УСТРОЙСТВА, СИСТЕМЫ И СПОСОБЫ ДЛЯ ПРОГНОЗИРОВАНИЯ, СКРИНИНГА И КОНТРОЛЯ ЭНЦЕФАЛОПАТИИ/ДЕЛИРИЯ Российский патент 2022 года по МПК A61B5/16 A61B5/374 G16H50/00 

Описание патента на изобретение RU2768581C2

ПЕРЕКРЕСТНАЯ ССЫЛКА НА РОДСТВЕННУЮ(ЫЕ) ЗАЯВКУ(И)

[001] Настоящая заявка испрашивает приоритет по предварительной заявке США № 62/263,325, «Predicting, Screening and Monitoring of Делирий», поданной 4 декабря 2015 г., которая в полном объеме включена в настоящую заявку путем отсылки в соответствии с 119(e) раздела 35 Кодекса законов США.

ОБЛАСТЬ ТЕХНИКИ, К КОТОРОЙ ОТНОСИТСЯ ИЗОБРЕТЕНИЕ

[002] Раскрываемые варианты осуществления относятся к системам и способам для прогнозирования, скрининга и контроля энцефалопатии/делирия и, в частности, к системам и способам для определения присутствия, отсутствия или вероятности последующего развития энцефалопатии/делирия у пациента посредством анализа сигналов.

УРОВЕНЬ ТЕХНИКИ ИЗОБРЕТЕНИЯ

[003] Энцефалопатия, обычно диагностируемая и известная как «делирий», является распространенным, часто нераспознаваемым и очень опасным медицинским диагнозом. Как рассматривается в настоящей заявке, определение «делирий» относится, в общем, к синдрому, который обычно клинически диагностируется на основании оценки врачей, исходящей из диагностических критериев, основанных на симптомах пациентов, а «энцефалопатия» относится к обуславливающему физиологическому состоянию. В контексте настоящей заявки, определение как/или «делирий» так и/или «энцефалопатия» могут применяться в связи с различными вариантами осуществления, хотя применение одного не обязательно предполагает исключение другого.

[004] Делирий или энцефалопатия был(а) сопряжен(а) с высокой смертностью, повышенным риском развития необратимого ухудшения функции мозга, повышенной частотой предупреждаемых осложнений, увеличением срока пребывания в стационаре и повышенной вероятностью выписки в интернат с медицинским обслуживанием вместо дома. Упомянутые заболевания представляют серьезное состояние «мозгового расстройства», обычно наблюдаемое в самых разных больничных условиях, включая пациентов в послеоперационном периоде, а также пожилых пациентов, проходящих общую терапию. Коэффициент смертности, сопряженной с делирием составляет приблизительно 40%, то есть, так же высок как при остром инфаркте миокарда. При затратах свыше 150 млрд. долларов США ежегодно только в США, делирий создает значительную нагрузку на систему здравоохранения в США и в мире. Независимо от затрат на здравоохранение и тяжести осложнений, эффективного подхода к предотвращению и распознаванию делирия не существует.

[005] Одной причиной недостаточного распознавания делирия является отсутствие простых объективных измерений для идентификации приближающегося развития делирия. Отсутствует устройство, чтобы измерять приближающийся делирий, как, например, это делает электрокардиограмма в отношении приближающихся сердечных приступов или анализ крови в отношении уровней глюкозы крови для контроля высокого риска осложнений в результате диабета.

[006] К настоящему времени, усилия по обнаружению делирия полагались на два основных способа, каждый из которых не соответствует практическим потребностям современных больничных условий. Средства скрининга, основанные, главным образом на анализе амбулаторных карт и опросе пациентов, оказались безуспешными вследствие проблем практического внедрения данных средств в клинические рабочие процессы и обеспечения непрерывной подготовки медицинских работников для применения таких средств. Кроме того, упомянутые средства имеют низкую чувствительность при обычном применении.

[007] Электроэнцефалография (ЭЭГ) может эффективно отличать делирий от нормальной функции мозга, однако, ее логистически невозможно применять для скрининга делирия, так как она нуждается в квалифицированном лаборанте для исполнения ЭЭГ-анализа с числом отведений от 16 до 24 и узкоспециализированного невролога для интерпретации исследования. Данное исследование занимает несколько часов для каждого пациента, и его почти невозможно исполнять для большого числа пациентов в занятых больничных условиях. Кроме того, ЭЭГ применяли не для прогнозирования развития делирия, а только для подтверждения его присутствия.

[008] Существует потребность в усовершенствованных системах и способах прогнозирования, скрининга и контроля энцефалопатии/делирия.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

[009] В настоящей заявке рассматриваются различные устройства, системы и способы, относящиеся к системам, устройствам и способам для обнаружения, идентификации или иного прогнозирования энцефалопатии или делирия у пациента. В различных вариантах осуществления устройство используют для обнаружения диффузного замедления, отличительного признака энцефалопатии.

[010] Системы и способы описаны в расчете на применение различных инструментов и процедур для прогнозирования, скрининга и контроля энцефалопатии. В некоторых вариантах осуществления инструменты и процедуры, описанные в настоящей заявке, можно применять в связи с одним более дополнительными инструментами и/или процедурами для прогнозирования, скрининга и контроля энцефалопатии. Примеры, описанные в настоящей заявке, относятся к прогнозированию, скринингу и контролю энцефалопатии только в иллюстративных целях. Для многоэтапных процессов или способов, этапы могут выполняться одной или более участвующими сторонами, серверами, процессорами и т.п.

[011] Система из одного или более компьютеров может быть сконфигурирована с возможностью выполнения конкретных операций или действий благодаря наличию программного обеспечения, микропрограммного обеспечения, аппаратного обеспечения или их комбинации, установленных в системе, которые, во время работы, предписывают системе действия. Одна или более компьютерных программ могут быть сконфигурированы с возможностью выполнения конкретных операций или действий благодаря содержанию команд, которые, при выполнении устройством обработки данных, предписывают устройству выполнять действия. Один общий аспект включает в себя систему для скрининга делирия у пациентов, в том числе ручное устройство для скрининга, включающее в себя корпус; по меньшей мере, два датчика, выполненных с возможностью записи одного или более сигналов мозга и формирования одного или более значений; процессор и, по меньшей мере, один модуль, сконфигурированный с возможностью: выполнения анализа спектральной плотности для одного или более значений и вывода данных, представляющих показатель присутствия, отсутствия или вероятности последующего развития энцефалопатии. Другие варианты осуществления данного аспекта включают в себя соответствующие компьютерные системы, устройства и компьютерные программы, записанные в одном или более компьютерных запоминающих устройствах, сконфигурированные, каждая(ое), с возможностью выполнения операций способов.

[012] Варианты осуществления могут включать в себя один или более из следующих признаков. Система, в которой модуль сконфигурирован с возможностью сравнения одного или более значений из одного или более сигналов мозга с порогом. Система, в которой порог является отношением числа появлений высокочастотных волн к числу появлений низкочастотных волн. Система, в которой один или более сигналов мозга являются электроэнцефалографическими (ЭЭГ) сигналами. Система, в которой существуют два датчика. Система, в которой корпус включает в себя дисплей. Система, в которой процессор расположен внутри корпуса. Система, в которой одно или более значений выбраны из группы, включающей в себя: высокочастотные волны, низкочастотные волны и их комбинации. Система, в которой одно или более значений являются числовыми представлениями числа появлений каждого из одного или более признаков в течение периода времени. Система, в которой порог является предварительно заданным. Система, в которой порог устанавливается на основе модели машинного обучения. Система, дополнительно включающая в себя ручной корпус, включающий в себя дисплей, при этом: по меньшей мере, два датчика связаны электронными средствами с корпусом, процессор расположен в корпусе, и дисплей выполнен с возможностью представления выходных данных. Система, дополнительно включающая в себя модуль валидации, сконфигурированный с возможностью оценки сигнала мозга, при этом процессор преобразует одну или более частот головного мозга в данные сигнала, и модуль валидации отвергает данные сигнала, которые превышают, по меньшей мере, один предварительно заданный порог качества сигнала. Система, в которой данные сигнала разделены на окна равной длительности. Устройство, дополнительно включающее в себя модуль обработки сигналов. Устройство, дополнительно включающее в себя модуль валидации. Устройство, дополнительно включающее в себя пороговый модуль. Варианты осуществления описанных методов могут включать в себя аппаратное обеспечение, способ или процесс, или компьютерное программное обеспечение на носителе доступном с помощью компьютера.

[013] Один общий аспект включает в себя систему для оценки присутствия энцефалопатии, включающую в себя: по меньшей мере, два датчика, выполненных с возможностью регистрации одной или более частот головного мозга; процессор; по меньшей мере, один модуль, сконфигурированный с возможностью: сравнения частот волн головного мозга с течением времени; выполнения анализа спектральной плотности для частот волн головного мозга, чтобы устанавливать отношение; сравнения отношения с установленным порогом; и вывода данных, представляющих показатель присутствия, отсутствия или вероятности последующего развития энцефалопатии. Другие варианты осуществления настоящего аспекта включают в себя соответствующие компьютерные системы, устройства и компьютерные программы, записанные в одном или более компьютерных запоминающих устройствах, сконфигурированные, каждая(ое), с возможностью выполнения операций способов.

[014] Варианты осуществления могут включать в себя один или более из следующих признаков. Система, в которой порог является предварительно заданным. Система, в которой порог устанавливается на основе модели машинного обучения. Система, дополнительно включающая в себя ручной корпус, включающий в себя дисплей, при этом: по меньшей мере, два датчика связаны электронными средствами с корпусом, процессор расположен в корпусе, и дисплей выполнен с возможностью представления выходных данных. Система, дополнительно включающая в себя модуль валидации, сконфигурированный с возможностью оценки сигнала мозга, при этом процессор преобразует одну или более частот головного мозга в данные сигнала, и модуль валидации отвергает данные сигнала, которые превышают, по меньшей мере, один предварительно заданный порог качества сигнала. Система, в которой данные сигнала разделены на окна равной длительности. Устройство, дополнительно включающее в себя модуль обработки сигналов. Устройство, дополнительно включающее в себя модуль валидации. Устройство, дополнительно включающее в себя пороговый модуль. Варианты осуществления описанных методов могут включать в себя аппаратное обеспечение, способ или процесс, или компьютерное программное обеспечение на носителе доступном с помощью компьютера.

[015] Один общий аспект включает в себя ручное устройство, оценивающее присутствие, отсутствие или вероятность последующего развития энцефалопатии у пациента, включающее в себя: корпус; по меньшей мере, один датчик, выполненный с возможностью формирования, по меньшей мере, одного волнового сигнала головного мозга; по меньшей мере, один процессор; по меньшей мере, одну системную память; по меньшей мере, один программный модуль, сконфигурированный с возможностью выполнения анализа спектральной плотности для, по меньшей мере, одного волнового сигнала головного мозга и формирования выходных данных пациента; и дисплей, выполненный с возможностью представления выходных данных пациента. Другие варианты осуществления настоящего аспекта включают в себя соответствующие компьютерные системы, устройства и компьютерные программы, записанные в одном или более компьютерных запоминающих устройствах, сконфигурированные, каждая(ое), с возможностью выполнения операций способов. присутствия, отсутствия или вероятности последующего развития энцефалопатии

[016] Варианты осуществления могут включать в себя один или более из следующих признаков. Устройство, дополнительно включающее в себя модуль обработки сигналов. Устройство, дополнительно включающее в себя модуль валидации. Устройство, дополнительно включающее в себя пороговый модуль. Устройство, дополнительно содержащее модуль анализа признаков. Устройство, дополнительно содержащее модуль обработки сигналов. Варианты осуществления описанных методов могут включать в себя аппаратное обеспечение, способ или процесс, или компьютерное программное обеспечение на носителе доступном с помощью компьютера.

[017] Одно или более компьютерных устройств могут быть выполнены с возможностью обеспечения искомых функций посредством выборки программных команд, представленных в компьютерно-читаемой форме. Когда применяется программное обеспечение, любой язык программирования, описания сценариев или другого типа или комбинации языков можно использовать для осуществления принципов, содержащихся в настоящей заявке. Однако, не требуется использовать исключительно программное обеспечение, или его совсем не обязательно использовать. Например, некоторые варианты осуществления способов и систем, изложенные в настоящей заявке, могут быть также реализованы посредством схемно-реализованной логики или других схем, включая, но без ограничения, специализированные схемы. Пригодны также комбинации компьютерно-выполняемого программного обеспечения и схемно-реализованной логики или других схем.

[018] Хотя описано несколько вариантов осуществления, специалистам в данной области техники будут очевидны другие варианты осуществления, исходя из последующего подробного описания, которое представляет и поясняет наглядные варианты осуществления раскрываемых устройств, систем и способов. Как будет понятно, раскрываемые устройства, системы и способы допускают модификации в различных очевидных аспектах, не выходящие за пределы существа и объема изобретения. Соответственно, чертежи и подробное описание следует рассматривать как иллюстративные, а не ограничивающие по своему характеру.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

[019] Прилагаемые чертежи, которые предназначены для обеспечения более глубокого понимания изобретения и включены в настоящее описание и составляют его часть, иллюстрируют предпочтительные варианты осуществления изобретения и, совместно с подробным описанием, служат для пояснения принципов изобретения. На чертежах:

[020] Фиг. 1A - общее представление примерной системы для скрининга, примененной на пациенте.

[021] Фиг. 2A - пример диффузного замедления волн головного мозга, наблюдаемого на электроэнцефалограмме.

[022] Фиг. 2B - примерное диффузное замедление волн головного мозга, наблюдаемое на электроэнцефалограмме.

[023] Фиг. 3A - пример диффузного замедления волн головного мозга, наблюдаемого на электроэнцефалограмме.

[024] Фиг. 3B - пример диффузного замедления волн головного мозга, наблюдаемого на электроэнцефалограмме.

[025] Фиг. 3C - пример диффузного замедления волн головного мозга, наблюдаемого на электроэнцефалограмме.

[026] Фиг. 4A - примерная система для прогнозирования, скрининга и контроля делирия.

[027] Фиг. 4B - примерная система, представляющая вычислительные аспекты прогнозирования, скрининга и контроля делирия.

[028] Фиг. 5A - примерная система для прогнозирования, скрининга и контроля энцефалопатии.

[029] Фиг. 5B - примерная система для прогнозирования, скрининга и контроля энцефалопатии.

[030] Фиг. 5C - примерная система для прогнозирования, скрининга и контроля энцефалопатии.

[031] Фиг. 5D - другая примерная система для прогнозирования, скрининга и контроля энцефалопатии.

[032] Фиг. 6 - программные модули и данные программ устройства для скрининга в соответствии с примерным вариантом осуществления.

[033] Фиг. 7 - общее представление способа для прогнозирования, скрининга и контроля энцефалопатии в соответствии с примерным вариантом осуществления.

[034] Фиг. 8A - общее представление способа для прогнозирования, скрининга и контроля энцефалопатии в соответствии с примерным вариантом осуществления.

[035] Фиг. 8B - общее представление способа для прогнозирования, скрининга и контроля энцефалопатии в соответствии с примерным вариантом осуществления.

[036] Фиг. 9A - пример исходных электроэнцефалографических сигналов.

[037] Фиг. 9B - пример исходных электроэнцефалографических сигналов.

[038] Фиг. 9C - пример анализа спектральной плотности.

[039] Фиг. 9D - пример анализа спектральной плотности.

[040] Фиг. 10 - пример анализа спектральной плотности с течением времени.

[041] Фиг. 11 - пример результатов скрининга при оптимальной частоте в соответствии с примерным вариантом осуществления.

[042] Фиг. 12 - пример модели машинного обучения для идентификации характеристик энцефалопатии.

[043] Фиг. 13 - примерная диаграмма точности прогнозов.

ПОДРОБНОЕ ОПИСАНИЕ

[044] Различные варианты осуществления, которые раскрываются или предполагаются в настоящей заявке, относятся к системам, способам и устройствам, способным обеспечивать объективные клинические измерения энцефалопатии, клинической формы делирия. Данные варианты осуществления обнаруживают присутствие диффузного замедления волн головного мозга пациентов, отличительного признака начала энцефалопатии. Варианты осуществления, рассматриваемые в настоящей заявке, способны обнаруживать диффузное замедление посредством выполнения анализа спектральной плотности для волн головного мозга, записанных в небольшом числе дискретных мест на голове пациента, что позволяет облегчить постановку клинического диагноза, например, с помощью ручного устройства. То есть, различные варианты осуществления способны записывать или регистрировать волны головного мозга посредством двух или более отведений (выводов), размещенных на голове пациента, и выполнять алгоритм для оценки отношения записанных низкочастотных волн к высокочастотным волнам и сравнивать данное отношение с заданным порогом, чтобы идентифицировать начало энцефалопатии. В дополнительных вариантах осуществления данные варианты осуществления используют машинное обучение и дополнительные данные, например, данные из медицинских карт, чтобы повысить точность диагноза.

[045] Раскрываемые системы, устройства и способы относятся к неинвазивным системам диагностирования по месту лечения с использованием ранее известных ЭЭГ в менее, чем шестнадцати, двадцати или двадцати четырех отведениях. Например, как показано, в общем, на фиг. 1, в некоторых вариантах осуществления применяется система 1 для скрининга на основе «биспектральной электроэнцефалографии» (BSEEG) по 2 отведениям, которая может быть выполнена с помощью ручного устройства 10 для скрининга посредством наложения двух отведений 12A, 12B на лоб пациента 30 в течение менее, чем 10 минут. Хотя в данных вариантах осуществления, в BSEEG для пояснения используются два отведения или канала, понятно, что в данном случае предусматривается множество отведений или каналов. В различных вариантах осуществления, устройство 10 способно отображать графические и/или числовые представления 7 полезной информации для использования при постановке диагноза энцефалопатии/делирия, например, последнее измеренное значение 4, тренд 6, качество 8 сигнала и т.п. Понятно, что данные представления 7 могут быть результатом применения изученных методов графического пользовательского интерфейса на дисплее 16.

[046] Волны головного мозга могут иметь различные частоты и/или полосы частот. «Диффузное замедление» является характерным показателем энцефалопатии. Фиг. 2A-3D изображают несколько ЭЭГ-показаний, снятых с пациентов, проявляющих симптомы энцефалопатии 2, в сравнении с нормальными контрольными показаниями 3. Как очевидно специалисту в данной области техники, в различных состояниях волны головного мозга при энцефалопатии могут характеризоваться «диффузным замедлением», 2, означающим, что в каждом из каналов могут наблюдаться медленные формы волн. Как очевидно из фиг. 2A-2B, поскольку данное замедление является диффузным, а не локализованным, то замедление (показанное на фиг. 2A) наблюдается на большинстве, а, обычно, на всех различных электродах, исходя из ЭЭГ.

[047] Как показано на фиг. 3A, появление замедленных волн 2 по сравнению с числом высокочастотных волн может быть показателем того, что у пациента имеется или, по всей вероятностью, разовьется энцефалопатия.

[048] Как показано на фиг. 3B-3D, поскольку диффузное замедление может наблюдаться обычно на всех или почти на всех ЭЭГ-электродах, то их можно использовать в меньшем числе, чем стандартное число от шестнадцати до двадцати четырех, чтобы идентифицировать диффузное замедление и, тем самым, прогнозировать начало энцефалопатии. В таких вариантах осуществления, два отведения, используемые в варианте осуществления BSEEG, рассматриваемом в настоящей заявке, могут быть достаточными для обнаружения диффузного замедления, и, при соответствующих обработке сигналов и пользовательском интерфейсе, могут не требовать никаких специальных знаний для размещения или интерпретации и могут выполняться с помощью простого ручного устройства для скрининга.

[049] Один вариант осуществления устройства 10 для скрининга показан на фиг. 4A. В различных вариантах осуществления, системы и способы для прогнозирования, скрининга и контроля энцефалопатии, раскрытые в настоящей заявке, могут использовать такое ручное или иное портативное устройство 10 для скрининга. В данных вариантах осуществления устройство 10 для скрининга выполнено с возможностью приема сигналов из, например, одного или более датчиков 12A, 12B. Поскольку диффузное замедление можно легко идентифицировать в разных областях головного мозга пациента, то упомянутые устройства 10 способны использовать намного меньше двадцати датчиков, например, два, три, четыре, пять или более датчиков 12. В некоторых вариантах осуществления используется от шести до двадцати или более датчиков. Поэтому понятно, что, поскольку используется меньше двадцати датчиков 12, раскрываемые устройства и системы можно легко транспортировать и применять на пациенте 30, так как отсутствует потребность в применении типичного известного шлема для ЭЭГ.

[050] В варианте осуществления на фиг. 4A, один или более датчиков 12A, 12B являются датчиками активности мозга, например, но без ограничения, электродами, размещаемыми на пациенте. В некоторых вариантах осуществления сигналы могут быть электроэнцефалографическими (ЭЭГ) сигналами от одного или более электродов, измеряющих активность мозга пациента. Сигналы могут обрабатываться для выделения одного или более признаков сигналов. Один или более признаков можно анализировать, чтобы определять одно или более значений для каждого из одного или более признаков. Значения или количественный показатель, основанный на одном или более из значений, можно сравнивать с порогом, чтобы определять присутствие, отсутствие или вероятность последующего развития энцефалопатии, если пациент на данный момент не проявляет клинических признаков или симптомов заболевания.

[051] Как также показано на фиг. 4A-4B, устройство 10 для скрининга может содержать корпус 14. В различных вариантах осуществления корпус 14 может иметь размеры, делающие его ручным или иначе портативным. Корпус 14 может содержать дисплей 16 и интерфейс 18, например, кнопки или сенсорный экран, ка очевидно специалисту. В различных вариантах осуществления датчики 12A, 12B подсоединены к устройству 10 посредством портов 22A, 22B и проводов 24A, 24B, а альтернативные варианты осуществления используют беспроводной интерфейс, например, Bluetooth® или что-то подобное. Как показано на фиг. 4A, можно также обеспечить заземляющее отведение 13, которое можно объединить в жгут с одним из проводов 24A, 24B, чтобы упростить наложение. В различных вариантах осуществления возможно использование шнура 26 передачи или другого соединения для установления электрической связи устройства 10 с сервером или другим вычислительным устройством, как рассматривается в связи с фиг. 5A-B.

[052] Как также показано на фиг. 4B, в различных вариантах осуществления дисплей 16 может отображать графические и/или числовые представления 7 полезной информации для использования при постановке диагноза энцефалопатии/делирия, включающей в себя, по меньшей мере, что-то одно из: одно или более волн 2A, 2B головного мозга, последнего измеренного значения 4, тренда 6, качества 8 сигнала и т.п. В примерных вариантах осуществления графическое представление нижеописанного этапа пороговой обработки, который сравнивает спектральную плотность с установленным порогом, демонстрируется как последнее измеренное значение 4. Понятно, что упомянутые представления 7 могут включать в себя любые данные 67 программ и могут демонстрироваться врачу в результате применения изученных методов графического пользовательского интерфейса на дисплее 16. В данных вариантах осуществления волны 2A, 2B головного мозга отбираются из датчиков 12, размещенных на пациенте, и могут использоваться для постановки диагноза и/или прогнозирования начала энцефалопатии в клинических или других условиях. В различных вариантах осуществления корпус 14 содержит также источник питания и компьютерные компоненты, например, микропроцессор, память и т.п. В дополнительном варианте осуществления компьютерная и другая обработка выполняется внутри корпуса 14 устройства, например, посредством программных модулей (описанных в связи с фиг. 6-7), а дополнительная обработка может выполняться в другом месте, как описано в настоящей заявке. В каждом из данных вариантов осуществления устройство 10 и/или система 1 для скрининга содержит процессор, сконфигурированный с возможностью оценки диффузного замедления у пациента посредством анализа спектральной плотности, выполняемого для менее, чем 20 каналов, чтобы идентифицировать диффузное замедление.

[053] Фиг. 5A представляет примерную систему 1 для прогнозирования, скрининга и контроля энцефалопатии в соответствии с одним вариантом осуществления. В данном варианте осуществления система 1 может включать в себя одно или более устройств 10 для скрининга (например, устройство 1 для скрининга, устройство 2 для скрининга,..., устройство n для скрининга), которые в некотором варианте осуществления являются устройством 10, показанным на фиг. 1. Устройства 10 для скрининга в данном варианте осуществления имеют функциональную связь с одним или более датчиков 12A-12-n. Один или более датчиков 12 могут быть отдельными датчиками, матрицами датчиков, медицинскими устройствами или могут быть другими компьютерными устройствами, устройствами удаленного доступа и т.п. В некоторых вариантах осуществления один или более датчиков 12 могут быть одним или более электродами и/или другими устройствами контроля функции мозга. Один или более датчиков 12 могут быть непосредственно или косвенным образом подсоединены к пациенту 30 для контроля биологических сигналов пациента 30. В некоторых вариантах осуществления некоторые из одного или более датчиков 12 могут быть непосредственно соединены и/или составлять одно целое с устройством 10 скрининга при посредстве портов 22 (как лучше всего показано на фиг. 4A).

[054] Как также показано на фиг. 5A, различная обработка и анализ сигналов, принимаемых из датчиков 12A, 12B, 12C, 12-n, могут выполняться в устройстве 10 для скрининга, как описано в связи с фиг. 6 и 8. В некоторых альтернативных вариантах осуществления, например, таких, которые показаны на фиг. 5B-D, устройство 10 для скрининга можно использовать в связи с другими компьютерными устройствами.

[055] Как показано в варианте осуществления на фиг. 5B, устройство скрининга может быть соединено или иначе сопрягаться с прикроватным устройством 11. В различных вариантах осуществления прикроватное устройство 11 может быть монитором пациента или другим комплексным прикроватным устройством 11 контроля. В различных вариантах осуществления прикроватное устройство 11 может применяться медицинским работником, чтобы рассматривать и/или выполнять некоторые этапы анализа или наблюдения.

[056] Как показано на фиг. 5C-5D, одно или более устройств 10 для скрининга могут быть также функционально соединены непосредственно и/или косвенно, например, по сети, с одним или более серверами/компьютерными устройствами 42, системными базами данных 36 (например, базой данных 1, базой данных 2,..., базой данных n). К системе могут быть подсоединены различные устройства, включая, но без ограничения, медицинские устройства, медицинские системы контроля, клиентские компьютерные устройства, бытовые компьютерные устройства, провайдерские компьютерные устройства, устройства удаленного доступа и т.п. Данная система 1 может принимать одни или более входных данных 38 и/или одни или более выходных данных 40 из различных датчиков, медицинских устройств, компьютерных устройств, серверов, баз данных и т.п.

[057] Как показано на фиг. 5D, в некоторых вариантах осуществления одно или более устройств 10 для скрининга могут быть непосредственно соединены и/или составлять одно целое с одним или более серверами/вычислительными устройствами 42 при посредстве соединения 32 и/или могут быть соединены с одним или более серверами/компьютерными устройствами 42 по одному или более сетевым соединениям 32. Устройство 10 для скрининга и/или один или более серверов/компьютерных устройств 42 также могут быть функционально соединены непосредственно и/или косвенно, например, по сети, с одним (одной) или более сторонними серверами/базами данных 34 (например, базой данных 1, базой данных 2,..., базой данных n). Один (одно) или более серверов/компьютерных устройств 42 могут представлять собой, например, что-то одно или более из сервера, компьютерного устройства типа сервера, персонального компьютера (PC), переносного компьютера, смартфона, планшетного компьютера или чего-то подобного.

[058] В различных вариантах осуществления соединение 32 может представлять собой, например, проводное соединение, беспроводное соединение, любую комбинацию из Интернета, локальной(ых) сети(ей), например, внутрикорпоративной сети, глобальной(ных) сети(ей), сетей сотовой связи, сетей Wi-Fi и так далее. Один или более датчиков 12, которые сами могут включать в себя, по меньшей мере, один процессор и/или память, могут представлять собой набор произвольных датчиков, медицинских устройств или других компьютерных устройств, выполняющих приложение(ия), которое(ые), соответственно, передают входные данные в одно (один) или более устройств 10 для скрининга или серверов/компьютерных устройств 42 и/или принимают выходные данные из одного или более устройств 10 для скрининга или серверов/компьютерных устройств 42. Данные серверы/компьютерные устройства 42 могут включать в себя, например, что-то одно или более из настольных компьютеров, переносных компьютеров, мобильных компьютерных устройств (например, планшетных компьютеров, смартфонов, носимых устройств), служебных компьютеров и/или так далее. В некоторых вариантах осуществления входные данные могут включать в себя, например, аналоговые и/или цифровые сигналы, например, из ЭЭГ-системы, других измерений волн головного мозга и т.п., для обработки одним или более серверами/компьютерными устройствами 10.

[059] В различных вариантах осуществления выходные данные 40 могут включать в себя, например, медицинские показатели, рекомендации, извещения, предупреждения, данные, изображения и/или так далее. Модификации раскрытых вариантов осуществления можно также использовать для совместных проектов с несколькими пользователями, регистрирующимися и выполняющими различные операции с проектными данными из различных мест. Некоторые варианты осуществления могут быть созданы на основе компьютера, сети, смартфона, планшетного компьютера и/или носимого человеком устройства.

[060] В другом примерном варианте осуществления устройство 10 для скрининга (и/или сервер/компьютерное устройство 42) может включать в себя, по меньшей мере, один процессор 44, соединенный с системной памятью 46, как показано на фиг. 6. Системная память 46 может включать в себя компьютерные программные модули 48 и данные 50 программ. Как описано выше, операции, связанные с соответствующими командами компьютерными программ в программных модулях 48, могут быть распределены по нескольким компьютерным устройствам.

[061] Анализ спектральной плотности от отведений может выполняться посредством множества различных электронно-вычислительных механизмов. В варианте осуществления на фиг. 6 представлены программные модули 48. Данные программные модули могут включать в себя модуль 52 обработки сигналов, модуль 54 анализа признаков, модуль 55 валидации, модуль определения диффузного замедления или энцефалопатии или пороговый модуль 56, модуль 59 вывода и другие программные модули 58, например, операционную систему, драйверы устройств и т.п. В различных вариантах осуществления каждый программный модуль 52-58 может включать в себя соответствующий набор команд компьютерных программ, выполняемых процессором(ами) 44.

[062] Фиг. 6 изображает один пример набора программных модулей, и другие количества и расположения программных модулей предусматриваются в зависимости от конкретной произвольной конструкции и/или архитектуры сервера/компьютерного устройства 10 и/или системы 1. В примерном варианте осуществления данные 50 программ могут включать в себя данные 60 сигналов, данные 62 признаков, данные 63 валидации, модуль 64 определения диффузного замедления или энцефалопатии, выходные данные 67 и данные 66 других программ, например, входные данные, сторонние данные и/или другие, сконфигурированные с возможностью выполнения различных этапов, описанных на фиг. 7-8.

[063] В различных вариантах осуществления, данные 50 программ могут соответствовать различным программным модулям 48, описанным выше. В данных различных вариантах осуществления программные модули 48 и/или данные 50 программ можно использовать для записи, анализа и иной обработки выходных данных 67 для дисплея (обозначенного позицией 16 на фиг. 1A и 8B) и/или любых из других компьютерных устройств описанных в настоящей заявке, например, прикроватного устройства 11 контроля, показанного на фиг. 5B, различных системных баз данных 36 и/или сторонних серверов или баз данных 34, показанных на фиг. 5C, системных серверов/компьютерных устройств 42, показанных на фиг. 5D, или, в варианте осуществления, в котором модуль не содержится в корпусе 14, для самого устройства 10 для скрининга, а также машины-шлюза 210, показанной на фиг. 12, или любого другого компьютерного, запоминающего устройства или устройства связи, электрически или физически связанного с модулем вывода. Понятно, что выходные данные 67 снабжают медицинского работника по месту лечения характеристиками волн головного мозга пациента с целью постановки диагноза или иной идентификации симптомов делирия или энцефалопатии. Например, в некоторых вариантах осуществления медицинского работника можно снабжать последними измеренными показаниями спектральной плотности, а также результатами качественных измерений качества сигнала и тренда, как описано в других местах в настоящей заявке.

[064] Фиг. 7 представляет, в общем, примерный способ 5 в соответствии с вариантом осуществления для прогнозирования, скрининга и контроля энцефалопатии. Для обеспечения прогнозирования, скрининга и контроля энцефалопатии, системы и способы могут выполнять несколько необязательных этапов.

[065] Один необязательный этап является этапом 70 регистрации. На данном этапе, входные данные, например, один или более сигналов, могут приниматься и/или регистрироваться каким-то одним или всеми устройствами из датчика 12, устройства 10, процессора(ов) 40 и/или системной памяти 46, показанных, например, на фиг. 4A-4B, 5A-5D и 6.

[066] Как также показано на фиг. 7, на необязательном этапе 71 обработки могут обрабатываться один или более сигналов, например, посредством данных 50 программ и/или модуля 52 обработки сигналов, показанных на фиг. 6. В некоторых вариантах осуществления упомянутые сигналы могут обрабатываться для разделения сигналов на окна, как также показано на фиг. 8A. Сигналы могут также обрабатываться для выделения одного или более значений из одного или более сигналов и/или окон, как описано в дальнейшем в связи с фиг. 8A. Упомянутые значения могут включать в себя признаки исходных сигналов из ЭЭГ в некоторых вариантах осуществления. В различных вариантах осуществления система 1 способна выявлять тенденции изменения упомянутых значений, чтобы повышать точность системы, как описано в дальнейшем в связи с фиг. 11A и 11B.

[067] Как также показано на фиг. 7, можно выполнять необязательный этап 72 анализа, на котором одно или более значений могут анализироваться для определения некоторых признаков сигналов или окон. В некоторых вариантах осуществления данный этап анализа может содержать выполнение быстрого Фурье-преобразования 100, чтобы создавать или иначе сравнивать данные признаков (как указано позицией 64 на фиг. 6).

[068] На другом необязательном этапе может выполняться этап 73 валидации. В данных вариантах осуществления, и как показано на фиг. 8A, спектральную плотность 102 и/или другие значения 104A, 104B исходных сигналов или другие признаки можно использовать для сравнения отдельных показаний из разделенных окон сигналов (обозначенных, в общем, позициями 84A, 84B) для использования или исключения использования на последующих этапах. В различных вариантах осуществления данный этап может выполняться модулем 55 валидации и посредством данных 63 валидации. В различных вариантах осуществления этап 73 валидации может выполняться параллельно или, в ином случае, в виде циклов, повторяющихся с другими этапами, описанными в настоящей заявке, и использовать алгоритм сбора ошибок, пока полученные данные сигнала не будут подготовлены для последующего анализа. Например, и как описано дополнительно на фиг. 8A, этап 73 валидации можно использовать для обеспечения того, чтобы все показания выше или ниже некоторых предварительно заданных значений ошибок были исключены из дальнейшей обработки.

[069] Как также показано на фиг. 7, можно выполнять этап определения диффузного замедления или энцефалопатии или этапа 74 пороговой обработки. На данном этапе, по меньшей мере, что-то одно из одного или более значений или признаков или количественного показателя, основанного на, по меньшей мере, одном из одного или более значений, может сравниваться с установленным порогом диффузного замедления (обозначенным позицией 65 на фиг. 8), что может быть реализовано с помощью пороговых данных диффузного замедления (указанных позицией 64 на фиг. 6). В некоторых вариантах осуществления, присутствие, отсутствие или вероятность последующего развития энцефалопатии могут определяться для пациента, исходя из сравнения с порогом. Например, и как рассматривается в нижеприведенных примерах, использование среднего значения показаний 3 Гц/10 Гц в качестве пороговых данных 64 и порога 65, равного 1,44 (положительный результат при >=1,44 и отрицательный результат <1,44), устройство 10 для скрининга может графически обозначать положительные и/или отрицательные показания, с одновременным отображением или без отображения порога 65. Понятно, что порог 65 также можно изменять с течением времени в результате усовершенствований и расширения возможностей системы, а также на основании дополнительных данных 66 и других факторов.

[070] В примерных вариантах осуществления графическое представление этапа пороговой обработки отображается на устройстве 10 для скрининга или другой системе контроля, при этом результат сравнения спектральной плотности с установленным порогом отображается как последнее измеренное значение 4. Каждый из упомянутых необязательных этапов дополнительно подробно рассматривается ниже в связи с примерами, раскрываемыми в настоящей заявке.

[071] Как показано на фиг. 8A, в одном примерном варианте осуществления системы 1 пациент 30 контролируется датчиками 12A, 12B, например, входящими в устройство 10 для скрининга, изображенное на фиг. 1. В данном варианте осуществления датчики 12 формируют один или более сигналов 80A, 80B от пациента 30. Один или более сигналов 80A, 80B могут быть аналоговыми и/или цифровыми сигналами. Один или более датчиков 12A, 12B могут быть отдельными от системы, принимающей один или более сигналов, или могут быть неотъемлемой частью системы, принимающей один или более сигналов. Понятно, что, хотя описанная здесь система 1 относится к сбору ЭЭГ-сигналов, в альтернативном варианте осуществления один или более датчиков 12A, 12B могут измерять, обнаруживать, определять и/или контролировать одно или более из следующих физиологических состояний: частота сердечных сокращений, частота пульса, ЭКГ, вариабельность ритма сердца, частота дыхания, температура кожи, двигательные параметры, артериальное давление, уровень кислорода, температура внутренней части тела, теплоотдача тела, кожно-гальванический рефлекс (GSR), электромиография (EMG), электроокулография (EOG), телесный жир, уровень гидратации, уровень активности, потребление кислорода, уровень глюкозы или сахара в крови, положение тела, давление на мышцы или кости, поглощение ультрафиолетового (УФ) излучения и т.п.

[072] В различных вариантах осуществления, и как рассмотрено в связи с фиг. 4A-6, система 1 включает в себя одно или более устройств обработки сигналов, которые могут располагаться в устройстве 10 скрининга или в другом месте. Обработка может определять один или более признаков посредством анализа одного или более сигналов, чтобы искать сигнальную информацию, которая соответствует некоторым признакам сигналов. В некоторых вариантах осуществления один или более сигналов могут обрабатываться для определения присутствия одной или более высокочастотных волн и/или одной или более низкочастотных волн. Один или более признаков могут быть типами волн, например, но без ограничения, высокочастотными волнами и/или низкочастотными волнами.

[073] В варианте осуществления на фиг. 8A сигналы 80A, 80B принимаются по первому 82A и второму каналам 82B для вышеописанной обработки. Возможны другие варианты осуществления. Способы могут быть интегрированы в 8-разрядные или 16-разрядные системные среды встроенных устройств или более робастные системные среды. Способы могут быть интегрированы в существующие последовательности операций работы со стационарными пациентами.

[074] Как также показано на фиг. 8A, в некоторых вариантах осуществления сигналы 80A, 80B могут обрабатываться для разделения сигнала на равные последовательные сегменты (обозначенные, в общем, позициями 84A и 84B). В изображенном варианте осуществления показан сигнал длительностью десять минут, при этом сигнал разделен на десять отдельных одноминутных окон (также обозначенных, в общем, позициями 84A и 84B), однако, понятно, что в альтернативных вариантах осуществления можно использовать другие сигналы и другое число окон. В различных вариантах осуществления сигналы могут иметь длительность короче одной секунды или больше одного часа, или любое число минут. Аналогично, возможно любое число окон, и окна могут быть в диапазоне времени от долей секунды до множества минут или более.

[075] В варианте осуществления на фиг. 8A, после того, как сигналы 80A, 80B разделены, можно выполнять несколько необязательных этапов обработки и анализа, как описано в связи с фиг. 7. В различных вариантах осуществления выделяются значения 86A, 86B, и со значениями 86A, 86B могут выполняться различные необязательные этапы, чтобы идентифицировать признаки 104A, 104B исходных данных таким образом, что для соответствующего сигнала 80A, 80B можно установить что-либо или все из минимальной/максимальной амплитуды 88A, 88B, средней амплитуды 90A, 90B, амплитуды 92A, 92B межквартильного размаха (IQR), среднего отклонения амплитуды 94A, 94B и/или энтропии 96A, 96B сигнала. Специалисту в данной области техники очевидно, что можно идентифицировать другие признаки 104A, 104B исходных сигналов.

[076] На этапе анализа, анализ 102 спектральной плотности можно использовать для идентификации диффузного замедления. Как также показано на фиг. 8A, в некоторых вариантах осуществления может выполняться быстрое Фурье-преобразование 100 для одного или более сигналов 80A, 80B, чтобы идентифицировать дополнительные признаки 104A, 104B. Быстрое Фурье-преобразование 100 можно использовать само по себе или в комбинации с другими средствами анализа, чтобы оценивать спектральную плотность. Анализ 102 спектральной плотности может выполняться для одного или более сигналов, чтобы определять один или более признаков 104A, 104B спектральной плотности, например, плотность 105A низких частот, плотность 105B высоких частот и отношение 105C плотностей низких и высоких частот. Данные признаки 104A, 104B, получаемые в результате анализа 102 спектральной плотности, можно использовать сами по себе или в комбинации с различными значениями 104A, 104B, полученные из исходного сигнала, чтобы прогнозировать и/или распознавать энцефалопатию с использованием множества различных необязательных этапов и комбинаций.

[077] В некоторых вариантах осуществления, анализ 102A, 102B спектральной плотности может выполняться для каждого из одного или более сигналов 80A, 80B, например, изображенных ЭЭГ-сигналов, чтобы различать разные состояния пациента. В некоторых вариантах осуществления анализ 102A, 102B спектральной плотности может обеспечивать значения 104A, 104B, включающие в себя отношение 105C высокочастотной электрической активности мозга к низкочастотной электрической активности мозга. Например, чтобы установить диффузное замедление, можно сравнивать отношение приблизительно 10-Гц сигналов к сигналам с частотами, приблизительно, 2 Гц, 3 Гц или 4 Гц. В одном или более сигналах 80A, 80B можно идентифицировать одну или более полос или окон для использования в системах и способах, описанных в настоящей заявке.

[078] В некоторых вариантах осуществления может выполняться этап 73 валидации (показанный в прямоугольнике 106). В данных вариантах осуществления спектральную плотность 102 и/или другие значения 104A, 104B исходных сигналов можно использовать для сравнения отдельных показаний из разделенных окон сигналов (обозначенных, в общем, позициями 84A, 84B) для включения в анализ или исключения из анализа. Например, в некоторых вариантах осуществления может выполняться алгоритм 108 коррекции. В одном варианте осуществления алгоритм 108 сбора ошибок выполняет ряд необязательных этапов. На одном необязательном этапе исключаются 110 различные значения 104A, 104B выше или ниже некоторых предварительно заданных пределов ошибок в пределах данного окна. На другом необязательном этапе, если IQR и/или отношение 105C плотностей находятся в границах некоторой предварительно заданной близости 112, то данные сигналы окон сохраняются для агрегирования и рекомбинации 116, как описано ниже. Возможны другие необязательные этапы.

[079] В данных вариантах осуществления может выполняться необязательный дополнительный этап 116 рекомбинации. На этапе 116 рекомбинации, окна 84A, 84B, которые не были исключены в результате этапа 73 валидации (прямоугольник 106), можно объединить таким образом, что значения 104A, 104B, 104A, 104B из таких окон агрегируются как пороговые данные 64 диффузного замедления.

[080] С использованием пороговых данных диффузного замедления (обозначенных позицией 64 на фиг. 6) выполняется этап 74 пороговой обработки диффузного замедления или энцефалопатии, как дополнительно демонстрируется на фиг. 9A-13. В данных вариантах осуществления, агрегированные пороговые данные 64 могут сравниваться с установленным порогом 65 посредством порогового модуля 56. В различных вариантах осуществления данные из других источников 66, например, электронных медицинских карт, также могут сравниваться с порогами 65, чтобы создавать выходные данные 67, которые могут представляться графически, например, на любом из других устройств и систем, описанных в настоящей заявке, например, в связи с фиг. 5A-5D. Одним подобным примером является дисплей выходных данных 67, которые могут включать в себя последнее измеренное значение 4, тренд 6, качество 8, мощность 75 и другие графические представления, например, такие, которые показаны на фиг. 9A-D.

[081] Как показано на фиг. 2A-3D, волны головного мозга при энцефалопатии могут характеризоваться «диффузным замедлением», означающим, что электроды, предпочтительно все электроды, на ЭЭГ демонстрируют медленные формы волн. Как замечено выше, волны головного мозга могут иметь различные частоты и/или полосы частот. Диффузное замедление может означать, что замедленные волны, то есть, волны с меньшей частотой, наблюдаются на большинстве, если не на всех, электродах на ЭЭГ. Нарастание числа замедленных волн в сравнении с числом волн с более высокой частотой может показывать, что у пациента имеется или, вероятно, разовьется энцефалопатия. Два отведения (и заземляющее отведения) могут быть достаточными для обнаружения диффузного замедления, и, при соответствующих обработке сигналов и пользовательском интерфейсе.

[082] В некоторых вариантах осуществления, и как показано на фиг. 9A-9B, анализ 102A, 102B спектральной плотности выполняется по одному или более значениям 104A, 104B, которые могут быть числом высокочастотных волн в одном или более сигналах и/или числом низкочастотных волн в одном или более сигналах. Как показано на фиг. 9A, в каждом канале 82A, 82B может выполняться анализ в соответствии с этапами, описанными в связи с фиг. 8A, чтобы определить частоту волн с «высокими» и «низкими» частотами и другие характеристики в качестве выходных данных 67. В различных вариантах осуществления упомянутые представления можно использовать как любую из различных форм данных, рассмотренных выше в процессе описания, и могут отображаться на устройстве 16 отображения (показанном на фиг. 4B).

[083] В некоторых вариантах осуществления значения 104A, 104B могут вычисляться по всей протяженности одного или более сигналов 80A, 80B в ходе любого из вышеописанных этапов. В некоторых вариантах осуществления значения 104A, 104B могут вычисляться по поднабору из одного или более сигналов или поднабору временных интервалов одного или более сигналов. Например, если один или более сигналов имеют пятиминутную длительность, то значения 104A, 104B могут вычисляться в течение менее пяти минут, например, в течение четырех минут, трех минут, двух минут, одной минуты, тридцати секунд и т.п. Следовательно, одно или более значений 104A, 104B могут быть признаком 104A, 104B и/или значениями 104A, 104B в течение предварительно заданного отрезка времени. В некоторых вариантах осуществления одно или более значений 104A, 104B могут быть числом высокочастотных волн в течение периода времени и/или числом низкочастотных волн в течение периода времени. В некоторых вариантах осуществления одно или более значений 104A, 104B могут быть отношением числа высокочастотных волн к числу низкочастотных волн. В некоторых вариантах осуществления одно или более значений 104A, 104B могут быть отношением числа высокочастотных волн в течение периода времени к числу низкочастотных волн в течение периода времени.

[084] Как показано на фиг. 8A-B и 9A-D, в различных вариантах осуществления устройства 10, системы 1 и способа 5, отношения чисел высоко- и низкочастотных волн для каждого канала может отражаться графически и сравниваться на этапе определения диффузного замедления или энцефалопатии (обозначенном позицией 74 на фиг. 7). В данных вариантах осуществления, по меньшей мере, что-то одно из одного или более значений или признаков или количественного показателя, основанного на, по меньшей мере, одном из одного или более значений, содержащихся в пороговых данных 64, могут сравниваться с установленным порогом 65 диффузного замедления посредством порогового модуля 56. В некоторых вариантах осуществления, присутствие, отсутствие или вероятность последующего развития энцефалопатии могут определяться для пациента, исходя из сравнения. В различных вариантах осуществления частота сравнивается с течением времени для каждого сигнала, и результаты анализируются. Как дополнительно описано ниже, фиг. 9A и 9B представляют исходные сигналы в ЭЭГ-каналах во времени для каждого из соответствующих каналов. Фиг. 9C и 9D отображают полученный анализ спектральной плотности 102 для каждого канала.

[085] Экспериментальные результаты представляются в прилагаемых примерах, и выводы прилагаются.

[086] Пример 1: Скрининг энцефалопатии методом BSEEG в сравнении с постановкой клинического диагноза делирия

[087] В данном примере выполнялось предварительное исследование с использованием более 80 пациентов в возрасте 65 лет и старше, как с клиническим диагнозом делирия, так и без него, чтобы сравнить их волновые сигналы головного мозга, полученные с помощью устройства 10, системы 1 и способа 5 для скрининга. Базовую когнитивную функцию оценивали с использованием монреальской шкалы оценки когнитивных функций (MoCA).

[088] Затем в данном примере выполняли скрининг пациентов на присутствие делирия с помощью метода оценки спутанности сознания в отделении интенсивной терапии (CAM-ICU). После оценки снимали ЭЭГ-показания с использованием описанных здесь устройств, систем и способа посредством BSEEG, то есть, с размещением двух ʺʺU-отведений на лбу каждого пациента, по одному на полушарие, чтобы получать двухканальные сигналы справа и слева в течение 10 минут. Использовали также заземляющее отведение. Данный процесс повторяли дважды в сутки в течение их госпитализации, до 7 суток, и тестирование заканчивали, если после этого времени не наблюдали никаких изменений в психическом состоянии. Когда изменения психического состояния наблюдали, изменения контролировали в течение дополнительного времени.

[089] В данном примере, качество ЭЭГ-сигнала описанного здесь устройства для скрининга сравнивали с ЭЭГ-сигналом, полученным обычным ЭЭГ-аппаратом с 20 отведениями для тех же пациентов в то же самое время. Как выяснилось, существенной разницы между результатами не было.

[090] В данном примере выполнялись дополнительные предварительные анализы данных из ограниченного числа случаев с привлечением пациентов с делирием и без него. Первоначальный анализ показал, что описанные здесь устройства, системы и способы ясно различали упомянутых пациентов, а также определяли делирий и отсутствие делирия у одного и того же пациента в разное время. На основе результатов BSEEG и алгоритма обработки сигналов подсчитывается число субъектов, правильно классифицированных как положительные результаты (истинно положительные результаты) и отрицательные результаты (истинно отрицательные результаты). В данном примере, посредством табулирования числа случаев, неправильно классифицированных как положительные результаты (ложноположительные результаты) и отрицательные результаты (ложноотрицательные результаты) можно вычислить чувствительность и специфичность, с несколькими порогами для положительных и отрицательных результатов, по сравнению с результатами, полученными методом CAM-ICU.

[091] Затем выполняли анализ соотношений правильного и ложного обнаружения сигналов (ROC), и разрабатывали алгоритм для оценки выходных данных устройства для скрининга. Процесс ROC повторяли с применением нескольких алгоритмов, чтобы выявить оптимальный алгоритм с искомой точностью прогнозирования (AUC) свыше 0,7 (при абсолютной точности 1,0). В различных вариантах осуществления алгоритм может быть осуществлен в системе, например, в ручном устройстве 10 для скрининга (показанном, например, на фиг. 4A) или где-нибудь в другом месте в системе 5, для использования при постановке диагноза у постели больного и усовершенствовании системы, как описано выше.

[092] Пример 2: Оценка устройства для скрининга

[093] В данном примере исходный набор данных для обучения содержал 186 общих выборок ЭЭГ пациентов, сопоставленных с признаками делирия, полученными клинически или методом оценки спутанности сознания (CAM). Упомянутые выборки представляли 5 положительных, 179 отрицательных случаев и два отрицательных случая, в которых качество данных было недостаточно для выполнения анализа, и которые поэтому были исключены из дальнейшего анализа.

[094] В данном примере первоначально применяли 15-Гц фильтр низких частот, но предварительные результаты показали неравенство ослабления в частотной информации БПФ (быстрого Фурье-преобразования) между положительными и отрицательными случаями, и поэтому фильтр низких частот исключили.

[095] Во время обработки обработанных выборок наблюдалось, что окна длительностью 4 сек. были достаточны для демонстрации хороших результатов. В данном примере, окна, содержащие высокоамплитудные пики, также исключали с использованием порога, например, 500 мкВ μV, как показано на фиг. 9A и 9B.

[096] Фиг. 9C и 9D представляют спектральную плотность для каналов, при этом интенсивность (в Вт/Гц) можно сравнивать с каждой частотой (в Гц), чтобы определять отношение низкие частоты/высокие частоты. Экспериментально обнаружено, что использование отношения 3 Гц/10 Гц приносило предпочтительные результаты прогнозирования в упомянутом наборе для обучения, в отличие от отношений 2 Гц/10 Гц или 4 Гц/10 Гц.

[097] Как показано на фиг. 10, систему 1 и способ 5 можно использовать для определения временных рядов 130 анализа спектральной плотности, чтобы сравнить делириозные 132 частоты волн с «нормальными» 134 во времени. Как очевидно, исходя из делириозного субъекта 139, система способна идентифицировать повышение отношения чисел низкочастотных (3 Гц) к высокочастотным (10 Гц) формам волн по сравнению с контрольными данными (субъект 122), что показывает присутствие энцефалопатии. В различных вариантах осуществления приведенные результаты можно использовать, чтобы c учетом перспективы идентифицировать начало энцефалопатии посредством определения спектральной плотности по сравнению с порогами для групп населения.

[098] Как показано на фиг. 11, при использовании среднего значения 3 Гц/10 Гц в качестве пороговых данных 64, с порогом 65, установленным на 1,44 (положительный результат при >=1,44 и отрицательный результат <1,44), рабочие показатели, в сравнении с методом CAM-ICU (или иначе клинически распознаваемыми пациентами) показаны в таблице 1:

Таблица 1: Оценка диффузного замедления по сравнению с клиническим диагнозом

Истинно положительные результаты 4 Ложноположительные результаты 22 Истинно отрицательные результаты 157 Ложноотрицательные результаты 1 Точность 87,50% Чувствительность 80,00% Специфичность 87,70% Положительное прогнозируемое значение 0,153846 Отрицательное прогнозируемое значение 0,993671

[099] Следует понимать, что можно представить многочисленные дополнительные примеры.

[0100] Пример 3: Машинное обучение

[0101] Как показано на фиг. 12, в некоторых вариантах осуществления модель (прямоугольник 200) машинного обучения применяется для идентификации характеристик делирия/энцефалопатии и может служить для проверки других систем, способов и устройств, описанных в настоящей заявке, например, посредством уточнения порога (обозначенного позицией 65 на фиг. 6-8), чтобы повысить точность постановки диагноза. В данных вариантах осуществления модель используется для постановки в соответствие персональных и групповых данных пациентов (показанных, в общем, в прямоугольнике 202) в вычислительной машине (прямоугольник 204). В общем, различные методы машинного обучения можно кодировать для выполнения в устройстве 10 для скрининга, сервере/компьютерном устройстве 42, базе данных 36, стороннем сервере 34, другом компьютерном или электронном запоминающем устройстве, функционально связанном с устройством 10 для скрининга и/или датчиками 12 (также показанными в варианте осуществления на фиг. 5A-5D).

[0102] Модель может выполняться с данными (прямоугольник 202), записанными или зарегистрированными или иначе наблюдаемыми на пациентах 30 (например, данными анализа 102 спектральной плотности, выходными данными 67 и другими значениями, описанными в связи с фиг. 8A и т.п.), а также с другими записанными данными, например, из электронным медицинских карт (EMR - прямоугольник 201).

[0103] В различных вариантах осуществления данные EMR 201 могут включать в себя, но без ограничения, одно или более из следующих физиологических состояний: частота сердечных сокращений, частота пульса, ЭКГ, вариабельность ритма сердца, частота дыхания, температура кожи, двигательные параметры, артериальное давление, уровень кислорода, температура внутренней части тела, теплоотдача тела, кожно-гальванический рефлекс (GSR), электромиография (EMG), электроокулография (EOG), телесный жир, уровень гидратации, уровень активности, потребление кислорода, уровень глюкозы или сахара в крови, положение тела, давление на мышцы или кости, поглощение ультрафиолетового (УФ) излучения и т.п. Выходные наблюдаемые данные из упомянутых систем EMR и других систем, описанных в настоящей заявке, могут также представляться в EMR, отдельную систему контроля пациента, графический пользовательский интерфейс на устройстве(ах) и т.п.

[0104] Соответственно, различные системы и способы, использующие модель (прямоугольник 200) машинного обучения, могут передавать и/или принимать информацию из различных компьютерных устройств, а также EMR пациента для использования при контроле, скрининге или прогнозировании делирия машиной-шлюзом 210 или другим механизмом связи. В некоторых вариантах осуществления системы и способы могут использовать данные EMR, чтобы повысить точность контроля, скрининга или прогнозирования делирия, выполняемых в связи с устройством 10 и соответствующими системами 1 и способами 5 для скрининга.

[0105] В различных вариантах осуществления данные 202 пациента могут загружаться в любое из компьютерных запоминающих устройств компьютера, чтобы создать подходящий(ую) древовидный алгоритм или формулу логистической регрессии. После создания, древовидный алгоритм, который может принимать форму большого набора условий если-то, можно кодировать с использованием любого универсального компьютерного языка для осуществления теста. Например, условия если-то можно записать и компилировать для создания машинно-выполняемого модуля (прямоугольник 206), который, при выполнении, принимает новые данные 202 пациента и выдает результаты 208, которые могут включать в себя вычисленный прогноз или другое графическое представление (прямоугольник 208). Выходной результат может быть в форме графика, указывающего значение прогнозирования или вероятности вместе с сопутствующими статистическими показателями, например, p-значениями, показателями хи-квадратов и т.п. В различных вариантах осуществления данные результаты 208 могут снова вводиться в модуль 200 обучения или в другое место, чтобы постоянно совершенствовать функции системы, в том числе, посредством обновления различных порогов, применяемых повсеместно. Следует понимать, что приведенные варианты осуществления способны также анализировать тренд изменения соответствующих значений данных и показаний, чтобы повышать эффективность работы устройства, системы и способов. В данных вариантах осуществления, например, можно идентифицировать непрерывный поток данных тренда, которые можно использовать для обеспечения дополнительных необязательных этапов оценки, и тренды в зависимости от времени. В различных вариантах осуществления модель может обеспечивать дополнительные данные программ (обозначенные позицией 48 на фиг. 6), чтобы повышать точность, а также может быть включена в агрегацию, показанную в позиции 116 на фиг. 8.

[0106] Чтобы создать более совершенные алгоритмы и дополнительно определить значимость переменных параметров в модели (прямоугольник 200) машинного обучения, можно применить улучшенные методы построения дерева классификации и регрессии. Например, можно использовать деревья классификации и регрессии, случайный лес, усиленные деревья, машины опорных векторов, нейронные сети, а также ранее описанные другие методы машинного обучения. Диаграмма точности прогнозов, представляющая лифтовое значение каждого из упомянутых методов, показана на фиг. 13.

[0107] Метод усиления дерева решений сочетает набор переменных классификатора, чтобы получить окончательный классификатор. В различных вариантах осуществления это осуществляется построением исходного дерева решений по данным разработки модели, чтобы классифицировать зависимую переменную. Для всех случаев в наборе данных для разработки, в которых результат классифицируется неверно, весовой коэффициент данных случаев повышается (усиливается), и, чтобы оптимизировать классификацию результата, исходя из новых весовых коэффициентов случаев, создается новое дерево решений. Для неверно классифицированных случаев, их весовые коэффициенты снова усиливаются, и создается новое дерево решений. Данный метод итерационно повторяется, обычно, несколько сотен или тысяч раз, пока не определяется оптимальное усиленное дерево. Затем данное усиленное дерево решений применяется к набору данных валидации, и случаи в наборе данных валидации классифицируются как подходящие или неподходящие. Можно применить множество других известных методов, например

[0108] Следует отметить, что метод машинного обучения с усиленным деревом, а также любой из более сложных методов построения дерева решений могут создавать очень сложные алгоритмы (содержащие множество условий если-то), которые описаны выше. Вместе с тем, выбор переменных параметров, используемых в качестве входных данных для любого из методов классификации и регрессии, чтобы создать алгоритм, и/или относительная значимость переменных параметров также однозначно определяют алгоритм.

[0109] В настоящем примере алгоритм машинного обучения (подобный алгоритму в прямоугольнике 200) разрабатывался на группе из 13,819 пациентов. В настоящем примере использовались такие переменные параметры, как лабораторные значения, лекарства, возраст. Алгоритм тренировали на 12,461 из упомянутых пациентов и проверяли на 1,358 тестовых случаев. Результат по делирию для каждого пациента сравнивали со шкалой DOSS (шкала наблюдения и скрининга делирия), являющейся средством скрининга с ручным контролем, при этом значение выше 3 указывает на делирий.

[0110] В настоящем примере получены следующие результаты работы модели: истинно отрицательные результаты: 951; ложноположительные результаты: 62; истинно положительные результаты: 132; ложноотрицательные результаты: 213. Соответственно, наблюдаемая частота появления ошибок составила 20%, точность составила 80%. Важно отметить, что упомянутая модель не включала в себя выходную информацию из устройства 10 для скрининга. Понятно, что, при использовании в связи с устройством 10 для скрининга, можно получить точность выше 80%. Как показано на фиг. 13, возможны дополнительные варианты осуществления.

[0111] Значения, признаки и порог. В контексте настоящей заявки, термины «значение» и «признак» могут быть взаимозаменяемыми и предполагают исходные и прошедшие анализ данные, независимо от того, являются ли они числовыми, временные, графические или другие. В различных вариантах осуществления, подобных тем, которые описаны в настоящей заявке, значение, например, число высокочастотных волн, может сравниваться с порогом. В качестве альтернативы или дополнительно, с порогом можно сравнивать отношение двух или более значений. Порог может быть предварительно заданным значением. Порог может основываться на статистической информации, имеющей отношение к присутствию, отсутствию или последующему развитию делирия, например, информации, полученной от группы лиц. В некоторых вариантах осуществления порог может предварительно задаваться для одного или более пациентов. В некоторых вариантах осуществления порог может быть единообразным для всех пациентов. В некоторых вариантах осуществления порог может быть специально задан для одной или более характеристик пациента, например, текущих состояния здоровья, возраста, пола, расы, анамнеза, других медицинских диагнозов и т.п. В некоторых вариантах осуществления порог может настраиваться по физиологическим данным в электронной медицинской карте (EMR) пациента.

[0112] В некоторых вариантах осуществления порог может быть отношением числа высокочастотных волн к числу низкочастотных волн. В некоторых вариантах осуществления порог может быть отношением числа высокочастотных волн в течение периода времени к числу низкочастотных волн в течение периода времени. В настоящем описании изобретения отношением называется отношение числа высокочастотных волн к числу низкочастотных волн, однако, следует понимать, что отношение может быть также отношением числа низкочастотных волн к числу высокочастотных волн, при условии, что формат отношения является постоянным на протяжении всего процесса. Например, сравнение может выполняться между отношениями высокочастотных волн к низкочастотным волнам или наоборот, т.е. низкочастотных волн к высокочастотным волнам.

[0113] Один или более признаков или значений могут быть предварительно заданными. Например, диапазон для волн, которые являются высокочастотными волнами, можно быть предварительно задан больше установленного значения. Аналогично, диапазон для волн, которые являются низкочастотными волнами можно быть предварительно задан меньше установленного значения. Установленные значения могут быть одинаковыми для всех пациентов или могут изменяться в зависимости от характеристик конкретного пациента.

[0114] Возможно выделение других признаков или значений одного или более сигналов. Например, для других применений можно также определять отношения сигнала к шуму. Качество данных можно оценивать посредством определения нефизиологических частот электрической активности. Сбор и/или интерпретация данных могут ограничиваться до прекращения, когда качество данных ниже допустимого уровня.

[0115] Характеристики устройства сбор сигналов. Системы и способы, описанные в настоящей заявке, могут обеспечить специализированные устройство 10, систему 1 и способ 5 для скрининга, которые являются простыми, удобными и легкими для применения. В некоторых вариантах осуществления системы и способы могут использовать электроэнцефалографическую (ЭЭГ) технологию, которая упрощена для конечного пользователя. Системы и способы могут автоматически интерпретировать данные и обеспечивать методическую помощь медицинскому специалисту в отношении контроля, скрининга или последующего развития делирия у пациента. По традиции, ЭЭГ-данные визуально проверяются специалистом-неврологом, и никакой автоматизации процесса не осуществляется. В некоторых вариантах осуществления, описанных в настоящей заявке, возможны добавочные варианты сопряжения со стандартным контрольным оборудованием, мобильными устройствами, облачными и другими технологиями с целью создания автоматизированного процесса.

[0116] Некоторые варианты осуществления, описанные в настоящей заявке, могут быть полезны в различных областях медицины, например, но без ограничения, интенсивной терапии, пред- и послеоперационном уходе, гериатрии, интернатах с медицинским обслуживанием, пунктах скорой помощи и травматологических пунктах. Контроль, скрининг или прогнозирование улучшают уход за пациентом при пребывании в стационаре или другом медицинском учреждении. Пациенты могут также использовать персональные медицинские устройства и контроль для обеспечения возможности дистанционного контроля собственного состояния, когда они не находятся в медицинском учреждении. Например, персональные медицинские устройства могут контролировать пациентов на дому или в других местах за пределами медицинского учреждения и обеспечивать контроль, скрининг или прогнозирование делирия. Системы дистанционного измерения и/или анализа могут сопрягаться с системами, используемыми медицинскими специалистами.

[0117] Как показано в различных вариантах осуществления, один или более датчиков 12 можно размещать в состоянии связи с пациентом 30. В некоторых вариантах осуществления один или более датчиков 12 могут быть одним или более датчиками активности мозга, например, но без ограничения, ЭЭГ-устройствами, например, одним или более ЭЭГ-отведениями/электродами. В целях настоящего описания изобретения, термины «отведения» и «электроды» применяются с возможностью взаимной замены. Один или более сигналов могут быть ЭЭГ-сигналами. ЭЭГ-сигналы могут включать в себя флуктуации напряжения, возникающие в результате ионного тока внутри нейронов мозга пациента. В некоторых вариантах осуществления может быть множество датчиков. В некоторых вариантах осуществления может быть два датчика, например, два ЭЭГ-электрода. Применение ЭЭГ-систем с менее, чем обычно принятыми 16 или 24 электродами может обеспечить сокращение затрат и затруднений при прогнозировании, скрининге или контроле делирия. В различных вариантах осуществления применяется 2 или более отведений или датчиков. В некоторых вариантах осуществления применяется 2, 3, 4, 5, 6, 7, 8, 9 или 10 датчиков. В дополнительных вариантах осуществления применяется 11, 12, 13, 14 или 15 датчиков. В еще одним вариантах осуществления применяется более, чем 15 датчиков. В различных вариантах осуществления можно применить минимальное число удобно размещаемых ЭЭГ-отведений, меньше, чем показано в предшествующем уровне техники, что исключает и/или уменьшает потребность в квалифицированном ЭЭГ-лаборанте и/или узкоспециализированном неврологе. В различных вариантах осуществления применяется, по меньшей мере, 1 заземляющее отведение, а в альтернативном варианте осуществления применяется больше, чем 1 заземляющее отведение, например 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16 или более заземляющих отведений.

[0118]

[0119] В некоторых вариантах осуществления один или более датчиков 12 могут быть неинвазивными. В некоторых вариантах осуществления неинвазивные электроды можно размещать на коже пациента. В некоторых вариантах осуществления может быть, минимум, две точки контакта с кожей, т.е. датчик и заземляющий датчик. Возможно применение пассивных датчиков в том смысле, что через данные датчики не будет протекать никакого внешнего электрического тока. В некоторых вариантах осуществления могут применяться электрически активные датчики. В некоторых вариантах осуществления один или более датчиков могут быть липкими накладками с печатными схемами или неприлипающей головной гарнитурой, которая создает контакт датчиков с кожей. В некоторых вариантах осуществления один или более датчиков можно размещать на голове пациента, например, на лбу и/или за одним или обоими ушами пациента. В некоторых вариантах осуществления может обеспечиваться минимальное разнесение между одним или более датчиками, чтобы один или более датчиков не контактировали друг с другом.

[0120] В некоторых вариантах осуществления можно применять минимально инвазивные или неинвазивные датчики. Минимально инвазивные или неинвазивные датчики могут обеспечивать один или более сигналов в качестве показателя физиологического состояния, например, активности мозга.

[0121] Один или более сигналов могут преобразовываться из аналоговых сигналов в цифровые сигналы, при необходимости. Преобразование может выполняться до того, как один или более сигналов принимаются устройством обработки данных, в устройстве обработки данных или в отдельном устройстве. Если один или более сигналов сформированы или приняты как цифровые сигналы, то преобразование, возможно, не требуется.

[0122] Один или более сигналов могут быть характерными для одной или более функций мозга пациента. В некоторых вариантах осуществления один или более сигналов могут обеспечивать информацию, касающуюся волновой активности головного мозга пациента. Для пациента можно измерять волны головного мозга. В некоторых вариантах осуществления волны головного мозга могут представляться посредством ЭЭГ, что может быть записью электрической активности мозга с кожи черепа. Записанные формы волн могут отражать электрическую активность коры головного мозга. В некоторых вариантах осуществления интенсивность ЭЭГ-сигнала может быть невысокой и может измеряться в микровольтах. Обычно существет несколько частот и/или полос частот, которые можно обнаруживать с использованием ЭЭГ. Определение высокой частоты и низкой частоты может изменяться в зависимости от различных факторов, включая, но без ограничения демографическую группу пациентов. В некоторых вариантах осуществления определение высокой частоты и низкой частоты может быть одинаковым по всем демографическим группам пациентов. В некоторых вариантах осуществления низкочастотные волны могут быть волнами с частотами ниже, приблизительно, 7,5 Гц, ниже, приблизительно, 7,0 Гц, ниже, приблизительно, 6,5 Гц, ниже, приблизительно, 5,5 Гц, ниже, приблизительно, 5 Гц, ниже, приблизительно, 4,5 Гц, ниже, приблизительно, 4,0 Гц, ниже, приблизительно, 3,5 Гц или ниже, приблизительно, 3,0 Гц. В некоторых вариантах осуществления высокочастотные волны могут быть волнами с частотами выше, приблизительно, 7,5 Гц, выше, приблизительно, 8,0 Гц, выше, приблизительно, 8,5 Гц, выше, приблизительно, 9,0 Гц, выше, приблизительно, 9,5 Гц, выше, приблизительно, 10,0 Гц, выше, приблизительно, 10,5 Гц, выше, приблизительно, 11,0 Гц, выше, приблизительно, 11,5 Гц, выше, приблизительно, 12,0 Гц, выше, приблизительно, 12,5 Гц, выше, приблизительно, 13,0 Гц, или выше, приблизительно, 14,0 Гц.

[0123] В некоторых вариантах осуществления один или более сигналов могут быть потоками данных в реальном времени или почти в реальном времени. В некоторых вариантах осуществления один или более сигналов можно измерять и/или сохранять в течение некоторого периода времени до обработки и/или анализа.

[0124] Хотя это и не требуется, системы и способы описаны в общем контексте команд программного обеспечения и/или компьютерных программ, выполняемых одним или более компьютерными устройствами, которые имеют форму традиционных серверов/настольных компьютеров/портативных компьютеров; мобильных устройств, например, смартфона или планшетного компьютера; носимых устройств, медицинских устройств, других медицинских систем и т.п. Компьютерные устройства могут включать в себя один или более процессоров, связанных с запоминающим устройством для модулей и данных компьютерных программ. Основные технологии могут включать в себя, но без ограничения, многопрофильные стандарты операционных систем Microsoft и Linux/Unix; базы данных типа SQL Server, Oracle, NOSQL и DB2; средства обработки информации для бизнес-аналитики и анализа типа SPSS, Cognos, SAS и т.п.; средства проектирования типа Java,.NET Framework (VB.NET, ASP.NET, AJAX.NET и т.п.); и другие изделия электронной торговли, компьютерные языки и средства проектирования. Такие программные модули могут включать команды компьютерных программ, например, стандартные подпрограммы, программы, объекты, компоненты и т.п., для выполнения одним или более процессорами с целью выполнения конкретных задач, использования данных, структур данных и/или реализации конкретных абстрактных типов данных. Хотя системы, способы и устройства и описаны в вышеупомянутом контексте, действия и операции, описанные далее в настоящем документе можно также реализовать в аппаратном обеспечении.

[0125] Анализ и постановка диагноза. В некоторых вариантах осуществления присутствие делирия может подтверждаться различными устройствами, системами и способами, описанными в настоящей заявке. В некоторых вариантах осуществления отсутствие делирия может подтверждаться или определяться системами и способами, описанными в настоящей заявке.

[0126] В некоторых вариантах осуществления пациенту 30 можно на данный момент поставить диагноз наличия делирия. Медицинские специалисты, возможно, желали бы контролировать состояние делирия у пациента. Варианты осуществления, описанные в настоящей заявке, могут обеспечивать эффективные и экономичные систему и способ для контроля состояния делирия у пациента. Варианты осуществления, описанные в настоящей заявке, могут позволять медицинским специалистам определять, имеет ли место улучшение, стабилизация или ухудшение делирия у пациента. В некоторых вариантах осуществления медицинский специалист может и не быть уверен в том, имеется ли делирий у пациента. Например, у пациента могут быть некоторые, но не все, клинические признаки и симптомы, связанные с делирием. Варианты осуществления, описанные в настоящей заявке, могут позволять медицинским специалистам определять, присутствует на данный момент делирий у пациента.

[0127] В некоторых вариантах осуществления пациент 30 на данный момент не может быть диагностирован на наличие делирия и может на данный момент не иметь одного или более из клинических признаков и симптомов делирия. В целях настоящего раскрытия, «клинические признаки и симптомы делирия» можно определять в соответствии с критериями DSM-5 для делирия (American Psychiatric Association (2013). Diagnostic and Statistical Manual of Mental Disorders (5th ed.). Washington, DC). В частности, клинические признаки и симптомы делирия могут быть следующими:

A. Нарушение внимания (т.е. пониженная способность направлять, сосредотачивать, поддерживать и перемещать внимание) и восприятия (ухудшенная ориентация в окружающей среде).

B. Нарушение развивается в течение короткого периода времени (обычно, от нескольких часов до нескольких суток), представляет собой изменение от базового уровня внимания и восприятия и, обычно, флуктуирует по тяжести в течение суток.

C. Дополнительное нарушение когнитивной деятельности (например, нарушение памяти, нарушение ориентировки, речи, зрительно-пространственной деятельности или сознания).

D. Нарушения по критериям A и C не объясняются в большей степени ранее существовавшим, установившимся или развивающимися нейрокогнитивным расстройством и не происходят в контексте значительно сниженного уровня активности, например, комы.

E. Из истории болезни, физического обследования или лабораторных результатов получены признаки того, что нарушение является прямым физиологическим последствием другого медицинского диагноза, интоксикацией или отменой приема веществ или воздействием токсина, или обусловлено несколькими причинами.

[0128] В некоторых вариантах осуществления нельзя считать, что пациент 30 диагностирован на наличие делирия, если не удовлетворяются все критерии A-E. В других вариантах осуществления не обязательно все критерии A-E должны удовлетворяться прежде, чем полагается, что пациент диагностирован на наличие делирия. В некоторых вариантах осуществления можно считать, что пациент диагностирован на наличие делирия, если удовлетворяются критерии A-C. В некоторых вариантах осуществления можно считать, что пациент диагностирован на наличие делирия, если удовлетворяются два или более из критериев A-E. В некоторых вариантах осуществления можно считать, что пациент диагностирован на наличие делирия, если удовлетворяются три или более из критериев A-E. В некоторых вариантах осуществления можно считать, что пациент диагностирован на наличие делирия, если он удовлетворяет критериям A или критериям C. В некоторых вариантах осуществления можно считать, что пациент диагностирован на наличие делирия, если он удовлетворяет критериям A или критериям C, и, по меньшей мере, одному из критериев B, D или E. В некоторых вариантах осуществления можно считать, что пациент не диагностирован на наличие делирия, если удовлетворяются три или менее из критериев A-E.

[0129] В целях настоящего раскрытия, пациента 30 может и не иметь клинических признаков и симптомов делирия, если пациент на данный момент не диагностирован на наличие делирия медицинским специалистом. Условия, отмеченные выше, являются современным руководством по постановке диагноза делирия на основании DSM-5. В некоторых вариантах осуществления, для определения, имеется ли у пациента делирий, можно пользоваться новыми и/или скорректированными версиями данного руководства или другим руководством, которое может содержать отличающиеся клинические признаки и симптомы. Устройства 10, системы 1 и способы 5, описанные в настоящей заявке, могут прогнозировать развитие делирия у пациента до проявления одного или всех клинических признаков и симптомов, независимо от критериев, используемых для постановки диагноза.

[0130] Некоторые варианты осуществления могут обеспечивать системы и способы для прогнозирования последующего развития делирия у пациента, когда клинические признаки и симптомы делирия могут и не присутствовать у пациента на данный момент.

[0131] В некоторых вариантах осуществления прогноз можно делать независимо от вероятности последующего развития делирия у пациента, когда пациент на данный момент не диагностируется на наличие делирия. В некоторых вариантах осуществления пациент может и не иметь на данный момент одного или более из клинических признаков и симптомов делирия во время определения вероятности последующего развития делирия.

[0132] В некоторых вариантах осуществления выходным результатом для пациента может быть показатель присутствия, отсутствия или вероятности последующего развития делирия. Выходной результат может выдаваться в различных формах, включая уведомление, предупреждение, визуальный показатель, аудиальный показатель, тактильный показатель, отчет, запись в медицинской карте, электронное письмо, текстовое сообщение и комбинации вышеперечисленного.

[0133] Показатель присутствия, отсутствия или вероятности последующего развития делирия может быть бинарным показателем, например, показателем «да» или «нет». Например, выходным результатом может быть «да», у пациента присутствует делирий, или «нет», у пациента нет делирия. Выходным результатом может быть также «да», у пациента, вероятно, будет развиваться делирий, или «нет», у пациента маловероятно развитие делирия.

[0134] В некоторых вариантах осуществления показатель присутствия, отсутствия или вероятности последующего развития делирия может быть небинарным показателем. Например, показатель может быть численной величиной относительного риска в процентах, т.е. 70% вероятностью последующего развития делирия. В некоторых вариантах осуществления показатель присутствия, отсутствия или вероятности последующего развития делирия может быть категориальным. Например, показатель может сообщать, что пользователь подвергается «высокому», «среднему» или «низкому» риску, и промежуточным категориям, например, «средне-высокому» или «средне-низкому». Показатель может быть также оценкой по произвольной шкале, например, от 1 до 5, от 1 до 10 и т.п.

[0135] Показатели вероятности последующего развития делирия у пациента могут базироваться на вероятностях в процентах. Например, показатель, что у пациента, вероятно, будет в последующем развиваться делирий, может базировать на вероятности выше 50%, выше 55%, выше 60%, выше 65%, выше 70%, выше 75%, выше 80%, выше 85%, выше 90% или выше 95%, что у пациента будет в последующем развиваться делирий.

[0136] Показатели могут предназначаться для любой задачи из контроля, скрининга или прогнозирования делирия. Показатели могут также рассчитывать и/или выдавать степень уверенности. Например, показатель может включать в себя степень уверенности 80% в том, что у пациента будет развиваться делирий в конкретный период времени.

[0137] Хотя вышеприведенное описание относится к предпочтительным вариантам осуществления изобретения, следует отметить, что специалистам в данной области техники будут очевидны другие варианты и модификации, которые можно создать, не выходя за пределы существа и объема изобретения. Кроме того, признаки, описанные в связи с одним вариантом осуществления изобретения, можно использовать в связи с другими вариантами осуществления, даже если они не сформулированы выше в явном виде.

[0138] Хотя настоящее раскрытие изложено со ссылкой на предпочтительные варианты осуществления, специалисты в данной области техники обнаружат, что в форму и детали можно вносить изменения, не выходящие за пределы существа и объема раскрытых устройств, систем и способов.

Похожие патенты RU2768581C2

название год авторы номер документа
СПОСОБ ДИАГНОСТИКИ ИСХОДОВ ЧЕРЕПНО-МОЗГОВОЙ ТРАВМЫ 2010
  • Беляков Николай Алексеевич
  • Гурская Олеся Евгеньевна
  • Гурчин Александр Феликсович
  • Тышкевич Татьяна Гелиевна
RU2453269C1
Способ управления устройствами посредством обработки сигналов ЭЭГ 2019
  • Ковалев Юрий Сергеевич
  • Бергалиев Тимур
  • Киселева Марья Александровна
  • Сахно Сергей Владимирович
RU2717213C1
СПОСОБ ЛЕЧЕНИЯ ПАТОЛОГИИ ЦЕНТРАЛЬНОЙ НЕРВНОЙ СИСТЕМЫ 2000
  • Горючко Андрей Вольдемарович
RU2169021C1
СПОСОБ ЛЕЧЕНИЯ ЭНЦЕФАЛОПАТИИ 2009
  • Тышкевич Татьяна Гелиевна
RU2392985C1
СПОСОБ ОЦЕНКИ СТЕПЕНИ ТЯЖЕСТИ ЭПИЛЕПСИИ, ОСЛОЖНЕННОЙ ОРГАНИЧЕСКОЙ ЭНЦЕФАЛОПАТИЕЙ 2009
  • Корсакова Екатерина Анатольевна
  • Хоршев Сергей Кузьмич
  • Баранцевич Евгений Робертович
RU2433784C2
СПОСОБ ЛЕЧЕНИЯ ЭНЦЕФАЛОПАТИИ У ДЕТЕЙ 2012
  • Тышкевич Татьяна Гелиевна
  • Гурская Олеся Евгеньевна
  • Гурчин Александр Феликсович
  • Селиверстов Роман Юрьевич
  • Суслова Галина Анатольевна
  • Соломкина Наталья Юрьевна
RU2501584C1
СПОСОБ ДИАГНОСТИКИ СТЕПЕНИ ПСИХОФИЗИОЛОГИЧЕСКОЙ ДЕЗАДАПТАЦИИ У БОЛЬНЫХ С НАЧАЛЬНЫМИ ФОРМАМИ ХРОНИЧЕСКОЙ ЦЕРЕБРОВАСКУЛЯРНОЙ ПАТОЛОГИИ 1998
  • Григорьева В.Н.
  • Котова О.В.
  • Лаптев А.В.
  • Густов А.В.
  • Широков Е.Ю.
RU2154979C2
СПОСОБ ИССЛЕДОВАНИЯ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ГОЛОВНОГО МОЗГА, УСТРОЙСТВО ДЛЯ ИССЛЕДОВАНИЯ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ГОЛОВНОГО МОЗГА И СПОСОБ ИЗМЕРЕНИЯ ПОДЭЛЕКТРОДНОГО СОПРОТИВЛЕНИЯ 2003
  • Захаров С.М.
  • Скоморохов А.А.
  • Смирнов Б.Е.
RU2252692C2
СПОСОБ ЛЕЧЕНИЯ КОГНИТИВНЫХ РАССТРОЙСТВ ПРИ ХРОНИЧЕСКОЙ ЭНЦЕФАЛОПАТИИ У БОЛЬНЫХ БРОНХИАЛЬНОЙ АСТМОЙ 2005
  • Цюрюпа Виктория Николаевна
  • Визило Татьяна Леонидовна
  • Власова Ирина Валентиновна
RU2308885C1
СИСТЕМА МОНИТОРИНГА ДЛЯ МОНИТОРИНГА ПАЦИЕНТА И ОБНАРУЖЕНИЯ ДЕЛИРИЯ У ПАЦИЕНТА 2012
  • Ван Дер Хейде Эстер Марьян
  • Хейнрих Адриенне
  • Фальк Томас
RU2623304C2

Иллюстрации к изобретению RU 2 768 581 C2

Реферат патента 2022 года УСТРОЙСТВА, СИСТЕМЫ И СПОСОБЫ ДЛЯ ПРОГНОЗИРОВАНИЯ, СКРИНИНГА И КОНТРОЛЯ ЭНЦЕФАЛОПАТИИ/ДЕЛИРИЯ

Группа изобретений относится к медицинской технике, а именно к системе для скрининга делирия у пациента, системе для скрининга и пороговой обработки делирия, системе распознавания электронных медицинских карт для скрининга делирия у пациента. Система скрининга делирия у пациента содержит портативное устройство скрининга. Устройство скрининга содержит два датчика, процессор, модуль. Датчики выполнены с возможностью регистрации одного или более сигналов головного мозга, указывающих частоты волн головного мозга. Модуль сконфигурирован с возможностью сравнения частот волн головного мозга с течением времени, выполнения анализа спектральной плотности или формы сигнала для частот волн головного мозга, установления и/или изменения порогового отношения при посредстве электронных медицинских карт, сравнения указанного отношения с указанным пороговым отношением, изменения и уточнения порогового отношения с течением времени, вывода данных. При этом анализ спектральной плотности или формы сигнала проводят для установления отношения плотностей волн головного мозга высокой частоты c волнами головного мозга низкой частоты. При этом волны головного мозга высокой частоты являются выше чем 7,5 Гц и волны головного мозга низкой частоты являются ниже чем 7,5 Гц. Выведенные данные представляют показатель присутствия, отсутствия или вероятности последующего развития делирия на основании сравнения указанного отношения с указанным пороговым отношением. Система для скрининга и пороговой обработки делирия содержит портативное устройство для скрининга и модуль. Портативное устройство содержит корпус и менее чем пять датчиков. Датчики выполнены с возможностью регистрации сигналов головного мозга, указывающих частоты волн головного мозга. Модуль сконфигурирован с возможностью сбора частот волн головного мозга с течением времени от датчиков, выполнения анализа спектральной плотности для частот волн головного мозга, установления и/или изменения порогового отношения данных пациента при посредстве электронных медицинских карт, сравнения указанного отношения с указанным пороговым отношением данных пациента, вывода данных. Выведенные данные представляют показатель присутствия, отсутствия или вероятности последующего развития делирия или энцефалопатии на основании сравнения указанного отношения с указанным пороговым отношением данных пациента. Система распознавания электронных медицинских карт для скрининга делирия у пациента содержит портативное устройство для скрининга, два датчика, процессор, базу данных, программные модули. База данных содержит данные пациента. Программные модули содержат модуль обработки сигналов, модуль валидации, пороговый модуль, модуль анализа. Пороговый модуль сконфигурирован с возможностью установления порога делирия. Модуль анализа сконфигурирован с возможностью выполнения анализа спектральной плотности для частот волн головного мозга. При этом порог делирия сконфигурирован с возможностью установления посредством модуля машинного обучения, работающего с данными пациента из электронных медицинских карт. Обеспечивается повышение точности и надежности скрининга делирия и энцефалопатии у пациента. 3 н. и 14 з.п. ф-лы, 13 ил.

Формула изобретения RU 2 768 581 C2

1. Система для скрининга делирия у пациента, содержащая портативное устройство скрининга, при этом устройство скрининга содержит:

a) два датчика, выполненных с возможностью регистрации одного или более сигналов головного мозга, указывающих частоты волн головного мозга;

b) процессор; и

c) по меньшей мере один модуль, сконфигурированный с возможностью:

i) сравнения частот волн головного мозга с течением времени;

ii) выполнения анализа спектральной плотности или формы сигнала для частот волн головного мозга, чтобы устанавливать отношение плотностей волн головного мозга высокой частоты c волнами головного мозга низкой частоты, при этом волны головного мозга высокой частоты являются выше чем 7,5 Гц, и при этом волны головного мозга низкой частоты являются ниже чем 7,5 Гц;

iii) установления и/или изменения порогового отношения при посредстве электронных медицинских карт;

iv) сравнения указанного отношения с указанным пороговым отношением;

v) изменения и уточнения порогового отношения с течением времени; и

vi) вывода данных, представляющих показатель присутствия, отсутствия или вероятности последующего развития делирия на основании сравнения указанного отношения с указанным пороговым отношением.

2. Система по п. 1, дополнительно содержащая модуль машинного обучения.

3. Система по п. 2, дополнительно содержащая машинно-выполняемый модуль, при этом указанный машинно-выполняемый модуль выполнен с возможностью приема данных пациента и вывода результатов.

4. Система по п. 1, дополнительно содержащая модуль обработки сигналов, сконфигурированный с возможностью разделения частот волн головного мозга на окна.

5. Система по п. 4, в которой указанные окна имеют равную длительность.

6. Система для скрининга и пороговой обработки делирия, содержащая:

a) портативное устройство для скрининга, содержащее корпус и менее чем пять датчиков, выполненных с возможностью регистрации одного или более сигналов головного мозга, указывающих частоты волн головного мозга; и

b) по меньшей мере один модуль, сконфигурированный с возможностью:

i) сбора частот волн головного мозга с течением времени от менее чем пяти датчиков;

ii) выполнения анализа спектральной плотности для частот волн головного мозга, чтобы устанавливать по меньшей мере одно отношение плотностей волн головного мозга высокой частоты с волнами головного мозга низкой частоты, при этом волны головного мозга высокой частоты являются выше, чем 7,5 Гц, и при этом волны головного мозга низкой частоты являются ниже, чем 7,5 Гц;

iii) установления и/или изменения порогового отношения данных пациента при посредстве электронных медицинских карт;

iv) сравнения по меньшей мере одного указанного отношения с указанным пороговым отношением данных пациента; и

v) вывода данных, представляющих показатель присутствия, отсутствия или вероятности последующего развития делирия или энцефалопатии на основании сравнения указанного отношения с указанным пороговым отношением данных пациента.

7. Система по п. 6, в которой порог данных пациента устанавливается на основании модели машинного обучения, при этом модель машинного обучения сконфигурирована и выполнена с возможностью постановки в соответствие персональных и групповых данных пациентов.

8. Система по п. 6, дополнительно содержащая модуль машинного обучения, реализующий модель машинного обучения для установления и изменения указанного порогового отношения.

9. Система по п. 6, дополнительно содержащая модуль обработки сигналов, сконфигурированный с возможностью разделения частот волн головного мозга на окна.

10. Система по п. 9, в которой указанные окна имеют равную длительность.

11. Система распознавания электронных медицинских карт для скрининга делирия у пациента, содержащая:

a) портативное устройство для скрининга, содержащее корпус;

b) по меньшей мере два датчика, выполненных с возможностью регистрации одного или более сигналов мозга, указывающих частоты волн головного мозга;

c) процессор;

d) базу данных, содержащую данные пациента; и

e) программные модули, содержащие:

i) модуль обработки сигналов;

ii) модуль валидации;

iii) пороговый модуль, сконфигурированный с возможностью установления порога делирия,

iv) модуль анализа, сконфигурированный с возможностью выполнения анализа спектральной плотности для частот волн головного мозга, чтобы устанавливать по меньшей мере одно отношение плотностей волн головного мозга высокой частоты с волнами головного мозга низкой частоты, при этом волны головного мозга высокой частоты являются выше чем 7,5 Гц, и при этом волны головного мозга низкой частоты являются ниже чем 7,5 Гц;

причем порог делирия сконфигурирован с возможностью установления посредством модуля машинного обучения, работающего с данными пациента из электронных медицинских карт.

12. Система по п. 11, дополнительно содержащая модуль машинного обучения, выполняющий модель машинного обучения для установления и изменения порога делирия.

13. Система по п. 11, дополнительно содержащая модуль машинного обучения и машинно-выполняемый модуль, при этом указанный машинно-выполняемый модуль выполнен с возможностью приема данных пациента и вывода результатов.

14. Система по п. 11, в которой модуль обработки сигналов выполнен с возможностью разделения частот волн головного мозга на окна равной длительности с течением времени.

15. Система по п. 11, дополнительно содержащая сервер, связанный электронными средствами с указанным портативным устройством для скрининга.

16 Система по п. 11, в которой корпус дополнительно содержит дисплей и интерфейс.

17. Система по п. 16, в которой дисплей сконфигурирован с возможностью отображения данных программ.

Документы, цитированные в отчете о поиске Патент 2022 года RU2768581C2

US 2007032737 A1, 08.02.2007
СПОСОБ ДИАГНОСТИКИ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ГОЛОВНОГО МОЗГА СООТВЕТСТВЕННО УРОВНЮ ЗДОРОВЬЯ 2013
  • Баркар Алина Аркадьевна
  • Маркин Валентин Валентинович
  • Маркина Людмила Дмитриевна
  • Руденко Людмила Николаевна
RU2521345C1
БИОСЕНСОРЫ, КОММУНИКАТОРЫ И КОНТРОЛЛЕРЫ ДЛЯ МОНИТОРИНГА ДВИЖЕНИЯ ГЛАЗ И СПОСОБЫ ИХ ПРИМЕНЕНИЯ 2005
  • Торч Уилльям С.
RU2395228C2
WO 2014040175 A1, 20.03.2014
US 2010045467 A1, 25.02.2010
WO 2014167460 А1, 16.10.2014
US 2014143064 A1, 22.05.2014
JP 2007083065 А, 05.04.2007
WO 2000018471 A1, 06.04.2000.

RU 2 768 581 C2

Авторы

Кромвелл, Джон

Синодзаки, Ген

Даты

2022-03-24Публикация

2016-12-05Подача