[go: up one dir, main page]

TWI793833B - 透析中的分析方法及用於透析的分析裝置 - Google Patents

透析中的分析方法及用於透析的分析裝置 Download PDF

Info

Publication number
TWI793833B
TWI793833B TW110140157A TW110140157A TWI793833B TW I793833 B TWI793833 B TW I793833B TW 110140157 A TW110140157 A TW 110140157A TW 110140157 A TW110140157 A TW 110140157A TW I793833 B TWI793833 B TW I793833B
Authority
TW
Taiwan
Prior art keywords
dialysis
data
hypotension
future
blood pressure
Prior art date
Application number
TW110140157A
Other languages
English (en)
Other versions
TW202317027A (zh
Inventor
葉至欣
簡至毅
郭志峰
李亭慧
Original Assignee
緯創資通股份有限公司
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 緯創資通股份有限公司 filed Critical 緯創資通股份有限公司
Priority to TW110140157A priority Critical patent/TWI793833B/zh
Priority to US17/530,484 priority patent/US20230134865A1/en
Priority to CN202111491308.7A priority patent/CN116036399B/zh
Priority to EP21215513.9A priority patent/EP4174870A1/en
Priority to JP2022009178A priority patent/JP7419414B2/ja
Application granted granted Critical
Publication of TWI793833B publication Critical patent/TWI793833B/zh
Publication of TW202317027A publication Critical patent/TW202317027A/zh

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M1/00—Suction or pumping devices for medical purposes; Devices for carrying-off, for treatment of, or for carrying-over, body-liquids; Drainage systems
    • A61M1/36—Other treatment of blood in a by-pass of the natural circulatory system, e.g. temperature adaptation, irradiation ; Extra-corporeal blood circuits
    • A61M1/3621—Extra-corporeal blood circuits
    • A61M1/3639—Blood pressure control, pressure transducers specially adapted therefor
    • 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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M1/00—Suction or pumping devices for medical purposes; Devices for carrying-off, for treatment of, or for carrying-over, body-liquids; Drainage systems
    • A61M1/14—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis
    • A61M1/16—Dialysis systems; Artificial kidneys; Blood oxygenators ; Reciprocating systems for treatment of body fluids, e.g. single needle systems for hemofiltration or pheresis with membranes
    • A61M1/1601—Control or regulation
    • A61M1/1613—Profiling or modelling of patient or predicted treatment evolution or outcome
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers
    • A61M2205/52—General characteristics of the apparatus with microprocessors or computers with memories providing a history of measured variating parameters of apparatus or patient
    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Urology & Nephrology (AREA)
  • Vascular Medicine (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Anesthesiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Hematology (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Emergency Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Cardiology (AREA)
  • External Artificial Organs (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本發明實施例提供一種透析中的分析方法及用於透析的分析裝置。取得一筆或更多筆輸入特徵。這些輸入特徵包括相關於透析機的運作參數及待測者的當前資料及先前資料之間的變化關係。依據輸入特徵透過一個或更多個預測模型預測未來資料。這未來資料包括未來時間點的血壓資訊及透析中低血壓的預測結果。藉此，可高精準地預測透析中低血壓。

Description

透析中的分析方法及用於透析的分析裝置
本發明是有關於一種檢測技術，且特別是有關於一種透析中(intradialytic)的分析方法及用於透析(dialysis)的分析裝置。
透析中低血壓(intradialytic hypotension)是透析患者最常見的併發症，不僅影響病人的生活品質，更容易引發心律不整、慢性或急性心血管與腦血管缺血。當透析中低血壓發生時，醫護人員須立刻中斷病患透析治療，並進行臨床處置，以避免持續降低血壓。反覆發生透析中低血壓將導致尿毒素清除率和脫水量不足，甚至長期下來恐惡化原有尿毒與心衰竭的症狀，從而增加透析患者的死亡率。
目前在國際上針對透析中低血壓的定義尚缺乏共識，同時也考驗開發低血壓預警系統應用在臨床上的準確率。對醫護人員而言，需在透析療程中維持高專注度。除了病患脫水速度、透析溫度等即時處理之外，血壓的急遽變化仍需靠醫護人員個人經驗累積來及時應變。然而，目前尚無既定標準進行參數調整，故恐有判斷失誤的可能。由此可知，現有透析中低血壓預警機制仍存在缺陷。
有鑑於此，本發明實施例提供一種透析中的分析方法及用於透析的分析裝置，可預先警示透析中低血壓。
本發明實施例的透析中的分析方法包括(但不僅限於)下列步驟：取得一筆或更多筆輸入特徵。這些輸入特徵包括相關於透析機的運作參數及待測者的當前資料及先前資料之間的變化關係。依據輸入特徵透過一個或更多個預測模型預測未來資料。這未來資料包括未來時間點的血壓資訊及透析中低血壓的預測結果。
本發明實施例的用於透析的分析裝置包括(但不僅限於)儲存器及處理器。儲存器用以儲存程式碼。處理器耦接儲存器。處理器經配置用以載入且執行程式碼以執行下列步驟：取得一筆或更多筆輸入特徵。這些輸入特徵包括相關於透析機的運作參數及待測者的當前資料及先前資料之間的變化關係。依據輸入特徵透過一個或更多個預測模型預測未來資料。這未來資料包括未來時間點的血壓資訊及透析中低血壓的預測結果。
基於上述，本發明實施例的透析中的分析方法及用於透析的分析裝置，進一步考量影響透析中低血壓的新變數(例如，當前資料與先前資料之間的變化關係)，以提升預測的準確度。藉此，可提前預測病患即將發生的透析中低血壓，並進一步通知護理人員做出適當處置，以減少中斷透析發生，進而降低病患死亡率，並提高醫療品質。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
圖1是依據本發明一實施例的分析裝置100的元件方塊圖。請參照圖1，分析裝置100包括(但不僅限於)儲存器110及處理器130。分析裝置100可以是血液透析機、控制儀器、或者任何能夠對使用者的生理數據運算的電子裝置(例如，智慧型手機、平板電腦、伺服器、雲端主機、或電腦主機)。
儲存器110可以是任何型態的固定或可移動隨機存取記憶體(Radom Access Memory，RAM)、唯讀記憶體(Read Only Memory，ROM)、快閃記憶體(flash memory)、傳統硬碟(Hard Disk Drive，HDD)、固態硬碟(Solid-State Drive，SSD)或類似元件。在一實施例中，儲存器110用以記錄程式碼、軟體模組、組態配置、資料(例如，生理參數、生化檢驗參數、基本資料、運作參數、特徵、各時間點的資料集合、預測結果等)或檔案，並待後文詳述其實施例。
處理器130耦接儲存器110，處理器130並可以是中央處理單元(Central Processing Unit，CPU)、圖形處理單元(Graphic Processing unit，GPU)，或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位信號處理器(Digital Signal Processor，DSP)、可程式化控制器、現場可程式化邏輯閘陣列(Field Programmable Gate Array，FPGA)、特殊應用積體電路(Application-Specific Integrated Circuit，ASIC)、神經網路加速器或其他類似元件或上述元件的組合。在一實施例中，處理器130用以執行分析裝置100的所有或部份作業，且可載入並執行儲存器110所記錄的各程式碼、軟體模組、檔案及資料。在一些實施例中，處理器130的功能可透過軟體或晶片實現。
在一實施例中，分析裝置100更包括提示裝置150。提示裝置150可以是顯示器、LED、揚聲器、蜂鳴器、通訊收發器、其他可提供視覺或聽覺效果的裝置或其組合。在一些實施例中，提示裝置150用以告警。例如，顯示警通知、閃爍燈光、發出告警聲音、或傳送告警訊息。然而，告警方式仍可依據實際需求而變更，且本發明實施例不加以限制。
下文中，將搭配分析裝置100中的各項元件及模組說明本發明實施例所述之方法。本方法的各個流程可依照實施情形而隨之調整，且並不僅限於此。
圖2是依據本發明一實施例的透析中的分析方法的流程圖。請參照圖2，處理器130取得一筆或更多筆輸入特徵(步驟S210)。具體而言，輸入特徵是用於後續評估血壓資訊及/或透析中低血壓的輸入資料。處理器130可經由輸入/輸出裝置、儲存器110、外部儲存裝置或網路取得輸入特徵或其對應的原始資料。
在一實施例中，輸入特徵包括相關於(血液)透析機的運作參數及/或待測者(例如，透析治療的患者或其他使用者)被量測的當前資料及先前資料之間的變化關係。
例如，表(1)是一範例說明透析機的運作參數： 表(1)
原始欄位名稱 欄位描述 欄位名稱 資料定義
TARGET_UF 目標脫水量 target_uf 數字(numeric)
TOTAL_UF 總脫水量 total_uf 數字
UF 脫水速率 uf 數字
BLOOD_FLOW 血液流速 blood_flow 數字
TEMP 透析液溫度 dia_temp_value 數字
CONDUCTIVITY 透析液傳導度 conductivity 數字
VENOUS 靜脈壓 venous 數字
TIME 透析時間(分) time 數字
DIA_FLOW 透析液流量 dia_flow 數字
又例如，表(2)(相關於生理參數)、表(3)(相關於生化檢驗結果)是一範例說明待測者的相關參數： 表(2)
原始欄位名稱 欄位描述 欄位名稱 資料定義
MAX_BLOOD 收縮壓 sbp 數字
MIN_BLOOD 舒張壓 dbp 數字
PULSE 脈博 pulse 數字
HD_BT 體溫 temperature 數字
BW_STAND 乾體重 dryweight 數字
BEGIN_WEIGHT 透析前體重 begin_weight 數字
END_WEIGHT 透析後體重 end_weight 數字
LAST_END_WEIGHT 病患透析結束體重 last_end_weight 數字
表(3)
原始欄位名稱 變項描述 欄位名稱 資料定義
Hb 血紅素 hb 數字
Hct 血容比 hct 數字
Albumin 白蛋白 albumin 數字
P 磷 p 數字
K 鉀 k 數字
當前資料是指當前時間點所量測的諸如運作參數、生理參數、生化檢驗參數及/或其他監測參數。須說明的是，量測的當前時間點可能不同於處理參數的時間點。在一些實施例中可能以最接近的量測時間點作為當前時間點，但不以此為限。
另一方面，先前資料是指當前時間點之前的一個或更多個時間點所量測的諸如運作參數、生理參數、生化檢驗參數及/或其他監測參數。即，先前時間點早於當前時間點。例如，當前時間點是12點，則先前時間點可能是11點或11點半。須說明的是，端視應用者的需求，兩相鄰時間點之間的間隔可能固定，也可能變動。
在一實施例中，依據臨床經驗，先前資料與當前資料的變化關係影響血壓變化。變化關係可以是兩個相鄰時間點之間的數值差異。例如，變化關係包括兩相鄰時間點之間的超濾率(ultrafiltration rate)變化、電導率(conductivity)變化、透析液溫度(dialysate temperature)變化及/或血流量(blood flow)變化。
變化關係可以是資料在t和t-1之間的變化或t-1和t-2之間的變化，其中t為當前時間點，且t-1和t-2為先前時間點。舉例而言，圖3是依據本發明一實施例的用於建立預測模型的訓練資料分析的示意圖。請參照圖3，假設當前時間點為t，先前時間點為t-1、t-2，且未來時間點為t+1。處理器130可取得或計算當前時間點t與先前時間點為t-1之間的收縮壓變化△SBP 1(例如，當前收縮壓SBP t- 先前收縮壓SBP t-1)及/或先前時間點為t-1、t-2之間的收縮壓變化△SBP 2(例如，先前收縮壓SBP t-1- 先前收縮壓SBP t-2)。相似地，處理器130可將先前超濾率UR t-1、UR t-2之間的差異作為超濾率變化，將先前透析液溫度DT t-1、DT t-2之間的差異作為透析液溫度變化，且/或將先前血流量BF t-1、BF t-2之間的差異作為血流量變化。
在另一實施例中，變化關係可以是當前時間點t與先前時間點為t-1之間、先前時間點t-1與先前時間點為t-2之間或其他兩個相鄰時間點之間的脫水速率差、靜脈壓差、透析時間差、透析液流量差、收縮壓差及/或脈博差。
除了變化關係的特徵，在一實施例中，監測參數更包括先前資料。先前資料包括當前透析作業前的血壓資訊及/或先前透析作業的統計資訊。以圖3為例，當前透析作業前的血壓資訊是透析作業開始前所測量的第一筆先前收縮壓SBP f。而先前透析作業的統計資訊是前一次或先前的更多次透析作業的先前收縮壓平均SBP ml、先前舒張壓平均DBP ml及先前脈搏平均RP ml。須說明的是，統計資訊也可能是中位數、眾數或其他統計指標，且本發明實施例不加以限制。此外，先前資料可更包括諸如當前透析作業的先前血壓、先前透析液溫度等參數。
在一實施例中，輸入特徵包括待測者的基本資料。例如，表(4)是一範例說明基本資料： 表(4)
原始欄位名稱 原始欄位描述 欄位名稱 資料定義
BIRTH_DATE 出生日期    
SEX 性別 (M=男，F=女) gender (1=男，0=女)
HEM_FIRST_DT 首次透析日    
DISEASE_1 病史-糖尿病 (Y=有) DM (1=有，0=無)
DISEASE_2 病史-高血壓 (Y=有) HT (1=有，0=無)
DISEASE_3 病史-心臟病 (Y=有) CAD (1=有，0=無)
須說明的是，基本資料可更包括用藥紀錄、及/或疾病史。
在一實施例中，輸入特徵包括外部資料。例如，氣候、氣溫、溼度等環境參數。
在一實施例中，處理器130將透析機的運作參數、待測者相關的被量測的資料(例如，生理參數、生化檢驗參數、或基本資料)及/或外部資料轉換成輸入特徵。即，變數轉換。輸入特徵符合後續評估使用的預測模型的輸入格式。在一實施例中，處理器130可對前述參數或資料進行欄位定義/描述、數量比例處理、判斷遺漏值、將類別性數據轉換成統一的數字格式(例如，二進位、十進位或十六進位格式)、計算變化關係等轉換，以產生輸入特徵。例如，表(5)、表(6)及表(7)是說明經轉換的輸入特徵的範例： 表(5)
轉換欄位名稱 欄位描述 資料轉換定義
age 年齡 (今日(Today)- 生日(BIRTH_DATE))/365.25
dialysis year 透析年 (Today-首次透析日(HEM_FIRST_DT))/365.25
表(6)
轉換欄位名稱 欄位描述 資料轉換定義
total_ufb 前一筆總脫水量 total_uf t-1
ufb 前一筆脫水速率 uf t-1
blood_flowb 前一筆血液流速 blood_flow t-1
tempb 前一筆透析液溫度 temp t-1
conductivityb 前一筆透析液傳導度 conductivity t-1
venousb 前一筆靜脈壓 venous t-1
timeb 前一筆透析時間(分) time t-1
dia_flowb 前一筆透析液流量 dia_flow t-1
Δuf 前兩筆脫水速率差 uf t- uf t-1
Δblood_flow 前兩筆血液流速差 blood_flow t- blood_flow t-1
Δdia_temp_value 前兩筆透析液溫度差 temp t- temp t-1
Δconductivity 前兩筆透析液傳導度差 conductivity i- conductivity t-1
Δvenous 前兩筆靜脈壓差 venous t- venous t-1
Δtime 前兩筆透析時間差(分) time t- time t-1
Δdia_flow 前兩筆透析液流量差 dia_flow t- dia_flow t-1
ufmean 前次透析的脫水速率平均 -
tempmean 前次透析的透析液溫度平均 -
conductivitymean 前次透析的透析液傳導度平均 -
venousmean 前次透析的靜脈壓平均 -
dia_flowmean 前次透析的透析液流量平均 -
ufweight 目標脫水量除以乾體重 target_uf/dryweight
表(7)
欄位名稱 變項描述 資料定義
first_sbp 透析起始的收縮壓 -
sbpb 前一筆收縮壓 sbp t-1
dbpb 前一筆舒張壓 dbp t-1
pulseb 前一筆脈博 pulse t-1
Δsbp 前兩筆收縮壓差 sbp t– sbp t-1
Δdbp 前兩筆舒張壓差 dbp t- dbp t-1
Δpulse 前兩筆脈博差 pulse t- pulse t-1
sbpmeanlast 前次透析的收縮壓平均 -
dbpmeanlast 前次透析的舒張壓平均 -
pulsemeanlast 前次透析的脈博平均 -
weight_prop 透析前後體重差佔開始透析體重比例 (begin_weight-last_end_weight)/ (begin_weight)
在一實施例中，在訓練預測模型的過程中，處理器130可對前述參數或資料進行離群值處理，以排除不合理範圍的離群值。例如，表(8)是一範例說明參數對應的排除範圍： 表(8)
欄位名稱 排除範圍
time ＞300
sbp ＜30 , ＞300
dbp ＜30 , ＞300
temperature ＜32 , ＞40
temp(℃) ＜32 , ＞40
conductivity ＜10 , ＞20
uf ＜0 , ＞3
target_uf ＜0 , ＞10
dryweight ＜30 , ＞200
blood_flow ＜0 , ＞700
pulse ＜30 , ＞200
例如，處理器130刪除脈搏為20的資料。
請參照圖2，處理器130依據輸入特徵透過一個或更多個預測模型預測未來資料(步驟S230)。具體而言，未來資料包括未來時間點的血壓資訊及透析中低血壓的預測結果。以圖3為例，未來時間點t+1為12點半，當前時間點t為12點。在一實施例中，未來時間點的血壓資訊是未來收縮壓(如圖3所示的未來收縮壓SBP t+1)。在一些實施例中，處理器13可基於血壓資訊決定及/或比較低血壓門檻值，以供透析中低血壓的評估所用。在一實施例中，透析中低血壓的預測結果是透析中低血壓的發生機率。在另一實施例中，透析中低血壓的預測結果是發生透析中低血壓或未發生透析中低血壓的結果。
值得注意的是，長庚大學醫學院在2011年所公開的文獻1「透析低血壓」(作者：吳孟泰、楊智超、林景坤及李建德)說明透析中低血壓相關於收縮功能、舒張功能、血量變化、脈搏輸出、透析液溫度等參數。而2015年公開在臨床流行病學(CLINICAL EPIDEMIOLOGY)期刊的文獻2「Association of Mortality Risk with Various Definitions of Intradialytic Hypotension (透析中低血壓的多種定義與死亡率風險的關聯)」更定義了Fall20Nadir90為(透析前收縮壓-透析中最低血壓)≧20mm-Hg且透析中最低血壓＜90mm-Hg的低血壓門檻值。
在一實施例中，用於評斷透析中低血壓的低血壓門檻值可基於文獻2。例如，病人在透析前的收縮壓為120mm-Hg。因此，在透析過程中，若收縮壓符合如上Fall20Nadir90條件(即，收縮壓低於90mm-Hg亦與透析前收縮壓相差20mm-Hg)，則可記錄為透析中掉血壓(低血壓)事件。而在透析過程中，若量測收縮壓大於90mm-Hg，則屬不掉壓(即，無透析中低血壓)的正常事件。在其他實施例中，透析中低血壓的定義仍可依據實際需求而變更，且本發明不加以限制。
在一實施例中，預測模型是透過一個或更多個機器學習演算法所建立。機器學習演算法可以是迴歸分析演算法、極限梯度提升(eXtreme Gradient Boosting，XGboost)演算法、輕量梯度提升機器(Light Gradient Boosting Machine，LightGBM)、引導聚集(Bootstrap aggregating，Bagged)演算法、神經網路演算法、LASSO演算法、隨機森林(Random Forest)演算法、支援向量回歸演算法或其他演算法。機器學習演算法可分析訓練資料/樣本以自中獲得規律，從而透過規律對未知資料預測。而預測模型即是經學習後所建構出的機器學習模型，並據以對待評估資料推論。
須說明的是，預測模型的訓練資料相同或相關於前述輸入特徵對應的參數或資料類型。例如，透析機的運作參數、待測者的生理狀態、基本資料、及/或外部資料。在一些實施例中，訓練資料更包括實際資料(即，未來血壓資訊及/或實際是否發生透析中低血壓)。而伯明罕醫學大學(University Hospitals Birmingham)在2017年所提出的文獻3「Standard operation procedures (SOPs) for the management of a patient’s haemodialysis care(用於管理病患的透析治療照顧的標準運作流程)」說明了本發明實施例的輸入特徵與所預測的未來資料之間的相關性。
在一實施例中，處理器130依據多個預測模型所預測的未來資料決定最終未來資料。這些預測模型所用的機器學習演算法可能相同也可能不同，且最終未來資料也包括未來時間點的血壓資訊及透析中低血壓的預測結果。舉例而言，圖4是依據本發明一實施例的決定最終未來資料的示意圖。請參照圖4，假設預測模型包括第一類模型且有i個第一類模型ML 11~ML 1i(i為大於一的正整數)。這些第一類模型ML 11~ML 1i對相同、相關或相似的訓練資料TD取樣但基於不同機器學習演算法(例如，迴歸分析、XGBoost、神經網路系統、隨機森林、LASSO、支持向量回歸、神經網路等)訓練之後，處理器130使用這些第一類模型ML 11~ML 1i分別預測未來資料P 11~P 1i，並基於這些未來資料P 11~P 1i決定最終未來資料P f中的血壓資訊。例如，決定未來資料P 11~P 1i的預測血壓PBP(即，第一類模型ML 11~ML 1i所預測的血壓資訊)的統計結果(例如，算術平均、加權平均、或中位數)。預測血壓PBP可作為最終未來資料中的一者。
在一實施例中，處理器130基於集成學習(Ensemble Learning)決定多個預測模型所預測的未來資料的統計指標，且統計指標作為最終未來資料。這些預測模型所用的機器學習演算法不同。例如，處理器130使用分別基於多變量線性迴歸、LASSO、隨機森林、支援向量回歸及神經網路的預測模型所得出未來資料(例如，血壓值)進行加總並且平均，以作為最終未來資料。更具體而言，處理器130透過套袋(Bagging)的概念取平均(或投票法)來獲得較穩定(例如，較低變化lower variance)的平均表現，並透過堆疊(Stacking)的概念組合來自於不同預測模型並進行預測。從Bagging的字面上來看，就是將資料分裝在多個袋子(Bags)，然後將各袋子的結果結合在一起。在演算法上，是將訓練資料重複抽樣(取後放回)，產生多個子資料集(Subsets)後，依序建立多個模型，最後再將所有模型的結果彙整在一起。若欲預測回歸問題(Regression Problem)，則可對所有結果平均(Average)；而若是分類問題(Classification Problem)，則可採用投票法(Voting)，判斷出現最多次的類別。相較於個別預測模型，數個模型的組合可提升預測準確度。以圖4為例，處理器130使用集成學習決定第一類模型ML 11~ML 1i所預測的未來資料P 11~P 1i的預測血壓PBP的統計指標。
在一實施例中，除了前述用於預測未來資料中的血壓資訊的一個或更多個第一類模型，本發明實施例更提供用於預測透析中低血壓的預測結果的一個或更多個第二類模型。值得注意的是，若對第一類模型所預測的血壓資訊直接使用Fall20Nadir90條件評斷透析中低血壓，則有可能造成信賴區間中有過多失敗告警(false alert)。因此，除了諸如前述透析機的運作參數、待測者的生理狀態、基本資料、及/或外部資料，更需要額外考量所預測出的血壓資訊。而處理器130可決定那些第一類模型所預測的未來資料中的血壓資訊，將第一類模型所預測的未來時間點的血壓資訊新增到第二類模型的輸入特徵(即，將第一類模型所預測的血壓資訊作為第二類模型的輸入特徵中的一者)，並依據新增未來時間點的血壓資訊的輸入特徵決定第二類模型所預測的未來資料中的透析中低血壓的預測結果(即，預測在未來時間點是否發生透析中低血壓)。也就是說，針對第二類模型的輸入特徵，除了前述透析機的運作參數、待測者的生理狀態、基本資料、及/或外部資料，更包括了第一類模型所預測的未來時間點的血壓資訊。此外，考量預測的血壓資訊之後，處理器130可利用Fall20Nadir90條件或其他定義評斷透析中低血壓。於一實施例中，在訓練第二類模型時，可先基於各樣本的透析機的運作參數、待測者的生理狀態、基本資料、外部資料以及血壓資訊進行標籤(labelling)。在標籤是否發生透析中低血壓事件之後，作為訓練第二類模型的訓練樣本，在標籤的過程中可利用Fall20Nadir90條件或是其他透析中低血壓的定義判斷每個樣本是否發生透析中低血壓而進行標籤，其中，用於訓練的血壓資訊包含實際血壓資訊，也可包含預測血壓資訊。
以圖4為例，處理器130基於集成學習決定那些第一類模型ML 11~ML 1i所預測的未來資料P 11~P 1i中的預測血壓PBP。處理器130將基於那些第一類模型ML 11~ML 1i所得出的預測血壓PBP的統計指標作為第二類模型ML 21~ML 2j(j為大於一的正整數)的輸入特徵中的一者。這j個第二類模型ML 21~ML 2j可基於不同機器學習演算法(例如，迴歸分析、XGBoost、神經網路系統、隨機森林、LASSO、支持向量回歸、神經網路等)所建立。接著，處理器130再次依據包括預測血壓PBP的輸入特徵且基於集成學習決定那些第二類模型ML 21~ML 2j所預測的未來資料中的透析中低血壓的預測結果。例如，使用集成學習的多數投票(majority vote)判斷是否發生透析中低血壓。藉此，可得出最終預測P f。於一實施例中，每個第二類模型輸出透析中低血壓的預測結果為0或1，其中，0代表無發生透析中低血壓，1代表有發生透析中低血壓，並使用集成學習的多數投票判斷每個第二類模型的預測結果，例如多個第二類模型的輸出為1的數量大於輸出為0的數量，處理器130將判斷有發生透析中低血壓。於另一實施例中，處理器130可將預測血壓PBP整合在最終預測P f，以作為未來資料。
須說明的是，在其他實施例中，第一類模型也可能預測未來時間點的血壓資訊及透析中低血壓的預測結果兩者。
各預測模型還可定時或基於特定事件重新訓練，並據以調整參數。此外，醫學資料可能有不平衡的分類問題。例如，表(9)是一範例說明有透析中低血壓的預測結果和實際資料之間的事件數量關係： 表(9)
實際資料   預測結果 實際無透析中低血壓 實際有透析中低血壓
預測無透析中低血壓 14821 8770
預測有透析中低血壓 605 1626
表(9)中的實際無透析中低血壓的事件數量(例如，14821+605=15426)明顯多於實際有透析中低血壓的事件數量(例如，870+1626=2496)，故屬於「不平衡資料」。
為了校正「不平衡資料」並提升預測準確度及敏感度，本發明實施例更可對訓練資料重新取樣。圖5是依據本發明一實施例的重新取樣的流程圖。請參照圖5，處理器130依據未來資料及對應的實際資料對用於預測透析中低血壓的預測模型(例如，第二類模型)所用的訓練資料重新取樣，並依據重新取樣的訓練資料建立新預測模型(步驟S510)。例如，處理器130判斷實際資料中的不同預測結果的數量是否不平衡(例如，數量差異或數量比例高於對應門檻值)。此外，重新抽樣可以是複製及/或刪除特定預測結果的對應訓練樣本/資料。
在一實施例中，處理器130可依據數量比例調整那些訓練資料中的一個或更多個陽性樣本及一個或更多個陰性樣本的數量。這數量比例是預計那些陽性樣本及那些陰性樣本在數量上的比例。例如，1:1、7:8或10:12。陽性樣本是實際資料中相關於有發生透析中低血壓(即，實際有透析中低血壓)的樣本，且陰性樣本是實際資料中相關於無發生透析中低血壓(即，實際無透析中低血壓)的樣本。也就是說，陽性樣本是那些訓練資料中已知實際有透析中低血壓的樣本(例如，透析機的運作參數、待測者的生理狀態相關參數、基本資料等)。而陰性樣本是那些訓練資料中已知實際無透析中低血壓的樣本(例如，透析機的運作參數、待測者的生理狀態相關參數、基本資料等)。處理器130可對訓練資料重新取樣，使重新取樣後的陽性樣本及陰性樣本的比例相同或接近所設定的數量比例。
在一實施例中，處理器130可複製陽性樣本及/或陰性樣本，且/或刪除陽性樣本及/或陰性樣本，使重新取樣後的陽性樣本及陰性樣本的比例相同或接近所設定的數量比例。複製資料將造成訓練資料中有兩筆以上的樣本相同。而刪除資料將造成訓練資料的數量減少。
以表(9)為例，假設預計達成的數量比例為1:1。針對過取樣(Oversampling)方法，處理器130可隨機複製那些陽性樣本中的至少一者。針對欠取樣(Undersampling)方法，處理器130可隨機刪除那些陰性樣本中的至少一者。針對過取樣與欠取樣組合的方法，處理器130可依據0.5的數量比例隨機複製陽性樣本與隨機刪除陰性樣本。
針對重新取樣的訓練資料，處理器130可自行或提供至外部雲端主機重新訓練並建立新預測模型。接著，處理器130可將對應於當前時間點(在透過預測模型預測之後的時間點)的輸入特徵輸入至新預測模型，並據以透過新預測模型再次預測未來資料(步驟S530)。舉例而言，處理器130將對應於11點半的輸入特徵輸入至預測模型，以預測12點的未來資料。待12點得知實際資料(即，實際有無透析中低血壓)，處理器130將12點所得的實際資料與諸如運作參數、生理相關參數及外部資料作為訓練資料並重新取樣，例如透過上述的過取樣方法、欠取樣方法或過取樣與欠取樣組合的方法重新取樣，以建立新預測模型。接著，處理器130使用新預測模型判斷對應於12點的輸入特徵的未來資料(例如，預測12點半的未來資料)。
在一些實施例中，處理器130可進一步採用敏感度(Sensitivity)、錯誤遺失率(False Omission Rate，FOR)、特異度(Specificity)及/或誤判率(False Positive Rate，FPR)對預測模型的成果進行評估。敏感度為在所有實際有透析中低血壓的情形中，預測模型所預測出有透析中低血壓的情形的比例。因此，敏感度越高，則成果越好。錯誤遺失率為在所有預測無透析中低血壓的情形中，實際有透析中低血壓的情形的比例。因此，錯誤遺失率越低，則成果越好。特異度為在所有實際無透析中低血壓的情形中，預測模型所預測出無透析中低血壓的情形的比例。因此，特異度越高，則成果越好。此外，誤判率為在所有實際無透析中低血壓的情形中，預測有透析中低血壓情形的比例。因此，誤判率越低，則成果越好。經實驗證明，相較於預測模型，重新取樣的新預測模型可有效改進前述指標數值。
除了預測未來資料，在一實施例中，處理器130可依據透析中低血壓的預測結果透過提示裝置150發出警示通知。例如，若預測結果為有透析中低血壓事件或發生機率超過對應門檻值，則處理器130可顯示警示文字、發出告警聲或傳送訊息到護理師櫃台。又例如，若預測結果為無透析中低血壓或發生機率未超過對應門檻值，則可不用發出警示通知。
綜上所述，在本發明實施例的透析中的分析方法及用於透析的分析裝置中，考量更多影響透析中血壓變化的新變數(例如，變化關係、先前資料等)，以融合多預測模型的方式直接估測未來時間點的血壓資訊及有無透析中低血壓。為了符合預測模型的格式，可進一步計算及/或轉換原始資料或參數成為符合模型的輸入特徵。透過重新取樣校正模型，以提升預測的準確度、敏感度及特意度。此外，為了符合實務應用的需求，可調整透析中低血壓的定義。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:分析裝置
110:儲存器
130:處理器
150:提示裝置
S210~S230、S510~S530:步驟
t:當前時間點
t-1、t-2:先前時間點
t+1:未來時間點
△SBP 1、△SBP 2:收縮壓變化
SBP t:當前收縮壓
SBP t-1、SBP t-2、SBP f:先前收縮壓
UR t-1、UR t-2:先前超濾率
DT t-1、DT t-2:先前透析液溫度
BF t-1、BF t-2:先前血流量
SBP ml:先前收縮壓平均
DBP ml:先前舒張壓平均
RP ml:先前脈搏平均
SBP t+1:未來收縮壓
DT:訓練資料
ML 11~ML 1i、ML 21~ML 2j:模型
PBP:預測血壓
P f:最終預測
圖1是依據本發明一實施例的分析裝置的元件方塊圖。 圖2是依據本發明一實施例的透析中的分析方法的流程圖。 圖3是依據本發明一實施例的用於建立預測模型的訓練資料分析的示意圖。 圖4是依據本發明一實施例的決定最終未來資料的示意圖。 圖5是依據本發明一實施例的重新取樣的流程圖。
S210~S230:步驟

Claims (20)

  1. 一種透析中(Intradialytic)的分析方法，包括：取得至少一輸入特徵，其中該至少一輸入特徵包括相關於一透析機的一運作參數及一待測者的一當前資料及一先前資料之間的一變化關係，該變化關係包括兩時間點之間的數值差異；以及依據該至少一輸入特徵透過至少一預測模型預測一未來資料，其中該未來資料包括一未來時間點的一血壓資訊及一透析中低血壓的預測結果。
  2. 如請求項1所述的透析中的分析方法，其中該至少一預測模型包括多個預測模型，且依據該至少一輸入特徵透過該至少一預測模型預測該未來資料的步驟包括：依據該些預測模型所預測的該未來資料決定一最終未來資料，其中該最終未來資料包括該未來時間點的該血壓資訊及該透析中低血壓的預測結果。
  3. 如請求項2所述的透析中的分析方法，其中該些預測模型包括多個第一類模型及多個第二類模型，且依據該些預測模型所預測的該未來資料決定該最終未來資料的步驟包括：決定該些第一類模型所預測的該未來資料中的該血壓資訊；以及依據該至少一輸入特徵及該血壓資訊決定該些第二類模型所預測的該未來資料中的該透析中低血壓的預測結果。
  4. 如請求項2所述的透析中的分析方法，其中依據該些預測模型所預測的該未來資料決定該最終未來資料的步驟包括：基於一集成學習(Ensemble Learning)決定該些預測模型所預測的該未來資料的一統計指標，其中該些預測模型所用的機器學習演算法不同。
  5. 如請求項1所述的透析中的分析方法，其中該變化關係包括一超濾率(ultrafiltration rate)變化、一電導率(conductivity)變化、一透析液溫度(dialysate temperature)變化、一血流量(blood flow)變化、脫水速率差、靜脈壓差、透析時間差、透析液流量差、收縮壓差及脈博差中的至少一者，該變化關係為資料在t和t-1之間的變化或t-1和t-2之間的變化，t為當前時間點，且t-1和t-2為先前時間點。
  6. 如請求項1所述的透析中的分析方法，其中該先前資料包括當前透析作業前的血壓資訊及先前透析作業的統計資訊中的至少一者。
  7. 如請求項1所述的透析中的分析方法，更包括：依據該未來資料及對應的一實際資料對用於預測該透析中低血壓的預測結果的該至少一預測模型所用的多個訓練資料重新取樣；依據重新取樣的訓練資料建立一新預測模型；以及透過該新預測模型再次預測該未來資料。
  8. 如請求項7所述的透析中的分析方法，其中對該至少一預測模型所用的該些訓練資料重新取樣的步驟包括：依據一數量比例調整該些訓練資料中的至少一陽性樣本及至少一陰性樣本的數量，其中該數量比例是預計該至少一陽性樣本及該至少一陰性樣本在數量上的比例，該至少一陽性樣本是該實際資料中相關於有發生該透析中低血壓的樣本，且該至少一陰性樣本是該實際資料中相關於無發生該透析中低血壓的樣本，其中複製該至少一陽性樣本及該至少一陰性樣本中的至少一者；以及/或者刪除該至少一陽性樣本及該至少一陰性樣本中的至少一者。
  9. 如請求項1所述的透析中的分析方法，更包括：依據該未來時間點的該血壓資訊或該透析中低血壓的預測結果發出一警示通知。
  10. 如請求項1所述的透析中的分析方法，更包括：將該透析機的該運作參數及/或該待測者相關的資料轉換成該至少一輸入特徵，其中該至少一輸入特徵符合該至少一預測模型的輸入格式。
  11. 一種用於透析的分析裝置，包括：一儲存器，用以儲存一程式碼；以及一處理器，耦接該儲存器，並經配置用以載入且執行該程式碼以執行：取得至少一輸入特徵，其中該至少一輸入特徵包括相關 於一透析機的一運作參數及一待測者的一當前資料及一先前資料之間的一變化關係，該變化關係包括兩時間點之間的數值差異；以及依據該至少一輸入特徵透過至少一預測模型預測一未來資料，其中該未來資料包括一未來時間點的一血壓資訊及一透析中低血壓的預測結果。
  12. 如請求項11所述的用於透析的分析裝置，其中該至少一預測模型包括多個預測模型，且該處理器更經配置用以：依據該些預測模型所預測的該未來資料決定一最終未來資料，其中該最終未來資料包括該未來時間點的該血壓資訊及該透析中低血壓的預測結果。
  13. 如請求項12所述的用於透析的分析裝置，其中該些預測模型包括多個第一類模型及多個第二類模型，且該處理器更經配置用以：決定該些第一類模型所預測的該未來資料中的該血壓資訊；以及依據該至少一輸入特徵及該血壓資訊決定該些第二類模型所預測的該未來資料中的該透析中低血壓的預測結果。
  14. 如請求項12所述的用於透析的分析裝置，其中該處理器更經配置用以：基於一集成學習決定該些預測模型所預測的該未來資料的一統計指標，其中該些預測模型所用的機器學習演算法不同。
  15. 如請求項11所述的用於透析的分析裝置，其中該變化關係包括一超濾率變化、一電導率變化、一透析液溫度變化、一血流量變化、脫水速率差、靜脈壓差、透析時間差、透析液流量差、收縮壓差及脈博差中的至少一者，該變化關係為資料在t和t-1之間的變化或t-1和t-2之間的變化，t為當前時間點，且t-1和t-2為先前時間點。
  16. 如請求項11所述的用於透析的分析裝置，其中該先前資料包括當前透析作業前的血壓資訊及先前透析作業的統計資訊中的至少一者。
  17. 如請求項11所述的用於透析的分析裝置，其中該處理器更經配置用以：依據該未來資料及對應的一實際資料對用於預測該透析中低血壓的預測結果的該至少一預測模型所用的多個訓練資料重新取樣；依據重新取樣的訓練資料建立一新預測模型；以及透過該新預測模型再次預測該未來資料。
  18. 如請求項17所述的用於透析的分析裝置，其中該處理器更經配置用以：依據一數量比例調整該些訓練資料中的至少一陽性樣本及至少一陰性樣本的數量，其中該數量比例是預計該至少一陽性樣本及該至少一陰性樣本在數量上的比例，該至少一陽性樣本是該實際資料中相關於有發生該透析中低血壓的樣本，且該至少一陰性 樣本是該實際資料中相關於無發生該透析中低血壓的樣本，其中複製該至少一陽性樣本及該至少一陰性樣本中的至少一者；以及/或者刪除該至少一陽性樣本及該至少一陰性樣本中的至少一者。
  19. 如請求項11所述的用於透析的分析裝置，更包括：一提示裝置，耦接該處理器，且該處理器更經配置用以：依據該透析中低血壓的預測結果透過該提示裝置發出一警示通知。
  20. 如請求項11所述的用於透析的分析裝置，其中該處理器更經配置用以：將該透析機的該運作參數及/或該待測者相關的資料轉換成該至少一輸入特徵，其中該至少一輸入特徵符合該至少一預測模型的輸入格式。
TW110140157A 2021-10-28 2021-10-28 透析中的分析方法及用於透析的分析裝置 TWI793833B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
TW110140157A TWI793833B (zh) 2021-10-28 2021-10-28 透析中的分析方法及用於透析的分析裝置
US17/530,484 US20230134865A1 (en) 2021-10-28 2021-11-19 Intradialytic analysis method and analysis apparatus for dialysis
CN202111491308.7A CN116036399B (zh) 2021-10-28 2021-12-08 透析中的分析方法及用于透析的分析装置
EP21215513.9A EP4174870A1 (en) 2021-10-28 2021-12-17 Intradialytic analysis method and analysis apparatus for dialysis
JP2022009178A JP7419414B2 (ja) 2021-10-28 2022-01-25 透析中分析方法及び透析用分析装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110140157A TWI793833B (zh) 2021-10-28 2021-10-28 透析中的分析方法及用於透析的分析裝置

Publications (2)

Publication Number Publication Date
TWI793833B true TWI793833B (zh) 2023-02-21
TW202317027A TW202317027A (zh) 2023-05-01

Family

ID=78957165

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110140157A TWI793833B (zh) 2021-10-28 2021-10-28 透析中的分析方法及用於透析的分析裝置

Country Status (5)

Country Link
US (1) US20230134865A1 (zh)
EP (1) EP4174870A1 (zh)
JP (1) JP7419414B2 (zh)
CN (1) CN116036399B (zh)
TW (1) TWI793833B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116036399A (zh) * 2021-10-28 2023-05-02 纬创资通股份有限公司 透析中的分析方法及用于透析的分析装置

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240404258A1 (en) * 2023-05-30 2024-12-05 Acer Incorporated Automatic efficient small model selection for monocular depth estimation
CN116682566B (zh) * 2023-08-03 2023-10-31 青岛市中医医院(青岛市海慈医院、青岛市康复医学研究所) 一种血液透析的数据处理方法及系统
CN117045889A (zh) * 2023-08-16 2023-11-14 岱特智能科技（上海）有限公司 终末期肾病血透血压模式识别和干预系统及相关装置
CN119153118A (zh) * 2024-11-12 2024-12-17 青岛理工大学 一种基于迁移学习的血液透析充分性预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111939353A (zh) * 2019-05-14 2020-11-17 吴元昊 血液透析中低血压事件的预测模型的构建方法
TW202100093A (zh) * 2019-06-20 2021-01-01 緯創資通股份有限公司 血壓預測方法與使用該方法的電子裝置
CN112957553A (zh) * 2021-02-01 2021-06-15 南通市第二人民医院 一种血透患者并发症的智能监测系统及方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8239010B2 (en) * 2009-09-14 2012-08-07 Sotera Wireless, Inc. System for measuring vital signs during hemodialysis
WO2013005320A1 (ja) * 2011-07-06 2013-01-10 パイオニア株式会社 血圧低下予測装置
DE102013108543A1 (de) * 2013-08-07 2015-02-26 B. Braun Avitum Ag Vorrichtung und ein Verfahren zur Vorhersage intradialytischer Parameter
MX2019002735A (es) * 2016-09-08 2019-08-26 Kk Advance Sistema de administracion de informacion de diferencias individuales en tratamiento de dialisis.
CN110507296B (zh) * 2019-08-12 2025-12-09 重庆大学 一种基于lstm网络的急性低血压混合预警方法
US12040092B2 (en) * 2019-12-20 2024-07-16 Fresenius Medical Care Holdings, Inc. Real-time intradialytic hypotension prediction
JP2021108908A (ja) * 2020-01-09 2021-08-02 仁志 岡田 透析支援装置、透析支援方法及び透析支援プログラム
US20220019892A1 (en) * 2020-07-20 2022-01-20 Nec Laboratories America, Inc. Dialysis event prediction
BR112023004441A2 (pt) * 2020-09-23 2023-04-11 Baxter Int Sistema, métodos e aparelho de aprendizado de máquina de previsão de doença renal crônica (ckd)
US12020812B2 (en) * 2021-09-29 2024-06-25 National Yang Ming Chiao Tung University System and method for prediction of intradialytic adverse event and computer readable medium thereof
TWI793833B (zh) * 2021-10-28 2023-02-21 緯創資通股份有限公司 透析中的分析方法及用於透析的分析裝置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111939353A (zh) * 2019-05-14 2020-11-17 吴元昊 血液透析中低血压事件的预测模型的构建方法
TW202100093A (zh) * 2019-06-20 2021-01-01 緯創資通股份有限公司 血壓預測方法與使用該方法的電子裝置
CN112957553A (zh) * 2021-02-01 2021-06-15 南通市第二人民医院 一种血透患者并发症的智能监测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116036399A (zh) * 2021-10-28 2023-05-02 纬创资通股份有限公司 透析中的分析方法及用于透析的分析装置
CN116036399B (zh) * 2021-10-28 2025-09-09 纬创资通股份有限公司 透析中的分析方法及用于透析的分析装置

Also Published As

Publication number Publication date
EP4174870A1 (en) 2023-05-03
TW202317027A (zh) 2023-05-01
CN116036399A (zh) 2023-05-02
JP2023066341A (ja) 2023-05-15
US20230134865A1 (en) 2023-05-04
CN116036399B (zh) 2025-09-09
JP7419414B2 (ja) 2024-01-22

Similar Documents

Publication Publication Date Title
TWI793833B (zh) 透析中的分析方法及用於透析的分析裝置
US11961621B2 (en) Predicting intensive care transfers and other unforeseen events using machine learning
US11565030B2 (en) Blood pressure prediction method and electronic device using the same
US20240321447A1 (en) Method and System for Personalized Prediction of Infection and Sepsis
CN112041934A (zh) 个性化药物治疗管理的系统和方法
CN115527678A (zh) 融合病历文本的Nomogram ICU老年疾病风险评分模型、装置、及其建立方法
Ko et al. Real‐Time Remote Patient Monitoring and Alarming System for Noncommunicable Lifestyle Diseases
US11278246B1 (en) Determining respiratory deterioration and decision support tool
CN114758786A (zh) 基于无创参数的创伤后失血性休克动态早期预警系统
Shanmugarajeshwari et al. Intelligent decision support for identifying chronic kidney disease stages: Machine learning algorithms
Alghatani et al. Precision clinical medicine through machine learning: using high and low quantile ranges of vital signs for risk stratification of ICU patients
US12440170B1 (en) Forecasting acute inflammatory condition and decision support tool
Huma et al. Predictive machine learning models for early diabetes diagnosis: Enhancing accuracy and privacy with federated learning
Tahsin et al. An integrated approach for diabetes detection using fisher score feature selection and capsule network
Sundas et al. Comprehensive Study of Machine Learning-Based Systems for Early Warning of Clinical Deterioration
TWI697912B (zh) 生理狀態的風險評估系統、方法及電子裝置
US20220409122A1 (en) Artificial Intelligence Assisted Medical Diagnosis Method For Sepsis And System Thereof
Tuteja et al. IoT-Enabled Health Monitoring System for Cardiovascular Disease Prediction Using Deep Learning Models
Sheth et al. Early Prediction of Pre-Diabetes Using Machine Learning
Thanh et al. Lightweight iot-based system for covid-19 patient health monitoring and prediction
Anggreainy Performance Analysis of Heart Disease Prediction using Kernels in Support Vector Machine Model
D’Silva et al. Prediction of Hypertension using Machine Learning
Viswanath et al. Improving Cardiac Arrest Prediction in PICU Through Gradient Boosting and Neural Networks
Muthupriya et al. CareSync: An AI-Powered Big Data Health Monitoring System for Early Disease Prediction and Personalized Recommendations
Kumar et al. Chronic kidney disease prediction: Optimization of machine learning algorithms