[发明专利]除颤系统

说明书

本发明的实施方式包括用于显示和导航临床决策支持流程的除颤系统和方法，其中该流程的部分在单独显示屏幕上，用于基于临床决策支持或差别诊断流程动态地改变在患者监视器/除颤器的用户界面屏幕上的软键的视觉特征的系统和方法，以及被配置用于允许用户在医疗事件过程中的任何时间看到在患者监视器/除颤器用户界面屏幕上显示什么以及在医疗事件过程中看到其它记录参数的快照用于代码查看、患者转移和改进的患者护理的目的的代码查看界面。

(本申请是申请日为2014年1月9日、申请号为201480004676.6、发明名称为“EMS决策支持界面、事件历史和相关工具”的申请的分案申请。)

相关申请的交叉引用

本申请要求于2013年1月11日提交的美国临时专利申请系列号61/751,743以及于2013年5月1日提交的美国临时专利申请系列号61/818,334的权益，所述两者通过引用以它们的整体合并在本文中，用于全部目的。

技术领域

本发明的实施方式一般地涉及用于有利于急症护理治疗的工具，更具体地涉及用于临床决策支持和差别诊断的系统和方法。

背景技术

在住院前和急症护理治疗情况下，医疗急救员经常在准确地确定特定患者的适当诊断中有困难。甚至训练有素的医生也经常在其中使用有限信息要求瞬间决策的紧急情况下有困难。电脑自动诊断被开发来改进现场和医院患者治疗两者的准确性、有效性和可靠性。

自动差别诊断利用例如贝叶斯算法、神经网络或遗传算法等电脑推理算法。根据维基百科记录：

贝叶斯网络是基于知识的图形表示，其显示了一组变量以及疾病与症状之间的它们的概率关系。它们是基于条件概率，考虑到例如诊断测试的解释的另一事件发生的事件的概率。贝叶斯规则在一些更容易信息的帮助下帮助我们计算事件的概率，其在新证据出现时始终处理选项。在CDSS[(临床决策支持系统)]背景下，贝叶斯网络可以被使用来计算给定它们症状的可能疾病的出现的概率。贝叶斯网络的一些优点包括专家的采用概率形式的知识和总结，对作为新信息做出决策的帮助是可获得的并是基于可应用于许多模型的无偏见概率。贝叶斯网络的一些缺点包括难以获得可能诊断的概率知识，并且对于给定多症状的大复杂系统是不实际的。关于多并发症状的贝叶斯计算可能累垮用户。在CDSS背景下的贝叶斯网络的例子是伊利亚特系统，所述系统利用贝叶斯推理来根据所提供的症状计算可能诊断的后验概率。该系统现在覆盖基于数以千计的发现的大约1500例诊断。另一例子是Dxplain系统，所述系统使用修改形式的贝叶斯逻辑。该CDSS产生与症状关联的分级诊断的一览表。

人工神经网络(ANN)是不基于知识的适应性CDSS，所述适应性CDSS使用也已知为机器学习的人工智能的形式，所述机器学习允许系统可从过去经验/例子中学习并识别临床信息中的模型。其由被称为神经元的节点和加权连接件组成，所述加权连接件以单向的形式在神经元之间传递信号。ANN由三个主层组成：输入(数据接收器或发现)、输出(传达结果或可能疾病)和隐藏(处理数据)。该系统使用大量数据的已知结果而变得更有效。ANN的优点包括编程系统的要求和提供来自专家输入的取消。ANN CDSS可以通过对丢失数据做出有根据的推测来处理不完全数据，并由于其适应性系统学习而改进每次使用。此外，ANN系统不需要大量的数据库来存储具有相关联概率的结果数据。一些缺点是培训进程可能是耗费时间的，导致用户没有有效地利用系统。

ANN系统导出它们自己的公式，所述公式用于基于关于时间的统计识别模式来加权和结合数据，所述统计识别模式可能难以解释并质疑系统的可靠性。

例子包括阑尾炎、腰痛、心肌梗死、精神病急症和皮肤疾患的诊断。肺栓塞的ANN诊断预测是在某些情况下甚至比医生的预测更好。此外，基于应用程序的ANN在ECG(a.k.a.EKG)波形的分析中是有用的。