CN113795892A - 用于生成心律失常通知的概率阈值选择 - Google Patents

用于生成心律失常通知的概率阈值选择 Download PDF

Info

Publication number
CN113795892A
CN113795892A CN202080033746.6A CN202080033746A CN113795892A CN 113795892 A CN113795892 A CN 113795892A CN 202080033746 A CN202080033746 A CN 202080033746A CN 113795892 A CN113795892 A CN 113795892A
Authority
CN
China
Prior art keywords
patient
probability
computing system
data
machine learning
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
CN202080033746.6A
Other languages
English (en)
Inventor
S·丹妮
T·D·哈达德
D·R·马斯格鲁夫
A·拉德克
N·查克拉瓦希
R·卡特拉
L·A·佩达尔蒂
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 CN113795892A publication Critical patent/CN113795892A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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
    • A61N1/36592—Heart stimulators controlled by a physiological parameter, e.g. heart potential controlled by the heart rate variability
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Cardiology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Electrotherapy Devices (AREA)

Abstract

公开了用于监测患者的心律失常的发生的技术。一种计算系统通过将机器学习模型应用于样本患者数据来生成样本概率值。所述机器学习模型确定指示在每个相应时间窗期间发生所述心律失常的概率的相应概率值。所述计算系统基于所述样本概率值输出包括图形数据的用户界面，并且通过所述用户界面接收用于选择患者的概率阈值的用户输入的指示。所述计算系统接收所述患者的患者数据，并且将所述机器学习模型应用于所述患者数据，以确定当前概率值。响应于确定所述当前概率超过所述患者的所述概率阈值，所述计算系统生成指示所述患者可能已经历所述心律失常的所述发生的警报。

Description

用于生成心律失常通知的概率阈值选择
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。
在心室纤颤风险较高的患者中，已经示出使用如植入式心脏复律器除颤器(ICD)等植入式医疗装置(IMD)在预防SCD方面是有益的。ICD是电池供电的电击装置，其可包含典型地耦接到放置在心脏内的一个或多个电引线的电壳体电极(有时被称为罐形电极)。如果感测到心律失常，那么ICD可经由电引线发送脉冲，以对心脏进行电击并且恢复其正常节律。一些ICD已被配置成在递送电击之前通过递送抗心动过速起搏(ATP)来尝试终止检测到的快速性心律失常。另外，ICD已被配置成在电击成功终止快速性心律失常后递送相对较高幅值的电击后起搏，以便支持心脏从电击中恢复。一些ICD还递送心动过缓起搏、心脏再同步疗法(CRT)或其它形式的起搏。
其它类型的医疗装置可以用于诊断目的。例如，植入式或非植入式医疗装置可以监测患者的心脏。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。用户可以基于所标识的心律失常的发生来诊断患者的医疗状况。
发明内容
总体上，本公开描述了用于监测患者的心律失常的发生的技术。一种计算系统通过将机器学习模型应用于样本患者数据来生成样本概率值。在一些实例中，所述计算系统是云计算系统。所述机器学习模型确定指示在每个相应时间窗期间发生心律失常的概率的相应概率值。所述计算系统基于所述样本概率值输出包括图形数据的用户界面，并且通过所述用户界面接收用于选择患者的概率阈值的用户输入的指示。所述计算系统接收所述患者的患者数据，并且将所述机器学习模型应用于所述患者数据，以确定当前概率值。响应于确定当前概率超过所述患者的所述概率阈值，所述计算系统生成指示所述患者可能已经历所述心律失常的通知。以这种方式，用户可以使用用户界面来关于所述计算系统的灵敏度和特异度有效地配置所述计算系统。
一方面，本公开描述了一种方法，其包括：由包括处理电路系统和存储介质的计算系统通过将机器学习模型应用于患者数据样本集来生成样本概率值集，其中：所述机器学习模型是使用多个患者的患者数据训练的，所述样本集包括多个时间窗；并且对于所述多个时间窗中的每个相应时间窗，所述机器学习模型被配置成确定所述样本概率值集中的指示在所述相应时间窗期间发生心律失常的概率的相应概率值；由所述计算系统基于所述样本概率值生成图形数据；由所述计算系统输出用于在显示装置上显示的用户界面，所述用户界面包括所述图形数据；由所述计算系统通过所述用户界面接收用于选择患者的概率阈值的用户输入的指示；由所述计算系统接收所述患者的患者数据，其中所述患者数据是由一个或多个医疗装置收集的；由所述计算系统将所述机器学习模型应用于所述患者数据，以确定指示所述患者已经历心律失常的发生的概率的当前概率值；由所述计算系统确定所述当前概率值超过所述患者的所述概率阈值；并且响应于确定所述当前概率值大于或等于所述患者的所述概率阈值，由所述计算系统生成指示所述患者可能已经历所述心律失常的所述发生的通知。
另一方面，本公开描述了一种计算系统，其包括一个或多个处理电路；以及存储介质，所述存储介质存储指令，所述指令在被执行时将所述一个或多个处理电路配置成：通过将机器学习模型应用于患者数据样本集来生成样本概率值集，其中：所述机器学习模型是使用多个患者的患者数据训练的，所述样本集包括多个时间窗；并且对于所述多个时间窗中的每个相应时间窗，所述机器学习模型被配置成确定所述样本概率值集中的指示在所述相应时间窗期间发生心律失常的概率的相应概率值；基于所述样本概率值生成图形数据；输出用于在显示装置上显示的用户界面，所述用户界面包括所述图形数据；通过所述用户界面接收用于选择患者的概率阈值的用户输入的指示；接收所述患者的患者数据，其中所述患者数据是由一个或多个医疗装置收集的；将所述机器学习模型应用于所述患者数据，以确定指示所述患者已经历心律失常的发生的概率的当前概率值；确定所述当前概率值超过所述患者的所述概率阈值；并且响应于确定所述当前概率值大于或等于所述患者的所述概率阈值而生成指示所述患者可能已经历所述心律失常的所述发生的通知。
另一方面，本公开描述了一种计算机可读介质，所述计算机可读介质具有存储于其上的指令，所述指令在被执行时使计算系统的一个或多个处理电路：通过将机器学习模型应用于患者数据样本集来生成样本概率值集，其中：所述机器学习模型是使用多个患者的患者数据训练的，所述样本集包括多个时间窗；并且对于所述多个时间窗中的每个相应时间窗，所述机器学习模型被配置成确定所述样本概率值集中的指示在所述相应时间窗期间发生心律失常的概率的相应概率值；基于所述样本概率值生成图形数据；输出用于在显示装置上显示的用户界面，所述用户界面包括所述图形数据；通过所述用户界面接收用于选择患者的概率阈值的用户输入的指示；接收所述患者的患者数据，其中所述患者数据是由一个或多个医疗装置收集的；将所述机器学习模型应用于所述患者数据，以确定指示所述患者已经历心律失常的发生的概率的当前概率值；确定所述当前概率值超过所述患者的所述概率阈值；并且响应于确定所述当前概率值大于或等于所述患者的所述概率阈值而生成指示所述患者可能已经历所述心律失常的所述发生的通知。
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监测患者的心律失常的系统的框图。
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用于生成图形数据和接收用于选择概率阈值的用户输入的指示的第一示例操作的流程图。
图7是展示了根据本公开的技术的用于基于监测的原因进行模型和操作点选择的示例过程的流程图。
图8是展示了根据本公开的技术的用于基于供监测的心律失常进行模型和操作点选择的示例过程的流程图。
图9是展示了根据本公开的技术的用于生成图形数据和接收用于选择概率阈值的用户输入的指示的第二示例操作的流程图。
图10是根据本公开的技术的包含某个时间段期间的原始心脏电波形的示例图和同一时间段期间的心律失常的发生的概率的示例图的概念图。
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监测患者的心律失常的系统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可以监测通过引线18、20和22上的电极收集的EGM信号，并且基于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所佩戴的手表或粘附地附连到患者14的电路系统的形式，如可从爱尔兰都柏林的美敦力公司(Medtronic plc of Dublin,Ireland)商购获得的SeeqTM移动心脏遥测系统。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、用户界面和通信电路系统。
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界面。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EGM和/或其它感测到的信号。
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经由有线和/或无线通信进行通信。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 BDA0003338599950000061
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。在一些实例中，计算系统24和网络25可以实施并提供对由美敦力公司管理的CarelinkTM系统的访问。
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，所述患者数据包含患者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的脉冲传输时间、患者14的呼吸速率、患者14的低通气指数或呼吸暂停、患者14的加速度计数据、从患者14的加速度计数据得出的如活动计数、姿势、统计控制过程变量等特征、患者14的原始肌电图、从患者14的原始肌电图得出的如心率变异性、t波交替、QRS形态等一个或多个特征、患者14的间隔数据和从间隔数据得出的特征、心音、钾水平、血糖指数、温度或可从上文提到的参数数据得出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和/或其它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和/或其它装置的传感器可以确定患者14已摔倒、患者14虚弱或患病、患者14正在经历睡眠呼吸暂停情况。
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可以通过用户界面(图1中未描绘)如通过触摸屏、键盘、图形用户界面、语音命令等上传上传患者症状数据。
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将使用多个患者的患者数据训练的一个或多个机器学习模型应用于患者14的所述患者数据，以监测患者14的心律失常的发生。例如，计算系统24可以接收患者14的患者数据。患者数据由如医疗装置16等一个或多个医疗装置收集。此外，在这个实例中，计算系统24可以将机器学习模型应用于所述患者数据，以确定指示患者14已经历心律失常的发生的概率的当前概率值。在这个实例中，计算系统24可以进一步确定所述当前概率值是否超过患者14的概率阈值。响应于确定所述当前概率值大于或等于患者14的所述概率阈值，计算系统24可以生成指示患者14可能已经历心律失常的发生的通知。所述概率值可以是介于0与1之间的值；或处于另一个范围内的值，其中所述值指示概率或可能性。概率阈值也可以处于此些范围内。
如何设置概率阈值可以确定与由计算系统24生成的通知相关联的审查负担和诊断阳性率。审查由计算系统24生成的通知的用户可能会经历与所述通知相关联的审查负担，因为用户可能需要花费时间审查所述通知并确定患者14是否实际经历了由所述通知指示的心律失常。与通知相关联的诊断阳性率可以与由计算系统24生成的通知中有多少实际产生有价值的诊断信息的百分比或其它度量相对应。如果审查负担过大，则用户使用计算系统24来监测患者14可能是不切实际的。同样，如果诊断阳性率过低，则用户可能无法发现使用计算系统24来监测患者14的效用。
因此，根据本公开的技术，计算系统24可以使用户能够以可以改变与由计算系统24生成的通知相关联的审查负担和诊断阳性率的方式来调整概率阈值。因此，在本公开的一些实例中，计算系统24可以通过将机器学习模型应用于患者数据样本集来生成样本概率值集。所述机器学习模型可以是使用多个患者的患者数据训练的。此外，所述样本集可以包括多个时间窗。对于所述多个时间窗中的每个相应时间窗，所述机器学习模型被配置成确定所述样本概率值集中的指示在所述相应时间窗期间发生心律失常的概率的相应概率值。在一些实例中，所述样本集的所述时间窗中的每个时间窗包括相应心脏EGM条带。
计算系统24可以基于所述样本概率值生成图形数据，并且可以输出用于在显示装置上显示的用户界面。所述用户界面可以包括所述图形数据。如本公开中所描述的，所述图形数据可以包含一个或多个接受者操作者曲线(ROC)、图形和/或其它类型的图形数据。计算系统24可以通过所述用户界面接收用于选择患者14的概率阈值的用户输入的指示。例如，计算系统24可以接收针对用户界面的一个或多个特征的点击、打字、轻敲、滑动、拖动、捏或其它类型的用户输入的指示。计算系统24可以接收患者14的患者数据，并且将所述机器学习模型应用于所述患者数据，以确定指示患者14已经历心律失常的发生的概率的当前概率值。然后，计算系统24可以确定所述当前概率值是否超过为患者14设置的所述概率阈值。
在这个实例中，响应于确定所述当前概率值大于或等于为患者14设置的所述概率阈值，计算系统24可以生成指示患者14可能已经历所述心律失常的所述发生的通知。计算系统24可以存储所生成的通知的副本。通过使用户能够适当地设置所述概率阈值，计算装置24可以不生成和存储不需要的通知。这可以节省计算系统24的计算机可读介质上的存储空间。此外，在一些实例中，计算系统24可以将通知传输到正在监测患者14的一个或多个用户所使用的装置。通过不生成和传输用户的不适合诊断目的的多个通知，可以节省网络带宽，并且可以节省接收装置的电池寿命。
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52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将患者数据发送到计算系统24(例如，通过外部装置27)。所述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和其它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装置来实施：耦接到心血管系统外部的电极的心脏外除颤器；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12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隔。
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12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58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58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12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，所述患者数据包含以下中的一个或多个：患者的活动水平、患者的心率、患者的姿势、患者的心脏电描记图、患者的血压、患者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，如患者14的可穿戴医疗装置或移动装置(例如，智能电话)等一个或多个其它装置可以收集患者参数数据并将所述患者参数数据上传到计算系统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以及用户界面(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如机器学习模型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与如图1的IMD 17和EMR数据库66等外部装置进行通信。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界面装置410。在一些实例中，用户界面设备410被配置成通过触觉、音频或视频反馈从用户接收输入。用户界面装置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、用户界面装置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被配置成接收患者数据，评估所述患者数据，并且在监测系统450确定患者14(图1)可能已经历一种或多种心律失常的一次或多次发生时生成通知。
如图4的实例中所示出的，监测系统450可以包含机器学习模型452集。总之，机器学习模型452可以被称为机器学习模型库或机器学习模型套件。机器学习模型452中的每个机器学习模型可以被配置成基于提供给所述机器学习模型的患者数据生成指示患者14已经历一种或多种心律失常的发生的概率的概率值。在一些实例中，机器学习模型452中的每个机器学习模型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有监督或无监督机器学习系统来实施。例如，机器学习模型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，监测系统450用多个患者的患者数据训练机器学习模型452以生成心律失常的概率值。在一些实例中，在已经用多个患者的患者数据(并且在一些实例中，EMR数据)预先训练了机器学习模型之后，监测系统450可以进一步用特定于患者14的患者数据来训练所述机器学习模型。
在一些实例中，监测系统450用多个患者的患者数据训练机器学习模型452中的一个或多个机器学习模型，确定所述机器学习模型的误差率，并且然后将所述误差率反馈给所述机器学习模型以便使所述机器学习模型基于所述误差率更新其预测。监测系统450可以使用如梯度下降算法等反向传播算法将误差率反馈回机器学习模型。误差率可以与由机器学习模型基于输入数据确定的概率值与同一输入数据的预先标记的概率值之间的差相对应。在一些实例中，监测系统450可以使用误差函数来确定误差率。误差函数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。在一些实例中，误差函数可以返回元素向量，每个元素指示机器学习模型是否正确标识了相应心律失常的发生。
在一些实例中，监测系统450可以从患者14或临床医生接收指示预测的心律失常是否在特定时间段内于患者14中发生的反馈。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)心律失常于患者14中的发生的消息。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机器学习模型。因此，训练过程可以迭代发生，以便通过从过去由机器学习模型生成的正确和不正确的数据中“学习”来递增地改进由机器学习模型生成的数据。另外，训练过程可用于另外微调使用基于人群的数据训练的机器学习模型，从而为特定个体提供更准确的预测。在一些实例中，对服务进行监测的人员可以提供反馈。
根据本公开的技术，机器学习模型452中的不同的机器学习模型可以与不同的监测原因相对应。在一些实例中，机器学习模型452中的不同的机器学习模型与国际疾病和相关健康问题统计分类第10次修订(10th revision of the International StatisticalClassification of Diseases and Related Health Problems)(ICD-10)中所定义的不同代码相对应。不同的ICD-10代码可以与给患者14开具医疗装置16处方的不同原因相对应。例如，对于心房纤颤(AF)管理、中风、晕厥和其它医学病状，可能存在不同的ICD-10代码。在一些实例中，监测系统450可以使用针对不同ICD-10代码生成的训练数据来训练机器学习模型452中的一个或多个机器学习模型。
监测系统450可以用于相同模型可能不会为其提供最优心律失常检测性能的不同用例。因此，可以生成并应用机器学习模型套件来标识所关注的心律失常的发生。例如，在一个实例中，机器学习模型452可以包含机器学习模型以检测AF或窦性心动过缓或心搏停止(例如，停顿)心律失常的任何发生。在这个实例中，用户可能不关心关于患者14的其它心律失常(例如，正常窦性心律(NSR)、房性早搏(PAC)、室性早搏(PVC)、窦性心动过速)。在这个实例中，全科医生可以使用这个机器学习模型来寻找“重要的”心律失常。在另一个实例中，监测系统450可以使用被配置成确定指示患者14已经历属于窦性心动过缓或AV阻滞类型的任何心律失常的概率的概率值的机器学习模型。在这个实例中，用户可能不关心关于患者14的其它心律失常。在这个实例中，这种机器学习模型可以用于经导管主动脉瓣膜置换(TAVR)后监测。
机器学习模型452所使用的输入数据可以包含患者数据。所述患者数据可以包含表示如EGM信号等一个或多个电信号的数据。在一些实例中，所述患者数据可以包含也可以由医疗装置16捕获的关于患者的生理状态(例如，如活动、姿势、呼吸等患者生理状态)的数据。与不同生理条件相对应的训练数据(例如，休息、夜间休息、夜间高姿势角度休息等)可以用作模型训练的另外的参数或机器学习模型452的输入数据。使用此类数据可以使监测系统450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)。
一旦机器学习模型452中的一个或多个机器学习模型已经被训练，则监测系统450可以使用机器学习模型452来检测患者14所经历的心律失常的发生。例如，监测系统450(其可以由处理电路系统402来执行)可以通过通信电路系统406接收患者数据。所述患者数据可以全部或部分底由患者14的医疗装置16来收集。在一些实例中，所述患者数据包含以下中的一个或多个：EGM数据、患者的活动水平、患者的心率、患者的姿势、患者的心脏电描记图、患者的血压、患者的加速度计数据、来自EMR数据库66的EMR数据和/或其它类型的患者数据。在一些实例中，医疗装置16是IMD。在其它实例中，医疗装置16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，监测系统450每天从医疗装置16接收患者数据。
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机器学习模型452中的一个或多个机器学习模型的输入的患者数据的一部分。
在一些实例中，机器学习模型452中的每个机器学习模型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)。所述机器学习模型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。所述机器学习模型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。所述机器学习模型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。
在图5的实例中，计算系统24可以通过将机器学习模型应用于患者数据样本集来生成样本概率值集(500)。所述机器学习模型可以是机器学习模型452(图4)之一。如上文所讨论的，所述机器学习模型可以是使用一组样本患者的患者数据训练的。所述一组样本患者可以包含单个样本患者或多个样本患者。所述一组样本患者可以或可以不包含将要针对一种或多种心律失常对其进行监测的当前患者。
所述样本集包括多个时间窗。在一些实例中，所述时间窗重叠。在其它实例中，所述时间窗不重叠。所述样本集的每个时间窗可以包括所述一组样本患者中的患者的至少一个心脏电波形的一个或多个样本系列。在其中所述时间窗重叠的实例中，同一样本可能位于两个或更多时间窗中。
对于所述多个时间窗中的每个相应时间窗，所述机器学习模型被配置成确定所述样本概率值集中的指示在所述相应时间窗期间发生心律失常的概率的相应概率值。如本公开中其它地方所讨论的，所述机器学习模型可以包括神经网络，所述神经网络已经被训练以生成指示患者已经历一种或多种心律失常的发生的概率的概率值。到所述神经网络的输入可以包含与相应时间窗口相对应的数据。
此外，在图5的实例中，计算系统24可以基于所述样本概率值生成图形数据(502)。如本公开中其它地方所讨论的，计算系统24可以基于所述样本概率值生成各种类型的图形数据中的一种或多种类型的图形数据。例如，在一些实例中，计算系统24生成ROC的图形表示。下文详细描述的图6是包含用于生成ROC的动作的示例流程图。下文详细描述的图9是包含用于生成针对时间绘制的心律失常的发生的概率图的动作的示例流程图。
计算系统24可以输出用于在显示装置上显示的用户界面(504)。在图5的实例中，所述用户界面包括图形数据。例如，在其中所述图形数据包括ROC的实例中，所述用户界面可以包含示出了ROC的图。在其中所述图形数据包括针对时间绘制的心律失常的发生的概率图的实例中，所述用户界面可以包含所述图。所述显示装置可以是输出装置412之一、用户界面装置410之一或用于显示数据的另一个装置。
计算系统24可以以各种形式中的一种或多种形式输出所述用户界面。例如，计算系统24可以渲染和输出含有所述图形数据的网页。在另一个实例中，计算系统24可以输出本地应用程序的图形用户界面。
另外，在图5的实例中，计算系统24可以通过所述用户界面接收用于选择患者14(图1)的概率阈值的用户输入的指示(506)。例如，在其中所述用户界面包含示出了ROC的图的实例中，计算机系统24可以接收用于选择ROC上的点的用户输入的指示。在其中所述用户界面包含针对时间绘制的心律失常的发生的概率图的实例中，所述用户界面可以进一步包含阈值指示符，并且计算系统24可以接收用于将所述阈值指示符定位在所述图中的与患者14的概率阈值相对应的位置处的用户输入的指示。在一些实例中，计算系统24不需要用于选择患者14的所述概率阈值的用户输入的指示。相反，在不存在用于选择患者14的所述概率阈值的用户输入的指示的情况下，计算系统24可以将所述概率阈值设置成默认概率阈值或使所述概率阈值等于默认概率阈值。在一些此类实例中，所述默认概率阈值可以是在不考虑预期审查负担的情况下使诊断阳性率最大化的概率阈值。
计算系统24可以接收患者14的患者数据(508)。所述患者数据由如医疗装置16(图1)和/或其它类型的装置等一个或多个医疗装置收集。如本公开在其它地方所讨论的，所述患者数据可以包含患者14的至少一个心脏电波形的一个或多个样本序列。
此外，在图5的实例中，计算系统24可以将所述机器学习模型应用于所述患者数据，以确定指示患者14已经历心律失常的发生的概率的当前概率值(510)。例如，在其中所述心律失常是心房纤颤的实例中，计算系统24可以将所述机器学习模型应用于所述患者数据并且确定患者14经历心房纤颤的发生的概率为0.98。
另外，计算系统24可以确定所述当前概率值是否超过患者14的所述概率阈值(512)。响应于确定所述当前概率值大于或等于患者14的所述概率阈值(512处的“是”分支)，计算系统24可以生成指示所述患者可能已经历所述心律失常的所述发生的通知(514)。计算系统24可以以一种或多种方式中的任一种方式生成所述通知。例如，在一个实例中，计算系统24可以向监测用户发送消息(例如，文本消息、SMS消息、即时消息、电子邮件消息、应用程序内消息、语音消息、视频消息等)。在这个实例中，所述消息通知所述监测用户：患者14可能经历了所述心律失常的发生。在一些实例中，计算系统24不会针对心律失常的每次发生生成通知，而是可以针对心律失常的发生组生成通知。在一些实例中，用户界面可以呈现所生成的通知的列表。
否则，在图5的实例中，响应于确定所述当前概率值不大于或等于患者14的所述概率阈值(512的“否”分支)，计算系统24不生成所述通知并且可以继续接收所述患者的患者数据(508)。在其它实例中，响应于确定所述当前概率值不大于或等于患者14的所述概率阈值，计算系统24可以执行其它动作。在一些实例中，对于多个心律失常中的每个相应心律失常，计算系统24可以执行图5的操作。
如上所述，在一些实例中，计算系统24不需要用于选择如患者14等患者的概率阈值的用户输入的指示。因此，在此类实例中，计算系统24可以接收患者的患者数据，其中所述患者数据是由一个或多个医疗装置收集的。在这个实例中，计算系统24可以将所述机器学习模型应用于所述患者数据，以确定指示所述患者已经历心律失常的发生的概率的当前概率值。此外，在这个示例中，计算系统24可以确定所述当前概率值超过默认概率阈值，其中所述默认概率阈值被设置成使诊断阳性率最大化。响应于确定所述当前概率值大于或等于所述默认概率阈值，计算系统24可以生成指示所述患者可能已经历所述心律失常的所述发生的通知。
图6是展示了根据本公开的技术的用于生成图形数据和接收用于选择概率阈值的用户输入的指示的第一示例操作的流程图。图6的实例提供了关于如何计算系统24可以在图5的动作(502)中生成图形数据以及如何计算系统24可以在图5的动作(506)中接收用于选择患者14的概率阈值的用户输入的指示的示例细节。
在图6的实例中，作为基于所述样本概率值生成图形数据的一部分，计算系统24可以生成ROC(600)。ROC是针对特异度值绘制灵敏度值的曲线。通常，当灵敏度值为高时，计算系统24在患者14实际经历心律失常的发生时不生成指示患者14经历心律失常的发生的通知的概率为低。因此，当灵敏度值为高时，可能存在更多假阳性，但计算系统24不太可能会遗漏心律失常的发生。当特异度值为高时，计算系统24在患者14实际未经历心律失常的发生时生成指示患者14经历心律失常的发生的通知的概率为低。因此，当特异度值为高时，可能存在很少假阳性，但计算系统24可能会遗漏心律失常的更多次发生。因此，灵敏度值随着特异度值的增加而降低，并且反之亦然。
作为生成所述ROC的一部分，对于评估概率阈值集中的每个相应概率阈值，计算系统24可以执行动作(602)到(608)。所述评估概率阈值集可以包含两个或更多个评估概率阈值。通常，所使用的评估概率阈值数量越大，计算系统24可用于生成ROC的数据就越多。
在图6的实例中，计算系统24可以确定相应评估概率阈值的灵敏度值(602)。如上文关于图5所讨论的，计算系统24可以通过将机器学习模式应用于患者数据样本集来生成样本概率值集。所述样本概率值中的每个样本概率值指示在所述相应时间窗期间发生的所述心律失常的发生的概率。计算系统24可以将所述相应评估概率阈值的所述灵敏度值确定为以下两者的比率：(i)所述样本概率值集中的大于或等于所述相应评估概率阈值的样本概率值的总数与(ii)所述样本集中的实际含有所述心律失常的发生的时间窗的总数。
此外，在图6的实例中，计算系统24可以确定所述相应评估概率阈值的特异度值(604)。计算系统24可以将所述相应评估概率阈值的所述特异度值确定为以下两者的比率：(i)不大于或等于所述相应评估概率阈值的所述样本概率值的总数与(ii)所述样本集中的实际不含所述心律失常的发生的所述时间窗的总数。
计算系统24然后可以确定所述ROC上的与所述相应概率值相对应的点(606)。所述ROC上的与所述相应概率值相对应的所述点基于所述相应概率阈值的所述灵敏度值和所述相应概率阈值的所述特异度值。例如，所述点可以由一对坐标来定义，所述一对坐标中的一个坐标是所述相应概率阈值的所述灵敏度值并且所述一对坐标中的另一个坐标是所述相应评价概率阈值的特异度值。在一些实例中，计算系统24可以应用一种或多种函数来对所述相应评估概率阈值的所述灵敏度值和所述特异度值进行转换，以确定所述点的坐标。
计算系统24可以确定是否存在任何其余的评估概率阈值要进行评估(608)。如果存在任何其余的评估概率阈值要进行评估(608的“是”分支)，则计算系统24可以关于所述评估概率阈值中的另一个评估概率阈值重复动作(602)到(606)。否则(608的“否”分支)，计算系统24可以继续图5的操作。在一些实例中，在确定不存在其余的评估概率阈值要进行评估之后，计算系统24可以基于所确定的点生成(例如，使用插值、外推和/或回归)平滑或离散值的曲线。
随后，计算系统24可以接收用于选择患者14的概率阈值的用户输入的指示(506)。在图6的实例中，作为接收用于选择患者14的所述概率阈值的所述用户输入的指示的一部分，计算系统24可以接收用于选择所述ROC上的与患者14的所述概率阈值相对应的点的用户输入的指示(610)。计算系统24可以以各种方式中的一种方式接收用于选择所述ROC上的所述点的用户输入的指示。例如，在一个实例中，所述用户界面可以包含可沿所述ROC滑动的指示符元素。在这个实例中，计算系统24可以接收用于将所述指示符元素重新定位到沿所述ROC的定位的轻敲、滑动或拖动输入。在一些实例中，计算系统24可以接收指定患者14的概率阈值的用户输入的指示，在这种情况下，计算系统24可以更新所述指示符元素的定位，使得所述指示符元素定位于所述ROC上的与患者14的指定概率阈值相对应的定位处。在一些实例中，计算系统24可以接收指定灵敏度值或特异度值的用户输入的指示，在这种情况下，计算系统24可以更新所述指示符元素的定位，使得所述指示符元素的定位于所述ROC上的与指定灵敏度值或指定特异度值相对应的定位处。
图7是展示了根据本公开的技术的用于基于监测的原因进行模型和操作点选择的示例过程的流程图。用户可以确定与监测患者14的原因相对应的ICD-10代码(700)。此外，计算系统24可以被配置成使用机器学习模型集。所述机器学习模型集可以被称为机器学习模型库。每个机器学习模型可以包含一个或多个神经网络，所述一个或多个神经网络被配置成确定一种或多种心律失常的概率值。每个机器学习模型可以与不同的ICD-10代码相关联，或者以其它方式与监测所述患者的不同原因相关联。计算系统24和/或用户可以基于与所述机器学习模型相关联的ICD-10代码在所述库中选择机器学习模型(702)。
此外，在图7的实例中，计算系统24可以向用户呈现ROC 704以使所述用户能够选择一个或多个操作点(706)。操作点可以与患者14的概率阈值相对应。计算系统24可以基于对心律失常可能性进行阈值化来生成ROC(例如，如图6的实例中所描述的)。例如，如果监测原因是检测中风患者的心房纤颤(AF)，则计算系统24可以呈现用户(例如，处方医师)可以从中选择与对AF检测的非常高灵敏度和低特异度相对应的阈值的用于AF检测的ROC。在另一个实例中，如果监测的原因是AF管理，则用户(例如，处方医师)可以从ROC中选择对AF具有高特异度和低灵敏度的操作点。在另一个实例中，如果监测的原因是晕厥，则医师可以从ROC中选择对心搏停止和窦性心跳过缓的高灵敏度以及对AF和其它心律失常的平衡灵敏度和特异度。
在图7的实例中，用户(例如，处方医师)可以针对所选机器学习模型和操作点的审查负担对诊断阳性率进行迭代。如本公开中其它地方所讨论的，审查负担可以指对通知进行审查的负担，并且诊断阳性率可以指从此类通知得出的具有诊断价值的信息的量。例如，如果用户没有使用监测服务(708的“否”分支)，则用户可以在选定审查负担与诊断阳性率之间的可接受平衡之前一次或多次评估审查负担对诊断阳性率。
在一些实例中，计算系统24可以呈现(例如，用于在显示装置上显示的输出)指示一个或多个操作点的预期审查负担对预期诊断阳性率的数据。心律失常的操作点可以与概率阈值相对应。在一些实例中，计算系统24可以存储患者群体的历史数据(例如，来自监测中心或数据库)。对于患者群体中的每个患者，历史数据可以指示患者的操作点、患者的审查负担以及患者的诊断阳性率。在这个实例中，当为特定患者设置操作点时，计算系统24可以标识使用所述操作点的患者群体中的类似患者并且基于所标识的患者的审查负担和诊断阳性率确定所述特定患者的预期审查负担和预期诊断阳性率。例如，计算系统24可以计算所标识的患者的审查负担和诊断阳性率的平均值。
在一些实例中，计算系统24可以根据患病率和算法性能数字估计操作点的预期审查负担和预期诊断阳性率。例如，在一个实例中，假设正在被监测的患者群体的AF患病率为20％(即，来自这个群体中的患者的AF触发的ECG中有20％实际具有AF)。这个患病率可以从文献或监测中心处的历史值获得。此外，在这个实例中，假设用户希望获得2个AF检测操作点的诊断阳性率和审查负担：(i)95％灵敏度和70％特异度和(ii)70％灵敏度和95％特异度，并且报告了对应的算法检测到的AF发作。AF发作可以与装置(例如，医疗装置16)报告可能存在AF的时间窗相对应。在这个实例中，“基线”审查负担是对所有发作进行审查之处。在这个实例中，对于第一个操作点，审查负担是基线的43％。也就是说，假设向算法呈现1000次发作。因此，预期1000次发作中的真阳性(TP)的数量为TP＝0.95×200＝190；预期1000次发作中的假阳性(FP)的数量为FP＝(1-0.7)×800＝240；检测的总次数＝190+240＝430；因此，430/1000＝43％。95％(200次中的190次)的实际发作被捕获，并且约44％(430次中的190次)的所审查的发作是真正的AF。对于第二个操作点，审查负担是基线的18％。也就是说，假设向算法呈现1000次发作；TP＝0.7×200＝140；FP＝(1-0.95)×800＝40；总检测＝140+40＝180；因此，180/1000＝18％。此处，仅70％(200次中的140次)的实际发作被捕获，并且约78％(180次中的140次)的所审查的发作是真正的AF。因此，在这个实例中，第一个操作点的审查负担和诊断阳性率高于第二个操作点的审查负担和诊断阳性率。
在一些实例中，用户可以通过改变所选心律失常中的一个或多个心律失常的概率阈值(例如，以本公开中其它地方所描述的方式)来调整所选心律失常的审查负担对诊断阳性率。这个步骤可以帮助用户(例如，医师)协调其操作模型，以最好地选择在审查负担与诊断阳性率之间提供最佳平衡的模型的一种操作模型(例如，如果灵敏度(例如，概率阈值)设置为99％，则审查负担可能会非常高，但如果灵敏度设置为98％，则所述审查负担可能是可管理的)。计算系统24然后可以使用所选模型，并且操作点用于心律失常检测和通知。
如果用户正在使用监测服务(708的“是”分支)或在评估审查负担对诊断阳性率之后，计算系统24可以使用所选机器学习模型和操作点开始监测过程。监测过程可以接收患者信息，应用所选机器学习模型，并且生成通知(例如，如关于图5的动作(508)到(514)所描述的)。监测服务可以是代表用户(例如，医师)审查通知的服务。
图8是展示了根据本公开的技术的用于基于供监测的心律失常进行模型和操作点选择的示例过程的流程图。在图8的实例中，用户(例如，处方医师)可以确定要监测的一组心律失常(800)。要监测的一组心律失常可以是用户想要接收其通知的那些心律失常。以这种方式，用户可以从一组心律失常中选择一种或多种心律失常。所选心律失常可以是用户有兴趣监测的心律失常。
此外，如图8的实例中所示出的，可以为不同的心律失常组开发机器学习模型802A-802N(统称为“机器学习模型802”)。例如，机器学习模型802A可以生成指示患者14已经历心房纤颤(AF)、停顿和窦性心动过缓(窦性心跳过缓)的发生的概率的概率值；机器学习模型802B可以生成指示患者14已经历窦性心动过缓、停顿和心房心室(AV)阻滞的发生的概率的概率值；机器学习模型802C可以生成指示患者14已经历心房纤颤、心房扑动和室上性心动过速(SVT)的发生的概率的概率值；机器学习模型802N可以生成指示患者14已经历窦性心动过速(窦性心跳过速)、窦性心动过缓(窦性心跳过缓)、心房纤颤(AF)、心房扑动、室上性心动过速(SVT)、心房心室(AV)阻滞和室内传导延迟(IVCD)的发生的概率的概率值。在图8的实例中，机器学习模型802中的每个机器学习模型与不同类别的心律失常相对应。在其它实例中，对于不同的心律失常而不是不同类别的心律失常，可能存在不同的机器学习模型。在一些实例中，机器学习模型802中的每个机器学习模型可以是机器学习模型452(图4)中的不同的机器学习模型。机器学习模型802中的每个机器学习模型可以使用一个或多个神经网络来实施。所开发的机器学习模型802可以一起形成机器学习模型“库”。
用户可以从机器学习模型802库中选择机器学习模型中的一个或多个机器学习模型(804)。例如，如果用户选择监测窦性心动过缓、AV阻滞和心房扑动，则用户可以选择机器学习模型802B和802C。注意，在一些情况下，所选机器学习模型可以被配置成生成用户不一定想要监测的一种或多种心律失常的概率值。在一些实例中，计算系统24可以接收用户输入的指示以从机器学习模型802库中选择机器学习模型802中的一个或多个机器学习模型。
此外，在图8的实例中，计算系统24可以向用户呈现一个或多个ROC 808以使所述用户能够选择患者14的一个或多个操作点(806)。患者14的操作点中的每个操作点可以与用于标识不同心律失常的发生的概率阈值相对应。因此，基于供监测的所选心律失常，可以选择对应的机器学习模型并且可以呈现对应的ROC以使用户能够选择操作点。用户可以选择所述ROC中的每个ROC上的不同操作点。在图8的实例中，用户可以通过提供用户输入来移动ROC上的指示符元素809来选择所述ROC上的操作点，由此向计算系统24提供用于选择ROC上的与患者14的心律失常的概率阈值相对应的点的用户输入的指示。
在图8的实例中，用户(例如，处方医师)可以针对所选机器学习模型和操作点的审查负担对诊断阳性率进行迭代。如本公开中其它地方所讨论的，审查负担可以指对通知进行审查的负担，并且诊断阳性率可以指从此类通知得出的具有诊断价值的信息的量。例如，如果用户没有使用监测服务(810的“否”分支)，则用户可以在选定审查负担与诊断阳性率之间的可接受平衡之前一次或多次评估审查负担对诊断阳性率。在一些实例中，用户可以通过改变所选心律失常中的一个或多个心律失常的概率阈值(例如，以本公开中其它地方所描述的方式)来调整审查负担对诊断阳性率。如果用户正在使用监测服务(810的“是”分支)或在评估审查负担对诊断阳性率之后，计算系统24可以使用所选机器学习模型和操作点开始监测过程。监测过程可以接收患者信息，应用所选机器学习模型，并且生成通知(例如，如关于图5的动作(508)到(514)所描述的)。在一些实例中，计算系统24可以接收用于更新患者14的概率阈值的用户输入的后续指示。
图9是展示了根据本公开的技术的用于生成图形数据和接收用于选择概率阈值的用户输入的指示的第二示例操作的流程图。图9的实例提供了关于如何计算系统24可以在图5的动作(502)中生成图形数据以及如何计算系统24可以在图5的动作(506)中接收用于选择患者14的概率阈值的用户输入的指示的示例细节。
如图9的实例中所示出的，作为基于所述样本概率值生成图形数据的一部分，计算系统24可以针对时间绘制样本概率值的图(908)。如上文关于图5所讨论的，计算系统24可以通过将机器学习模型应用于患者数据样本集来生成样本概率值集。所述样本概率值中的每个样本概率值指示属于在所述相应时间窗期间发生的心律失常的心律失常的概率。在一些实例中，计算系统24可以基于样本概率值生成平滑或离散曲线。
此外，在图9的实例中，计算系统24可以生成阈值指示符(902)。另外，在图9的实例中，作为接收用于选择患者14的概率阈值的用户输入的指示符的一部分(506)，计算系统24可以接收用于将阈值指示符定位在所述图中的与患者14的概率阈值相对应的位置处的用户输入的指示(904)。
计算系统24可以以一种或多种方式中的任一种方式生成所述阈值指示符。例如，在一个实例中，所述阈值指示符包括叠加在所述图上且平行于所述图的时间轴定向的阈值条。在这个实例中，所述阈值条可以叠加在图上，使得基于样本概率值集，所述阈值条出现在曲线或数据点之上或之下。此外，在其中所述阈值指示符包括阈值条的一些实例中，计算系统24可以接收用于在垂直于所述时间轴的方向上滑动所述阈值条以便将所述阈值指示符定位在所述图中的与患者14的期望概率阈值相对应的位置处的用户输入的指示。在一些实例中，计算系统24可以接收用于指定患者14的期望概率阈值的用户输入的指示(例如，以文本的形式)，并且计算系统24可以将所述阈值指示符的位置更新成所述图中的与患者14的期望概率阈值相对应的位置。在一些实例中，所述阈值指示符可以包括在所述图中或与所述图相邻的箭头、指针或其它类型的图形元素。
图10是根据本公开的技术的包含某个时间段期间的原始心脏电波形的示例图1000和同一时间段期间的心律失常事件的概率的示例图1002的概念图。在图10的实例中，图1000与指示如在所述时间段期间记录的心脏电势的总体幅值的心脏电描记图(EGM)相对应。在图10的实例中，所述时间段的持续时间为大约45秒。
图1002包含与一组心律失常中的不同心律失常相对应的波形。例如，图1002可以包含与不同ICD-10类型相对应的波形。在一些实例中，可以基于医师兴趣或患者状况来选择一组心律失常。
在图10的实例中，所述一组心律失常包含1级房室阻断(AVB)、心房纤颤、心室早发性收缩(PVC)、窦性心律、室上性心动过速、噪声/非生理学信号段(图10中标记为“伪影”)、心房扑动、窦性心动过缓和窦性心动过速。对于心律失常中的每种心律失常，与所述心律失常相对应的波形基于样本概率值，所述样本概率值指示在与所述样本概率值相对应的时间值结束的时间窗期间发生的心律失常的概率。图10的实例中所示出的波形是基于图1000的波形确定的。在图10的实例中，为了便于解释，概率值被映射(例如，线性扩展)到索引值。在图10的实例中，所述索引值被标记为“波形热图”值。
在图10的实例中，阈值条1004叠加在图1002上。阈值条1004定位在图1002上的与患者14的期望概率阈值相对应的位置处。在图10的实例中，阈值条1004定位在图1002上的与索引值2相对应的位置处。如果心律失常之一的概率值上升到与阈值条1004所指示的定位相对应的概率阈值以上，则计算系统24可以生成指示患者14可能已经历心律失常的发生的通知。例如，在图10的实例中，给定阈值条1004的定位，计算系统24可以确定患者可能已经历了PVC的六次发生、窦性心律失常的两次或更多次发生以及心房纤颤的发生。
如图10的实例中所示出的，计算系统24可以接收用于将阈值条1004的定位更新到图1002中的较高定位的用户输入的指示。因此，给定阈值条1004的经更新的定位，计算系统24仍然可以确定患者14可能已经历了PVC的六次发生，但不确定患者14已经历了窦性心律失常的发生或心房纤颤的发生。
在一些实例中，对于不同的心律失常，可能存在不同的阈值条。例如，对于1级AVC，可以存在第一阈值条；对于心房纤颤，可以存在第二阈值条；对于PVC，可以存在第三阈值条；并且以此类推。因此，用户可以能够针对不同的心律失常为患者14设置不同的概率阈值。例如，如果已知患者14经常经历心房扑动而无严重影响，则用户可能需要心房扑动的高概率阈值，但可能需要窦性心动过缓的较低概率阈值。
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1.一种方法，其包括：由包括处理电路系统和存储介质的计算系统通过将机器学习模型应用于患者数据样本集来生成样本概率值集，其中：所述机器学习模型是使用多个患者的患者数据训练的，所述样本集包括多个时间窗；并且对于所述多个时间窗中的每个相应时间窗，所述机器学习模型被配置成确定所述样本概率值集中的指示在所述相应时间窗期间发生心律失常的概率的相应概率值；由所述计算系统基于所述样本概率值生成图形数据；由所述计算系统输出用于在显示装置上显示的用户界面，所述用户界面包括所述图形数据；由所述计算系统通过所述用户界面接收用于选择患者的概率阈值的用户输入的指示；由所述计算系统接收所述患者的患者数据，其中所述患者数据是由一个或多个医疗装置收集的；由所述计算系统将所述机器学习模型应用于所述患者数据，以确定指示所述患者已经历心律失常的发生的概率的当前概率值；由所述计算系统确定所述当前概率值超过所述患者的所述概率阈值；并且响应于确定所述当前概率值大于或等于所述患者的所述概率阈值，由所述计算系统生成指示所述患者可能已经历所述心律失常的所述发生的通知。
实例2.根据实例1所述的方法，其中：生成所述图形数据包括由所述计算系统生成接受者操作曲线(ROC)，其中生成所述ROC包括：对于多个评估概率阈值中的每个评估概率阈值：由所述计算系统将相应评估概率阈值的灵敏度值确定为以下两者的比率：(i)所述样本概率值集中的大于或等于所述相应评估概率阈值的样本概率值的总数与(ii)所述样本集中的实际含有在所述样本集中实际发生的所述心律失常的发生的所述时间窗的总数；由所述计算系统将相应概率值的特异度值确定为以下两者的比率：(i)不大于或等于所述相应评估概率阈值的所述样本概率值的总数与(ii)所述样本集中的实际不含所述心律失常的发生的所述时间窗的总数；以及由所述计算系统确定所述ROC上的与所述相应概率值相对应的点，其中所述ROC上的与所述相应概率值相对应的所述点基于所述相应评估概率阈值的所述灵敏度值和所述相应评估概率阈值的所述特异度值；并且接收用于选择所述患者的所述概率阈值的所述用户输入的指示包括：由所述计算系统接收用于选择所述ROC上的与所述患者的所述概率阈值相对应的点的用户输入的指示。
实例3.根据实例1或2中任一项所述的方法，其中：生成所述图形数据包括：由所述计算系统生成绘制所述样本概率值相较于时间的关系的图；以及由所述计算系统生成阈值指示符；并且接收所述用户输入的指示包括由所述计算系统接收用于将所述阈值指示符定位在所述图中的与所述患者的所述概率阈值相对应的位置处的用户输入的指示。
实例4.根据实例3所述的方法，其中所述阈值指示符包括叠加在所述图上且平行于所述图的时间轴定向的阈值条。
实例5.根据实例1到4中任一项所述的方法，其中接收所述患者的所述患者数据包括由所述计算系统接收所述患者的心脏电波形数据。
实例6.根据实例1到5中任一项所述的方法，其进一步包括由所述计算系统接收用于更新所述患者的所述概率阈值的用户输入的指示。
实例7.根据实例1到6中任一项所述的方法，其中所述医疗装置包括可穿戴医疗装置或植入式医疗装置(IMD)。
实例8.根据实例1到7中任一项所述的方法，其中：所述心律失常是多个心律失常中的第一心律失常，并且对于所述多个心律失常中的每个相应心律失常，所述方法包括：由所述计算系统通过将相应机器学习模型应用于相应患者数据样本集来生成相应样本概率值集，其中：所述相应机器学习模型是使用所述多个患者的患者数据训练的，所述相应样本集包括多个相应时间窗；并且对于所述多个相应时间窗中的每个相应时间窗，所述相应机器学习模型被配置成：确定所述相应样本概率值集中的指示在所述相应时间窗期间发生所述相应心律失常的概率的相应概率值；由所述计算系统基于所述相应样本概率值集生成相应图形数据；由所述计算系统输出用于在所述显示装置上显示的用户界面，使得所述用户界面包括所述相应图形数据；由所述计算系统通过所述用户界面接收用于选择所述患者的相应概率阈值的用户输入的指示；由所述计算系统将所述机器学习模型应用于所述患者数据，以确定指示所述患者已经历所述相应心律失常的发生的概率的相应概率值；由所述计算系统确定所述相应概率值超过所述相应概率阈值；并且响应于确定所述相应概率值大于或等于所述相应概率阈值，由所述计算系统生成指示所述患者可能已经历所述相应心律失常的所述发生的通知。
实例9.根据实例1到8中任一项所述的方法，其进一步包括：由所述计算系统呈现指示所述患者的所述概率阈值的预期审查负担对预期诊断阳性率的数据。
实例10.一种计算系统，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实例1到9中任一项所述的方法。
实例11.一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 (10)

1.一种计算系统，其包括：
一个或多个处理电路；以及
存储介质，所述存储介质存储指令，所述指令在被执行时将所述一个或多个处理电路配置成：
通过将机器学习模型应用于患者数据样本集来生成样本概率值集，其中：
所述机器学习模型是使用多个患者的患者数据训练的，
所述样本集包括多个时间窗；并且
对于所述多个时间窗中的每个相应时间窗，所述机器学习模型被配置成确定所述样本概率值集中的指示在所述相应时间窗期间发生心律失常的概率的相应概率值；
基于所述样本概率值生成图形数据；
输出用于在显示装置上显示的用户界面，所述用户界面包括所述图形数据；
通过所述用户界面接收用于选择患者的概率阈值的用户输入的指示；
接收所述患者的患者数据，其中所述患者数据是由一个或多个医疗装置收集的；
将所述机器学习模型应用于所述患者数据，以确定指示所述患者已经历心律失常的发生的概率的当前概率值；
确定所述当前概率值超过所述患者的所述概率阈值；并且
响应于确定所述当前概率值大于或等于所述患者的所述概率阈值而生成指示所述患者可能已经历所述心律失常的所述发生的通知。
2.根据权利要求1所述的计算系统，其中：
所述一个或多个处理电路被配置成使得作为生成所述图形数据的一部分，所述一个或多个处理电路生成接受者操作曲线(ROC)，其中所述一个或多个处理电路被配置成使得作为生成所述ROC的一部分，所述一个或多个处理电路：
对于多个评估概率阈值中的每个评估概率阈值：
将相应评估概率阈值的灵敏度值确定为以下两者的比率：(i)所述样本概率值集中的大于或等于所述相应评估概率阈值的样本概率值的总数与(ii)所述样本集中的实际含有在所述样本集中实际发生的所述心律失常的发生的所述时间窗的总数；
将相应概率值的特异度值确定为以下两者的比率：(i)不大于或等于所述相应评估概率阈值的所述样本概率值的总数与(ii)所述样本集中的实际不含所述心律失常的发生的所述时间窗的总数；并且
确定所述ROC上的与所述相应概率值相对应的点，其中所述ROC上的与所述相应概率值相对应的所述点基于所述相应评估概率阈值的所述灵敏度值和所述相应评估概率阈值的所述特异度值；并且
所述一个或多个处理电路被配置成使得作为接收用于选择所述患者的所述概率阈值的用户输入的指示的一部分，所述一个或多个处理电路接收用于选择所述ROC上的与所述患者的所述概率阈值相对应的点的用户输入的指示。
3.根据权利要求1或2所述的计算系统，其中：
所述一个或多个处理电路被配置成使得作为生成所述图形数据的一部分，所述一个或多个处理电路：
生成绘制所述样本概率值相较于时间的关系的图；并且
生成阈值指示符；并且
所述一个或多个处理电路被配置成使得作为接收所述用户输入的指示的一部分，所述一个或多个处理电路接收用于将所述阈值指示符定位在所述图中的与所述患者的所述概率阈值相对应的位置处的用户输入的指示。
4.根据权利要求3所述的计算系统，其中所述阈值指示符包括叠加在所述图上且平行于所述图的时间轴定向的阈值条。
5.根据权利要求1或2所述的计算系统，其中所述一个或多个处理电路被配置成使得作为接收所述患者的所述患者数据的一部分，所述一个或多个处理电路被配置成接收所述患者的心脏电波形数据。
6.根据权利要求1或2所述的计算系统，其中所述一个或多个处理电路被进一步配置成接收用于更新所述患者的所述概率阈值的用户输入的指示。
7.根据权利要求1或2所述的计算系统，其中所述医疗装置包括可穿戴医疗装置或植入式医疗装置(IMD)。
8.根据前述权利要求中任一项所述的计算系统，其中：
所述心律失常是多个心律失常中的第一心律失常，并且
对于所述多个心律失常中的每个相应心律失常，所述方法包括：
由所述计算系统通过将相应机器学习模型应用于相应患者数据样本集来生成相应样本概率值集，其中：
所述相应机器学习模型是使用所述多个患者的患者数据训练的，
所述相应样本集包括多个相应时间窗；并且
对于所述多个相应时间窗中的每个相应时间窗，所述相应机器学习模型被配置成：确定所述相应样本概率值集中的指示在所述相应时间窗期间发生所述相应心律失常的概率的相应概率值；
由所述计算系统基于所述相应样本概率值集生成相应图形数据；
由所述计算系统输出用于在所述显示装置上显示的用户界面，使得所述用户界面包括所述相应图形数据；
由所述计算系统通过所述用户界面接收用于选择所述患者的相应概率阈值的用户输入的指示；
由所述计算系统将所述机器学习模型应用于所述患者数据，以确定指示所述患者已经历所述相应心律失常的发生的概率的相应概率值；
由所述计算系统确定所述相应概率值超过所述相应概率阈值；并且
响应于确定所述相应概率值大于或等于所述相应概率阈值，由所述计算系统生成指示所述患者可能已经历所述相应心律失常的所述发生的通知。
9.根据前述权利要求中任一项所述的计算系统，其中所述一个或多个处理电路被进一步配置成呈现指示所述患者的所述概率阈值的预期审查负担对预期诊断阳性率的数据。
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的一个或多个处理电路：
通过将机器学习模型应用于患者数据样本集来生成样本概率值集，其中：
所述机器学习模型是使用多个患者的患者数据训练的，
所述样本集包括多个时间窗；并且
对于所述多个时间窗中的每个相应时间窗，所述机器学习模型被配置成确定所述样本概率值集中的指示在所述相应时间窗期间发生心律失常的概率的相应概率值；
基于所述样本概率值生成图形数据；
输出用于在显示装置上显示的用户界面，所述用户界面包括所述图形数据；
通过所述用户界面接收用于选择患者的概率阈值的用户输入的指示；
接收所述患者的患者数据，其中所述患者数据是由一个或多个医疗装置收集的；
将所述机器学习模型应用于所述患者数据，以确定指示所述患者已经历心律失常的发生的概率的当前概率值；
确定所述当前概率值超过所述患者的所述概率阈值；并且
响应于确定所述当前概率值大于或等于所述患者的所述概率阈值而生成指示所述患者可能已经历所述心律失常的所述发生的通知。
CN202080033746.6A 2019-05-06 2020-04-21 用于生成心律失常通知的概率阈值选择 Pending CN113795892A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962843707P 2019-05-06 2019-05-06
US62/843,707 2019-05-06
US16/850,833 2020-04-16
US16/850,833 US11583687B2 (en) 2019-05-06 2020-04-16 Selection of probability thresholds for generating cardiac arrhythmia notifications
PCT/US2020/029093 WO2020226891A1 (en) 2019-05-06 2020-04-21 Selection of probability thresholds for generating cardiac arrhythmia notifications

Publications (1)

Publication Number Publication Date
CN113795892A true CN113795892A (zh) 2021-12-14

Family

ID=73047488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080033746.6A Pending CN113795892A (zh) 2019-05-06 2020-04-21 用于生成心律失常通知的概率阈值选择

Country Status (4)

Country Link
US (2) US11583687B2 (zh)
EP (1) EP3966833A1 (zh)
CN (1) CN113795892A (zh)
WO (1) WO2020226891A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3860710A2 (en) 2018-10-05 2021-08-11 Medtronic, Inc. Multi-tier prediction of cardiac tachyarrythmia
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
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
US11776691B2 (en) 2019-05-06 2023-10-03 Medtronic, Inc. Machine learning based depolarization identification and arrhythmia localization visualization
US11657921B2 (en) 2019-09-18 2023-05-23 Tempus Labs, Inc. Artificial intelligence based cardiac event predictor systems and methods
EP4346564A1 (en) * 2021-05-28 2024-04-10 Tempus AI, Inc. Ecg-based cardiovascular disease detection systems and related methods

Family Cites Families (71)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4458691A (en) 1982-02-11 1984-07-10 Arrhythmia Research Technology, Inc. System and method for predicting ventricular tachycardia by adaptive high pass filter
US6594523B1 (en) 1996-05-14 2003-07-15 Pacesetter, Inc. Implantable stimulation device, programmer, and method for automatically evaluating interaction of the device with a patient's heart
US5967995A (en) 1998-04-28 1999-10-19 University Of Pittsburgh Of The Commonwealth System Of Higher Education System for prediction of life-threatening cardiac arrhythmias
US6275732B1 (en) 1998-06-17 2001-08-14 Cardiac Pacemakers, Inc. Multiple stage morphology-based system detecting ventricular tachycardia and supraventricular tachycardia
US6493579B1 (en) 1999-08-20 2002-12-10 Cardiac Pacemakers, Inc. System and method for detection enhancement programming
US6272377B1 (en) 1999-10-01 2001-08-07 Cardiac Pacemakers, Inc. Cardiac rhythm management system with arrhythmia prediction and prevention
US9183351B2 (en) 2000-05-30 2015-11-10 Vladimir Shusterman Mobile system with network-distributed data processing for biomedical applications
US8438039B2 (en) 2005-04-27 2013-05-07 Medtronic, Inc. User customizable workflow preferences for remote patient management
US8706220B2 (en) 2008-04-09 2014-04-22 Medtronic, Inc. Method and apparatus for detecting and treating tachyarrhythmias incorporating diagnostic/therapeutic pacing techniques
US8103346B2 (en) 2008-05-22 2012-01-24 Cardiac Pacemakers, Inc. Regulatory compliant transmission of medical data employing a patient implantable medical device and a generic network access device
KR20140015548A (ko) 2008-12-15 2014-02-06 엑손모빌 케미칼 패턴츠 인코포레이티드 알킬방향족 화합물의 산화
WO2010083367A1 (en) 2009-01-15 2010-07-22 Medtronic, Inc. Implantable medical device with adaptive signal processing and artifact cancellation
US10588527B2 (en) 2009-04-16 2020-03-17 Braemar Manufacturing, Llc Cardiac arrhythmia report
US20100280841A1 (en) 2009-05-04 2010-11-04 Cardiac Pacemakers, Inc. Adjudication of Arrhythmia Episode Data Systems and Methods
EP2490587A1 (en) 2009-10-20 2012-08-29 Widemed Ltd. Method and system for detecting cardiac arrhythmia
US9408549B2 (en) 2009-11-03 2016-08-09 Vivaquant Llc Detecting fiducial points in physiological signals
US9585589B2 (en) 2009-12-31 2017-03-07 Cerner Innovation, Inc. Computerized systems and methods for stability-theoretic prediction and prevention of sudden cardiac death
EP2534597B1 (en) 2010-03-15 2018-10-17 Singapore Health Services Pte Ltd Method of predicting the survivability of a patient
US8437842B2 (en) 2010-04-28 2013-05-07 Medtronic, Inc. Method and apparatus for detecting and discriminating tachycardia
KR101736976B1 (ko) 2010-07-05 2017-05-18 삼성전자주식회사 생체 신호를 측정하는 장치 및 방법
CN103477340B (zh) 2011-03-28 2017-03-22 皇家飞利浦有限公司 用于提供监测设备的家庭模式的系统及方法
US8521281B2 (en) 2011-10-14 2013-08-27 Medtronic, Inc. Electrogram classification algorithm
US9307920B2 (en) 2012-04-17 2016-04-12 Cardiac Pacemakers, Inc. Method and apparatus for automatic arrhythmia classification with confidence estimation
KR102123045B1 (ko) 2012-04-23 2020-06-16 프레코르디오르 오와이 심장 기능부전들 및 비정상들을 나타내는 정보를 결정하기 위한 방법 및 장치
US9775559B2 (en) 2013-04-26 2017-10-03 Medtronic, Inc. Staged rhythm detection system and method
US9408551B2 (en) 2013-11-14 2016-08-09 Bardy Diagnostics, Inc. System and method for facilitating diagnosis of cardiac rhythm disorders with the aid of a digital computer
US10463269B2 (en) 2013-09-25 2019-11-05 Bardy Diagnostics, Inc. System and method for machine-learning-based atrial fibrillation detection
US20190038148A1 (en) 2013-12-12 2019-02-07 Alivecor, Inc. Health with a mobile device
EP3079571A4 (en) 2013-12-12 2017-08-02 Alivecor, Inc. Methods and systems for arrhythmia tracking and scoring
US9445737B2 (en) 2014-02-04 2016-09-20 Cardioinsight Technologies, Inc. Signal analysis related to treatment sites
WO2016025841A1 (en) 2014-08-15 2016-02-18 Biomerieux, Inc. Methods, systems, and computer program products for verifying dispensing of a fluid from a pipette
US9754080B2 (en) 2014-10-21 2017-09-05 uBiome, Inc. Method and system for microbiome-derived characterization, diagnostics and therapeutics for cardiovascular disease conditions
US20160135706A1 (en) 2014-11-14 2016-05-19 Zoll Medical Corporation Medical Premonitory Event Estimation
US20180146929A1 (en) 2015-06-01 2018-05-31 University Of Ulsan Foundation For Industry Cooperation Device for predicting ventricular arrhythmia and method therefor
US9788796B2 (en) 2015-10-16 2017-10-17 General Electric Company System and method of adaptive interpretation of ECG waveforms
DK3367897T3 (da) 2015-10-27 2021-05-31 Cardiologs Tech En automatisk fremgangsmåde til at afgrænse eller kategorisere et elektrokardiogram
WO2017091736A1 (en) 2015-11-23 2017-06-01 Mayo Foundation For Medical Education And Research Processing physiological electrical data for analyte assessments
US10321836B2 (en) 2015-11-30 2019-06-18 Physio-Control, Inc. Context scores to enhance accuracy of ECG readings
US20170156592A1 (en) 2015-12-02 2017-06-08 Mediatek Inc. Healthcare systems and monitoring method for physiological signals
AU2017246369B2 (en) 2016-04-06 2019-07-11 Cardiac Pacemakers, Inc. Confidence of arrhythmia detection
US10750960B2 (en) 2016-05-03 2020-08-25 Samsung Electronics Co., Ltd. Passive arrythmias detection based on photoplethysmogram (PPG) inter-beat intervals and morphology
US10849508B2 (en) 2016-06-03 2020-12-01 Fourth Frontier Technologies Pvt. Ltd. System and method for continuous monitoring of blood pressure
US10463295B2 (en) 2016-06-13 2019-11-05 Medtronic, Inc. Multi-parameter prediction of acute cardiac episodes and attacks
US10529029B2 (en) 2016-09-23 2020-01-07 Aon Benfield Inc. Platform, systems, and methods for identifying property characteristics and property feature maintenance through aerial imagery analysis
US10744334B2 (en) 2016-10-18 2020-08-18 Cardiac Pacemakers, Inc. Systems and methods for arrhythmia detection
WO2018119316A1 (en) 2016-12-21 2018-06-28 Emory University Methods and systems for determining abnormal cardiac activity
US11915825B2 (en) 2017-02-10 2024-02-27 Alivecor, Inc. Systems and methods of analyte measurement analysis
US20180272147A1 (en) 2017-03-21 2018-09-27 Zoll Medical Corporation Wearable defibrillator integrated with remote ischemic conditioning protocol
WO2018204307A1 (en) 2017-05-01 2018-11-08 Cardiac Pacemakers, Inc. Systems for medical alert management
US10638979B2 (en) 2017-07-10 2020-05-05 Glysens Incorporated Analyte sensor data evaluation and error reduction apparatus and methods
US11382552B2 (en) 2017-07-26 2022-07-12 Cardiac Pacemakers, Inc. Reducing false alarms in cardiac monitoring devices
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
US11291401B2 (en) 2017-10-03 2022-04-05 Salutron, Inc. Arrhythmia monitoring using photoplethysmography
JP6912998B2 (ja) 2017-10-25 2021-08-04 株式会社日立製作所 データ分析装置、データ分析方法、およびデータ分析プログラム
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
CN111566695A (zh) * 2017-12-13 2020-08-21 华盛顿大学 确定用于消融的节段的系统和方法
US11763943B2 (en) 2018-03-02 2023-09-19 Preventice Solutions, Inc. Automated ventricular ectopic beat classification
US10960213B2 (en) 2018-03-12 2021-03-30 Zoll Medical Corporation Verification of cardiac arrhythmia prior to therapeutic stimulation
WO2019217052A1 (en) * 2018-05-08 2019-11-14 Cardiac Pacemakers, Inc. Systems and methods for detecting arrhythmias
WO2019231808A1 (en) 2018-05-31 2019-12-05 Mayo Foundation For Medical Education And Research Automatic sensing of features within an electrocardiogram
US20190365342A1 (en) * 2018-06-04 2019-12-05 Robert Bosch Gmbh Method and system for detecting abnormal heart sounds
EP3582228A1 (en) 2018-06-12 2019-12-18 Bittium Biosignals Oy Method, system and mobile communications device medical for optimizing clinical care delivery
GB2582124A (en) 2018-09-07 2020-09-16 Transf Ai Ltd Analysis of cardiac data
CN113015476A (zh) 2018-10-19 2021-06-22 吉温成象有限公司 用于生成和显示体内图像流的研究的系统和方法
US11583196B2 (en) 2019-03-12 2023-02-21 Cardiac Pacemakers, Inc. Systems and methods for detecting atrial tachyarrhythmia
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
US11776691B2 (en) 2019-05-06 2023-10-03 Medtronic, Inc. Machine learning based depolarization identification and arrhythmia localization visualization
US11475998B2 (en) 2019-05-06 2022-10-18 Medtronic, Inc. Data preparation for artificial intelligence-based cardiac arrhythmia detection
US11723577B2 (en) 2019-05-06 2023-08-15 Medtronic, Inc. Visualization of arrhythmia detection by machine learning
US20200352521A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Category-based review and reporting of episode data

Also Published As

Publication number Publication date
WO2020226891A1 (en) 2020-11-12
EP3966833A1 (en) 2022-03-16
US11583687B2 (en) 2023-02-21
US20230149726A1 (en) 2023-05-18
US20200353271A1 (en) 2020-11-12

Similar Documents

Publication Publication Date Title
US11679268B2 (en) Multi-tier prediction of cardiac tachyarrythmia
US11583687B2 (en) Selection of probability thresholds for generating cardiac arrhythmia notifications
US11617533B2 (en) Visualization of arrhythmia detection by machine learning
CN111065320B (zh) 用于心力衰竭监测的心力衰竭风险分数的区分
JP2022531297A (ja) 特徴描写および機械学習による不整脈検出
US11475998B2 (en) Data preparation for artificial intelligence-based cardiac arrhythmia detection
US9008760B2 (en) System and method for off-line analysis of cardiac data
US20230248319A1 (en) Personalization of artificial intelligence models for analysis of cardiac rhythms
US8942791B2 (en) Off-line sensing method and its applications in detecting undersensing, oversensing, and noise
CN116133721A (zh) 对可治疗事件的检测
US20200178826A1 (en) Systems and methods for detecting arrhythmias
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

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