实时透析中低血压预测的制作方法

医药医疗技术的改进;医疗器械制造及应用技术实时透析中低血压预测1.相关申请2.本技术要求于2020年6月10日提交的、题为“实时透析中低血压预测(real-time intradialytic hypotension prediction)”的美国非临时专利申请序列号16/897,430以及于2019年12月20日提交的、题为“实时透析中低血压预测(real-time intradialytic hypotension prediction)”的美国临时专利申请序列号62/951,259的权益，两者均通过引用其整体而被并入本文。背景技术：3.透析中低血压(idh)是血液透析期间遇到的最常见的并发症之一。据估计，在所有的血液透析疗程中，idh的发生率高达百分之三十(30％)。见，例如，intradialytic hypotension:frequency,sources of variation and correlation with clinical outcome(透析中低血压：频率、变化来源和与临床结果的相关性).sands jj、usvyat la、sullivan t、segal jh、zabetakis p、kotanko p、maddux fw、diaz-buxo ja.hemodial int.2014年4月；18(2)：415-22.doi：10.1111/hdi.12138.epub 2014年1月27日)。4.idh是发病率和死亡率增加的主要风险因素。例如，idh可能导致头晕、呕吐、失去知觉和/或其他并发症。管理idh发生率需要工作人员的大量关注，这增加了治疗的总成本。由于这些和/或其他原因，改进idh风险管理因此是许多临床环境中的重要目标。例如，美国医疗保健系统似乎正朝着对终末期肾病(esrd)的综合护理模式发展，其中改进的idh风险管理可能与整体治疗结果高度相关。5.本节中描述的办法不一定是在提交本技术之前构思和/或追求的。相应地，除非另有指示，否则本节中描述的办法不应被解释为现有技术。技术领域6.本公开总体上涉及预测透析中低血压。技术实现要素：7.一个或多个实施例相对于现有方法改进了idh预测并且允许实时idh预测。一个或多个实施例包括使用患者数据的负类(即，来自idh事件之前的、其中患者低于用于预测idh的阈值的时间段的数据)和患者数据的正类(即，来自idh事件之前的、其中患者处于或高于用于预测idh的阈值的时间段的数据)的机器学习。使用患者数据的负类可以帮助所训练模型实时区分负条件和正条件。使用患者数据的负类也可以帮助防止过早的idh预测。一个或多个实施例包括使用患者数据的非idh类(即，来自未经历idh事件的患者的数据)的机器学习。使用患者数据的非idh类可以帮助所训练模型实时区分idh前条件和非idh条件。一个或多个实施例包括缺少或以其他方式忽略紧接idh事件之前的时间窗口(例如，在idh事件之前的15分钟内)中的数据的机器学习。忽略紧接idh事件之前的时间窗口中的数据可以帮助所训练模型实时预测idh事件，并有足够的时间进行临床干预。8.通常，在一个方面中，一个或多个非暂态计算机可读介质存储在由一个或多个处理器执行时导致以下的指令：获得历史血液透析治疗数据，该历史血液透析治疗数据基于与透析中低血压(idh)事件的时间邻近度而被划分为机器学习训练数据集合；以及基于机器学习训练数据集合训练机器学习模型以预测idh事件。机器学习训练数据集合可以包括：被标记为正类的第一机器学习训练数据集合，包括在idh事件之前的最小持续时间和idh事件之前的最大持续时间内记录的医学数据，其中最小持续时间至少长到足以在idh事件之前进行医学干预；以及被标记为负类的第二机器学习训练数据集合，包括在超过idh事件之前的最大持续时间的时间内记录的医学数据。9.一个或多个非暂态计算机可读介质还可以存储在由一个或多个处理器执行时导致以下的指令：获得与血液透析患者相关联的实时血液透析数据；以及将实时血液透析数据应用于机器学习模型，以预测idh事件对于该血液透析患者是否即将发生。基于实时血液透析数据，机器学习模型可以预测idh事件并非即将发生。基于实时血液透析数据，机器学习模型可以预测idh事件即将发生。10.一个或多个非暂态计算机可读介质还可以存储在由一个或多个处理器执行时导致以下的指令：响应于预测idh事件即将发生，在没有人为干预的情况下调整对血液透析患者的治疗以防止idh事件。在没有人为干预的情况下调整血液透析患者的治疗可以包括以下中的一个或多个：减小超滤速率、降低透析液温度或对血液透析患者进行机械地重新定位。11.通常，在一个方面中，系统包括至少一个设备，该设备包括硬件处理器。系统被配置为执行包括以下的操作：获得历史血液透析治疗数据，该历史血液透析治疗数据基于与透析中低血压(idh)事件的时间邻近度而被划分为机器学习训练数据集合；以及基于机器学习训练数据集合训练机器学习模型以预测idh事件。机器学习训练数据集合可以包括：被标记为正类的第一机器学习训练数据集合，包括在idh事件之前的最小持续时间和idh事件之前的最大持续时间内记录的医学数据，其中最小持续时间至少长到足以在idh事件之前进行医学干预；以及被标记为负类的第二机器学习训练数据集合，包括在超过idh事件之前的最大持续时间的时间内记录的医学数据。12.操作还可以包括：获得与血液透析患者相关联的实时血液透析数据；以及将实时血液透析数据应用于机器学习模型，以预测idh事件对于该血液透析患者是否即将发生。基于实时血液透析数据，机器学习模型可以预测idh事件并非即将发生。基于实时血液透析数据，机器学习模型可以预测idh事件即将发生。13.操作还可以包括：响应于预测idh事件即将发生，在没有人为干预的情况下调整对血液透析患者的治疗以防止idh事件。在没有人为干预的情况下调整血液透析患者的治疗可以包括以下中的一个或多个：减小超滤速率、降低透析液温度或对血液透析患者进行机械地重新定位。14.通常，在一个方面中，方法包括：获得历史血液透析治疗数据，该历史血液透析治疗数据基于与透析中低血压(idh)事件的时间邻近度而被划分为机器学习训练数据集合；以及基于机器学习训练数据集合训练机器学习模型以预测idh事件。机器学习训练数据集合可以包括：被标记为正类的第一机器学习训练数据集合，包括在idh事件之前的最小持续时间和idh事件之前的最大持续时间内记录的医学数据，其中最小持续时间至少长到足以在idh事件之前进行医学干预；以及被标记为负类的第二机器学习训练数据集合，包括在超过idh事件之前的最大持续时间的时间内记录的医学数据。15.方法还可以包括：获得与血液透析患者相关联的实时血液透析数据；以及将实时血液透析数据应用于机器学习模型，以预测idh事件对于该血液透析患者是否即将发生。基于实时血液透析数据，机器学习模型可以预测idh事件并非即将发生。基于实时血液透析数据，机器学习模型可以预测idh事件即将发生。16.方法还可以包括：响应于预测idh事件即将发生，在没有人为干预的情况下调整对血液透析患者的治疗以防止idh事件。在没有人为干预的情况下调整血液透析患者的治疗包括以下中的一个或多个：减小超滤速率、降低透析液温度或对血液透析患者进行机械地重新定位。17.在本说明书中描述的和/或在权利要求书中陈述的一个或多个实施例可能未被包括在此总体概述章节中。附图说明18.下文参考附图讨论至少一个实施例的各个方面，这些附图不旨在按比例绘制。附图被包括以提供对各个方面和实施例的说明和进一步理解，并且被并入本说明书并构成本说明书的部分，但不旨在限定本公开的限制。在附图中，各个附图中所示的每个相同或几乎相同的组件由相同的数字表示。为清楚起见，某些组件并非在每个附图中都被标记。在附图中：19.图1是根据实施例的系统的示例的框图；20.图2是根据实施例的互联健康系统(connected health system)的示例的框图；21.图3是根据实施例的用于实时透析中低血压预测的操作的示例的流程图；22.图4a-图4b图示出根据实施例的接受者操作曲线(receiver operating curve)的示例；23.图5是根据实施例的机器学习训练数据集合的示例的框图；24.图6图示出根据实施例的基于阈值的分类的示例；25.图7a-图7f图示出根据实施例的实验结果的示例；以及26.图8是根据实施例的计算机系统的示例的框图。具体实施方式27.图1是根据实施例的系统100的示例的框图。在实施例中，系统100可以包括比图1所示的组件更多或更少的组件。图1中所示的组件彼此而言可以是本地的或远程的。图1中所示的组件可以被实现于软件和/或硬件中。每个组件可以分布在多个应用和/或机器上。多个组件可以被组合到一个应用和/或机器中。相对于一个组件描述的操作可以替代地由另一组件执行。28.在实施例中，透析中低血压(idh)预测服务102是指被配置为执行用于实时idh预测的操作的硬件和/或软件。用于实时idh预测的操作的示例在下文中被描述。具体地，idh预测服务102包括机器学习引擎104。机器学习包括人工智能领域中涉及用于解决具有可变输入的问题的计算机实现的、不依赖于用户的过程的各种技术。例如，一个或多个实施例可以使用机器学习来基于本文所述的实时数据预测idh的风险、预测治疗方针的结果、推荐替代治疗方针和/或提供另一种预测、推荐和/或其他信息。机器学习引擎104可以被配置为计算对应于即将发生的idh事件的风险的度量(例如，百分比、分数值、整数值、字母等级和/或其他种类的度量或其组合)。如本文所述，该度量可以被比较(即，由机器学习引擎104和/或系统100的另一组件比较)并且与一个或多个阈值比较。29.在实施例中，机器学习引擎104训练机器学习模型106以执行一个或多个操作。训练机器学习模型106使用训练数据来生成函数，该函数在给定机器学习模型106的一个或多个输入的情况下计算对应的输出。输出可以对应于基于先前机器学习的预测。在实施例中，输出包括指派给所提供的(一个或多个)输入的标记、分类和/或归类。机器学习模型106对应于用于执行(一个或多个)所需操作(例如，对输入进行标记、分类和/或归类)的经学习模型。系统100可以将多个机器学习引擎和/或多个机器学习模型用于不同目的。30.在实施例中，机器学习引擎104可以使用监督学习、半监督学习、无监督学习、强化学习和/或另一训练方法或其组合。在监督学习中，标记的训练数据包括输入/输出对，其中每个输入都标记有所需的输出(例如，标记、分类和/或归类)，所需输出也被称为监督信号。在半监督学习中，某些输入与监督信号相关联，而其他输入不与监督信号相关联。在无监督学习中，训练数据不包括监督信号。强化学习使用反馈系统，其中机器学习引擎104在尝试解决特定问题(例如，根据一个或多个预定义的性能标准优化特定场景中的性能)的过程中接收正强化和/或负强化。在实施例中，机器学习引擎104最初使用监督学习来训练机器学习模型106，并且随后使用无监督学习来持续更新机器学习模型106。31.在实施例中，机器学习引擎104可以使用许多不同的技术来对输入进行标记、分类和/或归类。机器学习引擎104可以将输入变换成描述输入的一个或多个属性(“特征”)的特征向量。机器学习引擎104可以基于特征向量对输入进行标记、分类和/或归类。替代地或附加地，机器学习引擎104可以使用聚类(也被称为聚类分析)来标识输入中的共性。机器学习引擎104可以基于那些共性对输入进行分组(即，聚类)。机器学习引擎104可以使用分级聚类、k均值聚类和/或另一聚类方法或其组合。在实施例中，机器学习引擎104包括人工神经网络。人工神经网络包括多个节点(也被称为人工神经元)和节点之间的边。边可以与表示节点之间的连接强度的对应权重相关联，机器学习引擎104随着机器学习的进行调整这些权重。替代地或附加地，机器学习引擎104可以包括支持向量机。支持向量机将输入表示为向量。机器学习引擎104可以基于向量对输入进行标记、分类和/或归类。替代地或附加地，机器学习引擎104可以使用朴素贝叶斯分类器来对输入进行标记、分类和/或归类。替代地或附加地，给定特定输入，机器学习模型106可以应用决策树来预测针对给定输入的输出。替代地或附加地，机器学习引擎104可以在在一组固定的互斥选项之间对输入进行标记、分类和/或归类是不可能或不切实际地的情况下应用模糊逻辑。上述机器学习模型106和技术仅出于示例性目的进行讨论，并且不应被解释为限制一个或多个实施例。32.在实施例中，系统100包括数据储存库108。数据储存库108被配置为存储历史血液透析治疗数据，即，关于血液透析患者和提供给那些患者的治疗的数据。历史血液透析治疗数据可以包括人口统计数据110。替代地或附加地，历史血液透析治疗数据可以包括合并症数据112。替代地或附加地，历史血液透析治疗数据可以包括治疗数据114。替代地或附加地，历史血液透析治疗数据可以包括实验室数据116。通常，结合本文所述的技术，诸如收缩压(sbp)、舒张压(dbp)和超滤速率之类的透析中测量可以允许在血液透析期间，特别是在idh事件发生前后，对血液动力学进行以前无法获得的洞察。33.例如，历史血液透析治疗数据可以包括与以下一项或多项相关联的数据：从第一次透析日期起的天数；血液流速；透析流速；坐位舒张压；去除的流体；脉搏；坐位收缩压；超滤速率；测量之间(例如，当前测量、相同疗程期间当前测量之前的测量和/或治疗前测量之间)的收缩压(sbp)的改变；测量之间(例如，当前测量、相同疗程期间当前测量之前的测量和/或治疗前测量之间)的舒张压(dbp)的改变；测量之间的脉搏的改变；标记或监督信号(例如，针对idh的正或负)；以分钟计的治疗时间；患者种族(例如，患者是否为西班牙裔)；患者性别；患者身高；关于透析接入点的信息(例如，接入点是动静脉(av)瘘管、av移植物还是导管)；治疗前sbp；治疗前dbp；治疗前体重；治疗前温度；规定的干重；透析中体重增加(例如，以千克计)；透析中体重增加百分比；规定的治疗时间；透析液钠(na)；血清钠与透析液钠的差；标准化蛋白质分解代谢率(pcr)；流体体积；交付平衡(delivered equilibrated)ekt/v；治疗前尿素；治疗后尿素；尿素降低率(urr)；甲氧基聚乙二醇-epoetinβ(例如，mircera)剂量；白蛋白；碱性磷酸酶(alp)；嗜碱性粒细胞；碳酸氢盐；血清钙；钙校正；氯化物；肌酸酐；嗜酸性粒细胞；铁蛋白；血细胞比容(hct)；血红蛋白(hgb)；淋巴细胞；平均红细胞血红蛋白(mch)；mch浓度(mchc)；平均红细胞体积(mcv)；单核细胞；中性粒细胞；中性粒细胞-淋巴细胞比率(nlr)；磷；血小板；钾；红细胞(rbc)计数；红细胞分布宽度；血清钠；总铁结合力(tibc)；转铁蛋白饱和度(tsat)；有关合并症的信息(例如，患者是否患有贫血、皮肤癌、心律失常、脑血管疾病、充血性心力衰竭(chf)、慢性阻塞性肺病(copd)、残疾、药物和/或酒精依赖、胃肠道出血、肝炎、人类免疫缺陷病毒(hiv)/获得性免疫缺陷综合征(aids)、甲状旁腺功能亢进、感染、缺血性心脏病(ihd)、心肌梗塞(mi)、外周动脉疾病(pad)/动脉粥样硬化百分比体积(pad)、肺炎和/或另一合并症)；第一次透析时的年龄；透析治疗的工作日；最后一次治疗后的sbp；最后一次治疗后的dbp；最后一次治疗时的血液流速(qb)；最后一次治疗时的透析液流速(qd)；最后一次治疗后的体重；最后一次治疗后的体重梯度；最后一次治疗的超滤量；最后一次治疗的超滤速率；最后一次治疗后的温度；最后一次治疗的以分钟计的治疗时间；针对最后一次治疗的治疗时间梯度；最后一次治疗中使用的生理盐水；联机清除(online clearance，olc)测量；最后一次治疗时的体重指数(bmi)；先前治疗期间的最低sbp；先前治疗期间的最低dbp；先前治疗期间的最低脉搏；在先前治疗期间是否发生过idh事件；整个治疗历史中的idh事件发生率；n次最近治疗的idh事件发生率(例如，n＝10)；n次最近治疗的最低脉搏的均值(例如，n＝10)；患者的种族身份；和/或另一种数据或其组合。34.历史血液透析治疗数据中的一项或多项可以被表示为布尔数据(例如，真/假、0/1、是/否等)。例如，布尔数据可以被用于指示患者是否为西班牙裔。替代地或附加地，历史血液透析治疗数据中的一项或多项可以被表示为数字、字母、字符串或其他数据类型。例如，测量可以被表示为数值。35.在实施例中，数据储存库108是用于存储数据的任何类型的存储单元和/或设备(例如，文件系统、数据库、表格集合或任何其他存储机制)。数据储存库108可以包括多个不同的存储单元和/或设备。多个不同的存储单元和/或设备可以或可以不是相同类型的或位于相同物理场所。此外，数据储存库108可以在与系统100的一个或多个其他组件相同的计算系统上被实现或执行。替代地或附加地，数据储存库108可以在与系统100的一个或多个其他组件分开的计算系统上被实现或执行。数据储存库108可以与系统100的一个或多个其他组件在逻辑上集成。替代地或附加地，数据储存库108可以经由直接连接或经由网络通信地耦合到系统100的一个或多个其他组件。在图1中，数据储存库108被图示为存储各种信息。此信息中的某些或全部可以跨系统100的组件中的任一个而被实现和/或分布。然而，为了清楚和解释的目的，在数据储存库108内图示此信息。36.在实施例中，机器学习引擎104被配置为基于存储在数据储存库108中的数据来训练机器学习模型106。如下文进一步详细描述的，数据可以被划分为训练数据的集合。训练数据的集合也可以被称为“类”，因为它们共享一个或多个分类标准。每个集合都可以被标记以指示数据是否应被视为预测idh事件。具体来说，训练数据可以被划分为“正”类(即，被视为预测idh事件)和“负”类(即，被视为不预测idh事件)。如下所述，可以根据与记录的idh事件的时间邻近度来划分数据。替代地或附加地，根据数据是否是在包括idh事件的治疗疗程期间被获得的，数据可以被划分为不同的训练数据集合。例如，在其中未发生idh事件的治疗疗程期间获得的数据可以被置于“负”类中(即，相同类或不同类)。idh事件之前预定义时间裕度(例如，15分钟)内的数据可以被忽略，以帮助确保预测基于仍然允许有足够时间进行临床干预的情况。在idh事件之后记录的数据也可以被忽略。37.在实施例中，系统100被配置为从血液透析患者126获得实时血液透析治疗数据。治疗设备120被配置为向患者126提供血液透析治疗。一个或多个临床传感器122(例如，血压监视器、心率监视器、温度计等)可以记录与治疗相关联的实时数据。实时数据可以被存储在数据储存库108中和/或被发送到idh预测服务102，以预测idh事件对于患者126是否即将发生。替代地或附加地，预测可以基于关于患者126和/或治疗的其他数据，诸如从如下所述的互联健康系统获得的数据。38.在实施例中，idh预测服务102被配置为基于阈值概率来预测idh事件。具体地，给定实时输入数据的集合，idh预测服务102可以确定即将发生的idh事件的预测概率。idh预测服务102可以存储一个或多个概率阈值(未示出)，其可以是硬编码的或用户可配置的。如果idh事件的概率超过概率阈值(或匹配概率阈值，如果该值被编程为包含限值；或者低于阈值，如果较低的值对应于较高的概率)，则idh预测服务102指示idh事件被预测到，即，可能即将发生。否则，idh预测服务102要么不采取行动，要么指示没有预测到idh事件。idh预测服务102可以存储多个阈值，使得可以基于患者126的情况的相对严重性采取不同的补救行动(即，当即将发生的idh事件的概率增加时，可以采取更极端的行动)。39.在实施例中，较高的阈值可能导致较多的假负，而较低的阈值可能导致较多的假正。可以使用各种技术来确定阈值。例如，系统100可以计算约登指数或成本函数，其取决于函数的性质而取最小值或最大值。基于单个患者126的数据(例如，人口统计、生物测量等)，阈值可以是个体化的并且仅应用于该特定患者126。替代地，阈值可以应用于具有一个或多个共同数据属性(例如，人口统计、生物测量等)的多个患者。替代地，阈值可以应用于所有患者。机器学习可以被用于计算针对个体患者和/或一组或多组患者的一个或多个阈值。40.在实施例中，当idh预测服务102预测idh事件即将发生时(例如，当患者126的idh风险分类达到阈值时)，系统100可以生成警报和/或调整患者126的治疗以防止idh事件。临床管理引擎118指的是被配置为执行用于生成警报和/或调整患者126的治疗的操作的硬件和/或软件。警报可以是视觉和/或听觉的。临床管理引擎118可以被配置为生成用于调整患者126的治疗的推荐并且在用户接口124中显示推荐。如上所述，机器学习引擎104可以被配置为生成推荐的调整。替代地或附加地，临床管理引擎118可以被配置为在没有机器学习的情况下生成推荐，例如，基于编纂(codified)的最佳实践。41.在实施例中，响应于警报(其可以或可以不包括推荐的行动方针)，临床医生可以检查患者126、进行附加的测量、和/或调整患者126的治疗方针。例如，临床医生可以调整(例如，降低或停止)患者126的超滤速率，修改透析液温度(例如，降低温度，这已被证明与较低的idh率相关联)，和/或以其他方式调整透析治疗。替代地或附加地，临床医生可以以降低idh事件实际发生的可能性的方式对患者126进行重新定位(例如，通过升高透析椅的脚架和/或以其他方式调整患者126所在的床或椅子的角度)。42.在实施例中，当idh预测服务102预测idh事件即将发生时，系统100可以自动采取行动，即，无需人工干预。系统可以响应于警报状况采取行动来检查患者126、进行附加的测量和/或调整患者126的治疗方针，而不需要人类临床医生的干预。临床管理引擎118可以被配置为向治疗设备120和/或一个或多个其他设备发送指令，以自动调整患者126的治疗。例如，临床管理引擎118可以向血液透析机发送指令以调整患者126的超滤速率、修改透析液温度和/或以其他方式调整透析治疗。替代地或附加地，临床管理引擎118可以向患者126所在的床或椅子发送指令，以对患者126进行重新定位。来自(一个或多个)临床传感器122的数据和/或调整患者126的治疗的结果可以被存储在数据储存库108中和/或被发送到机器学习引擎104，以基于结果更新机器学习模型106。43.在实施例中，用户接口124指的是被配置为促进用户(例如，患者126和/或医学专业人员)与idh预测服务102之间的通信的硬件和/或软件。用户接口124呈现用户接口元素并经由用户接口元素接收输入。用户接口124可以是图形用户接口(gui)、命令行接口(cli)、触觉接口、语音命令接口和/或任何其他种类的接口或其组合。用户接口元素的示例包括复选框、单选按钮、下拉列表、列表框、按钮、切换、文本字段、日期和时间选择器、命令行、滑块、页面和表单。44.在实施例中，用户接口124的不同组件以不同的语言来指定。用户接口元素的行为可以用动态编程语言(诸如javascript)来指定。用户接口元素的内容可以用标记语言(诸如超文本标记语言(html)、可扩展标记语言(xml)或xml用户接口语言(xul))来指定。用户接口元素的布局可以用样式表语言(诸如层叠样式表(css))来指定。替代地或附加地，用户接口124的方面可以用一个或多个其他语言(诸如java、python、perl、c、c++和/或任何其他语言或其组合)来指定。45.在实施例中，系统100的一个或多个组件被实现于一个或多个数字设备上。术语“数字设备”通常是指包括处理器的任何硬件设备。数字设备可以指执行应用或虚拟机的物理设备。数字设备的示例包括计算机、平板计算机、膝上型计算机、台式计算机、上网本、服务器、web服务器、网络策略服务器、代理服务器、通用机器、特定功能硬件设备、硬件路由器、硬件交换机、硬件防火墙、硬件网络地址转换器(nat)、硬件负载平衡器、大型机、电视、内容接收器、机顶盒、打印机、移动手持装置、智能电话、个人数字助理(“pda”)、无线接收器和/或发送器、基站、通信管理设备、路由器、交换机、控制器、接入点和/或客户端设备。46.图2是根据实施例的互联健康(ch)系统的示例的框图。在实施例中，ch系统200可以包括比图2所示的组件更多或更少的组件。图2中所示的组件彼此而言可以是本地的或远程的。图2中所示的组件可以被实现于软件和/或硬件中。每个组件可以分布在多个应用和/或机器上。多个组件可以被组合到一个应用和/或机器中。相对于一个组件描述的操作可以替代地由另一组件执行。47.ch系统200可以被配置为作为诸如图1的系统100之类的系统的部分或与之通信。此外，ch系统200可以包括处理系统205、ch云服务210和网关(ch网关)220，其可以结合本文描述的一个或多个系统的网络方面来被使用。处理系统205可以包括服务器和/或基于云的系统，结合ch系统200的数据传输操作，其可以对医学信息进行处理、兼容性检查和/或格式化，医学信息包括在诊所或医院的临床信息系统(cis)204处生成的处方信息。ch系统200可以包括适当的加密和数据安全机制。ch云服务210可以包括基于云的应用，该应用经由与网络(诸如互联网)的连接而用作ch系统200的组件之间的通信管道(例如，促进数据的传递)。网关220可以用作促进ch系统200的组件之间的通信的通信设备。在各种实施例中，网关220可以经由无线连接201(诸如蓝牙、wi-fi和/或其他适当类型的本地或短距离无线连接)与透析机202(例如，腹膜透析机或血液透析机)和系统100通信。网关220还可以通过安全网络(例如，互联网)连接与ch云服务210连接。网关220可以被配置为向/从ch云服务210发送/接收数据，以及向/从透析机202和系统100发送/接收数据。透析机202可以轮询ch云服务210以获得可用文件(例如，经由网关320)，并且透析机202和/或系统100可以临时存储可用文件以供处理。48.图3是根据实施例的用于实时idh预测的操作的示例的流程图。图3中图示的一个或多个操作可以一起被修改、重新排列或省略。相应地，图3中所示的操作的特定序列不应被解释为限制一个或多个实施例的范围。49.在实施例中，系统(例如，图1的系统100)获得历史血液透析治疗数据(操作302)。系统可以从许多不同的源获得治疗数据。例如，系统可以从如上所述的互联健康系统获得治疗数据。替代地或附加地，系统可以从第三方医学记录源(例如为研究、数据挖掘提供医学数据的源，等等)获得数据。实施例不应被认为限于任何特定的数据源。50.在实施例中，系统基于一个或多个共享标准将治疗数据划分为机器学习训练数据集合(操作304)或“类”。具体来说，训练数据可以被划分为“正”类(即，被视为预测idh事件)和“负”类(即，被视为不预测idh事件)。如下所述，可以根据与记录的idh事件的时间邻近度来划分数据。替代地或附加地，根据数据是否是在包括idh事件的治疗疗程期间被获得的，数据可以被划分为训练数据的不同集合。例如，在其中未发生idh事件的治疗疗程期间获得的数据可以被置于“负”类中(即，相同类或不同类)。idh事件之前预定义时间裕度(例如，15分钟)内的数据可以被忽略，以帮助确保预测基于仍然允许有足够时间进行临床干预的情况。在idh事件之后记录的数据也可以被忽略。替代地或附加地，系统可以接收已经被划分为机器学习训练数据集合的数据，而不需要系统自己执行划分。51.在实施例中，系统基于经划分的机器学习训练数据训练机器学习模型以预测idh事件(操作306)。用于训练机器学习模型的技术在上文中被更详细地描述。52.在实施例中，系统获得实时血液透析数据(操作308)。具体而言，系统从正监视血液透析患者的治疗的一个或多个临床传感器获得数据。系统还可以获得与患者相关联的其他数据，诸如人口统计数据等。通常，系统可以获得与用于训练机器学习模型的数据相对应的数据，并且其因此可以预测(单独或与其他数据组合)idh事件。53.在实施例中，系统将实时血液透析数据应用于机器学习模型(操作310)。基于实时血液透析数据，机器学习模型确定idh事件是否被预测到(决策312)，即，实时血液透析数据是否指示idh事件对于患者即将发生。如上所述，系统可以基于阈值概率来预测idh事件。具体地，给定实时输入数据的集合，系统可以确定即将发生的idh事件的预测概率。如果idh事件的概率超过概率阈值(或匹配概率阈值，如果该值被编程为包含限值；或者低于阈值，如果较低的值对应于较高的概率)，则系统指示idh事件被预测到。否则，系统要么不采取行动，要么指示没有预测到idh事件。系统可以存储多个阈值，使得可以基于患者的情况的相对严重性采取不同的补救行动(即，当即将发生的idh事件的概率增加时，可以采取更极端的行动)。54.在实施例中，如果idh事件被预测到，则系统通过生成警报和/或调整血液透析患者的治疗来响应(操作314)。系统可以使用机器学习来确定调整。系统可以使用用于预测idh事件的相同机器学习模型或另一机器学习模型。调整可以基于用于预测idh事件的相同数据中的某些或全部，和/或未被用于预测idh事件的其他数据。替代地或附加地，系统可以使用编纂的最佳实践(例如，基于可以由医学专业人员执行的临床决策过程的编纂的决策树)来确定调整。系统可以发出视觉和/或听觉警报。警报可以在用户接口中呈现推荐的调整，以供人类操作者(例如患者和/或医学专业人员)采取行动。替代地或附加地，系统可以例如通过向装置发送指令来自动执行调整(例如，调整超滤速率、修改透析液温度、对患者进行重新定位、和/或以某些其他方式调整患者的治疗)。55.在实施例中，系统确定预测后结果(操作316)。系统可以确定预测后结果——idh事件是否被预测到以及血液透析患者的治疗是否被调整。通常，预测后结果可以指在进行预测的时间之后收集的实时血液透析数据。系统可以基于预测后结果更新机器学习模型(操作318)。在某些示例中，系统获得实时数据并持续更新机器学习模型(例如，使用无监督学习)，无论idh事件是否被预测到或实际发生。56.为了清楚起见，下文描述了某些详细示例。下文描述的组件和/或操作应被理解为示例，其可能不适用于一个或多个实施例。相应地，下文描述的组件和/或操作不应被解释为限制一个或多个实施例的范围。57.在一个示例中，idh被定义为透析中收缩压(sbp)低于90mmhg。(附加的idh定义被描述于flythe、jennifer e等人，“association of mortality risk with various definitions of intradialytic hypotension(死亡风险与透析中低血压的各种定义的关联)”，美国肾脏病学会杂志：jasn vol.26,3(2015)，其全文通过引用被并入本文。)两个数据源被用于预测idh：58.1)治疗前数据，包括人口统计数据、常规透析特异性测量、实验室值和合并症；以及59.2)费森尤斯(fresenius)医疗制作的椅边信息系统中记录的透析中临床数据，包括透析中血压、透析中心率和透析中超滤速率。60.静态数据包括人口统计和合并症、治疗数据以及实验室值。透析中椅边数据提供了附加的动态和静态数据。基于测量信息设计了多个特征(例如，通过基于测量值的平均和其他数学函数)。61.针对超过332,591次治疗、2,628名患者的历史血液透析数据被获得。该历史数据中的80％被用于训练机器学习模型。具体来说，在此示例中，使用了开源软件xgboost。其他示例可以使用不同的机器学习软件和/或技术。剩下的20％的历史数据被视为实时数据，以用于研究目的，并且被应用于机器学习模型，以评估模型的预测能力。具体来说，每次测量透析中sbp时(通常为大约每20-30分钟)都会进行idh预测。idh事件之前的最小时间裕度(即，其中数据被忽略的idh前时间裕度)被设置为15分钟；如果idh事件被预测为即将发生，此时间裕度被认为足以部署预防措施。62.如图4a所示，当使用106个特征训练机器学习模型时，接受者操作曲线400具有大于0.9(具体地，0.91)的曲线下面积(auc)，指示idh预测的临床可接受的敏感性和特异性，以及临床可接受的假正率。如图4b所示，即使当仅使用20个特征来训练机器学习模型时，接受者操作曲线402仍然具有0.9的auc。在图4a和图4b中，对于每个模型，图表指示图表中示出的每个因素的相对重要性(即，实验确定的预测值)。63.图5是根据实施例的机器学习训练数据集合的示例的框图。如图5所示，基于数据在概念数据时间线500上的位置，即，与记录的idh事件508的时间关系，数据可以被划分为训练类或被忽略。具体而言，对于机器学习目的，在idh事件508之前特定时间间隔(例如，15分钟或另一时间间隔)内的idh前数据506可以被忽略。比idh前数据506更早并且仍然落在idh事件508之前的预定义时间段(例如，从idh前75分钟到idh前15分钟)的数据可以被划分为“正”类504。正类504对应于用于预测idh事件508的优选时间段，此时可能存在足够的数据来确定dh事件508即将发生并且仍有足够的时间进行干预以防止idh事件。任何更早(例如，idh事件508之前超过75分钟)的数据可以被划分为负类502。idh后数据510可以被忽略。64.图6图示出根据实施例的基于阈值的分类的示例。如图6所示，当idh事件606的概率超过(或在某些示例中满足)分类器阈值604时，正分类602发生。在正分类602的示例中，较高的虚线图示出将分类器阈值604设置得太高可能如何导致假负。当没有idh事件发生(如图6所示)和/或idh事件的概率没有达到足够高的阈值时，负分类608发生。在负分类608的示例中，较低的虚线图示出将分类器阈值604设置得太低可能如何导致假正。65.图7a-图7f图示出根据实施例的实验结果的示例。在这些示例中，“tp”指的是真正结果(即，其中idh事件实际发生的正预测分类)，“tn”指的是真负结果(即，其中没有idh事件实际发生的负预测分类)，“fp”指的是假正结果(即，其中没有idh事件实际发生的正预测分类)，而“fn”指的是假负结果(即，其中idh事件实际发生的负预测分类)。66.在实施例中，系统包括一个或多个设备，设备包括一个或多个硬件处理器，其被配置为执行本文所述和/或权利要求中任一个所述的操作中的任一个。67.在实施例中，一个或多个非暂态计算机可读存储介质存储指令，指令在由一个或多个硬件处理器执行时导致本文描述的和/或权利要求中任一个所述的操作中的任一个的执行。68.可以根据实施例使用本文描述的特征和功能的任何组合。在前述说明书中，实施例已经参照许多具体细节进行了描述，这些细节可能因实现而异。相应地，说明书和附图被认为是说明性的而不是限制性的。本发明范围的唯一和排他性指示，以及被申请人意指为本发明范围的内容，是以此类权利要求发布的特定形式根据本技术发布的权利要求集合的字面和等效范围，包括任何后续更正。69.在实施例中，本文描述的技术由一个或多个专用计算设备(即，专门被配置为执行某些功能的计算设备)实现。(一个或多个)专用计算设备可以是硬连线的以执行该技术和/或可以包括数字电子设备，诸如一个或多个专用集成电路(asic)、现场可编程门阵列(fpga)和/或网络处理单元(npu)，它们被持续编程以执行该技术。替代地或附加地，计算设备可以包括一个或多个通用硬件处理器，其被编程为根据固件、存储器和/或其他存储中的程序指令执行该技术。替代地或附加地，专用计算设备可以将定制硬连线逻辑、asic、fpga或npu与定制编程相结合来实现该技术。专用计算设备可以包括台式计算机系统、便携式计算机系统、手持设备、联网设备和/或结合硬连线和/或程序逻辑以实现该技术的(一个或多个)任何其他设备。70.例如，图8是根据实施例的计算机系统800的示例的框图。计算机系统800包括用于通信信息的总线802或其他通信机制，以及与总线802耦合用于处理信息的硬件处理器804。硬件处理器804可以是通用微处理器。71.计算机系统800还包括主存储器806，诸如随机存取存储器(ram)或其他动态存储设备，其耦合到总线802，用于存储将由处理器804执行的信息和指令。主存储器806还可以被用于在将由处理器804执行的指令的执行期间存储临时变量或其他中间信息。此类指令当被存储在处理器804可访问的一个或多个非暂态存储介质中时将计算机系统800呈现为被定制为执行指令中指定的操作的专用机器。72.计算机系统800还包括只读存储器(rom)808或耦合到总线802的其他静态存储设备，以用于存储用于处理器804的静态信息和指令。存储设备810(诸如磁盘或光盘)被提供并且耦合到总线802以用于存储信息和指令。73.计算机系统800可以经由总线802耦合到显示器812，诸如液晶显示器(lcd)、等离子显示器、电子墨水显示器、阴极射线管(crt)监视器，或用于向计算机用户显示信息的任何其他种类的设备。计算机用户。包括字母数字键和其他键的输入设备814可以耦合到总线802，以用于向处理器804通信信息和命令选择。替代地或附加地，计算机系统800可以经由光标控制816(诸如鼠标、轨迹球、触控板或光标方向键)接收用户输入，以用于向处理器804通信方向信息和命令选择，以及用于控制显示器812上的光标移动。此输入设备通常在两个轴——第一轴(例如，x)和第二轴(例如，y)——上有两个自由度，这允许设备指定平面中的定位。替代地或附加地，计算机系统8可以包括触摸屏。显示器812可以被配置为经由一个或多个压敏传感器、多点触摸传感器和/或手势传感器接收用户输入。替代地或附加地，计算机系统800可以经由麦克风、视频相机和/或某些其他种类的用户输入设备(未示出)接收用户输入。74.计算机系统800可以使用定制硬连线逻辑、一个或多个asic或fpga、固件和/或程序逻辑来实现本文所述的技术，这些逻辑与计算机系统800的其他组件相结合，导致计算机系统800成为或将其编程为专用机器。根据实施例，本文的技术由计算机系统800响应于处理器804执行包含在主存储器806中的一个或多个指令的一个或多个序列而执行。此类指令可以从另一存储介质(例如存储设备810)被读入主存储器806。包含在主存储器806中的指令的序列的执行导致处理器804执行本文描述的处理步骤。替代地或附加地，硬连线电路可以被用于代替软件指令或与软件指令结合。75.本文所使用的术语“存储介质”是指存储导致机器以特定方式操作的数据和/或指令的一个或多个非暂态介质。此类存储介质可以包括非易失性介质和/或易失性介质。非易失性介质包括例如光盘或磁盘，诸如存储设备810。易失性介质包括动态存储器，诸如主存储器806。存储介质的常见形式包括例如软盘、柔性盘、硬盘、固态驱动器、磁带或其他磁性数据存储介质、cd-rom或任何其他光学数据存储介质、具有孔样式的任何物理介质、ram、可编程只读存储器(prom)、可擦除prom(eprom)、flash-eprom、非易失性随机存取存储器(nvram)、任何其他存储芯片或盒式存储器、内容可寻址存储器(cam)和三态内容可寻址存储器(tcam)。76.存储介质不同于传输介质，但可以与传输介质结合使用。传输介质参与存储介质之间的信息传递。传输介质的示例包括同轴电缆、铜线和光纤，包括构成总线802的线。传输介质也可以采用声波或光波的形式，诸如在无线电波和红外数据通信期间生成的那些。77.各种形式的介质可以涉及向处理器804携带一个或多个指令的一个或多个序列以供执行。例如，指令最初可以被携带于远程计算机的磁盘或固态驱动器上。远程计算机可以将指令加载到其动态存储器中，并经由网络接口控制器(nic)(诸如以太网控制器或wi-fi控制器)而通过网络发出指令。计算机系统800本地的nic可以从网络接收数据并将数据置于总线802上。总线802将数据携带到主存储器806，处理器804从主存储器806检索并执行指令。主存储器806接收的指令在由处理器804执行之前或之后可以任选地被存储在存储设备810上。78.计算机系统800还包括耦合到总线802的通信接口818。通信接口818提供到连接到本地网络822的网络链路820的双向数据通信耦合。例如，通信接口818可以是综合服务数字网络(isdn)卡、电缆调制解调器、卫星调制解调器或提供到对应类型的电话线的数据通信连接的调制解调器。作为另一示例，通信接口818可以是局域网(lan)卡，以提供到兼容的lan的数据通信连接。无线链路也可以被实现。在任何此类实现中，通信接口818发出和接收携带表示各种类型信息的数字数据流的电、电磁或光信号。79.网络链路820典型地通过一个或多个网络向其他数据设备提供数据通信。例如，网络链路820可以通过局域网822提供到主机824或由互联网服务提供者(isp)826操作的数据装备的连接。isp 826进而通过全球分组数据通信网络(现在常被称为“互联网”)828提供数据通信服务。本地网络822和互联网828两者都使用携带数字数据流的电、电磁或光信号。携带往返于计算机系统800的数字数据的、通过各种网络的信号以及网络链路820上的和通过通信接口818的信号是传输介质的示例形式。80.计算机系统800可以通过(一个或多个)网络、网络链路820和通信接口818发出消息和接收数据，包括程序代码。在互联网示例中，服务器830可以通过互联网828、isp 826、本地网络822和通信接口818发送针对应用的请求代码。81.接收的代码可以在被接收到时由处理器804执行，和/或被存储在存储设备810或其他非易失性存储中以供以后执行。82.在实施例中，计算机网络提供运行利用如本文所述的技术的软件的节点集合之中的连接性。节点彼此而言可以是本地的和/或远程的。节点通过链路的集合来连接。链路的示例包括同轴电缆、非屏蔽双绞电缆、铜缆、光纤和虚拟链路。83.节点的一个集合实现计算机网络。此类节点的示例包括交换机、路由器、防火墙和网络地址转换器(nat)。节点的另一集合使用计算机网络。此类节点(也被称为“主机”)可以执行客户端进程和/或服务器进程。客户端进程作出对计算服务的请求(例如，执行特定应用和/或检索特定数据集合的请求)。服务器进程通过执行请求的服务和/或返回对应的数据来响应。84.计算机网络可以是物理网络，包括通过物理链路连接的物理节点。物理节点是任何数字设备。物理节点可以是特定功能的硬件设备。特定功能硬件设备的示例包括硬件交换机、硬件路由器、硬件防火墙和硬件nat。替代地或附加地，物理节点可以是提供计算能力以执行任务的任何物理资源，诸如被配置为执行各种虚拟机和/或执行相应功能的应用的物理资源。物理链路是连接两个或更多个物理节点的物理介质。链路的示例包括同轴电缆、非屏蔽双绞电缆、铜缆和光纤。85.计算机网络可以是覆盖网络。覆盖网络是在另一网络(例如，物理网络)之上实现的逻辑网络。覆盖网络中的每个节点对应于底层网络中的相应节点。相应地，覆盖网络中的每个节点都与覆盖地址(以寻址覆盖节点)和底层地址(以寻址实现覆盖节点的底层节点)两者相关联。覆盖节点可以是数字设备和/或软件进程(例如，虚拟机、应用实例或线程)。连接覆盖节点的链路可以被实现为通过底层网络的隧道。隧道两端的覆盖节点可以将其之间的底层多跳路径视为单个逻辑链路。隧穿(tunneling)是通过封装和解封装来执行的。86.在实施例中，客户端可以在计算机网络本地和/或远离计算机网络。客户端可以通过其他计算机网络(诸如专用网络或互联网)访问计算机网络。客户端可以使用通信协议(诸如超文本传输协议(http))向计算机网络通信请求。请求通过接口(诸如客户端接口(诸如web浏览器)、程序接口或应用编程接口(api))被通信。87.在实施例中，计算机网络提供客户端与网络资源之间的连接性。网络资源包括被配置为执行服务器进程的硬件和/或软件。网络资源的示例包括处理器、数据存储、虚拟机、容器和/或软件应用。网络资源可以在多个客户端之间被共享。客户端彼此独立地从计算机网络请求计算服务。网络资源按需被动态指派给请求和/或客户端。指派给每个请求和/或客户端的网络资源可以基于例如(a)由特定客户端请求的计算服务、(b)由特定租户请求的聚合计算服务和/或(c)计算机网络的请求的聚合计算服务而被增加或减少。此类计算机网络可以被称为“云网络”。88.在实施例中，服务提供者向一个或多个最终用户提供云网络。云网络可以实现各种服务模型，包括但不限于软件即服务(saas)、平台即服务(paas)和基础设施即服务(iaas)。在saas中，服务提供者向最终用户提供使用服务提供者的应用的能力，这些应用在网络资源上执行。在paas中，服务提供者向最终用户提供将定制应用部署到网络资源上的能力。可以使用服务提供者支持的编程语言、库、服务和工具来创建定制应用。在iaas中，服务提供者向最终用户提供供应处理、存储、网络和由网络资源提供的其他基本计算资源的能力。任何应用(包括操作系统)都可以被部署在网络资源上。89.在实施例中，计算机网络可以实现各种部署模型，包括但不限于私有云、公共云和混合云。在私有云中，网络资源被供应用于由一个或多个实体(本文使用的术语“实体”指公司、组织、个人或其他实体)的特定组独占使用。网络资源可以在实体的特定组的驻地本地和/或远离实体的特定组的驻地。在公共云中，云资源被供应用于彼此独立的多个实体(也被称为“租户”或“客户”)。在混合云中，计算机网络包括私有云和公共云。私有云与公共云之间的接口允许数据和应用的可移植性。存储在私有云的数据和存储在公共云的数据可以通过接口进行交换。在私有云处实现的应用和在公共云处实现的应用可以彼此依赖。可以通过接口执行从私有云处的应用向公共云处的应用的调用(反之亦然)。90.在实施例中，系统支持多个租户。租户是访问共享计算资源(例如，在公共云中共享的计算资源)的公司、组织、企业、业务单位、员工或其他实体。一个租户(通过操作、租户特定的实践、员工和/或外部世界的标识)可以与另一租户分开。计算机网络及其网络资源由对应于不同租户的客户端访问。此类计算机网络可以被称为“多租户计算机网络”。若干租户可以在不同时间和/或同时使用相同的特定网络资源。网络资源可以在租户的驻地本地和/或远离租户的驻地。不同的租户对计算机网络可以需要不同的网络要求。网络要求的示例包括处理速度、数据存储的量、安全要求、性能要求、吞吐量要求、等待时间要求、适应力要求、服务质量(qos)要求、租户隔离和/或一致性。相同计算机网络可能需要实现不同租户所需的不同网络要求。91.在实施例中，在多租户计算机网络中，实现租户隔离以确保不同租户的应用和/或数据不相互共享。可以使用各种租户隔离办法。在实施例中，每个租户都与租户id相关联。利用租户id来标示由计算机网络实现的应用。附加地或替代地，利用租户id标示由计算机网络存储的数据结构和/或数据集。仅当租户和特定应用、数据结构和/或数据集与相同租户id相关联时，才允许租户访问特定应用、数据结构和/或数据集。作为示例，可以利用租户id来标示由多租户计算机网络实现的每个数据库。只有与对应租户id相关联的租户才能访问特定数据库的数据。作为另一示例，可以利用租户id来标示由多租户计算机网络实现的数据库中的每个条目。只有与对应租户id相关联的租户才能访问特定条目的数据。然而，数据库可以由多个租户共享。订阅列表可以指示哪些租户有权访问哪些应用。对于每个应用，存储了被授权访问该应用的租户id的列表。只有当租户的租户id被包括在与特定应用对应的订阅列表中时，才允许租户访问特定应用。92.在实施例中，对应于不同租户的网络资源(诸如数字设备、虚拟机、应用实例和线程)被隔离到由多租户计算机网络维护的租户特定覆盖网络。作为示例，来自租户覆盖网络中的任何源设备的分组只能被发送到相同租户覆盖网络内的其他设备。封装隧道可以被用于禁止从租户覆盖网络上的源设备到其他租户覆盖网络中的设备的任何传输。具体而言，从源设备接收的分组被封装在外层分组内。外层分组从第一封装隧道端点(与租户覆盖网络中的源设备通信)被发送到第二封装隧道端点(与租户覆盖网络中的目的地设备通信)。第二封装隧道端点对外层分组进行解封装，以获得由源设备发送的原始分组。原始分组从第二个封装隧道端点被发送到相同特定覆盖网络中的目的地设备。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!