用于预测透析中参数的装置和方法

用于预测透析中参数的装置和方法
【专利摘要】本发明描述用于诸如血压的透析中参数的预后的装置和方法，其中提供至少一种学习算法和/或至少一种神经网络。存储器装置存储患者个体透析中参数，实验室参数和/或机器参数，这些参数可以用于透析治疗期间患者特异性参数进展的预后中。
【专利说明】用于预测透析中参数的装置和方法

【技术领域】
[0001] 本发明涉及用于预测诸如血压的透析中参数的一种装置和一种方法。

【背景技术】
[0002] 迄今为止，已通过回顾性控制减少或纠正医疗中的问题，例如像透析中低血压情 况。因此，仅在低血压发作的情况下才进行干涉，如降低超滤速率（UF速率）。
[0003] 症状性透析中低血压情况属于透析治疗期间的最常见的并发症。这些低血压情况 的主要原因之一是UF速率与回注过程（即，来自细胞内间隙和间质的水随后流入到血管内 间隙中）之间的失衡。为了达到减少和避免此类低血压情况的目的，已开发出基于生物反 馈系统的各种技术。用于稳定患者的血液动力学循环的可能的控制参数是例如血压BD和 相对血容量RBV。可调节参数的候选参数是透析液体温度DT、超滤速率UFR或UF速率以及 透析液体导电性LF。所有这些控制参数或调节参数以不同组合相结合并且具有不同相互作 用。
[0004] EP 0 956 872 A2、EP 1 226 838 A2 以及 EP 1 844 800 B1 中所描述的生物反馈 系统控制低血压情况的直接原因，即血压。
[0005] W0 2011/080185和W0 2011/080190描述了用于预测血压下降的测量设备。在所 述专利中，心率幅值借助于由机器记录和/或直接在患者身上测得的各种信号来计算，所 述幅值产生方差。通过所述方差可以深入了解低血压事件的发生情况。
[0006] EP 2 061 532 B1描述了具有支持存储器的控制装置的治疗设备，就与当前时间 点的当前血压进展的任何相似性对来自先前治疗单元的血压的进展进行检查。在具有最大 相似性的那些曲线之中，选择示出血压下降的至少一条曲线，并且所述曲线将成为预期血 压控制的先导变量。然而，如此一来，有可能在测试中选择具有非常小相似性且仍应用为当 前治疗单元的先导曲线的曲线。
[0007] 然而，上述生物反馈系统仅示出回顾性反应，即，仅在出现低血压发作之后才做出 反应。以此方式无法预测血压的下降。
[0008] 在血容量被控制时，将继续测量所述血容量，并且借助于控制UF和LF来强制使 所述血容量遵循预定血容量进展；血容量可能仅在预定时间间隔内在所述预定进展附近波 动。这使用自适应MM0 (多输入多输出）控制来实现。
[0009] 在另一生物反馈系统中，通过安装在机器内的温度传感器记录动脉温度和静脉温 度。通过改变透析液体的温度对所记录的动脉温度与静脉温度之间的差值进行控制，以使 得它采用目标值。这种控制的结果是，静脉温度或体外温度存在变化。实际上，这允许实现 患者体内的稳定状态，但对温度的控制并未传递有关患者的当前状态的任何直接信息。
[0010] EP 0 956 872 A2(EP 0956 872 B1)描述了基于在预定时间间隔内对患者血压进 行监测来控制血压。根据血压进展和当前血压，并且取决于两个预定限制，对UF速率进行 调节。这种生物反馈系统还涉及回顾性反应。在检测到血压下降之前不调节UF速率。
[0011] EP 1 844 800 B1描述了血压的弹性时间控制，所述弹性时间控制从先前限定时 间点的患者特异性血压进展接收取代的血压值。这允许减少治疗单元内血压测量结果的数 量。
[0012] EP 0956 872 A2(EP 0956 872 Bl)、EP 1 844 800 B1 以及 EP 2 061 532 B1 均 要求一定数量的当前血压测量结果以便允许开始与先前治疗单元进行比较。这导致在那之 前可能已发生血压下降的缺点。
[0013] W0 2011/080185和W0 2011/080190描述了由警告信号指示的血压下降的预 后。这个信号通知工作人员采取应对措施。如果低血压预后是错误的，那么工作人员 被不必要地通知，从而造成时间的浪费，并且如果采取应对措施（如特伦德伦伯卧位 (Trendelenburg position))，那么会使患者处于压力之下。


【发明内容】

[0014] 本发明的目的在于提供能够提高治疗期间的治疗质量的一种装置和一种方法。
[0015] 借助于本发明，可获得如权利要求1所述的装置。
[0016] 本发明进一步提供一种根据独立方法权利要求的方法。
[0017] 本发明的示例性实施方案涉及诸如血压BD的透析中参数的预后。预后可以借助 于学习算法（例如使用神经网络）进行。这种预后允许工作人员查看患者参数的未来表现， 以使得可以在早期采取措施，或者可以通过机器及时进行自动干涉。
[0018] 根据本发明的一个方面，可获得用于诸如血压的透析中参数的预后的一种装置， 提供了至少一种学习算法和/或至少一种神经网络。存储器装置能够存储患者个体透析中 参数，实验室参数和/或机器参数，这些参数可以在透析治疗期间患者特异性参数进展的 预后中使用。
[0019] 患者个体透析中参数可以是例如血压和/或相对血容量RBV。实验室参数是例如 白蛋白和/或尿素。机器参数是例如静脉压力PV和/或动脉压力PA。
[0020] 例如以视觉方式或以听觉方式显示所需参数的进展的趋势是有利的，以使得治疗 工作人员可以立即得到通知。
[0021] 使用预后作为输入的生物反馈系统允许自动且尽可能快速地采取应对措施，例如 以减小UF、改变LF、改变透析液体的温度或注射等渗溶液的形式。
[0022] 优选地，可以提供用于检测或存储诸如静脉压力PV、动脉压力PA、跨膜压力TMP、 透析液体导电性LF、透析液体温度DT的机器参数和/或另外参数的至少一个传感器或存储 器布置，和/或用于检测诸如尿毒症毒素吸收率、血细胞比容HCT的患者参数的传感器布置 或存储器布置，和/或用于检测或存储诸如白蛋白、尿素等实验室参数的传感器布置或存 储器布置。
[0023] 所提供的训练单元和预后单元允许确定预后准确度，所述训练单元优选被设计来 首先执行学习阶段，之后所述训练单元将训练算法的相应训练后的（即，相应调整后的）值 转发给预后单元。然后，整合的训练算法允许预后单元基于外推或其他计算来进行预测，以 用于有待确定或监测的参数的未来进展的预后。可以评价预后参数，将所述预后参数与阈 值进行比较和/或显示所述预后参数，以使得可实现优化快速的评价并且获得信息。
[0024] 优选地，训练单元、预后单元和/或用于形成预后参数的装置均可以设计为人工 神经网络。作为替代或除此之外，可以使用支持向量机。
[0025] 作为一个可选项，可以提供用于例如以听觉和/或视觉形式和/或以显示器形式 输出警告的报警单元，在所述显示器上可以呈现预后参数的当前进展，以及预期的未来估 计进展。
[0026] 在一个或多个示例性实施方案中，提供了控制器，所述控制器能够基于预后参数 以及当前参数（例如血压或相对血容量）来采取控制干涉，以使得在有需要时可以执行快 速精确的纠正性干涉。
[0027] 在初始阶段期间，可以调整和训练神经网络的结构，所述神经网络包括具有至少 两个输入的输入层、包括至少三个神经元的至少一个隐藏层以及具有至少一个输出的至少 一个输出层，并且可以根据输入数据调整所述输出。
[0028] 在这个过程中，可以计算和更新预定网络的权重。
[0029] 也可以自动改变网络的结构，例如神经元或隐藏层的数量，以便确保使用现有数 据记录的优化学习过程并且调整学习算法。
[0030] 所述网络可以使用贝叶斯规则反向传播（Bayesian Regulation Backpropagation)和Levenberg-Marquardt反向传播算法作为训练算法进行训练。NAR或 NARX网络可以用于训练算法。
[0031] 预后的进一步改进可以通过包括除了血压之外的以下输入参数中的至少一种或 多种和/或另外的学习技术来实现，所述输入参数即超滤速率，UF速率；超滤容量；动脉压 力和静脉压力；血细胞比容；相对血容量；氧饱和度；血红蛋白；心跳；尿毒症毒素吸收率； 收缩血压；透析液体导电性（酸和碱导电性，pH值），和/或透析液体温度。
[0032] 本发明的另一方面涉及一种用于预测诸如血压的透析中参数的方法，提供至少一 种学习算法和/或至少一种神经网络，存储患者个体透析中参数、实验室参数和/或机器参 数，并且使用所述参数用于透析治疗期间的患者特异性参数进展的预后。患者个体透析中 参数可以是血压和/或相对血容量RBV。实验室参数是例如白蛋白和/或尿素，和/或机器 参数是例如静脉压力PV和/或动脉压力PA。可以例如以视觉方式或听觉方式显示所需参 数的进展的趋势或进展本身。
[0033] 通过存储患者个体透析中参数（例如，BD、RBV......)、实验室参数（例如，白蛋白、 尿素……）以及机器参数（例如，静脉压力PV、动脉压力PA……），可以预测透析治疗过程 中患者特异性参数进展。此处相关的参数可能是血压。这种预后给予用户有关患者的状态 的未来信息，以使得用户（例如，工作人员）可以在早期通过调整一个或多个透析或患者参 数进行互动。如果预测出患者的血压进展，那么用户或操作员（例如，用户或治疗师，如医 师或医院护士）利用所给出的参数（例如，UF速率）接收有关血压在未来不久的时间段内 (例如，在接下来的几分钟或几小时内）将如何表现的信息。如果所预测的血压进展就可能 的低血压发作而言比较危急，那么有可能例如通过使UF速率自动或手动减小来事先消除 所述可能的低血压发作。
[0034] 在一个、多个或所有示例性实施方案中，基于所存储的患者个体生理参数的透析 中血压（BD)的预后是可能的，所述预后实现对血压的早期控制，并且因此允许预防下降血 压趋势并减少低血压发作。
[0035] 另外，有可能例如通过视觉方式和手段向医师或工作人员呈现所需参数的进展的 趋势，以使得在通过机器的自动干涉发生之前将首先由工作人员做出对趋势的解释。例如， 如果发生危急趋势，那么工作人员能够及时采取其他措施，如及时注射等渗生理食盐水溶 液。
[0036] 预后可以可替代地用作生物反馈系统的输入，所述生物反馈系统以自动的方式采 取应对措施，例如，以减小UF、改变LF、改变透析液体的温度或注射等渗溶液的形式。

【专利附图】

【附图说明】
[0037] 下文将基于示例性实施方案并参考附图来解释本发明，其中：
[0038] 图1示出用于预测血压的流程图，
[0039] 图2示出UF控制的进展，
[0040] 图3示出前瞻性UF控制的可能性，
[0041] 图4是人工神经网络的简化图示，
[0042] 图5示出借助于不同网络类型的血压预后的进展，
[0043] 图6示出借助于使用不同训练算法的网络的血压预后，
[0044] 图7示出使用NAR网络的血压预后的进展，
[0045] 图8示出使用NARX网络的血压预后，
[0046] 图9示出收缩血压的血液动力学参数与由机器传感器检测到的参数之间的相关 系数，
[0047] 图10示出针对不同学习算法具有和不具有时间滞后的血压预后，
[0048]图11示出借助于系综形成的治疗单元期间血压预后，以及
[0049] 图12示出使用FF-NN的完整治疗单元的连续预后。

【具体实施方式】
[0050] 下文将更详细解释示例性实施方案。
[0051] 图1示出根据本发明的装置的示例性实施方案。所述示例性实施方案包括用于检 测或存储诸如静脉压力PV、动脉压力PA、跨膜压力TMP、透析液体导电性LF、透析液体温度 DT的机器参数和/或另外参数的传感器或存储器布置2。这些机器参数可以通过患者1身 上或透析机上的传感器布置2直接测量，但它们可能事先已被存储。通过传感器布置或存 储器布置2检测或传递的值可以存储在存储器单元5中。
[0052] 另外，提供传感器布置或存储器布置3,所述传感器布置或存储器布置检测患者参 数,如尿毒症毒素吸收率、血细胞比容HCT等，并且可以借助于有关患者或有关透析液体或 透析机器的相应测量结果来接收其输入变量。
[0053] 进一步提供传感器布置或存储器布置4以用于检测或存储实验室参数，如白蛋 白、尿素等，所述传感器布置或存储器布置可以借助于相应的测量结果或输入来从患者1 接收其输入变量。正如传感器布置2 -样，传感器布置3和4也将它们的输出信号保存在 存储器单元5中。
[0054] 基于缓冲在存储器单元5中的值（如机器参数、患者参数以及实验室参数），训练 布置在存储器单元5的下游的训练单元6。所述训练单元6首先执行学习阶段，之后它将训 练算法的相应训练后的（即，相应调整后的）值转发给预后单元7。
[0055] 借助于整合的预后算法，预后单元7执行预测以用于有待确定或监测的参数的未 来进展的预后。对有待预测的参数（在下文中也称为预后参数）的未来期望进展的这种计 算发生在预后单元7中，所述预后单元相对于例如血压和/或相对血容量或任何其他参数 的期望未来进展确定并定义这些参数的水平。在方框8中或在连接至方框8的另外方框9 至11中，可以评价预后参数，例如将其与阈值进行比较，和/或可以显示所述预后参数。
[0056] 在图1中所示的示例性实施方案中，方框9被实施为例如以听觉和/或视觉形式 传递警告的报警单元。这允许例如医师或工作人员在甚至发生紧急情况（如低血压发作） 之前执行快速干涉，如减小UF速率或者向患者供给液体。
[0057]另外，方框10可以设计为例如显示装置，所述显示装置示出预后参数的当前进 展，包括未来将期望的估计进展。
[0058] 方框11可以设计为控制器，所述控制器基于预后参数以及当前参数（如血压或相 对血容量）来做出相应控制干涉，并且因此以相应方式控制对患者1的治疗。
[0059] 部件6、7、8可以设计为人工神经网络。
[0060] 在一个、多个或所有示例性实施方案中，对患者数据进行检测。为此，在一段较长 时间内收集患者的连续血压进展，其中每位患者的至少10个后续治疗单元用于训练。对于 每个治疗单元来说，获得48个经计算或测量得到的血压值。这意味着同一位患者的48*10 =480个血压测量结果可用于训练过程。
[0061]在示例性实施方案中，使用人工神经网络用于血压预后。还可以使用其他预后方 法，如支持向量机。改变和调整各种网络模型和类型，以使得可以避免任何过度拟合和拟合 不足。为了更好地验证网络的质量，将考虑一个以上标准，因为仅考虑仅一个标准（如均方 根误差（RMSE)或均方误差（MSE))可能导致对网络或预后的错误验证。这已在若干模拟中 得到确认。RMSE是平均预后误差（即，实际观察所得的平均预后偏差）的平方根。MSE是 指估计量与有待估计的值的中值二次偏差。
[0062]本发明的示例性实施方案涉及诸如血压的透析中参数的预后。预后可以借助于学 习算法（例如像神经网络）来进行。这种预后允许工作人员查看患者参数在未来的行为， 以使得可以采取早期措施，或者可以通过机器执行及时的自动干涉。由于低血压发病率对 患者来说具有特异性，因此有利的是了解患者的血液动力学特征，例如，任何组合形式的至 少一个或多个参数，或所有以下诸如BD、RBV、DT、HCT、PA、PV、TMP和/或氧饱和度的参数的 进展。为此原因，本发明的一个、多个或所有示例性实施方案提供一种以连续方式获知这些 血液动力学特征（此处又称为血液动力学）的系统。此类血液动力学可以在每个治疗单元 之后进行存储。
[0063]借助于人工神经网络，可以在进行中治疗单元期间，从所存储的数据做出对血液 动力学的进展的预后，所述所存储的数据描述典型情况下和特殊情况下的患者的血液动力 学。人工神经网络提供了解释系统的动态进展和预测其未来行为的可能性。如果存储了患 者的血液动力学参数和生理参数，那么它们的未来进展可以通过一个或多个神经网络来预 测。
[0064]如果人工神经网络获知患者的血液动力学特征，那么取决于若干参数，这种特征 的预后是可能的。如果这种预后是成功的，就可以及时地控制这些参数。这些参数可以是 例如BD和/或RBV。作为替代或除此之外，可以触发报警或警告。手动或自动机器干涉可 以代表稳定血压的一种方式。
[0065] 在一个、多个或所有示例性实施方案中，目标是血压预后。在透析治疗中，可以借 助于所存储的参数来预测血压的期望进展。如果存在低血压风险，那么所述系统能够及时 反应并且在发生低血压情况之前调整UF速率。正常情况下，UF速率的减小会带来血压的稳 定并且因此带来血液动力学参数的稳定。作为稳定血压的替代方案或除了稳定血压之外， 还可以使LF或DT的改变的预后稳定。
[0066] 本发明的示例性实施方案允许预测例如患者参数（例如，BD)的透析中进展。可以 实现进一步减小的血压测量结果。可能在无需一些或所有的血压测量结果的情况下进行。 透析中发病（例如，低血压发作）的早期鉴定/预后是可能的。另外，血压趋势的早期鉴定 /预后是可能的。此外，如果发生异常的预测进展状况，早期互动是可能的。
[0067] 与血压相关并且用于预测另一透析参数（例如，血压）的所有透析参数在每次透 析治疗之后进行存储。从一定数量的所存储的治疗单元向上，预定义的所存储的神经网络 存取预选择的参数。训练所述参数并且通过神经网络来计算权重。在新治疗的情况下，神 经网络能够在连接患者并且在调节他的/她的参数之后直接计算期望血压进展。在5分钟 的时间间隔内给出血压进展。
[0068] 在一个、多个或所有示例性实施方案中，可以提供各种控制方法，例如，回顾性方 法，其中血压测量在透析开始之后预定义的时间间隔内执行。在不测量血压的时间期间，已 由网络计算出的血压被视作当前血压。由神经网络计算出的血压可以基于它们的趋势调整 至当前血压趋势。控制UF速率的过程使血压本身朝向血压进展和当前血压定向，直至当前 治疗时间。
[0069] 另一种控制形式可以前瞻性方式进行，在治疗单元开始时，即在调节患者参数之 后，计算相应患者的血压过程。像平常一样，也在预定义的时间间隔内执行血压测量。评估 血压进展直至当前时间点。在前瞻性控制中，还将考虑并同时评估血压的未来行为，所述行 为从治疗单元开始时特别针对所述患者计算的血压曲线来估计。如果两个评价中的一个指 示血压下降或向下的血压趋势，那么可以在所述血压下降或向下的血压趋势发生之前就降 低UF速率，以便稳定血压。
[0070] 前瞻性控制的时间可以是例如在5分钟与60分钟之间。图2和图3示出前瞻性 控制的图示。图2示出血压的回顾性控制，其中在达到临界极限之前不减小UF速率。
[0071] 图2中的曲线21示出以mmHg计的收缩血压的进展，圆点表示以例如20分钟的时 间间隔确定的实际测量值。
[0072] 水平轴线示出以分钟计的时间，而右侧垂直轴线示出起始于50并上升至120mmHg 的当前水平的收缩血压，左侧垂直轴线示出以ml/h计的UF速率，长条的对应长度指示相应 的UF速率（重量损失速率）。最大限度定义在1100ml/h处。从图2中可以看出，如果发生 血压下降，那么UF速率的降低存在一定延迟，S卩，以回顾性方式发生。
[0073] 图3示出本发明的示例性实施方案中根据所预测的血压进展调整UF速率的前瞻 性UF调整的实例。与根据图2的图相似，UF速率的进展也取决于根据图3的图示中的血 压进展。然而，在根据图3的示例性实施方案中，在收缩血压发生急剧下降发生之前已降低 UF速率。这使得实现患者的增强的安全性成为可能。在图3中还可以看到，以前瞻性方式 预测出血压随后的新的上升，并且UF速率在血压实际上再次上升之前再次增大。
[0074] 在图3中的前瞻性控制中，血压的进展通过神经网络6至8来检测，并且在较早时 间点以如此方式控制UF速率以使得可以避免血压的急剧下降。
[0075] 对前瞻性预后的计算在治疗单元之前（例如，在透析治疗的准备期间）并且借助 于所存储的治疗进展来执行。为此，提供针对患者个性化的存储介质，如患者卡，或内部或 外部数据载体上或与透析机交连（cross-linked)的外部存储器（数据库）内明确可定义 的存储区。在这个阶段期间，可以根据数据调整网络的结构，即，不仅是计算预定义网络的 权重，而且调整网络的结构（例如，神经元或隐藏层的数量），以确保使用现有数据记录的 最优学习过程。类似地，可以调整学习算法以便获得最优结果。这个步骤要求大量计算能 力，因为它包括产生许多预后并且必须在机器不进行对治疗单元或患者来说可能至关重要 的任何功能时执行。这可能例如是在透析治疗准备期间或甚至是在透析治疗完成之后，在 透析机器的消毒期间。
[0076] 在透析治疗期间，所述所建立的神经网络然后还将用于评价仅在透析治疗期间记 录的新测量的值，并且将它们包括在控制之中，除了先前计算出的整个治疗的预后之外。
[0077] 在一个、多个或所有示例性实施方案中，提供获知透析中患者参数的过程。透析中 发病的早期检测对患者来说可能非常重要，因为除其他之外，它还提供更好的舒适感觉。所 述舒适感觉可以通过对训练后参数（如BD)的未来行为的早期反应，借助于手动干涉（通 过工作人员）或自动干涉（通过透析机）（例如，改变UF速率）来提供。
[0078] 人工神经网络基本上由输入神经元、隐藏层和它们的激活函数以及输出神经元组 成。
[0079] 图4示出人工神经网络40,所述人工神经网络包括具有至少两个输入42 Xl、42x3 的输入层41、包括至少三个神经元44f\、44f2、44f3的至少一个隐藏层43以及具有至少一个 输出46f 4的至少一个输出层45。包含激活函数f\、f2、f3以及f4的神经元44和46的输出 yi、y 2、％以及输出计算如下：
[0080] yj = fj (w11*x1+w21*x2)
[0081] y2= f2 (Wi^Xi+w^^x；,)
[0082] y3= f3(w13*x 1+w23*x2)
[0083] y4= f4 (w14*yi+w24*y2+W34*y3)
[0084] 此处，f\、f2、f3以及f 4表示激活函数。激活函数可以是常见的数学函数，如SB 曲线函数、阈值函数等。
[0085] 为了产生输出（输出信号）74，三个神经元输出变量 71、72、73在评估（此处乘以权 重w14、w 24、w34)之后进行计算，在这种情况下以相加为例。
[0086] 已测试具有不同数量的隐藏层43和不同数量的神经元44的若干网络类型。改变 网络模型会使得使用同一个学习算法得到相异预后。因此，存在网络类型之间的无限组合， 这些组合产生不同结果。
[0087]图5示出已使用相同训练算法训练但具有不同网络结构的两个网络的结果。两个 网络均已使用Levenberg-Marquardt反向传播算法训练。曲线50示出血压的实际进展。曲 线52是具有两个隐藏层的网络的预后的结果，第一层由30个神经元组成并且第二层由28 个神经元组成。曲线51反映出借助于同样由两个隐藏层组成的网络的预后，第一层由36 个神经元组成并且第二层由18个神经元组成。因此，图5示出由不同网络类型做出的血压 预后。
[0088] 可能导致不同预后的另一个因素是不同训练算法的使用。除其他之外，已使用贝 叶斯规则反向传播算法和Levenberg-Marquardt反向传播算法执行训练网络的过程。输出 (血压预后）的性能的评价已借助于诸如均方根误差（RMSE)和相关分析（correlation)等 统计方式和手段以及可视化标准来评价。
[0089] 图7和图8示出使用非线性自回归（NAR)网络和非线性自回归外生（NARX)网络 的预后的进展的图。在NARX网络情况下，期望若干输入和输出参数。
[0090] 曲线70和80示出血压的实际进展。图7示出使用NAR网络的BD预后71，而图8 示出使用NARX网络的血压预后81。
[0091]从图7和图8可以看到，使用NARX网络的训练（图8)在治疗单元开始时产生更 好的结果，NAR网络（图7)则表现出一定偏移。
[0092]图6示出由使用不同训练算法的网络做出的BD预后。曲线60示出血压的实际进 展。图6描绘出使用两种训练算法的血压预后：贝叶斯规则反向传播算法由带圆圈的曲线 61示出；而Levenberg-Marquardt反向传播算法通过曲线62可视化并且带有"加号"符号。 [0093] 其他网络类型提供了采用各种输入参数的可能性。此类网络称为非线性自回归外 生网络（NARX)。在示出的示例性实施方案中，已针对这种网络选择两种输入参数：BD血压 和UF速率。还可能选择更大数量的输入参数或其他输入参数。
[0094] 数据清楚地显示出基于神经网络的BD值的预后对于前一半治疗单元表现良好， 但在后一半中显示出缺陷。在那时，预后与测得BD之间的偏差增大。在一个、多个或所有 示例性实施方案中实现了预后质量的改进，因为过去一直在治疗单元期间进行测量的血压 被包括在治疗单元期间执行的预后的评价和再计算中。这基于事先已定义的网络发生。 [0095] 在一个、多个或所有示例性实施方案中，可以做出安排来包括另外的输入参数和 更多的学习技术以进一步改进预后。
[0096]包括UF速率（除了血压之外）作为一个或多个示例性实施方案中提供的输入参 数会产生更好的血压预后。为此原因，将考虑若干血液动力学参数和由机器测量的参数。首 先就这些参数与血压的相关性对其进行检查。
[0097]图9示出收缩血压的血液动力学参数和由机器传感器记录的参数之间的相关系 数。如在这个图中可以看到，已检查30个透析参数和患者参数，以获得这些参数与血压的 相关性。许多参数具有高于〇. 5的相关系数。这些参数中的一些达到近似0. 8的相关系数， 这些参数与血压不具有任何关系。出现这种效果是由于所述参数的进展。所述进展几乎是 恒定的。根据这种相关方法，已选择出可以说与血压具有紧密相关性的那些参数。
[0098] 随后，针对若干参数使用各种特征选择算法。这些算法可以包括例如最小冗余最 大相关（mRmR)算法，该算法利用血压与其他参数之间的共享信息标准以便建立变量的一 定等级；或Wrapper算法，该算法基于自动学习并且试图通过添加或删除另外的变量来找 出最佳性能；所述最佳性能随后通过诸如均方误差方法的统计手段进行评价。
[0099] 根据专家知识、数据分析以及特征选择算法，已选择若干输入变量来用于训练网 络，例如以下参数中的一个或多个参数（以任何组合方式）或全部：
[0100] 超滤容量，
[0101] 动脉压力和静脉压力，
[0102] 血细胞比容，
[0103] 相对血容量，
[0104] 氧饱和度，
[0105] 血红蛋白，
[0106] 超滤速率，
[0107]心跳，
[0108] 尿毒症毒素吸收率，
[0109] 收缩血压，
[0110]透析液体导电性（酸和碱导电性，pH值），
[0111] 透析液体温度。
[0112] 接着，一般来说，已评价两种自动学习类型算法和一种朴素算法，已使用包括具有 和不具有分接延迟线的前馈神经网络（FF-NN)(时间依赖性（TDL-NN)、具有和不具有滞后 (重叠）的支持向量回归（SVR)以及朴素算法的神经网络，所述朴素算法将现有血压值外推 至下一个值。在训练期间已执行交叉验证。所述验证将治疗（它的变量必须接受训练）过 程分成不同的块。例如，训练前10个和后10个治疗单元并且将验证应用到它们之间的治 疗单元，或者对前几个治疗单元进行训练而对后几个进行验证。这实现了训练数据的增加。 之后，选择具有最佳性能的网络。
[0113] 在预后中，就时间依赖性关于以下方面做出检查：即，关于当前治疗单元是否存在 应被纳入考虑以便预测当前血压的任何旧变量值；关于通过系综形成（即，通过组合各种 学习算法和训练算法的不同网络结构）的预后的更好性能；并且关于治疗的连续预后。
[0114] 下文将解释各个实验的结果：
[0115] 图10示出时间依赖性，并且示出针对不同学习算法的具有和不具有时间延迟的 血压预后。
[0116] 图11示出系综的形成，并且通过系综的形成给出治疗单元期间血压预后的更详 细的图示。
[0117] 在一个、多个或所有示例性实施方案中，还可以提供完整治疗的连续预后。
[0118] 图12示出借助于使用前馈FF-NN(前馈神经网络）的神经网络的完整治疗的连续 预后。
[0119] 在图10中可以看到，涉及前馈（前馈神经网络，FF-NN)的神经网络显示出对曲线 轮廓的最好适应。
[0120] 良好的预后还借助于朴素算法来实现。然而，所述预后在实际血压附近波动，这归 因于最后两个测得血压永久线性地外推至下一个五分钟时间间隔。
[0121] 根据图10以及有关时间依赖性的实验，可以进一步总结出，血压测量结果可以使 用不包括预后中当前治疗单元中所测得的旧的或当前的血压值的FF-NN来预测。
[0122] 表1示出针对不同学习算法的时间依赖性相关实验的MSE的结果。FF-NN进一步 显示出最小MSE120. 495。朴素算法显示出第二最佳MSE。这归因于线性外推，如上所述。所 有其他MSE均显示出非常高的值并且因此表示质量较差的预后。
[0123]

【权利要求】
1. 一种用于预测诸如血压的透析中参数的装置，其中提供至少一种学习算法和/或至 少一种神经网络，所述装置包括用于存储患者个体透析中参数、实验室参数和/或机器参 数的存储器装置，所述装置可W用于透析治疗期间的患者特异性参数进展的预后中。
2. 如权利要求1所述的装置，其中所述患者个体透析中参数是血压和/或相对血容量 RBV，和/或所述实验室参数是白蛋白和/或尿素，和/或所述机器参数是静脉压力PV和/ 或动脉压力PA。
3. 如权利要求1或2所述的装置，其中例如W视觉或听觉方式显示所需参数的进展的 趋势。
4. 如上述权利要求中任一项所述的装置，其包括生物反馈系统，所述生物反馈系统使 用所述预后作为输入，并且例如W减小UF、改变LF、改变透析液体温度或注射等渗溶液的 形式自动采取应对措施。
5. 如上述权利要求中任一项所述的装置，其包括至少一个传感器或存储器布置（2)， 所述至少一个传感器或存储器布置（2)用于检测或存储机器参数，如静脉压力PV、动脉压 力PA、跨膜压力TMP、所述透析液体的导电性LF、所述透析液体的温度DT和/或另外的参 数，和/或 传感器布置或存储器布置（3)，所述传感器布置或存储器布置（3)用于检测患者参数， 如尿毒症毒素吸收率、血细胞比容肥T，和/或 传感器布置或存储器布置（4)，所述传感器布置或存储器布置（4)用于检测或存储实 验室参数，如白蛋白、尿素等该些参数。
6. 如上述权利要求中任一项所述的装置，其包括训练单元（6)和预后单元（7)，其中 所述训练单元被设计来首先执行学习阶段，之后所述训练单元将训练算法的相应训练后的 (即，相应调整后的）值转发给所述预后单元（7)，所述预后单元借助于整合的训练算法、基 于外推或其他计算进行预测，W用于有待确定或监测的参数的未来进展的预后， 其中可W评价所述预后参数，将所述预后参数与阔值进行比较和/或显示所述预后参 数。
7. 如权利要求6所述的装置，其中所述训练单元化）、所述预后单元（7)和/或用于形 成预后参数的手段（8)均被设计为人工神经网络和/或用作支持向量机。
8. 如上述权利要求中任一项所述的装置，其包括用于例如W听觉和/或视觉形式和/ 或W显示装置形式输出警告的报警单元，在所述显示装置上可W示出所述预后参数的当前 进展W及未来期望估计进展。
9. 如上述权利要求中任一项所述的装置，其包括控制器（11)，所述控制器基于所述预 后参数W及当前参数采取控制干涉，所述参数例如血压或相对血容量。
10. 如上述权利要求中任一项所述的装置，所述装置被设计来在初始阶段期间调整和 训练神经网络（40)的结构，所述神经网络包括具有至少两个输入的输入层（41)、包括至少 H个神经元（44)的至少一个隐藏层（43) W及具有至少一个输出（46)的至少一个输出层 (45), 根据输入数据调整所述输出， 计算所述预定义网络（40)的权重，W及 改变所述网络的所述结构，例如所述神经元或所述隐藏层的数量，W便确保使用现有 数据记录的最优学习过程并且调整所述学习算法。
11. 如上述权利要求中任一项所述的装置，其中所述网络的所述训练使用贝叶斯规则 反向传播和Levenberg-Marquar化反向传播算法作为所述训练算法来进行，和/或所述预 后的所述进展使用非线性自回归（NAR)网络和/或使用非线性自回归外生（NAR幻网络来 评价。
12. 如上述权利要求中任一项所述的装置，为了进一步改进所述预后，除了血压之外， 所述装置被设计成包括W下输入参数中的至少一种或多种： 超滤速率，UF速率， 超滤容量， 动脉压力和静脉压力， 血细胞比容， 相对血容量， 氧饱和度， 血红蛋白， 超滤速率， 也跳， 尿毒症毒素吸收率， 收缩血压， 所述透析液体的导电性（酸和碱导电性，抑值），和/或 所述透析液体的温度，和/或 另外的学习技术。
13. -种用于预测诸如血压的透析中参数的方法，其中提供至少一种学习算法和/或 至少一种神经网络，存储患者个体透析中参数、实验室参数和/或机器参数，并且使用所述 参数用于透析治疗期间患者特异性参数进展的预后。
14. 如权利要求13所述的方法，其中所述患者个体透析中参数是血压和/或相对血容 量RBV，和/或所述实验室参数是白蛋白和/或尿素，和/或所述机器参数是静脉压力PV和 /或动脉压力PA。
15. 如权利要求13或14所述的方法，其中例如W视觉或听觉方式显示所需参数的进展 的趋势。
【文档编号】G06F19/00GK104346521SQ201410366994
【公开日】2015年2月11日 申请日期:2014年7月29日 优先权日:2013年8月7日
【发明者】理查德·阿塔拉, 雅诺什·汉兹, 克里斯托弗·施特赫费尔 申请人:B·布莱恩·阿维图姆股份公司