[发明专利]系统监测器及系统监测方法

说明书

公开了系统监测器及监测系统的方法。在一种配置中，系统监测器预测系统的未来状态。数据接收单元接收系统数据，该系统数据表示对系统执行的一组一个或多个测量。将第一统计模型拟合到所述系统数据。将第一统计模型与数据库中的多个字典条目中的每一个进行比较。每个字典条目包括第二统计模型。第二统计模型具有与第一统计模型相同的通用类并且通过向以下数据拟合所述第二统计模型获得，所述数据表示对与所述被监测系统具有相同的类型的系统执行的一组一个或多个先前的测量并且具有已知后续状态。基于上述比较输出对被监测系统的未来状态的预测。第一统计模型和第二统计模型各自是随机过程或近似随机过程。

技术领域

本发明涉及系统监测器及系统监测方法，特别地涉及用于预测被监测系统的未来状态的系统监测器及系统监测方法。所述系统特别适用于对系统状态变化例如未来的机器故障或在人或动物体上的不良医疗事件提供早期预警。

背景技术

在临床环境中，特别是在诸如医院之类的急性环境中，连续监测患者数据以提供与患者的当前健康状况相关的值(例如生命体征)。这些测量在重症加强护理病房和其他高依赖病房中特别重要。可以将所测量的生命体征与阈值进行比较，当检测到生命体征超出相应的阈值时，发出警报。

一种改进的对简单生命体征阈值预警的方法是改良早期预警评分(MEWS，Modified Early Waming Score)。MEWS可以针对每个患者来计算，并且考虑了多个生命体征的异常。然而，类似于MEWS的评估是人员密集型的，因此不适合连续监测。在缺少错过的信息的情况下，MEWS可能难以计算，并且MEWS也无法考虑到单个来看健康而联合起来异常的生命体征轨迹或信号。此外，任何人工监测或计算易受人为错误的影响。

通过将患者的当前的一组生命体征与全球的健康患者群体的生命体征进行比较的连续概率监测系统来提供对上述问题的改进。这些方法中最公知的可能是Parzen窗(Parzen window)核密度估计(KDE，kernel density estimate)。如果观测到的数据完全偏离先前从一组稳定患者(在患者监测的示例中)获得的数据，则所观察到的数据是异常和潜在生理恶化的信号。其他概率方法利用极值理论(EVT，Extreme Value Theory)来预见极端观测值表示真正的恶化、伪测量结果还是由于长期连续监测而产生的合理预期的极值。实质上，这些方法采用可以解释生命体征与漫长的观察期之间的相关性的概率阈值来代替绝对阈值。但是，仍然会在单个时间点评估患者风险，由此丢失先前测量的信息，从而对独立同分布的观察数据(即，“被监测患者”的数据与来自“先前获得的患者”的总体的数据具有相同的概率分布，“先前获得的患者”的总体的数据用来形成训练集-这是一个不准确的假设，由于个体的数据会是总体的数据的某一子集)作出不准确的假设。为了解决数据的相关时间序列特性，提出了用于估计患者轨迹的方法，但是这些方法常常依赖于处理数据以拟合成特定模型，例如拟合成离散的时间点。

发明内容

本发明的目的是提供一种能够比现有的方法更准确、更可靠和/或更早地预测系统的未来状态的改进的系统监测器。在系统是人或动物患者的情况下，有证据表明对医疗事件的较早响应可以降低死亡率，改善患者结果。

根据本发明的一方面，提供了一种系统监测器，被配置成预测被监测系统的未来状态，该系统监测器包括：数据接收单元，被配置成接收系统数据，所述系统数据表示对所述被监测系统执行的一组一个或多个测量；以及处理单元，被配置成向所述系统数据拟合第一统计模型；将所述第一统计模型与数据库中的多个字典条目中的每一个进行比较，每个字典条目包括第二统计模型，所述第二统计模型具有与所述第一统计模型相同的通用类并且所述第二统计模型通过向以下数据拟合所述第二统计模型获得，所述数据表示对与所述被监测系统具有相同的类型的系统执行的一组一个或多个先前的测量并且具有已知后续状态；以及基于上述比较输出对所述被监测系统的未来状态的预测，其中，所述第一统计模型和所述第二统计模型各自是随机过程或近似随机过程。