DE202020005629U1 - Auf maschinellem Lernen basierende Depolarisationsidentifizierung und Visualisierung der Lokalisation von Arrhythmien - Google Patents

Auf maschinellem Lernen basierende Depolarisationsidentifizierung und Visualisierung der Lokalisation von Arrhythmien Download PDF

Info

Publication number
DE202020005629U1
DE202020005629U1 DE202020005629.4U DE202020005629U DE202020005629U1 DE 202020005629 U1 DE202020005629 U1 DE 202020005629U1 DE 202020005629 U DE202020005629 U DE 202020005629U DE 202020005629 U1 DE202020005629 U1 DE 202020005629U1
Authority
DE
Germany
Prior art keywords
arrhythmia
episode
machine learning
depolarization
medical device
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.)
Active
Application number
DE202020005629.4U
Other languages
English (en)
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Medtronic Inc
Original Assignee
Medtronic Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Medtronic Inc filed Critical Medtronic Inc
Publication of DE202020005629U1 publication Critical patent/DE202020005629U1/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0031—Implanted circuitry
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/07—Endoradiosondes
    • A61B5/076—Permanent implantations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/339—Displays specially adapted therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/686—Permanently implanted devices, e.g. pacemakers, other stimulators, biochips
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/3621—Heart stimulators for treating or preventing abnormally high heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/365—Heart stimulators controlled by a physiological parameter, e.g. heart potential
    • A61N1/36507—Heart stimulators controlled by a physiological parameter, e.g. heart potential controlled by gradient or slope of the heart potential
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/365—Heart stimulators controlled by a physiological parameter, e.g. heart potential
    • A61N1/36592—Heart stimulators controlled by a physiological parameter, e.g. heart potential controlled by the heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/372—Arrangements in connection with the implantation of stimulators
    • A61N1/375—Constructional arrangements, e.g. casings
    • A61N1/3756—Casings with electrodes thereon, e.g. leadless stimulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A61N1/3956—Implantable devices for applying electric shocks to the heart, e.g. for cardioversion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

Medizinisches Vorrichtungssystem, umfassend:eine medizinische Vorrichtung, die dazu konfiguriert ist, um:ein kardiales Elektrogramm eines Patienten über eine Vielzahl von Elektroden zu erfassen, undEpisodendaten für eine Episode zu speichern, wobei die Episode einem Zeitraum zugeordnet ist und die Episodendaten das von der medizinischen Vorrichtung während des Zeitraums erfasste kardiale Elektrogramm umfassen; und eine Verarbeitungsschaltung, die dazu konfiguriert ist, um:die Episodendaten zu empfangen,ein oder mehrere maschinelle Lernmodelle auf die Episodendaten anzuwenden, wobei das eine oder die mehreren maschinellen Lernmodelle dazu konfiguriert sind, um einen jeweiligen Wahrscheinlichkeitswert für jede der Vielzahl von Klassifikationen des Arrhythmietyps auszugeben, wobei jeder der Wahrscheinlichkeitswerte eine Wahrscheinlichkeit charakterisiert, dass die jeweilige Klassifikation des Arrhythmietyps zu einem beliebigen Zeitpunkt während des Zeitraums aufgetreten ist,auf Grundlage der Anwendung des einen oder der mehreren maschinellen Lernmodelle auf die Episodendaten für jede der Klassifikationen des Arrhythmietyps Klassenaktivierungsdaten abzuleiten, die auf verschiedene Wahrscheinlichkeiten der jeweiligen Klassifikationen des Arrhythmietyps über den Zeitraum hinweisen, undeinem Benutzer ein Kurvenschaubild der verschiedenen Wahrscheinlichkeiten der Klassifikationen des Arrhythmietyps über den Zeitraum anzuzeigen.

Description

  • GEBIET
  • Diese Offenbarung bezieht sich allgemein auf medizinische Vorrichtungen und insbesondere auf die Analyse von Signalen, die von medizinischen Vorrichtungen erfasst werden.
  • HINTERGRUND
  • Medizinische Vorrichtungen können verwendet werden, um physiologische Signale eines Patienten zu überwachen. Zum Beispiel sind einige medizinische Vorrichtungen so konfiguriert, dass sie kardiale Elektrogramm-Signale (EGM-Signale), z. B. Elektrokardiogramm-(EKG)-Signale erfassen, die mittels Elektroden auf die elektrische Aktivität des Herzens hinweisen. Einige medizinische Vorrichtungen sind so konfiguriert, dass sie das Auftreten von Herzrhythmusstörungen, die oft als Episoden bezeichnet werden, basierend auf dem kardialen EGM und in einigen Fällen auf Daten von zusätzlichen Sensoren erkennen. Beispielhafte Arrhythmietypen schließen Asystolie, Bradykardie, ventrikuläre Tachykardie, supraventrikuläre Tachykardie, Breitkomplextachykardie, Vorhofflimmern, Vorhofflattern, Kammerflimmern, den atrioventrikulären Block, ventrikuläre Extrasystolen und atriale Extrasystolen ein. Die medizinischen Vorrichtungen können das kardiale EGM und andere Daten, die während eines Zeitraums einschließlich einer Episode erhoben wurden, als Episodendaten speichern. Die medizinische Vorrichtung kann auch Episodendaten für einen Zeitraum als Reaktion auf eine Benutzereingabe, z. B. von dem Patienten, speichern.
  • Ein Computersystem kann Episodendaten von medizinischen Vorrichtungen erhalten, um es einem Arzt oder einem anderen Benutzer zu ermöglichen, die Episode zu überprüfen. Ein Arzt kann einen Krankheitszustand des Patienten, basierend auf dem identifizierten Auftreten von Herzrhythmusstörungen innerhalb der Episode, diagnostizieren. In einigen Beispielen kann ein Arzt oder ein anderer Prüfer Episodendaten überprüfen, um die Episoden zu annotieren, einschließlich des Bestimmens, ob Arrhythmien, die von der medizinischen Vorrichtung erkannt wurden, tatsächlich aufgetreten sind, um die Episoden zu priorisieren und Berichte zur weiteren Überprüfung durch den Arzt zu erzeugen, der die medizinische Vorrichtung einem Patienten verschrieben hat oder anderweitig für die Betreuung des besonderen Patienten verantwortlich ist.
  • KURZDARSTELLUNG
  • Im Allgemeinen beschreibt diese Offenbarung Techniken zum Klassifizieren, Annotieren und Berichten von Episodendaten, einschließlich kardialer EGM-Daten, unter Verwendung eines oder mehrerer maschineller Lernmodelle. In einigen Beispielen wendet die Verarbeitungsschaltung ein oder mehrere maschinelle Lernmodelle der Arrhythmieklassifikation auf die Episodendaten an. Das eine oder die mehreren maschinellen Lernmodelle geben einen jeweiligen Wahrscheinlichkeitswert aus, der die Wahrscheinlichkeit charakterisiert, dass eine jeweilige Klassifikation des Arrhythmietyps zu einem beliebigen Zeitpunkt während der Episode aufgetreten ist. Die Verarbeitungsschaltung leitet auch Klassenaktivierungsdaten für jede Klassifikation des Arrhythmietyps ab, die auf verschiedene Wahrscheinlichkeiten der Klassifikation über den Zeitraum hinweisen, und kann ein Kurvenschaubild der verschiedenen Wahrscheinlichkeiten über den Zeitraum anzeigen. Das angezeigte Kurvenschaubild der Wahrscheinlichkeiten im Zeitverlauf kann einem Benutzer helfen, die Gründe für jegliche Arrhythmie-Erkennungen während der Episode zu verstehen, insbesondere wenn sie in Verbindung mit dem zugrunde liegenden kardialen EGM angezeigt werden.
  • In einigen Beispielen wendet die Verarbeitungsschaltung ein oder mehrere maschinelle Lernmodelle zur Depolarisationserkennung auf die Episodendaten an. Das eine oder die mehreren maschinellen Lernmodelle zur Depolarisationserkennung sind dazu konfiguriert, einen Satz von Wahrscheinlichkeitswerten für die Depolarisation auszugeben, die die Wahrscheinlichkeit einer Depolarisation zu unterschiedlichen Zeiten während der Episode charakterisieren. Die Verarbeitungsschaltung kann Wahrscheinlichkeitswerte für die Klassifikation sowohl der Depolarisation als auch des Arrhythmietyps verwenden, um ihre Fähigkeit zu verbessern, Depolarisationen während der Episode zu erkennen.
  • In einem Beispiel beschreibt diese Offenbarung ein computerimplementiertes Verfahren, das das Empfangen von Episodendaten für eine Episode, die von einer medizinischen Vorrichtung eines Patienten gespeichert wird, durch eine Verarbeitungsschaltung eines medizinischen Vorrichtungssystems umfasst, wobei die Episode einem Zeitraum zugeordnet ist und die Episodendaten ein Herzelektrogramm umfassen, das von der medizinischen Vorrichtung während des Zeitraums erfasst wurde. Das Verfahren umfasst ferner das Anwenden eines oder mehrerer maschinelle Lernmodelle durch die Verarbeitungsschaltung auf die Episodendaten, wobei das eine oder die mehreren maschinellen Lernmodelle dazu konfiguriert sind, um einen jeweiligen Wahrscheinlichkeitswert für jede der Vielzahl von Klassifikationen des Arrhythmietyps auszugeben, wobei jeder der Wahrscheinlichkeitswerte eine Wahrscheinlichkeit charakterisiert, dass die Klassifikation des jeweiligen Arrhythmietyps zu einem beliebigen Zeitpunkt während des Zeitraums aufgetreten ist. Das Verfahren umfasst ferner das Ableiten von Klassenaktivierungsdaten, die auf unterschiedliche Wahrscheinlichkeiten der Klassifikation über den Zeitraum hinweisen, durch die Verarbeitungsschaltung und für jede der Klassifikationen des Arrhythmietyps auf Grundlage der Anwendung des einen oder der mehreren maschinellen Lernmodelle auf die Episodendaten. Das Verfahren umfasst ferner das Anzeigen eines Kurvenschaubilds der unterschiedlichen Wahrscheinlichkeiten der Klassifikationen des Arrhythmietyps über den Zeitraum durch die Verarbeitungsschaltung und für einen Benutzer.
  • In einem anderen Beispiel umfasst ein computerimplementiertes Verfahren das Empfangen von Episodendaten für eine Episode, die von einer medizinischen Vorrichtung eines Patienten gespeichert wird, durch eine Verarbeitungsschaltung eines medizinischen Vorrichtungssystems, wobei die Episode einem Zeitraum zugeordnet ist und wobei die Episodendaten ein kardiales Elektrogramm umfassen, das von der medizinischen Vorrichtung während des Zeitraums erfasst wird. Das Verfahren umfasst ferner das Anwenden eines oder mehrerer maschineller Lernmodelle zur Arrhythmieklassifikation auf die Episodendaten durch die Verarbeitungsschaltung, wobei das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation dazu konfiguriert sind, für jede der Vielzahl von Klassifikationen des Arrhythmietyps einen jeweiligen Satz von Wahrscheinlichkeitswerten für den Arrhythmietyp auszugeben, wobei jeder der Wahrscheinlichkeitswerte für den Arrhythmietyp des Satzes eine Wahrscheinlichkeit charakterisiert, dass die jeweilige Klassifikation des Arrhythmietyps zu einem jeweiligen Zeitpunkt während des Zeitraums aufgetreten ist. Das Verfahren umfasst ferner das Anwenden eines oder mehrerer maschineller Lernmodelle zur Depolarisationserkennung durch die Verarbeitungsschaltung auf die Episodendaten, wobei das eine oder die mehreren maschinellen Lernmodelle zur Depolarisationserkennung konfiguriert sind, um einen Satz von Wahrscheinlichkeitswerten für die Depolarisation auszugeben, wobei jeder der Wahrscheinlichkeitswerte für die Depolarisation des Satzes die Wahrscheinlichkeit charakterisiert, dass eine Depolarisation zu einem jeweiligen Zeitpunkt während des Zeitraums aufgetreten ist. Das Verfahren umfasst ferner das Identifizieren einer oder mehrerer Depolarisationen während der Episode durch die Verarbeitungsschaltung auf Grundlage der Wahrscheinlichkeitswerte für den Arrhythmietyp und der Wahrscheinlichkeitswerte für die Depolarisation.
  • Diese Zusammenfassung soll einen Überblick über den in dieser Offenbarung beschriebenen Gegenstand geben. Es ist nicht beabsichtigt, eine ausschließliche oder erschöpfende Erläuterung der Vorrichtungen und Verfahren bereitzustellen, die im Detail in den beigefügten Zeichnungen und der nachfolgenden Beschreibung beschrieben sind. Die Details zu einem oder mehreren Beispielen der Offenbarung sind in den beigefügten Zeichnungen und der nachstehenden Beschreibung aufgeführt.
  • Figurenliste
    • 1 ist eine konzeptionelle Zeichnung, die ein Beispiel für ein medizinisches Vorrichtungssystem veranschaulicht, das dazu konfiguriert ist, um maschinelle Lernmodelle zu verwenden, um kardiale Depolarisationen und Arrhythmien in Übereinstimmung mit den Techniken der Offenlegung zu erkennen.
    • 2 ist ein Blockdiagramm, das eine beispielhafte Konfiguration der implantierbaren medizinischen Vorrichtung (implantable medical device, IMD) von 1 veranschaulicht.
    • 3 ist ein konzeptionelles Seitenansichtsdiagramm, das eine beispielhafte Konfiguration der IMD von 1 und 2 veranschaulicht.
    • 4 ist ein Funktionsblockdiagramm, das eine beispielhafte Konfiguration des Computersystems von 1 veranschaulicht.
    • 5 ist ein Ablaufdiagramm, das einen beispielhaften Betrieb zum Bereitstellen einer Visualisierung der Wahrscheinlichkeit jeder der Vielzahl von Arrhythmieklassifikationen im Zeitverlauf während einer Episode veranschaulicht.
    • 6 ist ein Diagramm, das eine beispielhafte Episodenüberprüfungsmaske veranschaulicht, die eine Visualisierung der Wahrscheinlichkeit jeder der Vielzahl von Arrhythmieklassifikationen im Zeitverlauf während einer Episode einschließt.
    • 7 ist ein Diagramm, das eine weitere beispielhafte Episodenüberprüfungsmaske veranschaulicht, die eine Visualisierung der Wahrscheinlichkeit jeder der Vielzahl von Arrhythmieklassifikationen im Zeitverlauf während einer Episode einschließt.
    • 8 ist ein Ablaufdiagramm, das einen beispielhaften Betrieb zum Identifizieren von Depolarisationen während einer Episode, basierend sowohl auf der Arrhythmieklassifikation als auch auf Depolarisationswahrscheinlichkeiten veranschaulicht.
    • 9 ist ein konzeptionelles Diagramm, das beispielhafte Techniken zum Identifizieren von Depolarisationen während einer Episode, basierend sowohl auf der Arrhythmieklassifikation als auch auf Depolarisationswahrscheinlichkeiten, veranschaulicht.
  • Gleiche Bezugszeichen beziehen sich in den Figuren und in der Beschreibung auf gleiche Elemente.
  • AUSFÜHRLICHE BESCHREIBUNG
  • Verschiedene Arten von implantierbaren und externen medizinischen Vorrichtungen erkennen Arrhythmieepisoden basierend auf erfassten kardialen EGM und in einigen Fällen anderen physiologischen Parametern. Externe Vorrichtungen, die verwendet werden können, um kardiale EGM nicht-invasiv zu erfassen und zu überwachen, schließen tragbare Vorrichtungen mit Elektroden ein, die so konfiguriert sind, dass sie die Haut des Patienten berühren, wie beispielsweise Pflaster, Uhren oder Halsketten. Ein Beispiel eines tragbaren physiologischen Monitors, der dazu konfiguriert ist, um ein kardiales EGM zu erfassen, ist das SEEQ™ Mobile Cardiac Telemetry System, erhältlich von Medtronic plc, Dublin, Irland. Solche externen Vorrichtungen können eine vergleichsweise längerfristige Überwachung von Patienten während normaler täglicher Aktivitäten erleichtern und können periodisch erhobene Daten, beispielsweise Episodendaten für erkannte Arrhythmieepisoden, an ein entferntes Patientenüberwachungssystem, wie beispielsweise das Medtronic Carelink™ Network, übertragen.
  • Implantierbare medizinische Vorrichtungen (IMD) erfassen und überwachen auch kardiale EGM und erkennen Arrhythmieepisoden. Beispielhafte IMD, die kardiales EGM überwachen, schließen Herzschrittmacher und implantierbare Kardioverter-Defibrillatoren ein, die mit intravaskulären oder extravaskulären Sonden gekoppelt werden können, sowie Herzschrittmacher mit Gehäusen, die für die Implantation in das Herz konfiguriert sind, die sondenlos sein können. Einige IMD, die keine Therapie bereitstellen, beispielsweise implantierbare Patientenmonitore, erfassen kardiale EGM. Ein Beispiel einer solchen IMD ist der Reveal LINQ™ Insertable Cardiac Monitor (ICM), erhältlich von Medtronic plc, der subkutan eingeführt werden kann. Solche IMD können eine vergleichsweise längerfristige Überwachung von Patienten während normaler täglicher Aktivitäten erleichtern und können periodisch erhobene Daten, beispielsweise Episodendaten für erkannte Arrhythmieepisoden, an ein entferntes Patientenüberwachungssystem, wie das Medtronic Carelink™ Network, übertragen.
  • Durch das Hochladen von Episodendaten von medizinischen Vorrichtungen und das Verteilen der Episodendaten an verschiedene Benutzer können solche Netzwerkdienste eine zentralisierte oder klinikbasierte Arrhythmie-Episodenüberprüfung, -Annotation und - Berichte unterstützen. Die Episodendaten können einen Hinweis auf die eine oder mehrere Arrhythmien einschließen, die die medizinische Vorrichtung während der Episode erkannt hat. Die Episodendaten können auch Daten einschließen, die von der medizinischen Vorrichtung während eines Zeitraums erhoben wurden, der die Zeit vor und nach dem Zeitpunkt einschließt, zu dem die medizinische Vorrichtung bestimmt hat, dass die eine oder die mehreren Arrhythmien aufgetreten sind. Die Episodendaten können das digitalisierte kardiale EGM während dieses Zeitraums, Herzfrequenzen oder andere Parameter, die aus dem EGM während dieses Zeitraums abgeleitet wurden, und beliebige andere physiologische Parameterdaten einschließen, die während des Zeitraums von der medizinischen Vorrichtung erhoben wurden.
  • 1 ist eine konzeptionelle Zeichnung, die ein Beispiel eines medizinischen Vorrichtungssystems 2 veranschaulicht, das dazu konfiguriert ist, um maschinelle Lernmodelle zur Erkennung von kardialen Depolarisationen und Arrhythmien in Übereinstimmung mit den Techniken der Offenlegung zu verwenden. Die beispielhaften Techniken können mit einer IMD 10 verwendet werden, die eine drahtlose Kommunikation mit einer externen Vorrichtung 12 bereitstellen kann. In einigen Beispielen wird die IMD 10 außerhalb einer Brusthöhle des Patienten 4 implantiert (z. B. subkutan an der in 1 veranschaulichten Position im Brustbereich). Die IMD 10 kann nahe dem Brustbein nahe oder knapp unterhalb der Höhe des Herzens des Patienten 4 positioniert sein, beispielsweise zumindest teilweise innerhalb der Herzsilhouette. Die IMD 10 schließt eine Vielzahl von Elektroden ein (in 1 nicht gezeigt) und ist dazu konfiguriert, um ein kardiales EGM über die Vielzahl von Elektroden zu erfassen. In einigen Beispielen hat die IMD 10 die Form des implantierbaren Herzmonitors (ICM) LINQ™. Obwohl in erster Linie im Kontext von Beispielen beschrieben, in denen die medizinische Vorrichtung, die Episodendaten erhebt, die Form eines ICM annimmt, können die Techniken dieser Offenbarung in Systemen implementiert werden, die eine oder mehrere implantierbare oder externe medizinische Vorrichtungen einschließen, einschließlich Monitoren, Herzschrittmachern oder Defibrillatoren.
  • Die externe Vorrichtung 12 ist eine Computervorrichtung, die für die drahtlose Kommunikation mit der IMD 10 konfiguriert ist. Die externe Vorrichtung 12 kann dazu konfiguriert sein, über das Netzwerk 25 mit dem Computersystem 24 zu kommunizieren. In einigen Beispielen kann die externe Vorrichtung 12 eine Benutzerschnittstelle bereitstellen und es einem Benutzer ermöglichen, mit der IMD 10 zu interagieren. Das Computersystem 24 kann Computervorrichtungen umfassen, die dazu konfiguriert sind, um einem Benutzer die Interaktion mit der IMD 10 oder von der IMD erhobenen Daten über das Netzwerk 25 zu ermöglichen.
  • Die externe Vorrichtung 12 kann verwendet werden, um Daten von der IMD 10 abzurufen, und kann die Daten über das Netzwerk 25 an das Computersystem 24 übertragen. Die abgerufenen Daten können Werte von physiologischen Parametern, die von der IMD 10 gemessen werden, Hinweise auf Arrhythmieepisoden oder andere Krankheiten, die von der IMD 10 erkannt wurden, Episodendaten, die für Episoden erhoben wurden, und andere von der IMD 10 aufgezeichnete physiologische Signale einschließen. Die Episodendaten können von der IMD 10 aufgezeichnete EGM-Segmente einschließen, z. B. weil die IMD 10 bestimmt, dass eine Arrhythmieepisode oder eine andere Krankheit während des Segments oder als Reaktion auf eine Anforderung, das Segment von Patient 4 oder einem anderen Benutzer aufzuzeichnen, aufgetreten ist.
  • In einigen Beispielen schließt das Computersystem 24 eine oder mehrere tragbare Computervorrichtungen, Computer-Workstations, Server oder andere vernetzte Computervorrichtungen ein. In einigen Beispielen kann das Computersystem 24 eine oder mehrere Vorrichtungen einschließen, einschließlich Verarbeitungsschaltungen und Speichervorrichtungen, die ein Überwachungssystem 450 implementieren. In einigen Beispielen können das Computersystem 24, das Netzwerk 25 und das Überwachungssystem 450 durch das Medtronic Carelink™ Network oder ein anderes Patientenüberwachungssystem implementiert werden.
  • Das Netzwerk 25 kann eine oder mehrere Computervorrichtungen (nicht gezeigt) einschließen, wie beispielsweise einen oder mehrere Nicht-Edge-Switches, Router, Hubs, Gateways, Sicherheitsvorrichtungen wie Firewalls, Angriffserkennungs- und/oder Angriffsverhinderungsvorrichtungen, Server, Computerterminals, Laptops, Drucker, Datenbanken, drahtlose mobile Vorrichtungen wie Mobiltelefone oder persönliche digitale Assistenten, drahtlose Zugangspunkte, Bridges, Kabelmodems, Anwendungsbeschleuniger oder andere Netzwerkvorrichtungen. Das Netzwerk 25 kann ein oder mehrere Netzwerke einschließen, die von Dienstanbietern verwaltet werden, und kann somit einen Teil einer groß angelegten öffentlichen Netzwerkinfrastruktur, beispielsweise des Internets, bilden. Das Netzwerk 25 kann Computervorrichtungen wie dem Computersystem 24 und der IMD 10 Zugang zum Internet bereitstellen und kann einen Kommunikationsrahmen bereitstellen, der es den Computervorrichtungen ermöglicht, miteinander zu kommunizieren. In einigen Beispielen kann das Netzwerk 25 ein privates Netzwerk sein, das einen Kommunikationsrahmen bereitstellt, der es dem Computersystem 24, der IMD 10 und/oder der externen Vorrichtung 12 ermöglicht, miteinander zu kommunizieren, der aber aus Sicherheitsgründen das Computersystem 24, die IMD 10 und/oder die externe Vorrichtung 12 von Vorrichtungen außerhalb des Netzwerks 25 isoliert. In einigen Beispielen ist die Kommunikation zwischen dem Computersystem 24, der IMD 10 und der externen Vorrichtung 12 verschlüsselt.
  • Das Überwachungssystem 450, das z. B. durch die Verarbeitungsschaltung des Computersystems 24 implementiert wird, kann die Techniken dieser Offenbarung implementieren, einschließlich des Anwendens von maschinellen Lernmodellen auf Episodendaten zur Erkennung von kardialen Depolarisationen und Arrhythmien. Das Überwachungssystem 450 kann Episodendaten für Episoden von medizinischen Vorrichtungen, einschließlich der IMD 10, empfangen, die die Episodendaten als Reaktion auf ihre Erkennung einer Arrhythmie und/oder eine Benutzereingabe speichern können. Basierend auf der Anwendung von einem oder mehreren maschinellen Lernmodellen zur Arrhythmieklassifikation kann das Überwachungssystem 450 die Wahrscheinlichkeit bestimmen, dass eine oder mehrere Arrhythmien eines oder mehrerer Typen während der Episode aufgetreten sind, einschließlich, in einigen Beispielen, der Arrhythmie, die von der medizinischen Vorrichtung identifiziert wurde, die die Episodendaten gespeichert hat.
  • Das Überwachungssystem 450 kann auch Aktivierungsdaten ableiten und als Kurven aufzeichnen, die auf die Wahrscheinlichkeiten verschiedener Klassifikationen des Arrhythmietyps über den Zeitraum der Episode hinweisen, und ein oder mehrere maschinelle Lernmodelle zur Depolarisationserkennung auf die Episodendaten anwenden, um das Auftreten von Depolarisationen zu identifizieren, z. B. R-Wellen oder QRS-Komplexe während der Episode. Das Überwachungssystem 450 kann, z. B. in Verbindung, eine oder mehrere der Klassifikationen des Arrhythmietyps, Wahrscheinlichkeitskurvenverläufe der Klassifikation des Arrhythmietyps, Marker, die auf die Zeiten identifizierter Depolarisationen hinweisen, und das kardiale EGM für die Episode anzeigen, was die Überprüfung und das Verständnis eines Benutzers der Episodendaten der Klassifikation(en) durch das Überwachungssystem 450 erleichtern kann. Obwohl die Techniken hier so beschrieben sind, dass sie durch das Überwachungssystem 450 und somit durch die Verarbeitungsschaltung des Computersystems 24 ausgeführt werden, können die Techniken durch die Verarbeitungsschaltungen einer oder mehrerer Vorrichtungen oder Systeme eines medizinischen Vorrichtungssystems, wie etwa eines Computersystems 24, einer externen Vorrichtung 12 oder einer IMD 10 ausgeführt werden. Die maschinellen Lernmodelle können als Beispiele einschließen: neuronale Netze, Deep-Learning-Modelle, neuronale Faltungsnetze oder andere Arten von prädiktiven Analysesystemen.
  • 2 ist ein Blockdiagramm, das eine beispielhafte Konfiguration der IMD 10 von 1 veranschaulicht. Wie in 2 gezeigt, schließt die IMD 10 eine Verarbeitungsschaltung 50, eine Erfassungsschaltung 52, eine Kommunikationsschaltung 54, einen Speicher 56, Sensoren 58, einen Schaltkreis 60 und Elektroden 16A, 16B (im Folgenden „Elektroden 16“) ein, von denen eine oder mehrere an einem Gehäuse der IMD 10 angeordnet sein können. In einigen Beispielen schließt der Speicher 56 computerlesbare Anweisungen ein, die bei Ausführung durch die Verarbeitungsschaltung 50 bewirken, dass die IMD 10 und die Verarbeitungsschaltung 50 verschiedene Funktionen ausführen, die hier der IMD 10 und der Verarbeitungsschaltung 50 zugeschrieben werden. Der Speicher 56 kann beliebige flüchtige, nichtflüchtige, magnetische, optische oder elektrische Medien einschließen, wie Speicher mit wahlfreiem Zugriff (RAM), Nur-Lese-Speicher (ROM), nichtflüchtigen RAM (NVRAM), elektrisch löschbare und programmierbare ROM (EEPROM), Flash-Speicher oder beliebige andere digitale Medien.
  • Die Verarbeitungsschaltung 50 kann eine Schaltung mit fester Funktion und/oder eine programmierbare Verarbeitungsschaltung einschließen. Die Verarbeitungsschaltung 50 kann einen Mikroprozessor, eine Steuerung, einen digitalen Signalprozessor (DSP), eine anwendungsspezifische integrierte Schaltung (ASIC), einen feldprogrammierbaren Gate-Array (FPGA) und/oder eine äquivalente diskrete oder analoge Logikschaltung einschließen. In einigen Beispielen kann die Verarbeitungsschaltung 50 mehrfache Komponenten einschließen, wie eine beliebige Kombination aus einem oder mehreren Mikroprozessoren, einer oder mehreren Steuerungen, einem oder mehreren DSP, einem oder mehreren ASIC oder einem oder mehreren FPGA sowie andere diskrete oder integrierte logische Schaltungen. Die hier der Verarbeitungsschaltung 50 zugeschriebenen Funktionen können als Software, Firmware, Hardware oder eine beliebige Kombination davon ausgeführt sein.
  • Die Erfassungsschaltung 52 kann selektiv an die Elektroden 16A, 16B über den Schaltkreis 60 gekoppelt sein, wie durch die Verarbeitungsschaltung 50 gesteuert. Die Erfassungsschaltung 52 kann Signale von den Elektroden 16A, 16B überwachen, um die elektrische Aktivität eines Herzens des Patienten 4 von 1 zu überwachen und kardiale EGM-Daten für Patient 4 zu erzeugen. In einigen Beispielen kann die Verarbeitungsschaltung 50 Merkmale des erfassten kardialen EGM identifizieren, um eine Episode einer Herzrhythmusstörung des Patienten 4 zu erkennen. Die Verarbeitungsschaltung 50 kann das digitalisierte kardiale EGM und Merkmale des EGM, die zum Erkennen der Arrhythmieepisode verwendet werden, im Speicher 56 als Episodendaten für die erkannte Arrhythmieepisode speichern. In einigen Beispielen speichert die Verarbeitungsschaltung 50 ein oder mehrere Segmente der kardialen EGM-Daten, aus den kardialen EGM-Daten abgeleitete Merkmale und andere Episodendaten als Reaktion auf Anweisungen von der externen Vorrichtung 12 (z. B. wenn bei Patient 4 ein oder mehrere Symptome von Arrhythmie auftreten und er einen Befehl in die externe Vorrichtung 12 eingibt, der die IMD 10 anweist, die Daten zur Analyse durch ein Überwachungszentrum oder einen Arzt hochzuladen).
  • In einigen Beispielen überträgt die Verarbeitungsschaltung 50 über die Kommunikationsschaltung 54 die Episodendaten für den Patienten 4 an eine externe Vorrichtung, wie zum Beispiel die externe Vorrichtung 12 aus 1. Zum Beispiel sendet die IMD 10 digitalisierte kardiale EGM- und andere Episodendaten an das Netzwerk 25 zur Verarbeitung durch das Überwachungssystem 450 aus 1.
  • Die Erfassungsschaltung 52 und/oder die Verarbeitungsschaltung 50 können dazu konfiguriert sein, um kardiale Depolarisationen (z. B. P-Wellen von atrialen Depolarisationen oder R-Wellen von ventrikulären Depolarisationen) zu erkennen, wenn die kardiale EGM-Amplitude einen Erfassungsschwellenwert überschreitet. Zur Erkennung der kardialen Depolarisation kann die Erfassungsschaltung 52 in einigen Beispielen einen Gleichrichter, Filter, Verstärker, Komparator und/oder Analog-Digital-Wandler einschließen. In einigen Beispielen kann die Erfassungsschaltung 52 einen Hinweis an die Verarbeitungsschaltung 50 als Reaktion auf das Erfassen einer kardialen Depolarisation ausgeben. Auf diese Weise kann die Verarbeitungsschaltung 50 erkannte kardiale Depolarisationsindikatoren empfangen, die dem Auftreten erkannter R-Wellen und P-Wellen in den jeweiligen Herzkammern entsprechen. Die Verarbeitungsschaltung 50 kann die Hinweise auf erkannte R-Wellen und P-Wellen zum Bestimmen von Merkmalen des kardialen EGM verwenden, einschließlich Interdepolarisationsintervallen, Herzfrequenz und Erkennen von Arrhythmien wie Tachyarrhythmien und Asystolie. Die Erfassungsschaltung 52 kann auch ein oder mehrere digitalisierte kardiale EGM-Signale an die Verarbeitungsschaltung 50 zur Analyse bereitstellen, z. B. zur Verwendung bei der Unterscheidung des Herzrhythmus und/oder zur Identifizierung und Darstellung von Merkmalen des kardialen EGM wie QRS-Amplituden und/oder -Breite oder anderen morphologischen Merkmalen.
  • In einigen Beispielen schließt die IMD 10 einen oder mehrere Sensoren 58, wie einen oder mehrere Beschleunigungsmesser, Mikrofone, optische Sensoren und/oder Drucksensoren ein. In einigen Beispielen kann die Erfassungsschaltung 52 einen oder mehrere Filter und Verstärker zum Filtern und Verstärken von Signalen einschließen, die von einer oder mehreren der Elektroden 16A, 16B und/oder anderen Sensoren 58 empfangen werden. In einigen Beispielen können die Messschaltung 52 und/oder die Verarbeitungsschaltung 50 einen Gleichrichter, Filter und/oder Verstärker, einen Messverstärker, Komparator und/oder Analog-Digital-Wandler einschließen. Die Verarbeitungsschaltung 50 kann Werte von physiologischen Parametern des Patienten 4 auf Grundlage von Signalen von Sensoren 58 bestimmen, die verwendet werden können, um Arrhythmieepisoden zu identifizieren und als Episodendaten im Speicher 56 gespeichert werden.
  • Die Kommunikationsschaltung 54 kann jede geeignete Hardware, Firmware, Software oder eine beliebige Kombination davon einschließen, um mit einer anderen Vorrichtung wie der externen Vorrichtung 12 zu kommunizieren. Unter der Steuerung der Verarbeitungsschaltung 50 kann die Kommunikationsschaltung 54 Downlink-Telemetrie von der externen Vorrichtung 12 oder einer anderen Vorrichtung mit Hilfe einer internen oder externen Antenne, z. B. Antenne 26, empfangen sowie Uplink-Telemetrie an diese senden. In einigen Beispielen kann die Verarbeitungsschaltung 50 mit einer vernetzten Computervorrichtung über eine externe Vorrichtung (z. B. die externe Vorrichtung 12) und ein Computernetzwerk, wie das von Medtronic, plc, Dublin, Irland, entwickelte Medtronic CareLink® Network kommunizieren.
  • Obwohl hier im Kontext der beispielhaften IMD 10 beschrieben, können die hier offenbarten Techniken zur Erkennung von Herzrhythmusstörungen mit anderen Arten von Vorrichtungen verwendet werden. Zum Beispiel können die Techniken mit einem extrakardialen Defibrillator implementiert werden, der mit Elektroden außerhalb des kardiovaskulären Systems gekoppelt ist, einem Transkatheter-Schrittmacher, der zur Implantation in das Herz konfiguriert ist, wie dem Micra™ Transkatheter-Schrittmachersystem, das im Handel von Medtronic PLC, Dublin, Irland, erhältlich ist, einem implantierbaren Herzmonitor wie dem Reveal LINQ™ ICM, auch im Handel von Medtronic PLC erhältlich, einem Neurostimulator, einer Arzneimittelabgabevorrichtung, einer medizinischen Vorrichtung außerhalb des Patienten 4, einer tragbaren Vorrichtung wie einem tragbaren Kardioverter-Defibrillator, einem Fitness-Tracker oder einer anderen tragbaren Vorrichtung, einer mobilen Vorrichtung wie einem Mobiltelefon, einem „intelligenten“ Telefon, einem Laptop, einem Tablet-Computer, einem persönlichen digitalen Assistenten (PDA) oder „intelligenten“ Accessoires wie „Smart Glasses“ (Datenbrille), einem „Smart Patch“ (intelligenten Pflaster) oder einer „Smartwatch“.
  • 3 ist ein konzeptionelles Seitenansichtsdiagramm, das eine beispielhafte Konfiguration der IMD 10 veranschaulicht. In dem in 3 gezeigten Beispiel kann die IMD 10 eine sondenlose, subkutan implantierbare Überwachungsvorrichtung mit einem Gehäuse 14 und eine isolierende Abdeckung 74 einschließen. Elektrode 16A und Elektrode 16B können auf einer Außenfläche der Abdeckung 74 gebildet oder platziert sein. Die Schaltkreise 50-56 und 60, die oben mit Bezug auf 2 beschrieben sind, können auf einer Innenfläche der Abdeckung 74 oder innerhalb des Gehäuses 14 gebildet oder platziert sein. In dem veranschaulichten Beispiel ist die Antenne 26 auf der Innenfläche der Abdeckung 74 gebildet oder platziert, kann jedoch in einigen Beispielen auf der Außenfläche gebildet oder platziert sein. Die Sensoren 58 können in einigen Beispielen auch auf der Innen- oder Außenfläche der Abdeckung 74 gebildet oder platziert sein. In einigen Beispielen kann die isolierende Abdeckung 74 über einem offenen Gehäuse 14 positioniert sein, sodass das Gehäuse 14 und die Abdeckung 74 die Antenne 26, die Sensoren 58 und die Schaltkreise 50-56 und 60 umschließen und die Antenne und Schaltungen vor Flüssigkeiten wie Körperflüssigkeiten schützen.
  • Die Antenne 26, Sensoren 58 und/oder Schaltkreise 50-56 können auf der isolierenden Abdeckung 74 gebildet werden, beispielsweise unter Verwendung der Flip-Chip-Technologie. Die isolierende Abdeckung 74 kann auf ein Gehäuse 14 geklappt werden. Wenn sie umgedreht und auf dem Gehäuse 14 platziert werden, können die Komponenten der IMD 10, die auf der Innenseite der isolierenden Abdeckung 74 gebildet sind, in einem Spalt 76 positioniert werden, der durch das Gehäuse 14 definiert wird. Die Elektroden 16 können durch eine oder mehrere Durchkontaktierungen (nicht gezeigt), die durch die isolierende Abdeckung 74 gebildet sind, elektrisch mit dem Schaltkreis 60 verbunden sein. Die isolierende Abdeckung 74 kann aus Saphir (d. h. Korund), Glas, Parylen und/oder jedem anderen geeigneten isolierenden Material gebildet sein. Das Gehäuse 14 kann aus Titan oder einem anderen geeigneten Material (beispielsweise einem biokompatiblen Material) gebildet sein. Die Elektroden 16 können aus Edelstahl, Titan, Platin, Iridium oder Legierungen davon gebildet sein. Außerdem können die Elektroden 16 mit einem Material wie Titannitrid oder fraktalem Titannitrid beschichtet sein, obwohl auch andere geeignete Materialien und Beschichtungen für solche Elektroden verwendet werden können.
  • 4 ist ein Blockdiagramm, das eine beispielhafte Konfiguration des Computersystems 24 veranschaulicht. In dem veranschaulichten Beispiel schließt das Computersystem 24 eine Verarbeitungsschaltung 402 zum Ausführen von Anwendungen 424 ein, die das Überwachungssystem 450 oder beliebige andere hier beschriebene Anwendungen einschließen. Das Computersystem 24 kann eine beliebige Komponente oder ein beliebiges System sein, das eine Verarbeitungsschaltung oder eine andere geeignete Computerumgebung zum Ausführen von Softwareanweisungen einschließt und zum Beispiel nicht notwendigerweise ein oder mehrere in 4 gezeigte Elemente einschließen muss (z. B. Eingabevorrichtungen 404, Kommunikationsschaltungen 406, Benutzerschnittstellenvorrichtungen 410 oder Ausgabevorrichtungen 412; und in einigen Beispielen sind Komponenten wie die Speichervorrichtung(en) 408 möglicherweise nicht gemeinsam oder im selben Gehäuse wie andere Komponenten positioniert). In einigen Beispielen kann das Computersystem 24 ein Cloud-Computersystem sein, das über eine Vielzahl von Vorrichtungen verteilt ist.
  • Im Beispiel von 4 schließt das Computersystem 24 Verarbeitungsschaltungen 402, eine oder mehrere Eingabevorrichtungen 404, Kommunikationsschaltungen 406, eine oder mehrere Speichervorrichtungen 408, Benutzerschnittstellenvorrichtung(en) 410 und eine oder mehrere Ausgabevorrichtungen 412 ein. Das Computersystem 24 schließt in einigen Beispielen ferner eine oder mehrere Anwendung(en) 424 wie das Überwachungssystem 450 und das Betriebssystem 416 ein, die durch das Computersystem 24 ausführbar sind. Jede der Komponenten 402, 404, 406, 408, 410 und 412 kann (physisch, kommunikativ und/oder im Betrieb) für die Kommunikation zwischen den Komponenten gekoppelt sein. In einigen Beispielen können die Kommunikationskanäle 414 einen Systembus, eine Netzwerkverbindung, eine Interprozesskommunikationsdatenstruktur oder ein beliebiges anderes Verfahren zum Kommunizieren von Daten einschließen. Als ein Beispiel können die Komponenten 402, 404, 406, 408, 410 und 412 durch einen oder mehrere Kommunikationskanäle 414 gekoppelt sein.
  • Die Verarbeitungsschaltung 402 ist in einem Beispiel dazu konfiguriert, Funktionalität zu implementieren und/oder Anweisungen zur Ausführung innerhalb des Computersystems 24 zu verarbeiten. Zum Beispiel kann die Verarbeitungsschaltung 402 in der Lage sein, Anweisungen zu verarbeiten, die in der Speichervorrichtung 408 gespeichert sind. Beispiele für die Verarbeitungsschaltung 402 können einen Mikroprozessor, eine Steuerung, einen digitalen Signalprozessor (DSP), eine anwendungsspezifische integrierte Schaltung (ASIC), einen feldprogrammierbaren Gate-Array (FPGA) und/oder eine äquivalente diskrete oder analoge Logikschaltung einschließen.
  • Eine oder mehrere Speichervorrichtungen 408 können dazu konfiguriert sein, um während des Betriebs Informationen in der Computervorrichtung 400 zu speichern. Die Speichervorrichtung 408 wird in einigen Beispielen als computerlesbares Speichermedium beschrieben. In einigen Beispielen ist die Speichervorrichtung 408 ein temporärer Speicher, was bedeutet, dass ein Hauptzweck der Speichervorrichtung 408 nicht die Langzeitspeicherung ist. Die Speichervorrichtung 408 wird in einigen Beispielen als flüchtiger Speicher beschrieben, was bedeutet, dass die Speichervorrichtung 408 keine gespeicherten Inhalte beibehält, wenn der Computer ausgeschaltet ist. Beispiele für flüchtige Speicher schließen Speicher mit wahlfreiem Zugriff (RAM), dynamische Speicher mit wahlfreiem Zugriff (DRAM), statische Speicher mit wahlfreiem Zugriff (SRAM) und andere Formen von flüchtigen Speichern ein, die in der Technik bekannt sind. In einigen Beispielen wird die Speichervorrichtung 408 verwendet, um Programmanweisungen zur Ausführung durch die Verarbeitungsschaltung 402 zu speichern. Die Speichervorrichtung 408 wird in einem Beispiel von Software oder Anwendungen 424 verwendet, die auf dem Computersystem 24 laufen, um Informationen während der Programmausführung vorübergehend zu speichern.
  • Die Speichervorrichtungen 408 schließen in einigen Beispielen auch ein oder mehrere computerlesbare Speichermedien ein. Die Speichervorrichtungen 408 können dazu konfiguriert sein, um größere Informationsmengen als flüchtige Speicher zu speichern. Die Speichervorrichtungen 408 können ferner für die Langzeitspeicherung von Informationen konfiguriert sein. In einigen Beispielen schließen die Speichervorrichtungen 408 nichtflüchtige Speicherelemente ein. Beispiele für solche nichtflüchtigen Speicherelemente schließen magnetische Festplatten, optische Platten, Disketten, Flash-Speicher oder Formen von elektrisch programmierbaren Speichern (EPROM) oder elektrisch löschbaren und programmierbaren Speichern (EEPROM) ein.
  • Das Computersystem 24 schließt in einigen Beispielen auch eine Kommunikationsschaltung 406 ein, um mit anderen Vorrichtungen und Systemen zu kommunizieren, wie etwa der IMD 10 und der externen Vorrichtung 12 aus 1. Die Kommunikationsschaltung 406 kann eine Netzwerkschnittstellenkarte wie eine Ethernet-Karte, einen optischen Transceiver, einen Hochfrequenz-Transceiver oder jede andere Art von Vorrichtung, die Informationen senden und empfangen kann, einschließen. Andere Beispiele solcher Netzwerkschnittstellen können 3G- und WiFi-Funkvorrichtungen einschließen.
  • Das Computersystem 24 schließt in einem Beispiel auch eine oder mehrere Benutzerschnittstellenvorrichtungen 410 ein. Die Benutzerschnittstellenvorrichtungen 410 sind in einigen Beispielen dazu konfiguriert, um Eingaben von einem Benutzer durch taktiles, Audio- oder Video-Feedback zu empfangen. Beispiele für Benutzerschnittstellenvorrichtungen 410 schließen eine präsenzempfindliche Anzeige, eine Maus, eine Tastatur, ein sprachgesteuertes System, eine Videokamera, ein Mikrofon oder jede andere Art von Vorrichtung zum Erkennen eines Befehls von einem Benutzer ein. In einigen Beispielen schließt eine präsenzempfindliche Anzeige eine berührungsempfindliche Maske ein.
  • Das Computersystem 24 kann auch eine oder mehrere Ausgabevorrichtungen 412 einschließen. Ausgabevorrichtungen 412 sind in einigen Beispielen dazu konfiguriert, um einem Benutzer eine Ausgabe unter Verwendung von taktilen, Audio- oder Videostimuli bereitzustellen. Ausgabevorrichtungen 412 schließen in einem Beispiel eine präsenzempfindliche Anzeige, eine Soundkarte, eine Videografikkarte oder jede andere Art von Vorrichtung zum Umwandeln eines Signals in eine geeignete Form ein, die für Menschen oder Maschinen verständlich ist. Zusätzliche Beispiele für Ausgabevorrichtungen 412 schließen einen Lautsprecher, einen Kathodenstrahlröhren-(CRT)-Monitor, eine Flüssigkristallanzeige (LCD) oder jede andere Art von Vorrichtung ein, die eine verständliche Ausgabe für einen Benutzer erzeugen kann.
  • Das Computersystem 24 kann das Betriebssystem 416 einschließen. Das Betriebssystem 416 steuert in einigen Beispielen den Betrieb von Komponenten des Computersystems 24. Zum Beispiel erleichtert das Betriebssystem 416 in einem Beispiel die Kommunikation einer oder mehrerer Anwendungen 424 und des Überwachungssystems 450 mit der Verarbeitungsschaltung 402, der Kommunikationsschaltung 406, der Speichervorrichtung 408, der Eingabevorrichtung 404, der Benutzerschnittstellenvorrichtung 410 und der Ausgabevorrichtung 412.
  • Die Anwendungen 424 können auch Programmanweisungen und/oder Daten einschließen, die von der Rechenvorrichtung 400 ausführbar sind. Beispielanwendung(en) 424, die von der Rechenvorrichtung 400 ausführbar sind, können das Überwachungssystem 450 einschließen. Andere nicht gezeigte zusätzliche Anwendungen können alternativ oder zusätzlich eingeschlossen sein, um eine andere hier beschriebene Funktionalität bereitzustellen, und sind der Einfachheit halber nicht wiedergegeben.
  • Gemäß den Techniken der Offenbarung empfängt das Computersystem 24 Episodendaten für Episoden, die von medizinischen Vorrichtungen wie der IMD 10 gespeichert sind, über die Kommunikationsschaltung 406. Die Speichervorrichtung 408 kann die Episodendaten für die Episoden in der Speichervorrichtung 408 speichern. Die Episodendaten können von den medizinischen Vorrichtungen als Reaktion darauf, dass die medizinischen Vorrichtungen Arrhythmien erkennen und/oder eine Benutzereingabe die Speicherung von Episodendaten anweist, erhoben worden sein.
  • Das Überwachungssystem 450, wie durch die Verarbeitungsschaltung 402 implementiert, kann die Episoden überprüfen und annotieren und Berichte oder andere Vorstellungen der Episoden nach der Annotation zur Prüfung durch einen Arzt oder einen anderen Prüfer erzeugen. Das Überwachungssystem 450 kann Eingabevorrichtungen 404, Ausgabevorrichtungen 412 und/oder Kommunikationsschaltungen 406 verwenden, um Episodendaten, Klassifikationen des Arrhythmietyps, Kurvenverläufe, identifizierte Depolarisationen und alle anderen hier beschriebenen Informationen für Benutzer anzuzeigen und jegliche Annotationen oder andere Eingaben bezüglich der Episodendaten der Benutzer zu empfangen.
  • Um Episoden zu überprüfen und zu annotieren, kann das Überwachungssystem 450 die Episodendaten als Eingaben für ein oder mehrere ausgewählte maschinelle Lernmodelle anwenden. In dem durch 4 veranschaulichten Beispiel kann das Überwachungssystem 450 Episodendaten auf ein oder mehrere maschinelle Lernmodelle zur Arrhythmieklassifikation 452 und/oder ein oder mehrere Depolarisationserkennungsmodelle 454 anwenden. Die maschinellen Lernmodelle 452 und 454 können als Beispiele neuronale Netze wie etwa tiefe neuronale Netze einschließen, die als Beispiele neuronale Faltungsnetze, mehrschichtige Perzeptren und/oder Echozustandsnetze einschließen können.
  • Die maschinellen Lernmodelle 452 zur Arrhythmieklassifikation können dazu konfiguriert sein, für jede der Vielzahl von Klassifikationen des Arrhythmietyps Werte auszugeben, die auf die Wahrscheinlichkeit hinweisen, dass eine Arrhythmie des Typs zu einem beliebigen Zeitpunkt während der Episode aufgetreten ist. Das Überwachungssystem 450 kann konfigurierbare Schwellenwerte (z. B. 50 %, 75 %, 90 %, 95 %, 99 %) auf die Wahrscheinlichkeitswerte anwenden, um die Episode als einen oder mehrere Arrhythmietypen einschließend zu annotieren, z. B. auf Grundlage der Wahrscheinlichkeit, dass diese Klassifikation die Schwelle erreicht oder überschreitet.
  • In einigen Beispielen werden maschinelle Lernmodelle zur Arrhythmieklassifikation 452 mit Trainingsdaten trainiert, die kardiale EGM- oder andere Episodendaten für eine Vielzahl von Patienten umfassen, die mit beschreibenden Metadaten gekennzeichnet sind. Zum Beispiel verarbeitet das Überwachungssystem 450 während einer Trainingsphase eine Vielzahl von kardialen EGM-Wellenformen. Typischerweise stammt die Vielzahl von kardialen EGM-Wellenformen von einer Vielzahl von unterschiedlichen Patienten, kann aber auch von einem einzigen Patienten stammen. Jede kardiale EGM-Wellenform ist mit einer oder mehreren Arrhythmieepisoden eines oder mehrerer Typen gekennzeichnet.
  • Zum Beispiel kann eine kardiale Trainings-EGM-Wellenform eine Vielzahl von Segmenten einschließen, wobei jedes Segment mit einem Deskriptor gekennzeichnet ist, der das Fehlen einer Arrhythmie oder das Vorhandensein einer Arrhythmie einer besonderen Klassifikation (z. B. Bradykardie, Pause, Tachykardie, Vorhofflimmern, Vorhofflattern, AV-Block oder Kammerflimmern) spezifiziert. In einigen Beispielen kennzeichnet ein Arzt das Vorhandensein von Arrhythmien in jeder kardialen EGM-Wellenform von Hand. In einigen Beispielen wird das Vorhandensein von Arrhythmien in jeder kardialen EGM-Wellenform gemäß der Klassifikation durch einen kardialen EGM-Merkmalsabgrenzungsalgorithmus gekennzeichnet, z.. ähnlich wie bei den von der IMD 10 verwendeten Techniken zur Identifizierung von Arrhythmien auf Grundlage von Geschwindigkeiten, Intervallen und morphologischen Merkmalen, die von dem kardialen EGM abgeleitet werden.
  • Das Überwachungssystem 450 kann so betrieben werden, dass es die Trainingsdaten in Vektoren und mehrdimensionale Arrays umwandelt, auf die das Überwachungssystem 450 mathematische Betriebe anwenden kann, wie beispielsweise lineare algebraische, nichtlineare oder alternative Rechenbetriebe. Das Überwachungssystem 450 verwendet die Trainingsdaten, um dem einen oder den mehreren maschinellen Lernmodellen zur Arrhythmieklassifikation 452 beizubringen, unterschiedliche Merkmale zu gewichten, die in den kardialen EGM-Daten wiedergegeben sind. In einigen Beispielen verwendet das Überwachungssystem 450 die kardialen EGM-Daten, um dem maschinellen Lernmodell beizubringen, unterschiedliche Koeffizienten anzuwenden, die ein oder mehrere Merkmale in einem kardialen EGM als mehr oder weniger wichtig in Bezug auf das Auftreten einer Herzrhythmusstörung einer besonderen Klassifikation charakterisieren. Durch Verarbeiten zahlreicher solcher Wellenformen, die mit Arrhythmieepisoden gekennzeichnet sind, kann das Überwachungssystem 450 ein oder mehrere maschinelle Lernmodelle 452 zur Arrhythmieklassifikation aufbauen und trainieren, um kardiale EGM-Daten von einem Patienten wie dem Patienten 4 aus 1 zu empfangen, die das Überwachungssystem 450 vorher nicht analysiert und verarbeitet hat, und derartige kardiale EGM-Daten verarbeiten, um das Vorhandensein oder Fehlen von Arrhythmietypen unterschiedlicher Klassifikationen bei dem Patienten mit einem hohen Genauigkeitsgrad zu erkennen. Je größer die Menge an kardialen EGM-Daten ist, mit denen das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation 452 trainiert werden, desto höher ist typischerweise die Genauigkeit der maschinellen Lernmodelle beim Erkennen oder Klassifizieren von Herzrhythmusstörungen in neuen kardialen EGM-Daten.
  • Nachdem das Überwachungssystem 450 ein oder mehrere maschinelle Lernmodelle 452 zur Arrhythmieklassifikation trainiert hat, kann das Überwachungssystem 450 Episodendaten wie kardiale Elektrogramm-EGM-Daten für einen besonderen Patienten wie Patient 4 empfangen. Das Überwachungssystem 450 wendet das eine oder die mehreren trainierten maschinellen Lernmodelle 452 zur Arrhythmieklassifikation auf die Episodendaten an, um zu bestimmen, ob zu einem beliebigen Zeitpunkt während der Episode ein oder mehrere Arrhythmietypen aufgetreten sind.
  • In einigen Beispielen kann das Überwachungssystem 450 ein oder mehrere Merkmale der kardialen EGM-Daten anstelle der kardialen EGM-Rohdaten selbst oder zusätzlich zu diesen verarbeiten. Das eine oder die mehreren Merkmale können über die Merkmalsabgrenzung erhalten werden, die von der IMD 10 und/oder dem Überwachungssystem 450 durchgeführt wird. Die Merkmale können z. B. eines oder mehrere von Herzfrequenzen, Interdepolarisationsintervallen, anderen Intervallen zwischen Merkmalen des kardialen EGM, eine oder mehrere Amplituden, Breiten oder morphologische Merkmale der QRS-Welle oder andere Merkmale des kardialen EGM, die Variabilität eines dieser Merkmale, T-Wellen-Alternans oder andere Arten von kardialen Merkmalen einschließen, die hier nicht ausdrücklich beschrieben sind. In solchen beispielhaften Implementierungen kann das Überwachungssystem 450 das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation 452 mittels einer Vielzahl von Arrhythmieepisoden gekennzeichneter kardialer Trainingsmerkmale an Stelle von oder zusätzlich zu der Vielzahl von kardialen EGM-Wellenformen, die mit Arrhythmieepisoden gekennzeichnet sind, wie oben beschrieben trainieren.
  • In weiteren Beispielen kann das Überwachungssystem 450 aus den kardialen EGM-Daten eine Zwischencharakterisierung der kardialen EGM-Daten erzeugen. Zum Beispiel kann das Überwachungssystem 450 eine oder mehrere von Signalverarbeitung, Downsampling, Normalisierung, Signalzerlegung, Wavelet-Zerlegung, Filterung, Rauschunterdrückung oder neuronalen Netzwerk-basierten Merkmalscharakterisierungsbetriebe auf die kardialen Elektrogrammdaten anwenden, um die Zwischencharakterisierung der kardialen Elektrogrammdaten zu erzeugen. Das Überwachungssystem 450 kann eine solche Zwischencharakterisierung der kardialen EGM-Daten verarbeiten, um Arrhythmien verschiedener Typen bei Patient 4 zu erkennen und zu klassifizieren. Außerdem kann das Überwachungssystem 450 das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation 452 mittels einer Vielzahl von Trainingszwischencharakterisierungen, die mit Arrhythmieepisoden gekennzeichnet sind, an Stelle von der Vielzahl von rohen kardialen EGM-Wellenformen, die mit Arrhythmieepisoden gekennzeichnet sind, wie oben beschrieben trainieren. Die Verwendung solcher Zwischencharakterisierungen der kardialen EGM-Daten kann das Training und die Entwicklung leichterer, rechnerisch weniger komplexer maschineller Lernmodelle zur Arrhythmieklassifikation 452 durch das Überwachungssystem 450 ermöglichen. Des Weiteren kann die Verwendung solcher Zwischencharakterisierungen der kardialen Elektrogrammdaten weniger Iterationen und weniger Trainingsdaten für den Aufbau eines genauen maschinellen Lernmodells erfordern, im Gegensatz zur Verwendung von kardialen EGM-Rohdaten, um das maschinelle Lernmodell zu trainieren.
  • In einigen Beispielen kann das Überwachungssystem 450, basierend auf der Anwendung von Episodendaten auf das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation 452 für jede der Klassifikationen des Arrhythmietyps Klassenaktivierungsdaten ableiten, die auf verschiedene Wahrscheinlichkeiten der Klassifikation der Wellenform der Episode über den Zeitraum hinweisen. Für einen gegebenen Arrhythmietyp entspricht die Amplitude solcher Wahrscheinlichkeitswerte zu unterschiedlichen Zeiten der Wahrscheinlichkeit, dass zu diesem Zeitpunkt eine Arrhythmie auftritt, wobei höhere Werte einer höheren Wahrscheinlichkeit entsprechen.
  • Die Klassenaktivierungsabbildung kann es ermöglichen, Bereiche einer Eingabezeitreihe, z. B. von kardialen EGM-Daten, zu identifizieren, die den Grund dafür darstellen, dass der Zeitreihe eine besondere Klassifikation durch das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation 452 vergeben wird. Eine Klassenaktivierungsabbildung für eine gegebene Klassifikation kann eine univariate Zeitreihe sein, bei der jedes Element (z. B. bei jedem Zeitstempel bei der Abtastfrequenz der Eingabezeitreihe) eine gewichtete Summe oder ein anderer Wert sein kann, der aus den Ausgaben einer Zwischenschicht eines neuronalen Netzes oder eines anderen maschinellen Lernmodells abgeleitet wird. Die Zwischenschicht kann eine globale Mittelungsschicht und/oder die letzte Schicht vor den Neuronen der Ausgabeschicht für jede Klassifikation sein.
  • Das Überwachungssystem 450 kann z. B. über die Ausgabevorrichtung(en) 412 und/oder die Kommunikation mit einer anderen Vorrichtung über die Kommunikationsschaltung 406 ein Kurvenschaubild der Aktivierungsdaten über den Zeitraum der Episode anzeigen. In einigen Beispielen kann das Überwachungssystem 450 die Klassenaktivierungsdaten z. B. auf derselben Maske und zur gleichen Zeit wie das eingegebene kardiale EGM und in Verbindung mit diesem anzeigen. Während das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation 452 dazu konfiguriert sein können, um eine Ausgabe bereitzustellen, die auf eine Wahrscheinlichkeit des Auftretens unterschiedlicher Klassifikationen des Arrhythmietyps während der gesamten Episode hinweist, können die Klassenaktivierungsdaten dem Überwachungssystem 450 und/oder einem Benutzer ermöglichen, einen Zeitpunkt während einer Episode und einen Punkt während des kardialen EGM zu identifizieren, zu dem wahrscheinlich eine oder mehrere Arrhythmien eines oder mehrerer Typen aufgetreten sind.
  • Die Nachbearbeitung von Episodendaten, die von der IMD 10 gespeichert werden, kann das Identifizieren des Auftretens von Depolarisationen, z. B. R-Wellen und/oder QRS-Komplexen, innerhalb der kardialen EGM-Daten einschließen. Das Identifizieren von Depolarisationen während der Nachbearbeitung kann sich von demjenigen der IMD 10 während der Erkennung der Episode und Speicherung der Episodendaten unterscheiden, was einen Hinweis auf eine mögliche Fehlklassifikation der Episode durch die IMD 10 liefert. Die Annotation der kardialen EGM-Daten mit Markern für das Auftreten identifizierter Depolarisationen kann auch die Überprüfung der Episodendaten durch einen Benutzer und/oder ein Überwachungssystem 450 erleichtern. Merkmalsabgrenzungstechniken zum Erkennen von Depolarisationen können Filterung der kardialen EGM-Daten, Merkmalsextraktion (z. B. unter Verwendung eines gleichgerichteten Leistungssignals), Peak-Erkennung und Refraktäranalyse oder eine andere weitere Verarbeitung einschließen. Eine solche Merkmalsabgrenzung kann eine Merkmalsentwicklung und die Entwicklung von Erkennungsregeln erfordern.
  • Gemäß den beispielhaften Techniken dieser Offenbarung kann das Überwachungssystem 450 ein oder mehrere maschinelle Lernmodelle zur Depolarisationserkennung 454 auf Episodendaten, z. B. kardiale EGM-Daten, anwenden. Die maschinellen Lernmodelle zur Depolarisationserkennung 454 können dazu konfiguriert sein, einen Satz von Wahrscheinlichkeitswerten für die Depolarisation auszugeben, wobei jeder der Wahrscheinlichkeitswerte für die Depolarisation des Satzes die Wahrscheinlichkeit charakterisiert, dass zu einem jeweiligen Zeitpunkt während des Zeitraums eine Depolarisation aufgetreten ist. Der Satz von Depolarisationswahrscheinlichkeiten kann als Wahrscheinlichkeit im Zeitverlauf ausgedrückt werden, z. B. p(QRS(t)) im Fall der Erkennung von QRS-Komplexen.
  • Das Überwachungssystem 450 kann das eine oder die mehreren maschinellen Lernmodelle zur Depolarisationserkennung 454 unter Verwendung von Trainingssätzen von kardialen EGM-Daten auf ähnliche Weise trainieren wie oben in Bezug auf das Training von maschinellen Lernmodellen zur Arrhythmieklassifikation 452 beschrieben. Die Trainingssätze von kardialen EGM-Daten werden beispielsweise von einem Benutzer und/oder einem Merkmalsabgrenzungsalgorithmus annotiert, um darauf hinzuweisen, welche Teile der kardialen EGM-Daten Depolarisationen sind. Wenn dem Überwachungssystem 450 neue kardiale EGM-Daten präsentiert werden, z. B. aus Episodendaten, die von der IMD 10 des Patienten 4 gespeichert sind, kann es eine oder mehrere Depolarisationen in dem kardialen EGM auf Grundlage der Wahrscheinlichkeitswerte für die Depolarisation identifizieren, die von dem einen oder den mehreren maschinellen Lernmodellen zur Depolarisationserkennung 454 ausgegeben werden. Zum Beispiel kann das Überwachungssystem 450 die Wahrscheinlichkeitswerte für die Depolarisation mit einem konfigurierbaren und/oder adaptiven Schwellenwert vergleichen und eine Depolarisation identifizieren, wenn ein Wahrscheinlichkeitswert für die Depolarisation den Schwellenwert erreicht oder überschreitet. In einigen Beispielen kann das Überwachungssystem 450 die auf einem Wahrscheinlichkeitsschwellenwert basierenden identifizierten Zeitpunkte des Auftretens einer Depolarisation weiter nachverarbeiten. Zum Beispiel kann das Überwachungssystem 450 die identifizierten Zeiten an Peaks der R-Zacke ausrichten, die in der kardialen EGM-Wellenform identifiziert wurden. Als ein weiteres Beispiel kann das Überwachungssystem 450 eine refraktäre Verarbeitung auf die identifizierten Depolarisationszeiten anwenden, z. B. um Zeiten zu eliminieren, die nicht größer als ein Schwellenzeitintervall von einer anderen Kandidatenzeit sind.
  • In einigen Fällen kann es für das Überwachungssystem 450 und das eine oder die mehreren maschinellen Lernmodelle zur Depolarisationserkennung 454 schwierig sein, besondere Depolarisationen in den kardialen EGM-Daten mit hoher Wahrscheinlichkeit zu erkennen, z. B. aufgrund kleinerer Sätze von Trainingsdaten mit Depolarisationsannotationen und/oder des Auftretens von Arrhythmien wie Tachykardie, Pause und Vorhofflimmern, die die Morphologie und Geschwindigkeit der Depolarisationen verändern können. Um die Fähigkeit des Überwachungssystems 450, Depolarisationen zu identifizieren, zu erhöhen, kann das Überwachungssystem 450 Depolarisationen, basierend sowohl auf den Wahrscheinlichkeitswerten für die Depolarisation als auch auf den Wahrscheinlichkeitswerten für den Arrhythmietyp im Zeitverlauf, z. B. den Aktivierungsdaten, identifizieren. Wenn beispielsweise Wahrscheinlichkeitswerte für den Arrhythmietyp auf eine vergleichsweise hohe Wahrscheinlichkeit einer atrialen Tachykardie zu einem Zeitpunkt in den kardialen EGM-Daten hinweisen, kann das Überwachungssystem 450 eine oder mehrere Maßnahmen ergreifen, die zu einer effektiven Erhöhung der Wahrscheinlichkeitswerte für die Depolarisation oder einer Verringerung des Schwellenwerts für die Depolarisationserkennung führen, mit dem die Wahrscheinlichkeitswerte für die Depolarisation zu diesem Zeitpunkt verglichen werden. Solche Maßnahmen können zu einer wirksamen Anpassung der Wahrscheinlichkeit einer Depolarisation an die Wahrscheinlichkeit einer Arrhythmie oder gewisser Arrhythmietypen führen. Wenn beispielsweise ein maschinelles Lernmodell zur Arrhythmieklassifikation 452 eine Wahrscheinlichkeit p1(X(t)) für eine Klassifikation des Arrhythmietyps X in Intervallen, beispielsweise eine Sekunde, während einer Episode bereitstellt, und ein maschinelles Lernmodell zur Depolarisationserkennung 454 eine Wahrscheinlichkeit p2(QRS(t)) bereitstellt, kann die Wahrscheinlichkeit von QRS, wenn die Arrhythmiewahrscheinlichkeit berücksichtigt wird, als p3(QRS(t)|p1 und p2) ausgedrückt werden.
  • 5 ist ein Ablaufdiagramm, das einen beispielhaften Betrieb zum Bereitstellen einer Visualisierung der Wahrscheinlichkeit jeder der Vielzahl von Arrhythmieklassifikationen im Zeitverlauf während einer Episode veranschaulicht. Aus Gründen der Klarheit der Beschreibung werden die Betriebe und Techniken, die in den 5-9 veranschaulicht werden, als durch das Überwachungssystem 450 und somit durch die Verarbeitungsschaltung 402 des Computersystems 24 durchgeführt beschrieben. Nichtsdestotrotz können diese und alle anderen hier beschriebenen Betriebe und Techniken durch Verarbeitungsschaltungen einer oder mehrerer Vorrichtungen des medizinischen Vorrichtungssystems 2 wie der IMD 10, der externen Vorrichtung 12 und der Computervorrichtung 24 durchgeführt werden.
  • Gemäß dem in 5 veranschaulichten Beispiel empfängt das Überwachungssystem 450 Episodendaten, die von der IMD 10 für eine Episode (500) aufgezeichnet wurden. Die Episode ist einem Zeitraum zugeordnet, und die Episodendaten umfassen ein kardiales EGM, das während des Zeitraums von der IMD 10 erfasst wird. Die Episodendaten können andere Signale einschließen, die von der IMD 10 während des Zeitraums erfasst werden, oder Daten, die von dem kardialen EGM oder einem anderen Signal abgeleitet werden.
  • Das Überwachungssystem 450 wendet eine oder mehrere maschinelle Lernmodelle zur Arrhythmieklassifikation 452 auf die Episodendaten, z. B. auf die kardialen EGM-Daten (502), an. Das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation 452 geben einen jeweiligen Wahrscheinlichkeitswert für jede der Vielzahl von Klassifikationen des Arrhythmietyps aus, wobei jeder der Wahrscheinlichkeitswerte die Wahrscheinlichkeit charakterisiert, dass die jeweilige Klassifikation des Arrhythmietyps zu einem beliebigen Zeitpunkt während des Zeitraums aufgetreten ist. Auf Grundlage der Anwendung des einen oder der mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation 452 auf die Episodendaten leitet das Überwachungssystem 450 auch für jede Klassifikation des Arrhythmietyps Klassenaktivierungsdaten ab, die auf verschiedene Wahrscheinlichkeiten der Klassifikation über den Zeitraum (506) hinweisen. Wie hier beschrieben, kann das Überwachungssystem 450 die Aktivierungsdaten aus der Ausgabe einer Zwischenschicht des maschinellen Lernmodells 452 ableiten, wie etwa einer letzten Schicht vor der Klassifikationsschicht und/oder einer globalen Mittelungsschicht.
  • Das Überwachungssystem 450 zeichnet die Aktivierungsdaten für die verschiedenen Klassifikationen des Arrhythmietyps im Zeitverlauf (506) als Kurvenverlauf auf und zeigt einem Benutzer ein Kurvenschaubild der Aktivierungsdaten-Kurvenverläufe (508) an. In einigen Beispielen zeigt das Überwachungssystem 450 den Kurvenverlauf in Verbindung mit dem kardialen EGM für die Episode an, was es einem Benutzer ermöglichen kann, Zeiten vergleichsweise hoher Wahrscheinlichkeit für einen besonderen Arrhythmietyp mit Teilen des kardialen EGM zu korrelieren, die die vergleichsweise hohe Wahrscheinlichkeit verursachen. In einigen Beispielen kann das Überwachungssystem 450 beispielsweise auf Zeitpunkte einer höheren Wahrscheinlichkeit für mindestens eine der Klassifikationen des Arrhythmietyps im Vergleich zu anderen Zeitpunkten des Kurvenverlaufs für die mindestens eine Klassifikation des Arrhythmietyps hinweisen, zum Beispiel durch Annotieren oder Hervorheben. In einigen Beispielen, wenn das Überwachungssystem 450 auf Grundlage der Ausgabe des einen oder der mehreren maschinellen Lernmodelle zur Arrhythmieerkennung 452 darauf hinweist, dass eine Arrhythmie eines besonderen Typs an einem nicht spezifizierten Punkt während einer Episode aufgetreten ist, kann das Überwachungssystem 450 ferner auf Zeiten vergleichsweise höherer Wahrscheinlichkeit für diese Klassifikation des Arrhythmietyps im Kurvenverlauf der Aktivierungsdaten hinweisen, sodass ein Benutzer die Begründung für die Klassifikation durch das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieerkennung 452 verstehen kann, z. B. durch Bezugnahme auf die entsprechenden Teile des kardialen EGM.
  • 6 und 7 sind Diagramme, die beispielhafte Episodenüberprüfungsmasken 600, 700 veranschaulichen, einschließlich einer Visualisierung der Wahrscheinlichkeit jeder der Vielzahl von Arrhythmieklassifikationen im Zeitverlauf während einer Episode. Jede der Masken 600 und 700 zeigt ein jeweiliges kardiales EGM 602, 702 in Verbindung mit einem jeweiligen Kurvenschaubild 604, 704 von Klassifikationsaktivierungsdaten des Arrhythmietyps an. Jedes der Kurvenschaubilder 604 und 704 schließt einen entsprechenden Satz von Kurvenverläufen 606, 706 und eine entsprechende Legende 608, 708 ein. Jeder der Kurvenverläufe 606 und 706 ist ein Kurvenverlauf von Wahrscheinlichkeitswerten im Zeitverlauf für eine entsprechende Klassifikation des Arrhythmietyps. Die Legenden 608 und 708 identifizieren die Klassifikation des Arrhythmietyps für jeden der Kurvenverläufe.
  • Das Kurvenschaubild 604 schließt ferner eine Annotation 610 ein, die Bereiche des Kurvenschaubilds 604 identifiziert, wobei der einer der Klassifikationen des Arrhythmietyps, z. B. Bradykardie, zugeordneter Kurvenverlauf 606 vergleichsweise höhere Wahrscheinlichkeitswerte aufweist, die der Klassifikation der zugordneten Episode als mindestens eine Arrhythmie dieses Typs aufweisend zugeordnet sind. Desgleichen schließt das Kurvenschaubild 704 die Annotationen 710, 712 und 714 ein, von denen jede auf Bereiche des Kurvenschaubilds 704 hinweist, in denen der entsprechende Kurvenverlauf 606, der einer der Klassifikationen des Arrhythmietyps zugeordnet ist, z. B. VES, Vorhofflimmern und Sinustachykardie, vergleichsweise höhere Wahrscheinlichkeitswerte aufweist, die der Klassifikation der zugeordneten Episode als mindestens eine Arrhythmie dieses Typs aufweisend zugeordnet sind. Durch Anzeigen der kardialen EGM 602, 702, der Kurvenschaubilder 604, 704 und der Annotationen 610, 710, 712 und 714 in Verbindung mit den Masken 600, 700 kann es das Überwachungssystem 450 einem Benutzer ermöglichen, die Arrhythmie-Erkennungen und -Klassifikationen, die durch das Überwachungssystem 450 für die Episode vorgenommen wurden, leichter zu überprüfen, zu verstehen und zu bestätigen (oder abzulehnen).
  • Durch die Anzeige der kardialen EGM 602, 702, der Kurvenschaubilder 604, 704 und der Annotationen 610, 710, 712 und 714 in Verbindung mit den Masken 600, 700 kann es das Überwachungssystem 450 einem Benutzer ermöglichen, schnell Teile der kardialen EGM zu identifizieren, auf die er sich bei der Überprüfung der Episode konzentrieren sollte, um das Vorhandensein oder Fehlen von Arrhythmien zu identifizieren/zu bestätigen. In einigen Beispielen kann das Überwachungssystem 450 die Aktivierungsdaten auch dazu verwenden, die Identifizierung von Segmenten von Episodendaten aus einer Episode, z. B. von Segmenten des kardialen EGM, zu automatisieren, um sie in einen von einem Benutzer zu überprüfenden Bericht einzuschließen. In einigen Fällen sind Episoden von längerer Dauer (z. B. eine Minute) und können mehrfache Arrhythmien zu unterschiedlichen Zeiten während der Episode enthalten. Während aus solchen Episoden erzeugte Berichte eine Vorstellung des gesamten für die Episode gespeicherten kardialen EGM einschließen können, können solche Berichte zusätzlich oder alternativ charakterisierende Segmente einschließen, wobei jedes Segment eine Vielzahl aufeinanderfolgender Sekunden von kardialen EGM-Daten einschließen kann.
  • Das Überwachungssystem 450 kann einen oder mehrere Zeitpunkte (in der Episodendauer) identifizieren, zu denen die Aktivierungsdaten für einen besonderen Arrhythmietyp am höchsten sind und/oder einen Schwellenwert überschreiten. Das Überwachungssystem 450 kann auf Grundlage der identifizierten Zeiten Segmente des kardialen EGM auswählen, um sie einem Benutzer als für den Grund der Erkennung dieses Arrhythmietyps als charakteristisch vorzustellen. Unter Bezugnahme auf 7 tritt der höchste Wahrscheinlichkeitswert für die VES-Klassenaktivierungsabbildung am Spike etwa 18 Sekunden nach Beginn der Episode auf. Das Überwachungssystem 450 kann ein 6-Sekunden-Segment des kardialen EGM 15 Sekunden bis 21 Sekunden lang vorstellen, beispielsweise wenn es erforderlich ist, über ein charakteristisches VES-Segment für diese Episode zu berichten.
  • 8 ist ein Ablaufdiagramm, das einen beispielhaften Betrieb zum Identifizieren von Depolarisationen während einer Episode, basierend sowohl auf der Arrhythmieklassifikation als auch auf Depolarisationswahrscheinlichkeiten veranschaulicht. Gemäß dem in 8 veranschaulichten Beispiel empfängt das Überwachungssystem 450 Episodendaten, die von der IMD 10 für eine Episode aufgezeichnet wurden (800). Die Episode ist einem Zeitraum zugeordnet, und die Episodendaten umfassen ein kardiales EGM, das während des Zeitraums von der IMD 10 erfasst wird. Die Episodendaten können andere Signale einschließen, die von der IMD 10 während des Zeitraums erfasst werden, oder Daten, die von dem kardialen EGM oder einem anderen Signal abgeleitet werden.
  • Das Überwachungssystem 450 wendet eine oder mehrere maschinelle Lernmodelle zur Arrhythmieklassifikation 452 auf die Episodendaten, z. B. auf die kardialen EGM-Daten (802), an. Das Überwachungssystem 450 kann auch für jede Klassifikation des Arrhythmietyps Klassenaktivierungsdaten ableiten, die auf verschiedene Wahrscheinlichkeiten der Klassifikation über den Zeitraum hinweisen. Das Überwachungssystem 450 wendet auch ein oder mehrere maschinelle Lernmodelle zur Depolarisationserkennung 454 auf die Episodendaten an, wobei das eine oder die mehreren maschinellen Lernmodelle zur Depolarisationserkennung 454 dazu konfiguriert sind, um einen Satz von Wahrscheinlichkeitswerten für die Depolarisation auszugeben, wobei jeder der Wahrscheinlichkeitswerte für die Depolarisation des Satzes die Wahrscheinlichkeit charakterisiert, dass zu einem entsprechenden Zeitpunkt während des Zeitraums (804) eine Depolarisation aufgetreten ist. Das Überwachungssystem 450 identifiziert eine oder mehrere Depolarisationen während der Episode auf Grundlage von Wahrscheinlichkeitswerten für den Arrhythmietyp und Wahrscheinlichkeitswerten für die Depolarisation (806).
  • Das Überwachungssystem 450 kann die Wahrscheinlichkeitswerte für den Arrhythmietyp verwenden, um Depolarisationen auf verschiedene Weisen zu identifizieren. Zum Beispiel kann das Überwachungssystem die Wahrscheinlichkeitswerte für den Zeitreihen-Arrhythmietyp, z. B. die Aktivierungsdaten, wie beispielsweise durch die in 7 veranschaulichten Aktivierungsdatenkurvenverläufe 606 und 706 veranschaulicht, als Eingaben in das eine oder die mehreren maschinellen Lernmodelle zur Depolarisationserkennung 454 zusammen mit den Episodendaten, z. B. kardialen EGM-Daten, anwenden. Das eine oder die mehreren maschinellen Lernmodelle zur Depolarisationserkennung 454 können trainiert werden, um die Depolarisationswahrscheinlichkeiten zu einem gegebenen Zeitpunkt der Episode auf Grundlage sowohl der kardialen EGM-Eingabe als auch der Wahrscheinlichkeitswerte für eine oder mehrere Klassifikationen des Arrhythmietyps zu bestimmen. In einigen Beispielen werden Wahrscheinlichkeitswerte für gewisse Klassifikationen des Arrhythmietyps als Eingaben in das eine oder die mehreren maschinellen Lernmodelle zur Depolarisationserkennung 454 ausgewählt, und nicht alle Klassifikationen des Arrhythmietyps, für die das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieerkennung 452 Wahrscheinlichkeitswerte ausgeben.
  • In einigen Beispielen kann das Überwachungssystem 450 heuristische Regeln auf die Wahrscheinlichkeitswerte für die Klassifikation des Arrhythmietyps für eine oder mehrere, z. B. ausgewählte, Klassifikationen des Arrhythmietyps anwenden. Auf Grundlage der Regeln und Wahrscheinlichkeitswerte für die Klassifikation des Arrhythmietyps zu gewissen Zeiten während der Episode kann das Überwachungssystem 450 die Wahrscheinlichkeitswerte für die Depolarisation, die von dem einen oder den mehreren Depolarisationserkennungsmodellen 454 zu gewissen Zeiten während der Episode bereitgestellt werden, modifizieren, z. B. erhöhen oder verringern. Zusätzlich oder alternativ kann das Überwachungssystem 450 auf Grundlage der Regeln und Wahrscheinlichkeitswerte für die Klassifikation des Arrhythmietyps zu gewissen Zeiten während der Episode auf ähnliche Weise den Wahrscheinlichkeitsschwellenwert für die Depolarisation modifizieren, mit dem das Überwachungssystem Wahrscheinlichkeitswerte für die Depolarisation von gewissen Zeiten während der Episode vergleicht. Die Modifikation der Wahrscheinlichkeitswerte für die Depolarisation und/oder des Wahrscheinlichkeitsschwellenwerts für die Depolarisation kann in jedem Fall zur Erkennung einer Depolarisation durch das Überwachungssystem 450 führen, die ansonsten nicht erkannt worden wäre. Die heuristischen Regeln können zum Modifizieren der Wahrscheinlichkeitswerte für die Depolarisation und/oder des Wahrscheinlichkeitsschwellenwerts für die Depolarisation zu dem Zeitpunkt oder zu einem besonderen Zeitpunkt nach dem Zeitpunkt einer vergleichsweise hohen Wahrscheinlichkeit einer Arrhythmie eines gewissen Typs auf Grundlage eines Verständnisses des Zeitpunkts von Depolarisationen während einer Arrhythmie dieses Typs konfiguriert sein. Zum Beispiel können die heuristischen Regeln zum Modifizieren der Wahrscheinlichkeitswerte für die Depolarisation und/oder des Wahrscheinlichkeitsschwellenwerts für die Depolarisation zu einem besonderen Zeitpunkt nach dem Zeitpunkt einer vergleichsweise hohen Wahrscheinlichkeit einer Tachyarrhythmie auf Grundlage einer typischen Depolarisationsgeschwindigkeit oder einem Interdepolarisationsintervall für die Tachyarrhythmie konfiguriert sein.
  • 9 ist ein konzeptionelles Diagramm, das beispielhafte Techniken zum Identifizieren von Depolarisationen während einer Episode, basierend sowohl auf der Arrhythmieklassifikation als auch auf Depolarisationswahrscheinlichkeiten, veranschaulicht. Insbesondere 9 veranschaulicht ein kardiales Elektrogramm 900, einschließlich Depolarisationen 902A-902C (insgesamt „Depolarisationen 902“). 9 veranschaulicht auch einen Kurvenverlauf 904 eines Wahrscheinlichkeitswerts für die Depolarisation. Der Kurvenverlauf des Wahrscheinlichkeitswerts für die Depolarisation 904 schließt die Bereiche 906A-906C (insgesamt „Bereiche 906“) ein, welche vergleichsweise höhere Wahrscheinlichkeitswerte für die Depolarisation aufweisen und zeitlich den Depolarisationen 902 entsprechen. Ein Wahrscheinlichkeitsschwellenwert für die Depolarisation 908 ist ebenfalls veranschaulicht. Die Wahrscheinlichkeitswerte für die Depolarisation des Kurvenverlaufs 904 im Bereich 906B überschreiten nicht den Wahrscheinlichkeitsschwellenwert für die Depolarisation 908. Folglich würde das Überwachungssystem 450 die Depolarisation 902B nicht erkennen.
  • 9 veranschaulicht auch einen Kurvenverlauf von Wahrscheinlichkeitswerten für die Arrhythmieklassifikation 910 für eine Tachyarrhythmie im Vergleich zu einer Baseline 912 und einem Schwellenwert 914. Der Schwellenwert 914 kann durch die heuristischen Regeln festgelegt werden, die vom Überwachungssystem 450 angewendet werden. Wie in 9 veranschaulicht, überschreiten die Wahrscheinlichkeitswerte 910 für die Arrhythmieklassifikation den Schwellenwert 914 zum Zeitpunkt 916.
  • 9 veranschaulicht auch einen Kurvenverlauf des Wahrscheinlichkeitswerts für die Depolarisation 920, einschließlich von Bereichen 922A-922C (insgesamt „Bereiche 922“), die vergleichsweise höheren Wahrscheinlichkeitswerten für die Depolarisation aufweisen und zeitlich den Depolarisationen 902 entsprechen. Die Bereiche 922A und 922C sind dieselben wie die Bereiche 906A und 906C, d. h. sie wurden nicht durch das Überwachungssystem 450 auf Grundlage der Wahrscheinlichkeitswerte für die Arrhythmieklassifikation 910 und heuristischen Regeln modifiziert. Auf Grundlage der Wahrscheinlichkeitswerte 910 für die Arrhythmieklassifikation und der heuristischen Regeln hat das Überwachungssystem 450 jedoch den Bereich 922B im Vergleich zum Bereich 906B vergrößert, basierend darauf, dass die Wahrscheinlichkeitswerte 910 für die Arrhythmieklassifikation den Schwellenwert 908 überschreiten. Folglich kann das Überwachungssystem 450 eine Depolarisation 902B erkennen.
  • Zusätzlich zur Verwendung der Wahrscheinlichkeitsdaten für die Depolarisation und Arrhythmie zum Identifizieren von Depolarisationen innerhalb einer Episode unter Verwendung der hier beschriebenen Techniken, z. B. in Bezug auf 8 und 9, kann das Überwachungssystem 450 die Wahrscheinlichkeitsdaten für die Depolarisation und Arrhythmien verwenden, um einen Depolarisationstyp für Depolarisationen innerhalb der Episode zu bestimmen. Depolarisationstypen können beispielweise normale Kontraktionen, ventrikuläre Extrasystolen, atriale Extrasystolen und Artefakte/Rauschen einschließen. Das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation 452, die vom Überwachungssystem zum Klassifizieren der Episode verwendet werden, können dazu konfiguriert sein, um die Episode, unter anderen Klassifikationen, als ventrikuläre Extrasystole, atriale Extrasystole und Artefakt/Rauschen zu klassifizieren. Folglich kann das Überwachungssystem 450 so konfiguriert sein, dass es im Zeitverlauf Klassenaktivierungswerte für ventrikuläre Extrasystolen, atriale Extrasystolen und Artefakte/Rauschen als Klassifikationen ableitet. Das Überwachungssystem 450 kann ferner unter Verwendung der Klassenaktivierungsdaten für diese Arrhythmietypen bestimmen, welchen Typs der Vielzahl von Typen, beispielsweise normale Kontraktion, ventrikuläre Extrasystole, atriale Extrasystole und Artefakt/Rauschen, die Depolarisationen sind.
  • In einigen Beispielen kann das Überwachungssystem 450 Depolarisationen, die auftreten, wenn die Wahrscheinlichkeitswerte für die Rausch-/Artefaktklassifikation den Schwellenwert erreichen (z. B. überschreiten), als Artefakt/Rauschen kennzeichnen. Das Überwachungssystem 450 kann Interdepolarisationsintervalle für die verbleibenden Depolarisationen (z. B. Nicht-Artefakt/Rauschen) während der Episode berücksichtigen und bestimmen, ob diese verbleibenden Depolarisationen, basierend darauf, ob ihre Interdepolarisationsintervalle (z. B. RR-Intervallen) einen Schwellenwert erreichen (z. B. kleiner sind) „verfrüht“ sind. Der Schwellenwert für das Interdepolarisationsintervall kann, basierend auf einem Mittelwert oder Median von Interdepolarisationsintervallen während der Episode bestimmt werden, z. B. kann der Schwellenwert ein Bruchteil oder Prozentsatz des mittleren oder medianen Interdepolarisationsintervalls während der Episode sein. Das Überwachungssystem 450 kann eine vorzeitige Depolarisation als eine ventrikuläre Extrasystole oder eine atriale Extrasystole auf Grundlage der Wahrscheinlichkeitswerte kennzeichnen, die zeitlich der vorzeitigen Depolarisation entsprechen, die einen Schwellenwert erreicht (z. B. überschreitet). Das Überwachungssystem 450 kann Depolarisationen, die während der Episode identifiziert wurden, aber nicht als eine von ventrikulärer Extrasystole, atrialer Extrasystole oder Artefakt/Rauschen bestimmt wurden, als normal kennzeichnen.
  • In einigen Beispielen schließen die Techniken der Offenbarung ein System ein, das Mittel umfasst, um ein beliebiges hier beschriebenes Verfahren durchzuführen. In einigen Beispielen schließen die Techniken der Offenbarung ein computerlesbares Medium ein, umfassend Anweisungen, die eine Verarbeitungsschaltung veranlassen, ein beliebiges hier beschriebenes Verfahren durchzuführen.
  • Es versteht sich, dass unterschiedliche hier offenbarte Aspekte in anderen Kombinationen als den Kombinationen, die speziell in der Beschreibung und den beigefügten Zeichnungen vorgestellt sind, kombiniert werden können. Es versteht sich auch, dass je nach Beispiel gewisse Aktionen oder Ereignisse eines der hier beschriebenen Prozesse oder Verfahren in einer unterschiedlichen Reihenfolge durchgeführt, hinzugefügt, zusammengeführt oder ganz weggelassen werden können (z. B. sind möglicherweise nicht alle beschriebenen Aktionen oder Ereignisse erforderlich, um die Techniken umzusetzen). Während gewisse Aspekte dieser Offenbarung aus Gründen der Klarheit als von einem einzelnen Modul, einer einzelnen Einheit oder einer einzelnen Schaltung durchgeführt beschrieben sind, versteht sich, dass die Techniken dieser Offenbarung von einer Kombination aus Einheiten, Modulen oder Schaltungen durchgeführt werden können, die beispielsweise einer medizinischen Vorrichtung zugeordnet sind.
  • In einem oder mehreren Beispielen können die beschriebenen Techniken in Hardware, Software, Firmware oder einer beliebigen Kombination davon implementiert werden. Bei einer Implementierung in Software können die Funktionen als eine oder mehrere Anweisungen oder Codes auf einem computerlesbaren Medium gespeichert und von einer hardwarebasierten Verarbeitungseinheit ausgeführt werden. Computerlesbare Medien können nichtflüchtige computerlesbare Medien einschließen, die einem materiellen Medium wie Datenspeichermedien entsprechen (z. B. RAM, ROM, EEPROM, Flash-Speicher oder jedem anderen Medium, das zum Speichern des gewünschten Programmcodes in Form von Anweisungen oder Datenstrukturen verwendet werden kann und auf die von einem Computer zugegriffen werden kann).
  • Anweisungen können von einem oder mehreren Prozessoren ausgeführt werden, wie beispielsweise einem oder mehreren digitalen Signalprozessoren (DSP), Allzweck-Mikroprozessoren, anwendungsspezifischen integrierten Schaltkreisen (ASIC), feldprogrammierbaren Logikarrays (FPGA) oder anderen äquivalenten integrierten oder einzelnen Logikschaltkreisen. Dementsprechend kann sich der Begriff „Prozessor“ oder „Verarbeitungsschaltung“, wie er hier verwendet wird, auf jede der vorstehenden Strukturen oder jede andere physische Struktur beziehen, die für die Implementierung der beschriebenen Techniken geeignet ist. Außerdem könnten die Techniken vollständig in einem oder mehreren Schaltkreisen oder Logikelementen implementiert werden.
  • Die folgenden Beispiele veranschaulichen die hier beschriebenen Techniken.
  • Beispiel 1: Computerimplementiertes Verfahren, umfassend: Empfangen von Episodendaten für eine Episode, die von einer medizinischen Vorrichtung eines Patienten gespeichert ist, durch Verarbeitungsschaltungen eines medizinischen Vorrichtungssystems, wobei die Episode einem Zeitraum zugeordnet ist und die Episodendaten ein kardiales Elektrogramm umfassen, das von der medizinischen Vorrichtung während des Zeitraums erfasst wird; Anwenden eines oder mehrerer maschineller Lernmodelle auf die Episodendaten durch die Verarbeitungsschaltung, wobei das eine oder die mehreren maschinellen Lernmodelle dazu konfiguriert sind, um einen jeweiligen Wahrscheinlichkeitswert für jede der Vielzahl von Klassifikationen des Arrhythmietyps auszugeben, wobei jeder der Wahrscheinlichkeitswerte eine Wahrscheinlichkeit charakterisiert, dass die jeweilige Klassifikation des Arrhythmietyps zu einem beliebigen Zeitpunkt während des Zeitraums aufgetreten ist; auf Grundlage der Anwendung des einen oder der mehreren maschinellen Lernmodelle auf die Episodendaten, Ableiten von Klassenaktivierungsdaten durch die Verarbeitungsschaltung und für jede der Klassifikationen des Arrhythmietyps, die auf verschiedene Wahrscheinlichkeiten der Klassifikation über den Zeitraum hinweisen, und Anzeigen eines Kurvenschaubilds der verschiedenen Wahrscheinlichkeiten der Klassifikationen des Arrhythmietyps über den Zeitraum durch die Verarbeitungsschaltung und für einen Benutzer.
  • Beispiel 2: Verfahren nach Beispiel 1, wobei das Anzeigen des Kurvenschaubilds das Anzeigen des Kurvenschaubilds in Verbindung mit dem kardialen Elektrogramm umfasst.
  • Beispiel 3: Verfahren nach Beispiel 1 oder 2, ferner umfassend das Hinweisen auf mindestens einen Zeitpunkt einer höheren Wahrscheinlichkeit für mindestens eine der Klassifikationen des Arrhythmietyps in dem Kurvenschaubild durch die Verarbeitungsschaltung im Vergleich zu anderen Zeitpunkten des Kurvenschaubilds für die mindestens eine Klassifikation des Arrhythmietyps.
  • Beispiel 4: Verfahren nach Beispiel 3, ferner umfassend das Hinweisen durch die Verarbeitungsschaltung und auf Grundlage der Ausgabe des einen oder der mehreren maschinelle Lernmodelle darauf, dass die mindestens eine Klassifikation des Arrhythmietyps zu einem beliebigen Zeitpunkt während des Zeitraums aufgetreten ist, wobei das Hinweisen auf mindestens einem Zeitpunkt der höheren Wahrscheinlichkeit für die mindestens eine Klassifikation des Arrhythmietyps in dem Kurvenschaubild das Hinweisen auf mindestens einen Zeitpunkt der höheren Wahrscheinlichkeit für die mindestens eine Klassifikation des Arrhythmietyps in dem Kurvenschaubild als Reaktion auf das Hinweisen darauf, dass die mindestens eine Klassifikation des Arrhythmietyps zu einem beliebigen Zeitpunkt während des Zeitraums aufgetreten ist, umfasst.
  • Beispiel 5: Verfahren nach einem der Beispiele 1 bis 4, wobei die Vielzahl der Klassifikationen des Arrhythmietyps eine Vielzahl von Bradykardie, Pause, ventrikulärer Tachykardie, Kammerflimmern, supraventrikulärer Tachykardie, Vorhofflimmern, Vorhofflattern, Sinustachykardie, ventrikulärer Extrasystole, atrialer Extrasystole, Breitkomplextachykardie und atrioventrikulärem Block einschließt.
  • Beispiel 6: Verfahren nach einem der Beispiele 1 bis 5, wobei jedes des einen oder der mehreren maschinellen Lernmodelle eine Vielzahl von Schichten umfasst und wobei das Ableiten der Aktivierungsdaten das Ableiten der Aktivierungsschicht von einer Ausgabe einer Zwischenschicht der Vielzahl von Schichten umfasst.
  • Beispiel 7: Verfahren nach Beispiel 6, wobei die Zwischenschicht eine globale Mittelungsschicht umfasst.
  • Beispiel 8: Verfahren nach einem der Beispiele 1 bis 7, ferner umfassend: Auswählen eines Segments aus dem kardialen Elektrogramm auf Grundlage der Klassenaktivierungsdaten; und Anzeigen des ausgewählten Segments des kardialen Elektrogramms.
  • Beispiel 9: Verfahren nach Beispiel 8, wobei das Auswählen des Segments umfasst: Identifizieren einer Zeit während der Episode auf Grundlage von Klassenaktivierungsdaten für eine der Klassifikationen des Arrhythmietyps; und Auswählen eines Segments des kardialen Elektrogramms, das die identifizierte Zeit einschließt.
  • Beispiel 10: Computerimplementiertes Verfahren, umfassend: Empfangen von Episodendaten für eine Episode, die von einer medizinischen Vorrichtung eines Patienten gespeichert ist, durch Verarbeitungsschaltungen eines medizinischen Vorrichtungssystems, wobei die Episode einem Zeitraum zugeordnet ist und die Episodendaten ein kardiales Elektrogramm umfassen, das von der medizinischen Vorrichtung während des Zeitraums erfasst wird, Anwenden eines oder mehrerer maschineller Lernmodelle zur Arrhythmieklassifikation auf die Episodendaten durch die Verarbeitungsschaltung, wobei das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation dazu konfiguriert sind, für jeden der Vielzahl von Klassifikationen des Arrhythmietyps einen jeweiligen Satz von Wahrscheinlichkeitswerten auszugeben, wobei jeder der Wahrscheinlichkeitswerte für den Arrhythmietyp des Satzes eine Wahrscheinlichkeit charakterisiert, dass die jeweilige Klassifikation des Arrhythmietyps zu einem jeweiligen Zeitpunkt während des Zeitraums aufgetreten ist; Anwenden des einen oder der mehreren maschinellen Lernmodelle zur Depolarisationserkennung auf die Episodendaten durch die Verarbeitungsschaltung, wobei die eine oder mehreren maschinellen Lernmodelle zur Depolarisationserkennung dazu konfiguriert sind, um einen Satz von Wahrscheinlichkeitswerten für die Depolarisation auszugeben, wobei jeder der Wahrscheinlichkeitswerte für die Depolarisation des Satzes eine Wahrscheinlichkeit charakterisiert, dass eine Depolarisation zu einem jeweiligen Zeitpunkt während des Zeitraums aufgetreten ist; und Identifizieren einer oder mehrerer Depolarisationen während der Episode durch die Verarbeitungsschaltung auf Grundlage der Wahrscheinlichkeitswerte für den Arrhythmietyp und der Wahrscheinlichkeitswerte für die Depolarisation.
  • Beispiel 11: Verfahren nach Beispiel 10, wobei jedes des einen oder der mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation eine Vielzahl von Schichten umfasst, wobei das Verfahren ferner das Ableiten der Sätze von Wahrscheinlichkeitswerten für den Arrhythmietyp von einer Ausgabe einer Zwischenschicht der Vielzahl von Schichten durch die Verarbeitungsschaltung umfasst.
  • Beispiel 12: Verfahren nach Beispiel 11, wobei die Zwischenschicht eine globale Mittelungsschicht umfasst.
  • Beispiel 13: Verfahren nach einem der Beispiele 10 bis 12, wobei das Anwenden des einen oder der mehreren maschinellen Lernmodelle zur Depolarisationserkennung auf die Episodendaten und das Identifizieren einer oder mehrerer Depolarisationen auf Grundlage der Wahrscheinlichkeitswerte für den Arrhythmietyp und der Wahrscheinlichkeitswerte für die Depolarisation das Anwenden des einen oder der mehreren maschinellen Lernmodelle zur Depolarisationserkennung auf die Episodendaten und die Wahrscheinlichkeitswerte für den Arrhythmietyp umfasst.
  • Beispiel 14: Verfahren nach einem der Beispiele 10 bis 13, wobei das Identifizieren einer oder mehrerer Depolarisationen auf Grundlage der Wahrscheinlichkeitswerte für den Arrhythmietyp und der Wahrscheinlichkeitswerte für die Depolarisation umfasst: Modifizieren eines oder mehrerer der Wahrscheinlichkeitswerte für die Depolarisation auf Grundlage eines oder mehrerer Wahrscheinlichkeitswerte für den Arrhythmietyp; und Identifizieren der einen oder mehreren Depolarisationen auf Grundlage des einen oder der mehreren modifizierten Wahrscheinlichkeitswerte für die Depolarisation.
  • Beispiel 15: Verfahren nach einem der Beispiele 10 bis 14, wobei das Identifizieren einer oder mehrerer Depolarisationen auf Grundlage der Wahrscheinlichkeitswerte für den Arrhythmietyp und der Wahrscheinlichkeitswerte für die Depolarisation umfasst: Modifizieren eines Wahrscheinlichkeitsschwellenwerts für die Depolarisation auf Grundlage eines oder mehrerer Wahrscheinlichkeitswerte für den Arrhythmietyp; Vergleichen der Wahrscheinlichkeitswerte für die Depolarisation mit dem modifizierten Wahrscheinlichkeitsschwellenwert für die Depolarisation; und Identifizieren der einen oder mehreren Depolarisationen auf Grundlage des Vergleichs.
  • Beispiel 16: Verfahren nach einem der Beispiele 10 bis 15, wobei die Depolarisationen mindestens R-Wellen oder QRS-Komplexe umfassen.
  • Beispiel 17: Verfahren nach einem der Beispiele 10 bis 16, ferner umfassend das Kennzeichnen jeder der einen oder mehreren identifizierten Depolarisationen als einen einer Vielzahl von Depolarisationstypen auf Grundlage der Wahrscheinlichkeitswerte für den Arrhythmietyp.
  • Beispiel 18: Verfahren nach Beispiel 17, wobei die Vielzahl von Depolarisationstypen eine Vielzahl von normalen Kontraktionen, ventrikulären Extrasystolen, atrialen Extrasystolen, Rauschen oder Artefakten einschließt.
  • Beispiel 19: Medizinisches Vorrichtungssystem, umfassend eine medizinische Vorrichtung, die dazu konfiguriert ist, um: ein kardiales Elektrogramm eines Patienten mittels einer Vielzahl von Elektroden zu erfassen; und Episodendaten für eine Episode zu speichern, wobei die Episode einem Zeitraum zugeordnet ist und die Episodendaten das kardiale Elektrogramm umfassen, das von der medizinischen Vorrichtung während des Zeitraums erfasst wurde. Das medizinische Vorrichtungssystem umfasst ferner eine Verarbeitungsschaltung, die dazu konfiguriert ist, die Verfahren eines der Beispiele 1 bis 18 durchzuführen.
  • Beispiel 20: Medizinisches Vorrichtungssystem nach Beispiel 19, wobei die Verarbeitungsschaltung eine Verarbeitungsschaltung einer Computervorrichtung umfasst.
  • Beispiel 21: Medizinisches Vorrichtungssystem nach Beispiel 19 oder 20, wobei die medizinische Vorrichtung implantierbar ist.
  • Beispiel 22: Nichtflüchtiges computerlesbares Medium, das Anweisungen umfasst, die, wenn sie durch eine Verarbeitungsschaltung eines Computersystems ausgeführt werden, das Computersystem veranlassen, das Verfahren eines der Beispiele 1 bis 18 durchzuführen.
  • Verschiedene Beispiele wurden beschrieben. Diese und andere Beispiele liegen im Umfang der folgenden Ansprüche.

Claims (15)

  1. Medizinisches Vorrichtungssystem, umfassend: eine medizinische Vorrichtung, die dazu konfiguriert ist, um: ein kardiales Elektrogramm eines Patienten über eine Vielzahl von Elektroden zu erfassen, und Episodendaten für eine Episode zu speichern, wobei die Episode einem Zeitraum zugeordnet ist und die Episodendaten das von der medizinischen Vorrichtung während des Zeitraums erfasste kardiale Elektrogramm umfassen; und eine Verarbeitungsschaltung, die dazu konfiguriert ist, um: die Episodendaten zu empfangen, ein oder mehrere maschinelle Lernmodelle auf die Episodendaten anzuwenden, wobei das eine oder die mehreren maschinellen Lernmodelle dazu konfiguriert sind, um einen jeweiligen Wahrscheinlichkeitswert für jede der Vielzahl von Klassifikationen des Arrhythmietyps auszugeben, wobei jeder der Wahrscheinlichkeitswerte eine Wahrscheinlichkeit charakterisiert, dass die jeweilige Klassifikation des Arrhythmietyps zu einem beliebigen Zeitpunkt während des Zeitraums aufgetreten ist, auf Grundlage der Anwendung des einen oder der mehreren maschinellen Lernmodelle auf die Episodendaten für jede der Klassifikationen des Arrhythmietyps Klassenaktivierungsdaten abzuleiten, die auf verschiedene Wahrscheinlichkeiten der jeweiligen Klassifikationen des Arrhythmietyps über den Zeitraum hinweisen, und einem Benutzer ein Kurvenschaubild der verschiedenen Wahrscheinlichkeiten der Klassifikationen des Arrhythmietyps über den Zeitraum anzuzeigen.
  2. Medizinisches Vorrichtungssystem nach Anspruch 1, wobei die Verarbeitungsschaltung dazu konfiguriert ist, das Kurvenschaubild in Verbindung mit dem kardialen Elektrogramm anzuzeigen.
  3. Medizinisches Vorrichtungssystem nach Anspruch 1 oder 2, wobei die Verarbeitungsschaltung dazu konfiguriert ist, im Kurvenschaubild auf mindestens einen Zeitpunkt der höheren Wahrscheinlichkeit für mindestens eine der Klassifikationen des Arrhythmietyps im Vergleich zu anderen Zeitpunkten in dem Kurvenschaubild für die mindestens eine Klassifikation des Arrhythmietyps hinzuweisen.
  4. Medizinisches Vorrichtungssystem nach Anspruch 3, wobei die Verarbeitungsschaltung dazu konfiguriert ist, um: auf Grundlage der Ausgabe des einen oder der mehreren maschinellen Lernmodelle darauf hinzuweisen, dass die mindestens eine Klassifikation des Arrhythmietyps zu einem beliebigen Zeitpunkt während des Zeitraums aufgetreten ist; und im Kurvenschaubild auf mindestens einen Zeitpunkt der höheren Wahrscheinlichkeit für die mindestens eine Klassifikation des Arrhythmietyps als Reaktion darauf hinzuweisen, was darauf hinweist, dass die mindestens eine Klassifikation des Arrhythmietyps zu einem beliebigen Zeitpunkt während des Zeitraums aufgetreten ist.
  5. Medizinisches Vorrichtungssystem nach einem der Ansprüche 1-4, wobei die Vielzahl von Klassifikationen des Arrhythmietyps eine Vielzahl von Bradykardie, Pause, ventrikulärer Tachykardie, Kammerflimmern, supraventrikulärer Tachykardie, Vorhofflimmern, Vorhofflattern, Sinustachykardie, ventrikulärer Extrasystole, atrialer Extrasystole, Breitkomplextachykardie und atrioventrikulärem Block einschließt.
  6. Medizinisches Vorrichtungssystem nach einem der Ansprüche 1-5, wobei jedes des einen oder der mehreren maschinellen Lernmodelle eine Vielzahl von Schichten umfasst und wobei das Ableiten der Aktivierungsdaten das Ableiten der Aktivierungsdaten aus einer Ausgabe einer Zwischenschicht der Vielzahl von Schichten umfasst.
  7. Medizinisches Vorrichtungssystem nach Anspruch 6, wobei die Zwischenschicht eine globale Mittelungsschicht umfasst.
  8. Medizinische Vorrichtung nach einem der Ansprüche 1-7, wobei das eine oder die mehreren maschinellen Lernmodelle ein oder mehrere maschinelle Lernmodelle zur Arrhythmieklassifikation umfassen, wobei das eine oder die mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation dazu konfiguriert sind, für jede der Vielzahl von Klassifikationen des Arrhythmietyps einen jeweiligen Satz von Wahrscheinlichkeitswerten für den Arrhythmietyp auszugeben, wobei jeder der Wahrscheinlichkeitswerte für den Arrhythmietyp des Satzes eine Wahrscheinlichkeit charakterisiert, dass die jeweilige Klassifikation des Arrhythmietyps zu einem jeweiligen Zeitpunkt während des Zeitraums aufgetreten ist, und wobei die Verarbeitungsschaltung dazu konfiguriert ist, um: eines oder mehrere maschinelle Lernmodelle zur Depolarisationserkennung auf die Episodendaten anzuwenden, wobei das eine oder die mehreren maschinellen Lernmodelle zur Depolarisationserkennung dazu konfiguriert sind, um einen Satz von Wahrscheinlichkeitswerten für die Depolarisation auszugeben, wobei jeder der Wahrscheinlichkeitswerte für die Depolarisation des Satzes eine Wahrscheinlichkeit charakterisiert, dass eine Depolarisation zu einem jeweiligen Zeitpunkt während des Zeitraums aufgetreten ist; und eine oder mehrere Depolarisationen während der Episode auf Grundlage der Wahrscheinlichkeitswerte für den Arrhythmietyp und der Wahrscheinlichkeitswerte für die Depolarisation zu identifizieren.
  9. Medizinisches Vorrichtungssystem nach Anspruch 8, wobei jedes des einen oder der mehreren maschinellen Lernmodelle zur Arrhythmieklassifikation eine Vielzahl von Schichten umfasst und die Verarbeitungsschaltung dazu konfiguriert ist, die Sätze von Wahrscheinlichkeitswerten für den Arrhythmietyp von einer Ausgabe einer Zwischenschicht der Vielzahl von Schichten abzuleiten.
  10. Medizinisches Vorrichtungssystem nach Anspruch 8 oder 9, wobei zur Identifizierung einer oder mehrerer Depolarisationen auf Grundlage der Wahrscheinlichkeitswerte für den Arrhythmietyp und der Wahrscheinlichkeitswerte für die Depolarisation die Verarbeitungsschaltung dazu konfiguriert ist, um das eine oder die mehreren maschinellen Lernmodelle zur Depolarisationserkennung auf die Episodendaten und die Wahrscheinlichkeitswerte für den Arrhythmietyp anzuwenden.
  11. Medizinisches Vorrichtungssystem nach einem der Ansprüche 8-10, wobei die Verarbeitungsschaltung zur Identifizierung der einen oder mehreren Depolarisationen auf Grundlage der Wahrscheinlichkeitswerte für den Arrhythmietyp und der Wahrscheinlichkeitswerte für die Depolarisation für mindestens eines der folgenden konfiguriert ist: Modifizieren eines oder mehrerer der Wahrscheinlichkeitswerte für die Depolarisation auf Grundlage eines oder mehrerer der Wahrscheinlichkeitswerte für den Arrhythmietyp; oder Modifizieren eines Wahrscheinlichkeitsschwellenwerts für die Depolarisation auf Grundlage eines oder mehrerer der Wahrscheinlichkeitswerte für den Arrhythmietyp.
  12. Medizinisches Vorrichtungssystem nach einem der Ansprüche 8-11, wobei die Verarbeitungsschaltung dazu konfiguriert ist, um jede der einen oder mehreren identifizierten Depolarisationen als einen einer Vielzahl von Depolarisationstypen auf Grundlage der Wahrscheinlichkeitswerte für den Arrhythmietyp zu kennzeichnen, wobei die Vielzahl von Depolarisationstypen eine Vielzahl von normalen Kontraktionen, ventrikulären Extrasystolen, atrialen Extrasystolen, Rauschen oder Artefakten einschließen.
  13. Medizinisches Vorrichtungssystem nach einem der Ansprüche 1-12, wobei die Verarbeitungsschaltung eine Verarbeitungsschaltung einer Computervorrichtung umfasst.
  14. Medizinisches Vorrichtungssystem nach einem der Ansprüche 1-13, wobei die medizinische Vorrichtung implantierbar ist.
  15. Nichtflüchtiges computerlesbares Medium, das Anweisungen umfasst, die bei Ausführung durch eine Verarbeitungsschaltung eines Computersystems bewirken, dass das Computersystem: Episodendaten für eine Episode empfängt, die von einer medizinischen Vorrichtung eines Patienten gespeichert wird, wobei die Episode einem Zeitraum zugeordnet ist und die Episodendaten ein kardiales Elektrogramm umfassen, das von der medizinischen Vorrichtung während des Zeitraums erfasst wurde, ein oder mehrere maschinelle Lernmodelle auf die Episodendaten anwendet, wobei das eine oder die mehreren maschinellen Lernmodelle dazu konfiguriert sind, um einen jeweiligen Wahrscheinlichkeitswert für jede einer Vielzahl von Klassifikationen des Arrhythmietyps auszugeben, wobei jeder der Wahrscheinlichkeitswerte eine Wahrscheinlichkeit charakterisiert, dass die jeweilige Klassifikation des Arrhythmietyps zu einem beliebigen Zeitpunkt während des Zeitraums aufgetreten ist; auf Grundlage der Anwendung des einen oder der mehreren maschinellen Lernmodelle auf die Episodendaten für jede der Klassifikationen des Arrhythmietyps Klassenaktivierungsdaten ableitet, die auf verschiedene Wahrscheinlichkeiten der jeweiligen Klassifikation des Arrhythmietyps über den Zeitraum hinweisen; und ein Kurvenschaubild der verschiedenen Wahrscheinlichkeiten der Klassifikationen des Arrhythmietyps über den Zeitraum anzeigt.
DE202020005629.4U 2019-05-06 2020-04-13 Auf maschinellem Lernen basierende Depolarisationsidentifizierung und Visualisierung der Lokalisation von Arrhythmien Active DE202020005629U1 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962843786P 2019-05-06 2019-05-06
US62/843,786 2019-05-06
US16/845,996 2020-04-10
US16/845,996 US11776691B2 (en) 2019-05-06 2020-04-10 Machine learning based depolarization identification and arrhythmia localization visualization

Publications (1)

Publication Number Publication Date
DE202020005629U1 true DE202020005629U1 (de) 2021-11-12

Family

ID=73046448

Family Applications (1)

Application Number Title Priority Date Filing Date
DE202020005629.4U Active DE202020005629U1 (de) 2019-05-06 2020-04-13 Auf maschinellem Lernen basierende Depolarisationsidentifizierung und Visualisierung der Lokalisation von Arrhythmien

Country Status (8)

Country Link
US (3) US11776691B2 (de)
EP (1) EP3965645A1 (de)
JP (1) JP2022531293A (de)
KR (1) KR20220004993A (de)
CN (1) CN113811246A (de)
AU (1) AU2020268721A1 (de)
DE (1) DE202020005629U1 (de)
WO (1) WO2020226852A1 (de)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020072989A2 (en) 2018-10-05 2020-04-09 Medtronic, Inc. Multi-tier prediction of cardiac tachyarrythmia
US11723577B2 (en) 2019-05-06 2023-08-15 Medtronic, Inc. Visualization of arrhythmia detection by machine learning
US11694804B2 (en) 2019-05-06 2023-07-04 Medtronic, Inc. Reduced power machine learning system for arrhythmia detection
US20200352466A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Arrythmia detection with feature delineation and machine learning
US11475998B2 (en) 2019-05-06 2022-10-18 Medtronic, Inc. Data preparation for artificial intelligence-based cardiac arrhythmia detection
US11776691B2 (en) 2019-05-06 2023-10-03 Medtronic, Inc. Machine learning based depolarization identification and arrhythmia localization visualization
US11583687B2 (en) 2019-05-06 2023-02-21 Medtronic, Inc. Selection of probability thresholds for generating cardiac arrhythmia notifications
NO20200093A1 (de) * 2020-01-24 2021-07-26
US20220384014A1 (en) * 2021-05-25 2022-12-01 Medtronic, Inc. Cardiac episode classification
EP4346602A1 (de) * 2021-05-28 2024-04-10 Medtronic, Inc. Dynamische und modulare herzereignisdetektion
WO2023028528A1 (en) * 2021-08-24 2023-03-02 Medtronic, Inc. Power source longevity improvement for a device
EP4392132A1 (de) * 2021-08-25 2024-07-03 Medtronic, Inc. Maschinenlernen für verbesserte stromquellenlanglebigkeit für eine vorrichtung
WO2023076462A1 (en) * 2021-10-27 2023-05-04 Monovo, LLC Using multiple devices to monitor physiological data
US20230137626A1 (en) * 2021-10-28 2023-05-04 Preventice Solutions, Inc. Electrocardiogram wave segmentation using machine learning
WO2023114742A1 (en) * 2021-12-13 2023-06-22 Irhythm Technologies, Inc. Non-invasive cardiac monitor and methods of inferring or predicting a physiological characteristic of a patient
WO2023154809A1 (en) * 2022-02-10 2023-08-17 Medtronic, Inc. Prediction of ventricular tachycardia or ventricular fibrillation termination to limit therapies and emergency medical service or bystander alerts
WO2024039655A1 (en) * 2022-08-15 2024-02-22 Medtronic, Inc. Computing system configured to facilitate multi-party adjudication of cardiac episodes
WO2024092146A1 (en) * 2022-10-28 2024-05-02 Medtronic, Inc. Medical system implementing a machine learning model for detection of atrial arrhythmia
WO2024091557A1 (en) * 2022-10-28 2024-05-02 Medtronic, Inc. Atrial sensing without an atrial lead by medical systems

Family Cites Families (88)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4458691A (en) 1982-02-11 1984-07-10 Arrhythmia Research Technology, Inc. System and method for predicting ventricular tachycardia by adaptive high pass filter
US6594523B1 (en) 1996-05-14 2003-07-15 Pacesetter, Inc. Implantable stimulation device, programmer, and method for automatically evaluating interaction of the device with a patient's heart
US5967995A (en) 1998-04-28 1999-10-19 University Of Pittsburgh Of The Commonwealth System Of Higher Education System for prediction of life-threatening cardiac arrhythmias
US6275732B1 (en) 1998-06-17 2001-08-14 Cardiac Pacemakers, Inc. Multiple stage morphology-based system detecting ventricular tachycardia and supraventricular tachycardia
US6493579B1 (en) 1999-08-20 2002-12-10 Cardiac Pacemakers, Inc. System and method for detection enhancement programming
US6272377B1 (en) 1999-10-01 2001-08-07 Cardiac Pacemakers, Inc. Cardiac rhythm management system with arrhythmia prediction and prevention
US9183351B2 (en) 2000-05-30 2015-11-10 Vladimir Shusterman Mobile system with network-distributed data processing for biomedical applications
US8438039B2 (en) 2005-04-27 2013-05-07 Medtronic, Inc. User customizable workflow preferences for remote patient management
US7706867B1 (en) * 2005-08-04 2010-04-27 Pacesetter, Inc. Methods and systems to correlate arrhythmic and ischemic events
US8706220B2 (en) * 2008-04-09 2014-04-22 Medtronic, Inc. Method and apparatus for detecting and treating tachyarrhythmias incorporating diagnostic/therapeutic pacing techniques
US8103346B2 (en) 2008-05-22 2012-01-24 Cardiac Pacemakers, Inc. Regulatory compliant transmission of medical data employing a patient implantable medical device and a generic network access device
CN102227405A (zh) 2008-12-15 2011-10-26 埃克森美孚化学专利公司 烷基芳族化合物的氧化
WO2010083366A1 (en) 2009-01-15 2010-07-22 Medtronic, Inc. Implantable medical device with adaptive signal processing and artifact cancellation
US10588527B2 (en) 2009-04-16 2020-03-17 Braemar Manufacturing, Llc Cardiac arrhythmia report
US20100280841A1 (en) 2009-05-04 2010-11-04 Cardiac Pacemakers, Inc. Adjudication of Arrhythmia Episode Data Systems and Methods
US20100312131A1 (en) * 2009-06-09 2010-12-09 Mihir Naware Noise detection and response for use when monitoring for arrhythmias
EP2490587A1 (de) 2009-10-20 2012-08-29 Widemed Ltd. Verfahren und system zur erkennung von herzrhythmusstörungen
US9408549B2 (en) 2009-11-03 2016-08-09 Vivaquant Llc Detecting fiducial points in physiological signals
US9585589B2 (en) 2009-12-31 2017-03-07 Cerner Innovation, Inc. Computerized systems and methods for stability-theoretic prediction and prevention of sudden cardiac death
SG183435A1 (en) 2010-03-15 2012-09-27 Singapore Health Serv Pte Ltd Method of predicting the survivability of a patient
US8437842B2 (en) 2010-04-28 2013-05-07 Medtronic, Inc. Method and apparatus for detecting and discriminating tachycardia
KR101736976B1 (ko) 2010-07-05 2017-05-18 삼성전자주식회사 생체 신호를 측정하는 장치 및 방법
JP6023169B2 (ja) 2011-03-28 2016-11-09 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． モニタリング機器にファミリーモードを提供するためのシステム及び方法
US8521281B2 (en) 2011-10-14 2013-08-27 Medtronic, Inc. Electrogram classification algorithm
US9307920B2 (en) * 2012-04-17 2016-04-12 Cardiac Pacemakers, Inc. Method and apparatus for automatic arrhythmia classification with confidence estimation
CN104349713B (zh) 2012-04-23 2018-09-14 普莱柯迪尔公司 确定指示心脏功能障碍和异常的信息的设备
US9775559B2 (en) 2013-04-26 2017-10-03 Medtronic, Inc. Staged rhythm detection system and method
JP6133708B2 (ja) 2013-06-25 2017-05-24 日本光電工業株式会社 生体情報表示装置および生体情報表示装置の作動方法
US10463269B2 (en) 2013-09-25 2019-11-05 Bardy Diagnostics, Inc. System and method for machine-learning-based atrial fibrillation detection
US9408551B2 (en) 2013-11-14 2016-08-09 Bardy Diagnostics, Inc. System and method for facilitating diagnosis of cardiac rhythm disorders with the aid of a digital computer
US20190038148A1 (en) 2013-12-12 2019-02-07 Alivecor, Inc. Health with a mobile device
EP3079571A4 (de) 2013-12-12 2017-08-02 Alivecor, Inc. Verfahren und systeme zur arrhythmieverfolgung und -bewertung
CN106102568B (zh) 2014-02-04 2019-09-10 科迪影技术股份有限公司 与治疗部位相关的信号分析
US9483529B1 (en) 2014-02-14 2016-11-01 Twitter, Inc. Selection and presentation of unviewed messages
US10258288B2 (en) 2014-03-24 2019-04-16 Samsung Electronics Co., Ltd. Confidence indicator for physiological measurements using a wearable sensor platform
WO2016025834A1 (en) 2014-08-15 2016-02-18 Biomerieux, Inc. Methods, systems, and computer program products for detecting a surface using a pipette and/or positioning a pipette
US9754080B2 (en) 2014-10-21 2017-09-05 uBiome, Inc. Method and system for microbiome-derived characterization, diagnostics and therapeutics for cardiovascular disease conditions
WO2016077786A1 (en) * 2014-11-14 2016-05-19 Zoll Medical Corporation Medical premonitory event estimation
US20180146929A1 (en) 2015-06-01 2018-05-31 University Of Ulsan Foundation For Industry Cooperation Device for predicting ventricular arrhythmia and method therefor
WO2017054105A1 (zh) * 2015-09-28 2017-04-06 深圳迈瑞生物医疗电子股份有限公司 一种监护参数阈值设置方法及监护系统
EP3355767B1 (de) 2015-10-02 2021-12-01 Cardiac Pacemakers, Inc. Erweiterte, mit implantierbarem herzmonitor gepaarte wearable-therapievorrichtung
US9788796B2 (en) 2015-10-16 2017-10-17 General Electric Company System and method of adaptive interpretation of ECG waveforms
HUE054674T2 (hu) 2015-10-27 2021-09-28 Cardiologs Tech Automatikus eljárás elektrokardiogram körvonalazására vagy kategorizálására
WO2017091736A1 (en) 2015-11-23 2017-06-01 Mayo Foundation For Medical Education And Research Processing physiological electrical data for analyte assessments
US10321836B2 (en) 2015-11-30 2019-06-18 Physio-Control, Inc. Context scores to enhance accuracy of ECG readings
US20170156592A1 (en) 2015-12-02 2017-06-08 Mediatek Inc. Healthcare systems and monitoring method for physiological signals
CN108430570B (zh) 2016-01-08 2021-09-14 心脏起搏器股份公司 从可植入医疗装置获取高分辨率信息
US10441184B2 (en) 2016-03-16 2019-10-15 Ventrilink Corporation Electrocardiogram device and methods
WO2017176714A1 (en) 2016-04-06 2017-10-12 Cardiac Pacemakers, Inc. Confidence of arrhythmia detection
US10750960B2 (en) 2016-05-03 2020-08-25 Samsung Electronics Co., Ltd. Passive arrythmias detection based on photoplethysmogram (PPG) inter-beat intervals and morphology
US10849508B2 (en) 2016-06-03 2020-12-01 Fourth Frontier Technologies Pvt. Ltd. System and method for continuous monitoring of blood pressure
US10463295B2 (en) 2016-06-13 2019-11-05 Medtronic, Inc. Multi-parameter prediction of acute cardiac episodes and attacks
WO2018058044A1 (en) 2016-09-23 2018-03-29 Aon Benfield Inc. Platform, systems, and methods for identifying property characteristics and property feature maintenance through aerial imagery analysis
CN109843166B (zh) 2016-10-18 2022-05-24 心脏起搏器股份公司 用于心律失常检测的系统
CN106725428B (zh) * 2016-12-19 2020-10-27 中国科学院深圳先进技术研究院 一种心电信号分类方法及装置
US20190328243A1 (en) 2016-12-21 2019-10-31 Emory University Methods and Systems for Determining Abnormal Cardiac Activity
WO2018148690A1 (en) 2017-02-10 2018-08-16 Alivecor, Inc. Systems and methods of analyte measurement analysis
US20180272147A1 (en) * 2017-03-21 2018-09-27 Zoll Medical Corporation Wearable defibrillator integrated with remote ischemic conditioning protocol
EP3618918B1 (de) 2017-05-01 2022-03-16 Cardiac Pacemakers, Inc. Systeme für medizinisches warnungsmanagement
US10638979B2 (en) 2017-07-10 2020-05-05 Glysens Incorporated Analyte sensor data evaluation and error reduction apparatus and methods
US11382552B2 (en) 2017-07-26 2022-07-12 Cardiac Pacemakers, Inc. Reducing false alarms in cardiac monitoring devices
CN107822622B (zh) * 2017-09-22 2022-09-09 成都比特律动科技有限责任公司 基于深度卷积神经网络的心电图诊断方法和系统
US20190090774A1 (en) 2017-09-27 2019-03-28 Regents Of The University Of Minnesota System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks
US11291401B2 (en) 2017-10-03 2022-04-05 Salutron, Inc. Arrhythmia monitoring using photoplethysmography
JP6912998B2 (ja) * 2017-10-25 2021-08-04 株式会社日立製作所 データ分析装置、データ分析方法、およびデータ分析プログラム
CN108030488A (zh) 2017-11-30 2018-05-15 北京医拍智能科技有限公司 基于卷积神经网络的心律失常的检测系统
CA3085448A1 (en) 2017-12-13 2019-06-29 Washington University System and method for determining segments for ablation
US11147459B2 (en) 2018-01-05 2021-10-19 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health
US11763943B2 (en) 2018-03-02 2023-09-19 Preventice Solutions, Inc. Automated ventricular ectopic beat classification
US10960213B2 (en) 2018-03-12 2021-03-30 Zoll Medical Corporation Verification of cardiac arrhythmia prior to therapeutic stimulation
EP3556281A1 (de) 2018-04-17 2019-10-23 Koninklijke Philips N.V. Vorrichtung, system und verfahren zur unterstützung der detektion der rückkehr von spontaner zirkulation während kardiopulmonaler wiederbelebung
CN108577823B (zh) * 2018-04-27 2021-02-02 京东方科技集团股份有限公司 一种心律失常检测装置和心律失常检测系统
US11202599B2 (en) 2018-05-08 2021-12-21 Cardiac Pacemakers, Inc. Systems and methods for detecting arrhythmias
WO2019231808A1 (en) 2018-05-31 2019-12-05 Mayo Foundation For Medical Education And Research Automatic sensing of features within an electrocardiogram
US20190365342A1 (en) * 2018-06-04 2019-12-05 Robert Bosch Gmbh Method and system for detecting abnormal heart sounds
EP3582228A1 (de) 2018-06-12 2019-12-18 Bittium Biosignals Oy Verfahren, system und mobilkommunikationsvorrichtung zur optimierung der klinischen versorgung
GB2582124A (en) 2018-09-07 2020-09-16 Transf Ai Ltd Analysis of cardiac data
WO2020072989A2 (en) 2018-10-05 2020-04-09 Medtronic, Inc. Multi-tier prediction of cardiac tachyarrythmia
JP2022505154A (ja) 2018-10-19 2022-01-14 ギブン イメージング リミテッド 生体内画像ストリームの精査用情報を生成及び表示するためのシステム並びに方法
US10869610B2 (en) 2018-12-05 2020-12-22 General Electric Company System and method for identifying cardiac arrhythmias with deep neural networks
US11583196B2 (en) 2019-03-12 2023-02-21 Cardiac Pacemakers, Inc. Systems and methods for detecting atrial tachyarrhythmia
US20200352466A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Arrythmia detection with feature delineation and machine learning
US11694804B2 (en) 2019-05-06 2023-07-04 Medtronic, Inc. Reduced power machine learning system for arrhythmia detection
US11475998B2 (en) 2019-05-06 2022-10-18 Medtronic, Inc. Data preparation for artificial intelligence-based cardiac arrhythmia detection
US11583687B2 (en) 2019-05-06 2023-02-21 Medtronic, Inc. Selection of probability thresholds for generating cardiac arrhythmia notifications
US11723577B2 (en) 2019-05-06 2023-08-15 Medtronic, Inc. Visualization of arrhythmia detection by machine learning
US20200352521A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Category-based review and reporting of episode data
US11776691B2 (en) 2019-05-06 2023-10-03 Medtronic, Inc. Machine learning based depolarization identification and arrhythmia localization visualization

Also Published As

Publication number Publication date
US20200357517A1 (en) 2020-11-12
WO2020226852A1 (en) 2020-11-12
AU2020268721A1 (en) 2021-11-11
JP2022531293A (ja) 2022-07-06
US11776691B2 (en) 2023-10-03
EP3965645A1 (de) 2022-03-16
CN113811246A (zh) 2021-12-17
KR20220004993A (ko) 2022-01-12
US11355244B2 (en) 2022-06-07
US20210358631A1 (en) 2021-11-18
US20240029891A1 (en) 2024-01-25

Similar Documents

Publication Publication Date Title
DE202020005629U1 (de) Auf maschinellem Lernen basierende Depolarisationsidentifizierung und Visualisierung der Lokalisation von Arrhythmien
DE202020005640U1 (de) Erkennung von Arrhythmie mit Merkmalsabgrenzung und maschinellem Lernen
DE202020005652U1 (de) Visualisierung der Erkennung von Arrhythmien durch maschinelles Lernen
DE202020005630U1 (de) Maschinenlernsystem mit reduzierter Leistung zur Arrhythmieerkennung
DE60013786T2 (de) Überprüfung der unversehrtheit eines normalen standardmusters
US7941205B2 (en) System and method for separating cardiac signals
DE3686951T2 (de) Vorrichtung zum erkennen der abstossungsreaktion nach herztransplantation.
DE60114969T2 (de) Vorhersagen einer Arrythmie auf der Basis von Änderungen der Morphologie bei intrakardialen EKG-Signalen
US20110224988A1 (en) Intracardiac electrogram time frequency noise detection
EP1458281B1 (de) Unterscheidung von Herzrhythmen mittels Poincare- oder Lorenzfiguren.
EP2353644A1 (de) Kardioverter/Defibrillator und Signalverarbeitungsvorrichtung zur Klassifikation intrakardialer Signale
DE202022002926U1 (de) Überwachung und Warnung von akutem Gesundheitsereignis
DE202020005639U1 (de) Personalisierung von Modellen der künstlichen Intelligenz für die Analyse von Herzrhythmen
DE212022000214U1 (de) Klassifikation von Herzepisoden
DE202020005766U1 (de) Erkennung vorzeitiger ventrikulärer Kontraktionen (premature ventricular contraction - PVC)
DE10046241A1 (de) Herzschrittmachersystem mit verbesserter Klassifizierung physiologischer Ereignisse und verbesserter Herzüberwachung, basierend auf DSP
DE102009025990A1 (de) System und Verfahren zur Detektion und Diagnose von Fehlfunktionen eines Schrittmachersystems
EP2250962B1 (de) Implantierbarer P-Wellen-Dispersionsdetektor

Legal Events

Date Code Title Description
R207 Utility model specification
R150 Utility model maintained after payment of first maintenance fee after three years