用于干重的透析后确定的系统的制作方法

本实用新型涉及用于确定在透析程序中患者的干重的测量系统的系统(以及相应装置)。尤其，本实用新型涉及估计在透析治疗期间获得的干重。

背景技术：

除了血液解毒以外，透析治疗的目标是通过从身体内去除因肾衰竭在身体内进行透析而收集的多余的水。这是通过所谓的超滤进行的，其中流体经由透析器从血液中去除。在所谓的透析中时间段期间，64％的水沉积在细胞内空间中， 28％的水沉积在间隙中，并且仅8％的水沉积在血液中。

当在超滤期间从血液去除血浆时，水由于渗透而从细胞内空间流入血管内空间中。这个过程称为“回填”。它的目的尤其在于从患者身体内去除多余的水，以便使患者达到他/她的初始体重而不会发生任何高血容量和任何的并发症。这个初始重量也被称为干重。错误确定干重可能导致主要的并发症。例如，被确定过低的干重导致高度脱水，并且因此导致与张力减退相关的低血容量，而被确定过高的干重则导致恒定高血容量。患者的高血容量和低血容量两者都关系到高死亡率。

透析程序中的干重确定通常基于医院工作人员的经验和程序，其中例如估计治疗的血压和血量并因此确定适当干重的过程。

根据用于确定或判断干重的现有技术，生物阻抗测量、血量监测、腔静脉直径测量、以及生物化学标记的方法是有差异的，下文将要对其进行简要说明。

在生物阻抗测量期间，将两个电极连接到患者，并且在其之间传输不同频率(1kHz–1MHz)的低电流(1mA)。由于仅被较高频率穿透的组织中的细胞膜和液体的性质，可基于测量到的阻抗而非常精确确定细胞内空间和细胞外空间中的流体。所述方法提供处于透析前、透析中和透析后状态的各种储层的水平衡的快照。然后，可借助所述值确定流体转换和提供关于可能的高血容量或低血容量的信息的透析后的最后阶段。

在腔静脉直径测量中，借助超声波确定下腔静脉直径。由于在透析中时间段内的流体保持，静脉比普通氢化的人扩展得更多。然后将所确定的静脉直径与特定的参考值进行比较。例如，11mm/m²的直径表示高血容量，而8mm/m²的直径则表示低血容量。

在血量监测期间，确定血液中的血细胞比容含量(Hct含量是对应于血液中的红细胞的份额)，由此可追溯到血液中的水含量。与限定体积相关的高Hct含量/值表示液位较低。与此相反，低Hct值表示高血容量。由Hct传感器在治疗期间持续读出血量，并且通过以此方式形成曲线，可以做出关于患者的水平衡的说明。因此，血量曲线过程在很大程度上是取决于超滤速率与内源回填的比率。如果高度回填，并且因此提供平坦血量曲线，那么可以得出可能高血容量。这些数据由医师和工作人员用来借助经验值和程序值做出关于到达干重的评估。

在使用生物化学标记的方法中，可利用例如用于心房钠尿肽(ANP)的标记。根据透壁压力变化(例如血管中的内压与外压之间的差异)，ANP在细胞组织中形成并且释放。ANP对水-盐体内平衡有决定性的作用，并且具有很低的透析清除率(肾清除率指示物质从血浆中消除(“清除”))。因此，所述标记提供确定透析之前和之后的内源流体平衡的良好的可能性。已经发现，在透析治疗期间，ANP 浓度明显变化，并且显示出了与血压的良好的相关性。

然而，上文所提到的方法在透析程序中不被接收或仅部分地被接受，因为它们仅提供了对干重进行评估的线索。因此，干重通常继续仅依靠透析人员的经验值来确定。

此外，上文所提到的方法涉及以下缺点：

为了测量生物阻抗，需要特定电极和生物阻抗仪器，这必然产生了附加成本。此外，电极紧固以及在治疗期间和在相应治疗之后的结果估计需要透析中心的工作人员进行额外工作。另外，还没有对高血容量和低血容量的精确数量作出准确说明，而仅做出关于储层与其填充水平之间的水交换的准确说明。因此，医师需要解释结果，即使是所谓的移位向量在估计中可能有所助益也是如此。

在腔静脉直径法中，仅在特定的时间点(例如在治疗之前、期间或之后)确定静脉直径。不考虑到诸如血管收缩或影响静脉直径的其他疾病的影响因素。此外，不同患者的静脉直径的变化可能强烈变化。此方法还需要另外的超声波装置和解释医师，这增加了工作人员的雇佣和成本。

血量监测并不是确定干重的直接方法。这种方法仅向医师提供由医师为他/ 她个人估计考虑的线索。虽然所述系统提供当前作为在血液中提供的治疗的开始并且与之相关的水含量的精确值，然而未做出关于可能的高血容量或低血容量或关于其他储层中的水量的说明。主治医师必须估计他/她自己的血量，并且根据他/她的经验，必须决定是否保持干重或在进一步的治疗中进行修改。因此，这是一种试错法(trial-and-error method)，其中医师要考虑到血量行为，然后做出关于超滤量的决策。出于这个原因，此方法未提供关于被选择为过高或过低的干重的准确信息。

最后，使用生物化学标记的法允许在治疗后检测高血容量。然而，无法通过这种方法确定低血容量。此外，高血容量结果是取决于患者心脏功能，因为所述功能决定性地影响填充水平以及因此还影响了透壁压力。尽管标记浓度与血压的良好的相关性，但是此方法的结果是按照当前标准不可靠地测量的。另一缺陷在于，此方法对大规模的应用来说是非常复杂和耗时的，因为需要实验室分析和另外设备以及用于操作所述另外设备的工作人员。

技术实现要素：

本实用新型的基本目标尤其在于提供一种确定患者的干重的系统/装置，借助所述系统/装置，在现有系统中干重的自动和自动化估计/判断以及容易实现是可能的。

这个目标通过一种用于确定在透析治疗后患者的干重的系统实现，该系统包括：

-体积测量单元，被配置为/适于测量所述患者的血量并且输出血量值；

其特征在于，所述系统还包括：

-记录构件，被配置为/适于在达到针对所述患者而预定的超滤体积后，记录在预定的时间段内的所述血量值；以及

-学习构件，被配置为/适于基于所述血量在所述预定的时间段期间的变化速率，估计所述记录的血量值并且确定所述患者的所述干重。根据本实用新型的一个方面，所述学习构件包括/具有神经元网络。

根据本实用新型的一个方面，所述学习构件被配置为/适于在达到针对所述患者预定义的干重时，发起对所述透析治疗的终止。

根据本实用新型的一个方面，所述学习构件被配置为/适于如果在预定治疗持续时间期满后仍未达到预定义的干重，发起对所述透析治疗的终止。

根据本实用新型的一个方面，所述学习构件被配置为/适于如果在预定治疗持续时间期满前已经达到预定义的干重，发起对所述透析治疗的继续而不进行超滤，直到所述预定治疗持续时间期满。

根据本实用新型的一个方面，所述学习构件被配置为/适于基于所述记录的血量值，建立关于所述患者的水合条件的信息。进一步，所述学习构件被配置为/适于计算所述患者的高血容量或低血容量。进一步，所述学习构件被配置为/ 适于如果所述患者的高血容量被计算出，提示继续所述透析治疗并且进行超滤，或者如果所述患者的低血容量被计算出，提示输注生理盐水溶液作为推注。

根据本实用新型的一个方面，所述学习构件被配置为/适于基于来自其他患者的所述血量变化速率和所述超滤体积的数据对而进行训练。

因此，根据本实用新型，所谓的血量反弹的变化或增加的速率是在达到设定/预定超滤体积后确定的，并且借助学习构件(例如神经元网络)检查是否已经达到针对患者预定义的干重，以及(除非是这样的情况)超滤体积可适应的程度。因此，相较常规数学方法或仍必需工作人员的评估和解释的测量方法来说，接着进行对干重的自动估计。因此，用于确定干重的建议系统/装置和方法可分别容易地实现在已有系统中(如果常规系统包括血量监测)并且通过学习构件和相应学习步骤以完全地自动化的方式对其本身进行训练。

此外，系统/装置以及相应方法可以适于个体患者，并且在每次治疗结束时提供关于达到干重以及超滤体积的可能适应的明确说明。

因此，有利的是，可以借助学习构件(例如神经元网络)经由血量反弹来准确确定干重，其中在现有系统中可能容易实现。整体的习构件和相应整体学习步骤允许干重确定的独立学习和独立优化。后者可以完全地自动化，而不需要另外测量仪器，因此不需要为患者和工作人员花费任何特殊支出。

因此，提供快速且直接的方法，这种方法可单独适应于患者相适应并且将由于准确确定干重而带来较少的并发症。即使是在干重变化的情况下，使血量与至水合条件的反弹之间的比率保持不受影响也是有利的。

附图说明

以下参考附图详细说明本实用新型的优选实施方式，其中：

图1示出了根据第一实施方式的用于确定干重的方法的流程图。

图2示出了用于本实用新型的神经网络的示意性结架构，

图3示出了一个表格，这个表格包括神经元网络的各种循环的示例性结果；以及

图4示出了另一表格，这个表格包括具有不同输入层级和隐藏层级的不同神经元网络的各种循环的示例性结果。

具体实施方式

以下将通过用于确定/判断患者的干重的自适应测量系统的示例来描述本实用新型的优选实施方式。

因此，旨在通过在透析期间和之后收集的血量值做出关于干重的尽可能准确的说明。血量反弹，即，治疗结束后血量的增加，用于做出关于达到干重和可能的高血容量或低血容量的程度的说明。一般来说，可适用于治疗唤醒中血量增加越高，患者高血容量程度越高，并且仍可耐受超滤体积/仍可耐受超滤数量越高。

通过对血量值的适当处理，可自动估计在治疗终止时血量的增加，并且可做出关于达到干重的准确说明。为此，记录在达到给定/预定的超滤值后的某时间段内的血量值，并且基于算法借助例如学习构件(例如，神经元网络)进行估计。然后，学习构件计算/建立仍然缺失或多余的超滤体积，以使医师可适当地调适他/她接下来的治疗。

根据下文所述实施方式，提供神经元网络作为估计反弹增加以确定达到干重所需要的超滤体积的学习构件示例。神经元网络可例如借助临床研究数据(以前进行)或其他预定训练数据来训练。因此，训练构成用于确定或判断干重的建立的神经元网络的定义的先决条件。对于具有已知干重的稳定透析患者的情况中的所述数据，在已知剩余超滤体积处结束治疗前的特定的时间点停止超滤，并且记录在15分钟内的血量反弹(例如，借助整合在透析机之中或之外的血细胞比容、毒素、超声或物质浓度传感器)。以此方式获得的数据对被传输到网络以便用于进行训练。神经元网络从训练中学习哪个血量反弹对应哪个体积数量。在研究后，经过训练的神经元网络实现在透析机中。

图1示出了根据第一实施方式的用于确定干重的(控制)方法的流程图，所述方法可例如作为计算机程序来实现，当程序在计算机系统上运行时，计算机程序的代码介质(指令等)生成以下步骤。

在步骤101中，进行透析治疗，包括血量监测。治疗参数(例如治疗时间) 适于使得在治疗实际结束前的预定的时间段(例如15分钟)内达到所需要的超滤体积。在步骤102中，检查是否已经达到减去预定的时间段的治疗时间。当达到减去预定的时间段的治疗时间时，循环沿着是分支(J)而进行到步骤103。否则，循环沿着否分支(N)而返回到步骤101。

在步骤103中，检查是否达到所需要的超滤体积。除非达到超滤体积，否则循环沿着否分支(N)而进行到步骤104，并且继续治疗，直到超滤体积被达到或终止，并且在下次治疗期间将抽出过量体积。

如果在一方面，在步骤103中确定已经达到超滤体积，那么循环沿着是分支(J)而进行到步骤105，并且在没有任何超滤的情况下进行治疗，直到治疗时间结束。在预定的时间段(例如15分钟)的剩余时间期间，继续血量监测。

在随后步骤106中，检查是否达到治疗时间。如果没有达到治疗时间，那么循环沿着否分支(N)而返回到步骤105。否则，循环沿着是分支(J)而进行到步骤107，其中存储血量值、更准确地说是血量反弹用于估计干重，并且将由神经元网络估计。在这个估计后，神经元网络在后续步骤108中检查是否达到干重。如果在步骤108中，基于通过训练学习的神经元网络的经验值确定尚未达到干重，那么循环沿着否分支(N)而进行到步骤109，在步骤109中检查患者是否具有高血容量或低血容量。此外，神经元网络建立关于水合条件的体积数量的准确信息。如果在步骤109中计算出了高血容量，那么循环沿着是分支(J)而进行到步骤110，在步骤110中，患者自动继续超滤，或医师(系统用户)被告知高血容量。

另一方面，如果在步骤109中计算出了低血容量，那么循环沿着否分支(N) 而进行到步骤111，在步骤111中，例如自动触发输注生理盐水溶液作为推注，或医师(系统用户)被告知低血容量。

如果在步骤108中确定已经达到干重，那么循环沿着是分支(J)而进行到步骤112，并且过程结束。因此，治疗可以终止。

根据实施方式，提供可单独适应于患者的单独用于每个患者的神经元网络。根据与上文所提到的相同的训练原则，可针对相应患者而建立反弹超滤量数据对，并且可将其传输到神经元网络用于训练。然而，只有当患者已经达到稳定状态并且因此在很大程度上已知干重时，这才是可能的，否则无法做出关于剩余超滤体积的说明。如果是这样的情况，那样如上述研究中那样，可从特定的时间点停止超滤，并且可以记录血量反弹直到治疗结束。以此方式而获得的个体患者的数据对被输入到系统用于训练，使得神经元网络能够连续提供关于相应患者的流体平衡的精确说明。

单独用于每个患者的神经元网络的另一变体是需要医务人员输入信息的持续训练。工作人员调整超滤体积，并且在治疗结束时等待血量反弹。之前，系统是由临床研究数据训练。血量反弹借助所述神经元网络进行估计，并且要求操作人员判断所显示的说明是否正确。除非是这样的情况，否则请求操作人员告知系统关于患者的水合条件以及他/她对超滤体积的可能的适应性。所述数据就被再次存储，并且可由另一神经元网络、即个人神经元网络用来训练。以此方式，个人神经元网络将随着时间推移并且借助操作人员来自动调整以适应于相应患者。

此外，由于即使在利用网络时也可继续要求操作人员检查结果，因此网络可在任何时候进行新的适应和训练。

上述解决方案通过个体训练数据而保证了高精确度。即使体重变化，血量反弹与水合条件的比率仍然保持不受影响。

下文将详细讨论了实施方式的适用性。为此，选择神经元网络来估计血量值并且在其基础上计算干重。

图2示出了用于实施方式的神经元网络的示意性结架构。

神经元网络可作为被应用于识别图案和过程的软件解决方案来实现，用于拟合曲线并且用于另外问题。它包括了可包含任何数目输入参数20的输入层 201。在此层之后是经由不同激活功能(例如S形功能)而彼此关联的一或多个隐藏层202。每一个隐藏层202可以具有可变数目的神经元23。最后，最后的隐藏层202通向输出层203，输出层203输出一或多个输出参数24。值得一提的是，根据所选数目的隐藏层202和神经元23，预期结果和网络能力可强烈地变化(这可借助计算输出与实际输出之间的均方误差(MSE)确定)。利用大量的层和神经元，可相应容易地发生过拟合(overfitting)，而少量的层和神经元不提供足够空间来准确地加权输出。

每一个神经元网络通过两个步骤：训练和验证。对于训练，存在不同训练算法，例如反向传播方法，然而，在此不做详细讨论。在训练中，已知输入-输出对被传输到网络。网络尝试经由神经元关联的不同激活功能实现预期输出。因此，神经元网络以不同强度方式对不同层的神经元23之间的不同连接22进行加权，直到达到训练循环的某个误差容限或最大数值。在训练后进行验证，其中再次已知输入-输出对被传输到网络，并且后者将正确输出与其自身计算的输出进行比较。

通过借助治疗数据进行方法验证借助48个治疗数据制定、训练和验证神经元网络。所述治疗数据包括匿名透析患者的血量、超滤和血压值。对于训练，神经元网络需要在治疗数据中缺失的血量反弹值。出于这个原因，如以下从个体治疗数据处理血量反弹。

血量变化主要因超滤和回填的差异发生。这种简化考虑允许基于治疗的血量和超滤数据计算回填。然而，在此不再详细讨论计算。然后，在治疗后，以此方式而计算的回填被适应(拟合)于期望的时间段，将从文献中已知的血量反弹行为纳入考虑。借助拟合回填曲线，然后可计算出血量反弹。

使用48个上述治疗数据中的30个进行训练。在下文中，针对经过处理的血量反弹的估计，确定最佳可能网络参数。为此，将输入参数传输到不同网络配置、进行训练和进行验证。在这样做的过程中，三个不同相应输入参数(血量反弹、血量反弹加上治疗的最后的血量值、完全治疗的血量值)遇到一到三个相应的隐藏层，每一个隐藏层具有三到十个神经元。每个配置训练十次。在完成训练循环后，获得例如11970次单独训练中具有最佳表现的神经元网络。

对于所处理的治疗数据，总共进行上述训练循环中的六个，使得一共发生 71820次单独训练。

图3示出了一个表格，这个表格包括神经元网络的不同循环的最佳输出的示例性结果。

因此，明显的是，六个循环中的五个遇到血量反弹作为输入参数和三个隐藏层，其中在血量反弹和最后的血量值作为输入参数的情况下，只有一个循环达成最佳表现。这个循环也显示出27.5ml²的最佳输出。然而，尤其明显的是，具有30.6ml²至41.5ml²的输出的神经元网络也提供了非常好的结果。因此，具有41.5ml²的最差输出神经元网络中的表现的差异(图3中未示出)仅比具有27.5 ml²的最佳输出的网络高1ml。因此，只有血液反弹才能作为输入参数纳入神经元网络。

图4示出了另一表格，这个表格包括具有不同输入层级和隐藏层级的各种神经元网络的不同循环的示例性结果。

具有血量反弹作为输入参数和三个隐藏层的第一神经元网络1、具有血量反弹作为输入参数和三个隐藏层的第四神经元网络4、具有血量反弹和最后的血量值作为输入参数和三个隐藏层的第五神经元网络5以及具有血量反弹作为输入参数和三个隐藏层的第六神经元网络6提供具有最佳表现的神经元网络，其中具有血量反弹作为输入参数和一个隐藏层的第二神经元网络2和具有整个治疗的血量值作为输入参数和三个隐藏层的第三神经元网络3提供具有较差表现的神经元网络的示例。第二神经元网络2和第三神经元网络3的结果的表示用于说明具有某个数目的隐藏层和输入参数的神经元网络不需要总显示出良好表现的事实。

为了实现上文所提到的实用新型，在开始时，患者数据是必要的。这些数据可从不同透析中心收集，并且能够在临床研究(以前进行)范围内进行处理。在所述研究范围内，涉及到了具有已知的干重的稳定患者。对于所述患者，在治疗结束前，在已知超滤体积余量处停止治疗，并且记录在特定的时间段内的血量反弹。如果可能，也会检测数据，其中超滤体积甚至可以限定的方式增加。

以此方式，高血容量和低血容量的各种情况可被纳入训练数据，并且网络训练即使在极端情况下也将能够提供较好结果。以此方式获得的数据(血量反弹和超滤体积)现在被传输到神经网络，即，主要网络。

然后，这些结果借助神经元网络形成确定该干重的基础。

总而言之，描述用于确定在透析治疗后患者的干重的系统/装置和(控制)方法，其中监测患者的血量并且输出血量值。在达到针对患者而适当预定的超滤体积后，记录并且估计在预定的时间段内的血量值，其中然后基于血量在预定的时间段期间的变化速率来确定患者的干重。