[发明专利]基于多变量残差的用于人体健康监视的健康指数

说明书

相关申请的交叉引用

本申请依据35U.S.C.§119(e)要求2010年1月14日提交的美国临时专利申请S/N.61/295,072的优先权权益，该申请出于所有目的通过引用完全纳入于此。

关于联邦赞助的研究或研发的声明

本发明是在美国国家科学基金会授予的授予号IIP-0810751下通过政府支持完成的。政府享有本发明的某些权利。

发明背景

发明领域

本发明一般涉及人体健康监视领域，尤其涉及使用多变量模型来分析生物参数的测量以提供对人体健康指标的基于残差的评估。

对相关技术的简要描述

数百年来，医学已被实践为反应性的、危机驱动的过程。令人遗憾地，迄今为止，医学仍大多如此。慢性疾病表现出不成比例地分摊极大的医疗保健经济费用，而其中的大部分可通过对恶化的早期警告来避免。目前的医疗保健实践是偶尔发生的而且是反应性的，很少关注诊所或医院的受控环境之外的病人健康。然而，医学技术现在才刚开始探索从可穿戴式设备进行门诊遥测，并且实际上不知道谁将查看所有这些数据，或者将如何分析这些数据以提供虚警率较低的早期警告。另外，由于不卧床的运动伪像以及当病人是镇静的并且仰卧在医院病床上时不经常应对的日常活动过程中的正常生理变化，门诊遥测会带来相当多的挑战。

其他行业（原子能、航空、精炼、计算机系统）近年来已采用了用于状况监视的高级智能算法，这些算法适应在从目标系统采集到的传感器数据中所呈现的正常变化和动态特性，并且将其与精细的对恶化的早期警告征兆区别开来。一种机器学习技术（基于相似性建模（“SBM”）技术）已在包括以上所提及的许多应用场合中证明是成功的。SBM是非参数数据驱动的建模技术，该技术从来自复杂系统的多变量数据学习正常行为，并且将该正常行为与受监视系统中的不利行为的发作区别开来。

将SBM用于健康问题的可见性在于多变量数据的可用性上的偶发性。来自具有多个传感器的可穿戴式感测设备的连续遥测可提供此类数据。然而，现有设备数据贫乏（在大多数情形中是单变量的）并且主要针对非常狭窄的健康相关问题，例如，对糖尿病患者的葡萄糖监视、或者对高血压的血压监视。这些设备通常不旨在用于连续监视，并且所执行的任何分析是通过使用大量人口统计进行的，即，不是针对个人的。另外，目前的商用远程医疗设备不易于穿戴，并且不能利用最新的移动技术。

需要获得可供分析使用的多变量连续数据（无论是来自门诊基础上的可穿戴式设备还是来自医院里的床边装备），以使得诸如先前提及的SBM之类的机器学习技术能够被用于自动地早期检测指示病人的健康潜在地遭受恶化的初期变化。因为医务人员往往工作过度并且没有很多时间用来深入地研究每个病人的分析结果，这特别是在可能涉及大量在家病人的情况下尤甚，所以重要的问题在于如何以简单的度量来总结此类机器学习技术的结果以便采取行动。

发明概述

公开了一种端对端人体健康监视解决方案，包括可穿戴式无线感测设备，该可穿戴式无线感测设备连续地采集生命体征传感器数据并且（实时地或周期性阵发地）将该数据传送给基站计算机（或蜂窝电话/PDA）以供预处理。经预处理的数据随后在网络上发送给服务器以使用为人体监视定制的诸如SBM之类的基于内核的机器学习分析方法来进行分析。SBM技术被训练成因每个个人的正常生命体征特性而异。由于人与人之间生命体征的变化，这种能力对于任何有效的人体监视系统而言是关键的。

服务器可远离病人。在服务器处用SBM或其他相关的基于内核的方法执行的分析通过生成对已从传感器数据确定的生命体征（即，生理数据）的估计的方式工作。这些估计表示经训练的SBM模型可确定什么作为对应于受监视数据的最接近的可允许的正常生理数据。区分对生理数据作出的估计与实际的受监视的生理数据以生成残差，这些残差表示根据经训练模型的期望值与已由可穿戴式感测设备测量的值之间的差异。这些残差形成提供对健康问题的精细警告的早期检测的进一步分析的基础，而使用将生命体征与人体统计学上可接受的范围（例如，基于人口的血压标准）作比较的常规医学方法可能会错过该早期检测。