JP2018519983A - 慢性閉塞性ブロンコニューマティを患う患者の症状悪化が迫っていることを検出及び早期予測するシステム - Google Patents

慢性閉塞性ブロンコニューマティを患う患者の症状悪化が迫っていることを検出及び早期予測するシステム Download PDF

Info

Publication number
JP2018519983A
JP2018519983A JP2018515366A JP2018515366A JP2018519983A JP 2018519983 A JP2018519983 A JP 2018519983A JP 2018515366 A JP2018515366 A JP 2018515366A JP 2018515366 A JP2018515366 A JP 2018515366A JP 2018519983 A JP2018519983 A JP 2018519983A
Authority
JP
Japan
Prior art keywords
morning
spo2
evening
spo
afternoon
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.)
Granted
Application number
JP2018515366A
Other languages
English (en)
Other versions
JP6810135B2 (ja
Inventor
フランコ アントネッリ インカルーツィ ラファエーレ
フランコ アントネッリ インカルーツィ ラファエーレ
マリーア バルバーラ ルビウ フランチェスカ
マリーア バルバーラ ルビウ フランチェスカ
マリーア ブッス アンジェラ
マリーア ブッス アンジェラ
カパッソ ジュゼッペ
カパッソ ジュゼッペ
イアネッロ ジュリオ
イアネッロ ジュリオ
メローネ マリオ
メローネ マリオ
オノフリ レオナルド
オノフリ レオナルド
ペドーネ クラウディオ
ペドーネ クラウディオ
ソーダ パオロ
ソーダ パオロ
Original Assignee
ラボラトーリ ディ インフォルマティカ アプリカータ ディ ジュゼッペ カパッソ
ラボラトーリ ディ インフォルマティカ アプリカータ ディ ジュゼッペ カパッソ
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 ラボラトーリ ディ インフォルマティカ アプリカータ ディ ジュゼッペ カパッソ, ラボラトーリ ディ インフォルマティカ アプリカータ ディ ジュゼッペ カパッソ filed Critical ラボラトーリ ディ インフォルマティカ アプリカータ ディ ジュゼッペ カパッソ
Publication of JP2018519983A publication Critical patent/JP2018519983A/ja
Application granted granted Critical
Publication of JP6810135B2 publication Critical patent/JP6810135B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, 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
    • A61B5/024Detecting, measuring or recording pulse rate or heart rate
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/145Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455Measuring 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
    • A61B5/14551Measuring 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
    • A61B5/14552Details of sensors specially adapted therefor
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/74Details of notification to user or communication with user or patient ; user input means
    • A61B5/7405Details of notification to user or communication with user or patient ; user input means using sound
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/74Details of notification to user or communication with user or patient ; user input means
    • A61B5/746Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00ICT 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
    • G16H40/60ICT 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
    • G16H40/67ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT 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)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Computation (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本発明は、慢性閉塞性肺疾患を有する患者における急な事象の発生を検出及び早期注意するシステム(S)であって、監視対象の前記患者に対して適応可能な、生理学的パラメータ(R)を検出するための少なくとも一つの装置(D)と、検出された前記生理学的パラメータ(R)に関連する、日付及び時間等の期間を検出するための少なくとも一つのタイマーと、検出された前記生理学的パラメータ(R)に関連する、音及び/又は視覚的警告出力信号を発することが可能な、音及び/又は視覚的警告信号の少なくとも一つの発生装置と、前記少なくとも一つの装置(D)及び前記少なくとも一つのタイマーと接続可能であり、前記少なくとも一つの信号発生装置を制御可能であり、検出された前記生理学的パラメータ(R)及び前記期間を入力において受信するのに適した制御論理ユニット(C)と、を備え、前記制御論理ユニット(C)は、前記生理学的パラメータ(R)により達せられる所定の値の閾値が初期保存された処理プログラムを備え、下記のステップ:検出された前記生理学的パラメータ(R)を、その検出がなされた前記期間と関連付け;統計インデックス算出アルゴリズムで測定された前記生理学的パラメータ(R)を、検出時刻ごとに送信し;前ステップにおいて取得した前記統計インデックスを前記所定の閾値と比較し、少なくとも一つの前記統計インデックスが、対応する前記所定の閾値を超えている場合に、音及び/又は視覚的警告信号を発生する前記少なくとも一つの信号発信装置をアクティブ化する;を実行するシステム(S)に関する。

Description

本発明は、慢性閉塞性ブロンコニューマティ(chronic obstructive broncopneumaty)を患う患者の症状悪化が迫っていることを検出及び早期予測するシステムに関する。
慢性閉塞性ブロンコニューマティ、すなわちCOPDは、気管支障害を特徴とする慢性肺疾患であって、気道及び肺組織の慢性的な炎症によって、徐々に進行する部分的又は不可逆な気流の制限を伴う。
これは、合衆国における死因の第4位であり、世界における死因の第5位であると考えられている。
この疾患を有する患者は、周期的な症状悪化を伴う。
症状悪化局面は、初期においては多かれ少なかれ長く、多かれ少なかれ急であり、この期間においてCOPD又は喘息の症状が悪化すると、患者は、医者のアドバイスに基づいて、想定の投薬量を変更したり強くしたりする必要がある。
症状悪化は、可能な限り早く医者に報告されなければならず、特に、迅速かつ適切に処置されなければ、入院又は更には死のような、深刻な結果を喘息又はCOPD患者にもたらし得る。
これらの病気の標準的な日常の治療に用いられる薬は、主に症状悪化の予防を目的としている。
本発明は、従って、COPD患者の健康状態を悪化させ得る worrisome eventsと呼ばれる症状悪化や臨床的に臨界的な状態の発現を、特に早期検出して報告するために検討及び実現された、上記種類のシステムに関する。
以下では、症状悪化の検出及び早期注意のためのシステムについて記載がなされるが、それがこの特定用途に限定されないことは明らかである。
本システムは、安定状態(stability conditions)における遠隔マルチパラメトリック又はモノパラメトリック監視にも、実際に適用され得る。
現在のところ、患者にCOPDの症状悪化のリスクがあるかを評価するアルゴリズムが文献に存在する。
本技術分野において知られる一つのアルゴリズムは、30日間の、変更可能な、時間窓において生理学的パラメータを検出する装置の測定値を考慮しており、この方法では、時間とSpO2値のデカルト座標(Cartesian coordinates)により定義される平面における回帰直線(regression line)αを決定する。
回帰直線αの係数aは、基準値a0と比較される。
a0=-0.073を仮定し、取得値がa0よりも小さい場合に得られる結果が、症状悪化局面が存在することを示す1未満となり、一方、得られる結果がa0よりも大きい場合に得られる結果が、患者に症状悪化のリスクがないことを示す0となる関数
を定義している。
本技術の水準は、COPDを患う患者が症状悪化の事象に近づくリスクを考慮しているだけあり、潜在的な呼吸困難及び頻脈のような患者の健康の他の重要な面については考慮していない。
更に、先行技術では、事象が症状悪化に対応するか否かを区別するために定められる閾値は適用されていない。
症状悪化の予測のために、SpO2パラメータのみが用いられている一方で、文献には、酸素飽和度SpO2及び心拍数の両方のトレンドを監視すれば、症状悪化の予測能力が向上することが示されている。
周知のアルゴリズムが依る数学的表現は、時間と酸素飽和度(SpO2)の間に存在する関係のみを考慮し、これらの二つのパラメータ間には線形の依存関係が存在することを仮定している。
更に、先行技術によるモデルは、酸素飽和度(SpO2)の時間平均のような、患者の健康状態のトレンドの適正評価のため必要な情報である患者の個人的な生理学的特徴を考慮していない。
以上を鑑み、本発明の目的は、従って、患者の生理学的パラメータを考慮しつつ、慢性閉塞性ブロンコニューマティを患う患者の症状悪化が迫っていることを検出及び早期予測するシステムを提供することである。
本発明の更なる目的は、患者の生理学的パラメータの測定値の時間的変化を考慮した、システムを提供することである。
従って、本発明の特定の目的は、慢性閉塞性肺疾患を有する患者における急な事象の発生を検出及び早期注意するシステムであって、監視対象の前記患者に対して適応可能な、生理学的パラメータを検出するための少なくとも一つの装置と、検出された前記生理学的パラメータに関連する、日付及び時間等の期間を検出するための少なくとも一つのタイマーと、検出された前記生理学的パラメータに関連する、音及び/又は視覚的警告出力信号を発することが可能な、音及び/又は視覚的警告信号の少なくとも一つの発生装置と、前記少なくとも一つの装置及び前記少なくとも一つのタイマーと接続可能であり、前記少なくとも一つの信号発生装置を制御可能であり、検出された前記生理学的パラメータ及び前記期間を入力において受信するのに適した制御論理ユニットと、を備え、前記制御論理ユニットは、前記生理学的パラメータにより達せられる所定の値の閾値が初期保存された処理プログラムを備え、下記のステップ:検出された前記生理学的パラメータを、その検出がなされた前記期間と関連付け;統計インデックス算出アルゴリズムで測定された前記生理学的パラメータを、検出時刻ごとに送信し;前ステップにおいて取得した前記統計インデックスを前記所定の閾値と比較し、少なくとも一つの前記統計インデックスが、対応する前記所定の閾値を超えている場合に、音及び/又は視覚的警告信号を発生する前記少なくとも一つの信号発信装置をアクティブ化する;を実行するシステムである。
更に、本発明によれば、前記少なくとも一つの装置は、下記の生理学的データ: ヘモグロビン飽和度(SpO2);及び 心拍数(HR);を検出するパルスオキシメータであって、下記の所定の時間枠: 朝の期間(Cmorning); 昼の期間(Cafternoon); 夜の期間(Cevening);において、前記タイマーによりスキャンされてもよい。
また、本発明によれば、前記制御論理ユニットは、検出された前記生理学的パラメータと、その検出がなされた前記時間枠との前記関連付けを実行して、下記の登録: 朝の登録(XSpO2 morning,XHR morning); 昼の登録(XSpO2 afternoon,XHR afternoon);及び 夜の登録(XSpO2 evening,XHR evening);を取得するように構成された第1ユニットと、バイナリ有限状態機械(BFSM)を用いて実装されたニューラルネットワークを有し、グループ化された前記入力データを前記処理プログラムに従って処理するように構成された、第2ユニットと、を備えてもよい。
好ましくは、本発明によれば、前記バイナリ有限状態機械(BFSM)は、監視対象の前記患者から測定可能なヘモグロビン飽和度(SpO2)及び心拍数(HR)の前記生理学的パラメータの典型的なトレンドを表す、前記所定の閾値の値P=(ε, Weight SpO2, Weight HR, κ, λ)を設定する第1のキャリブレーションステップと、朝(Cmorning)、昼(Cafternoon)、及び夜(Cevening)の前記所定の時間枠において、監視対象の前記特定の患者の前記ヘモグロビン飽和度(SpO2)及び心拍数(HR)のトレンドを前記バイナリ有限状態機械(BFSM)が学習する、前記ヘモグロビン飽和度(SpO2)及び心拍数(HR)の前記生理学的パラメータに関する第2の学習ステップと、を実行してもよい。
更に、本発明によれば、前記処理プログラムは、前記統計インデックスを算出するために、下記のステップ: 朝(XSpO2 morning,XHR morning)、昼(XSpO2 afternoon,XHR afternoon)、及び夜(XSpO2 evening,XHR evening)の登録の平均を算出して、朝(Averagemorning(SpO2),Averagemorning(HR))、昼(Averageafternoon(SpO2),Averageafternoon(HR))、及び夜(Averageevening(SpO2),Averageevening(HR))の平均値を取得し; 朝(XSpO2 morning,XHR morning)、昼(XSpO2 afternoon,XHR afternoon)、及び夜(XSpO2 evening,XHR evening)の登録の標準偏差を算出して、朝(Devstmorning(SpO2), Devstmorning(HR))、昼(Devstafternoon(SpO2), Devstafternoon(HR))、及び夜(Devstevening(SpO2), Devstevening(HR))の標準偏差値を取得し; 加重組み合わせ、すなわちオキシメトリ加重スコア(WOS)
を、各クラス時間において算出し; 上述のステップにおいて取得した前記統計インデックスを、前記所定の閾値と比較する;を実行してもよい。
また、本発明によれば、前記バイナリ有限状態機械(BFSM)は、臨界的な注意事象に関連する下記の状態:二つの連続した登録において条件XHR > AverageHR + K*DevstHRが発生したときのHR警告であって、値Kは前記自己学習ステップにおいて決定される;条件WOS(XSpO2,XHR) > WOS(XSpO2,Average(HR))が発生したときのパンクチュアルオキシメトリスコア警告;XSpO2 ≦ γ、ここでγ∈[80,95]のときのSpO2警告;二つの連続した登録が欠落している場合のデータ欠落警告;記録が下記の条件のうちの一つを満たすときに到達する警告プレースに関連するオキシメトリスコア警告
ここで、B1,B2,B3,εは[0,1]であり、SpO2 criticalは酸素飽和度の臨界値であって通常は0.9%である;に従って進化してもよい。
好ましくは、本発明によれば、前記HR警告、パンクチュアルオキシメトリスコア警告、SpO2警告、データ欠落警告、及びオキシメトリスコア警告は、音及び/又は視覚的警告信号の前記発信装置に対する入力として提供され、前記発信装置は、各状態に対応する音及び/又は視覚的信号を発してもよい。
更に、本発明によれば、前記システムは、監視対象の前記患者から更なる生理学的パラメータを検出可能な複数のセンサを有してもよい。
また、本発明によれば、前記センサは、前記患者の動きを検出する加速度計及び/又は前記患者の肺活量を検出する肺活量計を備え、前記制御論理ユニットに対する入力を提供してもよい。
好ましくは、本発明によれば、前記有限状態機械(BFSM)の前記キャリブレーションステップは、自己学習アルゴリズムが用いられ、設定パラメータP=(ε, Weight SpO2, Weight HR, κ, λ)がユーザにより設定可能であってもよい。
更に、本発明によれば、前記有限状態機械(BFSM)は、下記のステップ: パラメータP^の可能な構成が定められ、アルゴリズムがテストされ、加重精度acc weitedが評価された、登録の検証セットを提供し; データ値Weight HRを1に設定し、データWeight SpO2の値を1から20の間で可変として、前記パラメータをテストし; パラメータP=(ε, Weight SpO2, Weight HR, κ, λ)の可能な組み合わせの直積(Cartesian product)を実行することにより、前記パラメータP^のセットを決定し; 式P* = arg maxt(acc weighted(pt^))に従って加重精度値を最大化する前記パラメータの組み合わせを選択することにより、前記システム(S)において用いるパラメータ構成P*を選択する;に従って前記パラメータPを学習してもよい。
また、本発明によれば、前記パラメータλは、λ∈[0.1,…,i,…0.09]∪[1,…,j,…,10]、ここで、


であり、λi+1i=0.01であり、前記パラメータkは、k∈[1,…,i,…,10]、ここで、

であってもよい。
以下、本発明について、添付の図面の特定の図を参照しながら説明するが、その好適な実施形態は、実施例を示すものであってこれに限定されない。
慢性閉塞性肺疾患を有する患者における急な事象の発生を検出及び早期注意するためのシステムのブロック図である。 本発明によるシステムの一部のオペレーションを示す図である。 本発明によるシステムによって検出された臨界事象に関連する優先度に関するグラフを示す図である。 臨界事象の優先度の可能な管理方法を示す図である。 本発明によるシステムのオペレーションのブロック図である。
いくつかの図において、同様の部分は同一の参照番号により示される。
添付の図を参照すると、本発明の目的である、慢性閉塞性ブロンコニューマティを患う患者における急な事象を検出及び早期予測するシステムSが見られ、パルスオキシメータのような、慢性閉塞性ブロンコニューマティを患う患者の生理学的データを取得する装置Dを備えている。
装置Dにより検出されるデータは主に、患者の、SpO2とも呼ばれるヘモグロビン飽和度、及びHeart Rate又はHRとも呼ばれる心拍数である。
システムSは、後で詳細に記載されるように、生理学的データに関連する日付及び時間のような、時間データを検出するためのタイマーを含む。
システムSは、患者の動きを検出する加速度計、及び患者の肺活量を検出する肺活量計のような、患者から更なる生理学的パラメータを検出可能な、不図示の、複数のセンサを備えてもよい。
システムSは、また、以下で入力データと呼ぶ、装置D、複数のセンサ、及びタイマーから取得される生理学的データ及び時間データを、入力において受信する制御論理ユニットCを備え、後で詳細に記載されるように、入力されたデータを所定のプログラムに従って処理し、以下で出力データと呼ぶ、処理されたデータを出力において供給する。
制御論理ユニットCは、入力データの前処理を実行する第1の部分C1と、後で詳細に記載されるように、前処理された入力データの処理を実行する、BFSMのようなバイナリ有限状態機械を用いて実装された、急な事象の認識アルゴリズムを備えた第2の部分C2と、を備える。
システムSは、また、後で詳細に記載されるように、制御論理ユニットCから出力データを入力において受信し、出力データに対応する注意信号を所定の論理に従って出力する、不図示の、音及び/又は視覚的な注意警告の発信装置を備える。
制御論理ユニットCに入力されるデータは特別には四つであって、ヘモグロビン飽和度のパーセント値、パルスオキシメーターにより測定された心拍数HRの値、及び、タイマーにより提供される測定又は登録Rがなされた日付及び時間である。
このような入力データは、形式的にはトライアド(XSPO2,XHR,t)により指定され、値tは登録Rの日付及び時間の両方を示す。
登録Rは、1日の異なる複数の時間においてなされ、入力データはこれらの時間に応じて分類される。
特に、三つの可能な時間クラスが定義される。
− 朝のクラスであって、Cmorningで示され、登録時間が朝の時間帯に属する場合の朝の全ての登録Rを含み、登録は(XSpO2 morning,XHR morning)で示される。
− 昼のクラスであって、Cafternoonで示され、登録時間が昼の時間帯に属する場合の昼の全ての登録Rを含み、登録は(XSpO2 afternoon,XHR afternoon)で示される。
− 夜のクラスであって、Ceveningで示され、登録時間が夜の時間帯に属する場合の夜の全ての登録Rを含み、登録は(XSpO2 evening,XHR evening)で示される。
各クラスの時間帯は、患者の特定のニーズに合わせて設定及び適用され、数及び長さの両方において変更可能としてもよい。
第1の部分C1は、各登録Rとそれが属する時間クラスとの関連付けを実行する。
制御論理ユニットCからの出力データは、例えば10日間の、一定の大きさ(amplitude)の時間窓における、各入力データの平均及び標準偏差からなり、下記の記号で示される。
(Averagemorning(SpO2),Devstmorning(SpO2))、(Averagemorning(HR),Devstmorning(HR));
(Averageafternoon(SpO2),Devstafternoon(SpO2))、(Averageafternoon(HR),Devstafternoon(HR));
(Averageevening(SpO2),Devstevening(SpO2))、(Averageevening(HR),Devstevening(HR));
制御論理ユニットCからの出力データは、後で詳細に記載されるように、音及び/又は視覚的な注意信号と関連付けられる。
発信装置により発せられる音及び/又は視覚的な注意信号は、下記のように列挙され得る。
− 所定の閾値を超えるHR登録に関連するHR警告であって、潜在的な洞性頻脈(sinus tachycardia)が対応する;
− SpO2の記録の急変化及び所定値を超えるHRに関連するスコアパンクチュアルオキシメトリ警告であって、潜在的な呼吸困難(dyspnea)に対応する;
− 所定の閾値よりも低いSpO2登録に関連するSpO2警告であって、潜在的な低酸素血症(hypoxemia)が対応する;
− 患者の主治医(treating doctor)によって定められた(established)プロトコルに関する二つの連続した記録の欠落に関連するデータ欠落警告であって、パルスオキシメータDの誤動作により、或いは患者の一般的な病気の状態により、患者が登録を実行できない場合;
− SpO2及びHRの記録のネガティブトレンドに関連するオキシメトリスコア警告であって、疾患の潜在的な症状悪化が迫っていることに対応する;
特定の注意信号に応じて、発信装置は、警告音又は可視的な信号を生成してもよい。
上述のシステムSのオペレーションは下記のとおりである。
慢性閉塞性ブロンコニューマティを患う患者が上述のシステムSの使用を決心すると、彼は、彼の主治医とプロトコルについて同意し、それに基づいて、登録Rの実行数、及び登録Rを実行する時間間隔を決定する。
システムSにおいては、初期パラメータを設定すること及び標準的なキャリブレーションステップを実行することの両方が可能であり、監視対象の患者の生理学的パラメータにシステムSを適応させ、病理学(pathology)の専門家の意思決定プロセスに適合させることが可能である。
従って、10日間(これは説明用かつ実施例の期間であって、各患者の特定の特徴に合わせてカスタマイズ可能である)の初期キャリブレーションステップにおいて、パルスオキシメータDは、監視対象の患者の生理学的データ、特に1日の時間枠内の異なる時刻における患者のSpO2及びHRの典型値を、日中繰り返して取得する。
制御論理ユニットCの第1の部分C1は、生理学的パラメータを、登録が行われた最初の時刻と関連付けて、1日の期間における生理学的パラメータの典型的トレンドを設定する。
時間間隔と関連付けられたこれらの初期生理学的パラメータは、その後、第1の部分C1から第2の部分C2へ送信されるが、この第2の部分C2は、管理された学習アルゴリズムであり、監視対象の患者の生理学的特徴を学習して適応する能力を有し、1日の異なる複数の時間における患者の特定の生理学的パラメータをカスタマイズする。
この目的のため、アルゴリズムは、上述の初期キャリブレーション段階において取得された測定値が、学習アルゴリズムが適正な意思決定プロセスに対して適用可能となるように、例えば専門家によって分類されている(labeled)ことを必要とする。学習は、上述の生理学的特徴に関する閾値パラメータの最適化を有する。
その後、初期トレーニング期間に続いて、システムSは、入力データを用いた自己学習により、或いは、専門家の医者がシステムSから更によい応答を得るために構成パラメータを変更する介在により、引き続き患者に対してモデル化される。
後で詳細に記載されるように、システムSは、SpO2及びHRパラメータの相関トレンドを解析することで、潜在的な症状悪化を検出することが可能であり、監視対象の患者の生理学的パラメータが初期の症状悪化を示す警告プレース(place)に到達するまでの対象の患者の症状悪化を監視して反映させたシステムSにおける一連の状態遷移を通して、早期局面における症状悪化を特定することが可能である。
特に、制御論理ユニットCの第2の部分C2に含まれるBFSMは、SpO2及びHRの測定値を解析して、監視対象の患者の健康状態の時間進化のモデルを生成する。
BFSMは、特定のペトリネット(Petri net)であって、下記の項目を定義する二部グラフ(bipartite graph)である。
トークン(token)は、図2に黒点で示され、登録Rがなされたときの、監視対象の患者の状態に対応する。
プレース(places)は、図2に白い円で示され、監視対象の患者の想定される健康状態に対応し、監視対象の患者の測定された生理学的パラメータが正常範囲内である場合の通常状態、監視対象の患者の測定された生理学的パラメータがネガティブトレンドを示す場合の警戒状態、及び、監視対象の患者の測定された生理学的パラメータが臨界的な状態に対応する場合の警告状態、で定義され、ここで警告状態は、worrisome eventsと呼ばれ、監視対象の患者は病院に入院する必要がある。
遷移(transitions)は、図2に黒の四角で示され、一つのプレースから別のプレースへの臨床的な進行に対応する。
プレース及び遷移はノード(nodes)と呼ばれ、ノードは、向きを有する弧(arcs)によって相互に接続される。
異なるタイプのノード間の接続のみが可能である。
システムSの動的な進化は、二つのプレースに接続された遷移が可能であるとき、すなわち、その遷移にリンクされた条件が確認されたときの、一つのプレースから次のプレースへの、一つのトークンの移行(passage)を通じて表される。
上述のように、これらの登録Rは、制御論理ユニットCの第1の部分C1により前処理され、そしてそれらがなされた時間に応じて朝、昼、及び夜の三つの登録カテゴリに分類される(catalogued)。
続いて、三つの登録カテゴリにおける平均及び標準偏差が算出され、各時間クラスにおいて、システムSは酸素飽和度測定値及び心拍数測定値の両方の平均及び標準偏差を算出する。
これは、三つの時間クラス、すなわち朝、昼、及び夜に発生し、各期間において取得されたすべての記録、これらはゼロの場合もある、の平均及び標準偏差を、システムSが独立に算出することを意味する。
従って、システムSは上述の12のパラメータを算出する。
(Averagemorning(SpO2),Devstmorning(SpO2))、(Averagemorning(HR),Devstmorning(HR));
(Averageafternoon(SpO2),Devstafternoon(SpO2))、(Averageafternoon(HR),Devstafternoon(HR));
(Averageevening(SpO2),Devstevening(SpO2))、(Averageevening(HR),Devstevening(HR));
システムSは、それぞれの新しい登録について、新しい登録に関連する時間クラスにおける平均及び標準偏差の二つの測定値を更新する。
t>t2である同一の時間帯において生成された測定値のそれぞれのペアは、(XSPO2,XHR)と示され、加重オキシメトリスコア(WOS)と呼ばれる加重組み合わせを算出する。
ここで、SpO2及びHRは、システムSをトレーニングするために用いられるサンプル登録のセットを表す。
第1の部分C1による前処理ステップの後、データは第2の部分C2へ送信され、特に前の事象から取得されたプレースから開始する制御論理ユニットCのBFSMへ送信される。
図3と、そこに示された特に五つの垂直方向の一連の事象を参照すると、主なネットワーク経路(network ways)は、左から右へ、下記の状況において発生し、発信装置により発せられる上述の音及び/又は視覚的な注意信号に対応する。
− HR警告は、条件XHR > AverageHR + K*DevstHRの、二つの連続した事象が発生したときに到達する一つの警告プレースに関連し、値KはBFSMの自己学習ステップにおいて決定される。
− パンクチュアルオキシメトリスコア警告は、条件WOS(XSpO2,XHR) > WOS(XSpO2,Average(HR))が発生したときに到達する一つの警告プレースに関連する。
− SpO2警告は、XSpO2 ≦ γ、ここでγ∈[80,95]のときに到達するユニークなプレースに関連する。
− データ欠落警告は、最初の欠落登録と、二つの連続した測定値が欠落している場合に到達する一つの欠落警告プレースから到達するユニークなプレースに関連する。
− オキシメトリスコア警告は、登録が下記の条件の一つを確認したときに到達する注意プレースに関連する。
ここで、パラメータB1、B2、B3は0と1の間で変化し、例えば0.25、0.50、0.75に設定することが可能であり、また、SpO2 criticalは、酸素飽和度の臨界値であって通常は0.9であり、Average(HR)は、観測期間中の登録が属する時間帯における心拍数の登録の算術平均であり、k,λ及びεは、システムSを設定する際に設定可能なパラメータである。
トークンの動的の進化は、図1に示すようなメインの縦の経路(vertical paths)と、図2に示すような相互接続された可能な代替経路(alternative paths)の、両方により進化可能である。
プレースに先行する遷移は、すべて同一の条件を有する。
競合状況、又はいくつかの主要な連鎖(chains)に属する異なる条件が同時に発生するような状況は、図3に表された連鎖の優先度に基づいて解決される。
測定値欠落に対応する連鎖の一部は、同じ入力が2以上の遷移を同時にアクティブ化することが可能である。
特に、監視対象の患者の健康状態に対応するプレースから開始し、もし所定の時間クラスにおいてなされた登録Rが、ちょうどオキシメトリスコア警告に対応する遷移における、HRの微増に関連した所定の警告閾値を下回るSpO2の急減を示す場合は、SpO2警告及びオキシメトリスコア警告の連鎖は同時にアクティブ化され得る。
しかしながら、図3に示された異なる優先度により、連鎖の警告に対応するただ一つの遷移がアクティブ化され、一つのプレースから次のプレースへのトークンの移行が一つの方法で(uniform way)許可される。
下記の表は、全ての可能な遷移及びアクティブ化の条件を示す。
自己学習アルゴリズムを用いたBFSMの自己学習に関して、制御パラメータP (ε, Weight SpO2, Weight HR, κ, λ)は、監視対象の患者の初期トレーニングステップ期間における医者による警告事象の分類(labeling)に基づいて学習される。
上述のパラメータの学習の手順は、以下のステップに従ってなされる。
− まず、登録Rの検証のセットが提供される必要があり、パラメータP^の可能な設定が一旦定められると、アルゴリズムはテストされて加重精度acc weightedが評価される。
下記の表は、acc weightedを算出するための加重行列を示している。
そして、パラメータP^がテストされる。
値WOS(XSpO2,XHR)の算出式を参照すると、設定パラメータWeight(XSpO2)、Weight(XHR)の二つの重みの相対的な性質を考慮すれば、一方を固定して他方を変化させれば十分である。
パラメータWeight(XHR)を1に固定する一方で、Weight(XSpO2)は1から20の間で変化するように選択する。
パラメータλは、λ∈[0.1,…,i,…0.09]∪[1,…,j,…,10]、ここで、


であり、λi+1i=0.01であり、前記パラメータkは、k∈[1,…,i,…,10]、ここで、

である。
パラメータP^のセットは、パラメータP =(ε, Weight SpO2, Weight HR, κ, λ)の可能な組み合わせの直積(Cartesian product)で与えられる。
P*で示される、システムSにおいて用いられるパラメータの設定は、加重精度を最大化する組み合わせ、すなわちP* = arg maxt(acc weighted(pt^))に等しい。
以上の記載によれば、システムSは警告状態の予測可能性を有し、患者が症状悪化しているかもしれないという可能性のレベルとは異なる警告の前の警戒状態において、患者が徴候を示さず症状悪化が潜んでいる段階であっても、警戒信号を送信する。システムSは、監視対象の患者のネガティブな健康状態の悪化に関連する患者の危険な事象が迫っていることを、測定値の未取得と同様に、特定することを可能とする。
また、BFSMを用いることで健康状態の経時的な進行を監視することを可能とする。
本発明は、好適な実施形態に従って、実施例として説明されたものであって、これに限定されず、添付の請求項に定義された当該範囲から逸脱することなく、当業者によって様々な変形及び/又は変更を実施することができると考えられるべきである。

Claims (12)

  1. 慢性閉塞性肺疾患を有する患者における急な事象の発生を検出及び早期注意するシステム(S)であって、
    監視対象の前記患者に対して適応可能な、生理学的パラメータ(R)を検出するための少なくとも一つの装置(D)と、
    検出された前記生理学的パラメータ(R)に関連する、日付及び時間等の期間を検出するための少なくとも一つのタイマーと、
    検出された前記生理学的パラメータ(R)に関連する、音及び/又は視覚的警告出力信号を発することが可能な、音及び/又は視覚的警告信号の少なくとも一つの発生装置と、
    前記少なくとも一つの装置(D)及び前記少なくとも一つのタイマーと接続可能であり、前記少なくとも一つの信号発生装置を制御可能であり、検出された前記生理学的パラメータ(R)及び前記期間を入力において受信するのに適した制御論理ユニット(C)と、
    を備え、前記制御論理ユニット(C)は、前記生理学的パラメータ(R)により達せられる所定の値の閾値が初期保存された処理プログラムを備え、下記のステップ:
    検出された前記生理学的パラメータ(R)を、その検出がなされた前記期間と関連付け;
    統計インデックス算出アルゴリズムで測定された前記生理学的パラメータ(R)を、検出時刻ごとに送信し;
    前ステップにおいて取得した前記統計インデックスを前記所定の閾値と比較し、少なくとも一つの前記統計インデックスが、対応する前記所定の閾値を超えている場合に、音及び/又は視覚的警告信号を発生する前記少なくとも一つの信号発信装置をアクティブ化する;
    を実行するシステム(S)。
  2. 前記少なくとも一つの装置(D)は、下記の生理学的データ:
    − ヘモグロビン飽和度(SpO2);及び
    − 心拍数(HR);
    を検出するパルスオキシメータであって、下記の所定の時間枠:
    − 朝の期間(Cmorning);
    − 昼の期間(Cafternoon);
    − 夜の期間(Cevening);
    において、前記タイマーによりスキャンされることを特徴とする請求項1に記載のシステム(S)。
  3. 前記制御論理ユニット(C)は、
    検出された前記生理学的パラメータ(R)と、その検出がなされた前記時間枠との前記関連付けを実行して、下記の登録:
    − 朝の登録(XSpO2 morning,XHR morning);
    − 昼の登録(XSpO2 afternoon,XHR afternoon);及び
    − 夜の登録(XSpO2 evening,XHR evening);
    を取得するように構成された第1ユニット(C1)と、
    バイナリ有限状態機械(BFSM)を用いて実装されたニューラルネットワークを有し、グループ化された前記入力データを前記処理プログラムに従って処理するように構成された、第2ユニット(C2)と、
    を備えることを特徴とする請求項2に記載のシステム(S)。
  4. 前記バイナリ有限状態機械(BFSM)は、
    監視対象の前記患者から測定可能なヘモグロビン飽和度(SpO2)及び心拍数(HR)の前記生理学的パラメータ(R)の典型的なトレンドを表す、前記所定の閾値の値P=(ε, Weight SpO2, Weight HR, κ, λ)を設定する第1のキャリブレーションステップと、
    朝(Cmorning)、昼(Cafternoon)、及び夜(Cevening)の前記所定の時間枠において、監視対象の前記特定の患者の前記ヘモグロビン飽和度(SpO2)及び心拍数(HR)のトレンドを前記バイナリ有限状態機械(BFSM)が学習する、前記ヘモグロビン飽和度(SpO2)及び心拍数(HR)の前記生理学的パラメータ(R)に関する第2の学習ステップと、
    を実行することを特徴とする請求項3に記載のシステム(S)。
  5. 前記処理プログラムは、前記統計インデックスを算出するために、下記のステップ:
    − 朝(XSpO2 morning,XHR morning)、昼(XSpO2 afternoon,XHR afternoon)、及び夜(XSpO2 evening,XHR evening)の登録の平均を算出して、朝(Averagemorning(SpO2),Averagemorning(HR))、昼(Averageafternoon(SpO2),Averageafternoon(HR))、及び夜(Averageevening(SpO2),Averageevening(HR))の平均値を取得し;
    − 朝(XSpO2 morning,XHR morning)、昼(XSpO2 afternoon,XHR afternoon)、及び夜(XSpO2 evening,XHR evening)の登録の標準偏差を算出して、朝(Devstmorning(SpO2), Devstmorning(HR))、昼(Devstafternoon(SpO2), Devstafternoon(HR))、及び夜(Devstevening(SpO2), Devstevening(HR))の標準偏差値を取得し;
    − 加重組み合わせ、すなわちオキシメトリ加重スコア(WOS)
    を、各クラス時間において算出し;
    − 上述のステップにおいて取得した前記統計インデックスを、前記所定の閾値と比較する;
    を実行することを特徴とする請求項3又は4に記載のシステム(S)。
  6. 前記バイナリ有限状態機械(BFSM)は、臨界的な注意事象に関連する下記の状態:
    二つの連続した登録(R)において条件XHR > AverageHR + K*DevstHRが発生したときのHR警告であって、値Kは前記自己学習ステップにおいて決定される;
    条件WOS(XSpO2,XHR) > WOS(XSpO2,Average(HR))が発生したときのパンクチュアルオキシメトリスコア警告;
    XSpO2 ≦ γ、ここでγ∈[80,95]のときのSpO2警告;
    二つの連続した登録(R)が欠落している場合のデータ欠落警告;
    記録が下記の条件のうちの一つを満たすときに到達する警告プレースに関連するオキシメトリスコア警告
    ここで、B1,B2,B3,εは[0,1]であり、SpO2 criticalは酸素飽和度の臨界値であって通常は0.9%である;
    に従って進化することを特徴とする請求項5に記載のシステム(S)。
  7. 前記HR警告、パンクチュアルオキシメトリスコア警告、SpO2警告、データ欠落警告、及びオキシメトリスコア警告は、音及び/又は視覚的警告信号の前記発信装置に対する入力として提供され、前記発信装置は、各状態に対応する音及び/又は視覚的信号を発する、
    ことを特徴とする請求項6に記載のシステム(S)。
  8. 監視対象の前記患者から更なる生理学的パラメータを検出可能な複数のセンサを有する、
    ことを特徴とする請求項1から7のいずれか一項に記載のシステム(S)。
  9. 前記センサは、前記患者の動きを検出する加速度計及び/又は前記患者の肺活量を検出する肺活量計を備え、前記制御論理ユニット(C)に対する入力を提供する、
    ことを特徴とする請求項8に記載のシステム(S)。
  10. 前記有限状態機械(BFSM)の前記キャリブレーションステップは、自己学習アルゴリズムが用いられ、設定パラメータP=(ε, Weight SpO2, Weight HR, κ, λ)がユーザにより設定可能である、
    ことを特徴とする請求項4から9のいずれか一項に記載のシステム(S)。
  11. 前記有限状態機械(BFSM)は、下記のステップ:
    − パラメータP^の可能な構成が定められ、アルゴリズムがテストされ、加重精度acc weitedが評価された、登録(R)の検証セットを提供し;
    − データ値Weight HRを1に設定し、データWeight SpO2の値を1から20の間で可変として、前記パラメータをテストし;
    − パラメータP=(ε, Weight SpO2, Weight HR, κ, λ)の可能な組み合わせの直積(Cartesian product)を実行することにより、前記パラメータP^のセットを決定し;
    − 式P* = arg maxt(acc weighted(pt^))に従って加重精度値を最大化する前記パラメータの組み合わせを選択することにより、前記システム(S)において用いるパラメータ構成P*を選択する;
    に従って前記パラメータPを学習することを特徴とする請求項4から9のいずれか一項に記載のシステム(S)。
  12. 前記パラメータλは、λ∈[0.1,…,i,…0.09]∪[1,…,j,…,10]、ここで、


    であり、λi+1i=0.01であり、前記パラメータkは、k∈[1,…,i,…,10]、ここで、

    である、
    ことを特徴とする請求項6から11のいずれか一項に記載のシステム(S)。
JP2018515366A 2015-06-03 2015-06-03 慢性閉塞性ブロンコニューマティを患う患者の症状悪化が迫っていることを検出及び早期予測するシステム Active JP6810135B2 (ja)

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 (2)

Publication Number Publication Date
JP2018519983A true JP2018519983A (ja) 2018-07-26
JP6810135B2 JP6810135B2 (ja) 2021-01-06

Family

ID=54207647

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018515366A Active JP6810135B2 (ja) 2015-06-03 2015-06-03 慢性閉塞性ブロンコニューマティを患う患者の症状悪化が迫っていることを検出及び早期予測するシステム

Country Status (8)

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

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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013029617A1 (en) * 2011-08-26 2013-03-07 Aalborg Universitet Prediction of exacerbations for copd patients
JP2014502854A (ja) * 2010-08-13 2014-02-06 レスピラトリー・モーシヨン・インコーポレイテツド 呼吸の量、運動、および変化を測定することによる呼吸変動モニタリングのための装置および方法
JP2014529308A (ja) * 2011-06-30 2014-11-06 ユニヴァーシティ オヴ ピッツバーグ オヴ ザ コモンウェルス システム オヴ ハイアー エデュケーション 心肺機能不全に対する易罹患性(susceptibility)を判断するシステム及び方法

Family Cites Families (7)

* 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
JP5916618B2 (ja) * 2009-12-19 2016-05-11 コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. Copd増悪予測システム及び方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014502854A (ja) * 2010-08-13 2014-02-06 レスピラトリー・モーシヨン・インコーポレイテツド 呼吸の量、運動、および変化を測定することによる呼吸変動モニタリングのための装置および方法
JP2014529308A (ja) * 2011-06-30 2014-11-06 ユニヴァーシティ オヴ ピッツバーグ オヴ ザ コモンウェルス システム オヴ ハイアー エデュケーション 心肺機能不全に対する易罹患性(susceptibility)を判断するシステム及び方法
WO2013029617A1 (en) * 2011-08-26 2013-03-07 Aalborg Universitet Prediction of exacerbations for copd patients

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MARIO MERONE: "Early Experiences in COPD Exacerbation Detection", 2014 IEEE 27TH INTERNATIONAL SYMPOSIUM ON COMPUTER-BASED MEDICAL SYSTEMS, JPN6019012880, 27 May 2014 (2014-05-27), pages 406 - 410, XP032629447, ISSN: 0004013871, DOI: 10.1109/CBMS.2014.46 *
MARIO MERONE: "On the remote detection of COPD-related worrisome events", 2016 IEEE-EMBS INTERNATIONAL CONFERENCE ON BIOMEDICAL AND HEALTH INFORMATICS(BHI), JPN6019012881, 24 February 2016 (2016-02-24), pages 33 - 36, XP032893063, ISSN: 0004013872, DOI: 10.1109/BHI.2016.7455828 *

Also Published As

Publication number Publication date
WO2016194007A1 (en) 2016-12-08
BR112017026004A2 (pt) 2018-08-14
RU2017145814A (ru) 2019-07-09
EP3304365A1 (en) 2018-04-11
JP6810135B2 (ja) 2021-01-06
CN107690687A (zh) 2018-02-13
RU2729131C2 (ru) 2020-08-04
BR112017026004A8 (pt) 2023-01-31
US10542942B2 (en) 2020-01-28
ES2843688T3 (es) 2021-07-20
CN107690687B (zh) 2021-08-13
US20180153480A1 (en) 2018-06-07
HK1248916A1 (zh) 2018-10-19
EP3304365B1 (en) 2020-10-21
RU2017145814A3 (ja) 2019-07-17

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
JP6909078B2 (ja) 疾病発症予測装置、疾病発症予測方法およびプログラム
US10332638B2 (en) Methods and systems for pre-symptomatic detection of exposure to an agent
US8456295B2 (en) Alarm generation method for patient monitoring, physiological monitoring apparatus and computer program product for a physiological monitoring apparatus
JP2018533798A (ja) 患者の生理学的反応に基づいた急性呼吸器疾患症候群(ards)の予測
US20190311809A1 (en) Patient status monitor and method of monitoring patient status
JP7449287B2 (ja) クリティカルアラームの予測
US20160188832A1 (en) Physiologic Severity of Illness Score for Acute Care Patients
Jaber et al. Energy‐saving multisensor data sampling and fusion with decision‐making for monitoring health risk using WBSNs
WO2017083735A1 (en) System and methods for extubation device utilization following liberation from mechanical ventilation
JP6810135B2 (ja) 慢性閉塞性ブロンコニューマティを患う患者の症状悪化が迫っていることを検出及び早期予測するシステム
Tylman et al. Real-time prediction of acute cardiovascular events using hardware-implemented Bayesian networks
JP2024513618A (ja) 感染症及び敗血症の個別化された予測のための方法及びシステム
US20090138252A1 (en) Method and system of evaluating disease severity
WO2021012203A1 (zh) 基于围术期危险预警的多模型互补增强机器学习平台
Ghavami et al. Artificial neural network-enabled prognostics for patient health management
KR102229909B1 (ko) 사용자 빅데이터를 활용한 사고위험 예측방법 및 장치
KR102358841B1 (ko) 수술 전 데이터에 기반하여 인공관절 치환 수술 부작용 증상을 예측하는 전자 장치 및 그 동작 방법
KR102559047B1 (ko) 증상악화 예측 시스템 및 방법
Tóth-Laufer et al. A personal profile based patient-specific anytime risk calculation model
Sethuraman et al. Cerebrovascular Accident Prognosis using Supervised Machine Learning Algorithms
WO2024074874A1 (en) Time-series anomaly detection for healthcare
Kuruwita et al. Exploring physiologic regulatory factors in traumatic brain injury (TBI) through Correlation Analysis and Graph Neural Network
Warrier et al. IoT and ML-Based Personalised Healthcare System for Heart Patients Check for updates
Kaur et al. Machine Learning based Approaches for Accurately Diagnosis and Detection of Hypertension Disease

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180125

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180529

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20190315

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190416

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20190710

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191015

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200107

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20200402

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200707

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20201110

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201210

R150 Certificate of patent or registration of utility model

Ref document number: 6810135

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250