一般和个人患者风险预测的制作方法

1.本公开中描述的各种实施例涉及包含用于预测稳定/非恶化患者状况或不稳定/恶化患者状况的统计分类器的系统、设备、控制器和方法。


背景技术：

2.在过去的十年里，个体护理提供者和健康护理组织已经意识到低急性病房中发生的未处置的患者不稳定/恶化是上升的问题。这些患者通常由于各种各样的原因(包括护理提供者之中的低护士
‑
患者配备比和无经验)而不被注意。为了解决这种问题，已经开发了能够跟踪要不然将会不被注意的生命体征的微小变化的早期预警分数(ews)指南。ews指南(例如，修改的ews指南和国家ews指南)已经在实践中表现出一定的效果，并且已经在一些国家(例如，英国)中成为护理的标准。
3.遗憾地，ews指南的采用已经由于高错误率警报和总体低灵敏度而受到限制。这些限制是患者之间的异质性的结果，并且目前的研究建议风险评价应当被定制到特定患者组(例如，呼吸疾病、心血管疾病、败血病等)以更加有效。


技术实现要素：

4.根据上述内容，本公开中描述的各种实施例的目的是根据一个或多个生命体征计算一般独立生命体征风险分数并且/或者基于一般独立生命体征风险分数和一个或多个患者特征计算一般独立生命体征风险分数。
5.出于描述和要求保护本公开的目的：
6.(1)包括但不限于“生命体征”、“患者特征”、“人工智能”、“统计分类器”和“风险分数”的本公开的领域的术语要如本公开的领域中已知且领会的那样并且如本公开中示范性描述的那样宽泛地进行解读；
7.(2)更具体地，术语“生命体征”宽泛地涵盖本领域中在本公开之前和之后理解的指示身体的生命维持功能的状况或已经在医学实践中被用来评价患者的健康的体征。已知生命体征的范例包括但不限于心率、心脏收缩血压、呼吸速率、血氧饱和度(spo2)、温度和评价患者的健康的实验室值/科学值/实验值/度量/量化；
8.(3)更具体地，术语“患者特征”宽泛地涵盖患者医学历史和当前临床评价的(一个或多个)重要方面。患者特征的范例包括但不限于(一种或多种)疾病或(一种或多种)状况的(一种或多种)临床诊断、(一个或多个)实验室测试的(一个或多个)结果和(一个或多个)药物处方；
9.(4)更具体地，术语“统计分类器”宽泛地涵盖如本公开的领域中已知或下文构想的根据本公开被训练用于预测新的观察属于一组类别之中的哪个类别的机器学习模型。统计分类器的范例包括但不限于朴素贝叶斯分类器、逻辑回归分类器、随机森林分类器和梯度提升分类器；
10.(5)更具体地，术语“风险分数”宽泛地涵盖由统计分类器提供的表示新的观察属
于一组类别之中的类别的风险水平的分数；
11.(6)术语“生命体征风险分数”宽泛地涵盖由统计分类器提供的表示特定生命体征的新的观察属于稳定/非恶化患者状况或不稳定/恶化患者状况的风险水平的风险分数；并且
12.(7)术语“独立生命体征风险分数”宽泛地涵盖由统计分类器提供的独立于(一个或多个)其他生命体征的(一个或多个)观察的特定生命体征的风险分数。
13.本公开的一个实施例是一种患者风险预测控制器，其采用存储人工智能引擎的存储器，所述人工智能引擎包括一般统计分类器和个人统计分类器。所述一般统计分类器关于一个或多个生命体征被训练为提供(一个或多个)一般独立生命体征分数，并且所述个人统计分类器关于一个或多个患者特征被训练为提供(一个或多个)个人独立生命体征分数。
14.所述患者风险预测控制器还采用一个或多个处理器。在操作中，对于单个生命体征，(一个或多个)处理器将经训练的一般统计分类器应用于所述单个生命体征，以提供单个一般独立生命体征风险分数。此后，对于单个患者特征，(一个或多个)处理器将经训练的个人统计分类器应用于所述单个一般独立生命体征风险分数和所述单个患者特征，以根据所述单个患者特征到所述单个一般独立生命体征风险分数的整合导出单个个人独立生命体征风险分数。对于多个患者特征，(一个或多个)处理器将经训练的个人统计分类器应用于所述单个一般独立生命体征风险分数和所述多个患者特征，以根据所述多个患者特征中的每个患者特征到所述单个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数。
15.或者，在操作中，对于多个生命体征，(一个或多个)处理器将经训练的一般统计分类器应用于所述多个生命体征，以提供多个一般独立生命体征风险分数。此后，对于单个患者特征，(一个或多个)处理器将经训练的个人统计分类器应用于所述多个一般独立生命体征风险分数和所述单个患者特征，以根据所述单个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数。对于多个患者特征，(一个或多个)处理器将经训练的个人统计分类器应用于所述多个一般独立生命体征风险分数和所述多个患者特征，以根据所述多个患者特征中的每个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出所述多个个人独立生命体征风险分数。
16.本公开的第二实施例是一种非瞬态机器可读存储介质，其被编码有用于由人工智能引擎的一个或多个处理器执行的指令，所述人工智能引擎包括一般统计分类器和个人统计分类器。再次，所述一般统计分类器关于一个或多个生命体征被训练为提供(一个或多个)一般独立生命体征分数，并且所述个人统计分类器关于一个或多个患者特征被训练为提供(一个或多个)个人独立生命体征分数。
17.对于单个生命体征，被编码介质包括用于将经训练的一般统计分类器应用于所述单个生命体征以提供单个一般独立生命体征风险分数的指令。此后，对于单个患者特征，被编码介质还包括用于将经训练的个人统计分类器应用于所述单个一般独立生命体征风险分数和所述单个患者特征以根据所述单个患者特征到所述单个一般独立生命体征风险分数的整合导出单个个人独立生命体征风险分数的指令。对于多个患者特征，被编码介质还包括用于将经训练的个人统计分类器应用于所述单个一般独立生命体征风险分数和所述
多个患者特征以根据所述多个患者特征中的每个患者特征到所述单个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数的指令。
18.或者，对于多个生命体征，被编码介质包括用于将经训练的一般统计分类器应用于多个生命体征以提供多个一般独立生命体征风险分数的指令。此后，对于单个患者特征，被编码介质还包括用于将经训练的个人统计分类器应用于所述多个一般独立生命体征风险分数和所述单个患者特征以根据所述单个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数的指令。对于多个患者特征，被编码介质还包括用于将经训练的个人统计分类器应用于所述多个一般独立生命体征风险分数和所述多个患者特征以根据所述多个患者特征中的每个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出所述多个个人独立生命体征风险分数的指令。
19.本公开的第三实施例是一种可由人工智能引擎执行的患者风险预测方法，所述人工智能引擎包括一般统计分类器和个人统计分类器。再次，所述一般统计分类器关于一个或多个生命体征被训练为提供(一个或多个)一般独立生命体征分数，并且所述个人统计分类器关于一个或多个患者特征被训练为提供(一个或多个)个人独立生命体征分数。
20.对于单个生命体征，所述患者风险预测方法包含将经训练的一般统计分类器应用于所述单个生命体征，以提供单个一般独立生命体征风险分数。此后，对于单个患者特征，所述患者风险预测方法还包含将经训练的个人统计分类器应用于所述单个一般独立生命体征风险分数和所述单个患者特征，以根据所述单个患者特征到所述单个一般独立生命体征风险分数的整合导出单个个人独立生命体征风险分数。对于多个患者特征，所述患者风险预测方法还包含将经训练的个人统计分类器应用于所述单个一般独立生命体征风险分数和所述多个患者特征，以根据所述多个患者特征中的每个患者特征到所述单个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数。
21.或者，对于多个生命体征，所述患者风险预测方法包含将经训练的一般统计分类器应用于多个生命体征，以提供多个一般独立生命体征风险分数。此后，对于单个患者特征，所述患者风险预测方法包含将经训练的个人统计分类器应用于所述多个一般独立生命体征风险分数和所述单个患者特征，以根据所述单个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出多个个人独立生命体征风险分数。对于多个患者特征，所述患者风险预测方法包含将经训练的个人统计分类器应用于所述多个一般独立生命体征风险分数和所述多个患者特征，以根据所述多个患者特征中的每个患者特征到所述多个一般独立生命体征风险分数中的每个一般独立生命体征风险分数的个体整合导出所述多个个人独立生命体征风险分数。
22.而且出于描述和要求保护本公开的目的：
23.(1)术语“控制器”宽泛地涵盖如本公开的领域中理解和下文构想的用于如随后在本公开中描述的那样控制本公开的各种原理的应用的主电路板或整合电路的所有结构构造。控制器的结构构造可以包括但不限于(一个或多个)处理器、(一个或多个)非瞬态机器可读存储介质、操作系统、(一个或多个)应用模块、(一个或多个)外围设备控制器、(一个或多个)槽和(一个或多个)端口；并且
24.(2)术语“数据”和“信号”可以以如本公开的领域中理解并且如本公开中示范性描
述的所有形式的可检测物理量或脉冲(例如，电压、电流、磁场强度、阻抗、颜色)被实施用于传输支持如随后在本公开中描述的那样应用各种本公开的原理的信息和/或指令。被本公开涵盖的数据/信号通信可以涉及如本公开的领域中已知的通信方法，包括但不限于通过任何类型的有线或无线通信链路的数据/信号的发射/接收，以及对被上传到计算机可用/计算机可读存储介质的数据的读取。
25.结合附图，根据本发明的各个实施例的下文详细描述，本公开的前述实施例和其他实施例以及本公开的各种特征和优点将会变得更加明显。这些详细描述和附图仅仅是对本公开的说明而不是限制，本公开的发明范围由权利要求及其等价要件来定义。
附图说明
26.为了更好地理解各种范例实施例，对附图进行参考，其中：
27.图1图示了根据本公开的原理的人工智能引擎的示范性实施例；
28.图2图示了根据本公开的原理的患者风险预测方法的示范性实施例；
29.图3a图示了根据本公开的原理的一般统计分类器的示范性实施例；
30.图3b图示了根据本公开的原理的直方图的示范性实施例；
31.图3c图示了根据本公开的原理的概率表的示范性实施例；
32.图4图示了根据本公开的原理的一般患者风险评分方法的示范性实施例；
33.图5图示了根据本公开的原理的个人统计分类器的示范性实施例；
34.图6a图示了根据本公开的原理的患者特征加权方法的示范性实施例；
35.图6b图示了根据本公开的原理的个人患者风险评分方法的示范性实施例；
36.图7图示了根据本公开的原理的患者风险预测控制器的示范性实施例；
37.图8图示了根据本公开的原理的患者风险预测系统的示范性实施例；并且
38.图9a和9b图示了根据本公开的原理的患者风险预测设备的示范性实施例。
具体实施方式
39.为了便于本公开的理解，图1和2的以下描述分别教导了本公开的人工智能引擎和患者风险预测方法的各种实施例。根据图1和2的描述，本公开的领域的技术人员将会意识到如何将本公开应用于制作并使用本公开的人工智能引擎和患者风险预测方法的许多和各种另外实施例。
40.参考图1，本公开的人工智能引擎30采用一般统计分类器40和个人统计分类器50来根据x数量的生命体征(x≥0)计算一般患者风险分数(grs)44，并且/或者基于(一个或多个)生命体征和y数量的个体患者特征23(y≥0)计算个人患者风险分数(prs)54。
41.出于本公开的目的，生命体征12宽泛地涵盖指示身体的生命维持功能的状况的体征。生命体征12的范例包括但不限于心率、心脏收缩血压、呼吸速率、血氧饱和度(spo2)和温度。
42.出于本公开的目的，患者特征23宽泛地涵盖患者医学历史和当前临床评价的重要方面。患者特征23的范例包括但不限于(一种或多种)疾病或(一种或多种)状况的(一种或多种)临床诊断、(一个或多个)实验室测试的(一个或多个)结果和(一个或多个)药物处方。在实践中，单个患者特征23可以包括患者医学历史和当前临床评价的单个重要方面(例如，
疾病的单个临床诊断，或单个实验室测试的结果或单个药物处方)，或可以包括患者医学历史和当前临床评价的多个重要方面的累积(例如，疾病的多个临床诊断，或多个实验室测试的结果或多个药物处方、或(一个或多个)临床诊断、(一个或多个)实验室结果和(一个或多个)药物处方的任何组合)。
43.仍然参考图1，在实践中，一般统计分类器40是如在本公开之前和之后本领域中已知的如本文中示范性描述的那样根据本公开的原理构造并训练的任何类型的统计分类器。一般统计分类器40的各种实施例的范例包括但不限于朴素贝叶斯分类器、逻辑回归分类器、随机森林分类器和梯度提升分类器。
44.在第一组实施例中，一般统计分类器40根据本公开的原理被构造为针对单个生命体征12(例如，心率)计算一般独立生命体征风险分数(gvrs)43，并且根据本公开的原理在一般患者群体的单个生命体征12上进行训练，由此一般独立生命体征风险分数43量化将单个生命体征12分类为稳定/非恶化患者状况(即，在实践中被认为对患者的健康无害的患者状况)或不稳定/恶化患者状况(即，在实践中被认为对患者的健康潜在危害/危险的患者状况)的概率。与稳定/非恶化患者状况相关联的训练可以涉及正在从或从健康紧急情况(例如，心脏病发作或中风)和/或外科手术(例如，心脏移植或冠状动脉搭桥)恢复的患者，并且与不稳定/恶化患者状况相关联的训练可以涉及已故的患者、被转移到更高急性的患者和/或需要呼叫快速响应团队的患者。
45.对于第一组实施例，一般统计分类器40可以根据本公开的原理被进一步构造为以适合于量化一般稳定/非恶化患者状况或一般不稳定/恶化患者状况的一般患者风险分数44的信息性报告的任何方式根据单个一般独立生命体征风险分数43导出一般患者风险分数44。例如，一般患者风险分数44可以相当于单个一般独立生命体征风险分数43或单个一般独立生命体征风险分数43的归一化。
46.在第二组实施例中，一般统计分类器40根据本公开的原理被构造为针对多个生命体征12(例如，心率、心脏收缩血压、呼吸速率、血氧饱和度(spo2)和温度)之中的每个生命体征12单独地计算一般独立生命体征风险分数43，并且根据本公开的原理在一般患者群体的多个生命体征12上进行训练，由此每个一般独立生命体征风险分数43单独地量化将对应生命体征12分类为稳定/非恶化患者状况(即，在实践中被认为对患者的健康无害的患者状况)或不稳定/恶化患者状况(即，在实践中被认为对患者的健康潜在危害/危险的患者状况)的概率。再次，与稳定/非恶化患者状况相关联的训练可以涉及正在从或从健康紧急情况(例如，心脏病发作或中风)和/或外科手术(例如，心脏移植或冠状动脉搭桥)恢复的患者，并且与不稳定/恶化患者状况相关联的训练可以涉及已故的患者、被转移到更高急性的患者和/或需要呼叫快速响应团队的患者。
47.对于第二组实施例，一般统计分类器40可以根据本公开的原理被进一步构造为以适合于量化一般稳定/非恶化患者状况或一般不稳定/恶化患者状况的一般患者风险分数44的信息性报告的任何方式根据多个一般独立生命体征风险分数43导出一般患者风险分数44。例如，一般患者风险分数44可以是多个一般独立生命体征风险分数43的和、或多个一般独立生命体征风险分数43的和的归一化形式的多个一般独立生命体征风险分数43的聚合。
48.仍然参考图1，在实践中，个人统计分类器50是如在本公开之前和之后本领域中已
知的如本文中示范性描述的那样根据本公开的原理构造的任何类型的统计分类器。个人统计分类器50的各种实施例的范例包括但不限于线性回归分类器、基于逻辑回归的分类器、基于多项式回归的分类器、基于逐步回归的分类器、基于岭回归的分类器、基于套索回归的分类器和基于弹性网络回归的分类器。
49.在第一组实施例中，个人统计分类器40根据本公开的原理被构造为根据单个患者特征23(例如，临床诊断、实验室测试结果或药物处方)到单个一般独立生命体征风险分数43(例如，一般心率风险分数)的整合导出单个个人独立生命体征风险分数(未在图1中示出，图2中示出的pvrs 53)，并且使用回归的形式被训练到单个患者特征23。例如，个人独立生命体征风险分数可以是单个患者特征23的加权函数和单个一般独立生命体征风险分数43的乘积或单个患者特征23的加权函数和单个一般独立生命体征风险分数43的乘积的归一化形式的单个患者特征23到单个一般独立生命体征风险分数43的整合。
50.出于本公开的目的，单个患者特征23的加权函数宽泛地涵盖进一步将单个一般独立生命体征风险分数43个人地细化为将单个生命体征12分类为稳定/非恶化患者状况或不稳定/恶化患者状况的概率的单个患者特征23的量化。在实践中，加权函数可以是简单的(例如，指示特定临床诊断、特定实验室结果或特定药物处方的不存在或存在二值数)或复杂的(例如，临床诊断的各种类别、实验室结果的许多测试范围和药物处方的各种剂量的多变量表达式)。例如，单个患者特征23的加权函数可以是(一个或多个)简单或复杂系数和单个患者特征23的乘积。
51.对于第一组实施例，个人统计分类器50根据本公开的原理被进一步构造为以适合于量化个人稳定/非恶化患者状况或个人不稳定/恶化患者状况的个人患者风险分数54的信息性报告的任何方式根据单个个人独立生命体征风险分数导出个人患者风险分数54。例如，个人患者风险分数54可以相当于单个个人独立生命体征风险分数或单个个人独立生命体征风险分数的归一化。
52.在第二组实施例中，个人统计分类器40根据本公开的原理被构造为根据多个患者特征23(例如，临床诊断、实验室测试和药物处方)到单个一般独立生命体征风险分数43(例如，一般心率风险分数)的独立整合导出多个个人独立生命体征风险分数(未在图1中示出，图2中示出的pvrs 53)，并且使用回归的形式被训练到多个患者特征23。例如，单个个人独立生命体征风险分数可以是多个患者特征23中的每一个的加权函数和单个一般独立生命体征风险分数43的单独乘积或多个患者特征23中的每一个的加权函数和单个一般独立生命体征风险分数43的单独乘积的归一化形式的多个患者特征23中的每一个到单个一般独立生命体征风险分数43的独立整合。
53.出于本公开的目的，每个患者特征23的加权函数宽泛地涵盖进一步将单个一般独立生命体征风险分数43个人地细化为将单个生命体征12分类为稳定/非恶化患者状况或不稳定/恶化患者状况的概率的每个患者特征23的量化。再次，在实践中，加权函数可以是简单的(例如，指示特定临床诊断、特定实验室结果或特定药物处方的不存在或存在二值数)或复杂的(例如，临床诊断的各种类别、实验室结果的许多测试范围和药物处方的各种剂量的多变量表达式)。例如，多个患者特征23中的每一个的加权函数可以是(一个或多个)简单或复杂系数和对应患者特征23的乘积。
54.对于第二组实施例，个人统计分类器50根据本公开的原理被进一步构造为以适合
于量化个人稳定/非恶化患者状况或个人不稳定/恶化患者状况的个人患者风险分数54的信息性报告的任何方式根据多个个人独立生命体征风险分数导出个人患者风险分数54。例如，个人患者风险分数54可以是多个个人独立生命体征风险分数的和/乘积或多个个人独立生命体征风险分数的和/乘积的归一化的形式的多个个人独立生命体征风险分数的聚合。
55.在第三组实施例中，个人统计分类器40根据本公开的原理被构造为根据单个患者特征23(例如，诊断、实验室测试或药物)到多个一般独立生命体征风险分数43(例如，一般心率风险分数和一般血压风险分数)的独立整合导出多个个人独立生命体征风险分数(未在图1中示出，图2中示出的pvrs 53)。例如，多个个人独立生命体征风险分数中的每一个可以是单个患者特征23的加权函数和每个一般独立生命体征风险分数43的单独乘积或单个患者特征23的加权函数和每个一般独立生命体征风险分数43的单独乘积的归一化形式的单个患者特征23到多个一般独立生命体征风险分数43中的一个的整合。
56.出于本公开的目的，单个患者特征23的加权函数宽泛地涵盖进一步将每个一般独立生命体征风险分数43个人地细化为将每个生命体征12分类为稳定/非恶化患者状况或不稳定/恶化患者状况的概率的单个患者特征23的量化。再次，在实践中，加权函数可以是简单的(例如，指示特定诊断、特定实验室结果或特定药物的不存在或存在二值数)或复杂的(例如，诊断的各种类别、实验室结果的许多测试范围和特定类型的药物的数量的多变量表达式)。例如，单个患者特征23的加权函数可以是(一个或多个)简单或复杂系数和单个患者特征23的乘积。
57.对于第三组实施例，个人统计分类器50根据本公开的原理被进一步构造为以适合于量化个人稳定/非恶化患者状况或个人不稳定/恶化患者状况的个人患者风险分数54的信息性报告的任何方式根据多个个人独立生命体征风险分数导出个人患者风险分数54。例如，个人患者风险分数54可以是多个个人独立生命体征风险分数的和/乘积或多个个人独立生命体征风险分数的和/乘积的归一化的形式的多个个人独立生命体征风险分数的聚合。
58.在第四组实施例中，个人统计分类器40根据本公开的原理被构造为根据多个患者特征23(例如，诊断、实验室测试和药物)到多个一般独立生命体征风险分数43(例如，一般心率风险分数和一般血压风险分数)的独立整合导出多个个人独立生命体征风险分数(未在图1中示出，图2中示出的pvrs 53)。例如，个人独立生命体征风险分数可以是每个患者特征23的加权函数和每个一般独立生命体征风险分数43的单独乘积或每个患者特征23的加权函数和每个一般独立生命体征风险分数43的单独对数乘积形式的每个患者特征23到每个一般独立生命体征风险分数43的独立整合。
59.出于本公开的目的，每个患者特征23的加权函数宽泛地涵盖进一步将每个一般独立生命体征风险分数43个人地细化为将每个生命体征12分类为稳定/非恶化患者状况或不稳定/恶化患者状况的概率的每个患者特征23的量化。再次，在实践中，加权函数可以是简单的(例如，指示特定临床诊断、特定实验室结果或特定药物处方的不存在或存在二值数)或复杂的(例如，临床诊断的各种类别、实验室结果的许多测试范围和药物处方的各种剂量的多变量表达式)。例如，多个患者特征23中的每一个的加权函数可以是(一个或多个)简单或复杂系数和对应患者特征23的乘积。
60.对于第四组实施例，个人统计分类器50根据本公开的原理被进一步构造为以适合于量化个人稳定/非恶化患者状况或个人不稳定/恶化患者状况的个人患者风险分数54的信息性报告的任何方式根据个人独立生命体征风险分数导出个人患者风险分数54。例如，个人患者风险分数54可以是多个个人独立生命体征风险分数的和/乘积或多个个人独立生命体征风险分数的和/乘积的归一化的形式的多个个人独立生命体征风险分数的聚合。
61.参考图1和2，在操作中，人工智能引擎30执行表示本公开的患者风险预测方法的流程图70。
62.在流程图70的阶段s72期间，人工智能引擎30从生命体征源10接收单个生命体征12，或从一个或多个生命体征源10接收多个生命体征12。在实践中，生命体征源10可以是能够感测、检测或以其他方式监测患者11的生命体征的任何类型的源。生命体征源10的范例包括但不限于心率传感器、心电图、血压传感器、呼吸速率传感器、脉搏血氧仪和温度计。在实践中，(一个或多个)生命体征12可以在适合于查明患者11的状况的任何时候(例如，实时或后研究)通过在本公开之前和之后本领域中已知的技术来通信。
63.在接收到单个生命体征12之后，一般统计分类器40如之前在本公开中描述的那样执行单个生命体征12的一般生命体征风险评分41以提供单个一般独立生命体征风险分数43。随后，一般统计分类器40如之前在本公开中描述的那样执行一般患者风险评分42以计算一般患者风险分数44。例如，在评分41期间，一般统计分类器40可以实施单个生命体征12的朴素贝叶斯分类、逻辑回归分类、随机森林分类或梯度提升分类来提供单个一般独立生命体征风险分数43。随后，在评分42期间，一般统计分类器40可以将一般患者风险分数44计算为单个一般独立生命体征风险分数43。
64.在接收到多个生命体征12之后，一般统计分类器40如之前在本公开中描述的那样执行多个生命体征12的一般生命体征风险评分41以提供多个一般独立生命体征风险分数43。随后，一般统计分类器40如之前在本公开中描述的那样执行一般患者风险评分42以计算一般患者风险分数44。例如，在评分41期间，一般统计分类器40可以个体地实施多个生命体征12中的每一个的朴素贝叶斯分类、逻辑回归分类、随机森林分类或梯度提升分类来提供多个一般独立生命体征风险分数43。随后，在评分42期间，一般统计分类器40可以实施多个一般独立生命体征风险分数43的求和/乘积来计算一般患者风险分数44。
65.仍然参考图1和2，在流程图70的阶段s74期间，人工智能引擎30从患者特征源20接收单个患者特征23，或从一个或多个患者特征源20接收多个患者特征23。在实践中，患者特征源20可以是能够将(一个或多个)患者特征12下载/上传或要不然传输到人工智能引擎30的任何类型的源。(一个或多个)患者特征源20的范例包括但不限于健康护理设施或健康护理提供者办公室处的工作站21和被安装在远程医学数据报告地点内的数据库22。在实践中，(一个或多个)患者特征23可以在适合于查明患者11的状况(例如，实时或后研究)的任何时候通过在本公开之前和之后本领域中已知的技术来通信。
66.在接收到单个患者特征23之后，个人统计分类器50如之前在本公开中描述的那样分别执行单个患者特征23和一般独立生命体征风险分数43或多个一般独立生命体征风险分数43(以适用为准)的个人生命体征风险评分51以提供单个个人独立生命体征风险分数53或多个个人独立生命体征风险分数53。随后，个人统计分类器50如之前在本公开中描述的那样执行个人患者风险评分52以计算个人患者风险分数54。例如，在评分51期间，个人统
计分类器50可以实施单个患者特征23的加权函数并且计算单个患者特征23的加权函数和单个一般独立生命体征风险分数43或多个一般独立生命体征风险分数43(以适用为准)的乘积，以提供单个个人独立生命体征风险分数53或多个个人独立生命体征风险分数53。随后，在评分52期间，个人统计分类器50可以将单个个人独立生命体征风险分数53等同于个人患者风险分数54，或可以实施多个个人独立生命体征风险分数53的求和，以适用为准。
67.在接收到多个患者特征23之后，个人统计分类器50如之前在本公开中描述的那样执行多个患者特征23和一般独立生命体征风险分数43或多个一般独立生命体征风险分数43(以适用者为准)的个人生命体征风险评分51以提供多个个人独立生命体征风险分数53。随后，个人统计分类器50如之前在本公开中描述的那样执行个人患者风险评分52以计算个人患者风险分数54。例如，在评分51期间，个人统计分类器50可以生成多个患者特征23中的每一个的加权函数并且计算多个患者特征23中的每一个的加权函数和单个一般独立生命体征风险分数43或多个一般独立生命体征风险分数43(以适用者为准)的个体乘积，以提供多个个人独立生命体征风险分数53。随后，在评分52期间，个人统计分类器50可以实施多个个人独立生命体征风险分数53的求和来计算个人患者风险分数54。
68.仍然参考图1和2，在流程图70的阶段s76期间，人工智能引擎30如本公开的领域中已知的那样将一般患者风险分数44(如果适用的话)和个人患者风险分数54通信给报告设备60。报告设备60的范例包括但不限于用于视觉报告的监视器61、用于图形报告的提供器62或用于文本报告的电子邮件63。在一个实施例中，人工智能引擎30执行如图2中示出的患者风险报告77，包含一般患者风险分数44相对于不稳定/恶化阈值(虚线)的图表和/或个人患者风险分数44相对于不稳定/恶化阈值(虚线)的图表。在第二实施例中，人工智能引擎30执行如图2中示出的患者风险报告78，包含一般患者风险分数44相对于一般独立生命体征风险分数中的一个或多个的图表和/或个人患者风险分数44相对于个人独立生命体征风险分数中的一个或多个的图表。
69.为了便于本公开的进一步理解，图3a
‑
6b的以下描述分别教导了图1的一般统计分类器和图1的个人统计分类器的各种实施例。根据图3a
‑
6b的描述，本公开的领域的技术人员将会意识到如何将本公开应用于制作并使用本公开的一般统计分类器和个人统计分类器的许多和各种另外实施例。
70.出于清楚性目的，图3a
‑
6b的以下描述是在包括心率、心脏收缩血压、呼吸速率、心脏收缩血压、呼吸速率、血氧饱和度(spo2)和温度的生命体征的背景下，并且进一步在包括单个心脏临床诊断、单个心脏实验室测试的结果和单个处方的心脏药物的患者特征的背景下。然而，本公开的领域的技术人员将会意识到如何在生命体征的不同列出(例如，更多或更少的生命体征)的背景下并且进一步在患者特征的不同列出(例如，另外的或不同的患者特征)的背景下将本公开的描述应用于制作并使用本公开的一般统计分类器和个人统计分类器的许多和各种另外实施例。
71.参考图3a，一般统计分类器40(图1)的一个实施例是采用五(5)个统计分类器(sc)141a
‑
141e和风险分数加法器142的并行网络的一般统计分类器140。
72.在操作中，统计分类器141a被构造并训练为输入心率(hr)信号112a，以由此提供一般心率风险分数(ghrrs)143a。
73.统计分类器141b被构造并训练为输入血压(bp)信号112b，以由此提供一般血压风
险分数(gbprs)143b。
74.统计分类器141c被构造并训练为输入呼吸速率(rr)信号112c，以由此提供一般呼吸速率风险分数(grrrs)143c。
75.统计分类器141d被构造并训练为输入血氧饱和度(spo2)信号112d，以由此提供一般血氧饱和度风险分数(gsprs)143d。
76.统计分类器141e被构造并训练为输入温度(temp)信号112e，以由此提供一般温度风险分数(gtprs)143e。
77.在实践中，统计分类器141a
‑
141e可以实施如在本公开之前和之后本领域中已知的根据本公开的原理构造并训练的统计分类器来分别针对多个生命体征112a
‑
112e提供多个一般独立生命体征风险分数143a
‑
143e。统计分类器141a
‑
141e的各种实施例的范例包括但不限于朴素贝叶斯分类器的并行网络、逻辑回归分类器的并行网络、随机森林分类器的并行网络和梯度提升分类器的并行网络。
78.出于清楚性目的，统计分类器141a
‑
141e的并行网络的以下描述将会作为朴素贝叶斯分类器的并行网络。然而，根据朴素贝叶斯分类器的并行网络的描述，本公开的领域的技术人员将会意识到如何将本公开的描述应用于制作并使用统计分类器141a
‑
141e的并行网络的许多和各种另外实施例，包括但不限于，如在本公开之前和之后本领域中已知的根据本公开经由(一个或多个)逻辑/s型函数训练的逻辑回归分类器的并行网络、如在本公开之前和之后本领域中已知的根据本公开经由决策树训练的随机森林分类器的并行网络和如在本公开之前和之后本领域中已知的根据本公开在预测模型上训练的梯度提升分类器的并行网络。
79.在如图3b中示出的一般统计分类器140的一个实施例中，每个统计分类器141a
‑
141e生成具有密度轴145a、生命体征轴145b和风险曲线轴145c的连续值的训练直方图145。混合模型(例如，高斯模型、对数
‑
正态混合、指数混合、α混合和β混合)用来拟合在训练直方图145内提供的指定生命体征的稳定/非恶化训练值的稳定/非恶化种类c0分布146和指定生命体征的不稳定/恶化训练值的不稳定/恶化种类c1分布147。生命体征风险曲线148根据以下对数优势比公式[1]，以下归一化概率公式[2]和以下归一化概率公式[3]来计算：
[0080][0081]
对于公式1.‑
[3]，p(x
i
│
c0)是观察到针对稳定/非恶化种类c0的指定生命体征的概率，p(x
i
│
c1)是观察到针对不稳定/恶化种类c1的指定生命体征的概率，并且p(x
i
)是观察到指定生命体征的概率。
[0082]
在如图3c中示出的一般统计分类器140的第二实施例中，每个统计分类器141生成离散值的训练概率表240，包括生命体征的属性值(例如，如通过早期预警分数指导建立的针对心率的属性值)的列241、生命体征的每个属性值的稳定/非恶化状况c0的发生次数的列242，生命体征的每个属性值的不稳定/恶化状况c1的发生次数的列243、根据前面提到的公式1.‑
[3]中的一个的生命体征的属性值的稳定/非恶化状况c0的概率的列244，和根据前面提到的公式1.‑
[3]中的一个的生命体征的属性值的不稳定/恶化状况c1的概率的列
245。
[0083]
在实践中，风险分数加法器142是如在本公开之前和之后本领域中已知的根据本公开的原理被构造为将一般患者风险分数144计算为多个一般独立生命体征风险分数143a
‑
143e的和的任何类型的加法器。
[0084]
参考图3a和4，在操作中，一般统计分类器140实施表示图2的一般患者风险评分计算阶段s72的流程图170。
[0085]
在流程图170的阶段s172期间，统计分类器141a
‑
141e分别针对生命体征112a
‑
112e独立地提供一般独立生命体征风险分数143a
‑
143e。
[0086]
对于对数优势比实施例173a，统计分类器141a
‑
141e分别针对生命体征112a
‑
112e根据以下公式[4]
‑
[8]独立地提供多个一般独立生命体征风险分数143a
‑
143e：
[0087][0088]
对于归一化概率实施例173b，统计分类器141a
‑
141e分别针对生命体征112a
‑
112e根据以下针对稳定/非恶化种类c0或不稳定/恶化种类c1的公式[9]
‑
[13]独立地提供一般独立生命体征风险分数143a
‑
143e：
[0089][0090]
在流程图170的阶段s174期间，风险分数加法器142将一般患者风险分数144计算为一般独立生命体征风险分数143a
‑
143e的和。
[0091]
对于对数优势比实施例175a，风险分数加法器142根据以下公式[14a]或以下公式[14b]将一般患者风险分数144计算为多个一般独立生命体征风险分数143a
‑
143e的和：
[0092][0093]
对于公式14[b]，log(p(c1)/p(c0))表示用于通过不稳定/恶化种类c1的总体普遍性偏置grs的项。
[0094]
对于归一化概率实施例175b，风险分数加法器142根据以下针对稳定/非恶化种类c0或不稳定/恶化种类c1的公式[15]将一般患者风险分数144计算为一般独立生命体征风险分数143a
‑
143e的对数和：
[0095][0096]
对于公式[15b]，log(p(c1)/p(c0))再次表示用于通过不稳定/恶化种类c1的总体普遍性偏置grs的项。
[0097]
参考图5，个人统计分类器(图1)的一个实施例是采用五(5)个加权函数乘法器(wpm)151a
‑
151d、风险分数加法器152和加权函数生成器155的并行网络的个人统计分类器150。
[0098]
在实践中，加权函数乘法器151a被构造并训练为输入一般心率风险分数(ghrrs)143a和多个加权函数156，以针对每个加权函数156计算个人心率风险分数(phrrs)153a。
[0099]
加权函数乘法器151b被构造并训练为输入一般血压风险分数(gbprs)143b和多个加权函数156，以由此针对每个加权函数156提供个人血压风险分数(pbprs)153b。
[0100]
加权函数乘法器151c被构造并训练为输入一般呼吸速率风险分数(grrrs)143c和多个加权函数156，以由此针对每个加权函数156提供个人呼吸速率风险分数(prrrs)153c。
[0101]
加权函数乘法器151d被构造并训练为输入一般血氧饱和度风险分数(gsprs)143d和多个加权函数156，以由此针对每个加权函数156提供个人血氧饱和度风险分数(psprs)153d。
[0102]
加权函数乘法器151e被构造并训练为输入一般温度风险分数(gtprs)143e和多个加权函数156，以由此针对每个加权函数156提供个人温度风险分数(ptprs)153e。
[0103]
在实践中，每个加权函数乘法器151是如在本公开之前和之后本领域中已知的根据本公开的原理被构造为将个人独立生命体征风险分数153a
‑
153e计算为对应的一般独立生命体征风险分数143a
‑
143a和多个加权函数156中的每一个的乘积的任何类型的乘法器。
[0104]
在实践中，风险分数加法器152是如在本公开之前和之后本领域中已知的根据本公开的原理被构造为将个人患者风险分数154计算为个人心率风险分数153a
‑
153e的对数和的任何类型的加法器。
[0105]
在实践中，加权矩阵生成器155是如在本公开之前和之后本领域中已知的根据本公开的原理被构造为生成指示心脏临床诊断的诊断患者特征123a、指示心脏实验室测试的结果的实验室结果患者特征123b和指示处方的心脏药物的药物患者特征123c的加权函数的任何类型的算术逻辑单元。
[0106]
在实践中，加权矩阵生成器155编码患者特征，并且将被编码患者特征应用于在个人统计分类器150(图3a)的训练期间通过具有正则化的逻辑回归先验确定的加权系数。在一个实施例中，逻辑回归算法(例如，最大似然估计)被用来根据与患者特征相关联的训练数据估计加权系数。例如，加权系数以如下方式进行建模：对于稳定/非恶化种类c0预测非常接近“0”的值并且对于不稳定/恶化种类c1预测非常接近“1”的值以由此寻求将通过模型预测的概率到由训练数据描绘的概率的误差最小化的加权系数的值(例如，如果训练数据和患者特征对应于稳定/非恶化患者状况，则最小化误差“0”的概率，并且如果训练数据和患者特征对应于不稳定/恶化患者状况，则最小化“1”的概率)。
[0107]
进一步地在实践中，用于特定患者特征123的(一个或多个)加权系数可以针对所有生命体征141a
‑
141e(图3a)被确定，或加权系数的集合可以针对特定患者特征123在生命
体征基础上被确定。
[0108]
在一个实施例中，加权矩阵生成器155针对每个患者特征123实施(一个或多个)类别变量或(一个或多个)连续变量的二值编码或独热编码。例如，对于诊断患者特征123a，对于被诊断心脏疾病的类别变量的不存在，二值编码可以是“0”，并且对于被诊断心脏疾病的类别变量的存在，可以是“1”。通过进一步的范例，对于实验室结果患者特征123b，独热编码可以被用于心脏实验室测试的结果的多个连续变量。通过更进一步的范例，对于药物患者特征123c，对于处方的心脏药物的非使用类别变量，二值编码可以是“0”，并且对于处方的心脏药物的使用类别变量，可以是“1”。
[0109]
参考图5、6a和6b，在操作中，个人统计分类器实施表示图2的个人患者风险评分计算阶段s74的流程图270和流程图370。
[0110]
参考图6a，在流程图270的阶段s272期间，加权矩阵生成器155根据患者特征123a
‑
123c生成加权函数v
ij
*f(y
j
)，其中，f(y
j
)是被编码患者特征123，并且v
ij
是与被编码患者特征123相关联的先验训练的加权系数。
[0111]
在通用加权实施例273a中，加权矩阵生成器155根据针对所有生命体征的诊断患者特征123a生成加权系数v
i诊断
*f(y
诊断
)，根据针对所有生命体征的实验室结果患者特征123b生成加权系数v
i实验室结果
*f(y
实验室结果
)，并且根据针对所有生命体征的药物患者特征123c生成加权系数v
i药物
*f(y
药物
)。
[0112]
在生命体征实施例273b中，对于心率112a(图3)，加权矩阵生成器155根据诊断患者特征123a生成加权系数v
hr，诊断
*f(y
诊断：hr
)，根据实验室结果患者特征123b生成加权系数v
hr，实验室结果
*f(y
实验室结果：hr
)，并且根据药物患者特征123c生成加权系数v
hr，药物
*f(y
药物：hr
)。
[0113]
对于血压112b(图3)，加权矩阵生成器155根据诊断患者特征123a生成加权系数v
bp，诊断
*f(y
诊断：bp
)，根据实验室结果患者特征123b生成加权系数v
bp，实验室结果
*f(y
实验室结果：bp
)，并且根据药物患者特征123c生成加权系数v
bp，药物
*f(y
药物：bp
)。
[0114]
对于呼吸速率112c(图3)，加权矩阵生成器155生成根据诊断患者特征123a生成加权系数v
rr，诊断
*f(y
诊断：rr
)，根据实验室结果患者特征123b生成加权系数v
rr，实验室结果
*f(y
实验室结果：rr
)，并且根据药物患者特征123c生成加权系数v
rr，药物
*f(y
药物：rr
)。
[0115]
对于血氧饱和度112d(图3)，加权矩阵生成器155根据诊断患者特征123a生成加权系数v
spo2，诊断
*f(y
诊断：spo2
)，根据实验室结果患者特征123b生成加权系数v
spo2，实验室结果
*f(y
实验室结果：spo2
)，并且根据药物患者特征123c生成加权系数v
spo2，药物
*f(y
药物：spo2
)。
[0116]
对于温度112e(图3)，加权矩阵生成器155根据诊断患者特征123a生成加权系数v
temp，诊断
*f(y
诊断：temp
)，根据实验室结果患者特征123b生成加权系数v
temp，实验室结果
*f(y
实验室结果：temp
)，并且根据药物患者特征123c生成加权系数v
temp，药物
*f(y
药物：temp
)。
[0117]
在流程图270的阶段s274期间，加权矩阵生成器155将加权函数v
ij
*f(y
j
)通信给每个加权函数乘法器143a
‑
143e。通信遵循通过如所示的生命体征112a
‑
112e的列和患者特征123a
‑
123c的行(或反之亦然)布置的加权函数v
ij
*f(y
j
)的矩阵。
[0118]
参考图6b，在流程图370的阶段s372期间，加权函数乘法器151a
‑
151e分别针对多个一般独立生命体征风险分数143a
‑
143e独立地计算多个个人独立生命体征风险分数153a
‑
153e。
[0119]
对于对数优势比实施例375a，加权函数乘法器151a
‑
151e分别针对一般独立生命
体征风险分数143a
‑
143e根据以下公式[16]
‑
[20]独立地计算个人独立生命体征风险分数153a
‑
153e：
[0120][0121]
对于归一化概率实施例(图3c)，加权函数乘法器151a
‑
151e分别针对一般独立生命体征风险分数143a
‑
143e根据以下针对稳定/非恶化种类c0或不稳定/恶化种类c1的公式[21]
‑
[25]独立地计算多个个人独立生命体征风险分数153a
‑
153e：
[0122][0123]
在流程图370的阶段s374期间，风险分数加法器152将个人患者风险分数154计算为多个个人独立生命体征风险分数153a
‑
153e的和。
[0124]
对于对数优势比实施例375a，风险分数加法器152根据以下公式[26]将个人患者风险分数154计算为多个个人独立生命体征风险分数153a
‑
153e的和：
[0125]
prs＝∑v
i,j
f(y
j
)*log(p(x
i
│
c1)/p(x
i
│
c0))
ꢀꢀꢀ
[26]
[0126]
对于归一化概率实施例375b，风险分数加法器152根据以下针对稳定/非恶化种类c0或不稳定/恶化种类c1的公式[27]将个人患者风险分数154计算为个人独立生命体征风险分数153a
‑
153e的对数和：
[0127]
prs＝∑v
i,j
f(y
j
)*log(p(x
i
│
c1)/p(x
i
))
ꢀꢀꢀ
[27]
[0128]
为了进一步便于本公开的理解，图7的以下描述教导了本公开的患者风险预测控制器的各种实施例，图8的以下描述教导了本公开的患者风险预测系统的各种实施例，并且图9a和9b的以下描述教导了本公开的患者风险预测设备的各种实施例。根据图7
‑
9b的描述，本公开的领域的技术人员将会意识到如何将本公开应用于制作并使用本公开的患者风险预测控制器、患者风险预测系统和患者风险预测设备的许多和各种另外实施例。
[0129]
在实践中，本公开的患者风险预测控制器可以被体现为用于如之前在本文中描述的那样实施本公开的患者风险预测方法的硬件/电路/软件/固件。进一步在实践中，患者风险预测控制器可以被定制并安装在服务器、工作站等中或被编程在通用计算机上。
[0130]
在如图7中示出的一个实施例中，患者风险预测控制器80包括经由一个或多个系统总线86相互连接的处理器81、存储器82、用户接口83、网络接口84和存储设备85。在实践中，控制器80的部件81
‑
85的实际组织可以比所图示的更复杂。
[0131]
处理器81可以是能够执行被存储在存储器或存储设备中的指令或以其他方式处
理数据的任何硬件设备。因此，处理器81可以包括微处理器、现场可编程门阵列(fpga)、专用集成电路(asic)或其他类似的设备。
[0132]
存储器82可以包括各种存储器，例如l1、l2或l3高速缓冲存储器或系统存储器。因此，存储器82可以包括静态随机存取存储器(sram)、动态ram(dram)、闪烁存储器、只读存储器(rom)或其他类似的存储器设备。
[0133]
用户接口83可以包括用于实现与用户(诸如管理员)通信的一个或多个设备。例如，用户接口83可以包括显示器、鼠标、以及用于接收用户命令的键盘。在一些实施例中，用户接口83可以包括可以经由网络接口84被呈现给远程终端的命令行接口或图形用户接口。
[0134]
网络接口84可以包括用于实现与其他硬件设备通信的一个或多个设备。例如，网络接口84可以包括被配置为根据以太网协议进行通信的网络接口卡(nic)。此外，网络接口84可以实施用于根据tcp/ip协议进行通信的tcp/ip堆栈。用于网络接口84的各种备选的或额外的硬件或配置将会是显而易见的。
[0135]
存储设备85可以包括一个或多个机器可读存储介质，诸如只读存储器(rom)、随机存取存储器(ram)、磁盘存储介质、光学存储介质、闪烁存储器设备或类似的存储介质。在各种实施例中，存储设备85可以存储由处理器81执行的指令或处理器81可以对其进行操作的数据。例如，存储设备85存储用于控制硬件的各种基本操作的基本操作系统(未示出)。
[0136]
更具体到本公开，存储设备85可以存储一般统计分类器40(图1)、个人统计分类器60(图1)和通信管理器88(例如，显示器处理器、绘制器管理器和/或电子邮件管理器)形式的控制模块87。
[0137]
参考图8，在实践中，患者风险预测控制器80可以被安装/编程在可由多个客户端(例如，如所示的客户端91和客户端92)访问的应用服务器90内，并且/或者被安装/编程在采用监视器94、键盘95和计算机96的工作站93内。
[0138]
在操作中，患者风险预测控制器80在训练阶段和阶段期间从医学成像数据源80输入医学成像数据30(平面或体积)。医学成像数据源90可以包括任何数量和类型的医学成像机器(例如，如所示的mri机器91、ct机器93、x射线机器95和超声机器97)，并且可以还包括数据库管理/文件服务器(例如，如所示的mri数据库管理服务器92、ct服务器94、x射线数据库管理服务器96和超声数据库管理器服务器97)。在实践中，应用服务器90或工作站93(以适用为准)可以被直接或网络连接到医学成像数据源90，以由此输入用于患者风险预测控制器80的医学成像数据30。或者，医学成像数据源90和应用服务器90或工作站93(以适用为准)可以被直接整合，由此患者风险预测控制器80具有对医学成像数据30的直接访问。
[0139]
参考图9a和9b，本公开的患者风险预测设备100(例如，除颤器)采用被附接到壳体102的手柄101，壳体102提供对显示器/显示器接口103、治疗接口104和端口接口105的用户访问。壳体12还包围除了实施另外的功能(例如，同步电击)的其他控制器(未示出)之外的患者风险预测控制器80。
[0140]
在实践中，显示器/显示器接口103显示如被用户经由显示器接口103(例如，键)定制的患者监测数据和如之前在本公开中描述的患者风险预测控制器80生成的(一个或多个)患者风险分数。控制器接口15(例如，旋钮和按钮)允许用户将各种治疗(例如，电击)应用于患者。端口接口17允许被用户连接到(一个或多个)生命体征源10以便接收生命体征，并且连接到患者特征源(20)以便接收患者特征。
[0141]
参考图1
‑
9，本领域的技术人员将会认识到本公开的许多益处，包括但不限于可被个体护理提供者和健康护理组织用于提供稳定/非恶化患者状况或不稳定/恶化患者状况的可靠患者风险预测的系统、设备和方法。
[0142]
此外，显而易见的是，被描述为被存储在存储设备中的各种信息可以另外地或备选地被存储在存储器中。在这方面，存储器也可以被认为构成“存储设备”，并且存储设备也可以被认为是“存储器”。各种其他布置将是显而易见的。另外，存储器和存储设备都可以被认为是“非瞬态机器可读介质”。本文使用的术语“非瞬态”将被理解为排除瞬态信号但包括所有形式的存储，包括易失性和非易失性存储器。
[0143]
尽管该设备被示为包括每个描述的部件中的一个部件，但是在各种实施例中可以复制各种部件。例如，处理器可以包括多个微处理器，所述多个微处理器被配置为独立地执行本公开中描述的方法，或者被配置为执行本公开中描述的方法的步骤或子例程，使得多个处理器协作以实现在本公开中描述的功能。另外，在云计算系统中实施该设备的情况下，各种硬件部件可以属于单独的物理系统。例如，处理器可以包括第一服务器中的第一处理器和第二服务器中的第二处理器。
[0144]
根据前面的描述显而易见的是，本发明的各种范例实施例可以被实施为硬件或固件。此外，各种示范性实施例可以被实施为被存储在机器可读存储介质上的指令，所述指令可以由至少一个处理器读取和运行以执行本文详细描述的操作。机器可读存储介质可以包括用于以机器可读形式存储信息的任何机构，例如，个人计算机或膝上型计算机、服务器或其他计算设备。因此，机器可读存储介质可以包括只读存储器(rom)、随机存取存储器(ram)、磁盘存储介质、光学存储介质、闪烁存储设备和类似的存储介质。
[0145]
本领域技术人员应当理解，本文中的任何框图均表示采样本发明原理的说明性电路的概念视图。类似地，应当理解，任何流程图解、流程图、状态转换图、伪代码等均表示可以基本上在机器可读介质中表示且因此由计算机或处理器执行的各种过程，而无论这样的计算机或处理器是否被明确示出。
[0146]
尽管已经具体参考本公开的某些示范性方面详细描述了各种示范性实施例，但是应当理解，本公开能够具有其他实施例，并且其细节能够在各种明显的方面进行修改。对于本领域技术人员显而易见的是，能够在保持在本公开的精神和范围内的同时做出改变和修改。因此，前述公开内容、说明书和附图仅用于说明目的，而并不以任何方式限制本公开，本公开仅由权利要求来定义。