-
GEBIET DER ERFINDUNG
-
Die
vorliegende Erfindung betrifft die Analyse von physiologischen Daten,
beispielsweise kardiologischen Daten. Genauer gesagt betrifft die
vorliegende Erfindung eine Technik zur Identifizierung von Merkmalen
von Daten, die Ereignisse, typischerweise zukünftige Ereignisse, hinsichtlich
der physiologischen Funktion eines Patienten ankündigen. Eine derartige Identifikation
von Merkmalen bei der Aufnahme von Daten wird oftmals als „Data-Mining" bezeichnet. Die
Technik der vorliegenden Erfindung kann ebenfalls verwendet werden,
um die Qualitätskontrolle
bei der automatischen Datenanalyse zu verbessern und kann außerdem bei
der pharmazeutischen Erprobung verwendet werden, die regelmäßig an die
Aufsichtsbehörde
berichtet werden muss.
-
HINTERGRUND DER ERFINDUNG
-
Bevor
ein neues Medikament in der Öffentlichkeit
verkauft werden kann, verlangt die Food and Drug Genehmigungsbehörde (Lebensmittel
und Medikamenten Genehmigungsbehörde),
dass gezeigt wird, dass die Medikamente sicher und für den beabsichtigten
Zweck wirksam sind. Dieser erforderliche Nachweis setzt voraus,
dass mit dem neuen Medikament ausführliche Testverfahren und Versuche durchgeführt werden
und dass die Ergebnisse an die FDA (Food and Drug Administration: FDA)
berichtet werden, bevor das Medikament eine reguläre Zulassung
für den
Verkauf erlangen kann.
-
Viele
Medikamente haben beabsichtigte und unbeabsichtigte Wirkungen auf
das Herz oder die kardialen Funktionen eines Patienten. Folglich
ist ein Aspekt des Nachweises für
eine reguläre
Zulassung die ausgedehnte Analyse der Wirkung des Medikaments auf
das Patientenherz, dessen Wirkung oftmals bei der Morphologie oder
Gestalt eines Elektrokardiogramms (EKG) auftritt, das von einem
Patienten abgenommen wird. Eine detaillierte Analyse der Morphologie
des EKGs des Patienten, das auch als Patienten-EKG bezeichnet wird,
muss auf eine Vielzahl von Charakteristika des EKG-Signals schauen, einschließlich solcher
Merkmale und Eigenschaften, die mit der Repolarisation des Herzens
nach der Kontraktion zusammenhängen.
Merkmale, die mit der Repolarisation des Herzen zusammenhängen, enthalten
die Länge
der T-Kurve, die S-T-Morphologie, die
U-Kurve, das Q-T-Intervall und das mit der Herzrate korrigierte
Q-T-Intervall (Q-Tc). Anomalien in diesen Merkmalen hängen demzufolge
oft so mit dem lebensbedrohlichen kardialer Herzrasen (Tachykardie)
oder mit den Herzrhythmusstörungen
(Arrhythmie) zusammen, dass es ein Hauptzweck der Analyse der EKG-Morphologiedaten
ist, zu bestimmen, ob es eine Korrelation zwischen dem getesteten
Medikament und der lebensbedrohlichen Tachykardie oder der Herzrhythmusstörung gibt.
-
Genauer
gesagt wird der Beweis für
die durch Medikamente ausgelösten
Torsade-de-Pointes-Tachykardie (Torsade-de-Pointes: TdP) oder Torsade-Tachykardie
durch die Analyse der Morphologie des Patienten-EKGs erreicht. TdP
ist eine Art von ventrikulärer
Tachykardie oder Arrhythmie, die durch die Fluktuationen des QRS-Komplexes
um die EKG-Grund linie charakterisiert ist. Gegenwärtig ist der
einzige Hinweis der TdP, die von den Genehmigungsbehörden akzeptiert
wird, Merkmale, die auf ein verlängertes
Q-T-Intervall in der EKG-Morphologie bezogen sind. Die Genehmigungsbehörden sind folglich
insbesondere an jeglicher Korrelation zwischen der Gabe eines Medikamentes
und einer Verlängerung
des Q-T-Intervalls
eines Patienten interessiert.
-
Auf
die Genehmigungsbehörden,
die gegenwärtig
das Q-T-Intervall als wichtigstes oder einziges Merkmal akzeptieren,
um die mögliche
durch Medikamente induzierte TdP vorherzusagen, kommen bei der pharmazeutischen
Erprobung zwei Herausforderungen zu. Die erste Herausforderung ist
die Verbesserung der auf das Q-T-Intervall bezogenen Messungen,
um das Q-T-Intervall und das korrigierte Q-T-Intervall (QTc) genauer
zu vermessen. Die Messung des Q-T-Intervalls und die Berechnung
von QTc sind verkompliziert sich durch den Hysterese-Effekt der Herzfrequenz
innerhalb eines Herzzyklus. Wegen des Hysterese-Effekts, kann eine Änderung
in der Herzfrequenz und des Intervalls zwischen den identifizierenden
Merkmalen in der Herzschlag-Kurvenform (R-R-Intervall) nicht sofort
von einer Änderung in
dem Q-T-Intervall gefolgt werden. Auf dem Gebiet der pharmazeutischen
Erprobung ist es folglich gewünscht,
anspruchsvollere und differenziertere Verfahren zur Bestimmung,
wann das Q-T-Intervall aufgenommen werden sollte, zu schaffen, anstelle
die Aufnahme in Reaktion auf die Erfassung der Änderung des R-R-Intervalls
zu beginnen.
-
Zweitens
ist es in der Praxis wünschenswert, die
Möglichkeit
zu haben, Patientendaten aufzunehmen und zu analysieren, um neue
morphologische Merkmale zu finden, die zu einer besseren Vorhersage
der durch Medikamente induzierten TdP als die gegenwärtigen Q-T-Intervall-Daten
führen.
Die Größe und Komplexität der Daten,
die jedoch analysiert werden müssen,
um die korrelierenden Merkmale zu identifizieren, macht dies zu
einer abschreckenden und entmutigenden Aufgabe.
-
Es
ist deshalb auf dem Gebiet der Analyse von physiologischen Daten
wünschenswert,
diese pharmazeutische Erprobung einzuschließen, um ein Verfahren zum Bearbeiten
der Rohhdaten des EKGs zu entwickeln, die von den Medikamenten-Versuchsobjekten
aufgenommen sind, und zum Analysieren von vielen morphologischen
Merkmalen des EKGs, um die komplexen Beziehungen und Korrelationen zu
identifizieren, die die TdP oder andere durch Medikamente induzierten
nachteiligen Effekte, wie beispielsweise Arrhythmie, anzeigen.
-
ZUSAMMENFASSENDE BESCHREIBUNG
DER ERFINDUNG
-
Die
vorliegende Erfindung stellt in einer pharmazeutischen Medikamenten-Erprobung
und anderen Anwendungen ein Verfahren zum Schaffen einer akkuraten
Messung des Q-T
Intervalls sowie der Fähigkeit
bereit, neue morphologische Merkmale des EKGs zu finden, die als
bessere Anzeige der durch Medikamente hervorgerufenen TdP dienen.
-
In
einer Ausführungsform
werden neue morphologische Merkmale der T-Kurve verwendet, um eine
EKG-Kurvenform zu analysieren. Die neuen morphologischen Merkmale
können
auf der Basis einer individuellen Ableitung eines zusammen gesetzten
Schlags, der aus allen Ableitungen gebildet ist, oder der Eigenvektoren
erhalten werden, die durch die Hauptkomponentenanalyse (principle
component analysis: PCA) erhalten sind.
-
In
einer Ausführungsform
wird eine Auswertung oder Bewertung auf der Basis der neuen morphologischen
Merkmale erzeugt, wobei die Bewertung eine zusammengesetzte Anzahl
aufweist, die die gesamte Morphologie der T-Kurve kategorisiert.
-
In
einer Ausführungsform
wird eine Datenbank aus EKG-Signalen zur Verwendung als eine Referenzbibliothek
zusammengestellt. Diese Datenbank wird verwendet, um eine Modell-Analyse
der EKG-Hauptkomponenten zu erzeugen, die mit der Hauptkomponenten-Analyse
des aufgenommenen EKG-Signals verglichen wird. Die Hauptkomponenten-Analyse
kann die Identifizierung der Korrelationen innerhalb der Daten erleichtern.
Alternativ kann die PCA in der automatischen Detektion der Morphologiemerkmale
verwendet werden, indem Vertrauensintervalle zum Detektieren der
spezifischen morphologischen Merkmale identifiziert werden. Die
Vertrauensintervalle bezeichnen die Zuverlässigkeit mit der die morphologischen
Merkmale identifiziert werden.
-
In
einer weiteren Eigenschaft der vorliegenden Erfindung wird die aufgenommene
EKG-Information an eine EKG-Referenz-Bibliotheks-Datenbank
geschickt, wodurch die Datenbank erneuert und auf den aktuellen
Stand gebracht wird und wobei es der Datenbank ermöglicht wird
zu „lernen" wenn die Analyse
der zusätzlich
aufgenommenen EKG-Signale fortschreitet.
-
KURZE BESCHREIBUNG DER FIGUREN
DER ZEICHNUNG
-
Die
Erfindung wird ferner durch die nachfolgende detaillierte Beschreibung
verstanden, die in Zusammen hang mit den Figuren der Zeichnung gesehen
wird. In der Zeichnung ist in:
-
1a ein
EKG-Signal dargestellt, das morphologische Standardmerkmale markiert;
-
1b ein
EKG-Signal dargestellt, das die neuen morphologischen Merkmale der
T-Kurven markiert;
-
2a, 2b und 2c eine
Reihe von Graphen dargestellt, die visuell die Technik der Hauptkomponenten-Analyse repräsentieren;
-
3 ein
allgemeines Ablaufdiagramm dargestellt, das die Schritte einer Ausführungsform
des Verfahrens der vorliegenden Erfindung zeigt;
-
4 ein
spezifischeres Ablaufdiagramm dargestellt, das die Schritte einer
Ausführungsform der
vorliegenden Erfindung zeigt;
-
5 ein
Vertrauensintervall für
die Detektion von EKG-Signal-Merkmalen dargestellt; und
-
6 eine
Vorrichtung gezeigt, die zum Ausführen des Verfahrens der vorliegenden
Erfindung geeignet ist.
-
DETAILLIERTE BESCHREIBUNG
-
Während die
vorliegende Erfindung unter Verwendung einer Bestimmung des Q-T-Intervalls und
einer Gruppe von morphologischen Merkmalen für beispielhafte Zwecke beschrieben
wird, versteht sich, dass das Verfahren der vorlie genden Erfindung nicht
auf diese beschränkt
ist, sondern zur Bestimmung von neuen morphologischen Merkmalen
von jedem relevanten physiologischen Signal verwendet werden kann,
wie z.B. der Elektromyographie (EMG) und Elektroencephalografie
(EEG). Ein physiologisches Signal, das ein Elektrokardiogramm (EKG) aufweist,
ist lediglich ein Beispiel für
die in der Beschreibung der vorliegenden Erfindung.
-
1a stellt
ein generalisiertes EKG-Signal 40 mit Angaben für einige
der weit bekannten morphologischen Merkmale dar, die beim „Datamining" oder den automatischen
morphologischen Detektionsaspekten der vorliegenden Erfindung verwendet werden
können.
Viele der morphologischen Merkmale eines EKG-Signals 40 stehen
jeweils mit der zyklischen Polarisation und Depolarisation spezieller
Regionen des Herzens in Zusammenhang, die die Kontraktionsphasen
und Relaxationsphasen des zyklischen Herzschlags charakterisieren.
Die P-Kurve und
der QRS-Komplex kennzeichnen die Depolarisierung der Herzarterie
bzw. der Ventrikel. Deshalb kennzeichnen die P-Länge 50 und die QRS-Länge 52 die
Zeitdauer, die für
diese Bereiche des Herzens zum Depolarisieren gebraucht wird, womit
die Kontraktion des Herzens initiiert wird. Die physische Kontraktion
des Herzmuskels hält
für eine
Zeitspanne an, die über
die Zeitspanne hinausgeht, die für
die Bereiche zum Depolarisieren benötigt wird. Andere morphologische
Merkmale, die in dem EKG-Signal 40 vorliegen, zeigen die
Repolarisation von Bereichen des Herzens an. Die T-Kurve ist ein
derartiges morphologisches Merkmal, da die T-Kurve die Repolarisation
des vetrikulären
Muskels anzeigt. Die viel kleinere U-Kurve ist ein morphologisches
Merkmal des EKG-Signals, das für
die Repolarisation des natürlichen
Herzschrittmachers des Herzens, des Sinusknotens, anzeigt.
-
Die 1b stellt
ein verallgemeinertes EKG-Signal 40 und
mehrere der neuen morphologischen Merkmale der T-Kurven dar. Die
neuen morphologischen Merkmale reagieren empfindlicher auf Änderungen
in den Innenkanälen
der Herzzellen, die entweder durch angeborene Faktoren oder durch von
Medikamenten ausgelöste
Faktoren verursacht werden. Das EKG-Signal 40 kann von einer individuellen
Ableitung, einer zusammengesetzten Ableitung, die aus allen Ableitungen
gebildet wird, wie beispielsweise der Vektorgröße eines der zwölf EKG-Ableitungen gebildet
werden oder das EKG-Signal 40 kann aus den Eigenvektoren
gebildet werden, die durch Hauptkomponenten-Analyse erhalten wird.
Die T-Peak-Linie 42 wird als ein Liniensegment definiert,
das in der Amplitude von dem maximalen T-Kurven-Wert innerhalb eines
vorher definierten Bereiches Delta (δ) abweicht. Die Breite der T-Peak-Linie 42 ist
als Tpw bezeichnet. Die abwärts
oder nach unten gerichtete Kurve Kd der Linie 43 der abfallenden
Linie ist die der Linie, die durch Anpassung der kleinsten Fehlerquadrate
für ein
Segment des EKG-Signals 40 ausgehend von dem rechten Ende der
T-Peak-Linie 42 und sich ungefähr vierzig Millisekunden nach
vorne bis nach rechts erstreckt, wie dies in 1b gezeigt
ist. Die erste Linie 44 der ansteigenden Linie, die eine
Kurvenform hat, die als der Wert Ku1 bezeichnet wird, ist die Linie
der Anpassung durch kleinste Fehlerquadrate für Segmente des EKG-Signals 40 des
linken Endes der T-Peak-Linie 42 und erstreckt sich nach
links für
fünfzig
Millisekunden (ms). Der Winkel 46, der eine Kurvenform hat,
die als der Wert α bezeichnet
wird, ist der Winkel zwischen der ersten ansteigenden Linie 44 und
der zweiten ansteigenden Linie 45. Der Winkel 46 beschreibt
die Natur der T-Kurve als entweder „konkav nach unten" oder „konkav
nach oben". Die
Linie 47 erstreckt sich zwischen dem QRS-Offset (J Punkt) bis
zum linken Ende der T-Peak-Linie 42. Die T-Kurvenfläche 48,
die mit dem Wert Tda bezeichnet wird, ist die Fläche, die durch die Linie 47 und
die erste Linie 44 und die zweite Linie 45 der
ansteigenden Linien verbunden ist.
-
Die
Verteilung jeder der morphologischen Parameter, die in der 1b dargestellt
sind, ist durch „Datamining" der verschiedenen
Normalen und abnormalen EKG-Datenbanken bestimmt. Zusätzlich kann
die T-Kurve auf der Basis der Parameter ausgewertet werden, die
die vorstehend erwähnten
morphologischen Merkmale darstellen. Diese Parameter können enthalten:
die Breite der T-Peak-Linie 42 (Ku2) und die nach unten
gerichtete Kurvenlinie 43 (Kd), den Winkel (α) des Winkels 46 und
die absolute Differenz (Tsym) zwischen der Kurve der ersten nach oben
zeigenden Kurvenlinie 44 (Ku1) und der nach unten zeigenden
Kurvenlinie 43 (Kd). Die Auswertung für eine T-Kurve kann geschrieben
werden als: TM_Bewertung = a1·Tpw +
a2·Kd
+ a3·Ku1
+ a4·α + a6·Tda +
a7·Tsym (1)wobei a1_ai, die Modellparameter
sind.
-
Modellparameter
können
durch ein Regressionsmodell abgeleitet werden, das gewöhnlich für die statistische
Analyse verwendet wird. Die Auswertung der T-Kurve TM-Auswertung
ist von Null bis Eins verteilt, wobei Null meistens die normale
T-Kurven-Morphologie bezeichnet und Eins meistens die abnormale
T-Kurven-Morphologie darstellt. Eine abnormale T-Kurven-Morphologie kann durch eine angeborenes
langes QT verursacht sein, ein von Medikamenten verursachtes langes
QT, Ischämie
oder durch TdP, wobei es jedoch viele andere Gründe für eine abnormale T-Kurven-Morphologie
gibt, die innerhalb des Umfangs der vorliegenden Offenbarung betrachtet.
werden.
-
Während einer
Modell-Trainingsstufe werden die normale und die abnormale T-Kurvenform
sowie eine zugeordnete TM-Auswertung
dargestellt. Die Ergebnisse aus der Regressionsanalyse enthalten
die Auswertungsmodellkoeffizienten und zugehörige korrespondierende Signifikanzwerte.
-
Die
Analyse unter den Depolarisations- und der Repolarisationsmerkmale
kann dazu verwendet werden, bestimmte Aspekte der kardiologischen
Gesundheit zu bestimmen. Das Q-T-Intervall 54,
das die Zeitdauer anzeigt, für
die die Ventrikel des Herzens kontrahiert sind, nachdem der Herzmuskel
depolarisiert ist, wird gewöhnlich
dazu verwendet, um die potentielle Tachykardie, oder genauer gesagt,
die TdP zu identifizieren. Der T-Kurvenversatz 56 oder
das Ende der T-Kurve, das in 1a gezeigt
ist, ist ein anderes wichtiges morphologisches Merkmal, indem es
anzeigt, wenn die Ventrikel ihre Repolarisation beendet haben, womit
auch das Ende des erhöhten Blutdrucks
angezeigt wird, der die Blutdruck-Systole charakterisiert. Ein weiteres
Beispiel eines morphologischen EKG-Merkmals, das in einer Ausführungsform
der vorliegenden Erfindung analysiert werden kann, ist das R-R-Intervall 58,
das in 1a gezeigt ist, was die Zeitdauer
zwischen den QRS-Komplexen des EKG-Signals aufeinander folgender
Herzschläge markiert.
Die Bestimmung des R-R-Intervalls kann dazu verwendet werden, die
Herzfrequenz des Patienten zu bestimmen.
-
Die
Hauptkomponenten-Analyse (PCA), wie die vorstehend erwähnte, ist
ein statistisches Verfahren, das verwendet wird, um die Informationsmenge zu
vereinfachen, wenn multivariaten Daten analysiert werden. Die PCA
wird oftmals für
die Merkmalsselektion bei Anwendungen des Datamining verwendet. "Datamining" ist eine Form der
Datenverarbeitung oder -Analyse, die Datensuchfähigkeiten und statistische
Algorithmen verwendet, wie beispielsweise Clustern, Korrelation
und neutronale Netzwerke, um Muster und Korrelationen in großen Datensätzen zu erkennen.
Die Idee hinter der Hauptkomponentenanalyse ist die, dass es in
jedem Satz der multivariaten Daten korrelierte Sätze von Datenpunkten geben wird.
Je stärker
zwei Datensätze
miteinander korreliert sind, desto größer ist die Redundanz, wenn
beide Datenpunkte aufbewahrt werden. Beispielsweise, wenn variable
Datenpunkte x und y perfekt zueinander korreliert sind, ist es nicht
notwendig, repräsentative
Daten für
beide Variablen x und y einzuschließen, weil durch Kenntnis eines
bestimmten Wertes für
eine Variable der Wert der anderen Variable ebenfalls bekannt ist.
Deshalb kann, wenn zwei Variablen innerhalb eines Satzes von multivariaten
Daten korreliert sind, eine der Variablen eliminiert werden und es
gehen keine Daten verloren.
-
2 wird für eine Erklärung der Basis des PCA verwendet.
In 2a ist ein Graph dargestellt, der einige multivariate
Datenpunkte in drei Achsen darstellt: x, y und z. Eine lineare Regressionslinie 60 zeigt
die Korrelation zwischen den x-Koordinaten und den z-Koordinaten
für jeden
Datenpunkt an. Zu Beispielszwecken wird angenommen, dass es einen
hohen Grad an Korrelation zwischen der linearen Regressionslinie 60 und
den x- und z-Koordinaten der Daten gibt.
-
Nachfolgend
werden Bezug nehmend auf 2b unter
der Annahme der Korrelation zwischen den Datenpunkten und der linearen
Regressionslinie 60, die x- und z-Koordinaten der Datenpunkte
nicht beide benötigt,
da diese eng korreliert sind. Durch Entfernen einer Hauptkomponente
der Daten können die
Daten vereinfacht werden. Dies wird schlussendlich durch Drehen
der x-Achse und der z-Achse in die lineare Reg ressionslinie 60 erreicht.
Die lineare Regressionslinie 60 wird jetzt die neue vereinfachte
Referenzachse für
die Datenpunkte.
-
2c stellt
die neue graphische Repräsentation
de Daten in Bezug auf die y-Achse und die neue (x-z)-Achse dar. Deshalb
ist durch die PCA-Technik die ursprüngliche Datenmenge reduziert,
während
alle der Dateninformationen aufrechterhalten wurden. Die vorstehenden
tri-variaten Daten können
jetzt als bi-variaten Daten dargestellt werden, die es leichter
machen, eine Beziehung innerhalb der Daten zu identifizieren, die
bei der Darstellung der tri-variaten Darstellung nicht deutlich
war.
-
Während die
vorstehende Erklärung
dazu dient, den Prozess des PCA anhand eines relativ einfachen Datensatz
zu erläutern,
findet die PCA-Analyse ihren wahren Wert, wenn multivariate Daten
analysiert werden, die viele Variable aufweisen, wie beispielsweise
Daten, die für
die morphologischen EKG-Merkmale repräsentieren, die in einem Elektrokardiogramm
gefunden werden. Bei der Analyse von multivariaten Daten, können viele
Grundkomponenten extrahiert werden, um die Datenmenge weiter zu reduzieren,
während
die korrelierten Daten zurückgehalten
werden. Für
jeden Grundkomponentenvektor, der extrahiert wird, wird Varianz
aus dem gesamten multivariaten Datensatz entfernt. Die Extraktion jeder
zusätzlichen
Grundkomponente entfernt einen kleiner werdenden Betrag der Datenvarianz.
In verallgemeinerten multivariaten Daten unter der Annahme von mehr
als sechs Variablen, extrahiert die Extraktion von sechs Grundkomponenten
typischerweise mehr als 95% der Gesamtvarianz, abhängig von der
Anzahl der Variablen, die in dem multivariaten Satz enthalten sind.
In dem Beispiel der T-Kurve des Vielfach-Ableitungs-EKGs können gewöhnlich die ersten
drei Hauptkomponenten mehr als achtundneunzig Prozent der totalen
Varianz repräsentieren. Abhängig von
der Anwendung, können
mehr oder weniger Hauptkomponentenvektoren extrahiert werden, um
das gewünschte
Maß der
Datenreduktion zu erreichen. Zusätzliche
Information bezüglich
der PCA kann der folgenden Literaturstelle: "Statistics Methods and Applications
von Pawel Lewinski und Thomas Hill entnommen werden.
-
Da
die extrahierten Hauptkomponentvektoren die vorherrschende Korrelation
repräsentieren, die
in dem multivariaten Datensatz verbleibt, kann die Analyse von jeder
der extrahierten Hauptkomponentenvektoren spezifische Korrelationen
zwischen Merkmalen oder Variablen innerhalb eines multivariaten
Satzes identifizieren. Davon ausgehend können die Korrelationen identifiziert
oder Vertrauensintervalle für
spezifische Merkmale bestimmt werden.
-
In
der gegenwärtigen
Erfindung kann die PCA verwendet dazu werden, um andere morphologische
T-Kurven-Auswertung auf der Basis des PCA abzuleiten. Das PCA-Verfahren
kann hier dazu verwendet werden, um die meistsignifikanten Komponenten
aus der Gruppe der morphologischen Parameter der T-Kurve zu finden.
Es wird eine Datenmatrix TM gebildet, bei der jede Spalte die Werte
eines bestimmten morphologischen T-Kurvenparameters vieler EKGs enthält. Nachdem
die PCA-Analyse durchgeführt ist,
können
die drei Hauptkomponenten und Vektoren verwendet werden, um ein
anderes Auswertungsmodell herzuleiten zu: TM_Auswertung_PCA
= b1·Tm1
+ b2·Tm2
+ b3·Tm3 +
bn·Tmn(2) wobei
b1 bis bn die neuen Modellkoeffizienten und Tm1 bis Tmn die Eigenvektoren
des PCA sind. Alternativ können
die Eigenvektoren als Hauptvektoren bekannt sein. Eine ähnliche
Regressionsanalyse wie die, die in der Modellgleichung (1) angewendet
wurde, wird in der Modellgleichung (2) angewendet, um die Koeffizienten
abzuleiten.
-
3 ist
ein allgemeines Ablaufdiagramm des Modells der vorliegenden Erfindung.
Das Verfahren der vorliegenden Erfindung beginnt mit dem Schritt 10 der
Aufnahmen der Daten des physiologischen Signals des Patienten. Während sich
die vorliegende Beschreibung auf die Aufnahme und die Analyse der
Daten des physiologischen Signals bezieht, die beispielsweise ein
EKG-Signal enthalten, soll klar sein, dass die vorliegende Erfindung
im Zusammenhang mit anderen physiologischen Signalen, wie beispielsweise
EMG- oder EEG-Signalen, zum Datamining und/oder der Erfassung der
Messungsqualität
der morphologischen Merkmale genutzt werden kann. Das gleiche gilt
bezogen auf die spezifische Beschreibung der Korrelation zwischen
dem Q-T-Intervall und TdP, da viele physiologische Signalmorphologien
entsprechend der vorliegenden Erfindung verwendet werden können.
-
Wenn
die Daten der Signale in Schritt 10 aufgenommen sind, werden
die Daten dann in Schritt 12 normiert. Die Normierung der
Daten der Signale Signal-Daten erleichtert den Vergleich der Signale,
die in dem Verfahren der vorliegenden Erfindung verwendet werden.
-
Die
vorliegende Erfindung umfasst zwei bestimmte Aspekte, auf die Schritte
des Verfahrens der vorliegenden Erfindung gerichtet werden können. Diese
Schritte können
einzeln oder in Kombination verwendet werden, um ein oder mehrere
Ziele des Datamining unter Verwendung der Schritte zu erreichen,
die unterhalb der Bezugsziffer 14 auf der rechten Seite
von 3 aufgeführt
sind, und die die Qualität
der Detektion der morphologischen Merkmale unter Verwendung der
Schritte sicherstellen, die unterhalb der Bezugsziffer 16 auf
der linken Seite von 3 aufgeführt sind.
-
Zuerst
werden die Schritte in Teil 14, die auf das Datamining
gerichtet sind, oder die Identifikation der vorhersagenden Merkmale
diskutiert. Die physiologischen Daten des Patienten, die in Schritt 12 normiert
wurden, werden in Schritt 18 einer Hauptkomponenten-Analyse
unterzogen. In einer Ausführungsform
der vorliegenden Erfindung werden aus den physiologischen Daten
sechs Hauptkomponentenvektoren extrahiert, wodurch ungefähr 95% der
Signal-Daten in den Komponentenvektoren umfasst sind. Es sollte
klar sein, das in den Ausführungsformen
der vorliegenden Erfindung ein oder mehrere Hauptkomponentenvektoren
extrahiert werden können,
wie dies durch die Komplexität
der Signale bestimmt ist, die analysiert werden, und/oder der Komplexität der morphologischen
Merkmale, die analysiert werden sollen.
-
Nachdem
die physiologischen Daten des Patienten der Analyse der Hauptkomponenten
in Schritt 18 unterzogen sind, werden die verwendeten Ergebnisse
der PCA-Analyse in Schritt 26 verwendet, um Korrelationen
zwischen morphologischen Merkmalen der physiologischen Signal-Daten,
die in Schritt 10 aufgenommen wurden, zu identifizieren,
wie beispielsweise die Länge
des Q-T-Intervalls und die ventrikuläre Tachykardia, die die Torsade-de-pointes-Tachykardie
charakterisiert. Jede der identifizierten Korrelationen zwischen
morphologischen Signalen kann an einen Kliniker berichtet werden oder
in einer Datamining-Ergebnis-Datenbank 28 gespeichert werden.
-
In
einer Ausführungsform
der vorliegenden Erfindung muss die Datenaufnahme von Schritt 10 nicht
die Aufnahme eines einzelnen Patienten-EKG-Signals aufweisen, sondern
eher eine gesamte Datenbank von EKG-Signalen, die während einer
Medikamenten-Erprobung gesammelt worden sind. Da die gesamte Datenbank
die vorstehend beschriebenen Schritte durchlaufen haben, führt der Schritt 26 der
Identifizierung von Korrelationen der morphologischen Merkmale in
das Endprodukt des Datamining-Prozesses des Aspekts 14 des
Verfahrens der vorliegenden Erfindung.
-
4 ist
ein genaueres Ablaufdiagramm, das eine weitere Ausführungsform
des Verfahrens der vorliegenden Erfindung bezogen auf das Datamining
beschreibt. Diese Ausführungsform
verwendet eine EKG-Signal-Datenbank 22. Die EKG-Signal-Datenbank 22 kann
aus vielen Quellen der EKG-Signal-Daten entwickelt werden, die vorher
von den Patienten aufgenommen wurden, und als von hoher Qualität bestimmt
wurden. Die Daten können
ebenfalls EKG-Signal-Daten sein, die editiert wurden, so dass diese
für die
Qualität
des EKG-Signals repräsentativ
sind. Die EKG-Signal-Datenbank 22 der Ausführungsform,
die in 4 dargestellt ist, kann ebenfalls eine große Vielfalt
von normalen und abnormalen EKG-Signalproben
und Signale enthalten, die für
die spezifische EKG-Morphologien repräsentativ sind. Deshalb schafft
die Datenbank repräsentative
Daten, so dass die Analysen der spezifischen Charakteristika durchgeführt werden
können,
die die spezifischen EKG-Abnormalitäten kennzeichnen.
-
Die
Signale der EKG-Signal-Datenbank 22 werden verwendet, um
in Schritt 24 eine Modell-EKG-Hauptkomponentenanalyse durchzuführen. Die
Erzeugung der Modell-Hauptkomponenten-Analyse in Schritt 24 erlaubt
es einem Kliniker, spezifische EKG-Signal- Daten oder Gruppen von EKG-Signal-Daten aus der Datenbank 22 auszuwählen, um
eine spezifische angepasste EKG-Modell-Hauptkomponentenanaylse zu
erzeugen, um die Analyse spezifischer Bereiche, Komponenten oder Merkmale
der aufgenommenen EKG-Signal-Daten des Patienten zu unterstützen. Wie
dies in 4 dargestellt ist, können vielfache
Modell-EKG-PCAs erzeugt werden, wie in den Schritten 24a, 24b und 24c, wobei
jeder angepasst ist, um eine spezifische EKG-Morphologie zu repräsentieren.
Derartige PCAs können
beispielsweise ein ausgedehntes Q-T-Intervall 24a, eine
P-Kurven-Morphologie 24b oder
einen gebeugten QRS-Komplex enthalten.
-
Jede
dieser Modell-PCAs werden dann mit der in Schritt 18 ausgeführten PCA
der in Schritt 10 gesammelten physiologischen Daten verglichen.
Der Vergleich der Modell-EKG-Hauptkomponten-Analyse mit
der aufgenommenen EKG-Hauptkomponenten-Analyse
in Schritt 20 führt
zu der Identifikation der Korrelationen zwischen spezifischen morphologischen
Merkmalen, die in einem EKG-Signal in Schritt 26 vorhanden
sind. Die Bezeichnungen 26a, 26b und 26c kennzeichnen
die Verwendung der vielen Modell-EKG-PCAs. In dieser Ausführungsform
des Verfahrens der vorliegenden Erfindung ermöglicht es der Vergleich der
Hauptkomponenten-Analyse der aufgenommenen EKG-Signale mit der PCA
des Modell-EKG-Signals in Schritt 20 dem Verfahren, neue Merkmale
zu identifizieren, die einen verbesserten Hinweis auf mögliche nachteilige
oder ungünstige Konsequenzen
auf die Gesundheit eines Patienten haben. Beispielsweise kann es
sein, dass die Genehmigungsbe hörden
wissen wollen, ob während
der klinischen Versuche der pharmazeutischen Erprobung die Medikamente
ein verlängertes
Q-T-Intervall erzeugen. Deshalb werden EKG-Signale mit einem verlängerten
Q-T-Intervall aus den EKG-Signal-Daten aus der EKG-Signal-Datenbank 22 ausgewählt, wenn
das Verfahren der vorliegenden Erfindung verwendet wird. Diese repräsentativen
Signale werden verwendet, um eine Modell-PCA eines EKGs mit einem
verlängerten
Q-T-Intervall in Schritt 24 zu erzeugen. Die Modell-PCA
wird in Schritt 20 mit der PCA des Medikamenten-Versuchs
von Schritt 18 verglichen. Der Vergleich in Schritt 20 identifizieren
die Korrelation, falls vorhanden, zwischen einem ausgedehnten Q-T-Intervall
und den Medikamenten-Versuchsdaten in Schritt 26 und diese
Ergebnisse können
an die Genehmigungsbehörden
berichtet werden.
-
Die
Ergebnisse des Datamining können
in einer Datamining-Datenbank 28 der Ergebnisse des Datamining
gespeichert werden, um die Identifikation der morphologischen Merkmale,
die Vorhersagewert haben, zu erleichtern. Alternativ können die
Ergebnisse des korrelationsidentifizierenden Schrittes 26 der
zu der EKG-Signal-Daten-Datenbank hinzugefügt werden, die in Schritt 22 erzeugt
sind, um die Anzahl und Qualität
der EKG-Signal-Daten innerhalb der EKG-Signal-Daten-Datenbank 22 zu verbessern. Auf
eine solche Art und Weise wird die Modell-PCAs, die aus der Datenbank 22 erzeugt
sind, mit der Zeit verbessert, da die EKG-Datenbank größer wird.
-
In
einer Ausführungsform
werden die Korrelationen zwischen morphologischen Merkmalen des EKG-Signals,
die in Schritt 26 identifiziert wurden, dann verwendet,
um in Schritt 30 ein Vertrauensintervall für spezifische
Merkmale zu bestimmen. Wie dies in 5 beschrieben
wird, ist das Vertrauensintervall die Fläche, innerhalb derer man statistisch
erwartet, ein bestimmtes morphologisches Merkmal für einen identifizierten
Prozentsatz der Zeit zu finden. 5 beschreibt
ein hypothetisches neunzig Prozent Vertrauensintervall für den T-Kurvenversatz
oder das Ende der T-Kurve. Dies bedeutet, dass man in neunzig Prozent
aller EKG-Signale erwarten kann, das Ende der T-Kurve innerhalb
dieses Intervalls zu finden, wie dies für beispielhafte Zwecke als
ein Band von zwanzig Millisekunden gezeigt ist.
-
Wenn
die morphologischen Merkmale eines EKG-Signals in Schritt 26 identifiziert
sind, wird das EKG-Signal gespeichert und in eine automatisierte Datenbank 30 der
morphologischen Merkmalsdetektion sortiert. In dieser Datenbank
3ß wird
das EKG-Signal in Bins oder „Kästchen" gespeichert, die die
EKG-Signale mit anderen EKG-Signalen mit ähnlichen morphologischen Merkmalen
gruppieren. Diese Gruppierung des EKG-Signals in Bins von Signalen
mit ähnlichen
morphologischen Merkmalen wird in Schritt 32 oft verwendet,
um die Bestimmung der Vertrauensintervalle für jede morphologische Eigenschaft
zu verbessern. In Schritt 32 kann ein verbessertes Vertrauensintervall
für bestimmte
morphologische Merkmale auf Grund der verbesserten Gruppierung der
EKG-Signale durch ihre morphologischen Merkmale erhalten werden,
die durch eine Identifikation der morphologischen Merkmale in Schritt 26 erreicht
werden. Die Vertrauensintervalle für eine Anzahl von unterschiedlichen
morphologischen Merkmalen können
in den Schritten 32, 32a, 32b, 32c, usw.,
bestimmt werden, wie dies jeweils in den allgemeinen und spezifischen
Ablaufdiagrammen in den 3 und 4 gezeigt
ist.
-
In
einer Ausführungsform
kann eine statistische Analyse der EKG-Signale jedes Bins so durchgeführt wer den,
nachdem die EKG-Signale in die Bins gruppiert worden sind und in
die automatisierte morphologische Datenbank 30 gespeichert
sind, dass die Qualität
der Signale innerhalb des Bins bestimmt werden kann. Diese statistische
Analyse kann ein gemitteltes EKG-Signal nutzen, das von allen Signalen,
die in dem Bin gespeichert sind, abgeleitet werden, oder kann andere
Form- oder Merkmalsvergleichstechniken nutzen, um die Qualität der gespeicherten
Signale zu bestimmen. Alternativ können EKG-Signale innerhalb
des Bins mit außerhalb
liegenden Merkmalen von diesem Bin entfernt werden, auf der Basis
der weiteren Analyse des EKG-Signals in einen alternativen Bin bewegt
werden oder die Signale können
zusammen aus der Datenbank 30 entfernt werden. In einer
weiteren Ausführungsform kann
das System, das die Analyse durchführ, lernen und/oder die Merkmale
in einem EKG-Signal optimieren, die verursachen, dass die Signale
in einen bestimmten Bin auf der Basis eines morphologischen Merkmals
gruppiert werden, wenn eine Gruppe von EKG-Signalen innerhalb jedes
Bins in der Datenbank 30 analysiert sind.
-
Die
verbesserte Bestimmung der Vertrauensintervalle für morphologische
Merkmale in Schritt 30 ist der erste Schritt bei der Erreichung
der Qualität der
morphologischen Merkmalsdetektion in den Schritten, die unter der
Bezugsziffer 16 zusammengefasst sind, die auf der linken
Seite von 4 dargestellt ist. Nachdem die
Vertrauensintervalle der morphologischen Eigenschaften in Schritt 32 bestimmt
wurden, können
diese Vertrauensintervalle wieder zu der automatisierten Detektionsdatenbank 30 des
morphologischen Merkmals addiert werden, die in den 3 und 4 gezeugt
sind. Die Hinzufügung
der verbesserten Vertrauensintervalle zu den gespeicherten EKG-Signalen,
die durch die morphologischen Merkmale gruppiert sind, ermöglichen
die Modifikation des morpho logischen Identifikationsalgorithmus,
der in den Schritten 34a, 34b, 34c verwendet
wird. Die Modifikation der morphologischen Merkmale verbessert die
Qualität
der automatisierten Detektion der morphologischen Merkmale in Schritt 34 durch
Anwachsen der Genauigkeit mit der die Algorithmen die morphologischen
Merkmale identifizieren.
-
Der
Prozess der automatisierten Merkmalsdetektion in Schritt 34 verwendet
die Daten, die in der automatisierten Detektions-Datenbank des morphologischen
Merkmals 32 gespeichert sind, um mathematisch die morphologischen
Merkmale in dem EKG-Signal-Daten zu identifizieren, die bearbeitet werden.
Die Identifikationsalgorithmen, die in Schritt 34 verwendet
werden, können
gemittelte oder Modell-EKG-Signale mit einem spezifischen morphologischen
Merkmal aufweisen, mit denen die bearbeiteten EKG-Signal-Daten verglichen
werden. Ähnlichkeiten
zwischen den EKG-Signal-Daten, die bearbeitet werden, und den Modell-EKG-Signal-Daten,
identifizieren die morphologischen Merkmale der EKG-Signal-Daten,
die bearbeitet werden. In einer alternativen Ausführungsform
der vorliegenden Erfindung kann die PCA-Analyse zwischen den EKG-Signal-Daten 18,
die bearbeitet werden, und den morphologischen Modell-Merkmalen
der EKG-PCA 24 verwendet werden, um eine Korrelation zwischen den
EKG-Signal-Daten, die bearbeitet werden, und einem morphologischen
Merkmal des Modell-EKGs zu identifizieren. Ein hoher Grad der Korrelation
zwischen den EKG-Signal-Daten, die bearbeitet werden, und dem Modell-EKG
bezogen auf das morphologische Merkmal identifiziert folglich die
Existenz dieses morphologischen Merkmals in den EKG-Signal-Daten, die
bearbeitet werden.
-
Das
Verfahren der vorliegenden Erfindung beginnt demzufolge mit der
Aufnahme der Patienten-EKG-Signal- Daten von dem Patienten in einem klinischen
Medikamenten-Versuch
in Schritt 10 und der Normierung der Signal-Daten in Schritt 12 und fährt mit
steigender Präzision
in Schritt 34 mit der Identifikation des morphologischen
Merkmals der EKG-Signal-Daten
fort. Der Schritt der Identifikation der morphologischen Merkmale 34 kann
ein morphologisches Merkmal identifizieren, das ein zukünftiges nachteiliges
EKG-Ereignis anzeigt, wobei ermöglicht wird,
dass das nachteilige EKG-Ereignis
in Schritt 36 vorhergesagt wird. In einer Ausführungsform
der vorliegenden Erfindung ist das morphologische Merkmal, das in
den Schritten 30, 32 und 34 verwendet wird,
ein ausgedehntes Q-T-Intervall und das nachteilige Ereignis, das
in Schritt 36 vorhergesagt wird, ist ein von Medikamenten
induzierter TdP.
-
Das
Verfahren der vorliegenden Erfindung schafft die Vorteile gegenüber dem
Stand der Technik, indem das Verfahren der vorliegenden Erfindung verbesserte
Datenergebnisse in zwei kritischen Gebieten des pharamzeutischen
Medikamenten-Erprobung bereitstellt. Das Verfahren der vorliegenden
Erfindung schafft den Vorteil der verbesserten Fähigkeit des Dataminings für die Detektion
der korrelierten morphologischen Merkmale des EKGs durch die Analyse
der Daten derart, dass die signifikante Datenmenge reduziert wird,
wodurch die Bearbeitung der aufgenommenen EKG-Daten ermöglicht wird,
um die Korrelationen unter vielen morphologischen Merkmalen mit
größerer Effizienz
zu betrachten. Darüber
hinaus verbessert das Verfahren der vorliegenden Erfindung die Qualität der Detektion
des morphologischen Merkmals durch die Bestimmung der höheren Qualität des Vertrauensintervalls
für die
morphologischen Merkmale, die für
die Detektion identifiziert sind. Die ansteigenden Vertrauensintervalle
helfen bei der automatisierten Detektion dieser morphologischen
vorher sagbaren Merkmale. Es soll ferner klar sein, dass in einer
Ausführungsform
innerhalb des EKG-Signals der vorliegenden Erfindung die automatisierte
Detektion der morphologischen Merkmale innerhalb des EKG-Signals
dann verwendet werden kann, um diese morphologischen Merkmale in
den EKG-Signal-Daten
zu markieren, die einem Techniker oder Kliniker zur Betrachtung
und Bewertung präsentiert
werden, als Hilfe für
die eigene Analyse des EKG-Signals des Betrachters.
-
6 stellt
eine Ausführungsform
einer Vorrichtung 60 zum Ausführen des Verfahrens der vorliegenden
Erfindung dar. Die Vorrichtung 60 weist einen EKG-Monitor 62 auf,
der mit mehreren Elektroden 64 verbunden ist, die mit einem
Patienten verbunden sind, um elektrokardiographische Signal-Daten
von dem Patienten zu erhalten. Der EKG-Monitor 62 ist in elektrischer
Verbindung mit einer CPU 66 über eine Kommunikationsverbindung 68.
Es sollte deutliche sein, dass innerhalb der vorliegenden Erfindung
die CPU 66 ebenfalls jeden anderen Typ von Prozessor und/oder
Kontroller bzw. Steuerungseinrichtung enthalten kann, der zur Durchführung von
mathematischen oder logischen Operationen gemäß der vorliegenden Erfindung
geeignet sein könnte.
Die CPU 66 ist über
mehrere Kommunikationsverbindungen 70 mit mehreren Datenbanken,
wie beispielsweise der EKG-Datenbank 22, der Datamining-Ergebnis-Datenbank 28,
einer Datenbank der Patientengeschichte 76, einer Medikamenten-Datenbank 78 und
einer Medikamenten-Ergebnis-Datenbank 80 verbunden. Darüber hinaus
kann die CPU 66 mit einer Darstellungseinrichtung oder
einem Display 82 über
eine Kommunikationsverbindung 70 verbunden sein.
-
In
einer kurzen Übersicht
der Bedienung der Vorrichtung 60 beim Ausführen einer
Ausführungsform
des Verfahrens der vorliegenden Erfindung, werden EKG-Signale von einem
(nicht dargestellten) Patienten über
die Elektroden 64 aufgenommen und von dem EKG-Monitor 62 empfangen.
Der EKG-Monitor 62 leitet
standardisierte EKG-Ableitungen von den EKG-Signalen weiter und überträgt die EKG-Ableitungen über die
Kommunikationsverbindung 68 zu der CPU 66. Die
CPU 66 verarbeitet die EKG-Ableitungen gemäß dem Verfahren
der vorliegenden Erfindung, wobei sie Daten von der EKG-Datenbank 22 oder
der Datenbank der Patientengeschichte 76, je nach Bedarf
empfängt.
In einer Datamining-Fähigkeit,
kann die CPU 66 die Datenmining-Ergebnisse über die
Kommunikationsverbindung 70 zu der Datamining-Ergebnis-Datenbank 28 übertragen.
Alternativ kann die CPU 66 Daten zu einem Display 82 übertragen,
die die Identifikation der morphologischen Merkmale in dem Patienten-EKG-Signal
anzeigen, oder die Identifikation der morphologischen Merkmale kann
auf die Datenbank der Patientengeschichte 76 übertragen
werden. In einer pharmakologischen Studienanwendung des Verfahrens
der vorliegenden Erfindung kann die CPU 66 einen kompletten
Satz der Pharma-EKG-Daten empfangen, die über eine Serie EKG der pharmakologischen
Tests von der Pharma-EKG-Datenbank 78 kompiliert oder zusammengestellt
sind. Die CPU 66 kann die Pharma-EKG-Daten gemäß dem Verfahren
der vorliegenden Erfindung bearbeiten und alle Daten, die die Detektion
der TdP oder anderer morphologischer Merkmale anzeigen, zu einer
Pharma-Ergebnis-Datenbank 80 übertragen.
-
Es
ist ferner deutlich, dass innerhalb des Umfangs der vorliegenden
Erfindung die Kommunikationsverbindung 68 und die Kommunikationsverbindung 70 nicht
auf festverdrahtete Verbindungen beschränkt sein müssen sondern auch eine drahtlose
Verbindung oder Kommunikationsverbindungen über das Internet oder ein Intranet
eines Krankenhauses oder einer Forschungseinrichtung enthalten können. Es
ist ferner klar, dass innerhalb der Vorrichtung zum Ausführen einer
Ausführungsform
des Verfahrens der vorliegenden Erfindung alle hierin beschriebenen
Datenbanken physikalisch auf der selben Speichereinrichtung angeordnet
sein können und
diese Speichereinrichtung ein Datenserver sein kann, der durch ein
Krankenhaus oder eine Forschungseinrichtung genutzt wird.
-
In
einer weiteren Ausführungsform
der Vorrichtung zum Ausführen
einer Ausführungsform
des Verfahrens der vorliegenden Erfindung kann der EKG-Monitor 62 in
die CPU 66 integriert sein, so dass die CPU 66 alle
Funktionalitäten
einer Alleinstehenden oder „Stand-alone"-EKG-Monitors 62 durchführt und
ebenfalls die vorher beschriebenen Funktionen der CPU 66 bereitstellt.
In einer weiteren Ausführungsform
können
die Funktionen der CPU 66 durch den EKG-Monitor 62 durchgeführt werden,
wie ein EKG-Monitor 62 typischerweise seinen eigenen Prozessor
oder Kontroller haben würde,
der die Fähigkeit
haben könnte,
der die Funktionen der CPU 66 durchzuführen.
-
Diese
schriftliche Beschreibung verwendet Beispiele, um die Erfindung
zu offenbaren, einschließlich
der besten Art und Weise, und um es jedem Fachmann zu ermöglichen
die Erfindung durchzuführen
und zunutzen. Der Schutzumfang der Erfindung wird in den Ansprüchen definiert
und kann andere Ausführungsformen
enthalten, die innerhalb des Umfangs der Erfindung liegen, die für den Fachmann offensichtlich
sind.
-
Zahlreiche
Alternativen und Ausführungsformen
werden als innerhalb des Umfangs der Ansprüche betrachtet, insbesondere
solche, die den Gegenstand, der als Erfindung betrachtet wird, herausstellen
und beanspruchen.
-
In
einem Verfahren der Analyse von physiologischen Patientendaten werden
die Daten einer Hauptkomponentenanalyse 18 unterzogen und
mit einem Modell der physiologischen Hauptdaten-Analyse 24 verglichen 20.
Der Vergleich 20 wird genutzt, um die Korrelationen 26 zu
identifizieren, die in der Morphologie der physiologischen Patientendaten vorhanden
ist. Die vorliegende Erfindung enthält ferner die Bestimmung eines
Vertrauensintervalls für die
Detektion eines morphologischen Merkmals und die Verwendung dieses
Vertrauensintervalls 32 für die Verbesserung der Qualität der Detektion
der morphologischen Merkmale 30 der physiologischen Patientendaten,
einschließlich
der automatisierten morphologischen Merkmalsidentifikation 34.
-
- 10
- Datenaufnahmeschritt
- 12
- Normierungsschritt
- 14
- Datamining-Schritt
- 16
- Qualtiätsdetektions-Schritteder
physiologischen Morphologie
- 18
- PCA-Analyse-Schritt
- 20
- PCA-Vergleichs-Schritt
- 22
- EKG-Datenbank
- 24
- Erzeugen
eines Modells des PCA-Schritts
- 26
- Identifizieren
des Korrelationsschrittes
- 28
- Datamining-Datenbank
- 30
- Bestimmen
des Vertrauens-Intervall-Schritts
- 32
- Hinzufügen der
Vertrauensintervall-Daten zu dem Detektions-Datenbank-Schritt
- 34
- Identifizieren
des Schritts der morphologischen Merkmale
- 36
- Vorhersagen
des TdP-Schritts
- 38
- EKG-Signal
- 40
- T-Peak-Linie
- 43
- Abwärtsgerichtete
Kurvenlinie
- 44
- erste
aufwärtsgerichtete
Linie
- 45
- zweite
aufwärtsgerichtete
Linie
- 46
- Winkel
- 47
- Linie
- 48
- T-Kurven-Fläche