患者远程监测中的情境感知边缘管理

### 患者远程监测中的情境感知边缘管理 #### 1. 引言 情境感知（Situation Awareness，SA）是一种重要的决策过程，用于理解特定情境中正在发生的事情，并利用这些信息避免或减轻潜在风险。近年来，这一趋势在电子健康（eHealth）领域引起了广泛关注，众多利益相关者开始利用情境感知和临床决策。电子健康中情境感知的目标之一是为每位患者个性化定制治疗路径，即临床路径，涵盖病理的生物学特征、临床病史、特征元素以及生活环境等方面。 临床路径复杂多样，不仅包括医疗咨询或诊断检查时刻，还包括患者可独立完成且无需医护人员监督的一系列任务。过去一年，各国国家卫生服务资源大幅缩减，但仍艰难应对了与SARS-CoV-2相关的健康紧急情况。在这种情况下，远程医疗作为电子健康的一个子领域，成为必要的替代护理途径管理方式，允许在家中对患者进行远程监测。 我们设想将患者护理的自主监督委托给一个智能多智能体系统，其架构可以处理出院患者的特定临床子路径，验证医生或护士的处方，并确保患者遵守实际处方。这一方案不仅对患者有益，也对护理人员有诸多好处，因为远程监测活动有助于缓解医疗保健领域的难题。 “居家住院”这一主题与环境辅助生活（Ambient Assisted Living，AAL）相关，AAL是人工智能的一个分支，通过移动技术在家中持续监测患者的健康状况，应对临床恶化情况。智能医疗设备和传感器，以及处理和存储能力有限的环境和交互设备，使得连接到智能家居的每个设备都能传输有用的数据，用于聚合、分析和处理。机器学习算法可用于提供预测诊断，促进、调整和验证患者的正常活动。 然而，数据安全不容忽视。一个可靠的电子健康和AAL情境感知系统应能够避免处理虚假或不一致的数据，以免危及患者生命。因此，本文基于边缘计算架构，提出了一个新的智能软件模块——临床路径依从性检查器（Clinical Pathway Adherence Checker，CPAC），用于检查在家中接受远程监测的患者是否遵守临床路径。 #### 2. 背景和相关工作 在关键情况下，通过情境感知方法可以实现为战略决策提供数字支持的理想条件。情境感知提供了一系列技术和工具，通过对来自多个异构源的信息进行精确分析，实时确保对操作场景的正确感知。在临床环境中，干预方法受以下参数影响： 1. **感知**：与来自上下文的数据相关，数据摄取作为第一步，收集所有健康信息系统的数据并将其标准化为单一形式。 2. **控制**：作用于感知数据的可靠性，对抗性机器学习可帮助提高系统的可靠性，保护摄取的数据免受医疗保健领域的欺诈攻击。 3. **理解**：与理解情况的能力相关，医疗过程挖掘是从分散在整个医疗系统中的事件日志中提取信息并定义工作流程的合适方法。 4. **预测**：是预防未来事件的能力，通过监督机器学习技术进行预测分析是监测系统中关键条件增长可能性的良好选择。 5. **决策**：是在面对情况时对各种行动或行为可能性的合理选择，推荐系统可根据先前选择或他人的类似选择个性化决策。 为了提高意识，需要通过评估过程严格持续地监测情况，远程医疗可以完成这一任务。数据只有在分析后才有用，因此上述人工智能技术可以帮助对医疗系统进行情境感知，提供准确的概述。过程挖掘技术在电子健康中尤为重要，因为医疗数据富含顺序数据。 以下是一些基本概念： - **过程**：是由代理为实现目标而执行的一系列基本活动。 - **任务**：是为在许多相同类型的情况下执行而定义的一项工作。 - **活动**：是任务的实际执行。 - **工作流（或过程模型）**：是任务序列如何组成并形成有效过程的正式规范。 - **案例**：是按照给定工作流在一组有序步骤（时间点）中特定执行的活动。 - **案例轨迹**：是与步骤相关的事件列表。 医疗过程记录可涉及患者和医疗机构，可从不同来源提取，有不同类型。例如，患者的生命体征、相关事件或药物治疗等信息可用于定义个体患者的治疗过程。这些信息可与行政系统、临床决策支持系统、企业资源规划（ERP）或医疗设备的数据相结合。 “依从性”在医学领域指患者遵循处方的行为严谨程度，定义了患者的行动（药物摄入、饮食遵守、体育活动）与医生指示的一致程度。不遵守最佳实践行为可能会影响护理质量和整个医疗系统。因此，过程挖掘中的合规性检查技术有助于发现建模行为（工作流）和检测行为（案例轨迹）之间的相似性和偏差。 AAL系统应根据用户需求进行调整，使用从上下文获取的信息独立开展活动。在建模人类日常活动时，特别是在临床路径的情况下，需要理解人类活动的顺序。因此，日常活动可以用工作流来描述，工作流可以像Petri网一样管理，它是一种能够表示活动及其流程和竞争关系的形式化方法。工作流对于描述人类行为