CN113571187A - 医疗先兆事件估计系统和外部穿戴的除颤器 - Google Patents

医疗先兆事件估计系统和外部穿戴的除颤器 Download PDF

Info

Publication number
CN113571187A
CN113571187A CN202110841247.6A CN202110841247A CN113571187A CN 113571187 A CN113571187 A CN 113571187A CN 202110841247 A CN202110841247 A CN 202110841247A CN 113571187 A CN113571187 A CN 113571187A
Authority
CN
China
Prior art keywords
subject
event
risk
metrics
medical
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.)
Pending
Application number
CN202110841247.6A
Other languages
English (en)
Inventor
翁斌伟
G·R·约翰逊
A·沙利文
F·尼古拉
S·施凯维奇
G·A·弗雷曼
G·R·弗兰克
J·T·怀廷
S·林格奎斯特
T·E·凯布
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.)
Zoll Medical Corp
Original Assignee
Zoll Medical Corp
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 Zoll Medical Corp filed Critical Zoll Medical Corp
Publication of CN113571187A publication Critical patent/CN113571187A/zh
Pending legal-status Critical Current

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • 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
    • A61B5/02—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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0531—Measuring skin impedance
    • A61B5/0533—Measuring galvanic skin response
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/085—Measuring impedance of respiratory organs or lung elasticity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A61B5/14552—Details of sensors specially adapted therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • 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
    • A61B5/4803—Speech analysis specially adapted for diagnostic purposes
    • 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
    • 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
    • A61B7/00—Instruments for auscultation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B7/00—Instruments for auscultation
    • A61B7/003—Detecting lung or respiration noise
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/02—Details
    • A61N1/04—Electrodes
    • A61N1/0404—Electrodes for external use
    • A61N1/0408—Use-related aspects
    • A61N1/046—Specially adapted for shock therapy, e.g. defibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/02—Details
    • A61N1/04—Electrodes
    • A61N1/0404—Electrodes for external use
    • A61N1/0472—Structure-related aspects
    • A61N1/0484—Garment electrodes worn by the patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/372—Arrangements in connection with the implantation of stimulators
    • A61N1/37211—Means for communicating with stimulators
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A61N1/3925—Monitoring; Protecting
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A61N1/3975—Power supply
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Cardiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Acoustics & Sound (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Dermatology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Dentistry (AREA)
  • Vascular Medicine (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Spectroscopy & Molecular Physics (AREA)

Abstract

本申请提供了一种医疗先兆事件估计系统和外部穿戴的除颤器。医疗先兆事件估计系统进行：获取被检者的第一生理信息集以及第二生理信息集；基于将第一生理信息集和第二生理信息集应用于机器学习分类器模型来计算与估计心律失常事件的风险相关联的第一风险评分和第二风险评分；至少提供与所述潜在心律失常事件相关联的所述第一风险评分和所述第二风险评分作为时变系列的风险评分；以及基于所述一个或多个阈值来对与估计所述被检者的所述潜在心律失常事件的风险相关联的所述第一风险评分和所述第二风险评分进行分类。

Description

医疗先兆事件估计系统和外部穿戴的除颤器
本申请是申请日为2015年11月13日，申请号为201580073217.8、题为“医疗先兆事件估计”的发明专利申请的分案申请。
相关申请的交叉引用
本申请根据35U.S.C.§119(e)而要求2014年11月14日提交的标题为“MEDICALPREMONITORY EVENT ESTIMATION”的美国临时申请序列号62/080,083、2014年12月23日提交的标题为“MEDICAL PREMONITORY EVENT ESTIMATION”的美国临时申请序列号62/096,140和2015年10月1日提交的标题为“MEDICAL PREMONITORY EVENT ESTIMATION”的美国临时申请序列号62/235,911的优先权，在此通过应用包含所有这三个申请的全部内容。
背景技术
本发明涉及医疗先兆事件(MEDICAL PREMONITORY EVENT)估计、检测系统和方法，并且在一些实施例中，涉及用于计算与被检者的潜在医疗事件相关联的事件估计风险评分(event estimation of risk score)的系统和方法。
背景技术
作为心脏快速性心律失常引起的心脏骤停或心脏停搏的结果，许多患者存在猝死风险。例如，与一般人群相比，左心室射血分数下降且被诊断为心肌梗塞、非缺血型心肌病、扩张型心肌病和充血性心力衰竭的患者已被识别为具有高风险。缺少用于在这些人群内确定将使得在心脏性猝死发作之前识别预警迹象的风险等级的有效方法。在不存在用于对高风险的被检者进行分类的可靠方法的情况下，这些患者可用的治疗推荐经常涉及住院治疗以及药物治疗之后进行观察。尽管药物疗法的可用性，但猝死率仅略有下降，并且一旦被检者经历心脏骤停，唯一得到证实的治疗是除颤(defibrillation)。事实上，被检者将幸免于心脏骤停的机率在除颤治疗被延迟的每分钟按约10％的速率降低。结果，被检者将会受益于能够进行主动决策(诸如应用先进医疗干预等)的用于检测高风险的心脏性猝死的预警迹象的系统和方法。
在使用过程中，监测被检者的生理状况的医疗装置(诸如便携式除颤器监测器、可穿戴除颤器、可佩戴胰岛素泵、可穿戴ECG监测器或其它生理参数的监测器等)可以发出可听警报、语音提示或消息、或者视觉消息，以向被检者或旁观者警告医疗状况，指导被检者或旁观者采取一些行动来纠正问题，呼叫援助，请求来自被检者或旁观者的信息，或者向装置提供反馈使得装置可以继续适当地起作用。例如，如果医疗装置是可穿戴除颤器，则在该装置判断为被检者正经历心律失常的情况下，该装置可以发出警报和语音消息以向被检者提供指示。警报和消息还可以指向旁观者，从而指示旁观者呼叫医疗援助，或者向任何旁观者警告将要传送除颤电击并且请远离被检者。
发明内容
在一些实施例中，提供一种医疗先兆事件估计系统，所述系统包括：非暂时性计算机可读存储介质，其与一个或多个处理器进行通信并且存储有指令，其中所述指令在由所述一个或多个处理器执行的情况下使所述一个或多个处理器进行包括以下的操作：针对多个时间段，至少部分基于被检者的生理参数数据来计算与关联时间段内发生的所述被检者的潜在医疗事件相关联的事件估计风险评分。
现在将在以下编号的条款中说明本发明的优选且非限制性的实施例或方面：
条款1.一种医疗先兆事件估计系统，包括：非暂时性计算机可读存储介质，其与一个或多个处理器进行通信并且存储有指令，其中所述指令在由所述一个或多个处理器执行的情况下使所述一个或多个处理器进行包括以下的操作：针对多个时间段，至少部分基于被检者的生理参数数据来计算与关联时间段内发生的所述被检者的潜在医疗事件相关联的事件估计风险评分。
条款2.根据条款1所述的医疗先兆事件估计系统，其中，所述生理参数数据包括ECG数据。
条款3.根据条款1或2所述的医疗先兆事件估计系统，其中，所述生理参数数据包括血压数据、心率数据、胸部阻抗数据、脉搏血氧水平数据、呼吸速率数据、心音数据、肺音数据和活动水平数据至少之一。
条款4.根据条款1-3中任一项所述的医疗先兆事件估计系统，其中，所述潜在医疗事件包括心脏事件。
条款5.根据条款4所述的医疗先兆事件估计系统，其中，所述心脏事件包括异位搏动、一连串异位搏动、室性心动过速、心动过缓、心脏停搏和T波异常至少之一。
条款6.根据条款1-5中任一项所述的医疗先兆事件估计系统，其中，所述潜在医疗事件包括多个医疗事件至少之一、医疗事件的速率增加和/或医疗事件的强度增加。
条款7.根据条款1-6中任一项所述的医疗先兆事件估计系统，其中，所述潜在医疗事件是在包括所述生理参数数据以及所述被检者的至少一个其它类型的生理参数数据和/或人口统计数据的多维参数空间中定义的。
条款8.根据条款1-7中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：至少部分基于所述生理参数数据来计算与关联时间段内所述被检者的所述潜在医疗事件相关联的多个不同的事件估计风险评分。
条款9.根据条款1-8中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：至少部分基于所述生理参数数据来计算与关联时间段内所述被检者的多个不同的潜在医疗事件相关联的多个不同的事件估计风险评分。
条款10.根据条款1-9中任一项所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分包括：计算表示所述潜在医疗事件相对于至少一个其它潜在医疗事件的重要性的危急度评分。
条款11.根据条款1-10中任一项所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分包括：计算包括关联时间段内发生所述潜在医疗事件的概率的置信度评分。
条款12.根据条款1-11中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：判断为关联时间段内所述事件估计风险评分满足一个或多个事件估计风险阈值；以及至少部分基于判断为满足的所述一个或多个事件估计风险阈值来确定针对所述潜在医疗事件的响应。
条款13.根据条款12所述的医疗先兆事件估计系统，其中，所确定的针对所述潜在医疗事件的响应包括以下内容至少之一：向所述被检者通知高级诊断；建议所述被检者不要移除设备；向所述被检者建议行为修正；向医疗专业人员发出警报；以及使装置准备进行治疗。
条款14.根据条款12或13所述的医疗先兆事件估计系统，其中，所述一个或多个事件估计风险阈值各自包括至少一个置信度阈值和至少一个危急度阈值，其中所述至少一个置信度阈值包括关联时间段内发生所述潜在医疗事件的所需概率，以及所述至少一个危急度阈值包括所述潜在医疗事件相对于至少一个其它潜在医疗事件的所需重要性。
条款15.根据条款12-14中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个事件估计风险阈值包括关联时间段的多个不同的事件估计风险阈值。
条款16.根据条款12-15中任一项所述的医疗先兆事件估计系统，其中，第一时间段的一个或多个事件估计风险阈值不同于第二时间段的一个或多个事件估计风险阈值。
条款17.根据条款12-16中任一项所述的医疗先兆事件估计系统，其中，所确定的针对第一关联时间段内发生的所述被检者的所述潜在医疗事件的响应不同于所确定的针对第二关联时间段内发生的所述被检者的所述潜在医疗事件的响应。
条款18.根据条款1-17中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：判断为关联时间段内所述事件估计风险评分未能满足至少一个事件估计风险阈值；接收所述被检者的附加数据；以及至少部分基于所述生理参数数据和所述附加数据，来计算与关联时间段内发生的所述被检者的所述潜在医疗事件相关联的增强事件估计风险评分。
条款19.根据条款18所述的医疗先兆事件估计系统，其中，所述附加数据包括如下数据至少之一：所述被检者的图像数据；包含所述被检者的语音的音频数据；以及基于所述被检者的皮肤电反应的数据。
条款20.根据条款18或19所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：至少部分基于从多个患者收集到的历史患者数据来设置所述一个或多个事件估计风险阈值。
条款21.根据条款18-20中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：至少部分基于来自用户的输入来设置所述一个或多个事件估计风险阈值。
条款22.根据条款1-21中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：按周期性时间间隔来计算所述事件估计风险评分。
条款23.根据条款1-21中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：按动态的时间间隔来计算所述事件估计风险评分，其中所述动态的时间间隔的持续时间至少部分基于所述事件估计风险评分。
条款24.根据条款1-21中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：连续计算所述事件估计风险评分。
条款25.根据条款1-24中任一项所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分包括：向所述生理参数数据应用逻辑回归模型以确定所述事件估计风险评分。
条款26.根据条款1-24中任一项所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分包括：至少部分基于所述生理参数数据来生成至少两个大致正交的向量；对所述至少两个大致正交的向量进行处理以确定所述生理参数数据的循环轨迹；以及通过以下操作来识别轨迹分岔：表征包括第一时间段内所获得的一个或多个循环轨迹的控制循环轨迹组；表征包括所述第一时间段之后的第二时间段内所获得的一个或多个循环轨迹的测试循环轨迹组；将所述控制循环轨迹组的表征值与所述测试循环轨迹组的表征值进行比较；测量所述控制循环轨迹组和所述测试循环轨迹组之间的轨迹分岔程度；以及至少部分基于所述轨迹分岔程度的测量值来计算所述事件估计风险评分。
条款27.根据条款1-24中任一项所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分包括：计算包括第一潜在医疗事件的第一危急度评分的第一事件估计风险评分；以及至少部分基于所述第一事件估计风险评分来计算包括第二潜在医疗事件的第二危急度评分的第二事件估计风险评分，其中所述第一危急度评分表示所述第一潜在医疗事件的重要性不同于所述第二潜在医疗事件的重要性。
条款28.根据条款1-24中任一项所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分包括：基于第一可电击节律检测算法来计算与关联时间段内发生的所述被检者的所述潜在医疗事件相关联的第一事件估计风险评分；以及基于第二节律检测算法来计算与关联时间段内发生的所述被检者的所述潜在医疗事件相关联的第二事件估计风险评分，其中，对所述第二节律检测算法进行调整以实现与所述第一可电击节律检测算法相比针对所述生理参数数据的更高敏感性。
条款29.根据条款1-24中任一项所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分包括：向所述生理参数数据的不同时间段应用至少两个不同的节律检测算法。
条款30.根据条款1-24中任一项所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分包括：接收表示患者的存活力的数据；以及至少部分基于所述患者的存活力来确定针对所述潜在医疗事件的响应。
条款31.根据条款1-30中任一项所述的医疗先兆事件估计系统，其中，还包括：医疗装置，其包括被配置为感测所述被检者的所述生理参数数据的一个或多个传感器。
条款32.根据条款1-31中任一项所述的医疗先兆事件估计系统，其中，所述医疗装置包括可穿戴医疗装置，所述一个或多个传感器包括多个ECG传感器，所述被检者的所述生理参数数据包括ECG数据，以及所述潜在医疗事件包括心脏事件。
条款33.根据条款31或32所述的医疗先兆事件估计系统，其中，还包括：通信网络，其被配置为将所述生理参数数据和所述事件估计风险评分至少之一从所述医疗装置通信至另一计算装置。
条款34.根据条款1-33中任一项所述的医疗先兆事件估计系统，其中，还包括：显示器，用于显示多个时间段的所述事件估计风险评分的基于时间的视觉指示。
条款35.根据条款1-34中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：至少部分基于所述事件估计风险评分来确定针对所述潜在医疗事件的响应。
条款36.根据条款35所述的医疗先兆事件估计系统，其中，所确定的针对所述潜在医疗事件的响应包括向所述被检者提供用以联系医疗专业人员的指示。
条款37.根据条款35或36所述的医疗先兆事件估计系统，其中，还包括：可穿戴医疗装置，其中，所确定的针对所述潜在医疗事件的响应包括向所述被检者提供用以检查所述可穿戴医疗装置的电池的指示。
条款38.根据条款35-37中任一项所述的医疗先兆事件估计系统，其中，还包括：可穿戴医疗装置，其中，所确定的针对所述潜在医疗事件的响应包括对所述可穿戴医疗装置的电击机构进行充电。
条款39.根据条款35-38中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：至少部分基于所述事件估计风险评分的敏感性和特异性来确定针对所述潜在医疗事件的响应。
条款40.根据条款35-39中任一项所述的医疗先兆事件估计系统，其中，所确定的基于第一敏感性和第一特异性的响应不同于所确定的基于不同的第二敏感性和不同的第二特异性的响应。
条款41.根据条款35-40中任一项所述的医疗先兆事件估计系统，其中，所确定的针对所述潜在医疗事件的响应包括以下内容至少之一：向所述被检者通知高级诊断；建议所述被检者不要移除设备；向所述被检者建议行为修正；向医疗专业人员发出警报；以及使装置准备进行治疗。
条款42.根据条款35-41中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：基于所述被检者的风险水平来修改用于确定所述事件估计风险评分的算法的敏感性。
条款43.根据条款1-42中任一项所述的医疗先兆事件估计系统，其中，所述多个时间段包括小于约10分钟的至少一个时间段、小于约1小时的至少一个时间段、小于约3小时的至少一个时间段、小于约1天的至少一个时间段、小于约1周的至少一个时间段和小于约1个月的至少一个时间段。
条款44.根据条款1-43中任一项所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分包括：计算所述事件估计风险评分的置信带。
条款45.根据条款1-44中任一项所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分包括：计算所述事件估计风险评分的误差带。
条款46.根据条款1-45中任一项所述的医疗先兆事件估计系统，其中，所述多个时间段包括小于4小时的多个时间段。
条款47.一种用于医疗先兆事件估计的方法，包括以下步骤：利用一个或多个处理器来接收被检者的生理参数数据；以及针对多个时间段，利用所述一个或多个处理器至少部分基于所述被检者的所述生理参数数据来计算与关联时间段内发生的所述被检者的潜在医疗事件相关联的事件估计风险评分。
条款48.根据条款47所述的方法，其中，所述生理参数数据包括ECG数据。
条款49.根据条款47或48所述的方法，其中，所述生理参数数据包括血压数据、心率数据、胸部阻抗数据、脉搏血氧水平数据、呼吸速率数据、心音数据、肺音数据和活动水平数据至少之一。
条款50.根据条款47-49中任一项所述的方法，其中，所述潜在医疗事件包括心脏事件。
条款51.根据条款50所述的方法，其中，所述心脏事件包括异位搏动、一连串异位搏动、室性心动过速、心动过缓、心脏停搏和T波异常至少之一。
条款52.根据条款47-51中任一项所述的方法，其中，所述潜在医疗事件包括多个医疗事件至少之一、医疗事件的速率增加和/或医疗事件的强度增加。
条款53.根据条款47-52中任一项所述的方法，其中，所述潜在医疗事件是在包括所述生理参数数据以及所述被检者的至少一个其它类型的生理参数数据和/或人口统计数据的多维参数空间中定义的。
条款54.根据条款47-53中任一项所述的方法，其中，还包括以下步骤：利用所述一个或多个处理器，至少部分基于所述生理参数数据来计算与关联时间段内所述被检者的所述潜在医疗事件相关联的多个不同的事件估计风险评分。
条款55.根据条款47-54中任一项所述的方法，其中，还包括以下步骤：利用所述一个或多个处理器，至少部分基于所述生理参数数据来计算与关联时间段内所述被检者的多个不同的潜在医疗事件相关联的多个不同的事件估计风险评分。
条款56.根据条款47-55中任一项所述的方法，其中，计算所述事件估计风险评分包括：计算表示所述潜在医疗事件相对于至少一个其它潜在医疗事件的重要性的危急度评分。
条款57.根据条款47-56中任一项所述的方法，其中，计算所述事件估计风险评分包括：计算包括关联时间段内发生所述潜在医疗事件的概率的置信度评分。
条款58.根据条款47-57中任一项所述的方法，其中，还包括以下步骤：利用所述一个或多个处理器，判断为关联时间段内所述事件估计风险评分满足一个或多个事件估计风险阈值；以及利用所述一个或多个处理器，至少部分基于判断为满足的所述一个或多个事件估计风险阈值来确定针对所述潜在医疗事件的响应。
条款59.根据条款58所述的方法，其中，所确定的针对所述潜在医疗事件的响应包括以下内容至少之一：向所述被检者通知高级诊断；建议所述被检者不要移除设备；向所述被检者建议行为修正；向医疗专业人员发出警报；以及使装置准备进行治疗。
条款60.根据条款58或59所述的方法，其中，所述一个或多个事件估计风险阈值各自包括至少一个置信度阈值和至少一个危急度阈值，其中所述至少一个置信度阈值包括关联时间段内发生所述潜在医疗事件的所需概率，以及所述至少一个危急度阈值包括所述潜在医疗事件相对于至少一个其它潜在医疗事件的所需重要性。
条款61.根据条款58-60中任一项所述的方法，其中，所述一个或多个事件估计风险阈值包括关联时间段的多个不同的事件估计风险阈值。
条款62.根据条款58-61中任一项所述的方法，其中，第一时间段的一个或多个事件估计风险阈值不同于第二时间段的一个或多个事件估计风险阈值。
条款63.根据条款58-62中任一项所述的方法，其中，所确定的针对第一关联时间段内发生的所述被检者的所述潜在医疗事件的响应不同于所确定的针对第二关联时间段内发生的所述被检者的所述潜在医疗事件的响应。
条款64.根据条款47-63中任一项所述的方法，其中，还包括以下步骤：利用所述一个或多个处理器，判断为关联时间段内所述事件估计风险评分未能满足至少一个事件估计风险阈值；利用所述一个或多个处理器，接收所述被检者的附加数据；以及利用所述一个或多个处理器，至少部分基于所述生理参数数据和所述附加数据，来计算与关联时间段内发生的所述被检者的所述潜在医疗事件相关联的增强事件估计风险评分。
条款65.根据条款64所述的方法，其中，所述附加数据包括如下数据至少之一：所述被检者的图像数据；包含所述被检者的语音的音频数据；以及基于所述被检者的皮肤电反应的数据。
条款66.根据条款58-65中任一项所述的方法，其中，还包括以下步骤：利用所述一个或多个处理器，至少部分基于从多个患者收集到的历史患者数据来设置所述一个或多个事件估计风险阈值。
条款67.根据条款58-66中任一项所述的方法，其中，还包括以下步骤：利用所述一个或多个处理器，至少部分基于来自用户的输入来设置所述一个或多个事件估计风险阈值。
条款68.根据条款47-67中任一项所述的方法，其中，还包括以下步骤：利用所述一个或多个处理器，按周期性时间间隔来计算所述事件估计风险评分。
条款69.根据条款47-67中任一项所述的方法，其中，还包括以下步骤：利用所述一个或多个处理器，按动态的时间间隔来计算所述事件估计风险评分，其中所述动态的时间间隔的持续时间至少部分基于所述事件估计风险评分。
条款70.根据条款47-67中任一项所述的方法，其中，还包括以下步骤：利用所述一个或多个处理器，连续计算所述事件估计风险评分。
条款71.根据条款47-70中任一项所述的方法，其中，计算所述事件估计风险评分包括：向所述生理参数数据应用逻辑回归模型以确定所述事件估计风险评分。
条款72.根据条款47-70中任一项所述的方法，其中，计算所述事件估计风险评分包括：至少部分基于所述生理参数数据来生成至少两个大致正交的向量；对所述至少两个大致正交的向量进行处理以确定所述生理参数数据的循环轨迹；以及通过以下操作来识别轨迹分岔：表征包括第一时间段内所获得的一个或多个循环轨迹的控制循环轨迹组；表征包括所述第一时间段之后的第二时间段内所获得的一个或多个循环轨迹的测试循环轨迹组；将所述控制循环轨迹组的表征值与所述测试循环轨迹组的表征值进行比较；测量所述控制循环轨迹组和所述测试循环轨迹组之间的轨迹分岔程度；以及至少部分基于所述轨迹分岔程度的测量值来计算所述事件估计风险评分。
条款73.根据条款47-70中任一项所述的方法，其中，计算所述事件估计风险评分包括：计算包括第一潜在医疗事件的第一危急度评分的第一事件估计风险评分；以及至少部分基于所述第一事件估计风险评分来计算包括第二潜在医疗事件的第二危急度评分的第二事件估计风险评分，其中所述第一危急度评分表示所述第一潜在医疗事件的重要性不同于所述第二潜在医疗事件的重要性。
条款74.根据条款47-70中任一项所述的方法，其中，计算所述事件估计风险评分包括：基于第一可电击节律检测算法来计算与关联时间段内发生的所述被检者的所述潜在医疗事件相关联的第一事件估计风险评分；以及基于第二节律检测算法来计算与关联时间段内发生的所述被检者的所述潜在医疗事件相关联的第二事件估计风险评分，其中，对所述第二节律检测算法进行调整以实现与所述第一可电击节律检测算法相比针对所述生理参数数据的更高敏感性。
条款75.根据条款47-70中任一项所述的方法，其中，计算所述事件估计风险评分包括：向所述生理参数数据的不同时间段应用至少两个不同的节律检测算法。
条款76.根据条款47-70中任一项所述的方法，其中，计算所述事件估计风险评分包括：接收表示患者的存活力的数据；以及至少部分基于所述患者的存活力来确定针对所述潜在医疗事件的响应。
条款77.根据条款47-70中任一项所述的方法，其中，还包括以下步骤：利用包括一个或多个传感器的医疗装置来感测所述被检者的所述生理参数数据。
条款78.根据条款77所述的方法，其中，所述医疗装置包括可穿戴医疗装置，所述一个或多个传感器包括多个ECG传感器，所述被检者的所述生理参数数据包括ECG数据，以及所述潜在医疗事件包括心脏事件。
条款79.根据条款47-78中任一项所述的方法，其中，还包括以下步骤：利用通信网络来将所述生理参数数据和所述事件估计风险评分至少之一从所述医疗装置通信至另一计算装置。
条款80.根据条款47-79中任一项所述的方法，其中，还包括以下步骤：利用所述一个或多个处理器所控制的显示器来显示多个时间段的所述事件估计风险评分的基于时间的视觉指示。
条款81.根据条款47-80中任一项所述的方法，其中，所述多个时间段包括小于4小时的多个时间段。
条款82.根据条款47-80中任一项所述的方法，其中，所述多个时间段包括小于约10分钟的至少一个时间段、小于约1小时的至少一个时间段、小于约3小时的至少一个时间段、小于约1天的至少一个时间段、小于约1周的至少一个时间段和小于约1个月的至少一个时间段。
条款83.根据条款47-80中任一项所述的方法，其中，计算所述事件估计风险评分包括：计算所述事件估计风险评分的置信带。
条款84.根据条款47-80中任一项所述的方法，其中，计算所述事件估计风险评分包括：计算所述事件估计风险评分的误差带。
条款85.根据条款47-84中任一项所述的方法，其中，还包括以下步骤：至少部分基于所述事件估计风险评分来确定针对所述潜在医疗事件的响应。
条款86.根据条款85所述的方法，其中，所确定的针对所述潜在医疗事件的响应包括向所述被检者提供用以联系医疗专业人员的指示。
条款87.根据条款85或86所述的系统，其中，所确定的针对所述潜在医疗事件的响应包括向所述被检者提供用以检查可穿戴医疗装置的电池的指示。
条款88.根据条款85-87中任一项所述的系统，其中，所确定的针对所述潜在医疗事件的响应包括对可穿戴医疗装置的电击机构进行充电。
条款89.根据条款85-88中任一项所述的系统，其中，还包括以下步骤：至少部分基于所述事件估计风险评分的敏感性和特异性来确定针对所述潜在医疗事件的响应。
条款90.根据条款89所述的系统，其中，所确定的基于第一敏感性和第一特异性的响应不同于所确定的基于不同的第二敏感性和不同的第二特异性的响应。
条款91.根据条款85-90中任一项所述的系统，其中，所确定的针对所述潜在医疗事件的响应包括以下内容至少之一：向所述被检者通知高级诊断；建议所述被检者不要移除设备；向所述被检者建议行为修正；向医疗专业人员发出警报；以及使装置准备进行治疗。
条款92.根据条款85-91中任一项所述的系统，其中，还包括以下步骤：基于所述被检者的风险水平来修改用于确定所述事件估计风险评分的算法的敏感性。
条款93.一种医疗事件估计系统，包括：至少一个非暂时性计算机可读存储介质，其与至少一个处理器进行通信并且存储有指令，所述指令在由所述至少一个处理器执行的情况下使所述至少一个处理器进行包括以下的操作：接收包括被检者的生理参数数据的至少一个信号；以及至少部分基于所述生理参数数据来计算与所述被检者的至少两个不同的潜在医疗事件相关联的潜在事件的时间估计值。
条款94.一种医疗事件估计系统，包括：至少一个非暂时性计算机可读存储介质，其与至少一个处理器进行通信并且存储有指令，所述指令在由所述至少一个处理器执行的情况下使所述至少一个处理器进行包括以下的操作：接收包括被检者的生理参数数据的至少一个信号；以及至少部分基于所述生理参数数据来计算基于与所述被检者的至少两个不同的潜在医疗事件相关联的潜在事件的时间估计值的风险评分。
条款95.一种医疗事件估计系统，包括：医疗装置，其被配置为测量被检者的生理参数数据，发送包括所述被检者的所述生理参数数据的信号，并且响应于多个不同的医疗事件来进行多个不同动作；以及至少一个非暂时性计算机可读存储介质，其与至少一个处理器进行通信并且存储有指令，所述指令在由所述至少一个处理器执行的情况下使所述至少一个处理器进行包括以下的操作：接收包括所述被检者的所述生理参数数据的至少一个信号；至少部分基于所述生理参数数据来计算基于与所述被检者的至少两个不同的潜在医疗事件相关联的潜在事件的时间估计值的风险评分；以及至少部分基于所计算出的风险评分至少之一来控制所述医疗装置以进行所述多个不同动作中的至少一个动作。
条款96.一种用于医疗事件估计的方法，包括以下步骤：利用医疗装置来测量被检者的生理参数数据；利用所述医疗装置来发送包括所述被检者的所述生理参数数据的信号；利用一个或多个处理器来接收包括所述被检者的所述生理参数数据的至少一个信号；利用所述一个或多个处理器，至少部分基于所述生理参数数据来计算基于与所述被检者的至少两个不同的潜在医疗事件相关联的潜在事件的时间估计值的风险评分；以及利用所述医疗装置，至少部分基于所计算出的风险评分至少之一来进行多个不同动作中的至少一个动作。
条款97.一种医疗先兆事件估计系统，包括：非暂时性计算机可读存储介质，其与一个或多个处理器进行通信并且存储有指令，所述指令在由所述一个或多个处理器执行的情况下使所述一个或多个处理器进行包括以下的操作：至少部分基于被检者的生理参数信号来计算与关联时间段内发生的所述被检者的潜在医疗事件相关联的事件估计风险评分，其中计算所述事件估计风险评分包括：从所述被检者的所述生理参数信号中提取多个生理测量值；将所述多个生理测量值的至少一部分组合成多元参数信号；向所述多元参数信号应用变点分析以确定至少一个变点；确定所述至少一个变点相对于基线的距离；向所述多元参数信号应用异常检测以确定至少一个异常评分；以及至少部分基于至少一个所述距离和至少一个所述异常评分来确定所述事件估计风险评分。
条款98.根据条款97所述的医疗先兆事件估计系统，其中，所述生理参数信号包括所述被检者的ECG信号。
条款99.根据条款97或98所述的医疗先兆事件估计系统，其中，从所述ECG信号中所提取的所述多个生理测量值包括以下内容至少之一：心率、心率变异性、PVC负担或计数、活动、噪声量化、心房颤动、瞬时停顿、心率震荡、QRS高度、QRS宽度、形态的大小或形状的变化、余弦R-T、人工起搏、校正QT间隔、QT变异性、T波宽度、T波交替、T波变异性、ST段变化、早期复极化、晚电位、碎裂型QRS/HF含量和碎裂型T波/HF含量。
条款100.根据条款97-99中任一项所述的医疗先兆事件估计系统，其中，所述生理参数信号还包括加速度计信号。
条款101.根据条款100所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分还包括：至少部分基于所述加速度计信号来从所述ECG信号中去除一个或多个ECG信号伪影。
条款102.根据条款97-101中任一项所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分还包括：针对所述多元参数信号的与所述至少一个变点相关联的至少一个间隔来计算所述多元参数信号的统计值；以及确定至少一个所述统计值和所述基线的相应统计值之间的差。
条款103.根据条款97-102中任一项所述的医疗先兆事件估计系统，其中，应用所述异常检测还包括：确定与所述多个生理参数测量值相对应的多个原始单参数输出。
条款104.根据条款97-103中任一项所述的医疗先兆事件估计系统，其中，所述异常检测包括神经网络，以及以所述多元参数信号的所述基线来训练所述神经网络。
条款105.根据条款97-104中任一项所述的医疗先兆事件估计系统，其中，至少部分基于至少一个所述距离和至少一个所述异常评分来确定所述事件估计风险评分包括：使用一个或多个机器学习处理来对至少一个所述距离和至少一个所述异常评分进行分类。
条款106.根据条款97-105中任一项所述的医疗先兆事件估计系统，其中，计算所述事件估计风险评分还包括：向所述多元参数信号应用变点分析以确定多个变点；确定所述多个变点相对于基线的多个距离；向所述多元参数信号应用异常检测，以确定与所述多个变点相对应的多个异常评分；以及基于所述多个距离和所述多个异常评分来针对所述多个变点确定所述事件估计风险评分。
条款107.根据条款97-106中任一项所述的医疗先兆事件估计系统，其中，还包括可穿戴医疗装置。
条款108.一种用于医疗先兆事件估计的方法，所述方法包括以下步骤：利用一个或多个处理器，至少部分基于被检者的生理参数信号来计算与关联时间段内发生的所述被检者的潜在医疗事件相关联的事件估计风险评分，其中计算所述事件估计风险评分包括：从所述被检者的所述生理参数信号中提取多个生理测量值；将所述多个生理测量值的至少一部分组合成多元参数信号；向所述多元参数信号应用变点分析以确定至少一个变点；确定所述至少一个变点相对于基线的距离；向所述多元参数信号应用异常检测以确定至少一个异常评分；以及至少部分基于至少一个所述距离和至少一个所述异常评分来确定所述事件估计风险评分。
条款109.根据条款108所述的方法，其中，所述生理参数信号包括所述被检者的ECG信号。
条款110.根据条款108或109所述的方法，其中，从所述ECG信号中所提取的所述多个生理测量值包括以下内容至少之一：心率、心率变异性、PVC负担或计数、活动、噪声量化、心房颤动、瞬时停顿、心率震荡、QRS高度、QRS宽度、形态的大小或形状的变化、余弦R-T、人工起搏、校正QT间隔、QT变异性、T波宽度、T波交替、T波变异性、ST段变化、早期复极化、晚电位、碎裂型QRS/HF含量和碎裂型T波/HF含量。
条款111.根据条款108-110中任一项所述的方法，其中，所述生理参数信号还包括加速度计信号。
条款112.根据条款111所述的方法，其中，计算所述事件估计风险评分还包括：至少部分基于所述加速度计信号来从所述ECG信号中去除一个或多个ECG信号伪影。
条款113.根据条款108-112中任一项所述的方法，其中，计算所述事件估计风险评分还包括：针对所述多元参数信号的与所述至少一个变点相关联的至少一个间隔来计算所述多元参数信号的统计值；以及确定至少一个所述统计值和所述基线的相应统计值之间的差。
条款114.根据条款108-113中任一项所述的方法，其中，应用所述异常检测还包括：确定与所述多个生理参数测量值相对应的多个原始单参数输出。
条款115.根据条款108-114中任一项所述的方法，其中，所述异常检测包括神经网络，以及以所述多元参数信号的所述基线来训练所述神经网络。
条款116.根据条款108-115中任一项所述的方法，其中，至少部分基于至少一个所述距离和至少一个所述异常评分来确定所述事件估计风险评分包括：使用一个或多个机器学习处理来对至少一个所述距离和至少一个所述异常评分进行分类。
条款117.根据条款108-116中任一项所述的方法，其中，计算所述事件估计风险评分还包括：向所述多元参数信号应用变点分析以确定多个变点；确定所述多个变点相对于基线的多个距离；向所述多元参数信号应用异常检测，以确定与所述多个变点相对应的多个异常评分；以及基于所述多个距离和所述多个异常评分来针对所述多个变点确定所述事件估计风险评分。
条款118.一种可穿戴医疗装置，其被配置为进行根据条款108-117中任一项所述的方法。
条款119.一种医疗先兆事件估计系统，包括：非暂时性计算机可读存储介质，其与一个或多个处理器进行通信并且存储有指令，所述指令在由所述一个或多个处理器执行的情况下使所述一个或多个处理器进行包括以下的操作：获取第一时间段内所接收到的并且至少部分基于被检者的第一ECG信号的所述被检者的第一生理信息集、以及第二时间段内所接收到的所述被检者的第二生理信息集；基于将所述第一生理信息集和所述第二生理信息集应用于以训练度量进行训练的一个或多个机器学习分类器模型，来计算与估计所述被检者的潜在心律失常事件的风险相关联的第一风险评分和第二风险评分，其中所述训练度量包括以下至少之一：i)多个第一被检者的心脏电生理度量；以及ii)所述多个第一被检者的人口统计度量和病史度量至少之一，其中，以多个第二被检者的验证度量来验证所述一个或多个机器学习分类器模型，以及基于所述验证来设置所述一个或多个机器学习分类器模型的一个或多个阈值；至少提供与所述潜在心律失常事件相关联的所述第一风险评分和所述第二风险评分作为时变系列的风险评分；以及基于所述一个或多个阈值来对与估计所述被检者的所述潜在心律失常事件的风险相关联的所述第一风险评分和所述第二风险评分进行分类。
条款120.根据条款119所述的医疗先兆事件估计系统，其中，所述一个或多个阈值至少包括高风险阈值和即时发生风险阈值，以及所述分类包括：针对所述第一风险评分和所述第二风险评分各自，基于所述第一风险评分或所述第二风险评分超过所述高风险阈值，来将所述被检者的所述潜在心律失常事件的风险分类为高风险；以及基于所述第一风险评分或所述第二风险评分超过所述即时发生风险阈值，来将所述被检者的所述潜在心律失常事件的风险分类为即时发生风险。
条款121.根据条款119或120所述的医疗先兆事件估计系统，其中，所述分类包括基于所述时变系列的风险评分的所述被检者的所述潜在心律失常事件的风险的时变分类。
条款122.根据条款119-121中任一项所述的医疗先兆事件估计系统，其中，所述分类包括调整所述一个或多个机器学习分类器模型的基础特异性，以降低所述被检者的所述潜在心律失常事件的风险的基础分类中的类型1错误(假阳性)。
条款123.根据条款119-122中任一项所述的医疗先兆事件估计系统，其中，所述验证度量包括所述多个第二被检者的心脏电生理度量、人口统计度量和病史度量中的一个或多个。
条款124.根据条款119-123中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：通过以下操作至少之一来更新所述验证度量：1)调整所述验证度量中的一个或多个度量以及2)基于向所述多个第二被检者添加附加的一个或多个被检者来扩展所述验证度量；以及基于更新后的验证度量来细化所述一个或多个阈值。
条款125.根据条款119-124中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：通过以下操作至少之一来更新所述训练度量：1)调整所述训练度量中的一个或多个度量以及2)基于向所述多个第一被检者添加附加的一个或多个被检者来扩展所述训练度量；以及基于更新后的训练度量来重新训练所述一个或多个机器学习分类器模型。
条款126.根据条款119-125中任一项所述的医疗先兆事件估计系统，其中，所述多个第二被检者的验证度量独立于所述多个第一被检者的训练度量。
条款127.根据条款119-126中任一项所述的医疗先兆事件估计系统，其中，以所述验证度量来验证所述一个或多个机器学习分类器模型，以及所述验证度量包括所述验证度量的一个或多个基础验证度量中的异位搏动的存在与否的指示。
条款128.根据条款119-127中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：在所述第一时间段内所接收到的并且至少部分基于所述第一ECG信号的所述被检者的所述第一生理信息集中的正常搏动和异位搏动之间进行判别。
条款129.根据条款119-128中任一项所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于心率、心率变异性、非持续性室性心动过速(VT)发作次数和心室早发性收缩(PVC)计数至少之一的度量。
条款130.根据条款119-129中任一项所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于心率变异性的度量，以及基于心率变异性的度量包括正常间间隔的随时间经过的标准偏差。
条款131.根据条款119-130中任一项所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于QRS宽度、QRS高度、单导联QRS形态和双导联QRS形态至少之一的度量。
条款132.根据条款119-131中任一项所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于单导联QRS形态的度量，以及基于单导联QRS形态的度量包括侧向(SS)通道和前后(FB)通道各自上的相似度评分的随时间经过的平均值。
条款133.根据条款119-132中任一项所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于QRS宽度的度量，以及基于QRS宽度的度量包括QRS复合波的估计宽度的随时间经过的标准偏差和QRS复合波的估计宽度的随时间经过的均值至少之一。
条款134.根据条款119-133中任一项所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于QRS高度的度量，以及基于QRS高度的度量包括QRS复合波的估计高度的随时间经过的标准偏差。
条款135.根据条款119-134中任一项所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于以下内容至少之一的度量：QT变异性；ST压低、抬高和/或斜率；T波交替；T波变异性；以及双导联T波形态。
条款136.根据条款119-135中任一项所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括心音度量。
条款137.根据条款136所述的医疗先兆事件估计系统，其中，所述心音度量包括S3心音度量和S4心音度量。
条款138.根据条款119-137中任一项所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括机电激活时间度量，其中所述机电激活时间度量描述从心电图即ECG的第一预定基准时间点到心脏的后续机械活动的第二预定基准时间点的间隔。
条款139.根据条款119-138中任一项所述的医疗先兆事件估计系统，其中，所述ECG的所述第一预定基准时间点包括P波和QRS复合波的起点，其中P波和QRS复合波的起点包括与a)P波、b)Q波、c)R波和d)S波至少之一有关的时间点。
条款140.根据条款119-139中任一项所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动包括左心室室壁运动。
条款141.根据条款119-140中任一项所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动的所述第二预定基准时间点包括以下至少之一：a)最大左心室室壁运动的时间点；以及b)所述左心室室壁运动的松弛状态。
条款142.根据条款119-141中任一项所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动的所述第二预定基准时间点包括S1心音的峰值强度的时间点。
条款143.根据条款119-142中任一项所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动的所述第二预定基准时间点是基于所述心脏的超声测量值。
条款144.根据条款119-143中任一项所述的医疗先兆事件估计系统，其中，所述机电激活时间度量包括百分比机电激活时间度量。
条款145.根据条款119-144中任一项所述的医疗先兆事件估计系统，其中，所述分类包括计算所述时变系列的风险评分的标绘曲线下方的面积和所述时变系列的风险评分的均值至少之一。
条款146.根据条款119-145中任一项所述的医疗先兆事件估计系统，其中，基于所述第一风险评分和所述第二风险评分超过所述一个或多个阈值的量来对所述第一风险评分和所述第二风险评分进行分类。
条款147.根据条款119-146中任一项所述的医疗先兆事件估计系统，其中，基于所述时变系列的风险评分超过所述一个或多个阈值的次数来对所述第一风险评分和所述第二风险评分进行分类。
条款148.根据条款119-147中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：基于所述第一风险评分和所述第二风险评分的分类来通知所述被检者和第三方至少之一。
条款149.根据条款119-148中任一项所述的医疗先兆事件估计系统，其中，所述第一风险评分和所述第二风险评分的分类表示高风险和即时发生风险至少之一。
条款150.根据条款119-149中任一项所述的医疗先兆事件估计系统，其中，所述通知包括向所述被检者的医疗团队的至少一个成员发送通知。
条款151.根据条款119-150中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：基于所述第一风险评分和所述第二风险评分的分类来调整心脏事件的检测和所述心脏事件的治疗之间的时间间隔。
条款152.一种外部医疗装置，其包括根据条款119-151中任一项所述的医疗先兆事件估计系统，其中所述外部医疗装置被配置为监测所述被检者的心脏状况。
条款153.根据条款152所述的外部医疗装置，其中，所述外部医疗装置包括可穿戴医疗装置。
条款154.根据条款152或153所述的外部医疗装置，其中，所述一个或多个处理器进行包括以下的操作：基于所述第一风险评分和所述第二风险评分的分类来修改所述外部医疗装置的用户接口的一个或多个功能或特征。
条款155.一种医疗先兆事件估计系统，包括：非暂时性计算机可读存储介质，其与一个或多个处理器进行通信并且存储有指令，所述指令在由所述一个或多个处理器执行的情况下使所述一个或多个处理器进行包括以下的操作：计算与被检者的潜在医疗事件相关联的事件估计风险评分，其中所述事件估计风险评分是基于机器学习分类器来计算的，其中以包括以下内容至少之一的训练度量来训练所述机器学习分类器：i)多个被检者的心脏电生理度量；以及ii)多个被检者的人口统计度量和病史度量至少之一。
条款156.根据条款155所述的医疗先兆事件估计系统，其中，基于独立于所述训练度量的验证度量来验证所述机器学习分类器，以及基于所述验证来设置所述机器学习分类器的至少一个阈值。
条款157.根据条款155或156所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：基于至少一个阈值来对所述事件估计风险评分进行分类。
条款158.根据条款155-157中任一项所述的医疗先兆事件估计系统，其中，所述至少一个阈值是基于大致连续更新的度量的登记而大致连续细化的。
条款159.根据条款155-158中任一项所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：计算时间序列内的与所述被检者的所述潜在医疗事件相关联的多个事件估计风险评分；以及分析所述多个事件估计风险评分，以确定所述时间序列内的与所述被检者的所述潜在医疗事件相关联的至少一个趋势。
条款160.根据条款155-159中任一项所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括心音度量。
条款161.根据条款155-160中任一项所述的医疗先兆事件估计系统，其中，所述心音度量包括S3心音度量和S4心音度量。
条款162.根据条款155-161中任一项所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括机电激活时间度量，所述机电激活时间度量描述从心电图即ECG的第一预定基准时间点到心脏的后续机械活动的第二预定基准时间点的间隔。
条款163.根据条款155-162中任一项所述的医疗先兆事件估计系统，其中，所述ECG的所述第一预定基准时间点包括P波和QRS复合波的起点，其中P波和QRS复合波的起点包括与a)P波、b)Q波、c)R波和d)S波至少之一有关的时间点。
条款164.根据条款155-163中任一项所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动包括左心室室壁运动。
条款165.根据条款155-164中任一项所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动的所述第二预定基准时间点包括以下至少之一：a)最大左心室室壁运动的时间点；以及b)所述左心室室壁运动的松弛状态。
条款166.根据条款155-165中任一项所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动的所述第二预定基准时间点包括S1心音的峰值强度的时间点。
条款167.根据条款155-166中任一项所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动的所述第二预定基准时间点是基于所述心脏的超声测量值。
条款168.根据条款155-167中任一项所述的医疗先兆事件估计系统，其中，所述机电激活时间度量包括百分比机电激活时间度量。
条款169.一种医疗先兆事件估计方法，包括以下步骤：获取第一时间段内所接收到的并且至少部分基于被检者的第一ECG信号的所述被检者的第一生理信息集、以及第二时间段内所接收到的所述被检者的第二生理信息集；基于将所述第一生理信息集和所述第二生理信息集应用于以训练度量进行训练的一个或多个机器学习分类器模型，来计算与估计所述被检者的潜在心律失常事件的风险相关联的第一风险评分和第二风险评分，其中所述训练度量包括以下至少之一：i)多个第一被检者的心脏电生理度量；以及ii)所述多个第一被检者的人口统计度量和病史度量至少之一，其中，以多个第二被检者的验证度量来验证所述一个或多个机器学习分类器模型，以及基于所述验证来设置所述一个或多个机器学习分类器模型的一个或多个阈值；至少提供与所述潜在心律失常事件相关联的所述第一风险评分和所述第二风险评分作为时变系列的风险评分；以及基于所述一个或多个阈值来对与估计所述被检者的所述潜在心律失常事件的风险相关联的所述第一风险评分和所述第二风险评分进行分类。
条款170.根据条款169所述的医疗先兆事件估计方法，其中，所述一个或多个阈值至少包括高风险阈值和即时发生风险阈值，以及所述分类包括：针对所述第一风险评分和所述第二风险评分各自，基于所述第一风险评分或所述第二风险评分超过所述高风险阈值，来将所述被检者的所述潜在心律失常事件的风险分类为高风险；以及基于所述第一风险评分或所述第二风险评分超过所述即时发生风险阈值，来将所述被检者的所述潜在心律失常事件的风险分类为即时发生风险。
条款171.根据条款169或170所述的医疗先兆事件估计方法，其中，所述分类包括基于所述时变系列的风险评分的所述被检者的所述潜在心律失常事件的风险的时变分类。
条款172.根据条款169-171中任一项所述的医疗先兆事件估计方法，其中，所述分类包括调整所述一个或多个机器学习分类器模型的基础特异性，以降低所述被检者的所述潜在心律失常事件的风险的基础分类中的类型1错误(假阳性)。
条款173.根据条款169-172中任一项所述的医疗先兆事件估计方法，其中，所述验证度量包括所述多个第二被检者的心脏电生理度量、人口统计度量和病史度量中的一个或多个。
条款174.根据条款169-173中任一项所述的医疗先兆事件估计方法，其中，所述训练度量和所述验证度量至少之一包括心音度量。
条款175.根据条款169-164所述的医疗先兆事件估计方法，其中，所述心音度量包括S3心音度量和S4心音度量。
附图说明
在参考附图考虑以下的说明书和所附权利要求书(所有这三者均构成本说明书的一部分)时，本发明的这些和其它特征和特性、以及构造的相关元件的操作方法和功能及部件和制造经济的组合将变得更加明显，其中在各图中，相同的附图标记指定相应的部件。然而，应当明确地理解，附图仅是为了例示和说明的目的，并且并不意图作为本发明的限制的定义。
通过以下参考附图所进行的详细说明，本发明的更多特征以及其它目的和优点将变得明显，其中：
图1是示例心脏窦性心律心电图(ECG)信号的图；
图2示出可穿戴医疗装置；
图3是医疗装置的框图；
图4是医疗先兆事件估计和检测方法的流程图；
图5示出用于对医疗状况作出响应的系统；
图6A和6B是示例估计风险评分的图；
图7是另一医疗先兆事件估计方法的流程图；
图8A示出针对患者的事件估计风险评分的分布；
图8B示出用于判断单导联QRS形态度量的示例ECG信号；
图8C示出用于判断心率变异性度量的示例ECG信号；
图8D示出QRS宽度的示例；
图8E示出QRS高度的示例；
图8F是用于判断事件估计风险评分和相应分类的处理的流程图；
图8G是用于判断、分类和通知事件估计风险评分的系统的框图；
图8H是医疗先兆事件估计所用的状态变化分析方法的流程图；
图8I示出识别ECG信号中的PVC参数中的双导联ECG信号以供提取；
图8J示出包括变点的示例多元参数信号；
图8K示出针对治疗被检者的示例异常评分的多元求和；
图8L示出用于根据200个患者的示例测试集来预测医疗先兆事件的包括敏感性和特异性百分比的状态变化结果；
图8M示出多元特征选择处理；
图9是心电向量描记的向量环分岔的流程图；
图10是示例被检者的ECG波形的图；
图11是绘制基于危急度(风险)测量值和置信度测量值的示例动作的图；
图12是针对时间段的示例动作的图；
图13示出例示针对加速度计信号所进行的K均值聚类的相似度矩阵的示例；
图14A～14D示出针对示例心脏骤停预测(CAP)应用程序的示例屏幕截图；
图15示出CAP应用程序在计算改良预警(MEW)评分时可以考虑的示例生理参数；
图16示出在计算格拉斯哥昏迷分级(GCS)评分时可以考虑的示例患者特性；以及
图17是医疗先兆事件估计方法的流程图。
具体实施方式
这里提供用于自动分析被检者数据以预测针对被检者可能发生的包括医疗事件(例如，不良心脏事件)的状况的有所改进的系统和方法。可以生成基于事件发生的预期时间的一个或多个事件估计风险评分。例如，针对多个时间段，可以计算事件估计风险评分(例如，使得各时间段各自具有其自身的事件估计风险评分)。这样，可以针对多个不同的时间段(例如，小于约10分钟、小于约1小时、小于约3小时、小于约1天、小于约1周和/或小于约1个月等)来计算多个不同的事件估计风险评分。事件估计风险评分提供了在关联时间段内发生的一个或多个医疗事件的可能性或概率的测量值。
可以将针对一个或多个时间段的事件估计风险评分与同相应时间段相关联的所存储的事件估计风险阈值进行比较，以确定针对事件的动作计划或响应。动作计划或响应可以基于针对事件的预测时间和/或事件估计风险评分而改变。因此，针对较远期有可能发生的事件的所确定的动作计划或响应可能不同于针对较近期可能发生的事件的所确定的动作计划或响应。
如这里所使用的，除非上下文明确地规定其它情况，否则“a”,“an”和“the”的单数形式也包括复数指代。
如这里所使用的，术语“端”、“上”、“下”、“右”、“左”、“垂直”、“水平”、“顶部”、“底部”、“横向”、“纵向”及其派生词应如附图中所指向涉及本发明。然而，应当理解，本发明可以采用各种替代取向，因而这些术语不应被视为限制性的。此外，应当理解，除非相反明确说明，本发明可以采取各种替代变化和阶段顺序。还应当理解，附图所示的并且在以下说明书中说明的具体装置和处理仅是本发明的典型实施例。因而，与这里所公开的实施例有关的具体尺寸和其它物理特性不应被视为限制性的。
为了本说明书的目的，除非另外指明，否则本说明书和权利要求书中所使用的表示成分量、反应条件、尺寸和物理特性等的所有数字均应被理解为在所有实例中由术语“约”进行修饰。因此，除非相反指明，否则在以下说明书和所附权利要求书中所陈述的数值参数是可以根据本发明试图获得的期望性质而改变的近似值。至少而不是试图限制将等同原则适用于权利要求书的范围，各数值参数至少应考虑到所报告的有效数字的数量并且通过应用普通的舍入技术来解释。
尽管陈述本发明的广义范围的数值范围和参数设置是近似值，但在具体示例中所陈述的数值应被报告得尽可能精确。然而，任何数值本身均包含必然由在各自的测试测量中发现的标准偏差而产生的特定误差。
此外，应当理解，这里所述的任何数值范围均意图包括包含在该数值范围内的所有子范围。例如，范围“1～10”意图包括所述的最小值1和所述的最大值10之间(包括端点)的任何所有子范围，即从等于或大于1的最小值开始且以等于或小于10的最大值结束的所有子范围、以及例如1～6.3或5.5～10或2.7～6.1的所有子范围。
如这里所使用的，术语“通信”和“进行通信”是指一个或多个信号、消息、命令或其它类型的数据的接收或传送。一个单元或组件与另一单元或组件进行通信，这意味着一个单元或组件相对于另一单元或组件能够直接地或间接地接收数据和/或发送数据。这可以指代在性质上可以为有线和/或无线的直接或间接连接。另外，即使在第一单元或组件和第二单元或组件之间可以对所发送的数据进行修改、处理和发送等，两个单元或组件也可以彼此进行通信。例如，即使第一单元被动地接收数据且没有主动地向第二单元发送数据，第一单元也可以与第二单元进行通信。作为另一示例，如果中间单元处理来自一个单元的数据并将处理后的数据发送至第二单元，则第一单元可以与第二单元进行通信。应该理解，许多其它配置也是可以的。
通常，提供用于自动分析被检者数据以预测包括医疗事件(例如，不良心脏事件)的状况的系统和方法。在一些实施例中，提供用于生成基于事件的预期时间的一个或多个事件估计风险评分的系统和方法。这里，事件估计风险评分有时被称为心脏骤停预测(CAP)评分。在一些实施例中，提供如下的系统和方法：针对多个不同的时间段(例如，小于约10分钟、小于约1小时、小于约3小时、小于约1天、小于约1周和/或小于约1个月等)，计算多个不同的事件估计风险评分。事件估计风险评分提供了在关联时间段内发生的一个或多个医疗事件的可能性或概率的测量值。
根据一些实施例的系统和方法可以将针对时间段的不同事件估计风险评分与同这些时间段相关联的所存储的事件估计风险阈值进行比较，以确定针对基于事件的预测时间和/或事件估计风险评分而改变的事件的动作计划或响应。因此，针对在较远期有可能发生的事件的所确定的动作计划或响应可能不同于针对在较近期有可能发生的事件的所确定的动作计划或响应。
在以下专利中描述了用于通常基于各种生命体征来预测患者的治疗效果的非限制性示例方法：2013年4月23日提交的标题为“METHOD OF PREDICTING ACUTECARDIOPULMONARY EVENTS AND SURVIVABILITY OF A PATIENT”的美国专利号8,668,644；2014年3月6日提交的标题为“METHOD OF PREDICTING ACUTE CARDIOPULMONARY EVENTSAND SURVIVABILITY OF A PATIENT”的美国专利号8,932,220；2014年3月6日提交的标题为“METHOD OF PREDICTING ACUTE CARDIOPULMONARY EVENTS AND SURVIVABILITY OF APATIENT”的美国专利号8,951,193；2014年12月12日提交的标题为“PREDICTING ACUTECARDIOPULMONARY EVENTS AND SURVIVABILITY OF A PATIENT”的美国专利公开号2015/0223759；以及2011年3月14日提交的标题为“Method of predicting the survivabilityof a patient”的PCT专利公开号WO2011/115576；所有这些专利的全部内容均通过引用包含于此。
时间段可以包括任何持续时间。例如，时间段可以包括当前时间～将来时间点的时间段、两个将来时间点之间的时间段、某个瞬间和/或它们的任何组合。
这里说明了用于基于各种时间段来检测并估计医疗先兆事件的系统和方法。根据一些实施例的系统和方法基于医疗先兆事件的检测和估计来提供不同的所建议的动作计划或响应。这里，用于估计并检测医疗先兆事件的系统可被称为“预警系统”。
牛津英文词典将“先兆”定义为“针对将要发生的某事、特别是不愉快的某事的强烈感觉”。“premonition(先兆)”的拉丁词根是prae(之前)+monere(警告)。如这里所使用的，“先兆”意味着某事存在发生的可能性或概率的指示，并且“医疗先兆事件”意味着针对被检者存在发生的可能性或概率的医疗事件。因而，医疗先兆事件的检测和估计可被用作用以向个人和/或医疗专业人员提供用于进行如下操作的时间的预警系统：为医疗事件作准备，例如为被检者或患者的医疗状况中的潜在不良或致命恶化作准备，潜在地减轻或避免该恶化的不良影响，或者甚至通过及时的适当治疗来潜在地完全避免该恶化或事件。
这些医疗事件的非限制性示例可以包括心脏事件，诸如心肌梗塞或心脏骤停、由于急性失代偿性心力衰竭所引起的深度心动过缓、急性冠状动脉综合征等。医疗状况的劣化的非限制性示例可以包括疾病状态的开始、疾病状态的进展或恶化、以及/或者不良医疗事件(诸如心律不齐、心脏病发作、经历由于很难检测的内出血而引起的潜在致命的快速血压下降的遭受创伤性损伤的被检者等)。被检者的医疗状况的其它可能医疗事件或劣化例如可能是由于身体损伤、糖尿病、感染性休克、癫痫发作或癫痫而引起的。
心脏先兆事件的非限制性示例可以包括有经验的临床医生可以看到的有形事件，诸如异位搏动、一连串异位搏动、室性心动过速、心动过缓以及/或者P波、QRS复合波、T波和U波中的不规则或异常等。例如，心脏的电活动中的不规则或异常可以包括扁平T波、反转T波、超急性T波或峰值T波、逐搏T波变化、缩短QT间隔、延长QT间隔、宽QRS、突出U波等。可选地或另外，医疗先兆事件可以包括中级事件，诸如事件集群的检测、事件速率的加速、事件的强度或危急度的增加等。可选地或另外，医疗先兆事件可以包括高阶事件，其中这些高阶事件例如可以是在多维参数空间(例如，参数包括心电图(“ECG”)数据和/或其它相关生理参数和/或被检者人口统计数据和其它健康历史)中定义的。以下更详细地论述先兆事件的非限制性示例。
这里详述并且经常针对可能存在心脏事件的风险的被检者来说明系统和方法；然而，所公开的实施例不仅仅局限于心脏事件。这里所述的系统和方法可用于基于被检者的任何监测生理参数来检测并估计任何医疗先兆事件。
可以针对即将发生的心脏事件的指示而监测可能存在心脏事件(例如，心脏骤停、室性心动过速(“VT”)、心室纤颤(“VF”)、无脉性电活动(“PEA”)、心脏停搏等)的风险的被检者，使得可以采取动作以降低发生心脏事件的概率和/或减轻由于心脏事件而对被检者造成的伤害。可以针对这些心脏事件的任何组合来确定事件估计风险评分。要监测的被检者可以包括过去已经历心脏事件的被检者、正从心脏手术或其它手术恢复的被检者、以及/或者已表明可能的心脏功能障碍的其它迹象(例如，以其它方式无法解释的意识丧失、心跳加快或胸痛)的被检者。
如这里所述的外部医疗装置可以包括但不限于一个或多个心脏感测电极、控制器和用户接口。心脏感测电极监测心脏电生理现象，并且可用于获得诸如p波、q波、r波、s波、t波和u波等的心电图记录以及心室早发性收缩、快速性心律失常和心脏波形变化形态。这些心电图记录以及根据心律数据所求出的相关信息可以单独使用、或者与人口统计数据和病史相组合使用，以分类可能由于心脏骤停或心脏停搏所导致的心脏性猝死的高风险的被检者。可以调整控制器以分析心脏电生理现象和被检者数据的组合，其中该被组合包括从数小时～少至45秒或更少的心电图记录所获得的信息。可以在被检者穿戴装置的过程中针对各被检者一次或多次获得心电图记录。例如，在涉及多次记录的实现中，可以获得针对心脏性猝死的风险分类的变化的时间依赖测量值。用户接口可以提供具有音频和振动组件的视觉显示画面以及蜂窝和无线因特网连接，其中这些中的任何或全部均可用作用以向被检者、第一响应人员或医疗专业人员提供风险信息的概要的方式。
在实现中，如这里所述的系统、方法和装置可用于例如基于事件估计风险评分来按心脏性猝死的风险对被检者进行分类。例如，这里所述的原理可以在心脏监测和/或治疗装置中实现。例如，至少一个实施例通常涉及例如用在移动心脏遥测(MCT)和/或连续事件监测(CEM)应用中的心脏监测装置。
在一些实现中，至少一个实施例通常涉及可穿戴治疗装置，并且更具体地涉及被配置为监测被检者的心脏电生理现象的可穿戴治疗装置。实施例包含被检者的心电图以及人口统计信息和病史(诸如性别、年龄、左心室射血分数、合并症和导致可穿戴医疗装置的处方的心脏指征)。在一些实施例中，对被检者将在数月～数年的延长时间段内保持与心脏性猝死相关联的一个或多个风险度量的可能性进行评价。例如，可以针对保持左心室射血分数降低(例如，≤35％)的长期风险或者他或她将继续表现心室早发性收缩、快速性心律失常或心脏波形变化形态的可能性来对被检者进行评价。
可被监测的被检者的参数或度量包括被检者的ECG的各种参数。ECG参数例如可以包括诸如T波交替或T波不稳定等的T波变化(例如，不限于交替搏动而是针对每个(例如，第三个、第四个、第五个等)搏动而发生的T波的形态变化)、PR间隔、QT间隔、QRS复合波、心率变异性(HRV)和/或被检者的ECG的其它参数。例如，在图1和图8B～8E中示出与这些参数或度量相对应的ECG信号的一部分，并且诸如利用ECG监测器或包括ECG监测器或相似功能的装置时的自动体外除颤器(AED)等，可以非侵入性地监测ECG信号的该部分。
可以预测出即将发生心脏事件的被检者的其它可测量参数或度量的非穷尽性列表可以包括低且不断下降的心率(即、心动过缓，统称为“Bradying down”)、增大的心率、血压、呼气CO2(即，被检者的呼吸气体中的二氧化碳的浓度或部分压力)、SpO2(即，血氧饱和度的测量值)、SMO2(即，肌氧饱和度的测量值)、脑血流量、脑电图(EEG)信号、机电激活时间(EMAT)(如以下进一步详细所述)、心音(例如，S3音和S4音)、脑氧水平(即，脑血氧饱和度)、组织pH、被检者的心脏的超声图像、以及被检者的心率针对被检者的倾斜的反应。
可以侵入性地或非侵入性地监测针对即将发生的心脏事件的指征而可以监测的被检者的参数，并且可以使用光学参数来监测被检者的许多参数。例如，可以光学地测量舌下CO2、脑氧水平和组织pH。
基于心音的可测量参数或度量可以包括根据组合ECG和心脏声学数据的获取和定量测量所求出的声学心动描记度量。这些度量可以包括如下的度量，其中这些度量识别并量化例如与左心室有关的正常心音和异常心音，并且指示每个心动周期中的心音的时刻vs大致同时记录的ECG中的P波和QRS复合波的起点。例如，这些度量可以指示心音(诸如S3和S4等)的存在和强度以及心脏收缩时间间隔的持续时间。
在一些示例中，这种声学和/或组合声学和ECG度量可以包括电机械激活时间(EMAT)度量。例如，如这里所使用的EMAT度量描述了从心电图(ECG)中的一些基准时间点起直到心脏的后续机械活动中的一些基准时间点为止的间隔。ECG中的基准时间点的一个示例是P波以及诸如P波、Q波、R波或S波等的QRS复合波的起点。
心脏的机械活动的示例是瓣膜闭合，例如主动脉瓣的闭合。在一些示例中，机械活动可以是左心室室壁运动，并且基准时间点可以是最大左心室室壁运动的时间点，或者基准时间点可以是舒张开始。如利用来自俄勒冈州的Inovise Medical of Beaverton的
Figure BDA0003177389630000371
Technology所例示的，可以利用心音来测量心脏的后续机械活动的基准时间点，或者可以使用心室或瓣膜运动的超声测量来测量心脏的后续机械活动的基准时间点。在一些实现中，心脏的后续机械活动中的基准时间点的示例可以是S1心音的峰值强度的时间点。
例如，这些EMAT度量可以提供左心室生成足以使二尖瓣闭合的力可能需要的时间量的测量值。在涉及收缩性心力衰竭的情况下，例如，可以延长EMAT测量值。
例如，一个EMAT度量包括百分比EMAT(％EMAT)，其可以是作为将EMAT时间测量值除以主导RR间隔的测量值所计算出的。％EMAT度量与心脏泵功能的效率有关。例如，在一些情况下，如Chao T等人在Internal Med.2010,49:2031-2037的Prediction of DischargeOutcomes in Patients Hospitalized with AHFS的EMAT中所述，％EMAT>15％可以预测出患者发生心力衰竭相关合并症的可能性(例如，可能需要再住院)。
此外，如Efstratiadis S等人在J of Card.Failure.2008,14(7):577-582的Computerized Acoustic Cardiographic Electromechanical Activation TimeCorrelates with Invasive and Echocardiogrpahic Parameters of LV Contractility中所述，缩短的EMAT的测量值可以与增加的收缩性和短的机电延迟有关。如上所述，S3和S4心音度量可以用在这里所述的特定预测模型中，例如估计与特定治疗效果相关联的风险评分。例如，S3和S4心音度量可以预测出心力衰竭恶化。因此，可以包括S3和S4度量以及输入至这里所述的预测模型的其它度量。根据这里所述的原理，S3和/或S4可以预测出用于增加药物或者准备与心肌梗塞和/或心力衰竭合并症有关的住院的需求。
例如，在(例如，年龄约40岁以上的)成人中，可以使用S3度量来表示与心室的功能障碍或容积超负荷的相关性。相关状况的示例包括瓣膜反流、高输出状态、左右心内分流、完全性房室传导阻滞、肾功能衰竭和来自水饮或输血的容积超负荷。在实现中，S3可以表示容积超负荷(水饮)所引起的充血性心力衰竭。例如，S3心音可以是在容积超负荷严重的情况下检测到的。在一些实现中，S3的存在可以预测出例如由于心肌伸展而导致的猝死的风险增加。在涉及高风险评分和存在S3的一些情形下，例如，看护者可能希望通过添加或增加利尿剂来作出响应。
S4度量可以表示心脏充盈压的升高、例如由于心室室壁依从性降低而导致向左心室或右心室填充的阻力增加，并且S4度量可能伴随有心室舒张末期压力的不成比例上升。例如，年龄约为50岁以上的个体中的S4可以预测出患有系统性高血压、主动脉瓣狭窄、肥大性心肌病和冠心病或者这些症状恶化的患者。
例如，在心绞痛发作期间，S4可能变得明显或者S4的强度可能增加。例如，S4的存在可以表示可能伴随有或者没有心力衰竭迹象的急性心肌梗塞的早期阶段。在涉及高风险评分和存在S4的情形中，例如，看护者可能希望通过利用不断增加的日常药物或情景药物(例如，硝酸盐)治疗心绞痛(局部缺血)来作出响应。
在一些实现中，这里所述的预测模型可以使用心音度量，例如通过将患者的心音与基线模型进行比较来估计与特定治疗效果相关联的风险评分。例如，如果患者的心音偏离基线模型，则预测模型可以判断为心音异常，因而可以预测出不良事件(例如，预测出正传送电击)。患者的心音偏离基线模型的程度可以与对患者的风险评分的影响相对应。例如，与偏离基线模型的程度最小的心音相比，大幅偏离基线模型的心脏评分可能会对患者的风险评分产生相对较大的影响。
在一些实现中，可以将心音采样为10秒快照。可以在4小时的时间段内按每5分钟采样10秒快照。例如，可以在每天的夜间时间(例如，从半夜起直到4AM为止)内按每5分钟采样10秒快照，使得每天总共收集到48个快照。快照可以包括侧向(SS)和前后(FB)ECG信号。在一些实现中，快照还可以包括x加速度计信号、y加速度计信号和z加速度计信号。
可以根据第一天使用这里所述的医疗装置时所测量到的快照来构建模板(例如，采样数据的通用表示)。基线模型可以基于患者心音(例如，第一天使用医疗装置时所测量到的患者心音)。例如，基线模型可以包括所构建的模板的子集。可以根据各个快照构建模板；可以根据48个快照构建48个模板。可以使用算法(例如，心音模板算法)来基于快照构建模板。心音模板算法可以通过考虑心音样本、SS和FB ECG信号以及加速度计信号来构建模板。如以下更详细地所述，心音模板算法还可以计算一个模板相对于另一模板的相似度，其中该相似度可被表示为0～1的标量值。在一些实现中，可以从48个模板中选择模板(例如，代表模版)的子集，使得这些代表模板构成基线模型。
在一些实现中，可以基于模板的信噪比(SNR)来从48个模板中选择代表模板。例如，可以丢弃SNR低的模板。然后可以将剩余模板分成多个集群。例如，可以将剩余模板分成三个集群，其中各集群与身体位置(例如，仰卧、左侧躺、右侧躺)相对应。身体位置可以是基于x加速度计信号、y加速度计信号和z加速度计信号所确定的。例如，参考图13，可以对与各模板相对应的加速度计信号进行K均值聚类，以将模板分离成三个集群(例如，C1、C2和C3)。图13的相似度矩阵1300示出利用行和列的组表示的三个集群C1、C2和C3。行和列的数字标识符各自标识包括多个样本的可能模板。各种可能模板之间的相似度被表示为0～1的标量值，并且被表示为相似度矩阵1300中的颜色，使得相似度矩阵1300中的相对较深的颜色与相似度相对较高的模板相对应。可以将各可能模板与构成各其它模板的样本进行比较。例如，在将x轴上的数字标识符为“1”的模板与y轴上的数字标识符为“33”的模板的样本进行比较的情况下，相似度相对较低(例如，相应颜色为浅灰色)。另一方面，在将x轴上的数字标识符为“1”的模板与y轴上的数字标识符为“2”的模板的样本进行比较的情况下，相似度相对较高(例如，相应颜色为深灰色)。在将x轴上的数字标识符为“1”的模板与y轴上的数字标识符为“1”的模板的样本进行比较的情况下(例如，在将模板与构成该模板的相同样本进行比较的情况下)，相似度具有可能的最高值(例如，相应颜色为黑色)。
可以针对各个集群选择代表模板。在一些实现中，可以选择与集群中的其它模板的均值相似度最大的模板作为该集群的代表模板。例如，对于集群Ci(i＝1,2,3)，可以根据以下的等式(1)、(2)和(3)来选择代表模板M＝{τ1’,τ2’,τ3’}：
τi'＝argmax Q(Ci|τ)
τ∈Ci (1)
Figure BDA0003177389630000411
g(v|τ)：相似度函数 (3)
在一些实现中，一旦建立了基线模型，则可以针对每天收集到的各个快照(例如，48个快照)确定异常度量。在一些实现中，丢弃SNR低的快照，因而可以确定少于48个异常度量。针对各快照，可以基于根据快照所求出的模板和基线模型(例如，相应的代表模板)之间的相似度来确定异常度量。
如果SNR小于3dB，则可以将快照识别为低SNR(并且例如可以相应地丢弃)。可以基于算法(例如，心音模板算法)来确定快照的SNR。
用于监测这里所列出的被检者的参数(其可以提供即将发生的心脏事件的指征)中的任一个或多个的传感器可以包括在医疗装置(例如，可穿戴医疗装置)中或者可被包括作为AED或其它监测形式或生命支持装置的一部分。医疗装置可以是便携式或被检者可穿戴的，或者是固定的或贴附至支撑物。图2示出根据一个非限制性实施例的可穿戴医疗装置，其与从位于马萨诸塞州切姆斯福德的ZOLL医疗公司购得的
Figure BDA0003177389630000412
可穿戴心律转复除颤器相似，并且可以包括用于监测被检者的可以预测出即将发生的心脏事件的参数的传感器。在美国专利号4,928,690、美国专利号5,078,134、美国专利号5,741,306、美国专利号5,944,669、美国专利号6,065,154、美国专利号6,253,099、美国专利号6,280,461、美国专利号6,681,003、美国专利号8,271,082和美国专利号8,369,944中公开了适当的可穿戴除颤器的非限制性示例；所有这些专利的全部内容均通过引用而包含于此。然而，所公开的实施例不限于可穿戴医疗装置，并且用于监测这里所列出的被检者的参数中的任一个或多个的医疗装置可以包括可植入医疗装置、固定装置(诸如在医院或诸如除颤器或监测器等的床边设置中所使用的装置等)、便携医疗装置(诸如自动体外除颤器或移动心脏门诊遥测(“MCOT”)装置等)、或者被检者的生理参数的其它监测器。
如图2所示，在一些实施例中，可穿戴医疗装置100包括具有一对肩垫以及绕被检者的躯干所穿戴的腰带的背带110。可穿戴医疗装置100包括多个ECG感测电极112，其中这多个ECG感测电极112在使用期间安装至背带110的绕被检者身体的各个位置，并且经由连通器130电气连接至控制单元120。可以是干敏电容电极的多个ECG感测电极112由控制单元120使用以监测被检者的心脏功能，并且可以包括前后的一对ECG感测电极和两侧的一对ECG感测电极。可以设置附加的ECG感测电极和/或其它传感器，并且多个ECG感测电极112可以配置于患者身体的各种部位。
可穿戴医疗装置100包括多个治疗电极114a、114b，其中这多个治疗电极114a、114b经由连通器130电气连接至控制单元120，并且在判断为准许了一个或多个治疗除颤电击的情况下，能够将这种治疗传送至患者的身体。多个治疗电极114a、114b可以包括配置于被检者躯干的前面的第一治疗电极114a和配置于被检者躯干的背面的第二治疗电极114b。第二治疗电极114b包括电气连接到一起并且用作第二治疗电极114b的一对治疗电极。使用两个治疗电极114a、114b允许向被检者的身体传送双相电击，使得这两个治疗电极中的第一个治疗电极可以传送双相电击的第一阶段(其中另一个治疗电极用作返回)，并且另一治疗电极可以传送双相电击的第二阶段(其中第一个治疗电极用作返回)。连通器130使多个ECG感测电极112和多个治疗电极114a、114b电气连接至控制单元120，并且可以包括各种电子电路。例如，连通器130可以包括诸如多个差分放大器等的信号获取电路，其中该信号获取电路用于从多个ECG感测电极112中的不同的ECG感测电极接收ECG信号并且基于这些ECG信号之间的差来将差分ECG信号提供至控制单元120。连通器130可以包括其它电子电路，诸如可以监测被检者活动的运动传感器(例如，加速度计和/或陀螺仪等)。
如图2所示，可穿戴医疗装置100包括用户接口器140，其中该用户接口器140电气连接至控制单元120。用户接口器140例如经由安装至接口器140的一部分的夹子(未示出)可被安装至被检者的服装或背带110。可选地，用户接口器140可被简单地保持在被检者或其它人的手中。用户接口器140例如使用
Figure BDA0003177389630000431
无线USB、ZigBee、无线以太网、GSM或其它类型的通信接口，可以与控制单元120进行无线通信。用户接口器140通常包括被检者或旁观者可以与控制单元120进行通信所利用的多个按钮或触摸屏、以及控制单元120可以与被检者或旁观者进行通信所利用的扬声器和/或显示器。例如，如果控制单元120判断为被检者正经历心律失常，则控制单元120可以经由控制单元120和/或用户接口器140上的扬声器(未示出)发出可听警报，从而向被检者和任何旁观者警告被检者的医疗状况。控制单元120还可以指示被检者按住控制单元120或用户接口器140上的一个或两个按钮以表明被检者有意识，由此指示控制单元120制止一个或多个治疗除颤电击的传送。如果被检者没有响应，则该装置可以推测被检者无意识并且继续治疗序列，最终将一个或多个除颤电击传送至被检者的身体。在一些实施例中，可以使用户接口器140的功能集成于控制单元120。
控制单元120包括至少一个处理器、微处理器或控制器，诸如从TexasInstruments、Intel、AMD、Sun、IBM、Motorola、Freescale和ARM Holdings等的公司购得的处理器等。控制单元120的至少一个处理器被配置为监测被检者的医疗状况，进行医疗数据记录和存储，并且响应于诸如心律失常等的所检测到的医疗事件来向被检者提供医治。
尽管没有示出，但除ECG感测电极112外，可穿戴医疗装置100还可以包括能够监测被检者的生理状况或活动的附加传感器。例如，还可以提供能够测量以下内容的传感器：血压、心率、胸部阻抗、脉搏血氧水平、呼吸速率、心音、肺音、呼气CO2、SMO2、脑血流量、EEG信号、脑氧水平、组织pH、被检者的心脏的超声图像和被检者的活动水平。
除除颤外或作为除颤的替代，可穿戴医疗装置100还可以包括用以施予治疗或干预的功能。附加或替代的治疗或干预可以包括被检者心脏的起搏、利用与从位于马萨诸塞州切姆斯福德的ZOLL医疗公司购得的
Figure BDA0003177389630000442
非侵入性心脏支持泵相似的设备的胸外按压的自动管理、以及/或者自动药物输送。可穿戴医疗装置100的提供除颤或其它治疗的部分是可以从控制单元120拆卸的。通过使控制单元和治疗单元模块化，可以在没有安装除颤部的情况下穿戴该可穿戴医疗装置100，由此使可穿戴医疗装置100对于被检者而言更小、更轻且更舒适。正穿戴无除颤部的可穿戴医疗装置100的被检者例如在淋浴或游泳时，可以在得到可穿戴医疗装置100指示的情况下安装除颤部。不包括除颤部的可穿戴医疗装置100有时被称为监测装置。
图3是医疗支持装置305的框图，其中医疗支持装置305可以包括用于监测被检者的参数以估计医疗事件发生的风险的传感器。医疗支持装置305可以包括生命支持装置，例如至少一个基本生命支持(BLS)装置或诸如除颤器或AED等的高级生命支持(ALS)装置。生命支持装置305可以是诸如以下等的体外除颤器或起搏装置的一部分：位于MA切姆斯福德的ZOLL医疗公司所制造的AED Pro或AED Plus除颤器、
Figure BDA0003177389630000441
ProPack M.D.、X系列除颤器、M系列除颤器、R系列除颤器BLS或E系列除颤器。医疗支持装置305不必是可穿戴除颤器或其它治疗装置，而是可以是自动体外除颤器(AED)。
医疗支持装置305可被设计成由医疗培训较少或无医疗培训的人进行操作，向用户提示用以治疗被检者的一系列指示，并且防止用户偏离这些指示。例如，医疗支持装置305可以确定要施加至被检者的除颤电击的功率水平，并且防止用户调整除颤电击的功率。用户可以遵循指示(例如通过按照指示将电极放置在被检者上或者通过接通医疗支持装置305)来使医疗支持装置305连接至被检者，并且医疗支持装置305可以自动确定要施加至被检者的治疗。在一些实施例中，医疗支持装置305可以包括适合供具有专业医疗培训的用户(诸如ALS提供商、医生或紧急医疗技术人员)使用的功能。例如，医疗支持装置305可以对用户输入作出响应。用户可以否决医疗支持装置305所建议的治疗，或者修改要施加至被检者的除颤电击或干预的功率水平、脉冲宽度、脉冲类型(例如，单相或双相)或其它参数。
医疗支持装置305可以包括用于记录来自被检者的健康相关信息(诸如与被检者的呼吸速率或心脏活动有关的信息等)的起搏单元或监测装置。医疗支持装置305可以包括用于显示被检者的ECG的心电图仪。医疗支持装置305可以由护理人员、紧急医疗保健提供者或者诸如警察或消防人员等的第一响应人员携带，或者可以是企业或共同承运人(例如，航空公司或公共汽车)为了在紧急情形中使用所提供的生命支持装置的类型。这些或其它用户可以使医疗支持装置305与被检者连接，从而监测被检者以诊断例如心脏骤停、心律不齐等的病情，或者向被检者施加例如除颤治疗、起搏治疗等的治疗。
医疗支持装置305包括至少一个控制单元310，其中该至少一个控制单元310包括用于控制医疗支持装置305的操作的一个或多个处理器。例如，控制单元310可以指示医疗支持装置305监测被检者的医疗状况或向被检者施加治疗。医疗支持装置305可以包括至少一个存储器单元315。存储器单元315可以连接至控制单元310，并且可以存储被检者的监测信息，诸如ECG数据或被检者的呼吸速率等。存储器单元315可以存储与被检者有关的当前和/或历史信息、与被检者的年龄、体重、健康或性别有关的信息、以及/或者与医疗支持装置305向被检者施加的过去治疗有关的信息。所存储的信息可以包括向被检者施加治疗的日期和时间以及治疗的性质，例如脉冲宽度、振幅、治疗的能量水平、传送了单相还是双相脉冲等。
医疗支持装置305可以包括至少一个显示监测器320。监测器320可以连接至控制单元310和存储器单元315，并且显示诸如被检者的ECG、心率和/或呼吸速率等的与被检者有关的信息。监测器320可以显示与被检者有关的其它信息(例如，年龄、体重等)，并且指示向被检者施加的治疗和施加治疗的时间。监测器320可以指示在利用医疗支持装置305施加治疗期间正向被检者施加治疗。例如，监测器320可以显示利用医疗支持装置305将要或正向被检者施加电击的警告。该警告可以是视觉、音频和/或触觉警告。监测器320可以包括医疗支持装置305的用户(例如，被检者或第一响应人员)为了输入信息(诸如与被检者的健康、外观、年龄、体重和/或性别有关的信息等)而可以使用的用户接口。可以将用户输入信息存储在存储器单元315中。
医疗支持装置305包括至少一个电极325。该至少一个电极325可以包括能够监测被检者并且检测ECG信号、呼吸信息和/或与被检者的状况有关的其它信息的一个或多个感测电极。该至少一个电极325可以包括向被检者施加治疗(诸如管理起搏信号或除颤电击等)的一个或多个治疗电极。该至少一个电极325可以包括感测电极和治疗电极作为分散电极，或者组合到一体式感测/治疗电极组件内。该至少一个电极325可以是可放置在被检者的身体上的外部电极。
医疗支持装置305包括至少一个电源330。该至少一个电源330可以包括电池或者包含AC电源和不间断电源的其它电源。该至少一个电源330向包括控制单元310、存储器单元315、监测器320和至少一个电极325的医疗支持装置305提供电力。
尽管没有示出，但医疗支持装置305可以包括除电极325外的能够监测被检者的生理状况或活动的附加传感器。例如，可以提供能够测量如下内容的传感器：血压、心率、胸部阻抗、脉搏血氧水平、呼吸速率、心音、肺音、呼气CO2、SMO2、脑血流量、EEG信号、脑氧水平、组织pH、被检者的心脏的超声图像和被检者的活动水平。
除除颤外或作为除颤的替代，医疗支持装置305可以包括用以施予治疗或干预的功能。这些附加或替代治疗或干预例如可以包括被检者的心脏的起搏、胸外按压的自动管理和/或自动药物递送。
医疗支持装置305可以包括用以确定被检者正经历的心脏事件的类型或者可能即将发生的心脏事件的类型的功能。医疗支持装置305可以确定针对该类型的心脏事件的适当治疗或干预，并且可以自动向被检者施予适当治疗或干预。如果将医疗支持装置305与诸如机电胸外按压装置(例如，ZOLL
Figure BDA0003177389630000471
心脏支持泵)等的其它类型的生命支持装置相组合使用，则医疗支持装置305可以将所推荐的干预通信至其它生命支持装置。
如果心脏事件是可穿戴医疗装置100或医疗支持装置305判断为不能施予适当治疗或干预的心脏事件，或者如果心脏事件是在治疗时不存在有效的治疗或干预的心脏事件，则可穿戴医疗装置100或医疗支持装置305可以例如通过发出援助需求的音频或视觉指示以及/或者通过经由蜂窝网络向例如医师或紧急医疗响应系统配置呼叫，来寻求援助。如果可穿戴医疗装置100或医疗支持装置305判断为不能施予适当治疗或干预本身，则可穿戴医疗装置100或医疗支持装置305可以例如经由用户接口140或监测器320上的显示以视觉方式、以及/或者经由控制单元120或控制单元310上的扬声器以听觉方式，向响应人员提供适当治疗或干预的指示。
被检者的各种参数可以预测出各种心脏事件，并且可以在所预测出的心脏事件之前提供各种时间量，其中在这些时间量内，诸如救援人员或医师等的治疗提供人员可以采取动作或提供治疗，以降低心脏事件的发生概率以及/或者减轻心脏事件或其它医疗事件对被检者造成的伤害。例如，如果观察到被检者的ECG的QRS复合波不断变宽或者被检者的心率不断下降，则在所预测出的心脏事件之前可能存在救援人员可采取动作的相对较长的先兆时间。在另一示例中，在VF发作之前的约15秒～约30秒内可能发生针对被检者的ECG的T波的改变。T波交替(T波的振幅或形状中的周期性逐搏变化)可以表示即将发生的VT或心律失常。如这里所述，替代的措施、估计和检测方法还可以由医疗支持装置305使用以预测不同的心脏事件并对这些心脏事件作出响应。
可以预测出即将发生或正发生的心脏事件的被检者的各种参数可以调用可穿戴医疗装置100或医疗支持装置305、被检者和/或旁观者或医疗专业人员所要采取的各种动作或响应。例如，如果被检者的呼气CO2或脑血流量未能满足阈值水平，或者如果利用控制单元120或控制单元310所进行的被检者的EEG的分析表示被检者的脑部没有接收足够的氧气，则这可以表示被检者的心脏正在泵血但无法将足够的血液传送至心脏本身和/或被检者身体的其它部位。如果不给予治疗，则表现出呼气CO2或脑血流量下降的被检者可能表现出心率下降。针对被检者的呼气CO2或脑血流量的下降的适当响应可以是开始CPR。如果被检者表现出针对ECG T波的变化，则发起开始胸外按压可以是适当的。如果被检者表现出心律但无脉搏(例如，无脉性电活动(PEA))，则管理CPR和/或药物直到被检者表现出自主循环恢复(ROSC)为止，这可以是适当的。
如果所采取的动作不够快或者如果响应于表示即将发生的心脏事件的概率的参数而采取的行动无效，则被检者可能经历心脏事件。一些类型的心脏事件(例如，早期VF和一些类型的VT)是利用电击(除颤)可适当治疗的。其它类型的心脏事件(例如，晚期VF(发生已超过约4分钟或5分钟的VF))可以是利用CPR(可能之后进行除颤)来适当治疗的，但不能从一开始通过除颤进行适当治疗。其它类型的心脏事件(例如，急性心肌梗塞)可以伴随有CPR通过管理溶栓剂或其它类型的药物来进行适当治疗。一些类型的心脏事件(例如，心脏停搏)可能仅仅是不治之症。因而，在发生心脏事件时，控制单元120或控制单元310可以期望识别心脏事件的类型，并且在响应于心脏事件的发生而发起动作之前判断何种类型的动作或治疗将是最有效的。
可以培训紧急医疗技术人员以将经历心脏事件的被检者立即送到医院；然而，这可能并非始终是针对被检者的最佳动作路线。例如，被检者在被移动之前可能受益于带来ROSC的治疗的管理。在判断被检者正经历的心脏事件的类型时，在适当情况下，可以由可穿戴医疗装置100或医疗支持装置305和/或被检者或医疗专业人员向被检者施加除颤或者可以施予CPR和/或药物治疗。如果施予CPR和/或药物治疗，则(如全部内容通过引用包含于此的美国专利申请公开号2013/0331719所述)可以利用可穿戴医疗装置100或控制单元120或医疗装置305监测被检者的ECG的参数(例如，ASA、AMSA和/或PSA)，直到可穿戴医疗装置100或医疗装置305判断为向被检者施予除颤合适为止。如果判断为除颤合适，则利用医疗装置305施加除颤，并且如果在被检者中观察到ROSC、以及/或者如果观察到SpO2或呼气CO2的改善，则医疗装置305可以表示可将被检者送至医院以进行进一步治疗或监测。在另一示例中，如果被检者的心率正在下降(即，Bradying down)，则被检者在被运送之前可以受益于胸外按压，其中该胸外按压可以由医疗装置305向现场的医疗专业人员指示。
可以由控制单元120或控制单元310针对存在经历心脏事件风险的被检者和/或针对正经历心脏事件的被检者计算事件估计风险评分。可以基于如下的被检者的所测量到的一个或多个生理参数来计算事件估计风险评分：例如，与被检者的ECG或EEG相关联的一个或多个参数、血压、心率或心率的变化、呼气CO2、SpO2、SMO2、脑血流量、脑氧水平、组织pH、被检者的心脏针对被检者的倾斜的反应和/或被检者的心脏的超声图像。如果事件估计风险评分满足阈值和/或表示被检者的状况正在改善，则可穿戴医疗装置100或医疗支持装置305可以建议将被检者送至医院以进行进一步治疗和/或监测。如果事件估计风险评分不满足阈值和/或表示被检者的状况没有改善或越来越差，则可穿戴医疗装置100或医疗支持装置305可以建议治疗或者在运送之前继续被检者的治疗。如果被检者表现出差的或越来越差的事件估计风险评分，则可穿戴医疗装置100或医疗装置305可以建议施予干预，例如手动地或者利用自动胸外按压设备施加胸外按压，直到被检者的事件估计风险改善到表示被检者稳定到足以运送的水平为止。以下更详细地论述事件估计风险评分的计算和分析。
除胸外按压的施加外或作为胸外按压的替代，可穿戴医疗装置100或医疗支持装置305可以建议向被检者施予肾上腺素、去甲肾上腺素、β受体阻滞剂、硝酸盐、血管扩张剂或其它药物以及/或者供给氧，直到事件估计风险评分改善为向可穿戴医疗装置100或医疗支持装置305指示被检者稳定到足以运送的水平为止。例如，为了改善事件估计风险评分，可穿戴医疗装置100或医疗支持装置305可以建议向被检者提供受控血管扩张。可以在进行胸外按压的同时向被检者施予硝酸盐(例如，硝酸甘油或一氧化二氮)。如果被检者具有可检测的脉搏，则可以使胸外按压与被检者的心动周期同步。可以利用可穿戴医疗装置100或医疗支持装置305监测组织或血氧水平，以判断是否向被检者施予了适当量的硝酸盐或其它血管扩张剂。如果可穿戴医疗装置100或医疗支持装置305判断为被检者表现出ROSC或者事件估计风险改善为表示被检者稳定到足以运送的水平，则可以终止胸外按压和/或血管扩张剂的施予。
一旦被检者实现了ROSC，则可以将被检者送至医院，以从医疗上使被检者稳定以及针对引起心脏骤停(例如，心脏病)的潜在状况来治疗被检者。在一些示例中，实现了ROSC并且正被送至医院的被检者中的15％～20％在被送至医院期间经历又一次心脏骤停。如果针对运送期间的ROSC被检者、事件估计风险评分满足阈值，则可以由可穿戴医疗装置100或医疗支持装置305利用警报或其它通信向救护车或与被检者一起坐车的其它运送驾驶员或随从人员通知风险升高，使得随从人员可以通过对被检者进行直接治疗或者进行驾驶以更快地到达医院来进行干预。
可以通过使用诸如加速度计等的运动传感器来便于测量作为潜在即将发生心脏事件的预测指示或者作为在心脏事件期间和/或在施予治疗期间被检者的心肌状态的测量值的ECG。内置于可穿戴医疗装置100或医疗支持装置305的加速度计或者CPR援助装置(例如，均可从位于马萨诸塞州切姆斯福德的ZOLL医疗公司购得的
Figure BDA0003177389630000511
实时CPR反馈装置或
Figure BDA0003177389630000512
心脏支持泵)可以提供与由于胸外按压所引起的被检者的移动或者被检者的其它移动有关的信号，其中可以利用该信号来将由于被检者的移动所引起的ECG信号伪影从被检者的监测ECG信号中去除。加速度计可以是3轴加速度计，其中该3轴加速度计可用于使姿势(例如，仰卧被检者的倾斜程度)与被检者的ECG的变化相关。例如，如果仰卧被检者倾斜了例如约10度以上、并且在被检者的ECG信号中发生变化，则这可能是不应立即运送被检者的指示。可以进行治疗(例如，胸外按压、药物治疗或其它干预)，直到可以使被检者倾斜而不会发生被检者的ECG信号的大变化或可检测变化为止，其中在该时间点，可以推荐将被检者送至医院以进行进一步治疗和/或监测。
在一些实施例中，可以利用加速度计来监测例如由于救护车在崎岖道路上行驶而发生的被检者在运送期间的移动，并且可以使被检者的移动与被检者的ECG的变化相关。如果使被检者的ECG的变化与被检者的移动相关，则可穿戴医疗装置100或医疗支持装置305可以提供用以使救护车减速和/或采用较长但更平缓的路线的推荐。
图4是利用可穿戴医疗装置100或医疗支持装置305(例如，ECG监测器/除颤器、AED、或者诸如
Figure BDA0003177389630000521
可穿戴心律转复除颤器等的可穿戴医疗装置)可以实现的方法的流程图。在阶段410中，可穿戴医疗装置100或医疗支持装置305监测被检者的一个或多个参数。该一个或多个参数可以预测出即将发生的心脏事件以及/或者可用于计算针对被检者的医疗事件的事件估计风险评分。该一个或多个参数可以包括与以下内容相关联的一个或多个参数：被检者的ECG或脑电图(“EEG”)、被检者的心率或心率的变化、被检者的血压、呼气CO2、SpO2、SMO2、脑血流量、脑氧水平、组织pH、被检者的心脏针对被检者的倾斜的反应、以及/或者被检者的心脏的超声图像。在阶段420中，利用控制单元120或医疗支持装置305的控制单元310来分析参数，例如以计算事件估计风险评分或者判断即将发生的心脏事件的可能性是否高和/或是否正发生心脏事件。如果在阶段430中控制单元120或控制单元310判断为不存在正发生的心脏事件并且即将发生的心脏事件的可能性不高、例如事件估计风险评分低于阈值，则该装置返回至阶段410以监测被检者的参数。在一些实施例中，可以在不同的时间(例如，顺次地)监测被检者的不同参数。
如果在阶段430中控制单元120或控制单元310判断为正发生心脏事件或者即将发生的心脏事件的可能性高，则在阶段440中，控制单元120或控制单元310判断该心脏事件是否可治疗，例如判断干预对于治疗该心脏事件或降低即将发生的心脏事件的几率或严重程度而言是否可以是有效的。如果在阶段440中利用控制单元120或控制单元310判断为通过医疗装置可利用的任何干预或者由第一响应人员当前无法治疗被检者正经历的心脏事件的类型、或者如果不存在医疗装置或第一响应人员可利用的当前能够降低即将发生的心脏事件的几率或严重程度的干预，则在阶段450中，该装置可以建议将被检者送至例如医院等的设施以进行治疗和/或监测，并且该装置返回至阶段410以监测被检者的参数。可以记录被检者的参数，使得如果被检者到达医院或者可以具有超出医疗装置的能力的另一治疗源，则可以浏览被检者的病史以确定适当治疗。
如果在阶段440中控制单元120或控制单元310判断为通过医疗装置可利用的干预或由第一响应人员可以治疗正发生的心脏事件、或者判断为医疗装置或第一响应人员可利用的干预能够降低即将发生的心脏事件的几率或严重程度，则在阶段460中，该装置确定要提供至被检者的可用动作(例如，干预)。在一些实现中，该装置考虑多个潜在干预，但可以将最佳类型的可用干预提供至被检者。
在阶段470中，该装置例如通过施予自动胸外按压、除颤和/或自动药物递送来进行或指示所确定的干预。如果所选择的干预是该装置无法独自进行的干预，则该装置可以例如经由显示器或扬声器向第一响应人员提供与要向被检者施予何种干预的指示、或者将所推荐的治疗通信至能够进行所推荐的干预的另一类型的生命支持装置。
现在更详细地论述根据一些实施例的提供事件估计风险评分的系统和方法。
根据一些实施例的系统和方法提供软件分析工具，其中这些软件分析工具自动分析被检者生理参数数据(例如，ECG数据)，以通过针对正发生或在某时间段内可能发生的医疗事件计算事件估计风险评分来检测并预测待定状况。可以针对更迫在眉睫的医疗先兆事件和更长期的医疗先兆事件来计算事件估计风险评分。可以在多个不同的时间段内针对医疗事件计算事件估计风险评分。为了提供针对各种不同时间段的风险水平，可以针对不同的时间段(例如，小于约10分钟、小于约1小时、小于约3小时、小于约1天、小于约1周、小于约1个月、小于约3个月等)来计算多个(例如，不同的)事件估计风险评分，以提供在各个时间段内发生的医疗事件的可能性或概率。
可以将针对各个时间段的各种事件估计风险评分与所存储的同这些时间段相关联的事件估计风险阈值进行比较，以确定基于针对所估计的各个时间段的事件估计风险评分而改变的动作计划或响应。不同的时间段可以与不同的阈值相关联，并且不同的医疗事件可以与不同的阈值相关联。例如，与用于在更长的时间段内响应于心脏骤停而施加除颤的阈值相比，用于在更迫在眉睫的时间段内响应于心脏骤停而施加除颤的阈值可能不同，并且例如可能更容易满足。
可以针对一个时间段来计算多个不同的医疗事件的多个不同的事件估计风险评分。例如，可以针对同一时间段来计算心脏骤停的事件估计风险评分和非持续性室性心动过速的事件估计风险评分。
在一些实现中，可以针对一个时间段来计算事件估计风险评分。例如，可以针对以下时间段其中之一来计算一个事件估计风险评分：小于约10分钟的时间段、小于1小时的时间段、小于约3小时的时间段、小于约1天的时间段、小于约1周的时间段、小于约1个月的时间段、小于约3个月的时间段等，从而提供在该时间段内发生的医疗事件的可能性或概率。可以随时间的经过(例如，在特定时间段内)连续更新事件估计风险评分。例如，最初可以针对1个小时内的时间段来确定事件估计风险评分，并且随着时间的经过，可以连续地更新针对1个小时内的该时间段的事件估计风险评分。
事件估计风险评分包括危急度测量值和置信度测量值。危急度测量值可以提供潜在医疗先兆事件的风险、严重度或重要性的估计测量值。例如，可以使诸如心脏骤停等的医疗事件与相对较高的危急度测量值相关联，同时可以使诸如异位搏动或非持续性室性心动过速等的医疗事件与相对较低的危急度测量值相关联。危急度测量值可以是定量评分或定性评估。置信度测量值可以提供在关联时间段内可能发生特定医疗事件的可能性或概率。例如，置信度测量值可以是关联时间段内的事件发生的百分比几率。可以使用事件估计风险评分的危急度测量值和置信度测量值的组合来确定针对医疗先兆事件的适当响应(诸如要采取的适当动作等)。例如，诸如除颤等的一些治疗在实施之前可能需要相对较高的置信度值。诸如指示被检者坐下等的其它治疗在实施之前可能需要相对较低的置信度。与利用相对较低的危急度测量值(例如，心率升高)可满足的诸如指示被检者坐下等的其它治疗相比，除颤可能需要相对较高的危急度测量值(例如，存在心脏骤停的风险)。
图5示出用于对医疗事件作出响应的系统。预警系统10监测被检者104的身体状况并且使用该信息来估计发生医疗事件的风险。预警系统10可以包括被检者104所穿戴的可穿戴医疗装置100。针对可穿戴医疗装置100来论述图5；然而，所公开的实施例不限于此，并且预警系统10可以包括另一可穿戴装置、医疗支持装置305、可植入医疗装置、便携式医疗装置或被检者的生理参数的其它监测器。
可穿戴医疗装置100可以测量被检者104的数据(诸如ECG数据等)，并且可以使用该数据来估计在各时间段内发生医疗事件的风险。控制单元120可以通过在没有采取治疗措施或治疗措施不成功的情况下估计被检者104经历将来医疗事件的可能性或概率、以及/或者判断为在无紧急响应的情况下将有可能导致医疗事件的一连串事件已开始，来计算事件估计风险评分。事件估计风险评分有时可被称为“事件预测”或“事件预测评分”或者与“事件预测”或“事件预测评分”可互换地使用，尽管术语事件估计风险通常更加全面，这是因为不同于基本无法改变的天气，使用事件估计风险的目标之一是改变被检者的状况的潜在过程。事件估计风险使得装置或医疗人员进行与仅仅“携带伞”相比更多的操作，从而应对所发生的事件。事件估计风险使得装置或医疗人员能够防止医疗事件或减轻其影响。例如，可穿戴医疗装置100可以向被检者104提供反馈和治疗选项，以帮助防止医疗事件的发生和/或减轻事件的影响。可穿戴医疗装置100可以附加地向诸如一个或多个医疗专业人员108等的外部实体通信信息，以使得医疗专业人员能够确定针对被检者104的动作计划或治疗过程。
根据非限制性实施例的预警系统10可以利用各种程度的敏感性和特异性来预测事件的数秒内～事件的数年内的医疗事件(例如，不良心脏事件)。可以基于针对所预测医疗事件的时间来向被检者104建议各种动作或响应。例如，如果在从当前时刻起的10分钟的时间帧内预测到不良心脏事件，则医疗装置100可以警告被检者104抑制剧烈活动(例如，遛狗)并且不要移除医疗装置100，例如使得该医疗装置可用于在需要的情况下提供除颤电击。作为对比，如果医疗装置100判断为被检者104正表现出从当前时刻起的1周的时间帧中发生的不良心脏事件的高风险水平，则医疗装置100可以警告医疗专业人员108或请求被检者104认真遵循医疗专业人员108的指示。这里针对各时间段说明示例性警告、建议反馈和推荐活动的更多详情。
如上所述，医疗装置100可以预测多个不同的时间段内发生的不良心脏事件的可能性或概率。医疗装置100可以计算与被检者104的不良心脏事件的可能性相关联的多个不同的事件估计风险评分，其中各个不同的事件估计风险评分与不同的时间段相关联，例如各事件估计风险评分表示各时间段内发生的事件的概率。医疗装置100可以针对不良心脏事件的短期可能性和长期可能性(诸如在1分钟、10分钟、1小时、3小时、1天、1周、1个月、3个月等内将发生不良心脏事件的可能性等)计算不同的事件估计风险评分。提供与不同的时间段相关联的多个事件估计风险评分可以允许基于特定时间段内发生的不良事件的可能性来触发或建议不同的治疗和警报。
可穿戴医疗装置100的控制单元120可以监测多个ECG电极112所提供的ECG信号以及(在设置的情况下)其它传感器所提供的一部分或全部信号。控制单元120可以基于从ECG电极112提供的信号以及(在设置的情况下)其它传感器所提供的一部分或全部信号，来在关联时间段内计算与被检者104的不良心脏事件的可能性相关联的事件估计风险评分。可穿戴医疗装置100可以基于所计算出的事件估计风险评分来向被检者104提供反馈。该反馈可以是从可穿戴医疗装置100直接提供的，以及/或者以与可穿戴医疗装置100进行有线或无线通信的方式经由远程计算装置550(诸如移动电话、计算机或其它计算装置等)所提供的。
如图5所示，可穿戴医疗装置100可以与基本单元530相关联。例如，利用LifeVestTM可穿戴心律转复除颤器，可以提供能够进行多个不同功能的基本单元530。利用基本单元530可进行的功能其中之一是存储和/或通信经由有线或无线通信网络580从可穿戴医疗装置100接收到的信息。例如，与被检者在某时间段内的医疗状况有关的信息可以由基本单元530通信至诸如医生等的医疗专业人员108，使得医生可以远程地监测被检者的医疗状况。基本单元530所接收到的信息可以在利用基本单元530接收到信息之后立即经由通信网络580来通信，或者可选地，基本单元530所接收到的信息可被存储在基本单元530的存储器中并且稍后经由通信网络580进行通信。基本单元530所通信的信息可被保持在该基本单元的存储器中。
在一些实施例中，基本单元530或远程计算装置550可以从可穿戴医疗装置100接收诸如被检者的ECG数据等的测量数据，并且使用该数据来估计各时间段内发生医疗事件的风险。例如，由于医疗先兆事件估计和检测所用的一些算法可能是计算密集型，因此可以在与被检者104正穿戴或在被检者104附近的可穿戴医疗装置100本身分离的服务器硬件上进行诸如以下所述的机器学习分类系统所进行的操作等的用于确定事件估计风险评分和/或响应于此的动作的处理中的一部分或全部。
基本单元530可以包括：视觉显示器531，用于向被检者104或旁观者通信视觉消息；诸如扬声器等的音频输出装置534，用于向被检者或旁观者通信可听消息；以及多个按钮533，其中被检者或旁观者可以利用这多个按钮533来与基本单元530进行通信。视觉显示器531可以包括触摸屏显示器，使得被检者104或旁观者还可以经由视觉显示器531与基本单元530进行通信。视觉显示器531可以显示与针对被检者104的预测风险有关的信息。可以以图形方式显示该信息，以使得被检者104和/或看护者能够评估不良心脏事件的当前风险和将来风险这两者。例如，简要参考图6A，条形图可以提供多个时间段的示例心脏事件估计风险评分的视觉表示。各时间段的事件估计风险评分的视觉表示可以包括与事件估计风险评分的可靠性有关的信息(例如与相应的事件估计风险评分相关联的置信度值)。例如，可以将置信度值的视觉表示602a～602h叠加在条形图的各条上。置信度值的视觉表示602a～602h可以表示关联时间段内可能发生事件的可能性，使得与跨相对较小距离的视觉表示(例如，视觉表示602a和602b)相比，跨相对较大距离的视觉表示(例如，视觉表示602g和602h)表示事件估计风险评分中的相对较低置信度。在一些实现中，置信度值的视觉表示602a～602h的范围可以表示相应的事件估计风险评分的可能误差范围。在一些示例中，与相对较长时间段(例如，一个月内、三个月内)相对应的事件估计风险评分的置信度值低于与相对较短时间段(例如，10分钟内、1小时内)相对应的事件估计风险评分的置信度值。例如，这可能由于在相对较远的将来作出预测方面所涉及的困难。
在一些示例中，可以提供与事件估计风险评分的进展或变化有关的历史信息，其中在图6B中示出该历史信息的示例。图6B包括表示一段时间内的先前计算出的事件估计风险评分的多个趋势线。可以将事件估计风险评分和与这些事件估计风险评分有关的其它信息从医疗装置100和/或基本单元530传送至远程计算装置550，其中该远程计算装置550可以包括智能电话、个人数字助理(PDA)、笔记本电脑、平板个人计算机(PC)、台式PC、机顶盒、互动电视和/或它们的组合或者显示和/或处理所用的任何其它类型的医疗装置。
基本单元530可以包括用以容纳可再充电辅助电池(例如，控制单元120的电池)的至少一个充电湾532。基本单元530可以包括一个或多个不同的通信接口，例如：装置通信接口538，其被配置为从可穿戴医疗装置100的控制单元120接收信息；电话网络接口536，用于经由电话网络来通信从可穿戴医疗装置100接收到的信息；以及网络接口537，用于经由有线或无线网络连接来通信从可穿戴医疗装置100接收到的信息。基本单元530可以包括天线535和(可选地)无线收发器539，其中天线535或无线收发器539被配置为经由蜂窝(例如，2G、3G和4G)或另一无线网络来无线地通信从可穿戴医疗装置100接收到的信息。基本单元530可以将所计算出的事件估计风险评分发送至医疗专业人员108(例如，使得医疗专业人员108能够确定被检者104的动作计划或治疗过程)。
现在参考图7，示出了例示用于确定诸如事件估计风险评分等的心脏风险指示的示例方法的流程图。事件估计风险评分可以由这里所述的可穿戴医疗装置100(图1和5)来确定；然而，示例实施例不限于此，并且事件估计风险评分可以由诸如基本单元530和远程计算装置550等的其它装置以及/或者与医疗装置100和/或基本单元530进行通信的医疗专业人员108的计算装置来确定。
在阶段702中，可穿戴医疗装置100通过接收、测量和/或记录一个或多个类型的生理数据(例如，包括ECG数据的信号)来监测被检者。ECG数据可以是从被检者ECG数据的任何适当源接收到的。例如，ECG数据可以是实时地从安装至被检者的ECG电极112接收到的。ECG数据可以具有任何适当类型。ECG数据可以是从被检者身体的体表上的多个导联部位记录的。ECG数据可以是连同包括被检者统计数据和/或其它生理数据记录的附加被检者数据一起接收到的。可以将被检者统计数据与被检者特有的ECG数据相结合地使用，以供数据处理和显示。
在阶段704中，(例如，利用控制单元120)针对多个时间段(例如，多个直到事件为止的时间段)来计算事件估计风险评分、例如估计定量风险值。
在阶段706中，(例如，利用控制单元120)存储所计算出的作为时间函数的事件估计风险评分。针对计算出评分的各个时间段和各个医疗事件，存储事件估计风险评分(例如，可以包括危急度测量值和置信度测量值这两者)。例如，可以针对10分钟之前、1小时之前、2小时之前、4小时之前、8小时之前、12小时之前、24小时之前、48小时之前和72小时之前的时间段计算并存储单独评分，并且针对各个时间段计算并存储多个不同的医疗事件的评分。
在阶段708中，(例如，利用控制单元120)将所计算出的各个时间段的事件估计风险评分与事件阈值(诸如所存储的事件估计风险阈值等)进行比较。基于该比较，确定治疗计划或动作过程。
如果计算出多个不同时间段的事件估计风险评分、例如如果控制单元120计算出第一个时间段的事件估计风险评分和第二个时间段的事件估计风险评分，则控制单元120可以使事件估计风险评分其中之一优先于其余的事件估计风险评分。例如，可以基于各评分的危急度来优先事件估计风险评分。控制单元120可以将危急度测量值相对较高的事件估计风险评分与相应时间段的所存储的事件估计风险阈值进行比较，并且基于该比较来在针对危急度测量值相对较低的事件估计风险评分进行治疗计划或动作过程之前确定该治疗计划或动作过程。在一些实施例中，事件估计风险评分的优先可以基于加权方案，其中该加权方案可以是基于危急度测量值、置信度测量值和与各事件估计风险评分相关联的风险中的一个或多个所计算出的。在一些实施例中，控制单元120可以使相对更迫在眉睫的时间段的事件估计风险评分优先于相对较远的时间段的事件估计风险评分。同样，如果控制单元120针对同一时间段内的多个不同医疗先兆事件计算事件估计风险评分，则可以基于各评分的危急度或者加权方案来优先相同时间段的多个事件估计风险评分，其中该加权方案是基于危急度测量值、置信度测量值和与各事件估计风险评分相关联的风险中的一个或多个所计算出的。
在阶段710中，基于事件估计风险评分与事件估计风险阈值的比较结果，(例如，利用控制单元120)判断是否推荐动作。例如，如果特定时间段的事件估计风险评分满足所存储的针对该特定时间段的阈值，则可以利用可穿戴医疗装置100来进行关联动作以及/或者利用可穿戴医疗装置100向被检者推荐关联动作。示例动作可以包括请求被检者保持穿戴可穿戴医疗装置100、建议被检者减少身体活动、施予药物、除颤。在图12中示出并且这里针对不同的时间段更详细地说明各种示例性动作。
如果在阶段710中推荐了动作，则在阶段712中，采取与所确定的事件相关联的动作(例如，利用可穿戴医疗装置100进行该动作)。然后，该方法返回至阶段702以接收生理数据。如果在阶段710中不推荐动作，则该方法返回至阶段702以接收生理数据。
在一些实施例中，可穿戴医疗装置100可以将所计算出的事件估计风险评分显示在接口器140、远程计算装置550、基本单元530的视觉显示器531和/或医疗专业人员108的计算装置上。例如，如图6A和6B所示，可以将事件估计风险评分例如作为条形图、列表或曲线显示在显示器上。例如被检者或其它用户可以选择显示先前的事件估计风险评分的时间窗，以针对评分显示更短或更长时间范围。可以如此生成并且向被检者和/或医疗专业人员显示时间依赖的事件估计风险计算和演变。
可以使用各种处理、算法、评分模型、数学模型、统计分析等来计算事件估计风险评分。用于计算事件估计风险评分的方法可以依赖于要预测的医疗事件的类型。例如，控制单元120可被配置为使用用以计算针对心脏骤停的事件估计风险评分的第一处理或算法、以及用以计算针对心室纤颤的事件估计风险评分的不同的第二处理或算法。如此可以利用各种方法来计算即将发生的被检者的医疗状况急剧恶化到心脏骤停或其它严重的心肺状况的风险。可以使用不同的方法和算法来计算针对不同时间段的事件估计风险评分。例如，控制单元120可被配置为使用用以计算第一时间段内的针对心脏骤停的事件估计风险评分的第一处理或算法、以及用以计算不同的第二时间段内的针对心脏骤停的事件估计风险评分的不同的第二处理或算法。
在一些实现中，可以针对大的人群(例如，可以在数千～数万的包括电生理现象、人口统计和医疗历史信息的患者记录的人群)训练如以下更详细所述的机器学习分类器。机器学习工具可以包括但不限于(例如，使用R或任何其它统计/数学编程语言所实现的)诸如随机森林和梯度提升等的分类和回归树决策模型。可以使用包括神经网络(如以下更详细地所述)和支持向量机的基于任何其它分类的机器学习工具。由于机器学习工具可以是计算密集型，因而可以在与医疗装置分离的服务器上进行机器学习工具所用的处理的一部分或全部。
可以如何向给定数据集应用随机森林工具的概述可以示出分类工具在解释给定参数或度量方面可以如何工作。随机森林是决策树的集合。决策树是各节点表示针对度量的测试并且各分支表示测试的结果的流程图状结构。树以分类标签、例如在计算各个度量之后最终所获取的决策告终。随机森林工具中的各树在对给定度量集进行分类时获得“选票”。存在构建随机森林时所涉及的随机性的两个成分。首先，在各树的创建时，选择总数据集的随机子样本以使树生长。其次，在树的各节点处，选择“分隔变量(splittervariable)”并且将潜在患者分为两类。例如，可以将一类患者(例如，心脏骤停的响应或发生)与另一类患者(例如，非响应)分开。该树利用附加的分隔变量生长，直到树的所有末梢节点(叶)纯粹是一个类或另一类为止。针对先前预留的患者记录“测试”树。各患者测试记录根据各分隔变量的记录中所包括的度量而从一个分支或另一分支继续往下，由此遍历了该树。基于记录在树中的着落位置(投票)来向患者测试记录指派预测结果。可以利用基础数据集的新随机分割来重复整个处理，以产生附加树并且最终产生“森林”。在各情况下，可以使用患者的不同子集来构建树并测试其性能。
在开发以下示例实现中所述的结果时，训练预定数量的模型变化。例如，顺次标记各模型变化(例如，针对100次运行，标记为1～100)。在模型的各运行中，软件将人群的预定一部分(例如，80％的部分)随即采样为训练集并且保留其余部分(例如，20％)作为测试集。在基础数据中所观察到的无电击“非响应”患者相对于电击“响应”患者的比为2.5:1，然而可以选择响应相对于非响应的任何其它比或者训练集和测试集的比例。
在以下所示的示例实现中，向模型的示例输入可以包括以下：
a)ECG度量；以及
b)如以下更详细地所述的非ECG度量。
示例实现中的用于训练的可能模型结果如下所述：
i)适当电击(1＝是；0＝否)；
ii)心脏停搏(1＝是；0＝否)；以及
iii)射血分数(EF)提高(例如，35％以上)(1＝是；0＝否)。
在一些实施例中，可以估计其它端点(装置使用点的结束)的风险，诸如不适当电击、与装置使用的兼容、住院、药物改变和死亡(非突然或总死亡率)。在一些实施例中，在运行模型之前，可以去除彼此高度相关的度量或者利用度量的代表集来替换彼此高度相关的度量。
如上所述，机器学习工具可以在基础数据集的第一部分上训练分类器，并且在该数据集的第二部分上或在另一单独数据集上测试分类器。在评价各分类器的性能时，可以基于特异性和敏感性参数来评价随机森林中的决策树内的基础决策的性能。例如，敏感性参数可以基于分类器的用以正确地预测患者是否存在需要治疗的风险的能力的测量值。例如，敏感性参数可以基于模型正确进行了预测的存在被治疗风险的患者被适当治疗的比例。特异性参数可以基于装置使用结束而未被治疗的并且利用相关分类器预测为不存在需要治疗的风险的患者的比例。如下可以是有利的：按高水平来最佳地使诸如敏感性和特异性等的各个性能变量均衡。例如，通过将特异性设置为相对较高的值(例如，95％)，可以调整分类器模型内的基础阈值以使假阳性(false positive)最小化。在定义了特异性之后，可以将敏感性的测量值视为一种性能测量值，例如针对给定模型通常在15～35％的范围内；然而，敏感性的更小或更大的值也是可以的。
例如，如以下所述，可以采用验证协议来验证训练模型的预测性能。在实现中，可以使用验证阶段来确定用于对将来患者进行分类的适当阈值评分(结果当前未知并且期望预测该结果)，并且确定利用机器学习工具所生成的各分类器模型的预测性能。为了验证各种分类器和关联的阈值评分，可以使用第二组个体、例如验证人群(或组群)。例如，所使用的验证人群可以是新的验证人群。针对验证组群中的患者的结果最终被学习为这些患者进入装置使用结束。在实施例中，验证人群中的患者可以不同于上述的用于训练分类器的训练和测试患者的组。例如，患者的验证人群及其关联度量(验证度量)可以独立于患者的训练人群和关联度量(训练度量)。在一些实现中，在验证度量和训练度量之间可能存在重叠。
如以下的表1所示，可以获得验证数据。在一些示例中，在穿戴开始时，可以从潜在患者获得基线ECG记录。基线记录通常约为45～60秒长，然而更长或更短的ECG记录也是可以的。在随后的每周，可以从患者获得新的45～60秒的ECG记录，然而可以增加或减少ECG记录的频率，例如可以增加ECG记录的频率从而获得针对各个患者的更精细定时的事件估计风险评分。
表1
Figure BDA0003177389630000651
针对验证人群中的各患者，可以根据各机器学习分类器模型生成事件估计风险评分。例如，可以针对各分类器调用诸如(从R基础可得)R等的统计计算语言中的“预测”命令。在R中，“预测”命令采用作为输入的患者的度量、以及包括要进行患者的度量所针对的机器学习算法的相应分类器模型。对于随机森林分类器模型，输出可以是值的范围为0～1的概率评分。因此，由于基础模型基于适当电击“响应”和无电击(非响应)，因此示例输出评分在0(与大多数患者等同的电击的风险)～1(由于电击的风险相对于大多数患者升高，因此该风险被定义为即刻)的范围内。这样，可以针对预先构建的各个模型使用患者的度量，以识别性能最佳的机器学习分类器。如上所述，在使用验证人群时，患者的结果最终是已知的。如此，在事后分析期间，可以评估各分类器模型如何良好地进行。可以针对验证人群中的各患者重复该处理。
在一些实现中，可以通过以下操作至少之一来更新验证人群：1)调整验证度量中的一个或多个度；以及2)基于向构成验证人群的被检者的人群添加附加的一个或多个被检者来扩展验证度量。可以基于更新后的验证度量来细化用于对将来患者进行分类的阈值。例如，可以使用当前正被治疗或监测或者通过装置使用结束而没有进展的患者的度量来调整验证度量中的一个或多个度量，或者可以将患者的度量作为来自新的被检者的度量添加至验证人群。可被调整为患者的新度量的验证度量是在患者的监测或治疗期间所确定的。在一些示例中，在被监测患者通过装置使用结束而进展时，可以将患者的度量添加至验证人群，以及/或者在患者通过装置使用结束而进展之后可以使用患者的度量来调整验证度量中的度量。
在一些实现中，可以通过以下操作至少之一来更新训练人群：1)调整训练度量中的一个或多个度量；以及2)基于向第一多个被检者添加附加的一个或多个被检者来扩展训练度量。可以基于更新后的训练度量来重新训练机器学习分类器模型。例如，在根据当前患者确定附加患者度量以及/或者确定来自新患者的度量时，例如可以针对增加数量的度量或针对新的不同度量重新训练机器学习分类器，以提供更新后的分类器模型。在确定当前患者的新度量以及/或者新患者的度量时、或者在患者通过装置使用结束而进展之后，可以更新训练人群。
参考针对被称为“模型80”的示例模型的图8A，利用该图的x轴示出针对得到适当电击的患者的评分。该图的y轴不必表示任何值，并且为了便于观看，标绘值沿着y轴分开。如图所示，针对该示例模型，可以设置阈值，使得在与其它患者(例如，事件估计风险评分低于0.425的患者)相比，0.425以上的事件估计风险评分可被视为将患者分类为受到电击的风险升高。例如，具有将患者分类为风险升高的事件估计风险评分的患者与未被分类为风险升高的患者相比，可以具有经历医疗事件的相对较高的可能性。
对于该示例模型，可以设置另一阈值，使得与其它患者(事件估计风险评分小于0.52的患者)相比，大于0.52的事件估计风险评分可被视为将该患者分类为存在立即受到电击的风险。例如，具有将患者分类为存在即时发生风险的事件估计风险评分的患者与未被分类为存在即时发生风险的患者相比可以具有经历医疗事件的相对较高的可能性，因而可能需要立即关注需要采取动作的患者。作为响应，可以采取一个或多个动作以及/或者可以指示患者进行意图降低患者经历医疗事件的风险的一个或多个动作。例如，如以下更详细地所述，可以调整医疗装置的一个或多个操作参数以及/或者用于判断是否发生医疗事件的一个或多个阈值，以适应存在即时发生风险的患者。这样，被分类为存在即时发生风险的患者可以使风险降低，而可以不要求未被分类为存在即时发生风险的患者采取用以降低风险的措施(例如，对于患者而言可能不方便因而会适得其反的措施)。尽管可以针对被分类为存在即时发生风险的患者采取一个或多个动作，但不必立即采取这些动作。
应当理解，尽管上述示例实现描述了两个阈值，但可能存在更多个(三个以上)阈值或者仅一个阈值。各阈值可以与可采取不同动作的患者人群相对应。例如，在一些实现中，代替具有升高的和即时发生的风险阈值这两者，可以仅存在一个阈值、例如即时发生风险阈值。具有使患者处于这种即时发生风险阈值以上的风险评分的患者与不为该阈值以上的患者相比，可能要采取一个或多个即时动作。
例如，被分类为具有高风险但可以不采取即时动作的患者(例如，在上述示例中，风险评分为0.425以上但小于0.52的患者)与未被分类为处于高风险的患者相比，可以更规律地监测这些患者的生理参数。例如，医师和/或技术人员可以使医疗装置(例如，可穿戴除颤器)大致实时地流传输患者的ECG数据以供分析。可选地或另外，医师和/或技术人员可以请求至少在患者保持为高风险的时间段内附加监测患者。此外，针对立即动作被视为有必要的患者(例如，风险评分为0.52以上的患者)，医师可能认为有必要指示患者进行如下操作：更频繁的装置检查(例如，确保电池充电处于最佳水平)，使特定活动最小化，使医疗装置没有主动监测患者的时间最小化等。
在一些示例中，可以按预定方式组合来自各个模型的评分，以针对患者生成单个事件估计风险评分。在一些示例中，可以在验证期间实现聚类技术，以选择分类器模型的最具预测集合。例如，可以基于在预定范围(例如，超过0.25或任何其它预定义阈值)内发生的敏感性值来识别分类器的最具预测性的有效集合。在一些示例中，可以选择如上所示的诸如示例模型80等的单个模型，并且使用该模型来确定给定患者的事件估计风险评分。可以使用任何其它实现来选择适当的分类器模型和/或组合来自各种模型的评分。
可以考虑一个以上的汇总测量值(例如一个以上的事件估计风险或者来自多个模型的多个事件估计风险评分的一个以上的组合)，使得可以调查时间序列风险评分的不同方面。可以将不同的汇总测量值组合成一个结果以表现患者的整体状态的特征，例如患者的风险状况是变得越来越好还是越来越差。例如，可以使用内容通过引用而全部包含于此的J N S Matthews,Douglas G Altman,M J Campbell,Patrick Royston的“Analysis ofserial measurements in medical research”中所描述的技术来分析时间序列的风险评分。
在一些示例中，通过上述处理确定一个事件估计风险评分以表现患者的风险的特征。根据上述的验证处理，选择适当阈值以实现特异性的预定义性能水平。在包含时间序列测量的情况下，可以发现，在某时间段内，患者的评分可以增加或减少。结果，观察某时间段内的患者的评分的变化直到最终的装置使用结束为止，这使得能够如以下所述确定各种信息。
可以使用多个技术来评价各患者的时间序列数据，以评估患者的风险随时间的经过而不断增加还是不断减少。例如，可以标绘时间序列值，并且可以计算出该曲线下方的面积作为加权平均的测量值。在一些示例中，可以采用观察的均值。如果观察之间的间隔保持相同(例如，每小时或每周)，则均值可以紧密地与加权平均值有关。在实现中，可以将均值或加权平均值与各自的阈值进行比较。在一些示例中，可以在判断被检者的状况正如何改变时考虑均值/平均值超过相应阈值的量。
在一些示例中，可以注意风险评分超过阈值的次数，并且可以从这种数据中提取这种超过的趋势。对于梯度提升模型，如此得到的预测评分趋势的值域是通过针对基础概率评分的分对数转换所给定的(例如，通常落在-4.5～4.5的范围内的值，其中分对数值0与概率值0.5相对应)。
例如，以下度量已被证明高度预测最终结果(例如，适当电击vs无电击)。以下针对度量示出假设值以表示患者可能被分类为高风险或即时发生风险。
o性别：男性(1)-与女性(0)相比，更有可能
o年龄56-通常更高的风险范围
o急性心肌梗塞(MI)诊断。(可选地，所添加的患者度量和/或时间序列测量可以改善充血性心力衰竭患者(存在心力衰竭的MI等)的预测)
o射血分数(EF)小于例如35％(例如，实际EF值为25％)
o诸如糖尿病、肾功能衰竭、烟草使用等的其它发病率
对于馈送到机器学习分类器模型中的基线ECG、例如60秒，以下的形态参数可以预测出患者的最终结果：QRS形态和变异特征、QRS宽度、QRS高度、单导联QRS形态和双导联QRS形态。例如，对于如上所述先前训练的分类器，在分析结束时，模型(例如，与上述的模型80相似的模型)针对上述的示例假设患者可以产生0.6的评分。随时间的经过，该患者的评分例如可以改变为0.65、0.5、0.55、0.45、0.6。如这里例如针对图11和12所述，可以使用上述的时间序列分析来推荐要采取的动作的性质。
在各种实现中，可以将事件估计风险评分的计算所使用的参数或度量分组为三个主要类别，例如A)心率、心率变异性和心率不规律；B)QRS形态和变异性；以及C)ST段以及T波形态和变异性。可以利用表或表中的度量的子类别来组织主类别。可以在45～60秒的时间段内获得ECG；然而，示例实施例不限于此，并且ECG的长度可以更长或更短。以下列出可基于ECG确定的示例度量；然而，示例实施例不限于这些度量，并且可以使用各种其它度量来计算并分类事件估计风险评分。
在基于可穿戴监测和/或治疗装置的示例中，在侧向(SS)通道和前后(FB)通道上独立评价各个度量。例如，SS通道和FB通道表示在可穿戴监测和/或治疗装置的使用期间与患者的身体有关的相应ECG传感器的位置。在各种示例中，可以使用针对SS通道和FB通道的相等数量的度量。例如，在一些实现中，心率相关测量在SS和FB之间可以相似。相反，在一些实现中，形态测量在SS和FB之间可以不同。在示例中，采用来自SS通道的测量来进行预测，并且在诸如以下所论述的方案等的其它方案中，可以采用这两个测量(SS和FB)。
心率、心率变异性和心率不规律的度量包括根据如利用QRS检测器所检测到的RR(R波-R波)间隔的估计所求出的度量。在一些实现中，这些度量的评价包括：在正常搏动(N)和异位搏动(例如，PVC)之间进行判别。例如，可以使用PVC检测器来识别PVC。两个正常搏动之间的间隔被称为NN间隔。
度量表或包括到该类别的度量的子类别可以包括：
1)心率度量；
2)心率变异性(时间域)度量；
3)非持续性VT发作计数度量；以及
4)PVC计数度量。
QRS形态和变异性度量包括描述了如QRS检测器所检测到的QRS复合波的随时间经过的形状和变化的度量。在一些实现中，这些度量的评价包括：在正常搏动(N)和异位搏动(例如，PVC)之间进行判别。例如，可以使用PVC检测器来识别PVC。度量表和包括在该类别中的子类别可以包括：
1)QRS宽度度量；
2)QRS高度度量；
3)单导联QRS形态度量(例如，相对于正常模板的相似度评分)；以及
4)双导联QRS形态度量(例如，描述心电向量图的描述符)。
ST段以及T波形态和变异性的度量包括描述了如利用T波检测器所描绘的ST段和T波的随时间经过的形状和变化的度量。在一些实现中，这些度量的评价包括：在正常搏动和异位搏动之间进行判别。例如，可以使用PVC检测器来识别PVC。如此，度量可以包括在基础的一个或多个度量中存在或不存在异位搏动的指示。例如，在正常搏动上评价T波度量，并且由于在异位搏动上不能清楚地识别或定义T波，因此将异位搏动从T波分析中排除。度量表或该类别中所包括的子类别可以包括：
1)QT变异性度量；
2)ST压低/抬高、斜率度量；
3)T波交替度量；
4)T波变异性度量；以及
5)双导联T波形态(例如，余弦RT)度量。
在示例中，单导联QRS形态度量可以包括SS和FB通道相似度评分。例如，这些相似评分可以包括表示SS和FB通道上的随时间经过的评分平均值的度量。在实现中，通过将QRS复合波与正常模板进行比较来获得相似度评分(例如，一个针对SS且一个针对FB)。例如，这种相似度评分度量可以或者可以不包括异位搏动。
例如，如图8B所示，将主正常模板与ECG信号的QRS复合波进行比较(该标绘图中的箭头)。对所获得的相似度评分求平均以获得独特形态评分。在该示例中，异位搏动可以不包括在计算中。评分可以描述与正常搏动相比的形状的变异性。例如，如果所比较的QRS形态其中之一偏离正常模板，则相似度评分可以取较小的值。较低的平均值评分表示正常ECG节律中的QRS形态的较高变异性。
在另一示例中，心率变异性(HRV)度量可以包括SDNN，其中该SDNN表示NN间隔的随时间经过的标准偏差。在一些实现中，SDNN计算可以不包括异位搏动。图8C是用于确定心率变异性度量的示例ECG信号的图。如图8C所示，采用五个正常间间隔801a～801e来计算SDNN。可以将PVC之前和之后的间隔从SDNN评价中排除。如此计算出SDNN作为(NN1,NN2,NN3,NN4,NN5)的标准偏差。
在示例中，QRS宽度度量可以基于QRS复合波的相应估计宽度的随时间经过的标准偏差、均值或其它平均值中的任一个。在一些实现中，QRS宽度度量可以不包括诸如PVC等的异位搏动。在一些实现中，QRS宽度度量可以包括异位搏动的存在与否的指示。图8D是示出例示QRS宽度的示例的示例ECG信号的图。
在示例中，QRS高度度量可以基于QRS复合波的估计高度的随时间经过的标准偏差、均值或其它平均值中的任一个。在一些实现中，QRS高度度量可以不包括诸如PVC等的异位搏动。在一些实现中，QRS高度度量可以包括异位搏动的存在与否的指示。图8E是示出例示QRS高度的示例的示例ECG信号的图。
外部医疗装置可以监测并收集被检者的生理信息、例如心脏电生理信息，并且连同与心脏性猝死相关联的已知风险因素(诸如但不限于左心室射血分数等)一起，基于上述的机器学习分类器模型来按照风险类别对患者进行分类。该装置可以包括用以在需要的情况下(例如，在检测到持续性室性心律失常或心室纤颤之后)向被检者施加诸如除颤等的治疗的体外除颤器。
风险分类方法的技术原理涉及使用如上所述的机器学习应用来开发算法。机器学习算法包括但不限于随机森林、梯度提升、神经网络以及分类和回归树。分类方法使用来自从心脏性猝死的结果已知的被检者所获得的人口统计、医疗和电生理信息的输入的任何组合，从而训练并测试分类算法。可以经由被检者的独立组群的前瞻性研究来实现风险预测算法的验证；然而，还可以使用被检者的登记的回顾性研究。可以针对各被检者获得一次采用心电图记录形式的心脏电生理信息以开发基线风险评分和/或时间间隔，从而开发可以监测风险评分的变化的时间序列。可以按规定的预定义事件间隔或者响应于诸如医师请求等的外部事件来收集电生理信息，并且该电生理信息还可用来确定风险评分和分类。
电生理数据可以包括时间长度可变的心电图记录。例如，可以针对各被检者和/或按时间间隔获得一次长度为45～60秒的记录。还可以使用长度更短或更长的记录，并且例如，这些记录可以在连续心脏电生理监测的1分钟～2周的时间范围内。使用心电图数据可以包括应用软件算法来将心脏信号处理成心脏关联度量，诸如但不限于心率、心率变异性、S-T段升高、心室早发性收缩、心律形态、早期复极化等。
非电生理数据可以包括被检者人口统计信息和医疗历史信息。被检者人口统计信息可以包括但不限于性别、年龄、体重指数、心脏病家族史、心脏诊断、合并症和左心室射血分数。
可以通过向电生理数据或者向电生理和非电生理数据应用机器学习算法来获得个体被检者的事件估计风险评分。风险评分的解释依赖于阈值设置，从而使得能够利用在临床上有意义的风险分级来对风险评分进行分类。针对各模型算法特有的，确定阈值并且可以使用被检者数据的可用登记来连续地细化该阈值。
在一些示例中，可以通过向在(包括心脏骤停和心脏停搏的)心脏性猝死的结果已知的被检者数据的登记中可利用的历史数据应用先前开发的机器学习算法来确定针对分类器模型的阈值。可以按照任意数量的标准(诸如向注册表的连续输入、心脏诊断、性别等)来选择被检者。阈值的确定可以基于预定性能标准，诸如95％的特异性或其它诊断测试性能标准等。例如，在95％的特异性的情况下，可以按值对来自测试标准具有阴性结果的一组被检者的风险评分进行排序，并且使用标准方法来确定针对第95百分位的截止值。此外，针对诸如敏感性、阳性预测值、诊断所需的数量等的其它性能标准的阈值可以是以相似方式预先确定的。
可以选择阈值以实现特异性、敏感性、阳性预测值、诊断所需的数量或其它诊断性能特性的任何在临床上有意义的水平。在示例中，针对事件估计风险评分的解释的阈值是预定义的，从而按95％的特异性实现性能。该决策确定了其它性能特性的水平。例如，在检查10000个被检者并且心脏骤停的患病率为1.4％的情况下，相应阈值将493个被检者分类为假阳性并且将9367个被检者分类为真阴性(true negative)。如果模型的敏感性性能为20％，则将28个被检者分类为真阳性(true positive)并且将112个被检者分类为假阴性(false negative)。以相似方式，可以预先指定诸如阳性预测值、阴性预测值、诊断所需的数量等的附加性能特性，从而实现预定临床意义的个体性能测量值。
在一些示例中，可以通过包含不同时间收集到的电生理信息来评价事件估计风险评分。时间序列数据可以按范围在数秒或数分钟～数天的范围内的间隔来提供更新风险评分。可以优化多个风险评分的使用以遵循任意数量的方法，从而确定被检者针对心脏性猝死的整体风险。例如，可以使用所发生的阈值以上的任何风险评分来将被检者分类为呈现高风险。此外，可以使用其它变量来评价风险，诸如但不限于风险值的变化(不断增大或不断减小)、被检者保持大于风险阈值的时间长度或基于曲线下方的面积的方法等。
与真阳性被检者相关联的事件估计风险评分的识别可以得到对被检者的健康产生影响的可行结果。风险评分的性能对于跨数秒或数分钟～数天的时间范围可以是有效的，从而得到不同的推荐动作。在被检者的风险评分大于阈值的情况下，可以采取的可能动作包括但不限于快速性心律失常的检测和除颤之间的较短时间间隔、或者医疗装置的响应按钮的禁用，从而确保治疗的及时输送。
在一些示例中，被检者的事件估计风险评分大于阈值可以使得向被检者、被检者的医疗团对或者诸如亲密家庭成员等的负责任的第三方进行直接通知。例如，被检者的高风险状况的通知可以采用文本消息、电子邮件或通过电话联系的形式。附加的被检者通知方案可以包括使用可穿戴医疗装置的音频和振动警报系统来提示患者增加他或她对穿戴该装置的依从性。还可以将高风险的通知发送至包括初级保健医师和心脏病专家的被检者的医疗团队，其中推荐这两者联系患者以评价被检者对优化的药物治疗的依从性。
图8F是根据一些实施例的用于判断事件估计风险评分和相应分类的处理的流程图。在阶段802中收集并清理来自ECG数据源和非ECG数据源的输入数据，以针对各被检者提供一组加权度量。度量可以包括但不限于心率、心室早发性收缩的计数、性别和年龄的测量。在阶段804中，应用诸如预测机器学习算法或分类器等的模型，并且生成事件估计风险评分。在阶段806中，使用基于诸如这里所述的敏感性和特异性等的性能标准的阈值(例如，预先确定的阈值)来按风险的等级解释被检者的事件估计风险评分以对风险评分进行分类。
图8G是根据一些实施例的用于确定、分类并通知事件估计风险评分的风险预测系统8000的框图。在示例中，利用风险预测系统8000(例如，利用外部医疗装置)接收患者的心电图数据(ECG)8005。(例如通过装置监测被检者的生理参数的)跨系统边界的数据的输入使得开发基于ECG的度量8010，诸如但不限于心率、心率变异性、S-T段升高、心室早发性收缩、心律形态等。在可用的情况下，可以利用人口统计数据、病史和先前获得的ECG度量8020来扩展ECG度量。将度量的完整数据集传递至分类器8030，其中该分类器8030用于针对该患者计算风险评分并且返回风险分类8040。在患者的风险分类升高得高于典型患者的风险分类、例如大于针对分类器模型所设置的阈值(例如处于针对如上所述的高风险或者升高且即时发生风险所设置的阈值)的情况下，该系统可以提示特定动作。例如，可以向外部医疗装置(例如，可穿戴除颤器)指示动作8050，诸如但不限于触发控制器的变化使得从检测到心脏骤停到治疗为止的时间缩短等。此外，检测到风险类增加可以提示系统向患者、医师、负责任的第三方、医疗团队和/或技术支持人员通知8060风险的变化。这样，可以标记风险类增加的患者以供更频繁的将来观察。例如，在一些实现中，根据风险分类，看护者和/或技术支持人员可以使外部医疗装置进行特定附加动作。
在一些实现中，如果患者被分类为处于包括较高的即时发生风险分类的高风险(例如，0.425以上)，则看护者和/或技术支持人员可以使外部医疗装置开始将患者的ECG数据8005(和/或其它生理数据)实时地或大致实时地流传输至远程服务器(例如，箭头8065)，以供附加监测和分析用。在一些示例中，可以增加针对这种患者的报告和/或度量测量和分析的时间段(例如，从每几小时或更多小时一次到每小时一次)。在一些示例中，可以在患者保持处于高风险分类的时间段期间开始患者的状况和各种生理参数的附加监测和/或报告。
在一些实现中，如果患者被分类为处于高风险但认为不必进行立即动作(例如，在上述示例中为0.425以上且小于0.52)，则医师或技术支持人员可以开始患者的生理状况的更频繁报告(例如，患者的状况的医疗报告)或者开始流传输ECG数据。此外，如果患者被置于即时发生风险分类(例如，0.52以上)，则医师或技术支持人员可以进行附加动作，例如包括指示外部医疗装置的更频繁检查以及/或者确保使连续监测的停机时间保持为最低限度。
在心脏停搏的预测的情况下，可以采取的动作包括但不限于向患者和负责任的第三方通知寻求就医以及向负责任的医疗团队通知该患者的风险状况。在图11和12中示出并且这里与图11和12有关地论述了可采取的其它动作。
在一些实施例中，控制单元120可以通过监测被检者的一个或多个生理测量值或参数来计算事件估计风险评分，从而检测被检者的一个或多个状态中的突然变化。这些变化可以表示被检者的基础状态的不稳定性以及/或者与被检者有关的一系列数据的统计变化。状态变化可以在包括心脏骤停、呼吸停止、心脏停搏、非突发死亡或其它医疗事件的医疗事件之前按天、小时、分钟或秒发生。参考图8H，在阶段750中，可以(例如通过控制单元120)从被检者的ECG信号中提取多个生理测量值或参数。控制单元120可以存储所提取的生理测量值，并且使用这些生理测量值来实时地或通过事后分析来分析被检者的ECG。如以下更详细地所述，控制单元120可以将所提取的测量值或参数的全部或一部分组合成多元参数信号并且处理或分析该多元参数信号。
从ECG信号所提取的一个或多个生理测量值可以包括心率、心率变异性、PVC负担或计数、活动、噪声量化、心房颤动、瞬时停顿、心率震荡、QRS高度、QRS宽度、形态的大小或形状的变化、余弦R-T、人工起搏、校正QT间隔、QT变异性、T波宽度、T波交替、T波变异性、ST段变化、早期复极化、晚电位、碎裂型QRS/HF含量和碎裂型T波/HF含量。
控制单元120可以检测ECG信号中的基准点(例如，与P波、Q波、R波、S波和T波相对应的点)，以从生理参数数据中提取个体测量值(例如，QRS、PVC等)。例如，QT间隔可以提供被检者的心力衰竭的测量值，并且可以根据生理参数信号来确定并提取Q点和T点之间的距离。
图8I示出控制单元120在供提取的ECG信号中识别出PVC参数的双导联ECG信号。例如，控制单元120可以向ECG信号应用QRS检测器和PVC检测器以提取QRS测量值和PVC测量值。所提取的QRS测量值和PVC测量值以及/或者利用QRS检测器和PVC检测器所确定的基准点可由控制单元120用来识别并提取ECG信号中的各种其它测量值或参数(例如，HRV、RR间隔等)。例如，可以通过AFIB检测器、暂停检测器、步速检测器、形态检测器、T波检测器和/或控制单元120中的用于从ECG信号中提取测量值或参数的任何其它检测器来使用来自QRS检测器和PVC检测器的输出。例如，如在(Kohler,Hennig等人)The Principles of SoftwareQRS Detection,IEEE ENGINEERING IN MEDICINE AND BIOLOGY,(2002年1月/2月)中所述，QRS检测器、PVC检测器和其它检测器是本领域内众所周知的，其中该文献的全部内容通过引用包含于此。
可以从位于可穿戴医疗装置100或医疗支持装置305或被检者身体的其它部位的加速度计中接收加速度计数据流，以检测被检者呈垂直还是水平、或者被检者的其它活动和/或移动。例如，可以利用与由于胸外按压所引起的被检者的移动或者被检者的其它移动有关的数据来从被检者的ECG信号中去除由于被检者的移动所引起的ECG信号伪影。加速度计可以是3轴加速度计，其中可以使用该三轴加速度计来使姿势(例如，仰卧被检者的倾斜程度)与被检者的ECG的变化相关。
在一些实现中，被识别为属于增加风险类的患者(例如，被分类为处于“即时发生风险”或“高风险”的患者)可以出现一个或多个动作。例如，医疗装置可以响应于患者被识别为属于增加风险类来调整一个或多个操作参数。在一些实现中，医疗装置可以调整用于判断发生了医疗事件还是有可能发生医疗事件的一个或多个阈值。例如，如果患者容易发生特定心脏状况，则医疗装置可以放松针对用于诊断特定心脏状况的生理参数的一个或多个阈值要求(例如，以使假阴性为最低限度)。
在一些实现中，响应于患者被识别为属于增加风险类，可以禁用医疗装置的一个或多个非必要功能，或者可以使非必要功能的执行的频率为最低限度。例如，医疗装置可以进入仅必要的医疗操作继续运行的省电模式。在一些实现中，医疗装置可以避免检查并安装(例如，针对软件和/或固件的)自动更新。在一些实现中，医疗装置可以减少可能消耗相对大量电池电力的显示装置和其它视觉装置的超时。在一些实现中，医疗装置可以避免或降低进行自检的频率。
再次参考图8H，在阶段752中，控制单元120可以向可被表示为多元参数信号的所提取的测量值或参数应用变点(CP)分析，以确定一个或多个变点。可以使用数学技术来分析多元参数信号的数据流，以判断是否发生变化、该变化的性质、该变化的重要性水平和/或发生变化的置信度。可以使用这些因素各自来判断响应于所检测到的变化(在存在的情况下)何种动作是适当的。通常，用于检测被检者的参数或特性的变化的方法可以包括：确定信号的初始统计特性并且针对任何显著的持续性变化来分析该信号。例如，通过(M.Basseville&I.Nikiforov,(1993).Detection of Abrupt Changes:Theory andApplication.Prentice Hall,Englewood Cliffs,NJ.)和(Pettitt A.N.,(1980).Asimple cumulative sum type statistic for the change point problem with zero-one observations.Biometrika,67:79-84)描述了变点分析所用的已知技术，其中这些文献的全部内容通过引用而包含于此。可以采用诸如Shewhart控制图等的变点分析所用的其它已知方法来检测特性的变化并且评估所检测到的变化是否具有足够的大小。
控制单元120可以按从信号开始起直到第一个或任何后续变点为止的间隔或者按从信号开始起直到期望时间点为止的间隔来确定多元参数信号的基线。控制单元120可以在阶段754中针对基线或任何其它时间段按各种时间间隔向多元参数信号的所提取参数应用距离分析。可以使用所检测到的变点或其它任意时间点来确定时间间隔。例如，这些时间间隔可以位于多元参数信号中的相应变点附近。如图8J所示，可以将构成多元参数信号的所提取的示例参数信号(例如，QRS高度、maxNN、sdNN和去趋势心率)分成时间间隔。例如，可以使时间间隔R2(例如，事件时间(eventTime))与多元参数信号的变点相关联。控制单元120可以针对各时间间隔计算多元参数信号的方差、均值、中值、标准偏差或其它统计值，并且判断针对从基线起的各时间间隔的统计值的距离是否满足一个或多个阈值。例如，可以将针对与多元参数信号的变点相关联的给定时间间隔Ri所计算出的均值与基于从多元参数信号开始起直到在该多元参数信号中所检测到的第一变点为止的时间间隔而确定出的基线RB进行比较，以确定两个评分之间的距离，即Di＝Ri–RB，其中：RB是基线评分，Ri是针对间隔i的评分，并且Di是针对间隔i的两个评分之间的距离。
所确定的距离可以与通过异常检测(例如，神经网络、基于密度的技术、支持向量机、聚类分析、集成技术或异常检测所用的任何其它已知处理)输出的异常评分相组合地使用，并且可以由控制单元120中的分类器应用于多元参数信号，以确定被检者的事件估计风险评分。控制单元120可以连续地或者按所设置的间隔(例如，按所设置的时间间隔或按与各变点相对应的时间间隔)确定异常评分。图8K示出针对被治疗被检者的示例异常评分的多元求和。例如，与图8H中的阶段752的变点分析和阶段754中的距离分析并行地，在阶段756中，控制单元120可以向多元参数信号应用异常检测。例如，控制单元120可以在多元参数信号的基线时间段上训练神经网络，并且将所训练的神经网络应用于多元参数信号以确定被检者的异常评分。因此，通过变点分析和神经网络这两者来生成用于确定事件估计风险评分的度量或参数。控制单元120可以执行多元参数信号的三个单独分析，其中这三个单独分析包括基线参数差异测量、组合异常检测大小值和来自异常检测算法的原始单参数输出。可以具有多个参数作为输出的这三个分析各自可被馈送至分类器或者可采用逻辑回归、模糊逻辑、传统的“if then else”或“阈值”逻辑的形式的其它决策逻辑，以确定事件估计风险评分。图8L示出包括用于根据200个患者的示例测试集来预测医疗先兆事件的敏感性百分比和特异性百分比的状态变化结果。
在阶段758中，控制单元120中的分类器接收与各时间间隔相对应的距离和异常评分，并且基于这些距离和异常评分来确定事件估计风险评分。控制单元120中的分类器使用一个或多个机器学习处理来针对时间间隔对距离和相应异常评分进行分类。
可以使用机器学习来训练分类器的决策阈值。例如，分类器可以是使用多个决策树的随机森林分类器，以提高分类率。决策树学习是数据挖掘中通常用来创建基于多个输入变量来预测目标变量的值的模型的方法。在假定利用从根到叶的路径来表示输入变量的值的情况下，决策树中的各内部节点与输入变量其中之一相对应，并且各叶表示目标变量的值。决策树如此提供用于对示例进行分类的简单表示，并且是监督分类学习所用的最成功技术其中之一。
可以利用各种模型来定义如图8H所述的用于计算事件估计风险评分的处理。图8M示出多元特征选择处理，其中该多元特征选择处理用于确定在模型中使用从多元参数信号所提取的多个度量中的哪些度量来确定事件估计风险评分。多元特征选择处理可以针对所提取的参数的所有可能组合来评价模型以确定要用于该模型的最佳参数。
定义如图8H所述的处理的实时预测模型可以针对优化参数来优化多元参数曲线下方的面积，以确定受试者工作曲线。
包括附加临床病史变量还可以提高图8H所呈现的实时模型。病史变量可以包括年龄、BMI、性别等中的一个或多个。在一些实施例中，可以根据病史变量来对患者进行聚类。可以针对根据病史分析而产生的各个聚类来开发不同的实时模型。
定义如图8H所述的处理的基线模型可以仅针对基线时间段评价第一时间间隔。例如，基线模型可以仅评价被检者的最初12个小时的生理参数数据，例如将最初6个小时的基线与下一6个小时的第一时间间隔进行比较，以预测将来时间段(例如，下周或下两周)内的风险。
可以使用评分模型或数学模型(诸如基于逻辑回归的模型等)来计算事件估计风险评分。可用来计算事件估计风险评分的示例性逻辑回归模型包括单变量分析和多元非线性回归。
控制单元120可以向来自心血管被检者和非心血管被检者的样本的数据应用逻辑回归数学模型。可以利用心血管被检者和非心血管被检者的人口统计参数(例如，年龄)、生命体征和其它ECG参数的组合来单独对逻辑回归数学模型进行拟合。可以通过受试者工作特性(receiver operating characteristic，ROC)分析、敏感性分析、特异性分析、阳性预测值(PPV)分析和/或阴性预测值(NPV)分析来分析估计风险。基于逻辑模型，定期(例如，按约每10秒)生成可以包括0～100％的评分的事件估计风险评分。可选地，计算事件估计风险评分的间隔可以是感知到的风险的函数。例如，事件估计风险评分的计算的频率可以随着前一间隔的估计风险评分的增加(例如，在判断为前一间隔的事件估计风险评分满足用于增加计算的频率的阈值水平时)而增加。
作为通用函数的还已知为Fisk分布的对数逻辑分布提供了生存分析所用的参数模型。不同于更常用的Weibull分布，对数逻辑分布可以具有非单调风险函数：在形状参数β>1的情况下，该风险函数是单峰的(在形状参数β≤1的情况下，风险函数单调递减)。累积分布函数可以是采用闭合式编写的，这对于分析具有删失(censoring)的生存数据而言特别有用。通过使得还可以作为分布的中值的尺度参数α在组之间不同、或者更通常地通过建模log(α)作为协变量的线性函数来引入影响尺度参数α但不影响形状参数β的协变量，可以使用对数逻辑分布作为加速失效时间模型的基础。
通过以下的等式(4)来表示生存函数：
S(t)＝1-F(t)＝[1+(t/α)β]-1(4)
其中：S(t)是被检者的作为时间函数的生存性，例如S(t)可以是将通常与一些系统的死亡或失效相关联的一组事件(例如，医疗先兆事件)映射到时间上的任意随机变量的性质，生存性函数S(t)捕获系统(例如，被检者)将生存(例如，不经历医疗先兆事件)超过指定时间t的概率；F(t)是作为时间t的函数的失效分布，其是用于描述(至少)直到时间t(包括时间t)为止的失效的概率的累积分布函数；t是时间；α是尺度参数；并且β是形状参数。
因而，通过以下的等式(5)来表示风险函数：
Figure BDA0003177389630000831
其中：h(t)是作为时间函数的风险率或风险函数，其随着Δt趋于零而变为瞬时失效率；f(t)是作为时间t的函数的密度函数，其是连续随机变量的密度，即用于描述随机变量取给定值的相对可能性的函数；S(t)是等式(4)的生存函数；t是时间；α是尺度参数；并且β是形状参数。可以针对生存函数S(t)和/或风险函数h(t)来计算置信区间和置信带。
针对不同的时间段来计算单独的事件估计风险评分。时间间隔可以是更精细地间隔开的，诸如按分钟、秒或毫秒等，以提供例如图6B所示的有效连续的估计风险评分。可穿戴医疗装置100可以将事件估计风险评分显示为列表，可以基于来自用户的用户输入选择来显示来自列表的一个或多个评分，以及/或者将显示为曲线的风险示出在显示器上。可穿戴医疗装置100如此可以进行时间依赖的事件估计风险计算和演变，并且将结果显示给被检者或医疗专业人员。
如内容通过引用包含于此的美国临时专利申请号61/945,424所述，控制单元120可以进行心电向量图向量环分岔。现在参考图9，示出用于基于T波分岔的识别来确定心脏风险指示的示例方法770。在一个实施例中，方法770由可穿戴医疗装置100或医疗支持装置305来实现。然而，其它实施例也是可以的。
在阶段772中，通过记录包括ECG信号的一个或多个类型的生理数据来监测患者。该ECG信号可以是从患者ECG数据的任意适当源接收到的。例如，可以从安装至患者的两个或更多个或者三个或多个ECG电极实时地接收ECG数据，或者可以从存储装置接收先前记录的数据。ECG数据可以具有任意适当类型。可以从患者身体的表面上的多个导联部位记录ECG数据。在一些实现中，可以基于利用10个ECG电极得到的信号来求出标准的12导联ECG记录(例如，导联I、II、III、aVR、aVF、aVL、V1、V2、V3、V4、V5和V6)。可以使用安装至适当身体部位的任意适当数量的ECG电极。其它ECG导联系统的示例包括“Frank”电极导联系统(例如，六个电极)、McFee-Parungao导联系统、SVEC III导联系统、Fischmann Barber-Weiss导联系统和Nelson导联系统。其它示例包括右侧心前导联、后导联以及放置于较高或较低的肋间空间中的导联等。
在一些实现中，可以将与ECG数据的源有关的信息提供至可穿戴医疗装置100或医疗支持装置305。例如，可穿戴医疗装置100或医疗支持装置305可以基于ECG数据的源(诸如ECG导联相对于心脏、身体或其它导联的位置等)来改变显示和/或分析工具的配置。在一些实现中，患者监测装置可以进行实时ECG信号预处理。实时ECG信号预处理可以包括：利用高通滤波器去除DC成分，放大ECG信号，利用低通滤波器限制信号带宽，以及对ECG信号进行数字采样。在一些实现中，ECG信号是连同附加患者数据一起接收到的，其中该附加患者数据包括患者统计数据、其它生理数据记录、病史、身体检查发现和用户可能请求的其它医疗信息。可以将患者数据与数据处理和显示所用的患者特有ECG数据相结合地使用，或者可以使用患者数据来关联从ECG数据中提取的信息。在阶段774中，基于所接收到的ECG信号来确定(例如，生成)VCG信号。ECG数据提供了如具有位于患者心脏中心的原点的偶极子那样被处理的用于描述心脏的电活动的时间依赖电压。多个ECG导联部位提供了用于反映整体心脏电活动的不同的时间依赖电压波形。可以通过近似心脏的电活动来计算表示时变的电偶极子的大小和姿势的时间依赖心脏向量。
另外，在阶段774中，可以使用三个或更多个ECG导联，以通常通过使用VCG向量的表示的X、Y、Z正交分量生成心电向量图。可以使用转换矩阵来将特定一组导联转换成VCG向量的Vx、Vy、Vz正交分量。在一些实现中，可以使用逆变换(例如，逆Dower矩阵、Levkov矩阵)来根据ECG求出VCG心脏向量。可以使用任何转换方法来基于ECG数据生成VCG心脏向量。
在阶段776中，确定包括ECG周期的一部分的循环轨迹。ECG周期的该部分可以是P、QRS或T波。确定ECG周期的该部分可以包括：检测ECG周期的该部分的起点和ECG周期的该部分的结束，基于检测到ECG周期的该部分的起点和ECG周期的该部分的结束来隔离ECG周期的该部分，以及对ECG周期的隔离部分进行过滤。可以针对所接收到的ECG的各心动周期确定ECG周期的该部分。
在一些实现中，使用与多个心动周期有关的信息来计算多个心动周期的表征值以生成控制循环轨迹并存储该控制循环轨迹。在一些实现中，表征值可以包括与多个心动周期相对应的循环轨迹的样条估计。
可以使用统计形状分析来表征循环或循环组。例如，可以在监测会话开始时自动生成控制循环轨迹组。可能存在针对可穿戴医疗装置100或医疗支持装置305的用户输入，以使得用户能够手动发起控制循环轨迹组的新获取。该控制组可以包括两个或更多个ECG周期，尽管更通常将包括30秒～5分钟的ECG数据。该时间段可被配置在患者监测装置的非易失性存储器中。
在阶段778中，表征控制循环组。针对不同的心动周期的循环轨迹进行分析(在一些示例中为统计分析)。如此，控制循环的形状表示控制窗期间所观察到的循环轨迹的形状的经常采用均值的形式的统计表示。
在一些示例中，仅使用奇数搏动或偶数搏动来生成控制或测试循环轨迹。这样，该分析可以针对T波交替的效果进行分析。因而，控制组可以是时间段中的每个奇数元素，并且测试组可以是相同时间段中的每个偶数元素，反之亦然。这将提供T波交替的更准确的测量值。在一些实现中，可以使用分析中的组的每第k个循环Lk来确定控制和/或测试组的形状特性。例如，对于k等于3，控制组将包括原始控制组的第1个、第4个、第7个、第10个等。测试组将包括控制组获取时间段结束之后的第2个、第5个、第8个等。可以针对每个循环(例如，第3个、第6个、第9个等，然后第4个、第7个、第10个等)更新测试组。
在一些实现中，针对k的任何特定值，可以创建控制时间段间隔的多个子组，例如对于k＝4，子组可以从循环1、2、3或4开始，从而使用这种方法作为统计形状分析来创建形状表征值所用的4个不同的循环组。可以通过分析子组的形状的统计方差并选择在形状上与最低方差最协调一致的子组，来选择这些子组内的一个组作为控制组。因而，对于多达8或10个间隔中的各间隔或者利用微处理器在现有技术的状态下实际计算出的间隔，可以甚至与每个新循环一样快地针对k的各值或定期创建控制组，还可以将测试组分解成k个子组并且针对轨迹分岔的程度来与控制子组进行比较。
在一些实现中，表征值可以基于与多个心动周期相对应的循环轨迹的平均值或中值。在阶段780～786中，生成测试循环轨迹组。
在阶段780中，开始针对新的测试循环组的分析。新的测试循环组的该分析可以基于时间阈值(例如，按每10分钟或每30分钟分析新的一组15个循环)，或者可以基于诸如增加风险评分或表示患者状况的变化的另一因素等的生理触发。在步骤782中，针对将包括在该测试循环组中的特定搏动来确定VCG循环轨迹。例如，可以使用两个或更多个ECG导联，以通常通过利用VCG向量的表示的X、Y、Z正交分量来生成心电向量图。在步骤784中，系统判断是否达到测试组的长度。例如，测试组的大小可以基于循环的阈值数量和/或基于时间的阈值。如果没有达到该长度，则系统继续确定要添加至测试循环轨迹组。如果已达到该长度，则在阶段786中，系统表征测试循环组。
阶段776(控制循环)和782(测试循环)中所确定的循环轨迹至少可以是三维的。例如，第一维度可以包括循环轨迹的第一空间分量，第二维度可以包括与第一维度垂直的循环轨迹的第二空间分量，并且第三维度可以包括与第一维度和第二维度垂直的循环轨迹的第三空间分量。在一些实现中，循环轨迹可以包括三维以上的维度。例如，第四维度可以包括与ECG信号配准的附加生理信号。
在阶段788中，系统将控制循环组与测试循环组进行比较。在阶段790中，通过将测试循环轨迹与控制循环轨迹进行比较来识别轨迹分岔。在一些实现中，可以基于统计分析来识别轨迹分岔。例如，可以将针对ECG信号的一部分而发生的并且超过控制循环轨迹的标准偏差的、循环轨迹相对于控制循环轨迹的变化识别为轨迹分岔。在一些示例中，轨迹分岔的识别所使用的统计分析可以是非高斯统计分析。
在一些实现中，轨迹分岔识别的动作可以包括：计算循环轨迹的面积；以及从控制循环轨迹的面积中减去循环轨迹的面积。在一些实现中，轨迹分岔的识别导致自动生成分岔。
在一些实现中，至少重复三次阶段790以比较多个心动周期的至少三个连续心动周期的轨迹分岔，从而确定轨迹分岔的趋势并基于该趋势来定义情景轨迹分岔。可以在多个心动周期内周期性地重复用于识别轨迹分岔的动作。例如，在确定控制循环轨迹之后，可以针对所记录的各心动周期来识别轨迹分岔。
在阶段792中，可以基于轨迹分岔的识别来生成事件估计风险评分。在一些实现中，事件估计风险评分可以包括基于轨迹分岔的识别的心脏风险评分(例如，定量风险估计值)。
在将与实时数据有关的系统用于被检者之前，可以将向量循环分岔测量值与其它被检者健康和人口统计信息进行组合，以创建回顾性被检者健康和人口统计信息以及医疗恶化(诸如心脏骤停等)的关联时间和严重度的数据库。利用本领域技术人员众所周知的建模技术(诸如线性或非线性回归分析等)，可以估计生存函数所用的参数以及还已知为Fisk分布的诸如对数逻辑函数等的关联置信区间。
在一些实现中，诸如内容通过引用而全部包含于此的美国专利8,668,644所述，代替与被检者人口统计数据和其它信息相组合的向量循环分岔度量或除该向量循环分岔测量值外，还可以使用心率变异性测量值，其中：使用年龄的人口统计参数；温度、脉搏率、呼吸速率、收缩压(SBP)、舒张压(DBP)、SpO2和疼痛评分的生命体征参数；以及平均RR间隔、STD、平均心率(avHR)、标准偏差心率(sdHR)、RMSS、nn50(计数)、pnn50(％)、RR间隔三角指数、TINN(ms)、LS-VLF功率(ms2)、LS-LF功率(ms2)、LS-HF功率(ms)、LS总功率(ms2)、LS-LF功率(nu)、LS-HF功率(nu)和LS-LF/HF比的HRV参数。
在一些实施例中，控制单元120应用可被称为“反向迷宫”方法的医疗先兆事件估计和检测类的算法以计算事件估计风险评分。一般概念在于：通过从迷宫目的地点返回到迷宫入口，迷宫有时更容易解决。反向迷宫方法可以使用强度较低或危急度较低的医疗先兆事件来预测强度较高或危急度较高的医疗先兆事件。
可以按照如下所述在从不太强烈到更加强烈的强度(或危急度)水平的方面对医疗先兆事件排序：1)T波异常；2)异位搏动；3)一连串异位搏动(通过异位搏动的量来标度)；4)一连串室性心动过速(通过一连串心动过速的持续时间和/或室性搏动的数量来标度)；5)室性纤颤。可以将医疗先兆事件危急度的相似标量用于心动过缓事件并且按照如下所述进行排序：1)QRS持续时间增加；2)心率下降(按心率下降％来标度)；3)间歇性心脏传导阻滞(按阻滞的持续时间来标度)；4)完全性心脏传导阻滞和心室逃逸(按阻滞的持续时间来标度)；5)心脏停搏。
与诸如异位搏动等的离散发生的事件的参数相比，存在连续的一些参数(诸如T波测量值、心率、QRS宽度、脉搏血氧饱和度或其它生理参数测量值)。因此，在一些实施例中，可以使用在更加连续的基础上测量到的参数，以使估计风险精度从危急度较低的医疗先兆事件增加为危急度更高的医疗先兆事件。多维参数空间可以是M维参数空间，其中M＝J+K+L，J是被检者历史和人口统计数据的元素数量；K是诸如生命体征测量值、ECG、SpO2、呼吸速率等的生理参数的数量；并且L是不同事件类型的数量。1×M维向量追踪空间中的轨迹，其中各个参数的更新率可以是：1)规则的，例如ECG的利用机器采样的传感器输入等；2)半规则的，诸如利用护士或其它看护者手动测量并输入的生命体征参数等；或者3)不规则事件。
在一些实施例中，在利用所收集到的被检者数据和关联结果的数据库进行工作时，可以在反向迷宫算法开发的训练时间段内定义用于检测“有形”、“中间水平”或“高阶”类型的医疗事件的阈值。可以按照经验来设置阈值以使检测性能最大化，或者作为替代，可以采用众所周知的统计信号处理方法来自动或半自动地设置阈值，以优化检测性能并使诸如受试者工作特性(ROC)等的性能测量值最大化。训练数据库可以包括数量基本相等的经历了医疗状况恶化(在心脏事件的情况下为心脏骤停)的被检者以及没有经历医疗状况恶化的被检者。
反向迷宫方法在存在恶化的被检者的情况下从医疗状况的恶化起反向工作，或者针对不存在医疗状况恶化的被检者从所记录文件结束起反向工作。如在本段中针对心脏骤停的直接前体先兆事件所述，设置阈值水平，使得用于检测这些直接前体先兆事件的敏感性最大化，并且通过不使这些直接前体先兆事件出现在针对不存在心脏骤停的被检者的文件中的任何位置处来使特异性最大化。优选地，针对不存在心脏骤停的被检者的文件至少应为针对风险估计所期望的时间段的长度。在存在直接前体先兆(IPP)事件并且还存在心脏骤停(IPPCA)的文件中，可以计算风险和时间的概率以及/或者误差带。对于IPPCA，可以经由上述方法来针对紧挨在IPP之前的医疗先兆事件设置阈值。该处理继续以这种方式返回，并且使用阈值来检测在实时地应用于被检者期间的所有类型的事件。
在算法开发的训练时间段内，在初始建立了事件检测所用的阈值之后，将数据库划分为存在医疗状况恶化(在心脏事件的情况下为心脏骤停)的被检者以及不存在医疗状况恶化的被检者的单独集合。
使用M维参数空间，可以使用诸如导弹和卫星追踪等的应用所使用的追踪算法(例如，Kalman滤波器或粒子滤波器等)来进行向量循环路径的估计和预测。使用最近事件的位置以及轨迹的方向和路径的估计来估计在将来的某时间点发生的强度更高的医疗先兆事件的风险和确定程度(例如，置信带)。随着更多的各种类型的事件的发生，可以更好地估计轨迹路径以及未来的轨迹路径的估计，并且在风险估计时，为了更多的确定性，可以缩小估计的置信带。
Kalman滤波器通过使用反馈控制的形式来估计处理。Kalman滤波器估计某时间的处理状态，然后获得采用(含噪声)测量值的形式的反馈。如此，Kalman滤波器所用的方程分成两组：时间更新方程和测量值更新方程。时间更新方程负责使当前状态和误差协方差估计值(在时间上)向前推进，以获得针对下一时间阶段的先验估计值。测量值更新方程负责反馈，即负责使新的测量值并入先验估计值以获得改进的后验估计值。时间更新方程还可被认为预测方程，而测量值更新方程可被认为校正方程。实际上，最终估计算法类似用于对数值问题进行求解的预测校正算法。
为了在假定仅含噪声的观察序列的情况下使用Kalman滤波器来估计处理的内部状态，必须根据Kalman滤波器的框架来对处理进行建模。这意味着针对各时间步长k指定以下度量：状态转变模型Fk；观察模型Hk；处理噪声的协方差Qk；观察噪声的协方差Rk；以及有时为控制输入模型Bk。Kalman滤波器模型假定了根据等式(6)从(k-1)时的状态来演变时间k处的真实状态：
xk＝Fkxk-1+Bkuk+wk (6)
其中：Fk是应用于先前状态xk-1的状态转变模型；Bk是应用于控制向量uk的控制输入模型；wk是假定从具有协方差Qk的零均值多元正态分布引出的处理噪声，即wk～N(0,Qk)。
在时间k处，根据等式(7)来进行真实状态xk的观察(或测量值)zk：
zk＝Hkxk+vk (7)
其中：Hk是将真实状态空间映射到观察空间的观察模型，并且vk是假定为具有协方差Rk的零均值高斯白噪声的观察噪声，即vk～N(0,Rk)vk。假定初始状态以及各步骤的噪声向量{x0,w1,...,wk,v1...vk}全部相互独立。
Kalman滤波器是递归估计器。这意味着仅需要来自先前时间步长的估计状态和当前测量来计算当前状态的估计值。与批量估计技术相对比，不需要观察和/或估计值的历史。在下文，符号
Figure BDA0003177389630000911
表示考虑到直到时间m(包括时间m，m≤n)的观察的时间n处的估计值x。
利用两个变量来表示滤波器的状态：考虑到直到时间k(包括时间k)的观察的时间k处的后验状态估计值
Figure BDA0003177389630000912
后验误差协方差矩阵(状态估计值的估计精度的测量值)Pk|k。
Kalman滤波器可被编写为单个方程，然而最经常被概念化为“预测”和“更新”这两个不同阶段。预测阶段使用从先前时间步长起的状态估计值来产生当前时间步长的状态的估计值。该预测状态估计值还已知为先验状态估计值，这是因为，尽管该预测状态估计值是当前时间步长的状态的估计值，但该预测状态估计值不包括从当前时间步长起的观察信息。在更新阶段，将当前先验预测与当前观察信息相组合以细化状态估计值。该改进的估计值被称为后验状态估计值。
通常，以下两个阶段交替：预测使状态提前直到下一预定观察为止；以及更新包含观察。然而，这并非必需的；如果观察由于某种原因而不可用，则可以跳过更新并且进行多个预测步骤。同样，如果同时可利用多个独立观察，则(通常利用不同的观察矩阵Hk)可以进行多个更新步骤。
可以通过以下等式(8)来表示预测(先验)状态估计值：
Figure BDA0003177389630000921
可以通过以下等式(9)来表示预测(先验)状态协方差：
Figure BDA0003177389630000922
可以通过以下等式(10)来表示创新或测量残差：
Figure BDA0003177389630000923
可以通过以下等式(11)来表示创新(残留)协方差：
Figure BDA0003177389630000924
可以通过以下等式(12)来表示最佳Kalman增益：
Figure BDA0003177389630000925
可以通过以下等式(13)来表示更新(后验)状态估计值：
Figure BDA0003177389630000931
可以通过以下等式(14)来表示更新(后验)估计协方差：
Pk|k＝(I-KkHk)Pk|k-1 (14)
测量更新期间的最初任务是计算Kalman增益Kk，并且下一阶段是实际测量处理以通过并入测量值zk来获得并生成后验状态估计值。最终阶段是获得后验误差协方差估计值Pk。在每次和测量更新对之后，利用所使用的先前的后验估计值来重复该处理，以投射或预测新的先验估计值。该递归性质是Kalman滤波器的非常有吸引力的特征其中之一，并且该递归性质使得实际实现与例如被设计成对各估计值直接所用的所有数据进行操作的Wiener滤波器的实现相比更加可行。作为代替，Kalman滤波器递归地调节针对所有过去测量的当前估计值。因而，等式(13)被称为预测方程。
Kalman滤波器的一个主要限制是Kalman滤波器对在生理设置中不经常遇到的具有高斯分布的线性系统进行建模。用以对非高斯非线性滤波的问题求解的算法的示例是扩展Kalman滤波器(EKF)。EKF基于用于使用泰勒级数展开来使测量值和演变模型线性化的原理。然而，EKF算法中的级数近似可能导致所关注的非线性函数和概率分布的表现变差。结果，EKF可能发散。基于与近似任意非线性函数相比近似高斯分布更容易这一假设，其它研究人员已开发了被称为无损Kalman滤波器(UKF)的滤波器。已经表明，UKF与EKF相比得到更准确的结果，并且UKF生成状态的协方差的更佳的估计值(EKF经常似乎低估了该量)。然而，UKF存在以下限制：UKF没有应用于一般的非高斯分布，这对于ECG谱分布而言经常是这种情况。还已知为粒子滤波器的序列蒙特卡罗方法克服了该限制，并且使得能够进行这些状态的后验分布的完整表示，使得可以容易地计算出诸如均值、众数、峰度和方差等的任意统计估计值。因此，粒子滤波器可以处理任意非线性或分布。粒子滤波器依赖于重要性采样，结果需要可以非常合理地近似后验分布的建议分布的设计。通常，难以设计这些建议。最常见的策略是从状态演变的概率模型(转变之前)进行采样。然而，如果在先验的尾部中出现新测量值、或者如果与先验相比可能性的峰值太大，则该策略可能失败。
如内容通过引用而全部包含于此的Wan,Eric A.和van der Merwe,Rudolph的“The Unscented Kalman Filter for Nonlinear Estimation”(2000)所公开的，一些其它实现使用已知为无味粒子滤波器(UPF)的估计/预测轨迹追踪技术。例如，以下的表2提供了可用于计算事件估计风险评分的无味Kalman滤波器(UKF)方程。
表2
Figure BDA0003177389630000941
Figure BDA0003177389630000951
例如，对于初始化t＝0并且对于i＝1,…N，根据以下的等式(15)、(16)、(17)和(18)来从先验p(x0)引出状态(粒子)x0 (i)并且进行设置：
Figure BDA0003177389630000952
Figure BDA0003177389630000953
Figure BDA0003177389630000954
Figure BDA0003177389630000955
对于t＝1,2,…，重要性采样步骤：针对i＝1,…N：根据以下的等式(19)、(20)、(21)、(22)、(23)、(24)、(25)、(26)、(27)、(28)和(29)，利用UKF来更新粒子：
计算西格玛点数：
Figure BDA0003177389630000961
预测将来粒子(事件更新)
Figure BDA0003177389630000962
Figure BDA0003177389630000963
Figure BDA0003177389630000964
并入新观察(测量值更新)
Figure BDA0003177389630000965
Figure BDA0003177389630000966
Figure BDA0003177389630000967
Figure BDA0003177389630000968
-采样
Figure BDA0003177389630000969
-设置
Figure BDA00031773896300009610
和
Figure BDA00031773896300009611
对于i＝1,…N，评价重要性权重，直到归一化常数为止：
Figure BDA00031773896300009612
对于i＝1,…N，使重要性权重归一化。
根据以下的等式(30)、(31)、(32)和(33)来进行选择步骤：
分别利用高/低重要性权重
Figure BDA0003177389630000971
来乘以/抑制粒子
Figure BDA0003177389630000972
以获得N个随机粒子。
a)输出：算法的输出是可用于按照如下所述近似后验分布的一组样本：
Figure BDA0003177389630000973
针对一些关注函数gt(例如，边际条件均值或边际条件协方差或其它矩)，得到以下估计值：
Figure BDA0003177389630000974
在发生强度较低的医疗先兆事件之后，多个潜在的更大和更小的医疗先兆事件“潜伏”在将来的多参数空间中。基于使用这里所述的方法中的一个或多个方法所估计出的向量轨迹，可以计算这些将来医疗先兆事件中的任一个医疗先兆事件发生的可能性或概率。医疗先兆事件可被视为顺次取向的“突发事件”或文字，并且还可以采用诸如Viterbi(维特比)或隐马尔可夫模型(HMM)方法等的解码方法来提高估计和检测精度。可以使用一个或多个细化方法(例如，集合预测)来细化向量轨迹估计值和医疗先兆事件估计值的不确定性。
集合预测是用于尝试生成动力系统的可能将来状态的代表样本的数值预测方法。集合预测是蒙特卡罗分析的形式：使用考虑到观察或测量的过去和当前集合而全部看似合理的略微不同的初始条件来进行多个数值预测。有时，集成预测可以使用针对不同成员的不同预测模型或者预测模型的不同公式。进行多次模拟以说明预测模型中的不确定性的两个常见源：(1)通过使用被动力系统的演变方程的混沌性质放大后的不完善初始条件所引入的误差(经常被称为对初始条件的敏感依赖性)；(2)由于模型公式(诸如用以对方程进行求解的近似数学方法等)中的不完善所引入的误差。理想地，已验证的将来动力系统状态应落在预测集合扩散内，并且扩散量应与预测的不确定性(误差)有关。
诸如AED等的体外除颤器、具有咨询算法的手动除颤器、以及可穿戴除颤器将与电击有关的ECG数据分类为“可电击”节律和“不可电击”节律这两组。对于特定时间段(例如，约1小时以下的时间段)，特别是针对可穿戴除颤器，可以至少定义第三类别。该第三类别可被描述为“被检者应当无意识、但出人意料仍然站立”的情形。更为技术地，该第三类别可被描述为生理状况失调或仅仅是“状况失调”(SD)。参考图10，上方的ECG波形1002示出利用示例被检者的前后(FB)电极结构所记录的针对该被检者的速率约为120BPM的宽且复杂的室性自搏心律，并且下方的ECG波形1004示出利用示例被检者的侧向(SS)电极结构所记录的针对该被检者的速率约为120BPM的宽且复杂的室性自搏心律。在许多情形下，表现出下方的ECG波形1004所示的节律的被检者无意识。然而，从示例被检者的所记录文件得知，该被检者在心律失常之后的至少30分钟内有意识。从宽且复杂的室性自搏心律的时间起、直到可穿戴除颤器发起了高电压电容器的充电并进行了被检者通知序列为止，存在明显的延迟时间段。由于传统的可穿戴除颤器中的检测阈值被设置成生成高水平的特异性、使得没有向有意识的被检者传送伪电击并且被检者没有负担或不必要地担心伪通知和/或除颤器充电，因此可穿戴除颤器没有发起充电并进行被检者通知序列。较高水平的特异性以牺牲潜在致命性心律失常的检测的较低敏感性为代价；这样，在检测算法中的敏感性和特异性之间存在折衷。
在一些实施例中，为了实现短期(多达4小时)预警，控制单元120可以进行已针对ECG数据的较高敏感性进行了调整(例如，或许以牺牲特异性为代价)的第二可电击节律检测算法。例如，第二算法可被设置为针对速率超过约115BPM的宽且复杂的室性心动过速(VTACH)而触发状况失调(SD)的检测，这不同于通常使针对VTACH的截止速率约为150BPM或约180BPM的现有算法。针对比通常用于检测SD的宽度更窄(严格度较低)宽度，可以设置VTACH检测用的QRS宽度截止标准。在控制单元使用第二可电击节律检测算法来检测SD的情况下，可以利用可穿戴医疗装置100采取动作(诸如图12所示的动作等)以对SD作出响应。
可选地，可电击节律检测所使用的相同算法可以具有至少两组不同的检测标准阈值。控制单元120可以基于或多或少敏感的各个阈值来确定检测，并且将所确定的两个或更多个响应用于不同的目的，例如，一个响应用于预警并且另一响应用于除颤。作为替代，控制单元120可以通过将不同的算法应用于不同的ECG或其它生理波形时间段(例如，使三秒时间段交替、使两秒时间段交替等)来分析ECG或其它生理波形数据。如果控制单元120采用多于两个的阈值或多于两个的检测算法，则可以在顺次交替的基础上(例如，针对算法“A”、“B”和“C”)使用算法或决策阈值，并且可以按序列ABCABCABC针对ECG运行算法。
作为替代，除ECG波形分析外，可穿戴医疗装置可以通过对ECG数据使用敏感性更高的可电击节律检测并经由一个或多个传感器检测SD，来检测SD。第二或第三传感器可以包括夹到被检者的耳朵的外耳上的用于检测被检者的脉搏的脉搏血氧计、位于可穿戴除颤器或被检者身体的其它部位以检测被检者呈垂直还是水平或者被检者是否正移动的加速度计、位于被检者身体上的被检者心脏附近以检测心跳声音、肺音的声学传感器等。在更加敏感的ECG节律检测器检测到“可电击”节律、但辅助传感器检测到例如脉搏、心音、被检者活动或垂直状态等的存活力的情况下，医疗装置或系统可以判断为被检者在SD阶段并且进行适合该SD阶段的功能。如果辅助传感器表示无存活力，则可穿戴医疗装置100可以进入通过敏感性更高的可电击节律检测所表示的真正可电击阶段。
如这里所述，可以使用事件估计风险评分来确定响应或动作计划，或者基于被检者经历医疗事件(例如，不良心脏事件或其它医疗状况恶化)的可能性或概率来向被检者和/或医疗提供人员提供反馈。一个类别的事件估计风险评分可以基于在从当前时间起的相对较短的时间段内(诸如在约5分钟～约30分钟内等(例如，在约5分钟内、在约10分钟内、在约15分钟内、在约20分钟内和在约30分钟以上的时间段内))被检者经历不良心脏事件的可能性。如果被检者和/或医疗专业人员设置有可能不良心脏事件的预先通知的约5～30分钟的窗口，则可以采取各种动作以减轻这种事件的影响。这些动作的范围包括：向被检者和/或看护者提供警报或信息、警告医疗专业人员以及/或者准备或触发除颤装置。可以使用这些时间段来驱动系统、临床医生、用户和经由向被检者或相对于被检者为远程或本地的临床医生的通信的装置活动、或者采用诸如起搏、除颤、神经刺激等的治疗干预形式的装置活动。一些实施例可以使用任何数量的时间段、不同持续时间的时间段，以及/或者采用诸如图6B所示等的更多连续的风险测量值。
在一些实施例中，如果事件估计风险评分满足可接受的警告阈值，则可以向被检者提供预警。例如，可穿戴医疗装置100可以向被检者提供音频和/或视觉警报以降低二次损伤(例如，跌倒、车祸等)的可能性。预警系统可以使得被检者能够计划近期活动以及/或者避免被检者不受保护的活动，诸如除颤装置被移除的活动(例如，淋浴、换服装、抱小孩)等。例如，预警可以包括包含音频和/或视频输出的“快速”画面，其中该音频和/或视频输出向穿戴装置的被检者指示该被检者不应脱下可穿戴除颤器进行淋浴或者不应更换他或她的衣服。预警可以使得被检者能够在发生不良心脏事件之前重新贴附除颤垫。例如，如果被检者在淋浴并且基于高的心脏事件估计风险评分而接收到预警信号，则被检者可以重新贴附发生不良心脏事件的情况下要准备的除颤垫。
基于心脏事件估计风险评分而要提供至被检者的警告的类型和方式可以基于该事件估计风险评分的危急度测量值和置信度测量值而改变。例如，如果置信度测量值不满足置信度阈值或者危急度测量值不满足危急度阈值，则可以建议被检者不要脱下除颤装置并停止任何当前活动；然而，如果所预测的危急度测量值和置信度测量值分别满足各自的阈值，则警告可能更加突然并且向被检者警告可能即将发生电击，从而使得被检者有时间为该事件作准备。在一些实现中，如果置信度测量值不满足置信度阈值，则该装置可以避免进行动作(例如，传送电击)、或者进行与在置信度测量值满足置信度阈值的情况下进行的动作不同的动作。在一些实现中，如果置信度测量值不满足置信度阈值，则该装置可以采取意图改善置信度测量值的措施。例如，该装置可以对被检者进行附加测量、增加进行测量的频率等。因而，该系统基于事件的危急度和将发生该事件的概率来提供系统且多样的响应。
如果针对潜在事件的估计时间相对较短(例如，约15分钟以下)，则可以利用可穿戴医疗装置100指示被检者开始Valsalva动作。该被检者可以由经由有线和无线通信网络在蜂窝电话或计算机上接收到警报的医师进行指示，或者经由来自可穿戴医疗装置100的语音命令或其它写入或音频指示、或者经由来自可穿戴装置进行通信的计算装置550的语音提示或指示而被指示，从而进行Valsalva动作。Valsalva动作包括被检者深吸一口气、捏住他或她的鼻子几秒钟、并且释放呼吸。Valsalva动作模拟副交感神经系统，这可能使得预防致命性室性心律失常。还可以向被检者指示诸如弯腰、通过心前重击来自捶胸口等的动作。作为替代，可穿戴医疗装置100可以响应于高的事件估计风险评分，利用放置在被检者锁骨附近的可穿戴装置肩垫中的电极，通过经皮电刺激(TENS)波形来对迷走神经进行电起搏。该刺激可以是磁性的。
提供至被检者的一种反馈可被设计为响应于警告来限制被检者所表现出的压力。例如，建议被检者表现出不良心脏事件的可能性增加的警告可能引起其它压力相关的不良健康影响。因此，除更多其它警告外或者代替更多其它警告，可以利用可穿戴医疗装置100向被检者传送诸如“进行高级诊断；保持穿着背心10分钟”或者“检查电极”等的更为缓和的警告。更为缓和的警告或其它相似警告可以是随机地或按预设时间间隔生成的，以使被检者适应这些警告的存在，使得被检者不会将这些警告与可能引起其它压力相关不良健康影响的不良心脏事件的可能性增加相关联。
可穿戴医疗装置100可以基于心脏事件估计风险评分来选择性地对除颤装置的电容器进行充电。需要诸如通过对电容器充电等来累积除颤装置中的用于向被检者施加电击的能量，并且该能量累积可能需要相当长的时间长度。由于心脏事件估计风险评分提供了可能的不良心脏事件的早期指示，因此在心脏事件估计风险评分满足充电阈值的情况下，系统可以开始对电容器进行充电。例如，系统可以预先分析被检者的需求，并且在估计需要电击之前开始充分地向电容器或其它适当能量输送机构进行充电，使得一需要电击(例如，在检测到可电击节律时)就可以传送电击。因而，可以使用心脏事件估计风险评分来开始诸如AED等的除颤器的充电。根据一些实施例的高级充电使得能够进行容易利用的除颤，并且可以延长除颤器的电池寿命。例如，在内容通过引用而全部包含于此的2011年2月11日提交的标题为“DEFIBRILLATOR CHARGING”的美国专利申请公开号2011/0202101中描述了用于对除颤器进行充电的示例方法。基于所计算出的心脏事件估计风险评分来提供早期除颤器充电，这可以使得可穿戴医疗装置中的电池单元的尺寸小型化，这是因为由于事件估计风险评分所提供的预警因而可以在较长的时间段内对电容器进行充电。
如果可穿戴医疗装置100包括诸如从位于马萨诸塞州切姆斯福德的ZOLL医疗公司购得的LifeVestTM可穿戴心律转复除颤器等的可穿戴除颤器，则心脏事件估计风险评分可以使得能够减少基于Holter的可穿戴医疗装置中所包括的硬件量。例如，可穿戴医疗装置可以包括多个治疗电极(例如，图2所示的治疗电极114)，其中这多个治疗电极电气连接至控制单元并且能够向被检者的身体传送一个或多个治疗除颤电击。为了减少硬件，可穿戴医疗装置中所设置的电极可以是在使用之前不需要使凝胶分散在被检者的皮肤上的干性电极。例如，干性电极可以包括被配置为在传送电击时帖附到被检者的皮肤的倒钩。倒钩电极可以为意外事件提供除颤能力。然而，使用湿性电极来提供除颤电击可以是有益的，因此在心脏事件估计风险评分满足阈值表示可能需要除颤的情况下，可穿戴医疗装置100可以建议被检者将连接至该装置的电极从通常是初始设置的干性电极改变为一对湿性电极。
可以使用心脏事件估计风险评分来向医疗专业人员警告潜在的不良心脏事件。例如，如果被检者在医院环境中，则可穿戴医疗装置100可以基于事件估计风险评分满足警报阈值来触发警报以加快应急响应，诸如向代码组发出警报以对被检者作出响应等。该警报可以经由可作为医院通信网络的通信网络580发送至医疗应急响应小组(MERT)或医疗应急小组(MET)的成员。MERT或MET团队可以在发生骤停之前对被检者作出响应以防止骤停。
如上所述，由于医疗先兆事件估计和检测所用的一些算法可以是计算密集型的，因此可以在与被检者所穿戴的或被检者附近的可穿戴医疗装置分开的服务器硬件上进行该处理的一部分或全部。例如，在医院中，可以将来自被检者的数据从可穿戴医疗装置100实时地流传输至医院网络中的服务器以进行处理。如果被检者不在医院环境中，则医疗装置可以将被检者的生理数据(例如，ECG数据)和/或针对可穿戴医疗装置100所确定的生理参数的响应发送至被检者的医生，以及/或者向附近医院的急救室发送消息。可以向其它看护者发送消息以向这些看护者警告不良心脏事件的可能性。
在一些实现中，在医疗装置上进行医疗先兆事件估计和检测所用的算法的处理的一部分，并且在服务器上进行该处理的一部分。例如，最初可以利用医疗装置来进行算法的处理。如果该处理对于医疗装置而言变得过于计算密集型，则服务器可以提供援助。这样，在可能的情况下可以利用医疗装置单独进行算法的处理，并且仅在需要的情况下才调用服务器以进行辅助处理。
可以使用心脏事件估计风险评分来发起临床治疗，以降低发生心脏事件的可能性以及/或者减轻潜在心脏事件的不良影响。例如，可穿戴医疗装置100或另一医疗装置可以向被检者的心脏提供自动刺激，以例如通过起搏等来防止不良心脏事件的发作。在心脏事件估计风险评分满足用于施予药物治疗的药物治疗阈值的情况下，可穿戴医疗装置可以警告用户施予口服、可注射或可吸入的药物。例如，可以使用吸入型装置来施予用作血管舒张药的诸如一氧化氮或舌下含服硝酸甘油等的可吸入药物。可以使用例如用于传送测量剂量的药物的医疗装置等的自动注射器来向被检者提供药物。自动注射器可以采用笔式装置的形式，其中在该笔式装置中，弹簧加载的针从该装置的前端射出并且穿透被检者的皮肤以经由皮下注射来传送药物。在自动注射器中可以包括的示例性药物包括阿司匹林、维生素E、消炎药、β受体阻滞剂和/或例如安定的苯二氮卓类药物。
如果医疗先兆时间的估计时间超过约30分钟，则可穿戴医疗装置100或对来自可穿戴医疗装置100的消息作出响应的医师可以指示被检者服用含有即使发生心脏骤停也可以保护被检者的心脏和大脑的药剂的药片。如O’Rourke,Brian在“Evidence forMitochondrial K+Channels and Their Role in Cardioprotection”,Circ Res.2004；94:420-432(其内容通过引用而全部包含于此)中所述，一类这种药剂是KATP通道开放剂。
如图11所示，可穿戴医疗装置100可以基于针对医疗先兆时间的事件估计风险评分的危急度(风险)测量值和置信度测量值的组合来选择各种动作。例如，在特定医疗事件的事件估计风险评分的危急度测量值和置信度测量值各自在关联时间段内分别满足危急度阈值和置信度阈值的情况下，可穿戴医疗装置可以进行或推荐一个或多个动作。如果危急度测量值或置信度测量值其中之一不满足相应的阈值，则可以不推荐动作或者可以推荐不同的动作。阈值基于要推荐的动作类型和关联时间段而可能不同。例如，进行向穿戴者通知医疗装置正进行高级诊断(框902)的动作所需的危急度阈值和置信度阈值可以低于进行警告电击施予可能即将发生(框904)或者使装置准备好进行治疗(例如，充电)(框912)的动作所需的危急度阈值和置信度阈值。如图11所示，即使医疗先兆事件所用的危急度测量值满足用以警告医疗专业人员的危急度阈值(框906)，如果医疗先兆事件所用的置信度测量值在关联时间段内不满足用于警告医疗专业人员的置信度阈值，则也可以利用可穿戴医疗装置100选择满足置信度阈值的不同动作或响应，诸如反对移除装置(框908)或建议被检者进行行为修正(框910)等。对于针对被检者更具侵入性的动作，危急度阈值和置信度阈值可能更高。通过针对不同的动作设置不同的阈值，可穿戴医疗装置100可以向被检者的状况提供分级响应。危急度阈值和置信度阈值的相似集合可以与这里所述的时间段相关联。
在一些实施例中，基于事件估计风险评分的不同程度的敏感性和/或特异性，可以向被检者建议或者利用预警系统(例如，图5的预警系统10)进行不同的动作或响应。例如，基于具有第一敏感性和第一特异性的事件估计风险评分所确定的响应可能不同于基于具有不同的第二敏感性和/或不同的第二特异性的事件估计风险评分所确定的响应。例如，可能需要相对较高水平的特异性来对电击机构进行充电或传送治疗，使得没有向被检者传送伪电击或治疗并且被检者无负担或不必担心伪通知和/或除颤器充电。对于诸如针对行为修正的指示等的响应，可能需要相对较低水平的特异性。可以使用相对较高的敏感性来确保检测到医疗先兆事件；然而，较高水平的敏感性可能会导致较低水平的特异性和更多伪事件的检测。因此，所确定的针对事件估计风险评分的响应可以基于事件估计风险评分的敏感性和特异性而改变。
可以基于被检者104发生医疗事件的风险来修改预警系统10。例如，如果被检者104发生医疗事件的风险相对较高、例如心脏骤停的风险相对较高，则可以将用于确定事件估计风险评分的算法的敏感性修改得对于事件的检测更加敏感。可以针对各患者设置敏感性和特异性。在检测到高风险事件时，可以向中心监测站(例如，医疗装置制造商的技术支持中心)提供通知。可以指示被检者104在医疗事件的风险相对较高(例如，高于风险阈值)的情况下以与一般充电频率相比更高的频率来对可穿戴医疗装置100的电池进行充电，以确保装置100准备好对医疗事件作出响应。
在图12中示出并且在以下说明各种示例时间段和基于相应的危急度阈值和置信度阈值可进行的关联动作。
事件之前的约1小时以内
可以使用事件估计风险评分来向医疗专业人员警告在约1小时内有可能发生的潜在不良心脏或医疗事件。例如，如果被检者在医院环境中，则可穿戴医疗装置100可以触发用以通知心脏病专家或其它医疗专业人员检查被检者的警报。如果被检者不在医院环境中，则可穿戴医疗装置100可以将被检者的ECG发送至心脏病专家或其它医疗专业人员以使得医疗专业人员能够跟进被检者。可以向其它看护者发送消息以向这些看护者警告不良心脏事件的可能性。
可以使用事件估计风险评分来开始临床治疗，以降低心脏事件发生的可能性以及/或者减轻潜在心脏事件的不良影响。在事件估计风险评分满足用于施予药物治疗的阈值的情况下，可穿戴医疗装置可以警告用户施予例如这里所述的口服、可注射或可吸入的药物。在预测事件之前的1小时可以施予的药物的类型可能不同于在不良心脏事件的预测发作的10分钟内所施予的足够快速起作用的药物的类型。
事件之前的约3小时以内
可以使用事件估计风险评分来向被检者和/或医疗专业人员警告在约3小时内有可能发生的潜在不良心脏医疗事件。在事件估计风险评分表示在约3小时内有可能发生不良心脏事件的情况下，可穿戴医疗装置100可以进行用以确保电池具有足以在从医疗上应需要除颤的情况下提供除颤的电量的动作。例如，如果心脏事件估计风险评分满足充电阈值，则可穿戴医疗装置可以检查电池的状态，并且如果电池的电量小于预定百分比，则可穿戴医疗装置可以建议被检者更换电池。然而，在存在在不久的将来将发生不良心脏事件的可能性的情况下，不建议被检者更换电池。因此，在第一时间段的心脏事件估计风险评分不满足第一阈值(例如，该时间段内的不良心脏事件的可能性低)、并且稍后时间的第二时间段的心脏事件估计风险评分满足第二阈值(例如，稍后时间的不良心脏事件的可能性中等或高)的情况下，可穿戴医疗装置可以建议更换电池。通过将来自这两个时间段的心脏事件估计风险评分与阈值进行比较，被检者降低了在有可能发生不良心脏事件的时间内更换电池的风险。
在事件估计风险评分满足阈值的情况下，可穿戴医疗装置100可以通过经由通信网络580发送消息来向被检者的家庭成员或看护者进行通知。要通知的家庭成员可编程在医疗装置100和/或基本单元530中。可以利用医疗装置100和/或基本单元530来自动通知呼叫中心(例如，与通用汽车的“On-Star”TM系统相似的呼叫中心)，并且呼叫中心的现场人员可以经由电话或其它通信方式(诸如Skype或寻呼机等)联系被检者。呼叫中心可以联系被检者的医师以针对医师对事件进行分流。呼叫中心人员可以向被检者指示保持穿上装置，并且在适当情况下呼叫EMS系统(例如，911)。
在一些实施例中，还可以包括以上针对离事件不到1小时所论述的警告中的一个或多个。
事件之前的约1天至约3天以内
可以使用心脏事件估计风险评分来向医疗专业人员警告在约1天～约3天内有可能发生潜在不良心脏事件。医疗事件可以包括癫痫发作，并且特别是针对麻醉癫痫被检者，可以预先向医院人员警告该发作。如果利用可穿戴医疗装置100预测到事件并且被检者正利用治疗选择减少或无治疗选择的可穿戴除颤器，则可以使用三天警告来触发具有更加稳健的治疗特征的平台的自动运送。可选地，可穿戴医疗装置100可以包括传统的除颤器或其它生理监测装置，并且可以在入院时用于进行分流并评估被检者的时间风险概况，并且作为测试的结果，可以提供分层治疗响应。例如，如果在住院的时间段(例如，约为1～3天)内在潜在心脏骤停的确定性超过+/-10％的情况下风险高于50％，则可能需要被检者在他或她住院期间穿戴可穿戴除颤器(诸如ZOLL医疗公司所制造的
Figure BDA0003177389630001081
型可穿戴除颤器等)。如果风险在约15％～约50％的范围内，则可能需要被检者穿戴可穿戴监测器，其中该可穿戴监测器不包含用于在被检者经历心脏骤停的情况下对被检者进行治疗的除颤器。如果风险小于15％，则可以仅由医护人员定期(例如，按1小时的间隔)监测被检者。对于可穿戴监测器的不太严重病例和医护人员的间歇监测各自，可以持续地进行医疗先兆事件估计和检测，并且如果被检者的风险和确定性的水平在他或她的住院期间增加，则可以使被检者从可穿戴监测器切换为组合可穿戴监测除颤器，或者从护士监测切换为可穿戴装置其中之一。基于被检者的分流时间风险概况，被检者可被送到更适当敏锐度水平的病房、或者被检者可被移动至较低敏锐度病房、或者甚至被通知出院(例如，在得到可穿戴除颤器保护的状态下)。如果被检者不在医院环境中，则可穿戴医疗装置100可以将被检者的ECG经由通信网络580发送至被检者的心脏病专家或其它医疗专业人员，以使得医疗专业人员在需要的情况下能够跟进被检者。
被检者可以穿戴治疗选项减少或无治疗选项的可穿戴医疗装置100、例如不包括除颤能力的装置。基于1～3天的心脏事件估计风险评分，可穿戴医疗装置100可以向被检者通知不良事件的可能性增加并且指示被检者切换为使用包括治疗选项的可穿戴医疗装置100。例如，如果事件估计风险评分满足切换阈值，则可以向被检者发出警告以从治疗减少或无治疗的医疗装置切换为包括治疗选项的可穿戴医疗装置。如果事件估计风险评分满足切换阈值并且被检者并不拥有具有治疗选项的装置，则在事件估计风险评分表示不良事件的可能性增加的情况下，可以向被检者自动运送包括治疗选项的可穿戴医疗装置。例如，可穿戴医疗装置100可以将针对包括治疗选项的可穿戴医疗装置的订单经由通信接口580自动发送至将该医疗装置运送至被检者的医院或医疗装置提供商。
可以使用1天或3天的时间段内的事件估计风险评分来辅助医疗专业人员确定并计划被检者从医院环境的出院。在一些实施例中，可以使用三个阈值水平来便于进行出院决定。第一个阈值可以表示不良事件的可能性低，并且与用以使被检者出院的推荐相关联。第二个较高的阈值可以表示不良事件的可能性中等，并且与用以使具有包括治疗/除颤能力的可穿戴医疗装置的被检者出院的推荐相关联。比第一阈值和第二阈值这两者都高的第三阈值可以表示不良心脏事件的可能性增加或变高，并且与用以使被检者保持在医院环境中以供进一步观察的推荐相关联。因而，事件估计风险评分可以提供结构化的系统方式来计划从医院环境出院。
在一些实施例中，还可以包括以上针对离事件不到1小时和/或不到3小时所论述的警告中的一个或多个。
事件之前的约1周～约1个月以内
可以使用更长期的时间段内的事件估计风险评分来增加与可穿戴医疗装置的使用的依从性。例如，即使在特异性低或者事件估计风险评分低的情况下，可穿戴医疗装置100也可以向被检者提供与不良心脏事件的可能性有关的反馈，以激励被检者提高他或她的与穿戴包括治疗能力的可穿戴医疗装置100的依从性。
可以使用更长期的时间段内的事件估计风险评分来确定针对被检者的延长护理。例如，在事件估计风险评分满足阈值的情况下，可以提示医疗专业人员延长可穿戴医疗装置的推荐使用的长度。例如，如果被检者接近要求他或她穿戴可穿戴医疗装置的时间的结束，则在不良心脏事件的危急度和可能性满足关联阈值的情况下，医师或医疗专业人员可以延长要求被检者穿戴可穿戴医疗装置的时间长度。
对于患有心肌梗塞但射血分数低于用于在可植入式除颤器植入之前的等待时间段内容纳可穿戴除颤器的标准的被检者，可以使用升高的事件估计风险评分来判断为向被检者提供可穿戴除颤器。对于急诊室中患有晕厥的风险评分的估计延长得超过预期住院的持续时间的被检者，可以使用升高的事件估计风险评分来规定可穿戴被检者容纳可穿戴除颤器并在使用可穿戴除颤器作为保护的状态下出院。
更长期的时间段的事件估计风险评分可以使得被检者能够保持知晓表示事件发作的潜在警告迹象。例如，在事件估计风险评分满足阈值的情况下，可穿戴医疗装置可以向被检者询问他或她是否注意到任何警告迹象，并且如果被检者注意到了警告迹象，则提示被检者与医疗专业人员交谈。
在一些实施例中，还可以包括以上针对离事件不到1小时、不到3小时、不到1天和/或不到3天所论述的警告中的一个或多个。
事件之前的约3个月以上
可以使用更长期的时间段的事件估计风险评分(诸如用于预测在1个月～3个月的时间帧或6个月～1年的时间帧内有可能发生的事件的评分等)来指导长期治疗。例如，可以使用事件估计风险评分来指导长期装置计划。可以使用事件估计风险评分来基于风险趋势(诸如连续增大的事件估计风险评分等)指导治疗。如果长期的事件估计风险评分继续升高或不断增大，则可穿戴医疗装置100可以建议用以降低风险的康复努力，诸如药物治疗的施予、附加侵入性测试或延长使用等。
如这里所述，事件估计风险评分可以包括所计算出的危急度测量值和所计算出的置信度测量值，并且可以使用危急度和置信度的组合来确定关联时间段内针对医疗先兆事件的适当响应。例如，诸如除颤等的一些治疗在实现之前可能需要较高的置信度值。诸如指示被检者坐下等的其它治疗在实现之前可能需要较低的置信度。
在一些实现中，可以通过在计算装置(例如，图5的计算装置550)上执行软件来至少部分实现和/或控制这里所述的预警系统。例如，被配置为在移动电话和/或平板计算机上运行的应用程序(例如，移动应用程序)可以便于进行预警系统的操作。
图14A示出心脏骤停预测(CAP)应用程序(例如，移动应用程序)的示例的参数输入画面1402的示例。在临床医生第一次使用该应用程序的情况下，可以呈现参数输入画面1402。患者、医疗专业人员或这两者可以将患者信息输入到该应用程序中。输入到应用程序中的诸如ECG数据等的一些信息可以由医疗装置(例如，除颤器、心脏监测器等)所提供。例如，可以经由无线连接提供一些信息。然后，计算装置可以使用所输入的患者信息(和例如医疗装置所接收到的数据)来确定事件估计风险评分和/或提高的事件估计风险评分。经由应用程序的用户接口可输入的信息可以包括患者的年龄、格拉斯哥昏迷分级(GCS)评分、体温、心率、呼吸速率、收缩压、舒张压、SpO2测量值和疼痛评分(例如，1～10的分级)。如以下所述(例如，在医疗装置正发送ECG数据时)，患者信息中所包括的一个或多个生理参数可以由医疗装置收集到并提供至应用程序。在一些实现中，参数输入画面1402可以显示医疗装置自动测量并发送的生理参数的值。医疗专业人员能够通过手动输入生理参数的值来编辑(例如，覆盖)自动测量值。如果一个或多个生理参数是缺失值，则可以提示医疗专业人员在计算出任何患者评分之前手动输入这些值。在一些实现中，用户输入和/或临床医生输入的数据没有被医疗装置自动测量到的数据覆盖。
应用程序和/或医疗装置可以检查生理参数中的一个或多个以确保这些生理参数都落在容许范围内。例如，年龄参数可能需要大于或等于18的值，体温参数可能需要大于或等于90°F且小于或等于110°F的值，心率、呼吸速率、收缩压、舒张压和SpO2参数可能需要大于0的值，并且收缩压可能需要比舒张压值大的值。
在提供初始患者信息之前或之后，医疗装置可以通过测量和/或记录一个或多个类型的生理数据(包括接收包含ECG数据的信号)来监测患者。如图14B的屏幕截图所示，在接收到ECG数据时，应用程序显示数据收集指示1404。在一些实现中，按250Hz从患者测量五分钟的ECG样本。在一些实现中，五分钟的ECG数据可以是连续或非连续的。在一些实现中，五分钟的ECG数据必须少于预定数量的中断，从而被视为可接受数据集。在一些实现中，ECG数据必须具有降至低于容许阈值的噪声量。可以基于所接收到的ECG数据和所输入的生命体征数据来针对患者确定初始CAP评分。CAP评分有时被称为事件估计风险评分或简称为事件风险评分。
在一些实现中，还针对患者确定改良预警(MEW)评分。相对较高的MEW评分可以表示患者可能存在恶化状况和/或急性疾病。MEW评分可以是单独确定的以及/或者独立于CAP评分而确定的。在一些实现中，MEW评分可以基于与确定CAP评分所使用的信息不同的至少一些信息。可能需要警报、语音、疼痛、无响应(AVPU)参数，以计算MEW评分。AVPU参数是患者的响应性和/或意识水平的指示。AVPU参数可以是GCS评分的简化。AVPU参数可以具有表示患者完全清醒(尽管未必有判断力)的“警报”值。具有“警报”参数的患者将自发地睁开眼睛，将对语音作出响应(尽管可能感到困惑)，并且将具有身体运动功能。AVPU参数可以具有表示在与患者交谈时患者可以作出某种响应的“语音”值。该响应可以采用眼睛、语音或运动这三个成分测量值中的任意测量值的形式。例如，可以向响应于被询问“你好吗？”而睁开眼睛的患者分配AVPU参数“语音”。在得到救援人员的语音提示时，该响应可能如咕噜声、呻吟声或肢体轻微移动那样小。AVPU参数可以具有“疼痛”值，其中该“疼痛”值表示患者响应于施加疼痛刺激(诸如像摩擦胸骨那样的中枢疼痛刺激或者诸如挤压患者手指等的周边刺激等)而以眼睛、语音或运动这三个成分度量中的任意度量的形式作出响应。具有某种程度意识的患者(例如，完全有意识的患者将不需要疼痛刺激)可以通过使用他的语音、移动他的眼睛或移动他身体的一部分(例如，作出异常姿势)来进行响应。AVPU参数可以具有表示患者针对语音或疼痛刺激没有给出任何眼睛、语音或运动响应的“无响应”值。可以在AVPU选择菜单1408中选择适当参数。参考图14C，基于所接收到的ECG数据和所选择的AVPU参数1406来针对患者确定初始CAP评分1408和MEW评分1410。以下参考图15来更详细地说明用于计算CAP评分1408和MEW评分1410的处理。
图14D示出用于创建移动应用程序和医疗装置之间的通信关联的连接画面1412的示例。患者和/或看护者可以输入要与应用程序关联的医疗装置的IP地址，由此使得能够从医疗装置向应用程序(和例如应用程序正运行的计算装置)下载信息。可以在经由图14A的参数输入画面1402接收到患者信息之后呈现连接画面1412。在建立应用程序和医疗装置之间的连接之后，移动应用程序可以开始接收数据和/或测量数据和/或记录如上所述的生理数据。在一些实现中，代替IP地址或者除IP地址外，可以设置除IP地址外的医疗装置的标识符。在一些实现中，应用程序可被配置为在无需连接画面1412的辅助的情况下自动与医疗装置关联。
一旦在应用程序和医疗装置之间建立连接，则应用程序正运行的计算装置可被配置为将与患者有关的信息提供至诸如外部实体的装置和/或远程服务器(例如，远程主机服务器)等的另一装置。例如，可以将患者数据从计算装置(例如，实时地)流传输至医院网络中的服务器以供处理。在一些实现中，可以将患者数据流传输至云托管服务器以供数据存储和更详细的数据分析。如果患者不在医院环境中，则计算装置可以将与患者有关的信息(例如，患者的生理参数、ECG数据、针对医疗装置所确定的生理参数的响应、与CAP评分有关的信息、与MEW评分有关的信息等)发送至患者的医生以及/或者向附近医院的急诊室发送消息。还可以向其它看护者发送消息以向这些看护者警告不良心脏事件的可能性。
如上所述，数据的处理可以在预警系统(图5的10)的各种位置处(例如，各种装置上)发生。例如，可以在计算装置(例如，移动装置)、医疗装置、基本单元、服务器、因特网、云托管服务器和/或第二医疗装置(例如，诸如除颤器或可以与医疗装置进行通信的心脏监测器等的医疗装置)的任何组合上处理至少一部分数据(例如，医疗装置所接收到的ECG数据、经由应用程序所输入的数据等)。在一些实现中，将患者数据(例如，ECG数据)发送至移动装置，并且在该移动装置上进行患者数据的至少一部分处理。在一些示例中，由于医疗先兆事件估计和检测所用的一些算法可以是计算密集型的，因此可以在与移动装置和医疗装置分开的服务器硬件上进行用于确定事件估计风险评分和/或响应于此的动作的至少一部分处理。
图15示出在计算MEW评分时可以考虑的各种生理参数的示例。MEW评分是个体生理参数评分的总和。例如，收缩压小于70mmHg的患者可以向MEW评分贡献3；收缩压为71～80mmHg、心率低于40次心跳/分钟、呼吸速率小于9次呼吸/分钟、体温小于35℃并且AVPU参数为“语音”的患者的MEW评分可以为9；收缩压为81～100mmHg、心率为41～50次心跳/分钟、呼吸速率为9～14次呼吸/分钟、体温为35℃～38.4℃(例如，包含两端点)并且AVPU参数为“警报”的患者的MEW评分可以为2；收缩压为101～199mmHg、心率为51～100次心跳/分钟、呼吸速率为9～14次呼吸/分钟、体温为35℃～38.4℃(例如，包含两端点)并且AVPU参数为“警报”的患者的MEW评分可以为0；收缩压为101～199mmHg、心率为101～110次心跳/分钟、呼吸速率为15～20次呼吸/分钟、体温为35℃～38.4℃(例如，包含两端点)并且AVPU参数为“语音”的患者的MEW评分可以为3；收缩压大于200mmHg、心率为111～129次心跳/分钟、呼吸速率为21～29次呼吸/分钟、体温为大于或等于38.5℃并且AVPU参数为“疼痛”的患者的MEW评分可以为10；并且收缩压大于200mmHg、心率大于或等于130次心跳/分钟、呼吸速率大于或等于30次呼吸/分钟、体温大于或等于38.5℃并且AVPU参数为“无响应”的患者的MEW评分可以为13。
在一些实现中，MEW评分相对较高(例如，MEW评分为4或5)的患者应经过医疗专业人员的更加频繁的观察。例如，根据特定MEW评分，至少按每12小时一次、每6小时一次、每3小时一次、每1小时一次、每30分钟一次或甚至连续地观察患者可以是适当的。在一些实现中，MEW评分为1的患者还可能需要更频繁的观察。在一些实现中，MEW评分为1的患者在后续MEW评分也为1或更高的情况下，可以经受更频繁的观察。
图16示出在计算格拉斯哥昏迷分级(GCS)评分时可以考虑的各种患者特性的示例。GCS评分包括基于患者的眼睛功能、语言功能和运动功能的三个测试。针对这些功能各自向患者赋予单独值，并且合成值是GCS评分。患者可以接收眼睛功能值1(没有睁开眼睛)～4(自发地睁开眼睛)；患者可以接收语言功能值1(没有发出声音)～5(定向、正常交谈)；患者可以接收运动功能值1(无运动)～6(服从命令)。可能的最低GCS评分为3，其可以表示患者处于深度昏迷或死亡，并且可能的最高GCS评分为15，其可以表示患者完全清醒并且有响应。
图17示出用于接收附加数据以计算改良预警评分(MEWS)(有时被称为增强事件估计风险评分)的处理。在阶段1702中，可穿戴医疗装置100通过测量和/或记录一个或多个类型的生理数据(包括接收包含ECG数据的信号)来监测被检者。ECG数据可以从被检者ECG数据的任何适当源接收到。例如，ECG数据可以从贴附至被检者的ECG电极(图2的112)或者从自存储装置接收到的先前记录数据而实时地接收到。包括ECG数据的信号可以是连同附加被检者数据一起接收到的，其中该附加被检者数据包括被检者统计数据、其它生理数据记录、病史、身体检查发现和用户可能请求的其它医疗信息。该附加被检者数据可以与被检者特有的ECG数据相结合地使用，以供数据处理和显示。
在阶段1704中，控制单元120针对多个时间到事件时间段计算事件估计风险评分。各个事件估计风险测量值可以包括所计算出的危急度测量值和所计算出的置信度测量值。
在阶段1706中，控制单元120将所计算出的时间到事件时间段各自的事件估计风险评分与所存储的事件估计风险阈值进行比较。该比较提供了控制单元120确定所推荐的治疗计划或动作过程所使用的信息。
在阶段1707中，控制单元120基于事件估计风险评分与事件估计风险阈值的比较来判断是否推荐动作和/或警报。如果推荐动作和/或警报，则可穿戴医疗装置在阶段1710中开始适当动作和/或警报，并且处理返回至阶段1702以供可穿戴医疗装置100监测被检者。例如，如果特定时间段的特定事件估计风险测量值满足所存储的阈值，则利用系统进行关联动作或者向被检者推荐关联动作。示例动作可以包括：请求被检者保持穿上医疗装置，向被检者建议减少身体活动，施予药物治疗以及/或者除颤。如果没有推荐动作或警报，则在阶段1708中，基于事件估计风险测量值与事件估计风险阈值的比较的结果，控制单元120判断是否需要附加数据来评估被检者遭受不良心脏事件的风险。例如，如果危急度测量值升高、例如满足危急度阈值、但置信度值不满足置信度阈值，则可能需要更多信息。
如果在阶段1708中控制单元120判断为不需要更多信息，则控制单元120可以返回在阶段1702中接收ECG数据。如果判断为需要更多信息以评估被检者遭受不良心脏事件的风险，则在阶段1712中，控制单元120向与被检者相关联的计算装置(例如，装置550)发送指示。响应于向被检者的移动装置的通信，在阶段1714中，控制单元120(例如，经由计算装置550)接收来自被检者的输入或响应。发送至被检者的请求和来自被检者的响应的示例可以包括请求用户表明他或她是否正经历诸如手臂刺痛等的特定症状。被检者在计算装置上输入数据并且该数据被发送至可穿戴医疗装置。
在一些实施例中，可穿戴医疗装置100可以向被检者发送用以使照相机聚焦于他或她的面部的请求。被检者可以定位照相机(例如，计算装置550中所包括的智能电话照相机)，使得拍摄被检者的面部的图像。控制单元120可以对该图像进行面部识别分析，以分析被检者的情绪和/或身体状况。照相机可以包括在可穿戴装置(诸如具有向内面向被检者的照相机的一对眼镜等)中。面部分析可以由可穿戴医疗装置使用以补充置信度评分和分析。在一些实施例中，可以使用皮肤电反应和/或视网膜反应来补充分析。
另外或可选地，可以使用语音分析来提供用于评估风险的数据。例如，可穿戴医疗装置100可以请求用户对利用可穿戴医疗装置100或计算装置550中的麦克风可捕获到的一系列的一个或多个问题作出响应。可以利用控制单元120或装置550将针对问题的响应与先前获取到的针对相同问题的基线响应进行比较，以判断被检者的语音质量和/或响应时间是否不同。与被检者的语音质量是否以表示压力或焦虑增加的方式而有所不同有关的判断可被提供至可穿戴医疗装置100，并且用作用以评估即将发生的不良心脏事件的风险的因素。在一些实施例中，可穿戴医疗装置100可以包括用以进行上述功能而不是向远程计算装置发送信号的硬件。
在阶段1716中，控制单元120基于所测量到的ECG数据(和例如从移动装置550接收到的附加信息)来计算多个时间到事件时间段的增强的事件估计风险评分。在阶段1718中，该系统针对各个时间段将增强的事件估计风险评分与事件估计风险阈值进行比较，以确定适当动作和/或警报。对于事件估计风险评分相对较高或较低的情形，无需从用户请求附加信息来确定用户针对不良心脏事件的风险水平；然而，在不清楚是否应采取进一步动作而非进行那些动作或忽略缓和升高的风险水平的中间范围中(例如，在两个阈值之间)，可以从被检者收集更多信息以确定适当动作。
在阶段1720中，控制单元120基于增强的事件估计风险评分与事件估计风险阈值的比较来判断是否推荐动作和/或警报。如果推荐了动作或警报，则在阶段1722中，系统开始适当动作和/或警报。例如，如果特定时间段的特定增强事件估计风险测量值满足所存储的阈值，则可以由系统进行关联动作或者可以向被检者推荐关联动作。示例性动作的范围可以包括：请求被检者保持穿上医疗装置～建议被检者减少身体活动～施予药物～除颤。
用于进行各种动作的阈值可以是由可穿戴医疗装置的处方者(例如，由医疗专业人员)设置的，以及/或者可以由医疗专业人员来调整利用这里所论述的各种建模算法所设置的阈值。使得医疗专业人员能够设置阈值，这可以提供各种优点。例如，如果可穿戴医疗装置向特定被检者提供大量假阳性指示(例如，随后没有发生事件的不良心脏事件的可能性高的指示)，则医疗专业人员可以修改阈值，使得假阳性率下降。使得医疗专业人员能够设置阈值水平，这可以使得能够在被检者的状况达到期望医疗专业人员参与的水平的情况下向医疗专业人员警告被检者的状况，由此医疗专业人员不会收到不希望这些医疗专业人员参与的通知。
尽管为了例示的目的已经基于当前被视为最实际和优先实施例的实施例详细说明了本主题，但应当理解，这种细节仅是为了该例示目的，并且本发明不限于所公开的实施例，相反本发明意图涵盖所附权利要求书的精神和范围内的修改和等同配置。例如，应当理解，本发明认为，在可能的范围内，可以将任何实施例的一个或多个特征与任何其它实施例的一个或多个特征相组合。

Claims (54)

1.一种医疗先兆事件估计系统，包括：
非暂时性计算机可读存储介质，其与一个或多个处理器进行通信并且存储有指令，所述指令在由所述一个或多个处理器执行的情况下使所述一个或多个处理器进行包括以下的操作：
获取第一时间段内所接收到的并且至少部分基于被检者的第一ECG信号的所述被检者的第一生理信息集、以及第二时间段内所接收到的所述被检者的第二生理信息集；
基于将所述第一生理信息集和所述第二生理信息集应用于以训练度量进行训练的一个或多个机器学习分类器模型，来计算与估计所述被检者的潜在心律失常事件的风险相关联的第一风险评分和第二风险评分，其中所述训练度量包括以下至少之一：i)多个第一被检者的心脏电生理度量；以及ii)所述多个第一被检者的人口统计度量和病史度量至少之一，
其中，以多个第二被检者的验证度量来验证所述一个或多个机器学习分类器模型，以及基于所述验证来设置所述一个或多个机器学习分类器模型的一个或多个阈值；
至少提供与所述潜在心律失常事件相关联的所述第一风险评分和所述第二风险评分作为时变系列的风险评分；以及
基于所述一个或多个阈值来对与估计所述被检者的所述潜在心律失常事件的风险相关联的所述第一风险评分和所述第二风险评分进行分类。
2.根据权利要求1所述的医疗先兆事件估计系统，其中，所述一个或多个阈值至少包括高风险阈值和即时发生风险阈值，以及所述分类包括：
针对所述第一风险评分和所述第二风险评分各自，
基于所述第一风险评分或所述第二风险评分超过所述高风险阈值，来将所述被检者的所述潜在心律失常事件的风险分类为高风险；以及
基于所述第一风险评分或所述第二风险评分超过所述即时发生风险阈值，来将所述被检者的所述潜在心律失常事件的风险分类为即时发生风险。
3.根据权利要求1所述的医疗先兆事件估计系统，其中，所述分类包括基于所述时变系列的风险评分的所述被检者的所述潜在心律失常事件的风险的时变分类。
4.根据权利要求1所述的医疗先兆事件估计系统，其中，所述分类包括调整所述一个或多个机器学习分类器模型的基础特异性，以降低所述被检者的所述潜在心律失常事件的风险的基础分类中的假阳性。
5.根据权利要求1所述的医疗先兆事件估计系统，其中，所述验证度量包括所述多个第二被检者的心脏电生理度量、人口统计度量和病史度量中的一个或多个。
6.根据权利要求1所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：
通过以下操作至少之一来更新所述验证度量：1)调整所述验证度量中的一个或多个度量以及2)基于向所述多个第二被检者添加附加的一个或多个被检者来扩展所述验证度量；以及
基于更新后的验证度量来细化所述一个或多个阈值。
7.根据权利要求1所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：
通过以下操作至少之一来更新所述训练度量：1)调整所述训练度量中的一个或多个度量以及2)基于向所述多个第一被检者添加附加的一个或多个被检者来扩展所述训练度量；以及
基于更新后的训练度量来重新训练所述一个或多个机器学习分类器模型。
8.根据权利要求1所述的医疗先兆事件估计系统，其中，所述多个第二被检者的验证度量独立于所述多个第一被检者的训练度量。
9.根据权利要求1所述的医疗先兆事件估计系统，其中，以所述验证度量来验证所述一个或多个机器学习分类器模型，以及所述验证度量包括所述验证度量的一个或多个基础验证度量中的异位搏动的存在与否的指示。
10.根据权利要求1所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：
在所述第一时间段内所接收到的并且至少部分基于所述第一ECG信号的所述被检者的所述第一生理信息集中的正常搏动和异位搏动之间进行判别。
11.根据权利要求1所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于心率、心率变异性、非持续性室性心动过速(VT)发作次数和心室早发性收缩(PVC)计数至少之一的度量。
12.根据权利要求1所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于心率变异性的度量，以及基于心率变异性的度量包括正常间间隔的随时间经过的标准偏差。
13.根据权利要求1所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于QRS宽度、QRS高度、单导联QRS形态和双导联QRS形态至少之一的度量。
14.根据权利要求1所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于单导联QRS形态的度量，以及基于单导联QRS形态的度量包括侧向(SS)通道和前后(FB)通道各自上的相似度评分的随时间经过的平均值。
15.根据权利要求1所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于QRS宽度的度量，以及基于QRS宽度的度量包括QRS复合波的估计宽度的随时间经过的标准偏差和QRS复合波的估计宽度的随时间经过的均值至少之一。
16.根据权利要求1所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于QRS高度的度量，以及基于QRS高度的度量包括QRS复合波的估计高度的随时间经过的标准偏差。
17.根据权利要求1所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括基于以下内容至少之一的度量：QT变异性；ST压低、抬高和/或斜率；T波交替；T波变异性；以及双导联T波形态。
18.根据权利要求1所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括心音度量。
19.根据权利要求18所述的医疗先兆事件估计系统，其中，所述心音度量包括S3心音度量和S4心音度量。
20.根据权利要求1所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括机电激活时间度量，其中所述机电激活时间度量描述从心电图即ECG的第一预定基准时间点到心脏的后续机械活动的第二预定基准时间点的间隔。
21.根据权利要求20所述的医疗先兆事件估计系统，其中，所述ECG的所述第一预定基准时间点包括P波和QRS复合波的起点，其中P波和QRS复合波的起点包括与a)P波、b)Q波、c)R波和d)S波至少之一有关的时间点。
22.根据权利要求20所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动包括左心室室壁运动。
23.根据权利要求22所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动的所述第二预定基准时间点包括以下至少之一：a)最大左心室室壁运动的时间点；以及b)所述左心室室壁运动的松弛状态。
24.根据权利要求20所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动的所述第二预定基准时间点包括S1心音的峰值强度的时间点。
25.根据权利要求20所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动的所述第二预定基准时间点是基于所述心脏的超声测量值。
26.根据权利要求20所述的医疗先兆事件估计系统，其中，所述机电激活时间度量包括百分比机电激活时间度量。
27.根据权利要求1所述的医疗先兆事件估计系统，其中，所述分类包括计算所述时变系列的风险评分的标绘曲线下方的面积和所述时变系列的风险评分的均值至少之一。
28.根据权利要求1所述的医疗先兆事件估计系统，其中，基于所述第一风险评分和所述第二风险评分超过所述一个或多个阈值的量来对所述第一风险评分和所述第二风险评分进行分类。
29.根据权利要求1所述的医疗先兆事件估计系统，其中，基于所述时变系列的风险评分超过所述一个或多个阈值的次数来对所述第一风险评分和所述第二风险评分进行分类。
30.根据权利要求1所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：
基于所述第一风险评分和所述第二风险评分的分类来通知所述被检者和第三方至少之一。
31.根据权利要求30所述的医疗先兆事件估计系统，其中，所述第一风险评分和所述第二风险评分的分类表示高风险和即时发生风险至少之一。
32.根据权利要求30所述的医疗先兆事件估计系统，其中，所述通知包括向所述被检者的医疗团队的至少一个成员发送通知。
33.根据权利要求1所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：
基于所述第一风险评分和所述第二风险评分的分类来调整心脏事件的检测和所述心脏事件的治疗之间的时间间隔。
34.一种医疗先兆事件估计系统，包括：
非暂时性计算机可读存储介质，其与一个或多个处理器进行通信并且存储有指令，所述指令在由所述一个或多个处理器执行的情况下使所述一个或多个处理器进行包括以下的操作：
计算与被检者的潜在医疗事件相关联的事件估计风险评分，其中所述事件估计风险评分是基于机器学习分类器来计算的，其中以包括以下内容至少之一的训练度量来训练所述机器学习分类器：i)多个被检者的心脏电生理度量；以及ii)多个被检者的人口统计度量和病史度量至少之一。
35.根据权利要求34所述的医疗先兆事件估计系统，其中，基于独立于所述训练度量的验证度量来验证所述机器学习分类器，以及基于所述验证来设置所述机器学习分类器的至少一个阈值。
36.根据权利要求35所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：
基于至少一个阈值来对所述事件估计风险评分进行分类。
37.根据权利要求35所述的医疗先兆事件估计系统，其中，所述至少一个阈值是基于大致连续更新的度量的登记而大致连续细化的。
38.根据权利要求34所述的医疗先兆事件估计系统，其中，所述一个或多个处理器进行包括以下的操作：
计算时间序列内的与所述被检者的所述潜在医疗事件相关联的多个事件估计风险评分；以及
分析所述多个事件估计风险评分，以确定所述时间序列内的与所述被检者的所述潜在医疗事件相关联的至少一个趋势。
39.根据权利要求35所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括心音度量。
40.根据权利要求39所述的医疗先兆事件估计系统，其中，所述心音度量包括S3心音度量和S4心音度量。
41.根据权利要求35所述的医疗先兆事件估计系统，其中，所述训练度量和所述验证度量至少之一包括机电激活时间度量，所述机电激活时间度量描述从心电图即ECG的第一预定基准时间点到心脏的后续机械活动的第二预定基准时间点的间隔。
42.根据权利要求41所述的医疗先兆事件估计系统，其中，所述ECG的所述第一预定基准时间点包括P波和QRS复合波的起点，其中P波和QRS复合波的起点包括与a)P波、b)Q波、c)R波和d)S波至少之一有关的时间点。
43.根据权利要求41所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动包括左心室室壁运动。
44.根据权利要求43所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动的所述第二预定基准时间点包括以下至少之一：a)最大左心室室壁运动的时间点；以及b)所述左心室室壁运动的松弛状态。
45.根据权利要求41所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动的所述第二预定基准时间点包括S1心音的峰值强度的时间点。
46.根据权利要求41所述的医疗先兆事件估计系统，其中，所述心脏的后续机械活动的所述第二预定基准时间点是基于所述心脏的超声测量值。
47.根据权利要求41所述的医疗先兆事件估计系统，其中，所述机电激活时间度量包括百分比机电激活时间度量。
48.一种外部穿戴的除颤器，其用于监测患者的生理状况，所述除颤器包括：
多个ECG感测电极，其被配置为相对于所述患者的皮肤布置并接收ECG信号；
一个或多个辅助传感器，其布置在所述患者上；
多个治疗电极，其被配置为相对于所述患者的皮肤布置并向所述患者提供电击；
控制单元，其被配置为：
从所述多个ECG感测电极接收所述ECG信号以及来自所述辅助传感器的输出信号；
分析所述ECG信号以确定所述患者是否正在经历可电击心律失常，并在所述患者正在经历可电击心律失常的情况下发起治疗序列；以及
分析所述ECG信号和来自所述辅助传感器的所述输出信号以确定所述患者是否正在经历状况失调状态，并在所述患者正在经历状况失调状态的情况下，向所述患者和/或所述患者的看护者提供与所述状况失调状态有关的预警。
49.根据权利要求48所述的外部穿戴的除颤器，其中，所述控制单元还被配置为：
在确定为所述患者正在经历可电击心律失常的情况下，经由用户界面提供指示所述患者正在经历可电击心律失常的警报，并且如果所述患者没有进行响应，则发起治疗序列以递送电击。
50.根据权利要求48所述的外部穿戴的除颤器，其中，所述控制单元还被配置为进行第二可电击节律检测以确定状况失调，该第二可电击节律检测已被调整为对所述ECG信号具有更高敏感性。
51.根据权利要求48所述的外部穿戴的除颤器，其中，对所述状况失调状态的检测是利用115bpm的速率触发的。
52.根据权利要求48所述的外部穿戴的除颤器，其中，对所述状况失调状态的检测是利用QRS宽度标准触发的。
53.根据权利要求48所述的外部穿戴的除颤器，其中，所述控制单元还被配置为，在基于所述ECG信号检测到可电击节律但基于来自所述一个或多个辅助传感器的所述输出信号检测到所述患者的存活力的情况下，确定为所述患者正在经历状况失调状态。
54.根据权利要求53所述的外部穿戴的除颤器，其中，所述存活力是基于所述患者的脉搏、心音、被检者活动以及垂直状态中的一个或多个来检测的。
CN202110841247.6A 2014-11-14 2015-11-13 医疗先兆事件估计系统和外部穿戴的除颤器 Pending CN113571187A (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US201462080083P 2014-11-14 2014-11-14
US62/080,083 2014-11-14
US201462096140P 2014-12-23 2014-12-23
US62/096,140 2014-12-23
US201562235911P 2015-10-01 2015-10-01
US62/235,911 2015-10-01
CN201580073217.8A CN107408144B (zh) 2014-11-14 2015-11-13 医疗先兆事件估计

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201580073217.8A Division CN107408144B (zh) 2014-11-14 2015-11-13 医疗先兆事件估计

Publications (1)

Publication Number Publication Date
CN113571187A true CN113571187A (zh) 2021-10-29

Family

ID=55955167

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201580073217.8A Active CN107408144B (zh) 2014-11-14 2015-11-13 医疗先兆事件估计
CN202110841247.6A Pending CN113571187A (zh) 2014-11-14 2015-11-13 医疗先兆事件估计系统和外部穿戴的除颤器

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201580073217.8A Active CN107408144B (zh) 2014-11-14 2015-11-13 医疗先兆事件估计

Country Status (5)

Country Link
US (2) US20160135706A1 (zh)
EP (2) EP3204881B1 (zh)
JP (2) JP6986262B2 (zh)
CN (2) CN107408144B (zh)
WO (1) WO2016077786A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115274102A (zh) * 2022-06-06 2022-11-01 安徽省立医院(中国科学技术大学附属第一医院) 静脉血栓栓塞症人工智能防治系统、方法、装置及介质

Families Citing this family (276)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012021900A1 (en) * 2010-08-13 2012-02-16 Respiratory Motion, Inc. Devices and methods for respiratory variation monitoring by measurement of respiratory volumes, motion and variability
US20150186023A1 (en) * 2013-12-30 2015-07-02 Welch Allyn, Inc. Parameter measuring device with manual override selection
US11568982B1 (en) 2014-02-17 2023-01-31 Health at Scale Corporation System to improve the logistics of clinical care by selectively matching patients to providers
US11141599B2 (en) * 2014-04-04 2021-10-12 Los Angeles Biomedical Research Institute At Harbor-Ucla Medical Center Systems, apparatus, and methods for documenting code blue scenarios
US9743882B2 (en) 2014-04-04 2017-08-29 Los Angeles Biomedical Research Institute At Harbor-Ucla Medical Center Systems, apparatus, and methods for documenting code blue scenarios
EP3188655B1 (en) * 2014-09-02 2022-03-09 Koninklijke Philips N.V. User feedback to control ischemia monitoring ecg algorithm
US10594866B2 (en) * 2014-11-10 2020-03-17 Unitedhealth Group Incorporated Systems and methods for predictive personalization and intelligent routing
WO2016077786A1 (en) 2014-11-14 2016-05-19 Zoll Medical Corporation Medical premonitory event estimation
CN107847171A (zh) 2015-04-09 2018-03-27 哈特比姆公司 用于自动诊断的移动式三导联心脏监测设备和方法
US11071490B1 (en) 2015-04-09 2021-07-27 Heartbeam, Inc. Electrocardiogram patch devices and methods
US10321879B2 (en) * 2015-04-22 2019-06-18 Diego Alejandro Delia Multiple sensor wireless wearable pulse oximeter-based device
US10163527B2 (en) * 2015-04-28 2018-12-25 Preventice Technologies, Inc. User interface displaying a temporal relationship between a health event indicator and monitored health conditions
US10230699B2 (en) * 2015-07-06 2019-03-12 Pcms Holdings, Inc. Privacy-protecting system and method for wireless medical devices
US10888280B2 (en) * 2016-09-24 2021-01-12 Sanmina Corporation System and method for obtaining health data using a neural network
JP7001593B2 (ja) 2015-08-11 2022-01-19 コグノア， インコーポレイテッド 人工知能およびユーザ入力を用いて発達進度を判定するための方法および装置
US10201277B2 (en) 2015-09-07 2019-02-12 Ablacon Inc. Systems, devices, components and methods for detecting the locations of sources of cardiac rhythm disorders in a patient's heart
US11389102B2 (en) * 2018-03-16 2022-07-19 Ablacon Inc. Systems, devices, components and methods for detecting the locations of sources of cardiac rhythm disorders in a patient's heart
WO2017041890A1 (en) 2015-09-07 2017-03-16 Ablacon Inc. Elongated medical device suitable for intravascular insertion and method of making an elongated medical device suitable for intravascular insertion
US9888024B2 (en) * 2015-09-30 2018-02-06 Symantec Corporation Detection of security incidents with low confidence security events
US11672464B2 (en) 2015-10-27 2023-06-13 Cardiologs Technologies Sas Electrocardiogram processing system for delineation and classification
WO2017087888A1 (en) 2015-11-18 2017-05-26 President And Fellows Of Harvard College Systems and methods for monitoring, managing, and treating asthma and anaphylaxis
US11972336B2 (en) 2015-12-18 2024-04-30 Cognoa, Inc. Machine learning platform and system for data analysis
US20170220749A1 (en) * 2016-02-01 2017-08-03 MD Aware LLC Systems and methods for identifying and using medical calculators
CN105520724A (zh) * 2016-02-26 2016-04-27 严定远 一种测量人体心跳速率和呼吸频率的方法
US11011274B2 (en) * 2016-03-09 2021-05-18 Conduent Business Services, Llc Method and apparatus for predicting mortality of a patient using trained classifiers
US10617356B2 (en) 2016-03-15 2020-04-14 Anhui Huami Information Technology Co., Ltd. Garment and cardiac data processing
US10123741B2 (en) * 2016-11-30 2018-11-13 Huami Inc. Cardiac condition detection
CN105796086B (zh) * 2016-04-14 2019-03-08 京东方科技集团股份有限公司 一种智能穿戴设备
US10431343B2 (en) * 2016-05-23 2019-10-01 Koninklijke Philips N.V. System and method for interpreting patient risk score using the risk scores and medical events from existing and matching patients
CN106037714A (zh) * 2016-05-24 2016-10-26 华中科技大学 一种心搏监测装置
CN106073765A (zh) * 2016-05-27 2016-11-09 成都信汇聚源科技有限公司 一种微型动态心电监测设备上猝死风险预测的实现方法
PL417345A1 (pl) * 2016-05-27 2017-12-04 Comarch Healthcare Spółka Akcyjna Sposób automatycznego wykrywania migotania i trzepotania przedsionków
US20190133516A1 (en) * 2016-06-06 2019-05-09 Tosense, Inc. Physiological monitor for monitoring patients undergoing hemodialysis
US10463295B2 (en) * 2016-06-13 2019-11-05 Medtronic, Inc. Multi-parameter prediction of acute cardiac episodes and attacks
CN109982635A (zh) * 2016-09-20 2019-07-05 诺基亚技术有限公司 用于同步阻抗心动描记法和心电描记法以降低患者辅助电流的方法和装置
US10610688B2 (en) 2016-09-27 2020-04-07 Boston Scientific Neuromodulation Corporation Systems and methods for closed-loop pain management
EP3932298A1 (en) 2016-09-27 2022-01-05 Boston Scientific Neuromodulation Corporation System for pain management using objective pain measure
KR101830151B1 (ko) 2016-10-20 2018-02-20 계명대학교 산학협력단 인공지능을 기반으로 전기 충격 시점과 전기 충격량을 조절할 수 있는 착용형 자동 제세동기 시스템 및 이를 이용한 제세동 방법
US11179286B2 (en) 2016-10-21 2021-11-23 Zoll Medical Corporation Adaptive body positioning
WO2018080887A1 (en) 2016-10-25 2018-05-03 Boston Scientific Neuromodulation Corporation System for pain management using baroreflex sensitivity
EP3537961A1 (en) 2016-11-10 2019-09-18 The Research Foundation for The State University of New York System, method and biomarkers for airway obstruction
US11202601B2 (en) * 2016-12-01 2021-12-21 Cardiac Pacemakers, Inc. Methods and apparatus for monitoring epilepsy
US20180182490A1 (en) * 2016-12-22 2018-06-28 Basehealth, Inc. Scoring and Mitigating Health Risks
US11089997B2 (en) 2017-01-11 2021-08-17 Boston Scientific Neuromodulation Corporation Patient-specific calibration of pain quantification
US10729905B2 (en) 2017-01-11 2020-08-04 Boston Scientific Neuromodulation Corporation Pain management based on muscle tension measurements
WO2018132529A1 (en) 2017-01-11 2018-07-19 Boston Scientific Neuromodulation Corporation Pain management based on brain activity monitoring
US10631777B2 (en) 2017-01-11 2020-04-28 Boston Scientific Neuromodulation Corporation Pain management based on functional measurements
EP3568861A1 (en) 2017-01-11 2019-11-20 Boston Scientific Neuromodulation Corporation Pain management based on emotional expression measurements
US10631776B2 (en) 2017-01-11 2020-04-28 Boston Scientific Neuromodulation Corporation Pain management based on respiration-mediated heart rates
US11093837B2 (en) 2017-01-30 2021-08-17 Splunk Inc. Event forecasting
US10967193B2 (en) * 2017-02-03 2021-04-06 West Affum Holdings Corp. WCD with pacing analgesia
CA3053245A1 (en) 2017-02-09 2018-08-16 Cognoa, Inc. Platform and system for digital personalized medicine
US10960210B2 (en) 2017-02-10 2021-03-30 Boston Scientific Neuromodulation Corporation Method and apparatus for pain management with sleep detection
EP3370175A1 (en) * 2017-03-03 2018-09-05 Linde Aktiengesellschaft Method for providing a wearable device, method for predicting an acute exacerbation and system for predicting an acute exacerbation
GB2560339B (en) * 2017-03-07 2020-06-03 Transf Ai Ltd Prediction of cardiac events
US11321561B2 (en) * 2017-03-14 2022-05-03 Huawei Technologies Co., Ltd. Electrocardiogram waveform signal processing method and apparatus
US11253187B2 (en) * 2017-04-04 2022-02-22 Samsung Electronics Co., Ltd. Deep personalization based on contextual neurofeedback
AU2018254426B2 (en) * 2017-04-18 2024-01-04 Cedars-Sinai Medical Center A system and a method for using a novel electrocardiographic screening algorithm for reduced left ventricular ejection fraction
US10945661B2 (en) 2017-04-21 2021-03-16 Physio-Control, Inc. Physiological feedback systems and methods
US10940324B2 (en) * 2017-05-03 2021-03-09 West Affum Holdings Corp. Wearable cardioverter defibrillator (WCD) system computing heart rate from noisy ECG signal
US10917419B2 (en) * 2017-05-05 2021-02-09 Servicenow, Inc. Systems and methods for anomaly detection
JP7208224B2 (ja) * 2017-05-05 2023-01-18 カナリー・スピーチ，エルエルシー 病状を検出するモデルを構築するための音声特徴の選択
WO2018210646A1 (en) * 2017-05-15 2018-11-22 Koninklijke Philips N.V. System and method for providing user-customized prediction models and health-related predictions based thereon
CN110996785B (zh) * 2017-05-22 2023-06-23 吉尼泰西斯有限责任公司 生物电磁场中异常的机器判别
US11009870B2 (en) * 2017-06-06 2021-05-18 Zoll Medical Corporation Vehicle compatible ambulatory defibrillator
US10373315B2 (en) * 2017-06-19 2019-08-06 Viz.ai Inc. Method and system for computer-aided triage
US10733730B2 (en) 2017-06-19 2020-08-04 Viz.ai Inc. Method and system for computer-aided triage
US10383539B2 (en) * 2017-06-22 2019-08-20 Smart Solutions Technologies, S.L. System and methods for classifying arrhythmia-related heartbeats
US10517497B2 (en) * 2017-06-23 2019-12-31 General Electric Company System and method for detecting atrial fibrillation
KR102295361B1 (ko) * 2017-06-30 2021-08-31 코알라-라이프 에이비 휴대용 센서 장치로부터의 심음도 및 심전도 데이터 분석
CN109215784B (zh) * 2017-06-30 2022-11-18 华广生技股份有限公司 分析生理参数值的方法
US20210090739A1 (en) * 2017-07-14 2021-03-25 Public University Corporation Yokohama City University Aggravation estimation device and storage medium
US10898718B2 (en) 2017-07-18 2021-01-26 Boston Scientific Neuromoduiation Corporation Sensor-based pain management systems and methods
US11179293B2 (en) 2017-07-28 2021-11-23 Stryker Corporation Patient support system with chest compression system and harness assembly with sensor system
HUE055990T2 (hu) 2017-07-28 2022-01-28 Hoffmann La Roche Orvostechnikai eszköz akkumulátorteszteléssel
JP2020531225A (ja) 2017-08-25 2020-11-05 カーディオログス テクノロジーズ エスアーエス 心電図の分析のためのユーザインターフェース
US20190251138A1 (en) * 2018-02-09 2019-08-15 Banjo, Inc. Detecting events from features derived from multiple ingested signals
US11025693B2 (en) 2017-08-28 2021-06-01 Banjo, Inc. Event detection from signal data removing private information
US10581945B2 (en) 2017-08-28 2020-03-03 Banjo, Inc. Detecting an event from signal data
US10313413B2 (en) 2017-08-28 2019-06-04 Banjo, Inc. Detecting events from ingested communication signals
WO2019049688A1 (ja) * 2017-09-06 2019-03-14 日本電信電話株式会社 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム
CN109501681A (zh) * 2017-09-14 2019-03-22 福特环球技术公司 用于移动车辆中物品存储装置的物品的操纵系统
US11942219B1 (en) * 2017-09-25 2024-03-26 Cerner Innovation, Inc. Determining a cardiovascular ischemic event and decision support tool
EP3692546A1 (en) * 2017-10-06 2020-08-12 Alivecor, Inc. Continuous monitoring of a user's health with a mobile device
GB2567900A (en) 2017-10-31 2019-05-01 Babylon Partners Ltd A computer implemented determination method and system
US11147463B2 (en) 2017-11-03 2021-10-19 Samsung Electronics Co., Ltd. Method and apparatus for high accuracy photoplethysmogram based atrial fibrillation detection using wearable device
US10905328B2 (en) * 2017-11-29 2021-02-02 Verily Life Sciences Llc Continuous detection and monitoring of heart arrhythmia using both wearable sensors and cloud-resident analyses
US11419559B2 (en) * 2017-12-08 2022-08-23 Koninklijke Philips N.V. Device, system, and method for detecting and determining cardiac and non-cardiac pain
US10825564B1 (en) * 2017-12-11 2020-11-03 State Farm Mutual Automobile Insurance Company Biometric characteristic application using audio/video analysis
US10503970B1 (en) 2017-12-11 2019-12-10 State Farm Mutual Automobile Insurance Company Method and system for identifying biometric characteristics using machine learning techniques
US10709386B2 (en) 2017-12-12 2020-07-14 Lear Corporation Electrocardiogram waveform identification and diagnostics via electrophysiological sensor system fusion
CN109953756A (zh) * 2017-12-22 2019-07-02 成都心吉康科技有限公司 房颤监测系统及可穿戴设备
US11771330B2 (en) 2018-01-10 2023-10-03 The General Hospital Corporation System and method for processing cardiac signals and providing reports to users regarding impending or ongoing medical conditions
JP7106867B2 (ja) * 2018-01-12 2022-07-27 コニカミノルタ株式会社 バイタルセンサー及びモニタリングシステム
US11246537B2 (en) * 2018-02-01 2022-02-15 Cardiac Pacemakers, Inc. Signal amplitude correction using spatial vector mapping
US10261846B1 (en) 2018-02-09 2019-04-16 Banjo, Inc. Storing and verifying the integrity of event related data
US10970184B2 (en) 2018-02-09 2021-04-06 Banjo, Inc. Event detection removing private information
US10585724B2 (en) 2018-04-13 2020-03-10 Banjo, Inc. Notifying entities of relevant events
CN108309261B (zh) * 2018-02-11 2020-05-22 西安交通大学 一种猝死预警方法及装置和系统
US11653871B2 (en) 2018-03-07 2023-05-23 Technion Research & Development Foundation Limited Atrial fibrillation prediction using heart rate variability
US11786744B2 (en) * 2018-03-16 2023-10-17 Zoll Medical Corporation Wearable medical device for continuous heart monitoring with intermittent additional signal data provided via one or more touch-sensitive electrodes
EP3764886B1 (en) * 2018-03-16 2024-01-10 ZOLL Medical Corporation Monitoring physiological status based on bio-vibrational and radio frequency data analysis
US10716949B2 (en) * 2018-03-19 2020-07-21 Zoll Medical Corporation Changing cardiac shock delivery parameters based on a transform value
JPWO2019181432A1 (ja) * 2018-03-20 2021-04-01 ソニー株式会社 手術支援システム、情報処理装置、及びプログラム
EP3556281A1 (en) * 2018-04-17 2019-10-23 Koninklijke Philips N.V. Device, system and method for supporting detection of return of spontaneous circulation during cardiopulmonary resuscitation
US11000691B2 (en) 2018-04-24 2021-05-11 West Affum Holdings Corp. Substantially-median-based determination of long-term heart rates from ECG data of wearable cardioverter defibrillator (WCD) system
US11331508B1 (en) * 2018-04-25 2022-05-17 West Affum Holdings Corp. Wearable cardioverter defibrillator with a non-invasive blood pressure monitor
US11259871B2 (en) 2018-04-26 2022-03-01 Vektor Medical, Inc. Identify ablation pattern for use in an ablation
US11564641B2 (en) 2018-04-26 2023-01-31 Vektor Medical, Inc. Generating simulated anatomies of an electromagnetic source
US10860754B2 (en) 2018-04-26 2020-12-08 Vektor Medical, Inc. Calibration of simulated cardiograms
AU2019268409B2 (en) * 2018-05-14 2024-06-13 Respia Technologies Pty Ltd Method and apparatus for determining potential onset of an acute medical condition
US10688867B2 (en) * 2018-05-22 2020-06-23 International Business Machines Corporation Vehicular medical assistant
EP3801237A1 (en) * 2018-05-25 2021-04-14 Zoll Medical Corporation Wearable cardiac device to monitor physiological response to activity
US11631497B2 (en) * 2018-05-30 2023-04-18 International Business Machines Corporation Personalized device recommendations for proactive health monitoring and management
WO2019228775A1 (en) * 2018-05-31 2019-12-05 Københavns Universitet Cardiovascular implantable electronic device (cied) with cardiac event prediction
WO2019231808A1 (en) * 2018-05-31 2019-12-05 Mayo Foundation For Medical Education And Research Automatic sensing of features within an electrocardiogram
CN108969338A (zh) * 2018-06-07 2018-12-11 北京大学深圳医院 心肺复苏急救胸外按压指导仪
WO2019241444A1 (en) * 2018-06-12 2019-12-19 The Regents Of The University Of California Risk prediction of in-hospital cardiac arrests using continuous electrocardiographic telemetry monitoring data
RU2683691C1 (ru) * 2018-06-13 2019-04-01 Елена Олеговна Вершинина Способ прогнозирования риска отдалённых фатальных сердечных и цереброваскулярных событий после плановой эндоваскулярной реваскуляризации миокарда
WO2019246086A1 (en) * 2018-06-18 2019-12-26 Zoll Medical Corporation Medical device for estimating risk of patient deterioration
CN109119167B (zh) * 2018-07-11 2020-11-20 山东师范大学 基于集成模型的脓毒症死亡率预测系统
US10463314B1 (en) 2018-07-19 2019-11-05 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for predicting and detecting a cardiac event
CN112534236B (zh) * 2018-08-06 2023-03-24 日产自动车株式会社 异常诊断装置和异常诊断方法
WO2020030455A1 (en) * 2018-08-09 2020-02-13 Koninklijke Philips N.V. Method and system for cardiovascular risk assessment for patients
US10777318B2 (en) * 2018-08-13 2020-09-15 Biosense Webster (Israel) Ltd. Physician related selective data compression
CN108968951B (zh) * 2018-08-15 2021-06-22 武汉中旗生物医疗电子有限公司 心电图检测方法、装置及系统
CA3110176A1 (en) 2018-08-21 2020-02-27 The Cleveland Clinic Foundation Advanced cardiac waveform analytics
AU2019325258A1 (en) * 2018-08-21 2021-03-25 Eko Devices, Inc. Methods and systems for determining a physiological or biological state or condition of a subject
CN109361728B (zh) * 2018-08-30 2021-01-29 中国科学院上海微系统与信息技术研究所 一种基于多源传感数据关联度的分级事件报告系统及方法
US11944444B2 (en) * 2018-09-06 2024-04-02 Technion Research & Development Foundation Limited Predicting ventricular fibrillation
GB2582124A (en) * 2018-09-07 2020-09-16 Transf Ai Ltd Analysis of cardiac data
CN110897629A (zh) * 2018-09-14 2020-03-24 杭州脉流科技有限公司 基于深度学习算法的心电特征提取方法、装置、系统、设备和分类方法
EP3853868A1 (en) * 2018-09-18 2021-07-28 Koninklijke Philips N.V. General and personal patient risk prediction
WO2020059641A1 (ja) * 2018-09-20 2020-03-26 旭化成株式会社 循環器系の状態の評価を支援するための評価支援システム及び評価支援方法
US20200093388A1 (en) * 2018-09-21 2020-03-26 Braemar Manufacturing, Llc Systems and Methods for Processing and Presenting Arrhythmia Information for the Identification of Neurological Disease
US11890461B2 (en) 2018-09-28 2024-02-06 Zoll Medical Corporation Adhesively coupled wearable medical device
CN109359755A (zh) * 2018-09-29 2019-02-19 百度在线网络技术（北京）有限公司 事件监测方法、装置、设备和存储介质
US11934944B2 (en) 2018-10-04 2024-03-19 International Business Machines Corporation Neural networks using intra-loop data augmentation during network training
WO2020072989A2 (en) * 2018-10-05 2020-04-09 Medtronic, Inc. Multi-tier prediction of cardiac tachyarrythmia
US20210350179A1 (en) * 2018-10-05 2021-11-11 Imperial College Of Science, Technology And Medicine Method for detecting adverse cardiac events
US20200113471A1 (en) * 2018-10-16 2020-04-16 Cardionomous Llc Heart signal waveform processing system and method
WO2020080504A1 (ja) * 2018-10-19 2020-04-23 ソニー株式会社 医療用情報処理システム、医療用情報処理装置、および医療用情報処理方法
WO2020086528A1 (en) 2018-10-23 2020-04-30 Zoll Medical Corporation Data playback interface for a medical device
CN109171663B (zh) * 2018-10-31 2021-06-18 朱昀正 一种基于皮电的睡眠监测手环
CN109448865B (zh) * 2018-11-01 2019-08-06 唐杨烽 Icu临床决策支持系统
US10952794B2 (en) 2018-11-13 2021-03-23 Vektor Medical, Inc. Augmentation of images with source locations
CN109360273B (zh) * 2018-11-28 2023-06-02 同济大学 一种心脏瓣膜置换优化方法及系统
US11894139B1 (en) * 2018-12-03 2024-02-06 Patientslikeme Llc Disease spectrum classification
CN109497997A (zh) * 2018-12-10 2019-03-22 杭州妞诺科技有限公司 基于多数据采集的癫痫发作检测设备及预警系统
US11701049B2 (en) 2018-12-14 2023-07-18 Heartbeam, Inc. Hand held device for automatic cardiac risk and diagnostic assessment
CN109657622A (zh) * 2018-12-21 2019-04-19 广东工业大学 一种交通信号灯的检测与识别方法、装置及设备
US11590354B2 (en) * 2018-12-28 2023-02-28 Zoll Medical Corporation Wearable medical device response mechanisms and methods of use
CN109528476A (zh) * 2019-01-07 2019-03-29 慈溪市人民医院 压力感知智能自动心肺复苏器
US20200245950A1 (en) * 2019-01-31 2020-08-06 Flotherm, Inc. Real-time body temperature management
US12016694B2 (en) 2019-02-04 2024-06-25 Cardiologs Technologies Sas Electrocardiogram processing system for delineation and classification
WO2020180919A1 (en) * 2019-03-05 2020-09-10 Predictive Wear Matter of manufacture of compression legging system and associated uses cross-reference to related applications
US11672288B2 (en) 2019-03-05 2023-06-13 Predictive Wear Matter of manufacture of compression legging system and associated uses
US10748656B1 (en) 2019-03-12 2020-08-18 Harmonize Inc. Population health platform
US11602298B2 (en) * 2019-03-18 2023-03-14 Cardiac Pacemakers, Inc. Systems and methods for predicting atrial arrhythmia
BR112021018770A2 (pt) 2019-03-22 2022-02-15 Cognoa Inc Métodos e dispositivos de terapia digital personalizada
JP7155061B2 (ja) * 2019-03-27 2022-10-18 日本光電工業株式会社 生体情報測定装置、不整脈解析システム、不整脈解析方法、不整脈解析プログラム
WO2020198454A1 (en) 2019-03-28 2020-10-01 Zoll Medical Corporation Systems and methods for providing drug prescription information with monitored cardiac information
US20200342968A1 (en) * 2019-04-24 2020-10-29 GE Precision Healthcare LLC Visualization of medical device event processing
US11776691B2 (en) * 2019-05-06 2023-10-03 Medtronic, Inc. Machine learning based depolarization identification and arrhythmia localization visualization
US11723577B2 (en) 2019-05-06 2023-08-15 Medtronic, Inc. Visualization of arrhythmia detection by machine learning
US11694804B2 (en) 2019-05-06 2023-07-04 Medtronic, Inc. Reduced power machine learning system for arrhythmia detection
US11475998B2 (en) 2019-05-06 2022-10-18 Medtronic, Inc. Data preparation for artificial intelligence-based cardiac arrhythmia detection
US20200352466A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Arrythmia detection with feature delineation and machine learning
US11583687B2 (en) 2019-05-06 2023-02-21 Medtronic, Inc. Selection of probability thresholds for generating cardiac arrhythmia notifications
US20220211328A1 (en) 2019-05-08 2022-07-07 Lifelens Technologies, Inc. Monitoring and processing physiological signals to detect and predict dysfunction of an anatomical feature of an individual
CN110200620A (zh) * 2019-06-06 2019-09-06 中山大学孙逸仙纪念医院 多模态心脏数据检测方法、装置、存储介质及终端设备
CN110200621A (zh) * 2019-06-06 2019-09-06 中山大学孙逸仙纪念医院 一种心血管事件预警分析方法
CN110200619A (zh) * 2019-06-06 2019-09-06 中山大学孙逸仙纪念医院 一种建立重大心血管疾病风险预警模型方法及装置
CN110279411A (zh) * 2019-06-06 2019-09-27 中山大学孙逸仙纪念医院 一种心脏数据异常检测方法、装置、存储介质及终端设备
US11682492B2 (en) * 2019-06-07 2023-06-20 Cornell University Energy-efficient on-chip classifier for detecting physiological conditions
US10595736B1 (en) * 2019-06-10 2020-03-24 Vektor Medical, Inc. Heart graphic display system
US10709347B1 (en) * 2019-06-10 2020-07-14 Vektor Medical, Inc. Heart graphic display system
US11672996B2 (en) 2019-06-24 2023-06-13 West Affum Holdings Dac Wearable cardioverter defibrillator with AI-based features
WO2020264355A1 (en) 2019-06-27 2020-12-30 Viz.ai Inc. Method and system for computer-aided triage of stroke
CN110361744B (zh) * 2019-07-09 2022-11-01 哈尔滨工程大学 基于密度聚类的rbmcda水下多目标跟踪方法
US20220313137A1 (en) * 2019-07-12 2022-10-06 Louise Rydén Innovation Ab A portable ecg device and an ecg system comprising the portable ecg device
US10902602B1 (en) 2019-07-30 2021-01-26 Viz.ai Inc. Method and system for computer-aided triage of stroke
WO2021026078A1 (en) * 2019-08-02 2021-02-11 Xr Health Il Ltd Remote virtual and augmented reality monitoring and control systems
WO2021026082A1 (en) * 2019-08-07 2021-02-11 Intervet International B.V. System and method for determning status of health of animals arriving at a feed location
CN110351307B (zh) * 2019-08-14 2022-01-28 杭州安恒信息技术股份有限公司 基于集成学习的异常用户检测方法及系统
CN110547806B (zh) * 2019-09-11 2022-05-31 湖北工业大学 一种基于表面肌电信号的手势动作在线识别方法及系统
WO2021055870A1 (en) 2019-09-18 2021-03-25 Tempus Labs Ecg based future atrial fibrillation predictor systems and methods
US11657921B2 (en) 2019-09-18 2023-05-23 Tempus Labs, Inc. Artificial intelligence based cardiac event predictor systems and methods
US11342050B2 (en) * 2019-09-27 2022-05-24 International Business Machines Corporation Monitoring users to capture contextual and environmental data for managing adverse events
US20210093203A1 (en) * 2019-09-30 2021-04-01 DawnLight Technologies Systems and methods of determining heart-rate and respiratory rate from a radar signal using machine learning methods
US11813065B2 (en) 2019-10-29 2023-11-14 Zoll Medical Israel Ltd. Systems, devices, and methods for cardiac diagnosis and/or monitoring
US20210133769A1 (en) * 2019-10-30 2021-05-06 Veda Data Solutions, Inc. Efficient data processing to identify information and reformant data files, and applications thereof
US11717208B2 (en) 2019-10-30 2023-08-08 Medtronic, Inc. Triggering storage of electrocardiographs for detected premature ventricular contractions (PVCs)
KR102141617B1 (ko) * 2019-11-25 2020-08-05 주식회사 휴이노 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
US11218360B2 (en) 2019-12-09 2022-01-04 Quest Automated Services, LLC Automation system with edge computing
US11562828B2 (en) * 2019-12-26 2023-01-24 Kpn Innovations, Llc. Methods and systems for customizing treatments
JP2021119891A (ja) * 2020-01-30 2021-08-19 日本光電工業株式会社 心電図解析装置および心電図解析方法
US11525861B2 (en) * 2020-02-28 2022-12-13 UST Global Inc Systems and methods for determining life of a motor using electrocardiogram (EKG) sensors
RU2733077C1 (ru) * 2020-03-11 2020-09-29 Александр Сергеевич Пушкин Способ диагностики острого коронарного синдрома
US11779215B2 (en) * 2020-03-17 2023-10-10 GE Precision Healthcare LLC Enhanced ECG workflows
CN112971792B (zh) * 2020-03-23 2023-04-07 中国人民解放军总医院 一种基于连续生理数据的个体化状态监测分析方法和设备
US20210295965A1 (en) * 2020-03-23 2021-09-23 BeEnabled, LLC System for management and improvement of response to individual medical events
CN112998717B (zh) * 2020-03-23 2022-09-23 中国人民解放军总医院 一种量化人体生理状态的分析方法和设备
TWI784256B (zh) * 2020-04-10 2022-11-21 宏碁股份有限公司 分析心電圖訊號的方法
US11610679B1 (en) * 2020-04-20 2023-03-21 Health at Scale Corporation Prediction and prevention of medical events using machine-learning algorithms
CN111680823A (zh) * 2020-05-12 2020-09-18 同济大学 一种风向信息预测方法及系统
CN111528830B (zh) * 2020-05-20 2023-03-17 广东工业大学 一种心电监护装置
CN111798973A (zh) * 2020-07-08 2020-10-20 广元量知汇科技有限公司 智慧健康终端管理系统
CN111803103B (zh) * 2020-07-20 2021-07-13 上海杏脉信息科技有限公司 一种脑卒中发病时间检测装置及脑卒中治疗系统
EP4185373A1 (en) * 2020-07-22 2023-05-31 Medtronic, Inc. Detection of treatable events
US11328400B2 (en) 2020-07-24 2022-05-10 Viz.ai Inc. Method and system for computer-aided aneurysm triage
US11173315B1 (en) * 2020-07-24 2021-11-16 Defibrio AS Mobile defibrillator
US11763449B2 (en) 2020-07-24 2023-09-19 Zoll Medical Corporation Systems and methods for generating and applying matrix images to monitor cardiac disease
US10931643B1 (en) * 2020-07-27 2021-02-23 Kpn Innovations, Llc. Methods and systems of telemedicine diagnostics through remote sensing
WO2022034480A1 (en) * 2020-08-10 2022-02-17 Cardiologs Technologies Sas Electrocardiogram processing system for detecting and/or predicting cardiac events
JP7022957B1 (ja) 2020-08-17 2022-02-21 公立大学法人会津大学 心房細動検知プログラム、心房細動検知装置、心房細動検知方法及び心房細動検知システム
US11819704B2 (en) * 2020-08-21 2023-11-21 West Affum Holdings Dac Positive system alerts
JP7152724B2 (ja) 2020-08-21 2022-10-13 雅文 中山 機械学習装置、プログラム、及び検査結果推定装置
US20220061746A1 (en) * 2020-08-31 2022-03-03 Enlitic, Inc. Risk assessment system and methods for use therewith
JP6899609B1 (ja) * 2021-03-02 2021-07-07 Ｓｓｓｔ株式会社 生体情報演算システム、及びサーバ
KR102652397B1 (ko) * 2020-09-08 2024-03-27 한림대학교 산학협력단 뉴럴 네트워크 모델을 이용하여 제어 명령을 결정하는 사물 인터넷 장치 및 이의 명령 결정 방법, 프로그램
KR102415806B1 (ko) * 2020-09-15 2022-07-05 주식회사 뷰노 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법
US20220108802A1 (en) * 2020-10-06 2022-04-07 Intuition Robotics, Ltd. Techniques for selecting and presenting a customized health related feature for a user of an input/output device
US20220125365A1 (en) * 2020-10-28 2022-04-28 Medtronic, Inc. Detection and localization of myocardial infarction using vectorcardiography
WO2022094425A1 (en) * 2020-10-30 2022-05-05 Vektor Medical, Inc. Heart graphic display system
US11751774B2 (en) 2020-11-12 2023-09-12 Unitedhealth Group Incorporated Electronic auscultation and improved identification of auscultation audio samples
US11545256B2 (en) 2020-11-12 2023-01-03 Unitedhealth Group Incorporated Remote monitoring using an array of audio sensors and improved jugular venous pressure (JVP) measurement
US20240013910A1 (en) * 2020-11-25 2024-01-11 Biotronik Se & Co. Kg Method for Supporting a Patient's Health Control and Respective System
US11911165B2 (en) * 2020-12-08 2024-02-27 Samsung Electronics Co., Ltd. Systems and methods for atrial fibrillation burden estimation, notification and management in daily free-living scenarios
US20220192605A1 (en) * 2020-12-22 2022-06-23 West Affum Holdings Corp. Managing cardiac risk based on physiological markers
TWI758039B (zh) * 2020-12-29 2022-03-11 財團法人國家衛生研究院 選擇心電圖的特徵的電子裝置和方法
CN112837826A (zh) * 2020-12-30 2021-05-25 浙江大学温州研究院 一种基于机器学习的重症序贯性脏器衰竭评分方法及系统
EP4281172A1 (en) * 2021-01-19 2023-11-29 Medtronic, Inc. A dynamic compression garment with dry electrodes to measure signals from a patient
US11918377B2 (en) 2021-01-19 2024-03-05 Medtronic, Inc. Dry electrodes in a wearable garment
US20220225949A1 (en) * 2021-01-21 2022-07-21 West Affum Holdings Corp. Wearable device network system
US11468992B2 (en) 2021-02-04 2022-10-11 Harmonize Inc. Predicting adverse health events using a measure of adherence to a testing routine
US20220257184A1 (en) * 2021-02-18 2022-08-18 Medtronic, Inc. Short-term variability sensing to anticipate tachyarrhythmias
WO2022177758A1 (en) * 2021-02-18 2022-08-25 Medtronic, Inc. Short-term variability sensing to anticipate tachyarrhythmias
US20220265222A1 (en) * 2021-02-23 2022-08-25 International Business Machines Corporation Biometric-based distress detection and delivery of assistance
US20220369937A1 (en) * 2021-03-08 2022-11-24 Medtronic, Inc. Acute health event monitoring
US11633112B2 (en) 2021-03-08 2023-04-25 Medtronic, Inc. Automatic alert control for acute health event
US20220296388A1 (en) * 2021-03-16 2022-09-22 Mazor Robotics Ltd. Systems and methods for training and using an implant plan evaluation model
US20220336106A1 (en) * 2021-04-15 2022-10-20 Preventice Solutions, Inc. Cardiac event rate limiter
WO2022220649A1 (ko) * 2021-04-16 2022-10-20 서울대학교병원 심전도 이미지에 기반한 환자 평가 시스템 및 방법
US11338131B1 (en) 2021-05-05 2022-05-24 Vektor Medical, Inc. Guiding implantation of an energy delivery component in a body
WO2022238200A1 (en) 2021-05-12 2022-11-17 Biotronik Se & Co. Kg System and method for assessing a cardiac arrhythmia
US11756688B2 (en) * 2021-05-28 2023-09-12 Tempus Labs, Inc. ECG-based cardiovascular disease detection systems and related methods
CN113197560A (zh) * 2021-06-07 2021-08-03 山东大学 一种用于心脏骤停急救的心率检测与除颤装置
US20220398847A1 (en) * 2021-06-09 2022-12-15 Lily Vittayarukskul Machine learning based remote monitoring of moveable objects using sensor data
US20220399123A1 (en) 2021-06-14 2022-12-15 Preh Holding, Llc Connected body surface care module
US11694807B2 (en) 2021-06-17 2023-07-04 Viz.ai Inc. Method and system for computer-aided decision guidance
US11955244B2 (en) 2021-07-02 2024-04-09 Optum Services (Ireland) Limited Generating risk determination machine learning frameworks using per-horizon historical claim sets
EP4122532A1 (en) * 2021-07-23 2023-01-25 Koninklijke Philips N.V. Automated external defibrillator system
EP4373567A1 (en) 2021-07-23 2024-05-29 Koninklijke Philips N.V. Automated external defibrillator system
CN117979884A (zh) * 2021-07-27 2024-05-03 北京优理医疗器械有限公司 基于肌肉组织氧监测的围手术期用管理装置、方法及其应用
CN113633293B (zh) * 2021-07-29 2022-09-16 佛山科学技术学院 混沌检测t波电交替的心源性猝死预警方法
CA3228337A1 (en) 2021-08-09 2023-02-16 Vektor Medical, Inc. Tissue state graphic display system
CN113413163B (zh) * 2021-08-24 2021-11-19 山东大学 一种混合深度学习和低差异度森林的心音诊断系统
CN113539485B (zh) * 2021-09-02 2024-03-26 河南省尚德尚行网络技术有限公司 医疗数据处理方法及装置
EP4399722A1 (en) * 2021-09-07 2024-07-17 Koninklijke Philips N.V. Systems and methods for evaluating reliability of a patient early warning score
US11445963B1 (en) 2021-10-05 2022-09-20 Heartbeam, Inc. Method and apparatus for reconstructing electrocardiogram (ECG) data
US20230137626A1 (en) * 2021-10-28 2023-05-04 Preventice Solutions, Inc. Electrocardiogram wave segmentation using machine learning
WO2023088819A1 (en) * 2021-11-17 2023-05-25 Bayer Aktiengesellschaft Early warning system for hypertension patients
US11534224B1 (en) 2021-12-02 2022-12-27 Vektor Medical, Inc. Interactive ablation workflow system
CN114334145B (zh) * 2021-12-06 2023-06-30 中国医学科学院北京协和医院 一种不典型危重患者的动态识别方法
WO2023106960A1 (ru) * 2021-12-08 2023-06-15 Общество с ограниченной ответственностью "К-Скай" Способ прогнозирования наступления медицинского события в здоровье человека
WO2023122837A1 (es) * 2021-12-28 2023-07-06 Universidad Peruana De Ciencias Aplicadas Equipo electrónico para la estimación del tiempo de hospitalización de pacientes diagnosticados con enfermedad respiratoria
WO2023134953A1 (en) * 2022-01-14 2023-07-20 Biotronik Se & Co. Kg Computer implemented method for classification of a medical relevance of a deviation between cardiac current curves, training method and system
WO2023154263A1 (en) * 2022-02-10 2023-08-17 Medtronic, Inc. Techniques for improving efficiency of detection, communication, and secondary evaluation of health events
WO2023183451A1 (en) * 2022-03-25 2023-09-28 Cardiac Pacemakers, Inc. Systems and methods to predict mortality risk
US11529085B1 (en) 2022-04-21 2022-12-20 Heartbeam, Inc. Apparatus for generating an electrocardiogram
WO2023230010A1 (en) * 2022-05-23 2023-11-30 Medtronic, Inc. System using heart rate variability features for prediction of medical procedure efficacy
WO2023244673A1 (en) * 2022-06-14 2023-12-21 Viz.ai Inc. Method and system for cardiac signal processing
CN114869339B (zh) * 2022-07-08 2022-09-30 不器智能科技(苏州)有限公司 一种智能穿戴式心脏超声辅诊仪
CN116725549B (zh) * 2023-08-14 2023-11-24 毕胜普生物科技有限公司 心电数据分析方法、装置、计算机设备与存储介质
KR102623020B1 (ko) * 2023-09-11 2024-01-10 주식회사 슈파스 인공지능 기반의 생체 데이터 분석을 통한 패혈성 쇼크 조기 예측방법, 장치 및 컴퓨터프로그램

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050181386A1 (en) * 2003-09-23 2005-08-18 Cornelius Diamond Diagnostic markers of cardiovascular illness and methods of use thereof
US20070208263A1 (en) * 2006-03-01 2007-09-06 Michael Sasha John Systems and methods of medical monitoring according to patient state
US20110004110A1 (en) * 2000-05-30 2011-01-06 Vladimir Shusterman Personalized Monitoring and Healthcare Information Management Using Physiological Basis Functions
US20130331719A1 (en) * 2012-06-11 2013-12-12 Gary A. Freeman Resuscitation enhancements
CN103493054A (zh) * 2010-10-12 2014-01-01 美国西门子医疗解决公司 用于预测心血管病发展的医疗信息技术系统

Family Cites Families (74)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4928690A (en) 1988-04-25 1990-05-29 Lifecor, Inc. Portable device for sensing cardiac function and automatically delivering electrical therapy
US5078134A (en) 1988-04-25 1992-01-07 Lifecor, Inc. Portable device for sensing cardiac function and automatically delivering electrical therapy
US5437285A (en) 1991-02-20 1995-08-01 Georgetown University Method and apparatus for prediction of sudden cardiac death by simultaneous assessment of autonomic function and cardiac electrical stability
US6330426B2 (en) * 1994-05-23 2001-12-11 Stephen J. Brown System and method for remote education using a memory card
US5687738A (en) 1995-07-03 1997-11-18 The Regents Of The University Of Colorado Apparatus and methods for analyzing heart sounds
US6280461B1 (en) 1996-05-23 2001-08-28 Lifecor, Inc. Patient-worn energy delivery apparatus
US5741306A (en) 1996-05-23 1998-04-21 Lifecor, Inc. Patient-worn energy delivery apparatus
US6059724A (en) * 1997-02-14 2000-05-09 Biosignal, Inc. System for predicting future health
US5944669A (en) 1997-11-20 1999-08-31 Lifecor, Inc. Apparatus and method for sensing cardiac function
US6065154A (en) 1998-04-07 2000-05-23 Lifecor, Inc. Support garments for patient-worn energy delivery apparatus
AU5900299A (en) * 1998-08-24 2000-03-14 Emory University Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity
CN1122499C (zh) * 1999-06-17 2003-10-01 曾金铃 疾病诊断预测系统
US6253099B1 (en) 1999-08-19 2001-06-26 Lifecor, Inc. Cardiac monitoring electrode apparatus and method
US6272377B1 (en) * 1999-10-01 2001-08-07 Cardiac Pacemakers, Inc. Cardiac rhythm management system with arrhythmia prediction and prevention
US6681003B2 (en) 1999-10-05 2004-01-20 Lifecor, Inc. Data collection and system management for patient-worn medical devices
US6609023B1 (en) 2002-09-20 2003-08-19 Angel Medical Systems, Inc. System for the detection of cardiac events
US7027856B2 (en) * 2002-09-30 2006-04-11 Medtronic, Inc. Method for determining a metric of non-sustained arrhythmia occurrence for use in arrhythmia prediction and automatic adjustment of arrhythmia detection parameters
US7142922B2 (en) * 2002-12-20 2006-11-28 Cardiac Pacemakers, Inc. Method and apparatus for predicting acute response to cardiac resynchronization therapy at a given stimulation site
US20040267570A1 (en) * 2003-04-23 2004-12-30 Becker Robert E. Method for information and management system for health care
US7330750B2 (en) 2003-04-25 2008-02-12 Instrumentarium Corp. Estimation of cardiac death risk
CA2538710A1 (en) 2003-09-12 2005-03-31 Bodymedia, Inc. Method and apparatus for measuring heart related parameters
WO2005044090A2 (en) * 2003-11-04 2005-05-19 General Hospital Corporation Respiration motion detection and health state assessment system
US7194300B2 (en) 2004-01-21 2007-03-20 Cardionet, Inc. Cardiac monitoring
US7107096B2 (en) 2004-01-28 2006-09-12 Angel Medical Systems, Inc. System for patient alerting associated with a cardiac event
US20050234354A1 (en) 2004-04-15 2005-10-20 Rowlandson G I System and method for assessing a patient's risk of sudden cardiac death
US7272435B2 (en) 2004-04-15 2007-09-18 Ge Medical Information Technologies, Inc. System and method for sudden cardiac death prediction
US7462153B2 (en) * 2004-07-23 2008-12-09 Sonomedica, Inc. Method and system for modeling cardiovascular disease using a probability regession model
US7630756B2 (en) 2004-10-19 2009-12-08 University Of Washington Long-term monitoring for detection of atrial fibrillation
US8326407B2 (en) * 2004-10-19 2012-12-04 University Of Washington Long-term monitoring for discrimination of different heart rhythms
EP1875248A2 (en) * 2005-03-29 2008-01-09 Inverness Medical Switzerland GmbH Device and method of monitoring a patient
WO2006136972A1 (en) 2005-06-22 2006-12-28 Koninklijke Philips Electronics N.V. An apparatus to measure the instantaneous patients' acuity value
US7451213B2 (en) * 2005-09-30 2008-11-11 Iq Company Online forecasting system and method
US8781566B2 (en) * 2006-03-01 2014-07-15 Angel Medical Systems, Inc. System and methods for sliding-scale cardiac event detection
EP2327361A1 (en) 2006-03-03 2011-06-01 Cardiac Science Corporation Methods for quantifying the risk of cardiac death using exercise induced heart rate variability metrics
US9679341B2 (en) * 2006-05-30 2017-06-13 The University Of North Carolina At Chapel Hill Methods, systems, and computer readable media for evaluating a hospital patient's risk of mortality
US8155735B2 (en) 2006-09-19 2012-04-10 The Cleveland Clinic Foundation Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients
US20080161712A1 (en) * 2006-12-27 2008-07-03 Kent Leyde Low Power Device With Contingent Scheduling
US8369944B2 (en) 2007-06-06 2013-02-05 Zoll Medical Corporation Wearable defibrillator with audio input/output
US8271082B2 (en) 2007-06-07 2012-09-18 Zoll Medical Corporation Medical device configured to test for user responsiveness
US20090093686A1 (en) * 2007-10-08 2009-04-09 Xiao Hu Multi Automated Severity Scoring
US8019406B2 (en) * 2008-03-10 2011-09-13 Biotronik Crm Patent Ag Apparatus and method to assess the risk of R-on-T event
EP2257216B1 (en) 2008-03-12 2021-04-28 Medtronic Monitoring, Inc. Heart failure decompensation prediction based on cardiac rhythm
US20090275848A1 (en) * 2008-04-30 2009-11-05 Transoma Medical, Inc. Cardiac Risk Assessment
US9713701B2 (en) 2008-07-31 2017-07-25 Medtronic, Inc. Using multiple diagnostic parameters for predicting heart failure events
US9545215B2 (en) 2008-07-31 2017-01-17 Medtronic, Inc. Apparatus and method for detecting cardiac events
US8200319B2 (en) * 2009-02-10 2012-06-12 Cardionet, Inc. Locating fiducial points in a physiological signal
US20120022336A1 (en) 2010-07-21 2012-01-26 Streamline Automation, Llc Iterative probabilistic parameter estimation apparatus and method of use therefor
WO2010126625A1 (en) * 2009-04-30 2010-11-04 Medtronic, Inc. Patient state detection based on support vector machine based algorithm
WO2011060361A1 (en) * 2009-11-13 2011-05-19 Bg Medicine, Inc. Risk factors and prediction of myocardial infarction
CN101877027A (zh) * 2009-11-23 2010-11-03 天津渤海化工集团公司劳动卫生研究所 基于风险分析的工作场所职业危害评价技术
US20110184296A1 (en) * 2010-01-27 2011-07-28 Newcardio, Inc. Method and system for quantitative assessment of cardiac electrical events
KR20130044207A (ko) 2010-02-12 2013-05-02 졸 메디컬 코포레이션 제세동기 충전
SG183435A1 (en) 2010-03-15 2012-09-27 Singapore Health Serv Pte Ltd Method of predicting the survivability of a patient
WO2011126823A1 (en) * 2010-03-29 2011-10-13 Medtronic, Inc. Method and apparatus for monitoring tissue fluid content for use in an implantable cardiac device
CN102650994A (zh) * 2011-02-24 2012-08-29 悦康健康管理顾问科技股份有限公司 人体状况的整合管理系统及其管理方法
US20130087609A1 (en) * 2011-06-17 2013-04-11 The University of Washington through its Center for Commercialization, a public Institution of Hig Medical Device Tracking System and Method
US20130231949A1 (en) * 2011-12-16 2013-09-05 Dimitar V. Baronov Systems and methods for transitioning patient care from signal-based monitoring to risk-based monitoring
WO2013116243A1 (en) * 2012-01-30 2013-08-08 Ross Medical Corporation Dynamic risk management and resource allocation and treatment system and method
US9005129B2 (en) * 2012-06-22 2015-04-14 Fitbit, Inc. Wearable heart rate monitor
US10413251B2 (en) 2012-10-07 2019-09-17 Rhythm Diagnostic Systems, Inc. Wearable cardiac monitor
US10827983B2 (en) 2012-10-30 2020-11-10 The Johns Hopkins University System and method for personalized cardiac arrhythmia risk assessment by simulating arrhythmia inducibility
US9775533B2 (en) * 2013-03-08 2017-10-03 Singapore Health Services Pte Ltd System and method of determining a risk score for triage
US9247911B2 (en) 2013-07-10 2016-02-02 Alivecor, Inc. Devices and methods for real-time denoising of electrocardiograms
US20150088020A1 (en) 2013-09-25 2015-03-26 Bardy Diagnostics, Inc. System and Method For Interactive Processing Of ECG Data
US10055549B2 (en) * 2013-10-10 2018-08-21 Wireless Medical Monitoring, Inc. Method and apparatus for wireless health monitoring and emergent condition prediction
CN103622683B (zh) * 2013-11-29 2015-04-22 沈阳医学院 用于预测降钙素使用后高血压发生风险的血压预测装置
EP3079571A4 (en) 2013-12-12 2017-08-02 Alivecor, Inc. Methods and systems for arrhythmia tracking and scoring
US9414761B2 (en) 2014-06-02 2016-08-16 Indian Institute Of Technology Delhi QRS complex identification in electrocardiogram signals
US9700218B2 (en) * 2014-09-29 2017-07-11 Covidien Lp Systems and methods for reducing nuisance alarms in medical devices
US10194821B2 (en) 2014-10-29 2019-02-05 Khalifa University of Science and Technology Medical device having automated ECG feature extraction
CN104382582B (zh) * 2014-11-10 2016-08-31 哈尔滨医科大学 一种对动态心电数据进行分类的装置
WO2016077786A1 (en) 2014-11-14 2016-05-19 Zoll Medical Corporation Medical premonitory event estimation
US9839363B2 (en) * 2015-05-13 2017-12-12 Alivecor, Inc. Discordance monitoring
EP3676852B1 (en) * 2017-09-01 2024-07-10 University of Cincinnati System, method, computer program product and apparatus for dynamic predictive monitoring in the critical health assessment and outcomes study/score/(chaos)

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110004110A1 (en) * 2000-05-30 2011-01-06 Vladimir Shusterman Personalized Monitoring and Healthcare Information Management Using Physiological Basis Functions
US20050181386A1 (en) * 2003-09-23 2005-08-18 Cornelius Diamond Diagnostic markers of cardiovascular illness and methods of use thereof
US20070208263A1 (en) * 2006-03-01 2007-09-06 Michael Sasha John Systems and methods of medical monitoring according to patient state
CN103493054A (zh) * 2010-10-12 2014-01-01 美国西门子医疗解决公司 用于预测心血管病发展的医疗信息技术系统
US20130331719A1 (en) * 2012-06-11 2013-12-12 Gary A. Freeman Resuscitation enhancements

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115274102A (zh) * 2022-06-06 2022-11-01 安徽省立医院(中国科学技术大学附属第一医院) 静脉血栓栓塞症人工智能防治系统、方法、装置及介质
CN115274102B (zh) * 2022-06-06 2023-09-19 安徽省立医院(中国科学技术大学附属第一医院) 静脉血栓栓塞症人工智能防治系统、方法、装置及介质

Also Published As

Publication number Publication date
JP2022033796A (ja) 2022-03-02
JP2018503885A (ja) 2018-02-08
CN107408144A (zh) 2017-11-28
EP3892198A1 (en) 2021-10-13
JP6986262B2 (ja) 2021-12-22
US20190216350A1 (en) 2019-07-18
US11311230B2 (en) 2022-04-26
EP3892198B1 (en) 2024-03-06
EP3204881B1 (en) 2021-05-26
US20160135706A1 (en) 2016-05-19
CN107408144B (zh) 2021-07-06
EP3204881A4 (en) 2018-03-28
EP3204881A1 (en) 2017-08-16
WO2016077786A1 (en) 2016-05-19
JP7388664B2 (ja) 2023-11-29

Similar Documents

Publication Publication Date Title
US11311230B2 (en) Medical premonitory event estimation
US11992693B2 (en) Systems and methods for detecting health disorders
US10857371B2 (en) Wearable cardioverter defibrillator (WCD) causing patient's QRS width to be plotted against the heart rate
JP6567728B2 (ja) 患者の生存性を予測する方法
US11942222B2 (en) Medical device for estimating risk of patient deterioration
CN113811246A (zh) 基于机器学习的去极化识别和心律失常定位可视化
US10470702B2 (en) Assigning zone-based rankings and actions
US11763449B2 (en) Systems and methods for generating and applying matrix images to monitor cardiac disease
WO2023154864A1 (en) Ventricular tachyarrhythmia classification
US20240047072A1 (en) Health event prediction
US20220369937A1 (en) Acute health event monitoring
WO2024059101A1 (en) Adaptive user verification of acute health events
WO2024059160A1 (en) Acute health event detection during drug loading
WO2023154263A1 (en) Techniques for improving efficiency of detection, communication, and secondary evaluation of health events

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination