ES2986666T3 - Interfaz de usuario para sistema de análisis de riesgos del paciente - Google Patents
Interfaz de usuario para sistema de análisis de riesgos del paciente Download PDFInfo
- Publication number
- ES2986666T3 ES2986666T3 ES20187516T ES20187516T ES2986666T3 ES 2986666 T3 ES2986666 T3 ES 2986666T3 ES 20187516 T ES20187516 T ES 20187516T ES 20187516 T ES20187516 T ES 20187516T ES 2986666 T3 ES2986666 T3 ES 2986666T3
- Authority
- ES
- Spain
- Prior art keywords
- patient
- user
- risk
- clinical
- states
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000012502 risk assessment Methods 0.000 title description 6
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000005259 measurement Methods 0.000 claims description 127
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 79
- 230000006870 function Effects 0.000 claims description 43
- 230000004044 response Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 42
- 238000011282 treatment Methods 0.000 description 36
- 229910052760 oxygen Inorganic materials 0.000 description 33
- 239000001301 oxygen Substances 0.000 description 33
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 31
- 239000003550 marker Substances 0.000 description 24
- 108010054147 Hemoglobins Proteins 0.000 description 23
- 102000001554 Hemoglobins Human genes 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 23
- 239000002245 particle Substances 0.000 description 23
- 230000000747 cardiac effect Effects 0.000 description 22
- 239000003814 drug Substances 0.000 description 21
- 239000008280 blood Substances 0.000 description 20
- 210000004369 blood Anatomy 0.000 description 20
- 229940079593 drug Drugs 0.000 description 20
- 230000035939 shock Effects 0.000 description 20
- 230000008859 change Effects 0.000 description 18
- 238000009826 distribution Methods 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 230000003993 interaction Effects 0.000 description 15
- 230000000670 limiting effect Effects 0.000 description 15
- 230000036593 pulmonary vascular resistance Effects 0.000 description 15
- 238000012552 review Methods 0.000 description 15
- 238000012800 visualization Methods 0.000 description 15
- 230000010354 integration Effects 0.000 description 13
- 239000002131 composite material Substances 0.000 description 11
- 230000000004 hemodynamic effect Effects 0.000 description 10
- 201000005503 Hypoplastic left heart syndrome Diseases 0.000 description 9
- 230000002685 pulmonary effect Effects 0.000 description 9
- 230000007704 transition Effects 0.000 description 9
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 8
- 238000012952 Resampling Methods 0.000 description 7
- 230000036772 blood pressure Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000001960 triggered effect Effects 0.000 description 7
- 230000004087 circulation Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 230000009885 systemic effect Effects 0.000 description 6
- 230000017531 blood circulation Effects 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 230000002980 postoperative effect Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 239000012925 reference material Substances 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000011269 treatment regimen Methods 0.000 description 5
- 206010021143 Hypoxia Diseases 0.000 description 4
- 208000009378 Low Cardiac Output Diseases 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 230000004872 arterial blood pressure Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000035487 diastolic blood pressure Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007954 hypoxia Effects 0.000 description 4
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000035488 systolic blood pressure Effects 0.000 description 4
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 3
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 230000035485 pulse pressure Effects 0.000 description 3
- 238000013517 stratification Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000002620 vena cava superior Anatomy 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 2
- 210000000709 aorta Anatomy 0.000 description 2
- 230000001746 atrial effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000001447 compensatory effect Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 125000001475 halogen functional group Chemical group 0.000 description 2
- 230000013632 homeostatic process Effects 0.000 description 2
- 238000001802 infusion Methods 0.000 description 2
- 238000001990 intravenous administration Methods 0.000 description 2
- 235000014655 lactic acid Nutrition 0.000 description 2
- 239000004310 lactic acid Substances 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000002496 oximetry Methods 0.000 description 2
- 238000006213 oxygenation reaction Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 108091005515 EGF module-containing mucin-like hormone receptors Proteins 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 1
- 206010069140 Myocardial depression Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 206010039163 Right ventricular failure Diseases 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 208000007888 Sinus Tachycardia Diseases 0.000 description 1
- 206010045545 Univentricular heart Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000010455 autoregulation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010836 blood and blood product Substances 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 235000019402 calcium peroxide Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000005796 circulatory shock Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 208000028831 congenital heart disease Diseases 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002079 electron magnetic resonance spectroscopy Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005534 hematocrit Methods 0.000 description 1
- 108010036302 hemoglobin AS Proteins 0.000 description 1
- 230000036543 hypotension Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 210000005246 left atrium Anatomy 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 150000002926 oxygen Chemical class 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 208000002815 pulmonary hypertension Diseases 0.000 description 1
- 238000002106 pulse oximetry Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 210000002966 serum Anatomy 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000008337 systemic blood flow Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 229940124549 vasodilator Drugs 0.000 description 1
- 239000003071 vasodilator agent Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- 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
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
Una interfaz gráfica de usuario proporciona un sistema y un método para representar los riesgos del paciente y otra información clínica. Los riesgos corresponden a las probabilidades de que el paciente presente determinadas afecciones y sus respectivas etiologías. Además, la interfaz gráfica de usuario proporciona un método para representar la utilidad de diferentes modos de monitorización fisiológica posiblemente perjudiciales para estimar estos riesgos. (Traducción automática con Google Translate, sin valor legal)
Description
DESCRIPCIÓN
Interfaz de usuario para sistema de análisis de riesgos del paciente
Antecedentes de la técnica
El documento US 2011/004071 A1 divulga un sistema para mostrar, en una línea temporal, información médica relacionada con un sujeto humano basada en datos de monitorización, pero sin determinar la utilidad de una medición de catéter invasiva particular. El documento US 2006/064396 A1 divulga un sistema de diagnóstico de hepatopatías y una interfaz gráfica de usuario para visualizar y manipular conjuntos de datos visuales del hígado. El documento US 2011/112380 A1 divulga la estimación y actualización del estado actual de la enfermedad de un paciente.
La presente divulgación se refiere a sistemas y métodos para monitorizar pacientes basándose en los riesgos. Más particularmente, la presente divulgación se refiere a sistemas y métodos para evaluar los riesgos actuales y futuros de un paciente mediante la combinación de datos del paciente a partir de diversas fuentes diferentes.
La práctica de la medicina se está volviendo cada vez más complicada debido a la introducción de nuevos sensores y tratamientos. Como resultado, los profesionales clínicos se enfrentan a una avalancha de datos de pacientes, que deben evaluarse y comprenderse bien para prescribir el tratamiento óptimo entre la multitud de opciones disponibles, reduciendo al mismo tiempo los riesgos para el paciente. Un entorno donde esta avalancha de información se ha vuelto cada vez más problemática es la Unidad de Cuidados Intensivos (UCI). Allí, la experiencia del médico tratante y la capacidad del médico para asimilar la información fisiológica disponible tienen un fuerte impacto en el resultado clínico. Se ha determinado que los hospitales que no mantienen intensivistas capacitados las 24 horas del día experimentan una tasa de mortalidad del 14,4 %, en comparación con una tasa del 6,0 % en los centros con personal completo. Se estima que elevar el nivel de atención al de los médicos capacitados promedio en todas las UCl puede salvar 160.000 vidas y ahorrar 4,3 mil millones anuales. A partir 2012, hay una escasez de intensivistas, y las proyecciones estiman que la escasez solo empeorará, alcanzando un nivel del 35 % para 2020.
El valor de la experiencia en cuidados intensivos se puede explicar por el hecho de que los datos clínicos en la UCI se entregan a una velocidad mucho mayor que la que puede absorber incluso el médico con más talento, y los estudios han demostrado que los errores son seis veces más probables en condiciones de sobrecarga de información y once veces más probables con una grave escasez de tiempo. Además, las decisiones de tratamiento en la UCI dependen en gran medida de signos clínicos que no son directamente medibles, sino que se infieren de otra información fisiológica. Por lo tanto, la experiencia y la formación de los profesionales clínicos desempeñan una función más importante en el proceso de toma de decisiones minuto a minuto. No es sorprendente que esto conduzca a una gran variación en la estimación de parámetros ocultos. Como ejemplo, aunque numerosos indicadores indirectos del gasto cardíaco se monitorizan continuamente en cuidados intensivos, los estudios han demostrado una correlación deficiente entre la evaluación subjetiva por parte de los profesionales clínicos y la medición objetiva por termodilución. Los intensivistas experimentados incorporan esta incertidumbre inherente en su proceso de decisión al realizar de manera eficaz la gestión de riesgos, es decir, prescribiendo el tratamiento no sólo basándose en el estado más probable del paciente, sino también sopesando los riesgos de que el paciente se encuentre en otros estados más adversos. Desde esta perspectiva, los intensivistas experimentados afrontan la sobrecarga de datos en cuidados intensivos convirtiendo las numerosas señales heterogéneas de las observaciones de los pacientes en una evaluación de riesgos.
Por lo tanto, existe una clara necesidad de un sistema de apoyo a la toma de decisiones en la UCI que logre un cambio de paradigma desde la monitorización del paciente basada en señales a la monitorización del paciente basada en riesgos, y que, en consecuencia, ayude a los médicos a superar el aluvión de datos en la UCI.
Sumario de las realizaciones
El alcance de la invención se define por las reivindicaciones adjuntas. Una primera realización enseña un método implementado por ordenador para comunicar gráficamente, a un usuario, los riesgos del paciente para un paciente individual, e incluye las etapas de recibir, desde un dispositivo, datos relacionados con una pluralidad de posibles estados clínicos del paciente en los que el paciente puede ser clasificado; desencadenar la visualización, en un dispositivo de visualización, de una pluralidad de indicadores gráficos, correspondiendo cada uno de la pluralidad de indicadores gráficos a uno de la pluralidad de posibles estados clínicos del paciente, identificando gráficamente cada uno de la pluralidad de indicadores gráficos la probabilidad de que el paciente se encuentre en un estado clínico del paciente correspondiente en un punto dado en un intervalo de tiempo, estando la pluralidad de indicadores gráficos configurados para indicar un nivel de riesgo; y provocar la visualización, en el dispositivo de visualización, de un controlador de línea temporal configurado para permitir que un usuario seleccione dinámicamente una pluralidad de puntos en el tiempo a lo largo del intervalo de tiempo, cambiando dinámicamente los indicadores gráficos en respuesta a una especificación por parte del usuario de uno de la pluralidad de puntos en el tiempo para mostrar la evolución de la pluralidad de estados del paciente a lo largo del intervalo de tiempo.
Las propiedades gráficas de los indicadores gráficos pueden indicar niveles de riesgo. Por ejemplo, en algunas realizaciones, la pluralidad de indicadores gráficos se disponen en el dispositivo de visualización segregados por nivel de riesgo para indicar un nivel de riesgo para cada uno de los indicadores gráficos y, en algunas realizaciones, el color de cada uno de la pluralidad de indicadores gráficos indica el nivel de riesgo asociado con cada uno de dichos indicadores gráficos.
En algunas realizaciones, la etapa de recibir, desde un dispositivo, datos relacionados con una pluralidad de posibles estados clínicos del paciente en los que el paciente puede ser clasificado, incluye la etapa de recibir datos que identifican la pluralidad de posibles estados clínicos del paciente en los que el paciente puede ser clasificado, y para cada uno de la pluralidad de posibles estados clínicos del paciente, también incluye las etapas de recibir datos que identifican la probabilidad de que el paciente esté en cada uno de los posibles estados del paciente a lo largo del intervalo de tiempo; y recibir datos que identifican un nivel de riesgo en el que se clasifica cada uno de los posibles estados del paciente.
Pueden usarse gráficos de barras como indicadores gráficos. Por ejemplo, en algunas realizaciones, la disposición de los indicadores gráficos en el dispositivo de visualización incluye un diagrama de barras que tiene una pluralidad de barras, estando cada barra asociada con uno de una pluralidad de niveles de riesgo; y cada uno de la pluralidad de indicadores gráficos es una barra en el diagrama de barras. De hecho, en algunas realizaciones, una barra dentro del diagrama de barras puede incluir una pluralidad de indicadores gráficos dentro de un único nivel de riesgo. Además, en algunas realizaciones, cada una de las barras tiene una longitud que corresponde a la probabilidad de que el paciente se encuentre en el estado clínico del paciente correspondiente en un momento dado. Además, en algunas realizaciones, el nivel de riesgo de cada uno de los indicadores gráficos se expresa mediante el color de dicho indicador gráfico.
En algunas realizaciones, el dispositivo de visualización es una pantalla táctil; y el controlador dinámico es un control deslizante que se muestra en la pantalla táctil.
Algunas realizaciones también incluyen la visualización de un indicador gráfico configurado para representar la utilidad de una medición invasiva, expresando la utilidad de una medición invasiva una divergencia entre: una primera distribución de estado del paciente asociada con la pluralidad de posibles estados clínicos del paciente basándose en una pluralidad de variables de estado internas asociadas con un intervalo de tiempo, incluyendo la pluralidad de variables de estado internas una variable de estado interna resultante de la medición invasiva; y una distribución de estado del paciente simulada asociada con la pluralidad de posibles estados clínicos del paciente basándose en la misma pluralidad de variables de estado internas asociadas con el mismo intervalo de tiempo, pero excluyendo la variable de estado interna resultante de la medición invasiva. Además, en algunas realizaciones, la primera distribución de estado del paciente está ponderada por nivel de riesgo.
Algunas realizaciones también incluyen la visualización de una función de control de datos de variables de estado que, cuando se activa por el usuario, hace que el dispositivo de visualización muestre variables de estado internas en las que se basan los estados del paciente.
Algunas realizaciones también incluyen la visualización de una función de creación de etiquetas que, cuando se activa por el usuario, hace que el dispositivo de visualización muestre una marca de etiqueta asociada con el controlador de línea temporal en un punto seleccionado dentro del intervalo de tiempo, y algunas incluso incluyen la visualización de un campo de creación de nota de etiqueta configurado para permitir la anotación, por parte del usuario, de información asociada con la etiqueta.
Un medio legible por ordenador no transitorio que tiene un código ejecutable por ordenador para comunicar gráficamente, a un usuario, los riesgos del paciente para un paciente individual, incluye un código para recibir, desde un dispositivo, datos relacionados con una pluralidad de posibles estados clínicos del paciente en los que el paciente puede ser clasificado; un código para desencadenar la visualización, en un dispositivo de visualización, de una pluralidad de indicadores gráficos, correspondiendo cada uno de la pluralidad de indicadores gráficos a uno de la pluralidad de posibles estados clínicos del paciente, identificando gráficamente cada uno de la pluralidad de indicadores gráficos la probabilidad de que el paciente se encuentre en un estado clínico del paciente correspondiente en un punto dado en un intervalo de tiempo, estando la pluralidad de indicadores gráficos configurados para indicar un nivel de riesgo; y un código para desencadenar la visualización, en el dispositivo de visualización, de un controlador de línea temporal configurado para permitir que un usuario seleccione dinámicamente una pluralidad de puntos en el tiempo a lo largo del intervalo de tiempo, cambiando dinámicamente los indicadores gráficos en respuesta a una especificación por parte del usuario de uno de la pluralidad de puntos en el tiempo para mostrar la evolución de la pluralidad de estados del paciente a lo largo del intervalo de tiempo.
En algunas realizaciones, el código está configurado para disponer los indicadores gráficos en el dispositivo de visualización segregados por nivel de riesgo para indicar un nivel de riesgo para cada uno de los indicadores gráficos.
En algunas realizaciones, el código está configurado para mostrar los indicadores gráficos en color, de modo que el color de cada uno de la pluralidad de indicadores gráficos indica el nivel de riesgo asociado con cada uno de dichos indicadores gráficos.
En algunas realizaciones, el código para recibir, desde un dispositivo, datos relacionados con una pluralidad de posibles estados clínicos del paciente en los que el paciente puede ser clasificado, incluye: un código para recibir datos que identifican la pluralidad de posibles estados clínicos del paciente en los que el paciente puede ser clasificado, y para cada uno de la pluralidad de posibles estados clínicos del paciente, incluye además: un código para recibir datos que identifican la probabilidad de que el paciente esté en cada uno de los posibles estados del paciente a lo largo del intervalo de tiempo; y un código para recibir datos que identifican un nivel de riesgo en el que se clasifica cada uno de los posibles estados del paciente.
Algunas realizaciones usan gráficos de barras. Por ejemplo, en algunas realizaciones, la disposición de los indicadores gráficos en el dispositivo de visualización incluye un diagrama de barras que tiene una pluralidad de barras, estando cada barra asociada con uno de una pluralidad de niveles de riesgo; y cada uno de la pluralidad de indicadores gráficos es una barra en el diagrama de barras. Además, en algunas realizaciones, una barra dentro del diagrama de barras puede incluir una pluralidad de indicadores gráficos dentro de un único nivel de riesgo. Además, en algunas realizaciones, cada una de las barras tiene una longitud que corresponde a la probabilidad de que el paciente se encuentre en el estado clínico del paciente correspondiente en un momento dado. Además, en algunas realizaciones, el nivel de riesgo de cada uno de los indicadores gráficos se expresa mediante el color de dicho indicador gráfico.
En algunas realizaciones, el dispositivo de visualización es una pantalla táctil; y el controlador dinámico es un control deslizante que se muestra en la pantalla táctil.
Algunas realizaciones incluyen además un código para visualizar un indicador gráfico configurado para representar la utilidad de una medición invasiva, expresando la utilidad de una medición invasiva una divergencia entre: una primera distribución de estado del paciente asociada con la pluralidad de posibles estados clínicos del paciente basándose en una pluralidad de variables de estado internas asociadas con un intervalo de tiempo, incluyendo la pluralidad de variables de estado internas una variable de estado interna resultante de la medición invasiva; y una distribución de estado del paciente simulada asociada con la pluralidad de posibles estados clínicos del paciente basándose en la misma pluralidad de variables de estado internas asociadas con el mismo intervalo de tiempo, pero excluyendo la variable de estado interna resultante de la medición invasiva. De hecho, en algunas realizaciones, la primera distribución de estado del paciente está ponderada por nivel de riesgo.
En algunas realizaciones, el código incluye además un código para visualizar una función de control de datos de variables de estado que, cuando se activa por el usuario, hace que el dispositivo de visualización muestre variables de estado internas en las que se basan los estados del paciente.
En algunas realizaciones, el código incluye además un código para visualizar una función de creación de etiquetas que, cuando se activa por el usuario, hace que el dispositivo de visualización muestre una marca de etiqueta asociada con el controlador de línea temporal en un punto seleccionado dentro del rango de tiempo. Además, en algunas realizaciones, el código incluye además un código para visualizar un campo de creación de nota de etiqueta configurado para permitir la anotación, por parte del usuario, de información asociada con la etiqueta.
Un sistema para comunicar, a un usuario, los riesgos del paciente asociados con un paciente específico incluye un dispositivo de visualización; un procesador de ordenador configurado para mostrar una interfaz gráfica de usuario en el dispositivo de visualización, incluyendo la interfaz gráfica de usuario: una pluralidad de indicadores gráficos, correspondiendo cada uno de la pluralidad de indicadores gráficos a uno de una pluralidad de posibles estados clínicos del paciente, e identificando la probabilidad de que el paciente se encuentre en un estado clínico del paciente correspondiente en un punto dado en un intervalo de tiempo, estando la pluralidad de indicadores gráficos configurados para indicar un nivel de riesgo; y un controlador de línea temporal configurado para permitir que el usuario seleccione dinámicamente una pluralidad de puntos en el tiempo a lo largo del intervalo de tiempo, cambiando dinámicamente los indicadores gráficos en respuesta a una especificación por parte del usuario de uno de la pluralidad de puntos en el tiempo para mostrar la evolución de la pluralidad de estados del paciente a lo largo del intervalo de tiempo.
Además, en algunas realizaciones, la pluralidad de indicadores gráficos están dispuestos en el dispositivo de visualización segregados por nivel de riesgo para indicar un nivel de riesgo para cada uno de los indicadores gráficos.
En algunas realizaciones, el color de cada uno de la pluralidad de indicadores gráficos indica el nivel de riesgo asociado con cada uno de dichos indicadores gráficos.
Algunas realizaciones de un sistema usan gráficos de barras. Por ejemplo, en algunas realizaciones, la disposición de los indicadores gráficos en el dispositivo de visualización incluye un diagrama de barras que tiene una pluralidad de barras, estando cada barra asociada con uno de una pluralidad de niveles de riesgo; y cada uno de la pluralidad de indicadores gráficos incluye una barra en el diagrama de barras. Además, una barra dentro del diagrama de barras puede incluir una pluralidad de indicadores gráficos dentro de un único nivel de riesgo. Además, cada una de las barras puede tener una longitud que corresponde a la probabilidad de que el paciente se encuentre en el estado clínico del paciente correspondiente en un momento dado. Como alternativa, o además, el nivel de riesgo de cada uno de los indicadores gráficos puede expresarse mediante el color de dicho indicador gráfico.
En algunas realizaciones de un sistema, el dispositivo de visualización incluye una pantalla táctil; y el controlador dinámico es un control deslizante que se muestra en la pantalla táctil.
Algunas realizaciones de un sistema para comunicar, a un usuario, los riesgos del paciente asociados con un paciente específico de acuerdo con la reivindicación 29, incluyen adicionalmente un indicador gráfico configurado para representar la utilidad de una medición invasiva, expresando la utilidad de una medición invasiva una divergencia entre: una primera distribución de estado del paciente asociada con la pluralidad de posibles estados clínicos del paciente basándose en una pluralidad de variables de estado internas asociadas con un intervalo de tiempo, incluyendo la pluralidad de variables de estado internas una variable de estado interna resultante de la medición invasiva; y una distribución de estado del paciente simulada asociada con la pluralidad de posibles estados clínicos del paciente basándose en la misma pluralidad de variables de estado internas asociadas con el mismo intervalo de tiempo, pero excluyendo la variable de estado interna resultante de la medición invasiva. Además, en algunas realizaciones, la primera distribución de estado del paciente está ponderada por nivel de riesgo.
En algunas realizaciones, la interfaz gráfica de usuario incluye además: una función de control de datos de variables de estado que, cuando se activa por el usuario, hace que el dispositivo de visualización muestre variables de estado internas en las que se basan los estados del paciente.
En algunas realizaciones, la interfaz gráfica de usuario incluye además: una función de creación de etiquetas que, cuando se activa por el usuario, hace que el dispositivo de visualización muestre una marca de etiqueta asociada con el controlador de línea temporal en un punto seleccionado dentro del rango de tiempo. De hecho, algunas realizaciones incluyen además un campo de creación de nota de etiqueta configurado para permitir la anotación, por parte del usuario, de información asociada con la etiqueta.
Breve descripción de los dibujos
Debe entenderse desde el principio que, aunque a continuación se proporcionan implementaciones ilustrativas de una o más realizaciones de la presente divulgación, los sistemas y/o métodos divulgados pueden implementarse usando cualquier número de técnicas, ya sean conocidas actualmente o existentes. La divulgación no debe limitarse de ninguna manera a las implementaciones ilustrativas, dibujos y técnicas que se ilustran a continuación, incluyendo los diseños e implementaciones de ejemplo que se ilustran y se describen en el presente documento, sino que pueden modificarse dentro del alcance de las reivindicaciones adjuntas junto con su alcance completo de equivalentes.
En los dibujos;
la figura 1 ilustra conceptualmente un entorno de monitorización basada en riesgos de atención médica de acuerdo con la divulgación;
la figura 2A ilustra conceptualmente un esquema básico del módulo de observador de fisiología de acuerdo con la divulgación;
las figuras 2B-D ilustran conceptualmente gráficos de ejemplo de funciones de densidad de probabilidad para las ISV seleccionadas según lo generado por el módulo de observador de fisiología de acuerdo con la divulgación; la figura 3 ilustra conceptualmente un ejemplo no limitante de un proceso de observador de fisiología de acuerdo con la divulgación;
la figura 4 ilustra conceptualmente un ejemplo no limitante del proceso de observador de fisiología de acuerdo con la divulgación;
la figura 5 ilustra conceptualmente una línea temporal, en donde se usa retropropagación para incorporar información de acuerdo con la divulgación;
la figura 6 ilustra conceptualmente un ejemplo de un proceso que implica la presión arterial media (PAm) de acuerdo con la divulgación;
la figura 7 ilustra conceptualmente un ejemplo de remuestreo de acuerdo con la divulgación;
la figura 8 ilustra conceptualmente un módulo de intérprete de trayectoria clínica que usa funciones de densidad de probabilidad unidas de ISV y que realiza estimación de probabilidad de estado para calcular las probabilidades de diferentes estados del paciente de acuerdo con la divulgación;
la figura 9 ilustra conceptualmente un ejemplo no limitante de una definición de un estado del paciente empleado por el módulo de intérprete de trayectoria clínica de acuerdo con la divulgación;
la figura 10 ilustra conceptualmente un ejemplo de cómo un módulo de intérprete de trayectoria clínica puede emplear la definición de estados del paciente para asignar probabilidades de que el paciente pueda ser clasificado bajo cada uno de los cuatro posibles estados del paciente en un punto particular del tiempo;
la figura 11 ilustra conceptualmente un enfoque alternativo de estimación de las probabilidades para diferentes estados del paciente de acuerdo con la divulgación;
la figura 12 ilustra conceptualmente un ejemplo no limitante de una definición de estados del paciente asignados con niveles de riesgo por el módulo de intérprete de trayectoria clínica de acuerdo con la divulgación;
la figura 13 ilustra conceptualmente estados del paciente y sus respectivas probabilidades organizadas en gráficos de árbol llamados etiologías de acuerdo con la divulgación;
la figura 14 ilustra conceptualmente un árbol de etiologías de ejemplo para un conjunto determinado de estados del paciente y variables fisiológicas de acuerdo con la divulgación;
la figura 15 ilustra conceptualmente un método para calcular la utilidad de diferentes mediciones de acuerdo con la divulgación;
la figura 16 ilustra conceptualmente una posible realización de la integración de un cálculo externo generado a partir de algoritmos de terceros de acuerdo con la divulgación;
la figura 17 ilustra conceptualmente un ejemplo de instrucciones de integración de un cálculo externo de acuerdo con la divulgación;
la figura 18 ilustra conceptualmente un ejemplo adicional de instrucciones de integración de un cálculo externo de acuerdo con la divulgación;
la figura 19 ilustra conceptualmente funcionalidades de ejemplo del módulo de visualización e interacciones del usuario de acuerdo con la divulgación;
la figura 20 ilustra conceptualmente un ejemplo de una vista de resumen que puede transmitir en una sola pantalla un perfil de riesgo para cada paciente en una unidad hospitalaria particular de acuerdo con la divulgación; la figura 21 ilustra conceptualmente una posible realización de una vista que describe los riesgos actuales del paciente de acuerdo con la divulgación;
la figura 22 ilustra conceptualmente cómo se puede utilizar el control deslizante en la parte superior de la vista del paciente para revisar el historial de los riesgos del paciente de acuerdo con la divulgación;
la figura 23 ilustra cómo el usuario puede navegar por el árbol de etiologías haciendo clic en el estado del paciente compuesto y visualizando los estados del paciente constituyentes de acuerdo con la divulgación;
la figura 24 ilustra conceptualmente cómo en el mismo marco el usuario puede visualizar los riesgos previstos para el paciente deslizando el control deslizante hacia delante del momento actual de acuerdo con la divulgación; la figura 25 ilustra conceptualmente cómo el usuario puede elegir configurar una alarma para un riesgo particular de acuerdo con la divulgación;
la figura 26 ilustra conceptualmente otra posible visualización de la trayectoria de riesgos del paciente, es decir, la evolución de las probabilidades de los estados del paciente asociadas con riesgos particulares de acuerdo con la divulgación;
la figura 27 ilustra conceptualmente cómo el sistema puede visualizar directamente las funciones de densidad de probabilidad de diversas variables de estado internas de acuerdo con la divulgación;
la figura 28 ilustra conceptualmente un ejemplo de una función de etiquetado que una interfaz de usuario puede implementar de acuerdo con la divulgación;
la figura 29 ilustra conceptualmente una vista de Feed de información de la interfaz de usuario de acuerdo con la divulgación;
la figura 30 ilustra conceptualmente una Vista de resumen de condiciones de la interfaz de usuario de acuerdo con la divulgación;
la figura 31 ilustra conceptualmente la capacidad de la interfaz de usuario para incluir y mostrar material de referencia, al que se puede acceder a través de Internet; o almacenarse dentro del sistema de acuerdo con la divulgación;
la figura 32 ilustra conceptualmente una red bayesiana dinámica (DBN, por sus siglas en inglés) general que puede emplearse para capturar el modelo fisiológico de los pacientes en paliación con SCIH en fase 1 de acuerdo con la divulgación;
la figura 33 ilustra conceptualmente varias ecuaciones que pueden usarse para modelar la dinámica de la fisiología del SCIH en fase 1 de acuerdo con la divulgación;
la figura 34 ilustra conceptualmente ecuaciones de ejemplo que pueden usarse para abstraer las relaciones entre las variables dinámicas en el modelo y las variables derivadas de acuerdo con la divulgación;
la figura 35 ilustra conceptualmente un posible modelo de observación que puede usarse para relacionar las variables derivadas con los datos de sensor disponibles de acuerdo con la divulgación;
la figura 36 ilustra conceptualmente posibles atributos, estados del paciente y árbol de etiologías que pueden usarse por el módulo de intérprete de trayectoria clínica en el caso de la población con SCIH en fase 1 de acuerdo con la divulgación;
la figura 37 ilustra conceptualmente un entorno posible en el que el sistema de monitorización basada en riesgos se puede aplicar para ayudar a los profesionales clínicos a decidir si aplicar un tratamiento particular de acuerdo con la divulgación;
la figura 38 ilustra conceptualmente un conjunto de ejemplo no limitante de estados del paciente relevantes para la transfusión de sangre que pueden usarse para informar la decisión de transfusión de sangre de acuerdo con la divulgación;
la figura 39 ilustra conceptualmente otra aplicación del sistema de monitorización basada en riesgos, aplicando planes médicos estandarizados de acuerdo con la divulgación;
la figura 40 ilustra conceptualmente una aplicación de ejemplo del sistema de monitorización basada en riesgos junto con un tipo específico de plan clínico estandarizado de acuerdo con la divulgación;
la figura 41 ilustra conceptualmente una estratificación de riesgos de ejemplo que puede emplearse por el sistema en el contexto del tratamiento con óxido nítrico de acuerdo con la divulgación;
la figura 42 ilustra conceptualmente posibles estados del paciente que pueden describir la trayectoria clínica de un paciente con TDAH de acuerdo con la divulgación;
la figura 43 enumera las modalidades de evaluación de pacientes disponibles como M1, M2 y M3;
la figura 44 ilustra conceptualmente un modelo dinámico de la evolución del paciente de un estado a otro abstraído por una red bayesiana dinámica de acuerdo con la divulgación;
la figura 45 ilustra conceptualmente una realización alternativa para dos predicciones de cómo el estado del paciente puede hacer la transición en un solo mes dado un cambio de medicamento o un cambio de dosificación de acuerdo con la divulgación;
la figura 46 ilustra conceptualmente una posible realización y escenario de visualización que muestra la trayectoria clínica del paciente y los riesgos de acuerdo con la divulgación;
la figura 47 ilustra conceptualmente una evaluación del paciente y la trayectoria del paciente en la semana 9, momento en el que el sistema de monitorización del paciente basada en riesgos determina una función de distribución de probabilidad para el estado del paciente para cada una de las últimas nueve semanas de acuerdo con la divulgación;
la figura 48 muestra una evaluación de seguimiento basada en el diagnóstico de Vanderbilt de un maestro y los padres de acuerdo con la divulgación;
la figura 49 muestra una evaluación consecuente basada en todas las mediciones disponibles, visita al consultorio, evaluación de los padres y el maestro, que establece una alta probabilidad de mejoría significativa de acuerdo con la divulgación;
la figura 50 muestra otro seguimiento más, momento en el que se establece que el paciente muy probablemente ha mejorado de manera estable, y ha mejorado de manera estable entre las dos evaluaciones de acuerdo con la divulgación;
la figura 51 muestra una evaluación de seguimiento del paciente y la trayectoria del paciente en ausencia de mediciones, en donde, debido a la falta de observación reciente, la incertidumbre está aumentando de acuerdo con la divulgación;
la figura 52 muestra el estado de esta incertidumbre dada una evaluación completa del paciente (todas las modalidades de medición) de acuerdo con la divulgación; y
la figura 53 ilustra otra posible visualización más a partir de la salida del sistema descrita. Muestra posibles transiciones del estado del paciente bajo cambios en el plan de tratamiento, por ejemplo, cambio de medicamento de acuerdo con la divulgación.
Figura 54. Una implementación de ejemplo de la pantalla "Vista de resumen de unidad". La pantalla presenta una ficha para cada paciente, que se puede ver a través de la barra de desplazamiento en el lado derecho de la pantalla. Cada ficha de paciente tiene su ubicación, detalles del paciente y condición a lo largo de una línea temporal aproximada.
Figura 55. Una implementación de ejemplo de la pantalla "Riesgos de la vista del paciente". La pantalla ilustra la probabilidad de que el paciente (indicado en la parte superior de la pantalla) se encuentre en cada estado posible en el momento actual.
Figura 56. Una implementación de ejemplo de la pantalla "Riesgos de la vista del paciente". La pantalla ilustra la probabilidad de que el paciente se encuentre en cada estado posible en algún momento pasado.
Figura 57. Una implementación de ejemplo de la pantalla "Riesgos de la vista del paciente". La pantalla presenta el estado del paciente que el usuario está viendo en la marca de color rojo especificada en la línea temporal. Figura 58. Una implementación de ejemplo de la pantalla "Riesgos de la vista del paciente". La pantalla muestra la capacidad de arrastrar un posible estado a otro para crear un estado compuesto.
Figura 59. Una implementación de ejemplo de la pantalla "Riesgos de la vista del paciente". La pantalla muestra el estado compuesto que es resultado de dos estados separados.
Figura 60. Una implementación de ejemplo de la pantalla "Riesgos de la vista del paciente". La pantalla muestra que al hacer clic en el estado compuesto, el usuario puede ver los estados que componen el estado compuesto. Figura 61. Una implementación de ejemplo de la pantalla "Riesgos de la vista del paciente". La pantalla presenta una superposición sobre la vista del estado del paciente. Esta superposición proporciona la capacidad de configurar manualmente las alarmas que se activarán en función de los cambios en los estados de probabilidad y otros acontecimientos de interés, así como la capacidad de especificar los nombres de aquellos que serán notificados con las alarmas.
Figura 62. Una implementación de ejemplo de la pantalla "Riesgos de la vista del paciente". La pantalla muestra la alarma que se configuró correspondiente a uno de los estados de probabilidad.
Figura 63. Una implementación de ejemplo de la pantalla de "Trayectoria de riesgos de la vista del paciente". La pantalla presenta un gráfico donde el eje independiente es el tiempo y el eje dependiente es la probabilidad de que el paciente se encuentre en un estado particular. Las barras sobre el gráfico le dan al usuario la capacidad de añadir o eliminar posibles estados.
Figura 64. Una implementación de ejemplo de la pantalla "Mediciones de la vista del paciente". La pantalla presenta gráficos que muestran las mediciones fisiológicas del paciente en el tiempo.
Figura 65. Una implementación de ejemplo de la pantalla "Gráfico de la vista del paciente". Esta pantalla es una versión digital de los gráficos actuales del paciente que se utilizan por un médico.
Figura 66. Un ejemplo de flujo de trabajo para la interfaz de usuario. La trayectoria esperada de las acciones del usuario es la siguiente: (1) revisar los riesgos actuales, (2) revisar la trayectoria de riesgos, (3) revisar las mediciones fisiológicas, (4) revisar el gráfico y, finalmente, (5) tomar notas sobre el paciente.
Descripción detallada de realizaciones específicas
En el presente documento se proporcionan tecnologías para proporcionar una monitorización del paciente basada en riesgos de pacientes individuales al personal clínico. Las tecnologías descritas en el presente documento pueden incorporarse como un sistema de monitorización para cuidados intensivos, que combina datos de diversos monitores de cabecera, registros médicos electrónicos y otra información específica del paciente para evaluar los riesgos actuales y futuros para el paciente. Las tecnologías también se pueden incorporar como un sistema de apoyo a la toma de decisiones que solicita al usuario acciones específicas de acuerdo con un plan médico estandarizado, cuando los riesgos específicos del paciente superan un umbral predefinido. Otra realización más de las tecnologías descritas es un sistema de monitorización ambulatorio que combina la evaluación del paciente y la familia, junto con información sobre regímenes de medicación y evaluaciones del médico para producir un perfil de riesgo del paciente, realizar un seguimiento continuo de su trayectoria clínica y proporcionar apoyo a la toma de decisiones a los profesionales clínicos en cuanto a cuándo programar una visita o pruebas adicionales.
Módulos del sistema e interacción
Con referencia ahora a las figuras, la figura 1 ilustra un entorno de monitorización basada en riesgos de atención médica 1010 para proporcionar a los proveedores de salud, tales como médicos, enfermeros/as u otros proveedores de atención médica, monitorización basada en riesgos de acuerdo con diversas realizaciones de la presente divulgación. Un paciente 101 puede estar acoplado a uno o más sensores fisiológicos o monitores de cabecera 102 que pueden monitorizar diversos parámetros fisiológicos del paciente. Estos sensores fisiológicos pueden incluir, pero sin limitación, un oxímetro de sangre, un dispositivo de medición de presión arterial, un dispositivo de medición de pulso, un dispositivo de medición de glucosa, uno o más dispositivos de medición de analitos, un dispositivo de registro de electrocardiograma, entre otros. Además, al paciente se le pueden administrar exámenes y pruebas de rutina y los datos se pueden almacenar en un registro médico electrónico (RME) 103. El registro médico electrónico 103 puede incluir, pero sin limitación, información almacenada, tal como hemoglobina, contenido de oxígeno arterial y venoso, ácido láctico, peso, edad, sexo, código ICD-9, tiempo de llenado capilar, observaciones subjetivas del profesional clínico, autoevaluaciones del paciente, medicamentos prescritos, regímenes de medicación, genética, etc. Además, el paciente 101 puede estar acoplado a uno o más dispositivos de tratamiento 104 que están configurados para administrar tratamientos al paciente. En diversas realizaciones, los dispositivos de tratamiento 104 pueden incluir un oxigenador de membrana extracorpórea, un ventilador, bombas de infusión de medicación, etc.
Mediante la presente divulgación, se puede proporcionar al paciente 101 una monitorización basada en riesgos mejorada con respecto a los métodos existentes. Un sistema de monitorización basada en riesgos específico del paciente, generalmente denominado en el presente documento sistema 100, puede configurarse para recibir información relacionada con el paciente, incluyendo información en tiempo real de los monitores de cabecera 102, información del paciente del RME 103, información de los dispositivos de tratamiento 104, tales como configuraciones, tasas de infusión, tipos de medicación, y otra información relacionada con el paciente, que puede incluir los antecedentes médicos del paciente, planes de tratamiento anteriores, resultados de análisis de laboratorio anteriores y actuales, información sobre alergias, predisposiciones a diversas condiciones, y cualquier otra información que pueda considerarse relevante para realizar una evaluación informada de las posibles condiciones y estados del paciente y sus probabilidades asociadas. Para simplificar, los diversos tipos de información enumerados anteriormente generalmente se denominarán en lo sucesivo en el presente documento "información específica del paciente". Además, el sistema puede configurarse para utilizar la información recibida, determinar los riesgos clínicos, que a continuación pueden presentarse a un proveedor de atención médica, incluyendo, pero sin limitación, un médico, enfermero/a u otro tipo de profesional clínico.
El sistema, en diversas realizaciones, incluye uno o más de los siguientes: un procesador 111, una memoria 112 acoplada al procesador 111 y una interfaz de red 113 configurada para permitir que el sistema se comunique con otros dispositivos a través de una red. Además, el sistema puede incluir una aplicación de monitorización basada en riesgos 1020 que puede incluir instrucciones ejecutables por ordenador, que cuando se ejecutan por el procesador 111, hacen que el sistema sea capaz de realizar una monitorización basada en riesgos de los pacientes, tal como el paciente 101.
La aplicación de monitorización basada en riesgos 1020 incluye, por ejemplo, un módulo de recepción de datos 121, un módulo de observador de fisiología 122, un módulo de intérprete de trayectoria clínica 123, y un módulo de visualización e interacciones del usuario 124. En una realización de ejemplo, el módulo de recepción de datos 121 puede estar configurado para recibir datos de monitores de cabecera 102, registros médicos electrónicos 103, dispositivos de tratamiento 104 y cualquier otra información que pueda considerarse relevante para realizar una evaluación informada sobre los riesgos clínicos del paciente, y cualquier combinación de los mismos de los elementos anteriores.
El módulo de observador de fisiología 122 utiliza múltiples mediciones para estimar funciones de densidad de probabilidad (PDF) de variables de estado internas (ISV) que describen los componentes de la fisiología relevantes para el tratamiento del paciente y la condición de acuerdo con un modelo de fisiología predefinido. Las ISV pueden ser observables directamente con ruido (como un ejemplo no limitante, la frecuencia cardíaca es una ISV directamente observable), estar ocultas (como un ejemplo no limitante, el suministro de oxígeno (DO<2>) definido como el flujo de oxígeno saturado en sangre a través de la aorta no se puede medir directamente y, por lo tanto, está oculto), o medirse de manera intermitente (como un ejemplo no limitante, la concentración de hemoglobina según lo medido a partir de pruebas de hemograma completo es una ISV observable de manera intermitente).
En una realización, en lugar de suponer que todas las variables se pueden estimar de manera determinista sin error, el módulo de observador de fisiología 122 de la presente divulgación proporciona funciones de densidad de probabilidad como salida. En el presente documento se proporcionan detalles adicionales relacionados con el módulo de observador de fisiología 122.
El módulo de intérprete de trayectoria clínica 123 puede configurarse, por ejemplo, con múltiples posibles estados del paciente, y puede determinar cuáles de esos estados del paciente son probables y con qué probabilidad, dadas las funciones de densidad de probabilidad estimadas de las variables de estado internas. Un estado del paciente se define como una descripción cualitativa de la fisiología en un punto particular de una trayectoria clínica, que es reconocible por la práctica médica, y puede tener implicaciones para la toma de decisiones clínicas. Los ejemplos de estados del paciente particulares incluyen, pero sin limitación, hipotensión con taquicardia sinusal, hipoxia con depresión miocárdica, choque circulatorio compensado, paro cardíaco, hemorragia, entre otros. Además, estos estados del paciente pueden ser específicos de una condición médica particular, y los límites de cada uno de los estados del paciente pueden definirse por valores umbral de diversas variables y datos fisiológicos. En diversas realizaciones, el módulo de intérprete de trayectoria clínica 123 puede determinar las condiciones del paciente bajo las cuales un paciente puede ser categorizado usando cualquier información recopilada de materiales de referencia, información proporcionada por proveedores de atención médica, otras fuentes de información. Los materiales de referencia pueden almacenarse en una base de datos u otro dispositivo de almacenamiento 130 al que la aplicación de monitorización basada en riesgos 1020 puede acceder a través de la interfaz de red 113, por ejemplo. Estos materiales de referencia pueden incluir material sintetizado a partir de libros de referencia, bibliografía médica, encuestas de expertos, información proporcionada por médicos y cualquier otro material que pueda usarse como referencia para proporcionar atención médica a los pacientes. En algunas realizaciones, el módulo de intérprete de trayectoria clínica 123 puede identificar primero una población de pacientes que sea similar al paciente sujeto que se está monitorizando. Al hacerlo, el módulo de intérprete de trayectoria clínica 123 puede usar datos históricos relevantes basados en la población de pacientes identificada para ayudar a determinar los posibles estados del paciente.
El módulo de intérprete de trayectoria clínica 123 es capaz de determinar también los estados del paciente probables bajo los cuales el paciente puede ser categorizado actualmente, dadas las funciones de densidad de probabilidad estimadas de las variables de estado internas, según lo proporcionado por el módulo de observador de fisiología 122. De esta manera, a cada uno de los posibles estados del paciente se le asigna un valor de probabilidad de 0 a 1. La combinación de estados del paciente y sus probabilidades se define como el riesgo clínico para el paciente. En el presente documento se proporcionan detalles adicionales relacionados con el módulo de intérprete de trayectoria clínica 123.
El módulo de visualización e interacciones del usuario 124 puede estar equipado para tomar las salidas del módulo de recepción de datos 121, el módulo de observador de fisiología 122 y el módulo de intérprete de trayectoria clínica 123 y presentarlas al personal clínico. El módulo de visualización e interacciones del usuario 124 puede mostrar los riesgos del paciente actuales, su evolución a través del tiempo, las funciones de densidad de probabilidad de las variables de estado internas en función del tiempo, y otras funciones que son calculadas por los dos módulos 122 y 123 como subproductos y son informativas para la práctica médica. Adicionalmente, el módulo de visualización e interacciones del usuario 124 permite a los usuarios establecer alarmas basadas en las probabilidades de estado del paciente, compartir estas alarmas con otros usuarios, tomar notas relacionadas con los riesgos del paciente y compartir estas notas con otros usuarios, y explorar otros elementos de los antecedentes médicos del paciente. En el presente documento se proporcionan detalles adicionales relacionados con el módulo de visualización e interacciones del usuario 124.
Observador de fisiología
La figura 2 ilustra un esquema básico del módulo de observador de fisiología 122, que utiliza dos modelos de la fisiología del paciente: un modelo dinámico 212 y un modelo de observación 221. El modelo dinámico 212 captura la relación que surge entre las variables de estado internas en un tiempo t<k>y otro tiempo cercano t<k+1>, lo que permite modelar la fisiología del paciente como un sistema cuyo estado actual tiene información sobre las posibles evoluciones futuras del sistema. Dada la propensión de la fisiología del paciente a permanecer en homeostasis mediante la autorregulación, existe una lógica clara para introducir dicha memoria en las variables de estado internas que son indicativas de la homeostasis, por ejemplo, el suministro de oxígeno y el consumo de oxígeno.
El modelo de observación 221 puede capturar las relaciones entre las variables de fisiología medidas y otras variables de estado internas. Los ejemplos de dichos modelos incluyen: a) la dependencia de la diferencia entre las presiones arteriales sistólica y diastólica (también denominada presión del pulso) en el volumen sistólico; b) la relación entre la frecuencia cardíaca, el volumen sistólico y el gasto cardíaco; c) la relación entre la concentración de hemoglobina, el gasto cardíaco y el suministro de oxígeno; d) la relación entre la escala de evaluación de Vanderbilt y el estado clínico de un paciente con trastorno por déficit de atención e hiperactividad; y e) cualquier otra dependencia entre parámetros medibles y, por lo tanto, observables y variables de estado internas.
El módulo de observador de fisiología 122 funciona como un filtro recursivo empleando información de mediciones anteriores para generar predicciones de las variables de estado internas y la probabilidad de mediciones futuras probables y a continuación comparándolas con las mediciones adquiridas más recientemente. Específicamente, el módulo de observador de fisiología 122 utiliza el modelo dinámico 212 en la etapa o modo de predicción 210 y el modelo de observación 221 en la etapa o modo de actualización 220. Durante el modo de predicción 210, el módulo de observador de fisiología 122 toma las PDF estimadas de las ISV 213 en una etapa de tiempo actual tk y las suministra al modelo dinámico 212, que produce predicciones de las ISV 211 para la siguiente etapa de tiempo tk+<1>. Esto se logra usando la siguiente ecuación:
/3( /S K s (tft+1) |M ( tíí) ) = JCTseíJl,P(/SKs(£fc+1)|/S K s(tk))P (/5K s(tft) |M (tft))d /SKs
dondeISVs (tk)={ISV i (tk ),ISV2(tk),ISV3(tk ),...ISVn(tk )}yM(tk)es el conjunto de todas las mediciones hasta el tiempo tk. La probabilidad(1(tk+1)ISVs(tk ))define un núcleo de probabilidad de transición que describe el modelo dinámico 212, que define cómo evolucionan las PDF estimadas con el tiempo. Las probabilidades P(ISVs(t<k>)|M(t<k>)) se proporcionan por el motor de inferencia 222 y son las probabilidades posteriores de las ISV dadas las mediciones adquiridas en la etapa de tiempo anterior. Durante el modo de actualización 210 del módulo de observador de fisiología 122, las ISV predichas 211 se comparan con las mediciones recibidas del módulo de recepción de datos 121 con la ayuda del modelo de observación 221 y, como resultado, las ISV se actualizan para reflejar la nueva información disponible. El motor de inferencia 222 del módulo 122 logra esta actualización usando las PDF predichas como probabilidadesa priori,que se actualizan con las estadísticas de las mediciones para lograr las probabilidades posteriores que reflejan las estimaciones de las PDF de las ISV actuales 213. El motor de inferencia 222 logró la etapa de actualización 220 con la siguiente ecuación, que es el teorema de Bayes,
donde P(m-<i>(t<k+1>),m<2>(t<k+1>), ...m<n>(t<k+1>)|SVs(t<k+1>))
es el núcleo de probabilidad condicional proporcionado por el modelo de observación 221 que determina cómo son las mediciones recibidas actualmente dadas las ISV predichas actualmente.
En el tiempo de inicialización, por ejemplo, t = 0, cuando no hay disponible ninguna estimación actual de las PDF de las ISV, el módulo de observador de fisiología 122 puede utilizar estimaciones iniciales 250, que pueden obtenerse a partir de una conjetura de los valores posibles para las ISV o del análisis estadístico de los datos de paciente recopilados previamente.
La figura 3 ilustra un ejemplo no limitante de modelos que habilitan el observador fisiológico de acuerdo con la presente divulgación. Si bien no es directamente observable, la gestión del suministro de oxígeno, DO2, es una parte importante de los cuidados intensivos. Por lo tanto, la estimación precisa de DO2 puede informar sobre una mejor práctica clínica. En el ejemplo ilustrado, esta estimación se logra a través de las mediciones de la concentración de hemoglobina (Hg), la frecuencia cardíaca (FC), las presiones arteriales diastólica y sistólica y la SpO2. El modelo dinámico 212 supone que el suministro de oxígeno está impulsado por un proceso de retroalimentación que lo estabiliza frente a perturbaciones estocásticas. De manera similar, la concentración de hemoglobina se controla en torno al valor normal de 15 mg/dl. El modelo de observación 221 tiene en cuenta la relación entre la saturación de oxígeno arterial SpO2, la concentración de hemoglobina y el contenido de oxígeno arterial CaO2, la dependencia de la diferencia entre la presión arterial sistólica, PAs, y la presión arterial diastólica, PAd, (también llamada presión de pulso) en el volumen sistólico, y la relación entre la frecuencia cardíaca, FC, el volumen sistólico, VS, y el gasto cardíaco. Los dos modelos se resumen como una red bayesiana dinámica (DBN), y el módulo de observador de fisiología 122 utiliza la DBN para realizar un seguimiento continuo del suministro de oxígeno. Una red bayesiana dinámica es una forma sistemática de representar dependencias estadísticas en términos de un gráfico cuyos vértices significan variables (observables y no observables), y cuyos bordes muestran relaciones causales. Se pueden encontrar descripciones adicionales de una DBN de ejemplo para la estimación de DO2 en la solicitud provisional de EE. UU. n.° 61/699.492, presentada el 11 de septiembre de 2012, titulada SYSTEMS AND METHODS FOR EVALUATING CLINICAL TRAJECTORIES AND TREATMENT STRATEGIES FOR OUTPATIENT CARE, n.° de expediente del mandatario 3816/1003, y la solicitud provisional de EE. UU. n.° 61/684.241, presentada el 17 de agosto de 2012, titulada SYSTEM AND METHODS FOR PROVIDING RISK ASSESSMENT IN ASSISTING CLINICIANS WITH EFFICIENT AND EFFECTIVE BLOOD MANAGEMENT, n.° de expediente del mandatario 3816/1001, a la que se reivindica prioridad.
La figura 4 representa un ejemplo no limitante del observador de fisiología descrito anteriormente que rastrea el DO2, pero durante un intervalo de tiempo más largo, es decir, 4 etapas de tiempo. En el observador, la ISV oculta principal es la variable de suministro de oxígeno (DO2). Los dos tipos de mediciones, hemoglobina (Hg) y oximetría (SpO2) están en círculos de líneas discontinua en la figura 4. SpO2 es un ejemplo de las mediciones continuas o periódicas que el módulo de observador de fisiología 122 recibe de sensores, tales como monitores de cabecera 102 y dispositivos de tratamiento 104 conectados al paciente 101 que notifican información continuamente. La hemoglobina (Hg) es un ejemplo de una medición intermitente o aperiódica extraída del trabajo de laboratorio del paciente que está disponible para el observador de forma esporádica e irregular, y latente a veces, en relación con el tiempo actual del sistema. El módulo de observador de fisiología 122 es capaz de manejar ambos tipos de mediciones porque, junto con el seguimiento de las ISV ocultas, por ejemplo, DO2, el módulo 122 también mantiene continuamente estimaciones de los valores observados para todos los tipos de mediciones, incluso cuando no hay mediciones presentes. La figura 4 representa estas estimaciones para el caso de SpO2 y Hg. Como se puede observar, las mediciones de SpO2 están disponibles regularmente en cada etapa de tiempo, mientras que Hg solo está disponible en dos de las etapas de tiempo.
Como se ha mencionado anteriormente, determinadas mediciones, tales como la hemoglobina, están disponibles para el sistema con una cantidad desconocida de latencia de tiempo, lo que significa que las mediciones son válidas en el pasado en relación con el momento actual y el tiempo en que llegan a través de los enlaces de comunicación de datos. El módulo de observador de fisiología 122 puede manejar tales mediciones fuera de secuencia usando retropropagación, en la que las estimaciones actuales de las ISV se proyectan hacia atrás en el tiempo hasta el momento de validez de las mediciones, de modo que la información de la medición latente se puede incorporar correctamente. La figura 5 representa tal línea temporal. En la figura 5, la hemoglobina llega en el tiempo actual del sistema, t<k>, pero es válida y está asociada de nuevo a la ISV (DO2) en el tiempo T<k-2>. La retropropagación es el método de actualización de las estimaciones de probabilidad de las ISV actualesP(ISVs(tk)\M(tk))con una medición que es latente en relación con el tiempo actual, m(t<k-n>). La retropropagación se logra de manera similar al método de predicción descrito previamente. Hay un núcleo de probabilidad de transición,P(ISVs(tk-n)\ISVs(tk)),que define cómo evolucionan las probabilidades actuales hacia atrás en el tiempo. A continuación, esto se puede usar para calcular las probabilidades de las ISV en el tiempo t<k-n>dado el conjunto actual de mediciones que excluye la medición latente, de la siguiente manera:
P(/SVs(tk_n)|M(Ck)) = f¡SVí€lsvPVSVs(tt_n)\lSVs(tk))P(ISVs(tk)\M(Ck) )dlSVs
Una vez calculadas estas probabilidades, la información de la medición latente se incorpora usando la regla de Bayes en la actualización estándar:
n„ „ r, ^p(m(tk_n)ISV s(tk_n))p(isvs(tk-n)m tk) P(!SVs(tk_n)\M(tk),m(tk_n) ) =-----------P--(M--(t-ft--)-,m--(tfc_-n-)-)------------
A continuación, las probabilidades actualizadas se propagan de nuevo al tiempo actual t<k>usando la etapa de predicción descrita anteriormente. Se puede usar la retropropagación para incorporar la información.
Otra funcionalidad del módulo de observador de fisiología 122 incluye el suavizado. El proveedor de atención médica que usa el sistema 100 puede estar interesado en el estado del paciente en algún momento pasado. Con el suavizado, el módulo de observador de fisiología 122 puede proporcionar una estimación más precisa de las ISV del paciente en ese momento en el pasado incorporando todas las nuevas mediciones que el sistema ha recibido desde ese momento, proporcionando en consecuencia una estimación mejor que la estimación filtrada original del estado general del paciente en ese momento al usuario, calculandoP(ISVs(tk-n)\M(tk)).Esto se logra usando la primera etapa de retropropagación en la que las estimaciones de probabilidad en el tiempo t<k>que incorporan todas las mediciones hasta ese momento evolucionan hacia atrás hasta el tiempo de interés t<k-n>usando el núcleo de probabilidad de transición definido. Esto también se representa en la figura 5, en la que el usuario está interesado en el estado del paciente en t<k-n>y las estimaciones se suavizan de nuevo hasta ese momento.
Debido a que el módulo de observador de fisiología 122 mantiene estimaciones de cada una de las mediciones disponibles para el sistema 100 basándose en modelos fisiológicos y estadísticos, el módulo 122 puede filtrar artefactos de las mediciones que no están relacionadas con la información real contenida en las mediciones. Esto se realiza comparando las mediciones recientemente adquiridas con las probabilidades predichas de mediciones probables dadas las mediciones anteriores. Si el modelo considera que las nuevas mediciones son altamente improbables, no se incorporan en la estimación. El proceso de comparación de las mediciones con sus probabilidades predichas filtra eficazmente los artefactos y reduce el ruido. La figura 6 muestra un ejemplo de un proceso de este tipo que implica la presión arterial media (PAm). Debido a que la PAm se recopila usando un catéter intravenoso, las señales medidas a menudo se corrompen con artefactos que dan como resultado mediciones incorrectas cuando el catéter se usa para procedimientos médicos tales como extracciones de sangre o lavados de líneas. La figura 6 muestra las mediciones de PAm sin procesar antes de ser procesadas por el observador de fisiología con los artefactos de medición identificados, así como las mediciones filtradas después de procesarse por el módulo de observador de fisiología 122. Como se puede observar, los artefactos de medición se han eliminado y se deja la señal verdadera.
En diversas realizaciones, el módulo de observador de fisiología 122 puede utilizar una serie de algoritmos para la estimación o inferencia. Dependiendo del modelo de fisiología usado, el módulo de observador de fisiología 122 puede usar esquemas de inferencia exactos, tales como el algoritmo de árbol de uniones, o esquemas de inferencia aproximada usando muestreo de Monte Carlo, tal como un filtro de partículas, o algoritmos de aproximación gaussiana, tal como un filtro de Kalman o cualquiera de sus variantes.
Como se analiza, el modelo de fisiología usado por el módulo de observador de fisiología 122 puede implementarse usando un marco probabilístico conocido como red bayesiana dinámica, que captura gráficamente la relación causal y probabilística entre las ISV del sistema, tanto en una única instancia de tiempo como a lo largo del tiempo. Debido a la flexibilidad que ofrece este tipo de representación del modelo, el módulo de observador de fisiología 122 puede utilizar varios algoritmos de inferencia diferentes. La elección del algoritmo depende de las particularidades del modelo de fisiología usado, la precisión de la inferencia requerida por la aplicación y los recursos computacionales disponibles para el sistema. En este caso, la precisión se refiere a si se usa o no un esquema de inferencia exacta o aproximada. Si el modelo de observador de fisiología es de complejidad limitada, entonces puede ser factible usar un algoritmo de inferencia exacta. En otros casos, para modelos de observador de fisiología más complejos, no existe una solución de inferencia de forma cerrada o, si existe, no es computacionalmente factible dados los recursos disponibles. En este caso, puede usarse un esquema de inferencia aproximada.
El caso más sencillo en el que puede usarse la inferencia exacta es cuando todas las ISV en el modelo de fisiología son variables continuas y las relaciones entre las ISV en el modelo están restringidas a relaciones gaussianas lineales. En este caso, se puede usar un algoritmo de filtro de Kalman estándar para realizar la inferencia. Con tal algoritmo, la función de densidad de probabilidad sobre las ISV es una distribución gaussiana multivariante y se representa con una matriz de media y covarianza.
Cuando todas las ISV en el modelo son variables discretas, y la estructura del gráfico está restringida a una cadena o árbol, el módulo de observador de fisiología 122 puede usar un algoritmo de avance-retroceso, o un algoritmo de propagación de creencias para la inferencia, respectivamente. El algoritmo de árbol de unión es una generalización de estos dos algoritmos que se puede usar independientemente de la estructura del gráfico subyacente y, por lo tanto, el módulo de observador de fisiología 122 también puede usar este algoritmo para la inferencia. El algoritmo de árbol de unión conlleva costes computacionales adicionales que pueden no ser aceptables para la aplicación. En el caso de variables discretas, las funciones de distribución de probabilidad se pueden representar en forma de tabla. Cabe señalar que, en el caso donde el modelo consiste únicamente en variables continuas con relaciones gaussianas lineales, estos algoritmos también pueden usarse para la inferencia, pero dado que se puede demostrar que en este caso estos algoritmos son equivalentes al filtro de Kalman, se usa el filtro de Kalman |[hc1] como algoritmo de ejemplo.
Cuando el modelo de fisiología consiste en ISV tanto continuas como discretas con relaciones no lineales entre las variables, no es posible una solución de inferencia exacta. En este caso, el módulo de observador de fisiología 122 puede usar un esquema de inferencia aproximada que se basa en técnicas de muestreo. La versión más sencilla de este tipo de algoritmo es un algoritmo de filtro de partículas, que usa un muestreo de importancia secuencial. También se pueden usar métodos de muestreo de Monte Carlo de cadena de Markov (MCMC, por sus siglas en inglés) para un muestreo más eficiente. Dadas las relaciones fisiológicas complejas y no lineales, este tipo de esquema de inferencia aproximada ofrece la mayor flexibilidad. Una persona razonablemente experta en las técnicas pertinentes reconocerá que el modelo y los esquemas de inferencia empleados por el módulo de observador de fisiología pueden ser cualquier combinación de los descritos anteriormente o incluir otras técnicas de modelado e inferencia equivalentes.
Cuando se usan métodos de filtrado de partículas, es necesario un esquema de remuestreo para evitar la degeneración de partículas. El observador de fisiología puede utilizar un esquema de remuestreo adaptativo. Como se describe en detalle a continuación, las regiones del espacio de estado de ISV pueden estar asociadas con diferentes estados del paciente y diferentes niveles de riesgo para el paciente. Cuanto mayor sea el número, más peligrosa es esa condición particular para la salud del paciente. Para asegurar una estimación precisa de la probabilidad de una condición particular del paciente, puede ser necesario tener una cantidad suficiente de partículas muestreadas en la región. Puede ser más importante mantener estimaciones precisas de la probabilidad de regiones con un alto nivel de riesgo y, por lo tanto, el enfoque de remuestreo adaptativo garantiza que se muestrearán suficientes partículas en regiones de alto riesgo del espacio de estado. La figura 7 ilustra un ejemplo de este remuestreo. El estado 1 y el estado 2 tienen el nivel de riesgo más alto. El gráfico de la izquierda representa las muestras generadas a partir del remuestreo estándar. Cabe apreciar que naturalmente hay más partículas en la región del estado 1 y el estado 2 porque estos estados son los más probables. El gráfico de la derecha muestra el impacto del remuestreo adaptativo. Cabe apreciar cómo la cantidad de muestras en las áreas de mayor riesgo ha aumentado significativamente.
Intérprete de trayectoria clínica
Con referencia ahora a la figura 8, el Intérprete de Trayectoria Clínica 123 toma las funciones de densidad de probabilidad conjuntas de las ISV del módulo de observador de fisiología 122, y realiza una estimación de probabilidad de estado 801 para calcular las probabilidades de diferentes estados del paciente. Las funciones de densidad de probabilidad de las ISV pueden definirse de forma cerrada, por ejemplo, Gaussianas multidimensionales 260, o aproximarse mediante el histograma 280 de partículas 270, como se ilustra en las figuras 2B-D. En ambos casos, las funciones de densidad de probabilidad de las ISV pueden denominarse: P(ISV1(t), ISV2(t), ... , ISVn(t)), donde t es el tiempo al que se refieren. Dadas las variables de estado internas, el estado del paciente puede definirse mediante una función de densidad de probabilidad condicional:
P(S|/SV1,SV2,...,/SVn),donde S eS<1>,S<2>,...,Sw representa todos los estados del paciente posibles S,
A continuación, la determinación de la probabilidad de que el paciente se encuentre en un estado particular S, puede realizarse mediante la ecuación:
En caso de que P(ISV1(t), ISV2(t), ..., ISVn(t)) se defina por una función de forma cerrada, tal como la Gaussiana multidimensional 260, la integración puede realizarse directamente. En caso de que P(ISV1(t), ISV2(t), ... , ISVn(t) se aproxime mediante un histograma 280 de partículas 270 y P(S|/SV|,/SV<2>, ...,/SVn) se defina mediante una división del espacio abarcado por /SV<1>,/SV2,...,/SVnn en regiones como se muestra en la figura 9, la probabilidadP(S(t))puede calcularse calculando la fracción de partículas 270 en cada región.
Una vez que se estiman las probabilidades de estado del paciente, el módulo de intérprete de trayectoria clínica 123 puede asignar diferentes niveles de riesgo 802 para cada estado del paciente u organizar los estados en diferentes etiologías 803. El módulo de intérprete de trayectoria clínica 123, junto con el módulo de observador de fisiología 122, puede realizar la determinación de utilidad de mediciones 804 para determinar la utilidad de diferentes mediciones invasivas, tales como la monitorización de la presión sanguínea invasiva o de la saturación de oxígeno invasiva. En una realización, el módulo de intérprete de trayectoria clínica 123 determina las probabilidades de que el paciente se encuentre en un estado particular, en lugar del estado exacto en el que se encuentra el paciente.
La figura 9 ilustra un ejemplo no limitante de una definición de un estado del paciente que puede emplearse por el módulo de intérprete de trayectoria clínica 123. Específicamente, supone que la función P(S| /SV<1>,/SV2,...,/SVn)puede definirse dividiendo el dominio abarcado por las variables de estado internas /SV<1>,/SV2,...,/SVn.El ejemplo particular supone que la fisiología del paciente se describe mediante dos variables de estado internas: Resistencia vascular pulmonar (RVP) y gasto cardíaco (GC). Los riesgos particulares y las etiologías respectivas que pueden capturarse mediante estas dos ISV emanan de los efectos de una mayor resistencia vascular pulmonar en la circulación. Específicamente, una RVP alta puede provocar insuficiencia cardíaca derecha y, en consecuencia, un gasto cardíaco reducido. Por lo tanto, la RVP se puede usar para definir los atributos de RVP normal y RVP alta, y el GC para definir los atributos de GC normal y GC bajo, asignando umbrales con las dos variables. Al combinar estos atributos, se pueden definir cuatro estados separados: Estado 1: GC bajo, RVP normal; Estado 2: GC bajo, RVP alta; Estado 3: GC normal, RVP alta; Estado 4: GC normal, RVP normal.
La figura 10 ilustra un ejemplo no limitante de cómo el módulo de intérprete de trayectoria clínica 123 puede emplear la definición de estados del paciente para asignar probabilidades de que el paciente pueda ser clasificado bajo cada uno de los cuatro posibles estados del paciente en un punto particular del tiempo. En el ejemplo, el módulo de intérprete de trayectoria clínica 123 toma la función de densidad de probabilidad conjunta de P(gasto cardíaco (Tk), resistencia vascular pulmonar (Tk)) y la integra sobre las regiones correspondientes a cada estado particular, lo que produce P(S1(Tk)), P(S2(Tk)), P(S3(Tk)) y P(S4(Tk)). De esta manera, el módulo de intérprete de trayectoria clínica 123 asigna una probabilidad de que un estado particular del paciente esté en curso, dada la información proporcionada por el módulo de observador de fisiología 122. Cabe apreciar que si la salida del módulo de observador de fisiología 122 no es una función de forma cerrada 260 sino un histograma 280 de partículas 270, el intérprete clínico no realizará la integración sino que simplemente calculará la fracción relativa de partículas 270 dentro de cada región.
La figura 11 ilustra un enfoque alternativo para estimar las probabilidades para diferentes estados del paciente. En este enfoque alternativo, para calcular las probabilidades P(S1), P(S2), P(S3) y P(S4), el módulo de intérprete de trayectoria clínica 123 emplea las funciones de probabilidad conjunta de las ISV para dos ventanas de tiempo consecutivas Tk y Tk<+1>para calcular un promedio de ventana móvil. Cabe apreciar en el ejemplo que el tamaño de la ventana se duplica para dos instancias de tiempo, lo que indica que la ventana puede ser de un tamaño arbitrario y adecuado. Como resultado de este promedio de ventana móvil, el módulo de intérprete de trayectoria clínica 123 realiza un análisis dinámico de la trayectoria de las ISV. Es decir, proporciona una métrica de la probabilidad de que la trayectoria fisiológica, como se describe por las ISV, pueda encontrarse en una región particular en un marco temporal particular. En otras palabras, este cálculo de probabilidad proporciona una estimación de la probabilidad de que un estado del paciente particular pueda estar en curso en el marco temporal elegido, en lugar de solo en una instancia temporal elegida.
El módulo de intérprete de trayectoria clínica 123 también puede asignar niveles de riesgo a cada estado particular. La figura 12 ilustra un ejemplo no limitante de una definición de estados del paciente a los que se les asignan niveles de riesgo por el módulo de intérprete de trayectoria clínica 123. Los niveles de riesgo pueden obtenerse de encuestas a profesionales clínicos, bibliografía de referencia o cualquier otra fuente clínica. En el ejemplo particular, el módulo de intérprete de trayectoria clínica 123 distingue entre cuatro niveles de riesgo diferentes: 1--Riesgo mínimo, 2--Riesgo leve, 3--Riesgo medio y 4--Riesgo grave. La combinación de la probabilidad de un estado del paciente y su nivel de riesgo se denominará en adelante en el presente documento "Riesgo del paciente".
La figura 13 ilustra cómo los estados del paciente y sus respectivas probabilidades pueden organizarse en gráficos de árbol denominados etiologías. En particular, los atributos normal y bajo asociados con la ISV de gasto cardíaco son los nodos base del gráfico. Cada uno de estos vértices tiene dos secundarios asociados con los atributos de la resistencia vascular pulmonar. Esta organización lleva a que cada estado del paciente sea una hoja (vértice final) en el árbol. Este árbol en particular se denominará árbol de etiologías. El árbol de etiologías puede emplearse además por el módulo de visualización e interacciones del usuario 124 para proporcionar una vista estratificada de los diversos riesgos del paciente como se describe más adelante en el presente documento.
La figura 14 ilustra que el árbol de etiologías puede no ser único para un conjunto dado de estados del paciente y variables fisiológicas. Específicamente, la figura 14 proporciona un árbol de etiologías alternativo para el ejemplo de la figura 13. La raíz del árbol de etiologías alternativo comienza a partir de los atributos asociados con la resistencia vascular pulmonar, en lugar de los atributos asociados con el gasto cardíaco. Se puede apreciar que se pueden emplear diferentes reglas para generar los árboles dependiendo de diversos factores y del contexto de uso. Por ejemplo, puede preferirse un árbol de etiologías frente a otra realización en diferentes situaciones clínicas o dependiendo de la preferencia de los usuarios. Además, el árbol puede cambiar dinámicamente a medida que cambian los riesgos y evoluciona la situación clínica.
Utilidad de diferentes mediciones
Durante la atención hospitalaria, existen mediciones que pueden dañar al paciente o retrasar su recuperación. Ejemplos de tales mediciones dañinas son todas las mediciones procedentes de catéteres, tales como la presión arterial invasiva y la oximetría en sangre, que se ha demostrado que aumentan significativamente el riesgo de infección. Por lo tanto, puede ser útil que, durante el proceso de atención, se proporcione al profesional clínico una evaluación de la utilidad de cada una de las mediciones potencialmente dañinas. La figura 15 ilustra un método para calcular la utilidad de diferentes mediciones.
Con referencia a la figura 15, el sistema basado en riesgos 100 y el módulo de intérprete de trayectoria clínica 123 calculan la utilidad de una medición particular con el procedimiento ilustrado. Particularmente, en la etapa 9001, se selecciona una medición m<i>. Dada la medición m<i>y un tiempo actual (tactual), en la etapa 9002, el módulo de intérprete de trayectoria clínica 123 envía una instrucción al módulo de observador de fisiología 122 para simular la salida del módulo de observador de fisiología (las funciones de densidad de probabilidad de las variables de estado internas) desde un punto arbitrario dado hacia atrás desde el tiempo actual (t<actual>-T) hasta el tiempo actual t<actual>con la eliminación de la medición m<i>de la salida del algoritmo. A continuación, en la etapa 9003, el módulo de intérprete de trayectoria clínica 123 simula la estimación de probabilidades de estado dada la salida simulada del observador de fisiología y llega con un conjunto de probabilidades de estado del paciente, es decir, P<sim>(S-<i>(t<actual>)), P<sim>(S<2>(t<actual>)), ... , P<sim>(S<n>(t<actual>)). A continuación, en la etapa 9004, usando las probabilidades de estado determinadas a partir de todas las mediciones disponibles, es decir, P(S-<i>(t<actual>)), P(s2(tactual)), ... , P(S<n>(t<actual>)), el módulo de intérprete de trayectoria clínica 123 calcula la utilidad de la medición m<i>usando la fórmula:
que también es la divergencia de Kullback-Leibler entre la distribución del estado del paciente dadas todas las mediciones disponibles y la distribución del estado del paciente dada la medición m<i>que se ha eliminado durante un intervalo de tiempo T.
Como alternativa, en la etapa 9005, el módulo de intérprete de trayectoria clínica 123 puede calcular la utilidad para m<i>empleando los niveles de riesgo, n, asignados a cada estado S<i>mediante la fórmula:
De manera similar, el módulo de intérprete de trayectoria clínica 123 puede realizar el cálculo de utilidad no solo para una medición particular, sino también para cualquier grupo de mediciones. El cálculo de utilidad también puede incluir un componente que captura el daño potencial asociado con una medición particular. Por ejemplo, la medición de catéter invasiva descrita anteriormente tendría un gran nivel de daño asociado con ella. De esta manera, el cálculo intercambia el daño asociado con la medición frente al valor de la información que proporciona. Un ejemplo de este cálculo de utilidad modificado se da mediante la siguiente fórmula:
U(m<i>) = D<ponderada>(P<sim>|P) — H(m<i>),
donde H(mi) define una función que describe el daño de cada medida disponible.
El sistema de monitorización basada en riesgos 100 también puede integrar un cálculo externo generado a partir de algoritmos de terceros implementados en el mismo medio de cálculo que el sistema de monitorización basada en pacientes o como parte de un dispositivo externo. La figura 16 ilustra una posible realización de la integración de un cálculo externo generado a partir de algoritmos de terceros. Particularmente, la salida del cálculo externo 9110 se proporciona al módulo de intérprete de trayectoria clínica 123 que implementa las instrucciones de integración 9120. Como resultado, la estimación de probabilidad de estado 801 produce nuevos estados P(nuevoS-<i>), P(nuevoS<2>), P(nuevoS<3>),..., P(nuevoS<n+m>), que pueden dar como resultado un número mayor de estados n+m a partir del número original de n estados. De manera similar, las instrucciones de integración 9120 pueden proporcionarse a la asignación de nivel de riesgo 802 y a la organización de etiologías 803.
La figura 17 ilustra un ejemplo de instrucciones de integración. En el ejemplo, se supone que el cálculo externo, EC, proporciona información sobre atributos binarios particulares A = a<1>o A = a<2>, y la especificación de cómo la información proporcionada se captura en las instrucciones de integración mediante la probabilidad condicional P(EC|A). Además, dados cuatro estados originales S<1>, S<2>, S<3>y S<4>, la instrucción de integración puede especificar cómo los estados S<3>y S<4>pueden actualizarse con dos atributos adicionales A = a-<i>y A = a<2>, y convertirse en cuatro nuevos estados nuevoS<3>, nuevoS<4>, nuevoS<s>y nuevoS<6>. Para realizar esta actualización, la instrucción de integración también puede emplear probabilidades anteriores P(A|S<3>) y P(A|S<4>). Estas probabilidades anteriores pueden obtenerse a partir de estudios retrospectivos analizando qué fracciones de pacientes que presentan S<3>o S<4>han presentado concomitantemente A = a<1>o A = a<2>.
Otra forma de obtener las probabilidades anteriores es solicitando la opinión de los profesionales clínicos.
Al utilizar las instrucciones de integración, la estimación de probabilidades de estado 801 de los nuevos estados puede obtenerse entonces a partir de la fórmula:
P(A=a<j>, S<i>| EC) = P(EC | A=a<j>) P(A=a<j>|S<i>) P(S<j>)/P(EC),
donde i es {3,4} y j es {1,2}, y donde P(S<j>) son las probabilidades de estado del paciente originales obtenidas de la salida del módulo de observador de fisiología 122.
La figura 18 ilustra un ejemplo adicional de instrucciones de integración de un cálculo externo. De nuevo, el sistema de monitorización basada en riesgos 100 puede realizar la integración, como se muestra en la figura 18, tanto en el caso de que el cálculo externo 9110 se genere en el mismo medio computacional que el sistema de monitorización basada en pacientes, o como parte de un dispositivo externo. En este caso, se supone que el cálculo externo 9110 proporciona información directa sobre una variable de estado interna particular estimada por el módulo de observador de fisiología 122 (o el módulo de observador de fisiología mejorado 9300). Por lo tanto, para integrar el cálculo externo, el módulo de observador de fisiología 122 puede tratar el cálculo externo 9110 como una medición adicional e integrarla directamente en el modelo de observación 221.
Visualización e interacción del usuario|[DB2]
La figura 19 ilustra funcionalidades de ejemplo del módulo de visualización e interacciones del usuario 124. Específicamente, el módulo 124 puede recibir toda la información y los datos disponibles del paciente, incluyendo los datos del módulo de recepción de datos 121, la función de densidad de probabilidad conjunta producida por el módulo de observador de fisiología 122, y el árbol de etiologías, los riesgos y las utilidades de mediciones invasivas estimadas por el módulo de intérprete de trayectoria clínica 123. Al utilizar esta información, el módulo de visualización e interacciones del usuario 124 puede producir: 1) una vista unitaria 1501 de pacientes que describe sus riesgos, diagnósticos, etc.; 2) una vista 1502 del historial médico electrónico de un paciente que incluye resultados de laboratorio, medicamento prescrito, diagnósticos, etc.; 3) una vista 1503 de los riesgos actuales de un paciente; 4) una vista 1504 de la trayectoria de riesgos de un paciente, es decir, cómo han evolucionado las probabilidades para estados particulares del paciente en un marco de tiempo particular; 5) una vista 1505 de las utilidades de las mediciones de un paciente en la estimación de los riesgos particulares del paciente; 6) un gráfico de las PDF de las ISV estimadas por el paciente 1506 que describe la evolución en el tiempo de las PDF de las ISV; 7) una vista 1507 que permite navegar a través del árbol de etiologías del paciente y visualizar de este modo diferentes niveles del árbol; 8) una vista 1508 que muestra los riesgos previstos de un paciente; 9) una vista 1509 que permite a los profesionales clínicos ver y ajustar alarmas basadas en el riesgo del paciente; 10) una vista 1510 de los datos de monitorización de la fisiología de un paciente y su evolución a lo largo del tiempo; y 11) cualquier combinación de los elementos descritos anteriormente. Además, el módulo de visualización e interacciones del usuario 124 también puede producir una vista de etiquetas de pacientes 1511, un resumen de condiciones del paciente 1512, material de referencia y capacitación 1513, y configuración de anotaciones y etiquetas 1514.
La figura 20 ilustra un ejemplo de una vista de resumen 2000 que puede transmitir en una sola pantalla un perfil de riesgos para cada paciente en una unidad hospitalaria particular. El perfil de riesgo representa cuál es la probabilidad acumulada de que el paciente se encuentre en un nivel de riesgo particular. Se calcula sumando las probabilidades actuales de todos los estados en un nivel de riesgo particular. En el ejemplo, las probabilidades sumadas, los niveles de riesgo se representan por la altura de cuatro barras, correspondiendo cada barra a un nivel de riesgo particular. En este ejemplo específico, estos niveles de riesgo pueden ser Verde (sombreado inclinado) - Riesgo mínimo, Amarillo (sombreado vertical) - Riesgo leve, Naranja (sombreado horizontal) - Riesgo medio, y Rojo (sombreado punteado) -Riesgo grave.
La figura 21 ilustra una posible realización de una vista 2100 que describe los riesgos actuales del paciente. Cada recuadro con esquinas redondeadas corresponde a un riesgo particular: el color corresponde al nivel de riesgo, siendo Verde (sombreado inclinado) - Riesgo mínimo, Amarillo (sombreado vertical) - Riesgo leve, Naranja (sombreado horizontal) - Riesgo medio, y Rojo (sombreado punteado) - Riesgo grave; la altura del recuadro corresponde a la probabilidad de estado particular del paciente. Los riesgos se agrupan en columnas en función de sus niveles de riesgo. La pantalla y los riesgos respectivos se actualizan en tiempo real a medida que se dispone de nuevos datos.
Todavía con referencia a la figura 21, además de la visualización de los riesgos actuales del paciente, el sistema 100 puede proporcionar información sobre la utilidad de las diversas mediciones invasivas para determinar estos riesgos. Específicamente, el ejemplo ilustrado proporciona las utilidades de las mediciones de presión arterial (PA) invasiva y presión venosa central (PVC) invasiva. La utilidad puede estar representada por las barras rellenas 2110 y 2120, y la utilidad máxima puede corresponder a seis barras rellenas. Las seis barras rellenas se pueden mostrar en gradiente de color desde 1-verde oscuro, 2-verde claro, 3-amarillo, 4-rojo, 5-púrpura, hasta 6-blanco o vacío. En esta realización particular, las barras rellenas 2110 para la PA muestran los seis colores, mientras que dos de las barras rellenas 2120 para la PVC muestran respectivamente 1-verde oscuro y 2-verde claro, y las barras rellenas 2110 restantes muestran 6-blanco o vacío.
La figura 22 ilustra una vista 2200 y cómo se puede utilizar un control deslizante 2210 u otro elemento gráfico en la parte superior de la vista del paciente para revisar el historial de los riesgos del paciente. Específicamente, en el ejemplo, el control deslizante 2210 se mueve para mostrar los riesgos del paciente aproximadamente cuatro horas atrás desde el momento actual. Esto permite a los profesionales clínicos revisar la evolución continua de los riesgos del paciente y compararlos con el tratamiento aplicado o cualquier otro factor externo. En diversas realizaciones, el control deslizante 2210 puede moverse en la interfaz de usuario con un dispositivo señalador, un comando o, si se utiliza junto con pantallas sensibles al tacto, tocando y arrastrando el control deslizante u otro elemento gráfico para designar el período de tiempo deseado.
Con referencia ahora a las figuras 21 y 22, el árbol de etiologías se usa para combinar los dos estados Estado A 2130: Hipoxia con bajo gasto cardíaco y Estado B 2140: hipoxia con baja Qp:Qs de la figura 21 para representarlos mediante un solo estado del paciente (Hipoxia) 2220. En el ejemplo particular, esto se usa para ajustar el texto en el recuadro más pequeño de la figura 22 en relación con la figura 21. El usuario puede navegar por el árbol de etiologías en la vista 2300 haciendo clic en el estado del paciente compuesto 2220 y visualizando sus estados del paciente constituyentes 2130 y 2140, como se ilustra en la figura 23.
La figura 24 ilustra en la vista 2400 cómo en el mismo marco el usuario puede ver los riesgos previstos para el paciente moviendo el control deslizante 2410 hacia delante del tiempo actual. |[DB3]
La figura 25 ilustra en la vista 2500 un recuadro de diálogo interactivo 2510 a través del cual el usuario puede definir las condiciones para establecer una alarma para un riesgo particular. El usuario logra esto seleccionando el riesgo particular y a continuación estableciendo los umbrales superior e inferior para la probabilidad de estado del paciente asociada con este riesgo. No se activa ninguna alarma mientras la probabilidad de estado del paciente esté entre el umbral superior y el inferior. La alarma se activa cuando la probabilidad de estado del paciente cruza el umbral. Una vez que se activa la alarma, el sistema 100 puede notificar a una lista de personas elegidas, o enviar la notificación a otro sistema clínico. Cualquiera de los módulos 122-124 puede realmente almacenar sus respectivos intervalos de datos de umbral e iniciar el disparador dependiendo del parámetro específico.
La figura 26 ilustra en la vista 2600 otra posible visualización de la trayectoria de riesgos del paciente, es decir, la evolución de las probabilidades de los estados del paciente asociadas con riesgos particulares. El usuario puede elegir qué serie temporal de probabilidades de estado del paciente desea visualizar, y el sistema representa gráficamente estas probabilidades en función del tiempo.
La figura 27 ilustra en la vista 2700 cómo el sistema 100 puede presentar directamente las funciones de densidad de probabilidad de diversas variables de estado internas. Específicamente, en el ejemplo, la PDF estimada de suministro de oxígeno se representa gráficamente en el gráfico 2710 en función del tiempo, correspondiendo los colores más oscuros a una mayor probabilidad. De manera similar, la PDF estimada de saturación de oxigenación venosa mixta (SvO2) se representa gráficamente en el gráfico 2720 y se compara con mediciones actuales (círculos oscuros).
Intercambio de información entre usuarios
La figura 28 en la vista 2800 ilustra un ejemplo de una interfaz de definición de etiquetado 2810 que permite a los profesionales clínicos marcar instancias específicas de tiempo o períodos específicos de tiempo 2820 que son de interés o representan puntos importantes en el curso clínico, es decir, una etiqueta. Las etiquetas pueden compartirse o enviarse a través del recuadro de diálogo 2830 a destinatarios específicos, o pueden incluirse en notas o cualquier otra parte de la interfaz de usuario. Los usuarios pueden anotar en una etiqueta comentarios u observaciones particulares a través del recuadro de diálogo 2840, y las etiquetas pueden clasificarse en categorías de la lista de menú 2850, por ejemplo, una etiqueta puede representar un cambio en la dosificación de la medicación, una intervención, una nota sobre monitores o equipos de medición, etc. Las etiquetas y sus respectivas marcas de serie temporal pueden estar codificadas por colores para indicar diversas propiedades, tal como su categoría. Por ejemplo, las marcas de etiqueta de color verde en una serie temporal pueden representar cambios en la medicación, las marcas de etiqueta de color rojo pueden representar intervenciones, y las marcas de etiqueta de color amarillo pueden representar períodos de mayor preocupación. Al configurar una etiqueta, se le puede solicitar al usuario que defina la instancia de tiempo o el período de tiempo, la categoría de la etiqueta, la anotación para la etiqueta y cómo debe manejarse la etiqueta por el sistema. Además, se pueden sugerir anotaciones usando el procesamiento del lenguaje natural para convertir las etiologías de la condición en forma de nota.
La figura 29 ilustra en la vista 2900 una vista de Feed de información 2910 que comprende etiquetas, notas o información tomada de fuentes externas, tal como la hora de una extracción de sangre tomada de un registro médico electrónico (RME). El Feed de información 2910 puede permitir a los profesionales clínicos ver y publicar eventos, períodos de interés, intervenciones, notas, etiquetas, etc., que se publican por otros profesionales clínicos. Los profesionales clínicos pueden ver el Feed de información completo u ordenarlo en función de la categoría de la etiqueta, nivel de riesgo, etc. Además, los profesionales clínicos pueden buscar etiquetas basándose en palabras clave, tipo de intervención, tiempo de estadía, fuente de información, etc. Las entradas 2920-2926 en el Feed de información 2010 pueden indicar cualquiera de las categorías, la fuente de la etiqueta y la descripción general del paciente, ya sea en palabras o como una imagen, tal como el perfil de riesgo.
La figura 30 ilustra en la vista 3000 una Vista de resumen de condiciones 3010 a través de la cual el profesional clínico puede solicitar un resumen de condiciones seleccionando o haciendo clic en un estado del paciente en particular. La Vista de resumen de condiciones 3010 puede entonces presentar a los profesionales clínicos una descripción de un estado particular, incluyendo tanto las definiciones en la ventana 3020 del estado, como la información sobre cómo el sistema llegó a la conclusión sobre la probabilidad de este estado del paciente. Esta vista 3010 puede proporcionar la probabilidad y el nivel de riesgo del estado del paciente, la definición del estado del paciente en términos de umbrales de ISV, y la probabilidad de cada atributo que define el estado, como se ilustra, y también puede proporcionar una descripción en lenguaje natural y una ventana de evidencia 3030 de evidencia que contribuye al estado del paciente, traduciendo las PDF de las ISV en una descripción textual cualitativa, o presentando directamente información numérica sobre la evidencia. Como ejemplo, la figura 30 ilustra la Vista de resumen de condiciones 3010 para el estado del paciente choque debido a un bajo gasto cardíaco. Aquí, la Vista de resumen de condiciones 3010 presenta la probabilidad del estado de "choque debido a bajo gasto cardíaco", y el nivel de riesgo del estado mostrado en color o sombreado punteado. Además, se presentan las definiciones de choque (saturación venosa mixta inferior o igual al 45 %) y bajo gasto cardíaco (gasto cardíaco inferior a 3,2 litros por minuto por metro cuadrado), junto con las probabilidades de que se cumplan cada una de ellas (por ejemplo, 40 % para choque y 30 % para bajo<g C ) .>La ventana de evidencia 3030 transmite la información que conduce a la evaluación de "Choque debido a bajo GC". En este ejemplo, el sistema ha convertido la información relativa a las probabilidades de las etiologías en una forma textual, específicamente que la probabilidad estimada está impulsada principalmente por el hecho de que hay una presión de pulso subnominal (presión arterial sistólica menos presión arterial diastólica) que indica un volumen sistólico reducido.
La figura 31 ilustra además en la vista 3100 la capacidad de la interfaz de usuario para incluir y mostrar material de referencia, al que se puede acceder a través de Internet, o se puede almacenar en el sistema 100 o ser accesible de forma remota por medio de este. Al seleccionar el botón de Más información 3110 en la Vista de resumen de condiciones 3010, se puede abrir una Vista de más información 3120, que muestra información de referencia asociada con la Vista de resumen de condiciones 3010. La información de referencia puede incluir causas, intervenciones, comorbilidades comunes, anatomía, publicaciones relevantes, etc. Además, esta función puede servir como una herramienta de capacitación para familiarizar a los profesionales clínicos con el manejo de la población de pacientes en particular o estrategias de tratamiento.
Ejemplo de SCIH en fase 1
La siguiente descripción explica cómo el sistema 100 y las técnicas divulgadas se pueden aplicar al modelado del curso clínico de una población de pacientes específica en cuidados intensivos: pacientes con síndrome del corazón izquierdo hipoplásico en recuperación postoperatoria después de una paliación en fase uno.
El síndrome del corazón izquierdo hipoplásico es un defecto cardíaco congénito, que se manifiesta por un ventrículo izquierdo y una aurícula izquierda subdesarrollados. Como resultado, los pacientes que padecen esta afección no tienen flujos sanguíneos sistémico y pulmonar separados, sino que el ventrículo derecho es responsable de bombear sangre tanto al cuerpo como a los pulmones. Por lo tanto, la optimización hemodinámica durante los cuidados intensivos implica el manejo de las fracciones del flujo sanguíneo que pasan a través de los pulmones (flujo pulmonar Q<p>) y el cuerpo (flujo sistémico Q<s>). El estado hemodinámico óptimo se alcanza cuando se logra un suministro adecuado de oxígeno a los tejidos, DO<2>, para una relación de flujo sanguíneo pulmonar con respecto a sistémico, representada Q<p>/Q<s>, de 1. A menudo, para alcanzar este estado óptimo, la fisiología del paciente pasa por otros estados menos beneficiosos, y la identificación correcta de estos estados y la aplicación de una estrategia de tratamiento adecuada para cada uno de ellos definen la calidad de la atención postoperatoria.
Tabla 1
Variable Descripción Unidades Tipo
D O 2Suministro de oxígeno indexado ml de O<2>/min/m2 DinámicoV O 2Consumo de oxígeno indexado ml de O<2>/min/m2 DinámicoR V PResistencia vascular pulmonar mm de Hg/l/min/m2 DinámicoR V SResistencia vascular sistémica mm de Hg/l/min/m2 DinámicoÚ R V PCambio en las RVP por etapa de tiempo mm de Hg/l/min/m2 DinámicoA R V SCambio en las RVS por etapa de tiempo mm de Hg/l/min/m2 DinámicoH bHemoglobina g/dl Dinámico/ObservadoF CFrecuencia cardíaca Latidos por min Dinámico/ObservadoS p v O 2Saturación de oxígeno venosa pulmonar % DinámicoS a O 2Saturación de oxígeno arterial % Derivado/ObservadoS v O 2Saturación de oxígeno venosa sistémica % Derivado/ObservadoS p O 2Saturación de oxígeno venosa pulmonar % ObservadanDistensibilidad aórtica DinámicoP A mPresión arterial media mm de Hg Derivado/ObservadoP V CPresión venosa central mm de Hg Dinámico/ObservadoP A IPresión auricular izquierda mm de Hg Dinámico/ObservadoP A DPresión auricular derecha mm de Hg Dinámico/ObservadoA PPresión de pulso mm de Hg Derivado/ObservadoG CGasto cardíaco total l/min/m2 DerivadoQ pTasa de flujo sanguíneo pulmonar l/min/m2 DerivadoQ sTasa de flujo sanguíneo sistémica l/min/m2 DerivadoQ p Q sRelación de Qp con respecto a Qs Derivado Cambiar la etapa en la relación de Qp con respecto a DerivadoA Q p . Q s
Qs por tiempo
Constante de retroalimentación del suministro de
CDO2-oxígeno
Constante de retroalimentación del consumo de
CVO2oxígeno
CHbConstante de retroalimentación de hemogloblina -C3Constante de escala de distensibilidad aórtica -C4Desfase de la distensibilidad aórtica -Capacidad de transporte de oxígeno de la
c 5-hemoglobina
La Tabla 1 enumera las variables de estado que pueden usarse en el modelo de fisiología del SCIH después de la paliación de la fase 1, la descripción de variables, las unidades y el tipo de variable. Una persona razonablemente experta en las técnicas pertinentes reconocerá que, aunque estas variables abarcan la circulación, la hemodinámica y los componentes de intercambio de oxígeno de la fisiología del SCIH, los modelos se pueden alterar o mejorar con cualquier componente fisiológico adicional, tal como ventilación, metabolismo, etc., sin alterar la premisa de la invención divulgada.
La figura 32 representa una red bayesiana dinámica (DBN) general que puede emplearse para capturar el modelo de fisiología de los pacientes de paliación del SCIH en fase 1. El modelo gráfico ilustrado conceptualmente en la figura 32 captura la relación causal y probabilística entre las variables del modelo. En la DBN, las variables de estado se organizan en tres grupos: variables dinámicas 3210, variables derivadas 3220 y variables observadas 3230. Las variables dinámicas 3210 son variables cuyos valores cambian con el tiempo en función de un modelo probabilístico dinámico que se describirá a continuación. Las variables derivadas 3230 son cantidades que dependen de las variables dinámicas con alguna relación funcional. Estas variables se calculan o se obtienen cuando es necesario a partir de las últimas variables dinámicas y, por lo tanto, también son de naturaleza dinámica. Las variables observadas 3230 son aquellas variables que se miden directamente mediante uno de los sensores conectados al sistema y al paciente. Las variables observadas 3230 representan instancias de las variables de estado dinámicas o derivadas verdaderas que se han observado bajo ruido.
La figura 33 enumera varias ecuaciones que pueden usarse para modelar la dinámica de la fisiología del SCIH en fase 1. El modelo consiste en cuatro tipos principales de modelos estocásticos. El primer tipo de modelo es un modelo de control de retroalimentación estocástico (ec. 1, 2 y 7). Estas variables tienen un valor nominal que el cuerpo mantiene, pero se ven alteradas por algún proceso aleatorio que se aleja de este valor nominal. La fuerza con la que el cuerpo intenta mantener estos valores se decide por la constante de retroalimentación. El segundo tipo de modelo es un proceso de difusión de deriva (ec. 3 y 4). Estas variables son impulsadas en el tiempo por un proceso de ruido blanco aleatorio y un proceso de tasa de deriva. El tercer tipo de modelo es un proceso de caminata aleatoria simple (ec. 5, 6 y 8). El último tipo de modelo dinámico es un modelo de proceso sin memoria en el que la variable no tiene relación con la variable en el período de tiempo anterior, sino que es simplemente una variable aleatoria cuyo valor cambia en cada instancia de tiempo de acuerdo con alguna distribución predefinida sobre el soporte adecuado de la variable, es decir, una distribución gamma sobre toda la línea real positiva con los parámetros A y B (ec. 9, 10 y 11). Con la excepción de las ecuaciones 9, 10 y 11, el ruido impulsor para cada modelo dinámico es ruido blanco gaussiano independiente.
La figura 34 representa ecuaciones de ejemplo que pueden usarse para abstraer las relaciones entre las variables dinámicas en el modelo y las variables derivadas. Algunas de estas relaciones funcionales son verdaderas para la fisiología humana general, pero muchas son el resultado de la fisiología de circulación paralela que es específica de la población con SCIH. Las ecuaciones 12-15 describen relaciones para variables que se miden directamente. Las ecuaciones 16-18 describen relaciones funcionales para variables que son de máximo interés al gestionar la atención de pacientes con SCIH después de la cirugía, específicamente el gasto cardíaco (GC) y la relación de flujo pulmonar con respecto a sistémico (Qp:Qs). Estas variables no se pueden medir directamente sin procedimientos complejos.
Dadas estas relaciones funcionales y la definición de los estados dinámicos, la figura 35 proporciona ahora un posible modelo de observación que puede usarse para relacionar las variables derivadas con los datos de sensor disponibles. Cada modelo de observación es una relación gaussiana condicional. De acuerdo con este modelo, la medición recibida del sensor representa una observación directa de la variable de estado subyacente corrompida por ruido blanco gaussiano independiente adicional con alguna variación. La figura representa la cantidad observada como la variable de estado subyacente con una tilde sobre el nombre de la variable. En esta implementación, diferentes sensores pueden mapearse con respecto a la misma variable de estado subyacente, pero con niveles de ruido potencialmente diferentes. Por ejemplo, la SpO2, según lo informado por un oxímetro de pulso, mide el estado fisiológico subyacente, la SaO2 o la saturación de oxígeno arterial de manera no invasiva. Un catéter intravenoso insertado directamente en el torrente sanguíneo arterial también mide esta cantidad, pero de manera invasiva. La medición del catéter debe ser una medición más precisa que la oximetría de pulso. En este modelo, esto se maneja con una varianza de medición más pequeña, R.
En el observador de fisiología del SCIH, la inferencia sobre la DBN se realiza usando un filtro de partículas. Como se ha descrito anteriormente, un filtro de partículas es un ejemplo de un esquema de inferencia aproximada que usa muestras de Monte Carlo de las variables de estado internas para aproximar la función de densidad de probabilidad de cada variable de estado con una distribución empírica basada en el número de partículas. El filtro usa un proceso conocido como muestreo de importancia secuencial (SIS, por sus siglas en inglés) para remuestrear continuamente partículas a partir de la distribución de probabilidad aproximada más reciente. En el filtro, a cada partícula se le asigna un peso. Cuando llega una nueva observación o medición, el peso de cada partícula se actualiza en función de la probabilidad de la partícula particular dada la observación. A continuación, las partículas se remuestrean en función de su peso actualizado relativo, siendo más probable que se remuestreen las partículas con los pesos más altos que las que tienen pesos más bajos.
La figura 36 ilustra posibles atributos, estados del paciente y un árbol de etiologías que puede usarse por el módulo de intérprete de trayectoria clínica 123 en el caso de la población con SCIH en Fase 1. El gasto cardíaco total variable definido como la suma de los flujos sanguíneos sistémico y pulmonar se usa para definir el gasto cardíaco total bajo y normal, la relación Qp:Qs se usa para derivar la relación Qp:Qs baja, equilibrada y alta, el valor de la concentración de hemoglobina Hgb se usa para obtener la hemoglobina baja y normal, y el valor de la saturación venosa mixta de oxígeno, SvO2, se usa para obtener los atributos de choque hemodinámico y ausencia de choque hemodinámico. Esto da como resultado ocho estados posibles definidos de la siguiente manera: 1) Choque causado por bajo gasto cardíaco total, como la presencia de ambos atributos, choque y gasto cardíaco total bajo; 2) Choque causado por hemoglobina baja como el estado con los atributos choque, gasto cardíaco total normal y hemoglobina baja; 3) choque por causas desconocidas como el estado con los atributos choque, gasto cardíaco total normal, hemoglobina normal y circulación equilibrada; 4) choque causado por baja Qp:Qs como el estado con los atributos choque, gasto cardíaco total normal, hemoglobina normal y baja Qp:Qs; 5) choque causado por alta Qp:Qs como el estado con los atributos choque, gasto cardíaco total normal, hemoglobina normal y alta Qp:Qs; 6) circulación normal como un estado con los atributos de ausencia de choque y circulación normal; 7) baja Qp:Qs como el estado definido por los atributos de ausencia de choque y baja Qp:Qs; y 8) alta Qp:Qs como el estado definido por los atributos de ausencia de choque y alta Qp:Qs. La figura 35 también ilustra una posible realización de un árbol de etiologías que describe las relaciones entre los atributos y los estados del paciente. Usando la aproximación de partículas de las variables de estado internas, la probabilidad de los ocho estados se puede calcular calculando la fracción relativa de partículas dentro de cada estado.
Ejemplo de aplicación del sistema de monitorización basada en riesgos junto con la evaluación de las consecuencias de un posible tratamiento
Otra posible aplicación del sistema de monitorización basada en riesgos es ayudar a los profesionales clínicos a decidir si aplicar un tratamiento en particular, siendo un ejemplo la transfusión de sangre. La transfusión de sangre y productos sanguíneos es un procedimiento hospitalario común. A pesar de eso, las indicaciones y políticas de transfusión de sangre no están bien establecidas ni se aplican de manera uniforme dentro o entre centros médicos. Múltiples estudios han demostrado variación en las prácticas de transfusión entre diferentes hospitales, profesionales y procedimientos.
Esta variación persiste incluso cuando se aplica a un solo procedimiento (por ejemplo, cirugía de injerto de derivación de la arteria coronaria).
Además, la transfusión de sangre se ha reconocido cada vez más como un factor de riesgo independiente para la morbilidad y la mortalidad. Los acontecimientos y resultados específicos asociados con la transfusión incluyen septicemia, isquemia de órganos, mayor tiempo en soporte de ventilación, mayor duración de la estadía en el hospital y morbilidad a corto y largo plazo. Esta relación es proporcional al volumen de transfusión, y la evidencia sugiere que los valores altos de hematocrito pueden ser perjudiciales. Es comprensible que los investigadores recomienden convencionalmente políticas de transfusión dirigidas a lograr un equilibrio informado entre los riesgos y los beneficios.
Se ha demostrado que establecer políticas de transfusión sólidas y eficaces es una tarea difícil. El consenso en la comunidad médica es que las políticas simples, tales como las políticas de umbral de hemoglobina, no proporcionan una guía adecuada. Esto se debe a la naturaleza compensatoria de la fisiología hemodinámica; los pacientes tienen una capacidad variable para tolerar niveles bajos de hemoglobina. En consecuencia, la toma de decisiones eficaz en materia de transfusión debe integrar factores tales como la reserva compensatoria, el volumen intravascular, la estabilidad hemodinámica, el tipo de procedimiento y otros datos del paciente. Por lo tanto, existe una necesidad esencial de políticas de gestión de la sangre que utilicen el espectro completo de variables clínicas relevantes y determinen la relación riesgo/beneficio de la transfusión. Esto se consigue exactamente aplicando el sistema de monitorización basada en riesgos.
La figura 37 ilustra un entorno posible en el que el sistema de monitorización basada en riesgos se puede aplicar para ayudar a los profesionales clínicos a decidir si aplicar un tratamiento particular. De acuerdo con la divulgación, un paciente 101 está siendo monitorizado con múltiples mediciones 3910, tanto de forma intermitente como persistente. Las mediciones persistentes pueden incluir la saturación venosa mixta de oxígeno (SvO2) 3911, las presiones arteriales sistólica, diastólica y media (PA s|d|m) 3913, la frecuencia cardíaca 3916, monitorizadas a través de un monitor de cabecera. Las mediciones intermitentes pueden incluir el pH sanguíneo 3915, la concentración de hemoglobina (Hgb) 3912 y la concentración de ácido láctico 3914 monitorizadas a través de análisis de sangre periódicos. Estas mediciones 3910 se introducen en un sistema de monitorización basada en riesgos mejorado 3940 con evaluación del tratamiento, que, además del módulo de observador de fisiología 122 y el módulo de intérprete de trayectoria clínica 123 previamente divulgados, consiste en varios otros módulos. Un módulo de determinación de posibles complicaciones del tratamiento 3924 recibe información del módulo de intérprete de trayectoria clínica 123, junto con información sobre la demografía del paciente 3931 y el tipo de procedimiento 3932. Con la información, este módulo 3924 consulta una base de datos de resultados 3943 y recibe información de retorno sobre cuál puede ser la probabilidad de diferentes complicaciones dado que a) el paciente se encuentra en estados del paciente particulares con probabilidades particulares; b) el paciente tiene ciertas características demográficas (edad, sexo, etc.); c) el paciente ha tenido un tipo particular de procedimiento; d) y cualquier combinación de los mismos de a), b) y c). Por otro lado, la base de datos de resultados 3943 se puede completar usando estudios de resultados 3990 obtenidos de estudios retrospectivos 3991, ensayos clínicos aleatorizados 3992, resultados específicos de la institución 3993 determinados a partir de datos de pacientes recopilados previamente para una institución particular, y cualquier combinación de los mismos de los elementos anteriores.
Cuando el módulo de determinación de posibles complicaciones del tratamiento 3942 determina las posibles complicaciones, envía esta información a un módulo de visualización mejorada e interacciones del usuario 3941. El módulo de visualización e interacciones del usuario mejorado 3941 combina la monitorización basada en riesgos específicos del paciente realizada por el módulo de observador de fisiología 122 y el módulo de intérprete de trayectoria clínica 122, con la evaluación de la complicación probable. Esto permite que el sistema proporcione un punto de vista superior desde el cual el profesional clínico 3920 puede reconocer mejor los riesgos y beneficios de los tratamientos tales como la transfusión de sangre, y, respectivamente, decidir de manera más eficiente y eficaz si administrar este tratamiento 3960.
La figura 38 muestra un conjunto de ejemplo no limitante de estados del paciente relevantes para una transfusión de sangre que pueden usarse para informar la decisión de transfusión de sangre. Los estados contienen información sobre la dinámica de la hemoglobina (decreciente/estable/creciente) y la compensación hemodinámica para la capacidad reducida de transporte de oxígeno en sangre. En pacientes descompensados, los mecanismos de autorregulación hemodinámica se vuelven incapaces de superar la capacidad de transporte de oxígeno en sangre agotada, lo que marca el inicio del metabolismo anaerobio. Estos siete estados se pueden determinar a través de tres variables de estado internas: suministro de oxígeno, hemoglobina y tasa de producción/pérdida de hemoglobina. Específicamente, cuando la hemoglobina es superior a 13 mg/dl, se supone que no hay patología relacionada con la Hgb 4001. Cuando la Hgb es inferior a 13 mg/dl, existen otros seis estados, determinados a través de cinco atributos diferentes. A partir de la ISV de suministro de oxígeno, el sistema puede determinar si el paciente está compensado o descompensado, por ejemplo, se puede suponer que el DO2 por encima de 400 ml/min/m2, para pacientes con ventilación y paralizados, indica compensación, y por debajo de este valor, paciente descompensado. Los otros tres atributos se determinan a partir de la ISV de tasa de Hgb y son estables 4013 y 4014 (la tasa es cercana a cero), crecientes 4011 y 4012 (la tasa es positiva) y decrecientes 4015 y 4016 (la tasa es negativa).
Uso del sistema de monitorización basada en riesgos con un plan clínico estandarizado
Otra aplicación más del sistema de monitorización basada en riesgos es la aplicación de planes médicos estandarizados. La figura 39 ilustra una posible realización de esta aplicación. Específicamente, los datos del módulo de intérprete de trayectoria clínica 123 se introducen en un módulo de consulta de tratamiento 4142. El módulo de consulta de tratamiento 4142 consulta una base de datos de planes de tratamiento 4143 basándose en los riesgos determinados del paciente. La base de datos de planes de tratamiento 4143 especifica un mapa entre los riesgos del paciente y los tratamientos. Cuando la base de datos 4143 devuelve un plan de tratamiento, se lo representa al profesional clínico 3920 mediante un módulo de visualización e interacciones del usuario mejorado 4141 con el plan. El profesional clínico 3920 puede entonces tomar la decisión clínica 4190 con respecto al paciente 101. La decisión del usuario, el contexto en el que se tomó (los riesgos calculados del paciente, las ISV estimadas y otros posibles datos del paciente en el momento de la decisión) se registran a continuación en una base de datos de decisiones 4144. A continuación, la base de datos de decisiones 4144 puede compararse con los resultados del paciente y utilizarse en la mejora del plan de tratamiento.
La figura 40 ilustra una aplicación de ejemplo del sistema de monitorización basada en riesgos 4240 junto con un tipo específico de plan clínico estandarizado. El ejemplo particular considera la decisión médica de tratar al paciente con óxido nítrico. El óxido nítrico es un vasodilatador pulmonar y se usa para tratar la resistencia vascular pulmonar alta y la consiguiente hipertensión pulmonar, que puede causar un gasto cardíaco reducido. En el ejemplo, el plan médico usa los riesgos calculados por el módulo de intérprete de trayectoria clínica 123 y los estratifica 4230 en dos categorías: riesgo bajo y riesgo alto. Si los riesgos son bajos 4201 la decisión recomendada es no tratar 4202, respectivamente, si el paciente está clasificado como de alto riesgo, la decisión recomendada es tratar 4203. El proveedor puede entonces tomar una decisión de seguir las recomendaciones 4250 o ignorarlas 4260. Si el proveedor elige ignorar la recomendación de tratamiento para un paciente de alto riesgo, necesita proporcionar una justificación 4220. Asimismo, si el proveedor elige tratar a un paciente de bajo riesgo, también necesita proporcionar una justificación 4210. Las justificaciones 4210 y 4220, junto con los resultados del paciente, pueden utilizarse para refinar la estratificación de riesgos 4230 y el sistema de monitorización basada en riesgos 100.
La figura 41 ilustra la estratificación de riesgos de ejemplo que puede emplear el sistema en el contexto del tratamiento con óxido nítrico. Específicamente, supone que el paciente puede estar en cuatro estados diferentes: Estado 1: GC bajo, RVP normal; Estado 2: GC bajo, RVP alta; Estado 1 GC normal, RVP alta; Estado 4: GC normal, RVP normal. Un paciente con bajo riesgo puede definirse como P(Estado 1)<10 % y P(Estado 1)+P(Estado 2)<30 %. De manera similar, un alto riesgo puede definirse como: P(Estado 1)>10 % y P(Estado 1)+P(Estado 2)>30 %.
Uso del sistema de evaluación de riesgo clínico en la atención ambulatoria de afecciones crónicas
Otra realización más de la presente divulgación permite el seguimiento de la trayectoria clínica en la atención ambulatoria. La atención ambulatoria de afecciones crónicas implica una evaluación esporádica del paciente a partir de visitas intermitentes, autoevaluaciones del paciente y observaciones de los cuidadores. Esto genera incertidumbres a la hora de determinar el curso clínico del paciente y la eficiencia de la estrategia de tratamiento prescrita. Para lograr una gestión eficaz de la atención al paciente, los profesionales clínicos deben comprender y reducir estas incertidumbres. Tienen dos decisiones principales a su disposición: 1) programar visitas, prescribir pruebas o solicitar una autoevaluación (o evaluaciones de los cuidadores) para mejorar su comprensión de la trayectoria clínica; y/o 2) prescribir cambios de medicación o dosificación de medicación para lograr un mejor equilibrio entre la probabilidad de mejoría y los posibles efectos secundarios. Para informar este proceso de toma de decisiones, existe la necesidad de procesar la información disponible del paciente de una manera que transmita la trayectoria clínica, la incertidumbre en su estimación y el efecto esperado que diferentes estrategias de tratamiento pueden tener en la evolución futura de la trayectoria clínica.
Como una realización de ejemplo no limitante del sistema de monitorización basada en riesgos para el seguimiento de la trayectoria clínica ambulatoria, se considera su aplicación a la atención ambulatoria del trastorno por déficit de atención e hiperactividad (TDAH) de pacientes pediátricos. La figura 42 ilustra posibles estados del paciente que pueden describir la trayectoria clínica de un paciente con TDAH. Son los mismos que los usados por la escala de mejora de la impresión clínica global: 1) muchísimo peor; 2) mucho peor; 3) peor; 4) sin cambios; 5) mínima mejoría; 6) mucha mejoría; 7) muchísima mejoría. La distribución de estado del paciente (PSD, por sus siglas en inglés) es el conjunto de probabilidades de que el paciente se encuentre en cualquiera de los siete estados, dada toda la información y las observaciones disponibles.
Para evaluar el estado del paciente, un profesional clínico puede programar una visita al consultorio para un examen directo, o puede solicitar una prueba diagnóstica de Vanderbilt a miembros de la familia o maestros (la prueba se modifica dependiendo del encuestado, maestro o progenitor). La figura 43 enumera las modalidades de evaluación de pacientes disponibles como M1, M2 y M3. Pueden usarse modelos para mapear las preguntas y respuestas de la prueba en los estados del paciente. Tanto la evaluación clínica como la evaluación basada en pruebas están asociadas con una incertidumbre que prohíbe la determinación exacta en cuál de los siete estados se encuentra actualmente el paciente.
El modelo dinámico o la evolución del paciente de un estado a otro se puede extraer mediante una red bayesiana dinámica (DBN) como la que se muestra en la figura 44. En la figura 44, las direcciones de los arcos significan dependencia estadística, es decir, la conexión de "Estado del paciente en t1" 4601 a "M1", significa la función de densidad de probabilidad (PDF): P(M1|estado del paciente en t1). De manera similar, la DBN representada ilustra que el "Estado del paciente en t2" 4602 (el estado del paciente en un tiempo particular t2), está condicionado al "Estado del paciente en t1" (el estado del paciente en el aumento de tiempo anterior 11). En el espíritu de la presente divulgación, este modelo permite la estimación de la distribución del estado del paciente incluso en ausencia de algunas o todas las mediciones posibles, por ejemplo, como se ilustra en la figura en la instancia de tiempo t2 cuando falta M1, y en la instancia de tiempo t3 ("Estado del paciente en t3" 4603), cuando faltan todas las mediciones.
La figura 45 ilustra una realización alternativa para dos predicciones de cómo el estado del paciente puede hacer la transición en un solo mes dado un cambio de medicación o un cambio de dosificación. Esta predicción se realiza basándose en un modelo estadístico obtenido de la siguiente manera: Etapa 1: Aislar un grupo de pacientes de datos retrospectivos que en algún momento de su tratamiento han pasado por el Estado A y han recibido un cambio de tratamiento (Med1 Dosis 1 -> Med 2 Dosis 2); Etapa 2: Para cada paciente, establecer la instancia de tiempo en la que tuvo lugar este acontecimiento particular con respecto a t0; 3) etapa 3: Para cada paciente, identificar cuál es el estado del paciente en el tiempo t0+1 Mes (1M) (o cualquier unidad de etapa de tiempo deseada). 4) Calcular la fracción de pacientes que pasan del Estado A -> Estado i, donde i representa los siete estados posibles del paciente; 5) establecer la fracción como las probabilidades de transición bajo el cambio de tratamiento particular.
La figura 46 muestra una posible realización y escenario de visualización que muestra la trayectoria clínica y los riesgos del paciente. La interfaz de usuario indica que el paciente se encuentra en un estado de "sin cambios", y que esto se ha establecido mediante tres mediciones independientes: visita al consultorio, diagnóstico de Vanderbilt basado en el maestro, y diagnóstico de Vanderbilt basado en los padres. La línea continua en la pantalla significa que se le ha prescrito un medicamento al paciente (Medicamento 1) en la semana 1 del tratamiento.
La figura 47 muestra una evaluación del paciente y la trayectoria del paciente en la semana 9, momento en el que el sistema de evaluación de riesgo clínico determina una función de densidad de probabilidad para el estado del paciente para cada una de las últimas seis semanas. Las mediciones disponibles en este momento son el diagnóstico de Vanderbilt del maestro y de los padres. En el ejemplo ilustrado, debido a una alta probabilidad de un deterioro del estado del paciente, el profesional clínico prescribe un cambio en la dosificación del medicamento, que se representa mediante una línea discontinua de color rojo. Adicionalmente, la interfaz de usuario muestra el efecto secundario informado por el paciente: Cefalea.
La figura 48 muestra una evaluación de seguimiento basada en el diagnóstico de Vanderbilt del maestro y de los padres. En el ejemplo, el profesional clínico decide un cambio de medicamento representado por una línea hueca.
La figura 49 muestra una evaluación consecuente basada en todas las mediciones disponibles, visita al consultorio, evaluación de los padres y el maestro, que establece una alta probabilidad de mejoría significativa.
La figura 50 muestra otro seguimiento más, momento en el que se establece que el paciente muy probablemente ha mejorado de manera estable, y ha mejorado de manera estable entre las dos evaluaciones. Cabe apreciar que debido a la inferencia aplicada, la PDF para la trayectoria del paciente se estima de manera continua. Sin embargo, la precisión (la concentración de la PDF) es mayor en presencia de una medición.
La figura 51 muestra una evaluación de seguimiento del paciente y la trayectoria del paciente en ausencia de mediciones. Debido a la falta de observaciones recientes, la incertidumbre está aumentando.
La figura 52 muestra el estado de esta incertidumbre dada una evaluación completa del paciente (todas las modalidades de medición). El motor de inferencia propaga esta incertidumbre hacia atrás en el tiempo para producir una estimación más precisa de la trayectoria del paciente, lo que ayuda al profesional clínico a deducir que el paciente está estable.
La figura 53 ilustra otra posible visualización más a partir de la salida del sistema descrita. Muestra posibles transiciones del estado del paciente bajo cambios en el plan de tratamiento, por ejemplo, cambio de medicamento. También transmite qué posibles efectos secundarios se pueden esperar. Para cada efecto secundario, hay tres etapas de manifestación: Leve, moderada y grave, representadas con los tres recuadros al lado de cada efecto secundario en la figura. El color corresponde a la probabilidad de una manifestación de gravedad particular para cada efecto secundario particular, donde los colores más oscuros indican una probabilidad más alta.
La evaluación y la monitorización del suministro adecuado de oxígeno es posiblemente el aspecto más importante de la atención en la UCI pediátrica [1], especialmente en pacientes postoperatorios. Desafortunadamente, la demanda, el suministro y el consumo de oxígeno no se pueden medir directamente. En cambio, los médicos se basan en mediciones indirectas fisiológicas (por ejemplo, saturación de oxígeno, lactato sérico) y suposiciones para proporcionar información sobre el estado de un paciente [1], [2]. En pacientes cardíacos postoperatorios, uno de los indicadores indirectos más importantes es la saturación venosa mixta de oxígeno, que se obtiene a partir de un catéter colocado en la VCS. Esta medición se usa para obtener la perfusión sistémica [3] y, posteriormente, detectar el metabolismo anaerobio [4]. A pesar de la naturaleza invasiva de esta medición fisiológica, se usa comúnmente debido a su éxito como predictor de resultados [5]. Sin embargo, los catéteres permanentes contribuyen significativamente a la morbilidad y mortalidad del paciente [6], lo que conduce a estadías prolongadas en la UCI y mayores costes médicos [7]. Por lo tanto, no es sorprendente que exista un impulso nacional hacia la saturación venosa de oxígeno en pacientes pediátricos postoperatorios [9], [10], [11], [12], [13]. Sin embargo, la naturaleza variable e incierta de esta relación ha reducido la utilidad de la NIRS como una herramienta no invasiva para la evaluación hemodinámica [8]. Adicionalmente, los supuestos en los modelos indirectos limitan aún más la utilidad de esta medición. Como ejemplo, al evaluar la relación entre el flujo pulmonar y el flujo sistémico en un paciente con un solo ventrículo (un cálculo que requiere SvO<2>), se supone que la saturación venosa pulmonar es superior al 95 %, a pesar de que la evidencia clínica muestra que esto no siempre es cierto [14]. Por lo tanto, la propagación de múltiples incertidumbres conduce a una evaluación inexacta, si no clínicamente peligrosa, del estado fisiológico de un paciente.
La evaluación y el manejo del aporte de oxígeno tisular (DO<2>) es una piedra angular de la atención en la UCIC. La estimación de esta variable fisiológica depende de mediciones indirectas usando catéteres invasivos. Los riesgos asociados con estos catéteres a menudo contrarrestan la utilidad de las mediciones. Una de estas indicaciones indirectas es la saturación venosa de oxígeno (SvOz) medida usando un catéter de vena cava superior (VCS). Una alternativa no invasiva es la oxigenación sanguínea cerebral (rSO<2>) según lo medido mediante espectroscopia de infrarrojo cercano (NIRS). Sin embargo, los beneficios clínicos del uso de NIRS se ven contrarrestados por la incertidumbre inherente de la medición y los riesgos médicos resultantes.
Por consiguiente, existe la necesidad de métodos y sistemas para producir materiales celulares estocásticos de una manera más sencilla, más fácil y más precisa que los métodos existentes. Adicionalmente, existe la necesidad de métodos y sistemas novedosos para representar esta información de una manera más sencilla, más intuitiva y más integrada que los métodos existentes.
La invención descrita en el presente documento proporciona un sistema y un método para representar los riesgos del paciente y otra información clínica. Los riesgos corresponden a las probabilidades de que el paciente presente condiciones particulares y etiologías respectivas. Además, la invención analiza un método para representar la utilidad de diferentes modos posiblemente dañinos de monitorización fisiológico en la estimación de estos riesgos.
La invención también analiza un método para aplicar esta representación de riesgos en el cuidado de pacientes.
En una posible realización diferente de la invención analizada, se pueden emplear métodos y sistemas para calcular los riesgos del paciente como los descritos en las siguientes patentes provisionales: (61/614.861), (61/614.846), (61/620.144), (61/684.241).
La invención descrita en el presente documento proporciona un sistema y un método para representar los riesgos del paciente y otra información clínica.
En una posible realización de la invención, la invención permite una interfaz de usuario con un flujo de trabajo como el descrito en la figura 66. En este flujo de trabajo, el usuario elige primero un paciente específico de una lista de pacientes (figura 54). A continuación, el usuario pasa a una vista que le permite revisar los riesgos actuales para el paciente (figura 55) y le proporciona la capacidad de establecer alertas para riesgos específicos (figura 61) o poner fechas para acontecimientos importantes (figura 57). A continuación, el usuario puede revisar una línea temporal histórica de los riesgos (figura 63), que le permite revisar cómo han cambiado los riesgos durante un período de tiempo específico. A continuación, el usuario puede revisar las mediciones fisiológicas que se usaron como base para los riesgos calculados (figura 64), revisar el gráfico del paciente (figura 65) y tomar notas sobre el paciente.
La pantalla representada en las figuras 55 a 62 se denomina "Riesgos de la vista del paciente". El propósito de esta pantalla es presentar la probabilidad de que el paciente se encuentre en cada estado clínico posible, el nivel de riesgo asociado con cada uno de estos estados, así como la utilidad de cada medición disponible para el usuario.
Con esta pantalla, el usuario también tiene la capacidad de establecer alarmas. Estas alarmas pueden configurarse para que se activen cuando una de las probabilidades de los estados del paciente cruza un umbral establecido por el usuario o por cualquier otro acontecimiento de interés (por ejemplo, cambio de medicamento). Cuando se activa una alarma, también puede establecer automáticamente una etiqueta con fecha. Una implementación de ejemplo se ilustra mediante los marcadores en las figuras 55 a 62. En la figura 55, los marcadores representan lo siguiente: (1) el botón deslizante permite visualizar cómo han cambiado los riesgos del paciente con el tiempo, (2) la utilidad de cada medición (el halo completo corresponde a la utilidad máxima), (3) la posible estado del paciente dadas las mediciones disponibles actualmente, y (4) la pestaña de navegación. En el marcador n.° 3, el color representa el nivel de riesgo del estado (cuatro estados posibles: Riesgo mínimo, riesgo leve, riesgo moderado, riesgo grave, que van del color verde al rojo, respectivamente) y el tamaño del recuadro corresponde a la probabilidad. En la figura 56, el marcador n.° 5 ilustra que arrastrar la ventana deslizante y presionarla hacia abajo produce el resultado del marcador n.° 6 (mostrado en la figura 57).
El usuario también tiene la capacidad de reproducir partes de la línea temporal del paciente. Esto le da al usuario control manual para visualizar el historial de la estadía del paciente.
Las medidas fisiológicas actuales que se están usando también se muestran en la pantalla. Estas medidas se representan con el nombre de la medición rodeado por un gráfico de barras en forma de halo. El color del halo corresponde al grado en que esa medición contribuye al estado que se está visualizando actualmente del paciente. Las posibles mediciones que están disponibles pero que no se están usando también se pueden mostrar en la pantalla.
En la figura 58, el usuario tiene la capacidad de personalizar los estados clínicos que se visualizan a través de varios métodos. El marcador n.° 7 muestra que arrastrar un estado a otro estado produce un estado compuesto, resaltado por el marcador n.° 8 (en la figura 59). Al hacer clic en este estado compuesto (representado por el marcador n.° 9), el usuario puede ver los estados en los que consiste el estado compuesto. En la figura 60, el nombre del estado compuesto se representa con el marcador n.° 10. La denominación de los propios estados se basa en una organización jerárquica que se maneja mediante el sistema administrativo (uno de los cuales se indica con el marcador n.° 11). El marcador n.° 12 resalta el color, que captura el riesgo del estado compuesto.
Como parte de una pantalla de alarma adicional (que se muestra en la figura 61), el usuario puede establecer límites superiores (marcador n.° 13) e inferiores (marcador n.° 14) para cada riesgo que se muestra en la pantalla de "Riesgos de la vista del paciente". La alarma se puede establecer a través de la casilla de verificación que se muestra con el marcador n.° 15. El marcador n.° 16 designa el botón donde el usuario puede elegir a las personas a las que se notificará cuando se active la alarma. La pantalla de alarma se superpone a la pantalla "Riesgos de la vista del paciente" (resaltada por el marcador n.° 17). El recuadro representado por el marcador n.° 18 es una lista que muestra a las personas a las que se notificará cuando se active una alarma. Finalmente, la figura 62 muestra que los estados asociados con las alarmas están marcados (marcador n.° 19).
La siguiente pantalla se denomina "Trayectoria de riesgos de la vista del paciente", como se muestra en la figura 63. El propósito de esta pantalla es permitir al usuario visualizar los riesgos de que el paciente se encuentre en un estado particular en función del tiempo. El usuario puede elegir: (1) la probabilidad de qué estados o combinación de estados visualizar, y (2) en qué escala de tiempo visualizarlos. En la figura 63 se muestra una implementación de ejemplo, donde el marcador n.° 1 muestra que al hacer clic en el botón menos, el usuario elimina un historial de probabilidad de estado particular y el marcador n.° 2 muestra que al hacer clic en el botón más, el usuario puede añadir estados adicionales o una combinación de estados. El marcador n.° 3 ilustra la evolución de probabilidad de un estado particular, que se mide mediante el eje de probabilidad (representado por el marcador n.° 4). El marcador n.° 5 muestra una herramienta para ajustar la escala de tiempo. El marcador n.° 6 designa una línea que muestra las fechas correspondientes a las funciones 5 (ilustradas por el marcador n.° 5 en la figura 56) y 6 (ilustradas por el marcador n.° 6 en la figura 57) de los "Riesgos de la vista del paciente".
Una función crucial es la capacidad de "etiquetar" eventos que el usuario desea ver en un momento posterior. El usuario puede buscar eventos a etiquetar en función del medicamento, los tiempos específicos de la estadía del paciente, etc. Estas etiquetas pueden marcar series de tiempo para todas las vistas, se pueden compartir, se pueden incluir en notas, etc. Además, el usuario puede anotar etiquetas. Se puede acceder a estas etiquetas en forma de nota, donde el estado del paciente correspondiente al tiempo etiquetado se mostrará como una captura de pantalla. Esto también le da al usuario la capacidad de buscar a través de las etiquetas, que pueden incluir etiquetas que corresponden a umbrales de probabilidad de estado.
La siguiente pantalla se denomina "Gráfico de vista del paciente". El propósito de esta pantalla es presentar al usuario la misma información que la que se le proporciona mediante el gráfico de rondas. En la figura 65 se muestra una implementación de ejemplo, donde el contenido de esta vista se extrae directamente del gráfico de rondas del profesional clínico.
La pantalla final se denomina "Notas de la vista del paciente". El propósito de esta pantalla es presentar al usuario la posibilidad de tomar notas. La figura 66 proporciona un flujo de trabajo de ejemplo que proporciona un orden de acciones a través de la interfaz. Para cada paciente, el usuario revisa los riesgos actuales del paciente. En este momento, el usuario puede etiquetar un punto deseado en el tiempo para referencia futura y puede configurar alertas como se ha descrito en la descripción de la función de alerta anterior. A continuación, el usuario puede revisar la trayectoria de riesgos del paciente. A partir de ahí, el usuario puede elegir revisar las mediciones fisiológicas, así como el gráfico del paciente. Finalmente, usando la pestaña de notas, el usuario puede tomar notas sobre el paciente.
REFERENCIAS
[1] P. A. Chechia, P.C. Laussen., "The cardiac intensive unit perspective on hemodynamic monitoring of oxygen transport balance". Pediatric Critical Medicine, 2011, Issue 4, Vol. 12, pp. S69-S71.
[2] Spenceley, Neil,et al.,"Monitoring in pediatric cardiac critical care: A worldwide perspective". Pediatric Critical Care Medicine, 2011, Issue 4, Vol. 12, pp. S76-S80.
[3] Bohn, D., "Objective assesment of cardiac output in infants after cardiac surgery". Seminars in Thoracic and Cardiovascular Surgery: Pediatric Cardiac Surgery Annual, 2011, Issue 1, Vol. 14, pp. 19-23.
[4] G. M. Hoffman, N. S. Ghanayem, J. M. Kampine, S. Berger, Kathleen A Mussatto, S.B. Litwin, J. S. Tweddell., "Venous saturation and the anaerobic threshold in neonates after the Norwood procedure for hypoplastic left heart syndrome". The Annals of Thoracic Surgery, 2000, Issue 5, Vol. 70.
[5] S. M. Bradley, A. M. Atz., "Postoperative management: The role of mixed venous oxygen saturation monitoring". Seminars in Thoracic and Cardiovascular Surgery: Pediatric Cardiac Surgery Annual, 2005, Issue 1, Vol. 8, pp. 22 27.
[6] Pinilla, J,et al.,"Study of the incidence of intravascular catheter infection and associated septicemia in critically ill patients". Critical Care Medicine, 1983, Vol. 11, pp. 21-25.
[7] DK, Warren, WW, Quadir and CS, Hollenbeak., "Attributable cost of catheter-associated bloodstream infections among intensive care patients in a nonteaching hospital". s.1. : Critical Care Medicine, 2006, Vol. 34, pp. 2084-9.
[8] S. Chakravarti, S Srivastava, A. J. C. Mitnacht., "Near Infrared Spectroscopy (NIRS) in Children ". Seminars in Cardiothorasic and Vascular Anesthesia, 2008, Issue 70, Vol. 12.
[9] Tortoriello TA, Stayer SA, Mott AR, McKenzie ED, Fraser CD, Andropoulos DB, Chang AC., "A noninvasive estimation of mixed venous oxygen saturation using near-infrared spectroscopy by cerebral oximetry in pediatric cardiac surgery patients". Pediatric Anesthesia, 2005, Issue 6, Vol. 15, pp. 495-503.
[10] P. M. Kirshbom, J. M. Forbess, B. E. Kogon, J. M. Simsic,et al.,"Cerebral Near Infrared Spectroscopy Is a Reliable Marker of Systemic Perfusion in Awake Single Ventricle Children". PEDIATRIC CAr DiOLOGY, 2007, Issue 1, Vol. 28, pp. 42-45.
[11] N. Nagdyman, T. Fleck, S. Barth, H. Abdul-Khaliq, B. Stiller., "Relation of cerebral tissue oxygenation index to central venous oxygen saturation in children". INTE<n>S<i>VE CARE MEDICINE, 2004, Issue 3, Vol. 30, pp. 468-471.
[12] McQuillen PS, Nishimoto MS, Bottrell CL, Fineman LD, Hamrick SE, Glidden DV, Azakie A, Adatia I, Miller SP., "Regional and central venous oxygen saturation monitoring following pediatric cardiac surgery: concordance and association with clinical variables". Pediatric Critical Care Medicine, 2007, Issue 2, Vol. 8, pp. 154-160.
[13] Bhutta AT, Ford JW, Parker JG, Prodhan P, Fontenot EE, Seib PM, Stroope BI, Frazier EA, Schmitz ML, Drummond-Webb JJ, Morrow WR., "Noninvasive cerebral oximeter as a surrogate for mixed venous saturation in children". Pediatric Cardiology, 2007, Issue 1, Vol. 28, pp. 34-41.
[14] Taeed, R., Schwartz, S. M. and J. M. Pearl,et al.,"Unrecognized Pulmonary Venous Desaturation Early After Norwood Palliation Confounds p:s Assessment and Compromises Oxygen Delivery". Circulation, 2001, Vol. 103, pp. 2699-2704.
Claims (14)
1. Un método implementado por ordenador para comunicar gráficamente, a un usuario, los riesgos del paciente para un paciente individual, comprendiendo el método:
recibir, desde un dispositivo, datos relacionados con una pluralidad de posibles estados clínicos del paciente en los que el paciente puede ser clasificado;
desencadenar la visualización, en un dispositivo de visualización, de una pluralidad de indicadores gráficos, correspondiendo cada uno de la pluralidad de indicadores gráficos a uno de la pluralidad de posibles estados clínicos del paciente, identificando gráficamente cada uno de la pluralidad de indicadores gráficos la probabilidad de que el paciente se encuentre en un estado clínico del paciente correspondiente en un punto dado en un intervalo de tiempo, estando la pluralidad de indicadores gráficos configurados para indicar un nivel de riesgo; y desencadenar la visualización, en el dispositivo de visualización, de un controlador de línea temporal configurado para permitir que un usuario seleccione dinámicamente una pluralidad de puntos en el tiempo a lo largo del intervalo de tiempo, cambiando dinámicamente los indicadores gráficos en respuesta a una especificación por parte del usuario de uno de la pluralidad de puntos en el tiempo para mostrar la evolución de la pluralidad de posibles estados del paciente a lo largo del intervalo de tiempo; y
determinar la utilidad de una medición de catéter invasiva particular m<i>, mediante:
el envío de una instrucción a un módulo de observador de fisiología (122) para simular la salida del módulo de observador de fisiología (9002) (funciones de densidad de probabilidad de variables de estado internas) desde un punto desde el tiempo actual (t<actual>-T) hasta el tiempo actual (t<actual>) con eliminación de la medición m<i>; en un módulo de intérprete de trayectoria clínica (123), simular una estimación de probabilidad de estado (9003) dada la salida simulada del módulo de observador de fisiología, para llegar a un conjunto de probabilidades de estado del paciente P<s irr^>S<l^ a c tu a O ^>P<sim>(S<2>(t<actual>)) ... P<sim>(S<n>(t<actual>));
en el módulo de intérprete de trayectoria clínica (123), usar probabilidades de estado determinadas a partir de todas las mediciones disponibles P(S-<i>(t<actual>), P(S<2>t<actual>), ... P(S<n>(t<actual>), calcular la utilidad [U(mi)] (9004) de la medición m<i>usando la fórmula:
U(m<i>) = D(P<sim>|P) = Sf=<1>P(S<i>(t<actual>))l0g</ P (S j(ta c tu a l))>
^Psim C^i (ta c tu a l))^
y;
mostrar un indicador gráfico configurado para representar la utilidad de la medición invasiva.
2. Un método implementado por ordenador para comunicar gráficamente los riesgos del paciente a un usuario de acuerdo con la reivindicación 1, en donde
la pluralidad de indicadores gráficos están dispuestos en el dispositivo de visualización segregados por nivel de riesgo para indicar un nivel de riesgo para cada uno de los indicadores gráficos;
o
en donde el color de cada uno de la pluralidad de indicadores gráficos indica el nivel de riesgo asociado con cada uno de dichos indicadores gráficos.
3. Un método implementado por ordenador para comunicar gráficamente los riesgos del paciente a un usuario de acuerdo con la reivindicación 1, en donde, recibir, desde un dispositivo, datos relacionados con una pluralidad de posibles estados clínicos del paciente en los que el paciente puede ser clasificado, comprende:
recibir datos que identifican la pluralidad de posibles estados clínicos del paciente en los que el paciente puede ser clasificado, y para cada uno de la pluralidad de posibles estados clínicos del paciente, comprende además:
recibir datos que identifican la probabilidad de que el paciente esté en cada uno de los posibles estados del paciente a lo largo del intervalo de tiempo; y
recibir datos que identifican un nivel de riesgo en el que se clasifica cada uno de los posibles estados del paciente.
4. Un método implementado por ordenador para comunicar gráficamente los riesgos del paciente a un usuario de acuerdo con la reivindicación 1, en donde:
la visualización de los indicadores gráficos en el dispositivo de visualización comprende un diagrama de barras que tiene una pluralidad de barras, estando cada barra asociada con uno de una pluralidad de niveles de riesgo; en donde, particularmente, una barra dentro del diagrama de barras puede comprender una pluralidad de indicadores gráficos dentro de un único nivel de riesgo; y
cada uno de la pluralidad de indicadores gráficos comprende una barra en el diagrama de barras.
5. Un método implementado por ordenador para comunicar gráficamente los riesgos del paciente a un usuario de acuerdo con la reivindicación 4, en donde
cada una de las barras tiene una longitud que corresponde a la probabilidad de que el paciente se encuentre en el estado clínico del paciente correspondiente en un momento dado
o
en donde el nivel de riesgo de cada uno de los indicadores gráficos se expresa mediante el color de dicho indicador gráfico.
6. Un método implementado por ordenador para comunicar gráficamente los riesgos del paciente a un usuario de acuerdo con la reivindicación 1, que comprende, además:
mostrar una función de control de datos de variables de estado que, cuando se activa por el usuario, hace que el dispositivo de visualización muestre variables de estado internas en las que se basan los estados del paciente.
7. Un método implementado por ordenador para comunicar gráficamente los riesgos del paciente a un usuario de acuerdo con la reivindicación 1, que comprende, además:
mostrar una función de creación de etiquetas que, cuando se activa por el usuario, hace que el dispositivo de visualización muestre una marca de etiqueta asociada con el controlador de línea temporal en un punto seleccionado dentro del rango de tiempo y
particularmente, mostrar un campo de creación de nota de etiqueta configurado para permitir la anotación, por parte del usuario, de información asociada con la etiqueta.
8. Un medio legible por ordenador no transitorio que tiene un código ejecutable por ordenador para comunicar gráficamente, a un usuario, los riesgos del paciente para un paciente individual, comprendiendo el código ejecutable por ordenador un código para ejecutar el método de acuerdo con una de las reivindicaciones 1 a 7.
9. Un sistema que comprende:
un dispositivo de visualización;
un procesador de ordenador configurado para mostrar una interfaz gráfica de usuario para comunicar, a un usuario, los riesgos del paciente asociados con un paciente específico de acuerdo con el método definido en las reivindicaciones 1 a 7.
10. El sistema para comunicar, a un usuario, los riesgos del paciente asociados con un paciente específico de acuerdo con la reivindicación 9, en donde:
una disposición de los indicadores gráficos en el dispositivo de visualización comprende un diagrama de barras que tiene una pluralidad de barras, estando cada barra asociada con uno de una pluralidad de niveles de riesgo; y cada uno de la pluralidad de indicadores gráficos comprende una barra en el diagrama de barras, en particular, en donde una barra dentro del diagrama de barras puede comprender una pluralidad de indicadores gráficos dentro de un único nivel de riesgo.
11. El sistema para comunicar, a un usuario, los riesgos del paciente asociados con un paciente específico de acuerdo con la reivindicación 9, en donde
cada una de las barras tiene una longitud que corresponde a la probabilidad de que el paciente se encuentre en el estado clínico del paciente correspondiente en un momento dado
o
en donde el nivel de riesgo de cada uno de los indicadores gráficos se expresa mediante el color de dicho indicador gráfico.
12. El sistema para comunicar, a un usuario, los riesgos del paciente asociados con un paciente específico de acuerdo con la reivindicación 9, en donde:
el dispositivo de visualización comprende una pantalla táctil; y
el controlador dinámico es un control deslizante que se muestra en la pantalla táctil.
13. El sistema para comunicar, a un usuario, los riesgos del paciente asociados con un paciente específico de acuerdo con la reivindicación 9, comprendiendo además la interfaz gráfica de usuario:
una función de control de datos de variables de estado que, cuando se activa por el usuario, hace que el dispositivo de visualización muestre variables de estado internas en las que se basan los estados del paciente.
14. El sistema para comunicar, a un usuario, los riesgos del paciente asociados con un paciente específico de acuerdo con la reivindicación 9, comprendiendo además la interfaz gráfica de usuario:
una función de creación de etiquetas que, cuando se activa por el usuario, hace que el dispositivo de visualización muestre una marca de etiqueta asociada con el controlador de línea temporal en un punto seleccionado dentro del rango de tiempo y
particularmente un campo de creación de nota de etiqueta configurado para permitir la anotación, por parte del usuario, de información asociada con la etiqueta.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201261727820P | 2012-11-19 | 2012-11-19 | |
| US201361774274P | 2013-03-07 | 2013-03-07 | |
| US13/826,441 US20130231949A1 (en) | 2011-12-16 | 2013-03-14 | Systems and methods for transitioning patient care from signal-based monitoring to risk-based monitoring |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2986666T3 true ES2986666T3 (es) | 2024-11-12 |
Family
ID=50731773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES20187516T Active ES2986666T3 (es) | 2012-11-19 | 2013-11-19 | Interfaz de usuario para sistema de análisis de riesgos del paciente |
Country Status (3)
| Country | Link |
|---|---|
| EP (3) | EP2919644A4 (es) |
| ES (1) | ES2986666T3 (es) |
| WO (1) | WO2014078859A1 (es) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3762943A1 (en) * | 2018-03-06 | 2021-01-13 | Ieso Digital Health Limited | Improvements in or relating to psychological profiles |
| US11763947B2 (en) | 2020-10-14 | 2023-09-19 | Etiometry Inc. | System and method for providing clinical decision support |
| US12326918B2 (en) | 2021-10-18 | 2025-06-10 | Optum Services (Ireland) Limited | Cross-temporal encoding machine learning models |
| US12327193B2 (en) | 2021-10-19 | 2025-06-10 | Optum Services (Ireland) Limited | Methods, apparatuses and computer program products for predicting measurement device performance |
| US20230190204A1 (en) * | 2021-12-16 | 2023-06-22 | Microsoft Technology Licensing, Llc | Statistical dependence-aware biological predictive system |
| US20230337925A1 (en) * | 2022-03-11 | 2023-10-26 | Promedix, Inc. | Systems and methods for measuring capillary refill time |
| US12229188B2 (en) | 2022-05-17 | 2025-02-18 | Optum Services (Ireland) Limited | Machine learning techniques for generating disease prediction utilizing cross-temporal semi-structured input data |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002087431A1 (en) * | 2001-05-01 | 2002-11-07 | Structural Bioinformatics, Inc. | Diagnosing inapparent diseases from common clinical tests using bayesian analysis |
| US6956572B2 (en) * | 2003-02-10 | 2005-10-18 | Siemens Medical Solutions Health Services Corporation | Patient medical parameter user interface system |
| WO2005034001A1 (en) * | 2003-10-09 | 2005-04-14 | Steven Wheeler | Adaptive medical decision support system |
| WO2005106474A2 (en) * | 2004-04-14 | 2005-11-10 | Edda Technology, Inc. | Liver disease diagnosis system, method and graphical user interface |
| US20070239043A1 (en) * | 2006-03-30 | 2007-10-11 | Patel Amisha S | Method and Apparatus for Arrhythmia Episode Classification |
| EP1844725B1 (en) * | 2006-04-07 | 2009-03-25 | BrainLAB AG | Risk assessment for planned trajectories |
| US20120022336A1 (en) * | 2010-07-21 | 2012-01-26 | Streamline Automation, Llc | Iterative probabilistic parameter estimation apparatus and method of use therefor |
| US8645164B2 (en) * | 2009-05-28 | 2014-02-04 | Indiana University Research And Technology Corporation | Medical information visualization assistant system and method |
| US20110112380A1 (en) * | 2009-11-12 | 2011-05-12 | eTenum, LLC | Method and System for Optimal Estimation in Medical Diagnosis |
-
2013
- 2013-11-19 ES ES20187516T patent/ES2986666T3/es active Active
- 2013-11-19 EP EP13855989.3A patent/EP2919644A4/en not_active Ceased
- 2013-11-19 EP EP20187516.8A patent/EP3767636B1/en active Active
- 2013-11-19 WO PCT/US2013/070810 patent/WO2014078859A1/en not_active Ceased
- 2013-11-19 EP EP24182772.4A patent/EP4410199A3/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP2919644A1 (en) | 2015-09-23 |
| EP3767636B1 (en) | 2024-06-19 |
| WO2014078859A1 (en) | 2014-05-22 |
| EP2919644A4 (en) | 2016-09-14 |
| EP4410199A2 (en) | 2024-08-07 |
| EP3767636A1 (en) | 2021-01-20 |
| EP4410199A3 (en) | 2024-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12183467B2 (en) | System and methods for transitioning patient care from signal based monitoring to risk based monitoring | |
| US12387842B2 (en) | Systems and methods for optimizing medical care through data monitoring and feedback treatment | |
| JP6524196B2 (ja) | 信号ベースモニタリングからリスクベースモニタリングへ患者ケアを移行させるシステム及び方法 | |
| ES2986666T3 (es) | Interfaz de usuario para sistema de análisis de riesgos del paciente | |
| Gardner et al. | Patient monitoring systems | |
| US11676730B2 (en) | System and methods for transitioning patient care from signal based monitoring to risk based monitoring | |
| US11763947B2 (en) | System and method for providing clinical decision support | |
| CN105308601A (zh) | 健康护理支持系统和方法 | |
| Görges et al. | Evaluation of an integrated intensive care unit monitoring display by critical care fellow physicians | |
| US20160117469A1 (en) | Healthcare support system and method | |
| WO2021062292A1 (en) | Systems and methods for transitioning patient care from signal based monitoring to risk-based monitoring | |
| CN110462744A (zh) | 具有在视觉上强大的患者状况显示的患者状况监测器 | |
| US12488900B2 (en) | Systems and methods for transitioning patient care from signal-based monitoring to risk-based monitoring | |
| Herasevich et al. | Patient monitoring systems | |
| Goldsmith et al. | Data analytics in pediatric cardiac intensive care: How and what can we learn to improve care | |
| Riley et al. | Assessment of intraoperative blood loss | |
| US20250299812A1 (en) | Systems and methods for medical care through data monitoring and feedback treatment |