CN119452429A 预测和检测术后并发症的系统和方法 （内尔夫技术公司）

2024.12.26PCT/CA2023/0508962023.06.29WO2024/000074EN2024.01.04本文公开了用于评估目标患者的风险值的与所述目标患者数据相关联的一个或多个风险下各项中的一种或多种：历史数据风险评估模型、实时数据风险评估模型或组合风险评估模系统和方法优选能够基于患者的历史数据和连2在服务器处使用一个或多个风险评估模型来估计与所述目标患者数据相关联的一个2.根据权利要求1所述的计算机实现的方法，其中所述目标患者数据包含以下各项中3.根据权利要求2所述的计算机实现的方法，其中所述一个或多个风险评估模型包含4.根据权利要求3所述的计算机实现的方法，其中所述历史数据风险评估模型通过以在包含一个或多个处理器和存储器的服务器处接收对应经由所述映射引擎将所述多个患者中每个患者的历经由所述标准化引擎将所述多个患者中每个患对经过预处理的数据执行回归分析，所述回归分析用于确定历史5.根据权利要求3所述的计算机实现的方法，其中所述实时数据风险评估模型通过以在包含一个或多个处理器和存储器的服务器处接收对应于由耦合到多个患者的多个经由所述标准化引擎将所述多个患者中每个患者的带时对经过预处理的带时间标记的数据执行一次或多次回归分析，所述一次析用于确定实时数据与风险值之间的一个或6.根据权利要求2所述的计算机实现的方法，其中所述历史数据包含目标患者或目标7.根据权利要求2所述的计算机实现的方法，其中所述实时数据包含来自一个或多个3数据库包含来自多个患者的历史数据和带时所述存储器包含指令，当由所述一个或多个处理器执行时，所述指使用一个或多个风险评估模型来估计与所述目标患者数据相关联的一个或多个风险12.根据权利要求11所述的系统，其中所述目标患者数据包含以下各项中的一种或多13.根据权利要求11所述的系统，其中所述一个或多个风险评估模型包含以下各项中14.根据权利要求13所述的系统，其中所述历史数据风险评估模型通过以下步骤进行在包含一个或多个处理器和存储器的服务器处接收对应经由所述映射引擎将所述多个患者中每个患者的历经由所述标准化引擎将所述多个患者中每个患对经过预处理的数据执行回归分析，所述回归分析用于确定历史15.根据权利要求13所述的系统，其中所述实时数据风险评估模型通过以下步骤进行在包含一个或多个处理器和存储器的服务器处接收对应于由耦合到多个患者的多个经由所述标准化引擎将所述多个患者中每个患者的带时对经过预处理的带时间标记的数据执行一次或多次回归分析，所述一次析用于确定实时数据与风险值之间的一个或16.根据权利要求11所述的系统，其中所述风险值包含目标患者发生术后并发症的概4使用一个或多个风险评估模型来估计与所述目标患者数据相关联的一个或多个风险19.根据权利要求18所述的非暂态计算机可读存储介质，其中所述目标患者数据包含5[0002]本申请要求2022年6月30日提交的虑到每一小时的延误都会导致患者发病和死亡风险6[0015]US20220361823公开了用于未来时间段平均血压的短期血压预测的可佩戴的血压因此这些模型对于每个新用户来说都是从头开一类别和第二类别中的至少一个的历史数据中的至少一个来确定第一测试参数和第二测[0017]US20220238235公开了一种用于提供患者结果跟踪的计算机实现的方法，其可以者在特定时间点发生术后并发症的风险概率。这使得医疗服务提供者能够比SOC早地检测[0019]尽管在术后护理和多种新颖监测技术发展方面取得了重7[0028]用于处理并发症的现有技术可以涉及使用介入放射学技术来处理患者现有的并测用户状态可以在并发症再次出现时允许更有效的治疗计划89[0051]在一些实施例中，所述方法还包括至少部分基于所述光数据确定所述流体的颜[0056]当前的SOC依赖于标准化管理指南和医疗保健提供者的个人经验的组合。对于使[0058]所述方法可以整合超过一种生物标志物数据或HCP可用的其他来源数据(例如，[0059]所述方法可以部署在固件或云中，并根据需要或在新获取的数据可用时进行更[0062]所述方法还可以与来自任何来源或装置的其他生物标志物或生物信号数据一起一个或多个风险评估模型来估计与所述目标患者数据相关联的一[0065]在一个实施例中，所述一个或多个风险评估模型包用于确定历史数据与风险值之间的关系。个或多个处理器和存储器的服务器处接收对应于由耦合到多个患者的多个传感器测量的来估计与所述目标患者数据相关联的一个或多个[0076]根据本发明的一个实施例，所述历史数据风险评估[0077]根据本发明的一个实施例，所述实时数据风险评估在包含一个或多个处理器和存储器的服务器处接收对应于由耦合到多个患者的多个传感险评估模型来估计与所述目标患者数据相关联的一个或多[0082]本发明的优点和特征包括使用本文公开的技术进行方便的早期管理以处理并发述装备或过程可能不是任何要求保护的标的物的实施线装置上的传感器来检测或预测例如当发生渗漏时[0116]可以利用热质量流体传输的原理，使用温度传感器阵列和加热元件测量流体流敏感性可以允许其用作pH传感器中的pH敏感(CE)组成的三电极系统的电位差和电流的电子装置校准和/或控制。此种电子仪器具有许检测器也可以利用动态滤光器来使得能够代替多个光源或光检测器发射或检测特定频带[0129]在一些实施例中，阻抗传感器可以被配置为在明确定义和恒定的流体几何条件[0134]在一些实施例中，阻抗传感器可以用于解释生物信号测量中的许多伪影和误差[0138]在一些实施例中，沿通道放置的阻抗传感器阵列可以用[0148]可以将传感器诸如生物传感器与监测器诸如电子数据获取系统(DAQ)连接，该监从生物传感器获得的体内数据传输到置于体外的接收器来通过无线方式建[0154]在一个实例中，局部pH的缓慢下降可以指示少量渗漏或伤口位点的血液供应不改变使用本文描述的传感器测量的一个或多个生物信号的阈值引起渗漏发生的可能性，对算法输入/输出进行情境化处理。这些权重可以是随时间动态变化[0182]在一些实施例中，预测渗漏的未来发生的分类状况或风险水平可以基于信号数[0183]可以将机器学习算法应用于先前获取的信号数据、用户简档数据和用户状况数[0187]本文公开的系统和方法的示例性应用可以通过观察患有结肠直肠癌并且需要去数据的术后每小时的pH进行接受者操作特征曲线(R结果将是每个间隔的基线截止点的清单(在图2中以图表方式显示了每小时的基线pH阈图2的持续使用数据学习。基线阈值(OT)和基线阈值累积平均值(OTCA)最初基于来自临床[0199]该方法基于在存储器412中收集的来自患者使用该实施例的数据(参见图2)以及[0202]该方法确定在每个间隔中低于基线阈值计算值的数据点的百分比406。为每个间[0203]使用接受者操作特征曲线(ROC)分析计算累积平均值计算值(OTCA)的基线阈值[0209]如果患者发生并发症，则将为此患者累积的数据集标记为并发症，以改进CA和[0211]可以使用IIR(无限脉冲响应)或FIR(有限脉冲响应)时间滤波器来代替CA计算[0213]也可以将其他术前、术中和术后数据(例如美国麻醉医师协会(ASA；American[0214]所述方法可以组合超过一种生物标志物数据或HCP可用的其他来源数据(例如，基于参照包含多个患者实时数据和风险值以及多个患者历史数据和风险值的独立风险模器612处经由连接设备诸如网络618从目标患者620接收患者实时数据602和患者历史数据606中的一种或多种。该方法还包括在服务器612处经由组合风险评估模型610估计目标患型604和一个或多个历史数据风险评估模型608。该方法还包括经由显示系统614显示或通[0240]例如，实时数据风险评估模型604可以使用来自多个传感器的连续传感器数据来[0243]例如，用于训练实时风险评估模型604的带时间标记的数据可以包含多个患者中[0244]历史数据风险评估模型608可以使用来自第二组多个患者的历史数据，包括术前[0245]历史数据风险评估模型可以另外或替代性地用患者或群体水平的历史数据来训[0246]历史数据可以包含但不限于目标患者或目标患者群体的以下各项中的一种或多[0248]训练组合风险评估模型610可以包括将与两个单独模型604、608相关联的决策规规则。曼机(FRBM)、深度信念网络(DBN)的TTRBM模型或类似方法；可以使用统计调整终端使用[0258]组合风险评估模型610使用实时数据风险评估模型604和历史数据风险评估模型608来估计患者通常在外科吻合术后发生吻合口漏的连续实时风险值616。在此实施例中，[0260]然后可以将经过预处理的历史数据输入到历史数据风险评估模型608中，该模型基于术前风险因素估计风险值616，以使用将渗漏概率与给定的术前风险因素关联的回归[0261]对于同一个患者，其患者实时数据602可以在第一时间点或第一时间段进行预处[0262]然后可以将经过预处理的患者实时数据602输入到实时数据[0263]实时数据风险评估模型604可以基于第一时间点或第一时间段的pH值估计风险模型610可以优选地使用两个模型风险值来基于与两个风险模型相对应的一组规则对患者如果术前风险因素模型的概率估计值高于0.5，并且pH模型的概率估计值在0.5至0.75之低于0.5，或2)术前风险因素模型的概率估计值低于0.5，并且pH模型的概率估计值高于[0270]1)在服务器704处接收目标患者实时数据712和目标患者历史数据714中的一种或史数据风险评估模型608可以基于术前风险含实时数据风险评估模型604，该模型可以使用来自数据库706的带时间标记的数据716训[0274]5)使用组合风险评估模型610估计与目标患者710相关联的最终风险值616，并因[0278]可以使用风险评估708通知目标患者710的术后治疗计划，和/或自动更新术后治疗计划。[0279]组合风险评估模型610可以基于一个或多个风险评估模型进行训练。历史数据风604可以基于各种类型的带时间标记的数据716训练，所述带时间标记的数据716包括生物[0280]图8说明了展示使用历史数据702训练历史数据风险评估模型800的方法的示意[0281]该方法包括向服务器612发送多个患者的历史数据和与历史数据相关联的患者是否患有并发症的指示，通过用映射引擎802将历史数据映射成数值来预处理历史数据702，用标准化引擎804将数据标准化，以及将映射和标准化的数据输入到历史数据风险评估模给定患者的预处理历史数据与给定患者是否患有并发[0288]以上是使用术前数据训练历史数据风险评估模型608以给出术前风险因素历史数[0289]历史数据风险评估模型608还可以使用患者的个人健康指标训练，诸如性别、身[0290]图9说明了展示使用带时间标记的数据716训练实时数据风险评估模型604的方法[0291]该方法包括向服务器发送多个患者的带时间标记的数据902，通常通过接收来自与患者耦合的传感器的信号，和与带时间标记的数据716相关联的患者是否患有并发症的钟)或者使用诸如中位数/平均值等统计数据型604中，以估计目标患者在给定的术后时间是否可能患有并发症的实时数据风险值908，该实时数据风险值908可以被显示在显示系统[0295]1)使用pH和EC测量值(这些测量值来自与患者流体连通的在线装置622的连续测[0296]2)对于经历吻合口漏的患者，去除其诊断后的所有pH测量值(此操作仅针对用于[0301]5)使用可用训练数据中每个患者的标准化pH传感器读数平均值训练一个或多个[0302]以上是使用与患者的实时状况相关的连续传感器测量值训练实时数据风险评估模型604以连续估计术后风险因素风险值616的[0303]实时数据风险评估模型604还可以使用以下训练：来自实时测量或以点测量方式[0311]方法1000还可以包括连续评估风险，即，用连续产生的实时数据连续重复步骤曼机(FRBM)、深度信念网络(DBN)的TTRBM模型或类似方法；可以使用统计调整终端使用识别和说明，并