DE202020005630U1

DE202020005630U1 - Maschinenlernsystem mit reduzierter Leistung zur Arrhythmieerkennung

Info

Publication number: DE202020005630U1
Application number: DE202020005630.8U
Authority: DE
Original assignee: Medtronic Inc
Current assignee: Medtronic Inc
Priority date: 2019-05-06
Filing date: 2020-04-20
Publication date: 2022-01-03
Anticipated expiration: 2030-04-21
Also published as: EP3965643A1; AU2020269178A1; US11694804B2; CN113795194A; JP2022531300A; US20230290512A1; US20200357519A1; WO2020226887A1; US11443852B2; KR20220005043A; US20210343416A1

Abstract

Medizinische Vorrichtung, Folgendes umfassend:
ein Speichermedium; und
eine Verarbeitungsschaltung, die betriebsfähig mit dem Speichermedium gekoppelt und für Folgendes konfiguriert ist:
Erfassen von Elektrokardiogrammdaten eines Patienten;
Durchführen einer merkmalsbasierten Abgrenzung der erfassten Elektrokardiogrammdaten, um Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen und auf eine Arrhythmieepisode bei dem Patienten hinweisen;
Bestimmen, basierend auf der merkmalsbasierten Abgrenzung, dass die Herzmerkmale Schwellenwertkriterien für die Anwendung eines maschinellen Lernmodells erfüllen, um zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist;
als Reaktion auf die Bestimmung, dass die Herzmerkmale die Schwellenwertkriterien für die Anwendung des maschinellen Lernmodells erfüllen, Anwenden des maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl von Patienten trainiert wurde, auf die erfassten Elektrokardiogrammdaten, um basierend auf dem maschinellen Lernmodell zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; und
als Reaktion auf das Verifizieren durch das maschinelle Lernmodell, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist:
Erzeugen eines Berichts, der einen Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere der Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen; und
Ausgeben für die Anzeige des Berichts, der einen Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und das eine oder die mehreren der Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen.

Description

GEBIET
Diese Offenbarung bezieht sich allgemein auf medizinische Vorrichtungen und insbesondere auf medizinische Vorrichtungen, die dazu konfiguriert sind, um Arrhythmien zu erkennen.
STAND DER TECHNIK
Eine maligne Tachyarrhythmie, beispielsweise Kammerflimmern, ist eine unkoordinierte Kontraktion des Herzmuskels der Ventrikel im Herzen und ist die am häufigsten identifizierte Arrhythmie bei Patienten mit Herzstillstand. Wenn diese Arrhythmie länger als einige Sekunden andauert, kann dies zu einem kardiogenen Schock und einem Stillstand der effektiven Blutzirkulation führen. Folglich kann ein plötzlicher Herztod (sudden cardiac death - SCD) innerhalb von Minuten auftreten.
Bei Patienten mit einem hohen Risiko für Kammerflimmern hat sich die Verwendung einer implantierbaren medizinischen Vorrichtung (implantable medical device - IMD), wie eines implantierbaren Kardioverter-Defibrillators (implantable cardioverter defibrillator - ICD), als vorteilhaft für die Vorbeugung von SCD erwiesen. Ein ICD ist eine batteriebetriebene Elektroschockvorrichtung, die eine elektrische Gehäuseelektrode (manchmal als eine Dosenelektrode bezeichnet) beinhalten kann, die typischerweise mit einem oder mehreren im Herzen platzierten elektrischen Sondendrähten gekoppelt ist. Wenn eine Arrhythmie erfasst wird, kann der ICD über die elektrischen Sondendrähte einen Impuls senden, um das Herz zu schocken und dessen normalen Rhythmus wiederherzustellen. Einige ICD wurden derart konfiguriert, dass sie versuchen, erkannte Tachyarrhythmien durch Abgabe von Anti-Tachykardie-Stimulation (anti-tachycardia pacing - ATP) vor der Abgabe eines Schocks zu beenden. Außerdem wurden ICD derart konfiguriert, dass sie nach erfolgreicher Beendigung einer Tachyarrhythmie mit einem Schock eine Post-Schock-Stimulation mit relativ hoher Stärke abgeben, um das Herz zu unterstützen, während es sich von dem Schock erholt. Einige ICD geben ebenso Bradykardie-Stimulation, kardiale Resynchronisationstherapie (CRT) oder andere Formen der Stimulation ab.
Andere Arten von medizinischen Vorrichtungen können für diagnostische Zwecke verwendet werden. Beispielsweise kann eine implantierte oder nicht implantierte medizinische Vorrichtung das Herz eines Patienten überwachen. Ein Benutzer, wie ein Arzt, kann von der medizinischen Vorrichtung erzeugte Daten auf das Auftreten von Arrhythmien überprüfen, z. B. atriale oder ventrikuläre Tachyarrhythmie oder Asystolie. Der Benutzer kann einen medizinischen Zustand des Patienten, basierend auf dem identifizierten Auftreten der Arrhythmien, diagnostizieren.
KURZDARSTELLUNG
Gemäß den Techniken der Offenbarung wird hierin ein medizinisches Vorrichtungssystem dargelegt, das die Merkmalsabgrenzung und maschinelles Lernen verwendet, um eine Arrhythmieerkennung und -klassifizierung bei einem Patienten durchzuführen. Insbesondere kann ein medizinisches Vorrichtungssystem, wie hierin beschrieben, die Merkmalsabgrenzung verwenden, um eine vorläufige Erkennung von Arrhythmie bei einem Patienten durchzuführen, und nur ein maschinelles Lernmodell verwenden, um die durch die Merkmalsabgrenzung erkannten Arrhythmieepisoden zu verifizieren oder solche durch die Merkmalsabgrenzung erkannten als eine besondere Art von Arrhythmie zu klassifizieren.
Wie hierin beschrieben, bezieht sich Merkmalsbegrenzung auf die Verwendung von Merkmalen, die durch Signalverarbeitung für die Verwendung beim Erkennen oder Klassifizieren einer Arrhythmieepisode erhalten wurden. Typischerweise beinhaltet die Merkmalsbegrenzung die Verwendung von entworfenen Regeln, um Merkmale in Elektrokardiogrammdaten zu identifizieren oder zu extrahieren, die Charakteristiken solcher Merkmale zu messen und die Messungen zum Erkennen oder Klassifizieren von Arrhythmien zu verwenden. Beispielsweise kann die Merkmalsbegrenzung verwendet werden, um Merkmale wie R-Wellen, QRS-Komplexe, P-Wellen, T-Wellen, Raten solcher Merkmale, Intervalle zwischen solchen Merkmalen, Merkmalsmorphologie, Breiten oder Amplituden solcher Merkmale oder andere oder andere Arten von Herzmerkmalen oder Charakteristiken solcher Merkmale, die hierin nicht ausdrücklich beschrieben sind, zu identifizieren. Die Merkmalsbegrenzung kann Merkmalsextraktion, Signalfilterung, Spitzenerkennung, Refraktäranalyse oder andere Arten von Signalverarbeitung, Merkmalsentwurf oder Entwicklung von Erkennungsregeln beinhalten. Merkmalsbegrenzungsalgorithmen können für Echtzeit-, eingebettete und energiesparende Anwendungen optimiert werden, wie für die Verwendung durch eine implantierbare medizinische Vorrichtung. Jedoch können Merkmalsbegrenzungsalgorithmen eine/einen fachkundige(n) Gestaltung und Merkmalsentwurf erfordern, um eine Arrhythmie bei einem Patienten genau zu erkennen.
Im Gegensatz zu Merkmalsbegrenzungstechniken für die Erkennung und Klassifizierung von Arrhythmie können Techniken des maschinellen Lernens für die Erkennung und Klassifizierung von Arrhythmie verwendet werden. Wie hierin beschrieben, bezieht sich maschinelles Lernen auf die Verwendung eines maschinellen Lernmodells, wie eines neuronalen Netzwerks oder eines Deep-Learning-Modells, das auf Trainingsdatensätzen trainiert wird, um eine Arrhythmie aus Elektrokardiogrammdaten zu erkennen. Techniken des maschinellen Lernens können insofern von der Merkmalsbegrenzung unterschieden werden, als dass die Merkmalsbegrenzung auf der Signalverarbeitung beruht, wobei die maschinellen Lernsysteme die zugrunde liegenden Merkmale „lehren“ können, die in Elektrokardiogrammdaten vorliegen, die auf eine Arrhythmieepisode hinweisen, ohne dass Kenntnisse oder Verständnis der Beziehung zwischen den Merkmalen und die Arrhythmieepisode im Auftrag des Systemgestalters erforderlich sind.
In einem Beispiel erfasst eine medizinische Vorrichtung, wie ein IMD, Elektrokardiogrammdaten eines Patienten. Die medizinische Vorrichtung führt eine merkmalsbasierte Abgrenzung der Elektrokardiogrammdaten durch, um Herzmerkmale zu erhalten, die auf eine Arrhythmieepisode bei dem Patienten hinweisen. Die medizinische Vorrichtung bestimmt, ob die Herzmerkmale Schwellenwertkriterien für die Anwendung eines maschinellen Lernmodells zum Verifizieren der merkmalsbasierten Abgrenzung der Elektrokardiogrammdaten erfüllen. Als Reaktion auf das Bestimmen, dass die Herzmerkmale die Schwellenwertkriterien für die Anwendung des maschinellen Lernmodells erfüllen, wendet die medizinische Vorrichtung das maschinelle Lernmodell auf die erfassten Elektrokardiogrammdaten an, um z. B. zu verifizieren, dass eine Arrhythmieepisode im Patienten aufgetreten ist oder um eine oder mehrere andere Arten von Arrhythmien zu erkennen, die beim Patienten aufgetreten sind.
In einem anderen Beispiel vergleicht die medizinische Vorrichtung erste Herzmerkmale der Elektrokardiogrammdaten mit Herzmerkmalen, die durch Einträge eines Arrhythmiewörterbuchs definiert sind. Als Reaktion auf das Bestimmen, dass die ersten Herzmerkmale der Elektrokardiogrammdaten nicht den Herzmerkmalen ähnlich sind, die durch Einträge eines Arrhythmiewörterbuchs definiert sind, wendet die medizinische Vorrichtung ein maschinelles Lernmodell an, um eine Klassifizierung einer Arrhythmieepisode zu bestimmen, die durch die ersten Herzmerkmale nachgewiesen werden. Die medizinische Vorrichtung kann die bestimmte Arrhythmieklassifizierung und Herzmerkmale als einen neuen Eintrag in dem Arrhythmiewörterbuch speichern, um das Arrhythmiewörterbuch aufzubauen. Bei dem anschließenden Erkennen zweiter Herzmerkmale, die den ersten Herzmerkmalen ähnlich sind, über die Merkmalsabgrenzung, bestimmt die medizinische Vorrichtung, dass die zweiten Herzmerkmale auf eine Arrhythmieepisode derselben Klassifizierung hinweisen wie die Arrhythmieepisode, die durch die ersten Herzmerkmale nachgewiesen werden.
Die Techniken der Offenbarung können spezifische Verbesserungen auf dem Gebiet der Erkennung und Klassifizierung von Arrhythmie durch medinische Vorrichtungen bereitstellen. Beispielsweise können die Techniken der Offenbarung maschinelle Lernmodelle nur für die Analyse von Herzmerkmalen verwenden, die durch Merkmalsabgrenzung als wahrscheinlich eine Arrhythmieepisode bei dem Patienten vorliegend identifiziert wurden. Durch die Verwendung von maschinellen Lernmodellen, um die Arrhythmieerkennung bei dem Patienten zu verifizieren, können die Techniken der Offenbarung die Genauigkeit bei der Arrhythmieerkennung erhöhen. Durch die Verwendung einer Merkmalsabgrenzung mit geringer Leistung, um die Verwendung von rechenkomplexen, leistungsintensiven maschinellen Lernmodellen auf nur die relevantesten Patientendaten zu beschränken, können die Techniken der Offenbarung ferner maschinelle Lernmodelle effizient implementieren, um die Arrhythmieerkennung ohne das negative Erhöhen des Leistungsverbrauchs und Verkürzen der Batterielebensdauer solcher medizinischen Vorrichtung zu erkennen.
In einem Beispiel beschreibt diese Offenbarung ein Verfahren, Folgendes umfassend: Erfassen von Elektrokardiogrammdaten eines Patienten durch eine medizinische Vorrichtung, die eine Verarbeitungsschaltung und ein Speichermedium umfasst; Durchführen einer merkmalsbasierten Abgrenzung der erfassten Elektrokardiogrammdaten durch die medizinische Vorrichtung, um Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen und auf eine Arrhythmieepisode bei dem Patienten hinweisen; Bestimmen durch die medizinische Vorrichtung und basierend auf der merkmalsbasierten Abgrenzung, dass die Herzmerkmale Schwellenwertkriterien für die Anwendung eines maschinellen Lernmodells erfüllen, um zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; als Reaktion auf das Bestimmen, dass die Herzmerkmale die Schwellenwertkriterien erfüllen, Anwenden des maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl von Patienten trainiert wurde, durch die medizinische Vorrichtung auf die erfassten Elektrokardiogrammdaten, um basierend auf dem maschinellen Lernmodell zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; und als Reaktion auf das Verifizieren durch das maschinelle Lernmodell, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist: Erzeugen eines Berichts durch die medizinische Vorrichtung, der einen Hinweis darauf, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere von den Herzmerkmalen umfasst, die mit der Arrhythmieepisode übereinstimmen; und Ausgeben des Berichts durch die medizinische Vorrichtung und für die Anzeige, der den Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und das eine oder die mehreren der Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen.
In einem anderen Beispiel beschreibt diese Offenbarung ein Verfahren, Folgendes umfassend: Erfassen von Elektrokardiogrammdaten eines Patienten durch eine medizinische Vorrichtung, die eine Verarbeitungsschaltung und ein Speichermedium umfasst; Durchführen einer merkmalsbasierten Abgrenzung der erfassten Elektrokardiogrammdaten durch die medizinische Vorrichtung, um in den Elektrokardiogrammdaten vorliegende Herzmerkmale zu erhalten; Bestimmen einer Ähnlichkeit der erhaltenen Herzmerkmale mit Herzmerkmalen jedes Eintrags von mehreren Einträgen eines Arrhythmiewörterbuchs der medizinischen Vorrichtung durch die medizinische Vorrichtung, wobei jeder Eintrag der Vielzahl von Einträgen des Arrhythmiewörterbuchs eine Klassifizierung von Arrhythmie einer Vielzahl von Arrhythmieklassifikationen des Patienten und Herzmerkmale umfasst, die die Arrhythmieklassifikation nachweisen; als Reaktion auf das Bestimmen, dass die erhaltenen Herzmerkmale nicht den Herzmerkmalen jedes Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs ähnlich sind, Anwenden eines maschinellen Lernmodells durch die medizinische Vorrichtung, das unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl von Patienten trainiert wurde, auf die erfassten Elektrokardiogrammdaten, um basierend auf dem maschinellen Lernmodell zu bestimmen, dass bei dem Patienten eine Arrhythmieepisode einer ersten Klassifizierung aufgetreten ist; und Speichern eines ersten Eintrags durch die medizinische Vorrichtung und in dem Arrhythmiewörterbuch, der die erste Klassifizierung der Arrhythmieepisode und die erhaltenen Herzmerkmale umfasst.
Diese Kurzdarstellung soll einen Überblick über den in dieser Offenbarung beschriebenen Gegenstand bereitstellen. Es ist nicht beabsichtigt, eine ausschließliche oder erschöpfende Erläuterung der Einrichtungen und der Verfahren bereitzustellen, die im Detail in den beigefügten Zeichnungen und der nachfolgenden Beschreibung beschrieben sind. Weitere Details von einem oder mehreren Beispielen sind in den begleitenden Zeichnungen und der nachfolgenden Beschreibung dargelegt.
Figurenliste

1 ist eine konzeptionelle Zeichnung, die ein Beispiel für ein medizinisches Vorrichtungssystem für das Vorhersagen von Arrhythmie einschließlich einer sondenlosen implantierbaren medizinischen Vorrichtung und einer externen Vorrichtung in Verbindung mit einem Patienten in Übereinstimmung mit den Techniken der Offenbarung veranschaulicht.
2 ist ein Blockdiagramm, das ein Beispiel der implantierbaren medizinischen Vorrichtung von 1 veranschaulicht.
3 ist ein Blockdiagramm, das eine Beispielkonfiguration der implantierbaren medizinischen Vorrichtung von 1 veranschaulicht.
4 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung veranschaulicht.
5 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung veranschaulicht.
6 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung veranschaulicht.
7 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung veranschaulicht.
8 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung veranschaulicht.

Ähnliche Bezugszeichen beziehen sich in den Figuren und in der Beschreibung auf ähnliche Elemente.
DETAILLIERTE BESCHREIBUNG
Es werden Techniken für die effiziente Verwendung von maschinellen Lernverfahren für die Arrhythmieerkennung in medizinischen Vorrichtungen offenbart.
Merkmalsabgrenzungsalgorithmen können von einem Patienten erfasste Elektrokardiogrammdaten verwenden, um z. B. eine QRS-Erkennung und/oder eine Arrhythmieerkennung durchzuführen. Solche Merkmalsbegrenzungsalgorithmen können für Echtzeit-, eingebettete und leistungssparende Anwendungen optimiert werden, wie für die Verwendung durch eine implantierbare medizinische Vorrichtung. Jedoch können Merkmalsbegrenzungsalgorithmen eine/einen fachkundige(n) Gestaltung und Merkmalsentwurf erfordern, um Arrhythmien bei einem Patienten genau zu erkennen.
Maschinelle Lernverfahren für die Arrhythmieerkennung wie Deep-Learning und künstliche Intelligenz (KI) stellen eine flexible Plattform bereit, um Algorithmen mit unterschiedlichen Zielen zu entwickeln. Beispielsweise kann ein maschinelles Lernsystem mit einem hohen Maß an Genauigkeit z. B. Vorhofflimmern (AF) erkennen, Episoden ausschließen, die keine Arrhythmie aufweisen usw. ohne ein(e) fachkundige Gestaltung und Merkmalsentwurf, die/der für Arrhythmiealgorithmen, wie die Merkmalsabgrenzung, erforderlich ist. Maschinelle Lernsysteme können jedoch für die Implementierung in medizinischen Vorrichtungen wie IMD oder medizinischen Vorrichtungen, die mit Batterieleistung betrieben werden, rechnerisch untragbar sein. Die häufige Verwendung rechenintensiver maschineller Lernmodelle auf einer medizinischen Vorrichtung kann die Lebensdauer der Batterie beeinträchtigen.
Wie hierin detailliert beschrieben, werden Techniken, Verfahren, Systeme und Vorrichtungen für physiologische, vorrichtungsbasierte und algorithmenbasierte Verfahren offenbart, die die Verwendung von vorrichtungsinternen maschinellen Lernsystemen aufbereiten, um einen effizienten Leistungsverbrauch sicherzustellen. Wie hierin dargelegt, wird ein medizinisches Vorrichtungssystem beschrieben, das die vorrichtungsinterne Arrhythmieerkennung mit maschinellem Lernen, wie Deep Learning oder KI, auf leistungseffiziente Weise ermöglicht, um die Verwendung von Arrhythmieerkennung mit maschinellem Lernen durch medizinische Vorrichtungen zu ermöglichen, die eine kurz- oder langfristige diagnostische Analyse oder Überwachung durchführen.
1 veranschaulicht die Umgebung eines beispielhaften medizinischen Vorrichtungssystems 2 in Verbindung mit einem Patienten 4 und einem Herzen 6 gemäß einer Einrichtung und einem Verfahren bestimmter hierin beschriebener Beispiele. Die beispielhaften Techniken können mit einer IMD 10 verwendet werden, die sondenlos sein kann und in drahtloser Kommunikation mit der externen Vorrichtung 12 steht, wie in 1 veranschaulicht. In einigen Beispielen kann die IMD 10 mit einer oder mehreren Sonden gekoppelt sein. In einigen Beispielen kann die IMD 10 außerhalb einer Brusthöhle des Patienten 4 implantiert werden (z. B. subkutan an der in 1 veranschaulichten Bruststelle). Die IMD 10 kann in der Nähe des Brustbeins in der Nähe und/oder knapp unterhalb der Höhe des Herzens 6 positioniert werden.
In einigen Beispielen kann die IMD 10 die Form eines einsetzbaren Herzmonitors (Insertable Cardiac Monitor - ICM) von Reveal LINQ™ oder eines Holter-Herzmonitors annehmen, die beide von Medtronic plc, Dublin, Irland, erhältlich sind. Wie hierin erläutert, können die Techniken der Offenbarung durch eine implantierbare Vorrichtung wie etwa der IMD 10 durchgeführt werden.
In anderen Beispielen können die hierin beschriebenen Techniken durch eine externe medizinische Vorrichtung, wie die externe Vorrichtung 12, zusätzlich zu oder anstelle von der IMD 10 durchgeführt werden. Eine solche externe medizinische Vorrichtung kann außerhalb des Patienten 4 positioniert werden (z. B. auf der Haut des Patienten 4 positioniert werden) und kann eine oder alle der hierin in Bezug auf die IMD 10 beschriebenen Funktionen ausführen. Die externe Vorrichtung 12 kann eine Rechenvorrichtung sein, die für die Verwendung in Umgebungen wie einem Heim, einer Klinik oder einem Krankenhaus konfiguriert ist, und kann ferner konfiguriert sein, um mit der IMD 10 über drahtlose Telemetrie zu kommunizieren. Beispielsweise kann die externe Vorrichtung 12 mit einem entfernten Patientenüberwachungssystem gekoppelt sein, wie Carelink®, erhältlich von Medtronic plc, Dublin, Irland. Die externe Vorrichtung 12 kann in einigen Beispielen einen Programmierer, einen externen Monitor oder eine mobile Vorrichtung, wie ein mobiles Telefon, ein „intelligentes“ Telefon, einen Laptop, einen Tablet-Computer, einen persönlichen digitalen Assistenten (PDA) umfassen. In einigen Beispielen ist die externe Vorrichtung 12 eine tragbare elektronische Vorrichtung wie das SEEQ™ Mobile Cardiac Telemetry (MCT-) System erhältlich von Medtronic plc, Dublin, Irland, oder eine andere Art von tragbarer „intelligenter“ elektronischer Kleidung, wie eine „intelligente“ Uhr, ein „intelligentes“ Pflaster oder eine „intelligente“ Brille.
In einigen Beispielen kann ein Benutzer, wie ein Arzt, Techniker, Chirurg, Elektrophysiologe oder ein anderer Kliniker, mit der externen Vorrichtung 12 interagieren, um physiologische oder diagnostische Informationen von der IMD 10 abzurufen. In einigen Beispielen kann ein Benutzer, wie bei dem Patienten 4 oder ein Kliniker, wie vorstehend beschrieben, ebenso mit der externen Vorrichtung 12 interagieren, um die IMD 10 zu programmieren, z. B. Werte für Betriebsparameter der IMD 10 auszuwählen oder anzupassen. In einigen Beispielen wirkt die externe Vorrichtung 12 als ein Zugangspunkt, um die Kommunikation mit der IMD 10 zu ermöglichen.
Ein Benutzer, wie ein Arzt, Techniker, Chirurg, Elektrophysiologe oder ein anderer Kliniker, kann mit der externen Vorrichtung 12 interagieren, um physiologische oder diagnostische Informationen von der IMD 10 abzurufen. Ein Benutzer kann ebenso mit der externen Vorrichtung 12 interagieren, um die IMD 10 zu programmieren, z. B. Werte für Betriebsparameter der IMD auszuwählen. Die externe Vorrichtung 12 kann einen Prozessor beinhalten, der konfiguriert ist, um EGM und/oder andere erfasste Signale auszuwerten, die von der IMD 10 an die externe Vorrichtung 12 übertragen werden.
In jedem solchen Beispiel kann die Verarbeitungsschaltung des medizinischen Vorrichtungssystems 2 Patientendaten, einschließlich Elektrogrammdaten, für den Patienten 4 an einen entfernten Computer (z. B. die externe Vorrichtung 12 oder eine andere in 1 nicht gezeigte Vorrichtung) übertragen. In einigen Beispielen kann die Verarbeitungsschaltung des medizinischen Vorrichtungssystems 2 eine Bestimmung übertragen, dass der Patient 4 eine Arrhythmieepisode durchmacht, wie eine Episode von Bradykardie, Tachykardie, Vorhofflimmern oder Kammerflimmern.
Die externe Vorrichtung 12 kann eine Rechenvorrichtung sein (z. B. in einer Heim-, ambulanten, Klinik- oder Krankenhausumgebung verwendet), um über drahtlose Telemetrie mit der IMD 10 zu kommunizieren. Die externe Vorrichtung 12 kann ein entferntes Patientenüberwachungssystem beinhalten oder mit diesem gekoppelt sein, wie Carelink®, erhältlich von Medtronic plc, Dublin, Irland. In einigen Beispielen kann die externe Vorrichtung 12 Daten, Warnungen, physiologische Patienteninformationen oder andere Informationen von der IMD 10 empfangen.
Die externe Vorrichtung 12 kann verwendet werden, um Befehle oder Betriebsparameter in die IMD 10 zu programmieren, um ihre Funktion zu steuern (z. B. wenn es als ein Programmierer für die IMD 10 konfiguriert ist). In einigen Beispielen kann die externe Vorrichtung 12 verwendet werden, um die IMD 10 abzufragen, um Daten abzurufen, einschließlich Vorrichtungsbetriebsdaten sowie physiologischer Daten, die in dem IMD-Speicher akkumuliert sind. Eine solche Abfrage kann automatisch gemäß einem Zeitplan erfolgen und/oder kann als Reaktion auf einen entfernten oder lokalen Benutzerbefehl erfolgen. Programmierer, externe Monitore und Verbrauchervorrichtungen sind Beispiele für externe Vorrichtungen 12, die verwendet werden können, um die IMD 10 abzufragen. Beispiele von Kommunikationstechniken, die von der IMD 10 und der externen Vorrichtung 12 verwendet werden, beinhalten Hochfrequenz- (HF-) Telemetrie, die eine über Bluetooth, WiFi oder einen medizinischen Implantatskommunikationsdienst (MICS) hergestellte HF-Verbindung sein kann. In einigen Beispielen kann die externe Vorrichtung 12 eine Benutzerschnittstelle beinhalten, die konfiguriert ist, um dem Patienten 4, einem Kliniker oder einem anderen Benutzer die Ferninteraktion mit der IMD 10 zu ermöglichen. In einigen solchen Beispielen kann die externe Vorrichtung 12 und/oder jede andere Vorrichtung des medizinischen Vorrichtungssystems 2 eine tragbare Vorrichtung sein (z. B. in der Form einer Uhr, Halskette oder eines anderen tragbaren Gegenstands).
Das medizinische Vorrichtungssystem 2 ist ein Beispiel für ein medizinisches Vorrichtungssystem, das konfiguriert ist, um eine Erkennung, Verifikation und Meldung von Arrhythmie durchzuführen. Gemäß den Techniken der Offenbarung implementiert das medizinische Vorrichtungssystem 2 eine Arrhythmieerkennung durch maschinelles Lernen und eine Merkmalsabgrenzung, um Arrhythmien bei dem Patienten 4 zu erkennen und zu klassifizieren. Zusätzliche Beispiele für die eine oder die mehreren anderen implantierten oder externen Vorrichtungen können einen implantierten Mehrkanal-Herzschrittmacher, ICD, IPG, einen sondenlosen (z. B. Herz-) Schrittmacher, extravaskulären Schrittmacher und/oder ICD oder IMD oder Kombinationen solcher IMD, die konfiguriert sind, um CRT an das Herz 6 abzugeben, einen externen Monitor, eine externe Therapieabgabevorrichtung, wie eine externe Stimulation oder eine elektrische Stimulationsvorrichtung, oder eine Arzneimittelpumpe beinhalten. In einigen Beispielen kann die IMD 10 ein maschinelles Lernsystem implementieren, wie ein neuronales Netzwerk, ein Deep-Learning-System oder eine andere Art von prädiktivem Analysesystem.
Kommunikationsschaltungen jeder der Vorrichtungen des medizinischen Vorrichtungssystems 2 (z. B. IMD 10 und externe Vorrichtung 12) können es den Vorrichtungen ermöglichen, miteinander zu kommunizieren. Obwohl ein oder mehrere Sensoren (z. B. Elektroden) hierin als an einem Gehäuse der IMD 10 positioniert beschrieben werden, können darüber hinaus solche Sensoren in anderen Beispielen an einem Gehäuse einer anderen Vorrichtung positioniert sein, die im oder außerhalb des Patienten 4 implantiert ist. In solchen Beispielen können eine oder mehrere der anderen Vorrichtungen eine Verarbeitungsschaltung, die konfiguriert ist, um Signale von den Elektroden oder anderen Sensoren auf den jeweiligen Vorrichtungen zu empfangen, und/oder eine Kommunikationsschaltung beinhalten, die konfiguriert ist, um die Signale von den Elektroden oder anderen Sensoren an eine andere Vorrichtung (z. B. externe Vorrichtung 12) oder einen Server zu übertragen.
Gemäß den Techniken der Offenbarung verwendet ein medizinisches Vorrichtungssystem 2 die Merkmalsabgrenzung und maschinelles Lernen, um eine Arrhythmieerkennung und -klassifizierung bei einem Patienten durchzuführen. Insbesondere verwendet eine medizinische Vorrichtung wie die IMD 10 oder die externe Vorrichtung 12 die Merkmalsabgrenzung, um eine vorläufige Arrhythmieerkennung bei Patient 4 durchzuführen. In einigen Beispielen wendet die medizinische Vorrichtung ein maschinelles Lernmodell auf Elektrokardiogrammdaten des Patienten 2 an, um zu verifizieren, dass die Merkmalsabgrenzung der Elektrokardiogrammdaten eine Arrhythmieepisode korrekt erkannt hat. In einigen Beispielen wendet die medizinische Vorrichtung ein maschinelles Lernmodell auf Elektrokardiogrammdaten des Patienten 2 an, um zu verifizieren, dass die Merkmalsabgrenzung der Elektrokardiogrammdaten eine Arrhythmieepisode korrekt als eine bestimmte Art von Arrhythmie klassifiziert hat. Für die Vereinfachung der Veranschaulichung beschreiben die folgenden Abschnitte die Techniken der Offenbarung, wie sie von der IMD 10 durchgeführt werden. Die Techniken der Offenbarung können jedoch durch andere Arten von medizinischen Vorrichtungen durchgeführt werden, wie der externen Vorrichtung 12 oder eine Kombination von medizinischen Vorrichtungen (z. B. der IMD 10 und der externen Vorrichtung 12), die in Verbindung miteinander betrieben werden.
In einem Beispiel der Techniken der Offenbarung erfasst die IMD 10 Elektrokardiogrammdaten des Patienten 4. Die IDM 10 führt eine merkmalsbasierte Abgrenzung der Elektrokardiogrammdaten durch, um Herzmerkmale zu erhalten, die auf eine Arrhythmieepisode bei dem Patienten 4 hinweisen. Die IDM 10 bestimmt, ob die Herzmerkmale Schwellenwertkriterien für die Anwendung eines maschinellen Lernmodells zum Verifizieren der merkmalsbasierten Abgrenzung der Elektrokardiogrammdaten erfüllen. In einigen Beispielen bestimmt die IMD 10 ferner, dass ein Rauschen von wenigstens einem der Herzmerkmale kleiner als ein vorbestimmter Schwellenwert ist. In einigen Beispielen bestimmt die IMD 10 ferner, dass sich der Patient in einem ersten Haltungszustand einer Vielzahl von Haltungszuständen oder einem ersten Aktivitätszustand einer Vielzahl von Aktivitätszuständen befindet. Als Reaktion auf das Bestimmen, dass die Herzmerkmale die Schwellenwertkriterien erfüllen, wendet die IDM 10 das maschinelle Lernmodell auf die erfassten Elektrokardiogrammdaten an, um z. B. zu verifizieren, dass eine Arrhythmieepisode bei dem Patienten 4 aufgetreten ist oder um eine oder mehrere zusätzliche Arten von Arrhythmien zu erkennen, die bei dem Patienten 4 aufgetreten sind.
In einem Beispiel der Techniken der Offenbarung kann die IMD 10 Arrhythmieepisoden klassifizieren, indem Herzmerkmale, die mit der Arrhythmieepisode übereinstimmen, mit Herzmerkmalen eines von der IMD 10 verwalteten Arrhythmiewörterbuchs verglichen werden. Die IMD 10 vergleicht erste Herzmerkmale der Elektrokardiogrammdaten mit Herzmerkmalen, die durch einen Eintrag des Arrhythmiewörterbuchs definiert sind. Als Reaktion auf das Bestimmen, dass die ersten Herzmerkmale der Elektrokardiogrammdaten Herzmerkmalen ähnlich sind, die durch einen Eintrag des Arrhythmiewörterbuchs definiert sind, bestimmt die IMD 10 beispielsweise, dass die ersten Herzmerkmale darauf hinweisen, dass bei dem Patienten 4 eine Arrhythmieepisode aufgetreten ist, die eine Klassifizierung ist, die durch den passenden Eintrag in dem Arrhythmiewörterbuch definiert wird.
Als ein weiteres Beispiel wendet die IMD 10 als Reaktion auf das Bestimmen, dass die ersten Herzmerkmale der Elektrokardiogrammdaten nicht den Herzmerkmalen ähnlich sind, die durch beliebige Einträge eines Arrhythmiewörterbuchs definiert sind, ein maschinelles Lernmodell an, um eine Klassifizierung einer Arrhythmieepisode zu bestimmen, die durch die ersten Herzmerkmale nachgewiesen werden. Die IMD 10 speichert die bestimmte Arrhythmieklassifizierung und Herzmerkmale als einen neuen Eintrag in dem Arrhythmiewörterbuch, um das Arrhythmiewörterbuch aufzubauen. Beim anschließenden Erkennen zweiter Herzmerkmale, die den Herzmerkmalen eines Eintrags des Arrhythmiewörterbuchs ähnlich sind, über die Merkmalsabgrenzung, bestimmt die IMD 10, dass die zweiten Herzmerkmale auf eine Arrhythmieepisode derselben Klassifizierung wie die in dem Eintrag des Arrhythmiewörterbuchs definierte Arrhythmieepisode hinweisen und Herzmerkmale beinhalten, die mit den zweiten Herzmerkmalen übereinstimmen.
Die Techniken der Offenbarung können spezifische Verbesserungen auf dem Gebiet der Erkennung und Klassifizierung von Arrhythmie durch medinische Vorrichtungen wie die IMD 10 bereitstellen. Beispielsweise können die Techniken der Offenbarung Modelle des maschinellen Lernens nur für die Analyse von Elektrogrammsignalen verwenden, die durch Merkmalsabgrenzung als wahrscheinlich eine Arrhythmieepisode bei dem Patienten vorliegend identifiziert wurden. Durch die Verwendung von maschinellen Lernmodellen, um die Arrhythmieerkennung bei dem Patienten 4 zu verifizieren, die durch Merkmalsabgrenzung durchgeführt wird, können die Techniken der Offenbarung maschinelles Lernen wirksam einsetzen, um die Genauigkeit und die Flexibilität bei der Arrhythmieerkennung zu erhöhen. Durch die Verwendung einer Merkmalsabgrenzung mit geringer Leistung, um die Verwendung von rechenkomplexen, leistungsintensiven maschinellen Lernmodellen auf nur die relevantesten Patientendaten zu beschränken, können die Techniken der Offenbarung ferner maschinelle Lernmodelle effizient implementieren, um die Arrhythmieerkennung ohne das negative Erhöhen des Leistungsverbrauchs und Verkürzen der Batterielebensdauer solcher medizinischen Vorrichtung zu erkennen.
2 ist ein Blockdiagramm, das ein Beispiel der implantierbaren medizinischen Vorrichtung von 1 veranschaulicht. Wie in 2 angezeigt, beinhaltet die IMD 10 eine Verarbeitungsschaltung 50, eine Erfassungsschaltung 52, eine Kommunikationsschaltung 54, einen Speicher 56, Sensoren 58, eine Umschaltschaltung 60, Merkmalsabgrenzungsschaltung 260 und Elektroden 16A, 16B (im Folgenden „Elektroden 16“), von denen eine oder mehrere in einem Gehäuse der IMD 10 angeordnet sein können. In einigen Beispielen beinhaltet der Speicher 56 computerlesbare Anweisungen, die, wenn sie durch die Verarbeitungsschaltung 50 ausgeführt werden, bewirken, dass die IMD 10 und die Verarbeitungsschaltung 50 verschiedene Funktionen durchführen, die der IMD 10 und der Verarbeitungsschaltung 50 hierin zugeschrieben werden. Der Speicher 56 kann beliebige flüchtige, nichtflüchtige, magnetische, optische oder elektrische Medien beinhalten, wie einen Direktzugriffsspeicher (RAM), einen Festwertspeicher (ROM), einen nichtflüchtigen RAM (NVRAM), einen elektrisch löschbaren programmierbaren ROM (EEPROM), Flash-Speicher oder beliebige andere digitale Medien.
Die Verarbeitungsschaltung 50 kann eine Schaltung mit fester Funktion und/oder eine programmierbare Verarbeitungsschaltung beinhalten. Die Verarbeitungsschaltung 50 kann einen oder mehrere von einem Mikroprozessor, einer Steuervorrichtung, einem digitalen Signalprozessor (DSP), einer anwendungsspezifischen integrierten Schaltung (ASIC), einem feldprogrammierbaren Gate-Array (FPGA) oder einer äquivalenten diskreten oder analogen Logikschaltung beinhalten. In einigen Beispielen kann die Verarbeitungsschaltung 50 mehrfache Komponenten beinhalten, wie eine beliebige Kombination aus einem oder mehreren Mikroprozessoren, einer oder mehreren Steuervorrichtungen, einem oder mehreren DSP, einer oder mehreren ASIC oder einem oder mehreren FPGA sowie anderen diskreten oder integrierten logischen Schaltungen. Die hierin der Verarbeitungsschaltung 50 zugeschriebenen Funktionen können als Software, Firmware, Hardware oder eine beliebige Kombination davon ausgeführt sein.
Die Erfassungsschaltung 52 und die Kommunikationsschaltung 54 können selektiv mit den Elektroden 16A, 16B über die Umschaltschaltung 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 Elektrokardiogrammdaten für den Patienten 4 zu produzieren. In einigen Beispielen führt die Verarbeitungsschaltung 50 eine Merkmalsabgrenzung der erfassten Elektrokardiogrammdaten über die Merkmalsbeschreibungsschaltung 260 durch, um eine Arrhythmieepisode des Patienten 4 zu erkennen. In einigen Beispielen überträgt die Verarbeitungsschaltung 50 über die Kommunikationsschaltung 54 die Elektrokardiogrammdaten für den Patienten 4 an eine externe Vorrichtung, wie die externe Vorrichtung 12 von 1. Beispielweise sendet die IMD 10 digitalisierte Elektrokardiogrammdaten an die externe Vorrichtung 12 von 1 für die Datenverarbeitung oder Überprüfung durch einen Arzt. In einigen Beispielen überträgt die IMD 10 ein oder mehrere Segmente der Elektrokardiogrammdaten als Reaktion auf das Erkennen einer Arrhythmieepisode über eine Merkmalsbegrenzungsschaltung 260. In einem anderen Beispiel überträgt die IMD 10 ein oder mehrere Segmente der Elektrokardiogrammdaten als Reaktion auf Anweisungen von der externen Vorrichtung 12 (z. B. wenn der Patient 4 ein oder mehrere Symptome einer Arrhythmie erfährt und gibt einen Befehl in die externe Vorrichtung 12 ein, der die IMD 10 anweist, die Elektrokardiogrammdaten für die Analyse durch ein Überwachungszentrum oder einen Kliniker hochzuladen).
In einigen Beispielen beinhaltet die IMD 10 einen oder mehrere Sensoren 58, wie einen oder mehrere Beschleunigungsmesser, Mikrofone und/oder Drucksensoren. Die Erfassungsschaltung 52 kann Signale von den Sensoren 58 überwachen und von den Sensoren 58 erhaltene Patientendaten an eine externe Vorrichtung, wie die externe Vorrichtung 12 von 1, für die Analyse übertragen. In einigen Beispielen kann die Erfassungsschaltung 52 einen oder mehrere Filter und Verstärker zum Filtern und Verstärken von Signalen beinhalten, die von einer oder mehreren der Elektroden 16A, 16B und/oder anderen Sensoren 58 empfangen werden. In einigen Beispielen können die Erfassungsschaltung 52 und/oder die Verarbeitungsschaltung 50 einen Gleichrichter, Filter und/oder Verstärker, einen Erfassungsverstärker, Komparator und/oder Analog-DigitalWandler beinhalten.
Die Kommunikationsschaltung 54 kann jede geeignete Hardware, Firmware, Software oder eine beliebige Kombination davon beinhalten, um mit einer anderen Vorrichtung zu kommunizieren, wie der externen Vorrichtung 12 oder einer anderen medizinischen Vorrichtung oder einem anderen medizinischen Sensor, wie einer Druckerfassungsvorrichtung. Unter der Steuerung der Verarbeitungsschaltung 50 kann die Kommunikationsschaltung 54 Downlink-Telemetrie von der externen Vorrichtung 12 oder einer anderen Vorrichtung mit der Hilfe einer internen oder externen Antenne, z. B. Antenne 26, empfangen sowie Uplink-Telemetrie senden. In einigen Beispielen kann die Kommunikationsschaltung 54 mit der externen Vorrichtung 12 kommunizieren. Außerdem kann die Verarbeitungsschaltung 50 mit einer vernetzten Rechenvorrichtung über eine externe Vorrichtung (z. B. externe Vorrichtung 12) und ein Computernetzwerk, wie das von Medtronic, plc, Dublin, Irland, entwickelte Medtronic CareLink®-Netzwerk kommunizieren.
Ein Kliniker oder ein anderer Benutzer kann Daten von der IMD 10 unter Verwendung der externen Vorrichtung 12 oder unter Verwendung einer anderen lokalen oder vernetzten Rechenvorrichtung abrufen, die konfiguriert ist, um über die Kommunikationsschaltung 54 mit der Verarbeitungsschaltung 50 zu kommunizieren. Der Kliniker kann ebenso Parameter der IMD 10 unter Verwendung der externen Vorrichtung 12 oder einer anderen lokalen oder vernetzten Rechenvorrichtung programmieren. In einigen Beispielen kann der Kliniker einen oder mehrere Parameter auswählen, die definieren, wie die IMD 10 Elektrokardiogrammdaten des Patienten 4 erfasst.
Eine oder mehrere Komponenten der IMD 10 können an eine Leistungsquelle (in 2 nicht gezeigt) gekoppelt sein, die eine wiederaufladbare oder nicht wiederaufladbare Batterie beinhalten kann, die in einem Gehäuse der IMD 10 positioniert ist. Eine nicht wiederaufladbare Batterie kann ausgewählt werden, um mehrere Jahre zu halten, während eine wiederaufladbare Batterie von einer externen Vorrichtung induktiv aufgeladen werden kann, z. B. täglich oder wöchentlich.
Gemäß den Techniken der Offenbarung erfasst die Verarbeitungsschaltung 50 mit der Erfassungsschaltung 52 und über die Elektroden 16 Elektrokardiogrammdaten des Patienten 4. In einigen Beispielen sind die Elektrokardiogrammdaten ein EKG für den Patienten 4. Die Verarbeitungsschaltung 50 führt eine Merkmalsabgrenzung der Elektrokardiogrammdaten über die Merkmalsabgrenzungsschaltung 260 durch, um ein oder mehrere Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen. Die Merkmalsbeschreibungsschaltung 260 kann ferner eine vorläufige Erkennung einer Arrhythmieepisode durchführen. In einigen Beispielen beinhaltet die Merkmalsabgrenzungsschaltung 260 eine Schaltung, die konfiguriert ist, um eine oder mehrere von QRS-Erkennung, refraktärer Verarbeitung, Rauschverarbeitung oder Abgrenzung der Elektrokardiogrammdaten durchzuführen. Beispielsweise empfängt die Merkmalsabgrenzungsschaltung 260 ein Rohsignal über die Erfassungsschaltung 50 und/oder die Sensoren 58 und extrahiert ein oder mehrere Herzmerkmale aus dem Rohsignal. In einigen Beispielen identifiziert die Merkmalsabgrenzungsschaltung 260 ein oder mehrere Herzmerkmale, wie eines oder mehrere von RR-Intervallen, die in den Elektrokardiogrammdaten vorliegen, eine mittlere Herzfrequenz, die in den Elektrokardiogrammdaten vorliegt, eine minimale Herzfrequenz, die in den Elektrokardiogrammdaten vorliegt, eine maximale Herzfrequenz, die in den Elektrokardiogrammdaten vorliegt, ein PR-Intervall, das in den Elektrokardiogrammdaten vorliegt, eine Variabilität der Herzfrequenz, die in den Elektrokardiogrammdaten vorliegt, eine oder mehrere Amplituden eines oder mehrerer Merkmale eines EKG, ein Intervall zwischen den oder mehreren Merkmale des EKGs, einen T-Wellen-Alternans, QRS-Morphologiemessungen oder andere Arten von Herzmerkmalen, die hierin nicht ausdrücklich beschrieben sind.
Als ein Beispiel identifiziert die Merkmalsabgrenzungsschaltung 260 ein oder mehrere Merkmale einer T-Welle eines Elektrokardiogramms von Patient 4, um eine Arrhythmieepisode bei Patient 4 zu erkennen. In einigen Beispielen sind das eine oder die mehreren identifizierten Merkmale eine oder mehrere Amplituden der T-Welle. In einigen Beispielen sind das eine oder die mehreren identifizierten Merkmale eine Frequenz der T-Welle. In einigen Beispielen beinhalten das eine oder die mehreren identifizierten Merkmale wenigstens eine Amplitude der T-Welle und eine Frequenz der T-Welle. In einigen Beispielen identifiziert die Merkmalsabgrenzungsschaltung 260 eine oder mehrere relative Änderungen in dem einen oder den mehreren identifizierten Merkmalen, die auf eine Arrhythmieepisode bei dem Patienten 4 hinweisen. In einigen Beispielen identifiziert die Merkmalsabgrenzungsschaltung 260 eine oder mehrere Interaktionen zwischen mehrfachen identifizierten Merkmalen, die auf eine Arrhythmieepisode bei dem Patienten 4 hinweisen. In einigen Beispielen analysiert die Merkmalsabgrenzungsschaltung 260 Patientendaten, die einen oder mehrere Werte darstellen, die über einen kurzfristigen Zeitraum (z. B. etwa drei Minuten) gemittelt werden. Beispielsweise können die Elektrokardiogrammdaten eine oder mehrere einer durchschnittlichen Frequenz oder einer durchschnittlichen Amplitude einer T-Welle oder eine QRS-Welle eines Elektrokardiogramms des Patienten 4 beinhalten, um die Arrhythmieepisode zu erkennen.
Die Verarbeitungsschaltung 50 kann eine Merkmalsabgrenzung über die Merkmalsabgrenzungsschaltung 260 anwenden, um zu bestimmen, dass das eine oder die mehreren Herzmerkmale auf eine Arrhythmieepisode hinweisen. In einigen Beispielen wendet die Verarbeitungsschaltung 50 eine Merkmalsabgrenzung über die Merkmalsabgrenzungsschaltung 260 an, um die erkannte Arrhythmieepisode als eine Arrhythmieepisode einer bestimmten Art (z. B. Bradykardie, Tachykardie, Vorhofflimmern oder Kammerflimmern) zu klassifizieren. In einigen Beispielen führt die Verarbeitungsschaltung 50 eine Merkmalsabgrenzung der erfassten Elektrokardiogrammdaten über die Merkmalsabgrenzungsschaltung 260 durch, wie nachstehend ausführlicher beschrieben. In einigen Beispielen ist die von der IMD 10 durchgeführte Merkmalsbegrenzung von reduzierter Komplexität, um Leistung in der IMD 10 zu sparen. Dies kann es der Merkmalsabgrenzungsschaltung 260 ermöglichen, eine anfängliche oder vorläufige Erkennung von Arrhythmie durchzuführen.
Zusätzlich wendet die Verarbeitungsschaltung 50, wie nachstehend ausführlich beschrieben, das maschinelle Lernsystem 250 auf die Elektrokardiogrammdaten an, um die Erkennung von Arrhythmieepisoden durch die Merkmalsabgrenzungsschaltung 260 zu verifizieren oder zu klassifizieren. Während das maschinelle Lernsystem 250 eine umfassendere und detailliertere Analyse der Elektrokardiogrammdaten durchführen kann, um Arrhythmie über die Merkmalsabgrenzungsschaltung 260 genauer zu erkennen, kann das maschinelle Lernsystem 250 mehr Rechenressourcen und Leistung über die Merkmalsabgrenzungsschaltung 260 erfordern. Indem das maschinelle Lernsystem 250 verwendet wird, um die Erkennung von Arrhythmieepisoden durch die Merkmalsabgrenzungsschaltung 260 zu verifizieren oder zu klassifizieren, kann die IMD 10 die hohe Genauigkeit nutzen, die das maschinelle Lernsystem 250 bietet, während der Leistungsverbrauch oder die Batterielebensdauer der IMD 10 minimiert wird. In einigen Beispielen überträgt die Verarbeitungsschaltung 50 über die Kommunikationsschaltung 54 eine oder mehrere der Elektrokardiogrammdaten, das eine oder die mehreren Herzmerkmale, die in den Elektrokardiogrammdaten vorliegen, einen Hinweis auf eine Arrhythmieepisode, die durch das maschinelle Lernsystem 250 verifiziert wurde, oder einen Hinweis auf eine Klassifizierung der erkannten Arrhythmieepisode, wie durch das maschinelle Lernsystem 250 bestimmt, an die externe Vorrichtung 12.
In einigen Beispielen wird das durch das maschinelle Lernsystem 250 implementierte Modell des maschinellen Lernens mit Trainingsdaten trainiert, die Elektrokardiogrammdaten für eine Vielzahl von Patienten umfassen, die mit beschreibenden Metadaten gekennzeichnet sind. Beispielsweise verarbeitet das maschinelle Lernsystem 250 während einer Trainingsphase eine Vielzahl von EKG-Wellenformen. Typischerweise stammt die Vielzahl von EKG-Wellenformen von einer Vielzahl unterschiedlicher Patienten. Jede EKG-Wellenform ist mit einer oder mehreren Arrhythmieepisoden einer oder mehrerer Arten gekennzeichnet. Beispielsweise kann eine Trainings-EKG-Wellenform eine Vielzahl von Segmenten beinhalten, wobei jedes Segment mit einem Deskriptor gekennzeichnet ist, der das Fehlen einer Arrhythmie oder das Vorhandensein einer Arrhythmie einer bestimmten Klassifizierung angibt (z. B. Bradykardie, Tachykardie, Vorhofflimmern, Kammerflimmern oder AV-Block). In einigen Beispielen kennzeichnet ein Kliniker das Vorhandensein von Arrhythmien in jeder EKG-Wellenform von Hand. In einigen Beispielen wird das Vorliegen von Arrhythmien in jeder EKG-Wellenform gemäß der Klassifizierung durch einen Merkmalsabgrenzungsalgorithmus gekennzeichnet. Das maschinelle Lernsystem 250 kann betrieben werden, um die Trainingsdaten in Vektoren und Tensoren (z. B. mehrdimensionale Arrays) umzuwandeln, auf die das maschinelle Lernsystem 250 mathematische Operationen anwenden kann, wie lineare algebraische, nichtlineare oder alternative Rechenbetriebe. Das maschinelle Lernsystem 250 verwendet die Trainingsdaten 104, um das Modell des maschinellen Lernens darin zu trainieren, verschiedene Merkmale zu gewichten, die in den Elektrokardiogrammdaten gezeigt sind. In einigen Beispielen verwendet das maschinelle Lernsystem 250 die Elektrokardiogrammdaten, um ein maschinelles Lernmodell darin zu trainieren, verschiedene Koeffizienten anzuwenden, die ein oder mehrere Merkmale in einem kardialen Elektrogramm als mehr oder weniger wichtig in Bezug auf ein Auftreten einer Arrhythmie einer bestimmten Klassifizierung darstellen. Durch Verarbeiten zahlreicher solcher EKG-Wellenformen, die mit Arrhythmieepisoden gekennzeichnet sind, kann das maschinelle Lernsystem 250 ein maschinelles Lernmodell aufbauen und trainieren, um Elektrokardiogrammdaten von einem Patienten, wie dem Patienten 4 von 1 zu empfangen, die das maschinelle Lernsystem 250 zuvor nicht analysiert hat, und solche Elektrokardiogrammdaten zu verarbeiten, um das Vorliegen oder Fehlen von Arrhythmien unterschiedlicher Klassifizierungen bei dem Patienten mit einem hohen Genauigkeitsgrad zu erkennen. Je größer die Menge an Elektrokardiogrammdaten ist, mit denen das maschinelle Lernsystem 250 trainiert wird, desto höher ist typischerweise die Genauigkeit des maschinellen Lernmodells beim Erkennen oder Klassifizieren von Arrhythmie in neuen Elektrokardiogrammdaten.
Nachdem das maschinelle Lernsystem 250 das maschinelle Lernmodell trainiert hat, kann das maschinelle Lernsystem 250 Patientendaten, wie Elektrokardiogrammdaten, für einen bestimmten Patienten, wie den Patienten 4, empfangen. Das maschinelle Lernsystem 250 wendet das trainierte maschinelle Lernmodell auf die Patientendaten an, um eine Arrhythmieepisode bei dem Patienten 4 zu erkennen. Ferner wendet das maschinelle Lernsystem 250 das trainierte maschinelle Lernmodell auf die Patientendaten an, um die Arrhythmieepisode in dem Patienten als Hinweis auf eine bestimmte Art von Arrhythmie zu klassifizieren. In einigen Beispielen kann das maschinelle Lernsystem 250 eine vorläufige Bestimmung ausgeben, dass die Arrhythmieepisode auf eine bestimmte Art von Arrhythmie hinweist, sowie eine Schätzung der Gewissheit der Bestimmung. Als Reaktion auf das Bestimmen, dass die Schätzung der Gewissheit bei der Bestimmung größer ist als ein vorbestimmter Schwellenwert (z. B. 50 %, 75 %, 90 %, 95 %, 99 %), kann die Verarbeitungsschaltung 50 die Arrhythmieepisode als bestimmte Art von Arrhythmien klassifizieren. Wie hierin beschrieben, verwendet die Verarbeitungsschaltung 50 das maschinelle Lernsystem 250, um zu verifizieren, dass die
Merkmalsabgrenzungsschaltung 260 eine Arrhythmieepisode korrekt erkannt hat oder dass die Merkmalsabgrenzungsschaltung 260 eine Arrhythmieepisode korrekt als eine bestimmte Art klassifiziert hat.
In einigen Beispielen kann das maschinelle Lernsystem ein oder mehrere Herzmerkmale von Elektrokardiogrammdaten anstelle der rohen Elektrokardiogrammdaten selbst verarbeiten. Das eine oder die mehreren Herzmerkmale können über eine Merkmalsbegrenzung erhalten werden, die von der IMD 10 durchgeführt wird, wie vorstehend beschrieben. Die Herzmerkmale können z. B. ein oder mehrere RR-Intervalle, die in den Elektrokardiogrammdaten vorliegen, eine mittlere Herzfrequenz, die in den Elektrokardiogrammdaten vorliegt, eine minimale Herzfrequenz, die in den Elektrokardiogrammdaten vorliegt, eine maximale Herzfrequenz, die in den Elektrokardiogrammdaten vorliegt, ein PR-Intervall, das in den Elektrokardiogrammdaten vorliegt, eine Variabilität der Herzfrequenz, die in den Elektrokardiogrammdaten vorliegt, eine oder mehrere Amplituden eines oder mehrerer Merkmale eines EKG, einen T-Wellen-Alternans, QRS-Morphologiemessungen oder andere Arten von Herzmerkmalen beinhalten, die hierin nicht ausdrücklich beschrieben sind. In solchen beispielhaften Implementierungen kann das maschinelle Lernsystem das maschinelle Lernmodell über eine Vielzahl von Trainingsherzmerkmalen, die mit Arrhythmieepisoden gekennzeichnet sind, anstelle über die Vielzahl von EKG-Wellenformen trainieren, die wie vorstehend beschrieben mit Arrhythmieepisoden gekennzeichnet sind.
In einigen Beispielen kann das maschinelle Lernsystem 250 das maschinelle Lernmodell auf andere Arten von Daten anwenden, um zu bestimmen, dass bei dem Patienten 4 eine Arrhythmieepisode aufgetreten ist. Beispielsweise kann das maschinelle Lernsystem 250 das maschinelle Lernmodell auf eine oder mehrere Charakteristiken von Elektrokardiogrammdaten anwenden, die mit einer Arrhythmie des Patienten, einem Aktivitätsniveau der IMD 10, einer Eingangsimpedanz der IMD 10 oder einem Batteriestand der IMD 10 korreliert sind.
In weiteren Beispielen kann die Verarbeitungsschaltung 50 aus den Elektrokardiogrammdaten eine Zwischendarstellung der Elektrokardiogrammdaten erzeugen. Beispielsweise kann die Verarbeitungsschaltung 50 eine oder mehrere Signalverarbeitungs-, Signalzerlegungs-, Wavelet-Zerlegungs-, Filter- oder Rauschreduktionsoperationen auf die Elektrokardiogrammdaten anwenden, um die Zwischendarstellung der Elektrokardiogrammdaten zu erzeugen. In diesem Beispiel verarbeitet das maschinelle Lernsystem 250 eine solche Zwischendarstellung der Elektrokardiogrammdaten, um eine Arrhythmieepisode bei dem Patienten 4 zu erkennen und zu klassifizieren. Darüber hinaus kann das maschinelle Lernsystem 250 das maschinelle Lernmodell über eine Vielzahl von Trainingszwischendarstellungen, die mit Arrhythmieepisoden gekennzeichnet sind, anstelle über die Vielzahl von Roh-EKG-Wellenformen trainieren, die wie vorstehend beschrieben mit Arrhythmieepisoden gekennzeichnet sind. Die Verwendung solcher Zwischendarstellungen der Elektrokardiogrammdaten kann das Training und die Entwicklung eines leichteren, weniger rechentechnisch komplexen maschinellen Lernmodells durch das maschinelle Lernsystem 250 ermöglichen. Ferner kann die Verwendung solcher Zwischendarstellungen der Elektrokardiogrammdaten weniger Iterationen und weniger Trainingsdaten erfordern, um ein genaues maschinelles Lernmodell aufzubauen, im Gegensatz zu der Verwendung von rohen Elektrokardiogrammdaten, um das maschinelle Lernmodell zu trainieren.
In einigen Beispielen beinhaltet der Speicher 56 ein Arrhythmiewörterbuch 270. In einigen Beispielen beinhaltet das Arrhythmiewörterbuch 270 eine Vielzahl von Einträgen. Jeder Eintrag der Vielzahl von Einträgen beinhaltet eine Klassifizierung von Arrhythmie einer oder mehrerer bestimmter Arten (z. B. Bradykardie, Tachykardie, Vorhofflimmern oder Kammerflimmern). Ferner beinhaltet der Eintrag ein oder mehrere Herzmerkmale, die auf die Klassifizierung von Arrhythmie hinweisen. Wie nachstehend ausführlicher beschrieben wird, verwendet die Verarbeitungsschaltung 50 das Arrhythmiewörterbuch 270, um eine über die Merkmalsabgrenzungsschaltung 260 erkannte Arrhythmieepisode als eine bestimmte Art von Arrhythmie zu klassifizieren. Ferner wendet die Verarbeitungsschaltung 50 das maschinelle Lernsystem 250 an, um erkannte Arrhythmieepisoden zu klassifizieren, für die das Arrhythmiewörterbuch 270 keinen entsprechenden Eintrag enthält, um robuste Einträge für das Arrhythmiewörterbuch 270 aufzubauen.
Obwohl hierin in dem Kontext der beispielhaften IMD 10 beschrieben, die Elektrokardiogrammdaten des Patienten 4 erfasst, können die hierin offenbarten Techniken für die Erkennung von Arrhythmie mit anderen Arten von Vorrichtungen verwendet werden. Beispielsweise können die Techniken mit einem extrakardialen Defibrillator implementiert werden, der mit Elektroden außerhalb des kardiovaskulären Systems gekoppelt ist, einem Transkatheter-Schrittmacher, der für die Implantation in das Herz konfiguriert ist, wie dem Micra™ Transkatheter-Schrittmachersystem, das im Handel von Medtronic PLC in Dublin, Irland erhältlich ist, einem einführbaren Herzmonitor, wie der Reveal LINQ™ ICM, der ebenso von Medtronic PLC im Handel erhältlich ist, eine SEEQ™ mobile kardiale Telemetrie- (MCT-) Vorrichtung, die im Handel von Medtronic plc in Dublin, Irland erhältlich ist, einem Neurostimulator, einer Arzneimittelabgabevorrichtung, einer medizinischen Vorrichtung außerhalb des Patienten 4, einer tragbaren Vorrichtung wie einem tragbarem Kardioverter-Defibrillator, einem Fitnesstracker, oder einer anderen tragbaren Vorrichtung, einer mobilen Vorrichtung wie einem Mobiltelefon, einem „intelligenten“ Telefon, einem Laptop, einem Tablet-Computer, einem persönlichen digitalen Assistent (PDA) oder „intelligenter“ Kleidung wie einer „intelligenten“ Brille, einem „intelligenten“ Pflaster oder einer „intelligenten“ Uhr.
3 ist ein Blockdiagramm, das eine Beispielkonfiguration der implantierbaren medizinischen Vorrichtung von 1 veranschaulicht. Die Komponenten von 3 müssen nicht unbedingt maßstabsgetreu gezeichnet sein, sondern können stattdessen vergrößert werden, um Details anzuzeigen. Insbesondere ist 3 ein Blockdiagramm einer Draufsicht einer beispielhaften Konfiguration einer IMD 10 von 1.
3 ist eine konzeptionelle Zeichnung, die eine beispielhafte IMD 10 veranschaulicht, die Komponenten beinhalten kann, die im Wesentlichen der IMD 10 von 1 ähnlich sind. Neben den in den 1 und 2 veranschaulichten Komponenten, kann das in 3 veranschaulichte Beispiel der IMD 10 ebenfalls eine isolierende Abdeckung 74 in der Größenordnung eines Wafer beinhalten, die helfen kann, elektrische Signale zu isolieren, die zwischen den Elektroden 16A, 16B auf dem Gehäuse 14 und der Verarbeitungsschaltung 50 durchgehen. In einigen Beispielen kann die isolierende Abdeckung 74 über einem offenen Gehäuse 14 positioniert sein, um das Gehäuse für die Komponenten der IMD 10B auszubilden. Eine oder mehrere Komponenten der IMD 10B
(z. B. Antenne 26, Verarbeitungsschaltung 50, Erfassungsschaltung 52, Kommunikationsschaltung 54 und/oder Umschaltschaltung 60 können auf einer Unterseite der isolierenden Abdeckung 74 ausgebildet sein, wie unter Verwendung von Flip-Chip-Technologie. Die isolierende Abdeckung 74 kann auf das Gehäuse 14 geklappt werden. Wenn geklappt und auf dem Gehäuse 14 platziert, können die Komponenten der IMD 10, die auf der Unterseite der isolierenden Abdeckung 74 ausgebildet sind, in einem Spalt 78 positioniert sein, der durch das Gehäuse 14 definiert ist. Das Gehäuse 14 kann aus Titan oder einem anderen geeigneten Material (z. B. einem biokompatiblen Material) ausgebildet sein und kann eine Dicke von etwa 200 Mikrometer bis etwa 500 Mikrometer aufweisen. Diese Materialien und Abmessungen sind nur Beispiele und andere Materialien und andere Dicken sind für Vorrichtungen dieser Offenbarung möglich.
In einigen Beispielen, sammelt die IMD 10 über die Erfassungsschaltung 50 und/oder die Sensoren 58 Patientendaten des Patienten 4 einschließlich Elektrogrammdaten. Die Sensoren 58 können einen oder mehrere Sensoren beinhalten, wie einen oder mehrere Beschleunigungsmesser, Drucksensoren, optische Sensoren für die O2-Sättigung usw. In einigen Beispielen beinhalten die Patientendaten einen oder mehrere von einem Aktivitätsniveau des Patienten, einer Herzfrequenz des Patienten, einer Körperhaltung des Patienten, einem kardialen Elektrogramm des Patienten, einem Blutdruck des Patienten, Beschleunigungsmesserdaten für den Patienten oder andere Arten von parametrischen Patientendaten. In einigen Beispielen lädt die IMD 10 über die Kommunikationsschaltung 54 die Patientendaten zu der externen Vorrichtung 12 hoch, die wiederum solche Daten zu einem entfernten Überwachungszentrum oder einem Patientenüberwachungsnetzwerk hochladen kann. In einigen Beispielen lädt die IMD 10 die Patientendaten täglich hoch. In einigen Beispielen beinhalten die Patientendaten einen oder mehrere Werte, die durchschnittliche Messwerte des Patienten 4 über einen langfristigen Zeitraum (z. B. etwa 24 Stunden bis etwa 48 Stunden) darstellen. In diesem Beispiel lädt die IMD 10 sowohl die Patientendaten hoch und führt ebenso eine Arrhythmieerkennung und -klassifizierung von Patient 4 (wie nachstehend beschrieben) durch. In anderen Beispielen unterscheidet sich jedoch die medizinische Vorrichtung, die die Patientendaten verarbeitet, um eine Arrhythmie des Patienten 4 zu erkennen und/oder zu klassifizieren, von der medizinischen Vorrichtung, die eine kurzfristige Überwachung des Patienten 4 durchführt. Beispielsweise kann die IMD 10 eine kurzfristige Überwachung des Patienten 4 durchführen und die externe Vorrichtung 12 verarbeitet die Patientendaten, um eine Arrhythmie bei Patient 4 zu erkennen und/oder zu klassifizieren.
4 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung veranschaulicht. Der Einfachheit halber wird 4 in Bezug auf 1 beschrieben. In einigen Beispielen ist der Betrieb von 4 ein Betrieb zum Erkennen und Klassifizieren von Arrhythmien bei Patient 4. In dem Betrieb von 4 kombiniert System 2 die Genauigkeit des maschinellen Lernmodells des maschinellen Lernsystems 250 beim Erkennen von Arrhythmie mit dem geringen Leistungsverbrauch von Merkmalsabgrenzungsalgorithmen. Während der Betrieb von 4 mit Bezug auf die IMD 10 von 1 beschrieben wird, kann in anderen Beispielen der Betrieb von 4 z. B. durch die externe Vorrichtung 12 oder eine Kombination aus der IMD 10 und externen Vorrichtung 12 durchgeführt werden.
Wie in 4 gezeigt, erfasst die IMD 10 Elektrokardiogrammdaten von dem Patienten 4 (402). Die Elektrokardiogrammdaten können z. B. ein episodisches EKG von dem Patienten 4 oder ein EKG mit vollständiger Offenlegung von dem Patienten 4 sein. Ferner können die Elektrokardiogrammdaten des Patienten 4 von einem Einkanal- oder Mehrkanalsystem stammen. Der Einfachheit halber werden in dem Beispiel von 4 die Elektrokardiogrammdaten des Patienten 4 als episodische Einkanal-EKG-Daten beschrieben.
Die IMD 10 wendet eine Merkmalsabgrenzung auf die Elektrokardiogrammdaten an, um ein oder mehrere Herzmerkmale zu erkennen (404). Das IMD 10 wendet ferner eine Merkmalsabgrenzung auf die Elektrokardiogrammdaten an, um eine oder mehrere Arrhythmieepisoden zu erkennen. Beispielsweise kann die IMD 10 eine QRS-Erkennungsabgrenzung und eine Rauschkennzeichnung auf die Elektrokardiogrammdaten anwenden, um Arrhythmiecharakteristiken und/oder Herzmerkmale für erkannte Arrhythmieepisoden bereitzustellen (z. B. eine Herzfrequenzvariabilität während die Episode des Vorhofflimmerns, eine Dauer der Pause). In einigen Beispielen ist die Merkmalsabgrenzung ein universeller Algorithmus. In anderen Beispielen kann die Merkmalsabgrenzung ein Algorithmus mit Parametern sein, die von einem Kliniker programmiert wurden oder für den Patienten 4 spezifisch sind. In einigen Beispielen wendet die IMD 10 eine Merkmalsabgrenzung auf die Elektrokardiogrammdaten an, um eine erkannte Arrhythmieepisode als eine bestimmte Arrhythmieart zu klassifizieren.
Die IMD 10 bestimmt ferner einen Auslöser für die erkannte Arrhythmieepisode. Beispielsweise kann die Arrhythmieepisode als Reaktion auf einen automatischen Auslöser, als Reaktion auf einen Grundlinienauslöser oder als Reaktion auf eine Eingabe von dem Patienten 4 erkannt werden. Ein Grundlinienauslöser kann beispielsweise nicht als Reaktion auf eine erkannte Arrhythmie auftreten, sondern als Reaktion auf eine periodisch stattfindende Elektrogrammsegmentaufnahme (z. B. ein Segment, das bei der Implantation oder der Haftung der IMD 10 aufgenommen wird, oder Segmente, die einmal alle 24 Stunden aufgenommen werden usw.). In einigen Beispielen kann die IMD 10 das maschinelle Lernsystem 250 anwenden, um nur als Reaktion auf einen automatischen Auslöser erkannte Arrhythmieepisoden zu verifizieren, während als Reaktion auf Grundlinienauslöser oder Patienteneingaben erkannte Arrhythmieepisoden ohne Verifikation durch das maschinelle Lernsystem 250 berichtet werden können. Als Reaktion auf das Bestimmen, dass eine Arrhythmieepisode nicht durch einen automatischen Auslöser erkannt wurde (z. B. „NEIN“-Block von 406), erzeugt die IMD 10 einen Bericht über die Arrhythmie (410) und gibt den Bericht an einen Arzt oder Überwachungszentrum für die Überprüfung (412) aus, wie nachstehend beschrieben.
In einigen Beispielen kann die IMD 10 das maschinelle Lernsystem 250 verwenden, um verschiedene Aufgaben durchzuführen. Beispielsweise kann die IMD 10 das maschinelle Lernsystem 250 verwenden, um zu verifizieren, ob die Erkennung von Arrhythmie durch Merkmalsabgrenzung angemessen war. Die Verwendung des Systems 250 für maschinelles Lernen auf diese Weise kann die Rechenkomplexität des maschinellen Lernmodells für maschinelles Lernen begrenzen und kann einem Kliniker diagnostisch relevante Informationen bereitstellen. Das maschinelle Lernmodell kann beispielsweise mit einer hohen Empfindlichkeit für die Arrhythmieerkennung verwendet werden, um zu verifizieren, ob ein automatischer Auslöser für Vorhofflimmern mit einer Episode von Vorhofflimmern bei dem Patienten 4 korreliert. Als ein weiteres Beispiel kann maschinelle Lernmodell verwendet werden, um sicherzustellen, dass nur die Abschnitte des Elektrokardiogramms, die mit der Dauer einer verifizierten Episode von Vorhofflimmern bei dem Patienten 4 übereinstimmen, verwendet werden, um eine Vorhofflimmern-Belastung für den Patienten 4 zu berechnen. Wie hierin beschrieben, ist die Belastung durch eine Arrhythmieepisode ein Verhältnis einer Zeitdauer der Arrhythmieepisode zu einer Zeitdauer während der Überwachung des Patienten durch die IMD 10.
Als ein weiteres Beispiel kann die IMD 10 das maschinelle Lernsystem 250 verwenden, um das Vorliegen anderer Arrhythmieepisoden zu erkennen, die nicht durch die Merkmalsabgrenzung erkannt wurden, die jedoch mit der durch die Merkmalsabgrenzung erkannten Arrhythmieepisode übereinstimmen. Beispielsweise kann die IMD 10 das maschinelle Lernsystem 250 verwenden, um ein Vorhandensein von „hochwichtigen“ Arrhythmien zu erkennen, wie etwa Aussetzen, Vorhofflimmern oder ventrikuläre Tachykardie. Die Verwendung eines maschinellen Lernmodells, das dazu ausgelegt ist, das Vorliegen oder Fehlen einer Arrhythmieepisode einer Reihe von Arrhythmienarten zu erkennen, kann in der Rechenkomplexität eingeschränkter sein als ein maschinelles Lernmodell, das dazu ausgelegt ist, die genaue Art und Fall des Auftretens einer Arrhythmieepisode zu erkennen.
Beispielsweise mit Bezug auf den Betrieb von 4 wendet die IMD 10 als Reaktion auf das Bestimmen, dass die Arrhythmieepisode als Reaktion auf einen automatischen Auslöser erkannt wird (z. B. „JA“-Block von 406), ein maschinelles Lernmodell des maschinellen Lernsystems 250 auf die Elektrokardiogrammdaten an, um die Erkennung der Arrythmieepisode durch die Merkmalsabgrenzung zu verifizieren (408). In einigen Beispielen wendet die IMD 10 das maschinelle Lernmodell des maschinellen Lernsystems 250 auf die Elektrokardiogrammdaten an, um eine Klassifizierung der Arrhythmieepisode durch die Merkmalsabgrenzung zu verifizieren.
In einigen Beispielen ist eine als Reaktion auf einen automatischen Auslöser erkannte Arrhythmieepisode von derselben begrenzten Dauer (z. B. 30 Sekunden vor und nach der Arrhythmieerkennung) und typischerweise kürzer als von dem Patienten ausgelöste Episoden. In einigen Beispielen empfängt das maschinelle Lernmodell als eine Eingabe wenigstens einen Abschnitt einer Elektrokardiogrammwellenform, die den automatischen Auslöser bewirkt hat, und einen Grund für den Auslöser (z. B. Erkennung über Merkmalsabgrenzung eines Vorhofflimmerns, einer Bradykardie oder eines Aussetzens). Die Elektrokardiogrammwellenform kann beispielsweise eine EKG-Wellenform sein.
In einigen Beispielen empfängt das maschinelle Lernmodell als eine Eingabe eine vorverarbeitete Version der Elektrokardiogrammwellenform oder eine Signalzerlegung der Elektrokardiogrammwellenform. Beispielsweise kann die IMD 10 eine Vorverarbeitung auf die Elektrokardiogrammwellenform anwenden, indem sie einen Downsampling- oder Signalnormalisierungsbetrieb auf die Wellenform anwendet, um eine Zwischendarstellung des Elektrokardiogramms zu erzeugen. Die Signalzerlegung ist die Verwendung von Wavelet-Zerlegungsbändern oder einer Frequenzbereichsdarstellung (z. B. Spektrogramm). In einigen Beispielen kann die IMD 10 eine Vorverarbeitung auf die Elektrokardiogrammwellenform anwenden, um die Rechenkomplexität des Modells für maschinelles Lernen zu reduzieren. Durch Downsampling eines Datensatzes, der ursprünglich mit 200 Abtastwerten pro Sekunde abgetastet wurde, auf 100 Abtastwerte pro Sekunde kann die IMD 10 beispielsweise die Hälfte der Rechenressourcen benötigen, um den downgesampelten Datensatz als den ursprünglichen Datensatz zu verarbeiten. Auf ähnliche Weise kann die IMD 10 durch die Verwendung derselben Signalzerlegung wie die für die Arrhythmieerkennung verwendeten vorberechneten Daten nutzen, um die Rechenkomplexität des maschinellen Lernsystems 250 zu reduzieren, da das maschinelle Lernsystem keinen optimalen Satz von Signalfaltungsschichten lernen muss.
Als Reaktion auf das Verifizieren, dass die Erkennung der Arrhythmieepisode durch die Merkmalsabgrenzung korrekt ist, speichert und/oder überträgt die IMD 10 Elektrokardiogrammdaten für die Episoden für die Überprüfung an ein Überwachungszentrum oder einen Kliniker. Beispielsweise erzeugt die IMD 10 einen Bericht über die Arrhythmie (410) und gibt den Bericht an einen Kliniker oder ein Überwachungszentrum (412) aus. Typischerweise werden nur diejenigen Arrhythmieepisoden, die durch Merkmalsabgrenzung erkannt wurden und die von dem maschinellen Lernsystem 250 als angemessen oder wichtig verifiziert wurden, gespeichert und für die Überprüfung durch das Überwachungszentrum und/oder durch den Arzt übertragen. Wenn beispielsweise das maschinelle Lernsystem 250 eine Bradykardie-Episode erkennt und die an den Elektrokardiogrammdaten durchgeführte Merkmalsabgrenzung darauf hinweist, dass 4 von 4 nicht verrauschten Herzschlägen weniger als 30 Schläge pro Minute (BPM) betragen, dann erzeugt die IMD 10 einen Bericht, der den Arzt über das Auftreten der Arrhythmieepisode benachrichtigt.
In einem Beispiel beinhaltet der Bericht einen Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere der Herzmerkmale, die mit der Arrhythmieepisode übereinstimmen. In einigen Beispielen beinhaltet der Bericht ferner eine Klassifizierung der Arrhythmieepisode als eine bestimmte Art von Arrhythmie. In einigen Beispielen beinhaltet der Bericht einen Teilbereich der von dem Patienten 4 erhaltenen Elektrokardiogrammdaten, der mit der Arrhythmieepisode übereinstimmt. Beispielsweise kann die IMD 10 einen Teilbereich der Elektrokardiogrammdaten des Patienten 4 identifizieren, wobei der Teilbereich Elektrokardiogrammdaten für einen ersten Zeitraum vor der Arrhythmieepisode (z. B. typischerweise weniger als 10 Minuten vor dem Einsetzen von der Arrhythmieepisode), einen zweiten Zeitraum während des Auftretens der Arrhythmieepisode und einen dritten Zeitraum nach der Arrhythmieepisode beinhaltet (z. B. typischerweise weniger als 10 Minuten nach Beendigung der Arrhythmieepisode). In einigen Beispielen unterscheidet sich die Episodendauer je nach Vorrichtungsart und kann ferner von einem Verwendungsfall für die medizinische Vorrichtung, einer oder mehrerer Einstellungen der medizinischen Vorrichtung oder einer bestimmten Art von erfasster Arrhythmie abhängen. Einige Arrhythmiearten enden beispielsweise schnell selbst (was zu einer Episode von kurzer Dauer führt), während andere Arrhythmiearten anhaltend und von einer solchen Länge sind, dass die aufgezeichnete Dauer der Episode von einem bestimmten Speicherplatz auf der medizinischen Vorrichtung abhängen kann. Typischerweise ist eine Zeitdauer der Elektrokardiogrammdaten des Patienten länger als der erste, zweite und dritte Zeitraum. Ferner identifiziert die IMD 10 eines oder mehrere der Herzmerkmale, die mit dem ersten, zweiten und dritten Zeitraum übereinstimmen. Die IMD 10 beinhaltet in dem Bericht den Unterabschnitt der Elektrokardiogrammdaten und das eine oder die mehreren Herzmerkmale, die mit der ersten, zweiten und dritten Zeitperiode übereinstimmen.
In einigen Beispielen empfängt die IMD 10 als Reaktion auf den Bericht eine oder mehrere Anpassungen an einem oder mehreren Parametern, die von der IDM 10 verwendet werden, um die Elektrokardiogrammdaten von dem Patienten 4 zu erfassen. Die IMD 10 führt solche Anpassungen durch, um die Elektrokardiogrammdaten von dem Patienten 4 nachfolgend zu erfassen.
5 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung veranschaulicht. Der Einfachheit halber wird 5 in Bezug auf 1 beschrieben. In einigen Beispielen ist der Betrieb von 5 ein Betrieb zum Erkennen und Klassifizieren von Arrhythmien bei Patient 4. In dem Betrieb von 5 kombiniert System 2 die Genauigkeit des maschinellen Lernmodells des maschinellen Lernsystems 250 beim Erkennen von Arrhythmie mit dem geringen Leistungsverbrauch von Merkmalsabgrenzungsalgorithmen. Während der Betrieb von 5 mit Bezug auf die IMD 10 von 1 beschrieben wird, kann in anderen Beispielen der Betrieb von 5 z. B. durch die externe Vorrichtung 12 oder eine Kombination aus der IMD 10 und externen Vorrichtung 12 durchgeführt werden.
Wie in 5 gezeigt, erfasst die IMD 10 Elektrokardiogrammdaten von dem Patienten 4 (502). Die IMD 10 wendet eine Merkmalsabgrenzung auf die Elektrokardiogrammdaten an, um ein oder mehrere Herzmerkmale zu erkennen (504). Die IMD 10 bestimmt ferner, ob die Arrhythmieepisode als Reaktion auf einen automatischen Auslöser erkannt wurde (506). Beispielweise erzeugt die IMD 10 dann als Reaktion auf das Bestimmen, dass eine Arrhythmieepisode nicht durch einen automatischen Auslöser erkannt wurde (z. B. „NEIN“-Block von 506), wie dies der Fall für eine Arrhythmieepisode sein kann, die als Reaktion auf einen Grundlinienauslöser oder als Reaktion auf eine von dem Patienten 4 empfangene Eingabe erkannt wurde, einen Bericht über die Arrhythmie (510) und gibt den Bericht an einen Arzt oder Überwachungszentrum für die Überprüfung aus (512). Der Betrieb der Schritte 502, 504, 506, 510 und 512 kann auf eine im Wesentlichen ähnliche Weise wie die Schritte 402, 404, 406, 410 beziehungsweise 412 von 4 auftreten.
Als Reaktion auf das Bestimmen, dass die Arrhythmieepisode als Reaktion auf einen automatischen Auslöser erkannt wird (z. B. „JA“-Block von 506), verarbeitet die IMD die Elektrokardiogrammdaten, um gefilterte Elektrokardiogrammdaten zu produzieren (507). Beispielsweise kann die IMD 10 Elektrokardiogrammdaten, wie eine oder mehrere EKG-Episoden, basierend auf Vorrichtungs- und physiologischen Parametern, wie Eingangsimpedanz, Aktivitätsniveau und Haltungsänderungen, aufbereiten, um die gefilterten Elektrokardiogrammdaten zu produzieren. Während Zeiträumen, in denen Patient 4 ein hohes Aktivitätsniveau aufweist, oder während Zeiträumen, in denen die IMD 10 stark variierenden Pegeln der Eingangsimpedanz ausgesetzt ist, kann die Merkmalsabgrenzung beispielsweise fälschlicherweise Arrhythmieepisoden aufgrund automatischer Auslöser als Reaktion auf Rauschen in den Elektrokardiogrammdaten erkennen. Die Verwendung von gefilterten Elektrokardiogrammdaten kann es der IMD 10 ermöglichen, diese Zeiträume von verrauschten Daten zu verwerfen, die Signalartefakten wie Amplitudenpegeländerungen unterliegen können. Darüber hinaus kann die Verwendung von gefilterten Elektrokardiogrammdaten die Rechenkomplexität des Modells für maschinelles Lernen reduzieren, da das Modell für maschinelles Lernen ausgelegt sein kann, um nicht verrauschte Daten zu analysieren. Darüber hinaus kann die Verwendung von gefilterten Elektrokardiogrammdaten es der IMD 10 ermöglichen, die Verwendung des maschinellen Lernmodells zu vermeiden, um zu verifizieren, ob eine Arrhythmieepisode durch die Merkmalsabgrenzung korrekt erkannt wurde, wenn die Arrhythmieepisode wahrscheinlich aufgrund von Herzrauschen in den Elektrogrammdaten fälschlicherweise ausgelöst wird, wodurch der Leistungsverbrauch der IMD 10 weiter reduziert wird. In einigen Beispielen werden automatisch ausgelöste Arrhythmieepisoden, die einer aussetzungsbezogenen Synkope oder Bradykardie zugeordnet sind, möglicherweise nicht von der Verarbeitung durch das Modell für maschinelles Lernen unterdrückt.
Die IMD 10 wendet ein maschinelles Lernmodell des maschinellen Lernsystems 250 auf die gefilterten Elektrokardiogrammdaten an, um eine Erkennung der Arrhythmieepisode durch die Merkmalsabgrenzung (508) zu verifizieren. In einigen Beispielen wendet die IMD 10 das maschinelle Lernmodell des maschinellen Lernsystems 250 auf die gefilterten Elektrokardiogrammdaten an, um eine Klassifizierung der Arrhythmieepisode durch die Merkmalsabgrenzung zu verifizieren. Als Reaktion auf das Verifizieren, dass die Erkennung der Arrhythmieepisode durch die Merkmalsabgrenzung korrekt ist, speichert und/oder überträgt die IMD 10 Elektrokardiogrammdaten für die Episoden für die Überprüfung an ein Überwachungszentrum oder einen Kliniker. Beispielsweise erzeugt die IMD 10 einen Bericht über die Arrhythmie (510) und gibt den Bericht an einen Kliniker oder ein Überwachungszentrum (512) aus, wie vorstehend beschrieben.
6 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung veranschaulicht. Der Einfachheit halber wird 6 in Bezug auf 1 und 2 beschrieben. In einigen Beispielen ist der Betrieb von 6 ein Betrieb zum Erkennen und Klassifizieren von Arrhythmien bei dem Patienten 4 unter Verwendung eines Arrhythmiewörterbuchs, das durch das maschinelle Lernsystem 250 aufgebaut wurde. In dem Betrieb von 6 kombiniert System 2 die Genauigkeit des maschinellen Lernmodells des maschinellen Lernsystems 250 beim Erkennen von Arrhythmie mit dem geringen Leistungsverbrauch von Merkmalsabgrenzungsalgorithmen. Während der Betrieb von 6 mit Bezug auf die IMD 10 von 1 beschrieben wird, kann in anderen Beispielen der Betrieb von 6 z. B. durch die externe Vorrichtung 12 oder eine Kombination aus der IMD 10 und externen Vorrichtung 12 durchgeführt werden.
Wie in 6 gezeigt, erfasst die IMD 10 Elektrokardiogrammdaten von dem Patienten 4 (602). Die IMD 10 wendet eine Merkmalsabgrenzung auf die Elektrokardiogrammdaten an, um ein oder mehrere Herzmerkmale zu erkennen (604). Der Betrieb der Schritte 602 und 604 kann auf eine im Wesentlichen ähnliche Weise wie die der Schritte 402 beziehungsweise 404 von 4 erfolgen.
Die IMD 10 bestimmt, ob das Arrhythmiewörterbuch 270 wenigstens einen Eintrag beinhaltet (606). Jeder Eintrag des Arrhythmiewörterbuchs 270 beinhaltet eine Klassifizierung, die eine Arrhythmieepisode als eine spezifische Arrhythmieart oder einen Satz von Arrhythmien definiert, wie eine Bradykardie-, Tachykardieepisode, Vorhofflimmern, Kammerflimmern oder AV-Block. Jeder Eintrag beinhaltet ferner ein oder mehrere Herzmerkmale, die einer Arrhythmieepisode der entsprechenden Klassifizierung zugeordnet sind. Als Reaktion auf das Bestimmen, dass das Arrhythmiewörterbuch 270 wenigstens einen Eintrag beinhaltet (z. B. „JA“-Block von 606), bestimmt die IMD 10, ob die über die Merkmalsabgrenzung erhaltenen Herzmerkmale den Herzmerkmalen des Eintrags in dem Arrhythmiewörterbuch 270 ähnlich sind (614). Beispielsweise kann die IMD 10 einen oder mehrere Parameter der Herzmerkmale, die über die Merkmalsabgrenzung erhalten wurden, mit einem oder mehreren Parametern der Herzmerkmale des Eintrags in dem Arrhythmiewörterbuch vergleichen. In einigen Beispielen kann die IMD 10 die Ähnlichkeit zwischen den Herzmerkmalen, die über die Merkmalsabgrenzung erhalten wurden, und den Herzmerkmalen des Eintrags in dem Arrhythmiewörterbuch 270 durch das Anwenden rechnerisch effizienter Verfahren wie L1-Abstand, prozentuale Ähnlichkeit oder Wenn-Dann-sonst-Regeln bestimmen.
Beispielsweise bestimmt die IMD 10 eine Ähnlichkeit eines L1-Abstands der Herzmerkmale, die über eine Merkmalsabgrenzung erhalten wurden, zu einem L1-Abstand der Herzmerkmale jedes Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs. In einem anderen Beispiel bestimmt die IMD 10, ob eine Differenz zwischen wenigstens einem Parameter der Herzmerkmale, die über die Merkmalsabgrenzung erhalten wurden, und wenigstens einem Parameter der Herzmerkmale jedes Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs 270 größer als ein vorbestimmter Schwellenwert ist.
Als Reaktion auf das Bestimmen, dass die über die Merkmalsabgrenzung erhaltenen Herzmerkmale den Herzmerkmalen des Eintrags in dem Arrhythmiewörterbuch ähnlich sind (z. B. „JA“-Block von 614), bestimmt die IMD 10, ob der Eintrag in dem Arrhythmiewörterbuch die Herzmerkmale als hinweisend auf eine Arrhythmieepisode von Interesse definiert (616). Als Reaktion auf das Bestimmen, dass der Eintrag in dem Arrhythmiewörterbuch die Herzmerkmale als hinweisend auf eine Arrhythmieepisode von Interesse definiert (z. B. „JA“-Block von 616), erzeugt die IMD 10 einen Bericht über die Arrhythmie (610) und gibt den Bericht an einen Kliniker oder ein Überwachungszentrum für die Überprüfung aus (612). Der Betrieb der Schritte 610 und 612 kann auf eine im Wesentlichen ähnliche Weise wie der der Schritte 410 beziehungsweise 412 von 4 erfolgen.
Als Reaktion auf das Bestimmen, dass der Eintrag in dem Arrhythmiewörterbuch die Herzmerkmale als nicht hinweisend auf eine Arrhythmieepisode von Interesse definiert (z. B. „NEIN“-Block von 616), kann die IMD 10 die erfassten Elektrokardiogrammdaten für die Überprüfung durch ein Überwachungszentrum oder einen Kliniker zu einem späteren Zeitpunkt archivieren (618). Wenn die Arrhythmieepisode beispielsweise eine Episode mit normalem Sinusrhythmus (NSR), vorzeitigen ventrikulären Kontraktionen (PVC), vorzeitigen Vorhofkontraktionen (PAC) oder einem oder mehreren Signalartefakten aufgrund von Rauschen ist, speichert die IMD 10 die Charakteristiken der erkannten Episode (z. B. Mittelwert, Median-RR, RR-Variation, durchschnittliche QRS-Morphologie, QRS-Morphologieabweichung) für die Referenz zu einem späteren Zeitpunkt. In einigen Beispielen werden die Elektrokardiogrammdaten für die Episode nicht für die weitere Verarbeitung oder Berichterstattung verwendet.
Als Reaktion auf das Bestimmen, dass das Arrhythmiewörterbuch 270 nicht wenigstens einen Eintrag beinhaltet (z. B. „NEIN“-Block von 606), oder als Reaktion auf das Bestimmen, dass die über die Merkmalsabgrenzung erhaltenen Herzmerkmale keinem Eintrag in dem Arrhythmiewörterbuch 270 ähnlich sind (z. B. „NEIN“-Block von 614), wendet die IMD 10 ein maschinelles Lernmodell des maschinellen Lernsystems 250 auf die Elektrokardiogrammdaten an, um die Erkennung der Arrhythmieepisode durch die Merkmalsabgrenzung (608) zu verifizieren und/oder jegliche andere Arrhythmien von Interesse zu erkennen. Der Betrieb des Schritts 608 kann auf eine im Wesentlichen ähnliche Weise wie der des Schritts 408 von 4 erfolgen. Als Reaktion auf das Verifizieren, dass die Erkennung der Arrhythmieepisode durch die Merkmalsabgrenzung korrekt ist oder dass andere Arrhythmien von Interesse vorliegen, speichert die IMD 10 die Herzmerkmale in dem Arrhythmiewörterbuch 270 (620). Beispielsweise erzeugt die IMD 10 einen neuen Eintrag in dem Arrhythmiewörterbuch 270, der eine Klassifizierung der Arrhythmieepisode definiert und das eine oder die mehreren Herzmerkmale beinhaltet, die über die Merkmalsabgrenzung erhalten wurden, die auf die Klassifizierung der Arrhythmieepisode hinweisen. Somit kann die IMD 10 das maschinelle Lernsystem 250 verwenden, um ein Arrhythmiewörterbuch 270 aufzubauen, zu pflegen und zu aktualisieren, um Arrhythmieepisoden zu erkennen und zu klassifizieren. Darüber hinaus kann die Verwendung des maschinellen Lernsystems 250 nur zum Verifizieren und Klassifizieren einer ersten Instanz jeder Art von Arrhythmie die Verwendung des maschinellen Lernsystems 250 einschränken, wodurch Leistung in der IMD 10 gespart wird. In einigen Beispielen wird das maschinelle Lernsystem 250 nur verwendet, um Arrhythmieepisoden zu verifizieren und zu klassifizieren, die als Reaktion auf automatische Auslöser erkannt wurden. In einigen Beispielen erzeugt die IMD 10 nach dem Speichern der Herzmerkmale als einen neuen Eintrag in dem Arrhythmiewörterbuch 270 einen Bericht der Arrhythmie (610) und gibt den Bericht für die Überprüfung an einen Kliniker oder ein Überwachungszentrum aus (612).
7 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung veranschaulicht. Der Einfachheit halber wird 7 in Bezug auf 1 beschrieben. In einigen Beispielen ist der Betrieb von 7 ein Betrieb zum Erkennen und Klassifizieren von Arrhythmien bei Patient 4. Der Betrieb von 7 kann Kompromisse zwischen Batterielebensdauer und Vorrichtungslebensdauer für die Genauigkeit der Arrhythmieerkennung bei Patienten bereitstellen, bei denen z. B. der Betrieb von 4 zum Erkennen und Klassifizieren von Arrhythmie, Arrhythmieepisoden bei Patient 4 nicht angemessen auslöst oder erkennt. Während der Betrieb von 7 mit Bezug auf die IMD 10 von 1 beschrieben wird, kann in anderen Beispielen der Betrieb von 7 z. B. durch die externe Vorrichtung 12 oder eine Kombination aus der IMD 10 und externen Vorrichtung 12 durchgeführt werden.
Bei den meisten Patienten (z. B. zwischen etwa 80 %-90 %) stellen die Arrhythmieerkennungsvorgänge, die z. B. durch 4 und 5 beschrieben sind, eine erhöhte Genauigkeit bei der Arrhythmieerkennung bereit, während ein nachteiliger Leistungsverbrauch vermieden wird. In der verbleibenden Teilpopulation können jedoch die Betriebe, die z. B. durch 4 und 5 beschrieben werden, aus verschiedenen physiologischen Gründen, wie der Platzierung der IMD 10 (die z. B. bewirken kann, dass sich die Morphologie des Elektrokardiograms aufgrund von Verrutschen oder einer Bewegung der IMD 10 verändert) oder Patientencharakteristiken keine hohe Genauigkeit bei der Arrhythmieerkennung bereitstellen. Für die Arrhythmiediagnose kann ein Patient in einer solchen Teilpopulation von einem empfindlicheren und komplexeren Arrhythmieerkennungsschema profitieren, obwohl ein solches Schema möglicherweise mehr Leistung verbraucht (und eine entsprechende Reduzierung der maximalen Batterielebensdauer der IMD 10 verursacht), im Gegensatz zum Entfernen der IMD 10 oder zum Austauschen der IMD 10 mit einer anderen Vorrichtung. Der Betrieb von 7 stellt Techniken zum Umschalten von Arrhythmieerkennungsverfahren von dem Betrieb von z. B. 4 oder 5, zu einem komplexeren maschinell lernenden Arrhythmieerkennungsschema dar.
Wie in 7 gezeigt, erfasst die IMD 10 Elektrokardiogrammdaten von dem Patienten 4 (702). Der Betrieb des Schritts 702 kann auf eine im Wesentlichen ähnliche Weise wie der des Schritts 402 von 4 erfolgen. Die IMD 10 bestimmt, ob die IMD 10 in einem Standardmodus für die Erkennung von Arrhythmie betrieben wird (z. B. der Betrieb von 4 oder 5) (703). Typischerweise beginnt die IMD 10 in einem solchen Standardmodus mit dem Betrieb. Als Reaktion auf das Bestimmen, dass die IMD 10 in dem Standardmodus arbeitet (z. B. „JA“-Block von 703), wendet die IMD 10 eine Merkmalsabgrenzung auf die Elektrokardiogrammdaten an, um ein oder mehrere Herzmerkmale zu erkennen, die auf eine Arrhythmieepisode hinweisen (704). In einigen Beispielen erhält die IMD 10 zusätzliche Vorrichtungs- und physiologische Parameter (706). Die IMD 10 wendet ein maschinelles Lernmodell des maschinellen Lernsystems 250 auf die Elektrokardiogrammdaten an, um eine Erkennung der Arrhythmieepisode durch die Merkmalsabgrenzung (708) zu verifizieren. In einigen Beispielen wendet die IMD 10 das maschinelle Lernmodell auf die Elektrokardiogrammdaten an, um eine oder mehrere Arrhythmieepisoden anderer Klassifizierungen zu erkennen, die nicht durch die Merkmalsabgrenzung erkannt werden. In einigen Beispielen wendet die IMD 10 das maschinelle Lernmodell auf die Elektrokardiogrammdaten und die Vorrichtungs- und die physiologischen Parameter an, um die Verifizierung oder Erkennung durchzuführen. Der Betrieb der Schritte 704 und 708 kann auf eine im Wesentlichen ähnliche Weise wie der der Schritte 404 und 408 von 4 erfolgen.
Die IMD 10 verifiziert, basierend auf dem Modell des maschinellen Lernens, ob die Merkmalsabgrenzung die Arrhythmieepisode korrekt erkannt hat (709). Als Reaktion auf die Verifizierung, dass die Erkennung der Arrhythmieepisode durch die Merkmalsabgrenzung korrekt ist (z. B. „JA“-Block von 709), erzeugt die IMD 10 einen Bericht über die Arrhythmie (710) und gibt den Bericht an einen Arzt oder ein Überwachungszentrum aus (712). Der Betrieb der Schritte 704 und 708 kann auf eine im Wesentlichen ähnliche Weise wie die der Schritte 704 und 708 von 4 erfolgen. In einigen Beispielen kann die IMD 10 weiterhin gemäß dem Standardschema für die Erkennung von Arrhythmie betrieben werden.
Als Reaktion auf die Verifizierung, dass die Erkennung der Arrhythmieepisode durch die Merkmalsabgrenzung nicht korrekt ist (z. B. „NEIN“-Block von 709), erhöht die IMD 10 einen Zähler für unangemessene Fälle von erkannter Arrhythmie (716). In einigen Beispielen erhöht die IMD 10 den Zähler, wenn die Merkmalsabgrenzung unangemessen bestimmt, dass bei dem Patienten 4 eine Arrhythmieepisode aufgetreten ist. In einigen Beispielen erhöht die IMD 10 den Zähler, wenn die Merkmalsabgrenzung die Arrhythmieepisode bei dem Patienten 4 fälschlicherweise als eine Episode einer besonderen Art von Arrhythmie klassifiziert.
Wenn gemäß dem maschinellen Lernmodell die Merkmalsabgrenzung dauerhaft Arrhythmieepisoden unangemessen oder Episoden ohne Arrhythmie erkennt, wechselt die IMD 10 von dem standardmäßigen Modus für die Arrhythmieerkennung in einen zweiten Modus, der ein maschinelles Lernmodell für die Arrhythmieerkennung verwendet. Beispielsweise bestimmt die IMD, ob der Zähler für unangemessene Fälle von erkannter Arrhythmie größer als ein vorbestimmter Schwellenwert ist (718). Wenn der Zähler nicht größer als der vorbestimmte Schwellenwert ist (z. B. „NEIN“-Block von 718), dann setzt die IMD 10 den Betrieb gemäß dem Standardarrhythmieerkennungsschema fort. Wenn der Zähler größer als der vorbestimmte Schwellenwert ist (z. B. „JA“-Block von 718), schaltet die IMD 10 in den alternativen Arrhythmieerkennungsmodus (720). In einigen Beispielen schaltet die IMD 10 den Erkennungsmodus nicht um, bis physiologische und Vorrichtungscharakteristiken erfüllt sind. Beispielsweise kann die IMD 10 das Umschalten der Erkennungsmodi verschieben, bis eine ordnungsgemäße Haftung der Vorrichtung vorliegt, sich der Patient 4 in einem niedrigen oder mittleren Aktivitätsniveau befindet) und kein Patientenauslöser einer Arrhythmie aktiv ist. In einigen Beispielen schaltet die IMD 10 die maschinell lernende Arrhythmieerkennung für die Dauer eines von dem Patienten aktivierten Auslösers aus, der Elektrokardiogrammdaten aufnimmt.
In dem späteren Betrieb erfasst die IMD 10 Elektrokardiogrammdaten von dem Patienten 4 (702). Als Reaktion auf das Bestimmen, dass die IMD 10 nicht in dem Standardmodus arbeitet (z. B. „NEIN“-Block von 703), verarbeitet die IMD die Elektrokardiogrammdaten, um gefilterte Elektrokardiogrammdaten zu produzieren (707). Der Betrieb des Schritts 707 kann auf eine im Wesentlichen ähnliche Weise wie der des Schritts 507 von 5 erfolgen. Die IMD 10 wendet ein zweites maschinelles Lernmodell des maschinellen Lernsystems 250 auf die gefilterten Elektrokardiogrammdaten an, um eine Arrhythmieepisode zu erkennen, die in den gefilterten Elektrokardiogrammdaten vorliegt (724). In einigen Beispielen empfängt das zweite Modell des maschinellen Lernens als eine Eingabe wenigstens einen Abschnitt einer Elektrokardiogrammwellenform, einen oder mehrere Vorrichtungsparameter oder einen oder mehrere physiologische Parameter. Die Elektrokardiogrammwellenform kann beispielsweise eine EKG-Wellenform sein.
Da das zweite Modell für maschinelles Lernen eine höhere Komplexität aufweist als die Merkmalsabgrenzungserkennung von Arrhythmie, kann sich das zweite Modell für maschinelles Lernen nachteilig auf den Leistungsverbrauch und die Batterielebensdauer der IMD 10 auswirken. Daher aktualisiert die IMD 10 eine Schätzung der Batterielebensdauer (726). In einigen Beispielen kann die IMD 10 eine Frequenz oder Periodizität von Übertragungen an die externe Vorrichtung 12 anpassen. Um beispielsweise die Batterielebensdauer zu schonen, kann die IMD 10 von dem täglichen Hochladen von Patientendaten, wie den erfassten Elektrokardiogrammdaten, zu dem wöchentlichen Hochladen solcher Daten wechseln, um die Vorrichtungslebensdauer zu erhöhen. Die IMD 10 erzeugt einen Bericht über die Arrhythmie (710) und gibt den Bericht an einen Kliniker oder ein Überwachungszentrum (712) aus.
8 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung veranschaulicht. Der Einfachheit halber wird 8 in Bezug auf 1 und 2 beschrieben. In einigen Beispielen ist der Betrieb von 8 ein Betrieb zum Erkennen und Klassifizieren von Arrhythmien bei Patient 4 unter Verwendung eines Arrhythmiewörterbuchs, das durch das maschinelle Lernsystem 250 aufgebaut wird. In dem Betrieb von 8 kombiniert System 2 die Genauigkeit des maschinellen Lernmodells des maschinellen Lernsystems 250 beim Erkennen von Arrhythmie mit dem geringen Leistungsverbrauch von Merkmalsabgrenzungsalgorithmen. Während der Betrieb von 8 mit Bezug auf die IMD 10 von 1 beschrieben wird, kann in anderen Beispielen der Betrieb von 8 z. B. durch die externe Vorrichtung 12 oder eine Kombination aus der IMD 10 und externen Vorrichtung 12 durchgeführt werden.
Bei einigen Anwendungen, wie der Überwachung von Synkopen und Vorhofflimmern, sind dem Kliniker die Arrhythmien von Interesse (z. B. Aussetzen, Sinusbrady, Vorhofflimmern) sowie die entsprechenden Herzmerkmale solcher Arrhythmien bekannt. Somit können die Techniken der Offenbarung angemessene Algorithmen auf der IMD 10 implementieren, die automatische Auslöser für die Arrhythmieerkennung verwenden. Jedoch sind für andere Arten von Anwendungen, wie die Überwachung nach einem Myokardinfarkt (z. B. bei dem Charakteristiken wie eine Belastung durch vorzeitige ventrikuläre Kontraktionen (PVCs) ST-Segmente usw. von Interesse sein können) oder die Überwachung nach einem Transkatheter-Aortenklappen-Ersatz (TAVR), die genauen Arrhythmien oder Zustände von Interesse möglicherweise nicht bekannt. Dementsprechend implementiert der Betrieb von 8 ein generisches maschinelles Lernmodell, das für mehrfache Anwendungen verwendet werden kann, ohne spezifische Algorithmen für die Arrhythmieerkennung zu entwickeln.
Der Betrieb von 8 kann dem des Betriebs von 6 im Wesentlichen ähnlich sein. Wie jedoch nachstehend ausführlicher erörtert wird, wendet der Betrieb von 8 ein maschinelles Lernsystem an, um zu bestimmen, ob Herzmerkmale, die über die Merkmalsabgrenzung erhalten wurden, den Herzmerkmalen eines Eintrags des Arrhythmiewörterbuchs 270 ähnlich sind, um zu bestimmen, ob die über die Merkmalsabgrenzung erhaltenen Herzmerkmale auf eine Arrhythmieepisode einer Klassifizierung hinweisen, die dieselbe wie eine Klassifizierung des Eintrags des Arrhythmiewörterbuchs 270 ist.
Wie in 8 gezeigt, erfasst die IMD 10 Elektrokardiogrammdaten von dem Patienten 4 (802). Die IMD 10 wendet eine Merkmalsabgrenzung auf die Elektrokardiogrammdaten an, um ein oder mehrere Herzmerkmale zu erkennen (804). Der Betrieb der Schritte 802 und 84 kann auf eine im Wesentlichen ähnliche Weise wie der der Schritte 402 beziehungsweise 404 von 4 erfolgen. In einigen Beispielen ist die von der IMD 10 durchgeführte Merkmalsbegrenzung für höhere Komplexität angepasst. Beispielsweise kann die IMD 10 einen hochempfindlichen automatischen Auslöseralgorithmus implementieren, um Episoden von Interesse zu identifizieren. In einigen Beispielen ist die Merkmalsabgrenzung konfiguriert, um ein Segment eines Elektrokardiogramms des Patienten 4 als eine Episode einer Arrhythmie von Interesse zu klassifizieren, wobei das Segment eine RR-Frequenz von größer oder gleich 90 Schlägen pro Minute oder weniger als 60 Schlägen pro Minute, eine RR-Variabilität von mehr als 50 Millisekunden oder jede Morphologievariation in der Abwesenheit von Rauschen aufweist. In einigen Beispielen ist die Merkmalsabgrenzung konfiguriert, um ein Segment eines Elektrokardiogramms des Patienten 4 als eine Episode einer Arrhythmie von Interesse zu klassifizieren, wobei das Segment eine Nicht-Rausch-, Nicht-NSR-Dauer ist.
Die IMD 10 bestimmt, ob das Arrhythmiewörterbuch 270 wenigstens einen Eintrag beinhaltet (806). Jeder Eintrag des Arrhythmiewörterbuchs 270 beinhaltet eine Klassifizierung, die eine Arrhythmieepisode als eine spezifische Arrhythmieart definiert, wie eine Bradykardie-, Tachykardieepisode, Vorhofflimmern, Kammerflimmern oder AV-Block. Jeder Eintrag beinhaltet ferner ein oder mehrere Herzmerkmale, die einer Arrhythmieepisode der entsprechenden Klassifizierung zugeordnet sind.
Als Reaktion auf das Bestimmen, dass das Arrhythmiewörterbuch 270 wenigstens einen Eintrag beinhaltet (z. B. „JA“-Block von 806), wendet die IMD 10 das maschinelle Lernsystem 250 an, um zu bestimmen, ob die über die Merkmalsabgrenzung erhaltenen Herzmerkmale den Herzmerkmalen eines Eintrags in dem Arrhythmiewörterbuch 270 ähnlich sind (816). In einigen Beispielen bestimmt das maschinelle Lernsystem 250, ob die über die Merkmalsabgrenzung erhaltenen Herzmerkmale ähnlich zu den Herzmerkmalen des Eintrags des Arrhythmiewörterbuchs 270 sind, die unähnlich sind. In einigen Beispielen bestimmt das maschinelle Lernsystem 250 möglicherweise keine spezifische Art von Arrhythmie, erkennt jedoch alle Änderungen in dem Herzelektrogramm außer Rauschen oder NSR oder einem Eintrag in dem Arrhythmiewörterbuch 270.
Als Reaktion auf das Bestimmen, dass die über die Merkmalsabgrenzung erhaltenen Herzmerkmale den Herzmerkmalen eines Eintrags des Arrhythmiewörterbuchs 270 ähnlich sind (z. B. „JA“-Block von 814), bestimmt die IMD 10, dass die über die Merkmalsdarstellung erhaltenen Herzmerkmale auf eine Arrhythmieepisode einer Klassifizierung hinweisen, die der Klassifizierung des Eintrags des Arrhythmiewörterbuchs 270 entspricht. In einigen Beispielen aktualisiert die IMD 10 einen Zähler von Arrhythmieepisoden der Klassifizierung des Eintrags des Arrhythmiewörterbuchs 270, um eine Gesamtzahl von Arrhythmieepisoden dieser Klassifizierung zu verfolgen, die bei dem Patienten 4 aufgetreten sind (818). Die IMD 10 speichert den Wert des Zählers mit dem Eintrag des Arrhythmiewörterbuchs 270 (820). Nach dem Speichern des Werts des Zählers in dem Arrhythmiewörterbuch 270 erzeugt die IMD 10 einen Bericht über die Arrhythmie (810) und gibt den Bericht für die Überprüfung an einen Kliniker oder ein Überwachungszentrum aus (812). Der Betrieb der Schritte 810 und 812 kann auf eine im Wesentlichen ähnliche Weise wie die der Schritte 610 beziehungsweise 612 von 6 erfolgen.
Als Reaktion auf das Bestimmen, dass das Arrhythmiewörterbuch 270 nicht wenigstens einen Eintrag beinhaltet (z. B. „NEIN“-Block von 806), oder als Reaktion auf das Bestimmen, dass die über die Merkmalsabgrenzung erhaltenen Herzmerkmale keinem Eintrag in dem Arrhythmiewörterbuch 270 ähnlich sind (z. B. „NEIN“-Block von 814), dann wendet die IMD 10 ein maschinelles Lernmodell des maschinellen Lernsystems 250 auf die Elektrokardiogrammdaten an, um die Arrhythmieepisode zu charakterisieren (808). Beispielsweise wendet die IMD 10 das maschinelle Lernmodell an, um zu verifizieren, dass eine Arrhythmieepisode aufgetreten ist, und/oder bestimmt eine Klassifizierung der Arrhythmieepisode. In einigen Beispielen ist das Modell für maschinelles Lernen ein Deep-Learning-Modell, das die Episode mit „Deep-Merkmale“ charakterisiert, z. B. die endgültigen Deep-Learning-Arrhythmieerkennungsmodellzustände vor der Soft-Max-Klassifizierung).
Die IMD 10 speichert die Herzmerkmale in dem Arrhythmiewörterbuch 270 als einen neuen Eintrag in dem Arrhythmiewörterbuch 270 zusammen mit einem Wert eines Zählers der Häufigkeit des Auftretens der Art der Arrhythmie (z. B. „1“ für das erste Auftreten entsprechend dem neuen Eintrag) (820). In einigen Beispielen speichert die IMD 10 Deep-Merkmale der neu erkannten Arrhythmieepisode in dem Eintrag. Nach dem Erstellen des neuen Eintrags und dem Speichern des Werts des Zählers in dem Arrhythmiewörterbuch 270 erzeugt die IMD 10 einen Bericht über die Arrhythmie (810) und gibt den Bericht für die Überprüfung an einen Kliniker oder ein Überwachungszentrum aus (812). Beispielsweise überträgt die IMD 10 Elektrokardiogrammdaten, die der erkannten Episode entsprechen, für die fachmännische Überprüfung und Bestätigung durch einen Kliniker. Die Überprüfung wird von Experten durchgeführt, die über typische Arrhythmien hinaus nach Signalveränderungen suchen, die anderen Patientencharakteristiken wie Arzneimittelwechsel zugeordnet sind.
Die folgenden Beispiele können einen oder mehrere Aspekte der Offenbarung veranschaulichen.
Beispiel 1. Verfahren, Folgendes umfassend: Erfassen von Elektrokardiogrammdaten eines Patienten durch eine medizinische Vorrichtung, die eine Verarbeitungsschaltung und ein Speichermedium umfasst; Durchführen einer merkmalsbasierten Abgrenzung der erfassten Elektrokardiogrammdaten durch die medizinische Vorrichtung, um Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen und auf eine Arrhythmieepisode bei dem Patienten hinweisen; Bestimmen durch die medizinische Vorrichtung und basierend auf der merkmalsbasierten Abgrenzung, dass die Herzmerkmale Schwellenwertkriterien für die Anwendung eines maschinellen Lernmodells erfüllen, um zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; als Reaktion auf das Bestimmen, dass die Herzmerkmale die Schwellenwertkriterien für die Anwendung des maschinellen Lernmodells erfüllen, Anwenden des maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl von Patienten trainiert wurde, durch die medizinische Vorrichtung auf die erfassten Elektrokardiogrammdaten, um basierend auf dem maschinellen Lernmodell zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; und als Reaktion auf das Verifizieren durch das maschinelle Lernmodell, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist: Erzeugen eines Berichts durch die medizinische Vorrichtung, der einen Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere von den Herzmerkmalen umfasst, die mit der Arrhythmieepisode übereinstimmen; und Ausgeben des Berichts durch die medizinische Vorrichtung und für die Anzeige, der den Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und das eine oder die mehreren der Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen.
Beispiel 2. Verfahren des Beispiels 1, wobei die Arrhythmieepisode bei dem Patienten eine Arrhythmieepisode einer ersten Klassifizierung bei dem Patienten ist, wobei das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten, um zu verifizieren, dass die Arrhythmieepisode in dem Patienten aufgetreten ist, das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten umfasst, um zu verifizieren, dass die Arrhythmieepisode der ersten Klassifizierung bei dem Patienten aufgetreten ist, wobei das Verfahren ferner das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten umfasst, um zu bestimmen, dass an Arrhythmieepisode einer zweiten Klassifizierung ist bei dem Patienten aufgetreten ist, als Reaktion auf das Bestimmen, basierend auf der merkmalsbasierten Abgrenzung, dass die Arrhythmieepisode der ersten Klassifizierung bei dem Patienten aufgetreten ist, und wobei das Erzeugen des Berichts den Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und ein oder mehrere Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen, das Erzeugen eines Berichts, der einen Hinweis darauf umfasst, dass die Arrhythmieepisode der ersten Klassifizierung bei dem Patienten aufgetreten ist, einen Hinweis, dass die Arrhythmieepisode der zweiten Klassifizierung bei dem Patienten aufgetreten ist, und das eine oder die mehreren der Herzmerkmale umfasst, die mit der Arrhythmieepisode der ersten Klassifizierung übereinstimmen.
Beispiel 3. Verfahren eines der Beispiele 1 oder 2, wobei die Elektrokardiogrammdaten ein Elektrokardiogramm (EKG) des Patienten umfassen.
Beispiel 4. Verfahren eines der Beispiele 1 bis einschließlich 3, wobei das Durchführen einer merkmalsbasierten Abgrenzung der Elektrokardiogrammdaten, um die in den Elektrokardiogrammdaten vorliegenden Herzmerkmale zu erhalten, das Durchführen von QRS-Erkennung, refraktärer Verarbeitung, Rauschverarbeitung und/oder Abgrenzung der Elektrokardiogrammdaten umfasst, um in den Elektrokardiogrammdaten vorhandene Herzmerkmale zu erhalten.
Beispiel 5. Verfahren eines der Beispiele 1 bis einschließlich 4, wobei das Anwenden des Modells des maschinellen Lernens, um zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, das Anwenden des Modells des maschinellen Lernens umfasst, um zu verifizieren, dass eine Episode von Bradykardie, Tachykardie, Vorhofflimmern, Kammerflimmern und/oder AV-Block bei dem Patienten aufgetreten ist.
Beispiel 6. Verfahren eines der Beispiele 1 bis einschließlich 5, wobei die Herzmerkmale, die in den Elektrokardiogrammdaten vorliegen, ein/eine oder mehrere von RR-Intervallen, die in den Elektrokardiogrammdaten vorliegen, eine mittlere Herzfrequenz, die in den Elektrokardiogrammdaten vorliegt, eine minimale Herzfrequenz, die in den Elektrokardiogrammdaten vorliegt, eine maximale Herzfrequenz, die in den Elektrokardiogrammdaten vorliegt, ein PR-Intervall, das in den Elektrokardiogrammdaten vorliegt, eine Variabilität der Herzfrequenz, die in den Elektrokardiogrammdaten vorliegt, eine oder mehrere Amplituden eines oder mehrerer Merkmale eines Elektrokardiogramms (EKG), oder ein Intervall zwischen dem einen oder den mehreren Merkmalen des EKGs sind.
Beispiel 7. Verfahren eines der Beispiele 1 bis einschließlich 6, wobei das maschinelle Lernmodell, das unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl von Patienten trainiert wurde, ein maschinelles Lernmodell umfasst, das unter Verwendung mehrerer Elektrokardiogramm(EKG-)Wellenformen trainiert wurde, wobei jede EKG-Wellenform mit einer oder mehreren Arrhythmieepisoden einer oder mehrerer Klassifizierungen bei einem Patienten der Vielzahl von Patienten gekennzeichnet ist.
Beispiel 8. Verfahren eines der Beispiele 1 bis einschließlich 7, wobei das Bestimmen, dass die Herzmerkmale die Schwellenwertkriterien erfüllen, das Bestimmen umfasst, dass wenigstens einer von einem physiologischen Parameter des Patienten oder einem Parameter der medizinischen Vorrichtung die Schwellenwertkriterien erfüllt.
Beispiel 9. Verfahren eines der Beispiele 1 bis einschließlich 8, wobei das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten ferner das Anwenden des maschinellen Lernmodells auf Folgendes umfasst: eine oder mehrere Charakteristiken der erfassten Elektrokardiogrammdaten, die mit Arrhythmie in dem Patienten korreliert sind; ein Aktivitätsniveau der medizinischen Vorrichtung; eine Eingangsimpedanz der medizinischen Vorrichtung; und/oder einen Batteriestand der medizinischen Vorrichtung.
Beispiel 10. Verfahren eines der Beispiele 1 bis einschließlich 9, wobei das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten als Reaktion auf das Bestimmen umfasst, dass die Herzmerkmale die Schwellenwertkriterien erfüllen, und das Bestimmen, dass ein Rauschen von wenigstens einem der Herzmerkmale kleiner als ein vorbestimmter Schwellenwert ist.
Beispiel 11. Verfahren eines der Beispiele 1 bis einschließlich 10, wobei das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten als Reaktion auf das Bestimmen umfasst, dass die Herzmerkmale die Schwellenwertkriterien erfüllen, und das Bestimmen, dass sich der Patient in einem ersten Haltungszustand einer Vielzahl von Haltungszuständen befindet.
Beispiel 12. Verfahren eines der Beispiele 1 bis einschließlich 11, wobei das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten als Reaktion auf das Bestimmen umfasst, dass die Herzmerkmale die Schwellenwertkriterien erfüllen, und das Bestimmen, dass sich der Patient in einem ersten Aktivitätszustand einer Vielzahl von Aktivitätszuständen befindet.
Beispiel 13. Verfahren eines der Beispiele 1 bis einschließlich 12, wobei das Verfahren ferner als Reaktion auf das Ausgeben des Berichts, der den Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und das eine oder mehrere der Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen, Folgendes umfasst: Empfangen durch die medizinische Vorrichtung und von einem Benutzer einer Anpassung der merkmalsbasierten Abgrenzung der Elektrokardiogrammdaten; und Durchführen einer merkmalsbasierten Abgrenzung der Elektrokardiogrammdaten gemäß der Anpassung, um zweite Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen.
Beispiel 14. Verfahren eines der Beispiele 1 bis einschließlich 13, wobei die Elektrokardiogrammdaten des Patienten ein Elektrokardiogramm (EKG) des Patienten umfassen, und wobei das Erzeugen des Berichts, der den Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und das eine oder die mehreren der Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen, Folgendes umfasst: Identifizieren eines Unterabschnitts des EKG des Patienten, wobei der Unterabschnitt EKG-Daten für einen ersten Zeitraum vor der Arrhythmieepisode, einen zweiten Zeitraum während der Episode von Arrhythmie und einen dritten Zeitraum nach der Episode von Arrhythmie umfasst, und wobei eine Zeitspanne des EKGs des Patienten länger ist als der erste, zweite und dritte Zeitraum; Identifizieren eines oder mehrerer der Herzmerkmale, die mit dem ersten, zweiten und dritten Zeitraum übereinstimmen; und Beinhalten in dem Bericht des Unterabschnitts des EKG und des einen oder der mehreren der Herzmerkmale, die mit dem ersten, zweiten und dritten Zeitraum übereinstimmen.
Beispiel 15. Verfahren eines der Beispiele 1 bis einschließlich 14, wobei das Bestimmen, basierend auf der merkmalsbasierten Abgrenzung, dass die Herzmerkmale Schwellenwertkriterien für die Anwendung des maschinellen Lernmodells zum Verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, das Bestimmen, basierend auf der merkmalsbasierten Abgrenzung, umfasst, dass die Herzmerkmale darauf hinweisen, dass bei dem Patienten eine Arrhythmieepisode einer ersten Klassifizierung aufgetreten ist, und wobei das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten zum Verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten umfasst, um die Bestimmung, basierend auf der merkmalsbasierten Abgrenzung, zu verifizieren, dass die Herzmerkmale auf die Arrhythmieepisode der ersten Klassifizierung hinweisen.
Beispiel 16. Verfahren eines der Beispiele 1 bis einschließlich 15, ferner umfassend das Bestimmen einer Belastung durch die Arrhythmieepisode bei dem Patienten als Reaktion auf das Verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, wobei die Belastung durch die Arrhythmieepisode bei dem Patienten ein Verhältnis einer Zeitdauer der Arrhythmieepisode zu einer Zeitdauer während der Überwachung des Patienten durch die medizinische Vorrichtung umfasst.
Beispiel 17. Verfahren eines der Beispiele 1 bis einschließlich 16, wobei das Verfahren ferner das Verarbeiten der erfassten Elektrokardiogrammdaten durch die medizinische Vorrichtung umfasst, um gefilterte Elektrokardiogrammdaten zu erzeugen, wobei das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten, um zu verifizieren, dass die eine Arrhythmieepisode bei dem Patienten aufgetreten ist, das Anwenden des maschinellen Lernmodells auf die gefilterten Elektrokardiogrammdaten umfasst, um zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist.
Beispiel 18. Verfahren des Beispiels 17, wobei das Verarbeiten der erfassten Elektrokardiogrammdaten zum Erzeugen der gefilterten Elektrokardiogrammdaten Folgendes umfasst: Bestimmen wenigstens eines Zeitraums eines hohen Aktivitätsniveaus des Patienten oder eines Zeitraums stark variierender Eingabeimpedanz der medizinischen Vorrichtung; als Reaktion auf das Bestimmen des Zeitraums des hohen Aktivitätsniveaus des Patienten oder des Zeitraums stark variierender Eingangsimpedanz der medizinischen Vorrichtung, Verwerfen wenigstens eines Abschnitts der erfassten Elektrokardiogrammdaten, die mit der Zeitdauer des hohen Aktivitätsniveaus des Patienten oder der Zeitdauer stark variierender Eingangsimpedanz der medizinischen Vorrichtung übereinstimmt, um die gefilterten Elektrokardiogrammdaten zu erzeugen.
Beispiel 19. Verfahren des Beispiels 18, wobei das Verwerfen wenigstens eines Abschnitts der erfassten Elektrokardiogrammdaten, der mit der Zeitdauer des hohen Aktivitätsniveaus des Patienten oder der Zeitdauer stark variierender Eingangsimpedanz der medizinischen Vorrichtung übereinstimmt, das Verwerfen einer oder mehrerer einer erfassten Eingangsimpedanz der medizinischen Vorrichtung, eines erfassten Aktivitätsniveaus des Patienten oder einer erfassten Haltungsänderung des Patienten umfasst, die mit dem hohen Aktivitätsniveau des Patienten und/oder dem Zeitraum stark variierender Eingangsimpedanz der medizinischen Vorrichtung übereinstimmt.
Beispiel 20. Verfahren eines der Beispiele 1 bis einschließlich 19, ferner Folgendes umfassend: wobei das Anwenden des Modells des maschinellen Lernens auf die erfassten Elektrokardiogrammdaten, um zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, eine erste Bestimmung, basierend auf dem maschinellen Lernmodell, dass die Arrhythmieepisode bei dem Patienten nicht aufgetreten ist, und/oder eine zweite Bestimmung, basierend auf dem maschinellen Lernmodell, umfasst, dass eine Arrhythmieepisode einer anderen Art bei dem Patienten aufgetreten ist; als Reaktion auf die erste Bestimmung und/oder die zweite Bestimmung, Aktualisieren eines Zählers von falsch erkannten Arrhythmieepisoden in dem Patienten durch die medizinische Vorrichtung; und als Reaktion auf das Bestimmen, dass ein Wert des Zählers größer als ein vorbestimmter Schwellenwert ist, Umschalten von der Durchführung einer merkmalsbasierten Abgrenzung der erfassten Elektrokardiogrammdaten, um Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen und auf eine Arrhythmieepisode bei dem Patienten hinweisen, auf das Anwenden eines zweiten maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl von Patienten trainiert wurde, auf die erfassten Elektrokardiogrammdaten, um basierend auf dem maschinellen Lernmodell Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen und auf eine Arrhythmieepisode bei dem Patienten hinweisen.
Beispiel 21. Verfahren des Beispiels 20, wobei das Erfassen der Elektrokardiogrammdaten des Patienten das Erfassen erster Elektrokardiogrammdaten des Patienten umfasst; und wobei das Verfahren ferner Folgendes umfasst: Erfassen zweiter Elektrokardiogrammdaten des Patienten durch die medizinische Vorrichtung; Anwenden des zweiten maschinellen Lernmodells auf die erfassten zweiten Elektrokardiogrammdaten, um basierend auf dem maschinellen Lernmodell zweite Herzmerkmale zu erhalten, die in den zweiten Elektrokardiogrammdaten vorliegen und auf eine zweite Arrhythmieepisode bei dem Patienten hinweisen; als Reaktion auf das Erhalten der zweiten Herzmerkmale, die auf die zweite Arrhythmieepisode bei dem Patienten hinweisen, durch das zweite maschinelle Lernmodell: Erzeugen eines zweiten Berichts durch die medizinische Vorrichtung, der einen Hinweis, dass die zweite Arrhythmieepisode in dem Patient aufgetreten ist, und eines oder mehrere der zweiten Herzmerkmale umfasst, die mit der zweiten Arrhythmieepisode übereinstimmen; und Ausgeben des zweiten Berichts durch die medizinische Vorrichtung und für die Anzeige, der den Hinweis, dass die zweite Arrhythmieepisode bei dem Patienten aufgetreten ist, und das eine oder die mehreren der zweiten Herzmerkmale umfasst, die mit der zweiten Arrhythmieepisode übereinstimmen.
Beispiel 22. Verfahren eines der Beispiele 21 oder 22, ferner Folgendes umfassend: als Reaktion auf das Bestimmen, dass der Wert des Zählers größer als der vorbestimmte Schwellenwert ist: Aktualisieren durch die medizinische Vorrichtung einer Schätzung des Leistungsverbrauchs durch die medizinische Vorrichtung; und Ausgeben durch die medizinische Vorrichtung der Schätzung des Leistungsverbrauchs durch die medizinische Vorrichtung und für die Anzeige.
Beispiel 23. Verfahren eines der Beispiele 1 bis einschließlich 22, wobei das Verfahren ferner das Verarbeiten der erfassten Elektrokardiogrammdaten durch die medizinische Vorrichtung umfasst, um eine Zwischendarstellung der erfassten Elektrokardiogrammdaten zu erzeugen, wobei das Anwenden des maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl von Patienten, auf die erfassten Elektrokardiogrammdaten, um zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, das Anwenden eines maschinellen Lernmodells, das unter Verwendung von Zwischendarstellungen von Elektrokardiogrammdaten für eine Vielzahl von Patienten trainiert wurde, auf die Zwischendarstellung der erfassten Elektrokardiogrammdaten und der in den Elektrokardiogrammdaten vorliegenden Herzmerkmale umfasst, um zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist.
Beispiel 24. Verfahren des Beispiels 23, wobei das Verarbeiten der erfassten Elektrokardiogrammdaten zum Erzeugen einer Zwischendarstellung der erfassten Elektrokardiogrammdaten Folgendes umfasst: Anwenden eines Filters auf die erfassten Elektrokardiogrammdaten; und/oder Durchführen einer Signalzerlegung an den erfassten Elektrokardiogrammdaten.
Beispiel 25. Verfahren des Beispiels 24, wobei das Durchführen einer Signalzerlegung an den erfassten Elektrokardiogrammdaten das Durchführen einer Wavelet-Zerlegung an den erfassten Elektrokardiogrammdaten umfasst.
Beispiel 26. Verfahren, Folgendes umfassend: Erfassen von Elektrokardiogrammdaten eines Patienten durch eine medizinische Vorrichtung, die eine Verarbeitungsschaltung und ein Speichermedium umfasst; Durchführen einer merkmalsbasierten Abgrenzung der erfassten Elektrokardiogrammdaten durch die medizinische Vorrichtung, um in den Elektrokardiogrammdaten vorliegende Herzmerkmale zu erhalten; Bestimmen einer Ähnlichkeit der erhaltenen Herzmerkmale mit Herzmerkmalen jedes Eintrags einer Vielzahl von Einträgen eines Arrhythmiewörterbuchs der medizinischen Vorrichtung durch die medizinische Vorrichtung, wobei jeder Eintrag der Vielzahl von Einträgen des Arrhythmiewörterbuchs eine Klassifikation von Arrhythmie einer Vielzahl von Arrhythmieklassifikationen des Patienten und Herzmerkmale umfasst, die die Arrhythmieklassifikation nachweisen; als Reaktion auf das Bestimmen, dass die erhaltenen Herzmerkmale nicht den Herzmerkmalen jedes Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs ähnlich sind, Anwenden eines maschinellen Lernmodells durch die medizinische Vorrichtung, das unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl von Patienten trainiert wurde, auf die erfassten Elektrokardiogrammdaten, um basierend auf dem maschinellen Lernmodell zu bestimmen, dass bei dem Patienten eine Arrhythmieepisode einer ersten Klassifikation aufgetreten ist; und Speichern eines ersten Eintrags durch die medizinische Vorrichtung und in dem Arrhythmiewörterbuch, der die erste Klassifizierung der Arrhythmieepisode und die erhaltenen Herzmerkmale umfasst.
Beispiel 27. Verfahren des Beispiels 26, ferner Folgendes umfassend: nach dem Speichern des Eintrags, der die erste Klassifizierung der Arrhythmieepisode und die erhaltenen Herzmerkmale umfasst: Erzeugen eines Berichts durch die medizinische Vorrichtung, der einen Hinweis, dass die Arrhythmieepisode der ersten Klassifizierung bei dem Patienten aufgetreten ist, und eines oder mehrere der erhaltenen Herzmerkmale umfasst, die mit der Arrhythmieepisode der ersten Klassifizierung übereinstimmen; und Ausgeben des Berichts durch die medizinische Vorrichtung und für die Anzeige, der den Hinweis, dass die Arrhythmieepisode der ersten Klassifizierung bei dem Patienten aufgetreten ist, und das eine oder mehrere der erhaltenen Herzmerkmale umfasst, die mit der Arrhythmieepisode der ersten Klassifizierung übereinstimmen.
Beispiel 28. Verfahren eines der Beispiele 26 oder 27, ferner Folgendes umfassend: Erfassen zweiter Elektrokardiogrammdaten eines Patienten durch die medizinische Vorrichtung, die eine Verarbeitungsschaltung und ein Speichermedium umfasst; Durchführen einer merkmalsbasierten Abgrenzung der erfassten zweiten Elektrokardiogrammdaten durch die medizinische Vorrichtung, um zweite Herzmerkmale zu erhalten, die in den zweiten Elektrokardiogrammdaten vorliegen; Bestimmen durch die medizinische Vorrichtung, dass die zweiten Herzmerkmale den Herzmerkmalen des ersten Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs der medizinischen Vorrichtung ähnlich sind; als Reaktion auf das Bestimmen, dass die zweiten Herzmerkmale den Herzmerkmalen des ersten Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs ähnlich sind: Erzeugen eines Berichts durch die medizinische Vorrichtung, der einen Hinweis, dass die Arrhythmieepisode der ersten Klassifizierung bei dem Patienten aufgetreten ist, und eines oder mehrere der zweiten Herzmerkmale umfasst, die mit der Arrhythmieepisode der ersten Klassifizierung übereinstimmen; und Ausgeben des Berichts durch die medizinische Vorrichtung und für die Anzeige, der den Hinweis, dass die Arrhythmieepisode der ersten Klassifizierung bei dem Patienten aufgetreten ist, und das eine oder die mehreren der zweiten Herzmerkmale umfasst, die mit der Arrhythmieepisode der ersten Klassifizierung übereinstimmen.
Beispiel 29. Verfahren eines der Beispiele 26 bis einschließlich 28, wobei das Bestimmen einer Ähnlichkeit der erhaltenen Herzmerkmale mit den Herzmerkmalen jedes Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs der medizinischen Vorrichtung das Bestimmen umfasst, dass ein L1-Abstand der erhaltenen Herzmerkmale einem L1-Abstand der Herzmerkmale jedes Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs der medizinischen Vorrichtung nicht ähnlich ist.
Beispiel 30. Verfahren eines der Beispiele 26 bis einschließlich 28, wobei das Bestimmen einer Ähnlichkeit der erhaltenen Herzmerkmale mit den Herzmerkmalen jedes Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs der medizinischen Vorrichtung das Bestimmen umfasst, dass eine Differenz zwischen wenigstens einem Parameter der erhaltenen Herzmerkmale und wenigstens ein Parameter der Herzmerkmale jedes Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs der medizinischen Vorrichtung größer als ein vorbestimmter Schwellenwert sind.
Beispiel 31. Verfahren eines der Beispiele 26 bis einschließlich 28, wobei das Bestimmen einer Ähnlichkeit der erhaltenen Herzmerkmale mit den Herzmerkmalen jedes Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs der medizinischen Vorrichtung Folgendes umfasst: Anwenden eines zweiten maschinellen Lernmodells, trainiert unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl Patienten, um die erhaltenen Herzmerkmale und die Herzmerkmale jedes Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs der medizinischen Vorrichtung zu bestimmen, um zu bestimmen, dass die erhaltenen Herzmerkmale nicht den Herzmerkmalen jedes Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs der medizinischen Vorrichtung ähnlich sind.
Beispiel 32. Verfahren eines der Beispiele 26 bis einschließlich 31, ferner Folgendes umfassend: als Reaktion auf das Bestimmen, dass die erhaltenen Herzmerkmale den Herzmerkmalen eines ersten Eintrags der mehreren Einträgen des Arrhythmiewörterbuchs der medizinischen Vorrichtung ähnlich sind: Aktualisieren durch die medizinische Vorrichtung eines Zählers von Arrhythmieepisoden einer ersten Klassifizierung, die durch den ersten Eintrag der Vielzahl von Einträgen des Arrhythmiewörterbuchs der medizinischen Vorrichtung definiert ist; Speichern des Zählers durch die medizinische Vorrichtung in dem ersten Eintrag der Vielzahl von Einträgen des Arrhythmiewörterbuchs der medizinischen Vorrichtung.
Beispiel 33. Verfahren eines der Beispiele 26 bis einschließlich 32, ferner umfassend das Bestimmen durch die medizinische Vorrichtung, dass die erhaltenen Herzmerkmale nicht einem normalen Sinusrhythmus (NSR) oder Rauschen des Patienten ähnlich sind, wobei das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten, um zu bestimmen, dass die Arrhythmieepisode der ersten Klassifizierung in dem Patienten aufgetreten ist, als Reaktion auf das Bestimmen, dass die erhaltenen Herzmerkmale nicht den Herzmerkmalen jedes Eintrags der Vielzhal von Einträgen des Arrhythmiewörterbuchs ähnlich sind, das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten umfasst, um zu bestimmen, dass die Arrhythmieepisode der ersten Klassifizierung in dem Patienten aufgetreten ist, als Reaktion auf das Bestimmen, dass die erhaltenen Herzmerkmale nicht den Herzmerkmalen jedes Eintrags der Vielzahl von Einträgen des Arrhythmiewörterbuchs ähnlich sind, und als Reaktion auf das Bestimmen, dass die erhaltenen Herzmerkmale dem NSR des Patienten nicht ähnlich sind.
In einigen Beispielen beinhalten die Techniken der Offenbarung ein System, das Mittel umfasst, um ein beliebiges hier beschriebenes Verfahren durchzuführen. In einigen Beispielen beinhalten die Techniken der Offenbarung ein computerlesbares Medium, das Anweisungen umfasst, die verursachen, dass die Verarbeitungsschaltung ein beliebiges hierin beschriebenes Verfahren durchführt.
Es versteht sich, dass verschiedene hierin offenbarte Aspekte in anderen Kombinationen als die Kombinationen kombiniert werden können, die speziell in der Beschreibung und den beigefügten Zeichnungen präsentiert sind. 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 beinhalten, 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 einer oder mehreren Schaltungen oder Logikelementen implementiert werden.

Claims

Medizinische Vorrichtung, Folgendes umfassend: ein Speichermedium; und eine Verarbeitungsschaltung, die betriebsfähig mit dem Speichermedium gekoppelt und für Folgendes konfiguriert ist: Erfassen von Elektrokardiogrammdaten eines Patienten; Durchführen einer merkmalsbasierten Abgrenzung der erfassten Elektrokardiogrammdaten, um Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen und auf eine Arrhythmieepisode bei dem Patienten hinweisen; Bestimmen, basierend auf der merkmalsbasierten Abgrenzung, dass die Herzmerkmale Schwellenwertkriterien für die Anwendung eines maschinellen Lernmodells erfüllen, um zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; als Reaktion auf die Bestimmung, dass die Herzmerkmale die Schwellenwertkriterien für die Anwendung des maschinellen Lernmodells erfüllen, Anwenden des maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl von Patienten trainiert wurde, auf die erfassten Elektrokardiogrammdaten, um basierend auf dem maschinellen Lernmodell zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; und als Reaktion auf das Verifizieren durch das maschinelle Lernmodell, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist: Erzeugen eines Berichts, der einen Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere der Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen; und Ausgeben für die Anzeige des Berichts, der einen Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und das eine oder die mehreren der Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen.
Medizinische Vorrichtung nach Anspruch 1, wobei die Arrhythmieepisode bei dem Patienten eine Arrhythmieepisode einer ersten Klassifizierung bei dem Patienten ist, wobei zum Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten zum Verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, die Verarbeitungsschaltung konfiguriert ist, um das maschinelle Lernmodell auf die erfassten Elektrokardiogrammdaten anzuwenden, um zu verifizieren, dass die Arrhythmieepisode der ersten Klassifizierung bei dem Patienten aufgetreten ist, wobei die Verarbeitungsschaltung ferner konfiguriert ist, um das maschinelle Lernmodell auf die erfassten Elektrokardiogrammdaten anzuwenden, um zu bestimmen, dass eine Arrhythmieepisode einer zweiten Klassifizierung in dem Patienten aufgetreten ist, als Reaktion auf das Bestimmen, basierend auf der merkmalsbasierten Abgrenzung, dass die Arrhythmieepisode der ersten Klassifizierung bei dem Patienten aufgetreten ist und wobei die Verarbeitungsschaltung konfiguriert ist, um einen Bericht zu erzeugen, der einen Hinweis, dass die Arrhythmieepisode der ersten Klassifizierung bei dem Patienten aufgetreten ist, und eines oder mehrere der Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen, wobei die Verarbeitungsschaltung konfiguriert ist, um einen Bericht zu erzeugen, der einen Hinweis, dass die Arrhythmieepisode der ersten Klassifizierung bei dem Patienten aufgetreten ist, einen Hinweis, dass die Arrhythmieepisode der zweiten Klassifizierung bei dem Patienten aufgetreten ist, und das eine oder die mehreren Herzmerkmale umfasst, die mit der Arrhythmieepisode der ersten Klassifizierung übereinstimmen.
Medizinische Vorrichtung nach einem der Ansprüche 1 bis einschließlich 2, wobei die Verarbeitungsschaltung, um merkmalsbasierte Abgrenzung der Elektrokardiogrammdaten durchzuführen, um die Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen, konfiguriert ist, um QRS-Erkennung, refraktäre Verarbeitung, Rauschverarbeitung und/oder eine Abgrenzung der Elektrokardiogrammdaten durchzuführen, um Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen.
Medizinische Vorrichtung nach einem der Ansprüche 1 bis einschließlich 3, wobei die Verarbeitungsschaltung, um das maschinelle Lernmodell anzuwenden, um zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, konfiguriert ist, um das maschinelle Lernmodell anzuwenden, um zu verifizieren, dass eine Episode von Bradykardie, Tachykardie, Vorhofflimmern, Kammerflimmern und/oder AV-Block bei dem Patienten aufgetreten ist.
Medizinische Vorrichtung nach einem der Ansprüche 1 bis einschließlich 4, wobei das maschinelle Lernmodell, das unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl on Patienten trainiert wurde, ein maschinelles Lernmodell umfasst, das unter Verwendung einer Vielzahl von Elektrokardiogramm(EKG-)Wellenformen trainiert wurde, wobei jede EKG-Wellenform mit einer oder mehreren Arrhythmieepisoden einer oder mehrerer Klassifzierungen bei einem Patienten der Vielzahl von Patienten gekennzeichnet ist.
Medizinische Vorrichtung nach einem der Ansprüche 1 bis einschließlich 5, wobei zum Bestimmen, dass die Herzmerkmale die Schwellenwertkriterien erfüllen, die Verarbeitungsschaltung konfiguriert ist, um zu bestimmen, dass ein physiologischer Parameter des Patienten und/oder ein Parameter der medizinischen Vorrichtung die Schwellenwertkriterien erfüllt.
Medizinische Vorrichtung nach einem der Ansprüche 1 bis einschließlich 6, wobei zum Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten die Verarbeitungsschaltung konfiguriert ist, um das maschinellen Lernmodell auf die erfassten Elektrokardiogrammdaten anzuwenden, wenn bestimmt wird, dass die Herzmerkmale die Schwellenwertkriterien erfüllen und Bestimmen, dass ein Rauschen von wenigstens einem der Herzmerkmale kleiner als ein vorbestimmter Schwellenwert ist.
Medizinische Vorrichtung nach einem der Ansprüche 1 bis einschließlich 7, wobei zum Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten die Verarbeitungsschaltung konfiguriert ist, um das maschinellen Lernmodell auf die erfassten Elektrokardiogrammdaten anzuwenden, wenn bestimmt wird, dass die Herzmerkmale die Schwellenwertkriterien erfüllen und Bestimmen, dass sich der Patient in einem ersten Haltungszustand einer Vielzahl von Haltungszuständen befindet.
Medizinische Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 8, wobei die Elektrokardiogrammdaten des Patienten ein Elektrokardiogramm (EKG) des Patienten umfassen, und wobei die Verarbeitungsschaltung zum Erzeugen des Berichts, der einen Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und das eine oder die mehreren der Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen, für Folgendes konfiguriert ist: Identifizieren eines Teilabschnitts des EKG des Patienten, wobei der Teilabschnitt EKG-Daten für einen ersten Zeitraum vor der Arrhythmieepisode, einen zweiten Zeitraum während der Arrhythmieepisode und einen dritten Zeitraum nach der Arrhythmieepisode umfasst, und wobei eine Zeitdauer des EKGs des Patienten länger ist als der erste, zweite und dritte Zeitraum; Identifizieren eines oder mehrere der Herzmerkmale, die mit dem ersten, zweiten und dritten Zeitraum übereinstimmen; und Beinhalten in dem Bericht des Unterabschnitts des EKG und des einen oder der mehreren der Herzmerkmale, die mit dem ersten, zweiten und dritten Zeitraum übereinstimmen.
Medizinische Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 9, wobei die Verarbeitungsschaltung, um basierend auf der merkmalsbasierte Abgrenzung zu bestimmen, dass die Herzmerkmale die Schwellenwertkriterien des maschinellen Lernmodells zum Verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, erfüllen, konfiguriert ist, um basierend auf der merkmalsbasierten Abgrenzung zu bestimmen, dass die Herzmerkmale darauf hinweisen, dass die Arrhythmieepsiode einer ersten Klassifizierung bei dem Patienten aufgetreten ist, und wobei zum Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten zum Verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, die Verarbeitungsschaltung konfiguriert ist, um das maschinelle Lernmodell auf die erfassten Elektrokardiogrammdaten anzuwenden, um die Bestimmung basierend auf der merkmalsbasierten Abgrenzung zu verifizieren, dass Herzmerkmale auf die Arrhythmieepisode der ersten Klassifizierung hinweisen.
Medizinische Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 10, wobei die Verarbeitungsschaltung ferner konfiguriert ist, um die erfassten Elektrokardiogrammdaten zu verarbeiten, um gefilterte Elektrokardiogrammdaten zu erzeugen, und wobei zum Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten zum Verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, die Verarbeitungsschaltung ferner konfiguriert ist, um das maschinelle Lernmodell auf die gefilterten Elektrokardiogrammdaten anzuwenden, um zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist.
Medizinische Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 11, wobei das Anwenden des maschinellen Lernmodells auf die erfassten Elektrokardiogrammdaten zum Verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, eine erste Bestimmung, basierend auf dem maschinellen Lernmodell, dass die Arrhythmieepisode bei dem Patienten nicht aufgetreten ist, und/oder eine zweite Bestimmung, basierend auf dem maschinellen Lernmodell, umfasst, dass eine Arrhythmieepisode einer anderen Art bei dem Patienten aufgetreten ist, wobei die Verarbeitungsschaltung ferner konfiguriert ist: als Reaktion auf die erste Bestimmung und/oder die zweite Bestimmung, Aktualisieren eines Zählers von falsch erkannten Arrhythmieepisoden bei dem Patienten durch die medizinische Vorrichtung; und als Reaktion auf das Bestimmen, dass ein Wert des Zählers größer als ein vorbestimmter Schwellenwert ist, Umschalten von der Durchführung einer merkmalsbasierten Abgrenzung der erfassten Elektrokardiogrammdaten, um Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen und auf eine Arrhythmieepisode bei dem Patienten hinweisen, auf das Anwenden eines zweiten maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl von Patienten trainiert wurde, auf die erfassten Elektrokardiogrammdaten, um basierend auf dem maschinellen Lernmodell Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen und auf eine Arrhythmieepisode bei dem Patienten hinweisen.
Rechenvorrichtung, Folgendes umfassend: Mittel zum Erfassen von Elektrokardiogrammdaten eines Patienten; Mittel zum Durchführen einer merkmalsbasierten Abgrenzung der erfassten Elektrokardiogrammdaten, um Herzmerkmale zu erhalten, die in den Elektrokardiogrammdaten vorliegen und auf eine Arrhythmieepisode bei dem Patienten hinweisen; Mittel zum Bestimmen, basierend auf der merkmalsbasierten Abgrenzung, dass die Herzmerkmale Schwellenwertkriterien für die Anwendung eines maschinellen Lernmodells erfüllen, um zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; als Reaktion auf die Bestimmung, dass die Herzmerkmale die Schwellenwertkriterien für die Anwendung des maschinellen Lernmodells erfüllen, Mittel zum Anwenden des maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für eine Vielzahl von Patienten trainiert wurde, auf die erfassten Elektrokardiogrammdaten, um basierend auf dem maschinellen Lernmodell zu verifizieren, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; und Mittel zum Erzeugen eines Berichts als Reaktion auf das Verifizieren durch das maschinelle Lernmodell, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, der einen Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere der Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen; und Mittel zum Ausgeben für die Anzeige des Berichts, der einen Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und das eine oder die mehreren der Herzmerkmale umfasst, die mit der Arrhythmieepisode übereinstimmen.
System, das die Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 13 umfasst.