CN112447289A - 败血症监测*** - Google Patents
败血症监测*** Download PDFInfo
- Publication number
- CN112447289A CN112447289A CN202010902431.2A CN202010902431A CN112447289A CN 112447289 A CN112447289 A CN 112447289A CN 202010902431 A CN202010902431 A CN 202010902431A CN 112447289 A CN112447289 A CN 112447289A
- Authority
- CN
- China
- Prior art keywords
- sepsis
- risk assessment
- assessment score
- sepsis risk
- data
- 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.)
- Pending
Links
- 206010040047 Sepsis Diseases 0.000 title claims abstract description 202
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 208000013223 septicemia Diseases 0.000 title description 2
- 238000012502 risk assessment Methods 0.000 claims abstract description 115
- 230000004044 response Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 41
- 238000003860 storage Methods 0.000 claims description 16
- 238000012806 monitoring device Methods 0.000 claims description 13
- 239000008280 blood Substances 0.000 claims description 11
- 210000004369 blood Anatomy 0.000 claims description 11
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 230000036772 blood pressure Effects 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 3
- 230000036387 respiratory rate Effects 0.000 claims description 3
- 238000013517 stratification Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 12
- 238000011157 data evaluation Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000013500 data storage Methods 0.000 description 5
- 206010051379 Systemic Inflammatory Response Syndrome Diseases 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000003242 anti bacterial agent Substances 0.000 description 2
- 229940088710 antibiotic agent Drugs 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000003319 supportive effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 102000055006 Calcitonin Human genes 0.000 description 1
- 108060001064 Calcitonin Proteins 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010053159 Organ failure Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- BBBFJLBPOGFECG-VJVYQDLKSA-N calcitonin Chemical compound N([C@H](C(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CO)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CC=1NC=NC=1)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)NCC(=O)N[C@@H](CO)C(=O)NCC(=O)N[C@@H]([C@@H](C)O)C(=O)N1[C@@H](CCC1)C(N)=O)C(C)C)C(=O)[C@@H]1CSSC[C@H](N)C(=O)N[C@@H](CO)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CO)C(=O)N[C@@H]([C@@H](C)O)C(=O)N1 BBBFJLBPOGFECG-VJVYQDLKSA-N 0.000 description 1
- 229960004015 calcitonin Drugs 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/41—Detecting, measuring or recording for evaluating the immune or lymphatic systems
- A61B5/412—Detecting or monitoring sepsis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/683—Means for maintaining contact with the body
- A61B5/6832—Means for maintaining contact with the body using adhesives
- A61B5/6833—Adhesive patches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6892—Mats
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Pulmonology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Immunology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种败血症监测***,其确定初始败血症风险评估得分,并且使用败血症风险评估模型自动且连续地更新败血症风险评估得分,该败血症风险评估模型接收生命体征数据、电子病历数据和入院数据以连续地更新败血症风险评估得分。该***基于更新的败血症风险评估得分来确定患者是否可能患上败血症,并且响应于确定患者可能患上败血症,生成通知以促使一名或多名护理人员进行早期干预。
Description
背景技术
败血症是在身体对感染的反应导致其自身的组织和器官受到伤害时发生的一种危及生命的状况。当病原体释放到血液中并导致整个身体发炎时,就会患上败血症。
败血症在其最早期通常可以用抗生素、液体和其他支持性医学干预来逆转。然而,随着时间的推移,死亡的风险大大增加。因此,期望败血症的早期发现。
发明内容
总体而言,本公开涉及一种***,该***连续地更新败血症风险评估得分以促使一名或多名护理人员进行早期干预。
一方面,一种败血症监测***包括处理器和存储指令的非暂时性计算机可读存储介质,指令在由处理器执行时使败血症监测***执行以下操作:确定初始败血症风险评估得分;使用败血症风险评估模型自动且连续地更新败血症风险评估得分,败血症风险评估模型接收生命体征数据、电子病历数据和入院数据以连续地更新败血症风险评估得分;基于更新的败血症风险评估得分确定患者是否可能患上败血症;以及响应于确定患者可能患上败血症,生成通知以促使一名或多名护理人员进行早期干预。
在另一方面,一种提供早期干预以减轻与败血症相关联的风险的方法包括:确定初始败血症风险评估得分;从生命体征监测装置连续地接收测量的生命体征;至少基于测量的生命体征自动且连续地确定更新的败血症风险评估得分;基于更新的败血症风险评估得分确定患者是否可能患上败血症;以及响应于确定患者可能患上败血症,生成通知以促使一名或多名护理人员进行早期干预。
这些和其他方面以及实施例将在下文中参照附图进行详细描述。
附图说明
形成本申请的一部分的以下附图说明了所描述的技术,并且无意以任何方式限制本公开的范围。
图1是示意性地示出包括败血症监测***的健康护理机构的框图。
图2是示意性地示出健康护理信息***的框图。
图3是败血症监测***的示意性框图。
图4示出了提供早期干预的示例性方法。
图5示出了构建败血症风险评估模型的示例性方法。
图6是模型构建引擎的示意图。
图7是数据评估引擎的示意图。
图8示出了计算装置的示例性物理组件。
具体实施方式
图1是示意性地示出包括败血症监测***200的健康护理机构100的框图。败血症监测***200是临床决策支持工具,其为入院到健康护理机构100中的患者自动且连续地更新败血症风险评估。在本文中,术语“连续的”或“连续地”包括接近实时,使得败血症风险评估被更新而没有可察觉的滞后。
败血症监测***200可操作地连接到生命体征监测装置,生命体征监测装置包括现场监测器装置102、可穿戴装置104和床垫垫装置106中的至少一个。败血症监测***200还可操作地连接到电子病历***108和健康护理信息***110。健康护理信息***110连接到多个工作站112。
败血症监测***200从现场监测器装置102、可穿戴装置104、床垫垫装置106、电子病历***108和健康护理信息***110检索数据,以连续地确定败血症风险评估。
在一些实施例中,败血症风险评估从败血症监测***200传输到健康护理信息***110。此后,健康护理信息***110传输败血症风险评估以在工作站112上显示。在替代实施例中,败血症风险评估直接从败血症监测***200传输到工作站112,而无需使用健康护理信息***110作为将败血症风险评估传输到工作站112的中间媒介。
在替代实施例中,健康护理信息***110从败血症监测***200接收数据(包括来自现场监测器装置102、可穿戴装置104和床垫垫装置106中至少一个的生命体征数据以及来自电子病历***108的数据),并且健康护理信息***110计算败血症风险评估并传输败血症风险评估以在工作站112上显示。在这些实施例中,败血症监测***200充当用于收集连续的生命体征和将连续的生命体征发送到健康护理信息***110的网关。
败血症监测***200使用败血症风险评估模型,该模型接收从现场监测器装置102、可穿戴装置104、床垫垫装置106中的至少一个获取的生命体征数据以及来自电子病历***108和/或健康护理信息***110的数据作为输入,以产生败血症风险评估作为输出。从现场监测器装置102、可穿戴装置104、床垫垫装置106中的至少一个获取的生命体征数据包括但不限于心率、呼吸率、血压、血氧饱和度(例如SpO2)、心电图数据(EKG或ECG)、脑电图数据(EEG)和客观疼痛程度。
在一个实施例中,败血症监测***200是通过互联网托管的基于云的***。在该实施例中,来自败血症监测***200的通知经由互联网被发送到健康护理信息***110和工作站112。
在替代实施例中,败血症监测***200是局域网的一部分。在该示例性实施例中,来自败血症监测***200的通知经由局域网被发送到健康护理信息***110和工作站112。
生命体征监测装置(包括现场监测器装置102、可穿戴装置104和床垫垫装置106)每个都配置为在由护理人员进行患者查房之前、期间和之后连续地(不间断地)测量健康护理机构100中的患者的生命体征。连续的生命体征监测可以有助于提供患者恶化的早期识别,并促使护理人员进行早期干预。
可穿戴装置104是可穿戴生物传感器,其连续地测量患者的生命体征。在一些示例中,可穿戴装置104是专门的生命体征贴片(VSP),其连续地测量包括心率、呼吸率、血压、体温、血氧饱和度等的生命体征。
床垫垫装置106被设计用于放置在患者休息的床的床垫下面,以连续地监测患者的心率和呼吸率以及附加的生理参数(例如患者的体重和姿势)。
电子病历***108存储电子病历(EMR)。每个EMR包含健康护理机构100中的患者的医疗和治疗历史。在一些实施例中,电子病历***108经由败血症监测***200接收由现场监测器装置102、可穿戴装置104和床垫垫装置106测量的生命体征数据和其他生理参数数据。
参照图2更详细地描述的健康护理信息***110包括可在健康护理机构100内操作的各种***。健康护理信息***110可通信地连接到工作站112。在图1的示例性实施例中,电子病历***108被描述为与健康护理信息***110分离。在替代示例性实施例中,电子病历***108是健康护理信息***110的一部分。
工作站112包括诸如智能电话、平板计算机、膝上型计算机、台式计算机等的计算装置。工作站112由健康护理机构100中的护理人员使用以访问健康护理信息***110、从败血症监测***200接收通知,以及从电子病历***108访问电子病历。健康护理机构100中的工作站112的数量可以根据健康护理机构100的需要而变化。
败血症监测***200通过无线连接、有线连接或无线连接和有线连接的组合与现场监测器装置102、可穿戴装置104、床垫垫装置106、电子病历***108以及健康护理信息***110和工作站112通信。无线连接的示例包括:利用无线路由器或无线接入点的Wi-Fi通信装置;利用一个或多个蜂窝基站、蓝牙、ANT、ZigBee、医疗体局域网、个人通信服务(PCS)、无线医疗遥测服务(WMTS)的蜂窝通信装置;以及其他无线通信装置和服务。
图2是示意性地示出健康护理信息***110的框图。如图2所示,健康护理信息***110包括:实验室***202;入院、出院和转院(ADT)***204;护理人员呼叫***206;数据库存储器208;通信模块210;以及计算装置1200。
实验室***202通过记录采集患者样品的日期和时间、向护理人员发送关于实验室结果的更新(包括实验室结果准备就绪的时间)以及显示实验室结果以供护理人员查看来监控实验室结果。
ADT***204提供关于入院到健康护理机构100中的每个患者的实时信息,包括患者的姓名、地址、性别、在健康护理机构100内的房间分配、入院到健康护理机构的日期和时间和从健康护理机构中出院的日期和时间,以及患者是否已被转移到另一个房间或科室。
护理人员呼叫***206生成由一个或多个规则触发的警报。警报被发送到工作站112以通知护理人员需要执行关键任务。可以基于来自包括现场监测器装置102、可穿戴装置104、床垫垫装置106、电子病历***108、实验室***202、ADT***204等的生命体征监测装置的数据来生成警报。作为说明性示例,当患者早期预警得分(EWS)高于预定阈值时,其触发来自护理人员呼叫***206的警报,该警报被发送到与护理人员相关联的工作站112,从而护理人员被通知需要基于升高的EWS来执行关键任务。
在一些实施例中,护理人员呼叫***206基于来自败血症监测***200的败血症风险评估生成通知,通知被发送到工作站112。在替代实施例中,败血症风险评估和相关联的通知直接从败血症监测***200传输到工作站112,而无需使用护理人员呼叫***206作为中间媒介。在另外的替代实施例中,护理人员呼叫***206确定败血症风险评估。
数据库存储器208存储从败血症监测***200和电子病历***108接收的数据。数据库存储器208还可以存储来自包括现场监测器装置102、可穿戴装置104、床垫垫装置106的生命体征监测装置的数据。在一些示例性实施例中,数据库存储器208存储护理人员呼叫***206用来确定败血症风险评估的算法和模型。
通信模块210使健康护理信息***110内的各个组件能够彼此通信,并且还能够与败血症监测***200、电子病历***108和工作站112通信。
当需要干预时,通信模块210使护理人员呼叫***206能够充当调度***以指示护理人员。在一些示例中,通信模块210在患者和护理人员之间提供通信链路,例如音频或视频。由护理人员佩戴的包括电话和其他语音通信装置的通信装置使通信模块210能够在护理人员和患者之间提供直接通信。
计算装置1200处理来自数据库存储器208的数据,并与实验室***202、ADT***204、护理人员呼叫***206和通信模块210通信。计算装置1200包括至少一个处理器,该处理器执行指令以实现本文所述的一种或多种方法。参照图8更详细地描述计算装置1200。
图3是败血症监测***200的示意性框图。一般而言,败血症监测***200用于自动且连续地估计给定患者患上败血症的可能性。如本文所述,这种可能性可以用于通过护理人员的早期干预来减轻与败血症相关的风险和成本。作为说明性示例,败血症监测***200可用于在败血症发作前6-12小时预测患者患上败血症的可能性。败血症监测***200包括模型构建引擎302、数据评估引擎304、通知引擎306、通信模块308、数据库存储器310和计算装置1200。
数据库存储器310存储来自电子病历***108、健康护理信息***110和生命体征监测装置(包括现场监测器装置102、可穿戴装置104和床垫垫装置106)的数据。在一些示例中,数据库存储器310是关键数据存储库(CDR)。在一些实施例中,存储在数据库存储器310中的数据被用于机器学习和算法开发。
模型构建引擎302操作以构建模型,该模型可由败血症监测***200使用以自动且连续地估计给定患者患上败血症的可能性。模型构建引擎302使用存储在数据库存储器310中的数据来构建模型。模型构建引擎302使用一种或多种机器学习技术来构建模型。关于图5至图6示出并描述了由模型构建引擎302的一些实施例执行的示例性方法。
数据评估引擎304操作以连续地评估来自至少一个生命体征监测装置的数据以确定败血症风险评估得分,生命监测装置包括但不限于现场监测器装置102、可穿戴装置104、床垫垫装置106等中的至少一个。数据评估引擎304还操作以连续地评估来自电子病历***108和健康护理信息***110的数据以确定败血症风险评估得分。数据评估引擎304使用由模型构建引擎302构建的模型以自动且连续地确定败血症风险评估得分。败血症风险评估得分预测患者是否可能患上败血症。至少关于图7更详细地示出和描述了由数据评估引擎304的一些实施例执行的示例性方法。
当败血症风险评估得分超过阈值时或者如果败血症风险评估得分被归类为高风险或中风险,通知引擎306操作以生成一种或多种类型的通知以警告护理人员患者可能患上败血症。通知促使护理人员进行早期干预,以减轻与败血症相关联的风险和成本。由通知引擎306生成的通知可以以任何合适的形式来传递,包括听觉警报、视觉警报、文本警报(例如文本消息、寻呼消息、电子邮件)或其他形式的警报(例如工作站112上的消息)。
通信模块308使败血症监测***200能够与包括现场监测器装置102、可穿戴装置104和床垫垫装置106的生命体征监测装置通信,以及与健康护理机构100中的电子病历***108、健康护理信息***110和工作站112通信。败血症监测***200可通过无线连接、有线连接或无线连接和有线连接的组合与这些装置和***通信。
计算装置1200处理来自数据库存储器310的数据,并与模型构建引擎302、数据评估引擎304、通知引擎306和通信模块308通信。计算装置1200包括至少一个处理器,该处理器执行指令以实现本文所述的一种或多种方法。
图4示出了提供早期干预以减轻与败血症相关联的风险和成本的示例性方法400。现在参照图4,方法400在操作402处包括确定入院到健康护理机构的患者的初始败血症风险评估得分。败血症风险评估得分预测患者入院到机构时患上败血症的可能性。得分可分类为低风险、中风险或高风险。可替代地,得分可以是数字的,例如基于0-100之间的标度。败血症风险评估模型用于确定败血症风险评估得分。
在一些示例中,将败血症风险评估得分显示在可在诸如平板计算机、智能电话等的便携式装置上操作的移动平台中。除了将败血症风险评估得分显示在移动平台中之外,或作为其替代,也可以将败血症风险评估得分显示为EMR插件。
接下来,方法400在操作404处包括将患者连接到诸如现场监测器装置、可穿戴装置或床垫垫装置的至少一个生命体征监测装置,以连续地测量患者的生命体征。
接下来,方法400在操作406处包括自动且连续地更新患者的败血症风险评估得分。败血症风险评估模型用于自动且连续地更新败血症风险评估得分。
在一些实施例中,使用从至少一个生命体征监测装置连续地测量的患者生命体征以及使用来自电子病历***的附加生理参数和信息来自动且连续地更新败血症风险评估得分。在无法连续地测量患者的生命体征时,使用来自电子病历***中的数据自动且连续地更新败血症风险评估得分。
在操作408处,方法400基于连续地更新的败血症风险评估得分来确定患者是否可能患上败血症。如果败血症风险评估得分小于阈值,或者如果得分被归类为低风险(即,在操作408中为“否”),则方法400返回到连续地更新败血症风险得分(即,操作406)。如果败血症风险评估得分超过阈值,或者如果得分被归类为高风险或中风险(即,在操作408中为“是”),则在操作410处生成通知以警告护理人员患者可能患上败血症。
在操作410,以任何合适的形式传递通知。例如,该通知可以包括听觉警报、视觉警报和文本警报(例如文本消息、寻呼消息、电子邮件)或其他形式的警报(例如可由一名或多名护理人员查看的在显示装置上的消息)。通知可以指示护理人员应采取某种行动。例如,通知可以指示护理人员应亲自检查患者、确认生命体征数据或进行乳酸实验室检测。
在一些示例中,将通知显示在可在诸如平板计算机、智能电话等的便携式装置上操作的移动平台中。除了将通知显示在移动平台中之外,或作为其替代,还可将通知显示为可从工作站访问的EMR插件。
在操作412处,来自操作410的通知促使进行早期干预以治疗患者并减轻与败血症相关联的风险和成本。早期干预可以包括提供抗生素、液体、进行额外的实验室检查以及其他支持性医学干预。
图5示出了构建用于自动且连续地确定败血症风险评估得分的败血症风险评估模型的方法500,该方法由模型构建引擎302(参见图3)的一些实施例执行。方法500可以用于例如构建模型,该模型用于例如在方法400的操作402中(参见图4)确定入院到健康护理机构的患者的初始败血症风险评估得分,并且该模型还可用于例如在上述方法400的操作406中(参见图4)自动且连续地更新患者的败血症风险评估得分。
在操作502处,获取败血症风险因素数据。败血症风险因素数据包括生命体征数据(例如,从图1的至少一个生命体征监测装置获取的数据)、电子病历数据(例如,从图1的EMR***108获取的数据)、实验室数据(例如,从图2的实验室***202获取的数据)和入院数据(例如,从图2的ADT***204获取的数据)。败血症风险因素数据与败血症患者和非败血症患者相关联。在一些实施例中,败血症监测***200的通信模块308用于从健康护理机构100内的数据源获取败血症风险因素数据。
在操作504处,使用所获取的败血症风险因素数据构建败血症风险评估模型。在一些实施例中,最初使用对数据库的回顾性分析来开发败血症风险评估模型,该数据库包括EMR数据、实验室数据、ADT数据和生命体征数据。在一些实施例中,败血症监测***200的数据库存储310用于存储EMR数据、实验室数据、ADT数据和生命体征数据,以进行回顾性分析。败血症监测***200的模型构建引擎302用于构建败血症风险评估模型。
图6是模型构建引擎302的示意图,该模型构建引擎302接收第一组输入602和第二组输入606以构建败血症风险评估模型610作为输出。第一组输入602包括与败血病患者相关联的所获取的败血症风险因素数据604。第二组输入606包括与非败血病患者相关联的所获取的败血症风险因素数据608。在一些实施例中,所获取的败血症风险因素数据604、608是模型构建引擎302用来构建败血症风险评估模型610的种子数据。
所获取的败血症风险因素数据604可以用作阳性的训练实例,而所获取的非败血症风险因素数据608可以用作阴性的训练实例,以使用一种或多种机器学习技术来构建败血症风险评估模型610。在一些实施例中,使用监督机器学习技术(例如逻辑回归)来构建败血症风险评估模型610。在替代实施例中,使用无监督机器学习技术(例如神经网络)来构建败血症风险评估模型610。此外,败血症风险评估模型610可以通过基于树的方法来构建,例如梯度增强机器学习技术等。
图7是数据评估引擎304的示意图。数据评估引擎304接收给定患者的败血症风险因素数据704作为输入702。数据评估引擎304使用败血症风险评估模型610来生成预测患者是否可能患上败血症的败血症风险评估得分706作为输出。败血症风险因素数据704由数据评估引擎304使用败血症风险评估模型610自动且连续地评估,以在患者入院到健康护理机构时连续地确定败血症风险评估得分706。在某些实施例中,败血症风险评估得分706由图1的现场监测器102计算。可替代地,败血症风险评估得分706可以由败血症监测***200计算,败血症监测***200是可以连接到现场监测器102的基于云的***。
败血症风险因素数据704包括所测量的生命体征数据,包括心率、呼吸率、血压或血氧饱和度数据。在一些其他实施例中,败血症风险因素数据704还可包括诸如体温和平均动脉压(MAP)之类的数据、诸如休克指数(SI)(其是一种评估,定义为心率除以收缩压)之类的导出参数,以及估计的心输出量计算。在一些其他实施例中,败血症风险因素数据704还可包括从加速度计贴片或床测力传感器测量的移动性数据。
在一些示例中,败血症风险评估得分706基于随时间的变化、标准偏差、最大值或与数据中24小时移动平均值的差。在一些示例中,败血症风险评估得分706基于高于或低于基线水平的心率、呼吸率、血压或血氧饱和度的变化。
在一些实施例中,败血症风险评估得分706在风险分级中被归类为低风险、中风险或高风险。在替代实施例中,败血症风险评估得分706被计算为数值。
在一些示例中,除了计算败血症风险评估得分706之外,还生成分类器以识别败血症风险评估得分706中的趋势,例如败血症风险评估得分706中的升高或降低。作为说明性示例,分类器可以是符号,例如指示升高得分的向上的箭头、指示降低得分的向下的箭头,或者可以是颜色,例如指示升高得分的红色和指示降低得分的绿色。此外,败血症风险评估得分706可以根据平均值、最小值、最大值、最小值和最大值之间的差、标准偏差、第一次计算、最后一次计算、第一次计算和最后一次计算之间的差、最后一次计算和1、2、4、12、24或72个小时前所执行的计算之间的差、计算的频率(即,是否进行计算?进行计算的频率是多久?)被趋势化。同样,可以计算线性回归趋势、二次回归趋势、偏度(即,实值随机变量关于其均值的概率分布的不对称性的度量)和峰度(即,实值随机变量的概率分布的尾部的度量)以分析败血症风险评估得分706中的趋势。
在一些示例中,败血症风险评估得分706以防止警报疲劳的方式生成。例如,败血症风险评估得分706可以与对患者来说特定的阈值进行比较(例如,基于患者的先前病史),或者可以与与患者的人口统计数据(例如,年龄、性别等)相关联的一般阈值进行比较。当败血症风险评估得分超过阈值时或者如果该得分被归类为高风险,通知引擎306生成通知以警告护理人员患者可能患上败血症。该通知促使护理人员进行早期干预,以减轻与败血症相关联的风险和成本。
与全身炎症反应综合征(SIRS)得分、序贯器官衰竭评估(SOFA)得分和快速SOFA(qSOFA)得分(通常使用有限数量的因素每1至4小时计算一次)相比,败血症风险评估得分706接近实时地连续地进行确定,例如每秒、每五秒钟或每分钟等。此外,通过自动地从生命体征监测装置、电子病历***108和健康护理信息***110中检索连续的数据,败血症风险评估得分706是使用未用于计算SIRS、SOFA和qSOFA得分的其他因素来计算的。因此,败血症风险评估得分706也比仅基于有限数量的因素的SIRS、SOFA和qSOFA得分更精确和准确。作为说明性示例,败血症风险评估得分706是使用包括连续的生命体征和生理数据、实验室数据、临床检查数据、药物数据、入院数据等的风险因素来计算的。败血症风险评估得分706还可以使用诸如并存病、最近的医疗程序、手术、侵入性医疗装置和其他患者历史数据的风险因素来计算。在一些示例中,败血症风险评估得分706是使用来自诸如手持式血液分析仪之类的床旁检测装置的数据来计算的,该手持式血液分析仪提供对乳酸、葡萄糖、降钙素、动脉血气和类似参数的实时测量。
在表1中总结了导致败血症风险评估得分706的至少一些风险因素。这些风险因素不是穷举的,并且被提供为可用于计算败血症风险评估得分706的数据类型的说明性示例。
表格1
图8示出了计算装置1200的示例性物理组件,例如用于实现上述本公开的各方面的一个或多个计算装置。如图所示,计算装置1200包括至少一个处理器或中央处理单元(“CPU”)1208、***存储器1212以及将***存储器1212联接到CPU 1208的***总线1210。中央处理单元1208是处理装置的示例。
***存储器1212包括随机存取存储器(“RAM”)1218和只读存储器(“ROM”)1220。基本输入/输出***被存储在ROM 1220中,该***包含例如在启动期间有助于在计算装置中的元件之间传递信息的基本例程。计算装置还包括大容量存储装置1214。大容量存储装置1214能够存储软件指令和数据。大容量存储装置1214通过***总线1210连接到CPU 1208。
大容量存储装置1214及其相关联的计算机可读数据存储介质为计算装置提供非易失性、非暂时性存储。尽管本文包含的计算机可读数据存储介质的描述是指大容量存储装置,例如硬盘或CD-ROM驱动器,但本领域技术人员应理解,计算机可读数据存储介质可以是装置可以从中读取数据和/或指令的任何可用的非暂时性、物理装置或制造产品。大容量存储装置1214是计算机可读存储装置的示例。
计算机可读数据存储介质包括以用于存储诸如计算机可读软件指令、数据结构、程序模块或其他数据之类的信息的任何方法或技术实现的易失性和非易失性的、可移动和不可移动的介质。计算机可读数据存储介质的示例类型包括但不限于RAM、ROM、EPROM、EEPROM、闪存或其他固态存储技术、CD-ROM、数字多功能光盘(“DVDs”)、其他光盘存储介质、盒式磁带、磁带、磁盘存储器或其他磁存储装置、或可用于存储所需信息并可由计算装置访问的任何其他介质。
计算装置1200可以使用通过诸如本地网络、因特网或另一类型的网络之类的网络46到远程网络装置的逻辑连接在联网环境中操作。计算装置1200通过连接到***总线1210的网络接口单元1216连接到网络46。网络接口单元1216还可以连接到其他类型的网络和远程计算***。
计算装置1200包括用于接收和处理来自多个其他装置的输入的输入/输出单元1222,多个其他装置包括触摸用户界面显示屏或其他类型的输入装置。类似地,输入/输出单元1222可以将输出提供给触摸用户界面显示屏、打印机或其他类型的输出装置。
如上所述,计算装置1200的大容量存储装置1214和RAM 1218可以存储软件指令和数据。软件指令包括适合于控制计算装置1200的操作的操作***1232。大容量存储装置1214和/或RAM 1218还存储软件指令,该软件指令在由CPU 1208执行时使计算装置1200提供本文讨论的功能,包括本文描述的方法。
通信介质可以体现在软件指令、数据结构、程序模块或在诸如载波或其他传输机制的调制数据信号中的其他数据中,并且包括任何信息传递介质。术语“调制数据信号”可以描述具有以对该信号中的信息进行编码的方式设定或改变的一个或多个特性的信号。举例来说,通信介质可以包括诸如有线网络或直接有线连接之类的有线介质以及诸如声学、射频(RF)、红外和其他无线介质之类的无线介质。
本文描述的框图仅是示例。在不脱离本公开的精神的情况下,本文描述的这些图可以有许多变型。例如,可以添加、删除或修改组件。
本申请中提供的一个或多个实施例的描述和说明无意于以任何方式限制或约束所要求保护的本发明的范围。本申请中提供的实施例、示例和细节被认为足以传达所有权,并使其他人能够制造和使用所要求保护的发明的最佳模式。所要求保护的发明不应被解释为限于本申请中提供的任何实施例、示例或细节。不管是组合示出或描述还是单独示出或描述,各种特征(结构和方法上的)都旨在被选择性地包括或省略,以产生具有特定特征集的实施例。
已经提供了本申请的描述和说明,本领域技术人员可以设想不脱离更宽范围的落入所要求保护的发明的更广泛方面和本申请中体现的总体发明构思的精神内的变化、修改和替代实施例。
Claims (20)
1.一种败血症监测***,包括:
处理器和存储指令的非暂时性计算机可读存储介质,所述指令在由所述处理器执行时使所述败血症监测***执行以下操作:
确定初始败血症风险评估得分;
使用败血症风险评估模型自动且连续地更新所述败血症风险评估得分,所述败血症风险评估模型接收生命体征数据、电子病历数据和入院数据以连续地更新所述败血症风险评估得分;
基于更新的败血症风险评估得分确定患者是否可能患上败血症;以及
响应于确定所述患者可能会患上败血症,生成通知以促使一名或多名护理人员进行早期干预。
2.根据权利要求1所述的***,其中,所述生命体征数据包括随时间的变化、标准偏差、最大值或与24小时移动平均值的差。
3.根据权利要求1所述的***,其中,所述更新的败血症风险评估得分至少部分地基于心率、呼吸率、血压或血氧饱和度。
4.根据权利要求1所述的***,其中,所述更新的败血症风险评估得分至少部分地基于高于或低于基线水平的心率的变化、呼吸率的变化、血压的变化以及血液氧饱和度的变化。
5.根据权利要求1所述的***,其中,所述生命体征数据是从现场监测器装置、可穿戴装置或床垫垫装置中的至少一个获取的。
6.根据权利要求1所述的***,其中,所述败血症风险评估得分在风险分级中被归类为低风险、中风险或高风险,并且所述通知是响应于所述败血症风险评估得分被归类为高风险或中风险而生成的。
7.根据权利要求1所述的***,其中,所述败血症风险评估得分是数值,并且促使所述早期干预的所述通知是响应于所述败血症风险评估得分超过阈值而生成的。
8.根据权利要求1所述的***,其中,所述败血症风险评估模型是使用一种或多种机器学习技术来构建的。
9.根据权利要求1所述的***,其中,所述通知被显示在健康护理机构内的一个或多个工作站上。
10.根据权利要求1所述的***,其中,所述通知被显示为EMR插件。
11.一种提供早期干预以减轻与败血症相关联的风险的方法,所述方法包括:
确定初始败血症风险评估得分;
从生命体征监测装置连续地接收测量的生命体征;
至少基于所述测量的生命体征自动且连续地确定更新的败血症风险评估得分;
基于所述更新的败血症风险评估得分确定患者是否可能患上败血症;以及
响应于确定所述患者可能患上败血症,生成通知以促使一名或多名护理人员进行早期干预。
12.根据权利要求11所述的方法,其中,所述更新的败血症风险评估得分是基于心率、呼吸率、血压或血氧饱和度确定的。
13.根据权利要求11所述的方法,其中,所述更新的败血症风险评估得分是基于高于或低于基线水平的心率变化、呼吸率变化、血压变化或血氧饱和度变化来确定的。
14.根据权利要求11所述的方法,还包括将所述更新的败血症风险评估得分与阈值进行比较,以及当所述更新的败血症风险评估得分超过所述阈值时,生成所述通知。
15.根据权利要求11所述的方法,还包括将所述通知显示在健康护理机构内的一个或多个工作站上。
16.根据权利要求11所述的方法,还包括使用败血症风险评估模型来自动且连续地确定所述更新的败血症风险评估得分。
17.根据权利要求16所述的方法,还包括将生命体征数据、电子病历数据和入院数据连续地输入到所述败血症风险评估模型中,以连续地确定所述败血症风险评估得分。
18.根据权利要求17所述的方法,其中,所述生命体征数据包括随时间的变化、标准偏差、最大值或与24小时移动平均值的差。
19.根据权利要求16所述的方法,还包括使用一种或多种机器学习技术来构建所述败血症风险评估模型。
20.根据权利要求11所述的方法,将所述通知显示为EMR插件。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962893985P | 2019-08-30 | 2019-08-30 | |
US62/893,985 | 2019-08-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112447289A true CN112447289A (zh) | 2021-03-05 |
Family
ID=72517080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010902431.2A Pending CN112447289A (zh) | 2019-08-30 | 2020-08-28 | 败血症监测*** |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210059597A1 (zh) |
EP (1) | EP3785611A1 (zh) |
CN (1) | CN112447289A (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11950848B2 (en) | 2020-08-10 | 2024-04-09 | Welch Allyn, Inc. | Fundus imaging for microvascular assessment |
WO2022234052A1 (en) * | 2021-05-06 | 2022-11-10 | Koninklijke Philips N.V. | Late-onset neonatal sepsis predictions |
WO2022263459A1 (en) | 2021-06-15 | 2022-12-22 | Neopredix Ag | System and method for the health management within the first 1000 days of life |
EP4384066A1 (en) * | 2021-08-12 | 2024-06-19 | Koninklijke Philips N.V. | Method and system for monitoring patients for sepsis following discharge |
DE102022114248A1 (de) * | 2022-06-07 | 2023-12-07 | TCC GmbH | Verfahren sowie Vorhersagesystem zur Ermittlung der Eintrittswahrscheinlichkeit einer Sepsis eines Patienten |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101076806A (zh) * | 2004-12-09 | 2007-11-21 | 英国国防部 | 败血症的早期检测 |
US20110137852A1 (en) * | 2009-11-05 | 2011-06-09 | Ognjen Gajic | Sepsis Monitoring and Control |
KR20140141534A (ko) * | 2013-05-31 | 2014-12-10 | 가톨릭대학교 산학협력단 | 패혈증 고위험군 예측 방법 및 시스템 |
US20160292375A1 (en) * | 2013-11-27 | 2016-10-06 | Koninklijke Philips N.V. | Patient monitor and method for monitoring a patient |
US20170147770A1 (en) * | 2015-11-24 | 2017-05-25 | Koninklijke Philips N.V. | Critical care patient monitoring service recommendation using data and text mining techniques |
WO2017189957A1 (en) * | 2016-04-29 | 2017-11-02 | University Of Virginia Patent Foundation | Method, system and apparatus for remote patient monitoring or tracking of sepsis-related indicators |
CN109119167A (zh) * | 2018-07-11 | 2019-01-01 | 山东师范大学 | 基于集成模型的脓毒症死亡率预测*** |
WO2019025901A1 (en) * | 2017-08-02 | 2019-02-07 | Mor Research Applications Ltd. | SYSTEMS AND METHODS FOR PREDICTING THE APPEARANCE OF A SEPSIE |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9883809B2 (en) * | 2008-05-01 | 2018-02-06 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
US11696691B2 (en) * | 2008-05-01 | 2023-07-11 | Hill-Rom Services, Inc. | Monitoring, predicting, and treating clinical episodes |
US10238351B2 (en) * | 2008-05-12 | 2019-03-26 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
EP3021739A4 (en) * | 2013-07-18 | 2017-03-22 | Parkland Center for Clinical Innovation | Patient care surveillance system and method |
US11253079B1 (en) * | 2018-03-26 | 2022-02-22 | Dp Technologies, Inc. | Multi-zone adjustable bed with smart adjustment mechanism |
WO2019245055A1 (ja) * | 2018-06-22 | 2019-12-26 | 株式会社リキッド・デザイン・システムズ | 生体情報検出用マット、生体情報検出装置及び生体情報通信システム |
-
2020
- 2020-08-21 US US16/999,315 patent/US20210059597A1/en active Pending
- 2020-08-25 EP EP20192745.6A patent/EP3785611A1/en active Pending
- 2020-08-28 CN CN202010902431.2A patent/CN112447289A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101076806A (zh) * | 2004-12-09 | 2007-11-21 | 英国国防部 | 败血症的早期检测 |
US20110137852A1 (en) * | 2009-11-05 | 2011-06-09 | Ognjen Gajic | Sepsis Monitoring and Control |
KR20140141534A (ko) * | 2013-05-31 | 2014-12-10 | 가톨릭대학교 산학협력단 | 패혈증 고위험군 예측 방법 및 시스템 |
US20160292375A1 (en) * | 2013-11-27 | 2016-10-06 | Koninklijke Philips N.V. | Patient monitor and method for monitoring a patient |
US20170147770A1 (en) * | 2015-11-24 | 2017-05-25 | Koninklijke Philips N.V. | Critical care patient monitoring service recommendation using data and text mining techniques |
WO2017189957A1 (en) * | 2016-04-29 | 2017-11-02 | University Of Virginia Patent Foundation | Method, system and apparatus for remote patient monitoring or tracking of sepsis-related indicators |
US20190125241A1 (en) * | 2016-04-29 | 2019-05-02 | University Of Virginia Patent Foundation | Method, system, and apparatus for remote patient monitoring or tracking of sepsis-related indicators |
WO2019025901A1 (en) * | 2017-08-02 | 2019-02-07 | Mor Research Applications Ltd. | SYSTEMS AND METHODS FOR PREDICTING THE APPEARANCE OF A SEPSIE |
CN109119167A (zh) * | 2018-07-11 | 2019-01-01 | 山东师范大学 | 基于集成模型的脓毒症死亡率预测*** |
Non-Patent Citations (2)
Title |
---|
GUILLEN J等: "Predictive Models for Severe Sepsis in Adult ICU Patients", 2015 SYSTEMS AND INFORMATION ENGINEERING DESIGN SYMPOSIUM, pages 182 - 187 * |
于冬梅;孟海燕;张东锋;于明丽;杨柳;宋红丽;: "新生儿败血症预后的相关因素及预测模型", 中国临床研究, no. 07, pages 674 - 676 * |
Also Published As
Publication number | Publication date |
---|---|
US20210059597A1 (en) | 2021-03-04 |
EP3785611A1 (en) | 2021-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112447289A (zh) | 败血症监测*** | |
US11730420B2 (en) | Maternal-fetal sepsis indicator | |
US20230197281A1 (en) | Predicting intensive care transfers and other unforeseen events using machine learning | |
US10621491B2 (en) | Method for predicting adverse events for home healthcare of remotely monitored patients | |
US20150342538A1 (en) | Custom early warning scoring for medical device | |
US11266355B2 (en) | Early warning system and method for predicting patient deterioration | |
JP2008546117A (ja) | 疾患予後の動的定量のためのシステムおよび方法 | |
US20170011177A1 (en) | Automated healthcare integration system | |
US11705246B2 (en) | System, apparatus, method, and graphical user interface for screening | |
TW201402059A (zh) | 健康狀態判定方法及健康狀態判定系統 | |
JP2017503532A (ja) | トリアージ決定に基づく臨床決定支援システム | |
JP2019509101A (ja) | 小児対象に関する血行力学的不安定性リスクスコアを決定するシステム及び方法 | |
US10431343B2 (en) | System and method for interpreting patient risk score using the risk scores and medical events from existing and matching patients | |
US20230116079A1 (en) | Population health platform | |
EP3726533A1 (en) | Sepsis automated reporting system | |
US20230061435A1 (en) | Predicting adverse health events using a measure of adherence to a testing routine | |
JP2013148996A (ja) | 重症度判定装置、及び、重症度判定方法 | |
US20220139550A1 (en) | Population health platform | |
Chong et al. | Development of automated triage system for emergency medical service | |
Dogra et al. | Real-Time Health Monitoring and Management: Leveraging the Power of IoT and Machine Learning | |
US20170319079A1 (en) | Method of calculating blood pressure using a mobile device | |
WO2015044859A1 (en) | A methodology for hospitalized patient monitoring and icu risk prediction with a physiologic based early warning system | |
US20230307102A1 (en) | Systems and Methods for Automated Identification of ST-Segment Elevation Myocardial Infarction | |
US20210375471A1 (en) | System and method for assessing patient health status and relating health risk to care services | |
US20240006067A1 (en) | System by which patients receiving treatment and at risk for iatrogenic cytokine release syndrome are safely monitored |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |