Оценка и наблюдение острого повреждения легких (ali)/синдрома острой дыхательной недостаточности (ards)
Группа изобретений относится к медицинской технике, а именно к средствам медицинского мониторинга острого повреждения легких (ALI). Постоянный запоминающий носитель, на котором сохранены инструкции, исполняемые электронным устройством обработки данных, включающим в себя дисплей, включает в себя прием значений множества физиологических параметров для пациента, прием информации о введении лекарственных средств, относящейся к введению одного или более лекарственных средств пациенту, вычисление значения индикатора ALI на основании по меньшей мере принятых значений множества физиологических параметров для пациента и принятой информации о введении лекарственных средств и отображение представления вычисленного значения индикатора ALI на дисплее. Устройство для наблюдения за пациентом содержит электронное устройство обработки данных, включающее в себя дисплей, и постоянный запоминающий носитель. Способ наблюдения за пациентом проводят посредством устройства. Использование изобретений позволяет расширить арсенал средств поддержки принятия решений в области наблюдения за пациентом и оценки пациента. 3 н. и 12 з.п. ф-лы, 19 ил.
Нижеследующее относится к области медицинского мониторинга, области клинических систем поддержки принятия решений, области наблюдения за интенсивной терапией и оценки пациента и так далее.
Острое повреждение легких (ALI) представляет собой губительное осложнение острого расстройства и одну из ведущих причин полиорганной недостаточности и смертности в отделении интенсивной терапии (ОИТ). ALI также иногда встречается как синдром острой дыхательной недостаточности (ARDS). По оценкам, ALI распространено у 7-10% от всех пациентов ОИТ, и демонстрирует высокую смертность больше 40% после выписки из больницы. Однако врачи ОИТ обнаруживают меньше одной трети пациентов с ALI.
Один подход к обнаружению или прогнозированию ALI известен как оценка прогнозирования ALI, в которой используют информацию о хроническом и остром расстройстве для того, чтобы идентифицировать пациентов, у которых с большей вероятностью разовьется ALI во время их присутствия. Однако этот подход обеспечивает малое представление о времени развития. Другой известный подход представляет собой средство обнаружения ALI, которое представляет собой электронную систему для исследования электронных медицинских записей пациентов на предмет свидетельств ALI. Средство обнаружения ALI является чрезвычайно чувствительным и специфичным. Однако оно применяет существующее определение ALI к медицинской записи, которое определяют в отношении характеристик газов артериальной крови (ABG) и радиографии грудной клетки. Таким образом, средство обнаружения ALI ограничено тем, что оно опирается на доступность пациенту анализа ABG и рентгенологического анализа грудной клетки. Получение и использование рентгенографических свидетельств билатеральных инфильтратов, обозначающих ALI, может быть ресурсоемким, занимать много времени и причинять вред пациенту, и во многих случаях ОИТ релевантные данные не доступны по меньшей мере во время критических начальных этапов поступления и сортировки пациентов.
В WO 2007/052108 A2 раскрыты способы и системы отслеживания показателей жизнедеятельности для прогнозирования и лечения физиологических расстройств. В способах и системах используют датчики для формирования сигналов, которые можно анализировать на предмет тенденций, отклонений или сравнения с предшествующими состояниями или критериями. Датчики могут быть расположены таким образом, что поставщику медицинских услуг нет необходимости наблюдать за субъектом.
В WO 2009/098627 A1 раскрыто устройство для прогнозирования дыхательной стабильности пациента, содержащее запоминающее устройство для данных пациента, хранящее данные пациента, и анализатор, осуществляющий связь с памятью, который вычисляет меру дыхательной стабильности пациента.
В US 2008/0004904 A1 раскрыта медицинская система, которая содержит сеть, с которой связано одно или более устройств сбора медицинских данных, причём каждое устройство передает данные, соответствующие формату, обеспечивающему взаимодействие. Сервер, соединенный с сетью, хранит данные для каждого субъекта в соответствии с форматом, обеспечивающим взаимодействие.
Далее рассмотрены усовершенствованные устройства и способы, в которых преодолены указанные выше ограничения и другое.
По одному аспекту постоянный запоминающий носитель хранит инструкции, исполняемые электронным устройством обработки данных, которое содержит дисплей для наблюдения за пациентом на предмет острого повреждения легких (ALI) посредством операций, которые включают в себя: (i) прием значений множества физиологических параметров для пациента; (ii) приём информации (36) о введении лекарственных средств, относящейся к введению одного или более лекарственных средств пациенту; (iii) вычисление значения индикатора ALI на основании по меньшей мере принятых значений множества физиологических параметров для пациента и принятой информации о введении лекарственных средств; и (iv) отображение представления вычисляемого значения индикатора ALI на дисплее.
По другому аспекту устройство содержит электронное устройство обработки данных, которое содержит дисплей, и постоянный запоминающий носитель как изложено в предыдущем абзаце, которая функционально соединена с электронным устройством обработки данных для того, чтобы исполнять инструкции, хранимые на постоянном запоминающем носителе, для наблюдения за пациентом на предмет острого повреждения легких (ALI).
По другому аспекту способ содержит: прием значений множества физиологических параметров для пациента в отделении интенсивной терапии (ОИТ) на электронном устройстве обработки данных, содержащем дисплей; приём информации (36) о введении лекарственных средств, относящейся к введению одного или более лекарственных средств пациенту; с использованием электронного устройства обработки данных, вычисление значения индикатора ALI на основании по меньшей мере принятых значений множества физиологических параметров для пациента и принятой информации о введении лекарственных средств с использованием алгоритма логического вывода, обученного на обучающем наборе, содержащем эталонных пациентов, для различения эталонных пациентов, которые имеют ALI, и эталонных пациентов, которые не имеют ALI; и отображение представления вычисляемого значения индикатора на дисплее электронного устройства обработки данных.
Одно преимущество заключается в обеспечении оценки ALI с использованием своевременных и доступных данных, не полагаясь только на радиографические данные (например, рентгеновские лучи) или лабораторные тесты (например, анализ газов артериальной крови, ABG).
Другое преимущество заключается в обеспечении оценки ALI, которая учитывает влияние лекарственных средств или лекарств, вводимых пациенту.
Другое преимущество заключается в обеспечении оценки ALI, которую легко интегрировать с существующими мониторами пациента, широко используемыми в обстановки интенсивной терапии и сортировки.
Многие дополнительные преимущества и эффекты будут видны специалистам в данной области после прочтения следующего подробного описания.
Изобретение может принимать форму различных компонентов и конфигураций компонентов, а также различных операций способа и последовательностей операций способа. Рисунки приведены только для иллюстрации предпочтительных вариантов осуществления и их не следует толковать в качестве ограничения изобретения.
На фиг. 1 схематически представлен пациент в отделении интенсивной терапии (ОИТ), за которым осуществляют наблюдение на предмет острого повреждения легких (ALI) на прикроватном мониторе и на сестринском посту, в последнем случае наряду с другими пациентами в ОИТ.
На фиг. 2-4 проиллюстрирован подход к обнаружению ALI, в котором используют показатель сложности Лемпела-Зива, вычисляемый для отслеживаемых показателей жизнедеятельности.
На фиг. 5 проиллюстрированы экспериментальные результаты для подхода на основе логистической регрессии для обнаружения ALI.
На фиг. 6-7 проиллюстрирован подход на основе логарифмического отношения правдоподобия (LLR) для обнаружения ALI.
На фиг. 8 представлен подход общего агрегирования для вычисления индикатора для медицинского состояния в виде агрегирования составляющих алгоритмов индикаторов.
На фиг. 9-15 проиллюстрировано применение подхода агрегирования с фиг. 8 к набору составляющих алгоритмов индикаторов ALI для формирования агрегированного индикатора ALI.
На фиг. 16-19 проиллюстрированы дисплеи во время различных фаз работы по наблюдению за несколькими пациентами с использованием обзорного дисплея (фиг. 16-17) и детализирующих дисплеев для выбранного пациента (фиг. 18-19).
Как показано на фиг. 1, наблюдение за пациентом 8 осуществляют посредством прикроватного монитора 10 пациента, который отображает данные о тенденциях для различных физиологических параметров пациента 8. (В настоящем документе такие термины, как «физиологические параметры», «показатели жизнедеятельности» или «жизненные показатели», используют взаимозаменяемо). Например, иллюстративные электрокардиографические (ECG) электроды 12 надлежащим образом отслеживают частоту сердечных сокращений и при необходимости формируют кривые ECG как функции от времени. По существу можно отслеживать какой-либо физиологический параметр, представляющий медицинский интерес, например, в качестве иллюстративного примера, одного или более из следующего: частота сердечных сокращений (HR); частота дыхания (RR); систолическое артериальное давление (SBP); диастолическое артериальное давление (DBP); фракция вдыхаемого кислорода (FiO2); парциальное давление кислорода в артериальной крови (PaO2); положительное давление в конце выдоха (PEEP); гемоглобин крови (Hgb); и так далее.
Монитор 10 пациента содержит дисплей 14, который предпочтительно представляет собой графический дисплей, на котором физиологические параметры и при необходимости другие данные пациента отображают с использованием числового представления, графического представления, линий тенденций или тому подобное. Монитор 10 пациента дополнительно содержит одно или более пользовательских устройств ввода, таких как иллюстративное средство 16 управления, установленное на корпусе монитора 10, набор программируемых клавиш 18, представленных на дисплее 14 (который в такой конфигурации, соответственно, представляет собой чувствительный к прикосновениям дисплей), выдвижная клавиатура, различные их сочетания или тому подобное. Пользовательское устройство(а) ввода позволяют медицинской сестре или другому медицинскому персоналу конфигурировать монитор 10 (например для того, чтобы выбирать физиологические параметры или другие данные пациента, подлежащие отслеживанию и/или отображению), чтобы задавать параметры тревоги или тому подобное. Несмотря на то, что не показано в явной форме, монитор 10 пациента может содержать другие признаки, такие как громкоговоритель для вывода звуковой тревоги, если уместно, один или более СИД или ламп других типов, чтобы выводить визуальную тревогу, и так далее.
Монитор 10 пациента представляет собой «интеллектуальный» монитор в том отношении, что он содержит или функционально соединен с мощностями для обработки данных, обеспечиваемой посредством микропроцессора, микроконтроллера или тому подобное, соединенного с подходящей памятью и другой вспомогательной электроникой (детали не проиллюстрированы). В некоторых вариантах осуществления монитор 10 пациента содержит внутренние мощности для обработки данных в форме встроенного компьютера, микропроцессора или тому подобное, так что монитор пациента может осуществлять автономную обработку отслеживаемых данных пациента. В других вариантах осуществления монитор пациента представляет собой «неинтеллектуальный терминал», который соединят с сервером или другим компьютером или устройством обработки данных, которое осуществляет обработку данных пациента. Также предусмотрено, что часть мощностей для обработки данных распределена среди взаимодействующих носимых на теле датчиков или устройств, установленных пациенту 8, например, в форме медицинской носимой сети (MBAN).
В иллюстративных примерах пациент 8 расположен в палате пациента отделения интенсивной терапии (ОИТ), которое, например, может представлять собой медицинское ОИТ (МОИТ), хирургическое ОИТ (ХОИТ), отделение кардиологической терапии (ОКТ), сортировочное ОИТ (СОИТ) или тому подобное. В таких условиях наблюдение за пациентом обычно осуществляют посредством прикроватного монитора 10 пациента, расположенного с пациентом (например, в больничной палате пациента), а также посредством электронного устройства 20 наблюдения с подходящим дисплеем 22 (например, специализированное устройство наблюдения или соответственно конфигурированный компьютер), расположенного на сестринском посту 24. Обычно ОИТ имеет один или более таких сестринских постов, причем каждый сестринский пост приписан к конкретному набору пациентов (который может представлять собой лишь одного пациента в предельной ситуации). Проводной или беспроводной канал связи (схематически обозначенный посредством изогнутой линии 26 с двумя стрелками) передает данные пациента, получаемые посредством прикроватного монитора 10 пациента, на электронное устройство 20 наблюдения на сестринском посту 24. Канал связи 26, например, может включать в себя проводной или беспроводной Ethernet (специализированный или часть больничной сети), соединение Bluetooth или тому подобное. Для канала связи 26 предусмотрена двусторонняя линия - т.е. данные также можно передавать с сестринского поста 24 на прикроватный монитор 10.
Прикроватный монитор 10 пациента выполнен с возможностью обнаруживать и показывать острое повреждение легких (ALI) посредством осуществления обработки данных, как описано в настоящем документе, по информации, содержащей по меньшей мере один или более физиологических параметров, отслеживаемых посредством монитора 10 пациента. В качестве дополнения или альтернативы, электронное устройство 20 наблюдения на сестринском посту 24 может быть выполнено с возможностью обнаружения и указания ALI посредством обработки данных, как описано в настоящем документе, по информации, содержащей по меньшей мере один или более физиологических параметров, отслеживаемых посредством монитора 10 пациента. Следует отметить, что термины ALI и синдром острой дыхательной недостаточности (ARDS) используют взаимозаменяемо в настоящем документе. Благоприятно, обнаружение ALI, как описано в настоящем документе, основано на таких физиологических параметрах, как HR, RR, SBP, DBP, FiO2, PEEP или тому подобное, отслеживаемых посредством монитора 10 пациента и которые, таким образом, доступны в реальном времени. Данные пациента с более длительным временем задержки получения, такие как радиографические отчеты и лабораторные находки (например, PaO2, Hgb и так далее), не используются или используются в качестве дополнительной информации для оценки, указано ли ALI.
В дальнейшем изложены различные варианты осуществления обнаружения ALI/ARDS.
Со ссылкой на фиг. 2-4 описан вариант осуществления, в котором используют обнаружение ALI на основе сложности Лемпела-Зива. Как схематично показано на фиг. 2, пациент 8 поступает в ОИТ (обозначено блоком 30). Могут иметь место сценарии, при которых различные лекарственные средства/лекарства (в настоящем документе «лекарственные средства» и «лекарства» используют взаимозаменяемо) можно вводить пациенту 8 для того, чтобы стабилизировать пациента (обозначено блоком 32). В иллюстративном подходе к обнаружению ALI на фиг. 2 используют иллюстративные потоки 34 данных о показателях жизнедеятельности, включающие в себя частоту сердечных сокращений (HR), артериальное систолическое и диастолическое артериальное давление (SBP и DBP) и частоту дыхательных движений (RR), наряду с дополнительным потоком 36 данных пациента, содержащем события введения 32 одного или более различных лекарственных средств пациенту 8. Поток 36 данных о введении лекарственных средств может принимать различные формы, такие как бинарный поток данных (например, значение «0» в виде функции (при необходимости дискретизованного) времени, кроме как во время события введения лекарственного средства, которое обозначают посредством значения «1». В случае лекарственного средства, введенного в течение временного интервала, например, внутривенное вливание, значение может составлять «0», когда вливание не вводят, и «1» (или некоторое другое значение) во время введения вливания. Также предусмотрены другие представления значения-времени, например, моделирование изменяющегося со временем значения ожидаемой динамической концентрации лекарственного средства у пациента (или в органе, представляющем интерес) по начальному введению, пока лекарственное средство не будет удалено из организма с помощью почек или другого механизма.
В блоке 40 показатель сложности Лемпела-Зива (см., например, A. Lempel and J. Ziv, «On the complexity of finite sequences», IEEE Trans. Inform. Theory, vol. IT-22, pp. 75-81, 1976) вычисляют для каждого из потоков данных о показателях жизнедеятельности 34 и для потока 36 данных о введении лекарственных средств. Это формирует показатель 44 сложности Лемпела-Зива, соответствующий каждому потоку 34 данных о показателе жизнедеятельности, и показатель 46 сложности Лемпела-Зива, соответствующий потоку 36 данных о введении лекарственных средств. Показатели 44, 46 сложности Лемпела-Зива комбинируют посредством добавления 50 (при необходимости при взвешивании потоков данных) или посредством другого оператора агрегирования для формирования аддитивного значения сложности, которое затем ограничивают посредством порогового средства 52 для формирования бинарного индикатора 54 ALI, который имеет положительное (или другое предусмотренное) значение, указывающее, что пациент проявляет ALI, или отрицательное (или другое предусмотренное) значение, указывающее, что пациент не проявляет ALI.
Со ссылкой на фиг. 3 дополнительно описана работа блока 40 вычисления показателя сложности Лемпела-Зива. Сложность Лемпела-Зива используют для количественного определения сложности различных временных последовательностей сигналов, таких как электроэнцефалография (ЭЭГ), частота сердечных сокращений, артериальное давление и так далее. В системе на фиг. 2, ввод представляет собой поток 34 данных о показателе жизнедеятельности или поток 36 данных о введении лекарственных средств. Сложность Лемпела-Зива (LZ) основана на огрублении потока данных, т.е. дискретизации потока данных во времени (если уже не получен в виде дискретных образцов) и величин значений. На иллюстративной фиг. 3, поток данных принимают как уже полученный в виде образцов, дискретных по времени, и значение огрубляют посредством преобразования числовых данных в бинарные значения, например, «0», если значение ниже порогового значения Td, или «1», если значение выше порогового значения Td. Предусмотрены другие подходы к огрублению, например, дискретизация до более детальной последовательности (0, 1, 2, N) с использованием множества пороговых значений. Выводом из этой операции является огрубленный, например, бинарный, поток 60 данных.
Сложность LZ представляет собой меру количества отличающихся паттернов, доступных в последовательности, или, более конкретно, в пределах временного интервала или временного окна n последовательности. Для того чтобы получать сложность LZ, бинарную последовательность 60 сканируют слева направо через окно n и счетчик сложности увеличивают на одну единицу каждый раз, когда встречается новая (под)последовательность последовательных символов. В иллюстративном примере на фиг. 3 четыре подпоследовательности 62 идентифицируют в окне n и, таким образом, мера 44, 46 сложности Лемпела-Зива в этом случае составляет c(n)=4. При необходимости можно применять некоторую нормализацию, например, для выражения меры сложности Лемпела-Зива c(n) в единицах встречаемости новых паттернов на единицу времени. Следует принимать во внимание, что обработку, представленную схематически на фиг. 3, можно повторять для последовательных (и при необходимости частично перекрывающихся) временных окон n, чтобы представить меру сложности Лемпела-Зива c(n) как функцию от (дискретизированного) времени.
Вновь обращаясь фиг. 2 и используя указания, используемые на фиг. 3, сумматор 50 представляет собой, соответственно, cHR(n)+cSBP(n)+cDBP(n)+cRR(n)+cDrugs(n). В качестве альтернативы, если используют взвешивание, вывод можно записать как wHRcHR(n)+wSBPcSBP(n)+wDBPcDBP (n)+wRRcRR(n)+wDrugscDrugs(n), где члены w представляют собой скалярные весовые коэффициенты.
Анализ рабочих характеристик приемника (ROC) соответственно используют для получения оптимального порогового значения Td обнаружения для использования при вычислении меры сложности Лемпела-Зива (LZ) на фиг. 3. В фактически выполненном примере ROC анализ для LZ осуществляли на 506 пациентах ОИТ (обучающие массивы данных), из которых 206 были ALI-положительными (т.е. проявляли ALI) и 300 представляли собой контроли (т.е. ALI-отрицательные, не проявляли ALI). На фиг. 4 представлены результаты для обучающей популяции, где площадь под кривой ROC составляет 0,73 и оптимальное пороговое значение составляет 5,92 (чувствительность: 63% и специфичность: 75%). Оптимальное пороговое значение отмечено черным квадратом на фиг. 4. Для проверки подхода после этого ROC анализ осуществляли на 6881 пациенте ОИТ (незнакомые тестовые данные). Из них 138 были ALI-положительными и 6743 представляли собой контроли. Пороговое значение 5,92, полученное с использованием обучающей популяции, располагали на ROC кривой тестовых массивов данных (также нанесенной на фиг. 4). Предложенный подход достигал более высокой чувствительности (67%) и более высокой специфичности (76%) на тестовых массивах данных. В этих фактически выполненных примерах, суммирование 50 не взвешивали (или, что эквивалентно, все весовые коэффициенты составляли w=1). Если использованию подлежат ненулевые весовые коэффициенты, их также можно оптимизировать во время процесса обучения.
Со ссылкой на фиг. 5 описан вариант осуществления, в котором используют обнаружение ALI на основе логистической регрессии. Этот иллюстративный подход влечет отбор признаков исследования, подгонку модели к обучающему или производному массиву данных из данных пациента ОИТ, и тестирование модели на валидационном массиве данных, предпочтительно, том, который отражает истинную ALI в популяции ОИТ, представляющей интерес.
Модель логистической регрессии включает в себя нелинейное отображение независимых или прогностических переменных, таких как частота сердечных сокращений (HR), частота дыхательных движений (RR), неинвазивное измерение артериального давления (NIBP-m), или тому подобное, в зависимую переменную или переменную отклика (например, ALI или контроль в иллюстративных примерах) через функцию логистической регрессии или логит-преобразования. Подходящая запись представляет собой 
, где p обозначает вероятность ALI, β0 представляет собой постоянную, а β1…βi представляют собой коэффициенты предикторов x1…xi (например, HR, RR, NIBP-m и так далее). В соответствующем подходе модель логистической регрессии подгоняют с использованием функции вероятности 
, где β0 также представляет собой постоянную, 
представляет собой вектор коэффициентов предикторов, p также представляет собой вероятность ALI, а y представляет собой истинное присутствие/отсутствие ALI. Коэффициенты вычисляют с использованием способов минимизации, таких как обычный способ наименьших квадратов (OLS) или функция оценки максимальной вероятности (MLE).
В фактически выполненном примере в модели логистической регрессии использовали три признака в качестве ввода: HR, RR и HR/NIBP-m, чтобы получать вероятность развития ALI. В фазе обучения постоянную β0 и коэффициенты получали из массива данных 600 пациентов, содержащего 300 контролей и 300 пациентов с ALI, с использованием приведенных выше уравнений. Модель применяли непрерывно (другими словами, применяли в каждый уникальный момент времени для пациента) и кривую рабочей характеристики приемника (ROC) строили для того, чтобы определять пороговое значение, обеспечивающее желаемый уровень чувствительности и специфичности. Затем в фазе испытания модель применяли таким же непрерывным образом к валидационному набору незнакомых данных пациента, содержащему 6690 контролей и 326 пациентов с ALI. ROC кривую снова строили и чувствительность и специфичность при заданном пороговом значении сравнивали с таковыми, полученными из производного массива данных.
На фиг. 5 представлены результаты. Эффективность модели логистической регрессии на обучающих данных вела к чувствительности 71,00% и специфичности 74,33%. С использованием того же порогового значения эффективность модели на валидационных данных вела к чувствительности 63,19% и специфичности 81,05%.
Фактически выполненный пример является лишь иллюстративным. В целом, более высоко- или низкочастотные данные можно использовать при обучении, тестировании и реализации модели логистической регрессии. Другие варианты осуществления при необходимости включают в себя дополнительные признаки, такие как демографическая информация и информация о базовом уровне здоровья, в той степени, в которой такие данные доступны через электронные медицинские записи (EMR) или другие источники.
Со ссылкой на фиг. 6 и 7 описан вариант осуществления, в котором используют обнаружение ALI на основе логарифмического отношения правдоподобия (LLR). Обращаясь конкретно к фиг. 6, представлена блок-схема обнаружения ALI на основе подходящего логарифмического отношения правдоподобия. Пусть N представляет собой общее число пациентов в производном (т.е. обучающем) наборе данных, из которых N1 имеют заболевание (ALI в иллюстративном примере) и N0 не имеют заболевания. Состояние заболевания обозначают как D, то есть D=1 обозначает ALI-положительных, а D=0 обозначает отсутствие ALI (т.е. ALI-отрицательных). Пусть d=[d1 d2… dL] обозначает вектор данных пациента, которые доступны для постановки диагноза. На иллюстративной фиг. 6 эти L параметров включают в себя показатели 70 жизнедеятельности, например, RR, HR, FiO2 (фракция вдыхаемого кислорода), PaO2 (парциальное давление кислорода в артериальной крови), PEEP (положительное давление в конце выдоха) или тому подобное, и результаты 72 лабораторных тестов, например, pH, Hgb (результат теста на гемоглобин крови) или тому подобное. В качестве другого примера (не проиллюстрировано), L параметров могут в качестве дополнения или альтернативы включать в себя данные о том, имеет ли пациент одно или более острых или хронических состояний, таких как пневмония, диабет или тому подобное. Тогда логарифмическое отношение правдоподобия определяют как 
,
где p(d/D=1) представляет собой функцию распределения суммарной вероятности d, учитывая, что D=1, и p(d/D=0) представляет собой функцию распределения суммарной вероятности d, учитывая, что D=0. При допущении, что L параметров независимы, логарифмическое отношение правдоподобия можно записывать следующим образом:
Таким образом, суммарное логарифмическое отношение правдоподобия всех параметров представляет собой сумму логарифма вероятности индивидуальных параметров.
На фиг. 6 представлена фаза тестирования. Логарифмическое отношение правдоподобия LLR(d) вычисляют в операции 74 для пациента с вектором d входных данных пациента, элементы которого [d1 d2 … dL] хранят данные пациента для тестируемого пациента. Затем обнаружение ALI продолжается с использованием пороговой операции 76 следующим образом:
То есть, если LLR(d)>T, то результат 78 теста считают ALI-положительным (D=1), тогда как если LLR(d)<T, то результат теста 78 считают ALI-отрицательным (D=0). В этих выражениях T представляет собой оптимальное пороговое значение обнаружения, определяемое по обучающему набору данных.
Со ссылкой на фиг. 7 изложены результаты фактически выполненного теста ALI на основе логарифмического отношения правдоподобия. ROC анализ используют для того, чтобы получать оптимальное пороговое значение T для пороговой операции 76. ROC анализ для LLR осуществляли на 506 пациентах ОИТ (обучающий массив данных), из которых 206 обладали ALI и 300 являлись контролями. Результаты для обучающей популяции приведены на фиг. 7. Площадь под ROC кривой составляет 0,88, а оптимальное пороговое значение составляет 2,6 (чувствительность: 86% и специфичность: 77%). При получении дополнительных наборов данных для обучения пороговые значения и эффективности могут изменяться. Оптимальное пороговое значение отмечено черным квадратом на графике. Для проверки подхода осуществляли ROC анализ для 6881 пациента ОИТ (незнакомые тестовые данные). Из них 138 имели ALI и 6743 являлись контролями. Пороговое значение, полученное на обучающих данных, также представлено на фиг. 7 в соответствующем ему местоположении на ROC кривой, сформированной на тестовых данных. Подход достигал специфичности (84%) и чувствительности (72%) в тестовых массивах данных. Местоположение рабочей точки (обучающее пороговое значение T) слегка изменялось на тестовых массивах данных при увеличенной чувствительности и сниженной специфичности. Однако принимая во внимание увеличенную специфичность, пороговое значение является достаточно устойчивым. Подход также имеет площадь под ROC кривой (0,86) для тестовых массивов данных, очень близкую к таковой обучающих массивов данных (0,87), которая благоприятна для надежного обнаружения ALI.
Подходы к обнаружению ALI/ARDS с использованием показателя сложности Лемпела-Зива (LZ, описан со ссылкой на фиг. 2-4), подход на основе логистической регрессии (LR, описан со ссылкой на фиг. 5) и подход на основе логарифмического отношения правдоподобия (LLR, описан со ссылкой на фиг. 7) представляют собой иллюстративные примеры, и предусмотрены другие алгоритмы логического вывода. Такие алгоритмы логического вывода могут включать в себя, среди прочего, систему нечеткого логического вывода, байесовскую сеть и машину с конечными состояниями.
Как показано на фиг. 8-15, также предусмотрено использование различных агрегирований алгоритмов логического вывода и при необходимости другой информации, при обнаружении присутствия ALI (т. е. логическом выводе о нем) у пациента. Агрегирование таких способов выгодно использует сделанное в настоящем документе наблюдение о том, что каждый алгоритм распознает паттерны в данных по-разному, с тем, чтобы ожидать, что объединяющий (например, агрегирующий) подход с использованием комплементарной информации из различных уникальных алгоритмов в комбинации давал более высокую эффективность, чем какой-либо один из индивидуальных алгоритмов, действующих отдельно.
Обращаясь конкретно к фиг. 8, раскрыт общий каркас объединяющего подхода. Выходные данные набора из N алгоритмов 80, обозначаемые в настоящем документе без потери универсальности как алгоритм 1, алгоритм 2, алгоритм 3, алгоритм N, агрегируют в агрегирующем блоке 82 для формирования индикатор 84 состояния органа, который соответственно отображают и/или тенденцию которого отслеживают как функцию от времени на прикроватном мониторе 10, устройстве 20 наблюдения сестринского поста, (см. фиг. 1) или тому подобном. Общий каркас на фиг. 8 не обладает специфичностью к заболеванию.
Со ссылкой на фиг. 9 показано применение общего каркаса агрегирования с фиг. 8 к обнаружению ALI. В этом применении N алгоритмов 80 включают в себя шесть алгоритмов (т.е. N=6), как изложено в дальнейшем.
Первый алгоритм основан на выжимке из врачебной экспертизы. На иллюстративной фиг. 9 это реализовано в виде нечеткого алгоритма 90 логического вывода, который строят по лингвистической (или нечеткой) информации о зависимостях переменных и запускают с использованием набора правил 92 принятия решений, сконструированного на основе клинической информации 94, собранной при обсуждениях с врачами. Нечеткий алгоритм 90 логического вывода может, например, составлять компонент клинической системы поддержки принятия решений (CDSS).
Второй алгоритм основан на выжимке из релевантной клинической литературы. На иллюстративной фиг. 9 это реализовано в виде байесовской сети 100, которая структурирована из вероятностей 102, вычисленных на основе клинического исследования 104. Например, клиническое исследование может показывать, что статистически комбинация параметров указывает на ALI с вероятностью P.
Третий алгоритм основан на перевод патофизиологии в термины причинно-следственных связей между переменными (такими как RR, HR и т.д.). Потенциальные причины развития ALI могут быть механическими, химическими или биологическими по природе. Например, механические причины ALI включают в себя быстрое/глубокое дыхание и/или параметры вентиляции. Примеры механических условий представляют собой:
Условие 1: Параметр вентиляции положительное давление в конце выдоха (PEEP)<5
Условие 2: PEEP>10
Условие 3: давление на плато>35 см H2O.
На иллюстративной фиг. 9 это реализовано в виде машины 110 состояний, реализующей логическую последовательность 112, количественно определяющую клиническое определение 114. В данном случае, если ни одно из условий 1, 2 или 3 не выполнено, то машина 110 состояний выводит ALI-отрицательный, тогда как если какое-либо из этих условий выполнено, то машина 110 состояний выводит ALI-положительный.
Эти первые три алгоритма основаны на знаниях, и, соответственно, эффективно используют клиническую информацию, опубликованные клинические исследования и клинические определения. Четвертый, пятый и шестой алгоритмы основаны на данных, и на иллюстративной фиг. 9 соответствуют LLR алгоритму 120, LZ алгоритму 130 и LR алгоритму 140, соответственно, описанным в настоящем документе со ссылкой на фиг. 2-7. Эти алгоритмы 120, 130, 140 основаны на ОИТ данных 142, таких как жизненные показатели, лабораторные показатели и вмешательства (например, события введения лекарственных средств), и при необходимости также основаны на пред-ОИТ данных 144, таких как демографические данные и/или известные хронические заболевания или состояния пациента. (Следует отметить, что термин «пред-ОИТ» указывает на то, что такую информацию о пациенте обычно собирают перед поступлением пациента в ОИТ в виде части процедуры поступления; однако, пред-ОИТ данные 144 можно в некоторых случаях формировать, целиком или частично, после того, как пациент попадает в ОИТ).
Агрегирующий блок 82 можно реализовать различными способами. В иллюстративном ALI применении на фиг. 9, агрегирующий блок 82 реализуют посредством линейного дискриминантного анализа (LDA) или посредством системы голосования (SOFALI). Эти иллюстративные подходы к агрегированию описаны в свою очередь в дальнейшем.
Линейную дискриминантную функцию для каждого класса k можно представлять как:
,
где x представляют собой прогностические переменные (например, различные алгоритмы обнаружения ALI), pk представляют собой априорные вероятности классов k, а C представляет собой ковариационную матрицу, объединенную по классам. Для иллюстративного применения обнаружения ALI коэффициенты LDA получают для различных прогностических переменных (т.е., различных алгоритмов) на обучающем наборе данных. Затем коэффициенты LDA соответствующим образом пропускают через многопеременное логистическое преобразование для того, чтобы преобразовать коэффициенты в вероятности pk в соответствии с:
Агрегатор системы голосования, соответственно, реализуют следующим образом. Пороговые значения для подходов на основе знаний и на основе данных получают на обучающем наборе данных. Затем эти индивидуальные пороговые значения используют для обнаружения ALI на основе мажоритарной системы (на основе множества алгоритмов, обнаруживающих ALI). В таблице 1 представлена иллюстративная мажоритарная система (SOFALI), которую используют для объединения шести различных алгоритмов на иллюстративной фиг. 9.
| Таблица 1 Мажоритарная система для объединения различных алгоритмов обнаружения ALI |
|
| Число алгоритмов, обнаруживающих ALI | Голоса (SOFALI) |
| Любой один или ни одного | 0 |
| 2 | 1 |
| 3 | 2 |
| 4 | 3 |
| 5 или 6 | 4 |
Другие варианты осуществления могут включать в себя масштаб от 0 до 1, где число голосов нормализуют к общему числу присутствующих алгоритмов.
В фактически выполненной реализации все подходы на основе знаний и на основе данных и объединяющие подходы иллюстративной системы агрегированного обнаружения ALI с фиг. 9 обучали с использованием данных 506 пациентов ОИТ и валидировали на неизвестных данных 6881 пациента ОИТ. Кривую рабочих характеристик приемника (ROC) использовали для того, чтобы оценивать эффективность различных подходов. ROC анализ использовали для получения оптимального порогового значения обнаружения ALI. ROC анализ для всех различных подходов осуществляли на 506 пациентах ОИТ (обучающие массивы данных), из которых 206 имели ALI и 300 представляли собой контроли. Результаты обучающей популяции представлены на фиг. 10. Оптимальное пороговое значение для каждого объединяющего подхода представлено со звездочкой (*) на фиг. 10. Пороговые значения, соответствующие этим звездочкам, составляют 0,859 для LDA и 2 для SOFALI.
Для проверки двух подходов к агрегированию осуществляли ROC анализ на 6881 пациенте ОИТ (незнакомые тестовые данные). Из них 138 имели ALI и 6743 представляли собой контроли. Пороговые значения, полученные на обучающих данных для LDA и SOFALI, соответственно, и представленные в ROC кривой, полученной на валидационных данных фиг. 11, слегка меняют положение, при сниженной чувствительности и увеличенной специфичности, указывая на то, что пороговое значение является достаточно устойчивым. Предложенные подходы достигали более высокой специфичности в тестовых массивах данных, которые полезны в контексте надежного обнаружения ALI.
Как показано на фиг. 12 и 13, траектории объединяющего подхода LDA представлены для иллюстративного пациента с ALI (фиг. 12) и для контрольного пациента (фиг. 13). Со ссылкой на фиг. 14 и 15 траектории объединяющего SOFALI подхода представлены для иллюстративного пациента с ALI (фиг. 14) и для контрольного пациента (фиг. 15). На фиг. 12-15 продемонстрировано, что оба объединяющих подхода LDA и SOFALI обнаруживали ALI рано по сравнению со временем начала ALI, ретроспективно определяемым врачом.
Агрегированный вариант осуществления, описанный со ссылкой на фиг. 9, является лишь иллюстративным, и предусмотрено множество вариантов. Например, набор алгоритмов может отличаться от иллюстративных шести алгоритмов на фиг. 9. Также предусмотрены алгоритмы агрегирования, отличные от LDA или SOFALI, такие как агрегирование на основании показателя расстояния или на основе деревьев решений или тому подобное. Кроме того, хотя иллюстративные варианты осуществления относятся к обнаружению ALI/ARDS, следует принимать во внимание, что аналогичные подходы можно использовать для того, чтобы обнаруживать другие расстройства или состояния, такие как острое повреждение почек (AKI), диссеминированное внутрисосудистое свертывание (DIC), с использованием подходящих показателей жизнедеятельности и при необходимости других признаков, таких как иллюстративный поток данных о введении лекарственных средств, и обучения на подходящих обучающих наборах данных для того, чтобы оптимизировать параметры алгоритма логического вывода.
Индикатор состояния ALI, вычисляемый с помощью какого-либо из раскрытых алгоритмов (с агрегированием или без него) можно использовать различными способами. В иллюстративном примере, индикатор состояния ALI можно отображать и при необходимости регистрировать на прикроватном мониторе 10 и/или отображать и при необходимости регистрировать на электронном устройстве 20 наблюдения сестринского поста (см. фиг. 1). Дисплей может быть цифровым и/или в форме линии тенденции, наносимой на график зависимости значения индикатора состояния ALI от времени. В случае машины логического вывода, которая формирует значение, которое сравнивают с пороговым значением для формирования указания ALI-положительный (или -отрицательный), предусмотрено дополнительно или в качестве альтернативы отображение значения без сравнения с пороговым значением. Например, значение ALI, формируемое с помощью машины логического вывода, можно наносить на график в виде линии тенденции с пороговым значением ALI-положительный/-отрицательный, показанным в виде горизонтальной линии, наложенной на график линии тенденции. В качестве дополнения или альтернативы, можно применять множество пороговых значений для того, чтобы соответствовать увеличению тяжести заболевания или увеличению вероятности ARDS. Цветовое кодирование можно применять для отображения уровня тяжести порогового значения.
В качестве дополнения или альтернативы, индикатор состояния ALI может служить в качестве ввода в клиническую систему поддержки принятия решений (CDSS), который служит в качестве одного элемента данных, используемых в сочетании с другими данными при формировании клинических рекомендаций для рассмотрения врачом.
В этих различных применениях индикатор состояния ALI обычно не принимают в качестве диагноза, а скорее индикатор состояния ALI служит одним элементом данных для рассмотрения врачом пациента или другим медицинским экспертом при принятии решения о курсе лечения, наиболее подходящем для пациента.
Обычное ОИТ обслуживает несколько пациентов в какое-либо заданное время. Каждый из этих пациентов может (по меньшей мере в общем) быть восприимчивым к ALI/ARDS, и благоприятно наблюдать за этим состоянием с использованием способов, описанных в настоящем документе. Однако ОИТ представляет собой напряженную и сложную среду, и дополнительная информация, такая как набор индикаторов состояния ALI для пациентов в ОИТ, может вносить вклад в информационную перегрузку. Ввиду этого, в настоящем документе дополнительно описано наличие дисплея для наблюдения за несколькими пациентами, который облегчает быстрый обзор состояния всех пациентов в ОИТ, наблюдаемых на предмет ALI. Этот дисплей для наблюдения за несколькими пациентами соответственно используют на электронном устройстве 20 наблюдения сестринского поста (см. фиг. 1), чтобы обеспечивать наблюдение за всеми пациентами, за которыми ухаживает медицинская сестра или медицинские сестры (или другой медицинский персонал), приписанные к сестринскому посту.
Со ссылкой на фиг. 16 иллюстративный обзорный дисплей 200 для наблюдения за несколькими пациентами соответственно представлен на электронном устройстве 20 наблюдения сестринского поста с фиг. 1. Иллюстративный обзорный дисплей 200 схематически представляет каждого пациента в данном ОИТ (медицинском ОИТ, т. е. МОИТ, на иллюстративной фиг. 16) посредством прямоугольника, содержащего наиболее подходящую информацию, в иллюстративном примере содержащего идентификационный номер пациента (PID) и значение индикатора состояния ALI для пациента, представленное на иллюстративной фиг. 16 агрегированным значением SOFALI (в более общем смысле, можно использовать какой-либо индикатор состояния ALI, описанный в настоящем документе, с агрегированием или без него). При необходимости прямоугольники, схематически представляющие пациентов, расположены на дисплее 200 таким образом, который имитирует физическое расположение пациентов в ОИТ. На иллюстративной фиг. 200 иллюстративное МОИТ имеет десять кроватей, расположенных по C-образному паттерну, и все десять кроватей заняты пациентами. Если кровать не занята, это может быть соответствующим образом представлено посредством использования пустого прямоугольника для этой кровати или посредством полного исключения репрезентативного прямоугольника.
Для того чтобы дополнительно содействовать быстрой оценке состояния пациента, каждый из схематичных прямоугольников имеет цветовое кодирование для представления состояния ALI пациента. На иллюстративной фиг. 16, цветовое кодирование схематически представлено посредством различных поперечных штриховок, причем пациенты, имеющие значения показателя SOFALI 0 или 1, имеют один цвет (например, зелены или белый или не имеют цвета), пациенты, имеющие значения показателя SOFALI 2 или 3, имеют другой цвет (например, желтый, для указания состояния «присматривать» для этих пациентов), а пациенты, имеющие SOFALI 4 (или, возможно, больше), имеют еще один другой цвет (например, красный, чтобы указывать серьезное состояние ALI или ARDS). Альтернативно, цветовое кодирование может соответствовать тяжести расстройства и изменение цвета может соответствовать новому пороговому значению или границе диапазона оценок. Например, для оценки в диапазоне от 0 до 100, от 0 до 50 может представлять группу низкого риска, от 50 до 75 может указывать на группу среднего риска («присматривать» или «предупреждение»), а выше 75 может указывать на группу высокого риска. Кратко обращаясь к фиг. 17, обзорный дисплей 200 при необходимости содержит выпадающее меню 202 или другой диалог графического пользовательского интерфейса (GUI), который позволяет медицинской сестре или другому оператору переключаться на другое отделение ОИТ.
Информация, содержащаяся в схематических прямоугольниках обзорного дисплея 200, является лишь иллюстративным примером, и можно представлять дополнительную или другую информацию. Например, пациентов можно идентифицировать с помощью имени вместо номера PID или в дополнение к нему. Другие серьезные состояния можно указывать вместо ALI или в дополнение к нему. Если два или более состояния указаны и подлежат представлению посредством цветового кодирования, цветовое кодирование может быть представлено в различных областях прямоугольника, или весь прямоугольник можно кодировать цветом с использованием цвета, представляющего наиболее серьезное состояние (например «красный», если какое-либо представленное состояние имеет «красный» цвет состояния, даже если некоторое другое отображаемое состояние может быть «желтым» или «белым»).
В различных вариантах осуществления обзорный дисплей для нескольких пациентов обеспечивает быстрый «моментальный» обзор критического состояния здоровья группы пациентов в ОИТ, или в других местах (например, ED, OR, палата и т.д.), через схематические блоки состояния здоровья. В различные варианты осуществления можно встраивать одно или более из следующего: (1) индивидуальный блок с цветовым кодированием с числовым значением и меткой (например, общее состояние здоровья); (2) индивидуальный блок с цветовым кодированием с числовым значением и меткой (например, ALI здоровье); (3) множественные блоки с цветовым кодированием, содержащиеся внутри одного блока с числовыми значениями и метками (например, острое повреждение легких, острое повреждение почек, диссеминированное внутрисосудистое свертывание, острый инфаркт миокарда и так далее); или тому подобное. В целом, каждый схематический блок обзорного дисплея представляет общий вид состояния критического расстройства отдельного пациента, а совокупность блоков на обзорном дисплее, таким образом, обеспечивает эту информацию для всех пациентов в ОИТ.
Как показано на фиг. 18 и 19, посредством выбора схематического прямоугольника, представляющего конкретного пациента, например, посредством нажатия на прямоугольник с использованием мыши или другого указывающего устройства, прикосновения к прямоугольнику в случае сенсорного экрана или тому подобное, увеличенный вид состояния выбранного пациента показывают на увеличенном дисплее 220 пациента (фиг. 18) или в альтернативном варианте осуществления увеличенный дисплей 220 пациента (фиг. 19). В различных вариантах осуществления увеличенный дисплей показывает вид с развитием ALI/ARDS (и/или с развитием другого наблюдаемого состояния), во времени, для отдельного пациента. При необходимости увеличенный дисплей может показывать прогнозируемое развитие в заданном числе часов в будущем. Индикатор состояния ALI можно отображать в виде значения (при необходимости квантованного) и соответствующего цвета для всех значений оценок здоровья органов, используемых в ОИТ (например, критерии SOFA, AKIN и так далее, другие предполагаемые оценки, включая, в качестве иллюстративного примера, квантованные индикаторы CDS для ALI, AKI и так далее), на одном кратком, легком для чтения «моментальном» дисплее. Индикаторы тенденций могут быть представлены в различных форматах, таких как использование знаков +/-, или стрелок вверх, вниз, горизонтальных стрелок, с помощью различных схем цветового кодирования (сплошная: паттерн сигналов светофора; спектральная: паттерн тепловой карты; или тому подобное), с помощью положительных/отрицательных числовых значений, поднятого/опущенного положения на вертикальной оси или тому подобное. Сочетание обзорного дисплея детализирующего дисплея и для конкретного пациента обеспечивает быстрый и легкий механизм для изменения видов/интерфейсов для групп пациентов или отдельных пациентов и делает возможным фокусирование на ALI или других системах органов или синдромах, представляющих интерес.
Предусмотрена возможность настройка групп пациентов, органов/синдромов, представляющих интерес, или оценок, используемых для того, чтобы представлять здоровье конкретного органа (например, критерии RIFLE в сравнении с AKIN в сравнении с индикатором CDS AKI). При необходимости мощности CDSS встраивают для поддержки в принятии решений через отображение предлагаемых/рекомендуемых пороговых значений алгоритмического принятия решений и в других вариантах осуществления доверительных областей или границ на этом пороговом значении принятия решения.
В вариантах осуществления, использующих агрегирование, как описано выше со ссылкой на фиг. 8 и 9, на увеличенном виде при необходимости представляют результаты составляющих алгоритмов агрегирования, при необходимости с тенденциями во времени, которые вносят вклад в агрегированные выходные данные алгоритма. Хотя проиллюстрированы прямоугольные схематические прямоугольники, маркеры, используемые для представления состояния здоровья органа, могут иметь другие формы и различные размеры (например, актуальный сигнал светофора, спидометр или форма/изображение органа, которое меняет цвет).
Информацию о здоровье органа, текущая и из недавнего прошлого, можно визуализировать через функциональность, включающую в себя (в качестве иллюстративного примера): построение графиков; повторное построение графиков от различных начальных точек; анимированное построение графиков; имитация приостановления/возобновления; изменение масштаба (например, часовые тенденции вместо шестичасовых тенденций); и так далее. В некоторых вариантах осуществления возраст информации, новые или (перенесенные) задержанные значения нулевого порядка, можно изображать через такие механизмы, как заполненные/не заполненные маркеры, обведенные/не обведенные маркеры, жирные/не жирные контуры маркеров и так далее.
Без ограничения приведенным выше, иллюстративные примеры на фиг. 16-19 далее описаны более подробно.
Со ссылкой на фиг. 16 представлен групповой обзорный дисплей 200 для МОИТ, содержащего десять кроватей, все заняты пациентами. Если кровать пуста, текст может сообщать «Кровать пуста», цвет может быть светло-серым или приглушенным, функции действий блока дезактивированы, и т.д., если кровать занята, блок помечают идентификатором пациента (например, PID 123456). Текст также содержит метку и числовое значение для оценки индикатора органа (например, индикатор ALI SOFALI, показывающий тяжесть ALI). Зеленый, желтый и красный показывают низкий, средний и высокий риск ALI, соответственно. В других вариантах осуществления цвет может представлять собой спектр цветов от более светлых к более темным оттенков. В других вариантах осуществления цвет и оценка могут указывать общее здоровье органа (например, органов дыхания, сердечнососудистой системы, почек и т.д.). В других вариантах осуществления также можно изображать оценки для других органов. Когда цветовому кодированию подлежит множество состояний, блок при необходимости сегментируют или он имеет несколько компонентов для каждой системы органов, где каждый имеет соответствующий цвет и оценку, показывающие здоровье этого органа.
Как показано на фиг. 17, с обзорным дисплеем 200 с фиг. 16 взаимодействует медицинская сестра для того, чтобы выбирать другое ОИТ (например, медицинское, хирургическое, травматологическое и т.д.) через выпадающий GUI диалог 202. Вместо представления конкретного ОИТ, дополнительные группы пациентов могут включать в себя Худшие10 (например, отображать 10 наиболее критически больных пациентов во всех ОИТ больницы или другого медицинского центра). Пользовательские группы и число кроватей (таким образом, отображают пациентов) соответствуют заданному ОИТ, и их можно конфигурировать, например, с использованием пользовательского интерфейса «перетащить и опускать», посредством которого пользователь перетаскивает новую кровать на дисплей ОИТ и связывает его с набором вводимых потоков данных для этой кровати. (Аналогичным образом, кровать можно удалять посредством перетаскивания ее с дисплея).
В предполагаемом варианте осуществления обзорного дисплея (не показано) цветовое кодирование передает различную информацию, а именно используется для того, чтобы идентифицировать изменения в параметрах. Например, если состояние органа пациента ухудшается, это можно отражать с помощью кодирования «красным» цветом, даже если фактический уровень ALI или другого индикатора состояния органа не указывает на ALI-положительный - в этом варианте осуществления цветовое кодирование выделяет изменения вместо абсолютных значений индикаторов состояния органов.
Со ссылкой на фиг. 18 представлен увеличенный дисплей 210, который соответствующим образом формирует медицинская сестра посредством выбора (например, щелчка или двойного щелчка мышью или прикосновения в случае сенсорного экрана) одного схематического прямоугольника на обзорном дисплее 200 на фиг. 16 для того, чтобы выбирать отдельного пациента, которого увеличить. Иллюстративный пациент с фиг. 18 имеет высокий риск ALI. Демографию отображают справа вверху на дисплее 210. Демография включает в себя, но не ограничиваясь этим, рост, массу, возраст, пол, прогнозируемую массу тела, индекс массы тела (BMI), даты и время поступления или выписки из больницы или ОИТ, хронические состояния, причины поступления, текущие диагнозы и так далее. Верхний левый график на дисплее 210 показывает текущие и прогнозируемые выходные данные алгоритма ALI CDS (агрегированная оценка SOFALI по вертикальной оси, время по горизонтальной оси). Шесть левых нижних графиков на дисплее 210 соответственно представляют график каждого из шести отдельных алгоритмов, которые агрегированы для того, чтобы получать оценку SOFALI (см. фиг. 9). Для графиков слева внизу для каждого из отдельных алгоритмов и агрегированного графика слева вверху рекомендованное пороговое значение принятия решения (и при необходимости его доверительные пределы) при необходимости отображают в виде линии значения y на вертикальной оси, которая перекрывает горизонтальную ось. Медицинская сестра или другой пользователь может выбирать обзор нового пациента посредством использования выпадающего блока GUI диалога слева в самом верху. На правой нижней стороне дисплея представлена матрица здоровья систем органов (SOFALI, сердечнососудистой, дыхательной, почек, печени, коагуляции) посредством окрашенных маркеров с течением времени (различные цвета схематически показаны на фиг. 18 посредством различных уровней затенения). Маркеры могут иметь различные размеры, формы и изображения, могут иметь жирные/не жирные контуры для того, чтобы отличать новые значения от старых или перенесенных значений, и/или их положение на вертикальной оси может быть выше или ниже, чтобы представлять увеличение и снижение оценок. Другие варианты осуществления могут включать в себя другие клинические оценки (SOFA, AKIN, SIRS и т.д.) или вновь разработанные оценки CDS (CDS для ALI, AKI, DIC и т.д.) или комбинацию того и другого. Выбор оценок, подлежащих использованию или отображению, при необходимости можно настраивать в выбираемых предпочтениях, конфигурации или окне настройки (не показано). В других вариантах осуществления рассматриваемую систему органов или левую сторону дисплея можно менять на другую систему органов посредством выбора нового органа для отображения. В других вариантах осуществления группу или группу пациентов (схожую с или некоторую версию фиг. выше) можно отображать вместо отдельных алгоритмов. В некоторых вариантах осуществления медицинская сестра или другой пользователь может нажимать кнопку воспроизведения для того, чтобы анимировать графики и просматривать тенденции и траектории здоровья пациента с течением времени от времени начала или выбранного времени до текущего времени. Факультативная функциональность приостановления/возобновления делает возможным дополнительный анализ конкретных точек, представляющих интерес. Пользовательский интерфейс для такого управления соответствующим образом реализуют посредством управляемых пользователем регуляторов времени или тому подобного.
Со ссылкой на фиг. 19 представлен альтернативный вариант осуществления увеличенного дисплея 220, в котором матрица здоровья систем органов на правой стороне внизу дисплея модифицирована для того, чтобы использовать сетку с числовыми значениями в ячейках сетки. Обзор систем органов на правой стороне GUI включает в себя систему цветового кодирования, как описано ранее (сигнал светофора или спектр, также схематически представлена на фиг. 19 посредством различных уровней затенения). Цвет представляет текущую оценку, хотя другие варианты осуществления могут включать в себя также числовое значение для текущей оценки. Знаки «+/-» показывают положительную или отрицательную тенденцию по предыдущему значению, где чем выше или более положительное значение SOFA и SOFALI, тем хуже здоровье органа. Числовое значение незамедлительно после знака «+/-» представляет собой разность или изменение относительно предыдущего значения. Будущие варианты осуществления могут включать в себя комбинации этих текущих значений и разностных значений или могут использовать стрелки направления вместо знаков «+/-».
Возвращаясь к фиг. 1, раскрытые способы обнаружения ALI или других состояний, представляющих интерес, для пациентов ОИТ соответственно реализуют посредством встроенного компьютера, микропроцессора или тому подобного иллюстративного прикроватного монитора 10 и/или иллюстративного электронного устройства 20 наблюдения сестринского поста. Также следует принимать во внимание, что раскрытые способы можно осуществлять посредством постоянного запоминающего носителя, хранящего инструкции, исполняемые таким электронным устройством обработки данных, чтобы осуществлять раскрытые способы обнаружения. Постоянный запоминающий носитель, например, может содержать жесткий диск или другой магнитный запоминающий носитель, оперативное запоминающее устройство (RAM), постоянное запоминающее устройство (ROM) или другой электронный запоминающий носитель, оптический диск или другой оптический запоминающий носитель, сочетание вышеупомянутого или тому подобное.
Изобретение описано с обращением к предпочтительным вариантам осуществления. Очевидно, модификации и изменении будут быть предусмотрены после прочтения и осмысления вышеприведенного подробного описания. Подразумевается, что изобретение следует толковать как включающее в себя все такие модификации и изменения в такой мере, в которой они входят в объем приложенной формулы изобретения или ее эквивалентов.
1. Постоянный запоминающий носитель, на котором сохранены инструкции, исполняемые электронным устройством обработки данных, включающим в себя дисплей, для наблюдения за острым повреждением легких (ALI) у пациента посредством операций, включающих в себя:
(i) прием значений множества физиологических параметров для пациента;
(ii) прием информации о введении лекарственных средств, относящейся к введению одного или более лекарственных средств пациенту;
(iii) вычисление значения индикатора ALI на основании по меньшей мере принятых значений множества физиологических параметров для пациента и принятой информации о введении лекарственных средств; и
(iv) отображение представления вычисленного значения индикатора ALI на дисплее.
2. Постоянный запоминающий носитель по п. 1, в котором:
прием содержит этап, на котором принимают поток данных о значениях для пациента для каждого физиологического параметра из множества физиологических параметров,
вычисление содержит этап, на котором вычисляют значение индикатора ALI как функции от времени на основании принимаемых потоков данных о значениях для пациента, и
отображение содержит этап, на котором отображают линию тенденции, представляющую вычисленное значение индикатора ALI как функции от времени.
3. Постоянный запоминающий носитель по п. 1, в котором:
прием содержит этап, на котором принимают поток данных о значениях для пациента для каждого физиологического параметра из множества физиологических параметров, и
вычисление содержит этапы, на которых (1) вычисляют показатель сложности Лемпела-Зива для каждого принятого потока данных о значениях для пациента и (2) вычисляют агрегацию показателей сложности Лемпела-Зива, причем значение индикатора ALI основано по меньшей мере на агрегации показателя сложности Лемпела-Зива.
4. Постоянный запоминающий носитель по п. 1, в котором вычисление содержит этап, на котором:
вычисляют значение индикатора ALI по меньшей мере частично на основании применения модели логистической регрессии к принятым значениям множества физиологических параметров для пациента.
5. Постоянный запоминающий носитель по п. 1, в котором вычисление содержит этап, на котором:
вычисляют значение индикатора ALI по меньшей мере частично на основании применения модели логарифмического отношения правдоподобия (LLR) к принятым значениям множества физиологических параметров для пациента.
6. Постоянный запоминающий носитель по п. 1, в котором вычисление содержит этап, на котором:
вычисляют значение индикатора ALI по меньшей мере частично на основании применения обученной модели к принимаемым значениям множества физиологических параметров для пациента, причем обученная модель имеет один или более параметров модели, обученных на обучающем наборе данных, содержащем эталонных пациентов для различения эталонных пациентов, отмеченных как ALI-положительные и ALI-отрицательные.
7. Постоянный запоминающий носитель по п. 6, в котором обученная модель содержит модель показателя сложности Лемпела-Зива и параметры включают в себя пороговое значение.
8. Постоянный запоминающий носитель по п. 6, в котором обученная модель содержит модель логистической регрессии и параметры включают в себя коэффициенты βi, масштабирующие соответствующие принятые значения xi множества физиологических параметров для пациента в модели логистической регрессии.
9. Постоянный запоминающий носитель по п. 6, в котором обученная модель содержит модель логарифмического отношения правдоподобия (LLR), и параметры включают в себя суммарные вероятности принятых значений di множества физиологических параметров, считающихся ALI-положительными, и суммарные вероятности принятых значений di, считающихся ALI-отрицательными.
10. Постоянный запоминающий носитель по п. 1, в котором вычисление содержит этапы, на которых:
вычисляют алгоритмические значения индикатора ALI для множества различных алгоритмов логического вывода, обученных для различения ALI-положительных и ALI-отрицательных пациентов; и
вычисляют значение индикатора ALI в виде агрегации алгоритмических значений индикатора ALI.
11. Постоянный запоминающий носитель по п. 10, в котором вычисление значения индикатора ALI в виде агрегации алгоритмических значений индикатора ALI содержит этап, на котором:
вычисляют значение индикатора ALI посредством применения линейного дискриминантного анализа (LDA) к алгоритмическим значениям индикатора ALI.
12. Постоянный запоминающий носитель по п. 10, в котором вычисление значения индикатора ALI в виде агрегации алгоритмических значений индикатора ALI содержит этап, на котором:
вычисляют значение индикатора ALI посредством применения мажоритарного анализа к алгоритмическим значениям индикатора ALI.
13. Постоянный запоминающий носитель по п. 1, дополнительно хранящий инструкции, исполняемые электронным устройством обработки данных, содержащим дисплей, для наблюдения за множеством пациентов в отделении интенсивной терапии (ОИТ) на предмет ALI посредством операций, включающих в себя:
осуществление операций (i) и (ii) для каждого пациента для формирования значения индикатора ALI для каждого пациента;
причем операция отображения (iii) содержит одновременное отображение на дисплее схематического представления каждого пациента, причем схематическое представление каждого пациента включает в себя идентификатор пациента и представление значения индикатора ALI для пациента.
14. Устройство для наблюдения за пациентом, содержащее:
электронное устройство обработки данных, включающее в себя дисплей; и
постоянный запоминающий носитель по любому из пп. 1-13, который соединен при функционировании с электронным устройством обработки данных для исполнения инструкций, хранимых на постоянном запоминающем носителе для наблюдения за пациентом на предмет острого повреждения легких (ALI).
15. Способ наблюдения за пациентом, содержащий этапы, на которых:
принимают значения множества физиологических параметров для пациента в отделении интенсивной терапии (ОИТ) на электронном устройстве обработки данных, включающем в себя дисплей;
принимают информацию о введении лекарственных средств, относящуюся к введению одного или более лекарственных средств пациенту;
с использованием электронного устройства обработки данных вычисляют значение индикатора ALI на основании по меньшей мере принятых значений множества физиологических параметров для пациента и принятой информации о введении лекарственных средств с использованием алгоритма логического вывода, обученного на обучающем наборе данных, содержащем эталонных пациентов для различения эталонных пациентов, которые имеют ALI, и эталонных пациентов, которые не имеют ALI; и
отображают представление вычисленного значения индикатора на дисплее электронного устройства обработки данных.
