EP4670186A1 - System zur bereitstellung eines warnhinweises in bezug auf den gesundheitszustand eines patienten während einer intensiven behandlung einer malignen grunderkrankung - Google Patents

System zur bereitstellung eines warnhinweises in bezug auf den gesundheitszustand eines patienten während einer intensiven behandlung einer malignen grunderkrankung

Info

Publication number
EP4670186A1
EP4670186A1 EP24707020.4A EP24707020A EP4670186A1 EP 4670186 A1 EP4670186 A1 EP 4670186A1 EP 24707020 A EP24707020 A EP 24707020A EP 4670186 A1 EP4670186 A1 EP 4670186A1
Authority
EP
European Patent Office
Prior art keywords
data
evaluation device
patient
neural network
irregular
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP24707020.4A
Other languages
English (en)
French (fr)
Inventor
Guido Kobbe
Malte Jacobsen
Markus Kollmann
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.)
Heinrich Heine Universitaet Duesseldorf Koer
Rheinisch Westlische Technische Hochschuke RWTH
Original Assignee
Heinrich Heine Universitaet Duesseldorf Koer
Rheinisch Westlische Technische Hochschuke RWTH
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 Heinrich Heine Universitaet Duesseldorf Koer, Rheinisch Westlische Technische Hochschuke RWTH filed Critical Heinrich Heine Universitaet Duesseldorf Koer
Publication of EP4670186A1 publication Critical patent/EP4670186A1/de
Pending 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
    • G16H50/20—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
    • G16H50/30—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

Definitions

  • Oncological diseases are increasingly being diagnosed and are becoming increasingly easier to treat.
  • therapies can be available on an inpatient or outpatient basis. This usually depends on the toxicity of the treatment regimen. It can also be assumed that therapies that have a higher probability of causing serious complications (adverse events) are usually carried out on an inpatient basis in order to be able to treat them promptly and effectively if a complication occurs.
  • inpatient therapy is significantly more expensive than outpatient therapy. These costs are due to the availability of therapy places and the availability of the appropriate staff.
  • this approach means that a large number of inpatient therapy places are used prophylactically, meaning that they are not available to patients who urgently need treatment. This is particularly problematic when there is a high demand for inpatient therapy places.
  • the frequency of assessment by qualified personnel decreases accordingly from several times a day to, for example, three times a week, thus changing the quasi-continuous monitoring into aperiodic, punctual and thus incomplete monitoring.
  • CRS cytokine release syndrome
  • ICANS immune effector cell-associated neurotoxicity syndrome
  • cardiac side effects such as cardiac arrhythmias.
  • US patent application US 2021 / 0 290 060 Al is known from the prior art. It describes a system and method for remote patient management and monitoring. The patient is monitored using a wireless sensor system. The system continuously monitors physiological parameters. The system triggers alarms if the patient's physiological data violates threshold values.
  • the system is therefore suitable for acute events, but not suitable for predicting serious complications so that they could be treated before an acute phase.
  • US patent application US 2002 / 0 338 923 Al discloses a device that can be worn on the surface of the body and can be used to diagnose individual locations that are associated with electrical arrhythmias. For this purpose, individual data is collected at specific times.
  • this system which enables individualized rhythmological therapy of patients with heart disease, is not suitable for detecting inflammatory conditions.
  • one object of the invention is to enable safe outpatient therapy for patients.
  • Fig. 1-4 each show a schematic view of aspects according to embodiments of the invention.
  • references to standards or specifications are to be understood as references to standards or specifications that are/were in force at the time of the application and/or - if priority is claimed - at the time of the priority application. However, this should not be understood as a general exclusion of applicability to subsequent or replacing standards or specifications.
  • An exemplary system 1 for providing a warning with regard to the state of health of one or more patients PI...PN during intensive treatment of a malignant underlying disease, in particular hematological malignancies has a device W1...WN that can be worn on the body of the patient PI...PN for measuring a plurality of vital parameters.
  • Each portable device W1...WN is assigned to exactly one patient PI...PN.
  • Treatment means in particular treatment, e.g. by means of chemotherapy and/or immunotherapy and/or radiotherapy.
  • the assignment can be made, for example, by providing a unique identification feature, e.g. during data transmission, provision of data sets, etc.
  • a MAC address of a communication device of the portable device W1...WN in question can also be used for this purpose.
  • the system has an evaluation device A.
  • the portable devices W1...WN are each designed to continuously record the majority of vital parameters. Without limiting the generality, a wide variety of (digitalizable) vital parameters can be recorded.
  • vital parameters are selected from a group comprising pulse, pulse variation, respiratory rate, temperature, electrical skin resistance, oxygen saturation, blood pressure, acceleration, changes in orientation, and activity. It should be noted that, for example, activity can be derived from other vital parameters such as acceleration, power and/or location data and/or magnetic field data.
  • the portable devices W1...WN are not necessarily of the same type. Likewise, it is not necessarily required that all portable devices W1...WN also record the same vital parameters. However, it is desirable and advantageous if the portable devices W1...WN are of the same type and/or at least record a similar majority of vital parameters.
  • the portable devices W1...WN also have at least one I/O interface in order to be able to forward recorded data to the evaluation device A.
  • the evaluation device A also has at least one I/O interface in order to be able to receive recorded data directly or indirectly from one or more of the portable devices W1..WN.
  • Examples of interfaces can be either wireless or wired. Examples of wireless interfaces include Bluetooth, DECT, WLAN, ZigBee, but this does not exclude other wireless interfaces. Examples of wired interfaces include interfaces based on electrical conductors, such as USB, Ethernet, or based on light waves, such as fiber optics, but this does not exclude other wireless interfaces.
  • the evaluation device A has a processing device CPU and also a data input device HID and a data output device DIS.
  • the evaluation device A can be, for example, a conventional desktop computer with a programmed layout.
  • the processing device CPU can then be a microprocessor and/or a graphics processor present there.
  • ASICS, FPGAs, signal processors, etc. can be provided as (part of) a processing device CPU.
  • the data input device HID can be, for example, a keyboard and/or a graphics tablet and/or a pointing device such as a mouse. Other devices that serve the purpose of input can be provided alternatively or additionally.
  • the data output device DIS can be a screen. Other devices serving the purpose of output can be provided alternatively or in addition.
  • First received data recorded by means of the data output device DIS can be displayed by a user Dl ... DN, e.g. by means of the data output device DIS, in order to differentiate and assign regular data and irregular data.
  • such a user is Dl ... DN trained, e.g. a licensed physician.
  • the data input device HID is designed to accept a differentiation and assignment of regular data and irregular data by the user Dl ... DN.
  • the user Dl ... DN can, for example, classify data for a training phase for a neural network Kl with respect to a specific patient PI.
  • the evaluation device A has a neural network Kl in terms of programming, whereby the neural network Kl was previously trained in a self-supervised manner on regular data.
  • the evaluation device A evaluates second data obtained after the training phase by means of the neural network Kl, the second data obtained being temporally subsequent to the first data, the neural network allocating regular data and irregular data, the Evaluation device A is further configured to notify a user Dl ... DN and/or the patient PI by means of a warning when irregular data is detected.
  • the invention can now be used to record vital parameters of a patient PI (or several patients PI...PN) via a (respective) portable device W1...WN and to evaluate them in real time using a Kl algorithm.
  • the current state of the patient in question can be continuously compared with the state that was defined as normal for the patient in question by a user Dl...DN.
  • the interaction of the vital parameters can vary depending on the time of day and the activity of the patient in question. This means that, unlike the prior art, not only are limit violations of a single vital parameter detected, but the time-of-day and activity-dependent course of different vital parameters is taken into account by the evaluation unit A.
  • the deviation from the individual normal state indicates a possible complication and can therefore be used as a starting point for further medical measures.
  • Such a deviation can therefore be used to notify a user Dl...DN and/or to notify the patient concerned PI...PN.
  • Notification can be an invitation to a practice or clinic, contact to clarify the condition, initiation of an emergency operation, etc.
  • the invention thus saves numerous routine visits to a clinic / practice on the one hand and prevents too long intervals between appointments on the other hand, which can lead to the aggravation of a complication and thus to the development of serious side effects.
  • the invention therefore makes it possible to change outpatient cancer therapy from a rigid presentation rhythm to a needs-oriented presentation dynamic. This also makes it possible to shift some forms of therapy (CAR-T cell therapy, autologous blood stem cell transplantation) from the inpatient to the outpatient sector with sufficient safety.
  • the invention therefore also reduces the burden on inpatients in oncology and reduces the number of outpatient appointments.
  • the possibility of early intervention when complications arise and the outpatient monitoring of the success of these interventions lead to further savings in resources in both inpatient and outpatient settings.
  • the present invention describes a system and a method for distinguishing between a normal state and the deviations from the normal state (anomalies) of a patient PI...PN.
  • an individual risk index is created for each patient.
  • Self-supervised learning algorithms are used to map the time series of vital signs P1_HD1 ... P1_HDN of the patient PI to a vector in a step 100 and to concentrate the information.
  • vital parameters P1_HD1 ... P1_HDN of the patient PI are recorded by different sensors S1...SN. These vital parameters come from different time periods 1...N in which the patient is healthy according to the assessment of a user Dl ... DN. These time periods can be parts of a longer (consecutive) period or non-consecutive periods. This means that vital parameters from different days can also be used as time periods.
  • Sensors can be of different nature. In addition to electrical sensors, acceleration sensors, optical sensors (e.g. for measuring blood sugar, oxygen saturation, etc.), thermal sensors, etc. can also be used.
  • This time series of vital parameters P1_HS1 ... P1_HSN can then be mapped to a respective vector P1_V1 ... P1_VN in a step 100 by means of feature extraction using a parameterized model (e.g. neural network, e.g. based on self-supervised learning).
  • a parameterized model e.g. neural network, e.g. based on self-supervised learning.
  • the vectors P1_V1 ... P1_VN of the patent PI form a vector data set.
  • This feature extraction can be carried out using self-supervised learning, whereby features that occur unchanged in close temporal proximity and/or in different vital parameters are filtered out.
  • this feature filtering corresponds to the approximate calculation of the mutual information between neighboring sections of the time series and/or between vital parameters.
  • the vectors P1_V1 ... P1_VN of a healthy patient form a reference system.
  • the similarity of the current vector P1_VX with vectors from the vectors P1_V1 ... P1_VN of the patient PI from the vector data set can then be determined.
  • the closest vector to P1_VX in the reference system can be determined for a new time series P1_HSX to be tested. Then, in step 400, it can be determined, for example, from the distance of the closest vector to the vector P1_VX to be tested, whether the patient has an abnormality in the vital data. If the distance exceeds a predetermined level, there is a risk of serious complications.
  • the vector-generating algorithm is preferably trained on the data of all patients.
  • the vector to be tested is then compared with a similarity measure to all other vectors of the patient without complications.
  • the anomaly detection is specific for each patient. With the method it is possible to interpret the same pattern as an anomaly for one patient PI and as normal for another patient P2...PN.
  • the invention preferably uses deep self-supervised learning algorithms, which approximately calculate the transinformation in order to filter out statistically over-represented patterns in a time series and to ignore noise (for more information, see the document "A Simple Framework for Contrastive Learning of Visual Representations" be taken).
  • Each of these patterns can be assigned a vector (feature vector) and vectors that generate similar patterns and point in a similar direction.
  • Each patient PI...PN is characterized by a set of vectors P1_V1 .... P1_VN in his vector data set that correspond to his normal state. Deviations from the normal state (anomalies) are revealed by vectors whose directions are significantly different from the directions of the vectors of the normal state.
  • the vector-generating algorithm is trained on the data of all patients PI....PN, but the anomaly detection is specific to each patient. This means that the same pattern can mean an anomaly for one patient PI and the normal state for another patient P2.
  • the training data for the Kl algorithm were collected as part of the CoMMoD-CAST "proof of principle" study in 2018-2020 at the University Hospital Düsseldorf. Vital parameters were monitored in 79 patients during intensive hematological therapy, as well as after allogeneic or autologous blood stem cell transplantation, using portable devices W1...WN and the recorded data were retrospectively correlated with the clinical course by a user Dl ... DN. In total, around 43,000 hours of vital parameters were recorded.
  • training data can also be used, particularly in relation to other oncological therapies.
  • the above training data only represents an implementation of the inventive idea in relation to a specific form of therapy. It is essential that the automated risk analysis and assessment is based on the analysis of a very large data set of vital parameters of similar patients PI...PN in similar clinical situations.
  • CRS cytokine release syndrome
  • the invention also allows therapy progress to be monitored.
  • Figure 2 shows typical communication relationships between exemplary elements of a system 1 according to the invention.
  • a portable device W1 is assigned to a patient PI.
  • This portable device W1 records the patient's vital parameters using sensors S1...SN (see also Figure 4). Alternatively or additionally, it can also record subjective sensations of the patient PI. This data can then be forwarded to the evaluation device A.
  • a direct connection (not shown) or an indirect connection via one or more intermediate stations can be established.
  • the data can be transmitted periodically or aperiodically.
  • the term transmission includes both active transmission and passive querying.
  • Figure 2 shows an example of an indirect connection.
  • recorded data is forwarded in a step 50 to a mobile device M1 of the patient PI.
  • This can be done via a wired or wireless interface (as previously described).
  • the communication between the mobile device M1 and the portable device W1 can and preferably is encrypted.
  • the mobile device Ml can be programmed by an application to alternatively or additionally record subjective sensations of the patient PI.
  • the recorded data (including the recorded subjective sensations) can be transmitted (ie actively or passively) to a database DB for intermediate storage, therapy progress documentation, etc. in a step 60.
  • the communication between the mobile device Ml and the database DB can and preferably is encrypted.
  • the recorded data of the patient PI can be transmitted from the database DB to the evaluation device A (actively or passively) in a step 70.
  • the communication between the evaluation device A and the database DB can and preferably is encrypted.
  • the data can also be transmitted (actively or passively) to a user Dl ... DN in a step 80.
  • the communication between the user Dl ... DN and the database DB can and preferably is encrypted.
  • the recorded data is vectorized in the evaluation device A as described above.
  • the evaluation device A carries out an evaluation as previously described in relation to steps 100 - 400.
  • the result of the evaluation can then be made available both as information 500 to the user Dl ... DN and (alternatively or additionally) to the user PI, e.g. as a message on his mobile device Ml in step 550 and/or on his portable device W1 or by forwarding from his mobile device Ml to his portable device W1 in step 950.
  • the patient PI can be asked to seek treatment or to make contact, as previously described.
  • the user Dl ... DN only contacts the user PI via his mobile device Ml or another means of communication such as a landline, email, etc. after an assessment of the data from step 500 (and possibly from step 80).
  • a risk index SSC is determined by the smallest distance (ie cosine similarity) of the vector to be tested P1_VX with all other vectors of the patient without complications.
  • the user Dl ... DN can assess the time periods as either regular or irregular. In a regular time period, no serious clinical complications occurred, whereas in an irregular time period at least one serious clinical complication occurred.
  • CTCAE is a classification scheme commonly used in medicine to classify adverse events.
  • a CTCAE grade of 3 stands for a medically significant but not immediately life-threatening event that indicates inpatient admission or an extension of inpatient treatment. The event itself is disabling or can lead to a restriction of activities of daily living for self-care. The higher the grade, the more threatening the situation.
  • the evaluation device A can then determine a so-called null hypothesis Ho, i.e. a value distribution Pi for the patient Pi. This then provides a null hypothesis for this specific patient, by means of which the evaluation device A can further calculate a statistical measure for anomaly detection.
  • null hypothesis Ho i.e. a value distribution Pi for the patient Pi. This then provides a null hypothesis for this specific patient, by means of which the evaluation device A can further calculate a statistical measure for anomaly detection.
  • the functioning of the trained neural network Kl can then be tested using other time periods - in this case Pl_4 ... Pl_6. If it works, this then delivers a value outside the value distribution of the null hypothesis.
  • the significance can be selected appropriately according to clinical requirements, so that an action is only triggered when the significance is exceeded.
  • Anomaly identification is inherently a very unbalanced binary classification problem, where normal or typical data points are very common and abnormal data points or outliers are typically rare.
  • the distribution of possible anomalies is not known, but is assumed to be much broader than the distribution of normal data points (in-distribution).
  • the invention follows, for example, the strategy of finding distribution-specific features, assuming that there are sufficiently large subsets of data points that share at least some of these features. This strategy implies that normal data points are typically very close to at least one of the subsets in the feature space, while outliers are expected to be further away.
  • One way to learn distribution-specific features is to supplement the dataset with examples that have high variance for features that are not distribution-specific. and are expected to be present in outliers but have low variance for distribution-specific features.
  • an in-distribution consists of images of natural objects (e.g., images of "cats", "ships”, etc.)
  • the transformations applied to each image such as combinations of moderate cropping and resizing, moderate color dithering, and horizontal flipping, have a strong effect on the individual pixel values (low-level features), but little effect on the object category (high-level features) - a "cat” remains a "cat". Consequently, the information shared by any two transformations of the same image (positive pair) can be used to define the distribution-specific features.
  • the disadvantage of this approach is that it requires knowing a priori which transformations can significantly shift the data points but leave the distribution-specific features unchanged.
  • time series data For the time series data used in the invention, no new data is generated, but any two time intervals x and x' of, for example, 1000 seconds in length, randomly selected within the same hour but separated by, for example, at least 500 seconds, are defined as a positive pair.
  • the valid transformations are random shifts of these intervals within a given hour by, for example, at most 500 seconds.
  • the neural network fo (x) is trained by a self-supervised contrastive learning objective that approximately maximizes the mutual information for the sampled positive pairs across all recorded hours.
  • An exemplary neural network Kl trained with exemplary training data is based on a ResNet architecture with at least 24 blocks, each block having at least two convolution layers, each block having a subsequent normalization (e.g. batch normalization) and a ReLu (Rectified Linear Unit) activation.
  • Exemplary convolution layers have filters of at least size 16 with a step size of 2.
  • Each convolution layer has at least 32 filters, which double every 12 blocks.
  • the output of the neural network Kl can be forwarded to a projection head having BN, ReLU and a linear layer.
  • the encoder fo maps inputs to a 128-dimensional feature space embedding.
  • the outputs of this network are L-normalized, /r/
  • the input features were stored at a sampling rate of 1 Hz from the portable device W1...WN.
  • a score function can be defined to evaluate whether a particular test sample should be classified as an outlier (SCC).
  • SCC outlier
  • the cosine similarity based SCC score SSCC(x) is defined as
  • K' 6 and the /it est samples are random samples from the same hour.
  • the test example x tes t is classified as SCC if the SCC score is above a threshold.
  • the cosine similarity is calculated with respect to the closest example among the regular training hours of the patient being tested and not to the regular training hours of all patients. The invention now enables patients to receive safe outpatient therapy and at the same time valuable time and space resources can be reserved for acute patients.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

Die Erfindung betrifft ein System (1) zur Bereitstellung eines Warnhinweises in Bezug auf den Gesundheitszustand eines Patienten (P1...PN) während einer intensiven Behandlung einer malignen Grunderkrankung, das System aufweisend • eine am Körper des Patienten (P1) tragbare Einrichtung (W1) zur Messung von einer Mehrzahl von Vitalparametern und • eine Auswerteeinrichtung (A), • wobei Vitalparameter aus einer Gruppe aufweisend Puls, Pulsvariation, Atemfrequenz, Temperatur, elektrischer Hautwiderstand, Sauerstoffsättigung, Blutdruck, Beschleunigung, Orientierungsänderungen, und Aktivität ausgewählt sind, • wobei die tragbare Einrichtung (W1) eingerichtet ist, die Mehrzahl von Vitalparametern kontinuierlich zu erfassen, • wobei die tragbare Einrichtung (W1) weiterhin zumindest eine Schnittstelle (I/O) aufweist, um erfasste Daten an die Auswerteeinrichtung (A) weiterreichen zu können, • wobei die Auswerteeinrichtung (A) weiterhin zumindest eine Schnittstelle (I/O) aufweist, um erfasste Daten der tragbaren Einrichtung (W1) erhalten zu können, • wobei die Auswerteeinrichtung (A) eine Verarbeitungseinrichtung (CPU) aufweist, • wobei die Auswerteeinrichtung (A) weiterhin eine Dateneingabeeinrichtung (HID) und eine Datenausgabeeinrichtung (DIS) aufweist, • wobei mittels der Datenausgabeeinrichtung (DIS) erfasste erste erhaltene Daten zur Unterscheidung und Zuordnung von regulären Daten und irregulären Daten durch einen Benutzer (D1... DN) dargestellt werden können, • wobei die Dateneingabeeinrichtung (HID) eingerichtet ist eine Unterscheidung und Zuordnung von regulären Daten und irregulären Daten durch den Benutzer (D1... DN) entgegenzunehmen, • wobei die Auswerteeinrichtung (A) ein neuronales Netzwerk (KI) aufweist, wobei das neuronale Netzwerk zuvor self-supervised auf regulären Daten trainiert wurde, • wobei die die Auswerteeinrichtung (A) mittels des neuronalen Netzwerkes (KI) zweite erhaltene Daten auswertet, wobei die zweiten erhaltenen Daten zeitlich nachfolgend zu den ersten Daten sind, wobei das neuronale Netzwerk reguläre Daten und irreguläre Daten zuordnet, • wobei die Auswerteeinrichtung (A) weiterhin dazu eingerichtet ist, wenn irreguläre Daten erkannt werden, die eine drohende infektiologische, bzw. immunologische Komplikation anzeigen, einen Benutzer mittels eines Warnhinweises zu benachrichtigen.

Description

System zur Bereitstellung eines Warnhinweises in Bezug auf den Gesundheitszustand eines Patienten während einer intensiven Behandlung einer malignen Grunderkrankung
Hintergrund
Onkologische Erkrankungen werden zunehmend häufiger erkannt und sind zunehmend besser therapierbar. Therapien können dabei je nach Art der Behandlung stationär oder auch ambulant verfügbar sein. In aller Regel ist dies abhängig von der Toxizität des Therapieregimes. Dabei kann zudem angenommen werden, dass Therapien, die eine höhere Wahrscheinlichkeit für das Auftreten von schweren Komplikationen (engl. adverse events) aufweisen, in aller Regel stationär durchgeführt werden, um bei Auftreten einer Komplikation zeitnah und effektiv behandeln zu können.
Eine stationäre Therapie verursacht dabei aber erheblich höhere Kosten als eine ambulante Therapie. Diese Kosten sind zum einen der Vorhaltung der Therapieplätze aber auch der Vorhaltung des entsprechenden Personals geschuldet. Zudem wird durch diese Vorgehensweise eine hohe Anzahl von stationären Therapieplätzen - prophylaktisch - genutzt, sodass diese akut behandlungsbedürftigen Patienten nicht zur Verfügung stehen. Dies ist insbesondere dann problematisch, wenn es einen hohen Bedarf an stationären Therapieplätzen gibt.
Bereits heute werden daher in Mangellagen - verursacht z.B. auch durch Personalmangel - Patienten, die nach bisherigen Ansätzen eher stationär therapiert wurden, ambulant betreut, um so diesen Patienten die Therapie zu ermöglichen. Dies erfordert aber wegen der höheren Wahrscheinlichkeit für das Auftreten von schweren Komplikationen eine engmaschige Überwachung, sodass bei Auftreten einer schweren Komplikation zeitnah gehandelt werden kann.
In einem stationären Therapieumfeld kann dies durch regelmäßige Kontrollen und Visiten durch Ärzte oder anderes qualifiziertes Personal gut sichergestellt werden. Dabei werden objektivierbare Parameter wie Temperatur, Blutdruck, Herzfrequenz und Sauerstoffsättigung und häufig auch Blutwerte wie Leukozyten, Thrombozyten, Hämatokrit, Blutsenkung, Hämoglobin und/oder CRP erhoben, andererseits erfasst der erfahrene „medizinische Blick" des Personals klinische Veränderungen und kann so Komplikationen frühzeitig erkennen.
In einem ambulanten Therapieumfeld ist dies nicht mit der gleichen Intensität möglich, da ein Hausbesuch des Arztes oder eines Pflegedienstes, bzw. eine Vorstellung des Patienten in einer spezialisierten Ambulanz seltener erfolgt und nicht zu einer Dokumentation gleicher Güte führt. Ebenso werden in einer Betreuung durch einen ambulanten Arztkontakt nicht immer alle objektivierbaren Parameter erfasst.
Mit anderen Worten, die Beurteilungsfrequenz durch qualifiziertes Personal sinkt dementsprechend von mehrfach pro Tag auf beispielsweise 3x pro Woche, somit ändert sich die quasi kontinuierliche Überwachung in eine aperiodisch punktuelle und damit auch lückenhafte Überwachung.
Dies führt dazu, dass eine verlässliche Früherkennung potentiell lebensbedrohlicher Komplikationen mit diesem Modell nur noch bedingt möglich ist. Daher kommt es in der ambulanten onkologischen Therapie immer wieder zu schweren Komplikationen, die dann eine stationäre Aufnahme erfordern. Häufig ist der Schweregrad der Komplikationen dann auch höher als bei einer stationären Therapie und erfordert eine komplexere Therapie. Vielfach führt dies auch zu einer Verzögerung der eigentlichen onkologischen Therapie.
Die häufigsten Komplikationen intensiver onkologischer Therapieregime sind Infektionen, immunologisch vermittelte Reaktionen, wie z.B. Cytokine Release Syndrome (CRS) , Immune-Effector- Cell-associated-Neurotoxicity-Syndrome (ICANS), etc. , und kardiale Nebenwirkungen, wie z.B. Herzrhythmusstörungen.
Entscheidend für eine erfolgreiche und schnelle Beherrschung dieser Komplikationen ist das frühzeitige Erkennen und das Einleiten der richtigen Gegenmaßnahmen zu einem möglichst frühen Zeitpunkt. Gelingt dies nicht, so verlaufen Komplikationen schwer und langwierig, bringen den Patienten unter Umständen in Lebensgefahr und verzögern die Fortführung der onkologischen Therapie. Damit wird die Heilung der Grunderkrankung gefährdet. Aus dem Stand der Technik ist der Artikel "ViSiBiD: A learning model for early discovery and real-time prediction of severe clinical events using vital signs as big data", der Autoren Abdur Rahim Mohammad Forkan, Ibrahim Khalil, Mohammed Atiquzzaman, veröffentlicht in Computer Networks, Volume 113, 2017, Seiten 244-257, ISSN 1389-1286, https://doi.Org/10.1016/i.comnet.2016.12.019 bekannt. In dem Artikel wird ein System zur Erkennung von allgemeinen klinischen „Ereignissen" („events") beschrieben, die aus einer Verschlechterung chronischer Erkrankungen resultieren. Der Ansatz basiert auf der Analyse großer, öffentlich zugänglicher Datenbanken, welche nicht zum Zweck einer gezielten Patientenüberwachung erstellt wurden.
Für Patienten, die aufgrund einer Therapie gefährdet sind spezifische Komplikationen zu erleiden, ist ein solcher Ansatz jedoch ungeeignet. Insbesondere ist das System ungeeignet eine gezielte Überwachung von spezifischen, potentiell lebensbedrohlichen Komplikationen (SCC = serious clinical complications), die im Rahmen einer intensiven Chemo-Immuntherapie von Krebserkrankungen auftreten können, zu erkennen, denn diese Komplikationen und die daraus resultierenden individuellen körperlichen Reaktionen der Patienten sind vielgestaltig und nicht aus den Rohdaten diagnostizierbar. Vielmehr stellt das dort vorgestellte System ein System zur Erkennung von allgemeinen klinischen „Ereignissen" („events") dar, die aus einer Verschlechterung chronischer Erkrankungen resultieren.
Weiterhin ist aus dem Stand der Technik die US-Patentanmeldung US 2021 / 0 290 060 Al bekannt. Dort wird ein System und Verfahren zur Fernverwaltung und - Überwachung von Patienten beschrieben. Dabei wird der Patient mit einem drahtlosen Sensorsystem überwacht. Das System überwacht kontinuierlich physiologische Parameter. Das System löst Alarme aus, wenn die physiologischen Daten des Patienten Schwellenwerte verletzen.
Das System ist damit für akute Ereignisse geeignet, jedoch nicht geeignet schwere Komplikationen zu prognostizieren, sodass diese vor einer Akutphase behandelt werden könnten.
Aus der US Patentanmeldung US 2002 / 0 338 923 Al ist ein an der Körperfläche tragbares Gerät bekannt, mit dem einzelne Orte, die Verbindung zu elektrische Rhythmusstörungen stehen, diagnostiziert werden können. Hierzu werden einzelne Daten zu bestimmten Zeitpunkten erhoben. Dieses System zur Ermöglichung einer individualisierten rhythmologischen Therapie von herzkranken Patienten ist jedoch nicht geeignet inflammatorische Zustände zu erkennen.
Vor diesem Hintergrund ist es eine Aufgabe der Erfindung für Patienten eine sichere ambulante Therapie zu ermöglichen.
Die Aufgabe wird gelöst, durch ein System gemäß Anspruch 1. Weitere vorteilhafte Ausgestaltungen sind insbesondere Gegenstand der abhängigen Ansprüche.
Nachfolgend wird die Erfindung näher unter Bezug auf die Figuren erläutert. In diesen zeigt:
Fig. 1-4 jeweils eine schematische Ansicht von Aspekten gemäß Ausführungsformen der Erfindung.
Ausführliche Darstellung der Erfindung
Nachfolgend wird die Erfindung eingehender unter Bezugnahme auf die Figuren dargestellt werden. Dabei ist anzumerken, dass unterschiedliche Aspekte beschrieben werden, die jeweils einzeln oder in Kombination zum Einsatz kommen können. D.h. jeglicher Aspekt kann mit unterschiedlichen Ausführungsformen der Erfindung verwendet werden, soweit nicht explizit als reine Alternative dargestellt.
Weiterhin wird nachfolgend der Einfachheit halber in aller Regel immer nur auf eine Entität Bezug genommen. Soweit nicht explizit vermerkt, kann die Erfindung aber auch jeweils mehrere der betroffenen Entitäten aufweisen. Insofern ist die Verwendung der Wörter „ein", „eine" und „eines" nur als Hinweis darauf zu verstehen, dass in einer einfachen Ausführungsform zumindest eine Entität verwendet wird.
Soweit nachfolgend Verfahren beschrieben werden, sind die einzelnen Schritte eines Verfahrens in beliebiger Reihenfolge anordbar und/oder kombinierbar, soweit sich durch den Zusammenhang nicht explizit etwas Abweichendes ergibt. Weiterhin sind die Verfahren - soweit nicht ausdrücklich anderweitig gekennzeichnet - untereinander kombinierbar. Angaben mit Zahlenwerten sind in aller Regel nicht als exakte Werte zu verstehen, sondern beinhalten auch eine Toleranz von +/- 1 % bis zu +/- 10 %.
Bezugnahme auf Standards oder Spezifikationen sind als Bezugnahme auf Standards bzw. Spezifikationen, die zum Zeitpunkt der Anmeldung und/oder - soweit eine Priorität beansprucht wird - zum Zeitpunkt der Prioritätsanmeldung gelten / galten zu verstehen. Hiermit ist jedoch kein genereller Ausschluss der Anwendbarkeit auf nachfolgende oder ersetzende Standards oder Spezifikationen zu verstehen.
Unter Bezug auf die Figuren werden nachfolgend Ausführungsformen der Erfindung erläutert.
Eine beispielhaftes System 1 zur Bereitstellung eines Warnhinweises in Bezug auf den Gesundheitszustand eines oder mehrerer Patienten PI...PN während einer intensiven Behandlung einer malignen Grunderkrankung, insbesondere hämatologische Malignome, gemäß Ausführungsformen der Erfindung weist jeweils eine am Körper des Patienten PI...PN tragbare Einrichtung W1...WN zur Messung von einer Mehrzahl von Vitalparametern auf. Dabei ist jede tragbare Einrichtung W1...WN genau einem Patienten PI...PN zugeordnet. Behandlung meint dabei insbesondere die Behandlung z.B. mittels Chemotherapie und / oder Immuntherapie und / oder Strahlentherapie.
Die Zuordnung kann z.B. durch die Bereitstellung eines eindeutigen Identifikationsmerkmales, z.B. bei einer Datenübertragung, Bereitstellung von Datensätzen, etc. erfolgen. Beispielsweise kann hierfür auch eine MAC-Adresse einer Kommunikationseinrichtung der betreffenden tragbaren Einrichtung W1...WN dienen.
Weiterhin weist das System eine Auswerteeinrichtung A auf.
Die tragbaren Einrichtungen W1...WN sind jeweils dazu eingerichtet die Mehrzahl von Vitalparametern kontinuierlich zu erfassen. Ohne Beschränkung der Allgemeinheit können unterschiedlichste (digitalisierbare) Vitalparameter erfasst sein. In einer Ausführungsform der Erfindung sind Vitalparameter ausgewählt aus einer Gruppe aufweisend Puls, Pulsvariation, Atemfrequenz, Temperatur, elektrischer Hautwiderstand, Sauerstoffsättigung, Blutdruck, Beschleunigung, Orientierungsänderungen, und Aktivität. Es sei angemerkt, dass z.B. Aktivität aus anderen Vitalparametern wie z.B. Beschleunigung, Leistung und/oder Ortsdaten und/oder Magnetfelddaten abgeleitet werden können.
Es sei dabei angemerkt, dass die tragbaren Einrichtungen W1...WN nicht notwendigerweise gleichartig sind. Ebenso ist es nicht notwendigerweise erforderlich, dass alle tragbaren Einrichtungen W1...WN auch die gleichen Vitalparameter erfassen. Wünschenswert und vorteilhaft ist es jedoch, wenn die tragbaren Einrichtungen W1...WN gleichartig sind und / oder zumindest eine gleichartige Mehrzahl von Vitalparametern erfassen.
Die tragbaren Einrichtungen W1...WN weisen weiterhin zumindest eine Schnittstelle I/O auf, um erfasste Daten an die Auswerteeinrichtung A weiterreichen zu können. Ebenso weist die Auswerteeinrichtung A weiterhin zumindest eine Schnittstelle I/O auf, um erfasste Daten von einer oder mehreren der tragbaren Einrichtung W1..WN mittelbar oder unmittelbar erhalten zu können.
Beispielhafte Schnittstellen können sowohl drahtlos als auch drahtgebunden ausgeführt sein. Beispiele für drahtlose Schnittstellen sind z.B. Bluetooth, DECT, WLAN, ZigBee, ohne hierdurch jedoch andere drahtlose Schnittstellen auszuschließen. Beispiele für drahtgebunden Schnittstellen sind Schnittstellen auf Basis elektrischer Leiter, wie z.B. USB, Ethernet oder auf Basis von Lichtwellen, wie z.B. Glasfaser, ohne hierdurch jedoch andere drahtlose Schnittstellen auszuschließen.
Die Auswerteeinrichtung A weist eine Verarbeitungseinrichtung CPU und weiterhin eine Dateneingabeeinrichtung HID und eine Datenausgabeeinrichtung DIS auf.
Die Auswerteeinrichtung A kann z.B. ein programmtechnisch vorbereiteter herkömmlicher Desktop- Computer sein. Als Verarbeitungseinrichtung CPU kann dann ein dort vorhandener Mikroprozessor und/oder auch ein dort vorhandener Grafikprozessor sein. Ebenso können aber auch alternativ oder zusätzlich ASICS, FPGAS, Signalprozessoren, etc. als (Teil einer) Verarbeitungseinrichtung CPU vorgesehen sein.
Die Dateneingabeeinrichtung HID kann beispielsweise eine Tastatur und/oder ein Grafiktablett und/oder eine Zeigegerät, wie z.B. eine Maus, sein. Andere Einrichtungen, die dem Zweck der Eingabe dienen, können alternativ oder zusätzlich vorgesehen sein.
Die Datenausgabeeinrichtung DIS kann ein Bildschirm sein. Andere Einrichtungen, die dem Zweck der Ausgabe dienen, können alternativ oder zusätzlich vorgesehen sein.
Mittels der Datenausgabeeinrichtung DIS erfasste erste erhaltene Daten können zur Unterscheidung und Zuordnung von regulären Daten und irregulären Daten durch einen Benutzer Dl ... DN z.B. mittels der Datenausgabeeinrichtung DIS, dargestellt werden.
Typischerweise ist ein solcher Benutzer Dl ... DN geschult, z.B. ein approbierter Arzt.
Die Dateneingabeeinrichtung HID ist dazu eingerichtet eine Unterscheidung und Zuordnung von regulären Daten und irregulären Daten durch den Benutzer Dl ... DN entgegenzunehmen.
Somit kann der Benutzer Dl ... DN z.B. Daten für eine Trainingsphase für ein neuronales Netzwerk Kl in Bezug auf einen bestimmten Patienten PI klassifizieren.
Die Auswerteeinrichtung A weist programmtechnisch ein neuronales Netzwerk Kl auf, wobei das neuronale Netzwerk Kl zuvor self-supervised auf regulären Daten trainiert wurde.
Die Auswerteeinrichtung A wertet mittels des neuronalen Netzwerkes Kl nach der Trainingsphase zweite erhaltene Daten aus, wobei die zweiten erhaltenen Daten zeitlich nachfolgend zu den ersten Daten sind, wobei das neuronale Netzwerk reguläre Daten und irreguläre Daten zuordnet, wobei die Auswerteeinrichtung A weiterhin dazu eingerichtet ist, wenn irreguläre Daten erkannt werden, einen Benutzer Dl ... DN und/oder den Patienten PI mittels eines Warnhinweises zu benachrichtigen.
D.h., mittels der Erfindung können nun Vitalparameter eines Patienten PI (oder mehrerer Patienten PI...PN) über ein (jeweilige) tragbare Einrichtung W1...WN erfasst und mit einem Kl-Algorithmus in Echtzeit ausgewertet werden. Dabei kann der aktuelle Zustand des betreffenden Patienten fortlaufend mit dem Zustand abgeglichen werden, der für den betreffenden Patienten durch einen Benutzer Dl ... DN als normal definiert wurde. Hierbei handelt es sich um ein komplexes Zusammenspiel mehrerer Vitalparameter. Das Zusammenspiel der Vitalparameter kann je nach Tageszeit und Aktivität des betreffenden Patienten variieren. D.h. anders als im Stand der Technik werden nicht nur Grenzüberschreitungen eines einzelnen Vitalparameters detektiert, sondern der Tageszeit- und Aktivitäts-abhängige Verlauf von unterschiedlichen Vitalparametern wird durch die Auswerteeinheit A berücksichtigt.
Die Abweichung vom individuellen Normalzustand zeigt eine mögliche Komplikation und kann deshalb als Ausgangspunkt für weitere medizinische Maßnahmen verwendet werden. Eine solche Abweichung kann somit dazu verwendet werden, zum einen einen Benutzer Dl ... DN zu benachrichtigen und/oder zum anderen den betreffenden Patienten PI... PN zu benachrichtigen. Benachrichtigen kann dabei eine Einbestellung in eine Praxis oder eine Klinik, eine Kontaktaufnahme zur Klärung des Zustandes, die Veranlassung eines Notfalleinsatzes etc. sein.
Somit können medizinische Untersuchungen unterbleiben, solange die Auswertung mithilfe des individuell adjustierten Algorithmus einen risikolosen Normalzustand des Patienten anzeigt. Auch dies kann dem jeweiligen Benutzer Dl ... DN als auch dem betreffenden Patienten PI...PN mitgeteilt werden.
Damit erspart die Erfindung zahlreiche Routinebesuche in einer Klinik / Praxis einerseits und verhindert andererseits zu lange Intervalle zwischen den Vorstellungen andererseits, welche zur Aggravation einer Komplikation und damit zur Entwicklung schwerer Nebenwirkungen führen können. Mittels der Erfindung ist es also möglich die ambulante Krebstherapie von einer starren Vorstellungsrhythmik zu einer bedarfsorientierten Vorstellungsdynamik zu verändern. Somit wird es auch möglich manche Therapieformen (CAR-T-Zell-Therapie, autologe Blutstammzelltransplantation) mit ausreichender Sicherheit vom stationären in den ambulanten Sektor zu verlagern.
Erst die Früherkennung von Komplikationen ermöglicht eine frühe Intervention und dementsprechend häufiger eine ambulante Therapie als eine stationäre Aufnahme.
Die Fortführung der automatisierten Kl-Analyse der Vitalparameter nach der Intervention erlaubt es dem Arzt zudem den Erfolg der Therapie und damit den Verlauf der Komplikation aus der Ferne zu beobachten. Dies macht in vielen Fällen eine stationäre Aufnahme zur Behandlung einer infektiologischen Komplikation obsolet, denn der vorrangige Sinn einer stationären Aufnahme ist die engmaschige Beobachtung des Patienten. Diese kann kontinuierlicher und effizienter durch die Erfindung gewährleistet werden.
Damit führt die Erfindung auch zu einer Entlastung des stationären Bereichs in der Onkologie und einer Reduktion der ambulanten Vorstellungstermine. Die Möglichkeit zur Frühintervention beim Auftreten von Komplikationen und der ambulanten Erfolgskontrolle dieser Interventionen führen zur weiteren Einsparung von Ressourcen sowohl im stationären als auch im ambulanten Bereich. Gleichzeitig erhöhen Sie die Sicherheit der Patienten und steigern Lebensqualität und Behandlungszufriedenheit, da Patienten weniger Zeit im Krankenhaus und mehr Zeit im heimischen Umfeld verbringen können.
Die vorliegende Erfindung beschreibt ein System und ein Verfahren zur Unterscheidung zwischen einem Normalzustand und den Abweichungen zum Normalzustand (Anomalien) eines Patienten PI... PN.
Im System bzw. Verfahren wird ein individueller Risikoindex für jeden Patienten erstellt. Hierfür werden Self-supervised-learning - Algorithmen verwendet, um die Zeitreihe der Vitalwerte P1_HD1 ... P1_HDN des Pateinten PI in einem Schritt 100 auf einen Vektor abzubilden und die Information zu konzentrieren. Beispielsweise wird wie in Figur 1 gezeigt von unterschiedlichen Sensoren S1...SN Vitalparameter P1_HD1 ... P1_HDN des Patienten PI erfasst. Diese Vitalparameter stammen von unterschiedlichen Zeiträumen 1...N, in denen der Patient nach Beurteilung durch einen Benutzer Dl ... DN gesund ist. Diese Zeiträume können Teile von einem längeren (zusammenhängenden) Zeitraum als auch zeitlich nicht-konsekutive Zeiträume sein. D.h. als Zeiträume können auch Vitalparameter von unterschiedlichen Tagen zur Verwendung kommen. Sensoren können dabei unterschiedlicher Natur sein. Neben elektrischen Sensoren, können auch Beschleunigungssensoren, optische Sensoren z.B. zur Messung von Blutzucker, Sauerstoffsättigung, etc., thermische Sensoren, usw. Verwendung finden.
Diese Zeitreihe der Vitalparameter P1_HS1 ... P1_HSN können dann in einem Schritt 100 mittels Merkmalsextraktion durch ein parametrisiertes Modell (z.B. neuronales Netzwerk, z.B. basiert auf Self- supervised-learning) jeweils auf einen jeweiligen Vektor P1_V1 ... P1_VN abgebildet werden. Die Vektoren P1_V1 ... P1_VN des Patenten PI bilden einen Vektordatensatz.
Diese Merkmalsextraktion kann mittels Self-Supervised-Learning durchgeführt werden, wobei Merkmale welche unverändert in zeitlicher Nähe oder/und in unterschiedlichen Vitalparametern vorkommen herausgefiltert werden. Informationstheoretisch entspricht diese Merkmalsfilterung der approximativen Berechnung der Transinformation (engl. Mutual Information) zwischen benachbarten Abschnitten der Zeitreihe oder/und zwischen Vitalparametern. Die Vektoren P1_V1 ... P1_VN eines gesunden Patienten bilden dabei ein Referenzsystem.
Wird nun zu einem weiteren Zeitraum X eine weitere Zeitreihe von Vitalparameter P1_DX des Patienten PI erfasst, kann dieser in gleicher Weise in einem analogen Schritt 150 wiederum auf einen Vektor P1_VX abgebildet werden. Dabei wird wiederum ein mittels des parametrisierten Modells (z.B. das bereits trainierte neuronales Netzwerk) auf einen korrespondierenden Vektor P1_VX abgebildet.
In einem weiteren Schritt 200 kann dann die Ähnlichkeit des aktuellen Vektors P1_VX mit Vektoren aus dem Vektoren P1_V1 ... P1_VN des Patienten PI aus dem Vektordatensatz bestimmt werden.
In einem Schritt 300 kann für eine neu zu testende Zeitreihe P1_HSX der nächstliegende Vektor zu P1_VX im Referenzsystem ermittelt werden. Anschließend kann in Schritt 400 dann z.B. aus dem Abstand des nächstliegenden Vektors zu dem zu testenden Vektor P1_VX ermittelt werden, ob der Patient eine Anomalie in den Vitaldaten aufweist. Übersteigt der Abstand ein vorbestimmtes Maß, besteht die Gefahr einer schweren Komplikation
Es sei angemerkt, dass der Vektor-erzeugende Algorithmus bevorzugt auf den Daten aller Patienten trainiert wird. Der zu testende Vektor hingegen wird dann mit einem Ähnlichkeitsmaß mit allen anderen Vektoren des Patienten ohne Komplikationen verglichen. Die Anomalie-Detektion ist dabei für jeden Patienten spezifisch. Mit dem Verfahren ist es möglich, das gleiche Muster für einen Patienten PI als eine Anomalie und für einen anderen Patienten P2...PN als Normalzustand zu deuten.
Bevorzugt können bei der Erfindung die Algorithmen des Deep-Self-Supervised-Learnings verwendet werden, welche approximativ die Transinformation berechnen, um statistisch überrepräsentierte Muster in einer Zeitreihe herauszufiltern und Rauschen zu ignorieren (Näheres hierzu kann der Schrift „A Simple Framework for Contrastive Learning of Visual Representations" entnommen werden).
Jedem dieser Muster kann dabei ein Vektor (feature vector) zugeordnet werden und ähnliche Muster erzeugende Vektoren, die in eine ähnliche Richtung zeigen. Jeder Patient PI...PN wird durch eine Menge von Vektoren P1_V1 .... P1_VN seines Vektordatensatz charakterisiert, die seinem Normalzustand entsprechen. Abweichungen zum Normalzustand (Anomalien) verraten sich durch Vektoren, deren Richtungen signifikant verschieden sind von den Richtungen der Vektoren des Normalzustandes.
D.h. anders als in bekannten Verfahren und Systemen ist, dass der Vektor-erzeugende Algorithmus auf den Daten aller Patienten PI....PN trainiert wird aber die Anomalie-Detektion spezifisch für jeden Patienten ist. Damit kann das gleiche Muster für einen Patienten PI eine Anomalie und für einen anderen Patienten P2 den Normalzustand bedeuten. Die Trainingsdaten für den Kl-Algorithmus wurden im Rahmen der CoMMoD-CAST-„proof of principle"-Studie in den Jahren 2018-2020 am Universitätsklinikum Düsseldorf gesammelt. Es wurden bei 79 Patienten während einer intensiven hämatologischen Therapie, sowie nach allogener oder autologer Blutstammzelltransplantation, Vitalparameter mit Hilfe von tragbaren Einrichtungen W1...WN überwacht und die aufgezeichneten Daten retrospektiv mit dem klinischen Verlauf durch einen Benutzer Dl ... DN korreliert. Insgesamt konnten dabei etwa 43.000 Stunden Vitalparameter erfasst werden.
Offensichtlich können auch andere Trainingsdaten insbesondere auch in Bezug auf andere onkologische Therapien verwendet werden. Insofern stellen die obigen Trainingsdaten nur eine Implementierung der erfinderischen Idee in Bezug auf eine bestimmte Therapieform dar. Wesentlich ist, dass die automatisierte Risikoanalyse und Beurteilung auf der Analyse eines sehr großen Datensatzes von Vitalparametern ähnlicher Patienten PI...PN in ähnlichen klinischen Situationen fußt.
Komplikationen, die während onkologischer Therapien auftreten, führen zu charakteristischen Änderungen mehrerer Vitalparameter, die durch tragbaren Einrichtungen W1...WN bzw. deren jeweiligen Sensoren S1...SN gemessen werden. Dabei treten Muster auf, die von denen normaler Aktivitätsunterschiede abweichen. Hierdurch ist es möglich Komplikationen durch den Grad der Abweichung eines Musters von denen eines Normalzustandes zu erkennen.
Dieser Grad der Abweichung kann - unter Umständen zusammen mit den subjektiven Empfindungen des Patienten („patient reported outcomes") - medizinischem Personal, d.h. den Benutzern Dl ... DN, helfen einen umfassenden Eindruck von der aktuellen Gesundheit des jeweiligen Patienten PI...PN zu bekommen.
Zudem steigt mit der wachsenden Anzahl neuer Therapiemöglichkeiten auch die Anzahl von Komplikationen, wie. z.B. das cytokine release syndrome (CRS) als eine immunologisch vermittelte Komplikation einer Therapie mit CAR-T Zellen oder bispezifischen Antikörpern.
Anders als zuvor, wird somit eine Erfassung über einen längeren Zeitraum ermöglicht, sodass der Benutzer Dl ... DN nicht mehr wie bisher auf einen punktuellen Eindruck zur Risikoanalyse angewiesen ist. Dabei kann aber gleichwohl eine deutlich zeitnähere Analyse erfolgen als dies bei einer üblichen stationären Behandlung bisher möglich war.
Zudem erlaubt die Erfindung auch einen Therapiefortschritt zu überwachen.
In Figur 2 sind typische Kommunikationsbeziehungen zwischen beispielhaften Elementen eines Systems 1 gemäß der Erfindung dargestellt.
Beispielsweise ist einem Patienten PI eine tragbare Einrichtung W1 zugeordnet. Diese tragbare Einrichtung W1 erfasst mittels Sensoren S1...SN (siehe auch Figur 4) Vitalparameter des Patienten. Alternativ oder zusätzlich kann sie auch subjektive Empfindungen des Patienten PI erfassen. Diese Daten können dann an die Auswerteeinrichtung A weitergeleitet werden.
Hierzu kann zum einen eine direkte Verbindung (nicht dargestellt) oder eine indirekte Verbindung über eine oder mehrere Zwischenstationen hergestellt werden. Die Daten können periodisch oder aperiodisch übermittelt werden. Dabei beinhaltet der Begriff der Übermittlung, sowohl ein aktives Übermitteln, als auch ein passives Abfragen.
In Figur 2 ist ein Beispiel einer indirekten Verbindung dargestellt. In diesem werden erfasste Daten in einem Schritt 50 an ein Mobilgerät Ml des Patienten PI weitergeleitet. Dies kann über eine drahtgebundene oder eine drahtlose Schnittstelle (wie zuvor beschrieben) erfolgen. Ohne Beschränkung der Allgemeinheit kann und ist bevorzugt die Kommunikation zwischen dem Mobilgerät Ml und der tragbare Einrichtung W1 verschlüsselt.
Das Mobilgerät Ml kann durch eine Applikation programmtechnisch dazu eingerichtet sein alternativ oder zusätzlich auch subjektive Empfindungen des Patienten PI zu erfassen.
Vom Mobilgerät Ml aus können die erfassten Daten (inklusive der erfassten subjektiven Empfindungen) z.B. an eine Datenbank DB zur Zwischenspeicherung, Therapieverlaufsdokumentation, etc. in einem Schritt 60 übermittelt (d.h. aktiv oder passiv) werden. Ohne Beschränkung der Allgemeinheit kann und ist bevorzugt die Kommunikation zwischen dem Mobilgerät Ml und der Datenbank DB verschlüsselt.
Von der Datenbank DB können die erfassten Daten des Patienten PI an die Auswerteeinrichtung A (aktiv oder passiv) in einem Schritt 70 übermittelt werden. Ohne Beschränkung der Allgemeinheit kann und ist bevorzugt die Kommunikation zwischen der Auswerteeinrichtung A und der Datenbank DB verschlüsselt.
Ebenso können die Daten aber auch in einem Schritt 80 zusätzlich auch (aktiv oder passiv) an einen Benutzer Dl ... DN übermittelt werden. Ohne Beschränkung der Allgemeinheit kann und ist bevorzugt die Kommunikation zwischen dem Benutzer Dl ... DN und der Datenbank DB verschlüsselt.
Bevorzugt in der Auswerteeinrichtung A wird eine Vektorisierung der erfassten Daten wie zuvor beschrieben vorgenommen. Prinzipiell wäre es aber auch möglich diese Vektorisierung auf ein anderes Gerät wie z.B. das Mobilgerät Ml oder aber bei entsprechender Leistungsfähigkeit auch auf die tragbare Einrichtung W1 zu verlagern.
Die Auswerteeinrichtung A nimmt wie zuvor in Bezug auf die Schritte 100 - 400 beschrieben eine Bewertung durch. Das Ergebnis der Bewertung kann dann sowohl zu einer Information 500 an den Benutzer Dl ... DN als auch (alternativ oder zusätzlich) an den Benutzer PI z.B. als Mitteilung auf sein Mobilgerät Ml in Schritt 550 und/oder auf seine tragbare Einrichtung W1 bzw. durch Weiterleitung von seinem Mobilgerät Ml auf seine tragbare Einrichtung W1 in Schritt 950 zur Verfügung gestellt werden. Beispielsweise kann hier der Patient PI aufgefordert werden sich in Behandlung zu geben, oder aber Kontakt aufzunehmen, wie zuvor beschrieben.
Um Patienten nicht unnötig zu verunsichern kann auch vorgesehen sein, dass der Benutzer Dl ... DN erst nach einer Begutachtung der Daten aus Schritt 500 (und eventuell aus Schritt 80) den Benutzer PI über sein Mobilgerät Ml oder ein anderes Kommunikationsmittel wie z.B. Festnetz, Email, etc. kontaktiert. Ein Risikoindex SSC wird bestimmt über den kleinsten Abstand (i.e. Kosinus-Ähnlichkeit) des zu testenden Vektors P1_VX mit allen anderen Vektoren des Patienten ohne Komplikationen.
Zuvor wird das neuronale Netzwerk Kl innerhalb der Auswerteeinrichtung A trainiert. Das entsprechende Prinzip wird an Hand von Figur 3 erläutert.
Wie zuvor wird angenommen, dass Daten durch eine tragbare Einrichtung W1 erfasst werden. Diese erfassten Daten können dann in bevorzugt gleich große Zeitabschnitte eingeteilt werden. Beispielsweise ist in Figur 3 der unter der tragbaren Einrichtung W1 gezeigte Messverlauf in 7 gleichgroße Abschnitte Pl_l ... Pl_7 unterteilt.
Unter Zuhilfenahme von anderen Daten, insbesondere subjektiven Empfindungen des Patienten, als auch objektiv erhobene Daten zum Gesundheitszustand, insbesondere einer klinischen Dokumentation, wie z.B. Blutwerten, Patientenkurven und Befunden, Labordaten, diagnostischen Ergebnissen, Körpergewicht, Körpergröße, kann der Benutzer Dl ... DN die Zeitabschnitte entweder als regulär oder als irregulär bewerten. In einem regulären Zeitabschnitt sind keine schweren klinischen Komplikationen aufgetreten wohingegen in einem irregulären Zeitabschnitt mindestens eine schwere klinische Komplikation aufgetreten ist.
Eine schwere Komplikation ist z.B. in Ausführungsformen der Erfindung aufgetreten, wenn der CTCAE Grad >3 ist. CTCAE ist eine in der Medizin geläufiges Klassifikationsschema um unerwünschte Ereignisse zu klassifizieren. Dabei steht ein CTCAE Grad von 3 für ein medizinisch signifikantes, aber nicht unmittelbar lebensbedrohliches Ereignis, das eine stationäre Aufnahme oder Verlängerung der stationären Behandlung indiziert. Das Ereignis an sich ist behindernd bzw. kann zu einer Einschränkung von Aktivitäten des täglichen Lebens zur Selbstversorgung führen. Je höher der Grad, desto bedrohlicher ist die Situation.
Dann wird eine Anzahl von regulären Zeitabschnitten - vorliegend P1_1...P1_3 - verwendet um - bevorzugt mit weiteren regulären Zeitabschnitten anderer Patienten P2...PN, die in gleicher Art und Weise charakterisiert wurden - verwendet, um das neuronale Netzwerk Kl zuvor self-supervised zu trainieren. Das trainierte neuronale Netzwerk Kl ermittelt einen SCC-Wert (engl. serious clinical complication).
Aus einem anderen der regulären Abschnitte - vorliegend ist dies mit Abschnitt Pl_7 gezeigt - kann dann durch die Auswerteeinrichtung A eine sogenannte Nullhypothese Ho, d.h. eine Werteverteilung Pi für den Patienten Pi ermittelt werden. Damit liegt für diesen spezifischen Patienten dann eine Null- Hypothese vor mittels derer die Auswerteeinrichtung A weiterhin ein statistisches Maß für eine Anomalie-Detektion errechnen kann.
Zur Kontrolle kann dann mittels anderer Zeitabschnitte - vorliegend Pl_4 ... Pl_6 - das Funktionieren des trainierten neuronalen Netzwerkes Kl getestet werden. Dieses liefert dann - bei Funktionieren - einen Wert außerhalb der Werteverteilung der Nullhypothese. Dabei kann entsprechend klinischen Anforderungen die Signifikanz geeignet gewählt werden, sodass erst bei Überschreiten der Signifikanz eine Aktion ausgelöst wird.
Weitere Erläuterungen von beispielhaften Details einer Ausführungsform der Erfindung werden nachfolgend vorgenommen.
Die Identifizierung von Anomalien ist von Natur aus ein sehr unausgewogenes binäres Klassifizierungsproblem, bei dem normale oder typische Datenpunkte sehr häufig und anormale Datenpunkte oder Ausreißer typischerweise selten sind. Die Verteilung möglicher Anomalien (Out- Distribution) ist nicht bekannt, aber es wird angenommen, dass sie viel breiter ist als die Verteilung der normalen Datenpunkte (In-Distribution). Um Anomalien zu erkennen, verfolgt die Erfindung beispielsweise die Strategie, verteilungsspezifische Merkmale zu finden, wobei davon ausgegangen wird, dass es ausreichend große Teilmengen von Datenpunkten gibt, die zumindest einige dieser Merkmale gemeinsam haben. Diese Strategie impliziert, dass normale Datenpunkte typischerweise eine große Nähe zu mindestens einer der Teilmengen im Merkmalsraum aufweisen, während Ausreißer voraussichtlich weiter entfernt liegen.
Eine Möglichkeit, verteilungsspezifische Merkmale zu erlernen, besteht darin, den Datensatz mit Beispielen zu ergänzen, die eine hohe Varianz für Merkmale aufweisen, die nicht verteilungsspezifisch sind und von denen erwartet wird, dass sie auch in Ausreißern vorkommen, aber eine geringe Varianz für verteilungsspezifische Merkmale aufweisen. Wenn beispielsweise eine In-Distribution aus Bildern natürlicher Objekte besteht (z. B. Bilder von "Katzen", "Schiffen" usw.), dann haben die auf jedes Bild angewendeten Transformationen, wie z. B. Kombinationen aus moderatem Beschnitt und Größenänderung, moderatem Farbzittern und horizontalem Spiegeln, eine starke Auswirkung auf die einzelnen Pixelwerte (Merkmale auf niedriger Ebene), aber wenig Auswirkung auf die Objektkategorie (Merkmale auf hoher Ebene) - eine "Katze" bleibt eine "Katze". Folglich können die Informationen, die zwei beliebige Transformationen desselben Bildes (positives Paar) gemeinsam haben, zur Definition der verteilungsspezifischen Merkmale verwendet werden. Der Nachteil dieses Ansatzes ist, dass man hierzu a priori wissen muss, welche Transformationen die Datenpunkte signifikant verschieben können, aber die verteilungsspezifischen Merkmale unverändert lassen.
Für die verwendeten Zeitreihendaten in der Erfindung werden keine neuen Daten erzeugt, sondern es werden zwei beliebige Zeitintervalle x und x' von beispielsweise 1000 Sekunden Länge definiert, die zufällig innerhalb derselben Stunde ausgewählt wurden, aber beispielsweise mindestens 500 Sekunden voneinander entfernt sind, als positives Paar. Die gültigen Transformationen sind zufällige Verschiebungen dieser Intervalle innerhalb einer bestimmten Stunde um beispielsweise höchstens 500 Sekunden. Um die Merkmale zu extrahieren, die bei diesen Transformationen unveränderlich sind, wird jedes Zeitintervall x auf einen d dimensionalen Merkmalsvektor h abgebildet, und zwar mit Hilfe eines tiefen neuronalen Faltungsnetzwerks h = fo (x) als Merkmalsextraktor. Das neuronale Netzwerk fo (x) wird durch ein selbstüberwachtes kontrastives Lernziel trainiert, das die gegenseitige Information für die abgetasteten positiven Paare über alle aufgezeichneten Stunden hinweg annähernd maximiert.
Das Ziel des selbstüberwachten kontrastiven Lernens besteht darin, Merkmalsvektoren, die invariante Informationen im Merkmalsraum teilen (positive Paare), aneinander anzugleichen und gleichzeitig Merkmalsvektoren, die keine invarianten Informationen teilen (negative Paare), auseinander zu schieben. Negative Paare werden nicht explizit erzeugt, sondern ergeben sich aus der Bildung von Paaren von Zeitintervallen aus verschiedenen Stunden. Seien hi = fo (xi) und h = fo (x'i) Merkmalsvektoren für zwei zufällig ausgewählte Zeitintervalle innerhalb derselben Stunde i des Trainingsdatensatzes. Dann ist (xj, x'i) ein positives Paar (xi, x'k) ein negatives Paar für I * k. Wir definieren die Ähnlichkeit zwischen Merkmalsvektoren durch was das Punktprodukt zwischen l2 normalisierten Merkmalsvektoren hl und fi2 ist (Kosinusähnlichkeit). Beim selbstüberwachten kontrastiven Repräsentationslernen kann eine Verlustfunktion definiert werden
(siehe Ting Chen, Simon Kornblith, Mohammad Norouzi und Georey Hinton "A simple framework for contrastive learning of visual representations", veröffentlicht in Proceedings of the 37th International Conference on Machine Learning, volume 119 of Proceedings of Machine Learning Research, Seiten 1597{1607. PMLR, 13{18 Jul 2020), wobei 0 < T < 1 ein skalarer Temperaturparameter ist, n die Anzahl der zufällig ausgewählten Stunden (Minibatch-Größe) mit zwei zufällig ausgewählten 1000er- Intervallen, Xi und x'i pro Stunde ist. Der Temperaturparameter wurde auf T = 0,07 gesetzt. Das neuronale Netz fo wurde durch eine ResNet-Architektur realisiert.
Ein beispielhaftes neuronales Netzwerk Kl, das mit beispielhaften Trainingsdaten trainiert wurde, basiert auf einer ResNet Architektur mit zumindest 24 Blöcken, wobei jeder Block zumindest zwei Faltungsebenen aufweist, wobei jedem Block eine nachfolgende Normalisierung (z.B. Batch normalization) und eine ReLu (engl. Rectified Linear Unit) Aktivierung aufweist. Beispielhafte Faltungsebenen weisen Filter von zumindest der Größe 16 mit einer Schrittweite von 2 auf. Jede Faltungsebene weist zumindest 32 Filter auf, , die sich alle 12 Blöcke verdoppeln. Die Ausgabe des neuronalen Netzwerk Kl kann an einen Projektionskopf weitergeleitet, der BN, ReLU und eine lineare Schicht aufweist.
Einzelheiten zu dieser Architektur finden sich in Shenda Hong, Yanbo Xu, Alind Khare, Satria Priambada, Kevin Maher, Alaa Alji ry, Jimeng Sun und Alexey Tumanov. Holmes "Health online model ensemble serving for deep learning models in intensive care units", veröffentlicht in Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, Seiten 1614{1624, 2020.
Der Encoder fo bildet Eingaben auf eine 128-dimensionale Merkmalsraumeinbettung ab. Die Ausgänge dieses Netzwerks sind L-normalisiert, /r/||/r||, und bilden folglich auf einer Einheitshypersphäre ab. Beispielhafte fünf der beispielhaften 12 Signale einer tragbaren Einrichtung W1...WN zur Erfassung von Vitalparametern und körperlicher Aktivität haben einen Qualitätsindex, der von 0-100 reicht. Jedes dieser fünf Signale mit Qualitätsindex wird an seiner entsprechenden Position im 101-dimensionalen Qualitätsindexvektor pro Sekunde angezeigt. Die übrigen Einträge dieses Vektors werden auf Null gesetzt. Diese Darstellung führt zu einer 5 x 101 + 7 = 512-dimensionalen Eingabe für jede Sekunde. Es wurde ein Adam-Optimierer mit den Parametern ßll = 0,9, ß2 = 0,98 und einer anfänglichen Lernrate von IO-3 und einem Gewichtsabfall von IO-3 verwendet. Das Modell wurde mit einer Batchgröße von 128 für 500 Epochen trainiert.
Die Eingangsmerkmale wurden mit einer Abtastrate von 1 Hz von der tragbaren Einrichtung W1...WN gespeichert. Der Datensatz der Vital- und Aktivitätsdaten kann mit { n}^=1 mit Xn E IPiDzTdargestellt werden, wobei N die Anzahl der Stunden über alle Patienten, D die Eingangsdimension und T die Anzahl der aufeinanderfolgenden Zeitpunkte innerhalb einer Stunde ist. Wir nehmen T = 3000 an, was weniger ist als die erwarteten T = 3600 Sekunden für eine Stunde, da Unterbrechungen auftreten können. Wird T verkürzt, so können die meisten aufeinanderfolgenden Zeitreihen in den Daten erhalten bleiben.
Aus der Menge der Merkmalsvektoren für die Trainingsbeispiele T)train = {hm}™=1, wobei K die Anzahl der zufällig ausgewählten lOOOer-Intervalle pro Stunde ist, kann eine Score-Funktion definiert werden, um zu bewerten, ob ein bestimmtes Testmuster als Ausreißer (SCC) klassifiziert werden sollte. Für einen gegebenen Merkmalsvektor eines Testbeispiels, htest = fo (xtest), wird die Kosinusähnlichkeit zum nächstgelegenen Trainingsbeispiel T)train als Maß für die Erkennung von SCC-Proben verwendet.
Die auf Kosinusähnlichkeit basierende SCC-Bewertung SSCC(x) ist definiert als
K' = 6 und die /itestProben sind Zufallsproben aus derselben Stunde. Das Testbeispiel xtest wird als SCC eingestuft, wenn der SCC-Score über einem Schwellenwert liegt. Für die patientenspezifische Auswertung wird die Cosinus-Ähnlichkeit in Bezug auf das nächstgelegene Beispiel unter den regulären Trainingsstunden des zu testenden Patienten und nicht auf die regulären Trainingsstunden aller Patienten berechnet. Mittels der Erfindung wird nunmehr für Patienten eine sichere ambulante Therapie ermöglicht und zugleich können wertvolle Zeit und Platzressourcen für akute Patienten vorgehalten werden.

Claims

Ansprüche
1. System (1) zur Bereitstellung eines Warnhinweises in Bezug auf den Gesundheitszustand eines Patienten (PI...PN) während einer intensiven Behandlung einer malignen Grunderkrankung, das System aufweisend
• eine am Körper des Patienten (PI) tragbare Einrichtung (Wl) zur Messung von einer Mehrzahl von Vitalparametern und
• eine Auswerteeinrichtung (A),
• wobei Vitalparameter aus einer Gruppe aufweisend Puls, Pulsvariation, Atemfrequenz, Temperatur, elektrischer Hautwiderstand, Sauerstoffsättigung, Blutdruck, Beschleunigung, Orientierungsänderungen, und Aktivität ausgewählt sind,
• wobei die tragbare Einrichtung (Wl) eingerichtet ist, die Mehrzahl von Vitalparametern kontinuierlich zu erfassen,
• wobei die tragbare Einrichtung (Wl) weiterhin zumindest eine Schnittstelle (I/O) aufweist, um erfasste Daten an die Auswerteeinrichtung (A) weiterreichen zu können,
• wobei die Auswerteeinrichtung (A) weiterhin zumindest eine Schnittstelle (I/O) aufweist, um erfasste Daten der tragbaren Einrichtung (Wl) erhalten zu können,
• wobei die Auswerteeinrichtung (A) eine Verarbeitungseinrichtung (CPU) aufweist,
• wobei die Auswerteeinrichtung (A) weiterhin eine Dateneingabeeinrichtung (HID) und eine Datenausgabeeinrichtung (DIS) aufweist,
• wobei mittels der Datenausgabeeinrichtung (DIS) erfasste erste erhaltene Daten zur Unterscheidung und Zuordnung von regulären Daten und irregulären Daten durch einen Benutzer (Dl ... DN) dargestellt werden können,
• wobei die Dateneingabeeinrichtung (HID) eingerichtet ist eine Unterscheidung und Zuordnung von regulären Daten und irregulären Daten durch den Benutzer (Dl ... DN) entgegenzunehmen,
• wobei die Auswerteeinrichtung (A) ein neuronales Netzwerk (Kl) aufweist, wobei das neuronale Netzwerk zuvor self-supervised auf regulären Daten trainiert wurde,
• wobei die die Auswerteeinrichtung (A) mittels des neuronalen Netzwerkes (Kl) zweite erhaltene Daten auswertet, wobei die zweiten erhaltenen Daten zeitlich nachfolgend zu den ersten Daten sind, wobei das neuronale Netzwerk reguläre Daten und irreguläre Daten zuordnet,
• wobei die Auswerteeinrichtung (A) weiterhin dazu eingerichtet ist, wenn irreguläre Daten erkannt werden, die eine drohende infektiologische, bzw. immunologische Komplikation anzeigen, einen Benutzer mittels eines Warnhinweises zu benachrichtigen.
2. System nach Anspruch 1, dadurch gekennzeichnet, dass das neuronale Netzwerk (Kl) mittels Daten einer Vielzahl von Patienten trainiert ist.
3. System nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass Daten als irregulär zugeordnet werden, wenn eine schwere klinische Komplikation auftritt, wobei der CTCAE Grad >3 ist.
4. System nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Auswerteeinrichtung (A) dazu eingerichtet ist aus den erfassten ersten regulären Daten eine Null-Hypothese zu bestimmen, wobei die Auswerteeinrichtung (A) weiterhin dazu eingerichtet ist, aus der so bestimmten Null-Hypothese ein statistisches Maß für eine Anomalie-Detektion zu errechnen.
5. System nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Schnittstelle (I/O) der tragbaren Einrichtung (W) als drahtlose Schnittstelle (I/O) ausgeführt ist.
6. System nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Schnittstelle (I/O) der Auswerteeinrichtung (A) als drahtlose Schnittstelle (I/O) ausgeführt ist.
7. System nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Auswerteeinrichtung (A) weiterhin zumindest eine weitere Schnittstelle (I/O) aufweist, um andere Daten in Bezug auf den Patienten erhalten zu können.
8. System nach Anspruch 7 , dadurch gekennzeichnet, dass die anderen Daten ausgewählt sind aus einer Gruppe aufweisend subjektiv empfundene Symptome, objektive erhobene Daten zum Gesundheitszustand (wie z.B. Labordaten, diagnostische Ergebnisse und Körpergewicht).
EP24707020.4A 2023-02-22 2024-02-22 System zur bereitstellung eines warnhinweises in bezug auf den gesundheitszustand eines patienten während einer intensiven behandlung einer malignen grunderkrankung Pending EP4670186A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023201630.3A DE102023201630A1 (de) 2023-02-22 2023-02-22 System zur Bereitstellung eines Warnhinweises in Bezug auf den Gesundheitszustand eines Patienten während einer intensiven Behandlung einer malignen Grunderkrankung
PCT/EP2024/054481 WO2024175695A1 (de) 2023-02-22 2024-02-22 System zur bereitstellung eines warnhinweises in bezug auf den gesundheitszustand eines patienten während einer intensiven behandlung einer malignen grunderkrankung

Publications (1)

Publication Number Publication Date
EP4670186A1 true EP4670186A1 (de) 2025-12-31

Family

ID=90038278

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24707020.4A Pending EP4670186A1 (de) 2023-02-22 2024-02-22 System zur bereitstellung eines warnhinweises in bezug auf den gesundheitszustand eines patienten während einer intensiven behandlung einer malignen grunderkrankung

Country Status (3)

Country Link
EP (1) EP4670186A1 (de)
DE (1) DE102023201630A1 (de)
WO (1) WO2024175695A1 (de)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9820658B2 (en) * 2006-06-30 2017-11-21 Bao Q. Tran Systems and methods for providing interoperability among healthcare devices
EP4306041A1 (de) * 2015-01-06 2024-01-17 David Burton Mobile, am körper tragbare überwachungssysteme
CN112004462A (zh) * 2018-02-21 2020-11-27 帕驰德公司 用于受试者监测的系统和方法
JP7737391B2 (ja) 2020-03-20 2025-09-10 マシモ・コーポレイション 非侵襲的な体温測定のためのウェアラブルデバイス
EP4555957A3 (de) * 2021-04-16 2025-07-16 Physcade, Inc. Personalisierte herzrythmtherapie
US12357240B2 (en) * 2021-08-13 2025-07-15 Kaiku Health Oy Machine learning analysis techniques for clinical and patient data

Also Published As

Publication number Publication date
DE102023201630A1 (de) 2024-08-22
WO2024175695A1 (de) 2024-08-29

Similar Documents

Publication Publication Date Title
Albaqami et al. MP-SeizNet: A multi-path CNN Bi-LSTM Network for seizure-type classification using EEG
Bairagi EEG signal analysis for early diagnosis of Alzheimer disease using spectral and wavelet based features
DE202018006897U1 (de) Dynamisches, selbstlernendes System für medizinische Bilder
DE102007017552A1 (de) Fallabhängige Krankheitsverlaufsvorhersage bei einem Echtzeit-Überwachungssystem
DE102010060751A1 (de) System und Verfahren zur Patientenaufenthaltsorts-Vorhersage
DE102008003000A1 (de) Überwachen epileptiformer Aktivität
DE102010016118A1 (de) Patientenüberwachungssystem und -verfahren
US11495353B2 (en) Method, apparatus, and computer readible media for artificial intelligence-based treatment guidance for the neurologically impaired patient who may need neurosurgery
CN107095669A (zh) 一种癫痫患者脑电信号的处理方法及系统
DE102014002172A1 (de) Überwachungsmonitor zur elektronischen Überwachung von Sensorsignalen im Rahmen eines Sepsismonitorings, sowie ein entsprechendes Verfahren
EP2460107B1 (de) Verfahren zur überwachung des medizinischen zustandes eines patienten
Jiang et al. An epileptic seizure prediction model based on a time-wise attention simulation module and a pretrained ResNet
Mallikarjun et al. Depression level prediction using EEG signal processing
DE102023108748A1 (de) Computerimplementiertes Verfahren zur Bestimmung der Zustände in vivo und in vitro durch Analyse der in einem hämatologischen Analysegerät gemessenen Blutparameter
da Silva Lourenço et al. Ultrafast review of ambulatory EEGs with deep learning
DE102008037558A1 (de) System und Verfahren zum Diagnostizieren eines medizinischen Zustands
EP2966581A1 (de) Netzwerksystem und Verfahren zur Steuerung eines Computertomographen
DE112007000368T5 (de) Verfahren und System zur Leitung von Information an einen geeigneten Dienstleister
DE202023101305U1 (de) Ein intelligentes System zur Verwaltung von Gesundheits- und Fitnessdaten unter Verwendung künstlicher Intelligenz mit IoT-Geräten
CN116236158A (zh) 一种基于头皮脑电信号的局灶癫痫发作识别方法和系统
EP4670186A1 (de) System zur bereitstellung eines warnhinweises in bezug auf den gesundheitszustand eines patienten während einer intensiven behandlung einer malignen grunderkrankung
EP3635728B1 (de) Verfahren zur patientenrekrutierung und patientenrekrutierungssystem
EP4290530A1 (de) Verfahren sowie vorhersagesystem zur ermittlung der eintrittswahrscheinlichkeit einer sepsis eines patienten
EP1640888A2 (de) Verfahren zum Abschätzen und Überwachen des medizinischen Risikos einer Gesundheitsstörung bei einem Patienten
DE102022103208A1 (de) System und Verfahren zur Überwachung eines Patienten

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250808

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR