CN113678208A - 主动脉狭窄超声心动图随访专家系统 - Google Patents
主动脉狭窄超声心动图随访专家系统 Download PDFInfo
- Publication number
- CN113678208A CN113678208A CN202080026289.8A CN202080026289A CN113678208A CN 113678208 A CN113678208 A CN 113678208A CN 202080026289 A CN202080026289 A CN 202080026289A CN 113678208 A CN113678208 A CN 113678208A
- Authority
- CN
- China
- Prior art keywords
- imaging
- patient
- aortic stenosis
- aortic
- measurements
- 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
Links
- 206010002906 aortic stenosis Diseases 0.000 title claims abstract description 353
- 238000003384 imaging method Methods 0.000 claims abstract description 248
- 238000005259 measurement Methods 0.000 claims abstract description 164
- 230000007774 longterm Effects 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000006872 improvement Effects 0.000 claims abstract description 4
- 210000001765 aortic valve Anatomy 0.000 claims description 38
- 230000000747 cardiac effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 230000008602 contraction Effects 0.000 claims description 15
- 230000002861 ventricular Effects 0.000 claims description 14
- 238000002591 computed tomography Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 206010024119 Left ventricular failure Diseases 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 10
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 210000000709 aorta Anatomy 0.000 claims description 8
- 210000004115 mitral valve Anatomy 0.000 claims description 8
- 230000003205 diastolic effect Effects 0.000 claims description 6
- 206010002915 Aortic valve incompetence Diseases 0.000 claims description 5
- 201000002064 aortic valve insufficiency Diseases 0.000 claims description 5
- 208000020128 Mitral stenosis Diseases 0.000 claims description 4
- 208000006887 mitral valve stenosis Diseases 0.000 claims description 4
- 238000012285 ultrasound imaging Methods 0.000 claims description 3
- 206010002329 Aneurysm Diseases 0.000 claims description 2
- 201000001943 Tricuspid Valve Insufficiency Diseases 0.000 claims description 2
- 206010044640 Tricuspid valve incompetence Diseases 0.000 claims description 2
- 206010044642 Tricuspid valve stenosis Diseases 0.000 claims description 2
- 201000010298 pulmonary valve insufficiency Diseases 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 description 29
- 238000000034 method Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 11
- 238000002592 echocardiography Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 230000017531 blood circulation Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000002526 effect on cardiovascular system Effects 0.000 description 4
- 206010027727 Mitral valve incompetence Diseases 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 210000000591 tricuspid valve Anatomy 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000010967 transthoracic echocardiography Methods 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 210000000702 aorta abdominal Anatomy 0.000 description 1
- 210000002376 aorta thoracic Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000018578 heart valve disease Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 208000009138 pulmonary valve stenosis Diseases 0.000 description 1
- 208000030390 pulmonic stenosis Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—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
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- 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
- A61B5/026—Measuring blood flow
- A61B5/0285—Measuring or recording phase velocity of blood waves
-
- 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
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- 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
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Hematology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Vascular Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种成像检查分析方法,包括接收针对患者的患者数据集,该患者数据集包括针对与长期医疗状况(诸如主动脉狭窄(AS))有关的变量集的测量,该测量通过患者的成像检查来获得。针对一个或多个未来时间间隔,生成在未来时间间隔处针对患者的长期医疗状况的预定等级的似然性(例如严重AS等级的似然性)。该似然性使用在针对过去患者的训练数据集上训练出的分类器而被生成。基于似然性,随访成像检查日期建议被确定。针对患者的不一致测量可以被标识为如下测量:与针对相同变量的先前测量相比,该测量的值与先前测量的时间与当前时间之间的患者的长期医疗状况中的改善一致。
Description
技术领域
以下内容通常涉及心脏病学领域、超声心动图领域、心脏成像领域、患者调度领域以及相关领域。
背景技术
当主动脉瓣变窄时,主动脉狭窄(AS)发生。随着时间的推移,对应于AS收缩的增加,AS的等级从“轻度”发展到“中度”再到“严重”。针对按等级被分为严重的AS,以主动脉瓣置换形式的干预通常被指示。经胸廓超声心动图通常被用以对AS进行分等级,虽然其他心脏成像方式(诸如MRI或CT)也可以被使用。被调度以定期时间间隔的随访AS成像检查通常取决于AS等级(“轻度”、“中度”或“严重”),随着AS等级的恶化,时间间隔减少。欧洲采用的常见随访间隔调度建议针对严重AS每6个月、针对中度AS每1年、并且针对轻度AS每1至3年进行随访超声心动图检查。相比之下,美国有时所使用的间隔有所不同,尤其是在初始AS阶段,例如建议针对严重AS每6至12个月进行随访超声心动图检查,针对中度AS每1至2年,并且针对轻度AS每3至5年。
下文公开了某些改进。
发明内容
在本文所公开的一些非限制性说明性实施例中,非暂态存储介质存储由电子处理器可读取的和可执行的指令,以执行主动脉狭窄成像检查分析方法,该主动脉狭窄成像检查分析方法包括:接收针对患者的患者数据集,患者数据集包括针对主动脉狭窄变量集的测量,主动脉狭窄变量集的测量通过在成像检查日期执行的患者的主动脉狭窄成像检查来获得;针对相对于成像检查日期的一个或多个未来时间间隔,生成在未来时间间隔处针对患者的严重主动脉狭窄等级的似然性;基于所生成的似然性,确定随访主动脉狭窄成像检查日期建议。(多个)似然性通过使用在针对过去患者的训练数据集上训练出的分类器来处理患者数据集而被生成,训练数据集包括针对主动脉狭窄变量集的如下测量值:该测量通过相应的过去患者的主动脉狭窄成像检查来获得,并且被标记有截至相对于相应的过去患者的主动脉狭窄成像检查的相应的成像检查日期的未来时间间隔,相应的过去患者是否被诊断为具有严重主动脉狭窄等级。
在本文公开的一些非限制性示例性实施例中,主动脉狭窄成像检查设备被公开,包括:成像设备,成像设备被配置为在成像检查日期执行患者的主动脉狭窄成像检查;电子处理器;以及非暂态存储介质,存储由电子处理器可读取和可执行的指令,以执行主动脉狭窄成像检查分析方法。成像设备包括显示器和一个或多个用户输入设备。主动脉狭窄成像检查分析方法包括:提供成像设备用户界面,经由成像设备用户界面,主动脉狭窄成像检查的一个或多个图像被显示在成像设备的显示器上,并且经由成像设备用户界面,针对主动脉狭窄变量集的测量经由来自成像设备的一个或多个用户输入设备的输入而被提供;从电子数据存储装置中取得针对主动脉狭窄变量的先前测量,该先前测量通过在成像检查日期先前执行患者的先前主动脉狭窄成像检查来获得;从针对主动脉狭窄变量集的测量中将针对患者的不一致测量标识为如下测量:与所取得的先前测量中针对相同的主动脉狭窄变量的先前测量相比,该测量的值与在患者被执行的先前主动脉狭窄成像检查的时间与成像检查日期之间的患者的主动脉瓣的收缩的减少一致;以及在成像设备用户界面上显示指示不一致测量的消息。
在本文公开的一些非限制性示例性实施例中,成像检查分析方法被公开。在电子处理器处接收患者数据集。患者数据集包括与长期医疗状况有关的变量集的测量,该测量通过在成像检查日期执行的患者的成像检查来获得。针对相对于成像检查日期的一个或多个未来时间间隔,通过由电子处理器执行的处理操作,生成在未来时间间隔处针对患者的长期医疗状况的预定等级的似然性,其中似然性通过使用分类器处理患者数据集来生成,分类器在针对过去患者的训练数据集上被训练,训练数据集包括针对与长期医疗状况有关的变量集的如下测量:该测量通过相应的过去患者的成像检查来获得,并且被标记有截至相对于相应的过去患者的成像检查的相应的成像检查日期的未来时间间隔,相应的过去患者是否被诊断为具有预定等级。基于所生成的似然性,随访成像检查日期建议被确定,用于执行随访成像检查,以评估针对患者的长期医疗状况。
一个优势在于以人口级别减少了用于监测AS而被执行的成像检查的数目。
另一个优势在于对具有加速恶化风险较高的患者进行预期随访成像和相关治疗。
另一个优势在于减少了用于监测AS的招回成像检查的数目。
另一个优势在针对用于监测AS的成像设备提供了更高效的用户界面。
另一个优势在于提供了用于监测AS的更有效的随访成像检查调度。
给定实施例可以不提供、提供一个、两个、更多或所有上述优点,和/或可以提供本领域普通技术人员在阅读和理解本公开后将变得明显的其他优点。
附图说明
本发明可以采用各种组件和组件的布置以及各种步骤和步骤的布置的形式。附图仅用于说明优选实施例的目的,并且不应当被解释为限制本发明。
图1图示地说明了主动脉狭窄(AS)成像检查系统,包括提供测量一致性检验和随访AS成像检查调度的专家系统。
图2图示地说明了由图1的AS监测系统适当地执行的AS监测方法。
图3图示地说明了适合于选择针对图1的AS监测系统的随访AS成像检查调度组件的输入的特征的特征选择过程。
图4图示地说明了图1的AS监测系统的随访AS成像检查调度组件的适当实现。
图5示意性地示出了针对图1的AS监测系统的随访AS成像检查调度组件的示例性实现的接收器操作特性(ROC)曲线。
具体实施方式
当心脏的主动脉瓣变窄时主动脉狭窄(AS)发生,减少了从心脏流入主动脉的血液流量。AS是常见的瓣膜疾病,并且是发病率和死亡率的重要原因。通过超声心动图的监测针对所有具有AS的患者是建议的。具有AS的无症状患者仍然应当接受随访,因为AS是随着时间而发展的持续性疾病。无症状患者应当根据疾病的严重程度,在不同的时间间隔进行超声心动图随访。AS被分等级为轻度、中度或严重,例如使用表1的说明性指南,该指南采用了主动脉峰值速度、主动脉平均梯度和主动脉瓣面积的主动脉狭窄变量。
表1
如果每位AS患者在过渡期间没有因为并存病而死亡,则AS患者最终将发展至严重AS。具有严重AS的患者发生心力衰竭、晕厥、心绞痛或死亡的风险增加,并且理想情况下应当在达到严重状态之前或之后不久进行主动脉瓣置换。另一值得注意的情况是患者发展出左心室功能不全。左心室功能不全针对具有AS的患者是严重情况,并且需要进一步的临床评估。如果AS严重,则这可能是左心室功能不全的原因,并且患者通常应当进行瓣膜置换。如果AS不严重,则左心室功能不全可能是由于其他疾病或状况(例如,冠心病)引起的,并且进一步的临床评估应当被执行以标识或排除这种原因。一般地,具有经胸廓超声心动图的以取决于瓣膜的严重程度的间隔的周期监测对具有已知AS的无症状患者是建议的。其他心脏成像方式也可以被备选地使用,诸如使用磁共振成像(MRI)扫描仪或计算机断层扫描(CT)扫描仪,但超声心动图往往是一种特别地有成本效益的成像方式。如前所述,欧洲所采用的常见随访间隔调度建议针对严重AS每6个月、针对中度AS每1年、以及针对轻度AS每1-3年执行随访超声心动图检查。相比之下,美国有时所使用的时间间隔有所不同,尤其是在AS的初始阶段,例如建议针对严重AS每6至12个月,针对中度AS每1至2年,以及针对轻度AS每3至5年进行随访超声心动图。
但是,严格的随访成像检查调度可能是效率低下。本文所公开的是使用人工智能(AI)方法,对具有稳定AS的患者可以被表征,以便调度随访AS成像检查,该AS成像检查是对特定单个AS患者的AS进展而定制的。相比之下,使用现有的严格的AS随访成像检查,稳定的患者有时会接收不必要的AS随访成像,这给医疗保健系统引入了不必要的成本,并且给AS患者带来了不便和压力。仅避免部分这种多余的AS成像检查可以使医院工作量和社会成本显著降低。
不必要的AS成像的另一来源是招回AS成像检查。本文所公开的实施例对AS测量执行一致性检验,以检测与已知进展不一致的结果,在已知进展中,AS仅能够随着时间而恶化(除了主动脉瓣置换干预的情况,或者可能在发展了左心室功能不全的患者的情况中,这可能需要如上所述的深度临床评估)。AS是主动脉瓣的收缩。因此,换而言之,随着时间,AS的进展是患者的主动脉瓣的收缩仅能够增加。如本文所使用的,“所增加的收缩”指血液流动的堵塞变得更大,即,所增加的收缩使血液流动通过的主动脉瓣的管腔变得更窄。相反,患者的主动脉瓣的收缩的减少将对应于堵塞变小,即所减少的收缩将对应于血液流过的主动脉瓣的管腔变得更宽。这种主动脉瓣的收缩的减少在任何AS患者中预期不会出现,因为AS仅能够随着时间而恶化(同样,除了主动脉瓣置换干预的情况)。(注意:主动脉瓣的收缩的减少在具有AS的患者中总是被预期的,即使是在左心室功能不全的情况下并且除了其中已经存在主动脉瓣干预。但是在左心室功能不全的情况下,AS的测量可能会变化,并且峰值速度可能会降低,因为它取决于心博量等。)
本文公开了在本文基础上对通过主动脉狭窄成像检查而获得的AS测量执行一致性检验。在该方案中,以下针对患者的不一致测量被标识为如下测量:该测量的值与针对同一主动脉狭窄变量的先前测量相比,与在患者被执行的先前主动脉狭窄成像检查的时间与当前成像检查日期之间的患者的主动脉瓣的收缩的减少一致。因为收缩中的这种减少在物理上是不现实的,因此不一致被标识,并且指示不一致测量的消息可以被显示在成像设备显示器上。通过这种方案,成像技术人员(或执行AS成像检查的其他合格医疗专业人员)在患者仍然在接受AS成像检查时意识到不一致性,使得不一致性可以被调查并且被潜在地纠正(例如,通过重复成像采集或重新测量已经获得的心脏图像中的变量),以避免招回检查。通过非限制性示例的方式,当前测量低于针对同一主动脉速度或梯度变量的先前测量的主动脉速度或梯度变量是不一致的,因为较低的速度对应于较小的收缩,这在物理上是不现实的。作为另一非限制性说明性示例,当前测量高于针对同一主动脉瓣面积的先前测量的主动脉瓣面积变量是不一致的,因为随着时间的推移,所指示的管腔横截面积中的增加也不是物理上真实的AS进展。
参考图1,AS成像检查系统被图示地示出,它包括提供随访AS成像检查建议的专家系统,并且还包括测量一致性和/或缺失测量检测。说明性系统包括心脏成像设备10,在该说明性示例中,心脏成像设备10是被编程为执行心脏成像的心脏超声波成像系统(即,超声心动图仪)12。备选地,成像设备10可以是MRI扫描仪、CT扫描仪或者能够采集心脏图像的任何其他成像方式,从该图像中针对AS变量集的测量可以被获得,用于表征主动脉狭窄(例如,主动脉速度变量、主动脉瓣面积变量,其中“面积”指血流通过的主动脉瓣管腔的横截面积、瓣膜的钙测量值等)。如通过说明性超声心动图设备12所示,心脏成像设备10通常包括用于呈现心脏图像和/或显示AS测量值等的显示器14,以及一个或多个用户输入设备16(例如,键盘、跟踪球/鼠标/轨迹板或其他指点设备、触摸屏、口述麦克风等)。AS成像检查系统还包括AS成像工作流组件20,通过该组件心脏病专家、成像技术人员或其他有资格的医疗人员解释和报告超声心动图。说明性工作流组件20包括用户界面22,经由该用户界面22,主动脉狭窄成像检查的一个或多个图像(其中图像由成像设备10获取)被显示在显示器14上,并且经由该用户界面22,经由来自一个或多个用户输入设备16的输入,针对主动脉狭窄变量集的测量被提供。说明性工作流组件20进一步包括存储AS成像检查的(多个)图像和各种相关数据(例如,针对主动脉狭窄变量集的测量、关于患者的附加人口统计数据、诸如唯一患者标识符的患者管理数据等)的非暂态数据存储介质24(例如,磁盘或其他磁存储介质、固态驱动器或其他电子存储介质等)。示例性工作流组件20进一步包括AS指南26的实现,用于基于针对从患者的AS成像检查中获得的AS变量集的测量,并且可能还基于其他患者数据(例如人口统计数据),来评估患者是否患有AS,并且如果是,对AS进行分等级。示例性工作流组件20可以使用任何合适的心脏病学和/或医学成像信息系统来实现,该系统包括存储在非暂态存储介质28上并且在电子处理器30上运行(即,指令由电子处理器30读取和执行)的软件。例如,示例性工作流组件20可以由存储在非暂态存储介质28上并且在电子处理器30上运行的智能空间心血管(ISCV)管理解决方案(可从Koninklijke Philips N.V.获得的软件)实现。如本文所公开的,通过提供实现主动脉狭窄成像检查分析的方面的进一步组件32、34、36的组合,心脏病学信息组件被扩展了。这些进一步的组件包括以下一项或多项:测量完整性组件32、测量一致性检验组件34和/或随访AS成像检查调度组件36。
应当理解,非暂态存储介质28和电子处理器30可以以不同方式实现和/或以不同方式分布。例如,电子处理器30可以包括以下一项或多项:成像设备10的电子处理器或相关联的成像控制器(例如,连接以控制成像设备的台式计算机等);说明性的基于网络的服务器计算机38;实现云计算资源(未示出)的计算机自组(ad hoc)网络;其各种组合;和/或等等。类似地,非暂态存储介质28可以包括以下一项或多项:RAID或其他基于网络的磁存储;固态硬盘(SSD)或其他电子数据存储设备;光盘或其他光学数据存储装置;其各种组合;和/或等等。应当理解,各种功能的执行和实现这些功能的软件的执行的对应分布可以被分布在各种电子处理器上(因此,本文所使用的“电子处理器”应当被理解为涵盖包括单个电子处理器的实施例和包括两个或更多个电子处理器的组合的实施例两者);并且同样地,用于实现这些功能的软件的存储装置可以分布在一个、两个或更多个物理非暂态存储介质上(因此,本文所使用的“非暂态存储介质”应当被理解为涵盖包括单个非暂态存储介质的实施例和包括两个或多个非暂态存储介质的组合的实施例两者)。例如,在一些实施例中,与呈现用户界面22以及一致性和完整性检验32、34相关的处理由说明性超声心动图12的电子处理器来执行,而AS成像检查调度组件36的更多计算复杂的处理是由基于网络的服务器计算机38(或云计算资源或具有大处理能力的其他(多个)电子处理器)来执行。
继续参考图1并且简要参考图2,说明性的AS成像检查分析工作流程被以高级别示出。在操作S1中,患者的AS成像检查的(多个)图像被采集,并且临床医生操作用户界面22以可视地查看显示在14上的(多个)心脏图像,并且经由来自一个或多个用户输入设备16的输入提供针对主动脉狭窄变量集的测量。提供测量应当被广义地理解为涵盖可以提供测量的一系列方式,诸如:键入测量值;操纵叠加在显示的心脏图像上的光标,以图形方式描绘测量,诸如主动脉瓣直径(其中,附加的或不同的参数,即主动脉瓣面积,可以被计算为πr2,其中r是图形地测量的主动脉瓣直径的一半,即r是主动脉瓣半径);经由用户对话选择以接受由电子处理器从(多个)AS图像计算的测量;接收由电子处理器从(多个)AS图像自动计算的测量,而无需这样的用户接受操作;和/或等等。这些测量也可以由人工智能图像分析设备被自动获得。
在测量被完全录入后,在完整性检验组件32执行的操作S2中,已接收的AS测量与AS变量集Sv进行比较,以标识任何缺失的测量,并且如果缺失的测量由此被标识,则指示缺失的AS变量的消息被随后显示在用户界面22上。优选地,临床医生随后将使用已经采集的心脏图像执行缺失测量,或者如果必要将采集提供数据的附加心脏图像,用于执行(多个)缺失测量。AS变量集Sv优选地包括被认为对进行AS分等级重要的所有AS变量。换而言之,AS变量集Sv优选地包括可能触发招回检查以获得缺失的测量的每个AS变量(如果在当前AS成像检查中没有被测量)。
在由一致性检验组件34执行的操作S3中,已接收的AS测量与先前的AS成像检查PE进行比较,如果这样的先前的检查PE可用。一致性检验S3确定在先前检查PE与当前检查之间的任何(多个)AS变量的进展在物理上是否不现实。在AS分等级的情况下,预期(在没有主动脉瓣置换或被诊断为左心室功能不全的情况下)患者的主动脉瓣的收缩只能保持不变或随着时间变得更差(即,更收缩的,即,收缩增加,由此使血流通过的瓣膜管腔面积减少)。因此,与针对所取得的先前测量中的相同主动脉狭窄变量的先前测量相比,任何测量的值与在患者的先前主动脉狭窄成像检查PE被执行的时间与当前AS成像检查的成像检查日期之间的主动脉瓣的收缩的减少相一致,该值不是AS长期状况的物理现实进展。作为具体示例:当前测量中任何较低的速度测量在物理上是不现实的(这是因为更收缩的主动脉瓣由于其被更窄的主动脉瓣管腔横向地压缩而导致血液流动速度增加)。类似地,当前测量中较低的任何主动脉梯度测量在物理上是不现实的(原理类似于针对速度变量的原理)。另一方面,在当前测量中较大的任何瓣膜直径或瓣膜面积测量在物理上是不现实的(这是一种直接测量,即瓣膜在当前测量中收缩较小,这在物理上是不现实的)。如果由此不一致的测量被标识出,则指示不一致测量的消息被显示在用户界面22上。优选地,临床医生将审阅该情况,以确定当前测量(或者可能是先前的测量)是否存在错误。如果怀疑当前测量存在错误,则它优选地被重新测量(包括在认为适当的情况下重新采集(多个)潜在的图像)。一致性检验S3优选地针对一致性检验可以被限定的AS变量集Sv中的任何AS测量(例如,基于长期状况的所预期的进展,当前测量预计将随时间而提高或减少)被执行。针对临床医生分配的AS等级,类似的一致性测试(例如,在某些系统中由AS等级查找代码(FC)表示)可以被执行。如果临床医生在当前AS成像检查中为患者分配的AS等级优于先前的检查PE,则这可能被标记为不一致(同样,假设在先前与当前成像检查之间没有主动脉瓣置换被执行,这可以通过访问心血管信息系统或其他相关患者数据库中的患者的电子记录来检验)。通过说明的方式,如果针对当前的成像检查,临床医生将患者的AS等级分配为“轻度”,但是先前的检查包括指示患者AS等级为“中度”的FC,则这是应该被标记的不一致。
附加地/备选地,考虑针对由一致性检验组件34执行的一致性检验S3采用其他类型的一致性检验。例如,测量可以对针对测量的值的可信范围进行检验,并且任何不可信的测量因此被标记为不一致的测量。例如,主动脉面积变量被预期具有正值,并且针对每个变量也可能存在一个实际的上范围值集,如果超过该上范围值集,则被标记为不一致的测量。这些类型的检验还能够标识不实际的AS测量值,以鼓励在患者在进行AS成像检查时执行重新测量,使得减少或消除招回检查。
继续参考图1和图2,由AS成像检查调度组件36执行的操作S4,随访AS成像检查日期建议被生成,并且显示在用户界面22上。AS成像检查调度组件36的一些说明性实施例的操作将参考图1和图3至图5被更详细地描述;但是,通常在过去进行AS成像检查的患者上训练的机器学习组件以生成针对一个或多个未来时间间隔(相对于当前AS成像检查的日期所测量的)的(多个)似然性的估计,即患者在这些未来时间间隔将具有严重AS等级的似然性。因此,如果机器学习组件估计患者具有以一年为间隔发展至严重AS的低似然性(例如低于某个阈值),但是具有以两年为间隔发展至严重AS的高似然性(例如高于阈值),则AS成像检查调度组件36随后可以适当地建议将随访AS成像检查调度为从目前AS成像检查的当前日期起两年。
在一些实施例中,针对所公开的AS成像检查分析专家系统的实施例的用户界面22被提供在超声心动图设备12、MRI描仪、CT扫描仪或用于执行AS成像检查的其他心脏成像设备10处(例如,使用说明性超声心动图仪12的显示器14和(多个)用户输入设备16)。通过这种方式,临床医生接收关于在S2、S3操作中任何缺失或不一致的AS测量的立即反馈,使得允许立即纠正,而无需调度招回检查,并且下一AS成像检查可以根据专家系统36基于个体化所提供的随访AS检查调度建议,在当前AS成像检查完成后立即被调度在操作S4中。为了促进支持后一特征,在一些实施例中,提供调度建议的人工智能(AI)组件36仅接收AS成像测量作为输入,其在成像设备10处容易获得。(在调度建议中用于使用的患者数据的这种排他性仅是可选特征;在其他所考虑的实施例中,附加的输入(诸如患者人口统计数据)也可以由AI组件36接收,并且由AI组件36在做出调度建议中使用)。
还可以注意到,AS成像检查分析可以合并这些操作S2、S3、S4中的任何单一操作,或者可以合并这些操作S2、S3、S4中的任何两个操作,或者可以合并这些操作S2、S3、S4中的所有三个操作(如在图1和图2的说明性示例中)。
返回参考图1,完整性检验组件32的说明性实施例被描述。典型的超声心动图报告系统包括不同的数据元素。定量测量(例如AS测量)从(多个)心脏图像中得出。这可以通过人工或计算机辅助测量值支持(可能包括人工智能测量确定组件)完成。在智能空间心血管(ISCV)系统中,图像处理工具(诸如TomTec Arena或QLab)可以被用于此目的。测量也可以被自主地采集。临床医生还可以输入结构化诊断代码,即查找代码(FC),查找代码是与特定诊断相关的结构化代码。内部地,报告然后可以被表示为一系列FC。从一系列FC中,通过将每个FC映射到其自然语言表示上,自然语言和人类可读的报告被生成。附加地或备选地,临床医生可以使用自由文本格式来手动地输入报告信息。如图1所图表地示出的,AS成像工作流组件20可以通过对照AS指南26检验心脏测量和/或与AS有关的FC来评估患者是否患有AS。如果任一数据源包含患者患有AS的证据,则图2的处理操作S2、S3、S4由图1中图示地示出的相应组件32、34、36执行。在一些实施例中,患者患有AS的确定可以被存储在电子健康记录、电子医疗记录、心血管信息系统或其他中央数据库中,用于未来访问,因此AS确定可以通过访问该先前确定来做出。
说明性完整性检验组件32在回声报告环境20中检验,以确定所有输入值字段是否已经被录入。如果一个或多个测量缺失(框40),这可以通过在回声报告环境和/或专用面板中提供适当的消息42(例如,作为错误消息或通过向用户转播被使用的所估算的值直至进一步通知)来被突出显示。在一些实施例中,被提供给用户的反馈是关于缺失数据对建议准确性的影响,例如以错误间隔的形式。这些消息42鼓励心脏病专家指定所有相关输入值(例如AS变量集Sv中的所有输入值,见图2)。
说明性一致性检验组件34在操作43处检验针对患者的先前AS成像检查是否可用(例如,从非暂态数据存储介质24中可取得的)。如果没有这种先前检查可用,则流程转到AS成像检查调度组件36。在另一方面,如果先前的AS成像检查在非暂态数据存储介质24中可用(例如,对应于图2的先前检查PE),则在操作44处,其一致性将被检验的每个测量被检查,以确定当前测量是否指示患者的AS与先前检查相比已经改善。如果是,存在不一致的测量,并且如前针对操作S3所述的而被标记。如果在操作44处,任何测量(或其他已检验的信息,诸如指示临床医生分配的AS等级的FC)指示患者的AS在先前的成像检查与当前的成像检查之间已经改善,则在用户界面22上显示消息46、48,指示不一致的测量(或FC)。
AS成像检查调度组件36的一些说明性实施例接下来被描述。
AS成像检查调度组件36适当地采用深度神经网络、支持向量机或其他人工智能(AI)模型,这些模型获取患者数据集,包括(以说明性示例的方式):AS测量(例如,当使用示例性超声心动图仪12时的超声心动图测量)或其历史;定性评估,诸如,以查找代码的形式诸如AS级别FC或其历史;患者人口统计数据;和/或等等。如前所述,在一些实施例中,仅在成像设备10处可用的AS测量值是输入。作为输出,AI模型预测患者的AS状况是否会在预定时间间隔(例如1年、2年、3年)内发展至严重。针对不同的时间间隔的多个模型可以被创建。这些模型可以被组合成一个决策树,以建议随访间隔:
-如果AS患者的情况被预计将在未来1年内发展至严重,则返回<1年
-否则,如果预计AS患者的状况在未来2年内发展至严重,则返回<2年
-否则,如果预计AS患者的情况将在未来3年发展至严重,则返回<3年
-否则返回>=3年
各种AI模型和训练技术可以被采用。一些合适的AI模型包括随机森林、XGBoost、卷积神经网络(“深度学习”)和逻辑回归。在一个实施例中,AI模型被开发一次,并且按原样用于所有部署站点。在另一实施例中,AI模型基于该模型将被部署的医院的数据库被本地化(即,被训练)。在该实施例中,预先选择的输入参数集可以被使用,或者专用的输入选择步骤被实施(例如,主成分分析)。
尽管说明性实施例利用说明性超声心动图仪12作为AS成像方式,如果某些其他成像方式被使用,则模型基于通过该方式的AS测量被适当地训练,并且因此吸收这些数据。因此,在采用所计算的断层摄影(CT)成像方式的另一实施例中,AI模型对心脏CT或其历史进行测量。在采用磁共振(MR)成像的另一实施例中,AI模型对心脏MR或其历史进行测量。如果这种广泛的AS成像检查测量针对给定医疗机构处的患者是常规可获得的,则也考虑采用AI模型,该模型使用两种或更多种不同成像方式来使用所采集的测量。输入到AI模型的患者数据集可以包括其他患者数据,诸如当前药物(例如,如果患者正在服用已知具有与AS有关的不利副作用的药物)、最近所选择的实验室值或其历史记录、来自可穿戴设备的附加生活方式信息、以国际疾病分类(ICD)代码形式出现的共病等。
在一些实施例中,AS成像检查调度组件36将随访AS成像检查日期建议转换成查找代码(FC)和/或自然语言建议。建议可以在完成前被自动地录入报告中,或者也可以向用户建议以供插入。在另一所考虑的输出实施例中,建议被存储在结构化数据库中,并且随访工作由代理监测。在又一所考虑的实施例中,AS成像检查调度组件36可操作地与相关成像部门(例如,心脏病学部门等)的患者调度系统连接,使得患者能够在当前AS成像检查完成后立即调度随访AS成像检查。
在另一所考虑的变型中,AS成像检查调度组件36与工作流组件20交互,以对照由AI模型输出的AS成像检查日期建议,来检测人工输入的随访AS成像检查日期。为此,它部署自然语言处理技术以(1)检测做出随访建议的句子,以及(2)提取建议间隔(1年、2年等)。该功能可以使用自然语言处理(NLP)处理来实现,例如使用正则表达式方法来检测关键词和语言变型。如果实际所调度的随访日期与AI建议的日期显著不同,则这可以被记录在数据库中和/或被用以自动更新AI模型的训练(在AI模型的动态适应变型中;在一些实施例中,更新训练将等待直到随访检查被实际执行,使得具有关于患者在随访成像检查的时间处是否已经发展至严重AS等级的基本真实信息)。附加地或备选地,与心脏病专家的对话可以被发起,检验心脏病专家是倾向于保留原始建议,还是希望利用AI建议的建议替换它。
针对AS成像检查调度组件36的AI模型适当地操作如下。针对相对于(当前AS成像检查的)成像检查日期的一个或多个未来时间间隔,生成在未来时间间隔处针对患者的严重主动脉狭窄等级的似然性。似然性可以是真实概率(归一化为统一),或者更一般地,可以是非归一化的指示,其指示患者在未来时间间隔处被分等级为具有严重AS的似然性。通过使用分类器(即AI模型)处理输入的患者数据集(至少包括通过在成像检查日执行的患者的AS成像检查而获得的AS变量集的测量),似然性被适当地生成。分类器在针对过去患者的训练数据集上被训练,该训练数据集包括针对AS变量集的如下测量:该测量由相应的过去患者的AS成像检查来获得的,并且被标记有截至相对于相应的过去患者的AS成像检查的相应的成像检查日期的未来时间间隔,相应的过去患者是否被诊断为严重AS等级。基于所生成的似然性,随访主动脉狭窄成像检查日期建议被确定。
在一些实施例中,似然性的生成针对一个或多个相继更大的未来时间间隔而被顺序地执行,直至针对最后测试的未来时间间隔的所生成的似然性超过阈值,并且随访主动脉狭窄成像检查日期建议被确定为最后测试的未来时间间隔。
在一些实施例中,主动脉狭窄变量集包括至少一个主动脉速度变量,诸如峰值主动脉喷射速度、平均主动脉速度、主动脉速度时间积分等。
在一些实施例中,患者数据集包括以下组中的至少五个变量:该组由以下项组成:峰值主动脉喷射速度、平均主动脉速度、主动脉速度时间积分、患者年龄、左心室质量、二尖瓣E波减速的斜率、射血分数、心博量、平均左心室流出道速度和舒张终期容积。
在一些实施例中,患者数据集包括如下变量,该变量包括峰值主动脉喷射速度、平均主动脉速度、主动脉速度时间积分、患者年龄、左心室质量、二尖瓣E波减速的斜率、射血分数、心博量、平均左心室流出道速度和舒张终期容积。
这些仅仅是患者数据集适当内容的一些非限制性示例。
如上述示例中所注意到的,基于所生成的似然性(例如,作为上述更具体示例中的最后测试的未来时间间隔)随访主动脉狭窄成像检查日期建议被确定。该建议可被不同地确定和呈现。例如,建议可以是在一年内执行随访检查;或者,它可以被呈现为实际日期,例如,如果当前AS成像检查在2021年1月30日执行,则建议将随访AS成像检查调度在2022年1月30日。但是,由于这是星期日,建议备选地考虑将随访AS成像检查调度在2022年1月31日星期一或附近的其他工作日。换而言之,建议在一年内执行随访跟进并不必然意味着从当前日期起正好一年,而是可以通过调整合理的数量,使其落在工作日,以避免其他调度冲突等。在其他实施例中,例如,当随访建议是针对一年的随访时,这可能不指示随访检查被调度的确切日期。
现在参考图3至5,描述了在AS成像检查调度组件36中使用的适当AI模型的已算出的非限制性示例。本示例中所使用的超声心动图数据包括总计96146个超声心动图,其中5595个对应于至少被执行过两次超声心动图检查的AS患者(使得先前的检查可用)。数据被组织并且结构化,并且建立了由346个特征组成的数据集,这些特征来自于对超声心动图图像和基本临床数据(年龄、性别、体重和身高)的测量。AS严重程度的初始和最终阶段(根据欧洲和美国指南)以及针对每位患者在这些阶段中的每个阶段的停留时间。
在训练实际模型之前,特征选择操作被执行。传统的机器学习(ML)特征选择技术(诸如“排列重要性”)通常会给出一般的响应。经典的单变量统计分析(卡方(Chi-Square)或ANOVA测试),可能导致I至II类错误。为避免该限制,说明性的已算出的AI示例采用了多变量方差分析(MANOVA)和双标图(Biplot)方法的组合,允许不同组的同时超空间表示(严重/非严重AS)被比较;所分析的不同变量。该方法包括基于维尔克的兰布达(Wilk’sLambda)分布的t测试(用于多元假设测试的概率分布)。它是单变量F分布的多元普遍化,类似于学生的t分布。
参考图3,组和变量两者的超空间表示50被获得了,并且每个组(严重/非严重AS)被代数地投影到每个变量上。产生的组投影的标准化减去表示针对该变量的产生的判别式得分的一个变量。通过扩展,通过所分析的特征,该判别式得分的排名列表52被取得。从特征选择分析中,用于由AI模型吸收的AS变量集被选择。针对已算出示例的AS变量集包括:峰值主动脉喷射速度、平均主动脉速度、主动脉速度时间积分、患者年龄、左心室质量、二尖瓣E波减速的斜率、射血分数、心博量、平均左心室流出道速度和舒张终期容积。同样,这仅仅是非限制性的说明性示例,并且AS变量集中可以包括附加的、更少的和/或其他变量。
总之,32个变量被选择来训练AI模型。针对该已算出的示例,发现至少需要10个变量才能获得良好的结果。保证这10个测量的质量控制有利于确保良好的预测。例如,这种质量控制可以由说明性图1的完整性组件和一致性检验组件32、34来提供。
现在参考图4,在上述所选择的特征集上被训练出的分类器60被图示地说明。说明性的分类模型内嵌三个不同的分类器62、64、66。已算出的分类器60的输入包括由上述特征选择算法选择的变量组成的患者数据集70;更一般而言,如图4所示,患者数据集70可以包括来自超声心动图的测量72、查找代码(FC)72、人口统计数据74等。每个分类器62、64、66在上述训练数据上被训练,以预测患者在一年(分类器62)、两年(分类器64)或三年(分类器66)内是否会发展为严重AS。为了生成已算出的示例,几种以最大化预测的召回(真实正预测的数目除以真实正值的数目)为目的的机器学习算法(逻辑回归、决策树、随机森林、支持向量机等)被测试。目标是在指定的一年、两年或三年的未来时间间隔内,尽可能多地发现不会发展至被分等级为严重AS的患者,而不遗漏在未来时间间隔内将恶化为严重AS等级的患者。最终模型中所使用的具有性能最佳的分类算法是XGBoost。此外,由于所获得的数据集是不平衡的,由于非严重AS病例多于严重AS病例,因此称为平衡打包分类器的ML技术被应用。Python中所实现的这些算法的XGBoost和Imblearn开源库被使用。
继续参考图4,可以看到,三个分类器62、64、66的所内嵌的排列以形成整体分类器60实现了针对一个或多个相继更大的未来时间间隔(由分类器62的一年,随后由分类器64的两年,随后由分类器66的三年)的顺序执行的方法,直到针对最后测试的未来时间间隔的所生成的似然性超过阈值。在该方案中,一年分类器62首先被应用。如果由分类器62生成的似然性超过阈值,则这是最后测试的未来时间间隔,并且随访主动脉狭窄成像检查日期建议被确定为一年(即12个月)时间间隔82。否则(即,其他),接下来应用两年分类器64。如果由分类器64生成的似然性超过阈值,则这是最后测试的未来时间间隔,并且随访主动脉狭窄成像检查日期建议被确定为两年(即24个月)时间间隔84。否则(即,其他),接下来应用三年分类器66。如果由分类器66产生的似然性超过阈值,则随访主动脉狭窄成像检查日期建议被确定为三年时间(即36个月)间隔86。否则(即,其他),随访主动脉狭窄成像检查日期建议被确定为四年(即,48个月)时间间隔88。应当理解,这仅仅是说明性的布置,并且其他分类器拓扑和参数可以被使用。例如,通过在未来不同的时间间隔上训练构成分类器,其他随访时间间隔可以被使用,而不是一年、两年、三年和四年。此外,所内嵌的方法可以包括多于或少于三个所内嵌的分类器,以便针对随访建议相应地提供更粗或更细的时间解析度。此外,除了示例性的所内嵌的拓扑之外,其他分类器拓扑还被考虑。
参考图5,分类器60中所使用的似然性阈值被调整,以通过生成如图5所示出的接收器操作特性曲线(ROC)以选择阈值,从而获得所期望的性能。使用三分之二的数据集作为训练集,并且剩余三分之一作为测试集,通过50次随机重复,模型被评估。由一年模型62、两年模型64、三年模型66相应地获得的ROC曲线下的面积为0.90、0.91和0.86(图5),并且精确度为0.78、0.82和0.77。除了这些结果之外,模型具有假阳性结果率为75%。尽管如此,88%的真阳性结果率被实现,这导致了算出的AI模型是稳健的结论。顺序算法(即图4的内嵌的分类器62、64、66)准确地检测非严重/严重AS转变,以换取过早的预测。
为了测试分类器60在已算出的示例中所训练的性能,将最佳访问(理想情况)与已训练的分类器60所提供的已调度的访问进行比较。发现67.43%的案例被正确分配。两种不同的错误被分析:次要错误和主要错误。次要错误是那些在理想预约前的结果,并且在表2中所制成。主要错误是那些在理想预约之后所调度的访问,并且在表3中所制成。主要错误是具有更大的临床意义,因为当患者发展至严重AS时,它们相当于延迟诊断。主要错误表示小于3%的案例。
表2
表3
所公开的个性化随访调度的重要功用在于这样的事实,针对随访AS成像检查的当前固定的美国和欧洲的指南是保守的,因为它们倾向于调度比必要的更频繁的随访检查,尤其是针对AS稳定的患者。所公开的AS成像检查调度组件36能够使随访时间间隔被优化,尤其是针对AS被分等级为轻度的患者,同时分类器还能够更快地检测可能发展至严重AS的患者。换而言之,对于将迅速发展至严重AS的患者,AI模型与临床指南一样保守,但对于剩余的案例其效率更高。表4提供了本文所做出的通过利用所公开的AS成像检查调度组件36可以被节省的超声心动图研究数目的估计。
表4
模型 | 轻度 | 中度 | 总计 |
欧洲指南 | 92.69% | 12.34% | 41.5% |
美国指南 | 28.46% | 12.34% | 18.19% |
说明性实施例指向主动脉狭窄成像检查分析。然而,应当理解,所公开的测量值完整性组件32、测量值一致性检验组件34和/或随访成像检查调度组件36可以容易地与任何类型的长期医疗状况结合采用,该长期医疗状况随着时间通过按时间间隔调度的医学成像检查被监测。上面所提到的一个这样的应用,即对发展左心室功能不全的患者的检测。在这种情况下,所公开的系统可以被配置为标识该问题,因为系统中的不同变量是与左心室功能有关的,诸如射血分数、心博量、舒张终期容积等。下文提供了通过医学成像监测的长期医疗状况的一些进一步的非限制性示例,并且针对该示例所公开的方法可以被用以提供随访成像检查安排建议。
主动脉返流(AR)是长期医疗状况,通常也通过超声心动图进行监测,以确定AR的数量并且测量左心室功能和维度。当前的临床指南建议针对无症状患者的系列随访检查。这些指南在美国实践(针对严重的每1年,针对中度的每1至2年,针对轻度的每3至5年)和欧洲实践(轻度/中度的心脏超声心动图每2年,严重的每年)之间再次展示出不一致。与AS一样,其他成像方式(诸如CT和/或MRI)也可以被使用代替随访成像检查中的通常的超声心动图。
二尖瓣返流是长期医疗状况,通常也通过超声心动图被监测。具有严重二尖瓣返流和正常左心室射血分数(LVEF)的无症状患者应当使用超声心动图被监测。指南还建议针对无症状患者系列随访检查,其中美国指南(针对严重的每6个月至1年,针对中度的每1至2年,针对轻度的每3至5年)和欧洲指南(轻度/中度心脏超声心动图每2年,严重的每年)之间不一致。二尖瓣狭窄(MS)是另一说明性的非限制性长期医疗状况,通常也通过超声心动图监测的。指南还建议针对无症状患者系列超声心动图随访检查,其中美国指南(针对严重的每1年,针对中度的每1至2年,针对轻度的每3至5年)和欧洲指南(中度的超声心动图每2至3年,严重者每年一次)之间不一致。
所公开的专家随访调度建议系统的实施例可容易地被采用于上述AR、二尖瓣返流或MS,和/或用于其他长期医疗状况,诸如肺动脉瓣狭窄、肺动脉瓣返流、三尖瓣狭窄、三尖瓣返流等,用于各种瓣膜(主动脉、二尖瓣、三尖瓣、肺)的生物瓣膜评估,各种瓣膜(主动脉、二尖瓣、三尖瓣、肺)的机械瓣膜评估等。为了实现针对给定长期医疗状况的随访调度建议专家系统,随访成像检查调度组件36更一般地在电子处理器30处接收针对患者的患者数据集70,该数据集70包括针对通过在成像检查日期执行的对患者的成像检查而获得的、与长期医疗状况有关的变量集Sv的测量(在说明性的示例中为AS)。针对相对于成像检查日期的一个或多个未来时间间隔,通过由电子处理器30执行的处理操作,生成针对患者的在未来时间间隔处的长期医疗状况的预定等级的似然性。通过使用分类器60处理患者数据集70来生成似然性,该分类器60在针对过去患者的训练数据集上被训练,该训练数据集包括与长期医疗状况有关的变量集Sv的如下测量:该测量通过针对相应的过去患者的成像检查来获得,并且被标记有截至在相对于相应的过去患者的成像检查的相应的成像检查日期的未来时间间隔,相应的过去患者是否被诊断为具有预定等级。基于所生成的似然性,随访成像检查日期建议(82、84、86、88)被确定,用于执行随访成像检查,以评估针对患者的长期医疗状况。
同样,测量值一致性检验组件34通常适用于任何长期医疗状况,它的进展预计会随着时间而恶化(缺少类似于用于治疗严重AS的主动脉瓣置换的一些干预措施)。作为一些其他非限制性说明性示例,一些长期医疗状况通过由CT和/或MRI监测,包括针对各种瓣膜(例如,主动脉、二尖瓣、三尖瓣、肺)的瓣膜心脏病监测,其中CT可以例如量化瓣膜中的钙(这是衡量瓣膜钙化的度量),并且其中MRI可以例如量化左室容积和纤维变性。CT和/或MRI还可以提供关于主动脉根以及升、降和腹主动脉的尺寸和几何形状的附加或备选的信息。因此,所监测的长期医疗状况可能是(作为进一步的非限制性示例)主动脉或另一主要血管的动脉瘤,它的进展预计会随着时间的推移而恶化,并且外科或经皮治疗也被建议。在这种情况下,一致性检验需要从电子数据存储装置24向电子处理器30取得与长期医疗状况有关的针对变量集Sv的先前测量,该测量通过在成像检查日期执行的先前患者的先前成像检查来获得。通过由电子处理器30执行的处理操作,从针对与长期医疗状况有关的变量集Sv的测量将针对患者的不一致测量标识为如下测量:与所取得的先前测量中针对相同的变量的先前测量相比,该测量的值与在患者被执行的先前主动脉狭窄成像检查的时间与成像检查日期之间的患者的长期医疗状况的改善一致(再次,针对该标识的理由是,长期医疗状况的类型预计只会随着时间而恶化)。指示不一致测量的消息46、48显示在显示器上。
本发明已经参考优选实施例被描述。在阅读和理解前述具体实施方式后,其他人可以进行修改和变更。示例性实施例旨在被解释为包括所有这种修改和变更,只要它们落入所附权利要求或其等同物的范围内。
Claims (21)
1.一种非暂态存储介质(28),存储由电子处理器(30)可读取并且可执行的指令,以执行主动脉狭窄成像检查分析方法,所述主动脉狭窄成像检查分析方法包括:
接收针对患者的患者数据集(70),所述患者数据集(70)包括针对主动脉狭窄变量集(Sv)的测量,所述主动脉狭窄变量集(Sv)的测量通过在成像检查日期执行的所述患者的主动脉狭窄成像检查来获得;
针对相对于所述成像检查日期的一个或多个未来时间间隔,生成在所述未来时间间隔处针对所述患者的严重主动脉狭窄等级的似然性,其中所述似然性通过使用在针对过去患者的训练数据集上训练出的分类器(60)来处理所述患者数据集而被生成,所述训练数据集包括针对所述主动脉狭窄变量集的如下测量:所述测量通过相应的所述过去患者的主动脉狭窄成像检查来获得,并且被标记有截至相对于相应的所述过去患者的所述主动脉狭窄成像检查的相应的所述成像检查日期的所述未来时间间隔,相应的所述过去患者是否被诊断为具有严重主动脉狭窄等级;以及
基于所生成的所述似然性,确定随访主动脉狭窄成像检查日期建议(82、84、86、88)。
2.根据权利要求1所述的非暂态存储介质(28),其中所述主动脉狭窄变量集(Sv)包括至少一个主动脉速度变量。
3.根据权利要求1至2中任一项所述的非暂态存储介质(28),其中所述患者数据集(70)包括以下组中的至少五个变量,所述组由以下项组成:峰值主动脉喷射速度、平均主动脉速度、主动脉速度时间积分、患者年龄、左心室质量、二尖瓣E波减速的斜率、射血分数、心博量、平均左心室流出道速度和舒张终期容积。
4.根据权利要求1至2中任一项所述的非暂态存储介质(28),其中所述患者数据集(70)包括如下变量,所述变量包括:峰值主动脉喷射速度、平均主动脉速度、主动脉速度时间积分、患者年龄、左心室质量、二尖瓣E波减速的斜率、射血分数、心博量、平均左心室流出道速度和舒张终期容积。
5.根据权利要求1至2中任一项所述的非暂态存储介质(28),其中针对所述患者的所述患者数据集(70)仅包括:针对通过在所述成像检查日期执行的所述患者的所述主动脉狭窄成像检查所获得的所述主动脉狭窄变量集(Sv)的所述测量。
6.根据权利要求1至5中任一项所述的非暂态存储介质(28),其中所述主动脉狭窄成像检查分析方法还包括:
在与所述电子处理器(30)可操作地连接的显示器(14)上显示所述随访主动脉狭窄成像检查日期建议(82、84、86、88)。
7.根据权利要求1至2中任一项所述的非暂态存储介质(28),其中:
所述生成针对一个或多个相继更大的未来时间间隔而被顺序地执行,直到针对最后测试的未来时间间隔所生成的所述似然性超过阈值;并且
所述随访主动脉狭窄成像检查日期建议被确定为所述最后测试的未来时间间隔。
8.根据权利要求1至7中任一项所述的非暂态存储介质(28),其中所述主动脉狭窄成像检查分析还包括:
提供用户界面(22),经由所述用户界面,所述主动脉狭窄成像检查的一个或多个图像被显示在显示器(14)上,并且经由所述用户界面,针对所述主动脉狭窄变量集(Sv)的所述测量经由来自一个或多个用户输入设备(16)的输入而被提供。
9.根据权利要求8所述的非暂态存储介质(28),其中所述主动脉狭窄成像检查分析还包括:
从电子数据存储装置(24)取得针对所述主动脉狭窄变量集(Sv)的先前测量,所述先前测量通过在所述成像检查日期先前执行的所述患者的先前主动脉狭窄成像检查(PE)来获得;
在所述患者数据集(70)中,从针对所述主动脉狭窄变量集的所述测量中将针对所述患者的不一致测量标识为如下测量:与所取得的所述先前测量中针对相同的所述主动脉狭窄变量的所述先前测量相比,该测量的值与在所述患者被执行的所述先前主动脉狭窄成像检查的所述时间与所述成像检查日期之间的所述患者的所述主动脉瓣的收缩的减少一致;以及
经由所述用户界面(22)在显示器(14)上显示指示所述不一致测量的消息(46、48)。
10.根据权利要求9所述的非暂态存储介质(28),其中所述标识包括标识以下至少一项:
主动脉速度或梯度变量,其值低于所取得的所述先前测量中的针对相同的所述主动脉速度或梯度变量的所述先前测量;或者
主动脉瓣面积变量,其值高于所取得的所述先前测量中的针对相同的所述主动脉瓣面积变量的所述先前测量。
11.根据权利要求8至10中任一项所述的非暂态存储介质(28),其中所述接收所述患者数据集包括:
标识所述主动脉狭窄变量集(Sv)中的缺失的主动脉狭窄变量,所接收的所述患者数据集不包括针对所述缺失的主动脉狭窄变量的测量;以及
经由所述用户界面(22)在显示器(14)上显示指示所述缺失的主动脉狭窄变量的消息(42)。
12.一种主动脉狭窄成像检查设备,包括:
成像设备(10、12),所述成像设备被配置为在成像检查日期执行患者的主动脉狭窄成像检查,所述成像设备包括显示器(14)和一个或多个用户输入设备(16);
电子处理器(30);以及
非暂态存储介质(28),存储由所述电子处理器可读取和可执行的指令,以执行主动脉狭窄成像检查分析方法,所述主动脉狭窄成像检查分析方法包括:
提供成像设备用户界面(22),经由所述成像设备用户界面,所述主动脉狭窄成像检查的一个或多个图像被显示在所述成像设备的所述显示器上,并且经由所述成像设备用户界面,针对主动脉狭窄变量集(Sv)的测量经由来自所述成像设备的所述一个或多个用户输入设备的输入而被提供;
从电子数据存储装置(24)取得针对所述主动脉狭窄变量的先前测量,所述先前测量通过在所述成像检查日期先前执行所述患者的先前主动脉狭窄成像检查来获得;
从针对所述主动脉狭窄变量集的所述测量中将针对所述患者的不一致测量标识为如下测量:与所取得的先前测量中针对相同的所述主动脉狭窄变量的所述先前测量相比,该测量的值与在所述患者被执行的所述先前主动脉狭窄成像检查的所述时间与所述成像检查日期之间的所述患者的所述主动脉瓣的收缩的减少一致;以及
在所述成像设备用户界面上显示指示所述不一致测量的消息(46、48)。
13.根据权利要求12所述的主动脉狭窄成像检查设备,其中所标识的所述不一致测量包括主动脉速度或梯度变量,其值低于所取得的所述先前测量中的针对相同的所述主动脉速度或梯度变量的所述先前测量。
14.根据权利要求12所述的主动脉狭窄成像检查设备,其中所标识的所述不一致测量包括主动脉瓣面积变量,其值高于所取得的所述先前测量中的针对相同的所述主动脉瓣面积变量的所述先前测量。
15.根据权利要求12至14中任一项所述的主动脉狭窄成像检查设备,其中所述主动脉狭窄成像检查分析方法还包括:
针对相对于所述成像检查日期的一个或多个未来时间间隔,生成在所述未来时间间隔处针对所述患者的严重主动脉狭窄等级的似然性,其中所述似然性通过使用分类器(60)处理患者数据集(70)来生成,所述分类器在针对过去患者的训练数据集上被训练,所述患者数据集(70)至少包括针对所述主动脉狭窄变量集(Sv)的所述测量,所述训练数据集包括针对所述主动脉狭窄变量集的如下测量:所述测量通过相应的所述过去患者的主动脉狭窄成像检查来获得,并且被标记有截至相对于相应的所述过去患者的所述主动脉狭窄成像检查的相应的所述成像检查日期的所述未来时间间隔,相应的所述过去患者是否被诊断为具有严重主动脉狭窄等级;
基于所生成的所述似然性,确定随访主动脉狭窄成像检查日期建议(82、84、86、88);以及
在所述成像设备用户界面(22)上显示所述随访主动脉狭窄成像检查日期建议。
16.根据权利要求15所述的主动脉狭窄成像检查设备,其中:
所述生成针对一个或多个相继更大的未来时间间隔而被顺序地执行,直到针对最后测试的未来时间间隔所生成的所述似然性超过阈值;并且
所述随访主动脉狭窄成像检查日期建议被确定为所述最后测试的未来时间间隔。
17.根据权利要求12至15中任一项所述的主动脉狭窄成像检查设备,其中所述成像设备(10)是心脏超声波成像系统(12)、磁共振成像扫描仪或计算机断层扫描扫描仪。
18.根据权利要求17所述的主动脉狭窄成像检查设备,其中所述成像设备(10)是心脏超声波成像系统(12)。
19.一种成像检查分析方法,包括:
在电子处理器(30)处接收针对患者的患者数据集(70),所述患者数据集(70)包括针对与长期医疗状况有关的变量集(Sv)的测量,所述测量通过在成像检查日期执行的所述患者的成像检查来获得;
针对相对于所述成像检查日期的一个或多个未来时间间隔,通过由所述电子处理器执行的处理操作,生成在所述未来时间间隔处针对所述患者的所述长期医疗状况的预定等级的似然性,其中所述似然性通过使用分类器(60)处理所述患者数据集来生成,所述分类器在针对过去患者的训练数据集上被训练,所述训练数据集包括针对与所述长期医疗状况有关的所述变量集的如下测量:所述测量通过针对相应的所述过去患者的成像检查来获得,并且被标记有截至相对于相应的所述过去患者的所述成像检查的相应的所述成像检查日期的所述未来时间间隔,相应的所述过去患者是否被诊断为具有所述预定等级;以及
基于所生成的所述似然性,确定随访成像检查日期建议(82、84、86、88),用于执行随访成像检查,以评估针对所述患者的所述长期医疗状况。
20.根据权利要求19所述的成像检查分析方法,还包括:
从电子数据存储装置(24)向所述电子处理器(30)取得针对所述变量集(Sv)的先前测量,所述先前测量与通过在所述成像检查日期先前执行的所述患者的先前成像检查获得的所述长期医疗状况有关;
通过由所述电子处理器执行的处理操作,从针对与所述长期医疗状况有关的所述变量集的所述测量中将针对所述患者的不一致测量标识为如下测量:与所取得的所述先前测量中针对相同的所述变量的所述先前测量相比,该测量的值与在所述患者被执行的所述先前主动脉狭窄成像检查的所述时间与所述成像检查日期之间的所述患者的所述长期医疗状况的改善一致;以及
在显示器(14)上显示指示所述不一致测量的消息(46,48)。
21.根据权利要求19至20中任一项所述的成像检查分析方法,其中所述长期医疗状况是主动脉狭窄、主动脉返流、二尖瓣返流、二尖瓣狭窄、肺动脉瓣狭窄、肺动脉瓣返流、三尖瓣狭窄或三尖瓣返流、生物瓣评估、机械瓣评估、左心室功能不全、包括主动脉的大血管扩张或动脉瘤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962798504P | 2019-01-30 | 2019-01-30 | |
US62/798,504 | 2019-01-30 | ||
PCT/EP2020/052317 WO2020157212A1 (en) | 2019-01-30 | 2020-01-30 | Aortic stenosis echocardiographic follow-up expert system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113678208A true CN113678208A (zh) | 2021-11-19 |
Family
ID=69423313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080026289.8A Pending CN113678208A (zh) | 2019-01-30 | 2020-01-30 | 主动脉狭窄超声心动图随访专家系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220104712A1 (zh) |
CN (1) | CN113678208A (zh) |
WO (1) | WO2020157212A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021037027A (ja) * | 2019-09-02 | 2021-03-11 | キヤノンメディカルシステムズ株式会社 | 医療装置、及び処理プログラム |
US20230015122A1 (en) * | 2019-12-17 | 2023-01-19 | Koninklijke Philips N.V. | Aortic stenosis classification |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130104884A (ko) * | 2012-03-15 | 2013-09-25 | 삼성전자주식회사 | 경동맥 협착 진행정도 예측장치 및 예측방법 |
CA2875346A1 (en) * | 2012-06-26 | 2014-01-03 | Sync-Rx, Ltd. | Flow-related image processing in luminal organs |
GB201402643D0 (en) * | 2014-02-14 | 2014-04-02 | Univ Southampton | A method of mapping images of human disease |
EP3602394A1 (en) * | 2017-03-24 | 2020-02-05 | Pie Medical Imaging BV | Method and system for assessing vessel obstruction based on machine learning |
JP6903495B2 (ja) * | 2017-06-12 | 2021-07-14 | 株式会社日立製作所 | X線ct装置、処理方法、及びプログラム |
-
2020
- 2020-01-30 CN CN202080026289.8A patent/CN113678208A/zh active Pending
- 2020-01-30 US US17/426,926 patent/US20220104712A1/en active Pending
- 2020-01-30 WO PCT/EP2020/052317 patent/WO2020157212A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2020157212A1 (en) | 2020-08-06 |
US20220104712A1 (en) | 2022-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410770B2 (en) | Medical scan diagnosing system | |
JP5166741B2 (ja) | 医学的処置のための予測的スケジュール作成手法 | |
US11037070B2 (en) | Diagnostic test planning using machine learning techniques | |
US20060200010A1 (en) | Guiding differential diagnosis through information maximization | |
US20230142909A1 (en) | Clinically meaningful and personalized disease progression monitoring incorporating established disease staging definitions | |
CN113678208A (zh) | 主动脉狭窄超声心动图随访专家系统 | |
EP3896702A1 (en) | Cardiovascular assessment of patients suspected of having covid-19 | |
US20200075163A1 (en) | Diagnostic decision support for patient management | |
CN112669973A (zh) | 基于大数据深度学习的疾病协同递进预测方法和机器人 | |
US20220212034A1 (en) | Systems and methods to support personalization of cancer treatment for patients undergoing radiation therapy | |
US20240071627A1 (en) | System and method for stratifying and managing health status | |
EP3790015A1 (en) | System and method for automated tracking and quantification of the clinical value of a radiology exam | |
Wickramasinghe | Trying to Predict in Real Time the Risk of Unplanned Hospital Readmissions |
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 |