基于患者生理反应的对急性呼吸道疾病综合征(ARDS)的预测制造技术

技术编号:19076300 阅读:5 留言:0更新日期:2018-09-29 18:04
提供了一种用于确定已知ARDS模型的最小“修剪”版本的过程和系统,其关于患者的生理反应来量化ARDS的风险,消除了常规ARDS模型当前使用的更加主观的和/或治疗性的特征。这种方法提供了对ARDS风险的准确追踪,其仅根据患者的生理反应和可观察到的反应进行建模,并且选择决策准则以在ARDS发病前尽快提供阳性预测。此外,修剪过程还允许使用风险因素和产生优化性能的规则的选择性组合来针对不同医疗机构地点定制ARDS模型。此外,通过提供对缺失数据的估计值可以在缺失或过期数据的情况下提供预测,并且基于估计值的方差的预测的置信区间。

【技术实现步骤摘要】
【国外来华专利技术】基于患者生理反应的对急性呼吸道疾病综合征(ARDS)的预测
本专利技术涉及计算机辅助的医学诊断领域,并且具体而言涉及可用于预测ARDS的发作的一组整合的模型;所述模型的参数针对ARDS的早期检测而被选择。
技术介绍
急性呼吸窘迫综合征(ARDS)是一种破坏性疾病,并且其特征在于血气屏障破裂导致肺泡漫水和炎症。ARDS影响超过二十五万名患者,每年导致超过四百万个住院日。据估计,所有ICU患者中ARDS占5-15%,并且死亡率约为40%,并且在出院后甚至更高。少于三分之一的ARDS患者是由ICU医生在病床边检测到的。ARDS的早期检测至关重要,因为它有可能为预防和处置ARDS及其并发症提供更宽的治疗窗口。Vairavan等人在2014年8月18日提交的USP序列号14/379176“ACUTELUNGINJURY(ALI)/ACUTERESPIRATORYDISTRESSSYNDROME(ARDS)ASSESSMENTANDMONITORING”(下文称为'176)公开了一种针对ARDS的早期检测模型,在此通过引用并入本文。所公开的ARDS检测模型使用用于检测生命体征、实验室结果、通气设置等中的ARDS特征的基于知识和数据的模型提供了对ARDS风险的连续评分。图1图示了所公开的ARDS检测系统10的示例实施例。该模型的示例输入包括:临床知识源,包括:基于医学专业人员的知识的临床知识94和规则92;基于研究文章和其他资料的临床研究104和概率102;以及基于现有标准的临床定义114和逻辑流112;ICU(重症监护室)前患者数据144,包括人口统计结果、病史、当前状况等等;以及ICU患者数据142,包括患者的生命体征、实验室结果、所使用的干预措施等等。在本申请的文字和附图中,使用以下缩写/首字母缩略词。RR-呼吸率;HR-心率;ASBP-动脉收缩压;ADBP-动脉舒张压;Alb-白蛋白;Bili-胆红素;Hct-血细胞比容;Hgb-血红蛋白;AS-阿斯匹林;Pan-胰腺炎;Pne-肺炎;DM-糖尿病;Chemo-化疗;以及ADT-入院出院流转。术语“APACHEII”是基于AaDO2或PaO2(取决于FiO2)、温度、平均动脉压、pH动脉、HR、RR、钠、钾、肌酸酐、Hct、白血球计数和格拉斯哥昏迷量表的计算值。多个诊断模型90-140可以用于处理由输入数据提供的信息,每个诊断模型被配置为基于所提供的信息来确定患者的ARDS状态的风险评分。图2示出了可以包括在ARDS检测系统10中的示例诊断模型40。诊断模型40使用基于患者的生理数据34的时间序列分析的Lempel-Ziv复杂度量度44、46,所述患者的生理数据34包括心率(HR)、收缩压(SBP)、舒张压(DSP)、以及呼吸率(RR)、还有患者迄今接受的处置32。处置32可以包括药物36或其他规定的干预,诸如具有高潮气体积(VT)的侵入性通气。为了确定示例诊断模型的ARDS状态输出,基于这些复杂度量度44、46的值来计算50一值。该计算值可以与阈值52(以下称为“阈值处理”)进行比较,并且二元(是/否)确定是基于所述结果的;例如,如果所计算的值大于或等于阈值,则输出'是’;否则,输出“否”。如图1中所示,来自诊断模型90-140的ARDS状态输出被聚合82以提供患者将经历ARDS的可能性(风险)的估计。在一个示例实施例中,线性判别分析(LDA)或投票系统(SOFALI)可以用于聚合来自诊断模型90、100、110、120、130、140的预测。如果使用线性判别分析来聚合每个诊断模型的输出以确定ARDS的概率/可能性,则LDA可以接收直接计算的模拟值50,而不是阈值函数52的二元输出。如果使用投票系统,则可以使用本领域已知的各种技术中的任一种来组合阈值处理后的每个诊断模型52的二元输出,包括加权平均或非加权平均,以确定ARDS的概率/可能性。由聚集器82确定的概率还可以与阈值进行比较以确定是否向医务人员发出警报或其他通知,以便可以采取预防性措施或其他预防。诊断模型90、100、120、130、140中的每个以及聚合器82(统称为“预测器”)的二元输出可以是正确的或不正确的,这取决于回顾性地发现预测是否匹配实际的或真实的结果(即患者是否经历ARDS('是'),或者患者没有经历ARDS('否'))。如果预测结果是肯定的但实际结果是否定的,则认为预测器产生了“假阳性”,并且如果预测结果为否但实际结果为是,则认为预测器产生了“假阴性”。否则,预测器被认为产生了“真阳性”(预测和实际结果都为是),或者“真阴性”(预测和实际结果都为否)。ROC(接收器操作特性)曲线通常用于表征预测器的“质量”,例如,如图3中所示,其中,图示了六个诊断模型(AF)中的每个的ROC,以及基于这六种诊断模型的组合的SOFALI投票系统(G)和LDA聚合器(H)的复合ROC。ROC曲线将预测器针对可能的阈值范围将产生正确的阳性输出(“真阳性”)的概率对比预测器将产生错误阳性输出(“假阳性”)映射为概率。患有疾病的那些人的“真阳性”比例通常称为预测器的“灵敏度”,而没有疾病的那些人的“真阴性”比例通常称为测试的“特异性”;相应地,“假阳性”的比例等于1-特异性。在典型的预测器中,非常高的正阈值可能产生非常少的误报,但也比较低的阈值产生更少的真阳性,对应于图3中所示的ROC空间的左下区域。随着阈值的降低,预计会出现真阳性以及假阳性的数量,对应于ROC空间的上部中心区域。如果阈值非常低,则预计假阳性的比例会增加,对应于ROC空间的右上区域。“无用的”预测器是这样的预测器,其产生假阳性与其产生真阳性是同等可能地,对应于图2的对角ROC线210。提供ROC曲线AH的预测器产生真阳性的概率比假阳性更大,并且因此是比产生ROC曲线210的无用预测器更好的预测器。例如,提供ROC曲线G的预测器比提供ROC曲线C的另一个预测器产生更大概率的真阳性和更少的假阳性,并且因此是比另一个预测器更好的预测器。ROC曲线越靠近ROC空间的左上角,预测器越接近“完美”预测器(全部真阳性并且没有假阳性)。在图3中,提供ROC曲线H和D的预测器被认为是比提供ROC曲线A-C和E-G的预测器更好的预测器。用于表征预测器正确预测结果能力的统计量是ROC曲线下面积(AUC,或AUROC)。AUC可以跨阈值的范围在0到1的范围内,并且表示:当提供一对病例中的一个病例具有阳性结果并且另一个病例具有阴性结果时,预测器能够正确识别阳性病例的概率。AUC通常被称为测试的“准确度”。将预测器应用于病例时使用的阈值选择通常是假阳性(“假警报”)和假阴性(“漏诊”)的可能性与这些结果中的每个的代价或后果之间的折衷。如果假设错误预测的代价或后果相同,则通常将产生ROC曲线的拐点上的点的阈值选为最佳阈值。虽然ARDS检测系统10提供接近90%的准确度(AUC),如ROC曲线H所示(AUC:0.87),该准确性通过获得和评估大量患者信息来实现的,如上面的缩写词和首字母缩略词列表所示。尽管这些信息中的一部分可能很容易获得,但获取其他信息可能需要特定的测试,其中一些可能是侵入性的,或者至少不舒服。此外,一些测试可能并非在所有医疗机构都容易地获得,本文档来自技高网...

【技术保护点】
1.一种包括程序的非瞬态计算机可读介质,所述程序在由处理器运行时使所述处理器进行以下操作:接收用于预测急性呼吸窘迫综合征(ARDS)的多个诊断模型,每个诊断模型被配置为接收对应的输入特征的集合并据此产生对ARDS的发作的预测;针对所述诊断模型中的每个诊断模型:提供多个先前患者中的每个患者的生理数据的时间序列、对所述患者是否经历ARDS的识别,以及针对经历ARDS的每个患者的ARDS发作时间;所述生理数据对应于到所述诊断模型的所述输入特征中的每个输入特征;确定接收器操作特性(ROC)曲线和所述ROC曲线下的面积(AUROC),所述ROC曲线下的面积表征所述诊断模型正确识别患者是否将经历ARDS的能力;针对所述诊断模型的每个输入特征:至少基于所述输入特征对所述ROC曲线的影响来确定所述输入特征的排列顺序;基于所述输入特征的所述排列顺序来选择所述输入特征的子集;并且如果所述子集包括少于所述诊断模型的所述输入特征的总数,则:创建仅使用所述输入特征的所述子集的经修改的诊断模型;并且将所述经修改的诊断模型存储为随后要被用于预测其他患者的ARDS的发作的所述诊断模型;其中,至少一个诊断模型的所述子集包括少于所述诊断模型的所述输入特征的总数。...

【技术特征摘要】
【国外来华专利技术】2015.11.03 US 62/249,9721.一种包括程序的非瞬态计算机可读介质,所述程序在由处理器运行时使所述处理器进行以下操作:接收用于预测急性呼吸窘迫综合征(ARDS)的多个诊断模型,每个诊断模型被配置为接收对应的输入特征的集合并据此产生对ARDS的发作的预测;针对所述诊断模型中的每个诊断模型:提供多个先前患者中的每个患者的生理数据的时间序列、对所述患者是否经历ARDS的识别,以及针对经历ARDS的每个患者的ARDS发作时间;所述生理数据对应于到所述诊断模型的所述输入特征中的每个输入特征;确定接收器操作特性(ROC)曲线和所述ROC曲线下的面积(AUROC),所述ROC曲线下的面积表征所述诊断模型正确识别患者是否将经历ARDS的能力;针对所述诊断模型的每个输入特征:至少基于所述输入特征对所述ROC曲线的影响来确定所述输入特征的排列顺序;基于所述输入特征的所述排列顺序来选择所述输入特征的子集;并且如果所述子集包括少于所述诊断模型的所述输入特征的总数,则:创建仅使用所述输入特征的所述子集的经修改的诊断模型;并且将所述经修改的诊断模型存储为随后要被用于预测其他患者的ARDS的发作的所述诊断模型;其中,至少一个诊断模型的所述子集包括少于所述诊断模型的所述输入特征的总数。2.根据权利要求1所述的介质,其中,所述程序使所述处理器选择用于所述诊断模型的所述预测的聚合的阈值,所述阈值使对ARDS的早期检测最大化,同时提供不超过预定义的可接受比例的假阳性预测;并且其中,所述输入特征的所述排列顺序也基于使用所选择的阈值的早期检测的时间。3.根据权利要求2所述的介质,其中,所述程序使所述处理器确定针对至少一个诊断模型的阈值,所述阈值使对ARDS的早期检测最大化,同时提供不超过可接受比例的假阳性预测。4.根据权利要求3所述的介质,其中,所述程序使所述处理器确定针对所述诊断模型中的每个诊断模型的阈值,所述阈值使对ARDS的早期检测最大化,同时提供不超过可接受比例的假阳性预测,并且对所述预测的所述聚合基于所述诊断模型中的每个诊断模型的二元(ARDS,非ARDS)输出,所述二元输出基于所述诊断模型的所述阈值。5.根据权利要求4所述的介质,其中,对所述预测的所述聚合的基于SOFALI投票系统。6.根据权利要求2所述的介质,其中,所述诊断模型中的一个或多个诊断模型提供所述预测的非二元值,并且对所述预测的所述聚合基于线性判别分析(LDA)。7.根据权利要求1所述的介质,其中,所述程序使所述处理器进行以下操作:接收另一患者的生理数据的集合;将所述...

【专利技术属性】
技术研发人员:S·瓦伊拉万C·M·基奥福洛N·W·什巴特
申请(专利权)人:皇家飞利浦有限公司
类型:发明
国别省市:荷兰,NL

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1