CN111837194A - 用于预测患者健康状态的系统和方法 - Google Patents

Abstract

本文中提供了用于治疗心源性休克中的患者的系统和方法。血管内心脏泵系统被插入到患者的脉管系统中。心脏泵系统具有套管、泵出口、泵入口和转子。心脏泵系统定位在患者内，使得套管延伸跨过患者的主动脉瓣，泵入口位于患者的左心室内，并且泵出口位于患者的主动脉内。从心脏泵系统获取与心脏泵系统的时变参数相关的数据。从数据中提取多个特征。基于多个特征并使用预测模型来确定患者的存活概率。心脏泵系统被操作以治疗患者。

Description

用于预测患者健康状态的系统和方法

相关申请的引用

本申请要求于2017年12月21日提交的、并且标题为“SYSTEMS AND METHODS FORPREDICTING PATIENT HEALTH STATUS”的美国临时专利申请No.62/609,158的优先权和权益。以上引用的申请的全部内容通过引用并入本文中。

背景技术

急性和慢性心血管状况降低了生活质量和估计寿命。已经开发了用于心脏健康的多种治疗方式，范围从药物到机械设备和移植。临时心脏支持设备（诸如心脏泵系统）提供血液动力学支持并且促进心脏恢复。一些心脏泵系统经皮插入到心脏中并且能够与天生的心脏并行运行以补充心输出量，所述系统诸如IMPELLA®家族的设备（马萨诸塞州丹佛市的Abiomed股份有限公司）。

当前，临床医生难以或不可能跟踪患者的健康状态。临床医生倾向于依赖于对心脏功能的间接估计和定性判断来预测患者的健康状态，但是这些过程是常变的且不可靠的。患者健康状态的确定可在临床医生之间变化。此外，该过程对于临床医生而言是耗时的，并且临床医生常常不能够及时分析与患者的心脏功能相关联的所有测量结果以做出有情报根据的健康护理决策。

发明内容

本文中描述的系统、设备和方法使用预测建模来预报患者结果并留意随时间的患者状况，特别是与在心血管痛苦状况下和/或遭受心源性休克的患者的心脏健康有关的患者状况。特别地，该系统、设备和方法使得心脏泵系统能够提供对于确定患者存活的概率有用的数据。使用患者存活的概率的一种方式是按照最低概率到最高概率的顺序对患者的集合进行排序，或者可以用于将患者的集合分配到针对存活概率的不同范围的不同等级中。以此方式，本文中描述的系统和方法是定量和客观的方式，以允许临床医生识别处于最极端状况的患者，并将他/她的即刻照料引导到最需要它的那些患者。使用患者存活的概率来跟踪单独的患者在一段时间内的存活概率的另一种方式，以提供随时间的该患者的健康的定量评估。以此方式，该系统和方法提供了定量和客观的方式，以允许临床医生识别患者的健康是否如预期的那样进展，使得临床医生可以在需要时更新患者的治疗计划。

患者存活的概率可以至少基于多种因素中的一种或多种来确定，所述因素包括由心脏泵系统获取的心脏性能的连续和/或离散测量结果。例如，由心脏泵系统提供的一个数据参数可以包括心脏功率输出（CPO）。CPO值可以与一个或多个临床数据参数（诸如从患者测量的乳酸盐浓度）一起使用，以确定存活概率，其然后可以用于更改心脏泵系统的操作。以下详细描述了获得CPO和乳酸盐浓度的系统和方法。更改心脏泵系统的操作的一种方式是升高或降低来自心脏泵系统的心脏支持的水平，这取决于存活概率。例如，如果存活概率高，则患者前景可能良好，并且心脏泵系统可以降低心脏支持的水平。可替代地，如果存活概率低，则患者前景可能较差，并且心脏泵系统可以升高心脏支持的水平。

在一些方面，血管内心脏泵系统被插入到患者的脉管系统中。可以使用微创手术插入心脏泵系统。例如，心脏泵系统可以经由导管插入术插入通过股动脉或静脉。在一些实施方式中，心脏泵系统包括套管、泵入口、泵出口和转子。例如，血管内心脏泵系统可以是经皮心室辅助设备，诸如IMPELLA®家族的设备（马萨诸塞州丹佛市的Abiomed股份有限公司）。在一些实施方式中，转子联接到电机。电机可以驱动转子并通过泵泵送血液。在一些实施方式中，心脏泵系统包括一个或多个传感器。例如，传感器可以被配置成获取与心脏泵系统的性能、心脏功能、血液动力学性能相关的数据或任何其它合适的数据。在一些实施方式中，心脏泵系统包括控制器。例如，心脏泵系统可以包括自动轴流泵控制器（AIC）。控制器可以被配置成执行指令、分析数据、计算值、确定参数之间的关系或任何其它合适的任务。例如，控制器可以执行本文中描述的方法。控制器可以包括处理器、存储器、用户界面、显示屏、触摸屏、用户交互按钮和/或拨号盘、电源、任何其它合适的元件或其任何组合。

在一些实施方式中，心脏泵系统部分地定位在患者的心脏内。在一些实施方式中，心脏泵系统是左心室辅助设备（LVAD）。心脏泵系统可以定位在患者内，使得套管延伸跨过患者的主动脉瓣，泵入口位于患者的左心室内，并且泵出口位于患者的主动脉内。例如，心脏泵系统可以经由导管插入术插入通过股动脉、到升主动脉中、跨主动脉瓣并到左心室中。在一些实施方式中，心脏泵系统是右心室辅助设备（RVAD）。例如，心脏泵系统可以通过导管插入术手术插入通过股静脉并到右心房中。虽然本文中呈现的一些实施方式涉及跨主动脉瓣植入并且部分地驻留在左心室中的心脏泵系统，但是相同的概念能够应用于心脏、心血管系统或身体的其它区中的设备。

在一些方面，系统和方法获取与心脏泵系统的时变参数相关的第一数据，从第一数据提取多个特征，并确定心脏健康指数。心脏健康指数可以表示患者心脏的健康，并且可以指示患者的心脏性能以及导致总体患者恢复和结果的系统灌注。在一些实施方式中，心脏健康指数表示指示患者存活的可能性或概率的值。

本文中呈现的系统、设备和方法使用与患者的健康相关的测量结果来确定心脏健康指数和/或预测患者存活。在一些实施方式中，测量结果是与心脏功能相关的心脏参数。在一些实施方式中，心脏泵系统采集、测量、处理或以其它方式量化测量结果。

本文中描述的方法可以包括获取与心脏泵系统的时变参数（诸如以下描述的任何测量结果）相关的第一数据或测量结果。第一数据可以表示经由心脏泵系统获取的连续或接近连续的测量结果，或者表示已知量，诸如到心脏泵系统的输入。第一数据与心脏泵系统的操作或由心脏泵系统测量的因素相关，并且可以包括指示心率、泵压力、差压、电机电流、P-水平、电机速度的数据、由心脏泵系统直接提供的或从由心脏泵系统直接提供的数据推断的任何其它数据、或其任何合适的组合。根据这些测量结果，能够确定关于心脏功能的信息，并且在一些情况下能够确定关于心脏辅助设备动作（诸如例如抽吸事件的发生）的信息。能够在预测建模系统中使用关于心脏功能的该信息来预测患者结果。

第一数据可以根据由心脏泵系统、外部系统或该两者上的一个或多个传感器获得的测量结果来确定。例如，在心脏泵系统的操作期间，心脏泵系统上的一个或多个传感器可以定位在患者的心脏内、患者的心脏外或该两者的组合。在一个示例中，心脏泵系统上的传感器测量患者的脉管系统内的压力。该压力可以用于以下描述的附加参数（诸如心脏功率输出）的计算中。

本文中描述的方法可以包括处理获取的或已知的数据，诸如以上描述的第一数据，以确定或估计与患者健康或心脏泵操作相关的其它参数或特征。在一些实施方式中，这些参数部分地基于压力测量结果和电机电流测量结果之间的滞后来确定，其允许对应于给定的一对压力和电流测量结果的心动周期的相位的检测。在一些实施方式中，从第一数据提取多个特征。提取特征可以包括在心脏泵系统处或在外部设备处处理第一数据。这些可以包括左心室末期舒张压力（LVEDP）、心搏量、射血分数、腔室扩张、腔室肥大、腔室压力、搏出功、前负荷状态、后负荷状态、心率、心脏恢复、主动脉压力、差压、电机电流、电机速度、泵压力、左心室压力、舒张末期压力、主动脉脉搏压力、天生心输出量、心输出量、CPO、放置、均流量、目标流量、P-水平、收缩性、舒张、放置信号、平均值放置、放置的标准差、平均值放置范围、放置范围的标准差、平均值差压、差压的标准差、平均值差压范围、差压范围的标准差、左心室压力最大值、左心室压力最小值、泵压力最大值、泵压力均值、泵压力最小值、差压最大值、差压最小值、电机电流最大值、电机电流最小值、电机电流均值、电机速度均值、与心脏功能相关的任何其它合适的特征及其任何组合。第一数据可以在心脏泵系统处于运行期间的第一时间段（诸如一秒、一分钟、五分钟、十分钟、一小时、几小时、一天、几天、一周、一个月或任何合适的时间范围）期间获取。上述特征的平均值、均值和最小值可以是第一时间段期间的特征的平均值、均值或最小值。本文中描述的系统和方法可以使用这些多个特征来确定患者的存活概率或其它心脏健康指数，如下所述。

在一些实施方式中，本文中描述的方法包括获取与患者的生理参数相关的第二数据。第二数据可以由临床医生或由心脏泵系统外部的设备从患者测量，或者可以从测量结果推断。第二数据可以包括温度、重量、高度、腰部尺寸、体表面积（BSA）、年龄、性别、排尿量、肌酐水平、酸碱度（pH）、氧浓度、二氧化碳浓度、乳酸盐浓度或任何其它合适的测量结果或患者样本，诸如血液、尿液、吐出物、血浆、粪便、尿液、组织或任何其它合适的样本。例如，临床医生可以收集和分析来自患者的血液样本以获得第二数据。在一些实施方式中，在与获取第一数据的时间段相同的时间段期间获取第二数据。心脏健康指数或存活概率可以基于第二数据。

第二数据可以通过心脏泵系统上的一个或多个传感器和/或通过外部系统获取。心脏泵系统上的一个或多个传感器和/或外部系统可以定位在患者的心脏内、患者的心脏外或该两者的组合。例如，临床医生可以测量患者的血液中的乳酸盐浓度值，然后将该乳酸盐浓度输入到心脏泵系统或另一系统上的用户界面中。

在一些实施方式中，心脏泵系统本身接收并处理与心脏功能相关的第一数据以及与生理参数相关的第二数据两者。然后，如本文中描述，心脏泵系统计算心脏健康指数或存活概率。在其它实施方式中，与心脏泵系统分离的设备（诸如计算机、移动设备、平板电脑或任何其它合适的设备）接收第一数据和第二数据，并且基于该数据确定心脏健康指数或存活概率，如下所述。

在一些实施方式中，本文中描述的方法包括确定指示患者的心脏的健康的心脏健康指数。心脏健康指数可以指示患者恢复的可能性，包括心脏分量和系统灌注分量。心脏分量涉及患者的心脏健康可以包括去荷（unloading）、收缩性或患者的心脏性能的任何合适的指示符。系统灌注分量涉及患者的脉管系统健康，并且可以包括心输出量（CO）、主动脉压力均值（AoPm）或患者的循环性能的任何合适的指示符。在一些方面，心脏健康指数可以是患者的存活概率。存活概率是指示患者存活或死亡的可能性的值。在一些实施方式中，存活概率是数值，例如，在0和1之间。在一些实施方式中，如果概率大于或等于阈值（例如，0.5），则存活概率指示存活（例如，给定患者的心脏健康的情况下，他或她具有大于50%的生存机会）。存活概率可以基于上述特征。例如，具有低心输出量、低最大值压力、高最小值压力、差压的高标准差或其任何合适的组合的患者可能具有低的存活概率，而具有高心输出量、高最大值压力、低最值小压力、差压的低标准差或其任何合适的组合的患者可能具有高的存活概率。

在一些方面，该方法包括操作心脏泵系统以治疗患者，诸如致动泵、调整由泵提供的支持水平（诸如例如通过调整电机速度以升高或降低支持水平）或消动泵。例如，如果患者具有低CPO和高乳酸盐浓度，则泵被致动或打开，或者可以升高支持水平，同时继续监测患者的健康。对于具有高CPO和低乳酸盐浓度的患者，可以消动或关闭已经在运行的泵，或者可以降低支持水平，同时继续监测患者的健康。

在一些实施方式中，基于存活概率来选择泵操作参数值。泵操作参数可以是影响泵的操作的任何因素。例如，泵操作参数可以是泵速度、P-水平、电机电流、目标流量或任何其它合适的参数。在一些实施方式中，基于心脏健康指数增加泵速度，所述心脏健康指数可以是存活概率（诸如如果存活概率低或低于某个阈值）。在一些实施方式中，基于心脏健康指数降低泵速度（诸如如果存活概率高或高于某个阈值）。

可以通过使用预测模型来确定心脏健康指数。预测模型可以是机器学习模型。例如，预测模型可以是以下之一：逻辑回归技术、深度学习技术、决策树、随机森林技术、朴素贝叶斯技术和支持向量机技术。心脏健康指数可以基于多个特征。该方法还可以包括基于心脏健康指数预测患者结果。在一些方面，患者结果可以是患者的死亡或存活。

该方法还可以包括显示心脏健康指数。例如，可以使用心脏泵系统上的图形用户界面或远程地在另一系统上显示心脏健康指数。心脏健康指数可以被描绘为数值、颜色表示、视觉指示符或任何其它合适的显示方法。例如，如果患者的存活概率大于或等于第一阈值，则AIC可以显示绿色，如果存活概率在第一阈值和低于第一阈值的第二阈值之间，则显示黄色，并且如果存活概率低于或等于第二阈值，则显示红色。

该方法还可以包括获取多个心脏健康指数。多个心脏健康指数可以包括心脏健康指数，并且每个心脏健康指数可以对应于多个时间段中的时间段。该方法还可以包括基于多个心脏健康指数来确定患者健康的改变。例如，当单独查看时，患者因素（例如，CPO、收缩性、电机电流均值等）的小改变可能看起来不显著，但是如果与其它患者因素组合地查看，则可能示出患者健康的总体下降。在心脏健康指数中可以计及这些多个因素。将多个患者因素聚合成单个值或趋势的此方法允许患者或临床医生快速且容易地解释患者的健康。该方法还可以包括在多个时间段内显示多个心脏健康指数。例如，可以（例如，在AIC上）使用图形用户界面显示多个心脏健康指数。例如，临床医生可以查看随时间的心脏健康指数的图形表示，以容易地目测患者健康的趋势。在一些实施方式中，如果患者的存活概率以稳定速率降低或以高于给定阈值的速率降低，则可以向临床医生提醒患者的下降的健康。这种通知可以包括例如听觉警告、用户界面上的闪烁的光、电子邮件或电话消息、或任何合适的通知。例如，临床医生可以使用心脏健康指数来定量地确定患者的存活概率在若干天（或周）的过程中稳定地降低。该确定会允许临床医生（诸如通过调整患者的心脏泵的操作参数）介入患者的护理以改进患者的前景。

该方法还可以包括显示多个特征中的第一特征与多个特征中的第二特征相比的相对重要性的指示符。该相对重要性可以以视觉显示示出。例如，每个特征可以被示出为条形图中的条或蜘蛛图中的点，其中图中的每个条或点给定相对于其重要性的尺寸或放置。在一些实施方式中，心脏泵系统包括控制器，控制器包括用户界面和显示屏。相关物可以显示在显示屏上。在一些实施方式中，临床医生可能能够例如通过个人计算机或移动设备远程地查看指示符。例如，控制器可以自动地或应临床医生的请求向临床医生发送关于患者状态的周期性报告。

在实施例中，一种用于测量患者健康状态的方法可以包括从数据库获取训练数据集，该训练数据集包括与心脏泵系统的时变参数相关的多个数据点。例如，心脏泵系统的控制器或远程计算机系统可以对从其中患者结果（例如，存活或死亡）已知的多个患者病例获得的数据进行训练。该方法还可以包括预处理数据集以确定对应于多个数据点的多个特征，以及处理多个特征以确定模式。例如，训练控制器或计算机系统可以包括确定什么患者因素对患者结果具有最大的和最小的影响。模式可以包括多个特征的子集中的每个特征的权重。该方法还可以包括获取患者数据并且基于患者数据和模式计算患者的心脏健康指数。通过用已知病例数据训练控制器或计算机系统，计算机系统能够自我校正并“学习”如何准确地预测患者的存活概率。

在实施例中，心脏泵系统可以包括导管、电机、可操作地联接到电机的转子、泵壳体、至少一个传感器和控制器。泵壳体可以至少部分地围绕转子，使得致动电机驱动转子并泵送血液通过泵壳体。控制器可以被配置成执行本文中描述的任何方法。例如，控制器可以在第一时间段期间并且从至少一个传感器获取与心脏泵系统的时变参数相关的第一数据；从第一数据提取多个特征；使用预测模型并且基于多个特征来确定指示患者的心脏的健康的心脏健康指数；以及基于心脏健康指数预测患者结果。

在一些方面，血管内心脏泵系统（诸如以上描述的或贯穿本文中描述的各种实施例的系统）被插入到患者的脉管系统中。可以使用微创手术插入心脏泵系统。例如，心脏泵系统可以经由导管插入术插入通过股动脉或静脉。在一些实施方式中，心脏泵系统部分地定位在患者内。在一些实施方式中，心脏泵系统是左心室辅助设备（LVAD）。心脏泵系统可以定位在患者内，使得套管延伸跨过患者的主动脉瓣，泵入口位于患者的左心室内，并且泵出口位于患者的主动脉内。例如，心脏泵系统可以经由导管插入术插入通过股动脉，进入升主动脉，跨过主动脉瓣并到左心室中。在一些实施方式中，心脏泵系统是右心室辅助设备（RVAD）。例如，心脏泵系统可以通过导管插入术手术插入通过股静脉并到右心房中。

在一些实施方式中，本文中描述的系统和方法在第一时间段期间操作或配置成操作心脏泵系统，以向患者提供第一水平的心脏支持。例如，心脏泵系统可以以第一泵速度、P-水平或电机参数操作，所述参数诸如递送到电机的电流、递送到电机的功率或电机速度。在一些实施方式中，系统操作以向患者提供恒定或接近恒定水平的支持。

在一些实施方式中，本文中描述的系统和方法获得从由心脏泵系统提供的测量结果导出的至少一个CPO值。CPO表示心脏泵送能力。CPO是均值动脉压力和心输出量的函数，其中均值动脉压力是收缩血压和舒张血压的函数，并且心输出量是心率和心搏量的函数。心输出量能够通过多种手段来估计或测量，所述手段诸如计算患者的心跳周期的体积压力曲线下的面积。在一些示例中，CPO可以等于均值动脉压力乘以心输出量并除以451。在一些实施方式中，代替CPO或除了CPO之外，使用心脏功率指数（CPI）。CPI表示通过体表面积归一化的心脏泵送能力。在一些实施方式中，根据由心脏泵系统的一个或多个传感器采集的压力测量结果来计算CPO。在一些实施方式中，获得至少一个CPO值包括确定来自心脏泵系统的传感器的随时间的心输出量。例如，心脏泵系统的控制器可以根据在泵系统在患者的脉管系统内的操作期间采集的收缩压、舒张压和/或差压测量结果来确定CPO。在一些实施方式中，每次在传感器处更新压力测量结果或控制器接收到更新的压力测量结果时计算CPO。可替代地，可以仅在接收到与先前测量结果相差某个量的更新的压力测量结果时计算CPO。在一些实施方式中，在第一时间段之后以固定时间间隔规律地更新CPO。例如，第一时间间隔可以是0.01秒、0.1秒、0.5秒、1秒、5秒10秒、1分钟、10分钟、15分钟、30分钟、1小时或任何合适的时间间隔。

在一些实施方式中，本文中描述的系统和方法获得从患者测量的至少一个乳酸盐浓度值。乳酸盐浓度表示患者中乳酸盐产生和清除之间的平衡。乳酸盐浓度可以经由患者的血液测量。例如，临床医生可以通过从患者采集血液来测量乳酸盐浓度。在一些实施方式中，乳酸盐浓度由临床医生或其它用户手动输入到连接到心脏泵系统或另一设备的用户界面中。在一些实施方式中，乳酸盐浓度经由电子有线或无线连接导入。例如，患者的乳酸盐浓度可以存储在与心脏泵系统通信的远程存储位置中，以提供用于处理的生理参数值。在一些实施方式中，乳酸盐浓度值在第一时间段之后以固定的时间间隔规律地更新。例如，第二时间间隔可以是1小时、3小时、5小时、7小时、10小时、1天、1周或任何合适的时间间隔。

在一些实施方式中，本文中描述的系统和方法确定患者结果的预测。患者结果可以基于至少一个CPO值和至少一个乳酸盐浓度值。在一些实施方式中，患者结果的预测值表示患者存活或死亡的可能性。例如，专利结果的预测值可以是零和一之间的值，其中一表示患者存活的高可能性，并且零表示患者存活的低可能性。

在一些实施方式中，本文中描述的系统和方法操作心脏泵系统以治疗患者。例如，可以基于患者结果的预测值来更改泵操作。特别地，更改泵操作可以包括调整心脏泵系统的操作参数以在第一时间段之后的第二时间段期间提供第二水平的心脏支持。第二水平的心脏支持可以与第一水平的心脏支持相同，或者第二水平的心脏支持可以与第一水平的支持不同。在一个示例中，调整心脏泵系统的操作参数包括基于心脏功率输出、乳酸盐浓度或该两者的改变（诸如例如通过增加或减小）来调整泵速度。当至少一个CPO值低于第一阈值时，当至少一个乳酸盐浓度值高于第二阈值时或该两者时，可能合意的是增加泵速度。例如，第一阈值可以是诸如0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0 W的值，并且第二阈值可以是诸如1、2、3、4、5、6、7 mmol/L的值。低CPO值和高乳酸盐值可以指示患者具有相对低的存活概率。因为患者进展情况并不良好，所以临床医生可以尝试例如通过增加泵速度来增加由泵提供的心脏支持的水平。当至少一个CPO值高于第一阈值时，当至少一个乳酸盐浓度值低于第二阈值时或该两者时，也可能合意的是降低或不改变泵速度。高CPO值和低乳酸盐值可以指示患者具有相对高的存活概率。因为患者进展情况良好，所以临床医生可以决定不改变泵的操作的参数。可替代地，临床医生可以尝试降低由泵提供的心脏支持的水平，或者完全关闭泵。

附图说明

在结合附图进行对以下详细描述的考虑时，前述和其它目的和优点将是显而易见的，在所述附图中，贯穿附图，相同的参考字符指代相同的部分，并且其中：

图1示出了用于患者状况监测的方法的流程图；

图2示出了用于预测患者结果的方法的流程图；

图3示出了日志数据挖掘的框图；

图4示出了具有用于训练和分类的决策边界的两个散点图；

图5示出了具有用于训练和分类的决策边界的两个散点图；

图6示出了不适合于决策边界分离的散点图；

图7示出了不适合于决策边界分离的散点图；

图8示出了对特征重要性进行排序的条形图；

图9示出了示出特征评级的蜘蛛图；

图10示出了特定患者（患者X）的特征的示例；

图11示出了特定患者（患者Y）的特征的示例；

图12通过四个图表的集合示出了与患者有关的随时间的特性；

图13示出了特定患者（患者Z）的特征的示例；

图14示出了确定患者存活的概率的流程图；以及

图15示出了基于CPO和乳酸盐浓度确定患者结果的预测值的流程图。

具体实施方式

为了提供对本文中描述的系统、方法和设备的总体理解，将描述某些说明性实施例。虽然本文中描述的实施例和特征被具体地描述以供结合患者心脏健康使用，但是将理解，以下概述的所有部件和其它特征可以以任何合适的方式彼此组合，并且可以被适配并应用于其它类型的医学疗法和患者健康。

本文中描述的系统、设备和方法使用预测建模来预报患者结果并留意随时间的患者状况，特别是与在心血管痛苦状况下的和/或遭受心源性休克的患者的心脏健康有关的患者状况。预报的患者结果可以基于心脏健康指数，其贯穿此描述可以与健康指数可互换地使用。心脏健康指数可以包括心脏分量和系统灌注分量，并且可以指示患者健康。特别地，所述系统、设备和方法使得心脏泵系统能够提供对于确定患者结果或患者存活的概率有用的数据。心脏健康指数可以至少基于包括由心脏泵系统获取的心脏性能的连续和/或离散测量结果的多种因素中的一个或多个来确定。例如，由心脏泵系统提供的一个数据参数可以包括心脏功率输出（CPO）。CPO值可以与一个或多个临床数据参数（诸如乳酸盐浓度）一起使用，以确定患者的存活概率，这然后可以用于更改心脏泵系统的操作。

本文中描述的系统和方法还提供了使用心脏参数的患者结果的分类模型。在医疗领域中存在未满足的需要，该需要是通过预测建模来监测患者健康状态，特别是对于具有心脏健康问题的患者，诸如已经装配有心脏泵系统的那些患者。现有的预测建模系统通常与生理数据相关，但是不考虑植入患者内的心脏泵系统（其可能影响患者的健康）的影响，现有的建模系统也不考虑由这种植入的心脏泵系统提供的数据。此外，这些系统不提供用于监测随时间的患者健康状态或帮助临床医生确定哪些患者最需要即刻照料的解决方案。

除了由心脏泵系统测量的或来自其它源的生理数据之外，本文中描述的系统和方法可以依赖于与患者的心脏泵系统操作相关的数据（诸如到泵的电机电流）来预测患者结果。这种生理数据可以包括年龄、性别、身体尺寸面积（BSA）和临床值，诸如乳酸盐浓度、尿排出量、肌酐水平、pH、O2浓度和CO2浓度。用于预测结果的生理数据和其它特征可以被手动输入到本文中描述的系统中或通过电子医疗记录自动拉取。

本文中描述的系统和方法通过在预测患者结果时并入已经可用的数据而改进了临床医生定量地和客观地确定患者的心脏健康的能力。通过预测患者的存活概率，系统可以在患者健康问题原本会被检测到之前向临床医生提醒患者健康问题，由此为临床医生提供比护理标准更多的治疗患者的时间。例如，患者的健康可能缓慢下降，但是由临床医生监测的单独特征（例如，心率、CPO、心搏量等）的改变可能是可忽略的或足够细微的以至于不警告临床医生；然而，心脏健康指数可以整理这些看似不显著的改变，并且清楚地表示患者健康的总体下降。通过在单个度量内表示多个特征，心脏健康指数提供临床医生能够以高效的方式容易地解释的患者健康的指示符。如果心脏健康指数或存活概率降到阈值以下或快速降低，则可以向临床医生通知患者的衰退的健康，并且可能能够以迅速的方式治疗患者。此外，患者的存活概率的预测可以用于对患者的集合进行排序，或者针对存活概率的不同范围将患者分级成多等级。以此方式，临床医生能够定量地和客观地识别最需要他的即刻照料的那些患者。这也是对于护理标准的改进，在其中临床医生可以简单地以没有特别顺序的方式对其患者进行巡视。

可以基于心脏健康指数或预测的患者结果来更改心脏泵系统的操作。更改心脏泵系统的操作的一种方式是升高或降低来自心脏泵系统的心脏支持的水平，这取决于存活概率。例如，如果存活概率高，则患者前景可能良好，并且可以更新心脏泵系统以维持或降低心脏支持的水平，或者临床医生甚至可以尝试消动心脏泵。可替代地，如果存活概率低，则患者前景可能不良，并且心脏泵系统可以升高心脏支持的水平。心脏泵系统可以自动地调整泵的操作，或者临床医生可以手动地调整泵的操作。

在一些实施例中，系统训练机器学习技术（分类模型）以使患者生理信号与患者结果（存活或死亡）的标签吻合。患者生理信号可以包括心脏参数（诸如主动脉压力、差压、左心室压力）或从来自患者的生理测量结果导出的任何合适的信号。特征从信号中提取并在分类模型中使用。合适的特征可以包括例如在一段时间内的生理信号的统计数据，诸如原始信号的均值或标准差。分类模型用于对具有高风险或低风险的患者进行分类，并且能够用于留意随时间的患者的状况。分类模型可以是逻辑回归技术、深度学习技术、决策树、随机森林技术、朴素贝叶斯技术、支持向量机或任何合适的模型。本文中描述的方法和系统使用模型来预测患者的健康状态（例如，存活概率），其使用先前的信号窗口来实时表示患者状态。这种系统和方法允许用户（例如，诸如临床医生或看护者）跟踪患者健康状态或健康指数并且查看针对患者预测的结果的改变，使得“危险”患者（诸如具有降低的健康指数的患者）能够接收较仔细的照料。例如，健康状态可以显示在连接到心脏泵系统（如自动轴流泵（Impella）控制器（AIC））或作为心脏泵系统的部分的界面上。可以从心脏泵系统信号提取原始特征。这种特征可以包括诸如主动脉压力、差压和左心室压力的原始信号的平均值或标准差。特征设计能够用于发现趋势、发现信号中的突跃以及从这些原始信号生成诸如收缩性的信号。

图1示出了用于监测患者状况的方法100的流程图。图1中所示的方法可以如上所述地确定心脏健康指数。在步骤102处，系统获取一时间段的训练日志（“X”）数据。该时间段可以是一小时（如图1中所描绘）、两小时、一天或任何合适的时间长度。日志数据X可以对应于用于患者状况监测的多个时间段中的最近时间段。在步骤104处，系统获取训练患者结果（“Y”）数据。患者结果数据将患者与存活或死亡相关联。患者结果数据可以与日志数据的时间段相关联，使得患者结果数据指示患者在该时间段结束处的状态。可替代地，患者结果数据可以不与日志数据的时间段相关联，而是指示患者在该时间段结束之后的时间处的状态。日志数据X和患者结果数据Y从大量N个患者获得，其中N足够大以充分训练模型以用于准确预测。通过一个或多个心脏泵系统测量和/或聚合日志数据。心脏泵系统可以至少部分地插入N个患者的心脏内。例如，心脏泵系统可以跨患者的主动脉延伸到他或她的左心室中。一个或多个心脏泵系统可以是相同或不同类型的心脏泵系统。在授予Edelman等人的美国专利申请No.15/709,080（2018年3月22日公开的美国专利公开号：US 2018/0078159 A1）中公开了与本公开兼容的心脏泵系统，其内容通过引用以其整体特此并入。通常，任何其它心脏泵系统或用于从患者获得生理数据的系统可以与本公开一起使用。

在步骤106处，系统构建分类模型，其可以是机器学习模型。模型借助训练日志数据X和患者结果数据Y被训练。模型可以被存储在数据库中，并且可以包括用于使用学习技术对特征进行分类的数学规则。学习技术可以是逻辑回归、决策树、深度学习、朴素贝叶斯或任何其它合适的技术。

例如，逻辑回归基于用于表示具有从训练数据学习的系数的预测模型的等式。模型的表示可以作为一系列系数存储在数据库中，所述系数各自对应于指示特别特征的相对重要性的权重，并且能够用于计算概率，诸如患者的存活概率。死亡概率可以被计算为(1+exp(-x))^-1，其中对于任何数量的特征和相关联的系数，x等于α*Feature_α+β*Feature_β+γ*Feature_γ+……。

在另一示例中，决策树学习使用决策树作为预测模型，以从关于项目的观察转为关于项目的目标值的结论。树深度可以是决策树学习中的超参数。超参数是不能够从模型中使用的数据估计的值。超参数常常用于帮助估计模型参数，并且能够针对给定的预测建模问题被调节。精度可以用作预测模型的性能度量。通过经由调节诸如树深度的超参数来确定决策树的最大精度，系统能够提供优化的机器学习模型（诸如机器学习模型106），并且因此较好地提供预测（诸如在以下描述的步骤110处的患者结果）。接收器操作特性（ROC）和曲线下面积（AUC）也可以用作用于比较预测算法的度量。在一些实施方式中，步骤102、104、106及其任何组合是可选的。例如，该方法可以在以下描述的步骤108处开始。在一些实施方式中，利用新的患者信息周期性地更新分类模型。在一些实施方式中，分类模型由与心脏泵系统分离的系统整理、开发或运行。例如，第三方系统可以整理来自多个不同心脏泵的数据并构建机器学习模型。在一些示例中，机器学习模型可以用于实现步骤108至112。

在步骤108处，系统在该时间段内获取特定患者的新日志数据。特定患者可以是N个患者中的一个（针对其接收新日志数据），或者可以是不包括在N个患者中的新患者。在步骤110处，将新日志数据输入到在步骤106处训练的模型中，以预测特定患者的患者结果。患者结果可以是表示存活或死亡的二进制值。

在步骤112处，模型连同新日志数据被一起用于预测患者状况作为随时间的健康指数。在一些实施方式中，显示健康指数以用于患者监测。例如，健康指数可以显示在心脏泵系统上，或者可以通过计算机系统、移动设备、平板电脑或任何其它合适的设备来查看。通过滑动窗口过程找到随时间的健康指数。在多个时间中的第一时间处，在一时间窗口内针对特定患者计算健康指数。然后，在多个时间中的第二时间处，仍然在该时间窗口内，针对特定患者计算健康指数。例如，在下午2：00，系统可以使用过去一小时的日志数据（下午1：00至下午2：00）来计算患者W的健康指数。在下午2：15，系统可以使用过去一小时的日志数据（下午1：15至下午2：15）再次计算患者W的健康指数。因此，窗口（一小时时间段）以15分钟增量跨时间“滑动”，以为患者提供更新的时变健康指数。计算之间的时间（在以上示例中为15分钟）可以是任何合适的时间增量，诸如一小时、半小时、一分钟、20秒等。健康指数可以是心脏健康指示符，其指示特定患者的心脏的健康或存活概率。在一些实施方式中，健康指数随时间用图表表示并显示给临床医生，使得临床医生可以看到健康指数随时间的趋势。

在一些实施方式中，健康指数包括心脏分量和系统灌注分量。健康指数可以指示总体患者恢复和概率存活（即，患者结果）。心脏分量可以包括去荷、收缩性或患者的心脏性能的任何合适的指示符。系统灌注分量可以包括心输出量（CO）、主动脉压力均值（AoPm）或患者的循环性能的任何合适的指示符。

图2示出了用于通过类似于关于图1描述的方法的方法预测患者结果的方法200的流程图。步骤202、204、206和208分别与来自图1的步骤102、104、106和108相同。步骤202、204和206是可选的；步骤202、204和206的任何组合可以从本文中描述的方法中排除。例如，模型可能已经被开发或可以从外部系统导入。在步骤210处，使用模型连同新日志数据来将患者状况预测为随时间的健康指数。在一些实施方式中，显示健康指数以用于患者监测。健康指数可以是心脏健康指示符，其指示特定患者的心脏的健康或存活概率。在步骤212处，使用健康指数来预测患者结果。患者结果可以是表示存活或死亡的二进制值。例如，健康指数可以将患者存活概率表示为值x，其中x在0和1（包括0和1）之间。健康指数可以用于确定二进制输出。例如，如果健康指数大于0.5（或任何其它合适的阈值），则健康指数可以指示为存活的患者结果，其对应于为1的二进制值。可以为临床医生显示该患者结果。在图1中，系统在步骤110处预测患者结果，然后在步骤112处使用滑动窗口来提供随时间的患者状况监测。相比之下，在图2中，在步骤210处，系统使用机器学习模型和日志数据来提供随时间的患者健康状况监测。然后，在步骤212处，系统使用在患者状况监测期间计算的最后的值（健康指数）来提供患者结果的预测。

用作关于图1和2描述的日志数据X或患者结果数据Y的数据可以存储在数据库系统中。数据库系统可以包括多个数据库或单个数据库。例如，数据库可以包括临床数据数据库、设备记录和AIC日志。数据库系统可以包含用于超过数千个病例的数据。每个病例可以对应于单独的患者，或者可以对应于心脏泵系统的植入。数据可以表示不同的病例时间，并且可以来自特定于数据库系统内的每个数据库的时间段。由存储在数据库系统中（例如，在AIC日志中）的数据描述的特征可以包括泵类型、压力信号、P-水平、心脏泵系统的流量、轴流泵流量、电机电流、警告、结果或任何其它合适的特征。P-水平是心脏泵系统的性能水平，并且涉及系统的流量控制。随着P-水平升高，与心脏泵系统相关联的流率和每分钟转数增加。存储在数据库系统中的数据和其中包含的数据存储可以用于训练本文中描述的模型。

本文中描述的预测建模系统和方法遵循通过使用机器学习进行关于许多特征的预测的数据科学方法。数据科学计划从将数据输入到系统中开始。将数据进行预处理和特征设计。当在训练机器学习模型106中使用图1的日志数据102和患者结果数据104之前处理日志数据102和患者结果数据104时，可能产生预处理挑战。挑战可能包括太多的丢失值和不可信数据。不可信数据可以包括不正确或不完整数据。不可信数据的示例是当手术结果被列出为“死亡”，但是在数据库系统内，在加护病房（ICU）支持结束时的实际结果被列出为“存活”的情况。不正确数据、不完整数据和高比例丢失数据可能各自影响预测模型的性能。“坏”数据可以被标明为“不可信”数据、“太多丢失值”数据或任何其它类型的标签，其指示数据是不值得信任的并且应当被从训练数据集合中移除或被填充以提供对患者结果的较好预测并因此改进患者健康监测。预处理的其它示例可以包括数据重新格式化、移除不可用特征、处理离群值、填充丢失值、编码归类特征、缩放以及用于解决数据问题的任何合适的步骤。一旦诸如图1的日志数据102和患者结果数据104的原始数据已经被预处理，则可以提取特征数据。特征数据的示例在表1中示出。

在一些实施方式中，特征数据被分成训练和交叉验证数据，并用于构建机器学习技术。机器学习技术可以应用于新的未分类数据以对新数据进行预测，诸如预测与新数据相关联的患者的健康状态。可以进一步分析预测连同特征数据以用于可视化。

关于图1和2描述的系统和方法以及本文中描述的其它过程可以使用保留在上述数据库中的数据的一部分或全部。例如，可以仅使用存储在AIC日志中的数据来训练机器学习技术。

图3示出了以上关于数据库系统描述的诸如保留在AIC日志中的AIC日志数据的数据流程图300。例如，长期（LT）日志数据302具有放置信号。LT可以对应于每分钟一个样本或任何其它合适的采样速率。实时（RT）-日志数据304使用以比对应于LT数据的采样速率更高的采样速率采样的信息来产生诸如心跳速率的特征。RT可以对应于25 Hz（每秒25个样本）或任何其它合适的采样速率。LT日志数据和RT-日志数据的组合被处理为原始的和生成的特征，其然后作为X被输入到日志数据挖掘306。IQ数据库310包含患者结果，其也作为Y被输入到日志数据挖掘306。日志数据挖掘306可以用于提取供在训练机器学习模型（诸如图1的机器学习模型106）中使用的相关的和/或重要的特征，并且因此可以用于提供较高效的患者结果预测。

与心脏或心泵参数相关的第一数据和/或与生理参数相关的第二数据（诸如上述第一数据和第二数据）可以用于预测患者结果。在一些实施方式中，多个患者的第一数据和/或第二数据用于构建预测建模系统，诸如以上关于图1-3描述的系统。第一数据和/或第二数据可以被包括在建模训练集合中或用于特征提取，如以上关于图3描述的那样。本文中描述的方法和系统可以根据一个或多个患者参数测试以用于对应于患者结果的两组数据之间的任何显著分离。例如，以下描述的图4-7示出了相对于彼此用图表表示的两个不同的患者参数，以确定该参数是否示出了沿着患者结果的分离。本文中仅描述了几个示例，但是这种测试可以针对第一数据和/或第二数据的任何数量的患者参数来实现。本文中示出的一些数据示出显著的分离，如图4-5中所示出的那样。与其它参数相比，展现显著分离（例如，如由边界412、422、532表示的那样）的成对参数关于患者结果可以是更预测性的。与其它参数相比，示出较不显著分离或不示出显著分离（例如，如以下描述的图6-7中所展现的那样）的其它参数关于患者结果可以是更不预测性的。

图4和5示出了用于训练和分类的示例特征图，以用于适合于决策边界分离的特征。在图表410、420和530中，无阴影点表示存活病例，而阴影点表示死亡病例。在每个图表中，机器学习结果由线性决策边界表示，所述线性决策边界用于使用逻辑回归来以最佳折衷分离阴影点和无阴影点。点作为整体表示以上关于图1的步骤104描述的患者结果训练数据，诸如数据Y。它们在图表410、420和530内的放置由以上关于图1的步骤102描述的相关联的日志数据训练（诸如数据X）来确定。

图表410描绘了均值放置信号（PS）的计算边界412，所述均值放置信号也能够被称为均值放置水平。放置信号可以是针对轴流泵CP/2.5病例的主动脉压力或针对轴流泵5.0/LD病例的差压。图表410的x轴表示均值放置信号（PS_mean）的平均值，而y轴表示PS_mean的标准差。例如，无阴影点可以（根据患者结果训练数据104）表示存活的患者。患者还与（来自训练日志数据102的）均值放置水平数据的集合相关联。系统可以计算针对该患者的平均值均值放置水平和均值放置水平的标准差，并且相应地用图表表示相关联的无阴影点。一旦已经针对包括在训练数据中的患者用图表表示了点，则根据其平均值均值放置水平和放置水平的标准差，机器学习模型（诸如图1的机器学习模型106）就计算线性决策边界412。如上所述，线性决策边界可以由受约束于训练数据的一系列系数来表示。当系统接收到与新患者相关的新数据（诸如图1的新日志数据108）时，系统可以确定新患者的平均值均值放置和均值放置的标准差。取决于这些值将患者的点“放置”在图表410中的何处，可以基于点相对于决策边界412的位置来确定预测的患者结果。例如，如果患者具有为100的平均值均值放置水平和为30的均值放置水平的标准差，则根据图表410，预测的患者结果会是存活。这是因为患者的点会落下在边界410的右侧上，并且因此与存活的患者（无阴影点）更强地相关联。这种计算（其中新患者相对于决策边界落下）可以构成像以上关于图1描述的患者结果预测的患者结果预测。因此，决策边界可以表示用于预测患者结果的阈值。决策边界可以在不同的机器学习实例中被不同地计算。例如，在一些实例中，决策边界412可以向右或向左移位、可以具有不同的斜率或者可以是非线性的。

类似地，图表420描绘了针对均值差压的计算边界422。图表420的x轴表示均值差压的平均值，而y轴表示均值差压的标准差。

图表530描绘了针对最大值左心室压力（LVP）的计算边界532。图表530的x轴表示最大值LVP的平均值，而y轴表示最大值LVP的标准差。

图6和7示出了不适合于决策边界分离的两个示例特征图。在图表610、720中，无阴影点表示存活病例，而阴影点表示死亡病例。在没有边界分离的情况下，由图表610、720所示出的信息分布在预测患者结果方面比起诸如图4和5中示出的那些信息分布可能更无帮助，因为系统未被提供以用于对新患者数据进行归类的清晰边界线（或具有系数集合的方程）。图表610的x轴表示PS_mean随时间的线性回归的斜率，而y轴表示对PS_mean的线性回归的确定的系数（也称为r平方或r²）。图表610中表示的数据是不可分离的，因为阴影点和无阴影点具有相同的模式。图表720的x轴表示Slp（PS_mean），而y轴表示对PS_mean的线性回归的确定的系数。由图表720表示的数据是半可分离的，因为阴影点和无阴影点具有不同的模式，但是对于分离可能是“弱的”。

图8示出了对特征重要性进行排序的示例条形图，如本文中描述的机器学习技术的示例结果。特征重要性可以对应于例如用作图1的机器学习模型106以预测患者结果的逻辑回归模型的系数。模型中的较高系数可以与特征对于总体患者健康的较高重要性相关。当响应于患者心脏健康的下降（如可以由图1的患者状况监测112展现）而确定治疗方法时，知道特征重要性对于临床医生可以是尤其有帮助的。通常，特征可以包括主动脉压力、差压、电机电流、左心室压力、舒张末期压力、主动脉脉搏压力、天生心输出量、心输出量、CPO、放置、流量、P-水平、收缩性和舒张。这些特征可以被处理以确定附加特征，诸如平均值放置、放置的标准差、平均值放置范围、放置范围的标准差、平均值差压、差压的标准差、平均值差压范围、差压范围的标准差、左心室压力最大值和左心室压力最小值。这些特征的重要性可以通过使用不同的计算对特征进行排序来确定。

图表810示出了使用F-1的特征排序。F-1是定义为2*精度*检索率（recall）/（精度+检索率）的统计项。精度等于TP/（TP+FP）并且检索率等于TP/（TP+FN），其中TP表示真阳性、FP表示假阳性以及FN表示假阴性。图表820示出了使用精度的特征排序。图表830示出了使用检索率的特征排序。在所有三个图表810、820、830中，与图8中所示的其它特征相比，最重要的特征（具有最高重要性的特征）是平均值LVP最大值水平，这是在假定该特征在理解人的健康状态方面是有用的情况下。在图表810和830中，平均值均值放置水平被排序为第二最重要的特征。然而，在图表820中，平均值均值放置水平排序第三。图表810、820、830之间的特征排序的差异示出了用于计算特征重要性的不同度量（诸如精度、检索率或F-1分数）能够影响什么特征被认为是最重要的并且在模型中被给予最大权重的结果。

显示特征重要性的视觉表示可能有助于临床医生。当与数字显示相比时，图形表示可以允许临床医生更快速或更容易地解释特征重要性。具体地，特征重要性可以通过如图8中描绘的条形图或通过如图9中描绘的蜘蛛图来表示。在一些实施方式中，视觉表示示出了在单个时间点处的患者的健康状况和/或特征重要性或者在多个时间点上的平均值。在一些实施方式中，视觉表示被周期性地、以规律的间隔或实时地更新，使得视觉表示作为视频流显现给查看者。

图9示出了示例蜘蛛图900，其示出了患者的相对特征评级。在这种情况下，患者的心脏功能指数902是0.58，并且是心脏健康指示符的示例，如上所述。与患者相关联的CPO904是0.75。CPO是均值动脉压力（MAP）和CO的函数。CPO可以用作患者结果的预测值，并且可以是心脏健康指示符的分量。图9示出了其中CPO为0.75并且心脏功能指数为0.58的单个点处的患者特征和评级。这些值可以随时间被更新。在一个示例中，CPO可以是用于计算患者存活的可能性的时变特征。

蜘蛛图900在视觉上显示了五个特征对患者的健康的相对影响。每个特征被给予了评级，按1至5的标度表示患者的特征的状态。在一些实施方式中，评级按另一标度，诸如零至一、一至十、一至五十、一至一百、一至一千或任何其它合适的标度。为1的左心室（LV）收缩性评级指示大于200 mmHg/sec、为二的评级指示大于400 mmHg/sec、为三的评级指示大于600 mmHg/sec、为四的评级指示大于600 mmHg/sec以及为五的评级指示大于1000mmHg/sec的dP/dt（其可以是心室收缩性评估）最大值。为一的LVEDP评级指示偏差20 mmHg、为二的评级指示为15 mmHg的偏差、为三的评级指示为10 mmHg的偏差、为四的评级指示偏差5 mmHg以及为五的评级指示在10-15 mmHg的目标范围中的LVEDP，其中偏差被测量为与该目标范围的偏差。为1的LV舒张评级指示小于1000 mmHg/sec、为二的评级指示小于800mmHg/sec、为三的评级指示小于600 mmHg/sec、为四的评级指示小于400 mmHg/sec以及为五的评级指示小于200 mmHg/sec的dP/dt最大值。为一的AoPm评级指示60 mmHg、为二的评级指示70 mmHg、为三的评级指示80 mmHg、为四的评级指示90 mmHg以及为五的评级指示100 mmHg。为一的CO评级指示2 L/min的CO、为二的评级指示3 L/min、为三的评级指示4 L/min、为四的评级指示5 L/min以及为五的评级指示6 L/min，其中CO的测量结果是心跳和心搏量的函数。例如，LV舒张906为五、LVEDP 908为五、LV收缩性910为三、CO 912为三并且AoPm 914为二。在此实例中，AoPm相对于其它特征是低的，并且因此患者的AoPm相对于患者的其它特征更差。以此方式并且按跨特征的统一评级标度显示特征数据允许临床医生快速地查看患者数据并且感知哪些特征可能需要被处理以改进患者的总体健康。在此实例中，临床医生可以看蜘蛛图904并且决定首先处理患者的AoPm。在通过临床手段处理患者的AoPm之后，临床医生然后可以，通过患者状况监测（图1的步骤112）并且在蜘蛛图904上，及时观察更新的患者心脏健康状态并且可以跟踪患者的进展。

蜘蛛图904中显示的特征可以由于它们的相对特征重要性而被加权。例如，CO可以具有为0.4的权重、LV收缩性可以具有为0.2的权重、LVEDP可以具有为0.3的权重、AoPm可以具有为0.2的评级以及LV舒张可以具有为0.1的权重。在该示例中，尽管AoPm可能仍然具有最低的未加权评级，但是CO可能由于其相对重要性和低评级而具有最低的加权评级。在另一示例中，特征可以被相等地加权。

图10示出了特定患者（患者X）的特征的示例。图表1010示出了决策边界1012。如上所述，无阴影点表示患者的存活，而阴影点表示患者的死亡。点1014表示存活的患者X。因此，如上所述，点1014位于决策边界1012的右侧。决策边界1012可以表示患者较可能存活或死亡的情况之间的线。例如，边界1012右侧的患者可能较可能存活，而边界1012左侧的患者可能较可能死亡。图表1010的x轴表示均值放置信号（PS）的平均值，而y轴表示均值PS的标准差。图10示出了当临床医生通过调查放置信号、电机电流、P-水平和存活的可能性来解释患者的心脏健康时用于临床医生的用户界面的一个示例。具体地，图表1010允许临床医生看到相对于放置信号的标准差和平均值之间的边界的患者的存活可能性的图形表示。例如，图表1010允许临床医生目测边界1012与表示患者的数据1014之间的距离。距边界或分离线的该距离可以向临床医生示出患者有多可能存活。例如，远离决策边界1012右侧的患者（例如，具有高平均值放置信号的患者）可能比较靠近决策边界的患者（例如，具有较低平均值放置信号的患者）更有可能存活。

图表1020示出了放置信号1022。图表1020的y轴表示以mmHg为单位的压力。图表1030示出了电机电流信号1032。图表1030的y轴表示以mA为单位的电机电流。图表1040示出了P-水平1142。图表1040的y轴表示P-水平。图表1020、1030、1040的x轴表示时间。图表1020、1030、1040针对相同的时间段、在相同的时间标度下、针对相同的患者（由点1014表示的患者X）进行示出。放置信号1022、电机电流信号1032和P-水平1042可以指示与心脏泵系统的时变参数相关的第一数据，如上所述。放置信号1022、电机电流信号1032和P-水平1042可以是用于确定患者的心脏健康指数的多个特征中的特征。在一些方面，心脏健康指数可以是患者的存活概率，其可以用于预测患者结果。在这种情况下，患者结果（由1014表示）是存活。如图表1040中所示，P-水平随时间逐渐降低。在一个示例中，临床医生可以查看患者X的存活可能性以确定何时改变P-水平以及改变多少。在图10中所示的示例中，P-水平递增地降低，由此降低泵的速度。

图11示出了特定患者（患者Y）的另一个示例。图表1110示出了决策边界1112。如上所述，无阴影点表示患者的存活，而阴影点表示患者的死亡。点1114表示死亡的患者Y。点1114与大多数无阴影“存活”点跨边界线1112定位。图表1110的x轴表示均值PS的平均值，而y轴表示均值PS的标准差。

图表1120示出了放置信号1122。图表1120的y轴表示以mmHg为单位的压力。图表1130示出了电机电流信号1132。图表1130的y轴表示以mA为单位的电机电流。图表1140示出了P-水平1142。图表1140的y轴表示P-水平。图表1120、1130、1140的x轴表示时间。图表1120、1130、1140针对相同的时间段、在相同的时间标度下、针对相同的患者（由点1122表示的患者Y）进行示出。放置信号1122、电机电流信号1132和P-水平1142可以指示与心脏泵系统的时变参数相关的第一数据，如上所述。放置信号1122、电机电流信号1132和P-水平1142可以是用于确定患者的心脏健康指数的多个特征中的特征。在一些方面，心脏健康指数可以是患者的存活概率，其可以用于预测患者结果。在这种情况下，患者结果（由点1114表示）是死亡。图表1140示出了目标P-水平、最小值P-水平和最大值P-水平随时间的变化。在一些实施方式中，临床医生变化目标P-水平以增加或减少泵的操作来治疗患者。例如，如果患者的存活概率降低，则临床医生可以升高或降低目标P-水平。作为一个示例，图表1140示出了心脏泵系统被设置成用于治疗患者的目标P-水平。

图10和图11之间的差异示出了测量的表示患者的特性（诸如放置信号、电机电流和P-水平）可以如何与患者的存活或死亡相关。例如，（在图10中表示的）患者X存活，而（在图11中表示的）患者Y死亡。本文中描述的系统和方法基于PS_mean的标准差和平均值PS_mean（图1的新日志数据108）结合边界线1412、1112（图1的机器学习模型106）来预测该结果，所述边界线经由训练数据（图1的日志数据102和患者结果104）来计算。

图12通过四个图表的集合1200示出了与患者相关的随时间的特性。三个图表1210、1220、1230示出了在相同时间范围内与患者相关的测量的特性。图表1210示出了泵压力最大值1212、泵压力均值1214、泵压力最小值1216、差压最大值1219和差压最小值1218。图表1210的y轴表示毫米汞柱（mmHg），而x轴表示时间。图表1220示出了放置在患者中的心脏泵系统的电机电流最大值1222、均值1224和最小值1226。图表1220的y轴表示毫安（mA），而x轴表示与图表1210的x轴在相同标度上并且在相同时间段内的时间。图表1230示出了电机速度（MS）均值1232。图表1230的y轴表示每分钟转数（rpm），而x轴表示与图表1210和1220的x轴在相同标度上并且在相同时间段内的时间。图表1240示出了被表示为存活概率1242的患者的心脏健康的计算的测量。图表1230的y轴表示患者的存活概率百分比（定义为健康状态），而x轴表示与以上关于图表1210、1220、1230描述的相同的时间段。

如上所述，泵压力、差压、电机电流和电机速度可以指示与心脏泵系统的时变参数相关的第一数据。泵压力最大值1212、泵压力均值1214、泵压力最小值1216、差压最大值1219、差压最小值1218、电机电流最大值1222、电机电流均值1224、电机电流最小值1226和电机速度均值1232可以是用于确定患者的心脏健康指数的多个特征中的特征。在一些方面，心脏健康指数可以是患者的存活概率1242，其可以用于预测患者结果。患者结果预测可以随时间改变。

可以经由上述方法和系统计算存活概率1242。图表1210、1220、1230中所示的值可以从心脏泵系统获得。代替仅使用最后一小时来预测存活概率（H-指数），可以在从患者的病例的开始到结束的滑动窗口上计算存活概率。这种过程允许系统监测患者的健康状态。在此实例中，存活概率1242至少部分地由泵压力、电机电流和电机速度确定。例如，泵压力、电机电流和电机速度都刚好在时间标记1000之后在值方面骤降。同时在存活概率1242中存在对应的骤降。这种骤降可以指示患者的心脏健康的下降。通过预测心脏健康的下降，系统可以在通常患者健康问题可以被临床医生确定之前向临床医生提醒患者健康问题，由此为临床医生提供更多的时间来治疗患者。

预测建模系统的结果在表1中示出。在13个休克病例上测试了模型。在此实例中，休克病例数据由亨利福特医院提供为“第三方”测试数据集。13个病例的数据在表2中示出。

测试了另一个独立的测试数据集合（保留在上述数据库系统中的数据的子集）。该测试导致81.4%的准确度，其中N（用于测试的患者的数据的数量）等于80，如表3中所示。

图13通过图表2000的集合示出了示例病例随时间的特征。三个图表1310、1320、1330示出了随时间的与患者相关的特性。放置信号图表1310具有示出以毫米汞柱（mmHg）为单位的压力的y轴和示出时间的x轴。流量图表1320具有示出以升每分钟（L/min）为单位的流量的y轴和示出时间的x轴。健康指数图表1330具有示出心脏健康指数的y轴和示出时间的x轴。图表1310、1320、1330的时间标度相同，并且图表1310、1320、1330被放置成使得三个图表的x轴对准。

如上所述，放置信号和流量可以指示与心脏泵系统的时变参数相关的第一数据。放置信号（在图表1310中示出）、均流量和目标流量（在图表1320中示出）可以是用于确定患者的心脏健康指数的多个特征中的特征。图表1330中示出的指数可以是患者的存活概率百分比，其可以用于预测患者结果。患者结果预测可以随时间改变。

在图13中所示的示例中，发现患者Z在家没有反应。患者Z的配偶执行心肺复苏，直到紧急服务到达。将心脏泵系统放置在患者Z中以用于34小时的支持。图表1310、1320、1330的x轴大约在心脏泵系统的放置时开始。在P-7处，心脏系统的均流量1322为约3 L/min，其具有良好性能。标记1340表示第一时间点，具体为2016年3月12日上午5：30。在标记2040处，患者Z是血流动力学稳定的。标记1350表示第二时间点，具体为2016年3月12日下午5：45。在标记1350处，患者Z变成为蓝色。患者Z的氧饱和度（O2饱和度）下降，并且患者Z进入心室性心动过速或心室颤动（VT/VF）。医生不能够复苏患者Z。

标记1340和1350之间的时间示出了对心脏系统的均流量1322和放置信号1312的显著中断。如图表1330中可见，对放置信号1312和均流量1322的显著中断导致标记1340和1350之间的患者Z的心脏健康指数1332的引人注目的改变。临床医生可以查看心脏健康指数并确定患者处于风险中。在标记1340之前，图表1310和1320相对稳定（当与标记1340和1350之间示出的高变化相比时）。然而，图表1330示出了在标记1340之前患者健康的逐渐但稳定的下降。临床医生可以查看心脏健康指数的下降并确定患者的健康在恶化。通过查看心脏健康指数的下降，临床医生可能在由标记1340表示的时间之前（即，在患者的流量和放置信号示出显著中断之前）已经介入。在一些情况下，早期介入对患者健康非常有益，并且是患者存活的决定因素。在一些示例中，如果心脏健康指数在下降（例如，如标记1340之前的图表1330中所示），则可以向临床医生提醒患者的健康下降，使得临床医生可以介入患者护理。心脏健康指数图表1330还可以用于在患者已经死亡之后的事后分析。

图14示出了确定患者的存活概率的流程图。在步骤1400处，将血管内心脏泵系统插入到患者的脉管系统中。心脏泵系统包括套管、泵入口、泵出口和转子。在一些实施方式中，心脏泵系统是左心室辅助设备（LVAD）。在一些实施方式中，心脏泵系统是右心室辅助设备（RVAD）。在一些实施方式中，套管、泵入口、泵出口和转子是可选的。在步骤1402处，将心脏泵系统定位在患者内，使得套管延伸跨过患者的主动脉瓣，泵入口位于患者的左心室内，并且泵出口位于患者的主动脉内。在一些实施方式中，步骤1402是可选的，并且心脏泵系统简单地部分地定位在患者内。例如，心脏泵系统可以经由导管插入术插入通过股动脉、到升主动脉中、跨主动脉瓣并到左心室中或通过股静脉并到右心房中。

在步骤1403处，获取第一数据。第一数据与心脏泵系统的时变参数相关。第一数据可以表示经由心脏泵系统获取的连续或接近连续的测量结果，或者表示已知量，诸如到心脏泵系统的输入。第一数据与心脏泵系统的操作或由心脏泵系统测量的因素相关，即，在没有心脏泵系统的情况下，不会知道第一数据。第一数据可以包括指示心率、泵压力、差压、电机电流、P-水平和/或电机速度的数据。根据这些测量结果，能够确定关于心脏功能的重要信息，并且在一些情况下能够确定关于心脏辅助设备动作（包括抽吸事件的发生）的信息。关于心脏功能的该信息能够用于预测患者存活的概率，如以下关于步骤1408所述。

在一些实施方式中，心脏泵系统上的一个或多个传感器获取第一数据。在一些实施方式中，通过外部系统获取第一数据。在一些实施方式中，心脏泵系统上的一个或多个传感器获取第一数据。在心脏泵系统的操作期间，心脏泵系统上的一个或多个传感器可以定位在患者的心脏内、患者的心脏外或该两者的组合。例如，心脏泵系统上的传感器可以测量患者的脉管系统内的压力。如上所述，测量的压力可以用于计算附加参数，诸如心脏功率输出。

在步骤1404处，从第一数据提取多个特征。提取特征可以包括在心脏泵系统处或在外部设备处处理第一数据。多个特征可以包括左心室末期舒张压力（LVEDP）、心搏量、射血分数、腔室扩张、腔室肥大、腔室压力、搏出功、前负荷状态、后负荷状态、心率、心脏恢复、主动脉压力、差压、电机电流、电机速度、泵压力、左心室压力、舒张末期压力、主动脉脉搏压力、天生心输出量、心输出量、CPO、放置、均流量、目标流量、P-水平、收缩性、舒张、放置信号、平均值放置、放置的标准差、平均值放置范围、放置范围的标准差、平均值差压、差压的标准差、平均值差压范围、差压范围的标准差、左心室压力最大值、左心室压力最小值、泵压力最大值、泵压力均值、泵压力最小值、差压最大值、差压最小值、电机电流最大值、电机电流最小值、电机电流均值、电机速度均值、任何其它合适的特征及其任何组合。

在一些实施方式中，在心脏泵系统处于运行期间的第一时间段期间（诸如一秒、一分钟、五分钟、十分钟、一小时、几小时、一天、几天、一周、一个月或任何合适的时间范围）获取第一数据。上述特征的平均值、均值和最小值可以是第一时间段期间的特征的平均值、均值或最小值。

在步骤1408处，确定患者的存活概率。存活概率是指示患者存活或死亡的可能性的值。在一些实施方式中，存活概率是数值，例如，在0和1之间。在一些实施方式中，如果概率大于或等于阈值（例如，0.5），则存活概率指示存活（例如，给定患者的心脏健康的情况下，他或她具有大于50%的生存机会）。存活概率基于在上述步骤1404中提取的多个特征，并且使用预测模型来确定。在一些实施方式中，预测模型是机器学习模型。例如，预测模型可以是逻辑回归技术、深度学习技术、决策树、随机森林技术、朴素贝叶斯技术、支持向量机技术或任何其它合适模型中的一种。

在步骤1410处，操作心脏泵系统以治疗患者。在一些实施方式中，步骤1410是可选的。在一些实施方式中，心脏泵系统可以操作以向患者提供恒定或接近恒定水平的支持。在一些实施方式中，基于患者结果的预测值来更改泵操作。特别地，更改泵操作可以包括调整心脏泵系统的操作参数以提供与在获取第一数据的时间段期间提供的支持水平不同的支持水平。在一个示例中，调整心脏泵系统的操作参数包括基于心脏功率输出、乳酸盐浓度或两者的改变来（诸如例如通过增加或减小来）调整泵速度。当一个特征值低于第一阈值时，并且当第二特征值高于第二阈值时或该两者时，可能合意的是增加泵速度，如以下关于图15所述。

图15示出了基于CPO和乳酸盐浓度确定患者结果的预测值的流程图。步骤1500和1502与上述步骤1400和1402相同。在步骤1504处，在第一时间段期间操作心脏泵系统以向患者提供第一水平的心脏支持。提供一水平的心脏支持的示例包括以P-水平或电机速度操作泵、向泵电机提供电流、打开泵、引起通过泵或患者的心脏的流量或者任何其它合适的支持方法。可以由控制器例如通过经由用户界面输入的用户指令提供一水平，以该水平操作心脏泵系统。

在步骤1506处，获得至少一个CPO值。至少一个CPO值是从由心脏泵系统提供的测量结果导出的。可选地，至少一个CPO值表示在以上关于步骤1504描述的第一时间段内的至少一个时间点处的CPO。在一些实施方式中，在第一时间段之后以固定时间间隔规律地更新CPO。例如，第一时间间隔可以是0.01秒、0.1秒、0.5秒、1秒、5秒10秒、1分钟、10分钟、15分钟、30分钟、1小时或任何合适的时间间隔。在步骤1506处，还获得至少一个乳酸盐浓度值。可以从患者测量该至少一个乳酸盐浓度值。例如，乳酸盐浓度值可以手动地输入到心脏泵系统中或者可以从外部数据库检索。

在步骤1508处，确定患者结果的预测值。预测值至少部分地基于在步骤1506中获取的至少一个心脏功率输出值和至少一个乳酸盐浓度值。当至少一个CPO值低于第一阈值时、当至少一个乳酸盐浓度值高于第二阈值时或该两者时，可能合意的是增加泵速度。例如，第一阈值可以是诸如0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0 W的值，并且第二阈值可以是诸如1、2、3、4、5、6、7 mmol/L的值。低CPO值和高乳酸盐值可以指示患者具有相对低的存活概率。因为患者进展情况并不良好，所以临床医生可以尝试例如通过增加泵速度来升高由泵提供的心脏支持的水平。当至少一个CPO值高于第一阈值时、当至少一个乳酸盐浓度值低于第二阈值时或该两者时，也可能合意的是降低或不改变泵速度。高CPO值和低乳酸盐值可以指示患者具有相对高的存活概率。因为患者进展情况良好，所以临床医生可以决定不改变泵的操作的参数。可替代地，临床医生可以尝试降低由泵提供的心脏支持的水平，或者完全关闭泵。步骤1510与以上关于图14描述的步骤1410相同。

前述内容仅说明本公开的原理，并且装置能够通过所描述实施例之外的其它实施例来实践，所述实施例是出于说明而非限制的目的而呈现。要理解，本文中公开的装置尽管被示出以供在心脏泵的经皮插入中使用，但是其可以应用于需要止血的其它应用中的装置。

本领域技术人员在回顾了本公开之后将想到变化和修改。所公开的特征可以与本文中描述的一个或多个其它特征以任何组合和子组合（包括多个从属组合和子组合）来实现。以上描述或说明的各种特征（包括其任何部件）可以组合或集成于其它系统中。此外，可以省略或不实现某些特征。

描述的系统和方法可以在心脏泵系统或诸如AIC的心脏泵系统的控制器上本地实现。心脏泵系统可以包括数据处理装置。本文中描述的系统和方法可以在分离的数据处理装置上远程实现。分离的数据处理装置可以通过云应用直接或间接地连接到心脏泵系统。心脏泵系统可以实时地（或接近实时地）与分离的数据处理装置通信。

通常，在本说明书中描述的主题和功能操作的实施例能够在数字电子电路中或者在以下各项中实现：计算机软件、固件或硬件中，包括在本说明书中公开的结构和它们的结构等同物，或者以它们中的一个或多个的组合实现。在本说明书中描述的主题的实施例能够被实现为一个或多个计算机程序产品，即，编码在计算机可读介质上以用于由数据处理装置执行或以控制数据处理装置的操作的计算机程序指令的一个或多个模块。计算机可读介质能够是机器可读存储设备、机器可读存储基板、存储器设备、影响机器可读传播信号的物质的成分或它们中的一个或多个的组合。术语“数据处理装置”涵盖用于处理数据的所有装置、设备和机器，作为示例，包括可编程处理器、计算机或多个处理器或计算机。除了硬件之外，该装置还能够包括为所讨论的计算机程序创建执行环境的代码，例如，构成处理器固件、协议栈、数据库管理系统、操作系统或它们中的一个或多个的组合的代码。传播信号是人工生成的信号，例如，机器生成的电、光学或电磁信号，其被生成以编码用于传输到合适的接收器装置的信息。

计算机程序（也称为程序、软件、软件应用、脚本或代码）能够以任何形式的编程语言（包括编译或解释语言）来写，并且其能够以任何形式部署，包括作为独立程序或作为模块、部件、子例程或供在计算环境中使用的其它单元来部署。计算机程序可以对应于文件系统中的文件。程序能够存储在保留其它程序或数据的文件的一部分（例如，存储在标记语言文档中的一个或多个脚本）中、存储在专用于所讨论的程序的单个文件中或多个协调文件（例如，存储一个或多个模块、子程序或代码的部分的文件）中。计算机程序能够被部署以在位于一个站点处或跨多个站点分布并且通过通信网络互连的一个计算机上或多个计算机上执行。

在本说明书中描述的过程和逻辑流程能够由执行一个或多个计算机程序以通过对输入数据进行操作并生成输出来执行功能的一个或多个可编程处理器执行。过程和逻辑流程还能够由专用逻辑电路（例如，FPGA（现场可编程门阵列）或ASIC（专用集成电路））执行，并且装置还能够被实现为专用逻辑电路（例如，FPGA（现场可编程门阵列）或ASIC（专用集成电路））。

作为示例，适合于计算机程序的执行的处理器包括通用和专用微处理器两者，以及任何种类的数字计算机的任何一个或多个处理器。通常，处理器将从只读存储器或随机存取存储器或该两者接收指令和数据。计算机的基本元件是用于执行指令的处理器和用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备（例如，磁盘、磁光盘或光盘），或者可操作地联接以从用于存储数据的一个或多个大容量存储设备接收数据或向其传送数据或该两者。然而，计算机不需要具有这种设备。

改变、替换和更改的示例是由本领域技术人员可确定的，并且可以在不脱离本文中公开的信息的范围的情况下进行。本文中引用的所有参考通过引用以其整体被并入并且成为本申请的部分。

示例实施例

1.一种用于预测患者结果的方法，所述方法包括：

在第一时间段期间并且从心脏泵系统获取与所述心脏泵系统的时变参数相关的第一数据；

从所述第一数据提取多个特征；

使用预测模型并且基于所述多个特征来确定指示所述患者的心脏的健康的心脏健康指数；以及

基于所述心脏健康指数预测患者结果。

2.根据实施例1所述的方法，其中所述心脏健康指数还指示患者恢复的可能性。

3.根据实施例1或2所述的方法，其中所述心脏健康指数表示心脏分量和系统灌注分量。

4.根据实施例1-3中任一项所述的方法，其中所述心脏泵系统至少部分地插入所述患者的心脏内。

5.根据实施例1-4中任一项所述的方法，还包括：

获取与患者的生理参数相关的第二数据；以及

从所述第二数据提取第二多个特征，

其中确定所述心脏健康指数还基于所述第二多个特征。

6.根据实施例5所述的方法，其中所述第二多个特征包括以下各项中的至少一个：年龄、性别、体表面积（BSA）、排尿量、肌酐水平、酸碱度（pH）、氧浓度、二氧化碳浓度和乳酸盐浓度。

7.根据实施例1-6中任一项所述的方法，还包括显示所述心脏健康指数。

8.根据实施例1-7中任一项所述的方法，还包括：

获取包括所述心脏健康指数的多个心脏健康指数，每个心脏健康指数对应于多个时间段中的时间段；以及

基于所述多个心脏健康指数来确定患者健康的改变。

9.根据实施例8所述的方法，还包括在所述多个时间段内显示所述多个心脏健康指数。

10.根据实施例1-9中任一项所述的方法，其中所述多个特征包括以下各项中的至少一个：主动脉压力、差压、电机电流、电机速度、泵压力、左心室压力、舒张末期压力、主动脉脉搏压力、天生心输出量、心输出量、心脏功率输出、放置、流量、P-水平、收缩性、舒张、平均值放置、放置的标准差、平均值放置范围、放置范围的标准差、平均值差压、差压的标准差、平均值差压范围、差压范围的标准差、左心室压力最大值以及左心室压力最小值。

11.根据实施例1-10中任一项所述的方法，其中所述预测模型是机器学习模型。

12.根据实施例11所述的方法，其中所述机器学习模型是以下各项之一：逻辑回归技术、深度学习技术、决策树、随机森林技术、朴素贝叶斯技术和支持向量机技术。

13.根据实施例1-12中任一项所述的方法，还包括：

显示所述多个特征中的第一特征与所述多个特征中的第二特征相比的相对重要性的指示符。

14.根据实施例1-13中任一项所述的方法，其中确定所述心脏健康指数包括：

从数据库获取训练数据集，所述训练数据集包括与心脏泵系统的时变参数相关的多个数据点；

预处理所述数据集以确定对应于所述多个数据点的第三多个特征；

处理所述第三多个特征以确定模式，其中所述模式包括所述第三多个特征的子集中的每个特征的权重；

获取患者数据；

基于所述患者数据和所述模式来计算患者的所述心脏健康指数。

15.根据实施例1-14中任一项所述的方法，其中所述第一数据包括指示随时间的放置信号、电机电流和P-水平的数据。

16.根据实施例1-15中任一项所述的方法，其中所述多个特征包括：放置信号、电机电流、P-水平和所述放置信号的标准差。

17.根据实施例1-16中任一项所述的方法，其中所述第一数据包括指示随时间的泵压力、差压、电机电流和电机速度的数据。

18.根据实施例1-17中任一项所述的方法，其中所述多个特征包括：泵压力最大值、泵压力均值、泵压力最小值、差压最大值、差压最小值、电机电流最大值、电机电流最小值、电机电流均值和电机速度均值。

19.根据实施例1-18中任一项所述的方法，其中所述第一数据包括指示随时间的放置信号和流量的数据。

20.根据实施例1-19中任一项所述的方法，其中所述多个特征包括：放置信号、均流量和目标流量。

21.根据实施例1-20中任一项所述的方法，其中所述心脏健康指数是所述患者的存活概率。

22.根据实施例1-21中任一项所述的方法，其中所述患者结果是所述患者的死亡。

23.根据实施例1-21中任一项所述的方法，其中所述患者结果是所述患者的存活。

24.一种心脏泵系统，包括：

导管；

电机；

转子，其可操作地联接到所述电机；

泵壳体，其至少部分地围绕所述转子，使得致动所述电机驱动所述转子并泵送血液通过所述泵壳体；

至少一个传感器；以及

控制器，其被配置成：

执行实施例1-23中任一项所述的方法。

25.一种系统，包括被配置成执行根据实施例1-23中任一项所述的方法的控制器。

Claims (33)

1.一种用于治疗心源性休克中的患者的方法，所述方法包括：

将血管内心脏泵系统插入到所述患者的脉管系统中，所述心脏泵系统包括套管、泵入口、泵出口和转子；

将所述心脏泵系统定位在所述患者内，使得所述套管延伸跨过所述患者的主动脉瓣，所述泵入口位于所述患者的左心室内，并且所述泵出口位于所述患者的主动脉内；

从所述心脏泵系统获取与所述心脏泵系统的时变参数相关的第一数据；

从所述第一数据提取多个特征；

使用预测模型并且基于所述多个特征来确定所述患者的存活概率；以及

操作所述心脏泵系统以治疗所述患者。

2.根据权利要求1所述的方法，其中所述存活概率包括表示所述患者的心脏性能的心脏分量和表示所述患者的循环性能的系统灌注分量。

3.根据权利要求1或2所述的方法，还包括：

获取与所述患者的生理参数相关的第二数据；以及

其中确定所述存活概率是基于所述第二数据。

4.根据权利要求3所述的方法，其中所述第二数据包括以下各项中的至少一个：年龄、性别、体表面积（BSA）、排尿量、肌酐水平、酸碱度（pH）、氧浓度、二氧化碳浓度和乳酸盐浓度。

5.根据权利要求4所述的方法，其中第一多个特征包括心脏功率输出，并且所述第二数据包括乳酸盐浓度。

6.根据前述权利要求中任一项所述的方法，其中基于所述存活概率来选择泵操作参数值。

7.根据权利要求6所述的方法，其中所述泵操作参数是泵速度。

8.根据权利要求7所述的方法，其中基于所述存活概率来增加所述泵速度。

9.根据前述权利要求中任一项所述的方法，还包括：

获取包括所述存活概率的多个存活概率，每个存活概率对应于多个时间段中的时间段；以及

基于所述多个存活概率来确定患者健康的改变。

10.根据前述权利要求中任一项所述的方法，其中所述多个特征包括以下各项中的至少一个：主动脉压力、差压、电机电流、电机速度、泵压力、左心室压力、舒张末期压力、主动脉脉搏压力、天生心输出量、心输出量、心脏功率输出、放置、均流量、目标流量、P-水平、收缩性、舒张、放置信号、平均值放置、放置的标准差、平均值放置范围、放置范围的标准差、平均值差压、差压的标准差、平均值差压范围、差压范围的标准差、左心室压力最大值、左心室压力最小值、泵压力最大值、泵压力均值、泵压力最小值、差压最大值、差压最小值、电机电流最大值、电机电流最小值、电机电流均值以及电机速度均值。

11.根据前述权利要求中任一项所述的方法，其中所述预测模型是机器学习模型，所述机器学习模型是以下各项之一：逻辑回归技术、深度学习技术、决策树、随机森林技术、朴素贝叶斯技术和支持向量机技术。

12.根据前述权利要求中任一项所述的方法，还包括：

显示所述多个特征中的第一特征与所述多个特征中的第二特征相比的相对重要性的指示符。

13.根据前述权利要求中任一项所述的方法，其中确定所述存活概率包括：

从数据库获取训练数据集，所述训练数据集包括与心脏泵系统的时变参数相关的多个数据点；

预处理所述数据集以确定对应于所述多个数据点的第三多个特征；

处理所述第三多个特征以确定模式，其中所述模式包括所述第三多个特征的子集中的每个特征的权重；

获取患者数据；以及

基于所述患者数据和所述模式来计算患者的所述存活概率。

14.根据前述权利要求中任一项所述的方法，其中所述存活概率指示所述患者的死亡或存活。

15.一种用于治疗心源性休克中的患者的方法：

将血管内心脏泵系统插入到所述患者的脉管系统中，所述心脏泵系统包括套管、泵入口、泵出口和转子；

将所述心脏泵系统定位在所述患者内，使得所述套管延伸跨过所述患者的主动脉瓣，所述泵入口位于所述患者的左心室内，并且所述泵出口位于所述患者的主动脉内；

操作所述心脏泵系统以为所述患者提供第一水平的心脏支持；

获得从由所述心脏泵系统提供的测量结果导出的至少一个心脏功率输出值，以及从所述患者测量的至少一个乳酸盐浓度值；

至少部分地基于所述至少一个心脏功率输出值和所述至少一个乳酸盐浓度值来确定患者结果的预测值；以及

操作所述心脏泵系统以治疗所述患者。

16.根据权利要求15所述的方法，还包括基于患者结果的所述预测值来调整所述心脏泵系统的操作参数，以为所述患者提供不同于所述第一水平的第二水平的心脏支持。

17.根据权利要求15或16所述的方法，其中调整所述心脏泵系统的所述操作参数包括基于心输出量或乳酸盐浓度的改变来调整泵速度。

18.根据权利要求17所述的方法，其中调整泵速度包括：当所述至少一个心脏功率输出值低于第一阈值并且所述至少一个乳酸盐浓度值高于第二阈值时增加泵速度。

19.根据权利要求18所述的方法，其中调整泵速度包括：当所述至少一个心脏功率输出值高于第一阈值并且所述至少一个乳酸盐浓度值低于第二阈值时降低泵速度。

20.根据权利要求15-19中任一项所述的方法，其中所述心脏泵系统在第一时间段期间为所述患者提供所述第一水平的心脏支持；并且还包括：在所述第一时间段之后的第一时间间隔之后更新所述至少一个心脏功率输出值，并且在所述第一时间段之后的第二时间间隔之后更新所述至少一个乳酸盐浓度值。

21.根据权利要求15-20中任一项所述的方法，其中所述至少一个乳酸盐浓度值由临床医生从所述患者测量并且通过用户界面提供给所述心脏泵系统。

22.根据权利要求15-21中任一项所述的方法，其中获得所述至少一个心脏功率输出值包括确定来自所述心脏泵系统的传感器的随时间的心输出量。

23.根据权利要求15-22中任一项所述的方法，其中患者结果的所述预测值指示所述患者的死亡或存活。

24.一种心脏泵系统，包括：

泵，其包括泵壳体、转子和定位在所述泵壳体近侧的开口，所述套管具有近端；

套管，其包括与所述泵壳体的远端对接的近端和具有至少一个远侧开口的远端，所述泵被配置成由电机操作；

伸长导管，其在所述泵壳体的近侧延伸；

至少一个传感器；以及

控制器，其被配置成：

执行权利要求1-23中任一项所述的方法。

25.根据权利要求24所述的心脏泵系统，还包括远离所述套管的所述远端向远侧延伸的柔性突出部。

26.根据权利要求24或25所述的心脏泵系统，其中所述伸长导管在其远端上联接到所述泵壳体，并且其中所述泵还包括延伸通过所述伸长导管的驱动线缆。

27.一种心脏泵系统，包括：

泵，其包括泵壳体、转子和定位在所述泵壳体的近侧的开口，所述套管具有近端；

套管，其包括与所述泵壳体的远端对接的近端和具有至少一个远侧开口的远端，所述泵被配置成由电机操作；

伸长导管，其在所述泵壳体的近侧延伸；

至少一个传感器，其被配置成获取与时变参数相关的第一数据；以及

控制器，其被配置成基于所述第一数据来确定所述患者的存活概率。

28.根据权利要求27所述的心脏泵系统，还包括远离所述套管的所述远端向远侧延伸的柔性突出部。

29.根据权利要求27或28中任一项所述的心脏泵系统，还包括被定尺寸和被配置用于插入到所述患者的脉管系统中的集成电机。

30.根据权利要求29所述的心脏泵系统，其中所述电机被配置成在所述转子的致动期间维持基本上恒定的转子速度。

31.根据权利要求27或28所述的心脏泵系统，其中所述伸长导管在其远端上联接到所述泵壳体，并且其中所述泵还包括延伸通过所述伸长导管的驱动线缆。

32.根据权利要求27-31中任一项所述的心脏泵系统，其中所述泵被配置成被放置成使得套管延伸跨过所述患者的主动脉瓣，所述远端位于所述患者的左心室内，并且所述近端位于所述患者的主动脉内。

33.根据权利要求27-32中任一项所述的心脏泵系统，其中所述控制器被配置成执行根据权利要求1-23中任一项所述的方法。

Images