TWI843486B - 以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法及其系統 - Google Patents
以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法及其系統 Download PDFInfo
- Publication number
- TWI843486B TWI843486B TW112109911A TW112109911A TWI843486B TW I843486 B TWI843486 B TW I843486B TW 112109911 A TW112109911 A TW 112109911A TW 112109911 A TW112109911 A TW 112109911A TW I843486 B TWI843486 B TW I843486B
- Authority
- TW
- Taiwan
- Prior art keywords
- gait
- pulmonary fibrosis
- image
- physiological parameters
- severity
- Prior art date
Links
- 230000005021 gait Effects 0.000 title claims abstract description 94
- 208000005069 pulmonary fibrosis Diseases 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000009325 pulmonary function Effects 0.000 claims abstract description 18
- 238000012502 risk assessment Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 41
- 230000004199 lung function Effects 0.000 claims description 19
- 238000010219 correlation analysis Methods 0.000 claims description 14
- 230000010412 perfusion Effects 0.000 claims description 14
- 230000002596 correlated effect Effects 0.000 claims description 12
- 206010013975 Dyspnoeas Diseases 0.000 claims description 11
- 208000000059 Dyspnea Diseases 0.000 claims description 10
- 239000008280 blood Substances 0.000 claims description 10
- 210000004369 blood Anatomy 0.000 claims description 10
- 238000011947 six minute walk test Methods 0.000 claims description 10
- 238000010191 image analysis Methods 0.000 claims description 9
- 208000013220 shortness of breath Diseases 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 8
- 229910052760 oxygen Inorganic materials 0.000 claims description 8
- 239000001301 oxygen Substances 0.000 claims description 8
- 230000035487 diastolic blood pressure Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000033764 rhythmic process Effects 0.000 claims description 4
- 230000036772 blood pressure Effects 0.000 claims description 2
- 238000004904 shortening Methods 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 210000004072 lung Anatomy 0.000 description 4
- 208000037656 Respiratory Sounds Diseases 0.000 description 3
- 206010047924 Wheezing Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000001802 infusion Methods 0.000 description 2
- 230000004089 microcirculation Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002300 anti-fibrosis Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000013123 lung function test Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 230000037390 scarring Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本發明係提供一種以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法及其系統,其主要係能夠一待測者之性別、年紀、待析步態參數及待析生理參數提供予一肺纖維化風險評估模組,使該肺纖維化風險評估模組進行分析處理,進而輸出一肺纖維化風險指數,用以評估該待測者之肺功能或是肺纖維化嚴重度之功效,藉此縮短檢測或追蹤肺纖維化患者病況之時間及成本。
Description
本發明係有關於一種評估患者病況之方法,特別係指一種以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法及其系統。
按,所謂肺纖維化係指當個體肺臟受到損傷後之結疤現象,而結疤部位之肺泡組織會失去彈性或硬化,導致肺臟喪失或減損交換氣體之功能,使得個體出現喘、咳、呼吸困難等症狀,並隨著肺臟受損部位越大或是受損越嚴重,症狀就會隨著肺功能下降而越明顯,最終會因喘促加劇而反覆急診就診或住院,甚至呼吸衰竭與死亡。
然,由於肺纖維化初期症狀並不明顯,導致患者往往確診時都已經是肺纖維化末期,加上肺纖維化乃為一種不可逆之疾病,雖然抗肺纖維化藥物能延緩肺功能下降速度,但最終僅能夠透過肺臟移植來達到根治之效果。因此,對於肺纖維化最好的治療方式就是及早發現。目前臨床上需要同時透過血液檢查、影像學檢查、肺功能測量來診斷肺纖維化之病況,不僅需要耗費大量時間與成本,更難以用以進行肺纖維化患者之病情追蹤。且肺纖維化疾病嚴重度之評估,目前黃金標準為GAP指標,其項目除年齡、性別兩個參數外,需高度仰賴肺功能吹氣檢查的結果,包括FVC(%)以及DLCO(%)。然,該檢查需要安排時間,且執行上之除了有一定難度外,受限於病人吹氣技巧與檢查室之可近性,無法每次回診進行評估,便利性不足。因此,開發一種能夠快速、準確且即時評估肺纖維化患者之疾病嚴重度的方法乃為目前臨床上所需要的技術。
本發明之主要目的係在於提供一種以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法及其系統,其係能夠透過一肺纖維化風險評估模組,用以分析待測者之步態資料與生理參數,得到待測者之肺纖維化嚴重度,藉以間接評估待測者之肺功能及病況,以達到簡化檢測流程及降低檢測成本之功效。
本發明之另一目的係在於提供一種以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法及其系統,其係作為預測肺纖維化患者病況之工具,並得結合穿戴式裝置,即時獲知並分析患者之步態資料與生理參數,達到有效監控及預警患者病況之功效。
是以,為能達成上述目的,本發明係揭露一種以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法,其係包含下列步驟:
步驟A:收集一待測者於六分鐘行走測試(6 min walking test)期間所獲得之一待析步態參數及一待析生理參數。
步驟B:將該待析步態參數及該待析生理參數予一肺纖維化風險評估模組,經演算分析後輸出一肺纖維化風險指數,用以評估該待測者之肺纖維化疾病嚴重度。
其中,該待析步態參數及該待析生理參數係為與GAP指標(GAP score)或灌流指數(perfusion index)間具有統計上相關性之因子,其中,GAP指標係為肺纖維化嚴重度黃金指標,包含年齡、性別、FVC(%)、DLCO(%)。
於本發明之一實施例中,係以一穿戴式裝置收集該待析生理參數,其中,該穿戴式裝置係為一具有傳輸數據功能及檢測生理數據之裝置,如藍芽耳機、智慧手錶、智慧手環。
於本發明之另一實施例中,該將該受試者於六分鐘行走測試過程中之一影像資料予進行一步態影像分析程序所得者,其中,該影像資料係包含來自該受試者於六分鐘行走測試過程中於至少兩個不同方向所獲取之一影像,例如,將相機或攝影機架設於該受試者之背面及側面所拍攝之影像。
再者,該步態影像分析程序係透過深度學習模型進行該影像資料之特徵擷取、比對、分類等處理後,產出該待析步態參數,具體來說,該該步態影像分析程序係包含有下列步驟:
步驟101:透過一深度學習模型自該影像資料中得到一待測人體2.5D姿態,其中,該深度學習模型係包含有一空間變換器模塊及一時間變換器模塊。
步驟102:自該待測人體2.5D姿態中分析出該待析步態參數。
於本發明之一實施例中,該待析生理參數係至少包含有灌流指數、心率、舒張壓及最大心率;該待析步態參數係包含有最大步距(Maximum stride)及移動速率(moving speed)。
於本發明之另一實施例中,該待析生理參數係更包含有FEV1(L)、FEV1(%)、FVC(%)、DLCO(%)、GAP指標、完成六分鐘行走測試後之喘促分數(Borg scale)。
於本發明之又一實施例中係揭露一種以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之系統,係包含有一資料儲存模組、一資料處理模組、一肺纖維化風險評估模組,其中,該資料儲存模組係用以儲存複數受試者之基本資料、各受試者於六分鐘行走測試過程中之一步態影像、一動態生理參數、一肺功能參數及一GAP指標;該資料處理模組係分析該些受試者之步態影像,得到一步態影像參數,並分別進行該些動態生理參數及該些步態影像參數與一肺功能判斷指標間之相關性分析,以輸出與一肺功能判斷指標間具有相關性之動態生理參數及步態影像參數;該肺纖維化風險評估模組,以該與一肺功能判斷指標間具有相關性之動態生理參數及步態影像參數作為演算參數,以生成一肺纖維化風險指數。
其中,該基本資料係包含年紀、性別。
其中,該步態影像參數係包含有步速(rhythm)、最大步距、移動速率、身體前傾角度(forward leaning angle)、平均關節擺動角度(average shoulder angle)。
其中,該動態生理參數係包含有心率、耳溫、血壓、血氧、灌流指數。
其中,該肺功能參數係包含FEV1/FVC (%)、FEV1(L)、FEV1(%)、FVC(L)、 FVC(%)。
其中,該步態影像係以一攝影設備於各受試者於六分鐘行走測試過程中於至少由兩個不同方向拍攝所得之一影像,而該攝影設備得為一相機、一鏡頭、一手機、一攝影機等。
於本發明之一實施例中,該處理模組係包含有一第一資料處理模組及一第二資料處理模組。具體來說,該第一資料處理模組係先自各該步態影像中得到一人體2.5D姿態特徵,再自該人體2.5D姿態特徵中產出該步態影像參數,並進行,該步態影像參數與該肺功能判斷指標間之相關性分析;該第二資料處理模組係分析各該動態生理參數與該肺功能判斷指標間之相關性。
本發明係提供一種以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法及其系統,其係將一待測者之性別、年紀、待析步態參數及待析生理參數提供予一肺纖維化風險評估模組,使該肺纖維化風險評估模組進行分析處理,而能夠得到一肺纖維化風險指數,透過該肺肺纖維化風險指數係能夠間接評估該待測者之肺功能或是肺纖維化嚴重度之功效,藉此縮短檢測或追蹤肺纖維化患者病況之時間及成本。
於本發明實施例中,該待析步態參數與該待析生理參數為與肺功能判斷指標間具有統計上相關性者,而該待析生理參數係於該待測者進行六分鐘行走測試中即時獲得者,該待析步態參數由該待測者於六分鐘行走測試過程所得步態影像進行分析而得者。
其中,該肺功能判斷指標係為GAP指標或灌流指數。
舉例來說,該待析步態參數係為有FEV1(L)、FEV1(%)、FVC(%)、DLCO(%)、GAP指標、完成六分鐘行走測試後之喘促分數、心率、舒張壓、最大心率或上述至少任二之組合;該待析步態參數係包含有最大步距及移動速率;其中, FEV1(L)、FEV1(%)、FVC(%)等參數係分別與灌流指數間具有正相關性、舒張壓、心跳數、最大心率、移動速率、最大步距等參數係分別與GAP指標間有負相關性。
由於本發明所揭該待析步態參數及/或該待析生理參數係與該肺功能判斷指標具有相關性,故該肺纖維化風險評估模組係透過將該待析步態參數及/或該待析生理參數作為參數進行演算分析後,能夠得到極具可信度之肺纖維化風險指數,藉此能夠評估待測者之肺部纖維化嚴重度。
換言之,本發明所揭以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法及其系統係僅須透過待測者進行臨床常規上之六分鐘步行測試,以得獲得待析步態參數及/或待析生理參數,即能夠完成肺纖維化嚴重度之評估;相較於習知技術來說,不僅大幅降低檢測之時間與成本,且可不受限於設備與場域,增加時間及空間之彈性度,更能增加病患之檢測意願,對於肺纖維化之治療及病況控制都有極大的助益。
為能說明本發明之技術特徵及功效,以下將茲舉本發明若干實施例並搭配數據進行詳細說明如後。
首先,先就本發明所提及之術語進行說明如下,若未說明者,其解釋係依據本發明所屬技術領域且具通常知識者之一般認知或是具公信力支書或文獻進行解釋。
本發明所指術語「GAP指標(GAP score)」,係為目前評估肺纖維化病人疾病嚴重度的黃金標準。
本發明所指術語「FVC (L)」,係為最大吐氣容量。
本發明所指術語「FVC (%)」,係為最大吐氣容量與預測量的比值。
本發明所指術語「FEV1(L)」,係為一秒吐氣量。
本發明所指術語「FEV1(%)」,係為一秒吐氣量與預測量的比值。
本發明所指術語「FEF25-75(L)」,係指用力呼氣中段流量。
本發明所指術語「FEF25-75(%)」,係指用力呼氣中段流量與預測量的比值。
本發明所指術語「DLCO(%)」,係指一氧化碳擴散能力(Diffusion capacity of carbon monoxide)。
本發明所指述語「最大心率(Maximum heart beat)」,係指於六分鐘行走測試期間所測得之最大心率值。
本發明所指術語「心跳數」,係指六分鐘行走測試期間所測得之每分鐘心跳次數。
本發明所指術語「移動速率」,係指六分鐘行走測試期間之移動速率。
本發明所指術語「最大步距」,係指六分鐘行走測試期間之最大跨步距離。
本發明所指術語「灌流指數(perfusion index)」,係為可以作為評估微循環功能狀態之生理訊號,當灌流指數數值越高時,代表微循環功能狀態越好。
本發明所指「相關性」,係指一檢測標的之結果(意即本發明所指之待析生理參數)與一肺功能判斷指標間具有統計上之關聯性,其中,於本發明中,該肺功能判斷指標係為GAP指標或灌流指數。
本發明所指「模組」,是指由數個基礎功能元件組成的特定功能組件,可用來組成具完整功能之系統、裝置或程式,因此,模組係得為一軟體或是一硬體。
本發明之一實施例中係揭露一以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法,其包含有下列步驟:
步驟A:自一待測者於六分鐘行走測試之前後及過程中收集一待析步態參數及/或一待析生理參數;其中:
該待析生理參數係包含有FEV1(L)、FEV1(%)、FVC(%)、GAP指標、DLCO(%)、完成六分鐘行走測試後之喘促分數、心率、舒張壓、最大心率、灌流指數或上述任二以上之組合;該待析步態參數係包含有最大步距及移動速率。
步驟B:將該待析步態參數及該待析生理參數予一肺纖維化風險評估模組,輸出一肺纖維化風險指數,用以評估該待測者之肺功能或肺纖維化之嚴重度。
其中,該些待析生理參數係得透過如藍芽耳機之穿戴式裝置,於測試過程中即時檢測取得,並可透過有線或無線之方式傳輸所測得之生理參數。
該待析步態參數係來自該受試者於六分鐘行走測試過程中之一影像資料以一步態影像分析程序進行影像分析之結果,而該影像資料係得透過一攝影裝置,如相機、鏡頭、手機等所獲得,並且,該影像資料係包含由該受試者之背面及側面所拍攝之影像。
更進一步來說,該步態影像分析程序係包含下列步驟:
步驟101:透過一深度學習模型自該影像資料中得到一待測人體2.5D姿態,其中,該深度學習模型係包含有一空間變換器模塊及一時間變換器模塊。
步驟102:透過如LSTM之深度學習模型進行該待測人體2.5D姿態分類,以判斷該待測人體2.5D姿態是否屬於正常人。
步驟103:自該待測人體2.5D姿態中分析出該待析步態參數。
其中,該待測人體2.5D姿態之獲得流程係如下所述:
先透過如openpose之軟體自該影像資料找出2D姿態,再經過空間變換器模塊(Spatial Transformer)從單一幀影像中,考慮人各個關節之間的關係取出高維度的特徵,再經由時間轉換器模塊(Temporal Transformer),從連續的影像中,考慮幀與幀之間的關係取得高維度的特徵透過自注意力轉換的機制,最終降維後學習出2.5D姿態。
請參閱圖1,本發明之另一實施例係提供一種以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之系統(10),其主要包含有一資料儲存模組(20)、一處理模組(30)及一肺纖維化風險評估模組(40),其中:
該資料儲存模組(20)係儲存複數受試者之年紀、性別等基本資料、各受試者於六分鐘行走測試過程中之一步態影像、一動態生理參數、一肺功能參數及一GAP指標;其中:
該動態生理參數係包含有心率、血氧濃度、行走前之喘促分數、行走後之喘促分數、行走距離中位數、DLCO(%)、灌流指數;一般來說,該動態生理參數係得以一穿戴式裝置或一檢測設備所測得。
該肺功能參數係包含FEV1/FVC (%)、FEV1(L)、FEV1(%)、FVC(L)、FVC(%)、FVC (L)、FEF25-75(L)、FEF25-75(%)、GPA指數。
該步態影像係為各受試者於六分鐘行走測試過程中於至少由兩個不同方向,如受試者之背面及側面拍攝所得之一影像,一般來說,該影像為動態影像。
該處理模組(30)係用以處理和分析該資料儲存模組(20)中之數據,而包含有有一第一資料處理模組(31)及一第二資料處理模組(32),其中:
該第一資料處理模組(31)係先自各該步態影像中得到一人體2.5D姿態特徵,再自該人體2.5D姿態特徵中產出該步態影像參數,並進行該步態影像參數與該肺功能判斷指標間之相關性分析,以輸出與一肺功能判斷指標間具有相關性之步態影像參數;其中,該步態影像參數包含有步速(rhythm)、最大步距(Maximum stride)、移動速率(moving speed)、身體前傾角度(forward leaning angle)、平均關節擺動角度(average shoulder angle)。
而該第一資料處理模組(31)進行影像分析之技術係大致上相同於上述實施例中之步驟101-103所述,故於此不加以贅言。
該第二資料處理模組(32)係分析各該動態生理參數與該肺功能判斷指標間之相關性,以輸出與一肺功能判斷指標間具有相關性之動態生理參數。
該肺纖維化風險評估模組(40)係以該與一肺功能判斷指標間具有相關性之動態生理參數及/或步態影像參數作為演算參數,以生成一肺纖維化風險指數
而為能說明及驗證本發明確實能夠提供與該肺功能判斷指標具有統計上相關性之步態參數或/及生理參數,係透過下列實例來做進一步說明。
實例一:分析相關性試驗(一)
請參表1至表3,募集71位受試者,收集該些受試者之基本資料及GPA指數。各受試者於進行六分鐘行走測試配置穿戴式生理裝置,以於各受試者於進行六分鐘行走測試之前後與過程中進行動態量測,以收集到動態生理參數;並且以Spearman等級相關性分析法進行各步態影像參數及動態生理參數與GPA指數及灌流指數間之相關性的分析,其中,表2與表3中之rs為Spearman´s rho之縮寫。
由表1至表3之結果可知,受試者的年齡中位數63歲(IQR: 53-72),GAP 指數為2.0(IQR: 1-3),最大吐氣量FVC (%)為74%(61-90%)及一秒吐氣量FEV1(%)為75%(54-88%);在六分鐘行走測試前,血氧濃度為96.0 %(96-97.5%),在六分鐘行走測試後,血氧濃度降為93.0%(87-96%),並最低血氧濃度為89.0%(82-93%);六分鐘內行走距離中位數為423公尺(351.5-486);在六分鐘行走測試前之喘促分數為1.0(0-2),在測試後的喘促分數為4.0(2-5)。
將所測得之各動態生理參數進行相關性分析檢定後之結果,結果發現灌流指數與受試者肺功能檢查當中的FVC (%)、FEV1(L)、 FEV1(%)以及完成六分鐘行走測試的喘促分數具有顯著統計之相關性,FVC(%)之相關係數為0.25,FEV1(L)之相關係數為 0.27,FEV1(%)之相關係數為0.33,喘促分數之相關係數為-0.35。此外,由上述結果亦得知GAP指數與六分鐘走路測試後之生理訊號具有顯著負相關性,其中,舒張壓之相關係數為-0.33,心律之相關係數為-0.36,最大心律之相關係數為-0.53。
表1:受試者之基本資料與GPA指數
中位數 | 四分位距(IQR) | |
年齡 | 63.0 | (53-72) |
性別(n,%) | ||
女性 | 39 | (54.9%) |
男性 | 32 | (45.1%) |
身高 | 160.0 | (155-167) |
體重 | 58.0 | (50-69) |
BMI | 22.3 | (19.8-25.1) |
跌倒(n,%) | 1 | (1.4%) |
急診(n,%) | 3 | (4.2%) |
急診次數 | 1.0 | |
住院(n,%) | 9 | (12.7%) |
住院次數 | 1.0 | (1-1.5) |
死亡(n,%) | 3 | (4.2%) |
不良事件產生(n,%) | 10 | (14.1%) |
GPA指數 | 2.0 | (1-3) |
GPA分級(n,%) | ||
0-3 | 59 | (83.1%) |
4-5 | 8 | (11.3%) |
6-7 | 4 | (5.6%) |
表2:六分鐘行走測試前後之動態生理參數
血液挹注比值 | ||||
最大 | 最小 | |||
r s | P值 | r s | P值 | |
心率 | ||||
測試前 | 0.13 | 0.369 | 0.15 | 0.274 |
測試後 | -0.03 | 0.838 | 0.08 | 0.596 |
最大心率 | 0.02 | 0.873 | 0.14 | 0.337 |
血氧 | ||||
測試前 | 0.05 | 0.735 | 0.15 | 0.294 |
測試後 | 0.05 | 0.736 | -0.02 | 0.915 |
最低血氧 | 0.17 | 0.233 | 0.03 | 0.860 |
距離 | 0.19 | 0.188 | 0.06 | 0.698 |
喘促分數 | ||||
測試前 | -0.10 | 0.465 | -0.10 | 0.466 |
測試後 | -0.35 | 0.010 | -0.19 | 0.175 |
表3:動態生理參數與GPA指數間相關性分析結果
血液挹注比值 | ||||
最大 | 最小 | |||
r s | P值 | r s | P值 | |
GPA指數 | -0.06 | 0.605 | -0.12 | 0.324 |
肺功能 | ||||
FVC (L) | 0.09 | 0.443 | 0.16 | 0.186 |
FVC (%) | 0.09 | 0.442 | 0.25 | 0.036 |
FEV1(L) | 0.21 | 0.079 | 0.27 | 0.024 |
FEV1(%) | 0.22 | 0.064 | 0.33 | 0.005 |
FEV1/FVC(%) | 0.07 | 0.540 | 0.03 | 0.792 |
FEF25-75(L) | 0.11 | 0.384 | 0.10 | 0.389 |
FEF25-75(%) | 0.08 | 0.507 | 0.13 | 0.271 |
DLCO | 0.00 | 0.983 | -0.06 | 0.647 |
實例二:分析相關性試驗(二)
募集65位罹患肺纖維化之患者作為受試者,收集受試者之基本資料,包含GAP指數、性別、年紀、DLCO、肺功能數據,並各受試者於六分鐘行走測試過程中之於兩個不同方向(如受試者之背面與側面)所獲得之水平影像及垂直影像,透過人工智慧影像分析取得步態參數:步速(rhythm,單位:step/sec)、最大步距(Maximum stride,單位:m), 移動速率(moving speed,單位:m/sec)、身體前傾角度(forward leaning angle)、平均關節擺動角度(average shoulder angle),再以皮爾森積差相關分析法(Pearson Correlation)及Spearman等級相關性分析法分別進行各該步態參數與GAP指數間之相關性分析,結果如表4所示,其中, rs為Spearman´s rho之縮寫。
由表4之結果可知,GAP指數與最大步距呈現顯著負相關,相關係數為-0.39,並GAP指數與移動速率呈現顯著負相關,相關係數為-0.42。
表4:相關性分析結果
皮爾森積差相關分析 | Spearman等級相關性分析 | |||||
n | r | P值 | n | r s | P值 | |
肺功能 | ||||||
FVC (L) | 65 | -0.47 | <0.001 | 65 | -0.53 | <0.001 |
FVC (%) | 65 | -0.34 | 0.005 | 65 | 0.37 | 0.003 |
FEV1(L) | 65 | -0.58 | <0.001 | 65 | -0.55 | <0.001 |
FEV1(%) | 65 | -0.43 | <0.001 | 65 | -0.41 | 0.001 |
FEV1/FVC(%) | 65 | -0.22 | 0.076 | 65 | 0.04 | 0.733 |
FEF25-75(L) | 65 | -0.31 | 0.012 | 65 | -0.27 | 0.029 |
FEF25-75(%) | 65 | -0.16 | 0.217 | 65 | -0.09 | 0.486 |
DLCO | 58 | -0.44 | 0.001 | 58 | -0.48 | <0.001 |
(10):以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之系統
(20):資料儲存模組
(30):處理模組
(31):第一資料處理模組
(32):第二資料處理模組
(40):肺纖維化風險評估模組
圖1係為本發明之一實施例中所揭以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之系統的示意圖。
無
(10):以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之系統
(20):資料儲存模組
(30):處理模組
(31):第一資料處理模組
(32):第二資料處理模組
(40):肺纖維化風險評估模組
Claims (10)
- 一種以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法,其包含有下列步驟:步驟A:於一待測者於六分鐘行走測試(6 min walking test)過程中收集之一待析步態參數及一待析生理參數,其中,該待析生理參數係包含有灌流指數(perfusion index)、心率、舒張壓及最大心率;該待析步態參數係包含有最大步距(Maximum stride)及移動速率(moving speed);步驟B:將該待析步態參數及該待析生理參數予一肺纖維化風險評估模組,使之輸出一肺纖維化風險指數,其係用以評估該待測者之肺纖維化疾病嚴重度。
- 如請求項1所述以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法,其中,該待析生理參數係更包含有FEV1(L)、FEV1(%)、FVC(%)、GAP指標、DLCO(%)、完成六分鐘行走測試後之喘促分數(Borg scale)。
- 如請求項1所述以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法,其中,於該步驟A中,係以一穿戴式裝置收集該待析生理參數。
- 如請求項1所述以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法,其中,該待析步態參數係為將該待測者於六分鐘行走測試過程中之一影像資料予進行一步態影像分析程序所得者。
- 如請求項4所述以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法,其中,該影像資料係包含來自該待測者於六分鐘行走測試過程中於至少兩個不同方向所獲取之一影像。
- 如請求項4所述以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法,其中,該步態影像分析程序係包含有下列步驟:步驟101:透過一深度學習模型自該影像資料中得到一待測人體2.5D姿態,其中,該深度學習模型係包含有一空間變換器模塊及一時間變換器模塊;步驟102:自該待測人體2.5D姿態中分析出該待析步態參數。
- 一種以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之系統,係包含有:一資料儲存模組,係儲存複數受試者之一年紀、性別及各受試者於六分鐘行走測試過程中之一步態影像、一動態生理參數、一肺功能參數及一GAP指標;一處理模組,以一步態影像分析程序分析各該受試者之步態影像,得到一步態影像參數,並分別進行該些動態生理參數及該些步態影像參數與一肺功能判斷指標間之相關性分析,以輸出與一肺功能判斷指標間具有相關性之動態生理參數及步態影像參數;一肺纖維化風險評估模組,以該與一肺功能判斷指標間具有相關性之動態生理參數及步態影像參數作為演算參數,以生成一肺纖維化風險指數。
- 如請求項7所述以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之系統,其中,該處理模組係包含有一第一資料處理模組及一第二資料處理模組;該第一資料處理模組係先自各該步態影像中得到一人體2.5D姿態特徵,再自該人體2.5D姿態特徵中產出該步態影像參數,並進行該步態影像參數與該肺功能判斷指標間之相關性分析;該第二資料處理模組係分析各該動態生理參數與該肺功能判斷指標間之相關性。
- 如請求項7所述以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之系統,其中,該步態影像係包含各受試者於六分鐘行走測試過程中於至少由兩個不同方向拍攝所得之一影像。
- 如以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之系統,其中,該步態影像參數係包含有步速(rhythm)、最大步距、移動速率、身體前傾角度(forward leaning angle)、平均關節擺動角度(average shoulder angle);該動態生理參數係包含有心率、耳溫、血壓、血氧、灌流指數;該肺功能參數係包含FEV1/FVC(%)、FEV1(L)、FEV1(%)、FVC(L)、FVC(%)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112109911A TWI843486B (zh) | 2023-03-17 | 2023-03-17 | 以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法及其系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW112109911A TWI843486B (zh) | 2023-03-17 | 2023-03-17 | 以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法及其系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWI843486B true TWI843486B (zh) | 2024-05-21 |
Family
ID=92077175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112109911A TWI843486B (zh) | 2023-03-17 | 2023-03-17 | 以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法及其系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI843486B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210057101A1 (en) * | 2019-08-20 | 2021-02-25 | Vinya Intelligence Inc. | In-home remote monitoring systems and methods for predicting health status decline |
CN115721269A (zh) * | 2022-11-07 | 2023-03-03 | 四川大学华西医院 | 一种基于六分钟步行试验的重症康复评估训练系统 |
-
2023
- 2023-03-17 TW TW112109911A patent/TWI843486B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210057101A1 (en) * | 2019-08-20 | 2021-02-25 | Vinya Intelligence Inc. | In-home remote monitoring systems and methods for predicting health status decline |
CN115721269A (zh) * | 2022-11-07 | 2023-03-03 | 四川大学华西医院 | 一种基于六分钟步行试验的重症康复评估训练系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | The obf database: A large face video database for remote physiological signal measurement and atrial fibrillation detection | |
Rudraraju et al. | Cough sound analysis and objective correlation with spirometry and clinical diagnosis | |
Hall et al. | The present and future of cough counting tools | |
CA2872785C (en) | Sound-based spirometric devices, systems, and methods | |
CN109815858B (zh) | 一种日常环境中的目标用户步态识别系统及方法 | |
Hassan et al. | Towards health monitoring using remote heart rate measurement using digital camera: A feasibility study | |
US11903724B2 (en) | Method and a system for detecting a respiratory event of a subject and a method for forming a model for detecting a respiratory event | |
Chowdhury et al. | Machine learning in wearable biomedical systems | |
Sadek et al. | A new approach for detecting sleep apnea using a contactless bed sensor: Comparison study | |
US11854699B1 (en) | Predicting respiratory distress | |
CN115517681A (zh) | Md患者情绪波动监测和情感障碍状态评估的方法和系统 | |
Akbarian et al. | Noncontact sleep monitoring with infrared video data to estimate sleep apnea severity and distinguish between positional and nonpositional sleep apnea: Model development and experimental validation | |
Rahman et al. | BreathEasy: Assessing respiratory diseases using mobile multimodal sensors | |
Vatanparvar et al. | Speechspiro: Lung function assessment from speech pattern as an alternative to spirometry for mobile health tracking | |
Chen et al. | An interpretable deep learning optimized wearable daily detection system for Parkinson’s disease | |
TWI843486B (zh) | 以動態生理參數及/或步態分析評估肺纖維化患者疾病嚴重度之方法及其系統 | |
US20240008765A1 (en) | Establishing method of sleep apnea assessment program, sleep apnea assessment system, and sleep apnea assessment method | |
Khan et al. | Severe analysis of cardiac disease detection using the wearable device by artificial intelligence | |
TWI756793B (zh) | 一種通道資訊處理系統 | |
Chouvarda et al. | Combining pervasive technologies and Cloud Computing for COPD and comorbidities management | |
TWI748485B (zh) | 一種資訊處理系統及其方法 | |
Caporusso et al. | An eye-tracking solution using consumer grade webcams for potential concussion diagnosis and evaluation | |
Winnick et al. | Automated nystagmus detection: Accuracy of slow-phase and quick-phase algorithms to determine the presence of nystagmus | |
US11744505B2 (en) | Traumatic brain injury diagnostics system and method | |
TWI734222B (zh) | 結合腦波與人工智慧進行閱讀障礙診斷之系統 |