CN114067987A - 用于检测和识别心脏起搏标测位点和起搏操纵的系统和方法 - Google Patents
用于检测和识别心脏起搏标测位点和起搏操纵的系统和方法 Download PDFInfo
- Publication number
- CN114067987A CN114067987A CN202110907181.6A CN202110907181A CN114067987A CN 114067987 A CN114067987 A CN 114067987A CN 202110907181 A CN202110907181 A CN 202110907181A CN 114067987 A CN114067987 A CN 114067987A
- Authority
- CN
- China
- Prior art keywords
- pacing
- patient
- training
- pace
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
- A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
- A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
- A61B18/14—Probes or electrodes therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
- A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
- A61B18/14—Probes or electrodes therefor
- A61B18/1492—Probes or electrodes therefor having a flexible, catheter-like structure, e.g. for heart ablation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/06—Devices, other than using radiation, for detecting or locating foreign bodies ; determining position of probes within or on the body of the patient
- A61B5/065—Determining position of the probe employing exclusively positioning means located on or in the probe, e.g. using position sensors arranged on the probe
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
- A61B5/283—Invasive
- A61B5/287—Holders for multiple electrodes, e.g. electrode catheters for electrophysiological study [EPS]
-
- 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]
- A61B5/367—Electrophysiological study [EPS], e.g. electrical activation mapping or electro-anatomical mapping
-
- 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
-
- 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
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00315—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for treatment of particular body parts
- A61B2018/00345—Vascular system
- A61B2018/00351—Heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
- A61B2018/00571—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for achieving a particular surgical effect
- A61B2018/00577—Ablation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
- A61B2034/101—Computer-aided simulation of surgical operations
- A61B2034/102—Modelling of surgical devices, implants or prosthesis
- A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
- A61B2034/2046—Tracking techniques
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
- A61B2034/2046—Tracking techniques
- A61B2034/2051—Electromagnetic tracking systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Plasma & Fusion (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Otolaryngology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Physical Education & Sports Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明题为“用于检测和识别心脏起搏标测位点和起搏操纵的系统和方法”。公开了用于生成起搏标测预测模型的系统和方法。提供了利用与患者的心脏生物计量相关联的训练数据集的技术,该训练数据集包括与心律失常相关联的电生理数据、起搏标测数据集和测量起搏标测数据集和电生理数据之间的相关性程度的相关性数据。基于训练数据集,训练起搏标测预测模型,以预测患者的电生理数据和起搏标测数据集之间的相关性程度。基于所预测的相关性程度,将患者的心脏中的心脏位置预测为用于下一个起搏标测的位置。公开了用于生成起搏操纵预测模型的其他系统和方法。训练起搏操纵预测模型,以基于在心脏起搏标测期间获得的起搏操纵来预测间期测量值。
Description
相关申请的交叉引用
本专利申请要求2020年8月7日提交的美国临时专利申请63/062,715的权益,该专利申请的公开内容全文据此以引用方式并入本文。
背景技术
心律失常诸如心房纤颤(AF)、心室纤颤、室性心动过速(VT)或心房扑动可能会导致发病和死亡。心脏病症(诸如心律失常)的治疗通常需要获得心脏的心脏组织、腔室、静脉、动脉和/或电通路的详细标测;此类标测有助于识别疤痕组织或心律失常源(例如,电转子)的问题区域以及健康区域。例如,作为执行导管消融的先决条件,心律失常的空间起源必须准确地定位在心脏中。心脏中心律失常起源的定位可涉及电生理研究。
电生理研究(即,电生理(EP)心脏标测或心脏电解剖标测)提供3D标测数据。可基于从引入心脏腔室中的导管发射的信号中测量的电势来构建3D标测数据。3D映射数据可基于各种模态,诸如例如局部激活时间(LAT)、电活动、单极或双极电压、拓扑结构、主频或阻抗。因此,可使用插入患者体内的导管来捕获对应于各种模态的数据。所捕获的数据可在显示器上处理和/或可视化以供医疗专业人员查看,或者可存储以供稍后处理和/或可视化。
已知心肌疤痕与导致VT的心律失常传导通路和病灶(例如,折返病灶)相关联。为了使导管消融成功的可能性最大化,精确定位疑似致心律失常病灶是必要的。可通过起搏(即,在心室中的某个位置(位点)处引入信号并测量对应电势的动作)来实现疑似致心律失常病灶的定位。因此,心室中不同位点处的起搏可用于识别可能是患者体内VT起源的位点。预计可能的起源位于在起搏产生的测量的电势与事先在患者体内进行的从诱发性VT中测量的电势相匹配的位点处。
常规的起搏标测技术需要熟练的技术人员(诸如医师)从关注的心脏区域(诸如心室)内的多个点获得电势信号(即,起搏标测数据)。通常,通过以下方式产生与心脏中的某一点相关联的电活动:首先推进导管(在其远侧末端处或附近包含电传感器)以接触心脏中的该点处的组织,并且然后由该导管的传感器发射信号,从而产生测量的并与该点相关联的电活动。在心脏中的多个点处重复该过程,并且将在每个点处测量的数据存储在表示心脏在这些点处的电活动的标测图(即,起搏标测图)中。例如,在临床环境中,积累心脏中的100个或更多个位点处的数据以生成心脏腔室电活动的详细且全面的起搏标测图是典型的。将与心脏中的位点相关联的起搏标测数据与对应数据(例如,从诱发性VT生成的电生理数据)进行比较,以确定相关性程度,并且从而确定诱发性VT的起源与心脏中的起搏位点相同的可能性。
目前,识别心脏组织中与心律失常传导通路和病灶相关联的多个关注的点是困难且繁琐的,因为其需要由熟练的技术人员(诸如心脏病专家)进行试误法以找到与电活动相关联的起搏位点,该起搏位点和与诱发性VT相关联的电活动具有高相关性。需要用于提高识别可能是心律失常起源的位点的准确性和效率的方法和系统。
发明内容
本公开中公开了用于检测和识别心脏起搏标测位点和起搏操纵的系统和方法。
本公开中公开的各方面描述了用于训练起搏标测预测模型的方法。该方法包括接收与患者的心脏相关联的训练数据集。对于每个患者,该训练数据集包括:电生理数据,该电生理数据与患者的心律失常相关联;起搏标测数据集,每个起搏标测数据集从定位在该患者的心脏中的心脏位置处的电极获得;和相关性数据,该相关性数据测量这些起搏标测数据集中的每个起搏标测数据集和该电生理数据之间的相关性程度。该方法还包括基于该训练数据集来训练该起搏标测预测模型,以预测与新患者相关联的电生理数据和起搏标测数据集之间的相关性程度。
本公开中公开的各方面还描述了用于训练起搏标测预测模型的系统。该系统包括至少一个处理器和存储指令的存储器。这些指令在由该至少一个处理器执行时使得该系统接收与患者的心脏相关联的训练数据集。对于每个患者,该训练数据集包括:电生理数据,该电生理数据与患者的心律失常相关联;起搏标测数据集,每个起搏标测数据集从定位在该患者的心脏中的心脏位置处的电极获得;和相关性数据,该相关性数据测量这些起搏标测数据集中的每个起搏标测数据集和该电生理数据之间的相关性程度。这些指令然后使得该系统基于该训练数据集来训练该起搏标测预测模型,以预测与新患者相关联的电生理数据和起搏标测数据集之间的相关性程度。
此外,本公开中公开的各方面描述了非暂态计算机可读介质,该非暂态计算机可读介质包括能够由至少一个处理器执行以执行用于训练起搏标测预测模型的方法的指令。该方法包括接收与患者的心脏相关联的训练数据集。对于每个患者,该训练数据集包括:电生理数据,该电生理数据与患者的心律失常相关联;起搏标测数据集,每个起搏标测数据集从定位在该患者的心脏中的心脏位置处的电极获得;和相关性数据,该相关性数据测量这些起搏标测数据集中的每个起搏标测数据集和该电生理数据之间的相关性程度。该方法还包括基于该训练数据集来训练该起搏标测预测模型,以预测与新患者相关联的电生理数据和起搏标测数据集之间的相关性程度。
本公开中公开的各方面描述了用于训练起搏操纵预测模型的方法。该方法包括接收与患者的心脏相关联的训练数据集。对于每个患者,该训练数据集包括:起搏操纵,每个起搏操纵与该患者的心脏中的起搏位置相关联;和对应间期测量值,每个对应间期测量值与来自对应起搏操纵的最后一个起搏脉冲和自然搏动之间的距离相关联。该方法还包括基于该训练数据集来训练该起搏操纵预测模型,以基于与新患者相关的起搏操纵来预测间期测量值。
本公开中公开的各方面还描述了用于训练起搏操纵预测模型的系统。该系统包括至少一个处理器和存储指令的存储器。这些指令在由该至少一个处理器执行时使得该系统接收与患者的心脏相关联的训练数据集。对于每个患者,该训练数据集包括:起搏操纵,每个起搏操纵与该患者的心脏中的起搏位置相关联;和对应间期测量值,每个对应间期测量值与来自对应起搏操纵的最后一个起搏脉冲和自然搏动之间的距离相关联。这些指令还使得该系统基于该训练数据集来训练该起搏操纵预测模型,以基于与新患者相关联的起搏操纵来预测间期测量值。
此外,本公开中公开的各方面描述了非暂态计算机可读介质,该非暂态计算机可读介质包括能够由至少一个处理器执行以执行用于训练起搏操纵预测模型的方法的指令。该方法包括接收与患者的心脏相关联的训练数据集。对于每个患者,该训练数据集包括:起搏操纵,每个起搏操纵与该患者的心脏中的起搏位置相关联;和对应间期测量值,每个对应间期测量值与来自对应起搏操纵的最后一个起搏脉冲和自然搏动之间的距离相关联。该方法还包括基于该训练数据集来训练该起搏操纵预测模型,以基于与新患者相关的起搏操纵来预测间期测量值。
附图说明
通过以举例的方式结合附图提供的以下具体实施方式可得到更详细的理解,其中附图中类似的附图标号指示类似的元件,并且其中:
图1是示例心脏消融系统的图示,基于该示例心脏消融系统可实现本公开的一个或多个特征;
图2是可由图1的示例心脏消融系统部署的示例系统的框图,基于该示例系统可实现本公开的一个或多个特征;
图3是可由图1的示例心脏消融系统部署的示例导管的例示,基于该示例导管可实现本公开的一个或多个特征;
图4是示例机器学习系统的功能框图,基于该示例机器学习系统可实现本公开的一个或多个特征;
图5A至图5C示出了示例起搏标测图(图5A),记录了诱发性ECG信号(图5B)和起搏标测ECG信号(图5C)之间的相关性,基于该示例起搏标测图可实现本公开的一个或多个特征;
图6示出了用于训练模型以从不完整的起搏标测图预测完整的起搏标测图的示例,基于该示例可实现本公开的一个或多个特征;
图7示出了用于训练模型以从不完整的起搏标测图预测完整的起搏标测图的另一个示例,基于该示例可实现本公开的一个或多个特征;
图8是用于训练起搏标测预测模型的示例方法的流程图,基于该示例方法可实现本公开的一个或多个特征;
图9是用于应用图8的经训练的模型的示例方法的流程图,基于该示例方法可实现本公开的一个或多个特征;
图10是用于训练起搏标测预测模型的另一个示例方法的流程图,基于该示例方法可实现本公开的一个或多个特征;
图11是用于应用图10的经训练的模型的示例方法的流程图,基于该示例方法可实现本公开的一个或多个特征;
图12示出了由医师手动获得的起搏操纵和时间卡尺测量值的示例ECG描记线,基于该示例ECG描记线可实现本公开的一个或多个特征;
图13A至图13B示出了描绘机器学习模型的训练方法(图13A)和机器学习模型应用程序(图13B)的示例流程图,基于该训练方法和机器学习模型应用程序可实现本公开的一个或多个特征;并且
图14是示例递归神经网络(RNN)的功能框图,基于该示例RNN可实现本公开的一个或多个特征。
具体实施方式
本发明提供了用于通过起搏标测和起搏操纵来检测和识别心律失常的起源的系统和方法。检测和识别基于机器学习模型,该机器学习模型经过训练以预测心律失常的可能起源的位点和起搏操纵。
图1是可实施本公开的一个或多个特征的示例心脏消融系统100的图示。系统100可包括由医师130操作的控制台124、显示器127和导管140。系统100可被配置为获得从患者128的器官(诸如心脏126)取得的解剖和电测量值,并且可被配置为执行心脏消融规程。系统100可用于收集用于训练模型的训练数据集的数据,并且可用于应用经训练的模型。系统100的示例是由Biosense Webster销售的系统。
心脏消融系统100可包括导管140,参考图3进一步描述。导管140可被配置为损伤(消融)体内器官的组织区域并且/或者获得包括电信号的生物计量数据。系统100可包括一个或多个探头121,该一个或多个探头具有可由医师或用户130导航到躺在台129上的患者128的身体部位(诸如心脏126)中的轴122。医师130可穿过护套123插入轴122,同时使用导管140的近侧端部附近的操纵器和/或从护套123偏转来操纵轴122的远侧端部。插图145以放大视图示出了在心脏126的心脏腔室内的导管140。如图所示,导管140可装配在轴122的远侧端部处。导管140可在塌缩状态下穿过护套123插入,并且然后可在心脏126内展开。导管140可被配置为消融心脏126的心腔的组织区域。导管140可包括耦接到导管的主体上的至少一个消融电极147。例如,消融电极147可被配置为向体内器官(诸如心脏126)的组织区域提供能量。能量可以是热能并且可从组织区域的表面开始并延伸到组织区域的厚度中对组织区域造成损伤。其他元件(诸如电极或换能器)可以是导管的一部分,并且可被配置为消融以及获得生物计量数据。
在一个方面,由导管的元件获得的生物计量数据可表示与LAT、电活动、拓扑结构、单极或双极电压、主频或阻抗相关联的信息。LAT可表示在某个位置处测量电活动的时间。可基于归一化的初始起始点来计算LAT。电活动可以是可基于一个或多个阈值来测量的任何适用的电信号。电活动可被感测并且/或者可被增强(例如,使用滤波器来改善信噪比)。拓扑结构可表示身体部位或身体部位的一部分的物理结构,或者可对应于身体部位的不同部分之间或不同身体部位之间的物理结构的变化。主频可表示在身体部位的一部分中普遍存在的频率或频率范围,并且在相同身体部位的不同部分中可以不同。例如,心脏中的肺静脉的主频可以不同于同一心脏的右心房的主频。阻抗可表示在身体部位的给定区域处的电阻。
系统100的控制台124可包括处理单元141,该处理单元可包括前端和控制部件(例如,配备有多核处理器的计算机)。该控制台还可包括存储器142(例如,易失性和/或非易失性存储器)和通信接口电路138(例如,用于向导管140传输信号和从该导管接收信号)。控制台124可被配置为接收生物计量数据,并且然后处理该生物计量数据,存储该数据以供稍后处理,或者经由网络将数据传输到另一个系统。在一个方面,处理部件141可位于控制台124的外部,并且可位于例如导管140中、外部装置中、移动装置中、基于云的装置中,或者可以是独立的处理器。处理单元141可执行被编程以执行本文所述各方面的功能的软件模块。这些软件模块可通过网络或从控制台124外部或本地的非临时性有形介质(诸如磁存储器、光学存储器或电子存储器)下载到处理部件141。
可修改系统100以实现本文所公开的各方面。可使用其他系统部件和设置类似地应用本文所公开的各方面。另外,系统100可包括附加部件,诸如用于感测电活动的元件、有线或无线连接器、处理单元或显示装置。控制台124可包括通常被配置为现场可编程门阵列(FPGA)的实时降噪电路系统,之后是模数(A/D)ECG(心电图)或EMG(肌电图)信号转换集成电路。可处理A/D ECG或EMG电路的输出以执行本文所公开的方法。
除了通过导管140(例如,ECG)或测量心脏的电特性的其他传感器获得的电测量值之外,在一个方面,系统100还可获得患者的心脏的解剖测量值。解剖测量值可通过成像模态生成,所述成像模态诸如超声、计算机断层扫描(CT)或磁共振成像(MRI)。因此,系统100可获得生物计量数据,包括解剖和电测量值,并且可将生物计量数据存储在系统100的存储器142中。生物计量数据可从存储器142传输到处理单元141。另选地或除此之外,可将生物计量数据传输到服务器,该服务器可以是控制台124的本地的或远程的。
控制台124可通过缆线139连接到体表电极143,该体表电极可包括附连到患者128的粘合剂皮肤贴片。处理单元141与电流跟踪模块相结合可确定导管140在患者128的身体部位(例如心脏126)内的方位坐标。方位坐标可基于在体表电极143和电极147或导管140的其他电磁部件之间测得的阻抗或电磁场。除此之外或另选地,位置垫可附接到床129的表面。
在规程期间,处理单元141可有利于在显示器127上身体部位的渲染135以供医师130查看,并且可将表示身体部位135的数据存储在存储器142中。在一个方面,医疗专业人员130可能能够使用一个或多个输入装置(诸如触摸板、鼠标、键盘或手势识别设备)来操纵身体部位渲染135。例如,输入装置可用于改变导管140的位置,使得身体部位126的渲染135被更新。在另一个示例中,显示器127可包括输入装置(例如,触摸屏),该输入装置可被配置为接受来自医疗专业人员130的输入,例如以控制身体部分的渲染135。在一个方面,显示器127可位于远程位置,诸如单独的医院处或在单独的医疗保健提供者网络中。
图2是可由图1的示例心脏消融系统部署的示例系统200的框图,基于该示例系统可实现本公开的一个或多个特征。系统200可包括监测和处理系统205、本地系统280和远程系统290。在另选形式中,监测和处理系统205可表示系统100的控制台124。监测和处理系统205可包括患者生物计量传感器210、处理器220、存储器230、输入装置240、输出装置250和收发器260(即与网络270通信的发射器-接收器)。系统205可经由网络270连续地或周期性地监测、存储、处理和传送各种患者生物计量。患者生物计量的示例包括电信号(例如,ECG信号)、解剖图像、血压数据、血糖数据和温度数据。可监测和可传送患者生物计量以便对各种疾病进行治疗,所述疾病诸如心血管疾病(例如,心律失常、心肌病和冠状动脉疾病)和自身免疫疾病(例如,I型和II型糖尿病)。
监测和处理系统205可在患者的身体体内,例如,系统205可以是皮下植入的、经口插入的或经手术插入的、经静脉或动脉插入的、经内窥镜或腹腔镜规程插入的。另选地,系统205可在患者的体外,例如附接到患者的皮肤。在一个方面,系统205可包括患者的身体体内的部件和患者的身体体外的部件两者。
监测和处理系统205可表示多个监测和处理系统205,该多个监测和处理系统可并行和/或彼此通信或经由网络与服务器通信来处理患者的生物计量数据。一个或多个系统205可获取或接收患者的生物计量数据(例如,电信号、解剖图像、血压、温度、血糖水平或其他生物计量数据)的全部或部分。该一个或多个系统205还可从一个或多个其他系统205获取或接收与所获取或接收的患者的生物计量数据相关联的附加信息。附加信息可以是例如诊断信息和/或从装置诸如可穿戴装置获得的信息。每个监测和处理系统205可处理由其获取的数据并且可处理从另一个系统205接收的数据。
患者生物计量传感器210可以是可被配置为感测生物计量数据的一个或多个传感器。例如,传感器210可以是被配置为获取电信号(例如,源自心脏的生物电信号)的电极、温度传感器、血压传感器、血糖传感器、血氧传感器、pH传感器、加速度计或麦克风。在一个方面,系统205可以是测量源自心脏的ECG信号的ECG监测器。在此类情况下,传感器210可以是可被配置为获取ECG信号的一个或多个电极。ECG信号可用于治疗各种心血管疾病。在一个方面,患者生物计量传感器210还可包括具有一个或多个电极的导管、探头、血压袖带、体重称、手镯(例如,智能手表生物计量跟踪器)、葡萄糖监测器、连续气道正压通气(CPAP)机或提供关于患者健康的生物计量数据或其他数据的任何其他装置。
收发器260可包括发射器部件和接收器部件。这些发射器部件和接收器部件可集成到单个装置中或单独实现。该收发器可经由通信网络270提供系统205和其他系统或服务器之间的连接。网络270可以是有线网络、无线网络,或者包括有线和/或无线网络的组合。网络270可以是近程网络(例如,局域网(LAN)或个人局域网(PAN))。可使用各种近程通信协议(诸如蓝牙、Wi-Fi、Zigbee、Z-Wave、近场通信(NFC)、ultra-band、Zigbee或红外(IR))经由近程网络发送或接收信息。网络270还可以是远程网络(例如,广域网(WAN)、互联网或蜂窝网络)。可使用各种远程通信协议(诸如TCP/IP、HTTP、3G、4G/LTE或5G/新无线电)经由远程网络发送或接收信息。
处理器220可被配置为处理例如由传感器210获得的患者的生物计量数据,并且将生物计量数据和/或经处理的生物计量数据存储在存储器230中。处理器220还可被配置为经由收发器260的发射器在网络270上传送生物计量数据。可由收发器260的接收器接收来自一个或多个其他监测和处理系统205的生物计量数据。处理器220可采用机器学习算法(例如,基于神经网络),或者另选地,机器学习算法可由另一个处理器例如在本地系统280或远程系统290处采用。在各方面,处理器220可包括一个或多个CPU、一个或多个GPU、或者一个或多个FPGA。在这些方面,机器学习算法可在这些处理单元中的一个或多个上执行。类似地,处理器220可包括专用于执行深度学习计算的ASIC(诸如NervanaTM神经网络处理器),并且机器学习算法可在此类专用ASIC上执行。执行机器学习算法的处理单元可位于医疗规程室中或另一个位置(例如,另一个医疗设施或云)中。
监测和处理系统205的输入装置240可用作用户界面。输入装置240可包括例如被配置为接收用户输入(诸如轻击或触摸)的压电传感器或电容传感器。因此,输入装置240可被配置为响应于用户轻击或触摸系统205的表面来实现电容耦合。手势识别可通过各种电容耦合来实现,所述电容耦合诸如电阻电容、表面电容、投射电容、表面声波、压电或红外触摸。电容传感器可放置在输入装置240的表面上,使得表面的轻击或触摸激活系统205。处理器220可被配置为选择性地响应电容传感器的不同轻击模式(例如,输入装置240上的单击或双击),使得可以基于检测的模式来激活系统205的不同功能(例如,数据的获取、存储或传输)。在一个方面,例如,当检测并识别到手势时,可从系统205向用户给予可听反馈。
在一个方面,可经由网络270与监测和处理系统205通信的本地系统280可被配置为通过本地系统280可访问的另一个网络285充当远程系统290的网关。本地系统280可以是例如智能电话、智能手表、平板电脑或其他便携式智能装置。另选地,本地系统280可以是固定的或独立的装置。可在本地系统280与监测和处理系统205之间传送患者生物计量数据。在一个方面,本地系统280还可被配置为显示所获取的患者生物计量数据和相关联信息。
在一个方面,远程系统290可被配置为经由网络285接收所监测的患者生物计量数据和相关联信息的至少一部分,该网络可以是远程网络。例如,如果本地系统280是移动电话,则网络285可以是无线蜂窝网络,并且可经由无线技术标准诸如上述无线技术中的任一种在本地系统280和远程系统290之间传送信息。远程系统290可被配置为在显示器上可视地或通过扬声器可听地向医疗保健专业人员(例如,医师)呈现所接收的患者生物计量数据和相关联信息。
图3是可由图1的示例心脏消融系统部署的示例起搏标测导管300的例示,基于该示例导管可实现本公开的一个或多个特征。例如,导管300可以是用于插入到人体(诸如心脏的腔室)中的标测和治疗递送导管。图3所示的导管300是示例性的;根据本公开的各方面,可使用许多其他类型的导管。电极332可定位在远侧部分334处以用于测量心脏组织的电特性。电极332还可能对于出于诊断目的(例如,用于电标测或诱发VT)或出于治疗目的(例如,用于消融有缺陷的心脏组织)将电信号发射到心脏中是有用的。导管300的远侧部分334还可包括用于测量心脏腔室中的远场电信号的非接触电极338的阵列336。阵列336可以是线性阵列,因为非接触电极338沿远侧部分334的纵向轴线线性布置。远侧部分334还可包括至少一个位置传感器340,该位置传感器产生用于确定远侧末端318在体内的位置和取向的信号。在一个方面,位置传感器340与远侧末端318相邻。在位置传感器340、远侧末端318和电极332之间存在固定的位置和取向关系。导管300的柄部320可包括控制器346,以操纵或偏转远侧部分334,或者根据需要对其进行取向。
位置传感器340可被配置为响应于可由系统100(图1)产生的场,通过穿过导管300的缆线342将位置相关电信号传输到控制台124(即,图1所示的缆线139)。在另一个另选形式中,导管300中的位置传感器340可通过无线链路将信号传输到控制台124。例如由处理单元141、220执行的定位过程可基于由位置传感器340发送的信号来计算导管300的远侧部分334的位置和取向。该定位过程可接收、放大、过滤、数字化以及以其他方式处理来自导管300的信号。该定位过程还可向显示器127提供信号输出,该显示器可以可视化导管300的远侧部分334和/或远侧末端318相对于选择用于消融的位点的位置。
图4是示例机器学习系统400的功能框图,基于该示例机器学习系统可实现本公开的一个或多个特征。各种机器学习系统可用于训练和应用本文所公开的起搏标测预测模型。例如,机器学习系统400可基于各种架构的人工神经网络(ANN),诸如卷积神经网络(CNN)或递归神经网络(RNN),其示例是长期短期记忆(LSTM)网络。一般来讲,将神经网络训练成基于观察来预测关注的信息。经由监督学习过程训练神经网络,通过该监督学习过程来学习示例对(即,观察和对应关注的信息)之间的相关性。
在一个方面,ANN 410可以是CNN。CNN在从以空间时间格式提供的数据学习模式中是有用的,如图5A所示的起搏标测图540。一般来讲,CNN可使用内核跨若干层来采用卷积操作。网络中的每个层(例如,层n440)可在其输入处处理来自图像的数据,并且可生成待由下一层(例如,层m 450)处理的经处理的图像。应用于网络中的较早层中的卷积内核可比应用于网络中的较晚层中的卷积内核更有效地整合来自相邻标测元素的信息。因此,可在CNN中更好地学习紧密定位在标测图中的图像元素之间的相关性。
通常,神经网络410包括根据给定架构连接的节点(“神经元”)。例如,在给定架构中,这些节点可被布置在层中,即,一层(例如,层n 440)中的节点的输出馈送连接到其的下一层(例如,层m 450)中的节点的输入。层m 450的节点j 455(即,mj)通常以一定的强度或一定的权重连接到层n 440的节点i 445(即,ni):w(mj,ni)460。因此,与网络的节点间连接相关联的权重{w(mj,ni)}(“突触权重”)参数化神经网络模型。然后,通过确定网络的权重(参数),即,确定模型参数430,训练神经网络可被视为指定网络。
神经网络410处理数据的方式可描述如下。输入数据可被馈送到神经网络的第一层中的节点,使得第一层中的每个节点接收输入数据的加权组合(或输入数据的子集的加权组合)。然后,根据节点的激活函数转换每个节点的输入加权组合,从而得到节点的输出数据。接下来,可将来自第一层中的每个节点的输出数据馈送到神经网络的第二层中的节点,使得第二层中的每个节点接收第一层中的节点的输出的加权组合(或第一层中的节点的子集的输出的加权组合)。然后,根据节点的激活函数转换每个节点的输入加权组合,从而得到节点的输出数据。然后在网络的其他中间层中传播和类似地处理来自第二层的节点的输出数据,其中最后一层提供网络的输出数据。因此,神经网络通常特征在于其节点的结构和这些节点的激活功能。根据训练参数(例如,学习速率和成本函数)并基于训练数据集420,通过迭代训练过程(例如,反向传播算法)来学习与节点间连接相关联的权重(网络参数或模型参数430)。
可基于其神经网络模型410训练的训练数据集420可包括示例数据对,诸如观察数据(例如,在外科过程期间收集的测量值)和将由模型预测的关注的对应信息(例如,外科规程的结果)。例如,心脏的温度数据(观察数据)可被收集并且可与心脏规程的结果(待预测的关注的信息)相关联(通过训练过程)。一旦通过训练过程确定了模型参数,就可应用该模型基于新的观察来预测关注的信息。例如,就心脏而言,基于规程期间的温度输入(例如,介于97.7摄氏度至100.2摄氏度之间),该模型的输出可以是规程结果的预测。此类预测基于温度和规程结果之间的相关性,该相关性由基于训练数据集的神经网络模型学习。
本公开的各方面可训练机器学习模型(例如,ANN 410),并且可应用经训练的模型来检测和/或识别起搏标测位点。本公开的各方面还可训练机器学习模型,并且可应用经训练的模型来在心脏起搏标测期间进行起搏操纵。本文所公开的算法可应用于基于训练数据集来训练模型,所述训练数据集包括由如本文所公开的各种硬件测量的生物计量数据。
心律失常并且具体地讲AF是常见且危险的医学病症,在老年人中尤为如此。对于具有正常窦性节律的患者,包括心房和心室兴奋传导组织的心脏在电刺激的作用下以同步和模式化方式搏动。对于具有心律失常的患者,心脏组织的异常区域不会遵循与正常传导组织相关联的同步搏动周期。相反,心脏组织的异常区域不正常地向邻近组织传导,从而将心动周期打乱为非同步心律。之前已知此类异常传导发生于心脏的各个区域处,例如窦房(SA)结区域中、沿房室(AV)结和希氏束的传导通路或形成心室和心房心腔的壁的心肌组织中。
包括房性心律失常的心律失常可以是多子波折返型,其特征可能在于分散在心房腔室周围并通常自传播的电脉冲的多个异步环。另选地,或除多子波折返型外,诸如当心房内孤立的组织区域以快速且重复的方式自主搏动时,心律失常还可具有病灶源。VT是源自心脏的心室中的一个心室的心动过速(快速心律)。这是一种可能危及生命的心律失常,因为它可以导致心室纤颤和猝死。
当窦房结产生的正常电脉冲被起源于心房和肺静脉并且导致不规则脉冲被传输至心室的紊乱电脉冲淹没时,会发生一种类型的心律失常,即AF。此类病症导致的不规则心跳可持续几分钟至几周,或甚至几年。AF通常是慢性病症,其可使通常由中风导致的死亡风险增加。风险随年龄而增加。大约8%的80岁以上人群患有一定程度的AF。AF通常是无症状的,并且一般来讲,其自身不会危及生命,但其可引起心悸、虚弱、昏晕、胸痛和充血性心力衰竭。中风的风险在AF期间增加,因为血液可在收缩不良的心房和左心耳中郁积并形成血块。AF的第一线治疗是可减慢心率或使心律恢复正常的药物治疗。另外,患有AF的人通常会被给予抗凝剂,以降低中风风险。使用此类抗凝血剂会伴随其自身带有的内出血风险。对于一些患者,药物治疗是不够的,他们的AF被视为药物难治性的,即用标准药物干预是无法医治的。也可以采用同步电复律使AF恢复至正常心律。另选地,通过导管消融治疗AF患者。
基于导管消融的治疗可包括标测心脏组织的电特性(尤其是心内膜和心脏容量),以及通过施加能量来对心脏组织进行选择性地消融。心脏标测例如创建沿心脏组织的波传播的电势标测图(例如,电压标测图)或到达各种组织位置点的到达时间标测图(例如,LAT标测图)可用于检测局部心脏组织功能障碍。消融,诸如基于心脏标测的消融,可停止或改变不需要的电信号从心脏的一个部分传播到另一部分。
消融过程通过形成非导电消融灶来损坏不需要的电通路。能量递送模式使用微波、激光以及更常见的射频能量来沿心脏组织壁形成传导阻滞。在两步规程(标测然后消融)中,测量(即,标测)心脏内各个点中的活动,其中一些被选择进行消融。因此,可通过将导管(诸如图3的导管300)推进到心脏中以获取多个点处的数据来测量心脏内的点处的电活动;然后,根据本文所述的各方面,所获取的数据可用于选择待执行消融的心内膜目标区域。
随着临床医生治疗越来越具挑战性的病症诸如AF和VT,心脏消融和其他心脏电生理规程变得日益复杂。复杂性心律失常的治疗目前依赖于使用三维(3D)标测系统以便重构感兴趣心脏腔室的解剖结构。例如,心脏病专家依赖于软件,诸如Biosense Webster,Inc.(Diamond Bar,Calif.)生产的3 3D标测系统的复杂碎裂心房电描记图(CFAE)模块来分析心内EGM信号并确定消融点以用于治疗广泛的心脏病症,包括非典型性心房扑动和VT。3D标测图可提供组织的电生理特性的多个量度,它们表示这些具有挑战性的心律失常的解剖和功能基质。
在本文所公开的各方面,系统和方法采用机器学习模型(例如,图4所示的ANN),这些机器学习模型可处理输入数据,诸如LAT标测图、电压标测图、诱发性ECG信号数据和起搏标测ECG信号数据,以便确定可能是患者的心律失常的起源(病灶)的心脏位置。
在常规的起搏标测系统中,诸如在以引用方式并入本文的美国专利No.7,907,994中公开的起搏标测系统,VT信号在患者中被诱发。然后从心室内的多个点获得起搏标测信号,并且将所获得的起搏标测信号与诱发性信号进行比较。识别诱发性信号和起搏标测信号中的一个或多个起搏标测信号之间的高度相关性可识别致心律失常病灶,然后可消融该病灶。常规系统中的起搏标测信号由医师通过试误法手动获得。医师将起搏导管(或电极)引入到心室中,医师利用该起搏导管(或电极)在不同位置处向心肌施加电刺激脉冲。记录所得的电活动(即,起搏标测的ECG信号数据)。此类操作在本文中称为起搏或起搏标测。通常,许多点是起搏的,并且仅少数被确定为用于消融的候选点。这种常规的起搏标测过程是繁琐且耗时的,并且可由于用于定位起搏标测位点的试误法而导致低效率。
本文所公开的各方面利用先前执行的起搏标测案例(例如,由上述试误法过程提供)来构建训练数据集420。训练本文所公开的机器学习模型(例如,410)以输出数据,该数据可用于预测待由医师进行起搏标测的下一个心脏位置。用于训练的输入数据是来自过去起搏标测规程的数据。例如,输入数据可包括心律失常的电生理数据(例如,诱发性ECG信号)、起搏标测数据(例如,当定位在多个心脏位置处时从导管获得的起搏标测ECG信号)、LAT标测图或电压标测图。另外,对于该多个心脏位置中的每个心脏位置,用于训练的输入数据还可包括与医师确定对应起搏标测数据是否与待用作消融位点的心律失常的电生理数据充分相关有关的数据。一旦训练机器学习模型,就可应用该机器学习模型来为医师提供心脏位置的预测以用作下一个起搏位点。与上述试误法方法相比,此类预测可提供更高的确定度。
图5A示出了示例起搏标测图540,记录了诱发性ECG信号510(图5B)和起搏标测ECG信号520(图5C)之间的相关性,基于该示例起搏标测图可实现本公开的一个或多个特征。如上所述,可在诱发患者的心律失常的同时记录ECG信号。例如,图5B中示出了8导联诱发性ECG信号510.1-510.8。在起搏期间,可通过在各种心肌位置处刺激心脏530来记录多个起搏标测ECG信号。例如,图5C所示的8导联起搏标测ECG信号520.1-520.8对应于图5A所示的特定心肌位置550。诱发性ECG信号510和起搏器标测的ECG信号520之间的相关性程度指示患者中的诱发性关节炎源自心脏550中的被刺激以产生起搏器标测的ECG信号520的位置的可能性。
在一个方面,可以为每个患者i计算由Pi表示的起搏标测图540。矩阵的每个元素可对应于心脏中已经刺激心肌的位置550,并且可表示诱发性ECG信号510和对应于该位置550的起搏标测ECG信号520之间的相关性。在一个方面,可计算多个起搏标测图P1、P2、…、Pn;每个起搏标测图Pi可由3-D矩阵表示,其中每个矩阵元素可对应于患者的心脏的心肌表面(例如,右心室心肌)上的3D位置。另选地,3D心肌表面可被投影到2-D规划器表面上,从而允许起搏标测图Pi的2D矩阵表示,诸如图5A所示的2D矩阵540。在一个方面,起搏标测图的值540可以是百分比,从而指示诱发性信号和起搏信号之间的相关性,如上所述。起搏标测图相关性可使用已知的方法来确定,诸如美国专利No.7,907,994中所述的那些方法,该专利以引用方式并入本文。
根据本文所公开的各方面,训练神经网络410以基于部分标测图来预测起搏标测图。为此,每个起搏标测图Pi被复制了M次。这些复制品称为Pi1、Pi2、…、Pim。在每个复制品中,矩阵的一个或多个随机选择的区域中的相关性值被替换为预先确定的值,例如超出范围的数,诸如999。替换值指示该矩阵元素中的相关性是未知的。然后,神经网络呈现有矩阵对,每对包括完整的标测图Pi和不完整的标测图Pim,即,训练数据集是示例对{P11,P1}、{P12,P1}、…、{P1m,P1}、{P21,P2}、{P22,P2}、…、{P2m,P2}、…、{Pn1,Pn}、{Pn2,Pn}、…、{Pnm,Pn}。然后训练神经网络,为输入Pi1、Pi2、…、Pim中的每一者给予预测Pi。这样,神经网络“学习”以从给定的不完整的标测图预测完整的标测图(诸如起搏标测图540)。
图6示出了用于训练模型600以从不完整的起搏标测图预测完整的起搏标测图的示例,基于该示例可实现本公开的一个或多个特征。图6示出了P1,620.1的复制品P11,610.1(例如,起搏标测图540)和P1,620.2的另一个复制品P12,610.2(例如,起搏标测图540)。如上所述,矩阵P11和矩阵P12的元素被随机选择,并且被替换为超出范围的数字,例如999,以指示这些所选择的元素的值是未知的。对于每个复制品P11和P12,训练神经网络以给予原始标测图P1。神经网络被优化,使得表示复制品P1m和其对P1之间的差异的成本最小化。将未知相关性值设置为大于有效相关性值的数值可有助于神经网络的更快收敛。用尽可能多的示例对610和620训练神经网络。经训练的神经网络可应用于根据从训练其的起搏标测图获得的“体验”来使新起搏标测图的未知区域完整。因此,经训练的神经网络可以在其输入处接收新的不完整的起搏标测图,并且可以在其输出处提供预测的完整的起搏标测图。
图7示出了用于训练模型700以从不完整的起搏标测图预测完整的起搏标测图的另一个示例,基于该示例可实现本公开的一个或多个特征。在一个方面,除了如上所述创建复制品710.1或710.3之外,还创建第二矩阵710.2或710.4,其具有分别指示元素是对应于710.1或710.3中的替换元素还是未知元素的分类元素值(例如,0或1)。第二矩阵可使神经网络收敛更快。因此,在这方面,训练示例710可包括复制矩阵(例如,710.1或710.3)和分类矩阵(例如,710.2或710.4)以及对应对720(例如,720.1或720.2)。如前所述,经训练的神经网络可以在其输入处接收新的不完整的起搏标测图,并且可以在其输出处提供预测的完整的起搏标测图。
在一个方面,在由医师执行的起搏标测过程期间,系统100、200可检查到目前为止记录的起搏标测图的相关性值(百分比),并且可以将起搏标测图中的其余元素视为未知的(例如,系统将未知元素设置为超出范围值)。然后,系统100、200可将不完整的起搏标测图(以及任选地对应分类的标测图,如参考图7所述)馈送到神经网络410作为输入。已经用来自其训练数据集的多个标测图训练的神经网络可预测未知区域中的相关性值(百分比),如上所述。具有利用相关性值完全填充的预测起搏标测图后,系统100、200现在可向医师建议心脏中的方向或区域以执行下一个标测图起搏。系统100、200的推荐方向或区域可导致具有最高相关性的位置。可通过指向推荐方向或区域的视觉或听觉指示来指示系统的推荐。例如,视觉指示可由箭头、星形、大头针或任何类似的视觉指示表示,并且可叠加在呈现在系统的显示器上的心脏530的图像上。
在一个方面,代替指示医师接下来应尝试作为起搏位点的方向,系统可监测医师正在将导管移入的方向,并且可评估该方向最终可有多成功。基于该评估,系统可以百分比、颜色(例如,绿色-黄色-红色交通灯)、亮度或声音形式提供成功指示。
图8是用于训练起搏标测预测模型的示例方法800的流程图,基于该示例方法可实现本公开的一个或多个特征。起搏标测模型可基于神经网络,如参考图4所述。方法800可接收训练数据集,基于该训练数据集训练起搏标测模型;训练数据集可包括与过去对患者执行的起搏标测规程相关联的数据。因此,对于每个此类患者,在步骤810中,方法800可接收与患者经历的心律失常相关联的电生理数据。在步骤820中,方法800可接收起搏标测数据集。当定位在患者的心脏中的心脏位置处时,从电极(或导管)获得每个数据集。在步骤830中,方法800还可接收测量起搏标测数据集中的每个起搏标测数据集和电生理数据之间的相关性程度的相关性数据。然后,在步骤840中,基于所接收的训练数据集进行起搏标测预测模型的训练。训练该起搏标测预测模型以预测新患者在起搏标测位点处的电生理数据和起搏标测数据集之间的相关性程度。
图9是用于应用起搏标测预测模型的示例方法900的流程图,基于该示例方法可实现本公开的一个或多个特征。例如,如参考图8所述的经训练的起搏标测预测模型可在起搏标测规程期间应用于新的被护理患者。在步骤910中,方法900可接收与被护理的患者已经历的心律失常相关联的电生理数据作为输入。另外,在步骤920中,方法900可接收从定位在患者的心脏中的心脏位置处的电极获得的起搏标测数据集作为输入。然后,在步骤930中,方法900可向经训练的起搏标测预测模型馈送所接收的输入数据,以获得电生理数据和起搏标测数据集之间的预测的相关性程度。预测的相关性程度可用于引导医师在其搜索可能是患者的心律失常的起源的起搏标测位点时执行规程。在一个方面,在步骤940中,方法900可基于预测的相关性程度来预测患者的心脏中的待在规程期间用作下一个起搏标测的心脏位置。在另一个方面,在步骤950中,方法900可跟踪在规程中使用的电极的移动。然后,在步骤960中,基于所跟踪的移动并且基于预测的相关性程度,方法900可评估移动是否在对应于增加的相关性程度的方向上。在两个方面(步骤940的方面以及步骤950和步骤960的方面),方法900可通过多次执行步骤910至步骤930来利用对应于多个心脏位置的多个预测的相关性程度值。
图10是用于训练起搏标测预测模型的另一个示例方法1000的流程图,基于该示例方法可实现本公开的一个或多个特征。起搏标测模型可基于神经网络,如参考图4所述。方法1000可接收训练数据集,基于该训练数据集训练起搏标测模型。训练数据集可包括与过去对患者执行的起搏标测规程相关联的起搏标测图对的数据。因此,对于每个此类患者,方法1000可接收多个起搏标测图对,每对包括完整的起搏标测图和不完整的起搏标测图(例如,对610.1和620.1或对610.2和620.2)。因此,在步骤1010中,方法1000可接收完整的起搏标测图,每个起搏标测图可包括相关性矩阵。矩阵的每个元素可对应于患者的心脏中的一个心脏位置,并且可表示起搏标测数据集(对应于该一个心脏位置)和患者的电生理数据之间的相关性程度。在步骤1020中,方法1000可接收不完整的起搏标测图,每个起搏标测图包括对应完整的起搏标测图的重复相关性矩阵的重复相关性矩阵,其中随机选择的重复相关性矩阵的一个或多个元素被设置为指示未知值的预先确定的值。在一个方面,对于成对的完整的起搏标测图和不完整的起搏标测图中的每对(例如,对710.1和720.1或对710.3和720.2),也可在步骤1020中接收与该对中的不完整的起搏标测图(例如,与710.1相关联的710.2或与710.3相关联的710.4)相关联的分类矩阵。分类矩阵的每个元素值可指示相关联不完整的起搏标测图中的对应元素值是否被设置为预先确定的值。然后,在步骤1030中,方法1000可训练起搏标测预测模型以接收包含已知和未知相关性矩阵元素的新患者的不完整的起搏标测图,并且提供包含未知相关性矩阵元素的预测的预测的完整的起搏标测图。
图11是用于应用起搏标测预测模型的另一个示例方法1100的流程图,基于该示例方法可实现本公开的一个或多个特征。例如,如参考图10所述的经训练的起搏标测预测模型可在起搏标测规程期间应用于被护理患者。在步骤1110中,方法1100可接收在规程期间生成的不完整的起搏标测图。不完整的起搏标测图可包括具有已知和未知元素的相关性矩阵。矩阵的已知元素中的每个已知元素可对应于新患者的心脏中的一个心脏位置,并且可表示新患者的电生理数据和从定位在新患者的心脏中的该一个心脏位置处的电极获得的起搏标测数据之间的相关性程度。然后,在步骤1120中,方法1100可向起搏标测预测模型馈送新的不完整的起搏标测图以获得包含未知元素的预测的新预测的完整的起搏标测图。新预测的起搏标测图可用于引导医师在其搜索可能是患者的心律失常的起源的起搏标测位点时执行规程。在一个方面,在步骤1130中,方法1100可基于新预测的完整的起搏标测图来预测患者的心脏中的待用作下一个起搏标测的心脏位置。在另一个方面,在步骤1140中,方法1100可跟踪电极的移动。然后,在步骤1150中,方法1100可基于所跟踪的移动并基于新预测的完整的起搏标测图评估该移动是否在对应于增加的相关性程度的方向上。
可诱发与患者经历的心律失常相关联的电生理数据(例如,如相对于方法800、方法900、方法1000和方法1100所述)。例如,患者可能正经历由致心律失常药物(诸如异丙肾上腺素)或通过经历剧烈活动诱发的VT。
在一个方面,如参考图4至图11所述,训练和应用机器学习模型可由本文所述的系统100(图1)或200(图2)(也表示3 3D映射系统)实时地、在进行心脏规程的设施(诸如医院或医疗设施)处的服务器上或者在远程位置(诸如在云中或在训练中心)处的服务器上执行。在一个方面,系统100(图1)或200(图2)的供应商可用预先训练的起搏标测预测模型递送此类系统。医院可继续训练系统(例如,基于增强的或新的训练数据集来更新起搏标测预测模型)。在一个方面,可以为所有医院或一组医院维护单个起搏标测预测模型,或者每个医院可维护其自己的起搏标测预测模型。
在本专利申请的一个方面,利用机器学习模型来识别起搏规程工作流中的起搏脉冲序列并且自动地测量(起搏序列中的)最后一个起搏脉冲和在最后一个起搏脉冲之后的第一个自然搏动之间的间期。此类间期测量值可从与特定ECG信号相关联的时间或电压卡尺获得。
一些电生理规程需要用于不同心律失常(诸如AF或VT)的起搏操纵,其中可生成起搏脉冲链。起搏可在一个或多个心脏位置处生成,并且可在一个或多个心脏位置处和体表电极上测量。起搏脉冲链可在相等的时间距离内产生或可在不同的时间距离内产生。然后,系统的操作者可打开与特定ECG信号相关联的时间或电压卡尺,并且可测量从最后一个起搏脉冲到第一个自然搏动的距离。起搏操纵可能在表征心脏组织、推断短通路的存在以及识别折返电路的位置中是有用的。
图12示出了由医师手动获得的起搏操纵和时间卡尺测量值的示例ECG描记线1200,基于该示例ECG描记线可实现本公开的一个或多个特征。例如,相对于消融导管ABLd1250,起搏操纵可包括起搏序列,该起搏序列包括脉冲,每个脉冲具有与其相关联的持续时间,例如,1210.1-1210.4。例如,最后一个脉冲具有340毫秒(ms)的持续时间1210.4。起搏操纵还可包括具有与它们相关联的持续时间1210.5-1210.N的自然脉冲。起搏后间期(PPI)可被定义为从最后一个脉冲1220的启动时间延伸到第一个自然搏动1230(此后是下一个自然搏动)的时间的间期1210.4。起搏序列和自然搏动两者可与不同的心脏位置相关联并且可具有不同的持续时间,例如,1210.1-1210.N。
在一个方面,可应用机器学习算法以基于起搏操纵来检测可被医师接受、拒绝或修改的(时间卡尺和/或电压卡尺的)间期测量值。为此,基于从医师手动获得的训练数据集(包括起搏操纵和对应间期测量值)来训练机器学习模型。在一个方面,训练数据集的起搏操纵和对应间期测量值与不同心脏位置相关联并且具有不同的持续时间。在神经网络的训练期间(训练阶段)以及在经训练的神经网络的应用期间(推断阶段),间期测量值可包括一段时间(或电压)的开始和结束,并且可由以下表示:1)起搏后间期(最后一个起搏尖峰到第一个自然搏动之间的时间),例如1210.4;2)起搏训练特性(规则和不规则的时间间期),例如1210.1;3)心动过速循环长度;4)冠状窦导管电极上的类似测量值;5)其他导管的电极的类似测量值;以及6)它们的组合。
图13A至图13B示出了描绘机器学习模型的训练方法(图13A)和机器学习模型应用程序(图13B)的示例流程图,基于该训练方法和机器学习模型应用程序可实现本公开的一个或多个特征。步骤1310至步骤1330描述了机器学习算法的训练阶段。因此,在步骤1310中,接收起搏操纵,每个起搏操纵可包括与心脏位置相关联的起搏序列和后续自然搏动。在步骤1320中,接收各自对应于起搏操纵的间期测量值。每个接收到的间期测量值1210.4可与最后一个起搏脉冲和下一个自然搏动之间的距离相关联。然后,在步骤1330中,可基于所接收的起搏操纵1310和对应所接收的间期测量值1320来训练机器学习模型,以在呈现新的起搏操纵时预测间期测量值。因此,在一个方面,基于训练数据的示例对,可训练机器学习模型,每个示例对可包括起搏操纵(包括起搏序列和后续自然搏动)和对应间期测量值。例如,训练对可包括300ms、290ms、280ms和270ms的序列,以及测量最后一个起搏脉冲1220和下一个自然搏动1230之间的距离(例如,从最后一个起搏脉冲1220周围±10ms到下一个自然搏动1230周围±10ms测量的距离)的对应间期测量值(例如,时间卡尺)。间期测量值可由医师基于相应的起搏操纵手动确定。因此,机器学习模型学习例如医师以±10ms的间期步长在最后一个起搏脉冲上或在标测注释上调整卡尺的偏好。
一旦训练机器学习模型,如参考图13A所述,其可应用于如图13B所示的推断阶段。因此,在步骤1340中,机器学习模型可接收可包括起搏序列和后续自然搏动的起搏操纵作为输入。基于所接收的起搏操纵,如所训练的,模型可在步骤1350中输出用于间期测量的预测。例如,如果机器学习模型接收301ms、289ms、282ms和269ms的序列,则机器学习模型可预测与最后一个起搏脉冲和下一个自然搏动之间的距离1210.4相关联的间期测量值(卡尺间期)。医师可任选地接受、拒绝或修改预测的卡尺间期。例如,如果医师接受,则预测的卡尺间期可存储在和/或可用于更新由系统100(图1)或200(图2)生成的EP心脏标测图。
在一个方面,预测的间期测量值(即,时间卡尺或电压卡尺)可用于更新EP标测图以帮助表征组织、识别短通路的存在、识别折返电路的位置等。例如,EP标测图的元素可表示心脏中的对应起搏位置处的卡尺间期。在一个方面,可对EP标测图进行颜色编码以识别前述任一种。
图14示出了示例RNN 1420的功能框图1400,基于该示例RNN 1420可实现本公开的一个或多个特征。可应用各种机器学习模型来实现参考图13A至图13B所示的特征,诸如相对于图4和图14所述的那些神经网络。例如,可使用RNN 1420。在一个方面,RNN 1420可接收起搏脉冲和自然搏动作为输入数据1410。训练RNN 1420以基于输入数据1410产生输出1430,所述输出诸如最后一个起搏脉冲和标测注释(即,自然搏动)之间的间期测量值。由RNN 1420接收的输入数据1410越多,输出1430可越准确。RNN 1420的输出诸如输出1430可用于训练RNN 1400,如图14中的箭头1440所示。因此,如果输出1430由医师接受,则输出1430可用作输入1410以训练RNN 1420。
在一个方面,如参考图12至图14所述,训练和应用机器学习模型可由本文所述的系统100(图1)或200(图2)(也表示映射系统)实时地、在进行心脏规程的设施(诸如医院或医疗设施)处的服务器上或者在远程位置(诸如在云中或在训练中心)处的服务器上执行。
虽然上文具体地描述了特征和元件,但本领域的普通技术人员将会知道,每个特征或元件均可以单独使用或以与其它特征和元件的任何组合使用。此外,尽管上文以特定顺序描述了过程步骤,但这些步骤可以以其他期望的顺序执行。
本文所述的方法、过程、模块和系统可在被结合在计算机可读介质中的计算机程序、软件或固件中实现,以供计算机或处理器执行。计算机可读介质的示例包括电子信号(通过有线或无线连接传输)和计算机可读存储介质。计算机可读存储介质的示例包括但不限于只读存储器(ROM)、随机存取存储器(RAM)、寄存器、高速缓存存储器、半导体存储器装置、磁介质(诸如内部硬盘和可移动盘)、磁光介质以及光学介质(诸如CD-ROM盘和数字通用盘(DVD))。与软件相关联的处理器可用于实现在WTRU、UE、终端、基站、RNC或任何主计算机中使用的射频收发器。
本文的另外的实施方案可通过用来自本文的任何一个或多个其它实施方案的一种或多种元素补充实施方案,和/或用来自本文的一个或多个其它实施方案的一种或多种元素取代一种实施方案中的一种或多种元素而构成。
因此,应当理解,所公开的主题不局限于所公开的特定实施方案,但是旨在涵盖符合本公开的实质和范围的所有修改,如所附权利要求书、具体实施方式所定义和/或如附图中所示。
Claims (30)
1.一种用于训练起搏标测预测模型的方法,所述方法包括:
接收与患者的心脏相关联的训练数据集,对于每个患者,所述训练数据集包括:
电生理数据,所述电生理数据与所述患者的心律失常相关联,
起搏标测数据集,每个起搏标测数据集从定位在所述患者的心脏中的心脏位置处的电极获得,和
相关性数据,所述相关性数据测量所述起搏标测数据集中的每个起搏标测数据集和所述电生理数据之间的相关性程度;以及
基于所述训练数据集来训练所述起搏标测预测模型,以预测与新患者相关联的电生理数据和起搏标测数据集之间的相关性程度。
2.根据权利要求1所述的方法,所述方法还包括在新患者的心脏的起搏标测规程期间:
接收输入数据,所述输入数据包括:
电生理数据,所述电生理数据与所述新患者的心律失常相关联,和
起搏标测数据集,所述起搏标测数据集从定位在所述新患者的所述心脏中的心脏位置处的电极获得;以及
向所述起搏标测预测模型馈送所述输入数据,以获得所述输入数据的所述电生理数据和所述起搏标测数据集之间的预测的相关性程度。
3.根据权利要求2所述的方法,所述方法还包括:
基于所述预测的相关性程度来预测所述新患者的所述心脏中的待在下一个起搏标测中使用的心脏位置。
4.根据权利要求2所述的方法,所述方法还包括:
跟踪所述电极的移动;以及
基于所跟踪的移动并基于所述预测的相关性程度来评估所述移动是否在对应于增加的相关性程度的方向上。
5.根据权利要求1所述的方法,其中:
对于每个患者,所述训练数据集包括成对的完整的起搏标测图和不完整的起搏标测图,其中:
所述完整的起搏标测图包括相关性矩阵,所述矩阵的每个元素对应于一个心脏位置,并且表示所述患者的电生理数据和对应于所述一个心脏位置的所述起搏标测数据集中的起搏标测数据集之间的相关性程度,并且
所述不完整的起搏标测图包括所述完整的起搏标测图的重复相关性矩阵的重复相关性矩阵,其中随机选择的所述重复相关性矩阵的一个或多个元素被设置为指示未知值的预先确定的值;并且
所述训练包括训练所述起搏标测预测模型以接收新患者的不完整起搏标测图并输出预测的完整的起搏标测图。
6.根据权利要求5所述的方法,所述方法还包括:
对于所述成对的完整的起搏标测图和不完整的起搏标测图中的每对,分类矩阵与所述对中的所述不完整的起搏标测图相关联,所述分类矩阵的每个元素值指示所述相关联不完整的起搏标测图中的对应元素值是否被设置为所述预先确定的值。
7.根据权利要求5所述的方法,所述方法还包括在新患者的心脏的起搏标测期间:
接收新的不完整的起搏标测图,所述不完整的起搏标测图包括具有已知元素和未知元素的相关性矩阵,其中所述矩阵的所述已知元素中的每个已知元素对应于所述新患者的所述心脏中的一个心脏位置,并且表示所述新患者的电生理数据和从定位在所述新患者的所述心脏中的所述一个心脏位置处的电极获得的起搏标测数据之间的相关性程度;以及
向所述起搏标测预测模型馈送所述新的不完整的起搏标测图以获得新预测的完整的起搏标测图。
8.根据权利要求7所述的方法,所述方法还包括:
基于所述新预测的完整的起搏标测图来预测所述新患者的所述心脏中的待在下一个起搏标测中使用的心脏位置。
9.根据权利要求7所述的方法,所述方法还包括:
跟踪所述电极的移动;以及
基于所跟踪的移动并基于所述新预测的完整的起搏标测图来评估所述移动是否在对应于增加的相关性程度的方向上。
10.根据权利要求1所述的方法,其中所述心律失常是室性心动过速。
11.根据权利要求1所述的方法,其中所述心律失常由所述电极诱发,并且其中所述电生理数据是诱发性电生理数据。
12.根据权利要求1所述的方法,其中所述电生理数据和所述起搏标测数据集中的每个起搏标测数据集包括心电图信号数据。
13.根据权利要求12所述的方法,其中所述电生理数据包括诱发性心电图信号数据。
14.根据权利要求1所述的方法,其中所述起搏标测预测模型是神经网络。
15.根据权利要求1所述的方法,其中所述训练数据集是从数据库获得的。
16.根据权利要求1所述的方法,其中所述训练数据集还包括局部激活时间标测图或电压标测图中的一者。
17.根据权利要求1所述的方法,其中所述电极被定位在导管上。
18.根据权利要求1所述的方法,其中所述电极包括定位在多个心脏位置处的多个电极,并且其中所述起搏标测数据集中的每个起搏标测数据集是从所述多个电极顺序地或同时地获得的。
19.一种用于训练起搏标测预测模型的系统,所述系统包括:
至少一个处理器;和
存储指令的存储器,所述指令在由所述至少一个处理器执行时使得所述系统:
接收与患者的心脏相关联的训练数据集,对于每个患者,所述训练数据集包括:
电生理数据,所述电生理数据与所述患者的心律失常相关联,
起搏标测数据集,每个起搏标测数据集从定位在所述患者的心脏中的心脏位置处的电极获得,和
相关性数据,所述相关性数据测量所述起搏标测数据集中的每个起搏标测数据集和所述电生理数据之间的相关性程度;以及基于所述训练数据集来训练所述起搏标测预测模型,以预测与新患者相关联的电生理数据和起搏标测数据集之间的相关性程度。
20.一种非暂态计算机可读介质,所述非暂态计算机可读介质包括能够由至少一个处理器执行以执行用于训练起搏标测预测模型的方法的指令,所述方法包括:
接收与患者的心脏相关联的训练数据集,对于每个患者,所述训练数据集包括:
电生理数据,所述电生理数据与所述患者的心律失常相关联,
起搏标测数据集,每个起搏标测数据集从定位在所述患者的心脏中的心脏位置处的电极获得,和
相关性数据,所述相关性数据测量所述起搏标测数据集中的每个起搏标测数据集和所述电生理数据之间的相关性程度;以及
基于所述训练数据集来训练所述起搏标测预测模型,以预测与新患者相关联的电生理数据和起搏标测数据集之间的相关性程度。
21.一种用于训练起搏操纵预测模型的方法,所述方法包括:
接收与患者的心脏相关联的训练数据集,对于每个患者,所述训练数据集包括:
起搏操纵,每个起搏操纵与所述患者的心脏中的起搏位置相关联,和
对应间期测量值,每个对应间期测量值与来自对应起搏操纵的最后一个起搏脉冲和自然搏动之间的距离相关联;以及
基于所述训练数据集来训练所述起搏操纵预测模型,以基于与新患者相关联的起搏操纵来预测间期测量值。
22.根据权利要求21所述的方法,所述方法还包括在新患者的心脏的起搏操纵规程期间:
接收与所述新患者的所述心脏中的起搏位置相关联的起搏操纵;以及
向所述起搏操纵预测模型馈送所接收的起搏操纵以获得预测的间期测量值。
23.根据权利要求22所述的方法,其中:
对于所述起搏操纵中的每个起搏操纵,所述训练数据集还包括从所述起搏操纵检测到的最后一个起搏脉冲和自然搏动;并且
所述起搏操纵预测模型被进一步训练,以从所接收的起搏操纵中检测起搏脉冲和自然搏动。
24.根据权利要求22所述的方法,其中所述训练数据集的所述间期测量值和所述预测的间期测量值测量时间卡尺。
25.根据权利要求22所述的方法,其中所述训练数据集的所述间期测量值和所述预测的间期测量值测量电压卡尺。
26.根据权利要求22所述的方法,其中从心电图导出所述训练数据集的所述起搏操纵和与所述新患者相关联的所述起搏操纵。
27.根据权利要求22所述的方法,所述方法还包括:
用所述预测的间期测量值更新电生理标测图。
28.根据权利要求22所述的方法,其中所述训练数据集的所述起搏操纵和与所述新患者相关联的所述起搏操纵各自包括起搏序列和后续自然搏动。
29.一种用于训练起搏操纵预测模型的系统,所述系统包括:
至少一个处理器;和
存储指令的存储器,所述指令在由所述至少一个处理器执行时使得所述系统:
接收与患者的心脏相关联的训练数据集,对于每个患者,所述训练数据集包括:
起搏操纵,每个起搏操纵与所述患者的心脏中的起搏位置相关联,和
对应间期测量值,每个对应间期测量值与来自对应起搏操纵的最后一个起搏脉冲和自然搏动之间的距离相关联;以及
基于所述训练数据集来训练所述起搏操纵预测模型,以基于与新患者相关联的起搏操纵来预测间期测量值。
30.一种非暂态计算机可读介质,所述非暂态计算机可读介质包括能够由至少一个处理器执行以执行用于训练起搏操纵预测模型的方法的指令,所述方法包括:
接收与患者的心脏相关联的训练数据集,对于每个患者,所述训练数据集包括:
起搏操纵,每个起搏操纵与所述患者的心脏中的起搏位置相关联,和
对应间期测量值,每个对应间期测量值与来自对应起搏操纵的最后一个起搏脉冲和自然搏动之间的距离相关联;以及
基于所述训练数据集来训练所述起搏操纵预测模型,以基于与新患者相关联的起搏操纵来预测间期测量值。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063062715P | 2020-08-07 | 2020-08-07 | |
US63/062715 | 2020-08-07 | ||
US17/391249 | 2021-08-02 | ||
US17/391,249 US20220039730A1 (en) | 2020-08-07 | 2021-08-02 | System and method to detect and identify cardiac pace-mapping sites and pacing maneuvers |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114067987A true CN114067987A (zh) | 2022-02-18 |
Family
ID=77249699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110907181.6A Pending CN114067987A (zh) | 2020-08-07 | 2021-08-09 | 用于检测和识别心脏起搏标测位点和起搏操纵的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220039730A1 (zh) |
EP (1) | EP3951788A1 (zh) |
JP (1) | JP2022031248A (zh) |
CN (1) | CN114067987A (zh) |
IL (1) | IL285347A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220068483A1 (en) * | 2020-09-01 | 2022-03-03 | Biosense Webster (Israel) Ltd. | Arrhythmia classification for cardiac mapping |
WO2024009220A1 (en) * | 2022-07-05 | 2024-01-11 | Biosense Webster (Israel) Ltd. | System and method to determine the location of a catheter |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7907994B2 (en) * | 2007-01-11 | 2011-03-15 | Biosense Webster, Inc. | Automated pace-mapping for identification of cardiac arrhythmic conductive pathways and foci |
CA3125679A1 (en) * | 2018-12-31 | 2020-07-09 | The Regents Of The University Of California | Enhanced computational heart simulations |
-
2021
- 2021-08-02 US US17/391,249 patent/US20220039730A1/en active Pending
- 2021-08-03 IL IL285347A patent/IL285347A/en unknown
- 2021-08-06 EP EP21190023.8A patent/EP3951788A1/en active Pending
- 2021-08-06 JP JP2021129636A patent/JP2022031248A/ja active Pending
- 2021-08-09 CN CN202110907181.6A patent/CN114067987A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2022031248A (ja) | 2022-02-18 |
US20220039730A1 (en) | 2022-02-10 |
EP3951788A1 (en) | 2022-02-09 |
IL285347A (en) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3960085B1 (en) | Arrhythmia classification for cardiac mapping | |
EP3951790A1 (en) | An apparatus for treating cardiac arrhythmias utilizing a machine learning algorithm to optimize an ablation index calculation | |
CN114176757A (zh) | 消融间隙的识别 | |
US20220039730A1 (en) | System and method to detect and identify cardiac pace-mapping sites and pacing maneuvers | |
US20220181025A1 (en) | Setting an automatic window of interest based on a learning data analysis | |
US20210391082A1 (en) | Detecting atrial fibrillation and atrial fibrillation termination | |
US20220238218A1 (en) | Automatic catheter stability determination | |
US20220036555A1 (en) | Automatically identifying scar areas within organic tissue using multiple imaging modalities | |
US20220180219A1 (en) | Automatic acquisition of electrophysical data points using automated setting of signal rejection criteria based on big data analysis | |
US20220181024A1 (en) | Catheter structure examination and optimization using medical procedure information | |
CN114795227A (zh) | 通过导管的在线磁性校准来管理医疗装置装备 | |
US20230119769A1 (en) | Point-list linking to three-dimensional anatomy | |
US20220068479A1 (en) | Separating abnormal heart activities into different classes | |
US20220193422A1 (en) | Automatic post pacing interval measurement and display | |
US20230146716A1 (en) | Digital twin of atria for atrial fibrillation patients | |
WO2022162484A1 (en) | Adaptive navigation and registration interface for medical imaging | |
JP2022001256A (ja) | オートエンコーダを使用した心室遠距離場推定 |
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 |