WO2020043848A1 - Selbstlernender eingabefilter für medizingeräte - Google Patents

Selbstlernender eingabefilter für medizingeräte Download PDF

Info

Publication number
WO2020043848A1
WO2020043848A1 PCT/EP2019/073138 EP2019073138W WO2020043848A1 WO 2020043848 A1 WO2020043848 A1 WO 2020043848A1 EP 2019073138 W EP2019073138 W EP 2019073138W WO 2020043848 A1 WO2020043848 A1 WO 2020043848A1
Authority
WO
WIPO (PCT)
Prior art keywords
probability
density
input
database
value
Prior art date
Application number
PCT/EP2019/073138
Other languages
English (en)
French (fr)
Inventor
Peter MANDRY
Original Assignee
B. Braun Avitum Ag
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by B. Braun Avitum Ag filed Critical B. Braun Avitum Ag
Priority to US17/271,652 priority Critical patent/US20210338169A1/en
Priority to EP19761856.4A priority patent/EP3844775A1/de
Priority to CN201980061999.1A priority patent/CN112771623A/zh
Priority to JP2021510923A priority patent/JP7474748B2/ja
Publication of WO2020043848A1 publication Critical patent/WO2020043848A1/de

Links

Classifications

    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • G16H40/60—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 operation of medical equipment or devices
    • G16H40/63—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 operation of medical equipment or devices for local operation
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2365—Ensuring data consistency and integrity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G16H40/40—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 of medical equipment or devices, e.g. scheduling maintenance or upgrades

Definitions

  • the present invention relates to a method for monitoring the reliability of an input in a medical device according to claim 1 and to the field of medical devices, in particular to a device for
  • the alarm fatigue is a desensitization especially of the clinical
  • Reasons for irrelevant alarms are, for example, the main preparation or measures on the patient, the alarm limits not being adapted to the patient or the clinical situation, the use of sensors with insufficient quality and service life, inadequate threshold logic, "overmonitoring", proactive monitoring and / or faulty alarm transmission.
  • At least one value is entered into the medical device in step S1.
  • step S9 the at least one value with data from the database 1 (DERS)
  • step S9 If the result in step S9 is positive (yes), the process proceeds to step S12 and it is output that the value is “OK”. If the result in step S9 is negative (no), the process moves to step S11 and an error message is output Such an error message is followed by step S14, in which the user is asked whether the entered value from step S1 should be overwritten. In step S13, the user decides not to enter again, that is to say against
  • step S15 Overwriting the previous value, the algorithm is stopped. If the user makes a new entry in step S13, the previous value which has been assessed as incorrect is overwritten and then output as “OK”. Thereafter, the algorithm is ended / stopped until a new entry (step S15).
  • the object of the present invention is to avoid the aforementioned disadvantages and problems and to provide a method and a device for reducing the false alarms, as a result of which the safety of medical devices is increased.
  • This object is achieved by a method for monitoring the reliability of an input in a medical device with the features of claim 1 and by a device for monitoring the reliability of an input in a medical device with the features of claim 9.
  • the present invention relates to a method for monitoring the
  • a first step at least one value is entered into the medical device. After the input, a probability of occurrence density of the at least one value is calculated based on an input history. The input history provides historical data which are stored in a first database. Then, in a further step, an error probability of the input from an a priori error probability density and the previously calculated one
  • Error probability density is stored in the first database and is in front of the Calculation of the probability of errors loaded from the database.
  • An a priori error probability density is a discrete or absolutely continuous density function with the associated probability distribution, that is, the a priori probability distribution.
  • Probability of error of the input this is output in the input treatment for further use, such as for dynamic and independent adjustment of alarm limits when checking the correctness of the at least one entered value.
  • the workload of the clinic staff and the stress of the patients are reduced.
  • inputs are evaluated and processed with the help of a self-learning - using artificial intelligence - flexible and adaptable system.
  • the present invention thus offers a method which, depending on values and experiences, alarm limits dynamically and independently adapts to situations.
  • a probability distribution based on a recursive Bayesian filter it is preferred to use a probability distribution based on a recursive Bayesian filter to calculate the probability of error.
  • all the inputs are stored in the first database in the medical device.
  • the entered numerical values are with the related / correlated inputs, such as alarms, alarm acknowledgments,
  • a (input) filter like a Bayesian filter calculates how
  • the a priori probability distribution from these values Every new entry is offset against this probability.
  • the input is evaluated by the algorithm and the input is declared / confirmed or an alarm is issued if the input has been declared / invalid.
  • the Bayesian filter or the Bayesian estimation method differs from other estimation methods of classic statistics in that they include the
  • a probability distribution over the resulting parameter space must be specified a priori. This makes it possible to include preliminary information, such as, in this case, already known results of various entries up to the time of the new entry.
  • preliminary information such as, in this case, already known results of various entries up to the time of the new entry.
  • values / data are used to move from the a priori distribution to the a posteriori distribution, on which the estimates are based.
  • Occurrence probability density is calculated, from which the filter described above calculates a valid value of the input.
  • the filter works as a recursive Bayes filter type.
  • the a posteriori filter density can be determined recursively using Bayesian estimation theory. Based on the Bayes theorem, the a posteriori filter density can first be expanded and then factored into a recursive one
  • the variables X k , y k describe a value at time k, the variables Xk, Y k a sequence of all values up to time k and the variable p a probability.
  • the denominator of the equation is a normalization constant, so that the integral results in 1 over the distribution function. So only those in the counter of
  • Prediction or a priori distribution density P ⁇ - IL ) and the probability of occurrence distribution density p (y k l x k ) are determined.
  • the a priori distribution density is calculated from the historical input data.
  • the filter adapts to the input behavior of its user and is flexible in relation to its changing behavior.
  • the filter can learn permanently and will continue to filter out new types of incorrect entries independently.
  • Probability of occurrence to a predetermined probability distribution use in particular a Gaussian distribution based on the data of a second database, provided there is no sufficient input history or input history. This is particularly advantageous at the beginning when the first database does not yet have any historical data.
  • the second database contains data from the previous dose error reduction system (DERS for short) according to FIG. 3.
  • training is carried out with test data until a certain threshold value, which preferably corresponds to a work profile of the user, is reached when the probability of error is calculated.
  • the filter is trained with the test data using this "Train-Until-No-Error principle" (short: TUNE) until it reaches a certain threshold when evaluating the entries and thus corresponds to the work profile of the user. But even during use, the filter at TUNE can be trained with this incorrectly rated message in the event of an error.
  • TUNE Train-Until-No-Error principle
  • the invention further relates to a device for monitoring the reliability of an input in a medical device, with a means for entering at least one value into the medical device, a means for calculating a probability of occurrence density of the at least one value based on an input history, a means for calculating an error probability of the input from a database stored in a first and from the first
  • Database loaded a priori error probability density and the calculated Probability of occurrence density and a means for outputting the probability of error for further use in the input treatment.
  • the device described above is designed to carry out all of the steps described above.
  • 1 shows the sequence of the method for monitoring the reliability of an input in the form of a flow chart.
  • the user enters at least one value in the step S1
  • step S2 The occurrence probability density of the at least one value is then calculated in step S3 on the basis of historical data.
  • the historical data are stored in the first database 3.
  • step S4 the a-priori error probability density is loaded from the first database 3. This loaded a-priori error probability density and the probability of occurrence density calculated in step S3 become in one step S5
  • Calculation device 2 calculates the error probability of the input.
  • Step S6 outputs the error probability calculated in step S5 for further use in the input treatment.
  • the a-priori error probability density is recalculated and loaded into the first database 3 in step S8. In other words, a new data point is added to the first database 3.
  • a step S1 at least one value is entered into the medical device by a user, which is stored in a step S2 in the first database 3 and processed in the calculation device 2, which carries out the algorithm, in accordance with the flowchart from FIG.
  • the validity value of the input is determined in step S9 as to whether the input value is assessed as positive / correct (yes) or negative / incorrect (no).
  • step S12 it is output that the value is “OK” and the algorithm is ended.
  • step S11 which outputs an error.
  • step S13 the user must finally
  • step S14 decides whether he wants to make a new entry so as to overwrite the value in a step S14 or whether he does not want to make any new entries.
  • the process then goes to step S12 and again an “OK” is output and the algorithm is ended.
  • the process proceeds to step S15, which ends / stops the algorithm.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Psychiatry (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Power Engineering (AREA)

Abstract

Das Verfahren zur Überwachung der Zuverlässigkeit einer Eingabe bei einem medizinischen Gerät, mit einem Schritt, in welchem mindestens ein Wert in das medizinische Gerät weingegeben wird, eine Auftretenswahrscheinlichkeitsdichte des mindestens einen Werts auf der Grundlage einer Eingabehistorie berechnet wird, eine Fehlerwahrscheinlichkeit der Eingabe aus einer in einer ersten Datenbank hinterlegten und aus der ersten Datenbank geladenen a-priori-Fehlerwahrscheinlichkeitsdichte und der berechneten Auftretenswahrscheinlichkeitsdichte berechnet wird und die Fehlerwahrscheinlichkeit zur weiteren Verwendung in der Eingabebehandlung ausgegeben wird.

Description

Selbstlernender Eingabefilter für Medizingeräte
Beschreibung
Technisches Gebiet der Erfindung
Die vorliegende Erfindung bezieht sich auf ein Verfahren zur Überwachung der Zuverlässigkeit einer Eingabe bei einem medizinischen Gerät gemäß Anspruch 1 und auf den Bereich medizinischer Geräte, insbesondere auf eine Vorrichtung zur
Überwachung der Zuverlässigkeit einer Eingabe bei einem medizinischen Gerät gemäß Anspruch 9.
Hintergrund der Erfindung
Mitarbeiter von Intensivstationen hören bei ihrer täglichen Arbeit eine Vielzahl von Alarmen. Pro Patient gibt es pro Tag zwischen 150 und 350 Alarme, wobei hierbei oft verschiedene Geräte mit nahezu ununterscheidbaren Tönen um Aufmerksamkeit konkurrieren. Mit zunehmender Technisierung und mit der Zunahme der Invasivität der Patientenüberwachung steigt die Anzahl von Alarmen und Fehlalarmen auf den
Intensivstationen. Dies kann unter anderem zu einer Desensibilisierung und damit zu einer Gefährdung der Patienten führen.
In diesem Zusammenhang warnt beispielsweise die amerikanische Joint
Commission on Accreditation of Healthcare Organizations, welche unter anderem für die Zertifizierung amerikanischer Kliniken zuständig ist, dass eine Alarm-Fatigue oder Alarmermüdung/Alarmmüdigkeit der Mitarbeiter die Patientensicherheit gefährdet. Hierbei benennt das Emergency Care Research Institute diese Alarm-Fatigue seit zwei Jahren als größte medizintechnologische Gefahr.
Die Alarm-Fatigue ist eine Desensibilisierung insbesondere des klinischen
Personals durch zu viele irrelevante Alarme medizinischer Geräte. Neben einer Desensibilisierung und einer Überlastung, wodurch unangemessene Reaktionen auf Alarme hervorgerufen werden können, unterbrechen zu viele Alarme die pflegerische Tätigkeit, wodurch Fehler passieren, und erhöhen den Stress der Patienten. Des Weiteren verursachen häufige und vor allem irrelevante Alarme eine unnötige
Arbeitslast.
Ursachen für irrelevante Alarme sind beispielsweise die Hauptvorbereitung oder Maßnahmen am Patienten, fehlende Anpassung der Alarmgrenzen an den Patienten bzw. an die Kliniksituation, Verwendung von Sensoren mit insuffizienter Qualität und Lebensdauer, inadäquate Schwellwertlogik,„Overmonitoring“, proaktives Überwachen und/oder fehlerhafte Alarmübertragung.
Stand der Technik
Die meisten Alarme ertönen, weil vorgegebene Alarmgrenzen über- oder unterschritten werden. Diese Alarmgrenzen sind entweder fest in der Software programmiert oder in einer Datenbank hinterlegt, die nur mit großem Aufwand manuell geändert werden kann. Somit ist es Klinikmitarbeitern nicht möglich, Alarmgrenzen selbstständig und auf einfachem Wege je nach Bedarf anzupassen.
Der Nachteil der starren Programmierung von Fehlergrenzen liegt darin, dass diese Grenzen nicht für jede Situation passend sein können. So kann z.B. Aspirin in kleinsten Dosen zur Verhinderung der Thrombozytenaggregation und in hohen Dosen zur Schmerzreduktion eingesetzt werden. Eine Unterdosierung würde durch die Datenbank somit nicht erkannt werden.
Ein Algorithmus für medizinische Geräte, wie er bisher mit fest programmierten Alarmgrenzen verwendet wurde, ist in Fig. 3 der nachstehenden Figuren beschrieben. Dabei wird in Schritt S1 zumindest ein Wert in das medizinische Gerät eingegeben. In Schritt S9 wird der zumindest eine Wert mit Daten aus der Datenbank 1 (DERS
Datenbank, welche bereits von bekannten System übernommen wurde)
verrechnet/abgeglichen. Ist das Ergebnis in Schritt S9 positiv (ja), wird zu Schritt S12 übergegangen und ausgegeben, dass der Wert„OK“ ist. Ist das Ergebnis in Schritt S9 negativ (nein), wird zu Schritt S11 übergegangen und eine Fehlermeldung ausgegeben Auf eine solche Fehlermeldung folgt der Schritt S14, in welchem der Benutzer gefragt wird, ob der eingegebene Wert aus Schritt S1 überschrieben werden soll. Entscheidet sich der Benutzer in Schritt S13 gegen eine erneute Eingabe, also gegen ein
Überschreiben des vorherigen Werts, wird der Algorithmus gestoppt. Falls der Benutzer in Schritt S13 eine neue Eingabe macht, wird der vorherige, als falsch bewertete Wert, überschrieben und anschließend als„OK“ ausgegeben. Danach ist der Algorithmus bis zu einer neuen Eingabe beendet/gestoppt (Schritt S15).
Somit haben die bisherigen Lösungen den Nachteil, dass die starre Festlegung der Alarmgrenzen bei der Überprüfung der Korrektheit der eingegebenen Werte zu Fehlalarmen sowie unerkannten Fehlbedienungen führen, was letztendlich den
Patienten gefährdet und im schlimmsten Fall zu dessen Tod führen kann.
Aufgabe der vorliegenden Erfindung ist es, die vorgenannten Nachteile und Probleme zu vermeiden und ein Verfahren und eine Vorrichtung bereitzustellen, um die Fehlalarme zu reduzieren, wodurch die Sicherheit von Medizingeräten erhöht wird.
Diese Aufgabe wird durch ein Verfahren zur Überwachung der Zuverlässigkeit einer Eingabe bei einem medizinischen Gerät mit den Merkmalen des Patentanspruchs 1 und durch eine Vorrichtung zur Überwachung der Zuverlässigkeit einer Eingabe bei einem medizinischen Gerät mit den Merkmalen des Patentanspruchs 9 gelöst.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.
Die vorliegende Erfindung betrifft ein Verfahren zur Überwachung der
Zuverlässigkeit einer Eingabe bei einem medizinischen Gerät. In einem ersten Schritt wird dabei mindestens ein Wert in das medizinische Gerät eingegeben. Nach der Eingabe wird eine Auftretenswahrscheinlichkeitsdichte des mindestens einen Werts auf der Grundlage einer Eingabehistorie berechnet. Die Eingabehistorie stellt historische Daten zur Verfügung, welche in einer ersten Datenbank gespeichert sind. Anschließend wird in einem weiteren Schritt eine Fehlerwahrscheinlichkeit der Eingabe aus einer a- priori-Fehlerwahrscheinlichkeitsdichte und der zuvor berechneten
Auftretenswahrscheinlichkeitsdichte berechnet. Die a-priori-
Fehlerwahrscheinlichkeitsdichte ist in der ersten Datenbank hinterlegt und wird vor der Berechnung der Fehlerwahrscheinlichkeit aus der Datenbank geladen. Als eine a-priori- Fehlerwahrscheinlichkeitsdichte wird eine diskrete oder absolutstetige Dichtefunktion mit der dazugehörigen Wahrscheinlichkeitsverteilung, sprich der a-priori- Wahrscheinlichkeitsverteilung, bezeichnet. Nach der Berechnung der
Fehlerwahrscheinlichkeit der Eingabe, wird diese zur weiteren Verwendung, wie zum dynamischen und selbstständigen Anpassen von Alarmgrenzen bei der Überprüfung der Korrektheit des mindestens einen eingegebenen Werts, in der Eingabebehandlung ausgegeben. In anderen Worten bedeutet das, dass die Alarmgrenzen basierend auf der ausgegebenen Fehlerwahrscheinlichkeit angepasst werden. Hierbei ist es bevorzugt, wenn die Anpassung der Alarmgrenzen selbstständig/automatisch
durchgeführt wird.
Mit diesem Verfahren kann die Anzahl der Fehlermeldungen, insbesondere auf die wichtigsten Fehlermeldungen reduziert werden, wodurch es möglich ist, die Gefahr der Alarmmüdigkeit zu verringern. Zudem haben weniger Fehlanwendungen den Vorteil, dass die Anzahl der Opfer von Fehlanwendungen verringert werden kann. Zusätzlich kann durch das beschriebene flexible und selbstlernende Verfahren/System die
Arbeitslast der Klinikmitarbeiter sowie der Stress der Patienten reduziert werden. Mit anderen Worten werden Eingaben mit Hilfe eines selbstlernenden - mittels künstlicher Intelligenz - flexiblen und anpassungsfähigen Systems bewertet und weiter verarbeitet. Somit bietet die vorliegende Erfindung ein Verfahren, welches in Abhängigkeit von Werten und Erfahrungen, Alarmgrenzen dynamisch und selbstständig an Situationen anpasst.
In einem zusätzlichen Schritt ist es vorteilhaft, den mindestens einen
eingegebenen Wert in der ersten Datenbank zu speichern, sowie die a-priori- Fehlerwahrscheinlichkeitsdichte neu zu berechnen und die neuberechnete a-priori- Fehlerwahrscheinlichkeitsdichte ebenfalls in der ersten Datenbank zu speichern.
Es ist bevorzugt, eine Wahrscheinlichkeitsverteilung auf der Grundlage eines rekursiven Bayes-Filter zur Berechnung der Fehlerwahrscheinlichkeit zu verwenden. Mit anderen Worten werden in dem Medizingerät alle Eingaben in der ersten Datenbank gespeichert. Die eingegebenen numerischen Werte werden mit den damit zusammenhängenden/korrelierenden Eingaben, wie Alarme, Alarmquittungen,
Alarmbeschreibungen und -Stornierungen, festgehalten.
Dabei berechnet ein (Eingabe-) Filter in der Art eines Bayes-Filter, wie
beispielsweise Kalman, Partikel Filter, Hidden Markov Model und/oder Dynamisches Bayer-Netzwerk, aus diesen Werten die a priori Wahrscheinlichkeitsverteilung. Jede neue Eingabe wird mit dieser Wahrscheinlichkeit verrechnet. Aufgrund der daraus resultierenden a-posteriori-Wahrscheinlichkeit wird die Eingabe durch den Algorithmus bewertet und die Eingabe für gültig erklärt/befunden oder ein Alarm ausgegeben, wenn die Eingabe für ungültig erklärt/befunden wurde.
Der Bayes-Filter bzw. die Bayes’sche Schätzmethode unterscheidet sich von anderen Schätzmethoden der klassischen Statistik dadurch, dass sie die zu
schätzenden Parameter als Zufallsvariablen behandelt. Dies hat zur Folge, dass eine Wahrscheinlichkeitsverteilung über dem sich ergebenen Parameterraum a-priori spezifiziert werden muss. Dadurch ist es möglich, Vorinformationen mit einzubeziehen, wie bspw. in diesem Fall bereits bekannte Ergebnisse verschiedener Eingaben bis zu dem Zeitpunkt der neuen Eingabe. Nach der Spezifikation der a-priori-Verteilung werden Werte/Daten dazu genutzt, um von der a-priori-Verteilung zur a-posteriori- Verteilung zu gelangen, auf der schließlich die Schätzungen basieren.
Das vorstehend beschriebene Verfahren bietet die Möglichkeit eines Algorithmus mit sich anpassenden Alarmgrenzen. Dabei werden alle Eingaben in der ersten
Datenbank erfasst und für die Werte eine a-priori-Verteilungsdichte und
Auftretenswahrscheinlichkeitsdichte berechnet, woraus der vorstehend beschriebene Filter einen Gültigkeitswert der Eingabe berechnet.
Der Filter arbeitet in der Funktion eines rekursiven Bayes Filter Typs. Dabei kann die a-posteriori-Filterdichte rekursiv durch die Bayes’sche Schätztheorie bestimmt werden. Ausgehend von dem Bayes-Theorem kann die a-posteriori-Filterdichte zunächst expandiert und anschließend faktorisiert werden, um eine rekursive
Bestimmungsgleichung zu erhalten:
Figure imgf000007_0001
In der Gleichung beschreiben die Variablen Xk, yk einen Wert zum Zeitpunkt k, die Variablen Xk, Yk eine Sequenz sämtlicher Werte bis zum Zeitpunkt k und die Variable p eine Wahrscheinlichkeit.
Der Nenner der Gleichung ist eine Normalisierungskonstante, so dass das Integral über die Verteilungsfunktion 1 ergibt. Somit müssen lediglich die im Zähler der
Gleichung stehenden Prädikations- bzw. a-priori-Verteilungsdichte P ^-IL) und die Auftretenswahrscheinlichkeit-Verteilungsdichte p(yklx k) bestimmt werden. Die a-priori- Verteilungsdichte wird aus den historischen Eingabedaten berechnet. Dies sind
Eingabedaten, welche in der Vergangenheit bereits als richtig oder falsch bewertet wurden. Die Auftretenswahrscheinlichkeits-Verteilungsdichte ergibt sich aus der
Wahrscheinlichkeit des Auftretens des jeweiligen einzelnen Eingabewertes. Für beide Berechnungen sind die Daten in der ersten Datenbank vorhanden.
Somit ist es bei Verwendung des Bayes-basierten Filters vorteilhaft, dass sich der Filter an das Eingabeverhalten seines Benutzers anpasst und sich gegenüber dessen verändernden Verhalten flexibel zeigt. Der Filter kann permanent lernen und wird so weiterhin neue Arten von Fehleingaben selbständig herausfiltern.
In einem weiteren Schritt ist bevorzugt, zum Ermitteln der
Auftretenswahrscheinlichkeit eine vorbestimmte Wahrscheinlichkeitsverteilung zu verwenden, insbesondere einer Gauss-Verteilung auf der Grundlage der Daten einer zweiten Datenbank, sofern keinen Eingabehistorie oder keine Eingabehistorie in ausreichender Menge vorliegt. Dies ist vor allem am Anfang vorteilhaft, wenn die erste Datenbank noch keine historischen Daten hat. In der zweiten Datenbank sind Daten aus dem bisherigen Dosis-Fehler-Reduktions-System (engl. Dosis Error Reduction System, kurz: DERS) gemäß Fig. 3 enthalten.
Ferner werden in einem weiteren Schritt alle eingegebenen Werte gespeichert und die Auftretenswahrscheinlichkeitsdichte aller eingegebenen Werte berechnet sowie die a-priori-Fehlerwahrscheinlichkeitsdichte auf der Grundlage aller eingegebenen Werte berechnet. Dieses Vorgehen beinhaltet eine Trainingsmethode nach dem„Train- Everything-Prinzp“ (kurz: TEFT) und bietet durch die Veranlassung alle Eingaben in den Datenbestand aufzunehmen, den großen Vorteil, dass sich der Filter sehr schnell an die neuen Eingaben - bzw. Gewohnheiten anpasst. Allerdings ist diese Tatsache
gleichzeitig damit verbunden, dass bei schnell wechselndem Eingabe-Verhalten auf vorstehende Weise sehr schnell viele Daten entstehen, die ungewollt starken Einfluss auf die Bewertung haben und zu Fehlern führen können.
In einem alternativen Schritt werden nur solche eingegebenen Werte, welche seitens eines Benutzers als fehlerhaft beurteilt wurden, gespeichert und anschließend die a-priori-Fehlerwahrscheinlichkeitsdichte auf der Grundlage der anfänglichen a-priori- Fehlerwahrscheinlichkeitsdichte und der als fehlerhaft beurteilten Werte neuberechnet. Bei dieser„Train-On-Error-Methode“ (kurz: TOE) wird der Lernprozess des Filters nur dann in Gang gesetzt, wenn beim Bewerten der Eingabe ein Fehler begangen wurde. Solange der Benutzer eine Fehlermeldung nicht explizit überschreibt, arbeitet der Filter nur auf Basis der zu Beginn gelernten a-priori-Wahrscheinlichkeiten. Aus diesem Grund passt sich ein mit dieser Methode arbeitender Filter nur langsam an neu auftauchenden SPAM/Fehlern an. Allerdings wird so im Vergleich zum TEFT -Prinzip relativ wenig Speicherplatz für den Datenbestand verbraucht.
Ferner wird in einem alternativen Schritt die Berechnung der
Auftretenswahrscheinlichkeitsdichte und die Neuberechnung der a-priori- Fehlerwahrscheinlichkeitsdichte unterbrochen, sobald für den zumindest einen eingegebenen Wert eine vorbestimmte Menge an gespeicherten Werten in der
Datenbank abgespeichert worden ist. Diese Unterbrechung wird aufgehoben, wenn ein eingegebener Wert seitens eines Benutzers als fehlerhaft beurteilt worden ist. Diese als „Train-Until-Mature-Methode“ (kurz: TUM) bezeichnete Trainingsmethode ist ein
Kompromiss zwischen den beiden vorstehend genannten Methoden TEFT und TOE. Hierbei erreichen Datenpunkte eine vorbestimmte Menge an gespeicherten
Daten/Werten, also einen gewissen„Reifegrad“. So wird der Filter mit diesen
Datenpunkten solange nicht trainiert, bis eine Fehlermeldung überschrieben wird. Erst dann wird dieser Datenpunkt entsprechend in die Datenbank eingefügt bzw. bereits vorhandene Anzahl um eins erhöht.
In einem weiteren alternativen Schritt wird mit Testdaten solange trainiert, bis bei der Berechnung der Fehlerwahrscheinlichkeit ein bestimmter, vorzugsweise einem Arbeitsprofil des Benutzers entsprechender, Schwellwert erreicht ist. Mit anderen Werten, wird der Filter bei dieser„Train-Until-No-Error-Prinzip“ (kurz: TUNE) solange mit den Testdaten trainiert, bis er beim Bewerten der Eingaben einen bestimmten Schwellwert erreicht und so dem Arbeitsprofil des Anwenders entspricht. Aber auch während des Einsatzes kann der Filter bei TUNE im Falle eines Fehlers mit dieser falsch bewerteten Nachricht trainiert werden,. Der Nachteil hierbei ist allerdings, dass bei TUNE die Zeit des Trainierens mit Testdaten je nach Umfang dieser und
Rechenleistung extrem lang werden kann.
Somit stehen vier Trainingsmöglichkeit zur Verfügung, mit welchen das System angelernt werden kann.
Ferner betrifft die Erfindung eine Vorrichtung zur Überwachung der Zuverlässigkeit einer Eingabe bei einem medizinischen Gerät, mit einem Mittel zum Eingeben mindestens eines Werts in das medizinische Gerät, einem Mittel zum Berechnen einer Auftretenswahrscheinlichkeitsdichte des mindestens einen Werts auf der Grundlage einer Eingabehistorie, einem Mittel zum Berechnen einer Fehlerwahrscheinlichkeit der Eingabe aus einer in einer ersten Datenbank hinterlegten und aus der ersten
Datenbank geladenen a-priori-Fehlerwahrscheinlichkeitsdichte und der berechneten Auftretenswahrscheinlichkeitsdichte und einem Mittel zum Ausgeben der Fehlerwahrscheinlichkeit zur weiteren Verwendung in der Eingabebehandlung.
Des Weiteren ist die vorstehend beschriebene Vorrichtung dazu ausgebildet alle vorstehend beschriebenen Schritte durchzuführen.
Die Erfindung wird nachstehend anhand bevorzugter Ausführungsbeispiele unter Bezugnahme auf die begleitenden Zeichnungen näher erläutert.
Fig. 1 zeigt ein Flussdiagramm eines Verfahrens zur Überwachung der
Zuverlässigkeit einer Eingabe;
Fig. 2 zeigt einen skizzierten Algorithmus mit sich anpassenden Alarmgrenzen; und
Fig. 3 zeigt einen skizzierten Algorithmus mit festen Alarmgrenzen aus dem Stand der Technik.
Nachstehend werden Ausführungsbeispiele der vorliegenden Offenbarung auf der Basis der zugehörigen Figuren beschrieben. Gleiche oder funktional äquivalente Merkmale sind in den einzelnen Figuren mit denselben Bezugszeichen versehen und werden zweckmäßig nicht mehrfach beschrieben.
In Fig. 1 wird der Ablauf des Verfahrens zur Überwachung der Zuverlässigkeit einer Eingabe in Form eines Flussdiagramms gezeigt.
Zunächst gibt der Benutzer in Schritt S1 mindestens einen Wert in das
medizinische Gerät ein, welcher in Schritt S2 in einer ersten Datenbank 3 gespeichert wird. Anschließend wird in Schritt S3 die Auftretenswahrscheinlichkeitsdichte des mindestens einen Werts auf der Grundlage historischer Daten berechnet. Die historischen Daten sind in der ersten Datenbank 3 hinterlegt. In einem Schritt S4 wird die a-priori-Fehlerwahrscheinlichkeitsdichte aus der ersten Datenbank 3 geladen. Aus dieser geladenen a-priori-Fehlerwahrscheinlichkeitsdichte und der in Schritt S3 berechneten Auftretenswahrscheinlichkeitsdichte wird in Schritt S5 in einer
Berechnungseinrichtung 2 die Fehlerwahrscheinlichkeit der Eingabe berechnet. In Schritt S6 wird die in Schritt S5 berechnete Fehlerwahrscheinlichkeit zur weiteren Verwendung in der Eingabebehandlung ausgegeben. In einem letzten Schritt S7 wird die a-priori-Fehlerwahrscheinlichkeitsdichte neu berechnet und in Schritt S8 in die erste Datenbank 3 geladen. Mit anderen Worten wird der ersten Datenbank 3 ein neuer Datenpunkt hinzugefügt.
In Fig. 2 ist ein Algorithmus mit sich anpassenden Alarmgrenzen skizziert.
In einem Schritt S1 wird von einem Benutzer zumindest ein Wert in das medizinische Gerät eingeben, welcher in einem Schritt S2 in der ersten Datenbank 3 gespeichert und in der Berechnungseinrichtung 2, welche den Algorithmus durchführt, gemäß dem Ablaufdiagramm aus Fig.1 verarbeitet wird. Durch das von der
Berechnungseinrichtung 2 ausgegebene Ergebnis bzw. dem ausgegebenen
Gültigkeitswert der Eingabe wird in Schritt S9 festgelegt, ob der eingegebene Wert als positiv/richtig (ja) oder negativ/falsch (nein) bewertet wird.
In dem Fall, dass das von der Berechnungseinrichtung 2 ausgegebene Ergebnis positiv (ja) ausfällt, also kein Alarm ausgegeben wird, wird zu Schritt S12 übergangen. In Schritt S12 wird ausgegeben, dass der Wert„OK“ ist und der Algorithmus wird beendet.
In dem Fall, dass das von der Berechnungseinrichtung 2 ausgegebene Ergebnis als negativ (nein) bewertet wird, wird zu Schritt S11 übergegangen, welcher einen Fehler ausgibt. In einem weiteren Schritt S13 muss der Benutzer schließlich
entscheiden, ob er eine neue Eingabe machen möchte, um so den Wert in einem Schritt S14 zu überschreiben oder ob er keine neue Eingaben machen möchte. Im ersten Fall, wenn der Benutzer entscheidet, den Wert in Schritt S14 zu überschreiben, wird anschließend zu Schritt S12 übergegangen und wiederum ein„OK“ ausgegeben und der Algorithmus wird beendet. In dem Fall, in dem sich der Benutzer gegen eine erneute Eingabe entscheidet und somit der Wert in Schritt S14 nicht überschrieben wird, wird zu Schritt S15 übergegangen, welcher den Algorithmus beendet/stoppt.

Claims

Ansprüche
1. Verfahren zur Überwachung der Zuverlässigkeit einer Eingabe bei einem medizinischen Gerät, mit den Schritten:
Eingeben mindestens eines Werts in das medizinische Gerät;
Berechnen einer Auftretenswahrscheinlichkeitsdichte des mindestens einen Werts auf der Grundlage einer Eingabehistorie;
Berechnen einer Fehlerwahrscheinlichkeit der Eingabe aus einer in einer ersten Datenbank hinterlegten und aus der ersten Datenbank geladenen a-priori- Fehlerwahrscheinlichkeitsdichte und der berechneten
Auftretenswahrscheinlichkeitsdichte; und
Ausgeben der Fehlerwahrscheinlichkeit zur weiteren Verwendung in der
Eingabebehandlung zum dynamischen und selbstständigen Anpassen von
Alarmgrenzen bei der Überprüfung der Korrektheit des mindestens einen eingegebenen Werts.
2. Verfahren nach Anspruch 1 , ferner mit dem Schritt:
Speichern des mindestens einen eingegebenen Werts in der ersten Datenbank; Neuberechnen der a-priori-Fehlerwahrscheinlichkeitsdichte; und
Speichern der neuberechneten a-priori-Fehlerwahrscheinlichkeitsdichte in der ersten Datenbank.
3. Verfahren nach Anspruch 1 oder 2, ferner mit dem Schritt:
Verwenden einer Wahrscheinlichkeitsverteilung auf der Grundlage eines rekursiven Bayes-Filter zur Berechnung der Fehlerwahrscheinlichkeit.
4. Verfahren nach einem der Ansprüche 1 bis 3, ferner mit dem Schritt:
Verwenden einer vorbestimmten Wahrscheinlichkeitsverteilung, insbesondere einer Gauss-Verteilung auf der Grundlage der Daten einer zweiten Datenbank zum Erhalten der Auftretenswahrscheinlichkeitsdichte, sofern keine Eingabehistorie oder keine Eingabehistorie in ausreichender Menge vorliegt.
5. Verfahren nach einem der Ansprüche 1 bis 4, ferner mit dem Schritt:
Speichern aller eingegebenen Werte; und
Berechnen der Auftretenswahrscheinlichkeitsdichte aller eingegebenen Werte und Berechnen der a-priori-Fehlerwahrscheinlichkeitsdichte auf der Grundlage aller eingegebenen Werte.
6. Verfahren nach einem der Ansprüche 1 bis 4, ferner mit dem Schritt:
Speichern nur solcher eingegebenen Werte, welche seitens eines Benutzers als fehlerhaft beurteilt wurden; und
Neuberechnen der a-priori-Fehlerwahrscheinlichkeitsdichte auf der Grundlage der anfänglichen a-priori-Fehlerwahrscheinlichkeitsdichte und der als fehlerhaft beurteilten Werte.
7. Verfahren nach einem der Ansprüche 1 bis 6, ferner mit dem Schritt:
Unterbrechen der Berechnung der Auftretenswahrscheinlichkeitsdichte und der
Neuberechnung der a-priori-Fehlerwahrscheinlichkeitsdichte, sobald für den zumindest einen eingegebenen Wert eine vorbestimmte Menge an gespeicherten Werten in der Datenbank abgespeichert worden ist; und
Aufheben der Unterbrechung, wenn ein eingegebener Wert seitens eines
Benutzers als fehlerhaft beurteilt worden ist.
8. Verfahren nach einem der Ansprüche 1 bis 7, ferner mit dem Schritt:
Trainieren mit Testdaten solange, bis bei der Berechnung der
Fehlerwahrscheinlichkeit ein bestimmter, vorzugsweise einem Arbeitsprofil des
Benutzers entsprechender, Schwellwert erreicht ist.
9. Vorrichtung zur Überwachung der Zuverlässigkeit einer Eingabe bei einem medizinischen Gerät, mit den Schritten:
Mittel zum Eingeben mindestens eines Werts in das medizinische Gerät;
Mittel zum Berechnen einer Auftretenswahrscheinlichkeitsdichte des mindestens einen Werts auf der Grundlage einer Eingabehistorie;
Mittel zum Berechnen einer Fehlerwahrscheinlichkeit der Eingabe aus einer in einer ersten Datenbank hinterlegten und aus der ersten Datenbank geladenen a-priori- Fehlerwahrscheinlichkeitsdichte und der berechneten
Auftretenswahrscheinlichkeitsdichte; und
Mittel zum Ausgeben der Fehlerwahrscheinlichkeit zur weiteren Verwendung in der Eingabebehandlung zum dynamischen und selbstständigen Anpassen von
Alarmgrenzen bei der Überprüfung der Korrektheit des mindestens einen eingegebenen Werts.
PCT/EP2019/073138 2018-08-31 2019-08-29 Selbstlernender eingabefilter für medizingeräte WO2020043848A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US17/271,652 US20210338169A1 (en) 2018-08-31 2019-08-29 Self-learning input filter for medical devices
EP19761856.4A EP3844775A1 (de) 2018-08-31 2019-08-29 Selbstlernender eingabefilter für medizingeräte
CN201980061999.1A CN112771623A (zh) 2018-08-31 2019-08-29 用于医疗装置的自学习输入滤波器
JP2021510923A JP7474748B2 (ja) 2018-08-31 2019-08-29 医療機器用の自己学習型入力フィルタ

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018121349.2A DE102018121349A1 (de) 2018-08-31 2018-08-31 Selbstlernender Eingabefilter für Medizingeräte
DE102018121349.2 2018-08-31

Publications (1)

Publication Number Publication Date
WO2020043848A1 true WO2020043848A1 (de) 2020-03-05

Family

ID=67809500

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/073138 WO2020043848A1 (de) 2018-08-31 2019-08-29 Selbstlernender eingabefilter für medizingeräte

Country Status (6)

Country Link
US (1) US20210338169A1 (de)
EP (1) EP3844775A1 (de)
JP (1) JP7474748B2 (de)
CN (1) CN112771623A (de)
DE (1) DE102018121349A1 (de)
WO (1) WO2020043848A1 (de)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070070038A1 (en) * 1991-12-23 2007-03-29 Hoffberg Steven M Ergonomic man-machine interface incorporating adaptive pattern recognition based control system

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000163404A (ja) * 1998-11-25 2000-06-16 Nec Corp データ発生確率推定装置
US8036735B2 (en) * 2007-08-08 2011-10-11 Cardiac Pacemakers, Inc. System for evaluating performance of an implantable medical device
RU2425394C2 (ru) * 2009-03-10 2011-07-27 Федеральное государственное образовательное учреждение высшего профессионального образования "Военный авиационный инженерный университет" (г. Воронеж) Министерства обороны Российской Федерации Способ обнаружения искаженных импульсных сигналов
CN101718634B (zh) * 2009-11-20 2012-05-09 西安交通大学 基于多元概率模型的设备状态综合动态报警方法
US20150142457A1 (en) 2013-11-20 2015-05-21 Toshiba Medical Systems Corporation Apparatus for, and method of, data validation
JP6167948B2 (ja) 2014-03-14 2017-07-26 富士ゼロックス株式会社 障害予測システム、障害予測装置およびプログラム
WO2015164879A1 (en) * 2014-04-25 2015-10-29 The Regents Of The University Of California Recognizing predictive patterns in the sequence of superalarm triggers for predicting patient deterioration
EP2960665B1 (de) * 2014-06-27 2017-05-24 Secure-IC SAS Vorrichtung und Verfahren zur Kalibrierung eines digitalen Sensors
CN104965996B (zh) * 2015-07-23 2017-09-29 济南工程职业技术学院 一种基于贝叶斯公式的年长者生活状态监测推理方法
JP6139615B2 (ja) 2015-09-04 2017-05-31 パラマウントベッド株式会社 異常通報システム、異常通報方法及びプログラム
KR101748122B1 (ko) * 2015-09-09 2017-06-16 삼성에스디에스 주식회사 경보의 오류율 계산 방법
CN106407082B (zh) * 2016-09-30 2019-06-14 国家电网公司 一种信息系统告警方法和装置
CN107137093B (zh) * 2017-04-20 2019-06-07 浙江大学 一种包含异常血糖概率报警器的连续血糖监测设备
CN107246873A (zh) * 2017-07-03 2017-10-13 哈尔滨工程大学 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070070038A1 (en) * 1991-12-23 2007-03-29 Hoffberg Steven M Ergonomic man-machine interface incorporating adaptive pattern recognition based control system

Also Published As

Publication number Publication date
US20210338169A1 (en) 2021-11-04
EP3844775A1 (de) 2021-07-07
JP2021535505A (ja) 2021-12-16
CN112771623A (zh) 2021-05-07
JP7474748B2 (ja) 2024-04-25
DE102018121349A1 (de) 2020-03-05

Similar Documents

Publication Publication Date Title
DE69209688T2 (de) Blutpumpensystem mit Rückflusswarnung
EP0402508B1 (de) Verfahren und Einrichtung zum Detektieren einer Folge von anormalen Ereignissen in einem elektrischen Signal, insbesondere dem Depolarisationssignal eines Herzens
EP2068972B1 (de) Vorrichtung und verfahren zur vorgabe einer dialysierflüssigkeitsrate oder blutflussrate für eine extrakorporale blutbehandlung
EP1078641B1 (de) Sicherheitsvorrichtung für eine Blutbehandlungsvorrichtung und Verfahren zur Erhöhung der Sicherheit einer Blutbehandlungsvorrichtung
DE102014003542B4 (de) Verfahren und Vorrichtung zur Erzeugung eines Alarms während einer maschinellen Patientenbeatmung
EP2913071B1 (de) Vorrichtung zur Erkennung eines Fehlers im extrakorporalen Blutkreislauf
WO2014195077A1 (de) Verfahren und system zur ermittlung eines mess-startzeitpunktes
EP2121417B1 (de) Verfahren und vorrichtung zur ermittlung eines lenkwinkeloffsets
EP3542367A1 (de) Konzertierte alarmbehandlung fuer einen verbund von dialysegeraeten
DE102019202514A1 (de) Verfahren zur digitalen Subtraktionsangiographie, Röntgeneinrichtung, Computerprogramm und elektronisch lesbarer Datenträger
EP3258284B1 (de) Betrieb einer magnetresonanzvorrichtung unter berücksichtigung von implantat-trägern
WO2020043848A1 (de) Selbstlernender eingabefilter für medizingeräte
DE102006049137B4 (de) Medizinisches Überwachungssystem und Verfahren zur Verarbeitung von Alarmsignalen
DE3511697C2 (de)
DE102019118703A1 (de) System und Verfahren zum kontinuierlichen Verifizieren der Bauelementzustandsintegrität
DE112012006972T5 (de) Halbautomatisches Spülsystem für das Spülen einer Wasserleitung und entsprechendes Verfahren
DE10114383B4 (de) Blutdruckvorrichtung und Gerät zur extrakorporalen Blutbehandlung mit einer solchen Blutüberwachungsvorrichtung
DE102014019520B4 (de) Verfahren zur Erzeugung eines Alarms bei der Überwachung eines Patienten und Vorrichtung hierfür
EP3206732A1 (de) Vorrichtung zur ereignisabhängigen grenzwertüberwachung einer dialysemaschine
EP3129081A1 (de) Verfahren zur abschätzung der behandlungsdauer einer peritonealdialyse-behandlung
DE112020006567T5 (de) Diagnosemetrik für das kumulative Vorhandensein von Sogbedingungen
DE102022108410A1 (de) Vorhersage und abschwächung von speicherlecks in einem computersystem
DE102022205047A1 (de) Verfahren zum Erkennen eines Konfliktes
Lunzer News-Screen Rheumatologie
DE102022108218A1 (de) Erkennung von Spitzen in der Speichernutzung in einem Computersystem

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19761856

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021510923

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019761856

Country of ref document: EP

Effective date: 20210331