CN117979907A - 用于生成射血分数保留的心力衰竭(HFpEF)的可能性的方法和系统 - Google Patents
用于生成射血分数保留的心力衰竭(HFpEF)的可能性的方法和系统 Download PDFInfo
- Publication number
- CN117979907A CN117979907A CN202280064246.8A CN202280064246A CN117979907A CN 117979907 A CN117979907 A CN 117979907A CN 202280064246 A CN202280064246 A CN 202280064246A CN 117979907 A CN117979907 A CN 117979907A
- Authority
- CN
- China
- Prior art keywords
- ultrasound
- subject
- hfpef
- biomarkers
- likelihood
- 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
- 208000038003 heart failure with preserved ejection fraction Diseases 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000002604 ultrasonography Methods 0.000 claims abstract description 179
- 238000004458 analytical method Methods 0.000 claims abstract description 152
- 239000000090 biomarker Substances 0.000 claims abstract description 91
- 206010019280 Heart failures Diseases 0.000 claims abstract description 56
- 230000000747 cardiac effect Effects 0.000 claims abstract description 46
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000012800 visualization Methods 0.000 claims abstract description 24
- 238000007542 hardness measurement Methods 0.000 claims abstract description 10
- 230000014759 maintenance of location Effects 0.000 claims abstract description 5
- 238000003384 imaging method Methods 0.000 claims description 32
- 230000002861 ventricular Effects 0.000 claims description 17
- 238000003745 diagnosis Methods 0.000 claims description 14
- 208000029078 coronary artery disease Diseases 0.000 claims description 13
- 201000010099 disease Diseases 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 12
- 206010020871 hypertrophic cardiomyopathy Diseases 0.000 claims description 10
- 238000012285 ultrasound imaging Methods 0.000 claims description 10
- 206010020772 Hypertension Diseases 0.000 claims description 9
- 208000025584 Pericardial disease Diseases 0.000 claims description 9
- 230000001746 atrial effect Effects 0.000 claims description 9
- 238000011282 treatment Methods 0.000 claims description 9
- 206010002022 amyloidosis Diseases 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 5
- 201000001943 Tricuspid Valve Insufficiency Diseases 0.000 claims description 5
- 206010044640 Tricuspid valve incompetence Diseases 0.000 claims description 5
- 230000017531 blood circulation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010009 beating Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 25
- 238000004891 communication Methods 0.000 description 20
- 238000012549 training Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 8
- 206010007509 Cardiac amyloidosis Diseases 0.000 description 7
- 238000003748 differential diagnosis Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000002592 echocardiography Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 210000005240 left ventricle Anatomy 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 239000013065 commercial product Substances 0.000 description 3
- 230000002526 effect on cardiovascular system Effects 0.000 description 3
- 230000002107 myocardial effect Effects 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 101000772194 Homo sapiens Transthyretin Proteins 0.000 description 2
- 208000007177 Left Ventricular Hypertrophy Diseases 0.000 description 2
- 102100029290 Transthyretin Human genes 0.000 description 2
- 230000003205 diastolic effect Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 208000038002 heart failure with reduced ejection fraction Diseases 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 208000023761 AL amyloidosis Diseases 0.000 description 1
- 102000009091 Amyloidogenic Proteins Human genes 0.000 description 1
- 108010048112 Amyloidogenic Proteins Proteins 0.000 description 1
- 239000012190 activator Substances 0.000 description 1
- 230000003942 amyloidogenic effect Effects 0.000 description 1
- 210000001765 aortic valve Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000002308 calcification Effects 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 230000001969 hypertrophic effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 210000004115 mitral valve Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- HJZKOAYDRQLPME-UHFFFAOYSA-N oxidronic acid Chemical compound OP(=O)(O)C(O)P(O)(O)=O HJZKOAYDRQLPME-UHFFFAOYSA-N 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 201000007905 transthyretin amyloidosis Diseases 0.000 description 1
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种用于提供针对对象的射血分数保留的心力衰竭(HFpEF)的可视化的可能性的方法,包括:(i)接收(120)对象的心脏的超声分析的结果;(ii)从所接收的超声分析中提取(130)多个超声生物标志物;(iii)接收(122)针对所述对象的心脏硬度测量结果;(iv)接收(124)关于所述对象的临床信息;(v)使用经训练的心力衰竭模型分析(140)所述多个超声生物标志物、所述心脏硬度测量结果和关于所述对象的所述临床信息以生成多种HFpEF病因中的至少一种HFpEF病因的可能性,其中,所述多种HFpEF病因中的至少一种HFpEF病因的可能性包括对象正在经历射血分数保留的心力衰竭的可能性;并且(vi)显示(150)所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性的可视化。
Description
技术领域
本公开总体涉及用于提供针对对象的射血分数保留的心力衰竭的可视化的可能性的方法和系统。
背景技术
心力衰竭可从定义为心脏无法在维持正常充盈压的同时提供足够的心输出量,影响全球至少2600万人,预计到2030年这一数字将增加46%。存在两种类型的心力衰竭:(1)射血分数降低的心力衰竭(HFrEF)和(2)射血分数保留的心力衰竭(HFpEF)。后者,即HFpEF,占心力衰竭病例的50%,其特点是舒张期左心室(LV)舒张受损,以及左心室机械属性改变(最明显的是硬度升高)导致充盈压增加。心脏淀粉样变性、冠状动脉疾病、瓣膜疾病、肥厚性心肌病(HCM)、心包疾病和高血压等疾病均可产生HFpEF。
超声心动图是HFpEF的主要成像方式。但HFpEF不能直接用于鉴别诊断。虽然目前有HFpEF的诊断指南,包括病史和身体检查、超声心动图和心导管检查(如有必要的话),但这些指南是复杂的且很少被遵循。即使有了这些指南,确定HFpEF的根本原因仍然具有挑战性。
例如,心脏淀粉样变性是HFpEF进展最快的形式之一,如果不处置,诊断后的中位生存期从针对轻链淀粉样变性(AL)的<6个月到针对转甲状腺素蛋白淀粉样变性(ATTR)的3至5年不等。目前,ATTR淀粉样变性的明确诊断是使用Tc-99m-PYP/DPD/HMDP成像进行的。超声心动图通常是对患有心力衰竭的患者进行的第一个检查。然而,CA的典型超声心动图特征在晚期疾病中最为突出,并且在早期疾病中可能会被遗漏,即使在严重程度足以导致心力衰竭时也如此。特别是在疾病早期,超声心动图缺乏特异性来精确地鉴别淀粉样蛋白与非淀粉样蛋白浸润性或肥厚性心脏病,例如左心室肥厚(LVH)。因此,超声目前在HFpEF鉴别诊断中不起作用,尤其是在早期阶段。
心脏影像学界一致认为,迫切需要对HFpEF鉴别诊断进行标准化,以提高护理的效率和效果,并带来更好的患者预后。目前,考虑到上游患者在不同机构的临床背景,还没有一种广为接受的、智能的患者特异性方法来预测不同HFpEF病因的可能性。因此,在心脏护理成像领域迫切需要建立一种智能数据驱动的HFpEF鉴别诊断决策支持工具。
发明内容
因此,持续需要用于HFpEF鉴别诊断的方法和系统。本文的各种实施例和实现方式涉及被配置为生成和呈现HFpEF的可视化的可能性的方法和系统。诸如患者分析系统的系统接收对象的心脏的超声分析的结果,并从所接收的超声分析的结果中提取患者的多个超声生物标志物。该系统还接收对象的心脏的心脏硬度测量结果以及关于对象的临床信息。然后,患者分析系统使用经训练的心力衰竭模型来分析所提取的多个超声生物标志物、所接收的心脏硬度测量结果以及所接收的关于对象的临床信息,所述经训练的心力衰竭模型被配置为输出多种HFpEF病因中的至少一种HFpEF病因的可能性作为输入。经训练的模型的输出是确定的多种HFpEF病因中的至少一种HFpEF病因的可能性,包括对象正在经历射血分数保留的心力衰竭的可能性。然后,系统在系统的用户接口上显示所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性的可视化。
一般而言,在一个方面中,提供了一种用于提供针对对象的射血分数保留的心力衰竭(HFpEF)的可视化的可能性的方法。该方法包括:(i)接收来自当前超声检查的所述对象的心脏的超声分析的结果;(ii)从所接收的超声分析的结果中提取多个超声生物标志物;(iii)接收来自所述当前超声检查和/或先前超声检查的针对所述对象的心脏的心脏硬度测量结果;(iv)接收关于所述对象的临床信息;(v)使用经训练的心力衰竭模型分析所提取的多个超声生物标志物、所接收的心脏硬度测量结果以及所接收的关于所述对象的临床信息,以生成多种HFpEF病因中的至少一种HFpEF病因的可能性,其中,所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性包括所述对象正在经历射血分数保留的心力衰竭的可能性;并且(vi)在用户接口上显示所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性的可视化。
根据实施例,所述多种HFpEF病因包括:心脏淀粉样变性、冠状动脉疾病、高血压、心包疾病、肥厚性心肌病,以及瓣膜疾病。
根据实施例,所述方法还包括接收所述对象的心脏的一个或多个先前成像分析的结果,其中,所述成像分析是超声成像或另一种成像模态;并且接收来自先前成像分析的一个或多个超声生物标志物;其中,使用经训练的心力衰竭模型进行分析还包括所接收的一个或多个先前成像分析和/或来自先前成像分析的所述一个或多个超声生物标志物。
根据实施例,显示还包括在所述用户接口上显示以下内容:(i)对象的姓名;(ii)关于超声分析的一个或多个细节;(iii)多种HFpEF病因中每种HFpEF病因的可能性;以及(iv)处置建议。
根据实施例,所述方法还包括确定提取的多个超声生物标志物中缺少一个或多个超声生物标志物;生成对缺少的所述一种或多种超声生物标志物的请求;并且响应于所述请求,接收所述一个或多个缺少的超声生物标志物中的至少一个。
根据实施例,所述多个超声生物标志物包括以下中的一个或多个:射血分数、总体纵向应变、血流传播速度、舒张早期的二尖瓣流入速度、舒张未期的二尖瓣流入速度、舒张早期的二尖瓣环速度、舒张末期二尖瓣环速度、左心房容积指数、左心室厚度、隔膜厚度、一个或多个瓣膜的厚度、右心室厚度、相对壁厚度、三尖瓣反流速度,以及左心室质量指数。
根据实施例,关于对象的临床信息包括以下中的一项或多项:超声检查类型、超声分析的原因、对象的年龄、对象的性别、对象的体重指数、心房颤动状态或诊断,以及冠状动脉疾病状态或诊断。
根据实施例,通过心房搏动法、瓣膜闭合法和/或剪切波法来测量心脏硬度。
根据第二方面的是一种用于提供针对对象的射血分数保留的心力衰竭(HFpEF)的可视化的可能性的系统。所述系统包括经训练的心力衰竭模型;处理器,其被配置为:(i)接收来自当前超声检查的对象的心脏的超声分析的结果;(ii)从所接收的超声分析的结果中提取多个超声生物标志物;(iii)接收来自当前超声检查和/或先前超声检查的对象的心脏的心脏硬度测量结果;(iv)接收关于对象的临床信息;(v)使用经训练的心力衰竭模型分析所提取的多个超声生物标志物、所接收的心脏硬度测量结果以及所接收的关于对象的临床信息,以生成多种HFpEF病因中的至少一种HFpEF病因的可能性,其中,所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性包括所述对象正在经历射血分数保留的心力衰竭的可能性;并且(vi)生成所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性的可视化;以及用户接口,其被配置为提供所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性。
根据实施例,所述用户接口还被配置为显示:(i)对象的姓名;(ii)关于超声分析的一个或多个细节;(iii)多种HFpEF病因中每种HFpEF病因的可能性;以及(iv)处置建议。
根据实施例,所述处理器还被配置为:确定提取的多个超声生物标志物中缺少一个或多个超声生物标志物;(ii)生成对缺少的所述一种或多种超声生物标志物的请求;并且响应于所述请求,接收缺少的所述一个或多个超声生物标志物中的至少一个。
根据第三方面和是一种包括计算机程序代码指令的非瞬态计算机可读存储介质,所述计算机程序代码指令在由处理器执行时使得处理器能够执行包括以下步骤的方法:(i)接收来自当前超声检查的对所述对象的心脏的超声分析的结果;(ii)从所接收的超声分析的结果中提取多个超声生物标志物;(iii)接收来自所述当前超声检查和/或先前超声检查的针对所述对象的心脏的心脏硬度测量结果;(iv)接收关于所述对象的临床信息;(v)使用经训练的心力衰竭模型分析所提取的多个超声生物标志物、所接收的心脏硬度测量结果以及所接收的关于所述对象的临床信息,以生成多种HFpEF病因中的至少一种HFpEF病因的可能性,其中,所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性包括所述对象正在经历射血分数保留的心力衰竭的可能性;并且(vi)在用户接口上显示所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性的可视化。
应当理解,上述概念和以下更详细讨论的额外概念的所有组合(假设的这些概念不是相互不一致的)被预期为是本文中公开的发明主题的一部分。尤其地,权利要求的主题的所有组合均预期为本文公开的发明主题的部分。还应该理解,本文中明确采用的术语,其也可以出现在通过引用并入的任何公开中,应该赋予与本文中公开的具体概念最符合的含义。
参考下文描述的(一个或多个)实施例,各实施例的这些和其他方面将变得显而易见并得以阐述。
附图说明
在附图中,相同的附图标记一般指不同视图中的相同部分。附图示出了实现各种实施例的特征和方式,并且不应被解释为限制落入所附权利要求的范围内的其他可能的实施例。同样,附图不一定按比例,而是重点在于图示各实施例的原理。
图1是根据实施例的用于为对象提供HFpEF的可视化的可能性的方法的流程图。
图2是根据实施例的患者分析系统的示意图。
图3是根据实施例的心脏硬度测量结果的示意图。
图4是根据实施例的患者分析系统的经训练的心力衰竭模型的输入和输出的流程图。
图5是根据实施例的用于训练患者分析系统的心力衰竭模型的方法的流程图。
图6是根据实施例的HFpEF的可视化的示意图。
具体实施方式
本公开描述了被配置为生成并呈现对象的HFpEF的可视化的可能性的系统和方法的各种实施例。更一般地,申请人已经认识到并理解到为HFpEF鉴别诊断提供智能数据驱动的决策支持工具将是有益的。因此,患者分析系统接收对象的心脏的超声分析的结果,并从所接收的超声分析的结果提取患者的多个超声生物标志物。该系统还接收对象的心脏的心脏硬度测量结果以及关于对象的临床信息。然后,患者分析系统使用经训练的心力衰竭模型来分析所提取的多个超声生物标志物、所接收的心脏硬度测量结果以及所接收的关于对象的临床信息,所述经训练的心力衰竭模型被配置为输出多种HFpEF病因中的至少一种HFpEF病因的可能性作为输入。经训练的模型的输出是确定的多种HFpEF病因中的至少一种HFpEF病因的可能性,包括对象正在经历射血分数保留的心力衰竭的可能性。然后,系统在系统的用户接口上显示所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性的可视化。然后,健康护理专业人员可以利用生成的可能性的可视化来对对象实施健康护理处置。
根据实施例,在一些非限制性实施例中,本文描述或者设想的系统和方法可以被实现为用于超声成像或分析的商业产品的元件,或者实现为用于心血管分析的商业产品的元件,例如, IntelliSpace心血管(ISCV)(可从荷兰皇家飞利浦有限公司获得),或作为用于患者分析或监测的商业产品的元件,例如飞利浦患者流量能力套件(PFCS)或任何合适的系统。
参考图1,在一个实施例中,其是用于使用患者分析系统来分析或确定患者发生HFpEF的可能性的方法100的流程图。结合附图描述的方法仅作为示例提供,并且应被理解为不限制本公开的范围。患者分析系统可以是本文中描述的或者设想的任何系统。患者分析系统可以是单个系统或多个不同的系统。
在该方法的步骤110,提供患者分析系统200。参考如图2中所示的患者分析系统200的实施例,例如,所述系统包括处理器220、存储器230、用户接口240、通信接口250和存储器260中的一个或多个,它们经由一个或多个系统总线212互连。应该理解,图2在一些方面构成抽象,并且系统200的部件的实际组织可能与图示的不同并且更复杂。额外地,患者分析系统可以是本文中描述的或者设想的任何系统。患者分析系统200的其他元件和部件在本文中别处公开和/或设想。
在该方法的步骤120,患者分析系统接收对象的心脏的超声分析的结果。对象的心脏的超声分析可以是足以提供关于对象的超声数据的任何分析,其可以在该方法的下游步骤中使用。可以使用能够提供在该方法的下游步骤中使用的超声数据的任何超声方法或装置来获得对象的心脏的超声分析。根据实施例,对象的心脏的超声分析包括由超声装置获得的多幅图像,和/或包括多幅图像的总结或报告。
根据实施例,患者分析系统200包括能够采集所需的超声图像或分析的超声装置。根据另一实施例,患者分析系统200与能够采集所需的超声图像或分析的本地或远程超声装置有线和/或无线通信。根据另一实施例,患者分析系统200与存储超声图像或分析的本地或远程数据库有线和/或无线通信。患者分析系统200可以从这些源中的一个或多个获得所需的超声图像或分析。
根据实施例,对象的心脏的超声分析由超声成像专家获得,作为对象的常规分析的一部分或者响应于对象经历的可能或已知的医学问题。可以通过本文描述或者设想的方法和系统来执行或获得超声分析以用于立即或近期分析,或者可以通过本文描述或者设想的方法和系统来执行或获得超声分析以用于未来分析。
根据实施例,对象的心脏的超声分析包括2D图像或记录、3D图像或记录和/或两者。
在该方法的步骤130,患者分析系统从所接收的超声分析的结果中提取多个超声生物标志物。所述多个超声生物标志物可以是从超声分析提取的任何度量、测量结果、参数或其他数据。根据实施例,多个超声生物标志物是从所接收的超声分析的结果提取的定量参数或者以其他方式在超声分析期间获得的定量参数。可以使用用于从超声成像中提取数据的多种方法中的任何一种来提取超声生物标志物。根据实施例,所述多个超声生物标志物中的一个或多个通过与超声装置或患者分析系统相关联的软件或算法自动获得或提取。例如,可以利用超声工作站解决方案获得多种超声生物标志物中的一种或多种。根据另一实施例,在超声分析期间手动获得或提取多个超声生物标志物中的一个或多个。
根据实施例,所述多个超声生物标志物包括以下中的一个或多个:射血分数、总体纵向应变、血流传播速度、舒张早期的二尖瓣流入速度、舒张未期的二尖瓣流入速度、舒张早期的二尖瓣环速度、舒张末期二尖瓣环速度、左心房容积指数、左心室厚度、隔膜厚度、一个或多个瓣膜的厚度、右心室厚度、相对壁厚度、三尖瓣反流速度,以及左心室质量指数。然而,许多其他超声生物标志物也是可能的。
由患者分析系统接收或提取的多个超声生物标志物可以在数据处理之前或之后立即使用,或者可以存储在本地或远程存储器中以在该方法的进一步步骤中使用。
根据实施例,所述多个超声生物标志物中可能缺少一个或多个超声生物标志物。因此,在该方法的可选步骤132,系统确定接收或提取的多个超声生物标志物中缺少一个或多个超声生物标志物。根据实施例,所述系统可以包括该方法的下游分析所需的所需最小超声生物标志物的列表,并且可以分析一组所提取的或接收的超声生物标志物以确定通过该方法下游分析所需的每个所需的最小超声生物标志物是否是存在于所述组中。因此,系统可确定所有所需的超声生物标志物都存在,或者可确定接收或提取的一组超声生物标志物中缺少一个或多个所需的超声生物标志物。
在该方法的可选步骤134,系统响应于确定从所接收或提取的一组超声生物标志物中缺少了一个或多个所需的超声生物标志物,生成对一个或多个缺少的超声生物标志物的请求。该请求可以包括缺少的一个或多个所需的超声生物标志物的识别、用于采集缺少的一个或多个所需的超声生物标志物的指令、和/或任何其他信息。该请求可以被提供给另一个系统,或者例如通过用户接口提供给医学专业人员。该请求可以在本地或远程传送。
在该方法的可选步骤136,系统响应于传送请求而接收一个或多个缺少的超声生物标志物中的至少一个。例如,医学专业人员可以接收该请求,然后可以获得一个或多个缺少的超声生物标志物,例如通过执行超声成像的附加分析,或者通过执行附加的超声成像以获得缺少的信息。根据另一实施例,所述请求被传送到另一系统,例如超声装置或分析系统,其可以自动提取或者识别一个或多个缺少的超声生物标志物,并且其可以自动将获得的数据提供回患者分析系统。
在该方法的步骤122,患者分析系统接收或获得对象的心脏的心脏硬度测量结果。可以使用用于获得这种测量的多种不同方法中的一种或多种来获得对象的心脏的心脏硬度测量结果。
根据实施例,舒张末期心房搏动(AK)之后的左心室(LV)充盈产生以与心肌僵硬度相关的速度传播的LV心肌拉伸。心肌硬度的变化已被证明与心脏病,特别是HFpEF有关,因此心脏硬度测量工具补充HFpEF的鉴别诊断。然而,心脏硬度测量并不是医院现有工作流程的一部分,并且因此使用心脏硬度作为输入可以带来附加值,并且提高估计HFpEF病因可能性的准确性和可重复性。
根据实施例,可以使用用于心脏硬度的无创估计的半自动方法来获得对象的心脏的心脏硬度测量结果,其中,高帧成像模式和能够处理组织成像的算法的组合自动计算心脏组织弹性。参考图3,在一个实施例中,其是描绘所提出的心脏硬度特征的输出的图形,包括平均心脏硬度(波速值)、所有有效速度测量结果、以及显示变化性的须线图。
根据实施例,心脏硬度(波速)测量可以基于其他方法。例如,一些HFpEF患者可能会出现心房颤动的症状,并且由于缺少这些患者的AK,因此使用基于AK的特征测量心脏硬度可能不是最佳的。在这些HFpEF患者组中,可以基于其他方法测量心脏硬度,例如二尖瓣关闭(舒张末期)和主动脉瓣关闭(舒张早期)后的自然剪切波速度测量或使用由超声探头本身产生推运脉冲的外部剪切波速度测量。然后,所述方法的下游步骤可以利用硬度测量的结果来估计HFpEF病因学可能性。
由患者分析系统接收或提取的心脏硬度测量结果可以在数据处理之前或之后立即使用,或者可以存储在本地或远程存储器中以在该方法的进一步步骤中使用。
在该方法的步骤124,患者分析系统接收关于对象的临床信息。关于对象的临床信息可以是与该方法的任何下游步骤相关或有用的任何信息,包括作为经训练的心力衰竭模型的输入,所述模型被配置为输出多种HFpEF病因中的至少一种HFpEF病因的可能性。根据实施例,关于对象的临床信息包括以下中的一项或多项:超声检查类型、超声分析的原因、对象的年龄、对象的性别、对象的体重指数、心房颤动状态或诊断、冠状动脉疾病状态或诊断、医学治疗和医学诊断,以及许多其他类型的临床信息。例如,年龄可能会影响舒张参数的解读,所述舒张参数包括:E(舒张早期二尖瓣流入速度)、A(舒张未期二尖瓣流入速度),以及E/A。此外,A和E/A的评估对于AF患者具有挑战性,而E对于有CAD病史的患者具有挑战性。因此,这些临床信息数据可能是影响HFpEF诊断的重要因素。因此,所接收的信息可以是与本文描述或者设想的患者分析相关的任何信息。
患者分析系统可以从各种不同来源接收患者临床信息。根据实施例,患者分析系统与电子病历数据库通信,从电子病历数据库可以获得或接收患者临床信息。根据实施例,患者分析系统包括电子病历数据库或系统270,其任选地与系统200直接和/或间接通信。根据另一个实施例,患者分析系统可以从设备或直接从患者获得该信息的健康护理专业人员获得或接收信息。
由患者分析系统接收的患者信息可以由系统根据用于数据处置和处理/准备的方法来处理,包括但不限于本文中描述的或者设想的方法。由患者分析系统所接收的患者临床信息可以在处理之前或之后立即使用,或者可以存储在本地或远程存储器中以在该方法的进一步步骤中使用。
在该方法的可选步骤126,患者分析系统接收对象的心脏的一个或多个先前成像分析的结果。根据实施例,成像分析是超声成像或另一种成像模态。根据实施例,先前心脏MR图像或CT图像可能影响最终的诊断决策,尤其是如果从超声获得的参数与从MRI获得的参数之间存在差异,例如超声和MR中的不同纵向应变值。
在该方法的可选步骤128,患者分析系统接收来自针对对象获得的先前成像分析的针对对象的一个或多个超声生物标志物。根据实施例,来自先前分析的超声生物标志物可以在趋势数据方面提供附加的诊断值。例如,如果淀粉样变性生物标志物的怀疑从上次检查到当前检查上升,则可能是淀粉样变性的危险信号。许多其他示例也是可能的。
所接收的对象的心脏的一个或多个先前成像分析的结果和/或所接收的来自针对对象获得的先前成像分析的针对对象的一个或多个超声生物标志物可以在处理之前或之后立即使用或可以被存储在本地或远程存储中以供在该方法的进一步步骤中使用。
在该方法的步骤140,患者分析系统的经训练的心力衰竭模型分析所接收的输入以生成多种HFpEF病因中的至少一种HFpEF病因的可能性。所生成的多种HFpEF病因中的至少一种的可能性包括对象正在经历射血分数保留的心力衰竭的可能性。根据实施例,多种HFpEF病因包括心脏淀粉样变性、冠状动脉疾病、高血压、心包疾病、肥厚性心肌病和瓣膜病,但是更少或更多的HFpEF病因是可能的。
根据实施例,对患者分析系统的训练的心力衰竭模型的输入包括提取的多个超声生物标志物、接收的心脏硬度测量结果和接收的关于对象的临床信息。根据另一实施例,患者分析系统的经训练的心力衰竭模型的输入还包括所接收的对象的心脏的一个或多个先前成像分析的结果,和/或来自所接收的针对对象获得的先前成像分析的针对所述对象的一个或多个超声生物标志物。对经训练的心力衰竭模型的其他输入是可能的。
参考图4,在一个实施例中,是描绘患者分析系统的训练心力衰竭模型的输入和输出的图形400。根据该实施例,对患者分析系统的训练的心力衰竭模型的输入包括以下中的一项或多项:所接收的心脏硬度测量结果、所提取的多个超声生物标志物、所接收的关于对象的临床信息、所接收的来自针对对象获得的先前成像分析的针对对象的一个或多个超声生物标志物,和/或所接收的对象的心脏的一个或多个先前成像分析的结果。根据该实施例,来自患者分析系统的经训练的心力衰竭模型的输出包括一种或多种HFpEF病因学的可能性,例如心脏淀粉样变性、冠状动脉疾病、高血压、瓣膜病、心包疾病和肥厚性心肌病,但是更少或更多的HFpEF的病因是可能的。
根据实施例,患者分析系统的经训练的心力衰竭模型可以使用如本文所描述或者设想的多种不同的分类器和/或机器学习算法来生成多种HFpEF病因中的至少一种HFpEF病因的可能性。根据实施例,可以根据多种方法和途径来训练患者分析系统的经训练的心力衰竭模型。作为一个示例,所述模型可以包括神经网络方法。
参考图5,在一个实施例中,是用于训练患者分析系统的心力衰竭模型的方法500的流程图。在该方法的步骤510,系统接收训练数据集,所述训练数据集包括关于多个患者的训练数据,例如历史患者数据。训练数据可以包括输入,例如,以下中的一项或多项:心脏硬度测量结果、超声生物标志物、关于患者的临床信息、从针对患者获得的先前成像分析所接收的患者的一个或多个超声生物标志物,和/或所接收的结果患者心脏的一个或多个先前成像分析。训练数据还可以包括多个患者中的每个的HFpEF或无HFpEF的诊断。训练数据可以被存储在一个或多个数据库中和/或从一个或多个数据库接收。所述数据库可以是本地和/或远程数据库。例如,患者再入院风险分析系统可以包括训练数据的数据库。
根据实施例,患者分析系统可以包括被配置为处理所接收的训练数据的数据预处理器或类似部件或算法。例如,数据预处理器分析训练数据以消除噪声、偏差、错误和其他潜在问题。数据预处理器还可以分析输入数据以移除低质量数据。许多其他形式的数据预处理或数据点识别和/或提取是可能的。
在该方法的步骤520,系统训练机器学习算法,所述算法将是用于分析所描述或者设想的输入信息的算法。根据用于训练机器学习算法的已知方法,使用训练数据集来训练机器学习算法。根据实施例,使用经处理的训练数据集来训练算法以生成多种HFpEF病因中的至少一种HFpEF病因的可能性。所生成的多种HFpEF病因中的至少一种的可能性包括对象正在经历射血分数保留的心力衰竭的可能性。根据实施例,还使用经处理的训练数据集来训练算法以基于所确定的一个或多个可能性来生成一个或多个干预建议。
在该方法的步骤530,存储患者分析系统的经训练的心力衰竭模型以供将来使用。根据实施例,模型可以被存储在本地或远程存储器中。
根据实施例,不同HFpEF病因的预期可能性的真实情况可以在回顾性或前瞻性研究中从HFpEF患者获得的有创/微创后续诊断测试(活组织检查、PET或CMR)的明确结果中收集,其由心脏病专家专家小组针对每位特定上游患者的临床背景进行分析。然后可以存储和处理组合数据(从超声成像和心脏硬度测量获得的当前检查中的事件、其他图像模态的先前测量以及从电子病历获得的历史临床参数),以便使用建议的AI模型进行学习或显示。这种监督学习方法可以成为一种与机构无关的工具,用于鉴别HFpEF可能性估计。随着时间的推移,通过添加更多数据(例如自学习算法),基于人工智能的学习网络的准确性会变得更强。
返回到图1中的方法100,在该方法的步骤150,经由患者分析系统的用户接口向医学专业人员或其他用户显示所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性的可视化。根据实施例,所述多种HFpEF病因包括心脏淀粉样变性、冠状动脉疾病、高血压、心包疾病、肥厚性心肌病,以及瓣膜疾病。根据实施例,显示还可以包括以下中的一项或多项:对象的姓名、关于超声分析的一个或多个细节、多种HFpEF病因中的每种的可能性、和/或处置建议,以及其他类型的信息。
根据实施例,可以通过有线和/或无线通信将信息传送至用户接口和/或另一设备。例如,系统可以将信息传送到移动电话、计算机、笔记本电脑、可穿戴设备和/或被配置为允许显示和/或者传送报告的任何其他设备。用户接口可以是允许传达和/或接收信息的任何设备或系统,并且可以包括用于接收用户命令的显示器、鼠标和/或键盘。
参考图6,在一个实施例中,其是多种HFpEF病因所产生的可能性的可能可视化的示意图,所述多种HFpEF病因包括心脏淀粉样变性、冠状动脉疾病、高血压、心包疾病、肥厚性心肌病,以及瓣膜疾病。例如,心脏淀粉样变性HFpEF病因的可能性是80%,这可能高于关注、警报的预定阈值或其他阈值。80%的可能性导致提供“疑似心脏淀粉样变性”的评论和“建议进行后续PET检查”的建议。所述显示还包括患者姓名、检查日期以及有关当前超声检查的详细信息等信息。
根据患者分析系统的实施例,所述系统可以包括用户接口以便于本文描述的或者设想的方法。因此,用户接口可以包括出现在超声扫描器触摸面板或诸如飞利浦Intellispace心血管(ISCV)平台之类的工作空间上的“用于鉴别HFpEF诊断的决策支持工具”按钮或激活器,以供用户启动应用程序。
根据患者分析系统的实施例,系统可以要求用户激活自动心脏硬度测量工具(用于扫描器上的当前采集)或加载先前的硬度测量结果(如果结果已经可用)。
根据患者分析系统的实施例,使用包括硬度、其他超声生物标志物、来自其他模态的先前测量结果和/或上游患者临床背景的输入来自动实现患者分析系统的AI预测模型。如果缺少某些超声生物标志物,则要求用户提供/测量它们,包括使用自动测量工具。
根据患者分析系统的实施例,所述系统包括显示不同HFpEF病因的可能性的用户接口面板。一些评论和推荐也可能出现在用户接口中以向用户推荐接下来的步骤。
除了HFpEF病因可能性之外,面板中还可以提供与心脏诊断领域相关的其他可用的基于内部超声的功能(例如LA指数工具、重建的PV循环、钙化评分等),以采集更多信息HFpEF鉴别诊断的临床决策支持。
在图1所示的方法100的可选步骤160,如图1中所示,所生成的可能性的可视化可以由健康护理专业人员用来对对象实施健康护理处置。例如,临床医师或其他决策者利用所显示的生成的一种或多种HFpEF病因的可能性来做出患者护理决策。例如,健康护理建议可以包括启动、继续或停止被配置为解决一种或多种HFpEF病因的特定治疗的建议,其基于所确定的一种或多种HFpEF病因的可能性。实现方式可以包括规定、命令、附加测试和/或其他实现方式。许多其他实现方式是可能的。
参考图2,其是患者分析系统200的示意图。系统200可以是本文描述或者设想的任何系统,并且可以包括本文描述或者设想的任何部件。应该理解,图2在一些方面构成抽象,并且系统200的部件的实际组织可能与图示的不同并且更复杂。
根据实施例,系统200包括处理器220,处理器220能够执行存储在存储器230或存储器260中的指令或者处理数据以例如执行该方法的一个或多个步骤。处理器220可以由一个或多个模块形成。处理器220可以采取任何合适的形式,包括但不限于微处理器、微控制器、多个微控制器、电路、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、单个处理器或多个处理器。
存储器230可以采用任何合适的形式,包括非易失性存储器和/或RAM。存储器230可以包括各种存储器,例如L1、L2或L3高速缓存或系统存储器。这样,存储器230可以包括静态随机存取存储器(SRAM)、动态RAM(DRAM)、闪存、只读存储器(ROM)或其他类似的存储器设备。存储器可以存储操作系统等。处理器使用RAM来临时存储数据。根据实施例,操作系统可以包含代码,所述代码在由处理器执行时控制系统200的一个或多个部件的操作。显而易见的是,在处理器以硬件实现本文描述的一个或多个功能的实施例中,可以省略在其他实施例中描述为与此类功能相对应的软件。
用户接口240可以包括用于实现与用户的通信的一个或多个设备。用户接口可以是允许传达和/或接收信息的任何设备或系统,并且可以包括用于接收用户命令的显示器、鼠标和/或键盘。在一些实施例中,用户接口240可以包括命令行接口或图形用户接口,其可以经由通信接口250呈现给远程终端。用户接口可以与系统的一个或多个其他部件一起定位,或者可以位于远离系统的位置并且经由有线和/或无线通信网络进行通信。
通信接口250可以包括用于实现与其他硬件设备的通信的一个或多个设备。例如,通信接口250可以包括被配置为根据以太网协议进行通信的网络接口卡(NIC)。另外,通信接口250可以实现TCP/IP栈,用于根据TCP/IP协议进行通信。用于通信接口250的各种替代或附加硬件或配置将是显而易见的。
存储设备260可以包括一个或多个机器可读存储介质,诸如只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质,光存储介质,闪存设备或类似的存储介质。在各种实施例中,存储设备260可以存储用于由处理器220执行的指令或者处理器220可以操作的数据。例如,存储设备260可以存储用于控制系统200的各种操作的操作系统261。
显而易见的是,存储在存储器260中的各种信息可以额外地或替代地存储在存储器230中。在这方面,存储器230还可以被认为构成存储设备,并且存储设备260可以被认为是存储器。各种其他布置将是显而易见的。此外,存储器230和存储器260都可以被认为是非瞬态机器可读介质。如本文中所使用的,术语非瞬态将被理解为排除瞬态信号但包括所有形式的存储设备,包括易失性和非易失性存储器。
虽然系统200被示出为包括每个所描述的部件中的一个,但是在各种实施例中各种部件可以是多个。例如,处理器220可以包括多个微处理器,所述多个微处理器被配置为独立地执行本文描述的方法,或者被配置为执行本文描述的方法的步骤或子例程,使得多个处理器协作以实现本文中描述的功能。此外,在云计算系统中实现系统200的一个或多个部件的情况下,各种硬件组件可以属于单独的物理系统。例如,处理器220可以包括第一服务器中的第一处理器和第二服务器中的第二处理器。许多其他变型和配置是可能的。
根据实施例,电子病历系统270是电子病历数据库,可以从该电子病历数据库获得或接收关于患者的信息,包括临床信息。电子病历数据库可以是本地或远程数据库并且与患者分析系统200直接和/或间接通信。因此,根据实施例,患者分析系统包括电子医学记录数据库或系统270。
根据实施例,所述系统包括能够采集所需的超声图像或分析的一个或多个超声装置280。根据另一实施例,患者分析系统200与能够采集所需的超声图像或分析的本地或远程超声装置280有线和/或无线通信。根据另一实施例,患者分析系统200与存储超声图像或分析的本地或远程数据库280有线和/或无线通信。患者分析系统200可以从这些源中的一个或多个源获得所需的超声图像或分析。
根据实施例,系统200的存储装置260可以存储一个或多个算法、模块和/或指令以执行本文中描述的或者设想的方法的一个或多个功能或步骤。例如,除了其他指令或数据之外,所述系统还可以包括超声生物标志物提取指令262、经训练的心力衰竭模型263和/或报告指令264。
根据实施例,超声生物标志物提取指令262指导系统从所接收的超声分析的结果提取多个超声生物标志物。所述多个超声生物标志物可以是从超声分析中提取的任何度量、测量结果、参数或其他数据,包括但不限于以下中的一个或多个:射血分数、总体纵向应变、血流传播速度、舒张早期的二尖瓣流入速度、舒张未期的二尖瓣流入速度、舒张早期的二尖瓣环速度、舒张末期二尖瓣环速度、左心房容积指数、左心室厚度、隔膜厚度、一个或多个瓣膜的厚度、右心室厚度、相对壁厚度、三尖瓣反流速度,以及左心室质量指数。可以使用用于从超声成像中提取数据的多种方法中的任何一种来提取超声生物标志物。根据实施例,所述多个超声生物标志物中的一个或多个通过与超声装置或患者分析系统相关联的软件或算法自动获得或提取。例如,可以利用超声工作站解决方案获得多种超声生物标志物中的一种或多种。根据另一实施例,在超声分析期间手动获得或提取多个超声生物标志物中的一个或多个。
根据实施例,经训练的心力衰竭模型263被配置为生成多种HFpEF病因中的至少一种HFpEF病因的可能性。所生成的多种HFpEF病因中的至少一种的可能性包括对象正在经历射血分数保留的心力衰竭的可能性。根据实施例,多种HFpEF病因包括心脏淀粉样变性、冠状动脉疾病、高血压、心包疾病、肥厚性心肌病和瓣膜病,但是更少或更多的HFpEF病因是可能的。根据实施例,对患者分析系统的训练的心力衰竭模型的输入包括提取的多个超声生物标志物、接收的心脏硬度测量结果和接收的关于对象的临床信息。根据另一实施例,患者分析系统的经训练的心力衰竭模型的输入还包括所接收的对象的心脏的一个或多个先前成像分析的结果,和/或来自所接收的针对对象获得的先前成像分析的针对所述对象的一个或多个超声生物标志物。对经训练的心力衰竭模型的其他输入是可能的。使用如本文描述或者设想的训练数据集来训练训练的心力衰竭模型263。
根据实施例,报告指令264引导系统生成信息并经由用户接口向用户提供信息,所述信息包括多个HFpEF病因中的至少一个HFpEF病因的所生成的可能性的所生成的可视化。根据实施例,显示还可以包括以下中的一项或多项:对象的姓名、关于超声分析的一个或多个细节、多种HFpEF病因中的每种的可能性、和/或处置建议,以及其他类型的信息。任何所述信息可以经由系统或另一设备的用户接口通过有线和/或无线通信来传送。例如,系统可以将信息传送到移动电话、计算机、笔记本电脑、可穿戴设备和/或被配置为允许显示和/或者传送报告的任何其他设备。用户接口可以是允许传达和/或接收信息的任何设备或系统,并且可以包括用于接收用户命令的显示器、鼠标和/或键盘。
因此,在本文公开的上下文中,实施例的各方面可以采取体现在一个或多个非瞬态计算机可读介质中的计算机程序产品的形式,所述一个或多个非瞬态计算机可读介质在其上体现有计算机可读程序代码。因此,根据实施例是一种包括计算机程序代码指令的非瞬态计算机可读存储介质,当由处理器执行时,使得处理器能够执行包括以下步骤的方法:(i)接收来自当前超声检查的对象的心脏的超声分析的结果;(ii)从所接收的超声分析的结果中提取多个超声生物标志物;(iii)接收来自所述当前超声检查和/或先前超声检查的针对所述对象的心脏的心脏硬度测量结果;(iv)接收关于所述对象的临床信息;(v)使用经训练的心力衰竭模型分析所提取的多个超声生物标志物、所接收的心脏硬度测量结果以及所接收的关于所述对象的临床信息,以生成多种HFpEF病因中的至少一种HFpEF病因的可能性,其中,所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性包括所述对象正在经历射血分数保留的心力衰竭的可能性;并且(vi)在用户接口上显示所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性的可视化。所述计算机程序代码可以作为单机软件包全部地在所述用户的计算机上、部分地在用户的计算机上、部分地在用户的计算机上并且部分地在远程计算机上、或者全部地在所述远程计算机或服务器上执行。
根据实施例,患者分析系统被配置为处理用于训练所述系统的输入数据中的数千或数百万个数据点,以及处理和分析所接收的多个患者特征。例如,使用特征识别和提取等自动化过程生成功能性并且熟练的经训练的系统,并且后续训练需要处理来自输入数据和生成特征的数百万个数据点。这可能需要数百万或数十亿次计算才能从数百万个数据点和数百万或数十亿次计算中生成新的系统的分类器。因此,基于机器学习算法的输入数据和参数,经训练的系统是新颖且独特的,并且因此改善了患者分析系统的功能。因此,生成功能性且熟练的经训练的系统包括人脑在一生或多次一生中无法完成的大量计算和分析的过程。通过提供改进的患者分析,与现有技术的系统相比,这种新颖的患者分析系统对患者诊断和护理具有巨大的积极影响。
本文中定义并使用的所有定义,均应被理解为支配词典定义、通过引用并入的文件中的定义和/或所定义术语的普通意义。
如在本文中在说明书和权利要求书中使用的词语“一”和“一个”,除非明确地另行指出,应被理解为意指“至少一个”。
如在本文中说明书和权利要求书中使用的短语“和/或”应当理解为是指如此结合的元件中的“一个或两者”,即元件在某些情况下结合存在,并且在其他情况中分离地存在。以“和/或”列出的多个元件应以相同的方式来解释,即如此连接的“一个或多个”元件。任选地可以存在除“和/或”子句特别标识的元素之外的其它元素,无论是与专门标识的那些元件相关或不相关。
如在本文中在说明书和权利要求中所使用的,“或”应理解为具有与以上定义的“和/或”相同的含义。例如,当分离列表中的项目时,“或”或者“和/或”应被解释为包含性的,即,包括若干元件或元件的列表中的至少一个,但也包括多于一个,以及任选地,额外的未列出的项目。只有明确指出相反的项,例如“只有一个”或“确切地一个”,或者在权利要求书中使用“由……组成”时,将指的是包括若干元件或元件的列表中的确切的一个元件。一般来说,本文中使用的术语“或”仅在以排他性项(即“一个或另一个但不是两者”)为前序时应被解释为指示排他性的替代方案,例如“任一”,“中的一个”,“中的仅一个”或“中的确切的一个”。
本文在说明书和权利要求书中使用的,短语“至少一个”,在对一个或多个元件的列举的引用中,应被理解为意指选自所述列举的元件中的所述元件的一个或多个的至少一个元件,但不必须包含所述元件的列举中具体列出的每个和每一个元件中的至少一个,并且不排除所述列举的元件中元件的任意组合。该定义还允许任选地存在除了在短语“至少一个”所指的元素列表中具体标识的元素之外的元素,无论是与专门识别的元素相关或不相关的元素。
还应当理解,除非明确地另行指出,否则在本文所主张的任何包括多于一个步骤或动作的方法中,方法的步骤或动作的顺序不一定限制到方法的步骤或动作被记载的顺序。
在权利要求书以及上述说明书中,所有过渡性短语如“包括”,“包含”,“承载”,“具有”,“含有”,“涉及”,“持有”将被理解为开放式的,即意味着包括但不限于此。只有过渡短语“由……组成”和“基本上由……组成”应分别是封闭或半封闭的过渡短语。
尽管本文中已描述并图示了几个创新实施例,但本领域技术人员将容易地预想多种其他方式和/或结构,用于执行所述功能和/或获得所述结果和/或本文描述的优点中的一个或多个,并且这样的变型和/或更改中的每个均被示为在本文描述的创新实施例的范围内。更一般地,本领域技术人员将容易地认识到,本文描述的所有参数、尺寸、材料和配置均意图为示范性的,并且实际参数、尺寸、材料和/或配置将取决于特定的应用或所述创新的教导被用于的应用。本领域技术人员将认识到或能够使用不超过常规实验来确定本文所述的具体创造性实施例的许多等价方案。因此,应当理解,前述实施例仅以示例的方式呈现,并且在所附权利要求及其等价方案的范围内,创造性实施例可以以与具体描述和要求保护的不同的方式来实践。本公开的创新实施例涉及本文描述的每个个体特征、系统、物品、材料、成套设备和/或方法。此外,两个或多个这样的特征、系统、物品、材料、成套设备和/或方法的任意组合,如果这样的特征、系统、物品、材料、成套设备和/或方法不相互抵触的话,均被包括在本公开的创新范围内。
Claims (15)
1.一种用于提供针对对象的射血分数保留的心力衰竭(HFpEF)的可视化的可能性的方法(100),包括:
接收(120)来自当前超声检查的所述对象的心脏的超声分析的结果;
从所接收的所述超声分析的结果中提取(130)多个超声生物标志物;
接收(122)来自所述当前检查和/或来自先前超声检查的针对所述对象的心脏的心脏硬度测量结果;
接收(124)关于所述对象的临床信息;
使用经训练的心力衰竭模型分析(140)所提取的多个超声生物标志物、所接收的心脏硬度测量结果以及所接收的关于对象的临床信息,以生成多种HFpEF病因中的至少一种HFpEF病因的可能性,其中,所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性包括所述对象正在经历射血分数保留的心力衰竭的可能性;
在用户接口上显示(150)所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性的可视化。
2.根据权利要求1所述的方法,其中,所述多种HFpEF病因包括:心脏淀粉样变性、冠状动脉疾病、高血压、心包疾病、肥厚性心肌病,以及瓣膜疾病。
3.根据权利要求1所述的方法,还包括以下步骤:
接收(126)所述对象的心脏的一个或多个先前成像分析的结果,其中,所述成像分析是超声成像或另一种成像模态;并且
接收(128)来自先前成像分析的一个或多个超声生物标志物;
其中,使用经训练的心力衰竭模型进行分析(140)还包括所接收的一个或多个先前成像分析和/或来自先前成像分析的所述一个或多个超声生物标志物。
4.根据权利要求1所述的方法,其中,显示还包括在所述用户接口上显示以下内容:(i)所述对象的姓名;(ii)关于所述超声分析的一个或多个细节;(iii)多种HFpEF病因中的每种HFpEF病因的可能性;以及(iv)处置建议。
5.根据权利要求1所述的方法,还包括以下步骤:
确定(132)所提取的多个超声生物标志物中缺少一个或多个超声生物标志物;
生成(134)对缺少的所述一个或多个超声生物标志物的请求;并且
响应于所述请求,接收(136)缺少的所述一个或多个超声生物标志物中的至少一个。
6.根据权利要求1所述的方法,其中,所述多个超声生物标志物包括以下中的一个或多个:射血分数、总体纵向应变、血流传播速度、舒张早期的二尖瓣流入速度、舒张未期的二尖瓣流入速度、舒张早期的二尖瓣环速度、舒张末期二尖瓣环速度、左心房容积指数、左心室厚度、隔膜厚度、一个或多个瓣膜的厚度、右心室厚度、相对壁厚度、三尖瓣反流速度,以及左心室质量指数。
7.根据权利要求1所述的方法,其中,关于对象的临床信息包括以下中的一项或多项:超声检查类型、所述超声分析的原因、所述对象的年龄、所述对象的性别、所述对象的体重指数、心房颤动状态或诊断,以及冠状动脉疾病状态或诊断。
8.根据权利要求1所述的方法,其中,心脏僵硬度是通过心房搏动法、瓣膜闭合法和/或外部剪切波法来测量的。
9.一种用于提供针对对象的射血分数保留的心力衰竭(HFpEF)的可视化的可能性的系统(200),包括:
经训练的心力衰竭模型(263);
处理器(220),其被配置为:(i)接收来自当前超声检查的所述对象的心脏的超声分析的结果;(ii)从所接收的所述超声分析的结果中提取多个超声生物标志物;(iii)接收来自所述当前超声检查和/或来自先前超声检查的所述对象的心脏的心脏硬度测量结果;(iv)接收关于所述对象的临床信息;(v)使用经训练的心力衰竭模型分析所提取的多个超声生物标志物、所接收的心脏硬度测量结果以及所接收的关于所述对象的临床信息,以生成多种HFpEF病因中的至少一种HFpEF病因的可能性,其中,所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性包括所述对象正在经历射血分数保留的心力衰竭的可能性;并且(vi)生成对所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性的可视化;以及
用户接口(240),其被配置为提供所生成的多种HFpEF病因中的至少一种HFpEF病因的可能性。
10.根据权利要求9所述的系统,其中,所述多种HFpEF病因包括:心脏淀粉样变性、冠状动脉疾病、高血压、心包疾病、肥厚性心肌病,以及瓣膜疾病。
11.根据权利要求9所述的系统,其中,所述用户接口还被配置为显示:(i)所述对象的姓名;(ii)关于所述超声分析的一个或多个细节;(iii)多种HFpEF病因中的每种HFpEF病因的可能性;以及(iv)处置建议。
12.根据权利要求9所述的系统,其中,所述处理器还被配置为:确定所提取的多个超声生物标志物中缺少一个或多个超声生物标志物;(ii)生成对缺少的所述一种或多种超声生物标志物的请求;并且响应于所述请求,接收缺少的所述一个或多个超声生物标志物中的至少一个。
13.根据权利要求9所述的系统,其中,所述多个超声生物标志物包括以下中的一个或多个:射血分数、总体纵向应变、血流传播速度、舒张早期的二尖瓣流入速度、舒张未期的二尖瓣流入速度、舒张早期的二尖瓣环速度、舒张末期二尖瓣环速度、左心房容积指数、左心室厚度、隔膜厚度、一个或多个瓣膜的厚度、右心室厚度、相对壁厚度、三尖瓣反流速度,以及左心室质量指数。
14.根据权利要求9所述的系统,其中,(i)关于所述对象的临床信息包括以下中的一项或多项:超声检查类型、所述超声分析的原因、所述对象的年龄、所述对象的性别、所述对象的体重指数、心房颤动状态或诊断,以及冠状动脉疾病状态或诊断,并且/或者(ii)心脏硬度是通过心房搏动法、瓣膜闭合法和/或外部剪切波法来测量的。
15.一种包括计算机程序代码指令的非瞬态计算机可读存储介质,所述计算机程序代码指令当由处理器运行时,使得所述处理器能够执行根据权利要求1所述的方法。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163247823P | 2021-09-24 | 2021-09-24 | |
US63/247,823 | 2021-09-24 | ||
EP21202598.5 | 2021-10-14 | ||
PCT/EP2022/073836 WO2023046413A1 (en) | 2021-09-24 | 2022-08-26 | Methods and systems for generating likelihood of heart failure with preserved ejection fraction (hfpef) |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117979907A true CN117979907A (zh) | 2024-05-03 |
Family
ID=90848177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280064246.8A Pending CN117979907A (zh) | 2021-09-24 | 2022-08-26 | 用于生成射血分数保留的心力衰竭(HFpEF)的可能性的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117979907A (zh) |
-
2022
- 2022-08-26 CN CN202280064246.8A patent/CN117979907A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gandhi et al. | Automation, machine learning, and artificial intelligence in echocardiography: a brave new world | |
US11864944B2 (en) | Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart | |
Thompson et al. | Artificial intelligence-assisted auscultation of heart murmurs: validation by virtual clinical trial | |
Al Jarullah | Decision tree discovery for the diagnosis of type II diabetes | |
US8554580B2 (en) | Automated management of medical data using expert knowledge and applied complexity science for risk assessment and diagnoses | |
Frederiksen et al. | Assessment of cardiac pathology by point-of-care ultrasonography performed by a novice examiner is comparable to the gold standard | |
JP2007527743A (ja) | 心臓関連の病気及び状態のための自動診断及び意思決定支援用システム及び方法 | |
US20060247544A1 (en) | Characterization of cardiac motion with spatial relationship | |
Seetharam et al. | Cardiovascular imaging and intervention through the lens of artificial intelligence | |
Wehbe et al. | Deep learning for cardiovascular imaging: A review | |
JP2024503218A (ja) | 患者時系列データに基づいて健康状態を診断するためのシステムおよび方法 | |
WO2020157212A1 (en) | Aortic stenosis echocardiographic follow-up expert system | |
EP4166088A1 (en) | Methods and systems for generating likelihood of heart failure with preserved ejection fraction (hfpef) | |
CN117979907A (zh) | 用于生成射血分数保留的心力衰竭(HFpEF)的可能性的方法和系统 | |
Kitamura et al. | Quantitative assessment of aortic regurgitation following transcatheter aortic valve replacement | |
WO2023046413A1 (en) | Methods and systems for generating likelihood of heart failure with preserved ejection fraction (hfpef) | |
Suneetha et al. | Fine tuning bert based approach for cardiovascular disease diagnosis | |
EP4338680A1 (en) | Methods and systems for analyzing diastolic function using 2d echocardiographic images | |
Mugambi et al. | Towards AI based diagnosis of rheumatic heart disease: Data annotation and view classification | |
JP2021189093A (ja) | 自己免疫性水疱症の診断装置 | |
WO2024056472A1 (en) | Methods and systems for analyzing diastolic function using only 2d echocardiographic images | |
Podgorelec et al. | Medical diagnosis prediction using genetic programming | |
Ragnarsdottir et al. | Deep Learning Based Prediction of Pulmonary Hypertension in Newborns Using Echocardiograms | |
US12004860B2 (en) | Cardiac function assessment using machine-learning algorithms | |
Kıvrak et al. | Pulmonary Hypertension Classification using Artificial Intelligence and Chest X-Ray: ATA AI STUDY-1 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |