CN113795891A - 对发作数据的基于类别的审查和报告 - Google Patents
对发作数据的基于类别的审查和报告 Download PDFInfo
- Publication number
- CN113795891A CN113795891A CN202080033976.2A CN202080033976A CN113795891A CN 113795891 A CN113795891 A CN 113795891A CN 202080033976 A CN202080033976 A CN 202080033976A CN 113795891 A CN113795891 A CN 113795891A
- Authority
- CN
- China
- Prior art keywords
- episode
- reviewer
- annotation
- arrhythmia
- data
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—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
Abstract
公开了一种技术,其用于使用计算系统来针对医疗装置所存储的不同类别的例如心律失常发作之类的发作而选择性地实施不同的审查工作流程。所述不同的工作流程可包含一个或多个人类和/或机器审查者的不同组合,以及用于确定是否以及何时向所述审查者呈现发作的不同决策逻辑。机器审查者可利用一个或多个机器学习模型来注释发作,例如对所述发作进行分类。
Description
技术领域
本公开大体上涉及医疗装置,并且更确切地说涉及对医疗装置所收集的发作数据的审查和报告。
背景技术
医疗装置可用于监测患者的生理信号。举例来说,一些医疗装置被配置成感测心脏电图(EGM)信号,例如心电图(ECG)信号,所述信号经由电极指示心脏的电活动。一些医疗装置被配置成基于心脏EGM并且在一些情况下基于来自额外传感器的数据来检测心律失常的发生,通常称为发作。实例心律失常类型包含心搏停止、心动过缓、室性心动过速、室上性心动过速、宽波群心动过速、心房颤动、心房扑动、心室颤动、房室传导阻滞、室性早搏和房性早搏。医疗装置可将在包含发作的时间段期间所收集的心脏EGM和其它数据存储为发作数据。医疗装置还可响应于用户输入,例如来自患者的输入,而将发作数据存储某一时间段。
计算系统可从医疗装置获得发作数据以允许临床医生或其它用户审查发作。临床医生可基于所识别的发作内心律失常的发生来诊断患者的医学病况。在一些实例中,临床医生或其它审查者可审查发作数据以对发作进行注释,包含确定通过医疗装置检测到的心律失常实际上是否发生,以对发作进行优先级排序并生成报告以供临床医生进一步审查,所述临床医生为患者指定医疗装置或以其他方式负责对特定患者的护理。
发明内容
一般来说,对医疗装置所收集的发作的审查和注释有助于向照顾患者的临床医生识别并报告所关注的发作,而非医疗装置所存储的所有发作。举例来说,发作审查可允许报告由医疗装置存储的真实心动过缓发作,且可避免在报告中包含医疗装置由于对心脏去极化的感知不足而错误地存储为心动过缓的发作。作为另一实例,发作审查和注释也可以促进具有特定患者的临床医生最感兴趣的特征的心律失常类型或心律失常的定制报告。
根据本公开的技术,计算系统针对由医疗装置存储的不同类别的发作而选择性地实施不同的审查工作流程。不同的工作流程可包含一个或多个人类和/或机器审查者的不同组合,以及用于确定是否以及何时向所述审查者呈现发作的不同决策逻辑。不同的工作流程可包含对于被认为更可能具有临床意义的发作类别(例如患者触发的发作、某些类型的心律失常的发作和具有某些心律失常特征的发作)的更加依赖于人类审查者的工作流程。对于不太可能具有临床意义的发作,例如由于所述心律失常类型的错误发作的类型、特征或相对发生率,其它工作流程可能具有不同程度的自动化和机器审查。机器审查者可利用一个或多个机器学习模型来注释发作,例如对所述发作进行分类。
以此方式,本公开的技术可以提供对心律失常分类和报告领域的特定改进。举例来说,对于不同类别的发作,可以不同方式平衡审查的效率和准确性,并且可以减少发作审查的总体负担。
在一个实例中,本公开描述了一种方法,其包括通过包括处理电路系统和存储介质的计算系统接收由患者的医疗装置所存储的发作的发作数据,其中所述发作数据包括心脏电图。所述方法进一步包括:通过所述计算系统基于所述发作数据而将所述发作分类为多个类别中的一个类别,所述多个类别包括至少第一类别和第二类别;以及通过所述计算系统基于所述类别而从多个审查工作流程中选择一个审查工作流程,所述多个类别中的每一者与所述多个审查工作流程中的相应一者相关联。所述方法进一步包括:通过所述计算系统基于选定的审查工作流程而选择所述发作的至少一个第一审查者;通过所述计算系统将所述发作数据提供给所述至少一个第一审查者;以及通过所述计算系统接收所述至少一个第一审查者对所述发作的至少一个第一注释,所述至少一个第一注释基于所提供的发作数据。所述方法进一步包括:通过所述计算系统基于所述选定的审查工作流程而确定是否将所述发作数据提供给第二审查者;通过所述计算系统基于所述选定的审查工作流程和所述至少一个第一注释而确定是否将所述发作包含在心律失常发作报告中;以及通过所述计算系统将所述心律失常发作报告输出至用户。
在另一实例中,一种方法包括通过包括处理电路系统和存储介质的计算系统基于用户输入而使相应的一个或多个发作特征与多个发作类别中的每一者相关联。所述多个类别包括与包括由人类审查者进行的发作注释的人工审查工作流程相关联的第一类别、与包括由包括一个或多个机器学习模型的机器审查者进行的发作注释的自动审查工作流程相关联的第二类别,以及与包括由机器审查者和人类审查者进行的注释的加速审查工作流程相关联的第三类别。所述方法进一步包括:通过所述计算系统接收由患者的医疗装置所存储的发作的发作数据,其中所述发作数据包括心脏电图;通过所述计算系统基于所述发作数据而确定发作的至少一个发作特征;以及通过所述计算系统基于所述至少一个发作特征而将所述发作分类为第一类别、第二类别或第三类别中的一者。所述方法进一步包括:通过所述计算系统基于与所述发作被分类成的类别相关联的工作流程而将所述发作数据提供给人类审查者或机器审查者中的至少一者;通过所述计算系统接收所述人类审查者或所述机器审查者中的至少一者对所述发作的至少一个注释,至少一个第一注释基于所提供的发作数据;通过所述计算系统基于选定的审查工作流程和至少一个注释而确定是否将所述发作包含在心律失常发作报告中;以及通过所述计算系统将所述心律失常发作报告输出至用户。
在另一实例中,一种方法包括:通过包括处理电路系统和存储介质的计算系统接收由多个患者的多个医疗装置所存储的多个发作的发作数据,其中每一发作的发作数据包括相应的心脏电图;对于每一发作,通过所述计算系统基于所述发作数据而确定一个或多个患者特征或发作特征;以及对于每一发作,通过所述计算系统从用户接收一个或多个注释。所述方法进一步包括通过所述计算系统使用所述发作数据、确定的特征和所接收的注释来训练一个或多个机器学习模型。所述方法进一步包括:通过所述计算系统接收由所述多个医疗装置中的至少一者所存储的至少一个后续发作的发作数据;通过所述计算系统基于所述发作数据而确定一个或多个患者特征或所述后续发作的发作特征;通过将所述机器学习模型应用于所述确定的特征的所述计算系统确定所述发作的审查工作流程;以及通过所述计算装置基于确定的工作流程而向一个或多个审查者呈现所述发作数据以供注释。
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说明书中详细描述的设备和方法的排他性或穷尽性解释。在以下附图和说明书中阐述一个或多个实例的其它细节。
附图说明
图1是示出根据本公开的技术的用于收集、审查并报告发作的医疗装置系统的实例的概念图。
图2是示出图1的可植入医疗装置(IMD)的实例配置的框图。
图3是示出图1和2的IMD的实例配置的概念侧视图。
图4是示出图1的计算系统的实例配置的功能框图。
图5是示出根据本公开的技术的用于发作审查和报告的实例操作的流程图。
图6是示出根据本公开的技术的实例发作审查工作流程的流程图。
图7是示出根据本公开的技术的实例发作审查工作流程的流程图。
图8是示出根据本公开的技术的实例发作审查工作流程的流程图。
图9是示出根据本公开的技术的可在发作审查工作流程期间显示给审查者的实例多发作审查屏幕的图。
图10是示出根据本公开的技术的可在发作审查工作流程期间显示给审查者的另一实例多发作审查屏幕的图。
图11是示出根据本公开的技术的实例发作审查工作流程的流程图。
图12是示出根据本公开的技术的可在发作审查工作流程期间显示给审查者的另一实例多发作审查屏幕的图。
图13是示出根据本公开的技术的用于配置发作审查工作流程的实例操作的流程图。
图14是示出根据本公开的技术的用于利用机器学习模型来配置发作审查工作流程的实例操作的流程图。
在整个附图和说明书中,相同的附图标记是指相同的元件。
具体实施方式
多种类型的可植入和外部医疗装置基于感测到的心脏EGM以及在一些情况下其它生理参数而检测心律失常发作。可用于无创感测和监测心脏EGM的外部装置包含具有被配置成接触患者的皮肤的电极的可穿戴装置,例如贴片、手表或项链。被配置成感测心脏EGM的可穿戴生理监测器的一个实例为购自爱尔兰都柏林的美敦力有限公司(Medtronic plc)的SEEQTM移动心脏遥测系统。此类外部装置可便于在正常日常活动期间对患者进行相对长期的监测,并且可将收集到的数据,例如检测到的心律失常发作的发作数据,定期传输到远程患者监测系统,例如美敦力CarelinkTM网络。
可植入医疗装置(IMD)还感测并监测心脏EGM,并且检测心律失常发作。监测心脏EGM的实例IMD包含起搏器和可植入心律转复除颤器,其可联接到血管内或血管外引线,以及具有被配置成用于植入在心脏内的外壳的起搏器,其可为无引线的。一些不提供治疗的IMD,例如可植入的患者监测器,感测心脏EGM。此类IMD的一个实例为购自美敦力公司的可皮下插入的Reveal LINQTM可插入心脏监测器(ICM)。此类IMD可便于在正常日常活动期间对患者进行相对长期的监测,并且可将收集到的数据,例如检测到的心律失常发作的发作数据,定期传输到远程患者监测系统,例如美敦力CarelinkTM网络。
通过从医疗装置上载发作数据,并将发作数据分发给各种用户,此类网络服务可支持集中式或基于临床的心律失常发作审查、注释和报告。所述发作数据可包含医疗装置记录发作数据的原因,例如所述发作是“装置触发的”还是“患者触发的”,“装置触发的”意味着医疗装置响应于心律失常的检测而记录发作数据,“患者触发的”意味着医疗装置响应于来自患者或另一用户的输入而记录发作数据。所述发作数据可包含医疗装置在发作期间检测到的一个或多个心律失常的指示,例如检测哪一个触发医疗装置记录发作数据。所述发作数据还可包含由医疗装置在某一时间段期间收集的数据,所述时间段包含医疗装置确定一个或多个心律失常已经发生的时刻之前和之后的时间。所述发作数据可包含在所述时间段期间的数字化心脏EGM、在所述时间段期间从EGM导出的心率或其它参数,以及在所述时间段期间由医疗装置收集的任何其它生理参数数据。
按照惯例,每一发作在包含于临床医生的心律失常报告中之前均会经两次审查和注释。第一审查者可为初级技术人员,其审查发作数据以注释发作,例如识别发作期间一个或多个心律失常的发生并且潜在地注释心律失常的特征,按先进先出(FIFO)次序逐个进行。第二审查者可为资深/有经验的ECG技术人员,其审查第一审查者的心律失常注释、必要时进行更改,并完成心律失常报告。如果需要,也可以进行后续审查。在一些情况下,尽管医疗装置响应于检测到一个或多个心律失常而收集发作数据,但审查过程可确定医疗装置错误地检测到发作中的一个或多个心律失常。
图1是示出根据本公开的技术的用于收集、审查并报告发作的医疗装置系统2的实例的概念图。实例技术可与IMD 10一起使用,所述IMD可与外部装置12进行无线通信。在一些实例中,IMD 10植入于患者4的胸腔外部(例如,皮下植入于图1中所示的胸的位置)。IMD10可定位在靠近或刚好低于患者4的心脏水平的胸骨附近,例如至少部分地在心脏轮廓内。IMD 10包含多个电极(图1中未示出),并且被配置成经由多个电极感测心脏EGM。在一些实例中,IMD 10采用LINQTMICM的形式。尽管主要在其中收集发作数据的医疗装置采用ICM的形式的实例的上下文中进行描述,但是本公开的技术可实施于包含任何一个或多个可植入或外部医疗装置的系统中,所述装置包含监测器、起搏器、或除颤器。
外部装置12为被配置成用于与IMD 10进行无线通信的计算装置。外部装置12可被配置成经由网络25与计算系统24进行通信。在一些实例中,外部装置12可提供用户界面并且允许用户与IMD 10交互。计算系统24可包括被配置成允许用户经由网络25与IMD 10或从IMD 10所收集的数据交互的计算装置。
外部装置12可用于从IMD 10检索数据并且可经由网络25将数据传输到计算系统24。检索到的数据可包含通过IMD 10测量的生理参数的值、通过IMD 10检测到的心律失常或其它疾病的发作的指示、收集的发作的发作数据以及通过IMD 10记录的其它生理信号。所述发作数据可包含通过IMD 10记录的EGM片段,例如由于IMD 10确定心律失常或另一疾病的发作在所述片段期间发生,或响应于记录来自患者4或另一用户的片段的请求。
在一些实例中,计算系统24包含一个或多个手持式计算装置、计算机工作站、服务器或其它联网的计算装置。在一些实例中,计算系统24可包含实施监测系统450的包含处理电路系统和存储装置的一个或多个装置。在一些实例中,计算系统24、网络25和监测系统450可通过美敦力CarelinkTM网络或其它患者监测系统来实施。
监测系统450可实施本公开的技术以对从包含IMD 10在内的医疗装置接收的发作进行分类、基于所述分类而选择审查工作流程,并根据选定的工作流程将发作数据引导至审查者。监测系统450可实施机器审查者以自动化发作数据的一些注释,并且基于工作流程,选定的机器审查者可利用发作数据所应用于的一个或多个选定的机器学习模型例如来识别心律失常、识别心律失常的特征以及识别心脏EGM和其它发作数据的特性。机器学习模型可包含神经网络、深度学习模型、卷积神经网络或其它类型的预测分析系统。
网络25可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、安全装置(如防火墙)、入侵检测和/或入侵防护装置、服务器、计算机终端、膝上型计算机、打印机、数据库、无线移动装置(如蜂窝电话或个人数字助理)、无线接入点、网桥、电缆调制解调器、应用程序加速器或其它网络装置。网络25可包含由服务提供者管理的一个或多个网络,并且因此可形成大规模公共网络基础结构(例如因特网)的一部分。网络25可向计算装置,例如计算系统24和IMD 10提供对因特网的接入,并且可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可为提供通信框架的专用网络,所述通信框架允许计算系统24、IMD 10和/或外部装置12彼此通信但出于安全目的将计算系统24、IMD 10或外部装置12与网络25外部的装置分离。在一些实例中,在计算系统24、IMD 10和外部装置12之间的通信为加密的。
计算系统24为计算系统的实例,所述计算系统被配置成接收由患者的医疗装置所存储的发作的发作数据;基于所述发作数据而将发作分类为多个类别中的一个类别,所述多个类别包括至少第一类别和第二类别;以及基于所述类别而从多个审查工作流程中选择一个审查工作流程,所述多个类别中的每一者与所述多个审查工作流程中的相应一者相关联。基于选定的工作流程,计算系统24可被配置成选择发作的至少一个第一审查者、将发作日期提供给所述至少一个第一审查者,并且基于发作数据而接收第一审查者对发作的至少一个第一注释。计算系统24可基于选定的审查工作流程且在一些实例中基于至少一个第一注释而确定是否将发作数据提供给第二审查者。
计算系统24可基于发作数据指示医疗装置响应于用户输入或响应于检测到某些类型或具有某些特征的心律失常而存储发作而将发作分类为与具有更多人类审查的工作流程相关联的多个类别中的第一类别。计算系统24可选择与用于其它心律失常类型或心律失常特征的第二类别相关联的更自动化工作流程,例如当心律失常类型的真实发作相对不太普遍时和/或当医疗装置对心律失常类型的错误检测比其它心律失常类型相对更普遍时。对于一些工作流程,计算系统24基于第一注释指示发作中不存在心律失常而绕过第二审查者。在一些实例中,至少一个第一审查者包含第一人类审查者和第一机器审查者,并且工作流程基于第一审查者同意不存在心律失常、同意不存在某些所监测的心律失常或同意发作中识别的所有心律失常(例如,识别发作中相同的一个或多个心律失常)而绕过第二审查者。
图2是示出图1的IMD 10的实例配置的框图。如图2中所展示,IMD 10包含处理电路系统50、感测电路系统52、通信电路系统54、存储器56、传感器58、开关电路系统60和电极16A、16B(在下文中为“电极16”),以上各者中的一个或多个可安置在IMD 10的外壳上。在一些实例中,存储器56包含计算机可读指令,所述指令在由处理电路系统50执行时使IMD 10和处理电路系统50执行归因于本文中的IMD 10和处理电路系统50的各种功能。存储器56可包含任何易失性、非易失性、磁性、光学或电介质,例如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、电可擦除可编程ROM(EEPROM)、快闪存储器或任何其它数字介质。
处理电路系统50可包含固定功能电路系统和/或可编程处理电路系统。处理电路系统50可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50可包含多个组件(例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的任何组合)以及其它离散或集成逻辑电路系统。本文中归因于处理电路系统50的功能可体现为软件、固件、硬件或其任何组合。
感测电路系统52可经由如由处理电路系统50控制的开关电路系统60而选择性地联接到电极16A、16B。感测电路系统52可监测来自电极16A、16B的信号以便监测图1的患者4的心脏的电活动并且产生患者4的心脏EGM数据。在一些实例中,处理电路系统50可识别感测到的心脏EGM的特性以检测患者4的心律失常发作。处理电路系统50可将数字化心脏EGM和用于检测心律失常发作的EGM的特性存储在存储器56内作为检测到的心律失常发作的发作数据。在一些实例中,处理电路系统50存储心脏EGM数据的一个或多个片段、特性以及响应于来自外部装置12的指令的其它发作数据(例如,当患者4经历心律失常的一个或多个症状并向外部装置12输入指示IMD 10上载数据以供监测中心或临床医生分析的命令时)。
在一些实例中,处理电路系统50经由通信电路系统54将患者4的发作数据传输到外部装置,例如图1的外部装置12。举例来说,IMD 10将数字化心脏EGM和其它发作数据发送到网络25以供图1的监测系统450处理。所述发作数据可由监测系统450处理以用于审查、注释和报告心律失常发作,如在下文详细描述。
感测电路系统52和/或处理电路系统50可被配置成当心脏EGM振幅跨越感测阈值时检测心脏去极化(例如,心房去极化的P波或心室去极化的R波)。在一些实例中,对于心脏去极化检测,感测电路系统52可包含整流器、滤波器、放大器、比较器和/或模数转换器。在一些实例中,感测电路系统52可响应于心脏去极化的感测而向处理电路系统50输出指示。以此方式,处理电路系统50可接收与心脏的相应腔室中的检测到的R波和P波的发生相对应的检测到的心脏去极化指示。处理电路系统50可使用检测到的R波和P波的指示来确定心脏EGM的特性(包含去极化间期、心率)并检测心律失常(例如快速性心律失常和心搏停止)。感测电路系统52还可向处理电路系统50提供一个或多个数字化心脏EGM信号以用于分析,例如用于心节律鉴别和/或识别并描绘心脏EGM的特性,例如QRS振幅和/或宽度,或其它形态特性。
在一些实例中,IMD 10包含一个或多个传感器58,例如一个或多个加速度计、麦克风、光学传感器和/或压力传感器。在一些实例中,感测电路系统52可包含用于对从电极16A、16B和/或其它传感器58中的一个或多个接收到的信号进行滤波和放大的一个或多个滤波器和放大器。在一些实例中,感测电路系统52和/或处理电路系统50可包含整流器、滤波器和/或放大器、感测放大器、比较器和/或模数转换器。处理电路系统50可基于来自传感器58的信号而确定患者4的生理参数值,所述信号可用于识别心律失常发作并作为发作数据存储在存储器56中。
通信电路系统54可包含用于与例如外部装置12的另一装置进行通信的任何合适的硬件、固件、软件或其任何组合。在处理电路系统50的控制下,通信电路系统54可借助于例如天线26的内部或外部天线从外部装置12或另一装置接收下行链路遥测,以及向所述装置发送上行链路遥测。在一些实例中,处理电路系统50可经由外部装置(例如,外部装置12)和如由爱尔兰都柏林的美敦力有限公司开发的美敦力网络的计算机网络与联网的计算装置进行通信。
尽管本文在实例IMD 10的上下文中进行了描述,但是本文所公开的用于心律失常检测和发作数据存储的技术可与其它类型的装置一起使用。举例来说,所述技术可通过联接到心血管系统外部的电极的额外心脏除颤器、被配置成用于植入在心脏内的经导管起搏器(如可商购自爱尔兰都柏林的美敦力有限公司的MicraTM经导管起搏系统)、可插入的心脏监测器(如Reveal LINQTMICM,其也可商购自美敦力有限公司)、神经刺激器、药物递送装置、患者4外部的医疗装置、可穿戴装置(如可穿戴心律转复除颤器、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、膝上型计算机、平板计算机、个人数字助理(PDA)或“智能”服装,如“智能”眼镜、“智能”贴片或“智能”手表来实施。
图3为示出IMD 10的实例配置的概念侧视图。在图3所展示的实例中,IMD 10可包含具有外壳14和绝缘盖74的无引线、可皮下植入的监测装置。电极16A和电极16B可形成或放置在盖74的外表面上。上文关于图2所描述的电路系统50至56和60可形成或放置在盖74的内表面上或外壳14内。在所示的实例中,天线26形成或放置在盖74的内表面上,但是在一些实例中可形成或放置在外表面上。在一些实例中,传感器58也可形成或放置在盖74的内表面或外表面上。在一些实例中,绝缘盖74可定位在敞开的外壳14上方,使得外壳14和盖74包封天线26、传感器58和电路系统50至56和60,并且保护天线和电路系统免受如体液的流体的影响。
天线26、传感器58或电路系统50至56中的一个或多个可例如通过使用倒装芯片技术形成在绝缘盖74上。绝缘盖74可翻转到外壳14上。当翻转并放置到外壳14上时,形成在绝缘盖74的内侧上的IMD 10的组件可定位在由外壳14限定的间隙76中。电极16可通过穿过绝缘盖74形成的一个或多个通孔(图中未示)电连接到开关电路系统60。绝缘盖74可由蓝宝石(即,刚玉)、玻璃、聚对二甲苯和/或任何其它合适的绝缘材料形成。外壳14可由钛或任何其它合适的材料(例如,生物兼容性材料)形成。电极16可由不锈钢、钛、铂、铱或其合金中的任一者形成。此外,电极16可涂覆有如氮化钛或分形氮化钛的材料,但可使用用于这类电极的其它合适的材料和涂层。
图4为示出计算系统24的实例配置的框图。在所示的实例中,计算系统24包含用于执行包含监测系统450或本文所描述的任何其它应用程序的应用程序424的处理电路系统402。计算系统24可为包含处理电路系统或用于执行软件指令的其它合适计算环境的任何组件或系统,并且例如不必包含图4中所展示的一个或多个元件(例如,输入装置404、通信电路系统406、用户界面装置410或输出装置412;并且在一些实例中,例如一个或多个存储装置408的组件可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可为跨多个装置分布的云计算系统。
在图4的实例中,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、一个或多个存储装置408、一个或多个用户界面(UI)装置410和一个或多个输出装置412。在一些实例中,计算系统24进一步包含可通过计算系统24执行的如监测系统450的一个或多个应用程序424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。举例来说,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可被配置成在操作期间在计算装置400内存储信息。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由在计算系统24上运行的软件或应用程序424使用,以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可另外被配置成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。此类非易失性存储元件的实例包含磁性硬盘、光盘、软盘、快闪存储器,或多种形式的电可编程存储器(EPROM)或电可擦除且可编程存储器(EEPROM)。
在一些实例中,计算系统24还包含通信电路系统406以与其它装置和系统进行通信,例如图1的IMD 10和外部装置12,以及各种用户的其它联网的客户端计算装置。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装置。此类网络接口的其它实例可包含3G和WiFi无线电。
在一个实例中,计算系统24还包含一个或多个用户界面装置410。在一些实例中,用户界面装置410被配置成通过触觉、音频或视频反馈从用户接收输入。一个或多个用户界面装置410的实例包含对存在敏感的显示器、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也可被包含在计算系统24中。在一些实例中,输出装置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,输出装置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装置。输出装置412的附加实例包含扬声器、阴极射线管(CRT)监测器、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装置。
计算系统24可包含操作系统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。举例来说,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、用户界面装置410和输出装置412的通信。
应用程序424还可包含可由计算装置400执行的程序指令和/或数据。可由计算装置400执行的一个或多个实例应用程序424可包含监测系统450。可替代地或另外地包含未示出的其它附加应用,以提供本文描述的其它功能,并且为了简单起见而不描绘。
根据本公开的技术,计算系统24经由通信电路系统406接收由如IMD 10的医疗装置所存储的发作的发作数据。处理电路系统402可将发作的发作数据存储在存储装置408中。响应于医疗装置检测到心律失常和/或引导存储发作数据的用户输入,发作数据可能已由医疗装置收集。
如由包含处理电路系统402和存储装置408的计算系统24实施的监测系统450控制发作的审查和注释,并且在注释之后生成发作报告以供临床医生审查。监测系统450可利用输入装置404、输出装置412和/或通信电路系统406来例如经由呈现在输出装置412或其它客户端计算装置上的一个或多个图形用户界面而将发作数据引导到一个或多个人类审查者,并且从一个或多个人类审查者处接收发作数据的注释。取决于为发作选择的审查工作流程,监测系统450还可实施一个或多个机器审查者454来审查并注释发作数据。
基于选择哪个审查工作流程,机器审查者454可选择一个或多个机器学习模型452并将发作数据作为输入应用于一个或多个选定的机器学习模型452。举例来说,机器学习模型452可被配置成输出值,所述值指示发作数据包含或不包含心律失常的概率,或发作数据包含机器学习模型被配置成检测的某些类型的心律失常的概率。机器审查者454可将可配置的阈值应用于概率值以例如在分类的概率超过阈值的情况下通过提供心律失常类型或其它分类的指示而将发作注释为包含一个或多个心律失常类型。监测系统450可针对不同的审查工作流程和/或基于特定临床医生和/或特定患者关注哪些心律失常或心律失常特征而使用不同的机器学习模型452。
机器学习模型452还可被配置成识别发作的心脏EGM数据内的特性,例如去极化,并且机器审查者454可基于所述特性对发作数据进行分类或以其它方式进行注释。在一些实例中,机器审查者454可能能够基于用于对发作数据的时间序列进行分类的机器学习模型452的中间层的输出而识别发作期间可能发生一个或多个心律失常的时间。机器学习模型452可在具有由人类审查者确定的已知分类的训练发作数据集上进行训练。举例来说,机器学习模型452可包含例如神经网络,如深度神经网络,其可包含卷积神经网络、多层感知机和/或回声状态网络。
监测系统450基于发作数据而将每一发作分类为多个类别中的一个类别,并基于所述类别从多个审查工作流程中选择一个审查工作流程。基于选定的工作流程,监测系统450可被配置成选择发作的至少一个第一审查者、将发作日期提供给所述至少一个第一审查者,并且基于发作数据而接收第一审查者对发作的至少一个第一注释。监测系统450可基于选定的审查工作流程且在一些实例中基于至少一个第一注释而确定是否将发作数据提供给第二审查者。在一些实例中,至少一个第一审查者包含第一人类审查者和第一机器审查者454,其可利用选定的一个或多个机器学习模型452来确定发作数据的注释。
基于报告标准和第一审查者以及在某些情况下第二审查者根据选定工作流程而进行的注释,监测系统450可确定是否将发作的发作数据包含在心律失常报告中。监测系统450可生成心律失常报告以供照顾特定一个或多个患者的临床医生审查,并且可基于报告标准而从一个或多个患者的医疗装置中选择发作数据以包含在报告中。实例报告标准包含所述发作是否被注释为包含任何心律失常,或者被注释为包含某些类型或具有某些特征的心律失常。所关注的心律失常类型和特征可由临床医生或其它用户配置。心律失常类型的实例包含心搏停止、心动过缓、室性心动过速、室上性心动过速、宽波群心动过速、心房颤动、心房扑动、心室颤动、房室传导阻滞、室性早搏和房性早搏。心律失常特征的实例包含满足阈值的心脏去极化率或存在的心脏EGM的某些形态特征。
在一些实例中,用于对发作进行分类的标准、工作流程的配置以及报告标准可为用户可配置的以例如根据为临床医生、诊所或患者指定的监测要求或监测原因以正确分类的高度置信度来呈现所关注的发作,并且提供对其它发作类型的有效审查。在一些实例中,报告标准可以定制,例如为患者特定的。例如,医生可能要求报告某些患者心动过缓发作为每分钟跳动<=30次,并且其它患者为每分钟跳动<=40次。监测系统450可在确定是否将发作包含在给医生的报告中时将根据选定的工作流程做出的注释与此类报告标准进行比较。
图5是示出根据本公开的技术的用于发作审查和报告的实例操作的流程图。为方便起见,图5至14是关于参照图1至4所描述的医疗装置系统2来描述的,并且被描述为由监测系统450执行。由图5至14示出的实例技术可由包括处理电路系统和一个或多个存储装置的任何计算装置来执行。
根据图5的实例操作,监测系统450从IMD 10接收发作的发作数据(500)。监测系统450基于发作数据对发作进行分类(502)。在各种实例中,监测系统450基于发作数据是否由IMD 10响应于检测到心律失常或用户输入而记录来对发作进行分类,其中由IMD 10检测到的心律失常是多种类型中的哪一种,包含所述类型或所述类型的错误检测的相对发生率,或者基于由IMD 10检测到的心律失常是否表现出所关注的某些特征来对发作进行分类。
监测系统450进一步基于分类而选择发作的发作审查工作流程(504)。在一些实例中,每一发作类别可与相应的审查工作流程相关联。作为工作流程的选择的部分,监测系统450可选择一个或多个人类和/或机器审查者的序列来审查并注释发作数据(506)。不同的审查工作流程可指定一个或多个人类和/或机器审查者的不同组合,以及用于确定是否以及何时向所述审查者呈现发作的不同决策逻辑。尽管图6至12的实例操作包含两个类别的发作和在两个可能的工作流程之间的选择,但与本公开一致的实例可包含任何数量的类别和相关联的工作流程。此外,尽管实例包含第一和第二审查者,但与本公开一致的实例可包含任何数量的审查者。
监测系统450根据选定的工作流程而控制选定审查者对发作数据的审查(508)。监测系统450还基于选定审查工作流程而接收选定审查者对发作数据的注释,包含最终审查者的最终注释(510)。举例来说,基于选定的工作流程,监测系统450可控制经由输出装置412向各种人类审查者呈现发作数据的时间和格式,并且控制经由输入装置404从人类审查者接收注释,以及执行选定的机器审查者454和机器学习模型452以确定发作数据的机器注释。
基于最终注释和选定的工作流程,监测系统450确定所述发作是否满足报告标准,其可根据监测中心、诊所或临床医生的要求或针对特定患者的要求进行定制,以包含在心律失常报告中(512)。如果所述发作有资格包含在报告中(512的是(YES)),则监测系统450将发作数据和注释包含在报告中(514)。在任一情况下,监测系统450可继续从IMD 10接收另一发作的发作数据(500)。
图6是示出根据本公开的技术的实例发作审查工作流程的流程图。图6的操作可对应于图5的实例操作的动作504至508的一个实例实施方案。
根据图6的实例,监测系统450将发作数据提供给第一审查者,例如第一人类审查者,并从第一审查者接收第一注释(600)。在图6的实例中,第一审查者被表示为“审查者1”。监测系统450进一步基于发作数据而确定所述发作是被分类为第一类别还是第二类别、类别A还是类别B(602)。在一些实例中,类别A包含响应于患者触发而由IMD 10存储的所有发作,并且类别B包含响应于检测到心律失常而由IMD 10存储的所有发作。在其它实例中,类别A包含响应于患者触发而由IMD 10存储的所有发作以及响应于检测到一个或多个类型的或具有一个或多个特征的心律失常而由IMD 10存储的发作。在此类实例中,类别B可包含响应于检测到其它类型的或不具有某些特征的心律失常而由IMD 10存储的发作。
对于类别A中的发作,监测系统450将发作数据和第一注释提供给第二审查者(604),所述第二审查者同意第一注释或提供修改的注释。在图6的实例中,第二审查者被表示为“审查者2”。对于类别B中的发作,监测系统450确定第一注释是否指示无心律失常(606)。基于第一注释指示所述发作中无心律失常(606的YES),监测系统450可绕过第二审查者。基于第一注释指示所述发作中存在心律失常(606的否(NO)),监测系统450可将发作数据和第一注释呈现给第二审查者(604),所述第二审查者同意第一注释或提供修改的注释。
在一些实例中,患者触发的发作属于接收两个阶段的人工审查的类别,因为与患者触发的发作相关联的心律失常的存在与否对于适当的治疗可能具有相对较高的诊断相关性。在一些实例中,如果第一审查者认为在所述发作中无心律失常,或者认为不存在选定的审查工作流程所关注的心律失常类型或心律失常特征,则所述发作可能会在没有后续审查的情况下完成,因为心律失常的不存在无需多次审查或确认。如果第一审查者不确定心律失常不存在,则其可选择再次审查一小组发作。
将所述发作注释或分类为“无心律失常”可能意味着在发作期间没有发生心律失常,或者意味着不存在所关注的心律失常类型或心律失常特征以及审查者被指示根据选定的审查工作流程所识别的心律失常。举例来说,为特定的审查工作流程选择的机器审查者454和机器学习模型452可被配置成识别某一组心律失常类型和/或具有某些特征的心律失常。类似地,可指示人类审查者寻找特定心律失常类型和/或具有某些特征的心律失常,而非基于其它心律失常来注释发作。所关注的心律失常类型或特征可基于特定监测中心、诊所或临床医生的要求或偏好,或针对特定患者或患者类别来确定。尽管“无心律失常”的定义可根据此类要求或偏好而改变,但一个实例是不存在心房颤动或心房扑动、宽波群心动过速、AV传导阻滞、心动过缓、心搏停止和心动过速。
在一些实例中,第一审查者仅审查某些自动触发的发作以确定所述发作是否可被注释为“无心律失常”,而其它则经历两个审查者工作流程。由第一审查者针对不存在心律失常所审查的自动触发的发作可为具有心律失常类型的自动触发的发作,所述心律失常类型具有低心律失常发生率(基于历史估计),例如,来自表现QRS感知不足的患者的心动过缓自动触发。可能由单个审查者审查具有某些发作的预期效率节省是不同类型的发作的发生率的函数。例如,如果所有发作的5%是患者触发的且95%的发作是自动触发的,并且50%的自动触发可能被分类为“无心律失常”,则所有发作的47.5%会被审查一次。在此实例中,可在不降低诊断率的情况下实现23%的审查效率提高。
图7是示出根据本公开的技术的实例发作审查工作流程的流程图。图7的操作可对应于图5的实例操作的动作504至508的一个实例实施方案。
根据图7的实例,监测系统450基于发作数据而确定所述发作是被分类为第一类别还是第二类别、类别A还是类别B(700)。在一些实例中,类别A包含响应于患者触发而由IMD10存储的所有发作,并且类别B包含响应于检测到心律失常而由IMD 10存储的所有发作。在其它实例中,类别A包含响应于患者触发而由IMD 10存储的所有发作以及响应于检测到一个或多个类型的或具有一个或多个特征的心律失常而由IMD 10存储的发作。在此类实例中,类别B可包含响应于检测到其它类型的或不具有某些特征的心律失常而由IMD 10存储的发作。
对于类别A中的发作,监测系统450将发作数据提供给第一人类审查者(702),所述第一人类审查者将发作数据的第一注释提供给监测系统450。在图7的实例中,第一人类审查者被表示为“人类审查者1”。监测系统450将发作数据和第一注释提供给第二审查者(704),所述第二审查者同意第一注释或提供修改的注释。在图7的实例中,第二审查者被表示为“人类审查者2”。
对于类别B中的发作,监测系统450将发作数据提供给可与接收类别A中发作的发作数据的第一人类审查者相同或不同的第一人类审查者,并且提供给第一机器审查者454(706)。第一机器审查者454可将一个或多个机器学习模型452应用于发作数据中的至少一些,并且基于一个或多个机器学习模型452的输出,确定指示发作是否被注释或分类为“无心律失常”的第一注释。监测系统450可并行地将发作数据提供给第一人类审查者和第一机器审查者454,或者可首先将发作数据提供给第一机器审查者454并且可允许第一人类审查者来审查由第一机器审查者454做出的注释。在一些实例中,监测系统450可首先将发作日期提供给第一人类审查者,并且将来自第一人类审查者的注释作为输入提供给第一机器审查者454以用于其对发作的分析。
在这些情况中的任一情况下,监测系统450确定第一注释是否均指示“无心律失常”(708)。基于同意针对所述发作注释“无心律失常”的第一注释(708的YES),监测系统450可绕过第二审查者。基于第一注释中的至少一者不指示所述发作“无心律失常”(708的NO),监测系统450可将发作数据和第一注释呈现给第二人类审查者(704),所述第二人类审查者同意第一注释或提供修改的注释。
在一些实例中,自动触发的发作由具有一个或多个机器学习模型452的机器审查者454和第一人类审查者并行处理。如果监测系统450确定第一人类审查者和机器审查者454两者均已将发作注释或标记为“无心律失常”,则监测系统450可在没有后续审查的情况下例如通过第二人类审查者来完成发作。机器审查者454的并行处理可被认为是对发作数据的心律失常内容的独立评估,特别是在第一人类审查者对机器审查者454的注释不知情的实例中。
用户或监测系统450可配置用于包含在类别B中的标准以包含心律失常类型,在所述心律失常类型中,“无心律失常”注释的发生率例如由于IMD 10的错误检测而不低。监测系统450可选择机器学习模型452并配置机器审查者454以具有高特异性,使得“无心律失常”检测的净阳性预测值(PPV)高于用于包含在类别B中的心律失常类型的无心律失常发作的发生率。在一些实例中,监测系统450通过IMD 10确定所述心律失常类型的心律失常的错误检测的发生率;确定机器学习模型452的无心律失常的阳性预测值;将错误检测的发生率与阳性预测值进行比较;并且基于所述比较而选择机器学习模型452以供机器审查者454针对类别B的发作使用。
例如,如果所有自动触发中“无心律失常”的发生率为10%,并且IMD 10检测到的心房颤动发作的“无心律失常”的发生率为40%,则可针对类别B及其相关联的审查工作流程而选择心房颤动自动触发的发作。此外,假设三个可能的机器学习模型452,其中第一个在检测“无心律失常”时具有99%的特异性和50%的灵敏度,第二个在检测“无心律失常”时具有80%的特异性和80%的灵敏度,并且第三个在检测“无心律失常”时具有50%的特异性和灵敏度,则监测系统450可选择第一机器学习模型452,因为总体PPV为97%,这高于第二模型(72%)和第三模型(40%)。
图8是示出根据本公开的技术的实例发作审查工作流程的流程图。图8的操作可对应于图5的实例操作的动作504至508的一个实例实施方案。
根据图8的实例,监测系统450基于发作数据而确定所述发作是被分类为第一类别还是第二类别、类别A还是类别B(800)。在一些实例中,类别A包含响应于患者触发而由IMD10存储的所有发作,并且类别B包含响应于检测到心律失常而由IMD 10存储的所有发作。在其它实例中,类别A包含响应于患者触发而由IMD 10存储的所有发作以及响应于检测到一个或多个类型的或具有一个或多个特征的心律失常而由IMD 10存储的发作。在此类实例中,类别B可包含响应于检测到其它类型的或不具有某些特征的心律失常而由IMD 10存储的发作。
对于类别A中的发作,监测系统450将发作数据提供给第一人类审查者(802),所述第一人类审查者将发作数据的第一注释提供给监测系统450。在图8的实例中,第一人类审查者被表示为“人类审查者1”。监测系统450将发作数据和第一注释提供给第二人类审查者(804),所述第二人类审查者同意第一注释或提供修改的注释。在图8的实例中,第二人类审查者被表示为“人类审查者2”。
对于类别B中的发作,监测系统450将发作数据提供给第一机器审查者454(806)。在图8的实例中,第一机器审查者454被表示为“机器审查者1”。第一机器审查者454可将一个或多个机器学习模型452应用于发作数据中的至少一些,并且基于一个或多个机器学习模型452的输出,确定指示所述发作是否被分类为“无心律失常”的第一注释(808)。基于第一机器审查者454确定在发作数据中存在至少一个心律失常或所关注的心律失常(808的NO),监测系统450可将发作数据和机器审查者454的注释提供给第一人类审查者(802),所述第一人类审查者将发作数据的第一人类注释提供给监测系统450。监测系统450将发作数据和注释提供给第二人类审查者(804),所述第二人类审查者同意第一注释或提供修改的注释。
基于第一机器审查者454注释发作“无心律失常”(808的YES),监测系统450可将发作数据和来自第一机器审查者454的注释提供给可与接收类别A中发作的发作数据的第一人类审查者相同或不同的第一人类审查者以进行有效审查(810)。为了有效审查,监测系统450可经由多发作审查屏幕向第一人类审查者呈现具有共同点(例如相同的心律失常类型或特征)的多发作的发作数据,其实例参照图9、10和12描述。监测系统450从第一人类审查者的有效审查接收发作数据的注释,并且确定是否同意机器审查者认为的发作数据不包含心律失常(812)。基于第一人类审查者注释指示同意“无心律失常”(812的YES),监测系统450绕过第二人类审查者。基于识别发作数据中的一个或多个心律失常或所关注的心律失常或不确定此类心律失常的存在与否的第一人类审查者注释(812的NO),监测系统450将注释和发作数据提供给第二人类审查者(804)。
在一些实例中,监测系统450使用机器审查者454来分析具有一个或多个机器学习模型452的自动触发的发作。机器审查者454检测到任何心律失常的发作可能经过第一和第二人类审查者,例如在第一人类审查者对机器审查者注释不知情的情况下。机器审查者454检测到无心律失常的发作可在多发作审查屏幕中呈现给第一审查者以进行加速审查。监测系统450可完成其中第一人类审查者同意无心律失常的发作,例如从心律失常报告中排除所述发作,并将其中第一审查者不同意的发作转发给第二人类审查者。
图9是示出根据本公开的技术的可在发作审查工作流程期间显示给审查者的实例多发作审查屏幕900的图。在所示实例中,审查屏幕900包含发作902A至902E(统称为“发作902”)的发作数据,包含这些发作的心脏EGM 904。举例来说,屏幕900可包含来自不同患者的发作902,并且发作902B至902D可由于其来自同一患者而被分组在一起。在图9的实例中,发作902是医疗装置基于检测心房颤动而存储的且机器审查者454例如由于不包含心房颤动或任何其它所关注的心律失常而注释为“无心律失常”的自动触发的发作。
除了发作数据之外,屏幕900还可包含其它信息,例如机器审查者454的注释,其可帮助第一人类审查者进行有效审查。注释可包含由机器审查者454例如通过一个或多个机器学习模型452识别的发作数据的特性和/或从所述发作数据导出的信息。所述信息可特定于医疗装置检测到的心律失常类型,并且机器审查者454所确定的被错误检测,例如所示实例中的心房颤动。在所示实例中,监测系统450包含由机器审查者454基于发作数据而确定的P波标记906和R-R变异性散点图908。可能包含在有效发作审查屏幕中的其它心房颤动特定信息包含指示去极化形态的变化的信息。一般来说,与R波、低R-R变化或高形态变化结合存在的P波指示不存在心房颤动。
图10是示出根据本公开的技术的可在发作审查工作流程期间显示给审查者的另一实例多发作审查屏幕1000的图。在所示实例中,审查屏幕1000包含发作1002A至1002C(统称为“发作1002”)的发作数据,包含这些发作的心脏EGM 1004。在图10的实例中,发作1002是医疗装置基于检测心动过缓而存储的且机器审查者454例如由于不包含心动过缓或任何其它所关注的心律失常而注释为“无心律失常”的自动触发的发作。
除了发作数据之外,屏幕1000还可包含其它信息,例如机器审查者454的注释,其可帮助第一人类审查者进行有效审查。注释可包含由机器审查者454例如通过一个或多个机器学习模型452识别的发作数据的特性和/或从所述发作数据导出的信息。所述信息可特定于医疗装置检测到的心律失常类型,并且机器审查者454所确定的被错误检测,例如所示实例中的心动过缓。在所示实例中,监测系统450包含用于由机器审查者454检测到的R波的R波标记1006、在基于R波标记1006而确定的逐搏基础上的R-R间隔或心率1008的曲线图,以及屏幕1000上每一发作1002的R-R间隔或速率阈值1010。阈值1000可为特定于患者的。屏幕1000上呈现的信息向执行有效审查的人类审查者说明为什么机器审查者454确定医疗装置对缓慢型心律失常的检测是错误的。
图11是示出根据本公开的技术的实例发作审查工作流程的流程图。图11的操作可对应于图5的实例操作的动作504至508的一个实例实施方案。
根据图11的实例,监测系统450基于发作数据而确定所述发作是被分类为第一类别还是第二类别、类别A还是类别B(1100)。在一些实例中,类别A包含响应于患者触发而由IMD 10存储的所有发作,并且类别B包含响应于检测到心律失常而由IMD 10存储的所有发作。在其它实例中,类别A包含响应于患者触发而由IMD 10存储的所有发作以及响应于检测到一个或多个类型的或具有一个或多个特征的心律失常而由IMD 10存储的发作。在此类实例中,类别B可包含响应于检测到其它类型的或不具有某些特征的心律失常而由IMD 10存储的发作。
对于类别A中的发作,监测系统450将发作数据提供给第一人类审查者(1102),所述第一人类审查者将发作数据的第一注释提供给监测系统450。监测系统450将发作数据和第一注释提供给第二人类审查者(1104),所述第二人类审查者同意第一注释或提供修改的注释。
对于类别B中的发作,监测系统450将发作数据提供给可与接收类别A中发作的发作数据的第一人类审查者相同或不同的第一人类审查者,并且提供给第一机器审查者454(1106)。第一机器审查者454可将一个或多个机器学习模型452应用于发作数据中的至少一些,并且基于一个或多个机器学习模型452的输出,确定包含是否在发作数据中检测到一个或多个心律失常的第一注释。监测系统450可并行地将发作数据提供给第一人类审查者和第一机器审查者454,或者可首先将发作数据提供给第一机器审查者454并允许第一人类审查者来审查第一机器审查者454做出的注释。在一些实例中,监测系统450可首先将发作日期提供给第一人类审查者,并且将来自第一人类审查者的注释作为输入提供给第一机器审查者454以用于其对发作的分析。
在这些情况中的任一情况下,监测系统450确定第一注释是否均指示相同的一个或多个心律失常(1108)。基于第一注释同意(1108的YES),监测系统450可绕过第二审查者。基于机器审查者454与第一人类审查者之间的至少一些不一致(1108的NO),监测系统450可将发作数据和第一注释呈现给第二人类审查者(1104),所述第二人类审查者同意第一注释或提供修改的注释。
监测系统450试图在每次发作中识别的所有心律失常的集合可取决于:(i)触发原因,例如患者触发或自动触发,并且对于自动触发,医疗装置检测到的心律失常的类型;和/或(ii)可在IMD 10的编程期间或经由计算系统24而提供的医生标准,例如,4/4次,每分钟跳动<=40次的心动过缓;或(iii)患者人口统计。使用患者人口统计的实例包含根据患者年龄和最大活动水平设置心动过速和/或心动过缓阈值,或根据心力衰竭状态设置心动过速和心动过缓阈值。
在一些实例中,通过机器审查者454使用一个或多个机器学习模型452来处理自动触发的发作,所述机器学习模型被配置成根据监测系统450和/或一个或多个用户指定的注释要求来检测各种类型的心律失常。在一些实例中,第一人类审查者对机器审查者454的注释不知情,并且如果监测系统450确定第一人类和机器审查者两者均标记了相同的心律失常,则监测系统可在没有后续审查的情况下完成所述发作。在一些实例中,机器审查者454检测到无心律失常的发作可呈现在多发作审查屏幕中以进行加速审查,例如,如图9和10所示。
图12是示出根据本公开的技术的可在发作审查工作流程期间显示给审查者的另一实例多发作审查屏幕1200的图。在所示实例中,审查屏幕1200包含发作1202A至1202E(统称为“发作1202”)的发作数据,包含这些发作的心脏EGM 1204。除了发作数据之外,屏幕1000还可包含其它信息,例如机器审查者454的注释,其可帮助第一人类审查者进行有效审查。注释可包含由机器审查者454例如,通过一个或多个机器学习模型452识别的发作数据的特性和/或从所述发作数据导出的信息。所述信息可特定于医疗装置和/或机器审查者454检测的或打算检测的心律失常类型。
在所示实例中,监测系统450包含分别用于屏幕1200上的发作1202A、1202B、1202D和1202E的表1206A至1206D(统称为“表1206”)。表1206中的每一者包含用于根据监测系统450和/或一个或多个用户的选择对给定发作进行注释的心律失常类型的相应列表,以及机器审查者454检测到心律失常类型的指示。监测系统450还包含用于发作1202A、1202B、1202D和1202E的心脏EGM上的标记1208A至1208E(统称为“标记1208”),其指示机器审查者454确定所指示类型的心律失常发生的发作期间的时间。
举例来说,发作1202A和1202B的表1206A和1206B指示机器审查者454确定发生心动过缓,并且标记1208A和1208B结合相应的心脏EGM指示发作内心动过缓的发生时间为由机器审查者454使用一个或多个机器学习模型452来确定。发作1202A和1202B两者均是基于检测到心房颤动的医疗装置而自动触发的。然而,如表1206A所指示,机器审查者454未检测到发作1202A中的心房颤动。
表1206C指示,除了心房颤动之外,机器审查者454还检测到宽波群心动过速,这是医疗装置存储所述发作的原因。标记1208C和1208D指示发作内的位置,在所述位置处机器审查者454确定发生宽波群心动过速。类似地,表1206D指示,除了心动过缓之外,机器审查者454还检测到房室传导阻滞,这是医疗装置存储所述发作的原因。标记1208E指示发作内的位置,在所述位置处机器审查者454确定发生房室传导阻滞。
图13是示出根据本公开的技术的用于配置发作审查工作流程的实例操作的流程图。更确切地说,图13示出一种技术,临床医生或其它用户借此可建立发作类别并指定与那些类别相关联的审查工作流程的方面,例如针对特定诊所或实践组。
根据图13的实例,监测系统450可接收用户输入,所述用户输入选择第一一个或多个发作类型或特征以包含在与包含人类审查者的发作注释的人工审查工作流程相关联的第一类别中(1300)。监测系统450可接收用户输入,所述用户输入选择第二一个或多个发作类型或特征以包含在与包括由一个或多个机器学习模型和人类审查者构成的机器审查者的发作注释的加速审查工作流程相关联的第二类别中(1302)。人工和加速审查工作流程的实例参照图6至8和11进行描述。监测系统450可接收用户输入,所述用户输入选择第三一个或多个发作类型或特征以包含在与包括机器审查者的发作注释例如以排除人类审查者的自动审查工作流程相关联的第三类别中(1304)。监测系统450可呈现多种类型的图形用户界面和指令中的任一者以提示并接收此类用户输入,例如经由下拉菜单、相关联的单选按钮内的列表等。
基于用户的选择,监测系统450可确定整体发作审查处理的效率和效力的度量值,并将这些值呈现给用户(1306)。监测系统450在审查度量值之后确定用户是否已确认选择(1308)。如果用户不确认选择(1308的NO),则监测系统450可呈现用于用户修改选择的图形用户界面(1300至1304)。如果用户确认选择(1308的YES),则监测系统450可基于由选择建立的类别和工作流程而开始审查从包含IMD 10在内的医疗装置检索的发作(1310)。
举例来说,监测系统450可基于发作的发作数据而确定所述发作的至少一个发作特征,并基于所述特征将所述发作分类为三个类别中的一者。所述发作特征可包括以下中的一个或多个:患者人口统计、患者诊断、心律失常类型或所述发作是患者触发还是自动触发。在一些实例中,监测系统450可提示用户基于时间表或一个或多个患者的病况变化中的至少一者而例如在药物改变或程序之后修改发作特征和类别的关联。在一些实例中,用户可在每一患者或每一诊断的基础上建立发作特征和类别的关联。
在一些实例中,与人工发作审查工作流程相关联的类别可包含用户想要详细审查的任何发作,例如那些用户有额外监测随访需求(例如,患者触发期间的患者呼叫)或更喜欢详细审查(例如,不错过隐源性中风患者的任何潜在心房颤动发作)的发作类型/患者。当使用机器学习模型452使机器审查者454自动审查发作时,可能会在效率增益与错误分类(误报和漏报)的可能性之间进行权衡。基于用例和算法性能,用户可选择自动审查某些类型的发作,例如在针对心房颤动管理而监测患者时,在此情况下存在大量心房颤动触发的发作,并且几乎没有误报检测的机器学习模型452是可行的。效率和效力度量可包含基于来自其它监测中心/诊所的历史数据的总预期效率增益与潜在遗漏分类的估计。此外,例如本文中关于图5至12所描述的加速审查工作流程可提高效率增益,同时确保所有发作都由至少一个人类技术人员/专家进行审查。
在一些实例中,如果用户未选择在发作审查工作流程和发作类别之间建立关联,如参考图13所描述的那样,则监测系统450可利用某些类型的审查工作流程的默认分类。举例来说,监测系统450可默认地人工审查一些发作类型,例如患者触发,并且加速审查其它发作类型,例如自动触发。在一些实例中,监测系统450可不使用完全自动化的工作流程作为任何发作类别的默认设置以保留对发作审查的某种程度的人工监督。
图14是示出根据本公开的技术的用于利用机器学习模型来配置发作审查工作流程的实例操作的流程图。更确切地说,图14示出一种技术,例如神经网络的机器学习模型可借此训练以确定为特定诊所或实践组定制的一个或多个工作流程。
根据图14的实例,监测系统450接收由多个患者的多个医疗装置所存储的多个发作的发作数据,其中每一发作的发作数据包括相应的心脏电图(1400)。对于每一发作,监测系统450可确定一个或多个患者特征或发作特征,并且从用户接收发作的一个或多个注释(1402)。
监测系统450使用发作数据、确定的特征和接收到的注释来训练一个或多个工作流程机器学习模型(1404),并且将训练的机器学习模型应用于后续发作以加速注释,例如通过自动建立为诊所或实践组定制的类别和工作流程(1406)。举例来说,监测系统450可接收由多个医疗装置中的至少一者所存储的至少一个后续发作的发作数据、基于所述发作数据而确定一个或多个患者特征或后续发作的发作特征,并且通过将机器学习模型应用于确定的特征而确定所述发作的审查工作流程。监测系统450可基于所确定的工作流程而将发作数据呈现给一个或多个审查者以供注释。监测系统450可例如定期地评估经训练的工作流程是否提供足够的审查质量(1408),并且基于评估而继续应用(1408的YES)或重新训练(1408的NO)工作流程机器学习模型。
根据图14的实例可包含心律失常审查工作流程的深度学习,这与图5至13的用于加速或自动化已建立的工作流程的部分的技术相反。患者特征可包含患者人口统计(例如年龄或性别)、使用医疗装置的患者病症或其它患者诊断、并存病或事件(例如住院)。发作特征包含触发原因、心脏EGM的特性、发作期间的活动水平以及来自确定是否存在一个或多个心律失常的机器学习模型452的中间层的输出,来自中间层的输出指示不同心律失常随时间变化的相对概率,也称为热度图或包含类激活数据的类激活图。监测系统450可在学习阶段期间针对足够质量而迭代审查工作流程模型,所述足够质量被定义为具有最小错误分类的工作流程自动化效率。除了定期评估之外,还可响应于用户输入或输入数据类型的变化而重新评估质量。
在一些实例中,本公开的技术包含系统,其包括执行本文描述的任何方法的装置。在一些实例中,本公开的技术包含计算机可读介质,其包括使处理电路系统执行本文描述的任何方法的指令。
应理解,本文所公开的各个方面可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、固件或其任何组合中实施。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、快闪存储器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,如本文所使用的术语“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,所述技术可以完全实施在一个或多个电路或逻辑元件中。
以下实例说明本文中所描述的技术。
实例1:一种方法,其包括:通过包括处理电路系统和存储介质的计算系统接收患者的医疗装置所存储的发作的发作数据,其中所述发作数据包括心脏电图;通过所述计算系统基于所述发作数据而将所述发作分类为多个类别中的一个类别,所述多个类别包括至少第一类别和第二类别;通过所述计算系统基于所述类别而从多个审查工作流程中选择一个审查工作流程,所述多个类别中的每一者与所述多个审查工作流程中的相应一者相关联;通过所述计算系统基于选定的审查工作流程而为所述发作选择至少一个第一审查者;通过所述计算系统将所述发作数据提供给所述至少一个第一审查者;通过所述计算系统接收所述至少一个第一审查者对所述发作的至少一个第一注释,所述至少一个第一注释基于所提供的发作数据;通过所述计算系统基于所述选定的审查工作流程而确定是否将所述发作数据提供给第二审查者;通过所述计算系统基于所述选定的审查工作流程和所述至少一个第一注释而确定是否将所述发作包含在心律失常发作报告中;并且通过所述计算系统将所述心律失常发作报告输出至用户。
实例2:根据实例1所述的方法,其中所述发作数据指示所述医疗装置是响应于用户输入还是响应于所述医疗装置确定所述发作是多个心律失常类型中的一者而存储所述发作,并且其中对所述发作进行分类包括:基于所述发作数据指示所述医疗装置响应于用户输入而存储所述发作,将所述发作分类为所述多个类别中的所述第一类别;以及基于所述发作数据指示所述医疗装置响应于所述医疗装置检测到所述多个心律失常类型中的一者而存储所述发作,将所述发作分类为所述多个类别中的所述第二类别。
实例3:根据实例1所述的方法,其中所述发作数据指示所述医疗装置是响应于用户输入还是响应于所述医疗装置确定所述发作是多个心律失常类型中的一者而存储所述发作,并且其中对所述发作进行分类包括:基于所述发作数据指示所述医疗装置响应于用户输入或确定所述发作是所述多个心律失常类型的第一子集中的一者而存储所述发作,将所述发作分类为所述多个类别中的所述第一类别;以及基于所述发作数据指示所述医疗装置响应于所述医疗装置确定所述发作是所述多个心律失常类型的第二子集中的一者而存储所述发作,将所述发作分类为所述多个类别中的所述第二类别。
实例4:根据实例3所述的方法,其进一步包括,对于所述多个心律失常类型中的每一者,基于所述患者中所述心律失常类型的发生率、所述医疗装置对所述心律失常类型的错误检测的发生率或用户输入中的至少一者而在所述第一子集或所述第二子集中包含所述心律失常类型。
实例5:根据实例1至4中任一项所述的方法,其中对所述发作进行分类包括将所述发作分类为所述第一类别,其中选择所述审查工作流程包括从所述多个审查工作流程中选择与所述第一类别相关联的所述审查工作流程,其中选择所述至少一个第一审查者包括基于与所述第一类别相关联的所述审查工作流程而选择第一人类审查者,所述方法进一步包括:基于所述选定的审查工作流程将所述发作数据提供给第二人类审查者;以及通过所述计算系统接收所述第二审查者对所述发作的第二注释,所述第二注释基于所述所提供的发作数据,并且其中确定是否将所述发作包含在所述心律失常发作报告中包括基于所述选定的审查工作流程和所述至少一个第一注释和所述第二注释而确定是否将所述发作包含在所述心律失常发作报告中。
实例6:根据实例1至5中任一项所述的方法,其中对所述发作进行分类包括将所述发作分类为所述第二类别,其中选择所述审查工作流程包括从所述多个审查工作流程中选择与所述第二类别相关联的所述审查工作流程,并且其中确定是否将所述发作数据提供给所述第二审查者包括基于所述选定的审查工作流程和所述至少一个第一注释而确定是否将所述发作数据提供给所述第二审查者。
实例7:根据实例6所述的方法,其中确定是否将所述发作数据提供给所述第二审查者包括基于所述至少一个第一注释指示所述发作包含心律失常而将所述发作数据提供给所述第二审查者。
实例8:根据实例6或7所述的方法,其中确定是否将所述发作数据提供给所述第二审查者包括基于所述至少一个第一注释指示所述发作“无心律失常”而绕过所述第二审查者。
实例9:根据实例6至8中任一项所述的方法,其中选择所述至少一个第一审查者包括选择第一人类审查者和包括一个或多个机器学习模型的第一机器审查者,其中将所述发作数据提供给所述至少一个第一审查者包括将所述发作数据中的至少一些应用于所述一个或多个机器学习模型,所述发作数据中的所述至少一些包含所述心脏电图,其中接收所述至少一个第一注释包括响应于将所述发作数据中的所述至少一些应用于所述一个或多个机器学习模型而从所述第一机器审查者接收基于所述一个或多个机器学习模型的输出的机器注释,并且其中所述至少一个第一注释包括所述机器注释和来自所述第一人类审查者的注释。
实例10:根据实例9所述的方法,其进一步包括基于所述选定的审查工作流程而确定是否在从所述第一人类审查者接收所述注释之前将所述机器注释提供给所述第一人类审查者。
实例11:根据实例9或10所述的方法,其中确定是否将所述发作数据提供给所述第二审查者包括基于所述机器注释与来自所述第一人类审查者的所述注释之间的一致性而绕过所述第二审查者。
实例12:根据实例11所述的方法,其中绕过所述第二审查者包括基于所述机器注释和来自所述第一审查者的所述注释两者均指示所述发作“无心律失常”而绕过所述第二审查者。
实例13:根据实例11所述的方法,其中绕过所述第二审查者包括基于所述机器注释和来自所述第一审查者的所述注释两者均指示所述发作中相同的一个或多个心律失常而绕过所述第二审查者。
实例14:根据实例9或10所述的方法,其中确定是否将所述发作数据提供给所述第二审查者包括基于所述机器注释与来自所述第一人类审查者的所述注释之间的不一致而将所述发作数据提供给所述第二审查者。
实例15:根据实例14所述的方法,其中将所述发作数据提供给所述第二审查者包括基于所述机器注释和来自所述第一审查者的所述注释中的仅一者指示所述发作“无心律失常”而将所述发作数据提供给所述第二审查者。
实例16:根据实例14所述的方法,其中将所述发作数据提供给所述第二审查者包括仅基于所述机器注释指示所述发作“无心律失常”而将所述发作数据提供给所述第二审查者。
实例17:根据实例11所述的方法,其中将所述发作数据提供给所述第二审查者包括基于所述机器注释和来自所述第一审查者的所述注释指示所述发作中不同的一个或多个心律失常而将所述发作数据提供给所述第二审查者。
实例18:根据权利要求12、15和16中任一项所述的方法,其中所述一个或多个机器学习模型包括被配置成基于所述发作数据中的所述至少一些而将所述发作分类为心律失常类别或无心律失常类别中的一者的机器学习模型。
实例19:根据实例18所述的方法,其中将所述发作分类为所述第二类别包括基于所述发作数据指示所述医疗装置响应于所述医疗装置确定所述发作包含心律失常类型的心律失常而存储所述发作而将所述发作分类为所述第二类别,所述方法进一步包括:确定所述医疗装置对所述心律失常类型的心律失常的错误检测的发生率;确定多个机器学习模型的无心律失常的阳性预测值;将错误检测的所述发生率与所述阳性预测值进行比较;以及基于所述比较选择所述机器学习模型。
实例20:根据实例13或17所述的方法,其中所述一个或多个机器学习模型包括被配置成基于所述发作数据中的所述至少一些而识别所述发作中的一个或多个心律失常类型的一个或多个心律失常的一个或多个机器学习模型。
实例21:根据实例9至20中任一项所述的方法,其中将所述发作数据提供给所述至少一个第一审查者包括同时向所述第一审查者呈现多个发作的发作数据和机器注释。
实例22:根据实例21所述的方法,其中所述多个发作中的每一者的所述机器注释包含无心律失常的指示,并且同时呈现所述多个发作的所述发作数据和机器注释包括基于无心律失常的所述指示而同时呈现所述多个发作的所述发作数据和机器注释。
实例23:一种方法,其包括通过包括处理电路系统和存储介质的计算系统基于用户输入而使相应的一个或多个发作特征与多个发作类别中的每一者相关联,其中所述多个发作类别包括:与包括通过人类审查者进行的发作注释的人工审查工作流程相关联的第一类别;与包括通过包括一个或多个机器学习模型的机器审查者进行的发作注释的自动审查工作流程相关联的第二类别;以及与包括通过所述机器审查者和所述人类审查者进行的注释的加速审查工作流程相关联的第三类别。所述方法进一步包括:通过计算系统接收由患者的医疗装置所存储的发作的发作数据,其中所述发作数据包括心脏电图;通过所述计算系统基于所述发作数据而确定发作的至少一个发作特征;通过所述计算系统基于所述至少一个发作特征而将所述发作分类为第一类别、第二类别或第三类别中的一者;通过所述计算系统基于与所述发作被分类成的类别相关联的工作流程而将所述发作数据提供给人类审查者或机器审查者中的至少一者;通过所述计算系统接收所述人类审查者或所述机器审查者中的至少一者对所述发作的至少一个注释,至少一个第一注释基于所提供的发作数据;通过所述计算系统基于选定的审查工作流程和至少一个注释而确定是否将所述发作包含在心律失常发作报告中;以及通过所述计算系统将所述心律失常发作报告输出至用户。
实例24:根据实例23所述的方法,其中所述发作特征包括以下中的一个或多个:患者人口统计、患者诊断、心律失常类型或医疗装置是响应于用户输入还是响应于对心律失常的检测而存储所述发作数据。
实例25:根据实例23或24所述的方法,其进一步包括通过所述计算系统提示所述用户基于时间表或一个或多个患者的病况变化中的至少一者而修改发作特征和类别的关联。
实例26:根据实例23至25中任一项所述的方法,其进一步包括:通过所述计算系统基于所述关联而确定审查效率度量或审查效力度量中的至少一者;以及通过所述计算系统向所述用户呈现所述审查效率度量或审查效力度量中的所述至少一者。
实例27:根据实例26所述的方法,其进一步包括通过所述计算系统,并且在向所述用户呈现所述审查效率度量或审查效力度量中的所述至少一者之后,提示所述用户接受或修改所述发作特征和所述类别的所述关联。
实例28:根据实例23至27中任一项所述的方法,其进一步包括通过所述计算系统基于用户输入从多个患者当中选择一个或多个患者,其中使所述相应的一个或多个发作特征与所述多个发作类别中的每一者相关联包括使所述相应的一个或多个发作特征与选定患者的所述多个发作类别中的每一者相关联。
实例29:一种方法,其包括:通过包括处理电路系统和存储介质的计算系统接收由多个患者的多个医疗装置所存储的多个发作的发作数据,其中每一发作的发作数据包括相应的心脏电图;对于每一发作,通过所述计算系统基于所述发作数据而确定一个或多个患者特征或发作特征;对于每一发作,通过所述计算系统从用户接收一个或多个注释;通过所述计算系统使用所述发作数据、确定的特征和所接收的注释来训练一个或多个机器学习模型;通过所述计算系统接收由所述多个医疗装置中的至少一者所存储的至少一个后续发作的发作数据;通过所述计算系统基于所述发作数据而确定一个或多个患者特征或所述后续发作的发作特征;通过将所述机器学习模型应用于所述确定的特征的所述计算系统确定所述发作的审查工作流程;以及通过所述计算装置基于确定的工作流程而向一个或多个审查者呈现所述发作数据以供注释。
已描述了各个实例。这些以及其它实例在以下权利要求书的范围内。
Claims (15)
1.一种计算系统,其包括处理电路系统和存储介质,其中所述处理电路系统被配置成:
接收由患者的医疗装置存储的发作的发作数据,其中所述发作数据包括心脏电图;
基于所述发作数据而将所述发作分类为多个类别中的一个类别,所述多个类别包括至少第一类别和第二类别;
基于所述类别而从多个审查工作流程中选择一个审查工作流程,所述多个类别中的每一者与所述多个审查工作流程中的相应一者相关联;
基于选定的审查工作流程为所述发作选择至少一个第一审查者;
将所述发作数据提供给所述至少一个第一审查者;
接收所述至少一个第一审查者对所述发作的至少一个第一注释,所述至少一个第一注释基于所提供的发作数据;
基于所述选定的审查工作流程确定是否将所述发作数据提供给第二审查者;
基于所述选定的审查工作流程和所述至少一个第一注释而确定是否将所述发作包含在心律失常发作报告中;并且
向用户输出所述心律失常发作报告。
2.根据权利要求1所述的计算系统,其中所述发作数据指示所述医疗装置是响应于用户输入还是响应于所述医疗装置确定所述发作是多个心律失常类型中的一者而存储所述发作,并且其中所述处理电路系统被配置成:
基于所述发作数据指示所述医疗装置响应于用户输入而存储所述发作,将所述发作分类为所述多个类别中的所述第一类别;并且
基于所述发作数据指示所述医疗装置响应于所述医疗装置检测到所述多个心律失常类型中的一者而存储所述发作,将所述发作分类为所述多个类别中的所述第二类别。
3.根据权利要求1所述的计算系统,其中所述发作数据指示所述医疗装置是响应于用户输入还是响应于所述医疗装置确定所述发作是多个心律失常类型中的一者而存储所述发作,并且其中所述处理电路系统被配置成:
基于所述发作数据指示所述医疗装置响应于用户输入或确定所述发作是所述多个心律失常类型的第一子集中的一者而存储所述发作,将所述发作分类为所述多个类别中的所述第一类别;并且
基于所述发作数据指示所述医疗装置响应于所述医疗装置确定所述发作是所述多个心律失常类型的第二子集中的一者而存储所述发作,将所述发作分类为所述多个类别中的所述第二类别。
4.根据权利要求1至3中任一项所述的计算系统,其中当所述处理电路系统将所述发作分类为所述第一类别,从所述多个审查工作流程中选择与所述第一类别相关联的所述审查工作流程,并且基于与所述第一类别相关联的所述审查工作流程而选择第一人类审查者时,所述处理电路系统被配置成:
基于所述选定的审查工作流程将所述发作数据提供给第二人类审查者;
接收所述第二审查者对所述发作的第二注释,所述第二注释基于所述所提供的发作数据;并且
基于所述选定的审查工作流程和所述至少一个第一注释和所述第二注释而确定是否将所述发作包含在所述心律失常发作报告中。
5.根据权利要求1至4中任一项所述的计算系统,其中当所述处理电路系统将所述发作分类为所述第二类别,并且从所述多个审查工作流程中选择与所述第二类别相关联的所述审查工作流程时,所述处理电路系统被配置成确定是否基于所述选定的审查工作流程和所述至少一个第一注释而将所述发作数据提供给所述第二审查者。
6.根据权利要求5所述的计算系统,其中所述处理电路系统被配置成:
基于所述至少一个第一注释指示所述发作包含心律失常而将所述发作数据提供给所述第二审查者;并且
基于所述至少一个第一注释指示所述发作“无心律失常”而绕过所述第二审查者。
7.根据权利要求5或6所述的计算系统,
其中,为了选择所述至少一个第一审查者,所述处理电路系统被配置成选择第一人类审查者和包括一个或多个机器学习模型的第一机器审查者,
其中,为了将所述发作数据提供给所述至少一个第一审查者,所述处理电路系统被配置成将所述发作数据中的至少一些应用于所述一个或多个机器学习模型,所述发作数据中的所述至少一些包含所述心脏电图,
其中,为了接收所述至少一个第一注释,所述处理电路系统被配置成响应于将所述发作数据中的所述至少一些应用于所述一个或多个机器学习模型而从所述第一机器审查者接收基于所述一个或多个机器学习模型的输出的机器注释,并且
其中所述至少一个第一注释包括所述机器注释和来自所述第一人类审查者的注释。
8.根据权利要求7所述的计算系统,其中所述处理电路系统被配置成:
基于所述机器注释与来自所述第一人类审查者的所述注释之间的一致性而绕过所述第二审查者;并且
基于所述机器注释与来自所述第一人类审查者的所述注释之间的不一致而将所述发作数据提供给所述第二审查者。
9.根据权利要求8所述的计算系统,其中所述处理电路系统被配置成基于所述机器注释和来自所述第一审查者的所述注释两者均指示所述发作中相同的一个或多个心律失常或所述发作“无心律失常”而绕过所述第二审查者。
10.根据权利要求9所述的计算系统,其中所述一个或多个机器学习模型包括被配置成基于所述发作数据中的所述至少一些而将所述发作分类为心律失常类别或无心律失常类别中的一者的机器学习模型。
11.根据权利要求10所述的计算系统,其中所述处理电路系统被配置成:
基于所述发作数据指示所述医疗装置响应于所述医疗装置确定所述发作包含心律失常类型的心律失常而存储所述发作而将所述发作分类为所述第二类别;
确定所述医疗装置对所述心律失常类型的心律失常的错误检测的发生率;
确定多个机器学习模型的无心律失常的阳性预测值;
将错误检测的所述发生率与所述阳性预测值进行比较;并且
基于所述比较选择所述机器学习模型。
12.根据权利要求1至11中任一项所述的计算系统,其中所述处理电路系统被配置成使所述多个类别中的每一者与相应的一个或多个发作特征相关联,并且通过至少以下各者将所述发作分类为所述多个类别中的一个类别:
基于所述发作数据确定发作的至少一个发作特征;以及
基于所述至少一个发作特征而将所述发作分类为所述类别。
13.根据权利要求12所述的计算系统,其中所述发作特征包括以下中的一个或多个:患者人口统计、患者诊断、心律失常类型或医疗装置是响应于用户输入还是响应于对心律失常的检测而存储所述发作数据。
14.根据权利要求12或13所述的计算系统,其中所述处理电路系统被配置成:
基于所述关联确定审查效率度量或审查效力度量中的至少一者;
向所述用户呈现所述审查效率度量或审查效力度量中的所述至少一者;并且
在向所述用户呈现所述审查效率度量或审查效力度量中的所述至少一者之后,提示所述用户接受或修改所述发作特征与所述类别的所述关联。
15.一种包括指令的非暂时性计算机可读介质,所述指令在由计算系统的处理电路系统执行时使所述计算系统:
接收由患者的医疗装置存储的发作的发作数据,其中所述发作数据包括心脏电图;
基于所述发作数据而将所述发作分类为多个类别中的一个类别,所述多个类别包括至少第一类别和第二类别;
基于所述类别而从多个审查工作流程中选择一个审查工作流程,所述多个类别中的每一者与所述多个审查工作流程中的相应一者相关联;
基于选定的审查工作流程为所述发作选择至少一个第一审查者;
将所述发作数据提供给所述至少一个第一审查者;
接收所述至少一个第一审查者对所述发作的至少一个第一注释,所述至少一个第一注释基于所提供的发作数据;
基于所述选定的审查工作流程确定是否将所述发作数据提供给第二审查者;
基于所述选定的审查工作流程和所述至少一个第一注释而确定是否将所述发作包含在心律失常发作报告中;并且
向用户输出所述心律失常发作报告。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962843762P | 2019-05-06 | 2019-05-06 | |
US62/843,762 | 2019-05-06 | ||
PCT/US2020/025686 WO2020226783A1 (en) | 2019-05-06 | 2020-03-30 | Category-based review and reporting of episode data |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113795891A true CN113795891A (zh) | 2021-12-14 |
Family
ID=70416567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080033976.2A Pending CN113795891A (zh) | 2019-05-06 | 2020-03-30 | 对发作数据的基于类别的审查和报告 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200352521A1 (zh) |
EP (1) | EP3966831A1 (zh) |
CN (1) | CN113795891A (zh) |
AU (1) | AU2020268312A1 (zh) |
WO (1) | WO2020226783A1 (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10898720B2 (en) | 2017-10-17 | 2021-01-26 | Medtronic, Inc. | Impedance sensing |
KR20210072755A (ko) | 2018-10-05 | 2021-06-17 | 메드트로닉 인코포레이티드 | 심장 빈맥성 부정맥의 다계층 예측 |
US11071500B2 (en) | 2019-05-02 | 2021-07-27 | Medtronic, Inc. | Identification of false asystole detection |
US20200352466A1 (en) | 2019-05-06 | 2020-11-12 | Medtronic, Inc. | Arrythmia detection with feature delineation and machine learning |
US11694804B2 (en) | 2019-05-06 | 2023-07-04 | Medtronic, Inc. | Reduced power machine learning system for arrhythmia detection |
US11723577B2 (en) | 2019-05-06 | 2023-08-15 | Medtronic, Inc. | Visualization of arrhythmia detection by machine learning |
US11475998B2 (en) | 2019-05-06 | 2022-10-18 | Medtronic, Inc. | Data preparation for artificial intelligence-based cardiac arrhythmia detection |
US11776691B2 (en) | 2019-05-06 | 2023-10-03 | Medtronic, Inc. | Machine learning based depolarization identification and arrhythmia localization visualization |
US11583687B2 (en) | 2019-05-06 | 2023-02-21 | Medtronic, Inc. | Selection of probability thresholds for generating cardiac arrhythmia notifications |
US20210042398A1 (en) * | 2019-08-08 | 2021-02-11 | Pulsepoint, Inc. | Validation of Properties of a User Device in a Network |
US11717186B2 (en) | 2019-08-27 | 2023-08-08 | Medtronic, Inc. | Body stability measurement |
US20230386672A1 (en) * | 2020-09-24 | 2023-11-30 | The Feinstein Institutes For Medical Research, Inc. | Computer-based systems configured for condition measurement prediction and methods thereof |
EP4346602A1 (en) * | 2021-05-28 | 2024-04-10 | Medtronic, Inc. | Dynamic and modular cardiac event detection |
WO2022265841A1 (en) * | 2021-06-15 | 2022-12-22 | Medtronic, Inc. | Adjudication algorithm bypass conditions |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8438039B2 (en) * | 2005-04-27 | 2013-05-07 | Medtronic, Inc. | User customizable workflow preferences for remote patient management |
WO2015120095A1 (en) * | 2014-02-04 | 2015-08-13 | Cardioinsight Technologies, Inc. | Signal analysis related to treatment sites |
US20190090774A1 (en) * | 2017-09-27 | 2019-03-28 | Regents Of The University Of Minnesota | System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks |
CN108030488A (zh) * | 2017-11-30 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于卷积神经网络的心律失常的检测系统 |
US20200352466A1 (en) * | 2019-05-06 | 2020-11-12 | Medtronic, Inc. | Arrythmia detection with feature delineation and machine learning |
-
2020
- 2020-03-27 US US16/832,732 patent/US20200352521A1/en active Pending
- 2020-03-30 EP EP20721054.3A patent/EP3966831A1/en active Pending
- 2020-03-30 WO PCT/US2020/025686 patent/WO2020226783A1/en unknown
- 2020-03-30 CN CN202080033976.2A patent/CN113795891A/zh active Pending
- 2020-03-30 AU AU2020268312A patent/AU2020268312A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2020226783A1 (en) | 2020-11-12 |
AU2020268312A1 (en) | 2021-12-23 |
US20200352521A1 (en) | 2020-11-12 |
EP3966831A1 (en) | 2022-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113795891A (zh) | 对发作数据的基于类别的审查和报告 | |
US11776691B2 (en) | Machine learning based depolarization identification and arrhythmia localization visualization | |
US11696718B2 (en) | Arrhythmia detection with feature delineation and machine learning | |
US11617533B2 (en) | Visualization of arrhythmia detection by machine learning | |
CN112789083A (zh) | 心脏快速性心律失常的多层预测 | |
JP2022531302A (ja) | 心調律の分析のための人工知能モデルのパーソナライゼーション | |
EP3746176B1 (en) | Systems for presenting arrhythmia episodes | |
CN116847781A (zh) | 健康事件预测 | |
US9440088B2 (en) | Implanted lead analysis system and method | |
US20220398470A1 (en) | Adjudication algorithm bypass conditions | |
US20240047072A1 (en) | Health event prediction | |
WO2024033727A1 (en) | Health event prediction and patient feedback system | |
WO2024035530A1 (en) | Health event prediction using heartbeat intervals from electrocardiogram data | |
WO2022265841A1 (en) | Adjudication algorithm bypass conditions | |
CN117479981A (zh) | 判定算法绕过条件 |
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 |