ES2843688T3 - Sistema para la detección y la predicción precoz de la aproximación de reagudizaciones en pacientes que padecen una bronconeumopatía obstructiva crónica - Google Patents

Sistema para la detección y la predicción precoz de la aproximación de reagudizaciones en pacientes que padecen una bronconeumopatía obstructiva crónica Download PDF

Info

Publication number
ES2843688T3
ES2843688T3 ES15771717T ES15771717T ES2843688T3 ES 2843688 T3 ES2843688 T3 ES 2843688T3 ES 15771717 T ES15771717 T ES 15771717T ES 15771717 T ES15771717 T ES 15771717T ES 2843688 T3 ES2843688 T3 ES 2843688T3
Authority
ES
Spain
Prior art keywords
alarm
see formula
physiological parameters
morning
night
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.)
Active
Application number
ES15771717T
Other languages
English (en)
Inventor
Incalzi Raffaele Franco Antonelli
Francesca Maria Barbara Rubio
Angela Maria Bussu
Giuseppe Capasso
Giulio Iannello
Mario Merone
Leonardo Onofri
Claudio Pedone
Paolo Soda
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.)
Laboratori Di Informatica Applicata Di Giuseppe Capasso
Original Assignee
Laboratori Di Informatica Applicata Di Giuseppe Capasso
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 Laboratori Di Informatica Applicata Di Giuseppe Capasso filed Critical Laboratori Di Informatica Applicata Di Giuseppe Capasso
Application granted granted Critical
Publication of ES2843688T3 publication Critical patent/ES2843688T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A61B5/14552—Details of sensors specially adapted therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7405—Details of notification to user or communication with user or patient ; user input means using sound
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Optics & Photonics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

Un sistema (S) para la detección y la advertencia precoz de las situaciones graves próximas en pacientes con una enfermedad pulmonar obstructiva crónica, que comprende: al menos un dispositivo (D) para la detección de parámetros fisiológicos (R) que se pueden aplicar a dicho paciente del que se desea realizar un seguimiento; al menos un temporizador para detectar intervalos de tiempo, tales como la fecha y la hora, asociados con dichos parámetros fisiológicos detectados (R); al menos un dispositivo de emisión de señales de alarma de sonido y/o visuales, que puede emitir una señal de advertencia de salida de sonido y/o visual, asociado con dichos parámetros fisiológicos detectados (R); una unidad de lógica de control (C), que se puede conectar a dicho al menos un dispositivo (D) y al menos un temporizador, y que puede controlar dicho al menos un dispositivo de emisión de señales, adecuada para recibir, en entrada, dichos parámetros fisiológicos detectados (R) y dichos intervalos de tiempo, estando dicha unidad de lógica de control (C) provista de un programa de procesamiento, en el que se almacenan inicialmente umbrales de valores predeterminados alcanzados por dichos parámetros fisiológicos (R), el cual ejecuta las siguientes etapas: asociar dichos parámetros fisiológicos detectados (R) con los intervalos de tiempo en los que ha tenido lugar la detección; para cada instante de tiempo de detección, enviar dichos parámetros fisiológicos (R) medidos en un algoritmo de cálculo de índices estadísticos; comparar dichos índices estadísticos obtenidos en la etapa anterior con dicho umbral predeterminado y activar dicho al menos un dispositivo de emisión de señales para la emisión de una señal de advertencia de sonido y/o visual si al menos uno de dichos índices estadísticos excede dicho umbral predeterminado correspondiente, estando dicho sistema (S) caracterizado por que dicho al menos un dispositivo (D) es un pulsioxímetro que detecta los siguientes datos fisiológicos: - saturación de hemoglobina (SpO); y - frecuencia cardíaca (FC); en los siguientes marcos temporales preestablecidos, y escaneados por dicho temporizador: - intervalo de horas de mañana (CMañana); - intervalo de horas de tarde (CTarde); - intervalo de horas de noche (CNoche), por que dicha unidad de lógica de control (C) comprende una primera unidad (C) configurada para llevar a cabo dicha asociación de dichos parámetros fisiológicos detectados (R) con los marcos temporales en los que ha tenido lugar la detección, obteniendo los siguientes registros: - registros de mañana (**(Ver fórmula)**); - registros de tarde (**(Ver fórmula)**); y - registros de noche (**(Ver fórmula)**); y una segunda unidad (C2) que comprende una red de trabajo neuronal implementada con un autómata finito binario (BFSM) configurado para procesar dichos datos de entrada agrupados, de acuerdo con dicho programa de procesamiento, por que dicho programa de procesamiento realiza las siguientes etapas para el cálculo de dichos índices estadísticos: - cálculo del promedio de dichos registros de la mañana (**(Ver fórmula)**), tarde (**(Ver fórmula)**) y noche (**(Ver fórmula)**), obteniendo los valores del promedio de la mañana (**(Ver fórmula)**), tarde (**(Ver fórmula)**) y noche (**(Ver fórmula)**); - calcular la desviación estándar de dichos registros de la mañana (**(Ver fórmula)**), tarde (**(Ver fórmula)**) y noche (**(Ver fórmula)**), obteniendo los valores de la desviación estándar de la mañana (**(Ver fórmula)**), de la tarde (**(Ver fórmula)**) y de la noche (**(Ver fórmula)**); - calcular una combinación ponderada o puntuación ponderada de oximetría (Oximetry Weighted Score [WOS]) para cada clase de tiempo: **(Ver fórmula)** - comparar dichos índices estadísticos obtenidos en las etapas previas con dichos umbrales de valores predeterminados, y por que dicho autómata finito binario (BMSF) evoluciona en los siguientes estados asociados con situaciones de advertencia críticas: alarma de FC cuando, para dos registros (R) consecutivos, se produce la condición **(Ver fórmula)**, en la que el valor K se determina en dicha etapa de autoaprendizaje; alarma de puntuación de oximetría puntual cuando se produce la condición **(Ver fórmula)**; alarma de SpO2 cuando **(Ver fórmula)** [80,95]; alarma de datos ausentes en el caso de dos registros (R) ausentes consecutivos; alarma de puntuación de oximetría asociada con una ubicación de alarma alcanzada cuando el registro cumple una de las siguientes condiciones: **(Ver fórmula)** en donde B1, B2, B3 ε [0, 1] Y SpO2crítico es el valor crítico de saturación de oxígeno, normalmente igual a 0,9 %.

Description

DESCRIPCIÓN
Sistema para la detección y la predicción precoz de la aproximación de reagudizaciones en pacientes que padecen una bronconeumopatía obstructiva crónica
La presente invención se refiere a un sistema para la detección y la predicción precoz de la aproximación de reagudizaciones en pacientes que padecen una bronconeumopatía obstructiva crónica.
La bronconeumopatía obstructiva crónica o EPOC es una enfermedad pulmonar crónica caracterizada por la obstrucción bronquial, con una limitación parcial y no reversible del flujo de aire, de progresión lenta, provocada por la inflamación crónica de las vías respiratorias y del parénquima pulmonar.
Se considera la cuarta causa de muerte en los Estados Unidos y la quinta a nivel mundial.
Aquellos pacientes que padecen esta enfermedad presentan reagudizaciones periódicas.
Las fases de las reagudizaciones son comienzos más o menos largos y más o menos rápidos, durante los cuales los síntomas de la EPOC o del asma se vuelven más severos, por lo que, entonces, el paciente, siguiendo los consejos del médico, debería cambiar o intensificar la medicación que se está administrando.
Se debe informar al doctor acerca de las reagudizaciones lo antes posible, ya que, especialmente, si no se tratan de manera rápida y adecuada, pueden derivar en consecuencias graves para el paciente con EPOC o asma, tal como su hospitalización o, incluso, la muerte.
Los medicamentos utilizados para tratar a diario y de manera regular estas enfermedades tienen como propósito principal evitar las reagudizaciones.
La invención se refiere, por tanto, a un sistema del tipo anterior, estudiado y realizado especialmente para la detección precoz y para informar acerca de la emergencia de dichas reagudizaciones o situaciones clínicamente críticas, denominadas “complicaciones”, que podrían derivar en un deterioro de la salud del sujeto con EPOC.
A continuación, la descripción abordará un sistema para la detección y la advertencia precoz de reagudizaciones, pero está claro que la misma no se debería considerar como que está limitada a este uso específico.
De hecho, el sistema se puede emplear también para el seguimiento multiparamétrico o monoparamétrico remoto en condiciones de estabilidad.
En la actualidad, existen algoritmos en la literatura que evalúan si un paciente presenta riesgo de reagudización de EPOC.
Un algoritmo conocido en la técnica tiene en cuenta las mediciones de un dispositivo que detecta los parámetros fisiológicos durante una ventana temporal, posiblemente variable, de 30 días de duración. Entonces, el método determina una línea de regresión a en el plano definido por las coordenadas cartesianas de tiempo y los valores de SpO2.
El coeficiente de una línea de regresión a se compara con un valor de referencia ao.
Suponiendo que ao= - 0,0737, y definiendo una función
1, SÍ fl < Aq
F(a) = SÍ A > Aq
si el valor obtenido es menor que ao, el resultado obtenido es menor que 1, lo cual indica que existe una fase de reagudización. Sin embargo, si el resultado obtenido es mayor que ao, el resultado obtenido será igual a 0, lo cual indica que el paciente no presenta riesgo de reagudización.
El estado de la técnica únicamente toma en consideración el riesgo para un paciente que padece EPOC para aproximarse a una situación de reagudización, sin tomar en consideración otros aspectos importantes de la salud del paciente, como una posible disnea o taquicardia.
Así mismo, en la técnica anterior, se adopta, o no, un umbral fijo para determinar si una situación corresponde a una reagudización.
Para la predicción de la reagudización, se utiliza únicamente el parámetro de SpO2 , mientras que, en la literatura, se ha mostrado que la capacidad predictiva de las reagudizaciones mejora si se realiza un seguimiento de la tendencia tanto de la saturación de oxígeno SpO 2 como de la frecuencia cardíaca.
La expresión matemática en la que se basa el algoritmo conocido tiene en cuenta únicamente la conexión existente entre el tiempo y la saturación de oxígeno (SpO2), suponiendo que, entre estos dos parámetros, existe una relación de dependencia lineal.
Así mismo, el modelo de acuerdo con la técnica anterior no tiene en cuenta las características fisiológicas personales del paciente, tal como el promedio de tiempo de la saturación de oxígeno (SpO2), la cual es una información necesaria para una estimación correcta de la tendencia del estado de salud de dicho paciente.
La técnica anterior pertinente incluye también la solicitud de patente WO 2013/029617 A1.
A la luz de lo anterior, es, por lo tanto, objeto de la presente invención proporcionar un sistema para la detección y la predicción precoz de la aproximación de reagudizaciones en pacientes que padecen una bronconeumopatía obstructiva crónica, teniendo en cuenta los parámetros fisiológicos del paciente.
Un objeto adicional de la presente invención es proporcionar un sistema, que tenga en cuenta las variaciones de tiempo de las mediciones de los parámetros fisiológicos del paciente.
Por lo tanto, es un objeto específico de la presente invención un sistema para la detección y la advertencia precoz de las situaciones próximas graves en pacientes con enfermedad pulmonar obstructiva crónica, que comprende: al menos un dispositivo para la detección de parámetros fisiológicos, que se pueden aplicar a dicho paciente del cual se desea realizar un seguimiento; al menos un temporizador para detectar intervalos de tiempo, tales como la fecha y la hora, asociados con dichos parámetros fisiológicos detectados; al menos un dispositivo de emisión de señales de alarma de sonido y/o visuales que pueda emitir una señal de advertencia de sonido y/o visual, asociado con dichos parámetros fisiológicos detectados; una unidad de lógica de control, que se pueda conectar a dicho al menos un dispositivo y al menos un temporizador, y que pueda controlar dicho al menos un dispositivo de emisión de señales, adecuado para recibir en entrada dichos parámetros fisiológicos detectados y dichos intervalos de tiempo, estando dicha unidad de lógica de control de un programa de procesamiento, en el que se almacenan inicialmente los umbrales de valores predeterminados alcanzados por dichos parámetros fisiológicos detectados, el cual ejecuta las siguientes etapas: asociar dichos parámetros fisiológicos con los intervalos de tiempo en los que la detección ha tenido lugar; para cada instante de 'tiempo de detección, enviar dichos parámetros fisiológicos medidos en un algoritmo de cálculo de índices estadísticos; comparar dichos índices estadísticos obtenidos en la etapa anterior con dicho umbral predeterminado y activar dicha al menos un dispositivo de emisión de señales para la emisión de una señal de advertencia de sonido y/o visual si al menos uno de dichos índices estadísticos excede dicho umbral predeterminado correspondiente. Más de acuerdo con la invención, dicho al menos un dispositivo es un pulsioxímetro que detecta los siguientes datos fisiológicos: la saturación de hemoglobina (SpO2); y la frecuencia cardíaca (FC);
en los siguientes marcos temporales preestablecidos, y escaneados por dicho temporizador: intervalo de horas por la mañana (CMañana); intervalo de horas por la tarde (CTarde); intervalo de horas por la noche (CNoche).
Aún de acuerdo con la invención, dicha unidad de lógica de control comprende una primera unidad configurada para llevar a cabo dicha asociación de dichos parámetros fisiológicos detectados con los marcos temporales en los que ha tenido lugar la detección, obteniendo los siguientes registros: registros de mañana (X!fflñana, xjiyañana); registros de tarde (^lpofe, ,XFcrde); y registros de noche (XFpgde , X™che); y una segunda unidad, que comprende una red de trabajo neutra implementada con un autómata finito binario (Binan/ Finite State Machine [MFSM]) configurado para procesar dichos datos de entrada agrupados de acuerdo con dicho programa de procesamiento.
Preferentemente de acuerdo con la invención, dicho autómata finito binario (BMSF) ejecuta una primera etapa de calibración para ajustar dichos umbrales predeterminados de los valores P= P=(£, PonderaciónSpO2 , PonderaciónFC, k, A), que representan las tendencias típicas de dichos parámetros fisiológicos de saturación de hemoglobina (SpO2) y frecuencia cardíaca (FC), que se pueden medir de dicho paciente del que se desea realizar un seguimiento, y una segunda etapa de aprendizaje de dichos parámetros fisiológicos de saturación de hemoglobina (SpO2) y frecuencia cardíaca (FC), en donde dicho autómata finito binario (BMSF) aprende la tendencia de dichas saturación de hemoglobina (SpO2) y frecuencia cardíaca (FC) de dicho paciente específico del que se desea realizar un seguimiento en dichos marcos temporales preestablecidos de la mañana (CMañana), por la tarde (CTarde) y por la noche (CNoche). Más de acuerdo con la invención, dicho programa de procesamiento realiza las siguientes etapas para el cálculo de dichos índices estadísticos: cálculo del promedio de dichos registros de la mañana (^£ a jana> X¡’Pcañana), tarde (^lpofe, ,XFFrde) y noche (XJ-go*6, X™che), obteniendo los valores del promedio de la mañana (Promediomañana(Sp02),Prornediomaiiana(FC)), tarde (Promediotarde{Sv02),Promediotarde{FC)) y noche (Promedionoche(Sp02),Promedionoche(FC)); calcular la desviación estándar de dichos registros de la mañana (^£ a jana> ^mañana), tarde (^lpofe, XFFrde) y noche (XFg¡_]de, XJ¡¡!che), obteniendo los valores de la desviación estándar de la mañana (Devstmañana(Sp02), Devstmañana(FC)), de la tarde (Devsttarde(sp0£i, Devsttarde(FC) ) y de la noche (Devstnoche{sp02), Devstnochê n ); calcular una combinación ponderada o puntuación ponderada de oximetría (Oximetry Weighted Score [WOS]) para cada clase de tiempo:
Figure imgf000004_0001
comparar dichos índices estadísticos obtenidos en las etapas previas con dichos umbrales de valores predeterminados.
Aún de acuerdo con la invención, dicho autómata finito binario (BMSF) evoluciona en los siguientes estados asociados a situaciones de advertencia críticas: alarma de FC cuando, para dos registros (R) consecutivos, se produce la condición XFC)Promed.ioFC K * DevstFC, en la que el valor K se determina en dicha etapa de autoaprendizaje; alarma de puntuación de oximetría puntual cuando se produce la condición W0S(XSpg2,XFC))W0S(XSpO2,Promedio(FC )); alarma de SpO2 cuando XSP02 < y.cony e [80,95], alarma de datos ausentes en el caso de dos registros (R) ausentes consecutivos, alarma de puntuación de oximetría asociada con una ubicación de alarma alcanzada cuando el registro cumple una de las siguientes condiciones:
Advertencia1:W0S(XSPg2,XFC) > W 0S(SP02critico £,Promedio(FC)) * B* Advertencia2:WOS(XSpg2,XFC) > W 0S(SP02critico £,Promedio(FC)) * B2 Advertencia3:WOS(XSPg2 , XFC ) > W 0S(SP02critico e,Promedio(FC)) * B-j1 AlarmaPuntuaciOnOximetr\aComplicaciOn: WOS{XSPg2,XFC) > W 0S(SP02cr itico e.Promedio(FC)) en donde B1, B2, B3 £ [0, 1] Y SpO 2crítico es el valor crítico de saturación de oxígeno, normalmente igual a 0,9 %. Preferentemente de acuerdo con la invención, dichos estados de alarma de FC, alarma de puntuación de oximetría puntual, alarma de SpO 2, alarma de datos ausentes y alarma de puntuación de oximetría se proporcionan como entrada a dicho dispositivo de emisión de señales de alarma de sonido y/o visuales, el cual emite señales de sonido y/o visuales para cada estado correspondiente.
Más de acuerdo con la invención, dicho sistema podría comprender una pluralidad de sensores que pueden detectar parámetros fisiológicos adicionales de dicho paciente del que se está realizando el seguimiento.
Aún de acuerdo con la invención, dichos sensores comprenden un acelerómetro para detectar movimientos de dicho paciente y/o un espirómetro para la detección del volumen pulmonar de dicho paciente para proporcionar entrada a dicha unidad de lógica de control.
Preferentemente de acuerdo con la invención, en dicha etapa de calibración de dicho autómata finito (BMSF), se utiliza un algoritmo de autoaprendizaje, cuyos parámetros de configuración P=(£, PonderaciónSpO2 , PonderaciónFC, k, A) pueden ser establecidos por un usuario.
Más de acuerdo con la invención, dicho autómata finito (MSFB) aprende dichos parámetros P de acuerdo con las siguientes etapas: proporcionar un conjunto de validación de registros (R), sobre el cual, fijada una posible configuración de los parámetros P, el algoritmo es puesto a prueba y se estima la precisión ponderada precponderada; poner a prueba dichos parámetros estableciendo el valor de datos PonderaciónFC igual a 1, mientras que el valor del dato PonderaciónSpO2 puede variar entre 1 y 20; determinar el conjunto de dichos parámetros P realizando el producto cartesiano de las posibles combinaciones de parámetros P=(£, PonderaciónSpO2, PonderaciónFC, k, A); seleccionar la configuración de parámetro P* para ser utilizada por dicho sistema (S) mediante la selección de una combinación de dichos parámetros que maximiza el valor de precisión ponderada de acuerdo con la fórmula P* = arg máxi(preCponderada(Pt)) .
Aún de acuerdo con la invención, dicho parámetro Ae[0,1,...,/,...,0 , 0 9 ] u [ 1 10], con ie ^ y
Figure imgf000004_0002
y de tal manera que Ai+i -Ai= 0,01 y dicho parámetro e [ 1 1 0 ] con ,€
La presente invención se describirá a continuación, con fines ilustrativos, pero no limitantes, de acuerdo con sus realizaciones preferentes, con especial referencia a las figuras de los dibujos adjuntos, en donde:
la figura 1 muestra un diagrame de bloques del sistema para la detección y la advertencia precoz de situaciones graves próximas en pacientes con enfermedad pulmonar obstructiva crónica;
la figura 2 muestra el funcionamiento de una parte del sistema de acuerdo con la invención;
la figura 3 muestra un gráfico que se refiere a los niveles de prioridad asociados con situaciones críticas detectadas por el sistema de acuerdo con la invención;
la figura 4 muestra una posible gestión de los niveles de prioridad de situaciones críticas; y
la figura 5 muestra un diagrama de bloques del funcionamiento del sistema de acuerdo con la invención.
En las diversas figuras, las partes similares se indicarán con los mismos números de referencia.
Haciendo referencia a las figuras adjuntas, se observa que el sistema S para la detección y la predicción de situaciones graves en pacientes que padecen una bronconeumopatía obstructiva crónica, objeto de la presente invención, comprende un dispositivo D para la adquisición de datos fisiológicos de un paciente que padece bronconeumopatía obstructiva crónica, tal como un pulsioxímetro.
Los datos detectados por dicho dispositivo D son, principalmente, la saturación de hemoglobina, también denominada SpO 2, y la frecuencia cardíaca, también denominada frecuencia cardíaca o FC, para dicho paciente.
Dicho sistema S incluye un temporizador para la detección de datos de tiempo, dado que la fecha y la hora están asociadas con dichos datos fisiológicos, como se describirá en detalle a continuación en el presente documento. Dicho sistema S puede comprender una pluralidad de sensores, que no se muestran en la figura, que pueden detectar parámetros fisiológicos adicionales de dicho paciente, tal como un acelerómetro para detectar movimientos de dicho paciente y un espirómetro para la detección del volumen pulmonar de dicho paciente.
Dicho sistema S también comprende una unidad de lógica de control C que recibe en entrada dichos datos fisiológicos y dichos datos de tiempo, denominados datos de entrada más adelante en el presente documento, adquiridos desde dicho dispositivo D, desde dicha pluralidad de sensores y desde dicho temporizador, procesa dicha entrada de datos de conformidad con un programa predeterminado, que se describirá en detalle a continuación en el presente documento, y suministra datos procesados en la salida, denominada datos de salida a continuación en el presente documento.
Dicha unidad de lógica de control C comprende una primera pieza C, que lleva a cabo un preprocesamiento de dichos datos de entrada, y una segunda pieza C, que comprende un algoritmo de reconocimiento de situaciones graves, implementado por medio de un autómata finito binario, o también BMSF, que realiza el procesamiento de dichos datos de entrada preprocesados, como se describirá a continuación en el presente documento.
Dicho sistema S también comprende un dispositivo para la emisión de una alarma de advertencia de sonido y/o visual, que no se muestra, que recibe en entrada dichos datos de salida desde dicha unidad de lógica de control C, y emite señales de advertencia, que corresponden a dichos datos de salida de acuerdo con una lógica predeterminada, que se describirá a continuación en el presente documento.
Dicha entrada de datos a dicha unidad de lógica de control C son, en concreto, cuatro: el valor del porcentaje de saturación de hemoglobina, el valor de la frecuencia cardíaca FC medida por dicho pulsioxímetro, y la fecha y la hora en la que tiene lugar la medición o el registro R, proporcionadas por dicho temporizador.
Tales datos de entrada se designan formalmente por la tríada (X spo2 , X fcXFC, t), donde el valor t indica tanto la fecha como la hora de los registros R.
Los registros R pueden realizarse en diferentes momentos del día, de acuerdo con los cuales se clasifican dichos datos de entrada.
En concreto, se definen tres clases de horario posibles:
- clase de mañana, indicada mediante Cmañana, que contiene todos los registros R de la mañana si la hora de registro pertenece al canal de tiempo de la mañana, indicándose dichos registros mediante (X^!ñina,X}!¡:añana);
- clase de tarde, indicada mediante Ctarde, que contiene todos los registros R de la tarde si la hora de registro pertenece al canal de tiempo de la tarde, indicándose dichos registros mediante (Xj“ô e,X|£rde);
- clase de noche, indicada mediante Cnoche, que contiene todos los registros R de la noche si la hora de registro pertenece al canal de tiempo de la noche, indicándose dichos registros mediante (X ¡°^ e ,X™che).
Dichos intervalos de tiempo de cada clase se establecen y adaptan a las necesidades específicas del paciente y pueden ser variables tanto en número como en duración.
Dicha primera pieza C lleva a cabo la asociación entre cada registro R y la clase horaria a la que pertenecen.
Dicha salida de datos de dicha unidad de lógica de control C consiste en una media y una desviación estándar de la ventana temporal de amplitud definida, por ejemplo, 10 días, de cada uno de dichos datos de entrada, los cuales se indican con los siguientes símbolos:
{ P rO m e d ÍO m a ñana(Spo2), P^^S^mañana(Sp 02)')r (P^ O™'^ dÍOmañana(FC)’P^VStmañana(FC))
{P'ro'mediotarde(SpQ2),Devsttar¿e(SpQ2)')t (Pvow.ediotar e^(pC),Devsttar e^(pC ) )
{Promedionoche(Spo2),D6vstnoc e^(SpQ2)') r (Promedíonoc e^(pC),Devstn0Cfle(pC))
Dichos datos de salida de dicha unidad de lógica de control C están asociados a dichas señales de advertencia de sonido y/o visuales, como se describirá en detalle a continuación en el presente documento.
Dicha señal de advertencia de sonido y/o visual emitida por dicho dispositivo de emisión se puede enumerar de la siguiente manera:
- alarma de FC asociada con un registro de FC sobre un umbral predeterminado, al que corresponde una posible taquicardia sinusal;
- alarma de oximetría puntual de puntuación asociada con una variación pronunciada de los registros de SpO 2 y FC sobre unos valores predeterminados, que corresponde a una posible disnea;
- alarma de SpO 2 asociada a un registro de SpO 2 inferior que un umbral predeterminado, al que corresponde una posible hipoxia;
- alarma de datos ausentes asociada con dos registros ausentes consecutivos con respecto al protocolo establecido por el doctor a cargo del tratamiento de dicho paciente, debido a una insuficiencia de dicho pulsioxímetro D, o debido a un estado de enfermedad general del paciente, quien no puede realizar el registro;
- alarma de puntuación de oximetría asociada con una tendencia negativa de registros de SpO 2 y FC, que corresponde a la llegada de posibles reagudizaciones de la enfermedad.
De acuerdo con la señal de advertencia específica, dicho dispositivo de emisión puede generar una señal de alarma de sonido o visual.
El funcionamiento del sistema S descrito anteriormente funciona de la siguiente manera.
Cuando un paciente que padece bronconeumopatía obstructiva crónica decide utilizar el sistema S descrito anteriormente, este acuerda con el doctor a cargo de su tratamiento un protocolo mediante el cual este último determina el número de registros R que deberán realizarse y los intervalos de tiempo en los que se deberán llevar a cabo dichos registros R.
En dicho sistema S, es posible tanto establecer unos parámetros iniciales como realizar una etapa de calibración estándar, de manera que se adapte dicho sistema S para los parámetros fisiológicos de dicho paciente del que se desea realizar el seguimiento, de modo que se ajuste al proceso de decisiones del especialista a cargo de la patología. Por lo tanto, en una etapa de calibración inicial de aproximadamente 10 días de duración, duración que es indicativa e ilustrativa, que se puede personalizar para las características específicas de cada paciente, dicho pulsioxímetro D adquiere repetidamente durante el día los datos fisiológicos de dicho paciente del que se desea realizar un seguimiento, en concreto los valores típicos de SpO 2 y FC de dicho paciente del que se desea realizar un seguimiento, en diferentes instantes de tiempo dentro del marco temporal de un día.
Dicha primera pieza C1 de dicha unidad de lógica de control C asocia dichos parámetros fisiológicos con los instantes de tiempo iniciales, en los que se efectuó el registro, de manera que se configure una tendencia típica de dichos parámetros fisiológicos en el período de tiempo de un día.
Estos parámetros fisiológicos iniciales, asociados con intervalos de tiempo, se mandan entonces desde dicha primera pieza C1 a dicha segunda pieza C2 , que, al ser un algoritmo de aprendizaje, tiene la habilidad de aprender y adaptarse a las características fisiológicas de dicho paciente del que se desea realizar el seguimiento, personalizando entonces los parámetros fisiológicos específicos del paciente en diferentes momentos del día.
Para este fin, el algoritmo requiere que las mediciones adquiridas en la etapa de calibración inicial mencionada anteriormente sean etiquetadas, por ejemplo, por un especialista, de manera que el algoritmo de aprendizaje se pueda adaptar al proceso de toma de decisiones correcto. El aprendizaje consiste en optimizar los parámetros umbral con respecto a las características fisiológicas mencionadas anteriormente.
Entonces, después de dicho período de entrenamiento inicial, dicho sistema S continuará modelándose en base al paciente, ya sea a través de autoaprendizaje utilizando los datos de entrada o a través de la posible intervención del doctor especialista mediante la modificación de los parámetros de configuración para una mejor respuesta por parte de dicho sistema S.
Como se describirá en detalle a continuación en el presente documento, dicho sistema S puede, por lo tanto, detectar posibles reagudizaciones, analizando la tendencia correlacionada de los parámetros de SpO 2 y FC, a través de una serie de transiciones de estado de dicho sistema S que reflejan el empeoramiento del paciente del que se está realizando el seguimiento hasta que alcancen una ubicación de alarma que muestre un deterioro inicial de los parámetros fisiológicos del paciente del que se está realizando el seguimiento, permitiendo identificar las reagudizaciones en la fase precoz.
En concreto, dicho BMSF comprendido en dicha segunda pieza C2 de dicha unidad de lógica de control C analiza los valores medidos de los parámetros de SpO 2 y FC para crear un modelo de la evolución de tiempo del estado de salud de dicho paciente del que se está realizando el seguimiento.
Un BMSF es una red Petri concreta, que es un gráfico bipartito, que define los siguientes artículos:
etiqueta, que se muestra en la figura 2 con un punto negro, que corresponde al estado de dicho paciente del que se está realizando un seguimiento, en el tiempo en el que tiene lugar el registro R;
ubicaciones, que se muestran en la figura 2 con círculos blancos, que corresponden a los posibles estados de salud de dicho paciente del que se está realizando el seguimiento, que se definen por el estado normal, en el que los parámetros fisiológicos medidos de dicho paciente del que se está realizando el seguimiento se encuentran dentro de intervalos normales, estado de alerta, en el que los parámetros fisiológicos medidos por dicho paciente del que se está realizando el seguimiento presentan una tendencia negativa, y estado de alarma, en el que los parámetros fisiológicos medidos de dicho paciente del que se está realizando el seguimiento corresponden a un estado crítico, por lo que es necesaria una hospitalización de dicho paciente del que se está realizando el seguimiento en un hospital, también denominado complicaciones;
transiciones, que se muestran en la figura 2 con rectángulos negros, que corresponden a evoluciones clínicas de una ubicación a otra.
Las ubicaciones y las transiciones se denominan nodos y los nodos están interconectados mediante arcos orientados. Únicamente son posibles conexiones entre nodos de tipos diferentes.
La evolución dinámica de dicho sistema S se representa a través del paso de una única etiqueta, de una ubicación a la siguiente, cuando la transición que conecta las dos ubicaciones está disponible, es decir, cuando la condición aparejada a esa transición se verifica.
Como se ha descrito anteriormente, esos registros R son preprocesados por dicha primera pieza C1 de dicha unidad de lógica de control y luego se catalogan de acuerdo con el tiempo en el que se produjeron en tres categorías de registro: mañana, tarde y noche.
Posteriormente, los promedios y las desviaciones estándar de las tres categorías de registro se calculan, para cada clase horaria el sistema S calcula los promedios y las desviaciones estándar tanto para las mediciones de saturación de oxígeno como para las de frecuencia cardíaca.
Esto quiere decir que el sistema S calcula, de manera independiente, los promedios y las desviaciones estándar de todos los registros adquiridos entre horas, que, posiblemente, pueden coincidir con cero, y las segundas, que tuvieron lugar durante las tres clases horarias o por la mañana, por la tarde y por la noche.
Por lo tanto, dicho sistema S calcula los siguiente doce parámetros:
( PrOmedÍOmañana( s p 02 )’ Devstmañ a n a ( S p02 )) ' ( P P O ™ '^ d ÍO m a ñ a n a (FC)' D ^ P S t m a ñ a n a (FC))
{P' ô'^ediotar e^( Sp Q 2 ),Devsttar e^( Sp Q 2 )')t (Proirnediotar e^( p C ),Devsttar e^ ( p C ) )
(Prow,edionoCfle(SpQ2)r D6vstnoc e^(SpQ2)') r (Promedionoc e^(pC), Devstn0Cfle(pC))
Dicho sistema S, con cada nuevo registro, actualiza el promedio y la desviación estándar de las dos mediciones de la clase horaria relacionada con el nuevo registro.
Para cada par de mediciones hechas en el mismo canal de tiempo t> 2 , indicado como (Xspo2 , Xfc), calcula una combinación ponderada que se denomina puntuación de oximetría ponderada (WOS):
Figure imgf000007_0001
donde SpO2 y FC representan el conjunto de registros de muestra utilizados para entrenar dicho sistema S.
Después de la etapa de preprocesamiento por parte de dicha pieza C1, los datos se envían a dicha segunda pieza C2 , en concreto a dicho BMSF de dicha unidad de lógica de control C, que procede a comenzar desde la ubicación obtenida a partir de la situación anterior.
Haciendo referencia a la figura 3 y, en concreto, a las cinco cadenas verticales de situaciones representadas en esta, las vías de red de trabajo principales, de izquierda a derecha, corresponden a las señales de advertencia de audio y/o visuales descritas anteriormente emitidas por dicho dispositivo de emisión, que se producen en las siguientes situaciones:
- la alarma de FC está asociada a una única ubicación de alarma y se alcanza cuando se produce, para dos situaciones consecutivas, la condición: XFC)Promed.ioFC K *DevstFC , en la que el valor K se determina en la etapa de autoaprendizaje de dicho BMSF;
la alarma de puntuación de oximetría puntual está asociada con una ubicación de alarma alcanzada cuando se produce la condición WOS(XSpg2 , XFC ))WOS(XSpg2 ,Promedio(FC ));
- la alarma de datos ausentes está asociada con una única ubicación de alarma que se alcanza en el primer registro ausente y desde una ubicación de alarma ausente que se alcanza en el caso de dos mediciones ausentes consecutivas;
- la alarma de puntuación de oximetría asociada con una ubicación de alarma alcanzada cuando el registro verifica una de las siguientes condiciones:
Advertencia1:W0S(XSPg2,XFC) > W 0S(SP02critico £,Promedio(FC)) * BA Advertencia2:W 0S(XSPg2 , XFC) > W 0S(SP02critico £,Promedio(FC)) * B2 Advertencia3:W 0S(XSPg2 , XFC) > W 0S(SP02critico £,Promedio(FC)) * BA AlarmaPuntuaciónOximetr\aComplicación-: WOS{XSpg2 , XFC) > W 0S(SP02critico £,Promedio(FC)) donde los parámetros B1, B2, B3 varían entre 0 y 1, por ejemplo, se pueden establecer igual a 0,25, 0,50, 0,75, también SpO 2cntico es el valor crítico de saturación de oxígeno, normalmente igual a 0,9, el Promedio(FC) es el promedio aritmético de los registros de la frecuencia cardíaca en función del canal de tiempo al que pertenecen los registros durante el tiempo de observación, mientras que k, A y £ son parámetros que se pueden establecer durante la configuración del sistema S.
La evolución dinámica de la etiqueta se puede desarrollar tanto en las trayectorias verticales principales, como se muestra en la figura 1, como en las posibles trayectorias alternativas, que las conecta entre sí, como se muestra en la figura 2.
Las transiciones de preceden una ubicación tienen todas la misma condición.
Las situaciones competitivas o situaciones en las que se producen diferentes condiciones de manera simultánea, que pertenecen a varias cadenas importantes, se solucionan en función de los niveles de prioridad de las cadenas que se representan en la figura 3.
Aparte de la cadena que corresponde a las mediciones ausentes, la misma entrada puede activar más de una transición de manera simultánea.
En concreto, partiendo de una ubicación que corresponde al estado de salud de dicho paciente del que se está realizando un seguimiento, si el registro R hecho en una clase horaria determinada muestra una decadencia repentina de spO 2 por debajo de un umbral de alarma predeterminado, asociado con un pequeño aumento de FC, las transiciones que corresponden a las cadenas de alarma de puntuación de oximetría, la alarma de SpO 2 y la alarma de puntuación de oximetría oportunas, se activarían de manera simultánea.
Sin embargo, debido a los diferentes niveles de prioridad que se muestran en la figura 3, únicamente se activa una transición que corresponde a la alarma en cadena, permitiendo el paso de la etiqueta desde una ubicación a la siguiente de manera uniforme.
La tabla a continuación muestra todas las transiciones posibles y las condiciones para su activación:
Figure imgf000008_0001
En lo que se refiere al autoaprendizaje de dicho BMSF, utilizando un algoritmo de autoaprendizaje, cuyos parámetros de configuración P (e, PonderaciónSpO2, PonderaciónFC, k, á) son aprendidos en función del etiquetado de las situaciones de alarma por el doctor durante dicha etapa de entrenamiento inicial de dicho paciente del que se está realizando el seguimiento.
El procedimiento de aprendizaje de los parámetros mencionados anteriormente tiene lugar de acuerdo con las siguientes etapas:
- en primer lugar, proporcionar un conjunto de validación de registros R es necesario, sobre los que una vez fijada una posible configuración de los parámetros P, el algoritmo es puesto a prueba y se estima la precisión ponderada, denominada precPonderada.
La tabla a continuación muestra una matriz de ponderaciones para el cálculo de precPonderada.
Figure imgf000009_0002
Entonces, los parámetros P son puestos a prueba.
Haciendo referencia a la ecuación del cálculo del valor W0S(XSpO2,XFC), tomando en consideración los parámetros de configuración Ponderación(XSp02),Ponderación(XFC) debido a la naturaleza relativa de las dos ponderaciones, fijar uno de los dos parámetros y variar el otro es suficiente.
Se ha elegido fijar el parámetro Ponderación(XFC) igual a 1, mientras que Ponderación(XSp02) varía entre 1 y 20.
El parámetro A e [ 0 , 1 0 , 09]u[1....,y,....10], con í S y e ^ y de tal manera que A¡+1 - A¡ = 0,01.
El parámetro k e [1,...,/,...,10], con
Figure imgf000009_0001
.
El conjunto de parámetros P viene dado por el producto cartesiano entre las posibles combinaciones de parámetros P (e, PonderaciónSpC>2 , PonderaciónFC, k, á ).
La configuración de los parámetros utilizada en dicho sistema S, indicada mediante P*, es igual a la combinación que maximiza el valor de la ponderación de precisión, o P*=arg máxt(precFonderada(Pt)).
De acuerdo con lo que se ha descrito, dicho sistema S tiene capacidades predictivas, por lo que los estados de la técnica anteriores a la alarma, se pueden considerar diferentes niveles de probabilidad de que el paciente pueda presentar una reagudización, enviando señales de alerta incluso cuando el paciente no muestra síntomas y la reagudización se encuentra aún en etapa latente. Dicho sistema S permite identificar la aproximación de una situación peligrosa para dicho paciente mencionado, asociada con la degeneración del estado negativo de salud del paciente, así como la adquisición de las propias mediciones.
También, el uso del BMSF permite realizar un seguimiento de las condiciones de salud que evolucionan a lo largo del tiempo.
La presente invención se ha descrito con fines ilustrativos, pero no limitantes, de acuerdo con sus realizaciones preferentes, pero se debe entender que se pueden introducir modificaciones y/o cambios por parte de los expertos en la materia sin apartarse del alcance pertinente, como se define en las reivindicaciones adjuntas.

Claims (8)

REIVINDICACIONES
1. Un sistema (S) para la detección y la advertencia precoz de las situaciones graves próximas en pacientes con una enfermedad pulmonar obstructiva crónica, que comprende:
al menos un dispositivo (D) para la detección de parámetros fisiológicos (R) que se pueden aplicar a dicho paciente del que se desea realizar un seguimiento;
al menos un temporizador para detectar intervalos de tiempo, tales como la fecha y la hora, asociados con dichos parámetros fisiológicos detectados (R);
al menos un dispositivo de emisión de señales de alarma de sonido y/o visuales, que puede emitir una señal de advertencia de salida de sonido y/o visual, asociado con dichos parámetros fisiológicos detectados (R); una unidad de lógica de control (C), que se puede conectar a dicho al menos un dispositivo (D) y al menos un temporizador, y que puede controlar dicho al menos un dispositivo de emisión de señales, adecuada para recibir, en entrada, dichos parámetros fisiológicos detectados (R) y dichos intervalos de tiempo, estando dicha unidad de lógica de control (C) provista de un programa de procesamiento, en el que se almacenan inicialmente umbrales de valores predeterminados alcanzados por dichos parámetros fisiológicos (R), el cual ejecuta las siguientes etapas:
asociar dichos parámetros fisiológicos detectados (R) con los intervalos de tiempo en los que ha tenido lugar la detección;
para cada instante de tiempo de detección, enviar dichos parámetros fisiológicos (R) medidos en un algoritmo de cálculo de índices estadísticos;
comparar dichos índices estadísticos obtenidos en la etapa anterior con dicho umbral predeterminado y activar dicho al menos un dispositivo de emisión de señales para la emisión de una señal de advertencia de sonido y/o visual si al menos uno de dichos índices estadísticos excede dicho umbral predeterminado correspondiente, estando dicho sistema (S) caracterizado
por que dicho al menos un dispositivo (D) es un pulsioxímetro que detecta los siguientes datos fisiológicos: - saturación de hemoglobina (SpO); y
- frecuencia cardíaca (FC);
en los siguientes marcos temporales preestablecidos, y escaneados por dicho temporizador:
- intervalo de horas de mañana (CMañana);
- intervalo de horas de tarde (CTarde);
- intervalo de horas de noche (CNoche),
por que dicha unidad de lógica de control (C) comprende
una primera unidad (C) configurada para llevar a cabo dicha asociación de dichos parámetros fisiológicos detectados (R) con los marcos temporales en los que ha tenido lugar la detección, obteniendo los siguientes registros:
- registros de mañana (X™f2ana, x™añana);
- registros de tarde (^lpofe, ,XFcrde); y
- registros de noche ]de, X™che ); y
una segunda unidad (C2) que comprende una red de trabajo neuronal implementada con un autómata finito binario (BFSM) configurado para procesar dichos datos de entrada agrupados, de acuerdo con dicho programa de procesamiento,
por que dicho programa de procesamiento realiza las siguientes etapas para el cálculo de dichos índices estadísticos:
- cálculo del promedio de dichos registros de la mañana (X!fflñana, X1¡P<Pñana), tarde (^lpofe, ,X^ r^de) y noche C^spof6, X™che), obteniendo los valores del promedio de la mañana (Promediomañana(Sp02),Promediomañana(FC)), tarde (Promediotarde(Sp02),Promediotarde(FC)) y noche (Promedionoche(Sp02),Promedionoche(FC));
- calcular la desviación estándar de dichos registros de la mañana (XJ^ñ^na, X™cañana), tarde (Xlpr0de, X FFrde) y noche (XFpgde, XJ^ ¡¡che), obteniendo los valores de la desviación estándar de la mañana (Devstmañana(sp02), DeVStmañana{FC)), de la tarde (D@VSttarde(S^ 02), D&VSttarde(FC)') y de la noche (D&PStn0che(Sp02), DeVStnochê pc ;^ - calcular una combinación ponderada o puntuación ponderada de oximetría (Oximetry Weighted Score [WOS]) para cada clase de tiempo:
-P onderacionSP02
WOS(XSp02,XFC)
Figure imgf000010_0001
- comparar dichos índices estadísticos obtenidos en las etapas previas con dichos umbrales de valores predeterminados, y
por que dicho autómata finito binario (BMSF) evoluciona en los siguientes estados asociados con situaciones de advertencia críticas:
alarma de FC cuando, para dos registros (R) consecutivos, se produce la condición XFC > PromedioFC K * DevstFC, en la que el valor K se determina en dicha etapa de autoaprendizaje;
alarma de puntuación de oximetría puntual cuando se produce la condición W0S(XSpO2,XFC ) > WOS(XSpg2,Promedio(FC));
alarma de SpO2 cuando XSP02 < y, donde y e [80,95];
alarma de datos ausentes en el caso de dos registros (R) ausentes consecutivos;
alarma de puntuación de oximetría asociada con una ubicación de alarma alcanzada cuando el registro cumple una de las siguientes condiciones:
Advertencia1:W 0S(XSPg2 , XFC) > W 0S(SP02critico £,Promedio(FC)) * B* Advertencia2:WOS(XSPg2 , XFC) > W 0S(SP02critico £,Promedio(FC)) * B2 Advertencia3:WOS(XSPg2 , XFC) > W 0S(SP02critico e,Promedio(FC)) * B-j1 AlarmaPuntuaciónOximetr\aComplicación-: WOS{XSpg2 , XFC) > W 0S(SP02critico s,Promedio(FC))
en donde B1, B2, B3 £ [0, 1] Y SpO 2cntico es el valor crítico de saturación de oxígeno, normalmente igual a 0,9 %.
2. Sistema (S) de acuerdo con la reivindicación anterior, caracterizado por que dicho autómata finito binario (BMSF) ejecuta una primera etapa de calibración para establecer dichos umbrales predeterminados de los valores P = (£, PonderaciónSpO2 , PonderaciónFC, k, A), que representan las tendencias típicas de dichos parámetros fisiológicos de saturación de hemoglobina (SpO2) y frecuencia cardíaca (FC), que se pueden medir de dicho paciente del que se desea realizar un seguimiento,
en donde los parámetros de configuración P (e, PonderaciónSpO2, PonderaciónFC, k, A) son aprendidos en función del etiquetado de los eventos de alarma por el doctor durante dicha etapa de entrenamiento inicial de dicho paciente del que se está realizando el seguimiento, en concreto k, A y £ son parámetros que se pueden establecer durante la configuración del sistema (S), y
una segunda etapa de aprendizaje de dichos parámetros fisiológicos de saturación de hemoglobina (SpO2) y frecuencia cardíaca (FC),
en donde dicho autómata finito binario (BMSF) aprende la tendencia de dicha saturación de hemoglobina (SpO2) y frecuencia cardíaca (FC) de dicho paciente específico del que se desea realizar un seguimiento en dichos marcos temporales preestablecidos de la mañana (CMañana), por la tarde (CTarde) y noche (CNoche).
3. Sistema (S) de acuerdo con la reivindicación anterior, caracterizado por que dichos estados de alarma de FC, alarma de puntuación de oximetría puntual, alarma de SpO 2, alarma de datos ausentes y alarma de puntuación de oximetría se proporcionan como entrada a dicho dispositivo de emisión de señales de alarma de sonido y/o visuales, el cual emite señales de sonido y/o visuales para cada estado correspondiente.
4. Un sistema (S) de acuerdo con una cualquiera de las reivindicaciones anteriores, caracterizado por que comprende una pluralidad de sensores que pueden detectar parámetros fisiológicos adicionales de dicho paciente del que se está realizando un seguimiento.
5. Sistema (S) de acuerdo con la reivindicación anterior, caracterizado por que dichos sensores comprenden un acelerómetro para detectar movimientos de dicho paciente y/o un espirómetro para la detección del volumen pulmonar de dicho paciente para proporcionar entrada a dicha unidad de lógica de control (C).
6. Sistema (S) de acuerdo con una cualquiera de las reivindicaciones anteriores de la 2 a la 5, caracterizado por que en dicha etapa de calibración de dicho autómata finito (BMSF), se utiliza un algoritmo de autoaprendizaje, cuyos parámetros de configuración P = (e, PonderaciónSpO2, PonderaciónFC, k, A) pueden ser establecidos por un usuario.
7. Sistema (S) de acuerdo con una cualquiera de las reivindicaciones anteriores de la 2 a la 6, caracterizado por que dicho autómata finito (MSFB) aprende dichos parámetros P de acuerdo con las siguientes etapas:
- proporcionar un conjunto de registros (R) de validación, sobre el cual, fijada una posible configuración de los parámetros P, el algoritmo es puesto a prueba y se estima la precisión ponderada precponderada;
- poner a prueba dichos parámetros estableciendo el valor de datos PonderaciónFC igual a 1, mientras que el valor del dato PonderaciónSpO2 puede variar entre 1 y 20;
- determinar el conjunto de dichos parámetros P realizando el producto cartesiano de las posibles combinaciones de parámetros P = (e, PonderaciónSpO2 , PonderaciónFC, k, A);
- seleccionar la configuración de parámetro P* para ser utilizada por dicho sistema (S) mediante la selección de una combinación de dichos parámetros que maximiza el valor de precisión ponderada de acuerdo con la fórmula P* = arg máxt(precponderada{Pt)).
8. Sistema (S) de acuerdo con una cualquiera de las reivindicaciones anteriores, caracterizado por que dicho parámetro A e [ 0 , 1 , ... , 0 , 09 ] u [ 1 , ... , 10], con i e ^ y ^ y de tal manera que A ¡+1 - Á¡ = 0,01 y dicho parámetro k e [ 1 1 0 ] con ¡t= K .
ES15771717T 2015-06-03 2015-06-03 Sistema para la detección y la predicción precoz de la aproximación de reagudizaciones en pacientes que padecen una bronconeumopatía obstructiva crónica Active ES2843688T3 (es)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/IT2015/000146 WO2016194007A1 (en) 2015-06-03 2015-06-03 System for the detection and the early prediction of the approaching of exacerbations in patients suffering from chronic obstructive broncopneumaty

Publications (1)

Publication Number Publication Date
ES2843688T3 true ES2843688T3 (es) 2021-07-20

Family

ID=54207647

Family Applications (1)

Application Number Title Priority Date Filing Date
ES15771717T Active ES2843688T3 (es) 2015-06-03 2015-06-03 Sistema para la detección y la predicción precoz de la aproximación de reagudizaciones en pacientes que padecen una bronconeumopatía obstructiva crónica

Country Status (8)

Country Link
US (1) US10542942B2 (es)
EP (1) EP3304365B1 (es)
JP (1) JP6810135B2 (es)
CN (1) CN107690687B (es)
ES (1) ES2843688T3 (es)
HK (1) HK1248916A1 (es)
RU (1) RU2729131C2 (es)
WO (1) WO2016194007A1 (es)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108617007A (zh) * 2016-12-01 2018-10-02 富士通株式会社 数据传输方法和装置
KR101846951B1 (ko) * 2017-02-22 2018-04-09 주식회사 씨씨앤아이리서치 Copd 급성 악화 예측용 애플리케이션
TWI777103B (zh) * 2019-11-06 2022-09-11 達爾生技股份有限公司 電子裝置以及血氧濃度補償方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7454359B2 (en) 1999-06-23 2008-11-18 Visicu, Inc. System and method for displaying a health status of hospitalized patients
US7558622B2 (en) * 2006-05-24 2009-07-07 Bao Tran Mesh network stroke monitoring appliance
US8180442B2 (en) * 2007-12-14 2012-05-15 Greatbatch Ltd. Deriving patient activity information from sensed body electrical information
CN101214151B (zh) * 2007-12-29 2010-08-18 广州医学院第一附属医院 利用呼出气体co2分压监测估算动脉血co2分压的装置
WO2011073815A2 (en) * 2009-12-19 2011-06-23 Koninklijke Philips Electronics N.V. Copd exacerbation prediction system and method
DK2603138T3 (en) * 2010-08-13 2018-02-05 Respiratory Motion Inc DEVICES AND METHODS FOR MONITORING RESPIRATION VARIATION IN MEASURING RESPIRATION VOLUMES, MOVEMENT AND VARIABILITY
AU2012275159A1 (en) * 2011-06-30 2014-02-20 University Of Pittsburgh - Of The Commonwealth System Of Higher Education A system and method of determining a susceptibility to cardiorespiratory insufficiency
EP2748741A1 (en) * 2011-08-26 2014-07-02 Aalborg Universitet Prediction of exacerbations for copd patients
CN104399164A (zh) * 2014-12-01 2015-03-11 北京神鹿腾飞医疗科技有限公司 智能呼吸机及使用该呼吸机的通气方法
US10172569B2 (en) * 2015-09-11 2019-01-08 Ottawa Hospital Research Institute System and method for assisting decisions associated with events relative to withdrawal of life-sustaining therapy using variability measurements

Also Published As

Publication number Publication date
US20180153480A1 (en) 2018-06-07
WO2016194007A1 (en) 2016-12-08
RU2017145814A (ru) 2019-07-09
RU2729131C2 (ru) 2020-08-04
RU2017145814A3 (es) 2019-07-17
EP3304365A1 (en) 2018-04-11
BR112017026004A8 (pt) 2023-01-31
HK1248916A1 (zh) 2018-10-19
CN107690687B (zh) 2021-08-13
EP3304365B1 (en) 2020-10-21
US10542942B2 (en) 2020-01-28
JP2018519983A (ja) 2018-07-26
JP6810135B2 (ja) 2021-01-06
BR112017026004A2 (pt) 2018-08-14
CN107690687A (zh) 2018-02-13

Similar Documents

Publication Publication Date Title
JP6684302B2 (ja) 心肺機能不全に対する易罹患性（ｓｕｓｃｅｐｔｉｂｉｌｉｔｙ）を判断する装置を制御する方法、コンピュータ読取可能記憶媒体
US10357167B2 (en) Method for confidence level determination of ambulatory HR algorithm based on a three-way rhythm classifier
US20150297078A1 (en) System and method for optimizing the frequency of data collection and thresholds for deterioration detection algorithm
ES2843688T3 (es) Sistema para la detección y la predicción precoz de la aproximación de reagudizaciones en pacientes que padecen una bronconeumopatía obstructiva crónica
JP2011515139A (ja) 統合された閉ループコントローラを持つ患者モニタ
US10490049B2 (en) Systems and methods for identifying patient distress
US20180322951A1 (en) Prediction of acute respiratory disease syndrome (ards) based on patients&#39; physiological responses
US20160183886A1 (en) Biological information predicting apparatus and biological information predicting method
JP7449287B2 (ja) クリティカルアラームの予測
US20160070880A1 (en) Method and system for predicting continous cardiac output (cco) of a patient based on physiological data
WO2015150069A1 (en) Method and device for the non-invasive monitoring and identification of drug effects and interactions
US9983181B2 (en) Personalized capnography
US20120203092A1 (en) Patient health improvement monitor
CN111317440A (zh) 患者的预警方法、使用该方法的监护设备及可读存储介质
US11657913B2 (en) Generating a clinician-perceptible output responsive to a subject-monitoring device
US20230335290A1 (en) System and methods for continuously assessing performance of predictive analytics in a clinical decision support system
BR112017026004B1 (pt) Sistema para a detecção e a previsão precoce da aproximação de exacerbações em pacientes que sofrem de broncopneumonia obstrutiva crônica
Kuruwita et al. Exploring physiologic regulatory factors in traumatic brain injury (TBI) through Correlation Analysis and Graph Neural Network
WO2022233958A1 (en) System and method for automated discovery of time series trends without imputation
KR20220045278A (ko) 생체정보를 이용한 건강관리 서비스 제공 서버, 방법 및 프로그램
US20170323058A1 (en) Method and system for predicting continous cardiac output (cco) of a patient based on physiological data