生命體征監(jiān)測及醫(yī)學預警技術綜述

王振鐸 曹強 王英強 邊倩

摘要：該文對生命體征監(jiān)測及醫(yī)學預警的發(fā)展情況進行了綜述。首先，對生命體征數(shù)據(jù)采集方式、設備進行了比較。然后，結(jié)合機器學習和計算思維在該領域的研究進行了介紹。最后，總結(jié)了該技術的發(fā)展方向，提出將用戶、醫(yī)療機構實現(xiàn)系統(tǒng)融合，利用機器學習、計算思維對人們的身體健康進行主動干預和診斷，為從事相關研究工作提供了思路。

關鍵詞：生命體征監(jiān)測;醫(yī)學預警;機器學習;計算思維

中圖分類號：R472.4? ?文獻標識碼：A

文章編號：1009-3044（2022）15-0007-03

1引言

隨著市場經(jīng)濟的高速發(fā)展，生活節(jié)奏的加快，人們常常處于各種工作、應酬中，導致精神壓力過大、生活方式缺乏規(guī)律，進而造成亞健康狀態(tài)，各種慢性疾病也隨之產(chǎn)生。為了更好工作和生活，人們對健康的需求日益增加。生命體征作為身體是否健康的常規(guī)指標，對其日常監(jiān)測逐漸受到人們的重視。生命體征監(jiān)測技術的研究經(jīng)歷了從最開始的摸索到如今逐漸深入。例如楊桂方等人設計了旨在提取被監(jiān)測人的生命體征的“生命體征數(shù)據(jù)采集系統(tǒng)”。該系統(tǒng)能夠自動采集“體溫、脈搏、呼吸、血壓”四大生理參數(shù)，實現(xiàn)了生命體征數(shù)據(jù)的信息化采集，減少了護理人員的工作，但系統(tǒng)缺乏預警機制，還無法滿足人們對健康預防的更高要求[1]。機器學習作為推動人工智能技術發(fā)展的核心動力，在醫(yī)學領域已逐步應用，并在疾病防治方面表現(xiàn)出顯著的作用[2]。機器學習結(jié)合生命體征的醫(yī)學預警及早期醫(yī)療干預逐漸成為醫(yī)療健康領域的主要研究方向。

本文主要從生命體征的監(jiān)測方式、機器學習在疾病預測及診斷、計算思維在醫(yī)學中的作用三方面對生命體征監(jiān)測及醫(yī)學預警技術進行介紹。

2生命體征監(jiān)測的主要方式

2.1 人工監(jiān)測方式

在醫(yī)療機構，生命體征數(shù)據(jù)的采集是護士的日常基礎工作。在電子監(jiān)測設備廣泛應用前，大都使用機械設備、人工測量，手工記錄。測量后，為了及時掌握患者的康復狀況，還需手工繪制各種生命體征數(shù)據(jù)的變化曲線，進行分析。顯然醫(yī)院應用信息管理系統(tǒng)，但是護理人員還需將手工記錄的數(shù)據(jù)全部錄入到護理系統(tǒng)中，以便利用計算機進行快速地檢索和統(tǒng)計。目前，雖然數(shù)據(jù)采集設備已經(jīng)更新成電子設備，但是病人的各種生命體征數(shù)據(jù)的記錄和錄入工作并沒有減少，數(shù)據(jù)采集工作給護理人員帶來了很大的工作量，而且人為記錄和錄入容易出現(xiàn)錯誤，數(shù)據(jù)的真實性和實效性不夠理想，易造成治療的安全隱患[3-5]。人工監(jiān)測方式也適用于購買電子監(jiān)測設備居家自己監(jiān)測生命體征。但是，此種方式，需要人工操作設備，不夠自動和智能，也不便記錄和分析。

2.2 非人工監(jiān)測方式

研究人員經(jīng)過多年的研究，結(jié)合多種技術和設備實現(xiàn)了生命體征的非人工監(jiān)測。主要有以下幾種：無線技術結(jié)合傳感器、生物雷達、智能穿戴。早在2005年，Edward Teaw、Gao等人提出了利用無線技術結(jié)合各種生命體征傳感器，監(jiān)視用戶的行為生命體征，并通知親屬和醫(yī)務人員在危及生命的情況下他們的位置，但無線技術在目前已被其他技術所替代[6-7]。近年來，生物雷達技術在非人工監(jiān)測方面應用較為廣泛，例如利用脈沖無線電UWB雷達從記錄波形的頻譜中估計生命體征，尤其是呼吸頻率和心跳頻率[8]。為了獲得更好的監(jiān)測效果，Seet等人優(yōu)化了多普勒雷達系統(tǒng)中天線的設計，以便可以安裝在任何形狀的表面上[9]。隨著新技術、新型材料和新型生物傳感器的產(chǎn)生，可穿戴健康設備已進入生命體征監(jiān)測的領域，其具有體積小、可穿戴、低功耗、結(jié)構功能多樣靈活、工作過程可持續(xù)、可在移動中使用的優(yōu)點。最重要的是把被監(jiān)測者雙手解放出來，使人仍能處理其他事情，且能真實反映個人健康狀況[10-12]。高端的安全型智能健康設備可以實現(xiàn)監(jiān)測、診斷、治療和輔助生活等作用。隨著技術的發(fā)展，可穿戴設備在醫(yī)療監(jiān)測和預警中的作用越來愈突出[13]。

3醫(yī)學預警技術的發(fā)展

生命體征數(shù)據(jù)的采集是進行醫(yī)學預警的基礎。如何根據(jù)采集到數(shù)據(jù)進行疾病分析和自動呼救，才是最終的目標。為了防止服刑人員在看守所內(nèi)羈押期間非正常死亡事件的發(fā)生，避免社會影響，保持公安機關執(zhí)法公信力。這是介紹了一種基于機器學習模型和無線傳感技術的高危人群在押人員生命體征監(jiān)測系統(tǒng)，該系統(tǒng)可以實時采集在押人員的生命體征數(shù)據(jù)，值班民警、醫(yī)護人員能夠通過遠程實時監(jiān)控在押人員的身體狀況，當在押人員身體出現(xiàn)緊急情況或突發(fā)疾病時，系統(tǒng)能自動傳輸報警信息[14]。萬軍等學者發(fā)明了一種基于人工智能的主動120呼救系統(tǒng)，通過智能健康穿戴設備采集用戶的日常健康數(shù)據(jù)，并關聯(lián)用戶的體檢數(shù)據(jù)和診療過程中的醫(yī)療數(shù)據(jù);并將上述用戶數(shù)據(jù)上傳至云端進行分析，若是重癥則主動進行120呼叫主動干預[15]。Khalaf等人通過對4089個醫(yī)療急救電話記錄的審計、對住院病人病情惡化預警評分與單一觸發(fā)預警系統(tǒng)進行了比較。統(tǒng)計數(shù)據(jù)顯示，及時的干預會減少風險不良事件發(fā)生率[16]。這些文獻表明，醫(yī)學預警技術正逐步成熟，在不遠的將來，居家體征監(jiān)測和醫(yī)學預警技術會普及和應用。現(xiàn)在，醫(yī)療領域正全面貫徹國家“互聯(lián)網(wǎng)+”發(fā)展思維，促進國家養(yǎng)老相關產(chǎn)業(yè)的發(fā)展，以老人數(shù)據(jù)庫、呼叫中心及智能終端產(chǎn)品為基礎，構建緊急救援、生活幫助、主動關懷三大服務方式，實現(xiàn)居家養(yǎng)老照護服務網(wǎng)絡，逐步推進養(yǎng)老服務行業(yè)發(fā)展。在此基礎上，全民健康保障體系也將有序推進和開展。

4機器學習在疾病風險預測中的應用研究

機器學習作為人工智能的主要分支，在疾病風險預測領域發(fā)揮著越來越重要的作用。其與醫(yī)學的融合為疾病的預防和治療帶來了諸多便利，如China-PAR 模型可以評估心血管疾病的十年風險和終生風險，為中國心血管疾病的一級預防提供了實用性評估工具，但該模型尚未在其他疾病領域推廣。為了使機器學習方法具有更廣泛的應用，研究人員運用多種機器學習算法對不同疾病風險進行了預測，例如使用支持向量機算法檢測糖尿病前期和糖尿病患者，利用多種深度神經(jīng)網(wǎng)絡模型預測宮內(nèi)生長發(fā)育遲緩，應用隨機森林算法對體格檢查人群的糖尿病患病風險進行預測。但是，對于不同類型的機器學習算法如何在疾病風險預測中精確應用，不同算法的適用條件如何，不同算法的精準度如何，尚缺乏客觀的數(shù)據(jù)說明。8DBE87C7-AEA5-4339-8853-1204E0F0B2FB

可喜的是在2019年，佛羅里達大西洋大學和耶魯大學醫(yī)學院發(fā)表的兩項獨立研究表明，機器學習算法在改善慢性病風險評估和護理方面發(fā)揮了關鍵作用，尤其對阿爾茨海默病（俗稱老年癡呆癥）患者和心臟病患者，機器學習可準確地預測發(fā)病風險。來自耶魯大學的研究人員發(fā)表的另一項研究發(fā)現(xiàn)。將病人的64個冠狀CT成像特征輸入到機器學習模型中。該模型通過提取分析數(shù)據(jù)中的形態(tài)模式，可預測具有特定模式的患者比具有其他模式的患者更可能發(fā)生心臟病等不良事件。與傳統(tǒng)方法相比，機器學習方法的預測結(jié)果更加準確。研究人員表示，如果增加人體的詳細數(shù)據(jù)，如年齡、吸煙、糖尿病和高血壓等，會進一步提高該方法的預測效果。

機器學習方還能夠基于計算機系統(tǒng)對數(shù)據(jù)自我學習，在最小化人為干預的情況下，做出高精度的預測和決策，較傳統(tǒng)的統(tǒng)計學方法有著巨大的優(yōu)勢和良好的發(fā)展前景。在疾病風險預測領域，機器學習方法既可以針對特定疾病進行預測，也可以對群發(fā)性、突發(fā)性的流行疾病進行監(jiān)測預警。只有基于不同機器學習算法的特征和適用條件對這些算法更精準地運用，才能通過方法技術的發(fā)展，為疾病風險預測領域帶來變革。

5計算思維與醫(yī)學的結(jié)合與發(fā)展

5.1計算思維

計算思維起源于計算機科學家在研究和利用計算機進行問題求解過程中常用的思考問題的方法。它的成果體現(xiàn)為在過去半個多世紀以來行之有效的若干分析問題與解決問題的典型手段與途徑。計算機科學問題求解的基本形式和活動包括算法、程序、執(zhí)行、基本機器構建、系統(tǒng)構建、模型計算、類計算、形式化證明、處理過程中各類工具與（各層次）系統(tǒng)的利用。同時，在其設計與實現(xiàn)中，包括工程設計與實現(xiàn)過程沉淀出一系列優(yōu)秀的思想和方法，而且工具性特色逐漸明顯化，甚至趨于更重要的地位。

5.2 計算思維與醫(yī)學的結(jié)合

在醫(yī)學領域，計算機思維已從初步在生理系統(tǒng)仿真建模、醫(yī)院信息管理系統(tǒng)，逐步發(fā)展到電子健康檔案、移動醫(yī)療、計算生物學、生物信息學、健康物聯(lián)網(wǎng)等新型交叉學科以及更廣泛深入的應用，并在醫(yī)學發(fā)展和研究中發(fā)揮越來越重要的作用。因此，醫(yī)學技術是否應用計算思維，解決醫(yī)學相關的問題，包括醫(yī)學研究、臨床決策、指導臨床應用等，成為衡量醫(yī)學診療能力的關鍵。

在這個領域Yaakov Benenson等人描述的可編程的有窮自動機是最著名，他們利用一種特殊的酶，實現(xiàn)了兩個狀態(tài)的非確定性自動機，并將該自動機應用到一個醫(yī)學模型，開創(chuàng)了DNA 醫(yī)學計算進行醫(yī)學的疾病診斷與治療的發(fā)展方向。為了提高醫(yī)學圖像質(zhì)量，Rammurthy等人采用細胞自動機和粗糙集理論，增加圖像預處理步驟，為腫瘤患者區(qū)域圖像改進了分割結(jié)果。Kevin Viard等人提出了一種基于概率有限狀態(tài)自動機的方法來檢測正在執(zhí)行的活動。該方法可以監(jiān)測獨自在家生活的虛弱人群健康。通過在線識別一個人的日常生活活動，以便檢測危險或異常行為。計算思維還可以解決許多醫(yī)學上的問題，這里就不再一一贅述。

6總結(jié)與展望

綜上所述，“生命體征監(jiān)測與醫(yī)療預警”方面的研究歷久彌新。相關專家和學者主要從設備、方法等方面進行了研究和實踐。主要觀點如下：

1）數(shù)據(jù)采集的設備包括各種傳感器（心率傳感器、心電電極貼、血氧采集傳感器、血壓傳感器和紅外體溫傳感器等）、生物雷達、智能健康穿戴產(chǎn)品等。

2）數(shù)據(jù)傳輸方式主要采用ZigBee、藍牙、3G/4G 移動網(wǎng)絡、UWB（Ultra Wideband）、Wi-Fi等。

3）機器學習在“疾病檢測和醫(yī)療預警”方面會發(fā)揮越來越重要的作用。

4）各種自動機理論在疾病診斷中得到實踐，將為實現(xiàn)精準醫(yī)療提供良好的理論支持。

以上研究的觀點與所處的時間、環(huán)境、技術關系密切。隨著信息技術和通信技術的快速發(fā)展，“生命體征監(jiān)測與醫(yī)療預警”采用的設備和技術必將與時俱進。屆時會將物聯(lián)網(wǎng)技術、機器學習、計算思維等計算機科學融合起來，形成用戶、醫(yī)療機構、醫(yī)生一體化快速、便捷、安全的生命健康保障體系。利用計算思維細化監(jiān)測的各種體征狀態(tài)（正常、輕微癥狀、急癥等），結(jié)合先驗數(shù)據(jù)，準確分析，并及時與醫(yī)生、醫(yī)院、急救中心等協(xié)同工作，實現(xiàn)疾病預警的自動化和智能化，該方面的研究也必將成為新的研究熱點。

參考文獻：

[1] 楊桂方，徐衛(wèi)清，宋林玲，等.生命體征數(shù)據(jù)采集系統(tǒng)的設計與實現(xiàn)[J].中國醫(yī)療設備，2021，36（6）：102-106.

[2] Shamout F E，Zhu T T，Pulkit S，et al.Deep interpretable early warning system for the detection of clinical deterioration[J].IEEE Journal of Biomedical and Health Informatics，2020，24（2）：437-446.

[3] 徐執(zhí)印，劉曉榮，陳國良，等.生命體征監(jiān)測系統(tǒng)數(shù)據(jù)傳輸技術研究現(xiàn)狀[J].醫(yī)療衛(wèi)生裝備，2013，34（11）：87-90.

[4] 王春雷，柴守霞，袁杰，等.基于Android智能手機的移動護士工作站[J].中國數(shù)字醫(yī)學，2013，8（5）：85-87.

[5] 夏新，劉博，陳彥東.智能體征檢測終端在護理信息系統(tǒng)的研究與設計[J].醫(yī)療衛(wèi)生裝備，2013，34（11）：46-48.

[6] Gao T A，Dan G，Matt W，et al.Vital signs monitoring and patient tracking over a wireless network[J].Conference Proceedings：Annual International Conference of the IEEE Engineering in Medicine and Biology Society IEEE Engineering in Medicine and Biology Society Annual Conference，2005，2006：102-5.8DBE87C7-AEA5-4339-8853-1204E0F0B2FB

[7] Wang P F，Zhang Y，Ma Y Y，et al.Method for distinguishing humans and animals in vital signs monitoring using IR-UWB radar[J].International Journal of Environmental Research and Public Health，2019，16（22）：4462.

[8] Nitin K，BoonChong S.24 GHz flexible antenna for Doppler radar-based human vital signs monitoring[J].Sensors （Basel，Switzerland），2021，21（11）：3737.

[9] Ajami S，Teimouri F.Features and application of wearable biosensors in medical care[J].Journal of Research in Medical Sciences，2015，20（12）：1208-1215.

[10] 廖華龍，曾小茜，李華鳳，等.機器學習在疾病預測中的應用[J].生物醫(yī)學工程研究，2021，40（2）：203-209.

[11] 許文鵬，譚林，周千里，等.基于機器學習的在押人員生命體征監(jiān)測系統(tǒng)設計[J].現(xiàn)代計算機（專業(yè)版），2018（34）：68-73.

[12] 萬軍，孫璇，劉娟，等.基于人工智能的主動120系統(tǒng)：CN111128381A[P].20200508.

[13] Khalaf A，Kecskes Z，Georgousopoulou E N，et al.Comparison of an early warning score to single-triggering warning system for inpatient deterioration：an audit of 4089 medical emergency calls[J].Resuscitation，2020，154（prepublish）：7-9.

[14] 李明穎，劉錄.北京甘棠社區(qū)≥55歲居民動脈粥樣硬化性心血管疾病調(diào)查與預測[J].社區(qū)醫(yī)學雜志，2021，19（14）：853-856，860.

[15] 張占林，孫勇，妥小青，等.隨機森林算法對體檢人群糖尿病患病風險的預測價值研究[J].中國全科醫(yī)學，2019，22（9）：1021-1026.

[16] Yaakov B，Binyamin G，Uri B D，et al.An autonomous molecular computer for logical control of gene expression[J].Nature，2004，429（6990）：423-9.

【通聯(lián)編輯：朱寶貴】8DBE87C7-AEA5-4339-8853-1204E0F0B2FB