CN1221915C - 用于分析生物系统的方法 - Google Patents

Abstract

一种分析生物系统的演变的方法包括以下步骤：确定此生物系统的状态所依据的一系列变量；把这些变量映射到一n维空间；以及其中利用由限定该生物系统在不同时间的状态的多组变量而形成的轨迹来监测该生物系统的演变，从而以使该轨迹上的每个点对应于至少一个时间值的方式把时间用作该n维空间中的一个参数。

Description

用于分析生物系统的方法

技术领域

本发明涉及有关生物系统的数据的组织和整理(interpretation)。以下将依照病人的医学研究/临床管理，即使用医学术语来描述本发明，但可理解，本发明通常对生物系统有更广的应用。

背景技术

在对病人行为的医学研究和监测中，目前有用的途径是“汇集(pool)”数据，即基于对通过以适当的方式从大量病人处获得的特定数据求平均而得到的趋势所进行的分析。更普遍的是把每次对病人行为的评估限于一个变量，即随时间的推移而跟踪特定变量的发展，并使用例如示出此发展的图表来帮助开业医生评估病人的行为。这有几个缺点。

例如，在评估病人行为时依靠平均数据在某种程度上限制了所进行的评估的范围，因为在评估中实际上不考虑平均值另一侧上的极值。另一个缺点在于，此“每次一个变量”的方案使得开业医生更难于在评估病人行为时保持对可能与特定变量形成复杂的相互关系的各种其它变量的戒备。这并不是说开业医生通常都不能提防这个问题，而是说不能顾及所有必要变量的可能性增大了。

在目前的医学实践中，相对于时间来绘制每次的一个变量(例如，体温)。时间通常表现为沿X轴的一个自变量和例如沿Y轴的温度。使用许多这样分开的两维图表来绘制诸如血压对时间、尿量对时间、心率对时间等各种变量，在一分开的图表上示出每个变量。迄今为止，把时间用作沿图表的一根轴绘制的自变量在某种程度上指示在管理医疗数据时较佳地使用各种两维图表。

相反，众所周知，物理学家利用一组变量来描述一特定系统在三维空间中的行为。作为科学方法范例的一个有名例子是通过理想气体的性质来提供的。在此情况下，变量是压力、容积和温度，它们一起限定了一个三维空间。这些变量通过众所周知的“理想气体的状态公式”而联系在一起

PV＝nRT。

在此公式中，n为系统中所存在的气体的摩尔数，R为通用气体常数。可把此

公式表示为三维空间中的一个表面，此公式代表了理想气体在这三维中的每个“可允许”的状态。

发明内容

至少本发明的较佳实施例增强了对有关生物系统的数据的管理和整理，从而提高了例如非专业医生的评估能力。

依据本发明的一个方面，提供了一种分析生物系统的演变的方法，此方法包括以下步骤：确定生物系统的状态所依据的一系列变量；把这些变量映射到一n维空间；其中利用由限定生物系统在不同时间的状态的多组变量形成的轨迹来监测该生物系统的演变，从而以使该轨迹上的每一点都对应于至少一个时间值的方式把时间用作此n维空间中的一个参数；以及利用这些变量的多组预定值来制定代表该生物系统在此n维空间内的预定状态的n维表面，从而评估该生物系统的演变。

这样，把时间用作一个“隐含”的变量来分析生物系统的演变，这样可有助于一种使生物系统的状态所依据的变量之间的相互关系变得更加明显的生物系统的演变的改进分析方法。

最好，n为大于2的整数。

在一个实施例中，评估生物系统的演变的步骤包括预测轨迹的进展。

最好，根据该轨迹在n维空间中的以前进展来预测其进展。

在另一个实施例中，预测轨迹的进展基于在此n维空间中所确定的其它轨迹。

依据本发明的第二方面，提供了一种表示生物系统的预定状态的方法，包括以下步骤：确定生物系统的预定状态所依据的一系列变量；把这些变量映射到一n维空间；以及利用这些变量的多组预定值来制定描述此n维空间中的预定状态的n维表面。

本发明可应用于(但不限于)临床医学研究和医疗培训。医疗培训可包括对医疗职业人员的医疗培训以及培训/开发更好的病人理解力。

本发明的实施例可在帮助病人首先理解什么是错误时起到重要的作用。例如，人们可沿很可能导致疾病状态(诸如心血管疾病)的轨迹移动。其次，它们可帮助病人意识到为保证保持或恢复健康状态要做什么。这可能是促进医生病人关系并使病人更能遵守所提出的治疗方案的有价值的工具。

可把本发明的实施例用作培训卫生人员时的有价值的教育工具。状态空间、在状态空间中的当前位置以及离开各极限状态(limit state)的距离的概念是用于表示正常和疾病的有价值的方法，它可有助于对医务人员的教育。本发明的设想框架可用图来表示。在对本发明较佳实施例的描述中可找到如何执行此方法的细节。可把所有的疾病状态看作向某个状态空间中的某一特定极限状态表面的移动。可把疾病的征兆和症状看作在状态空间中相对适当选中的极限状态表面的特定位置。

医疗探询(interview)的一个重要部分是病人的病史。在如这里所述的本发明的上下文中，可把此病史解释为病人对其接近各极限状态表面的感知。可以半定量的方式把此信息结合到本发明的实施例中(即，通过利用某些适当标度的量值以及位于状态空间中适当位置处的极限状态表面)。

在适当的计算机程序的帮助下，治疗的医生可在临床环境中检查各种治疗方案的系统评估，这些系统评估还可以与教员使用飞行模拟器来培训飞行员相同的方式，用于使用模型的受控学习环境中。本领域内的技术人员可理解，在提高模拟的可靠性方面可利用诸如使用神经网络等公知的技术。

在结合适当的成本数据库使用时，本发明还可应用于估算各种治疗备选方案的成本。该模型可以是通过医学管理来分配不足资源的非常有价值的工具。

在本发明的实施例中所使用的数学模型可以是由该领域内的专家所“定制”的，从而反映他们对对象的具体理解。

在某些情况下，以前的医学条件可能导致实现特定条件(例如，以前的怀孕或以前用于哮喘治疗的住院治疗)。也可把此病人的特定信息结合到此模型中，以提高此模型对该特定病人的预测能力。因此，病人的病史记录的有价值部分可能是依据这里所述数学模型对其病历的解释。

附图说明仅通过示例，从以下对较佳形式的描述并参考附图将更完整地理解本发明。

在图中，

图1示出依据本发明一个实施例的带有病人行为轨迹的状态子空间。

图2示出另一个状态子空间，它带有该状态子空间中的病人行为轨迹。

图3示出图1的状态子空间，它带有描述该状态子空间中某事件发生的试用极限状态函数。

图4示出图3的状态子空间，它带有图1的病人行为轨迹。

图5示出与另一个状态子空间中的多个事件函数表面相交的病人行为轨迹。

图6是示出用于依据本发明一个实施例的方法中的因变量和自变量的图。

具体实施方式

将参考许多初始的例子来描述本发明的实施例。然而，本发明的范围不限于这些例子。为了进一步说明本发明的更广泛的应用，以下引入其中以受孕这一意思来定义术语的特定术语学，然后给出其中这些受孕术语与特定系统相关的特定例子。

本发明的受孕基础是在多维状态空间中对生物系统的分析，例如人体的生理学状态。把状态空间的量纲与影响生物系统(即，影响生物系统相对于状态空间的状态)的参数/变量相关。因而，可把生物系统的行为描述成为系统随时间推移在状态空间内的状态的演变，即监测生物系统的轨迹并可从中知道该系统的当前状态。重要的是，如果能正确地选择状态空间，则生物系统在此状态空间内的某些状态将可归因于某些生物事件，即系统的生物状态已达到一特定极限状态。如下给出极限状态的特定例子。一般而言，极限状态是以生物学或医学方式定义的系统状态的实现，它们是正常和异常状态。由于不同参数的各种组合可导致特定极限状态的实现，所以可把极限状态描述成为状态空间内的一个函数。生物系统的轨迹与极限状态表面在状态空间中的相对定位可成为用于区别诊断和病人管理的系统方法开发的基础。使用用于区别诊断的方法可成为以区别医学诊断为目的的‘专家系统’中的信息结构化的基础。

可通过各种方法对状态空间变量进行归一化(非尺寸化)，每种归一化方法都导致轨迹和有限表面在归一化状态空间中的不同表述。

一种归一化方法可把一条轨迹简化到经归一化的状态空间中的一个点。如果被简化到归一化状态空间中的一个点的这条轨迹是一条平均(或中间或模式)轨迹，则此归一化状态空间中的诸轨迹将表示与此平均(或中间或模式)轨迹的偏离。

以下，将参考人体的生物学状态来描述本发明的较佳实施例的例子。

例I：怀孕的生理学分析

第一个例子涉及对妇女怀孕的分析。怀孕可用一个非常明显的事件区分，即生小孩。实际上在怀孕过程中对妇女进行定期监测，从而有助于监测该周期内的几个参数。

仔细的考虑导致最初为评估怀孕而提出的以下的‘简单’状态空间。为绘制轨迹而选择的状态空间变量为子宫(S)内的促肾上腺皮质激素释放激素浓度(CRH)、催产素浓度(OT)、孕酮浓度(P)、雌二醇浓度(E)、皮质醇浓度(C)、子宫颈硬度(stiffness)和平滑肌纤维的伸缩性(stretch)。S可以是包括诸如羊水容量和胎儿重量等量的自变量中的因变量。CRH可以是包括诸如胎盘重量、母亲的血液容量和母亲的CRH结合蛋白质浓度等量的自变量中的因变量。还可依次对于剩下的五个状态变量中的每一个指定其它自变量。

可以有其它已知的状态变量(例如，松弛肽、前列腺素)或还未知的重要状态变量。进一步观察到，模型不能实现期望的可靠性可能暗示存在其它未知因子。

怀孕分析可能感兴趣的极限状态包括‘导致生产(birth)的宫缩’、‘子宫颈感受态(competence)’和‘胎儿肺部成熟’。这里将只把‘导致生产的宫缩’作为一个例子。除了CS以外，将把所有的状态变量用作分析此极限状态的状态变量。

这里，在考虑‘导致生产的宫缩’极限状态分析时利用六个状态变量。可把这些变量组成两个状态子空间，每个状态子空间涉及三个状态变量(见图1和2)。

在图1中略述了第一状态子空间12中的第一轨迹10，在图2中略述了状态子空间16中的第二轨迹14。虽然状态变量的分组可以是任意的，但也可存在选择一个变量分组而跳过另一个的理由。例如，可依据临床的重要性对状态变量进行分组。

可看到，由于催产素浓度的每日波动使得第一状态子空间12中的第一轨迹10(图1)在整个怀孕期间振荡。在此状态子空间中可存在正常或异常(即，病态)轨迹。Mark McLean、Andrew Bisets、Joanne Davies、Russe Woods、Philip Lowry和Roger Smith(1995年5月)在自然医学第1卷第5期的460-463页上‘控制妇女怀孕期长度的胎盘时钟’的调查研究已识别了导致预产期前、预产期中和预产期后分娩的沿CRH轴的正常和异常行为。

可看到，由于E和P浓度的每日波动，使得图2中第二轨迹14也在怀孕后期发生振荡。(注意，这里，E/P比可能是一个更适当的状态子空间变量，而不是分开的E和P)。此外，在此状态子空间中也可存在正常和/或异常(即，病态)轨迹。

这两个状态子空间中的极限状态表面(未示出)可随时间的推移而演变(改变位置)。这是由于极限状态表面同本身与时间相关的变量有关。在图3中示出，在一特定时间处，一状态子空间21(CRH、OT和S)中的第三极限状态表面20。

众所周知，导致怀孕的过程包含冗余。这意味着，某些状态变量可能不是正常生产所必要的。换句话说，所存在的一个冗余状态变量可能是重要的，但它对于正常生产是不必要的。注意，通过这里所提出的椭圆形极限状态表面，将使怀孕期间所观察到的状态变量的所述冗余在视觉上变得清楚起来。例如，如果不存在CRH(或存在的浓度异常低)，则把图3的状态子空间简化到两维，把该状态子空间中妇女的轨迹限制于该状态子空间中的一个‘平面’。在视觉上将变得明显起来的是，限制于该平面内的轨迹可能仍旧与此极限状态表面相交。轨迹与极限状态表面的相交表示进展到生产仍旧是可能的。

为了更好地从视觉上理解怀孕妇女在此状态空间中的轨迹，有利的是在计算机屏幕上同时描绘这两个状态子空间。也可通过‘小点(tick)’记号沿每条轨迹来示出时间。可通过厚度或色彩或斜率标记变化的线来示出沿轨迹的速度。顺便注意，可使用超声波技术准确地测量自受孕以来所经过的时间。

在怀孕早期每个状态子空间中的极限状态表面很可能扩展(远离原点移动)(这是由于它与状态变量有关)，并可能在怀孕后期缩小然后振荡，从而加速分娩。相信轨迹和极限状态子空间表面的振荡是‘锁相’的(即，在极限状态表面向原点移动的同时，状态子空间中的轨迹可能远离原点移动)。可使用这里所述的方法容易地从视觉上理解此简单的观察结果，它可说明在晚上开始生产的理由是由于极限状态表面在晚上周期性地缩小。

既然知道极限状态表面是重要的，就可通过在整个怀孕期内有选择地跟踪各个妇女来积极地‘探测’状态子空间中的状态表面的‘形状’。由于该数据变得可以得到，所以有希望修改图3所示的试用极限状态表面20。该方法将把正常和异常轨迹限制在此状态空间中以及限制极限状态表面的形状。可能的话，可用详细的生理学和生物学模型补充在状态空间中限定极限状态表面和轨迹的这一经验方案。这种调查怀孕的方法是如何在医学研究中利用这里所述的数学方法的一个例子。

当‘状态空间’21中的轨迹22与极限状态表面20交叉时，开始发生导致生产的宫缩。这如图4所示。很清楚，为了限制极限状态表面，有利的是监测准确接近于生产时间的轨迹，且最好获得生产时状态空间中的某一点(即，在极限状态表面上)。然而，如果这是不可能的，则在给出先前有关状态空间中该轨迹的足够知识以及基础的生理和生化过程的知识后，相信能可靠地把此状态空间中的轨迹外推到生产时间。

例II：预测分析

以确定的形式描述了上述实施例。然而，可容易地把相对于极限状态表面的一状态子空间中的当前位置的统计分析结合到另一个实施例中。这可以各种方式来实现，Monte-Carlo模拟是诸多可应用的普通方法中的一种。本实施例可用于进行‘将会发生预产期前分娩的概率为90％’这种类型的预测。

注意，可通过所述实施例定量地评估所提出的医学干预(intervention)过程的效果。例如，在状态空间中示出临床医生使用CRH拮抗物所进行的干预的可能效果。由于可能有许多方法来实现想要的结果(即，实现极限状态事件，或远离极限状态事件而移动)，所以可在临床医生实现备选治疗方法前评估这些方法。与几率密度函数相结合，当前状态与极限状态表面之间的距离将定量测量出所提出的干预成功与否的可能性。

注意，感兴趣的距离可能不是状态空间中的当前位置与极限状态表面之间的‘最短距离’，而可能与各人在状态空间中的轨迹有关。如果轨迹被适当限制(即，其方向和速度是已知的或可评估出来)，则能可靠地从状态空间中的当前位置外推到该状态空间中的某一未来的位置。如果沿轨迹的速度是已知的或能根据过去的经验而可靠地评估出来，则能可靠地评估实现此极限状态事件的时间。换句话说，能可靠地预测生产的时间。

可把上述实施例表现成为一种计算机程序，把此程序用作临床医生管理其病人的辅助手段。可以不同的色彩来显示每个状态子空间中的正常和异常轨迹。然后，可把此方法用作一种有价值的异常怀孕状态预测器。还可以不同的浓淡(shading)来显示正常和异常极限状态表面。可以不同的色彩来描绘多个极限状态表面，并用在战略上相对于观察者定位的‘光源’来突出。在描绘多个极限状态表面时，可只显示相对于当前位置‘最靠近’的极限状态表面，从而有助于使该问题在视觉上变得清楚。可在极限状态表面上标上最佳或‘目标’位置。

可对状态子空间中的轨迹和极限状态表面的时间演变进行动画制作，以增强对该系统的动态本质的理解。‘缩放’和‘旋转’计算机图象以把观察者的有利点定位成与轨迹成直角，可有助于理解该状态。在其它情况下，旋转观察者的有利点使之与位于轨迹与极限状态表面的预期交点处的极限状态表面成直角，这可有助于解释该数学模型的结果(例如，观察边界几率分布)。

可在一分割的计算机屏幕上同时观察几个状态子空间。可通过‘点击’状态空间中的当前位置并‘拖动’至状态空间中的一个新的位置来研究临床医生的治疗备选方案，此新的位置表示干预的效果。然后，可通过计算这些极限状态表面在多维空间中的更新位置来评估此‘虚拟’干预的效果。如果以图表表示，分析人员可把此看作在状态空间中‘来回旋转’的一个极限状态表面。可给临床医生提醒轨迹与极限状态表面的任何交叉。临床医生可选择实现一极限状态的几率程度，通过出现在屏幕上的警告，使临床医生只注意那些发生的几率较大的极限状态。

通常的情况是，极限状态表面为状态空间中平滑的连续可微分函数。此外，通常的情况是，由于状态变量的生物学可实现的值的范围是有限的，所以极限状态表面可能是状态子空间中有限的‘一小块’(具有有限的‘高度’和‘长度’)。

状态空间可能具有相交的多维极限状态表面。极限状态表面的相交归因于同时满足几个极限状态。见图5，为了同时实现几个极限状态，状态空间中的轨迹必须与这些极限状态表面在某一点相交。

见图5，通过一组与轨迹依次相交的极限状态表面来表示在时间上连续的处理。

从极限状态表面的依次相交(而不是极限状态表面的同时相交)将使怀孕的异常情况在视觉上变得明显起来。例如，如果‘子宫颈感受态’极限状态表面在‘宫缩’极限状态表面前相交，则这表示自发性流产。另一方面，‘宫缩’极限状态表面的交叉在‘子宫颈感受态’极限状态表面的相交之前，则可表示子宫破裂。

也可在状态空间中以几何的形式来表现涉及多个连续和平行过程的更复杂的过程控制，此几何形状是该过程的特性。此外，由于每种疾病具有一组特有的临床特征，建议每种疾病过程将在选中的状态空间中具有‘特有几何形状(或布局)的极限状态表面’以及在状态空间中具有‘特有轨迹’。

由此，可把巨大的疾病状态特征(signature)库，即所限定的状态空间中多组轨迹和有限状态表面的布局(它们是特定疾病状态的特征)编程到该模型中。在给定适当输入的情况下，可搜索该疾病状态库，并把与被调查的病人的已知轨迹最接近的匹配显示在计算机屏幕上。此外，使用统计方法，不仅可对给定的一组输入数据识别可能的疾病状态，而且还可从最可能到最不可能的疾病按几率的顺序进行排列。这可能是对疾病状态进行区别诊断的有价值的临床工具。

可以想象，至计算机的数据输入可至少是部分自动的。例如，可沿着化验报告一侧把生化数据编码成条形码，同时可从电子监测装置输入生理学数据。此外，可在医院的物理结构中建立特定的电子系统，以有助于使用这里所述的方法来管理其病人。

假定一个特定疾病过程可能有大量的极限状态，则以某种方式确定极限状态表面优先级或进行分组是有利的。例如，可按照临床医生通常所利用的疾病的征兆和症状对极限状态表面进行分组，同时另一组极限状态表面可更方便地利用生化数据。

本发明可容易地适用于包括药品对预期的治疗结果的影响。可把此影响反映为状态空间内的极限状态表面的形状和/或位置的变化。注意，如果给出足够的数据，则可以在计算机程序中限定人口中亚组(subgroup)的极限状态表面的数据基础。例如，在其整个怀孕期内进行特定治疗的妇女。

对于其它应用，对特护病人的管理可能是本发明的应用例子。即使在培训和实践了许多年后，仍旧非常难于在管理垂危病人时考虑许多可能的暗示。在此情况下，使用这里所述的本发明的方法来‘测试’所提出的干预是非常有利的。不难想象，可在计算机上试验给病人用药的效果，这可通过把光标置于状态空间中的当前位置上、‘点击’该位置然后把状态空间中的当前位置‘拖动’到一个新的位置这一简单的实验。即使在计算机屏幕上仅示出一个或两个子空间，也可通过计算非常快速地检查在‘m’个状态子空间中以及在‘n’个极限状态表面上的效果。如果找到任何极限状态表面与一状态子空间中的轨迹相交，则可通过计算机屏幕上的信息来提醒医生。然后，可在屏幕上看到有关的状态子空间。与目前简单地给病人试药(可能实现得太晚而发生了某些不希望有的事件)相比，此方法有极大的进步。

例III：定义较差的系统行为

即使在系统行为的定义较差时，本发明也可具有一些益处。可把状态变量识别为‘风险因素’，因为它们是普遍公知的。以心血管疾病来给出一个例子。可把诸如高血压、超重、家族心脏病史、吸烟以及高胆固醇等公知的风险因素取作状态变量。对于本例，极限状态可能是‘心脏局部缺血’或‘中风(stroke)’。此模型的预测能力可能是差的，但这仅反映了对医学过程的理解不充分，且表示附加的因素是重要的。为了促进心血管疾病的例子，近来已确定高半胱氨酸是一个重要的风险因素。运用此包括状态空间的附加变量，有希望提高模型的预测能力。由此简单的例子可证明如何把最新的研究数据结合到依据本发明的模型中，因此，随着医学研究的进步，本发明可提高其作为临床工具的作用。

可把一些疾病状态直接结合到这里所述的实施例中，而其它疾病状态需要更多的研究数据。可立即受益于这里所述的方案的疾病状态的例子包括内分泌疾病、哮喘、艾滋病和对特护病人的管理。

例IV：多维极限状态表面的表象

Rene Decartes提出了‘笛卡尔平面’内的一个函数。这只是简单的视觉要求，由此，每个人都可清楚地理解术语‘函数’意味着什么。一个函数具有与自变量‘x’的一个值有关的因变量‘y’的一个且唯一一个值。这可简单地利用‘笛卡尔图’来表示，沿水平轴来绘制‘x’，而沿竖轴来绘制‘y’。

不难把此结果归纳为两个自变量和一个因变量。在此情况下，变量‘x’和‘y’都是水平平面内的自变量，而‘z’为沿竖直方向的因变量。在此情况下，此三维‘笛卡尔’轴足以代表两个自变量和一个因变量。可把结果绘制为一个两维‘表面’，‘xy’平面以上的高度代表因变量的量值或结果。连接平面以上相等高度的线代表‘水平面’。

或者，‘xy’平面内的每个位置可与某一数字相关，连接‘xy’平面中量值相等的点来画线。这样的映射叫做‘轮廓’映射，其优点在于可仅以两维(即，‘xy’平面)来表示三维的表面。可由轮廓映射上的轮廓来表示一极限状态表面。

可把此归纳为四维，其中三根轴代表自变量，而把极限状态表示为此三维状态空间中的‘水平面’。

假设有一个描述n维空间中一个极限状态表面的函数，即，

f＝f(X，..，X_n)

然后，可保持自变量中的几乎三个自变量恒定。然后，把此函数简化到四维。这四维是，三根笛卡尔轴(形成一状态子空间)以及一个与此状态子空间中的每一位置有关的值(注意，使不位于此状态子空间中的所有自变量都保持恒定)。既然维数减少了，就可方便地在计算机屏幕上描绘函数f的一个水平面。通过按照此四维中的变化(即，由对此表象保持恒定的自变量的值的变化而产生)所进行的改变而在此三维状态子空间中重新绘制函数f，可示出这些变化。注意，可在一个图表内绘制不止一个代表函数f的表面，以示出函数f与状态子空间中的变量的相关性。通过状态子空间中的色彩浓淡或极限表面本身的纹理特征，可使函数f与状态子空间变量的这种相关性在视觉上变得明显起来。

如果有十二个状态自变量，则可把计算机屏幕平铺显示成四个象限，在每个象限中采用前几节所述的方法。即，每个象限中所示的每个3-D状态子空间将表示保持恒定的几乎三个因变量的极限状态表面。如果此极限状态表面涉及每个子空间中的这些变量，则将在该子空间中表示此极限状态表面。可与此极限状态表面一起，在每个状态子空间中描绘这些状态变量的轨迹。然后，可把一状态子空间中的轨迹和/或极限状态表面的变化自动地‘变换’到其它状态子空间上。

在某些情况下，可通过把一新的状态变量Y_k定义为状态变量X_i的函数来方便地减少此问题的维数，即，

Y_k＝h(X₁，...，X_i，...，X₁)

此方法提供了系统地构造医学信息的手段(进一步细节见例V)。

对于复杂的系统，使用‘矢量几何’这一术语，对n维状态空间所选中的‘基本’矢量可能不正交，而对这些变量进行适当分组可提高选中的基本矢量的正交性。还要注意，对于定义较差的系统，可通过诸如因子分析等标准的统计技术来指示对变量的适当分组。然而，如果已用研究数据充分地表征了该系统，则基本矢量的正交性不是实现这里所述的方法所必要的。

例V：状态变量的选择

‘因果关系(causation)树’30(见图6)可对识别和排列状态变量提供一种系统方法，从而提供构造系统信息的手段。

如果已选中适用于被研究极限状态的因变量，则可构成因果关系树30，示出对因变量35的值有贡献的所有‘独立’的状态变量32、33、34。可依次把每个‘独立’的状态变量看作一个因变量，每个因变量具有它自己的一组状态变量，例如36、37、38。因而，每个支点(例如40)是另一组状态变量的起始点。可在几何上把此过程表示为‘因果关系树’30(见图6)。注意，由每一级处的分支数来定性地传达系统的复杂性。此外，注意，在‘因果关系树’中，可用出现不止一次的变量(因而状态变量可能不是独立的)来系统地表示变量之间的交互作用。

使用‘因果关系树’来构造这种信息提供了用于识别在数学模型中所利用的状态变量的系统手段。

可按照已知的变量来描述容易理解的系统。可按照表示变量的分组的新变量来定义不容易理解的系统或部分限定的系统。所建立的统计方法可用于建立大多数适当的变量分组(例如，因子分析)。

这里所述的为在模型中表示而选中的变量可能与过程演变的时标有关。例如，‘葡萄糖耐量测试’可以几小时的周期演变，而对糖尿病的调查可以几年或几十年的周期演变。可依据所涉及的时标，对于同一系统的分析选择不同的状态变量，从而提供系统地构造系统/医学信息的进一步手段。

前几节已说明，为分析所选择的状态变量在某种程度上是任意的，因为所利用的状态变量必须仅沿‘因果关系树’而进一步展开。因此，为测量而选择的实际变量将与许多因素有关，诸如了解的状态、数据收集的便利、所建立的医疗实践、成本和与收集数据有关的其它实际约束。

例VI：对‘正常’状态的可应用性

本发明还可应用于针对正常状态监测生物系统的演变。例如，可利用本发明来提高运动员作特定短期或长期目标训练的适宜水平。在该实施例中，极限状态表面将在多维空间内限定一预定适宜水平。此多维空间中的变量可包括休息(resting)心率、‘应激(stressed)’心率、休息呼吸率、‘应激呼吸率’、等张与等长肌肉强度、血液中的血红蛋白浓度。然后，可利用有关多维空间内的一条轨迹来监测运动员的进步。对此轨迹和极限状态表面的分析和显示基本上与前几个例子中所述的相同。在运动员为短期或长期目标而准备的这一特殊例子中，可使用以前在其准备/训练期间获得‘成功’的运动员的轨迹来指导/评估目前所监测的运动员的发展。

Claims (14)

1.一种用于分析生物系统的演变的方法，包括以下步骤：

-确定此生物系统的状态所依据的一系列变量；

-把这些变量映射到一n维空间；

-利用由限定该生物系统在不同时间的状态的多组变量而形成的轨迹来监测该生物系统的演变，从而以使该轨迹上的每个点对应于至少一个时间值的方式把时间用作该n维空间中的一个参数；以及

-利用这些变量的多组预定值来制定代表该生物系统在此n维空间内的预定状态的n维表面，从而评估该生物系统的演变。

2.如权利要求1所述的方法，其特征在于评估生物系统的演变的步骤包括预测所述轨迹的进展。

3.如权利要求1所述的方法，其特征在于n为大于2的整数。

4.如权利要求2所述的方法，其特征在于对轨迹的进展的预测以在此n维空间中所确定的其它轨迹为基础。

5.如权利要求2或4所述的方法，其特征在于对轨迹的进展的预测以在此n维空间中所确定的其它轨迹为基础。

6.如权利要求1所述的方法，其特征在于沿着轨迹描绘沿轨迹的速度。

7.如权利要求1所述的方法，其特征在于估计生物系统的演变的步骤包括利用这些变量的不同组预定值来制定代表该生物系统在此n维空间内的各第一和第二预定状态的第一和第二n维表面，并预测或设计所述轨迹在此第一和第二表面上的发展。

8.如权利要求7所述的方法，其特征在于第一和第二表面相交，通过第一和第二表面的轨迹发展的顺序或定时是独立于基于预定第一和第二状态发生顺序的第三状态而布置的。

9.如权利要求1所述的方法，其特征在于包括确定所述变量的第一和第二子组，把所述变量的第一子组映射到第一n维子空间，把所述变量的第二子组映射到第二n维子空间，利用所述变量的子组所形成的轨迹来监测生物系统的演变，利用所述变量的多组预定值来制定代表生物系统在所述n维子空间的每一个内的预定状态的至少一个n维表面，从而评估由所述轨迹所指示的生物系统的演变。

10.如权利要求9所述的方法，其特征在于所述变量的第一和第二子组是用来制定n维表面的所述多组变量的子组。

11.如权利要求1所述的方法，其特征在于所述生物系统是生理学情况，n维表面代表所关心的生理学状态。

12.如权利要求11所述的方法，其特征在于使用所述轨迹的特性或所述轨迹与至少一个n维表面的相交来执行基于轨迹和/或表面的参考集的诊断或预报。

13.如权利要求7所述的方法，其特征在于所述生物系统是生理学情况，所述第一和第二n维表面代表所关心的不同生理学状态，使用轨迹相对于表面的发展来执行基于轨迹和/或表面的参考集的诊断或预报。

14.一种表示生物系统的预定状态的方法，包括以下步骤：

-确定生物系统的预定状态所依据的一系列变量；

-把这些变量映射到到一n维空间；以及

-利用这些变量的多组预定值来制定描述此n维空间中的预定状态的n维表面。

Images