1)0.0(0.3)。如果允许校正在血管加压率为零时超过目标的时间(“理想性能时间”)，那么性能准则是：MDAPE 2.1(0.7)；MDPE；0.0(0.7)；摆动2.3(0.7)；以及发散(mmHg min^-1)0.0(0.3)。

临床结果：除了ICU中的术后心脏病例作为其日常护理的一部分进行插管外，所有受试者在手术结束时都在手术室拔管。没有受试者被重新插管。没有患者出现任何重大并发症，但6名受试者(30％出现了轻微的术后并发症(心房颤动[n＝1]、假性肠梗阻[n＝2]、尿路感染[n＝1]和其它感染[n＝2])。PACU或ICU住院时间为23(20-24)小时，住院时间为8(5-12)天。在90天的随访期间没有受试者死亡。

结论：这个概念验证研究证明了闭环系统的临床可行性，以在根据实施例的进行中度和高风险手术的患者中使用去甲肾上腺素输注可靠地最小化围手术期低血压。

这个概念验证研究发现，根据实施例的CLV控制器滴定去甲肾上腺素能够在经历中度-或高风险手术的受试者中将MAP维持在预定义目标的±5mmHg达手术持续时间的超过90％。MAP在2.8％的时间内低于目标值(低血压)(主要结果)并且在2.4％的时间内仍在输注的情况下高于目标值(高血压)。这与接收手动调整的血管加压剂输注的患者形成对比，在接收手动调整的血管加压剂输注的情况下，在<50％的手术时间达到预定的目标MAP，在>30％的手术时间超过相同的MAP目标。

虽然这个系统说明了对个体血压的更好控制，但它维持了一个限制，即，异常和/或错误的血压读数可以由于对可能无效数据的依赖而导致偏离目标。因此，这个示例中说明的闭环系统能够极大地受益于预验证系统和方法，诸如本公开中描述的那些。

示例2：使用机器学习训练的算法检测动脉血压波形误差

背景；在重症监护病房(ICU)患者和高危手术室(OR)患者中，常常放置侵入式动脉压监视仪，因此可以逐搏而不是间歇性地跟踪血压。现在可以使用许多先进的血流动力学监视器，它们可以从波形中导出或进一步推断相关的患者参数，诸如心输出的测量、流体反应性的动态预测因子(如脉压变化)，现在甚至正在导出试图根据当前信号推断未来的患者状态的预测性测量值(如未决低血压)。而且，除了分析之外，还有对闭环管理的积极兴趣，由此可以通过分析或测量血压波形来自动指导治疗。

但是，动脉波形压力测量会因阻尼或压力传感器处于不适当的参考点而受到损害，例如，在准备将OR患者转移到ICU的过程中，如果压力换能器掉到地上或床下时，患者可能会显示出急性高血压，并且基于这种不准确的读数可能会受到不适当的治疗。人工提供者(provider)可以目视检查换能器的相对高度以验证正确放置，并且目视检查动脉压波形。设备，特别是监视器本身的下游设备，可能没有这些选项，这使得错误测量成为潜在的漏洞和管理错误的风险，无论是由设备本身(对于闭环系统)还是由基于设备(高级或预测性血流动力学监视器)所呈现的信息来做出决策的提供者(provider)。

方法

患者登记和数据收集：将在UCI医疗中心接受手术的18岁或以上的患者被纳入研究，这些患者预计将放置有侵入式动脉血压管作为其麻醉护理的一部分。患有非窦性心律的患者被排除在研究之外。入组后，对病例所需的所有监视器和线路进行了诱导和放置。本研究未对麻醉护理的任何方面进行任何改变并且麻醉计划完全自行决定。

一旦患者处于维护状态并且主要麻醉团队安顿下来，在引入和放置管线之后，就从GE监视器收集动脉血压波形。波形是使用连接到GE Solar TRAM上的除颤同步端口的National Instruments NI-9234模数转换器捕获的。该信号是使用作者在MicrosoftVisual C#中编写的自定义软件记录的，并以100Hz的速率进行采样。允许数据收集持续15-30分钟，同时确保动脉血压信号保持不受阻碍并且换能器处于用于监视的适当相对高度。这段时间被认为是“正常”状态，并且故意比其它数据收集时段长，以便捕获正常病例变化的样本(即，外科刺激的变化、麻黄碱和去氧肾上腺素等药物的丸剂、麻醉深度的改变等)。

在收集到正常数据之后，三个错误状态被依次引入到监视中。首先，将换能器向上移动到患者上方足以导致MAP下降10-12mmHg(“换能器高”状态)。其次，将换能器向下移动到患者下方足以使MAP比基线升高10-12mmHg(“换能器低”)。最后，将0.5-0.75cc的空气引入动脉血压流体管线，足以引起波形信号中视觉可观察到的最小阻尼(“被阻尼”)。在每个错误状态下收集3分钟的数据，在每个错误状态之间附加地收集3分钟的正常数据。在每个错误状态之间收集附加的正常数据，以确保在这些时段期间患者状态的任何生理变化(即，真实血压变化)也尽可能在没有错误的情况下进行采样，并在不同状态之间重新建立基线。

该研究状态(正常、换能器高、换能器低、阻尼)连同在数据文件中记录的波形数据被专门构建的捕获软件所记录，以确保以确保数据集中的波形数据的正确标记，同时对其进行收集。在状态之间对换能器进行调整(从一种状态变为另一种状态)的短暂时间段被附加地标记为“过渡”时段，因此可以将它们排除在分析之外(因为根据定义，它们将包含从一种状态到另一种状态的混合)。在引入三个错误条件之后，又收集了10分钟的“正常”数据，以再次确保血压信号中正常情况变化的大样本。

数据准备和特征化：在完成数据收集之后，每个单独的患者数据文件通过串行处理通路运行并在称为“剪辑”的十秒片段中进行分析。所有的处理和机器学习软件都是用Python 3.3.0编写的。首先，在将波形传递给搏动检测算法之前，每个十秒的剪辑首先通过一个截止频率为0.025且过渡带宽为0.3的低通滤波器。搏动检测包括用于检测主要时间常数的傅立叶变换，选择最可能的心率峰(出现在30-130Hz范围内的那些，对那个范围的中间给予较高的加权概率)，然后针对指定频率中的峰和波逐点扫描数字化波形。在搏动检测之后，算法去除异常搏动和明显的非生理数据。例如，导致值>250mmHg的动脉线冲洗被移除，具有高水平噪音的搏动也被移除(诸如在患者进行运动诱发电位监视时可能发生的)。

在搏动检测之后，通过特征化算法评估每个单独的搏动。提取出的特征包括波动压力的总共124个单独测量(例如，收缩压、舒张压、平均值、陷波最低点或峰(如果存在陷波)、时间分位数处的压力等)、时间(例如，搏动时间、收缩时间、舒张时间、时间压力分位数之间等)，斜率(例如，压力搏动中不同点的上升和下降斜率，峰和缺口之间的斜率(如果存在))，比率测量值(例如，峰值压力/缺口压力，收缩压/舒张压，(收缩压-舒张压)/均值等)，以及特定的形态特征(例如，波中存在缺口、双收缩峰等)。针对十秒剪辑中所找到的每个搏动计算124个测量中的每个测量，并将其保存到临时工作数组中。最后，将用于每个剪辑的摘要数据保存到数据库(MariaDB 10.3，MariaDB Foundation，Delaware)。对于每个10秒剪辑，每个提取出的搏动特征的中值被记录为位置的测量，并且(第75分位值)-(第25分位值)被记录为特征的方差的测量。这创建了每个波剪辑252次测量的总特征集(包括每个特征和形态特征的中值和四分位距值)。还记录了换能器状态以及整个波形中剪辑的时间戳和序列号。

数据校准：在机器学习&分析之前，保存在数据库中的数据被复制，以便可以执行两种不同的分析方法。数据的第一个副本保持原样，在机器学习中使用每个时间点的原始特征测量(“未校准”副本)。通过将数据校准到来自每个患者的初始测量(“经校准”副本)来变换数据的第二个副本。具体而言，对于每个个体患者，计算第一个捕获的“正常”条件数据的前三分钟时间跨度内每个提取的波形特征的中值，并将其用作那个特征的基线值并有效地变为“零”。然后将每个后续的波形剪辑重新计算为与所述基线的原始差异。例如，如果校准帧周期中的中位脉压为50mmHg，并且在未来的某个状态下，脉压为40或60，那么这些值将被重新计算为在校准副本中分别从基线的-10和+10的改变。虽然从该经校准的副本中学习可能产生的最终检测算法的版本会增加一个要求，即在服务时在使用之前要对算法进行临床校准，但人们认为其值得如下的附加潜在价值：允许每个个体患者的最初“正常”波形作为他或她自己的基线，尤其是如果检测算法的敏感度以及特异性明显高于未校准的数据。而且，校准是多个现代血流动力学监视系统的要求，并且通常可以在几秒钟内完成，因此附加的设置负担并不显著。

机器学习协议：在对患者波形进行特征化之后，开始创建用于预测换能器误差条件的机器学习训练算法。用Python scikit-learn包促进了机器学习。

首先，将数据拆分成训练集和验证集。决定将收集到的数据的75％用作交叉训练和测试集，将收集到的25％的数据用作验证集。由于为每位患者收集了多个样本，从而允许将来自个体患者的样本分成训练和验证数据集会使结果产生偏差(经由一些机器学习算法在某些条件下识别独特的患者特征，允许过度拟合)，因此样本是按每位患者进行分离的，即，来自单个患者的所有样本都进入训练数据或验证集，而不是两者，以确保在两个集中患者的完全和干净的分离。另外，患者ID不包括在机器学习算法可用的数据中。

三个换能器错误状态(高、低、阻尼)中的每一个都被独立训练并在训练过程与正常条件(即，正常对高、正常对低、正常对阻尼)的单独迭代中评估)旨在为每个条件创建单独的检测算法(而不是单个多类检测算法)。虽然与单个多类检测算法相比，这将允许更好地专注于特定错误状态的训练，但这将对下面讨论的最终临床应用产生影响。

一旦选择了训练集，就对每个错误状态执行通过变换和组合的特征扩展。首先，使用互信息分类器评估每个“基本”252特征以预测所考虑的错误状态。识别出任何单个基本特征的最高互信息分数，并将其设置为接受转换特征检测的“截止值”。在此之后，每个基本特征依次作为原始测量或转换测量(自然对数、平方、倒数)单独进行测试，然后与每个其它特征组合，包括原始的和经变换的。被测试的组合包括和、差、绝对差以及和、比率和乘积。任何具有高于截止值的互信息分数的组合特征都被保留并添加到数据集。

在特征扩展之后，建立了Nonte-Carlo特征选择和机器学习训练流水线。对于特征选择，“K-最佳”选择器与f分类器一起使用，以选择与感兴趣的错误状态关系最强的特征，测试了4-30个数量的特征。对于这个应用，Monte-Carlo流水线包括以下机器学习分类器算法：线性回归器、岭回归器、感知、被动攻击回归器、决策树、支持向量机、K-最近邻、随机梯度下降和多层感知器神经网络。流水线的每次迭代将选择随机数量的K-最佳特征，其为列出机器学习算法之一，然后从机器学习算法的可用超参数的随机子集中选择(如果有的话)。每个经训练的算法的平衡的准确度使用训练集中的10倍交叉验证在训练集中进行检查；平衡的准确度是针对在每个个体类上获得的观察次数平衡的简单准确度(正确预测的数量除以观察的总数)。对于流水线的每次迭代，都记录选择的特定特征、算法、超参数和平衡的准确度。

用于这个实施例的完整数据准备和训练流水线在图8中示出。

对于每个换能器错误状态，允许上述流水线运行10,000个样本以提供任意大的性能交叉样本。在此之后，流水线被缩小到前3个始终执行的算法，并且所选择的特征数量的范围减少到最佳执行样本尺寸附近，并且流水线重新运行。从这后一个流水线中，性能最佳的算法和特征集被选为最终候选算法，用于对照验证数据集进行测试。因此，流水线总共产生了六种最终算法—经校准和未校准数据集中的每个错误状态(高、低、阻尼)一个。

候选算法评估：每个最终候选算法最后对照最初为确定算法是否可能在临床上有用而保留的所收集患者的25％进行测试。“临床有用”在这个上下文中被先验定义为具有足够高的灵敏度和特异性，以使通过验证数据测试生成的受试者工作特征(ROC)曲线具有0.90或更大的曲线下面积(AUC)。有人认为，这将足以允许调整算法决策截止值，以支持精度或者召回率并根据算法的临床使用最大限度地减少假阳性或漏报。每个算法的评分基于训练集中的平衡的准确度、验证集中算法性能的ROC AUC以及训练集中的精度-召回率曲线(PRC)AUC，因为人们认为PRC AUC比不平衡的数据集13中信息量更大。精度被定义为真阳性/(真阳性+假阳性)，召回率被定义为真阳性/(真阳性+假阴性)。

统计和软件：如上所述，所有编码和机器学习都在Python 3.3.0中进行，统计和性能分析以及绘图使用Python或R发生(www.r-project.org)。变量被报告为类别的计数(％)，以及用于测量的平均值±标准偏差。通过ANOVA(对于标量数据)或卡方检验(对于类数据)进行组间比较。

结果：2019年11月至2020年1月共招募三十八名患者进入研究。平均年龄为52±15岁，男性19名，女性19名。平均BMI为27±4，其它病史和病例类型在表6中示出。所有动脉线都被主要团队放在桡动脉中；24(83％)在左侧桡侧，14(37％)在右侧。

从这些患者中记录了总共40.1小时的动脉线数据，当被分成10秒的分析片段时，产生14,451个波形快照。在这些快照中，2,569个是未在分析中使用的过渡状态，1,149个噪声太大以至于特征化算法无法分析(例如，动脉线冲洗或抽吸、患者定位或神经监视运动诱发电位导致伪影)。剩下的10,733个波形快照包括在分析中。在被分析的10秒剪辑中，1,100个(10％)位于换能器3位置，1,065个(10％)位于换能器4位置，765个(7.1％)位于阻尼位置，并且7803个(72％)是在换能器处于正常状态时收集的(不平衡是由于长时间正常数据收集以对正常情况方差进行充分采样)。整个数据集的平均心率为89±12(范围33-111)，在分析期间共有大约123,000次动脉线搏动被特征化。

不同条件下的心率在统计学上显著不同(p<0.0001)，这可能是由于随机机会，因为它在研究中不受控制并且收集时间是任意的。但是，最高组与最低组之间的平均差异仅为每分钟3次搏动(表7)，并且心率对错误状态的预测准确度可以忽略不计(对于换能器高、低和阻尼，分别ROC AUC＝0.53、0.52、0.57)。SBP和MAP如预期变化(换能器低时上升，高时下降)。在阻尼条件下，MAP与正常相比适度上升(表7)。图9中示出了每个条件下的MAP直方图。如所希望的，通过收集长正常数据周期，在正常条件和其它每个条件之间的MAP存在显著重叠，足以使单独的MAP不足以预测满足验收标准的错误状态(对于换能器高、低和阻尼，分别ROC AUC＝0.77、0.75和0.59)。

用于使用校准或者未校准数据的三个换能器误差状态(高、低、阻尼)中的每一个的最佳模型连同训练数据集中模型的平衡的准确度分数一起在表4中示出。发现八个特征对于两个条件是最优的，12个特征对于三个条件是最优的，并且对于一个条件选择30个特征是最优的(未校准/换能器低；表7)。在所有情况下，岭回归分类器都产生性能最好的模型，除了校准/阻尼条件，其中简单的线性回归分类器得分略高(虽然应当注意的是，多个模型在这种条件下得分几乎完美)。经训练的模型在验证数据集上的性能也在表8中示出。对于经校准和未校准的数据，跨所有错误状态的ROC AUC范围为0.91-0.99。使用经校准和未校准的数据中的任一者的阻尼条件具有近乎完美的预测能力，两种情况下的AUC>0.99。对于每个错误状态，经校准的数据集的表现与未校准数据一样好或更好。类似地，精度/召回率曲线AUC对于所有条件都大于0.9，无论是经校准还是未校准的(再次，经校准的数据表现更好)，但未校准的数据方法中的换能器低误差状态除外，其PR AUC为0.87。最后，计算每条ROC曲线的Youden’s J统计量，以提供单个示例点，从该示例点可以证明每条曲线的敏感性和特异性。ROC曲线本身在图4A中示出并且PRC曲线在图4B中示出。

结论：这个实施例图示了机器学习训练的算法能够区分我们数据集中的三个换能器错误条件。这些算法经过训练，然后在数据的不同子集上进行验证，而这些数据集之间没有患者重叠。虽然算法在将数据校准到个体患者基线时示出最佳性能，但使用原始数据的未校准性能也足以在所有情况下实现针对敏感性和特异性的高于0.9(先验目标)的ROCAUC。特别地，该算法非常好地区分了动脉线的阻尼，ROC和PR曲线的AUC>0.98。

最难检测的条件是仅使用原始数据的换能器高条件。这可能不足为奇，因为当换能器的位置相对于患者较高时，血压读数将错误地偏低，从而模仿相对低血压。在数据集中区分这种错误的低血压与真正的低血压似乎是机器学习算法在可用特征集上最具挑战性的。波形数据的替代特征化有可能提供更合适的信息是可能的。但是，即使考虑到这种情况的相对挑战，在ROC AUC大于0.9的预测变量范围内，敏感性和特异性仍然足够高。

等价原则

虽然已经特别参考这些优选实施例对本发明进行了详细描述，但是其它实施例也可以获得相同的结果。本发明的变化和修改对于本领域技术人员来说将是显而易见的，并且旨在覆盖所有此类修改和等同物。以上引用的所有参考文献、申请、专利和出版物以及(一个或多个)对应申请的全部公开内容通过引用并入本文。

表2：示例性模型中使用的特征；X指示在特定模型中使用的特征，包括检测动脉管线换能器太高(2个版本)、检测动脉管线换能器太低(2个版本)和检测阻尼的模型。特征缩写在表1中解释

表6：患者人口统计信息和病例数据

人口统计信息	(n＝38)
		年龄	52±15
BMI	27±4
		性别
男	19(50％)
		女	19(50％)
动脉管线位置
		右	14(37％)
左	24(63％)
		规程类型
肝胆	8(21％)
		神经	13(34％)
腹部	2(5％)
		血管	3(8％)
脊柱	5(13％)
		其它	7(18％)
相关历史
		CAD	3(8％)
血管疾病	4(10％)
		吸烟历史	7(23％)
糖尿病	4(10％)
		Fontan生理学	1(3％)
肾功能衰竭	2(5％)

表7：所收集的数据中的心率和血压

状态	样本	HR	SBP	MAP
					正常	10,733	70+/-13	111+/-17	80+/-12
换能器高	1,100	69+/-11	97+/-15	64+/-11
					换能器低	1,065	69+/-11	125+/-18	93+/-12
阻尼	765	67+/-8	98+/-14	83+/-13

Claims (23)

1.一种用于验证波形可靠性的方法，包括

获得作为连续波形的血压测量；

验证所述连续波形的可靠性；以及

输出经验证的波形可靠性的可靠性测量。

2.如权利要求1所述的方法，其中验证步骤使用机器学习算法来评估所述连续波形的至少一个特征、所述至少一个特征的方差、所述至少一个特征的改变以及所述至少一个特征的方差的改变。

3.如权利要求2所述的方法，其中所述至少一个特征来自从由以下组成的组选择的类：压力、压力比、时间、时间比、面积、斜率和形态。

4.如权利要求1所述的方法，其中可靠性测量是可靠或不可靠的定性测量。

5.如权利要求1所述的方法，其中可靠性测量是0-100％置信度的定量测量。

6.如权利要求1所述的方法，其中可靠性测量是不可靠、可能可靠、肯定可靠的半定量测量。

7.如权利要求1所述的方法，其中连续波形是侵入式或非侵入式获得的。

8.如权利要求1所述的方法，其中所述连续波形是从附加生理测量推断的。

9.如权利要求8所述的方法，其中其它生理测量选自心电图、光电脉搏描记术、皮肤拉伸传感器、或电阻抗或电感应。

10.如权利要求1所述的方法，还包括：

获得作为第二连续波形的附加生理测量；

验证所述第二连续波形的可靠性；以及

输出第二验证波形可靠性的第二可靠性测量。

11.如权利要求10所述的方法，其中所述附加生理测量选自由以下组成的组：心电图、光电脉搏描记术、皮肤拉伸传感器、或电阻抗或电感应。

12.如权利要求1所述的方法，其中连续波形是从临床监视器获得的。

13.如权利要求12所述的方法，其中所述临床监视器选自由以下组成的组：GE Solar线、LiDCo设备和Edwards Lifesciences EV-1000。

14.一种结合波形可靠性测量的设备，包括：

波形可靠性评估器；

控制模块；以及

流体泵；

其中波形可靠性评估器接收作为连续波形的生理测量并将波形的可靠性测量输出到控制模块，其中所述控制模块基于生理测量和波形的可靠性测量来控制流体泵的输注速率。

15.如权利要求14所述的设备，其中流体泵输注心脏活性药物。

16.如权利要求15所述的设备，其中心脏活性药物选自由以下组成的组：血压调节剂、心率调节剂、心脏收缩调节剂和血管舒缩张力调节剂。

17.如权利要求14所述的设备，其中心脏活性药物是血管加压剂。

18.如权利要求14所述的设备，其中流体泵输注流体，其中流体选自由以下组成的组：晶体、胶体和血液产物。

19.如权利要求14所述的设备，其中连续波形是从临床监视器获得的。

20.如权利要求19所述的设备，其中所述临床监视器选自由以下组成的组：GE Solar线、LiDCo设备和Edwards Lifesciences EV-1000。

21.如权利要求14所述的设备，还包括第二流体泵；

其中流体泵输注从由以下组成的组选择的流体：晶体、胶体和血液产物；以及

其中第二流体泵输注心脏活性药物。

22.如权利要求21所述的设备，其中心脏活性药物选自由以下组成的组：血压调节剂、心率调节剂、心脏收缩调节剂和血管舒缩张力调节剂。

23.如权利要求21所述的设备，其中心脏活性药物是血管加压剂。

Images