用於確定hrv和rrv並且用來識別潛在病症發作的方法和系統的製作方法

2023-08-04 22:31:36 3

用於確定hrv和rrv並且用來識別潛在病症發作的方法和系統的製作方法
【專利摘要】本公開涉及一種用於基於心率可變性（HRV）、呼吸速率可變性（RRV）和/或混合因素的組合來識別潛在病症發作的方法和系統。本方法和系統可以涉及到數據收集、基於時間抽象化（TA）的方式和數據分析以識別患者體內潛在病症發作。本方法和系統可以生成和修改分類方案以可操作用於確定患者面臨潛在病症發作。本方法和系統還可以可操作用於提供臨床決策制定支持。本方法和系統的實施例可以可操作用於識別趨勢（諸如時間模式）並且進行收集的數據和/或TA數據的多種分析以提供患者體內潛在病症發作的指示和確定。作為示例，可以應用本方法和系統來識別嬰兒患者體內敗血症的潛在病症發作。
【專利說明】用於確定HRV和RRV並且用來識別潛在病症發作的方法和
系統
【技術領域】
[0001]本發明總體涉及識別潛在病症發作的領域並且更具體地涉及一種用於基於心率可變性(HRV)、呼吸速率可變性(RRV)和/或混合因素的組合來識別潛在病症發作的方法和系統。
【背景技術】[0002]用於早期識別敗血症的當前算法方式依賴於具有高複雜性和粒度水平處理數據流。例如一種現有技術方法從在一秒1000個讀數獲取的心電圖(ECG)波形數據推導瞬時心率。現有技術數據處理算法固有地複雜，經常作為黑盒子呈現給終端用戶。越來越多的研究指示恰當設計並且有效使用的臨床決策支持系統(CDSS)有能力提高患者護理質量。作為示例，在以下參考文獻中描述這樣的研究:Wright A, Sittig DF, Ash JS, Sharma S，PangJE，iddleton B.Clinical decision support capabilities of commercially-availableclinical information systems.J Am Med Inform Assn.2009;16 (5):637-44。
[0003]現有技術的黑盒子方式關注CDSS的可能負面影響，這些負面影響包括:如果系統用戶不理解如何生成結果則有潛在喪失技能的影響；缺乏靈活性和過度處方結果；提高了對軟體應用的過度依賴，這是在系統提供風險指標而臨床醫生不知道如何推導它們時在系統故障的情況下的風險；以及難以評估結果。在以下參考文獻中描述這樣的可會泛負面影響:0pen Clinical.Potential benefits and drawbacks of the use ofCDSSs;Factors which may help determine the successful use of CDSSs in clinicalpractice [Internet].2005。取自 http://www.0penclinical.0rg/dssSuccessFactors.htmlo
[0004]此外，在許多現有技術新生兒重症監護室(NI⑶)中，不可能以足夠高的釆樣頻率獲取和存儲數據以支持心率可變性(HRV)算法。這些限制可以說明從『工作檯到病床邊』轉變的少量研究級HRV分析系統和與在臨床實踐中與實現實時支持相關聯的挑戰。
[0005]如在歐洲心臟病學會(European Society of Cardiology)的任務工作組北美心臟起搏和電生理學會(North American Society of Pacing Electrophysiology)的Heart rate variability standards of measurement, physiological interpretationand clinical use.Circulation.1996;93:1043-1065 中描述的那樣，HRV 是在連續心率之間的間隔中的振蕩。監控新生嬰兒體內HRV的潛在醫學應用源於異常HRV與新生兒發病率和死亡率關聯這樣的觀測；因此，HRV可以有潛力提供用於新生嬰兒的臨床重要病症的非入侵診斷工具。在以下參考文獻中討論這一可能性:de Beer NAMj AndriessenP，Berendsen RCMj Oei SG, Wijn PFFj Bambang Oetomo SB.Customized spectral bandanalysis compared with conventional Fourier analysis of heart rate variabilityin neonates.Physiol Meas.2004;25(6):1385-395。
[0006]新生兒體內的減少HRV已經與呼吸窘迫綜合症(如在以下參考文獻中討論的那樣:Aarimaa T，Oja R，Antila Kj Valimakil.1nteraction of heart rate and respirationin newborn babies.Pediatr Res.1988; 24 (6): 745-750)、出生室息和心室內出血(如在以下參考文獻中討論的那樣:Divon MY, Winkler H，Yeh SY，Piatt LDj Lamger 0，MerkatzIR.Diminished respiratory sinus arrhythmia in asphyxiated term infants.Am J Obstet Gynecol.1986;155 (6):1263_6and Prietsch V，Knoepkeb UjObladencM.Continuous monitoring of heart rate variability in preterm infants.EarlyHum Dev.1994:37(2):117-131)相關聯。此外，大量研究已經示出異常心率特性先於晚期發作新生兒敗血症(LONS)的微妙臨床特徵。對早期檢測敗血症的先前現有技術工作已經描述數學處理瞬時心率(HR)以獲得如下特性，諸如HRV (如在以下參考文獻中討論的那樣:Griffin MPj Lake DEj Moorman JR.Heart rate characteristics andlaboratory tests in neonatal sepsis Pediatrics.2005;115(4):937-41 ；GriffinMPj Oi Shea TM，Bissonette EA，Harrell FE，Lake DE，Moormman JR.Abnormal heartrate characteristics preceding neonatal sepsis and sepsis-1 ike illness.Pediatr Res.2003; 53 (6): 920-6 ;以及 Griff in MPj Moornian R.Using novel heart rateanalysis.Pediatrics.2001; 107 (I):97-104)和HR減速(如在以下參考文獻中討論的那樣:Flower AAj Moorman JR，Lake DE，Delos JB.Periodic heart rate decelerations inpremature infants.Experimental Biology and Medicine.2010;235(4):531-8)。
[0007]新生嬰兒(尤其是早產嬰兒)很容易受傳染性病菌影響(如在以下參考文獻中討論的那樣:Ganatra H a, Stoll BJ，Zaidi AKM.1nternational perspective on early-onsetneonatal sepsis.Clin Perinato1.2010:37 (2):501-523)。早期診斷敗血症可能重要，因為嬰兒通常僅在病情嚴重時才被診斷，這減少用於利用抗生素治療迅速、完整恢復的概率。診斷嬰兒敗血症是有挑戰性的難題，因為它不符合『典型』表現(如在以下參考文獻中討論的那樣:Gwadry-Sridhar F，Lewden B，Mequanint5, Bauer M—Comparison ofanalytic approaches for determining variables-a case study in predicting thelikelihood of sepsis.Proceedings of HEALTHINF; 2009:Porto, Portugal:90-96)並且新生兒體內敗血症跡象經常無特異性(如以下參考文獻中討論的那樣:Griffin MPj LakeDEj M OTj Moorman JR.Heart rate characteristics and clinical signs in neonatalsepsis.Pediatr Res.2007;61 (2):222-227，and Beck-Sague CM，Azimi P，FonsecaSN，Baltimore RSj Powell DA，Bland LA,et al.Bloodstream infections in neonatalintensive care unit patients:results of a multicenter study.Pediatr Infect DisJ.1994;13(12):1110-1116)o
[0008]有兩種敗血症分類:早期發作新生兒敗血症(EONS)和L0NS，其中通常定義EONS為在出生之後的前三天或者7天內出現的敗血症而LONS為在出生之後的早至四天和在出生之後的晚至28天出現；出於這一研究的目的，使用EONS是在生命前4天內患病的敗血症而LONS是指在生命第五天時或者之後患病的敗血症這樣的定義。研究已經示出LONS在所有嬰兒的近似10%中而在NI⑶中住院的很低出生體重嬰兒的多於25%中出現。
[0009]在2001年，Griffin和Moorman基於監控具有LONS患病風險因素的新生兒發表新穎結果。他們推斷患有敗血症和敗血症類疾病的患者在先於臨床惡化的上至24小時具有減少的HRV和短暫HR減速(如以下參 考文獻中討論的那樣:Griffin MPj Moornian R.Usingnovel heart rate analysis.Pediatrics.2001; 107 (I): 97-104)。更多現有技術研究發現這些心率特性(HRC)顯著增添出生體重、妊娠年齡和日齡的預測信息。對這些研究的進一步精化添加疾病嚴重度分數(score);組合這一分數與HRC ;並且使用多變量對數回歸以創建用於敗血症的風險評價卡。基於它們的基於對數的方式和k最近鄰居分析的組合模型產生0.87的接收器操作器特性(如以下參考文獻中討論的那樣=Xiao Y, Griffin MP, LakeDE, Moorman JR.Nearest-neighbor and logistic regression analyses of clinical andheart rate characteristics in the early diagnosis of neonatal sepsis.Med DecisMaking.2010; 30 (2): 25866)。這些發現指示可能通過在有規律的間隔的人工記錄內不明顯的細微改變可能在檢測新生兒體內敗血症發作時重要。然而在多數NICU中，當前信息管理實踐未提供實時數據流的存儲和分析而每30-60分鐘人工記錄為標準。
[0010]雖然NI⑶中的嬰兒頻繁接收影響神經系統的藥物，但是關於這些藥物對新生兒HRV的影響和在使用HRV作為LONS的早期指示時的可能關聯限制已經發表相對較少。在 de Beer NAM, Andriessen P, Berendsen RCM, Oei SG, WijnPFF, Bambang Oetomo SB.Customized spectral band analysis compared withconventional Fourier analysis of heart rate variability in neonates.PhysiolMeas.2004;25(6):1385-1395中，作者論證阿託品(阿託品是用來抑制過量迷走神經激活對心臟的影響的毒蕈鹼受體拮抗劑)造成HRV在阿託品之前和之後的大量變化。儘管已知HRV以與呼吸相同的頻率出現並且在自主神經系統的副交感神經分支的控制之下(如以下參考文獻中討論的那樣:Brown L.Heart rate variability in premature infants duringfeeding.Biological Research for Nursing.2007; 8 (4): 283-93),但是在 HRV 與 RRV 之間的關係在存在混合因素(諸如麻醉藥和其它藥物)時並不清楚。
[0011]現有技術方法 聚焦於在HRV與具體臨床病症之間的關係，例如Loforte等人在患病早產嬰兒的所選群體中研究HRV以及在心臟的RR波間隔與自發呼吸之間的關聯，並且發現更低關係值與敗血症強關聯(Loforte R, Carrault G, Mainardi L, Beuche A.Heart rateand respiration relationships as a diagnostic tool for late onset sepsis in sickpreterm infants.Computers in Cardiology.2006; 33:737-740)。Loforte 論文假設探索HRV和呼吸關係可以提供早產新生兒體內感染指示。
[0012]作為另一示例，Saria等人開發用於早產、低出生體重嬰兒(< 34周妊娠、出生體重< 2000克)的個性化風險打分系統，該系統將在生命前三個小時期間獲取的三個非入侵生理參數(心率、呼吸速率和氧飽和度)與妊娠年齡和出生體重一起用來預測包括感染的發病率(Saria S，Rajani AK, Gould J, Roller D, Penn A A.1ntegration of earlyphysiological responses predicts later illness severity in preterm infants.SciTransl Med.2010; 2 (48): 1-8)。Saria論文與電子阿普伽分數做比較，因為它預測將來疾病嚴重度。這一工作使用均值加上基線和殘留可變性信號來計算HRV和RRV。然而作者聲明他們選擇聲明前三個小時，因為這一時間段更少可能被醫學幹預(，諸如手術、麻醉劑或者其它藥物)混淆。
[0013]附加相關現有技術包括:AdlassnigKP, Combi C，Das AK, Keravnou ET, PozziG.Temporal representation and reasoning in medicine: Research directions andchallenges.Artif Intell Med.2006;38(2):101-13 ；Post AR, Harrison JH.Temporaldata mining.Clin Lab Med.2008;28 (I):83-100 ；McGregor C.System, method andcomputer program for mult1-dimensional temporal data mining.2010.Patent4089705-0009; Canada, Gatineau Quebec ;以及 McGregor C，Sow D，James A, Blount M，EblingM，Eklund J，et al.Collaborative research on an intensive care decision supportsystem utilizing physiological data streams.AMIA Annu Symp Proc;2009:1124—6。
[0014]如現有技術中所示，在這一【技術領域】中分析數據的迄今已知方法已經高度地基於統計。因此，分析時間行為的互相關與現有技術方法結合過於計算複雜。此外，也已經廣泛聚焦於僅心率行為而排除其它因素。例如現有技術的生理數據實時監控示出聚焦於檢測心電圖(ECG)內的心跳(稱為QRS複合)並且分析在心跳過程的兩個相同部分(R)之間的距離。該距離稱為R-R間隔。可以從這樣的方法確定的行為是在R-R間隔的依序匯集內從一個心跳到下一心跳的距離隨時間的變化減少。
[0015]另外，現有技術方法工作用於利用通過計算密集技術(諸如採樣熵、對於給定的時間間隔的頻率直方圖或者標準偏差)已經先前收集的脫機數據。應用這樣的數學來評價可變性狀態過於複雜並且經常不可轉變成可以實時運行的計算方法。例如已知採樣熵方法依賴於從緊接過去尋找大量間隔、然後使用這些間隔進行試驗並且有概率地了解它是否可以猜測將來值，並且該預測能力越準確，分數就越高。這一方法因此需要來自將來的信息可用以了解預測是否正確。不能實時運行這樣的方法以提供有用結果，因為它需要延遲若干分鐘的操作。結果是在這樣的方法中實質上識別緊接過去剛發生的事情為將來。
[0016]另外，HR值的標準偏差未提供關於從一個HR到下一 HR的距離的信息,而實際上提供關於值的總展開的信息。該結果未提供可變性細節，這是因為HR作為依序信息被集成到分析中的依序流出現。

【發明內容】

[0017]在一個方面中，本公開內容涉及一種用於識別一個或者多個患者體內潛在病症發作的系統，其特徵在於它包括:一個或者多個醫學監控設備，可操作用於以有規律的間隔獲取關於一個或者多個患者的心率信號和呼吸速率信號；數據分析裝置，可操作用於分析心率信號和呼吸速率信號以生成心率可變性值和呼吸速率可變性值並且將時間抽象化分析應用於所述值以生成分析數據。
[0018]所述系統的特徵在於它還包括數據分析裝置，該數據分析裝置可操作用於利用值和分析數據來識別患者體內潛在病症發作。
[0019]所述系統的特徵在於它還包括實時獲取的信號。
[0020]所述系統的特徵在於它還包括臨床決策制定支持裝置。
[0021]所述系統的特徵在於它還包括時間抽象化分析，該時間抽象化分析可操作用於區分值中的時間模式。
[0022]所述系統的特徵在於它還包括一個或者多個醫學監控設備，該一個或者多個醫學監控設備包括以下各項中的一項或者多項:ECG監控器或者藥物注射設備。
[0023]所述系統的特徵在於它還包括可操作用於從一個或者多個醫學監控設備接收分析數據和向一個或者多個 醫學監控設備傳送分析數據的網絡。
[0024]所述系統的特徵在於它還包括可操作用於在一個或者多個監控設備與網絡之間接收和傳送分析數據的web服務。
[0025]所述系統的特徵在於它還包括基於雲的環境。
[0026]在另一方面中，本公開內容涉及一種用於識別一個或者多個患者體內潛在病症發作的方法，其特徵在於它包括以下步驟:以有規律的間隔從一個或者多個醫學監控設備獲取關於一個或者多個患者的心率信號和呼吸速率信號；分析心率信號和呼吸速率信號以生成心率可變性值和呼吸速率可變性值；將時間抽象化分析應用於所述值以產生TA數據；以及基於TA數據確定關於患者的潛在病症發作。
[0027]所述方法的特徵在於它還包括以下步驟:識別趨勢，該趨勢是TA數據中的時間模式，所述模式是潛在病症發作的特性。
[0028]所述方法的特徵在於它還包括以下步驟:進行TA數據的分析以生成患者體內潛在病症發作的指示。
[0029]所述方法的特徵在於它還包括以下步驟:提供關於臨床病症的數據。
[0030]所述方法的特徵在於它還包括以下步驟:提供關於以下各項中的任一項的麻醉劑數據以作為關於臨床病症的數據並且在分析中利用這樣的數據:向一個或者多個患者之一提供的麻醉劑；或者一個或者多個患者之一所經歷的手術。
[0031]所述方法的特徵在於它還包括以下步驟:以有規律的間隔繪製關於值的可變性分數。
[0032]所述方法的特徵在於它還包括以下步驟:設置在基於TA數據確定關於患者的潛在病症發作時利用的時間規則。
[0033]所述方法的特徵在於它還包括以下步驟:創建對TA數據的分類方案。
[0034]所述方法的特徵在於它還包括以下步驟:生成關於一個或者多個患者之一的數據並且共同生成關於一個或者多個患者的數據。
[0035]在又一方面中，本公開內容涉及一種用於識別一個或者多個患者體內潛在病症發作的非瞬態計算機可讀介質，其特徵在於它包括:承載軟體指令的計算機可讀介質；以及用於使得計算機能夠執行預定操作的軟體指令，預定操作包括以下步驟:以有規律的間隔從一個或者多個醫學監控設備獲取涉及一個或者多個患者的心率信號和呼吸速率信號；分析心率信號和呼吸速率信號以生成心率可變性值和呼吸速率可變性值；並且將時間抽象化分析應用於所述值以產生TA數據。
[0036]就這一點而言，在具體說明本發明的至少一個實施例之前，將理解本發明在它的應用中不限於在以下描述中闡述的或者在附圖中圖示的構造細節和部件布置。本發明能夠有其它實施例並且以各種方式來實踐和實現。也將理解這裡運用的措詞和術語用於描述而不應視為限制。
【專利附圖】

【附圖說明】
[0037]在考慮本發明的以下具體描述時將更好地理解本發明並且本發明的目的將變得更清楚。這樣的描述參照附圖，在附圖中:
[0038]圖1是根據一個實施例的時間抽象化表的示意圖；
[0039]圖2是根據一個實施例的研究協議；
[0040]圖3是用於L0NS+、手術+麻醉劑和麻醉劑的NI⑶患者陰性的代表性HRV/RRV TA模式；
[0041 ]圖4是用於手術+麻醉劑的代表性HRV/RRV TA模式；
[0042]圖5是用於麻醉劑、繼而為手術+麻醉劑的代表性HRV/RRVTA模式；
[0043]圖6是用於LONS的代表性HRV/RRV TA模式；
[0044]圖7是用於LONS的第二代表性HRV/RRV TA模式；
[0045]圖8是用於各種實施例的代表性架構的示意圖；並且
[0046]圖9圖示可以提供用於各種實施例的操作環境的通用計算設備和連接網絡。
[0047]圖10圖示併入web服務的本發明的一個實施例。
[0048]在附圖中，通過示例舉例說明本發明的實施例。將清楚地理解該描述和附圖僅用於示例和作為理解輔助而未旨在於定義本發明的限制。
【具體實施方式】
[0049]本發明是一種用於基於心率可變性(HRV)、呼吸速率可變性(RRV)和/或混合因素的組合來識別潛在病症發作的方法和系統。本方法和系統可以涉及到數據收集、基於時間抽象化(temporal abstraction, TA)的方式和數據分析以識別患者體內潛在病症發作。本方法和系統可以生成和修改分類方案以可操作用於確定患者面臨潛在病症發作。本方法和系統還可以可操作用於提供臨床決策制定支持。本方法和系統的實施例可以可操作用於識別趨勢(諸如比如時間模式)並且採取對收集的數據和/或TA數據的多種分析以提供患者體內潛在病症發作的指示和確 定。作為示例，可以應用本方法和系統識別嬰兒患者體內敗血症潛在病症發作。
[0050]本發明可以是一種用於使用HRV和呼吸速率可變性(RRV)來區分時間序列數據中的時間模式的基於時間抽象化(TA)的方法和系統並且可操作用於執行HRV分析。本發明的實施例可以可操作用於:使HRV用於使用更低粒度30秒定點讀數來早期識別LONS ;允許RRV通過在由於即將到來的敗血症而具有低HRV的患者與由於存在混合因素(諸如手術、麻醉劑和其它藥物)而具有低HRV的那些患者之間區分來向HRV分析添加值；並且分析在HRV與RRV之間的關係以識別與臨床情形相關聯的患者數據中的模式。例如本發明可以可操作用於識別如下患者，應當在這些患者表現病症(如例如敗血症)的早期、臨床前階段的時間模式特性時密切監控他們。
[0051]本發明可以併入數據源，並且這樣的數據源可以是資料庫或者可以是一個或者多個機器或者監控器(諸如ECG、藥物注射或者其它監控器或者機器)。可以向計算機提供信息，該計算機可操作用於基於向計算機提供的數據執行計算和分析。本文描述本發明的實施例可以提供的計算和分析。本發明還可以併入輸入和/或輸出設備，藉此用戶可以向系統中輸入信息或者命令(諸如閾值設置)，或者用戶可以查看或者另外接收系統(諸如顯示裝置)的輸出。本發明還可以併入報告裝置，藉此可以生成一個或者多個形式的報告。
[0052]本方法和系統還可以涉及到考慮混合因素的影響。本方法和系統總體可以涉及到用於使用HRV和RRV來區分時間序列數據中的時間模式的基於TA的方式，並且可以包括利用和應用這樣的時間模式的裝置。本方法和系統可以可操作用於識別由於如下事實而應當監控的患者，該事實為這樣的患者表現潛在病症發作的模式特性(諸如潛在病症發作的時間模式特性)。本方法和系統可以涉及到數據收集；TA方式和分析以定義或者修改分類方案和/或提供臨床決策制定支持。這樣的分類方案和/或臨床決策制定支持可以基於確定具有心率(HR)、呼吸速率(RR)和/或混合因素的患者，這些心率(HR)、呼吸速率(RR)和/或混合因素指示患者將可能受潛在病症發作影響。本方法和系統可以可操作用於提供實時、實質上實時功能。
[0053]本方法和系統的數據收集可以涉及到以有規律的間隔(諸如以30秒間隔)收集涉及HR和RR的數據。數據收集還可以收集涉及混合因素(諸如手術、麻醉劑服用或者其它藥物服用)的數據。本方法和系統可以將TA方式應用於收集的數據。所述TA方式可以提取相關特徵並且識別狀態、趨勢和時間關係。TA方式還可以確定涉及單獨患者的HRV和RRV模式。分析TA方式的輸出可以涉及到多種分析方法和輸出，諸如一個或者多個分類方案、臨床決策制定支持、確定「正常」或者「基線」值以及確定混合因素的作用。本領域技術人員將認識其它分析和輸出也可以是可能的。
[0054]作為示例，本方法和系統可以識別的潛在病症發作可以是敗血症。在這樣的示例中，本方法和系統可以識別作為敗血症的特性的模式(諸如時間模式)。本方法和系統的一些實施例甚至可以可操作用於識別潛在病症發作，諸如敗血症。本領域技術人員將認識這僅為本方法和系統應用於潛在病症發作的一個不例並且本方法和系統對於其它病症發作的其它應用是可能的。
[0055]作為另一示例，本發明可以可操作用於觀測患者的術後恢復。本方法的一些實施例可以可操作用於識別術後停用麻醉藥的患者反應和恢復。
[0056]作為又一示例 ，本發明可以可操作用於觀測患者對於作為治療過程的肌肉鬆弛的反應。本發明的一些實施例可以可操作用於確定基於肌肉鬆弛劑量實現的肌肉鬆弛程度。
[0057]本發明提供較現有技術(諸如在多數NICU)中的現有技術而言的某些益處，當前現有技術信息管理實踐未提供對實時數據流的存儲和分析而每30-60分鐘人工記錄為標準。本發明通過提供實時數據流的存儲和分析來克服現有技術的這一限制。
[0058]本發明提供較現有技術而言的另一益處在於現有技術聚焦於在HRV與具體臨床病症之間的關係而本發明涉及到在HRV與RRV之間的關係。
[0059]本發明提供較現有技術而言的又一益處在於它是一種比現有技術的使用諸如採樣熵和近似熵的技術的更常規方式更簡單、基於業務智能的方式。本發明執行起來在計算上比採樣熵更簡單，因為本發明在工作開始無需任何時間來將數據用於初始訓練。現有技術的熵方式需要採樣，例如它必須收集近似10,000個心率讀數以便在它可以開始評價它是否可以預測將來之前對行為進行訓練。本發明可操作用於從早期函數點(諸如在前兩個讀數之後)開始評價可變性距離。
[0060]本發明可操作用於利用業務智能來總結最新近臨床信息作為性能度量以識別指示臨床病症發作的時間模式，並且可以提供用於實時分析時間序列生理數據流的靈活平臺。本發明還可操作作為基於雲的實現方式，其中例如從遠程位置以有規律的間隔(諸如每30秒)發送生理信號(諸如HR和呼吸速率(RR))以在中央中樞(central hub)監控潛在病症發作。以這一方式，本發明是可以在每年數以百萬計的新生兒死於敗血症的資源貧乏地區中支持健康服務送達時特別相關的應用。
[0061]本發明賦予較現有技術而言的又一益處在於它可以是一種比現有技術更簡單的HRV分析方式，並且由此可以實現將研究級系統轉變成臨床實踐而仍然提供基於高質量證據的支持，並且這樣的方式可以發揮與當前HRV風險打分系統的重要互補作用。
[0062]本發明提供較現有技術而言的另一益處在於現有技術HRV分析未解決麻醉劑和其它藥物對早期識別病症(諸如敗血症)的影響。本發明可操作用於解決麻醉劑和其它藥物對早期識別病症(諸如敗血症)的影響。[0063]本發明可操作用於以如下方式測量可變性程度，該方式允許從當前時間回溯並且易於計算已經在可以稱為時間窗的時間段(諸如上一小時或者上15分數)內出現的可變性。為了實現這一結果，本發明涉及到在時間窗中出現的序列中的每對距離並且計算和基於設置的閾值分析從一個到下一個的絕對距離是否過於相似或者頗為不同。具體而言，本發明不必評價在心跳之間的距離而代之以評價HR值的差值。如果從一個HR到下一 HR的HR值變化超出設置的閾值(使得變化大於閾值)，則結果是分類為變量。然而如果HR值未變化超出設置的閾值、等於閾值或者變化少於閾值，則結果是分類為不是變量。可以計算分類為變量或者分類為不是變量的結果或者兩種結果的總數。
[0064]本發明無需往回參考以一秒1000個讀數生成數據的原始ECG信號。本發明代之以可以參考速率慢得多的流。這一更低頻監控可以具體用於(諸如可能在遠程社區中或者對於流動患者出現)的遠程監控。
[0065]本發明可以將分析方式應用於生理數據分析。本發明還可以利用分析方式和/或來自分析方式的結果以確定測量。例如分析方式可以應用於HR數據以提供用於HRV的測量。作為另一示例，分析方式可以應用於RR數據以提供用於RRV的測量。另外，可以比較數據和/或測量，例如可以比較HRV值與RRV以了解RRV值是否自行呈現臨床相關測量或者在與HRV —起使用RRV時是否呈現更有用的測量。
[0066]本發明應用的閾值可以變化。例如用於兒童的閾值可以不同於用於成人的閾值，因為心率平均值對於兒童更慢而對於成人同樣更慢。用於早產嬰兒的閾值將基於它們的已校正妊娠年齡而不同於兒童和成人的閾值。本領域技術人員將認識被設置用於根據本發明的方法和系統實現正確分類的閾值可以變化並且可以是基於以30秒定點讀數的數據設置的絕對距離閾值或者可以是另一閾值。
[0067]本發明的方法和系統可以應用於各種生理數據，諸如HR、RR，並且本發明可以產生與各種類型的數據有關的測量值。
[0068]本發明可以提供多種結果。例如本發明可以基於生理數據提供對值的多類測量。在本發明的一個實施例中，可以確定包括正常範圍、提高和幾乎不存在可變性的三類HRV。現有技術相對浮動比例報告可變性，但是本發明可操作用於確定相異類。本發明可以進行分析以使測量值(諸如RRV行為)與HRV相關以建立用於多個類的原因。
[0069]本發明也可以提供與手術、麻醉劑和病症的組合有關的分析。例如本發明生成的值的測量中的可變性或者無可變性可以指示行為或者其它原因。因此，患者被放在呼吸機上並且被給予肌肉鬆弛劑，使得患者的呼吸可以完全由呼吸機控制而不是由呼吸機輔助，這可以指示特定呼吸可變性。本發明可以併入多個生理數據指示和值，因此還可以有可能識別這樣的患者可以進一步體驗失去所有HR可變性和完全失去HRV。這樣的指示可以輔助患者治療以及識別可能影響患者的任何病症發作的指示。
[0070]本發明還可以提供如下分析，該分析可以指示服用某些藥物對患者的生理行為或者測量值的特定影響。例如本發明可以指示某些藥物可以引起減少RRV。一旦患者不再服藥，還可以跟蹤RRV恢復軌跡。以這一方式，本發明可以用作用藥物管理中的臨床支持工具。
[0071]此外，本發明的分析可以指示服用某些藥物的患者，這些藥物影響對於感染髮展的可變性分析。這是有意義的，因為某些藥物可以掩蓋減少的測量值(諸如減少的HRV)基於現有技術作為用於那些患者的感染指示的能力，因為現有技術僅將減少的HRV與感染相關。本發明可以檢測增加的可變性作為用於如下患者的感染指示，這些患者的可變性已經由於存在藥物而減少。本發明可以分析與這樣的患者有關的包括其它生理數據的數據並且生成測量值，並且使用測量值以識別如下指示，這些指示可以用來確定患者是否存在病症發作的風險。使用多個生理指示和本發明的分析可以使本發明能夠以現有技術不能實現的方式對測量值進行分類。生成這樣的分類的能力可以允許本發明提供現有技術不可得到的結果。這樣的結果可以用來確定病症的發作指示是否存在或者其它因素是否掩蓋或者產生如下結果，這些結果看來提示病症的發作，但不是這樣的發作的真實指示。
[0072]本發明的實施例可以併入藥物數據，諸如藥物注射數據。一些現有技術方法通過利用藥物注射泵數據並且將這一藥物注射泵數據與HRV相關以提供關於HRV可以意味著什麼的更多細節來檢測藥物存在於患者的系統中。其它現有技術可以查找小時圖表中的藥物數據。然而這是藥物數據的粗略記錄，以給予患者的身體可以如何重新計算的準確詳細描述。孤立的藥物注射數據僅提供關於向患者的身體內注射什麼、而無身體如何對藥物注射起反應(即藥效/藥物代謝動力行為)的信息。本發明可以集成生理數據以確定多個值(諸如HRV和RRV)並且可以進一步併入藥物數據，諸如藥物注射數據。本發明可以分析所有這一數據，使得可以產生包括身體行為分類的顯著結果以指示藥物的影響和其它生理屬性以及這些的組合，從而產生患者體內病症發作的可能性。
[0073]本發明可以分別從HR和RR確定HRV和RRV，並且可以從ECG引線(諸如相同三個引線ECG引線)計算HR和RR。因此，本發明代表一種用於數據收集的最小需求方式，以能夠生成身體行為的顯著分類。
[0074]本發明可以以有規律的間隔(諸如每小時或者每15分鐘)繪製可變性分數。調整間隔可以由系統的用戶實現。可以設置間隔以實現生理行為的改變對於患者而言實際何時開始的改進分類 。
[0075]可以應用本方法和系統的一個實施例作為非入侵診斷工具。例如可以應用本方法和系統的諸如一個實施例來診斷作為新生嬰兒的患者的臨床重要病症。
[0076]本方法和系統的另一實施例可以併入可操作用於支持臨床決策制定(比如業務智能輸出)的接口設計。本方法和系統的這樣的實施例可以可操作用於指示如下患者，這些患者表現潛在病症發作的模式特性。這一指示可以向護理人員提醒應當監控並且在一些情況下密切監控患者的潛在病症發作。
[0077]本方法和系統可以可操作用於基於用於HRV和RRV的時間行為和在HRV與RRV之間的關係識別高級分類方案。這樣的分類方案還可以用來相對於HR、RR和/或混合因素指示用於患者的「正常」或者「基線」值。一般而言，分類方案可以用來識別特定分類內的患者，這些患者包括在「正常」或者「基線」HRV、RRV和/或混合因素結果範圍以外的患者。本方法和系統還可以用來在創建分類方案之後修改和更新分類方案，諸如快速地、以有規律的間隔或者在進行中的基礎上。[0078]在另一實施例中，本方法和系統可以是基於雲的實現方式，其中以有規律的間隔從遠程位置向中樞發送HR和RR信號。可以例如以諸如每30秒的間隔發送HR和RR信號。這些信號可以由本方法和系統用來監控潛在病症發作，諸如敗血症發作。如果識別潛在病症發作，則可以向遠程位置提供這一信息。這樣識別潛在病症發作和向遠程位置提供有關信息可以實時或者實質上實時出現。該方法和系統可以由此支持在每年數以百萬計的新生兒死於敗血症的資源貧乏地區中的健康服務送達。
[0079]本方法和系統賦予較現有技術而言的若干益處。現有技術是作為黑盒子向終端用戶提供的通常複雜數據處理算法。本方法和系統賦予較現有技術而言的益處在於本方法和系統可以允許HRV用於早期識別潛在病症發作，諸如晚期發作新生」L敗血症(LONS)。(LONS出於這一方法和系統的目的而可以是指使用更低粒度30秒定點讀數在生命第五天時或者之後患病的敗血症。)此外，本方法和系統可以利用RRV，該RRV可以通過在由於即將到來的敗血症而具有低HRV的患者與由於存在混合因素(諸如手術、麻醉劑和其它藥物)而具有低HRV的那些患者之間區分來向HRV分析添加值。本方法和系統較現有技術的又一益處在於本方法和系統可以涉及到分析在HRV與RRV之間的關係，該關係可以產生與臨床情形相關聯的患者數據中的可識別模式。
[0080]本方法和系統也可以提供較現有技術而言的其它益處。現有技術一般包括用於早期識別患者病症發作的算法方式，這些算法方式涉及到如下算法的數據處理，這些算法固有地複雜，經常作為黑盒子呈現給終端用戶。本方法和系統可以向可變性分析賦予一種更簡單、基於業務智能的方式。
[0081]本方法和系統較現有技術而言的又一益處可以是本方法和系統的數據挖掘利用和操作性。如本文描述 的那樣，本方法和系統可以收集現有技術未收集的數據，諸如混合因素數據。本方法和系統也可以將現有技術未應用的基於TA的方式應用於這樣的數據。另外，本方法和系統可以進行現有技術不可操作用於進行的分析並且提供現有技術不可操作用於提供的某些結果，諸如臨床決策制定支持，該支持併入基於HRV、RRV和混合因素的考慮。出於這些原因，本方法和系統可以提供收集、創建和存儲現有技術未生成、不可訪問或者未存儲的數據，因而本方 法和系統可以賦予現有技術不可能包括的數據挖掘功能和機
八
ο
[0082]本方法和系統可以提供較現有技術而言的另一益處在於新生兒重症監護室(「NICU」)中的嬰兒頻繁接收影響神經系統的藥物。然而現有技術HRV分析未討論麻醉劑和其它藥物對早期識別潛在病症發作的影響。本方法和系統可以賦予HRV分析，該HRV分析考慮存在包括麻醉劑和其它藥物的混合因素。
[0083]本領域技術人員將認識本方法和系統的若干實施例可以是可能的。以下提供本發明的方法和系統的這樣的實施例，並且這是僅作為本方法和系統的一個可能實施例的示例而呈現的，其它實施例也是可能的。
[0084]本方法和系統的一個實施例可以涉及到數據收集、用於確定可變性的時間抽象化方式和分析階段。
[0085]本發明可以提供一種用於使用HRV和RRV來區分時間序列數據中的時間模式的基於TA的方式，可以提供一種解決HRV分析領域中的新研究問題的系統和方法。
[0086]本發明的一個實施例可以可操作用於以生成來自多個嬰兒的原始數據的速率實時或者實質上實時存儲數據。本發明還可以可操作用於支持從多個物理監控設備以及從CIMS收集的數據。
[0087]如圖8中所示，本發明的一個實施例可以支持在分析多個病症用於實時和追溯分析以及數據挖掘之時吸收和存儲來自多個患者的多個實時數據流。本發明可以可操作用於支持在知識提取層38內的臨床研究。併入系統40 (諸如圖8中所示系統)的本發明的一個實施例可以可操作用於創建新規則並且被實時實施為在線分析部件的一部分。本領域技術人員將認識本發明的實施例的程式語言可以不同，例如本發明可以使用Infosphere流程式語言:SPADE。
[0088]本發明可以併入於已知系統，諸如Artemis系統或者其它已知系統中。例如可以在醫學設備(諸如MP50醫學監控設備)內實施本發明的HRV和RRV分析和計算。例如可以在醫學監控設備的軟體中併入本發明的方法。
[0089]在一個實施例中，如圖10中所示，本發明的系統可以併入可由計算系統(諸如患者醫學監控設備206a)操作的一個或者多個計算處理器。設備可以通過有線或者無線連接到可操作用於從患者200獲取一個或者多個信號的傳感器202。設備可以包括可以操作一個或者多個計算處理器的計算機系統，其中來自一個或者多個患者數據存儲裝置204的一個或者多個外部生理患者數據流可以由設備接收。設備可以併入以下各項中的任何或者所有項:用於接收一個至多個生理患者數據流208的一個或者多個處理器；用於接收零條至多條其它患者信息(諸如在電子健康記錄或者實驗室信息系統中發現的患者信息)的零個或者多個計算處理器；用於計算可操作用於去除或者編碼在生理數據流內發現的非自然成分的非自然成分計算和算法216的零個或者多個計算機處理器；和/或用於對生理數據210執行操縱和計算(諸如本發明的分析和計算)的一個至多個計算機處理器。系統還可以併入可操作用於顯 示來自生理數據流的一個或者多個形式的信息的一個或者多個計算機模塊。
[0090]這樣的設備還可以包括用於輸出本發明的結果和/或報告214的計算機處理器。可以在數據顯示設備218上向用戶向顯示結果。計算處理器還可以併入以下各項中的一項或者多項:可操作用於實現資料庫內的行插入的資料庫輸出操作器；用於生成電子郵件或者其它通知的輸出操作器；去往本地或者通過網絡220訪問輸出的數據的計算機處理器的輸出；和/或用於在電子健康記錄資料庫212的資料庫內插入的數據的輸出，該電子健康記錄資料庫可以是外部系統的資料庫。本領域技術人員將認識到也可以在本發明中併入其它分析和輸出。
[0091]在本發明的一個實施例中，系統可以包括:在計算系統(諸如患者醫學監控設備)內的一個或者多個計算處理器，該計算系統可操作用於通過直接連接或者經由通過網絡的連接從另一計算設備獲取生理數據，該另一計算設備執行連接到從患者獲取信號的傳感器的功能；以及零個或者多個計算過程，用於計算非自然成分計算和/或算法以去除或者編碼在生理數據流內發現的非自然成分。本發明的這樣的實施例可以包含以下各項中的任一項:可操作用於接收一個或者多個生理數據流的一個或者多個計算過程；或者用於接收零條或者更多條其它患者信息(諸如在電子健康記錄或者實驗室信息系統中併入的患者信息)的零個或者多個計算過程；可操作用於根據本發明基於生理數據執行操縱和計算的一個或者多個計算過程；和/或用於顯示來自生理數據流的一個或者多個形式的信息的一個或者多個計算機模塊。本領域技術人員將認識其它分析和輸出可以由本發明生成。
[0092]本發明還可以如圖10中所示併入多個患者醫學監控設備206a、206b、206c。設備可以連接到網絡220，使得:設備向網絡直接提供輸出數據；網絡可以向和從設備來回接收和發送數據；和/或設備經由附加部件(諸如web伺服器222)在網絡與設備之間來回傳送數據。在本發明的這一實施例中，可以在本發明中併入來自多個監控設備、患者數據記錄源和/或多個患者的數據的多個源。還可以在多個數據顯示設備218a、218b上顯示本發明的輸出，使得可以向用戶顯示作為組合數據的數據或者專屬於一個設備的數據。
[0093]本發明的實施例可以併入已知數據流(諸如IBM Infosphere流)。可以在數據到達時將數據作為流實時或者實質上實時操縱。本發明可以可操作為在數據到達時實時或者實質上實時從患者監控傳感器直接接收數據流的流計算程序。也可以向本發明提供在電子健康記錄或者實驗室信息系統上可用的其它多條信息。本發明可以通過以下各項中的一項或者多項計算輸出TA:可操作用於實現資料庫內的行插入的資料庫輸出操作器；用於生成電子郵件或者其它通知的輸出操作器；去往本地或者通過網絡訪問輸出的數據的計算機過程的輸出；和/或用於在電子健康記錄軟體程序的資料庫的資料庫內插入的數據的輸出。本領域技術人員將認識也可以在本發明中併入其它計算輸出部件。
[0094]本發明的一個實施例可以是與一個或者多個已知資料庫引擎或者相似技術可操作的系統。本發明可以包括如下計算機系統，該計算機系統包括併入至少時間工具的一個或者多個計算機。計算機系統可以連結到一個或者多個資料庫引擎或者相似技術。資料庫引擎可以包括以下各項中的一項或者多項:靜態數據；和/或來自一個或者多個遠程設備或者傳感器的數據。計算機系統可以通過有線或者無線連接(可以為直接或者間接)來連結到一個或者多個遠程醫學監控設備或者傳感器。本發明可以可操作用於利用傳感器數據填充由一個或者多個資料庫引擎或者相似技術提供的一個或者多個資料庫。可以在資料庫內的TA規則表內表示TA的函數。
[0095]在系統中併入的本發明的一個實施例中，如圖8中所示，醫學設備可以併入計算機並且可以附著到系統(諸如 在以下參考文獻中公開的Artemis系統)的數據中樞39:〃Real_Time Analysis for Intensive Care:Development and Deployment of theArtemis Analytic System"，IEEE Engineering in Medicine and Biology Magazine(March/April2010), atllO-118 ；以及 McGregor C，et al.，"Next Generation NeonatalHealth Informatics with Artemis"，User Centred Networked Health Care, Moen A., etal.(Eds.) (10S Press,2011)do1:10.3233/978-1-60750-806-9-115，atll5_119。
[0096]Artemis系統可以與本發明集成，因為Artemis系統提供靈活的平臺，該平臺用於實時分析從監控器範圍提取的時間序列生理數據流以檢測可能不利地影響健康結果的臨床顯著病症。系統的數據獲取單元42可以可操作用於提供實時同步醫療設備數據和異步臨床信息管理系統數據。可以向可實時操作的在線分析單元44轉發數據用於分析。系統可以併入可操作用於實時處理數據並且與系統的數據持續單元46兼容以使數據被系統存儲的流式中間件系統。系統可以以生成數據的速率處理並且然後存儲來自多個嬰兒的原始數據以及推導的數據。流處理可以由與流式中間件系統兼容的程式語言支持。知識提取單元38可以併入時間數據挖掘裝置，該時間數據挖掘裝置支持發現生理數據流中的病症發作行為以及通過可操作用於將知識轉譯成輸出表示的重新部署單元48在在線分析內的關聯臨床使用。可以通過結果呈現單元50向用戶提供系統的分析結果的輸出。結果輸出可以是可以列印、在屏幕上向用戶顯示或者作為通知向設備(諸如智慧型電話或者其它設備)提供的報告這一形式。在本發明的實施例中可以在Artemis系統的分析單元或者Artemis系統的知識提取單元中或者在Artemis系統的其它單元中集成本發明的分析和計算。本領域技術人員將認識本發明可以與其它已知系統集成。 [0097]本發明的另一實施例可以併入連結到數據獲取部件的數據中樞。在本發明的其它實施例中，可以在系統的知識提取部件中併入本發明的分析和計算。例如本發明的一個實施例的知識提取單元可以併入DB2資料庫引擎，並且SQL語句可以用來將時間抽象化構造為用戶然後可以查看的時間抽象化表中的行。可以使用系統中併入的程式語言(諸如SPADE或者SQL)來實施時間抽象化。本發明的在線分析單元可以與這樣的程式語言兼容。
[0098]本領域技術人員將認識可以用多種方式在已知系統或者新穎系統中實施並且可以在這樣的系統的多種單元中併入本發明。
[0099]本方法和系統可以接收數據集或者可以進行數據收集。在進行數據收集的本方法和系統的一個實施例中，這樣的收集可以涉及到收集如下數據，該數據是以下各項中的一項或者多項:(i )以有規律的間隔(諸如30秒間隔)採樣的HR和RR ;以及(ii )來自實時數據流的混合因素信息，這些數據流來自多個物理監控設備或者資料庫，諸如多個病症、培養陽性敗血症、手術、服用麻醉劑和其它藥物。本方法和系統的數據收集可以涉及到用於實時分析時間序列生理數據流(例如來自多個患者的多個實時數據流)以分析多個病症並且允許追溯分析和數據挖掘的靈活平臺。
[0100]本方法和系統可以併入一種用於實現用於確定可變性的時間抽象化方式的裝置。這樣的方式可以涉及到若干步驟。該方式可以涉及到通過提取最相關特徵(諸如識別狀態、趨勢和時間關係)將加時間戳的數據變換成數據的基於間隔的表示。該方法還可以總結對於某些準則成立的數據節段並且可以識別決策成立的開始時間和結束時間。此外，該方式還可以提取HR和RR流。這樣的流可以用來計算可變性。可變性計算可以涉及到取在兩個連續時間點(如例如30秒)之間的差值的絕對值。還可以針對患者的NICU服藥的整個持續時間基於計算每小時低可變性分鐘數目確定HRV和RRV。本方法和系統也可以計算其它抽象化結果，諸如小時抽象化結果。可以為每個患者確定HRV和RRV模式。
[0101]本方法和系統可以進行若干類型的分析並且可以實現若干不同類型的輸出，諸如分類方案、臨床做決策做支持、確定「正常」或者「基線」值、確定混合因素的作用等。本領域技術人員將認識本方法和系統可以應用的廣泛可能分析範圍。
[0102]本方法和系統的一個實施例可以分析本方法和系統以識別、開發或者精化分類方案。這樣的分類方案可以基於可變性分析。作為初始步驟，本方法和系統可以基於HRV和RRV結果(諸如用於多個患者或者患者類(例如在特定情形的患者、在特定妊娠階段的患者、特定出生體重的患者等)的結果)識別感興趣的時段。這一步驟可以產生時間模式。這些時間模式可以疊加於臨床發現上，並且通過疊加其可以有可能基於可變性分析識別、開發和/或精化分類方案。可以識別HRV和RRV中的趨勢與臨床情形的關聯，並且這些可以用來識另IJ、開發和/或精化分類方案。
[0103]本方法和系統也可以可操作用於提供臨床決策制定支持。這樣的支持可以基於分析本方法和系統的數據，該數據可以識別如下患者，因為這些患者表現潛在病症發作(諸如敗血症)的時間模式特性而應當密切監控他們。這樣的支持也可以基於分析本方法和系統的數據，該數據可以識別正在術後恢復的患者以確定患者何時移向後續治療步驟。可以向以多種方式工作的健康護理提供臨床決策制定支持，並且可以向遠離本方法和系統的單元位置或者本方法和系統的任何中樞的健康護理人員提供該支持。
[0104]本方法和系統可以可操作用於分析數據以確定「正常」或者「基線」值。例如本方法和系統可以基於分析識別患者妊娠年齡和出生體重的數據來確定正常或者基線值，以為不同妊娠年齡和出生體重組合確定用於HRV和/或RRV的閾值。本方法和系統也可以可操作用於在兩個或者更多情形之間比較「正常」或者「基線」 HRV和/或RRV值。
[0105]本方法和系統可以可操作用於確定混合因素在潛在病症發作中的作用。本方法和系統可以進行數據分析以確定低HRV和/或RRV的多少上升歸因於特定混合因素(諸如手術和特定麻醉劑或者其它藥物)。本方法和系統也可以進行數據分析以確定特定手術、麻醉劑或者其它藥物對潛在病症發作的影響。本領域技術人員將認識本方法和系統可以進行混合的其它混合因素分析。
[0106]本方法和系統可以可操作用於執行出於其它目的的其它類型的分析以及和輸出，諸如分析以區分緩和患者和病例。這樣的分析可以涉及到本方法和系統的其它分析方法和/或技術，諸如比較數據與正常或者基線值以確定緩和患者。這樣的分析也可以由本方法和系統用來提供其它分析輸出(諸如臨床決策制定支持)，由此向健康護理人員提醒患者或者病例的緩和性質。本領域技術人員將認識可以用其它方式補充和組合分析裝置和方法以也產生其它分析和輸出。
[0107]本領域技術人員將理解也可以實踐這裡描述的實施例的其它變化而未脫離該方法和系統的範圍。其它修改因此是可能的。例如本方法和系統可以利用除了與患者有關的數據之外的數據。可以應用本方法和系統以利用除了患者數據之外的多種類型的數據來生成預測趨勢分析。以這一方式，本方法和系統可以適用於多個可變數據流。可以在各種實施例中實踐本系統和方法。適當配置的計算機設備以及關聯的通信網絡、設備、軟體和固件可以提供用於實現如以上描述的一個或者多個實施例的平臺。舉例而言，圖10示出可以包括連接到存儲單元104和隨機存取存儲器106的中央處理單元(「CPU」)102的通用計算機設備100。CPU102可以處理作業系統101、應用程式103和數據123。作業系統101、應用程式103和數據123可以存儲於存儲單元104中並且如可能需要的那樣加載到存儲器106中。計算機設備100還可以包括圖形處理單元(GPU) 122，該GPU操作地連接到CPU102和存儲器106以從CPU102分擔(offload)密集圖像處理計算並且與CPU102並行運行這些計算。操作器107可以使用由視頻接口 105連接的視頻顯示器108以及由I/O接口 109連接的各種輸入/輸出設備(諸如鍵盤110、滑鼠112和磁碟驅動或者固態驅動114)來與計算機設備100交互。以已知方式，滑鼠112可以被配置用於控制光標在視頻顯示108中的移動並且用滑鼠按鈕操作在視頻顯示器108中出 現的各種圖形用戶接口(⑶I)控制項。磁碟驅動或者固態驅動114可以被配置用於接受計算機可讀介質116。計算機設備100可以經由網絡接口 111形成網絡的一部分，從而允許計算機設備100與其它適當配置的數據處理系統(未示出)通信。
[0108]可以在包括桌面型計算機、膝上型計算機、寫字板計算機或者無線手持設備的實質上任何方式的計算設備上實踐本系統和方法。也可以實施本系統和方法為包括電腦程式代碼的計算機可讀/可用介質，該電腦程式代碼用於使一個或者多個計算機設備能夠實施根據本方法和系統的方法中的各種過程步驟中的每個過程步驟。理解術語計算機可讀介質或者計算機可用介質包括程序代碼的任何類型的物理實施例中的一個或者多個實施例。具體而言，計算機可讀/可用介質可以包括在一個或者多個便攜存儲製造品(例如光碟、磁碟、磁帶等)上、在計算設備的一個或者多個分配的數據存儲裝置(諸如與計算機關聯的存儲器和/或存儲系統)上體現的程序代碼。
[0109]示例 [0110]這裡提供本發明的一個實施例的示例。本領域技術人員將認識這是僅作為本發明的一個應用的示例而提供的，並且本發明的其它實施例和應用是可能的。
[0111]本發明的這一示例實施例參照如下觀測研究而可操作，該觀測研究分析從在2008年 6 月 I 日與 2008 年 11 月 30 日之間在 Hospital for Sick Children, Toronto 的 NICU的住院患者獲得的追溯數據，這包括共計218個患者病例。針對新生兒的NI⑶住院的完全持續時間來分析患者數據。由於聚焦於L0NS，所以排除具有少於共計五天數據的患者。在分析中包括患者而無論在出生時的妊娠年齡、出生體重或者存在先天異常、共發病率或者藥物如何。感興趣的生理參數包括推導的HR和RR，二者均為每30秒採樣。從NI⑶的臨床信息管理系統(CIMS)追溯地獲得臨床知識；這包括:培養陽性敗血症、手術、服用麻醉劑和其它藥物。研究是由醫院的研究道德規範委員會批准的。
[0112]本發明的實施例在這一示例中併入適用於處理醫學領域中的時間序列數據的時間抽象化(TA)。本發明的方法的第一步驟可以包括通過提取最相關特徵(諸如識別狀態、趨勢和時間關係)將加時間戳的數據變換成數據的基於間隔的表示。然後可以用這一準則成立的開始時間和結束時間總結對於這一準則成立的數據節段。
[0113]在提取HR和RR流之後，可以通過取在兩個連續時間點(諸如每30秒之間)的差值的絕對值來計算可變性。為了識別低可變性時段，用於時間段的抽象化值基於如下時段中的分鐘的總數，在該時段內，絕對值少於給定的閾值th——如等式I中所示。在提高th時，低可變性分鐘數目將增加，因為這對應於用於可變性的更寬鬆準則。考慮用於新生兒的HR和RR 二者的已知正常變化，通過對於每個生理參數的實驗確定用於th的最優值；產生th_HR=4和th_HR=3。對於患者的NICU住院的整個持續時間基於計算每小時的低可變性分鐘數目確定HRV和RRV。
[0114]作為示例，在獲得30秒定點讀數的本發明的一個實施例中，這產生一分鐘兩個讀數和一小時共計120個讀數；為了計算每小時低可變性分鐘總數，將最終求和除以二。僅使用對於每個小時的有效行百分比來計算小時抽象化結果。在本發明的示例實施例中，這解決其中在給定的小時內未收集完整數據或者在完整小時遺漏時(例如在患者在手術室中時)的實例。
[0115]等式1.用於時間序列p(t)=p(Il+p⑵…P (小時總數)的基於時間抽象化的HRV和RRV
【權利要求】
1.一種用於識別一個或者多個患者體內潛在病症發作的系統，其特徵在於，所述系統包括: a)—個或者多個醫學監控設備，可操作用於以有規律的間隔獲取關於一個或者多個患者的心率信號和呼吸速率信號； b)數據分析裝置，可操作用於分析所述心率信號和所述呼吸速率信號以生成心率可變性值和呼吸速率可變性值，並且將時間抽象化分析應用於所述值以生成分析數據。
2.根據權利要求1所述的系統，其特徵在於，所述系統還包括所述數據分析裝置，所述數據分析裝置可操作用於利用所述值和分析數據來識別患者體內潛在病症發作。
3.根據權利要求1所述的系統，其特徵在於，所述系統還包括實時獲取的所述信號。
4.根據權利要求1所述的系統，其特徵在於，所述系統還包括臨床決策制定支持裝置。
5.根據權利要求1所述的系統，其特徵在於，所述系統還包括所述時間抽象化分析，所述時間抽象化分析可操作用於區分所述值中的時間模式。
6.根據權利要求1所述的系統，其特徵在於，所述系統還包括所述一個或者多個醫學監控設備，所述一個或者多個醫學監控設備包括以下各項中的一項或者多項:ECG監控器或者藥物注射設備。
7.根據權利要求1所述的系統，其特徵在於，所述系統還包括可操作用於從所述一個或者多個醫學監控設備接收分析數據和向所述一個或者多個醫學監控設備傳送分析數據的網絡。
8.根據權利要求8所述的系統，其特徵在於，所述系統還包括可操作用於在所述一個或者多個監控設備與所述網絡之間接收和傳送分析數據的web服務。
9.根據權利要求1所述的系統，其特徵在於，所述系統還包括基於雲的環境。
10.一種用於識別一個或者多個患者體內潛在病症發作的方法，其特徵在於，所述方法包括以下步驟: a)以有規律的間隔從一個或者多個醫學監控設備獲取關於一個或者多個患者的心率信號和呼吸速率信號； b)分析所述心率信號和所述呼吸速率信號以生成心率可變性值和呼吸速率可變性值； c)將時間抽象化分析應用於所述值以產生TA數據；以及 d)基於所述TA數據確定關於患者的所述潛在病症發作。
11.根據權利要求10所述的方法，其特徵在於，所述方法還包括以下步驟:識別趨勢，所述趨勢是所述TA數據中的時間模式，所述模式是潛在病症發作的特性。
12.根據權利要求10所述的方法，其特徵在於，所述方法還包括以下步驟:進行TA數據的分析以生成患者體內潛在病症發作的指示。
13.根據權利要求10所述的方法，其特徵在於，所述方法還包括以下步驟:提供關於臨床病症的數據。
14.根據權利要求13所述的方法，其特徵在於，所述方法還包括以下步驟:提供關於以下各項中的任一項的麻醉劑數據以作為關於臨床病症的數據並且在所述分析中利用這樣的數據:向所述一個或者多個患者之一提供的麻醉劑；或者所述一個或者多個患者之一所經歷的手術。
15.根據權利要求10所述的方法，其特徵在於，所述方法還包括以下步驟:以有規律的間隔繪製關於所述值的可變性分數。
16.根據權利要求10所述的方法，其特徵在於，所述方法還包括以下步驟:設置在基於所述TA數據確定關於所述患者的所述潛在病症發作時利用的時間規則。
17.根據權利要求10所述的方法，其特徵在於，所述方法還包括以下步驟:創建對所述TA數據的分類方案。
18.根據權利要求10所述的方法，其特徵在於，所述方法還包括以下步驟:生成關於所述一個或者多個患者之一的數據並且共同生成關於所述一個或者多個患者的數據。
19.一種用於識別一個或者多個患者體內潛在病症發作的非瞬態計算機可讀介質，其特徵在於，所述非瞬態計算機可讀介質包括: a)承載軟體指令的計算機可讀介質；以及 b)用於使得所述計算機能夠執行預定操作的所述軟體指令，所述預定操作包括以下步驟: i)以有規律的間隔從一個或者多個醫學監控設備獲取關於一個或者多個患者的心率信號和呼吸速率信號； ii)分析所述心率信號和所述呼吸速率信號以生成心率可變性值和呼吸速率可變性值；以及 iii)將時間抽象化 分析應用於所述值以產生TA數據。
【文檔編號】G06F9/00GK103619240SQ201280022727
【公開日】2014年3月5日 申請日期:2012年3月19日 優先權日:2011年3月17日
【發明者】卡羅林·帕特裡希亞·麥格瑞戈, 克裡斯蒂娜·安妮·卡特利, 安德魯·吉布森·詹姆斯 申請人:卡羅林·帕特裡希亞·麥格瑞戈, 克裡斯蒂娜·安妮·卡特利, 安德魯·吉布森·詹姆斯