基于波形的血流动力学不稳定警告
1.相关申请的交叉引用
2.本技术根据35usc
§
119(e)要求于2020年3月10日提交的共同拥有的美国临时申请us62/987602的优先权。特别地，美国临时申请us 62/987602的全部公开内容在此通过引用被整体并入本文。
背景技术：3.血流动力学不稳定(hi)是一种病症，它可以被定义为血液无法通过器官和组织，导致无法满足代谢需求。血流动力学不稳定反映了循环系统的问题，并且能够导致细胞功能障碍和死亡。心脏功能受损的危重患者存在循环衰竭和血流动力学不稳定的高风险。在重症监护环境(例如，重症监护室(icu))中，对血流动力学不稳定患者的介入常常涉及液体复苏以增加前负荷，施用血管加压药以增加外周阻力(后负荷)而维持全身血压和/或施用强心剂以增加心脏的收缩力。
4.先前关于预测血流动力学不稳定的工作通常基于护士绘图的生命体征(例如，体温、脉搏率、呼吸频率和/或血压)和用于将icu停留时间段分类为稳定或不稳定的临床测量。在一项预测血流动力学不稳定的研究中，将护士绘图的生命体征和临床测量应用于模型，得出了受试者操作特性(auroc)下的面积为0.82的结果。在另一项预测血流动力学不稳定的研究中，通过从考量因素中排除缺失数据，实现了auroc为0.87的结果。另一项预测外科icu出血的研究增加了床边监测器生命体征，得出了auroc为0.92的结果。床边监测器生命体征的获得频繁程度被认为高于护士绘图的生命体征的获得频繁程度。又一项预测血流动力学不稳定的研究使用ecg波形，但是仅在健康志愿者的模拟环境中进行了研究，这样得到了auroc为0.86至0.88的结果。
5.连续动脉血压(abp)波形承载有相关的血流动力学信息。动脉血压已在icu环境中用于监测心血管功能不全和对各种介入措施的反应。个体abp脉搏周期的两个主要组成部分是收缩期和舒张期，它们由重搏切迹分开。主动脉瓣的关闭以图形方式被反映为abp脉搏周期中的重搏切迹。能够从abp波形中估计信息特征，例如，作为心脏性能的度量的心输出量(co)。心输出量是心率、前负荷、收缩力和后负荷的函数。其他量度(例如，abp脉搏周期的一阶导数的最大值)充当心脏收缩力的间接度量。abp波形已被用于预测icu环境中的低血压发作。例如，在一项预测未来15分钟内发生低血压事件的研究中，从abp波形中提取的特征得出auroc在0.91至0.97的范围内的结果。
技术实现要素：6.根据本公开内容的一个方面，一种装置包括第一接口、存储器和处理器。所述第一接口与监测患者的至少一个心电图监测器接口连接。所述存储器存储指令。所述处理器运行所述指令。当由所述处理器运行时，所述指令使所述装置从经由所述第一接口从所述至少一个心电图监测器接收的心电图波中识别多个心跳；将所述多个心跳分开到第一时间窗口中；并且提取在所述第一时间窗口中的每个第一时间窗口中的所述心跳的特征，作为针
对每个第一时间窗口的第一提取特征。所述指令还使所述装置：基于所述第一提取特征来生成跨包括多个所述第一时间窗口的第二时间窗口的生成特征；将经训练的人工智能应用于所述生成特征；基于将所述经训练的人工智能应用于所述生成特征来预测针对所述患者的血流动力学不稳定；并且基于预测所述血流动力学不稳定来输出警告所述血流动力学不稳定的警报。
7.根据本公开内容的另一方面，一种方法包括：经由与监测患者的至少一个心电图监测器接口连接的第一接口接收多个心电图波；从所述心电图波中识别多个心跳；将所述多个心跳分开到第一时间窗口中；并且提取在所述第一时间窗口中的每个第一时间窗口中的所述心跳的特征，作为针对每个第一时间窗口的第一提取特征。所述方法还包括：基于所述第一提取特征来生成跨包括多个所述第一时间窗口的第二时间窗口的生成特征；将经训练的人工智能应用于所述生成特征；基于将所述经训练的人工智能应用于所述生成特征来预测针对所述患者的血流动力学不稳定；并且基于预测所述血流动力学不稳定来输出警告所述血流动力学不稳定的警报。
8.根据本公开内容的又一方面，一种有形非瞬态计算机可读存储介质存储计算机程序。当由处理器运行时，所述计算机程序使包括所述有形非瞬态计算机可读存储介质的系统：从经由第一接口从至少一个心电图监测器接收的心电图波中识别多个心跳；将所述多个心跳分开到第一时间窗口中；并且提取在所述第一时间窗口中的每个第一时间窗口中的所述心跳的特征，作为针对每个第一时间窗口的第一提取特征。所述计算机程序还使所述系统：基于所述第一提取特征来生成跨包括多个所述第一时间窗口的第二时间窗口的生成特征；将经训练的人工智能应用于所述生成特征；基于将所述经训练的人工智能应用于所述生成特征来预测针对患者的血流动力学不稳定；并且基于预测所述血流动力学不稳定来输出警告所述血流动力学不稳定的警报。
附图说明
9.当与附图一起阅读以下描述时，将最佳地理解示例性实施例。需要强调的是，各种特征不一定是按比例绘图的。实际上，为了讨论清楚，可以任意增大或减小尺寸。在任何适用和实用的地方，相同的附图标记指代相同的元件。
10.图1图示了根据代表性实施例的用于基于波形的血流动力学不稳定警告的系统。
11.图2图示了根据代表性实施例的用于基于波形的血流动力学不稳定警告的处理流水线和提取的特征。
12.图3图示了根据代表性实施例的用于基于波形的血流动力学不稳定警告的方法。
13.图4图示了根据代表性实施例的用于基于波形的血流动力学不稳定警告的计算机系统。
具体实施方式
14.在下面的详细描述中，出于解释而非限制的目的，阐述了公开具体细节的代表性实施例，以便提供对根据本教导的实施例的透彻理解。可以省去对已知的系统、设备、材料、操作方法和制造方法的描述，以避免使得对代表性实施例的描述不清楚。尽管如此，在本领域普通技术人员的能力范围内的系统、设备、材料和方法均在本教导的范围内，并且可以根
据代表性实施例来使用。应当理解，本文所使用的术语仅出于描述特定实施例的目的，而并非旨在进行限制。所定义的术语表示在本教导的技术领域中通常理解和接受的定义术语的科学技术含义之外的含义。
15.应当理解，虽然在本文中可以使用术语第一、第二、第三等来描述各个元件或部件，但是这些元件或部件不应被这些术语所限制。这些术语仅用于区分一个元件或部件与另一元件或部件。因此，下面讨论的第一元件或部件也可以被称为第二元件或部件，而不会脱离本发明构思的教导。
16.本文所使用的术语仅出于描述特定实施例的目的，而并不旨在进行限制。如说明书和权利要求书中所使用的术语“一”、“一个”和“该”的单数形式旨在包括单数形式和复数形式，除非上下文另有明确指示。另外，当在本说明书中使用时，术语“包括”和/或“包含”和/或类似术语指定存在所陈述的特征、元件和/或部件，但并不排除存在或增加一个或多个其他特征、元件、部件和/或它们的组。如本文所使用的术语“和/或”包括列举的相关联的项目中的一个或多个项目的任何组合和所有组合。
17.除非另有说明，否则当说元件或部件“连接到”、“耦合到”或“邻近”另一元件或部件时，应当理解，该元件或部件能够直接连接或耦合到另一元件或部件，可以存在中间元件或部件。也就是说，这些术语和类似术语涵盖可以采用一个或多个中间元件或部件来连接两个元件或部件的情况。然而，当说元件或部件“直接连接”到另一元件或部件时，这仅涵盖两个元件或部件彼此连接而没有任何中介或中间元件或部件的情况。
18.本公开内容因此旨在通过其各个方面、实施例和/或特定特征或子部件中的一个或多个而带来如下具体指出的一个或多个优点。为了解释而非限制的目的，阐述了公开具体细节的示例性实施例，以便提供对根据本教导的实施例的透彻理解。然而，与本文中公开的具体细节背离的与本公开内容一致的其他实施例仍在权利要求的范围内。此外，可以省去对众所周知的装置和方法的描述，以免使得对示例性实施例的描述不清楚。这样的方法和装置在本公开内容的范围内。
19.如本文所述，ecg波形和/或abp波形可以用于预测血流动力学不稳定，无论是在没有护士绘图的生命体征和临床测量的情况下还是与护士绘图的生命体征和临床测量相结合的情况下都是如此。根据本文的实施例，如果仅使用临床测量和护士绘图的生命体征来建立用于血流动力学不稳定预测的基线模型，则当添加从ecg波形和abp波形中提取的特征时，auroc可以提高5％，同时精度召回曲线下面积(auprc)提高了9％。当单独使用从ecg波形和abp波形中提取的特征而没有使用任何临床测量或护士绘图的生命体征时，与基线结果相比，auroc和auprc仍可观察到4％的提高。
20.图1a图示了根据代表性实施例的用于基于波形的血流动力学不稳定警告的系统100。
21.图1a中的系统100是用于基于波形的血流动力学不稳定警告的系统并且包括可以一起提供或可以分布的部件。系统100包括一个或多个ecg监测器101、一个或多个abp监测器102、工作站140、监测器155以及人工智能控制器180。人工智能训练系统190向人工智能控制器180提供经训练的人工智能。
22.(一个或多个)ecg监测器101是心电图监测器。ecg监测器通过测量流经心脏的电流来监测心脏的电活动。每个ecg监测器可以在图表中记录信号的强度和计时，并且可以包
括一个或多个电极，这一个或多个电极经由贴片和电线被附接到患者的身体，该电线将ecg迹线信号传送到工作站140上的接收器。由(一个或多个)ecg监测器101记录的信号可以包括p波、qrs波群和t波。
23.(一个或多个)abp监测器102是动脉血压监测器。(一个或多个)abp监测器102经由压力换能器监测患者的动脉血压。压力换能器可以是连接到动脉血管的外部压力传感器。外部压力传感器通常经由进入动脉血管的充满流体的导管在径向位置处连接到动脉血管。压力换能器可以替代地是被安装在进入动脉血管的导管顶端的内部压力传感器。可以记录连续abp信号波形并且可以通过(一个或多个)abp监测器102测量动脉血压测量结果。可以使用(一个或多个)abp监测器102测量的动脉血压测量结果包括收缩压(spb)、舒张压(sbp)和平均动脉压(map)。(一个或多个)abp监测器102连接到工作站140上的接收器。
24.工作站140包括控制器150、第一接口153、第二接口154以及触摸面板156。控制器150包括存储指令的存储器151和运行指令的处理器152。控制器150控制并实施可归于如本文所述的工作站140的方法的一些或所有方面。第一接口153将(一个或多个)ecg监测器101连接到工作站140。第二接口154将(一个或多个)abp监测器102连接到工作站140。也就是说，第二接口154接口连接一个或多个动脉血压监测器。第一接口153和第二接口154可以是用于发送和接收数据的端口、适配器或其他类型的有线或无线接口。触摸面板156可以包括触摸界面，该触摸界面经由(例如通过直接触摸或经由鼠标、键盘或其他手控输入机构的)触摸来接受输入。触摸面板156还可以包括用于显示触摸输入的视觉显示器，使得用户能够确认输入。工作站140还可以包括一个或多个其他输入接口。工作站140的(一个或多个)其他输入接口(未示出)可以包括端口、磁盘驱动器、无线天线或其他类型的接收器电路。(一个或多个)其他输入接口还可以将其他用户接口(例如，鼠标、键盘、麦克风、视频相机、触摸屏显示器或其他元件或部件)连接到工作站140。
25.监测器155是显示图像和数据的可视化的电子监视器。监测器155可以是计算机监视器、移动设备上的显示器、电视、电子白板或被配置为显示电子影像的另一屏幕。监测器155还可以包括一个或多个输入接口，例如上面提到的可以将其他元件或部件连接到工作站140的那些输入接口，以及能够经由触摸实现直接输入的触摸屏。
26.人工智能控制器180包括存储指令的存储器181和运行指令的处理器182。人工智能控制器180可以基于来自(一个或多个)ecg监测器101的ecg信号并基于来自(一个或多个)abp监测器102的abp信号将经训练的人工智能动态地应用于从控制器150接收的数据。在一些实施例中，人工智能控制器180被实施为工作站140的部件。在替代实施例中，控制器150和人工智能控制器180是通过相同的存储器和处理器来实施的，而不是通过不同的存储器和处理器来实施的。
27.人工智能训练系统190包括存储指令的存储器191和运行指令的处理器192。人工智能训练系统190可以基于来自患者监测的许多不同实例方式的数据集来训练人工智能，以便学习输入数据与得到的血流动力学不稳定的结果之间的最优相关性。可以从数据库(例如，在本文中的其他地方描述的重症监护医疗信息集市(mimic)iii数据库)提供数据集。结果，从人工智能训练系统190提供的经训练的人工智能可以用于以本文描述的方式预测血流动力学不稳定，并且最终提供警报以引起处置，从而避免、处置或以其他方式解决所预测的血流动力学不稳定。训练可以基于对包括数百名血流动力学不稳定患者在内的数千
名患者的分析。训练可以涉及二元分类，并且当考虑来自ecg波形和abp波形这两者的特征以及实验室结果和护士绘图的生命体征时，可以使auroc提高5％或更高。当仅考虑来自ecg波形和abp波形这两者的特征时，训练还可以使auroc提高4％或更高。
28.图2图示了根据代表性实施例的用于基于波形的血流动力学不稳定警告的处理流水线和提取的特征。
29.在图2中，左上角的abp处理流水线是端到端的并且包括以下三个步骤：(1)心跳分割，(2)abp特征提取以及(3)信号异常检测。端到端abp处理流水线用于从abp波形中提取特征。左上角的ecg流水线也是端到端的并且也包括以下三个步骤：(1)心跳分割和标示，(2)信号质量指标以及(3)ecg特征提取。ecg流水线中的心跳分割可以包括：检测qrs波群，然后对心跳进行分类。ecg流水线中的信号质量指标可以包括信号质量评估。ecg流水线中的ecg波形可以来自mimic iii数据库，并且可以以125hz或250hz的频率来记录ecg波形。可以对ecg波形从125hz上采样到250hz，以提高qrs波群的时间分辨率和可检测性。图2中的端到端ecg处理流水线和abp处理流水线是使用在icu环境中通常可用的波形信号的客观度量，而不要求任何额外的特殊设备。
30.在图2的右侧的面板(a)示出了护士绘图的生命体征，并且右侧的面板(b)示出了床边监测器的生命体征。来自ecg流水线的数据被示出在右侧的(c)ecg波形hr(5分钟)中，它是从ecg波形中提取的5分钟平均心率(hr)。来自abp流水线的数据被示出在右侧的(d)abp波形sbp(*)、dbp(*)、map(*)(5分钟)中，它们分别是从abp波形中提取的5分钟平均收缩压(sbp)、5分钟平均舒张压(dbp)和5分钟平均的平均动脉压(map)。在图2中，图4中的(a)、(b)、(c)和(d)中的特征用于样本患者。在(c)中示出的针对ecg波形的特征是根据被分开到5分钟的第一时间窗口中的心跳来绘制的。在(d)中示出的特征是根据被分割到脉搏周期中的动脉血压波(其然后也被分开到5分钟的第一时间窗口中)来绘制的。
31.图2中的6小时窗口是被叠加在(a)、(b)、(c)和(d)上的第二时间窗口。这个6小时窗口至少在介入时间前1小时结束，如由被叠加在(a)、(b)、(c)和(d)上的垂直线所示。这个6小时窗口包括第一时间窗口中的72个第一时间窗口，对于(c)中的ecg波形和对于(d)中的abp波形，每个第一时间窗口都是5分钟。从(a)、(b)、(c)和(d)中的6小时窗口导出的特征被用在左下方的血流动力学不稳定预测模型中，以分类出稳定患者和不稳定患者。所导出的特征是从(a)、(b)、(c)和(d)的时间系列数据导出的，因此包括从来自(a)的护士绘图的生命体征导出的特征、从来自(b)的床边监测器生命体征导出的特征、从在(c)中的经分割的ecg波形导出的特征以及从在(d)中的abp波形导出的特征。
32.图2中的以在(a)中示出的护士绘图的生命体征和在(b)中示出的床边监测器生命体征表示的生命体征包括心率(hr)、收缩压(sbp)和舒张压(dbp)。临床测量包括从实验室检验结果和通气机读数中提取的许多特征，包括动脉碱过剩、天冬氨酸转氨酶(ast)、条带、嗜碱性粒细胞、钙、co2、肌酐、嗜酸性粒细胞(eos)、吸入氧气分数(fio2)、葡萄糖、红细胞比容、血红蛋白、离子钙、乳酸、镁、平均气道压力、二氧化碳分压(paco2)、吸气峰压、钾、部分凝血活酶时间(ptt)、氧饱和度(sao2)、钠、胆红素、白细胞计数、血尿素氮(bun)以及中心静脉压。临床测量还可以包括入院时患者的体温和年龄。临床测量还可以包括被计算为的平均动脉压(map)和被计算为的休克指数(si)。
33.图3图示了根据代表性实施例的用于基于波形的血流动力学不稳定警告的方法。
34.图3图示了根据代表性实施例的基于波形的血流动力学不稳定警告过程。图3的方法可以由单个装置(例如，控制器150或工作站140)、单个系统(例如，系统100)来执行，由单个实体或代表单个实体来执行，或者由分布式装置、分布式系统来执行，或者由多个实体或代表多个实体来执行。在一些实施例中。当图1的工作站140与人工智能控制器180集成在一起或者包括人工智能控制器180时，工作站140可以执行图3的方法；或者，如果工作站140与图1的人工智能控制器180是分开提供的，则工作站140与人工智能控制器180的组合可以执行图3的方法。
35.在s305处，图3的方法包括接收心电图波。可以由工作站140经由图1中的第一接口153从(一个或多个)ecg监测器101接收心电图波。
36.在s310处，图3的方法包括接收动脉血压波。可以由工作站140经由图1中的第二接口154从(一个或多个)abp监测器102接收动脉血压波。
37.在s315处，图3的方法包括从心电图波中识别心跳。可以从在s305处接收的心电图波中识别心跳，并且可以根据由图1中的控制器150执行的分析来识别心跳。
38.在s325处，图3的方法包括将心跳分开到第一时间窗口中。可以由图1中的控制器150将心跳分开到第一时间窗口中。例如，每个第一时间窗口都可以包括5分钟间隔，并且如本文所述，每个6小时的第二时间窗口中可以包括第一时间窗口中的72个第一时间窗口。
39.在s330处，图3的方法包括将动脉血压波分割到脉搏周期中。例如，图1中的控制器150可以将动脉血压波分割到脉搏周期中。可以使用检测动脉血压脉搏开始的脉搏检测算法将连续动脉血压波形分割到个体脉搏周期中。
40.另外，虽然未示出，但是脉搏周期可以被分开到第一间隔中。例如，动脉血压波的心跳和脉搏周期可以被分开到相同的第一时间窗口中。
41.在s335处，图3的方法包括：如果心跳嘈杂，则从进一步处理中排除该心跳。在s335处的排除可以由图1中的控制器150来执行，并且可以涉及一个心跳，也可以涉及一个以上的心跳。ecg特征的正确提取取决于ecg信号的质量，并且许多因素都会影响ecg信号的质量，包括患者移动、电极接触不良、电极错误放置和电干扰。ecg质量评估措施可以基于现有准则的组合并考虑存在于数据中的各种类型的噪声。可以考虑八种类型的噪声并由噪声滤波器过滤这八种类型的噪声，这八种类型的噪声包括低频噪声、高频噪声、平坦线比率、峰峰幅度、带斜率的尖峰指标、幅度饱和、电力线噪声以及检测到的逐心跳(qrs到qrs，或rr)间隔的异常值比率。对于每种类型的噪声，可以使用来自不同患者组的ecg数据来调谐凭经验确定的阈值。可以使用八个子指标来计算总信号质量指标(sqi)。可以逐秒评估信号质量。对于一秒的ecg段，只有当所有子指标都低于经调谐的阈值时，总sqi才会接收到值1(可接受)。
42.在s340处，图3的方法包括：如果脉搏周期异常嘈杂，则从进一步处理中排除abp脉搏周期。也就是说，图3的方法可以包括基于将至少一个个体脉搏周期识别为异常，从经训练的人工智能的应用中排除被识别为异常的至少一个个体脉搏周期。s340处的排除可以由图1中的控制器150来执行，并且可以涉及一个脉搏周期，也可以涉及一个以上的脉搏周期。可以在个体动脉血压脉搏周期上计算信号异常指标(sai)，以丢弃被认为不可用的异常动脉血压脉搏周期。当满足以下条件中的任一条件时，可以丢弃abp脉搏周期：(1)sbp》300mmhg或dbp《20mmhg；(2)map《30mmhg或》200mmhg；(3)(脉压)pp《20mmhg；(4)abp脉搏周期
的负斜率之和《-40mmhg/100毫秒；(5)相邻abp周期之间的sbp和dbp的差异超过20mmhg；(6)以秒为单位的abp脉搏周期的长度之间的差异超过秒；(7)sbp、重搏切迹和dbp的顺序不一致；(8)sbp《dbp。
43.在s345处，图3的方法包括提取在第一时间窗口中的心跳的特征。通过以下操作来利用ecg波形：以更高的时间分辨率提取心率，并且导出心率变异性(hrv)来充当自主控制力和血管紧张性的间接度量。从在第一时间窗口中的心跳中提取的特征的示例可以包括根据单个心跳计算的平均值，例如，平均心率。另外，从在第一时间窗口中的心跳中提取的特征的示例可以包括在第一时间窗口内部的所有心跳上的特征，例如，心率变异性。可以采用商业级(fda批准的)ecg心律失常检测算法对每个患者中的每个ecg导联执行ecg心跳检测和分类。对于每个检测到的心跳，可以将心跳位置分配给qrs峰，并且可以基于每个心跳的特性将心跳类型分配给以下预定标签中的一个预定标签：正常心跳(n)、室性早搏(v)、室上性早搏(s)、起搏心跳(p)、有问题的/未分类的心跳(q)以及学习心跳(l)。
44.可以使用仅来自具有良好信号质量的段的心跳位置和标签来提取/计算每个ecg导联的以下ecg特征。当可从多个导联获得ecg特征时，可以从单个导联中选择特征，例如按照以下顺序：ii、v、mcl、avf、iii、avr、avl、v1、v3、v5和v2。可以基于可用性和临床相关性来按顺序对ecg导联进行排名。
45.心率(hr)是每分钟的心跳次数。可以使用两个相邻心跳(其中，心跳被标示为n、v、s、p、q或l)之间的r-r间隔来计算瞬时心率。可以在每个5分钟的第一时间窗口上获取瞬时hr值的平均值。可以从(a)护士绘图的生命体征、(b)每分钟测量的床边监测器生命体征和(c)ecg波形添加时间系列的hr值，在5分钟的窗口上对时间系列的hr值求平均。
46.另一提取的ecg特征可以是心率不对称(hra)。hra量化了心率在一段时间内的快速加速和减速，并将失衡简洁地表示为单个指标。
47.额外提取的ecg特征可以是心率变异性(hrv)。hrv是相邻的正常心跳之间时间间隔内的波动。仅使用被标示为“n”的心跳来计算在5分钟时间窗口上的hrv衡量指标。hrv量度被分组到时域、频域和非线性域中，如下面所解释的那样。时域hrv量度包括nn间隔的标准偏差(sdnn)、正常心跳之间的相继差异的均方根(rmssd)、相继nn间隔差异的标准偏差(sdsd)、相邻nn间隔彼此相差分别超过20毫秒(pnn20)和50毫秒(pnn50)的百分比。
48.额外提取的ecg特征可以是频域hrv量度，它利用在nn间隔时间系列上的快速傅里叶变换(fft)来提取不同频率分量的贡献。频率分量可以被组织成四个不交叠的频带，即，超低频(0.0001hz至0.003hz)、极低频(0.004至0.04hz)、低频(0.05至0.15hz)和高频(0.16至0.4hz)。这些频域量度可能要求在没有任何间隙的相邻nn间隔上进行计算。因此，这些量度可以仅在5分钟窗口内部的最长、连续的nn间隔段上计算。对于该段，可以使用三次插值以4hz的采样频率对nn间隔进行重新采样，以获得有规律且频繁采样的时间系列。可以减去nn时间系列的平均值以消除对基线偏移的影响。可以使用汉宁窗口在这个时间系列上对welch周期图进行编程。由于汉宁窗口被设置到256个样本的最小长度，因此可以丢弃长度≤255个样本的nn时间系列。频域量度包括四个频带中的功率、总功率、低频(lf)频带和高频(hf)频带中的归一化和相对功率，以及比率。也可以将在6小时的第二时间窗口中计算的心率和hrv之间的相关性添加到特征中。
49.也可以包括若干非线性hrv量度。可以在相邻nn间隔的最长段的poincare标绘图上计算这些量度，这种计算与上面的频域分析相同。可以将椭圆拟合到poincare标绘图上的点，并且可以计算椭圆的宽度(sd1)和长度(sd2)以及比率。
50.可以通过跟踪每5分钟窗口内的室性期前收缩(pvc)心跳计数和室上性早搏收缩心跳计数来跟踪早搏计数的次数。pvc的频率是经由左心室射血分数降低而得到的对心力衰竭和死亡的预测物。
51.在s350处，图3的方法包括提取在第一时间窗中的动脉血压的特征。可以通过以相对较高的时间分辨率提取血压测量结果并提取abp形态特征来利用abp波形。形态特征可以用于估计co、心脏收缩力和其他血流动力学状态的指示物。
52.在每个abp脉搏周期中，可以将sbp计算为abp脉搏周期中的局部最大值，并且将dbp计算为当从右到左遍历abp脉搏周期时具有零斜率的第一个点。dbp可以以这种方式来计算，而不是使用最小值来计算。根据sbp和dbp，可以计算map和脉压(pp)。为了定位重搏切迹，可以使用两种方法：一种是0.3
×
t，其中，t是abp脉搏周期的长度(以秒为单位)，而另一种是sbp之后的第一个零斜率交叉点。这两种方法都将重搏切迹定位到收缩期与舒张期之间没有明确分隔的位置。因此，重搏切迹被定位为在t之后的第一个零斜率交叉点，其中，t被选择为圆形(0.3
×
t)。如通过视觉评价的评估所示，这种组合方法在定位重搏切迹时的错误更少。另外，如果未找到sbp、dbp或重搏切迹，则可以在340处从计算中排除该abp脉搏周期。
53.导出的形态学特征包括到sbp的时间，到dbp的时间，从脉搏开始到重搏切迹的时间，收缩期、舒张期和完整abp脉搏周期下的面积，以及abp脉搏周期的长度。最大斜率(abp脉搏周期的一阶导数)(dp/dt)
max
被计算为在滴定正性肌力药中使用的心脏收缩力的间接估计量度。向这些特征添加了co的两个间接量度，如下所示：
[0054][0055]
其中，针对每个abp脉搏周期提取pp、sbp和dbp以及收缩面积。这里，可以使用在时间上最接近当前abp脉搏周期的心率。针对每个abp脉搏周期计算特征，并且可以在每个5分钟的第一时间窗口上求平均。在上图2中的(d)中，5分钟平均的sbp、dbp和map的时间系列是根据同一患者的abp波形计算的。
[0056]
在s357处，图3的方法包括提取跨第二时间窗口的特征。提取的ecg和abp波形特征得到如图2的(c)和(d)所示的时间系列。第二时间窗口可以包括如图2所示的时间系列中的多个第一时间窗口，并且可以包括例如总共6个小时的72个第一时间窗口。可以通过计算时间系列特征来提取跨第二时间窗口提取的特征，例如，在第二时间窗口中包括的第一时间窗口中提取的特征的均值、标准偏差和斜率。
[0057]
可以从第一时间窗口的时间系列中提取可以跨第二时间窗提取的导出特征(df)，以捕获与血流动力学不稳定有关的相关信息。如上图2所示，在s357处仅总结了在6小时窗口中可获得的时间系列，而不是介入前1小时窗口中的数据，因为这为医生提供了足够的介入时间。可以为6小时窗口中的每个时间系列计算均值、标准偏差、中值、最小值和最大值，以捕获时间系列的分布属性。计算每个时间系列的斜率和截距，以分别捕获趋势信息和基线偏移。为了跨患者进行有意义的比较，可以关于均值相减的时间系列来计算趋势特征。最
后，可以计算斜率和近似熵，以捕获时间系列中的规律性和波动性。对于近似熵和样本熵，在其上寻找相似性的模式长度被设定为默认值2。
[0058]
在实施例中，可以使用多个第二时间窗口并且多个第二时间窗口可以交叠。例如，当第二时间窗口是6小时时，可以每三十分钟开始一个不同的第二时间窗口，使得例如可以每三十分钟就生成在s337处生成的特征。
[0059]
在s360处，图3的方法包括将经训练的人工智能应用于提取的特征。人工智能训练系统190可以训练经训练的人工智能，并且可以将经训练的人工智能提供给人工智能控制器180。人工智能控制器180可以应用经训练的人工智能，或者在控制器150提供人工智能控制器180时，工作站140可以应用经训练的人工智能。
[0060]
在s370处，图3的方法包括预测血流动力学不稳定。例如，可以提前1小时或多小时预测血流动力学不稳定。预测可以包括置信水平，例如，30％、60％或80％。预测还可以指定血流动力学不稳定被预测为开始或可检测到的特定时间或时间段。
[0061]
在s380处，图3的方法包括确定血流动力学不稳定的预测是否高于阈值。如果血流动力学不稳定的预测不高于阈值(s380＝否)，则图3的过程将返回到s305和s310。例如，阈值可以是50％或75％。在一些实施例中，可以使用多个阈值。例如，25％的第一阈值可以被视为临床工作人员应当响应于预测而准备采取行动的警告阈值，而50％的第二阈值可以被视为临床工作人员应当响应于预测而采取行动的行动阈值。警报可以包括基于估计的可能性超过预定阈值而提前推断出所述患者将进入血流动力学不稳定阶段的推断。
[0062]
如果血流动力学不稳定的预测值高于阈值(s380＝是)，则图3的方法包括输出警告血流动力学不稳定的警报。在预测值高于阈值的情况下要采取的其他行动可以包括处置或开始准备处置。
[0063]
另外，图3的方法可以使用经训练的人工智能。经训练的人工智能的训练可以基于具有相关数据的大量患者群体，例如，具有在mimic iii数据库中存储的信息的患者。mimic iii数据库具有匹配的患者子集的电子病历(ehr)和波形记录。ehr包括来自各种实验室检验结果、用药情况、液体摄入情况以及护士绘图的生命体征的条目。波形记录包含多参数生理信号(包括ecg和abp)。mimic iii数据库还包括床边监测器生成的生命体征，例如，每分钟可获得的心率和收缩压(sbp)。
[0064]
mimic iii数据库包括来自46520名独特icu患者的ehr数据。mimic iii数据库匹配了10282名患者的子集的生理波形和床边监测器生命体征。训练经训练的人工智能的过程可以涉及首先识别血流动力学不稳定患者，这些患者接受了与血流动力学不稳定有关的强介入或弱介入。强介入可以包括使用血管加压药，例如，多巴酚丁胺、多巴胺、肾上腺素、去甲肾上腺素、苯肾上腺素、加压素和异丙肾上腺素。弱介入可以包括使用液体治疗、浓缩红细胞和药剂，例如，利多卡因。在mimic iii数据库中，15713名患者可以被识别为具有一种或多种强介入，而9949名患者被识别为具有一种或多种弱介入。可以从后续处理中排除只有弱介入的患者。其余20858名未接受任何介入的患者可以被识别为稳定患者。可以对具有波形的稳定患者和不稳定患者进行过滤，并且这样会得到具有波形的4460名稳定患者和具有波形的3037名不稳定患者。选择也可以限于以下的不稳定患者，这些不稳定患者在自入院以来的第一次强介入之前的时间窗口中具有实验室、护士绘图的生命体征、床边监测器生命体征、ecg或abp中的任一项。在本文所述的一些实施例中，第二时间窗口的选择可以
是介入前的6小时至1小时。对于稳定患者，可以随机预先选择6小时窗口。具有相似护理水平的稳定患者和不稳定患者(例如，在6小时窗口内部至少有一个护士绘图的hr和sbp)可以用作训练的基础，并且在一组实验中，这使得识别出880名不稳定患者和2501名稳定患者。
[0065]
根据不稳定患者来预测血流动力学稳定的问题可以作为一个二元分类问题来处理。梯度提升树(xgboost)模型可以用作具有决策树的总体集合的提升模型。在每次迭代中，可以将决策树添加到现有的树集合中，以校正来自先前迭代的错误，其目标是使整体损失函数最小化。可以使用在python中可用的梯度提升树的实施方式。可以在从10-4至1的正则化λ，在10-4至0.3的范围内的学习速率和从1至5的每个决策树的最大深度上使用超参数调谐。所有其他设置可以被设定为默认值。可以对所有患者执行分层的5层嵌套交叉验证。可以在四个训练层上执行超参数调谐，并且可以在伸出的第五层上执行测试。可以报告五个测试层的平均auroc曲线和平均auprc曲线。也可以报告五个测试层的标准误差。
[0066]
报告了两个实验的结果。在实验i中，将添加更高时间分辨率的特征的性能与基线模型进行了比较。基线模型可以仅利用临床测量和护士绘图的生命体征的最后的条目(在第二时间窗口的结束处)。可以使用在前向填充临床测量和护士绘图的生命体征后的6小时窗口中的最后的条目，从而尽一切努力将每个患者的缺失特征的数量降至最低。该实验包括来自所有稳定患者和不稳定患者的数据。该实验模拟了真实世界的icu环境，其中，血流动力学不稳定预测模型利用icu中可用的信息来提高预测性能。
[0067]
基线模型(使用临床测量和生命体征)可以具有0.89的auroc和0.79的auprc。这些特征的可用性很大程度上取决于护理人员，并且间接表示临床医生的关注或其他偏向。对于基线模型，可以添加来自护士绘图的生命体征(护士df)和床边监测器生命体征(监测器df)的导出特征。将生命体征的导出特征添加到基线模型可以将auroc提高2％，同时auprc的变化更为明显。可以报告对基线模型执行来自五层的auroc的配对t检验而得到的p值。与床边监测器生命体征相比，包括护士绘图的生命体征所引起的性能提高表现出更大的差异。接下来，将更高时间分辨率的特征添加到基线模型。添加来自abp波形、ecg波形的导出特征，并且组合来自abp波形和ecg波形的特征。这些高时间分辨率特征可以包括基本生命体征以及其他abp和ecg特定特征。当包括ecg和abp特征时，与基线模型相比，auroc可以获得4％的提高并且auprc可以获得7％的提高。
[0068]
在实验i中，不同特征组的相对贡献是未知的，因为跨患者的特征组的可用性是不均匀的。例如，只有三分之一的患者具有abp波形，但几乎所有患者都具有ecg波形。为了比较不同特征组的相对性能，进行了实验ii，其中，仅包括在6小时窗口内具有来自所有五个特征组的数据的患者，并且单独评价每个特征组。这样只有243名不稳定患者和230名稳定患者。实验ii中的所有其他细节与实验i相似。
[0069]
使用临床测量和护士绘图的生命体征的最后的条目得到了auroc为0.82的结果，这与使用更多数量的患者的实验i相比下降了7％。当使用护士绘图的生命体征和监测的生命体征时，未观察到auroc有很大提高。最后，在评价波形特征时，可以获得abp的auroc为0.84而ecg+abp的auroc为0.85的结果。虽然仅使用ecg特征时性能有所下降，但是这在统计学上并不显著(p＝0.36)。单独使用abp与结合ecg使用abp相比，性能会有小幅提高。这表明预测模型可以利用abp可用的信息而不是ecg可用的信息(例如，心输出量或收缩力)。另外，没有一个性能与基线模型有显著差异。auprc遵循非常相似的趋势，但比auroc更好，因为与
负面示例相比，有更多的正面示例(243名不稳定患者)。该实验的结果表明：即使在没有临床测量和护士记录的生命体征的情况下，客观度量(例如，来自床边监测器的生命体征和来自波形的特征)也会承载有与血流动力学不稳定有关的相关信息。
[0070]
作为最后的分析，探查这些特征的临床相关性，并且检查这些波形特征表示底层系统(即，心脏性能、自主紧张性和血管紧张性)的程度。根据实验ii中的xgboost模型对所有五个cv层的排名来检查特征的重要性。选择较小的队列来检查特征重要性，因为所有患者都具有所有五个特征组，并且稳定患者与不稳定患者的比例大致相等(230对243)。然而，在每个特征组内，影响其重要性的特征的可用性可能存在不平衡。为了校正这一点，从其缺失模式的重要性中减去每个特征的重要性。首先通过将特征设定为1(当存在该特征时设定为1，否则设定为0)来创建数据矩阵——这只是对缺失模式进行编码。其次，在预测模型中使用这个二元数据矩阵，并且计算缺失模式的特征重要性。在此之后，在从“1.0”(其中，特征的排名很高，并且其缺失模式几乎没有影响或根本没有影响)到“0.0”(其中，特征的重要性完全被其缺失模式所抵消)到
“‑
1.0”(其中，特征并不重要，但其缺失模式承载有关于稳定患者与不稳定患者相比的信息)的范围内计算经校正的特征重要性分数。
[0071]
临床测量的特征包括sbp、map、si、血细胞比容、血红蛋白、paco2、fio2、碱过剩和平均气道压力，其中的许多项与血流动力学监测临床相关。当仅使用abp波形时，也可以使用收缩压、舒张压、休克指数、co(zander)、重搏切迹幅度、abp脉搏周期的长度和map最小值、心缩期下面的面积的近似熵。当仅使用ecg波形时，也可以使用lf、ulf功率、lf的最小值、vlf功率的中值，近似熵(其捕获心率信号的规律性)和porta指数。lf分量已被普遍接受为交感神经系统和迷走神经系统的活动的间接度量，并且观察到心率受到这两个部分的影响。在血液透析引发的低血压期间，稳定患者和不稳定患者的频域hrv量度(特别是vlf、lf和hf)存在显著差异。
[0072]
图4图示了根据代表性实施例的用于基于波形的血流动力学不稳定警告的计算机系统。
[0073]
图4图示了根据另一代表性实施例的计算机系统，在该计算机系统上实施了用于基于波形的血流动力学不稳定警告的方法。
[0074]
图4的计算机系统400示出了用于通信设备或计算机设备的全套部件。然而，如本文所述的“控制器”可以用少于图4的这套部件来实施。例如通过存储器与处理器的组合来实施。计算机系统400可以包括在本文中的用于基于波形的血流动力学不稳定警告的系统中的一个或多个部件装置的一些或所有元件，但是任何这样的装置可能不一定包括针对计算机系统400描述的元件中的一个或多个元件并且可以包括未描述的其他元件。
[0075]
参考图4，计算机系统400包括一组软件指令，这组软件指令能够被运行以使计算机系统400执行本文公开的基于计算机的功能中的一些或所有功能。计算机系统400可以作为独立设备来操作，也可以例如使用网络401被连接到其他计算机系统或外围设备。在实施例中，计算机系统400基于经由模数转换器接收的数字信号来执行逻辑处理。
[0076]
在联网部署中，计算机系统400以服务器的身份操作，或者在服务器-客户端用户网络环境中作为客户端用户计算机来操作，或者在对等(或分布式)网络环境中作为对等计算机系统来操作。计算机系统400还能够被实施为各种设备或者被并入各种设备，例如，图1中的工作站140、人工智能控制器180和/或人工智能训练系统190、固定计算机、移动计算
机、个人计算机(pc)、膝上型计算机、平板计算机或能够(顺序地或以其他方式)运行一组软件指令的其他机器，这组软件指令指定要由该机器执行的动作。计算机系统400能够被结合为设备或者被结合在设备中，该设备继而又被包括在包括额外设备的集成系统中。在实施例中，计算机系统400能够使用提供语音、视频或数据通信的电子设备来实施。另外，虽然计算机系统400被图示为单个系统，但是术语“系统”也应被认为包括单独地或联合地运行一组或多组软件指令以执行一种或多种计算机功能的系统或子系统的任何集合。
[0077]
如图4所示，计算机系统400包括处理器410。处理器410可以被认为是图1中的控制器150的处理器152、图1中的人工智能控制器180的处理器182和/或图1中的人工智能训练系统190的处理器192的代表性示例。处理器410运行指令以实施本文描述的方法和过程的一些或所有方面。处理器410是有形的并且是非瞬态的。如本文所使用的术语“非瞬态”不应被解读为永恒的状态特性，而应被解读为将持续一段时间的状态的特性。术语“非瞬态”特别否认短暂的特性，例如仅在任何时间任何地点瞬时存在的载波或信号或其他形式的特性。处理器410是制造品和/或机器部件。处理器410被配置为运行软件指令以执行如本文中的各个实施例中所描述的功能。处理器410可以是通用处理器，也可以是专用集成电路(asic)的部分。处理器410还可以是微处理器、微型计算机、处理器芯片、控制器、微控制器、数字信号处理器(dsp)、状态机或可编程逻辑设备。处理器410还可以是逻辑电路(包括诸如现场可编程门阵列(fpga)之类的可编程门阵列(pga))或包括离散门和/或晶体管逻辑单元的另一类型的电路。处理器410可以是中央处理单元(cpu)、图形处理单元(gpu)或这两者。另外，本文描述的任何处理器可以包括多个处理器、并行处理器或这两者。多个处理器可以被包括在单个设备或多个设备中或者被耦合到单个设备或多个设备。
[0078]
如本文所使用的术语“处理器”涵盖能够运行程序或机器可执行指令的电子部件。对包括“处理器”的计算设备的引用应被解读为包括一个以上的处理器或处理核，如在多核处理器中的情形。处理器也可以指单个计算机系统内或分布在多个计算机系统中的处理器的集合。术语计算设备也应被解读为包括计算设备的集合或网络，每个计算设备包括一个或多个处理器。程序具有由一个或多个处理器执行的软件指令，这一个或多个处理器可以在同一计算设备内，也可以分布在多个计算设备上。
[0079]
计算机系统400还包括主存储器420和静态存储器430，其中，计算机系统400中的存储器经由总线408彼此通信并与处理器410通信。主存储器420和静态存储器430中的一者或两者可以被认为是图1中的控制器150的存储器151、图1中的人工智能控制器180的存储器181和/或图1中的人工智能训练系统190的存储器191的代表性示例。主存储器420和静态存储器430可以存储用于实施本文描述的方法和过程的一些或所有方面的指令。本文描述的存储器是用于存储数据和可执行软件指令的有形非瞬态计算机可读存储介质，并且在将软件指令存储在其中的时间期间是非瞬态的。如本文所使用的术语“非瞬态”不应被解读为永恒的状态特性，而应被解读为将持续一段时间的状态的特性。术语“非瞬态”特别否认短暂的特性，例如仅在任何时间任何地点瞬时存在的载波或信号或其他形式的特性。主存储器420和静态存储器430是制造品和/或机器部件。主存储器420和静态存储器430是计算机可读介质，计算机(例如，处理器410)能够从该计算机可读介质读取数据和可执行软件指令。主存储器420和静态存储器430中的每项都可以被实施为以下各项中的一项或多项：随机存取存储器(ram)、只读存储器(rom)、闪速存储器、电可编程只读存储器(eprom)、电可擦
除可编程只读存储器(eeprom)、寄存器、硬盘、可移动磁盘、磁带、压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、软盘、蓝光光盘或本领域已知的任何其他形式的存储介质。存储器可以是易失性的或非易失性的，安全的和/或加密的，不安全的和/或未加密的。
[0080]“存储器”是计算机可读存储介质的示例。计算机存储器是处理器能直接访问的任何存储器。计算机存储器的示例包括但不限于ram存储器、寄存器和寄存器文件。对“计算机存储器”或“存储器”的引用应被解读为可能是多个存储器。存储器例如可以是同一计算机系统内的多个存储器。存储器也可以是分布在多个计算机系统或计算设备之间的多个存储器。
[0081]
如图所示，计算机系统400例如还包括视频显示单元450(例如，液晶显示器(lcd)、有机发光二极管(oled)、平板显示器、固态显示器或阴极射线管(crt))。另外，计算机系统400包括输入设备460(例如，键盘/虚拟键盘或触敏输入屏或具有语音识别的语音输入部)和光标控制设备470(例如，鼠标或触敏输入屏或垫)。计算机系统400还任选地包括磁盘驱动器单元480、信号生成设备490(例如，扬声器或遥控器)和网络接口设备440。
[0082]
在实施例中，如图4所示，磁盘驱动器单元480包括计算机可读介质482，在计算机可读介质482中嵌入了一组或多组软件指令484(软件)。从计算机可读介质482读取要由处理器410运行的这组软件指令484。另外，软件指令484在由处理器410运行时执行本文描述的方法和过程的一个或多个步骤。在实施例中，软件指令484全部或部分地驻留在主存储器420、静态存储器430内，并且/或者在由计算机系统400运行期间全部或部分地驻留在处理器410内。另外，计算机可读介质482可以包括软件指令484或者响应于传播的信号而接收并运行软件指令484，使得被连接到网络401的设备在网络401上传送语音、视频或数据。可以经由网络接口设备440在网络401上发送或接收软件指令484。
[0083]
在实施例中，构造专用硬件实施方式(例如，专用集成电路(asic)、现场可编程门阵列(fpga)、可编程逻辑阵列和其他硬件部件)来实施本文描述的方法中的一种或多种方法。本文描述的一个或多个实施例可以使用两个或更多个特定的互连硬件模块或设备来实现功能，这两个或更多个特定的互连硬件模块或设备具有能够在这些模块之间并通过这些模块进行通信的相关的控制和数据信号。因此，本公开内容涵盖软件、固件和硬件实施方式。本技术中的任何内容均不应被解读为是(能)仅利用软件而不是利用诸如有形非瞬态处理器和/或存储器之类的硬件来实施的。
[0084]
根据本公开内容的各种实施例，可以使用运行软件程序的硬件计算机系统来实施本文描述的方法。另外，在示例性非限制性实施例中，实施方式能够包括分布式处理、部件/对象分布式处理以及并行处理。虚拟计算机系统处理可以实施本文描述的方法或功能中的一项或多项，并且可以使用本文描述的处理器来支持虚拟处理环境。
[0085]
根据本文描述的实验，将abp波形和ecg波形添加到临床测量和护士绘图的生命体征中的效用实现了0.93的auroc，并且单独使用abp波形和ecg波形的效用实现了0.85的auroc。因此，基于波形的血流动力学不稳定警告有助于确保组织灌注的充分性以及对灌注不足和终末器官功能障碍的早期检测。ecg波形和/或abp波形能够单独使用，一起使用，与实验室检验和护士绘图的生命体征一起使用来预测血流动力学不稳定患者。本文描述的端到端波形处理流水线可以包括心跳分割、信号质量评估和特征提取，并且得到对血流动力学不稳定的可用预测。预测可能患有血流动力学不稳定的患者将允许早期介入和处置，这
通常会得到更好的患者预后。尽管如此，基于波形的血流动力学不稳定警告也不限于对本文描述的特定细节的应用，而是适用于替代细节可能可行的其他实施例。
[0086]
虽然已经参考若干示例性实施例描述了基于波形的血流动力学不稳定警告，但是应当理解，已经使用的词语是用于描述和说明的词语，而不是用于限制的词语。在不脱离基于波形的血流动力学不稳定警告在其各方面的范围和精神的情况下，可以在权利要求的范围内做出改变，如当前记载的内容和修改的内容。虽然已经参考特定的手段、材料和实施例描述了基于波形的血流动力学不稳定警告，但是基于波形的血流动力学不稳定警告并不旨在限于所公开的细节；相反，基于波形的血流动力学不稳定警告扩展到如在权利要求的范围内的所有功能上等效的结构、方法和用途。
[0087]
本文描述的实施例的说明旨在提供对各种实施例的结构的普通理解。这些说明并不旨在充当对本文描述的公开内容的所有元件和特征的完整描述。在回顾了本公开内容之后，许多其他实施例对于本领域技术人员而言会是显而易见的。可以利用其他实施例并从本公开内容中导出其他实施例，使得可以在不脱离本公开内容的范围的情况下做出结构和逻辑上的替换和改变。另外，这些图示仅是代表性的，并且可能并没有按比例绘制。图示中的某些比例可能被放大，而其他比例可能被最小化。因此，本公开内容和附图应被认为是说明性而非限制性的。
[0088]
在本文中，仅出于方便的目的，可以用术语“发明”来单独和/或共同指代本公开内容中的一个或多个实施例，而无意将本技术的范围限制为任何特定的发明或发明构思。此外，虽然本文已经说明和描述了特定实施例，但是应当理解，针对所示的特定实施例，被设计为实现相同或相似目的的任何后续布置可以被代替。本公开内容旨在覆盖各种实施例的任何和所有后续的调整或变化。在阅读说明书之后，以上实施例的组合以及在本文中未具体描述的其他实施例对于本领域技术人员来说将是显而易见的。
[0089]
本公开内容的摘要被提供为符合37c.f.r.
§
1.72(b)，并且在提交时应被理解为不会将其用于解读或限制权利要求的范围或含义。另外，在前面的具体实施方式中，为了精简本公开内容的目的，可以将各种特征分组在一起或者在单个实施例中描述各种特征。本公开内容不应被解读为反映以下意图：所要求保护的实施例需要比每个权利要求中明确记载的特征更多的特征。相反，如权利要求所反映的，发明主题可以指向少于所公开的实施例中的任一个的所有特征。因此，权利要求被并入具体实施方式中，每个权利要求书独立定义单独要求保护的主题。
[0090]
所公开的实施例的前述描述被提供为使得本领域的任何技术人员都能够实践本公开内容中描述的构思。正因如此，以上公开的主题应被认为是说明性的，而不是限制性的，并且权利要求旨在覆盖落入本公开内容的真实精神和范围内的所有这样的修改、增强和其他实施例。因此，在法律允许的最大范围内，本公开内容的范围将由权利要求及其等同物的最广泛的允许解读内容来确定，并且不应由前述具体实施方式来限制。
技术特征：1.一种装置，包括：第一接口(153)，其与监测患者的至少一个心电图监测器(155)接口连接；存储器(151)，其存储指令，以及处理器(152)，其运行所述指令，其中，当由所述处理器(152)运行时，所述指令使所述装置：从经由所述第一接口(153)从所述至少一个心电图监测器(155)接收的心电图波中识别多个心跳；将所述多个心跳分开到第一时间窗口中；提取在所述第一时间窗口中的每个第一时间窗口中的所述心跳的特征，作为针对每个第一时间窗口的第一提取特征；基于所述第一提取特征来生成跨包括多个所述第一时间窗口的第二时间窗口的生成特征；将经训练的人工智能应用于所述生成特征；基于将所述经训练的人工智能应用于所述生成特征来预测针对所述患者的血流动力学不稳定；并且基于预测所述血流动力学不稳定来输出警告所述血流动力学不稳定的警报。2.根据权利要求1所述的装置，还包括：第二接口(154)，其与监测所述患者的动脉血压监测器(155)接口连接，其中，当由所述处理器(152)运行时，所述指令还使所述装置：将经由所述第二接口(154)从所述动脉血压监测器(155)接收的动脉血压波分割到个体脉搏周期中，其中，所述第一时间窗口均包括多个所述个体脉搏周期；并且提取在所述第一时间窗口中的每个第一时间窗口中的所述动脉血压波的特征，作为针对每个第一时间窗口的第二提取特征，其中，跨所述第二时间窗口的所述生成特征额外地基于所述第二提取特征。3.根据权利要求1所述的装置，其中，所述警报包括基于估计的可能性超过预定阈值而提前推断出所述患者将进入血流动力学不稳定阶段的推断。4.根据权利要求1所述的装置，其中，当由所述处理器(152)运行时，所述指令还使所述装置：连续从针对所述第二时间窗口中的多个所述第一时间窗口的所述心电图波中识别所述多个心跳。5.根据权利要求1所述的装置，还包括：显示器，其显示所述警报，其中，所述装置包括监测器(155)。6.一种方法，包括：经由与监测患者的至少一个心电图监测器(155)接口连接的第一接口(153)接收多个心电图波；从所述心电图波中识别(880)多个心跳；将所述多个心跳分开到第一时间窗口中；
提取在所述第一时间窗口中的每个第一时间窗口中的所述心跳的特征，作为针对每个第一时间窗口的第一提取特征；基于所述第一提取特征来生成跨包括多个所述第一时间窗口的第二时间窗口的生成特征；将经训练的人工智能应用于所述生成特征；基于将所述经训练的人工智能应用于所述生成特征来预测针对所述患者的血流动力学不稳定；并且基于预测所述血流动力学不稳定来输出警告所述血流动力学不稳定的警报。7.根据权利要求6所述的方法，还包括：经由与监测所述患者的动脉血压监测器(155)接口连接的第二接口(154)接收动脉血压波；将所述动脉血压波分割到个体脉搏周期中，其中，所述第一时间窗口均包括多个所述个体脉搏周期；并且提取在所述第一时间窗口中的每个第一时间窗口中的所述动脉血压波的特征，作为针对每个第一时间窗口的第二提取特征，其中，跨所述第二时间窗口的所述生成特征额外地基于所述第二提取特征。8.根据权利要求6所述的方法，还包括：基于所述多个心跳中的每个心跳的特性，用多个预定标签中的一个预定标签来标示所述多个心跳中的每个心跳；并且基于将噪声滤波器应用于所述多个心跳，从所述经训练的人工智能的应用中排除所述多个心跳中的至少一个心跳。9.根据权利要求7所述的方法，还包括：将至少一个个体脉搏周期识别(880)为异常；并且基于将所述至少一个个体脉搏周期识别(880)为异常，从所述经训练的人工智能的应用中排除被识别为异常的所述至少一个个体脉搏周期。10.根据权利要求6所述的方法，其中，提取在每个时间窗口中的所述心跳的特征包括：提取心率变异性作为针对每个时间窗口的第一提取特征。11.一种存储计算机程序的有形非瞬态计算机可读存储介质，所述计算机程序在由处理器(152)运行时使包括所述有形非瞬态计算机可读存储介质的系统(100)：从经由第一接口(153)从至少一个心电图监测器(155)接收的心电图波中识别多个心跳；将所述多个心跳分开到第一时间窗口中；提取在所述第一时间窗口中的每个第一时间窗口中的所述心跳的特征，作为针对每个第一时间窗口的第一提取特征；基于所述第一提取特征来生成跨包括多个所述第一时间窗口的第二时间窗口的生成特征；将经训练的人工智能应用于所述生成特征；基于将所述经训练的人工智能应用于所述生成特征来预测针对患者的血流动力学不稳定；并且
基于预测所述血流动力学不稳定来输出警告所述血流动力学不稳定的警报。12.根据权利要求11所述的有形非瞬态计算机可读存储介质，其中，当由所述处理器(152)运行时，所述计算机程序还使包括所述有形非瞬态计算机可读存储介质的所述系统(100)：将经由第二接口(154)从动脉血压监测器(155)接收的动脉血压波分割到个体脉搏周期中，其中，所述第一时间窗口均包括多个所述个体脉搏周期；并且提取在所述第一时间窗口中的每个第一时间窗口中的所述动脉血压波的特征，作为针对每个第一时间窗口的第二提取特征，其中，跨所述第二时间窗口的所述生成特征额外地基于所述第二提取特征。13.根据权利要求11所述的有形非瞬态计算机可读存储介质，其中，当由所述处理器(152)运行时，所述计算机程序还使包括所述有形非瞬态计算机可读存储介质的所述系统(100)：基于所述多个心跳中的每个心跳的特性，用多个预定标签中的一个预定标签来标示所述多个心跳中的每个心跳；并且基于将噪声滤波器应用于所述多个心跳，从所述经训练的人工智能的应用中排除所述多个心跳中的至少一个心跳。14.根据权利要求11所述的有形非瞬态计算机可读存储介质，其中，当由所述处理器(152)运行时，所述计算机程序还使包括所述有形非瞬态计算机可读存储介质的所述系统(100)：将至少一个个体脉搏周期识别为异常；并且基于将所述至少一个个体脉搏周期识别(880)为异常，从所述经训练的人工智能的应用中排除被识别为异常的所述至少一个个体脉搏周期。15.根据权利要求11所述的有形非瞬态计算机可读存储介质，其中，所述有形非瞬态计算机可读存储介质被提供为显示所述警报的监测器(155)的部件。
技术总结一种用于基于波形的血流动力学不稳定警告的控制器(150)包括存储指令的存储器(151)和运行所述指令的处理器(152)。所述控制器(150)实施包括以下各项的过程：经由与监测患者的至少一个心电图监测器(155)接口连接的第一接口(153)接收心电图波；从所述心电图波中识别(880)多个心跳；将所述多个心跳分开到第一时间窗口中；提取在所述第一时间窗口中的每个第一时间窗口中的所述心跳的特征，作为针对每个第一时间窗口的第一提取特征；基于所述第一提取特征来生成跨包括多个所述第一时间窗口的第二时间窗口的生成特征；将经训练的人工智能应用于所述生成特征；基于将所述经训练的人工智能应用于所述生成特征来预测针对所述患者的血流动力学不稳定；并且基于预测所述血流动力学不稳定来输出警告所述血流动力学不稳定的警报。稳定的警报。稳定的警报。
技术研发人员：A
受保护的技术使用者：皇家飞利浦有限公司
技术研发日：2021.03.01
技术公布日：2022/11/1
