WO2023045425A1

WO2023045425A1 - 一种透析中低血压事件风险的评估方法和系统

Info

Publication number: WO2023045425A1
Application number: PCT/CN2022/099129
Authority: WO
Inventors: 高光勇; 魏志雄; 童锦; 周俊全; 李绍林; 朱平; 李斌
Original assignee: 重庆山外山血液净化技术股份有限公司
Priority date: 2021-09-23
Filing date: 2022-06-16
Publication date: 2023-03-30
Also published as: CN113823409A; CN113823409B

Abstract

本发明公开了一种透析中低血压事件风险的评估方法和系统。确定理想RBV曲线的一阶导数曲线。以预定间隔时长采集透析过程中的RBV数据，每次采集的数据使用卡尔曼滤波器进行滤波，计算RBV数据的下降率，使用卡尔曼滤波器对该下降率进行滤波。通过一阶导数曲线计算当前时刻的安全线和禁止线，根据比对下降率与安全线和禁止线的大小，确定风险系数。本发明能滤除采集的RBV数据中的干扰，提高使用RBV评估患者透析过程中低血压事件风险的准确性。同时，使用动态阈值进行低血压事件风险的计算，使其能够更好地适应不同时间段患者对失衡程度的耐受度变化。滤波算法简单，处理速度快，可以实现对RBV数据的实时处理。

Description

一种透析中低血压事件风险的评估方法和系统

技术领域

本发明涉及医疗管理技术领域，尤其是一种透析中低血压事件风险的评估方法和系统。

背景技术

透析中低血压是慢性肾脏病患者透析治疗中最常见的并发症，出现此症状的主要原因之一是透析中的超滤速率与患者体内的再注入速率失衡导致患者体内核心区域的血容量迅速减少，超出患者的耐受能力。通过分析患者在治疗中的相对血容量(RBV)变化情况，可以推断出患者体内的失衡情况，从而评估患者发生低血压事件的风险。此风险值可应用于透析过程中的生物反馈闭环控制，可以提前干预患者体内的失衡情况，降低患者出现低血压事件的几率。具体地，通常通过RBV的绝对值、变化量、变化率(一阶导数)、二阶导数是否超过某一个或多个阈值来判断患者低血压事件是否或发生者发生的风险程度。

CN110151153A公开了一种现有技术方案，其通过每5分钟采集患者RBV数据，对RBV的二阶导数SDRBV进行阈值判断，并可选地结合血压数据，从而判断患者是否会发生低血压事件。另外，在该文献中，还采用了另一种模糊逻辑技术，使用至少两个模糊模块接收血液动力学参数(例如相对血容量和血压)，通过对各个模糊模块的输出进行加权，最终输出至少一个变量，用以评价患者发生低血压事件的危险程度。

CN104346521A公开了另一种现有技术，其采用利用学习算法或神经网络对患者个体透析参数进行学习后对治疗中患者的血液动力学参数进行预测的装置和方法。

现有技术存在以下的不足：

1.RBV的噪声会很大程度干扰RBV的导数变化情况，从而降低对低血压事件判断的准确性。

2.未考虑患者在治疗中对失衡程度的耐受度变化。

3.非实时，可能错过最佳干预时机。

4.判断结果为逻辑值，不利于后续精确的反馈控制。

发明内容

本发明的发明目的在于：针对上述存在的全部或部分问题，提供一种透析中低血压事件风险的评估方法，以及一种透析中低血压事件风险的评估系统，以提高使用RBV评估患者透析过程中低血压事件风险准确性。

本发明采用的技术方案如下：

一种透析中低血压事件风险的评估方法，包括：

以预定间隔时长采集透析过程中的RBV数据，对于每次采集的RBV数据，执行以下流程：

使用预构建的卡尔曼滤波器对所述RBV数据进行滤波；计算观测到的RBV数据的下降率，使用所述卡尔曼滤波器对计算的所述下降率进行滤波；

基于对当前时刻设定的评估门限，对经滤波后的所述下降率进行评估。

进一步的，所述对当前时刻设定的评估门限，包括第一门限、以及高于所述第一门限的第二门限。

进一步的，所述基于对当前时刻设定的评估门限，对经滤波后的所述下降率进行评估，为基于所述第一门限和第二门限，计算经滤波后的所述下降率的风险系数。

进一步的，所述基于对当前时刻设定的评估门限，对经滤波后的所述下降率进行评估，包括：

在经滤波后的所述下降率处于所述第一门限与第二门限之间时，采用线性插值法或单调递增曲线对经滤波后的所述下降率进行评估。

进一步的，所述第一门限为设定的理想RBV曲线的一阶导数在当前时刻的值，所述第二门限为所述第一门限的N倍，N为大于1的常数。

进一步的，所述理想RBV曲线的一阶导数在第i时刻的值FDRBV _i的计算方法为：

FDRBV _i＝n×EDRBV×a ⁱ，

式中，DRBV为预期RBV下降量，T为治疗总时间，n为放大倍数，a为衰减参数。

进一步的，所述卡尔曼滤波器的系统状态预测方程为：

更新方程为：

式中，X _k为当前时刻的系统状态，X _k-1为上一时刻的系统状态，Z _k为当前时刻观测到的系统状态，A为状态转移矩阵，H为观测矩阵，Q、R分别表示系统预测模型和传感器的噪声协方差矩阵，P _k为X _k的协方差矩阵，P _k-1为X _k-1的协方差矩阵，I为单位矩阵，K _k为卡尔曼增益矩阵，是一个中间计算量，带有“^”表示是估计值，带有“ˉ”表示是预测值。

进一步的，所述状态转移矩阵A的计算方法包括：

构建RBV在t时刻的计算模型；

将所述计算模型离散化表示；

计算RBV的变化速率；

使用离散化的计算模型和所述变化速率表示系统状态，与系统状态标准表示方式类比，得到状态转移矩阵。

进一步的，所述观测矩阵H的计算方法包括：

计算观测到的RBV数据的下降率；

使用离散化的计算模型和所述下降率表示观测到的系统状态，与观测到的系统状态标准表示方式类比，得到观测矩阵。

本发明提供的一种透析中低血压事件风险的评估系统，包括数据采集部、数据评估部和数据输出部，所述数据评估部预构建有卡尔曼滤波器，设定有对应各时刻的评估门限；

所述数据采集部，根据配置的采集周期，采集透析过程中的RBV数据；

所述数据评估部，使用所述卡尔曼滤波器对所述RBV数据进行滤波，计算观测到的RBV数据的下降率，使用所述卡尔曼滤波器对计算的所述下降率进行滤波；基于当前时刻的评估门限，对经滤波后的所述下降率进行评估；

所述数据输出部，输出所述数据评估部的评估结果。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明采用卡尔曼滤波对相对血容量数据进行预处理，利用简单的算法滤除干扰信号的影响，使其更好地反应出患者实际的相对血容量变化情况，提高了使用RBV评估患者透析过程中低血压事件风险的准确性。并且，由于卡尔曼滤波算法简单，处理速度快，可以实现对RBV数据的实时处理，减少修正措施的反应时间。

2、本发明使用动态阈值进行低血压事件风险的计算，使其能够更好地适应不同时间段患者对失衡程度的耐受度变化。

3、本发明方法和系统最终的评估结果为对下降率评估得到的归一化风险系数，对风险等级判断更加精细，方便后续的反馈控制或修正措施的参数确定。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是本发评估方法的一个实施方式的流程图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

实施例一

如图1所示，透析中低血压事件风险的评估方法包括以下流程：

第一步、确定透析过程的理想RBV曲线的一阶导数(FDRBV)曲线

首先确定本次治疗预期RBV下降量(DRBV)，以及治疗总时长T，默认DRBV设置为24％，治疗总时长T为4小时。当然，两个数据可根据患者实际情况确定。则整个治疗过程中的RBV平均下降率(EDRBV)为：

取EDRBV的5倍作为初始FDRBV，治疗中第i时刻的FDRBV表示为FDRBV _i，则FDRBV _i使用下式计算：

FDRBV _i＝5×EDRBV×0.985 ⁱ

第二步、建立卡尔曼滤波器方程和确定滤波参数

卡尔曼滤波是一种通过系统输入输出观测数据对系统状态进行最优估计的算法，观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。卡尔曼滤波器(下文简称滤波器)的工作依据两个方程：系统状态转移方程和系统观测方程。

以X _k表示当前时刻的系统状态，系统的状态转移方程可以表示为：

X _k＝AX _k-1+Bu _k+ω _k

式中，A为状态转移矩阵；X _k-1表示上一时刻的系统状态；B为控制矩阵；u _k表示控制向量；ω _k～N(0,Q _k)表示过程激励噪声，是均值为0，方差为Q _k的高斯白噪声。

同时，以Z _k表示使用测量系统观测到的当前时刻的系统状态，其可表示为：

Z _k＝HX _k+v _k

式中，H称为观测矩阵；v _k～N(0,R _k)，表示观测噪声，是均值为0，方差为R _k的高斯白噪声。

透析治疗期间患者的RBV由于超滤是不断变化(下降)的，记为rbv，下降速率记为m。那么t时刻的rbv可以表示为：

rbv _t＝rbv _t-Δt+m _t-Δt×Δt

式中，Δt表示变化时长，rbv _t-Δt表示t-Δt时刻的rbv，m _t-Δt表示t-Δt的变化速率。

将上式的rbv离散化表示为：

rbv _k＝rbv _k-1+m _k-1

从收集的rbv数据分析得出，在没有意外干扰(患者稳定治疗)的情况下，下降速率m在治疗期间是不断减小的，经验公式为：

m _k＝a×m _k-1

则系统的预测方程可以归纳为：

将系统的状态统一表示为X _k，即：

那么有：

即：

B＝0

a的取值在本实施例中为0.985，同第一步中计算FDRBV _i公式中的参数。

对于直接观测到的治疗中的rbv，记为rbv′。定义rbv′的下降率m′为：

其中，C为一常数，linearFit(C)表示对最近的C个rbv′数据进行线性拟合得出的斜率。C的取值决定了对rbv′的短期还是长期变化的估计，在本实施例中，需要对短期变化进行估计，则C取较小值，具体取值取决于rbv′数据的采集周期，在周期为1min的情况下，C取5。

则观测到的系统状态统一表示为Z _k：

由于观测到的参数rbv′、m′与系统状态rbv、m是相同的量，无需进行转化，所以Z _k又可以表示为：

也即：

滤波需要用到以下5个公式：

系统状态预测方程：

式中，带有“^”表示是估计值，带有“ˉ”表示是预测值(下同)。

更新方程：

式中，P _k为X _k的协方差矩阵，P _k-1为X _k-1的协方差矩阵，Q、R分别表示系统预测模型和传感器的噪声协方差矩阵，需要根据实际情况确定，K _k为卡尔曼增益矩阵，是中间计算量，I为单位矩阵。在本实施例中，优选取值为：

第三步、采集RBV数据，进行滤波

以预定时间间隔(如每分钟)采集一次RBV数据。

将采集的RBV数据作为滤波器的第一个输入；并依照第二步中的相关算法得出斜率(linearFit(C))，作为滤波器的第二个输入，对RBV数据及其斜率进行滤波，去除噪声，输出滤波后的RBV和斜率。当然，可以仅对斜率进行滤波。

第四步、生成低血压风险评估系数

根据第一步中的方法计算出当前时刻的FDRBV _i，将其作为RBV斜率的安全线，并将其进行一定程度的放大(例如n×FDRBV _i，n为大于1的正整数)，作为RBV斜率的禁止线。基于设定的安全线及禁止线，对采集的RBV数据进行风险评估。具体的，为根据滤波后的RVB的斜率与安全线和禁止线间的大小关系进行风险评估。

1.如果滤波后的RVB的斜率超过FDRBV _i(即安全线)，则认为极有可能已(或将)发生低血压事件，其风险系数记为1。

2.如果滤波后的RBV的斜率小于FDRBV _i，则认为没有发生低血压事件的风险，其风险系数记为0。

3.如果滤波后的RBV的斜率在FDRBV _i与n×FDRBV _i之间，则采用线性插值法或其它单调递增曲线计算风险系数。

第五部、判断治疗过程是否结束，若是，则结束评估，否则，跳转到第三步，继续对下一次采集的RBV数据进行评估。

实施例二

本实施例公开了一种透析中低血压事件风险的评估系统，包括数据采集部、数据评估部和数据输出部。数据评估部预构建有卡尔曼滤波器，并且设定有对应各时刻的评估门限。

评估门限是基于理想RBV曲线的一阶导数曲线(FDRBV)设定的。首先确定本次治疗预期RBV下降量(DRBV)，以及治疗总时长T，默认DRBV设置为24％，治疗总时长T为4小时。当然，两个数据可根据患者实际情况确定。则整个治疗过程中的RBV平均下降率(EDRBV)为：

取EDRBV的n倍作为初始FDRBV，治疗中第i时刻的FDRBV表示为FDRBV _i，则FDRBV _i使用下式计算：

FDRBV _i＝n×EDRBV×a ⁱ；

式中，n为放大倍数，a为衰减参数，a<1；在本实例中n取5，a取0.985。

评估阈值包括安全线和禁止线，以当前时刻的FDRBV _i作为RBV斜率的安全线，并将其进行一定程度的放大(例如N×FDRBV _i，N为大于1的常数)，作为RBV斜率的禁止线。

预构建的卡尔曼滤波器具体如下：

卡尔曼滤波器(下文简称滤波器)的工作依据两个方程：系统状态转移方程和系统观测方程。

以X _k表示系统状态，系统的状态转移方程可以表示为：

X _k＝AX _k-1+Bu _k+ω _k

同时，以Z _k表示使用测量系统观测到的系统当前状态，其可表示为：

Z _k＝HX _k+v _k

rbv _t＝rbv _t-Δt+m _t-Δt×Δt

将上式的rbv离散化表示为：

rbv _k＝rbv _k-1+m _k-1

m _k＝a×m _k-1

则系统的预测方程可以归纳为：

将系统的状态统一表示为X _k，即：

那么有：

即：

B＝0

a的取值在本方案中为0.985，同第一步中计算FDRBV _i公式中的参数。

则观测到的系统状态统一表示为Z _k：

也即：

滤波需要用到以下5个公式：

系统状态预测方程：

式中，带有“^”表示是估计值(下同)；带有“ˉ”表示是预测值(下同)。

更新方程：

式中，Q、R分别表示系统预测模型和传感器的噪声协方差矩阵，需要根据实际情况确定，K _k为卡尔曼增益矩阵，是中间计算量，I为单位矩阵。在本实施例中，优选取值为：

数据采集部以预定时间间隔(如每分钟)采集一次RBV数据，每次采集的RBV数据均传递给数据评估部。

数据评估部将接收的RBV数据作为滤波器的第一个输入；并依照第二步中的相关算法得出斜率(linearFit(C))，作为滤波器的第二个输入，对RBV数据及其斜率进行滤波，去除噪声，输出滤波后的RBV和斜率。当然，可以仅对斜率进行滤波。

对于经滤波后的斜率，根据其与安全线和禁止线间的大小关系进行风险评估：

数据输出部连接数据评估部，输出数据评估部每次对数据采集部采集的RBV数据的评估结果(即风险系数)。数据输出部输出的数据可作为反馈控制或修正措施的参数。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims

一种透析中低血压事件风险的评估方法，其特征在于，包括：

以预定间隔时长采集透析过程中的RBV数据，对于每次采集的RBV数据，执行以下流程：

使用预构建的卡尔曼滤波器对所述RBV数据进行滤波；计算观测到的RBV数据的下降率，使用所述卡尔曼滤波器对计算的所述下降率进行滤波；

基于对当前时刻设定的评估门限，对经滤波后的所述下降率进行评估。
如权利要求1所述的透析中低血压事件风险的评估方法，其特征在于，所述对当前时刻设定的评估门限，包括第一门限、以及高于所述第一门限的第二门限。
如权利要求2所述的透析中低血压事件风险的评估方法，其特征在于，所述基于对当前时刻设定的评估门限，对经滤波后的所述下降率进行评估，为基于所述第一门限和第二门限，计算经滤波后的所述下降率的风险系数。
如权利要求3所述的透析中低血压事件风险的评估方法，其特征在于，所述基于对当前时刻设定的评估门限，对经滤波后的所述下降率进行评估，包括：

在经滤波后的所述下降率处于所述第一门限与第二门限之间时，采用线性插值法或单调递增曲线对经滤波后的所述下降率进行评估。
如权利要求2～4任一所述的透析中低血压事件风险的评估方法，其特征在于，所述第一门限为设定的理想RBV曲线的一阶导数在当前时刻的值，所述第二门限为所述第一门限的N倍，N为大于1的常数。
如权利要求5所述的透析中低血压事件风险的评估方法，其特征在于，所述理想RBV曲线的一阶导数FDRBV在第i时刻的值FDRBV _i的计算方法为：

FDRBV _i＝n×EDRBV×a ⁱ，

式中，n为放大倍数，DRBV为预期RBV下降量，T为治疗总时间，a为衰减参数。
如权利要求1所述的透析中低血压事件风险的评估方法，其特征在于，所述卡尔曼滤波器的系统状态预测方程为：

更新方程为：

式中，X _k为当前时刻的系统状态，X _k-1为上一时刻的系统状态，Z _k为当前时刻观测到的系统状态，A为状态转移矩阵，H为观测矩阵，Q、R分别表示系统预测模型和传感器的噪声协方差矩阵，P _k为X _k的协方差矩阵，P _k-1为X _k-1的协方差矩阵，I为单位矩阵，K _k为卡尔曼增益矩阵，是一个中间计算量，带有“^”表示是估计值，带有“ˉ”表示是预测值。
如权利要求7所述的透析中低血压事件风险的评估方法，其特征在于，所述状态转移矩阵A的计算方法包括：

构建RBV在t时刻的计算模型；

将所述计算模型离散化表示；

计算RBV的变化速率；

使用离散化的计算模型和所述变化速率表示系统状态，与系统状态标准表示方式类别，得到状态转移矩阵。
如权利要求8所述的透析中低血压事件风险的评估方法，其特征在于，所述观测矩阵H的计算方法包括：

计算观测到的RBV数据的下降率；

使用离散化的计算模型和所述下降率表示观测到的系统状态，与观测到的系统状态标准表示方式类比，得到观测矩阵。
一种透析中低血压事件风险的评估系统，其特征在于，包括数据采集部、数据评估部和数据输出部，所述数据评估部预构建有卡尔曼滤波器，设定有对应各时刻的评估门限；

所述数据采集部，根据配置的采集周期，采集透析过程中的RBV数据；

所述数据评估部，使用所述卡尔曼滤波器对所述RBV数据进行滤波，计算观测到的RBV数据的下降率，使用所述卡尔曼滤波器对计算的所述下降率进行滤波；基于当前时刻的评估门限，对经滤波后的所述下降率进行评估；

所述数据输出部，输出所述数据评估部的评估结果。