JP6145042B2 - 患者の病気重篤性、致死性および滞在長さの連続的な予測の方法 - Google Patents
患者の病気重篤性、致死性および滞在長さの連続的な予測の方法 Download PDFInfo
- Publication number
- JP6145042B2 JP6145042B2 JP2013537242A JP2013537242A JP6145042B2 JP 6145042 B2 JP6145042 B2 JP 6145042B2 JP 2013537242 A JP2013537242 A JP 2013537242A JP 2013537242 A JP2013537242 A JP 2013537242A JP 6145042 B2 JP6145042 B2 JP 6145042B2
- Authority
- JP
- Japan
- Prior art keywords
- patient
- data
- outcome
- physiology
- laboratory 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 41
- 231100000225 lethality Toxicity 0.000 title description 3
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 34
- 238000012806 monitoring device Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000001154 acute effect Effects 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 4
- 239000003814 drug Substances 0.000 claims description 4
- 239000012530 fluid Substances 0.000 claims description 4
- 230000001684 chronic effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000000474 nursing effect Effects 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 230000036541 health Effects 0.000 description 7
- 238000011084 recovery Methods 0.000 description 5
- 210000002966 serum Anatomy 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 231100000518 lethal Toxicity 0.000 description 3
- 230000001665 lethal effect Effects 0.000 description 3
- BPYKTIZUTYGOLE-IFADSCNNSA-N Bilirubin Chemical compound N1C(=O)C(C)=C(C=C)\C1=C\C1=C(C)C(CCC(O)=O)=C(CC2=C(C(C)=C(\C=C/3C(=C(C=C)C(=O)N\3)C)N2)CCC(O)=O)N1 BPYKTIZUTYGOLE-IFADSCNNSA-N 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 208000004998 Abdominal Pain Diseases 0.000 description 1
- 206010008479 Chest Pain Diseases 0.000 description 1
- 208000000059 Dyspnea Diseases 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011847 diagnostic investigation Methods 0.000 description 1
- 238000001631 haemodialysis Methods 0.000 description 1
- 230000000322 hemodialysis Effects 0.000 description 1
- 208000000509 infertility Diseases 0.000 description 1
- 230000036512 infertility Effects 0.000 description 1
- 231100000535 infertility Toxicity 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/52—Predicting or monitoring the response to treatment, e.g. for selection of therapy based on assay results in personalised medicine; Prognosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Child & Adolescent Psychology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
Description
本願は、ヘルスケア環境における、滞在の長さ（length of stay）、致死性（mortality）、特定の療法の必要性および患者の病気の重篤性（severity）といった帰結変数（outcome variable）を予測するシステムまたは方法に関する。これは、ヘルスケア環境内での患者の滞在の長さまたは致死の確率を改善および最適化することに格別の用途を見出し、それに特に言及して説明されるが、集中治療室、麻酔後回復室、一般ケア病棟、リハビリテーション・ユニット、手術室などにも適用可能であることが理解されるであろう。
現在のところ、SAPS（Simplified Acute Physiology［単純化された急性生理］）システムのような患者回復／死亡率予測システムは典型的には患者の入院時に実行される。患者の滞在の長さまたは致死の確率は、いくつかの受け入れ基準の組み合わせに重み付けすることによって推定される。受け入れ基準は、受け入れ生命徴候、以前の慢性疾病、療法上および診断上の調査、手順（計画されたまたは計画されていない手術）、人口統計情報（年齢および性別）などを含む。予測ルーチンが入院の第一日より後に実行され、患者が前記後の日に受け入れられたばかりであるかのように同じルーチンおよびさまざまな基準の相対的重み付けが使われる場合には問題が存在する。
本発明者は、患者が数日間にわたり集中治療を受けたあとの患者の滞在の長さまたは致死の確率を予測するとき、予測の精度が下がることを観察した。臨床の実際では、処置（単数または複数）を受けたあとに改善しないことの臨床上の複雑な影響または入院後数日たってから発生する異常値のような特定の基準は、入院第一日における条件に比べて、異なる意義をもつことがある。たとえば、入院第一日における異常な血清重炭酸塩レベルは、病院に来る前に患者が受けた生理的な不摂生に起因することがある。しかしながら、入院後数日して集中的な療法およびモニタリング・ケア後に患者が血清重炭酸塩レベルに深刻な異常を発達させたとすると、患者が、集中的ケアの数日後にも軽減され得ない危機的な状態にあると推測されうる。
本願は、上述した問題その他を克服する、患者の帰結変数を予測する、新たな改善された方法およびシステムを提供する。
ある側面によれば、患者の帰結変数を予測する方法が提供される。生理および／または試験所データと、各患者が前記生理および／または試験所データが生成された時点においてどのくらいの期間ケアを受けていたかを示す滞在時間と、臨床データベースからの関連する帰結変数とを含む複数の過去の患者のデータ・フィールドの少なくとも一つがアクセスされる。前記複数の過去の患者の生理および／または試験所データ、対応する滞在時間および関連する帰結変数から、帰結変数推定アルゴリズムが生成される。
もう一つの側面によれば、患者情報装置が提供される。コントローラが患者モニタリング装置から現在の患者についての生理および／または試験所データを受け取る。ユニットが、現在の患者がケアを受けていた時間を示す滞在時間を決定する。予測ユニットが、決定された滞在時間を使って現在の患者の生理および／または試験所データに帰結変数推定アルゴリズムを適用することによって、帰結変数を予測する。
もう一つの側面によれば、帰結の確率を予測する方法が提供される。医療施設においてケアのもとに滞在している現在の患者について生理および／または試験所データが測定される。前記医療施設において現在の患者がケアのもとに滞在してきた滞在時間が決定される。測定された生理および／または試験所データおよび決定された滞在時間を使って、滞在時間に依存する帰結予測アルゴリズムが適用され、帰結の確率を予測する。
一つの利点は、患者の滞在の長さまたは致死の確率を予測する改善された精度および品質にある。
もう一つの利点は、患者の滞在を通じて新しいまたは改訂された入力データが利用可能になるにつれての、患者の滞在の長さまたは致死の確率の予測のリアルタイム更新にある。
もう一つの利点は、改善された患者スループットにある。
本発明のさらなる利点は、以下の詳細な説明を読み、理解すれば当業者には明白であろう。
本発明は、さまざまな構成要素および構成要素の配列において実現されうる。図面は単に好ましい実施形態を例解するためのものであって、本発明を限定するものと解釈されるべきではない。
図１を参照するに、患者の生理パラメータを直接または試験所（laboratory）において測定し、それを示す生理データを生成するさまざまな医療モニタリング装置またはセンサー１０によって患者（図示せず）がモニタリングされる。これらの医療モニタリング装置１０は、ECG電極をもつ心電図（ECG）機器、IV流体ポンプ、血圧センサー、SpO2センサー、脈センサー、温度計、呼吸センサー、呼気センサーなどを含んでいてもよい。他の医療モニタリング装置１０が患者に付随させられることができ、何らかの所与の時点において上述した医療モニタリング装置１０のすべてが患者に付随させられる必要はない。二つの医療モニタリング装置１０のみが示されているが、より多くの医療モニタリング装置が考えられることは理解しておくべきである。本稿での用法では、医療モニタリング装置は、患者の健康などを示すデータ源を意味する。医療モニタリング装置１０からの信号を受信し、任意的にかかる信号に対して信号処理を実行する電子回路は、図示した実施形態では、多機能患者モニタ装置（PMD: patient monitor device）１２として具現されており、あるいは部分的にまたは全体的に、医療モニタリング装置１０の一つまたは複数と一緒に配置されるボード上の電子回路などとして具現されてもよい。医療モニタリング装置１０およびPMD １２が単一の装置中に具現されることもできることも理解しておくべきである。たとえばPMD １２は、外来患者が身につけるモニタリング・システムの送信機などのような、患者と一緒に移動するモニタまたはモニタリング・システムであってもよい。
ある実施形態では、医療モニタリング装置１０は、身体結合ネットワーク（body coupled network）、ブルートゥース、有線または無線ネットワークなどを介してPMD １２のコントローラ１４に、生成された生理データを送信する。PMD １２は、医療モニタリング装置１０によって測定された生理データのための収集点のはたらきをし、メモリ１６において該データのための一時的な記憶を提供する。集められた生理データは並行してPMD １２中のコントローラ１４に送信され、次いでPMD １２は該生理データを病院ネットワーク（図示せず）を通じて患者情報サーバー１８に送信する。患者情報サーバー１８において生理データは表示され、記憶される。PMD １２のコントローラ１４は、ディスプレイ２０をも制御して、医療モニタリング装置１０のそれぞれから受信された測定された生理データを、対応するPMDディスプレイ２０において表示させる。PMD １２は、システム管理者のようなユーザーがディスプレイ１８上に表示されるデータを閲覧し、操作しおよび／またはこれと対話することを許容する入力装置２２をも含む。入力装置２０は別個のコンポーネントであってもよいし、タッチスクリーン・モニタの場合のようにディスプレイ１８中に統合されることもできる。コントローラ１４はプロセッサまたはコンピュータ、ソフトウェアなどを含んでいてもよい。
試験所サーバー２４は病院ネットワークを通じて試験所データを患者情報サーバー１８に送信する。試験所データは白血球計数データ、血清カリウム・データ、血清ナトリウム・データ、血清重炭酸塩データ、ビリルビン・レベル・データなどを含んでいてもよい。他の試験所データが患者に関連付けられることができ、何らかの所与の時点において上述した試験所データのすべてが患者に関連付けられる必要はない。本稿での用法では、試験所データは、患者の健康などを示すデータ源を意味する。
試験所サーバー２４は、試験所においてまたは臨床的分析を通じて臨床担当者によって測定された試験所データのための収集点のはたらきをし、メモリ２６において該データのための一時的な記憶を提供する。集められた試験所データは並行して試験所サーバー２４内のコントローラ２８に送信され、次いで試験所サーバー２４が試験所データを病院ネットワークを通じて患者情報サーバー１８に送信する。患者情報サーバー１８において試験所データは表示され、記憶される。試験所サーバー２４のコントローラ２８は、ディスプレイ３０をも制御して、試験所においてまたは臨床的分析を通じて臨床担当者から受領された集められた試験所データを、ディスプレイ３０において表示させる。試験所サーバー２４は、臨床担当者のようなユーザーが、試験所データを入力し、ディスプレイ３０上に表示されるデータを閲覧し、操作しおよび／またはこれとインターフェースをもつことを許容する入力装置３２をも含む。入力装置３２は別個のコンポーネントであってもよいし、タッチスクリーン・モニタの場合のようにディスプレイ３０中に統合されることもできる。コントローラ２８はプロセッサまたはコンピュータ、ソフトウェアなどを含んでいてもよい。
ある実施形態では、受け入れ（admitting）ユニット３４は患者データを病院ネットワークを通じて患者情報サーバー１８に送信する。患者データは、患者の年齢、患者の性別、患者の慢性疾病、患者履歴、受け入れの型などを含む。他の患者データが患者に関連付けられることができ、何らかの所与の時点で上述した患者データのすべてが患者に関連付けられる必要はない。本稿での用法では、患者データは、一般的な患者情報、患者履歴などを示すデータ源を意味する。
受け入れユニット３４は、受け入れ人員によって集められる患者データのための収集点のはたらきをし、メモリ３６において該データのための一時的な記憶を提供する。患者データは並行して受け入れユニット３４内のコントローラ３８に送信され、次いで受け入れユニット３４が患者データを病院ネットワークを通じて患者サーバー１８に送信する。患者サーバー１８では患者データは表示され、記憶される。受け入れユニット３４のコントローラ３８は、ディスプレイ４０をも制御して、受け入れ人員から受領された集められた患者データを、ディスプレイ４０において表示させる。受け入れユニット３４は、受け入れ人員のようなユーザーが、患者データを入力し、ディスプレイ４０上に表示されるデータを閲覧し、操作しおよび／またはこれとインターフェースをもつことを許容する入力装置４２をも含む。入力装置４２は別個のコンポーネントであってもよいし、タッチスクリーン・モニタの場合のようにディスプレイ４０中に統合されることもできる。コントローラ３８はプロセッサまたはコンピュータ、ソフトウェアなどを含んでいてもよい。
患者情報サーバー１８のコントローラ４４は、患者モニタ１２からの生理データ、試験所サーバー２４からの試験所データおよび受け入れユニット３４からの患者データを受け取り、該生理データ、試験所データおよび患者データをメモリ４６に保存する。次いで該コントローラは、患者情報サーバー１８のディスプレイ４８を制御して、患者から受け取られた、生理データ、試験所データおよび患者データをディスプレイ４８に表示させる。患者情報サーバーは、管理人員のようなユーザーがディスプレイ４８上に表示されるデータを閲覧し、操作し、および／またはこれとインターフェースをもつことを許容する入力装置５０をも含む。入力装置５０は別個のコンポーネントであってもよいし、タッチスクリーン・モニタの場合のようにディスプレイ４８中に統合されていることもできる。
ある実施形態では、データ・マイニング・サーバー５１が、世界サーバー、複数の国別サーバー、複数の領域サーバーおよび複数の病院サーバーなどのような臨床データベース５２に接続される。臨床データベース５２は、入力データ・フィールドおよび関連付けられた帰結変数を含む過去の患者事例および研究を記憶する患者データベース５４を含む。患者入力データ・フィールドは、患者事例および研究に関係した、一つまたは複数の生命徴候（心拍数、血圧、呼吸数、酸素飽和度、体重、他の血圧などを含む）、慢性問題、急性受け入れ問題（胸痛、息切れ、精神状態の変調／錯乱、腹痛など）を含む自動化されたまたはユーザー入力された問題リスト、ICD-9コード（または等価なコード化された医学上の問題）、臨床試験所データ、流体バランス、投薬、人工呼吸器設定、主観的看護評価、撮像研究の結果、患者人口統計情報（年齢、性別、人種／民族的背景）、病院またはICUにおける現在の滞在時間などを含む。患者帰結変数は、関連する患者事例および研究の帰結に関係する、滞在の長さ、死亡率または介入（投薬、人工呼吸、血液透析など）の必要性を含む。検索エンジン５６は、要求された入力データ・フィールドおよび関連する変数帰結への相関を見出すために、患者事例および研究の各生命徴候または他の滞在時間に依存するデータ・フィールド特徴での滞在時間を含む患者データベース５４を検索する。次いで相関する患者事例および研究がコントローラ５８によって、データ・マイニング・サーバー５１のコントローラ５７に送信される。コントローラ５７、５８はプロセッサまたはコンピュータ、ソフトウェアなどを含んでいてもよい。
データ・マイニング・サーバー５１のコントローラ５７は、臨床データベース５２にアクセスして検索し、過去の患者事例および研究からの複数の入力データ・フィールドおよび関連する帰結変数を探す。ある実施形態では、帰結変数推定アルゴリズムは、患者が現在の医療イベントについてケアを受けてきた、病院に滞在してきた、集中ケアを受けていた、などの時間に基づいて種々の基準に適正に重み付けするために、患者回復／致死スコア付けシステムのための、滞在時間に依存するスコアまたは重み付け因子を含む。
もう一つの実施形態では、コントローラは、患者の病院滞在を通じて利用可能にされるにつれて、入力データ・フィールド、滞在時間および過去の患者の事例および研究からの関連する帰結変数を利用して、患者の生理データ、試験所データおよび患者データからリアルタイムで現在の患者の帰結変数を予測するための、帰結変数推定アルゴリズムを発達させる。
典型的には、帰結変数予測ソフトウェア、アルゴリズムまたはルーチンは、プロセッサによる実行のために他の有体のメモリまたはコンピュータ可読媒体４６に記憶され、担持される。コンピュータ可読媒体４６の型は、ハードディスク・ドライブ、CD-ROM、DVD-ROMなどのようなメモリを含む。プロセッサの他の実装も考えられる。ディスプレイ・コントローラ、特定用途向け集積回路（ASIC: Application Specific Integrated Circuit）およびマイクロコントローラが、前記プロセッサの機能を提供するために実装されうる他の型のコンポーネントの例示的な例である。諸実施形態は、プロセッサ、ハードウェアまたはそれらの何らかの組み合わせによる実行のためのソフトウェアを使って実装されてもよい。
患者情報サーバー１８の予測ユニットまたはプロセッサ６０は、帰結変数推定または予測プログラム、ソフトウェア、アルゴリズム、ルーチンなどをデータ・マイニング・サーバー５１から直接またはコンピュータ可読媒体を介して受け取る。予測プロセッサは、現在の患者の滞在時間、すなわち現在のケアが始まって以来、病院または集中治療室への受け入れ以来などの時間を決定する滞在時間決定ユニット６１、プロセッサ、ルーチンまたは手段と接続される。予測プロセッサ６０は、帰結変数（単数または複数）を推定または予測するために、現在の滞在時間を使って、帰結変数推定プログラム、ソフトウェア、ルーチンまたはアルゴリズムを現在の患者の生理および／または試験所データに適用する。帰結変数推定プログラムが滞在時間に依存する重み付け値またはスコアの生成を含むとき、滞在時間依存性は、根底にある入力データ・フィールドが最後に更新された時刻に基づいて計算される。最も最近のまたは現在の帰結変数（単数または複数）がディスプレイ４８上に表示される。
図２を参照するに、帰結変数推定アルゴリズムを生成するためのフローチャート図が示されている。ステップ１００では、臨床データベースがアクセスされ、検索され、複数の過去の入力データ・フィールドXおよび関連する過去の帰結変数Yoが探される。過去の患者事例および研究からの過去の入力データ・フィールドXおよび関連する過去の帰結変数Yoは、世界サーバー、複数の国別サーバー、複数の領域サーバーおよび複数の病院またはローカル病院サーバーの内容を含む複数の臨床データベースに源を発する。
ステップ１０２では、過去の入力データ・フィールドXおよび過去の帰結変数Yoを使って、患者の生理データ、試験所データおよび患者データから現在の患者の帰結変数Yestを予測するための最適な関数F(X,t)を発達させる。関数F(X,t)は、患者の病院滞在中の任意の時刻tにおける入力データ・フィールドXを使って帰結変数Yoを推定することができる。この関数は、線形回帰分析、非線形回帰分析、ニューラルネットワーク、サポートベクターマシン、放射基底関数、エキスパート規則に基づく手法または分類器決定木などを含むいくつかの異なる方法を使って同定できる。
ある実施形態では、F(X,t)の決定は、多重線形回帰を使って、患者事例および研究の集合を記憶している複数のデータベースの入力データ・フィールドXおよび関連する出力変数Yoを利用することができる。すると、推定された帰結変数Yestは、
Yest＝F(X,t)
ここで、min|Yest−Yo|
によって定義される。
Yest＝F(X,t)
ここで、min|Yest−Yo|
によって定義される。
トレーニング・プロセスにおいて、推定された帰結と観察された帰結の差を最小にする関数F(X,t)を見出すために、最小二乗推定および勾配探索を含むいくつかの形の最適化技法の一つを使うことができる。以下の例では、入力データ・ベクトルXを生成するために、K個の臨床データ項目がN人の異なる患者から選ばれる。これらN人の患者からの関連する観察された（既知の）帰結YOはベクトル[yo1…yoN]Tによって記される。たとえば、帰結変数ベクトルは、病院またはICUに滞在したそれぞれのN人の患者のそれぞれの日数のベクトルに等しいことができる。最適関数（ベクトル[b1,t…bK,t]Tによって定義される）を使っての予測される帰結は、Yestと記される（ここで、Yest＝[yest1…yestN]）。
ステップ１０４では、関数F(X,t)はあるさまざまな帰結変数について同定され、患者の病院滞在を通じて利用可能になるにつれて現在の患者の生理データ、試験所データおよび患者データから、滞在の長さ，死亡率または介入の必要性を含むさまざまな帰結変数Festをリアルタイムで予測するために利用される。ある実施形態では、帰結変数推定アルゴリズムは、患者が病院に滞在しており集中的なケアを受けてきた時間に基づいて種々の基準に適正に重み付けするために、患者回復／致死スコア付けシステムに適用される。ある実施形態では、関数F(X,t)は受け入れ後の各日について発達させられる（ここで、ICU日に丸められてt＝0、1、2、3）。
下記の表に示されるように、患者の健康に関係する種々の変数のそれぞれの特定の検査結果について、伝統的な患者健康スコアが与えられている。これらの患者健康スコアは、受け入れの時点での患者の健康に関係しており、患者が病院またはICUで過ごす時間を考慮に入れない。患者が病院またはICUにいて集中的なケアを受けていた時間を考慮に入れるため、帰結変数推定アルゴリズムが適用される。帰結変数推定アルゴリズムの適用は、患者健康スコアに、患者が病院に滞在していた時間の長さで適正に重み付けする。滞在時間に依存するスコアの和は、患者の帰結変数の予測を与える。
図３を参照するに、予測ユニットの動作のフローチャート図が示されている。ステップ２００では、現在の患者の生理データ、試験所データおよび患者データがステップ２００において入力される。ステップ２０２では、帰結変数推定アルゴリズム、たとえば滞在時間に依存する重み付け値またはスコアをもつものが、その患者の死亡率を決定するために使われる。ステップ２０４では、その患者の生理データ、試験所データおよび患者データから、その患者の死亡率が30%であると推定される。ステップ２０６では、帰結変数推定アルゴリズムが、その患者の滞在の長さを決定するために使われる。ステップ２０８では、その患者の生理データ、試験所データおよび患者データから、その患者の滞在の長さが8.5日であると推定される。
図４を参照するに、フローチャート図が示されている。ステップ３００では、患者生理データがPMDによって収集され、患者情報サーバーに送信される。ステップ３０２では、患者試験所データが試験所サーバーによって収集され、情報サーバーに送信される。ステップ３０４では、患者データが受け入れユニットによって収集され、患者情報サーバーに送信される。ステップ３０６では、臨床データベースから、複数の過去の入力データ・フィールドおよび関連する過去の帰結変数が、アクセスされる。ステップ３０８では、患者の生理データ、試験所データおよび患者データから患者の帰結変数を予測するための変数帰結または予測推定アルゴリズムが、入力データ・フィールドおよび帰結変数を使って発達させられる。ステップ３１０では、現在の患者の帰結変数が患者の生理データ、試験所データ、滞在時間、他の患者入力データ・フィールドおよび前記帰結変数推定アルゴリズムからリアルタイムで予測される。
本発明について好ましい実施形態を参照して述べてきた。以上の詳細な説明を読み、理解すれば他の者にも修正や変更が思いつくことがありうる。本発明は、付属の請求項およびその等価物の範囲にはいる限りそのようなすべての修正および変更を含むものと解釈されることが意図されている。
いくつかの態様を記載しておく。
〔態様１〕
患者モニタリング装置（１２）から現在の患者についての生理および／または試験所データを受け取るコントローラ（４４）と；
現在の患者がケアを受けてきた時間を示す滞在時間を決定するユニットと；
決定された滞在時間を使って、現在の患者の生理および／または試験所データに帰結変数推定アルゴリズムを適用することによって、帰結変数を予測する予測ユニットとを有する、
患者情報装置（１８）。
〔態様２〕
前記帰結変数が、滞在の長さ、致死の確率および介入の必要性のうちの少なくとも一つを含む、態様１記載の装置。
〔態様３〕
前記予測ユニットが、前記帰結変数をリアルタイムで連続的に予測する、態様１または２記載の装置。
〔態様４〕
態様１ないし３のうちいずれか一項記載の装置であって、前記帰結変数予測アルゴリズムが：
臨床データベースからの、複数の過去の患者のうち少なくとも一人の、生理および／または試験所データおよび各患者が該生理および／または試験所データが生成された時点でどのくらいの期間ケアを受けてきたかを示す滞在時間を含むデータ・フィールドと、関連付けられた帰結変数とにアクセスし；
前記複数の過去の患者の生理および／または試験所データ、対応する滞在時間および関連付けられた帰結変数から帰結変数推定アルゴリズムを生成することによって、
生成される、
装置。
〔態様５〕
態様１ない４のうちいずれか一項記載の装置であって、前記帰結変数予測アルゴリズムが：線形回帰分析、非線形回帰分析、ニューラルネットワーク、サポートベクターマシン、動径基底関数、エキスパート規則に基づく手法および分類器決定木のうちの少なくとも一つを使って生成される、
装置。
〔態様６〕
態様１ないし５のうちいずれか一項記載の患者情報装置と；
患者から生理データを収集する前記患者モニタ装置とを有する、
患者モニタリング・システム。
〔態様７〕
患者の試験所データを前記患者情報装置に送信する試験所サーバーをさらに含む、
態様６記載のシステム。
〔態様８〕
予測された帰結変数を表示するディスプレイをさらに有する、態様６または７記載のシステム。
〔態様９〕
患者の帰結変数を予測する方法であって：
臨床データベースからの、複数の過去の患者のうち少なくとも一人の、生理および／または試験所データおよび各患者が該生理および／または試験所データが生成された時点でどのくらいの期間ケアを受けてきたかを示す滞在時間を含むデータ・フィールドと、関連付けられた帰結変数とにアクセスする段階と；
前記複数の過去の患者の生理および／または試験所データ、対応する滞在時間および関連付けられた帰結変数から帰結変数推定アルゴリズムを生成する段階とを含む、
方法。
〔態様１０〕
前記帰結変数が、滞在の長さ、致死の確率および介入の必要性のうちの少なくとも一つを含む、態様９記載の方法。
〔態様１１〕
現在の患者の生理および／または試験所データを受け取る段階と；
現在の患者がケアを受けていた現在の滞在時間を決定する段階と；
現在の患者の生理および／または試験所データおよび現在の滞在時間に前記帰結変数推定アルゴリズムを適用して、現在の患者の帰結の確率を推定する段階とを含む、
態様９または１０記載の方法。
〔態様１２〕
前記過去の患者のデータ・フィールドが：一つまたは複数の生命徴候と、慢性問題、急性受け入れ問題を含む自動化されたまたはユーザー入力された問題リストと、臨床試験所データと、流体バランスと、投薬と、人工呼吸器設定と、主観的看護評価と、撮像研究の結果と、患者人口統計情報と、病院またはICUにおける現在の滞在時間とのうちの少なくとも一つを含む、態様９ないし１１のうちいずれか一項記載の方法。
〔態様１３〕
前記過去の患者の関連付けられた帰結変数が：滞在時間、致死率および介入の必要性のうちの少なくとも一つを含む、態様９ないし１２のうちいずれか一項記載の方法。
〔態様１４〕
態様９ないし１３のうちいずれか一項記載の方法であって、前記帰結変数予測アルゴリズムが：線形回帰分析、非線形回帰分析、ニューラルネットワーク、サポートベクターマシン、動径基底関数、エキスパート規則に基づく手法および分類器決定木のうちの少なくとも一つを使って同定される、方法。
〔態様１５〕
現在の患者の帰結変数の予測がリアルタイムで連続的である、態様９ないし１４のうちいずれか一項記載の方法。
〔態様１６〕
プロセッサにロードされたときに、該プロセッサを、態様９ないし１５のうちいずれか一項記載の方法を実行するようプログラムするソフトウェアを含んでいるコンピュータ可読媒体。
〔態様１７〕
帰結の確率を予測する方法であって；
医療施設においてケアのもとに滞在している現在の患者について生理および／または試験所データを測定する段階と；
前記医療施設において現在の患者がケアのもとに滞在してきた滞在時間を決定する段階と；
測定された生理および／または試験所データおよび決定された滞在時間を使って、滞在時間に依存する帰結予測アルゴリズムを適用して、帰結の確率を予測する段階とを含む、
方法。
〔態様１８〕
プロセッサにロードされたときに、該プロセッサを、態様１７記載の方法を実行するようプログラムするソフトウェアを含んでいるコンピュータ可読媒体。
〔態様１９〕
態様１７記載の方法を実行するようプログラムされたプロセッサ。
〔態様２０〕
現在の患者からの生理および／または試験所データを受け取る患者情報ユニットと；
滞在時間を計算するユニットと；
態様１７記載の方法を実行するようプログラムされた予測プロセッサと；
帰結の確率を表示するディスプレイとを有する、
患者情報システム。
いくつかの態様を記載しておく。
〔態様１〕
患者モニタリング装置（１２）から現在の患者についての生理および／または試験所データを受け取るコントローラ（４４）と；
現在の患者がケアを受けてきた時間を示す滞在時間を決定するユニットと；
決定された滞在時間を使って、現在の患者の生理および／または試験所データに帰結変数推定アルゴリズムを適用することによって、帰結変数を予測する予測ユニットとを有する、
患者情報装置（１８）。
〔態様２〕
前記帰結変数が、滞在の長さ、致死の確率および介入の必要性のうちの少なくとも一つを含む、態様１記載の装置。
〔態様３〕
前記予測ユニットが、前記帰結変数をリアルタイムで連続的に予測する、態様１または２記載の装置。
〔態様４〕
態様１ないし３のうちいずれか一項記載の装置であって、前記帰結変数予測アルゴリズムが：
臨床データベースからの、複数の過去の患者のうち少なくとも一人の、生理および／または試験所データおよび各患者が該生理および／または試験所データが生成された時点でどのくらいの期間ケアを受けてきたかを示す滞在時間を含むデータ・フィールドと、関連付けられた帰結変数とにアクセスし；
前記複数の過去の患者の生理および／または試験所データ、対応する滞在時間および関連付けられた帰結変数から帰結変数推定アルゴリズムを生成することによって、
生成される、
装置。
〔態様５〕
態様１ない４のうちいずれか一項記載の装置であって、前記帰結変数予測アルゴリズムが：線形回帰分析、非線形回帰分析、ニューラルネットワーク、サポートベクターマシン、動径基底関数、エキスパート規則に基づく手法および分類器決定木のうちの少なくとも一つを使って生成される、
装置。
〔態様６〕
態様１ないし５のうちいずれか一項記載の患者情報装置と；
患者から生理データを収集する前記患者モニタ装置とを有する、
患者モニタリング・システム。
〔態様７〕
患者の試験所データを前記患者情報装置に送信する試験所サーバーをさらに含む、
態様６記載のシステム。
〔態様８〕
予測された帰結変数を表示するディスプレイをさらに有する、態様６または７記載のシステム。
〔態様９〕
患者の帰結変数を予測する方法であって：
臨床データベースからの、複数の過去の患者のうち少なくとも一人の、生理および／または試験所データおよび各患者が該生理および／または試験所データが生成された時点でどのくらいの期間ケアを受けてきたかを示す滞在時間を含むデータ・フィールドと、関連付けられた帰結変数とにアクセスする段階と；
前記複数の過去の患者の生理および／または試験所データ、対応する滞在時間および関連付けられた帰結変数から帰結変数推定アルゴリズムを生成する段階とを含む、
方法。
〔態様１０〕
前記帰結変数が、滞在の長さ、致死の確率および介入の必要性のうちの少なくとも一つを含む、態様９記載の方法。
〔態様１１〕
現在の患者の生理および／または試験所データを受け取る段階と；
現在の患者がケアを受けていた現在の滞在時間を決定する段階と；
現在の患者の生理および／または試験所データおよび現在の滞在時間に前記帰結変数推定アルゴリズムを適用して、現在の患者の帰結の確率を推定する段階とを含む、
態様９または１０記載の方法。
〔態様１２〕
前記過去の患者のデータ・フィールドが：一つまたは複数の生命徴候と、慢性問題、急性受け入れ問題を含む自動化されたまたはユーザー入力された問題リストと、臨床試験所データと、流体バランスと、投薬と、人工呼吸器設定と、主観的看護評価と、撮像研究の結果と、患者人口統計情報と、病院またはICUにおける現在の滞在時間とのうちの少なくとも一つを含む、態様９ないし１１のうちいずれか一項記載の方法。
〔態様１３〕
前記過去の患者の関連付けられた帰結変数が：滞在時間、致死率および介入の必要性のうちの少なくとも一つを含む、態様９ないし１２のうちいずれか一項記載の方法。
〔態様１４〕
態様９ないし１３のうちいずれか一項記載の方法であって、前記帰結変数予測アルゴリズムが：線形回帰分析、非線形回帰分析、ニューラルネットワーク、サポートベクターマシン、動径基底関数、エキスパート規則に基づく手法および分類器決定木のうちの少なくとも一つを使って同定される、方法。
〔態様１５〕
現在の患者の帰結変数の予測がリアルタイムで連続的である、態様９ないし１４のうちいずれか一項記載の方法。
〔態様１６〕
プロセッサにロードされたときに、該プロセッサを、態様９ないし１５のうちいずれか一項記載の方法を実行するようプログラムするソフトウェアを含んでいるコンピュータ可読媒体。
〔態様１７〕
帰結の確率を予測する方法であって；
医療施設においてケアのもとに滞在している現在の患者について生理および／または試験所データを測定する段階と；
前記医療施設において現在の患者がケアのもとに滞在してきた滞在時間を決定する段階と；
測定された生理および／または試験所データおよび決定された滞在時間を使って、滞在時間に依存する帰結予測アルゴリズムを適用して、帰結の確率を予測する段階とを含む、
方法。
〔態様１８〕
プロセッサにロードされたときに、該プロセッサを、態様１７記載の方法を実行するようプログラムするソフトウェアを含んでいるコンピュータ可読媒体。
〔態様１９〕
態様１７記載の方法を実行するようプログラムされたプロセッサ。
〔態様２０〕
現在の患者からの生理および／または試験所データを受け取る患者情報ユニットと；
滞在時間を計算するユニットと；
態様１７記載の方法を実行するようプログラムされた予測プロセッサと；
帰結の確率を表示するディスプレイとを有する、
患者情報システム。
Claims (15)
- 患者モニタリング装置から現在の患者についての生理および／または試験所データを受け取るコントローラと；
現在の患者がケアを受けてきた時間を示す滞在時間を決定するユニットと；
決定された滞在時間を使って、現在の患者の生理および／または試験所データに帰結変数推定アルゴリズムを適用することによって、帰結変数を予測する予測ユニットとを有する、
患者情報装置。 - 前記帰結変数が、滞在の長さ、致死の確率および介入の必要性のうちの少なくとも一つを含む、請求項１記載の患者情報装置。
- 前記予測ユニットが、前記帰結変数をリアルタイムで連続的に予測する、請求項１または２記載の患者情報装置。
- 請求項１ないし３のうちいずれか一項記載の患者情報装置であって、前記帰結変数推定アルゴリズムが：
臨床データベースからの、複数の過去の患者のうち少なくとも一人の、生理および／または試験所データおよび各患者が該生理および／または試験所データが生成された時点でどのくらいの期間ケアを受けてきたかを示す滞在時間を含むデータ・フィールドと、関連付けられた帰結変数とにアクセスし；
前記複数の過去の患者の生理および／または試験所データ、対応する滞在時間および関連付けられた帰結変数から帰結変数推定アルゴリズムを生成することによって、
生成される、
患者情報装置。 - 請求項１ない４のうちいずれか一項記載の患者情報装置であって、前記帰結変数推定アルゴリズムが：線形回帰分析、非線形回帰分析、ニューラルネットワーク、サポートベクターマシン、動径基底関数、エキスパート規則に基づく手法および分類器決定木のうちの少なくとも一つを使って生成される、
患者情報装置。 - 請求項１ないし５のうちいずれか一項記載の患者情報装置と；
患者から生理データを収集する前記患者モニタリング装置とを有する、
患者モニタリング・システム。 - 患者の帰結変数を予測する方法であって：
臨床データベースからの、複数の過去の患者のうち少なくとも一人の、生理および／または試験所データおよび各患者が該生理および／または試験所データが生成された時点でどのくらいの期間ケアを受けてきたかを示す滞在時間を含むデータ・フィールドと、関連付けられた帰結変数とにアクセスする段階と；
前記複数の過去の患者の生理および／または試験所データ、対応する滞在時間および関連付けられた帰結変数から帰結変数推定アルゴリズムを生成する段階とを含む、
方法。 - 前記帰結変数が、滞在の長さ、致死の確率および介入の必要性のうちの少なくとも一つを含む、請求項７記載の方法。
- 現在の患者の生理および／または試験所データを受け取る段階と；
現在の患者がケアを受けていた現在の滞在時間を決定する段階と；
現在の患者の生理および／または試験所データおよび現在の滞在時間に前記帰結変数推定アルゴリズムを適用して、現在の患者の帰結の確率を推定する段階とを含む、
請求項７または８記載の方法。 - 前記過去の患者のデータ・フィールドが：一つまたは複数の生命徴候と、慢性問題、急性受け入れ問題を含む自動化されたまたはユーザー入力された問題リストと、臨床試験所データと、流体バランスと、投薬と、人工呼吸器設定と、主観的看護評価と、撮像研究の結果と、患者人口統計情報と、病院またはICUにおける現在の滞在時間とのうちの少なくとも一つを含む、請求項７ないし９のうちいずれか一項記載の方法。
- 前記過去の患者の関連付けられた帰結変数が：滞在時間、致死率および介入の必要性のうちの少なくとも一つを含む、請求項７ないし１０のうちいずれか一項記載の方法。
- 請求項７ないし１１のうちいずれか一項記載の方法であって、前記帰結変数推定アルゴリズムが：線形回帰分析、非線形回帰分析、ニューラルネットワーク、サポートベクターマシン、動径基底関数、エキスパート規則に基づく手法および分類器決定木のうちの少なくとも一つを使って同定される、方法。
- 現在の患者の帰結変数の予測がリアルタイムで連続的である、請求項７ないし１２のうちいずれか一項記載の方法。
- プロセッサに請求項７ないし１３のうちいずれか一項記載の方法を実行させるためのコンピュータ・プログラム。
- 帰結の確率を予測する方法であって；
測定手段が、医療施設においてケアのもとに滞在している現在の患者について生理および／または試験所データを測定する段階と；
滞在時間決定ユニットが、前記医療施設において現在の患者がケアのもとに滞在してきた滞在時間を決定する段階と；
予測ユニットが、測定された生理および／または試験所データおよび決定された滞在時間を使って、滞在時間に依存する帰結推定アルゴリズムを適用して、帰結の確率を予測する段階とを含む、
方法。
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 |
|---|---|
| JP2013545188A JP2013545188A (ja) | 2013-12-19 |
| JP6145042B2 true JP6145042B2 (ja) | 2017-06-07 |
Family
ID=45002088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2013537242A Active JP6145042B2 (ja) | 2010-11-08 | 2011-11-03 | 患者の病気重篤性、致死性および滞在長さの連続的な予測の方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US9569723B2 (ja) |
| EP (2) | EP3779994B1 (ja) |
| JP (1) | JP6145042B2 (ja) |
| CN (1) | CN103201743B (ja) |
| BR (1) | BR112013011031A2 (ja) |
| RU (1) | RU2630122C2 (ja) |
| WO (1) | WO2012063166A1 (ja) |
Families Citing this family (45)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110320223A1 (en) * | 2010-06-28 | 2011-12-29 | Hartford Fire Insurance Company | System and method for analysis of insurance claims |
| US9183710B2 (en) | 2012-08-03 | 2015-11-10 | Novasentis, Inc. | Localized multimodal electromechanical polymer transducers |
| WO2014071145A1 (en) | 2012-11-02 | 2014-05-08 | The University Of Chicago | Patient risk evaluation |
| US9164586B2 (en) | 2012-11-21 | 2015-10-20 | Novasentis, Inc. | Haptic system with localized response |
| US9053617B2 (en) | 2012-11-21 | 2015-06-09 | Novasentis, Inc. | Systems including electromechanical polymer sensors and actuators |
| WO2014107677A1 (en) | 2013-01-07 | 2014-07-10 | Novasentis, Inc. | Method and localized haptic response system provided on an interior-facing surface of a housing of an electronic device |
| US10088936B2 (en) | 2013-01-07 | 2018-10-02 | Novasentis, Inc. | Thin profile user interface device and method providing localized haptic response |
| EP2967375A1 (en) * | 2013-03-12 | 2016-01-20 | 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 |
| US20160048654A1 (en) * | 2014-08-12 | 2016-02-18 | Allscripts Software, Llc | Patient observations submission state engine |
| 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*** |
| 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 |
| 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 |
| 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 |
| 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*** |
| 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*** |
| 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***及试剂盒 |
| WO2020089732A2 (en) | 2018-10-29 | 2020-05-07 | 3M Innovative Properties Company | Patient treatment resource utilization predictor |
| CN109616218A (zh) * | 2018-12-04 | 2019-04-12 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
| US11875903B2 (en) | 2018-12-31 | 2024-01-16 | Tempus Labs, Inc. | Method and process for predicting and analyzing patient cohort response, progression, and survival |
| WO2020142551A1 (en) | 2018-12-31 | 2020-07-09 | Tempus Labs | A method and process for predicting and analyzing patient cohort response, progression, and survival |
| EP3931836A1 (en) * | 2019-03-01 | 2022-01-05 | Sanofi | Methods to estimate effectiveness of a medial treatment |
| 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 |
| 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 |
| US20220375568A1 (en) * | 2019-10-04 | 2022-11-24 | Nec Corporation | Rehabilitation planning apparatus, rehabilitation planning system, rehabilitation planning method, and computer readable medium |
| KR102510992B1 (ko) * | 2020-03-05 | 2023-03-16 | 가톨릭대학교 산학협력단 | 환자의 정보를 기반으로 재원기간을 예측하는 장치, 방법 및 프로그램 |
| KR102310455B1 (ko) * | 2020-03-05 | 2021-10-07 | 가톨릭대학교 산학협력단 | 관상동맥우회술 환자의 최초 중환자실 재실시간과 최초 기도삽관시간을 이용하여 재원기간을 예측하는 방법, 시스템 및 프로그램 |
| CN111612278A (zh) * | 2020-06-01 | 2020-09-01 | 戴松世 | 生命状态预测方法、装置、电子设备及存储介质 |
| CN112270994B (zh) * | 2020-10-14 | 2021-08-17 | 中国医学科学院阜外医院 | 一种风险预测模型的构建方法、设备、终端及存储介质 |
| CN112397146B (zh) * | 2020-12-02 | 2021-08-24 | 广东美格基因科技有限公司 | 一种基于云平台的微生物组学数据交互分析*** |
| 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*** |
| DE102021112270A1 (de) | 2021-05-11 | 2022-11-17 | Markus Vogel | Verfahren zum Bereitstellen von Informationen über einen Patienten und System zum Bereitstellen von Informationen über einen Patienten |
| WO2023122837A1 (es) * | 2021-12-28 | 2023-07-06 | Universidad Peruana De Ciencias Aplicadas | Equipo electrónico para la estimación del tiempo de hospitalización de pacientes diagnosticados con enfermedad respiratoria |
| WO2024092136A2 (en) * | 2022-10-28 | 2024-05-02 | Memorial Sloan-Kettering Cancer Center | Machine learning modeling for inpatient prediction |
Family Cites Families (14)
| 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 |
| EP1894133A1 (en) * | 2005-06-09 | 2008-03-05 | Koninklijke Philips Electronics N.V. | Morphograms in different time scales for robust trend analysis in intensive/critical care unit patients |
| JP5584413B2 (ja) * | 2005-06-22 | 2014-09-03 | コーニンクレッカ フィリップス エヌ ヴェ | 患者監視システム及び監視する方法 |
| 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 |
| AU2007308078A1 (en) | 2006-10-13 | 2008-04-17 | PeraHealth, Inc | System and method for providing a health score for a patient |
| 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 |
| JP5357871B2 (ja) * | 2007-07-13 | 2013-12-04 | コーニンクレッカ フィリップス エヌ ヴェ | 急性の動的な疾患の意思決定支援システム |
| US20090112618A1 (en) * | 2007-10-01 | 2009-04-30 | Johnson Christopher D | Systems and methods for viewing biometrical information and dynamically adapting schedule and process interdependencies with clinical process decisioning |
| RU72075U1 (ru) * | 2007-11-15 | 2008-03-27 | Сергей Александрович Фурсенко | Устройство для прогностического определения степени индивидуальной предрасположенности человека к различным заболеваниям |
-
2011
- 2011-11-03 WO PCT/IB2011/054884 patent/WO2012063166A1/en active Application Filing
- 2011-11-03 BR BR112013011031A patent/BR112013011031A2/pt not_active Application Discontinuation
- 2011-11-03 JP JP2013537242A patent/JP6145042B2/ja active Active
- 2011-11-03 EP EP20186007.9A patent/EP3779994B1/en active Active
- 2011-11-03 RU RU2013126425A patent/RU2630122C2/ru not_active IP Right Cessation
- 2011-11-03 US US13/883,766 patent/US9569723B2/en active Active
- 2011-11-03 CN CN201180053766.0A patent/CN103201743B/zh active Active
- 2011-11-03 EP EP11785490.1A patent/EP2638489B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| EP3779994A1 (en) | 2021-02-17 |
| US20130232103A1 (en) | 2013-09-05 |
| CN103201743A (zh) | 2013-07-10 |
| CN103201743B (zh) | 2017-07-18 |
| EP2638489B1 (en) | 2020-10-28 |
| EP2638489A1 (en) | 2013-09-18 |
| RU2630122C2 (ru) | 2017-09-05 |
| US9569723B2 (en) | 2017-02-14 |
| WO2012063166A1 (en) | 2012-05-18 |
| RU2013126425A (ru) | 2014-12-20 |
| JP2013545188A (ja) | 2013-12-19 |
| BR112013011031A2 (pt) | 2016-09-13 |
| EP3779994B1 (en) | 2023-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6145042B2 (ja) | 患者の病気重篤性、致死性および滞在長さの連続的な予測の方法 | |
| KR102558021B1 (ko) | 임상 의사결정 지원 앙상블 시스템 및 이를 이용한 임상 의사결정 지원 방법 | |
| Karpman et al. | Gait speed as a measure of functional status in COPD patients | |
| Finlay et al. | Measuring the modified early warning score and the Rothman index: advantages of utilizing the electronic medical record in an early warning system | |
| Fang et al. | National trends in antiarrhythmic and antithrombotic medication use in atrial fibrillation | |
| JP5584413B2 (ja) | 患者監視システム及び監視する方法 | |
| JP6466422B2 (ja) | 医療支援システム及び方法 | |
| CN107491630A (zh) | 临床决策支持综合***和使用其的临床决策支持方法 | |
| KR101261177B1 (ko) | 임상 의사결정 지원 시스템 및 방법 | |
| JP6692355B2 (ja) | バイタルサインサンプリング周波数が限定されるときのスコア信頼区間推定に関する方法 | |
| JP6034018B2 (ja) | 薬剤服用アナライザー | |
| JP2016505297A (ja) | データ収集頻度と悪化検出アルゴリズムの閾値を最適化するシステムと方法 | |
| US20190392952A1 (en) | Computer-implemented methods, systems, and computer-readable media for diagnosing a condition | |
| JP2007265347A (ja) | 健康指導支援装置、システム、及びプログラム | |
| WO2018096310A1 (en) | Patient status monitor and method of monitoring patient status | |
| 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 | |
| CN107391901A (zh) | 建立普通病房患者病情评估模型的方法和服务器 | |
| JP7161688B2 (ja) | 手術後感染予測装置、手術後感染予測装置生産方法、手術後感染予測方法およびプログラム | |
| US20210134405A1 (en) | System for infection diagnosis | |
| Hu et al. | Development and external validation of a dynamic risk score for early prediction of cardiogenic shock in cardiac intensive care units using machine learning | |
| Elkhovskaya et al. | Personalized assistance for patients with chronic diseases through multi-level distributed healthcare process assessment | |
| Dutta et al. | Iomt synthetic cardiac arrest dataset for ehealth with ai-based validation | |
| US20190335999A1 (en) | Method and apparatus for providing personized healthcare advice | |
| JP7304203B2 (ja) | 医用情報処理装置及びプログラム | |
| EP3981322A1 (en) | Automatically identifying pressure injuries |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20141031 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150925 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20151006 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20151211 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20160301 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160523 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20160602 |
|
| A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20160624 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170301 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170512 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6145042 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |