JP7446245B2 - 冗長アラームの削減 - Google Patents

Description

本書に記載される実施形態は一般に、アラームを削減するシステム及び方法に関し、より詳細には、限定的ではないが、冗長アラームを抑制するシステム及び方法に関する。

病院などの医療機関では、多くの異なる医療装置が異なる態様で独立して設定され又は他の態様で構成される。ヘルスケア環境にあるようなアラーム駆動装置は一般的に、アラームを発行するための比較的高い感度及び傾向を備える「申し訳ないよりも安全な方が良い」ポリシーを実現するよう構成されている。

しかしながら、アラームが過剰になると、臨床医がアラームをモニタしてこれに基づき行動する感度が低下したアラーム疲労を引き起こす可能性がある。これは、患者が受けるケアの質に悪影響を及ぼす可能性がある。

そのため、既存のアラーム発令技術及び装置の欠点を克服する方法及びシステムが必要とされる。

本要約は、以下の詳細な説明にて記載される概念から選択したものを簡略化された形態で紹介するために提供されるものである。本要約は、請求項に記載された主題の主要な特徴又は本質的な特徴を特定又は除外することを意図したものではなく、また、請求項に記載された主題の範囲を決定するための補助として使用されることを意図したものでもない。

一つの側面において、実施形態は、冗長なアラームを低減するための方法に関する。方法は、第１のセンサ装置を用いて、第１のエンティティに関する第１のデータセットを収集するステップと、第２のセンサ装置を用いて、上記第１のエンティティに関する第２のデータセットを収集するステップと、上記第１のデータセット及び上記第２のデータセットを、上記メモリに格納された命令を実行するプロセッサに提供し、モデルを提供するステップであって、上記モデルが、上記第１のデータセットと上記第２のデータセットとの間の関係を推論するよう構成され、上記関係は、上記第２のデータセットに関連付けられたアラームが、上記第１のデータセットに関連付けられたアラームと結合されることを示し、前記モデルが、上記結合されたアラームの少なくとも１つを抑制するよう構成される、ステップと、後の使用のためにモデルを保存し、上記保存されたモデルが、上記第１のエンティティと少なくとも１つの特徴を共有する第２のエンティティで検索されて使用されることが可能にされる、ステップとを有する。

いくつかの実施形態では、少なくとも１つの特徴は、年齢、性別、病状、投薬、介入、及び医療部門の少なくとも１つを含む。

いくつかの実施形態では、方法は、第１のデータセット及び第２のデータセットの少なくとも１つに関連付けられたアラーム閾値を調整するステップを更に含む。

いくつかの実施形態では、方法は、第１及び第２のデータセットのより後のバージョンを使用してモデルを更新するステップを更に含む。

いくつかの実施形態では、モデルは、結合された隠れマルコフモデル、動的ベイズネットワーク、及びリカレントニューラルネットワークの少なくとも１つを有する。

いくつかの実施形態では、第１のエンティティは患者であり、第１のセンサ装置は患者監視装置であり、第２のセンサ装置は人工呼吸器である。

いくつかの実施形態では、モデルは、第１のデータセットに関連付けられた第１のアラーム状態及び第２のデータセットに関連付けられた第２のアラーム状態の少なくとも１つに費やされた時間；並びに第１のデータセット及び第２のデータセットの少なくとも１つに関連付けられた閾値違反と生成されたアラームとの間の時間の少なくとも１つに基づき、関係を推論するように更に構成される。

別の側面によれば、実施形態は、冗長アラームを削減するシステムに関する。システムは、上記第１のセンサ装置から第１のエンティティに関する第１のデータセットと、上記第２のセンサ装置から第１のエンティティに関する第２のデータセットとを受信するためのインタフェースと、メモリに格納された命令を実行し、モデルを提供するプロセッサであって、上記モデルが、少なくとも上記第１のデータセットと上記第２のデータセットとの間の関係を推論するよう構成され、上記関係が、上記第２のデータセットに関連付けられたアラームが上記第１のデータセットに関連付けられたアラームと結合されることを示、上記モデルが、結合されたアラームの少なくとも１つを抑制する、プロセッサと、後の使用のためにモデルを格納し、上記第１のエンティティと少なくとも１つの特徴を共有する第２のエンティティで、上記格納されたモデルが検索されて使用されることを可能にする、データベースとを有する。

いくつかの実施形態では、少なくとも１つの特徴は、年齢、性別、病状、介入、投薬、及び医療部門の少なくとも１つを含む。

いくつかの実施形態では、プロセッサは、第１のデータセット及び第２のデータセットの少なくとも１つに関連付けられたアラーム閾値を調整するように更に構成される。

いくつかの実施形態では、プロセッサは、第１及び第２のデータセットのより後のバージョンを使用してモデルを更新するよう構成される。

いくつかの実施形態では、モデルは、結合された隠れマルコフモデル、動的ベイズネットワーク、及びリカレントニューラルネットワークの少なくとも１つを有する。

いくつかの実施形態では、第１のエンティティは患者であり、第１のセンサ装置は患者監視装置であり、第２のセンサ装置は人工呼吸器である。

いくつかの実施形態では、モデルは、第１のデータセットに関連付けられた第１のアラーム状態及び第２のデータセットに関連付けられた第２のアラーム状態の少なくとも１つに費やされた時間、並びに第１のデータセット及び第２のデータセットの少なくとも１つに関連付けられた閾値違反と生成されたアラームとの間の時間の少なくとも１つに基づき、関係を推論するように更に構成される。

別の側面によれば、実施形態は、冗長アラームを低減するための方法のためのコンピュータ実行可能な命令を含むコンピュータ可読媒体に関する。媒体は、第１のセンサ装置を用いて第１のエンティティに関する第１のデータセットを収集するためのコンピュータ実行可能な命令と、第２のセンサ装置を使用して上記第１のエンティティに関する第２のデータセットを収集するためのコンピュータ実行可能な命令と、メモリに格納された命令を実行するプロセッサに、第１のデータセット及び第２のデータセットを提供し、モデルを提供するためのコンピュータ実行可能な命令であって、上記モデルが、上記第１のデータセットと上記第２のデータセットとの間の関係を推論するよう構成され、上記関係は、上記第２のデータセットに関連付けられたアラームが、上記第１のデータセットに関連付けられたアラームと結合されることを示し、前記モデルが、上記結合されたアラームの少なくとも１つを抑制する、命令と、後の使用のためにモデルを格納し、上記第１のエンティティと少なくとも１つの特徴を共有する第２のエンティティで、格納されたモデルが検索されて使用されることを可能にするためのコンピュータ実行可能な命令とを有する。

一実施形態による冗長アラームを削減するシステムを示す図である。 一実施形態による結合された隠れマルコフモデルのアラームシーケンスデータを示す図である。 一実施形態による各アラーム状態に費やされる時間を考慮したアラームシーケンスデータを示す図である。 一実施形態による既存のアラームシーケンスと新規患者のアラームシーケンスとの間の関係を学習する方法を示す図である。 一実施形態による冗長アラームを削減する方法のフローチャートを示す図である。

本発明の非限定的かつ非網羅的な実施形態が、以下の図を参照して説明され、ここで、同様の参照数字は、特に指定されない限り、様々な表示全体を通して同様の部分を参照する。

様々な実施形態が、本書の一部を形成し、特定の例示的な実施形態を示す添付の図面を参照して、以下により詳細に説明される。しかしながら、本開示の概念は、多くの異なる形態で実現されてもよく、本書に記載された実施形態に限定されるものと解釈されるべきではない。むしろ、これらの実施形態は、本開示の概念、技術、及び実施形態の範囲を当業者に十分に伝えるために、完全な開示の一部として提供される。実施形態は、方法、システム又は装置として実施されることができる。従って、実施形態は、ハードウェアの実施形態、完全にソフトウェアの実施形態、又はソフトウェア及びハードウェアの側面を組み合わせた実施形態のいずれかの形態をとることができる。従って、以下の詳細な記述は、限定的な意味で捉えられるものではない。

本書において、「一実施形態」又は「ある実施形態」への言及は、実施形態に関連して記載される特定の特徴、構造、又は特性が、本開示による少なくとも１つの例示的な実施形態又は技術に含まれることを意味する。本書の様々な場所での「一実施形態では」という表現の出現は、必ずしも全てが同じ実施形態を指しているわけではない。本書の様々な場所での「いくつかの実施形態では」という表現の出現は、必ずしも全てが同じ実施形態を指しているわけではない。

以下の説明のいくつかの部分は、コンピュータメモリ内に格納された非一時的信号に対する処理の記号的表現として提示される。これらの記述及び表現は、データ処理技術の当業者が、他の当業者に自分の仕事の本質を最も効果的に伝えるために使用される。斯かる処理は典型的には、物理量の物理的な操作を必要とする。通常、必ずしもそうとは限らないが、これらの量は、保存、転送、結合、比較、及び他の態様で操作されることが可能な電気的、磁気的又は光学的信号の形をとる。これらの信号をビット、値、要素、記号、文字、用語、数字などと呼ぶことが、主に一般的な使用法の理由から便利な場合がある。更に、一般性を損なうことなく、物理量の物理的操作を必要とするステップの特定の配置をモジュール又はコード装置として参照することも便利な場合がある。

しかしながら、これらの用語及び類似の用語はすべて適切な物理量と関連づけられるべきものであり、これらの量に適用される便利なラベルにすぎない。以下の議論から明らかなように、特に別段の記載がない限り、本書全体を通して、「処理」、「計算」、「算出」、「決定」、「表示」などの用語を用いた議論は、コンピュータシステムのメモリ、レジスタ、又は他の斯かる情報記憶装置、伝送装置若しくは表示装置内の物理的（電子的）量として表されるデータを操作し及び変換するコンピュータシステム、又は類似の電子計算装置の動作及びプロセスを指すことを理解されたい。本開示の一部は、ソフトウェア、ファームウェア又はハードウェアにおいて具現化されることができ、ソフトウェアに具現化される場合、様々なオペレーティングシステムにより使用される異なるプラットフォーム上に常駐して処理されるようにダウンロードされるプロセス及び命令を含む。

本開示はまた、本書に記載された処理を実行する装置に関する。この装置は、必要な目的のために特別に構成されるか、又はコンピュータに記憶されたコンピュータプログラムにより選択的にアクティべート又は再構成される汎用コンピュータを有することができる。斯かるコンピュータプログラムは、以下に限定されるものではないが、フロッピーディスク、光ディスク、ＣＤ－ＲＯＭ、磁気－光ディスク等の任意のタイプのディスク、リードオンリーメモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、ＥＰＲＯＭ、ＥＥＥＰＲＯＭ、磁気カード、光カード、特定用途集積回路（ＡＳＩＣ）、又は電子命令を格納するのに適した任意のタイプの媒体といったコンピュータ可読記憶媒体に格納されてもよい。各媒体は、コンピュータシステムバスに結合されていてもよい。更に、本書で言及されるコンピュータは、単一のプロセッサを含んでいてもよく、又はコンピューティング能力を向上させるために複数のプロセッサ設計を採用するアーキテクチャであってもよい。

本書に提示されるプロセス及び表示は、特定のコンピュータ又は他の装置に本質的に関連するものではない。様々な汎用システムが、本書の教示によるプログラムと共に使用されてもよく、又は、１つ又は複数の方法ステップを実行するために、より専門的な装置を構築することが便利であることが判明する場合もある。これらの様々なシステムの構造は、以下の説明で論じられる。更に、本開示の技術及び実施形態を実現するのに十分な任意の特定のプログラミング言語が使用されることができる。本書で論じられるように、本開示を実現するために、様々なプログラミング言語が使用されてもよい。

更に、本書で使用される言語は、主に可読性及び教示目的で選択されており、開示される主題を画定し又は囲むために選択されるものではない。従って、本開示は、本書で議論される概念の範囲を限定するものではなく、例示するものであることを意図している。

上述したように、ヘルスケアのような環境では、患者の健康を監視するために１つ又は複数の監視装置に依存することが多い。これらの装置は一般的に、患者の健康の１つ又は複数の側面を監視し、異常又は懸念される原因を検出したときにアラームを発行することができる。発行されたアラームに基づき、臨床医は患者を確認し、必要な治療処置を行うことができる。

これらのアラームは、それぞれが独自の特性を持つよう構成された複数の医療装置に由来する可能性がある。これらの装置の大部分は、互いに独立して動作し、互いに連携していない。従って、同一条件に関連する複数のアラームが、異なる装置により発行されてもよい。これは、特に患者の循環器系を監視する装置を用いて、発行されたアラームの豊富さに寄与する場合がある。

過剰なアラームは、アラーム疲労をもたらす場合があり、その結果、臨床医はアラームに対する感度を低下させ、アラームに基づき行動する動機付け低下させる。実際、アラームに関連する問題は、テクノロジー健康被害のトップとしてランク付けされている。

更に、アラームは、患者の快適性に悪影響を及ぼす可能性がある（例えば、ストレスの増大、せん妄などを引き起こすことにより）迷惑な音を伴うことが多い。これは特に、乳児又は集中治療室の患者などの脆弱な患者に当てはまる。

臨床医又は他の医療スタッフも、アラームを発する装置を正確に決定できないことが多い。これは、アラームに関連する音量が小さい場合に特に当てはまります。同様に、一般的な業務の一日の中で、臨床医が耳にするアラームの量が多いために、臨床医がアラームを無視し、又は無音にするのが一般的である。これは必然的に、重大なアラームを見逃す可能性を高くする。

従って、本書に記載されたシステム及び方法は、冗長なアラームを低減するために、アラームシーケンス間の関係を学習する、又は他の態様で推論することができる。これは、様々な機械を一緒に接続する、又は１つの機械にルーティングすることにより行われることができる。代替的に、他の実施形態では、アラームは、２つ以上の機械に接続された外部機能又は装置により管理されてもよい。

モデルは、訓練されて配置され、接続性のイベントが検出されるとき、１つ又は複数の他のアラームを抑制しながら、１つのアラームのみを発行することができる。様々なデバイスとその関連するアラームシーケンスとの関係を学習することにより、本書に記載されたシステム及び方法は、どのアラームがキャンセルされるべきか、又は他の態様で抑制されるべきかについて、より確信を持つことができる。モデルは、（１）アラームの２つ以上のシーケンスの間の結合を学習し、次に、アラームの新しいエンティティ／新しいシーケンスを評価することができ；（２）各系列においてアラームが発行されるアラームの期間（即ち、各アラーム状態に費やされる時間）を学習することができ；及び（３）系列の少なくとも一部を学習した後、系列をデータベースに格納された１つ又は複数の以前に収集された系列と比較して、系列が時間の経過とともにどのように進化し得るかを学習することができる。

患者監視装置に加えて、患者が人工呼吸器に接続される場合もある。患者と人工呼吸器との相互作用は、２つの呼吸ポンプ間の関係として記述されることができる。第１は、患者の神経筋系により制御される患者の肺系を含み、第２は、人工呼吸器の設定及びフローバルブの機能により制御される人工呼吸器を含む。

患者監視装置及び人工呼吸器は、異なる態様で患者とインタフェースするため、それらはどちらも同じ患者の悪化を検出することがある。例えば、人工呼吸器の誤作動（例えば、バルブの誤作動）があり、患者が十分に換気されていない場合には、人工呼吸器アラームの後に脱飽和又は徐脈アラームが発生する場合がある。

このシナリオでは、別の患者監視装置からのアラームをトリガする程度まで患者の状態が悪化する前に、人工呼吸器のアラームが鳴る可能性がある。同じ悪化を検出する際の患者監視装置と人工呼吸器との間のこの相乗効果は、モデルにより利用されることができ、冗長なアラームを抑制し、差し迫った悪化の早期警告を作成するために使用される。

アラームの中には、侵襲的換気（チューブコントロールなど）でのみ可能なものもあれば、その逆もある。更に、換気の性質は、患者の状態に関する情報を捕捉する。こうして、人工呼吸器のアラームと使用される換気のタイプとの両方がモデルへの入力とすることができる。

デバイスの設定ミス又はデバイスの誤動作は、誤報をもたらす可能性もある。従って、アラームとそれに付随するデータとの関係に関する知識は、誤報を抑制するためにも役立つ場合がある。

例えば、ＳｐＯ２センサ装置は、脱飽和アラームを発行することができる。しかしながら、他の装置から受信したデータは、それ以外は正常であることを示す場合がある。モデルは、特定の患者のアラームシーケンス間の関係を学習した後、脱飽和アラームが異常であり、深刻な脱飽和ではなく機器の誤動作が原因である可能性が高いと推論できる。

本願は、医療及び患者モニタリングの文脈で冗長なアラームを減らすことを主に論じているが、他の用途が、本書に記載された様々な実施形態の特徴から恩恵を受け得ることが企図される。例えば、別個のタイプのデータを監視し、このデータに基づきアラームを発行する任意のタイプの電気的、機械的、又はコンピュータベースのシステムは、本書に記載された特徴から利益を得ることができる。これらは、自動車、航空機、船舶、制御システムなどを含むことができる。別の例として、システム及び方法は、金融市場又は商品に関連する指標を監視し、それに関連する冗長なアラームを抑制することができる。

図１は、一実施形態による冗長アラームを低減するためのシステム１００を示す。示されるように、システム１００は、１つ又は複数のシステムバス１１０を介して相互接続された、プロセッサ１２０、メモリ１３０、ユーザインタフェース１４０、ネットワークインタフェース１５０、及びストレージ１６０を含む。図１は、いくつかの点で抽象化されたものであり、システム１００及びその要素の実際の構成は、図示されるものとは異なる場合があることを理解されたい。

プロセッサ１２０は、メモリ１３０若しくはストレージ１６０に格納された命令を実行することができるか、又は他の態様でデータを処理することができる任意のハードウェアデバイスであってもよい。そのようなものとして、プロセッサ１２０は、マイクロプロセッサ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途集積回路（ＡＳＩＣ）、又は他の類似のデバイスを含んでもよい。

メモリ１３０は例えば、Ｌ１、Ｌ２、又はＬ３のキャッシュ又はシステムメモリのような様々なメモリを含んでもよい。そのようなものとして、メモリ１３０は、スタティックランダムアクセスメモリ（ＳＲＡＭ）、ダイナミックＲＡＭ（ＤＲＡＭ）、フラッシュメモリ、リードオンリーメモリ（ＲＯＭ）、又は他の類似のメモリデバイスを含んでもよい。メモリ１３０の正確な構成は、冗長なアラームを削減するための命令が実行可能である限り、変動してもよい。

ユーザインタフェース１４０は、臨床医又は他のタイプの医療従事者のようなユーザとの通信を可能にするための１つ又は複数の装置を含んでもよい。例えば、ユーザインタフェース１４０は、ユーザコマンドを受信するための、ディスプレイ、マウス及びキーボードを含んでもよい。いくつかの実施形態では、ユーザインタフェース１４０は、ネットワークインタフェース１５０を介してリモート端末に提示され得るコマンドラインインタフェース又はグラフィカルユーザインタフェースを含んでもよい。

ユーザインタフェース１４０は、ＰＣ、ラップトップ、タブレット、モバイルデバイス、スマートウォッチなどのユーザデバイス上で実現されてもよい。ユーザインタフェース１４０及びこれが実現されるデバイスの正確な構成は、本書に記載された様々な実施形態の特徴が達成され得る限り、変動することができる。

ネットワークインタフェース１５０は、他のハードウェアデバイスとの通信を可能にするための１つ又は複数のデバイスを含んでもよい。例えば、ネットワークインタフェース１５０は、イーサネットプロトコルに基づき通信するよう構成されたネットワークインターフェースカード（ＮＩＣ）を含んでもよい。更に、ネットワークインタフェース１５０は、ＴＣＰ／ＩＰプロトコルに基づき通信を行うためのＴＣＰ／ＩＰスタックを実現してもよい。ネットワークインタフェース１５０のための様々な代替的又は追加的なハードウェア又は構成が明らかになるであろう。

ネットワークインタフェース１５０は、１つ又は複数のセンサデバイス１５１及び１５２と動作可能に通信してもよい。ヘルスケアの文脈では、これらは、患者の健康に関する様々なタイプの情報を収集する患者監視装置の一部として構成されたセンサを含むことができる。この文脈では、センサ１５１及び１５２は例えば、ＳｐＯ２センサ及び人工呼吸器を含んでいてもよい。

使用されるセンサの種類はもちろん異なり、エンティティ及びコンテキストに依存する場合がある。従って、分析対象となるエンティティに関する必要なデータを収集又は他の態様で取得できる限り、どのようなタイプのセンサデバイスが使用されてもよい。モデル及び必要な処理は、モニタ及び／又は人工呼吸器のいずれかに埋め込まれていてもよいことにも留意されたい。

使用される様々なセンサ装置は例えば、患者の状態の何らかの悪化に起因するアラームを生成するよう構成されていてもよい。多くの場合、異なるデバイスが、同じ基礎となるイベント又は患者の状態に起因するアラームをそれぞれ発生させることができる。従って、システム１００は、２つ以上のデバイスのアラームシーケンス間の関係を学習することができる。その結果、第１のデバイスがアラームを生成するとき、システム１００は、そうでなければ１つ又は複数の他のデバイスにより生成されるであろう追加のアラームを抑制する。

言い換えれば、システム１００は、第１の装置から受信したアラームに基づき、１つ又は複数の他の装置が後続的にアラームを生成することを予測してもよい。その後、システム１００は、患者及び／又は臨床医が過剰なアラームにさらされることを防ぐために、１つ又は複数の他の装置により生成された後続のアラームを抑制する又は無視してもよい。

センサデバイス１５１及び１５２は、様々なタイプのネットワーク接続に様々な要素を接続することができる１つ又は複数のネットワークを介してシステム１００と通信してもよい。ネットワークは、インターネット、イントラネット、パーソナルエリアネットワーク（ＰＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、ストレージエリアネットワーク（ＳＡＮ）、フレームリレー接続、高度インテリジェントネットワーク（ＡＩＮ）接続、同期光ネットワーク（ＳＯＮＥＴ）接続、デジタルＴ１、Ｔ３、Ｅ１若しくはＥ３回線、デジタルデータサービス（ＤＤＳ）接続、デジタル加入者回線（ＤＳＬ）接続、イーサネット接続、統合サービスデジタルネットワーク（ＩＳＤＮ）回線、Ｖ．９０，Ｖ．３４若しくはＶ．３４ｂｉｓアナログモデム接続などのダイヤルアップポート、ケーブルモデム、非同期転送モード（ＡＴＭ）接続、ファイバ分散データインタフェース（ＦＤＤＩ）接続、銅分散データインタフェース（ＣＤＤＩ）接続、又は光／ＤＷＤＭネットワークの任意の１つ又は複数を含むか、又はそれらにインタフェースしていてもよい。

１つ又は複数のネットワークは、無線アプリケーションプロトコル（ＷＡＰ）リンク、Ｗｉ－Ｆｉリンク、マイクロ波リンク、一般パケット無線サービス（ＧＰＲＳ）リンク、移動体通信用グローバルシステムＧ（ＳＭ）リンク、符号分割多重アクセス（ＣＤＭＡ）リンク、携帯電話チャネルといった時分割多重アクセス（ＴＤＭＡ）リンク、グローバルポジショニングシステム（ＧＰＳ）リンク、セルラデジタルパケットデータ（ＣＤＰＤ）リンク、Ｒｅｓｅａｒｃｈ ｉｎ Ｍｏｔｉｏｎ，Ｌｉｍｉｔｅｄ（ＲＩＭ）二重ページングタイプデバイス、Ｂｌｕｅｔｏｏｔｈ無線リンク、又はＩＥＥＥ ８０２．１１ベースのリンクの任意の１つ又は複数のリンクを有する、含む、又はそれらにインタフェースすることができる。

ストレージ１６０は、リードオンリーメモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、磁気ディスクストレージ媒体、光ストレージ媒体、フラッシュメモリデバイス、又は類似のストレージ媒体などの１つ又は複数の機械可読ストレージ媒体を含んでもよい。様々な実施形態では、ストレージ１６０は、プロセッサ１２０により実行される命令又はプロセッサ１２０が動作し得るデータを格納してもよい。

例えば、ストレージ１６０は、デバイスにそれぞれ関連付けられた時系列データ及び／又は２つ以上のデバイスにより発行されたアラームのシーケンスの２つ以上のセット間の関係を検出し及び監視するためのモデルを生成するための命令を含んでもよい。ストレージ１６０は、母集団特徴量１６１、前処理エンジン１６２、結合された隠れマルコフモデル１６３、時間関係モジュール１６４、及びシーケンスクラスタリングモジュール１６５を含んでもよい。

生成されたモデルは、様々な技術を使用して、２つ以上のセンサデバイスのアラームシーケンス間の関係を学習するか、又は他の態様で推論することができる。推論された関係は、特定の患者のために学習され、その患者及び将来の患者に対するアラーム管理を改善するために使用されることができる。

このモデルは、以前に検査された患者に関連する母集団特徴１６１と関連データとを考慮してもよい。母集団特徴１６１は、以前に収集されたデータに基づき、１つのイベント（例えば、アラーム）が別のイベント（例えば、別のアラーム）に続く確率を示してもよい。

例えば、オランダにある協力ＮＩＣＵで行われた先行研究では、２４００日分のアラームが分析された。この研究中、３５万５千件の重大アラームが発生したが、そのうち１８％は人工呼吸器によるもので、残りは患者のモニタによるものであった。最も発生率の高い５つのアラームが、すべてのアラームの８５％を構成していた。これらのアラームは、以下の表１に要約される。

この研究に基づき、複数の関係性が特定された。例えば、全チューブコントロールアラームの３０％は、中央値時間７９秒後に脱飽和アラームが続き、患者消失アラームの３５％は、中央値時間２．２分後に脱飽和アラームが続き、全Ｐｐｅａｋ高アラームの１０％は、中央値時間３．２分後に脱飽和アラームが続き、全チューブコントロールアラームの７．５％は、中央値時間１０秒後に徐脈アラームが続く。これらのタイプの関係は、将来の患者に関連したアラームを管理するために使用されることができる。

前処理エンジン１６２は、少なくともセンサデバイス１５１及び１５２からエンティティに関するデータを受信してもよい。前述したように、このエンティティは、ヘルスケア環境では患者とすることができる。前処理エンジン１６２は、まず、平均化、ノイズ除去などの任意の適切な前処理ステップを実行してもよい。

結合された隠れマルコフモデル１６３は、（母集団特徴１６１のような）母集団に関連する以前に収集されたデータを考慮してもよく、データが特定の患者に関して入ってくると、その患者のためのよりパーソナライズされたバージョンのモデルの学習を開始する。これは、患者の特定の生理学及び経時的に変化する状態にアラームシーケンスが適応することを可能にする。

結合された隠れマルコフモデル１６３は、２つの異なるアラーム系列データセットを考慮し、隠れた状態とそれらの間の関係とを学習する。例えば、図２は、患者監視装置及び人工呼吸器から得られるアラームシーケンスデータ２００を示す。円２０２及び２０４はそれぞれ、特定の時間間隔ｔにおいて、患者監視装置及び人工呼吸器により取得されたデータに関連する隠れた状態を表している。図２の正方形２０６及び２０８はそれぞれ、各時間間隔ｔにおいて、患者監視装置及び人工呼吸器により得られたデータに関連する観察可能な状態を表している。従って、モデルは、２つのアラームシーケンスの間の関係を学習することができる。

結合された隠れマルコフモデルに加えて、又は代わりに、モデルは、異なるアラームシーケンス間の関係を学習するための任意の適切な技術を実現してもよい。例えば、モデルは、経時的にアラームシーケンス間の関係を捕捉するために、動的ベイズネットワーク、リカレントニューラルネットワーク、又は他のニューラルネットワークを実現してもよい。正確な実現は、本書に記載された様々な実施形態の特徴が達成され得る限り、当然ながら変化し得る。

アラームが発行されると一般的には、解決されるまでのある程度の期間、アラームが継続する（occur）。アラームは自動的に解決される場合もあれば、臨床医による何らかの介入の後にのみ解決される場合もある。

臨床医が利用可能であり、及び／又は患者の近くにいる場合、臨床医は、比較的迅速に（例えば、５～１０秒以内に）アラームを解決することができる。患者の近くに利用可能な臨床医がいない場合、発行されたアラームは、それが解決されるまで、長い持続時間の間継続する場合がある。持続時間は、重み付けされ、関係性を推論する際に使用されることができる。例えば、より長い持続時間にわたって継続したアラーム状態は、より短い時間で解決されたアラーム状態よりも深刻であると考えられるかもしれない。

従って、いくつかの実施形態では、時間関係モジュール１６４は、アラーム状態に費やされた時間を考慮してもよい。このデータは、異なるアラームシーケンスデータ間の関係をモデル化するのに役立つ。

例えば、結合された隠れマルコフモデルは、アラームシーケンス間の関係をモデル化するだけでなく、各シーケンスにおける状態ごとに費やされた時間をモデル化してもよい。図３は、患者監視装置及び人工呼吸器からのアラームシーケンスデータ３００を示す。しかしながら、アラームシーケンスデータ３００は、各装置の各状態において費やされた時間Ｔｐ，ｖも含む。

シーケンスクラスタリングモジュール１６５は、新規患者が監視のためにセンサ装置１５１及び１５２に接続されたときに適用されてもよい。シーケンスクラスタリングモジュール１６５は、関係性のオンラインデータベースにアクセスして、１つ又は複数の類似したデータセットと新規患者とをマッチさせるためにクラスタリング方法を適用してもよい。例えば、新規患者に関連付けられたデータは、患者間の１つ又は複数の共通の特徴に基づき、以前の患者に関連付けられた既存のデータとマッチされてもよい。これらの特徴は、以下に限定されるものではないが、患者の年齢、性別、病状、投薬、介入、及び医療部門を含む。

シーケンスクラスタリングモジュール１６５は、何らかの特徴に基づき新規患者を以前の患者とマッチさせるだけでなく、以前の患者のアラームシーケンスが時間の経過とともにどのように発展したかを追跡することができる。次いで、シーケンスクラスタリングモジュール１６５は、この発展に関する知識を新規患者に使用して、患者のアラーム進行が時間の経過とともにどのように進展するかを予測するのを助けることができる。従って、アラーム関係は適応的であり、以前のデータに基づかれることができる。

図４は例えば、一実施形態による、既存のアラームシーケンスと新規患者のアラームシーケンスとの間の関係を学習する方法４００を示す。具体的には、方法４００で実行されるモデルは、アラームシーケンスに関連する隠れパラメータを学習し、冗長なアラームを減少させることができる。ステップ４０２は、新規患者に関するアラームシーケンスデータを収集することを含む。このアラームシーケンスデータは、図２及び図３のデータと同様のものであってもよく、患者監視装置及び人工呼吸器に関連付けられたアラームデータを含む。

ステップ４０４において、新規患者に関連付けられたアラームシーケンスデータは、アラームシーケンスのデータベース（前述された母集団特徴１６１など）に格納されたデータと比較されてもよい。このデータベースは、１つ又は複数の特徴に基づきアラームシーケンスを組織化することができる。その結果、新規患者に関連付けられたデータが、類似した患者に関連付けられたデータとマッチされることができる。これらの特徴は、患者の年齢、性別、病状、処方された薬、介入、医療機関の部門などを含むことができる。

ステップ４０６において、シーケンスクラスタリングモジュール１６５は、患者の１つ又は複数の特徴に基づきアラームをクラスタリングして、アラームシーケンス関係の１つ又は複数のマッチを見つけることができる。図４は、アラームシーケンスの複数のクラスタ４１０を示すプロット４０８を説明する。各規定されたクラスタ４１０は、それぞれがアラームシーケンスを表す複数のドットを含むか、又は他の態様で関連付けられていてもよい。プロット４０８の１つ又は複数の軸はそれぞれ、特定の特性（例えば、年齢対疾患状態）に対応してラベル付けされていてもよい。

次いで、新規患者の特徴が考慮され、プロット４０８上の特徴と比較され、新規患者が、１つ又は複数の共通の特徴を共有する患者とマッチされることができる。シーケンスクラスタリングモジュール１６５は、１つ又は複数の特徴に基づき、新規患者をクラスタに割り当ててもよい。従って、新規患者のアラームシーケンスデータは、１つ又は複数の類似患者のアラームシーケンスデータと関連付けられる。

シーケンスクラスタリングモジュール１６５は、新規患者と類似患者との間の類似度を考慮してもよい。例えば、シーケンスクラスタリングモジュール１６５は、プロット４０８に関して距離関数を実行する。その結果、例えば、年齢が新規患者に近い以前の患者に関連付けられたデータが、他の患者に関連付けられたデータよりも重い重み付けにされる。新規患者のアラームシーケンスデータ（及び推定された関係の知識）は、アラームシーケンスのデータベースに保存され、更なる分析のために使用されてもよい。

図５は、一実施形態による冗長アラームを削減する方法５００のフローチャートを示す。ステップ５０２は、第１のセンサ装置を用いて第１のエンティティに関する第１のデータセットを収集することを含む。この第１のエンティティは例えば、医療機関で監視される患者であってもよく、第１のセンサ装置は、ある種の患者監視装置であってもよい。

ステップ５０４は、第２のセンサ装置を使用して第１のエンティティに関する第２のデータセットを収集することを含む。第２のセンサ装置は例えば、人工呼吸器の一部として構成されていてもよい。第１及び第２のセンサ装置は、２つの時系列データを生成するために、所定の時間間隔でエンティティに関するデータを収集するよう構成されていてもよい。

ステップ５０６は、メモリに格納された命令を実行するプロセッサに第１のデータのセットと第２のデータのセットとを提供し、モデルを提供することを含む。プロセッサ及びメモリはそれぞれ例えば、図１のプロセッサ１２０及びメモリ１３０と同様のものであってもよい。

提供されるモデルは、アラームに関して、第１のデータセットと第２のデータセットとの間の関係を推論するよう構成されていてもよい。例えば、そして上述したように、関係は、第２のデータセットに関連付けられたアラームが、第１のデータセットに関連付けられたアラームと結合されることを示してもよい。このタイプの関係が検出されると、モデルは、その後、結合されたアラームの１つを抑制してもよい。

従って、本書に記載されたシステム及び方法の特徴は、独立して構成されたアラーム装置に関連する上述した問題に対処することができる。即ち、それらは、別々の装置により発行された場合であっても、結合されるか、又は他の態様で関連付けられるアラームを識別することができる。その後、このモデルは、アラームのいずれかを抑制して、アラームが発行されないようにすることができる。従って、臨床医（及び／又は患者）は、不要であることが多い過剰なアラームに煩わされる可能性が低い。

ステップ５０８は、後の使用のためにモデルを格納することを含み、格納されたモデルが、第１のエンティティと少なくとも１つの特徴を共有する第２のエンティティで検索されて使用されることが可能にされる。従って、新規エンティティ（例えば、新規患者）に関連するデータは、第１エンティティに関連するデータと比較され得る。前述したように、１つ又は複数の以前のエンティティに関するアラームシーケンスがどのように進行したかに関する知識は、後のエンティティのアラームシーケンスの進行を予測するのを助けるために使用されることができる。

考慮される特徴は、年齢、性別、病状、投薬、介入、医療部門のいずれか１つ又は複数を含むことができる。従って、第２のエンティティに関連付けられたデータは、１つ又は複数の類似エンティティに関連付けられたデータと比較される。

ステップ５１０はオプションであり、第１のデータセット及び第２のデータセットの少なくとも１つに関連付けられたアラーム閾値を調整することを含む。モデルは、所与の閾値を超えるデータのみがアラームを発行するように、所与の患者に対して更新されてもよい。これは、例えば患者のベースラインデータからわずかに逸脱しただけで発生する偽陽性を回避するのに役立つ場合がある。

ステップ５１２はオプションであり、第１及び第２のデータセットの後のバージョンを使用してモデルを更新することを含む。上述したように、アラームシーケンスの進行が監視され、モデルが継続的に改善されることができる。

例えば、第２のセンサに関連付けられたデータは、最初は第１のデータセットと結合されていない場合がある。しかしながら、患者の状態が進化するにつれて、第１のセンサ及び第２のセンサに関連付けられたデータが互いに結合されるようになってもよい。従って、この知識は、後のエンティティの第１のデータセットと第２のデータセットとの間の関係が、冗長なアラームを予測して抑制するために、少なくともどのように進化する可能性があるかをモデルに知らせることができる。

上述した方法、システム、及び装置は例示的なものである。様々な構成は、適宜、様々な手順又は要素を省略し、置き換え、追加する場合がある。例えば、代替的な構成において、方法は、記載された順序とは異なる順序で実行されてもよく、様々なステップが追加され、省略され、又は結合されることができる。特定の構成に関して記載された特徴は、他の様々な構成で組み合わせられてもよい。構成の異なる側面及び要素は、同様の方法で組み合わせられてもよい。技術は進化し、及び従って、多くの要素は例示であり、開示又は特許請求の範囲を限定するものではない。

本開示の実施形態が例えば、本開示の実施形態による方法、システム、及びコンピュータプログラム製品のブロック図及び／又は動作図を参照して説明された。ブロックに記載される機能／作用は、フローチャートに示される順序から外れて発生する場合がある。例えば、連続して示された２つのブロックは、実際には実質的に同時に実行されることがあり、又は、ブロックは、関与する機能／作用に基づき、逆の順序で実行される場合がある。追加的又は代替的に、任意のフローチャートに示されたブロックのすべてが実行及び／又は実施される必要はない。例えば、所与のフローチャートが機能／行為を含む５つのブロックを有する場合、５つのブロックのうち３つのブロックのみが実行及び／又は実施される場合がある。この例では、５つのブロックの３つのブロックのどれが実行及び／又は実施されてもよい。

値が第１の閾値を超える（又は以上である）という記述は、値が第１の閾値よりもわずかに大きい第２の閾値を満たすか又は超えるという記述に相当し、例えば、第２の閾値は、関連するシステムの解像度において、第１の閾値よりも高い１つの値である。値が第１の閾値よりも小さい（又はその範囲内にある）という記述は、値が第１の閾値よりもわずかに低い第２の閾値以下であるという記述に相当し、例えば、第２の閾値は、関連システムの解像度において、第１の閾値よりも低い１つの値である。

具体的な詳細は、例示的な構成（実装を含む）を十分に理解できるように本書において提供される。しかしながら、これらの具体的な詳細を省略した構成が実践されることもできる。例えば、よく知られる回路、プロセス、アルゴリズム、構造、及び技術は、構成を不明確にすることを回避するため、不必要な詳細を省いて示されている。本書は、例示的な構成のみを提供し、請求項の範囲、適用可能性又は構成を限定するものではない。むしろ、構成の先行説明は、記載された技術を実現することを可能にする説明を当業者に提供する。本開示の精神又は範囲から逸脱することなく、要素の機能及び配置に様々な変更が加えられることができる。

いくつかの例示的な構成を説明してきたが、本開示の精神から逸脱することなく、様々な修正、代替的な構成、及び均等物が使用されることができる。例えば、上記の要素は、より大きなシステムの要素であってもよく、この場合、他の規則が、本開示の様々な実施形態又は技術の適用に優先してよく、又はこれらを他の態様で修正してもよい。上記の要素が考慮される前、考慮される間、又は考慮された後に、複数のステップが行われてもよい。

本願の説明及び図示を提供したことにより、当業者であれば、以下の請求項の範囲から逸脱しない、本願で論じた一般的な発明的概念の範囲内に含まれる変形、修正、及び代替的な実施形態を思いつくことができる。

Claims (15)

1. 冗長アラームを削減する方法において、
   第１のセンサ装置を用いて、第１のエンティティに関する第１のデータセットを収集するステップと、
   前記第１のセンサ装置とは異なる第２のセンサ装置を用いて、前記第１のエンティティに関する第２のデータセットを収集するステップと、
   メモリに格納された命令を実行し、異なるアラームシーケンス間の関係を学習し、冗長なアラームをキャンセルするモデルを提供するプロセッサに、前記第１のデータセット及び前記第２のデータセットを提供するステップであって、前記モデルは、
   前記第１のデータセットと前記第２のデータセットとを受信し、
   前記第２のデータセットに関連付けられたアラームが前記第１のデータセットに関連付けられたアラームと結合される関係を推論し、及び
   結合された前記アラームの少なくとも１つをキャンセルする、
   ステップと、
   後の使用のために前記モデルを保存するステップであって、前記保存されたモデルが、前記第１のエンティティと少なくとも１つの特徴を共有する第２のエンティティで検索されて使用されることが可能にされる、ステップとを有する、方法。
2. 前記少なくとも１つの特徴が、年齢、性別、病状、投薬、介入、及び医療部門の少なくとも１つを含む、請求項１に記載の方法。
3. 前記第１のデータセット及び前記第２のデータセットの少なくとも一方に関連付けられたアラーム閾値を調整するステップを更に有する、請求項１に記載の方法。
4. 前記第１及び第２のデータセットの後のバージョンを使用して前記モデルを更新するステップを更に有する、請求項１に記載の方法。
5. 前記モデルが、結合された隠れマルコフモデル、動的ベイズネットワーク、及びリカレントニューラルネットワークの少なくとも１つを有する、請求項１に記載の方法。
6. 前記第１のエンティティは患者であり、前記第１のセンサ装置は患者監視装置であり、前記第２のセンサ装置は人工呼吸器である、請求項１に記載の方法。
7. 前記モデルは更に、
   前記第１のデータセットに関連付けられた第１のアラーム状態及び前記第２のデータセットに関連付けられた第２のアラーム状態の少なくとも１つに費やされた時間、並びに
   前記第１のデータセット及び前記第２のデータセットの少なくとも１つに関連付けられた閾値違反と生成されたアラームとの間の時間、
   の少なくとも１つに基づき、前記関係を推論する、請求項１に記載の方法。
8. 冗長アラームを低減するシステムであって、
   第１のセンサ装置からの第１のエンティティに関する第１のデータセットと、前記第１のセンサ装置とは異なる第２のセンサ装置からの前記第１のエンティティに関する第２のデータセットとを受信するインタフェースと、
   メモリに格納された命令を実行し、異なるアラームシーケンス間の関係を学習し、冗長なアラームをキャンセルするモデルを提供するプロセッサであって、前記モデルは、少なくとも
   前記第１のデータセットと前記第２のデータセットを受信し、
   前記第２のデータセットに関連付けられたアラームが前記第１のデータセットに関連付けられたアラームと結合される関係を推論し、及び
   結合された前記アラームの少なくとも１つをキャンセルする、
   プロセッサと、
   後の使用のために前記モデルを格納し、前記第１のエンティティと少なくとも１つの特徴を共有する第２のエンティティで、前記格納されたモデルが検索されて使用されることを可能にする、データベースと
   を有する、システム。
9. 前記少なくとも１つの特徴が、年齢、性別、病状、投薬、介入、及び医療部門の少なくとも１つを含む、請求項８に記載のシステム。
10. 前記プロセッサが更に、前記第１のデータセット及び前記第２のデータセットの少なくとも１つに関連付けられたアラーム閾値を調整する、請求項８に記載のシステム。
11. 前記プロセッサが、前記第１及び第２のデータセットの後のバージョンを使用して前記モデルを更新する、請求項８に記載のシステム。
12. 前記モデルが、結合された隠れマルコフモデル、動的ベイズネットワーク、及びリカレントニューラルネットワークの少なくとも１つを有する、請求項８に記載のシステム。
13. 前記第１のエンティティは患者であり、前記第１のセンサ装置は患者監視装置であり、前記第２のセンサ装置は人工呼吸器である、請求項８に記載のシステム。
14. 前記モデルは更に、前記第１のデータセットに関連付けられた第１のアラーム状態及び前記第２のデータセットに関連付けられた第２のアラーム状態の少なくとも１つに費やされた時間、並びに前記第１のデータセット及び前記第２のデータセットの少なくとも１つに関連付けられた閾値違反と生成されたアラームとの間の時間、の少なくとも１つに基づき、前記関係を推論する、請求項８に記載のシステム。
15. 冗長アラームを削減する方法に関するコンピュータ実行可能な命令を含むコンピュータ可読媒体であって、
    第１のセンサ装置を使用して第１のエンティティに関する第１のデータセットを収集するためのコンピュータ実行可能な命令と、
    前記第１のセンサ装置とは異なる第２のセンサ装置を使用して前記第１のエンティティに関する第２のデータセットを収集するためのコンピュータ実行可能な命令と、
    メモリに格納された命令を実行し、異なるアラームシーケンス間の関係を学習し、冗長なアラームをキャンセルするモデルを提供するプロセッサに、前記第１のデータセット及び前記第２のデータセットを提供するためのコンピュータ実行可能な命令であって、前記モデルは、
    前記第１のデータセットと前記第２のデータセットとを受信し、
    前記第２のデータセットに関連付けられたアラームが前記第１のデータセットに関連付けられたアラームと結合される関係を推論し、及び
    結合された前記アラームの少なくとも１つをキャンセルする、
    命令と、
    後の使用のために前記モデルを格納し、前記第１のエンティティと少なくとも１つの特徴を共有する第２のエンティティで、前記格納されたモデルが検索されて使用されることを可能にするためのコンピュータ実行可能な命令と
    を有する、コンピュータ可読媒体。

Images