[go: up one dir, main page]

RU2630122C2 - Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации - Google Patents

Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации Download PDF

Info

Publication number
RU2630122C2
RU2630122C2 RU2013126425A RU2013126425A RU2630122C2 RU 2630122 C2 RU2630122 C2 RU 2630122C2 RU 2013126425 A RU2013126425 A RU 2013126425A RU 2013126425 A RU2013126425 A RU 2013126425A RU 2630122 C2 RU2630122 C2 RU 2630122C2
Authority
RU
Russia
Prior art keywords
patient
outcome
data
physiological
time
Prior art date
Application number
RU2013126425A
Other languages
English (en)
Other versions
RU2013126425A (ru
Inventor
Мохаммед САИД
Original Assignee
Конинклейке Филипс Электроникс Н.В.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Конинклейке Филипс Электроникс Н.В. filed Critical Конинклейке Филипс Электроникс Н.В.
Publication of RU2013126425A publication Critical patent/RU2013126425A/ru
Application granted granted Critical
Publication of RU2630122C2 publication Critical patent/RU2630122C2/ru

Links

Images

Classifications

    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2800/00—Detection or diagnosis of diseases
    • G01N2800/52—Predicting or monitoring the response to treatment, e.g. for selection of therapy based on assay results in personalised medicine; Prognosis
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Child & Adolescent Psychology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)

Abstract

Группа изобретений относится к медицине и может быть использована для непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации. Устройство для информации о пациентах содержит контроллер, который принимает физиологические и/или лабораторные данные о текущем пациенте, который получает лечение в медицинском учреждении, от устройства наблюдения за пациентом; блок, который определяет время пребывания, которое показывает, сколько времени текущий пациент получал лечение; и блок прогнозирования, который прогнозирует переменную исхода путем применения зависящего от времени пребывания алгоритма оценки переменных исхода к физиологическим и/или лабораторным данным текущего пациента, причем алгоритм оценки переменных исхода включает в себя зависящие от времени пребывания весовые значения или шкалы, используя определенное время пребывания, в течение которого текущий пациент получал лечение. Система наблюдения за пациентом содержит устройство для информации о пациентах и устройство наблюдения за пациентом, которое собирает физиологические данные от пациента. Способ прогнозирования переменной исхода пациента содержит этапы, на которых: осуществляют доступ по меньшей мере к одному из множества полей данных предыдущих пациентов, включающих в себя физиологические и/или лабораторные данные и время пребывания, указывающее, сколько времени каждый пациент получал лечение во время формирования физиологических и/или лабораторных данных, и соответствующие переменные исхода, в клинической базе данных; формируют зависящий от времени пребывания алгоритм оценки переменных исхода по множеству физиологических и/или лабораторных данных предыдущих пациентов, соответствующему времени пребывания и соответствующим переменным исхода, причем алгоритм оценки переменных исхода включает в себя зависящие от времени пребывания весовые значения или шкалы. Машиночитаемый носитель, содержащий программное обеспечение, которое при загрузке в процессор программирует процессор для выполнения способа прогнозирования переменной исхода пациента. Способ прогнозирования вероятности исхода, содержащий этапы, на которых: измеряют физиологические и/или лабораторные данные для текущего пациента, который проходит лечение в медицинском учреждении; определяют время пребывания, которое текущий пациент провел, получая лечение в медицинском учреждении; применяют зависящий от времени пребывания алгоритм прогнозирования исхода, используя измеренные физиологические и/или лабораторные данные и определенное время пребывания, которое текущий пациент провел, получая лечение в медицинском учреждении, для прогнозирования вероятности исхода, причем алгоритм оценки исхода включает в себя зависящие от времени пребывания весовые значения или шкалы. 5 н. и 10 з.п. ф-лы, 4 ил., 1 табл.

Description

Настоящая заявка относится к системе или способу прогнозирования переменных исхода, таких как длительность госпитализации, летальный исход, необходимость конкретной терапии и тяжесть заболевания у пациента в условиях оказания медицинской помощи. Она находит конкретное применение в улучшении и оптимизации прогнозирования длительности госпитализации пациента или вероятности летального исхода в условиях оказания медицинской помощи и будет описана с конкретными ссылками на нее. Однако следует иметь в виду, что она также применима к отделениям интенсивной терапии, палате пробуждения, палате общей медицинской помощи, отделению реабилитации, операционной и т.п.
В настоящее время системы прогнозирования выздоровления/смерти пациента, такие как система SAPS (Упрощенная оценка острых функциональных изменений), как правило, работают во время приема пациента. Длительность госпитализации пациента или вероятность смерти оцениваются путем оценки комбинации из нескольких критериев при поступлении, включающих в себя основные физиологические показатели при поступлении, имеющиеся хронические болезни, терапевтические и диагностические исследования, процедуры (плановые или внеплановые операции), индивидуальные данные (возраст и пол) и т.п. Существует проблема, если процедура прогнозирования выполняется после первого дня поступления, причем те же самые процедуры и относительные оценки различных критериев используются, как если бы пациент только что поступил, в более поздние даты.
Автор настоящего изобретения обнаружил, что когда длительность госпитализации пациента или вероятность смерти прогнозируется после того, как пациент подвергался интенсивной терапии в течение нескольких дней, прогнозирование является менее точным. В клинической практике, клинические последствия отсутствия улучшений после прохождения лечения или конкретные критерии, такие как ненормальное значение, имеющее место через несколько дней после поступления, могут иметь другое значение по сравнению с условиями в первый день поступления. Например, аномальный уровень сывороточных бикарбонатов в первый день поступления может быть следствием физиологического повреждения, которое пациент перенес до прибытия в больницу. Однако если у пациента развились серьезные отклонения уровня сывороточных бикарбонатов через несколько дней после поступления после интенсивной терапии и наблюдений, можно предположить, что пациент находится в критическом состоянии, которое не смогли улучшить после нескольких дней интенсивной терапии.
Настоящая заявка обеспечивает новый и улучшенный способ и систему для прогнозирования переменных исхода для пациента, которые преодолевают вышеупомянутые и другие проблемы.
В соответствии с одним аспектом обеспечен способ прогнозирования переменной исхода для пациента. Обеспечивается доступ по меньшей мере к одному из множества полей данных предыдущих пациентов, в том числе физиологическим и/или лабораторным данным и времени пребывания, указывающему, сколько времени каждый пациент проходил лечение во время формирования физиологических и/или лабораторных данных и соответствующих переменных исхода, в клинической базе данных. Алгоритм оценки переменной исхода формируется по множеству физиологических и/или лабораторных данных предыдущих пациентов, соответствующему времени пребывания и соответствующим переменным исхода.
В соответствии с другим аспектом, обеспечено устройство для информации о пациентах. Контроллер принимает физиологические и/или лабораторные данные о текущем пациенте от устройства наблюдения за пациентом. Блок определяет время пребывания, указывающее время, в течение которого пациент получал лечение. Блок прогнозирования прогнозирует переменную исхода путем применения алгоритма оценки переменной исхода к физиологическим и/или лабораторным данным текущего пациента, используя определенное время пребывания.
В соответствии с другим аспектом обеспечен способ прогнозирования вероятности исхода. Физиологические и/или лабораторные данные измерены для текущего пациента, который получает лечение в медицинском учреждении. Определяется время пребывания, в течение которого текущий пациент получал лечение в медицинском учреждении. Применяется зависящий от времени пребывания алгоритм прогнозирования исхода, использующий измеренные физиологические и/или лабораторные данные и определенное время пребывания для прогнозирования вероятности исхода.
Одно преимущество состоит в повышенной точности и качестве прогнозирования длительности госпитализации пациента или вероятности смерти.
Другое преимущество состоит в обновлении прогнозирования длительности госпитализации пациента или вероятности смерти в режиме реального времени по мере того, как с течением времени пребывания пациента становятся доступными новые или исправленные входные данные.
Другое преимущество состоит в улучшенной поточности пациентов.
Другие преимущества настоящего изобретения будут очевидны специалистам в области техники после прочтения и понимания нижеследующего подробного описания.
Изобретение может принимать форму в различных компонентах и расположениях компонентов и в различных этапах и порядке этапов. Чертежи приведены только с целью иллюстрации предпочтительных вариантов выполнения и не должны толковаться как ограничение изобретения.
Фиг.1 является схематической иллюстрацией системы прогнозирования выздоровления/смерти пациента в соответствии с настоящей заявкой.
Фиг.2-4 являются схематическими иллюстрациями работы сервера информации о пациентах в соответствии с настоящей заявкой.
Как показано на фиг.1, производится наблюдение за пациентом (не показан) с помощью различных устройств или датчиков 10 медицинского наблюдения, которые измеряют физиологические параметры пациента непосредственно или в лаборатории и формируют физиологические данные, являющиеся их показателем. Эти устройства 10 медицинского наблюдения могут включать в себя электрокардиографический (ЭКГ) инструмент с ЭКГ электродами, насосы внутривенного (IV) вливания, датчики артериального давления, датчики насыщенности периферийным кислородом (SpO2), датчики пульса, термометры, дыхательные датчики, датчики выдыхаемого воздуха и т.п. С пациентом могут быть связаны другие устройства 10 медицинского наблюдения, и не все вышеупомянутые устройства 10 медицинского наблюдения должны быть связаны с пациентом в каждый момент времени. Следует иметь в виду, что хотя изображены только два устройства 10 медицинского наблюдения, предполагается большее количество устройств медицинского наблюдения. В контексте настоящего документа устройства медицинского наблюдения указывают на источники данных, показывающие здоровье пациента и т.п. Электроника для приема сигналов от устройства 10 медицинского наблюдения и при необходимости для выполнения обработки таких сигналов реализована в изображенном варианте выполнения в виде многофункционального устройства 12 наблюдения за пациентом (PMD) или может быть реализована частично или полностью в виде встроенной электроники, расположенной с одним или более устройствами 10 медицинского наблюдения или т.д. Следует также иметь в виду, что устройства 10 медицинского наблюдения и PMD 12 могут также быть реализованы в одном устройстве. PMD 12, например, может быть монитором или системой наблюдения, которая перемещается вместе с пациентом, такой как передатчик носимой амбулаторным пациентом системы наблюдения и т.п.
В одном варианте выполнения устройства 10 медицинского наблюдения передают формируемые физиологические данные через соединенную с телом сеть, Bluetooth, проводную или беспроводную сеть и т.п. контроллеру 14 из PMD 12. PMD 12 служит местом сбора физиологических данных, измеренных устройствами 10 медицинского наблюдения, и обеспечивает временное хранение данных в памяти 16. Собранные физиологические данные одновременно передаются контроллеру 14 в PMD 12, который затем передает физиологические данные через больничную сеть (не показана) серверу 18 информации о пациентах, где физиологические данные отображаются и хранятся. Контроллер 14 из PMD 12 также управляет дисплеем 20 для отображения измеренных физиологических данных, принятых от каждого из устройств 10 медицинского наблюдения, в соответствующем дисплее 20 PMD. PMD 12 также включает в себя устройство 22 ввода данных, которое позволяет пользователю, например системному администратору, просматривать, манипулировать и/или взаимодействовать с данными, отображенными на дисплее 18. Устройство 20 ввода данных может быть отдельным компонентом или интегрированным в дисплей 18, например, монитор с сенсорным экраном. Контроллер 14 может включать в себя процессор или компьютер, программное обеспечение и т.п.
Лабораторный сервер 24 передает лабораторные данные через больничную сеть серверу 18 информации о пациентах. Лабораторные данные могут включать в себя данные об уровне лейкоцитов в крови, данные о калии в сыворотке крови, данные о натрии в сыворотке крови, данные о бикарбонатах в сыворотке крови, данные об уровне билирубина и т.п. С пациентом могут быть связаны другие лабораторные данные, и не все вышеупомянутые лабораторные данные должны быть связаны с пациентом в каждый момент времени. В контексте настоящего документа лабораторные данные указывают на источники данных, показывающие здоровье пациента и т.п.
Лабораторный сервер 24 служит местом сбора лабораторных данных, измеренных клиническими врачами в лаборатории или посредством клинического анализа, и обеспечивает временное хранение данных в памяти 26. Собранные лабораторные данные одновременно передаются контроллеру 28 в лабораторном сервере 24, который затем передает лабораторные данные через больничную сеть серверу 18 информации о пациентах, где лабораторные данные отображаются и хранятся. Контроллер 28 лабораторного сервера 24 также управляет дисплеем 30 для отображения собранных лабораторных данных, принятых от клинических врачей в лаборатории или посредством клинического анализа, на дисплее 30. Лабораторный сервер 24 также включает в себя устройство 32 ввода данных, которое позволяет пользователю, например клиническому врачу, вводить лабораторные данные, просматривать, манипулировать и/или взаимодействовать с данными, отображенными на дисплее 30. Устройство 32 ввода данных может быть отдельным компонентом или интегрированный в дисплей 30, такой как монитор с сенсорным экраном. Контроллер 28 может включать в себя процессор или компьютер, программное обеспечение и т.п.
В одном варианте выполнения приемный блок 34 передает данные пациента через больничную сеть серверу 18 информации о пациентах. Данные пациента включают в себя возраст пациента, пол пациента, хронические болезни пациента, историю болезни, типа поступления и т.п. Другие данные пациента могут быть связаны с пациентом, и не все вышеупомянутые данные пациента должны быть связаны с пациентом в каждый момент времени. В контексте настоящего документа данные пациента показывают источники данных, указывающие общую информацию о пациенте, историю болезни и т.п.
Приемный блок 34 служит местом сбора данных пациента, собранных принимающим персоналом, и обеспечивает временное хранение данных в памяти 36. Данные пациента одновременно передаются контроллеру 38 в приемном блоке 34, который затем передает данные пациента через больничную сеть серверу 18 пациента, где данные пациента отображаются и сохраняются. Контроллер 38 приемного блока 34 также управляет дисплеем 40 для отображения собранных данных пациента, принятых от принимающего персонала, на дисплее 40. Приемный блок 34 также включает в себя устройство 42 ввода данных, которое позволяет пользователю, например, принимающему персоналу, вводить данные пациента, просматривать, манипулировать и/или взаимодействовать с данными, отображенными на дисплее 40. Устройство 42 ввода данных может быть отдельным компонентом или быть интегрированным в дисплей 40, такой как монитор с сенсорным экраном. Контроллер 38 может включать в себя процессор или компьютер, программное обеспечение и т.п.
Контроллер 44 сервера 18 информации о пациентах принимает физиологические данные от устройства 12 наблюдения за пациентом, лабораторные данные от лабораторного сервера 24 и данные пациента от приемного блока 34 и сохраняет физиологические данные, лабораторные данные и данные пациента в памяти 46. Затем контроллер управляет дисплеем 48 сервера 18 информации о пациентах для отображения физиологических данных, лабораторных данных и данных пациента, принятых от пациента, на дисплее 48. Сервер информации о пациентах также включает в себя устройство 50 ввода данных, которое позволяет пользователю, например, управляющему персоналу, просматривать, манипулировать и/или взаимодействовать с данными, отображенными на дисплее 48. Устройство 50 ввода данных может быть отдельным компонентом или интегрированным в дисплей 48, таким как монитором с сенсорным экраном.
В одном варианте выполнения сервер 51 сбора данных соединен с клинической базой 52 данных, например, международным сервером, множеством национальных серверов, множеством региональных серверов и множеством больничных серверов, локальными серверами больницы и т.п. Клиническая база данных 52 включает в себя базу 54 данных пациентов, которая хранит предыдущие истории болезней и исследования пациентов, включающие в себя поля входных данных и соответствующие переменные исхода. Поля входных данных пациента включают в себя один или более показатели жизненно важных функций (в том числе частоту сердечных сокращений, кровяное давление, частоту дыхания, насыщение кислородом, массу тела, другие кровяные давления и т.п.), списки вопросов с автоматизированным или пользовательским вводом, включающие в себя хронические проблемы, неотложные проблемы при приеме (боль в груди, одышка, изменение психического состояния/спутанность сознания, боль в животе и т.п.), коды МКБ-9 (или эквивалентным образом классифицированные проблемы со здоровьем), клинические лабораторные данные, флюидный баланс, лекарства, настройки аппарата искусственной вентиляции легких, субъективные оценки при уходе, результаты исследований с визуализацией, индивидуальные данные пациента (возраст, пол, расовая/этническая принадлежность), текущее время пребывания в больнице или отделении интенсивной терапии (ICU) и т.п., относящиеся к случаю болезни и исследованиям пациента. Переменные исхода для пациента включают в себя длительность госпитализации, летальный исход или потребность во вмешательстве (лекарства, вентиляция, гемодиализ и т.п.) и т.д., относящиеся к результатам соответствующего случая болезни и исследований пациента. Поисковая система 56 выполняет поиск по базе данных 54 пациентов, включающей в себя время пребывания, в которое каждый показатель жизненно важных функций, или другие зависящие от времени пребывания элементы полей данных случаев болезней и исследований пациентов, чтобы найти корреляции с запрошенными полями входных данных и соответствующими различными исходами. Коррелирующие случаи болезней и исследования пациентов затем передаются контроллером 58 контроллеру 57 сервера 51 сбора данных. Контроллеры 57, 58 могут включать в себя процессор или компьютер, программное обеспечение и т.п.
Контроллер 57 сервера 51 сбора данных осуществляет доступ и поиск по клинической базе 52 данных для множества полей входных данных и связанных переменных исхода из предыдущих историй болезни и исследований пациента. В одном варианте выполнения алгоритм оценки переменной исхода включает в себя зависящие от времени пребывания шкалы или весовые множители для системы оценки вероятности выздоровления/смерти пациента для правильной оценки различных критериев на основании времени, в течение которого пациент был на лечении для текущего медицинского события, оставался в больнице, в интенсивной терапии и т.п.
В другом варианте выполнения контроллер использует поля входных данных, время пребывания и связанные переменные исхода из предыдущих историй болезней и исследований пациента для разработки алгоритма оценки переменных исхода для прогнозирования переменных исхода текущего пациента в режиме реального времени по физиологическим данным пациента, лабораторным данным и данным пациента, ставшими доступным в течение пациента пребывания в больнице.
Как правило, программное обеспечение прогнозирования переменных исхода, алгоритм или процедура сохранены в материальной памяти или машиночитаемом носителе 46 для выполнения процессором. Типы машиночитаемого носителя 46 включают в себя память, такую как накопитель на жестких магнитных дисках, CD-ROM, DVD-ROM и т.п. Возможны также другие варианты осуществления процессора. Контроллеры дисплея, специализированные интегральные схемы (ASIC) и микроконтроллеры являются иллюстративными примерами других видов компонента, который может быть реализован для обеспечения функции процессора. Варианты выполнения могут быть реализованы с использованием программного обеспечения для выполнения процессором, аппаратными средствами или некоторой их комбинацией.
Блок прогнозирования или процессор 60 сервера 18 информации о пациентах принимает программу, программное обеспечение, алгоритм, процедуру и т.п. оценки или прогнозирования переменной исхода или напрямую от сервера 51 сбора данных или через машиночитаемый носитель. Процессор прогнозирования соединен с блоком 61 определения времени пребывания, процессором, процедурой или средством, которое определяет время пребывания текущего пациента, то есть время с начала текущего лечения, поступления в больницу или отделение интенсивной терапии и т.п. Процессор 60 прогнозирования применяет программу, программное обеспечение, процедуру или алгоритм оценки переменной исхода к физиологическим и/или лабораторным данным текущего пациента, используя текущее время пребывания для оценки или прогнозирования переменной(ых) исхода. Когда программа оценки переменных исхода включает в себя формирование зависящих от времени пребывания весовых значений или шкал, зависимость от времени пребывания вычисляется на основании времени, в которое обновлялось поле исходных входных данных. Самая последняя или текущая переменная(ые) исхода отображаются на дисплее 48.
На фиг.2 изображена блок-схема последовательности операций для формирования алгоритма оценки переменных исхода. На этапе 100 к клинической базе данных осуществляется доступ и ищется множество полей X предыдущих входных данных и соответствующих предыдущих переменных Yo исхода. Поля X предыдущих входных данных и соответствующие вставляемые переменные Yo исхода из случаев болезней и исследований предыдущих пациентов принимаются из множества клинических баз данных, в том числе содержания международного сервера, множества национальных серверов, множества региональных серверов и множества больничных или локальных серверов больницы.
На этапе 102 поля X предыдущих входных данных и предыдущие переменные Yo исхода используются для разработки оптимальной функции F(X,t) для прогнозирования переменных исхода текущего пациента Yest по физиологическим данным пациента, лабораторным данным и данным пациента. Функция F(X,t) может оценить переменную Yo исхода, используя поля X входных данных в любое время t во время пребывания пациента в больнице. Функция может быть идентифицирована путем использования нескольких различных методов, в том числе линейного регрессионного анализа, нелинейного регрессионного анализа, нейронных сетей, метода опорных векторов, радиальных базисных функций, на основании экспертных правил или классификационных деревьев решений и т.п.
В одном варианте выполнения определение F(X,t) может использовать поля X входных данных множества баз данных, хранящих коллекции случаев болезней и исследований пациентов и соответствующие переменные Yo исходов, с помощью множественного линейного регрессионного анализа так, что предполагаемыми переменными исхода являются Yest. Предполагаемая переменная Yest исхода определена следующим образом:
Yest=F(X,t),
где min |Yest-Yo|
Для нахождения функции F(X,t), которая минимизирует разности между предполагаемыми и наблюдаемыми исходами в процессе обучения, можно использовать один из нескольких методов оптимизации, в том числе оценки по методу наименьших квадратов и градиентный поиск. В следующем примере K элементов клинических данных выбираются из N различных пациентов для создания вектора X входных данных. Соответствующие наблюдаемые (известные) исходы Yo для этих N пациентов обозначены вектором [yo1...yoN]T. Например, вектор переменной исхода может быть равен вектору числа дней, которое каждый из соответствующих N пациентов пребывал в больнице или ICU. Прогнозируемые с помощью оптимальной функции исходы (определенные вектором [b1,t...bK,t]T) обозначаются как Yest (где Yest=[yest1...yestN]).
Figure 00000001
Метод наименьших квадратов эквивалентен нахождению оптимального вектора для момента t пребывания пациента [b1,t...bK,t]T, так что разность между предполагаемыми результатами, Yest, ([yest1...yestN]T) и известными результатами Yo [Yo1...YoN]T минимальна в смысле наименьших квадратов для N различных записей о пациентах. После того, как оператор F(X,t) определен для конкретной интересующей переменной исхода, он может использоваться для прогнозирования необходимой переменной исхода для данного текущего пациента с известными входными данными. Уникальная особенность этой формулы состоит во включении текущего дня t госпитализации для нахождения оптимальной формулы для данных, обеспеченных в данный день t госпитализации.
На этапе 104 функция F(X,t) определяется для различных переменных исхода и используется для прогнозирования в режиме реального времени различных переменных Fest исхода, включающих в себя длительность госпитализации, летальный исход или потребность во вмешательстве по физиологическим данным текущего пациента, лабораторным данным и данным пациента по мере того, как они становятся доступны в течение пребывания пациента в больнице. В одном варианте выполнения алгоритм оценки переменной исхода применяется к системе оценки вероятности выздоровления/смерти пациента для правильной оценки различных критериев на основании времени, которое пациент провел в больнице и подвергался интенсивной терапии. В одном варианте выполнения функция F(X,t) разрабатывается для каждого дня после поступления (где t=0, 1, 2, 3 округленных до дня в ICU).
Как показано в таблице ниже, дана традиционная оценка здоровья пациента для каждого конкретного значения различных переменных, касающихся здоровья пациента. Оценки здоровья пациента связаны со здоровьем пациента во время поступления и не учитывают время, которое пациент провел в больнице или ICU. Для учета времени, которое пациент провел в больнице или ICU под интенсивной терапией, применен алгоритм оценки переменных исхода. Применение алгоритма оценки переменных исхода дает правильные оценки здоровья пациента в соответствии с количеством времени, которое пациент провел в больнице. Сумма зависящих от времени пребывания оценок обеспечивает прогнозирование переменной исхода для пациента.
Переменная Найденное значение Традиционная оценка в баллах (при поступлении) Оценка в баллах (время пребывания)
Возраст в годах <40 0 F(t)
40-59 7 F(t)
60-69 12 F(t)
70-74 15 F(t)
75-79 16 F(t)
>=80 18 F(t)
Частота сердечных сокращений в ударах в минуту (BPM) <40 11 F(t)
40-69 2 F(t)
70-119 0 F(t)
120-159 4 F(t)
>=160 7 F(t)
Систолическое кровяное давление в мм рт.ст. <70 13 F(t)
70-99 5 F(t)
100-199 0 F(t)
>=200 2 F(t)
Температура тела в градусах Цельсия (С) <39 0 F(t)
>=39 3 F(t)
PaO2/FIO2 (парциальное давление кислорода в артериальной крови/содержание кислорода во вдыхаемом воздухе) <100 11 F(t)
100-199 9 F(t)
>=200 6 F(t)
Количество выделяемой мочи в л за 24 часа <0,500 11 F(t)
0,500-0,999 4 F(t)
>=1,000 0 F(t)
Азот мочевины сыворотки в мг/дл <28 0 F(t)
28-83 6 F(t)
>=84 10 F(t)
Количество лейкоцитов в 1000 на мкл <1,0 12 F(t)
1,0-19,9 0 F(t)
>=20 3 F(t)
Калий в сыворотке крови в мг-экв/л <3,0 3 F(t)
3,0-4,9 0 F(t)
>=5,0 3 F(t)
Натрий в сыворотке крови в мг-экв/л <125 5 F(t)
125-144 0 F(t)
>=145 1 F(t)
Бикарбонаты в сыворотке крови в мг-экв/л <15 6 F(t)
15-19 3 F(t)
>=20 0 F(t)
Уровень билирубина в мг/дл <4,0 0 F(t)
4,0-5,9 4 F(t)
>=6,0 9 F(t)
Шкала ком Глазго <6 26 F(t)
6-8 13 F(t)
9-10 7 F(t)
11-13 5 F(t)
14-15 0 F(t)
Хронические болезни Метаста-
тическая карцинома		 9 F(t)
Гемобластоз 10 F(t)
СПИД (AIDS) 17 F(t)
Тип поступления Плановая операция 0 F(t)
Медицинский 6 F(t)
Внеплановая операция 8 F(t)
На фиг.3 изображена блок-схема последовательности операций блока прогнозирования. На этапе 200 вводятся физиологические данные текущего пациента, лабораторные данные и данные пациента. На этапе 202 алгоритм оценки переменных исхода, например, с зависящими от времени пребывания весовыми значениями или оценками, используется для определения вероятности смерти пациента. На этапе 204 вероятность смерти пациента оценивается в величину равную 30% по физиологическим данным пациента, лабораторным данным и данным о пациенте. На этапе 206 алгоритм оценки переменных исхода используется для определения длительности госпитализации пациента. На этапе 208 длительность госпитализации пациента оценивается в 8,5 дней по физиологическим данным пациента, лабораторным данным и данным о пациенте.
На фиг.4 изображена блок-схема последовательности операций. На этапе 300 физиологические данные пациента собираются PMD и передаются серверу информации о пациентах. На этапе 302 лабораторные данные пациента собираются лабораторным сервером и передаются серверу информации. На этапе 304 данные о пациенте собираются приемным блоком и передаются серверу информации о пациентах. На этапе 306 получается доступ к множеству полей предыдущих входных данных и соответствующих предыдущих переменных исхода в клинической базе данных. На этапе 308 разрабатывается алгоритм оценки прогнозирования или переменных исхода для прогнозирования переменных исхода пациента по физиологическим данным пациента, лабораторным данным и данным о пациенте, используя поля входных данных и переменные исхода. На этапе 310 прогнозируются переменные исхода текущего пациента в режиме реального времени по физиологическим данным текущего пациента, лабораторным данным, времени пребывания, другим полям входных данных пациента и алгоритму оценки переменных исхода.
Изобретение было описано со ссылкой на предпочтительные варианты выполнения. После прочтения и понимания вышеприведенного подробного описания специалистам в области техники могут быть очевидны модификации и изменения. Предполагается, что изобретение включает в себя все такие модификации и изменения, поскольку они входят в объем прилагаемой формулы изобретения или ее эквивалентов.

Claims (30)

1. Устройство (18) для информации о пациентах, содержащее:
контроллер (44), который принимает физиологические и/или лабораторные данные о текущем пациенте, который получает лечение в медицинском учреждении, от устройства (12) наблюдения за пациентом;
блок, который определяет время пребывания, которое показывает, сколько времени текущий пациент получал лечение; и
блок (60) прогнозирования, который прогнозирует переменную исхода путем применения зависящего от времени пребывания алгоритма оценки переменных исхода к физиологическим и/или лабораторным данным текущего пациента, причем алгоритм оценки переменных исхода включает в себя зависящие от времени пребывания весовые значения или шкалы, используя определенное время пребывания, в течение которого текущий пациент получал лечение.
2. Устройство по п. 1, в котором переменные исхода включают в себя по меньшей мере одно из: прогнозирования длительности госпитализации, вероятности летального исхода и необходимости вмешательства.
3. Устройство по любому из пп. 1 и 2, в котором блок (60) прогнозирования прогнозирует переменную исхода непрерывно в режиме реального времени.
4. Устройство по любому из пп. 1 и 2, в котором алгоритм прогнозирования переменной исхода формируется путем:
осуществления доступа по меньшей мере к одному из множества полей данных предыдущих пациентов, включающих в себя физиологические и/или лабораторные данные и время пребывания, указывающее, сколько времени каждый пациент получал лечение во время формирования физиологических и/или лабораторных данных, и соответствующие переменные исхода, в клинической базе (52) данных;
формирования алгоритма оценки переменных исхода по множеству физиологических и/или лабораторных данных предыдущих пациентов, соответствующему времени пребывания и соответствующим переменным исхода.
5. Устройство по любому из пп. 1 и 2, в котором алгоритм оценки переменной исхода формируется с использованием по меньшей мере одного из: линейного регрессионного анализа, нелинейного регрессионного анализа, нейронных сетей, метода опорных векторов, радиальных базисных функций, на основании экспертных правил и классификационных деревьев решений.
6. Система наблюдения за пациентом, содержащая:
устройство (18) для информации о пациентах согласно любому из пп. 1-5; и
устройство наблюдения за пациентом, которое собирает физиологические данные от пациента;
7. Способ прогнозирования переменной исхода пациента, причем способ содержит этапы, на которых:
осуществляют доступ по меньшей мере к одному из множества полей данных предыдущих пациентов, включающих в себя физиологические и/или лабораторные данные и время пребывания, указывающее, сколько времени каждый пациент получал лечение во время формирования физиологических и/или лабораторных данных, и соответствующие переменные исхода, в клинической базе (52) данных;
формируют зависящий от времени пребывания алгоритм оценки переменных исхода по множеству физиологических и/или лабораторных данных предыдущих пациентов, соответствующему времени пребывания и соответствующим переменным исхода, причем алгоритм оценки переменных исхода включает в себя зависящие от времени пребывания весовые значения или шкалы.
8. Способ по п. 7, в котором переменные исхода включают в себя по меньшей мере одно из: прогнозирования длительности госпитализации, вероятности летального исхода и необходимости вмешательства.
9. Способ по любому из пп. 7 и 8, дополнительно включающий в себя этапы, на которых:
принимают физиологические и/или лабораторные данные текущего пациента;
определяют текущее время пребывания на лечении текущего пациента и
применяют алгоритм оценки переменной исхода к физиологическим и/или лабораторным данным текущего пациента и текущему времени пребывания для оценки вероятности исхода для текущего пациента.
10. Способ по любому пп. 7 и 8, в котором поля данных предыдущих пациентов включают в себя по меньшей мере одно из: одного или более показателей жизненно важных функций, автоматизированных или вводимых пользователем списков проблем, включающих в себя хронические проблемы, неотложные проблемы во время поступления в больницу, клинические лабораторные данные, флюидный баланс, лекарства, настройки аппарата искусственной вентиляции легких, субъективные оценки при уходе, результатов исследований с визуализацией, индивидуальных данных пациента и текущего времени пребывания в больнице или отделении интенсивной терапии (ICU).
11. Способ по любому пп. 7 и 8, в котором связанные с предыдущими пациентами переменные исхода включают в себя по меньшей мере одно из: прогнозирования длительности госпитализации, вероятности летального исхода и необходимости вмешательства.
12. Способ по любому пп. 7 и 8, в котором алгоритм оценки переменной исхода определяют с помощью по меньшей мере одного из: линейного регрессионного анализа, нелинейного регрессионного анализа, нейронных сетей, метода опорных векторов, радиальных базисных функций, на основании экспертных правил или классификационных деревьев решений.
13. Способ по п. 9, в котором прогнозирование переменной исхода текущего пациента производится непрерывно в режиме реального времени.
14. Машиночитаемый носитель (46), содержащий программное обеспечение, которое при загрузке в процессор (62) программирует процессор (62) для выполнения способа по любому из пп. 7-13.
15. Способ прогнозирования вероятности исхода, содержащий этапы, на которых:
измеряют физиологические и/или лабораторные данные для текущего пациента, который проходит лечение в медицинском учреждении;
определяют время пребывания, которое текущий пациент провел, получая лечение в медицинском учреждении;
применяют зависящий от времени пребывания алгоритм прогнозирования исхода, используя измеренные физиологические и/или лабораторные данные и определенное время пребывания, которое текущий пациент провел, получая лечение в медицинском учреждении, для прогнозирования вероятности исхода, причем алгоритм оценки исхода включает в себя зависящие от времени пребывания весовые значения или шкалы.
RU2013126425A 2010-11-08 2011-11-03 Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации RU2630122C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US41098410P 2010-11-08 2010-11-08
US61/410,984 2010-11-08
PCT/IB2011/054884 WO2012063166A1 (en) 2010-11-08 2011-11-03 Method of continuous prediction of patient severity of illness, mortality, and length of stay

Publications (2)

Publication Number Publication Date
RU2013126425A RU2013126425A (ru) 2014-12-20
RU2630122C2 true RU2630122C2 (ru) 2017-09-05

Family

ID=45002088

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2013126425A RU2630122C2 (ru) 2010-11-08 2011-11-03 Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации

Country Status (7)

Country Link
US (1) US9569723B2 (ru)
EP (2) EP2638489B1 (ru)
JP (1) JP6145042B2 (ru)
CN (1) CN103201743B (ru)
BR (1) BR112013011031A2 (ru)
RU (1) RU2630122C2 (ru)
WO (1) WO2012063166A1 (ru)

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110320223A1 (en) * 2010-06-28 2011-12-29 Hartford Fire Insurance Company System and method for analysis of insurance claims
US9183710B2 (en) 2012-08-03 2015-11-10 Novasentis, Inc. Localized multimodal electromechanical polymer transducers
WO2014071145A1 (en) 2012-11-02 2014-05-08 The University Of Chicago Patient risk evaluation
US9053617B2 (en) 2012-11-21 2015-06-09 Novasentis, Inc. Systems including electromechanical polymer sensors and actuators
US9164586B2 (en) 2012-11-21 2015-10-20 Novasentis, Inc. Haptic system with localized response
US10088936B2 (en) 2013-01-07 2018-10-02 Novasentis, Inc. Thin profile user interface device and method providing localized haptic response
WO2014107677A1 (en) 2013-01-07 2014-07-10 Novasentis, Inc. Method and localized haptic response system provided on an interior-facing surface of a housing of an electronic device
JP6373883B2 (ja) * 2013-03-12 2018-08-15 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 訪問継続時間制御システム及び方法
US10573415B2 (en) 2014-04-21 2020-02-25 Medtronic, Inc. System for using patient data combined with database data to predict and report outcomes
US9652946B2 (en) 2014-05-02 2017-05-16 Novasentis, Inc. Hands-free, wearable vibration devices and method
US20160045168A1 (en) * 2014-08-12 2016-02-18 Allscripts Software, Llc Early warning score methodologies
WO2016100811A1 (en) * 2014-12-19 2016-06-23 Neximatic, Inc. Medical data extraction and management for efficient, secure support of various information systems
CN105046406A (zh) * 2015-06-25 2015-11-11 成都厚立信息技术有限公司 住院病人医疗管理质量评估方法
CN104951894B (zh) * 2015-06-25 2018-07-03 成都厚立信息技术有限公司 医院疾病管理智能分析和评估系统
WO2017036482A1 (en) * 2015-08-28 2017-03-09 Aalborg Universitet A cpn-based tool for the stratification of illness severity in patients suspected of sepsis
CN105631200B (zh) * 2015-12-23 2018-05-08 东软集团股份有限公司 预测医技检查时间的方法和装置
US10872699B2 (en) 2016-03-25 2020-12-22 Siemens Healthcare Gmbh Case-based reasoning in the cloud using deep learning
US10657547B2 (en) 2016-03-28 2020-05-19 International Business Machines Corporation Forecast model calibration
US20200312429A1 (en) * 2016-06-22 2020-10-01 The Regents Of The University Of California Personalized contextualization of patient trajectory
CN107436993B (zh) * 2017-05-05 2020-08-25 陈一昕 建立icu患者病情评估模型的方法和服务器
CN107391901A (zh) * 2017-05-05 2017-11-24 陈昕 建立普通病房患者病情评估模型的方法和服务器
CN107220491A (zh) * 2017-05-18 2017-09-29 湖南明康中锦医疗科技发展有限公司 云服务器、提醒的方法及计算机可读存储介质
CN107767952A (zh) * 2017-10-10 2018-03-06 珠海市领创智能物联网研究院有限公司 一种物联网电子智能精准医疗家用监测系统
CN107833633A (zh) * 2017-10-30 2018-03-23 银江股份有限公司 一种高血压病人随访推荐的方法
CN107910072A (zh) * 2017-12-11 2018-04-13 创业软件股份有限公司 用于治未病的医疗数据挖掘过程中均线趋势参数确定方法
CN108072618A (zh) * 2017-12-19 2018-05-25 中国医学科学院阜外医院 一种心梗后死亡风险的预测系统
CN108267601B (zh) * 2018-01-19 2019-02-22 中国医学科学院阜外医院 一种预测心梗后不良事件的系统及试剂盒
US11302441B2 (en) 2018-10-29 2022-04-12 3M Innovative Properties Company Patient treatment resource utilization predictor
CN109616218A (zh) * 2018-12-04 2019-04-12 泰康保险集团股份有限公司 数据处理方法、装置、介质及电子设备
US11875903B2 (en) 2018-12-31 2024-01-16 Tempus Labs, Inc. Method and process for predicting and analyzing patient cohort response, progression, and survival
WO2020142551A1 (en) * 2018-12-31 2020-07-09 Tempus Labs A method and process for predicting and analyzing patient cohort response, progression, and survival
CN114223038B (zh) * 2019-03-01 2025-01-07 赛诺菲 用于估计中间治疗的有效性的方法
JP7032344B2 (ja) * 2019-03-07 2022-03-08 ヤフー株式会社 提供装置、提供方法及び提供プログラム
US20220277839A1 (en) * 2019-07-15 2022-09-01 Koninklijke Philips N.V. Model to dynamically predict patient's discharge readiness in general ward
US20220328187A1 (en) * 2019-08-09 2022-10-13 Nec Corporation Condition predicting apparatus, condition predicting method, computer program, and recording medium
US11925474B2 (en) * 2019-08-22 2024-03-12 Koninklijke Philips N.V. Methods and systems for patient baseline estimation
WO2021065184A1 (ja) * 2019-10-04 2021-04-08 日本電気株式会社 リハビリ計画装置、リハビリ計画システム、リハビリ計画方法、及びコンピュータ可読媒体
KR102310455B1 (ko) * 2020-03-05 2021-10-07 가톨릭대학교 산학협력단 관상동맥우회술 환자의 최초 중환자실 재실시간과 최초 기도삽관시간을 이용하여 재원기간을 예측하는 방법, 시스템 및 프로그램
KR102510992B1 (ko) * 2020-03-05 2023-03-16 가톨릭대학교 산학협력단 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램
CN111612278A (zh) * 2020-06-01 2020-09-01 戴松世 生命状态预测方法、装置、电子设备及存储介质
CN112270994B (zh) * 2020-10-14 2021-08-17 中国医学科学院阜外医院 一种风险预测模型的构建方法、设备、终端及存储介质
CN112397146B (zh) * 2020-12-02 2021-08-24 广东美格基因科技有限公司 一种基于云平台的微生物组学数据交互分析系统
CN113393939B (zh) * 2021-04-26 2024-05-28 上海米健信息技术有限公司 重症监护室患者住院天数预测方法及系统
DE102021112270A1 (de) 2021-05-11 2022-11-17 Markus Vogel Verfahren zum Bereitstellen von Informationen über einen Patienten und System zum Bereitstellen von Informationen über einen Patienten
WO2023122837A1 (es) * 2021-12-28 2023-07-06 Universidad Peruana De Ciencias Aplicadas Equipo electrónico para la estimación del tiempo de hospitalización de pacientes diagnosticados con enfermedad respiratoria
WO2024092136A2 (en) * 2022-10-28 2024-05-02 Memorial Sloan-Kettering Cancer Center Machine learning modeling for inpatient prediction

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070150307A1 (en) * 2005-12-22 2007-06-28 Cerner Innovation, Inc. Displaying clinical predicted length of stay of patients for workload balancing in a healthcare environment
RU72075U1 (ru) * 2007-11-15 2008-03-27 Сергей Александрович Фурсенко Устройство для прогностического определения степени индивидуальной предрасположенности человека к различным заболеваниям
US20080214904A1 (en) * 2005-06-22 2008-09-04 Koninklijke Philips Electronics N. V. Apparatus To Measure The Instantaneous Patients' Acuity Value
US20090089092A1 (en) * 2007-10-01 2009-04-02 General Electric Company System and method to schedule resources in delivery of healthcare to a patient
US20090105550A1 (en) * 2006-10-13 2009-04-23 Michael Rothman & Associates System and method for providing a health score for a patient

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5724983A (en) 1994-08-01 1998-03-10 New England Center Hospitals, Inc. Continuous monitoring using a predictive instrument
US6063028A (en) * 1997-03-20 2000-05-16 Luciano; Joanne Sylvia Automated treatment selection method
US20040010481A1 (en) 2001-12-07 2004-01-15 Whitehead Institute For Biomedical Research Time-dependent outcome prediction using neural networks
US6835176B2 (en) 2003-05-08 2004-12-28 Cerner Innovation, Inc. Computerized system and method for predicting mortality risk using a lyapunov stability classifier
CN101194261A (zh) * 2005-06-09 2008-06-04 皇家飞利浦电子股份有限公司 对于加强/重症监护病房患者的稳健性趋势分析的不同时标的形态描绘图
JP2009514583A (ja) 2005-11-08 2009-04-09 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ クラスタリングを使用して、マルチパラメータ患者監視及び医療データにおける重要な傾向を検出する方法
US8979753B2 (en) 2006-05-31 2015-03-17 University Of Rochester Identifying risk of a medical event
JP2008176473A (ja) * 2007-01-17 2008-07-31 Toshiba Corp 患者容体変化予測装置、及び患者容体変化管理システム
EP2183694B1 (en) * 2007-07-13 2019-04-17 Koninklijke Philips N.V. Decision support system for acute dynamic diseases

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080214904A1 (en) * 2005-06-22 2008-09-04 Koninklijke Philips Electronics N. V. Apparatus To Measure The Instantaneous Patients' Acuity Value
US20070150307A1 (en) * 2005-12-22 2007-06-28 Cerner Innovation, Inc. Displaying clinical predicted length of stay of patients for workload balancing in a healthcare environment
US20090105550A1 (en) * 2006-10-13 2009-04-23 Michael Rothman & Associates System and method for providing a health score for a patient
US20090089092A1 (en) * 2007-10-01 2009-04-02 General Electric Company System and method to schedule resources in delivery of healthcare to a patient
RU72075U1 (ru) * 2007-11-15 2008-03-27 Сергей Александрович Фурсенко Устройство для прогностического определения степени индивидуальной предрасположенности человека к различным заболеваниям

Also Published As

Publication number Publication date
EP2638489B1 (en) 2020-10-28
CN103201743A (zh) 2013-07-10
WO2012063166A1 (en) 2012-05-18
US9569723B2 (en) 2017-02-14
RU2013126425A (ru) 2014-12-20
JP2013545188A (ja) 2013-12-19
BR112013011031A2 (pt) 2016-09-13
CN103201743B (zh) 2017-07-18
EP3779994B1 (en) 2023-10-11
EP3779994A1 (en) 2021-02-17
US20130232103A1 (en) 2013-09-05
JP6145042B2 (ja) 2017-06-07
EP2638489A1 (en) 2013-09-18

Similar Documents

Publication Publication Date Title
RU2630122C2 (ru) Способ непрерывного прогнозирования тяжести заболевания у пациента, летального исхода и длительности госпитализации
CN101203172B (zh) 测量瞬时患者急性值的设备
US7378955B2 (en) System and method for correlating biometric trends with a related temporal event
RU2685681C2 (ru) Система и способ для оптимизирования частоты сбора данных и пороговых значений для алгоритма обнаружения ухудшения состояния
US20090149724A1 (en) System and method for predicting septic shock
JP6692355B2 (ja) バイタルサインサンプリング周波数が限定されるときのスコア信頼区間推定に関する方法
EP2437189A2 (en) Healthcare information system
JP7076967B2 (ja) データ処理装置、データ処理方法及びデータ処理プログラム
WO2018106481A1 (en) Computer-implemented methods, systems, and computer-readable media for diagnosing a condition
CN115426936A (zh) 软件、健康状态判定装置及健康状态判定方法
US20060259329A1 (en) System and Method for Determining the Degree of Abnormality of a Patient&#39;s Vital Signs
CN117316452A (zh) 闭环管理场景下对高血压糖尿病进行健康评估的方法和装置
CN110415777A (zh) 一种类风湿关节炎患者电子随访系统
CN118098461A (zh) 基于人工智能的临床患者状态监测方法及系统
US20030191666A1 (en) System and method for evaluating pretest probabilities of life-threatening diseases
Engel et al. Outcome prediction in a surgical ICU using automatically calculated SAPS II scores
JP2008176473A (ja) 患者容体変化予測装置、及び患者容体変化管理システム
JP7761910B1 (ja) 麻酔効果予測システム及びプログラム
Portela et al. A pervasive intelligent system for scoring MEWS and TISS-28 in intensive care
JP4055600B2 (ja) 健康管理支援方法及び装置
CA2458066C (en) System and method for evaluating pretest probabilities of life-threatening diseases
WO2024211296A1 (en) Computer-implemented method and system for determining an acute myocardial infarction type indicator
Karnadi et al. DIAGNOSTIC RISK PERCENTAGE BASED ON VITAL SIGNS READINGS ON HEALTH MONITORING DEVICES.
WO2022202360A1 (ja) 情報処理装置、情報処理方法およびプログラム
Nemcsik et al. [PP. 15.11] EVALUATION OF AFFECTIVE TEMPERAMENTS, DEPRESSION AND ANXIETY IN WHITE-COAT, WELL-TREATED AND RESISTANT HYPERTENSION AND IN HEALTHY CONTROLS

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20201104