TWI809612B - 跌倒評估風險警示系統 - Google Patents
跌倒評估風險警示系統 Download PDFInfo
- Publication number
- TWI809612B TWI809612B TW110147961A TW110147961A TWI809612B TW I809612 B TWI809612 B TW I809612B TW 110147961 A TW110147961 A TW 110147961A TW 110147961 A TW110147961 A TW 110147961A TW I809612 B TWI809612 B TW I809612B
- Authority
- TW
- Taiwan
- Prior art keywords
- fall
- patient
- module
- judged
- warning
- Prior art date
Links
Images
Landscapes
- Alarm Systems (AREA)
- Accommodation For Nursing Or Treatment Tables (AREA)
Abstract
本發明係提供一種跌倒評估風險警示系統,係能夠用於醫療照護院所評估住院病患或是受照護者於在院內期間之跌倒風險,而該跌倒評估風險警示系統係先篩選出複數個跌倒預測因子,再透過分析一待判斷病患對應該些跌倒預測因子之資訊,得到該待判斷病患在院期間是否具有發生跌倒風險之預測結果,透過將該預測結果提供給照護人員,照護人員即可依據發生跌倒風險之高低,決定是否要增加照護力度或是提供其他預防措施,藉以減少照護人力不必要之浪費。
Description
本發明係有關於醫療照護用資訊系統,特別係指一種跌倒評估風險警示系統。
按,除了給藥錯誤外,病人住院期間最常發生之安全異常事件即為跌倒,輕微者造成病人擦傷或是挫傷,嚴重者則會造成骨折或是頭部外傷,甚而會延長病人住院之時間,或是造成其他併發症之產生,亦會提高醫療成本與負擔,因此,若能於病人住院期間篩選出具有中高度跌倒風險之病人,以提供病人及其照護者必要之預防措施的話,則能有效地降低跌倒發生之風險,避免病人遭遇到不必要之健康損害。
目前國內許多醫療院所或是醫療器材開發廠商皆針對預防病人跌倒進行產品之開發,如中華民國專利第M400627號功能語音提示紅外線離床與預防跌倒警示器,透過紅外線感測器偵測並判別病床上之動作並得使警示單元發出警示資訊,惟,該裝置必須在病人動作時進行判斷,對於使照護人員提早提供病人預防跌倒之措施,並且可能會有誤判之情形發生;又如中華民國專利第I500000號提供之病床的防護警示裝置,其係將感測裝置設於病床邊,以偵測病人動作是否有不幅度之變動,並發出警示,然而此種偵測病人動作之裝置除了會發生誤判之情形外,亦無法事前篩選出高風險患者,並無法使醫護人員提早提供預防跌倒之措施。
本發明之主要目的係在於提供一種跌倒評估風險警示系統,其係能夠依據患者之主觀資料與客觀資料進行分析,準確地預測患者是否有跌倒高風險,並使醫護人員得以根據前述預測結果預先提供患者適當之照護措施,以達到有效地於事前預防患者跌倒發生之功效。
本發明之另一目的係在於在於提供一種跌倒評估風險警示系統,其係能夠降低護理人員於照護過程中之人力浪費與精神壓力,同時亦能夠提升患者住院之安全性,不僅能夠達到降低病患因跌倒所造成之傷害發生率,更能避免醫療成本支出增加。
緣是,為能達成上述目的,本發明係揭露一種跌倒評估風險警示系統,其包含有一資料模組、一學習模組、一輸入模組、一判斷模組及一顯示模組,其中,該資料模組係會收集且儲存複數病患與一跌倒因子相關之資料,而該跌倒因子包含但不限於病患之個人資料、身體數值、疾病史、身體狀態、用藥記錄、跌倒史、手術記錄等;該學習模組係透過一預定演算模型分析該資料模組中該些跌倒因子,以產出一個學習結果,而該學習結果係包含有一預測模型及一跌倒預測因子,其中,該跌倒預測因子係選自由該跌倒因子中對於跌倒預測具有關連性者;該輸入模組,接收一待判斷患者之資訊,其中,該待判斷患者之資訊係至少包含對應該跌倒預測因子之資訊;該判斷模組係接收該待判斷患者之資訊,並將之做為參數以該預測模型進行演算,得到一判斷結果,用以得知該待判斷患者跌倒風險;該顯示模組係接收並且顯示該判斷結果。
其中,該資料模組係包含有一資料庫,儲存複數病患資料,一資料處理單元,自該資料庫中各該病患資料中提取出與該跌倒因子相關之資料。
其中,該預定演算模型係為本發明所屬技術領域且具通常知識者周知且通用之演算模型,例如深度學習、決策樹、邏輯斯迴歸(Logistic regression)、極限梯度提升(eXtreme Gradient Boosting,XGboost)。
其中,該跌倒預測因子係包含有係為年齡、性別、身體質量、入院方式、平均動脈壓、脈搏、呼吸次數、體溫、疼痛指數、意識狀況、失眠、腹瀉、肌肉無力、輔助器具、失智症、巴金森氏症、退化性關節炎、肺炎、下肢手術、安眠藥使用、利尿劑、嗎啡類止痛劑、抗癲癇藥、抗組織胺、化療藥物及跌倒史。
為能使醫護人員能夠更即時理解該判斷結果,並且能得快速地反應於照於照護工作上,本發明之一實施例中,該顯示模組係具有一顯示單元,將該判斷結果轉化且顯示為可視化圖像,以減少照護人員閱讀文字之時間。
其中,該顯示模組係更包含有一警示單元,其係能夠依據該判斷結果之內容選擇是否要發出一警示訊息予該顯示單元,意即當該警示單元認為該判斷結果為跌倒高風險時,該警示單元係對該顯示單元發出該警示訊息,該顯示單元收到該警示訊息後,將該判斷結果對應之該待判斷病患的欄位以一警示模式顯示,例如發出聲響、以不同顏色表示、以閃爍方式表示、以放大圖像方式表示、於患者姓名旁邊出現警示文字,於床號一覽表中出現警示文字等。
為能更為準確預測病患之跌倒風險,本發明所揭跌倒評估風險警示系統,其更包含一步態分析模組,接收該待判斷病患之步態資訊並進行分析,產出一步態分析結果;而該判斷模組係接收該步態分析結果,並結合該待判斷患者之資訊,以該預測模型進行演算,此時所得到之判斷結果係為一綜合評估之結果。
本發明係提供一種跌倒評估風險警示系統,係能夠用於醫療照護院所評估住院病患或是受照護者於在院內期間之跌倒風險,具體來說,該跌倒評估風險警示系統係先篩選出複數個跌倒預測因子,再透過分析一待判斷病患對應該些跌倒預測因子之資訊,得到該待判斷病患在院期間是否具有發生跌倒風險之預測結果,而透過將該預測結果提供給照護人員,照護人員即可依據發生跌倒風險之高低,決定是否要增加照護力度或是提供其他預防措施,藉以減少照護人力不必要之浪費。
本發明所指「跌倒因子」,係指與跌倒發生相關之因素,皆來自病患個體本身,包含有客觀因子及主觀因子,例如年紀、性別、身體質量、入院方式、生理數值、疾病史、用藥紀錄、健康狀態、睡眠情形、行動便利度、跌倒紀錄等,於本發明所揭一實施例中係列舉46項跌倒因子,此乃為說明跌倒因子之範疇,並非為限制本案保護範圍。
本發明所指「學習模組」,係指具有運算或演算能力之軟體或/及硬體,例如一電腦、一處理器、一程式或是上述物件之組合等。
本發明所指「輸入模組」,係指能夠接收一外來訊息之軟體或/及硬體,例如一平板、一手機、一病歷管理系統等。
本發明所指「輸出模組」,係指能夠顯示資訊之軟體或/及硬體,例如一平板、一手機、一顯示螢幕及其介面等。
以下,為能說明本發明之技術特徵及其功效,將茲舉本發明之一實施例並搭配圖式做詳細說明如後。
請參圖1,本發明之一實施例所揭跌倒評估風險警示系統10,其主要係包含有一資料模組20、一學習模組30、一輸入模組40、一判斷模組50及一顯示模組60,其中:
該資料模組20係包含有一資料庫21,儲存複數病患資料,一資料處理單元22,自該資料庫21中各該病患資料中提取出與該跌倒因子相關之資料,其中,該跌倒因子至少包含有年齡、性別、身體質量、入院方式、平均動脈壓、脈搏、呼吸次數、體溫、意識狀態、失眠、視力、聽力、頻尿症(Frequent urination)、腹瀉(Diarrhea)、肌肉無力(Muscle weakness)、輔助器具(Assistive Devices)、姿勢性低血壓、失智症、憂鬱症、巴金森氏症、關節炎、白內障、青光眼、失聰、心肌梗塞、心律不整、心臟衰竭、肺炎、腦中風、癲癇、貧血、脊椎手術、下肢手術、安眠藥使用、精神科用藥、利尿劑、抗心律不整藥物、降血壓藥、嗎啡類止痛劑、抗癲癇藥、毛地黃強心劑、降血糖藥物、抗組織胺、化療藥物、疼痛指數、跌倒史等。
該學習模組30係能夠接收來自該資料模組20中該些病患對應該跌倒因子之資料,並且以一預定演算模型對該些病患對應該跌倒因子之資料進行分析,產出一學習結果,其中,該預定演算模型係得為本發明所屬技術領域中周知之演算模型,包含有深度學習、決策樹、邏輯斯迴歸(Logistic regression)、極限梯度提升(eXtreme Gradient Boosting,XGboost)等,而根據該學習結果可選定一預測模型及一跌倒預測因子,其中,該預測模型除包含有演算模型外,更得包含有跌倒預測因子之權重、順序等;而該跌倒預測因子係為年齡、性別、身體質量、入院方式、平均動脈壓、脈搏、呼吸次數、體溫、疼痛指數、意識狀況、失眠、腹瀉、肌肉無力、輔助器具、失智症、巴金森氏症、退化性關節炎、肺炎、下肢手術、安眠藥使用、利尿劑、嗎啡類止痛劑、抗癲癇藥、抗組織胺、化療藥物及跌倒史。
更進一步來說,該學習模組30係會先該些病患對應該跌倒因子之資料進行資料處理程序再進行演算分析,具體來說,該學習模組係先將該些該跌倒因子之資料進行資料分別對應地投入參數欄位中,依據該預定演算模型所需參數選取對應之參數欄位,再針對所選取之參數欄位中之資料進行數據處理,包含有資料正規化(又稱為標準化)處理、資料編碼化處理,而後再將數據處理後之資料輸出進行演算分析。
該輸入模組40係接收一待判斷患者之資訊,其中,該待判斷病患之資訊係包含對應該跌倒預測因子之資訊。
該判斷模組50係接收該待判斷患者之資訊,並依據該學習模組30所產出之學習結果,將該待判斷患者之資訊以該預測模型進行演算,得到一判斷結果,其中,該判斷結果係包含該待判斷患者跌倒發生風險之預測結果。
該顯示模組60係包含有一警示單元61,接收該判斷結果並得發出一警示訊息,一顯示單元62,將該判斷結果轉化為可視化圖像予以顯示,並得接收該警示訊息,且依據該警示訊息使可視化圖像以警示模式方式顯示。
具體來說,當該判斷結果為跌倒高風險時,該警示單元61係對該顯示單元62發出該警示訊息,該顯示單元62收到該警示訊息後,將該判斷結果對應之該待判斷病患的欄位以警示模式顯示,其中,警示模式係得為顯示亮度提高、顏色變化、欄位或其內容尺寸變大、發出聲響等;而判斷結果非為跌倒高風險時,該警示單元61係不會對該顯示單元62發出該警示訊息,該顯示單元62對該判斷結果對應之該待判斷病患的欄位以一非警示模式顯示。
根據上述構件之組成,本發明所揭跌倒評估風險警示系統為能確保預測病患跌倒發生風險值之準確率,該學習模組係會將該些跌倒因子進行組合、權重、排序等處理再進行分析,舉例來說,若將前述46個跌倒因子以極限梯度提升進行演算分析,得到分析結果如下表1所示;而根據該學習模組不同演算模型進行分析之結果,交集篩選出前述25個跌倒預測因子,由該25個跌倒預測因子以深度學習、決策樹、邏輯斯迴歸或極限梯度提升之演算模型進行病患跌倒風險預測,準確度都可以達到90%以上。
表1:以極限梯度提升分析46個跌倒因子之結果
演算模型 | 準確率 | AUC | 靈敏度 | 專一性 | F1分數 (精準度指標) |
極限梯度提升 | 95.11% | 99.0% | 95.37% | 94.86% | 95.10% |
該預測模型及該跌倒預測因子被該學習模組產出後,即能用於提供予該判斷模組進行待判斷病患跌倒風險之評估,意即當病患被收治住院或是入住照護中心時,該輸入模組係會接收該病患與該跌倒預測因子相關之訊息並得經由數據處理程序而產出該病患與該跌倒預測因子相關之資訊,該判斷模組接收該病患與該跌倒預測因子相關之資訊後,藉由該預測模型進行分析,產出可用以預測該患者在院期間跌倒發生風險之判斷結果。
該判斷結果會被傳送至該顯示模組,該顯示模組會透過該警示模組分析該判斷結果之內容,決定以何種模式及模版等可視化圖樣之方式將該判斷結果呈現於該顯示單元,藉此提供予醫護人員可以快速判讀且得知病患跌倒風險,舉例來說,當該病患被本發明所揭跌倒評估風險警示系統評估在院跌倒風險為高時,該顯示單元上會將對應該病患之欄位以紅燈方式顯示,並且於該患者姓名旁出現「跌」字、於病床一覽表中對應該患者的病號房處顯示「高危」,以使醫護人員係能夠立即地注意到此跌倒示警,並預先提供該病患所需要之照護或是預防跌倒之措施,如提供護欄、限制行動等,藉此有效地達到預防病患跌倒發生之風險,且能提升照護品質及減少人力負擔。
更進一步者,為能即時地預測病患之跌倒風險,本發明所揭跌倒評估風險警示系統係透過設定預測時間進行定時或定期之預測更新,以能隨著依據病患狀態之變化進行跌倒風險評估之更新。
又,本發明所揭跌倒評估風險警示系統係能更包含有一步態分析模組,其係能接收該待判斷病患之步態資訊並進行分析,產出一步態分析結果;該判斷模組係能同時接收且分析該待判斷病患之該步態分析結果及與該跌倒預測因子相關資訊,藉此能提升跌倒風險預測之準確度。
10跌倒評估風險警示系統
20資料模組
21資料庫
22資料處理單元
30學習模組
40輸入模組
50判斷模組
60顯示模組
61警示單元
62顯示單元
圖1係為本發明之一實施例所揭跌倒評估風險警示系統之示意圖。
10跌倒評估風險警示系統
20資料模組
21資料庫
22資料處理單元
30學習模組
40輸入模組
50判斷模組
60顯示模組
61警示單元
62顯示單元
Claims (6)
- 一種跌倒評估風險警示系統,其包含有:一資料模組,收集且儲存複數病患與一跌倒因子相關之資料,其中,該跌倒因子至少包含有年齡、性別、身體質量、入院方式、平均動脈壓、脈搏、呼吸次數、體溫、意識狀態、失眠、視力、聽力、頻尿症(Frequent urination)、腹瀉(Diarrhea)、肌肉無力(Muscle weakness)、輔助器具(Assistive Devices)、姿勢性低血壓、失智症、憂鬱症、巴金森氏症、關節炎、白內障、青光眼、失聰、心肌梗塞、心律不整、心臟衰竭、肺炎、腦中風、癲癇、貧血、脊椎手術、下肢手術、安眠藥使用、精神科用藥、利尿劑、抗心律不整藥物、降血壓藥、嗎啡類止痛劑、抗癲癇藥、毛地黃強心劑、降血糖藥物、抗組織胺、化療藥物、疼痛指數、跌倒史;一學習模組,接收來自該資料模組中該些病患對應該跌倒因子之資料,並以一預定演算模型進行運算而到一學習結果,其中,該學習結果係包含一預測模型及一跌倒預測因子;一輸入模組,接收一待判斷病患之資訊,其中,該待判斷病患之資訊係包含對應該跌倒預測因子之資訊;一判斷模組,接收該待判斷患者之資訊,並以該預測模型進行演算,得到一判斷結果;一顯示模組,接收並顯示該判斷結果;其中,其特徵在於:該顯示模組係具有一顯示單元,將該判斷結果轉化且顯示為可視化圖像,一警示單元,接收該判斷結果並得發出一警示訊息,當該判斷結果為跌倒高風險時,該警示單元係對該顯示單元發出該警示訊息,該顯示單元收到該警示 訊息後,將該判斷結果對應之該待判斷病患的欄位以一警示模式顯示;而判斷結果非為跌倒高風險時,該警示單元係不會對該顯示單元發出該警示訊息,該顯示單元對該判斷結果對應之該待判斷病患的欄位以一非警示模式顯示。
- 如請求項1所述跌倒評估風險警示系統,其中,該預定演算模型係選自由深度學習、決策樹、邏輯斯迴歸(Logistic regression)及極限梯度提升(eXtreme Gradient Boosting,XGboost)所組成之群。
- 如請求項1所述跌倒評估風險警示系統,其中,該跌倒預測因子係為年齡、性別、身體質量、入院方式、平均動脈壓、脈搏、呼吸次數、體溫、疼痛指數、意識狀況、失眠、腹瀉、肌肉無力、輔助器具、失智症、巴金森氏症、退化性關節炎、肺炎、下肢手術、安眠藥使用、利尿劑、嗎啡類止痛劑、抗癲癇藥、抗組織胺、化療藥物及跌倒史。
- 如請求項1所述跌倒評估風險警示系統,其更包含一步態分析模組,接收該待判斷病患之步態資訊並進行分析,產出一步態分析結果。
- 如請求項4所述跌倒評估風險警示系統,其中,該判斷模組係接收該步態分析結果,並結合該待判斷患者之資訊,以該預測模型進行演算。
- 如請求項1所述跌倒評估風險警示系統,其中,該資料模組係包含有一資料庫,儲存複數病患資料,一資料處理單元,自該資料庫中各該病患資料中提取出與該跌倒因子相關之資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110147961A TWI809612B (zh) | 2021-12-21 | 2021-12-21 | 跌倒評估風險警示系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110147961A TWI809612B (zh) | 2021-12-21 | 2021-12-21 | 跌倒評估風險警示系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202326635A TW202326635A (zh) | 2023-07-01 |
TWI809612B true TWI809612B (zh) | 2023-07-21 |
Family
ID=88147710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110147961A TWI809612B (zh) | 2021-12-21 | 2021-12-21 | 跌倒評估風險警示系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI809612B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130303860A1 (en) * | 2011-11-21 | 2013-11-14 | Robert Bender | Systems and methods for use in fall risk assessment |
TW201942885A (zh) * | 2018-03-28 | 2019-11-01 | 國立交通大學 | 以日常生活動作為判斷基準之跌倒感測系統及其方法 |
CN111481193A (zh) * | 2020-04-17 | 2020-08-04 | 国家康复辅具研究中心 | 一种跌倒风险评估与预警方法及系统 |
CN111887859A (zh) * | 2020-08-05 | 2020-11-06 | 安徽华米智能科技有限公司 | 跌倒行为识别方法、装置、电子设备以及介质 |
CN112043281A (zh) * | 2015-06-30 | 2020-12-08 | 兹布里奥有限公司 | 使用机器学习算法识别跌倒风险 |
-
2021
- 2021-12-21 TW TW110147961A patent/TWI809612B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130303860A1 (en) * | 2011-11-21 | 2013-11-14 | Robert Bender | Systems and methods for use in fall risk assessment |
CN112043281A (zh) * | 2015-06-30 | 2020-12-08 | 兹布里奥有限公司 | 使用机器学习算法识别跌倒风险 |
TW201942885A (zh) * | 2018-03-28 | 2019-11-01 | 國立交通大學 | 以日常生活動作為判斷基準之跌倒感測系統及其方法 |
CN111481193A (zh) * | 2020-04-17 | 2020-08-04 | 国家康复辅具研究中心 | 一种跌倒风险评估与预警方法及系统 |
CN111887859A (zh) * | 2020-08-05 | 2020-11-06 | 安徽华米智能科技有限公司 | 跌倒行为识别方法、装置、电子设备以及介质 |
Also Published As
Publication number | Publication date |
---|---|
TW202326635A (zh) | 2023-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10216900B2 (en) | Monitoring information providing device and method | |
US9801553B2 (en) | System, method, and computer program product for the real-time mobile evaluation of physiological stress | |
KR102264562B1 (ko) | 환자의 생리적 동요를 결정하기 위한 장치 및 방법 | |
JP2014533864A (ja) | 総リスクスコアを算出するヘルス・モニタリング・システム | |
AU2017262666A2 (en) | Apparatus and method for recording and analysing lapses in memory and function | |
WO2014015378A1 (en) | A mobile computing device, application server, computer readable storage medium and system for calculating a vitality indicia, detecting an environmental hazard, vision assistance and detecting disease | |
US20200205709A1 (en) | Mental state indicator | |
JP2012010955A (ja) | 健康状態監視装置 | |
KR102494308B1 (ko) | 인공지능 기반의 이미지 분석 모델을 이용한 쇼크 발생 예측 방법, 장치 및 컴퓨터프로그램 | |
US6994670B2 (en) | Methods for diagnosing akathisia | |
KR102419292B1 (ko) | 원격 경도인지장애 조기진단 시스템 | |
JP2015097612A (ja) | 動作障害がある疾患の症状評価方法および症状評価システム、ならびに症状評価プログラム | |
TWI809612B (zh) | 跌倒評估風險警示系統 | |
US20230062081A1 (en) | Systems and methods for provoking and monitoring neurological events | |
TWI704579B (zh) | 健康管理方法與系統 | |
CN115223089A (zh) | 儿童危险行为检测方法、装置、智能终端及存储介质 | |
Edris et al. | IoT-Based Monitoring System for Detection of Epileptic Seizure by Heart Rate Variation | |
KR102229909B1 (ko) | 사용자 빅데이터를 활용한 사고위험 예측방법 및 장치 | |
Freitas et al. | Nursing interventions for the early detection of ward patients' clinical deterioration: an integrative review | |
TWI704509B (zh) | 病人意外風險評估系統及方法 | |
US20240242843A1 (en) | Reducing adverse health events in assisted living | |
Moore et al. | Afferent limb of rapid response system activation | |
Williams et al. | Using time series techniques to forecast and analyze wake and sleep behavior | |
KR20210050424A (ko) | 딥러닝 컴퓨터 비전 기반 응급환자 쇼크 징후 발견 시스템 | |
Haitham et al. | TOWARD THE OPTIMAL MEDICAL SERVICES BASED ON INFORMATION SYSTEM: A NEW TAXONOMY OF DOWN SYNDROME BASED ON THEIR NEEDS OF HEALTHCARE SERVICES |