长时间漏气感知的制作方法

背景技术：

0、背景

1、当空气从患者肺部逸出进入胸腔达不可接受的时间长度（通常为5至7天）时，就会发生长时间漏气（prolonged air leak）。这种漏气可能发生在肺手术、创伤性损伤、肺活检等之后。此外，肺切除术后大量患者可能会出现长时间漏气。这种并发症可能与住院时间增加和术后主要发病率有关（例如肺叶塌陷、医院内肺炎和胸腔积液）。所有这些都导致更高的医疗成本和更差的患者结局（patient outcomes）。

2、尽管已经研究了预防策略来减轻长时间漏气的风险（预防策略包括例如外科技术、密封剂和支撑材料），但没有一种策略被证明是明确有效的。

技术实现思路

0、概述

1、设备可以包括处理器。处理器可以被配置为在手术期间接收数据。处理器可以接收代表患者的术中空气交换的数据。数据可以表示患者呼吸循环的空气交换。例如，数据可以包括以下中的任一项：呼吸机入口流量、呼吸机入口压力、呼吸机输出压力、胸管流量或胸管压力。处理器还可以接收代表除了与空气交换相关的手术参数之外的手术参数的数据。例如，该数据可以包括患者病历数据、术中报告数据、外科手术数据等中的任一种。处理器可以被配置为从云资源接收更新的机器学习模型。并且处理器可以在手术期间基于数据输出指示长时间漏气可能性的信息。

1.一种设备，包括：

2.根据权利要求1所述的设备，其中，所述第一数据包括以下中的任一项：呼吸机入口流量、呼吸机入口压力、呼吸机输出压力、胸管流量或胸管压力。

3.根据权利要求1所述的设备，其中，所述第二数据包括患者病历数据。

4.根据权利要求1所述的设备，其中，所述第二数据包括术中报告数据。

5.根据权利要求1所述的设备，其中，所述第二数据包括与所述手术相关联的手术数据。

6.根据权利要求5所述的设备，其中，所述手术数据包括表征在所述手术期间执行的肺切除类型的信息。

7.根据权利要求1所述的设备，其中，指示长时间漏气可能性的所述信息基于机器学习模型，所述第一数据和所述第二数据被输入到所述机器学习模型。

8.根据权利要求1所述的设备，其中，所述处理器被配置为从云资源接收更新的机器学习模型，并且其中，指示长时间漏气可能性的所述信息基于所述更新的机器学习模型，所述第一数据和所述第二数据被输入到所述更新的机器学习模型。

9.一种方法，包括：

10.根据权利要求9所述的方法，其中，所述第一数据包括以下中的任一项：呼吸机入口流量、呼吸机入口压力、呼吸机输出压力、胸管流量或胸管压力。

11.根据权利要求9所述的方法，其中，所述第二数据包括患者病历数据。

12.根据权利要求9所述的方法，其中，所述第二数据包括术中报告数据。

13.根据权利要求9所述的方法，其中，所述第二数据包括与所述手术相关联的手术数据。

14.根据权利要求13所述的方法，其中，所述手术数据包括表征在所述手术期间执行的肺切除类型的信息。

15.根据权利要求9所述的方法，其中，指示长时间漏气可能性的所述信息基于机器学习模型，所述第一数据和所述第二数据被输入到所述机器学习模型。

16.根据权利要求9所述的方法，还包括从云资源接收更新的机器学习模型，其中，指示长时间漏气可能性的所述信息基于所述更新的机器学习模型，所述第一数据和所述第二数据被输入到所述更新的机器学习模型。

17.根据权利要求9所述的方法，还包括显示指示长时间漏气可能性的所述信息。

18.根据权利要求9所述的方法，还包括基于指示长时间漏气可能性的所述信息来确定对术后护理的调整。

19.根据权利要求9所述的方法，还包括基于指示长时间漏气可能性的所述信息来确定对术中护理的调整。

20.根据权利要求9所述的方法，还包括至少部分地基于指示长时间漏气可能性的所述信息来确定至少一个手术结局的风险水平。

21.根据权利要求20所述的方法，还包括将所述风险水平与预定阈值进行比较。

22.一种设备，包括：

23.根据权利要求22所述的设备，其中，所述第三数据包括患者病历数据。

24.根据权利要求22所述的设备，其中，所述第三数据包括术中报告数据。

25.根据权利要求22所述的设备，其中，所述第三数据包括与相应术中空气交换的相应外科手术相对应的手术数据。

26.根据权利要求22所述的设备，其中，所述手术集线器还被配置为至少部分地基于指示长时间漏气可能性的所述信息来生成治疗建议，其中，所述治疗建议旨在改善手术结局。