生理信号可以包含丰富的个性化信息，显示健康状况和疾病恶化。然而，在目前的医疗实践中，普通病房的临床医生往往缺乏充足的手段和工具来持续监测住院患者的生理信号。  为了解决这一问题，研究者提出了一种基于可穿戴和人工智能技术的医疗级无线监测系统。该系统由多传感器可穿戴设备、数据库服务器和用户界面组成，它可以监测心电图和呼吸等生理信号，并无线传输数据。

该研究以“  Construction and Application of a Medical-Grade Wireless Monitoring System for Physiological Signals at General Wards ”为题，于北京时间2020年9月4日发表于  MOBILE & WIRELESS HEALTH 。

研究者将该系统与现有的医院信息系统进行了高度集成，探索了一套生理信号采集、存储、分析、结合电子病历的流程。从生理信号中提取的与患者病情恶化或异常相关的多尺度信息可以显示在用户界面上，同时基于时间序列信号处理技术和机器学习可以每天提供各种报告，使临床医生能够获得更多的信息。除了在现实的临床环境中实现系统的初步尝试外，研究者还对工作流程中的核心流程进行了初步验证。对22名志愿者进行的心率准确性验证表明，该系统具有良好的心率稳定性与心电图Holter一致，心率偏差为每分钟0.04次。整个系统将继续根据临床反馈进行更新。实践证明，该系统可以为普通病房患者提供可靠的生理监测，并有潜力从持续监测的生理数据中生成与疾病诊断和治疗相关的更个性化的病理生理信息，生理信号包含着丰富的个性化信息。研究表明，生命体征可以帮助发现普通病房的早期恶化。在目前的医学实践中，对普通病房患者生命体征的测量间隔通常超过8小时，每天仅2 - 4次。根据一些研究，75%可预防的不良事件发生在未在ICU外监测的患者中，其中84%在心肺骤停等不良事件发生后8小时内出现恶化迹象。由于生理信号的非连续监测和生命体征采集频率低，许多详细的早期恶化体征可能被忽略，尤其是在夜间。然而，普通病房的医疗资源难以实现全时轻量监护，给患者带来风险。

 研究背景

随着可穿戴技术的发展，可穿戴设备具有低成本、远程、实时监测的优势，能够监测不同的生理信号，更适合在普通病房部署。此外，人工智能(AI)技术近年来已成为一个热点。基于人工智能的可穿戴技术已经产生了许多新的功能，许多基于机器学习的医学研究成果已经成为可能。人工智能技术给可穿戴设备带来的变化可以概括为:第一，监测和健康管理方法的多样化。许多可穿戴设备通过3G/4G/5G、蓝牙或Wi-Fi等周围的无线技术收集生理信号，用户无论身在何处，都可以通过智能手机看到结果并接受建议。这些功能可以帮助用户实现基本的自我管理。第二，诊断和预测算法可以提供医疗决策帮助。使用可穿戴设备，不同算法和模型的发展使得一些诊断和预测应用更加可靠和鲁棒。第三，可以评估治疗和康复的效果。有些患者在干预后需要长时间对其生理信号进行监测，或对其日常状态进行监测，以防发生事故。

尽管已经有了不同种类的可穿戴设备和特色应用，但大多数应用仍是家庭级的。当涉及到临床分级实践时，情况可能会有所不同，而临床分级实践要求更好的准确性和稳定性。狭义上，医疗级器械可以定义为经食品和药物管理局(FDA)批准的器械。然而，也有研究者指出，许多可穿戴设备及其功能在临床准确性和可用性方面缺乏足够的验证。此外，研究者认为医疗级可穿戴设备应在实际临床中得到验证与传统的公认的医疗级设备进行环境对比，以证明其准确性和可行性。此前的一系列验证研究表明，一些知名的可穿戴设备，如敏感脉搏(SensiumVitals)、HealthPatch等，都能在患者状态下准确测量生理信号。然而，普通病房的患者并不总是处于相对静止的状态，这就对可穿戴设备测量信号的准确性提出了质疑。另一方面，隐藏在生理信号中的高价值信息还有待发现。虽然研究人员已经开发了大量的方法，如心率变率(HRV)分析、多尺度熵(MSE)来挖掘信号中的隐藏信息，但时间序列生理信号的分析和利用仍处于起步阶段。研究人员不需要提供大量的数据和增加临床医生的工作量，而是需要对可穿戴设备所测量的数据进行处理，并根据证据显示更多的进一步分析结果或结论。

 研究方法与结论

 在该研究中，研究者提出了一个医疗级无线监测系统，旨在促进可穿戴技术在医疗保健系统中的应用，包括一种多传感器可穿戴设备，以及一套软件和相关应用程序，利用机器学习算法。在该系统的基础上，探索了一套连续的生理信号采集、存储、分析及EHR组合过程。

 图1系统架构框图

图1是系统架构的框图。左侧块显示系统的病人侧，通常在普通病房。  该系统利用可穿戴设备获取患者的重要生理信号，并通过Wi-Fi将数据传输到服务器。中间的块显示了研究者在系统中包含的服务器。数据服务器用于存储，算法服务器基于机器学习算法对信号进行在线分析，医院现有的医院信息系统(HIS)可以结合EHR信息充分利用生理信号。右边的块是研究者系统的用户端。在不同的终端上显示了许多基于AI的功能，包括中央监控站、医生工作站和PAD。医生使用自己的帐户和密码登录系统，资料只提供给预先注册的使用者。

血压、体温、动脉血氧饱和度信号这些信号由第三方可穿戴设备如手腕血氧仪或可穿戴血压监测仪获得。这个信息是可选的。例如，患者经常被要求在夜间佩戴腕氧测定仪来测量睡眠时的动脉血氧饱和度，以便进行睡眠监测。

可穿戴设备以高采样率测量的生理信号，对医院现有的数据存储方式提出了挑战，这意味着一种新型的“大数据”。由于研究者的系统是采用数据集成的方式设计和实现的，因此能够处理各种不同的临床数据和操作数据。异构数据是指不同数据类型的数据集成。在研究者的系统中，主要的异构数据类型有:1、可穿戴设备捕获的时间序列生理信号和生命体征；2、从日常临床实践中生成的结构化EHRs，如患者的个人信息、入院记录、实验室检测等；3、非结构化的临床记录，如医学图像报告和出院总结。

因此研究者采用了混合数据库结构设计，三种不同的逻辑数据库共存于系统中，处理上述三种对应的数据类型。不同数据库的信息通过  “patientID ”、“  admissionID ”和“  deviceID ”进行链接，以保证数据的完整性。

系统的功能和应用都是数据驱动的，体现了研究者努力使诊断和治疗过程更加科学。数据分析工作流程如图2所示。根据设计，可穿戴设备可以测量不同的生理信号，如心电图和呼吸波。在此过程中，进行初步分析。

 图2时序生理数据分析工作流程

在信息检索之前，信息检索是一种比较自然的结果，能够反映许多有价值的信息。此外，还可以提取特征来建立机器学习模型。受目前复杂时间序列数据分析能力和机器学习复杂性的限制，目前建模的目的是提供更有价值的信息，以支持决策。为了提高模型的性能，模型中应包括实验室检测结果和处理等EHR信息。基于可穿戴设备提供的所有信息，可以生成报告。数据处理中的每一步都可以根据实际需要进行扩展。

该系统可连续监测心率(HR)、呼吸频率(RR)、动脉血氧饱和度(SpO2)、血压、姿势/活动等生理指标。一旦病人入住该部门，护士将扫描设备上的快速响应(QR)码，并将其与病人的信息链接起来，在护士帮助他/她穿上背心后开始监测。

系统性能验证实验包括生理信号测量精度和算法性能验证。在该研究中，研究者进行了心率准确性验证研究，并与心电图动态心电图进行了比较。

 图3基于BLSTM的睡眠阶段分类算法框架

 图4报告生成页面

虽然该系统已在高压氧和呼吸内科应用，并根据临床需求进行了特色应用，但要在临床上广泛应用，仍有很长的路要走。此外，本研究还存在一定的局限性。一个主要的限制是未完成对系统中几个应用程序的验证。验证性研究需要临床专家和工程技术人员的合作，这是一种跨学科的合作，往往困难但重要，因为研究者需要将工程技术成果与临床经验相匹配。本研究的另一个局限是EHR信息的使用不足，虽然研究者尝试将EHR与连续生理信号结合使用，但纳入的EHR信息仅占部分，还有大量有价值的信息有待整合。

本研究的未来工作包括对系统的进一步验证，以及继续进行EHRs和时序生理信号的数据挖掘工作。此外，就研究者所知，有三个额外有意义和有趣的研究重点总结如下。

第一个研究重点是，在撰写该研究时，全世界都在遭受冠状病毒病(COVID- 19)，它的感染能力比流感强得多。感染COVID-19的患者更有可能出现发热和呼吸窘迫等症状，动脉血氧饱和度严重下降。临床医生在与患者直接接触时感染的风险很高，尽管他们穿着防护装备。从这次疫情中获得的经验表明，少接触病毒可有效降低感染几率。临床医生，特别是护士，需要每天数次测量病人的生命体征，这种方法有望被无线监测系统所取代。对患者而言，该系统可以  监测多维度 的生理信号，用于预测和指示新型冠状病毒肺炎的恶化。

 第二个研究焦点是有几个专门用于世界各地的物理信号数据库。然而，研究者还没有听说有任何综合的数据库将电子病历信息和可穿戴设备测量的生理信号结合起来。截至2020年2月，研究者已经从现实的临床环境中收集了1000多例数据。研究者将清理数据，建立一个全面的数据库，包括医生和护士的生理信号，HIS信息，手动记录表。它是费时的，因为人工记录的信息总是主观的，容易有偏见和错误。     数据清理    是一个必要的步骤，研究者相信它是值得研究，该数据库将在后续研究中发挥重要作用。

 第三个研究重点是，个体化是现代医学的重要发展，生理信号中的个体化信息需要深入挖掘。对生理信号的持续监测也是针对个人的一种新型“大数据”，反映了不同阶段的健康状况。进一步研究患者不同时期生理信号的变化趋势，     建立定量评价患者健康水平的指标    ，为个体化、精准化用药提供解决方案。

原文网址：https://link.springer.com/article/10.1007/s10916-020-01653-z?utm_source=other&utm_medium=other&utm_content=null&utm_campaign=BSCN_4_DD01_CN_CNKI