DE10157653B4 - Verfahren zum Vorhersagen einer summarischen Bewertung von Parametern einer Person - Google Patents

Verfahren zum Vorhersagen einer summarischen Bewertung von Parametern einer Person Download PDF

Info

Publication number
DE10157653B4
DE10157653B4 DE10157653A DE10157653A DE10157653B4 DE 10157653 B4 DE10157653 B4 DE 10157653B4 DE 10157653 A DE10157653 A DE 10157653A DE 10157653 A DE10157653 A DE 10157653A DE 10157653 B4 DE10157653 B4 DE 10157653B4
Authority
DE
Germany
Prior art keywords
time
prediction
parameters
values
measurement
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.)
Expired - Fee Related
Application number
DE10157653A
Other languages
English (en)
Other versions
DE10157653A1 (de
Inventor
Norman Bitterlich
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.)
Loeser Medizintechnik 04103 Leipzig De GmbH
Original Assignee
Pe Diagnostik GmbH
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 Pe Diagnostik GmbH filed Critical Pe Diagnostik GmbH
Priority to DE10157653A priority Critical patent/DE10157653B4/de
Publication of DE10157653A1 publication Critical patent/DE10157653A1/de
Application granted granted Critical
Publication of DE10157653B4 publication Critical patent/DE10157653B4/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Verfahren zum Vorhersagen einer summarischen Bewertung von Parametern einer Person auf der Grundlage einer Score-Berechnung, wobei in Zeitintervallen für die Parameter, die einen messbaren Beitrag zum Gesamtzustand einer Person leisten, für unterschiedliche Messgrößen, wie Körpertemperatur in °C, Atemfrequenz in 1/min usw., Messwerte ermittelt werden, die mit ganzen Zahlen, die die Schwere des jeweiligen Parameters quantifizieren, versehen werden, und die Summe der Werte der ausgewählten Parameter den Score für den Messzeitpunkt ergibt, dadurch gekennzeichnet, dass
a) die in Zeitintervallen gemessenen Messwerte (M) für jeden der 1 ... m Parameter unter Angabe einer Zeitmarkierung gespeichert werden und ein Zeitraum für den Vorhersagezeitraum angegeben wird, der durch den Zeitpunkt (t*) der nächsten vorgesehenen Routinemessung vorgegeben ist;
b) eine Vorhersage der Messwerte (Mi*(i = 1 ... m)) für jeden Parameter zum Zeitpunkt (t*) nach einem statistischen Regressionsmodell erfolgt, wobei der Vorhersagewert Mi* als Funktion zum Zeitpunkt t* mit Hilfe von Regressionskoeffizienten beschrieben...

Description

  • Die Erfindung betrifft ein Verfahren zum Vorhersagen einer summarischen Bewertung von Parametern einer Person auf der Grundlage einer Score-Berechnung, wobei in Zeitintervallen für die Parameter, die einen messbaren Beitrag zum Gesamtzustand einer Person leisten, für unterschiedliche Messgrößen, wie Körpertemperatur in °C, Atemfrequenz in 1/min usw., Messwerte ermittelt werden, die mit ganzen Zahlen, die die Schwere des jeweiligen Parameters quantifizieren, versehen werden, und die Summe der Werte der ausgewählten Parameter den Score für den Messzeitpunkt ergibt.
  • Aus der US 4 967 754 sind ein Apparat und eine Methode für die Früherkennung von Nebeneffekten, die sich bei einem Patienten während der Dialyse-Behandlung manifestieren, bekannt. Die Erfindung umfasst ein Gerät und einen Arbeitsschritt zur Messung von mindestens einem hämodynamischen Wert des Patienten zu einer vordefinierten Anzahl von Zeitpunkten, um einen Parameter entsprechend der zeitlichen Änderung des hämodynamischen Wertes zu beobachten; ein Gerät und einen Arbeitsschritt zur Berechnung einer Bewertung entsprechend der mittleren Veränderung des Parameters in Bezug auf einen vorbestimmten Zeitabschnitt; ein Gerät und einen Arbeitsschritt für den Vergleich der Bewertungszahl mit einem, einen Bereich sicherer Werte abgrenzenden Referenzwert bzw. ein Gerät und einen Arbeitsschritt zur Auslösung eines Alarmsignals jedes Mal, wenn die Bewertungszahl außerhalb des durch den Referenzwert abgegrenzten Bereichs der sicheren Werte fällt.
  • Die US 5 941 820 verweist auf eine Methode für die Messung von Patientendaten, die Ermittlung von Statistiken aus diesen Daten, die Ermittlung von Variationsmaßen innerhalb der Daten, die Ermittlung eines Maßes der Homöostase aus den Variationsmaßen, die Modifikation der Regelkartenbegrenzungen, die auf dem ermittelten Maß der Homöostase basiert, und die Anzeige der Statistik auf der modifizierten Regelkarte. Zusätzlich werden die Regelkarten als Datenschwankungen im Zeitverlauf in statistisch signifikanten, vom Anwender festgelegten Gruppen modifiziert und die Modifikation der Begrenzungen wird wiederholt, so dass die patientenbezogene Echtzeit-Veränderung des Zustandes in den modifizierten Regelkarten kontinuierlich wiedergegeben wird. Die Aufzeichnungen von den Veränderungen in den Kartenbegrenzungen und in den Daten werden für die Konsistenzprüfungen aufbewahrt. Die Ergebnisse sind für Regelkartendaten anzuwenden, um statistische Ergebnisse vergleichbar mit statistisch unabhängigen Regelkartendaten zu erhalten, um die Begrenzungen der Regelkartendaten zu korrigieren, um die grafische Darstellung der Daten der Regelkarten zu korrigieren und um zu ermitteln, wann Aktionen zur Behandlung und Diagnose der Patienten durchgeführt werden sollten.
  • In der klinischen Praxis sind Scores eine anerkannte Möglichkeit, aus unterschiedlichen Parametern eine Gesamtbewertung abzuleiten. Verbreitet sind u.a. folgende Scores:
    • APACHE II
    Acute Physiology And Chronic Health Evaluation
    SAPS II
    Simplified Acute Physiology Score
    MODS
    Multiple Organ Dysfunction Score
    SOFA
    Sequential Organ Failure Assessment
    SSS
    Sepsis Severity Score
    ISS
    Injury Severity Score
    DORA
    Dynamic Objective Risk Assessment
  • Allen diesen Kenngrößen ist die Grundannahme gemeinsam, dass für eine bestimmte klinische Fragestellung ausgewählte Parameter einen messbaren Beitrag zum Gesamtzustand leisten können, ohne dass bereits ein Parameter dieser Auswahl den Gesamtzustand dominierend beschreiben kann. Um die Vergleichbarkeit der ausgewählten Parameter (mit teilweise unterschiedlichen Messgrößen, z.B. Körpertemperatur in °C, Atemfrequenz in 1/min, Anzahl der Leukozythen in 1/mm3) zu gewährleisten, werden Intervalle vorgegeben, die mit positiven Zahlen 0, 1, ... n die Schwere des Einzelparameters am Gesamtzustand quantifizieren. Die Zahl 0 repräsentiert, dass der betrachtete Parameter unauffällig für die Fragestellung erscheint (Normbereich). Die Summe aller auf diese Weise erfolgten Bewertungen ergibt den Score. In anerkannten klinischen Studien wurde der Zusammenhang zwischen Scorehöhe und Gesamtzustand nachgewiesen (Jannsens, U. et al.: Evaluation of the SOFA score: a single-center experience of a medical intensive care unit. In: Intensive Care Medicine, Vol. 26 (2000) 8, pp. 1037–1045).
  • Nachteilig ist, dass eine Vorhersage der Entwicklung der Scorehöhe für einen folgenden Zeitintervall nicht gegeben ist, um sie für akute Maßnahmen einsetzen zu können.
    •
  • Aufgabe der Erfindung ist es, ein Verfahren zum Vorhersagen einer summarischen Bewertung von Parametern einer Person auf der Grundlage einer Score-Berechnung zu entwickeln, wobei in Zeitintervallen für die Parameter, die einen messbaren Beitrag zum Gesamtzustand einer Person leisten, für unterschiedliche Messgrößen, wie Körpertemperatur in °C, Atemfrequenz in 1/min usw., Messwerte ermittelt werden, die mit ganzen Zahlen, die die Schwere des jeweiligen Parameters quantifizieren, versehen werden, und die Summe der Werte der ausgewählten Parameter den Score für den Messzeitpunkt ergibt, mit dem es möglich ist, zur Erhöhung der Behandlungssicherheit und -qualität beizutragen.
  • Erfindungsgemäß wird die Aufgabe dadurch gelöst, dass
    • a) die in Zeitintervallen gemessenen Messwerte (M) für jeden der 1 ... m Parameter unter Angabe einer Zeitmarkierung gespeichert werden und ein Zeitraum für den Vorhersagezeitraum angegeben wird, der durch den Zeitpunkt (t*) der nächsten vorgesehenen Routinemessung vorgegeben ist;
    • b) eine Vorhersage der Messwerte (Mi*(i=1 ... m)) für jeden Parameter zum Zeitpunkt (t*) nach einem statistischen Regressionsmodell erfolgt, wobei der Vorhersagewert Mi* als Funktion zum Zeitpunkt t* mit Hilfe von Regressionskoeffizienten beschrieben ist,
    • c) unter Berücksichtigung der Messgenauigkeit zum letzten Messzeitpunkt (tn), die durch einen Variationskoeftizientwert (VK) als Maß der Messgenauigkeit im Messlabor im Rahmen der Qualtitätssicherung regelmäßig bestimmt wird, werden für alle Messwerte (M) die Berechnung der Vorhersagewerte nach dem Regressionsmodell für die Grenzen der unteren Messwertschwankung (MuG;i = Mi·(1–VK)) und der oberen Messwertschwankung (MoG,i = Mi·(1+VK)) wiederholt;
    • d) nachfolgend die ermittelten Vorhersagewerte (M*i) hinsichtlich ihrer Plausibilität bewertet werden, wozu die beobachteten Zuwächsen auf eine Zeiteinheit, beispielsweise 1 Stunde, normiert werden, nämlich,
      Figure 00050001
      und der betragsmäßige Mittel- bzw. Maximalwert berechnet wird
      Figure 00060001
      und der Zuwachs, den die errechnete Vorhersage realisiert, mit Hilfe der mittleren (dMmittel) und maximalen (dMmax) Zuwächse korrigiert wird, falls dieser Zuwachs betragsmäßig größer ist als der mittlere Zuwachs
      Figure 00060002
      und dies dann eine Korrektur der Vorhersage zu M*i = Mi,m + dM*i ·(t*–tm)·24ergibt;
    • e) weiterhin ist für jeden Parameter der errechnete Zuwachs zusätzlich bezüglich klinischer Grenzwert GuG,i und GoG,i (i = 1 ... m), die den Wertebereich der Parameter nach unten bzw. nach oben begrenzen, nach
      Figure 00060003
      abzugleichen und sich ergebende erforderliche Korrekturen der Schätzwerte vorzunehmen und
    • f) zur weiteren Verbesserung der Vorhersage werden bestehende Wechselwirkungen zwischen den Einzelparametern mittels regelbasierter Fuzzy-Systeme einbezogen, in dem aus aktuellen Parameterkonstellationen parameterweise Korrekturfaktoren Fwechsi (je 1 ... n) abzuleiten sind, mit denen die bislang errechneten Vorhersagewerte zur Score-Berechnung korrigiert werden.
  • Vorteilhaft ist es, dass beim Vorliegen neuer Messwerte mit einem Messzeitpunkt, der nicht mit einem der vorherigen Messungen übereinstimmt, zur Erreichung der Vergleichbarkeit die Schritte b) bis f) wiederholt werden; die Abweichungen zwischen Messwerte und Vorhersagewerte berechnet werden und die Differenzen zwischen Messwerte (M) und Vorhersagewerte (M*) als ein Maß für eine Korrekturgröße (Ki) genutzt werden, die bei einer folgenden Vorhersage für den Zeitpunkt der nächsten vorhergesehenen Messung anzuwenden ist, wobei für diesen Vorhersagezeitpunkt die Vorhersage nach den Schritten b) bis f) zu ermitteln und die ermittelten Zuwächse durch die Kenngröße (Ki) zu modifizieren ist, um die Treffsicherheit der Vorhersage zu verbessern, wobei der Zahlenwert für den Korrekturfaktor (Ki) sich parameterweise aus einem Fuzzy-System ergibt.
    •
  • Nachfolgend wird die Erfindung anhand eines Ausführungsbeispieles näher erläutert: Am Beispiel des SOFA-Scores wird die Vorgehensweise dargestellt. Der SOFA-Score wird zur Bewertung der Organ-Dysfunktionen angewandt. Dafür werden für einzelne Organe organspezifische Leitparameter überwacht und hinsichtlich ihres Schweregrades entsprechend in Fachkreisen bekannter Intervalle bewertet. Im Ausführungsbeispiel seien folgende Parameter berücksichtigt:
    Figure 00080001
    Tabelle 1: Berechnungsgrundlage für SOFA-Score
  • Eine Beschränkung auf die Parameter M1 bis M4 ist für die Erläuterung des Ausführungsbeispiels ausreichend, da die diagnostischen Eigenschaften des SOFA-Scores nicht Bestandteil der Erfindung sind, das Verfahren hiermit aber bereits vollständig beschrieben wird. Die Zahlenangaben verstehen sich im Weiteren in den in Tabelle 1 angegebenen Maßeinheiten.
  • Schritt 1: Die Messwerte für die Parameter M1 bis M4 für die Patienten wurden zu vier Zeitpunkten t1 bis t4 unter Angabe der Messzeit gespeichert. Der Vorhersagezeitraum wird durch den Zeitpunkt t* der nächsten vorgesehenen Routinemessung (02.10.01, 08:00) festgelegt.
  • Figure 00090001
    Tabelle 2: Übersicht der Messzeitpunkt, Messwerte, Bewertung des Schweregrades (SG) gemäß Tabelle 1 und resultierenden SOFA-Score zu jedem Zeitpunkt
  • Schritt 2: Zur Vorhersage jedes Einzelparameters Mi (i = 1, ..., 4) wird das Modell der linearen Regression verwandt: Mi = hi·*t + ai (Gl. 1)
  • Der Messwert Mi lässt sich als Funktion der Zeit zum Zeitpunkt t mit Hilfe der Regressionskoeffizienten bi und ai beschreiben. Die Zahlenwerte dieser Koeffzienten werden parameterweise für n Messwerte Mi,j zu den Zeitpunkten tj (j = 1, ..., n) [vgl. Voß, W. u.a.: Taschenbuch der Statistik, Fachbuchverlag Leipzig, 2000.] wie folgt geschätzt:
    Figure 00090002
  • Zur Vereinfachung der Berechnungen werden die Zeitpunkte tj (j = 1, ..., 4) auf einen festen Startwert t0 (hier 01.10.01 00:00) bezogen, wobei 24 Stunden einer Zeitdauer von 1 zugeordnet werden, also:
    Figure 00100001
    Tabelle 3: Übersicht der Messzeitpunkt, Messwerte, Bewertung des Schweregrades (SG gemäß Tabelle 1 und resultierenden SOFA-Score zu jedem relativen Zeitpunkt
  • Mit den gespeicherten Daten ergeben sich gemäß Gleichung 2 die nachfolgenden Regressionskoeffizienten. Als Basis der Vorhersage dienen die verfügbaren Messwerte der letzten 12 Stunden, mindestens aber 4 Messwerte. Die Zwischenergebnisse werden mit der Genauigkeit von 3 geltenden Ziffern angegeben und weiterverarbeitet:
    Figure 00100002
    Tabelle 4: Schätzwerte für die Regressionskoeffizienten
  • Als Vorhersage findet man damit für den Zeitpunkt t* den Messwert
    Figure 00110001
    Tabelle 5: Schätzwerte Mi* nach dem Modell der linearen Regression
  • Schritt 3: Das Ergebnis nach Schritt 2 gibt bereits die Möglichkeit, den Score durch die parameterweise Bewertung und deren Summenbildung vorherzusagen:
    Figure 00110002
    Tabelle 6: Vorhersage des SOFA-Score zum Zeitpunkt t5 = 1,33
  • Berücksichtigt man die Messungenauigkeiten des Messwertes zum letzten Zeitpunkt t4, so können daraus Aussagen zur Genauigkeit der Vorhersageschätzung abgeleitet werden. Der Variationskoeffizient VK als Maß der Messgenauigkeit wird im Messlabor im Rahmen der Qualitätssicherung regelmäßig bestimmt und ist bekannt. Bei einem Wert VK = 0,05 (5%) für alle Messwerte M1 bis M4 sind die Berechnungen der Regressionskoeffizienten für die Grenzen des Vertrauensintervalls der Messwerte zu wiederholen (Schritt 2), also
    Figure 00120001
    Tabelle 7a: Vorhersage des SOFA-Score für die untere Grenze der Messwertschwankung MuG;i = Mi·(1–VK) bzw.
    Figure 00120002
    Tabelle 7b: Vorhersage des SOFA-Score für die untere Grenze der Messwertschwankung MoG;i = Mi·(1+VK)
  • Die Score-Vorhersage ergibt jeweils den Wert 13.
  • Schritt 4: Die Anwendung des einfachen Modells der linearen Regression kann zu Ergebnissen führen, die den Anwendererfahrungen widersprechen. Im Ausführungsbeispiel ergibt die Vorhersage der Thrombozytenzahl (M2) einen physiologisch unmöglichen Wert! Die gemäß Schritt 1 bis 3 ermittelten Schätzwerte sind deshalb hinsichtlich ihrer Plausibilität zu bewerten und gegebenenfalls zu korrigieren. Zu diesem Zweck wird für den zu erwartenden Zuwachs des Einzelparameters, dMi* = Mi* – Mi,4 (i = 1, ..., 4)ein Korrekturfaktor Fbeob,i ermittelt, der die bislang beobachteten Zuwächse berücksichtigt. Zur Vergleichbarkeit der beobachteten Zuwächse werden diese auf eine Zeiteinheit (1 Stunde) normiert, nämlich
    Figure 00130001
    und der betragsmäßige Mittel- bzw. Maximalwert berechnet,
    Figure 00130002
  • Die Gleichungen 3 und 4 angewandt auf die Messwerte ergeben folgende Übersicht:
    Figure 00130003
    Tabelle 8: Beobachtete, mittlere und maximale Zuwächse, bezogen auf 1 Stunde
  • Der Zuwachs, den die errechnete Vorhersage realisiert, wird mit Hilfe der mittleren (dMmittl.) und maximalen (dMmax) Zuwächse korrigiert, falls dieser Zuwachs betragsmäßig größer als der mittlere Zuwachs ist:
    Figure 00140001
  • Der Korrektur der Vorhersage ergibt sich dann zu (Gl.6) M*i = Mi,4 + dM*i ·(t* – t4)·24
  • Im Ausführungsbeispiel findet man mit Gleichung 5 und 6 folgende Ergebnisse:
    Figure 00140002
    Tabelle 9: Korrektur der Schätzwerte aufgrund der mittleren und maximalen beobachteten Zuwächse
  • Schritt 5: Für jeden Parameter ist der errechnete Zuwachs zusätzlich bezüglich klinischer Grenzwerte GuG,i und GoG,i (I = 1, ..., 4) abzugleichen. Diese Grenzwerte beschränken den Wertebereich der Parameter Mi nach unten bzw. oben. Die Festlegung dieser Grenzwerte erfolgt aufgrund allgemein bekannter klinischer Referenzbereiche oder aufgrund individueller Aspekte der Anwendungssituation. Die Wahl der Grenzwerte hat keinen Einfluss auf die allgemeine Berechnungsvorschrift dieser Korrekturgröße. Als Beispiel seien folgende Grenzwerte festgelegt, wobei SuG und SoG den untersten bzw. den obersten Intervallrand zur Feststellung des Schweregrades bezeichnen (vgl. Tabelle 1):
    Figure 00150001
    Tabelle 10: Grenzwerte zur Parameterbeschränkung
  • Der Abgleich erfolgt mittels der Gleichung
    Figure 00150002
  • Für die errechneten Vorhersagen ist nur für die Parameter M2 und M4 eine solche Korrektur erforderlich, da M2* = –62,4 < 20 = SuG,2 M4* = 8,99 > 5 = SoG,4
  • Damit ergeben sich die korrigierten Schätzwerte M ≈2* = 11,1 M ≈4* = 7,22
  • Insgesamt findet man also für die Score-Vorhersage auf der Basis der Einzelparameter folgendes Ergebnis:
    Figure 00160001
    Tabelle 11: Korrektur der Schätzwerte aufgrund unterer und oberer Grenzwerte
  • Schritt 6: Zur Verbesserung der Vorhersage können zusätzlich bekannte Wechselwirkungen zwischen den Einzelparametern mittels regelbasierter Fuzzy-Systeme einbezogen werden, indem aus den aktuellen Parameterkonstellationen parameterweise Korrekturfaktoren Fwechs,i (i = 1, ..., 4) abzuleiten sind. Mit diesen Korrekturfaktoren werden die bislang errechneten Vorhersagen korrigiert: Mi* = Mi,4 + (Mi* – Mi,4)·(1 + Fwechs,i) (i = 1, ..., 4) (Gl. 8)
  • Die Grundstruktur der zu verwendeten Systeme besitzt einen einheitlichen Aufbau: Jeder Parameter wird als Eingangsvariable im Sinne der Schweregrade in 4 Attribute gegliedert.
    • – „Unauffällig" (Schweregrad SG = 1)
    • – „Normal" (Schweregrad SG = 2)
    • – „Auffällig" (Schweregrad SG = 3)
    • – „Kritisch" (Schweregrad SG = 4)
  • Die entsprechenden vier Zugehörigkeitsfunktionen werden als am Rand geschulterte Dreiecksfunktionen eindeutig durch die Kenngrößen GuG,i, SuG,i, ..., SoG,i, GoG,i (I = 1, ..., 4) definiert, wobei die Intervallgrenzen S die Funktionsspitzen markieren und die Funktionswerte von benachbarten Zugehörigkeitsfunktionen sich zu 1 ergänzen.
  • Die Ausgangsvariable beschreibt den Wert des Korrekturfaktors FWechs,i (i = 1, ..., 4) mittels fünf Singleton-Ausprägungen
    • – „starke Zuwachserhöhung" (Zu = 5, FWechs = 0,25)
    • – „geringe Zuwachserhöhung" (Zu = 4, FWechs = 0,10)
    • – „keine Zuwachsveränderung" (Zu = 3, FWechs = 0,00)
    • – „geringe Zuwachsdämpfung" (Zu = 2, FWechs = – 0,10)
    • – „starke Zuwachsdämpfung" (Zu = 1, FWechs = – 0,25)
  • Zur Modifikation des Zuwachses aufgrund der Wechselwirkung ist durch den Anwender für jeden Parameter ein Regelwerk der folgenden Struktur vorzugeben, das auf dem aktuellen Stand der klinischen Kenntnisse des Anwenders beruht. Je nach Wissenstand und Anwendungsfall können unterschiedliche Regeln festgelegt werden.
  • Figure 00170001
  • Figure 00180001
    Tabelle 12: Regelwerk zur Modifizierung des Zuwachses für den Parameter M1
  • Sind nicht für alle Parameter solche Regeln bekannt, bleiben die errechneten Vorhersagen unverändert.
  • Mit dieser Angabe ist das Fuzzy-System nach der MIN-MAX-Inferenz und der Schwerpunkts-Defuzzifizierung vollständig beschrieben und kann in kommerziell verfügbaren Entwicklungstools für Fuzzy-Systeme umgesetzt werden [vgl. Fuzzy Control Manager von TransferTech GmbH Braunschweig].
  • Mit den angegebenen Regeln ergibt sich eine Zuwachskorrektur von:
    Figure 00180002
    Figure 00190001
    Tabelle 13: Vorhersagewerte nach Korrektur aufgrund der Wechselwirkungen zwischen den Parametern
  • Das endgültige Ergebnis der Score-Vorhersage lautet:
    Figure 00190002
    Tabelle 14: Ergebnis der Score-Vorhersager
  • Schritt 7: Der Vergleich von Schätzung und real eingetretenem Messwert zum nächstmöglichen Zeitpunkt liefert ein Maß der Vorhersagegenauigkeit. Im vorliegenden Beispiel sind am 02.10.01 06:30 neue Messwerte ermittelt wurden und in die Tabelle der gespeicherten Werte eingetragen. Da der Messzeitpunkt t5 nicht mit dem angenommenen Zeitpunkt T* übereinstimmt, sind zur Erreichung der Vergleichbarkeit die Schritte 2 bis 6 für den realisierten Zeitpunkt t5 zu wiederholen. Die Vorhersage wird nachträglich ermittelt, um die Abweichung Ai* zwischen Messwerte Mi,5 und Vorhersage Mi* zu berechnen:
    Figure 00200001
    Tabelle 15: Vergleich der Score-Vorhersage mit aktuellem Messergebnissen
  • Die Differenz zwischen Messwert und Vorhersage wird als ein Maß für eine Korrekturgröße genutzt, die bei der folgenden Vorhersage anzuwenden ist.
  • Schritt 8: Wird eine neue Anforderung an die Vorhersage des SOFA-Scores gestellt, so wird ausgehend von der Tabelle der gespeicherten Messwerte der letzten 12 Stunden (jedoch mindestens 4 Messwerte je Parameter) mittels der Schritte 2 bis 6 die Vorhersage für den Zeitpunkt der nächsten vorgesehenen Messung (02.10.01, 12:00, t6 = 1,5) ermittelt:
    Figure 00200002
    Tabelle 3': Score-Vorhersage für den Zeitpunkt t6 = 1,5
  • Im Ergebnis aller beschriebenen Berechnungen erhält man folgende Vorhersage:
    Figure 00210001
    Tabelle 14': Ergebnis der Score-Vorhersage
  • Die ermittelten Zuwächse sind nur durch Korrekturgrößen Ki nach der Formel Mi* = M ≈i* – Ki·|dM ≈i*|zu modifizieren, um die erreichte Treffsicherheit der Vorhersage zu berücksichtigen.
  • Der Zahlenwert für den Korrekturfaktor ergibt sich parameterweise aus einem Fuzzy-System, das folgende allgemeingültige Struktur aufweist:
    Figure 00210002
    Tabelle 16: Regelwerk zur Bewertung der Treffsicherheit
  • Wählt man für jeden Einzelparameter die Zugehörigkeitsfunktion der Eingangsvariablen als Dreiecksfunktionen zwischen –dMmax,i Und dMmax,i mit der Spitze bei –dMMax,i („abnehmend) bzw. bei dMMax,i („zunehmend") und der Ausgangsvariable (Korrekturfaktor) als Singleton-Funktionen bei –1 („negativ"), 0 („Null") und +1 („positiv"), ist das Fuzzy-System (MIN-MAX-Inferenz und Schwerpunkts-Defuzzifizierung) vollständig beschrieben.
  • Angewandt auf die Zahlenwerte des Ausführungsbeispiels erhält man schließlich folgende korrigierte Vorhersage:
    Figure 00220001
  • Damit sind die Vorschriften der Erfindung vollständig angewandt.

Claims (2)

  1. Verfahren zum Vorhersagen einer summarischen Bewertung von Parametern einer Person auf der Grundlage einer Score-Berechnung, wobei in Zeitintervallen für die Parameter, die einen messbaren Beitrag zum Gesamtzustand einer Person leisten, für unterschiedliche Messgrößen, wie Körpertemperatur in °C, Atemfrequenz in 1/min usw., Messwerte ermittelt werden, die mit ganzen Zahlen, die die Schwere des jeweiligen Parameters quantifizieren, versehen werden, und die Summe der Werte der ausgewählten Parameter den Score für den Messzeitpunkt ergibt, dadurch gekennzeichnet, dass a) die in Zeitintervallen gemessenen Messwerte (M) für jeden der 1 ... m Parameter unter Angabe einer Zeitmarkierung gespeichert werden und ein Zeitraum für den Vorhersagezeitraum angegeben wird, der durch den Zeitpunkt (t*) der nächsten vorgesehenen Routinemessung vorgegeben ist; b) eine Vorhersage der Messwerte (Mi*(i = 1 ... m)) für jeden Parameter zum Zeitpunkt (t*) nach einem statistischen Regressionsmodell erfolgt, wobei der Vorhersagewert Mi* als Funktion zum Zeitpunkt t* mit Hilfe von Regressionskoeffizienten beschrieben ist, c) unter Berücksichtigung der Messgenauigkeit zum letzten Messzeitpunkt (tn), die durch einen Variationskoeftizientwert (VK) als Maß der Messgenauigkeit im Messlabor im Rahmen der Qualtitätssicherung regelmäßig bestimmt wird, werden für alle Messwerte (M) die Berechnung der Vorhersagewerte nach dem Regressionsmodell für die Grenzen der unteren Messwertschwankung (MuG;i = Mi·(1–VK)) und der oberen Messwertschwankung (MoG,i = Mi·(1+VK)) wiederholt; d) nachfolgend die ermittelten Vorhersagewerte (M*i) hinsichtlich ihrer Plausibilität bewertet werden, wozu die beobachteten Zuwächsen auf eine Zeiteinheit, beispielsweise 1 Stunde, normiert werden, nämlich,
    Figure 00240001
    und der betragsmäßige Mittel- bzw. Maximalwert berechnet wird
    Figure 00240002
    und der Zuwachs, den die errechnete Vorhersage realisiert, mit Hilfe der mittleren (dMmittel) und maximalen (dMmax) Zuwächse korrigiert wird, falls dieser Zuwachs betragsmäßig größer ist als der mittlere Zuwachs
    Figure 00240003
    und dies dann eine Korrektur der Vorhersage zu M*i = Mi,m + dM*i ·(t*–tm)·24ergibt; e) weiterhin ist für jeden Parameter der errechnete Zuwachs zusätzlich bezüglich klinischer Grenzwert GuG,i und GoG,i (i = 1 ... m), die den Wertebereich der Parameter nach unten bzw. nach oben begrenzen, nach
    Figure 00250001
    abzugleichen und sich ergebende erforderliche Korrekturen der Schätzwerte vorzunehmen und f) zur weiteren Verbesserung der Vorhersage werden bestehende Wechselwirkungen zwischen den Einzelparametern mittels regelbasierter Fuzzy-Systeme einbezogen, in dem aus aktuellen Parameterkonstellationen parameterweise Korrekturfaktoren Fwechsi (je 1 ... n) abzuleiten sind, mit denen die bislang errechneten Vorhersagewerte zur Score-Berechnung korrigiert werden.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass beim Vorliegen neuer Messwerte mit einem Messzeitpunkt, der nicht mit einem der vorherigen Messungen übereinstimmt, zur Erreichung der Vergleichbarkeit die Schritte b) bis f) wiederholt werden; die Abweichungen zwischen Messwerte und Vorhersagewerte berechnet werden und die Differenzen zwischen Messwerte (M) und Vorhersagewerte (M*) als ein Maß für eine Korrekturgröße (Ki) genutzt werden, die bei einer folgenden Vorhersage für den Zeitpunkt der nächsten vorhergesehenen Messung anzuwenden ist, wobei für diesen Vorhersagezeitpunkt die Vorhersage nach den Schritten b) bis f) zu ermitteln und die ermittelten Zuwächse durch die Kenngröße (Ki) zu modifizieren ist, um die Treffsicherheit der Vorhersage zu verbessern, wobei der Zahlenwert für den Korrekturfaktor (Ki) sich parameterweise aus einem Fuzzy-System ergibt.
DE10157653A 2001-11-26 2001-11-26 Verfahren zum Vorhersagen einer summarischen Bewertung von Parametern einer Person Expired - Fee Related DE10157653B4 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE10157653A DE10157653B4 (de) 2001-11-26 2001-11-26 Verfahren zum Vorhersagen einer summarischen Bewertung von Parametern einer Person

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE10157653A DE10157653B4 (de) 2001-11-26 2001-11-26 Verfahren zum Vorhersagen einer summarischen Bewertung von Parametern einer Person

Publications (2)

Publication Number Publication Date
DE10157653A1 DE10157653A1 (de) 2003-06-12
DE10157653B4 true DE10157653B4 (de) 2005-01-27

Family

ID=7706817

Family Applications (1)

Application Number Title Priority Date Filing Date
DE10157653A Expired - Fee Related DE10157653B4 (de) 2001-11-26 2001-11-26 Verfahren zum Vorhersagen einer summarischen Bewertung von Parametern einer Person

Country Status (1)

Country Link
DE (1) DE10157653B4 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009075796A1 (en) * 2007-12-05 2009-06-18 Massachusetts Institute Of Technology System and method for predicting septic shock

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4941820A (en) * 1986-04-16 1990-07-17 Nea Technologies, Inc. Pulse combustion energy system
US4967754A (en) * 1988-06-15 1990-11-06 Hospal Ag Method and apparatus for anticipating side effects manifested in a patient during dialysis treatment

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4941820A (en) * 1986-04-16 1990-07-17 Nea Technologies, Inc. Pulse combustion energy system
US4967754A (en) * 1988-06-15 1990-11-06 Hospal Ag Method and apparatus for anticipating side effects manifested in a patient during dialysis treatment

Also Published As

Publication number Publication date
DE10157653A1 (de) 2003-06-12

Similar Documents

Publication Publication Date Title
EP2835143B1 (de) Vorrichtung zur Vorhersage intradialytischer Parameter
DE68918167T2 (de) Vorrichtung zur Vorhersage von Nebeneffekten während einer Dialyse.
EP3019080B1 (de) Verfahren zur automatischen auswertung eines absens-eeg, computerprogramm und auswertegerät dafür
DE4417610C2 (de) Alarmerfassung bei der Patientenüberwachung durch Verwendung der Trendvektoranalyse
DE69633435T2 (de) Gerät für die automatische hämodialyse
EP2290371A1 (de) Kalibrierverfahren zur prospektiven Kalibrierung eines Messgeräts
DE102008016298A1 (de) Verbesserung der Verlässlichkeit bei der Bestimmung des klinischen Zustands einer Testperson
DE102007017552A1 (de) Fallabhängige Krankheitsverlaufsvorhersage bei einem Echtzeit-Überwachungssystem
WO2005081161A2 (de) Verfahren zur qualitätskontrolle von je an unterschiedlichen, aber vergleichbaren patientenkollektiven im rahmen eines medizinischen vorhabens erhobenen medizinischen datensätzen
WO2014060182A1 (de) Vorrichtung und verfahren zum erkennen und melden eines belastungszustandes einer person
EP0834825A1 (de) Verfahren und Anordnung zur Bestimmung individualspezifischer Tagesprofile der Blutzuckerkonzentration, der Insulinwirkung und der Nahrungsresorption
DE19627848A1 (de) Verfahren zum Perimetrieren des Gesichtsfeldes des menschlichen Auges
EP1640888A2 (de) Verfahren zum Abschätzen und Überwachen des medizinischen Risikos einer Gesundheitsstörung bei einem Patienten
EP1175865B1 (de) Kardiologisches Geräteimplantat ausgestattet mit einem Auswerteverfahren zur Bestimmung der zeitlichen Stationarität gemessener kardiologischer Signale
DE10157653B4 (de) Verfahren zum Vorhersagen einer summarischen Bewertung von Parametern einer Person
DE212005000005U1 (de) Vorrichtung zur adaptiven Datenanalyse
DE102008003237A1 (de) Vorrichtung und Verfahren zur Steuerung der Sedierungstiefe eines maschinell beatmeten Patienten
EP1274342A1 (de) Verfahren und vorrichtung zum messen von vitalparametern
DE102015109853A1 (de) Assistenz- und Entscheidungssystem und Verfahren zur Auswertung von Elektroenzephalogrammen
DE2531242C3 (de) Verfahren und Vorrichtung für die Erkennung und Vorhersage eines Gefahrenzustandes bei der intensiven Krankenüberwachung
DE102007001879A1 (de) Vorrichtung zum Bestimmen einer Alkoholkonzentration
AT411143B (de) Vorrichtung zum auswerten psychologischer und biomedizinischer rohdaten
DE102021120512A1 (de) Bewertungseinheit für ein medizinisches System
EP4427766A1 (de) Verfahren und system zum automatischen charakterisieren eines gefässzugangs eines dialysepatienten
DE102022114277A1 (de) Verfahren, Vorrichtung und ausführbares Computerprogramm zur individualisierten Quantifizierung einer respiratorischen Sinusarrhythmie

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8364 No opposition during term of opposition
8327 Change in the person/name/address of the patent owner

Owner name: LOESER MEDIZINTECHNIK GMBH, 04103 LEIPZIG, DE

R119 Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee
R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: G06F0019000000

Ipc: G16H0050300000