CN1720075A - 镇静和止痛系统中的神经网络 - Google Patents

镇静和止痛系统中的神经网络 Download PDF

Info

Publication number
CN1720075A
CN1720075A CNA2003801050370A CN200380105037A CN1720075A CN 1720075 A CN1720075 A CN 1720075A CN A2003801050370 A CNA2003801050370 A CN A2003801050370A CN 200380105037 A CN200380105037 A CN 200380105037A CN 1720075 A CN1720075 A CN 1720075A
Authority
CN
China
Prior art keywords
patient
input signal
analgesic systems
calmness
monitor
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.)
Granted
Application number
CNA2003801050370A
Other languages
English (en)
Other versions
CN100518846C (zh
Inventor
兰德尔·S·希克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SCOTT LAB Inc
Original Assignee
SCOTT LAB Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SCOTT LAB Inc filed Critical SCOTT LAB Inc
Publication of CN1720075A publication Critical patent/CN1720075A/zh
Application granted granted Critical
Publication of CN100518846C publication Critical patent/CN100518846C/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明包括实时处理具有二义性、假象倾向的大量数据的系统和方法，以便在执行包括镇静和止痛系统的手术时保证病人安全。本发明利用神经网络对数据加权，可以更准确或更能表示出真实的病人状态，从而提高汇报给控制器以及镇静和止痛系统用户的病人状态的准确性，并减小假阳性报警的发生率。

Description

镇静和止痛系统中的神经网络
                对相关申请的相互参考
本申请根据35U.S.C.§119(e)要求2002年10月3日提交的标题为“镇静和止痛系统中的神经网络”的美国临时专利申请No.60/415525的优先权，该专利申请在此引入作为参考。
             关于联邦资助的研究和发展的声明
不适用
               对“微缩胶片附录”的参考
不适用
                      发明背景
发明领域
本发明一般涉及神经网络，以及尤其涉及结合到镇静和止痛系统中的神经网络。
现有技术描述
已经开发了一种镇静和止痛系统，其以一种安全的方式向遭受疼痛、不舒服或其它可怕(产生焦虑刺激)的医疗或手术程序的病人提供一种用于安全地接受镇静、止痛和/或遗忘药物的装置，从而在有或没有许可的麻醉供给者存在时减小药物过量的风险。由于在技术上的明显进步，该镇静和止痛系统可以更安全地用于医院和流动环境，并且可以由个人操作，而不需要熟练的麻醉专家，例如C，R，N，A’s，熟练的医师，或其它熟练的操作者来操作。该镇静和止痛系统已经成功地满足了不能为每个程序安排麻醉供给者的从业者的需要，其中在所述每个程序中，安全和有效的镇静和止痛能够基本上减轻恐惧和疼痛的影响。为了这些目的而出现的镇静和止痛系统为这些个人提供了药物供给系统，该药物供给系统集成到病人监视系统，该病人监视系统减小了操作麻醉机所需要的脑力和体力工作负荷，同时使临床医师保持在病人管理的环节中。临床医师遵循“临床医生知道最好的”哲学而做出最后的决定。该先进的技术允许在没有麻醉供给者的情况下，以小于通常麻醉的药物水平影响来操作镇静和止痛系统，为病人提供经济的和易获得的镇静、遗忘和/或止痛手段。
在1999年6月3日提交的美国专利申请序号为No.09/324759的专利申请中描述了一种镇静和止痛系统的例子，该专利申请在此引入作为参考。这种镇静和止痛系统将例如一个或多个镇静、止痛和/或遗忘药物的供给，正气道压力的供给，减小或增加药物供给，氧气供给，更换药物为例如麻醉对抗剂，从病人监视器中请求额外的信息以及报警触发电子地整合在一起，实现对病人一个或多个生理状况的电子监视。在一种形式中，该申请中的系统使用一组或多组反应病人和系统的状态的存储数据定义参数，这些参考通过软件访问，以适当控制药物供给，并将药物供给和与清醒病人的生命体征和其它生理状况有关的安全、高性价比的优化值联系起来。
因为这种整合监视和药物供给的系统的计算和判断能力在逐渐增多，所以准确的数据分析在确保病人安全上扮演了愈发至关重要的角色。通常，使用传统的冯·诺伊曼机器，编程这种系统，以监视越来越复杂的模糊或假象数据。作为这种情况的回应，在诸如波形监视这样的领域中，软件开发已经被极大地延缓，在这些领域中大量的时间和金钱被投入到复杂算法的开发上，但是算法的工作情况可能依然不尽如人意。
处理复杂数据的传统方法的另一个问题在于它们频繁计算的代价，这要么需要巨大的计算能力，要么就是在必须实时执行的系统中避免使用它们。例如，在生理波形的分析中，实时性能通常是必不可少的，以便足够快地获得计算结果，从而对病人生理状况的异常做出校正响应。
神经网络结构体系松散地以脑神经解剖学的知识为基础，其已经在一些工作中表现出良好的性能，诸如对具有细微差别的波形分类，其中这些工作到目前为止局限为通过人工来执行。除了具有识别特征波形(其随预测波形大范围得变化)的鲁棒能力以外，神经网络可以为镇静和止痛系统中数据分析的其它方面提供解决方案。神经网络不需要明确的算法，用以分析由综合病人监视产生的大量、潜在假象的和模糊的数据。作为替代，用模型训练的这些系统收敛到一种可接受的解决方案。此外，一旦被训练，由于它固有的平行性，神经网络通常能够迅速地执行识别工作。
                      发明概述
本发明包括用于实时处理易于模糊和假象的大量数据，以便在执行包括镇静和止痛系统的手术时保证病人的安全。本发明利用神经网络对数据进行加权，从而提高汇报给控制器以及镇静和止痛系统用户的病人状态的准确性，并减小虚假正报警的发生率，其中这些数据可以是真实病人状态的更精确的指示。在系统能够准确监视和识别正常和异常(adverse)病人状态之前，可以使用从以前医疗程序中记录的数据对这种系统进行训练。
                       附图简述
在附图中：
图1示出了描述根据本发明的镇静和止痛系统的一个实施例的方框图；
图2示出了根据本发明的阈值逻辑单元的一个实施例；以及
图3示出了根据本发明的神经网络的一个实施例。
                       发明详细描述
图1示出了描述根据本发明的镇静和止痛系统22的一个实施例的方框图，其中系统22具有用户接口12、软件控制的控制器14、外围设备15、电源16、外部通信10、压力供给11、病人接口17和药物供给19，其中镇静和止痛系统22被用户3操作，以便为病人18提供镇静和/或止痛。1999年6月3日提交的专利申请序号为No.09/324759的美国专利公开并实现了镇静和止痛系统22的一个实施例，在此将其全部引入作为参考。2002年11月1日提交的专利申请序号为No.10/285689的美国专利公开并实现了用户接口的实施例，在此将其全部引入作为参考。
病人接口17包括一个或多个的病人健康监视装置，诸如生命体征监视仪和意识监视仪，包括但不限于：无创血压监视仪、脉动血氧计、二氧化碳监视仪、心电图记录仪、病人意识评估系统，通气量监视仪、通气压力监视仪、阻抗体积描记器(IPG)，气体分析仪，通气温度监视仪、通气湿度监视仪和听觉监视仪。病人接口17的病人监视装置可以电气地连接到控制器14上，并且通过(例如)AD转换器提供表示病人真实生理状况的信号。这种信号被集成到神经网络，下文将对其进行进一步的讨论。
图2说明了根据本发明的阈值逻辑单元(TLU)30的一个实施例。在所说明的实施例中，输入信号31、32、33和34被输入到TLU30中。通过将每一个输入信号和权重35、36、37和38分别相乘，输入信号31、32、33和34作用在控制器动作单元40上的效果可以被确定。在这种相乘上的每一个输入值表示在TLU30中输入信号31、32、33和34的突触长度。例如，输入信号可以仅采用值″0″或″1″，其中信号是布尔值且可以在数字逻辑电路中使用，并且可以和与信号显著性相对应的任何合适的权重相乘。根据本发明，输入信号和相应权重的数目可以被增加或减少，以满足镇静和止痛系统22的需要。
例如，第一输入31可以来自于监视鼻腔气道压力的传感器，第二输入32可以来自于监视口腔气道压力的传感器，第三输入33可以来自于监视鼻腔二氧化碳测量的传感器，以及第四输入34可以来自于监视口腔二氧化碳测量的传感器。TLU30可以被用于确定病人是否正在进行充分的呼吸。权重35、36、37和38经过训练可以被设置成表示每一个由相应输入产生的信号的显著性的值。例如，输入31、32、33和34可以是二进制信号，其中如果由每一个传感器监视出呼吸问题，则发送″1″，如果传感器确定一切均情况良好，则发送″0″。然后，分配给这些传感器的权重越大，准确监视出异常病人状态的可能性就越大。一旦这种权重已经被建立，输入31、32、33和34和权重35、36、37和38分别相乘获得的值在求和单元39被求和。然后，根据加权输入信号，求和单元39例如确定总和是否大于设定的表示异常呼吸状态的阈值(例如1)。TLU30的动作单元40根据求和单元39计算出来的总和采取行动。如果计算结果大于阈值，TLU30可以启动措施以缓和呼吸状态。被TLU30启动的这种措施的例子包括减小药物水平，增大氧气供给，供给药物对抗剂，向临床医师发出报警，从病人监视装置中获取额外的病人信息，测试病人的响应，提供正的气道压力和/或任何其它合适的措施。如果求和单元39的计算结果小于设定阈值，动作单元40可以维持正常的镇静和止痛系统的功能。
本发明进一步包括训练TLU30。通常在本技术领域中，这种训练包括为TLU30提供一组表示各种病人状态的输入，其中调整与TLU30有关的权重，直到在非临界情况期间网络准确监视出异常病人状态并且保持正常功能。本发明进一步包括任意合适数目的输入，这些输入来自于任何合适的监视仪或来自于任何其它合适的数据源，其中这种输入可以用模拟、数字或任何其它合适的形式传送数据。
图3说明根据本发明的神经网络64的一个实施例。神经网络64包括构成第一节点层的一组输入60、61、62和63，一组隐藏节点65、66、67、68和69以及一组输出节点70和71。输入60、61、62和63可以涉及病人监视仪的任何合适的特征。例如，在呼吸充分性的监视中，输入60可以是鼻腔通气压力，输入61可以是口腔通气压力，输入62可以是鼻腔二氧化碳测量，以及输入63可以是口腔二氧化碳测量。然后，来自于每一个输入的数据可以被传递到隐藏节点65、66、67、68和69，其中每一个信号可以在每一个节点被不同加权，以便使用神经网络固有的并行性，从而在正常和异常病人状态之间准确地识别。
传送到隐藏节点65、66、67、68和69的数据可以由表示该特征的显著性的数字系数加权。然后，神经网络64将这种计算结果传送到输出节点70和71，并且然后提供数据的分类。根据本发明，输入节点、隐藏节点和输出节点的数目可以被增加或减小，以满足镇静和止痛系统22的需要。例如，具有多个特性、多个分类、多个隐藏层的神经网络64可以被使用，神经网络64可以接收来自其它神经网络的输入和/或可以使用计算数据(诸如呼吸率的平方和)作为输入。本发明进一步包括神经网络64的训练，其中神经网络64调整它的数字系数，直到它将它的输出错误减小到可以接收的范围(图中未显示)。由于并行结构，系统的性能不依靠任何一个输入、隐藏或输出节点的完美的准确性。它能够允许单个节点的错误，当出现稀疏、模糊或虚假数据时，它仍然能够正确识别至关重要的模式。
任何合适的病人参数或这些病人参数的特性均可以作为输入被集成到神经网络64中，例如，诸如从传感器融合中导出的数据，从正交冗余监视中导出的数据，数据趋势，心率，血压，来自于其它神经网络的数据，脉动血氧测量，二氧化碳测量，听觉监视，呼吸率和随时间变化的各种病人参数的平方和。在2003年10月3日提交的标题为“用于提供传感器融合的系统和方法”的共同转让和共同未决美国专利申请中进一步描述了传感器融合，该专利申请在此引入作为参考。在2003年10月3日提交的标题为“用于在镇静和止痛系统中提供正交冗余监视的方法和系统”的共同转让和共同未决美国专利中进一步描述了正交冗余监视，该专利申请在此引入作为参考。
通过在镇静和止痛系统22准确监视和识别正常和异常病人状态之前，使用从医疗手术中记录的数据，可以训练根据本发明的系统。另外，本发明包括合并到镇静和止痛系统22中的任何合适的知觉、后向传播或放射状基本功能网络，其中增加镇静和止痛系统22准确性的任何合适的网络均根据本发明。
尽管在此显示和描述了说明了本发明的典型实施例，然而本领域的熟练技术人员显而易见的是，这些实施例仅仅作为示例而提供。在不脱离申请人在这里公开的本发明的范围情况下，各种非实质的修改、变化和替换对于本领域的熟练技术人员来说是显而易见的。因此，本发明意味着仅仅由权利要求所允许的精神和范围限定。

Claims (13)

1、一种镇静和止痛系统，包括：
至少两个病人健康监视设备，用于耦合到病人并且每个产生一相应的输入信号，所述输入信号反映所述病人的生理状况的参数；
用户接口；
药物供给控制器，用于向所述病人供给一种或多种药物；和
电子控制器，其与所述病人健康监视设备、所述用户接口以及所述药物供给控制器相互连接，其中所述电子控制器还包括阈值逻辑单元，所述阈值逻辑单元接收所述输入信号；将所述输入信号的每一个与对应于所述参数每一个的预定权重相乘，以获得对于每一个相应输入信号的加权输入信号；组合所述加权输入信号；以及将所述加权输入信号与预定阈值进行比较，以确定所述电子控制器的动作。
2、根据权利要求1所述的镇静和止痛系统，其中，所述输入信号是二进制值。
3、根据权利要求1所述的镇静和止痛系统，其中，对所述预定权重的每一个进行训练，以将其设置成代表从相应输入产生的每个信号之显著性的值，以及其中所述训练包括：将表示至少一个病人状况的输入序列提供给所述阈值逻辑单元，以及在非临界情况期间，调整所述预定权重，直到该系统准确地检测到异常病人状况并且保持正常功能。
4、根据权利要求1所述的镇静和止痛系统，其中，所述电子控制器的所述动作包括下列至少之一：降低药物水平、增加氧气供给、供给药物对抗剂、向临床医师报警、请求从病人监视器获取附加的病人信息、测试病人的响应性和供给正气道压力。
5、根据权利要求1所述的镇静和止痛系统，其中，所述病人监视装置包括下列传感器中的至少两个：监视鼻腔气道压力的传感器、监视口腔气道压力的传感器、监视鼻腔二氧化碳测定的传感器和监视口腔二氧化碳测定的传感器。
6、一种镇静和止痛系统，包括：
至少两个病人健康监视设备，用于耦合到病人并且每个产生一相应的输入信号，所述输入信号反映所述病人的生理状况的参数；
用户接口；
药物供给控制器，用于为所述病人供应一种或多种药物；以及
电子控制器，其与所述病人健康监视设备、所述用户接口和所述药物供给控制器相互连接，其中所述电子控制器还包括一个神经网络，用于评估输入信号，以确定所述电子控制器的动作。
7、根据权利要求6所述的镇静和止痛系统，其中，所述神经网络包括：构成第一层节点的一组输入、一组隐藏节点、和一组输出节点，其中所述输入与所述病人健康监视设备的任何合适的特征相关。
8、根据权利要求7所述的镇静和止痛系统，其中，每个所述输入信号在每个节点处被不同地加权，以使用神经网络的并行性来准确地识别正常和异常的病人状况。
9、根据权利要求8所述的镇静和止痛系统，其中，传递给所述隐藏节点的每个输入信号被一个数字系数加权，所述数字系数表示用于所述输入信号的相应参数的显著性。
10、根据权利要求9所述的镇静和止痛系统，其中，所述神经网络通过多次迭代来调节它的数字系数，直到它将它的输出误差减小到预定的可接受范围。
11、根据权利要求7所述的镇静和止痛系统，其中，所述输入包括下列数据至少之一：从传感器融合导出的数据、从正交冗余监视导出的数据、数据趋势、心率、血压、来自于其它神经网络的数据、脉氧测定、二氧化碳测定、听觉监视、呼吸率和随时间变化的病人参数的平方和。
12、根据权利要求6所述的镇静和止痛系统，其中，所述电子控制器的所述动作包括下列至少之一：降低药物水平、增加氧气供给，供给药物对抗剂、向临床医师报警、请求从病人监视器获取附加的病人信息、测试病人的响应性和供给正的气道压力。
13、根据权利要求7所述的镇静和止痛系统，还包括：结合认知网络、反向传播网络和径向基函数网络其中至少一个网络，其中所述至少一个网络增加了镇静和止痛系统的准确性。
CNB2003801050370A 2002-10-03 2003-10-03 镇静和止痛系统中的神经网络 Expired - Fee Related CN100518846C (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US41552502P 2002-10-03 2002-10-03
US60/415,525 2002-10-03

Publications (2)

Publication Number Publication Date
CN1720075A true CN1720075A (zh) 2006-01-11
CN100518846C CN100518846C (zh) 2009-07-29

Family

ID=32069876

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB2003801050370A Expired - Fee Related CN100518846C (zh) 2002-10-03 2003-10-03 镇静和止痛系统中的神经网络

Country Status (7)

Country Link
US (1) US7367339B2 (zh)
EP (1) EP1554004A2 (zh)
JP (1) JP2006502481A (zh)
CN (1) CN100518846C (zh)
AU (1) AU2003282491B2 (zh)
CA (2) CA2704183A1 (zh)
WO (1) WO2004031919A2 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107468211A (zh) * 2010-01-18 2017-12-15 艾欧敏达有限公司 用于分析神经生理学数据的方法和系统以及评估系统
CN110755051A (zh) * 2019-11-19 2020-02-07 杨红晓 一种麻醉科用麻醉深度监测装置
CN112354042A (zh) * 2020-12-01 2021-02-12 南通市肿瘤医院 一种镇痛泵流量控制方法和装置

Families Citing this family (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7758503B2 (en) * 1997-01-27 2010-07-20 Lynn Lawrence A Microprocessor system for the analysis of physiologic and financial datasets
US9042952B2 (en) * 1997-01-27 2015-05-26 Lawrence A. Lynn System and method for automatic detection of a plurality of SPO2 time series pattern types
US8932227B2 (en) * 2000-07-28 2015-01-13 Lawrence A. Lynn System and method for CO2 and oximetry integration
US9468378B2 (en) 1997-01-27 2016-10-18 Lawrence A. Lynn Airway instability detection system and method
US20070191697A1 (en) 2006-02-10 2007-08-16 Lynn Lawrence A System and method for SPO2 instability detection and quantification
US9053222B2 (en) 2002-05-17 2015-06-09 Lawrence A. Lynn Patient safety processor
US20060195041A1 (en) 2002-05-17 2006-08-31 Lynn Lawrence A Centralized hospital monitoring system for automatically detecting upper airway instability and for preventing and aborting adverse drug reactions
EP1489964A1 (en) * 2002-04-01 2004-12-29 Aspect Medical Systems, Inc. System and method of assessment of arousal, pain and stress during anesthesia and sedation
CN100420426C (zh) * 2002-08-08 2008-09-24 斯科特实验室公司 复苏工具包系统
US7252090B2 (en) * 2003-09-15 2007-08-07 Medtronic, Inc. Selection of neurostimulator parameter configurations using neural network
US7239926B2 (en) * 2003-09-15 2007-07-03 Medtronic, Inc. Selection of neurostimulator parameter configurations using genetic algorithms
US7184837B2 (en) * 2003-09-15 2007-02-27 Medtronic, Inc. Selection of neurostimulator parameter configurations using bayesian networks
US7617002B2 (en) * 2003-09-15 2009-11-10 Medtronic, Inc. Selection of neurostimulator parameter configurations using decision trees
US7966678B2 (en) * 2005-12-07 2011-06-28 General Electric Company Infant care bed with evaluation capabilities
US7668579B2 (en) 2006-02-10 2010-02-23 Lynn Lawrence A System and method for the detection of physiologic response to stimulation
US8306624B2 (en) 2006-04-28 2012-11-06 Medtronic, Inc. Patient-individualized efficacy rating
US8380300B2 (en) * 2006-04-28 2013-02-19 Medtronic, Inc. Efficacy visualization
US7715920B2 (en) * 2006-04-28 2010-05-11 Medtronic, Inc. Tree-based electrical stimulator programming
US7629889B2 (en) 2006-12-27 2009-12-08 Cardiac Pacemakers, Inc. Within-patient algorithm to predict heart failure decompensation
WO2009137682A1 (en) 2008-05-07 2009-11-12 Lynn Lawrence A Medical failure pattern search engine
US8532932B2 (en) 2008-06-30 2013-09-10 Nellcor Puritan Bennett Ireland Consistent signal selection by signal segment selection techniques
WO2010053845A1 (en) * 2008-11-05 2010-05-14 Nellcor Puritan Bennett Llc System and method for facilitating observation of monitored physiologic data
JP2010200881A (ja) * 2009-03-02 2010-09-16 Shigenari Hozawa 膵嚢胞性疾患診断装置
US8216136B2 (en) 2009-03-05 2012-07-10 Nellcor Puritan Bennett Llc Systems and methods for monitoring heart rate and blood pressure correlation
US8315885B2 (en) 2009-04-14 2012-11-20 Baxter International Inc. Therapy management development platform
US8478538B2 (en) * 2009-05-07 2013-07-02 Nellcor Puritan Bennett Ireland Selection of signal regions for parameter extraction
US20110077484A1 (en) * 2009-09-30 2011-03-31 Nellcor Puritan Bennett Ireland Systems And Methods For Identifying Non-Corrupted Signal Segments For Use In Determining Physiological Parameters
US20110118557A1 (en) * 2009-11-18 2011-05-19 Nellcor Purifan Bennett LLC Intelligent User Interface For Medical Monitors
WO2012080920A1 (en) * 2010-12-17 2012-06-21 Koninklijke Philips Electronics N.V. System and method for determining one or more breathing parameters of a subject
US9092559B2 (en) 2011-08-16 2015-07-28 Ethicon Endo-Surgery, Inc. Drug delivery system with open architectural framework
US8880576B2 (en) 2011-09-23 2014-11-04 Nellcor Puritan Bennett Ireland Systems and methods for determining respiration information from a photoplethysmograph
US9402554B2 (en) 2011-09-23 2016-08-02 Nellcor Puritan Bennett Ireland Systems and methods for determining respiration information from a photoplethysmograph
US9119597B2 (en) 2011-09-23 2015-09-01 Nellcor Puritan Bennett Ireland Systems and methods for determining respiration information from a photoplethysmograph
US9675274B2 (en) 2011-09-23 2017-06-13 Nellcor Puritan Bennett Ireland Systems and methods for determining respiration information from a photoplethysmograph
US9693709B2 (en) 2011-09-23 2017-07-04 Nellcot Puritan Bennett Ireland Systems and methods for determining respiration information from a photoplethysmograph
US9693736B2 (en) 2011-11-30 2017-07-04 Nellcor Puritan Bennett Ireland Systems and methods for determining respiration information using historical distribution
US8755871B2 (en) 2011-11-30 2014-06-17 Covidien Lp Systems and methods for detecting arrhythmia from a physiological signal
US9247896B2 (en) 2012-01-04 2016-02-02 Nellcor Puritan Bennett Ireland Systems and methods for determining respiration information using phase locked loop
US9179876B2 (en) 2012-04-30 2015-11-10 Nellcor Puritan Bennett Ireland Systems and methods for identifying portions of a physiological signal usable for determining physiological information
WO2013173712A1 (en) * 2012-05-18 2013-11-21 University Of Florida Research Foundation, Incorporated PATIENT IN-TtHE-LOOP PARTICIPATORY CARE AND MONITORING
US9560978B2 (en) 2013-02-05 2017-02-07 Covidien Lp Systems and methods for determining respiration information from a physiological signal using amplitude demodulation
US9554712B2 (en) 2013-02-27 2017-01-31 Covidien Lp Systems and methods for generating an artificial photoplethysmograph signal
US9687159B2 (en) 2013-02-27 2017-06-27 Covidien Lp Systems and methods for determining physiological information by identifying fiducial points in a physiological signal
US10777313B2 (en) * 2013-06-13 2020-09-15 Carefusion 303, Inc. Analytics regarding ventilated patients
US11183287B2 (en) * 2013-06-13 2021-11-23 Carefusion 303, Inc. Analytics regarding patient care
US10022068B2 (en) 2013-10-28 2018-07-17 Covidien Lp Systems and methods for detecting held breath events
US9848820B2 (en) 2014-01-07 2017-12-26 Covidien Lp Apnea analysis system and method
WO2015127281A1 (en) 2014-02-20 2015-08-27 Covidien Lp Systems and methods for filtering autocorrelation peaks and detecting harmonics
CN113795190A (zh) * 2019-03-27 2021-12-14 麻省总医院 术中临床决策支持系统

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4570640A (en) 1981-08-06 1986-02-18 Barsa John E Sensory monitoring apparatus and method
US5339818A (en) 1989-09-20 1994-08-23 University Of Utah Research Foundation Method for determining blood pressure utilizing a neural network
US5254087A (en) * 1990-01-29 1993-10-19 Ivra Systems, Inc. Tourniquet apparatus for intravenous regional anesthesia
US5251626A (en) * 1990-07-03 1993-10-12 Telectronics Pacing Systems, Inc. Apparatus and method for the detection and treatment of arrhythmias using a neural network
US5309921A (en) 1992-02-11 1994-05-10 Spectrum Medical Technologies Apparatus and method for respiratory monitoring
JP3401858B2 (ja) * 1993-09-20 2003-04-28 富士通株式会社 診断処理装置
WO1997005553A1 (en) * 1995-07-25 1997-02-13 Horus Therapeutics, Inc. Computer assisted methods for diagnosing diseases
US5953713A (en) * 1995-10-26 1999-09-14 Board Of Regents, The University Of Texas System Method and apparatus for treatment of sleep disorder breathing employing artificial neural network
US6678669B2 (en) * 1996-02-09 2004-01-13 Adeza Biomedical Corporation Method for selecting medical and biochemical diagnostic tests using neural network-related applications
AU740764B2 (en) * 1997-03-07 2001-11-15 Informedix, Inc. Method, apparatus, and operating system for real-time monitoring and management of patients' health status and medical treatment regimes
JP4090079B2 (ja) * 1997-05-07 2008-05-28 コンピュメディクス・リミテッド 患者への気体または薬物供給の制御
JPH11318830A (ja) * 1998-05-13 1999-11-24 Omron Corp 健康度測定装置および健康度測定方法
FR2779932B1 (fr) * 1998-06-18 2000-12-01 Taema Dispositif de determination de phases respiratoires du sommeil d'un utilisateur
JP2000276525A (ja) * 1999-03-25 2000-10-06 Hitachi Ltd 健康目標管理システム
US6317627B1 (en) 1999-11-02 2001-11-13 Physiometrix, Inc. Anesthesia monitoring system based on electroencephalographic signals
DE19955212A1 (de) * 1999-11-17 2001-06-21 Siemens Ag Medizinisches System zur Überwachung von Parametern eines Patienten in häuslicher Umgebung, am Arbeitsplatz oder in Pflegeheimen
US6658396B1 (en) * 1999-11-29 2003-12-02 Tang Sharon S Neural network drug dosage estimation
US6594524B2 (en) * 2000-12-12 2003-07-15 The Trustees Of The University Of Pennsylvania Adaptive method and apparatus for forecasting and controlling neurological disturbances under a multi-level control
EP1364666A1 (en) * 2000-12-27 2003-11-26 Philips Japan, Ltd Biological information and blood treating device information control system, biological information and blood treating device information control device, and biological information and blood treating device information control method

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107468211A (zh) * 2010-01-18 2017-12-15 艾欧敏达有限公司 用于分析神经生理学数据的方法和系统以及评估系统
CN110755051A (zh) * 2019-11-19 2020-02-07 杨红晓 一种麻醉科用麻醉深度监测装置
CN112354042A (zh) * 2020-12-01 2021-02-12 南通市肿瘤医院 一种镇痛泵流量控制方法和装置

Also Published As

Publication number Publication date
US20040129271A1 (en) 2004-07-08
AU2003282491B2 (en) 2008-09-11
CA2507437A1 (en) 2004-04-15
JP2006502481A (ja) 2006-01-19
CN100518846C (zh) 2009-07-29
AU2003282491A1 (en) 2004-04-23
WO2004031919A2 (en) 2004-04-15
EP1554004A2 (en) 2005-07-20
CA2704183A1 (en) 2004-04-15
WO2004031919A3 (en) 2004-10-14
US7367339B2 (en) 2008-05-06

Similar Documents

Publication Publication Date Title
CN100518846C (zh) 镇静和止痛系统中的神经网络
CN100563744C (zh) 用于在镇静和止痛系统中提供趋势分析的系统
CN101500633B (zh) 呼吸器监控系统和使用同样系统的方法
US6796305B1 (en) Ventilator monitor system and method of using same
US8775340B2 (en) Detection and prediction of physiological events in people with sleep disordered breathing using a LAMSTAR neural network
CN117423428B (zh) 一种基于数据分析的麻醉药剂输送智能管理系统及方法
KR20210066271A (ko) 마취 분야에서의 의료 딥러닝을 활용한 처방 시스템
CN110752002A (zh) 一种药物用量预测装置
KR102598101B1 (ko) 딥 뉴럴 네트워크 기반 실시간 중환자실 환자 상태 분석 시스템 및 방법
CN116807392A (zh) 一种多模态麻醉监测系统
CN1720078B (zh) 在镇静和止痛系统中提供正交冗余监测的方法和系统
CN113393946B (zh) 基于虚拟现实技术的医药临床试验辅助系统及方法
Ho et al. Continuous positive airway pressure (CPAP) for apnoea of prematurity
CN118454035A (zh) 用于评估通风患者状况的系统和方法
Zhou et al. Doseguide: A graph-based dynamic time-aware prediction system for postoperative pain
KR20220108944A (ko) 증상악화 예측 시스템 및 방법
Zhang et al. Modeling for neuromonitoring depth of anesthesia
CN117275706A (zh) 一种危重患者转运智能记录方法及系统
Spyropoulos et al. Development of a system supporting Patient Supervision and Treatment in contemporary Home-Care: Status Report.
Harrison The enhancement of intra-operative diagnostics and decision-making using computational methods
SURJUSE et al. Automated Drug Delivery in Anesthesia
Schönfelder Quality Criteria Catalogue for a Sensor System to Monitor Infant Vital Signs

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C17 Cessation of patent right
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20090729

Termination date: 20111003