CN103356182B - 用于预测室性快速型心律失常的方法、设备和计算机程序产品 - Google Patents

用于预测室性快速型心律失常的方法、设备和计算机程序产品 Download PDF

Info

Publication number
CN103356182B
CN103356182B CN201310103295.0A CN201310103295A CN103356182B CN 103356182 B CN103356182 B CN 103356182B CN 201310103295 A CN201310103295 A CN 201310103295A CN 103356182 B CN103356182 B CN 103356182B
Authority
CN
China
Prior art keywords
parameter
repolarization
change
variable
heart
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201310103295.0A
Other languages
English (en)
Other versions
CN103356182A (zh
Inventor
R.肯佩宁
M.卡斯基
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Co
Original Assignee
General Electric Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by General Electric Co filed Critical General Electric Co
Publication of CN103356182A publication Critical patent/CN103356182A/zh
Application granted granted Critical
Publication of CN103356182B publication Critical patent/CN103356182B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271Specific aspects of physiological measurement analysis
    • A61B5/7275Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/318Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346Analysis of electrocardiograms
    • A61B5/349Detecting specific parameters of the electrocardiograph cycle
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/24Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316Modalities, i.e. specific diagnostic methods
    • A61B5/318Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346Analysis of electrocardiograms
    • A61B5/349Detecting specific parameters of the electrocardiograph cycle
    • A61B5/355Detecting T-waves
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Abstract

公开了用于预测室性快速型心律失常(VTA)的方法、设备和计算机程序产品。为了提供允许在实际事件发作之前几小时内有效地预测VTA事件的机制,在连续时间段中确定(12)指示对象的心脏中心室复极化的复极化参数的集合,由此以获得复极化参数的集合的时间序列。基于所述时间序列,产生(13,14)指示心脏的心室复极化的变化的至少一个变化指示变量并且基于至少一个变化指示变量预测(13‑15)潜在的室性快速型心律失常的风险。

Description

用于预测室性快速型心律失常的方法、设备和计算机程序 产品
技术领域
本公开一般来说涉及患者监测器中的心电图的监测。更具体地,本发明涉及患者监测器中室性快速型心律失常(VTA)的预测。
背景技术
患者监测器是设计成显示关于对象的生理信息的电子装置。心电图(ECG)、脑电图(EEG)、体积描记信号和与血压、温度以及呼吸有关的信号代表包含在全尺寸患者监测器中的典型生理信息。患者监测器典型地还装备有警报功能以在患者的生命体征或生理参数超过或降到预设极限以下时提醒护理人员。警报通常是听觉和视觉效果两者,旨在提醒人员生命危险的状况或另一个视为致命的事件。在大部分监测器中,因为极限典型地取决于患者病因、年龄、性别、药物和各种其他主观因素,警报极限可由用户限定。还可对每个特定的生理参数(例如心率或血压)指定多于一个警报极限。此外,在患者监测器中存在有趋向性的并且对照顾者可用以供回顾的大量数据。
为了记录心电图,在对象的特定位点处使用心电图导联用于记录ECG波形。在典型的临床实践中,12个导联用于记录ECG。然而,使用的导联的数量可变化。每个导联记录代表由心脏一个心动周期接一个心动周期生成的电活动的波形并且导联记录在一起提供关于心脏电活动的空间信息。
正常心动周期包括心房肌的收缩,其由自主窦房结(SA结)(也称为窦房结)激发。由SA结生成的电生理(EP)信号散布在右和左心房,从而导致它们收缩。EP信号进一步到达位于心房与心室之间的房室结(AV结)。AV结使EP信号延迟,从而在心室受激之前给予心房时间来完全地收缩。在AV结中的延迟之后,EP信号经由希普系统(His-Purkinje system)的纤维散布到心室,从而导致心室收缩。在收缩后,心房放松并且被来自静脉回流的血液所填充。整个心动周期是心房和心室收缩(即去极化)和放松(即复极化)的组合。
在发达国家,心血管疾病目前是自然死亡的最常见的单一原因。心脏性猝死(SCD)估计占到这些死亡的大约50%。室性快速型心律失常(VTA)被认为是SCD的最常见的主要原因并且还是最危险的心律扰乱。室性快速型心律失常指心动过速,或快的心律,其源于心脏的下心室。室性快速型心律失常包括室性心动过速(VT)和心室纤颤(VF)。持久的室性心律失常可导致叫作心搏停止(ASY)的完全无脉搏状态。
已知并且很好地研究室性快速型心律失常的机制。室性快速型心律失常的最终原因是心肌细胞电属性的关键改变。由于此,电激活不源于AV结和/或不以正常的方式在心室中传播。尽管众所周知致心律失常性机制,室性快速型心律失常的发作是未知的。然而,可假设心肌的机械电属性在发作之前改变。近些年来,已经研究各种形态学有关的参数和变化性参数(即,与心搏的改变和变化性有关的参数)来发现即将发生的室性快速型心律失常事件的预后参数。例如,已经进行多个研究来发现增加的T波交替(TWA)以及VTA的自发开始是否具有因果关系。这些研究表明,例如,增加的TWA在VTA事件发作前大约10分钟达到顶峰。尽管进行了研究,还未发现可靠的VTA前兆,这是所牵涉的复杂性的表现。一般地,通过没有独立再现的发现以及通过没有明确用文件证明和标准化的方法,当前对VTA前兆的研究仍处于可由未公开可用的小型数据库所表征的相当混乱且不成熟的状态。因此,目前不存在用于预测VTA算法的技术,但当前患者监测器能够仅在它们发生时检测VTA事件。这是显著的缺点,因为当发生致命性心律失常时,在救援队就位以开始复苏过程之前可花几分钟。在该情形下,每一秒钟都很重要,因为对器官的损害最有可能已经发生。估计VTA患者的存活率随着治疗延迟每一分钟而减少百分之七至百分之十。
因此,当前患者监测器技术不能预料即将来临的VTA事件但可以仅在VTA事件成为现实时提醒护理人员。然而,即将来临的VTA事件的可靠预测将极大地改善患者的存活机会,尤其是在有效的治疗(例如除颤)通常可用时。
发明内容
上文提到的缺点在本文中解决,这将从下列说明书领会。在公开的方法中,确定指示对象的心脏中复极化的参数。基于在连续心动周期中获得的参数集合,进一步确定指示复极化的变化的至少一个变量。典型地,可确定指示复极化慢速和快速变化两者的若干变量,因为变化可能非常快速,发生在相邻跳动之间,或非常慢速,花几小时来发展。一个变量/多个变量然后用于预测潜在室性快速型心律失常发病的风险。在另一实施例中,可限定一个或多个控制参数,其指示检测的复极化的变化是否由于患者状态的良性变化引起,其解释检测的复极化的变化并且未增加室性快速型心律失常的风险。
在一实施例中,用于预测室性快速型心律失常的方法包括确定指示对象的心脏中心室复极化的复极化参数的集合,其中在连续时间段中执行所述确定,由此来获得复极化参数的集合的时间序列。该方法进一步包括基于所述时间序列产生指示心脏的心室复极化的变化的至少一个变化指示变量并且基于至少一个变化指示变量预测潜在的室性快速型心律失常的风险。
在另一个实施例中,用于预测室性快速型心律失常的设备包括第一参数单元,其适于确定指示对象的心脏中心室复极化的复极化参数的集合,其中第一参数单元适于在连续时间段中确定复极化参数,由此来获得复极化参数的集合的时间序列。该设备进一步包括:变化指示符单元,其适于基于时间序列产生指示心脏的心室复极化的变化的至少一个变化指示变量;和风险评估单元,其适于基于至少一个变化指示变量预测潜在的室性快速型心律失常的风险。
在再另一实施例中,用于预测室性快速型心律失常的计算机程序产品包括第一程序产品部分,其适于确定指示对象的心脏中心室复极化的复极化参数的集合,其中第一程序产品部分适于在连续时间段中确定复极化参数,由此以获得复极化参数的集合的时间序列。该计算机程序产品进一步包括:第二程序产品部分,其适于基于时间序列产生指示心脏的心室复极化的变化的至少一个变化指示变量;和第三程序产品部分,其适于基于至少一个变化指示变量评估潜在的室性快速型心律失常的风险。
将通过下列详细描述和附图使本发明的各种其他特征、目的和优点对于本领域内技术人员明显。
附图说明
图1图示用于预测即将来临的室性快速型心律失常事件的方法的一个实施例;
图2图示在图1的实施例中实行的变化检测和决策制定过程的一示例;
图3图示用于检测快速复极化变化(其可预测室性快速型心律失常事件)的两个连续测量的效率;
图4图示ECG监测设备/系统的一实施例;以及
图5和6图示在即将来临的室性快速型心律失常的预测方面的ECG监测设备/系统的操作实体。
具体实施方式
图1图示用于预测室性快速型心律失常事件的方法的一个实施例。在图中示出的步骤对应于一个时间段,其典型地对应于患者的一个心动周期。在步骤10中,从多通道ECG输入数据检测QRS波群并且该数据被提供有注解和基准点。接着,信号数据可在步骤11中预处理。该预处理可包括例如高频噪声、基线漂移和电力线干扰的去除。
信号数据的实际预测分析在步骤12中开始,其中从数据提取参数的集合。存在的共识是,复极化变化和异常在心律失常开始和持续性方面起重要作用,并且因此在步骤12中确定的参数指示心脏的心室复极化并且在该上下文中称作复极化参数。复极化参数可取决于如何从信号测量它们而分成形态参数和变化参数。形态参数描述复极化阶段内的形态特征,而变化参数指示在心脏的复极化阶段中发生的变化。尽管复极化参数可包括任何这样的数量,在方法的一个实施例中可采用五个复极化参数。这些参数是T波幅度、T波不对称性、T波区域、ST-水平和ST斜率。在下文更详细地讨论复极化参数。
在图1的实施例中,复极化参数供应给并行的检测分支13和14,在其中监测和检测复极化变化。在分支13中,检测慢速变化,而在分支14中检测快速且更突然的变化。此外,在该实施例中,确定一个或多个控制参数(步骤17)。控制参数是这样的参数:其被采用以能够丢弃影响复极化但与心脏状态或心肌复极化中的真实变化无关的变化。从而,生成的一个或多个控制参数使得滤除假阳性检测成为可能。可独立或连同步骤12(其中确定复极化参数)确定一个或多个控制参数。
来自分支13和14的检测结果和控制参数供应给决策制定步骤51,在其中评估VTA事件发生的风险。在下文讨论的实施例中,评估的风险可假设两个值:高和低,其取决于是否预测到室性快速型心律失常事件。在决策制定中,基本规则是如果在检测分支中的任一个或两个中检测到显著的变化并且一个变化/多个变化未由控制参数中的任何一个解释,则预测室性快速型心律失常事件并且在步骤16中产生VTA的增加的风险的指示。否则,不预测室性快速型心律失常事件并且在步骤16中指示正常状态。
图2图示图1的步骤13至16的一个实施例,即检测和决策制定过程。确定的复极化参数供应给检测分支13和14两者。
在分支14中,通过分别在两个连续步骤20和21中确定两个变化测量而检测快速复极化变化。在第一步骤20中,确定两个连续复极化参数集合之间的马氏距离(MD,Mahalanobis distance)来获得这两个集合之间的差异大小的测量。与常规欧几里德范数不同,例如,马氏距离是尺度不变量并且考虑参数之间的相关性。在心脏状态中潜在生命危险变化的检测中使用马氏距离的基本原理在于复极化参数与心率相关并且彼此相关的事实。这样,马氏距离对可由早期数据预测的正常振动和变化不敏感,但如果参数对牵涉的协方差数据的“图形不适合”则测量较大的距离。相邻参数集合之间的马氏距离d(xi, xi-1)由限定,其中C是协方差矩阵。这里,参数集合xi和xi-1采用向量形式,其中复极化参数形成向量的分量。
在分支14的第二步骤21中,确定指示拟合误差中出现的变化的测量。为此,估计参数与心率之间的相互依赖性以便能够估算拟合误差。可使用例如估算所述依赖性的一次和二次多项式对复极化参数的全部或子集估算依赖性。然而,任何函数或函数的集合可用于描述依赖性。对参数获得的一个或多个函数/一个或多个多项式在该上下文中称作模型,因为它们将选择的复极化参数建模为心率的函数。
拟合误差比(FER),即对连续参数集合获得的拟合误差的比率,用作指示拟合误差的变化的测量。这里的想法是只要模型能够很好地预测参数值,比率保持在某一水平。然而,如果存在迅速且显著的复极化变化,模型的预测能力下降,拟合误差增加,并且比率显著变化。为了说明拟合误差及其在数学上的变化的确定,再次假设向量x代表复极化参数集合。对应的心率或RR间隔值可存储在向量y中。为了计算拟合误差比,预定数量的段可用于对数据进行一次和二次多项式拟合。一般地,拟合可通过对下列超定系统求解向量而实行,其中p包含多项式系数并且A代表系数与测量y之间的线性映射。对p的LMSE(线性均方估计)可使用Moore-Penrose伪逆而计算,其中矩阵A+是Moore-Penrose伪逆。
接着,通过对拟合中使用的数据以及对看不见的未来数据xfut计算模型-预测的值而评估拟合优度。对于拟合的数据并且对于未来数据。最终,拟合误差计算如下:
,其中具有下标2的双竖直线符号指欧几里德范数。从而,FER代表新预测的优度(分子)与先前预测的优度(分母)之间的比率。可对各种参数对计算拟合误差,并且最终,用于VTA预测的值获得作为参数对的FER的总和。参数对可包括复极化参数集合中选择的或全部的参数。
在步骤22中,马氏距离(MD)和总FER(即FER总和)与相应的预定阈值比较。如果测量中的任一个或两个到达或越过相应的阈值,检测到显著的复极化变化。在该情况下,患者监测器在步骤27中检查控制参数是否能够解释检测的变化。如果是这种情况,决定检测的显著变化是由于非关键原因引起并且指示正常状态(步骤29)。然而,如果控制参数不能够解释为什么在复极化中检测到快速且显著的变化,在步骤28中发出VTA风险增加的警报。
在检测分支13中,复极化中的慢速变化通过确定选择的或全部的复极化参数的加权平均WA而监测(步骤23)。从而,下列等式求加权平均WA:WA=C1×P1+C2×P2+…+Cn×Pn,其中P1至Pn是从复极化参数选择的n个参数并且C1至Cn是可使用从大的患者组获得的训练数据而可预先最优化的预定义系数。最优化的目的是要找到这样的系数值:其对具有VTA发病的患者给出WA的最大变化而对于无心律失常的对照病例给出最大平的WA。WA信号的斜率可例如通过使用标准最优化方法而最大化。在一个实施例中,WA可基于上文提到的所有五个复极化参数来计算。
如果在分支13的步骤24中检测到加权平均保持在它的阈值以下,指示正常状态(步骤29)(假如在分支14中没有检测到显著的变化)。相似地,如果在分支14中检测到马氏距离和拟合误差比未到达或超过相应的阈值(步骤22/否),指示正常状态(步骤29)(假如在分支13中未检测到显著的变化)。
然而,如果在分支13的步骤24中检测到WA已经到达或越过预定的阈值,过程直接跳到步骤28来产生VTA风险增加的警报。从而,如果在慢速变化的检测中检测到显著的变化,变化总是视为室性快速型心律失常事件的风险增加并且发出警报。
在方法/设备的另一实施例中,仅可利用检测分支中的一个。此外,尽管使用两个分支,马氏距离和FER中仅一个可用作分支14中显著变化的指示符。然而,在分支14中两个测量的使用改善VTA预测的性能。这在图3中图示,其中示出为圆圈30的参数样本代表用于确定上文提到的参数与心率之间的依赖性以及协方差的样本。估计的依赖性示出为虚线31,而连续曲线32示出参数与心率之间的真实依赖性。叉33和黑点34分别代表在样本30后出现的两个可能变化。图进一步图示欧几里德距离不是变化的良好测量:尽管样本33代表在较慢心率的参数的相当正常的值的事实,欧几里德距离D2显著地大于欧几里德距离D1。马氏距离的等距线图示为样本均值周围的椭圆35。从而,马氏距离对两个可能的样本集合给出大约相同的距离。然而,根据拟合误差比,样本34比样本33明显更远离估计的线性相关线31。因此,当从样本30进展到样本34而不是从样本30进展到样本33时,在图2的实施例中检测到显著的变化。
可采用的复极化参数是已经证明在与心律失常机制有关的VTA或参数方面拥有预测潜在性的参数。如上文提到的,在方法的一个实施例中,可采用五个复极化参数,其是T波幅度、T波不对称性、T波区域、ST水平和ST斜率。ST水平可限定为ST段中的平均信号幅度,而ST斜率可限定为对ST段样本的线性拟合的斜率。还可使用变化参数,例如指示T波中变化的参数。这些参数可包括例如T峰值幅度变化(在它的峰值处测量的T波幅度的变化)、T峰值时间变化(T波峰的时间位置的变化)和ST不稳定性(ST段中的最大变化)。
控制参数的目的是要检测影响复极化但与心脏状态或心肌复极化中的真实变化无关的变化。控制参数的至少一部分可指示去极化的稳定性。这样的参数包括例如QRS幅度、QRS-T角和QRS最大值的位置。另外,T波最大值位置的突然变化可在形态参数的测量中引起不期望的不连续性。从而,T波最大值的位置可用作控制参数。此外,指示测量的ECG信号的质量的参数可用作控制参数。另外,其它类型心律失常事件(心房纤颤)的检测可用作控制参数。尽管控制参数在上文仅用于滤除快速变化的假阳性检测,一个或多个控制参数也可用于滤除慢速变化的假阳性检测。这尤其关系到指示信号质量的控制参数。
影响复极化但不一定指示即将来临的VTA发病的变化的一示例是突然的束支阻滞,其中去极化中的传导异常在QRS波中引起显著且不可预测的变化。这还将在T波中引起显著的变化,其进而将作为分支14中的快速复极化变化而被检测。然而,快速复极化变化的检测将不引起错误警报,因为在步骤25中检测到控制参数大致上与检测到快速复极化变化同时突然地变化。因此,在步骤25中,决策规则可以是例如如果上文的控制参数中的一个或多个大致上与检测到快速复极化变化同时突然地变化则控制参数解释检测的复极化变化(步骤25/是)。对于控制参数中的一些(例如信号质量参数),可需要在给定方向上的变化,即任何同时变化可不足以使检测的复极化变化无效。
图4图示提供有预测对象401的即将来临的室性快速型心律失常事件的能力的监测设备/系统400的一个实施例。监测设备/系统通常从对象采集多个生理信号402,其中一个生理信号对应于一个测量通道。所述生理信号典型地包括若干类型的信号,例如ECG、EEG、血压、呼吸和体积描记信号。基于从对象获得的原始实时生理信号数据,可确定多个生理参数。生理参数在这里指从对象采集的生理信号中的一个或多个的波形数据计算的变量。如果从多于一个生理信号(即,从多于一个测量通道)得到生理参数,所述生理信号通常具有相同的信号类型。尽管生理参数典型地是从一个或多个测量通道得到的截然不同的参数,例如从ECG信号得到的心率或从体积描记信号得到的SpO2值,生理参数从而还可代表在预定义时段上确定的波形信号值。可对每个信号参数指定一个或多个警报极限以在参数到达或越过警报极限时提醒护理人员。
从对象401采集的生理信号402通过预处理阶段(未示出)供应给控制和处理单元403,该预处理阶段典型地包括例如输入放大器和滤波器。控制和处理单元将信号对于每个测量通道转换成数字化格式。数字化信号数据然后可存储在控制和处理单元的存储器404中。
因为公开的测量关系到ECG测量,在该上下文中根据ECG测量讨论设备/系统。然而,要注意未在图4中示出实际的ECG电极安置。对于ECG测量,控制和处理单元可提供有适于从对象采集ECG导联信号数据的独立ECG测量算法405。为了确定ECG有关的参数,控制和处理单元可进一步提供有适于计算ECG有关的参数(包括复极化参数和心率)的一个或多个ECG参数算法406。控制和处理单元可进一步提供有适于检测复极化参数中慢和/或快速变化的检测算法407、适于确定控制参数的控制参数算法408以及用于作出关于VTA风险水平的决策的决策制定算法409。显示控制算法(未示出)适于在显示单元410的屏幕上向用户显示警报。
因此,根据公开的VTA预测过程,控制和处理单元403的功能性可分成在图5中示出的单元。第一参数单元51配置成基于ECG导联信号数据确定复极化参数并且第二参数单元52配置成确定控制参数。检测单元53适于产生变化指示变量(WA/MD/FER)并且检测慢和/或快速变化,并且决策制定单元54配置成基于检测和控制参数作出关于VTA风险水平的决策。检测单元可提供有一个或两个检测分支(13和/或14)并且快速变化的检测可配置成确定一个或两个变化测量(MD和/或FER)。
要注意图4和5图示在逻辑意义上并且鉴于VTA风险预测的控制和处理单元的功能性划分的一示例。所述功能性还可根据图6划分使得变化指示变量(即,WA/MD/FER)和控制参数在称作风险评估单元62的实体中处理,其适于基于该输入数据限定潜在的室性快速型心律失常事件的风险水平。适于产生变化指示变量的单元61在图中称作变化指示符单元。此外,在实际的设备中,功能性可以不同的方式分布在设备/系统的元件或单元之间。数据中的一些(例如确定加权平均所需要的系数)甚至可从网络元件得到。
还可升级通常的患者监测器以能够实现VTA风险水平的预测。这样的升级可例如通过将插入式单元(其可提供有使控制和处理单元能够确定需要的复极化参数、检测复极化参数的变化以及作出关于风险水平的决策所必需的软件部分)提供给监测器而实现。软件部分的内容可取决于监测器的现有特征或能力而变化,例如取决于预测所需要的参数中的任意一个在监测器中是否可用。插入式单元可例如在数据载体(诸如CD或存储器卡)上或通过电信网络而提供。
上文的解决方案提供能够在实际事件发作之前在几小时内有效地预测VTA事件的手段。这给予护理人员大量的时间来改变护理规程以避免即将来临的VTA发病并且准备针对可能的病发作的救援规程。这导致显著更好的存活机会以及减少的认知状态恶化,其还转变为及早出院以及对于昂贵康复的需要减少。
该书面描述使用示例来公开本发明,其包括最佳模式,并且还使本领域内任何技术人员能够制作和使用本发明。本发明的专利范围由权利要求限定,并且可包括本领域内技术人员想到的其他示例。这样的其他示例如果它们具有不与权利要求的文字语言不同的结构或操作元件,或者如果它们具有与权利要求的文字语言无实质区别的结构或操作元件则确定在权利要求的范围内。
参考数字的列表
10 QRS波的检测 11 数据预处理
12 复极化参数集合的确定 13 慢速变化的检测
14 快速变化的检测 15 决策制定
16 风险水平的指示 17 控制参数的确定
20 马氏距离的确定 21 拟合误差比的确定
22 快速变化的检测 23 加权平均的确定
24 慢速变化的检测 25 快速变化检测的检查
26 慢速变化检测的检查 27 警报抑制测试
28 警报指示 29 正常状态的指示
30 参数样本 31 参数与心率之间估计的依赖性
32 参数与心率之间真实的依赖性 33、34 两个可能的变化
35 马氏距离的等距线 400 监测设备/系统
401 患者/对象 402 生理信号
403 控制和处理单元 404 存储器
405 ECG测量算法 406 一个或多个ECG参数算法
407 检测算法 408 控制参数算法
409 决策制定算法 410 显示单元
411 用户接口 51 第一参数单元
52 第二参数单元 53 检测单元
54 决策制定单元 61 变化指示符单元
62 风险评估单元

Claims (8)

1.一种用于预测室性快速型心律失常的设备,所述设备包括:
-第一参数单元(51),其适于确定指示对象(401)的心脏中的心室复极化的复极化参数的集合,其中所述第一参数单元适于在连续时间段中确定所述复极化参数,由此以获得复极化参数的所述集合的时间序列;
-变化指示符单元(61),其适于基于所述时间序列产生指示所述心脏的心室复极化的变化的至少一个变化指示变量;以及
-风险评估单元(62),其适于基于所述至少一个变化指示变量来预测潜在室性快速型心律失常的风险;
-其中,所述至少一个变化指示变量包括:趋势变量,其指示所述心脏的心室复极化的慢速变化;和至少一个快速变化变量,其指示所述心脏的心室复极化的快速变化。
2.如权利要求1所述的设备,其中
-所述趋势变量代表多个复极化参数的加权平均,其中所述多个复极化参数属于复极化参数的所述集合;
-所述设备适于估计复极化参数与心率之间的关系(31),其中所述复极化参数属于复极化参数的所述集合,并且其中所述设备适于对至少一个复极化参数估计所述关系,由此以获得至少一个关系;以及
-所述至少一个快速变化变量包括:第一变量,其指示所述时间序列中复极化参数的连续集合之间的相似性;和第二变量,其指示复极化参数的第一和第二组之间的差的变化,其中第一集合通过所述至少一个关系获得并且第二集合属于所述时间序列。
3.如权利要求2所述的设备,其中,所述第一变量代表在所述时间序列的连续集合中获得的选择的复极化参数之间的马氏距离并且所述第二变量代表通过连续时间段中的所述至少一个关系获得的两个差的比率,并且其中每个差代表通过所述至少一个关系估计的复极化参数与在所述时间序列中获得的相应复极化参数之间的差。
4.如权利要求2所述的设备,其中,所述风险评估单元(62)适于
-将所述趋势变量与预定的阈值比较;以及
-在所述趋势变量达到所述预定的阈值时检测室性快速型心律失常的增加的风险。
5.如权利要求1所述的设备,进一步包括第二参数单元(52),所述第二参数单元(52)适于确定至少一个控制参数,其指示影响所述心脏的心室复极化而不增加室性快速型心律失常风险的事件的出现,其中所述风险评估单元(62)适于有条件地基于所述至少一个控制参数而丢弃检测的快速变化和检测的慢速变化中的至少一个。
6.如权利要求1所述的设备,其中,复极化参数的所述集合包括指示T波形态的形态参数。
7.如权利要求6所述的设备,其中,复极化参数的所述集合包括T波幅度、T波不对称性、T波区域、ST水平和ST斜率。
8.一种医疗装置,包括:
-用于确定指示对象(401)的心脏中的心室复极化的复极化参数的集合的装置,其中第一程序产品部分适于在连续时间段中确定所述复极化参数,由此以获得复极化参数的所述集合的时间序列;
-用于基于所述时间序列产生指示所述心脏的心室复极化的变化的至少一个变化指示变量的装置;以及
-用于基于所述至少一个变化指示变量评估潜在的室性快速型心律失常的风险的装置;
-其中,所述至少一个变化指示变量包括:趋势变量,其指示所述心脏的心室复极化的慢速变化;和至少一个快速变化变量,其指示所述心脏的心室复极化的快速变化。
CN201310103295.0A 2012-03-30 2013-03-28 用于预测室性快速型心律失常的方法、设备和计算机程序产品 Active CN103356182B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/435,087 2012-03-30
US13/435,087 US8838224B2 (en) 2012-03-30 2012-03-30 Method, apparatus and computer program product for predicting ventricular tachyarrhythmias
US13/435087 2012-03-30

Publications (2)

Publication Number Publication Date
CN103356182A CN103356182A (zh) 2013-10-23
CN103356182B true CN103356182B (zh) 2017-10-24

Family

ID=49235940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310103295.0A Active CN103356182B (zh) 2012-03-30 2013-03-28 用于预测室性快速型心律失常的方法、设备和计算机程序产品

Country Status (2)

Country Link
US (1) US8838224B2 (zh)
CN (1) CN103356182B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10155118B2 (en) 2013-08-01 2018-12-18 Zoll Medical Corporation Systems and methods for utilizing identification devices in a wearable medical therapy device
CN103610457B (zh) * 2013-11-19 2016-03-30 深圳先进技术研究院 一种心电信号的处理方法及系统
US10362998B2 (en) 2016-02-25 2019-07-30 Samsung Electronics Co., Ltd. Sensor-based detection of changes in health and ventilation threshold
US10172517B2 (en) 2016-02-25 2019-01-08 Samsung Electronics Co., Ltd Image-analysis for assessing heart failure
US11164596B2 (en) 2016-02-25 2021-11-02 Samsung Electronics Co., Ltd. Sensor assisted evaluation of health and rehabilitation
US10420514B2 (en) 2016-02-25 2019-09-24 Samsung Electronics Co., Ltd. Detection of chronotropic incompetence
US10368769B2 (en) * 2016-07-27 2019-08-06 Medtronic, Inc. Automatic thresholds for atrial tachyarrhythmia detection in an implantable medical device
CN107802260B (zh) * 2017-11-09 2021-02-05 湖北工业大学 一种心室复极变异性时空联合分析方法
WO2019152986A1 (en) * 2018-02-05 2019-08-08 Mayo Foundation For Medical Education And Research Systems and methods for mapping and modulating repolarization
EP3686896A1 (en) * 2019-01-28 2020-07-29 BIOTRONIK SE & Co. KG Signal replay for selection of optimal detection settings
US11246538B2 (en) 2019-03-20 2022-02-15 Zoll Medical Corporation Single channel and dual channel noise detection systems and techniques
CN116602642B (zh) * 2023-07-19 2023-09-08 深圳市爱保护科技有限公司 心率监测方法、装置、设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1909831A (zh) * 2004-01-21 2007-02-07 心脏网络公司 心脏监视方法
US7330750B2 (en) * 2003-04-25 2008-02-12 Instrumentarium Corp. Estimation of cardiac death risk
US7336995B2 (en) * 2002-11-19 2008-02-26 Massachusetts Institute Of Technology Method of and apparatus for tachycardia detection and treatment
CN101984766A (zh) * 2008-04-04 2011-03-09 B.R.A.H.M.S有限公司 内皮素原-1水平用于快速性心律失常事件的风险预测

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5967995A (en) 1998-04-28 1999-10-19 University Of Pittsburgh Of The Commonwealth System Of Higher Education System for prediction of life-threatening cardiac arrhythmias
IL155955A0 (en) 2003-05-15 2003-12-23 Widemed Ltd Adaptive prediction of changes of physiological/pathological states using processing of biomedical signal
US7471982B2 (en) 2005-07-07 2008-12-30 Oregon Health & Science University Ventricular tachyarrhythmia prediction and/or prevention
US20090326595A1 (en) * 2008-06-30 2009-12-31 Transoma Medical, Inc. Prediction and Prevention of Cardiovascular Insult

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7336995B2 (en) * 2002-11-19 2008-02-26 Massachusetts Institute Of Technology Method of and apparatus for tachycardia detection and treatment
US7330750B2 (en) * 2003-04-25 2008-02-12 Instrumentarium Corp. Estimation of cardiac death risk
CN1909831A (zh) * 2004-01-21 2007-02-07 心脏网络公司 心脏监视方法
CN101984766A (zh) * 2008-04-04 2011-03-09 B.R.A.H.M.S有限公司 内皮素原-1水平用于快速性心律失常事件的风险预测

Also Published As

Publication number Publication date
CN103356182A (zh) 2013-10-23
US20130261479A1 (en) 2013-10-03
US8838224B2 (en) 2014-09-16

Similar Documents

Publication Publication Date Title
CN103356182B (zh) 用于预测室性快速型心律失常的方法、设备和计算机程序产品
Eerikäinen et al. Reduction of false arrhythmia alarms using signal selection and machine learning
Narin et al. Early prediction of paroxysmal atrial fibrillation based on short-term heart rate variability
Amann et al. Detecting ventricular fibrillation by time-delay methods
US8233972B2 (en) System for cardiac arrhythmia detection and characterization
US7225013B2 (en) Adaptive prediction of changes of physiological/pathological states using processing of biomedical signals
US8588908B2 (en) System, method and computer program product for detection of changes in health status and risk of imminent illness
Du et al. A novel method for real‐time atrial fibrillation detection in electrocardiograms using multiple parameters
CN106073755A (zh) 一种微型动态心电监测设备上房颤自动识别的实现方法
KR20140063100A (ko) 원격 심질환 관리 장치 및 방법
Gavrovska et al. Classification of prolapsed mitral valve versus healthy heart from phonocardiograms by multifractal analysis
CN105228508A (zh) 一种测定用于分类的危险评分的系统和方法
CN104736049A (zh) 用于检测egg波形中的特性的系统和方法
CN106066933A (zh) 获取房颤识别人工神经网络权重值矩阵的方法
Kalidas et al. Cardiac arrhythmia classification using multi-modal signal analysis
US8364248B2 (en) System for cardiac pathology detection and characterization
Rodriguez et al. Detrended fluctuation analysis of heart intrabeat dynamics
Borges et al. Sensor fusion methods for reducing false alarms in heart rate monitoring
Parsi et al. Prediction of sudden cardiac death in implantable cardioverter defibrillators: a review and comparative study of heart rate variability features
Suboh et al. ECG-based detection and prediction models of sudden cardiac death: Current performances and new perspectives on signal processing techniques
Colloca Implementation and testing of atrial fibrillation detectors for a mobile phone application
US20110021935A1 (en) Cardiac Condition Detection System
Jeong et al. Optimal length of heart rate variability data and forecasting time for ventricular fibrillation prediction using machine learning
Cai et al. Rule-based rough-refined two-step-procedure for real-time premature beat detection in single-lead ECG
Joo et al. Prediction of ventricular tachycardia by a neural network using parameters of heart rate variability

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant