CN106132286B - 多级心力衰竭事件检测 - Google Patents

多级心力衰竭事件检测 Download PDF

Info

Publication number
CN106132286B
CN106132286B CN201580012567.3A CN201580012567A CN106132286B CN 106132286 B CN106132286 B CN 106132286B CN 201580012567 A CN201580012567 A CN 201580012567A CN 106132286 B CN106132286 B CN 106132286B
Authority
CN
China
Prior art keywords
signal
patient
categorical
risk
physiological
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
CN201580012567.3A
Other languages
English (en)
Other versions
CN106132286A (zh
Inventor
张仪
普拉莫德辛格·希拉辛格·塔库尔
安琪
朱莉·A·桑普森
拉姆什·瓦里亚
罗伯特·J·斯威尼
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.)
Cardiac Pacemakers Inc
Original Assignee
Cardiac Pacemakers Inc
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 Cardiac Pacemakers Inc filed Critical Cardiac Pacemakers Inc
Publication of CN106132286A publication Critical patent/CN106132286A/zh
Application granted granted Critical
Publication of CN106132286B publication Critical patent/CN106132286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/686—Permanently implanted devices, e.g. pacemakers, other stimulators, biochips
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/02—Stethoscopes
    • A61B7/04—Electric stethoscopes

Abstract

描述了用于检测当前的或预测未来目标生理事件例如心力衰竭(HF)恶化的系统和方法。系统可以包括患者信息接收器电路、至少两个分类风险分析器电路以及分类融合电路。所述患者信息接收器电路接收生理信号并生成信号趋势。所述分类风险分析器电路接收从根据指示目标事件或与目标事件相关的关联性生理状况的所述信号趋势所选的类别特定输入。所述分类风险分析器电路产生指示信号强度随时间的相对变化的信号趋势度量。所述分类风险分析器电路计算指示患者发展或呈现所述关联性生理状况的可能性的分类风险指数。所述分类融合电路使用所述分类风险指数来生成指示患者发展所述目标生理事件的可能性的复合风险指示符。

Description

多级心力衰竭事件检测
相关申请的交叉引用
该申请要求于2014年3月7日提交的美国临时专利申请系列号61/949,313的根据35U.S.C§119(e)的优先权的权益，通过引用方式将其全部内容并入本文中。
技术领域
本发明涉及医疗装置，并且更具体地，涉及用于检测和监视心力衰竭恶化的系统、装置和方法。
背景技术
充血性心力衰竭(CHF)为主要的健康问题并且仅在美国影响超过五百万人。CHF是心脏的泵能的损耗，导致没有递送足够血液来满足周围组织的要求的能力。CHF患者通常由于变弱的心肌而具有扩大的心脏，导致减少的收缩性和贫乏的心脏血液输出量。
CHF通常为慢性状态，但是可以突然发生。它可以影响左心、右心或者心脏的两侧。如果CHF影响左心室，则控制左心室收缩的信号被延迟，并且左心室和右心室不会同时收缩。左心室和右心室的不同时收缩还降低了心脏的泵送效率。对HF代偿失调的征兆和症状的早期关注对患者健康至为关键。
发明内容
对CHF患者的频繁监视和指示心力衰竭(HF)代偿失调状态的事件的及时检测能够有助于防止CHF患者的HF恶化，由此降低与HF住院治疗相关的成本。对处于发展未来HF事件(例如HF恶化)的高风险的患者的识别能够有助于确保及时处理，由此改善预后和患者后果。在另一方面，对处于未来HF事件低风险的患者的识别和安全管理能够避免不必要的医疗干预并减少卫生保健成本。
能够使用动态医疗装置来监视HF患者并检测HF代偿失调事件。这种动态医疗装置的示例可包括植入式医疗装置(IMD)、皮下医疗装置、可穿戴医疗装置或其他外部医疗装置。动态或植入式医疗装置可包括生理传感器，其能够被配置成感测心脏的电活动和机械功能，包括与和新疾病或现有疾病的恶化相关的征兆或症状相关联的变量，所述疾病为，例如，肺水肿、胸腔积液、哮喘、肺炎、心肌梗塞、扩张性心肌病、缺血性心肌病、心缩HF、心舒张HF、辨膜病、肾病、慢性阻塞性肺病、周围性血管病、脑血管病、肝病、糖尿病、贫血症、抑郁症、肺高血压、睡眠呼吸失调或高脂血等等。
所述医疗装置能够可选地向目标区域递送治疗，例如电刺激脉冲，从而例如恢复或改善心脏功能或神经功能。这些装置中的一些还能够提供诊断特征，例如，使用经胸廓阻抗或其他传感器信号。例如，由于肺内流体的电阻率低于空气的电阻率，所以肺内的流体积聚可降低经胸廓阻抗。肺内的流体积聚还能够刺激肺系，其导致潮气量的降低和呼吸率的增大。在另一示例中，心音可为患者心脏正常或不正常运行的有用指示符。心音与来自患者心脏活动的机械振动和流经心脏的血流相关联。心音伴随每个心动周期重复出现，并且根据与振动相关联的活动，心音可被区分并分类成各种分量，包括S1、S2、S3和S4心音。
因为HF恶化可为导致多因素生理变化的复杂过程，所以单个生理传感器可能并非总是提供预期的性能以及时并准确检测或预测HF恶化。一些动态医疗装置可包括多个生理传感器，其协同工作以检测或预测HF恶化。例如，动态医疗装置可包括融合中心，其组合了多个生理传感器的响应以创建关于HF恶化的判定。
尽管传感器融合可在一些程度上克服单个生理传感器在检测或预测HF恶化中的局限性，但是仍遗留问题。例如，通常设计传感器融合算法或分类器，使其能够检测与HF恶化的特殊生理表现或症状相关的生理传感器的特征中的一类变化。然而，HF恶化状态可能并非始终地与传感器特征中的这类变化相关；相反地，跨HF患者可存在各种征兆、症状和病理生理表现，例如呼吸困难、肺和/或周围性水肿、扩张型心肌病、心室扩张、加重S3心音等等。即使在一个患者中，从一个HF代偿失调事件到另一个HF代偿失调事件，表现仍可显著不同。例如，HF恶化可以表现为外围充血或中央充血，湿对干血流动力学曲线或冷对热曲线。HF恶化也可以与各种共病态并存，例如房性心律不齐、COPD、肺炎、高血压、糖尿病和肾功能障碍。由于HF恶化的症状和临床表现上的高度患者内和患者间差异，因此即使采用了多个生理传感器，不是被专门设计来解决这些差异的融合算法对于在广泛的患者中检测HF的进展也可能是不够稳固的。
此外，用于预测或检测HF恶化的生理传感器在检测指示HF恶化或与HF恶化相关的一类病理生理表现处可以比检测其他类型的表现处更好。例如，心音传感器可以对升高的心室充盈压更敏感和特定，而其他传感器，例如基于胸廓阻抗的呼吸传感器可以对呼吸困难或呼吸急促更敏感和特定。传统传感器融合算法(例如融合了多个生理传感器信号的神经网络或决策树)具有不同优点和缺点，因此在HF事件检测或预测中可能不是最优的。
此外，在临床上期望的是，传感器融合架构能够为临床医生提供能容易解释的和可操作的“中间”结果，例如与HF有关的征兆和症状的严重性或可能性，共病态状况或致病因素，或与HF恶化的目标事件有关的其他关联性生理状况。然而这样的信息和功能在传统传感器融合算法例如神经网络下是不容易获得的。
因此，本发明的发明人已认识到，急需能够以提高的准确性和可靠性来检测指示HF恶化的目标生理事件或识别具有发展未来HF恶化事件的高风险的CHF患者的系统和方法，尤其在动态设置中。本发明的发明人已进一步认识到，通过将生理传感器或从那些传感器感测到的生理信号分类成不同组，其中每个组专门用于检测与HF恶化有关的指定关联性生理状况，一种对来自那些组的输出进行汇聚的多级融合方案可以被用于增加检测或预测例如HF恶化事件的可靠性和稳固性。此外，因为融合是基于表示各种关联性生理状况的输出，所以融合方案更加用户友好以使得其允许临床医生容易地解释患者状态并采取立即行动，例如临床干预。
本文所描述的各种实施例可以有助于提高对目标生理事件的检测或改善对处于发展目标生理事件的高风险的患者的识别。一种系统实施例可以包括患者信息接收器电路、至少两个分类风险分析器电路和分类融合电路。所述患者信息接收器电路可以接收包括从患者获得的一个或多个生理信号的患者信息，并且生成来自所述生理信号的多个信号趋势。每个分类风险分析器电路可以接收类别特定输入，其包括基于指示目标生理事件或与目标生理事件相关的指定关联性生理状况而从多个信号趋势选择的部分。指示出患者发展或呈现所述关联性生理状况的可能性的分类风险指数可以使用多个信号趋势的所选部分来计算。所述分类融合电路可以使用所述分类风险指数来生成指示患者发展所述目标生理事件的可能性的复合风险指示符。
用于检测或预测HF恶化的系统实施例可以包括接收包括一个或多个生理信号的患者信息的患者信息接收器，以及至少两个分类风险分析器电路。所述分类风险分析器电路可以接收类别特定输入，其包括基于关联性生理状况从信号趋势选择的部分。所述关联性生理状况可以指示出HF恶化或与HF恶化相关。所述分类风险分析器电路可以分析所述类别特定输入，并且产生包括指示出信号变化等级的信号变化指示符的信号趋势度量，并且将所述信号趋势度量分类成多个指示信号强度随时间的相对变化的多个等级之一。所述信号趋势度量还可以包括指示出所述信号趋势的振幅或功率的信号强度指示符或指示出信号趋势在具体时间段内的变化程度的信号变率指示符。所述分类风险分析器电路使用所选信号趋势的分类等级还可以计算指示患者发展或呈现所述关联性生理状况的可能性的分类风险指数。所述系统包括分类融合电路，其使用所述分类风险指数的线性或非线性组合来生成指示患者发展HF恶化的可能性的复合风险指示符。
方法实施例可以包括接收包括了从患者获得的一个或多个生理信号的患者信息的操作，并且从所述生理信号生成多个信号趋势。所述方法可以包括接收至少第一类别特定输入和第二类别特定输入。所述第一类别特定输入包括基于第一关联性生理状况的信号趋势的第一部分，并且第二类别特定输入包括基于不同的第二关联性生理状况的信号趋势的第二部分。所述第一关联性生理状况和第二关联性生理状况可以指示出目标生理事件或与目标生理事件相关。所述方法可以包括针对所述信号趋势的第一部分生成第一信号趋势度量并且针对所述信号趋势的第二部分生成第二信号趋势度量。所述信号趋势度量可以包括指示出信号变化等级的信号变化指示符、指示出信号趋势的振幅或功率的信号强度指示符或指示出信号趋势在指定时间段内的变化程度的信号变率指示符中的至少一个。使用第一信号趋势度量和第二信号趋势度量，可以计算相应的第一分类风险指数和第二分类风险指数。所述第一分类风险指数和第二分类风险指数指示出患者发展或呈现相应的第一关联性生理状况和第二关联性生理状况的可能性。所述方法还包括使用第一分类风险指数和第二分类风险指数来计算指示患者发展目标生理事件的可能性的复合风险指示符(CRI)的操作。
本概述是本申请的一些教导的综述，并不意欲排除或者穷尽对本发明主体的处理。关于本主题的进一步细节在详述和后附的权利要求书中找到。当阅读和理解下述详述并且查看组成其一部分的附图时，对于本领域熟练的技术人员而言，本发明的其他方面是显而易见的，所述详述和附图的每一个都不应该视为是具有限制性意义的。本发明的保护范围由后附的权利要求和它们法律上的等同体限定。
附图说明
在附图中借由示例示出了各个实施例。这些实施例是说明性的且不旨在详尽或者排除本主题的实施例。
图1示出了心律管理(CRM)系统和其中CRM系统运行的环境的一部分的示例。
图2示出了基于分类融合的HF事件预测系统的示例。
图3示出了基于分类融合的HF事件预测系统中的分类风险分析器电路的示例。
图4示出了基于关联性生理状况的信号选择器的示例。
图5是示出了用于预测患者发展指示HF恶化事件的风险的方法的示例的流程图。
图6是示出了用于从多个信号趋势或从其他患者信息中自适应地选择类别特定输入的方法的示例的流程图。
具体实施方式
本文公开了用于检测例如HF恶化的目标生理事件或用于识别患者具有在未来发展这种事件的高风险的系统、装置和方法。可使用从与例如植入式心脏装置的动态医疗装置相关联的传感器感测到的生理信号来执行HF事件检测或风险分层。所述生理信号可由至少两个分类风险分析器选择性地使用，其中所述两个分类风险分析器中的每个被配置成计算分类风险指数，其指示出患者发展指示目标生理事件或与目标生理事件相关的特定关联性生理状况的可能性。然后可使用分类融合来组合分类风险指数来产生目标生理事件的检测判定，或预测未来目标生理事件的风险，由此提醒临床医生采取对患者的即时医疗照护。
图1示出了心律管理(CRM)系统100和其中CRM系统可以运行的环境的一部分的示例。CRM系统100可以包括动态医疗装置(例如植入式医疗装置(IMD))110(其可以例如通过一个或者多个引线108A-C电耦接到心脏105)和外部系统120(其可以例如经由通信链路103与IMD 110通信)。IMD 110可以包括植入式心脏装置，例如起搏器、植入式心律转复除颤器(ICD)或者心脏再同步治疗除颤器(CRT-D)。IMD 110可以包括一个或者多个监视装置或者治疗装置，例如皮下植入装置、可穿戴外部装置、神经刺激器、药物递送装置、生物治疗装置、单一诊断装置或者一个或者多个其他动态医疗装置。IMD 110可以耦接到监视医疗装置(例如床边监视器或者其他外部监视器)或者可以由该监视医疗装置代替。
如图1所示，IMD 110可以包括密封罐112，其可以容纳电子电路，该电子电路可以感测心脏105中的生理信号并且可以例如通过一个或者多个引线108A-C将一个或者多个治疗电脉冲递送到例如心脏中等目标区域。CRM系统100可以仅包括一个引线例如108B，或者可以包括两个引线例如108A和108B。
引线108A可以包括近端(其可以被配置为连接到IMD 110)和远端(其可以被配置为放置在目标位置处例如在心脏105的右心房(RA)131中)。引线108A可以具有第一起搏感测电极141(其可以位于引线108A的远端处或者附近)和第二起搏感测电极142(其可以位于电极141处或者附近)。电极141和142可以例如经由引线108A中的单独导体电连接到IMD110，以允许感测右心房活动和心房起搏脉冲的可选递送。引线108B可以为除颤引线，其可以包括近端(其可以连接到IMD 110)和远端(其可以放置在目标位置处例如心脏105的右心室(RV)132中)。引线108B可以具有第一起搏感测电极152(其可以位于远端)、第二起搏感测电极153(其可以位于电极152附近)、第一除颤线圈电极154(其可以位于电极153附近)以及第二除颤线圈电极155(其可以位于离远端有相当距离处例如以用于上腔静脉(SVC)放置)。电极152到155可以例如经由引线108B中的单独导体电连接到IMD 110。电极152和153可以允许感测心室电描记图并且可以可选地允许递送一个或者多个心室起搏脉冲，并且电极154和155可以允许递送一个或者多个心室复律/除颤脉冲。在一个示例中，引线108B可以仅包括三个电极152、154和155。电极152和154可以用于感测或者递送一个或者多个心室起搏脉冲，并且电极154和155可以用于递送一个或者多个心室复律或者除颤脉冲。引线108C可以包括近端(其可以连接到IMD 110)和远端(其可以被配置为放置在目标位置处例如心脏105的左心室(LV)134中)。引线108C可以通过冠状窦133植入并且可以放置在LV上方的冠状静脉中，以例如允许递送一个或者多个起搏脉冲到LV。引线108C可以包括电极161(其可以放置在引线108C的远端)和另一个电极162(其可以放置在电极161附近)。引线108C可包括除电极161和162之外的沿引线108C的主体的一个或多个电极。电极161和162以及引线108C上任何额外电极可以例如经由引线108C中的单独导体电连接到IMD 110，以例如允许感测LV电描记图并可选地允许递送来自LV的一个或者多个再同步起搏脉冲。
IMD 110可以包括能够感测生理信号的电子电路。生理信号可以包括电描记图或者表示心脏105的机械功能的信号。密封罐112可以用作电极例如用于感测或者脉冲递送。例如，来自引线108A-C的一个或者多个引线的电极可以与罐112一起使用，以例如用于电描记图的单极感测或者用于递送一个或者多个起搏脉冲。来自引线108B的除颤电极可以与罐112一起使用，以例如用于递送一个或者多个复律/除颤脉冲。在一个示例中，IMD 110可以感测例如罐112或者引线108A-C的一个或者多个上放置的电极之间的阻抗。IMD 110可以被配置为在成对电极之间注入电流，感测同一对电极或者不同对电极之间的合成电压，并且使用欧姆定律来确定阻抗。阻抗可以在双极配置(其中同一对电极可以用于注入电流且感测电压)、三极配置(其中，用于电流注入的成对电极和用于电压感测的成对电极可以共享公共电极)或者四极配置(其中，用于电流注入的电极可以与用于电压感测的电极不同)中被感测到。在一个示例中，IMD 110可以被配置为在RV引线108B上的电极和罐外壳112之间注入电流并且感测相同电极之间的合成电压或者在RV引线108B上的不同电极和罐外壳112之间的合成电压。可以感测来自可以在IMD 110内集成的一个或多个生理传感器的生理信号。IMD 110也可以被配置为感测来自一个或者多个外部生理传感器或者可以耦接到IMD110的一个或者多个外部电极的生理信号。生理信号的示例可以包括心律、心律变率、心律失常信息、胸内阻抗、心内阻抗、动脉压、肺动脉压力、左心房压力、RV压力、LV冠状压力、冠状血液温度、血氧饱和度、一个或多个心音、心脏收缩时间间隔、基于心音的时间间隔、身体活动或劳力等级、对活动的生理响应、姿势、呼吸、体重或体温中的一个或多个。
这些引线和电极的布置和功能上面借由示例来描述而非当做限制。取决于患者的需要和植入式装置的能力，这些引线和电极的其他布置和使用是可能的。
如所示，CRM系统100可包括基于分类融合的HF事件检测/风险评估电路113。基于分类融合的HF事件检测或风险评估电路113可接收包括从患者获得的一个或多个生理信号的患者信息。生理信号可为指示HF恶化或与HF恶化相关的电信号或机械信号。例如，生理信号可包括使用部署在患者身体上或体内并与IMD 110通信的动态生理传感器(例如，在一个或多个引线108A-C上的电极和罐112)感测到的电描记图。生理信号还可包括由一个或多个动态传感器感测到的信号，包括血压信号、心音信号、生物阻抗信号、呼吸信号、姿势、活动、心律或活动信号或对活动的生理响应(PRA)的信号等等。基于分类融合的HF事件检测或风险评估电路113可包括分类风险分析器总体。每个分类风险分析器可以对生理信号或信号特征的所选部分进行操作，并且使用类别内传感器融合方法来计算分类风险指数。生理信号的选择可以基于分类风险分析器意图检测的关联性生理事件。关联性生理事件可以包括患者临床征兆和表现、病因、共病态、治疗历史等等。基于分类融合的HF事件检测或风险评估电路113可包括分类融合电路，其使用分类风险指数的一些或全部的类别间传感器融合来生成复合风险指示符(CRI)。CRI可以指示出患者发展HF恶化的未来事件的可能性。基于分类融合的HF事件检测或风险评估电路113的示例在下面进行描述，例如参考图2至图4。
外部系统120可以允许对IMD 110编程并且可以接收与由IMD 110获取的一个或者多个信号有关的信息，例如可以经由通信链路103来接收。外部系统120可以包括本地外部IMD编程器。外部系统120可以包括远程患者管理系统，其能够例如从远程位置监视患者状态或向IMD 110发送命令以例如对诊断功能进行编程或调整一个或者多个治疗。
通信链路103可以包括感应遥测链路、射频遥测链路或者电信链路(例如互联网连接)中的一个或者多个。通信链路103可以提供IMD 110和外部系统120之间的数据传输。例如，传输的数据可以包括由IMD 110获得的实时生理数据、由IMD 110获得且存储在IMD 110中的生理数据、存储在IMD 110中的治疗历史数据或者指示IMD操作状态的数据、对IMD 110的一个或者多个编程指令，以例如配置IMD 110例如使用可编程特定的感测电极和配置、装置自我诊断测试或者一个或者多个治疗的递送来执行一个或者多个动作，该动作可以包括生理数据采集。
可在外部系统120处实施基于分类融合的HF事件检测或风险评估电路113，其可以被配置为例如使用从IMD 110提取的数据或者在外部系统120内的存储器中存储的数据来执行HF风险分层。基于分类融合的HF事件检测或风险评估电路113的部分可以分布在IMD110和外部系统120之间。
IMD 110或者外部系统120的部分可以使用硬件、软件或者硬件和软件的任意组合来实现。IMD 110或者外部系统120的部分可以使用专用电路(其可以被构造为或者配置为执行一个或者多个特定功能)来实现或者可以使用通用电路(其可以被编程或者另外配置为执行一个或者多个特定功能)来实现。这种通用电路可以包括微处理器或者微处理器的一部分、微控制器或者微控制器的一部分、或者可编程逻辑电路或者可编程逻辑电路的一部分。例如，除了其他方面，“比较器”可以包括：电子电路比较器，其可以被构造为执行两个信号之间的比较的具体功能，或者可以实现为通用电路的一部分的比较器，其可以由指示通用电路的一部分的代码来驱动以执行两个信号之间的比较。尽管参考IMD 110来描述，但是CRM系统100可包括皮下医疗装置(例如，皮下ICD、皮下诊断装置)、可穿戴医疗装置(例如，基于贴片的感测装置)或其他外部医疗装置。
图2示出了基于分类融合的HF事件预测系统200的示例，其可为基于分类融合的HF事件检测或风险评估电路113的实施例。基于分类融合的HF事件预测电路200可实施于IMD110内，或者可实施于外部系统中，例如本地或远程患者监视器或患者管理系统，例如外部系统120，其被配置为向终端用户提供患者诊断信息。基于分类融合的HF事件预测电路200可以包括患者信息接收器电路210、分类风险分析器总体220，分类融合电路230，控制器电路240和指令接收器电路250中的一个或多个。
患者信息接收器电路210能够被配置成接收包括从患者获得的一个或多个生理信号的患者信息。可使用一个或多个动态生理传感器来感测生理信号。这种生理信号的示例可包括一个或多个表面或皮下心电图(ECG)、例如使用来自一个或多个引线108A-C的电极或罐112感测到的电描记图、心律、心律变率、心律失常信息、胸内阻抗、心内阻抗、动脉压、肺动脉压、左心房压力、RV压力、LV冠状压力、冠状血液温度、血氧饱和度、一个或多个心音、心脏收缩时间间隔、基于心音的时间间隔、对活动的生理响应、呼吸暂停呼吸过浅指数、例如呼吸率信号、潮气量信号、分钟通气量信号或浅快呼吸指数(RR/TV)信号等一个或多个呼吸信号。生理信号还可包括脑促尿钠排泄肽(BNP)、血项、钠和钾水平、葡萄糖水平和其他生物指标和生物化学指标中的一个或多个。生理信号还可以包括装置治疗统计，例如仅在具有动态医疗装置的患者中起搏的双心室或左心室的百分比。
患者信息接收器电路210可以从接收到的生理信号生成多个信号趋势。信号趋势可以是从生理信号计算出的一个或多个信号统计学或形态学特征的时间序列，指示出信号特征随时间的相对变化。信号特征的示例可包括：平均值、中间值或其他集中趋势度量；信号强度的直方图；多个随时间的信号趋势；一个或多个信号形态学描述符；一个或多个信号变化或变化率特征；一个或多个信号变化或变化率特征，或指定频率范围内的信号功谱密度。信号特征可包括对应于生理活动的分量。例如，心电图或电描记图特征可包括P波、R波、T波、QRS复合、或表示去极化、超极化、复极化或心肌的其他电生理性质的其他分量。心音特征可包括S1、S2、S3或S4心音中的一个或多个的相对计时(例如相对于R波)、振幅或形态学特征。胸廓阻抗特征可包括最大值、最小值、平均值、方差、变化率或其他统计学或形态学特性。呼吸信号特征可包括呼吸率、呼吸深度、潮气量、分钟通气量、浅快呼吸指数(RR/TV)或其他描述符。
患者信息接收器电路210还可以接收患者健康信息，包括例如过去和现在的药物和治疗信息或医疗历史信息。患者信息接收器电路210还可以接收其他非临床信息，例如患者人口统计信息或者社会和行为信息(例如，吸烟者或不吸烟者)。生理信号及其导出的信号趋势，或其他患者健康信息或非临床信息可以指示出目标生理事件(例如HF的进展)或者可以与目标生理事件相关。
除了使用生理传感器来获取患者信息之外或者作为使用生理传感器来获取患者信息的替代，患者信息接收器电路210可耦接到存储装置，例如电子医疗记录(EMR)系统，并响应于命令信号从所述存储装置检索一个或多个患者历史生理信号。命令信号可由系统用户(例如，卫生保健专业人员)经由例如耦接到指令接收器250的输入装置发出，或可由系统响应于指定事件自动生成。患者信息接收器电路210可包括一个或多个子电路，其可对一个或多个生理信号执行信号调节或预处理，包括信号放大、数字化或滤波。
分类风险分析器总体220可以包括至少两个分类风险分析器电路220A-220N。每个分类风险分析器电路可以被配置为将由患者信息接收器电路210产生的生理信号的所选部分、信号趋势或者所选患者健康信息或非临床信息视为类别特定输入。至分类风险分析器电路220A-220N的类别特定输入可以互不相同，使得不同的分类风险分析器电路可以检测或预测有差别的关联性生理状况。在一些示例中，两个不同的分类风险分析器电路的至少一些类别特定输入可以从来自相同生理传感器感测到的生理信号得到。
分类风险分析器电路220A-220N可以表示关联性生理状况的不同类别，并各自地估计特定关联性生理状况的存在或严重性。每个分类风险分析器220A-220N的类别特定输入的选择可以基于分类风险分析器的指定关联性生理状况。各种关联性生理状况已经被识别，包括患者临床征兆和表现、病因、共病态、治疗历史等等。分类风险分析器电路的示例以及基于指定关联性生理状况的类别特定输入的选择在下面进行描述，例如参考图3-图4。
每个分类风险分析器电路可以使用类别特定输入的类别内传感器融合来计算分类风险指数。分类风险指数可以指示出患者发展或呈现指示目标生理事件或与目标生理事件相关的关联性生理事件(例如HF恶化)的可能性。类别内融合可以通过使用融合算法中的一个或其组合来完成，所述融合算法包括基于规则的模型、决策树模型、回归模型、神经网络模型、随机森林、表决模型、模糊逻辑模型、支持向量机模型或对时间序列数据进行运算的任意数学模型。在一个示例中，分类风险分析器电路220A-220N可以具有不相同的融合机制。
分类风险指数可以是例如指示出患者发展关联性生理状况的可能性的概率的数值。分类风险指数还可以是指示出关联性生理状况的存在或缺失的类别标签，或指示出关联性生理状况的分层的严重性(例如，高、中、低；或分数为1、2、3)的标签或数字。分类风险分析器电路的示例在下面进行描述，例如参考图3。
耦接到分类风险分析器电路220A-220N的分类融合电路230可包括复合风险指示符(CRI)计算器231，其被配置成使用由分类风险分析器电路220A-220N产生的分类风险指数的一些或全部的类别间融合来计算CRI。CRI能够指示出患者发展目标生理事件例如HF恶化的可能性。在一个示例中，CRI可以是一种分类决策的形式，取自指示出具有HF恶化的即将发生事件的可能性的各种等级的两个或两个以上种类。例如，如果分类风险指数是类别标签(例如，肺水肿的关联状态的高、中、低严重性等级)，则CRI计算器231可使用由所述分类风险分析器电路220A-220N产生的类别标签的判定融合来计算CRI。判定融合方法的示例可包括多数表决、X-out-of-Y表决或加权表决等等。
CRI可为指示出即将发生的目标生理事件例如HF恶化的可能性的数值量。例如，如果分类风险指数是指示出患者发展各种类型的关联性生理状况的置信级的概率值，则CRI计算器231可使用由分类风险分析器电路220A-220N产生的概率值的概率融合来计算CRI。概率融合方法的示例可包括：线性或非线性组合，例如平均或加权和；或参数或非参数方法，例如决策树、神经网络、贝叶斯网络；以及其他机器学习方法。
在CRI计算中使用的类别间融合可以由系统终端用户来修改或自动地调整。更新可以适应于变化的患者上下文，包括患者健康状态、活动或行为、新共病态的发展、目标生理事件的进展或其他患者临床或非临床信息。在CRI被计算为分类风险指数的加权组合的示例中，在具有肾脏疾病的患者中，CRI计算器231可以减少分配给使用胸廓阻抗计算出的分类风险指数的权重，这是因为肾功能障碍的存在，所以胸廓阻抗的变化或其导出的信号趋势可以几乎不对HF恶化事件特定。从而计算出的分类风险指数可能在预测HF恶化的未来事件中具有降低的性能(例如，更高的假阳性率)。在另一个示例中，在具有慢性阻塞性肺病(COPD)患者中，可以增加分配给使用呼吸率或其他呼吸信号或信号趋势计算出的分类风险指数的权重，这是因为COPD的存在，所以呼吸率的变化可以对HF恶化事件更敏感或特定。在又一示例中，在例如由于肾功能障碍、哮喘或其他肺部疾病而呈现高基线呼吸率的患者中，CRI计算器231可以减少分配给使用呼吸率计算的分类风险指数的权重，同时增加分配给使用潮气量计算的分类风险指数的权重，因为在这些患者中的呼吸率对HF恶化事件不太敏感。
响应于至分类风险分析器电路的类别特定输入(例如生理信号或信号趋势)的性能、可靠性或鲁棒性的变化，还可以作出类别间融合的修改。例如，大体上高于或低于其他分类风险指数的分类风险指数被怀疑是不可靠的或者受干扰或混杂因素潜在地影响，并且因此可以使用减少的权重进行折扣。在其他的示例中，响应于变化的环境上下文(例如被植入的引线修正、传感器完整性和质量的折衷或周围环境变化)可以修改类别间融合。响应于根据更新的领域知识(例如关联性生理状况与目标生理事件之间的高相关性的建立的证据)的关联性生理状况的重要性的变化也可以作出修改。
分类融合电路230可生成报告以告知、警告或警报系统终端用户患者发展目标生理事件例如未来HF恶化事件的升高风险。报告可包括具有在其内预测风险的对应时间帧的CRI。报告还可包括推荐动作，例如证实性测试、诊断或治疗选项。报告可呈现为一个或多个媒体格式，包括例如文本或图形消息、声音、图像或其组合。在一个示例中，可经由指令接收器电路250上的交互式用户界面向用户呈现该报告。分类融合电路230还可生成并经由例如外部装置120或指令接收器电路250向终端用户呈现由分类风险分析器电路220A-220N计算的分类风险指数。
控制器电路240可从指令接收器电路250接收外部编程输入。指令接收器电路250可包括用户界面，其被配置成向用户呈现编程选项并接收用户的编程输入。在一个示例中，可在外部系统120中实施指令接收器电路250的至少一部分，例如用户界面。使用接收到的编程输入，控制器电路240可以控制患者信息接收器电路210、分类风险分析器总体220、分类融合电路230的运行以及这些组件之间的数据流和指令。
控制电路240可以包括类别特定输入调度器和更新电路241，其控制每个分类风险分析器电路220A-220N的类别特定输入的选择。选择可以基于分类风险分析器电路的指定关联性生理状况。关联性生理状况的示例可以包括患者临床征兆和表现、病因、共病态、治疗历史、沿着连续护理的转变(例如从家到医院或反之亦然)等等。类别特定输入的选择也可以基于用于测量生理信号的生理传感器的类型或模式、在检测患者群体中的特定关联性生理状况中的生理信号或信号趋势的性能统计或者在检测关联性生理状况中的生理信号或信号趋势的患者特定历史性能。
至分类风险分析器电路220A-220N的类别特定输入可以是非静态的；并且类别特定输入调度器和更新电路241可以使类别特定输入选择适应于患者上下文或环境上下文的变化。患者上下文或环境上下文的变化的示例可以包括个别患者的身体和健康状况的变化、手术、传感器位置的变化、被植入的引线修正、传感器完整性的折衷、传感器信号质量以及环境变化等等。例如，由于用于测量胸廓阻抗的电极的位置变化，所以在引线修正之后，在预测肺水肿中胸廓阻抗向量的性能可能会受到影响。类别特定输入调度器和更新电路241可以移除来自类别特定输入的现有传感器信号或信息块(例如在本示例中的胸廓阻抗)。同样地，如果新传感器信号或信息块更适合于检测在患者或环境上下文的变化之后的关联性生理状况，则类别特定输入调度器和更新电路241可以将新传感器信号或信息块添加到类别特定输入。
从类别特定输入中移除现有传感器信号或信息块或者添加一个新的到类别特定输入可以基于传感器信号或信息块的性能的变化。在一个示例中，添加或移除传感器信号或信息块可以基于相比于类别特定输入中的其他传感器信号或患者健康信息或者非临床信息而言的相对性能。该性能可以包括在检测关联性生理状况中的传感器信号或信息块的准确性和一致性。例如，在由指定用于检测肺水肿的关联性生理状况的N个传感器信号或信息块{X1,X2,…,XN}组成的类别特定输入中，如果Xj相比指定大量的其他传感器信号(例如除了Xj的所有{X1,X2,…,XN}，或{X1,X2,…,XN}的2/3)而言经历不重要的和最小变化，那么Xj可以从类别特定输入中移除。在一些示例中，添加或移除传感器信号或信息块可以基于更新的领域知识，例如在预测或检测关联性生理状况中的生理传感器信号或患者信息块的高预测值的建立出的证据。
作为替代或除了移除或添加传感器信号或信息块之外，如果一个或多个分类风险分析器电路220A-220N使用多个信号趋势或患者健康信息或非临床信息的线性或非线性组合来检测关联性生理状况，则类别特定输入调度器和更新电路241可以减少信号趋势或患者健康信息或非临床信息的权重。
图3示出了分类风险分析器电路300的示例，其可为分类风险分析器电路220A-220N的任一个的实施例。分类风险分析器电路300可以被配置为计算指示患者发展或呈现关联性生理状况的可能性的分类风险指数。分类风险分析器电路300可包括类别特定输入选择电路210、信号趋势分析器电路320和分类风险计算器电路330中的一个或多个。
类别特定输入选择电路310可以耦合到患者信息接收器电路210，并且被配置为接收包括从患者信息接收器电路210所选的生理信号、信号趋势或者患者健康信息或非临床信息的部分的类别特定输入。类别特定输入选择器电路310可以包括耦接到类别特定输入调度器和更新电路241并由类别特定输入调度器和更新电路241控制的信号选择器312。信号选择器312可以接收基于关联性生理状况的类别特定输入。用于分类风险分析器电路300的关联性生理状况可以由终端用户例如经由指令接收器电路250进行编程。关联性生理状况也可以被预先确定并在存储器中存储，信号选择器312可以从该存储器进行检索。
如前面参考图2所讨论的，关联性生理状况可以包括患者临床征兆和表现、病因、共病态、治疗历史等等。类别特定输入可以根据患者上下文或环境上下文的变化、或类别特定输入中的生理信号、信号趋势或患者健康信息或非临床信息块的性能的变化而自适应地更新。基于指定关联性生理状况的信号选择器的示例在下面进行讨论，例如参考图4。
信号趋势分析器电路320可以被配置为针对多个信号趋势的至少一个所选部分而生成信号强度的信号趋势度量或信号强度的变化。在一个示例中，信号趋势度量可以包括指示信号变化的等级的信号变化指示符。当信号趋势被生成为从生理信号导出的一个或多个信号统计学或形态学特征的时间序列时，信号变化指示符可以指示出信号趋势的强度随着时间的变化。信号变化指示符可以是多个预先确定的信号变化等级(例如高、中、低)之一。例如，针对信号趋势例如日常最大胸廓阻抗的时间序列(ZDailyMax)，可以计算ZDailyMax在第一时间窗的平均值以及ZDailyMax在第二时间窗的平均值。第一时间窗和第二时间窗可以是在其期间测量ZDailyMax的不相同的时间段。信号强度的差(例如从第一时间窗和第二时间窗计算出的平均ZDailyMax之间的差)可以与一个或多个阈值或值范围进行比较以将信号趋势分类成表示信号变化指示符的预先确定的等级之一。在另一个示例中，信号趋势度量可以包括指示信号趋势的振幅或功率的信号强度指示符。信号强度指示符可以是基于信号趋势的振幅或功率与一个或多个阈值的比较的多个预先确定的信号强度等级(例如高、中、低)之一。在又一示例中，信号趋势度量可以包括指示在指定时间段内的变化程度的信号变率指示符。信号变率的示例包括呼吸率的每日变化的测量结果。信号变率指示符可以是基于信号趋势的测量出的信号变率与一个或多个阈值的比较的多个预先确定的信号变率等级(例如高、中、低)之一。
分类风险计算器电路330可以被配置为计算分类风险指数。在一个示例中，分类风险指数可以被计算为多个信号趋势的所选部分的信号变化指示符的线性或非线性组合。当患者信息接收器电路210接收患者健康信息或非临床信息(例如人口统计信息或治疗信息)时，分类风险计算器电路330可以使用患者健康信息或非临床信息来计算分类风险指数。例如，可以给属于特定人口统计群体(例如年龄、性别或种族)的患者分配分数。分数可以指示出患者发展或呈现特定关联性生理状况的风险。在一个示例中，分数可以基于领域知识，例如患者健康信息或非临床信息与关联性生理状况之间的相关性的建立出的证据。分类风险指数可以被计算为多个信号趋势的所选部分的信号变化指示符以及与患者健康信息或非临床信息相关联的分数的线性或非线性组合。分类风险指数可以是以指示分类判定的类别标签或表示患者后来发展关联性生理事件例如HF恶化的概率的数值量的形式。
图4示出了基于指定关联性生理状况的信号选择器412的示例。信号选择器412可以是信号选择器312的实施例。信号选择器412可以被配置为基于指定关联性生理状况从多个生理信号、信号趋势或患者健康信息或非临床信息中选择一部分。所选信号或患者信息构成至分类风险分析器电路(例如300或220A-220N之一)的类别特定输入，并且可以被用来计算分类风险指数。
关联性生理状况可以包括各种临床表现或患者健康状态的指示符。如图4所示，关联性生理状况可以包括指定患者症状，例如症状性肺部事件。症状性肺部事件的示例包括肺水肿、哮喘和肺炎、慢性阻塞性肺病。例如，如果分类风险分析器电路(例如300或220A-220N之一)被指定为用于检测症状性肺部事件，则基于关联性生理状况的信号选择器412可以选择对肺部事件敏感或特定的生理信号或信号趋势，包括日平均经胸廓阻抗、潮气量、呼吸率或呼吸暂停低通气指数等中的一个或其组合。
指定患者症状可以包括症状性心脏事件。该症状性心脏事件的示例包括房性或室性心律失常、心肌梗塞事件、冠状动脉疾病、心脏病发作事件、由患者接收到的起搏或双心室起搏百分比或相对于心脏激活感测量的起搏量。如果分类风险分析器电路被指定为用于检测症状性心脏事件，则基于关联性生理状况的信号选择器412可以选择对心脏事件敏感或特定的生理信号或信号趋势，包括胸内阻抗、肺部动脉压、活动等级、姿势、S1心音强度、S3心音强度、心缩计时间隔或射血前和射血时间等中的一个或其组合。
关联性生理状况还可以是特定类型的症状性肺部事件或症状性心脏事件。基于关联性生理状况的信号选择器412可以根据特定类型的肺部事件或心脏事件来选择生理信号或信号趋势的部分。例如，如果分类风险分析器电路被指定为用于检测肺水肿，则可以选择一个或多个胸廓阻抗信号及其导出的信号趋势。如果分类风险分析器电路被指定为用于检测呼吸困难或呼吸急促，则可以选择一个或多个呼吸率、呼吸浅快指数或潮气量。如果分类风险分析器电路被指定为用于检测高心室充盈压，则可以选择S3心音信号、心室压力信号、肺动脉压力信号、其导出的统计学或形态学信号特征中的一个或多个。
关联性生理状况可以包括目标生理事件的指定致病因素。该致病因素可以包括导致目标生理事件的潜在的疾病或状况。其还可以包括引发、触发、加剧或改变目标生理事件的进展的疾病或状况。例如，在预测或检测HF恶化的目标事件中，致病因素可以包括心律失常、冠状动脉疾病、心脏病发作、心肌病或结构性心脏病等中的一个或多个。如果分类风险分析器电路被指定为用于检测缺血性心肌病的致病因素，则基于关联性生理状况的信号选择器412可以选择心电图(ECG)、心内电图、心音信号、胸部加速度信号及其导出的统计学或形态学特征(例如，ST段测量结果或从ECG信号导出的T波交替，或S3振幅或从心音或加速度信号得出的其他心音分量)中的一个或多个。
目标生理事件的致病因素可以基于领域知识(例如基于发展或呈现目标生理事件的患者群体的检查)而被识别。致病因素还可以包括促进目标生理事件的患者特定风险分层器。例如，根据患者特定风险分层器，基于关联性生理状况的信号选择器412可以选择信号或信号趋势，包括平均S3心音振幅、基于心音的射血前期(HS-PEP)信号、基于心音的总射血时间(HS-ET)信号、心率信号、呼吸率变化的信号或活动信号。
关联性生理状况可以包括患者的指定共病态状况。共病态状况不同于目标生理事件但与目标生理事件共存。例如，在HF恶化中的共病态状况可以为心脏的或非心脏的，包括高血压、心房颤动、呼吸功能障碍(例如肺炎或慢性阻塞性肺病(COPD))、糖尿病或肾功能障碍(例如肾功能不全或肾功能衰竭)等等。在一个示例中，如果指定关联性生理状况是肾功能不全，则基于关联性生理状况的信号选择器412可以选择生理信号或信号趋势，包括肌酸酐或体脲氮(BUN)的等级的测量结果，BUN/肌酸酐率和肾小球滤过率(GFR)。在另一个示例中，根据糖尿病的共病态状况，生理信号或信号趋势可以包括葡萄糖水平。在另一个示例中，如果分类风险分析器电路被指定为用于检测高血压的共病态状况，则基于关联性生理状况的信号选择器412可以例如使用动态压力传感器来选择血压传感器信号。
在一些示例中，关联性生理状况可以包括指定患者生命体征。生命体征可以指示出心脏劳力、肺部劳力、血压或血液氧合水平中的一个或多个。例如，根据被指定为关联性生理状况的心脏劳力，基于关联性生理状况的信号选择器412可以选择心率信号、指示心脏输出信号的信号或S1心音信号等等。
图5是示出了用于预测患者发展目标生理事件例如HF恶化的风险的方法500的示例的流程图。可在动态医疗装置或在远程患者管理系统中实施和运行方法500。在一个示例中，可由在IMD 110中或在可与IMD 110通信的外部装置120中实施的基于分类融合的HF事件检测或风险评估电路113执行方法500。除了预测HF恶化之外，方法500还可被修改以用于识别处于发展新疾病或现有疾病的恶化的高风险的患者，所述疾病为，例如，肺水肿、肺部病症加重、哮喘和肺炎、心肌梗塞、扩张性心肌病、缺血性心肌病、心缩HF、心舒张HF、瓣膜病、肾病、慢性阻塞性肺病、周围性血管病、脑血管病、肝病、糖尿病、哮喘、贫血症、抑郁症、肺高血压、睡眠呼吸失调或高脂血等等。
在501处，可接收包括从患者获得的一个或多个生理信号的患者信息。可使用与患者相关联的一个或多个生理传感器来感测生理信号。这种生理信号的示例可包括从一个或多个引线108A-C上的电极或罐112感测到的一个或多个电描记图、心电图、心律、心律变率、胸内阻抗、心内阻抗、动脉压、肺动脉压、左心房压力、RV压力、LV冠状压力、冠状血液温度、血氧饱和度、一个或多个心音、心脏收缩时间间隔、基于心音的时间间隔、对活动的生理响应、呼吸暂停呼吸过浅指数、例如呼吸率信号、潮气量信号、分钟通气量信号或浅快呼吸指数(RR/TV)信号等一个或多个呼吸信号。生理信号还可包括脑促尿钠排泄肽(BNP)、血项、钠和钾水平和葡萄糖水平中的一个或多个。生理信号还可以包括装置治疗统计，例如仅在具有动态医疗装置的患者中起搏的双心室或左心室的百分比。可从患者获取生理信号，并存储在例如电子病历(EMR)系统等存储装置中。可对生理信号进行预处理或调节，包括信号放大、数字化或滤波等等。
除了生理信号之外，也可以在501处接收其他患者信息。例如，患者健康信息例如过去和现在的药物和治疗信息或病史信息、非临床信息例如患者的人口统计信息或社会和行为信息(例如，吸烟者或不吸烟者)，可以在501处被接收并由预测目标生理事件的可能性的方法500使用。
在502处，可生成两个或两个以上的信号趋势。信号趋势可以是从生理信号导出的统计学或形态学特征的时间序列。信号特征的示例可包括：信号平均值、中间值或其他集中趋势度量；信号强度的直方图；多个随时间的信号趋势；一个或多个信号形态学描述符；或指定频率范围内的信号功谱密度。信号特征可包括对应于生理活动的分量。例如，心电图或电描记图特征可包括P波、R波、T波、QRS复合、或表示去极化、超极化、复极化或心肌的其他电生理性质的其他分量。心音特征可包括S1、S2、S3或S4心音中的一个或多个的计时、振幅或形态学特征。胸廓阻抗特征可包括最大值、最小值、平均值、方差、变化率或其他统计学或形态学特性。呼吸信号特征可包括呼吸率、呼吸深度、潮气量、分钟通气量或浅快呼吸指数(RR/TV)或其他描述符。
在503处，可以选择至少第一类别特定输入和第二类别特定输入。第一类别特定输入可以包括基于第一关联性生理状况从多个信号趋势或从其他患者信息所选的第一部分。同样地，第二类别特定输入可以包括基于不同的第二关联性生理状况从多个信号趋势或从其他患者信息所选的第二部分。第一关联性生理状况和第二关联性生理状况可以指示出目标生理事件或与目标生理事件相关，例如HF恶化。
已经识别出各种关联性生理状况，包括患者临床征兆和表现、病因、共病态、治疗历史等等。如前面参考图4所讨论的，不同生理信号或信号趋势可以针对指定关联性生理状况而选择。关于生理信号与关联性生理状况之间的相关性的领域知识可以被用于选择生理信号或信号趋势。例如，一个或多个胸廓阻抗信号及其导出的统计学或形态学信号趋势可以被选择用于检测肺水肿。S3心音信号、心室压力信号、肺动脉压力或其得出的统计学或形态学信号特征中的一个或多个可以被选择用于检测高心室充盈压。心电图(ECG)、心内电图、心音、胸部加速度信号或其得出的统计学或形态学特征(例如，ST段或T波交替)中的一个或多个可以被选择用于检测缺血性心肌病的致病因素。肌酸酐或体脲氮(BUN)的等级，BUN/肌酸酐率或肾小球滤过率(GFR)的信号趋势可被选择用于检测肾功能不全的关联性生理状况。
另外地或可选地，类别特定输入的选择可以基于在检测关联性生理状况中的用于测量生理信号的生理传感器的类型或模式、生理信号或其导出的信号趋势的基于患者群体的性能统计，或者在检测关联性生理状况中的生理信号或及得出的信号趋势的患者特定历史性能。
在一些示例中，用于检测指定关联性生理状况的类别特定输入的选择可以是非静态的。例如，类别特定输入的选择可以适应于患者或环境上下文的变化，或适应于类别特定输入中的生理信号、信号趋势或患者健康信息或非临床信息块的性能的变化。类别特定输入的适应性选择的示例在下面进行描述，例如参考图6。
在504处，信号趋势度量例如信号变化指示符可以针对信号趋势的第一部分和第二部分的每个而计算。信号变化指示符可以是多少信号强度随时间变化的定性或定量描述。信号变化指示符可以是指示信号强度随时间的相对变化的预先确定的等级(例如，高、中、低)之一。针对信号趋势例如生理参数的时间序列，可以计算从第一时间段取出的第一段与从第二时间段取出的第二段之间的信号强度。两段之间的信号强度(例如信号振幅等)的差被计算并且与多个阈值或多个值范围进行比较以将信号变化分类成预先确定的等级之一。在504处，除了信号变化指示符之外或者作为替代地，其他信号趋势度量(例如指示出信号趋势的振幅或功率的信号强度指示符或指示出指定时间段内的变化程度的信号变率指示符)可以被使用。
在505处，第一分类风险指数可以使用第一分类风险指示符来计算，并且第二分类风险指数可以使用第二分类风险指示符来计算。分类风险指数可以指示出患者发展或呈现指示目标生理事件或与目标生理事件相关的关联性生理事件的可能性，例如HF失代偿事件或HF恶化。在一些示例中，除了第一信号指示符和第二信号指示符之外的患者信息，例如在501处接收到的患者健康信息或非临床信息，也可以被用于相应分类风险指数的计算。
分类风险指数可以使用相应信号指示符的类别内传感器融合或其他患者信息来计算。类别内融合可以通过使用基于规则的模型、决策树模型、回归模型、神经网络模型、随机森林、表决模型、模糊逻辑模型、支持向量机模型或对时间序列数据进行运算的任意数学模型中的一个或其组合来完成。分类风险指数可以是一个概率值，指示出患者发展指示HF恶化或与HF恶化相关的未来关联性生理状况的可能性，例如肺部或心脏事件、中央或外围充血事件或其他事件。在其他示例中，分类风险指数可以是指示出关联性生理状况的存在或缺失的预先确定的类别标签(例如，“是”或“否”标签)，或指示出关联性生理状况的严重度分级的标签或数字(例如，高、中、低，或分数为1、2、3或在1到10之间的范围内的等级)。
在506处，复合风险指示符(CRI)可以使用至少第一分类风险指数和第二分类风险指数而生成。CRI指示出患者发展目标生理事件例如HF恶化的可能性。CRI可以使用分类风险指数的一些或全部的类别间融合而生成。在一个示例中，CRI可以是以从指示具有HF恶化的即将发生事件的可能性的各种等级的两个或两个以上类别取得的分类判定的形式。例如，如果分类风险指数是类别标签(例如，高、中、低)或指示关联性生理状况的严重度分级的标签或数字(例如，高、中、低，或分数为1、2、3或1到10之间的范围内的等级)，则CRI可以使用类别标签的判定融合来确定。判定融合方法的示例可包括多数表决、X-out-of-Y表决或加权表决等等。
CRI可为指示出即将发生的目标生理事件例如HF恶化的可能性的数值量。例如，如果分类风险指数是指示出患者发展各种类型的关联性生理状况的置信级的概率值，则CRI可以使用概率值的概率融合来计算。概率融合方法的示例可包括：线性或非线性组合，例如平均或加权和；或参数或非参数方法，例如决策树、神经网络、贝叶斯网络；以及其他机器学习方法。
在CRI计算中使用的类别间融合可以由系统终端用户来修改或自动地调整。更新可以适应于变化的患者上下文，包括患者健康状态、活动或行为、新共病态的发展、目标生理事件的进展或其他患者临床或非临床信息。在CRI被计算为分类风险指数的加权组合的示例中，在具有肾脏疾病的患者中，CRI计算器231可以减少分配给使用胸廓阻抗计算出的分类风险指数的权重，因为肾功能障碍的存在，所以胸廓阻抗的变化或其导出的信号趋势可以不对HF恶化事件特定。从而计算出的分类风险指数可能在预测HF恶化的未来事件中具有降低的性能(例如，更高的假阳性率)。在另一个示例中，在具有慢性阻塞性肺病(COPD)患者中，可以增加分配给使用呼吸率或其他呼吸信号或信号趋势计算出的分类风险指数的权重，因为COPD的存在，所以呼吸率的变化可以对HF恶化事件更敏感或特定。
响应于至分类风险分析器电路的类别特定输入(例如生理信号或信号趋势)的性能、可靠性或鲁棒性的变化还可以作出类别间融合的修改。例如，大体上高于或低于其他分类风险指数的分类风险指数被怀疑是不可靠的或者由干扰或混杂因素潜在地影响，并且因此可以使用减少的权重进行折扣。在其他的示例中，响应于变化的环境上下文(例如被植入的引线修正、传感器完整性和质量的损害或周围环境变化)可以修改类别间融合。响应于根据更新的领域知识(例如关联性生理状况与目标生理事件之间的高相关性的确定的证据)的关联性生理状况的重要性的变化也可以作出修改。
方法500可以选择性地包括生成报告以告知、警告或警报系统终端用户患者发展目标生理事件例如未来HF恶化事件的高风险的操作。报告可包括具有在其内预测风险的对应时间帧的CRI以及用于计算CRI的分类风险指数。报告还可包括推荐动作，例如证实性测试、诊断或治疗选项。报告可呈现为一个或多个媒体格式，包括例如文本或图形消息、声音、图像或其组合。
图6是示出了用于基于指定关联性生理状况从多个信号趋势或从其他患者信息中自适应地选择类别特定输入的方法600的示例的流程图。用于检测指定关联性生理状况的类别特定输入可以适应于一个或多个状况的变化。方法600可以是基于其相应的关联性生理状况而选择信号趋势的第一部分和第二部分的在图5的503处的过程的实施例。
在610处，初始的类别特定输入可以从包括信号趋势的患者信息来选择。如前面参考图5所讨论的，选择可以基于指定关联性生理状况。初始的类别特定输入可以包括已知为对指定关联性生理状况敏感或特定的多个信号趋势，例如根据领域知识。患者上下文的变化然后可以在620处进行评估。患者上下文的变化可以包括患者健康或医疗状态的变化、目标生理活动例如HF恶化的进展、新共病态的发展、活动等级的增加或下降或行为的变化等等。
如果在620处患者上下文的变化被检测到并且满足指定标准，那么在650处对类别特定输入的性能进行评估以确定是否需要对类别特定输入进行更新。然而，如果没有检测到患者上下文的变化，或变化不满足指定标准，那么上下文的上下文的变化可以在630处进行评估。环境上下文的变化可以包括非生理事件，其可以影响在检测分类生理状况中的类别特定输入的准确性或可靠性。例如，在引线修正之后，由于改变电极位置和组织电极的接口性质，所以胸廓阻抗信号及其导出的信号趋势在预测肺水肿中可能不敏感或不太可靠，这些都可能影响胸廓阻抗感测。环境上下文的变化的其他示例可以包括传感器或引线完整性或引线折断的折衷(例如，增加的引线阻抗)，造成生理传感器信号的贫乏的信噪比的环境噪声或干扰的增加，或周围环境变化等等。
如果在630处环境上下文的变化被检测到并且满足指定标准，那么类别特定输入的性能在650处进行评估以确定是否需要对类别特定输入进行更新。然而，如果患者上下文的变化没有被检测到，或变化不满足指定标准，那么领域知识的变化可以在640处进行评估。领域知识可以包括更新关于生理信号或患者信息与关联性生理状况之间的关联性的临床证据。如果领域知识的变化在640处被检测到，那么类别特定输入的性能在650处进行评估以确定是否需要对类别特定输入进行更新。否则，现有类别特定输入(包括生理信号、信号趋势或患者健康和非临床信息)可以保持不变，并且被用于生成信号变化指示符，并且随后用于计算分类风险指数，如在图5中的块504和块505所示。
在指示对类别特定输入进行更新的情况中，例如由于患者上下文或环境上下文的实质性的变化或领域知识的更新，可以在650处对退出类别特定输入进行评估。该评估可以包括在时间段内的性能测量结果的任何变化的信号内评估。例如，这可能涉及将在当前时间段处测量的性能与历史时期段中的性能进行比较。性能测量的示例可以包括灵敏度、特异性、正预测值、负预测值，总体估计准确度或错误率等等。此外地或可选地，该评估包括信号间评估，其涉及在信号趋势当中的性能与类别特定输入中的患者信息的比较。
在660处，如果信号内评估指示出生理信号、信号趋势或患者信息随时间减少的性能或信号可靠性，或者如果信号间评估指示出在类别特定输入中一个信号趋势或传感器信号大体上被其他信号趋势或传感器信号胜过，那么类别特定输入可以在670处进行更新。否则，现有类别特定输入(包括信号趋势或患者健康信息和非临床信息)可以保持不变并且被用于生成信号变化指示符，并且随后用于计算分类风险指数，如在图5中的块504和块505所示。
在670处类别特定输入的更新可以包括从类别特定输入移除信号趋势，该信号趋势在检测关联性生理状况中随时间降低其可靠性或性能，或被其他信号趋势或传感器信号始终胜过。同样地，没有在初始类别特定输入中选择的额外生理信号、信号趋势或患者信息可以被添加到类别特定输入，如果在检测关联性生理状况中其可靠性和性能随时间提高或优于在类别特定输入中的指定数量的其他信号趋势，或根据更新的领域知识潜在地指示出关联性生理状况或与关联性生理状况相关的话。在一些示例中，在670处类别特定输入的更新可以触发指示增加或减少用于在505处计算分类风险指数的信号趋势的权重。例如，如果响应于患者或环境上下文的变化信号趋势始终优于其他信号趋势，则可以增加该信号趋势的权重，而如果响应于患者或环境上下文的变化，信号趋势具有随时间降低的性能或可靠性，则可以减少该信号趋势的权重。更新的类别特定输入然后可以被用于生成信号变化指示符，并随后用于计算分类风险指数，如在图5中的块504和块505所示。
上面的详细描述包括对附图的参考，其构成详细描述的一部分。附图通过说明显示了可以实现本发明的具体实施例。这些实施例在本文中也被称为“示例”。这些示例可以包括除了所示出或所描述的那些元件之外的元件。然而，本发明也预期其中仅提出所示出或者所描述的那些元件的示例。而且，本发明也预期使用参照具体示例(或者其一个或者多个方面)或者参照本文示出或者描述的其他示例(或者其一个或者多个方面)示出或者描述的那些元件(或者其一个或者多个方面)的任意组合或者排列的示例。
如果在本文献和通过引用方式并入任何文献之间的不一致用法，则该文献中的用法控制。
在该文献中，与任何其他情况或者“至少一个”或“一个或多个”的用法不同，如在本专利文献中常见的，术语“一”或者“一个”被使用以包括一个或者超过一个。在该文献中，术语“或”用于指代非排他性的或者，从而“A或B”包括“A但是非B”、“B但是非A”以及“A和B”，除非另外指明。在该文献中，术语“包括”和“其中”用作相应术语“包含”和“在其中”的简明英语等同用语。此外，在下面权利要求书中，术语“包括”和“包含”是开放式的，也就是说，在权利要求书中，包括除了这种术语之后所列的元件以外的元件的系统、装置、物品或过程仍被视为在该权利要求的范围之内。此外，在权利要求中，术语“第一”、“第二”和“第三”等等仅用作标记，对其对象没有数值要求。
本文所描述的方法示例可以是至少部分地机器实施或计算机实施的。一些示例可以包括用指令编码的计算机可读介质或者机器可读介质，所述指令可操作，以配置电子装置来执行上述示例中的方法。这种方法的实施可以包括代码，例如微代码、汇编语言代码、高级语言代码等等。这种代码可以包括用于执行各种方法的计算机可读指令。代码可以构成计算机程序产品的一部分。此外，在执行过程中或者其他时间，代码可以有形地存储在一个或多个易失性或非易失性计算机可读介质上。这些计算机可读介质可以包括但不限于硬盘、可移动硬盘、可移动光盘(例如压缩盘和数字视频盘)、磁带盒、存储卡或记忆棒、随机存取存储器(RAM)、只读存储器(ROM)等等。
以上的描述只是例证性的，而非限制性的。例如，上述示例(或其一个或多个方面)可彼此组合使用。例如本领域的普通技术人员在阅读以上描述的基础上，也可以使用其他的实施例。依照37C.F.R.§1.72(b)提供摘要，以允许读者快速确定技术公开的实质。应理解，所提交的摘要不用于解释或限制权利要求书的范围或含义。此外，在上文的具体实施方式部分，可将各种特征组合在一起，以简化公开。这不应被理解成意指未要求保护的公开特征是任一权利要求必要的。相反地，发明主题可以小于所公开的特定实施例的全部特征。因此，权利要求书由此并入具体实施方式部分，每个权利要求独自代表分别的实施例。本发明的范围应当根据所附权利要求连同这些权利要求的全部等同范围来确定。

Claims (14)

1.一种用于检测或预测在患者中的心力衰竭(HF)恶化事件的系统，包括：
患者信息接收器电路，其被配置为接收包括从患者获得的一个或多个生理信号的患者信息，并且生成从所述一个或多个生理信号导出的统计学或形态学信号特征的多个信号趋势；
至少两个分类风险分析器电路，每个包括：
类别特定输入选择电路，其被配置为接收包括基于关联性生理状况从所述多个信号趋势选择的至少一部分的类别特定输入，所述关联性生理状况是与目标生理事件不同类型的状况并且与目标生理事件相关；
信号趋势分析器电路，其被配置为针对所述多个信号趋势的所选部分的至少一个而生成信号趋势度量，所述信号趋势度量的每个包括指示出信号变化等级的信号变化指示符；以及
分类风险计算器电路，其被配置为使用所述多个信号趋势的所选部分的信号趋势度量的第一融合来计算分类风险指数，所述分类风险指数指示出所述患者发展或呈现所述关联性生理状况的可能性；以及
分类融合电路，其耦接至所述至少两个分类风险分析器电路，所述分类融合电路被配置为使用由所述至少两个分类风险分析器电路分别提供的分类风险指数的第二融合来生成复合风险指示符，所述复合风险指示符指示出患者发展所述目标生理事件的可能性。
2.根据权利要求1所述的系统，其中，所述类别特定输入选择电路被配置为响应于所述信号趋势的至少一个所选部分满足指定标准而自适应地更新所述类别特定输入。
3.根据权利要求1或2的任一项所述的系统，
其中，在至少两个分类风险分析器电路中的一个中，所述关联性生理状况包括指定患者症状，并且所述类别特定输入选择电路被配置为接收基于所述指定患者症状的类别特定输入，
其中，在至少两个分类风险分析器电路中的不同一个中，所述关联性生理状况还包括不同于所述目标生理事件但与所述目标生理事件共存的指定患者共病态状况，并且所述类别特定输入选择电路被配置为接收基于所述患者共病态状况的类别特定输入。
4.根据权利要求3所述的系统，其中，所述患者症状包括症状性心脏事件或症状性肺部事件，并且所述至少两个分类风险分析器电路中的至少一个被配置为计算指示出患者发展所述症状性心脏事件或所述症状性肺部事件的可能性的分类风险指数。
5.根据权利要求1或2的任一项所述的系统，其中，所述关联性生理状况包括所述目标生理事件的指定致病因素，并且所述类别特定输入选择电路被配置为接收基于所述指定致病因素的类别特定输入。
6.根据权利要求5所述的系统，其中，所述致病因素包括加速所述目标生理事件的患者特定风险分层，所述分类风险分析器被配置为确定所述患者特定风险分层，并且所述类别特定输入选择电路被配置为接收基于所述患者特定风险分层的类别特定输入。
7.根据权利要求1或2的任一项所述的系统，其中，所述关联性生理状况包括指示心脏劳力、肺部劳力、血压或血氧合水平中的一个或多个的指定患者生命体征，并且所述类别特定输入选择电路被配置为接收基于所述患者生命体征的类别特定输入。
8.根据权利要求1或2所述的系统，其中，所述患者信息接收器电路被配置为能够接收患者人口统计信息，并且所述至少两个分类风险计算器电路中的至少一个被配置为使用所述患者人口统计信息来计算所述分类风险指数。
9.根据权利要求1或2所述的系统，其中，所述患者信息接收器电路被配置为能够接收患者治疗信息，并且所述至少两个分类风险计算器电路中的至少一个被配置为使用所述患者治疗信息来计算所述分类风险指数。
10.根据权利要求1或2所述的系统，其中，所述信号趋势分析器电路被配置为生成信号变化指示符，其包括指示信号强度随时间的相对变化的多个等级之一。
11.根据权利要求1或2所述的系统，其中，所述分类风险计算器电路被配置为计算包括所述多个信号趋势中的至少一个所选部分的信号变化指示符的线性或非线性组合的分类风险指数。
12.根据权利要求1或2所述的系统，其中，所述分类风险计算器电路被配置为计算包括分类判定的分类风险指数，并且所述分类融合电路被配置为使用在所述分类判定当中的判定融合来生成所述复合风险指示符。
13.根据权利要求1或2所述的系统，其中，所述分类风险计算器电路被配置为计算包括数值风险量的分类风险指数，并且所述分类融合电路被配置为使用所述数值风险量的线性或非线性组合来生成所述复合风险指示符。
14.一种用于检测或预测在患者中的心力衰竭(HF)恶化事件的系统，所述系统包括：
患者信息接收器电路，其被配置为接收包括从所述患者获得的一个或多个生理信号的患者信息，并且生成从所述一个或多个生理信号导出的统计学或形态学信号特征的多个信号趋势；
至少两个分类风险分析器电路，每个包括：
类别特定输入选择电路，其被配置为接收包括基于关联性生理状况从所述多个信号趋势选择的至少一部分的类别特定输入，所述关联性生理状况是与HF恶化不同类型的状况并且与所述HF恶化相关；
信号趋势分析器电路，其被配置为生成信号趋势度量，所述信号趋势度量的每个包括指示信号变化等级的信号变化指示符、指示所述信号趋势的振幅或功率的信号强度指示符或指示所述信号趋势在指定时间段内的变化程度的信号变率指示符中的至少一个；以及
分类风险计算器电路，其被配置为使用所述信号趋势度量的第一融合来计算分类风险指数，所述分类风险指数指示出所述患者发展或呈现所述关联性生理状况的可能性；以及
分类融合电路，其被耦接至所述至少两个分类风险分析器电路，所述分类融合电路被配置为使用由所述至少两个分类风险分析器电路分别提供的所述分类风险指数的第二融合来生成复合风险指示符，所述复合风险指示符指示出所述患者发展所述HF恶化的可能性。
CN201580012567.3A 2014-03-07 2015-03-04 多级心力衰竭事件检测 Active CN106132286B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201461949313P 2014-03-07 2014-03-07
US61/949,313 2014-03-07
PCT/US2015/018565 WO2015134556A1 (en) 2014-03-07 2015-03-04 Multi-level heart failure event detection

Publications (2)

Publication Number Publication Date
CN106132286A CN106132286A (zh) 2016-11-16
CN106132286B true CN106132286B (zh) 2020-04-21

Family

ID=52727402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580012567.3A Active CN106132286B (zh) 2014-03-07 2015-03-04 多级心力衰竭事件检测

Country Status (4)

Country Link
US (2) US9662073B2 (zh)
EP (1) EP3113674A1 (zh)
CN (1) CN106132286B (zh)
WO (1) WO2015134556A1 (zh)

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015134556A1 (en) 2014-03-07 2015-09-11 Cardiac Pacemakers, Inc. Multi-level heart failure event detection
EP3282933B1 (en) * 2015-05-13 2020-07-08 Alivecor, Inc. Discordance monitoring
US20170181711A1 (en) * 2015-12-29 2017-06-29 International Business Machines Corporation Time-varying risk profiling from health sensor data
WO2017172755A1 (en) * 2016-04-01 2017-10-05 Cardiac Pacemakers, Inc. Multi-disease patient management
CN109069060B (zh) 2016-04-01 2021-04-27 心脏起搏器股份公司 用于检测恶化的心力衰竭的系统和方法
US10470702B2 (en) * 2017-02-21 2019-11-12 Zoll Medical Corporation Assigning zone-based rankings and actions
JP7118991B2 (ja) * 2017-03-07 2022-08-16 カーディアック ペースメイカーズ， インコーポレイテッド 心房性不整脈を検出するためのシステム
US11832970B2 (en) * 2017-07-26 2023-12-05 Cardiac Pacemakers, Inc. Worsening heart failure stratification
US10952681B2 (en) * 2017-09-05 2021-03-23 Medtronic, Inc. Differentiation of heart failure risk scores for heart failure monitoring
EP3764886B1 (en) * 2018-03-16 2024-01-10 ZOLL Medical Corporation Monitoring physiological status based on bio-vibrational and radio frequency data analysis
US11154249B2 (en) * 2018-05-02 2021-10-26 Medtronic, Inc. Sensing for health status management
WO2019232695A1 (zh) * 2018-06-05 2019-12-12 深圳迈瑞生物医疗电子股份有限公司 一种基于运动传感器的生理参数优化方法及监护装置
EP3806951A2 (en) * 2018-06-14 2021-04-21 Medtronic, Inc. Delivery of cardiac pacing therapy for cardiac remodeling
CN109147942A (zh) * 2018-06-15 2019-01-04 江苏人先医疗科技有限公司 监控患者手术风险的方法、处理器、监控设备及存储装置
US11942222B2 (en) * 2018-06-18 2024-03-26 Zoll Medical Corporation Medical device for estimating risk of patient deterioration
CN112654286A (zh) * 2018-09-07 2021-04-13 维塔尔康奈克特公司 筛选结构性心脏病的设备、方法及系统
CN112703562A (zh) * 2018-09-18 2021-04-23 皇家飞利浦有限公司 一般和个人患者风险预测
US11576586B2 (en) * 2018-12-18 2023-02-14 Movano Inc. Methods for radio wave based health monitoring that utilize data derived from amplitude and/or phase data
US10811135B2 (en) * 2018-12-27 2020-10-20 General Electric Company Systems and methods to determine disease progression from artificial intelligence detection output
CN109497991B (zh) * 2019-01-04 2021-07-02 济南汇医融工科技有限公司 基于机器学习的心衰检测装置
US11559241B2 (en) * 2019-10-01 2023-01-24 Pacesetter, Inc. Methods and systems for reducing false declarations of arrhythmias
US11883191B2 (en) * 2020-05-27 2024-01-30 Cardiac Pacemakers, Inc. Pneumonia detection in cardiovascular patients
EP4158661A1 (en) * 2020-06-01 2023-04-05 ChemImage Corporation A method for fusing sensor data for cardiac monitoring and devices thereof
CN114121190A (zh) * 2020-09-01 2022-03-01 四川大学华西医院 建立慢性心力衰竭患者共病情绪障碍早期预警模型的方法
TWI765420B (zh) * 2020-11-20 2022-05-21 英業達股份有限公司 心衰竭預測組件
CN112489803A (zh) * 2020-12-23 2021-03-12 阿斯利康投资(中国)有限公司 风险事件预测方法和系统、风险事件预测系统的生成方法
WO2022173674A1 (en) * 2021-02-09 2022-08-18 Medtronic, Inc. Health event prediction
CN113712513A (zh) * 2021-09-08 2021-11-30 北京百度网讯科技有限公司 生理检测方法及装置
US20230142121A1 (en) * 2021-11-02 2023-05-11 Chemimage Corporation Fusion of sensor data for persistent disease monitoring
EP4201315A1 (en) * 2021-12-23 2023-06-28 Koninklijke Philips N.V. Method and system for screening cardiac conditions of a patient
WO2023117709A1 (en) * 2021-12-23 2023-06-29 Koninklijke Philips N.V. Method and system for screening cardiac conditions of a patient
WO2023203415A1 (en) * 2022-04-22 2023-10-26 Medtronic, Inc. Determination of cardiac flow rate with an implantable medical device

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105792741A (zh) * 2013-12-06 2016-07-20 心脏起搏器股份公司 使用分类器融合的心力衰竭事件预测

Family Cites Families (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030212579A1 (en) * 2002-05-08 2003-11-13 Brown Stephen J. Remote health management system
US5660176A (en) 1993-12-29 1997-08-26 First Opinion Corporation Computerized medical diagnostic and treatment advice system
US5545186A (en) * 1995-03-30 1996-08-13 Medtronic, Inc. Prioritized rule based method and apparatus for diagnosis and treatment of arrhythmias
US8326649B2 (en) 1999-11-18 2012-12-04 Koninklijke Philips Electronics N.V. System for providing expert care to outpatients from a remote location
US20110301982A1 (en) 2002-04-19 2011-12-08 Green Jr W T Integrated medical software system with clinical decision support
US7353062B2 (en) 2003-12-24 2008-04-01 Cardiac Pacemakers, Inc. Post-shock recovery monitoring for tachyarrhythmia discrimination
US20070118054A1 (en) 2005-11-01 2007-05-24 Earlysense Ltd. Methods and systems for monitoring patients for clinical episodes
US7480528B2 (en) 2004-07-23 2009-01-20 Cardiac Pacemakers, Inc. Method and apparatus for monitoring heart failure patients with cardiopulmonary comorbidities
US7174203B2 (en) 2004-11-18 2007-02-06 Inovise Medical, Inc. Method and system relating to monitoring and characterizing heart condition
US20080275731A1 (en) 2005-05-18 2008-11-06 Rao R Bharat Patient data mining improvements
US7922669B2 (en) * 2005-06-08 2011-04-12 Cardiac Pacemakers, Inc. Ischemia detection using a heart sound sensor
CN101365373A (zh) * 2005-06-21 2009-02-11 早期感知有限公司 用于预测和监测临床发作的技术
US20070259377A1 (en) * 2005-10-11 2007-11-08 Mickey Urdea Diabetes-associated markers and methods of use thereof
US20100081941A1 (en) * 2006-03-22 2010-04-01 Endothelix, Inc. Cardiovascular health station methods and apparatus
US8684922B2 (en) * 2006-05-12 2014-04-01 Bao Tran Health monitoring system
US8979753B2 (en) * 2006-05-31 2015-03-17 University Of Rochester Identifying risk of a medical event
US20100267052A1 (en) * 2006-09-01 2010-10-21 American Type Culture Collection Compositions and methods for diagnosis and treatment of type 2 diabetes
US7629889B2 (en) 2006-12-27 2009-12-08 Cardiac Pacemakers, Inc. Within-patient algorithm to predict heart failure decompensation
US9968266B2 (en) * 2006-12-27 2018-05-15 Cardiac Pacemakers, Inc. Risk stratification based heart failure detection algorithm
US8271080B2 (en) * 2007-05-23 2012-09-18 Cardiac Pacemakers, Inc. Decongestive therapy titration for heart failure patients using implantable sensor
US8790257B2 (en) 2007-09-14 2014-07-29 Corventis, Inc. Multi-sensor patient monitor to detect impending cardiac decompensation
EP2337492A1 (en) 2008-09-22 2011-06-29 Cardiac Pacemakers, Inc. Congestive heart failure decompensation detection
JP5300982B2 (ja) 2008-10-10 2013-09-25 カーディアック ペースメイカーズ， インコーポレイテッド 心不全患者管理用の複数センサ方式
US20120065514A1 (en) * 2008-12-30 2012-03-15 Morteza Naghavi Cardiohealth Methods and Apparatus
US9526429B2 (en) * 2009-02-06 2016-12-27 Resmed Sensor Technologies Limited Apparatus, system and method for chronic disease monitoring
US8450069B2 (en) * 2009-06-08 2013-05-28 Singulex, Inc. Highly sensitive biomarker panels
US20120003639A1 (en) * 2010-04-27 2012-01-05 Prelude, Inc. Cancer biomarkers and methods of use thereof
US8679009B2 (en) 2010-06-15 2014-03-25 Flint Hills Scientific, Llc Systems approach to comorbidity assessment
JP5539816B2 (ja) 2010-08-31 2014-07-02 富士フイルム株式会社 医療情報提供装置、医療情報提供方法、並びに医療情報提供プログラム
RU2017110678A (ru) 2010-11-01 2019-01-24 Б.Р.А.Х.М.С Гмбх Оценка прогноза и риска пациентов с неспецифическими жалобами
JP5759015B2 (ja) * 2010-12-15 2015-08-05 カーディアック ペースメイカーズ， インコーポレイテッド 胸部インピーダンスを用いた姿勢検出
JP2014502526A (ja) * 2010-12-15 2014-02-03 カーディアック ペースメイカーズ， インコーポレイテッド 複数のセンサを用いた心代償不全検出
WO2012135775A1 (en) 2011-04-01 2012-10-04 Medtronic, Inc. Heart failure monitoring
US9171131B2 (en) * 2012-06-22 2015-10-27 Integrated Deficit Examinations, LLC Device and methods for mobile monitoring and assessment of clinical function through sensors and interactive patient responses
CN104661588B (zh) * 2012-07-27 2017-03-08 心脏起搏器股份公司 心力衰竭患者分层
US20140120559A1 (en) * 2012-10-26 2014-05-01 Boston Heart Diagnostics Corporation Diabetes panel
EP2972339A1 (en) * 2013-03-15 2016-01-20 Health Diagnostic Laboratory, Inc. Method of generating an index score for mbl deficiency to predict cardiodiabetes risk
WO2014160860A2 (en) 2013-03-27 2014-10-02 Zoll Medical Corporation Use of muscle oxygen saturation and ph in clinical decision support
EP4275592A3 (en) * 2013-05-20 2024-02-28 Cardiac Pacemakers, Inc. Apparatus for heart failure risk stratification
US9610026B2 (en) * 2013-09-26 2017-04-04 Cardiac Pacemakers, Inc. Methods and apparatus for detecting heart failure event using rank of thoracic impedance
CN105636641B (zh) * 2013-10-15 2017-12-29 心脏起搏器股份公司 使用阻抗矢量转换检测心力衰竭
US9622664B2 (en) * 2013-11-04 2017-04-18 Cardiac Pacemakers, Inc. Methods and apparatus for detecting heart failure decompensation event and stratifying the risk of the same
WO2015065674A1 (en) * 2013-11-04 2015-05-07 Cardiac Pacemakers, Inc. Heart failure detection and risk stratification system
WO2015084595A1 (en) * 2013-12-06 2015-06-11 Cardiac Pacemakers, Inc. Apparatus for predicting heart failure
WO2015134556A1 (en) 2014-03-07 2015-09-11 Cardiac Pacemakers, Inc. Multi-level heart failure event detection
US20150265174A1 (en) * 2014-03-18 2015-09-24 Jami SHAKIBI GILANI Non-Invasive Evaluation of Cardiac Repolarisation Instability for Risk Stratification of Sudden Cardiac Death
JP6454729B2 (ja) 2014-05-15 2019-01-16 カーディアック ペースメイカーズ， インコーポレイテッド 心不全悪化の自動鑑別診断のための医療デバイスシステム
US9999359B2 (en) * 2014-05-29 2018-06-19 Cardiac Pacemakers, Inc. System and methods for detecting atrial tachyarrhythmia using hemodynamic sensors
US20150342540A1 (en) * 2014-05-30 2015-12-03 Cardiac Pacemakers, Inc. Heart failure event detection and risk stratification using heart rate trend
CN106456003A (zh) * 2014-06-02 2017-02-22 心脏起搏器股份公司 评估心房纤维性颤动的血液动力学反应
US20150351660A1 (en) * 2014-06-05 2015-12-10 Cardiac Pacemakers, Inc. Absolute thoracic impedance for heart failure risk stratification
US10172568B2 (en) * 2014-07-14 2019-01-08 Medtronic, Inc. Determining prospective risk of heart failure hospitalization

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105792741A (zh) * 2013-12-06 2016-07-20 心脏起搏器股份公司 使用分类器融合的心力衰竭事件预测

Also Published As

Publication number Publication date
WO2015134556A1 (en) 2015-09-11
US20150250428A1 (en) 2015-09-10
US10182768B2 (en) 2019-01-22
EP3113674A1 (en) 2017-01-11
US20170215809A1 (en) 2017-08-03
CN106132286A (zh) 2016-11-16
US9662073B2 (en) 2017-05-30

Similar Documents

Publication Publication Date Title
CN106132286B (zh) 多级心力衰竭事件检测
JP6454729B2 (ja) 心不全悪化の自動鑑別診断のための医療デバイスシステム
US20150157273A1 (en) Heart failure event prediction using classifier fusion
AU2017246369B2 (en) Confidence of arrhythmia detection
US9622664B2 (en) Methods and apparatus for detecting heart failure decompensation event and stratifying the risk of the same
EP2999396B1 (en) Apparatus for heart failure risk stratification
CN109843166B (zh) 用于心律失常检测的系统
JP6140369B2 (ja) 心不全を検出するための装置
US20150126878A1 (en) Heart failure event detection and risk stratification using heart sound
US20150342540A1 (en) Heart failure event detection and risk stratification using heart rate trend
CN107405491B (zh) 生理事件检测和数据存储
US20170281096A1 (en) Detection of worsening heart failure
US20150157221A1 (en) Methods and apparatus for predicting heart failure event

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