KR20170067759A

KR20170067759A - 생리학적 데이터를 기반으로 환자의 연속 심박출량(cco)을 예측하기 위한 시스템 및 방법

Info

Publication number: KR20170067759A
Application number: KR1020177009461A
Authority: KR
Inventors: 프라비안 코두루
Original assignee: 아쇼크 레디
Priority date: 2014-10-09
Filing date: 2015-10-09
Publication date: 2017-06-16
Also published as: EP3240470A4; WO2016057899A1; US20160070880A1; RU2017111892A; EP3240470A1; BR112017007285A2; AU2015330732A1; JP2017530849A; MX2017004605A; CN107106016A; SG11201702649PA; CA2978981A1

Abstract

현재 발명품의 다양한 구현은 중환자실(ICU)에서 수술 후 회복기 동안 환자의 생리학적 상태를 예측하는 방법 및 시스템을 소개합니다. 생리학적 상태는 이전 생리학적 데이터를 기반으로 한 환자의 연속 심박출량(CCO)입니다. 유사한 환자 프로파일의 병력이 있는 다수의 환자를 대상으로 획득된 임상 데이터가 포함된 임상 데이터베이스의 개발, 병력이 있는 환자의 생리학적 데이터, 활력 징후, 인구학적 정보, 치료 전 증상 및 치료를 포함하는 임상 데이터, 선택한 치료 요법에 대해 비슷하게 반응을 보이는 유사한 환자 프로파일에 대한 회복 패턴 확인, 환자의 생리학적 매개변수에 대한 행동 반응의 학습을 위해 회복 패턴 활용 및 최소한 한 개의 치료 요법에 대해 알려진 증상 및 알려진 반응의 기존 회복 패턴에서 유사한 환자 프로파일을 자동으로 분류할 수 있는 예측 모델 구축이 방법에 포함됩니다.

Description

생리학적 데이터를 기반으로 환자의 연속 심박출량(CCO)을 예측하기 위한 시스템 및 방법 {METHOD AND SYSTEM FOR PREDICTING CONTINOUS CARDIAC OUPUT (CCO) OF A PATIENT BASED ON PHYSIOLOGICAL DATA}

관련 신청서에 대한 교차 참조

미국 예비 특허 출원의 수혜를 청구하는 신청서 62061970 "생리학적 데이터를 기반으로 환자의 연속 심박출량(CCO)을 예측하기 위한 시스템 및 방법"은 2014년 9월 10일에 신청했으며, 여기에서 모든 목적을 위해 참조로 포함되는 전체 명세를 공시합니다.

기술 분야

이 현재 명세 공시는 일반적으로 환자 모니터링 시스템 및 방법과 관련이 있고, 특히 연속 심박출량(CCO) 예측을 위해 환자의 심장 관련 매개변수를 지속적으로 모니터링하는 시스템 및 방법과 관련이 있습니다.

회복기 동안 환자의 예후는 잠재적 문제를 사전에 분석하고 식별하기 위해 지속적으로 수집한 다양한 생리학적 데이터의 모니터링 및 분석이 필요합니다. 특히 중환자실(ICU)에서 이러한 데이터는 매우 유용하므로 적극적인 예방 치료를 제공하기 위해 다양한 활력 징후에 대해 환자를 지속적으로 모니터링합니다.

ICU에서 수술 후 회복기 동안 다양한 생리학적 데이터와 활력 징후에 대해 환자를 지속적으로 모니터링합니다. 혈액이 심장을 통해 박출되는 체적 유량인 심박출량은 가장 중요한 심혈관계 매개변수 중 하나입니다. 심박출량은 환자의 조직에 대한 산소와 영양분의 공급을 반영합니다. 심박출량의 측정은 심장 손상이나 질환이 있는 환자 또는 체액 상태 조절이 필수적인 환자를 대상으로 재활을 위한 확인 사항을 구축하고, 환자의 경과를 관리하며, 최적의 치료 과정을 보여주고, 심장 기능장애의 정도를 수량화하는 데 매우 유용한 임상 정보를 제공합니다. 심장 및 순환계의 병리학적 상태뿐만 아니라 운동이 심박출량에 변화를 가져옵니다. 그러나 심박출량의 측정은 재활 환자와 중환자 둘 다에서 유용합니다.

심박출량 측정을 위한 이전에 알려진 지속적인 비침습성 방법은 생체 임피던스 측정에 기반합니다. 임피던스 심전계 측정에서 전극을 환자의 신체 윗부분에 대고 전극 간의 임피던스를 측정합니다. 측정된 전기 임피던스는 심장 활동 때문에 주기적 변화를 보이며, 이론적 모델과 실험식을 토대로 심박출량이 계산됩니다. 임피던스 측정은 간단하다는 장점이 있으며, 심박출량을 지속적으로 신속하게 비침습성 방식으로 측정할 수 있습니다. 그러나 임피던스 측정의 중대한 결점은 예측의 불가능성 및 부정확성입니다. 이는 이 모델이 정확한 예측을 하는 데 충분하지 않은 가정과 상관 인자에 기반한 간단한 실험식이기 때문입니다.

앞서 말한 것을 고려할 때 사전에 환자의 연속 심박출량(CCO)을 예측할 수 있는 시스템 및 방법을 제공할 필요성이 있습니다.

위에서 언급한 결점, 약점 및 문제는 여기에서 다루어지며, 다음 설명서를 읽고 검토하여 알게될 것입니다.

여기에서 발명 구현의 일차 목적은 다른 생리학적 데이터를 기반으로 가까운 장래의 환자 연속 심박출량(CCO)을 예측하는 모델을 구축하기 위한 시스템 및 방법을 제공하는 것입니다.

여기에서 발명 구현의 또 다른 목적은 사전에 환자의 상태를 정확하게 분석하는 모델을 제공하는 것입니다.

여기에서 발명 구현은 중환자실(ICU)에서 수술 후 회복기 동안 기타 관련 임상 데이터를 사용하여 사전에 환자의 생리학적 상태를 예측하는 방법을 소개합니다. 유사한 환자 프로파일의 병력이 있는 다수의 환자를 대상으로 획득된 임상 데이터가 포함된 임상 데이터베이스의 개발, 선택한 치료 요법에 대해 비슷하게 반응을 보이는 유사한 환자 프로파일에 대한 한 개 이상의 회복 패턴 확인, 환자의 생리학적 매개변수에 대한 행동 반응의 학습을 위해 한 개 이상의 회복 패턴 활용 및 최소한 한 개의 치료 요법에 대해 알려진 증상 및 알려진 반응의 기존 회복 패턴에서 한 개 이상의 유사한 환자 프로파일을 자동으로 분류할 수 있는 예측 모델 구축이 이 방법에 포함됩니다. 여기에서 임상 데이터는 병력이 있는 다수 환자의 생리학적 데이터, 활력 징후, 인구학적 정보, 치료 전 증상, 치료 및 치료 반응을 포함합니다.

또한, 여기에서 발명 구현에 따라 예측 모델의 입력 데이터로 환자의 현재 생리학적 데이터 제공 및 환자의 생리학적 매개변수 사전 예측이 추가로 방법에 포함됩니다. 여기에서 생리학적 매개변수에는 환자의 연속 심박출량(CCO)이 포함되며, 인구학적 정보에는 환자의 연령, 인종 및 성별이 포함됩니다.

여기에서 발명 구현에 따라 생리학적 데이터에는 동맥 혈압(수축기, 확장기 및 평균)(AR), 심박수(HR), 중심정맥압(CVP/RA), 폐 동맥 혈압(PA/PAP), 말초 모세 혈관 산소포화도(SpO2), 혼합 정맥 산소포화도(SvO2), 중심 체온(CBT) 및 연속 전신 혈관 저항(CSVR)이 포함됩니다.

또한, 여기에서 발명 구현에 따라 환자의 획득된 임상 데이터의 전처리 수행도 방법에 포함되며, 획득된 데이터에서 누락된 데이터 스트림을 확보하기 위해 보간법을 사용하여 획득된 데이터를 귀속시킵니다.

여기에서 발명 구현에 따라 입력 데이터 스트림으로부터 패턴을 학습하고 서로 다른 환자들 간에 보이는 유사한 패턴을 식별하기 위해 예측 모델을 조정합니다.

여기에서 발명 구현에 따라 환자의 생리학적 매개변수에 대한 예측의 정확성은 정확하게 예측하기 위해 회귀 모델을 사용하여 규칙 모음을 생성하는 회귀 트리(regression tree)에 기반하여 결정됩니다. 생리학적 매개변수에 대한 예측의 정확성을 결정하는 방법은 획득된 임상 데이터를 한 개 이상의 훈련 데이터 세트(training data set)와 테스팅 데이터 세트(testing data set)로의 분할, 한 개 이상의 훈련 데이터 세트를 사용한 모델을 기반으로 한 규칙 생성, 한 개 이상의 테스팅 데이터 세트에서 생리학적 매개변수의 예측값 추정 및 실제 획득된 데이터를 사용한 모델을 기반으로 한 규칙의 박출량을 비교하여 매개변수 예측값의 정확성 결정을 포함합니다.

여기에서 발명 구현에 따라 제곱오차 또는 상관관계 메트릭 중 하나를 생리학적 매개변수 예측값의 정확성을 확인하기 위해 수행합니다.

또한, 여기에서 발명 구현은 환자의 생리학적 상태를 예측하는 시스템을 소개하며, 해당 시스템에는 연속 데이터 획득 장치, 데이터 처리 장치, 예측 모델 생성기 및 디스플레이 장치가 포함되어 있습니다. 연속 데이터 획득 장치는 수술 후 회복기 동안 다수의 환자를 모니터링하고, 유사한 환자 프로파일의 병력이 있는 다수의 환자에서 획득된 임상 데이터를 포함한 임상 데이터베이스를 개발하도록 구성됩니다. 임상 데이터는 병력이 있는 다수 환자의 생리학적 데이터, 활력 징후, 인구학적 정보, 치료 전 증상, 치료 및 치료 반응을 포함합니다. 데이터 처리 장치는 선택한 치료 요법에 대해 비슷하게 반응을 보이는 유사한 환자 프로파일에 대한 한 개 이상의 회복 패턴을 확인하고 환자의 생리학적 매개변수에 대한 행동 반응의 학습을 위해 한 개 이상의 회복 패턴을 활용하도록 구성되며, 예측 모델 생성기는 최소한 한 개의 치료 요법에 대해 알려진 증상 및 알려진 반응의 기존 회복 패턴에서 한 개 이상의 유사한 환자 프로파일을 자동으로 분류할 수 있는 예측 모델 구축하고 환자의 획득된 생리학적 데이터를 기반으로 사전에 환자의 생리학적 매개변수를 예측하도록 구성됩니다.

또한, 여기에서 발명 구현에 따라 환자의 획득된 임상 데이터를 처리하기 위해 데이터 처리 장치를 조정하여, 획득된 데이터에서 누락된 데이터 스트림을 확보하기 위해 선형 보간법을 사용하여 획득된 데이터를 귀속시키고 실제 획득된 데이터를 사용한 예측 모델의 박출량을 비교하여 매개변수 예측값의 정확성을 결정합니다.

또한, 여기에서 발명 구현에 따라 데이터 처리 장치에서 계산된 CCO 레벨을 수신하고 사전에 환자의 CCO 레벨을 표시하기 위해 디스플레이 장치를 조정합니다.

여기에서 발명 구현의 이러한 측면 및 기타 측면은 다음 설명 및 첨부된 그림과 함께 고려될 때 더 잘 이해되고 평가될 것입니다. 그러나 다음 설명은 선호되는 발명 구현과 많은 특정 상세 정보를 나타내며 그림 방식으로 제한 없이 제공된다는 것을 이해해야 합니다. 목적에서 벗어나지 않는 수준으로 여기에서 발명 구현의 범위 내에서 많은 변경과 수정이 있을 수 있으며, 여기에서 발명 구현에는 이러한 모든 수정 사항이 포함됩니다.

선호되는 발명 구현의 다음 설명 및 첨부된 그림에서 기술 수준이 높은 사람들은 기타 대상, 특징 및 장점을 생각하게 될 것입니다.
그림 1은 여기에서 발명 구현에 따라 사전에 환자의 연속 심박출량(CCO)을 예측하는 방법을 나타내는 순서도입니다.
그림 2는 여기에서 발명 구현에 따라 사전에 환자의 연속 심박출량(CCO)을 예측하는 시스템을 나타내는 블록 다이아그램입니다.
그림 3은 여기에서 발명 구현에 따라 누락 데이터 대체를 표시하는 선형 보간법과 최근접 보간법을 비교하기 위해 샘플 시계열을 나타내는 그래픽 표현입니다.
그림 4는 여기에서 예시 발명 구현에 따라 입력 훈련 데이터를 기반으로 10분 후 CCO의 훈련된 모델 예측을 나타내는 플롯 다이아그램입니다.
그림 5는 여기에서 예시 발명 구현에 따라 예측 모델을 확인하기 위해 테스팅 데이터를 사용하여 10분 후 CCO의 예측을 나타내는 플롯 다이아그램입니다.
그림 6은 여기에서 또 다른 예시 발명 구현에 따라 입력 훈련 데이터를 기반으로 30분 후 CCO의 훈련된 모델 예측을 나타내는 플롯 다이아그램입니다.
그림 7은 여기에서 또 다른 예시 발명 구현에 따라 모델을 확인하기 위해 테스팅 데이터를 사용하여 예측 모델로 30분 후 CCO의 예측을 나타내는 플롯 다이아그램입니다.
그림 8는 여기에서 예시 발명 구현에 따라 입력 훈련 데이터를 기반으로 60분 후 CCO의 훈련된 모델 예측을 나타내는 플롯 다이아그램입니다.
그림 9는 여기에서 예시 발명 구현에 따라 모델을 확인하기 위해 테스팅 데이터를 사용하여 예측 모델로 60분 후 CCO의 예측을 나타내는 플롯 다이아그램입니다.
어떤 그림은 현재 발명품의 특정 기능을 보여주지만 다른 그림은 보여주지 않습니다. 현재 발명품에 부합되게 각 기능이 다른 기능의 일부 또는 모두와 결합될 수 있기 때문에 편의상 이렇게 보여줍니다.

현재 발명품은 예측 모델을 사용하여 다수의 생리학적 매개변수를 통해 ICU 관찰에서 연속 심박출량의 나중값을 예측하기 위한 시스템 및 방법을 제공합니다. 발명 구현에 대한 다음의 세부 설명에서 여기에서 일부를 이루는 첨부된 그림을 참조하며, 해당 그림들은 발명할 때 특정 발명 구현을 나타내는 방식으로 표시됩니다. 이러한 발명 구현은 기술 수준이 높은 사람들이 발명할 수 있도록 충분할 정도로 자세하게 설명되며, 다른 발명 구현을 활용할 수 있고 현재 발명품의 범위에서 벗어나지 않는 수준에서 변경할 수도 있음을 이해해야 합니다. 그러므로 다음의 세부 설명을 제한된 의미로 간주하지 않으며, 현재 발명품의 범위는 첨부된 청구 항으로만 정의됩니다.

중환자실(ICU)에서 수술 후 회복기 동안 다양한 생리학적 데이터와 활력 징후에 대해 환자를 지속적으로 모니터링합니다. 이전에 환자로부터 수집한 병력 데이터에 기반하여 고유 패턴이 생성되고, 이러한 데이터는 유사한 행동을 보이거나 제공된 치료에 반응하는 유사한 환자의 프로파일과 일치합니다. 그런 다음 이러한 패턴은 새로 들어온 환자의 향후 예후를 제공할 수 있는 예측 모델을 생성하기 위해 활용됩니다. 여기에서 소개된 모델링 접근법은 잠재적으로 유용한 회복 패턴을 식별하게 하며, 생성된 모델은 회복기 동안의 환자 상태를 예측하게 합니다.

여기에서 발명 구현에 따라 심장 수술을 받은 ICU의 환자에서 수집한 생리학적 데이터를 분석합니다. ICU의 의용 감시 장치하에서 정상 상태까지 회복기 동안 환자는 지속적으로 모니터링되며 다양한 생리학적 데이터는 분 단위로 수집됩니다.

현재 발명품의 구현에 따라 이전에 환자(심장 수술을 받은 환자)로부터 수집한 지속적으로 모니터링된 데이터는 패턴을 생성하기 위해 사용됩니다. 그런 다음 이러한 패턴은 유사한 환자 프로파일을 가지고 있는 환자의 가능한 향후 연속 심박출량(CCO) 반응을 학습하기 위해 활용됩니다. 또한, 예측 모델이 구축되고, 유사한 CCO 반응 프로파일을 자동으로 분류하고 현재 생리학적 데이터가 모델에 입력 데이터로 제공되는 새로 들어온 환자를 위해 사전에 CCO를 예측하기 위해 생성된 고유 패턴을 학습하게 됩니다.

ICU에 환자가 머무는 동안 다수의 환자로부터 수집한 시계열 데이터가 생성된 모델의 훈련과 테스팅을 위해 입력 데이터로 제공됩니다. 다음 데이터 변수가 CCO를 예측하기 위해 환자로부터 수집됩니다.

● 동맥 혈압(수축기, 확장기 및 평균)(AR)

● 심박수(HR)

● 중심정맥압(CVP/RA)

● 폐 동맥 혈압(PA/PAP)

● 말초 모세 혈관 산소포화도(SpO2)

● 혼합 정맥 산소포화도(SvO2)

● 중심 체온(CBT)

● 연속 전신 혈관 저항(CSVR)

모델링에 사용될 수 있는 데이터는 이러한 변수에 제한되지 않으며 추가 생리학적 데이터도 모델의 예측 정확성을 강화하기 위해 활용될 수 있습니다.

여기에서 발명 구현에 따라 예측 모델은 데이터를 처리하고, 다양한 운영 및 센서 문제 때문에 ICU의 데이터 획득 시스템으로 획득한 생리학적 데이터 판독에서 누락된 데이터를 위해 보정됩니다. 누락된 데이터는 분석을 위해 필터링되거나 데이터의 일부만 누락된 경우 다양한 보간법 기술을 사용하여 데이터를 귀속시킵니다. 여기에서 발명 구현에 따라 선형 보간법을 사용하여 데이터를 귀속시킵니다. 그러나 데이터의 많은 부분이 누락된 경우 중요한 매개변수에 대한 선형 보간법은 누락된 정보에 대해 정확성을 부여하는 데 충분하지 않습니다.

앞서 말한 것을 고려할 때 모델링을 위해 다음 기준을 충족하는 환자로부터만 데이터를 수집합니다.

● ICU에 머무는 동안 중심정맥압(CVP) 또는 우심방압(RAP)이 최소 80%인 환자

● ICU에 머무는 동안 대동맥역류(AR)가 최소 80%인 환자

● ICU에 머무는 동안 연속 심박출량(CCO) 또는 심박출량(CO)이 최소 80%인 환자

위의 조건을 충족하는 모든 환자로부터 수집한 데이터는 예측 모델을 생성하는 데 활용되기에 충분한 것으로 간주됩니다. 누락된 변수 데이터는 시계열의 최대 20%까지 선형 보간법을 사용하여 귀속될 수 있습니다.

여기에서 소개된 예측 모델은 이전 병력 추세를 제공하는 연속 데이터 스트림에 대해 값을 예측하도록 조정됩니다. 모델의 주요 목적은 입력 훈련 데이터 스트림에서 패턴을 학습하고 서로 다른 환자들 간에 잠재적으로 유사한 추세를 보이는 패턴을 식별하는 것입니다. 이러한 추세는 단순한 통계 분석을 사용하여 쉽게 식별되지 않으며 시계열 데이터에 내포된 복잡한 패턴을 학습할 수 있는 더 복잡한 모델이 필요합니다. 여기에서 이용된 모델링 접근법은 정확하게 예측하기 위해 회귀 모델을 사용하여 규칙 모음을 생성하는 회귀 트리에 기반합니다. 또한, 트리 기반 규칙 모델 학습기가 CCO에 대한 예측을 제공하는 규칙을 생성하기 위해 사용됩니다.

여기에서 소개된 발명 구현에서 약 60%의 완전한 데이터 세트가 모델 학습을 위해서만 활용되며 나머지 40%의 데이터가 테스팅을 위해 사용됩니다.

중환자실(ICU)에서 수술 후 회복기 동안 다양한 생리학적 데이터와 활력 징후에 대해 환자를 지속적으로 모니터링합니다. ICU의 의용 감시 장치하에서 정상 상태까지 회복기 동안 환자는 지속적으로 모니터링되며 다양한 생리학적 데이터는 분 단위로 수집됩니다. 이전에 환자로부터 수집한 병력 데이터에 기반하여 고유 패턴이 생성되고, 이러한 데이터는 유사한 행동을 보이거나 제공된 치료에 반응하는 유사한 환자의 프로파일과 일치합니다. 이러한 패턴은 새로 들어온 환자의 향후 예후를 제공할 수 있는 예측 모델을 생성하기 위해 활용될 수 있습니다. 여기에서 소개된 모델링 접근법은 잠재적으로 유용한 회복 패턴을 식별하게 하며, 생성된 모델은 회복기 동안의 환자 상태를 예측하게 합니다.

현재 발명품의 구현에 따라 이전에 환자(심장 수술)로부터 수집한 지속적으로 모니터링된 데이터는 패턴을 생성하기 위해 사용됩니다. 그런 다음 이러한 패턴은 그러한 환자의 가능한 향후 연속 심박출량(CCO) 반응을 학습하기 위해 활용됩니다. 또한, 모델이 구축되고, 유사한 CCO 반응 프로파일을 자동으로 분류하고 현재 생리학적 데이터가 모델에 입력 데이터로 제공되는 새로 들어온 환자를 위해 사전에 CCO를 예측하기 위해 생성된 고유 패턴을 학습하게 됩니다.

그림 1은 여기에서 발명 구현에 따라 사전에 환자의 연속 심박출량(CCO)을 예측하는 방법을 나타내는 순서도입니다. 단계 102에서 유사한 환자 프로파일의 병력이 있는 다수의 환자에서 획득된 임상 데이터를 포함한 임상 데이터베이스를 개발합니다. 여기에서 임상 데이터는 병력이 있는 다수 환자의 생리학적 데이터, 활력 징후, 인구학적 정보, 치료 전 증상, 치료 및 치료 반응을 포함합니다. 단계 104에서 유사한 행동을 보이거나 제공된 치료에 반응하는 유사한 환자 프로파일의 기존 회복 패턴을 확인합니다. 단계 106에서 가까운 장래의 CCO에 대한 행동 반응을 학습하기 위해 이러한 패턴을 활용합니다. 단계 108에서 유사한 반응 프로파일을 자동으로 분류하고 가까운 장래의 CCO를 예측할 수 있도록 데이터 내의 고유 패턴을 학습하기 위해 조정된 예측 모델을 구축합니다. 단계 110에서 예측 모델을 적용하여 현재 생리학적 데이터가 예측 모델에 입력 데이터로 제공되는 새로 들어온 환자를 위해 사전에 CCO를 예측합니다.

그림 2는 여기에서 발명 구현에 따라 사전에 환자의 연속 심박출량(CCO)을 예측하는 시스템을 나타내는 블록 다이아그램입니다. 시스템에는 연속 데이터 획득 장치 206, 데이터 처리 장치 208, 예측 모델 생성기 210 및 디스플레이 장치 212가 포함됩니다. ICU에서 수술 후 회복기 동안 연속 데이터 획득 장치 204는 다양한 임상 데이터 206 및 활력 징후를 기록하기 위해 환자 202를 지속적으로 모니터링합니다. 또한, 연속 데이터 획득 장치 204는 유사한 환자 프로파일의 병력이 있는 다수의 환자에서 획득된 임상 데이터를 포함한 임상 데이터베이스를 개발합니다. 임상 데이터는 병력이 있는 다수 환자의 생리학적 데이터, 활력 징후, 인구학적 정보, 치료 전 증상, 치료 및 치료 반응을 포함합니다.

데이터 처리 장치 208은 입력 데이터를 처리하고, 선택한 치료 요법에 대해 비슷하게 반응을 보이는 유사한 환자 프로파일에 대한 한 개 이상의 회복 패턴을 확인하며, 환자의 생리학적 매개변수에 대한 행동 반응의 학습을 위해 한 개 이상의 회복 패턴을 포합합니다. 현재 발명품의 구현에 따라 여기에서 모니터링되는 생리학적 매개변수는 환자의 연속 심박출량(CCO)입니다.

또한, 예측 모델 생성기 210은 최소한 한 개의 치료 요법에 대해 알려진 증상 및 알려진 반응의 기존 회복 패턴에서 한 개 이상의 유사한 환자 프로파일을 자동으로 분류할 수 있는 예측 모델 구축하고 환자의 획득된 생리학적 데이터를 기반으로 사전에 환자의 연속 심박출량(CCO)을 예측하기 위해 수집된 서로 다른 데이터 변수 간의 정보를 활용합니다.

사전에 데이터 처리 장치에서 수신한 환자의 예측된 생리학적 매개변수를 표시하기 위해 디스플레이 장치를 조정합니다.

그림 3은 여기에서 발명 구현에 따라 누락 데이터 대체를 표시하는 선형 보간법과 최근접 보간법을 비교하기 위한 샘플 시계열의 그래픽 표현입니다. 그림 3에서 보는 것처럼 누락 데이터의 단기 구획에 대한 누락된 데이터 스트림을 채우기 위해 최근접 계산 임상 데이터 값을 사용하는 데이터 귀속을 수행합니다. 예측 모델 구축을 위해 수집된 모든 환자들의 모든 생리학적 변수 데이터를 비교하여 최근접 보간법을 수행합니다.

그림 4는 여기에서 예시 발명 구현에 따라 입력 훈련 데이터를 기반으로 CCO의 훈련된 모델 예측을 나타내는 플롯 다이아그램입니다. 예측 모델은 10분 후 CCO의 예측 박출량을 학습하기 위해 입력 데이터에 대해 훈련됩니다. 첫 번째 플롯 402는 예측된 CCO의 실제 값을 나타내며, 두 번째 플롯 404는 CCO의 훈련된 모델 예측 박출량을 나타냅니다. 예측 모델이 훈련된 데이터에서 CCO를 예측하기 위해 회복 패턴을 정확하게 학습할 수 있다는 것을 플롯은 분명하게 보여줍니다.

그림 5는 여기에서 예시 발명 구현에 따라 예측 모델을 확인하기 위해 테스팅 데이터를 사용하여 10분 후 CCO의 예측을 나타내는 플롯 다이아그램입니다. 첫 번째 플롯 502는 예측된 10분 후 CCO의 값을 나타내며, 두 번째 플롯 504는 예측 모델로 예측된 CCO의 실제 값을 나타냅니다. 예측 모델이 훈련 데이터에서 학습한 회복 패턴을 활용하고 CCO에 대해 정확하게 예측할 수 있다는 것을 그림 5에서 볼 수 있습니다.

위의 플롯에서 대부분의 경우 예측이 CCO의 실제 값과 근접하다는 것을 분명히 볼 수 있습니다. 일부의 경우 실제 예측 값은 편차로 상쇄되지만, 그럼에도 불구하고 실제 CCO 값의 상향 및 하향 움직임 추세를 따릅니다. 이것은 의사가 환자의 상태를 이해하는 데 매우 중요하며 여기에서 예측 모델이 정확히 제공합니다.

그림 6은 여기에서 또 다른 예시 발명 구현에 따라 입력 훈련 데이터를 기반으로 CCO의 훈련된 모델 예측을 나타내는 플롯 다이아그램입니다. 예측 모델은 현재 생리학적 판독에서 30분 후 CCO 값을 사전에 예측하기 위해 변경됩니다. 플롯은 원래 데이터와 비교한 30분 후 CCO의 테스트 예측을 보여줍니다. 첫 번째 플롯 602는 예측된 CCO(훈련 데이터)의 실제 값을 나타내며, 두 번째 플롯 604는 훈련 데이터에 대한 훈련된 모델 예측을 나타냅니다.

그림 7은 여기에서 또 다른 예시 발명 구현에 따라 모델을 확인하기 위해 테스팅 데이터를 사용하여 생성된 예측 모델로 CCO의 예측을 나타내는 플롯 다이아그램입니다. 첫 번째 플롯 702는 예측된 30분 후 CCO의 실제 값을 나타내며, 두 번째 플롯 704는 예측 모델로 예측된 CCO의 값을 나타냅니다. 향후 CCO를 예측하는 것은 어렵고 실제 CCO 값의 박출량 정확성이 약간 저하되지만 CCO 움직임의 추세는 여전히 매우 높은 수준의 정확성으로 예측된다는 것을 위의 플롯에서 분명하게 볼 수 있습니다.

그림 8은 여기에서 예시 발명 구현에 따라 입력 훈련 데이터를 기반으로 60분 후 CCO의 훈련된 모델 예측을 나타내는 플롯 다이아그램입니다. 플롯 다이아그램은 예측 모델이 60분 후 CCO의 예측 박출량을 학습하기 위해 훈련되고 입력 훈련 데이터에 기반하여 훈련된 모델 예측을 보여준다는 것을 나타냅니다. 첫 번째 플롯 802는 예측된 CCO 훈련 데이터의 실제 값을 나타내며, 두 번째 플롯 804는 CCO의 훈련된 모델 예측을 나타냅니다.

그림 9는 여기에서 예시 발명 구현에 따라 모델을 확인하기 위해 테스팅 데이터를 사용하여 구축된 모델로 60분 후 CCO의 예측을 나타내는 플롯 다이아그램입니다. 첫 번째 플롯 902는 예측된 60분 후 CCO의 값을 나타내며, 두 번째 플롯 904는 모델로 예측된 CCO의 실제 값을 나타냅니다. 실제 CCO 값의 박출량 정확성이 약간 저하되지만 CCO 움직임의 추세는 여전히 매우 높은 수준의 정확성으로 예측된다는 것을 위의 플롯에서 분명하게 볼 수 있습니다.

여기에서 소개된 예시 발명 구현은 대부분의 경우 머지 않은 10분, 30분 및 60분 후의 CCO를 정확하게 추정할 수 있었고 예방적 치료를 위해 사전에 환자의 더 나은 예후에 도움이 될 수 있는 CCO의 추세 방향을 정확하게 식별할 수 있었다는 것을 보여줍니다.

여기에서 발명 구현이 다양한 특정 발명 구현으로 설명되지만, 기술 수준이 높은 사람들이 변경을 통해 발명할 것이라는 것은 분명해 보입니다. 그러나 그러한 모든 변경은 청구 범위 내에 있어야 합니다. 또한, 다음 청구항은 여기에서 설명된 발명 구현의 일반 및 특정 기능 모두와 언어적으로 그 사이에 해당되는 발명 구현의 범위에 대한 모든 기술을 포함할 예정이라는 것을 이해해야 합니다.

Claims

환자의 생리학적 상태를 예측하는 방법으로 다음을 포함합니다.
유사한 환자 프로파일의 병력이 있는 다수의 환자를 대상으로 획득된 임상 데이터가 포함된 임상 데이터베이스의 개발, 병력이 있는 다수 환자의 생리학적 데이터, 활력 징후, 인구학적 정보, 치료 전 증상, 치료 및 치료 반응을 포함하는 임상 데이터
선택한 치료 요법에 대해 비슷하게 반응을 보이는 유사한 환자 프로파일에 대한 한 개 이상의 회복 패턴 확인
환자의 생리학적 매개변수에 대한 행동 반응의 학습을 위해 한 개 이상의 회복 패턴 활용
최소한 한 개의 치료 요법에 대해 알려진 증상 및 알려진 반응의 기존 회복 패턴에서 한 개 이상의 유사한 환자 프로파일을 자동으로 분류하는 예측 모델 구축
또한, 청구 1의 방법에는 다음이 포함됩니다.
예측 모델의 입력 데이터로 환자의 현재 생리학적 데이터 제공
사전에 환자의 생리학적 매개변수 예측.
청구 2의 방법에는 생리학적 매개변수에 환자의 연속 심박출량(CCO)이 포함됩니다.
청구 1의 방법에는 인구학적 정보에 환자의 연령, 인종 및 성별이 포함됩니다.
청구 1의 방법에는 생리학적 데이터에 다음이 포함됩니다.
동맥 혈압(수축기, 확장기 및 평균)(AR)
심박수(HR)
중심정맥압(CVP/RA)
폐 동맥 혈압(PA/PAP)
말초 모세 혈관 산소포화도(SpO2)
혼합 정맥 산소포화도(SvO2)
중심 체온(CBT)
연속 전신 혈관 저항(CSVR)
청구 1의 방법에는 추가로 환자의 획득된 임상 데이터의 전처리 수행이 포함되며, 획득된 데이터에서 누락된 데이터 스트림을 확보하기 위해 선형 보간법을 사용하여 획득된 데이터를 귀속시킵니다.
청구 1의 방법에는 입력 데이터 스트림으로부터 패턴을 학습하고 서로 다른 환자들 간에 보이는 유사한 패턴을 식별하기 위해 예측 모델을 조정합니다.
청구 1의 방법에는 정확하게 예측하기 위해 회귀 모델을 사용하여 규칙 모음을 생성하는 회귀 트리를 기반으로 환자의 생리학적 매개변수에 대한 예측의 정확성을 결정하는 것이 추가로 포함됩니다.
청구 8의 방법에는 생리학적 매개변수에 대한 예측의 정확성을 결정하는 데 다음이 포함됩니다.
획득된 임상 데이터를 한 개 이상의 훈련 데이터 세트와 테스팅 데이터 세트로 분할
한 개 이상의 훈련 데이터 세트를 사용한 모델을 기반으로 한 규칙 생성
한 개 이상의 테스팅 데이터 세트에서 생리학적 매개변수의 예측값 추정
실제 획득된 데이터를 사용한 모델을 기반으로 한 규칙의 박출량을 비교하여 매개변수 예측값의 정확성 결정
청구 9의 방법에는 제곱오차 또는 상관관계 메트릭 중 하나를 생리학적 매개변수 예측값의 정확성을 확인하기 위해 수행합니다.
환자의 생리학적 상태를 예측하는 시스템에 다음이 포함됩니다.
연속 데이터 획득 장치는 다음을 위해 구성됩니다.
수술 후 회복기 동안 다수의 환자 모니터링
유사한 환자 프로파일의 병력이 있는 다수의 환자를 대상으로 획득된 임상 데이터가 포함된 임상 데이터베이스의 개발, 병력이 있는 다수 환자의 생리학적 데이터, 활력 징후, 인구학적 정보, 치료 전 증상, 치료 및 치료 반응을 포함하는 임상 데이터
데이터 처리 장치는 다음을 위해 구성됩니다.
선택한 치료 요법에 대해 비슷하게 반응을 보이는 유사한 환자 프로파일에 대한 한 개 이상의 회복 패턴 확인
환자의 생리학적 매개변수에 대한 행동 반응의 학습을 위해 한 개 이상의 회복 패턴 활용
예측 모델 생성기는 다음을 위해 구성됩니다.
최소한 한 개의 치료 요법에 대해 알려진 증상 및 알려진 반응의 기존 회복 패턴에서 한 개 이상의 유사한 환자 프로파일을 자동으로 분류하는 예측 모델 구축
환자의 획득된 생리학적 데이터를 기반으로 사전에 환자의 생리학적 매개변수 예측
청구 11의 시스템에는 생리학적 매개변수에 환자의 연속 심박출량(CCO)이 포함됩니다.
청구 11의 시스템에는 환자의 획득된 임상 데이터의 처리를 위해 데이터 처리 장치가 추가로 조정되며, 획득된 데이터에서 누락된 데이터 스트림을 확보하기 위해 선형 보간법을 사용하여 획득된 데이터를 귀속시킵니다.
청구 11의 시스템에는 실제 획득된 데이터를 사용한 예측 모델의 박출량을 비교하여 매개변수 예측값의 정확성을 결정하기 위해 데이터 처리 장치가 추가로 조정됩니다.
청구 11의 시스템에는 사전에 데이터 처리 장치에서 수신한 환자의 예측된 생리학적 매개변수를 표시하기 위해 조정된 디스플레이 장치가 추가로 포함됩니다.