JP2017530849A - 生理データに基づく患者の継続的な心拍出量(cco)を予測する方法およびシステム - Google Patents
生理データに基づく患者の継続的な心拍出量(cco)を予測する方法およびシステム Download PDFInfo
- Publication number
- JP2017530849A JP2017530849A JP2017538920A JP2017538920A JP2017530849A JP 2017530849 A JP2017530849 A JP 2017530849A JP 2017538920 A JP2017538920 A JP 2017538920A JP 2017538920 A JP2017538920 A JP 2017538920A JP 2017530849 A JP2017530849 A JP 2017530849A
- Authority
- JP
- Japan
- Prior art keywords
- data
- patient
- physiological
- cco
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Physics & Mathematics (AREA)
- Cardiology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本発明の様々な実施形態は、集中治療ユニット(ICU)における術後回復中の患者の生理学的状態を予測するための方法およびシステムを開示する。生理学的状態は、過去の生理学的データに基づいた事前の患者の連続心拍出量(CCO)である。本発明の方法は、類似患者プロファイルを有する複数の病歴患者から収集された臨床データを含む臨床データベースを開発するステップと、選択された治療レジ−ムに同様に応答する類似患者のプロフィールの回復パターンを同定するステップと、患者の生理学的パラメータの行動応答を学習するための回復パターンを利用するステップと、既知症状の既存回復パターンおよび少なくとも1つの治療レジームに対する既知応答から、同様の患者プロファイルの自動分類を可能にする予測モデルを作成するステップとを含む。【選択図】図1
Description
本開示は、患者監視システムおよび方法に関し、特に、連続心拍出量(CCO)を予測するための患者の心臓パラメータを連続的に監視するための方法およびシステムに一般的に関している。
(関連アプリケーションの相互参照)
この出願は、米国仮特許出願の利益を主張する。発明の名称:「生理学的データに基づく患者の連続的な心拍出量(CCO)を予測するための方法およびシステム」と題された米国特許出願第62061970号に記載されている。
この出願は、米国仮特許出願の利益を主張する。発明の名称:「生理学的データに基づく患者の連続的な心拍出量(CCO)を予測するための方法およびシステム」と題された米国特許出願第62061970号に記載されている。
回復中の患者の予後は、時間の経過とともに収集されたさまざまな生理学的データを監視、分析して、潜在的な問題を事前に分析し特定することに依存している。特に集中治療室では、このようなデータは貴重であり、患者は積極的なケアを提供するために様々なバイタルサインで継続的に監視される。
患者は、ICUにおける術後回復期間中に、様々な生理学的データおよび生命徴候について継続的に監視される。心拍出量は、血液が心臓を通して圧送される容積率であり、最も重要な心臓血管パラメータの1つである。心拍出量は、患者の体内組織に酸素と栄養が運ばれていることを反映する。心拍出量の測定は、心機能障害の程度を定量化し、最適な治療経過を示し、患者の経過を管理し、心臓の損傷または罹患した患者のリハビリテーションのチェックポイントを確立する、または流体状態の制御が不可欠な患者の貴重な臨床情報を提供する。運動、ならびに心臓および循環系の病理学的状態は、心拍出量を変化させる。したがって、心拍出量の測定は、リハビリおよび重病患者の両方において有用となる。
心拍出量を測定する、以前から知られている連続的で非侵襲的な方法は、身体インピーダンスの測定に基づいている。インピーダンス心電図測定では、患者の体の上部に電極を配置し、電極間のインピーダンスを測定する。このように測定された電気インピーダンスは、心臓活動による周期的変化を示し、理論的モデルおよび経験式に基づいた心拍出量を計算することを可能にする。インピーダンス測定では、その簡単さの利点があり、心拍出量の連続的で高速かつ非侵襲的測定が可能である。しかし、これらのモデルは、正確な予測には不十分な相関係数や仮定に基づく簡単な経験式であるため、その不正確さと未来への予測不能がこの方法の重大な欠点となっている。
前述の観点から、患者の連続心拍出量(CCO)を事前に予測する方法およびシステムを提供する必要がある。
上述の短所、不利点および問題は、ここに扱われた、以下の明細書を読み、検討することによって理解される。
本明細書の実施形態の主な目的は、他の生理学的データに基づいて、近い将来に患者の連続心拍出量(CCO)を予測するモデルを作成するための方法およびシステムを提供することにある。
本明細書の実施形態のもう一つの目的は、事前に患者の状態を正確に評価するモデルを提供することである。
本明細書の実施形態は、集中治療ユニット(ICU)における術後回復期間中の患者に他の関連臨床データを使用して、その生理状態を事前に予測する方法を開示する。この方法は、類似の患者プロフィールを有する複数の履歴患者から収集した臨床データを含む臨床データベースを作成するステップと、選択された治療レジ−ムに同様に応答する類似患者のプロフィールの1つ以上の回復パターンを特定するステップと、患者の生理学的パラメータの行動応答を学習するための1つ以上の回復パターンを利用するステップと、既知症状の既存回復パターン、および少なくとも1つの治療レジームに対する既知の応答から、1つまたは複数の同様の患者プロファイルの自動分類を可能にする予測モデルを作成するステップとを含む。本明細書の臨床データは、複数の経歴患者の生理学的データ、生命徴候、人口統計学的詳細、前処置症状、治療およびそれに対する応答から成る。
本明細書の一実施形態によれば、この方法は、予測モデルへの入力として患者の現在の生理学的データを提供し、事前に患者の生理学的パラメータを予測することをさらに含んでいる。本明細書の生理学的パラメーターは、患者の連続心拍出量(CCO)を含み、人口統計データは、患者の年齢、人種および性別を含む。
本明細書の実施形態によれば、生理学的データは、動脈圧(収縮期、拡張期および平均)(AR)、心拍数(HR)、中枢静脈圧(CVP/RA)、肺動脈圧(PA/PAP)、末梢毛細管酸素飽和度(SpO2)、混合静脈酸素飽和度(SvO2)、中核体温(CBT)および連続全身血管抵抗(CSVR)を含む。
本明細書の一実施形態によれば、この方法は収集したデータが補間に帰属して、収集したデータ内の欠落データストリームを取得し、患者の収集臨床データの前処理を行うことをさらに含む。
本明細書の一実施形態によれば、予測モデルは、入力データストリームからパターンを学習し、異なる患者にわたる類似パターンを示すパターンを識別するように適合される。
本明細書の一実施形態によれば、患者の生理学的パラメータの予測精度は、予測を正確に生成するための回帰モデルを有する規則の集合を生成する回帰ツリーに基づいて決定される。ここで、生理学的パラメータの予測の精度を決定する方法は、取り込まれた臨床データを1つ以上の訓練データセットとテストデータセットに分割し、1つ以上の訓練データセットを使用してルールベースモデルを作成し、ルールベースモデルの出量を実際に捉えたデータと比較することによって、予測されたパラメータ値の精度を決定するステップとを含むことを特徴とする方法である。
本明細書の一実施形態によれば、二乗誤差または相関メトリックの1つが、予測された生理学的パラメータ値の精度を検証するために実施される。
本明細書の実施形態は、患者の生理的状態を予測するためのシステムをさらに開示し、システムは、連続データ取込みユニット、データ処理ユニット、予測モデル生成器、および表示ユニットを備えている。連続データ取込み収集ユニットは、手術後回復期間中に複数の患者を監視するように構成されている。同様の患者プロファイルを有する複数の履歴患者から取り込まれた臨床データを含む臨床データベースを開発することを含んでいる。臨床データは、複数の履歴患者の生理学的データ、生命徴候、人口統計学的詳細、前処置症状、治療およびそれに対する応答を含む。データ処理ユニットは、患者の生理学的パラメータの行動応答を学習するための1つ以上の回復パターンを利用して、選択された治療レジームに同様に応答する同様な患者プロファイルの1つ以上の回復パターンを識別するように構成され、既知の症状の既知の回復パターンおよび少なくとも1つの治療計画に対する既知の応答から1つまたは複数の同様の患者プロファイルの自動分類を可能にし、かつ取り込まれた患者の生理学的状態のデータに基づいて患者の生理的パラメータを事前に予測する予測モデルを作成するように構成される生成器である。
本明細書の一実施形態によれば、データ処理ユニットは、取込みデータが線形補間によって帰属されて、取込みデータ内の欠落データストリームを取得し、予測パラメータの精度を決定する予測モデルの出量を実際の取込みデータと比較することによって計算される。
本明細書の一実施形態によれば、表示装置は、データ処理ユニットから計算されたCCOレベルを受信し、事前に患者のCCOレベルを表示するように適合される。
本明細書の実施形態のこれらのおよび他の態様は、以下の説明および添付した図解と併せて考えると、より理解されるであろう。しかしながら、以下の説明は、好ましい実施形態およびその多くの特定の詳細を示しているが、限定ではなく例示として与えられていることを理解されたい。本発明の精神から逸脱することなく、本明細書の実施形態の範囲内で多くの変更および修正を行うことができる、本明細書の実施形態は、そのような変更のすべてを含む。
他の目的、特徴および利点は、優先実施形態の以下の説明および添付図面から当業者に思い起こされることであろう。
本発明の特定の特徴はいくつかの図解で示されているだけで、他の図解には示されていない。これは、各特徴を本発明に従って他の特徴のいずれかまたはすべてと組み合わせることができるようにとの便宜上実装されている。
本発明は、予測モデルを使用して複数の生理学的パラメータからICUで観察されている患者の連続心拍出量の将来値を予測する方法およびシステムを提供する。本発明の実施形態の以下の詳細な説明では、本発明の一部を形成する添付図解を参照して、本発明を実施できる特定の実施形態を例示している。これらの実施形態は、当業者が本発明を実施することができるように十分に詳細に記載されており、本発明の範囲から逸脱することなく他の実施形態を利用してもよいことを理解されたい。したがって、以下の詳細な説明は、限定的な意味で解釈されるべきではなく、本発明の範囲は、添付の特許請求の範囲によってのみ規定される。
患者は、集中治療室(ICU)における術後回復中に、様々な生理学的データおよび生命徴候について継続的に監視される。固有のパターンは、過去の患者から取込まれた履歴データに基づいて生成されたものであるが、かようなデータは、提供される医療に対して同様の挙動または応答を示す同様の患者のプロファイルに対応する。これらのパターンを利用して、新たな入院患者に将来への予後を提供することができる予測的性質のモデルを生成する。本明細書に開示されたモデル化アプローチは、潜在的に有用な回復パターンの同定をもたらし、さらに、生成モデルは、回復中の患者の状態の予測につながる。
本明細書の一実施形態によれば、心臓手術を受けたICU内の患者から取込まれた生理学的データが分析される。患者は連続的に監視され、様々な生理学的データが、ICUの医学的監督下での正常への回復中に、分単位で収集される。
本発明の一実施形態によれば、(心臓手術を受けた)過去の患者から取込まれた連続的に監視されたデータが、パターンを生成するために使用される。これらのパターンは、同様の患者プロファイルを有する患者の将来の連続的な心臓出量(CCO)の応答を学習するために利用される。さらに、生成された固有のパターンを学習して、類似CCO応答プロファイルの自動分類を可能にし、そのモデルへの入力として現在の生理学的データを提供する新たな入院患者のCCOの予測を可能にする予測モデルが作成される。
ICUに滞在している間に複数の患者から取込まれた時系列データは、生成されたモデルを訓練しテストするための入力として提供される。以下のデータ変数は、CCOを予測するために患者から取り込まれる。
・動脈圧(収縮期、拡張期および平均)(AR)
・心拍数(HR)
・中心静脈圧(CVP / RA)
・肺動脈圧(PA / PAP)
・末梢毛細血管酸素飽和度(SpO2)
・混合静脈酸素飽和度(SvO2)
・中核体温(CBT)
・持続性全身血管抵抗(CSVR)
・動脈圧(収縮期、拡張期および平均)(AR)
・心拍数(HR)
・中心静脈圧(CVP / RA)
・肺動脈圧(PA / PAP)
・末梢毛細血管酸素飽和度(SpO2)
・混合静脈酸素飽和度(SvO2)
・中核体温(CBT)
・持続性全身血管抵抗(CSVR)
モデル化に使用できるデータはこれらの変数に限定されず、追加の生理学的データも当モデルの予測精度をさらに高めるために利用することができる。
本明細書の一実施形態によれば、本明細書の予測モデルは、様々な動作およびセンサの問題に起因して、ICUデータキャプチャシステムによって収集された生理学的データの読取り値の欠損データを補償するために、データ前処理を実行する。欠損データは、分析から除外されるか、またはデータの小さな部分のみが欠落している場合、データは様々な補間技術を使用して帰属される。本明細書の実施形態によれば、データは線形補間によって帰結される。しかし、データの大部分が欠損している場合、重要なパラメータに対する線形補間は、正確な欠落情報を提供するには不十分である。
上記を考慮して、以下の基準を満たす患者のみからモデリングのためにデータを取り込む:
・ICUでの滞在中に増加した中央静脈圧(CVP)または右心房圧(RAP)の少なくとも80%を有する患者
・ICUでの滞在中に増加した大動脈弁狭窄(AR)が少なくとも80%を有する患者
・ICUでの滞在で増加した連続心拍出量(CCO)または心拍出量(CO)の少なくとも80%を有する患者
・ICUでの滞在中に増加した中央静脈圧(CVP)または右心房圧(RAP)の少なくとも80%を有する患者
・ICUでの滞在中に増加した大動脈弁狭窄(AR)が少なくとも80%を有する患者
・ICUでの滞在で増加した連続心拍出量(CCO)または心拍出量(CO)の少なくとも80%を有する患者
上記の条件を満たす全ての患者から取り込まれたデータは、予測モデルを生成するのに十分であると考えられる。時系列の最大20%を占める可能性のある変数から欠落したデータは、線形補間を使用して、すべて代入することができる。
本明細書で開示される予測モデルは、過去の履歴傾向が与えられたデータの連続ストリームの値を予想または予測するように適合される。モデルの主な目的は、入力訓練データストリームからパターンを学習し、異なる患者間で同様の傾向を潜在的に示すパターンを同定することです。これらの傾向は簡単な統計解析では容易に同定できず、時系列データに埋め込まれた複雑なパターンを学習できるより複雑なモデルが必要です。本明細書で使用されるモデル化アプローチは、予測を正確に生成するために回帰モデルを有する規則の集合を生成する回帰ツリーに基づいている。ツリーベースのルールモデル学習者も、CCOの予測を提供するルールを生成するために使用される。
本明細書に開示された実施形態では、完全なデータセットの約60%がモデルの学習にのみ使用され、データの残りの40%はテストに使用される。
患者は、集中治療室(ICU)における術後回復中に、様々な生理学的データおよび生命徴候について継続的に監視される。患者は連続的に監視され、様々な生理学的データが、ICUの医学的監督下での正常への回復中に、分単位で収集される。固有のパターンは、過去の患者から取込まれた履歴データに基づいて生成されたものであるが、かようなデータは、提供される医療に対して同様の挙動または応答を示す同様の患者のプロファイルに対応する。これらのパターンは、新たな入院患者に将来への予後を提供することができる予測的性質のモデルを生成するために利用することができる。本明細書に開示されたモデル化アプローチは、潜在的に有用な回復パターンの同定をもたらし、さらに、生成モデルは、回復中の患者の状態の予測につながる。
本発明の一実施形態によれば、過去の患者から取り込まれた連続的に監視されたデータ(心臓手術)がパターンを生成するために使用される。これらのパターンは、そのような患者の可能な将来の連続的な心拍出量(CCO)応答を学習するために利用される。さらに、生成された固有のパターンを学習して類似のCCO応答プロファイルの自動分類を可能にし、現在の生理学的データがモデルへの入力として提供される新規入院患者のCCO予測を可能にするモデルが構築される。
図1は、本明細書の一実施形態による、事前に患者の連続心拍出量(CCO)を予測する方法を示すフローチャートである。ステップ102において、類似患者プロファイルを有する複数の履歴患者から取り込まれた臨床データを含む臨床データベースを作成する。本明細書の臨床データは、複数の経歴患者の生理学的データ、生命徴候、人口統計学的詳細、前処置症状、治療およびそれに対する応答から成る。ステップ104で、提供された医療に対して同様の挙動または応答を示す同様の患者プロファイルの既存の回復パターンをチェックする。ステップ106において、近い将来にCCOの行動応答を学習するためにこれらのパターンが利用される。ステップ108において、類似の応答プロファイルの自動分類を可能にし、近い将来にCCOの予測を可能にするために、データ内の固有パターンを学習するように適合された予測モデルを構築する。ステップ110では、現在の生理学的データが予測モデルへの入力として提供される新たな入院患者のために、事前に予測モデルを適用してCCOを予測する。
図2は、本明細書の一実施形態による、事前の患者の連続心拍出量(CCO)を予測するシステムを示すブロック図である。このシステムは、連続データ取込みユニット206、データ処理ユニット208、予測モデル生成器210、および表示ユニット212を備える。連続データ取込みユニット204は、ICUにおける術後回復期間に、様々な臨床データ206および生命兆候を記録するために、患者202を継続的に監視する。連続データ捕捉ユニット204は、同様の患者プロファイルを有する複数の履歴患者から取り込まれた臨床データを含む臨床データベースをさらに開発する。臨床データは、複数の履歴患者の生理学的データ、生命徴候、人口統計学的詳細、前処置症状、治療およびそれに対する応答を含む。
データ処理ユニット208は、入力データを処理し、選択された治療計画に同様に応答する同様の患者プロファイルの1つ以上の回復パターンを特定し、患者の生理的パラメータの行動応答を学習するための1つ以上の回復パターンを用いる。本発明の一実施形態によれば、ここで監視される生理学的パラメータは、患者の継続心拍出量(CCO)である。
さらに、予測モデル生成器210は、予測モデルを構築するために取り込まれた異なるデータ変数にわたる情報を利用して、既知の症状の既存回復パターンおよび少なくとも1つの治療計画に対する既知の応答から1つ以上の類似患者プロファイルを自動的に分類し、患者の取り込まれた生理学的データに基づいて、事前に患者の連続心拍出量(CCO)を決定する。
表示ユニットは、事前にデータ処理ユニットから受信した患者の予測された生理学的パラメータを表示するように適合されている。
図3は、本発明の一実施形態による欠落データ置換を表すための最近傍補間対線形補間を比較するためのサンプル時系列のグラフ表示である。別ウィンドウ(タブ)の大きな表示で見る図3に示されているように、最も近い計算された臨床データ値を使用するデータ補完が実行されて、欠落したデータの短いセクションの欠落したデータストリームを埋める。最近傍の補間は、予測モデルを作成するために取り込まれた全ての患者の全ての生理学的変数データを比較することによって行われる。
図4は、本明細書の例示的な実施形態による、入力訓練データに基づくCCOの訓練されたモデル予測を示すプロット図である。予測モデルは、入力データに対して訓練を受けて、CCO 10分の予測出力を将来的に学習する。第1のプロット402は予測されるCCOの実際の値を表し、第2のプロット404はCCOの訓練モデル予測の出力を表す。プロットは、予測モデルが訓練データからCCOを予測するための回復パターンを正確に学習できることを明確に示している。
図5は、本明細書の例示的な実施形態による、予測モデルを検証するための試験データを用いて将来10分間のCCOの予測を示すプロット図である。第1のプロット502は、10分後に予測されるCCOの値を表し、第2のプロット504は、予測モデルによって予測されたCCOの実際の値を表す。予測モデルは、訓練データから学習された回復パターンを利用することができ、図3に示すようにCCOの正確な予測を提供することができる。
上記のプロットから、予測がCCOの実際の値に近い場合が多いことがはっきりと分かる。これは、本明細書の予測モデルによって正確に提供される患者の状態を医師が理解するためには不可欠である。本明細書の別の例示的な実施形態による、入力訓練データに基づくCCOの訓練モデル予測を示すプロット図である。
図6は、本明細書の別の例示的な実施形態による、入力訓練データに基づくCCOの訓練モデル予測を示すプロット図である。予測モデルは、現在の生理学的測定値からCCOの値を30分前に予測するように修正される。プロットは、元のデータと比較して30分後のCCOのテスト予測を示しています。第1のプロット602は、予測されるCCO(訓練データ)の実際の値を表し、第2のプロット604は、訓練データに関する訓練モデル予測を表す。
図7は、本明細書の別の例示的な実施形態による、試験データを使用してモデルを検証するために生成された予測モデルによるCCOの予測を示すプロット図である。第1のプロット702は、予測される未来へのCCO30分の実際の値を表し、第2のプロット704は、予測モデルによって予測されたCCOの値を表す。上記のプロットから、今後のCCOの予測は困難であることが分かり、実際のCCO値の出量の精度はわずかに低下するが、CCOの動きの傾向は依然として高い精度で予測される。
図8は、本明細書の例示的な実施形態による、入力訓練データに基づいて今後60分間のCCOの訓練モデル予測を示すプロット図である。プロット図は、予測モデルがCCO 60分の予測出力を将来学習するように訓練されていることを示しており、入力訓練データに基づいた訓練モデル予測を示している。第1のプロット802は予測されるCCO訓練データの実際の値を表し、第2のプロット804はCCOの訓練モデル予測を表している。
図9は、本明細書の例示的な実施形態による、モデルを検証するためにテストデータを用いて生成されたモデルによって未来へのCCO60分の予測を示すプロット図である。第1のプロット902は、将来予測されるCCO60分の値を表し、第2のプロット904は、モデルによって予測されたCCOの実際の値を表す。上記のプロットから、実際のCCO値の出量精度がさらに悪化していることが明確に分かるが、CCOの動きの傾向は依然として高い精度で予測されている。
本明細書に開示される例示的な実施形態は、ほとんどの場合、近い将来にCCOの傾向を10分、30分および60分にわたって正確に推定し、予防ケアのために事前に患者の予後をより良く助けることができる。
本明細書の実施形態は様々な特定の実施形態で説明されているが、当業者であれば、本発明を変更して実施することは明らかであろう。しかしながら、そのような変更の全ては、特許請求の範囲内にあるとみなされる。以下の特許請求の範囲は、本明細書に記載される実施形態の包括的かつ具体的な特徴のすべて、および言語の問題としてその間にあると言われる実施形態の範囲の全ての記載を網羅することを意図していることも理解されたい。
Claims (15)
- 患者の生理学上の状態を予測する方法であって、以下を含む:
類似患者プロファイルを有する複数の履歴患者から取り込まれた臨床データを含む臨床データベースを開発するステップであり、臨床データは、複数の歴史的患者の生理学的データ、生命徴候、人口統計学的詳細、前処置症状、治療およびそれに対する応答を含むステップ、
選択された治療計画に同様に応答する類似患者プロファイルの1つまたは複数の回復パターンを特定するステップ、
患者の生理学的パラメータの行動応答を学習するための前記1つ以上の回復パターンを利用するステップ、および、
既知の症状の既存の回復パターンおよび少なくとも1つの治療計画に対する既知の反応から、1つまたは複数の同様の患者プロファイルの自動分類を可能にする予測モデルを作成するステップ。 - 予測モデルへの入力として特許の現在の生理学的データを提供するステップと、
患者の生理的パラメータを事前に予測するステップと、
をさらに含む、請求項1に記載の方法。 - 生理学的パラメータが、前記患者の連続心拍出量(CCO)を含む、請求項2に記載の方法。
- 人口統計データが、患者の年齢、人種および性別を含む、請求項1に記載の方法。
- 生理学的データには以下が含まれる請求項1に記載の方法:
動脈圧(収縮期、拡張期および平均)(AR);
心拍数(HR);
中心静脈圧(CVP / RA);
肺動脈圧(PA / PAP);
末梢毛細血管酸素飽和度(SpO2);
混合静脈酸素飽和度(SvO2);
中核体温(CBT);および
継続的な全身血管抵抗(CSVR)。 - 取込みデータが線形補間によって補間され、取込みデータの欠落したデータストリームを取得する、患者の取込み臨床データの前処理を実行するステップをさらに含む、請求項1に記載の方法。
- 予測モデルが、入力データストリームからパターンを学習し、異なる患者にわたる類似パターンを示すパターンを同定するように適合される、請求項1に記載の方法。
- 回帰モデルに基づいて患者の生理学的パラメータの予測精度を決定するステップをさらに含む、請求項1に記載の方法。
- 生理学的パラメータの予測精度を決定するステップが、
取込まれた臨床データを1つまたは複数の訓練データセットに分割し、データセットを試験するステップと、
1つ以上の訓練データセットを使用してルールベースのモデルを作成するステップと、
1つ以上の検査データセットから予測された生理学的パラメータ値を推定するステップと、
ルールベースモデルの出力を実際のデータと比較することによって、予測されたパラメータ値の精度を決定するステップとを含む、請求項8に記載の方法。 - 予測された生理学的パラメータ値の精度を検証するために、二乗誤差または相関メトリックの1つが実装される、請求項8に記載の方法。
- 患者の生理状態を予測するためのシステムであって、以下を備える:
連続データ取込みユニットであり以下のために設定されている:
手術後の回復中に複数の患者を監視し、
類似患者プロファイルを有する複数の履歴患者から取り込まれた臨床データを含む臨床データベースを開発する;ここで、臨床データは、複数の歴史的患者の生理学的データ、生命徴候、人口統計学的詳細、前処置症状、治療およびそれに対する応答を含む;
データ処理ユニットであり以下のために設定されている:
選択された治療計画に同様に応答する類似患者プロファイルの1つまたは複数の回復パターンを特定し、
患者の生理学的パラメータの行動応答を学習するための1つ以上の回復パターンを利用する、および、
予測モデル生成器であり以下のために設定されている:
既知の症状の既存の回復パターンおよび少なくとも1つの治療計画に対する既知の応答から、1つまたは複数の同様の患者プロファイルの自動分類を可能にする予測モデルを作成し、
収集された患者の生理学的データに基づいて、患者の生理的パラメータを事前に予測する。 - 生理学的パラメータが患者の連続心拍出量(CCO)を含む、請求項11に記載のシステム。
- データ処理ユニットが、収集データ内の欠落データストリームを得るために、収集データが線形補間によって帰結される、患者の収集臨床データを処理するようにさらに適合される、請求項11に記載のシステム。
- データ処理ユニットが、予測モデルの出量を実際の収集データと比較することによって、予測パラメータ値の精度を決定するようにさらに適合される、請求項11に記載のシステム。
- データ処理ユニットから受信した患者の予測生理学的パラメータを事前に表示するように構成された表示ユニットをさらに備える、請求項11に記載のシステム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462061970P | 2014-10-09 | 2014-10-09 | |
US62/061,970 | 2014-10-09 | ||
US14/877,756 | 2015-10-07 | ||
US14/877,756 US20160070880A1 (en) | 2014-10-09 | 2015-10-07 | Method and system for predicting continous cardiac output (cco) of a patient based on physiological data |
PCT/US2015/054900 WO2016057899A1 (en) | 2014-10-09 | 2015-10-09 | Method and system for predicting continous cardiac output (cco) of a patient based on physiological data |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2017530849A true JP2017530849A (ja) | 2017-10-19 |
Family
ID=55437747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017538920A Pending JP2017530849A (ja) | 2014-10-09 | 2015-10-09 | 生理データに基づく患者の継続的な心拍出量(cco)を予測する方法およびシステム |
Country Status (12)
Country | Link |
---|---|
US (1) | US20160070880A1 (ja) |
EP (1) | EP3240470A4 (ja) |
JP (1) | JP2017530849A (ja) |
KR (1) | KR20170067759A (ja) |
CN (1) | CN107106016A (ja) |
AU (1) | AU2015330732A1 (ja) |
BR (1) | BR112017007285A2 (ja) |
CA (1) | CA2978981A1 (ja) |
MX (1) | MX2017004605A (ja) |
RU (1) | RU2017111892A (ja) |
SG (1) | SG11201702649PA (ja) |
WO (1) | WO2016057899A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9906785B2 (en) | 2013-03-15 | 2018-02-27 | Sonic Ip, Inc. | Systems, methods, and media for transcoding video data according to encoding parameters indicated by received metadata |
RU2642600C1 (ru) * | 2017-01-20 | 2018-01-25 | Федеральное государственное бюджетное образовательное учреждение высшего образования "Астраханский государственный медицинский университет" Министерства здравоохранения Российской Федерации (ФГБОУ ВО Астраханский ГМУ Минздрава России) | Способ оценки течения раннего послеоперационного периода у пациентов, оперированных по поводу хронической ревматической болезни сердца |
KR102129730B1 (ko) * | 2018-02-21 | 2020-07-06 | 주식회사 삼육오엠씨네트웍스 | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 |
TWI768216B (zh) * | 2019-06-25 | 2022-06-21 | 緯創資通股份有限公司 | 用於血液透析的脫水量預測方法與使用該方法的電子裝置 |
KR102379766B1 (ko) * | 2020-05-06 | 2022-03-29 | 재단법인 아산사회복지재단 | 인공지능 기반의 심박출량 관련데이터 분석 방법, 프로그램 및 시스템 |
CN111803804B (zh) * | 2020-06-19 | 2023-04-07 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 自适应放疗系统、存储介质及设备 |
CN112568876A (zh) * | 2020-12-07 | 2021-03-30 | 深圳镭洱晟科创有限公司 | 基于lstm多生理参数的老年人健康预测系统及预测方法 |
WO2023282600A1 (ko) * | 2021-07-09 | 2023-01-12 | 서울대학교병원 | 수술 중 또는 수술 후 예후 판단 장치 및 방법 |
CN115177291B (zh) * | 2022-08-01 | 2023-11-10 | 首都医科大学附属北京朝阳医院 | 用于识别重症监护病房获得性肌无力的方法和装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6063028A (en) * | 1997-03-20 | 2000-05-16 | Luciano; Joanne Sylvia | Automated treatment selection method |
EP2323056A1 (en) * | 2001-07-11 | 2011-05-18 | CNS Response, Inc. | Database and method for creating a database for classifying and treating physiologic brain imbalances using quantitative eeg |
US7194301B2 (en) * | 2003-10-06 | 2007-03-20 | Transneuronic, Inc. | Method for screening and treating patients at risk of medical disorders |
WO2006072011A2 (en) * | 2004-12-30 | 2006-07-06 | Proventys, Inc. | Methods, systems, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality |
US20070129636A1 (en) * | 2005-12-01 | 2007-06-07 | Friedman Bruce A | Vital sign monitor utilizing historic patient data |
US20070244724A1 (en) * | 2006-04-13 | 2007-10-18 | Pendergast John W | Case based outcome prediction in a real-time monitoring system |
US20080140371A1 (en) * | 2006-11-15 | 2008-06-12 | General Electric Company | System and method for treating a patient |
US8333696B2 (en) * | 2006-12-13 | 2012-12-18 | Watermark Medical, Inc. | Systems and methods for automated prediction of risk for perioperative complications based on the level of obstructive sleep apnea |
US20100292545A1 (en) * | 2009-05-14 | 2010-11-18 | Advanced Brain Monitoring, Inc. | Interactive psychophysiological profiler method and system |
US20120041277A1 (en) * | 2010-08-12 | 2012-02-16 | International Business Machines Corporation | System and method for predicting near-term patient trajectories |
-
2015
- 2015-10-07 US US14/877,756 patent/US20160070880A1/en not_active Abandoned
- 2015-10-09 AU AU2015330732A patent/AU2015330732A1/en not_active Abandoned
- 2015-10-09 KR KR1020177009461A patent/KR20170067759A/ko unknown
- 2015-10-09 EP EP15848467.5A patent/EP3240470A4/en not_active Withdrawn
- 2015-10-09 SG SG11201702649PA patent/SG11201702649PA/en unknown
- 2015-10-09 WO PCT/US2015/054900 patent/WO2016057899A1/en active Application Filing
- 2015-10-09 CA CA2978981A patent/CA2978981A1/en not_active Abandoned
- 2015-10-09 RU RU2017111892A patent/RU2017111892A/ru not_active Application Discontinuation
- 2015-10-09 BR BR112017007285A patent/BR112017007285A2/pt not_active Application Discontinuation
- 2015-10-09 MX MX2017004605A patent/MX2017004605A/es unknown
- 2015-10-09 CN CN201580054661.5A patent/CN107106016A/zh active Pending
- 2015-10-09 JP JP2017538920A patent/JP2017530849A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3240470A1 (en) | 2017-11-08 |
US20160070880A1 (en) | 2016-03-10 |
MX2017004605A (es) | 2018-01-11 |
SG11201702649PA (en) | 2017-04-27 |
EP3240470A4 (en) | 2018-03-21 |
AU2015330732A1 (en) | 2017-04-20 |
CA2978981A1 (en) | 2016-04-14 |
KR20170067759A (ko) | 2017-06-16 |
WO2016057899A1 (en) | 2016-04-14 |
RU2017111892A (ru) | 2018-11-13 |
BR112017007285A2 (pt) | 2018-01-23 |
CN107106016A (zh) | 2017-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2017530849A (ja) | 生理データに基づく患者の継続的な心拍出量(cco)を予測する方法およびシステム | |
US10039485B2 (en) | Method and system for assessing mental state | |
KR102008196B1 (ko) | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 | |
Rehg et al. | Mobile health | |
US9959390B2 (en) | Modeling techniques for predicting mortality in intensive care units | |
US20170103174A1 (en) | Diagnosis model generation system and method | |
JP7311637B2 (ja) | 認知トレーニング及び監視のためのシステム及び方法 | |
US20210241909A1 (en) | Method and a system for evaluating treatment strategies on a virtual model of a patient | |
JP2018534697A (ja) | 個人化された予測モデルに基づいて健康モニタリングを容易化するシステム及び方法 | |
CN113905663A (zh) | 监测注意力缺陷伴多动障碍的诊断和有效性 | |
US20210345896A1 (en) | Heart Rate Variability Monitoring and Analysis | |
Hwang et al. | Implementation of interactive healthcare advisor model using chatbot and visualization | |
AU2021363110A1 (en) | Method and system for personalized prediction of infection and sepsis | |
KR102541362B1 (ko) | 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 | |
Lim et al. | Developing a mobile wellness management system for healthy lifestyle by analyzing daily living activities | |
US20220223287A1 (en) | Ai based system and method for prediciting continuous cardiac output (cco) of patients | |
US20170323058A1 (en) | Method and system for predicting continous cardiac output (cco) of a patient based on physiological data | |
van der Woerd et al. | Studying sleep: towards the identification of hypnogram features that drive expert interpretation | |
KR102511516B1 (ko) | 인공지능을 이용한 ct 조영제 유발 신독성 예측 장치 및 그 방법 | |
Maddeh et al. | Assisting Healthcare Using a Time-Series-Based Nonstationary Model for Smart Beds | |
Deepa et al. | Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle | |
Abrisham et al. | Vascular Age Prediction with PPG-Based LSTM Model | |
Porat et al. | Aiming for Relevance | |
WO2023118556A1 (en) | System and method for predicting an intracranial pressure of a patient | |
KR20240009890A (ko) | 심박 변이도에 대한 특징 추출의 정확도를 향상시키는방법, 프로그램 및 장치 |