CN114068010A - 利用机器学习算法来优化消融指数计算的用于治疗心律失常的装置 - Google Patents

利用机器学习算法来优化消融指数计算的用于治疗心律失常的装置 Download PDF

Info

Publication number
CN114068010A
CN114068010A CN202110901646.7A CN202110901646A CN114068010A CN 114068010 A CN114068010 A CN 114068010A CN 202110901646 A CN202110901646 A CN 202110901646A CN 114068010 A CN114068010 A CN 114068010A
Authority
CN
China
Prior art keywords
ablation
optimization engine
catheter
data
patient
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
CN202110901646.7A
Other languages
English (en)
Inventor
A·考夫曼
S·以利亚胡
S·奥尔巴赫
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.)
Biosense Webster Israel Ltd
Original Assignee
Biosense Webster Israel Ltd
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 Biosense Webster Israel Ltd filed Critical Biosense Webster Israel Ltd
Publication of CN114068010A publication Critical patent/CN114068010A/zh
Pending legal-status Critical Current

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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • 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
    • 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
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00053—Mechanical features of the instrument of device
    • A61B2018/00214—Expandable means emitting energy, e.g. by elements carried thereon
    • A61B2018/00267—Expandable means emitting energy, e.g. by elements carried thereon having a basket shaped structure
    • 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
    • A61B2018/00315—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
    • A61B2018/00357—Endocardium
    • 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
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Surgery (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Urology & Nephrology (AREA)
  • Otolaryngology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Plasma & Fusion (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Surgical Instruments (AREA)

Abstract

本发明题为“利用机器学习算法来优化消融指数计算的用于治疗心律失常的装置”。本发明提供了一种方法。该方法包括由优化引擎接收来自先前消融规程的输入。该方法还包括由优化引擎训练优化引擎的机器学习算法以学习先前消融规程的场景。该方法还包括由优化引擎生成场景的消融指数。

Description

利用机器学习算法来优化消融指数计算的用于治疗心律失常 的装置
交叉引用
本申请要求2020年8月6日提交的美国临时专利申请号63/062,225的权益，该申请如同完整阐述般以引用方式并入。
技术领域
本发明涉及机器学习和/或人工智能(ML/AI)方法和系统。ML/AI方法和系统整体涉及心脏组织的消融，并且更具体地讲，涉及估计在心脏消融期间将在患者心脏中形成的消融灶的物理尺寸。在一个示例中，本发明涉及利用ML/AI算法来优化消融指数计算的用于治疗心律失常的装置。
背景技术
消融导管可用于在心脏组织中造成组织坏死来校正心律失常(例如，包括但不限于心房纤颤、心房扑动、房性心动过速和室性心动过速)。心律失常会造成各种危险状况，包括不规则心率、脑中风、房室同步收缩丧失和血流停滞，这可能导致各种疾病甚至死亡。据信，许多心律失常的主要原因是一个或多个心脏腔室内的杂散电信号或心脏腔室之间的不规则电连接。
在心脏消融期间，在患者的心脏组织中产生消融灶。为了产生消融灶，将导管插入心脏中，使得其接触组织，并且将电磁射频(RF)能量从导管电极注入组织中，从而导致消融并产生消融灶。
为了获得成功的结果，维持对所创建的消融灶的物理尺寸的控制是至关重要的。例如，消融灶可为深的、浅的、窄的或宽的。优化消融灶尺寸是重要的，因为在消融灶相对于心脏组织太深的情况下，其可伤害患者。同样，如果消融灶太浅，则杂散电信号可继续在消融灶下方行进，从而导致不规则心跳。
存在用于预测或估计在心脏消融期间将在患者体内形成的消融灶的物理尺寸的常规方法。然而，常规的预测或估计消融灶的物理尺寸是次优的，因为消融灶的实际物理尺寸不同于所估计的物理尺寸。这部分地是因为常规方法无法考虑导致此类差异的许多外部因素，诸如执行消融的操作者的技能、患者的健康状况、患者心脏的解剖结构等，以及其他不同的物理患者属性。更具体地，消融指数描述于Hussein等人在2016Heart RhythmCongress提供的名称为“针对心房纤颤的消融指数引导的肺静脉隔离与接触力引导的消融相比可改进临床结果(Ablation Index-guided Pulmonary Vein Isolation for AtrialFibrillation may Improve Clinical Outcomes in Comparison to Contact Force–guided Ablation)”的文章以及Bar-Tal等人的美国专利10,517,670中，这些全文以引用方式并入本文。
需要改进消融指数的准确性。
发明内容
根据一个示例性实施方案，提供了一种方法。该方法包括由优化引擎接收来自先前消融规程的输入。该方法还包括由优化引擎训练优化引擎的机器学习算法以学习先前消融规程的场景。该方法还包括由优化引擎生成场景的消融指数。
根据一个或多个实施方案，上述示例性方法实施方案可被实现为装置、系统和/或计算机程序产品。
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为可以实施本公开主题的一个或多个特征的示例性系统的图示；
图2示出了根据一个或多个实施方案的用于心房的解剖学上正确的重建的示例性系统的框图；
图3示出了根据一个或多个实施方案的示例性方法；
图4示出了根据一个或多个实施方案的AI系统的图形描绘；
图5示出了根据一个或多个实施方案的神经网络和在神经网络中执行的方法的框图的示例；
图6示出了根据一个或多个实施方案的方法；
图7示出了根据一个或多个实施方案的曲线图；
图8示出了根据一个或多个实施方案的曲线图；
图9示出了根据一个或多个实施方案的曲线图；
图10示出了根据一个或多个实施方案的表；
图11示出了根据一个或多个实施方案的曲线图；并且
图12示出了根据一个或多个实施方案的曲线图。
具体实施方式
本文公开了由优化引擎实现的ML/AI方法和系统。更具体地，本发明涉及优化引擎，该优化引擎包括未受监督和/或受监督的ML/AI算法，该算法优化消融指数计算，诸如通过估计在心脏消融期间将在患者心脏中形成的消融灶的物理尺寸。消融指数可以是预测数学公式的结果，该预测数学公式对参数进行加权，该参数诸如由导管施加到组织的接触力F的量(以克为单位测量)、在消融规程期间施加的电特性(诸如功率P和电流I)以及消融规程的时间T。消融指数用于预测经历心脏消融的患者中的消融灶的可重复性和再现性，以及物理尺寸。因此，优化引擎的一个或多个优点、技术效果和/或益处可包括提供改进心律失常诊断和治疗的优化的消融指数计算(例如，改进消融指数的准确性)。
例如，优化引擎获得可用输入，诸如用于消融指数计算的参数、温度、阻抗、体表心电图(ECG)、心内(IC)ECG、解剖结构、电压标测图、导管稳定性和患者人口统计资料，和/或对于经历消融规程的患者而言独特的任何参数。这些输入由优化引擎识别和考虑以优化或微调消融指数计算，从而预测/估计最佳地拟合特定位置、操作/规程和患者的物理尺寸。利用优化的消融指数计算和估计的物理尺寸，医师可继续进行诊断和治疗(例如，执行消融规程)。随后，优化引擎可基于以下来确定消融规程的成功：(1)向正常窦性节律的转换；(2)异常电信号的消失或信号衰减；(3)节律终止，以及(4)隔离线的创建。优化引擎还可接收患者的随访信息，该随访信息指示消融规程在时间角度上是否成功(例如，在预定义的时间段(诸如一年)内没有心律失常的复发)。
为了便于解释，本文相对于标测和治疗心脏(例如，左心房)来描述优化引擎；然而，任何解剖结构、身体部位、器官或其部分可为用于通过本文所述的优化引擎进行标测和治疗的目标。另外，优化引擎和/或未受监督和/或受监督的ML/AI算法是处理器可执行代码或软件，该处理器可执行代码或软件必须根源在于医疗设备装备的处理操作以及其处理硬件。
根据一个或多个实施方案，提供了一种方法。该方法包括由优化引擎接收来自一个或多个先前消融规程的多个输入；由优化引擎训练优化引擎的机器学习算法以学习一个或多个先前消融规程的一个或多个场景；以及由优化引擎生成一个或多个场景的消融指数。
根据本文的一个或多个实施方案或任何方法实施方案，多个输入可包括消融指数，该消融指数基于由导管施加到组织的接触力的量、在消融规程期间施加的电磁特性以及消融规程的时间。
根据本文的一个或多个实施方案或任何方法实施方案，多个输入可包括消融连续归一化输入参数和消融分类归一化输入参数。
根据本文的一个或多个实施方案或任何方法实施方案，消融连续归一化输入参数可包括消融持续时间、初始阻抗、径向位置、当前消融与先前消融之间的持续时间、导管稳定性、消融功率、消融最大温度、与先前消融的距离、或阻抗减小参数。
根据本文的一个或多个实施方案或任何方法实施方案，消融分类归一化输入参数可包括左心房右侧、左心房左侧、肺静脉口、组织特征、年龄组或基础疾病。
根据本文的一个或多个实施方案或任何方法实施方案，机器学习算法可以是未受监督或受监督的。
根据本文的一个或多个实施方案或任何方法实施方案，一个或多个场景可包括不同患者分组或不同规程分组。
根据本文的一个或多个实施方案或任何方法实施方案，训练集可提供每个患者分组或规程分组的目标值。
根据本文的一个或多个实施方案或任何方法实施方案，该方法还可包括执行优化引擎以生成实时规程的新消融目标。
根据本文的一个或多个实施方案或任何方法实施方案，多个输入可由与优化引擎通信的数据库存储。
根据一个或多个实施方案，提供了一种系统。该系统包括：存储器，该存储器存储用于优化引擎的处理器可执行代码；和一个或多个处理器，该一个或多个处理器执行处理器可执行代码以致使该系统：由优化引擎接收来自一个或多个先前消融规程的多个输入；由优化引擎训练优化引擎的机器学习算法以学习一个或多个先前消融规程的一个或多个场景；以及由优化引擎生成一个或多个场景的消融指数。
根据本文的一个或多个实施方案或任何系统实施方案，多个输入可包括消融指数，该消融指数基于由导管施加到组织的接触力的量、在消融规程期间施加的电磁特性以及消融规程的时间。
根据本文的一个或多个实施方案或任何系统实施方案，多个输入可包括消融连续归一化输入参数和消融分类归一化输入参数。
根据本文的一个或多个实施方案或任何系统实施方案，消融连续归一化输入参数可包括消融持续时间、初始阻抗、径向位置、当前消融与先前消融之间的持续时间、导管稳定性、消融功率、消融最大温度、与先前消融的距离、或阻抗减小参数。
根据本文的一个或多个实施方案或任何系统实施方案，消融分类归一化输入参数可包括左心房右侧、左心房左侧、肺静脉口、组织特征、年龄组或基础疾病。
根据本文的一个或多个实施方案或任何系统实施方案，机器学习算法可以是未受监督或受监督的。
根据本文的一个或多个实施方案或任何系统实施方案，一个或多个场景可包括不同患者分组或不同规程分组。
根据本文的一个或多个实施方案或任何系统实施方案，训练集可提供每个患者分组或规程分组的目标值。
根据本文的一个或多个实施方案或任何系统实施方案，处理器可执行代码可被进一步执行以致使该系统执行优化引擎以生成实时规程的新消融目标。
根据本文的一个或多个实施方案或任何系统实施方案，多个输入可由与优化引擎通信的数据库存储。
图1是被示为系统100的示例性系统(例如，医疗设备装备)的图，其中可根据一个或多个实施方案来实现本文主题的一个或多个特征。系统100的全部或部分可用于收集信息(例如，生物计量数据和/或训练数据集)和/或用于实现优化引擎101(例如，ML/AI算法)，如本文所述。优化引擎101可被定义为其中在迭代过程中估计最佳拟合数据和先验统计知识的模型参数的优化。
如图所示，系统100包括探头105，其具有导管110(包括至少一个电极111)、轴112、护套113和操纵器114。如图所示，系统100还包括医师115(或医疗专业人员或临床医生)、心脏120、患者125和床130(或桌子)。需注意，插图140和150更详细地示出了心脏120和导管110。如图所示，系统100还包括控制台160(包括一个或多个处理器161和存储器162)和显示器165。还需注意，系统100的每个元素和/或项目表示该元素和/或该项目中的一者或多者。图1所示的系统100的示例可被修改成实现本文所公开的实施方案。本发明所公开的实施方案可类似地使用其他系统部件和设置来应用。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、处理和显示设备等。
系统100可用于检测、诊断和/或治疗心脏病症(例如，使用优化引擎101)。心脏病症诸如心律失常一直为常见和危险的医学病症，在老年人中尤为如此。另外，系统100可为外科系统(例如，由Biosense Webster销售的
Figure BDA0003199979100000061
系统)的一部分，该外科系统被配置为获得生物计量数据(例如，患者器官(诸如心脏120)的解剖测量结果和电测量结果)并且执行心脏消融规程。更具体地，诸如心律失常的心脏病症的治疗通常需要获得心脏组织、腔室、静脉、动脉和/或电通路的详细标测。例如，成功执行导管消融(如本文所述)的先决条件是心律失常的原因准确地位于心脏120的腔室中。此类定位可经由电生理研究来完成，在该电生理研究期间，用引入到心脏120的腔室中的标测导管(例如，导管110)来空间分辨地检测电势。该电生理研究(所谓的电解剖标测)因此提供可在监视器上显示的3D标测数据。在许多情况下，标测功能和治疗功能(例如，消融)由单个导管或一组导管提供，使得标测导管也同时作为治疗(例如，消融)导管操作。在这种情况下，优化引擎101可由导管110直接存储和执行。
在具有正常窦性节律(NSR)的患者(例如，患者125)中，包括心房、心室和兴奋性传导组织的心脏(例如，心脏120)被电激励而以同步的模式化方式跳动。需注意，该电激励可被检测为心内心电图(IC ECG)数据等。
在患有心律失常(例如，心房纤颤或aFib)的患者(例如，患者125)中，心脏组织的异常区域不遵循与正常传导组织相关联的同步跳动周期，这与患有NSR的患者形成对比。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。需注意，该异步心律也可被检测为IC ECG数据。之前已知这种异常传导发生于心脏120的各个区域，例如窦房(SA)结区域中、沿房室(AV)结的传导通路，或形成心室和心房心脏腔室的壁的心肌组织中。存在其他状况(诸如颤动)，其中异常传导组织的模式导致折返路径，使得腔室以规则模式跳动，该规则模式可为窦性节律的多倍。
为了支持系统100检测、诊断和/或治疗心脏病症，探头105可由医师115导航到躺在床130上的患者125的心脏120中。例如，医师115可穿过护套113插入轴112，同时使用导管110的近侧端部附近的操纵器114和/或从护套113偏转来操纵轴112的远侧端部。如插图140所示，篮形导管110可装配在轴112的远侧端部处。篮形导管110可在塌缩状态下穿过护套113插入并且然后可在心脏120内展开。
通常，可将在其远侧尖端处或附近包含电传感器(例如，至少一个电极111)的导管110推进到心脏120中的某点处，用传感器接触组织并获取该点处的数据，通过这种方式来测量心脏120中该点处的电活动。使用仅包含单个远侧尖端电极的导管来标测心脏腔室的一个缺点是在对于腔室总体的详细图所需的必要数量的点上逐点采集数据需要的时间较长。因此，已开发出多电极导管(例如，导管110)以同时在心脏腔室中的多个点处测量电活动。
可包括至少一个电极111和联接到其身体上的导管针的导管110可被配置为获得生物计量数据，诸如体内器官(例如，心脏120)的电信号，和/或消融其组织区域(例如，心脏120的心脏腔室)。需注意，电极111表示任何类似的元件，诸如跟踪线圈、压电换能器、电极、或被配置为消融组织区域或获得生物计量数据的元件的组合。根据一个或多个实施方案，导管110可包括用于确定轨线信息的一个或多个位置传感器。轨线信息可用于推断运动特性，诸如组织的收缩性。
生物计量数据(例如，患者生物计量、患者数据或患者生物计量数据)可包括局部激活时间(LAT)、电活动、拓扑、双极性标测、参考活动、心室活动、主频率、阻抗等中的一者或多者。LAT可以是基于归一化初始起点来计算的对应于局部激活的阈值活动的时间点。电活动可以是可以基于一个或多个阈值来测量并且可以基于信噪比和/或其他滤波器来感测和/或增强的任何适用的电信号。拓扑结构可以对应于身体部位或身体部位的一部分的物理结构，并且可以对应于物理结构相对于身体部位的不同部分或相对于不同身体部位的变化。主频可以是在身体部位的一部分处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，心脏的PV的主频可以不同于同一心脏的右心房的主频。阻抗可以是在身体部位的给定区域处的电阻测量结果。
生物计量数据的示例包括但不限于患者识别数据、IC ECG数据、双极性心内参考信号、解剖和电测量、轨线信息、体表(BS)ECG数据、历史数据、脑生物计量、血压数据、超声信号、无线电信号、音频信号、二维或三维图像数据、血糖数据和温度数据。通常可使用生物计量数据以便对任何数量的各种疾病进行监测、诊断和治疗，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)。需注意，BSECG数据可包括从患者表面上的电极收集的数据和信号，IC ECG数据可包括从患者体内的电极收集的数据和信号，并且消融数据可包括从已被消融的组织收集的数据和信号。另外，BS ECG数据、IC ECG数据和消融数据连同导管电极位置数据可从一个或多个规程记录导出。
例如，导管110可使用电极111来实现血管内超声和/或MRI导管插入以对心脏120进行成像(例如，获得和处理生物计量数据)。插图150以放大视图示出了在心脏120的心脏腔室内的导管110。虽然导管110示被为尖导管，但是应当理解，包括一个或多个电极111的任何形状可用于实现本文公开的示例性实施方案。
导管110的示例包括但不限于具有多个电极的线性导管、包括分散在使球囊成形的多个脊上的电极的球囊导管、具有多个电极的套索或环导管、接触力感测导管、或任何其他适用的形状或类型。线性导管可为完全或部分弹性的，使得其可基于所接收的信号和/或基于在线性导管上施加外力(例如，心脏组织)来扭曲、弯曲和/或以其他方式改变其形状。球囊导管可被设计成使得当部署到患者体内时，其电极可保持抵靠心内膜表面紧密接触。例如，球囊导管可插入内腔，诸如PV。球囊导管可以收缩状态插入PV中，使得球囊导管在插入PV中时不占据其最大体积。球囊导管可在PV内部膨胀，使得球囊导管上的那些电极与PV的整个圆形节段接触。与PV的整个圆形节段或任何其他内腔的此类接触可实现有效的成像和/或消融。
根据其他示例，身体贴片和/或体表电极也可定位在患者125的身体上或患者的身体附近。具有一个或多个电极111的导管110可定位在身体内(例如，心脏120内)，并且导管110的位置可由系统100基于在导管110的一个或多个电极111与身体贴片和/或体表电极之间传输和接收的信号来确定。另外，电极111可感测来自患者125体内的生物计量数据，诸如在心脏120内(例如，电极111实时感测组织的电势)。生物计量数据可与所确定的导管110的位置相关联，使得可显示患者的身体部位(例如，心脏120)的渲染，并且可显示覆盖在身体部位形状上的生物计量数据。
探头105和系统100的其他物品可连接到控制台160。控制台160可包括采用ML/AI算法(表示为优化引擎101)的任何计算设备。根据示例性实施方案，控制台160包括一个或多个处理器161(任何计算硬件)和存储器162(任何非临时性有形介质)，其中一个或多个处理器161执行相对于优化引擎101的计算机指令，并且存储器162存储这些指令以供一个或多个处理器161执行。例如，控制台160可被配置为在存储器162的数据库上接收和/或存储生物计量数据，处理生物计量数据，并且确定给定组织区域是否导电。
在一些实施方案中，控制台160还可由优化引擎101(在软件中)编程以执行以下功能：接收来自先前消融规程的输入，训练优化引擎的机器学习算法以学习先前消融规程的场景，以及生成场景的消融指数。
根据一个或多个实施方案，优化引擎101可用于评估先前消融规程的有效性。就这一点而言，优化引擎101可在本规程之外使用。
例如，优化引擎101可包括未受监督和/或受监督的ML/AI算法(本文相对于图3和图6所述)，其生成优化的消融指数。一旦生成优化的消融指数，优化引擎101就可接收表示用户修改的输入，诸如通过现有用户界面和/或优化引擎101的专用用户界面。一般来讲，优化引擎101可提供一个或多个用户界面，诸如代表操作系统或其他应用程序和/或根据需要直接提供。用户界面包括但不限于互联网浏览器、图形用户界面(GUI)、窗口界面和/或用于应用程序、操作系统、文件夹等的其他视觉界面。根据一个或多个实施方案，优化引擎101可位于控制台160的外部，并且可位于例如导管110中、外部设备中、移动设备中、基于云的设备中，或者可以是独立的处理器。就这一点而言，优化引擎101可以电子形式通过网络传输/下载。
在一个示例中，控制台160可以是包括软件(例如，优化引擎101)和/或硬件(例如，处理器161和存储器162)的如本文所述的任何计算设备(诸如通用计算机)，其具有合适的前端和接口电路，以用于向探头105传输信号和从探头接收信号，以及用于控制系统100的其他部件。例如，前端和接口电路包括输入/输出(I/O)通信接口，该输入/输出(I/O)通信接口使得控制台160能够从至少一个电极111接收信号和/或将信号传输到至少一个电极。控制台160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或心电图描记器或肌电图(EMG)信号转换集成电路。控制台160可将信号从A/DECG或EMG电路传递到另一个处理器并且/或者可被编程以执行本文所公开的一个或多个功能。
显示器165可为用于生物计量数据的视觉呈现的任何电子设备，该显示器连接到控制台160。根据示例性实施方案，在规程期间，控制台160可有利于在显示器165上向医师115呈现身体部位渲染，并且将表示身体部位渲染的数据存储在存储器162中。例如，描绘运动特性的标测图可基于在心脏120中的足够数量的点处采样的轨线信息来渲染/构建。作为示例，显示器165可包括触摸屏，该触摸屏可被配置为除了呈现身体部位渲染之外，还接受来自医疗专业人员115的输入。
在一些实施方案中，医师115可使用一个或多个输入设备(诸如触摸板、鼠标、键盘、手势识别装置等)来操纵系统100的元件和/或身体部位渲染。例如，输入设备可用于改变导管110的位置，使得渲染被更新。需注意，显示器165可位于相同的位置或远程位置，诸如单独的医院或单独的医疗保健提供者网络中。
根据一个或多个实施方案，系统100还可使用超声、计算机断层扫描(CT)、MRI或利用导管110或其他医疗装备的其他医疗成像技术来获得生物计量数据。例如，系统100可使用一个或多个导管110或其他传感器来获得心脏120的ECG数据和/或解剖和电测量结果(例如，生物计量数据)。更具体地，控制台160可通过电缆连接到BS电极，该BS电极包括附连到患者125的粘合剂皮肤贴片。BS电极可以BS ECG数据的形式获得/生成生物计量数据。例如，处理器161可确定导管110在患者125的身体部位(例如，心脏120)内的位置坐标。位置坐标可基于在体表电极与导管110的电极111或其他电磁部件之间测量的阻抗或电磁场。附加地或另选地，生成用于导航的磁场的定位垫可位于床130的表面上并且可与床130分离。生物计量数据可传输到控制台160并存储在存储器162中。另选地或除此之外，可使用如本文另外所述的网络将生物计量数据传输到服务器，该服务器可以是本地的或远程的。
根据一个或多个示例性实施方案，导管110可被配置为消融心脏120的心脏腔室的组织区域。插图150以放大视图示出了在心脏120的心脏腔室内的导管110。例如，消融电极诸如至少一个电极111可被配置为向体内器官(例如，心脏120)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。相对于消融规程(例如，消融组织、消融位置等)的生物计量数据可被认为是消融数据。
根据一个示例，相对于获得生物计量数据，可将多电极导管(例如，导管110)推进到心脏120的腔室中。可获得前后荧光图(AP)和侧向荧光图以建立每个电极的位置和取向。ECG可相对于时间基准(诸如来自BS ECG的窦性节律中的P波和/或来自放置在冠状窦中的导管110的电极111的信号的开始)从与心脏表面接触的电极111中的每一者记录。如本文进一步公开的，该系统可区分记录电活动的那些电极和由于不紧密接近心内膜壁而不记录电活动的那些电极。在记录初始ECG之后，可重新定位导管，并且可再次记录荧光图和ECG。然后可根据上述过程的迭代构建电标测图(例如，经由心脏标测)。
心脏标测可使用一种或多种技术来实现。一般来讲，心脏区域诸如心脏120的心脏区、组织、静脉、动脉和/或电通路的标测可导致识别问题区域诸如疤痕组织、心律失常源(例如，电转子)、健康区域等。心脏区域可被标测，使得使用显示器提供标测心脏区域的视觉渲染，如本文进一步公开的。另外，心脏标测(其为心脏成像的示例)可包括基于一种或多种模态的标测，诸如但不限于LAT、局部激活速度、电活动、拓扑结构、双极性标测图、主频或阻抗。可使用插入患者体内的导管(例如，导管110)来捕获对应于多种模态的数据(例如，生物计量数据)，并且可基于医师115的对应设置和/或偏好来同时或在不同时间提供该数据以用于渲染。
作为第一技术的示例，心脏标测可通过根据心脏120内的精确位置感测心脏组织的电特性(例如，LAT)来实现。对应的数据(例如，生物计量数据)可通过一个或多个导管(例如，导管110)获取，该导管推进到心脏120中并且在其远侧尖端中具有电传感器和位置传感器(例如，电极111)。作为具体示例，最初可在心脏120的内表面上的约10个至约20个点上测量位置和电活动。这些数据点通常可足以生成心脏表面的质量令人满意的初步重构或标测图。初步图可与取自附加点处的数据结合，以便产生心脏电活动的更全面的标测图。在临床环境中，积累100个或更多个位点(例如，几千个)处的数据以生成心脏腔室电活动的详细且全面的标测图并不少见。所生成的详细的图可接着作为基础以用于决定例如如本文所述的组织消融的治疗行动过程，以改变心脏电活动的传播和恢复正常心律。
另外，可基于心内电势场(例如，其为IC ECG数据和/或双极性心内参考信号的示例)的检测来生成心脏标测。可实施同时获取大量心脏电信息的非接触技术。例如，具有远侧端部部分的导管类型可设置有分布在其表面上并且连接到绝缘电导体以用于连接到信号感测和处理装置的一系列传感器电极。端部部分的尺寸和形状可使得电极与心腔的壁基本上间隔开。可在单次心跳期间检测心内电势场。根据一个示例，传感器电极可分布在位于彼此间隔开的平面中的一系列圆周上。这些平面可垂直于导管的端部部分的长轴。可在端部的长轴的端部处相邻地提供至少两个附加电极。作为更具体的示例，导管可包括四个圆周，其中在每个圆周上等角地间隔开八个电极。因此，在该具体实施中，导管可包括至少34个电极(32个周向电极和2个端部电极)。作为另一个更具体的示例，导管可包括其他多花键导管，诸如五个软柔性分支、八个径向花键、或平行花键锅铲型(例如，其中任一个可具有总共42个电极)。
作为电标测或心脏标测的示例，可实现基于非接触式和非膨胀多电极导管(例如，导管110)的电生理心脏标测系统和技术。可用具有多个电极(例如，诸如介于42至122个电极之间)的一个或多个导管110来获得ECG。根据该具体实施，对探头和心内膜的相对几何形状的了解可通过独立的成像模态诸如经食道超声心动图来获得。在独立成像之后，非接触电极可用于测量心脏表面电势并由其构造标测图(例如，在一些情况下，使用双极性心内参考信号)。该技术可包括以下步骤(在独立成像步骤之后)：(a)利用设置在定位在心脏120中的探头上的多个电极来测量电势；(b)确定探头表面和心内膜表面和/或其他参考的几何关系；(c)产生表示所述探头表面和心内膜表面的几何关系的系数矩阵；以及(d)基于电极电势和系数矩阵来确定心内膜电势。
根据电标测或心脏标测的另一个示例，可实现用于标测心脏腔室的电势分布的技术和装置。心内多电极标测导管组件可插入心脏120中。标测导管(例如，导管110)组件可包括具有一个或多个整体参考电极(例如，一个或多个电极111)的多电极阵列或配套参考导管。
根据一个或多个示例性实施方案，电极可以基本上球形阵列的形式部署，其可通过参考电极或通过与心内膜表面接触的参考导管在空间上以心内膜表面上的点为参考。优选的电极阵列导管可承载多个单独的电极位点(例如，至少24个)。另外，该示例性技术可通过了解阵列上电极位点中的每个电极位点的位置以及了解心脏几何形状来实现。这些位置优选地通过阻抗容积描记术的技术来确定。
鉴于电标测或心脏标测并且根据另一个示例，导管110可为心脏标测导管组件，该心脏标测导管组件可包括限定多个电极位点的电极阵列。心脏标测导管组件还可包括内腔以接纳具有远侧尖端电极组件的参考导管，该远侧尖端电极组件可用于探测心脏壁。心脏标测导管组件可包括绝缘线的编织物(例如，在编织物中具有24至64根线)，并且每根线可用于形成电极位点。心脏标测导管组件可易于定位在心脏120中以用于从第一组非接触电极位点和/或第二组接触电极位点采集电活动信息。
此外，根据另一个示例，可在心脏内实现标测电生理活动的导管110可包括适于递送用于对心脏起搏的刺激脉冲的远侧尖端或用于消融与尖端接触的组织的消融电极。该导管110还可包括至少一对正交电极以生成指示邻近正交电极的局部心脏电活动的差值信号。
如本文所述，系统100可用于检测、诊断和/或治疗心脏病症。在示例性操作中，用于测量心脏腔室中的电生理数据的过程可由系统100实现。过程可部分地包括将一组有源电极和无源电极定位到心脏120中，向有源电极供应电流，由此在心脏腔室中生成电场，以及测量无源电极位点处的电场。无源电极包含在定位在球囊导管的可充胀球囊上的阵列中。在优选的实施例中，该阵列据称具有60至64个电极。
作为另一个示例性操作，心脏标测可由系统100使用一个或多个超声换能器来实现。超声换能器可插入患者的心脏120中，并且可在心脏120内的各种位置和取向处收集多个超声切片(例如，二维或三维切片)。给定超声换能器的位置和取向可以是已知的，并且可以存储所收集的超声切片，使得它们可以在稍后的时间显示。可显示与探头105(例如，被示为导管110的治疗导管)在稍后的时间的位置对应的一个或多个超声切片，并且探头105可覆盖在一个或多个超声切片上。
鉴于系统100，需注意包括房性心律失常在内的心律失常可为多子波折返型，其特征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(例如，IC ECG数据的另一个示例)。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重复的方式自主搏动时，心律失常还可具有病灶源(例如，IC ECG数据的另一个示例)。室性心动过速(V-tach或VT)是一种源于某一个心室的心动过速或快速心律。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。
例如，当窦房结所生成的正常电脉冲(例如，IC ECG数据的另一个示例)被起源于心房静脉和PV的致使不规则脉冲传输至心室的紊乱电脉冲淹没时，会发生aFib。不规则心跳产生并且可能持续数分钟至数周，或甚至数年。aFib通常是通常由于中风而导致死亡风险的小幅增加的慢性病症。aFib的线治疗是减慢心率或使心律恢复正常的药物治疗。另外，患有aFib的人通常会被给予抗凝剂，以防止他们有中风的风险。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，并且他们的aFib被视为药物难治性的，即用标准药物干预是无法医治的。也可使用同步电复律来使aFib转变至正常心律。另选地，通过导管消融治疗aFib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。电标测或心脏标测(例如，由本文所述的任何电生理学心脏标测系统和技术实现)包括创建沿着心脏组织的波传播的电势的标测图(例如，电压标测图)或到各种组织定位点的到达时间的标测图(例如，LAT标测图)。电标测或心脏标测(例如，心脏标测图)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120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。已经公开了多种用于形成消融灶的能量递送形式，并且包括使用微波、激光和更常见的射频能量来沿心脏组织壁形成传导阻滞。能量递送技术的另一个示例包括不可逆电穿孔(IRE)，其提供损坏细胞膜的高电场。在两步规程(例如，标测然后消融)中，通常通过将包含一个或多个电传感器(或电极111)的导管110推进到心脏120中并且获得/获取多个点处的数据(例如，一般如生物计量数据，或具体地如ECG数据)来感应并测量心脏120内的各个点处的电活动。然后利用该ECG数据来选择将要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心房颤动和室性心动过速，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可仅依赖于使用三维(3D)标测系统以便重构感兴趣心脏腔室的解剖结构。就这一点而言，本文的系统100所采用的优化引擎101一般地操纵和评估生物计量数据或具体地ECG数据以产生改进的组织数据，该改进的组织数据实现更准确的诊断、图像、扫描和/或标测图以用于治疗异常心跳或心律失常。例如，心脏病专家依赖于软件，诸如由Biosense Webster,Inc.(加利福尼亚州钻石吧)生产的
Figure BDA0003199979100000151
3 3D标测系统的复杂碎裂心房电图(CFAE)模块，以生成并分析ECG数据。系统100的优化引擎101增强该软件以生成和分析改进的生物计量数据，这进一步提供了关于心脏120(包括疤痕组织)的电生理特性的多条信息，这些信息表示aFib的心脏基质(解剖和功能)。
因此，系统100可实现3D标测系统诸如
Figure BDA0003199979100000152
3 3D标测系统，以便在异常ECG检测方面定位心肌症的潜在致心律失常基质。与这些心脏病症相关的基质与心室腔室(右和左)的心内膜层和/或心外膜层中的碎裂和延长ECG的存在相关。例如，低电压或中电压的区域可表现出ECG碎裂和延长的活动。此外，在窦性节律期间，低电压或中电压的区域可对应于在持续和组织的室性心律失常期间识别的关键峡部(例如，适用于非耐受室性心动过速，以及心房中)。一般来讲，异常组织的特征在于低电压ECG。然而，心内-心外膜标测中的初始临床经验指示低电压区域并不总是作为唯一的致心律失常机制存在于此类患者中。事实上，低电压或中电压的区域可在窦性节律期间表现出ECG碎裂和延长的活动，窦性节律对应于在持续和组织室性心律失常期间识别的关键峡部，例如，仅适用于非耐受室性心动过速。此外，在许多情况下，在显示正常或接近正常电压振幅(>1-1.5mV)的区域中观察到ECG碎裂和延长的活动。虽然后一区域可根据电压振幅来评估，但根据心内信号不能将它们视为正常的，因此表示真实的致心律失常的基质。3D标测能够将致心律失常基质定位在右/左心室的心内膜层和/或心外膜层上，这可根据主要疾病的扩展而在分布上变化。
作为另一个示例性操作，心脏标测可由系统100使用一个或多个多电极导管(例如，导管110)来实现。多电极导管用于刺激和标测心脏120中的电活动并且用于消融异常电活动的位点。使用时，将多电极导管插入到主静脉或动脉例如股静脉中，并且随后引导到所关注的心脏120的腔室中。典型消融规程涉及将在其远侧端部处具有至少一个电极111的导管110插入到心脏腔室中。提供胶粘到患者的皮肤的参考电极，或通过定位在心脏中或心脏附近或选自导管110的一个或其他电极111的第二导管来提供参考电极。射频(RF)电流被施加至消融导管110的尖端电极111，并且电流通过围绕其的介质(例如，血液和组织)流向该参考电极。电流的分布取决于与血液相比电极表面与组织接触的量，血液具有比组织更高的导电率。由于组织的电阻，发生组织的加热。组织被充分加热而致使心脏组织中的细胞破坏，从而导致在心脏组织内形成不导电的消融灶。在这个过程中，由于从加热组织至电极本身的传导，还发生对尖端电极111的加热。如果电极温度变得足够高，可能高于60℃，则可在电极111的表面上形成脱水血蛋白的薄透明涂层。如果温度继续升高，则该脱水层可变得越来越厚，导致在电极表面上的血液凝结。因为脱水生物材料具有比心内膜组织更高的电阻，所以对于进入组织的电能量流的阻抗也增大。如果阻抗充分地增加，则出现阻抗上升，并且必须将导管110从体内移除并清理尖端电极111。
现在转到图2，示出了根据一个或多个示例性实施方案的其中可实现本公开主题的一个或多个特征的系统200的图。相对于患者202(例如，图1的患者125的示例)，系统200包括装置204、本地计算设备206、远程计算系统208、第一网络210和第二网络211。另外，装置204可包括生物计量传感器221(例如，图1的导管110的示例)、处理器222、用户输入(UI)传感器223、存储器224和收发器225。需注意，为了便于解释和简洁，图1的优化引擎101在图2中被重复使用。
根据一个实施方案，装置204可以是图1的系统100的示例，其中装置204可包括患者内部的部件和患者外部的部件两者。根据另一个实施方案，装置204可以是包括可附接贴片(例如，附接到患者皮肤)的患者202外部的装置。根据另一个实施方案，装置204可在患者202的身体内部(例如，皮下植入)，其中装置204可经由任何适用的方式插入患者202中，包括口服注射、经由静脉或动脉的外科插入、内窥镜规程或腹腔镜规程。根据一个实施方案，虽然在图2中示出了单个装置204，但示例性系统可包括多个装置。
因此，装置204、本地计算设备206和/或远程计算系统208可被编程为执行相对于优化引擎101的计算机指令。例如，存储器223存储这些指令以供处理器222执行，使得装置204可经由生物计量传感器201接收和处理生物计量数据。这样，处理器222和存储器223表示本地计算设备206和/或远程计算系统208的处理器和存储器。
装置204、本地计算设备206和/或远程计算系统208可以是单独或共同存储、执行和实现优化引擎101及其功能的软件和/或硬件的任何组合。另外，装置204、本地计算设备206和/或远程计算系统208可为电子计算机框架，包括和/或采用利用各种通信技术的任何数量和组合的计算设备和网络，如本文所述。装置204、本地计算设备206和/或远程计算系统208可易于缩放、扩展和模块化，具有改变为不同服务或独立于其他特征重新配置一些特征的能力。
网络210和211可以是有线网络、无线网络或包括一个或多个有线和无线网络。根据一个实施方案，网络210是近程网络(例如，局域网(LAN)或个人局域网(PAN))的示例。可使用各种近程无线通信协议(诸如蓝牙、Wi-Fi、Zigbee、Z-Wave、近场通信(NFC)、ultra-band、Zigbee或红外(IR))中的任何一种经由网络210在装置204与本地计算设备206之间发送信息。另外，网络211是以下中的一者或多者的示例：内联网、局域网(LAN)、广域网(WAN)、城域网(MAN)、直接连接或一系列连接、蜂窝电话网络，或者能够促进本地计算设备206和远程计算系统208之间的通信的任何其他网络或介质。可使用各种远程无线通信协议(例如，TCP/IP、HTTP、3G、4G/LTE、或5G/新无线电)中的任何一种经由网络211发送信息。需注意，对于网络210和211中的任一者，有线连接可使用以太网、通用串行总线(USB)、RJ-11来实现，或者任何其他有线连接和无线连接可使用Wi-Fi、WiMAX、以及蓝牙、红外、蜂窝网络、卫星或任何其他无线连接方法来实现。
在操作中，装置204可连续地或周期性地获得、监测、存储、处理与患者202相关联的生物计量数据，并且经由网络210传送该生物计量数据。另外，装置204、本地计算设备206和/或远程计算系统208通过网络210和211进行通信(例如，本地计算设备206可被配置为装置204和远程计算系统208之间的网关)。例如，装置204可以是图1的系统100的示例，其被配置为经由网络210与本地计算设备206通信。本地计算设备206可以是例如固定/独立设备、基站、台式计算机/膝上型计算机、智能电话、智能手表、平板电脑、或被配置为经由网络211和210与其他设备进行通信的其他设备。被实现为网络211上或连接到网络的物理服务器或网络211的公共云计算提供商(例如，Amazon Web Services
Figure BDA0003199979100000181
)中的虚拟服务器的远程计算系统208可被配置为经由网络211与本地计算设备206通信。因此，与患者202相关联的生物计量数据可在整个系统200中传送。
现在描述装置204的元件。生物计量传感器221可包括例如一个或多个换能器，该一个或多个换能器被配置为将一个或多个环境条件转换成电信号，使得观察/获得/采集不同类型的生物计量数据。例如，生物计量传感器221可包括以下中的一者或多者：电极(例如，图1的电极111)、温度传感器(例如，热电偶)、血压传感器、血糖传感器、血氧传感器、pH传感器、加速度计和麦克风。
在执行优化引擎101时，处理器222可被配置为接收、处理和管理由生物计量传感器221获取的生物计量数据，并且经由收发器225将生物计量数据传送到存储器224以用于存储(例如，在其中的数据库上)和/或跨网络210(例如，到其数据库)。来自一个或多个其他装置204的生物计量数据也可由处理器222通过收发器225接收。如下面更详细描述的，处理器222可被配置为选择性地响应从UI传感器223接收的不同轻击模式(例如，单击或双击)，使得可基于检测的模式激活贴片的不同任务(例如，数据的获取、存储或传输)。在一些实施方案中，处理器222可相对于检测手势生成可听反馈。
UI传感器223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。例如，响应于患者202轻击或接触装置204的表面，可控制UI传感器223以实现电容联接。手势识别可经由各种电容类型中的任何一种来实现，诸如电阻电容、表面电容、投射电容、表面声波、压电和红外触摸。电容传感器可设置在小区域处或表面的长度上，使得表面的轻击或触摸激活监测装置。
存储器224是任何非临时性有形介质，诸如磁性存储器、光学存储器或电子存储器(例如，任何合适的易失性存储器和/或非易失性存储器，诸如随机存取存储器或硬盘驱动器)。存储器224存储计算机指令以供处理器222执行。
收发器225可包括单独的发射器和单独的接收器。另选地，收发器225可包括集成到单个设备中的发射器和接收器。
在操作中，装置204利用优化引擎101经由生物计量传感器221观察/获得患者202的生物计量数据，将生物计量数据存储在存储器中，并且经由收发器225跨系统200共享该生物计量数据。然后，优化引擎101可利用模型(例如，参数模型)、算法(例如，未受监督和/或受监督的ML/AI算法)、神经网络、机器学习和/或人工智能来生成标测并向医师提供优化的消融指数，以减小系统100的处理负载，并且将系统100的操作变换为更准确的标测机器。
现在转到图3，示出了根据一个或多个示例性实施方案的(例如，由图1和/或图2的优化引擎101执行的)方法300。方法300通过提供改进心律失常诊断和治疗的对消融指数的多步操纵来解决用于预测或估计消融灶的物理尺寸的常规方法的缺点。相对于消融规程以举例和便于解释的方式来描述方法300。
方法在框320处开始，其中优化引擎101接收输入(例如，多个输入)。一般来讲，输入表示消融指数(例如，关于加权参数的随功率和时间的积分)、患者参数、规程参数、生物计量数据等，诸如消融连续归一化输入参数和消融分类归一化输入参数。一般来讲，患者参数或患者特定信息可包括体温、冲洗温度、消融之前的组织和表面温度、消融期间的组织和表面温度、和消融之后的组织和表面温度以及所述温度的变化速率。另外，患者参数或患者特定信息还可包括体表ECG、患者先前病史、患者的人口统计资料、IC ECG、电压标测图、所使用的装备的类型、规程的时间和日期以及患者心脏的解剖结构。一般来讲，规程参数或规程特定信息可包括在消融规程期间的导管稳定性和其他患者的历史结果。
根据一个或多个实施方案，消融连续归一化输入参数可包括但不限于当前消融指数输出、消融持续时间、初始阻抗、径向位置、当前消融与先前消融之间的持续时间、导管稳定性、消融功率、消融最大温度、与先前消融的距离、阻抗减小参数等。另外，可提供消融位置处的组织厚度，以及消融的解剖位置(例如，左心房的后壁)。根据一个或多个实施方案，消融分类归一化输入参数可包括但不限于左心房右侧、左心房左侧、肺静脉口、组织特征、年龄组、基础疾病等。需注意，利用这些输入，优化引擎101发起对于每个患者根据情况(例如，时间和位置)定制正确消融指数值的目标。
这些输入可从存储在系统100(例如，其中的数据库)内或由系统100接收的一个或多个先前病历(诸如先前或旧消融规程)获得。例如，消融导管(例如，导管110)可用于在心脏120的心脏组织中形成组织坏死以校正心律失常。在示例性消融规程中，在将导管110插入心脏120中以接触心脏组织并且将电磁RF能量从一个或多个电极111注入心脏组织中以引起消融并产生消融灶时，在患者125的心脏120的心脏组织中产生消融灶。
在框340处，优化引擎101进行训练。训练可被认为是优化引擎101的ML阶段。优化引擎101通过使用先前或旧消融规程以随时间推移学习不同场景来进行训练。也就是说，作为对常规方法的改进，优化引擎101在进行训练时通过将所有可用参数作为输入接收到未受监督和/或受监督的ML/AI算法中来考虑所有可用参数(如框320所述)，以实现消融灶尺寸的提高的准确性，从而根据一个或多个场景优化后续消融灶位置(即，以优化消融指数计算)。一个或多个场景可包括不同的患者分组(例如，基于年龄、性别、健康等)和不同的规程分组(例如，基于规程的类型)以及不同的器官和不同的心脏腔室。
根据一个或多个实施方案，优化引擎101针对对应于一个或多个场景的不同患者/规程分组生成训练数据集(来自先前或旧消融规程)。先前或旧消融规程包括先前的消融有效性目标。患者/规程分组包括与类似患者人口统计资料(例如，具有相同年龄或血压的患者)和/或规程状况对准(例如，在相同心房区域中的规程)等类似的病例。所生成的训练数据集为每个场景提供目标值，该目标值被合并到优化引擎101中。
在决定框360处，优化引擎101执行。执行可被认为是优化引擎101的AI阶段。一般来讲，优化引擎针对当前或实时消融规程来执行。更具体地讲，优化引擎101执行以生成新消融目标，以及优化的消融指数和来自匹配场景(例如，具有类似导管和患者信息)的置信度值。
根据一个或多个实施方案，优化引擎101可在本消融规程期间利用。优化引擎101可接收对于经历本消融规程的患者125而言独特的输入。由于已经在框340处训练优化引擎101，因此优化引擎101可使用这些独特患者输入来将患者125和/或本消融规程与一个或多个患者/规程分组匹配。与这些一个或多个患者/规程分组相关联的目标值用于生成新消融目标，该新消融目标包括优化的消融指数。
图4示出了根据一个或多个实施方案的AI系统400的图形描绘。AI系统400包括数据410(例如，生物计量数据)、机器420、模型430、结果440和(底层)硬件450。为了在适当的情况下便于理解，参考图1至图3进行图4至图5的描述。例如，机器410、模型430和硬件450可表示图1至图2的优化引擎101(例如，其中的ML/AI算法)的各方面，而硬件450也可表示图1的导管110、图1的控制台160和/或图2的装置204。一般来讲，AI系统400的ML/AU算法(例如，如图1至图2的优化引擎101所实现的)使用数据410相对于硬件450操作以训练机器420、构建模型430和预测结果440。
例如，机器420作为与硬件450相关联的控制器或数据收集操作或与其相关联。数据410(例如，如本文所述的输入和/或生物计量数据)可以是与硬件450相关联的正在进行的数据或输出数据。数据410还可包括当前收集的数据、历史数据或来自硬件450的其他数据；可包括外科规程(例如，消融规程)期间的测量结果，并且可与外科规程的结果相关联；可包括所收集的并与心脏规程的结果相关联的图1的心脏140的温度；并且可与硬件450相关。数据410可由机器420划分成一个或多个子集。
此外，机器420诸如相对于硬件450训练。该训练还可包括分析和关联所收集的数据410。例如，就心脏而言，可训练温度和结果的数据410以确定在心脏规程期间的图1的心脏140的温度与结果之间是否存在相关性或联系。根据另一个实施方案，训练机器420可包括由图1的优化引擎101利用一个或多个子集进行自训练。就这一点而言，图1的优化引擎101学习逐点检测病例分类。
此外，模型430构建在与硬件450相关联的数据410上。构建模型430可包括试图表示已被收集和训练的数据410(或其子集)的物理硬件或软件建模、算法建模等。在一些方面，模型430的构建是由机器420进行的自训练操作的一部分。模型430可被配置为对硬件450的操作建模并对从硬件450收集的数据410建模以预测由硬件450实现的结果440。预测(与硬件450相关联的模型430的)结果440可利用经训练的模型430。例如并且为了增加对本公开的理解，就心脏而言，如果规程期间的介于36.5℃和37.89℃之间(即，97.7华氏度和100.2华氏度)的温度从心脏规程产生正面结果，该结果440可在给定规程中使用这些温度来预测。因此，使用预测的结果440，可相应地配置机器420、模型430和硬件450。
因此，为了AI系统400使用数据410相对于硬件450操作以训练机器420、构建模型430并预测结果440，其中的ML/AI算法可包括神经网络。神经网络是神经元的网络或电路，或者在现代意义上，是由人工神经元或节点或细胞组成的人工神经网络(ANN)。
例如，人工神经网络涉及简单处理元件(人工神经元)的网络，该网络可表现出由处理元件和元件参数之间的连接确定的复杂全局行为。神经元的网络或电路的这些连接被建模为权重。正权重反映兴奋性连接，而负值表示抑制性连接。通过权重修改输入并使用线性组合求和。激活函数可控制输出的振幅。例如，可接受的输出范围通常介于0和1之间，或者该范围可为-1和1之间。在大多数情况下，ANN是基于流动通过网络的外部或内部信息来改变其结构的自适应系统。
在更实际的术语中，神经网络是非线性统计数据建模或决策工具，其可用于对输入和输出之间的复杂关系进行建模或在数据中找到模式。因此，ANN可用于预测建模和自适应控制应用，同时经由数据集进行训练。由经验产生的自学可发生在ANN内，这可从复杂且看似不相关的信息组中得出结论。人工神经网络模型的实用性在于它们可用于从观察推断函数并且还可用于使用该函数。未受监督的神经网络还可用于学习捕获输入分布的显著特征的输入的表示，以及最近的深度学习算法可以隐含地学习观察到的数据的分布函数。在神经网络中的学习在数据(例如，生物计量数据)或任务(例如，监测、诊断和治疗任何数量的各种疾病)的复杂性使得手动设计此类功能不切实际的应用中特别有用。
神经网络可用于不同领域。因此，对于AI系统400，其中的ML/AI算法可包括神经网络，该神经网络通常根据其所应用于的任务来划分。这些划分倾向于属于以下类别：回归分析(例如，函数近似)，包括时间序列预测和建模；分类，包括模式和序列识别；新颖性检测和顺序决策；数据处理，包括过滤；聚类；盲信号分离和压缩。例如，ANN的应用领域包括非线性系统识别和控制(车辆控制、过程控制)、游戏播放和决策制定(西洋双陆棋、聊天、比赛)、模式识别(雷达系统、面部识别、对象识别)、序列识别(手势、语音、手写文本识别)、医疗诊断和治疗、金融应用程序、数据挖掘(或数据库中的知识发现，“KDD”)、可视化和电子邮件垃圾过滤。例如，可以创建从医学规程出现的患者生物计量数据的语义特征。
根据一个或多个实施方案，神经网络可实现长短期记忆神经网络架构、卷积神经网络架构(CNN)或其他类似架构。神经网络可相对于多个层、多个连接(例如，编码器/解码器连接)、正则化技术(例如，压差)进行配置；以及优化特征。
长短期记忆神经网络架构包括反馈连接并且可处理单个数据点(例如，诸如图像)以及整个数据序列(例如，诸如语音或视频)。长短期记忆神经网络架构的单元可由单元、输入门、输出门和忘记门组成，其中单元在任意时间间隔内记住值，并且门调节进出单元的信息流。
CNN架构是具有平移不变性特征的共享权重架构，其中一层中的每个神经元连接到下一层中的所有神经元。CNN架构的正则化技术可利用数据中的层级模式，并使用更小且更简单的模式来组装更复杂的模式。如果神经网络实现CNN架构，则该架构的其他可配置方面可包括每个级处的滤波器的数量、内核大小和每层内核的数量。
现在转到图5，示出了根据一个或多个实施方案的神经网络500的示例和在神经网络500中执行的方法501的框图。神经网络500操作以支持本文所述的ML/AI算法的实现(例如，如由图1至图2的优化引擎101所实现)。神经网络500可在硬件(诸如图4的机器420和/或硬件450)中实现。如本文所指示的，为了在适当的情况下便于理解，参考图1至图3进行图4至图5的描述。
在示例性操作中，图1的优化引擎101包括从硬件450收集数据410。在神经网络500中，输入层510由多个输入(例如，图5的输入512和514)表示。相对于方法501的框520，输入层510接收输入512和514。输入512和514可包括生物计量数据。例如，数据410的收集可为将来自硬件450的一个或多个规程记录的生物计量数据(例如，BS ECG数据、IC ECG数据和消融数据，连同导管电极位置数据)聚合到数据集(如数据410所表示)中。
在方法501的框525处，神经网络500利用数据410的任何部分(例如，由AI系统400产生的数据集和预测)对输入512和514进行编码以产生潜在表示或数据编码。潜在表示包括从多个输入导出的一个或多个中间数据表示。根据一个或多个实施方案，潜在表示由图1的优化引擎101的元件级激活函数(例如，S型函数或修整线性单元)生成。如图5所示，输入512和514被提供给被描绘为包括节点532、534、536和538的隐藏层530。神经网络500经由节点532、534、536和538的隐藏层530执行处理以表现出由处理元件和元件参数之间的连接确定的复杂全局行为。因此，层510和530之间的过渡可被认为是编码器阶段，该编码器阶段获取输入512和514并将其传输到深度神经网络(在层530内)以学习输入的某种较小表示(例如，所得的潜在表示)。
深度神经网络可以是CNN、长短期记忆神经网络、完全连接的神经网络或它们的组合。输入512和514可为心内ECG、体表ECG、或心内ECG和体表ECG。该编码提供了输入512和514的维度减小。维度减小是通过获得一组主要变量来减小所考虑的(输入512和514的)随机变量的数量的过程。例如，维度减小可以是将数据(例如，输入512和514)从高维空间(例如，多于10个维度)转换到低维空间(例如，2-3个维度)的特征提取。减小维度的技术效果和益处包括减小数据410的时间和存储空间需求，改善数据410的可视化，以及改善用于机器学习的参数解释。该数据转换可为线性的或非线性的。接收(框520)和编码(框525)的操作可被认为是由优化引擎101进行的多步骤数据操纵的数据准备部分。
在方法501的框545处，神经网络500对潜在表示进行解码。解码级采用编码器输出(例如，所得的潜在表示)并尝试使用另一个深度神经网络来重建输入512和514的某种形式。就这一点而言，组合节点532、534、536和538以在输出层550中产生输出552，如方法510的框560所示。也就是说，输出层590在减小的维度上重建输入512和514，但没有信号干扰、信号伪影和信号噪声。输出552的示例包括经清洁的生物计量数据(例如，IC ECG数据等的清洁/降噪版本)。经清洁的生物计量数据的技术效果和益处包括能够更准确地监测、诊断和治疗任何数量的各种疾病。
图6示出了根据一个或多个示例性实施方案的方法600。示出了根据一个或多个示例性实施方案的(例如，由图1和/或图2的优化引擎101执行的)方法600。方法600通过提供改进心律失常诊断和治疗的对消融指数的多步操纵来解决用于预测或估计消融灶的物理尺寸的常规方法的缺点。相对于消融规程以举例的方式和便于解释来描述方法600。一般来讲，方法600进行操作以获得改进的消融指数值，该改进的消融指数值基于与患者125、进行消融规程的医师115相关的独特因素以及其他因素而被个性化。
方法在框610处开始，其中优化引擎101接收来自先前病历的输入。输入可以是如本文所述的多个输入。先前病历可以是如本文所述的先前或旧消融规程。根据一个或多个实施方案，优化引擎101可获得可用输入，诸如当前已知的用于消融指数计算的参数。
在框630处，优化引擎101进行训练(例如，ML阶段)。优化引擎101将所有可用参数(如框610所述)视为未受监督和/或受监督的ML/AI算法的输入，以根据一个或多个场景优化消融指数计算。
根据一个或多个实施方案，图7示出了包括优化引擎的ML/AI算法的一个或多个方面的曲线图700。如图所示，将基于知识的标准偏差(σ)730提供给ML/AI算法的高斯方程740以计算消融有效性750。高斯方程740可以是针对增强消融指数(P)的独特公式，该增强消融指数对应于消融有效性(例如，从0到1的概率评分—其中1是最佳的)。高斯方程740的一个或多个示例包括方程1和方程2：
Figure BDA0003199979100000261
Figure BDA0003199979100000262
高斯方程740可接收作为加权向量的alpha(α)和神经网络760的偏置因子(B)，两者均在训练期间自动生成。对于方程1，di表示距离。因此，通过使用概率来导出真实定量结果，所有评分都具有数学意义。
根据一个或多个实施方案，图8示出了包括优化引擎的ML/AI算法的一个或多个方面的曲线图800。如图所示，曲线图800提供了全卷积神经网络消融有效性概率指数估计。更具体地讲，消融分类归一化输入参数C1-C5被馈送到分类全卷积神经网络810并作为输入提供给树830，该树也可接收消融连续归一化输入参数。作为分类全卷积神经网络810的示例。图9示出了根据一个或多个实施方案的曲线图900。曲线图900示出了连续类似输入#1和#2的全卷积神经网络再处理。树830使用多个输入来选择性地确定一个或多个加权向量α1-α7(alpha)，并且将这些一个或多个加权向量α1-α7馈送到学习操作850，该学习操作还接收偏置因子860、偏差870和输出880(例如，如本文所述的反馈)。曲线图800相应地生成消融有效性890。例如，图10示出了根据一个或多个实施方案的表1000。表1000示出了训练集，其中一组特征A1-A4与增强消融指数P1-P4匹配(例如，P1是从特征A1导出的目标)。优化引擎101的配准算法可生成特征A1-A4的概率评分。配准算法可包括变换、对应、优化和内插操作以生成概率评分。在一个示例中，距离(例如，以毫米为单位)越小，评分越好。
在框640处，优化引擎101接收来自当前病历的输入。需注意，心脏120的左心房体积可随时间推移而变化，因此当前病历可看起来与相同患者125的先前病历不同(例如，在就诊之间)。具体地讲，优化引擎101可识别并考虑对于经历消融规程的患者125而言独特的相关参数，包括患者人口统计资料(诸如患者性别(例如，男性或女性)、年龄)、患者的病史和背景等。优化引擎101可识别并考虑附加的相关参数，包括与患者125的心脏120的解剖结构相关的信息(例如，心脏120的大小、腔室特性、舒张末期体积)、其中要执行消融的心房的大小、其中要执行消融的位置处的阻抗值。优化引擎101可识别并考虑附加的相关参数，包括患者的体表ECG和心内ECG、患者的解剖结构和电压标测图。
在框660处，优化引擎101执行。执行可被认为是优化引擎101的AI阶段。优化引擎101将所有可用参数(如框640所述)视为未受监督和/或受监督的ML/AI算法的输入，以根据当前病历优化消融指数计算。例如，优化引擎101考虑除当前消融指数值之外的所有参数以微调或优化消融指数值，从而针对当前病历最佳地拟合特定位置、操作和/或患者125。
转到图11，曲线图1100示出了根据一个或多个实施方案的哪些消融B1-B4造成哪些间隙。优化引擎101可向每个消融B1-B4提供概率。统计学上，消融B1-B4是独立的，其间的距离大于5毫米。需注意，一个消融的影响应接触另一个消融的影响。另外，曲线图1100示出了通过执行优化引擎101来确定的重做消融位置1150，其中确定从消融B1-B4到重做消融位置1150的距离d1-d4。就这一点而言，当确定重做消融位置1150时，优化引擎101可考虑历史结果信息，诸如消融成功的患者数据和使规程失败的患者的数据。例如，可由优化引擎101基于以下来评估消融规程的成功：向正常窦性节律的转换；异常电信号的消失(例如，心房纤颤或信号衰减；以及节律终止)。优化引擎101可考虑附加的相关参数，包括但不限于在消融规程期间维持导管相对于心脏组织的预期位置的稳定性。需注意，在消融规程期间不稳定或曲折的导管110以与在消融规程期间保持稳定的导管110不同的方式将能量递送到心脏组织，从而产生不同形状的消融灶。维持这种稳定性取决于一个或多个因素，包括心脏内待消融的心脏组织的位置；在消融规程期间的患者移动，该患者移动是由于呼吸和心跳而进行的移动，并且因患者而异；待消融的心脏组织的表面的粗糙度；以及执行消融的操作者的技术，其中一些操作者能够实现比其他操作者更高的稳定性。算法可考虑这些因素。优化引擎101可考虑附加的相关参数，包括但不限于其中消融规程成功的患者心脏内的位置，以及其中规程失败的患者体内的位置。
根据一个或多个实施方案，图12示出了曲线图1200，该曲线图示出了消融指数相对于消融有效性的曲线。曲线图1200还示出了随消融有效性而变化的增强消融指数1210。例如，为了根据当前病历优化消融指数计算，优化引擎101使用概率密度函数来确定增强消融指数。这是为了近似相同的标度，因为曲线图1200将消融有效性转换为增强消融指数。
在框680和690处，优化引擎101显示优化的消融指数并且接收反馈。反馈可由优化引擎101、系统、医师115等生成。反馈可包括立即修改、长期重新连接、急性和慢性状况等。反馈可进一步用于增强和训练优化引擎101。
附图中的流程图和框图示出了根据本发明的各种实施方案的系统、方法和计算机程序产品的可能具体实施的架构、功能和操作。就这一点而言，流程图或框图中的每个框可表示指令的模块、区段或部分，该指令包括用于实现指定逻辑功能的一个或多个可执行指令。在一些替代具体实施中，框中指出的功能可不按附图中指出的顺序发生。例如，取决于所涉及的功能，连续示出的两个框实际上可基本上同时执行，或者框有时可以以相反的顺序执行。还应当注意，框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合可通过执行指定功能或动作的基于专用硬件的系统或者通过专用硬件和计算机指令的组合来实现。
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，本文所述的方法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。如本文所用，计算机可读介质不应理解为暂态信号本身，诸如无线电波或其他自由传播电磁波、传播通过波导或其他传输介质的电磁波(例如，穿过光纤电缆的光脉冲)或通过电线传输的电信号。
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寄存器、高速缓存存储器、半导体存储器设备、磁介质诸如内部硬盘和可移动磁盘、磁光介质、光学介质，诸如光盘(CD)和数字通用盘(DVD)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存存储器)、静态随机存取存储器(SRAM)和记忆棒。与软件相关联的处理器可用于实现在终端、基站、或任何主计算机中使用的射频收发器。
应当了解，本文所用的术语只是为了描述具体实施方案的目的，并非旨在进行限制。如本文所用，除非上下文另有明确说明，否则单数形式“一个”、“一种”和“该/所述”包括复数指代。还应当理解，术语“包括”和/或“包含”在用于本说明书中时指定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或多个其他特征、整数、步骤、操作、元件部件和/或其组的存在或添加。
本文对各种实施方案的描述是出于说明的目的而呈现的，但并非旨在穷举或限于所公开的实施方案。在不脱离所述实施方案的范围和实质的情况下，许多修改和变型对于本领域的普通技术人员而言将是显而易见的。选择本文所用的术语是为了最好地解释实施方案的原理、相对于市场上存在的技术的实际应用或技术改进，或者使得本领域的其他普通技术人员能够理解本文所公开的实施方案。

Claims (20)

1.一种方法，包括：
由优化引擎接收来自一个或多个先前消融规程的多个输入；
由所述优化引擎训练所述优化引擎的机器学习算法以学习所述一个或多个先前消融规程的一个或多个场景；以及
由所述优化引擎生成所述一个或多个场景的消融指数。
2.根据权利要求1所述的方法，其中所述多个输入包括消融指数，所述消融指数基于由导管施加到组织的接触力的量、在消融规程期间施加的电磁特性以及所述消融规程的时间。
3.根据权利要求1所述的方法，其中所述多个输入包括消融连续归一化输入参数和消融分类归一化输入参数。
4.根据权利要求3所述的方法，其中所述消融连续归一化输入参数包括消融持续时间、初始阻抗、径向位置、当前消融与先前消融之间的持续时间、导管稳定性、消融功率、消融最大温度、与先前消融的距离、或阻抗减小参数。
5.根据权利要求3所述的方法，其中所述消融分类归一化输入参数包括左心房右侧、左心房左侧、肺静脉口、组织特征、年龄组或基础疾病。
6.根据权利要求1所述的方法，其中所述机器学习算法是未受监督或受监督的。
7.根据权利要求1所述的方法，其中所述一个或多个场景包括不同患者分组或不同规程分组。
8.根据权利要求1所述的方法，其中所述训练集提供每个患者分组或规程分组的目标值。
9.根据权利要求1所述的方法，其中所述方法还包括：
执行所述优化引擎以生成实时规程的新消融目标。
10.根据权利要求1所述的方法，其中所述多个输入由与所述优化引擎通信的数据库存储。
11.一种系统，包括：
存储器，所述存储器存储用于优化引擎的处理器可执行代码；和
一个或多个处理器，所述一个或多个处理器执行所述处理器可执行代码以致使所述系统：
由所述优化引擎接收来自一个或多个先前消融规程的多个输入；
由所述优化引擎训练所述优化引擎的机器学习算法以学习所述一个或多个先前消融规程的一个或多个场景；以及
由所述优化引擎生成所述一个或多个场景的消融指数。
12.根据权利要求11所述的系统，其中所述多个输入包括消融指数，所述消融指数基于由导管施加到组织的接触力的量、在消融规程期间施加的电磁特性以及所述消融规程的时间。
13.根据权利要求11所述的系统，其中所述多个输入包括消融连续归一化输入参数和消融分类归一化输入参数。
14.根据权利要求13所述的系统，其中所述消融连续归一化输入参数包括消融持续时间、初始阻抗、径向位置、当前消融与先前消融之间的持续时间、导管稳定性、消融功率、消融最大温度、与先前消融的距离、或阻抗减小参数。
15.根据权利要求13所述的系统，其中所述消融分类归一化输入参数包括左心房右侧、左心房左侧、肺静脉口、组织特征、年龄组或基础疾病。
16.根据权利要求11所述的系统，其中所述机器学习算法是未受监督或受监督的。
17.根据权利要求11所述的系统，其中所述一个或多个场景包括不同患者分组或不同规程分组。
18.根据权利要求11所述的系统，其中所述训练集提供每个患者分组或规程分组的目标值。
19.根据权利要求11所述的系统，其中所述处理器可执行代码被进一步执行以致使所述系统：
执行所述优化引擎以生成实时规程的新消融目标。
20.根据权利要求11所述的系统，其中所述多个输入由与所述优化引擎通信的数据库存储。
CN202110901646.7A 2020-08-06 2021-08-06 利用机器学习算法来优化消融指数计算的用于治疗心律失常的装置 Pending CN114068010A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063062225P 2020-08-06 2020-08-06
US63/062225 2020-08-06
US17/388,795 US20220044787A1 (en) 2020-08-06 2021-07-29 Apparatus for treating cardiac arrhythmias utilizing a machine learning algorithm to optimize an ablation index calculation
US17/388795 2021-07-29

Publications (1)

Publication Number Publication Date
CN114068010A true CN114068010A (zh) 2022-02-18

Family

ID=77226653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110901646.7A Pending CN114068010A (zh) 2020-08-06 2021-08-06 利用机器学习算法来优化消融指数计算的用于治疗心律失常的装置

Country Status (5)

Country Link
US (1) US20220044787A1 (zh)
EP (1) EP3951790A1 (zh)
JP (1) JP2022031229A (zh)
CN (1) CN114068010A (zh)
IL (1) IL285291A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117838284A (zh) * 2024-03-07 2024-04-09 上海微创电生理医疗科技股份有限公司 脉冲消融导管的控制方法及脉冲消融导管
CN117838284B (zh) * 2024-03-07 2024-05-28 上海微创电生理医疗科技股份有限公司 脉冲消融导管的控制方法及脉冲消融导管

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10517670B2 (en) 2015-07-16 2019-12-31 Biosense Webster (Israel) Ltd. Estimation of lesion size
US20180338703A1 (en) * 2017-05-23 2018-11-29 Boston Scientific Scimed Inc. Lesion maturation prediction using local impedance

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117838284A (zh) * 2024-03-07 2024-04-09 上海微创电生理医疗科技股份有限公司 脉冲消融导管的控制方法及脉冲消融导管
CN117838284B (zh) * 2024-03-07 2024-05-28 上海微创电生理医疗科技股份有限公司 脉冲消融导管的控制方法及脉冲消融导管

Also Published As

Publication number Publication date
IL285291A (en) 2022-03-01
EP3951790A1 (en) 2022-02-09
JP2022031229A (ja) 2022-02-18
US20220044787A1 (en) 2022-02-10

Similar Documents

Publication Publication Date Title
US20210378597A1 (en) Reducing noise of intracardiac electrocardiograms using an autoencoder and utilizing and refining intracardiac and body surface electrocardiograms using deep learning training loss functions
EP3925536B1 (en) Ventricular far field estimation using autoencoder
US20220079499A1 (en) Identification of ablation gaps
US20220181025A1 (en) Setting an automatic window of interest based on a learning data analysis
US20220180219A1 (en) Automatic acquisition of electrophysical data points using automated setting of signal rejection criteria based on big data analysis
EP3944808A1 (en) Automatic segmentation of anatomical structures of wide area circumferential ablation points
EP3936070A1 (en) Automatic contiguity estimation of wide area circumferential ablation points
US20210391082A1 (en) Detecting atrial fibrillation and atrial fibrillation termination
EP3945333A1 (en) Automatically identifying scar areas within organic tissue using multiple imaging modalities
EP3951790A1 (en) An apparatus for treating cardiac arrhythmias utilizing a machine learning algorithm to optimize an ablation index calculation
US20220181024A1 (en) Catheter structure examination and optimization using medical procedure information
US20220175302A1 (en) Generating electrocardiograms from multiple references
US20220068479A1 (en) Separating abnormal heart activities into different classes
US20230146716A1 (en) Digital twin of atria for atrial fibrillation patients

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