RU2013126425A - Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации - Google Patents
Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации Download PDFInfo
- Publication number
- RU2013126425A RU2013126425A RU2013126425/08A RU2013126425A RU2013126425A RU 2013126425 A RU2013126425 A RU 2013126425A RU 2013126425/08 A RU2013126425/08 A RU 2013126425/08A RU 2013126425 A RU2013126425 A RU 2013126425A RU 2013126425 A RU2013126425 A RU 2013126425A
- Authority
- RU
- Russia
- Prior art keywords
- outcome
- patient
- physiological
- laboratory data
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims 13
- 201000010099 disease Diseases 0.000 title 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title 1
- 230000015572 biosynthetic process Effects 0.000 claims abstract 3
- 238000012806 monitoring device Methods 0.000 claims abstract 3
- 238000013528 artificial neural network Methods 0.000 claims 2
- 238000003066 decision tree Methods 0.000 claims 2
- 238000012417 linear regression Methods 0.000 claims 2
- 238000000611 regression analysis Methods 0.000 claims 2
- 230000001684 chronic effect Effects 0.000 claims 1
- 229940079593 drug Drugs 0.000 claims 1
- 239000003814 drug Substances 0.000 claims 1
- 239000012530 fluid Substances 0.000 claims 1
- 238000003384 imaging method Methods 0.000 claims 1
- 210000004072 lung Anatomy 0.000 claims 1
- 238000002483 medication Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 claims 1
- 230000036962 time dependent Effects 0.000 claims 1
- 238000009423 ventilation Methods 0.000 claims 1
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
- G16H50/20—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/52—Predicting or monitoring the response to treatment, e.g. for selection of therapy based on assay results in personalised medicine; Prognosis
-
- 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
- G16H50/30—ICT 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
-
- 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)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Child & Adolescent Psychology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
1. Устройство (18) для информации о пациентах, содержащее:контроллер (44), который принимает физиологические и/или лабораторные данные о текущем пациенте от устройства (12) наблюдения за пациентом;блок, который определяет время пребывания, которое показывает, сколько времени текущий пациент получал лечение; иблок (60) прогнозирования, который прогнозирует переменную исхода путем применения алгоритма оценки переменных исхода к физиологическим и/или лабораторным данным текущего пациента, используя определенное время пребывания.2. Устройство по п. 1, в котором переменные исхода включают в себя по меньшей мере одно из: длительности госпитализации, вероятности летального исхода и необходимости вмешательства.3. Устройство по любому из пп. 1 и 2, в котором блок (60) прогнозирования прогнозирует переменную исхода непрерывно в режиме реального времени.4. Устройство по любому из пп. 1 и 2, в котором алгоритм прогнозирования переменной исхода формируется путем:осуществления доступа по меньшей мере к одному из множества полей данных предыдущих пациентов, включающих в себя физиологические и/или лабораторные данные и время пребывания, указывающее, сколько времени каждый пациент получал лечение во время формирования физиологических и/или лабораторных данных, и соответствующие переменные исхода, в клинической базе (52) данных;формирования алгоритма оценки переменных исхода по множеству физиологических и/или лабораторных данных предыдущих пациентов, соответствующему времени пребывания и соответствующим переменным исхода.5. Устройство по любому из пп. 1 и 2, в котором алгоритм оценки переменной исхода формируется с использованием
Claims (15)
1. Устройство (18) для информации о пациентах, содержащее:
контроллер (44), который принимает физиологические и/или лабораторные данные о текущем пациенте от устройства (12) наблюдения за пациентом;
блок, который определяет время пребывания, которое показывает, сколько времени текущий пациент получал лечение; и
блок (60) прогнозирования, который прогнозирует переменную исхода путем применения алгоритма оценки переменных исхода к физиологическим и/или лабораторным данным текущего пациента, используя определенное время пребывания.
2. Устройство по п. 1, в котором переменные исхода включают в себя по меньшей мере одно из: длительности госпитализации, вероятности летального исхода и необходимости вмешательства.
3. Устройство по любому из пп. 1 и 2, в котором блок (60) прогнозирования прогнозирует переменную исхода непрерывно в режиме реального времени.
4. Устройство по любому из пп. 1 и 2, в котором алгоритм прогнозирования переменной исхода формируется путем:
осуществления доступа по меньшей мере к одному из множества полей данных предыдущих пациентов, включающих в себя физиологические и/или лабораторные данные и время пребывания, указывающее, сколько времени каждый пациент получал лечение во время формирования физиологических и/или лабораторных данных, и соответствующие переменные исхода, в клинической базе (52) данных;
формирования алгоритма оценки переменных исхода по множеству физиологических и/или лабораторных данных предыдущих пациентов, соответствующему времени пребывания и соответствующим переменным исхода.
5. Устройство по любому из пп. 1 и 2, в котором алгоритм оценки переменной исхода формируется с использованием по меньшей мере одного из: линейного регрессионного анализа, нелинейного регрессионного анализа, нейронных сетей, метода опорных векторов, радиальных базисных функций, на основании экспертных правил и классификационных деревьев решений.
6. Система наблюдения за пациентом, содержащая:
устройство (18) для информации о пациентах согласно любому из пп. 1-5; и
устройство наблюдения за пациентом, которое собирает физиологические данные от пациента.
7. Способ прогнозирования переменной исхода пациента, причем способ содержит этапы, на которых:
осуществляют доступ по меньшей мере к одному из множества полей данных предыдущих пациентов, включающих в себя физиологические и/или лабораторные данные и время пребывания, указывающее, сколько времени каждый пациент получал лечение во время формирования физиологических и/или лабораторных данных, и соответствующие переменные исхода, в клинической базе (52) данных;
формируют алгоритм оценки переменных исхода по множеству физиологических и/или лабораторных данных предыдущих пациентов, соответствующему времени пребывания и соответствующим переменным
исхода.
8. Способ по п. 7, в котором переменные исхода включают в себя по меньшей мере одно из: длительности госпитализации, вероятности летального исхода и необходимости вмешательства.
9. Способ по любому из пп. 7 и 8, дополнительно включающий в себя этапы, на которых:
принимают физиологические и/или лабораторные данные текущего пациента;
определяют текущее время пребывания на лечении текущего пациента; и
применяют алгоритм оценки переменной исхода к физиологическим и/или лабораторным данным текущего пациента и текущему времени пребывания для оценки вероятности исхода для текущего пациента.
10. Способ по любому пп. 7 и 8, в котором поля данных предыдущих пациентов включают в себя по меньшей мере одно из: одного или более показателей жизненно важных функций, списков проблем с автоматизированным или пользовательским вводом, включающих в себя хронические проблемы, неотложные проблемы при приеме, клинические лабораторные данные, флюидный баланс, лекарства, настройки аппарата искусственной вентиляции легких, субъективные оценки при уходе, результатов исследований с визуализацией, индивидуальных данных пациента и текущего времени пребывания в больнице или отделении интенсивной терапии (ICU).
11. Способ по любому пп. 7 и 8, в котором связанные с предыдущими пациентами переменные исхода включают в себя по меньшей мере одно из: времени пребывания, летального исхода и
необходимости вмешательства.
12. Способ по любому пп. 7 и 8, в котором алгоритм оценки переменной исхода определяют с помощью по меньшей мере одного из: линейного регрессионного анализа, нелинейного регрессионного анализа, нейронных сетей, метода опорных векторов, радиальных базисных функций, на основании экспертных правил или классификационных деревьев решений.
13. Способ по любому пп. 7 и 8, в котором прогнозирование переменной исхода текущего пациента производится непрерывно в режиме реального времени.
14. Машиночитаемый носитель (4 6), содержащий программное обеспечение, которое при загрузке в процессор (62) программирует процессор (62) для выполнения способа по любому из пп. 7-13.
15. Способ прогнозирования вероятности исхода, содержащий этапы, на которых:
измеряют физиологические и/или лабораторные данные для текущего пациента, который проходит лечение в медицинском учреждении;
определяют время пребывания, которое текущий пациент провел, получая лечение в медицинском учреждении;
применяют зависящий от времени пребывания алгоритм прогнозирования результата, используя измеренные физиологические и/или лабораторные данные и определенное время пребывания для прогнозирования вероятности исхода.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US41098410P | 2010-11-08 | 2010-11-08 | |
US61/410,984 | 2010-11-08 | ||
PCT/IB2011/054884 WO2012063166A1 (en) | 2010-11-08 | 2011-11-03 | Method of continuous prediction of patient severity of illness, mortality, and length of stay |
Publications (2)
Publication Number | Publication Date |
---|---|
RU2013126425A true RU2013126425A (ru) | 2014-12-20 |
RU2630122C2 RU2630122C2 (ru) | 2017-09-05 |
Family
ID=45002088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2013126425A RU2630122C2 (ru) | 2010-11-08 | 2011-11-03 | Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации |
Country Status (7)
Country | Link |
---|---|
US (1) | US9569723B2 (ru) |
EP (2) | EP2638489B1 (ru) |
JP (1) | JP6145042B2 (ru) |
CN (1) | CN103201743B (ru) |
BR (1) | BR112013011031A2 (ru) |
RU (1) | RU2630122C2 (ru) |
WO (1) | WO2012063166A1 (ru) |
Families Citing this family (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110320223A1 (en) * | 2010-06-28 | 2011-12-29 | Hartford Fire Insurance Company | System and method for analysis of insurance claims |
US9183710B2 (en) | 2012-08-03 | 2015-11-10 | Novasentis, Inc. | Localized multimodal electromechanical polymer transducers |
US11410777B2 (en) | 2012-11-02 | 2022-08-09 | The University Of Chicago | Patient risk evaluation |
US9164586B2 (en) | 2012-11-21 | 2015-10-20 | Novasentis, Inc. | Haptic system with localized response |
US9053617B2 (en) | 2012-11-21 | 2015-06-09 | Novasentis, Inc. | Systems including electromechanical polymer sensors and actuators |
US10088936B2 (en) | 2013-01-07 | 2018-10-02 | Novasentis, Inc. | Thin profile user interface device and method providing localized haptic response |
WO2014107677A1 (en) | 2013-01-07 | 2014-07-10 | Novasentis, Inc. | Method and localized haptic response system provided on an interior-facing surface of a housing of an electronic device |
CN105007808B (zh) * | 2013-03-12 | 2021-02-02 | 皇家飞利浦有限公司 | 访问持续时间控制系统和方法 |
US10573415B2 (en) | 2014-04-21 | 2020-02-25 | Medtronic, Inc. | System for using patient data combined with database data to predict and report outcomes |
US9652946B2 (en) | 2014-05-02 | 2017-05-16 | Novasentis, Inc. | Hands-free, wearable vibration devices and method |
US20160048654A1 (en) * | 2014-08-12 | 2016-02-18 | Allscripts Software, Llc | Patient observations submission state engine |
WO2016100811A1 (en) * | 2014-12-19 | 2016-06-23 | Neximatic, Inc. | Medical data extraction and management for efficient, secure support of various information systems |
CN104951894B (zh) * | 2015-06-25 | 2018-07-03 | 成都厚立信息技术有限公司 | 医院疾病管理智能分析和评估系统 |
CN105046406A (zh) * | 2015-06-25 | 2015-11-11 | 成都厚立信息技术有限公司 | 住院病人医疗管理质量评估方法 |
WO2017036482A1 (en) * | 2015-08-28 | 2017-03-09 | Aalborg Universitet | A cpn-based tool for the stratification of illness severity in patients suspected of sepsis |
CN105631200B (zh) * | 2015-12-23 | 2018-05-08 | 东软集团股份有限公司 | 预测医技检查时间的方法和装置 |
US10872699B2 (en) | 2016-03-25 | 2020-12-22 | Siemens Healthcare Gmbh | Case-based reasoning in the cloud using deep learning |
US10657547B2 (en) | 2016-03-28 | 2020-05-19 | International Business Machines Corporation | Forecast model calibration |
US20200312429A1 (en) * | 2016-06-22 | 2020-10-01 | The Regents Of The University Of California | Personalized contextualization of patient trajectory |
CN107436993B (zh) * | 2017-05-05 | 2020-08-25 | 陈一昕 | 建立icu患者病情评估模型的方法和服务器 |
CN107391901A (zh) * | 2017-05-05 | 2017-11-24 | 陈昕 | 建立普通病房患者病情评估模型的方法和服务器 |
CN107220491A (zh) * | 2017-05-18 | 2017-09-29 | 湖南明康中锦医疗科技发展有限公司 | 云服务器、提醒的方法及计算机可读存储介质 |
CN107767952A (zh) * | 2017-10-10 | 2018-03-06 | 珠海市领创智能物联网研究院有限公司 | 一种物联网电子智能精准医疗家用监测系统 |
CN107833633A (zh) * | 2017-10-30 | 2018-03-23 | 银江股份有限公司 | 一种高血压病人随访推荐的方法 |
CN107910072A (zh) * | 2017-12-11 | 2018-04-13 | 创业软件股份有限公司 | 用于治未病的医疗数据挖掘过程中均线趋势参数确定方法 |
CN108072618A (zh) * | 2017-12-19 | 2018-05-25 | 中国医学科学院阜外医院 | 一种心梗后死亡风险的预测系统 |
CN108267601B (zh) * | 2018-01-19 | 2019-02-22 | 中国医学科学院阜外医院 | 一种预测心梗后不良事件的系统及试剂盒 |
CA3118189C (en) | 2018-10-29 | 2022-07-26 | 3M Innovative Properties Company | Patient treatment resource utilization predictor |
CN109616218A (zh) * | 2018-12-04 | 2019-04-12 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
JP2022516172A (ja) | 2018-12-31 | 2022-02-24 | テンパス・ラボズ・インコーポレイテッド | 患者コホートの反応、増悪、および生存を予測し解析するための方法およびプロセス |
US11875903B2 (en) | 2018-12-31 | 2024-01-16 | Tempus Labs, Inc. | Method and process for predicting and analyzing patient cohort response, progression, and survival |
CN114223038A (zh) * | 2019-03-01 | 2022-03-22 | 赛诺菲 | 用于估计中间治疗的有效性的方法 |
JP7032344B2 (ja) * | 2019-03-07 | 2022-03-08 | ヤフー株式会社 | 提供装置、提供方法及び提供プログラム |
US20220328187A1 (en) * | 2019-08-09 | 2022-10-13 | Nec Corporation | Condition predicting apparatus, condition predicting method, computer program, and recording medium |
US11925474B2 (en) * | 2019-08-22 | 2024-03-12 | Koninklijke Philips N.V. | Methods and systems for patient baseline estimation |
KR102510992B1 (ko) * | 2020-03-05 | 2023-03-16 | 가톨릭대학교 산학협력단 | 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램 |
KR102310455B1 (ko) * | 2020-03-05 | 2021-10-07 | 가톨릭대학교 산학협력단 | 관상동맥우회술 환자의 최초 중환자실 재실시간과 최초 기도삽관시간을 이용하여 재원기간을 예측하는 방법, 시스템 및 프로그램 |
CN111612278A (zh) * | 2020-06-01 | 2020-09-01 | 戴松世 | 生命状态预测方法、装置、电子设备及存储介质 |
CN112270994B (zh) * | 2020-10-14 | 2021-08-17 | 中国医学科学院阜外医院 | 一种风险预测模型的构建方法、设备、终端及存储介质 |
CN113643757B (zh) * | 2020-12-02 | 2024-04-02 | 广东美格基因科技有限公司 | 一种微生物组学数据交互分析系统 |
CN113393939B (zh) * | 2021-04-26 | 2024-05-28 | 上海米健信息技术有限公司 | 重症监护室患者住院天数预测方法及系统 |
DE102021112270A1 (de) | 2021-05-11 | 2022-11-17 | Markus Vogel | Verfahren zum Bereitstellen von Informationen über einen Patienten und System zum Bereitstellen von Informationen über einen Patienten |
WO2023122837A1 (es) * | 2021-12-28 | 2023-07-06 | Universidad Peruana De Ciencias Aplicadas | Equipo electrónico para la estimación del tiempo de hospitalización de pacientes diagnosticados con enfermedad respiratoria |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5724983A (en) | 1994-08-01 | 1998-03-10 | New England Center Hospitals, Inc. | Continuous monitoring using a predictive instrument |
US6063028A (en) * | 1997-03-20 | 2000-05-16 | Luciano; Joanne Sylvia | Automated treatment selection method |
US20040010481A1 (en) | 2001-12-07 | 2004-01-15 | Whitehead Institute For Biomedical Research | Time-dependent outcome prediction using neural networks |
US6835176B2 (en) | 2003-05-08 | 2004-12-28 | Cerner Innovation, Inc. | Computerized system and method for predicting mortality risk using a lyapunov stability classifier |
WO2006131851A1 (en) * | 2005-06-09 | 2006-12-14 | Koninklijke Philips Electronics, N.V. | Morphograms in different time scales for robust trend analysis in intensive/critical care unit patients |
JP5584413B2 (ja) | 2005-06-22 | 2014-09-03 | コーニンクレッカ フィリップス エヌ ヴェ | 患者監視システム及び監視する方法 |
CN101305373A (zh) | 2005-11-08 | 2008-11-12 | 皇家飞利浦电子股份有限公司 | 使用聚类检测多参数患者监护和临床数据中的危险趋势的方法 |
US7664659B2 (en) * | 2005-12-22 | 2010-02-16 | Cerner Innovation, Inc. | Displaying clinical predicted length of stay of patients for workload balancing in a healthcare environment |
US8979753B2 (en) | 2006-05-31 | 2015-03-17 | University Of Rochester | Identifying risk of a medical event |
CA2666379A1 (en) * | 2006-10-13 | 2008-04-17 | Michael Rothman & Associates | System and method for providing a health score for a patient |
JP2008176473A (ja) | 2007-01-17 | 2008-07-31 | Toshiba Corp | 患者容体変化予測装置、及び患者容体変化管理システム |
CN101743552B (zh) * | 2007-07-13 | 2016-08-10 | 皇家飞利浦电子股份有限公司 | 用于急性动态疾病的决策支持系统 |
US20090112618A1 (en) * | 2007-10-01 | 2009-04-30 | Johnson Christopher D | Systems and methods for viewing biometrical information and dynamically adapting schedule and process interdependencies with clinical process decisioning |
RU72075U1 (ru) * | 2007-11-15 | 2008-03-27 | Сергей Александрович Фурсенко | Устройство для прогностического определения степени индивидуальной предрасположенности человека к различным заболеваниям |
-
2011
- 2011-11-03 EP EP11785490.1A patent/EP2638489B1/en active Active
- 2011-11-03 EP EP20186007.9A patent/EP3779994B1/en active Active
- 2011-11-03 WO PCT/IB2011/054884 patent/WO2012063166A1/en active Application Filing
- 2011-11-03 RU RU2013126425A patent/RU2630122C2/ru not_active IP Right Cessation
- 2011-11-03 JP JP2013537242A patent/JP6145042B2/ja active Active
- 2011-11-03 US US13/883,766 patent/US9569723B2/en active Active
- 2011-11-03 CN CN201180053766.0A patent/CN103201743B/zh active Active
- 2011-11-03 BR BR112013011031A patent/BR112013011031A2/pt not_active Application Discontinuation
Also Published As
Publication number | Publication date |
---|---|
US9569723B2 (en) | 2017-02-14 |
EP3779994B1 (en) | 2023-10-11 |
JP2013545188A (ja) | 2013-12-19 |
RU2630122C2 (ru) | 2017-09-05 |
EP2638489B1 (en) | 2020-10-28 |
CN103201743B (zh) | 2017-07-18 |
WO2012063166A1 (en) | 2012-05-18 |
EP2638489A1 (en) | 2013-09-18 |
JP6145042B2 (ja) | 2017-06-07 |
CN103201743A (zh) | 2013-07-10 |
EP3779994A1 (en) | 2021-02-17 |
BR112013011031A2 (pt) | 2016-09-13 |
US20130232103A1 (en) | 2013-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2013126425A (ru) | Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации | |
Coppler et al. | Validation of the Pittsburgh Cardiac Arrest Category illness severity score | |
KR102129730B1 (ko) | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 | |
JP2016519807A (ja) | 自己進化型予測モデル | |
US20150332012A1 (en) | Patient risk evaluation | |
JP2008546117A5 (ru) | ||
KR101261177B1 (ko) | 임상 의사결정 지원 시스템 및 방법 | |
US20160070880A1 (en) | Method and system for predicting continous cardiac output (cco) of a patient based on physiological data | |
CN112690777B (zh) | 一种基于状态转换动态脑网络算法的神经障碍诊断系统 | |
US11580432B2 (en) | System monitor and method of system monitoring to predict a future state of a system | |
JP6706627B2 (ja) | 集中治療室における臨床値の自動化された分析及びリスク通知のためのシステム | |
KR20140107714A (ko) | 건강 관리 시스템 및 그것의 건강 정보 제공 방법 | |
RU2013140670A (ru) | Клиническая система поддержки принятия решений для прогнозирующего планирования выписки | |
JP2017508527A (ja) | 警報再生を用いる警報コンサルティングに関する警報設定の最適化 | |
Ruan et al. | Real-time risk prediction of colorectal surgery-related post-surgical complications using GRU-D model | |
CA3160255A1 (en) | A method for determining a risk score for a patient | |
KR102541362B1 (ko) | 인공 지능을 이용한 혈액 투석 중 저혈압 예측 장치 및 그 방법 | |
Dogaru et al. | Big Data and Machine Learning Framework in Healthcare | |
EP4315008A1 (en) | Improved health management through causal relationship based feedback on behavior and health metrics captured by iot | |
Khan et al. | Framework to Predict Bipolar Episodes: Sensor Fusion of Electrodermal Activity Heart Rate Variability Sleep Patterns | |
Elkhovskaya et al. | Personalized Assistance for Patients with Chronic Diseases Through Multi-Level Distributed Healthcare Process Assessment. | |
CN117672495B (zh) | 基于人工智能的房颤合并冠心病患者远期死亡率预测方法 | |
Hafizhah et al. | Prediction Model of Mortality with Respiratory Rate, Oxygen Saturation and Heart Rate using Logistic Regression | |
US20170323058A1 (en) | Method and system for predicting continous cardiac output (cco) of a patient based on physiological data | |
KR20160039770A (ko) | 빅데이터 기반 실시간 위험도 모니터링 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20201104 |