CN115641954A - 用于个性化治疗计划的生存决策树图 - Google Patents
用于个性化治疗计划的生存决策树图 Download PDFInfo
- Publication number
- CN115641954A CN115641954A CN202210872037.8A CN202210872037A CN115641954A CN 115641954 A CN115641954 A CN 115641954A CN 202210872037 A CN202210872037 A CN 202210872037A CN 115641954 A CN115641954 A CN 115641954A
- Authority
- CN
- China
- Prior art keywords
- survival
- patient
- processor
- treatment
- tree
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Electrotherapy Devices (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Multi-Process Working Machines And Systems (AREA)
Abstract
本发明的主题是“用于个性化治疗计划的生存决策树图”。本发明提供了一种方法,该方法包括接收数据集,该数据集包括相应患者的医疗信息、对患者执行的临床规程的相应类型以及患者的相应生存率。通过使临床治疗规程的类型之间的生存率差值的成本函数最大化来生成生存树图。基于生存树图,为给定患者选择临床规程的类型。
Description
技术领域
本发明大体上涉及个性化医疗,并且具体地涉及将心脏消融规程与患者进行匹配。
背景技术
先前在专利文献中报道了基于患者群体的健康度量分析的个性化医疗保健预测方法。例如,美国专利申请公开号2018/0158552提供了一种用于创建用于医疗保健预测的可解释模型的方法,该方法包括通过深度学习处理器训练神经网络,以通过向该神经网络提供训练数据(包括经测量或观察到的健康度量和对应医疗结果的多种组合)来预测健康信息。该方法还包括通过深度学习处理器并使用神经网络基于训练数据针对经测量或观察到的健康度量的多种组合中的每一者来确定包括经测量或观察到的健康度量的预测结果在内的预测数据。该方法还包括通过深度学习处理器或学习处理器训练可解释机器学习模型,以通过向该可解释机器学习模型提供模拟数据(包括经测量或观察到的健康度量和预测数据的对应预测结果的组合)来作出与神经网络相似的预测。
作为另一个示例,美国专利申请公开2019/0019581描述了向患者提供数字诊断和数字疗法的方法和装置。数字个性化医疗系统使用数字数据来评估或诊断患者的症状,并且考虑来自患者对治疗反应的反馈以更新个性化治疗干预。本文公开的方法和装置还可用更少的问题、减少的时间量诊断和治疗受试者的认知功能,并且确定多种行为、神经或精神健康障碍,并且在诊断和治疗中提供临床上可接受的敏感性和特异性。
美国专利申请公开号2020/0098451描述了一种用于基于临床试验来预测患者结果的设施。该设施获得描述一个或多个完成的临床试验的信息,并且从所获得的临床试验信息中提取特征。该设施使用所提取的特征来训练用于预测临床结果的时间序列数据模型和用于预测临床结果的非时间序列数据模型两者。该设施将这些经过训练的模型应用于描述受试者患者的信息以预测该受试者患者的临床结果。
发明内容
本发明的实施方案提供一种方法,该方法包括接收数据集,该数据集包括相应患者的医疗信息、对患者执行的临床规程的相应类型以及患者的相应生存率。通过使临床治疗规程类型之间的生存率差值的成本函数最大化来生成生存树图。基于生存树图,为给定患者选择临床规程的一种类型。
在一些实施方案中,生存率差值包括Kaplan-Meier(KM)曲线之间的差值。
在一些实施方案中,生成生存树图包括将遗传算法应用于数据集。
在其他实施方案中,应用遗传算法包括选择在生存树图中的每个分割中使同质性最大化的决策节点和截止值。
在一个实施方案中,生成生存树图还包括固定生存树图的一个或多个层。
在另一个实施方案中,固定各层包括固定生存树图的根部。
在又另一个实施方案中,其中,固定生存树图的根部包括将该根部预设为患者的年龄和性别中的一者。
在一些实施方案中,固定各层包括预设在生存树图的输出层之前的层。
在其他实施方案中,预设在输出层之前的层包括预设该层以指示治疗方法。
在又一实施方案中,治疗方法包括肺静脉隔离。
在一些实施方案中,临床规程的类型是心律失常的不同心脏消融治疗、癌症的不同治疗以及脑中风的不同治疗中的一者。
根据本发明的实施方案,还提供了一种包括接口和处理器的系统。接口被配置用于接收数据集,该数据集包括相应患者的医疗信息、对患者执行的临床规程的相应类型以及患者的相应生存率。处理器被配置成(i)通过使临床治疗规程类型之间的生存率差值的成本函数最大化来生成生存树图,以及(ii)基于该生存树图,为给定患者选择临床规程的类型。
根据本发明的实施方案,还提供了一种计算机软件产品,该产品包括其中存储有程序指令的有形非暂态计算机可读介质,该指令在被处理器读取时使得该处理器(i)通过使临床治疗规程类型之间的生存率差值的成本函数最大化来生成生存树图,以及(ii)基于该生存树图,为给定患者选择临床规程的类型。
附图说明
结合附图,通过以下对本公开的实施方案的详细描述,将更全面地理解本公开,其中:
图1是根据本发明的示例性实施方案的基于导管的电生理(EP)感测、EP信号分析和消融系统的示意性图解;
图2和图3示出了根据本发明的示例性实施方案的通过遗传算法使用Kaplan-Meier(KM)生存曲线生成的生存树图,以为给定患者选择最优治疗规程;并且
图4是根据本发明的示例性实施方案的用于生成图2的遗传算法并使用图2的遗传算法来选择最优治疗规程的方法的流程图。
具体实施方式
概述
在经历某一特定的医疗治疗之后的时间段(例如,数月和数年)内执行的患者群体生存分析可指示该治疗的一般疗效。然而,此类指示是平均值,这对于特定给定患者可能是不准确的。例如,不同医师(例如,电生理学家)使用心房纤颤(AF)的几种心脏消融治疗。可对此类治疗中的每个治疗执行生存分析,其中它们是:
·仅肺静脉隔离(PVI)。
·PVI和附加的解剖隔离线。
·基于电生理(EP)标测结果的PVI和/或附加的消融。该标测可指示具体AF源,诸如疤痕。
·非PVI,通常是基于非PV触发器标测的消融,诸如CFAE、触发器、转子、分馏等。
不同研究显示了上面列出的不同消融治疗的疗效和性能,但这些研究包括招募不同(例如,范围广泛的)患者,因此没有明确的指南来说明相应特定消融方法可能最有益于哪种类型的患者。
本文描述的本发明的实施方案提供了基于机器学习(ML)的方法,以从预定义心脏消融规程列表中估计和推荐特定患者的最佳心脏消融规程。为此,本发明的实施方案包括用于生成治疗(例如,消融)决策树图的方法和算法,该方法和算法通过适当选择治疗(例如,消融)使给定患者的生存机会最大化。决策树图将研究群体的数据库分成具有不同生存量度的不同组(例如,不同Kaplan-Meier(KM)曲线)。通过使用决策树图区分竞争性治疗方法,临床医生可选择针对特定患者的最佳治疗方法(例如,心脏消融)。
在一些实施方案中,处理器运行根据所公开的技术准备的遗传算法以找到决策参数(节点)的层级结构,以及基于决策树图的路径的不同KM曲线(叶子)之间的所得区别性水平的成本函数。节点可包括患者年龄、性别和临床信息。在另一个实施方案中,将层级结构的一部分给予遗传算法,该遗传算法找到生存树节点的剩余部分。例如,在心脏消融的情况下,树图的可能的根部可被预先确定为年龄或被预先确定为性别。输出层之前的一层可包含被预先确定为不同消融治疗方法的节点。
使用所公开的方法,操作EP标测和消融系统的临床医生可在ML分析治疗中为新患者提供治疗,例如,与患者的概况和诊断数据最佳匹配的治疗,以便提供最佳预期临床结果。在AF的情况下,所公开的技术利用关于患者心脏的可用EP信息(例如,EP标测图)来帮助临床医生确定最优心脏消融规程等可能的方法,以基于如通过生存率所测量的生存来治疗例如特定患者的严重心律失常。
系统描述
图1是根据本发明的示例性实施方案的基于导管的电生理(EP)感测、EP信号分析和消融系统20的示意性图解。系统20可为例如由Biosense-Webster(Irvine,California)生产的3系统。如图所示,系统20包括具有轴22的导管21,该轴被医师30导航到患者28的心脏26中。在所示的示例中,医师30将轴22插入穿过护套23,同时使用导管21的近侧端部附近的操纵器32操纵轴22。
在本文所述的示例性实施方案中,导管21可用于任何合适的诊断目的和/或组织消融,诸如分别用于心脏26的电生理标测和/或消融。ECG记录仪35可在该过程期间接收由系统20感测的各种类型的ECG信号。
如插图25和插图45所示,导管21的轴22的远侧端部配有多电极篮形导管40。插图45示出了篮形导管40的多个电极48的布置。
导管21的近侧端部连接到控制台24,以传输例如由电极48采集的电描记图(EGM)。控制台24包括处理器41(通常为通用计算机),该处理器具有合适的前端和接口电路38以用于接收来自导管21的电极48的EP信号(例如,EGM和ECG信号)以及非EP信号(诸如位置信号)。为此,处理器41经由在轴22内延伸的导线连接到电极48。
接口电路38被进一步配置为接收ECG信号,诸如来自可为ECG记录仪35的多通道(例如,12引线)ECG装置的ECG信号,以及来自表面身体电极49的非ECG信号。通常,电极49附接到患者28的胸部和腿部周围的皮肤。处理器41通过延伸穿过电缆39的导线连接到电极49以接收来自电极49的信号。
在EP标测规程期间,当电极48在患者的心脏26内时,跟踪电极的位置。为此,电信号在电极48和体表电极49之间传递。基于信号以及给定在患者身体上的电极22的已知位置,处理器41计算每个电极22在患者的心脏内的估计位置。可使用美国专利号8,456,182中描述的由Biosense-Webster(Irvine California)制造的先进电流位置(ACL)系统来执行此类跟踪,该专利的公开内容以引用方式并入本文。
因此,处理器41可将从电极48接收的任何给定信号(诸如EGM)与采集信号的位置相关联。处理器41使用包含在这些信号中的信息来构建EP标测图,诸如局部激活时间(LAT)标测图,以呈现在显示器上。
医师30可基于由处理器为患者28推断的前述生存决策树图来决定执行哪个消融规程。为了执行消融,电极48连接(例如,切换)到控制台24中的消融波形发生器47。通过使用由所公开的技术提供的消融指南,诸如要执行的肺静脉隔离的类型,处理器41或医师可选择将哪些电极连接到发生器47以施加消融。
处理器41通常在软件中编程以执行本文所述的功能。例如,软件可通过网络以电子形式被下载到处理器,或者另选地或除此之外,软件可被提供和/或存储在非临时性有形介质诸如磁性、光学或电子存储器上。具体地,处理器41运行如本文所公开的诸如包括在图4中的专用算法,该专用算法使得处理器41能够执行所公开的步骤,如下文进一步所述。
用于个性化治疗计划的生存决策树图
生存分析是用于描述以持续时间形式的数据分析的短语,该持续时间从明确定义的时间起点对患者进行医疗治疗直到发生与患者相关联的一些具体医疗事件或终点。治疗可以是药物施用(例如,化学疗法)或侵入性规程(例如,支架置入、消融)等。
已经开发了各种统计方法来描述和分析此类时间相关结果。其中,Kaplan-Meier曲线在医疗研究中广泛用于生存分析。Kaplan-Meier(KM)曲线是对生存函数的估计,它是事件随时间的发生率。例如,Rich JT等人在标题为“A practical guide tounderstanding Kaplan–Meier curves”的论文中描述了KM曲线,该论文发表于Otolaryngology Head Neck Surgery,143(3),2010年,第331-336页。
可针对研究招募的患者的不同亚组计算并绘制KM曲线。可使用统计检验(诸如对数秩检验)来比较KM。
因此,生存决策树可包括:
1.KM曲线“叶子”,该“叶子”描述随时间的治疗失败率
2.紧接在该叶子之前的参数,例如,前述不同消融方法包括或不包括PVI
3.附加参数,该附加参数包括上层决策节点中的一组决策规则,表征患者的亚组
4.树的规则,该规则可被创建以根据以下不同得分使每对KM曲线之间的差值最大化:
a.KM曲线之间的面积
b.在最终时间点处的治疗失败率之间的距离
c.对数秩检验的p值
d.风险一致性指数(也称为Harrell的c指数)
所公开的算法旨在使用不同治疗方法的KM生存曲线在树图的最终叶子处创建治疗选项(例如,PVI与“PVI”)之间的最优分离。为了解决这些问题,使用人工智能来关注树的最终叶子。目标在于根据上述得分或标准(a)-(d)中的一者有效地识别心房纤颤治疗之间存在最大差值的亚组。该任务的一个选项是进化算法,该进化算法适于构建最优生存决策树。
进化算法通过生成解决方案、选择最佳(最合适的)解决方案、交叉、突变和遗传漂变来模拟进化的生物过程。进化算法提供灵活的框架来找出比较心房纤颤治疗方法的最优生存树。以下是它们的一些优点:
1.大量搜索可能的解决方案空间:
a.构建生存决策树涉及许多考虑因素,包括树中包含哪些特征、它们被包含在哪一层次、选择哪些截止值等等。由于存在许多考虑因素,所以可能的树的数量太大而不能评估所有可能的解决方案。
b.进化算法在算法进化过程中考虑大量解决方案。通过模拟进化的过程,能够评估最佳解决方案,并且可找出最优解决方案。
2.构建可能的解决方案时的灵活性:
a.进化算法可适于解决具有不同约束的问题。在生存决策树的情况下,主要约束是树的最终分割的固定,这可能是心房纤颤治疗方法。
b.也可考虑其他相关约束,包括(但不限于):
i.每个最终Kaplan-Meier曲线中的受试者的最小数量
ii.整个树的层次数
iii.变量到树的首次分割或树中的任何其他分割的固定
决策树是通过将数据从根部节点向下传递到叶子来生成的。数据根据预测变量重复分割,使得子节点在结果变量方面更加“纯”(即,同质)。在一个实施方案中,所公开的遗传算法被配置成选择在树图中的每个分割中使同质性最大化的决策节点和截止值。
图2示出了根据本发明的实施方案的通过遗传算法使用Kaplan-Meier(KM)生存曲线生成的生存树图200以为给定患者选择最优治疗规程。生成决策树图200的遗传算法由计算机处理器222使用从存储器224上传的患者数据来操作,该存储器可以是本地存储器或远程位置。在操作中,处理器将生成的树图保存到存储器224中。
如图所示,生存树图200包括根部决策节点202。树图200还包括处于该图的不同层处的决策节点204。决策节点202和204可以是例如年龄、性别、癌症情况下的肿瘤大小或支架植入情况下的动脉身份(仅举几例)中的一者。
进一步如图所示,用于治疗的具体类型的决策节点206位于输出层208之前的一层。最后一层是竞争方法208(例如,从中进行选择的可能的治疗)的呈KM曲线207形式的预期生存率。在每个生存树图的分支,图形指示210标记医师选择的最佳合适的治疗。
用于个性化心脏消融治疗计划的生存决策树图
关于AF,上文所讨论的时间起点可对应于AF的侵入性治疗。对时间相关事件的分析是独一无二的,这是因为预期事件——成功治疗后AF的复发——不会发生在大多数个体上。在AF的示例中,KM曲线描述了AF随时间的治疗失败率。
图3示出了根据本发明的实施方案的通过遗传算法使用Kaplan-Meier(KM)生存曲线生成的生存树图300以为给定患者选择最优消融治疗。
图3的决策树的总结策略为:
组(决策节点) | 推荐策略 |
年龄≥68 | PVI加 |
年龄<68,LA直径<45mm | PVI |
年龄<68,LA直径≥45mm | PVI加 |
表1
如图所示,生存树图300包括根部决策节点302。树图300还包括处于该图的不同层处的决策节点304。决策节点302是基于年龄。节点304是基于年龄和基于通过诊断会话(例如,标测和/或成像)获得的左心房(LA)的直径。
进一步如图所示,治疗中具体类型的决策节点306位于输出层308之前的一层。最后一层是竞争方法308(例如,从中进行选择的可能的消融治疗)的呈KM曲线307形式的预期生存率。图形指示310为医师标记生存树图的每个分支的最佳合适的选择。
生存树图300可被存储在记忆棒中或存储在网络驱动器上,并且被提供给图1的系统20的用户或给其他系统的用户。
图3所示的示例性图示完全是为了概念清晰而选择的。生存树的创建中可包括的参数很多,优选地是成功消融方法的预测因子,包括三列列表:
表2
除了以上之外,可包括从心房标测结果中取出的参数以用于创建决策树。这些参数可包括:
·心房面积中低压区面积的百分比
·通过CARTOFINDER找出的病灶触发器的数量
·通过循环长度标测发现的非PV触发器的数量等
·心房面积中由分馏覆盖的百分比面积
生成和使用用于个性化心脏消融治疗计划的生存决策树图的方法
图4是根据本发明的实施方案的用于生成图2的遗传算法和使用其来选择最优治疗规程的方法的流程图。根据所呈现的实施方案,算法被分成两部分:树图准备401和树图使用402。
该算法执行以下过程,该过程以处理器222在数据库接收步骤411处接收(例如,从存储器224上传)包括生存率的患者医疗数据库开始。数据库还包括诸如表2中出现的信息。
接下来,处理器222在生存树图生成步骤413处生成生存树图,诸如树图200。如上所述,在该图的每个末端分支中,该图提供了不同可能的临床治疗规程中的两个或更多个临床治疗规程之间的最大差值。
最后,对于树图准备401的部分,处理器在树图存储步骤415处将所生成的生存树图存储在存储器224和/或非暂态计算机可读介质中。
在树图准备使用402的部分的开始处,处理器(诸如系统21的处理器41)在生存树图上传步骤420处从例如非暂态计算机可读存储器介质上传生存树。
处理器接下来在新患者数据接收步骤422处接收包括例如EP标测规程的结果在内的新患者医疗数据。
将生存树图应用于患者医疗信息,医师30选择用于新患者的最优临床规程(例如,前述消融选项中的一者),步骤424。该最优是由最佳预期结果(诸如新患者医疗概况的最佳MK曲线)指导。
尽管本文所述的实施方案主要涉及心脏消融,但本文所述的方法和系统也可用于涉及可能的治疗之间的临床决策的任何医学领域。
应当理解,上述实施方案以举例的方式被引用,并且本发明不限于上文具体显示和描述的内容。相反,本发明的范围包括上文描述的各种特征的组合和子组合以及它们的变型和修改,本领域的技术人员在阅读上述描述时将会想到该变型和修改,并且该变型和修改并未在现有技术中公开。
Claims (23)
1.一种方法,包括:
接收数据集,所述数据集包括相应患者的医疗信息、对所述患者执行的临床规程的相应类型以及所述患者的相应生存率;
通过使所述临床治疗规程的所述类型之间的所述生存率的差值的成本函数最大化来生成生存树图;以及
基于所述生存树图,为给定患者选择所述临床规程的类型。
2.根据权利要求1所述的方法,其中,所述生存率的所述差值包括Kaplan-Meier(KM)曲线之间的差值。
3.根据权利要求1所述的方法,其中,生成所述生存树图包括将遗传算法应用于所述数据集。
4.根据权利要求3所述的方法,其中,应用所述遗传算法包括选择在所述生存树图中的每个分割中使同质性最大化的决策节点和截止值。
5.根据权利要求1所述的方法,其中,生成所述生存树图还包括固定所述生存树图的一个或多个层。
6.根据权利要求5所述的方法,其中,固定所述层包括固定所述生存树图的根部。
7.根据权利要求6所述的方法,其中,固定所述生存树图的所述根部包括将所述根部预设为患者的年龄和性别中的一者。
8.根据权利要求5所述的方法,其中,固定所述层包括预设在所述生存树图的输出层之前的层。
9.根据权利要求8所述的方法,其中,预设在所述输出层之前的所述层包括预设所述层以指示治疗方法。
10.根据权利要求9所述的方法,其中,所述治疗方法包括肺静脉隔离。
11.根据权利要求1所述的方法,其中,所述临床规程的所述类型是心律失常的不同心脏消融治疗、癌症的不同治疗以及脑中风的不同治疗中的一者。
12.一种系统,包括:
接口,所述接口被配置用于接收数据集,所述数据集包括相应患者的医疗信息、对所述患者执行的临床规程的相应类型以及所述患者的相应生存率;和
处理器,所述处理器被配置成:
通过使所述临床治疗规程的所述类型之间的所述生存率的差值的成本函数最大化来生成生存树图;以及
基于所述生存树图,为给定患者选择所述临床规程的类型。
13.根据权利要求12所述的系统,其中,所述生存率的所述差值包括Kaplan-Meier(KM)曲线之间的差值。
14.根据权利要求12所述的系统,其中,所述处理器被配置成通过将遗传算法应用于所述数据集来生成所述生存树图。
15.根据权利要求14所述的系统,其中,所述处理器被配置成通过选择在所述生存树图中的每个分割中使同质性最大化的决策节点和截止值来应用所述遗传算法。
16.根据权利要求12所述的系统,其中,所述处理器被进一步配置成通过固定所述生存树图的一个或多个层来生成所述生存树图。
17.根据权利要求16所述的系统,其中,所述处理器被配置成通过固定所述生存树图的根部来固定所述一个或多个层。
18.根据权利要求17所述的系统,其中,所述处理器被配置成通过将所述根部预设为患者的年龄和性别中的一者来固定所述一个或多个层。
19.根据权利要求16所述的系统,其中,所述处理器被配置成通过预设在所述生存树图的输出层之前的层来固定所述一个或多个层。
20.根据权利要求19所述的系统,其中,所述处理器被配置成通过预设所述层以指示治疗方法来预设在所述输出层之前的所述层。
21.根据权利要求20所述的系统,其中,所述治疗方法包括肺静脉隔离。
22.根据权利要求12所述的系统,其中,所述临床规程的所述类型是心律失常的不同心脏消融治疗、癌症的不同治疗以及脑中风的不同治疗中的一者。
23.一种计算机软件产品,所述产品包括其中存储有程序指令的有形非暂态计算机可读介质,所述指令在被处理器读取时使得所述处理器:
通过使所述临床治疗规程的所述类型之间的所述生存率的差值的成本函数最大化来生成生存树图;以及
基于所述生存树图,为给定患者选择所述临床规程的类型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/379183 | 2021-07-19 | ||
US17/379,183 US20230022375A1 (en) | 2021-07-19 | 2021-07-19 | Survival decision tree graphs for personalized treatment planning |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115641954A true CN115641954A (zh) | 2023-01-24 |
Family
ID=82611096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210872037.8A Pending CN115641954A (zh) | 2021-07-19 | 2022-07-19 | 用于个性化治疗计划的生存决策树图 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230022375A1 (zh) |
EP (1) | EP4123659A1 (zh) |
JP (1) | JP2023015009A (zh) |
CN (1) | CN115641954A (zh) |
IL (1) | IL294331A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230085786A1 (en) * | 2021-09-23 | 2023-03-23 | The Joan and Irwin Jacobs Technion-Cornell Institute | Multi-stage machine learning techniques for profiling hair and uses thereof |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8456182B2 (en) | 2008-09-30 | 2013-06-04 | Biosense Webster, Inc. | Current localization tracker |
JP2019504402A (ja) | 2015-12-18 | 2019-02-14 | コグノア, インコーポレイテッド | デジタル個別化医療のためのプラットフォームおよびシステム |
US11144825B2 (en) | 2016-12-01 | 2021-10-12 | University Of Southern California | Interpretable deep learning framework for mining and predictive modeling of health care data |
US11101043B2 (en) | 2018-09-24 | 2021-08-24 | Zasti Inc. | Hybrid analysis framework for prediction of outcomes in clinical trials |
KR20210074313A (ko) * | 2018-10-05 | 2021-06-21 | 아비오메드, 인크. | 트리 기반 데이터 탐색 및 데이터 기반 프로토콜 |
-
2021
- 2021-07-19 US US17/379,183 patent/US20230022375A1/en active Pending
-
2022
- 2022-06-27 IL IL294331A patent/IL294331A/en unknown
- 2022-07-15 JP JP2022113767A patent/JP2023015009A/ja active Pending
- 2022-07-18 EP EP22185377.3A patent/EP4123659A1/en not_active Withdrawn
- 2022-07-19 CN CN202210872037.8A patent/CN115641954A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230022375A1 (en) | 2023-01-26 |
JP2023015009A (ja) | 2023-01-31 |
EP4123659A1 (en) | 2023-01-25 |
IL294331A (en) | 2023-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210085387A1 (en) | Guiding cardiac ablation using machine learning (ml) | |
US10076260B2 (en) | Integrated analysis of electrophysiological data | |
KR20210036279A (ko) | Ecg 기반 심장 벽 두께 추정 | |
US11083520B2 (en) | Systems and methods of ablating cardiac tissue | |
CN106102568A (zh) | 与治疗部位相关的信号分析 | |
US9345550B2 (en) | Method and system for characterizing stimulus sites and providing implant guidance | |
KR20110082038A (ko) | 생물학적 리듬 장애의 검출, 진단 및 치료를 위한 방법, 시스템 및 장치 | |
CN102917637A (zh) | 用于检测、诊断和治疗生物节律紊乱的方法、系统和设备 | |
CN111887975A (zh) | 用于改进心脏消融规程的系统和方法 | |
EP3954291B1 (en) | Detection of activation in electrograms using neural-network-trained preprocessing of intracardiac electrograms | |
CA3171471A1 (en) | System and method for guiding direction to and treating targets for abnormal biological rhythms | |
Zhou et al. | Prospective assessment of an automated intraprocedural 12-lead ECG-based system for localization of early left ventricular activation | |
CN114176757A (zh) | 消融间隙的识别 | |
CN115641954A (zh) | 用于个性化治疗计划的生存决策树图 | |
US20220039730A1 (en) | System and method to detect and identify cardiac pace-mapping sites and pacing maneuvers | |
CN114078574A (zh) | 在心律失常的标测和治疗期间使用机器学习来改进工作流 | |
CN110227209A (zh) | 用于心律失常建模的心脏起搏模拟 | |
US10610119B2 (en) | Systems for assessing risk of sudden cardiac death, and related methods of use | |
RU2779871C2 (ru) | Направляемая абляция сердца с использованием машинного обучения (ml) | |
EP3544536B1 (en) | Determining ablation location using probabilistic decision-making |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |