3.1 Matemaattisten menetelmien nykytaso
Matemaattisten menetelmien rutiinikäyttö on tehohoidon ja anestesian potilasvalvonnassa ollut melko vähäistä. Kehit
tyneintä matematiikkaa sovelletaan automaattisissa arytmia- analyysijärjestelmissä, jotka tunnistavat ja luokittelevat sydämen rytmihäiriöitä EKG :stä ja sen spektristä poimittu
jen piirteiden avulla.
PDMS-järjestelmä tai yksittäinen mikrotietokone voi laskea valmiiden kaavojen mukaan lääkkeiden ja infuusionesteiden annostuksia ja monenlaisia mitatuista suureista johdettu
ja parametreja /17,29/. Johdetut parametrit kuvaavat yleen
sä suureita tai käsitteitä, joita ei voida mitata. Järjes
telmän osana voi olla myös tilastollinen ohjelmapaketti, joka mahdollistaa kerätyn tiedon myöhemmän käsittelyn esi
merkiksi regressioanalyysin keinoin. Erään yhdysvaltalai
sen sairaalan spesifikaatioissa /74/ PDMS-järjestelmältä vaadittiin mitä moninaisimpia matemaattisia toimintoja reaaliaikaisesta käyränsov it uksesta ja tilastollisista testeistä aina Fourier-muunnokseen ja käyttäjän määrittele
miin digitaalisiin suodattimiin saakka. Tällaisia mene
telmiä lienee lähinnä tutkimuskäytössä : PDMS-järjestelmät keskittyvät yleensä kirjanpitoon.
Potilasmonitorit selviytyvät tietenkin epäsuoriin mittaus
menetelmiin liittyvästä laskennasta, mittaussignaalista otettavien näytteiden keskiarvoistamisesta ja muista kiin
teästi ohjelmoiduista rutiinitoiminnoista. Trendikäyrien pisteet määritetään keskiarvoistamal la mittaustulokset ajalta, joka on yhtä pitkä tai lyhyempi kuin trendipistei- den väli. Monitori saattaa myös laskea tavallisimpien joh
dettujen suureiden arvoja. Muut tarvittavat laskutoimituk
set, kuten tärkeät nestetasapainolaskut, joudutaan tavalli
sella, tietokoneistamattomalla teho-osastolla tekemään kä
sin. Parhaassa tapauksessa apuna on ohjelmoitavia laskimia.
3.2 Sovellutuskohteet ja tarpeet
Kokeneenkin lääkärin on vaikea hahmottaa potilaan tilaa lukuisten eri mittaussuureiden perusteella. Tämä koskee erityisesti tehohoitoa, jossa jatkuvasti mitattavien fysio
logisten suureiden ja lääkityksen lisäksi seurataan ravit
semusta, nestetasapainoa ja laboratoriotuloksia ja jossa tietoa kertyy pitemmältä ajalta kuin anestesiassa. Kun tavalliselle kuvaputkelle mahtuu 4-6 käyrää tai noin
puoli A4-arkillista tekstitietoa, yleiskäsityksen muodosta
miseksi joudutaan selaamaan useita näyttöruutuja. Oleelli
sin informaatio tulisikin tiivistää yleisnäyttöön, josta tilanne selviäisi karkeasti yhdellä silmäyksellä.
Kaikki suureet ja niiden trendit on luonnollisesti tarvit
taessa saatava erikseen näkyviin. Lisäksi signaaleista ja niiden muutoksista voitaisiin hakea oleellisia piirteitä käsittelemällä rekisteröintejä matemaattisesti. Esimerkiksi taajuusominaisuudet kuvaavat joskus signaalin luonnetta paremmin kuin signaalin amplitudi ajan funktiona.
Nopeasti vaihtelevien suureiden, kuten verenpaineen, tren- dikäyrät saattavat heilahdella tulkintaa häiritsevästi.
Jonkinlainen jatkokäsittely olisi tällöin tarpeen. Esimer
kiksi keskiarvoistavat käyräntasoitusmenetelmät poistaisi
vat liiallisen heilahtelun, mutta tasoittaisivat samalla signaalin nopeita muutoksia.
Valvontakäyrien jatkuva seuraaminen on turruttavaa työtä, eikä keskusmonitorin ääressä istumiseen yleensä edes riitä henkilökuntaa. Myös informaation tiivistetyt esitysmuodot edellyttävät osittain automaattista suureiden seurantaa.
Järjestelmän tulee kiinnittää käyttäjän huomio kullakin hetkellä tärkeisiin asioihin.
Erityisesti hälytykset eivät ole nykyisessä muodossaan tar
koituksenmukaisia. Potilasmonitorit hälyttävät, kun valvon- tasuureen arvo menee asetettujen rajojen ulkopuolelle.
Suuri osa hälytyksistä on kuitenkin vääriä, koska hälytyk
set reagoivat herkästi mittapään irtoamiseen, potilaan liikkeisiin ja muihin häiriöihin. Joissakin uusissa monito
reissa tosin on oma varoitus elektrodin tai paineletkun irtoamisesta. Myös virheettömästä mittausarvosta aiheutuvaa hälytystä voidaan pitää vääränä, jos valvontasuure palaa välittömästi takaisin hyväksyttävälle alueelle. Turhiin hälytyksiin tuskastutaan usein siinä määrin, että hälytyk
set kytketään kokonaan pois toiminnasta.
Hälytysrajojen asettaminen ei ole yksioikoista, sillä poti
laan tilan kriittisyys voi riippua useamman kuin yhden suu
reen arvosta. Useasta suureesta saatavan tiedon yhdistele
minen saattaa olla tarpeen silloinkin, kun yksi suure riit
tää määrittelemään kriisin: esimerkiksi sydänpysähdys voi
daan erottaa EKG-elektrodin irtoamisesta toteamalla veren- painekäyrän pysyneen ennallaan.
Nykyiset hälytykset ilmoittavat, että jotain vakavaa on jo tapahtunut. Hoitajalle ja lääkärille tulisi mieluummin ker
toa, että jotain vakavaa tulee pian tapahtumaan, jollei
ti-lanteeseen puututa. Kriisitilanteita voitaisiin jossain määrin ennakoida seuraamalla suureiden muutossuuntia ja -nopeuksia. Hitaasti alkavat muutokset potilaan tilassa saatetaan näin todeta jopa aikaisemmin kuin trendikäyrää seuraava ihminen ne huomaisi.
mittaus
- suureiden yhdistely - muut tietolähteet - luokittelu - ennusteet - hälytykset - toimenpiteiden
määrittely PIIRTEIDEN POIMINTA
- aikatason piirteet - taajuusominaisuudet
mallinsovitus
Kuva 3. Potilasvalvontatiedon käsittelyprosessi.
Potilaasta saatavan mittaustiedon käsittelyprosessi voidaan osittaa kuvan 3 mukaisesti. Esikäsittelyn tarkoitus on poistaa signaaleista ulkopuoliset häiriöt ja muut ei-toivo- tut komponentit. Tämän jälkeen signaaleista poimitaan ne piirteet, joihin tiedon tulkinta perustuu. Tulkintavaihees- sa on usein käytettävä hyväksi taustainformaatiota ja yh
disteltävä eri suureista saatua tietoa. Koska käyttäjä
liitäntä on potilasvalvontajärjestelmissä keskeisellä si
jalla, näyttöä voidaan pitää yhtenä prosessin osana. Kai
kissa näissä vaiheissa voidaan soveltaa erilaisia matemaat
tisia tietojenkäsittelymenetelmiä. Signaalien lopulliseen tulkintaan ja mahdollisten hoitotoimenpiteiden määrittelyyn tarvitaan käyttäjän asiantuntemusta tai asiantuntijajärjes
telmän tyyppistä automaattista päättelymekanismia.
3.3 Menetelmille asetettavat vaatimukset
Jotta matemaattinen tietojenkäsittely me ne tel mä pääsisi rutiininomaiseen käyttöön tehohoidon ja anestesian potilas- valvonnassa, sen tulee täyttää seuraavat vaatimukset :
1. PARANNUSTEN MERKITSEVYYS
Menetelmän tulee tuoda jokin selvästi havaittava parannus potilasvalvonnan tietojenkäsittelyyn. Kyseessä voi olla uusi tiedon esitysmuoto, tiedon selkeyttäminen, prosessoin
nin tehostaminen tai mittaustiedon luotettavuuden paranta
minen .
2. LUOTETTAVUUS
Vaikka tiedon tarkkuuden ei yleensä tarvitse olla samaa luokkaa kuin luonnontieteellisissä sovellutuksissa, tulok
siin on ehdottomasti voitava luottaa. Järjestelmä ei saa omin päin suorittaa niin monimutkaisia toimenpiteitä tai päättelyltä, että se voi käyttäjän huomaamatta epäonnistua.
3. YKSINKERTAISUUS
Käyttäjälle näkyvän osan menetelmästä on oltava mahdol
lisimman yksinkertainen. Mitä aktiivisempaa osallistumis
ta käyttäjältä edellytetään, sitä tärkeämpää on, että hän pystyy ymmärtämään myös menetelmän periaatteen. Tulkinta- kokemusta vaativan menetelmän täytyy menestyäkseen olla erityisen hyvä, ja siinäkin tapauksessa sen yleinen hy
väksyntä saattaa viedä jopa kymmeniä vuosia.
4. SEURATTAVUUS
Järjestelmän olisi periaatteessa aina pystyttävä peruste
lemaan toimintansa käyttäjälle. Esimerkiksi hälytyksen yhteydessä on ilmaistava, mistä hälytys johtuu.
5. REAALIAIKAISUUS
Nopeasti muuttuvia valvontasuureita käsiteltäessä uusim
man tiedon täytyy olla käytettävissä korkeintaan parin sekunnin viiveellä. Vaatimuksesta voidaan joustaa, jos kaikkein uusin tieto saadaan näkyviin käsittelemättömässä muodossaan.
6. MODULAARINEN TOTEUTUS
Menetelmä on ohjelmoitava siten, että se voidaan jousta
vasti liittää tietojärjestelmän osaksi. Tätä ei välttämättä vaadita sellaisilta matemaattisilta toiminnoilta, jotka katsotaan parhaaksi viedä jonkin valvontalaitteen sisälle.
Kliinisessä tutkimustyössä voidaan luonnollisesti soveltaa varsin monimutkaisiakin menetelmiä, jotka prosessoivat mittaustietoja jälkikäteen suurissa erissä.
3.4 Sovellettavat matematiikan alat
Luvuissa 4-9 kuvattavat menetelmät kietoutuvat moneen matematiikan alaan. Näistä tieteenaloista mainittakoon seu- raavat:
DIGITAALINEN SIGNAALINKÄSITTELY
Jatkuvasta mittaussignaalista saadaan analogia/digitaali
muunnoksella numerosarja, jota on mahdollista manipuloida matemaattisesti. Signaalista voidaan tällöin suodattaa häiriöitä ja se voidaan hajoittaa taajuuskomponentteihin tai muuntaa muuhun sopivaan muotoon.
AIKASARJA-ANALYYSI
Aikasarjana voidaan pitää mitä tahansa ajallisesti peräk
käisten havaintojen jonoa. Tunnetuin aikasarja-analyysin sovellutuskohde on taloudellisten muuttujien mallintaminen ja ennustaminen, mutta menetelmiä voi soveltaa myös fysi
kaalisten ja fysiologisten signaalien käsittelyyn.
SÄÄTÖ- JA SYSTEEMITEORIA
Säätö- ja systeemiteorian käsitteistö on pitkälti yhteistä signaalinkäsittelyn ja aikasarja-analyysin kanssa, joskin päämäärät ja lähestymistavat ovat hiukan erilaisia. Tässä työssä ei puututa fysiologisten suureiden säätämiseen, mutta systeemimallien identifiointi ja malliparametrien estimointi liittyvät aiheeseen.
MATEMAATTINEN HAHMONTUNNISTUS
Signaalijaksoja voidaan luokitella automaattisesti kvanti
tatiivisten piirteidensä perusteella; esimerkiksi EKG:stä pystytään tunnistamaan erilaisia rytmihäiriöitä. Varsinai
set matemaattiset hahmontunnistusalgoritmit vaativat usein valmiiksi luokiteltua oppimisaineistoa, johon tutkittavaa signaalia verrataan.
TODENNÄKÖISYYSLASKU JA TILASTOMATEMATIIKKA
Suuri osa edellä kuvattujen alojen käsitteistä ja työväli
neistä on peräisin todennäköisyysteoriasta. Satunnaispro
sessien käsittelyssä ja hahmontunnistuksessa nojaudutaan oleellisesti todennäköisyysjakaumiin ja tilastollisiin menetelmiin.