动态感测和干预系统的制作方法

背景技术：

1、骨科患者护理可能需要手术干预，例如下肢(膝盖、臀部等)。例如，当患者无法忍受疼痛时，可能会建议进行手术。术后护理可能包括几周到几个月的关节固定、物理治疗或职业治疗。物理治疗或职业治疗可用于帮助患者恢复体力、日常功能和康复。目前涉及固定、物理治疗或职业治疗的技术可能无法在手术干预之前或之后监测或充分评估运动范围或疼痛。

技术实现思路

技术特征：

1.一种移动设备，包括：

2.根据权利要求1所述的移动设备，其中，所述编译数据包括由所述传感器设备预处理的数据。

3.根据权利要求1所述的移动设备，其中，确定是使用本地机器学习模型还是远程机器学习模型包括下述操作：确定与对患者执行的矫形外科手术相关的当前时间框架，以及将所述当前时间框架与阈值时间框架相比较。

4.根据权利要求1所述的移动设备，其中，确定是使用本地机器学习模型还是远程机器学习模型包括基于识别先前对患者进行的矫形外科手术来确定使用哪个模型的操作。

5.根据权利要求1所述的移动设备，其中，确定是使用本地机器学习模型还是远程机器学习模型包括基于在移动设备处接收到的下述中至少一个的输入来确定使用哪个模型的操作：由患者识别的疼痛级别、患者的运动范围、或患者锻炼评分。

6.根据权利要求1所述的移动设备，其中，确定是使用本地机器学习模型还是远程机器学习模型包括确定患者朝着由患者定义的目标的进展的操作。

7.根据权利要求1所述的移动设备，其中，发送编译数据包括在发送所述编译数据之前清理所述编译数据以从所述编译数据中去除个人识别信息的操作。

8.根据权利要求1所述的移动设备，其中，获得所述本地机器学习模型的预测的时间比获得所述远程机器学习模型的预测的时间少。

9.至少一种机器可读介质，包括用于在移动设备处操作的指令，所述指令在被执行时致使处理电路执行操作以：

10.根据权利要求9所述的至少一种机器可读介质，其中，所述编译数据包括由所述传感器设备预处理的数据。

11.根据权利要求9所述的至少一种机器可读介质，其中，确定是使用本地机器学习模型还是远程机器学习模型包括下述操作：确定与对患者执行的矫形外科手术相关的当前时间框架，以及将所述当前时间框架与阈值时间框架相比较。

12.根据权利要求9所述的至少一种机器可读介质，其中，确定是使用本地机器学习模型还是远程机器学习模型包括基于识别先前对患者进行的矫形外科手术来确定使用哪个模型的操作。

13.根据权利要求9所述的至少一种机器可读介质，其中，确定是使用本地机器学习模型还是远程机器学习模型包括基于在移动设备处接收到的下述中至少一个的输入来确定使用哪个模型的操作：由患者识别的疼痛级别、患者的运动范围、或患者锻炼评分。

14.根据权利要求9所述的至少一种机器可读介质，其中，确定是使用本地机器学习模型还是远程机器学习模型包括确定患者朝着由患者定义的目标的进展的操作。

15.根据权利要求9所述的至少一种机器可读介质，其中，发送编译数据包括在发送所述编译数据之前清理所述编译数据以从所述编译数据中去除个人识别信息的操作。

16.根据权利要求9所述的至少一种机器可读介质，其中，获得所述本地机器学习模型的预测的时间比获得所述远程机器学习模型的预测的时间少。

17.一种系统，包括：

18.根据权利要求17所述的系统，其中，所述编译数据包括由所述传感器设备内的所述处理电路预处理的数据。

19.根据权利要求17所述的系统，其中，确定是使用本地机器学习模型还是远程机器学习模型包括使用下述中的至少一个的操作：与对患者执行的矫形外科手术相关的当前时间框架、对先前患者进行过的矫形外科手术的识别、或者在移动设备处接收的输入，所述输入包括由患者识别的疼痛级别、患者的运动范围或患者锻炼评分中的至少一项。

20.根据权利要求17所述的系统，其中，发送编译数据包括在发送所述编译数据之前清理所述编译数据以从所述编译数据中去除个人识别信息的操作。

21.一种方法，包括：

22.根据权利要求21所述的方法，其中，所述经过训练的机器学习模型被训练以输出患者的朝着康复目标的进展或所述矫形外科植入物的剩余寿命中的至少一者。

23.根据权利要求21所述的方法，其中，使用传感器数据的时间序列来训练所述经过训练的机器学习模型。

24.根据权利要求21所述的方法，其中，所述模型基于在彼此的阈值时间范围内发生的每个时间序列的各个数据点的时间戳来映射传感器数据的时间序列和可佩戴数据的时间序列。

25.根据权利要求21所述的方法，其中，在不使用任何生成的传感器数据作为输入的情况下确定患者的预测结果。

26.根据权利要求21所述的方法，其中，使用由所述传感器生成的比在没有所述合成传感器数据的情况下输出预测所需的更少的输入数据点来确定所述患者的预测结果。

27.根据权利要求21所述的方法，其中，所述传感器数据的时间序列包括加速计或陀螺仪数据中的至少一者，并且其中所述可佩戴数据的时间序列包括步态数据。

28.根据权利要求21所述的方法，其中，获得由所述可佩戴设备生成的数据的时间序列包括从智能手表接收所述数据的时间序列。

29.一种设备，包括：

30.根据权利要求29所述的设备，其中，所述经过训练的机器学习模型被训练以输出患者朝着康复目标的进展或所述矫形外科植入物的剩余寿命中的至少一者。

31.根据权利要求29所述的设备，其中，使用所述传感器数据的时间序列来训练所述经过训练的机器学习模型。

32.根据权利要求29所述的设备，其中，所述模型基于在彼此的阈值时间范围内发生的每个时间序列的相应数据点的时间戳来映射所述传感器数据的时间序列和所述可佩戴数据的时间序列。

33.根据权利要求29所述的设备，其中，在不使用任何生成的传感器数据作为输入的情况下确定患者的预测结果。

34.根据权利要求29所述的设备，其中，使用由所述传感器生成的比在没有所述合成传感器数据的情况下输出预测所需的输入数据点少的输入数据点来确定所述患者的预测结果。

35.根据权利要求29所述的设备，其中，所述传感器数据的时间序列包括加速计或陀螺仪数据中的至少一者，并且其中所述可佩戴数据的时间序列包括步态数据。

36.根据权利要求29所述的设备，其中，所述可佩戴设备是智能手表。

37.至少一种机器可读介质，包括指令，所述指令当被执行时致使处理电路执行操作以：

38.根据权利要求37所述的至少一种机器可读介质，其中，所述模型基于在彼此的阈值时间范围内发生的每个时间序列的相应数据点的时间戳来映射所述传感器数据的时间序列和所述可佩戴数据的时间序列。

39.根据权利要求37所述的至少一种机器可读介质，其中，在不使用任何生成的传感器数据作为输入的情况下确定患者的预测结果。

40.根据权利要求37所述的至少一种机器可读介质，其中，所述传感器数据的时间序列包括加速计或陀螺仪数据中的至少一者，并且其中所述可佩戴数据的时间序列包括步态数据。

41.至少一种机器可读介质，包括指令，所述指令当由处理电路执行时致使所述处理电路执行操作以：

42.根据权利要求41所述的至少一种机器可读介质，其中，与所述量度相对应的指示包括所识别的用于改进所述量度的锻炼。

43.根据权利要求41所述的至少一种机器可读介质，其中，与所述量度相对应的指示包括对所述患者特定目标何时实现的预测日期。

44.根据权利要求41所述的至少一种机器可读介质，其中，所述一个或多个量度包括关节的运动范围。

45.根据权利要求41所述的至少一种机器可读介质，其中，使用具有量度完成标记的历史传感器数据来训练所述经过训练的机器学习模型。

46.根据权利要求41所述的至少一种机器可读介质，其中，已经实现了所述患者特定目标的指示包括与第二患者特定目标相对应的信息。

47.根据权利要求41所述的至少一种机器可读介质，其中，所述患者特定目标包括生命活动的识别，并且其中所述一个或多个量度的集合包括对应于所述生命活动的运动范围。

48.根据权利要求41所述的至少一种机器可读介质，其中，所述患者特定目标是经由患者在用户界面上对所述患者特定目标的选择来接收的。

49.根据权利要求41所述的至少一种机器可读介质，其中，所述操作还致使所述处理电路向所述传感器设备发送激活存储在所述传感器设备的存储器中的多个应用程序之一的指示，所述多个应用程序被预先配置为在监管系统下进行验证，并且其中所接收到的传感器数据是根据激活的应用程序生成的。

50.根据权利要求49所述的至少一种机器可读介质，其中，当激活的应用程序被激活时，所述传感器的至少一种操作被改变。

51.一种系统，包括：

52.根据权利要求51所述的系统，其中，与所述量度相对应的指示包括所识别的用于改进所述量度的锻炼。

53.根据权利要求51所述的系统，其中，与所述量度相对应的指示包括对所述患者特定目标何时实现的预测日期。

54.根据权利要求51所述的系统，其中，所述一个或多个量度包括关节的运动范围。

55.根据权利要求51所述的系统，其中，使用具有量度完成标记的历史传感器数据来训练所述经过训练的机器学习模型。

56.根据权利要求51所述的系统，其中，已经实现了所述患者特定目标的指示包括与第二患者特定目标相对应的信息。

57.根据权利要求51所述的系统，其中，所述患者特定目标包括生命活动的识别，并且其中所述一个或多个量度的集合包括对应于所述生命活动的运动范围。

58.根据权利要求51所述的系统，其中，所述患者特定目标是经由患者在用户界面上对所述患者特定目标的选择来接收的。

59.根据权利要求51所述的系统，其中，所述操作还致使所述处理电路向所述传感器设备发送激活存储在所述传感器设备的存储器中的多个应用程序之一的指示，所述多个应用程序被预先配置为在监管系统下进行验证，并且其中所接收到的传感器数据是根据激活的应用程序生成的。

60.根据权利要求59所述的系统，其中，当激活的应用程序被激活时，所述传感器的至少一种操作被改变。

技术总结
系统和技术可用于确定使用什么设备来处理植入传感器数据处理系统中的数据。示例技术可以包括基于患者特定信息来确定是使用能够在移动设备处操作的本地机器学习模型还是能够在远程设备处操作的远程机器学习模型来输出使用传感器数据生成的预测。该示例技术可以包括根据要使用本地机器学习模型的确定，在移动设备处使用本地机器学习模型来预测患者的结果。该示例技术可以包括根据要使用远程机器学习模型的确定，从移动设备将编译数据发送到远程计算设备以生成预测结果。

技术研发人员：D·范安德尔,M·布兰卡,T·斯普纳
受保护的技术使用者：捷迈美国有限公司
技术研发日：
技术公布日：2024/4/22