RU2679572C1 - Система поддержки принятия клинических решений на основе принятия решений по сортировке пациентов - Google Patents
Система поддержки принятия клинических решений на основе принятия решений по сортировке пациентов Download PDFInfo
- Publication number
- RU2679572C1 RU2679572C1 RU2016123429A RU2016123429A RU2679572C1 RU 2679572 C1 RU2679572 C1 RU 2679572C1 RU 2016123429 A RU2016123429 A RU 2016123429A RU 2016123429 A RU2016123429 A RU 2016123429A RU 2679572 C1 RU2679572 C1 RU 2679572C1
- Authority
- RU
- Russia
- Prior art keywords
- patient
- severity
- data
- physiological parameters
- probability
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000009471 action Effects 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 230000001105 regulatory effect Effects 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 5
- 230000000007 visual effect Effects 0.000 claims abstract description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 21
- 229910052760 oxygen Inorganic materials 0.000 claims description 21
- 239000001301 oxygen Substances 0.000 claims description 21
- 239000008280 blood Substances 0.000 claims description 18
- 210000004369 blood Anatomy 0.000 claims description 18
- 230000007170 pathology Effects 0.000 claims description 17
- 238000011282 treatment Methods 0.000 claims description 17
- 206010010356 Congenital anomaly Diseases 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 8
- 238000002604 ultrasonography Methods 0.000 claims description 8
- 230000006866 deterioration Effects 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 7
- 210000000056 organ Anatomy 0.000 claims description 6
- 238000012285 ultrasound imaging Methods 0.000 claims description 6
- 210000004072 lung Anatomy 0.000 claims description 4
- 230000017531 blood circulation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 239000003814 drug Substances 0.000 abstract description 3
- 239000000126 substance Substances 0.000 abstract 1
- 208000002330 Congenital Heart Defects Diseases 0.000 description 19
- 208000028831 congenital heart disease Diseases 0.000 description 14
- 230000000747 cardiac effect Effects 0.000 description 11
- 238000012806 monitoring device Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000003862 health status Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000001154 acute effect Effects 0.000 description 3
- 230000002730 additional effect Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000002427 irreversible effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002106 pulse oximetry Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 208000030090 Acute Disease Diseases 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 206010011703 Cyanosis Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 210000002376 aorta thoracic Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000001990 intravenous administration Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000006179 Aortic Coarctation Diseases 0.000 description 1
- 206010009807 Coarctation of the aorta Diseases 0.000 description 1
- 201000006660 Ebstein Anomaly Diseases 0.000 description 1
- 208000035211 Heart Murmurs Diseases 0.000 description 1
- 201000005503 Hypoplastic left heart syndrome Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000004605 Persistent Truncus Arteriosus Diseases 0.000 description 1
- 208000008640 Pulmonary Atresia Diseases 0.000 description 1
- 229910003798 SPO2 Inorganic materials 0.000 description 1
- 101100478210 Schizosaccharomyces pombe (strain 972 / ATCC 24843) spo2 gene Proteins 0.000 description 1
- 208000037258 Truncus arteriosus Diseases 0.000 description 1
- 206010045545 Univentricular heart Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003872 anastomosis Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000005831 heart abnormality Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 238000012432 intermediate storage Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011328 necessary treatment Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 210000003492 pulmonary vein Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 208000007340 tricuspid atresia Diseases 0.000 description 1
- 210000000591 tricuspid valve Anatomy 0.000 description 1
Images
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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, 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
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H40/00—ICT 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
- G16H40/20—ICT 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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/04—Babies, e.g. for SIDS detection
- A61B2503/045—Newborns, e.g. premature baby monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30048—Heart; Cardiac
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
- G06T2207/30104—Vascular flow; Blood flow; Perfusion
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Radiology & Medical Imaging (AREA)
- Cardiology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Optics & Photonics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pulmonology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
Группа изобретений относится к медицине, а именно к системе поддержки принятия клинических решений на основе принятия решений по сортировке пациентов. Система поддержки принятия клинических решений, содержащая машиночитаемый носитель данных для поддержки принятия клинических решений, закодированный машиночитаемыми командами для выполнения способа, причем система содержит вычислительную систему, которая включает в себя: по меньшей мере один вычислительный процессор; средства ввода/вывода и машиночитаемый носитель данных, закодированный модулем сортировки пациентов, при этом средства ввода/вывода выполнены с возможностью приема электрического сигнала, который включает в себя набор по меньшей мере двух измеренных физиологических параметров пациента, причем измерения одного и того же физиологического показателя выполнены в разных местах тела пациента; и по меньшей мере один вычислительный процессор выполнен с возможностью выполнения команд модуля сортировки пациентов, которые включают: сравнение указанных по меньшей мере двух физиологических параметров с заданным диапазоном физиологических параметров на основании выходных нормативов датчика, которые имеют электронный формат; идентификацию данных, необходимых для определения вероятности и исследуемой степени тяжести пациента исходя из нормативных данных, в результате определения того, что указанные по меньшей мере два физиологических параметра не соответствуют диапазону физиологических параметров; получение указанных идентифицированных данных в электронном формате; определение вероятности и степени тяжести исследуемого состояния пациента исходя из принятых идентифицируемых данных; определение рекомендуемого порядка действий для пациента, исходя из полученных вероятности, степени тяжести ресурсов медицинского учреждения и нормативных событий; и вывод на экран дисплея визуального представления вероятности, степени тяжести и рекомендуемого порядка действий. Группа изобретений обеспечивает облегчение выполнения раннего обнаружения, сортировки пациентов и вмешательства при определенных исследуемых состояниях пациента. 3 н.п. флы., 12 з.п. ф-лы. 4 илл.
Description
Данное изобретение в целом относится к системе поддержки принятия клинических решений (ППКР) и более конкретно – к системе ППКР, которая определяет вероятность и степень тяжести исследуемого состояния или исследуемой патологии пациента и, исходя из них, рекомендуемое лечение.
Обнаружение некоторых редких клинических состояний может быть затруднительным, и определение степени тяжести состояния пациента для некоторых врачей может оказаться слишком сложным. Во многих ситуациях оценка степени тяжести пациента является критической для определения того, может ли пациент получить надлежащую медицинскую помощь, используя имеющиеся медицинские средства, или его необходимо перевести в медицинское учреждение, позволяющее предоставить услуги, которые обычно требуются для пациентов, находящихся в состоянии с такой степенью тяжести. Примерами такого состояния являются врожденные пороки сердца у новорожденного, которые могут угрожать его жизни в первые часы и дни после рождения.
Для некоторых врожденных сердечных патологий требуется относительно оперативная стабилизация и вмешательство для предотвращения летального исхода. Другие врожденные сердечные патологии могут присутствовать в раннем неонатальном периоде с трудноуловимыми симптомами или без очевидных симптомов. Пациентов с такими патологиями часто выписывают домой как «нормальных», и там их состояние ухудшается. Выживание таких пациентов зависит от быстрого установления диагноза, установления очередности оказания помощи или сортировки пациентов (triage), реанимации и оперативного вмешательства. Во многих случаях у пациентов, у которых поздно проявились симптомы врожденных нарушений сердца, наступают глубокие и необратимые повреждения или летальный исход вследствие позднего вмешательства.
В методических рекомендациях по скринингу новорожденных делается попытка улучшить с помощью пульсоксиметрии выявление таких врожденных патологий сердца до того, как ребенка выпишут из палаты новорожденных. Пульсоксиметрия может выявлять некоторые критические врожденные заболевания сердца, такие как синдром гипоплазии левых отделов сердца, атрезия легочной артерии с интактной перегородкой, тетрада Фалло, полное аномальное впадение легочных вен, транспозиция больших сосудов, атрезия трехстворчатого клапана и общий артериального ствол. Такие критические врожденные заболевания сердца (КВЗС) представляют собой неограничивающие примеры врожденных патологий сердца.
К сожалению, пульсоксиметрия не может так же надежно выявлять другие КВЗС, такие как атрезия или гипоплазия дуги аорты, прерванная дуга аорты, коарктация аорты, двойное отхождение сосудов от правого желудочка, аномалия Эбштейна, стеноз легочной артерии, дефект предсердно-желудочковой перегородки, дефект межжелудочковой перегородки или дефекты единого желудочка (отличающиеся от синдрома гипоплазии левых отделов сердца и атрезии трехстворчатого клапана), и для младенцев с такими заболеваниями достигался бы положительный результат при их раннем обнаружении, сортировке пациентов и вмешательстве.
В WO 2013/103885 Al описаны автоматизированные системы и процессы диспансеризации критических врожденных заболеваний сердца («КВЗС»). Лицо, осуществляющее уход, может иметь инструкции использовать одинарный или двойной датчик пульсоксиметра для выполнения до и после дуктального измерения насыщения крови кислородом. Погрешность измерений указывает на возможное наличие или отсутствие КВЗС. Ошибки измерений уменьшаются с помощью изменяемого доверительного предела измерений, основанного, например, на индексе перфузии. Данные измерений могут храниться и извлекаться из удаленного центра обработки данных для проведения повторной диспансеризации.
В WO 2008/005480 A1 раскрыты устройство и способ диспансеризации больных с врожденными заболеваниями сердца. Раскрытое устройство включает главный блок обработки и прекордиальную накладку, соединенную с главным блоком обработки, где прекордиальная накладка имеет множество датчиков для регистрации сердечных тонов и сердечных электрических сигналов (ЭКГ). Указанное устройство также включает зонд, соединенный с главным блоком обработки, где указанный зонд имеет датчик для определения насыщения кислородом крови, циркулирующей по организму человека. Раскрытый способ включает одновременные измерения и анализ сердечных тонов, сердечных электрических сигналов (ЭКГ) и насыщения кислородом крови, циркулирующей по организму человека. Указанный способ также включает выполнение алгоритма определения наличия серьезного врожденного заболевания сердца и отображение руководящих рекомендаций на основе результатов выполненного алгоритма.
В US 2008/0071155 A1 раскрыто устройство мониторинга врожденных заболеваний сердца. В устройстве мониторинга используется датчик, который может испускать в некоторую точку ткани световое излучение на нескольких длинах волн оптического диапазона и регистрировать это оптическое излучение после его ослабления пульсирующим потоком крови внутри ткани. Устройство мониторинга больного способно принимать сигналы датчика, соответствующие зарегистрированному оптическому излучению, и, исходя из этого, подсчитывать по меньшей мере один физиологический показатель. Физиологический показатель измеряется в опорной точке и в точке сравнения, и затем подсчитывается разница между этими измерениями. Потенциальное состояние врожденного заболевания сердца указывается в соответствии с измеренным физиологическим показателем в каждой из точек, или подсчитывается разница измеренных физиологических показателей между точками или для обеих точек.
В WO 2004/061744 A2 описана методика повышения эффективности выполняемого с помощью компьютера алгоритма работы с данными. Данные из контролируемого и предписанного ресурса медицинских данных вызываются и анализируются в соответствии с заданным рабочим алгоритмом. Затем алгоритм работы, будь то тот же самый или другой алгоритм, модифицируется исходя из анализа. Этот алгоритм может работать с данными от разных типов ресурсов и способов воздействия. Могут быть выполнены изменения, которые влияют на разные подмодули модифицированных алгоритмов. Изменения могут быть выполнены на глобальном уровне, на уровне населения, на уровне конкретного больного и т.д.
Аспекты, описанные в данном документе, относятся к указанным выше проблемам и другие проблемам.
Ниже описан подход, который облегчает выполнение раннего обнаружения, сортировки пациентов и вмешательства при определенных исследуемых состояниях пациента. В одном примере начальные физиологические параметров оценены исходя из «нормального» диапазона нормативных параметров. Если физиологические параметры выходят за пределы этого диапазона, выполняется сбор дополнительных данных. Вероятность и степень тяжести исследуемого состояния пациента определяются исходя по меньшей мере из полученных дополнительных данных. Рекомендуемая медицинская помощь определяется исходя из такой вероятности и степени тяжести и нормативных значений события. В одном примере рекомендуется транспортировка пациента для оказания медицинской помощи или перевод в другое медицинское учреждение для оказания помощи. Еще в одном варианте рекомендуемая медицинская помощь включает предложения по медицинской помощи, которые могут смягчить последствия ухудшения состояния здоровья пациента в данном медицинском учреждении. Еще в одном варианте рекомендуемая медицинская помощь предусматривает управление работой электрического устройства, связанного с уходом за пациентом.
В одном аспекте способ включает прием электрического сигнала, который включает набор по меньшей мере двух физиологических параметров пациента. Данный способ также включает сравнение по меньшей мере двух физиологических параметров с заданным диапазоном физиологических параметров. Такой диапазон берется из выходных нормативных значений датчика в электронном формате. Указанный способ также включает идентификацию данных, необходимых для определения вероятности и степени тяжести исследуемого состояния пациента исходя из нормативных значений данных. Это происходит в ответ на установление по меньшей мере двух физиологических параметров, которые не соответствуют диапазону физиологических параметров. Данный способ также включает получение идентифицированных данных в электронном формате. Данный способ также включает определение вероятности и степени тяжести состояния пациента исходя из полученных идентифицированных данных. Данный способ также включает определение рекомендуемого порядка действий для пациента исходя из вероятности и степени тяжести, ресурсов медицинского учреждения и нормативных событий. Данный способ также включает вывод на экран дисплея визуального представления первой вероятности и первой степени тяжести и рекомендуемого порядка действий.
В другом аспекте система включает в себя вычислительную систему по меньшей мере с одним вычислительным процессором, средствами ввода/вывода и машиночитаемым носителем данных, закодированным с помощью модуля сортировки пациентов. Средства ввода/вывода выполнены с возможностью приема электрического сигнала, который включает в себя набор из по меньшей мере двух физиологических параметров пациента. По меньшей мере один вычислительный процессор выполнен с возможностью выполнения команд модуля сортировки пациентов, которые включают: сравнение указанных по меньшей мере двух физиологических параметров с заданным диапазоном физиологических параметров на основании выходных нормативов датчика, которые имеют электронных формат; идентификацию данных, необходимых для определения вероятности и исследуемой степени тяжести пациента исходя из нормативных данных, в ответ на установление того, что указанные по меньшей мере два физиологических параметра не соответствуют диапазону физиологических параметров; получение идентифицированных данных в электронном формате; определение вероятности и степени тяжести исследуемых состояний исходя из принятых идентифицированных данных; и определение рекомендуемый порядок действий для пациента исходя из вероятности и степени тяжести, ресурсов медицинского учреждения и нормативных событий; и выводит на экран дисплея визуального представления вероятности и степени тяжести и рекомендуемого порядка действий.
В другом аспекте предложен машиночитаемый носитель данных, закодированный машиночитаемыми командами, которые при выполнении их процессором предписывают процессору:
прием электрического сигнала, который включает в себя набор по меньшей мере двух физиологических параметров пациента;
сравнивать разницу значений по меньшей мере двух физиологических параметров с заданным диапазоном физиологических параметров на основании выходных нормативов датчика, при этом по меньшей мере два физиологических параметра соответствуют уровням концентрации кислорода в крови, измеренным, соответственно, на правой ступне пациента и левой руке пациента,
идентифицировать процедуру ультразвукового отображения для сбора данных с целью определения вероятности и степени тяжести исследуемого состояния пациента в ответ на определение разницы значений, которая выходит за пределы диапазона физиологических параметров,
получать данные изображения от сканирования исходя из идентифицированной процедуры ультразвукового отображения,
определять вероятность и степень тяжести исследуемого состояния исходя из полученных данных изображения,
идентифицировать другие данные, пригодные для увеличения, точности определения вероятности и степени тяжести,
обновлять вероятность и степень тяжести после получения по меньшей мере поднабора идентифицированных других данных,
определять рекомендуемый порядок действий для пациента исходя из обновленной вероятности, обновленной степени тяжести, ресурсов лечебного учреждения и нормативных событий, и
визуально представлять обновленную вероятность, обновленную степень тяжести и рекомендуемый порядок действий.
Данное изобретение может принимать разную форму при использовании разных компонентов и компоновок компонентов, а также при использовании разных этапов и последовательностей этапов. Чертежи представлены только с целью иллюстрации предпочтительных вариантов реализации данного изобретения и не должны рассматриваться как ограничивающие данное изобретение.
ФИГУРА 1 схематически иллюстрирует систему поддержки принятия клинических решений с модулем сортировки пациентов.
ФИГУРА 2 схематически иллюстрирует пример общего модуля сортировки пациентов.
ФИГУРА 3 схематически иллюстрирует пример модуля сортировки пациентов применительно к врожденному заболеванию сердца новорожденного.
ФИГУРА 4 иллюстрирует способ облегчения раннего обнаружения, сортировки пациентов и вмешательства при определенных состояниях пациента.
На ФИГУРЕ 1 схематически показана система 100 поддержки принятия клинических решений (ППКР). Система 100 ППКР реализована с помощью вычислительной системы 102. Примеры вычислительной системы 102 включают, в частности, автономный или специализированный компьютер, прибор для контроля физиологических показателей, систему создания изображения и т.д. В одном из вариантов система 100 ППКР является частью локальной или «облачной» вычислительной среды, в которой алгоритмы обработки данных поддерживаются и усовершенствуются, например, посредством самообучения или на основе библиотек данных, в которые вносятся заключения опытных врачей, включая клинические диагнозы и данные о результатах лечения.
Проиллюстрированная вычислительная система 102 включает один или более процессоров 104 (например, центральный процессор (ЦП), микропроцессор (μ-процессор), контроллер и т.д.) и машиночитаемый носитель 106 данных (который не включает промежуточный носитель), такой как физическая память с закодированными или вшитыми машиночитаемыми командами. Когда такие команды выполняются одним или более процессорами 104, они предписывают одному или более процессорам 104 выполнять некоторые функции, такие как одна или более функций, описанных в данном документе, и/или другие функции.
В дополнительном или альтернативном варианте реализации один или более процессоров 104 выполняют команды, которые содержатся на промежуточном носителе, таком как волна на рабочей или несущей частоте. На ФИГУРЕ 1 машиночитаемый носитель 106 данных показан как отдельный элемент.Однако следует понимать, что машиночитаемый носитель 106 данных может включать в себя множество отдельных устройств хранения данных. Такие отдельные устройства хранения данных включают в себя устройства хранения данных, локально установленные в вычислительной системе 102, устройства хранения данных, установленные за пределами вычислительной системы 102, и устройства хранения данных, распределенные между вычислительной системой 102 и внешним устройством(ами).
Средства 108 ввода/вывода получают информацию от одного или более входных устройств 110 (например, с клавиатуры, мышки и т.д.) и/или передают информацию на одно или более выходных устройств 112 (например, на экранный монитор, принтер и т.д.). Средства 108 ввода/вывода также выполнены с возможностью обмена данными (в электронном формате) с одним или более другими вычислительными устройствами 114 и/или одним или более архивами 116 данных. Если средства 108 ввода/вывода выполнены таким образом, они включают в себя один или более физико-механических интерфейсов и/или беспроводных интерфейсов для обмена данными. Например, средства 108 ввода/вывода могут включать в себя разъем RJ-45, который электрически соединяется с разъемом кабеля сети Ethernet для обмена данными по проводной и беспроводной сетям, с приемопередатчиком для обмена данными по беспроводной сети и т.д. Примеры обмениваемых данных включают демографические данные, физиологические параметры, данные в виде изображений, результаты лабораторных исследований, отчеты врачей, результаты обследования, истории болезней и т.д. Такими данными можно обмениваться по проводным и/или беспроводным сетям.
Примеры вычислительных устройств 114 включают в себя, в частности, внутривенный насос, регулятор подачи кислорода, аппарат искусственной вентиляции легких, электрокардиограф, коммуникационное устройство (например, смартфон, пейджер и т.д.), пункт наблюдения (например, прикроватный, центральный и т.д.), компьютер и т.д. Примеры архивов 116 данных включают в себя систему архивации и передачи изображений (PACS), рентгенологическую информационную систему (РИС), больничную информационную систему (HIS), электронную медицинскую карту (ЭМК), базу данных, сервер, систему создания изображений, компьютер и/или другой архив данных. Данные могут передаваться из вычислительного устройства 114 и/или архива 116 данных в таких форматах, как формирование цифровых изображений и обмен ими в медицине (DICOM), Health Level 7 (HL7) и/или другие форматы.
Средства 108 ввода/вывода также могут быть выполнены с возможностью обмена такой информацией, как извещения, сообщения, предупреждающие сообщения и т.д., с выходным устройством выходных устройств 112 и/или с вычислительным устройством вычислительных устройств 114. Такой обмен информацией может осуществляться с помощью сообщений по электронной почте, СМС-сообщений, мгновенных сообщений, звонков по мобильному телефону, страниц пейджера и т.д.
Проиллюстрированный машиночитаемый носитель 106 данных хранит программные приложения, модули программного обеспечения и/или данные. В проиллюстрированном примере машиночитаемый носитель 106 данных хранит по меньшей мере модуль 118 сортировки пациентов, который обрабатывает данные, полученные от средств 108 ввода/вывода. Как будет более подробно описано ниже, в одном неограничивающем примере один или более процессоров 104 в ответ на выполнение команд модулем 118 сортировки пациентов оценивают информацию о состоянии здоровья пациента и, исходя из этой оценки, дают рекомендацию о том, следует ли переводить пациента для лечения в другое лечебное учреждение.
В одном примере состояние здоровья пациента определяется путем подсчета вероятности и степени тяжести каждого из одного или более исследуемых состояний. Пример подсчета таких параметров описан в заявке №12/810 021, номер публикации US 2010/0312798 A1, которая была зарегистрирована 8 декабря 2008 года, озаглавлена "Retrieval of similar patient cases based on disease probability vectors" (Отыскание схожих случаев с пациентами исходя из векторов вероятности заболеваний) и полностью включена в данный документ посредством ссылки. В заявке №12/810 021 в целом раскрыт алгоритм, который подсчитывает вероятность и степень тяжести определенного состояния и уточняет вероятность и степень тяжести исходя из новых данных.
В дополнение к рекомендации о том, следует ли переводить пациента для лечения в другое лечебное учреждение, один или более процессоров 104 в ответ на выполнение команд модулем 118 сортировки пациентов могут дополнительно предоставлять рекомендации по лечению пациента, которые потенциально могут замедлить ухудшение состояния здоровья пациента в данном лечебном учреждении. Модуль 118 сортировки пациентов может также управлять работой электронного устройства, другого вычислительного устройства или устройств 114, имеющих отношение к лечению пациента. Модуль 118 сортировки пациентов может также рекомендовать данные других типов для получения и выполнения оценки. Указанные один или более процессоров 104 в ответ на выполнение команд модулем 118 сортировки пациентов могут также выполнять одну или более других функций.
Следует понимать, что вероятность, степень тяжести и указанные рекомендации облегчают, например, раннее распознавание трудно выявляемых острых заболеваний, таких как острые врожденные патологии сердца у новорожденных, и помогают применить для такого новорожденного надлежащее лечение. Это может помочь стабилизировать состояние новорожденного, замедлить ухудшение его состояния, увеличить вероятность выживания новорожденного и уменьшить вероятность необратимых повреждений и летального исхода. Определение вероятности и степени тяжести и рекомендации также облегчают раннее распознавание других острых и/или хронических заболеваний, выявление которых также может быть затруднено, и предоставляют преимущества раннего распознавания и надлежащего лечения.
ФИГУРА 2 схематически иллюстрирует неограничивающий пример модуля 118 сортировки пациентов. В этом примере модуль 118 сортировки пациентов определяет вероятность и степень тяжести состояния пациента 200 и, исходя из этого, предоставляет рекомендуемый курс лечения для этого пациента.
Один или более физиологических датчиков 202 регистрируют физиологические сигналы пациента. Указанные один или более физиологических датчиков 202 включают в себя по меньшей мере один набор датчиков, осуществляющего мониторинг физиологического показателя, который активирует модуль 118 сортировки пациентов для определения вероятности и степени тяжести состояния пациента и предоставления рекомендаций.
Блок 204 оценки оценивает выходные сигналы по меньшей мере одного набора датчиков. В одном примере это включает сравнение выходных сигналов с заданными выходными нормативными значениями 206 для датчика, которые отображают «диапазон нормальных значений». Это включает, например, сравнение разницы между двумя измерениями датчика одного и того же физиологического показателя, но выполненных в разных местах тела пациента, с нормативными значениями 206.
Используемый в данном документе термин «диапазон нормальных значений» является диапазоном значений, который рассматривается врачами, медицинскими учреждениями и медицинским сообществом как отсутствие состояния болезни. «Диапазон нормальных значений» является программируемым и может быть изменен, если врачи, медицинские учреждения и медицинское сообщество примут другой диапазон в качестве «диапазона нормальных значений» или модифицируют текущий «диапазон нормальных значений».
Логическая схема 208 принимает выходные данные блока 204 оценки и определяет, активировать ли другие компоненты модуля 118 сортировки пациентов для определения вероятности и степени тяжести состояния пациента. Например, если выходные сигналы находятся в пределах «диапазона нормальных значений», логическая схема 208 не будет активировать другие компоненты модуля 118 сортировки пациентов. Вместо этого, в одном примере логическая схема 208 показывает сообщение (в пригодном для чтения человеком формате) с помощью устройства 210 отображения выходных устройств 112, указывающее на нахождение выходных сигналов в «диапазоне нормальных значений».
Это может включать отображение численного значения, показывающего разницу между двумя измерениями датчика относительно «диапазона нормальных значений», текстовое сообщение, указывающее на отсутствие состояния болезни, знаки с цветовой индикацией отсутствия или наличия состояния болезни и т.д. Однако, если выходные сигналы находятся за пределами «диапазона нормальных значений», логическая схема 208 активирует другие компоненты модуля 118 сортировки пациентов для определения вероятности и степени тяжести состояния пациента.
Идентификатор 212 недостающих данных после активации определяет, какие данные необходимы для подсчета вероятности и степени тяжести состояния пациента. В проиллюстрированном примере идентификатор 212 недостающих данных сравнивает имеющиеся данные с заданным перечнем данных в нормативных значениях 214 для определения недостающих данных. Идентификатор 212 недостающих данных показывает сообщение (в удобочитаемом формате) с помощью устройства 210 отображения выходных устройств 112, указывающее на недостающие данные и/или предлагающее конкретную процедуру сбора недостающих данных.
Посредством этого примера в одном случае идентификатор 212 недостающих данных идентифицирует данные изображения с устройства 216 формирования изображения как недостающие данные или данные, необходимые для подсчета вероятности и степени тяжести состояния пациента. В этом случае идентификатор 212 недостающих данных передает в устройство 210 отображения сигнал, который визуально отображает сообщение, показывающее, какие контекстные данные и данные изображения необходимы, и/или предлагает конкретный тип или процедуру формирования изображения для получения определенных данных изображения.
После определения вероятности и степени тяжести состояния пациента идентификатор 212 недостающих данных идентифицирует другие или дополнительные данные, которые могут улучшить точность определения вероятности и степени тяжести состояния пациента, которая будет использоваться для уточнения или подсчета другой вероятности и степени тяжести. В проиллюстрированном примере указанные другие данные включают в себя, помимо прочего, данные от других датчиков, другие данные изображения, демографические данные, данные наблюдений, клинические данные и/или другие данные.
Аналогично этому, идентификатор 212 недостающих данных показывает сообщение с помощью устройства 210 отображения, указывающее на дополнительные недостающие данные и/или предлагающее конкретную процедуру получения недостающих данных. Сигнал, запрашивающий исходные недостающие данные и дополнительные недостающие данные, может также быть передан в службу 218 сообщений выходных устройств 112, которая, например, может передать сообщение с этой информацией по электронной почте, в виде текстового сообщения, мгновенного сообщения, звонка по мобильному телефону, страницы пейджера, извещения с центрального поста и т.д.
Определитель 220 вероятности и степени тяжести определяет вероятность и степень тяжести состояния исходя из имеющейся в данный момент информации. После получения любых дополнительных недостающих данных определитель 220 вероятности и степени тяжести определяет обновленные вероятность и степень тяжести состояния. Определенные вероятность и степень тяжести отображаются с помощью устройства 210 отображения. Кроме того, служба 218 сообщений может дополнительно использоваться для передачи данных о вероятности и степени тяжести в конкретные устройства. После получения других или дополнительных недостающих данных определитель 220 вероятности и степени тяжести генерирует сигнал, отображающий обновленные и самые последние вероятность и степень тяжести.
Блок 222 рекомендации действия обрабатывает вероятность и степень тяжести с использованием ресурсов медицинского учреждения и заданных нормативных событий 224 и генерирует выходной сигнал, который включает рекомендуемое действие для пациента. Таким действием является, например, рекомендуемый перевод пациента в другое медицинское учреждение, оборудование которого позволяет обеспечить все необходимое лечение, соответствующее вероятности и степени тяжести состояния пациента.
Такое действие также предлагает, например, медицинскую помощь, которая должна быть обеспечена в этом лечебном учреждении для смягчения последствий ухудшения состояния здоровья пациента. Если данное медицинское учреждение может предоставить рекомендуемую медицинскую помощь, тогда такая рекомендация визуально отображается и/или предоставляется персоналом данного лечебного учреждения. Аналогично вероятности и степени тяжести состояния, рекомендуемое действие может отображаться с помощью устройства 222 отображения или передаваться в службу 224 сообщений.
Такое действие может также включать управляющий сигнал, который управляет работой одного или более медицинских устройств 226 других вычислительных устройств 114. Например, указанное действие может включать в себя управляющий сигнал, который включает функцию мониторинга устройства, контролирующего состояние пациента, активирует сигнал тревоги прикроватного устройства мониторинга или устройства мониторинга центрального поста, регулирует скорость потока инфузионного (например, внутривенного) насоса, корректирует параметры регулятора системы подачи кислорода и т.д. В общем случае, указанное включает управляющий сигнал, который управляет работой электрического устройства, связанного с предоставлением пациенту медицинской помощи.
ФИГУРА 3 схематически иллюстрирует неограничивающий пример модуля 118 сортировки пациентов применительно к конкретному состоянию пациента. В этом примере модуль 118 сортировки пациентов включает команды для облегчения обнаружения врожденных патологий сердца у новорожденных, сортировки пациентов и принятия решений, например, по переводу новорожденного в лечебное учреждение, лучше оборудованное для лечения врожденных патологий сердца. Для краткости и ясности изложения другие конкретные примеры в данном документе не рассмотрены подробно.
В проиллюстрированном примере средства 108 ввода/вывода вычислительной системы 102 принимают сигналы содержания кислорода в крови соответственно по меньшей мере от двух датчиков 302 кислорода в крови (Sp02). В этом примере первый или один из по меньшей мере двух датчиков 302 Sp02 расположен на правой стопе субъекта, а второй или другой из по меньшей мере двух датчиков 302 Sp02 расположен на левой руке субъекта. По меньшей мере два датчика 302 Sp02 одновременно измеряют содержание кислорода в крови для одного и того же набора сердечных циклов, например, для всех сердечных циклов или для поднабора сердечных циклов.
Проиллюстрированные по меньшей мере два датчика 302 Sp02 являются, например, частью пульсоксиметра, который косвенно контролирует насыщение крови субъектакислородом и изменяет объем крови в коже для получения фотоплетизмограммы. В варианте реализации указанное насыщение кислорода измеряется, например, непосредственно в пробе крови. В другом варианте реализации используется комбинация прямых и непрямых измерений с помощью пульсоксиметра, проб крови и/или другого подхода к измерениям насыщения крови кислородом.
Устройство 304 мониторинга Sp02 обрабатывает сигналы с по меньшей мере двух датчиков 302 Sp02. Такая обработка включает, например, предварительную обработку сигналов для улучшения их качества. Устройство 304 мониторинга Sp02 определяет и выводит разницу между предварительно обработанными измеренными значениями содержания кислорода в крови (или между значениями Sp02 до и после). В общем случае такая разница показывает, проходит ли кровь через легкие и насыщается кислородом или проходит в обход и не насыщается кислородом. Устройство 304 мониторинга также измеряет другие величины, например время восстановления пульса.
Проиллюстрированный модуль 118 сортировки пациентов включает блок 306 оценки Sp02 до и после, который получает и оценивает значение Sp02 до и после. В проиллюстрированном варианте реализации данного изобретения блок 306 оценки Sp02 до и после оценивает значение Sp02 до и после исходя из заданных нормативных значений Sp02 до и после, которые отображают «диапазон нормальных значений» Sp02 до и после, принятый медицинским сообществом в качестве индикатора отсутствия врожденной патологии сердца, наличие которого приведет к необходимости перевода новорожденного в другое медицинское учреждение.
Исходя из сигнала блока 306 оценки логическая схема указывает, что дополнительное действие не требуется (например, когда сигнал указывает, что значение Sp02 до и после лежит в пределах «диапазона нормальных значений») или вызывает дополнительное действие (например, когда сигнал указывает, что значение Sp02 до и после лежит за пределами «диапазона нормальных значений») других компонентов модуля 118 сортировки пациентов, как описано для ФИГУРЫ 2 и/или в других случаях.
В этом примере идентификатор 212 недостающих данных после активации выдает сигнал, который указывает на недостающие данные, необходимые для подсчета вероятности и степени тяжести врожденной патологии сердца. Идентификатор 212 недостающих данных определяет недостающую информацию исходя из данных нормативных значений 214. Этот сигнал может быть передан в устройство 222 отображения и/или службу сообщений, как описано для ФИГУРЫ 2 и/или других случаев.
В проиллюстрированном примере идентификатор 212 недостающих данных идентифицирует данные ультразвукового (УЗ) изображения от выполненного сканирования новорожденного, например, с устройства 227 формирования УЗ-изображений. В общем случае, соответствующее устройство 227 формирования УЗ-изображений выполнено с возможностью обеспечить обратную связь с пользователем относительно приемлемости способа формирования изображения (такого как двумерное изображение «от руки» (2D freehand), двумерное изображение с отслеживающим устройством, механический сбор трехмерных данных, электронная матрица) для оценки биометрических данных, таких как оценка интракардиального анастомоза и макроскопической анатомии исходя из моделей органов.
Определитель 212 вероятности и степени тяжести определяет вероятность и степень тяжести врожденных патологий сердца исходя из имеющейся в данный момент информации. Определитель 212 вероятности и степени тяжести, например, подсчитывает вероятность отсутствия нормальности в отношении врожденного заболевания сердца на основе данных УЗ-изображений относительно вероятности и степени тяжести врожденных патологий сердца. В проиллюстрированном примере это достигнуто частично путем обработки данных формирования изображения с использованием атласа изображений патологий органов в сочетании с машинным обучением с целью получения вероятности и степени тяжести патологий конкретного органа исходя из данных УЗ-изображения.
Идентификатор 212 недостающих данных также идентифицирует ЭКГ новорожденного, сделанную электрокардиографом 228 с использованием данных электрической активности сердца, полученных датчиками 230 ЭКГ (трехэлектродная система, двенадцатиэлектродная система и т.д.). Идентификатор 212 недостающих данных также идентифицирует демографические данные, данные наблюдений и клинические данные, такие как наличие и уровень значимости сердечных шумов, акроцианоза и центрального цианоза, история беременности, история родоразрешения и другие результаты лабораторных исследований. Как только такие данные становятся доступными, определитель 220 вероятности и степени тяжести обновляет вероятность и степень тяжести. Определитель 220 вероятности и степени тяжести также учитывает разницу SPO2 и другие данные, полученные системой.
Определенные вероятность и степень тяжести являются выходными данными и отображаются с помощью устройства 210 отображения информации, как описано в данном документе или в другом документе. Отображенные данные предоставляют врачу, например, нормативные значения для вспомогательных исследований, включая дополнительные данные датчиков, лабораторные испытания, другие процедуры формирования изображений и данные подробного медицинского осмотра пациента, необходимые для улучшения результатов использования данной модели. В качестве примера отображенные данные могут содержать перечень врожденных патологий сердца (например, патология A: 10%, патология B: 3% и т.д.) и показывать для каждой патологии вероятность и степень тяжести.
Блок 222 рекомендации действия обрабатывает вероятность и степень тяжести исходя из нормативных значений 224 события и генерирует выходной сигнал, который включает рекомендуемое действие для пациента. Если модуль 118 сортировки пациентов определяет, что новорожденный имеет врожденную патологию сердца и что данное медицинское учреждение не в состоянии обеспечить надлежащее лечение, рекомендация будет состоять в переводе новорожденного в другое медицинское учреждение. Соответствующее действие может включать, например, извещение транспортной службы, управление электронным устройством, связанным с уходом за новорожденным и т.д.
Как раскрыто в данном документе, вероятность, степень тяжести и рекомендация облегчают раннее распознавание трудно выявляемых острых заболеваний и помогают применить надлежащее лечение. Такое лечение может стабилизировать состояние новорожденного с врожденной патологией сердца, замедлить ухудшение состояния, увеличить вероятность выживания новорожденного и уменьшить вероятность необратимых повреждений и летального исхода. Опять-таки, вероятность, степень тяжести и рекомендация также облегчают раннее распознавание других острых и/или хронических заболеваний.
ФИГУРА 4 иллюстрирует пример способа в соответствии с примерами, которые обсуждались в данном документе. Аналогично ФИГУРЕ 3, ФИГУРА 4 для краткости и ясности изложения обсуждается для конкретного примера врожденной патологии сердца.
Следует понимать, что порядок действий в указанных способах не ограничен. Соответственно, в данном документе рассмотрены и другие последовательности действий. Кроме того, одно или более действий могут быть пропущены и/или одно или более дополнительных действий могут быть включены.
На этапе 402 принимают сигналы от по меньшей мере двух датчиков SpO2, которые работают одновременно.
Как раскрыто в данном документе, датчики, расположенные на правой стопе и левой руке новорожденного, предоставляют информацию о том, протекает ли кровь через легкие и насыщается кислородом, как это должно быть, или проходит в обход легких и не насыщается кислородом.
На этапе 404 полученные сигналы обрабатывают для определения разницы значений SpO2 до и после.
Как раскрыто в данном документе, это включает подсчет разницы между двумя значениями концентрации кислорода в крови, измеренными, соответственно, на правой стопе и левой руке.
На этапе 406 в ответ на значение SpO2 до и после, выходящее за заданный диапазон нормативных значений, выполняют сбор данных для определения вероятности и степени тяжести врожденной патологии сердца.
Как раскрыто в данном документе, в одном примере новорожденного с врожденной патологией сердца по меньшей мере данные УЗ-изображения идентифицируют как необходимые для определения вероятности и степени тяжести.
На этапе 408 вероятность и степень тяжести врожденной патологии сердца подсчитывают на основе полученных данных.
На этапе 410 идентифицируют недостающие данные, пригодных для увеличения точности определения вероятности и степени тяжести.
На этапе 412 получают недостающие данные. Это действие пропускают в случае отсутствия идентифицированных недостающих данных, и/или если оператор решает не получать идентифицированные недостающие данные.
На этапе 414 обновляют вероятность и степень тяжести врожденной патологий сердца с помощью полученных недостающих данных.
На этапе 416 вероятность и степень тяжести оценивают в связи с имеющимися в наличии локальными медицинскими ресурсами и нормативными событиями.
На этапе 418 результат оценки используют для создания предлагаемого курса лечения новорожденного.
Как раскрыто в данном документе, предлагаемый курс лечения включает, например, перевод новорожденного в другое лечебное учреждение, лучше оборудованное для обеспечения лечения этого пациента и смягчения последствий ухудшения состояния здоровья пациента по сравнению с данным лечебным учреждение и т.д. Предлагаемый курс лечения может также включать передачу управляющего сигнала, который будет управлять работой по меньшей мере одного электрического устройства, связанного с этим лечением.
Указанные выше действия могут быть реализованы посредством машиночитаемых команд, закодированных или вшитых в машиночитаемом носителе данных, которые при их выполнении процессором предписывают процессору выполнять описанные действия. В дополнительном или альтернативном варианте реализации по меньшей мере одна из машиночитаемых команд передается волной на рабочей или несущей частоте или другим промежуточным носителем и реализуется процессором.
Данное изобретение было описано в контексте предпочтительных вариантов реализации. После внимательного изучения представленного подробного описания в него могут быть внесены изменения и усовершенствования. Предполагается, что данное изобретение разработано как включающее все такие изменения и усовершенствования, поскольку они входят в объем формулы изобретения или ее эквивалентов.
Claims (48)
1. Способ поддержки принятия клинических решений, включающий:
прием электрического сигнала, включающего набор по меньшей мере двух физиологических параметров пациента, причем измерения одного и того же физиологического показателя выполнены в разных местах тела пациента;
сравнение по меньшей мере двух физиологических параметров с заданным диапазоном физиологических параметров на основе выходных нормативов датчика, которые имеют электронный формат;
идентификацию данных, необходимых для определения вероятности и степени тяжести исследуемого состояния пациента исходя из нормативных данных, в ответ на установление того, что по меньшей мере два физиологических параметра не соответствуют диапазону физиологических параметров;
получение идентифицированных данных в электронном формате;
определение вероятности и степени тяжести исследуемого состояния исходя из полученных идентифицированных данных;
определение рекомендуемого порядка действий для пациента исходя из вероятности и степени тяжести, ресурсов медицинского учреждения и нормативных событий; и
вывод на экран дисплея визуального представления вероятности и степени тяжести и рекомендуемого порядка действий.
2. Способ по п. 1, дополнительно включающий:
выработку управляющего сигнала, который управляет работой электронного устройства, связанного с медицинским уходом за пациентом, исходя из рекомендуемого порядка действий и нормативных событий; и
управление работой указанного электронного устройства с помощью управляющего сигнала.
3. Способ по п. 1, в котором идентифицированные данные включают данные изображения, в частности данные ультразвукового изображения.
4. Способ по п. 3, дополнительно включающий:
прием атласа изображений патологий органов, при этом определение первой вероятности включает определение вероятности и степени тяжести исследуемого состояния исходя из данных изображения и атласа изображений патологий органов.
5. Способ по п. 4, дополнительно включающий:
идентификацию других данных, пригодных для увеличения точности определения вероятности и степени тяжести исследуемого состояния; и
обновление вероятности и степени тяжести состояния пациента исходя из указанных других данных для выработки обновленной вероятности и степени тяжести исследуемого состояния.
6. Способ по любому из пп. 1-5, в котором исследуемым состоянием является врожденная патология сердца новорожденного и по меньшей мере два измеренных физиологических параметра являются значениями концентрации кислорода в крови, одно из которых измерено на правой стопе новорожденного, а другое измерено на левой руке новорожденного.
7. Способ по п. 6, в котором сравнение по меньшей мере двух физиологических параметров включает определение разницы между по меньшей мере двумя физиологическими параметрами и определение значения разницы концентраций кислорода в крови, сравнение значения разницы концентраций кислорода в крови с диапазоном параметров от выходных нормативов датчика и определение того, протекает ли кровь в обход легких.
8. Система (100) поддержки принятия клинических решений, содержащая:
вычислительную систему (102), которая включает в себя:
по меньшей мере один вычислительный процессор (104);
средства (108) ввода/вывода и
машиночитаемый носитель (106) данных, закодированный модулем (118) сортировки пациентов,
при этом средства ввода/вывода выполнены с возможностью приема электрического сигнала, который включает в себя набор по меньшей мере двух измеренных физиологических параметров пациента, причем измерения одного и того же физиологического показателя выполнены в разных местах тела пациента; и
по меньшей мере один вычислительный процессор выполнен с возможностью выполнения команд модуля сортировки пациентов, которые включают:
сравнение указанных по меньшей мере двух физиологических параметров с заданным диапазоном физиологических параметров на основании выходных нормативов датчика, которые имеют электронный формат;
идентификацию данных, необходимых для определения вероятности и исследуемой степени тяжести пациента исходя из нормативных данных, в результате определения того, что указанные по меньшей мере два физиологических параметра не соответствуют диапазону физиологических параметров;
получение указанных идентифицированных данных в электронном формате;
определение вероятности и степени тяжести исследуемого состояния пациента исходя из принятых идентифицируемых данных;
определение рекомендуемого порядка действий для пациента, исходя из полученных вероятности, степени тяжести, ресурсов медицинского учреждения и нормативных событий; и
вывод на экран дисплея визуального представления вероятности, степени тяжести и рекомендуемого порядка действий.
9. Система по п. 8, в которой по меньшей мере один вычислительный процессор выполнен с возможностью управления работой по меньшей мере одного электронного устройства, связанного с этим лечением, исходя из полученного рекомендуемого порядка действий.
10. Система по п. 9, в которой по меньшей мере один вычислительный процессор выполнен с возможностью вычисления вероятности и степени тяжести исходя из данных изображения и атласа изображений патологий органов.
11. Система по п. 10, в которой по меньшей мере один вычислительный процессор выполнен с возможностью дополнительного определения вероятности и степени тяжести исходя из данных физиологического датчика, демографических данных, данных наблюдений и клинических данных.
12. Система по любому из пп. 8-11, в которой рекомендуемый порядок действий включает перевод пациента в другое медицинское учреждение, лучше оборудованное для исследуемого состояния.
13. Система по п. 12, в которой рекомендуемый порядок действий дополнительно включает предложенный медицинский уход для смягчения последствий ухудшения исследуемого состояния перед его переводом в другое медицинское учреждение.
14. Система по любому из пп. 8-11, в которой рекомендуемый порядок действий включает предложенный медицинский уход для смягчения последствий ухудшения исследуемого состояния в данном медицинском учреждении с использованием ресурсов, имеющихся в наличии в данном медицинском учреждении.
15. Машиночитаемый носитель данных для поддержки принятия клинических решений, закодированный машиночитаемыми командами, которые при выполнении процессором предписывают процессору:
получать электрический сигнал, который включает в себя набор по меньше мере из двух измеренных физиологических параметров пациента, причем измерения одного и того же физиологического показателя выполнены в разных местах тела пациента;
сравнивать разницу значений указанных по меньшей мере двух физиологических параметров пациента с заданным диапазоном физиологических параметров на основании выходных нормативов датчика, при этом по меньшей мере два физиологических параметра соответствуют уровням концентрации кислорода в крови, соответственно измеренным на правой стопе пациента и левой руке пациента;
идентифицировать процедуру ультразвукового отображения для получения данных с целью определения вероятности и степени тяжести исследуемого состояния пациента в ответ на установление того, что указанная разница значений выходит за пределы диапазона физиологических параметров;
получать данные изображения от сканирования исходя из идентифицированной процедуры ультразвукового отображения;
определять вероятность и степень тяжести исследуемого состояния исходя из полученных данных формирования изображения;
идентифицировать другие данные, пригодные для увеличения точности определения вероятности и степени тяжести;
обновлять вероятность и степень тяжести в ответ на прием по меньшей мере поднабора идентифицированных других данных;
определять рекомендуемый порядок действий для пациента исходя из обновленной вероятности, обновленной степени тяжести, ресурсов медицинского учреждения и нормативных событий; и
визуально представлять обновленную вероятность и обновленную степень тяжести и рекомендуемый порядок действий.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201361903438P | 2013-11-13 | 2013-11-13 | |
| US61/903,438 | 2013-11-13 | ||
| PCT/IB2014/066005 WO2015071847A2 (en) | 2013-11-13 | 2014-11-13 | Clinical decision support system based triage decision making |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2016123429A RU2016123429A (ru) | 2017-12-22 |
| RU2679572C1 true RU2679572C1 (ru) | 2019-02-11 |
Family
ID=52023571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2016123429A RU2679572C1 (ru) | 2013-11-13 | 2014-11-13 | Система поддержки принятия клинических решений на основе принятия решений по сортировке пациентов |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US9946843B2 (ru) |
| EP (1) | EP3069281B1 (ru) |
| JP (1) | JP6402185B2 (ru) |
| CN (1) | CN105765584B (ru) |
| RU (1) | RU2679572C1 (ru) |
| WO (1) | WO2015071847A2 (ru) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ITUB20153285A1 (it) * | 2015-08-28 | 2017-02-28 | Inmm S R L | Sistema e metodo di supporto ad un operatore in un intervento di emergenza su un paziente |
| US10855515B2 (en) * | 2015-10-30 | 2020-12-01 | Netapp Inc. | Implementing switchover operations between computing nodes |
| US10950341B2 (en) * | 2015-11-30 | 2021-03-16 | Physio-Control, Inc. | Integration of a point-of-care blood analyzer into a prehospital telemedicine system |
| CN110462744A (zh) * | 2017-03-10 | 2019-11-15 | 皇家飞利浦有限公司 | 具有在视觉上强大的患者状况显示的患者状况监测器 |
| WO2018197482A1 (en) * | 2017-04-25 | 2018-11-01 | Koninklijke Philips N.V. | System and method for facilitating configuration modifications for a patient interface computer system based on a patient-specific risk alert model |
| EP3404666A3 (en) * | 2017-04-28 | 2019-01-23 | Siemens Healthcare GmbH | Rapid assessment and outcome analysis for medical patients |
| US10825167B2 (en) | 2017-04-28 | 2020-11-03 | Siemens Healthcare Gmbh | Rapid assessment and outcome analysis for medical patients |
| US10373315B2 (en) * | 2017-06-19 | 2019-08-06 | Viz.ai Inc. | Method and system for computer-aided triage |
| CN107800801A (zh) * | 2017-11-07 | 2018-03-13 | 上海电机学院 | 一种基于用户学习偏好的学习资源推送方法及系统 |
| US10811135B2 (en) * | 2018-12-27 | 2020-10-20 | General Electric Company | Systems and methods to determine disease progression from artificial intelligence detection output |
| JP2019107485A (ja) * | 2019-02-26 | 2019-07-04 | 株式会社トプコン | 眼科検査装置 |
| KR102261078B1 (ko) | 2019-07-08 | 2021-06-03 | 경희대학교 산학협력단 | 임상 실습 가이드 라인을 컴퓨터 해석 모델로 변환하기 위한 방법 및 이의 시스템 |
| TR202011991A2 (tr) * | 2020-07-28 | 2020-10-21 | Asli Goerek Dilektasli | Medi̇kal ki̇osk i̇çeren mobi̇l tri̇yaj i̇stasyonu |
| GB2598568A (en) * | 2020-09-01 | 2022-03-09 | Clini Hub Ltd | Patient monitoring device |
| EP4409528A1 (en) * | 2021-09-27 | 2024-08-07 | Becton, Dickinson and Company | System and method for vascular access management |
| US20230207131A1 (en) * | 2021-12-27 | 2023-06-29 | Matrixcare, Inc. | Wound management system for predicting and avoiding wounds in a healthcare facility |
| GR20230100016A (el) * | 2023-01-10 | 2024-08-19 | Κωνσταντινος Σταμουλη Μαμμας | Συνεργατικο ρομποτ-φορητο και φορετο απο τους διασωστες της ομαδας διασωσης τραυματιων "cobot" ολοκληρωμενο με συμπλεγμα εξωσκελετων και ψηφιακων διαταξεων μετρησης βιομετρικων παραμετρων και δικτυωση 5g cloud internet computing και 4κ αναλυσης ψηφιακης ιατρικης εικονας για την σε πραγματικο χρονο απο το πεδιο εξ αποστασεως αξιολογηση, ταξινομηση κινδυνου (triage), διαγνωση και ληψη βελτιστων αποφασεων απο ειδικους για την ταχυτατη, ορθη και εξατομικευμενη αντιμετωπιση βαρεως πασχοντων και την υποστηριξη της "χρυσης ωρας" στην προνοσομειακη αντιμετωπιση τραυματος |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008005480A1 (en) * | 2006-07-06 | 2008-01-10 | Los Angeles Biomedical Research Institute At Harbor-Ucla Medical Center | Device and method for screening congenital heart disease |
| US20080071155A1 (en) * | 2006-09-20 | 2008-03-20 | Kiani Massi E | Congenital heart disease monitor |
| WO2013103885A1 (en) * | 2012-01-04 | 2013-07-11 | Masimo Corporation | Automated critical congenital heart defect screening and detection |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4957115A (en) * | 1988-03-25 | 1990-09-18 | New England Medical Center Hosp. | Device for determining the probability of death of cardiac patients |
| US7315825B2 (en) * | 1999-06-23 | 2008-01-01 | Visicu, Inc. | Rules-based patient care system for use in healthcare locations |
| US7454360B2 (en) * | 1999-06-23 | 2008-11-18 | Visicu, Inc. | Order evaluation system for use in a healthcare location |
| US8401874B2 (en) * | 1999-06-23 | 2013-03-19 | Koninklijke Philips Electronics N.V. | Rules-based system for maternal-fetal care |
| US9053222B2 (en) * | 2002-05-17 | 2015-06-09 | Lawrence A. Lynn | Patient safety processor |
| US20040122787A1 (en) * | 2002-12-18 | 2004-06-24 | Avinash Gopal B. | Enhanced computer-assisted medical data processing system and method |
| EP1675501B1 (en) * | 2003-09-12 | 2013-09-04 | Or-Nim Medical Ltd. | Noninvasive optical monitoring of region of interest |
| US7433853B2 (en) * | 2004-07-12 | 2008-10-07 | Cardiac Pacemakers, Inc. | Expert system for patient medical information analysis |
| US8740789B2 (en) * | 2005-03-03 | 2014-06-03 | Cardiac Pacemakers, Inc. | Automatic etiology sequencing system and method |
| US20060265253A1 (en) * | 2005-05-18 | 2006-11-23 | Rao R B | Patient data mining improvements |
| US20090149719A1 (en) * | 2007-12-05 | 2009-06-11 | Cardiac Pacemakers, Inc. | System And Method For Performing Remote Patient Risk Assessment Through A Visual Analog Scale |
| US9997260B2 (en) | 2007-12-28 | 2018-06-12 | Koninklijke Philips N.V. | Retrieval of similar patient cases based on disease probability vectors |
| US20090177102A1 (en) * | 2008-01-07 | 2009-07-09 | The General Electric Company | System, method and device for predicting sudden cardiac death risk |
| US9763606B2 (en) | 2010-08-23 | 2017-09-19 | Los Angeles Biomedical Research Institute At Harbor-Ucla Medical Center | Foot pulse oximeter for screening congenital heart disease before newborn discharge |
| WO2012065131A1 (en) * | 2010-11-11 | 2012-05-18 | Zoll Medical Corporation | Acute care treatment systems dashboard |
| EP3010401A4 (en) * | 2013-06-20 | 2017-03-15 | University Of Virginia Patent Foundation | Multidimensional time series entrainment system, method and computer readable medium |
-
2014
- 2014-11-13 US US15/034,609 patent/US9946843B2/en active Active
- 2014-11-13 JP JP2016529429A patent/JP6402185B2/ja active Active
- 2014-11-13 EP EP14811977.9A patent/EP3069281B1/en active Active
- 2014-11-13 CN CN201480061876.5A patent/CN105765584B/zh active Active
- 2014-11-13 WO PCT/IB2014/066005 patent/WO2015071847A2/en active Application Filing
- 2014-11-13 RU RU2016123429A patent/RU2679572C1/ru not_active IP Right Cessation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008005480A1 (en) * | 2006-07-06 | 2008-01-10 | Los Angeles Biomedical Research Institute At Harbor-Ucla Medical Center | Device and method for screening congenital heart disease |
| US20080071155A1 (en) * | 2006-09-20 | 2008-03-20 | Kiani Massi E | Congenital heart disease monitor |
| WO2013103885A1 (en) * | 2012-01-04 | 2013-07-11 | Masimo Corporation | Automated critical congenital heart defect screening and detection |
Non-Patent Citations (1)
| Title |
|---|
| КОБРИНСКИЙ Б.А. Системы поддержки принятия решений в здравоохранении и обучении, Преподавание медицинской информатики, Врач и информационные технологии, 2010, N2, сс. 38-45. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105765584A (zh) | 2016-07-13 |
| JP6402185B2 (ja) | 2018-10-10 |
| WO2015071847A3 (en) | 2015-08-27 |
| US20160328525A1 (en) | 2016-11-10 |
| EP3069281B1 (en) | 2021-01-06 |
| WO2015071847A2 (en) | 2015-05-21 |
| EP3069281A2 (en) | 2016-09-21 |
| JP2017503532A (ja) | 2017-02-02 |
| CN105765584B (zh) | 2019-03-29 |
| US9946843B2 (en) | 2018-04-17 |
| RU2016123429A (ru) | 2017-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2679572C1 (ru) | Система поддержки принятия клинических решений на основе принятия решений по сортировке пациентов | |
| US10729384B2 (en) | Automated condition screening and detection | |
| US12046364B2 (en) | System and method for a patient dashboard | |
| TW201402059A (zh) | 健康狀態判定方法及健康狀態判定系統 | |
| Mistry et al. | An Analysis of IoT-Based Solutions for Congenital Heart Disease Monitoring and Prevention | |
| CN110046186A (zh) | 保健网络 | |
| CN111899867B (zh) | 基于深度学习的手术并发症预测及规避辅助决策系统 | |
| CN111243723A (zh) | 医疗信息显示系统与显示内容产生方法 | |
| JP2021104140A (ja) | 医用情報処理装置、医用情報処理方法、及び医用情報処理プログラム | |
| US20220254502A1 (en) | System, method and apparatus for non-invasive & non-contact monitoring of health racterstics using artificial intelligence (ai) | |
| JPH11232359A (ja) | 在宅血液検査における血液の検査結果の処理方法とその処理システム | |
| JP7467033B2 (ja) | 診療情報処理装置 | |
| JP2022188611A (ja) | 診断支援システム | |
| US12094592B2 (en) | Analysis support apparatus, analysis support system, and analysis support method | |
| Anu et al. | Health Monitoring System using IoT with Machine Learning | |
| US20230268077A1 (en) | Medical information processing device, medical information processing method, and storage medium | |
| JP7550901B2 (ja) | 臨床支援システム、及び臨床支援装置 | |
| US20220270758A1 (en) | Medical information processing apparatus, medical information processing method, and non-transitory computer-readable medium | |
| JP7480601B2 (ja) | 医療診断支援装置、医療診断支援装置の制御方法、およびプログラム | |
| KR20240110047A (ko) | 인공 지능을 이용한 직접 의학적 치료법 예측 | |
| JP2023113416A (ja) | 医用情報表示装置、医用情報表示方法、および医用情報表示プログラム | |
| EP4244869A1 (en) | Clinical warning score system | |
| JP2024070317A (ja) | 処理装置、処理プログラム、処理方法及び処理システム | |
| Pramanik et al. | Cardiovascular Diseases: Artificial Intelligence Clinical Decision Support System | |
| JP2022133576A (ja) | 医用情報処理装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20201114 |