CN113811352A - 利用特征描绘和机器学习进行心律失常检测 - Google Patents

利用特征描绘和机器学习进行心律失常检测 Download PDF

Info

Publication number
CN113811352A
CN113811352A CN202080033740.9A CN202080033740A CN113811352A CN 113811352 A CN113811352 A CN 113811352A CN 202080033740 A CN202080033740 A CN 202080033740A CN 113811352 A CN113811352 A CN 113811352A
Authority
CN
China
Prior art keywords
patient
cardiac
electrogram data
arrhythmia
cardiac electrogram
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
CN202080033740.9A
Other languages
English (en)
Inventor
N·查克拉瓦希
S·丹妮
T·D·哈达德
D·R·马斯格鲁夫
A·拉德克
E·N·沃曼
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 CN113811352A publication Critical patent/CN113811352A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/339—Displays specially adapted therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/686—Permanently implanted devices, e.g. pacemakers, other stimulators, biochips
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/3621—Heart stimulators for treating or preventing abnormally high heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/365—Heart stimulators controlled by a physiological parameter, e.g. heart potential
    • A61N1/36507—Heart stimulators controlled by a physiological parameter, e.g. heart potential controlled by gradient or slope of the heart potential
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/365—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/37—Monitoring; Protecting
    • A61N1/3702—Physiological parameters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/372—Arrangements in connection with the implantation of stimulators
    • A61N1/375—Constructional arrangements, e.g. casings
    • A61N1/3756—Casings with electrodes thereon, e.g. leadless stimulators
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—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
    • 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
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0204—Operational features of power management
    • A61B2560/0214—Operational features of power management of power generation or supply
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A61B5/4839—Diagnosis combined with treatment in closed-loop systems or methods combined with drug delivery
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays

Landscapes

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

Abstract

公开了用于使用特征描绘和机器学习两者来检测心律失常的技术。一种计算装置接收患者的由医疗装置感测到的心脏电描记图数据。所述计算装置通过对所述心脏电描记图数据的基于特征的描绘来获得所述患者的心律失常的第一分类。所述计算装置将机器学习模型应用于接收到的心脏电描记图数据以获得所述患者的心律失常的第二分类。作为一个实例，所述计算装置使用所述第一分类和所述第二分类来确定所述患者是否已发生心律失常发作。作为另一个实例，所述计算装置使用所述第二分类来验证所述患者的心律失常的所述第一分类。所述计算装置输出指示已发生所述心律失常发作和与所述心律失常发作一致的一个或多个心脏特征的报告。

Description

利用特征描绘和机器学习进行心律失常检测
技术领域
本公开总体上涉及医疗装置，并且更具体地涉及可植入医疗装置。
背景技术
恶性快速性心律失常，例如心室颤动是心脏中的心室的心肌的不协调收缩，并且是心脏骤停患者中最常见的经鉴定的心律失常。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)可能在几分钟内发生。
在具有心室颤动高风险的患者中，可植入医疗装置(IMD)，如可植入心脏复律器除颤器(ICD)的使用已经显示在预防SCD方面是有益的。ICD是电池供电的电击装置，其可以包含电壳体电极(有时被称为罐式电极)，所述电壳体电极通常耦接到放置在心脏内的一个或多个电引线。如果感测到心律失常，则ICD可以通过电引线发送脉冲，以电击心脏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已被配置成在用电击成功终止快速性心律失常后递送相对高量值的电击后起搏，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，植入或非植入的医疗装置可以监测患者的心脏。如医生等用户可以检查由医疗装置针对心律失常，例如心房或心室快速性心律失常或心搏停止的发生而生成的数据。用户可以基于经鉴定的心律失常的发生来诊断患者的医疗状况。
发明内容
根据本公开的技术，本文中阐述了一种医疗装置系统，所述医疗装置系统使用特征描绘和机器学习两者来检测和分类患者的心律失常。例如，计算装置接收患者的由可植入医疗装置感测到的心脏电描记图数据。所述计算装置通过对所述心脏电描记图数据的基于特征的描绘来获得所述患者的心律失常的第一分类。所述计算装置将机器学习模型应用于接收到的心脏电描记图数据以获得所述患者的心律失常的第二分类。作为一个实例，所述计算装置使用所述第一分类和所述第二分类来确定所述患者是否已发生心律失常发作。作为另一个实例，所述计算装置使用从所述机器学习模型获得的心律失常的所述第二分类来验证从所述基于特征的描绘获得的所述患者的心律失常的所述第一分类。
响应于确定所述患者已发生心律失常发作，所述计算装置输出指示已发生所述心律失常发作和与所述心律失常发作一致的一个或多个心脏特征的报告。所述计算装置可以响应于所述报告接收对由所述可植入医疗装置用于感测所述患者的所述心脏电描记图数据的一个或多个参数的一个或多个调整，并且对可植入医疗装置执行此类调整。
此外，如本文所述的医疗装置系统可以根据心律失常词典对心律失常进行分类。例如，计算装置通过对患者的心脏电描记图数据的基于特征的描绘来确定患者已发生心律失常发作。计算装置应用机器学习模型来将与心律失常发作一致的心脏特征与患者的过去的心律失常发作的心脏特征进行比较，以便将心律失常发作分类为特定类型的心律失常发作。
本公开的技术可以提供对心律失常检测和分类的领域的具体改进。例如，与单独使用特征描绘或机器学习相比，特征描绘和机器学习两者彼此结合使用可以提高患者的心律失常检测的准确性。此外，如本文所述的医疗装置系统可以允许医疗装置系统的可植入医疗装置充当用于检测患者的心律失常的低粒度滤波器，同时将心律失常检测的功率密集且计算上复杂的验证卸载到外部计算装置。因此，如本文所述的这种系统可以在心律失常检测和分类中提供提高的准确性，同时减少植入在患者体内的装置的功率使用并改善电池寿命。这种改善可以类似地通过能够基于心脏电信号检测心律失常的较低功率外部装置来实现，如呈可穿戴贴片、手表、项链或患者穿戴的其它装置的形式的患者监测器。
在一个实例中，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装置接收患者的由医疗装置感测到的心脏电描记图数据；由所述计算装置将使用多个患者的心脏电描记图数据训练的机器学习模型应用于接收到的心脏电描记图数据，以基于所述机器学习模型确定所述患者已发生心律失常发作；由所述计算装置执行对所述接收到的心脏电描记图数据的基于特征的描绘以获得存在于所述心脏电描记图数据中的心脏特征；响应于确定所述患者已发生所述心律失常发作：由所述计算装置生成包括所述患者已发生所述心律失常发作的指示和与所述心律失常发作一致的所述心脏特征中的一个或多个心脏特征的报告；以及由所述计算装置输出并且用于显示包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告。
在另一个实例中，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装置接收患者的由医疗装置感测到的心脏电描记图数据；由所述计算装置获得由所述接收到的心脏电描记图数据的基于特征的描绘确定的所述患者的心律失常的第一分类，其中所述基于特征的描绘鉴定存在于所述心脏电描记图数据中的心脏特征；由所述计算装置将使用多个患者的心脏电描记图数据训练的机器学习模型应用于所述接收到的心脏电描记图数据，以基于所述机器学习模型确定所述患者的心律失常的第二分类；由所述计算装置并且基于所述第一分类和所述第二分类确定所述患者已发生心律失常发作；以及响应于确定所述患者已发生所述心律失常发作：由所述计算装置生成包括所述患者已发生所述心律失常发作的指示和与所述心律失常发作一致的所述心脏特征中的一个或多个心脏特征的报告；以及由所述计算装置输出并且用于显示包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告。
在另一个实例中，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装置接收患者的由医疗装置感测到的心脏电描记图数据；由所述计算装置获得由所述接收到的心脏电描记图数据的基于特征的描绘确定的所述患者的心律失常的第一分类，其中所述基于特征的描绘鉴定存在于所述心脏电描记图数据中的与所述患者的心律失常的所述第一分类一致的第一心脏特征；由所述计算装置确定所述患者先前已发生所述第一分类的一次或多次心律失常发作；响应于确定所述患者先前已发生所述第一分类的所述一次或多次心律失常发作，由所述计算装置将使用多个患者的心脏电描记图数据训练的机器学习模型应用于所述接收到的心脏电描记图数据和存在于所述心脏电描记图数据中的所述第一心脏特征，以基于所述机器学习模型确定所述第一心脏特征与所述患者先前已发生的所述第一分类的所述一次或多次心律失常发作一致的心脏特征相似；响应于确定所述第一心脏特征与所述患者先前已发生的所述第一分类的所述一次或多次心律失常发作一致的所述心脏特征相似，由所述计算装置确定所述患者已发生所述第一分类的心律失常发作；以及响应于确定所述患者已发生所述第一分类的所述心律失常发作：由所述计算装置生成包括所述患者已发生所述第一分类的所述心律失常发作的指示和与所述心律失常发作一致的所述心脏特征中的一个或多个心脏特征的报告；以及由所述计算装置输出并且用于显示包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告。
本发明内容旨在提供对本公开中所描述的主题的概述。本发明内容并不旨在提供对在以下附图和描述中详细描述的设备和方法的排他性或详尽解释。在以下附图和描述中阐述了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预测心律失常的包含无引线可植入医疗装置和外部装置结合患者的医疗装置系统的实例的概念图。
图2是展示了图1的无引线可植入医疗装置的实例的框图。
图3是展示了图1的无引线可植入医疗装置的另一个实例的框图。
图4是展示了根据本公开的一个或多个技术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是展示了从图1的患者获得的示例心电图的图。
图7是展示了根据本公开的技术的示例操作的流程图。
图8是展示了根据本公开的技术的示例操作的流程图。
图9是展示了根据本公开的技术的示例操作的流程图。
图10是展示了根据本公开的技术的示例操作的流程图。
贯穿附图和描述，相同的附图标记指代相同的元件。
具体实施方式
公开了用于组合多个决策机制的技术，如执行对心脏电描记图数据的特征描绘的最先进的信号处理算法和处理患者数据的机器学习模型，如机器学习系统和/或人工智能(AI)算法，以分析单通道和多通道患者数据，从而执行患者的心律失常的检测和分类。这种患者数据可以包含例如心脏电描记图数据或心电图(ECG)数据。
如本文所述，特征描绘是指使用通过信号处理获得的特征以用于检测或分类心律失常发作。通常，特征描绘涉及使用工程规则来鉴定或提取心脏电描记图数据中的特征、测量此类特征的特性以及使用测量值来检测或分类心律失常。例如，特征描绘可以用于鉴定如R波、QRS波群、P波、T波等特征、此类特征的速率、此类特征之间的间期、特征形态、此类特征的宽度或振幅或者在本文中未明确描述的其它或其它类型的心脏特征或此类特征的特性。特征描绘可以包含特征提取、信号滤波、峰值检测、不应分析(refractory analysis)或其它类型的信号处理、特征工程或检测规则开发。特征描绘算法可以针对实时、嵌入式和低功率应用进行优化，如供可植入医疗装置使用。然而，特征描绘算法可能需要专家设计和特征工程以准确地检测患者的心律失常。
与用于心律失常检测和分类的特征描绘技术相反，机器学习技术可以用于心律失常检测和分类。如本文所述，机器学习是指使用在训练数据集上训练的如神经网络或深度学习模型等机器学习模型来从心脏电描记图数据检测心律失常。机器学习技术可以与特征描绘形成对比，因为特征描绘依赖于信号处理，所述机器学习系统可以“学习”指示心律失常发作的心脏电描记图数据中存在的潜在特征，而无需代表系统设计者了解或理解特征与心律失常发作之间的关系。
用于心律失常检测的机器学习和AI方法可以提供用于开发具有不同目标的心律失常检测和分类算法(例如，检测心房颤动(AF)、排除没有表现出心律失常的心脏发作等)的灵活平台，而不需要特征描绘算法所需的专家设计或特征工程。如本文详细描述的，公开了技术、方法、系统和装置，所述技术、方法、系统和装置与特征描绘和机器学习组合以相对于单独使用特征描绘提高准确性和稳健性的方式检测和分类患者的心律失常，同时相对于单独使用机器学习降低可植入装置的功耗。
图1展示了根据本文所述的某些实例的设备和方法的示例医疗装置系统2结合患者4和心脏6的环境。示例技术可以与IMD 10一起使用，所述IMD 10可以是无引线的并且与外部装置12无线通信，如图1所展示。在一些实例中，IMD 10可以耦接到一个或多个引线。在一些实例中，IMD 10可以植入在患者4的胸腔的外部(例如，皮下植入在图1所展示的胸肌位置中)。IMD 10可以定位在靠近和/或刚好低于心脏6水平的胸骨附近。
在一些实例中，IMD 10可以采取两者均可从爱尔兰都柏林的美敦力公司(Medtronic plc,of Dublin,Ireland)获得的Reveal LINQTM可插入心脏监测器(ICM)或霍尔特心脏监测器(Holter Heart Monitor)的形式。外部装置12可以是被配置成在如家庭、诊所或医院等环境中使用的计算装置，并且可以进一步地被配置成通过无线遥测与IMD 10进行通信。例如，外部装置12可以通过网络25耦接到计算系统24。计算系统24可以包含如可从爱尔兰都柏林的美敦力公司获得的
Figure BDA0003338597390000051
等远程患者监测系统。在一些实例中，外部装置12可以包括如编程器、外部监测器等通信装置或如移动电话、“智能”电话、膝上型计算机、平板计算机、个人数字助理(PDA)等移动装置。
在一些实例中，除了或者代替IMD 10，本文所述的示例技术和系统可以与外部医疗装置一起使用。在一些实例中，外部医疗装置是如可从爱尔兰都柏林的美敦力公司获得的SEEQTM移动心脏遥测(MCT)系统等可穿戴电子装置，或者如“智能”手表、“智能”贴片或“智能”眼镜等另一种类型的可穿戴“智能”电子服装。这种外部医疗装置可以定位在患者4外部(例如，定位在患者4的皮肤上)，并且可以执行本文关于IMD 10描述的任何或所有功能。
在一些实例中，如医生、技师、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12交互，以从IMD 10检索生理信息或诊断信息。在一些实例中，如以上所述的患者4或临床医生等用户还可以与外部装置12交互，以对IMD 10进行编程，例如，选择或调整IMD 10的操作参数的值。在一些实例中，外部装置12充当接入点，以促进通过网络25，例如通过计算系统24与IMD 10通信。计算系统24可以包括被配置成允许用户通过网络25与IMD10交互的计算装置。
在一些实例中，计算系统24包含手持式计算装置、计算机工作站、服务器或其它联网计算装置、智能手机、平板电脑或者外部编程器中的至少一个，其包含用于向用户呈现信息和从用户接收输入的用户接口。在一些实例中，计算系统24可以包含实施如神经网络、深度学习系统或其它类型的预测分析系统等机器学习系统150的一个或多个装置。如医生、技师、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IMD 10检索生理信息或诊断信息。用户还可以与计算系统24交互，以对IMD 10进行编程，例如，选择IMD的操作参数的值。计算系统24可以包含处理器，所述处理器被配置成评估EGM和/或从IMD10发射到计算系统24的其它感测到的信号。
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/或入侵防护装置等安全装置、服务器、计算机终端、膝上型计算机、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、网桥、电缆调制解调器、应用加速器或其它网络装置。网络25可以包含由服务提供商管理的一个或多个网络，并且因此可以形成大规模公共网络基础结构，如因特网的一部分。网络25可以向如计算系统24和IMD 10等计算装置提供对因特网的访问，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、IMD 10和/或外部装置12彼此通信，但是出于安全目的，将计算系统24、IMD 10或外部装置12中的一个或多个与网络25外部的装置隔离。在一些实例中，计算系统24、IMD 10与外部装置12之间的通信被加密。
外部装置12和计算系统24可以使用本领域已知的任何技术通过网络25上的无线通信进行通信。在一些实例中，计算系统24是通过位于网络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12通信的远程装置。虽然在图1的实例中，外部装置12和计算系统24通过网络25进行通信，但是在一些实例中，外部装置12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 BDA0003338597390000061
或BLE协议的通信。还设想了其它通信技术。计算系统24还可以使用有线和无线的多种已知通信技术与一个或多个其它外部装置进行通信。
在任何此类实例中，医疗装置系统2的处理电路系统可以向远程计算机(例如，外部装置12)传输包含患者4的心脏电描记图数据的患者数据。在一些实例中，医疗装置系统2的处理电路系统可以传输患者4正在经历心律失常发作的确定，如心动过缓、心动过速、心房颤动、心室颤动或AV阻滞的发作。
外部装置12可以是通过无线遥测与IMD 10通信的计算装置(例如，在家庭、门诊、诊所或医院环境中使用)。外部装置12可以包含或耦接到如可从爱尔兰都柏林的美敦力公司获得的
Figure BDA0003338597390000071
等远程患者监测系统。在一些实例中，外部装置12可以从IMD 10接收数据、警报、患者生理信息或其它信息。
外部装置12可以用于将命令或操作参数编程到IMD 10中以便控制其运行(例如，当被配置为IMD 10的编程器时)。在一些实例中，外部装置12可以用于询问IMD 10以检索数据，包含装置操作数据以及IMD存储器中累积的生理数据。这种询问可以根据时间表自动发生和/或可以响应于远程或本地用户命令而发生。编程器、外部监测器和消费者装置是可以用于询问IMD 10的外部装置12的实例。由IMD 10和外部装置12使用的通信技术的实例包含射频(RF)遥测，所述RF遥测可以是通过蓝牙、WiFi或医疗植入通信服务(MICS)建立的RF链路。在一些实例中，外部装置12可以包含被配置成允许患者4、临床医生或另一个用户与IMD10远程交互的用户接口。在一些此类实例中，外部装置12和/或医疗装置系统2的任何其它装置可以是可穿戴装置(例如，以手表、项链或其它可穿戴物品的形式)。
医疗装置系统2是被配置成执行心律失常检测、验证和报告的医疗装置系统的实例。根据本公开的技术，医疗装置系统2实施机器学习心律失常检测和特征描绘，以检测和分类患者4的心律失常。一个或多个其它植入装置或外部装置的另外的实例可以包含被配置成向心脏6递送CRT的植入的多通道心脏起搏器、ICD、IPG、无引线(例如，心内)起搏器、血管外起搏器和/或ICD或者其它IMD或此类IMD的组合、外部监测器以及如外部起搏或电刺激装置等外部疗法递送装置或药物泵。
医疗装置系统2的装置中的每个装置(例如，IMD 10和外部装置12)的通信电路系统可以使装置能够彼此通信。另外，尽管在本文中将一个或多个传感器(例如，电极)被描述为定位在IMD 10的壳体上，但在其它实例中，此类传感器可以定位在植入患者4体内或外部的另一个装置的壳体上。在此类实例中，其它装置中的一个或多个其它装置可以包含被配置成从相应装置上的电极或其它传感器接收信号的处理电路系统和/或被配置成将信号从电极或其它传感器发射到另一个装置(例如，外部装置12)或服务器的通信电路系统。
根据本公开的技术，医疗装置系统2使用特征描绘和机器学习两者来检测和分类患者4的心律失常。例如，计算系统24接收患者4的由可植入医疗装置10感测到的心脏电描记图数据。计算系统24通过对心脏电描记图数据的基于特征的描绘来获得患者4的心律失常的第一分类。在一些实例中，由IMD 10、外部装置12或计算系统24中的任何一个执行对心脏电描记图数据的基于特征的描绘，以确定患者4的心律失常的第一分类。机器学习系统150将机器学习模型应用于接收到的心脏电描记图数据以获得患者4的心律失常的第二分类。在一个实例中，机器学习模型是深度学习模型。作为一个实例，计算系统24使用第一分类和第二分类来确定患者4是否已发生心律失常发作。作为另一个实例，计算系统24使用从机器学习系统150获得的心律失常的第二分类来验证从基于特征的描绘获得的患者4的心律失常的第一分类。
响应于确定患者4已发生心律失常发作，计算系统24输出指示已发生心律失常发作和与心律失常发作一致的一个或多个心脏特征的报告。计算系统24可以响应于报告接收对由可植入医疗装置10用于感测患者4的心脏电描记图数据的一个或多个参数的一个或多个调整，并且对可植入医疗装置10执行此类调整以供后续感测。
此外，医疗装置系统2可以根据心律失常词典对心律失常进行分类。如下文更详细描述的，计算系统24通过对患者4的心脏电描记图数据的基于特征的描绘来确定患者4已发生心律失常发作。机器学习系统150应用机器学习模型来将与心律失常发作一致的心脏特征与患者4的过去的心律失常发作的心脏特征进行比较，以便将心律失常发作分类为特定类型的心律失常发作。
本公开的技术可以提供对心律失常检测和分类的领域的具体改进。例如，与单独使用特征描绘或机器学习相比，特征描绘和机器学习两者彼此结合使用可以提高患者4的心律失常检测的准确性。此外，如本文所述的医疗装置系统2可以允许可植入医疗装置10充当用于检测患者4的心律失常的低粒度滤波器，同时将心律失常检测的功率密集且计算上复杂的验证卸载到外部装置，如外部装置12或计算系统24。因此，如本文所述的系统2可以在患者4的心律失常的检测和分类中提供提高的准确性，同时减少IMD 10的功率使用并改善电池寿命。
图2是展示了图1的无引线可植入医疗装置的实例的框图。如图2所示，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、切换电路系统60和电极16A、16B(在下文中称为“电极16”)，所述电极中的一个或多个电极可以安置在IMD10的壳体内。在一些实例中，存储器56包含计算机可读指令，所述计算机可读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执行归属于本文的IMD 10和处理电路系统50的各种功能。存储器56可以包含任何易失性、非易失性、磁性、光学或电介质，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介质。
处理电路系统50可以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50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的任何组合等多个组件以及其它离散或集成的逻辑电路系统。本文中归属于处理电路系统50的功能可以体现为软件、固件、硬件或其任何组合。
感测电路系统52和通信电路系统54可以通过如由处理电路系统50控制的切换电路系统60选择性地耦接到电极16A、16B。感测电路系统52可以监测来自电极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的心脏电描记图数据。在一些实例中，处理电路系统50可以执行所感测到的心脏电描记图数据的特征描绘，以检测患者4的心律失常发作。在一些实例中，处理电路系统50通过通信电路系统54向如图1的外部装置12等外部装置传输患者4的心脏电描记图数据。例如，IMD 10向网络25发送数字化心脏电描记图数据，以供图1的机器学习系统150处理。在一些实例中，IMD 10响应于通过特征描绘检测到心律失常发作来传输心脏电描记图数据的一个或多个区段。在另一个实例中，IMD 10响应于来自外部装置12的指令传输心脏电描记图数据的一个或多个区段(例如，当患者4经历心律失常的一个或多个症状并且向外部装置12输入命令时，所述命令指示IMD 10上传心脏电描记图数据以供监测中心或临床医生进行分析)。心脏电描记图数据可以由机器学习系统150进行处理以检测和分类心律失常，如下文详细描述的。
在一些实例中，IMD 10执行对感测到的心脏电描记图数据的特征描绘，如下文更详细描述的。在一些实例中，由IMD 10执行的特征描绘具有降低的复杂性，以便节省IMD 10中的电力。这可以使IMD 10能够执行对心律失常的初始或初步检测。如下文详细描述的，计算系统24可以另外执行对由IMD 10感测到的心脏电描记图数据的特征描绘，以及将机器学习系统150应用于心脏电描记图数据。计算系统24可以拥有比IMD 10更多的计算资源和更少的功率限制，从而允许计算系统24对心脏电描记图数据进行更全面且详细的分析，以便更准确地检测心律失常。通过将计算负担从IMD 10移位到计算系统24，本公开的技术可以用于降低IMD 10的功耗，同时增加心律失常检测的准确性。
在一些实例中，IMD 10包含一个或多个传感器58，如一个或多个加速度计、麦克风和/或压力传感器。感测电路系统52可以监测来自传感器58的信号并且将从传感器58获得的患者数据传输到如图1的外部装置12等外部装置以供分析。在一些实例中，感测电路系统52可以包含用于对从电极16A、16B中的一个或多个电极和/或其它传感器58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可以包含整流器、滤波器和/或放大器、感测放大器、比较器和/或模数转换器。
通信电路系统54可以包含用于与如外部装置12等另一个装置或如压力感测装置等另一个医疗装置或传感器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可以借助于如天线26等内部或外部天线从外部装置12或另一个装置接收下行链路遥测以及向其发送上行链路遥测。在一些实例中，通信电路系统54可以与外部装置12进行通信。另外，处理电路系统50可以通过外部装置(例如，外部装置12)和如由爱尔兰都柏林的美敦力公司开发的美敦力
Figure BDA0003338597390000101
网络等计算机网络与联网计算装置进行通信。
临床医生或其它用户可以使用外部装置12或通过使用被配置成通过通信电路系统54与处理电路系统50进行通信的另一个本地或联网计算装置来从IMD 10检索数据。临床医生还可以使用外部装置12或另一个本地或联网计算装置对IMD 10的参数进行编程。在一些实例中，临床医生可以选择定义IMD 10如何感测患者4的心脏电描记图数据的一个或多个参数。
IMD 10的一个或多个组件可以耦接电源(图2中未描绘)，所述电源可以包含定位在IMD10的壳体内的可再充电或不可再充电电池。可以选择不可再充电电池以持续若干年，而可再充电电池可以例如每天或每周从外部装置进行感应式充电。
根据本公开的技术，处理电路系统50利用感测电路系统52并且通过电极16感测患者4的心脏电描记图数据。在一些实例中，心脏电描记图数据是患者4的ECG。处理电路系统50执行对心脏电描记图数据的特征描绘，以获得存在于心脏电描记图数据中的一个或多个心脏特征。在一些实例中，特征描绘包含心脏电描记图数据的QRS检测、不应处理、噪声处理或描绘中的一个或多个。例如，处理电路系统50从感测电路系统50和/或传感器58接收原始信号，并且从原始信号提取一个或多个心脏特征。在一些实例中，处理电路系统50鉴定一个或多个心脏特征，如患者的平均心率、患者的最小心率、患者的最大心率、患者的心脏的PR间期、患者的心率的可变性、患者的心电图(ECG)的一个或多个特征的一个或多个振幅或患者的ECG的一个或多个特征之间的间期、T波交替、QRS形态量度或在本文中未明确描述的其它类型的心脏特征中的一个或多个。
作为一个实例，处理电路系统50鉴定患者4的心电图的T波的一个或多个特征并且将模型应用于一个或多个经鉴定的特征以检测患者4的心律失常发作。在一些实例中，一个或多个经鉴定的特征是T波的一个或多个振幅。在一些实例中，一个或多个经鉴定的特征是T波的频率。在一些实例中，一个或多个经鉴定的特征至少包含T波的振幅和T波的频率。在一些实例中，处理电路系统50鉴定指示患者4的随后心律失常发作的一个或多个经鉴定的特征中的一个或多个相对变化。在一些实例中，处理电路系统50鉴定指示患者4的心律失常发作的多个经鉴定的特征之间的一个或多个交互。在一些实例中，处理电路系统50分析表示在短期时间段(例如，约30分钟到约60分钟)内进行求平均的一个或多个值的患者数据。例如，患者数据可以包含患者4的心电图的T波的平均频率或平均振幅中的一个或多个，以检测心律失常发作。
处理电路系统50可以进一步应用这种特征描绘，以确定一个或多个心脏特征指示心律失常发作。处理电路系统50进一步应用特征描绘，以将检测到的心律失常发作分类为特定类型的心律失常发作(例如，心动过缓、心动过速、心房颤动、心室颤动或AV阻滞)。处理电路系统50通过通信电路系统54向外部装置12传输心脏电描记图数据中的一个或多个心脏电描记图数据、存在于心脏电描记图数据中的一个或多个心脏特征、检测到的心律失常发作的指示或检测到的心律失常发作的分类的指示。
尽管在本文中在感测患者4的心脏电描记图数据的示例IMD 10的上下文中进行了描述，但是本文公开的用于心律失常检测的技术可以与其它类型的装置一起使用。例如，所述技术可以用耦接到心血管系统外部的电极的心脏外除颤器、被配置成植入心脏内的如可从爱尔兰都柏林的美敦力公司商购获得的MicraTM经导管起搏系统等经导管起搏器、如也可从美敦力公司商购获得的Reveal LINQTM ICM等可插入心脏监测器、神经刺激器、药物递送装置、患者4外部的医疗装置、如可穿戴心脏复律除颤器等可穿戴装置、健身追踪器或其它可穿戴装置、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)等移动装置或者如“智能”眼镜、“智能”贴片或“智能”手表等“智能”服装来实施。
图3是展示了图1的无引线可植入医疗装置的另一个实例的框图。图3的组件可以不一定按比例绘制，而是可以放大以示出细节。具体地，图3是图1的IMD 10的示例配置的顶视图的框图。
图3是展示了可以包含基本上类似于图1的IMD 10的组件的示例IMD 10的概念图。除了图1和2所展示的组件之外，图3所展示的IMD 10的实例还可以包含晶片级绝缘覆盖件74，所述绝缘覆盖件可以帮助使位于壳体14上的电极16A、16B与处理电路系统50之间传递的电信号绝缘。在一些实例中，绝缘覆盖件74可以定位在开放壳体14之上，以形成用于IMD10B的组件的壳体。可以如通过使用倒装芯片技术在绝缘覆盖件74的底侧上形成IMD10B的一个或多个组件(例如，天线26、处理电路系统50、感测电路系统52、通信电路系统54和/或切换电路系统60)。绝缘覆盖件74可以翻转到壳体14上。当翻转并放置到壳体14上时，在绝缘覆盖件74的底侧上形成的IMD 10的组件可以定位在由壳体14限定的间隙78中。壳体14可以由钛或任何其它合适的材料(例如，生物相容性材料)形成，并且厚度可以为约200微米到约500微米。这些材料和尺寸仅是实例，并且其它材料和其它厚度对于本公开的装置也是可能的。
在一些实例中，IMD 10通过感测电路系统50和/或传感器58收集患者4的包含心脏电描记图数据的患者数据。传感器58可以包含一个或多个传感器，如一个或多个加速度计、压力传感器、用于O2饱和度的光学传感器等。在一些实例中，患者数据包含患者的活动水平、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中的一个或多个。IMD 10通过通信电路系统54将患者数据上传到外部装置12，所述外部装置进而可以通过网络25将这些数据上传到计算系统24。在一些实例中，IMD 10每天将患者数据上传到计算系统24。在一些实例中，患者数据包含表示在长期时间段(例如，约24小时到约48小时)内患者4的平均测量值的一个或多个值。在此实例中，IMD10将患者数据上传到计算系统24并且对患者4执行短期监测(如下所述)。然而，在其它实例中，处理患者数据以检测和/或分类患者4的心律失常的医疗装置不同于对患者4执行短期监测的医疗装置。
图4是展示了根据本公开的一个或多个技术操作的示例计算装置400的框图。在一个实例中，计算装置400是图1的计算系统24的示例实施方案。在一个实例中，计算装置400包含用于执行包含机器学习系统450的应用程序424或本文所述的任何其它应用的处理电路系统402。尽管出于实例的目的在图4中示出为独立计算装置400，但是计算装置400可以是包含用于执行软件指令的处理电路系统或其它合适的计算环境的任何组件或系统，并且例如不一定需要包含图4中所示的一个或多个元件(例如，输入装置404、通信电路系统406、用户接口装置410或输出装置412；并且在一些实例中，如存储装置408等组件可能与其它组件不位于同一位置或不位于同一底盘中)。在一些实例中，计算装置400可以是分布在多个装置上的云计算系统。
如图4的实例中所示，计算装置400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、用户接口(UI)装置410和一个或多个输出装置412。在一个实例中，计算装置400进一步包含如机器学习系统450等一个或多个应用程序424以及可由计算装置400执行的操作系统416。组件402、404、406、408、410和412中的每个组件被耦接(物理地、通信地和/或操作性地)进行组件间通信。在一些实例中，通信信道414可以包含系统总线、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可以通过一个或多个通信信道414耦接。
在一个实例中，处理电路系统402被配置成实施功能和/或处理用于在计算装置400内执行的指令。例如，处理电路系统402可以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装置400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是临时存储器，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由在计算装置400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可以被配置成存储相比于易失性存储器更大量的信息。存储装置408可以进一步被配置成长期存储信息。在一些实例中，存储装置408包含非易失性存储元件。这种非易失性存储元件的实例包含磁性硬盘、光盘、软盘、闪存或电可编程存储器(EPROM)或电可擦除且可编程(EEPROM)存储器的形式。
在一些实例中，计算装置400还包含通信电路系统406。在一个实例中，计算装置400利用通信电路系统406与如图1的IMD 10和外部装置12等外部装置进行通信。通信电路系统406可以包含如以太网卡等网络接口卡、光收发器、射频收发器或可以发送和接收信息的任何其它类型的装置。这种网络接口的其它实例可以包含3G和WiFi无线电。
在一个实例中，计算装置400还包含一个或多个用户接口装置410。在一些实例中，用户接口装置410被配置成通过触觉、音频或视频反馈从用户接收输入。用户接口装置410的实例包含存在敏感显示器(presence-sensitive display)、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，存在敏感显示器包含触敏屏。
一个或多个输出装置412也可以包含在计算装置400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包含存在敏感显示器、声卡、视频图形适配器卡或用于将信号转换成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的另外的实例包含扬声器、阴极射线管(CRT)监测器、液晶显示器(LCD)或可以向用户生成可理解的输出的任何其它类型的装置。
计算装置400可以包含操作系统416。在一些实例中，操作系统416控制计算装置400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和长期预测模块450与处理电路系统402、通信电路系统406、存储装置408、输入装置404、用户接口装置410和输出装置412的通信。
应用程序422还可以包含可由计算装置400执行的程序指令和/或数据。可由计算装置400执行的示例应用程序422可以包含机器学习系统450。可以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述的其它功能，并且为了简单起见未进行描绘。
根据本公开的技术，计算装置400将机器学习系统450的机器学习模型应用于由IMD 10感测到的患者数据，以检测和分类发生在患者10中的心律失常发作。在一些实例中，机器学习系统450是图1的机器学习系统150的实例。
在一些实例中，由机器学习系统450实施的机器学习模型用训练数据来训练，所述训练数据包括用描述性元数据标记的多个患者的心脏电描记图数据。例如，在训练阶段期间，机器学习系统450处理多个ECG波形。通常，所述多个ECG波形来自多个不同的患者。每个ECG波形用一种或多种类型的一次或多次心律失常发作来标记。例如，训练ECG波形可以包含多个区段，每个区段用描述符标记，所述描述符指定特定分类(例如，心动过缓、心动过速、心房颤动、心室颤动或AV阻滞)的心律失常的不存在或心律失常的存在。在一些实例中，临床医生用手标记每个ECG波形中的心律失常的存在。在一些实例中，根据特征描绘算法的分类来标记每个ECG波形中的心律失常的存在。机器学习系统450可以操作以将训练数据转换成向量和张量(例如，多维阵列)，机器学习系统450可以在所述向量和张量上应用数学运算，如线性代数、非线性或替代性计算运算。机器学习系统450使用训练数据104来教导机器学习模型，以对在心脏电描记图数据中描绘的不同特征进行权衡。在一些实例中，机器学习系统450使用心脏电描记图数据来教导机器学习模型以应用不同的系数，所述不同的系数将心脏电描记图中的一个或多个特征表示为相对于特定分类的心律失常的发生具有或多或少的重要性。通过处理用心律失常发作标记的许多此类ECG波形，机器学习系统450可以构建和训练机器学习模型，以从如图1的患者4等患者接收机器学习系统450先前尚未分析的心脏电描记图数据，并且处理此心脏电描记图数据，以高准确度检测患者中不同分类的心律失常的存在或不存在。通常，机器学习系统450所训练的心脏电描记图数据的量越大，机器学习模型在新心脏电描记图数据中检测或分类心律失常的准确性就越高。
在机器学习系统450已经训练机器学习模型之后，机器学习系统450可以接收如患者4等特定患者的如心脏电描记图数据等患者数据。机器学习系统450将经训练的机器学习模型应用于患者数据，以检测患者4的心律失常发作的发生。进一步地，机器学习系统450将经训练的机器学习模型应用于患者数据，以将患者的心律失常发作分类为指示特定类型的心律失常。在一些实例中，机器学习系统450可以输出心律失常发作指示特定类型的心律失常的初步确定，以及所述确定中的确定性的估计。响应于确定所述确定中的确定性的估计大于预定阈值(例如，50％、75％、90％、95％、99％)，计算装置400可以将心律失常发作分类为特定类型的心律失常。
在一些实例中，机器学习系统可以处理心脏电描记图数据的一个或多个心脏特征而不是原始心脏电描记图数据本身。所述一个或多个心脏特征可以通过由IMD 10执行的特征描绘获得，如上所述。心脏特征可以包含例如患者的平均心率、患者的最小心率、患者的最大心率、患者心脏的PR间期、患者的心率的可变性、患者的心电图(ECG)的一个或多个特征的一个或多个振幅或患者的ECG的一个或多个特征之间的间期、T波交替、QRS形态量度或在本文中未明确描述的其它类型的心脏特征中的一个或多个。在此类示例实施方案中，机器学习系统可以通过用心律失常发作标记的多个训练心脏特征而不是如上所述的用心律失常发作标记的多个ECG波形来训练机器学习模型。
在一些实例中，机器学习系统450可以将机器学习模型应用于其它类型的数据，以确定患者4已发生心律失常发作。例如，机器学习系统450可以将机器学习模型应用于与患者的心律失常、IMD 10的活动水平、IMD 10的输入阻抗或IMD 10的电池水平相关的心脏电描记图数据的一个或多个特性。
在另外的实例中，处理电路系统402可以从心脏电描记图数据生成心脏电描记图数据的中间表示。例如，处理电路系统402可以将一个或多个信号处理、信号分解、小波分解、滤波或降噪操作应用于心脏电描记图数据，以生成心脏电描记图数据的中间表示。在此实例中，机器学习系统450处理心脏电描记图数据的这种中间表示，以检测和分类患者4的心律失常发作。此外，机器学习系统可以通过用心律失常发作标记的多个训练中间表示而不是如上所述的用心律失常发作标记的多个原始ECG波形来训练机器学习模型。心脏电描记图数据的这种中间表示的使用可以允许机器学习系统450训练和开发重量较轻、计算上不太复杂的机器学习模型。进一步地，与使用原始心脏电描记图数据来训练机器学习模型相反，使用心脏电描记图数据的这种中间表示可能需要更少的迭代和更少的训练数据来构建准确的机器学习模型。
在一些实例中，计算系统24可以使用机器学习系统150来检测除了特征描绘筛选分析中检测到的心律失常之外的其它类型的心律失常。例如，用于执行由如IMD 10等低功率装置实施的特征描绘的心律失常检测算法可能不被设计成检测不太频繁发生的心律失常，如AV阻滞。机器学习系统150可以在可获得这种心律失常的大数据集上训练机器学习模型，由此相对于由例如单独的IMD 10执行的特征描绘提供更精细的颗粒度和更高的准确性。因此，机器学习系统150的使用可以通过允许IMD 10使用特征描绘来实施通用筛选算法，随后使用机器学习系统150来扩展系统2的心律失常诊断能力，所述机器学习系统可以提供更宽范围的心律失常检测的机器学习模型。在检测到未通过特征描绘检测到的心律失常的类型之后，计算系统24仍然可以使用如QRS检测等特征描绘来辅助表征和报告由机器学习系统150的机器学习模型检测到的其它类型的心律失常。
在一些实例中，计算系统24可以针对特定用例定制机器学习系统150。例如，在患者4是TAVR后患者的情况下，机器学习系统150可以实施特定于检测AV阻滞和心动过缓的机器学习模型。作为另一个实例，机器学习系统150可以实施特定于检测PVC的机器学习模型，使得PVC负担可以用于对可能针对ICD指示的患者进行风险分层。
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描述图5。在一些实例中，图5操作是用于检测和分类患者4的心律失常的操作。在图5的操作中，系统2将机器学习系统150的机器学习模型学习特征并且直接从输入执行分类的能力与由特征描绘算法和ECG处理提供的可解读性相结合。在图5的示例操作中，系统2与特征描绘算法并行地实施机器学习系统150的机器学习模型，以执行心律失常检测和表征。
如图5所描绘的，IMD 10感测患者4的心脏电描记图数据(502)。心脏电描记图数据可以是例如患者4的发作性ECG或患者4的全公开ECG。进一步地，患者4的心脏电描记图数据可以来自单通道或多通道系统。为了简单起见，在图5的实例中，患者4的心脏电描记图数据被描述为单通道发作性ECG数据。
计算系统24的机器学习系统150将机器学习模型应用于感测到的心脏电描记图，以检测患者4的心律失常发作(506)。在一些实例中，机器学习模型用临床医生或监测中心针对若干不同类型的心律失常注释的多个ECG发作来训练。在一个实例中，机器学习系统150应用机器学习模型以取得归一化的输入ECG信号的一个或若干个子区段，并且生成心律失常标记和心律失常发生的可能性。在一些实例中，机器学习模型在将输入ECG映射到输出心律失常标记时可能是准确的，但是可能不提供另外的心律失常特性或鉴定用于确定患者4已发生心律失常发作的特定心脏特征，如平均心率、最大心率、P-R间期特性等。此外，可能无法从机器学习模型的输出或中间状态获得医生提供的通知或可报告标准(例如，患者4的4次心跳中的4次表现出小于每分钟30次心跳(BPM)的心率)，使得临床医生将能够利用确定患者4已发生心律失常发作以用于向患者4提供后续疗法。
为了解决这个问题，计算系统24进一步将特征描绘应用于心脏电描记图数据，以检测一个或多个心脏特征(504)。在一些实例中，计算系统24进一步将特征描绘应用于心脏电描记图数据，以检测一次或多次心律失常发作。例如，计算系统24可以将QRS检测描绘和噪声标记(例如，心跳是否有噪声)应用于心脏电描记图数据，以提供检测到的心律失常发作的心律失常特性和/或心脏特征(例如，在心房颤动发作期间的平均心率、暂停的持续时间)。进一步地，计算系统24可以应用特征描绘来指导系统2的通知和报告标准。在图5的实例中，计算系统24执行对心脏电描记图数据的特征描绘。然而，在本公开的技术的其它实例中，如IMD 10、外部装置12或另一个外部医疗装置等其它装置可以执行对心脏电描记图数据的特征描绘。
关于图5的实例，计算系统应用机器学习系统150和特征描绘两者来确定是否在患者4中检测到心律失常发作(508)。如果机器学习系统150或特征描绘均未检测到心律失常发作(例如，508的“否”框)，则计算系统可以将心脏电描记图数据存档以供临床医生随后查看。
如果机器学习系统150或(504)的特征描绘操作中的至少一个检测到心律失常发作(例如，508的“是”框)，则计算系统可以生成心律失常的报告(512)并且将报告输出给临床医生或监测中心(514)。例如，如果机器学习系统150检测到心动过缓发作，并且对心脏电描记图数据执行的特征描绘指示4次非噪声心跳中的4次小于30BPM，则计算系统24生成向医生通知心律失常发作的发生的报告。
在一个实例中，报告包含患者已发生心律失常发作的指示和与心律失常发作一致的心脏特征中的一个或多个心脏特征。在一些实例中，报告进一步包含将心律失常发作分类为特定类型的心律失常。在一些实例中，报告包含从患者4获得的与心律失常发作一致的心脏电描记图数据的子区段。例如，计算系统24可以鉴定患者4的心脏电描记图数据的子区段，其中，所述子区段包括心律失常发作之前的第一时间段(例如，通常在心律失常发作开始之前少于10分钟)、心律失常发作发生期间的第二时间段以及心律失常发作之后的第三时间段(例如，通常在心律失常发作停止之后少于10分钟)的心脏电描记图数据。作为实例，患者4的心脏电描记图数据的子区段的长度可以为约6秒，并且包含心律失常发作之前、期间和之后的代表性区段(如果存在于被分析的心脏电描记图数据或波形中)。在一些实例中，发作持续时间因装置类型而不同，并且可以进一步取决于医疗装置的用例、医疗装置的一个或多个设置或所感测到的心律失常的特定类型。例如，一些类型的心律失常迅速自终止(导致短持续时间发作)，而其它类型的心律失常是持续的并且具有一定长度，使得所记录的发作持续时间可以取决于医疗装置上的指定存储器空间。作为实例，对于心房颤动(AF)，患者4的心脏电描记图数据的子区段可以包含开始时间段期间的心脏电描记图数据、最大AF可能性的区段、最快AF速率的区段和AF偏移。通常，患者的心脏电描记图数据的时间长度大于第一时间段、第二时间段和第三时间段。进一步地，计算系统24鉴定与第一时间段、第二时间段和第三时间段一致的心脏特征中的一个或多个心脏特征。计算系统24在报告中包含心脏电描记图数据的子区段和与第一时间段、第二时间段和第三时间段一致的心脏特征中的一个或多个心脏特征。
在一些实例中，计算系统24从临床医生接收对基于报告的心脏电描记图数据的基于特征的描绘的操作的一个或多个调整。计算装置24随后可以根据一个或多个调整来执行对患者4的心脏电描记图数据的基于特征的描绘。
图6是展示了从图1的患者4获得的示例心电图602的图。心电图602可以例如通过IMD10的感测电路系统52来感测。图1的机器学习系统150可以将机器学习模型应用于心电图602，以确定心电图602包含暂停604。图1的计算系统24或图1的IMD 10(例如，作为最初检测心律失常的IMD 10的一部分)可以对心电图602执行特征描绘以确定暂停604的长度。关于图6的实例，计算系统24或IMD 10通过对心电图602的特征描绘确定暂停604的长度为3.061秒。在一个实例中，IMD 10从装置上标记信道执行QRS检测。QRS标记可以基于常规QRS算法。IMD 10可以使用QRS标记来确定暂停持续时间为3.061秒。
图7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描述图7。图7的操作是用于检测和分类患者4的心律失常的操作。具体地，图7的操作描绘了计算系统24并行地使用机器学习系统150的机器学习心律失常检测和特征描绘来执行心律失常检测、验证和报告的实施方案。
如图7所描绘的，IMD 10感测患者4的心脏电描记图数据(702)。计算系统24将特征描绘应用于心脏电描记图数据，以检测一个或多个心脏特征(704)。在图7的实例中，计算系统24执行对心脏电描记图数据的特征描绘。然而，在本公开的技术的其它实例中，如IMD10、外部装置12或另一个外部医疗装置等其它装置可以执行对心脏电描记图数据的特征描绘。计算系统24的机器学习系统150将机器学习模型应用于感测到的心脏电描记图，以检测患者4的心律失常发作(706)。步骤702、704和706的操作可以分别以与图5的步骤502、504和506基本上类似的方式发生。
计算系统24确定机器学习系统150和(704)的特征描绘操作两者是否均检测到心律失常发作(708)。例如，计算系统24可以确定机器学习系统150对心律失常的确定与704的特征描绘操作对心律失常的确定相匹配的置信水平(708)。例如，如果计算系统24确定机器学习系统150和(704)的特征描绘操作两者均检测到心律失常发作(例如，708的“是”框)，则计算系统24可以生成心律失常的报告(712)并且将报告输出给临床医生或监测中心(714)。例如，计算系统24用检测到的心律失常连同心律失常特性填充报告并且将报告输出给临床医生。步骤712和714的操作可以分别以与图5的步骤512和514基本上类似的方式发生。
作为另一个实例，如果计算系统24确定机器学习系统150和(704)的特征描绘操作关于是否检测到心律失常发作不一致(例如，708的“否”框)，则计算系统24将心脏电描记图数据提交给监测中心以供仲裁(710)。换言之，计算系统24呈现用于人类概览的心脏电描记图数据，其中两种检测方法之间存在差异。这种工作流可以允许仅将人类查看负担减少到计算系统24不能以高置信度评估的那些心律失常。例如，如果通过特征描绘检测到的心律失常与由机器学习模型独立地检测到的心律失常相似，则计算系统24可以确定通过特征描绘检测到的心律失常是独立地验证的，而无需专家的人工查看。因此，本公开的技术可以减少临床医生和/或专家所需的查看量，从而降低患者4的心脏监测的管理开销和成本。
图8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描述图8。图8的操作是用于检测和分类患者4的心律失常的操作。具体地，图8的操作描绘了计算系统24使用机器学习系统150的串联在一起的特征描绘和机器学习心律失常检测来执行心律失常检测、验证和报告的实施方案。
如图8所描绘的，IMD 10感测患者4的心脏电描记图数据(802)。步骤802的操作可以以与图5的步骤502基本上类似的方式发生。计算系统24将特征描绘应用于心脏电描记图数据，以检测一组心律失常和一个或多个心脏特征(804)。在一些实例中，计算系统24应用特征描绘以基于心脏电描记图数据中的速率和可变性特征检测心律失常，如心动过缓、心动过速、暂停或心房颤动。在图8的实例中，计算系统24在对所有心律失常进行描绘之前执行特征描绘作为筛选步骤(例如，计算系统24可以使用特征描绘来仅考虑心率大于或等于120BPM的快速性心律失常、心率小于或等于40BPM的缓慢性心律失常或具有高RR可变性的心律失常)。在其它实例中，可以在如IMD 10等低功率装置或如外部装置12或另一个外部医疗装置等其它类型的装置上实施这种特征描绘。
在通过特征描绘检测到患者4已发生心律失常发作时，计算系统24的机器学习系统150将机器学习模型应用于感测到的心脏电描记图以验证已发生心律失常发作(806)。在一些实例中，机器学习系统150将机器学习模型应用于许多不同类型的患者数据，如患者4的心脏电描记图数据、引起特征描绘以检测心律失常的触发原因、通过特征描绘检测到的一种或多种类型的心律失常或IMD 10的装置特性，如活动水平、输入阻抗、电池水平等。
在图8的实例中，计算系统24确定机器学习系统150是否验证步骤804的特征描绘的心律失常触发(808)。换言之，响应于确定步骤804的特征描绘已检测到患者4的心律失常发作，计算系统24确定机器学习系统150是否同样检测到患者4的心律失常发作。机器学习系统150的使用允许计算系统24验证步骤804的特征描绘的检测原因是否是适当的(例如，特征描绘的心动过缓触发真正地指示患者4的心动过缓发作已发生)。使用机器学习系统150作为验证工具可以辅助计算系统24向医生提供反馈，以便对患者4的如IMD 10等诊断装置进行重新编程。进一步地，使用机器学习系统150作为验证工具可以辅助计算系统24自动报告生理参数(例如，如果所有AF触发的发作均是适当的，则原样报告装置检测到的AF负担，否则，仅考虑适当触发的发作的负担)。
例如，如果计算系统24确定机器学习系统150通过804的特征描绘操作验证了对心律失常发作的检测(例如，808的“是”框)，则计算系统24可以生成心律失常的报告(812)并且将报告输出给临床医生或监测中心(814)。作为另一个实例，如果计算系统24确定机器学习系统150和804的特征描绘操作关于是否检测到心律失常发作不一致(例如，808的“否”框)，则计算系统24将心脏电描记图数据提交给监测中心以供仲裁(810)。步骤810、812和814的操作可以分别以与图5的步骤510、512和514基本上类似的方式发生。
图9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描述图9。图9的操作是用于检测和分类患者4的心律失常的操作。具体地，图9的操作描绘了计算系统24对心脏电描记图数据进行预处理以生成心脏电描记图数据的中间表示，并且将机器学习系统150应用于心脏电描记图数据的中间表示以执行心律失常检测、验证和报告的实施方案。
在图9的实例中，IMD 10感测患者4的心脏电描记图数据(902)。步骤902的操作可以以与图5的步骤502基本上类似的方式发生。计算系统24对感测到的心脏电描记图数据进行预处理，以生成心脏电描记图数据的中间表示(904)。例如，计算系统24执行QRS检测以检测感测到的心脏电描记图数据内的多个QRS窗口。在一个实例中，检测到的QRS周围的窗口包含在检测到的QRS之前160毫秒的数据以及在检测到的QRS之后160毫秒的数据。在另一个实例中，检测到的QRS周围的窗口包含从先前QRS的T偏移到当前QRS的T偏移的数据区段。在一些实例中，计算系统24可以将用于QRS检测、标记和描绘的信号处理方法，如带通滤波或静止小波分解应用于感测到的心脏电描记图数据。例如，计算系统24针对检测到的QRS周围的窗口生成患者4的心脏电描记图的小波分解。
计算系统24将特征描绘应用于心脏电描记图数据的中间表示，以检测一个或多个心脏特征(906)。例如，计算系统24将特征描绘应用于中间表示，以从检测到的QRS周围的窗口检测和描绘患者4的QRS区段(例如，P-R间期)以及噪声标志。在图9的实例中，计算系统24执行对心脏电描记图数据的特征描绘。然而，在本公开的技术的其它实例中，如IMD 10、外部装置12或另一个外部医疗装置等其它装置可以执行对心脏电描记图数据的特征描绘。
计算系统24的机器学习系统150将机器学习模型应用于感测到的心脏电描记图的中间表示，以检测患者4的心律失常发作(908)。例如，机器学习模型可以接收多个心脏电描记图区段作为输入，每个区段包含检测到的QRS周围的窗口、区段的QRS描绘和区段的噪声标志。机器学习系统150将机器学习模型应用于接收到的区段，以检测患者4的心律失常发作。
在一些实例中，机器学习模型被调节成捕获每种心律失常的所关注的区段。例如，机器学习模型可以处理感测到的心脏电描记图，以从包含检测到的QRS周围的窗口的区段捕捉起始、偏移、最高心率和最低心率。在一些实例中，计算系统24使用从如QRS检测等特征描绘导出的特征，如心脏电描记图区段的心率值来通过机器学习模型表征心律失常的检测或使心律失常的检测情境化。
使用信号分解来创建心脏电描记图的中间表示可以允许使用关于所关注的频带的现有知识进行心律失常检测。进一步地，信号分解可以限制机器学习系统150的机器学习模型的计算复杂性，使得机器学习模型可以仅从对应于检测到的QRS的心脏电描记图子区段学习用于分类的特征。因此，这种技术可以降低机器学习模型的复杂性，从而允许减小生成机器学习模型所需的训练集的大小以及提高机器学习模型的准确性。
与图5的操作相反，计算系统24可以使用相同的信号预处理用于心律失常的特征描绘检测和/或步骤906的心脏特征以及心律失常的机器学习模型检测两者。此外，计算系统24可以使用QRS噪声标志和特征描绘作为机器学习系统150的机器学习模型的输入。输入心脏电描记图复合波可以具有相同的持续时间(例如，320毫秒)或不同的持续时间(例如，从先前T偏移到当前T偏移的区段)。
图10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描述图10。图10的操作是用于检测和分类患者4的心律失常的操作。具体地，图10的操作描绘了计算系统24使用机器学习系统150的串联在一起的特征描绘和机器学习心律失常检测来构建心律失常词典以便用于心律失常检测、分类和报告的实施方案。
图10的操作监测患者4的心脏电描记图数据，注释检测到的心律失常并且向监测中心报告这种心律失常。在一些实例中，图10的操作发生在如监测中心等集中位置内。作为另一个实例，图10的操作可以在逐个患者的基础上在诊所进行。如图10所描绘的，IMD 10感测患者4的心脏电描记图数据(1002)。计算系统24进一步将特征描绘应用于心脏电描记图数据，以检测一个或多个心脏特征(1004)。步骤1002和1004的操作可以分别以与图5的步骤502和504基本上类似的方式发生。
计算系统24进一步将特征描绘应用于心脏电描记图数据，以检测一次或多次心律失常发作(1006)。在一些实例中，特征描绘引起心脏电描记图自动触发。在图10的实例中，计算系统24执行特征描绘。然而，在其它实例中，心律失常检测和心脏电描记图发作自动触发可以发生在如IMD 10、外部装置12或另一个外部医疗装置等另一个装置上或通过霍尔特样系统(Holter-like system)中的后处理发生。
如果第一次从特定患者触发了心律失常发作，则计算系统24呈现发作以供心律失常查看，使得发作可以用作患者特定的“发作词典”中的参考发作。例如，响应于检测到心律失常发作，计算系统24确定心律失常发作是否是第一次检测到的发作。如果心律失常发作是第一次检测到的发作(例如，1008的“是”框)，则计算系统24生成心律失常发作的报告并且将报告提交给监测中心或临床医生进行评估(1010)。例如，如果发作是第一AF触发，则呈现所述发作以供监测中心查看。作为另一个实例，如果发作是在夜间发生的第一AF触发，则呈现所述发作以供监测中心查看。在一个实例中，报告包含患者已发生心律失常发作的指示和与心律失常发作一致的心脏特征中的一个或多个心脏特征。计算系统24从监测中心接收验证包含在报告中的心脏特征是否指示心律失常发作的指示。在心脏特征指示心律失常发作的实例中，计算系统24进一步接收由包含在报告中的心脏特征指示的心律失常的类型的分类。计算系统24可以将心律失常的类型的分类的指示连同心脏特征一起存储在数据库中，以便构建心律失常的“词典”。
在一些实例中，计算系统24可以检测具有相似的心律失常内容、注释和/或心脏特征的多个心律失常发作。例如，关于心房颤动(AF)监测，大多数发作触发均具有AF。另一个实例是其中由于患者特定的原因，如信号采集位置和朝向(例如，具有低振幅P波的PAC)，特征描绘可能生成心律失常的若干错误触发。例如，计算系统24可以将任何随后检测到的发作输入到机器学习模型(具有其它发作特性，如触发原因、活动水平和一天中的时间)。机器学习系统150的机器学习模型将发作的特征与患者4的“发作词典”中的发作的特征进行比较。如果机器学习模型确定相似的发作以高置信度存在于词典中，则原始监测中心注释原样用于报告所述发作。如果没有鉴定出相似的发作，则计算系统24可以确定发作特性是不同的，并且因此呈现所述发作以供监测中心查看和报告。因此，图10的操作可以通过使具有相似特性的心律失常发作中的冗余注释最小化来增加心律失常注释的效率，以减少需要监测中心查看的心律失常发作的量。
本公开的技术可以提供另外的优点：不需要调节机器学习系统150的机器学习模型来检测多种心律失常。相反，机器学习模型可以仅被调节成准确地将新的发作鉴定为与先前的发作相似或不相似。例如，如果两次心律失常发作之间存在相似性，则计算系统24也可以将先前的患者特定的发现应用于新的发作。如果存在不相似性，则计算系统24可以请求人类专家确定发作是否是心律失常发作，和/或所述发作呈现的心律失常的类型。因此，不需要机器学习模型以高置信水平鉴定特定的心律失常。机器学习模型仅需要在鉴定两次心律失常发作之间的差异方面是准确的，以便准确地呈现具有不同心脏特征(例如，新颖的或未分类的节律内容)的发作以供人类查看。因此，本公开的技术可以允许计算系统24检测机器学习模型150尚未被专门训练来检测的心律失常发作。此外，本公开的技术可以降低机器学习模型的复杂性，同时保持心律失常检测和分类的高准确性。
例如，关于图10的操作，如果心律失常发作不是第一次检测到的发作(例如，1008的“否”框)，则机器学习系统150将机器学习模型应用于检测到的心脏特征，以将心脏特征与先前的心律失常发作的其它心脏特征进行比较(1012)。例如，机器学习系统150可以将机器学习模型应用于检测到的心脏特征，以确定心脏特征是否与先前的心律失常发作的其它心脏特征相匹配以及比较中的置信水平或确定性的估计。在一些实例中，计算系统24在某一持续时间(例如，每天)之后或在需要时(例如，当患者药物改变发生时)重置相似性比较。这可以确保监测中心或临床医生间歇地查看一些心律失常发作，以确保未错过新的或改变的心律失常。
响应于确定机器学习模型在比较中不具有高置信水平或确定性(例如，1014的“否”框)，计算系统24生成心律失常发作的报告并且将报告提交给监测中心或临床医生进行评估(1010)。计算系统24接收验证包含在报告中的心脏特征指示心律失常发作和心律失常的类型的分类的指示，并且将心律失常的类型的分类的指示与心脏特征一起存储在数据库中，以便用检测到的心脏特征和由检测到的心脏特征指示的心律失常的分类来更新心律失常词典。
响应于确定机器学习模型确实在比较中具有高置信水平或确定性(例如，1014的“是”框)，计算系统24可以确定心脏特征指示先前的心律失常发作的类型。计算系统24生成心律失常的报告(1016)，并且将报告输出给监测中心(1018)。步骤1016和1018的操作可以分别以与图5的步骤512和514基本上类似的方式发生。
以下实例可以说明本公开的一个或多个方面。
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装置接收患者的由医疗装置感测到的心脏电描记图数据；由所述计算装置将使用多个患者的心脏电描记图数据训练的机器学习模型应用于接收到的心脏电描记图数据，以基于所述机器学习模型确定所述患者已发生心律失常发作；由所述计算装置执行对所述接收到的心脏电描记图数据的基于特征的描绘以获得存在于所述心脏电描记图数据中的心脏特征；响应于确定所述患者已发生所述心律失常发作：由所述计算装置生成包括所述患者已发生所述心律失常发作的指示和与所述心律失常发作一致的所述心脏特征中的一个或多个心脏特征的报告；以及由所述计算装置输出并且用于显示包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告。
实例2.根据实例1所述的方法，其中执行对所述心脏电描记图数据的基于特征的描绘以获得存在于所述心脏电描记图数据中的所述心脏特征包括执行所述心脏电描记图数据的QRS检测、不应处理、噪声处理或描绘中的至少一个以获得存在于所述心脏电描记图数据中的心脏特征。
实例3.根据实例1或2中任一项所述的方法，其中应用所述机器学习模型以确定所述患者已发生所述心律失常发作包括应用所述机器学习模型以确定所述患者已发生心动过缓、心动过速、心房颤动、心室颤动或AV阻滞中的至少一个的发作。
实例4.根据实例1到3中任一项所述的方法，其中存在于所述心脏电描记图数据中的所述心脏特征是所述患者的平均心率、所述患者的最小心率、所述患者的最大心率、所述患者的心脏的PR间期、所述患者的心率的可变性、所述患者的心电图(ECG)的一个或多个特征的一个或多个振幅或所述患者的所述ECG的所述一个或多个特征之间的间期中的一个或多个。
实例5.根据实例1到4中任一项所述的方法，其中使用所述多个患者的心脏电描记图数据训练的所述机器学习模型包括使用多个心电图(ECG)波形训练的机器学习模型，每个ECG波形用所述多个患者中的一个患者的一种或多种类型的一次或多次心律失常发作来标记。
实例6.根据实例1到5中任一项所述的方法，其中将所述机器学习模型应用于所述接收到的心脏电描记图数据进一步包括将所述机器学习模型应用于以下中的至少一个：与所述患者的心律失常相关的所述接收到的心脏电描记图数据的一个或多个特性；所述医疗装置的活动水平；所述医疗装置的输入阻抗；或所述医疗装置的电池水平。
实例7.根据实例1到6中任一项所述的方法，其中所述方法进一步包括响应于输出包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告：由所述计算装置从用户接收对所述心脏电描记图数据的所述基于特征的描绘的调整；以及根据所述调整执行对所述心脏电描记图数据的基于特征的描绘，以获得存在于所述心脏电描记图数据中的第二心脏特征。
实例8.根据实例1到7中任一项所述的方法，其中所述患者的所述心脏电描记图数据包括所述患者的心电图(ECG)，并且其中生成包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告包括：鉴定所述患者的所述ECG的子区段，其中所述子区段包括在所述心律失常发作之前的第一时间段、在所述心律失常发作期间的第二时间段和在所述心律失常发作之后的第三时间段的ECG数据，并且其中所述患者的所述ECG的时间长度大于所述第一时间段、所述第二时间段和所述第三时间段；鉴定与所述第一时间段、所述第二时间段和所述第三时间段一致的所述心脏特征中的一个或多个心脏特征；以及在所述报告中包含所述ECG的所述子区段和与所述第一时间段、所述第二时间段和所述第三时间段一致的所述心脏特征中的所述一个或多个心脏特征。
实例9.根据实例1到8中任一项所述的方法，其中所述方法进一步包括由所述计算装置处理所述接收到的心脏电描记图数据以生成所述接收到的心脏电描记图数据的中间表示，其中将使用所述多个患者的心脏电描记图数据训练的所述机器学习模型应用于所述接收到的心脏电描记图数据以确定所述患者已发生所述心律失常发作包括将使用多个患者的心脏电描记图数据的中间表示训练的机器学习模型应用于所述接收到的心脏电描记图数据的所述中间表示和存在于所述心脏电描记图数据中的所述心脏特征，以基于所述机器学习模型确定所述患者已发生所述心律失常发作。
实例10.根据实例9所述的方法，其中处理所述接收到的心脏电描记图数据以生成所述接收到的心脏电描记图数据的所述中间表示包括以下中的至少一项：将滤波器应用于所述接收到的心脏电描记图数据；对所述接收到的心脏电描记图数据执行信号分解。
实例11.根据实例10所述的方法，其中对所述接收到的心脏电描记图数据执行信号分解包括对所述接收到的心脏电描记图数据执行小波分解。
实例12.一种方法，其包括：由包括处理电路系统和存储介质的计算装置接收患者的由医疗装置感测到的心脏电描记图数据；由所述计算装置获得由所述接收到的心脏电描记图数据的基于特征的描绘确定的所述患者的心律失常的第一分类，其中所述基于特征的描绘鉴定存在于所述心脏电描记图数据中的心脏特征；由所述计算装置将使用多个患者的心脏电描记图数据训练的机器学习模型应用于所述接收到的心脏电描记图数据，以基于所述机器学习模型确定所述患者的心律失常的第二分类；由所述计算装置并且基于所述第一分类和所述第二分类确定所述患者已发生心律失常发作；以及响应于确定所述患者已发生所述心律失常发作：由所述计算装置生成包括所述患者已发生所述心律失常发作的指示和与所述心律失常发作一致的所述心脏特征中的一个或多个心脏特征的报告；以及由所述计算装置输出并且用于显示包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告。
实例13.根据实例12所述的方法，其中基于所述第一分类和所述第二分类确定所述患者已发生所述心律失常发作包括：由所述计算装置确定所述第一分类与所述第二分类的相似性程度；以及基于所述第一分类和所述第二分类的所述相似性程度，由所述计算装置确定所述患者已发生所述心律失常发作。
实例14.根据实例12所述的方法，其中将所述机器学习模型应用于所述接收到的心脏电描记图数据以确定所述患者的心律失常的所述第二分类包括将所述机器学习模型应用于所述接收到的心脏电描记图数据和由所述接收到的心脏电描记图数据的所述基于特征的描绘鉴定的所述心脏特征以确定所述患者的心律失常的所述第二分类；并且其中基于所述第一分类和所述第二分类确定所述患者已发生所述心律失常发作包括：确定所述第一分类指示所述患者已发生所述心律失常发作；以及响应于确定所述第一分类指示所述患者已发生所述心律失常发作，确定所述第二分类验证所述患者已发生所述心律失常发作；以及响应于确定所述第二分类验证所述患者已发生所述心律失常发作，确定所述患者已发生所述心律失常发作。
实例15.根据实例12到14中任一项所述的方法，其中由所述计算装置获得由所述接收到的心脏电描记图数据的基于特征的描绘确定的所述患者的心律失常的所述第一分类包括由所述计算装置执行对所述接收到的心脏电描记图数据的基于特征的描绘以确定所述患者的心律失常的所述第一分类。
实例16.根据实例12到15中任一项所述的方法，其中由所述计算装置获得由所述接收到的心脏电描记图数据的基于特征的描绘确定的所述患者的心律失常的所述第一分类包括由所述计算装置从所述医疗装置接收由所述医疗装置对所述接收到的心脏电描记图数据的基于特征的描绘确定的所述患者的心律失常的所述第一分类。
实例17.根据实例12到16中任一项所述的方法，其中获得由所述接收到的心脏电描记图数据的基于特征的描绘确定的所述患者的心律失常的所述第一分类包括获得由所述心脏电描记图数据的QRS检测、不应处理、噪声处理或描绘中的至少一个确定的所述患者的心律失常的所述第一分类以获得存在于所述心脏电描记图数据中的心脏特征。
实例18.根据实例12到17中任一项所述的方法，其中应用所述机器学习模型来确定所述患者的心律失常的所述第二分类包括应用所述机器学习模型来确定所述患者已经发生心动过缓、心动过速、心房颤动、心室颤动或AV阻滞中的至少一个的发作。
实例19.根据实例12到18中任一项所述的方法，其中存在于所述心脏电描记图数据中的所述心脏特征是所述患者的平均心率、所述患者的最小心率、所述患者的最大心率、所述患者的心脏的PR间期、所述患者的心率的可变性、所述患者的心电图(ECG)的一个或多个特征的一个或多个振幅或所述患者的所述ECG的所述一个或多个特征之间的间期中的一个或多个。
实例20.根据实例12到19中任一项所述的方法，其中使用所述多个患者的心脏电描记图数据训练的所述机器学习模型包括使用多个心电图(ECG)波形训练的机器学习模型，每个ECG波形用所述多个患者中的一个患者的一种或多种类型的一次或多次心律失常发作来标记。
实例21.根据实例12到20中任一项所述的方法，其中将所述机器学习模型应用于所述接收到的心脏电描记图数据进一步包括将所述机器学习模型应用于以下中的至少一个：与所述患者的心律失常相关的所述接收到的心脏电描记图数据的一个或多个特性；所述医疗装置的活动水平；所述医疗装置的输入阻抗；或所述医疗装置的电池水平。
实例22.根据实例12到21中任一项所述的方法，其中所述患者的所述心脏电描记图数据包括所述患者的心电图(ECG)，并且其中生成包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告包括：鉴定所述患者的所述ECG的子区段，其中所述子区段包括在所述心律失常发作之前的第一时间段、在所述心律失常发作期间的第二时间段和在所述心律失常发作之后的第三时间段的ECG数据，并且其中所述患者的所述ECG的时间长度大于所述第一时间段、所述第二时间段和所述第三时间段；鉴定与所述第一时间段、所述第二时间段和所述第三时间段一致的所述心脏特征中的一个或多个心脏特征；以及在所述报告中包含所述ECG的所述子区段和与所述第一时间段、所述第二时间段和所述第三时间段一致的所述心脏特征中的所述一个或多个心脏特征。
实例23.一种方法，其包括：由包括处理电路系统和存储介质的计算装置接收患者的由医疗装置感测到的心脏电描记图数据；由所述计算装置获得由所述接收到的心脏电描记图数据的基于特征的描绘确定的所述患者的心律失常的第一分类，其中所述基于特征的描绘鉴定存在于所述心脏电描记图数据中的与所述患者的心律失常的所述第一分类一致的第一心脏特征；由所述计算装置确定所述患者先前已发生所述第一分类的一次或多次心律失常发作；响应于确定所述患者先前已发生所述第一分类的所述一次或多次心律失常发作，由所述计算装置将使用多个患者的心脏电描记图数据训练的机器学习模型应用于所述接收到的心脏电描记图数据和存在于所述心脏电描记图数据中的所述第一心脏特征，以基于所述机器学习模型确定所述第一心脏特征与所述患者先前已发生的所述第一分类的所述一次或多次心律失常发作一致的心脏特征相似；响应于确定所述第一心脏特征与所述患者先前已发生的所述第一分类的所述一次或多次心律失常发作一致的所述心脏特征相似，由所述计算装置确定所述患者已发生所述第一分类的心律失常发作；以及响应于确定所述患者已发生所述第一分类的所述心律失常发作：由所述计算装置生成包括所述患者已发生所述第一分类的所述心律失常发作的指示和与所述心律失常发作一致的所述心脏特征中的一个或多个心脏特征的报告；以及由所述计算装置输出并且用于显示包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告。
实例24.根据实例23所述的方法，其进一步包括：由所述计算装置获得由所述接收到的心脏电描记图数据的基于特征的描绘确定的所述患者的心律失常的第二分类，其中所述基于特征的描绘鉴定存在于所述心脏电描记图数据中的与所述患者的心律失常的所述第二分类一致的第二心脏特征；由所述计算装置确定所述患者先前尚未发生所述第二分类的一次或多次心律失常发作；响应于确定所述患者先前尚未发生所述第二分类的所述一次或多次心律失常发作：由所述计算装置输出并且用于显示所述第二心脏特征和所述接收到的心脏电描记图数据的至少一部分；由所述计算装置从用户接收所述第二心脏特征表明所述患者的所述第二分类的心律失常发作的指示；以及由所述计算装置存储所述第二心脏特征表明所述患者的所述第二分类的所述心律失常发作的指示和所述第二心脏特征。
实例25.根据实例24所述的方法，其进一步包括：由所述计算装置获得由所述接收到的心脏电描记图数据的基于特征的描绘确定的所述患者的心律失常的第二分类，其中所述基于特征的描绘鉴定存在于所述心脏电描记图数据中的与所述患者的心律失常的所述第二分类一致的第三心脏特征；由所述计算装置确定所述患者先前已发生所述第二分类的一次或多次心律失常发作；响应于确定所述患者先前已发生所述第二分类的所述一次或多次心律失常发作，由所述计算装置将所述机器学习模型应用于所述接收到的心脏电描记图数据和存在于所述心脏电描记图数据中的所述第三心脏特征，以基于所述机器学习模型确定所述第三心脏特征与所述患者先前已发生的所述第二分类的所述一次或多次心律失常发作一致的所述第二心脏特征相似；响应于确定所述第三心脏特征与所述患者先前已发生的所述第二分类的所述一次或多次心律失常发作一致的所述第二心脏特征相似，由所述计算装置确定所述患者已发生所述第二分类的心律失常发作；以及响应于确定所述患者已发生第三心律失常发作：由所述计算装置生成包括所述患者已发生所述第三分类的所述心律失常发作的指示和与所述第三分类的所述心律失常发作一致的所述第三心脏特征中的一个或多个第三心脏特征的第二报告；以及由所述计算装置输出并且用于显示包括所述患者已发生所述第三分类的所述心律失常发作的所述指示和与所述第三分类的所述心律失常发作一致的所述第三心脏特征中的所述一个或多个第三心脏特征的所述报告。
实例26.根据实例23到25中任一项所述的方法，其中将所述机器学习模型应用于所述接收到的心脏电描记图数据和存在于所述心脏电描记图数据中的所述第一心脏特征，以基于所述机器学习模型确定所述第一心脏特征与所述患者先前已发生的所述第一分类的所述一次或多次心律失常发作一致的所述心脏特征相似包括：将所述机器学习模型应用于所述第一心脏特征，以输出：所述第一心脏特征与所述患者先前已发生的所述第一分类的所述一次或多次心律失常发作一致的所述心脏特征相似的初步确定；以及所述初步确定中的确定性的估计；以及响应于确定所述初步确定中的确定性的估计大于预定阈值，确定所述第一心脏特征与所述患者先前已发生的所述第一分类的所述一次或多次心律失常发作一致的所述心脏特征相似。
实例27.根据实例23到26中任一项所述的方法，其中执行对所述心脏电描记图数据的基于特征的描绘以获得存在于所述心脏电描记图数据中的所述心脏特征包括执行所述心脏电描记图数据的QRS检测、不应处理、噪声处理或描绘中的至少一个以获得存在于所述心脏电描记图数据中的心脏特征。
实例28.根据实例23到27中任一项所述的方法，其中应用所述机器学习模型来确定所述第一心脏特征与所述患者先前已发生的所述第一分类的所述一次或多次心律失常发作一致的心脏特征相似包括应用所述机器学习模型来确定所述第一心脏特征指示所述患者先前已发生的心动过缓、心动过速、心房颤动、心室颤动或AV阻滞中的至少一个的发作。
实例29.根据实例23到28中任一项所述的方法，其中存在于所述心脏电描记图数据中的所述第一心脏特征是所述患者的平均心率、所述患者的最小心率、所述患者的最大心率、所述患者的心脏的PR间期、所述患者的心率的可变性、所述患者的心电图(ECG)的一个或多个特征的一个或多个振幅或所述患者的所述ECG的所述一个或多个特征之间的间期中的一个或多个。
实例30.根据实例23到29中任一项所述的方法，其中使用所述多个患者的心脏电描记图数据训练的所述机器学习模型包括使用多个心电图(ECG)波形训练的机器学习模型，每个ECG波形用所述多个患者中的一个患者的一种或多种类型的一次或多次心律失常发作来标记。
实例31.根据实例23到30中任一项所述的方法，其中将所述机器学习模型应用于所述接收到的心脏电描记图数据进一步包括将所述机器学习模型应用于以下中的至少一个：与所述患者的心律失常相关的所述接收到的心脏电描记图数据的一个或多个特性；所述医疗装置的活动水平；所述医疗装置的输入阻抗；或所述医疗装置的电池水平。
实例32.根据实例23到31中任一项所述的方法，其中所述方法进一步包括响应于输出包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告：由所述计算装置从用户接收对所述心脏电描记图数据的所述基于特征的描绘的调整；以及根据所述调整执行对所述心脏电描记图数据的基于特征的描绘，以获得存在于所述心脏电描记图数据中的第二心脏特征。
实例33.根据实例23到32中任一项所述的方法，其中所述患者的所述心脏电描记图数据包括所述患者的心电图(ECG)，并且其中生成包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告包括：鉴定所述患者的所述ECG的子区段，其中所述子区段包括在所述心律失常发作之前的第一时间段、在所述心律失常发作期间的第二时间段和在所述心律失常发作之后的第三时间段的ECG数据，并且其中所述患者的所述ECG的时间长度大于所述第一时间段、所述第二时间段和所述第三时间段；鉴定与所述第一时间段、所述第二时间段和所述第三时间段一致的所述第一心脏特征中的一个或多个第一心脏特征；以及在所述报告中包含所述ECG的所述子区段和与所述第一时间段、所述第二时间段和所述第三时间段一致的所述第一心脏特征中的所述一个或多个第一心脏特征。
实例34.根据实例23到33中任一项所述的方法，其中所述方法进一步包括由所述计算装置处理所述接收到的心脏电描记图数据以生成所述接收到的心脏电描记图数据的中间表示，其中将使用所述多个患者的心脏电描记图数据训练的所述机器学习模型应用于所述接收到的心脏电描记图数据以确定所述患者已发生所述心律失常发作包括将使用多个患者的心脏电描记图数据的中间表示训练的机器学习模型应用于所述接收到的心脏电描记图数据的所述中间表示和存在于所述心脏电描记图数据中的所述心脏特征，以基于所述机器学习模型确定所述患者已发生相似的心律失常发作。
实例35.根据实例34所述的方法，其中处理所述接收到的心脏电描记图数据以生成所述接收到的心脏电描记图数据的中间表示包括以下中的至少一项：将滤波器应用于所述接收到的心脏电描记图数据；对所述接收到的心脏电描记图数据执行信号分解。
实例36.根据实例35所述的方法，其中对所述接收到的心脏电描记图数据执行信号分解包括对所述接收到的心脏电描记图数据执行小波分解。
在一些实例中，本公开的技术包含系统，其包括用于执行本文所述的任何方法的构件。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所述的任何方法的指令。
应当理解，本文公开的各个方面可以与说明书和附图中具体呈现的组合不同的组合进行组合。还应理解，根据实例，本文所述的过程或方法中的任一个的某些动作或事件可以以不同顺序执行，可以被添加、合并或完全省略(例如，所有描述的动作或事件对于执行技术可能不是必需的)。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，但是应当理解，本公开的技术可以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，所描述的技术可以在硬件、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)。
指令可以由一个或多个处理器执行，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”可以是指前述结构中的任何结构或适于实施所描述的技术的任何其它物理结构。而且，所述技术可完全实施于一个或多个电路或逻辑元件中。

Claims (13)

1.一种计算装置，其包括：
存储介质；以及
处理电路系统，所述处理电路系统可操作地耦接到所述存储介质并且被配置成：
接收患者的由医疗装置感测到的心脏电描记图数据；
将使用多个患者的心脏电描记图数据训练的机器学习模型应用于接收到的心脏电描记图数据，以基于所述机器学习模型确定所述患者已发生心律失常发作；
执行对所述接收到的心脏电描记图数据的基于特征的描绘以获得存在于所述心脏电描记图数据中的心脏特征；
响应于确定所述患者已发生所述心律失常发作：
生成包括所述患者已发生所述心律失常发作的指示和与所述心律失常发作一致的所述心脏特征中的一个或多个心脏特征的报告；并且
输出包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告以供显示。
2.根据权利要求1所述的计算装置，其中为了执行对所述心脏电描记图数据的基于特征的描绘以获得存在于所述心脏电描记图数据中的所述心脏特征，所述处理电路系统被配置成执行所述心脏电描记图数据的QRS检测、不应处理、噪声处理或描绘中的至少一个以获得存在于所述心脏电描记图数据中的心脏特征。
3.根据权利要求1到2中任一项所述的计算装置，其中为了应用所述机器学习模型以确定所述患者已发生所述心律失常发作，所述处理电路系统被配置成应用所述机器学习模型以确定所述患者已发生心动过缓、心动过速、心房颤动、心室颤动或AV阻滞中的至少一个的发作。
4.根据权利要求1到3中任一项所述的计算装置，其中存在于所述心脏电描记图数据中的所述心脏特征是所述患者的平均心率、所述患者的最小心率、所述患者的最大心率、所述患者的心脏的PR间期、所述患者的心率的可变性、所述患者的心电图(ECG)的一个或多个特征的一个或多个振幅或所述患者的所述ECG的所述一个或多个特征之间的间期中的一个或多个。
5.根据权利要求1到4中任一项所述的计算装置，其中使用所述多个患者的心脏电描记图数据训练的所述机器学习模型包括使用多个心电图(ECG)波形训练的机器学习模型，每个ECG波形用所述多个患者中的一个患者的一种或多种类型的一次或多次心律失常发作来标记。
6.根据权利要求1到5中任一项所述的计算装置，其中为了将所述机器学习模型应用于所述接收到的心脏电描记图数据，所述处理电路系统被配置成将所述机器学习模型应用于以下中的至少一个：
与所述患者的心律失常相关的所述接收到的心脏电描记图数据的一个或多个特性；
所述医疗装置的活动水平；
所述医疗装置的输入阻抗；或
所述医疗装置的电池水平。
7.根据权利要求1到6中任一项所述的计算装置，其中响应于输出包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告，所述处理电路系统被配置成：
从用户接收对所述心脏电描记图数据的所述基于特征的描绘的调整；并且
根据所述调整执行对所述心脏电描记图数据的基于特征的描绘，以获得存在于所述心脏电描记图数据中的第二心脏特征。
8.根据权利要求1到7中任一项所述的计算装置，
其中所述患者的所述心脏电描记图数据包括所述患者的心电图(ECG)，并且
其中为了生成包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告，所述处理电路系统被配置成：
鉴定所述患者的所述ECG的子区段，其中所述子区段包括在所述心律失常发作之前的第一时间段、在所述心律失常发作期间的第二时间段和在所述心律失常发作之后的第三时间段的ECG数据，并且其中所述患者的所述ECG的时间长度大于所述第一时间段、所述第二时间段和所述第三时间段；
鉴定与所述第一时间段、所述第二时间段和所述第三时间段一致的所述心脏特征中的一个或多个心脏特征；并且
在所述报告中包含所述ECG的所述子区段和与所述第一时间段、所述第二时间段和所述第三时间段一致的所述心脏特征中的所述一个或多个心脏特征。
9.根据权利要求1到8中任一项所述的计算装置，
其中所述处理电路系统被进一步配置成处理所述接收到的心脏电描记图数据，以生成所述接收到的心脏电描记图数据的中间表示，并且
其中为了将使用所述多个患者的心脏电描记图数据训练的所述机器学习模型应用于所述接收到的心脏电描记图数据以确定所述患者已发生所述心律失常发作，所述处理电路系统被配置成将使用多个患者的心脏电描记图数据的中间表示训练的机器学习模型应用于所述接收到的心脏电描记图数据的所述中间表示和存在于所述心脏电描记图数据中的所述心脏特征以基于所述机器学习模型确定所述患者已发生所述心律失常发作。
10.根据权利要求9所述的计算装置，其中为了处理所述接收到的心脏电描记图数据以生成所述接收到的心脏电描记图数据的所述中间表示，所述处理电路系统被配置成执行以下中的至少一项：
将滤波器应用于所述接收到的心脏电描记图数据；或
对所述接收到的心脏电描记图数据执行信号分解。
11.根据权利要求10所述的计算装置，其中为了对所述接收到的心脏电描记图数据执行信号分解，所述处理电路系统被配置成对所述接收到的心脏电描记图数据执行小波分解。
12.一种计算装置，其包括：
用于接收患者的由医疗装置感测到的心脏电描记图数据的构件；
用于将使用多个患者的心脏电描记图数据训练的机器学习模型应用于接收到的心脏电描记图数据，以基于所述机器学习模型确定所述患者已发生心律失常发作的构件；
用于执行对所述接收到的心脏电描记图数据的基于特征的描绘以获得存在于所述心脏电描记图数据中的心脏特征的构件；
用于响应于确定所述患者已发生所述心律失常发作而执行以下操作的构件：
生成包括所述患者已发生所述心律失常发作的指示和与所述心律失常发作一致的所述心脏特征中的一个或多个心脏特征的报告；以及
输出包括所述患者已发生所述心律失常发作的所述指示和与所述心律失常发作一致的所述心脏特征中的所述一个或多个心脏特征的所述报告以供显示。
13.一种系统，其包括根据权利要求1到12中任一项所述的计算装置。
CN202080033740.9A 2019-05-06 2020-04-17 利用特征描绘和机器学习进行心律失常检测 Pending CN113811352A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962843738P 2019-05-06 2019-05-06
US62/843,738 2019-05-06
US16/850,699 US20200352466A1 (en) 2019-05-06 2020-04-16 Arrythmia detection with feature delineation and machine learning
US16/850,699 2020-04-16
PCT/US2020/028707 WO2020226879A1 (en) 2019-05-06 2020-04-17 Arrhythmia detection with feature delineation and machine learning

Publications (1)

Publication Number Publication Date
CN113811352A true CN113811352A (zh) 2021-12-17

Family

ID=73045958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080033740.9A Pending CN113811352A (zh) 2019-05-06 2020-04-17 利用特征描绘和机器学习进行心律失常检测

Country Status (8)

Country Link
US (3) US20200352466A1 (zh)
EP (1) EP3965878A1 (zh)
JP (1) JP2022531297A (zh)
KR (1) KR20220006080A (zh)
CN (1) CN113811352A (zh)
AU (1) AU2020269176A1 (zh)
DE (1) DE202020005640U1 (zh)
WO (1) WO2020226879A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116509360A (zh) * 2023-06-25 2023-08-01 苏州维伟思医疗科技有限公司 心律监控系统、方法及医疗设备

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112789083A (zh) 2018-10-05 2021-05-11 美敦力公司 心脏快速性心律失常的多层预测
US11071500B2 (en) 2019-05-02 2021-07-27 Medtronic, Inc. Identification of false asystole detection
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
US20200352466A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Arrythmia detection with feature delineation and machine learning
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
US11583687B2 (en) 2019-05-06 2023-02-21 Medtronic, Inc. Selection of probability thresholds for generating cardiac arrhythmia notifications
US20200352521A1 (en) * 2019-05-06 2020-11-12 Medtronic, Inc. Category-based review and reporting of episode data
JP6865329B1 (ja) * 2019-07-29 2021-04-28 株式会社カルディオインテリジェンス 表示装置、表示方法及びプログラム
US12048516B2 (en) 2019-11-04 2024-07-30 Medtronic, Inc. Body stability measurement using pulse transit time
WO2022020612A1 (en) 2020-07-22 2022-01-27 Medtronic, Inc. Detection of treatable events
WO2022173674A1 (en) * 2021-02-09 2022-08-18 Medtronic, Inc. Health event prediction
EP4296347A4 (en) * 2021-02-17 2024-07-10 Fujifilm Corp INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD, PROGRAM AND DRUG EVALUATION METHOD
US11633112B2 (en) 2021-03-08 2023-04-25 Medtronic, Inc. Automatic alert control for acute health event
WO2022238200A1 (en) * 2021-05-12 2022-11-17 Biotronik Se & Co. Kg System and method for assessing a cardiac arrhythmia
EP4355416A1 (en) * 2021-06-15 2024-04-24 Medtronic, Inc. Adjudication algorithm bypass conditions
US20230034970A1 (en) * 2021-07-28 2023-02-02 Medtronic, Inc. Filter-based arrhythmia detection
WO2023023581A1 (en) * 2021-08-18 2023-02-23 Advanced Neuromodulation Systems, Inc. Systems and methods for providing digital health services
WO2023136637A1 (ko) 2022-01-14 2023-07-20 주식회사 엘지에너지솔루션 겔 폴리머 전해질 이차전지의 제조방법 및 이에 의해 제조된 겔 폴리머 전해질 이차전지
WO2023154864A1 (en) * 2022-02-10 2023-08-17 Medtronic, Inc. Ventricular tachyarrhythmia classification
US20230337988A1 (en) * 2022-04-25 2023-10-26 Cardiac Pacemakers, Inc. Ai-based detection of physiologic events using ambulatory electrograms
KR20230155682A (ko) * 2022-05-04 2023-11-13 주식회사 뷰노 심전도 데이터를 분석하기 위한 방법 및 장치
US20240008821A1 (en) * 2022-07-08 2024-01-11 Cardiac Pacemakers, Inc. Systems and methods for detecting premature ventricular contraction
WO2024059101A1 (en) * 2022-09-14 2024-03-21 Medtronic, Inc. Adaptive user verification of acute health events
WO2024059054A1 (en) * 2022-09-14 2024-03-21 Medtronic, Inc. Segment-based machine learning model classification of health events
WO2024059048A1 (en) * 2022-09-14 2024-03-21 Medtronic, Inc. Combined machine learning and non-machine learning health event classification
KR20240044290A (ko) 2022-09-28 2024-04-04 국민대학교산학협력단 병렬 교차 합성곱 순환 신경망 기반의 부정맥 탐지 장치 및 방법
WO2024161238A1 (en) * 2023-01-30 2024-08-08 Medtronic, Inc. Portable ultrasound system for image triggering and battery consumption reduction

Family Cites Families (84)

* 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
MY158652A (en) 2008-12-15 2016-10-31 Exxonmobil Chemical Patents Inc Oxidation of alkylaromatic compounds
WO2010083366A1 (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
WO2011048592A1 (en) 2009-10-20 2011-04-28 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
CN107742534A (zh) 2010-03-15 2018-02-27 新加坡保健服务集团有限公司 患者存活性预测系统
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
JP6023169B2 (ja) 2011-03-28 2016-11-09 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． モニタリング機器にファミリーモードを提供するためのシステム及び方法
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
EP4357794A3 (en) 2012-04-23 2024-07-24 Precordior Oy Apparatus and computer program for producing a signal expressing atrial fibrillation
US9775559B2 (en) 2013-04-26 2017-10-03 Medtronic, Inc. Staged rhythm detection system and method
JP6133708B2 (ja) * 2013-06-25 2017-05-24 日本光電工業株式会社 生体情報表示装置および生体情報表示装置の作動方法
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
US9420956B2 (en) * 2013-12-12 2016-08-23 Alivecor, Inc. Methods and systems for arrhythmia tracking and scoring
EP3102096A4 (en) 2014-02-04 2017-09-20 CardioInsight Technologies, Inc. Signal analysis related to treatment sites
US9483529B1 (en) 2014-02-14 2016-11-01 Twitter, Inc. Selection and presentation of unviewed messages
US10258288B2 (en) 2014-03-24 2019-04-16 Samsung Electronics Co., Ltd. Confidence indicator for physiological measurements using a wearable sensor platform
WO2016025849A1 (en) 2014-08-15 2016-02-18 Biomerieux, Inc. Methods, systems, and computer program products for detecting pipette tip integrity
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
WO2016195366A1 (ko) 2015-06-01 2016-12-08 울산대학교 산학협력단 심실 부정맥 예측 장치 및 그 방법
WO2017054105A1 (zh) 2015-09-28 2017-04-06 深圳迈瑞生物医疗电子股份有限公司 一种监护参数阈值设置方法及监护系统
WO2017059274A1 (en) 2015-10-02 2017-04-06 Cardiac Pacemakers, Inc. Enhanced wearable therapy device paired with insertable cardiac monitor
US9788796B2 (en) 2015-10-16 2017-10-17 General Electric Company System and method of adaptive interpretation of ECG waveforms
EP3367897B1 (en) 2015-10-27 2021-04-14 Cardiologs Technologies An automatic method to delineate or categorize an electrocardiogram
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
WO2017120560A1 (en) 2016-01-08 2017-07-13 Cardiac Pacemakers, Inc. Obtaining high-resolution information from an implantable medical device
US10441184B2 (en) 2016-03-16 2019-10-15 Ventrilink Corporation Electrocardiogram device and methods
JP7202891B2 (ja) 2016-04-06 2023-01-12 カーディアック ペースメイカーズ， インコーポレイテッド 不整脈検出についての信頼性
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
WO2018058044A1 (en) 2016-09-23 2018-03-29 Aon Benfield Inc. Platform, systems, and methods for identifying property characteristics and property feature maintenance through aerial imagery analysis
CN109843166B (zh) 2016-10-18 2022-05-24 心脏起搏器股份公司 用于心律失常检测的系统
US20190328243A1 (en) 2016-12-21 2019-10-31 Emory University Methods and Systems for Determining Abnormal Cardiac Activity
WO2018148690A1 (en) * 2017-02-10 2018-08-16 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
CN110799241B (zh) * 2017-05-01 2024-03-01 心脏起搏器股份公司 用于医疗警告管理的系统
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
US11147459B2 (en) 2018-01-05 2021-10-19 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health
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
EP3556281A1 (en) 2018-04-17 2019-10-23 Koninklijke Philips N.V. Device, system and method for supporting detection of return of spontaneous circulation during cardiopulmonary resuscitation
CN108577823B (zh) 2018-04-27 2021-02-02 京东方科技集团股份有限公司 一种心律失常检测装置和心律失常检测系统
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
CN112789083A (zh) 2018-10-05 2021-05-11 美敦力公司 心脏快速性心律失常的多层预测
WO2020079696A1 (en) 2018-10-19 2020-04-23 Given Imaging Ltd. Systems and methods for generating and displaying a study of a stream of in vivo images
US10869610B2 (en) 2018-12-05 2020-12-22 General Electric Company System and method for identifying cardiac arrhythmias with deep neural networks
US11583196B2 (en) 2019-03-12 2023-02-21 Cardiac Pacemakers, Inc. Systems and methods for detecting atrial tachyarrhythmia
US11723577B2 (en) 2019-05-06 2023-08-15 Medtronic, Inc. Visualization of arrhythmia detection by machine learning
US11583687B2 (en) 2019-05-06 2023-02-21 Medtronic, Inc. Selection of probability thresholds for generating cardiac arrhythmia notifications
US11475998B2 (en) 2019-05-06 2022-10-18 Medtronic, Inc. Data preparation for artificial intelligence-based cardiac arrhythmia detection
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
US20200352466A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Arrythmia detection with feature delineation and machine learning
US20200352521A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Category-based review and reporting of episode data

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116509360A (zh) * 2023-06-25 2023-08-01 苏州维伟思医疗科技有限公司 心律监控系统、方法及医疗设备
CN116509360B (zh) * 2023-06-25 2023-09-12 苏州维伟思医疗科技有限公司 心律监控系统、方法及医疗设备

Also Published As

Publication number Publication date
US20200352466A1 (en) 2020-11-12
US20230320648A1 (en) 2023-10-12
WO2020226879A1 (en) 2020-11-12
KR20220006080A (ko) 2022-01-14
EP3965878A1 (en) 2022-03-16
US20210338134A1 (en) 2021-11-04
JP2022531297A (ja) 2022-07-06
AU2020269176A1 (en) 2022-01-06
US11696718B2 (en) 2023-07-11
DE202020005640U1 (de) 2021-11-23

Similar Documents

Publication Publication Date Title
US11696718B2 (en) Arrhythmia detection with feature delineation and machine learning
US11617533B2 (en) Visualization of arrhythmia detection by machine learning
US11443852B2 (en) Reduced power machine learning system for arrhythmia detection
US11355244B2 (en) Machine learning based depolarization identification and arrhythmia localization visualization
US20180310892A1 (en) Systems and methods for medical alert management
CN113795195A (zh) 用于分析心脏节律的人工智能模型的个性化
US20240148309A1 (en) Chronic periodic monitoring for atrial tachyarrhythmia detection
WO2024026178A1 (en) Atrioventricular block detection

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