CN117916812A - 动态感测和干预系统 - Google Patents
动态感测和干预系统 Download PDFInfo
- Publication number
- CN117916812A CN117916812A CN202280049858.XA CN202280049858A CN117916812A CN 117916812 A CN117916812 A CN 117916812A CN 202280049858 A CN202280049858 A CN 202280049858A CN 117916812 A CN117916812 A CN 117916812A
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- machine learning
- sensor
- learning model
- 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
- 238000010801 machine learning Methods 0.000 claims abstract description 159
- 238000000034 method Methods 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims abstract description 80
- 230000000399 orthopedic effect Effects 0.000 claims description 67
- 239000007943 implant Substances 0.000 claims description 49
- 238000001356 surgical procedure Methods 0.000 claims description 34
- 230000033001 locomotion Effects 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 31
- 230000004044 response Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 20
- 230000036407 pain Effects 0.000 claims description 19
- 238000011084 recovery Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 12
- 230000005021 gait Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 230000000875 corresponding effect Effects 0.000 description 25
- 238000013480 data collection Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 208000015181 infectious disease Diseases 0.000 description 6
- 238000000554 physical therapy Methods 0.000 description 6
- 206010002091 Anaesthesia Diseases 0.000 description 5
- 230000037005 anaesthesia Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000002980 postoperative effect Effects 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000001584 occupational therapy Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000011477 surgical intervention Methods 0.000 description 3
- 239000003826 tablet Substances 0.000 description 3
- 101100521334 Mus musculus Prom1 gene Proteins 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 208000037873 arthrodesis Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000011540 hip replacement Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000013150 knee replacement Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000002303 tibia Anatomy 0.000 description 1
- 238000011883 total knee arthroplasty Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000003454 tympanic membrane Anatomy 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
-
- 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
- G16H40/63—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 local operation
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Surgery (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Urology & Nephrology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
系统和技术可用于确定使用什么设备来处理植入传感器数据处理系统中的数据。示例技术可以包括基于患者特定信息来确定是使用能够在移动设备处操作的本地机器学习模型还是能够在远程设备处操作的远程机器学习模型来输出使用传感器数据生成的预测。该示例技术可以包括根据要使用本地机器学习模型的确定,在移动设备处使用本地机器学习模型来预测患者的结果。该示例技术可以包括根据要使用远程机器学习模型的确定,从移动设备将编译数据发送到远程计算设备以生成预测结果。
Description
优先权要求
本申请要求于2021年7月16日提交的、题为“DYNAMIC SENSING AND INTERVENTIONSYSTEM”的美国临时申请No.63/222,665的优先权,该申请的全部内容被通过引用方式并入本文。
背景技术
骨科患者护理可能需要手术干预,例如下肢(膝盖、臀部等)。例如,当患者无法忍受疼痛时,可能会建议进行手术。术后护理可能包括几周到几个月的关节固定、物理治疗或职业治疗。物理治疗或职业治疗可用于帮助患者恢复体力、日常功能和康复。目前涉及固定、物理治疗或职业治疗的技术可能无法在手术干预之前或之后监测或充分评估运动范围或疼痛。
附图说明
附图不必须按比例绘制,不同的视图中相同的数字可以描述相似的部件。具有不同字母后缀的相同数字可以表示相似部件的不同实例。附图通过示例而非限制的方式大体示出了本文档中讨论的各种实施例。
图1示出了根据本公开的至少一个示例的具有嵌入式传感器的示例可植入设备。
图2示出了根据本公开的至少一个示例的植入传感器数据处理系统。
图3示出了根据本公开的至少一个示例的植入传感器数据处理系统的通信图示。
图4示出了根据本公开的至少一个示例的用于确定反馈的机器学习引擎。
图5的流程图示出了根据本公开的至少一个示例的用于确定使用什么设备来处理植入传感器数据处理系统中的数据的技术。
图6的流程图示出了根据本公开的至少一个示例的用于将传感器数据映射到可佩戴数据的技术。
图7的流程图示出了根据本公开的至少一个示例的用于提供关于与从矫形外科手术中恢复相关的患者特定目标的反馈的技术。
图8示出了根据本公开的至少一个示例的示例机器的框图,在此讨论的技术中的任何一项或多项可以在该示例机器上执行。
具体实施方式
本文描述的系统和技术可用于向患者或提供者提供术后反馈。术后反馈可以包括与从矫形外科手术中恢复相关的反馈。例如,反馈可以包括与疼痛管理、物理治疗、运动范围、移动速度或加速度、僵硬、需要进一步手术或医疗干预的可能性等相关的信息。
本文描述的系统和技术可用于监测患者进展、提供更新并修改术后恢复计划。可以对模型进行训练(例如,使用本文描述的机器学习技术)来预测与患者相关的结果。例如,移动设备可以接收由嵌入在患者体内的矫形外科植入物中的传感器生成的编译数据,用可佩戴设备生成的数据来标记(label)编译数据,并将编译数据发送到远程计算设备,例如服务器、云计算设备、台式计算机等。远程计算设备可以使用机器学习来生成模型并将该模型发送到移动设备。移动设备可以使用该模型(可以针对患者进行个性化)来输出预测。
在一些示例中,单独的(但可选地是相关的)模型可以存储在移动设备和远程计算设备处。移动设备可以(例如基于患者特定信息来)确定是使用存储在移动设备上的本地机器学习模型还是使用存储在远程计算设备上的远程机器学习模型来输出预测。根据要使用本地机器学习模型的确定,可以通过使用编译数据作为向本地机器学习模型的输入来预测患者的结果。根据要使用远程机器学习模型的确定,可以将编译数据发送到远程计算设备以使用远程机器学习模型来预测结果。这些模型的复杂性可能不同,使得远程模型可能更准确,但本地模型可能更快或需要更少的处理。对使用哪个模型的确定可以基于需要预测的准确程度、最后获得预测的时间、紧迫性、疼痛、或患者的风险等。
在一示例中,可以基于患者数据来选择模型。可以使用来自相应患者群体的植入传感器数据来训练多个机器学习模型。嵌入式传感器数据可用于选择多个机器学习模型之一,可选地使用特定于患者的附加信息。所选择的机器学习模型可以用于输出对患者的预测。
嵌入在患者体内的矫形外科植入物中的嵌入式设备可以包括存储器、通信电路、用于生成数据的传感器、或处理电路(其可以包括集成电路,例如片上系统、现场可编程门阵列(FPGA)、处理器等)。嵌入式设备可用于生成、存储或发送数据。
使用由嵌入式设备生成的数据,可以验证(validate)可佩戴设备生成的数据,这可改善预测结果。例如,传感器数据的时间序列可以由嵌入在患者体内的矫形外科植入物中的传感器生成,并且可佩戴数据的时间序列可以由患者佩戴的可佩戴设备生成。可以生成将传感器数据的时间序列映射到可佩戴数据的时间序列的模型。该模型可用来仅使用可佩戴数据近似或估计传感器数据。这可能会限制对传感器数据的需求,同时保持准确性。有时,模型可以使用传感器数据和可佩戴数据进行更新或重新验证。
在一示例中,所生成的或使用嵌入式传感器数据的模型可用来检测和预测与患者特定目标相关的结果(例如,“我什么时候可以打高尔夫球”、“我什么时候可以上楼梯”、“我什么时候可以够到橱柜”、“什么时候可以和我的孙子们一起玩”等等)。与从患者的矫形外科手术中恢复相关的患者特定目标可以被转换成一个或多个量度的集合。传感器数据和模型可用来确定所述一个或多个量度的集合中的各量度是否得到满足。响应于确定所述一个或多个量度的集合中的所有量度都被满足,可以输出已经实现了患者特定目标的指示(例如,用户界面上的消息、音频等,例如指示“恭喜,您已经实现了目标,现在可以进行活动X”)。响应于确定所述一个或多个量度的集合中的量度没有得到满足,可以输出与该量度相对应的指示(例如,关于如何实现目标的鼓励或细节、附加教育信息等)。
在一些示例中,嵌入式传感器设备可以被预先配置,例如使用已经验证的模式(例如,从监管的角度)。这些模式可以在需要时激活,并且由于预先配置和验证可能不再需要接受额外的监管审查。例如,被配置为嵌入在患者体内的矫形外科植入物中的可植入传感器设备可以包括具有表格的存储器,该表格具有识别多个应用程序的信息(该多个应用程序被预先配置为在监管系统下进行验证)以及每个应用程序当前是否处于活动状态的指示。可植入传感器设备可以包括用于接收激活所述多个应用程序之一的指示的通信电路。作为响应,所识别的应用程序可以被激活(例如,通过改变其在表中的状态)。在一示例中,当所述多个应用程序之一被启动或激活时,可植入传感器设备的传感器的至少一个操作被改变。
这些系统和技术可以改进患者效果。使用植入传感器,可以通过用于处理数据的分层架构来收集智能数据。本文描述的系统和技术可用于验证和提高数据源的准确性、激活实时跟进、配置对数据收集频率和保真度的基于事件的改变(例如,响应于检测到的步行速度下降)等等。在一些示例中,可以(比如,在移动设备上)使用应用程序(例如,应用),以向传感器推送增加数据收集或传输的频率的请求。在一示例中,传感器可能是休眠的,并且基于需要被激活(例如,使用陀螺仪生成的信息或通过激活陀螺仪)。
在一些示例中,可以基于当前需要来考虑或牺牲电池寿命。可以管理嵌入式传感器的有限电池寿命。例如,传感器设备可以被置于睡眠或半睡眠模式,其中传感器设备周期性地检查数据或周期性地输出数据(例如,每小时、每天、每15分钟等)。周期之间的时间长度可以根据患者需要和电池寿命管理进行调整。
在一示例中,可以在移动设备(例如,智能手机)处本地收集数据,例如以构建患者档案(例如,患者特定模型)。患者档案可用于输出预测信息。当植入传感器与移动设备通信时,移动设备可以向植入传感器发送消息以改变模式(例如,唤醒到更强模式、下载软件或固件更新等)。
图1示出了根据本公开的至少一个示例的具有嵌入式传感器104和105的示例可植入设备102和103。嵌入式传感器104和105可以是相同的,或者可以针对特殊植入物进行不同的配置。可植入设备102是示例胫骨植入物(例如,在近侧胫骨处),并且可植入设备103是示例髋部植入物(例如,在近侧股骨处)。嵌入式传感器104和105可以是被配置为插入可植入设备102或103之一的茎秆部分中的设备(例如,嵌入式传感器设备)的一部分。在一些示例中,嵌入式传感器设备可以被配置为插入可植入设备102或103的任一个中,或者可以特定于植入物(例如,被配置用于特殊茎秆,例如嵌入式传感器设备的外壳或部件的特殊布置)。可植入设备102可作为膝关节置换手术(例如,部分或全膝关节成形术)的一部分而被植入,并且可植入设备103可作为髋关节置换手术的一部分而被植入。使用植入物的其他矫形外科手术可以与嵌入式传感器一起使用,例如肩部置换手术、脊柱手术(例如,在椎弓根螺钉中)等。
在一示例中,嵌入式传感器104和105可以在分别插入可植入设备102和103之前被验证。对嵌入式传感器104和105的验证可以包括提交给监管机构(例如,国家、州等),以及从监管机构接收验证。包含嵌入式传感器104和105之一的设备可以与嵌入式传感器104和105的应用程序或使用一起或分开进行验证。在一示例中,嵌入式传感器104和105可以包括一个或多个应用程序,当可植入设备102或103被植入患者体内时或者在外科手术期间、当嵌入式传感器104和105被插入可植入设备102或103时,这些应用程序被验证但不被激活。在该示例中,所述一个或多个经验证的应用程序可以处于非活动状态,并且可以稍后被激活(例如,术后),例如当需要数据收集、数据编译、数据存储等时,在一示例中,传感器设备中可以存在多个传感器,并且所述多个传感器中的一个或多个传感器初始可以是不活动的。应用程序或传感器可以通过远程设备(例如,移动设备,例如电话)使用应用或以其他方式与容置着所述应用程序或传感器的传感器设备通信来激活。被预先验证的应用程序可以包括能够执行各种功能的电路(例如,处理器、软件、固件、硬连线电路等),这些功能初始被禁用、并随后在需要时被启用。
图2示出了根据本公开的至少一个示例的植入传感器数据处理系统200。处理系统200可以以具有不同处理功能、处理能力、电池可用性、热要求、成本、时间限制等的一个或多个级别来操作。第一级别201可以对应于在可植入传感器设备202(例如,被植入患者体内的传感器设备)处进行的处理。在第一级别201进行的处理可以包括有限的数据收集(例如,接收传感器数据、存储传感器数据等),一些编译、例如向传感器数据添加时间戳,或者将传感器数据编译成单一一个文件以供传输,等等。在一些示例中,第一级别201的处理可以包括确定电池状态、存储器状态等。在一示例中,第一级别201处的处理可以取决于定时,例如自外科手术以来的时间长度。例如,在初始时期段中(例如,一天、一周、一月、六个月),可以进行更多处理(例如,更频繁地采样传感器数据、更频繁地将传感器数据传输到远程设备等)。接着,在随后的时间段中,可以进行较少的处理(例如,传感器数据的采样或传输频率较低)。在一示例中,可检查在可植入传感器设备202处接收的传感器数据的异常(例如,数据是否在特殊范围内),例如温度、加速度等。
第二级别203包括可以接近可植入传感器设备202的设备,例如与可植入传感器设备202通信(例如,直接通信)的设备(例如,通过蓝牙、Wi-Fi、Wi-Fi直连、通过RFID或其他NFC技术等)。第二级别203的设备可包括具有比第一级别201的可植入传感器设备202更大的(但仍可能具有限制)处理功能、能力、存储器、电池等的那些设备。第二级别203的示例设备包括可佩戴设备204或其他物联网设备、移动电话206、平板电脑等。这些设备中的一些可以具有与其他设备不同的限制(例如,移动设备206的处理功能可能大于可佩戴设备204的处理功能)。
第三级别205包括具有系统200的最大处理功能(processing power)、能力、功率等的设备。第三级别205中的设备可以包括计算机208(例如,台式机或笔记本电脑)、基于云的设备210(例如,服务器212),其可以包括对数据库214的访问等。
设备的三个级别中的每一个级别可以用于不同类型或程度的处理。例如,第一级别201可用于本地传感器计算,第二级别203可用于中间移动设备计算(例如,实现或更新机器学习模型),并且第三级别205可用于远程服务器计算(例如,生成或更新机器学习模型)。系统200的分层架构可以利用远程和本地处理能力。
在一示例中,第一级别201可以用于本地处理,例如传感器设备上的边缘计算。这可以包括使用上传到可植入传感器设备202的基本分析模型。在一示例中,可植入传感器设备202可以独立于移动设备或服务器交互来识别异常事件。在一些示例中,可植入传感器设备202可以实时进入“紧急模式”(例如,由于热量或电池使用情况而关机、由于识别出潜在的问题而增加传感器数据捕捉等)。
第二级别203可被用于(例如在移动设备206处)运行更复杂的分析模型。该模型可以使用来自可植入传感器设备202的传感器数据。在一些示例中,模型可以使用附加输入,例如PROM、来自可佩戴设备204的数据、活动的视频记录、来自患者的输入(例如,疼痛等级、舒适等级等)、运动范围信息等等。该模型可以提供近乎实时的干预。
第三级别205可以提供较大群体数据集的基于服务器的处理。例如,移动设备206可以将数据发送到云210(例如,去除了个人可识别信息的编译数据),该数据可以与来自其他患者的数据一起使用。服务器212可以开发将被推出到移动设备206或可植入传感器设备202的模型。可以开发不同的模型(例如,用于不同的患者群体,用于不同的设备、例如移动设备206和可植入传感器设备202,用于不同的患者时间线、例如在前六个月期间和六个月后等)。例如,在外科手术后的前六个月或十二个月内,可能会发生更严格的数据收集(例如,每小时),接着在初始时间段之后,可植入传感器设备202可以转变为休眠或登记(check-in mode,)模式,这可以包括按需(例如,由来自移动设备206或可佩戴设备204的信号)获取数据,每天一次、每周一次等。
可以在不同的时间间隔使用不同的级别。例如,可植入传感器设备202中的超本地化处理可以每天执行多次,患者特定监测可以在移动设备206处执行(例如,每天),并且群体分析可以在服务器212处执行,例如每周或每月。在一示例中,超本地化处理包括清理数据、从原始数据生成电信号、处理数据以将汇总数据发送到移动设备206、可选地一些细化的(refined)输出,例如不仅是原始数据而且包括编译数据等。可以在可植入传感器设备202处收集数据,例如每天三次、每5-6小时、在第一次移动读取之后等。数据可以在每个间隔发送到移动设备206,或者可以保存起来、直到存储了足够量的数据然后一起发送。
在一示例中,可以使用移动设备026、可佩戴设备204或服务器212处的模型来警告异常。响应于检测到异常,可以从警报设备发送对可植入传感器设备202的操作的改变。可植入传感器设备202可以改变数据收集方法,例如改变为更强模式(例如,每十五分钟、每小时等),诸如针对感染检测、植入物的松动等。在一些示例中,即使当在第二级别203处没有进行建模时,第二级别203的设备也可以从可植入传感器设备202接收数据,以去除个人数据再发送到第三级别205的设备。
在一示例中,可以生成模型以与来自可植入传感器设备202的数据一起使用。然而,如上所述,可植入传感器设备202具有有限的资源,例如电池功率(在一些示例中其可能是不可再充电的)。来自可佩戴设备204的数据可以容易获得并且不存在电池问题。然而,来自可佩戴设备204的数据可能不如来自可植入传感器设备202的数据准确。在一技术中,随着时间的推移,可佩戴数据可以用作可植入传感器数据的代理(proxy)。在该技术中,第一模型用于使用可植入传感器数据来警告、预测或监测患者。第二模型或分类器可用于将可佩戴数据映射(map)到可植入传感器数据。例如,可佩戴数据可以用可植入传感器数据或事件(例如,预测、警报等)来标记。在该技术的一种形式中,第二模型可用于直接将可佩戴数据转化为合成的可植入传感器数据。例如,可佩戴数据可以被输入到第二模型中,并且合成的可植入传感器数据可以从第二模型输出。然后可以将该合成的可植入传感器数据输入到第一模型中,就好像它是由可植入传感器设备202生成的一样。在该技术的第二形式中,第二模型可以被训练为直接使用可佩戴数据来输出警报、预测等。
该技术可用于验证和提高数据源的准确性,例如上述的可佩戴数据。在一些示例中,代替可佩戴数据或除可佩戴数据之外,可以使用移动设备数据。例如,该技术可用于提高关于步数的数据的警报或预测的准确性。在此示例中,所捕捉的患者步态特征(例如,来自可植入传感器数据)可被用于调整由测量设备存储的并用于估计步数或其他量度的步态模型。
例如,警报检测和预测可用于基于与群体标准的显着差异检测或预测异常患者状态或需要干预的患者状态的变化。在一些示例中,上述技术可用于校准可佩戴设备204或移动设备206。在训练或生成第二模型或分类器之后,可以在没有可植入传感器数据的情况下发生警报或预测(例如,无需激活可植入传感器设备202或从可植入传感器设备202接收数据)。
在一示例中,可佩戴数据可用于预测什么时候更频繁的可植入传感器数据可能有用或需要。例如,可佩戴数据可以监测患者以预测患者可能如何进展,使用第二模型并激活可植入传感器设备202。
图3示出了根据本公开的至少一个示例的植入传感器数据处理系统的通信图示300。图示300示出了可植入传感器302(例如,其位于患者体内的植入物中)、用户设备304(例如,可佩戴设备、诸如电话的移动设备、计算机等)和网络设备306(例如,服务器、云设备等)之间的通信。
通信图示300示出了可植入传感器302和用户设备304之间的连接步骤以及网络设备306和用户设备304之间的连接步骤。这些连接步骤可以以任何顺序发生,可以由任何设备启动,并且可以在植入可植入传感器302的外科手术之前或之后发生。
在一示例中,模型可以预加载在用户设备304或可植入传感器302上。在该示例中,对模型的更新可以从网络设备306发送到用户设备304(用于用户设备304,用于可植入传感器302,或用于两者)或从用户设备304发送到可植入传感器302。在另一示例中,模型可以从网络设备306发送到用户设备304以加载到用户设备304、可植入传感器302或两者上。用户设备304可以将模型发送到可植入传感器302。
可植入传感器302可以周期性地将数据传输到用户设备304。在一次或多次周期性数据传输之后,用户设备304可以在时间308对数据执行分析。分析可以包括从数据中去除个人可识别信息、通过模型运行数据以确定是否输出警报或预测、或者编译数据以发送到网络设备306。用户设备304可以周期性地传输数据(例如,转发由可植入传感器302发送的相同数据,或者基于由可植入传感器302发送的数据发送不同格式的数据,例如去除了个人信息的数据、编译数据、模型结果等)到网络设备306。使用诸如由用户设备304发送的数据、由其他可植入传感器生成的数据、可佩戴传感器数据、在用户设备304处收集的数据等信息,网络设备306可以生成更新的模型或对模型的更新。更新的模型或对模型的更新可以被发送到用户设备304,并且然后可选地从用户设备304发送到可植入传感器302。在一些示例中,可植入传感器302可以向用户设备304发送检验数据(verification data)。检验数据可以用于检验在可佩戴设备(未示出)处生成的可佩戴数据。可佩戴数据可以如上面参考图2所描述的那样生成。
模型可以使用来自可植入传感器302的数据以提供与患者结果、手术或移动相关的警报或预测。例如,该模型可能涉及步态监测、运动范围监测、物理治疗依从性监测、其他临床评估(例如,麻醉下操作的风险、感染风险、恶化风险、翻修风险、疼痛风险等)等。
预测分析可用于动态地驱动传感器配置的变化。例如,在网络设备306、用户设备304或可植入传感器302上运行的模型的输出可被用于改变可植入传感器302的参数,例如增加数据收集的频率、改变数据收集的类型,或改变数据的编译或存储方式。例如,模型可以监测需要在麻醉下进行操作的高风险、感染检测的高风险等。例如,可植入传感器302可以将操作从正常或标准模式改变为“麻醉下操作”模式或“感染检测”模式。
基于XML的配置文件可用于改变可植入传感器302的设置。可以使用具有分层架构以使传感器配置适应环境或患者数据变化的智能数据收集系统。
在一示例中,模型可以用于预测分析。该模型可以基于来自可植入传感器302的数据生成患者的预测细节,例如患者可能完成的内容,例如来自恢复计划的内容。患者途径是多层次的,通过临床进展的途径包括治疗和康复、药物治疗,或者包括可以特定于患者的自我管理。使用可植入传感器302数据,患者可以优化他们自己的个体恢复。
预测分析可用于,通过考虑患者是否活跃(active)(例如,导致患者需要更多手术干预的可能性更高)、或者在恢复过程中患者是否可能过度锻炼并损害身体或造成伤害,来预测患者特定结果。可植入传感器302数据可被用于基于患者数据、模型、或从其他患者的数据(例如,没有个人信息)生成的数据或模型来进行恢复过程中的细化,例如,创建或修改个性化恢复程序。外部传感器数据(例如,可佩戴传感器数据)可能不够准确,无法评估这些类型的结果并做出这些类型的预测(例如,在运动范围方面,可佩戴数据可能在大约5度时才可用)。一些数据可以从可植入传感器302获得,但在可佩戴设备中无法得到,例如振动、负载(例如,力或压力)、内部温度等。可植入传感器302可以包括力传感器、压力传感器、加速度计、陀螺仪、惯性测量单元(IMU)、计步器、温度计、电导传感器、热传感器、振动传感器等。
预测可以基于个人目标或目的,并且可以将预测与个性化消息一起输出给用户。例如,用户可以设定爬楼梯、打高尔夫球或坐在地板上的目标。该模型可以基于运动范围、运动性、来自可植入传感器302的数据等来生成预测。该预测可用于生成个性化的用户消息,例如“您还没有准备好爬完一整段楼梯,但尝试两级楼梯”。个性化用户消息可以基于将患者目标分为移动或负荷要求的分类。可以生成帮助患者实现目标的计划,并且来自可植入传感器302的数据可以用于预测何时将实现目标、如何实现目标,以及告知患者在整个过程中的预期。在一示例中,现实世界环境个人详细信息(例如,房屋的平面图、房屋内的楼梯数量、日常步行区域、诸如山丘的环境考虑因素、城市或乡村、天气、孩子或孙子等)可以与模型一起使用来生成预测。在一示例中,初始预测可以发送给护理团队,而稍后的预测发送给患者。在一示例中,预测可以用作警告,例如,如果检测到指示楼梯使用的移动并且预测指示患者还没有准备好爬楼梯,则可以向患者发送消息(例如,经由用户设备304),警告患者暂时不要尝试爬楼梯。
在一示例中,可植入传感器302可以预加载初始未激活的多个应用程序(例如,配置,用途,程序,诸如印刷电路板(PCB)、片上系统(SoC)、现场可编程门阵列(FPGA)或其他集成电路的电路,或硬件级类型的应用程序等)。应用程序可以在安装到植入物或患者体内之前进行验证(例如,由监管机构)。应用程序的功能可以在安装前进行验证,但直到被安装到植入物或患者体内之后才被激活。未激活的应用程序中的应用程序可以被远程地激活(例如,使用XML或其他软件指令,诸如在来自用户设备304的消息中)。可植入传感器302可以被可操作地修改为不同的可编程能力(例如,以改变数据收集、输出、模型等),例如改变可植入传感器302做什么或改变数据收集频率。
图4示出了根据一些实施例的用于确定反馈的机器学习引擎。机器学习引擎可以在移动设备(例如手机)或计算机中使用。系统可以基于一种或多种机器学习算法来计算标准的一个或多个权重。图4示出了根据本公开的一些示例的示例机器学习引擎400。
机器学习引擎400利用训练引擎402和预测引擎404。训练引擎402使用输入数据406在经历预处理408之后用于确定一个或多个特征410。所述一个或多个特征410可用于生成初始模型412,该初始模型412可反复地或用未来的未标记数据更新。
输入数据406可以用指示来标记,例如外科手术或患者恢复的结果的成功程度,例如疼痛信息、患者反馈、植入成功、动态信息、运动范围、特定目标(例如,移动目标、锻炼目标、诸如举起物品的动作目标、运动或开车等)。在一些示例中,结果可以主观地指定给输入数据,但在其他示例中,可以利用关注结果量度(例如,运动范围、疼痛等级、调查评分、患者满意度评分、例如人工膝盖被遗忘评分、WOMAC评分、肩部评估、髋部评估等)的一个或多个标记标准。
在预测引擎404中,当前数据414可以被输入以进行预处理416。在一些示例中,预处理416和预处理408是相同的。预测引擎404从经预处理的当前数据产生特征向量418,其被输入到模型420中以生成一个或多个标准权重422。标准权重422可用于输出预测,如下面进一步讨论的。
训练引擎402可以以离线方式操作以训练模型420(例如,在服务器上)。预测引擎404可以被设计成以在线方式操作(例如,实时地、在移动设备处、在植入设备上等)。在其他示例中,训练引擎402可以以在线方式操作(例如,在移动设备处)。在一些示例中,模型420可以通过附加训练(例如,经由更新的输入数据406或基于在权重422中输出的未标记的数据)或用户反馈(例如,对技术或程序的更新)来周期性地更新。可以使用其它的输入数据406来更新初始模型412,直到生成满意的模型420。模型420生成可以根据用户输入(例如,在使用足够的输入数据之后,比如1,000、10,000、100,000个数据点等)或当数据收敛时(例如,相似的输入产生相似的输出)停止。
用于训练引擎402的特定机器学习算法可以从许多不同的潜在监督型(supervised)或非监督型机器学习算法中选择。监督型学习算法的示例包括人工神经网络、贝叶斯网络、基于实例的学习、支持向量机、决策树(例如,Iterative Dichotomiser 3、C4.5、Classification and Regression Tree(CART)、Chi-squared AutomaticInteraction Detector(CHAID)等)、随机森林、线性分类器、二次分类器、k最近邻、线性回归、逻辑回归和隐马尔可夫模型。非监督型学习算法的示例包括期望最大化算法、矢量量化、和信息瓶颈方法。非监督型模型可能没有训练引擎402。在示例实施例中,使用回归模型,并且模型420是与特征向量410、418中的每个特征的学习重要性相对应的系数向量。
模型420的数据输入源可以包括植入传感器设备、手表、健身追踪器、腕戴设备、汗水监测器(例如,电解质水平)、血糖监测器(例如,针对糖尿病)、心脏监测器(例如EKG或ECG)、心率监测器、脉搏血氧计、压力水平监测器(例如,通过Apple Watch)、呼吸频率监测设备、“生命警报”、耳部可佩戴设备(例如,用于测量颅间压力,例如通过耳膜)、头戴式可佩戴设备、超声可佩戴设备、麦克风发音障碍设备、智能联系人、智能环、锻炼设备(例如椭圆机、镜子、跑步机、自行车类车主群(bike like peloton)、楼梯踏步机等)、跟踪数据的手机应用程序、术中数据收集设备(例如,视觉和机器人信息)、胸带(例如,用于呼吸和心率)、视频等等。
模型420的输入数据可以包括用户输入信息、应用程序数据(例如来自食物应用、锻炼追踪器等)、对调查问卷/PROM的响应、视频捕捉(例如,针对运动范围或强度)、疼痛水平、阿片类药物使用、依从性(例如PT或OT或教育步骤)、教育数据、锻炼数据、人口或家族史信息、认知测试、BML,锻炼(每日/每周/每月)、工作状态(失业、工作、退休)、年龄、性别、收入/财富状况、子女、婚姻状况等。模型420的其他输入信息可以包括临床医生侧数据、患者档案(例如,人口统计数据、偏好等)、患者的病史、成像、关节炎实验室小组等。
一旦进行了训练,模型420就可以从非植入传感器数据的输入输出基于相关传感器数据的结果。在该示例中,输入数据406可以包括用可佩戴数据标记的传感器数据。每种类型的数据可以被保存为时间序列以将传感器数据和可佩戴数据相关联。可以生成单独的模型来指示传感器数据的结果,例如基于标记有结果(例如,患者预测、评估等)的传感器数据。模型420可以生成将传感器数据与可佩戴数据相关联的一组特征,使得可佩戴数据可以用于近似传感器数据。模型420的输出可以包括用于将可佩戴数据转换为传感器数据的映射或特征集,使得可佩戴数据可以被输入到模型420,模型420可以生成传感器数据,该传感器数据可以在单独的模型中使用以提供结果。以这种方式,只有可佩戴数据就可用于生成结果,在训练后不需要传感器数据或不需要使用传感器数据。
在另一示例中,模型420可以预测患者准备程度评分或与患者是否准备好执行特定动作、锻炼或特定目标相关的指示。在一示例中,该模型420可以用作上述单独的模型。该模型420可以使用传感器数据、可佩戴数据或上述任何其他数据来生成。该模型420的输出可以包括识别患者是否或何时能够实现特定目标,例如移动目标、锻炼目标、举起物品、进行运动、开车等。
在一示例中,模型420可用于预测患者是否是高风险患者。当使用模型402将患者识别为高风险时,可以以获取和输出传感器数据的更高生产量来操作植入传感器设备。当存在较高的感染风险、较高的需要在麻醉下进行操作的风险、较高的疼痛风险等时,模型420可以预测患者的高风险。
图5的流程图示出了根据本公开的至少一个示例的用于确定使用什么设备来处理植入传感器数据处理系统中的数据的技术500。技术500可以由设备的处理电路在本地、在边缘设备上或在云中来执行,所述设备例如是植入传感器设备、可佩戴设备、移动设备(例如,电话、平板电脑等)、计算机(例如,笔记本电脑、台式机、服务器等)等。
技术500包括用于接收由嵌入在患者体内的矫形外科植入物中的传感器生成的编译数据的操作502。编译数据可以包括由传感器设备预处理的数据。
技术500包括用于基于患者特定信息来确定是使用本地机器学习模型还是远程机器学习模型来输出预测的操作504。在一示例中,本地机器学习模型在移动设备上运行,远程机器学习模型在远程服务器上运行。响应于操作504的确定,可以选择不同的操作作为下一步。例如,当处理可以在本地完成时,技术500继续进行操作506。当需要做更准确、更困难或更广泛的确定时,技术500可以继续到操作510。在一示例中,当要完成简单操作(例如,聚合)时,技术500可以进行到操作508。
操作504可以包括与对患者执行的矫形外科手术相关的确定。例如,该确定可以基于当前时间框架(time frame),诸如当该手术过程在该时间框架内发生时(例如,在最新过去的六个月内),可以(例如使用操作510)做更广泛的确定。在该示例中,操作510可以根据日程安排使用,例如每天一次或每周一次,而操作506和508则比该时间段之后更频繁地发生。在一示例中,在一时间段之后(例如,在手术后十二个月之后)可以不使用操作510。在其他示例中,在该确定中可以使用手术的类型、手术的位置、手术的并发症等。
操作504可以使用患者特定信息来确定下一步。例如,由患者识别的疼痛水平、患者的运动范围、患者锻炼评分、患者朝着患者定义或选择的目标的进展等可被用于确定是否要收集更多或更少数据(例如,操作508)、使用操作506还是510(或两者)等。在一示例中,当患者正在经历比平均患者或基线更大的疼痛时,可以通过传感器获得附加信息,例如在操作508处。在该示例中,远程操作510可以用于获得更准确的信息。在另一示例中,当患者具有并发症风险时,本地设备操作506可被使用以获得更快且更安全的结果。
技术500包括可选的操作506以通过使用编译数据作为本地机器学习模型的输入来预测患者的结果。技术500包括可选的操作508以在容置着矫形外科植入物中的传感器的设备上处理数据。技术500包括用于从远程计算设备接收预测结果的可选的操作510。操作510可以响应于将编译数据发送到远程计算设备而发生。在一示例中,在将编译数据发送到远程计算设备之前,可以对编译数据进行清理以从编译数据中去除个人识别信息。在一些示例中,可以在容置着传感器的设备上以最短的时间量生成预测。在一些示例中,使用本地机器学习模型(例如,在移动设备或传感器附近的设备上)可以在比远程计算设备花费的时间更少的时间内生成预测。在一些示例中,预测的准确性可以与生成预测所花费的时间成反比。
图6的流程图示出了根据本公开的至少一个示例的用于将传感器数据映射到可佩戴数据的技术。
技术600包括操作602,以获得由嵌入在患者体内的矫形外科植入物中的传感器生成的传感器数据的时间序列。技术600包括用于获得由患者佩戴的可佩戴设备生成的可佩戴数据的时间序列的操作604。在一示例中,传感器数据的时间序列或可佩戴数据的时间序列可以包括加速计、陀螺仪、力数据、步态数据等的至少一种。数据的时间序列可以从智能手表生成。
技术600包括用于创建将传感器数据的时间序列映射到可佩戴数据的时间序列的模型的操作606。该模型可以基于在彼此的阈值时间范围内发生的每个时间序列的各个数据点的时间戳来映射传感器数据的时间序列和可佩戴数据的时间序列。例如,几毫秒、几秒等内的数据点可以被关联。
技术600包括操作608,以使用一组可佩戴数据作为向所创建的模型的输入来生成对应的合成传感器数据。该映射可被用于使用可佩戴数据来模拟真实传感器数据。
技术600包括操作610,以使用合成传感器数据作为经过训练的机器学习模型的输入来确定患者的预测结果。在一些示例中,训练的机器学习模型被训练以输出患者朝着康复目标的进展或矫形外科植入物的剩余寿命中的至少一个。可以使用传感器数据或其他传感器数据的时间序列来训练训练的机器学习模型。操作610可以包括在不使用任何生成的传感器数据的情况下(例如,仅使用合成传感器数据或可佩戴数据)来确定预测结果。合成数据可以包括生成的数据、代表性数据等。在一示例中,操作610可包括使用由传感器生成的比在没有合成传感器数据的情况下输出预测所需的更少的输入数据点。例如,如果需要数百个生成的传感器数据点来准确地输出预测,则合成数据可以仅与几十或几百个生成的传感器数据一起使用来准确地输出预测。
技术600包括用于输出预测结果的操作612。例如,可以输出预测以在用户界面上显示(例如,向临床医生、患者等)。
图7的流程图示出了根据本公开的至少一个示例的用于提供关于与从矫形外科手术中恢复相关的患者特定目标的反馈的技术。
技术700包括用于接收与从患者的矫形外科手术中恢复相关的患者特定目标的操作702。技术700包括将患者特定目标转换为一个或多个量度的集合的操作704。所述一个或多个量度可以包括关节的运动范围。患者特定目标可以包括生命活动的识别。在该示例中,所述一个或多个量度的集合可以包括对应于生命活动的运动范围。患者特定目标可以经由患者在用户界面上对患者特定目标的选择来接收。
技术700包括操作706,用于接收由嵌入在患者体内的矫形外科植入物中的传感器设备的传感器生成的传感器数据。技术700包括决策操作708,以使用经过训练的机器学习模型和传感器数据来确定所述一个或多个量度的集合中的量度是否得到满足。可以使用具有量度完成标记的历史传感器数据来训练所述经过训练的机器学习模型。
技术700包括操作710,以响应于在操作708中确定所述一个或多个量度的集合中的所有量度都得到满足,而输出已经实现了患者特定目标的指示。已经实现了患者特定目标的指示可以包括与第二患者特定目标相对应的信息。例如,可以顺序地设定目标,或者可以有延伸目标(例如,“我想打9洞高尔夫球”可以变为“我想打18洞高尔夫球”)。
技术700包括操作712,以响应于在操作708中确定所述一个或多个量度的集合中的量度没有得到满足,而输出与该量度相对应的指示。与该量度相对应的指示可以包括所识别的用于改进该量度的锻炼(例如,物理治疗、伸展运动、步行等)。在一些示例中,该指示可以包括实现患者特定目标的预测日期。
技术700可以包括向传感器设备发送用于激活存储在传感器设备的存储器中的多个应用程序之一的指示,该多个应用程序被预先配置为在监管系统下进行验证。所接收的传感器数据可以根据激活的应用程序来生成。在一些示例中,当激活的应用程序被激活时,可以改变传感器的至少一个操作。
图8示出了根据一些实施例可以在其上执行本文所讨论的技术的任何一项或多项的示例机器800的框图。该示例机器可以操作本文讨论的一些或全部的矫形外科智能系统。在一些示例中,矫形外科智能系统可以在示例机器800上操作。在其他示例中,示例机器800仅仅是用于操作矫形外科智能系统的许多此类机器之一。在替代实施例中,机器800可以作为独立设备操作或者可以连接(例如,联网)到其他机器。在联网部署中,机器800可以在服务器-客户端网络环境中以服务器机器、客户端机器或两者的身份进行操作。在一示例中,机器800可以充当对等(P2P)(或其他分布式)网络环境中的对等机器。机器800可以是个人计算机(PC)、平板PC、机顶盒(STB)、个人数字助理(PDA)、移动电话、网络设备、网络路由器、交换机或桥接器、或者任何能够执行指定该机器要采取的动作的指令(顺序或其它)的机器。此外,虽然仅示出了单一一个机器,但术语“机器”还应当被认为包括以单独方式或以联合方式执行一组(或多组)指令的机器的任何集合,所述一组(或多组)指令用于执行本文讨论的方法中的任意一个或多个,例如云计算、软件即服务(SaaS)、其他计算机集群配置。
机器(例如,计算机系统)800可以包括硬件处理器802(例如,中央处理单元(CPU)、图形处理单元(GPU)、硬件处理器核、或其任意组合)、主存储器804和静态存储器806,其中的一些或全部可以经由互连链路(例如,总线)808彼此通信。机器800还可以包括显示单元810、字母数字输入设备812(例如,键盘)和用户界面(UI)导航设备814(例如,鼠标)。在一示例中,显示单元810、输入设备812和UI导航设备814可以是触摸屏显示器。机器800还可包括存储设备(例如,驱动单元)816、信号产生设备818(例如,扬声器)、网络接口设备820、以及一个或多个传感器821,例如全球定位系统(GPS)传感器、指南针、加速度计或其他传感器。机器800可以包括输出控制器828,例如串行(例如,通用串行总线(USB)、并行、或其他有线或无线(例如,红外(IR)、近场通信(NFC)等)连接,以通信或控制一个或多个外围设备(例如打印机、读卡器等)。
存储设备816可以包括机器可读介质822,其上存储了体现本文描述的任何一种或多种技术或功能或由本文描述的任何一种或多种技术或功能使用的一组或多组数据结构或指令824(例如,软件)。指令824还可以在由机器800执行期间完全或至少部分地驻留在主存储器804内、静态存储器806内或硬件处理器802内。在一示例中,硬件处理器802、主存储器804、静态存储器806或存储设备816中的一个或任意组合可以构成机器可读介质。
虽然机器可读介质822被示意为单一一个介质,但是术语“机器可读介质”可以包括被配置用于存储所述一个或多个指令824的单一一个介质或多个介质(例如,集中式或分布式数据库,和/或相关联的高速缓存和服务器)。术语“机器可读介质”可以包括:能够存储、编码或携带供机器800执行并致使机器800执行本公开的技术中的任何一项或多项的指令的任何介质,或者能够存储、编码或携带由此类指令使用或与此类指令相关联的数据结构的任何介质。非限制性机器可读介质示例可以包括固态存储器、以及光学和磁性介质。
指令824还可以使用传输介质经由网络接口设备820利用多种传输协议(例如,帧中继、网际协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等)中的任何一种在通信网络826上发送或接收。示例通信网络可以包括局域网(LAN)、广域网(WAN)、分组数据网络(例如,互联网)、移动电话网络(例如,蜂窝网络)、普通老式电话(POTS)网络、和无线数据网络(例如,已知为的电气和电子工程师协会(IEEE)802.11标准系列、已知为/>的IEEE 802.16标准系列)、IEEE 802.15.4标准系列、点对点对等(P2P)网络等。在一示例中,网络接口设备820可以包括一个或多个物理插孔(例如,以太网、同轴电缆或电话插孔)或一个或多个天线以连接到通信网络826。在一示例中,网络接口设备820可以包括多个天线,以使用单输入多输出(SIMO)、多输入多输出(MIMO)或多输入单输出(MISO)技术中的至少一种来进行无线通信。术语“传输介质”应被理解为包括能够存储、编码或携带由机器800执行的指令的任何无形介质,并且包括数字或模拟通信信号或其他无形介质以促进此类软件的通信。
以下非限制性示例中的每一个可以独立存在,或者可以以各种排列或组合与一个或多个其他示例组合。
示例1是一种方法,包括:在移动设备处,接收由嵌入在患者体内的矫形外科植入物中的传感器生成的编译数据;用由移动设备生成的数据、由被通信地耦合到移动设备的可佩戴设备生成的数据、或者用户在移动设备处输入的数据中的至少一种来标记所述编译数据;将编译数据发送到远程计算设备;从远程计算设备接收机器学习模型;在移动设备处接收由传感器生成的第二组编译数据;使用所述第二组编译数据作为机器学习模型的输入来确定预测;并输出所述预测。
示例2是一种方法,包括:在服务器处从移动设备接收由嵌入在患者体内的矫形外科植入物中的传感器生成并在移动设备处标记的第一组编译数据;在服务器处使用所述第一组编译数据生成机器学习模型;将机器学习模型发送给移动设备;在服务器处从移动设备接收由传感器生成的第二组编译数据;基于所述第二组编译数据更新服务器处的机器学习模型;以及在服务器处维护机器学习模型的副本和更新后的机器学习模型。
示例3是一种方法,包括:在移动设备处接收由嵌入在患者体内的矫形外科植入物中的传感器生成的编译数据;基于患者特定信息确定是使用本地机器学习模型还是远程机器学习模型来输出预测;根据要使用本地机器学习模型的确定,通过使用编译数据作为向本地机器学习模型的输入,预测患者的结果;根据要使用远程机器学习模型的确定,将编译数据发送到远程计算设备;以及从远程计算设备接收预测结果。
在示例4中,示例3的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型包括确定与对患者执行的矫形外科手术相关的当前时间框架的。
在示例5中,示例3-4的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型是基于先前对患者进行的矫形外科手术。
在示例6中,示例3-5的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型包括使用由患者识别的疼痛级别、患者的运动范围、或患者锻炼评分。
在示例7中,示例3-6的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型包括确定患者朝着由患者定义的目标的进展。
在示例8中,示例3-7的主题包括,其中发送编译数据包括在发送之前清理编译数据以从编译数据中去除个人识别信息。
示例9是一种方法,包括:在移动设备处从远程计算设备接收多个机器学习模型,所述多个机器学习模型被使用来自相应患者群体的植入传感器数据进行训练;在移动设备处接收由嵌入在患者体内的矫形外科植入物中的传感器生成的第一组编译数据;基于第一组编译数据和特定于该患者的信息选择所述多个机器学习模型中的一个;接收由传感器生成的第二组编译数据;使用所述第二组编译数据作为所述多个机器学习模型之一的输入来确定患者的预测结果。
示例10是一种嵌入在患者体内的矫形外科植入物中的设备,该设备包括:存储器;通信电路;用于生成数据的传感器;和处理电路,其用于:确定是本地地处理所生成的数据还是将所生成的数据发送到患者体外的设备;根据确定本地地处理所生成的数据,聚合所生成的数据并将生成的数据存储在存储器中;以及根据确定将生成的数据发送到患者体外的设备:激活通信电路以将生成的数据发送到患者体外的设备;并基于在患者体外的设备上进行的处理而从患者体外的设备接收针对传感器的更新的指令。
在示例11中,示例10的主题包括,其中患者体外的设备是基站、移动设备、可佩戴设备或计算机。
在示例12中,示例10-11的主题包括,其中患者体外的设备在将数据发送到另外的设备之前去除个人识别信息。
在示例13中,示例10-12的主题包括,其中针对传感器的更新的指令包括基于需要在麻醉下进行操作的风险或感染的风险高于阈值的确定而增加传感器数据收集的速率。
在示例14中,示例10-13的主题包括,其中通信电路将所生成的数据作为可在患者体外的设备处使用的数据的时间序列来发送,以验证可佩戴设备的测量结果。
在示例15中,示例10-14的主题包括,其中所生成的数据可由患者体外的设备使用以向患者提供警报,告知患者实现目标的进展。
示例16是一种方法,包括:在处理器处获得由嵌入在患者体内的矫形外科植入物中的传感器生成的传感器数据的时间序列;在处理器处获得由患者佩戴的可佩戴设备生成的可佩戴数据的时间序列;生成将传感器数据的时间序列映射到可佩戴数据的时间序列的模型;使用一组可佩戴数据作为向模型的输入来确定相应的合成传感器数据;以及使用合成传感器数据作为机器学习模型的输入来确定患者的预测结果。
示例17是至少一种机器可读介质,其包括指令,所述指令当由处理电路执行时致使处理电路执行操作以:接收与从患者的矫形外科手术恢复相关的患者特定目标;将患者特定目标转换为一个或多个量度的集合;接收由嵌入在患者体内的矫形外科植入物中的传感器生成的传感器数据;使用机器学习模型和传感器数据确定所述一个或多个量度的集合中的量度是否得到满足;响应于确定所述一个或多个量度的集合中的所有量度均得到满足,而输出已经实现了患者特定目标的指示;以及响应于确定所述一个或多个量度的集合中的量度没有得到满足,而输出与该量度相对应的指示。
在示例18中,示例17的主题包括,其中与量度相对应的指示包括用于所识别的用于改进量度的锻炼。
在示例19中,示例17-18的主题包括,其中对应于量度的指示包括患者特定目标何时实现的预测日期。
在示例20中,示例17-19的主题包括,其中所述一个或多个量度包括关节的运动范围。
示例21是一种被配置为嵌入在患者体内的矫形外科植入物中的可植入传感器设备,包括:传感器;处理电路;和存储器,该存储器包括:表格,所述表格包括:多个应用程序,该多个应用程序被预先配置为在监管系统下被验证;以及与该多个应用程序中的每一个对应的激活状态;通信电路,用于接收激活所述多个应用程序之一的指示;其中,响应于接收到该指示,更新该表格以指示所述多个应用程序之一是活动的;并且其中当处理电路启动所述多个应用程序之一时,改变传感器的至少一个操作。
示例22是一种移动设备,包括:处理电路;和包括指令的存储器,所述指令当由处理电路执行时致使处理电路执行操作以:在移动设备处接收由嵌入在患者体内的矫形外科植入物中的传感器设备的传感器生成的编译数据;基于患者特定信息,确定是使用能够在移动设备处操作的本地机器学习模型、还是使用能够在远程设备处操作的远程机器学习模型,来输出使用编译数据生成的预测;根据要使用本地机器学习模型的确定,通过使用编译数据作为向本地机器学习模型的输入,在移动设备处预测患者的结果;根据要使用远程机器学习模型的确定,从移动设备将编译数据发送到远程计算设备以使用编译数据在远程计算设备处生成预测结果。
在示例23中,示例22的主题包括,其中编译数据包括由传感器设备预处理的数据。
在示例24中,示例22-23的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型包括:确定与对患者执行的矫形外科手术相关的当前时间框架的操作,以及将所述当前时间框架与阈值时间框架相比较。
在示例25中,示例22-24的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型包括基于识别先前对患者进行的矫形外科手术来确定使用哪个模型的操作。
在示例26中,示例22-25的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型包括基于在移动设备处接收到的下述中至少一个的输入来确定使用哪个模型的操作:由患者识别的疼痛级别、患者的运动范围、或患者锻炼评分。
在示例27中,示例22-26的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型包括确定患者朝着由患者定义的目标的进展的操作。
在示例28中,示例22-27的主题包括,其中发送编译数据包括在发送所述编译数据之前清理所述编译数据以从所述编译数据中去除个人识别信息的操作。
在示例29中,示例22-28的主题包括,其中获得所述本地机器学习模型的预测的时间比获得所述远程机器学习模型的预测的时间少。
示例30是至少一种机器可读介质,包括用于在移动设备处操作的指令,该指令在被执行时致使处理电路执行操作以:在移动设备处接收由嵌入在患者体内的矫形外科植入物中的传感器设备的传感器生成的编译数据;基于患者特定信息,确定是使用能够在移动设备处操作的本地机器学习模型还是能够在远程设备处操作的远程机器学习模型来输出使用编译数据生成的预测;根据要使用本地机器学习模型的确定,通过使用编译数据作为本地机器学习模型的输入,在移动设备处预测患者的结果;根据要使用远程机器学习模型的确定,从移动设备将编译数据发送到远程计算设备以使用编译数据在远程计算设备处生成预测结果。
在示例31中,示例30的主题包括,其中所述编译数据包括由所述传感器设备预处理的数据。
在示例32中,示例30-31的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型包括:确定与对患者执行的矫形外科手术相关的当前时间框架的操作,以及将所述当前时间框架与阈值时间框架相比较。
在示例33中,示例30-32的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型包括基于识别先前对患者进行的矫形外科手术来确定使用哪个模型的操作。
在示例34中,示例30-33的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型包括基于在移动设备处接收到的下述中至少一个的输入来确定使用哪个模型的操作:由患者识别的疼痛级别、患者的运动范围、或患者锻炼评分。
在示例35中,示例30-34的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型包括确定患者朝着由患者定义的目标的进展的操作。
在示例36中,示例30-35的主题包括,其中发送编译数据包括在发送所述编译数据之前清理所述编译数据以从所述编译数据中去除个人识别信息的操作。
在示例37中,示例30-36的主题包括,其中获得所述本地机器学习模型的预测的时间比获得所述远程机器学习模型的预测的时间少。
示例38是一种系统,包括:嵌入在患者体内的矫形外科植入物中的传感器设备,所述传感器设备包括:用于生成数据的传感器;和用于编译所述数据的处理电路;以及移动设备,所述移动设备包括:通信电路;处理电路;和包括指令的存储器,所述指令当由处理电路执行时致使所述处理电路执行操作以:基于患者特定信息,确定是使用能够在移动设备处操作的本地机器学习模型、还是使用能够在远程设备处操作的远程机器学习模型,来输出使用编译数据生成的预测;根据要使用本地机器学习模型的确定,通过使用编译数据作为向本地机器学习模型的输入,在移动设备处预测患者的结果;根据要使用远程机器学习模型的确定,从移动设备的通信电路将编译数据发送到远程计算设备以使用编译数据在远程计算设备处生成预测结果。
在示例39中,示例38的主题包括,其中所述编译数据包括由所述传感器设备内的所述处理电路预处理的数据。
在示例40中,示例38-39的主题包括,其中确定是使用本地机器学习模型还是远程机器学习模型包括使用下述中的至少一个的操作:与对患者执行的矫形外科手术相关的当前时间框架、对先前患者进行过的矫形外科手术的识别、或者在移动设备处接收的输入,所述输入包括由患者识别的疼痛级别、患者的运动范围或患者锻炼评分中的至少一项。
在示例41中,示例38-40的主题包括,其中发送编译数据包括在发送所述编译数据之前清理所述编译数据以从所述编译数据中去除个人识别信息的操作。
示例42是一种方法,包括:在处理器处获得由嵌入在患者体内的矫形外科植入物中的传感器生成的传感器数据的时间序列;在处理器处获取由患者佩戴的可佩戴设备生成的可佩戴数据的时间序列;创建将传感器数据的时间序列映射到可佩戴数据的时间序列的模型;使用一组可佩戴数据作为所创建的模型的输入,生成相应的合成传感器数据;使用合成传感器数据作为经过训练的机器学习模型的输入,来确定患者的预测结果;以及输出所述预测结果。
在示例43中,示例42的主题包括,其中所述经过训练的机器学习模型被训练以输出患者的朝着康复目标的进展或所述矫形外科植入物的剩余寿命中的至少一者。
在示例44中,示例42-43的主题包括,其中使用传感器数据的时间序列来训练所述经过训练的机器学习模型。
在示例45中,示例42-44的主题包括,其中所述模型基于在彼此的阈值时间范围内发生的每个时间序列的各个数据点的时间戳来映射传感器数据的时间序列和可佩戴数据的时间序列。
在示例46中,示例42-45的主题包括,其中在不使用任何生成的传感器数据作为输入的情况下确定患者的预测结果。
在示例47中,示例42-46的主题包括,其中使用由所述传感器生成的比在没有所述合成传感器数据的情况下输出预测所需的更少的输入数据点来确定所述患者的预测结果。
在示例48中,示例42-47的主题包括,其中所述传感器数据的时间序列包括加速计或陀螺仪数据中的至少一者,并且其中所述可佩戴数据的时间序列包括步态数据。
在示例49中,示例42-48的主题包括,其中获得由所述可佩戴设备生成的数据的时间序列包括从智能手表接收所述数据的时间序列。
示例50是一种设备,包括:处理电路;和包括指令的存储器,所述指令当被所述处理电路执行时致使所述处理电路执行操作以:获得由嵌入在患者体内的矫形外科植入物中的传感器生成的传感器数据的时间序列;获取由患者佩戴的可佩戴设备产生的可佩戴数据的时间序列;创建将传感器数据的时间序列映射到可佩戴数据的时间序列的模型;使用一组可佩戴数据作为所创建的模型的输入来生成相应的合成传感器数据;以及使用合成传感器数据作为经过训练的机器学习模型的输入,来确定患者的预测结果;并输出所述预测结果。
在示例51中,示例50的主题包括,其中所述经过训练的机器学习模型被训练以输出患者朝着康复目标的进展或所述矫形外科植入物的剩余寿命中的至少一者。
在示例52中,示例50-51的主题包括,其中使用所述传感器数据的时间序列来训练所述经过训练的机器学习模型。
在示例53中,示例50-52的主题包括,其中所述模型基于在彼此的阈值时间范围内发生的每个时间序列的相应数据点的时间戳来映射所述传感器数据的时间序列和所述可佩戴数据的时间序列。
在示例54中,示例50-53的主题包括,其中在不使用任何生成的传感器数据作为输入的情况下确定患者的预测结果。
在示例55中,示例50-54的主题包括,其中使用由所述传感器生成的比在没有所述合成传感器数据的情况下输出预测所需的输入数据点少的输入数据点来确定所述患者的预测结果。
在示例56中,示例50-55的主题包括,其中所述传感器数据的时间序列包括加速计或陀螺仪数据中的至少一者,并且其中所述可佩戴数据的时间序列包括步态数据。
在示例57中,示例50-56的主题包括,其中所述可佩戴设备是智能手表。
示例58是至少一种机器可读介质,包括指令,所述指令当被执行时致使处理电路执行操作以:获得由嵌入在患者体内的矫形外科植入物中的传感器生成的传感器数据的时间序列;获取由患者佩戴的可佩戴设备产生的可佩戴数据的时间序列;创建将传感器数据的时间序列映射到可佩戴数据的时间序列的模型;使用一组可佩戴数据作为所创建的模型的输入来生成相应的合成传感器数据;以及使用合成传感器数据作为经过训练的机器学习模型的输入,来确定患者的预测结果;并输出所述预测结果。
在示例59中,示例58的主题包括,其中所述模型基于在彼此的阈值时间范围内发生的每个时间序列的相应数据点的时间戳来映射所述传感器数据的时间序列和所述可佩戴数据的时间序列。
在示例60中,示例58-59的主题包括,其中在不使用任何生成的传感器数据作为输入的情况下确定患者的预测结果。
在示例61中,示例58-60的主题包括,所述传感器数据的时间序列包括加速计或陀螺仪数据中的至少一者,并且其中所述可佩戴数据的时间序列包括步态数据。
示例62是至少一种机器可读介质,包括指令,所述指令当由处理电路执行时致使所述处理电路执行操作以:接收与从患者的矫形外科手术恢复相关的患者特定目标;将患者特定目标转换为一个或多个量度的集合;接收由嵌入在患者体内的矫形外科植入物中的传感器设备的传感器生成的传感器数据;使用经过训练的机器学习模型和传感器数据来确定所述一个或多个量度的集合中的量度是否得到满足;响应于确定所述一个或多个量度的集合中的所有量度均被满足,而输出已经实现了所述患者特定目标的指示;以及响应于确定所述一个或多个量度的集合中的量度没有得到满足,而输出与该量度相对应的指示。
在示例63中,示例62的主题包括,其中与所述量度相对应的指示包括所识别的用于改进所述量度的锻炼。
在示例64中,示例62-63的主题包括,其中与所述量度相对应的指示包括对所述患者特定目标何时实现的预测日期。
在示例65中,示例62-64的主题包括,其中所述一个或多个量度包括关节的运动范围。
在示例66中,示例62-65的主题包括,其中使用具有量度完成标记的历史传感器数据来训练所述经过训练的机器学习模型。
在示例67中,示例62-66的主题包括,其中已经实现了所述患者特定目标的指示包括与第二患者特定目标相对应的信息。
在示例68中,示例62-67的主题包括,其中所述患者特定目标包括生命活动的识别,并且其中所述一个或多个量度的集合包括对应于所述生命活动的运动范围。
在示例69中,示例62-68的主题包括,其中所述患者特定目标是经由患者在用户界面上对所述患者特定目标的选择来接收的。
在示例70中,示例62-69的主题包括,其中所述操作还致使所述处理电路向所述传感器设备发送激活存储在所述传感器设备的存储器中的多个应用程序之一的指示,所述多个应用程序被预先配置为在监管系统下进行验证,并且其中所接收到的传感器数据是根据激活的应用程序生成的。
在示例71中,示例70的主题包括,其中当激活的应用程序被激活时,所述传感器的至少一种操作被改变。
示例72是一种系统,包括:传感器设备,其包括用于生成传感器数据的传感器,所述传感器设备被嵌入在患者体内的矫形外科植入物中;计算设备,所述计算设备包括:处理电路;和包括指令的存储器,所述指令当由处理电路执行时致使所述处理电路执行操作以:接收与从患者的矫形外科手术恢复相关的患者特定目标;将患者特定目标转换为一个或多个量度的集合;使用经过训练的机器学习模型和传感器数据来确定所述一个或多个量度的集合中的量度是否得到满足;响应于确定所述一个或多个量度的集合中的所有量度均得到满足,而输出已经实现了患者特定目标的指示;并且响应于确定所述一个或多个量度的集合中的量度没有得到满足,而输出与该量度相对应的指示。
在示例73中,示例72的主题包括,其中与所述量度相对应的指示包括所识别的用于改进所述量度的锻炼。
在示例74中,示例72-73的主题包括,其中与所述量度相对应的指示包括对所述患者特定目标何时实现的预测日期。
在示例75中,示例72-74的主题包括,其中所述一个或多个量度包括关节的运动范围。
在示例76中,示例72-75的主题包括,其中使用具有量度完成标记的历史传感器数据来训练所述经过训练的机器学习模型。
在示例77中,示例72-76的主题包括,其中已经实现了所述患者特定目标的指示包括与第二患者特定目标相对应的信息。
在示例78中,示例72-77的主题包括,其中所述患者特定目标包括生命活动的识别,并且其中所述一个或多个量度的集合包括对应于所述生命活动的运动范围。
在示例79中,示例72-78的主题包括,其中所述患者特定目标是经由患者在用户界面上对所述患者特定目标的选择来接收的。
在示例80中,示例72-79的主题包括,其中所述操作还致使所述处理电路向所述传感器设备发送激活存储在所述传感器设备的存储器中的多个应用程序之一的指示,所述多个应用程序被预先配置为在监管系统下进行验证,并且其中所接收到的传感器数据是根据激活的应用程序生成的。
在示例81中,示例80的主题包括,其中当激活的应用程序被激活时,所述传感器的至少一种操作被改变。
示例82是包括指令的至少一种机器可读介质,所述指令当由处理电路执行时致使处理电路执行操作以实现示例1-81中的任一项的操作。
示例83是包括用于实现示例1-81中任一项的手段的装置。
示例84是用于实现示例1-81中任一项的系统。
示例85是用于实现示例1-81中任一项的方法。
在一些示例中,示例1-81中的任何一项或多项中描述的任何一个或多个部件或操作可以以任何组合包括。
本文描述的方法示例可以至少部分地由机器或计算机实现。一些示例可以包括计算机可读介质或机器可读介质,其被编码有可操作以将电子设备配置为执行如以上示例中所描述的方法的指令。这种方法的实现可以包括代码,例如微代码、汇编语言代码、高级语言代码等。这样的代码可以包括用于执行各种方法的计算机可读指令。代码可以形成计算机程序产品的一部分。此外,在一示例中,代码可以有形地存储在一个或多个易失性、非暂时性或非易失性有形计算机可读介质上,例如在执行期间或在其他时间。这些有形计算机可读介质的示例可以包括、但不限于硬盘、可移动磁盘、可移动光盘(例如光盘和数字视频盘)、磁带、存储卡或棒、随机存取存储器(RAM)、只读存储器(ROM)等。
Claims (60)
1.一种移动设备,包括:
处理电路;和
包括指令的存储器,所述指令当被处理电路执行时致使所述处理电路执行操作以:
在移动设备处,接收由嵌入在患者体内的矫形外科植入物中的传感器设备的传感器生成的编译数据:
基于患者特定信息,确定是使用能够在移动设备处操作的本地机器学习模型、还是使用能够在远程设备处操作的远程机器学习模型,来输出使用编译数据生成的预测;
根据要使用本地机器学习模型的确定,通过使用编译数据作为向本地机器学习模型的输入,在移动设备处预测患者的结果;
根据要使用远程机器学习模型的确定,从移动设备将编译数据发送到远程计算设备以使用编译数据在远程计算设备处生成预测结果。
2.根据权利要求1所述的移动设备,其中,所述编译数据包括由所述传感器设备预处理的数据。
3.根据权利要求1所述的移动设备,其中,确定是使用本地机器学习模型还是远程机器学习模型包括下述操作:确定与对患者执行的矫形外科手术相关的当前时间框架,以及将所述当前时间框架与阈值时间框架相比较。
4.根据权利要求1所述的移动设备,其中,确定是使用本地机器学习模型还是远程机器学习模型包括基于识别先前对患者进行的矫形外科手术来确定使用哪个模型的操作。
5.根据权利要求1所述的移动设备,其中,确定是使用本地机器学习模型还是远程机器学习模型包括基于在移动设备处接收到的下述中至少一个的输入来确定使用哪个模型的操作:由患者识别的疼痛级别、患者的运动范围、或患者锻炼评分。
6.根据权利要求1所述的移动设备,其中,确定是使用本地机器学习模型还是远程机器学习模型包括确定患者朝着由患者定义的目标的进展的操作。
7.根据权利要求1所述的移动设备,其中,发送编译数据包括在发送所述编译数据之前清理所述编译数据以从所述编译数据中去除个人识别信息的操作。
8.根据权利要求1所述的移动设备,其中,获得所述本地机器学习模型的预测的时间比获得所述远程机器学习模型的预测的时间少。
9.至少一种机器可读介质,包括用于在移动设备处操作的指令,所述指令在被执行时致使处理电路执行操作以:
在移动设备处,接收由嵌入在患者体内的矫形外科植入物中的传感器设备的传感器生成的编译数据:
基于患者特定信息,确定是使用能够在移动设备处操作的本地机器学习模型、还是使用能够在远程设备处操作的远程机器学习模型,来输出使用编译数据生成的预测;
根据要使用本地机器学习模型的确定,通过使用编译数据作为向本地机器学习模型的输入,在移动设备处预测患者的结果;
根据要使用远程机器学习模型的确定,从移动设备将编译数据发送到远程计算设备以使用编译数据在远程计算设备处生成预测结果。
10.根据权利要求9所述的至少一种机器可读介质,其中,所述编译数据包括由所述传感器设备预处理的数据。
11.根据权利要求9所述的至少一种机器可读介质,其中,确定是使用本地机器学习模型还是远程机器学习模型包括下述操作:确定与对患者执行的矫形外科手术相关的当前时间框架,以及将所述当前时间框架与阈值时间框架相比较。
12.根据权利要求9所述的至少一种机器可读介质,其中,确定是使用本地机器学习模型还是远程机器学习模型包括基于识别先前对患者进行的矫形外科手术来确定使用哪个模型的操作。
13.根据权利要求9所述的至少一种机器可读介质,其中,确定是使用本地机器学习模型还是远程机器学习模型包括基于在移动设备处接收到的下述中至少一个的输入来确定使用哪个模型的操作:由患者识别的疼痛级别、患者的运动范围、或患者锻炼评分。
14.根据权利要求9所述的至少一种机器可读介质,其中,确定是使用本地机器学习模型还是远程机器学习模型包括确定患者朝着由患者定义的目标的进展的操作。
15.根据权利要求9所述的至少一种机器可读介质,其中,发送编译数据包括在发送所述编译数据之前清理所述编译数据以从所述编译数据中去除个人识别信息的操作。
16.根据权利要求9所述的至少一种机器可读介质,其中,获得所述本地机器学习模型的预测的时间比获得所述远程机器学习模型的预测的时间少。
17.一种系统,包括:
嵌入在患者体内的矫形外科植入物中的传感器设备,所述传感器设备包括:
用于生成数据的传感器;和
用于编译所述数据的处理电路;以及
移动设备,所述移动设备包括:
通信电路;
处理电路;和
包括指令的存储器,所述指令当由处理电路执行时致使所述处理电路执行操作以:
基于患者特定信息,确定是使用能够在移动设备处操作的本地机器学习模型、还是使用能够在远程设备处操作的远程机器学习模型,来输出使用编译数据生成的预测;
根据要使用本地机器学习模型的确定,通过使用编译数据作为向本地机器学习模型的输入,在移动设备处预测患者的结果;
根据要使用远程机器学习模型的确定,从移动设备的通信电路将编译数据发送到远程计算设备以使用编译数据在远程计算设备处生成预测结果。
18.根据权利要求17所述的系统,其中,所述编译数据包括由所述传感器设备内的所述处理电路预处理的数据。
19.根据权利要求17所述的系统,其中,确定是使用本地机器学习模型还是远程机器学习模型包括使用下述中的至少一个的操作:与对患者执行的矫形外科手术相关的当前时间框架、对先前患者进行过的矫形外科手术的识别、或者在移动设备处接收的输入,所述输入包括由患者识别的疼痛级别、患者的运动范围或患者锻炼评分中的至少一项。
20.根据权利要求17所述的系统,其中,发送编译数据包括在发送所述编译数据之前清理所述编译数据以从所述编译数据中去除个人识别信息的操作。
21.一种方法,包括:
在处理器处获得由嵌入在患者体内的矫形外科植入物中的传感器生成的传感器数据的时间序列;
在处理器处获取由患者佩戴的可佩戴设备生成的可佩戴数据的时间序列;
创建将传感器数据的时间序列映射到可佩戴数据的时间序列的模型;
使用一组可佩戴数据作为所创建的模型的输入,生成相应的合成传感器数据;
使用合成传感器数据作为经过训练的机器学习模型的输入,来确定患者的预测结果;以及
输出所述预测结果。
22.根据权利要求21所述的方法,其中,所述经过训练的机器学习模型被训练以输出患者的朝着康复目标的进展或所述矫形外科植入物的剩余寿命中的至少一者。
23.根据权利要求21所述的方法,其中,使用传感器数据的时间序列来训练所述经过训练的机器学习模型。
24.根据权利要求21所述的方法,其中,所述模型基于在彼此的阈值时间范围内发生的每个时间序列的各个数据点的时间戳来映射传感器数据的时间序列和可佩戴数据的时间序列。
25.根据权利要求21所述的方法,其中,在不使用任何生成的传感器数据作为输入的情况下确定患者的预测结果。
26.根据权利要求21所述的方法,其中,使用由所述传感器生成的比在没有所述合成传感器数据的情况下输出预测所需的更少的输入数据点来确定所述患者的预测结果。
27.根据权利要求21所述的方法,其中,所述传感器数据的时间序列包括加速计或陀螺仪数据中的至少一者,并且其中所述可佩戴数据的时间序列包括步态数据。
28.根据权利要求21所述的方法,其中,获得由所述可佩戴设备生成的数据的时间序列包括从智能手表接收所述数据的时间序列。
29.一种设备,包括:
处理电路;和
包括指令的存储器,所述指令当被所述处理电路执行时致使所述处理电路执行操作以:
获得由嵌入在患者体内的矫形外科植入物中的传感器生成的传感器数据的时间序列;
获取由患者佩戴的可佩戴设备产生的可佩戴数据的时间序列;
创建将传感器数据的时间序列映射到可佩戴数据的时间序列的模型;
使用一组可佩戴数据作为所创建的模型的输入来生成相应的合成传感器数据;以及
使用合成传感器数据作为经过训练的机器学习模型的输入,来确定患者的预测结果;并
输出所述预测结果。
30.根据权利要求29所述的设备,其中,所述经过训练的机器学习模型被训练以输出患者朝着康复目标的进展或所述矫形外科植入物的剩余寿命中的至少一者。
31.根据权利要求29所述的设备,其中,使用所述传感器数据的时间序列来训练所述经过训练的机器学习模型。
32.根据权利要求29所述的设备,其中,所述模型基于在彼此的阈值时间范围内发生的每个时间序列的相应数据点的时间戳来映射所述传感器数据的时间序列和所述可佩戴数据的时间序列。
33.根据权利要求29所述的设备,其中,在不使用任何生成的传感器数据作为输入的情况下确定患者的预测结果。
34.根据权利要求29所述的设备,其中,使用由所述传感器生成的比在没有所述合成传感器数据的情况下输出预测所需的输入数据点少的输入数据点来确定所述患者的预测结果。
35.根据权利要求29所述的设备,其中,所述传感器数据的时间序列包括加速计或陀螺仪数据中的至少一者,并且其中所述可佩戴数据的时间序列包括步态数据。
36.根据权利要求29所述的设备,其中,所述可佩戴设备是智能手表。
37.至少一种机器可读介质,包括指令,所述指令当被执行时致使处理电路执行操作以:
获得由嵌入在患者体内的矫形外科植入物中的传感器生成的传感器数据的时间序列;
获取由患者佩戴的可佩戴设备产生的可佩戴数据的时间序列;
创建将传感器数据的时间序列映射到可佩戴数据的时间序列的模型;
使用一组可佩戴数据作为所创建的模型的输入来生成相应的合成传感器数据;以及
使用合成传感器数据作为经过训练的机器学习模型的输入,来确定患者的预测结果;并
输出所述预测结果。
38.根据权利要求37所述的至少一种机器可读介质,其中,所述模型基于在彼此的阈值时间范围内发生的每个时间序列的相应数据点的时间戳来映射所述传感器数据的时间序列和所述可佩戴数据的时间序列。
39.根据权利要求37所述的至少一种机器可读介质,其中,在不使用任何生成的传感器数据作为输入的情况下确定患者的预测结果。
40.根据权利要求37所述的至少一种机器可读介质,其中,所述传感器数据的时间序列包括加速计或陀螺仪数据中的至少一者,并且其中所述可佩戴数据的时间序列包括步态数据。
41.至少一种机器可读介质,包括指令,所述指令当由处理电路执行时致使所述处理电路执行操作以:
接收与从患者的矫形外科手术恢复相关的患者特定目标;
将患者特定目标转换为一个或多个量度的集合;
接收由嵌入在患者体内的矫形外科植入物中的传感器设备的传感器生成的传感器数据;
使用经过训练的机器学习模型和传感器数据来确定所述一个或多个量度的集合中的量度是否得到满足;
响应于确定所述一个或多个量度的集合中的所有量度均被满足,而输出已经实现了所述患者特定目标的指示;以及
响应于确定所述一个或多个量度的集合中的量度没有得到满足,而输出与该量度相对应的指示。
42.根据权利要求41所述的至少一种机器可读介质,其中,与所述量度相对应的指示包括所识别的用于改进所述量度的锻炼。
43.根据权利要求41所述的至少一种机器可读介质,其中,与所述量度相对应的指示包括对所述患者特定目标何时实现的预测日期。
44.根据权利要求41所述的至少一种机器可读介质,其中,所述一个或多个量度包括关节的运动范围。
45.根据权利要求41所述的至少一种机器可读介质,其中,使用具有量度完成标记的历史传感器数据来训练所述经过训练的机器学习模型。
46.根据权利要求41所述的至少一种机器可读介质,其中,已经实现了所述患者特定目标的指示包括与第二患者特定目标相对应的信息。
47.根据权利要求41所述的至少一种机器可读介质,其中,所述患者特定目标包括生命活动的识别,并且其中所述一个或多个量度的集合包括对应于所述生命活动的运动范围。
48.根据权利要求41所述的至少一种机器可读介质,其中,所述患者特定目标是经由患者在用户界面上对所述患者特定目标的选择来接收的。
49.根据权利要求41所述的至少一种机器可读介质,其中,所述操作还致使所述处理电路向所述传感器设备发送激活存储在所述传感器设备的存储器中的多个应用程序之一的指示,所述多个应用程序被预先配置为在监管系统下进行验证,并且其中所接收到的传感器数据是根据激活的应用程序生成的。
50.根据权利要求49所述的至少一种机器可读介质,其中,当激活的应用程序被激活时,所述传感器的至少一种操作被改变。
51.一种系统,包括:
传感器设备,其包括用于生成传感器数据的传感器,所述传感器设备被嵌入在患者体内的矫形外科植入物中;
计算设备,所述计算设备包括:
处理电路;和
包括指令的存储器,所述指令当由处理电路执行时致使所述处理电路执行操作以:
接收与从患者的矫形外科手术恢复相关的患者特定目标;
将患者特定目标转换为一个或多个量度的集合;
使用经过训练的机器学习模型和传感器数据来确定所述一个或多个量度的集合中的量度是否得到满足;
响应于确定所述一个或多个量度的集合中的所有量度均得到满足,而输出已经实现了患者特定目标的指示;并且
响应于确定所述一个或多个量度的集合中的量度没有得到满足,而输出与该量度相对应的指示。
52.根据权利要求51所述的系统,其中,与所述量度相对应的指示包括所识别的用于改进所述量度的锻炼。
53.根据权利要求51所述的系统,其中,与所述量度相对应的指示包括对所述患者特定目标何时实现的预测日期。
54.根据权利要求51所述的系统,其中,所述一个或多个量度包括关节的运动范围。
55.根据权利要求51所述的系统,其中,使用具有量度完成标记的历史传感器数据来训练所述经过训练的机器学习模型。
56.根据权利要求51所述的系统,其中,已经实现了所述患者特定目标的指示包括与第二患者特定目标相对应的信息。
57.根据权利要求51所述的系统,其中,所述患者特定目标包括生命活动的识别,并且其中所述一个或多个量度的集合包括对应于所述生命活动的运动范围。
58.根据权利要求51所述的系统,其中,所述患者特定目标是经由患者在用户界面上对所述患者特定目标的选择来接收的。
59.根据权利要求51所述的系统,其中,所述操作还致使所述处理电路向所述传感器设备发送激活存储在所述传感器设备的存储器中的多个应用程序之一的指示,所述多个应用程序被预先配置为在监管系统下进行验证,并且其中所接收到的传感器数据是根据激活的应用程序生成的。
60.根据权利要求59所述的系统,其中,当激活的应用程序被激活时,所述传感器的至少一种操作被改变。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163222665P | 2021-07-16 | 2021-07-16 | |
US63/222,665 | 2021-07-16 | ||
PCT/US2022/037284 WO2023288060A1 (en) | 2021-07-16 | 2022-07-15 | Dynamic sensing and intervention system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117916812A true CN117916812A (zh) | 2024-04-19 |
Family
ID=82851544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280049858.XA Pending CN117916812A (zh) | 2021-07-16 | 2022-07-15 | 动态感测和干预系统 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP4371128A1 (zh) |
CN (1) | CN117916812A (zh) |
AU (1) | AU2022311928A1 (zh) |
CA (1) | CA3226161A1 (zh) |
WO (1) | WO2023288060A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113329692A (zh) * | 2018-12-13 | 2021-08-31 | 美商阈限科学公司 | 用于使用根据带注释的信号数据训练得到的统计模型的设备的系统和方法 |
US20200352441A1 (en) * | 2019-05-08 | 2020-11-12 | Orhan Soykan | Efficient Monitoring, Recording, and Analyzing of Physiological Signals |
SG11202113172TA (en) * | 2019-06-06 | 2021-12-30 | Canary Medical Inc | Intelligent joint prosthesis |
-
2022
- 2022-07-15 CN CN202280049858.XA patent/CN117916812A/zh active Pending
- 2022-07-15 AU AU2022311928A patent/AU2022311928A1/en active Pending
- 2022-07-15 CA CA3226161A patent/CA3226161A1/en active Pending
- 2022-07-15 WO PCT/US2022/037284 patent/WO2023288060A1/en active Application Filing
- 2022-07-15 EP EP22754226.3A patent/EP4371128A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
AU2022311928A1 (en) | 2024-02-01 |
WO2023288060A1 (en) | 2023-01-19 |
CA3226161A1 (en) | 2023-01-19 |
EP4371128A1 (en) | 2024-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baskar et al. | A dynamic and interoperable communication framework for controlling the operations of wearable sensors in smart healthcare applications | |
US11967422B2 (en) | Robotically-assisted surgical procedure feedback techniques | |
Fortino et al. | Enabling effective programming and flexible management of efficient body sensor network applications | |
Mukhopadhyay | Wearable sensors for human activity monitoring: A review | |
AU2017339467A1 (en) | Predictive telerehabilitation technology and user interface | |
US20130218053A1 (en) | System comprised of sensors, communications, processing and inference on servers and other devices | |
KR102140229B1 (ko) | 운동기능 평가 시스템 및 방법 | |
US20220409098A1 (en) | A wearable device for determining motion and/or a physiological state of a wearer | |
Sousa et al. | mHealth sensors and applications for personal aid | |
CN105748037A (zh) | 具有用于患脊柱侧凸的患者的生物反馈系统的体感背心 | |
EP3790019A1 (en) | Robotically-assisted surgical procedure feedback techniques based on care management data | |
Dong et al. | Wearable networked sensing for human mobility and activity analytics: A systems study | |
AU2021284267A1 (en) | Glucose measurement predictions using stacked machine learning models | |
Bleser et al. | Development of an inertial motion capture system for clinical application: Potentials and challenges from the technology and application perspectives | |
Soni | An IoT based patient health monitoring system | |
Ahanger | IoT inspired smart environment for personal healthcare in gym | |
Rezayi et al. | Design and evaluation of a wearable smart blanket system for monitoring vital signs of patients in an ambulance | |
US20210375447A1 (en) | Glucose prediction using machine learning and time series glucose measurements | |
KR102233725B1 (ko) | 5g 기반의 멀티 헬스케어 서비스 스마트홈 플랫폼 시스템 및 그 구동 방법 | |
US20240032820A1 (en) | System and method for self-learning and reference tuning activity monitor | |
CN117916812A (zh) | 动态感测和干预系统 | |
EP4177903A1 (en) | Body area network having sensing capability | |
Varsha et al. | IoT in modern healthcare systems focused on neuroscience disorders and mental health | |
Puryear | A modular framework for home healthcare monitoring | |
Kuusik et al. | Wearable system for patient motor condition assessment and training 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 |