CN103201743B - 患者疾病严重性、死亡率和住院时长的连续预测方法 - Google Patents

患者疾病严重性、死亡率和住院时长的连续预测方法 Download PDF

Info

Publication number
CN103201743B
CN103201743B CN201180053766.0A CN201180053766A CN103201743B CN 103201743 B CN103201743 B CN 103201743B CN 201180053766 A CN201180053766 A CN 201180053766A CN 103201743 B CN103201743 B CN 103201743B
Authority
CN
China
Prior art keywords
patient
hospital
data
outcome variable
physiology
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
Application number
CN201180053766.0A
Other languages
English (en)
Other versions
CN103201743A (zh
Inventor
M·赛义德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
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 Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN103201743A publication Critical patent/CN103201743A/zh
Application granted granted Critical
Publication of CN103201743B publication Critical patent/CN103201743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G16H50/50—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
    • 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)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Child & Adolescent Psychology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种用于预测患者的诸如死亡/康复概率的结果变量的方法，包括访问多个过去患者的数据域中的至少一个，所述数据域包括生理和/或化验数据、以及住院时间，住院时间指出在当时每名患者已经受监护了多久。通过数据挖掘根据多个过去患者的生理和/或化验数据、相应的住院时间、以及相关的结果变量生成结果变量估计算法。根据当前患者的生理和/或化验数据、当前住院时间和结果变量估计算法确定当前患者的结果变量。

Description

患者疾病严重性、死亡率和住院时长的连续预测方法
技术领域
本申请涉及用于对诸如在医疗保健环境中的患者的住院时长、死亡率、对特定治疗的需求以及疾病严重性的结果变量进行预测的系统或者方法。其尤其应用在改善和优化患者在医疗保健环境内的住院时长或者死亡概率的预测中，并且将特别参考这种应用进行描述。然而，将意识到，其也可应用于重症监护室、麻醉后监护室、普通监护室、康复室、手术室等。
背景技术
当前，典型地，在患者入院时运行诸如SAPS（简化急性生理学）系统的患者康复/死亡率预测系统。通过对包括若干入院标准的组合进行加权来估计患者的住院时长或者死亡概率，所述入院标准包括入院致命信号、之前慢性疾病、治疗和诊断调查、手术（计划内或者计划外的外科手术）、人口统计资料（年龄和性别）等。如果在入院第一天之后运行预测例程，使用假如患者在后一天刚刚入院所使用的相同的例程和各个标准的相对权重，就存在问题。
本发明者观察到：当在患者在重症监护下几天之后预测患者的住院时长或者死亡概率时，预测更不精确。在临床实践中，在接受治疗或者特定条件之后不能好转的临床分支，例如，在入院几天后出现的异常值，相对于入院第一天的状况可能具有不同的意义。例如，在入院第一天的异常血清碳酸氢盐水平可能是由于患者在来医院之前所遭受的生理损害引起的。然而，如果患者在入院重症治疗和监护治疗之后几天发展成血清碳酸氢盐水平严重异常，就可以推测患者处于在重症监护几天之后却不能减轻的危急状态。
发明内容
本申请提供了用于预测患者结果变量的新的并且改进的方法和系统，其克服了上述问题以及其他问题。
根据一方面，提供了一种用于预测患者结果变量的方法。从临床数据库访问多个过去患者的数据域中的至少一个，其包括生理和/或化验数据、以及指示在生成生理和/或化验数据时每名患者已经被监护了多久的入院时间和相关的结果变量。根据多个过去患者的生理和/或化验数据、相应的住院时间、以及相关的结果变量生成结果变量估计算法。
根据另一方面，提供了一种患者信息设备。控制器从患者监测设备接收关于当前患者的生理和/或化验数据。一单元确定住院时间，住院时间指示当前患者已经被监护的时间。预测单元通过使用所确定的住院时间将结果变量估计算法应用于当前患者的生理和/或化验数据来预测结果变量。
根据另一方面，提供了一种预测结果概率的方法。为停留在医疗设施中被监护的当前患者测量生理和/或化验数据。确定当前患者停留在医疗设施中被监护的住院时间。使用测得的生理和/或化验数据以及所确定的住院时间来应用取决于住院时间的结果预测算法以预测结果概率。
一个优点在于在预测患者住院时长或者死亡概率方面的改进的精确性和质量。
另一个优点在于随着新的或者修订的输入数据在患者整个住院期间变成可用，实时更新患者住院时长或者死亡概率的预测。
另一个优点在于改进的患者处理量。
一旦阅读并且理解了下列详细说明，本发明的更多优点对于本领域的普通技术人员来说将是显而易见的。
附图说明
本发明可以采用各种部件和部件布置以及各种步骤和步骤排列的形式。附图仅仅是为了说明优选实施例的目的，并且不是要被解读为限制本发明。
图1是根据本申请的患者康复/死亡率预测系统的图解说明；
图2-4是根据本申请的患者信息服务器的操作的图解说明。
具体实施方式
参考图1，通过各种医疗监测设备或者传感器10监测患者（未示出），其中，所述医疗监测设备或者传感器10直接或在化验室中测量患者生理参数并且生成指示其的生理数据。这些医疗监测设备10可以包括具有ECG电极的心电图（ECG）仪器、IV流体泵、血压传感器、SpO2传感器、脉搏传感器、温度计、呼吸传感器、呼出气体传感器等。其它医疗监测设备10可以与患者相关，并且并不是所有上述医疗监测设备10在任何给定时间都必须与患者相关。应该意识到，虽然仅图示说明了两个医疗监测设备10，但是可以预期更多医疗监测设备。如在这里所使用的，医疗监测设备表示数据源，数据源指示患者健康状况等。用于从医疗监测设备10接收信号并且可选地用于在这些信号上执行信号处理的电子器件在所图示说明的实施例中实现为多功能患者监测设备（PMD）12，或者可以部分或者完全实现为配置了一个或多个医疗监测设备10等的板上电子器件。还应该意识到，也可以将医疗监测设备10和PMD 12实现在单一设备中。例如，PMD 12可以是监测器或者与患者一起行进的监测系统，例如，走动患者所佩戴的监测系统的发射机等。
在一个实施例中，医疗监测设备10经由身体耦合网络、蓝牙、有线或无线网络等将所生成的生理数据发送到PMD 12的控制器14。PMD 12充当对通过医疗监测设备10所测量的生理数据的集合点，并且提供对数据在存储器16中的暂时存储。同时，将所采集的生理数据发送到PMD 12中的控制器14，其随后通过医院网络（未示出）将所述生理数据发送到患者信息服务器18，在患者信息服务器18中显示和存储所述生理数据。PMD 12中的控制器14还控制显示器20在相应的PMD显示器20中显示从每个医疗监测设备10接收的所测量的生理数据。PMD 12还包括输入设备22，其允许诸如系统管理员的用户查看、操纵和/或与显示在显示器18上的数据进行交互。输入设备20可以是分立部件，或者集成到显示器18，显示器18诸如为具有触摸屏监视器的显示器。控制器14可以包括处理器或者计算机、软件等。
化验室服务器24通过医院网络将化验数据发送到患者信息服务器18。化验数据可以包括血液白细胞计数数据、血清钾数据、血清钠数据、血清碳酸氢盐数据、胆红素水平数据等。其它化验数据可以与患者相关，并且并不是所有上述化验数据在任何给定时间都必须与患者相关。如在这里所使用的，化验数据表示数据源，数据源指示患者健康状况等。
化验室服务器24用作对临床医师在化验室所测量的或者经过临床分析的化验数据的集合点，并且在存储器26中为数据提供暂时存储。同时，将所采集的化验数据发送到化验服务器24中的控制器28，其随后通过医院网络将化验数据发送到显示和存储化验数据的患者信息服务器18。化验服务器24的控制器28还控制显示器30将从临床医师在化验室中或者通过临床分析而接收的所采集到的化验数据显示在显示器30中。化验服务器24还包括输入设备32，其允许诸如临床医师的用户输入化验数据、查看、操纵并且/或者与在显示器30上显示的数据交互。输入设备32可以是分立部件，或者集成到显示器30中，显示器30例如为具有触摸屏监视器的显示器。控制器28可以包括处理器或计算机、软件等。
在一个实施例中，挂号单元34通过医院网络将患者数据发送到患者信息服务器18。患者数据包括患者的年龄、患者的性别、患者的慢性疾病、患者病史、挂号类型等。其它患者数据可以与患者相关，并且并不是所有上述患者数据在任何给定时间都必须与患者相关。如在这里所使用的，患者数据表示数据源，所述数据源指示普通患者信息、患者病史等。
挂号单元34用作对通过挂号人员所采集的患者数据的集合点，并且为数据提供在存储器36中的暂时存储。将患者数据同时发送到挂号单元34中的控制器38，其随后通过医院网络将患者数据发送到显示和存储患者数据的患者服务器18。挂号单元34的控制器38还控制显示器40将从挂号人员接收的所采集到的患者数据显示在显示器40中。挂号单元34还包括输入设备42，其允许诸如挂号人员的用户输入患者数据、查看、操纵并且/或者与在显示器40上显示的数据交互。输入设备42可以是分立部件，或者集成到显示器40中，显示器40诸如为具有触摸屏监视器的显示器。控制器38可以包括处理器或计算机、软件等。
患者信息服务器18的控制器44从患者监视器12接收生理数据，从化验室服务器24接收化验数据，并且从挂号单元34接收患者数据，并且将所述生理数据、化验数据和患者数据存储在存储器46中。随后，控制器控制患者信息服务器18的显示器48，以在显示器48中显示从患者接收的生理数据、化验数据和患者数据。患者信息服务器还包括输入设备50，其允许诸如管理人员的用户查看、操纵并且/或者与在显示器48上显示的数据交互。输入设备50可以是分立部件，或者集成到显示器48中，显示器48诸如为具有触摸屏监视器的显示器。
在一个实施例中，将数据挖掘服务器51连接到临床数据库52，临床数据库52诸如世界服务器、多个国家服务器、多个区域服务器、以及多个医院服务器、本地医院服务器等。临床数据库52包括存储过去患者病例和研究的患者数据库54，患者数据库54包括输入数据域和相关结果变量。患者输入数据域包括一个或多个生命体征（包括心率、血压、呼吸率、氧饱和度、体重、其它血压等），自动或用户输入的包括慢性问题、急性入院（admitting）问题（胸疼、气短、意识状态改变/混乱、腹痛等）的问题列表，ICD-9码（或者等效编码的医疗问题），临床化验数据、体液平衡、药物治疗、呼吸机设置、主观护理评价、成像研究结果、患者人口统计资料（年龄、性别、种族/人种背景）、在医院或者ICU中的当前住院时间、以及与患者病例和研究相关的类似数据。患者结果变量包括住院时长、死亡率、对介入（药物、换气、血液透析等）的需求、以及涉及相关患者病例和研究的结果等。搜索引擎56搜索患者数据库54，以便找到与所请求的输入数据域和相关变量结果的相关性，其中，患者数据库54包括在每个生命体征的住院时间或者患者病例的另一个取决于患者住院时间的数据域特征。随后，通过控制器58将相关患者病例和研究发送到数据挖掘服务器51的控制器57。控制器57、58可以包括处理器或计算机、软件等。
数据挖掘服务器51的控制器57访问并且搜索临床数据库52以查找来自过去患者病例和研究的多个输入数据域和相关结果变量。在一个实施例中，结果变量估计算法包括对患者康复/死亡率评分系统的取决于住院时间的分数或者加权因子，以便能够基于患者在针对当前医疗事件而已经被监护、已经停留在医院中、已经被重症监护等的时间对不同标准（criteria）适当地进行加权。
在另一个实施例中，控制器利用输入数据域、住院时间、以及来自过去患者病例和研究的相关结果变量开发结果变量估计算法，该结果变量估计算法用于根据在患者整个住院期间可用的患者的生理数据、化验数据和患者数据实时预测当前患者的结果变量。
典型地，将结果变量预测软件、算法或者例程存储在或者承载在其它有形存储器或者计算机可读介质46上用于通过处理器执行。计算机可读介质46的类型包括诸如硬盘驱动器、CD-ROM、DVD-ROM等的存储器。处理器的其它实现方式也是预期的。显示器控制器、专用集成电路（ASIC）和微控制器是可以实现提供处理器功能的其它类型部件的说明性例子。可以使用用于由处理器执行的软件、硬件、或者其某种组合实现各实施例。
患者信息服务器18的预测单元或者处理器60直接或者经由计算机可读介质从数据挖掘服务器51接收结果变量估计或预测程序、软件、算法、例程等。将预测处理器与住院时间确定单元61、处理器、例程或模块相连接，处理器、例程或模块确定当前患者的住院时间，即从当前监护开始、挂号进入医院或者重症监护室等的时间。预测处理器60使用当前住院时间将结果变量估计程序、软件、例程或者算法应用于当前患者生理和/或化验数据，以便估计或者预测（一个或多个）结果变量。当结果变量估计程序包括生成取决于住院时间的加权值或者评分时，基于最后一次更新基础输入数据域的时间计算住院时间相关性。在显示器48上显示最新或者当前（一个或多个）结果变量。
参考图2，所图示说明的是用于生成结果变量估计算法的流程图。在步骤100中，访问临床数据库并且搜索多个过去的输入数据域X以及相关的过去结果变量Y0。来自过去患者病例和研究的过去的输入数据域X以及相关的过去结果变量Y0来源于多个临床数据库，所述临床数据库包括世界服务器、多个国家服务器、多个区域服务器、以及多个医院或者本地医院服务器的内容。
在步骤102中，使用过去的输入数据域X以及过去的结果变量Y0开发用于从患者的生理数据、化验数据和患者数据预测当前患者的结果变量的Yest的优化函数F（X,t）。函数F（X,t）可以在患者住院期间在任何时间t使用输入数据域X估计结果变量Y0。可以通过使用包括线性回归分析、非线性回归分析、神经网络、支持向量机、径向基函数、基于专家的规则、或者分类器决策树等的若干种不同的方法识别所述函数。
在一个实施例中，F（X,t）的确定可以利用存储一批患者病例和研究以及相关的输出变量Yo的多个数据库的输入数据域X，使用多次线性回归分析得出估计结果变量Yest。根据下式定义所估计的结果变量Yest：
Yest＝F（X,t）
其中，min|Yest－Yo|
为了找到所述函数，F（X,t），在训练过程中最小化所估计和所观测的结果之间的差异，可以使用若干种形式的优化技术中的一种，包括最小二乘估计和梯度搜索。在下列例子中，从N个不同的患者中选择K个临床数据项以创建输入数据向量X。用向量[yo1...yoN]T标注来自这N个患者的相关观测（已知）结果Yo。例如，结果变量向量可能等于N个患者各自留着在医院或者ICU中的天数的向量。用Yest（其中，Yest=[yest1...yestN]）表示使用（通过向量[b1,t...bK,t]T所定义的）优化函数而预测的结果。
最小二乘方法等价于找到患者住院时间点t的最佳向量[b1,t...bK,t]T，使得对于N个不同的患者记录所估计的结果Yest（[yest1...yestN]T）和已知结果Yo（[yo1...yoN]T）之间的差异在最小二乘意义上最小化。一旦为特定感兴趣的结果变量确定了函数F（X,t），那么可以利用它采用已知输入数据针对当前给定患者预测所期望的结果变量。该公式的独有特征是并入了当前住院天数t，以便针对根据给定住院天数t而提供的数据找到最佳公式。
在步骤104中，针对各个结果变量识别函数F（X,t），并且利用它在实时基础上根据在患者整个住院期间可用的当前患者的生理数据、化验数据和患者数据预测各个结果变量Fest，包括住院时长、死亡率或者对介入的需求。在一个实施例中，将结果变量估计算法应用于患者康复/死亡率评分系统，以便基于患者在医院或者在重症监护下停留的时间对不同标准进行适当加权。在一个实施例中，在入院之后每天开发函数F（X,t）（其中，t=0、1、2、3，四舍五入到ICU天数）。
如在下表中所示，针对关于患者健康状况的不同变量的每个特定发现给出常规的患者健康评分。患者健康评分与患者在挂号时的健康状况相关，并且不考虑患者在医院或者ICU中度过的时间。为了考虑患者在医院或者ICU接受重症监护的时间，应用结果变量估计算法。结果变量估计算法的应用以患者停留在医院中的时间量对患者健康评分进行了适当加权。住院时间相关的评分的总和提供了对患者结果变量的预测。
参考图3，所图示说明的是预测单元的操作的流程图。在步骤200中，录入当前患者的生理数据、化验数据和患者数据。在步骤202中，使用结果变量估计算法，例如具有取决于住院时间的加权值或评分的结果变量估计算法，确定患者的死亡率。在步骤204中，根据患者的生理数据、化验数据和患者数据估计患者的死亡率是30%。在步骤206中，使用结果变量估计算法确定患者的住院时间长度。在步骤208中，根据患者的生理数据、化验数据和患者数据估计患者的住院时间长度是8.5天。
参考图4，所图示说明的是流程图。在步骤300中，通过PMD采集患者生理数据，并且将其发送到患者信息服务器。在步骤302中，通过化验室服务器采集患者化验数据，并且将其发送到信息服务器。在步骤304中，通过挂号单元采集患者数据，并且将其发送到患者信息服务器。在步骤306中，从临床数据库中访问多个过去的输入数据域和过去的相关结果变量。在步骤308中，使用输入数据域和结果变量开发用于根据患者的生理数据、化验数据和患者数据预测患者结果变量的变量结果或预测估计算法。在步骤310中，根据当前患者的生理数据、化验数据、住院时间、其它患者输入数据域和结果变量估计算法实时预测当前患者的结果变量。
参考所述优选实施例描述了本发明。一旦阅读并且理解了前述详细说明，人们可以进行修改和改变。旨在将本发明解读为包括所有这些修改和改变，只要它们在所附权利要求及其等同替代的范围内。

Claims (21)

1.一种患者信息设备(18)，包括：
控制器(44)，其从患者监测设备(12)接收关于当前患者的生理和/或化验数据；
确定住院时间的单元，所述住院时间指示所述当前患者已经被监护的时间；以及
预测单元(60)，其通过使用所确定的住院时间将结果变量估计算法应用于所述当前患者的生理和/或化验数据来预测结果变量，其中，所述结果变量估计算法包括取决于住院时间的分数或者加权因子。
2.如权利要求1所述的设备，其中，所述结果变量包括住院时长、死亡概率以及对介入的需求中的至少一种。
3.如权利要求1或2所述的设备，其中，所述预测单元(60)连续实时地预测所述结果变量。
4.如权利要求1或2所述的设备，其中，如下生成所述结果变量估计算法：
从临床数据库(52)访问多个过去患者的数据域中的至少一个，所述数据域包括生理和/或化验数据、以及住院时间和相关结果变量，所述住院时间指示在生成所述生理和/或化验数据时每名患者已经被监护了多久；
根据所述多个过去患者的生理和/或化验数据、相应的住院时间以及相关的结果变量生成结果变量估计算法。
5.如权利要求1或2所述的设备，其中，使用下列中的至少一种生成所述结果变量估计算法：线性回归分析、非线性回归分析、神经网络、支持向量机、径向基函数、基于专家规则以及分类器决策树。
6.一种患者监测系统，包括：
如权利要求1-5中的任何一项所述的患者信息设备(18)；以及
从患者采集生理数据的所述患者监测设备。
7.一种用于预测患者的结果变量的方法，所述方法包括：
从临床数据库(52)访问多个过去患者的数据域中的至少一个，所述数据域包括生理和/或化验数据、以及住院时间和相关结果变量，所述住院时间指示在生成所述生理和/或化验数据时每名患者已经被监护了多久；
根据所述多个过去患者的生理和/或化验数据、相应的住院时间以及相关的结果变量生成结果变量估计算法，其中，所述结果变量估计算法包括取决于住院时间的分数或者加权因子。
8.如权利要求7所述的方法，其中，所述结果变量包括住院时长、死亡概率以及对介入的需求中的至少一种。
9.如权利要求7或8所述的方法，还包括：
接收当前患者的生理和/或化验数据；
确定所述当前患者被监护的当前住院时间；并且
将所述结果变量估计算法应用于所述当前患者的生理和/或化验数据以及所述当前住院时间，以估计所述当前患者的结果的概率。
10.如权利要求7或8所述的方法，其中，在所述过去患者的数据域中包括下列中的至少一种：一个或多个生命体征、包括慢性问题和急性入院问题的自动或者用户输入的问题列表、临床化验数据、体液平衡，药物治疗、呼吸机设置、主观护理评价、成像研究结论、患者人口统计资料以及在医院或者ICU中的当前住院时长。
11.如权利要求7或8所述的方法，其中，所述过去患者的相关结果变量包括下列中至少一种：住院时间、死亡率以及对介入的需求。
12.如权利要求7或8所述的方法，其中，使用下列中的至少一种识别所述结果变量估计算法：线性回归分析、非线性回归分析、神经网络、支持向量机、径向基函数、基于专家规则以及分类器决策树。
13.如权利要求7或8所述的方法，其中，当前患者的结果变量的所述预测是连续实时的。
14.一种用于预测患者的结果变量的装置，所述装置包括：
用于从临床数据库(52)访问多个过去患者的数据域中的至少一个的模块，所述数据域包括生理和/或化验数据、以及住院时间和相关结果变量，所述住院时间指示在生成所述生理和/或化验数据时每名患者已经被监护了多久；
用于根据所述多个过去患者的生理和/或化验数据、相应的住院时间以及相关的结果变量生成结果变量估计算法的模块，其中，所述结果变量估计算法包括取决于住院时间的分数或者加权因子。
15.如权利要求14所述的装置，其中，所述结果变量包括住院时长、死亡概率以及对介入的需求中的至少一种。
16.如权利要求14或15所述的装置，还包括：
用于接收当前患者的生理和/或化验数据的模块；
用于确定所述当前患者被监护的当前住院时间的模块；并且
用于将所述结果变量估计算法应用于所述当前患者的生理和/或化验数据以及所述当前住院时间，以估计所述当前患者的结果的概率的模块。
17.如权利要求14或15所述的装置，其中，在所述过去患者的数据域中包括下列中的至少一种：一个或多个生命体征、包括慢性问题和急性入院问题的自动或者用户输入的问题列表、临床化验数据、体液平衡，药物治疗、呼吸机设置、主观护理评价、成像研究结论、患者人口统计资料以及在医院或者ICU中的当前住院时长。
18.如权利要求14或15所述的装置，其中，所述过去患者的相关结果变量包括下列中至少一种：住院时间、死亡率以及对介入的需求。
19.如权利要求14或15所述的装置，其中，使用下列中的至少一种识别所述结果变量估计算法：线性回归分析、非线性回归分析、神经网络、支持向量机、径向基函数、基于专家规则以及分类器决策树。
20.如权利要求14或15所述的装置，其中，当前患者的结果变量的所述预测是连续实时的。
21.一种预测结果概率的方法，包括：
针对正停留在医疗设施中被监护的当前患者测量生理和/或化验数据；
确定所述当前患者已经停留在所述医疗设施中被监护的住院时间；
使用所测量的生理和/或化验数据以及所确定的住院时间应用取决于住院时间的结果预测算法，以预测结果的概率，其中，所述结果预测算法包括取决于住院时间的分数或者加权因子。
CN201180053766.0A 2010-11-08 2011-11-03 患者疾病严重性、死亡率和住院时长的连续预测方法 Active CN103201743B (zh)

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
CN103201743A CN103201743A (zh) 2013-07-10
CN103201743B true CN103201743B (zh) 2017-07-18

Family

ID=45002088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180053766.0A Active CN103201743B (zh) 2010-11-08 2011-11-03 患者疾病严重性、死亡率和住院时长的连续预测方法

Country Status (7)

Country Link
US (1) US9569723B2 (zh)
EP (2) EP3779994B1 (zh)
JP (1) JP6145042B2 (zh)
CN (1) CN103201743B (zh)
BR (1) BR112013011031A2 (zh)
RU (1) RU2630122C2 (zh)
WO (1) WO2012063166A1 (zh)

Families Citing this family (48)

* 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
US11410777B2 (en) 2012-11-02 2022-08-09 The University Of Chicago Patient risk evaluation
US9053617B2 (en) 2012-11-21 2015-06-09 Novasentis, Inc. Systems including electromechanical polymer sensors and actuators
US9269885B2 (en) 2012-11-21 2016-02-23 Novasentis, Inc. Method and localized haptic response system provided on an interior-facing surface of a housing of an electronic device
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
US10448874B2 (en) * 2013-03-12 2019-10-22 Koninklijke Philips N.V. Visit duration control system and method
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
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
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
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
EP3223183B1 (en) * 2016-03-25 2020-11-18 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
CA3118189C (en) 2018-10-29 2022-07-26 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
AU2019418813A1 (en) 2018-12-31 2021-07-22 Tempus Ai, Inc. A method and process for predicting and analyzing patient cohort response, progression, and survival
JP7453988B2 (ja) * 2019-03-01 2024-03-21 サノフイ 治療の有効性を推定する方法
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
CN114144837A (zh) * 2019-07-15 2022-03-04 皇家飞利浦有限公司 用于动态预测普通病房中的患者的出院准备的模型
JP7207553B2 (ja) * 2019-08-09 2023-01-18 日本電気株式会社 状態予測装置、状態予測方法、コンピュータプログラム及び記録媒体
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
CN113643757B (zh) * 2020-12-02 2024-04-02 广东美格基因科技有限公司 一种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
PE20250485A1 (es) * 2021-12-28 2025-02-21 Univ Peruana De Ciencias Aplicadas S A C Equipo electronico para la estimacion del tiempo de hospitalizacion de pacientes diagnosticados con enfermedad respiratoria
WO2024056781A1 (en) * 2022-09-14 2024-03-21 Koninklijke Philips N.V. Methods and systems for predicting intensive care unit patient length of stay
WO2024092136A2 (en) * 2022-10-28 2024-05-02 Memorial Sloan-Kettering Cancer Center Machine learning modeling for inpatient prediction
US12562263B1 (en) 2024-11-24 2026-02-24 BH Operations, LLC Method and systems for generating an entity duration value within a graphical user interface

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN101743552A (zh) * 2007-07-13 2010-06-16 皇家飞利浦电子股份有限公司 用于急性动态疾病的决策支持系统

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
WO2007054841A1 (en) 2005-11-08 2007-05-18 Koninklijke Philips Electronics, N.V. Method for detecting critical trends in multi-parameter patient monitoring and clinical data using clustering
US7664659B2 (en) * 2005-12-22 2010-02-16 Cerner Innovation, Inc. Displaying clinical predicted length of stay of patients for workload balancing in a healthcare environment
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
RU72075U1 (ru) * 2007-11-15 2008-03-27 Сергей Александрович Фурсенко Устройство для прогностического определения степени индивидуальной предрасположенности человека к различным заболеваниям

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20080214904A1 (en) * 2005-06-22 2008-09-04 Koninklijke Philips Electronics N. V. Apparatus To Measure The Instantaneous Patients' Acuity Value
US20090105550A1 (en) * 2006-10-13 2009-04-23 Michael Rothman & Associates System and method for providing a health score for a patient
CN101743552A (zh) * 2007-07-13 2010-06-16 皇家飞利浦电子股份有限公司 用于急性动态疾病的决策支持系统
US20090089092A1 (en) * 2007-10-01 2009-04-02 General Electric Company System and method to schedule resources in delivery of healthcare to a patient

Also Published As

Publication number Publication date
JP6145042B2 (ja) 2017-06-07
EP3779994B1 (en) 2023-10-11
US9569723B2 (en) 2017-02-14
US20130232103A1 (en) 2013-09-05
EP2638489A1 (en) 2013-09-18
JP2013545188A (ja) 2013-12-19
RU2630122C2 (ru) 2017-09-05
RU2013126425A (ru) 2014-12-20
EP3779994A1 (en) 2021-02-17
WO2012063166A1 (en) 2012-05-18
CN103201743A (zh) 2013-07-10
BR112013011031A2 (pt) 2016-09-13
EP2638489B1 (en) 2020-10-28

Similar Documents

Publication Publication Date Title
CN103201743B (zh) 患者疾病严重性、死亡率和住院时长的连续预测方法
Churpek et al. Predicting clinical deterioration in the hospital: the impact of outcome selection
CN101203172B (zh) 测量瞬时患者急性值的设备
JP6909078B2 (ja) 疾病発症予測装置、疾病発症予測方法およびプログラム
US11004560B2 (en) Generating a map of a medical facility
KR102558021B1 (ko) 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법
Kellett et al. Validation of an abbreviated Vitalpac™ Early Warning Score (ViEWS) in 75,419 consecutive admissions to a Canadian regional hospital
CN104838382B (zh) 用于优化数据收集频率的方法、系统、介质及监测站
KR101261177B1 (ko) 임상 의사결정 지원 시스템 및 방법
Welch et al. Multi-parameter vital sign database to assist in alarm optimization for general care units
US20190311809A1 (en) Patient status monitor and method of monitoring patient status
US20190392952A1 (en) Computer-implemented methods, systems, and computer-readable media for diagnosing a condition
JP7503860B2 (ja) 予後予測装置、及びプログラム
JP2018534697A (ja) 個人化された予測モデルに基づいて健康モニタリングを容易化するシステム及び方法
JP6993690B2 (ja) 重症化推定装置及び重症化推定プログラム
JP2005049960A (ja) 健康指導支援システム及びそのソフトウェアを記録した媒体
Portela et al. Real-time decision support using data mining to predict blood pressure critical events in intensive medicine patients
US12089966B1 (en) On-scene and pre-hospital risk evaluation (OSPRE)
Wei et al. Study and Validation Protocol of Risk Prediction Model for Deep Venous Thrombosis After Severe Traumatic Brain Injury Based on Machine Learning Algorithms
Jenny Mortality Risk Prediction in the Intensive Care Unit using MIMIC-III Database
Jadhav et al. Remote Monitoring and Telehealth Solutions for Chronic Disease Care Integration of AI in Telemedicine for Continuous Patient Monitoring and Real‐Time Interventions
Karnadi et al. DIAGNOSTIC RISK PERCENTAGE BASED ON VITAL SIGNS READINGS ON HEALTH MONITORING DEVICES.
CN120299653A (zh) 用于院前急救的医疗资源调配方法、装置、电子设备及存储介质
EP3989233A1 (en) Patient monitoring system
Verkoeijen Identifying Risk Factors and Readmission to the Hospital Using Joint Modeling in Telemonitored Data of Patients with Heart Failure

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant