DE60221980T2 - Sichtbildanzeige für patientenzustand - Google Patents
Sichtbildanzeige für patientenzustand Download PDFInfo
- Publication number
- DE60221980T2 DE60221980T2 DE60221980T DE60221980T DE60221980T2 DE 60221980 T2 DE60221980 T2 DE 60221980T2 DE 60221980 T DE60221980 T DE 60221980T DE 60221980 T DE60221980 T DE 60221980T DE 60221980 T2 DE60221980 T2 DE 60221980T2
- Authority
- DE
- Germany
- Prior art keywords
- parameters
- patient
- data
- measurement
- space
- 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 - Lifetime
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7445—Display arrangements, e.g. multiple display units
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Description
- Diese Erfindung betrifft die Anzeige einer graphischen Darstellung eines Zustands eines Patienten und insbesondere das Anzeigen der Ergebnisse von Messungen von einer Vielzahl von Quellen in einer Art und Weise, die das leichte Erkennen des Gesamtzustands des Patienten erlaubt.
- Der Zustand von Patienten, insbesondere bei Überwachungs- oder Intensivpflege, wird auf unterschiedliche Weise überwacht. Zum Beispiel können Vitalzeichen wie ein oder mehrere Kanäle eines Elektrokardiogramms (EKG), die Atmung (zum Beispiel gemessen durch elektrische Impedanz-Pneumographie), die Sauerstoffsättigung (zum Beispiel durch Pulsoximetrie mit einer Fingersonde gemessen), der Blutdruck und die Hauttemperatur alle überwacht werden. Diese können als „primäre" Signale oder Parameter betrachtet werden, die direkt gemessen werden. Zusätzlich ist es aber möglich, aus diesen einige „sekundäre" Parameter abzuleiten, wie Herzrate, Herzratenvariabilität, Respirationsrate und S-T-Streckenhebung/Streckensenkung (die aus dem Elektrokardiogramm gemessen wird). Typischerweise werden die verschiedenen Parameter bei unterschiedlichen Raten erfasst, das EKG zum Beispiel bei 256 Hz, das Pulsoximetersignal bei 81,3 Hz, die Atmung bei 64 Hz, die Temperatur bei 1 Hz und der Blutdruck alle 10 oder 20 Minuten, wenn er nichtinvasiv mit Hilfe einer Blutdruckmanschette gemessen wird. Ferner können die sekundären Parameter auf einem gewissen Mitteln über einen Zeitraum beruhen.
- Wie in den
1 und2 der Begleitzeichnungen gezeigt wird, wurde vorgeschlagen, mehrere der einen Patientenzustand darstellenden Messungen zusammen mit Hilfe eines integrierten Monitors anzuzeigen.1 veranschaulicht eine Anzeige, die viele der vorstehend erwähnten Parameter zeigt, und2 veranschaulicht eine Anzeige der Herzrate und der Herzratenvariabilität. Trotz einer solchen dem Kliniker zur Verfügung stehenden Fülle von Daten (oder möglicherweise deswegen) kann es aber schwierig sein, auf einen Blick zu sehen, ob der Zustand des Patienten normal ist, sich bessert oder – was gravierender ist – sich verschlechtert. - Ferner kann die klinische Signifikanz von Änderungen unterschiedlichen Grads bei den verschiedenen Parametern unterschiedlich sein. Zum Beispiel kann eine Änderung der Temperatur um einen kleinen Prozentsatz viel signifikanter als eine Änderung des Blutdrucks um einen kleinen Prozentsatz sein, oder eine Änderung der Respirationsrate kann signifikanter als eine ähnliche Änderung der Herzrate sein. Diese relative Signifikanz kann abhängig vom medizinischen Problem des Patienten unterschiedlich sein. Weiterhin bedeutet die Tatsache, dass eine Zustandsänderung in einem oder mehreren Parametern und bei verschiedenen Patienten und verschiedenen medizinischen Beschwerden unterschiedlich widergespiegelt werden kann, dass das Bereitstellen einer zufrieden stellenden Lösung durch zum Beispiel einfaches Festlegen von Grenzwerten an jedem der angezeigten Parameter sehr schwierig ist. Eine signifikante Zustandsänderung kann durch Kombinationen von Parametern widergespiegelt werden, zum Beispiel kann ein Absinken der Herzrate kombiniert mit einem Abfall des Blutdrucks ernsthaft sein, auch wenn die Werte an sich nicht anomal sind. Zu beachten ist aber, dass die frühzeitige Detektion einer Verschlechterung eines Patientenzustands das klinische Ergebnis signifikant verbessern kann und die Notwendigkeit einer späteren Intensivpflege mindern kann, was somit sowohl für den Patienten als auch für den Kliniker von Vorteil ist.
- Die Artikel von Tarassenko et al. „Medical signal processing using the software monitor" and „Data fusion: New techniques for vital signs Patient monitoring" offenbaren Vorrichtungen für eine mehrdimensionale Skalierung im medizinischen Gebiet.
- Die Veröffentlichung von Fernandez et al. mit dem Titel „Detection of abnormality in the electrocardiogram without Prior knowledge by using the quantization error of a self-organising map, tested an the European Ischaemia Database", XP001178745, und
US-A-5,749,367 offenbaren Systeme zum Detektieren von Anomalitäten in EKGs durch Messen verschiedener Parameter des EKG und Beobachten von Abweichungen vom der Normalzustand, gemessen in einem Raum reduzierter Dimensionalität. -
GB 2,258,311 - Die vorliegende Erfindung sieht die Anzeige der Parameter vor, die einen Patientenzustand in vereinfachter Weise darstellen und die das leichte Erkennen der Änderungen eines Patientenzustands ermöglicht.
- Im Einzelnen gibt die vorliegende Erfindung eine Vorrichtung nach Anspruch 1 und ein Verfahren nach Anspruch 14 zum Anzeigen einer graphischen Darstellung einer Patientenbedingung an die Hand.
- Die Parameter können wie vorstehend erwähnt primäre Signale oder daraus abgeleitete sekundäre Parameter sein. Sie können zum Beispiel eine Atmungsmessung, eine Sauerstoffsättigungsmessung, eine Blutdruckmessung, Hauttemperatur, S-T-Streckenhebung/Streckensenkung, Herzratenvariabilität und Respirationsrate sein. Andere Parameter, die verwendet werden können, sind ein physikalischer Marker oder ein physiologisches Signal oder ein physiologischer Indikator, einschließlich aber nicht ausschließlich:
- Physikalische Signale
- Körpergröße, Gewicht, Alter (körperlich, geistig), Geschlecht, Befund, Einnahme von Arzneimitteln/Medikamenten, Körpermasseindex, Körperfett, ethnische Abstammung, Kraft, Erholungszeiten nach körperlicher Betätigung, Ausdauer/Kondition, kardiovaskuläre Funktion, Koordination, Beweglichkeit, IQ, Farbe (Blässe der Haut, Netzhaut), Sprache, Hautelastizität, Hautbeschaffenheit, Ausschläge, Schwellung, Ödeme, Schmerzen, Schock, Ernährungszustand, Wassereinlagerung, Müdigkeit, früherer Befund.
- Physiologische Signale
- EEG (elektrisch (frontal, zentral, mastoid etc.), MEG), Herz, elektrisch – EKG, Schall, Druck, Herzrate, Herzratenvariabilität, Herzauswurffraktion, Herzzeitvolumenatmung (Rate, Volumen, Strom, Druck, Phase, FEV1 (forciertes expiratorisches Volumen in einer Sekunde), Gaswerte), Blutdruck (invasiv: arteriell, zentralvenös, linksatrial, Wedge-Druck, rechtsatrial, Lungenarterie, linksventrikulär, rechtsventrikulär, intrakranial, nichtinvasiv, Lungengeräusche, Puls-Transit-Zeit, Pulsstärke, Pulsrate, Pulsrhythmus, Sauerstoffsättigung von arteriellem Blut, Sauerstoffsättigung von venösem Blut, CO2-Werte in Blut, Impedanzpneumographie, Schnarchen, Temperatur (Kern, peripher, Blut, Lippe), EMG, EOG, Bewegung (Gicht, D.T's, Glied), Sehen, Hören, Geruch, Tastsinn, Berührungssinn, Kehlkopfmikrofon, Darmgeräusche, Doppler-Ultraschall, Nerven.
- Biochemische Signale
- Glucose, Insulin, Lactat, Gaswerte (Blut, Lunge), Hormone, Alkohol, Schilddrüse, Blut, Urin, Speichel, Sputum, Stuhl, Enzyme, Schweiß, interstitielle Flüssigkeit, Zellen, Gewebe, Haarfollikel, Freizeitdrogen, Proteine, Cholesterin, HIV.
- Bildgebungssignale
- Bilder von zum Beispiel:
- Gehirn, Herz/Herzkreislaufsystem, zentralem Nervensystem, Innenorganen, Extremitäten, Knochen.
- Die Dimensionalitätsreduktionsbildgebung kann zum Beispiel eine Abstand wahrende Bildgebung oder Hauptkomponentenanalyse (Principal Components Analysis, PCA) sein. Es sind andere Dimensionalitätsreduktionsbildgebungen bekannt. Unter „Abstand wahrende Bildgebung" versteht sich eine Bildgebung, die einige Aspekte der geometrischen Beziehung zwischen den Datenpunkten in dem Messraum und in dem Visualisierungsraum bewahrt. Somit wird ein gewisser Aspekt der Topologie des Messraums in dem Visualisierungsraum bewahrt.
- Bevorzugt werden die Parameter vor der Abbildung normalisiert, so dass sich der angezeigte Visualisierungsraum über das Sollmaß des Messraums erstreckt, z.B. um die Tatsache zu berücksichtigen, dass die verschiedenen Parameter in unterschiedlichen Einheiten ausgedrückt werden (zum Beispiel Temperatur in Bruchteilen von Grad und Blutdruck in mm Hg). Die Parameter können mit Hilfe einer Transformation mit Mittelwert Null und Varianz Eins normalisiert werden, die über den Daten des Patienten (falls verfügbar) oder Beispieldaten einer Patientengruppe oder eines anderen Patienten berechnet wurde, oder alternativ können die Parameter mit Hilfe einer empirischen Transformation normalisiert werden, die auf der Kenntnis des Klinikers bezüglich der Signifikanz von Änderungen unterschiedlicher Größenordnung bei den verschiedenen Parameter beruht.
- Ein Vorteil bei der Verwendung einer Transformation mit Mittelwert Null und Varianz Eins ist, dass bei Ausfall oder Verzicht auf ein Signal, z.B. aufgrund zu starken Rauschens, es durch einen Wert Null ersetzt werden kann.
- Das künstliche Netz kann mit Daten, die mehrere Sätze von Parametern der bestimmten, überwachten Patienten umfassen, oder durch Daten von einer Gruppe von Patienten geschult werden. Bevorzugt ist die Gruppe eine Gruppe von Patienten mit einem ähnlichen Befund wie bei dem überwachten Patienten, da „Normalität" und „Anomalität" bei einem typischen Patienten mit Herzerkrankung sich drastisch von „Normalität" bei einem Patienten mit einem anderen medizinischen Befund oder gar einer gesunden Person unterscheiden. Wenn ein Patient erstmals überwacht wird, liegen offensichtlich ungenügend Daten zum Schulen des neuronalen Netzes mit Daten von diesem bestimmten Patienten vor, daher gibt es somit keine Alternative, als ein neuronales Netz zu nutzen, das anhand einer Gruppe von Patienten geschult wurde. Nachdem genügend Daten für diesen Patienten erfasst wurden, kann ein neuronales Netz dann mit diesen Daten geschult werden, um eine stärker persönlich zugeschnittene Abbildung vorzusehen.
- Die Daten zum Schulen des künstlichen neuronalen Netzes können durch Vorclustern der Datenpunkte in dem Messraum gewählt werden. In einer typischen Situation kann es mit anderen Worten zu viele Datenpunkte geben, um eine Schulung innerhalb eines angemessenen Zeitraums zu ermöglichen, und stattdessen können Cluster von Datenpunkten ermittelt und die Mitten der Cluster als Solldatenpunkte (Prototypen) zum Schulen des Netzes genutzt werden. Typischerweise kann es tausende oder zehntausende von Datenpunkten für das ständige Überwachen über 24 Stunden oder länger pro Patient oder Patientengruppe geben. Die Anzahl an Mitten oder Prototypen ist typischerweise größer als 100, aber kleiner als 1.000. Nach dem Schulen des Netzes kann der komplette Satz an Datenpunkten durch das Netz geleitet werden, um eine Änderung des Patientenzustands im Verlauf der Erfassung aller Daten anzuzeigen. Eine Möglichkeit zum Clustern der Daten und Finden der Mitten oder Prototypen ist zum Beispiel das k-Means-Verfahren.
- Die Erfindung kann bei menschlichen oder tierischen Patienten angewendet werden und kann bei Patienten mit verschiedenen Bedingungen, darunter Erkrankung oder Verletzung (tatsächlich oder vermutet), prä- und postoperative Pflege, Überwachen während traumatischer Eingriffe, Überwachen von Senioren und/oder Gebrechlichen, neonatale Überwachung oder auch Überwachen in jedem medizinischem oder veterinärmedizinischem Umfeld angewendet werden. Die Erfindung kann auf das Überwachen in einer medizinischen oder veterinärmedizinischen Einrichtung oder zuhause angewendet werden. Somit kann sie als Gesundheitsmonitor verwendet werden, wobei Messwerte regelmäßig genommen und zur Prüfung automatisch an einen zentralen Erfassungspunkt gesendet werden können. Es kann möglich sein, die Messwerte nur zu senden, wenn sie außerhalb eines festgelegten Bereichs von „Normalität" liegen.
- Die Ausgabe des neuronalen Netzes kann zum automatischen Steuern der Behandlung des Patienten verwendet werden, z.B. der Verabreichung von Arzneimitteln, um den Zustand des Patienten innerhalb des festgelegten Bereichs, z.B. des normalen Bereichs, zu halten. In einer weiteren Verbesserung können Aspekte der Behandlung des Patienten, z.B. die Rate oder Menge eines verabreichten Medikaments, oder Aspekte des Umfelds als Eingabeparameter aufgenommen werden.
- Die Erfindung kann durch ein Computerprogramm, das auf einer geeignet programmierten Computeranlage läuft, oder durch dedizierte Anlagen verwirklicht werden. Somit erstreckt sich die Erfindung auf ein Computerprogramm, das Programmcodemittel zum Ausführen einiger oder aller Funktionen der Erfindung umfasst, auf ein Computerspeichermedium, das ein solches Computerprogramm speichert, und auf eine programmierte Computeranlage, die die Erfindung verwirklicht.
- Die Erfindung wird beispielhaft unter Bezug auf die Begleitzeichnungen weiter beschrieben. Hierbei zeigen:
-
1 eine Anzeige, die Vitalzeichen eines Patienten zeigt; -
2 eine Anzeige von Herzrate und Herzratenvariabilität für einen Patienten; -
3 schematisch eine erfindungsgemäße Ausführung; -
3a die Abbildungsvorrichtung von3 in größerem Detail; -
4 schematisch den Prozess des Schulens eines künstlichen neuronalen Netzes und von Abbildungspunkten; -
5 schematisch den Überwachungsprozess; -
6 schematisch die Schulung eines künstlichen neuronalen Netzes; -
7a bis7g die Anzeige von Daten von einem bestimmten Patienten; -
8 die Anzeige von Visualisierungsraum und Schulungsdaten für eine Patientengruppe; -
9 die Anzeige eines Patientenzustands in dem Visualisierungsraum von8 ; -
10 die Anzeige des Zustands eines anderen Patienten in dem Visualisierungsraum von8 ; -
11 und12 die Anzeige von Zuständen anderer Patienten in dem Visualisierungsraum von8 ; -
13(A) und (B),14(A) und (B),15(A) und (B) und16(A) und (B) Daten für verschiedene einzelne Patienten, die auf einem Visualisierungsraum für eine Patientengruppe aufgetragen sind, und einzelne Schaubilder der vier betrachteten Parameter; -
17 bis20 Daten, die für verschiedene Patienten auf dem Visualisierungsraum (a) aufgetragen wurden, als einzelne Parameterschaubilder (b) und Kennwert (c) (Index of Novelty); und -
21 und22 den Schulungsdatensatz für die in den13 bis20 verwendeten Daten, aufgetragen auf den Visualisierungsraum und entsprechend dem Wert des Kennwerts farblich dargestellt. -
1 veranschaulicht die graphische Anzeige eines integrierten Patientenzustandsmonitors. Wie dort ersichtlich ist, werden drei EKG-Kanäle EKG 1, 2 und 3 zusammen mit der Sauerstoffsättigungswellenform und der Respirationswellenform gezeigt. Zudem werden auch die Werte für nichtinvasiven Blutdruck, Sauerstoffsättigungswellenform und Temperatur zusammen mit einer Messung der Herzrate, die aus dem EKG abgeleitet werden kann, der Sauerstoffsättigungswellenform oder einer Kombination derselben gezeigt. Diese Messungen können durch andere Messungen ergänzt werden, die für bestimmte Patientengruppen relevant sind. Zum Beispiel ist es bekannt, dass bei manchen Patientengruppen die Herzratenvariabilität eine wichtige Messung des Patientenzustands ist.2 veranschaulicht zwei Spuren für die Herzrate: (i) die Herzrohrate, einschließlich der scharfen Spitzen, die dem Auftreten ektopischer Schläge zugeordnet werden, (ii) die gefilterte Herzrate (nach Beseitigen der ektopischen Schläge), eine fünfminütige mittlere Herzrate und die Standardabweichung der mittleren Herzrate. Andere Herzratenvariabilitätsindizes sind ebenfalls bekannt. Wenngleich dies in den1 und2 nicht gezeigt wird, gibt es ferner andere sekundäre Parameter, die aus den primären Parametern oder Signalen abgeleitet werden können, um eine Hinweis auf den Patientenzustand zu liefern. Zum Beispiel ist die S-T-Streckenhebung oder -Streckensenkung (gemessen aus dem EKG) bei Patienten mit Herzerkrankung signifikant. -
3 zeigt schematisch, wie die primären Signale oder Parameter von den Quellen (z.B. Sensoren) und die daraus berechneten sekundären Parameter (die durch Betrachten jedes Parameters als Maß als festlegende Punkte in einem mehrdimensionalen Messraum betrachtet werden können) in einen Visualisierungsraum reduzierter Dimensionalität (verglichen mit dem Messraum) abgebildet und angezeigt werden. Wie in3 gezeigt wird, werden mehrere Signale, z.B. von mehreren Sensoren30 , mittels einer Eingabeschnittstelle32 in einen Prozessor34 eingegeben. Der Prozessor34 umfasst eine Analysevorrichtung340 zum Berechnen der sekundären Parameter aus den eingegebenen Signalen und eine Abbildungsvorrichtung342 zum Reduzieren der Dimensionalität der Daten in eine Form, in der sie auf der Anzeige36 angezeigt werden können. Wie in3 gezeigt wird, kann eine zweidimensionale Anzeige38 verwendet werden, was bedeutet, dass die Dimensionalität der Parameter auf einen zweidimensionalen Visualisierungsraum reduziert werden muss.3a zeigt dies näher. Die eingegebenen Parameter, die die primären Messungen und die sekundären Parameter umfassen, können als Eingabevektoren x1, x2.., xj betrachtet werden, wobei jede Komponente des Vektors einer der Parameter ist. -
3a zeigt n Komponenten für jeden Eingabevektor. Die Abbildungsvorrichtung342 wandelt jeden dieser Eingabevektoren in einen Ausgabevektor yi, y2..., yj um, der weniger Komponenten aufweist, beispielsweise wie dargestellt zwei Komponenten. Somit können die Ausgabevektoren y mühelos auf einer normalen graphischen Anzeige angezeigt werden, beispielsweise gegen die vertikalen und horizontalen Achsen eines Diagramms. Die Abbildungsvorrichtung342 ist dafür ausgelegt, in den Ausgabevektoren einen gewissen Aspekt der Beziehung der Eingabevektoren zu wahren. Somit führt eine signifikante Änderung der Werte der Eingabevektoren zu einer merklichen Änderung des Werts der Ausgabevektoren y. Dies erfordert wie in3a gezeigt eigentlich zwei Phasen, zuerst die Normalisierung343 und dann die Abbildung selbst (die die Dimensionalität der Daten reduziert) bei344 . Die Normalisierung ist erforderlich, damit der Visualisierungsraum den Veränderungsbereich der eingegebenen Parameter, die überwacht werden sollen, richtig abdeckt. Die Normalisierung kann zum Beispiel durch Betrachten eines beispielhaften Datensatzes und Wählen einer Normalisierung, beispielsweise der Normalisierungstransformation mit Mittel Null und Varianz Eins, statistisch basiert werden oder kann auf dem Wissen eines Klinikers beruhen, beispielsweise dem Wissen, dass bei einem bestimmten Patienten oder einer bestimmten Patientengruppe eine Änderung der Hauttemperatur von 2,0 Grad einer Signifikanz einer Blutdruckänderung von 50 mm Hg entspricht. - Die Normalisierung dient auch zum Anordnen von Datenpunkten, die von einem Patienten in einem normalen Zustand abgeleitet werden, in einen vorab festgelegten Bereich des angezeigten Visualisierungsraums, z.B. die Mitte, und von Datenpunkten, die von einem Patienten in einem anomalen Zustand abgeleitet wurden, an eine andere Stelle, z.B. an den Rand.
- Die normalisierten Parameter werden dann so zu den Ausgabevektoren abgebildet, dass ein Aspekt der Topographie der Eingabevektoren bewahrt wird oder diesem so nah wie möglich entsprochen wird. In diesem Beispiel wird das Sammon-Mapping verwendet, so dass die (Euklidschen) Distanzen zwischen den Punkten, die in dem Messraum durch die Eingabevektoren wiedergegeben werden, den entsprechenden Distanzen zwischen den Punkten in den Ausgabevektoren so nahe wie möglich kommen. Wie in
6 gezeigt, wird dies durch Minimieren einer Fehlermessung erreicht, die die Summe der Quadrate der Differenzen zwischen den Distanzen zwischen den Punkten ist. Bei der vorliegenden Erfindung wird dies durch Verwenden eines künstlichen neuronalen Netzes60 verwirklicht, das in6 schematisch dargestellt ist und das an einem Satz von Datenpunkten geschult wird, die von einem einzigen Patienten, beispielsweise dem überwachten Patienten, oder einer Patientengruppe abgeleitet werden können. In diesem in6 gezeigten Beispiel wird ein neuronales Netz mit Radial-Basis-Funktion verwendet. - In
4 wird der Schulungsprozess schematisch gezeigt. Die primären Parameter darstellende Messungen werden bei Schritt40 aus mehreren Quellen erhalten. Dann werden bei Bedarf sekundäre Parameter bei Schritt41 aus den primären Parametern berechnet. Diese werden bei Schritt42 zu einem Datensatz zusammengesetzt, und dann werden diese normalisiert, um bei Schritt43 die Eingabevektoren x* zu erhalten. Typischerweise würde dieser Prozess zu einer enormen Datenmenge führen, und es würde lange Zeit erfordern, um diese Daten zum Schulen eines künstlichen neuronalen Netzes zu verwenden. Daher wird die Datenmenge in dieser Ausführung durch Vorclustern der Daten bei Schritt44 reduziert. Die Daten können mit Hilfe des k-Means-Verfahrens, das eine bekannte iterative Art der wiederholten Prüfung eines Datenpunktsatzes und des Ableitens aus diesem eines Satzes von Prototypen oder Cluster-Mitten ist, vorgeclustert werden. In diesem Fall war die anfängliche Auswahl an Cluster-Mitten ein Satz von Mustern, die beliebig aus dem Schulungsdatensatz ausgewählt wurden. Bei dem iterativen Prozess werden Cluster so bewegt, dass sie bezüglich der Datenpunkte optimal angeordnet sind. Die Mittenpunkte der Cluster werden dann als Solldatenpunkte betrachtet, die zum Schulen des künstlichen neuronalen Netzes verwendet werden können, wie bei Schritt45 gezeigt wird. In diesem Fall waren die anfänglichen Gewichte für das neuronale Netz kleine beliebige Werte zwischen –0,01 und +0,01.7a zeigt eine Anzeige für 24 Stunden Schulungsdaten, die von einem beispielhaften Patienten genommen wurden. Somit sind die in7a gezeigten Punkte die Punkte in dem Visualisierungsraum, die den Cluster-Mitten oder Prototypen in dem Messraum entsprechen. - Sobald das neuronale Netz geschult wurde, um die Abbildung von n Dimensionen in 2D zu erzeugen, können die vollständigen Daten statt nur der Cluster-Mitten oder Prototypen mit Hilfe des neuronalen Netzes in dem Visualisierungsraum abgebildet werden, und natürlich können auch neue, von dem Patienten kommende Messungen ständig normalisiert und abgebildet werden, um den aktuellen Zustand des Patienten zu zeigen. Wie in
5 dargestellt werden somit die primären und sekundären Parameter in den Schritten50 und51 erhalten, werden bei Schritt52 zu Datensätzen zusammengelegt, werden bei Schritt53 normalisiert und werden dann bei Schritt54 mit Hilfe des neuronalen Netzes abgebildet und bei Schritt55 angezeigt. -
7b bis7g zeigen die Anzeige der Datenpunkte selbst, die auf der Anzeige des durch die Cluster-Mitten oder Prototypen von7a festgelegten Visualisierungsraums aufgelegt sind. Bei7b (die erste Stunde von 24 Stunden Daten) ist ersichtlich, dass die Datenpunkte, die früh in dem Datensatz liegen, an einem Rand des Visualisierungsraums positioniert sind, was anzeigt, dass der Zustand des Patienten zu dieser Phase anomal war. Im Verlauf der7c (die ersten 3 Stunden),7d (die ersten 6 Stunden),7e (die ersten 9 Stunden) nähert sich der Zustand des Patienten dem Bereich, in dem sich die meisten aus dem Schulungssatz abgeleiteten Punkte befinden, was für diesen Patienten Normalität darstellt. Die Datenpunkte werden weiter durch die7f (die ersten 15 Stunden) und7g (alle 24 Stunden) addiert, was zeigt, dass sich der Zustand des Patienten so sehr stabilisiert, dass die Datenpunkte auf den Bereich knapp links der Mitte im Visualisierungsraum abgebildet werden, mit gelegentlichen Abweichungen oberhalb und unterhalb dieses Raums. - Daher ist ersichtlich, dass das Fortschreiten des Zustands des Patienten mit Hilfe dieser abgebildeten Anzeige sehr leicht visualisiert werden kann. Jedes Abweichen von der Normalität würde bei diesem Patienten zu einer Folge von Datenpunkten führen, die von dem „normalen" Bereich knapp links der Mitte des Visualisierungsraums abweichen. Wenn sich ferner der Zustand eines Patienten ändert, beispielsweise während der Verabreichung eines Medikaments oder während eines anderen medizinischen Eingriffs, würde man erwarten, eine bestimmte Trajektorie über dem Visualisierungsraum zu sehen. Abweichungen von dieser Trajektorie würden eine anomale Reaktion auf den medizinische Eingriff darstellen, zum Beispiel würde sich der Zustand des Patienten verschlechtern. Es kann auch ein Alarm zum Warnen des Personals bezüglich Abweichungen des Zustands des Patienten außerhalb des Bereichs oder der Trajektorie integriert werden.
- Weiterhin ist ersichtlich, dass die Vorrichtung so abgewandelt werden kann, dass sie einen Alarm umfasst, der auf das Auftragen von Datenpunkten außerhalb eines vorab festgelegten Bereichs der „Normalität" in dem Visualisierungsraum oder abseits einer vorab festgelegten normalen Trajektorie (die einer erwarteten Änderung des Patientenzustands entspricht) reagiert. Dies wird nachstehend bezüglich eines für eine Patientengruppe festgelegten Visualisierungsraums eingehender erläutert, wenngleich er gleichermaßen bei einem bestimmten Patienten auf den in
7 gezeigten Visualisierungsraum angewendet werden kann. - In
7 wird ein Satz von Datenpunkten verwendet (nach dem Vorclustern), um das künstliche neuronale Netz zu schulen. Das geschulte Netz kann dann genutzt werden, um diesen Patienten durch Eingeben neuer Datenpunkte in dieses und deren Abbilden und Anzeigen lassen in dem Visualisierungsraum weiter zu überwachen. Wenn ein Patient erstmals überwacht wird, sind aber offensichtlich für diesen Patienten noch keine früheren Daten verfügbar. Ferner liegen unter Umständen ungenügend Daten über mehrere Stunden vor, um das künstliche neuronale Netz zu schulen, und in jedem Fall kann das Netz nur adäquat geschult werden, nachdem eine ausreichende Datenmenge erhalten wurde, die für diesen Patienten Normalität darstellt. Für den anfänglichen Zeitraum ist es daher erforderlich, die Datenpunkte durch Verwenden eines künstlichen neuronalen Netzes, das bereits geschult wurde, auf den Visualisierungsraum abzubilden. Dies kann durch Schulen eines künstlichen neuronalen Netzes anhand von Daten von einer repräsentativen Patientengruppe für einen bestimmten Zustand erreicht werden. Zu beachten ist, dass das Schulen des künstlichen neuronalen Netzes mit Hilfe von Daten von Gesunden wahrscheinlich unbefriedigend ist, da deren Daten sich nur unwahrscheinlich über den erforderlichen Bereich des Messraums erstrecken. Ferner liefern Patienten mit unterschiedlichen Bedingungen unter Umständen nicht Daten, die ausreichend sind, um den für die überwachten Patienten erwünschten Messraum abzudecken. -
8 veranschaulicht einen Visualisierungsraum, der Punkte zeigt, die mit Hilfe von Daten von mehreren Patienten einer Gruppe abgebildet wurden (wobei die Daten normalisiert sind und ggf. wie vorstehend vorgeclustert wurden). Es ist ersichtlich, dass ein Großteil der Daten in dem mittleren Bereich der Anzeige geclustert sind, und daher ist es möglich, einen Grenze 80 festzulegen, innerhalb welcher der Patientenzustand für diese Gruppe als normal betrachtet wird und außerhalb welcher der Patientenzustand als anomal betrachtet wird. Die Daten von einem bestimmten Patienten können mit Hilfe des künstlichen neuronalen Netzes abgebildet werden, das mit den Daten von der Patientengruppe geschult wurde, und können dann auf dem Visualisierungsraum für die Gruppe angezeigt werden.9 zeigt eine graphische Darstellung eines Zustands eines bestimmten Patienten auf dem Visualisierungsraum für die Gruppe.9 sind die Daten von dem gleichen Patienten wie7g (Patient 37), aber während in den7b bis g die n- dimensionalen Daten auf den durch allein diesen Patienten festgelegten Visualisierungsraum (7a ) abgebildet sind, sind in9 die gleichen n-dimensionalen Daten auf den durch diese Patientengruppe festgelegten Visualisierungsraum abgebildet (d.h. in diesem Fall Patient 37 und 5 andere Patienten, darunter Patient 36 –10 , Patient 52 –11 und Patient 56 –12 ). Ähnliche Trajektorien/Punktverteilungen sind in den7g und9 ersichtlich, wobei die Unterschiede auf die unterschiedliche Konstruktion des Visualisierungsraums (Einzelpatient gegenüber Patientengruppe) zurückzuführen sind. -
9 (oder7a bis7g ) stellt einen Patienten mit Herzerkrankung auf dem Weg der Besserung dar. Die10 und11 (Patienten 36 und 52) sind „normale" Patienten innerhalb der Gruppe von Patienten mit Herzproblemen.12 (Patient 56) stellt einen Patienten dar, der für diese Gruppe (der Bereich innerhalb der Grenze 80) „normal" beginnt, sich aber während des Verlaufs der Überwachung zum rechten Teil der grafischen Darstellung verschlechtert. Sobald die Normalitätsgrenze überschritten wird, kann ein Alarm erzeugt werden. - Die in
7 verwendeten Daten waren normalisierte Messwerte von vier Parametern: Herzrate, Blutdruck, Sauerstoffsättigung und Hauttemperatur, genommen für einen einzelnen Patienten einer Intensivstation für Herzkranke über einen Zeitraum von 24 Stunden, wobei bei einer Abtastrate von einmal pro Sekunde neu abgetastet wurde. Die8 bis12 beruhen auf einem Datensatz der gleichen Parameter wie in7 für Zeiträume von 24 Stunden für sechs Patienten, die alle Patienten in einer Intensivstation für Herzkranke waren. Die13 bis20 beruhen auf neu abgetasteten Datensätzen von Messungen der gleichen vier Parameter über ein bis zwölf Stunden bei 14 Patienten mit akuter Dyspnoe, kongestiver Herzerkrankung oder Postmyokardialinfarkt. - Die
13(A) und (B) zeigen die gleichen Daten wie in12 (für Patient 56), die auf einen Visualisierungsraum aufgetragen sind, in dem die Abbildung mit Hilfe eines Schulungsdatensatzes einer anderen Gruppe von (anomalen) Patienten abgeleitet wurde. „Normalität" liegt wiederum in der Mitte des Visualisierungsraums. Der Patient beginnt mit Herzrate, Blutdruck, Haupttemperatur und Sauerstoffsättigung „normal", wie aus den einzelnen grafischen Darstellungen dieser Parameter in den13(B) ersichtlich ist. In dem letzten Drittel der aufgetragenen Zeit ändern sich aber alle vier Parameter, wenn sich der Zustand des Patienten verschlechtert, und dies ist in dem Visualisierungsraum der13(A) als mit130 bezeichnetes Abweichen hin zur Mitte links des Raums ersichtlich. In den in13 und auch in den14 bis20 verwendeten Datensätzen wird die Herzrate in Schlägen pro Minute, der Blutdruck in mm Hg, die Temperatur in °C und die Sauerstoffsättigung in Prozentpunkten gemessen. Da diese Daten mit Hilfe der Transformation mit einem Mittelwert Null und einer Varianz von Eins normalisiert wurden, ist in jedem Fall ein „normaler" Wert 0,0. In den Figuren sind die normalisierten Werten aufgetragen, wobei die vertikale Achse mit der Anzahl an Standardabweichungen für den Datensatz und die horizontale Achse in Sekunden (alle fünf Sekunden bei den14 bis19 ) bezeichnet ist. - Die
14(A) und (B) veranschaulichen jeweils die auf dem Visualisierungsraum aufgetragenen Daten sowie die individuellen Datendarstellungen für einen Patienten, dessen Zustand im Verlauf der Messungen normal bleibt. - Die
15(A) und (B) zeigen jeweils die auf dem Visualisierungsraum aufgetragenen Daten und die einzelnen Parameterdarstellungen für einen Patienten, dessen Herzrate steigt und dessen Sauerstoffsättigung sinkt (bis auf 75% hinunter), wobei dies in dem Visualisierungsraum als mit150 bezeichnete Abweichung zur linken Seite des Raums gezeigt wird. Dieser Patient bedurfte einer Verlegung auf eine Intensivstation. - Die
16(A) und (B) zeigen entsprechende Darstellungen für einen Patienten, dessen Zustand anfangs anomal war (hohe Herzrate und hoher Blutdruck) und normal wurde, was zu einer Trajektorie160 in dem Visualisierungsraum von16(A) führte. Die Sauerstoffsättigung des Patienten fiel aber plötzlich ab (bei Punkt162 auf der Sauerstoffsättigungsdarstellung von16(B) ), als seine Sauerstoffmaske abgenommen wurde. Dies ist auf dem Visualisierungsraum von16(A) als Abweichung164 nach unten links ersichtlich. - Gemäß einer erfindungsgemäßen Ausführung lässt sich ein weiterer Hinweis auf den Zustand des Patienten durch Ableiten eines „Novelty Index" (Neuheitsindex) jedes Punkts beruhend auf dem Abstand in dem mehrdimensionalen Messraum dieses Punkts von dem vorab festgelegten „normalen" Punkt erhalten. Nach Normalisierung mit einer Transformation mit Mittelwert Null wird der „normale" Punkt zum Ursprung, d.h. der Punkt mit den Koordinaten (0,0,0,0...) in dem Messraum. Der Novelty index kann mit Hilfe des Verfahrens von Parzen Windows berechnet werden, das in „Novelty Detection for the Identification of Masses in Mammograms", Tarassenko et al., Procs. 4th IEE Int. Conf. an Artificial Neural Networks, Cambridge, Juni 1995, S. 442-447, offenbart wird, wobei Neuheit durch Addieren der Distanz zwischen einem Datenpunkt und jedem eines Satzes von Prototypenpunkten, die Normalität darstellen (z.B. 80% der Prototypenpunkte, die dem Ursprung am nächsten liegen), beurteilt wird.
- Der Novelty Index kann zum Auslösen eines Alarmzustands verwendet werden, zum Beispiel wenn er größer als ein vorbestimmter Grenzwert ist. Der Grenzwert kann zum Beispiel als Grenze festgelegt werden, die die normalen Prototypen umgibt.
- Dieser Novelty Index kann auf einer in den
21 und22 gezeigten Kurve für die Prototypenpunkte (dem für die13 bis20 verwendeten Schulungssatz) angezeigt werden. In21 werden die 80% der Prototypenpunkte, die (0,0,0,0) in dem Messraum am nächsten liegen, in schwarz gezeigt, und in22 wird der Rest in schwarz gezeigt (wenngleich in der Praxis jeweils grün und rot verwendet werden). - In den
17 bis20 werden die Punkte in dem Visualisierungsraum (a) zusammen mit den Darstellungen (b) der vier normalisierten individuellen Parameter (Herzrate, Blutdruck, Hauttemperatur und Sauerstoffsättigung) im zeitlichen Verlauf gezeigt, und der gegen die Zeit aufgetragene Novelty Index wird in der Ecke unten rechts der Anzeige (c) dargestellt. - Der Alarmzustand für den Patienten wird bevorzugt nicht nur durch Schneiden des Grenzwerts (gezeigt durch die Linie TH in den
17 bis20 ), sondern durch eine Kombination der Zeit und der Grads, um den der Grenzwert überschritten wird, ausgelöst. Dies vermeidet ein Auslösen durch kurze Artefakte, die zum Beispiel in den18 und20 sichtbar sind. Dies kann durch Integrieren der Fläche zwischen dem Auftrag und dem Grenzwert und nur Auslösen des Alarms, wenn diese Fläche einen bestimmten Betrag übersteigt, erreicht werden. - Der Novelty Index kann aus der Funktion der Dichte der unbedingten Wahrscheinlichkeit p(x) berechnet werden, wobei x der Vektor von Parametern ist (in diesem Fall unter Verwendung ihrer normalisierten Werte). Dies kann mit Hilfe des vorstehend erwähnten Standardverfahrens von Parzen Windows geschätzt werden, wobei:
- – Ein sphärischer Gauß-Kern für jeden normalen Prototyp xm
- – σ ist ein Glättungsparameter, der für alle normalen Prototypen xm gleich ist, wobei er als mittlere Distanz zwischen einem Prototypenpunkt und seinen zehn nächsten Nachbarn genommen wird
- – d ist die Dimensionalität der Daten, 4 in diesem Fall, da vier Parameter gemessen werden
- Dann wird Novelty berechnet als 1/log p(x). Somit ist IIx – xmII ein Maß der Distanz zwischen dem aktuellen Datenpunkt und dem m-ten normalen Prototypen in dem Schulungssatz, wovon es n gibt.
-
17 zeigt den Visualisierungsraum, Darstellungen von vier Parametern und eine Darstellung des Novelty Index gegen Zeit für einen Patienten, dessen Zustand normal bleibt.18 zeigt in gleicher Weise die Daten des Patienten von16 . Es ist ersichtlich, dass der Novelty Index abnimmt, wenn sich der Zustand des Patienten zu Beginn verbessert, aber kurze, ausgeprägte Anstiege zeigt, insbesondere wenn die Sauerstoffsättigung bei Abnahme der Sauerstoffmaske fällt. Die19 und20 sind entsprechende Darstellungen für den in den13 und15 gezeigten Patienten, und es ist ersichtlich, dass der Novelty Index und die Farbcodierung der Verschlechterung des Zustands des Patienten folgen.
Claims (29)
- Vorrichtung zum Anzeigen einer graphischen Darstellung einer durch n Parameter gemessenen Bedingung eines Patienten, wobei n>3, die von n Sensoren erhalten wurden, die mehrere Signalquellen bilden, wobei die Vorrichtung umfasst: einen Prozessor (
34 ), der die durch n Parameter dargestellten Datenpunkte aus einem n-dimensionalen Messraum in einen m-dimensionalen Visualisierungsraum (38 ), wobei m<n, unter Verwendung einer Dimensionalitätsreduktionsabbildung abbildet, und eine Anzeige (36 ), die den Visualisierungsraum (38 ) und die in diesen abgebildeten Datenpunkte anzeigt und die für die Anzeige von sich dynamisch ändernden Werten der Parameter mittels Durchführen der Abbildung durch ein trainiertes künstliches neuronales Netz ausgelegt ist, wobei der Prozessor (34 ) jeden Datenpunkt bei Empfang auf einen einen eindimensionalen Visualisierungsraum (38 ) bildenden Kennwert (Novelty Index) abbildet und die Anzeige (36 ) den Wert des Kennwerts gegen die Zeit anzeigt, dadurch gekennzeichnet, dass der Kennwert jedes Punkts auf dessen Abstand in dem mehrdimensionalen Messraum von einem Normalität darstellenden vorbestimmten Prototyppunkt beruht. - Vorrichtung nach Anspruch 1, dadurch gekennzeichnet, dass die n Parameter gewählt werden aus: einer Atmungsmessung, einer Sauerstoffsättigungsmessung, Blutdruck, Hauttemperatur, S-T-Streckenhebung/Streckensenkung, Herzfrequenz, Herzfrequenzvariabilität und Atmungsfrequenz.
- Vorrichtung nach Anspruch 2, dadurch gekennzeichnet, dass die Atmungsmessung eine Impedanzpneumographiemessung ist.
- Vorrichtung nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass die Sauerstoffsättigungsmessung eine Pulsoximetriemessung ist.
- Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Prozessor (
34 ) vor dem Abbilden die Parameter normalisiert. - Vorrichtung nach Anspruch 5, dadurch gekennzeichnet, dass der Prozessor (
34 ) mit Hilfe einer Transformation mit Mittelwert Null und Varianz Eins die Parameter normalisiert. - Vorrichtung nach Anspruch 5, dadurch gekennzeichnet, dass der Prozessor (
34 ) die Parameter mit Hilfe einer empirischen Transformation normalisiert. - Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Dimensionalitätsreduktion ein Abstand wahrendes Abbilden ist.
- Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netz ein radiales Basisfunktionsnetz (RBF) ist.
- Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netz ein mit Daten trainiertes Netz ist, die mehrere Sätze von Parametern des Patienten umfassen.
- Vorrichtung nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass das künstliche neuronale Netz ein mit Daten trainiertes Netz ist, die mehrere Sätze von Parametern von einer Gruppe von Patienten umfassen.
- Vorrichtung nach einem der vorhergehenden Ansprüche, welche weiterhin einen Alarm umfasst, der anspricht, wenn ein Wert des Kennwerts einen Grenzwert übersteigt.
- Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Kennwert jedes Punkts durch Summieren des Abstands in dem mehrdimensionalen Messraum zwischen diesem und jedem des Satzes von Prototypenpunkten, die Normalität darstellen, berechnet wird.
- Verfahren zum Anzeigen einer graphischen Darstellung der durch n Parameter gemessenen Bedingung eines Patienten, wobei n>3, die von n Sensoren erhalten wurden, die mehrere Signalquellen bilden, wobei das Verfahren umfasst: das Abbilden von durch n Parameter dargestellten Datenpunkten aus einem n-dimensionalen Messraum in einen m-dimensionalen Visualisierungsraum (
38 ), wobei m<n, unter Verwendung einer Dimensionalitätsreduktionsabbildung sowie das Anzeigen des Visualisierungsraums (38 ) und der in diesen abgebildeten Datenpunkte, und das für die Anzeige von sich dynamisch ändernden Werten der Parameter mittels Durchführen der Abbildung durch ein trainiertes künstliches neuronales Netz ausgelegt ist; wobei das Abbilden jeden Datenpunkt bei Empfang auf einen einen eindimensionalen Visualisierungsraum (38 ) bildenden Kennwert abbildet und der Wert des Kennwerts gegen die Zeit angezeigt wird; dadurch gekennzeichnet, dass der Kennwert jedes Punkts auf dessen Abstand in dem mehrdimensionalen Messraum von einem Normalität darstellenden vorbestimmten Prototyppunkt beruht. - Verfahren nach Anspruch 14, dadurch gekennzeichnet, dass die n Parameter gewählt werden aus: einer Atmungsmessung, einer Sauerstoffsättigungsmessung, Blutdruck, Hauttemperatur, S-T-Streckenhebung/Streckensenkung, Herzfrequenz, Herzfrequenzvariabilität und Atmungsfrequenz.
- Verfahren nach Anspruch 15, dadurch gekennzeichnet, dass die Atmungsmessung eine Impedanzpneumographiemessung ist.
- Verfahren nach Anspruch 15 oder 16, dadurch gekennzeichnet, dass die Sauerstoffsättigungsmessung eine Pulsoximetriemessung ist.
- Verfahren nach einem der Ansprüche 14 bis 17, welches weiterhin vor dem Abbilden das Normalisieren der Parameter umfasst.
- Verfahren nach Anspruch 18, dadurch gekennzeichnet, dass das Normalisieren durch Transformation mit Mittelwert Null und Varianz Eins erfolgt.
- Verfahren nach Anspruch 18, dadurch gekennzeichnet, dass das Normalisieren durch empirische Transformation erfolgt.
- Verfahren nach einem der Ansprüche 14 bis 20, dadurch gekennzeichnet, dass die Dimensionalitätsreduktion ein Abstand wahrendes Abbilden ist.
- Verfahren nach einem der Ansprüche 14 bis 21, dadurch gekennzeichnet, dass das künstliche neuronale Netz ein radiales Basisfunktionsnetz (RBF) ist.
- Verfahren nach einem der Ansprüche 14 bis 22, dadurch gekennzeichnet, dass das künstliche neuronale Netz mit Daten trainiert wird, die einen Satz der Parameter des Patienten umfassen.
- Verfahren nach einem der Ansprüche 14 bis 23, dadurch gekennzeichnet, dass das künstliche neuronale Netz mit Daten trainiert wird, die mehrere Sätze der Parameter von einer Gruppe von Patienten umfassen.
- Verfahren nach einem der Ansprüche 14 bis 24, welches weiterhin das Erzeugen eines Alarms umfasst, der anspricht, wenn der Wert des Kennwerts einen Grenzwert übersteigt.
- Verfahren nach einem der Ansprüche 14 bis 25, dadurch gekennzeichnet, dass der Kennwert jedes Punkts durch Summieren des Abstands in dem mehrdimensionalen Messraum zwischen diesem und jedem des Satzes von Prototypenpunkten, die Normalität darstellen, berechnet wird.
- Patientenzustandsmonitor, der eine Vorrichtung nach einem der Ansprüche 1 bis 15 umfasst.
- Computerprogramm mit einem Programmcodemittel zum Ausführen des Verfahrens eines der Ansprüche 14 bis 26 auf einer programmierten Computeranlage.
- Maschinell lesbares Speichermedium, das ein Computerprogramm nach Anspruch 28 speichert.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
GB0113212 | 2001-05-31 | ||
GBGB0113212.5A GB0113212D0 (en) | 2001-05-31 | 2001-05-31 | Patient condition display |
PCT/GB2002/002550 WO2002096282A2 (en) | 2001-05-31 | 2002-05-29 | Patient condition display |
Publications (2)
Publication Number | Publication Date |
---|---|
DE60221980D1 DE60221980D1 (de) | 2007-10-04 |
DE60221980T2 true DE60221980T2 (de) | 2008-04-24 |
Family
ID=9915625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE60221980T Expired - Lifetime DE60221980T2 (de) | 2001-05-31 | 2002-05-29 | Sichtbildanzeige für patientenzustand |
Country Status (10)
Country | Link |
---|---|
US (1) | US7031857B2 (de) |
EP (2) | EP1609412A1 (de) |
JP (1) | JP4391089B2 (de) |
AT (1) | ATE370702T1 (de) |
AU (1) | AU2002257964B2 (de) |
CA (1) | CA2444958C (de) |
DE (1) | DE60221980T2 (de) |
ES (1) | ES2292755T3 (de) |
GB (1) | GB0113212D0 (de) |
WO (1) | WO2002096282A2 (de) |
Families Citing this family (162)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060161071A1 (en) | 1997-01-27 | 2006-07-20 | Lynn Lawrence A | Time series objectification system and method |
US8932227B2 (en) | 2000-07-28 | 2015-01-13 | Lawrence A. Lynn | System and method for CO2 and oximetry integration |
US9042952B2 (en) | 1997-01-27 | 2015-05-26 | Lawrence A. Lynn | System and method for automatic detection of a plurality of SPO2 time series pattern types |
US9521971B2 (en) | 1997-07-14 | 2016-12-20 | Lawrence A. Lynn | System and method for automatic detection of a plurality of SPO2 time series pattern types |
US20070191697A1 (en) | 2006-02-10 | 2007-08-16 | Lynn Lawrence A | System and method for SPO2 instability detection and quantification |
US20130158367A1 (en) * | 2000-06-16 | 2013-06-20 | Bodymedia, Inc. | System for monitoring and managing body weight and other physiological conditions including iterative and personalized planning, intervention and reporting capability |
GB0014855D0 (en) * | 2000-06-16 | 2000-08-09 | Isis Innovation | Combining measurements from different sensors |
WO2002002006A1 (en) | 2000-07-05 | 2002-01-10 | Seely Andrew J E | Method and apparatus for multiple patient parameter variability analysis and display |
US20060195041A1 (en) | 2002-05-17 | 2006-08-31 | Lynn Lawrence A | Centralized hospital monitoring system for automatically detecting upper airway instability and for preventing and aborting adverse drug reactions |
US9053222B2 (en) * | 2002-05-17 | 2015-06-09 | Lawrence A. Lynn | Patient safety processor |
GB0130010D0 (en) * | 2001-12-14 | 2002-02-06 | Isis Innovation | Combining measurements from breathing rate sensors |
US7373198B2 (en) * | 2002-07-12 | 2008-05-13 | Bionova Technologies Inc. | Method and apparatus for the estimation of anesthetic depth using wavelet analysis of the electroencephalogram |
CA2501732C (en) * | 2002-10-09 | 2013-07-30 | Bodymedia, Inc. | Method and apparatus for auto journaling of continuous or discrete body states utilizing physiological and/or contextual parameters |
JP4752042B2 (ja) * | 2004-06-30 | 2011-08-17 | 独立行政法人産業技術総合研究所 | 生体等多変量時系列データ評価法 |
JP3931895B2 (ja) * | 2004-07-29 | 2007-06-20 | 株式会社デンソー | 生体情報表示装置 |
CA2599387C (en) | 2005-02-28 | 2014-11-18 | Michael Rothman | A system and method for improving hospital patient care by providing a continual measurement of health |
US8956292B2 (en) * | 2005-03-02 | 2015-02-17 | Spacelabs Healthcare Llc | Trending display of patient wellness |
CN101272734B (zh) * | 2005-03-02 | 2011-05-04 | 太空实验室健康护理有限公司 | 病人健康趋势显示仪 |
US8802183B2 (en) | 2005-04-28 | 2014-08-12 | Proteus Digital Health, Inc. | Communication system with enhanced partial power source and method of manufacturing same |
US8912908B2 (en) | 2005-04-28 | 2014-12-16 | Proteus Digital Health, Inc. | Communication system with remote activation |
US8836513B2 (en) | 2006-04-28 | 2014-09-16 | Proteus Digital Health, Inc. | Communication system incorporated in an ingestible product |
EP3827747A1 (de) | 2005-04-28 | 2021-06-02 | Otsuka Pharmaceutical Co., Ltd. | Pharmainformatiksystem |
US8730031B2 (en) | 2005-04-28 | 2014-05-20 | Proteus Digital Health, Inc. | Communication system using an implantable device |
US9198608B2 (en) | 2005-04-28 | 2015-12-01 | Proteus Digital Health, Inc. | Communication system incorporated in a container |
DE602006019095D1 (de) * | 2005-06-22 | 2011-02-03 | Koninkl Philips Electronics Nv | Vorrichtung zum messen von momentanen wahrnehmungsfähigkeitswerten eines patienten |
US8064610B2 (en) * | 2005-06-29 | 2011-11-22 | The General Electric Company | Ambient noise canceling physiological acoustic monitoring system and method |
US8920318B2 (en) * | 2005-07-18 | 2014-12-30 | Itegralis | Apparatus, method and computer readable code for forecasting the onset of potentially life-threatening disease |
JP5714210B2 (ja) | 2005-09-01 | 2015-05-07 | プロテウス デジタル ヘルス, インコーポレイテッド | 移植可能なワイヤ無し通信システム |
US8026840B2 (en) | 2005-10-28 | 2011-09-27 | Raytheon Company | Biometric radar system and method for identifying persons and positional states of persons |
RU2428104C2 (ru) * | 2005-11-08 | 2011-09-10 | Конинклейке Филипс Электроникс Н.В. | Способ обнаружения критичных трендов при многопараметрическом контроле за пациентом и клинических данных, используя кластеризацию |
CA2631870C (en) * | 2005-11-29 | 2021-07-06 | Venture Gain, L.L.C. | Residual-based monitoring of human health |
US8761851B2 (en) * | 2005-12-06 | 2014-06-24 | Cas Medical Systems, Inc. | Indicators for a spectrophotometric system |
EP1962676A2 (de) * | 2005-12-19 | 2008-09-03 | Koninklijke Philips Electronics N.V. | Hierarchische echtzeit-patientenzustand-indizien zur patientenüberwachung |
US7668579B2 (en) | 2006-02-10 | 2010-02-23 | Lynn Lawrence A | System and method for the detection of physiologic response to stimulation |
JP2009544338A (ja) | 2006-05-02 | 2009-12-17 | プロテウス バイオメディカル インコーポレイテッド | 患者に合わせてカスタマイズした治療レジメン |
US20080020037A1 (en) * | 2006-07-11 | 2008-01-24 | Robertson Timothy L | Acoustic Pharma-Informatics System |
US8160668B2 (en) * | 2006-09-29 | 2012-04-17 | Nellcor Puritan Bennett Llc | Pathological condition detector using kernel methods and oximeters |
AU2007308078A1 (en) | 2006-10-13 | 2008-04-17 | PeraHealth, Inc | System and method for providing a health score for a patient |
EP2087589B1 (de) * | 2006-10-17 | 2011-11-23 | Proteus Biomedical, Inc. | Niederspannungsoszillator für medizinische einrichtungen |
EP2083680B1 (de) | 2006-10-25 | 2016-08-10 | Proteus Digital Health, Inc. | Einnehmbarer identifikator mit kontrollierer aktivierung |
EP2069004A4 (de) | 2006-11-20 | 2014-07-09 | Proteus Digital Health Inc | Persönliche gesundheitssignalempfänger mit aktiver signalverarbeitung |
CN101563028B (zh) * | 2006-12-21 | 2011-10-05 | 皇家飞利浦电子股份有限公司 | 患者监测系统和方法 |
WO2009063443A2 (en) * | 2007-11-13 | 2009-05-22 | Oridion Medical (1987) Ltd. | Medical system, apparatus and method |
CA2658846C (en) * | 2007-01-24 | 2015-03-31 | Raytheon Company | Intelligent biometric radar system |
ES2930588T3 (es) | 2007-02-01 | 2022-12-19 | Otsuka Pharma Co Ltd | Sistemas de marcador de eventos ingeribles |
KR101528748B1 (ko) | 2007-02-14 | 2015-06-15 | 프로테우스 디지털 헬스, 인코포레이티드 | 고 표면적 전극을 갖는 체내 전원 |
EP2124725A1 (de) | 2007-03-09 | 2009-12-02 | Proteus Biomedical, Inc. | Körperintegrierte vorrichtung mit multidirektionalem sender |
US20080221930A1 (en) | 2007-03-09 | 2008-09-11 | Spacelabs Medical, Inc. | Health data collection tool |
US9270025B2 (en) | 2007-03-09 | 2016-02-23 | Proteus Digital Health, Inc. | In-body device having deployable antenna |
US8115618B2 (en) * | 2007-05-24 | 2012-02-14 | Proteus Biomedical, Inc. | RFID antenna for in-body device |
US10702174B2 (en) * | 2007-06-27 | 2020-07-07 | Integra Lifesciences Corporation | Medical monitor user interface |
FI2192946T3 (fi) | 2007-09-25 | 2022-11-30 | Elimistön sisäinen laite, jossa on virtuaalinen dipolisignaalinvahvistus | |
CN101939738A (zh) | 2007-10-03 | 2011-01-05 | 渥太华医院研究所 | 用于监控一个或多个器官的随着时间过去的生理参数变异性的方法和装置 |
EP3493216A1 (de) * | 2007-11-13 | 2019-06-05 | Oridion Medical 1987 Ltd. | Medizinisches system, gerät und verfahren |
US8275553B2 (en) | 2008-02-19 | 2012-09-25 | Nellcor Puritan Bennett Llc | System and method for evaluating physiological parameter data |
AU2009221781B2 (en) | 2008-03-05 | 2014-12-11 | Otsuka Pharmaceutical Co., Ltd. | Multi-mode communication ingestible event markers and systems, and methods of using the same |
US8365730B2 (en) | 2008-03-24 | 2013-02-05 | Covidien Lp | Method and system for classification of photo-plethysmographically detected respiratory effort |
EP2303376B1 (de) | 2008-05-28 | 2016-03-30 | Oridion Medical 1987 Ltd. | Endotrachealtubus zur überwachung von co2 |
MY154234A (en) | 2008-07-08 | 2015-05-15 | Proteus Digital Health Inc | Ingestible event marker data framework |
US9713701B2 (en) | 2008-07-31 | 2017-07-25 | Medtronic, Inc. | Using multiple diagnostic parameters for predicting heart failure events |
AU2009281876B2 (en) | 2008-08-13 | 2014-05-22 | Proteus Digital Health, Inc. | Ingestible circuitry |
US8398555B2 (en) * | 2008-09-10 | 2013-03-19 | Covidien Lp | System and method for detecting ventilatory instability |
US8911377B2 (en) | 2008-09-15 | 2014-12-16 | Masimo Corporation | Patient monitor including multi-parameter graphical display |
GB0818544D0 (en) * | 2008-10-09 | 2008-11-19 | Oxford Biosignals Ltd | Improvements in or relating to multi-parameter monitoring |
EP2350902A4 (de) * | 2008-10-21 | 2014-03-19 | Rothman Healthcare Corp | Verfahren zur risikobeurteilung auf der basis von medizinischen daten und anwendung |
AU2009308780B2 (en) * | 2008-10-31 | 2013-10-17 | Covidien Lp | System and method for facilitating observation of monitored physiologic data |
KR101192690B1 (ko) * | 2008-11-13 | 2012-10-19 | 프로테우스 디지털 헬스, 인코포레이티드 | 섭취 가능한 치료 활성화 시스템, 치료 장치 및 방법 |
US8055334B2 (en) | 2008-12-11 | 2011-11-08 | Proteus Biomedical, Inc. | Evaluation of gastrointestinal function using portable electroviscerography systems and methods of using the same |
WO2013012869A1 (en) | 2011-07-21 | 2013-01-24 | Proteus Digital Health, Inc. | Mobile communication device, system, and method |
US9659423B2 (en) | 2008-12-15 | 2017-05-23 | Proteus Digital Health, Inc. | Personal authentication apparatus system and method |
TWI424832B (zh) | 2008-12-15 | 2014-02-01 | Proteus Digital Health Inc | 與身體有關的接收器及其方法 |
US9439566B2 (en) | 2008-12-15 | 2016-09-13 | Proteus Digital Health, Inc. | Re-wearable wireless device |
JP2012514799A (ja) | 2009-01-06 | 2012-06-28 | プロテウス バイオメディカル インコーポレイテッド | 摂取に関連するバイオフィードバックおよび個別薬物療法の方法およびシステム |
EP3395333A1 (de) | 2009-01-06 | 2018-10-31 | Proteus Digital Health, Inc. | System zur dosierten verabreichung von arzneimitteln |
US8632473B2 (en) * | 2009-01-30 | 2014-01-21 | Medtronic, Inc. | Detecting worsening heart failure based on fluid accumulation with respiratory confirmation |
WO2010111403A2 (en) | 2009-03-25 | 2010-09-30 | Proteus Biomedical, Inc. | Probablistic pharmacokinetic and pharmacodynamic modeling |
CN102458236B (zh) | 2009-04-28 | 2016-01-27 | 普罗秋斯数字健康公司 | 高可靠性的可摄入事件标记器及其使用方法 |
US20100280579A1 (en) * | 2009-04-30 | 2010-11-04 | Medtronic, Inc. | Posture state detection |
US9149423B2 (en) | 2009-05-12 | 2015-10-06 | Proteus Digital Health, Inc. | Ingestible event markers comprising an ingestible component |
US20110034788A1 (en) * | 2009-08-04 | 2011-02-10 | Nellcor Puritan Bennett Llc | Methods and apparatus for using multiple sensors to measure differential blood transport time in a patient |
US8558563B2 (en) | 2009-08-21 | 2013-10-15 | Proteus Digital Health, Inc. | Apparatus and method for measuring biochemical parameters |
US20110301432A1 (en) | 2010-06-07 | 2011-12-08 | Riley Carl W | Apparatus for supporting and monitoring a person |
US8525680B2 (en) * | 2009-09-18 | 2013-09-03 | Hill-Rom Services, Inc. | Apparatuses for supporting and monitoring a condition of a person |
US20110077484A1 (en) * | 2009-09-30 | 2011-03-31 | Nellcor Puritan Bennett Ireland | Systems And Methods For Identifying Non-Corrupted Signal Segments For Use In Determining Physiological Parameters |
US9604020B2 (en) | 2009-10-16 | 2017-03-28 | Spacelabs Healthcare Llc | Integrated, extendable anesthesia system |
IN2012DN03108A (de) | 2009-10-16 | 2015-09-18 | Spacelabs Healthcare Llc | |
US8271072B2 (en) * | 2009-10-30 | 2012-09-18 | Medtronic, Inc. | Detecting worsening heart failure |
TWI517050B (zh) | 2009-11-04 | 2016-01-11 | 普羅托斯數位健康公司 | 供應鏈管理之系統 |
WO2011063106A1 (en) * | 2009-11-18 | 2011-05-26 | Nellcor Puritan Bennett Llc | Intelligent user interface for medical monitors |
UA109424C2 (uk) | 2009-12-02 | 2015-08-25 | Фармацевтичний продукт, фармацевтична таблетка з електронним маркером і спосіб виготовлення фармацевтичної таблетки | |
WO2011087927A1 (en) * | 2010-01-14 | 2011-07-21 | Venture Gain LLC | Multivariate residual-based health index for human health monitoring |
SG182825A1 (en) | 2010-02-01 | 2012-09-27 | Proteus Biomedical Inc | Data gathering system |
BR112012023514B1 (pt) | 2010-03-21 | 2021-08-10 | Spacelabs Healthcare, Llc | Sistema de monitoração de beira de leito de múltiplas exibições |
BR112012025650A2 (pt) | 2010-04-07 | 2020-08-18 | Proteus Digital Health, Inc. | dispositivo ingerível miniatura |
TWI557672B (zh) | 2010-05-19 | 2016-11-11 | 波提亞斯數位康健公司 | 用於從製造商跟蹤藥物直到患者之電腦系統及電腦實施之方法、用於確認將藥物給予患者的設備及方法、患者介面裝置 |
US8844073B2 (en) | 2010-06-07 | 2014-09-30 | Hill-Rom Services, Inc. | Apparatus for supporting and monitoring a person |
WO2012068567A1 (en) | 2010-11-19 | 2012-05-24 | Spacelabs Healthcare, Llc | Dual serial bus interface |
JP2014504902A (ja) | 2010-11-22 | 2014-02-27 | プロテウス デジタル ヘルス, インコーポレイテッド | 医薬品を有する摂取可能なデバイス |
US8858448B2 (en) * | 2010-12-20 | 2014-10-14 | Cardiac Pacemakers, Inc. | Monitoring projections along principal components of multiple sensors as an indicator of worsening heart failure |
US9629566B2 (en) | 2011-03-11 | 2017-04-25 | Spacelabs Healthcare Llc | Methods and systems to determine multi-parameter managed alarm hierarchy during patient monitoring |
US9439599B2 (en) | 2011-03-11 | 2016-09-13 | Proteus Digital Health, Inc. | Wearable personal body associated device with various physical configurations |
RU2496409C2 (ru) * | 2011-04-27 | 2013-10-27 | Федеральное государственное автономное образовательное учреждение высшего профессионального образования "Белгородский государственный национальный исследовательский университет" | Способ формирования многомерного образа состояния сердечно-сосудистой системы и его визуализации |
GB2491564A (en) | 2011-05-24 | 2012-12-12 | Isis Innovation | Method of system monitoring |
US10307104B2 (en) | 2011-07-05 | 2019-06-04 | Saudi Arabian Oil Company | Chair pad system and associated, computer medium and computer-implemented methods for monitoring and improving health and productivity of employees |
US9962083B2 (en) * | 2011-07-05 | 2018-05-08 | Saudi Arabian Oil Company | Systems, computer medium and computer-implemented methods for monitoring and improving biomechanical health of employees |
CN103781408B (zh) | 2011-07-05 | 2017-02-08 | 沙特阿拉伯石油公司 | 用于监测和改善雇员的健康和生产率的地垫系统以及相关的计算机介质和计算机实现方法 |
US9526455B2 (en) * | 2011-07-05 | 2016-12-27 | Saudi Arabian Oil Company | Systems, computer medium and computer-implemented methods for monitoring and improving health and productivity of employees |
US9710788B2 (en) | 2011-07-05 | 2017-07-18 | Saudi Arabian Oil Company | Computer mouse system and associated, computer medium and computer-implemented methods for monitoring and improving health and productivity of employees |
US9492120B2 (en) | 2011-07-05 | 2016-11-15 | Saudi Arabian Oil Company | Workstation for monitoring and improving health and productivity of employees |
US9844344B2 (en) | 2011-07-05 | 2017-12-19 | Saudi Arabian Oil Company | Systems and method to monitor health of employee when positioned in association with a workstation |
WO2015112603A1 (en) | 2014-01-21 | 2015-07-30 | Proteus Digital Health, Inc. | Masticable ingestible product and communication system therefor |
US9756874B2 (en) | 2011-07-11 | 2017-09-12 | Proteus Digital Health, Inc. | Masticable ingestible product and communication system therefor |
US9235683B2 (en) | 2011-11-09 | 2016-01-12 | Proteus Digital Health, Inc. | Apparatus, system, and method for managing adherence to a regimen |
US8870783B2 (en) | 2011-11-30 | 2014-10-28 | Covidien Lp | Pulse rate determination using Gaussian kernel smoothing of multiple inter-fiducial pulse periods |
EP2667313B1 (de) | 2012-05-22 | 2021-08-04 | Hill-Rom Services, Inc. | Erkennung ungünstiger Bedingungen, Beurteilung, und Reaktionssystem |
EP2666406A3 (de) | 2012-05-22 | 2013-12-04 | Hill-Rom Services, Inc. | Insassenausstiegsvorhersagesysteme, Verfahren und Vorrichtungen |
US9271897B2 (en) | 2012-07-23 | 2016-03-01 | Proteus Digital Health, Inc. | Techniques for manufacturing ingestible event markers comprising an ingestible component |
SG11201503027SA (en) | 2012-10-18 | 2015-05-28 | Proteus Digital Health Inc | Apparatus, system, and method to adaptively optimize power dissipation and broadcast power in a power source for a communication device |
US9526437B2 (en) | 2012-11-21 | 2016-12-27 | i4c Innovations Inc. | Animal health and wellness monitoring using UWB radar |
JP2016508529A (ja) | 2013-01-29 | 2016-03-22 | プロテウス デジタル ヘルス, インコーポレイテッド | 高度に膨張可能なポリマーフィルムおよびこれを含む組成物 |
US9636070B2 (en) | 2013-03-14 | 2017-05-02 | DePuy Synthes Products, Inc. | Methods, systems, and devices for monitoring and displaying medical parameters for a patient |
WO2014151929A1 (en) | 2013-03-15 | 2014-09-25 | Proteus Digital Health, Inc. | Personal authentication apparatus system and method |
US11744481B2 (en) | 2013-03-15 | 2023-09-05 | Otsuka Pharmaceutical Co., Ltd. | System, apparatus and methods for data collection and assessing outcomes |
US10149617B2 (en) | 2013-03-15 | 2018-12-11 | i4c Innovations Inc. | Multiple sensors for monitoring health and wellness of an animal |
US20140267299A1 (en) * | 2013-03-15 | 2014-09-18 | Intersections, Inc. | Veterinarian User Interface for Monitoring Health and Wellness of an Animal |
JP5941240B2 (ja) | 2013-03-15 | 2016-06-29 | プロテウス デジタル ヘルス, インコーポレイテッド | 金属検出器装置、システム、および方法 |
US10388405B2 (en) | 2013-03-22 | 2019-08-20 | Massachusetts Institute Of Technology | Systems and methods for predicting adverse events and assessing level of sedation during medical procedures |
US10987026B2 (en) | 2013-05-30 | 2021-04-27 | Spacelabs Healthcare Llc | Capnography module with automatic switching between mainstream and sidestream monitoring |
US9796576B2 (en) | 2013-08-30 | 2017-10-24 | Proteus Digital Health, Inc. | Container with electronically controlled interlock |
EP3047618B1 (de) | 2013-09-20 | 2023-11-08 | Otsuka Pharmaceutical Co., Ltd. | Verfahren, vorrichtungen und systeme zum empfang und zur decodierung eines signals in der gegenwart von rauschen mit slices und verzerrung |
JP2016537924A (ja) | 2013-09-24 | 2016-12-01 | プロテウス デジタル ヘルス, インコーポレイテッド | 事前に正確に把握されていない周波数において受信された電磁信号に関する使用のための方法および装置 |
US10084880B2 (en) | 2013-11-04 | 2018-09-25 | Proteus Digital Health, Inc. | Social media networking based on physiologic information |
US9722472B2 (en) | 2013-12-11 | 2017-08-01 | Saudi Arabian Oil Company | Systems, computer medium and computer-implemented methods for harvesting human energy in the workplace |
WO2015105828A1 (en) * | 2014-01-07 | 2015-07-16 | Mayo Foundation For Medical Education And Research | Portable chest tube pressure and co2 monitor |
WO2015125322A1 (ja) * | 2014-02-19 | 2015-08-27 | 公立大学法人首都大学東京 | 体調モニタリング装置 |
CN103815897B (zh) * | 2014-02-28 | 2015-07-15 | 吉林大学 | 一种心电图特征提取方法 |
GB201408469D0 (en) * | 2014-05-13 | 2014-06-25 | Obs Medical Ltd | Method and apparatus for monitoring patient status |
RU2643434C2 (ru) * | 2014-09-12 | 2018-02-01 | Общество С Ограниченной Ответственностью "Яндекс" | Способ предоставления пользователю сообщения посредством вычислительного устройства и машиночитаемый носитель информации |
EP3193706A1 (de) | 2014-09-16 | 2017-07-26 | Truphatek International Ltd. | Überwachungssystem mit maskenentfernung und sauerstoff |
TWI579804B (zh) * | 2014-11-28 | 2017-04-21 | 駕駛者突發性心臟病判斷系統 | |
US10842920B2 (en) | 2014-12-10 | 2020-11-24 | Mayo Foundation For Medical Education And Research | CO2-sensing chest tube and needle thoracostomy devices |
CN104523264B (zh) * | 2014-12-31 | 2017-01-18 | 深圳职业技术学院 | 一种心电信号处理方法 |
US11051543B2 (en) | 2015-07-21 | 2021-07-06 | Otsuka Pharmaceutical Co. Ltd. | Alginate on adhesive bilayer laminate film |
US20170071470A1 (en) * | 2015-09-15 | 2017-03-16 | Siemens Healthcare Gmbh | Framework for Abnormality Detection in Multi-Contrast Brain Magnetic Resonance Data |
US10475351B2 (en) | 2015-12-04 | 2019-11-12 | Saudi Arabian Oil Company | Systems, computer medium and methods for management training systems |
US10642955B2 (en) | 2015-12-04 | 2020-05-05 | Saudi Arabian Oil Company | Devices, methods, and computer medium to provide real time 3D visualization bio-feedback |
US9889311B2 (en) | 2015-12-04 | 2018-02-13 | Saudi Arabian Oil Company | Systems, protective casings for smartphones, and associated methods to enhance use of an automated external defibrillator (AED) device |
US10628770B2 (en) | 2015-12-14 | 2020-04-21 | Saudi Arabian Oil Company | Systems and methods for acquiring and employing resiliency data for leadership development |
KR102051875B1 (ko) | 2016-07-22 | 2019-12-04 | 프로테우스 디지털 헬스, 인코포레이티드 | 섭취 가능한 이벤트 마커의 전자기 감지 및 검출 |
EP3531901A4 (de) | 2016-10-26 | 2021-01-27 | Proteus Digital Health, Inc. | Verfahren zur herstellung von kapseln mit einnehmbaren ereignismarkern |
GB201619902D0 (en) | 2016-11-24 | 2017-01-11 | Univ Oxford Innovation Ltd | Patient status monitor and method of monitoring patient status |
WO2018165271A1 (en) * | 2017-03-07 | 2018-09-13 | Alivecor, Inc. | Systems and methods of identity analysis of electrocardiograms |
US11475124B2 (en) * | 2017-05-15 | 2022-10-18 | General Electric Company | Anomaly forecasting and early warning generation |
US11289202B2 (en) | 2017-12-06 | 2022-03-29 | Cardiac Pacemakers, Inc. | Method and system to improve clinical workflow |
US10824132B2 (en) | 2017-12-07 | 2020-11-03 | Saudi Arabian Oil Company | Intelligent personal protective equipment |
US11195119B2 (en) | 2018-01-05 | 2021-12-07 | International Business Machines Corporation | Identifying and visualizing relationships and commonalities amongst record entities |
KR20190088680A (ko) * | 2018-01-19 | 2019-07-29 | 울산대학교 산학협력단 | 인공 신경망 생성 장치 및 심실 부정맥 예측 장치 |
GB2576043B (en) * | 2018-08-03 | 2023-04-19 | Medisyne Ltd | Healthcare monitoring system |
US20210290179A1 (en) * | 2018-08-07 | 2021-09-23 | Goldtech Sino, Ltd. | Health maps for navigating a health space |
US20210133556A1 (en) * | 2019-10-31 | 2021-05-06 | International Business Machines Corporation | Feature-separated neural network processing of tabular data |
CN110732068B (zh) * | 2019-11-14 | 2023-01-03 | 北华大学 | 一种基于云平台的呼吸状态预测方法 |
CN112168180B (zh) * | 2020-09-24 | 2022-01-18 | 上海交通大学 | 一种基于两阶段空间映射的组织血氧成像检测方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9116255D0 (en) * | 1991-07-27 | 1991-09-11 | Dodd Nigel A | Apparatus and method for monitoring |
US5339826A (en) * | 1991-12-09 | 1994-08-23 | Westinghouse Electric Corp. | Method for training material evaluation with method of EEG spectral estimation |
US5800360A (en) * | 1992-02-11 | 1998-09-01 | Spectrum Medical Technologies, Inc. | Apparatus and method for respiratory monitoring |
FI98338C (fi) * | 1993-03-26 | 1997-06-10 | Instrumentarium Oy | Menetelmä anestesiajärjestelmässä esiintyvien vaaratilanteiden ilmaisemiseksi ja tunnistamiseksi itseorganisoivan kartan avulla |
US5419332A (en) * | 1993-08-02 | 1995-05-30 | Sabbah; Benjamin | Mapping of flow parameters |
GB9411515D0 (en) * | 1994-06-09 | 1994-08-03 | Aromascan Plc | Detecting bacteria |
GB9518094D0 (en) * | 1995-09-05 | 1995-11-08 | Cardionics Ltd | Heart monitoring apparatus |
US6134537A (en) * | 1995-09-29 | 2000-10-17 | Ai Ware, Inc. | Visualization and self organization of multidimensional data through equalized orthogonal mapping |
AU3353697A (en) * | 1996-07-05 | 1998-02-02 | Aromascan Plc | Pattern recognition with combination of mappings |
US6571227B1 (en) * | 1996-11-04 | 2003-05-27 | 3-Dimensional Pharmaceuticals, Inc. | Method, system and computer program product for non-linear mapping of multi-dimensional data |
GB9700012D0 (en) * | 1997-01-02 | 1997-02-19 | Aromascan Plc | Improvements in the detection of bacteria |
US6063028A (en) * | 1997-03-20 | 2000-05-16 | Luciano; Joanne Sylvia | Automated treatment selection method |
US6347310B1 (en) * | 1998-05-11 | 2002-02-12 | Torrent Systems, Inc. | Computer system and process for training of analytical models using large data sets |
US6461306B1 (en) | 1998-06-15 | 2002-10-08 | The Trustees Of The University Of Pennsylvania | Diagnosing intrapulmonary infection and analyzing nasal sample |
US6650779B2 (en) * | 1999-03-26 | 2003-11-18 | Georgia Tech Research Corp. | Method and apparatus for analyzing an image to detect and identify patterns |
US6647341B1 (en) * | 1999-04-09 | 2003-11-11 | Whitehead Institute For Biomedical Research | Methods for classifying samples and ascertaining previously unknown classes |
US6443889B1 (en) * | 2000-02-10 | 2002-09-03 | Torgny Groth | Provision of decision support for acute myocardial infarction |
-
2001
- 2001-05-31 GB GBGB0113212.5A patent/GB0113212D0/en not_active Ceased
-
2002
- 2002-05-29 DE DE60221980T patent/DE60221980T2/de not_active Expired - Lifetime
- 2002-05-29 CA CA2444958A patent/CA2444958C/en not_active Expired - Fee Related
- 2002-05-29 US US10/479,224 patent/US7031857B2/en not_active Expired - Lifetime
- 2002-05-29 ES ES02727767T patent/ES2292755T3/es not_active Expired - Lifetime
- 2002-05-29 EP EP05019283A patent/EP1609412A1/de not_active Withdrawn
- 2002-05-29 AU AU2002257964A patent/AU2002257964B2/en not_active Ceased
- 2002-05-29 EP EP02727767A patent/EP1389948B8/de not_active Expired - Lifetime
- 2002-05-29 AT AT02727767T patent/ATE370702T1/de not_active IP Right Cessation
- 2002-05-29 WO PCT/GB2002/002550 patent/WO2002096282A2/en active IP Right Grant
- 2002-05-29 JP JP2002592801A patent/JP4391089B2/ja not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
AU2002257964B2 (en) | 2006-12-07 |
GB0113212D0 (en) | 2001-07-25 |
CA2444958A1 (en) | 2002-12-05 |
EP1609412A1 (de) | 2005-12-28 |
WO2002096282A3 (en) | 2003-01-16 |
JP2004528123A (ja) | 2004-09-16 |
JP4391089B2 (ja) | 2009-12-24 |
DE60221980D1 (de) | 2007-10-04 |
US7031857B2 (en) | 2006-04-18 |
EP1389948B1 (de) | 2007-08-22 |
EP1389948B8 (de) | 2008-01-23 |
US20040148140A1 (en) | 2004-07-29 |
ES2292755T3 (es) | 2008-03-16 |
CA2444958C (en) | 2013-03-12 |
WO2002096282A2 (en) | 2002-12-05 |
EP1389948A2 (de) | 2004-02-25 |
ATE370702T1 (de) | 2007-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60221980T2 (de) | Sichtbildanzeige für patientenzustand | |
US5846208A (en) | Method and apparatus for the evaluation of EEG data | |
US6067467A (en) | EEG operative and post-operative patient monitoring method | |
DE60117793T2 (de) | Stuhl und zusatzgerät mit medizinisch diagnostischen mitteln in einem ferngesundheitsüberwachungssystem | |
US5699808A (en) | EEG operative and post-operative patient monitoring system and method | |
DE60032581T2 (de) | Verfahren und vorrichtung zur erleichterung der physiologischen kohärenz und des autonomen gleichgewichts | |
AU2002257964A1 (en) | Patient condition display | |
US20110172553A1 (en) | QEEG Statistical Low Resolution Tomographic Analysis | |
WO2009063463A2 (en) | Pain monitoring using multidimensional analysis of physiological signals | |
DE112011100282T5 (de) | Wellness-Analysesystem | |
DE102008002933A1 (de) | Datenaufzeichnung zur Patientenstatusanalyse | |
US11013448B2 (en) | Monitoring of biosignals, in particular electrocardiograms | |
US20070276281A1 (en) | Monitoring of the state of the central nervous system of a subject | |
US20160287170A1 (en) | Decision support system for cardiopulmonary resuscitation (cpr) | |
CN111386068A (zh) | 基于摄像机的压力测量系统与方法 | |
US20230082362A1 (en) | Processes and methods to predict blood pressure | |
Uhlig et al. | Reliability of short-term measurements of heart rate variability: Findings from a longitudinal study | |
Kostishyn et al. | Design features of automated diagnostic systems for family medicine | |
JPH07124126A (ja) | 医療用生体情報検出装置、診断装置および治療装置 | |
Fernandez Rojas et al. | A systematic review of neurophysiological sensing for the assessment of acute pain | |
DE102005007963A1 (de) | Verfahren und Einrichtung zur Quantifizierung von vegetativen Stressniveaus | |
Mahmood et al. | Introduction to Non-Invasive Biomedical Signals for Healthcare | |
DE102005003678A1 (de) | Vorrichtung und Verfahren zur Messung und Beeinflussung des Blutdrucks und der Herzratenvariabilität | |
EP3803896B1 (de) | Medizinische analysevorrichtung zur bewertung der narkosetauglichkeit eines patienten | |
Valente et al. | BrainAnswer platform: Biosignals acquisition for monitoring of physical and cardiac conditions of older people |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8327 | Change in the person/name/address of the patent owner |
Owner name: OXFORD BIOSIGNALS LTD., ABINGDON, OXFORDSHIRE, GB |
|
8364 | No opposition during term of opposition |