FI98338C - Menetelmä anestesiajärjestelmässä esiintyvien vaaratilanteiden ilmaisemiseksi ja tunnistamiseksi itseorganisoivan kartan avulla - Google Patents

Menetelmä anestesiajärjestelmässä esiintyvien vaaratilanteiden ilmaisemiseksi ja tunnistamiseksi itseorganisoivan kartan avulla Download PDF

Info

Publication number
FI98338C
FI98338C FI931348A FI931348A FI98338C FI 98338 C FI98338 C FI 98338C FI 931348 A FI931348 A FI 931348A FI 931348 A FI931348 A FI 931348A FI 98338 C FI98338 C FI 98338C
Authority
FI
Finland
Prior art keywords
map
anesthesia
self
identification
vectors
Prior art date
Application number
FI931348A
Other languages
English (en)
Swedish (sv)
Other versions
FI98338B (fi
FI931348A (fi
FI931348A0 (fi
Inventor
Pekka Merilaeinen
Mauri Vapola
Original Assignee
Instrumentarium Oy
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 Instrumentarium Oy filed Critical Instrumentarium Oy
Priority to FI931348A priority Critical patent/FI98338C/fi
Publication of FI931348A0 publication Critical patent/FI931348A0/fi
Priority to US08/217,889 priority patent/US5584291A/en
Priority to DE4410508A priority patent/DE4410508C2/de
Publication of FI931348A publication Critical patent/FI931348A/fi
Application granted granted Critical
Publication of FI98338B publication Critical patent/FI98338B/fi
Publication of FI98338C publication Critical patent/FI98338C/fi

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/10—Preparation of respiratory gases or vapours
    • A61M16/104—Preparation of respiratory gases or vapours specially adapted for anaesthetics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/08—Bellows; Connecting tubes ; Water traps; Patient circuits
    • A61M16/0816—Joints or connectors
    • A61M16/0833—T- or Y-type connectors, e.g. Y-piece
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M16/00—Devices for influencing the respiratory system of patients by gas treatment, e.g. mouth-to-mouth respiration; Tracheal tubes
    • A61M16/08—Bellows; Connecting tubes ; Water traps; Patient circuits
    • A61M16/0816—Joints or connectors
    • A61M16/0841—Joints or connectors for sampling
    • A61M16/085—Gas sampling
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/15—Detection of leaks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/40—Respiratory characteristics
    • A61M2230/43—Composition of exhalation
    • A61M2230/432—Composition of exhalation partial CO2 pressure (P-CO2)
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/40—Respiratory characteristics
    • A61M2230/43—Composition of exhalation
    • A61M2230/435—Composition of exhalation partial O2 pressure (P-O2)
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S128/00—Surgery
    • Y10S128/92—Computer assisted medical diagnostics
    • Y10S128/925—Neural network

Description

- 98338
MENETELMÄ ANESTESIA JÄRJESTELMÄSSÄ ESIINTYVIEN VAARATILANTEIDEN ILMAISEMISEKSI JA TUNNISTAMISEKSI ITSEOR-GANISOIVAN KARTAN AVULLA
5 Keksinnön kohteena on patenttivaatimuksen 1 johdannon mukainen menetelmä anestesiajär-jestelmässä esiintyvien vaaratilanteiden ilmaisemiseksi ja tunnistamiseksi.
Tässä hakemuksessa esitetty keksintö on siis menetelmä, joka parantaa potilasturvallisuutta anestesian aikana tunnistamalla uhkaavat anestesiajäijestelmään liittyvät vaaratilanteet ennen 10 varsinaisen onnettomuustilanteen syntyä. Menetelmän avulla käyttäjän on helppo havaita vaaratilanteen olemassaoloja vaaratilanteen aiheuttaja mahdollisimman aikaisessa vaiheessa ennen varsinaisen onnettomuuden syntyä. Anestesiajäijestelmällä tarkoitetaan tässä hakemuksessa potilaan ja potilaaseen liitettyjen laitteiden muodostamaa kokonaisuutta anestesian aikana.
15
Anestesiaan liittyviä riskejä on arvioitu monissa tutkimuksissa ja saadut tulokset ovat vaihdelleet potilaiden ikäjakauman, terveydentilan, tutkimuksen ajankohdan ja tutkimuksessa mukana olleiden sairaaloiden maantieteellisen sijainnin mukaan. Tulosten perusteella voidaan oikeastaan todeta vain, että anestesiaan liittyvät riskit ovat nykyään suhteellisen pieniä.
20 Esimerkiksi Derringtonin v. 1987 tekemässä anestesiariskejä koskevien tutkimustulosten '.v koosteessa havaittu anestesiaan liittyvä riski oli maksimissaan 22 kuolemantapausta ···· 10000:sta (Derrington M.C. ja Smith G. "A review of studies of anaesthetic risk, morbidity • · · « · · • ** and mortality" British Journal of Anaesthesia 59, s.815-833, 1987). Useimmissa tutkimuksissa riskit olivat huomattavasti pienempiä ja esimerkiksi Turussa 1986 tehdyn • · · • · *. .1 25 tutkimuksen mukaan vastaava riski Suomessa oli keskimäärin vain n. 0.61 kuolemantapausta • · » lOOOO.sta (Tikkanen J. "Anestesia-ja leikkaustoimenpiteisiin liittyvät kuolemat Suomen sairaaloissa v. 1986" Väitöskiija, Turun yliopisto, 1992) m · · ···
Vaikka anestesiaan liittyvät riskit ovat pieniä, jokainen anestesian aiheuttama potilaan 30 vahingoittuminen tai kuolema on liikaa. Jotta uhkaavat vaaratilanteet voitaisiin havaita ja • · eliminoida mahdollisimman aikaisessa vaiheessa ennen onnettomuuden syntyä, potilaan tilan 1 · ·, seuraamiseen käytetään tällä hetkellä erilaisten monitorien mittaamia ja laskemia arvoja, • · 98338 2 jotka näkyvät monitorilla yleensä joko lukuarvoina tai käyrinä. Esimerkkejä yleisimmistä ovat verenpaine, EKG, veren happisaturaatio sekä potilaan hengittämän kaasuseoksen koostumukseen, paineeseen ja virtaukseen liittyvät lukuarvot ja käyrät. Erilaiset potilaaseen liittyvät komplikaatiot, laitteiston virheellinen käyttöjä laitteiston suoranaiset vikatilanteet 5 näkyvät muutoksina monitorien mittaamissa ja laskemissa arvoissa.
Mitä enemmän vaaratilanteiden huomaamisen kannalta tärkeitä lukuarvoja ja käyriä anestesiahenkilökunnalla on käytössään, sitä paremmat ovat mahdollisuudet uhkaavien vaaratilanteiden havaitsemiseen - ainakin teoriassa. Käytännössä potilas ja anestesiakone 10 muodostavat anestesian aikana hyvin monimutkaisen ja lähes erottamattoman kokonaisuuden. Vaaratilanteen olemassaolon ja aiheuttajan päätteleminen useiden monitorien ruuduilla näkyvien käyrien ja lukuarvojen avulla on vaikeaa. Päättelykyky kasvaa koulutuksen, kokemuksen ja parantuneiden käyttöliittymien myötä, mutta jossain vaiheessa tulee vastaan r^a, jonka jälkeen uusien arvojen ja käyrien käyttö ei enää parannakaan potilasturvallisuutta.
15 Vaaratilanteiden huomaamista aikaisessa vaiheessa vaikeuttaa myös hyväksyttävien tilanteiden lähes rajaton määrä. Ei ole esimerkiksi olemassa mitään ihanteellista anestesiakoneen asetusarvoa, vaan käytetty kertatilavuus, paine, kaasuseos jne. vaihtelevat potilaan koon, iän, sukupuolen, leikkausasennon, terveydentilan, leikkaustyypin ja monien muiden ominaisuuksien mukaan. Selvästi hyväksyttävistä arvoista poikkeavat mittaustulokset 20 voidaan havaita helposti, mutta vaaratilanteen aiheuttajan tunnistaminen on tällöinkin • · *·*·* vaikeaa.
• · « « « · • ·* Vaaratilanteen olemassaolon huomaamista helpottavat tällä hetkellä yleensä anes- • · .. . tesiamonitoreihin ohjelmoidut ylä- ja alarajahälytykset. Jokaiselle mitattavalle tai • · · • · 25 mittaustuloksista lasketulle suureelle määritellään ylä- ja alahälytysrajat ja elleivät mitatut • · · • · · arvot pysy näiden rajojen välissä, monitori hälyttää. Jos ylä- ja alahälytysrajat säädetään . .·. lähelle toisiaan, suurin osa annetuista hälytyksistä on turhia. Vaikka tiukkojen hälytysrajojen • · · • ·· avulla voidaankin periaatteessa havaita uhkaava vaaratilanne hyvin aikaisessa vaiheessa, .. turhat hälytykset estävät usein vaaratilanteiden havaitsemisen käytännössä: Turhautuneena « · 30 aiheettomiin hälytyksiin anestesiahenkilökunta kytkee hälytykset usein jopa kokonaan pois päältä (Kerr J.H. "Warning devices" British Journal of Anaesthesia 57, s.696-708, 1985).
3 98338
Turhien hälytysten aiheuttamat ongelmat onkin ratkaistu monessa tämänhetkisessä monitorissa määrittelemällä hälytysrajojen välit oletusarvoisesti niin väljiksi, ettei turhia hälytyksiä juurikaan esiinny lukuunottamatta anestesian alku- ja loppuvaihetta. Kun mitattavat arvot sitten ylittävät tai alittavat hälytysrajan, potilas saattaa pahimmassa tapauk-5 sessa olla jo vahingoittunut ja parhaimmassakin tapauksessa aikaa potilaan pelastamiseen on vain vähän. Tällaisessa tilanteessa on korvaamattoman arvokasta, jos anestesiahenkilökunta pystyy nopeasti paikallistamaan vaaratilanteen aiheuttajan. Rajahälytykset eivät vaaratilanteen aiheuttajaa ilmaise, vaan tuloksena saadaan vain tieto siitä, mikä tai mitkä suureet ovat ohittaneet hälytysrajan.
10
Vaaratilanteita tunnistavia älykkäämpiä järjestelmiä on yritetty rakentaa esimerkiksi tutkimalla mitattuja arvoja analyyttisesti ja rakentamalla löydettyjen säännönmukaisuuksien perusteella yksinkertaisiin sääntöihin perustuvia jäijestelmiä sekä asiantuntijajärjestelmiä (Jiang A. "The design and development of a knowledge-based ventilatory and respiratory 15 monitoring system" Väitöskirja, Graduated School of Vanderbilt University, 1991) (Nederstigt J.A. "Design and implementation of second prototype of the intelligent alarm system in anesthesia" Diplomityö, Eindhoven University of Technology, 1991), mutta myös näissä järjestelmissä on määriteltävä eksplisiittisesti tunnistukseen käytettävien parametrien arvot. Mitattavia suureita on kuitenkin paljon, suureiden välille on vaikea löytää riippuvuuk-20 siä ja rajanveto normaalin ja epänormaalin tilanteen väliin on vaikeaa. Lisäksi vaaratilantei- * · · ' den tunnistusta vaikeuttaa mitattavien suureiden erilainen käyttäytyminen anestesialaitteiston ;;·* eri toimintapisteissä. Toimintapisteellä tarkoitetaan sellaista hahmovektoria, joka vastaa • « · * *. normaalitilannetta esimerkiksi tietyillä anestesiakoneen asetuksilla ja tietyllä potilaalla.
• ··· · • · .. . Asiantuntijajärjestelmätkään eivät sovi kovin hyvin tällaisten hieman epämääräisten asioiden ! * l 25 hallintaan ja siksipä ne ovat useimmiten hyvin monimutkaisia, hitaita ja kooltaan melko t · · massiivisia.
« ♦ · · • · · . *: ·. Westenskow on patenttihakemuksessaan (Patenttihakemus "Device and method for neural network breathing alarm" Westenskow D., Salt Lake City. Hakemus nro 30 PCT/US90/05250,14.9.1990 (4.4.1991) 44 s.) yrittänyt ratkaista em. ongelmia error » · backpropagation -tyyppisen keinotekoisen hermoverkon avulla. Keinotekoisilla hermover-“ *. kolliahan tarkoitetaan rinnakkaisten yksiköiden muodostamia verkkoja, joissa suuri määrä • 98338 4 toiminnaltaan yksinkertaisia yksiköitä on kytketty toisiinsa. Yksiköt ovat yleensä adaptiivisia eli oppivia ja keinotekoisiin hermoverkkoihin perustuvassa järjestelmässä vaaratilanteisiin liittyvien muutosten analysointi onkin jätetty hermoverkon tehtäväksi. Hermoverkko oppii siis erottamaan normaalit ja epänormaalit tilanteet toisistaan. Samalla se oppii mitattavien 5 suureiden väliset riippuvuudet eri tilanteissa, jolloin vaaratilanteen olemassaolon lisäksi tunnistetaan vaaratilanteen aiheuttaja.
Keinotekoiset hermoverkot soveltuvat erityisen hyvin erilaisiin hahmontunnistustehtäviin.
Niitä onkin käytetty menetyksellisesti esimerkiksi puheentunnistuksessa, käsinkirjoitetun 10 tekstin tunnistamisessa, tekstuurin tunnistamisessa ja robotiikassa. Hahmontunnistusta hermoverkkojen avulla on aikaisemmin kokeiltu myös erilaisissa kunnonvalvontatehtävissä, jollainen sekä Westenskowin keksimä että tässä hakemuksessa esitetty menetelmä pohjimmiltaan on: teollisuuden prosesseista poiketen valvottavan järjestelmän yhtenä osana anestesiassa vain on ihminen.
15
Anestesiaan liittyviä vaaratilanteita tunnistettaessa mittaustuloksista muodostetaan hahmovektoreita, jotka hermoverkko sitten luokittelee normaalitilanteeksi tai vaaratilanteeksi, ja samalla tunnistetaan myös vaaratilanteen aiheuttaja. Hahmovektorin komponenteista käytetään jatkossa nimitystä piirteet. Eri vaaratilanteisiin liittyvät hahmovektorit opetetaan 20 verkolle ennen varsinaista tunnistusvaihetta ja opetukseen käytettävien näytteiden * ; keräämiseen Westenskow on käyttänyt sekä hengityssimulaattoria että koe-eläimiä.
**/* Näytteitä kerättäessä kokeillaan tunnistettavia vaaratilanteita mahdollisimman moneen • · « • · * \ kertaan ja useilla anestesiakoneen asetuksilla. Vaaratilanteisiin liittyvistä mittaustuloksista • · ··,·, lasketut piirteet opetetaan hermoverkolle erillisen opetusvaiheen aikana. Hermoverkko oppii
T
• · ·;·. 25 tällöin tunnistamaan myös sellaisia hahmovektoreita, jotka poikkeavat verkolle opetetuista X · · vektoreista mutta muistuttavat kuitenkin niitä, ts. hermoverkot pystyvät vaaratilanteita . tunnistaessaan yleistämään verkolle opetetuista näytteistä. Edellä esitetyssä, Westenskowin patentissakin kuvatussa opetusvaiheessa ei siis ole mitään uutta: vastaavasti menetellään ; . käytettäessä mitä tahansa hermoverkkoa mihin tahansa tarkoitukseen.
’·*; 30
Vaaratilanteen aiheuttaja tunnistetaan Westenskowin patenttihakemuksessa vertaamalla ' _ \ tietyn hetken mittaustuloksen arvoa edellisellä mittauskerralla saatuun arvoon, jolloin 5 98338 tunnistamiseen käytettyjen piirteiden riippuvuus esimerkiksi anestesiakoneen asetusarvoista vähenee. Anestesiakoneen asetusten muuttaminen ja normaalit potilaassa tapahtuvat muutokset aiheuttavat kuitenkin muutoksiin perustuvaa tunnistusta käytettäessä turhia hälytyksiä ja toisaalta vaaralliset mutta vähittäiset muutokset jäävät huomaamatta. Turhien 5 hälytysten poistamiseksi Westenskowin hakemuksessa on esitetty ratkaisu, jossa vaaratilanteen olemassaolo tunnistetaan ensin error backpropagation -tyyppisen hermoverkon avulla ja vasta jos vaaratilanteen olemassaolo on havaittu, tunnistetaan vaaratilanteen aiheuttaja toisen samantyyppisen verkon avulla.
10 Westenskowin keksinnössä on kuitenkin useita puutteita, joista suuri osa aiheutuu käytetystä hermoverkkotyypistä. Kyseiseen ratkaisuun liittyvät puutteet on esitetty alla: 1. Turmistustuloksen epävarmuuden ilmaisu backpropagation -verkon avulla ei ole luotettavaa, jos tunnistettava hahmovektori ei muistuta mitään verkolle opetetuista 15 vektoreista. Tällöin täysin väärä tunnistustulos on todennäköisesti vaarallisempi, kuin tieto siitä että tunnistaminen ei luultavasti onnistu ollenkaan.
2. Vaaratilanteen olemassaolon havaitsevan verkon opetukseen on käytettävä sekä normaalitilanteisiin että vaaratilanteisiin liittyviä mittaustuloksia, jolloin käyttäjän antama 20 opetus todellisissa kliinisissä olosuhteissa ei ole mahdollista. Toisaalta, erityyppisissä • ; leikkauksissa keskimäärin mitatut arvot voivat poiketa toisistaan merkittävästi: Esimerkiksi neurokirurgisissa leikkauksissa käytetään normaalia suurempia kertatilavuuksia, mikä • ♦ · • · puolestaan aiheuttaa uloshengityksen hiilidioksidipitoisuuden putoamisen merkittävästi • · normaalissa anestesiassa käytettyjen arvojen alapuolelle. Käytetty kertatilavuus ja • ;·. 25 hengitystiheys vaihtelee myös potilaan koon ja anestesialääkärin mieltymysten mukaan.
I · · . 3. Turmistustuloksen selittäminen käyttäjälle on hyvin vaikeaa ellei peräti mahdotonta.
··· ; : Tämä hermoverkkojen yleinen ominaisuus on usein kritiikin kohteena etenkin tunnistettaessa ; · * ·. anestesiaan liittyviä vaaratilanteita. Hermoverkkoa voidaankin yleisessä tapauksessa pitää • * ·. 30 eräänlaisena mustana laatikkona: verkon ottoon syötetään hahmovektori ja verkon annosta saadaan tunnistustulos; kukaan vain ei tarkalleen tiedä, miksi hermoverkko päätyi ’. tunnistustulokseen ja siksi myös tunnistustulokseen suhtaudutaan epäillen.
• 6 98338 4. Kun mittaustulokset ovat tasaantuneet vaaratilannetta vastaavalle tasolle, vaaratilanteen aiheuttajan tunnistaminen ei ole enää mahdollista.
5. Vähitellen kehittyvien vaaratilanteiden aiheuttajien tunnistaminen ei ole mahdollista.
5 Tämän keksinnön tarkoituksena on poistaa edellä kuvatun tekniikan puutteellisuudet ja aikaansaada aivan uudentyyppinen menetelmä anestesiajäijestelmässä esiintyvien vaaratilanteiden ilmaisemiseksi ja tunnistamiseksi.
10 Keksintö perustuu siihen, että järjestelmän opetustilanteessa ja mittasutilanteessa käytetään hyväksi itseorganisoivaa karttaa.
Täsmällisemmin sanottuna keksinnön mukaiselle menetelmälle on tunnusomaista se, mikä on esitetty patenttivaatimuksen 1 tunnusmerkkiosassa.
15
Keksinnön kohteena olevan menetelmän ensisijaisena tarkoituksena on anestesiaan liittyvien vaaratilanteiden olemassaolon havaitseminen sekä aiheuttajan tunnistaminen toimintapisteestä riippumatta ja mahdollisimman aikaisessa vaiheessa. Westenskowin keksinnöstä poiketen toisena tarkoituksena on ilmaista käyttäjälle tunnistetun vaaratilanteen lisäksi myös 20 tunnistustuloksen epävarmuus. Kolmantena tarkoituksena on vaaratilanteen olemassaolon ‘ ; tunnistaminen hermoverkon avulla, kun verkolle on opetettu vain normaalitilanteeseen liittyviä näytteitä Neljäntenä tarkoituksena on selvittää käyttäjälle tunnistustuloksen lisäksi myös syy siihen, miksi tunnistustulokseen on päädytty. Tarkoituksena on myös vähittäin • · !*.*. kehittyvien vaaratilanteiden tunnistaminen, vaaratilanteen luotettava tunnistus myös • « x* ; 25 tilanteeseen liittyvien mittaustulosten tasaantumisen jälkeen ja mittaustulosten kehittymisen havainnollinen esittäminen käyttäjälle.
< · « ♦ · * ··· : *: ’: Kaikki yllämainitut tavoitteet saavutetaan käyttämällä sekä vaaratilanteen olemassaolon : ·. ·. että aiheuttajan tunnistamiseen nimenomaan prof. Kohosen kehittämää hermoverkkotyyp- , "': 30 piä, itseorganisoivaa karttaa, sen muunnelmia ja siitä johdettuja algoritmeja (Kohonen T.
, · ‘ . "The self-organizing map" Proceedings of the IEEE 78, s. 1464-1480, 1990)(Kohonen T.
"Self-organized formation of topologically correct feature maps" Biological Cybernetics 43, 7 98338 s. 59-69, 1982) ja muuttamalla vaaratilanteen mittaustulosten muutoksiin perustuvaa tunnistusta. Itseorganisoivalla kartalla on muita hermoverkkotyyppejä muistuttavia yleisiä ominaisuuksia, jotka mahdollistavat vaaratilanteiden havaitsemisen ja tunnistamisen määrittelemättä eksplisiittisesti tunnistukseen tarvittavien parametrien arvoja. Toisaalta 5 kartalla on ominaisuuksia, jotka korjaavat edellä esitetyt Westenskowin keksintöön liittyvät puutteet.
Mm. Kohonen on selvittänyt itseorganisoivan kartan toimintaa kirjallisuudessa melko perusteellisesti ja kartan toimintaa on mahdollista kokeilla esimerkiksi TKK:n 10 informaatiotekniikan laboratorion julkistaman Public Domain-ohjelmiston SOM_PAK avulla. Tässä yhteydessä kartan toimintaperiaate esitellään vain pintapuolisesti ja esittelyn tarkoituksena on auttaa lukijaa ymmärtämään, miksi juuri itseorganisoiva kartta on erityisen sopiva anestesiajärjestelmässä esiintyvien vaaratilanteiden havaitsemiseen ja tunnistamiseen. Täsmälliset itseorganisoivaan karttaan liittyvät kaavat on ehkä selkeimmin esitetty Teuvo 15 Kohosen kirjoittamassa artikkelissa "The self-organizing map" . Sekä hahmovektorin tunnistusta että kartan opetusta on kuvattu jäljempänä seuraavissa piirroksissa.
Itseorganisoiva kartta koostuu yleensä yhdessä tai kahdessa ulottuvuudessa esitetystä karttayksiköiden joukosta, jossa yksiköt sijaitsevat tietyssä säännönmukaisessa järjestykses- . . 20 sä. Kaksiulotteisella kartalla säännömukainen järjestys tarkoittaa yleensä neliömäistä tai « · · ’ 1 heksagonaalista hilaa. Jokaista karttayksikköä vastaa painovektori m!, jossa i:llä merkitään ··.·. yksikön sijaintia karttahilassa. Esimerkiksi kaksiulotteisella, suorakulmion muotoisella • · • · kartalla i = (x,>»), missä x on yksikön sijainnin x-koordinaatti jay vastaava y-koordinaatti.
·· · i · : • · i’:*: 25 Jokainen painovektori m, edustaa tiettyä osaa kartalle opetetuista hahmovektoreista ja « tunnistus kartan avulla sujuukin yksinkertaisesti siten, että haetaan tunnistettavaa im\m- hahmovektoria lähimpänä sijaitseva kartan painovektori, jota vastaavasta kartan yksiköstä • · · käytetään jatkossa nimitystä voittaja. Etäisyysmittana käytetään yleisimmin euklidista j -': etäisyyttä. Varsinainen tunnistustulos päätellään voittajalle aikaisemmin luokittuneiden Γ' : 30 hahmovektorien avulla: Esimerkiksi, jos tunnistettavaa hahmovektoria vastaavalle , ·. voittajayksikölle on aikaisemmin luokittunut 56 vaaratilanteeseen A liittyvää hahmovektoria ... ja 3 vaaratilanteeseen B liittyvää hahmovektoria, voidaan päätellä että todennäköisin 8 98338 tunnistustulos on vaaratilanne A.
Itseorganisoivan kartan opetusvaiheen aikana karttayksikköjen painovektorit asettuvat vähitellen siten, että niiden sijainnit vastaavat opetusaineistojen hahmovektorien tiheys-5 jakaumaa. Jos siis erimerkiksi vaaratilannetta A edustaa suurempi määrä opetusaineiston hahmovektoreita kuin vaaratilannetta B, myös avaruuden osaa A edustavia karttayksiköitä on enemmän kuin osaa B edustavia karttayksiköitä.
Opetusvaiheen aikana on olennaista myös karttayksiköiden järjestyminen, jolla ei tässä 10 yhteydessä tarkoiteta yksiköiden fyysistä siirtymistä kartalla, vaan painovektorin muuttamista siten, että yksiköiden sijainti kartalla vastaa tietyllä tavalla yksikön painovekto-ria, jos painovektoria verrataan kartalla lähellä sijaitsevien yksiköiden painovektoreihin. Käytännössä tämä tarkoittaa sitä, että kartalla tietyn etäisyysmitan suhteen lähellä toisiaan olevia yksiköitä vastaavat painovektorit ovat yleensä lähempänä toisiaan kuin kartalla IS kauempana toisistaan sijaitsevien yksiköiden painovektorit. Tämä ei siis päde kuitenkaan aina: Dimensioltaan kahta suurempien piirrevektorien kuvaaminen kaksiulotteiselle kartalle niin, että etäisyyssuhteet säilyvät, ei yleensä ole kertakaikkiaan mahdollista. Yksiköiden voidaankin tällöin ajatella olevan lokaalisti järjestyneitä. Jos sekä tunnistettavat piirrevektorit että kartta ovat yksiulotteisia, järjestyksellä tarkoitetaan luonnollisesti painoarvojen 20 asettumista suuruusjärjestykseen karttayksiköiden järjestyksen mukaisesti, moniulotteisilla ! piirrevektoreilla ja kartalla täsmällistä järjestysrelaatiota ei voida määritellä.
• * · · • * · • · · • · e>..: Itseorganisoivaa karttaa opetetaan ohjaamattomasti, ts. hahmovektoriin liittyvää • · j ·. ·. vaaratilannetta ei ilmaista kartalle opetusvaiheessa ja kartan yksikköjä vastaavat vaaratilan- • · 25 teet selvitetään vasta opetusvaiheen jälkeen testaamalla mihin kohtiin kartalla eri vaaratilanteisiin liittyvät opetusaineiston hahmovektorit luokittuvat. Koska jokainen t hahmovektori liittyy joko normaaliin tilanteeseen tai johonkin vaaratilanteeseen, opetusvai- ··· heessa ei käytetä kaikkea saatavissa olevaa informaatiota, mikä voi johtaa esimerkiksi ohjatusti oppivaa error backpropagation -verkkoa huonompiin tunnistustuloksiin.
, ‘ ‘ ‘ 30 Itseorganisoivan kartan vaaratilanteiden tunnistustarkkuutta voidaan kuitenkin parantaa ns.
. ‘. oppivien vektorikvantisointialgoritmien avulla (LVQ-algoritmit) (Kohonen T., Kangas J., ____: Laaksonen J. ja Torkkola K. "LVQ_PAK: A program package for the correct application 9 98338 of Learning Vector Quantization algorithms" Proceedings of the international joint conference on neural networks (IJCNN), Baltimore, Maryland, 7.-11.6. 1992, s. 1-725 - I-730, 1992) 5 Sekä Westenskowin hakemuksessa että tässä hakemuksessa keksityn menetelmän perusteella suunnitellun järjestelmän opetus sujuu samaan, yleisesti käytössä olevaan tapaan: 1. Kerätään tunnistettaviin luokkiin (vaaratilanteisiin) liittyviä mittaustuloksia (esimerkiksi hengityssimulaattorin tai koe-eläinten avulla) ja lasketaan niistä piirteitä.
10 Piirteistä muodostetaan hahmovektoreita.
2. Opetetaan hahmovektoreita hermoverkolle, kunnes jokin oppimisen astetta kuvaava mitta ilmaisee oppimistuloksen olevan riittävän hyvä. Itseorganisoivalla kartalla sopiva oppimisasteen mitta on esimerkiksi opetettavan hahmovektorin ja voittajayksikön 15 painovektorin välinen etäisyys, josta lasketaan liukuva keskiarvo halutulta ajanjaksolta. Voittajayksikön painovektorin ja joko tunnistettavan tai opetettavan hahmovektorin välisestä etäisyydestä käytetään jatkossa nimitystä kvantisointivirhe.
Kuten jo edellä mainittiin, karttaa käytettäessä tarvitaan varsinaisen opetuksen jälkeen vielä . . 20 vaihe, jossa testataan mihin kartan kohtiin opetusaineiston eri vaaratilanteisiin liittyvät 1 hahmovektorit sijoittuvat.
«m 9 9 · · • ·
Vaaratilanteiden olemassaolon havaitsemiseen ja aiheuttajan tunnistamiseen on tässä « · **.*. keksinnössä käytetty samantyyppistä menetelmää kuin Westenskowin patenttihakemuksessa.
• · j’V. 25 Tällöin tunnistetaan ensin vaaratilanteen olemassaolo ja vasta vaaratilanteen olemassaolon havaitsemisen jälkeen vaaratilanteen aiheuttaja. Vaaratilanteen olemassaolon tunnistus i perustuu tällöin ns. absoluuttisiin piirteisiin, jolloin vaaratilanne havaitaan käyttämällä t : : piirteiden laskentaan vain tietyn hetken mittaustuloksista laskettuja tunnuslukuja.
:1.' Absoluuttisten piirteiden muodostamasta hahmovektorista käytetään jatkossa nimitystä i ‘, 30 absoluuttinen hahmovektori.
i .,, Vaaratilanteen aiheuttaja tunnistetaan Westenskowin keksinnöstä poiketen vertaamalla tietyn 10 98338 hetken absoluuttista hahmovektoria referenssivektoriin, joka ei ole edellisellä tunnistusker-ralla käytetty absoluuttinen hahmovektori tai useiden edeltävien absoluuttisten hahmovekto-rien liukuva keskiarvo. Tässä keksinnössä referenssivektori muodostetaan rekisteröimällä ensin pienehkö määrä (esimerkiksi 5 kpl) normaalitilanteeseen liittyviä absoluuttisia S hahmovektoreita ja laskemalla tämän jälkeen esimerkiksi hahmovektorien vektorimediaani (Astola J., Haavisto P. ja Neuvo Y. "Vector median filters" Proceedings of the IEEE 78, s. 678-689, 1990) tai keskiarvo. Mahdollista on myös referenssivektorien arvojen ennustaminen esimerkiksi anestesiakoneen asetuksia ja potilaan asentoa koskevan informaation avulla.
10
Edellä kuvattu menetelmä mahdollistaa vaaratilanteen luotettavan tunnistamisen myös mittaustulosten tasaannuttua vaaratilannetta vastaavalle tasolle. Samalla voidaan tunnistaa vähitellen kehittyvät vaaratilanteet.
1S Vaaratilanteen olemassaolo havaitaan tässä keksinnössä opettamalla kartta Westenskowin keksinnöstä poiketen vain normaalitilanteisiin liittyvillä näytteillä. Itseorganisoiva kartta muodostaa tällöin esityksen normaalitilanteista, ja vaaratilanteen olemassaolo voidaan havaita kvantisointivirheen ylittäessä käyttäjän valitseman yksittäisen rajan. Samantapaista periaatetta on tutkittu yleisessä tapauksessa Mika Kasslinin diplomityössä (Kassiin M.
. . 20 "Itseorganisoituvien piirrekarttojen käyttö kunnonvalvonnassa" Diplomityö, Teknillinen ,;, Korkeakoulu, 1992). Kemiallisen prosessin valvonnassa menetelmää ovat kokeilleet Viktor « · · ·
Tryba ja Karl Goser (Tryba V. ja Goser K. "Self-organizing feature maps for process control • · • · ....: in chemistry" Proceedings of the International Conference on Artificial Neural Networks i*·*: (ICANN), Espoo, 24.-28.6.1991, Amsterdam, Elsevier Science Publishing Company, s.847- • · ΓΓ: 25 852.) tl· Käyttäjä voi siis opettaa vaaratilanteiden olemassaolon havaitsevan kartan täysin normaalin «·· : anestesian aikana, eikä vaaratilanteita tarvitse kokeilla oppimistuloksen aikaansaamiseksi.
·**: Lisäksi esimerkiksi eri lääkäreillä ja erityyppisillä potilailla voi olla henkilökohtainen i *: 30 vaaratilanteen olemassaolon ilmaiseva karttansa. Myös jokaista leikkaustyyppiä voi vastata eri vaaratilanteen olemassaolon tunnistava kartta. Tällöin voidaan ottaa huomioon • · · •; ; lääkäreistä, potilaista ja leikkaustyypistä johtuvat keskimääräiset erot mittaustuloksissa 11 98338 ja vaaratilanteen olemassaolo voidaan havaita luotettavammin kuin Westenskowin keksinnössä.
Kvantisointivirhettä voidaan käyttää hyväksi myös tunnistettaessa vaaratilanteen aiheuttaja.
5 Voittajayksikköä vastaavan vaaratilanteen perusteella päätellään todennäköisin hahmovek-toriin liittyvä vaaratilanne, mutta jos hahmovektorin ja voittajayksikön välinen kvantisoin-tivirhe on suuri, tunnistustuloksen voidaan päätellä olevan epävarma. Tunnistustuloksen epävarmuuden ilmaisemiseen riittää siis kvantisointivirheen suuruuden havainnollistaminea Westenskowin keksinnössä epävarmuuden ilmaisu ei ole luotettavaa, koska backpropagati-10 on-verkossa tunnistus perustuu eri luokkien välisiin hyperpintoihin. Jos tunnistettava hahmovektori sijaitsee kaukana opetetuista vektoreista mutta sopivasti hyperpintoihin nähden, tunnistustulos saattaa näyttää varmalta, vaikka se todellisuudessa olisi hyvinkin epävarma.
15 Itseorganisoivan kartan antaman tunnistustuloksen peruste voidaan selvittää yksinkertaisesti tutkimalla ja havainnollistamalla piirteiden arvoja kartan eri osissa. Näin voidaan päätellä, mitkä piirteet vaikuttavat tietyn vaaratilanteen erottumiseen jostakin toisesta vaaratilanteesta Päättelyn mahdollistaa kartan yksinkertainen rakenne ja karttayksikköjen keskinäinen järjestys. Vastaavien selitysten löytäminen on Westenskowin keksinnössä hyvin , . 20 vaikeaa.
t « ·
Vaaratilanteen aiheuttaman mittaustulosten ja tuloksista laskettujen piirteiden muutosten • ♦ • · suuruus voi vaihdella huomattavasti anestesiajäriestelmän eri toimintapisteissä. Tunnistus- • · j*.*; tarkkuuden parantamiseksi käytetään tässä keksinnössä menetelmää, jossa anestesiajärjes- • · 25 telmän toimintapiste tunnistetaan ensin absoluuttisilla hahmovektoreilla opetetun kartan avulla, josta käytetään jatkossa nimitystä ensimmäisen tason kartta Jokaista ensimmäisen 1 tason kartan yksikköä vastaa oma toisen tason itseorganisoiva karttansa ja jokaista toisen •\" · tason karttaa vastaa vähintään yksi ensimmäisen tason karttayksikkö. Jokaista ensimmäisen • ’ · *; tason karttayksikköä kohti ei siis välttämättä ole kokonaan omaa toisen tason karttaa: jos , ·. 30 vaaratilanteiden aiheuttamat muutokset muistuttavat toisiaan kahta eri ensimmäisen tason .·*·. karttayksikköä vastaavissa toimintapisteissä, voidaan vaaratilanteen aiheuttaja tunnistaa » · · φ · .. ..: saman toisen tason kartan avulla. Toisen tason itseorganisoivien karttojen muodostamaa 12 98338 kokonaisuutta nimitetään jatkossa kartastoksi.
Itseorganisoivan kartan avulla voidaan antaa tietyn hetken tunnistustuloksen lisäksi myös havainnollinen kuva siitä, mikä voisi olla mahdollinen vaaratilanne, ellei tunnistustulos 5 jostain syystä ollutkaan oikea Koska toisiaan muistuttavat vaaratilanteet luokittuvat lähelle toisiaan myös itseorganisoivalle kartalle, seuraavaksi todennäköisimmät vaaratilanteet voidaan päätellä voittajayksiköiden naapureita vastaavista vaaratilanteista. Itseorganisoiva kartta voi havainnollistaa tietyn hetken tunnistustuloksen lisäksi myös mittaustulosten muutoksia ajan funktiona piirtämällä voittajayksikön liike murtoviivana kartalle. Koska 10 karttayksiköt sijaitsevat eräänlaisessa järjestyksessä, murtoviivan liikkeessä ei keskimäärin ole kovin suuria hyppäyksiä. Käyttäjäystävällisyyden kannalta nimenomaan karttayksiköiden keskinäinen järjestys on myös tässä yhteydessä olennaista. Tätä ominaisuutta voidaan käyttää havainnollistamaan tällä hetkellä käytössä olevien yksittäisiin suureisiin liittyvien trendien yhteisvaikutusta.
15
Oheisten kuvioiden avulla on selvitetty tarkemmin keksinnön mukaista menetelmää ja niitä tekijöitä, jotka vaikuttavat menetelmän toimintaan.
Kuvio 1 on kaavio anestesiajäijestelmän vaaratilanteita tunnistavasta menetelmästä yleisessä . . 20 tapauksessa.
·%·. Kuvio 2 esittää kaaviota kaksiulotteisesta itseorganisoivasta kartasta, jonka karttayksiköt « m • · sijaitsevat heksagonaalisessa hilassa.
·« · t * : • · i*·*: 25 Kuvio 3 esittää järjestymätöntä itseorganisoivaa karttaa.
J : : Kuvio 4 esittää järjestynyttä itseorganisoivaa karttaa.
« ·· t « » » « * j
Kuvio 5 esittää anestesiakonetyyppiä, jonka hengitysletkuston vikatilanteiden tunnistami- « * r ’: 30 seen tässä hakemuksessa kuvattua keksintöä on olennaisimmilta osin kokeiltu.
I * I
., Kuvio 6 esittää yhtä toisen tason vaaratilanteen aiheuttajan tunnistavista kartoista 13 98338 hengitysletkuston vikatilanteita tunnistettaessa.
Kuvio 7 esittää voittajayksikön liikettä toisen tason kartalla intubaatioputken lyhytaikaisen tukoksen aikana hengitysletkuston vikatilanteita tunnistettaessa.
5
Kuvio 8 esittää vikatilanteen olemassaolon tunnistavan kartan kvantisointivirhekäyrää, kun intubaatioputki tukkeutuu hetkeksi.
Kuvio 9 esittää erään vikatilanteen tunnistamisessa käytetyn piirteen arvoa kartan eri osissa.
10
Kuviossa 10 on esitetty lohkokaavio menetelmän toiminnasta käytännössä Kuvioiden selitykset: 15 Kuviossa 1 on havainnollistettu yleisen anestesiajärjestelmän vaaratilanteita tunnistavan järjestelmän rakennetta. Allaolevassa taulukossa on esitetty kuviossa olevien numero-viittausten selitykset.
1. Potilaan, anestesiakoneen, mittausanturien, näyteletkujen, anestesiakoneen ja muiden . . 20 anestesialaitteiden muodostama kokonaisuus « · · « · « * • I * 2. Anestesiakone I · • « ,.,,; 3. Anestesiakoneen hengitysletkusto • « 4. Potilas » · * · 25 5. Mittausanturi • · · 6. Ilmiötä kuvaava malli, jonka perusteella lasketaan piirteet i7. Vaaratilanteiden tunnistus esimerkiksi rajahälytysten, yksinkertaisten sääntöjen, · asiantuntijajäijestelmien tai hermoverkkojen avulla.
: ’. ' · 8. Liittymät sairaalan kaasujäijestelmään « ♦ I 30 9. Mittaustulokset 10. Hahmovektori • « * • » « • ♦ « I I M • · 14 98338
Kuvion tarkoituksena on osoittaa, että vaaratilanteiden tunnistusmenetelmä ja menetelmän antamat tunnistustulokset ovat vain yksi osa vaaratilanteita tunnistavasta järjestelmästä. Käytettävissä olevilla mittaustuloksilla 9 sekä mittausanturien 5 lukumäärällä ja oikealla sijainnilla on tunnistustuloksiin ehkä kaikkein suurin merkitys. Tunnistustuloksen kannalta 5 tärkeätä on myös tarkasteltavan ilmiön oikea mallintaminen ja oikeiden piirteiden valitseminen kehitetyn mallin perusteella. Mallintamisella ei tässä yhteydessä tarkoiteta välttämättä minkään täsmällisen matemaattisen mallin luomista, vaan lähinnä intuitiivista käsitystä siitä, miten piirteet kannattaa laskea. Esimerkki tällaisesta mallintamisesta on anestesian käsittäminen prosessiksi, jossa arvot pysyvät normaalitilanteessa stabiileina ja 10 muuttuvat vaaratilanteissa ja esimerkiksi anestesiakoneen asetuksia muutettaessa. Esimerkkimallin perusteella päädyttiin ratkaisuun, jossa vaaratilanteen aiheuttaja tunnistetaan mittaustuloksissa tapahtuneiden muutosten perusteella.
Kuviossa esitetty tunnistusmenetelmä voi olla mikä tahansa, vaikka käsite hahmovektori 15 liitetään yleensä hahmontunnistukseen ja keinotekoisiin hermoverkkoihin, ts. menetelmiin, jotka tarkastelevat hahmovektoria useimmiten yhtenä kokonaisuutena. Koska tunnistus voi tapahtua myös tarkastelemalla hahmovektoria yksi piirre kerrallaan, kuvion vaaratilanteita tunnistava menetelmä voi siis yhtä hyvin perustua esimerkiksi rajahälytyksiin, joilla vaaratilanteen aiheuttajia ei siis pystytä tunnistamaan ollenkaan (tunnistustarkkuus 0 % ).
20
I I I t < I
. Oikeantyyppisten anturien S oikean sijoittelun ja oikeiden piirteiden antamat hyvät edellytykset vaaratilanteiden tunnistamiselle voidaan tuhota helposti väärällä tunnistus- » · menetelmällä, mutta väärässä kohtaa sijaitsevien ja vääriä suureita mittaavien anturien sekä » * j·.·, väärien piirteiden antamia huonoja lähtökohtia on vaikea korvata tarkimmankaan tunnis- • · j ;‘. 25 tusmenetelmän avulla. Hyvän tunnistusmenetelmän korvaaminen paremmalla menetelmällä m ei siis välttämättä vaikuta tunnistustarkkuuteen olennaisesti, vaan tietyn rajan jälkeen 5 tärkeämmiksi tulevat tunnistusmenetelmän muut ominaisuudet; ominaisuudet, joihin : : nimenomaan tässä keksinnössä on kiinnitetty huomiota verrattuna esimerkiksi * : . \ asiantuntijajärjestelmiin ja Westenskowin keksintöön.
: Λ 30 ·’·. Tässä hakemuksessa esitetty keksintö liittyy siis kuviossa ylimmällä tasolla esitettyyn • · ,.,.: tunnistusmenetelmään ja osittain tunnistusmenetelmän käyttämiin piirteisiin sekä piirteiden 15 98338 laskennan perustana olevaan intuitiiviseen malliin.
Kuviossa 2 on esitetty kaksiulotteinen kartta 11, jossa karttayksiköt 12 sijaitsevat heksagonaalisessa hilassa 13, jolloin jokaisella karttayksiköllä on kuusi naapuria lu-S kuunottamatta kartan reuna-alueilla sijaitsevia karttayksiköitä.
Kuvio 3 esittää jäijestymätöntä kaksiulotteista karttaa, jossa painovektorit ja tunnistettavat hahmovektorit ovat kolmiulotteisia. Hahmovektorien komponentit ovat siis erilaisia anestesiajärjestelmästä saaduista mittaustuloksista laskettuja piirteitä. Käytetyt merkinnät 10 on selvitetty allaolevassa taulukossa.
14. Kaksiulotteinen itseorganisoiva kartta 15. PainoVhahmovektoriavaruus 16. Nuoli osoittaa, mihin karttayksikköön painovektori liittyy 15 17. Vaaratilannetta A vastaava hahmovektoriavaruuden osa 18. Vaaratilannetta B vastaava hahmovektoriavaruuden osa 19. Vaaratilannetta C vastaava hahmovektoriavaruuden osa
Kuvion kartta ei ole vielä oppinut hahmovektoriavaruuden rakennetta ja samaa vaarati-20 lannetta vastaavat karttayksiköt sijaitsevat hajallaan kartan eri osissa. Tällaisessa tilassa kartta on yleensä ennen opetusvaihetta.
Kuvio 4 esittää kartan toimintaa opetusvaiheessa. Käytetyt merkinnät ovat selvitetty alla: 25 20. Kartalle opetettava hahmovektori, joka koostuu siis piirteistä. Hah- movektorin dimensio on tässä yksinkertaisessa esimerkissä kolme ja piirteiden voidaan ajatella olevan ihanteellisessa tapauksessa liukulukuja, joita voidaan approksimoida tarvittaessa esimerkiksi tietokoneissa käytössä olevilla kokonaisluvuilla. Hahmovektorin voidaan ajatella anestesian 30 yhteydessä koostuvan esimerkiksi seuraavista komponenteista: 1. Uloshengityksen hiilidioksidipitoisuus 98338 16 2. S i säänhengitetty kertatilavuus 3. Potilaaseen viilaavan kaasun maksimivirtaus 21. Ns. voittajayksikkö, jota vastaavaa painovektoria on merkitty xl :llä.
5 Voittajayksikkö sijaitsee lähimpänä opetettavaa hahmovektoria; etäi- syysmittana voidaan käyttää esimerkiksi normaalia euklidista etäisyyttä.
22. Naapuruston koko on kartan opetuksen alussa yleensä lähes saman kokoinen kuin opetettava kartta. Tässä esimerkissä opetus on edennyt siilo hen vaiheeseen, että naapuruston 24 koko on enää 1. Myös voittajayksi- kön 21 naapuruston sisällä olevien yksiköiden painovektoreita siirretään kohti opetettavaa hahmovektoria. Tässä esimerkissä siis mm. karttayksik-köä 22 vastaavaa painovektoria x2 siirretään kohti hahmovektoria.
15 23. esittää karttayksikköä, jota vastaava painovektori x3 sijaitsee lähellä hahmovektoria mutta jota ei siirretä opetettaessa kohti hahmovektoria, koska sitä vastaava karttayksikkö ei sijaitse voittajayksikön naapuruston sisäpuolella.
20 24. Voittajayksikön naapurusto, jonka säde on 1.
♦ V Kuviossa 5 esitetään vastaavasti opetuksen tuloksena saatu järjestynyt kartta, jossa * jokaista vikatilannetta vastaavan hahmovektoriavaruuden yhtenäistä osaa vastaa yhtenäi- • · · • · · • ·* nen alue kartalla (ihannetapauksessa). Käytetyt merkinnät on jälleen selvitetty allaolevas- • ·* * ♦ · *·* * 25 sa taulukossa.
• · · ♦ · · ::: 25. Kaksiulotteinen itseorganisoiva kartta • · · • · · 26. Paino-/hahmovektoriavaruus • ; * 27. Nuoli osoittaa, mihin karttayksikköön painovektori liittyy 30 28. Vaaratilannetta A vastaava hahmovektoriavaruuden osa :.:. * 29. Vaaratilannetta B vastaava hahmovektoriavaruuden osa 30. Vaaratilannetta C vastaava hahmovektoriavaruuden osa 17 98338 31. Vaaratilannetta A vastaava alue kartalla 32. Vaaratilannetta B vastaava alue kartalla 33. Vaaratilannetta C vastaava alue kartalla 5 Kuvio 6 esittää anestesiakoneen hengitysletkustoa, jonka vikatilanteiden tunnistamiseen ja havaitsemiseen keksittyä menetelmää on kokeiltu olennaisimmilta osin. Anestesiakoneena käytettiin Datexin Fleximaa, joka on puolisuljettu kiertävä jäijestelmä. Mittaustuloksia kerättiin kahdesta mittauspisteestä 10, joista toinen sijaitsi ventilaattorin palkeen alapuolella ja toinen potilaan henkitorveen asetetun intubaatioputken yhdeydes-10 sä. Opetettavat ja tunnistettavat hahmovektorit koostuivat potilaan hengittämien kaasujen paine-, tilavuus-, virtaus-, hiilidioksidipitoisuus-ja happipitoisuusarvoista lasketuista piirteistä. Tunnistettavat vikatilanteet olivat erilaisia hengitysletkuston tukoksia ja vuotoja sekä kaasunäyteletkujen irtoamisia.
15 Kerättäessä vikatilanteisiin liittyviä näytteitä potilaan tilalla oli mekaaninen hengityssimu-laattori 34, johon johdettiin typpeä ja hiilidioksidia hapenkulutuksen ja hiilidioksidin tuoton simuloimiseksi. Useimmat erillisen testiaineiston vikatilanteista tunnistettiin yli 90 % tarkkuudella ja tulosta voidaankin pitää tyydyttävänä, jos sitä verrataan asiantuntijajärjestelmien ja Westenskowin keksinnön avulla saavutettuihin, samaa suuruusluokkaa ·'· 20 oleviin tunnistustarkkuuksiin.
.. i ' Käytetyt merkinnät on selvitetty allaolevassa taulukossa.
* · « · * * 34. Mekaaninen hengityssimulaattori (Mil model 1600) ·· · • · · • ·’ 35. Intubaatioputken kuffi • · · *·* ’ 25 36. Intubaatioputki 37. Sisäänhengitysletku • · · "* 38. Uloshengitysletku • · · **! * 39. Palje : 40. Sisäänhengitysventtiili : : ·;· 30 41. Uloshengitysventtiili :. ”. ‘ 42. Kaasumonitori (Datex Capnomac Ultima) 43. Kaasuanturi (Dlite) 18 98338 44. PC-tietokone 45. Hiilidioksidiabsorberi 46. Kaasunäyteletku 47. Tuorekaasuvirtaus 5 48. Y-kappale 49. Uloshengitysventtiilin kanta
Kuviossa 7 on esitetty vikatilanteen syyn (= vaaratilanteen aiheuttaja) tunnistava kartta kokeiltaessa menetelmää edellisessä kohdassa mainitulla tavalla. Eri harmaasävyt 10 kuvaavat eri vikatilanteita ja eri alueita vastaavat vikatilanteet on merkitty karttaan myös numeroin. Koska kuviot ovat kopioita värikuvista, eri vikatilanteita vastaavat harmaasävyt eivät välttämättä erotu toisistaan, kuten voidaan havaita intubaatioputken tukosta ja uloshengitysletkun tukosta vastaavista alueista. Numeroihin liittyvät vikatilanteet on esitetty alla.
15 50. Normaalia tilannetta vastaava alue 51. Uloshengitysletkun tukos 52. Intubaatioputken tukos 53. Kaasuanturin tukos (Dlite) 20 54. Uloshengitysletkun/Y-kappaleen/Uloshengitysventtiilin kannan vuoto ..!;' 55. Sisäänhengitysletkun vuoto : V 56. Hiilidioksidinäyteletkun irtoaminen * * 57. Paine-/virtaus -näyteletkun irtoaminen • · · j · · • ·* 58. Sisäänhengitysventtiilin läpän vuoto | · ♦ ** * 25 59. Uloshengitysventtiilin läpän vuoto . 60. Vuoto intubaatioputken kutiin ohi • « · • ♦ « 61. Sisäänhengitysletkun tukos • · · ·' · ’ Kuvio 8 esittää voittajayksikön liikettä uloshengitysletkun tukosta vastaavan alueen • * '; ’ 30 kautta intubaatioputken tukosta vastaavalle alueelle 63 ja edelleen normaalialueelle 62 •. ‘’ intubaatioputken tukkeutuessa hetkeksi.
19 98338
Kuviossa 9 nähdään intubaatioputken tukoksen aiheuttama 64 kvantisointivirheen merkittävä kasvu vaaratilanteen olemassaolon tunnistavalla kartalla. Y-akselilla olevat lukuarvot 65 kuvaavat kvantisointivirheen suuruutta.
5 Kuviosta 10 voidaan selvittää, miksi kartta erottaa sisäänhengitysletkun vuodon 66 uloshengitysletkun/y-kappaleen/uloshengitysventtiilin kannan vuodosta 67. Kuviossa on esitetty hiilidioksidikäyrän muutoksen minimiarvon itseisarvo hengityssyklin aikana.
Karttaan on merkitty eri tummemmalla harmaasävyllä ne alueet, joita vastaavissa painovektoreissa kyseisen piirteen arvot ovat normaalia suuremmat ja hieman vaaleam-10 maila sävyllä ne alueet, joissa arvot ovat vastaavasti normaalia pienemmät. Mitä suurempi karttayksikköön piirretyn neliön koko on, sitä enemmän piirre poikkeaa normaaliarvosta.
Kuviosta voidaan päätellä helposti, että nimenomaan tarkasteltavan piirteen arvo erottaa 15 em. vaaratilanteet toisistaan kartan tunnistaessa vaaratilanteita. Tutkimalla painovektorei-ta komponenteittain kartan eri osissa ja vertaamalla kyseisten komponenttien arvoja karttayksikköjä vastaaviin vaaratilanteisiin voidaan siis helposti saada selville, millä perusteella kartta tunnistaa vaaratilanteet.
•.:. * 20 Kuviossa 11 on esitetty vaaratilanteita tunnistavan menetelmän toiminta käytännössä, ..S kun sekä 1. tason kartta 76 että2. tason kartasto 77 on opetettu hengityssimulaattorin tai : ·* koe-eläinten avulla kerätyn vaaratilanteisiin liittyvän aineiston avulla. Ensin opetetaan 1.
'* tason kartta normaalitilanteisiin liittyvillä absoluuttisilla hahmovektoreilla, joita muodos- Γ·*: tettaessa käytetään siis vain tietyn hetken mittaustuloksia. Vaaratilanteiden aiheuttajan t : : 25 tunnistava kartasto opetetaan yksi kartta kerrallaan säätämällä anestesiajäijestelmä niin, , ., että mittaustuloksista lasketut absoluuttiset hahmovektorit ovat lähempänä opetettavaa • · · .···. 2. tason karttaa vastaavan 1. tason karttayksikön painovektoria kuin mitään muuta 1.
• · · ,, ·, tason painovektoria. Tämän jälkeen kerätään jokaiseen tarkasteltavaan vaaratilanteeseen 'liittyvät näytteet, muodostetaan hahmovektorit vertaamalla mittaustuloksia vastaaviin « · ’ · * 30 normaaliarvoihin ja opetetaan hahmovektorit kartalle.
• I · • «
Itseorganisoivan kartan opetus on selvitetty kiijallisuudessa perusteellisesti, joten siihen 20 98338 ei puututa tarkemmin tässä yhteydessä.
Vaaratilanteen olemassaolon tunnistava kartta / kartat opetetaan todellisten anestesioiden aikana. Käyttäjän on mahdollista opettaa vaaratilanteen olemassaolon tunnistava kartta 5 uudestaan, jos esimerkiksi anestesiakonetta ryhdytään käyttämään aivan erityyppisessä ympäristössä kuin aikaisemmin. Käyttäjä voi myös määritellä kartan opetuksessa käytettyjen parametrien arvot sopivan pienelle kiinteälle tasolle, jolloin kartta voi olla adaptiivinen jatkuvasti. Kaikkia vaaratilanteen olemassaolon havaitsevan kartan opetukseen liittyviä yksityiskohtia ja mahdollisuuksia on merkitty kaaviossa numerolla 68, 10 "opetusparametrien valinta".
Kohdassa 69 havainnollistetaan vaaratilanteen olemassaolon tunnistavan kartan kvan-tisointivirhe ja jos kvantisointivirhe ylittää kohdassa 71 käyttäjän valitseman rajan, vaaratilanteen aiheuttajan tunnistava järjestelmä saa signaalin 70. Tällöin määritellään 15 rengaspuskuriin 72 talletettujen normaaliarvojen ja vastaavien mittaustulosten avulla vaaratilanteen tunnistukseen tarvittavien, muutoksiin perustuvien piirteiden arvot 74. Rengaspuskurin 72 toimintaperiaate on: 1) Jos rengaspuskuri ei ole täynnä, hahmovek-tori talletetaan ensimmäiseen vapaana olevaan puskurialkioon. 2) Jos rengaspuskuri on täynnä, hävitetään uutta arvoa talletettaessa vanhin rengaspuskuriin talletettu arvo.
« I
:': t: 20 Ennen talletusta rengaspuskuriin mittaustuloksia voidaan suodattaa ja ne voidaan skaalata 73. Skaalaus poistaa mittaustulosten varianssin ja vaihteluvälin aiheuttaman : 'eriarvoisuuden tunnistuksessa: esimerkiksi kertatilavuuden muutokset voivat vaaratilan-• · · 1 · * 1 teissä olla satoja millilitroja kun esimerkiksi hiilidioksidipitoisuus voi kasvaa vaikkapa • · i J « · • · 1 yhdellä pro senttiyksiköllä.
··· * · · *·· 1 25
On huomattava, että osa mittaustuloksista voi olla esimerkiksi anestesiakoneen säätöjä • · · • « · 111 koskevia signaaleja. Esimerkiksi anestesiakoneen säätöjen muutokset vääristävät tun- • · 1 • · · nistustuloksia ja käyttäjälle voidaankin huomauttaa automaattisesti, että em. muutokset « · · : ·' ovat saattaneet vaikuttaa tunnistustuloksiin, jos rengaspuskuriin talletettujen arvojen • · •; · 30 joukossa on asetusten muutosta ilmaisevia mittaustuloksia.
• · • 1 · • « · 1 Kun puskurista on luettu tietyn hetken absoluuttinen hahmovektori ja normaalitilannetta 21 98338 vastaava absoluuttinen hahmovektori, tunnistukseen käytettävä 2. tason kartta määritellään hakemalla lähinnä normaalitilanteen absoluuttista hahmovektoria oleva 1. tason painovektori. Tämän jälkeen merkitään voittajayksikön sijainti 2. tason kartalle. Myös voittajan liike voidaan piirtää kartalle esimerkiksi kuviossa 7 esitetyllä tavalla.
5 Tässä hakemuksessa esitetty keksintö liittyy siis tunnetun menete\man,itseorganisoivan kartan, tarjoamien etujen hyväksikäyttöön sovelluksessa, jossa kyseistä menetelmää ei ole aikaisemmin käytetty. Keksinnössä on myös yhdistelty useita itseorganisoivia karttoja uudella tavalla tunnistustarkkuuden parantamiseksi toimintapisteen muuttues-10 sa. Menetelmän avulla voidaan tunnistaa mitä tahansa anestesiajäijestelmässä esiintyviä vaaratilanteita. Tunnistamisen ainoa edellytys on sellaisten mittaustulosten ja mittaustuloksista laskettuja piirteiden käyttö, joiden avulla vaaratilanteiden tunnistaminen on periaatteessa mahdollista. On huomattava, että edellä esitetyt yksityiskohdat anestesiakoneen vikatilanteita tunnistavasta järjestelmästä ovat vain esimerkkejä; niiden tarkoitukse-15 na ei ole rajoittaa menetelmän käyttöä muiden anestesiaan liittyvien vaaratilanteiden havaitsemiseen ja tunnistamiseen.
• ♦ • · • · • · · i · : • · «·1 *· « ♦ · « : • · · «·· • ♦ · • » » ♦ » · ♦ · ♦ • ♦ · ·

Claims (2)

  1. 98338
FI931348A 1993-03-26 1993-03-26 Menetelmä anestesiajärjestelmässä esiintyvien vaaratilanteiden ilmaisemiseksi ja tunnistamiseksi itseorganisoivan kartan avulla FI98338C (fi)

Priority Applications (3)

Application Number Priority Date Filing Date Title
FI931348A FI98338C (fi) 1993-03-26 1993-03-26 Menetelmä anestesiajärjestelmässä esiintyvien vaaratilanteiden ilmaisemiseksi ja tunnistamiseksi itseorganisoivan kartan avulla
US08/217,889 US5584291A (en) 1993-03-26 1994-03-25 Method for recognizing and identifying emergency situations in an anesthesia system by means of a self-organizing map
DE4410508A DE4410508C2 (de) 1993-03-26 1994-03-25 Verfahren zum Erkennen und Identifizieren von Notfallsituationen in einem Anästhesie-System mittels selbstorganisierender Karte

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FI931348A FI98338C (fi) 1993-03-26 1993-03-26 Menetelmä anestesiajärjestelmässä esiintyvien vaaratilanteiden ilmaisemiseksi ja tunnistamiseksi itseorganisoivan kartan avulla
FI931348 1993-03-26

Publications (4)

Publication Number Publication Date
FI931348A0 FI931348A0 (fi) 1993-03-26
FI931348A FI931348A (fi) 1994-09-27
FI98338B FI98338B (fi) 1997-02-28
FI98338C true FI98338C (fi) 1997-06-10

Family

ID=8537636

Family Applications (1)

Application Number Title Priority Date Filing Date
FI931348A FI98338C (fi) 1993-03-26 1993-03-26 Menetelmä anestesiajärjestelmässä esiintyvien vaaratilanteiden ilmaisemiseksi ja tunnistamiseksi itseorganisoivan kartan avulla

Country Status (3)

Country Link
US (1) US5584291A (fi)
DE (1) DE4410508C2 (fi)
FI (1) FI98338C (fi)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9511964D0 (en) * 1995-06-13 1995-08-09 Rdm Consultants Limited Monitoring an EEG
GB9518094D0 (en) † 1995-09-05 1995-11-08 Cardionics Ltd Heart monitoring apparatus
US5680866A (en) * 1996-03-29 1997-10-28 Battelle Memorial Institute Artificial neural network cardiopulmonary modeling and diagnosis
AUPO247496A0 (en) * 1996-09-23 1996-10-17 Resmed Limited Assisted ventilation to match patient respiratory need
CN1252877A (zh) 1997-03-13 2000-05-10 第一咨询公司 疾病处理系统
US5788643A (en) * 1997-04-22 1998-08-04 Zymed Medical Instrumentation, Inc. Process for monitoring patients with chronic congestive heart failure
CA2294144A1 (en) * 1997-06-19 1998-12-23 Snap-On Equipment Limited Battery testing and classification
DE69800637T2 (de) * 1998-08-07 2001-08-30 Agilent Technologies Inc Auswahl von Grenzwerten für Patientenüberwachungssysteme
ATE483490T1 (de) * 1999-06-30 2010-10-15 Univ Florida Überwachungssystem für ventilator
EP1292723A2 (en) 2000-04-11 2003-03-19 Recherche 2000 Inc. Method and apparatus for acquisition, monitoring, display and diagnosis of operational parameters of electrolysers
SE0003531D0 (sv) * 2000-10-02 2000-10-02 Breas Medical Ab Auto CPAP
GB0113212D0 (en) * 2001-05-31 2001-07-25 Oxford Biosignals Ltd Patient condition display
AU2003231960B2 (en) * 2002-02-25 2008-08-21 Scott Laboratories, Inc. Fail-safe module integral with a sedation and analgesia system and method
US6763303B2 (en) * 2002-03-25 2004-07-13 Council Of Scientific And Industrial Research System for classifying seafloor roughness
US7751878B1 (en) * 2004-11-10 2010-07-06 Sandia Corporation Real-time human collaboration monitoring and intervention
EP1861006A4 (en) * 2005-03-02 2009-12-23 Spacelabs Healthcare Llc DISPLAY WITH ESTIMATED TRENDS IN THE WELFARE OF PATIENTS
US8956292B2 (en) 2005-03-02 2015-02-17 Spacelabs Healthcare Llc Trending display of patient wellness
DE602007003800D1 (de) * 2007-02-23 2010-01-28 Gen Electric Beatmungssystem für die Anästhesie und Verfahren zur Leckerkennung bei dem Beatmungssystem für die Anästhesie
US20080221930A1 (en) 2007-03-09 2008-09-11 Spacelabs Medical, Inc. Health data collection tool
EP1974763B1 (en) * 2007-03-29 2009-12-09 General Electric Company Anaesthesia machine arrangement
EP1974762A1 (en) * 2007-03-29 2008-10-01 General Electric Company Anaesthesia machine arrangement and a method in connection with an anaesthesia machine arrangement
US20090030752A1 (en) * 2007-07-27 2009-01-29 General Electric Company Fleet anomaly detection method
US20100033485A1 (en) * 2008-08-06 2010-02-11 International Business Machines Corporation Method for visualizing monitoring data
MX2012004462A (es) 2009-10-16 2012-06-27 Spacelabs Healthcare Llc Tubo de flujo de luz mejorado.
US9604020B2 (en) 2009-10-16 2017-03-28 Spacelabs Healthcare Llc Integrated, extendable anesthesia system
GB2491086B (en) 2010-03-21 2016-10-05 Spacelabs Healthcare Llc Multi-display bedside monitoring system
BR112013012329B1 (pt) 2010-11-19 2021-05-04 Spacelabs Healthcare, Llc Dispositivo de tela para uso em um sistema de monitoramento de paciente e sistema de monitoramento de paciente
US9629566B2 (en) 2011-03-11 2017-04-25 Spacelabs Healthcare Llc Methods and systems to determine multi-parameter managed alarm hierarchy during patient monitoring
US10987026B2 (en) 2013-05-30 2021-04-27 Spacelabs Healthcare Llc Capnography module with automatic switching between mainstream and sidestream monitoring
US10229570B2 (en) * 2016-12-29 2019-03-12 Intel Corporation Technologies for physical assault detection using secure clothing and/or clothing accessories
WO2018156076A1 (en) * 2017-02-24 2018-08-30 Telefonaktiebolaget Lm Ericsson (Publ) Method and system for fault localization in a cloud environment

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4776339A (en) * 1987-03-05 1988-10-11 N.A.D., Inc. Interlock for oxygen saturation monitor anesthesia apparatus
US4823807A (en) * 1988-02-11 1989-04-25 Board Of Regents, Univ. Of Texas System Device for non-invasive diagnosis and monitoring of articular and periarticular pathology
US4883051A (en) * 1988-02-18 1989-11-28 Summa Vest, Inc. Disposable breathing system and components
FI85548C (fi) * 1990-06-14 1992-04-27 Nokia Oy Ab Mottagningsfoerfarande och mottagare foer diskreta signaler.
US5271411A (en) * 1990-09-21 1993-12-21 Colin Electronics Co., Ltd. Method and apparatus for ECG signal analysis and cardiac arrhythmia detection

Also Published As

Publication number Publication date
DE4410508A1 (de) 1994-09-29
DE4410508C2 (de) 2002-03-14
FI98338B (fi) 1997-02-28
FI931348A (fi) 1994-09-27
FI931348A0 (fi) 1993-03-26
US5584291A (en) 1996-12-17

Similar Documents

Publication Publication Date Title
FI98338C (fi) Menetelmä anestesiajärjestelmässä esiintyvien vaaratilanteiden ilmaisemiseksi ja tunnistamiseksi itseorganisoivan kartan avulla
US10722179B2 (en) Residual-based monitoring of human health
CN103169476B (zh) 一种用于呼吸波形图像识别与预警的装置
Imhoff et al. Alarm algorithms in critical care monitoring
JP2018140200A (ja) 流体分析器および関連方法
US11679052B2 (en) Medical module including automated dose-response record system
US20120123288A1 (en) Method and apparatus of determining exhaled nitric oxide
CN102187343B (zh) 用于检测对象呼吸中呼吸功能不全的系统和方法
EP1821076A1 (en) Flow rate measurement device
Zhao et al. Adaptive SLICE method: an enhanced method to determine nonlinear dynamic respiratory system mechanics
King et al. Evaluation of a smart alarm for intensive care using clinical data
AU2019204388A1 (en) Residual-based monitoring of human health
EP2968707B1 (en) Methods and computer system for determining a patient parameter, including a volume of fluid drainage
CN111225703B (zh) 一种麻醉机及其通气状态指示系统
Hadi et al. Design of Monitoring System for Infused Liquid Volume Based Wireless Communication
Vijaya et al. Performance Analysis of KNN Algorithm to Improve the Process of Hemodialysis on Post-Covid-19 Patients
Adigun et al. Design and Performance Evaluation of a Multi-patient Health Monitoring System
CN216208390U (zh) 便捷型空气检测装置
Goldman Judgmental error in intensive care practice
Orr An anesthesia alarm system based on neural networks
Carson et al. Intelligent instrumentation in critical care medicine
Ramanathan et al. Capnography signal processing in trend with Industry 4.0 advancement
Bao et al. Expert capnogram analysis
Kumar et al. Simple technique for Capnography monitoring in COVID‐19 paediatrics patient
Linkens et al. Fuzzy logic in anaesthesia

Legal Events

Date Code Title Description
BB Publication of examined application