Способ визуализации информации указателя индекса гемодинамической нестабильности

Способ визуализации информации указателя индекса гемодинамической нестабильности

Иллюстрации

Показать все

Реферат

Настоящая заявка относится к поддержке принятия клинических решений. Она находит применение, в частности, в связи с прогнозированием изменений физиологического и клинического состояний и описана ниже конкретно в отношении данного применения. Однако следует понимать, что изобретение находит также применение в других ситуациях использования и не обязательно ограничено вышеупомянутым применением.

При медицинском обслуживании пациентов чем быстрее медицинский работник узнает об ухудшении состояния пациента, тем быстрее медицинский работник может предпринять корректирующее действие. Это, в свою очередь, в частности, снижает вероятность конечного поражения органа в случае ухудшения гемодинамики и в общем улучшает результат лечения пациента. Обнаружение ухудшения состояния обычно требует, чтобы медицинский работник ручным способом анализировал физиологические данные по множеству физиологических параметров, например, систолическому артериальному давлению, и/или лабораторные данные. Однако медицинские работники наблюдают за большим числом пациентов, и предполагается только увеличение числа пациентов, приходящихся на одного медицинского работника. Кроме того, частота, с которой формируются физиологические данные, является высокой. По существу медицинские работники часто поздно обнаруживают ухудшение состояния.

Для облегчения упомянутой задачи все более распространенным становится автоматическое наблюдение за пациентами. Однако принципиальной проблемой автоматического наблюдения является утомление от предупредительной информации. Утомление от предупредительной информации является состоянием, в котором медицинские работники становятся менее восприимчивыми к клиническим предупреждениям из-за высокой вероятности, что предупреждения не имеют реальной клинической значимости. Простое решение состоит в повышении пороговых величин для предупреждения. Однако это снижает чувствительность и повышает вероятность ошибки обнаружения ухудшения состояния пациента.

Другое решение состоит в установке периода блокировки после того, как выдается предупреждение, и поэтому аналогичные предупреждения не выдаются, пока не выполняется условие повторного приведения в готовность. При упомянутом подходе, условие повторного приведения в готовность является решающим для сокращения числа предупреждений. Типичное условие повторного приведения в готовность состоит в прохождении заданного промежутка времени от предупреждения, инициирующего период блокировки, и затем в повторной оценке физиологических данных после того, упомянутый период прошел. Это основано на представлении, что любое предупреждение, следующее за первым предупреждением, по-видимому, основано на аналогичных физиологических данных и, следовательно, не предоставляет никакой дополнительной информации медицинскому работнику. Медицинский работник либо уже планирует действие для лечения пациента, если он согласен с предупреждением, либо сомневается в достоверности предупреждения и в каждом случае будет считать другое предупреждение ненужным. Таким образом, целесообразно блокировать дополнительные предупреждения.

Один недостаток упомянутого решения по предупреждениям заключается в том, что дополнительные предупреждения не выдаются, если состояние пациента ухудшается в течение периода блокировки. Другой недостаток состоит в том, что заданный промежуток времени обычно является фиксированным. По существу, заданный промежуток времени не адаптируется для любого конкретного пациента. Кроме того, заданный промежуток времени не адаптируется к физиологической динамике отдельного человека или вмешательствам.

Другие проблемы автоматического наблюдения возникают из прогнозирующих моделей, обычно используемых системами автоматического наблюдения. Упомянутые прогнозирующие модели обычно обучаются на больших базах данных с данными популяций, вследствие чего решения, использующие упомянутые прогнозирующие модели, основаны на общих признаках большой популяции. Кроме того, различия между отдельными людьми и популяцией для общего обучения обычно не учитываются. Обучение приведенным методом может приводить к ненужным предупреждениям и/или отказу от формирования предупреждений для некоторых пациентов с физиологическими нормами, отличающимися от норм популяции для общего обучения.

Для смягчения данного недостатка непосредственный отзыв медицинского работника относительно достоверности выданного предупреждения можно использовать для обучения. Однако данный подход невозможен для систем, которые не имеют полезной возможности обучения с непосредственным отзывом. Кроме того, если предупреждение выдается в ответ на прогнозируемые события за несколько часов вперед, то немедленный отзыв медицинского работника относительно достоверности выданного предупреждения является бессмысленным.

Настоящая заявка предлагает новые и усовершенствованные способы и системы, которые решают вышеупомянутые и другие проблемы.

В соответствии с одним аспектом предлагается медицинская система для наблюдения за пациентом. Медицинская система включает в себя по меньшей мере один процессор, запрограммированный с возможностью приема данных пациента для пациента. Данные пациента включают в себя данные измерений основных физиологических показателей и результаты лабораторных исследований. По меньшей мере один процессор запрограммирован также с возможностью вычисления индекса нестабильности основных физиологических показателей (VIX), относящегося к физиологическому состоянию пациента, по принятым данным измерений основных физиологических показателей. Кроме того по меньшей мере один процессор запрограммирован с возможностью вычисления индекса нестабильности результатов лабораторных исследований (LIX), относящегося к физиологическому состоянию, по принятым результатам лабораторных исследований. Более того, по меньшей мере один процессор запрограммирован с возможностью интегрирования индексов VIX и LIX в указатель ухудшения состояния пациента.

В соответствии с другим аспектом предлагается медицинский способ наблюдения за пациентом. Принимают данные пациента. Данные пациента включают в себя данные измерений основных физиологических показателей и результаты лабораторных исследований. Индекс нестабильности основных физиологических показателей (VIX), относящийся к физиологическому состоянию пациента, вычисляют по принятым данным измерений основных физиологических показателей. Индекс нестабильности результатов лабораторных исследований (LIX), относящийся к физиологическому состоянию, вычисляют по принятым результатам лабораторных исследований. Индексы VIX и LIX объединяют в указатель ухудшения состояния пациента.

В соответствии с другим аспектом предлагается графический пользовательский интерфейс (GUI) для наблюдения за пациентом. Интерфейс GUI включает в себя дисплей указателя ухудшения состояния для пациента. Указатель ухудшения состояния объединяет индекс нестабильности основных физиологических показателей (VIX) и индекс нестабильности результатов лабораторных исследований (LIX). Индексы VIX и LIX указывают на нестабильность физиологического состояния пациента. Индекс VIX вычисляется по данным измерений основных физиологических показателей, и индекс LIX вычисляется по результатам лабораторных исследований.

Одно преимущество состоит в том, что индекс нестабильности учитывает несколько физиологических параметров.

Другое преимущество состоит в сокращении числа предупреждений.

Другое преимущество состоит в сосредоточении внимания медицинского работника на пациентах, требующих особого внимания.

Другое преимущество состоит в обработке данных с малой задержкой отдельно от данных с большой задержкой.

Другое преимущество состоит в повышенной чувствительности к аномальным состояниям пациентов.

Другое преимущество состоит в адаптируемости к доступным данным.

Другое преимущество состоит в снижении вероятности аномальных значений, инициирующих предупреждения.

Другое преимущество состоит в адаптации к случаям, в которых пациент имеет состояния, которые не типичны для усредненной популяции.

Дополнительные преимущества настоящего изобретения будут очевидны специалистам со средним уровнем компетентности в данной области техники после прочтения и изучения нижеследующего подробного описания.

Изобретение может быть в форме различных компонентов и расположений компонентов и различных этапов и расположений этапов. Чертежи предназначены только для иллюстрации предпочтительных вариантов осуществления и не подлежат истолкованию как ограничивающие изобретение.

Фиг. 1 - блок-схема информационно-технологической (IT) инфраструктуры среды медицинского обеспечения.

Фиг. 2 - блок-схема системы поддержки принятия клинических решений.

Фиг. 3 - графическое представление индекса нестабильности основных физиологических показателей (VIX) для гемодинамической стабильности и соответствующие входные данные.

Фиг. 4 - графическое представление базового индекса VIX и индекса нестабильности основных физиологических показателей.

Фиг. 5 - графическое представление индекса VIX для гемодинамической стабильности и соответствующие входные данные.

Фиг. 6 - блок-схема выполнения операций в системе поддержки принятия клинических решений.

Фиг. 7 - графическое представление поиска значения доминирования с использованием индекса нестабильности основных физиологических показателей и индекса нестабильности результатов лабораторных исследований.

Фиг. 8 - графический пользовательский интерфейс (GUI), отображающий значения указателя ухудшения состояния для множества кроватей.

Фиг. 9 - интерфейс GUI, отображающий подробную информацию, относящуюся к значению указателя ухудшения состояния.

Фиг. 10 - блок-схема выполнения операций, поясняющая работу альтернативного варианта осуществления системы поддержки принятия клинических решений (CDSS), показанной на фиг. 1.

На фиг. 1 и 2 представлена информационно-технологическая (IT) инфраструктура 10 среды с контролируемыми пациентами, например, отделения интенсивной терапии (ICU), обеспечивающего медицинское обслуживание одного или более пациентов. IT инфраструктура 10 включает в себя одного или более источников 12 данных пациента, при необходимости систему 14 информации о пациентах, систему 16 поддержки принятия клинических решений (CDSS), одного или более потребителей 18 данных пациента и т.п. В соответствующем случае, компоненты IT инфраструктуры 10 соединены между собой по сети 20 связи, например, сети Internet, локальной сети, глобальной сети, беспроводной сети, виртуальной частной сети или подобной сети.

Источники 12 данных пациента формируют данные пациента для соответствующих пациентов, получающих медицинское обслуживание в среде с контролируемыми пациентами. Данные пациента для пациента включают в себя какие-то одни или более из физиологических данных, данных поступления, выписки и перевода (ADT), лабораторных данных, клинических данных, данных результатов лечения и данных предупреждений. Физиологические данные включают в себя одно или более из форм сигналов физиологических параметров, результатов измерения физиологических параметров, обычно формируемых с заданной периодичностью выборки, например, равной 1 секунде, или после изменения параметра, наблюдаемых физиологических параметров и вычисленных физиологических параметров. Примеры упомянутых физиологических параметров включают в себя систолическое артериальное давление (SBP), частоту сердечных сокращений (ЧСС), SpO2 и так далее. Данные ADT включают в себя значения для демографических данных, например возраст, национальность и так далее, и выбор медицинского обслуживания, например не реанимировать (DNR), принимать только поддерживающие меры (CMO), дать умереть естественной смертью (AND), причина поступления в больницу или отделение терапии и так далее. Данные ADT обычно формируются, когда пациент поступает и/или выписывается из медицинского учреждения и/или переводится между средами медицинского обслуживания пациентов, например, отделением ICU и/или общей палатой, медицинского учреждения. Лабораторные данные включают в себя результаты лабораторных анализов и обычно формируются нерегулярно, когда происходит событие, например, распоряжение медицинского работника о лабораторном анализе. Клинические данные включают в себя указание действий, предпринятых для улучшения состояния здоровья пациента, и другие данные наблюдений, например, уровень создания, меры вмешательства, диализ, примененные лекарственные средства, социальный и медицинский анамнез пациента, история текущего заболевания, другие социальные факторы или факторы риска, которым подвержен пациент, например геномика, и так далее. Данные результатов лечения включают в себя данные, указывающие результат курсов лечения пациента и/или пребывания в медицинском учреждении, например, ухудшилось ли или улучшилось состояние пациента, умер ли пациент и так далее. Обычно данные результатов лечения формируются во время пребывания пациента в медицинском учреждении по окончании медицинских вмешательств. Данные предупреждений являются данными, указывающими на предупреждение, например, ухудшение состояния пациента, и обычно формируются в ответ на обнаружение ухудшения состояния.

Данные пациента могут формироваться ручным способом и/или автоматически, обычно в зависимости от типа данных пациента. В первом случае можно использовать устройство 22 пользовательского ввода. При необходимости источники 12 данных пациента включают в себя устройства 24 отображения, снабжающие пользователей пользовательским интерфейсом, который служит для ручного ввода данных пациента и/или отображения данных пациента для медицинских работников. Во втором случае могут применяться датчики 26, например, датчики SpO2, измеряющие, например, физиологические параметры, и/или результаты лабораторных исследований и/или процессоры 28, контролирующие и/или обрабатывающие данные, например данные пациента. Примеры источников данных пациента включают в себя, не ограничиваясь, мониторы физиологических параметров, устройства мобильной связи, лабораторные системы, пост систем медицинского обслуживания, клинические информационные системы и так далее.

Система 14 информации о пациентах сохраняет данные пациента из IT инфраструктуры 10, например, из источников 12 данных пациента и/или системы 16 CDSS, в одной или более базах 30 данных IT инфраструктуры 10. Например, система 14 информации о пациентах может сохранять SBP для пациента из одного из источников 12 данных пациента. Система 14 информации о пациентах может быть выполнена с возможностью сохранения данных пациента из устройств 32 пользовательского ввода в базах 30 данных и/или для обеспечения возможности наблюдения сохраненных данных пациента на устройствах 34 отображения. Устройства 34 отображения можно также использовать для поддержки приема данных из устройств 32 пользовательского ввода. В соответствующих случаях, система 14 информации о пациентах сохраняет в ручном режиме данные пациента на заданный промежуток времени, например, год, чтобы обеспечить другим компонентам IT инфраструктур 10, например, системе 16 CDSS, доступ к данным анамнеза пациента. Примеры систем информации о пациентах включают в себя, не ограничиваясь, системы электронных медицинских карт, системы отделений и т.п.

Система 16 CDSS принимает данные пациента для пациентов из IT инфраструктуры 10, например, из источников 12 данных пациента и/или системы 14 информации о пациентах. Система CDSS может быть, в качестве альтернативы, конфигурирована таким образом, что данные пациента принимаются также из других источников, например устройств 36 пользовательского ввода, при необходимости с устройствами 38 отображения, обеспечивающих для пользователей пользовательский интерфейс, который служит для ввода данных пациента, и/или таких источников, как базы данных, внешних относительно IT инфраструктуры 10. Данные пациента включают в себя, например, текущие данные пациента (например, данные текущих измерений физиологических параметров) и/или данные анамнеза пациента (например, данные предыдущих измерений физиологических параметров). На основе использования принятых данных пациента, система 16 CDSS осуществляет наблюдение за состоянием здоровья пациентов. Наблюдение включает в себя, например, формирование предупреждений, когда представляется, что состояние пациента ухудшается, отчетов, резюмирующих состояние пациента, значений индексов нестабильности основных физиологических показателей (VIX) и так далее.

Система 16 CDSS дополнительно включает в себя также фильтр 40. По меньшей мере некоторые из принятых данных пациента проходят через фильтр 40, который преобразует данные пациента в стандартизованный формат и/или фильтрует данные пациента, которые не подходят для наблюдения за состоянием здоровья пациента. В предпочтительном варианте выполнения преобразование данных пациента позволяет использовать систему 16 CDSS во множестве различных хостов и использовать данные из множества различных хостов в исходном формате. Фильтрация может включать в себя одно или более из сравнения данных пациента с заданными диапазонами соответствия норме, проверки, что данные пациента удовлетворяют временным критериям пригодности, и перекрестного контроля данных пациента. Например, физиологические данные обычно фильтруются для удаления данных измерений, которые не укладываются в заданные границы, например, границы, указывающие возможные значения, и/или являются иначе очень неправдоподобными. В другом примере, данные ADT обычно фильтруются для удаления данных ADT для пациентов, которые не относятся в целевой демографической группе (например, по возрасту, этнической принадлежности и т.п.). Например, данные ADT для пациента, который не достиг заданного возраста, например, возраста совершеннолетия (например, обычно 18 лет в Соединенных Штатах), и/или который превосходит заданный возраст, например, маловероятный или неправдоподобный возраст. В еще одном примере, результаты лабораторных исследований обычно фильтруются для удаления результатов, которые не укладываются в заданные границы, например, границы, указывающие возможные значения, и/или которые превосходят заданный срок действия, например 24 часа. В предпочтительном варианте, тем самым удаляются данные, которые являются устаревшими и/или, вероятно, резко отклоняющимися, что снижает вероятность ложных тревог.

Модуль 42 VIX системы 16 CDSS вычисляет значения VIX из принятых данных пациента (фильтрованные, в подходящем случае). Индекс VIX обычно объединяет данные с малой задержкой, например, текущие физиологические данные, для множества физиологических параметров и при необходимости статические данные, например, демографические данные, с одним измерением, отражающим стабильность физиологического состояния пациента, например, гемодинамического состояния пациента, стабильность легких, стабильность пищевого баланса и так далее. Данная система 16 CDSS может быть конфигурирована таким образом, что значения VIX для пациентов отображаются на устройствах 38 отображения. Значения VIX могут вычисляться непрерывно и/или после совершения некоторого события, например, события таймера, события пользовательского ввода, наличия новых данных и так далее. Например, медицинский работник может вручную запустить вычисление индекса VIX для пациента, чтобы определить гемодинамическую стабильность пациента. Система 16 CDSS может быть дополнительно конфигурирована таким образом, что значения VIX сохраняются для статистического анализа, обычно в системе 14 информации о пациентах.

Значение VIX для стабильности физиологического состояния вычисляется посредством представления значений для прогностических переменных в выбранную модель VIX, которая формирует значение VIX на основании прогностических переменных. Прогностические переменные являются каким-то одними или более из физиологических параметров, признаков, выделенных из статических данных, например, этническое происхождение, и т.п., относящихся к определению стабильности физиологического состояния. В подходящем случае, модель VIX выбирается из множества моделей VIX в базе 44 данных моделей VIX на основании физиологического состояния и/или наличия данных. Например, первая модель VIX выбирается для стабильности первого физиологического состояния, и вторая модель VIX выбирается для стабильности второго физиологического состояния. В другом примере, первая модель VIX выбирается, когда в наличии имеются данные измерений ЧСС и неинвазивного SBP, и вторая модель VIX выбирается, когда в наличии имеются данные измерений ЧСС и инвазивного SBP. Кроме того, значения VIX, создаваемые моделями, обычно изменяются в диапазоне от 0 до 1, при этом чем ближе значение к 1, тем более вероятно, что пациент должен быть нестабилен. Модели VIX могут быть разработаны с использованием любых методов прогнозирующих моделей, например логистической регрессии, полиномиальной логистической регрессии, линейной регрессии и обучения методом опорных векторов.

Групповые модели VIX включают в себя, например, модель логистической регрессии для гемодинамической стабильности в форме:

, (1)

где

(2)

Конкретные модели VIX получают от разных субпопуляций пациентов (кардиогенный шок, геморрагический шок, септический шок и так далее) и на основании разных исходных параметров (инвазивного SBP, неинвазивного SBP и т.п.). Модель учитывает SBP и шоковый индекс (SI), которые являются высокозначимыми прогностическими переменными при определении гемодинамической стабильности, и дает в ответ индекс VIX от нуля до единицы. Индекс SI является частным от деления частоты сердечных сокращений на SBP. Чем выше индекс VIX, тем менее стабильным является пациент. В некоторых случаях, β₁, коэффициент при SBP, является отрицательным. По мере того, как SBP снижается, индекс VIX стремится к повышению, отражая тот факт, что пациент достигает менее стабильного состояния. Кроме того, β₂, коэффициент при индексе SI, является положительным. По мере того, как индекс SI становится выше, индекс VIX также стремится к повышению, снова отражая снижение стабильности. Подход к определению коэффициентов поясняется в дальнейшем.

На фиг. 3 показаны типичный результат вычисления индекса VIX для гемодинамической стабильности и соответствующие входные данные в виде функции времени. Входные данные начерчены по реальным данным пациента. Первая информационная область 46 и вторая информационная область 48 графика представляют ЧСС и SBP, соответственно, пациента. Как отмечено выше, ЧСС и SBP являются высокозначимыми прогностическими переменными при определении гемодинамической стабильности. В третьей информационной области 50 отображаются вычисленные значения VIX. Можно видеть, что на момент времени 11,75 часа, индекс VIX пациента является довольно высоким (около 0,8), указывая, что пациент не является гемодинамически стабильным. Хотя это не показано, в 14 часов пациенту дали сосудосуживающее средство, что указывает, что гемодинамическая нестабильность была идентифицирована медицинским работником.

Как показано на фиг. 1 и 2, модуль 42 VIX может быть дополнительно выполнен с возможностью формирования и/или обновления моделей VIX по данным анамнеза пациентов. Данные анамнеза пациентов включают в себя записи для множества пациентов, причем каждая запись включает в себя значения для множества переменных, в том числе прогностических переменных, и соответствующие данные результатов лечения, указывающие, был ли пациент стабильным для физиологических состояний обновляемых и/или формируемых прогнозирующих моделей. При использовании записей, в частности, связей между переменными и результатами, и методов прогнозирующих моделей, например, логистической регрессии, полиномиальной логистической регрессии, линейной регрессии и обучения методом опорных векторов, идентифицируются прогностические переменные и/или одно или более правил для прогнозирования результата. Например, многомерную логистическую регрессию можно использовать для идентификации прогностических переменных и коэффициентов вышеописанной модели логистической регрессии. Когда модуль 42 VIX используется для обновления моделей VIX, модели VIX обычно обновляются в ответ на некоторое событие, например, периодическое событие таймера, событие пользовательского ввода, наличие новых данных анамнеза пациента и так далее.

Модуль 52 правил системы 16 CDSS определяет пороги индекса VIX, указывающие на нестабильность пациентов. Порог индекса VIX для пациента определяется на основании соответствующего физиологического состояния и при необходимости контекстно-зависимых данных, например, лабораторных данных и/или демографических данных. Контекстно-зависимые данные являются данными, описывающими одно или более из того, находится ли пациент в процессе медицинского обслуживания, списка проблем пациента, вмешательств, демографических данных, лабораторных анализов и т.п. Контекстно-зависимые данные не относятся непосредственно к индексу VIX, но обеспечивают указание на то, где следует установить порог для конкретного пациента. Например, пациента с уровнем креатинина 0,9 мг/дл можно считать стабильным со значение VIX 0,5, а пациента с уровнем креатинина 3,2 мг/дл можно считать нестабильным. Когда не существует контекстно-зависимых данных, относящихся к пациенту, для пациента используется групповой порог. В противном случае, обычно используется порог, основанный на обеспеченных контекстно-зависимых данных. Например, если формируются контекстно-зависимые данные, например результаты лабораторных исследований крови, которые указывают на низкий уровень гематокрита или альбумина, то порог индекса VIX можно настроить на меньшее значение.

Пороги индекса VIX определяют в подходящем случае по правилам одного или более классификаторов индексов VIX из базы 54 данных классификаторов индексов VIX, которые различают значениями, обусловленными стабильностью и нестабильностью, для множества переменных, включая индекс VIX и при необходимости одну или более переменных контекстно-зависимых данных, например, лабораторных анализов. Модуль 52 правил может при необходимости включать в себя классификатор индексов VIX для каждого возможного набора входных переменных. Например, модуль 52 правил может включать в себя классификатор индексов VIX для входных данных, состоящих только из значения VIX, и классификатор индексов VIX для входных данных, состоящих только из значения VIX и первого контекстно-зависимого значения, например, результата лабораторного исследования для конкретного лабораторного анализа. Классификаторы индексов VIX могут формироваться и/или обновляться с использованием любых методов машинного обучения, например, алгоритмов построения дерева решений. В предпочтительном варианте, любой набор правил для различения между стабильными и нестабильными пациентами с использованием анализа дерева решений будет иметь исходное правило, указывающее порог для индекса VIX в отсутствие любых контекстно-зависимых данных. Например, если индекс VIX выше, чем 0,6, то пациент является нестабильным. В дополнение к упомянутому исходному правилу, набор правил включает в себя правила охватывающие контекстно-зависимые данные, например, результаты лабораторных исследований, и повышающие или снижающие порог индекса VIX в зависимости от контекста. Например, если индекс VIX выше, чем 0,33 и уровень креатинина выше, чем 1,6, то пациент является нестабильным.

В некоторых случаях, вместо правил с отдельными условиями, основанными на результатах лабораторных исследований, различные результаты лабораторных исследований, используемые в правилах, могут быть интегрированы в единственный индекс нестабильности результатов лабораторных исследований (LIX). Тогда значения LIX можно использовать для установки порогов индексов VIX. Дополнительное описание индекса LIX приведено в дальнейшем.

Модуль 52 правил может также формировать и/или обновлять классификаторы индексов VIX по данным анамнеза пациентов. Данные анамнеза пациентов включают в себя записи для множества пациентов, при этом каждая запись включает в себя значения для входных переменных, включая индекс VIX и при необходимости переменные контекстуально-зависимые данные, например, лабораторные анализы, имеющие отношение к чувствительности наблюдения за пациентом, и данные результатов лечения, указывающие, был ли пациент нестабилен. С использованием записей, в частности, связей между входными переменными и результатами, и алгоритма машинного обучения, например, алгоритма построения дерева решений, определяют одно или более правил для определения результата. Когда для обновления классификаторов используется модуль 52 правил, классификаторы индексов VIX обычно обновляются в ответ на событие, например, периодическое событие таймера, событие пользовательского ввода, наличие новых данных анамнеза пациента и так далее.

Модуль 56 диспетчера правил и селектора определяют набор из одного или более правил наблюдения и/или одной или более моделей VIX, чтобы использовать для каждого пациента, подлежащего наблюдению. Правило наблюдения принимает входные значения для одной или более переменных, например физиологического параметра, и обеспечивает указание на то, ухудшается ли состояние пациента. Для определения набора из одного или более правил наблюдения и/или одной или более моделей VIX используется одно или более правил базы 58 данных правил выбора. Правила выбора выбирают одно или более правил наблюдения из множества правил наблюдения в базе 60 данных правил наблюдения и/или выбирают одну или более моделей VIX из базы 44 данных индексов VIX. Правила наблюдения в подходящем случае формируются в ручном режиме, например, клиническим экспертом и/или автоматически, с использованием алгоритма машинного обучения.

Правила выбора могут быть основаны на чем-то одном или более из доступных данных пациента, контекста пациента и/или источника данных пациента. Обычно, однако, правила выбора основаны на контекстуально-зависимых данных, например, лабораторных данных и/или демографических данных. Когда контекстуально-зависимые данные имеются в наличии, правила выбора определяют набор правил наблюдения и/или модели VIX, адаптированные соответственно имеющимся контекстуально-зависимым данным. Когда контекстуально-зависимые данные не имеются в наличии, правила выбора выдают выбор группового набора правил наблюдения и/или групповой модели VIX. При этом, модуль 56 диспетчера правил и селектора адаптивно регулируется соответственно имеющимся данным пациента. Хотя правила выбора, основанные на контекстуально-зависимых данных, являются типичными, предполагаются другие схемы выбора. Например, предполагается, что диспетчер правил и модуль 56 просто выдают в ответ набор правил наблюдения для каждого пациента, независимо от наличия контекстуально-зависимых данных. Аналогично правилам наблюдения правила выбора в подходящем случае формируются в ручном режиме, например, клиническим экспертом и/или автоматически, с использованием алгоритма машинного обучения.

Правила наблюдения основаны на значениях VIX. Однако одна проблема использования значений VIX состоит в том, что высокие значения VIX могут быть результатом резко отклоняющихся физиологических данных из-за, например, неправильно размещенного контрольного провода или резкого изменения положения руки пациента, или перемещения из лежачего положения в положение сидя или стоя. В частности, там, где применяется автоматическое наблюдение за пациентом, такие данные могут приводить к ложным предупреждениям. Для снижения вероятности упомянутых ложных предупреждений, базовый индекс VIX (bVIX), указывающий, как вел себя индекс VIX, вычисляется модулем 62 bVIX системы 16 CDSS. Модуль 62 bVIX вычисляет значения bVIX по данным анамнеза пациента. Для оценки тенденции в последовательности значений VIX можно использовать множество способов. Некоторые способы сложнее других. В одном примере, значение bVIX является максимальным значением VIX или 90-процентным значением в течение прошедшего заданного промежутка времени, например, трех часов.

Когда используется индекс bVIX, предупреждение выше порога инициирования показывается только в том случае, если индекс bVIX указывает на тенденцию к возрастанию в индексе VIX. Тогда текущее высокое значение VIX отражает скорее истинное состояние физиологического состояния. В противном случае, ложное предупреждение является более вероятным. В одном примере, тенденция к возрастанию обнаруживается, когда текущее значение VIX больше, чем заданный порог, и индекс bVIX является по меньшей мере некоторой частью (фракцией) порога (например, 3/4 или 2/3). Это означает, что текущий индекс VIX является достаточно высоким, чтобы вызывать предупреждение, и прежнее значение VIX уже является довольно высоким. Тогда и только тогда предупреждение инициируется. Если индекс bVIX является слишком низким, то текущий индекс VIX, даже высокий, является, вероятнее всего, отклонением, и никакого предупреждения не инициируется. Данная конкретная реализация обеспечивает преимуществом простоты и эффективности и оказалась эффективной для сокращения числа предупреждений, обусловленных резкими отклонениями данных.

На фиг. 4 представлен пример значений 64 VIX и соответствующих значений 66 bVIX, вычисленных для пациента в течение части времени их пребывания в среде медицинского обслуживания пациентов в виде функции времени с поступления. Около часа 308 значение VIX пациента достигает достаточно высокого значения для инициирования предупреждения. Однако, поскольку значение bVIX в данный момент времени (~0,22) является слишком низким, то в результате данного пика VIX никакого предупреждения не инициируется. При этом реализация индекса bVIX сделала невозможным инициирование предупреждения вследствие упомянутых совершенно очевидно отклоняющихся от нормы данных. Во время последующего пребывания пациента, около часа 314,5, индекс VIX пациента снова становится достаточно высоким, чтобы пересечь порог нестабильности. Однако в это время индекс bVIX также является достаточно высоким (~0,4), чтобы допустить инициирование предупреждения. По существу индекс bVIX чувствителен к тенденциям данных; высокий индекс VIX, получающийся в результате постепенного повышения значений VIX, скорее является результатом реальных важных физиологических изменений, чем индекс VIX, который резко возрастает.

Как показано на фиг. 1 и 2, модуль 68 диспетчера предупреждений осуществляет наблюдение за данными пациента для пациента и формирует предупреждения, когда обнаруживается ухудшение состояния. Для определения, когда состояние пациента ухудшается, модуль 68 диспетчера предупреждений использует набор правил наблюдения для пациента, определенный модулем 56 диспетчера правил и селектора. Как отмечено выше, правила наблюдения получают в качестве входных данных значения для одной или более переменных, например, физиологические параметры, обычно принимаемые из IT инфраструктуры 10. Кроме того, входные переменные могут включать в себя индекс VIX. Значения VIX принимаются, например, из модуля 42 VIX и формируются, например, в соответствии с выборами моделей VIX, сделанными модулем 56 диспетчера правил и селектора. Кроме того, из модуля 52 правил принимаются пороги для правил наблюдения для значений VIX.

Когда выполняется определение, что состояние пациента ухудшается, предупреждение формируется в ответ на данное явление. Предупреждение подходящим образом формируется и направляется медицинскому работнику в соответствии с одним или более правилами в базе 70 данных правил предупреждения. Правила могут учитывать одно или более из больничной политики, рабочих списков медицинских работников, дежурного состояния медицинских работников, предпочтений медицинских работников и так далее. Например, допустим, больничная политика устанавли