CN117999614A - 用于自动发现时间系列趋势而无需插补的系统和方法 - Google Patents

Abstract

一种用于自动预测临床状态的方法(100)，包括：接收(120)临床状态的一组参数定义，所述一组参数定义包括偏离值的定义、偏离时间的定义、值阈值的定义和值时间的定义；接收(130)患者的至少一个特征的多个测量结果，所述多个测量结果是在一段时间内获取的；在患者的至少一个特征的所述多个测量结果中识别(140)预测所述临床状态的偏离和/或异常，包括：基于对偏离和/或异常的识别来预测(150)所述患者易患所述临床状态或正在经历所述临床状态；以及经由事件监测系统的用户接口提供(160)所述患者易患所述临床状态或正在经历所述临床状态的警告。

Description

用于自动发现时间系列趋势而无需插补的系统和方法

技术领域

本公开内容总体上涉及使用事件监测系统来自动预测临床状态的系统和方法。

背景技术

众所周知，临床时间系列数据对于提供患者的状况信息非常有用。临床医生在信息方面跟踪生命体征的时间趋势以监测患者，这包括两种类型趋势中的一者或两者：随时间的偏离，以及随时间的异常值。例如，诸如快速心率升高之类的偏离可以指示疼痛或激动，而诸如持续低血压之类的异常值可以指示休克发作。

然而，对于大多数患者状况，并不能很好地定义趋势随时间的量化定义。传统上，任何趋势跟踪都基于单个临床医生的经验和心理模型。例如，临床医生可能很难量化第一示例中的“快速心率升高”(例如，在10分钟内升高50BPM是否是快速心率升高？)或第二示例中的“持续低血压”(例如，持续20分钟的低于70mmHg的收缩压是否是异常值？)。

另外，处理临床时间系列数据的挑战之一是它们是不规则采样的。许多计算模型和技术要求规则的样本。为了克服这一点，通常进行数据插补，以便在采样时间之间进行插值。然而，这改变了数据并且可能创建导致预测不准确的伪像。

现有的临床时间系列模式挖掘的前沿方法主要是递归神经网络(RNN)。然而，RNN因缺乏可解读性而声名狼藉。任何发现的模式都被隐藏在众多的神经网络系数中，这对临床医生来说仍然难以理解。另外，RNN比本发明的实施方式在计算上更加昂贵，本发明的实施方式对于每个时间系列只要求两到四个阈值参数。

发明内容

因此，在本领域中一直需要根据临床数据来自动定义量化时间趋势并实现自动监测患者的系统和方法。

本公开内容涉及使用事件监测系统和多个患者特征来自动预测临床状态的创造性方法和系统。本文中的各种实施例和实施方式涉及从大数据时间系列中自动识别量化趋势而无需插补的系统。该系统识别支持临床医生分析的偏离和临界值，并且对于临床医生来说是易于理解且值得信任的。该系统被编程有或以其他方式提供有临床状态的一组参数定义，包括偏离值的定义、偏离时间的定义、值阈值的定义和值时间的定义。该系统接收在一段时间内获取的一个或多个患者的多个测量结果。然后，该系统在患者的至少一个特征的多个测量结果中识别预测临床状态的偏离和/或异常。为了识别偏离，该系统将接收到的患者的多个测量结果与所定义的偏离值和所定义的偏离时间进行比较，并且如果接收到的在一段时间内获取的患者的多个测量结果高于所定义的偏离值并且低于所定义的偏离时间，则识别出偏离。为了识别异常，该系统将接收到的患者的多个测量结果与所定义的值阈值和所定义的值时间进行比较，并且如果接收到的在一段时间内获取的患者的多个测量结果高于所定义的值阈值并且低于所定义的值时间，则识别出异常。该系统基于对偏离和/或异常的识别来预测患者易患临床状态或正在经历临床状态。该系统经由用户接口提供患者易患临床状态或正在经历临床状态的警告。

通常，在一个方面，提供了一种用于使用事件监测系统来自动预测临床状态的方法。所述方法包括：接收临床状态的一组参数定义，所述一组参数定义包括偏离值的定义、偏离时间的定义、值阈值的定义和值时间的定义；接收患者的至少一个特征的多个测量结果，所述多个测量结果是在一段时间内获取的；在患者的至少一个特征的所述多个测量结果中识别预测所述临床状态的偏离和/或异常，包括：(i)使用所述事件监测系统的批量偏离检测模块将接收到的所述患者的多个测量结果与所定义的偏离值和所定义的偏离时间进行比较；以及(ii)基于所述比较的步骤，如果接收到的在所述一段时间内获取的所述患者的多个测量结果高于所定义的偏离值并且低于所定义的偏离时间，则识别出偏离；并且/或者(iii)使用所述事件监测系统的所述批量偏离检测模块将接收到的所述患者的多个测量结果与所定义的值阈值和所定义的值时间进行比较；以及(iv)基于所述比较的步骤，如果接收到的在所述一段时间内获取的所述患者的多个测量结果高于所定义的值阈值并且低于所定义的值时间，则识别出异常；基于对偏离和/或异常的识别来预测所述患者易患所述临床状态或正在经历所述临床状态；并且经由所述事件监测系统的用户接口提供所述患者易患所述临床状态或正在经历所述临床状态的警告。

根据实施例，所述多个测量结果包括多个患者的测量结果，并且所述方法还包括按所述多个患者中的个体患者来组织所述多个测量结果的步骤。

根据实施例，所述方法还包括从接收到的多个测量结果中提取一个或多个特征的步骤。

根据实施例，所述特征是生命体征、实验室结果和/或临床评分。

根据实施例，所述方法还包括以下步骤：接收包括多个患者的医学信息和临床状态信息的训练数据；从接收到的训练数据中提取多个特征；以及训练所述批量偏离检测模块。

根据实施例，所述事件监测系统包括临床护理系统，所述临床护理系统被配置为监测患者的多个生命体征，并且其中，所述事件监测系统的所述用户接口包括所监测的所述患者的多个生命体征的显示，并且其中，所述患者易患所述临床状态或正在经历所述临床状态的所述警告包括所述显示上的文本警告。

根据实施例，所述事件监测系统用于在所述事件监测系统的训练期间确定临床状态的一组参数定义。

根据一个方面，提供了一种事件监测系统。所述系统包括：临床状态的一组参数定义，所述一组参数定义包括偏离值的定义、偏离时间的定义、值阈值的定义和值时间的定义；患者的至少一个特征的多个测量结果，所述多个测量结果是在一段时间内获取的；经训练的批量偏离检测模块；处理器，其被配置为在患者的至少一个特征的所述多个测量结果中识别预测所述临床状态的偏离和/或异常，包括：(i)使用所述事件监测系统的批量偏离检测模块将接收到的所述患者的多个测量结果与所定义的偏离值和所定义的偏离时间进行比较；(ii)基于所述比较的步骤，如果接收到的在所述一段时间内获取的所述患者的多个测量结果高于所定义的偏离值并且低于所定义的偏离时间，则识别出偏离；(iii)使用所述事件监测系统的所述批量偏离检测模块将接收到的所述患者的多个测量结果与所定义的值阈值和所定义的值时间进行比较；以及(iv)基于所述比较的步骤，如果接收到的在所述一段时间内获取的所述患者的多个测量结果高于所定义的值阈值并且低于所定义的值时间，则识别出异常；所述处理器还被配置为基于对偏离和/或异常的识别来预测所述患者易患所述临床状态或正在经历所述临床状态；以及用户接口，其被配置为提供所述患者易患所述临床状态或正在经历所述临床状态的警告。

在各种实施方式中，处理器或控制器可以与一种或多种存储介质(在本文中被统称为“存储器”，例如，易失性和非易失性计算机存储器，例如，RAM、PROM、EPROM和EEPROM、软盘、压缩盘、光盘、磁带等)相关联。在一些实施方式中，存储介质可以被编码有一个或多个程序，当在一个或多个处理器和/或控制器上执行这一个或多个程序时，这一个或多个程序执行本文讨论的至少一些功能。各种存储介质可以被固定在处理器或控制器内，也可以是可移动的，使得存储在其上的一个或多个程序能够被加载到处理器或控制器中，以便实施本文讨论的本发明的各个方面。术语“程序”或“计算机程序”在本文中以一般意义使用，它指的是能够用于对一个或多个处理器或控制器编程的任何类型的计算机代码(例如，软件或微代码)。

在一个网络实施方式中，耦合到网络的一个或多个设备可以充当(例如以主/从关系)用于耦合到网络的一个或多个其他设备的控制器。在另一实施方式中，联网环境可以包括一个或多个专用控制器，这一个或多个专用控制器被配置为控制耦合到网络的设备中的一个或多个设备。通常，耦合到网络的多个设备均可以访问存在于一种或多种通信介质上的数据；然而，给定设备可以是“可寻址”的，因为它被配置为基于例如分配给它的一个或多个特定标识符(例如，“地址”)与网络选择性地交换数据(即，从网络接收数据和/或向网络发送数据)。

本文使用的术语“网络”指的是两个或更多个设备(包括控制器或处理器)的任何互连，其有助于在任何两个或更多个设备之间和/或在耦合到网络的多个设备之间的信息传输(例如，用于设备控制、数据存储、数据交换等)。应当容易意识到，适合于互连多个设备的网络的各种实施方式可以包括各种网络拓扑中的任一种，并且采用各种通信协议中的任一种。另外，在根据本公开内容的各种网络中，两个设备之间的任何一个连接都可以表示两个系统之间的专用连接，或者替代地表示非专用连接。除了承载这两个设备的信息之外，这样的非专用连接还可以承载不一定针对这两个设备中的任一个设备的信息(例如，开放网络连接)。此外，应当容易意识到，本文讨论的各种设备网络可以采用一种或多种无线、有线/电缆和/或光纤链路来促进整个网络中的信息传输。

应当意识到，前述构思和下面更详细讨论的其他构思的所有组合(假设这些构思并不相互冲突)被认为是本文公开的发明主题的部分。特别地，出现在本公开内容末尾的要求保护的主题的所有组合都被认为是本文公开的发明主题的部分。还应当意识到，本文明确使用的、也可能出现在通过引用并入的任何公开内容中的术语应当被赋予与本文公开的具体构思最一致的含义。

附图说明

在附图中，贯穿不同的视图，相同的附图标记通常指代相同的部分。而且，附图不一定是按比例绘制的，而是通常将重点放在说明本发明的原理上。

图1是根据实施例的用于识别随时间获取的患者的多个测量结果中的偏离和/或异常的方法的流程图。

图2是根据实施例的用于识别随时间获取的患者的多个测量结果中的偏离和/或异常的方法的流程图。

图3是根据实施例的用于患者事件检测的方法的流程图。

图4是根据实施例的用于患者事件检测的方法的流程图。

图5是根据实施例的用于训练分类器的方法的流程图。

图6是根据实施例的用于识别随时间获取的患者的多个测量结果中的偏离和/或异常的系统的示意图。

图7是根据实施例的示例性AKI患者的图形。

图8是根据实施例的示例性非AKI患者的图形。

图9是根据实施例的事件检测系统的示例。

具体实施方式

本公开内容描述了患者监测系统的各种实施例，该患者监测系统被配置为自动识别随时间获取的患者的多个测量结果中的偏离和/或异常。更一般地，申请人已经认识到：提供能够自动预测患者临床状态的患者监测系统将是有益的。鉴于前述内容，各种实施例和实施方式涉及监测系统，该监测系统被编程有或以其他方式提供有临床状态的一组参数定义，包括偏离值的定义、偏离时间的定义、值阈值的定义和值时间的定义。该系统接收在一段时间内获取的一个或多个患者的多个测量结果。然后，该系统在患者的至少一个特征的多个测量结果中识别预测临床状态的偏离和/或异常。为了识别偏离，该系统将接收到的患者的多个测量结果与所定义的偏离值和所定义的偏离时间进行比较，并且如果接收到的在一段时间内获取的患者的多个测量结果高于所定义的偏离值并且低于所定义的偏离时间，则识别出偏离。为了识别异常，该系统将接收到的患者的多个测量结果与所定义的值阈值和所定义的值时间进行比较，并且如果接收到的在一段时间内获取的患者的多个测量结果高于所定义的值阈值并且低于所定义的值时间，则识别出异常。该系统基于对偏离和/或异常的识别来预测患者易患临床状态或正在经历临床状态。该系统经由用户接口提供患者易患临床状态或正在经历临床状态的警告。

因此，患者监测系统包括用于通过识别时间事件来检测感兴趣的患者状态的方法，所述感兴趣的患者状态例如为休克、血液动力学不稳定和许多其他状态。根据实施例，当患者时间系列(作为一个示例，例如在一个小时内测量的血压)与量化定义的随时间的趋势相匹配时，时间事件发生。根据实施例，临床状态是通过监测患者的时间系列趋势而预测的患者状况。例如，临床状态可以是患者出现休克、血液动力学不稳定和许多其他状况。

本文公开的或以其他方式设想的实施例和实施方式能够与任何监测系统(包括但不限于医学监测设备或系统)一起使用。例如，本文的实施例和实施方式的一个应用是改进医学监测系统，例如，飞利浦患者监测系统(由皇家飞利浦股份有限公司制造)。然而，本公开内容不限于医学监测设备或系统，因此本文公开的公开内容和实施例能够涵盖任何监测设备或系统。

参考图1，图1是用于使用事件监测系统来自动预测临床状态的方法100的流程图。在该方法的步骤110处，提供事件监测系统。事件监测系统能够是本文描述的或以其他方式设想的任何系统。根据一个实施例，事件监测系统能够是永久安装的，也能够是手持的或其他便携式设备，例如，个人设备，如智能手机、平板电脑或其他设备。替代地，事件监测系统能够是医学监测设备或系统或者医学监测设备或系统的部件。

在该方法的步骤120处，事件监测系统接收、访问、被编程有或被设置有或以其他方式获得针对临床状态的参数集或以其他方式与临床状态相关的参数集。如本文所描述的或以其他方式设想的，事件监测系统分析包括诸如患者测量结果之类的数据的患者数据，以识别指示临床状态的可能性或概率的随时间的偏离和/或异常。为了识别患者数据中的偏离和/或异常，事件监测系统需要参数集来分析患者数据。根据实施例，能够利用一个或多个临床状态的参数集来制造或编程事件监测系统。根据实施例，事件监测系统包括用于许多不同临床状态的参数集。

根据实施例，由事件监测系统接收或获得的参数集包括以下参数中的一个或多个参数：(i)偏离值的定义；(ii)偏离时间的定义；(iii)值阈值的定义(如本文所使用的术语“值阈值”(也被称为“v_value”)是临床状态参数的阈值)；以及(iv)值时间的定义。根据实施例，由事件监测系统接收或获得的参数集还包括以下各项中的一项或多项：(i)偏离方向；以及(ii)值方向。偏离/值方向参数管控时间系列数据变化的方向，并且它们能够是+的(指示增大)或－的(指示减小)。这使得模型能够学习哪个方向最好地预测感兴趣的生理状况。本文将进一步讨论和描述这些参数。

存在无限数量的示例性临床状态和相关联的参数。本文讨论了几个非限制性的示例。例如，临床状态可以是休克。能够用于休克的参数包括血压(例如，通过有创(动脉线或中心线)测量的血压和血压袖带测量值)、心率(例如，通过ECG测量的心率)和/或实验室值(例如，血红蛋白、血细胞比容、乳酸、钙和其他测量结果)。作为另一示例，临床状态可以是急性呼吸窘迫(ARDS)。能够用于ARDS的参数包括心率(例如，通过ECG测量的心率)、SpO₂(例如，通过血氧测定法测量的SpO₂)和/或通气参数(包括FiO₂和PEEP)。作为另一示例，临床状态可以是感染或败血症。能够用于感染或败血症的参数包括心率(例如，通过ECG测量的心率)、温度值(例如，通过探头或抽查测量的温度值)和/或实验室值(例如，白细胞计数)。

根据实施例，由事件监测系统接收或获得的参数集被存储在事件监测系统的存储器或其他数据存储结构中以供在系统操作期间检索。例如，能够利用一个或多个临床状态的新的或更新的参数集来周期性地更新事件监测系统。替代地，参数能够被存储或以其他方式托管在远程位置处。因此，当系统将监测临床状态时，事件监测系统能够请求该临床状态的最新参数。因此，事件监测系统能够被设计或配置为与远程服务器、数据库或其他远程元件通信，以便请求和检索或以其他方式获得参数集。例如，由于事件监测系统能够被设计为监测各种各样的临床状态，因此它能够访问远程元件来请求所请求的临床状态的最新参数。

根据实施例，在事件监测系统的训练期间确定或定义一个或多个参数定义。在下面参考图2来描述事件监测系统的训练。

在该方法的步骤130处，事件监测系统接收、访问、被编程有或被设置有或以其他方式获得患者的多个测量结果。这多个测量结果是在一段时间内获取的。根据实施例，这多个测量结果被实时地或以一批或多批数据的形式提供给事件监测系统。事件监测系统可以连续地或周期性地请求一个或多个患者的测量结果。因此，可以实时地提供测量结果或者从患者测量结果的数据库中检索测量结果。例如，事件监测系统可以与本地或远程电子病历数据库通信，并且能够被编程为或以其他方式设计为接收、请求或以其他方式访问患者的测量结果或其他记录。

根据实施例，患者的测量结果包括可能与临床状态相关的任何测量结果。仅举几个示例，测量结果能够包括患者的人口统计数据(例如，年龄、性别等)、诊断或药物治疗状况(例如，心脏病、心理障碍、慢性阻塞性肺病等)、生理生命体征(例如，心率、血压、呼吸频率、氧饱和度等)、遥测警报相关数据(例如，心律失常相关警报(室性心动过速、室性心动过缓、心房颤动、心搏停止等)、生理测量结果(例如，心率、呼吸频率、呼吸暂停、SpO₂、有创动脉压、无创血压等)和/或技术警报(例如，伪像、ECG导联故障、呼吸导联故障、血压传感器故障等)。也可能有许多其他类型的输入数据。

根据实施例，在一段时间内以不规则间隔对患者进行多次测量。例如，可以在下午1:15、1:58、3:05和4:30获取患者的血压。间隔(35分钟、67分钟和85分钟)是非常不规则的。然而，因为事件监测系统已经被训练为处理以不规则间隔获取的测量结果，所以该系统仍然能够分析数据以识别偏离和/或异常。事实上，事件监测系统分析在一段时间内以不规则间隔获取的患者测量结果的能力只是新颖的事件监测系统提供的许多优点之一。

在该方法的任选步骤132处，事件监测系统分析在步骤130中接收的数据，并且组织数据以将其按个体患者分开，或者以其他方式按个体患者标记或识别数据。将使用患者标识符或其他标识将接收到的测量结果中的数据点与特定患者相关联。因此，能够利用患者标识符将多个测量结果组织成个人i、个人i+1等的测量结果。相应地，该系统可以被设计为或以其他方式配置为仅监测单个患者的数据。相应地，该系统被配置为使用患者标识符仅识别与单个患者相关的测量结果。在这种情况下，该系统只能从接收到的数据中提取出相关的测量结果。可以对所组织的测量结果适当进行加标记或加标签，或者给所组织的测量结果提供存储器中的标识符，或者事件监测系统能够将个体患者组织或分开的测量结果存储在存储器中。

在该方法的任选步骤134处，事件监测系统从患者的多个测量结果中提取一个或多个特征。这能够通过用于特征识别、提取和/或处理的各种实施例来实现，包括用于从数据集中提取特征的任何方法。事件监测系统的特征处理步骤或模块的结果是一组与关于患者的测量结果有关的特征。

在该方法的步骤140处，事件监测系统在患者的至少一个特征的多个测量结果中识别预测或潜在地预测临床状态的偏离和/或异常。能够用许多不同的方式来识别预测临床状态的可能性或概率的偏离和/或异常。根据实施例，本文描述的或以其他方式设想的事件监测系统如在以下步骤中描述的那样识别偏离和/或异常，但是也可以用其他方法。

参考图2中的流程图，为了识别偏离和/或异常，在该方法的步骤142处，事件监测系统使用事件监测系统的批量偏离检测模块将接收到的患者的多个测量结果与所定义的偏离值和所定义的偏离时间进行比较。参考图3，例如，图3是该方法的流程图，其中主要包括多个患者的一组大量时间系列数据和首先按患者组织的多个特征。每个患者的所有特征的原始时间系列数据通过系统的批量特征事件检测模块，该批量特征事件检测模块计算特定特征是否匹配特征事件准则。批量特征事件检测模块使用临床状态的参数集来寻找时间趋势，包括随时间的偏离和/或随时间的异常值。在该步骤中，批量特征事件检测模块使用所定义的偏离值、所定义的偏离时间和/或所定义的偏离方向中的一项或多项来寻找随时间的偏离。

在该方法的步骤144处，基于所述比较的步骤，如果接收到的在一段时间内获取的患者的多个测量结果中的一些或全部测量结果高于所定义的偏离值并且低于所定义的偏离时间，则事件监测系统识别出偏离。

在该方法的步骤146处，事件监测系统使用事件监测系统的批量偏离检测模块将接收到的患者的多个测量结果与所定义的值阈值和所定义的值时间进行比较。参考图3，每个患者的所有特征的原始时间系列数据通过系统的批量特征事件检测模块，该批量特征事件检测模块计算特定特征是否匹配特征事件准则。批量特征事件检测模块使用临床状态的参数集来寻找时间趋势，包括随时间的偏离和/或随时间的异常值。在该步骤中，批量特征事件检测模块使用所定义的值阈值、所定义的值时间和/或值偏离方向中的一项或多项来寻找随时间的异常值。

在该方法的步骤148处，基于所述比较的步骤，如果接收到的在一段时间内获取的患者的多个测量结果高于所定义的值阈值并且低于所定义的值时间，则事件监测系统识别出异常。

参考图4，在一个实施例中，图4是事件监测系统的部分300。随时间(t₁…t_N)的患者特征(x₁…x_N)被馈送到系统的批量特征事件检测模块。根据实施例，批量特征事件检测模块包括批量偏离检测模块和批量异常值检测模块。批量偏离检测模块计算在[dt_dev]下的短时间量内是否存在大于[v_dev]的显著偏离(增大或减小)，并且批量异常值检测模块计算该值是否在显著时间量[dt_value]内保持高于或低于生理临界阈值[v_value]的异常。

以下伪代码示出了两个模块(批量偏离检测模块和批量异常值检测模块)的计算公式的示例。这仅仅是为了说明而提供的，因此是非限制性示例。

批量异常值检测伪代码

批量偏离检测伪代码

根据实施例，能够使用大多数优化技术(包括梯度下降和贝叶斯优化(hyperopt))迭代地找到时间参数(包括但不限于dir_value、t_value、v_value、dir_dev、t_dev、v_dev)。患者事件的批处理使得能够快速地迭代和优化时间参数。

根据实施例，临床医生或其他实体最初将时间参数(包括但不限于dir_value、t_value、v_value、dir_dev、t_dev、v_dev)设置在预测可能范围内或附近。随着对训练数据的分析，这些参数可能会得到优化。然后，事件监测系统能够利用所确定的参数。

在该方法的步骤150处，事件监测系统基于对偏离和/或异常的识别来预测患者易患临床状态或正在经历临床状态。参考图3，如果满足所有特征事件，则将患者标记为“是”或“Y”(即，患者易患临床状态或正在经历临床状态)。在临床上，特征事件发生(Y)指示患者满足临床医生正在寻找的时间趋势，从而使该患者极有可能发展为感兴趣的临床状态。特征事件可以包括一个或多个特征。

在该方法的步骤160处，事件监测系统经由事件监测系统的用户接口提供患者易患临床状态或正在经历临床状态的警告。有许多方式能显示这些信息，可以本地显示，也可以远程显示。

参考图5，图5是根据实施例的用于训练事件监测系统的方法500的流程图。根据实施例，事件监测系统包括机器学习算法(也被称为分类器)，所述机器学习算法已被训练为基于在[dt_dev]下的短时间量内是否存在大于[v_dev]的显著偏离(增大或减小)并且/或者该值是否在显著时间量[dt_value]内保持高于或低于生理临界阈值[v_value]的异常来确定患者易患临床状态或正在经历临床状态。例如，批量特征事件检测模块(能够包括批量偏离检测模块和批量异常值检测模块)能够包括一种或多种机器学习算法。能够使用历史数据的数据集来训练事件监测系统的机器学习算法，该数据集包括多个患者中的每个患者的患者医学信息，包括临床状态的发展或未发展。从历史患者信息中提取特征并将其用于训练事件监测系统的机器学习算法。

根据实施例，事件监测系统可以整体或部分地包含在设备中。例如，整个事件监测系统可以包含在单个设备(例如，手持式设备、膝上型电脑、计算机或其他单个设备)中。替代地，事件监测系统可以包括可移动的用户接口(例如，手持式设备、移动电话应用、计算机或其他用作接收信息的用户接口的可移动元件)。该设备将该信息传送给事件监测系统的另一远程部件进行分析。然后可以将事件监测系统的结果传送回可移动的用户接口。

在该方法的步骤510处，事件监测系统接收包括关于多个患者的训练数据的输入数据。训练数据能够包括关于患者中的每个患者的医学信息，包括但不限于人口统计信息、生理测量结果(例如，生命体征数据)、身体观察结果和/或诊断结果以及许多其他类型的医学信息。例如，医学信息能够包括关于患者人口统计信息的详细信息(例如，年龄、性别等)、诊断或药物治疗状况(例如，心脏病、心理障碍、慢性阻塞性肺病等)、生理生命体征(例如，心率、血压、呼吸频率、氧饱和度等)和/或生理数据(例如，心率、呼吸频率、呼吸暂停、SpO₂、有创动脉压、无创血压等)。也可能有许多其他类型的医学信息。

训练数据还可以包括关于患者是否发展成事件监测系统将监测的临床状态的指示或信息。例如，训练数据可以揭示患者p在时间t时发生休克以及测量结果、实验室数据和/或随时间对p获取的其他信息。另外，训练数据可以揭示患者p+1根本没有发生休克以及测量结果、实验室数据和/或随时间对p+1获取的其他信息。

可以将该训练数据存储在一个或多个数据库中并且/或者从一个或多个数据库接收该训练数据。数据库可以是本地和/或远程数据库。例如，事件监测系统可以包括训练数据的数据库。

根据实施例，事件监测系统可以包括被配置为处理接收到的训练数据的数据预处理器或类似的部件或算法。例如，数据预处理器分析训练数据以去除噪声、偏差、误差和其他潜在问题。数据预处理器还可以分析输入数据以去除低质量数据。也可能有许多其他形式的数据预处理或数据点识别和/或提取。

在该方法的步骤520处，系统从接收到的训练数据中提取患者特征。这能够通过用于特征识别、提取和/或处理的各种实施例(包括任何用于从数据集中提取特征的方法)来实现。事件监测系统的特征处理步骤或模块的结果是与关于患者的医学信息和临床状态有关的一组患者特征，其因此包括能够用于训练分类器的训练数据集。

在该方法的步骤530处，系统训练机器学习算法，该机器学习算法将是如本文所描述的或以其他方式设想的用于分析患者信息的分类器。根据用于训练机器学习算法的已知方法，使用所提取的特征来训练机器学习算法。在步骤530之后，事件监测系统包括经训练的分类器，该经训练的分类器能够用于对患者状态进行分类并且提供对患者处于临床状态或发展成临床状态的可能性的预测。经训练的分类器能够是静态的，使得只将它训练一次就用于分类。根据另一实施例，经训练的分类器能够更加动态，使得使用随后可用的训练数据来更新或重新训练它。更新或重新训练能够是恒定的，也能够是周期性的。

参考图6，在一个实施例中，图6是事件监测系统600的示意图。系统600可以是本文描述的或以其他方式设想的任何系统，并且可以包括本文描述的或以其他方式设想的任何部件。

根据实施例，系统600包括经由一条或多条系统总线612互连的处理器620、存储器630、用户接口640、通信接口650和存储装置660中的一项或多项。将会理解，图6在某些方面构成了一种抽象，并且系统600的部件的实际组织方式可以不同于所示的情况并且比所示的情况更为复杂。

根据实施例，系统600包括处理器620，处理器620能够执行在存储器630或存储装置660中存储的指令或者以其他方式处理数据，以例如执行该方法的一个或多个步骤。处理器620可以由一个或多个模块构成。处理器620可以采取任何合适的形式，包括但不限于微处理器、微控制器、多个微控制器、电路、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、单个处理器或多个处理器。

存储器630能够采取任何合适的形式，包括非易失性存储器和/或RAM。存储器630可以包括各种存储器，例如，L1、L2或L3高速缓冲存储器或系统存储器。正因如此，存储器630可以包括静态随机存取存储器(SRAM)、动态RAM(DRAM)、闪速存储器、只读存储器(ROM)或其他类似的存储器设备。存储器能够存储操作系统等。处理器使用RAM来临时存储数据。根据实施例，操作系统可以包含代码，该代码在由处理器执行时控制系统600的一个或多个部件的操作。显而易见的是，在处理器以硬件实施本文描述的一种或多种功能的实施例中，可以省去在其他实施例中被描述为对应于这种功能的软件。

用户接口640可以包括一个或多个用于实现与用户通信的设备。用户接口能够是任何允许传送和/或接收信息的设备或系统，并且可以包括用于接收用户命令的显示器、鼠标和/或键盘。在一些实施例中，用户接口640可以包括命令行接口或图形用户接口，其可以经由通信接口650被呈现给远程终端。用户接口可以位于系统的一个或多个其他部件中，也可以位于远离系统的位置并且经由有线和/或无线通信网络进行通信。

通信接口650可以包括一个或多个用于实现与其他硬件设备通信的设备。例如，通信接口650可以包括被配置为根据以太网协议进行通信的网络接口卡(NIC)。另外，通信接口650可以根据TCP/IP协议实施用于通信的TCP/IP栈。通信接口650的各种替代或补充硬件或配置将是显而易见的。

存储装置660可以包括一种或多种机器可读存储介质，例如，只读存储器(ROM)、随机存取存储器(RAM)、磁盘存储介质、光学存储介质、闪存设备或类似的存储介质。在各种实施例中，存储装置660可以存储由处理器620执行的指令或者处理器620可以操作的数据。例如，存储装置660可以存储用于控制系统600的各种操作的操作系统661。

显而易见的是，被描述为存储在存储装置660中的各种信息可以额外地或替代地存储在存储器630中。在这方面，存储器630也可以被认为构成了存储设备，并且存储装置660可以被认为是存储器。各种其他布置将是显而易见的。另外，存储器630和存储装置660都可以被认为是非瞬态机器可读介质。如本文所使用的术语“非瞬态”将被理解为排除瞬态信号，但是包括所有形式的存储装置，包括易失性存储器和非易失性存储器。

虽然系统600被示为针对每个描述的部件包括其一个部件，但是在各种实施例中，各种部件可以是重复的。例如，处理器620可以包括多个微处理器，这多个微处理器被配置为独立地执行本文描述的方法，或者被配置为执行本文描述的方法的步骤或子例程，使得这多个处理器协作来实现本文描述的功能。另外，在云计算系统中实施系统600的一个或多个部件的情况下，各种硬件部件可以属于单独的物理系统。例如，处理器620可以包括第一服务器中的第一处理器和第二服务器中的第二处理器。可以可能有许多其他变化和配置。

根据实施例，系统600可以包括数据库或数据源615，或者与数据库或数据源615远程或本地通信。数据库615可以是单个数据库或数据源或多个数据库或数据源。数据库615可以包括如本文所描述和/或设想的可以用于训练分类器的输入数据。

根据实施例，系统600的存储装置660可以存储一种或多种算法和/或一个或多个指令以执行本文描述的或以其他方式设想的方法的一种或多种功能或一个或多个步骤。例如，系统可以包括数据处理指令662、训练指令663、偏离检测模块664、异常值检测模块665和/或报告指令667中的一项或多项。

根据实施例，数据处理指令662指导系统来检索和处理输入数据，该输入数据用于：(i)使用训练指令663来训练分类器664/665，或者(ii)使用经训练的分类器664/665对患者执行分析。数据处理指令662指导系统例如根据需要(例如从数据库615以及许多其他可能的来源)接收或检索系统要使用的输入数据或医学数据。如上所述，输入数据能够包括来自各种来源的各种输入类型。

根据实施例，数据处理指令662还指导系统来处理输入数据以生成与多个患者的医学信息有关的多个特征，这多个特征用于训练分类器。这能够通过用于特征识别、提取和/或处理的各种实施例来实现。特征处理的结果是一组与对先前监测的患者群的遥测监测有关的特征，这组特征因此包括能够用于训练分类器的训练数据集。

根据实施例，训练指令663指导系统利用经处理的数据来训练分类器664/665。分类器能够是足以利用所提供的输入数据的类型的任何机器学习分类器。因此，该系统包括经训练的分类器，所述经训练的分类器被配置为确定患者处于或发展成临床状态的可能性的预测结果。

根据实施例，报告指令667指导系统生成并且提供报告，该报告指示患者处于或发展成临床状态的可能性的预测结果。报告指令667还指导系统在系统的显示器上显示报告。这种显示可以包括关于患者的信息、参数、患者的输入数据和/或患者处于或发展成临床状态的可能性。也可能是其他信息。替代地，可以通过有线和/或无线通信将报告传送到另一设备。例如，系统可以将报告传送给移动电话、计算机、膝上型电脑、可穿戴设备和/或被配置为允许报告的显示和/或其他通信的任何其他设备。

示例1

下面讨论了可能如何利用事件监测系统的两个示例。将意识到，这些示例是非限制性的。

一些患者监测器具有事件监视监测功能，其中，临床医生能够设置偏离和异常值检测来实时监测患者。由于缺乏对不同临床状况的时间趋势定义，因此还没有广泛使用这种功能。通常，要想出量化的时间趋势定义，需要召集一组临床意见领袖并且想出一致的准则。这个过程既昂贵又耗时，而且一致的定义缺乏使用临床数据进行的验证。利用本文描述的或以其他方式设想的事件监测系统，人们将能够同时自动发现和验证时间趋势准则。这将使事件监视监测功能能够轻松地为不同的患者状况添加预设。该系统也是一种工具，医院能够使用这种工具来查找来自自己医院的数据的时间趋势定义并且将这些医院特异性时间准则应用于他们的监测器。

为了演示，本文描述的或以其他方式设想的事件监测系统被用来发现预测休克的重要趋势。存在这样一个数据集，其中已经标记了指示可能的休克的血液动力学干预。血液动力学不稳定的患者只占所有患者的一小部分(10％左右)，这使得检测具有高召回率的不稳定患者变得困难。事件监测系统用于识别其血流动力学不稳定被密切监测的三种生命体征的时间模式。所发现的时间趋势参数有：

心率：

在至少17.0分钟内大于161.0

或者，在15.0分钟内下降了41.0

SpO₂：

在至少36.0分钟内低于85.0

或者，在17.0分钟内下降了22.0

系统平均值：

在至少6.0分钟内小于65.0

或者，在1.0分钟内下降了56.0

能够将这些时间趋势直接应用于事件监测平台上的“休克检测”功能。临床医生只需打开“休克检测”高级事件监控就能在他们的患者匹配时间事件时收到警告。

通过使用这里发现的时间趋势，人们能够检测出血液动力学不稳定的患者，其召回率为0.46并且PPV为0.60。这意味着46％的不稳定患者被发现，同时以40％的假阳性率做出了较少的假阳性预测，这相当于60％的PPV，与机器学习方法相比，这是非常高的PPV，对于像这种数据集的不平衡数据集，机器学习方法通常返回较多的假阳性并且捕捉到较少的真实事件病例。

示例2

通过使用临床评分的时间趋势而不是硬触发，事件监测系统还能够用于提高预测性临床评分的可靠性并降低假阳性率。预测性临床评分整合了来自多个数据源的信息，常常包括高频时间数据。这使得评分容易跳动和波动。典型地，当仅与指示足够大的风险的评分阈值交叉一次时，就向临床医生发出警告。暂时有噪声的评分可能具有错误的阈值交叉，从而导致假警告。

已经表明，当与阈值交叉时并不立即发出警告，而是等待一段时间以使评分保持在阈值区域内，这样得到更好的预测能力。问题是如何设置警告所要求的时间段。事件监测系统允许使用批量异常检测模块自动发现最优等待时段以及最优评分阈值。

下面的图7和图8提供了用于使用患者数据来预测急性肾脏损伤(AKI)的AKI风险评分的示例。当将警告阈值设置为0.22的硬值时，由于一个跳动的评分，一些无AKI(从未发展出AKI的患者，第二数字)被预测为处于高AKI风险中。通过使用带有额外的“时间高于阈值”要求的动态警告阈值准则将消除该患者示例并将其作为假阳性。同时，真正的AKI患者(顶部的示例)满足“时间高于阈值”准则并保持为真阳性。通过使用在本发明中描述的批量异常值检测模块，能够从数据中自动找到最优阈值和“时间高于阈值”。这种方法能够应用于任何随时间快速变化的临床评分。

示例3

根据实施例，能够将事件监测系统结合到诸如监测器之类的患者监测器或其他监测器中。参考图9，例如，图9是在患者监测器中使用的事件监测系统的非限制性示例，该患者监测器还监测患者的许多其他特征。事件监测系统已经分析了患者的许多数据时间点并且确定出心率已经在17分钟内大于161bmp，这触发了患者可能经历血液动力学不稳定或易受血液动力学不稳定影响的警报。因此，系统已经在屏幕上提供了警报，该警报可以伴随有听觉或其他警报或警告。

根据实施例，事件监测系统被配置为处理用于训练分类器的输入数据和用于针对多个患者的决策的接收到的医学信息中的许多(数千个或数百万个)数据点。例如，使用诸如特征识别和提取以及后续训练之类的自动化过程来生成功能性的和熟练的经训练的分类器要求处理来自输入数据和所生成的特征的数百万个数据点。这可能要求数百万次或数十亿次计算以根据这数百万个数据点和数百万次或数十亿次计算来生成新颖的经训练的分类器。结果，基于机器学习算法的输入数据和参数，每个经训练的分类器都是新颖的和独特的。因此，生成功能性的、熟练的经训练的分类器包括具有大量计算和分析的过程，这是人脑一辈子或几辈子都无法完成的任务。

类似地，事件监测系统能够被配置为连续地接收关于患者的数据，执行分析，并且经由报告对每个患者提供周期性或持续更新。这要求持续分析数千个或数百万个数据点来优化报告，从而要求大量的计算和分析，而这是人脑一生都无法完成的任务。

通过提供快速且彻底的患者分析，与现有技术的系统相比，这种新颖的事件监测系统具有巨大的积极效果。仅作为一个示例，通过提供能够将患者处于或发展成临床状态的最大可能的可能性考虑在内的系统，该系统将改善生存预后并且将挽救生命。

虽然本文已经描述和说明了若干发明实施例，但是本领域普通技术人员将容易想到用于执行功能和/或获得结果和/或本文描述的优点中的一个或多个优点的各种其他单元和/或结构。这样的变化和/或修改中的每个变化和/或修改都被认为是在本文描述的发明实施例的范围内。更一般地，本领域技术人员将容易理解，本文描述的所有参数、尺寸、材料和配置均旨在是示例性的，并且实际参数、尺寸、材料和/或配置将取决于一个或多个使用本发明教导的具体应用。本领域技术人员将认识到或者能够使用不超过常规的实验手段来确定本文描述的具体发明实施例的许多等同物。因此，应当理解，前述实施例仅作为示例呈现，并且在权利要求及其等同物的范围内，本发明的实施例可以以不同于具体描述和要求保护的方式来实践。本公开内容的发明实施例涉及本文描述的每个单独的特征、系统、物品、材料、套件和/或方法。另外，如果这样的特征、系统、物品、材料、套件和/或方法并不相互矛盾，则两个或更多个这样的特征、系统、物品、材料、套件和/或方法的任何组合能够被包括在本公开内容的发明范围内。

本文定义和使用的所有定义应被理解为对照字典定义、通过引用并入的文献中的定义和/或定义术语的普通含义。

除非明确指出相反情况，否则本说明书和权利要求书中使用的词语“一”和“一个”应被理解为表示“至少一个”。

本说明书和权利要求书中使用的短语“和/或”应被理解为表示如此结合的元件中的“任一个或两者”，即，在某些情况下结合存在而在其他情况下分离存在的元件。用“和/或”列出的多个元件应当以相同的方式进行解释，即，如此结合的元件中的“一个或多个”元件。除了用“和/或”分句具体标识的元件以外，还可能任选地存在其他元件，无论是与具体标识的那些元件相关还是不相关都可以。因此，作为非限制性示例，在与诸如“包括”之类的开放式语言结合使用时，对“A和/或B”的引用能够在一个实施例中仅指代A(任选地包括除了B以外的元件)；而在另一实施例中仅指代B(任选地包括除了A以外的元件)；而在又一实施例中指代A和B这两者(任选地包括其他元件)等。

本文在说明书和权利要求书中使用的“或”应被理解为具有与上文所定义的“和/或”相同的含义。例如，在分隔列表中的项目时，“或”或“和/或”应被解读为包含性的，即，包含至少一个，但也包含多个元件或元件列表的多于一个的元件以及(任选的)额外的未列出的项目。只有明确指示相反情况的术语(例如，“中的仅一个”或“中的恰好一个”或者在权利要求中使用的“由……组成”)将指代包括多个元件或元件列表中的恰好一个元件。一般而言，当在本文使用的术语“或”前面有排他性术语(例如，“任一个”、“中的一个”、“中的任一个”或“中的恰好一个”)时，术语“或”应当仅被解读为表示排他性替代方案(即，“一个或另一个但不是两者”)。当在权利要求中使用“基本上由……组成”时，术语“基本上由……组成”应当具有其在专利法领域中使用的普通含义。

本文在说明书和权利要求书中使用的引用一个或多个元件的列表的短语“至少一个”应被理解为表示选自元件列表中的元件中的任何一个或多个元件中的至少一个元件，但不一定包括元件列表中具体列出的每个元件中的至少一个元件，并且不排除元件列表中元件的任何组合。该定义还允许除了在短语“至少一个”所指的元件列表中具体标识的元件以外的任选存在的元件，无论是与具体标识的那些元件相关还是不相关都可以。因此，作为非限制性示例，“A和B中的至少一个”(或等效地，“A或B中的至少一个”，或等效地，“A和/或B中的至少一个”)能够在一个实施例中指代至少一个A，任选地包括多于一个A，且不存在B(并且任选地包括除了B以外的元件)；而在另一实施例中指代至少一个B，任选地包括多于一个B，且不存在A(并且任选地包括除了A以外的元件)；而在又一实施例中指代至少一个A，任选地包括多于一个A以及至少一个B，任选地包括多于一个B(并且任选地包括其他元件)等。

还应当理解，除非明确指出相反情况，否则在本文要求保护的包括多于一个步骤或动作的任何方法中，该方法的步骤或动作的顺序不一定限于记载该方法的步骤或动作的顺序。

在权利要求以及上面的说明书中，所有过渡短语(例如，“包括”、“包含”、“携带”、“具有”、“含有”、“涉及”、“持有”、“带有”等)应被理解为开放式的，即，意指包括但不限于。只有过渡短语“由……组成”和“基本上由……组成”应当分别为闭合或半闭合过渡短语，如美国专利局专利审查程序手册所述。

Claims (14)

1.一种用于使用事件监测系统来自动预测临床状态的方法(100)，包括：

接收(120)临床状态的一组参数定义，所述一组参数定义包括偏离值的定义、偏离时间的定义、值阈值的定义和值时间的定义；

接收(130)患者的至少一个特征的多个测量结果，所述多个测量结果是在一段时间内获取的；

在患者的至少一个特征的所述多个测量结果中识别(140)预测所述临床状态的偏离和/或异常，包括：

使用所述事件监测系统的批量偏离检测模块将接收到的所述患者的多个测量结果与所定义的偏离值和所定义的偏离时间进行比较(142)；并且

基于所述比较的步骤，如果接收到的在所述一段时间内获取的所述患者的多个测量结果高于所定义的偏离值并且低于所定义的偏离时间，则识别出(144)偏离；并且/或者

使用所述事件监测系统的所述批量偏离检测模块将接收到的所述患者的多个测量结果与所定义的值阈值和所定义的值时间进行比较(146)；并且

基于所述比较的步骤，如果接收到的在所述一段时间内获取的所述患者的多个测量结果高于所定义的值阈值并且低于所定义的值时间，则识别出(148)异常；

基于对偏离和/或异常的识别来预测(150)所述患者易患所述临床状态或正在经历所述临床状态；

经由所述事件监测系统的用户接口提供(160)所述患者易患所述临床状态或正在经历所述临床状态的警告。

2.根据权利要求1所述的方法，其中，所述多个测量结果包括多个患者的测量结果，并且所述方法还包括按所述多个患者中的个体患者来组织(132)所述多个测量结果的步骤。

3.根据权利要求1-2中的任一项所述的方法，还包括从接收到的多个测量结果中提取(134)一个或多个特征的步骤。

4.根据权利要求1-3中的任一项所述的方法，其中，所述特征是生命体征、实验室结果和/或临床评分。

5.根据权利要求1-4中的任一项所述的方法，还包括以下步骤：(i)接收(510)包括多个患者的医学信息和临床状态信息的训练数据；(ii)从接收到的训练数据中提取(520)多个特征；以及(iii)训练(530)所述批量偏离检测模块。

6.根据权利要求1-5中的任一项所述的方法，其中，所述事件监测系统包括临床护理系统，所述临床护理系统被配置为监测患者的多个生命体征，并且其中，所述事件监测系统的所述用户接口包括所监测的所述患者的多个生命体征的显示，并且其中，所述患者易患所述临床状态或正在经历所述临床状态的所述警告包括所述显示上的文本警告。

7.根据权利要求1-6中的任一项所述的方法，其中，所述事件监测系统用于在所述事件监测系统的训练期间确定临床状态的一组参数定义。

8.一种事件监测系统(600)，包括：

临床状态的一组参数定义，所述一组参数定义包括偏离值的定义、偏离时间的定义、值阈值的定义和值时间的定义；

患者的至少一个特征的多个测量结果，所述多个测量结果是在一段时间内获取的；

经训练的批量偏离检测模块(664/665)；

处理器(620)，其被配置为在患者的至少一个特征的所述多个测量结果中识别预测所述临床状态的偏离和/或异常，包括：(i)使用所述事件监测系统的批量偏离检测模块将接收到的所述患者的多个测量结果与所定义的偏离值和所定义的偏离时间进行比较；(ii)基于所述比较的步骤，如果接收到的在所述一段时间内获取的所述患者的多个测量结果高于所定义的偏离值并且低于所定义的偏离时间，则识别出偏离；(iii)使用所述事件监测系统的所述批量偏离检测模块将接收到的所述患者的多个测量结果与所定义的值阈值和所定义的值时间进行比较；以及(iv)基于所述比较的步骤，如果接收到的在所述一段时间内获取的所述患者的多个测量结果高于所定义的值阈值并且低于所定义的值时间，则识别出异常；所述处理器还被配置为基于对偏离和/或异常的识别来预测所述患者易患所述临床状态或正在经历所述临床状态；以及

用户接口(640)，其被配置为提供所述患者易患所述临床状态或正在经历所述临床状态的警告。

9.根据权利要求8所述的系统，其中，所述多个测量结果包括多个患者的测量结果，并且其中，所述处理器还被配置为按所述多个患者中的个体患者来组织所述多个测量结果。

10.根据权利要求8-9中的任一项所述的系统，其中，所述处理器还被配置为从接收到的多个测量结果中提取一个或多个特征。

11.根据权利要求8-10中的任一项所述的系统，其中，所述特征是生命体征、实验室结果和/或临床评分。

12.根据权利要求8-11中的任一项所述的系统，其中，所述处理器还被配置为：接收包括多个患者的医学信息和临床状态信息的训练数据；从接收到的训练数据中提取多个特征；并且训练所述批量偏离检测模块。

13.根据权利要求8-12中的任一项所述的系统，其中，所述事件监测系统是临床护理系统，所述临床护理系统被配置为监测患者的多个生命体征，并且其中，所述事件监测系统的所述用户接口包括所监测的所述患者的多个生命体征的显示，并且其中，所述患者易患所述临床状态或正在经历所述临床状态的所述警告包括所述显示上的文本警告。

14.根据权利要求8-13中的任一项所述的系统，其中，所述事件监测系统用于在所述事件监测系统的训练期间确定临床状态的一组参数定义。