CN104582563B - 临床支持系统及方法 - Google Patents
临床支持系统及方法 Download PDFInfo
- Publication number
- CN104582563B CN104582563B CN201380043715.9A CN201380043715A CN104582563B CN 104582563 B CN104582563 B CN 104582563B CN 201380043715 A CN201380043715 A CN 201380043715A CN 104582563 B CN104582563 B CN 104582563B
- Authority
- CN
- China
- Prior art keywords
- patient
- transformation
- level
- scoring
- nursing
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 119
- 230000000474 nursing effect Effects 0.000 claims abstract description 99
- 230000036541 health Effects 0.000 claims description 57
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 42
- 201000010099 disease Diseases 0.000 claims description 40
- 238000003860 storage Methods 0.000 claims description 14
- 230000003862 health status Effects 0.000 claims description 13
- 238000000844 transformation Methods 0.000 claims description 9
- 230000006866 deterioration Effects 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000008771 sex reversal Effects 0.000 claims description 3
- 206010019280 Heart failures Diseases 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 239000002671 adjuvant Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 229940006117 whole care Drugs 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 101800000407 Brain natriuretic peptide 32 Proteins 0.000 description 1
- 102400000667 Brain natriuretic peptide 32 Human genes 0.000 description 1
- 101800002247 Brain natriuretic peptide 45 Proteins 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 206010061216 Infarction Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000002934 diuretic Substances 0.000 description 1
- 229940030606 diuretics Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003811 finger Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000007574 infarction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- HPNRHPKXQZSDFX-OAQDCNSJSA-N nesiritide Chemical group C([C@H]1C(=O)NCC(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@H](C(N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)N[C@@H](CO)C(=O)NCC(=O)N[C@@H](CC(C)C)C(=O)NCC(=O)N[C@@H](CSSC[C@@H](C(=O)N1)NC(=O)CNC(=O)[C@H](CO)NC(=O)CNC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CCSC)NC(=O)[C@H](CCCCN)NC(=O)[C@H]1N(CCC1)C(=O)[C@@H](N)CO)C(C)C)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1N=CNC=1)C(O)=O)=O)[C@@H](C)CC)C1=CC=CC=C1 HPNRHPKXQZSDFX-OAQDCNSJSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002638 palliative care Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000002106 pulse oximetry Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
- G16H50/20—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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- 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
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Child & Adolescent Psychology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种临床支持系统和对应的临床支持方法。所述系统包括处理器和计算机可读存储介质，其中，所述计算机可读存储介质包含用于由所述处理器运行的指令，其中，所述指令使所述处理器执行以下步骤：在当前护理水平中，获得描述患者的当前患者数据，针对所述患者应提供针对从所述当前护理水平到一个或多个其他护理水平的转变的推荐；获得所述患者的历史患者数据，所述历史患者数据是在所述当前和/或其他护理水平中较早获得的。
Description
技术领域
本发明涉及一种临床支持系统，包括处理器和计算机可读存储介质，其中，所述计算机可读存储介质包括用于由所述处理器运行的指令。另外，本发明涉及一种临床支持方法、一种计算机可读非暂态存储介质以及一种计算机程序。
背景技术
针对患者的护理的水平和地点应当符合其状况。显然，护理的水平越高，相关联的成本也越高。因此，重要的是监测患者的状况，并相应地调节护理的水平。
US 2009/0105550 A1公开一种用于提供健康评分作为对患者的状况的指示的系统和方法。大量医学记录被压缩成单个健康评分。随时间标绘健康评分以使趋势可视化。
US 2009/0177613 A1公开一种用于提供综合健康评估的系统和方法。通过整合相异的数据，所述系统能够创建个体的健康的数值。能够基于群体和患者特异性数据生成个体特异性整体健康评分。所述健康评分是对患者的状况的指示。
在由处置医师确定护理的转变时，存在着对于针对护理转变的基于证据的决策支持的日益增长的需要。在申请人的当前产品(例如IntelliVue Guardian和Visicu)中，早期预警评分应用于患者的恶化。该评分基于患者的住院治疗的当前阶段(在ICU中或在观察病房)的恶化。
在US 2012/0046965 A1中，使用通用再入院风险算法来确定患者进入医疗保健设施的再入院风险。
发明内容
本发明的目标是提供一种临床支持系统和临床支持方法，其更好地辅助临床医师规划资源并调整对患者的护理。
在本发明的第一方面，提供一种临床支持系统，包括处理器和计算机可读存储介质，其中，所述计算机可读存储介质包括用于由所述处理器运行的指令，其中，所述指令使所述处理器执行以下步骤：
-在当前护理水平中获得描述患者的当前患者数据，应为所述患者提供针对从所述当前护理水平到一个或更多个其他护理水平的转变的推荐，
-获得所述患者的历史患者数据，所述历史患者数据是处于所述当前护理水平和/或其他护理水平较早获得的，以及
-根据所获得的当前患者数据和历史患者数据计算两个或更多个患者特异性转变评分，其中患者特异性转变评分指示对所述患者从当前护理水平到不同护理水平的转变或停留在所述当前护理水平的推荐的水平。
在本发明的另一方面，提供一种相应的临床支持方法。
在本发明的其他方面，提供一种计算机程序，其包括程序代码模块，所述程序代码模块用于当在计算机上运行所述计算机程序时使所述计算机执行所述处理方法的步骤；以及一种计算机可读非暂态存储介质，其包含用于由处理器运行的指令，其中，所述指令引起所述处理器执行要求保护的临床支持方法的步骤。
在从属权利要求中限定了本发明的优选实施例。应理解，要求保护的方法、计算机程序和计算机可读非暂态存储介质具有与要求保护的系统并且如独立权利要求所限定的相似和/或相同的优选实施例。
与已知的系统和方法相比较，由于常规使用的评分仅仅基于患者的当前状况，因此根据本发明提供了针对患者的更宽泛的展望。通过提供对患者的恢复的预测以及其针对下一阶段的预断，能够更好地辅助临床医师规划资源并调整护理。
因此，本发明提供了基于证据的决策支持，以辅助临床医师对患者到不同护理水平的转变(或者更好停留在当前护理水平)来做出有根据的决策。与已知的解决方案相反，这些决策推荐基于纵向历史患者数据，并且优选地，基于预测模型。
因此，所提出的临床支持系统和方法优选地评估患者在整个护理周期(一般直到提供姑息治疗)中从ICU(重症监护单元)、普通病房到家庭的健康进展。基于既往转变(改善和恶化两者)生成针对到不同的(或相同的)护理水平的转移的推荐(以所述两个或更多个转变评分的形式)。因此，这些推荐至少基于来自患者的既往病史(例如，仅来自入院到当前护理水平之前的信息)和当前情形的至少一些信息。任选地，要用于确定这些推荐的另外的有用参数是到当前护理水平(护理设施)的再入院风险、在当前停留期间的健康状态和进展，以及预测的健康状态值。优选地，这些推荐不仅基于在当前护理单元中收集的数据，而且还基于在先前护理单元中的数据。所提出的临床支持系统和方法能够应用于从ICU到普通病房到门诊环境(例如看护设施)和家庭的整个护理周期中。
在本发明的一方面，提供一种临床支持系统。本文中使用的临床支持系统涵盖便于对患者路径或护理规划的管理的自动系统。所述临床支持系统包括处理器和计算机可读存储介质。
本文中使用的“计算机可读存储介质”涵盖可以存储可由计算设备的处理器运行的指令的任何存储介质。所述计算机可读存储介质可以被称作计算机可读非暂态存储介质。所述计算机可读存储介质也可以被称作有形计算机可读介质。在一些实施例中，计算机可读存储介质也可以能够存储能够被计算设备的处理器访问的数据。计算机可读存储介质的范例包括，但不限于：软盘、磁性硬盘驱动器、固态硬盘、闪存、USB拇指驱动器、随机存取存储器(RAM)存储器、只读存储器(ROM)存储器、光盘、磁光盘，以及处理器的寄存文件。光盘的范例包括压缩盘(CD)和数字通用光盘(DVD)，例如CD-ROM、CD-RW、CD-R、DVD-ROM、DVD-RW或DVD-R盘。术语计算机可读存储介质也指能够由计算机设备经由网络或通信链路访问的各种类型的记录介质。例如，可以在调制解调器上、在互联网上，或者在局域网上检索数据。
本文中使用的“处理器”涵盖能够运行程序或机器可执行指令的电子部件。对包括“处理器”的计算设备的引用应被解释为可能包含多于一个处理器。术语计算设备也应被解释为可能指计算设备的集合或网络，每个计算设备都包括处理器。许多程序具有其由多个处理器执行的指令，所述多个处理器可以在相同的计算设备内或者其甚至可以分布在多个计算设备上。
“护理水平”指示对患者实施护理的水平，诸如ICU、普通病房、家庭、医院的不同站点。本文中或者在本领域一般使用的指示“护理水平”的其他术语是“护理的水平”、“护理设施”、“护理区域”、“护理位置”、“护理环境”或者“护理单元”。因此，当在本文中使用这些术语中的任何一个时，应当被理解为“护理水平”的同义词，或者至少为针对“护理水平”的指标。
在优选实施例中，所述指令还使所述处理器通过使用预测模型来计算所述两个或更多个患者特异性转变评分，所述预测模型基于所述获得的当前患者数据和历史患者数据来预测所述患者的未来健康进展。存在能够使用的各种预测模型，例如入院风险模型(例如，如在Murata GH、Gorby MS、Kapsner CO、Chick TW、Halperin AK的“A multivariatemodel for predicting hospital admissions for patients with decompensatedchronic obstructive pulmonary disease”，Arch Intern Med.1992年1月；152(1):82-6中描述的家庭风险模型)、疾病严重度/诊断模型(如在Richard W Troughton、ChristopEHRM Frampton、Timothy G Yandle、Eric A Espine、M Gary Nicholls、A Mark Richards的“Treatment of heart failure guided by plasma aminoterminal brain natriureticpeptide{(N-BNP)}concentrations”，The Lancet，355卷，9210号，1126-1130页，2000年4月1日中描述的)，或者关于HF发展的模型(诸如HFSS(心力衰竭严重度评分)或弗雷明汉心力衰竭模型(例如，如在Kannel WB、D'Agostino RB、Silbershatz H、Belanger AJ、WilsonPW、Levy D的“Profile for estimating risk of heart failure”，Arch InternMed.1999年6月14日；159(11):1197-204中描述的)。另外，能够使用预测再入院和/或死亡率风险的模型，包括，但不限于在Keenan PS、Normand SL、Lin Z、Drye EE、Bhat KR、RossJS、Schuur JD、Stauffer BD、Bernheim SM、Epstein AJ、Wang Y、EHRrin J、Chen J、Federer JJ、Mattera JA、Wang Y、Krumholz HM的“An administrative claims measuresuitable for profiling hospital performance on the basis of 30-day all-causereadmission rates among patients with heart failure”，Circ Cardiovasc QualOutcomes.2008年9月；1(1):29-37；Amarasingham R、Moore BJ、Tabak YP、Drazner MH、Clark CA、Zhang S、Reed WG、Swanson TS、Ma Y、Halm EA的“An automated model toidentify heart failure patients at risk for 30-day readmission or death usingelectronic medical record data”，Med Care.2010年11月；48(11):981-8；或者TabakYP、Johannes RS、Silber JH的“Using automated clinical data for risk adjustment:development and validation of six disease-specific mortality predictivemodels for pay-for-performance”，Med Care.2007年8月；45(8):789-805中描述的那些。通过引用将在所引用的公开文献中对这些模型的描述并入本文。
在另一实施例中，所述历史患者数据包括在不同护理水平之间的历史转变，包括响应于所述历史转变关于所述患者的健康状态的改善和/或恶化的信息。换言之，考虑来自既往的患者特异性数据，例如以往在转变到不同护理水平之后患者的健康如何发展，以进一步改进对所述转变评分的确定的可靠性和准确性。
优选地，所述当前患者数据包括处于当前护理水平的患者的健康状态的改变。例如，处于当前护理水平的患者的健康状态的改善可以是对如下的指示：患者能够被转移到较不密集的护理水平，或者能够停留在相同护理水平，但不应被转移到更加密集的护理水平。
在实施例中，所述指令还使所述处理器识别当前护理水平的位置，并将所述当前护理水平的所述位置用作在对所述两个或更多个患者特异性转变评分的计算中的额外输入。所述位置用于确定要被评价的护理设施。例如，一些护理转变(ICU到家庭)将，或多或少地，从不发生。所述当前护理水平的所述位置也用于确定评估所述患者(即，计算所述转变评分)的可用数据和频率。对于较高的护理水平，该频率将较高。
优选地，所述指令还使所述处理器通过从所述当前患者数据读取位置信息，或者通过根据所述当前患者数据的特征推导所述位置，来识别所述当前护理水平的位置，所述特征包括所述当前患者数据的类型、量和/或内容。
在有利的实施例中，所述指令还使所述处理器使用患者到所述当前护理水平的再入院风险作为在对所述两个或更多个患者特异性转变评分的计算中的额外输入。所述再入院风险通常意味着患者在释放到较低护理水平之后将返回所述当前水平的机会。在Amarasingham等人的“An Automated model to Identify Heart Failure patients atRisk for 30-Day Readmission or Death Using Electronic Medical Record Data”，Medical Care:2010年11月-48卷-11号-981-988页中描述了再入院风险模型的范例。例如，能够直接采用所述再入院风险(例如为再入院评分的形式)作为所述转变评分，或者能够使用加权和与备选评分进行组合。
所述指令还优选地使所述处理器使用描述患者到当前护理水平的再入院风险的风险模型。例如根据B.Hammill、L.Curtis、G.Fonarow、P.Heidenreich、C.Yancy、E.Peterson和A.EHRnandez的“Incremental value of clinical data beyond claimsdata in predicting 30-Day outcomes after heart failure hospitalization”，Circulation:Cardiovascular Quality and Outcomes，4卷，1号，60–67页，2011年1月；Harlan M.Krumholz等人的“Predictors of readmission among elderly survivors ofadmission with heart failure”，American Heart Journal，139卷，1号，72-77页，2000年1月；或者Philbin EF、DiSalvo TG的“Prediction of hospital readmission for heartfailure:development of a simple risk score based on administrative data”J AmColl Cardiol.1999年5月；33(6):1560-6，这样的风险模型通常是已知的。
在实施例中，所述指令还使所述处理器使用患者人口数据，所述患者人口数据提供关于其他患者在不同护理水平之间的历史转变的统计信息，所述统计信息包括响应于所述历史转变关于他们的健康状态的改善和/或恶化的信息。因此，关于大量患者(优选为患有相同(一种或多种)疾病和/或健康状态的患者)在过往如何发展的统计数据用于生成患者特异性转变评分，以进一步改善它们的可靠性和准确性。
在另一实施例中，所述指令还使所述处理器根据所述当前患者数据和历史患者数据计算针对所述患者的一个或多个疾病特异性健康评分，并将所述一个或多个疾病特异性健康评分用于对两个或更多个患者特异性转变评分的计算。例如根据Subbe C.P.等人的“Validation of a modified Early Warning Score in medical admissions”，QJM(2001)94(10):521-526.doi:10.1093/qjmed/94.10.521，这样的健康评分的生成和使用一般是已知的，并且进一步改善所生成的患者特异性转变评分的可靠性和准确性。
优选地，所述指令还使所述处理器获得具有与当前患者相同或相似健康状态和/或健康历史的患者的患者数据、健康进展信息和/或转移评分，并将所获得的患者数据、健康进展信息和/或转移评分用于对两个或更多个患者特异性转变评分的计算。因此，不仅关于当前患者的数据，而且还有关于(优选地具有相同或相似健康状态的)其他患者和/或已处于相同护理水平的患者的历史数据，以及他们在以往(例如响应于到不同护理水平的转变，或者响应于停留在相同护理水平的决策)的健康进展，都用于确定实际患者特异性转变评分。
在优选的实施例中，所述指令还引起所述处理器
-根据已处于所述当前护理水平的患者的历史患者数据计算针对当前护理水平的总体健康评分，
-计算两个或更多个总体转变评分，每个总体转变评分指示对患者从当前护理水平到不同护理水平的转变或停留在当前护理水平的推荐的水平，以及
-将所述两个或更多个总体转变评分与所述两个或更多个患者特异性转变评分进行组合，以获得两个或更多个最终转变评分。
因此，不仅计算针对当前患者的转变评分，而且还计算针对其他患者(基于历史数据)的转变评分，以避免患者特异性转变评分因任何过失而是错误的，例如对任何数据的误释、计算误差或任何其他问题。根据与所述总体转变评分的比较，能够认识到，例如在显示患者特异性转变评分与所述总体转变评分大不相同时。
优选地，所述指令还使所述处理器应用所述总体转变评分与患者特异性转变评分的加权组合，以获得所述最终转变评分，所述权重是手动确定的或是根据对所述当前患者、其他患者和/或全部患者的既往转变评分的准确度确定的。
附图说明
通过参考下面描述的实施例，本发明的这些和其他方面将是显而易见的并且将得到说明。下图中
图1示出了大体上图示转变模型的图，
图2示出了图示针对图1中描绘的所述转变模型的转变评分的图，
图3示出了所提出的临床支持系统的第一实施例的示意图，
图4示出了所提出的临床支持方法的第一实施例的流程图，
图5示出了所提出的临床支持系统的第二实施例的示意图，
图6示出了所提出的临床支持系统的第二实施例的流程图。
具体实施方式
所提出的临床支持系统和方法利用当前患者数据和历史患者数据。这些患者数据可以通过患者监视器(例如ECG、脉搏血氧计、温度计……)、诸如体重秤或实验室测试的其他(接近的)实时测量设备，以及以电子方式存储的患者数据来收集。例如，可以使用EHR(电子病历)，其包含对患者的当前状况的结构化描述以及关于早期疾病、诊断、治疗、健康进展等等的历史数据。
临床支持系统和方法(其也可以是如由临床医师使用的完整的健康管理系统和方法的部分)可以包括许多不同的功能和方面。所提出的临床支持系统和方法聚焦在针对患者向不同护理水平(或护理设施)的转变的推荐。由于所述患者的状况的恶化，这能够是更高的护理水平。备选地，改善可以引起较低的护理水平。在图1中描绘了典型的转变模型的图表，其中采用家庭、ICU(重症监护单元)和普通病房作为范例护理区域(即护理水平)。从一个单元到其他单元的可能的转变被建模。因此，考虑到患者的位置，临床路径是已知的。在图1的范例中，不考虑从ICU到家庭的直接转变。
为了针对从一个护理设施(即护理水平)到其他护理设施的转变的推荐，计算针对若干(优选地每个)可能的转变的患者特异性转变评分。在描绘图1的转变模型的图2中示范性地示出这些转变评分(被称为“评分_X(Y)”，其中“X”指示目标护理水平并且“Y”指示当前护理水平)。每个护理水平，针对所有引出箭头的转变评分的总和是1。这些评分可以被单独呈现给临床医师，或者它们可以被转化为该特定患者应被转移到哪个护理水平的单一推荐。
图3示出了根据本发明的临床支持系统10的第一实施例的示意图。其包括处理器11和计算机可读存储介质12。计算机可读存储介质12包含用于由处理器11运行的指令。这些指令使处理器11执行如在图4中示出的流程图中图示的临床支持方法100的步骤。
在第一步骤S10中，在当前护理水平中获得描述患者的当前患者数据1，应为所述患者提供针对从所述当前护理水平到一个或多个其他护理水平的转变的推荐。在第二步骤S11中，获得患者的历史患者数据2，其是在所述当前护理水平和/或其他护理水平中较早获得的。在第三步骤S12中，根据所获得的当前患者数据1和历史患者数据2计算两个或更多个患者特异性转变评分3，其中，患者特异性转变评分指示对所述患者从当前护理水平到不同护理水平的转变或停留在所述当前护理水平的推荐的水平。
因此，(在所述当前患者数据中指示的)当前患者状态以及关于特定患者的历史数据形成了用于计算针对从所述当前护理单元的若干(优选为全部)可能转变的患者特异性转变评分的基础。历史患者数据不仅描述在当前护理单元中收集的数据，而且还描述在先前护理环境(即护理水平)中收集的数据。尽管监测设备可以不同，并且健康评分可以基于不同的算法，但这提供了对所述患者的健康的纵向概览(即长期概览或基于当前状态的概览以及基于在多个护理水平中收集的数据的疾病/健康进展)。该概览优选地用于预测未来护理转变，以及计算指示到哪个护理水平的转变更值得推荐以及到哪个护理水平的转变较不值得推荐的转变评分。
图5图示了所提出的临床支持系统20的另一实施例的示意图。其包括用于获得当前患者数据的单元21(在该实施例中被称作“护理环境管理器”)。该护理环境管理器21管理所述患者的环境，即，确定护理的当前位置和水平。该部件收集利用传感器设备22、23、24完成的测量结果，所述传感器设备22、23、24用于检测患者。患者的位置可以是其输入之一。
值得注意的是，在不同的护理环境中，通常使用测量设备的不同组合。例如，尽管在ICU中，范围广泛的具有流数据的监视器是可用的，在家庭中将仅收集到小型测量的每日(或每周)样本。然而，所提出的临床支持系统能够处理以不同格式、在不同位置、在不同时间和/或从不同测量设备获得的患者数据。例如，所使用的模型被调整为适应在所述环境中可用的数据，以在整个护理周期中提供支持。
已确定了患者的位置，主计算部件25(在该实施例中被称作“转变推荐器”)确定针对全部转变的评分，其中在当前护理设施中的停留也被建模为转变。
护理环境管理器21收集针对所述患者的数据流，并识别护理的位置。该识别是通过明确输入或标签(例如医院名称、护理单元或病房ID)或者暗含地通过对获得的数据的推导来完成的。
转变推荐器25基于所述护理环境来计算针对到其他护理环境的转变的推荐。这些推荐优选地是按与护理环境相关联的频率计算的，即，护理水平越高，将越频繁地计算这些推荐。所述推荐基于数据源的组合，即，至少来自所收集的监测数据和额外的患者数据(例如，由转变推荐器15检索的，转变推荐器25可以包括用于从存储患者的EHR的数据库26获得额外的患者数据的单独单元)。进一步优选地，额外地使用描述到所述当前护理环境的再入院风险的风险模型27、健康评分模型28和/或患者人口数据29，患者人口数据29用于生成关于可能的转变和对再入院的预后的统计证据。
每个患者并且每个护理设施(例如ICU、普通病房和家庭)，可以以预定速率使用在图6中描绘的临床支持方法200的实施例。应注意，在其他实施例中，不是临床支持方法200的全部元素都被使用，而是也可以以其他组合使用对所描绘的元素的选择。
为了选择针对所述患者的恰当算法，在步骤S20中生成针对患者的概况(“疾病概况”)。该概况包括对患者的许多(优选为全部)当前疾病的概览。这些疾病是从例如被存储在数据库(例如，在图5中示出的数据库26)中的患者的EHR提取的，或者基于结构化数据(例如ICD-10代码)、自然语言的诊断和入院细节，或者使用症状、药剂、实验室值和支持诊断的其他证据的组合推导的。因此，使零或更多的当前疾病与所述患者相关联。此外，优选地基于在EHR中的归类(即初步诊断、二级诊断，或者基于入院时的主症状)来加权这些疾病。如果已识别了至少一种疾病，则假设全部疾病权重的总和等于1。
使用在步骤S20中收集的数据，在步骤S21中基于疾病特异性和护理环境特异性健康评分(与状况的危急程度和对护理/支持的需要有关)，来计算患者的健康评分(“疾病特异性健康评分”)。例如，心力衰竭患者在家中的当前健康评分可以由其体重的进展来确定(发出水肿的信号)。心力衰竭患者在医院的健康评分可以被表达为他们向着被允许离开的进展(例如通过应用HFSA指南或计算疾病特异性死亡率评分)。现在，拥有了对疾病的选择(其每个都与一个或更多个风险模型相关联)利用所监测的患者数据以及利用在所述EHR中可用的信息来评价若干(例如全部)健康评分模型28a、28b、28c。这针对每种疾病得到对健康评分的选择，所述健康评分表达健康状态或者健康改善(例如，出院准备、患者稳定性、症状评估评分)或者表达突然不良事件的风险(例如，医院死亡率评分)。
使用权重的预定组合，将这些计算的健康评分组合成每种疾病的单个疾病特异性健康评分。最终，使用在步骤S20中推导的权重将全部组合的疾病特异性健康评分合并成单个健康评分。
优选地，以固定的时间间隔连续计算这些健康评分。备选地，患者状况的严重度可以增大评价时刻的数目(也就是IntelliVue Guardian，它是这样的产品，其中当所述患者状况更为严重时增大对EWS的评价的频率)。
除了疾病特异性健康评分，优选地通过使用健康评分模型28D、28e、28f，总体(整体)健康评分可以用于步骤S22并且在步骤S22中获得。
基于在当前护理环境中可用的数据，在可能时计算健康评分。使用传感器监测的、从EHR提取的或从调查问卷推导的数据，能够用于评估患者的整体健康状况。例如，针对ICU，已知的MEWS(改良早期预警评分)可以用于评估患者的健康，而生活质量调查问卷和身体活动测量更适用于家庭环境。
针对总体健康评分路径以及疾病特异性健康评分路径两者，可以应用风险模型27a、27b。这些风险模型27a、27b预测到当前护理水平的早期再入院的风险。针对ICU以及针对住院治疗两者，这样的模型通常是可用的。这样的模型可以是疾病特异性的(例如急性心肌梗塞、肺炎、心力衰竭)或通用的。针对总体以及针对疾病特异性的情况两者，模型(针对其可获得足够的数据)被加权成组合风险评分。当风险模型27a、27b也包括针对其置信度的度量(例如，被应用到群体时的模型的标准偏差)，这些度量也能够被形成为加权因子，并被整合成风险评分的组合。
应注意，针对最低水平的护理(即家庭)，不适用再入院风险评分，但风险评分用于预测到较高护理水平的转变。
在步骤S23(“疾病特异性转变评分”)中，计算针对下一时间段的基于趋势的转变评分。优选地，计算疾病特异性以及通用患者评分两者的组合。基于在护理单元中的当前停留的进展和在既往护理单元中的健康进展，通过将历史转变评分数据与到其他护理设施的实际转变进行匹配，来计算转变的概率。针对历史数据，使用来自患者自身的数据以及来自具有相似概况(即相似的合并症、相同的护理水平以及生命体征和其他健康标记物的相似进展)的患者的历史数据。基于这些匹配算法，计算针对每个可能的转变的概率。
在步骤S24(“总体转变评分”)中，以与在步骤S23中的疾病特异性转变评分相似的方式计算总体转变评分。因此，将历史总体健康评分与实际转变进行匹配，以预测每个可能的转变的概率。不仅考虑在当前护理单元中收集的健康评分，而且考虑在先前护理单元中的转变评分。
可以在步骤S25(“校正的疾病特异性转变评分”)和S26(“校正的总体转变评分”)中使用到当前护理单元的早期再入院的风险，对在步骤S23和S24中计算的疾病特异性转变评分进行微调。针对较高的风险评分，降低针对较低水平的护理的转变，同时增加针对护理单元中剩余的评分。其次，如果患者已在以往经历了早期再入院，则以类似方式校正转变评分。
采用两个转变评分的加权组合，以在步骤S27(“转变评分”)中计算最终转变评分。这些权重可以是手动确定的，或者可以基于对所述患者的既往预测的准确度，或者可以基于对类似患者的既往预测的准确度，或者可以基于数据库中的全部患者的准确度。
每当计算出新的一组转变评分，可以将其馈送到临床应用中。该临床应用可以输出推荐(基于排名最高的转变评分)，例如将其示于显示器上。备选地，可以输出针对若干或全部转变的若干或全部转变评分。最终，临床医师可以通过随时间输出(例如显示)转变评分，接收对患者的健康进展的洞悉。
所提出的临床支持系统和方法可应用于在其中患者数据可获得(例如通过监视器和电子记录收集)的广泛的临床领域。因此，它们特别以慢性患者的护理转变周期为目标。
为了图示实际实施方式，应假设ICU中的情形，其中改良早期预警评分(MEWS，如目前在http://qjmed.oxfordjournals.org/content/94/10/521.short描述的)通常用于抓取患者的状态。该MEWS能够用于两种转变评分：评分_icu和评分_ward，其中，评分_icu＝“在过去24小时中患者的MEWS评分在6以下的时间的百分数”，并且评分_ward＝“在过去24小时中患者的MEWS评分至少是6的时间的百分数”。患有心力衰竭的患者被ICU收治，则能够使用患者的(由用于移除肺部和其他身体部分中的流体积聚的利尿剂处置造成的)体重减轻来表达疾病进展。为此，观察初始重量w_i、目标重量w_t(由临床医师设置)和当前重量w_c。个性化的疾病特异性转变评分则可以是：
评分_ward＝1-评分_icu，
其中，α是在0和1之间的预设值。
总之，针对患者和护理提供者，重要的是护理水平符合所述患者的当前和未来健康状况。现今，临床决策支持解决方案通常聚焦在基于在当前护理单元(例如，ICU、普通病房、家庭)期间收集的数据而对不良事件的早期检测上。需要基于证据的决策支持，用于到其他护理水平(或者更高(例如从普通病房到ICU)或者更低(例如从病房到看护设施))的未来转变。所提出的临床支持系统和方法计算针对护理转变的推荐。通过考虑患者的当前和历史(以及优选地，预测的)状况，针对每种可能的护理转变获得推荐。通过在各种护理环境上对所述患者的状况进行测量、跟踪和建模，收集证据以创建个性化的护理转变推荐。
尽管已在附图和前面的描述中详细图示并描述了本发明，但这样的图示和描述应被视为说明性的或示范性的而非限制性的；本发明不限于所公开的实施例。本领域技术人员在实践要求保护的本发明时，根据对附图、公开内容和所附权利要求书的研究，能够理解并实现对所公开实施例的其他变型。
在权利要求书中，“包括”一词不排除其他元件或步骤，并且不定冠词“一”或“一个”不排除复数。单个处理器或其他单元可以实现权利要求书中引用的若干项的功能。互不相同的从属权利要求中记载了特定措施这一仅有事实并不指示不能有利地组合这些措施。
计算机程序可以被存储/分布在合适的非暂态介质上，诸如与其他硬件一起或作为其他硬件的部分提供的光学存储介质或固态介质，但也可以以其他形式分布，诸如经由互联网或其他有线或无线电信系统。
权利要求书中的任何附图标记均不应被解读为限制范围。
Claims (12)
1.一种临床支持系统，包括处理器和计算机可读存储介质，其中，所述计算机可读存储介质包含用于由所述处理器运行的指令，其中，所述指令使所述处理器执行以下步骤：
-在当前护理水平中获得描述患者的当前患者数据，应为所述患者提供针对从所述当前护理水平到一个或多个其他护理水平的转变的推荐，
-获得所述患者的历史患者数据，所述历史患者数据是在所述当前护理水平和/或其他护理水平中较早获得的，以及
-根据所获得的当前患者数据和历史患者数据计算两个或更多个患者特异性转变评分，其中，患者特异性转变评分指示对所述患者从所述当前护理水平到不同护理水平的转变或停留在所述当前护理水平的推荐的水平，
其中，所述指令还使所述处理器根据所述当前患者数据和历史患者数据计算针对所述患者的一个或多个疾病特异性健康评分，并将所述一个或多个疾病特异性健康评分用在对所述两个或更多个患者特异性转变评分的所述计算中。
2.如权利要求1所述的临床支持系统，其中，所述指令还使所述处理器通过使用预测模型来计算所述两个或更多个患者特异性转变评分，所述预测模型基于所获得的当前患者数据和历史患者数据来预测所述患者的未来健康进展。
3.如权利要求1所述的临床支持系统，其中，所述历史患者数据包括在不同护理水平之间的历史转变，包括关于所述患者的健康状态响应于所述历史转变的改善和/或恶化的信息。
4.如权利要求1所述的临床支持系统，其中，所述指令还使所述处理器识别所述当前护理水平的位置，并且使用所述当前护理水平的所述位置作为在对所述两个或更多个患者特异性转变评分的所述计算中的额外输入。
5.如权利要求4所述的临床支持系统，其中，所述指令还使所述处理器通过读取来自所述当前患者数据的位置信息，或者通过根据所述当前患者数据的特征推导所述位置，来识别所述当前护理水平的所述位置，所述特征包括所述当前患者数据的类型、量和/或内容。
6.如权利要求1所述的临床支持系统，其中，所述指令还使所述处理器使用所述患者到所述当前护理水平的再入院风险作为在对所述两个或更多个患者特异性转变评分的所述计算中的额外输入。
7.如权利要求1所述的临床支持系统，其中，所述指令还使所述处理器使用患者人口数据，所述患者人口数据提供关于其他患者在不同护理水平之间的历史转变的统计信息，所述统计信息包括关于他们的健康状态响应于所述历史转变的改善和/或恶化的信息。
8.如权利要求1所述的临床支持系统，其中，所述指令还使所述处理器获得与所述当前患者具有相同或相似健康状态和/或健康历史的患者的患者数据、健康进展信息和/或转移评分，并将所获得的患者数据、健康进展信息和/或转移评分用于对所述两个或更多个患者特异性转变评分的所述计算中。
9.如权利要求1所述的临床支持系统，其中，所述指令还使所述处理器
-根据已处于所述当前护理水平的患者的历史患者数据计算针对所述当前护理水平的总体健康评分，
-计算两个或更多个总体转变评分，每个总体健康评分指示对患者从所述当前护理水平到不同护理水平的转变或停留在所述当前护理水平的推荐的水平，以及
-将所述两个或更多个总体转变评分与所述两个或更多个患者特异性转变评分进行组合，以获得两个或更多个最终转变评分。
10.如权利要求9所述的临床支持系统，其中，所述指令还使所述处理器应用所述总体转变评分与所述患者特异性转变评分的加权组合，以获得所述最终转变评分，权重是手动确定的或是根据所述当前患者、其他患者和/或全部患者的既往转变评分的准确度确定的。
11.一种临床支持方法，包括以下步骤
-在当前护理水平中获得描述患者的当前患者数据，应为所述患者提供针对从所述当前护理水平到一个或多个其他护理水平的转变的推荐，
-获得所述患者的历史患者数据，所述历史患者数据是在所述当前护理水平和/或其他护理水平中较早获得的，以及
-从所获得的当前患者数据和历史患者数据计算两个或更多个患者特异性转变评分，其中，患者特异性转变评分指示对所述患者从所述当前护理水平到不同护理水平的转变或停留在所述当前护理水平的推荐的水平，
其中，计算两个或更多个患者特异性转变评分的步骤包括根据所述当前患者数据和历史患者数据计算针对所述患者的一个或多个疾病特异性健康评分，并将所述一个或多个疾病特异性健康评分用在对所述两个或更多个患者特异性转变评分的所述计算中。
12.一种临床支持系统，包括：
-用于在当前护理水平中获得描述患者的当前患者数据的单元，应为所述患者提供针对从所述当前护理水平到一个或多个其他护理水平的转变的推荐，
-用于获得所述患者的历史患者数据的单元，所述历史患者数据是在所述当前护理水平和/或其他护理水平中较早获得的，以及
-用于根据所获得的当前患者数据和历史患者数据计算两个或更多个患者特异性转变评分的单元，其中，患者特异性转变评分指示对所述患者从所述当前护理水平到不同护理水平的转变或停留在所述当前护理水平的推荐的水平，
其中，用于计算两个或更多个患者特异性转变评分的单元根据所述当前患者数据和历史患者数据计算针对所述患者的一个或多个疾病特异性健康评分，并将所述一个或多个疾病特异性健康评分用在对所述两个或更多个患者特异性转变评分的所述计算中。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201261692737P | 2012-08-24 | 2012-08-24 | |
| EP12181644 | 2012-08-24 | ||
| US61/692,737 | 2012-08-24 | ||
| EP12181644.1 | 2012-08-24 | ||
| PCT/IB2013/056838 WO2014030145A2 (en) | 2012-08-24 | 2013-08-23 | Clinical support system and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104582563A CN104582563A (zh) | 2015-04-29 |
| CN104582563B true CN104582563B (zh) | 2017-09-15 |
Family
ID=46963425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201380043715.9A Expired - Fee Related CN104582563B (zh) | 2012-08-24 | 2013-08-23 | 临床支持系统及方法 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US20150186607A1 (zh) |
| EP (1) | EP2887862A4 (zh) |
| JP (1) | JP6360479B2 (zh) |
| CN (1) | CN104582563B (zh) |
| BR (1) | BR112015003509A2 (zh) |
| RU (1) | RU2662895C2 (zh) |
| WO (1) | WO2014030145A2 (zh) |
Families Citing this family (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| BR122021016044B1 (pt) | 2010-05-08 | 2022-07-19 | Bruin Biometrics, Llc | Aparelho para detecção de umidade subepidérmica (sem) |
| US20160188834A1 (en) * | 2014-12-31 | 2016-06-30 | Cerner Innovation, Inc. | Determination of patient-appropriate post-acute care settings |
| US20160224734A1 (en) * | 2014-12-31 | 2016-08-04 | Cerner Innovation, Inc. | Systems and methods for palliative care |
| US10842926B2 (en) * | 2015-01-14 | 2020-11-24 | Fresenius Medical Care Deutschland Gmbh | Medical fluid treatment machines and related systems and methods |
| CA3059988C (en) | 2015-04-24 | 2023-03-07 | Bruin Biometrics, Llc | Apparatus and methods for determining damaged tissue using sub-epidermal moisture measurements |
| KR101559717B1 (ko) * | 2015-05-22 | 2015-10-12 | (주)이투오피에스 | 라이브웨어에 대한 상태변환 예측 및 상태 개선 방법, 그리고 상기 방법을 구현하는 장치 |
| WO2017089914A1 (en) * | 2015-11-24 | 2017-06-01 | Koninklijke Philips N.V. | Critical care patient monitoring service recommendation using data and text mining techniques |
| US10722145B2 (en) * | 2016-01-21 | 2020-07-28 | Plethy, Inc. | Devices, systems and methods for health monitoring using circumferential changes of a body portion |
| EP3413783A1 (en) * | 2016-02-12 | 2018-12-19 | Cardiac Pacemakers, Inc. | Systems and methods for patient monitoring |
| CN109152529B (zh) * | 2016-04-01 | 2021-10-22 | 心脏起搏器股份公司 | 多疾病患者管理 |
| EP3515306B1 (en) | 2017-02-03 | 2024-10-23 | BBI Medical Innovations, LLC | Measurement of susceptibility to diabetic foot ulcers |
| CN115105019B (zh) | 2017-02-03 | 2024-05-28 | 布鲁恩生物有限责任公司 | 水肿的测量 |
| GB202213563D0 (en) | 2017-02-03 | 2022-11-02 | Bruin Biometrics Llc | Measurement of tissue viability |
| 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 |
| WO2019077934A1 (ja) * | 2017-10-17 | 2019-04-25 | 日本電気株式会社 | 転帰先判断システム、転帰先判断方法および転帰先判断プログラム |
| SG11202003491RA (en) | 2017-10-19 | 2020-05-28 | Baxter Int | Optimized bedside safety protocol system |
| US11191477B2 (en) | 2017-11-16 | 2021-12-07 | Bruin Biometrics, Llc | Strategic treatment of pressure ulcer using sub-epidermal moisture values |
| PL3749181T3 (pl) | 2018-02-09 | 2024-06-10 | Bruin Biometrics, Llc | Wykrywanie uszkodzenia tkanek |
| CN112930141A (zh) | 2018-08-08 | 2021-06-08 | 米奈特朗尼克斯神经有限公司 | 用于沿着中枢神经系统进行治疗的系统、导管和方法 |
| FI3861601T3 (fi) | 2018-10-11 | 2024-03-01 | Bruin Biometrics Llc | Kertakäyttöisellä elementillä varustettu laite |
| 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 |
| RU199518U1 (ru) * | 2019-12-04 | 2020-09-07 | Евгений Аркадьевич Сукрышев | Устройство доврачебного осмотра и медицинской теле-реабилитации |
| CN111938607A (zh) * | 2020-08-20 | 2020-11-17 | 中国人民解放军总医院 | 基于多元参数融合的智能监护报警方法及其系统 |
| CN112809696B (zh) * | 2020-12-31 | 2022-03-15 | 山东大学 | 面向高传染性隔离病区的全方位智能护理系统及方法 |
| US11642075B2 (en) | 2021-02-03 | 2023-05-09 | Bruin Biometrics, Llc | Methods of treating deep and early-stage pressure induced tissue damage |
| EP4109464A1 (en) * | 2021-06-22 | 2022-12-28 | Fresenius Medical Care Deutschland GmbH | Value-based advanced clinical benchmarking |
| US20230178223A1 (en) * | 2021-12-08 | 2023-06-08 | GE Precision Healthcare LLC | Methods and systems for patient management |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006133368A2 (en) * | 2005-06-08 | 2006-12-14 | Mediqual | System for dynamic determination of disease prognosis |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008045577A2 (en) * | 2006-10-13 | 2008-04-17 | Michael Rothman & Associates | System and method for providing a health score for a patient |
| CA2648510A1 (en) * | 2008-01-07 | 2009-07-07 | The Quantum Group, Inc. | System and method for providing integrated wellness assessment |
| US8510126B2 (en) * | 2008-02-24 | 2013-08-13 | The Regents Of The University Of California | Patient monitoring |
| US20110060604A1 (en) * | 2009-09-04 | 2011-03-10 | Bangara Suresh C | Method of documenting patients' clinical status across multiple diagnostic dimensions |
| US20110071363A1 (en) * | 2009-09-22 | 2011-03-24 | Healthways, Inc. | System and method for using predictive models to determine levels of healthcare interventions |
| US20110246220A1 (en) * | 2010-03-31 | 2011-10-06 | Remcare, Inc. | Web Based Care Team Portal |
| US8694334B2 (en) * | 2010-06-17 | 2014-04-08 | Cerner Innovation, Inc. | Readmission risk assessment |
-
2013
- 2013-08-23 CN CN201380043715.9A patent/CN104582563B/zh not_active Expired - Fee Related
- 2013-08-23 JP JP2015527998A patent/JP6360479B2/ja not_active Expired - Fee Related
- 2013-08-23 WO PCT/IB2013/056838 patent/WO2014030145A2/en active Application Filing
- 2013-08-23 US US14/421,182 patent/US20150186607A1/en not_active Abandoned
- 2013-08-23 RU RU2015110326A patent/RU2662895C2/ru active
- 2013-08-23 BR BR112015003509A patent/BR112015003509A2/pt not_active Application Discontinuation
- 2013-08-23 EP EP13831060.2A patent/EP2887862A4/en not_active Withdrawn
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006133368A2 (en) * | 2005-06-08 | 2006-12-14 | Mediqual | System for dynamic determination of disease prognosis |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2015531930A (ja) | 2015-11-05 |
| EP2887862A4 (en) | 2015-08-12 |
| RU2015110326A (ru) | 2016-10-20 |
| WO2014030145A3 (en) | 2014-05-01 |
| CN104582563A (zh) | 2015-04-29 |
| WO2014030145A2 (en) | 2014-02-27 |
| US20150186607A1 (en) | 2015-07-02 |
| JP6360479B2 (ja) | 2018-07-18 |
| EP2887862A2 (en) | 2015-07-01 |
| BR112015003509A2 (pt) | 2017-07-04 |
| RU2662895C2 (ru) | 2018-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104582563B (zh) | 临床支持系统及方法 | |
| Kim | Measuring frailty in health care databases for clinical care and research | |
| KR101970947B1 (ko) | 빅데이터를 활용한 건강정보 예측 장치 및 방법 | |
| García-Gallo et al. | A machine learning-based model for 1-year mortality prediction in patients admitted to an Intensive Care Unit with a diagnosis of sepsis | |
| Shah et al. | Quality of chronic disease care for older people in care homes and the community in a primary care pay for performance system: retrospective study | |
| Hu et al. | Automated detection of postoperative surgical site infections using supervised methods with electronic health record data | |
| CN108648827A (zh) | 心脑血管疾病风险预测方法及装置 | |
| CN109524069A (zh) | 医疗数据处理方法、装置、电子设备和存储介质 | |
| Poirier et al. | Real time influenza monitoring using hospital big data in combination with machine learning methods: comparison study | |
| WO2015071968A1 (ja) | 分析システム | |
| Sideris et al. | A flexible data-driven comorbidity feature extraction framework | |
| CN113643814A (zh) | 健康管理方案的推荐方法、装置、设备及存储介质 | |
| WO2021151273A1 (zh) | 疾病预测方法、装置、电子设备及存储介质 | |
| Borson et al. | Patterns of incident dementia codes during the COVID‐19 pandemic at an integrated healthcare system | |
| KR101009083B1 (ko) | 욕창발생 위험예측 베이지안 네트워크 시스템 | |
| WO2021028961A1 (ja) | 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 | |
| Hatef et al. | A pilot study to improve the use of electronic health records for identification of patients with social determinants of health challenges: A Collaboration of Johns Hopkins Health System and Kaiser Permanente | |
| KR102693667B1 (ko) | 입원 환자의 퇴원 예측을 위한 장치 및 방법 | |
| Herazo-Padilla et al. | Profiling health prevention population for hypertension screening and ECG test rationing | |
| KR102503931B1 (ko) | 빅데이터 분석을 통한 진료비 예측 장치 및 방법 | |
| US20240120107A1 (en) | Data processing system and method for predicting a score representative of a probability of a sepsis for a patient | |
| Shade et al. | COVID-HEART: development and validation of a multi-variable model for real-time prediction of cardiovascular complications in hospitalized patients with COVID-19 | |
| US20230178197A1 (en) | Techniques for predicting immunosuppression status | |
| CN118800459A (zh) | 一种慢病人群健康评估方法及评估装置 | |
| CN117037989A (zh) | 一种智慧社区的健康数据管理方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170915 Termination date: 20210823 |