CN113795195A - 用于分析心脏节律的人工智能模型的个性化 - Google Patents

用于分析心脏节律的人工智能模型的个性化 Download PDF

Info

Publication number
CN113795195A
CN113795195A CN202080033738.1A CN202080033738A CN113795195A CN 113795195 A CN113795195 A CN 113795195A CN 202080033738 A CN202080033738 A CN 202080033738A CN 113795195 A CN113795195 A CN 113795195A
Authority
CN
China
Prior art keywords
crc
cardiac
data
patient
cardiac egm
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
CN202080033738.1A
Other languages
English (en)
Inventor
N·查克拉瓦希
S·丹妮
T·D·哈达德
R·卡特拉
D·R·马斯格鲁夫
L·A·佩达尔蒂
A·拉德克
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.)
Medtronic Inc
Original Assignee
Medtronic Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Medtronic Inc filed Critical Medtronic Inc
Publication of CN113795195A publication Critical patent/CN113795195A/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
    • 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
    • A61B5/24—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]
    • A61B5/339—Displays specially adapted therefor
    • A61B5/341—Vectorcardiography [VCG]
    • 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
    • A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
    • 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
    • A61B5/68—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
    • A61B5/7235—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
    • 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
    • A61N1/362—Heart stimulators
    • A61N1/3621—Heart stimulators for treating or preventing abnormally high heart rate
    • 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
    • A61N1/362—Heart stimulators
    • A61N1/365—Heart stimulators controlled by a physiological parameter, e.g. heart potential
    • A61N1/36507—Heart stimulators controlled by a physiological parameter, e.g. heart potential controlled by gradient or slope of the heart potential
    • 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
    • A61N1/362—Heart stimulators
    • A61N1/37—Monitoring; Protecting
    • A61N1/3702—Physiological parameters
    • 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
    • A61N1/3956—Implantable devices for applying electric shocks to the heart, e.g. for cardioversion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • A61B5/02—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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • A61B5/283—Invasive

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

公开了用于监测患者的心律失常的发生的技术。一种计算系统获得当前患者的心脏电描记图(EGM)条带。另外，所述计算系统可以以所述心脏EGM条带的区段作为输入来应用第一心脏节律分类器(CRC)。所述第一CRC是在来自第一群体的训练心脏EGM条带上训练的。所述第一CRC生成关于所述当前患者的心脏节律的某个方面的第一数据。所述计算系统还可以以所述心脏EGM条带的所述区段作为输入来应用第二CRC。所述第二CRC是在来自较小的第二群体的训练心脏EGM条带上训练的。所述第二CRC生成关于所述当前患者的所述心脏节律的所述方面的第二数据。所述计算系统可以基于所述第一数据和/或所述第二数据生成输出数据。

Description

用于分析心脏节律的人工智能模型的个性化
技术领域
本公开总体上涉及健康监测，并且更具体地，涉及对心脏健康进行监测。
背景技术
恶性快速性心律失常，例如心室纤颤是心脏中的心室的心肌的不协调的收缩，并且是心脏骤停患者中最常见的心律不齐。如果这种心律失常持续超过几秒，则其可能导致心源性休克以及有效血液循环的停止。因此，心脏性猝死(SCD)可在几分钟内发生。
植入式或非植入式医疗装置可以监测患者心脏的心律失常。用户如医师可以查看由医疗装置生成的针对心律失常例如房性或室性快速性心律失常或心搏停止的发生的数据。用户可以基于心律失常的发生来诊断患者的医疗状况。
发明内容
总体上，本公开描述了用于使分析患者的心脏节律的人工智能(AI)模型个性化或使AI模型针对患者队列专门化的技术。如本公开中所讨论的，计算系统可以获得当前患者的心脏电描记图(EGM)条带，例如表示一段时间内的心脏EGM波形的值序列的数据。另外，所述计算系统可以以所述心脏EGM条带的区段作为输入来应用第一心脏节律分类器(CRC)。所述第一CRC是在来自第一群体的训练心脏EGM条带上训练的。所述第一CRC生成关于所述当前患者的心脏节律的某个方面的第一数据。所述计算系统还可以以所述心脏EGM条带的所述区段作为输入来应用第二CRC。所述第二CRC是在来自较小的第二群体的训练心脏EGM条带上训练的。所述第二CRC生成关于所述当前患者的所述心脏节律的所述方面的第二数据。所述计算系统可以基于所述第一数据和/或所述第二数据生成输出数据。
一方面，本公开描述了一种方法，其包括：由计算系统获得当前患者的心脏电描记图(EGM)条带；由所述计算系统以所述心脏EGM条带的区段作为输入来应用第一心脏节律分类器神经网络(CRC)，其中：所述第一CRC是在来自包含多个患者的第一群体的训练心脏EGM条带上训练的，所述第一CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的心脏节律的某个方面的第一数据；由所述计算系统以所述心脏EGM条带的所述区段作为输入来应用第二CRC，其中：所述第二CRC是所述第一CRC的在来自小于所述第一群体的第二群体的训练心脏EGM条带上训练的版本，所述第二CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的所述心脏节律的所述方面的第二数据；以及由所述计算系统基于所述第一数据和所述第二数据生成输出数据。
另一方面，本公开描述了一种方法，其包括：由计算系统获得当前患者的心脏EGM条带；由所述计算系统以所述心脏EGM条带的区段作为输入来应用专门化心脏节律分类器(CRC)，其中：所述专门化CRC是在来自所述当前患者的训练心脏EGM条带上训练的，并且所述专门化CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的心脏节律的某个方面的第一数据；由所述计算系统基于所述第一数据和由所述专门化CRC基于来自所述当前患者的早期心脏EGM条带生成的历史数据生成输出数据。
另一方面，本公开描述了一种计算系统，其包括处理电路系统和存储介质，所述计算装置被配置成执行这些方法。另一方面，本公开描述了一种计算机可读数据存储介质，其具有存储于其上的指令，所述指令在被执行时使计算系统执行这些方法。
另一方面，本公开描述了一种计算系统，其包括：存储介质，所述存储介质被配置成存储当前患者的心脏电描记图(EGM)条带；以及处理电路系统，所述处理电路系统被配置成：以所述心脏EGM条带的区段作为输入来应用第一心脏节律分类器神经网络(CRC)，其中：所述第一CRC是在来自包含多个患者的第一群体的训练心脏EGM条带上训练的，所述第一CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的心脏节律的某个方面的第一数据；以所述心脏EGM条带的所述区段作为输入来应用第二CRC，其中：所述第二CRC是所述第一CRC的在来自小于所述第一群体的第二群体的训练心脏EGM条带上训练的版本，所述第二CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的所述心脏节律的所述方面的第二数据；并且基于所述第一数据和所述第二数据生成输出数据。
另一方面，本公开描述了一种计算机可读数据存储介质，其具有存储于其上的指令，所述指令在被执行时使计算系统：获得当前患者的心脏电描记图(EGM)条带；以所述心脏EGM条带的区段作为输入来应用第一心脏节律分类器神经网络(CRC)，其中：所述第一CRC是在来自包含多个患者的第一群体的训练心脏EGM条带上训练的，所述第一CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的心脏节律的某个方面的第一数据；以所述心脏EGM条带的所述区段作为输入来应用第二CRC，其中：所述第二CRC是所述第一CRC的在来自小于所述第一群体的第二群体的训练心脏EGM条带上训练的版本，所述第二CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的所述心脏节律的所述方面的第二数据；并且基于所述第一数据和所述第二数据生成输出数据。
本发明内容旨在提供对本公开中所描述的主题的概述。并不旨在提供对在以下附图和描述中详细描述的装置和方法的排他性或穷尽性解释。在以下附图和描述中阐述一个或多个实例的另外的细节。
附图说明
图1是展示了根据本公开的技术的用于分析患者的心脏节律的一个或多个方面的系统的框图。
图2是更详细地展示了图1的系统的植入式医疗装置(IMD)和引线的概念图。
图3是根据本公开的技术的示例植入式医疗装置的框图。
图4是展示了根据本公开的一种或多种技术进行操作的示例计算装置的框图。
图5是展示了根据本公开的技术的示例操作的流程图。
图6是展示了根据本公开的技术的其中基于个体患者的心脏电描记图(EGM)更新广义心脏节律分类器(CRC)的实例的概念图。
图7是展示了根据本公开的技术的其中计算系统应用广义CRC和基于队列的CRC的实例的概念图。
图8是展示了根据本公开的技术的计算系统应用广义CRC、基于队列的CRC和专门化CRC的示例操作的流程图。
图9是展示了根据本公开的技术的用于训练专门化CRC的示例操作的流程图。
图10是展示了根据本公开的技术的用于生成个性化输出数据的示例操作的流程图。
图11是展示了根据本公开的技术的其中计算系统生成个性化输出数据的实例的概念图。
在整个附图和说明中，相似的附图标记是指相似的元件。
具体实施方式
图1是展示了根据本公开的技术的用于分析患者14的心脏节律的一个或多个方面的系统10的框图。系统10包含医疗装置16。此种医疗装置的一个实例是如图1中所示出的植入式医疗装置(IMD)。如通过图1中的示例系统10所展示的，在一些实例中，医疗装置16可以是例如植入式心脏监测器、植入式心脏起搏器、植入式心脏复律器/除颤器(ICD)或起搏器/心脏复律器/除颤器。在一些实例中，医疗装置16是非植入式医疗装置，如非植入式心脏监测器(例如，霍尔特监测器)。
在图1的实例中，医疗装置16连接到引线18、20和22，并且通信地耦接到外部装置27，所述外部装置进而通过通信网络25通信地耦接到计算系统24。医疗装置16通过一个或多个引线18、20和22上的电极或医疗装置16的壳体感测伴随心脏12的去极化和复极化的电信号，例如心脏电描记图(EGM)。医疗装置医疗装置16还可以通过定位于一个或多个引线18、20和22上的电极或医疗装置16的壳体以电信号的形式向心脏12递送疗法。疗法可以是起搏脉冲、心脏复律脉冲和/或除颤脉冲。医疗装置16可以监测由引线18、20或22上的电极收集的心脏EGM信号，并且基于心脏EGM信号，诊断和治疗心律失常。
在一些实例中，医疗装置16包含通信电路系统17，所述通信电路系统包含用于与如图1的外部装置27等另一个装置进行通信的任何合适的电路系统、固件、软件或其任意组合。例如，通信电路系统17可以包含用于与如计算系统24等其它装置进行射频通信的一个或多个处理器、存储器、无线电、天线、发射器、接收器、调制和解调电路系统、滤波器、放大器等。医疗装置16可以使用通信电路系统17接收下行链路数据以控制医疗装置16的一个或多个操作和/或将上行链路数据发送到外部装置27。
引线18、20、22延伸到患者14的心脏12中，以感测心脏12的电活动和/或向心脏12递送电刺激。在图1所示的实例中，右心室(RV)引线18延伸穿过一条或多条静脉(未示出)、上腔静脉(未示出)和右心房26，并且进入右心室28。左心室(LV)引线20延伸穿过一条或多条静脉、腔静脉、右心房26，并且进入冠状窦30中，到达与心脏12的左心室32的自由壁相邻的区域。右心房(RA)引线22延伸穿过一条或多条静脉和腔静脉，并且进入心脏12的右心房26。
虽然图1的示例系统10描绘了医疗装置16，但在其它实例中，本公开的技术可以应用于不一定为植入式的其它类型的医疗装置。例如，根据本公开的技术的医疗装置可以包含患者14所穿戴的可穿戴医疗装置或“智能”服装。例如，此类医疗装置可以采取患者14佩戴的手表或以粘附方式附连到患者14的电路系统的形式。在另一个实例中，如本文所描述的医疗装置可以包含具有植入式电极的外部医疗装置。
在一些实例中，外部装置27采取如移动电话、“智能”电话、膝上型计算机、平板电脑、个人数字助理(PDA)等外部编程器或移动装置的形式。在一些实例中，外部装置27是可从美敦力公司商购获得的CareLinkTM监测器。如医师、技术人员、外科医生、电生理学家或其它临床医生等用户可以与外部装置27交互以从医疗装置16检索生理或诊断信息。如上文所描述的患者14或临床医生等用户还可以与外部装置27交互以对医疗装置16进行编程，例如对医疗装置16的操作参数的值进行选择或调整。外部装置27可以包含能够向医疗装置16和计算系统24中的每一个传输信息和从其接收信息的处理电路系统、存储器、用户接口和通信电路系统。
在一些实例中，计算系统24采取手持式计算装置、计算机工作站、服务器或其它联网的计算装置、智能电话、平板计算机或外部编程器的形式，其包含用于向用户呈现信息并且从用户接收输入的用户接口。在一些实例中，计算系统24可以包含实施机器学习系统的一个或多个装置，如神经网络、深度学习系统或另一种类型的机器学习系统。如医师、技术人员、外科医生、电生理学家或其它临床医生等用户可以与计算系统24交互以从医疗装置16检索生理或诊断信息。用户还可以与计算系统24交互以对医疗装置16进行编程，例如对IMD的操作参数的值进行选择。计算系统24可以包含处理器，所述处理器被配置成评估从医疗装置16传输到计算系统24的心脏EGM(或其区段)和/或其它感测信号。
网络25可以包含一个或多个计算装置(未示出)，如一个或多个非边缘交换机、路由器、集线器、网关、如防火墙、入侵检测和/或入侵防御装置等安全装置、服务器、计算机终端、笔记本电脑、打印机、数据库、如蜂窝电话或个人数字助理等无线移动装置、无线接入点、桥接器、电缆调制解调器、应用程序加速器或其它网络装置。网络25可以包含由服务提供者管理的一个或多个网络，并且可以因此形成大型公共网络基础设施例如因特网的一部分。网络25可以提供如计算系统24和医疗装置16等可访问因特网的计算装置，并且可以提供允许计算装置彼此通信的通信框架。在一些实例中，网络25可以是提供通信框架的专用网络，所述通信框架允许计算系统24、医疗装置16和EMR数据库66彼此通信，但是出于安全目的将计算系统24、医疗装置16和EMR数据库66与外部装置隔离。在一些实例中，计算系统24、医疗装置16和EMR数据库66之间的通信是加密的。
外部装置27和计算系统24可以使用本领域中已知的任何技术通过网络25经由无线或非无线通信进行通信。在一些实例中，计算系统24是通过定位于网络25中的如本地接入点、无线路由器或网关等中间装置与外部装置27通信的远程装置。虽然在图1的实例中，外部装置27和计算系统24通过网络25进行通信，但在一些实例中，外部装置27和计算系统24彼此直接通信。通信技术的实例可以包含例如根据
Figure BDA0003338593760000051
或BLE协议进行的通信。还考虑其它通信技术。计算系统24还可以使用多种已知的有线和无线通信技术与一个或多个其它外部装置进行通信。
EMR数据库66存储患者14的EMR数据。EMR数据库66可以包含处理电路系统和一个或多个存储介质，例如随机存取存储器(RAM)、只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电子可擦除可编程只读存储器(EEPROM)或闪速存储器。在一些实例中，EMR数据库66是云计算系统。在一些实例中，EMR数据库66的功能跨多个计算系统分布。
在一个实例中，计算系统24接收患者14的由医疗装置16收集的患者数据。在一些实例中，患者数据包含患者14的生理数据，如以下中的一个或多个：患者14的活动水平、患者14的心率、患者14的姿势、患者14的心脏电描记图、患者14的血压、患者14的脉搏传播时间、患者14的呼吸速率、患者14的呼吸不足指数或呼吸暂停、患者14的加速度计数据、源自患者14的加速度计数据的特征，如活动计数、姿势、统计控制过程变量等，患者14的原始肌电图、源自患者14的原始肌电图或心脏EGM的一个或多个特征，如心率可变性、t波交替、QRS形态等，间期数据和源自间期数据的特征、心音、钾水平、血糖指数、患者14的温度或可源自从上述参数化数据的任何数据或任何其它类型的患者参数数据。在一些实例中，医疗装置16或另一个装置可以通过处理来自一个或多个传感器的信息来自动生成患者参数数据。例如，医疗装置16可以经由一个或多个传感器确定患者14已经跌倒、患者14虚弱或患病，或者患者14正在遭受睡眠呼吸暂停的情况。
在一些实例中，所述患者数据包含环境数据，如患者14附近的空气质量测量、臭氧水平、微粒计数或污染水平、环境温度或白昼时间。在一些实例中，医疗装置或外部装置27中的一个可以通过一个或多个传感器来感测环境数据。在另一个实例中，环境数据由外部装置27通过在外部装置27上执行的如天气应用程序等应用程序接收，并且会通过网络25上传到计算系统24。在另一个实例中，计算系统24直接从具有患者14的基于位置的数据的云服务收集环境数据。
在一些实例中，所述患者数据包含由患者14通过如外部装置27等外部装置上传的患者症状数据。例如，患者14可以通过在智能电话执行的应用程序上传患者症状数据。在一些实例中，患者14可以经由用户接口(图1中未描绘)如通过触摸屏、键盘、图形用户接口、语音命令等上传患者症状数据。
在一些实例中，所述患者数据包含装置相关数据，如以下中的一个或多个：医疗装置的一个或多个电极的阻抗、电极的选择、医疗装置的药物递送时间表、递送到患者的电起搏疗法的历史或医疗装置的诊断数据。在一些实例中，收集所述患者数据的所述医疗装置的IMD。在其它实例中，收集所述患者数据的所述医疗装置是另一种类型的患者装置，如患者14的可穿戴医疗装置或移动装置(例如，智能电话)。在一些实例中，计算系统24定期地例如每天接收患者数据。
在一些实例中，计算系统24进一步从EMR数据库66接收患者14的EMR数据。所述EMR数据可以被认为是另一种形式的患者数据。在一些实例中，由EMR数据库66存储的所述EMR数据可以包含关于患者14的许多不同类型的历史医疗信息。例如，EMR数据库66可以存储所述患者的用药历史、所述患者的外科手术程序历史、所述患者的住院历史、所述患者随时间变化的钾水平、患者14的一个或多个实验室测试结果、患者14的心血管病史或患者14的共存病，如心房纤颤、心力衰竭或糖尿病为例。
计算系统24可以实施可以帮助管理慢性心脏疾病的心脏EGM监测系统。为了实施心脏EGM监测系统，计算系统24可以应用人工智能(AI)技术来分析患者数据，如心脏EGM数据。示例AI技术可以包含深度学习或其它机器学习技术。神经网络算法是深度学习算法的一个实例。
由医疗装置16、外部装置27或计算系统24应用的AI技术可以生成关于患者14的心脏节律的一个或多个方面的数据。例如，AI技术可以至少部分地基于从如医疗装置16等一个或多个医疗装置获得的心脏EGM条带来标识心律失常的发生。心脏EGM条带包括表示患者在连续时间段(例如，30秒、45秒等)中的心脏节律的数据。心脏EGM条带可以包括表示心脏节律的波形的一系列样本。用户(例如，技术人员、内科医生、患者、医疗保健专业人员或其它类型的用户)可以出于诊断目的或作为对患者14执行持续护理的一部分来审查检测到的心律失常的发生。除了心脏EGM条带之外，AI技术可以使用一种或多种其它类型的数据来检测心律失常的发生，如来自患者14的电子病历的信息。
先前已在低功率设置中实施应用于从处理心脏EGM条带提取的度量的信号处理技术和试探法以检测心律失常、触发EGM数据的记录以及用于其它目的。AI算法可以增强或用于替代此类先前实施的技术。有利地，当使用AI算法时，可能没有必要手动设计特征和信号处理技术以便标识患者14的心律失常的发生或心脏节律的其它方面。相反，AI算法可以具有从群体数据学习的能力，并且成为心脏疾病如何在群体中显现的代表性模型。AI算法可以随时间推移得到改进(例如，通过实施如强化学习、残差学习、迁移学习等策略)。
可以训练AI算法以通过应用心脏节律分类模型来标识患者14的心脏节律的在给定心脏EGM条带中所关注的一个或多个方面，所述心脏节律分类模型已经被训练以标识患者14的心脏节律的此类方面。患者14的心脏节律的各方面可以包含各种心律失常、此类心律失常在一个或多个心脏EGM条带内的位置(其反映心律失常的发生的时间)、心律失常的发生的形态方面等。心脏节律分类模型可以在从受试者群体以及在一些实例中的其它数据中提取的EGM条带上训练。
本公开描述了用于使心脏节律分类模型个性化的技术。例如，本公开描述了用于针对较小的患者队列训练心脏节律分类模型的技术。本公开还描述了用于针对个体患者训练心脏节律分类模型的技术。使心脏节律分类模型个性化可以使用户能够在更具代表性的群体的背景下或相对于患者14的先前历史来分析患者14的心脏EGM记录。这可以使用户能够做出更适用于所讨论的个体患者的决定。如在本公开中其它地方详细描述的，此类技术可以用于降低医疗装置16和/或外部装置27的功耗和/或带宽利用率。
因此，在本公开的一个实例中，AI系统可以获得患者14(即，当前患者)的心脏EGM条带。所述AI系统是包括存储器和一个或多个处理电路的计算系统。在图1的上下文中，所述AI系统可以是医疗装置16、计算系统24、外部装置27、或另一种装置或装置系统。因此，在本公开中，除非另有说明，否则对由所述AI系统执行的动作的讨论可以适用于由这些装置中的任何装置执行的动作。
另外，所述AI系统可以以所述心脏EGM条带的区段作为输入来应用第一心脏节律分类器(CRC)。CRC是可以被实施为神经网络或其它类型的深度学习技术的心脏节律分类模型的实例。所述心脏EGM条带的所述区段可以包含所有心脏EGM条带或心脏EGM条带的子区段。在一些实例中，除了所述心脏EGM条带的所述区段之外，到所述CRC的输入还包含数据，如EMR数据库66中的数据。
所述第一CRC是在来自第一群体的训练心脏EGM条带上训练的。所述第一群体包含多个患者。在一些实例中，所述第一群体包含其心脏EGM数据正在由计算系统24监测的所有患者或其子群体。在其中计算系统24实施全球或区域监测系统的一些情况下，所述第一群体可以包含数以千计或甚至数以百万计的患者。因为所述第一CRC是使用如群体训练的，所以本公开可以将所述第一CRC称为广义CRC。基于心脏EGM条带训练CRC可以应用于基于所述心脏EGM条带的区段训练所述CRC。
当所述AI系统将所述第一CRC应用于所述心脏EGM条带的所述区段时，所述第一CRC基于所述心脏EGM条带的所述区段生成关于患者14的心脏节律的某个方面的第一数据。例如，所述第一CRC可以被实施为具有输入层、输出层以及在所述输入层与所述输出层之间的一个或多个隐藏层的神经网络。所述输入层可以包含用于所述心脏EGM条带的所述区段的每个样本值的输入神经元。所述输出层可以包含与一组一种或多种心律失常中的每种心律失常相对应的输出神经元。当所述AI系统将所述第一CRC应用于所述心脏EGM条带的所述区段时，所述输入神经元从所述区段接收样本值，所述隐藏层对所述样本值进行处理，并且所述输出神经元可以输出指示所述区段是否表示对应的心律失常的发生的值。
此外，在这个实例中，所述AI系统可以以所述心脏EGM条带的所述区段作为输入来应用第二CRC。所述第二CRC是所述第一CRC的在来自第二群体的训练心脏EGM条带上训练的版本。所述第二群体小于所述第一群体。例如，在一些实例中，所述第二群体可以仅由患者14组成。在其它示例中，所述第二群体可以是与患者14共享一个或多个特性的患者队列。此类特性可以包含诊断或程序代码、植入的医疗装置、年龄、性别(sex)、烟草使用、合并症、性别(gender)、大小等。在一些实例中，所述第一群体包含所述第二群体。在其它实例中，所述第一群体不包含所述第二群体。因为所述第二CRC是使用比所述第一群体小的群体训练的，所以本公开可以将所述第二CRC称为专门化CRC。当所述AI系统将所述专门化CRC应用于所述心脏EGM条带的所述区段时，所述专门化CRC基于所述心脏EGM条带的所述区段生成关于所述心脏节律类型的所述方面的第二数据。
除了使用不同的训练数据进行训练之外，专门化CRC可以以与广义CRC相同的方式来实施。例如，在其中广义CRC和专门化CRC被实施为神经网络的实例中，广义CRC和专门化CRC可以具有相同数量和布置的神经元。然而，在这个实例中，广义CRC和专门化CRC的神经网络的参数(例如，到神经元的输入的权重、偏离值等)可能不同。在其它实例中，专门化CRC可以以与广义CRC不同的方式来实施。例如，专门化CRC可以包含比广义CRC多或少的层、神经元等。
所述AI系统可以基于所述第一数据和/或所述第二数据生成输出数据。所述AI系统可以以各种方式中的一种或多种方式生成所述输出数据。例如，所述AI系统可以以使用户(例如，患者、医师、健康监测技术人员、家庭成员等)能够审查和/或比较关于患者14的心脏节律的一个或多个方面的一种或多种类型的数据的图、图表、列表、表格或其它数据布置的形式生成输出数据。例如，在其中所述第一数据包括所述心脏EGM条带的所述区段是否表示心律失常的发生的指示并且所述第二数据包括所述心脏EGM条带的所述区段是否表示所述心律失常的发生的指示的一个此种实例中，所述AI系统可以收集并处理此类指示以生成将广义CRC所标识的心律失常的发生次数与专门化CRC所标识的心律失常的发生次数进行比较的条形图。
在其中所述AI系统在医疗装置16上实施的一些实例中，当广义CRC确定所述心脏EGM条带的区段表示心律失常的发生时，医疗装置16可以将所述心脏EGM条带发送到外部装置27。在一些实例中，外部装置27然后可以通过网络25将所述心脏EGM条带发送到计算系统24。因此，所述心脏EGM条带可以可供计算系统24、外部装置27和/或其用户进行审查和进一步的处理。然而，因为广义CRC是基于所述第一群体训练的并且没有针对患者14进行特定训练，所以与专门化CRC相比，广义CRC可能会对来自患者14的心脏EGM条带的区段中的所述心律失常的发生标识不足。因此，如果医疗装置16仅应用广义CRC，则医疗装置16可能不会将心脏EGM条带发送到外部装置27，尽管所述心脏EGM条带潜在地表示所述心律失常的发生。然而，在这个实例中，通过应用专门化CRC，医疗装置16可以标识可以表示所述心律失常的发生的另外的心脏EGM条带。医疗装置16然后可以将所述另外的心脏EGM条带发送到外部装置27。这个过程可以节省医疗装置16处的功率并且可以节省网络带宽，因为其可以避免按顺序传输所有心脏EGM条带供外部装置27和/或计算系统24访问表示广义CRC未标识的所述心律失常的发生的心脏EGM条带的需求。类似的考虑可以应用于其中所述AI系统由外部装置27来实施并且外部装置27将心脏EGM条带传输到计算系统24的实例中。
在其中所述AI系统在医疗装置16处实施的一些实例中，所以与专门化CRC相比，广义CRC可能会对来自患者14的心脏EGM条带的区段中的所述心律失常的发生标识不足。因此，在一个此种实例中，医疗装置16可以仅在广义CRC和专门化CRC两者都确定心脏EGM条带表示所述心律失常的发生时以一种配置将所述心脏EGM条带传输到外部装置27。这可以减少医疗装置16传输的数据量，由此节省功率并减少带宽消耗。类似的考虑可以应用于其中所述AI系统由外部装置27来实施并且外部装置27将心脏EGM条带传输到计算系统24的实例中。
此外，在一些实例中，所述AI系统在医疗装置16和外部装置27处实施。例如，在这个实例中，医疗装置16可以实施广义CRC。在这个实例中，医疗装置16可以将由广义CRC确定表示心律失常的发生的心脏EGM条带传输到外部装置27。此外，在这个实例中，外部装置27可以将专门化CRC应用于从医疗装置16接收的所述心脏EGM条带。在这个实例中，外部装置27可以以一些模式将接收到的心脏EGM条带中的由专门化CRC确定表示所述心律失常的发生的那些条带传输到计算系统24。这可以减少与将心脏EGM条带通过网络25传输到计算系统24相关联的带宽消耗。
图2是更详细地展示了图1的系统10医疗装置16和引线18、20、22的概念图。在所展示的实例中，双极电极40和42邻近引线18的远端定位，并且双极电极48和50邻近引线22的远端定位。另外，四个电极44、45、46和47邻近引线20的远端定位。引线20可被称为四极LV引线。在其它实例中，引线20可包含更多或更少的电极。在一些实例中，LV引线20包括分段电极，例如其中所述引线的多个纵向电极定位中的每个纵向电极定位如电极44、45、46和47的定位包含围绕引线的圆周布置在相应圆周定位处的多个离散电极。
在所展示的实例中，电极40和44-48采取环形电极的形式，并且电极42和50可以采取分别可缩回地安装在绝缘电极头53和56内的可延伸螺旋尖端电极的形式。引线18和22还分别包含细长电极62和64，它们可采取线圈的形式。在一些实例中，电极40、42、44-48、50、62和64电耦接到其相关联的引线18、20、22的引线主体内的相应导体，并且由此耦接到医疗装置16内的电路系统。
在一些实例中，医疗装置16包含一个或多个壳体电极，如图2中所展示的壳体电极4，所述壳体电极可以与医疗装置16的气密密封壳体8的外表面一体地形成，或者可以以其它方式耦接到壳体8。在一些实例中，壳体电极4由医疗装置16的壳体8的面向外部的部分的未绝缘部分限定。壳体8的绝缘部分和非绝缘部分之间的其它划分可用来限定两个或更多个壳体电极。在一些实例中，壳体电极包括基本上所有的壳体8。
壳体8封闭生成如心脏起搏脉冲、心脏复律脉冲和除颤脉冲等治疗性刺激的信号生成电路系统以及用于感测伴随心脏12的去极化和复极化的电信号的感测电路系统。壳体8还可以封闭用于存储感测到的电信号的存储器。壳体8还可以封闭用于在医疗装置16与计算系统24之间进行通信的通信电路系统17。
医疗装置16通过电极4、40、42、44-48、50、62和64来感测伴随心脏12的去极化和复极化的电信号。医疗装置16可以通过电极40、42、44-48、50、62和64的任何双极组合来感测此类电信号。此外，电极40、42、44-48、50、62和64中的任何电极可以与壳体电极4组合用于单极感测。
引线18、20和22和电极的所展示的数量和配置仅是示例。其它配置，即引线和电极的数量和定位，也是可能的。在一些实例中，系统10可以包含具有定位于心血管系统中的不同位置处用于感测和/或向患者14递送疗法的一个或多个电极的另外的引线或引线区段。例如，作为心脏内引线18、20和22的替代物或补充，系统10可以包含没有定位于心脏12内的一个或多个心外膜或血管外(例如，皮下或胸骨下)引线。
医疗装置16可以将患者数据发送到计算系统24(例如，通过外部装置27)。患者数据可以包含基于由电极4、40、42、44-48、50、62和/或64检测到的电信号的数据。例如，医疗装置16可以收集心脏EGM数据并将其发送到计算系统24。根据本公开的技术，计算系统24可以使用所述患者数据来确定指示患者14已经历一种或多种心律失常的发生的概率的概率值。
尽管本文在提供治疗性电刺激的示例医疗装置16的上下文中进行了描述，但本文所公开的技术可以与其它类型的装置一起使用。例如，所述技术可以用以下各项实施：耦接到心血管系统外部的电极的心外除颤器、被配置成植入心脏内的经导管起搏器，如可从爱尔兰都柏林(Dublin,Ireland)的美敦力公司商购获得的MicraTM经导管起搏系统，插入式心脏监测器，如也可从美敦力公司商购获得的Reveal LINQ TM ICM、神经刺激器、药物递送装置、可穿戴装置，如可穿戴心脏复律器除颤器、健身追踪器或其它可穿戴装置，移动装置，如移动电话、“智能”电话、笔记本电脑、平板计算机、个人数字助理(PDA)或“智能”服装，如“智能”眼镜或“智能”手表。
图3是根据本公开的技术的示例医疗装置16的框图。在所展示的实例中，医疗装置16包含处理电路系统58、存储器59、通信电路系统17、感测电路系统50、疗法递送电路系统52、传感器57和电源54。存储器59包含计算机可读指令，所述计算机可读指令在被处理电路系统58执行时使医疗装置16和处理电路系统58执行本文中归属于医疗装置16和处理电路系统58的各种功能(例如，执行心律失常的短期预测、递送如抗心动过速起搏疗法、心动过缓起搏疗法和电击后起搏疗法等疗法)。存储器59可包含任何易失性介质、非易失性介质、磁介质、光学介质或电介质，如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、电可擦除可编程ROM(EEPROM)、闪存或任何其它数字或模拟介质。
处理电路系统58可以包含以下中的任何一个或多个：微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或等效的离散或模拟逻辑电路系统。在一些实例中，处理电路系统58可以包含如一个或多个微处理器、一个或多个控制器、一个或多个DSP、一个或多个ASIC或一个或多个FPGA的任意组合等多个组件以及其它离散的或集成的逻辑电路系统。本文中归属于处理电路系统58的功能可以体现为软件、固件、硬件或其任意组合。
处理电路系统58可以控制疗法递送电路系统52根据可以存储于存储器59中的疗法参数向心脏5递送刺激疗法。例如，处理电路系统58可以控制疗法递送电路系统52以疗法参数所规定的振幅、脉冲宽度、频率或电极极性来递送电脉冲。以这种方式，疗法递送电路系统52可经由电极34和40将起搏脉冲(例如，ATP脉冲、心动过缓起搏脉冲或电击后起搏疗法)递送到心脏5。在一些实例中，疗法递送电路系统52可以电压或电流电脉冲的形式递送起搏刺激，例如ATP治疗、心动过缓治疗或电击后起搏疗法。在其它实例中，疗法递送电路系统52可以以如正弦波、方波和/或其它基本上连续的时间信号等其它信号的形式递送这些类型的刺激中的一种或多种刺激。
疗法递送电路系统52电耦接到医疗装置16的壳体上携带的电极34和40。尽管医疗装置16可以仅包含两个电极，例如电极34和40，但在其它实例中，医疗装置16可以使用三个或更多个电极。医疗装置16可以使用电极的任何组合来递送疗法和/或检测来自患者14的电信号。在一些实例中，疗法递送电路系统52包含能够生成和/或存储能量以作为起搏疗法、心脏再同步疗法、其它疗法或疗法的组合进行递送的充电电路、一个或多个脉冲发生器、电容器、变压器、开关模块和/或其它组件。在一些实例中，疗法递送电路系统52根据定义振幅、频率、疗法的电压或电流或疗法的其它参数的一个或多个疗法参数集以一个或多个电脉冲的形式的递送疗法。
感测电路系统50监测来自电极4、40、42、44-48、50、62(图2)和64(图2)当中的两个或更多电极的一个或多个组合的信号，以便监测心脏12的电活动、阻抗或其它电现象。在一些实例中，感测电路系统50包含一个或多个模拟组件、数字组件或其组合。在一些实例中，感测电路系统50包含一个或多个感测放大器、比较器、滤波器、整流器、阈值检测器、模数转换器(ADC)等。在一些实例中，感测电路系统50将感测到的信号转换成数字形式，并且将数字信号提供给处理电路系统58以进行处理或分析。在一个实例中，感测电路系统50放大来自电极4、40、42、44-48、50、62和64的信号，并且通过ADC将经放大的信号转换成多位数字信号。
在一些实例中，感测电路系统50执行对心脏电描记图的感测，以确定心率或心率变异性，或者以检测心律失常(例如，快速性心律失常或心动过缓)，或者以感测来自心脏电描记图的其它参数或事件。感测电路系统50还可以包含开关电路系统，所述开关电路系统用于选择可用电极(和电极极性)中的哪些可用电极用于感测心脏活动，这取决于哪个电极组合或电极向量在当前感测配置中使用。处理电路系统58可以控制所述开关电路系统选择充当感测电极和其极性的电极。感测电路系统50可以包含一个或多个检测信道，所述一个或多个检测信道中的每个检测信道可以耦接到所选电极配置，以通过所述电极配置检测心脏信号。在一些实例中，感测电路系统50将经过处理的信号与阈值进行比较，以检测心房或心室去极化的存在并且向处理电路系统58指示心房去极化(例如，P波)或心室去极化(例如，R波)的存在。感测电路系统50可以包括用于将心脏电描记图振幅与可以是可调整的阈值进行比较的一个或多个放大器或其它电路系统。
处理电路系统58可以包含定时和控制模块，所述定时和控制模块可以体现为硬件、固件、软件或其任意组合。所述定时和控制模块可以包括与如微处理器等其它处理电路系统58组件分离的专用硬件电路如ASIC，或者由可为微处理器或ASIC的处理电路系统58的组件执行的软件模块。所述定时和控制模块可以实施可编程计数器。如果医疗装置16被配置成生成心动过缓起搏脉冲并将其递送到心脏12，则此类计数器可以控制与DDD、VVI、DVI、VDD、AAI、DDI、DDDR、VVIR、DVIR、VDDR、AAIR、DDIR和其它起搏模式相关联的基本时间间期。
在一些实例中，医疗装置16的处理电路系统58实施AI系统300。例如，处理电路系统58可以将广义CRC和/或专门化CRC应用于心脏EGM条带，如本公开中其它地方所描述的。处理电路系统58可以使用专用电路系统或通过执行存储在如存储器59等计算机可读介质上的软件指令来实施AI系统300。感测电路系统50可以基于从电极4、40、42、44-48、50、62和64接收的数据生成心脏EGM条带。通信电路系统17可以将心脏EGM条带和/或其它数据传输到外部装置27。
存储器59可以被配置成存储各种操作参数、疗法参数、感测到的和检测到的数据以及与患者14的疗法和治疗有关的任何其它信息。在图3的实例中，存储器59可以存储例如与检测到的或预测的心律失常相关联的感测到的心脏EGM以及定义由疗法递送电路系统52提供的疗法的递送的疗法参数。在其它实例中，存储器59可以用作临时缓冲器以用于将数据存储直到所述数据可以上传到计算系统24为止。
通信电路系统17包含用于通过图1的网络25与如计算系统24等另一个装置进行通信的任何合适的电路系统、固件、软件或其任意组合。例如，通信电路系统17可以包含用于通过网络25与如计算系统24等其它装置进行射频通信的一个或多个天线、调制和解调电路系统、滤波器、放大器等。在处理电路系统58的控制下，通信电路系统17可以借助于天线(所述天线可以是内部的和/或外部的)从计算系统24接收下行链路遥测并且向所述计算系统发送上行链路遥测。处理电路系统58可以例如通过地址/数据总线提供要被上行链路到计算系统24的数据和通信电路系统17内的遥测电路的控制信号。在一些实例中，通信电路系统17可以通过多路复用器向处理电路系统58提供接收到的数据。
电源54可以是被配置成保持电荷以操作医疗装置16的电路系统的任何类型的装置。电源54可作为可再充电或不可再充电电池提供。在其它实例中，电源54可以并入能量提取系统，所述能量提取系统存储来自医疗装置16在患者14内的移动的电能。
根据本公开的技术，医疗装置16通过感测电路系统50和/或传感器57收集患者14的患者数据。传感器57可以包含一个或多个传感器，如一个或多个加速度计、压力传感器、用于O2饱和度的光学传感器等。在一些实例中，患者数据包含以下中的一项或多项：患者14的活动水平、患者14的心率、患者14的姿势、患者14的心脏电描记图(例如，患者14的心脏EGM条带)、患者14的血压，患者14的加速度计数据，或其它类型的患者参数数据。医疗装置16通过通信电路系统17将患者参数数据通过网络25上传到计算系统24。在一些实例中，医疗装置16每天将患者参数数据上传到计算系统24。在一些实例中，患者参数数据包含表示患者14在长期时间段(例如，约24小时到约48小时)内的平均测量的一个或多个值。例如，一个或多个其它装置，如患者14的可穿戴医疗装置或移动装置(例如，智能电话)，可以收集患者参数数据并将患者参数数据上传到外部装置27和/或计算系统24。
尽管本文在提供治疗性电刺激的示例医疗装置16的上下文中进行描述，但本文所公开的用于短期预测心律失常的技术可以与其它类型的装置一起使用。例如，所述技术可以用以下装置来实施：被配置成用于植入在心脏内的经导管起搏器，如可从爱尔兰的美敦力公司商购获得的MicraTM经导管起搏系统；插入式心脏监测器，如也可从美敦力公司商购获得的Reveal LINQTMICM；神经刺激器；药物递送装置；可穿戴装置，如可穿戴心脏复律器除颤器、健身跟踪器或其它可穿戴装置；移动装置，如移动电话、“智能”电话、膝上型计算机、平板电脑、个人数字助理(PDA)或如“智能”眼镜或“智能”手表等“智能”服装。
图4是展示了根据本公开的一种或多种技术进行操作的示例计算系统24的框图。在一个实例中，计算系统24包含处理电路系统402，所述处理电路系统用于执行包含监测系统450的应用程序424或本文所描述的任何其它应用程序。尽管出于实例的目的在图4中示出为独立计算系统24，但计算系统24可以是包含处理电路系统或用于执行软件指令的其它合适的计算环境的任何组件或系统，并且例如不必包含图4中所示出的一个或多个元件(例如，通信电路系统406；并且在一些实例中，如存储装置408等组件可以与其它组件不在同一位置或位于同一机架中)。在一些实例中，计算系统24可以是跨多个装置分布的云计算系统。
如图4的实例中所示出的，计算系统24包含处理电路系统402、一个或多个输入装置404、通信电路系统406、一个或多个输出装置412、一个或多个存储装置408以及用户接口(UI)装置410。在一个实例中，计算系统24进一步包含可由计算系统24执行的一个或多个应用程序424(如监测系统450)和操作系统416。组件402、404、406、408、410和412中的每一个被联接(物理地、通信地和/或可操作地)用于组件间通信。在一些实例中，通信信道414可包含系统总线、网络连接、过程间通信数据结构或用于通信数据的任何其它方法。作为一个实例，组件402、404、406、408、410和412可通过一个或多个通信信道414联接。
在一个实例中，处理电路系统402被配置成实施功能和/或处理用于在计算系统24内执行的指令。例如，处理电路系统402可能够处理存储在存储装置408中的指令。处理电路系统402的实例可包含以下中的任一个或多个：微处理器、控制器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或等效的离散或集成逻辑电路系统。
一个或多个存储装置408可以被配置成在操作期间将信息存储在计算系统24内。在一些实例中，存储装置408被描述为计算机可读存储介质。在一些实例中，存储装置408为临时存储器，这意味着存储装置408的主要目的不是长期存储。在一些实例中，存储装置408被描述为易失性存储器，这意味着当计算机关闭时，存储装置408不维护所存储的内容。易失性存储器的实例包含随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)和本领域中已知的其它形式的易失性存储器。在一些实例中，存储装置408用于存储由处理电路系统402执行的程序指令。在一个实例中，存储装置408被在计算系统24上运行的软件或应用程序424用于在程序执行期间临时存储信息。
在一些实例中，存储装置408还包含一个或多个计算机可读存储介质。存储装置408可被配置成存储比易失性存储器大的信息量。存储装置408可另外被配置用于信息的长期存储。在一些实例中，存储装置408包含非易失性存储元件。这类非易失性存储元件的实例包含磁性硬盘、光盘、软盘、闪存，或多种形式的电可编程存储器(EPROM)或电可擦除并且可编程(EEPROM)存储器。
在一些实例中，计算系统24还包含通信电路系统406。在一个实例中，计算系统24利用通信电路系统406与外部装置(如图1的医疗装置16和EMR数据库66)进行通信。通信电路系统406可包含网络接口卡，如以太网卡、光收发器、射频收发器或可发送和接收信息的任何其它类型的设备。此类网络接口的其它实例可以包含3G、4G、5G和WI-FITM无线电。
在一个实例中，计算系统24还包含一个或多个用户接口装置410。在一些实例中，用户接口设备410被配置成通过触觉、音频或视频反馈从用户接收输入。用户接口装置410的实例包含对存在敏感显示器、鼠标、键盘、语音响应系统、摄像机、麦克风或用于检测来自用户的命令的任何其它类型的装置。在一些实例中，对存在敏感的显示器包含触敏屏。
一个或多个输出装置412也可以被包含在计算系统24中。在一些实例中，输出设备412被配置成使用触觉、音频或视频刺激向用户提供输出。在一个实例中，输出设备412包含对存在敏感的显示器、声卡、视频图形适配器卡或用于将信号转换为人类或机器可理解的适当形式的任何其它类型的设备。在一些实例中，输出装置412包含显示装置。输出设备412的附加实例包含扬声器、阴极射线管(CRT)监视器、液晶显示器(LCD)或可向用户生成可理解的输出的任何其它类型的设备。
计算系统24可以包含操作系统416。在一些实例中，操作系统416控制计算系统24的组件的操作。例如，在一个实例中，操作系统416促进一个或多个应用程序424和监测系统450与处理电路系统402、通信电路系统406、存储装置408、输入装置404、用户接口装置410和输出装置412的通信。
应用程序422还可以包含可由计算系统24执行的程序指令和/或数据。可由计算系统24执行的示例应用程序422可以包含监测系统450。可替代地或另外地包含未示出的其它另外的应用程序，以提供本文所描述的其它功能，并且为了简单起见而不描绘。
根据本公开的技术，应用程序424包含监测系统450。监测系统450可以被配置成接收患者数据、评估患者数据并生成输出数据。例如，在一个实例中，当监测系统450确定患者14(图1)很可能经历了属于一种或多种心律失常的一种或多种心律失常事件时，监测系统450可以生成通知。在另一个实例中，监测系统450可以生成示出了患者14的心脏节律的一个或多个方面的变化的一个或多个图表。
如图4的实例中所示出的，在一些实例中，监测系统450可以实施包含一个或多个CRC的AI系统451。例如，在图4的实例中，监测系统450可以包含CRC 452A到CRC 452N(统称为“CRC 452”)。CRC 452可以包含广义CRC和一个或多个专门化CRC。尽管对CRC的以下讨论涉及CRC 452和AI系统451，但以下讨论可以同样适用于在除计算系统24之外的装置或系统中，如在医疗装置16或外部装置27中或其组合中实施的CRC和AI系统。
在一些实例中，CRC 452中的每个CRC是使用一个或多个神经网络系统、深度学习系统或其它类型的监督式或非监督式机器学习系统来实施的。例如，CRC可以通过前馈神经网络如卷积神经网络、径向基函数神经网络、递归神经网络、模块化或联想神经网络来实施。在一些实例中，AI系统451用不同患者群体的包含心脏EGM条带的患者数据来训练CRC452，以关于群体中患者的心脏节律的一个或多个方面的数据。在一些实例中，在AI系统451已经用患者群体的患者数据预训练了CRC之后，AI系统451可以用特定于患者14或更小的患者队列的患者数据来进一步训练机器学习模型。
在一些实例中，AI系统451用患者群体的患者数据来训练CRC，确定所述CRC的误差率，并且然后将所述误差率反馈回到所述CRC以允许所述CRC基于所述误差率更新其预测。在一些实例中，所述误差率可以与由CRC基于输入数据确定的输出数据与相同输入数据的预先标记的输出数据之间的差异相对应。在一些实例中，AI系统451可以使用误差函数来确定误差率。可以以常规用于检测心律失常的发生的方式使用信号处理技术和试探法来实施误差函数。在一些实例中，监测系统450可以从用户(例如，患者14、临床医生或另一种类型的人)接收指示检测到的心律失常是否在特定时间段内发生在患者14中的反馈。在一些实例中，监测系统450可以从医疗装置16接收指示医疗装置16已经检测到(或尚未检测到)患者14的心律失常的发生的消息。在一些实例中，监测系统450可以其它方式获得反馈，如通过定期地检查EMR数据以确定是否发生心律失常。监测系统450可以用所述反馈来更新所述CRC。因此，训练过程可以迭代发生，以便通过从过去由CRC生成的正确和不正确的数据中“学习”来递增地改进由CRC生成的数据。进一步地，训练过程可以用于进一步微调使用基于群体的数据进行训练的CRC，以针对特定个体生成更准确的数据。在一些实例中，对服务进行监测的人员可以提供反馈。
在一些实例中，CRC 452中的每个CRC是使用神经网络实施的。所述神经网络可以包含输入层和输出层以及所述输入层与所述输出层之间的一个或多个隐藏层。所述神经网络的每个层包含一个或多个人工神经元，本公开将其简称为神经元。所述神经网络的所述输入层包含多个输入神经元。所述输入层可以包含用于心脏EGM条带的区段的每个样本值的单独的输入神经元。在一些实例中，所述区段可以与所述心脏EGM条带相连。在其它实例中，所述区段可以是所述心脏EGM条带的子区段。例如，在其中所述心脏EGM条带包括表示患者14的45秒心脏节律的样本的实例中，所述区段可以包括表示所述心脏EGM条带的前10秒的样本。
AI系统451可以向CRC提供心脏EGM条带的重叠区段。例如，AI系统451可以提供包括表示心脏EGM条带的第0秒到第10秒的样本的区段，然后提供包括表示所述心脏EGM条带的第5秒到第15秒的样本的区段，然后提供包括表示所述心脏EGM条带的第10秒到第20秒的样本的区段，等等。在一些实例中，计算系统24可以提供跨越两个或更多个心脏EGM条带的区段。
在一些实例中，CRC 452中的每个CRC是卷积神经网络(CNN)。例如，在一个实例中，卷积层可以跟在上文所描述的类型的输入层之后。第一卷积层神经元可以接收来自由给定数量的连续输入层神经元组成的第一组输入层神经元的输入；第二卷积层神经元可以接收来自第二组输入层神经元的输入，所述第二组输入层神经元由相同给定数量的连续输入层神经元组成，但与所述第一组输入层神经元的第一输入层神经元偏移了步幅长度；第三卷积层神经元可以接收来自第三组输入层神经元的输入，所述第三组输入层神经元由相同给定数量的连续输入层神经元组成，但与所述第二组输入层神经元的第一输入层神经元偏移了步幅长度；等等。给定的连续输入神经元数量和步幅长度是CNN的不同超参数。一个或多个全连接隐藏层可以跟在卷积层之后。将CRC 452实施为CNN可以提高CRC 452的性能。
在本公开的一些实例中，对于一组一种或多种心律失常中的每种相应心律失常，CRC 452中的每个CRC可以生成指示所述相应心律失常的一次或多次发生是否在心脏EGM条带的区段中进行表示的数据。例如，在一个实例中，CRC的隐藏层向CRC的输出层提供输入数据。对于一组心律失常中的每个相应心律失常，CRC的输出层包含与所述相应心律失常相对应的单独输出神经元。与所述相应心律失常相对应的输出神经元从CRC的隐藏层中的单个神经元接收输入数据，所述输入数据也与所述相应心律失常相对应。由隐藏层神经元生成的对应于相应心律失常的数据包括指示心律失常的发生已经在心脏EGM条带的区段中发生的概率的概率值。输出神经元的激活函数可以将阈值函数应用于由隐藏层神经元生成的概率值。对于每个输出神经元，如果向输出神经元提供的概率值大于阈值，则阈值函数可以使输出神经元生成第一值(例如，1)，并且如果向输出神经元提供的概率值小于相同的阈值，则生成第二值(例如，0)。
此外，在先前段落的实例中，AI系统451可以使用由隐藏层生成的概率值来跟踪心脏EGM条带内发生心律失常的发生的位置。例如，如上所述，心脏EGM条带可以细分为区段并且AI系统451将所述区段作为输入向CRC 452提供。因此，通过确定心脏EGM条带的哪个区段导致对应于心律失常的最高概率值，AI系统451可以确定哪个区段最有可能表示心律失常的发生。
如本公开中别处所指出的，向CRC 452提供的输入除了心脏EGM条带的区段之外还可以包含患者数据。例如，在一些实例中，患者数据可以另外包含关于患者的生理状态(例如，患者生理状态，如活动、姿势、呼吸等)的数据，所述生理状态也可以由医疗装置16捕获。对应于不同生理条件的患者数据(例如，休息、夜间休息、夜间高姿态角度休息等)可以用作模型训练的另外的参数或CRC 452的输入数据。使用此类数据可以使AI系统能够检测其它疾病状况期间的心律失常(例如，用于休息期间的心动过速的敏感模型可以用于监测心力衰竭(HF)患者；用于活动期间的心动过缓的模型可以用于监测患者变时性机能不全)。在一些实例中，监测系统450通过通信电路系统406从EMR数据库66接收患者14的EMR数据。在一些实例中，由EMR数据库66存储的所述EMR数据可以包含关于患者14的许多不同类型的历史医疗信息。例如，EMR数据库66可以存储所述患者的用药历史、所述患者的外科手术程序历史、所述患者的住院历史、所述患者随时间变化的钾水平或所述患者的一个或多个实验室测试结果等。EMR数据可以形成用作到CRC 452中的一个或多个CRC的输入的患者数据的一部分。
在一些实例中，CRC 452中的每个CRC将患者数据转换成表示所述患者数据的一个或多个向量和张量(例如，多维阵列)。CRC 452可以将数学运算应用于所述一个或多个向量和张量以生成所述患者数据的数学表示。CRC 452可以确定与患者数据与心律失常的发生之间的标识关系相对应的不同权重。CRC 452可以将不同权重应用于所述患者数据以生成概率值。
图5是展示了根据本公开的技术的示例操作的流程图。为了方便起见，关于图1描述了图5。本公开的流程图作为实例呈现。根据本公开的技术的其它实例可以包含更多、更少或不同的动作，或者动作可以以不同顺序或并行执行。图5的操作可以由在医疗装置16、计算系统24、外部装置27和/或其它装置中的一个或多个上实施的AI系统来执行。
在图5的实例中，AI系统可以获得患者14(即，当前患者)的心脏EGM条带(500)。所述AI系统可以以各种方式中的一种或多种方式获得患者14的心脏EGM条带。例如，在其中计算系统24实施所述AI系统的实例中，计算系统24可以从医疗装置16(例如，通过外部装置27和网络25)获得患者14的心脏EGM条带。在其中所述AI系统在医疗装置16中实施的一些实例中，所述AI系统可以通过基于来自电极的数据生成心脏EGM条带来获得心脏EGM条带。在一些实例中，所述AI系统可以从存储当前患者的一个或多个心脏EGM条带的数据库(例如，EMR数据库66)获得当前患者的心脏EGM条带。在本公开的其它地方描述了获得心脏EGM条带的其它实例。
此外，在图5的实例中，AI系统可以以心脏EGM条带的区段作为输入来应用第一CRC(即，广义CRC)(502)。所述第一CRC是在来自第一群体的训练心脏EGM条带上训练的。在一些实例中，所述第一群体包含其心脏EGM数据正在由计算系统24监测的所有患者。当所述AI系统应用所述第一CRC时，所述第一CRC基于所述心脏EGM条带的所述区段生成关于患者14的心脏节律的某个方面的第一数据。
在一些实例中，当前患者的心脏节律的所述方面是所述当前患者的所述心脏节律中的心律失常的发生的发生。在此类实例中，所述第一数据可以包含指示心脏EGM条带的区段是否表示一种或多种心律失常的一次或多次发生的数据。例如，所述第一数据可以基于所述心脏EGM条带的所述区段表示所述心律失常的至少一次发生的第一概率。在一些实例中，对于一组一种或多种心律失常中的每种心律失常，所述第一数据可以包含指示心律失常的发生在心脏EGM条带中进行表示的置信水平的置信值。置信值可以是输出层之前的隐藏层中的神经元的输出值。在一些实例中，所述第一输出数据可以包含指示一种或多种心律失常的发生在心脏EGM条带中发生的位置的定时数据。
另外，AI系统可以以心脏EGM条带的区段作为输入来应用第二CRC(即，专门化CRC)(504)。所述第二CRC是所述第一CRC的在来自小于所述第一群体的第二群体的训练心脏EGM条带上训练的版本。例如，在一些实例中，所述第二群体可以仅由患者14组成。在其它实例中，所述第二群体可以是患者队列，如与患者14共享一种或多种特性的患者队列。示例特性可以包含对所述患者队列和患者14的诊断。当所述AI系统应用所述第二CRC时，所述第二CRC可以基于所述心脏EGM条带的所述区段生成关于所述心脏节律类型的第二数据。所述第二数据可以包含与所述第一数据的类型相同的类型的数据。例如，所述第二数据基于所述心脏EGM条带的所述区段表示所述心律失常的至少一次发生的第二概率。
AI系统可以基于第一数据和第二数据中的至少一个生成输出数据(506)。在一些实例中，计算系统24可以通过图形用户接口、语音接口、网页或以另一种形式呈现所述输出数据。在一些实例中，所述输出数据可以包括通知或消息，如电子邮件消息、文本消息、应用程序内通知、即时消息、语音邮件消息或另一种类型的消息。
在一些实例中，所述AI系统可以输出用于显示的仪表板接口。所述仪表板接口是一种包含所述输出数据的图形用户接口。所述仪表板接口可以包含列表、图表、迷你图、条形图、表格或被设计成以直观方式传递关于患者14的心脏节律的一种或多种类型的信息的其它类型的数据。
例如，在一个实例中，所述第一数据指示广义CRC是否已经标识出所述心脏EGM条带的区段中的特定心律失常的发生。在这个实例中，所述仪表板接口可以包含呈条形图中的第一条的形式的输出数据，所述第一条的大小与已经由广义CRC标识出的所述特定心律失常的发生次数成比例。同样，在一些实例中，所述第二数据可以指示专门化CRC是否已经标识出所述心脏EGM条带的所述区段中的所述特定心律失常的发生。在这个实例中，所述条形图可以包含第二条，所述第二条的大小与已经由专门化CRC标识出的所述特定心律失常的发生次数成比例。以这种方式，所述条形图可以实现对第一和第二CRC所标识出的所述特定心律失常的发生次数的比较。
在一个实例中，所述当前患者的所述心脏节律的所述方面是患者14的所述心脏节律中发生的心律失常的发生的形态方面。在这个实例中，所述第一数据可以包括关于所述心脏EGM条带的所述区段中所表示的所述心律失常的发生的所述形态方面的第一数据。另外，在这个实例中，所述第二数据可以包括关于所述心脏EGM条带的所述区段中所表示的所述心律失常的所述发生的所述形态方面的第二数据。所述输出数据可以包括将关于所述发生的所述形态方面的所述第一数据与关于所述发生的所述形态方面的所述第二数据进行比较的数据。例如，所述输出数据可以包含示出了关于所述发生的所述形态方面的所述第一数据与关于所述发生的所述形态方面的所述第二数据之间的差异的图表。
在其中所述第一数据和所述第二数据指示广义和专门化CRC是否标识出心脏EGM条带的区段中的心律失常的发生的另一个实例中，所述仪表板接口可以包含指示所述心律失常的发生随时间变化的频率的迷你图。输出数据的许多其它实例是可能的，如在本公开其它地方所提供的实例中所描述的数据类型。
在一些实例中，所述AI系统可以基于所述第二数据与由专门化CRC基于来自所述当前患者的早期心脏EGM条带生成的历史数据的比较生成第二输出数据。例如，所述AI系统可以生成指示患者14的心脏节律的方面的趋势的数据。在一个实例中，所述AI系统可以对由第二专门化CRC在每个时间段(例如，每天)期间标识的心律失常的发生次数进行计数，并以表格或图的形式示出计数。
AI系统可以将输出数据呈现给一种或多种类型的用户。例如，AI系统可以将输出数据呈现给患者14、患者14的医疗保健提供者、医疗保健监测组织的用户或另一种类型的人。
图6是展示了根据本公开的技术的其中基于个体患者的心脏EGM更新广义CRC 602的实例的概念图。广义CRC 602是基于第一群体的心脏EGM条带训练的，可以基于特定患者的心脏EGM条带进一步训练，以生成用于特定患者的专门化CRC 604。例如，在其中对广义CRC 602进行训练以生成关于在患者的心脏节律中发生的心律失常的一个或多个方面的数据的实例中，AI系统可以基于患者14的心脏EGM条带对广义CRC 602进行进一步训练以生成关于在患者14的心脏节律中发生的心律失常的一个或多个方面的数据。因此，当所述AI系统开始监测患者14时，专门化CRC 604可以与广义CRC 602相同。然而，随时间推移，所述AI系统可以基于患者14的患者数据(例如，EGM条带)选择性地重新训练患者14的专门化CRC604。例如，计算系统24可以应用反向传播算法来更新与到患者14的专门化CRC 604中的一层或多层神经元的输入相关联的参数(例如，权重值、偏离值等)。在本公开中的其它地方更详细地描述的图9是展示了用于训练专门化CRC的示例操作的流程图。
如图6的实例中所示出的，所述AI系统可以获得患者14的心脏EGM条带600。此外，所述AI系统可以以心脏EGM条带600的区段作为输入来应用广义CRC 602和专门化CRC 604。在图6的实例中，广义CRC 602和专门化CRC 604标识心脏EGM条带所表示的心脏节律中的一种或多种心律失常的发生。在图6的实例中，标识出的心律失常的发生用椭圆形606标记。此外，如图6的实例中所示出的，当提供心脏EGM条带600的区段作为到广义CRC 602的输入时，广义CRC 602可以标识心律失常的三次发生。然而，如图6的实例中所示出的，当提供心脏EGM条带600的区段作为到专门化CRC 604的输入时，专门化CRC 604可以标识心律失常的四次发生。专门化CRC 604可以能够标识另外的发生，因为患者14中发生的特定心律失常的发生的形态方面可能在某种程度上不同于广义CRC 602在其上进行训练的一般群体中发生的特定心律失常的发生的形态方面。
此外，如图6的实例中所示出的，所述AI系统可以基于由广义CRC 602和专门化CRC604生成的数据生成各种类型的输出数据。例如，所述AI系统可以生成指示对心律失常的发生的个性化检测的输出数据。
在一些实例中，所述AI系统可以生成指示由专门化CRC 604检测到的心律失常的发生的形态属性与由专门化CRC 604先前检测到的心律失常的发生的形态属性的比较的输出数据。例如，在这个实例中，所述AI系统可以将专门化CRC 604应用于患者14的心脏EGM条带的区段以标识一种或多种心律失常的发生。示例形态属性可以包含QRS宽度、独特的室性早搏(PVC)形态的数量、检测到的心律失常的平均心率、P-R间期等。此外，所述AI系统可以生成标识出的心律失常的发生的形态属性的值。然后，所述AI系统可以使用标识出的心律失常的发生的形态属性的值来生成使用户能够对标识出的心律失常的发生的形态属性的值进行比较的比较数据。
例如，在其中所述心律失常是心房纤颤的实例中，所述形态属性可以是心房纤颤的发生的心房纤颤期间的时间持续时间或心室速率。在这个实例中，所述AI系统可以将专门化CRC 604应用于患者14的心脏EGM条带的区段以标识心房纤颤的发生。此外，在这个实例中，对于标识出的心房纤颤的发生中的每次发生，所述AI系统可以确定指示标识出的心房纤颤的发生的时间持续时间的时间持续时间值。在这个实例中，所述AI系统然后可以使用所确定的时间持续时间值来生成比较数据。例如，在这个实例中，所述比较数据可以包含示出了所确定的时间持续时间值的趋势的折线图。在一些实例中，所述比较数据可以列出所确定的时间持续时间值。
在一些实例中，所述AI系统可以生成指示患者14的个性化趋势的输出数据。例如，在一个实例中，所述AI系统可以生成输出数据，所述输出数据示出了由专门化CRC 604标识出的心律失常的发生时的形态属性随时间的变化、由专门化CRC 604标识出的心律失常的发生频率随时间的变化等等。
在一些实例中，所述AI系统可以将广义CRC 602和专门化CRC 604应用于患者14的同一组心脏EGM条带的区段以标识一种或多种心律失常的发生。因此，所述AI系统可以通过应用广义CRC 602来标识第一组发生，并且通过应用专门化CRC 604来标识第二组发生。在这个实例中，计算系统24可以基于所述第一组发生和所述第二组发生生成比较数据。在一些实例中，通过提供对所述第一组发生中的发生次数和所述第二组发生中的发生次数的比较，所述比较数据可以用于强调使用专门化CRC 604的价值。
在一些实例中，所述AI系统可以对由专门化CRC 604标识出的心律失常的发生的形态属性和由广义CRC 602标识出的心律失常的发生的形态属性进行分析。例如，在一个实例中，所述AI系统可以通过将广义CRC 602应用于患者14的一组心脏EGM条带的区段来标识心律失常的第一组发生。在这个实例中，所述AI系统可以通过将专门化CRC 604应用于患者14的同一组心脏EGM条带的区段来标识心律失常的第二组发生。此外，在这个实例中，所述AI系统可以生成由广义CRC 602标识出的心律失常的发生的形态属性的第一组值。类似地，在这个实例中，所述AI系统可以生成所述心律失常的发生的所述形态属性第二组值。然后，所述AI系统可以生成使用户能够对由广义CRC 602和专门化CRC 604标识出的心律失常的发生时的形态属性的值进行比较的比较数据。此外，所述比较数据可以包含指示在一般群体的成员中的心律失常的发生的形态属性的值的数据。
图7是展示了根据本公开的技术的其中计算系统24应用广义CRC 700和基于队列的专门化CRC 702的实例的概念图。类似于图6的实例，计算系统24可以获得患者14的心脏EGM条带704。
在图7的实例中，作为在来自群体(例如，正在由监测系统450(图4)监测的患者群体)中的所有患者的数据上进行训练的替代，基于特定患者队列对一组一个或多个专门化CRC如基于队列的CRC 702进行训练。可以以各种方式中的任一种方式来定义患者队列。例如，可以基于如国际疾病和相关健康问题统计分类第10次修订(10th revision of theInternational Statistical Classification of Diseases and Related HealthProblems)(ICD-10)中所定义的代码和现时程序技术(CPT)代码等诊断和程序代码来定义患者队列。在这个实例中，可以基于EGM条带的区段以及在一些实例中的所选患者组的其它患者数据训练基于队列的CRC 702，所述所选患者组中的所有患者在其病历中具有共享的ICD-10和/或CPT代码历史。因此，由基于队列的CRC 702生成的数据可以反映所选患者组的生理机能。
所述AI系统可以生成输出数据，所述输出数据使用户能够对关于患者14的数据、关于患者队列的数据和/或关于广义CRC 700在其上进行训练的群体的数据中的两种或更多种数据进行比较。例如，所述AI系统可以用队列而不是个体患者生成关于图6中的个体患者所描述的类型中的任一种类型的输出数据。
在一些实例中，所述AI系统还可以针对个体患者(例如，患者14)应用专门化CRC。因此，所述AI系统可以生成输出数据，所述输出数据可以使用户能够将个体的数据与由广义CRC 700和基于队列的CRC 702生成的数据进行比较，使得用户可以看到个体的数据相较于一般群体以及有类似诊断和手术史的其它群体。
在一些实例中，所述AI系统可以基于由多个基于队列的CRC生成的数据和由针对个体患者的个性化CRC生成的数据确定基于队列的CRC中的哪个基于队列的CRC生成的数据最类似于由针对个体患者的个性化CRC生成的数据。例如，所述AI系统可以计算均方误差、绝对差之和或确定由基于队列的CRC生成的数据与由针对个体患者的个性化CRC生成的数据之间的相似性的其它度量。以这种方式，所述AI系统可以确定基于队列的CRC中的哪个基于队列的CRC(并且因此确定患者队列中的一个患者队列)最类似于个体患者。与一般人口统计学信息相比，这可以实现个体患者与患者队列之间的更好的关联。例如，所述AI系统可以确定个体患者50多岁，但具有40多岁患者的心脏节律曲线。在一些实例中，所述AI系统可以响应于确定个体患者与特定患者队列的关联优于与当前与个体患者相关联的患者队列的关联而生成通知。
图8是展示了根据本公开的技术的计算系统应用广义CRC、基于队列的CRC和专门化CRC的示例操作的流程图。在图8的实例中，AI系统可以获得患者14(即，当前患者)的心脏EGM条带(800)。另外，AI系统可以以心脏EGM条带的区段作为输入来应用第一CRC(例如，广义CRC)(802)。所述第一CRC是在来自第一群体的EGM条带上训练的。所述第一CRC生成第一数据。所述AI系统可以以与关于图5的动作(502)所描述的相同的方式应用所述第一CRC。
此外，在图8的实例中，AI系统可以以心脏EGM条带的区段作为输入来应用第二CRC(例如，基于队列的CRC)(804)。所述第二CRC是在来自第二群体如患者队列的EGM条带上训练的。所述第二CRC生成第二数据。另外，在图8的实例中，所述AI系统可以以心脏EGM条带的区段作为输入来应用第三CRC(例如，针对患者14的专门化CRC)(806)。所述第三CRC是在来自患者14的EGM条带上训练的。所述第三CRC生成第三数据。在一些实例中，所述第三CRC是所述第一CRC的基于来自第一群体的训练心脏EGM条带训练并且仅基于来自患者14的训练心脏EGM条带进一步训练的版本。
AI系统可以基于第一数据、第二数据和第三数据中的至少一个生成输出数据(808)。例如，所述AI系统可以生成包含实现在本公开中其它地方所描述的各种类型的比较中的任一种类型的比较和其它类型的比较的图表、图和其它类型的数据的输出数据。
图9是展示了根据本公开的技术的用于训练专门化CRC的示例操作的流程图。在图9的实例中，AI系统可以基于第一群体中的患者的EGM条带的区段训练广义CRC(900)。所述AI系统可以根据本公开中其它地方所提供的实例中的任何实例训练所述广义CRC。此外，所述AI系统可以生成专门化CRC。例如，所述AI系统可以通过基于(例如，仅基于)来自第二群体的心脏EGM条带训练第一CRC的实例来生成专门化CRC。所述AI系统可执行动作(902)-(910)以生成专门化CRC。
此外，在图9的实例中，AI系统可以将广义CRC应用于来自第二群体的心脏EGM条带的当前区段以生成心脏EGM条带的当前区段的第一输出向量(902)。所述第二群体可以小于所述第一群体。例如，所述第二群体可以仅限于单个患者或患者队列。输出向量是由CRC生成的元素向量，如数值或布尔值。另外，在图9的实例中，AI系统可以将专门化CRC应用于心脏EGM条带的当前区段以生成心脏EGM条带的当前区段的第二输出向量(904)。
接下来，AI系统可以确定心脏EGM条带的当前区段的第二输出向量是否比心脏EGM条带的当前区段的第一输出向量更准确(906)。所述AI系统可以以一种或多种方式中的任一种方式做出这个确定。例如，在一个实例中，第一输出向量和第二输出向量包含指示心脏EGM条带的当前区段包含心律失常的发生的似然性的似然值。在这个实例中，所述AI系统可以对由广义CRC生成的似然值和由专门化CRC生成的似然值的进行比较。在这个实例中，优选的是具有对应于每次人工审查存在心律失常的较高似然和对应于每次人工审查不存在心律失常的较低似然值。所述AI系统还可以对带注释的数据集上的输出向量的整体准确度进行比较(例如，基于灵敏度和特异度)
响应于确定第二输出向量比第一输出向量更准确(906的“是”分支)，AI系统可以更新专门化CRC的参数(908)。例如，所述AI系统可以应用计算专门化CRC的预期输出向量与专门化CRC的实际输出向量之间的误差的误差函数。在这个实例中，所述AI系统可以在反向传播算法中使用这个误差函数来更新专门化CRC的参数。
在更新专门化CRC的参数后或响应于确定第二输出向量不比第一输出向量更准确(906的“否”分支)，AI系统可以确定是否存在第二群体的心脏EGM条带的任何其余区段或任何其余EGM条带(910)。如果存在第二群体的心脏EGM条带的一个或多个其余区段或其余EGM条带(910的“是”分支)，则AI系统可以以第二群体的另一个区段或EGM条带作为当前区段和/或心脏EGM条带来重复动作902-910。否则(910的“否”分支)，图9的训练操作可以结束。
以这种方式训练专门化CRC可以有助于保证由专门化CRC生成的输出向量的准确度不比由广义CRC生成的输出向量的准确度差。此外，以这种方式训练专门化CRC可能比在EGM条带的所有区段上训练专门化CRC更有效并且消耗更少的计算资源。
在一些实例中，所述AI系统被配置成响应于接收到用于训练专门化CRC的用户输入的指示而执行训练专门化CRC的过程。例如，所述AI系统可以接收指示AI系统要基于特定心脏EGM条带训练专门化CRC的用户输入的指示。
图10是展示了根据本公开的技术的用于生成个性化输出数据的示例操作的流程图。在图10的实例中，AI系统可以获得当前患者的心脏EGM条带(1000)。另外，AI系统可以以心脏EGM条带的区段作为输入来应用个性化CRC(1002)。在图10的实例中，专门化CRC是在来自当前患者的训练心脏EGM条带上训练的。所述专门化CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的心脏节律的某个方面的第一数据。心脏节律的所述方面可以是心律失常、心脏节律的形态方面、当前患者的R-R间期或当前患者的心脏节律的另一个方面。
此外，在图10的实例中，AI系统基于第一数据和由专门化CRC基于来自当前患者的早期心脏EGM条带生成的历史数据生成输出数据(1004)。因此，在图10的实例中，专门化CRC不一定经过训练或以其它方式基于来自较大群体的训练数据进行训练。相反，专门化CRC可以仅基于当前患者的训练数据进行训练。在一些实例中，所述输出数据指示所述当前患者的所述心脏节律的所述方面的趋势。在一些实例中，心脏EGM条来自事件之后并且早期心脏EGM条带中的每个早期心脏EGM条带来自事件之前。在这个实例中，所述输出数据包括当前患者的心脏节律的方面在事件之前和之后的比较。示例事件可以包含医疗装置的植入、外科手术程序、当前患者所服用的药物的变化或新的心律失常的发展等等。
图11是展示了根据本公开的技术的其中计算系统生成个性化输出数据的实例的概念图。图11与图10的示例操作一致。在图11的实例中，仅基于来自个体患者的数据，针对每个患者构建心律失常模式字典。来自单个患者的所有数据都用于训练神经网络，以对患者病史中发生的心律失常和正常节律进行评分。与标准分类器不同，这种类型的个性化CRC可能不是标记不利状况的最佳方式。更广义CRC可以更好地标识出不利状况。然而，个性化CRC可能对单个患者的长期数据进行趋势分析有价值。
个性化CRC的输出可以用于各种目的中的一个或多个目的。例如，个性化CRC的输出可以用于对相较于患者自身基线的变化进行评分和趋势分析。例如，在这个实例中，AI系统可以生成输出数据，所述输出数据指示从监测装置(例如，医疗装置16)植入患者14之后的某个时间开始的关于患者14的心脏节律的一个或多个方面的趋势。在这个实例中，心脏节律的一个或多个方面可以包含时间段内(例如，1周)的R-R间期、特定心律失常的发生频率等。
在另一个实例中，个性化CRC的输出可以用于对心律失常的检测到的发生的一个或多个形态方面与心律失常的先前检测到的发生的形态方面相比的变化进行检测和评分。例如，个性化CRC的输出可以用于检测和跟踪室性早搏(PVC)的平均线长的变化。在另一个实例中，个性化CRC的输出可以展示作为药物变化或所执行的新程序的变化的函数的患者的数据的变化。
与较大群体模型相比，在单个受试者的数据上训练的个性化CRC还可以被设计成具有较小的计算占用空间(硬件和软件)，并且因此可以在如移动装置和植入式硬件等较小的硬件平台上运行。例如，如果广义和个性化CRC两者的基础模型架构相同(例如，50层残差神经网络)，则两个模型的初始层的模型权重可以相似。然而，仅最后几层的模型权重可以针对所述患者队列的个性化CRC进行训练。在实施方面，如果广义CRC和个性化CRC两者都具有对应于神经网络的初始层的常见计算，那么来自广义CRC的这些值可以在个性化CRC中使用(而不是重复其计算)，并且个性化CRC可以具有仅对应于最后几个神经网络层的较小计算集。
在一些实例中，本公开的技术包含包括用于执行本文所描述的任何方法的装置的系统。在一些实例中，本公开的技术包含包括使处理电路系统执行本文所描述的任何方法的指令的计算机可读介质。
以下是根据本公开的一种或多种技术的实例的非限制性列表。
实例1A.一种方法，其包括：由计算系统获得当前患者的心脏电描记图(EGM)条带；由所述计算系统以所述心脏EGM条带的区段作为输入来应用第一心脏节律分类器神经网络(CRC)，其中：所述第一CRC是在来自包含多个患者的第一群体的训练心脏EGM条带上训练的，所述第一CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的心脏节律的某个方面的第一数据；由所述计算系统以所述心脏EGM条带的所述区段作为输入来应用第二CRC，其中：所述第二CRC是所述第一CRC的在来自小于所述第一群体的第二群体的训练心脏EGM条带上训练的版本，所述第二CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的所述心脏节律的所述方面的第二数据；以及由所述计算系统基于所述第一数据和所述第二数据生成输出数据。
实例2A.根据权利要求1A所述的方法，其中所述第二群体由所述当前患者组成。
实例3A.根据权利要求1A所述的方法，其中所述第二群体是与所述当前患者共享一个或多个特性的患者队列。
实例4A.根据权利要求3A所述的方法，其中所述一个或多个特性包含对所述患者队列和所述当前患者的诊断。
实例5A.根据权利要求3A所述的方法，其中：所述方法进一步包括由所述计算系统以所述心脏EGM条带作为输入来应用第三CRC，其中：所述第三CRC是所述第一CRC的基于来自所述第一群体的所述训练心脏EGM条带训练并且仅基于来自所述当前患者的训练心脏EGM条带进一步训练的版本，并且所述第三CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的所述心脏节律的所述方面的第三数据，并且生成所述输出数据包括基于所述第一数据、所述第二数据和所述第三数据生成所述输出数据。
实例6A.根据权利要求1A所述的方法，其中：所述当前患者的所述心脏节律的所述方面是所述当前患者的所述心脏节律中的心律失常的发生的发生，所述第一数据基于所述心脏EGM条带的所述区段表示所述心律失常的至少一次发生的第一概率，并且所述第二数据基于所述心脏EGM条带的所述区段表示所述心律失常的至少一次发生的第二概率。
实例7A.根据权利要求1A所述的方法，其中：所述当前患者的所述心脏节律的所述方面是所述当前患者的所述心脏节律中发生的心律失常的发生的形态方面，所述第一数据包括关于所述心脏EGM条带的所述区段中所表示的所述心律失常的发生的所述形态方面的第一数据，所述第二数据包括关于所述心脏EGM条带的所述区段中所表示的所述心律失常的所述发生的所述形态方面的第二数据，并且所述输出数据包括将关于所述发生的所述形态方面的所述第一数据与关于所述发生的所述形态方面的所述第二数据进行比较的数据。
实例8A.根据权利要求1A到7A中任一项所述的方法，其进一步包括：基于所述第二数据与由所述第二CRC基于来自所述当前患者的早期心脏EGM条带生成的历史数据的比较生成第二输出数据。
实例9A.根据权利要求1A到8A中任一项所述的方法，其中：所述第一CRC生成输出向量，并且所述方法进一步包括由所述计算系统通过仅基于来自所述第二群体的心脏EGM条带训练所述第一CRC的实例来生成所述第二CRC，其中对于来自所述第二群体的每个相应心脏EGM条带的每个相应区段，生成所述第二CRC包括：由所述计算系统将所述第一CRC应用于所述相应心脏EGM条带的所述相应区段以生成所述相应心脏EGM条带的第一输出向量；由所述计算系统将所述第二CRC应用于所述相应心脏EGM条带的所述相应区段以生成所述相应心脏EGM条带的第二输出向量；由所述计算系统确定所述相应心脏EGM条带的所述相应区段的所述第二输出向量是否比所述相应心脏EGM条带的所述第一输出向量更准确；由所述计算系统基于所述心脏EGM条带的所述第二输出向量是否比所述相应心脏EGM条带的所述第一输出向量更准确，更新所述第二CRC的参数，其中：所述计算系统被配置成当所述心脏EGM条带的所述第二输出向量比所述相应心脏EGM条带的所述第一输出向量更准确时，更新所述第二CRC的所述参数，并且所述计算系统被配置成当所述心脏EGM条带的所述第二输出向量不比所述相应心脏EGM条带的所述第一输出向量更准确时，不更新所述第二CRC的所述参数。
实例1B.一种方法，其包括：由计算系统获得当前患者的心脏EGM条带；由所述计算系统以所述心脏EGM条带的区段作为输入来应用专门化心脏节律分类器(CRC)，其中：所述专门化CRC是在来自所述当前患者的训练心脏EGM条带上训练的，并且所述专门化CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的心脏节律的某个方面的第一数据；由所述计算系统基于所述第一数据和由所述专门化CRC基于来自所述当前患者的早期心脏EGM条带生成的历史数据生成输出数据。
实例2B.根据权利要求1B所述的方法，其中所述输出数据指示所述当前患者的所述心脏节律的所述方面的趋势。
实例3B.根据权利要求2B所述的方法，其中所述心脏节律的所述方面是所述当前患者的R-R间期。
实例4B.根据权利要求2B所述的方法，其中所述心脏节律的所述方面是心律失常。
实例5B.根据权利要求4B所述的方法，其中所述心脏节律的所述方面是所述当前患者的所述心律失常的形态方面。
实例6B.根据权利要求2B所述的方法，其中：所述心脏EGM条带来自事件之后并且所述早期心脏EGM条带中的每个早期心脏EGM条带来自所述事件之前，并且所述输出数据包括所述当前患者的所述心脏节律的所述方面在所述事件之前和之后的比较。
实例7B.根据权利要求6B所述的方法，其中所述事件是以下之一：医疗装置的植入、外科手术程序、所述当前患者所服用的药物的变化或新的心律失常的发展。
实例1C.一种计算系统，其包括处理电路系统和存储介质，所述计算装置被配置成执行根据权利要求1A到7B中任一项所述的方法。
实例2C.一种计算机可读数据存储介质，其具有存储于其上的指令，所述指令在被执行时使计算系统执行根据权利要求1A到7B中任一项所述的方法。
实例3C.一种如说明书中所描述的方法。
应当理解，本文所公开的各个方面和实例可以以不同的组合而非说明书和附图中具体呈现的组合而组合。还应理解，取决于实例，本文所描述的过程或方法中的任一个的某些动作或事件可以不同顺序执行，可被添加、合并或完全省略(例如，所有描述的动作或事件对于执行这些技术可不为必需的)。另外，尽管为了清楚起见，将本公开的某些方面描述为由单个模块、单元或电路来执行，但是应理解，本公开的技术可由与例如医疗装置相关联的单元、模块或电路系统的组合来执行。
在一个或多个实例中，所描述的技术可在硬件、软件、固件或其任意组合中实施。如果以软件实施，则可以将功能以一个或多个指令或代码的形式存储在计算机可读介质上并且可以由基于硬件的处理单元执行。计算机可读介质可以包含非暂时性计算机可读介质，其对应于有形介质，如数据存储介质(例如，RAM、ROM、EEPROM、闪存或可以用于存储呈指令或数据结构形式的期望程序代码并且可以由计算机访问的任何其它介质)。
指令可由一个或多个处理器执行，所述一个或多个处理器为例如一个或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其它等效的集成或离散逻辑电路系统。因此，如本文所用的术语“处理器”或“处理电路系统”可指代任何前述结构或者适合于实施所描述的技术的任何其它物理结构。而且，所述技术可完全以一个或多个电路或逻辑元件实现。
已经描述了各个实例。这些以及其它实例处于以下权利要求书的范围内。

Claims (11)

1.一种计算系统，其包括：
存储介质，所述存储介质被配置成存储当前患者的心脏电描记图(EGM)条带；以及
处理电路系统，所述处理电路系统被配置成：
以所述心脏EGM条带的区段作为输入来应用第一心脏节律分类器神经网络(CRC)，其中：
所述第一CRC是在来自包含多个患者的第一群体的训练心脏EGM条带上训练的，
所述第一CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的心脏节律的某个方面的第一数据；
以所述心脏EGM条带的所述区段作为输入来应用第二CRC，其中：
所述第二CRC是所述第一CRC的在来自小于所述第一群体的第二群体的训练心脏EGM条带上训练的版本，
所述第二CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的所述心脏节律的所述方面的第二数据；并且
基于所述第一数据和所述第二数据生成输出数据。
2.根据权利要求1所述的计算系统，其中所述第二群体由所述当前患者组成。
3.根据权利要求1所述的计算系统，其中所述第二群体是与所述当前患者共享一个或多个特性的患者队列。
4.根据权利要求3所述的计算系统，其中所述一个或多个特性包含对所述患者队列和所述当前患者的诊断。
5.根据权利要求3或4所述的计算系统，其中：
所述处理电路系统被进一步配置成以所述心脏EGM条带作为输入来应用第三CRC，其中：
所述第三CRC是所述第一CRC的基于来自所述第一群体的所述训练心脏EGM条带训练并且仅基于来自所述当前患者的训练心脏EGM条带进一步训练的版本，并且
所述第三CRC基于心脏EGM条带的所述区段生成关于所述当前患者的所述心脏节律的所述方面的第三数据，并且
所述处理电路系统被配置成使得作为生成所述输出数据的一部分，所述处理电路系统基于所述第一数据、所述第二数据和所述第三数据生成所述输出数据。
6.根据权利要求1到4中任一项所述的计算系统，其中：
所述当前患者的所述心脏节律的所述方面是所述当前患者的所述心脏节律中的心律失常的发生的发生，
所述第一数据基于所述心脏EGM条带的所述区段表示所述心律失常的至少一次发生的第一概率，并且
所述第二数据基于所述心脏EGM条带的所述区段表示所述心律失常的至少一次发生的第二概率。
7.根据权利要求1到4中任一项所述的计算系统，其中：
所述当前患者的所述心脏节律的所述方面是所述当前患者的所述心脏节律中发生的心律失常的发生的形态方面，
所述第一数据包括关于所述心脏EGM条带的所述区段中所表示的所述心律失常的发生的所述形态方面的第一数据，
所述第二数据包括关于所述心脏EGM条带的所述区段中所表示的所述心律失常的所述发生的所述形态方面的第二数据，并且
所述输出数据包括将关于所述发生的所述形态方面的所述第一数据与关于所述发生的所述形态方面的所述第二数据进行比较的数据。
8.根据权利要求1到4中任一项所述的计算系统，其中所述处理电路系统被进一步配置成：
基于所述第二数据与由所述第二CRC基于来自所述当前患者的早期心脏EGM条带生成的历史数据的比较生成第二输出数据。
9.根据权利要求1到4中任一项所述的计算系统，其中：
所述第一CRC生成输出向量，并且
所述计算系统被进一步配置成通过仅基于来自所述第二群体的心脏EGM条带训练所述第一CRC的实例来生成所述第二CRC，其中所述处理电路系统被配置成使得作为生成所述第二CRC的一部分，对于来自所述第二群体的每个相应心脏EGM条带的每个相应区段，所述处理电路系统：
将所述第一CRC应用于所述相应心脏EGM条带的所述相应区段以生成所述相应心脏EGM条带的第一输出向量；
将所述第二CRC应用于所述相应心脏EGM条带的所述相应区段以生成所述相应心脏EGM条带的第二输出向量；
确定所述相应心脏EGM条带的所述相应区段的所述第二输出向量是否比所述相应心脏EGM条带的所述第一输出向量更准确；
基于所述心脏EGM条带的所述第二输出向量是否比所述相应心脏EGM条带的所述第一输出向量更准确，更新所述第二CRC的参数，其中：
所述处理电路系统被配置成当所述心脏EGM条带的所述第二输出向量比所述相应心脏EGM条带的所述第一输出向量更准确时，更新所述第二CRC的所述参数，并且
所述处理电路系统被配置成当所述心脏EGM条带的所述第二输出向量不比所述相应心脏EGM条带的所述第一输出向量更准确时，不更新所述第二CRC的所述参数。
10.一种计算机可读数据存储介质，其具有存储于其上的指令，所述指令在被执行时使计算系统：
获得当前患者的心脏电描记图(EGM)条带；
以所述心脏EGM条带的区段作为输入来应用第一心脏节律分类器神经网络(CRC)，其中：
所述第一CRC是在来自包含多个患者的第一群体的训练心脏EGM条带上训练的，
所述第一CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的心脏节律的某个方面的第一数据；
以所述心脏EGM条带的所述区段作为输入来应用第二CRC，其中：
所述第二CRC是所述第一CRC的在来自小于所述第一群体的第二群体的训练心脏EGM条带上训练的版本，
所述第二CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的所述心脏节律的所述方面的第二数据；并且
基于所述第一数据和所述第二数据生成输出数据。
11.一种方法，其包括：
由计算系统获得当前患者的心脏电描记图(EGM)条带；
由所述计算系统以所述心脏EGM条带的区段作为输入来应用第一心脏节律分类器神经网络(CRC)，其中：
所述第一CRC是在来自包含多个患者的第一群体的训练心脏EGM条带上训练的，
所述第一CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的心脏节律的某个方面的第一数据；
由所述计算系统以所述心脏EGM条带的所述区段作为输入来应用第二CRC，其中：
所述第二CRC是所述第一CRC的在来自小于所述第一群体的第二群体的训练心脏EGM条带上训练的版本，
所述第二CRC基于所述心脏EGM条带的所述区段生成关于所述当前患者的所述心脏节律的所述方面的第二数据；以及
由所述计算系统基于所述第一数据和所述第二数据生成输出数据。
CN202080033738.1A 2019-05-06 2020-04-23 用于分析心脏节律的人工智能模型的个性化 Pending CN113795195A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962843693P 2019-05-06 2019-05-06
US62/843,693 2019-05-06
US16/850,618 US11633159B2 (en) 2019-05-06 2020-04-16 Personalization of artificial intelligence models for analysis of cardiac rhythms
US16/850,618 2020-04-16
PCT/US2020/029431 WO2020226904A1 (en) 2019-05-06 2020-04-23 Personalization of artificial intelligence models for analysis of cardiac rhythms

Publications (1)

Publication Number Publication Date
CN113795195A true CN113795195A (zh) 2021-12-14

Family

ID=73046206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080033738.1A Pending CN113795195A (zh) 2019-05-06 2020-04-23 用于分析心脏节律的人工智能模型的个性化

Country Status (8)

Country Link
US (2) US11633159B2 (zh)
EP (1) EP3965648A1 (zh)
JP (1) JP2022531302A (zh)
KR (1) KR20220006070A (zh)
CN (1) CN113795195A (zh)
AU (1) AU2020268734A1 (zh)
DE (1) DE202020005639U1 (zh)
WO (1) WO2020226904A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11633112B2 (en) 2021-03-08 2023-04-25 Medtronic, Inc. Automatic alert control for acute health event
US20220369937A1 (en) * 2021-03-08 2022-11-24 Medtronic, Inc. Acute health event monitoring
DE102021107674A1 (de) 2021-03-26 2022-09-29 Weinmann Emergency Medical Technology Gmbh + Co. Kg Medizintechnisches Gerät, System aus medizintechnischen Geräten sowie Verfahren zur Konfiguration eines medizintechnischen Geräts

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109691994A (zh) * 2019-01-31 2019-04-30 英菲泰克(天津)科技有限公司 一种基于心电图的心率监测分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7490085B2 (en) * 2002-12-18 2009-02-10 Ge Medical Systems Global Technology Company, Llc Computer-assisted data processing system and method incorporating automated learning
US20180374105A1 (en) 2017-05-26 2018-12-27 Get Attached, Inc. Leveraging an intermediate machine learning analysis

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109691994A (zh) * 2019-01-31 2019-04-30 英菲泰克(天津)科技有限公司 一种基于心电图的心率监测分析方法

Also Published As

Publication number Publication date
AU2020268734A1 (en) 2022-01-06
DE202020005639U1 (de) 2021-11-23
WO2020226904A1 (en) 2020-11-12
JP2022531302A (ja) 2022-07-06
EP3965648A1 (en) 2022-03-16
US20200352522A1 (en) 2020-11-12
US20230248319A1 (en) 2023-08-10
KR20220006070A (ko) 2022-01-14
US11633159B2 (en) 2023-04-25

Similar Documents

Publication Publication Date Title
US11679268B2 (en) Multi-tier prediction of cardiac tachyarrythmia
US11696718B2 (en) Arrhythmia detection with feature delineation and machine learning
US20230329624A1 (en) Visualization of arrhythmia detection by machine learning
US11475998B2 (en) Data preparation for artificial intelligence-based cardiac arrhythmia detection
US11583687B2 (en) Selection of probability thresholds for generating cardiac arrhythmia notifications
US10702213B2 (en) Differentiation of heart failure risk scores for heart failure monitoring
JP2022531300A (ja) 不整脈検出用の電力削減された機械学習システム
US20230248319A1 (en) Personalization of artificial intelligence models for analysis of cardiac rhythms
US20200187864A1 (en) Modification of heart failure monitoring algorithm to address false determinations
WO2022173674A1 (en) Health event prediction
WO2024050307A1 (en) Electrocardiogram-based left ventricular dysfunction and ejection fraction monitoring
WO2023203419A1 (en) A system configured for chronic illness monitoring using information from multiple devices
WO2023203437A1 (en) High-resolution diagnostic data system for patient recovery after heart failure intervention
WO2024035530A1 (en) Health event prediction using heartbeat intervals from electrocardiogram data
WO2023203414A1 (en) Exercise tolerance using an implantable or wearable heart monitor

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