CN108289984A - 用于使用泵操作数据的不良事件预测的方法和系统 - Google Patents

Abstract

本公开提供了表征通过植入式血泵(101)的被监测的血液的流速的偏离的方法(410，500)中的每一种，以及使用所述血泵的操作数据(230)(诸如，所表征的偏离数据)预测即将发生的不良心脏事件的方法(420，700)。预测即将发生的不良心脏事件的步骤可进一步基于来自多个其他植入式血泵的类似的操作数据。

Description

用于使用泵操作数据的不良事件预测的方法和系统

相关申请的交叉引用

本申请要求在2015年11月2日提交的美国临时申请No.62/249,601的申请日的权益，该申请的公开内容藉此通过引用结合于此。

背景技术

植入式血泵可用于向患有晚期心脏病的患者提供心脏支持。血泵通过从患者的心脏或血管系统接收血液并推动该血液进入患者的动脉系统来操作。通过将动量和压力加到患者的血流，血泵可增强或替代心脏的泵送动作。

例如，当血泵被用于辅助左心室或右心室的泵送动作时，血泵可被配置作为心室辅助设备或“VAD”。该设备通常从心脏的左心室吸取血液并将血液排到主动脉中，或从右心室吸取血液并排到肺动脉中。一些血泵可为患者的心脏提供部分支持，在这些情况中，泵可从患者的心房吸取血液。此外，在部分支持的情况中，泵可将血液排到患者的锁骨下动脉。

血泵通过以大的(substantial)血液流速推动血液通过脉管系统来对心脏提供临床有用的辅助。对于成年人类患者，取决于患者的植入部位和需求，心室辅助设备可被布置成以跨泵大约10-110mm Hg的压差、以大约每分钟1-10公升泵血。患者的需求可随年龄、身高和其他因素改变。

本发明的一些方面提供了：(a)定期地监测患者以保证患者不处于某些心血管健康状况的风险，诸如，短暂性脑缺血发作(TIA)或脑血管意外(CVA)，例如，缺血性中风、出血性中风；以及(b)辅助临床医生作出他们关于患者治疗的决定。用于监测患者的方法通常需要由临床医生采取的测量(诸如，患者的生命体征)，因此并且这些测量对于定期监测是不便的，更不用说对于持续的监测。因此，期望在常规临床监测中实现一种系统，该系统不仅能够监测其控制的血泵的操作，而且进一步能够基于从泵收集的信息监测患者的健康。患者的健康监测可本地地(在泵控制器本身中)或远程地被执行，在远程地执行患者的健康监测的情况中，从泵收集的数据被发送到计算机中心，沿用远程患者监测范例。

进一步地期望提供可基于从泵收集的信息预测不良心血管或脑血管健康状况的即将发生的临床决定系统。

发明内容

本公开的一个方面提供了表征通过植入式血泵的被监测的血液的流速的偏离(divergence)的方法。该方法可包括随时间反复地执行：(i)确定在当时的时间通过泵的血液的流速，(ii)计算在该当时的时间之前的第一时间段内通过泵的血液的平均流速，(iii)计算偏离(divergence)值，该偏离值表示平均流速和所确定的当时的流速之间的差异，其中基于所计算的偏离值的总和来表征流速的偏离。所计算的偏离值的总和可被反复地计算，使得对于给定的当时的时间，该总计偏离值是就在当时的时间之前的第二时间段内所计算的偏离值。在一些示例中，该第二时间段可短于第一时间段。例如，第二时间段可以是大约三小时，而第一时间段可以是大约三天。在一些示例中，所计算的平均流速可以是移动平均，其中第一时间段就在当时的时间之前。

本公开还提供了基于来自植入式血泵的流速数据来预测不良事件的方法。该方法可包括如本文所述的表征所监测的流速的偏离的方法，其中所计算的偏离值的总和被反复地计算，并且总计偏离值中的每一个与其对应的当时的时间相关联。该方法可进一步包括将总计偏离值编译成波形(例如，时域波形)，并且基于该波形的一个或多个特征来预测不良事件。

替代地或附加地，该方法可进一步包括将总计偏离值按幅度进行分类，并且基于最高幅度总计偏离值来预测不良事件。

本公开还提供了为第一植入式血泵的用户预测即将发生的不良事件的方法，该方法基于从该第一植入式血泵的第一操作数据导出的信息，并且进一步基于从该第一植入式血泵和/或一个或多个其他植入式血泵的第二操作数据的数个段导出的信息，针对一个或多个其他植入式血泵的第二操作数据的数个段而言，每段对应不良事件的发生还是不发生是已知的。对于每一个植入式血泵，可在一持续时间内收集操作数据，并且信息可从基于操作数据构建的波形导出。该方法可包括：(i)从第一植入式血泵获取第一操作数据，(ii)从基于该操作数据构建的波形导出信息，(iii)访问从基于第二操作数据(来自第一或其他植入式泵)的数个段构建的波形导出的信息，其中该信息的至少第一部分对应于不良事件的不发生并且该信息的至少第二部分对应于不良事件的发生，(iv)针对导出的信息的至少两个波形特征，将从第一操作数据导出的所述信息与从第二操作数据导出的所述信息进行比较，以及(v)基于该比较，确定第一操作数据是与第二操作数据的第一部分还是第二部分相关联，其中与第二操作数据的第二部分的相关性是对在预定时间跨度内的即将发生的不良事件的预测。

在一些示例中，每一个植入式血泵的操作数据可以是植入式血泵中的血液的流速的波形。而且，在一些示例中，预定的时间跨度可以在大约一天和大约七天之间，或在大约一天和大约一个月之间，或在大约六天和六十天之间。对于数个第二操作数据段被访问的每一个血泵，该血泵的数个第二操作数据段可对应于至少一个月的操作数据。在一些情况中，可至少部分地从第一植入式血泵访问这些第二操作数据段。从第一植入式血泵访问的这些第二操作数据段可在被访问之前的至少大约一年被记录。附加地或替代地，第二操作数据可包括超过两部分，其中第二操作数据的至少一部分对应于不良事件的特定类型。

波形特征中的至少一个可以是：两个连续的过零节点之间的积分，两个非连续的过零节点之间的积分；最大的所计算的流量的偏离；最小的所计算的流量的偏离；两个连续的过零节点之间的时间段内的正峰值的数量；两个连续的过零节点之间的时间段内的正峰值的数量；两个连续的过零节点之间的正峰值的频率；两个连续的过零节点之间的负峰值的频率；过零节点和正峰值之间的斜率；或过零节点和负峰值之间的斜率，以及局部极值之间的斜率。可从上述组中挑选波形特征中的至少两个。

可使用数据挖掘分析(诸如，线性判别分析、聚类分析或贝叶斯(Bayesian)分析)或者使用神经网络来执行波形特征的比较，替代地或附加地，可挑选波形特征使得第一和第二多个其他血泵组被分成不重叠的种类。

在预定的时间跨度内对即将发生的不良事件进行预测的情况下，该方法可进一步包括输出预测的通知和预测事件发生的百分比可能性。还可输出用于预测的分析基础。用于预测的分析基础包括是从第一植入式血泵还是从一个或多个其他植入式血泵访问与第一操作数据相关的第二操作数据的指示。该预测可以具有以下的任一个或多个：至少大约86％的平衡精确度；至少大约78％的灵敏度；大约99％的特异性；或大约99％的曲线下面积。

该方法可进一步包括访问与所述第一血泵的用户的生理因素(例如，活动水平、血细胞比容水平、用户的药物治疗、用户的状况的病理、用户的先前被记录的不良事件等)相关的数据。从所述第一血泵的第一操作数据导出的信息是与从根据第二操作数据导出的信息的第一部分还是第二部分导出的信息相关的确定步骤可进一步基于该生理因素数据。

本公开的又一方面提供了在植入式血泵中检测血栓的方法。该方法可包括：(i)反复地估计随时间通过泵的血液的流速，(ii)反复地计算所估计的流速的移动流速平均，(iii)反复地计算当时所估计的流速和当时的移动流速平均之间的偏离，(iv)反复地计算所计算的偏离的移动总和，以及(v)基于所计算的移动总和确定在血泵中的血栓的存在。可选择地，该方法可以进一步包括：(vi)接收在没有发生血栓期间的移动总和数据的第一数据集，(vi)接收在发生血栓期间的移动总和数据的第二数据集，以及(viii)将所计算的移动总和与该第一和第二数据集中的每一个进行比较，其中基于所计算的移动总和确定血泵中的血栓的存在是基于所述比较的。

本公开的又一方面提供了VAD控制器，该VAD控制器可用于定期地监测患者以保证患者不处于某些心脏相关的健康状况的风险，诸如，短暂性脑缺血发作(TIA)或脑血管意外(CVA)。

附图说明

图1是根据本公开的实施例的血泵的分解透视图。

图2是根据本公开的实施例的控制电路的框图。

图3是根据本公开的实施例的从血泵收集的时间有序的操作数据的视觉表示。

图4是根据本公开的实施例的示例方法的流程图。

图5是在图4的方法的第一步骤上扩展的示例流程图。

图6是根据本公开的实施例的时序偏离数据的视觉表示。

图7是在图4的方法的第二步骤上扩展的示例流程图。

图8是根据本公开的实施例的在图6的偏离数据中标识的波形特征的视觉表示。

具体实施方式

本公开提供了方法、系统和设备和方法，所述方法系统和设备能够收集和表征可用于基于收集到的信息预测心脏相关的健康状况或其他不良(adverse)事件的即将发生的数据，并且可进一步能够在这种即将发生的情况下通知患者或临床医生。不良事件可包括出血、感染、心血管健康状况、脑血管不良事件、血细胞比容(hematocrit)变化以及VAD外周故障等。

本公开可被应用的一个示例血泵系统是由在美国佛罗里达州迈阿密湖中的HeartWare公司制造的HVAD@泵。HVAD@泵是离心泵，且在美国专利No.8,512,013中被进一步讨论，该专利的公开内容藉此以其整体被结合于此。在操作中，血泵从源(诸如患者心脏的右心室、左心室、右心房或左心房)吸取血液并将该血液推动到主动脉(诸如，患者的升主动脉或外周动脉)中。由于应用的性质，泵送机构必须是高度可靠的。患者舒适度也是重要的考虑。除了泵送机构，设备可包括用于泵送机构的控制器和驱动电子器件。控制器和驱动电子器件可从外部电源接收功率。该功率可用于以期望的速度驱动泵送机构的电机。

本公开可被应用的另一示例血泵系统是MVAD@泵，也是由HeartWare公司制造的。MVAD@泵是轴流泵，且在美国公开No.2012/0245681中被进一步讨论，该公开的公开内容藉此以其整体被结合于此。在操作中，该泵类似地吸取血液朝向患者的升主动脉或外周动脉，但与血液从患者心脏的心室或心房被吸取的方向相同。HVAD和MVAD系统中的每一个包括控制电路以用于监测相应泵的操作数据以及用于控制泵的操作。

图1通过示例的方式描绘了HVAD泵。如图1中所描述的，泵101包括壳体105，该壳体包括互锁外壳以在互锁外壳之间形成封闭的泵腔室103。血液通过适配用于顶端插入到心室中的轴向入口插管107(cannula)被供应到泵101，插管107被附连到壳体105或可与壳体105集成，并且与泵腔室103处于流体流动通信。血液以与入口插管107的纵轴基本上垂直的方向通过出口退出泵腔室103。壳体的出口可通过出口插管109连接到患者的动脉(诸如，主动脉)。

转子或泵叶轮122位于泵腔室103内。转子结合一个或多个永磁体(未示出)，并且电线圈组(未示出)被放置在壳体105内的固定位置中。线圈和磁体形成电机。在操作中，从心室进入插管107的血液进入泵腔室103被旋转叶轮122啮合的地方。从插管107进入泵腔室的血液从退出插管的轴向流被重定向成叶轮122在其内被淹没的径向流。

供电和控制线缆150延伸通过壳体上的馈通件130，并且将壳体内的线圈连接到控制电路140。控制电路140被连接到电源(未示出)，该电源可包括蓄电池、总电源连接或两者。如以下进一步讨论的，控制电路140被布置成按顺序地激励泵的线圈，以便在壳体内施加旋转磁场并且驱动转子122旋转，使得在操作中泵从患者心脏的左心室V吸取血液并推动血液通过流出插管109进入患者的主动脉。

控制电路140监测并进一步控制泵101的操作。控制电路功能可至少部分地由通用处理器实现，如图2的示例实现中所示的。如所示的，使用处理器210、存储器220、数据230、指令240以及泵接口250来实现控制电路140。接口250可包括诸如被连接到泵的线圈的功率半导体之类的部件，以及一个或多个用于检测泵线圈上的电压的传感器。控制电路140可以可选地包括将控制电路140连接到一个或多个I/O设备260的I/O接口252，该I/O设备被适配成将信息输入到控制电路中，从控制电路输出信息，或两者兼有。接口250可以是模拟接口或数字接口。

存储器220存储可由处理器210访问的信息，包括可由处理器210执行的指令240。存储器还包括可由处理器210检索、操纵或存储的数据230。存储器可以是能够存储可由处理器访问的信息的任何类型，诸如，硬盘驱动器、存储卡、ROM、RAM、DVD、CD-ROM、可写存储器和只读存储器。处理器210可以是任何公知的处理器，诸如，市面上可购得的处理器。

替代地，处理器可以是专用控制器，诸如，ASIC。

可由处理器210根据指令240检索、存储或修改数据230。数据还可以以任何计算机可读的格式(诸如，但不限于，二进制值、ASCII或统一代码(Unicode))被格式化。此外，数据可包括足以标识相关信息的任何信息，诸如，数字、描述性文本、专用代码、指针、对存储在其他存储器(包括其他网络位置)中的数据的引用或由函数用来计算相关数据的信息。

数据230可包括血泵的操作数据，诸如，功率数据(例如，被供应到泵的电流)236、泵转速数据234、泵的入口和出口的压差以及通过泵232的血液的流速。可从血泵的控制电路的电信号采样和分析这样的数据。

图3描绘了可由血泵控制电路收集以便监测VAD的原始的日志数据的示例。该原始数据包括被监测的VAD的若干操作参数，包括退出泵310的血液的流速、泵电机320的电机速度以及从泵驱动电路供应到泵电机330的功率。该数据被称为“原始的”是因为它还没有根据本文中所描述的方法被分析、被表征或以其他方式被处理。

被存储在存储器中的指令240可包括一个或多个用于执行某些操作的指令集或模块。一种这样的模块可以是用于执行估计通过泵的血液的流速所需要的步骤的流量估计模块242。该流量估计模块可被配置成使用模型来估计通过泵的血液的流速。用于离心泵的模型可部分地基于泵的转子的加速度、基于供应给泵的电流量以及可能地基于患者血液的粘度(例如，基于血细胞比容水平)来确定血液流速。用于轴流泵的模型可进一步部分地基于由转子的线圈上的叶轮感应的反电动势来确定血液流速。

在其他的示例系统中，可使用指示流量的其他参数，和/或采用不同的计算，以估计血液的流速。替代地，可使用直接测量(诸如，利用超声波流量计)来收集流速数据。

控制电路可进一步地可操作用于记录估计的或测量的流速数据。在一些示例中，控制电路可基于所记录的数据执行附加的计算。这种计算(例如，最大值、最小值、平均值或振幅)中的一些示例在共同所有的美国专利公开No.2015/0367048中被提供，该公开的公开内容以其整体被结合于此。

另一这种模块可以是用于控制泵速度控制模块的速度的泵控制模块244。在一些示例中，可基于所记录的数据来控制泵的转速，诸如，如果所估计的流速(或所估计的流速的函数)满足或超过阈值。

虽然图2功能上示出处理器和存储器在同一框内，但应当理解，处理器和存储器可实际上包括可以存储或可以不存储在同一物理壳体内的多个处理器和存储器。存储器可包括信息可被存储于其上的一个或多个的介质。优选地，保存指令的介质以非瞬态形式保存指令。指令中的一些或所有以及数据可被存储在物理上远离处理器但仍然可由处理器访问的位置中。类似地，处理器可实际上包括可并行操作或可不并行操作的处理器的集合。

在一些示例中，控制电路可能不能执行本文中所描述的方法中的所有或一些(例如，由于存储器约束、处理约束、缺少网络连接等)。在这样的情况下，控制电路可将收集和记录的数据输出到不同的处理器以用于进一步的分析。因此，下面所述的方法可由外部处理器执行，该外部处理器从VAD控制电路接收所记录的数据。替代地，本领域的技术人员将认识到，能够执行本文所述的方法的VAD控制电路的处理器可被分配执行这样的方法，在这种情况下，可以以本文所述的方式分析被记录的数据而甚至不必输出数据。

图4提供了用于基于从VAD收集的信息来预测心脏相关的健康状况的即将发生的示例方法400。在410处，随时间表征VAD的操作参数的偏离(例如，通过植入式血泵的血液的流速)。被表征的偏离数据指示待分析的特定VAD的操作参数随时间的变化。对于许多操作参数(诸如，退出泵的血液的流速)，操作参数不断地波动是常见的。在这种情况下，代替监测操作参数的不断波动，而该参数可被表征成指示在延展的时间段内何时存在持续的变化，诸如，平均流量的持续增加或减少。

在420处，基于在410处被表征的偏离数据来计算不良心脏事件的发生的可能性。使用所收集到的数据的单个和隔离的特征常常不能标识即将发生的不良心脏事件。相反，该数据基于趋势、特征的组合等被分析。就此而言，通常可用于分析偏离数据的数据越多，所得的计算可越好。就此而言，进一步可基于从也从其他多个VAD收集的偏离数据导出的信息来计算不良心脏事件的发生的可能性。

图4的方法400本身可被分成更小的步骤。图5提供了示例性方法500用来执行410，表征VAD参数的偏离，其中被选择的参数是流速数据，虽然替代地可选择其他的参数。图6提供了示例性方法600以用于执行420，基于图5的方法的结果来确定不良心脏事件的可能性。

首先转到图5，在510处，通过估计、推导或直接测量来从VAD收集流速数据。可通过流量估计模块收集流速数据，所述流量估计模块诸如，结合图2所描述的那个。

在520处，计算在第一时间段内(例如，大约七十二小时)通过泵的血液的平均流速。平均流速可以是移动平均，随时间反复地被计算。换言之，第一时间段可以是固定的持续时间(诸如，七十二小时)，并且在就在当时的(then-current)时间(例如，最后的七十二小时)之前的先前的持续时间内被收集的所有数据点被平均化。

在530处，计算偏离值。偏离值可表示平均流速(如以上所描述的)和当时的流速之间的差异。就此而言，偏离值本身指示给定的时刻处的流速与在更长的时间过程(course)内的平均流速的差异有多大。在一些示例中，偏离值可以是平均流速与实际的当时的流速本身之间的差异。在其他的示例中，偏离值可以是这种差异的平方，或其他经修正的值(例如，与1/3幂的差异等)。

因为甚至通过健康患者的VAD的血液的流速都不是恒定值，并且可根据患者的活动水平、用药方案、血细胞比容或其他的因素改变，所以单个偏离值本身并不指示来自VAD的正常操作参数的持续的偏离。因此，为了表征操作参数的偏离，有必要检测来自VAD的正常操作的持续的偏离。就此而言，反复地执行方法500的510-530，由此反复地收集一时间段内的偏离值。

在540处，连同510-530的反复执行，所计算的偏离值被组合以产生持续的偏离值。例如，可将偏离值进行平均以显示一段时间内的总体偏离。替代地，可使用偏离值的总和(没有除以值的数量)，以便放大或突出随时间持续的偏离的量。可从第二时间段内的偏离值计算持续的偏离值，该第二时间段通常比第一时间段短(例如，大约三小时)。第二时间段短于第一时间段，因为第二时间段旨在示出来自相对长期正常操作模式的相对的短期的偏离。

在图5的一些示例中，可反复地执行计算总计偏离值或组合偏离值，使得对于在510-530处的每次偏离值的计算，一个新的总计偏离值可被计算。在其他的示例中，可以以低于偏离值的频率来计算新的总计偏离值(例如，对于每两个偏离值的一个新的总计偏离值)。就此而言，可以可选地在不执行540的情况下重复510-530。在一些示例中，可基于自从先前的迭代被收集的数据量或基于手动输入以预定义的时间间隔与510-530并行地执行540的执行。

在任一以上的情况中，随后可基于所计算的偏离值的总和来表征所估计的流速的偏离。在图5的示例中，在550处，总计偏离值被编译，由此有效地建立总计偏离值随时间的波形。可在时域中编译总计偏离值，以便创建总计偏离值的波形。总计偏离数据的示例时域波形在图6中被示出。

与仅操作数据的波形或仅偏离值的波形相比，使用偏离值的总和为进一步的评估提供更平滑和增强的波形。因此，先前步骤的偏离和求和操作实质上用作用于从VAD导出的操作数据的滤波器。

本领域技术人员将理解，数据不一定需要被可视化为波形以便执行本文中所描述的进一步的计算(例如，斜率、最大值)，而是出于说明清楚的目的被示为波形。最终，在没有对数据的图形进行可视化的情况下，可对时间有序的数据在数学上执行相同的或类似的计算。

图7提供了示例方法700用于预测不良心脏事件的发生的可能性。该预测是基于先前所表征的偏离数据，为了清楚的目的，先前所表征的偏离数据被称作波形。在710处，波形的两个或更多个波形特征被标识。

波形特征可从波形的特定段导出。可基于某些标准挑选这样的段。一个这种标准可以是所记录的数据的年龄。例如，为了导出波形特征的目的，可忽略太旧的(例如，超过一个月前被记录、超过两个月前被记录、超过一年前被记录、超过两年前被记录等)数据。对于进一步的示例，例如，可忽略没有连续达足够长的时间(例如，在日志中具有时间间隔)的日志数据。用于考虑或忽略部分所记录的数据的其他标准可取决于所记录的数据的实际值(诸如，如果所记录的数据值看起来太分散而不能被信任为表示VAD的操作)。

波形特征是经编译的波形的可量化的特征，诸如，最大值、最小值、过零点(对于这些点，在第二时间段内，存在大约为0的总的总计偏离)、偏离的速率的局部增大或减小(斜率)等。如图8中所示，以下是一些示例性波形特征的列表：

node(i)：总计值等于或大约等于0(过零点)的时间点i，指示在第二时间跨度期间没有流量的偏离，或在第二时间跨度期间存在与存在的负偏离同样多的正偏离。

Dt(i)：两个连续的节点(i和i+l)之间的时间段。

I(i)：两个连续的节点(i和i+l)之间的积分，指示针对时间段Dt(i)的总体持续的总计偏离。

tot_l(i)：被定义为零点的时间点和节点i之间的积分。

max(i)：最大的所计算的流量的总计偏离。Max(i)可以是针对预定的时间跨度(例如，一小时、一天)或针对给定的时间段Dt(i)或一系列连续的时间段的最大值。

min(i)：最小的所计算的流量的总计偏离。像Max(i)一样，min(i)可以是针对预定的时间跨度(例如，一小时、一天)或针对给定的时间段Dt(i)或一系列连续的时间段的最小值。

#p⁺(i)：针对给定的时间段Dt(i)或一系列连续的时间段的偏离波形中的正峰值(总计偏离超过0的局部最大值)的数量。

#p^-(i)：针对给定的时间段Dt(i)或连续的时间段的系列的偏离波形中的负峰值(总计偏离低于0的局部最小值)的数量。

f⁺(i)：在#p⁺(i)被计算的给定的时间段Dt(i)或连续的时间段的系列期间总计偏离波形中正峰值的频率。

f^-(i)：在#p^-(i)被计算的给定的时间段Dt(i)或连续的时间段的系列期间总计偏离波形中负峰值的频率。

slope⁺(i)：在过零点和最大的所计算的偏离值之间(在图8中被标记)或在局部极值(最大值或最小值)之间(未被标记)的总计偏离增大的速率。

slope^-(i)：在过零点和最小的所计算的偏离值之间(在图8中被标记)或在局部极值(最大值或最小值)之间(未被标记)总计偏离减小的速率。

slope I(i)：总计偏离的积分的增大或减小的速率(未示出)。

继续方法700，在720处，从待分析的VAD的总计偏离波形导出的波形特征与“经确认的”波形特征进行比较。“经确认的”波形特征是从总计偏离波形的数个段导出的波形特征，针对总计散度波形的数个段而言，已经确认与这些段相关联地的确发生了还是未发生不良事件。这种信息可包括临床上确认(例如，经由计算机断层扫描)在经确认的数据的某一预定的时间期间或其内已经发生不良事件的至少一些数据，以及已知(再次地，在预定的时间期间或预定的时间内)没有发生不良事件的一些数据。预定的时间可以是在天的数量级上(例如，大约1天、大约3天、大约5天)、周的数量级上(例如，大约1周、大约2周、大约5周)、大约一个月或甚至高达大约几个月。

在一些示例中，波形特征可例如在n维空间中(n是选择被分析的波形特征的数量，该数量可以是以上所列出的特征中的所有或子集，和/或可以包括没有被列出来的其他特征)彼此排布(arrange)或映射。从波形特征导出的信息可以是n维空间上的边界。就此而言，待分析的波形特征和经确认的波形特征之间的比较可包括关于经分析的波形特征是否被排布或被映射到n维空间边界的一侧或另一侧上的确定。

“经确认的”波形特征可从日志数据导出，该日志数据从待分析的VAD或从其他VAD(例如，先前已经被分析的)进行收集。在使用从目前待分析的VAD导出的经确认的波形特征的情况下，这种经确认的波形特征可从更早的时间段导出，针对该更早的时间段(或在其之前)不良事件的发生或不发生已经被确认。从目前待分析的VAD导出的经确认的波形特征可因此包括确认的确发生不良事件的波形特征，和/或确认未发生不良事件的波形特征。

可使用如上所述的相同的或类似的步骤从VAD(包括当前待分析的VAD)收集经确认的波形特征。换言之，假设本示例的波形特征是流速偏离波形的特征，则将这些特征与其他VAD的流速偏离波形进行比较。在确定经确认的波形数据是否与待分析的波形数据可比较时，还可考虑其他因素(诸如，泵速度)。

经确认的和待分析的波形特征的比较可涉及数据挖掘过程，其中经确认的波形特征共同形成从中训练预测器模型的一组“训练”特征。

在一些情况下，与从其他多个VAD相比，可更优选地从待分析的VAD收集训练数据。这是因为实施不同生活方式的不同的患者可在不良事件之前示出不同的警告迹象。在第一患者的情况下，某些波形特征(或波形特征的组合)可指示即将发生的不良事件，而对于第二患者，不同的波形特征(或不同的波形特征的组合)可指示即将发生的不良事件。这些特征(或特征的组合)有效地总计成给定个体的特定波形数据中的“签名”。就此而言，相对于从其他VAD(其在其他的患者中已经进行操作)提取的经确认的波形数据来分析从第一患者中操作的一个VAD提取的波形数据可标识跨VAD患者的较大群体通常指示即将发生的不良事件的波形特征，但是可能不标识特别针对第一患者的警告迹象。因此，在这种情形下，使用来自第一患者自己的VAD的经确认的数据可标识特别针对第一患者的警告迹象，否则该警告迹象根据从属于其他患者的VAD导出的一组训练数据将不会被识别。

就此而言，在足够长的时间段内的待分析的VAD的操作数据的可用性可实现制定患者特定的多级预测器模型。患者特定的模型随后可至少部分地基于患者的“签名”产生以患者为中心的某些不良事件的概率。例如，在足够长的时间过程内(例如，大约一年、两年或更多)的VAD的经确认的无不良事件的操作的情况下，无不良事件的操作的扩展发现可建立从待分析的VAD的日志提取的波形特征的“正常”范围的强基线。随着提取波形特征达甚至更长，该基线可甚至变得更强(例如，更高水平的统计学显著性、预测器模型的增强的性能度量)。除了来自其他VAD的数据之外，这些超过一岁的数据可被用于制定多级预测器，例如，三级预测模型:“正常”、“异常-基于固有基线”、“异常-基于VAD群体”。

尽管从待分析的VAD收集训练特征具有可能的益处，但是使用这种数据还可存在可能的损害。例如，如果患者具有在所收集的数据中尚未被先前检测到的不良状况，则这种状况可使数据产生偏差(bias)，使得所收集的训练特征可错误地被看作指示正常的操作(由于患者的状况)而不是作为即将发生的不良事件的指示。训练数据中的这种偏差可导致更多的假阳性(例如，警报的不正确的触发)和/或更多的假阴性(例如，没能先于不良事件触发警报)。

此外，通过从待分析的VAD收集训练数据得到的益处可随着所收集的数据变得较旧而逐渐地减小。例如，患者的“签名”可随时间逐渐地改变(例如，伴随着随时间的患者逐渐的生活方式改变)。因此，从五年前收集的指示未来的不良事件的波形特征(或波形特征的组合)可比更近收集的特征(或特征的组合)更不可靠。

训练数据的偏差和陈旧可通过从有限的时间窗收集数据来得以缓解。例如，所收集的训练特征可从一岁和两岁之间的数据获取。在这种示例中，由于从VAD收集的波形数据超过一整岁，患者的状况将不太可能使波形数据产生偏差(至少，假设患者在前一年中尚未经历任何不良事件)。此外，由于波形数据小于两岁，这种波形数据不再指示患者的“签名”是不太可能的。

此外，在从待分析的VAD提取训练数据的情况下，从这种VAD提取的特征可对训练特征组有贡献(例如，用于训练预测器模型)的程度可取决于VAD已经在操作中(例如，支持患者)的时间量。具体地，患者在具有有着无事件或异常VAD操作的时间段的相伴确认的VAD支持上越长，可用于为预测器模型提取的训练特征的波形段就越长。因此，患者在VAD支持上越长，从该设备提取的特征可对不良事件预测的贡献就越重大。相反，在VAD的操作的头几周或头几个月期间，如在波形数据在目前的分析时间之前尚未被记录达至少一年的先前示例中，不良事件的预测可代替地完全地或极大地基于从其他多VAD收集的波形特征。

在训练特征从其他VAD进行收集的情况下，基于每个VAD与待分析的VAD的相似性，来自其他VAD中的一个的数据可优于来自其他VAD中的另一个的数据。例如，其他VAD可与待分析的VAD在他们的操作状况方面(诸如，泵输出、通常的操作泵速度和/或消耗的功率)进行比较。在这种情况下，如果VAD的操作参数在彼此的百分比阈值范围内(例如，大约10％的差异)，则VAD可被认为与待分析的VAD“类似”。

因此，可完全地或更极大地依赖于其他VAD，直到用于待分析的VAD的基线特征被建立(例如，大约一年之后)。

在730处，720的比较被用于确定待分析的VAD的所标识的波形特征是与已知不良事件已经发生的VAD的“异常”操作的波形特征更加可比拟，还是与已知不良事件尚未发生的VAD的“正常”或无事件操作的波形特征更加可比拟。如以上所解释的，该比较可基于从已知不良事件的确发生了还是未发生的一个或多个VAD收集的数据。在一些示例中，“异常”波形特征可从已知发生不良事件的VAD的操作数据导出，并且“正常”波形特征可从已知未发生不良事件的VAD的操作数据导出。在其他的示例中，“异常”和“正常”波形特征可从相同的VAD的操作数据导出。这可在已知不良事件已经在某一时间处发生的VAD的情况下发生，使得操作数据除了发生在已知的不良事件的时间周围的异常波形特征的时间段之外，还可包含具有通常按时间顺序远离已知不良事件的时间的正常操作的波形的时间段。

从其他VAD收集的操作数据的波形特征可以以相同的或类似的方式被收集(例如，在各种长度的时间段期间、以天或月的量级进行提取)并可被存储在数据库中。波形特征与发生不良事件的这些波形特征的相关性可以是即将发生的不良事件的指示。同样，波形特征与没有发生不良事件的这些波形特征的相关性可以是没有不良事件即将发生以及所监测的VAD正在正常地操作的指示。

该确定可以是数据挖掘过程(诸如，多元分析、聚类分析、线性判别分析、贝叶斯(Bayesian)分析、神经网络分析、k-最近邻算法、判定树或上述的任何组合)的结果。取决于被选择的波形特征的数量以及被选择的特定的波形特征，上述分析可被用于对其他VAD的VAD操作的各种时间段(例如，整个波形的子集)进行分类。这种分类可被用于训练统计模型，统计模型进而可被用于提供不良事件发生的对应概率。

在一些情况下，即将发生的不良事件的确定可进一步包括关于即将发生的不良事件的类型的确定。例如，如果已知特定的波形特征(或波形特征的组合)指示不良事件的某些类型，则这种波形特征(多个)的标识可被用于确定这种类型的不良事件有可能发生。作为进一步的示例，如果已知与待分析的波形特征最类似的所确认的波形特征(例如，在n维边界上的同一侧上)从在某一类型的不良事件之前发生的所记录的数据段被导出，则与这些波形特征的相似性可指示相同类型的不良事件的即将发生。换言之，所确认的日志数据可被分成不良事件的不同类型，并且待分析的数据可与不同种类的所确认的数据进行比较以标识特定类型的不良事件。

在一些场景中，分析可涉及将所选择的波形特征分成两个分开的不重叠的种类(例如，对应于发生不良事件的特征和对应于未发生不良事件的特征)。然而，在其他的场景中，对所选择的波形特征的分析可不会导致将所比较的波形特征完全地分成两类。而且，有时所标识的波形特征可不会整齐地(neatly)落入该两类中的一个。因此，在上述场景的任一场景中，即将发生的不良事件的确定可进一步涉及归因于(attribute)即将发生的不良事件的可能性百分比。上述统计分析中的任一项可被用于导出可能性百分比。

在其他的情况下，波形特征可被分成多于两类。例如，特征可进一步由不良事件的某些类型来表征，从而导致多于两种分类(例如，在n维空间中多于两个边界)。预测器使用的种类的数量可取决于所确认的数据的离散类型以及不良事件的对应的类型或不存在不良事件的对应类型(例如，被归因于从在VAD支持上的各个患者收集的操作数据的临床表征)。

不良事件的预测可进一步基于关于使用被监测的VAD的患者的其他信息。这种信息可包括患者历史信息(例如，患者的活动水平、药物治疗和/或血细胞比容水平、患者的已知状况的各种病理和/或先前记录的不良事件)。患者历史信息可随时间改变；因此，患者历史信息本身可在表示个体的演变、时间相关的变量的一个或多个波形中被离散化。患者历史信息可替代地以在前述的统计分析(例如，数据挖掘过程)中的并且除了从VAD信号的波形提取的特征之外的各种加权组合(或特征)的形式来使用。

图7的方法可根据需要尽可能经常地反复地执行，以便预测不良事件，。例如，所表征的偏离数据可经受以每日或每周为基础或其之间的其他任何为基础的上述预测分析。例如，VAD控制电路可操作用于将针对先前的时间量(例如，在大约6天和60天之间)所记录的总计偏离数据发送到远程系统。一旦接收到所记录的数据，远程系统就可运行以上预测分析。任何确定(例如，即将发生的不良事件的存在或不存在等)可随后被发送回VAD以便通知患者，和/或被发送给临床医生以通知临床医生并用于进一步的分析。

除了脑血管意外(缺血或出血性中风或短暂性脑缺血发作)的预测之外，本公开的方法和系统还能够使用VAD标识患者体内的血栓的开始，因为血栓可影响VAD操作参数(例如，通过VAD的流速或消耗的功率)。在这个方面，通过以天或周的量级产生预测窗，本公开可通过启用及时的临床干预和对前述不良事件的预防来在临床决定系统中提供积分(integral)工具。

如果在VAD操作数据的分析期间不良事件或其他不期望的健康状况被预测或标识(在一些情况下，包括不期望的状况的类型)，警告或通知可被触发(例如，通过控制电路)以通知患者和/或临床医生进行预测/标识。该通知可进一步提供关于提供警告的决定是如何做出的原因或解释(例如，标识与该确定等相关联的特定时间、特定波形特征、VAD的特定操作参数等中的任何一个或组合)。该通知可进一步指示即将发生不良事件的确定是否基于与待分析的VAD的操作数据的比较、与其他VAD的操作数据的比较或它们的组合。这种信息可归因于进一步的临床决策和用于处于不良事件高风险的VAD患者的针对预防性治疗的分析。该通知还可包括所预测的不良事件的开始的计算概率，该概率基于分析，如上所描述。

使用从14个患者收集的数据来测试根据上述方法的线性判别分析，已知这14个患者中的9个在所分析的数据的收集之后的数天到数周内已经经历了心血管意外，并且已知另外5个尚未经历不良心脏事件。总计2671个样本节点(例如，在图4中的410的输出)被分析。使用图8中所描述的波形特征的各种组合进行这些分析。换言之，在一些测试中，所有的波形特征被用于对节点进行分类，而在其他的测试中，仅波形特征中的一些被使用，而剩余的波形特征被忽略。

在一个测试分析中，使用以下的波形特征：Dt(i)；I(i)；tot_l(i)；max(i)；min(i)；#p⁺(i)和slope⁺(i)。分析的总体结果正确地预测了9个受影响的患者中的大部分的即将发生的CVA，并且正确地指示剩余的5个患者没有CVA。更具体地，在2671个节点测试中，仅170个来自经历了CVA的患者的节点被错误地分类为“无CVA”(假阴性)。并且仅四个来自正常患者的节点被错误地分类为“CVA”(假阳性)。这意味着大约78％的总灵敏度(每10个处于风险的患者中大约7-8被正确地诊断)，大约99％的总特异性(每100个健康患者中仅1个由于错误的警报被送到急诊室)，以及大约86％的平衡精确度(敏感性和特异性的平均)。此外，假设以相对高的灵敏度、以仅最小下降的特异性执行该分析，则该分析导致大约99％的曲线下面积。

作为图7的示例性方法的替代或补充，计算不良心脏事件的可能性可基于将所表征的偏离数据(例如，总计偏离值)按幅度进行分类。在这种示例中，可仅使用经分类的值中的最高幅度值来预测不良心脏事件。例如，如果来自VAD的操作数据产生显著地超过先前偏离值的偏离数据的若干持续的数据点，那么这可指示不良心脏事件的开始。

上述的示例描述了使用来自VAD的流速数据的对不良事件的预测。在其他的示例中，对不良事件的预测可附加地或替代地基于其他操作参数，诸如，电源或跨泵的压差。此外，VAD操作参数可利用关于使用被监测的VAD的患者的信息来进行补充。这种信息可包括患者历史信息(例如，患者的活动水平、药物治疗和/或血细胞比容水平)。

尽管已经参照特定实施例在本文中描述了本发明，但应理解，这些实施例仅是对本发明的原理和应用的说明。因此，应当理解，可对说明性实施例作出多种修改，而且可设计其它布置，而不背离如所附权利要求限定的本发明的精神和范围。

Claims (31)

1.一种表征通过植入式血泵的被监测的血液流速的偏离的方法，所述方法包括随时间反复地执行：

(i)确定在当时的时间通过所述泵的血液的流速，

(ii)计算在所述当时的时间之前的第一时间段内通过所述泵的血液的平均流速，

(iii)计算偏离值，所述偏离值表示所述平均流速和所确定的当时的流速之间的差异，其中基于所计算的偏离值的总和来表征所述流速的偏离。

2.如权利要求1所述的方法，其特征在于，所计算的偏离值的总和被反复地计算，使得对于给定的当时的时间，总计偏离值是就在所述当时的时间之前的第二时间段内所计算的偏离值。

3.如权利要求2所述的方法，其特征在于，所述第二时间段短于所述第一时间段。

4.如权利要求2所述的方法，其特征在于，所述第二时间段是大约三小时，并且其中所述第一时间段是大约三天。

5.如权利要求1-4中任一项所述的方法，其特征在于，所计算的平均流速是移动平均，并且其中所述第一时间段就在所述当时的时间之前。

6.一种基于来自植入式血泵的流速数据预测不良事件的方法，所述方法包括如权利要求1-5中任一项所述的表征被监测的流速的偏离的方法，其中，所计算的偏离值的总和被反复地计算，并且其中所述总计偏离值中的每一个与其对应的当时的时间相关联，并且所述方法进一步包括将所述总计偏离值编译成波形，并且基于所述波形的一个或多个特征来预测不良事件。

7.如权利要求6所述的方法，其特征在于，所述波形是时域波形。

8.一种基于来自植入式血泵的流速数据预测不良事件的方法，所述方法包括如权利要求1-5中任一项所述的表征被监测的流速的偏离的方法，其特征在于，所计算的偏离值的总和被反复地计算，并且其中所述总计偏离值中的每一个与其对应的当时的时间相关联，并且所述进一步包括将所述总计偏离值按幅度来分类，并且基于最高幅度总计偏离值来预测不良事件。

9.一种为第一植入式血泵的用户预测即将发生的不良事件的方法，所述方法基于从所述第一植入式血泵的第一操作数据导出的信息，并且进一步基于从所述第一植入式血泵和/或一个或多个其他的植入式血泵的第二操作数据的数个段导出的信息，针对所述一个或多个其他植入式血泵的所述第二操作数据的数个段而言，每段对应不良事件的发生还是不发生是已知的，其中对于每一个植入式血泵，所述操作数据在一持续时间内被收集，并且其中从基于所述操作数据构建的波形中导出所述信息，所述方法包括：

(i)从所述第一植入式血泵获取所述第一操作数据，

(ii)从基于所述操作数据构建的波形中导出信息，

(iii)访问从基于所述第二操作数据(来自所述第一或其他植入式泵)的数个段而构建的波形中导出的信息，其中所述信息的至少第一部分对应于不良事件的不发生并且所述信息的至少第二部分对应于不良事件的发生，

(iv)针对所导出的信息的至少两个波形特征，将从所述第一操作数据导出的所述信息与从所述第二操作数据导出的所述信息进行比较，以及

(v)基于所述比较，确定所述第一操作数据是与所述第二操作数据的所述第一部分还是第二部分相关联，其中与所述第二操作数据的所述第二部分的相关性是对在所述预定时间跨度内的即将发生的不良事件的预测。

10.如权利要求9所述的预测即将发生的不良事件的方法，其特征在于，所述不良事件包括预测的出血、感染、心血管健康状况、脑血管不良事件、血细胞比容变化以及VAD外周故障中的一个或多个。

11.如权利要求9或10中任一项所述的预测即将发生的不良事件的方法，其特征在于，每一个植入式血泵的所述操作数据是所述植入式血泵中的血液流速。

12.如权利要求9-11中任一项所述的预测即将发生的不良事件的方法，其特征在于，所述预定时间跨度在大约六天和大约六十天之间。

13.如权利要求9-11中任一项所述的预测即将发生的不良事件的方法，其特征在于，对于数个第二操作数据段被访问的每一个血泵，所述血泵的所述数个第二操作数据段对应于至少一个月的操作数据。

14.如权利要求9-13中任一项所述的预测即将发生的不良事件的方法，其特征在于，至少部分地从所述第一植入式血泵访问所述数个第二操作数据段。

15.如权利要求14所述的预测即将发生的不良事件的方法，其特征在于，从所述第一植入式血泵访问的所述数个第二操作数据段在被访问之前的至少大约一年被记录。

16.如权利要求9-15中任一项所述的预测即将发生的不良事件的方法，其特征在于，所述第二操作数据包括超过两部分，以及其中所述第二操作数据的至少一部分对应于不良事件的特定类型。

17.如权利要求9-16中任一项所述的预测即将发生的不良事件的方法，其特征在于，从包括以下各项的组中挑选所述波形特性中的至少一个：

两个连续的过零节点之间的积分，两个非连续的过零节点之间的积分；

最大的所计算的流量的偏离；最小的所计算的流量的偏离；两个连续的过零节点之间的时间段内的正峰值的数量；

两个连续的过零节点之间的时间段内的正峰值的数量；

两个连续的过零节点之间的正峰值的频率；

两个连续的过零节点之间的负峰值的频率；

过零节点和正峰值之间的斜率；

过零节点和负峰值之间的斜率；以及局部极值之间的斜率。

18.如权利要求17中所述的预测即将发生的不良事件的方法，其特征在于，从权利要求17中所记载的所述波形特征组挑选至少两个所述波形特征。

19.如权利要求9-18中任一项所述的预测即将发生的不良事件的方法，其特征在于，使用数据挖掘分析来执行所述比较。

20.如权利要求19中所述的预测即将发生的不良事件的方法，其特征在于，所述数据挖掘分析是线性判别分析、聚类分析和贝叶斯分析中的一个。

21.如权利要求9-18中任一项所述的预测即将发生的不良事件的方法，其特征在于，使用神经网络执行所述比较。

22.如权利要求9-21中任一项所述的预测即将发生的不良事件的方法，其特征在于，所述方法进一步包括确定在所述预定的时间跨度内即将发生的不良事件的所述预测的百分比可能性。

23.如权利要求9-22中任一项所述的预测即将发生的不良事件的方法，其特征在于，在所述预定的时间跨度内即将发生的不良事件的预测的情况下，所述方法进一步包括输出所述预测的通知和所述预测发生的百分比可能性。

24.如权利要求23所述的预测即将发生的不良事件的方法，其特征在于，进一步包括输出用于所述预测的分析基础。

25.如权利要求24所述的预测即将发生的不良事件的方法，其特征在于，用于所述预测的所述分析基础包括是从所述第一植入式血泵还是从所述一个或多个其他的植入式血泵访问与所述第一操作数据相关的第二操作数据的指示。

26.如权利要求9-25中任一项所述的预测即将发生的不良事件的方法，其特征在于，在所述预定的时间跨度内即将发生的不良事件的所述预测具有大约99％的特异性。

27.如权利要求9-26中任一项所述的预测即将发生的不良事件的方法，其特征在于，在所述预定的时间跨度内即将发生的不良事件的所述预测具有大约99％的曲线下面积。

28.如权利要求9-25中任一项所述的预测即将发生的不良事件的方法，其特征在于，进一步包括访问与所述第一血泵的用户的生理因素相关的数据，并且其中，从所述第一血泵的所述第一操作数据导出的所述信息是与从根据所述第二操作数据导出的信息的所述第一部分还是第二部分导出的所述信息相关联的所述确定步骤是进一步基于所述生理因素数据的。

29.如权利要求26所述的预测即将发生的不良事件的方法，其特征在于，所述生理因素是活动水平、血细胞比容水平、所述用户的药物治疗、所述用户的状况的病理以及所述用户的先前被记录的不良事件中的一个。

30.一种在植入式血泵中检测血栓的方法，所述方法包括

(i)反复地估计随时间通过所述泵的血液的流速，

(ii)反复地计算所估计的流速的移动流速平均，

(iii)反复地计算当时所估计的流速和所述当时的移动流速平均之间的偏离，

(iv)反复地计算所计算的偏离的移动总和，以及

(v)基于所计算的移动总和确定所述血泵中的血栓的存在。

31.如权利要求30所述的在植入式血泵中检测血栓的方法，其特征在于，进一步包括：

(vi)接收在没有发生血栓期间的移动总和数据的第一数据集，

(vii)接收在的确发生血栓期间的移动总和数据的第二数据集，以及

(viii)将所计算的移动总和与所述第一和第二数据集中的每一个进行比较，其中基于所计算的移动总和确定在所述血泵中有血栓的存在的步骤是基于所述比较的。