Älykkäiden hälytysten kehitys seuraavan sukupolven anestesialaitteille

Alarm fatigue is a real problem with the modern anesthesia machines since the research for new measurement technologies has outpaced the research for alarm algorithms. Only recently has the dangerousness of alarm fatigue regarding the patient's safety been acknowledged. The gathering of pre-information before a surgical operation is challenging, and therefore one alarm algorithm should be applicable to all kinds of surgical operations within varying factors. This research concentrated on finding simple and robust methods which would be easily applicable to GE Healthcare's anesthesia machines. The largest causes of nuisance alarms were identified earlier at GE to be end-tidal carbon dioxide (EtCO2, amount of carbon dioxide in the breath at the end of exhalation), apnea (no breathing) and expiration minute volume (MV_EXP, total volume of gas breathed out in one minute). Because EtCO2 was the largest single cause of nuisance alarms, the main focus was on it, while also keeping in mind the applicability to MV. In addition methods to detect clear trends in the signal and present it to the user will be researched. The results show that an auto limits algorithm to adjust the alarm limits when the phase of the surgery is changed is very useful in keeping the alarm limits reasonable without an extensive number of false alarms. Because of the occasional high variance and individual outliers in the signal, there are always clinically false alarms even when the alarm limits are correctly adjusted. A typical outlier removal algorithm, median filtering, is compared against a decision tree algorithm which arises from visual inspection of the signals. The specificity of the decision tree filtering is better than the one of the median filtering, since the median filtering delays all occurring alarms whereas the decision tree only the alarms which are likely to be outliers. For trend detection, a simple method of polynomial fitting was found to be more 'robust and effective than more sophisticated methods, such as ARMA-models or linear dynamical systems. The issue of data gathering is also addressed. In this research there was only signal data available. This means that both the alarm limits and the most important user inputs (manual or mechanical ventilation) had to be simulated. The alarm labelling was done afterwards as well as possible. There should be clinical trials where a surgery case is observed by clinical specialists who label at each time step whether an alarm should have been sounded or not. The problem here is that unnecessary people in the operating theatre could cause a risk to the patient, and also the privacy of the patient must be maintained while gathering the data.Hälytysturtumus on todellinen ongelma nykyaikaisten anestesiakoneiden käytön yhteydessä. Tämä johtuu siitä, että ihmisen elintoimintojen mittaaminen on kehittynyt nopeammin kuin signaalinkäsittelyalgoritmit. Tällaisten signaalinkäsittelyalgoritmien täytyy olla todella vakaita jotta ne toimisivat oikein erilaisissa leikkauksissa ja kaikkien potilaiden kanssa. Tässä tutkimuksessa keskityttiin löytämään yksinkertaisia ja vakaita menetelmiä joita voisi helposti soveltaa GE Healthcaren anestesiakoneisiin. 8uurimman määrän haittahälytyksiä aiheuttavat uloshengitetyn hiilidioksidin pitoisuus (EtCO2), apnea (potilas ei hengitä) sekä uloshengitettyjen kaasujen kokonaismäärä (MV). Tärkein parametri on EtCO2, sillä se aiheuttaa eniten haittahälytyksiä. Lisäksi tutkitaan erilaisia menetelmiä signaaleissa olevien trendien havaitsemiseen. Tulokset näyttävät, että automaattinen rajojen asettaminen leikkausvaiheen vaihtuessa on todella hyödyllinen tapa pitää hälytysrajat järkevinä. Tämä myös minimoi väärien hälytysten määrää. Koska signaaleissa on ajoittain runsaasti kohinaa sekä yksittäisiä poikkeavia havaintoja, vääriä hälytyksiä tulee myös silloin kun hälytysrajat on asetettu oikein. Työssä verrataan tyypillistä poikkeavia havaintoja suodattavaa menetelmää, mediaanisuodatinta, itse kehitettyä päätöspuualgoritmia vastaan. Päätöspuualgoritmin tarkkuus on parempi kuin mediaanisuodattimen, koska mediaanisuodatin viivästyttää kaikkia hälytyksiä kun taas päätöspuualgoritmi viivästyttää vain sellaisia hälytyksiä, joita on syytä epäillä vääriksi. Trendien havaitsemiseen yksinkertainen ensimmäisen asteen polynomin sovittaminen osoittautui paremmaksi kuin monimutkaisemmat menetelmät, kuten ARMA-mallit tai lineaarinen dynaaminen systeemi. Datan keräämiseen liittyviä ongelmia pohditaan myös. Tässä tutkimuksessa oli saatavilla vain signaalidataa eikä oikeita toteutuneita hälytyksiä tai käyttäjän säätöjä. Tästä johtuen sekä hälytysrajat että ventilaatiotapa (koneellinen tai käsikäyttöinen) piti simuloida, ja simuloituja hälytyksiä piti yrittää luokitella oikeiksi tai vääriksi. Jotta saataisiin kerättyä vielä parempaa opetusdataa, pitäisi kliinisten asiantuntijoiden nähdä itse leikkaus ja merkitä ylös kaikki ne hetket joina hälytys olisi pitänyt antaa, sillä hälytyksen tarpeellisuus riippuu todella paljon leikkauksen tyypistä ja potilaan tilasta. Haasteita tämäntyyppisessä datan keräyksessä ovat mahdolliset leikkauksen lisäriskit ylimääräisistä ihmisistä sekä potilaan yksityisyyden turvaaminen. Tällaisen datan keraamisen pitäisi olla prioriteetti, jotta hälytysalgoritmien kehitystä voisi luotettavasti jatkaa