CN116965776A - 基于pews分级的儿童重症监控系统及其方法 - Google Patents
基于pews分级的儿童重症监控系统及其方法 Download PDFInfo
- Publication number
- CN116965776A CN116965776A CN202310973330.8A CN202310973330A CN116965776A CN 116965776 A CN116965776 A CN 116965776A CN 202310973330 A CN202310973330 A CN 202310973330A CN 116965776 A CN116965776 A CN 116965776A
- Authority
- CN
- China
- Prior art keywords
- pews
- module
- score
- child
- children
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims description 19
- 238000011282 treatment Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 230000000241 respiratory effect Effects 0.000 claims abstract description 8
- 230000017531 blood circulation Effects 0.000 claims abstract description 7
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 6
- 230000000474 nursing effect Effects 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims abstract description 3
- 230000004044 response Effects 0.000 claims description 36
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007726 management method Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 4
- 208000006011 Stroke Diseases 0.000 claims description 3
- 230000009798 acute exacerbation Effects 0.000 claims description 3
- 230000002612 cardiopulmonary effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000001990 intravenous administration Methods 0.000 claims description 3
- 238000002640 oxygen therapy Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000005311 autocorrelation function Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013500 data storage Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract 1
- 201000010099 disease Diseases 0.000 description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 18
- 238000003745 diagnosis Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000036387 respiratory rate Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010001052 Acute respiratory distress syndrome Diseases 0.000 description 1
- 208000010718 Multiple Organ Failure Diseases 0.000 description 1
- 208000005374 Poisoning Diseases 0.000 description 1
- 208000013616 Respiratory Distress Syndrome Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 201000000028 adult respiratory distress syndrome Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000029744 multiple organ dysfunction syndrome Diseases 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- A61B5/02—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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Pulmonology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本文介绍了一种基于PEWs分级的儿童重症监控系统，该系统通过对儿童的心跳、呼吸和循环血流量信号进行采集和分析，判断儿童是否存在重症情况，并根据不同等级的PEWs，提供相应的护理和治疗建议。该系统包括人心跳PCM信号采集模块、呼吸PCM信号采集模块和循环血流量PCM信号采集模块。在计算模块中，采用FFT技术将儿童心脏脉搏信号、呼吸信号和循环血流量信号进行傅里叶变换，并利用动态范围补偿和模拟滤波获取PCM特征。这些数据将被用于计算PEWs分级，以判断儿童是否存在重症情况。还包括PEWs分级管理模块，用于根据儿童脉搏、呼吸和心率指标的数值，不同等级的PEWs将决定儿童是否需要特殊的护理和治疗，并为医护人员提供针对性的治疗参考方案。
Description
技术领域
本申请属于医疗自动化技术领域，尤其涉及基于PEWS分级的儿童重症监控系统及其方法。
儿童重症疾病是一种严重威胁儿童健康的疾病，根据世界卫生组织（WHO）的数据，每年全球约有100万儿童患上儿童重症疾病。儿童重症疾病常常表现为急性呼吸窘迫综合症、多脏器功能障碍综合症、中毒综合症等，如果不及时进行治疗，会对儿童的身体和心理健康造成严重的影响。
传统的儿童重症疾病诊断和治疗主要依赖于临床经验和主观判断，缺乏科学性和可操作性。近年来，随着医学技术和设备的不断发展，对于儿童重症疾病的诊断和治疗有了新的进展。其中，一种新兴的监测和治疗方法是基于脉冲编码（PulseCodeModulation,PCM）的儿童重症疾病分诊系统。
PCM是一种用于心脏起搏器和其他医疗设备中的信号处理技术，它通过分析脉冲信号的频率和强度来识别不同的医学信号。在儿童重症疾病诊断和治疗中，PCM可以用于监测儿童的心跳、呼吸、心率等生理指标，并通过分析这些指标的波动来诊断儿童重症疾病。
基于PCM的儿童重症疾病分诊系统可以提高诊断的准确性和效率，减少医生的主观判断和误诊率。此外，该系统还可以帮助医生制定个性化的治疗方案，提高治疗效果。
但是，传统的PCM技术在儿童重症疾病中的应用还存在一些挑战，如信号干扰、数据采集困难等。因此，需要开发一种新型的PCM技术，以满足儿童重症疾病诊断和治疗的需求。
针对上述技术背景，本研究旨在开发一种基于PEWs分级的儿童重症疾病分诊系统，该系统将结合PCM技术和PEWs分级方法，以提高儿童重症疾病诊断和治疗的准确性和效率。通过该系统，可以为医生提供准确、及时的诊断和治疗方案，提高儿童重症疾病的治疗效果。
发明内容
本申请实施例提供了一种基于PEWs分级的儿童重症疾病分诊系统，该系统将结合PCM技术和PEWs分级方法，以提高儿童重症疾病诊断和治疗的准确性和效率。
第一方面，本申请实施例提供了一种基于PEWS分级的儿童重症监控系统，包括：
人心跳PCM信号采集模块用于通过FFT技术，将儿童心脏脉搏信号进行傅里叶变换，提取出儿童脉搏信号中的PCM特征；
呼吸PCM信号采集模块用于该模块通过动态范围补偿和模拟滤波，获取儿童呼吸信号中的PCM特征；
循环血流量PCM信号采集模块用于通过自相关函数和回归分析，获取儿童心率信号中的PCM特征；
PEWs分级管理模块用于根据儿童脉搏、呼吸和心率指标的数值，对儿童进行PEWs分级管理，根据不同等级的PEWs，判断儿童是否需要特殊的护理和治疗。
优选地，PEWs分级管理模块包括数据处理模块、计算模块、结果展示模块和结果分析模块；所述计算模块设置基于GPT大模型下的私有云下，可根据分级反应策略给治疗参考方案，同时生产药物清单以便及时发生给药房备药；
所述数据处理模块用于对采集到的数据进行处理，包括数据清洗、数据转换、数据存储，
所述计算模块用于根据监测指标和评分标准，进行PEWS分级计算；
所述结果展示模块用于将计算结果以可视化的方式展示，如柱状图、折线图；
所述结果分析模块用于对计算结果进行解读，结合临床实际应用和需求，制定相 应的操作流程。
优选地，PEWS分级计算判定标准根据如下公式进行判定：
患者的反应强度=反应强度得分×反应强度权重+总分中其他得分×相应权重其中，反应强度得分是患者在PEWS评分表中反应强度的得分，反应强度权重是反应强度得分的权重，通常为0.25；总分中其他得分是指患者的其他指标得分，生理指标得分通常为0.5。
优选地，反应强度权重和相应权重采用实时数据平均数进行计算，取前后临近的至少五个权重之和。
本申请提供了基于PEWS分级的儿童重症监控系统的方法，包括如下步骤：根据每个患者的情况，定期记录并采集PEWS所需要的各项指标，包括人心跳PCM信号采集模块、呼吸PCM信号采集模块、循环血流量PCM信号采集模块提供的数据，将至根据采集到的指标数值，导入将其对应到数据处理模块中的电子化PEWS评分表上，计算模块根据既定要求计算出综合得分，不同指标的异常程度将根据标准化的权重进行相应的加权计算；结果分析模块对分析结果进行判定，结果展示模块进行结果输出。
计算模块的算法在GPT大模型下框架下实现自主学习，遵循如下规则：
根据儿童年龄和生理发展阶段的特点，确定合适的指标和标准；
根据临床经验和专家共识，设定生理指标的正常范围和异常范围；
不同指标的权重可以根据指标的重要性和临床价值来确定；
确定不同风险级别的界限和相应的反应策略，要考虑不同程度的急性病情恶化可能性和紧急程度。
所述分级反应策略为
将患者划分为不同的风险级别，通常包括低风险、中风险和高风险。不同风险级别将会触发相应的反应措施；
- 低风险：一般情况下，低风险患者不需要额外的特殊干预，但仍需密切监测病情变化，并及时调整治疗计划；
中风险：中风险患者的病情出现了一些异常，需要加强监测、观察和干预；医护人员通常会增加对患者的密切监护频率，并保持与家属的沟通；
高风险：高风险患者的病情发生了明显的恶化或出现严重的危机情况，需要立即采取紧急措施救治。医护人员会根据具体情况进行心肺复、氧疗、静脉输液等紧急处理，并及时与其他相关专科员进行联络，如儿科专家、重症监护专家。
第二方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是：
实现实时采集儿童脉搏、呼吸和心率信号，并自动判断儿童是否患有重症疾病，为医生提供准确、及时的诊断和治疗方案，同时根据PEWs分级管理模块的判断结果，进行相应的护理和治疗措施。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的系统结构示意图；
实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
PEWS（PediatricEarlyWarningScore，儿童早期预警评分）是一种用于评估儿童重症病房中患者病情恶化风险的评分系统。它通过结合不同生理指标和临床观察项目，为每个患者给出一个综合得分，帮助医护人员及时发现和干预潜在的危机情况。
本申请的监控系统在GPT大数据模型的结合下实现规则制定，获取数据进行分析监控系统，使得智能化且根据神经网络和医疗GPT大数据完善后，可及时补充治疗意见。
PEWS评分系统在儿童重症病房中的应用如下：
数据收集：医护人员根据每个患者的情况，定期记录并采集PEWS所需要的各项指标，包括心率、呼吸频率、血压、体温、意识状态等。
评分计算：根据采集到的指标数值，将其对应到PEWS评分表上，计算出综合得分。不同指标的异常程度将根据标准化的权重进行相应的加权计算。
PEWS评分系统的具体算法可以根据不同的医疗机构或研究机构的需求和标准进行调整和定制。以下是一个常见的PEWS评分计算算法示例：
a.针对每个生理指标（如心率、呼吸频率、血压、体温、意识状态等），确定不同数值范围对应的分数。
b.给每个生理指标的不同数值范围设置相应的权重，并将指标与权重乘积作为该指标得分。
c.将所有指标的得分相加，得到综合得分。
d.根据综合得分的大小，将患者划分为不同的风险级别。
在实际应用中，建议综合考虑以下因素来设计PEWS评分系统的算法：
-根据儿童年龄和生理发展阶段的特点，确定合适的指标和标准。
-根据临床经验和专家共识，设定生理指标的正常范围和异常范围。
-不同指标的权重可以根据指标的重要性和临床价值来确定。
-确定不同风险级别的界限和相应的反应策略，要考虑不同程度的急性病情恶化可能性和紧急程度。
需要注意的是，具体的PEWS评分算法可以因机构、地区或专业组织的差异而有所不同。因此，在实际应用中，建议参考相关的指南、规范或临床研究，以确保评分算法的科学性、准确性和适用性。同时，定期进行评估和更新，以保持评分系统的有效性和可靠性。
这个部分，发明人是否形成了相应的规范或者操作指南
3.分级反应策略：根据PEWS评分结果，将患者划分为不同的风险级别，通常包括低风险、中风险和高风险。不同风险级别将会触发相应的反应措施。
低风险：一般情况下，低风险患者不需要额外的特殊干预，但仍需密切监测病情变化，并及时调整治疗计划。
中风险：中风险患者的病情出现了一些异常，需要加强监测、观察和干预。医护人员通常会增加对患者的密切监护频率，并保持与家属的沟通。
高风险：高风险患者的病情发生了明显的恶化或出现严重的危机情况，需要立即采取紧急措施救治。医护人员会根据具体情况进行心肺复、氧疗、静脉输液等紧急处理，并及时与其他相关专科员进行联络，如儿科专家、重症监护专家等。
PEWS评分及分级反应策略的应用可以提高儿童重症病房中对患者病情变化的敏感性和早期干预能力，有助于及时发现和处理潜在的危险状况，减少不良事件的发生并提高抢救成功率。然而，需要强调的是，PEWS评分只是一种辅助工具，医护人员在应用时仍需结合临床经验和判断，全面评估患者病情，并根据实际情况灵活调整干预措施。同时，相关人员需要接受专业培训和持续教育，以确保正确理解和应用PEWS评分系统。
可以对医护人员进行严格的培训，以确保他们能够正确理解和应用PEWS评分。此外，我们还可以制定明确的指导方针，以确保医护人员在应用PEWS评分时遵守科学性和规范。
在PEWS评分系统中，通常代表患者的反应强度，是一个常见的分数。关于运算公式如下：
反应强度=反应强度得分×反应强度权重+总分中其他得分×相应权重
其中，反应强度得分是患者在PEWS评分表中反应强度的得分，反应强度权重是反应强度得分的权重，通常为0.25；总分中其他得分是指患者的其他指标得分，例如生理指标得分，通常为0.5。
这个公式可以帮助医生和护士计算患者的反应强度得分，进而评估患者的病情和风险水平。需要注意的是，这个公式的具体应用需要根据具体的评分标准和医院的要求进行调整。
当涉及到为患者评估疼痛程度时,通常使用PEWS评分系统。PEWS评分系统是一种常见的疼痛评分系统,根据患者在疼痛程度上的反应,通常得分从0分到5分,其中0分为完全无疼痛,5分为完全剧烈疼痛。
反应强度是一个常见的分数,代表患者的反应强度为2分。这是因为在PEW评分系统中,4代表的是疼痛程度为中度疼痛,而评分越高,代表疼痛越剧烈。
反应强度得分是由患者在疼痛程度上评分得分的,得分越高,代表患者在相应时间的疼痛程度越强烈。反应强度权重是用于调节得分对总分的贡献的参数,通常为0.25。这意味着得分越高,权重越大,得分越低,权重越小。
除了反应强度得分,总分中其他得分也会影响患者的疼痛程度评估。例如,患者的生理指标得分,例如心率、呼吸速率等也会影响评估结果。这些因素得分越高,疼痛程度也会相应地增加。
反应强度是一个常见且重要的分数,用于评估患者的疼痛程度,从而帮助医生和护士更好地了解患者的病情和需求,制定更有效的治疗计划。
好的,以下是一个结合PEWS评分权重和微积分代入的算法:
1.首先,我们需要确定要评估的患者权重。这可以通过医生或其他评估者的经验来确定,或者可以通过将患者的历史评分和当前评分进行比较来确定。
2.然后,我们需要根据PEWS评分权重计算得分。对于每个评分项,我们需要使用该评分项的权重来计算得分。例如,如果该评分项的权重为0.3,那么该患者的得分就应该是，,其中C是该患者的常数项。
3.最后,我们需要将得分反馈给医生或其他评估者。这可以通过将得分与患者的历史评分进行比较来实现,或者通过将得分用于制定治疗计划。
首先,我们需要确定要评估的患者权重。这可以通过医生或其他评估者的经验来确定,或者可以通过将患者的历史评分和当前评分进行比较来确定。
然后,我们需要根据PEWS评分权重计算得分。对于每个评分项,我们需要使用该评分项的权重来计算得分。例如,如果该评分项的权重为0.3,那么该患者的得分就应该是,其中C是该患者的常数项。
最后,我们需要将得分反馈给医生或其他评估者。这可以通过将得分与患者的历史评分进行比较来实现,或者通过将得分用于制定治疗计划。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于PEWS分级的儿童重症监控系统，其特征在于，包括：
人心跳PCM信号采集模块用于通过FFT技术，将儿童心脏脉搏信号进行傅里叶变换，提取出儿童脉搏信号中的PCM特征；
呼吸PCM信号采集模块用于该模块通过动态范围补偿和模拟滤波，获取儿童呼吸信号中的PCM特征；
循环血流量PCM信号采集模块用于通过自相关函数和回归分析，获取儿童心率信号中的PCM特征；
PEWs分级管理模块用于根据儿童脉搏、呼吸和心率指标的数值，对儿童进行PEWs分级管理，根据不同等级的PEWs，判断儿童是否需要特殊的护理和治疗。
2.如权利要求1所述的基于PEWS分级的儿童重症监控系统，其特征在于，
PEWs分级管理模块包括数据处理模块、计算模块、结果展示模块和结果分析模块；所述计算模块设置基于GPT大模型下的私有云下，可根据分级反应策略给治疗参考方案，同时生产药物清单以便及时发生给药房备药；
所述数据处理模块用于对采集到的数据进行处理，包括数据清洗、数据转换、数据存储，
所述计算模块用于根据监测指标和评分标准，进行PEWS分级计算；
所述结果展示模块用于将计算结果以可视化的方式展示，
所述结果分析模块用于对计算结果进行解读。
3.如权利要求1所述的基于PEWS分级的儿童重症监控系统，其特征在于，PEWS分级计算判定标准根据如下公式进行判定：
患者的反应强度=反应强度得分×反应强度权重+总分中其他得分×相应权重其中，反应强度得分是患者在PEWS评分表中反应强度的得分，反应强度权重是反应强度得分的权重，通常为0.25；总分中其他得分是指患者的其他指标得分，生理指标得分通常为0.5。
4.如权利要求3所述的基于PEWS分级的儿童重症监控系统，其特征在于，反应强度权重和相应权重采用实时数据平均数进行计算，取前后临近的至少五个权重之和。
5.如权利要求1-4所述的基于PEWS分级的儿童重症监控系统的方法，其特征在于，包括如下步骤：根据每个患者的情况，定期记录并采集PEWS所需要的各项指标，包括人心跳PCM信号采集模块、呼吸PCM信号采集模块、循环血流量PCM信号采集模块提供的数据，将至根据采集到的指标数值，导入将其对应到数据处理模块中的电子化PEWS评分表上，计算模块根据既定要求计算出综合得分，不同指标的异常程度将根据标准化的权重进行相应的加权计算；结果分析模块对分析结果进行判定，结果展示模块进行结果输出。
6.如权利要求5所述的基于PEWS分级的儿童重症监控系统，其特征在于，计算模块的算法在GPT大模型下框架下实现自主学习，遵循如下规则：
根据儿童年龄和生理发展阶段的特点，确定合适的指标和标准；
根据临床经验和专家共识，设定生理指标的正常范围和异常范围；
不同指标的权重可以根据指标的重要性和临床价值来确定；
确定不同风险级别的界限和相应的反应策略，要考虑不同程度的急性病情恶化可能性和紧急程度。
7.如权利要求5所述的基于PEWS分级的儿童重症监控系统，其特征在于，所述分级反应策略为
将患者划分为不同的风险级别，通常包括低风险、中风险和高风险。不同风险级别将会触发相应的反应措施；
- 低风险：一般情况下，低风险患者不需要额外的特殊干预，但仍需密切监测病情变化，并及时调整治疗计划；
中风险：中风险患者的病情出现了一些异常，需要加强监测、观察和干预；医护人员通常会增加对患者的密切监护频率，并保持与家属的沟通；
高风险：高风险患者的病情发生了明显的恶化或出现严重的危机情况，需要立即采取紧急措施救治。医护人员会根据具体情况进行心肺复、氧疗、静脉输液等紧急处理，并及时与其他相关专科员进行联络，如儿科专家、重症监护专家。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310973330.8A CN116965776A (zh) | 2023-08-04 | 2023-08-04 | 基于pews分级的儿童重症监控系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310973330.8A CN116965776A (zh) | 2023-08-04 | 2023-08-04 | 基于pews分级的儿童重症监控系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116965776A true CN116965776A (zh) | 2023-10-31 |
Family
ID=88471218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310973330.8A Pending CN116965776A (zh) | 2023-08-04 | 2023-08-04 | 基于pews分级的儿童重症监控系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116965776A (zh) |
-
2023
- 2023-08-04 CN CN202310973330.8A patent/CN116965776A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2630122C2 (ru) | Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации | |
| CA2599387C (en) | A system and method for improving hospital patient care by providing a continual measurement of health | |
| CN107438399A (zh) | 心血管恶化预警评分 | |
| US20160089038A1 (en) | System, method, and computer program product for the real-time mobile evaluation of physiological stress | |
| US20190125241A1 (en) | Method, system, and apparatus for remote patient monitoring or tracking of sepsis-related indicators | |
| Moridani et al. | A reliable algorithm based on combination of EMG, ECG and EEG signals for sleep apnea detection:(a reliable algorithm for sleep apnea detection) | |
| CN106108846A (zh) | 一种智能化药物风险监控方法及系统 | |
| Kostishyn et al. | Design features of automated diagnostic systems for family medicine | |
| CN111899867B (zh) | 基于深度学习的手术并发症预测及规避辅助决策系统 | |
| CN113499035A (zh) | 一种基于置信区间融合阈值判据的疼痛识别系统 | |
| CN107391901A (zh) | 建立普通病房患者病情评估模型的方法和服务器 | |
| CN111916213A (zh) | 一种基于云计算的医疗服务方法和装置 | |
| Khatun et al. | Detection of myocardial infarction and arrhythmia from single-lead ECG data using bagging trees classifier | |
| CN115251852A (zh) | 一种体温调节功能的检测量化方法和系统 | |
| Igbe et al. | An absolute magnitude deviation of HRV for the prediction of prediabetes with combined artificial neural network and regression tree methods | |
| CN113223713A (zh) | 基于风险评估的动态监护方法、系统以及存储介质 | |
| CN117316452A (zh) | 闭环管理场景下对高血压糖尿病进行健康评估的方法和装置 | |
| CN111315292A (zh) | 用于远程患者监测的医疗系统和方法 | |
| Panagiotou et al. | A multi: modal decision making system for an ambient assisted living environment | |
| Bui et al. | Remote patient monitoring for improving outpatient care of patients at risk for sepsis | |
| CN116965776A (zh) | 基于pews分级的儿童重症监控系统及其方法 | |
| JP7563459B2 (ja) | 分析装置 | |
| EP4144299A1 (en) | Medical system and medical information processing device | |
| CN205942696U (zh) | 大数据分析的健康监测与医理研究系统 | |
| Arsyadi | Iot Wearable Device Heart Rate Monitoring |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231031 |