DE202020005652U1

DE202020005652U1 - Visualisierung der Erkennung von Arrhythmien durch maschinelles Lernen

Info

Publication number: DE202020005652U1
Application number: DE202020005652.9U
Authority: DE
Original assignee: Medtronic Inc
Current assignee: Medtronic Inc
Priority date: 2019-05-06
Filing date: 2020-04-17
Publication date: 2022-03-16
Anticipated expiration: 2030-04-18
Also published as: KR20220005456A; US20210338138A1; JP2022531292A; US20230329624A1; CN113795193A; AU2020268171A1; US11723577B2; EP3965646A1; WO2020226881A1; US11617533B2; US20200352462A1

Abstract

Rechenvorrichtung, Folgendes umfassend:
ein Speichermedium; und
eine Verarbeitungsschaltung, die betriebsfähig mit dem Speichermedium gekoppelt und für Folgendes konfiguriert ist:
Empfangen von Elektrokardiogrammdaten, die von einer medizinischen Vorrichtung erfasst wurden;
Anwenden eines maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für mehrere Patienten trainiert wurde, auf die empfangenen Elektrokardiogrammdaten für Folgendes:
Bestimmen basierend auf dem maschinellen Lernmodell, dass bei dem Patienten eine Arrhythmieepisode aufgetreten ist; und
Bestimmen eines Vertrauensniveaus der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist;
Bestimmen, dass das Vertrauensniveau der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, größer als ein vorbestimmter Schwellenwert ist; und
als Reaktion auf das Bestimmen, dass das Vertrauensniveau größer als der vorbestimmte Schwellenwert ist, Ausgeben wenigstens eines Abschnitts der Elektrokardiogrammdaten für die Anzeige an einen Benutzer, einer ersten Angabe, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und einer zweiten Angabe, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist.

Description

GEBIET
Diese Offenbarung bezieht sich allgemein auf medizinische Vorrichtungen.
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 batteriebetriebenes Elektroschockvorrichtung, die eine elektrische Gehäuseelektrode (manchmal als eine Dosenelektrode bezeichnet) beinhalten kann, die typischerweise mit einem oder mehreren im Herzen platzierten elektrischen Zuleitungsdrähten gekoppelt ist. Wenn eine Arrhythmie erfasst wird, kann der ICD über die elektrischen Zuleitungsdrähte einen Impuls senden, um das Herz zu schocken und seinen normalen Rhythmus wiederherzustellen. Einige ICDs 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 ICDs 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 ICDs 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 eine implantierte oder nicht implantierte medizinische Vorrichtung kann 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 eine Ausgabe eines maschinellen Lernsystems, das Arrhythmien bei einem Patienten erkennt, erläutert und visualisiert. Maschinelle Lernsysteme können leistungsstarke Werkzeuge zum Erkennen und Klassifizieren von Arrhythmieepisoden bei einem Patienten bereitstellen. Die Grundlagen für die Schlussfolgerungen, die von solchen maschinellen Lernsystemen gezogen werden, können jedoch einem Nicht-Experten schwer zu vermitteln sein. Hierin werden Techniken offenbart, um die Schlussfolgerungen zu vereinfachen, die von einem maschinellen Lernsystem in Bezug auf die Erkennung von Arrhythmien bei einem Patienten gezogen werden, und um solche Informationen auf eine Weise zu präsentieren, die für Benutzer mit unterschiedlichen Fähigkeiten, einschließlich Fachexperten und Nicht-Experten gleichermaßen, verständlich ist.
In einem Beispiel empfängt eine Rechenvorrichtung Elektrokardiogrammdaten, die von einer medizinischen Vorrichtung erfasst wurden. Die Rechenvorrichtung wendet ein maschinelles Lernmodell, das unter Verwendung von Elektrokardiogrammdaten für mehrere Patienten trainiert wurde, auf die empfangenen Elektrokardiogrammdaten an, um basierend auf dem maschinellen Lernmodell zu bestimmen, dass bei dem Patienten eine Arrhythmieepisode aufgetreten ist, und ein Vertrauensniveau der Bestimmung zu bestimmen, dass bei dem Patienten eine Arrhythmieepisode aufgetreten ist. Als Reaktion auf die Bestimmung, dass das Vertrauensniveau größer als ein vorbestimmter Schwellenwert ist, zeigt die Rechenvorrichtung einem Benutzer einen Abschnitt der Elektrokardiogrammdaten, eine Angabe, dass die Arrhythmieepisode aufgetreten ist, und eine Angabe des Vertrauensniveaus, dass die Arrhythmieepisode aufgetreten ist, an. In einigen Beispielen stellt die Rechenvorrichtung fortgeschrittenen Benutzern detailliertere Informationen und Benutzern mit Grundwissen weniger detaillierte Informationen bereit.
In einem anderen Beispiel empfängt die Rechenvorrichtung Elektrokardiogrammdaten, die von der medizinischen Vorrichtung erfasst werden, und eine Auswahl eines Arrhythmietyps von einem Benutzer. Die Rechenvorrichtung wendet das Modell des maschinellen Lernens auf die empfangenen Elektrokardiogrammdaten an, um basierend auf dem Modell des maschinellen Lernens zu bestimmen, dass eine Arrhythmieepisode des ausgewählten Typs bei dem Patienten aufgetreten ist, und ein Vertrauensniveau der Bestimmung zu bestimmen, dass die Arrhythmieepisode des ausgewählten Typs aufgetreten ist. Die Rechenvorrichtung gibt für die Anzeige wenigstens einen Abschnitt der Elektrokardiogrammdaten, eine erste Angabe, dass die Arrhythmieepisode des ausgewählten Typs bei dem Patienten aufgetreten ist, und eine zweite Angabe des Vertrauensniveaus, dass die Arrhythmieepisode des ausgewählten Typs bei dem Patienten aufgetreten ist, aus.
Die Techniken der Offenbarung können spezifische Verbesserungen auf dem Gebiet der maschinellen Lernsysteme bereitstellen, die eine Erkennung und Klassifizierung von Arrhythmie durchführen. Beispielsweise können die hierin offenbarten Techniken eine klarere Erklärbarkeit und Visualisierung der von solchen maschinellen Lernsystemen durchgeführten Analyse ermöglichen. Ferner können die hierin beschriebenen Techniken eine schnelle und patientenspezifische Interpretation von Elektrokardiogrammdaten für die Verwendung durch Benutzer mit vielen unterschiedlichen Erfahrungsniveaus ermöglichen. Die hierin offenbarten Techniken können den Trainingsaufwand reduzieren, der von Benutzern benötigt wird, um Schlussfolgerungen zu nutzen, die von Systemen des maschinellen Lernens bereitgestellt werden, die eine Erkennung und Klassifizierung von Arrhythmie durchführen, sowie die Verwendung solcher Systeme des maschinellen Lernens in einer breiteren Vielfalt von Systemen ermöglichen. Dementsprechend können die hierin offenbarten Techniken eine genauere und schnellere Diagnose und Klassifizierung von Arrhythmie bei Patienten ermöglichen, während die Menge an Fachwissen reduziert wird, die von Klinikern benötigt wird, um eine solche Arrhythmie zu diagnostizieren und eine Therapie bereitzustellen.
In einem Beispiel beschreibt diese Offenbarung ein Verfahren, Folgendes umfassend: Empfangen von Elektrokardiogrammdaten, die von einer medizinischen Vorrichtung erfasst wurden, durch eine Rechenvorrichtung, die eine Verarbeitungsschaltung und ein Speichermedium umfasst; Anwenden eines maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für mehrere Patienten trainiert wurde, auf die empfangenen Elektrokardiogrammdaten durch die Rechenvorrichtung, für Folgendes: Bestimmen basierend auf dem maschinellen Lernmodell, dass bei dem Patienten eine Arrhythmieepisode aufgetreten ist; und Bestimmen eines Vertrauensniveaus der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; Bestimmen, dass das Vertrauensniveau der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, größer als ein vorbestimmter Schwellenwert ist; und als Reaktion auf das Bestimmen, dass das Vertrauensniveau größer als der vorbestimmte Schwellenwert ist, Ausgeben durch die Rechenvorrichtung und für die Anzeige für einen Benutzer wenigstens eines Abschnitts der Elektrokardiogrammdaten einer ersten Angabe, dass die Arrhythmieepisode beim Patienten aufgetreten ist, und einer zweiten Angabe des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist.
In einem anderen Beispiel beschreibt diese Offenbarung ein Verfahren, Folgendes umfassend: Empfangen von Elektrokardiogrammdaten, die von einer medizinischen Vorrichtung erfasst wurden, durch eine Rechenvorrichtung, die eine Verarbeitungsschaltung und ein Speichermedium umfasst; Empfangen einer Auswahl eines Arrhythmietyps von dem Benutzer; Anwenden eines maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für mehrere Patienten trainiert wurde, auf die empfangenen Elektrokardiogrammdaten durch die Rechenvorrichtung, für Folgendes: Bestimmen basierend auf dem maschinellen Lernmodell, dass eine Arrhythmieepisode des ausgewählten Typs bei dem Patienten aufgetreten ist; und Bestimmen eines Vertrauensniveaus der Bestimmung, dass die Arrhythmieepisode des ausgewählten Typs bei dem Patienten aufgetreten ist; und Ausgeben durch die Rechenvorrichtung und für die Anzeige an einen Benutzer, wenigstens eines Abschnitts der Elektrokardiogrammdaten, einer ersten Angabe, dass die Arrhythmieepisode des ausgewählten Typs bei dem Patienten aufgetreten ist, und einer zweiten Angabe des Vertrauensniveaus, dass bei dem Patienten eine Arrhythmieepisode des ausgewählten Typs aufgetreten ist.
In einem Beispiel beschreibt diese Offenbarung eine Rechenvorrichtung, Folgendes umfassend: ein Speichermedium; und eine Verarbeitungsschaltung, die mit dem Speichermedium betriebsfähig gekoppelt ist und für Folgendes konfiguriert ist: Empfangen von Elektrokardiogrammdaten, die von einer medizinischen Vorrichtung erfasst wurden; Anwenden eines maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für mehrere Patienten trainiert wurde, auf die empfangenen Elektrokardiogrammdaten durch die Rechenvorrichtung, für Folgendes: Bestimmen basierend auf dem maschinellen Lernmodell, dass bei dem Patienten eine Arrhythmieepisode aufgetreten ist; und Bestimmen eines Vertrauensniveaus der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; Bestimmen, dass das Vertrauensniveau der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, größer als ein vorbestimmter Schwellenwert ist; und als Reaktion auf das Bestimmen, dass das Vertrauensniveau größer als der vorbestimmte Schwellenwert ist, Ausgeben für die Anzeige für einen Benutzer wenigstens eines Abschnitts der Elektrokardiogrammdaten einer ersten Angabe, dass die Arrhythmieepisode beim Patienten aufgetreten ist, und einer zweiten Angabe des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist.
In einem anderen Beispiel beschreibt diese Offenbarung eine Rechenvorrichtung, Folgendes umfassend: ein Speichermedium; und eine Verarbeitungsschaltung, die mit dem Speichermedium betriebsfähig gekoppelt ist und für Folgendes konfiguriert ist: Empfangen von Elektrokardiogrammdaten, die von einer medizinischen Vorrichtung erfasst wurden; Empfangen einer Auswahl eines Arrhythmietyps von einem Benutzer; Anwenden eines maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für mehrere Patienten trainiert wurde, auf die empfangenen Elektrokardiogrammdaten, für Folgendes: Bestimmen basierend auf dem maschinellen Lernmodell, dass eine Arrhythmieepisode des ausgewählten Typs bei dem Patienten aufgetreten ist; und Bestimmen eines Vertrauensniveaus der Bestimmung, dass die Arrhythmieepisode des ausgewählten Typs bei dem Patienten aufgetreten ist; und Ausgeben für die Anzeige an einen Benutzer, wenigstens eines Abschnitts der Elektrokardiogrammdaten, einer ersten Angabe, dass die Arrhythmieepisode des ausgewählten Typs bei dem Patienten aufgetreten ist, und einer zweiten Angabe des Vertrauensniveaus, dass bei dem Patienten eine Arrhythmieepisode des ausgewählten Typs aufgetreten ist.
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 die Erläuterung der Erkennung und der Klassifizierung von Arrhythmie einschließlich einer implantierbaren medizinischen Vorrichtung und einer externen Vorrichtung in Verbindung mit einem Patienten in Übereinstimmung mit den Techniken der Offenlegung darstellt.
2 ist ein Blockdiagramm, das ein Beispiel der implantierbaren medizinischen Vorrichtung von 1 darstellt.
3 ist ein Blockdiagramm, das ein weiteres Beispiel der implantierbaren medizinischen Vorrichtung von 1 darstellt.
4 ist ein Blockdiagramm, das eine beispielhafte Rechenvorrichtung veranschaulicht, die in Übereinstimmung mit einer oder mehreren Techniken der vorliegenden Offenbarung arbeitet.
5 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung darstellt.
6 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung darstellt.
7 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung darstellt.
8 ist ein Diagramm, das beispielhafte simulierte Elektrokardiogrammdaten darstellt, die verwendet werden können, um ein maschinelles Lernsystem in Übereinstimmung mit den Techniken der Offenbarung zu erklären.
9A-9C sind Diagramme, die Techniken zum Visualisieren des Betriebs des maschinellen Lernmodells 150 von FIG. beim Erkennen einer Arrhythmieepisode in Übereinstimmung mit den Techniken der Offenbarung darstellt.
10A-10D sind Darstellungen, die eine beispielhafte Anzeige zum Visualisieren von Elektrokardiogrammdaten eines Patienten durch eine medizinische Vorrichtung in Übereinstimmung mit den Techniken der Offenbarung darstellen.
11A-11C sind Darstellungen, die eine weitere beispielhafte Anzeige zum Visualisieren von Elektrokardiogrammdaten eines Patienten durch eine medizinische Vorrichtung in Übereinstimmung mit den Techniken der Offenbarung darstellen.

Ähnliche Bezugszeichen beziehen sich in den Figuren und in der Beschreibung auf ähnliche Elemente.
AUSFÜHRLICHE BESCHREIBUNG
Maschinelle Lernsysteme wie Deep Learning und künstliche Intelligenz (AI), die eine Erkennung von Arrhythmie durchführen, stellen eine flexible Plattform für die Entwicklung von Algorithmen mit unterschiedlichen Zielen bereit. Beispielsweise können maschinelle Lernsysteme verwendet werden, um Segmente mit Vorhofflimmern (AF) zu erkennen, das Vorhandensein von AF zu erkennen oder andere Typen von Arrhythmie zu erkennen. Ferner können solche maschinellen Lernsysteme ohne Expertengestaltung und Merkmalstechnik implementiert werden, die für andere Techniken erforderlich sein kann, wie etwa Merkmalsabgrenzung. Die Schlussfolgerungen, die von solchen maschinellen Lernsystemen gezogen werden, sowie die Daten, die für solche Schlussfolgerungen herangezogen werden, können jedoch schwer zu erklären sein, was die Bewertung der Leistung des maschinellen Lernsystems behindert.
Es werden Techniken zum Erklären und Visualisieren einer Ausgabe eines maschinellen Lernsystems offenbart, das Arrhythmie bei einem Patienten erkennt. Die Techniken der Offenbarung können es einem medizinischen Vorrichtungssystem ermöglichen, die Klassifizierung Arrhythmie durch ein maschinelles Lernmodell zu erklären. Beispielsweise kann ein System, wie es nachstehend beschrieben ist, eine Erklärbarkeit und Interpretierbarkeit eines maschinellen Lernsystems bereitstellen, das eine Erkennung von Arrhythmie durchführt. Darüber hinaus kann ein medizinisches Vorrichtungssystem, wie hierin beschrieben, Arrhythmien, die von dem maschinellen Lernsystem erkannt wurden, für eine schnelle und patientenspezifische Interpretation präsentieren und solche erkannten Arrhythmien einer Vielzahl von Endbenutzern präsentieren, die unterschiedliche Niveaus an Vertrautheit und Erfahrung mit der Interpretation von Elektrokardiogrammdaten haben. Ein solches medizinisches Vorrichtungssystem, wie es hierin beschrieben ist, kann eine verständliche Erklärung und einfache Arrhythmie-Visualisierung von einem maschinellen Lernsystems bereitstellen, was nützlich sein kann, da Verbraucher und medizinische Vorrichtungen, die Elektrokardiogrammdaten sammeln und anzeigen können, zunehmen.
1 ist eine konzeptionelle Zeichnung, die ein Beispiel für ein medizinisches Vorrichtungssystem 2 für die Erläuterung der Erkennung und der Klassifizierung von Arrhythmie im Herzen 6 eines Patienten 4 einschließlich einer IMD 10 und einer externen Vorrichtung 12 in Verbindung mit einem Patienten in Übereinstimmung mit den Techniken der Offenlegung darstellt. In einigen Beispielen ist die IMD 10 eine zuleitungslose IMD und steht in drahtloser Kommunikation mit der externen Vorrichtung 12, wie in 1 dargestellt. In einigen Beispielen kann die IMD 10 mit einer oder mehreren Zuleitungen gekoppelt sein. In einigen Beispielen kann die IMD 10 außerhalb einer Brusthöhle des Patienten 4 implantiert werden (z. B. subkutan an der in 1 dargestellten Bruststelle). Die IMD 10 kann in der Nähe des Brustbeins in der Nähe und/oder knapp unterhalb des Niveaus des Herzens 6 positioniert werden.
In einigen Beispielen kann die IMD 10 die Form eines einsetzbaren Herzmonitors (Insertable Cardiac Monitor - ICM) von Reveal LlNQ™ oder eines Holter-Herzmonitors annehmen, die beide von Medtronic plc, Dublin, Irland, erhältlich sind. 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 über das Netzwerk 25 an das Rechensystem 24 gekoppelt sein. Das Rechensystem 24 kann ein entferntes Patientenüberwachungssystem beinhalten, wie Carelink®, erhältlich von Medtronic plc, Dublin, Irland. Die externe Vorrichtung 12 kann in einigen Beispielen eine Kommunikationsvorrichtung wie einen Programmierer, einen externen Monitor oder eine mobile Vorrichtung wie ein Mobiltelefon, ein „intelligentes“ Telefon, einen Laptop, einen Tablet-Computer, einen persönlichen digitalen Assistenten (PDA) usw. umfassen.
In einigen Beispielen können die hierin beschriebenen beispielhaften Techniken und Systeme mit einer externen medizinischen Vorrichtung zusätzlich zu oder anstelle der IMD 10 verwendet werden. In einigen Beispielen ist die externe medizinische Vorrichtung eine tragbare elektronische Vorrichtung wie das SEEQ^TM Mobile Cardiac Telemetry (MCT-) System erhältlich von Medtronic plc, Dublin, Irland, oder ein anderer Typ von tragbarer „intelligenter“ elektronischer Kleidung, wie eine „intelligente“ Uhr, ein „intelligentes“ Pflaster oder eine „intelligente“ Brille. 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.
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 über das Netzwerk 25, z. B. durch das Rechensystem 24, zu ermöglichen. Das Rechensystem 24 kann Rechenvorrichtungen umfassen, die konfiguriert sind, um einem Benutzer die Interaktion mit der IMD 10 über das Netzwerk 25 zu ermöglichen.
In einigen Beispielen beinhaltet das Rechensystem 24 eine tragbare Rechenvorrichtung, eine Computer-Workstation, einen Server oder eine andere vernetzte Rechenvorrichtung, ein Smartphone, ein Tablet und/oder einen externen Programmierer, der eine Benutzerschnittstelle zum Präsentieren von Informationen und zum Empfangen von Eingaben von einem Benutzer beinhaltet. In einigen Beispielen kann das Rechensystem 24 eine oder mehrere Vorrichtungen beinhalten, die ein maschinelles Lernsystem 150 implementieren, wie ein neuronales Netzwerk, ein Deep-Learning-System oder einen anderen Typ von prädiktivem Analysesystem. Ein Benutzer, wie ein Arzt, Techniker, Chirurg, Elektrophysiologe oder ein anderer Kliniker, kann mit dem Rechensystem 24 interagieren, um physiologische oder diagnostische Informationen von der IMD 10 abzurufen. Ein Benutzer kann ebenso mit dem Rechensystem 24 interagieren, um die IMD 10 zu programmieren, z. B. Werte für Betriebsparameter der IMD auszuwählen. Das Rechensystem 24 kann einen Prozessor beinhalten, der konfiguriert ist, um EGM und/oder andere erfasste Signale auszuwerten, die von der IMD 10 an das Rechensystem 24 übertragen werden.
Das Netzwerk 25 kann eine oder mehrere Rechenvorrichtungen (nicht gezeigt) beinhalten, wie einen oder mehrere Non-EdgeSwitches, Router, Hubs, Gateways, Sicherheitsvorrichtungen wie Firewalls, Angriffserkennungs- und/oder Angriffsschutzvorrichtungen, Server, Computerterminals, Laptops, Drucker, Datenbanken, drahtlose mobile Vorrichtungen wie Mobiltelefone oder persönliche digitale Assistenten, drahtlose Zugangspunkte, Bridges, Kabelmodems, Anwendungsbeschleuniger oder andere Netzwerkvorrichtungen. Das Netzwerk 25 kann ein oder mehrere Netzwerke beinhalten, die von Dienstanbietern verwaltet werden, und kann somit einen Teil einer groß angelegten öffentlichen Netzwerkinfrastruktur, z. B. des Internets, ausbilden. Das Netzwerk 25 kann Rechenvorrichtungen, wie das Rechensystem 24 und die IMD 10, Zugang zu dem Internet bereitstellen und kann einen Kommunikationsrahmen bereitstellen, der es den Rechenvorrichtungen ermöglicht, miteinander zu kommunizieren. In einigen Beispielen kann das Netzwerk 25 ein privates Netzwerk sein, das einen Kommunikationsrahmen bereitstellt, der es dem Rechensystem 24, der IMD 10 und/oder der externen Vorrichtung 12 ermöglicht, miteinander zu kommunizieren, jedoch eines oder mehrere des Rechensystems 24, der IMD 10 oder der externen Vorrichtung 12 von externen Vorrichtungen zu dem Netzwerk 25 aus Sicherheitsgründen isoliert. In einigen Beispielen ist die Kommunikation zwischen dem Rechensystem 24, der IMD 10 und der externen Vorrichtung 12 verschlüsselt.
Die externe Vorrichtung 12 und das Rechensystem 24 können über eine drahtlose Kommunikation über das Netzwerk 25 unter Verwendung beliebiger in dem Stand der Technik bekannter Techniken kommunizieren. In einigen Beispielen ist das Rechensystem 24 eine entfernte Vorrichtung, die mit der externen Vorrichtung 12 über eine Zwischenvorrichtung kommuniziert, die sich in dem Netzwerk 25 befindet, wie einen lokalen Zugangspunkt, einen drahtlosen Router oder ein Gateway. Während in dem Beispiel von 1 die externe Vorrichtung 12 und das Rechensystem 24 über das Netzwerk 25 kommunizieren, kommunizieren die externe Vorrichtung 12 und das Rechensystem 24 in einigen Beispielen direkt miteinander. Beispiele für Kommunikationstechniken können beispielsweise die Kommunikation gemäß den Bluetooth®- oder BLE-Protokollen beinhalten. Andere Kommunikationstechniken werden ebenso in Betracht gezogen. Das Rechensystem 24 kann ebenso mit einer oder mehreren anderen externen Vorrichtungen unter Verwendung einer Reihe bekannter Kommunikationstechniken kommunizieren, sowohl drahtgebunden als auch drahtlos.
In jedem solchen Beispiel kann die Verarbeitungsschaltung des medizinischen Vorrichtungssystems 2 Patientendaten, einschließlich kardialer Elektrogrammdaten, für den Patienten 4 an einen entfernten Computer (z. B. die externe Vorrichtung 12) 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, Kammerflimmern oder AV-Block.
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, Überprüfung und Meldung von Arrhythmie durchzuführen. Gemäß den Techniken der Offenbarung implementiert das medizinische Vorrichtungssystem 2 eine Arrhythmieerkennung durch maschinelles Lernen, 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 zuleitungslosen (z. B. Herz-) Schrittmacher, extravaskulären Schrittmacher und/oder ICD oder IMD oder Kombinationen solcher IMD beinhalten, 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.
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 in 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 erläutert und visualisiert das medizinische Vorrichtungssystem 2 eine Ausgabe des maschinellen Lernsystems 150, das Arrhythmien bei einem Patienten erkennt. Das maschinelle Lernsystem 150 kann Werkzeuge zum Erkennen und Klassifizieren von Arrhythmieepisoden bei dem Patienten 4 bereitstellen. Die Grundlagen für die von dem maschinellen Lernsystem 150 gezogenen Schlussfolgerungen können jedoch schwierig zu vermitteln sein. Wie nachstehend ausführlicher erörtert wird, dient das medizinische Vorrichtungssystem 2 dazu, die Schlussfolgerungen zu vereinfachen, die von dem maschinellen Lernsystem 150 in Bezug auf die Erkennung von Arrhythmie bei dem Patienten 4 gezogen werden. Ferner präsentiert das medizinische Vorrichtungssystem 2 solche Informationen auf eine Weise, die für Benutzer mit unterschiedlichen Fähigkeiten, einschließlich Fachexperten und Nicht-Experten, gleichermaßen verständlich ist.
In einem Beispiel empfängt das Rechensystem 24 Elektrokardiogrammdaten, die von einer medizinischen Vorrichtung erfasst werden, wie der IMD 10 oder der externen Vorrichtung 12. Das Rechensystem 24 wendet ein maschinelles Lernmodell des maschinellen Lernsystems 150, das unter Verwendung von Elektrokardiogrammdaten für mehrere Patienten trainiert wurde, auf die empfangenen Elektrokardiogrammdaten an, um basierend auf dem maschinellen Lernmodell zu bestimmen, dass bei dem Patienten 4 eine Arrhythmieepisode aufgetreten ist. Das maschinelle Lernsystem 150 bestimmt ferner ein Vertrauensniveau der Bestimmung, dass die Arrhythmieepisode bei dem Patienten 4 aufgetreten ist. Als Reaktion auf die Bestimmung, dass das Vertrauensniveau größer als ein vorbestimmter Schwellenwert ist, zeigt das Rechensystem 24 einem Benutzer einen Abschnitt der Elektrokardiogrammdaten, eine Angabe, dass die Arrhythmieepisode aufgetreten ist, und eine Angabe des Vertrauensniveaus an, dass die Arrhythmieepisode aufgetreten ist. In einigen Beispielen stellt das Rechensystem 24 fortgeschrittenen Benutzern detailliertere Informationen und Benutzern mit Grundwissen weniger detaillierte Informationen bereit.
In einem anderen Beispiel empfängt das Rechensystem 24 Elektrokardiogrammdaten, die z. B. von der IMD 10 erfasst werden, und eine Auswahl eines Arrhythmietyps von einem Benutzer. Das Rechensystem 24 wendet das maschinelle Lernsystem 150 auf die empfangenen Elektrokardiogrammdaten an, um basierend auf dem maschinellen Lernmodell des maschinellen Lernsystems 150 zu bestimmen, dass bei dem Patienten 4 eine Arrhythmieepisode des ausgewählten Typs aufgetreten ist, und ein Vertrauensniveau der Bestimmung zu bestimmen, dass die Arrhythmieepisode des ausgewählten Typs aufgetreten ist. Das Rechensystem 24 gibt für die Anzeige wenigstens einen Abschnitt der Elektrokardiogrammdaten, eine erste Angabe, dass die Arrhythmieepisode des ausgewählten Typs bei dem Patienten 4 aufgetreten ist, und eine zweite Angabe des Vertrauensniveaus aus, dass die Arrhythmieepisode des ausgewählten Typs bei dem Patienten 4 aufgetreten ist.
Die Techniken der Offenbarung können spezifische Verbesserungen auf dem Gebiet der maschinellen Lernsysteme bereitstellen, die eine Erkennung und Klassifizierung von Arrhythmie durchführen. Beispielsweise können die hierin offenbarten Techniken eine klarere Erklärbarkeit und Visualisierung der von dem maschinellen Lernsystem 150 durchgeführten Analyse ermöglichen. Ferner können die hierin beschriebenen Techniken eine schnelle und patientenspezifische Interpretation von Elektrokardiogrammdaten für die Verwendung durch Benutzer mit vielen unterschiedlichen Erfahrungsniveaus ermöglichen. Die hierin offenbarten Techniken können den Trainingsaufwand reduzieren, der von Benutzern benötigt wird, um Schlussfolgerungen zu nutzen, die von Systemen des maschinellen Lernens bereitgestellt werden, die eine Erkennung und Klassifizierung von Arrhythmie durchführen, sowie die Verwendung solcher Systeme des maschinellen Lernens in einer breiteren Vielfalt von Systemen ermöglichen. Dementsprechend können die hierin offenbarten Techniken eine genauere und schnellere Diagnose und Klassifizierung von Arrhythmie bei Patienten ermöglichen, während die Menge an Fachwissen reduziert wird, die von Klinikern benötigt wird, um eine solche Arrhythmie zu diagnostizieren und eine Therapie bereitzustellen.
2 ist ein Blockdiagramm, das ein Beispiel der zuleitungslosen implantierbaren medizinischen Vorrichtung von 1 darstellt. Wie in 2 gezeigt, beinhaltet die IMD 10 eine Verarbeitungsschaltung 50, eine Erfassungsschaltung 52, eine Kommunikationsschaltung 54, einen Speicher 56, Sensoren 58, eine Umschaltschaltung 60 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 mehrere Komponenten beinhalten, wie eine beliebige Kombination aus einem oder mehreren Mikroprozessoren, einer oder mehreren Steuervorrichtungen, einem oder mehreren DSPs, einer oder mehreren ASICs oder einem oder mehreren FPGAs 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 erzeugen. Die Erfassungsschaltung 52 kann eine digitalisierte Version des kardialen Elektrogramms sowie Angaben zu dem Zeitpunkt der Depolarisationen erzeugen. In einigen Beispielen kann die Verarbeitungsschaltung 50 eine Merkmalsabgrenzung der erfassten Elektrokardiogrammdaten durchführen, um eine Episode einer Arrhythmie 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. Beispielsweise sendet die IMD 10 digitalisierte Elektrokardiogrammdaten an das Netzwerk 25 für die Verarbeitung durch das maschinelle Lernsystem 150 von 1. In einigen Beispielen überträgt die IMD 10 ein oder mehrere Segmente der Elektrokardiogrammdaten als Reaktion auf das Erkennen einer Arrhythmieepisode über eine Merkmalsbegrenzung. 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). Die Elektrokardiogrammdaten können durch das maschinelle Lernsystem 150 verarbeitet werden, um eine Arrhythmie zu erkennen und zu klassifizieren, wie nachstehend ausführlich beschrieben.
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-Digital-Wandler 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 dargestellt) 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.
In einigen Beispielen erfasst die Verarbeitungsschaltung 50 Elektrokardiogrammdaten des Patienten 4 über die Erfassungsschaltung 52 und lädt solche Elektrokardiogrammdaten auf die externe Vorrichtung 12 von 1 hoch. In einigen Beispielen führt die Verarbeitungsschaltung 50 eine Merkmalsbegrenzung der erfassten Elektrokardiogrammdaten durch, um eine vorläufige Erkennung von Arrhythmie durchzuführen, und lädt die Elektrokardiogrammdaten des Patienten 4 nur als Reaktion auf das Erkennen einer Arrhythmieepisode auf die externe Vorrichtung 12 hoch. In einigen Beispielen ist die von der IMD 10 durchgeführte Merkmalsbegrenzung von reduzierter Komplexität, um Leistung in der IMD 10 zu sparen.
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 Kennzeichen solcher Merkmale zu messen und die Messungen zum Erfassen 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 Typen von kardialen Merkmalen oder Kennzeichen solcher Merkmale, die hierin nicht ausdrücklich beschrieben sind, zu identifizieren. Die Merkmalsbegrenzung kann Merkmalsextraktion, Signalfilterung, Spitzenerkennung, Refraktäranalyse oder andere Typen 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 „lernen“ können, die in Elektrokardiogrammdaten vorhanden sind, die auf eine Arrhythmieepisode hinweisen, ohne dass Kenntnisse oder Verständnis der Beziehung zwischen den Merkmalen und die Arrhythmieepisode im Auftrag des Systemgestalters erforderlich sind.
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 Typen 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, 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 ein weiteres Beispiel der zuleitungsfreien implantierbaren medizinischen Vorrichtung von 1 darstellt. Die Komponenten von 3 müssen nicht unbedingt maßstabsgetreu gezeichnet sein, sondern können stattdessen vergrößert werden, um Details zu zeigen. 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 passieren. 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 10B, die auf der Unterseite der isolierenden Abdeckung 74 ausgebildet sind, in einem Spalt 76 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 52 und/oder die Sensoren 58 Patientendaten des Patienten 4 einschließlich kardialer 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 Typen von parametrischen Patientendaten. Die IMD 10 lädt über die Kommunikationsschaltung 54 die Patientendaten auf die externe Vorrichtung 12 hoch, die wiederum solche Daten über das Netzwerk 25 auf das Rechensystem 24 hochladen kann. In einigen Beispielen lädt die IMD 10 die Patientendaten täglich auf das Rechensystem 24 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 die Patientendaten in das Rechensystem 24 hoch und führt ebenso eine kurzfristige Überwachung des Patienten 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.
4 ist ein Blockdiagramm, das eine beispielhafte Rechenvorrichtung 400 darstellt, die in Übereinstimmung mit einer oder mehreren Techniken der vorliegenden Offenbarung arbeitet. In einem Beispiel ist die Rechenvorrichtung 400 eine beispielhafte Implementierung des Rechensystems 24 von 1. In einem Beispiel beinhaltet die Rechenvorrichtung 400 eine Verarbeitungsschaltung 402 zum Ausführen von Anwendungen 424, die ein maschinelles Lernsystem 450 oder beliebige andere hierin beschriebene Anwendungen beinhalten. Obwohl in 4 als eine eigenständige Rechenvorrichtung 400 gezeigt, kann die Rechenvorrichtung 400 beispielsweise eine beliebige Komponente oder ein beliebiges System sein, die/das eine Verarbeitungsschaltung oder eine andere geeignete Rechenumgebung zum Ausführen von Softwareanweisungen beinhaltet und beispielsweise nicht notwendigerweise ein oder mehrere in 4 gezeigte Elemente beinhalten muss (z. B. Eingabevorrichtungen 404, Kommunikationsschaltungen 406, Benutzerschnittstellenvorrichtungen 410 oder Ausgabevorrichtungen 412; und in einigen Beispielen sind Komponenten wie die Speichervorrichtung(en) 408 möglicherweise nicht gemeinsam oder in dem selben Gehäuse wie andere Komponenten angeordnet). In einigen Beispielen kann die Rechenvorrichtung 400 ein Cloud-Rechensystem sein, das über mehrere Vorrichtungen verteilt ist.
Wie in dem Beispiel von 4 gezeigt, beinhaltet die Rechenvorrichtung 400 Verarbeitungsschaltungen 402, eine oder mehrere Eingabevorrichtungen 404, Kommunikationsschaltungen 406, eine oder mehrere Speichervorrichtungen 408, Benutzerschnittstellen(UI-)Vorrichtung(en) 410 und eine oder mehrere Ausgabevorrichtungen 412. Die Rechenvorrichtung 400 beinhaltet in einem Beispiel ferner eine oder mehrere Anwendung(en) 424, wie das maschinelle Lernsystem 450 und das Betriebssystem 416, die durch die Rechenvorrichtung 400 ausführbar sind. Jede der Komponenten 402, 404, 406, 408, 410 und 412 ist (physikalisch, kommunikativ und/oder betriebsfähig) für die Kommunikation zwischen den Komponenten gekoppelt. In einigen Beispielen können die Kommunikationskanäle 414 einen Systembus, eine Netzwerkverbindung, eine Interprozess-Kommunikationsdatenstruktur oder ein beliebiges anderes Verfahren zum Kommunizieren von Daten beinhalten. Als ein Beispiel können die Komponenten 402, 404, 406, 408, 410 und 412 durch einen oder mehrere Kommunikationskanäle 414 gekoppelt sein.
Die Verarbeitungsschaltung 402 ist in einem Beispiel konfiguriert, um Funktionalität zu implementieren und/oder Anweisungen für die Ausführung innerhalb der Rechenvorrichtung 400 zu verarbeiten. Beispielsweise kann die Verarbeitungsschaltung 402 in der Lage sein, in der Speichervorrichtung 408 gespeicherte Anweisungen zu verarbeiten. Beispiele für die Verarbeitungsschaltung 402 können 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 integrierten Logikschaltung beinhalten.
Eine oder mehrere Speichervorrichtungen 408 können konfiguriert sein, um während des Betriebs Informationen in der Rechenvorrichtung 400 zu speichern. Die Speichervorrichtung 408 wird in einigen Beispielen als ein computerlesbares Speichermedium beschrieben. In einigen Beispielen ist die Speichervorrichtung 408 ein temporärer Speicher, was bedeutet, dass ein Hauptzweck der Speichervorrichtung 408 nicht die Langzeitspeicherung ist. Die Speichervorrichtung 408 wird in einigen Beispielen als ein flüchtiger Speicher beschrieben, was bedeutet, dass die Speichervorrichtung 408 keine gespeicherten Inhalte beibehält, wenn der Computer ausgeschaltet ist. Beispiele für flüchtige Speicher beinhalten Direktzugriffsspeicher (RAM), dynamische Direktzugriffsspeicher (DRAM), statisches Direktzugriffsspeicher (SRAM) und andere Formen von in dem Stand der Technik bekannten flüchtigen Speichern. In einigen Beispielen wird die Speichervorrichtung 408 verwendet, um Programmanweisungen für die Ausführung durch die Verarbeitungsschaltung 402 zu speichern. Die Speichervorrichtung 408 wird in einem Beispiel von Software oder Anwendungen 424 verwendet, die auf der Rechenvorrichtung 400 laufen, um Informationen während der Programmausführung vorübergehend zu speichern.
Die Speichervorrichtungen 408 beinhalten in einigen Beispielen ebenso ein oder mehrere computerlesbare Speichermedien. Die Speichervorrichtungen 408 können konfiguriert sein, um größere Informationsmengen als flüchtige Speicher zu speichern. Die Speichervorrichtungen 408 können ferner für die Langzeitspeicherung von Informationen konfiguriert sein. In einigen Beispielen beinhalten die Speichervorrichtungen 408 nichtflüchtige Speicherelemente. Beispiele für solche nichtflüchtigen Speicherelemente beinhalten magnetische Festplatten, optische Platten, Disketten, Flash-Speicher oder Formen von elektrisch programmierbaren Speichern (EPROM) oder elektrisch löschbaren und programmierbaren (EEPROM) Speichern.
Die Rechenvorrichtung 400 beinhaltet in einigen Beispielen ebenso eine Kommunikationsschaltung 406. Die Rechenvorrichtung 400 verwendet in einem Beispiel die Kommunikationsschaltung 406, um mit externen Vorrichtungen wie der IMD 10 und der externen Vorrichtung 12 von 1 zu kommunizieren. Die Kommunikationsschaltung 406 kann eine Netzwerkschnittstellenkarte beinhalten, wie eine Ethernet-Karte, einen optischen Sendeempfänger, einen Hochfrequenz-Sendeempfänger oder jeden anderen Typ von Vorrichtung, die Informationen senden und empfangen kann. Andere Beispiele solcher Netzwerkschnittstellen können 3G- und WiFi-Funkvorrichtungen beinhalten.
Die Rechenvorrichtung 400 beinhaltet in einem Beispiel ebenso eine oder mehrere Benutzerschnittstellenvorrichtungen 410. Die Benutzerschnittstellenvorrichtungen 410 sind in einigen Beispielen konfiguriert, um Eingaben von einem Benutzer durch taktiles, Audio- oder Video-Feedback zu empfangen. Beispiele für Benutzerschnittstellenvorrichtungen 410 beinhalten eine präsenzempfindliche Anzeige, eine Maus, eine Tastatur, ein sprachgesteuertes System, eine Videokamera, ein Mikrofon oder jeden anderen Typ von Vorrichtung zum Erkenne eines Befehls von einem Benutzer. In einigen Beispielen beinhaltet eine präsenzempfindliche Anzeige einen berührungsempfindlichen Bildschirm.
Eine oder mehrere Ausgabevorrichtungen 412 können ebenso in der Rechenvorrichtung 400 beinhaltet sein. Die Ausgabevorrichtung 412 ist in einigen Beispielen konfiguriert, um einem Benutzer eine Ausgabe unter Verwendung von taktilen, Audio- oder Videostimuli bereitzustellen. Die Ausgabevorrichtung 412 beinhaltet in einem Beispiel eine präsenzempfindliche Anzeige, eine Soundkarte, eine Videografikkarte oder jeden anderen Typ von Vorrichtung zum Umwandeln eines Signals in eine geeignete Form, die für Menschen oder Maschinen verständlich ist. Zusätzliche Beispiele von Ausgabevorrichtungen 412 beinhalten einen Lautsprecher, einen Kathodenstrahlröhren-(CRT-)Monitor, eine Flüssigkristallanzeige (LCD) oder jeden anderen Typ von Vorrichtung, die für einen Benutzer eine verständliche Ausgabe erzeugen kann.
Die Rechenvorrichtung 400 kann das Betriebssystem 416 beinhalten. Das Betriebssystem 416 steuert in einigen Beispielen den Betrieb von Komponenten der Rechenvorrichtung 400. Beispielsweise erleichtert das Betriebssystem 416 in einem Beispiel die Kommunikation einer oder mehrerer Anwendungen 424 und des Langzeitvorhersagemoduls 450 mit der Verarbeitungsschaltung 402, der Kommunikationsschaltung 406, der Speichervorrichtung 408, der Eingabevorrichtung 404, den Benutzerschnittstellenvorrichtungen 410 und der Ausgabevorrichtung 412.
Anwendung(en) 422 können ebenso Programmanweisungen und/oder Daten beinhalten, die von der Rechenvorrichtung 400 ausführbar sind. Beispielanwendung(en) 422, die von der Rechenvorrichtung 400 ausführbar sind, können ein maschinelles Lernsystem 450 beinhalten. Andere nicht gezeigte zusätzliche Anwendungen können alternativ oder zusätzlich beinhaltet sein, um andere hierin beschriebene Funktionalität bereitzustellen, und sind der Einfachheit halber nicht dargestellt.
Gemäß den Techniken der Offenbarung wendet die Rechenvorrichtung 400 ein Maschinenlernmodell des maschinellen Lernsystems 450 auf Patientendaten an, die von der IMD 10 erfasst werden, um eine bei dem Patienten 10 auftretende Arrhythmieepisode zu erkennen und zu klassifizieren. In einigen Beispielen ist das maschinelle Lernsystem 450 ein Beispiel für das maschinelle Lernsystem 150 von 1.
In einigen Beispielen wird das durch das maschinelle Lernsystem 450 implementierte Modell des maschinellen Lernens mit Trainingsdaten trainiert, die Elektrokardiogrammdaten für mehrere Patienten umfassen, die mit beschreibenden Metadaten gekennzeichnet sind. Beispielsweise verarbeitet das maschinelle Lernsystem 450 während einer Trainingsphase mehrere EKG-Wellenformen. Typischerweise stammen die mehreren EKG-Wellenformen von mehreren unterschiedlichen Patienten. Jede EKG-Wellenform ist mit einer oder mehreren Arrhythmieepisoden eines oder mehrerer Typen gekennzeichnet. Beispielsweise kann eine Trainings-EKG-Wellenform mehrere Segmente 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 Vorhandensein von Arrhythmien in jeder EKG-Wellenform gemäß der Klassifizierung durch einen Merkmalsbegrenzungsalgorithmus gekennzeichnet. Das maschinelle Lernsystem 450 kann funktionieren, um die Trainingsdaten in Vektoren und Tensoren (z. B. mehrdimensionale Arrays) umzuwandeln, auf die das maschinelle Lernsystem 450 mathematische Operationen anwenden kann, wie lineare algebraische, nichtlineare oder alternative Rechenoperationen. Das maschinelle Lernsystem 450 verwendet die Trainingsdaten 104, um dem Modell des maschinellen Lernens beizubringen, verschiedene Merkmale zu gewichten, die in den Elektrokardiogrammdaten dargestellt sind. In einigen Beispielen verwendet das maschinelle Lernsystem 450 die Elektrokardiogrammdaten, um dem maschinellen Lernmodell beizubringen, 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 450 ein maschinelles Lernmodell aufbauen und trainieren, um Elektrokardiogrammdaten von einem Patienten, wie dem Patienten 4 von 1 zu empfangen, die das maschinelle Lernsystem 450 zuvor nicht analysiert hat, und solche Elektrokardiogrammdaten zu verarbeiten, um das Vorhandensein 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 450 trainiert wird, desto höher ist typischerweise die Genauigkeit des maschinellen Lernmodells beim Erkennen oder Klassifizieren von Arrhythmie in neuen Elektrokardiogrammdaten.
Nachdem das maschinelle Lernsystem 450 das maschinelle Lernmodell trainiert hat, kann das maschinelle Lernsystem 450 Patientendaten, wie Elektrokardiogrammdaten, für einen bestimmten Patienten, wie der Patient 4, empfangen. Das maschinelle Lernsystem 450 wendet das trainierte maschinelle Lernmodell auf die Patientendaten an, um das Auftreten einer Arrhythmieepisoden bei dem Patienten 4 zu erkennen. Ferner wendet das maschinelle Lernsystem 450 das trainierte maschinelle Lernmodell auf die Patientendaten an, um die Arrhythmieepisode in dem Patienten als Hinweis auf einen bestimmten Typ von Arrhythmie zu klassifizieren. In einigen Beispielen kann das maschinelle Lernsystem 450 eine Bestimmung, dass die Arrhythmieepisode auf einen bestimmten Typ von Arrhythmie hinweist, sowie ein Vertrauensniveau der Bestimmung ausgeben. Als Reaktion auf das Bestimmen, dass das Vertrauensniveau der Bestimmung größer als ein vorbestimmter Schwellenwert ist (z. B. 50 %, 75 %, 90 %, 95 %, 99 %), kann die Rechenvorrichtung 400 klassifizieren, dass die Arrhythmieepisode als ein bestimmter Typ von Arrhythmie ist und für die Anzeige für einen Benutzer wenigstens einen Abschnitt der Elektrokardiogrammdaten (z. B. einen Abschnitt eines EKGs, während dessen die Arrhythmieepisode aufgetreten ist), einen ersten Hinweis, dass die Arrhythmieepisode bei dem Patienten 4 aufgetreten ist, und einen zweiten Hinweis auf das Vertrauensniveau der Bestimmung, dass die Arrhythmieepisode aufgetreten ist, ausgeben.
In einigen Beispielen, kann das maschinelle Lernsystem 150 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. eine oder mehrere von einer mittleren Herzfrequenz des Patienten, einer minimalen Herzfrequenz des Patienten, einer maximalen Herzfrequenz des Patienten, einem PR-Intervall eines Herzens des Patienten, einer Variabilität der Herzfrequenz des Patienten, einer oder mehreren Amplituden eines oder mehrerer Merkmale eines Elektrokardiogramms (EKG) des Patienten oder ein Intervall zwischen dem oder mehreren Merkmalen des EKGs des Patienten, einen T-Wellen-Alternans, QRS-Morphologiemessungen oder andere Typen von Herzmerkmalen ausgeben, die hierin nicht ausdrücklich beschrieben sind. In solchen beispielhaften Implementierungen kann das maschinelle Lernsystem das maschinelle Lernmodell über mehrere Trainingsherzmerkmalen trainieren, die mit Arrhythmieepisoden gekennzeichnet sind, anstelle der mehreren EKG-Wellenformen, die wie vorstehend beschrieben mit Arrhythmieepisoden gekennzeichnet sind.
In einigen Beispielen kann das maschinelle Lernsystem 450 die Elektrokardiogrammdaten verarbeiten, um eine Klassifizierung der Arrhythmieepisode (z. B. Bradykardie, Tachykardie, Vorhofflimmern, Kammerflimmern oder AV-Block) abzuleiten. Ferner kann das maschinelle Lernsystem 450 für jede der Arrhythmietypklassifizierung Klassenaktivierungsdaten bestimmen, die unterschiedliche Wahrscheinlichkeiten der Klassifizierung über den Zeitraum angeben. Für einen gegebenen Arrhythmietyp entspricht eine Amplitude solcher Wahrscheinlichkeitswerte zu unterschiedlichen Zeiten einer Wahrscheinlichkeit, dass zu diesem Zeitpunkt eine Arrhythmie auftritt, wobei höhere Werte einer höheren Wahrscheinlichkeit entsprechen.
Die Rechenvorrichtung 400 kann die Klassenaktivierungsabbildung verwenden, um Regionen einer Eingabezeitreihe, z. B. von kardialen EGM-Daten, zu identifizieren, die den Grund dafür bilden, dass der Zeitreihe durch das maschinelle Modell des maschinellen Lernsystems 450 eine bestimmte Klassifizierung gegeben wird. Eine Klassenaktivierungsabbildung für eine gegebene Klassifizierung kann eine univariate Zeitreihe sein, bei der jedes Element (z. B. bei jedem Zeitstempel bei der Abtastfrequenz der Eingabezeitreihe) eine gewichtete Summe oder ein anderer Wert sein kann, der aus den Ausgaben einer Zwischenschicht eines neuronalen Netzwerkes oder eines anderen maschinellen Lernmodells abgeleitet wird. Die Zwischenschicht kann eine globale Durchschnitts-Pooling-Schicht und/oder die letzte Schicht vor den Neuronen der Ausgabeschicht für jede Klassifizierung sein.
In einigen Beispielen kann das maschinelle Lernsystem 450 das maschinelle Lernmodell auf andere Typen von Daten anwenden, um zu bestimmen, dass bei dem Patienten 4 eine Arrhythmieepisode aufgetreten ist. Beispielsweise kann das maschinelle Lernsystem 450 das maschinelle Lernmodell auf eine oder mehrere Kennzeichen 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 402 aus den Elektrokardiogrammdaten eine Zwischendarstellung der Elektrokardiogrammdaten erzeugen. Beispielsweise kann die Verarbeitungsschaltung 402 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 450 eine solche Zwischendarstellung der Elektrokardiogrammdaten, um eine Arrhythmieepisode bei dem Patienten 4 zu erkennen und zu klassifizieren. Darüber hinaus kann das maschinelle Lernsystem das maschinelle Lernmodell über mehrere Trainingszwischendarstellungen trainieren, die mit Arrhythmieepisoden gekennzeichnet sind, anstelle der mehreren Roh-EKG-Wellenformen, 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 450 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 kann das Rechensystem 24 das maschinelle Lernsystem 150 verwenden, um andere Typen von Arrhythmien als jene zu erkennen, die in der Merkmalsbegrenzungsabtastanalyse erkannt wurden. Beispielsweise sind Arrhythmieerkennungsalgorithmen zum Durchführen einer Merkmalsbegrenzung, die von Vorrichtungen mit geringer Leistung wie der IMD 10 implementiert werden, möglicherweise nicht dafür gestaltet, weniger häufig auftretende Arrhythmien wie AV-Blöcke zu erkennen. Das maschinelle Lernsystem 150 kann ein maschinelles Lernmodell mit großen Datensätzen trainieren, in denen solche Arrhythmien verfügbar sind, wobei dadurch eine feinere Granularität und höhere Genauigkeit gegenüber der Merkmalsbegrenzung bereitgestellt wird, die z. B. von der IMD 10 allein durchgeführt wird. Daher kann die Verwendung des maschinellen Lernsystems 150 die Arrhythmiediagnosefähigkeit des Systems 2 erweitern, indem es der IMD 10 ermöglicht wird, einen generischen Abtastalgorithmus unter Verwendung der Merkmalsbegrenzung zu implementieren, gefolgt von der Verwendung des maschinellen Lernsystems 150, das ein maschinelles Lernmodell implementiert, das einen Bereich der Arrhythmieerkennung bereitstellen kann. Nach dem Erkennen eines Typs von Arrhythmie, der nicht durch die Merkmalsbegrenzung erkannt wurde, kann das Rechensystem 24 dennoch die Merkmalsbegrenzung, wie die QRS-Erkennung, verwenden, um die Kennzeichnung und Meldung der anderen Typen von Arrhythmien zu unterstützen, die durch das maschinelle Lernmodell des maschinellen Lernsystems 150 erkannt wurden.
In einigen Beispielen kann das Rechensystem 24 das maschinelle Lernsystem 150 an den spezifischen Verwendungsfall anpassen. Beispielsweise kann das maschinelle Lernsystem 150 ein maschinelles Lernmodell implementieren, das spezifisch für das Erkennen von AV-Blöcken und Bradykardie ist, wenn der Patient 4 ein Patient nach TAVR ist. Als weiteres Beispiel kann das maschinelle Lernsystem 150 ein maschinelles Lernmodell implementieren, das spezifisch für das Erkennen von PVCs ist, sodass die PVC-Belastung verwendet werden kann, um Patienten, die für ICDs indiziert sein könnten, in eine Risikostratifizierung einzustufen.
5 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung darstellt. Der Einfachheit halber wird 5 in Bezug auf 1 beschrieben. In einigen Beispielen ist der Betrieb von 5 ein Betrieb zum Erklären und Visualisieren einer Ausgabe des maschinellen Lernsystems 150, das eine Arrhythmieepisode bei dem Patienten 4 erkennt.
Wie in 5 gezeigt, erfasst die IMD 10 Elektrokardiogrammdaten von dem Patienten 4. 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 5 die Elektrokardiogrammdaten des Patienten 4 als episodische Einkanal-EKG-Daten beschrieben. Die IMD 10 lädt die Elektrokardiogrammdaten auf die externe Vorrichtung 12 hoch. Das Rechensystem 24 empfängt die Elektrokardiogrammdaten von der externen Vorrichtung 12 (502).
Das maschinelle Lernsystem 150 des Rechensystems 24 wendet ein maschinelles Lernmodell auf die empfangenen Elektrokardiogrammdaten an, um eine Arrhythmieepisode bei dem Patienten 4 zu erkennen (504). In einigen Beispielen wird das maschinelle Lernmodell mit mehreren EKG-Episoden trainiert, die von einem Kliniker oder einem Überwachungszentrum für Arrhythmien verschiedener Typen kommentiert wurden. In einem Beispiel wendet das maschinelle Lernsystem 150 das maschinelle Lernmodell auf ein oder mehrere Untersegmente eines normalisierten Eingabe-EKG-Signals an und erzeugt Arrhythmiekennzeichnungen und eine Wahrscheinlichkeit eines Auftretens der Arrhythmie. In einigen Beispielen bestimmt das maschinelle Lernsystem 150, dass bei dem Patienten 4 eine Arrhythmieepisode aufgetreten ist, und bestimmt ein Vertrauensniveau der Bestimmung, dass die Arrhythmieepisode bei dem Patienten 4 aufgetreten ist. In einigen Beispielen bestimmt das maschinelle Lernsystem 150, ob eine Arrhythmieepisode mehrerer verschiedener Arrhythmietypen bei dem Patienten 4 aufgetreten ist, sowie ein Vertrauensniveau, dass eine Arrhythmieepisode jedes Arrhythmietyps aufgetreten ist.
Das Rechensystem 24 bestimmt, ob das maschinelle Lernsystem 150 eine Arrhythmieepisode erkannt hat (506). Als Reaktion auf das Bestimmen, dass das maschinelle Lernsystem 150 eine Arrhythmieepisode erkannt hat (z. B. „JA“-Block von 506), bestimmt das Rechensystem 24, ob das Vertrauensniveau der Bestimmung größer als ein vorbestimmter Schwellenwert ist (510). In einigen Beispielen beträgt der vorbestimmte Schwellenwert z. B. 25 %, 50 %, 75 %, 90 %, 95 %, 99 % usw. In einigen Beispielen bestimmt das Rechensystem 24, ob das Vertrauensniveau der Bestimmung größer ist als ein erster vorbestimmter Schwellenwert (z. B. 50 %) und ob das Vertrauensniveau der Bestimmung größer ist als ein zweiter vorbestimmter Schwellenwert (z. B. 90 %). Der erste vorbestimmte Schwellenwert kann durch das maschinelle Lernsystem 150 mit einem mittleren Vertrauensniveau verbunden sein, dass die Arrhythmieepisode aufgetreten ist, während der zweite vorbestimmte Schwellenwert durch das maschinelle Lernsystem 150 mit einem hohen Vertrauensniveau verbunden sein kann.
Als Reaktion auf das Bestimmen, dass das Vertrauensniveau größer als der vorbestimmte Schwellenwert ist (z. B. „JA“-Block von 510), gibt das Rechensystem 24 die Elektrokardiogrammdaten für die Überprüfung durch einen Kliniker aus. In einigen Beispielen gibt das Rechensystem 24 einen Abschnitt der Elektrokardiogrammdaten, eine erste Angabe, dass die Arrhythmieepisode bei dem Patienten 4 aufgetreten ist, und eine zweite Angabe für das Sicherheitsniveau der Bestimmung aus, dass die Arrhythmieepisode bei dem Patienten 4 aufgetreten ist (512). In einigen Beispielen wählt das Rechensystem 24 ein Visualisierungsverfahren gemäß dem Vertrauensniveau des maschinellen Lernsystems 150 aus, dass die Arrhythmieepisode aufgetreten ist. Beispielsweise kann das Rechensystem 24 eine Farbcodierung anwenden, um Ergebnisse anzugeben (z. B. „grün“ für ein niedriges Vertrauen, dass eine Arrhythmieepisode aufgetreten ist, „gelb“ für ein mittleres Vertrauen, dass eine Arrhythmieepisode aufgetreten ist, oder „rot“ für ein hohes Vertrauen, dass eine Arrhythmieepisode aufgetreten ist).
In einigen Beispielen verwendet das Rechensystem 24 verschiedene Visualisierungstechniken, um eine Art von Arrhythmie anzugeben. In einigen Beispielen präsentiert das Rechensystem 24 eine EKG-Wellenform und eine Anmerkung zu der Wellenform, um anzugeben, wo die Arrhythmieepisode aufgetreten ist. In einigen Beispielen beinhaltet die Anmerkung das Hervorheben eines Bereichs des EKGs, das Angeben einer Start- und/oder Endzeit der Arrhythmieepisode oder das Anwenden eines grafischen Symbols oder Textes auf den Bereich des EKGs. Das Rechensystem 24 kann eine große Vielfalt unterschiedlicher Visualisierungstechniken verwenden, wie Farbcodierung, Schraffur, Bilder oder Symbole, Formen, Indikatoren unterschiedlicher Größe, Licht, Ton, Textbenachrichtigungen usw., um die dem Benutzer übermittelten Informationen zu vereinfachen.
In einem Beispiel zeigt das Rechensystem 24 einen Hinweis, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere der Herzmerkmale an, die mit der Arrhythmieepisode übereinstimmen. In einigen Beispielen zeigt das Rechensystem 24 eine Klassifizierung der Arrhythmieepisode als einen bestimmten Typ von Arrhythmie an.
In einigen Beispielen zeigt das Rechensystem 24 einen Teilbereich der von dem Patienten 4 erhaltenen Elektrokardiogrammdaten an, der mit der Arrhythmieepisode übereinstimmt. Beispielsweise kann das Rechensystem 24 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).
Als ein Beispiel kann ein Teilbereich der Elektrokardiogrammdaten des Patienten 4 etwa 6 Sekunden lang sein und repräsentative Segmente vor, während und nach einer Arrhythmieepisode beinhalten (sofern in den Elektrokardiogrammdaten oder der Wellenform vorhanden, die analysiert wird). In einigen Beispielen unterscheidet sich die Episodendauer je nach Vorrichtungstyp und kann ferner von einem Verwendungsfall für die medizinische Vorrichtung, einer oder mehrerer Einstellungen der medizinischen Vorrichtung oder eines bestimmten Typs von erfasster Arrhythmie abhängen. Einige Arrhythmietypen enden beispielsweise schnell selbst (was zu einer Episode von kurzer Dauer führt), während andere Arrhythmietypen anhaltend und von einer solchen Länge sind, dass die aufgezeichnete Dauer der Episode von einem bestimmten Speicherplatz auf der medizinischen Vorrichtung abhängen kann. Als ein Beispiel für Vorhofflimmern (AF) kann der Teilbereich der Elektrokardiogrammdaten des Patienten 4 Elektrokardiogrammdaten während eines Einsetzzeitraums, ein Segment mit maximaler AF-Wahrscheinlichkeit, ein Segment mit der schnellsten AF-Frequenz und einen AF-Zeitabstand beinhalten. Typischerweise ist eine Zeitdauer der Elektrokardiogrammdaten des Patienten länger als der erste, zweite und dritte Zeitraum. Ferner identifiziert das Rechensystem 24 eines oder mehrere der Herzmerkmale, die mit dem ersten, zweiten und dritten Zeitraum übereinstimmen. Das Rechensystem 24 zeigt den Teilbereich der Elektrokardiogrammdaten und das eine oder die mehreren Herzmerkmale an, die mit dem ersten, zweiten und dritten Zeitraum übereinstimmen.
Als Reaktion auf das Bestimmen, dass das maschinelle Lernsystem 150 keine Arrhythmieepisode erkannt hat (z. B. „Nein“-Block von 506) oder als Reaktion auf das Bestimmen, dass das Vertrauensniveau nicht größer als der vorbestimmte Schwellenwert ist (z. B. „Nein“-Block von 510), archiviert das Rechensystem 24 die erfassten Elektrokardiogrammdaten für die Überprüfung durch ein Überwachungszentrum oder einen Kliniker zu einem späteren Zeitpunkt (508).
6 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung darstellt. Der Einfachheit halber wird 6 in Bezug auf 1 beschrieben. In einigen Beispielen ist der Betrieb von 6 ein Betrieb zum Erklären und Visualisieren einer Ausgabe des maschinellen Lernsystems 150, das eine Arrhythmieepisode eines von einem Benutzer ausgewählten Typs erkennt.
Der Betrieb von 6 kann dem des Betriebs von 5 darin ähnlich sein, dass das Rechensystem 24 eine Visualisierung, wie ein farbcodiertes Diagramm, von erkannten Arrhythmien und ein entsprechendes Vertrauensniveau, dass jede Arrhythmie vorhanden ist, präsentiert. Der Betrieb von 6 ermöglicht es einem Benutzer, eine Arrhythmie eines bestimmten Typs oder einer bestimmten Klassifizierung vorzuwählen. Als Reaktion darauf filtert das Rechensystem 24 die Ausgabe, um die Wahrscheinlichkeit des Vorhandenseins nur des/der ausgewählten Typs/Typen von Arrhythmie an einer Stelle innerhalb der Elektrokardiogrammdaten sowie ein entsprechendes Vertrauensniveau der Erkennung darzustellen.
Das Rechensystem 24 empfängt die Elektrokardiogrammdaten von der externen Vorrichtung 12 (602). Das maschinelle Lernsystem 150 des Rechensystems 24 wendet ein maschinelles Lernmodell auf die empfangenen Elektrokardiogrammdaten an, um eine Arrhythmieepisode bei dem Patienten 4 zu erkennen (604). Der Betrieb der Schritte 602 und 604 kann auf eine im Wesentlichen ähnliche Weise wie die der Schritte 502 und 504 von 5 erfolgen.
Das Rechensystem 24 empfängt von einem Benutzer eine Auswahl eines Arrhythmietyps (605) für den spezifischen Patienten. Beispielsweise kann das Rechensystem als eine Eingabe von einem Benutzer über eine Schnittstelle des Rechensystems 24 eine Auswahl einer Arrhythmie wie Bradykardie, Tachykardie, Vorhofflimmern, Kammerflimmern oder AV-Block empfangen. Das Rechensystem 24 bestimmt, ob das maschinelle Lernsystem 150 eine Arrhythmieepisode des ausgewählten Typs (606) in der aktuellen und nachfolgenden Episoden des bestimmten Patienten erkennt. Als Reaktion auf das Bestimmen, dass das maschinelle Lernsystem 150 beispielsweise keine Arrhythmieepisoden des ausgewählten Typs erkannt hat (z. B. „NEIN“-Block von 606), archiviert das Rechensystem 24 die erfassten Elektrokardiogrammdaten für die Überprüfung durch ein Überwachungszentrum oder einen Kliniker zu einem späteren Zeitpunkt (608).
Als Reaktion auf das Bestimmen, dass das maschinelle Lernsystem 150 wenigstens eine Arrhythmieepisode des ausgewählten Typs erkannt hat (z. B. „JA“-Block von 606), bestimmt das Rechensystem 24 durch das maschinelle Lernsystem 150 ein Vertrauensniveau, dass die Arrhythmieepisode des ausgewählten Typs bei dem Patienten 4 aufgetreten ist (610). Außerdem gibt das Rechensystem 24 einen Abschnitt der Elektrokardiogrammdaten, eine erste Angabe, dass die Arrhythmieepisode bei dem Patienten 4 aufgetreten ist, und eine zweite Angabe für das Sicherheitsniveau der Bestimmung aus, dass die Arrhythmieepisode bei dem Patienten 4 aufgetreten ist (612).
Dementsprechend ermöglicht der Betrieb von 6 es einem Benutzer, eine spezifische Arrhythmie von Interesse auszuwählen. Das Rechensystem 24 kann die visuelle Präsentation basierend auf der Benutzerauswahl aktualisieren. Da das Rechensystem 24 seine Benutzerschnittstelle basierend auf Benutzereingaben aktualisiert, kann das Rechensystem 24 zusätzlich zum Anzeigen von Arrhythmien, die mit hohem und mittlerem Vertrauensniveau erkannt wurden, ebenso potenzielle Arrhythmieepisoden präsentieren, die mit einem niedrigen Vertrauensniveau erkannt wurden. In einigen Beispielen, in denen eine Arrhythmie mit einem geringen Vertrauen der Erkennung erkannt wird, wird ein Indikator, dass die Bestimmung ein niedriges Vertrauen aufweist, zusammen mit dem entsprechenden Wert des niedrigen Vertrauensniveaus in den erkannten Arrhythmien deutlich vermerkt. Somit kann das Rechensystem 24 eine Visualisierung oder Erklärung von Arrhythmien vieler verschiedener Typen (und Gewissheiten) präsentieren. Dementsprechend kann ein Kliniker das Rechensystem 24 verwenden, um eine Klassifizierung einer Arrhythmie eines bestimmten Typs durch den Kliniker zu bestätigen. Dies kann die Genauigkeit der Diagnose von dem Patienten 4 durch einen Kliniker erhöhen, insbesondere bei Arrhythmien von Typen, die weniger verbreitet und für Kliniker schwieriger zu identifizieren sind. Das Rechensystem 24 kann ferner helfen, nachfolgendes Auftreten von Arrhythmieepisoden von zuvor identifizierten Typen zu identifizieren.
In einem anderen Beispiel empfängt das Rechensystem 24 von einem Benutzer eine Klassifizierung einer Arrhythmieepisode als einem bestimmten Arrhythmietyp zugeordnet. Das maschinelle Lernsystem 150 verwendet die empfangene Klassifizierung, um das maschinelle Lernmodell zu trainieren oder zu aktualisieren, oder den Arrhythmie-Schwellenwert, um die Genauigkeit und Leistung des maschinellen Lernmodells 150 zu erhöhen. Dies kann es ermöglichen, die Genauigkeit und Leistung des maschinellen Lernsystems 150 beim Erkennen und Klassifizieren von Episoden von Arrthythmietypen, die schwer schwer zu erkennen sind, von Episoden von Arrthythmietypen, die von einer einzigartigen medizinischen Diagnose abhängig sind, die für einen bestimmten Patienten spezifisch ist, oder von Episoden von Arrthythmietypen, für die Daten knapp, selten oder von geringer Prävalenz sind, oder von Arrhythmien, deren Erkennungsleistung bei einem bestimmten Patienten aufgrund von Faktoren wie Vorrichtungsposition, Änderung des physiologischen Zustands usw. nicht optimal sein kann.
7 ist ein Flussdiagramm, das einen beispielhaften Betrieb in Übereinstimmung mit den Techniken der Offenbarung darstellt. Der Einfachheit halber wird 7 in Bezug auf 1 beschrieben. In einigen Beispielen ist der Betrieb von 7 ein Betrieb zum Erklären und Visualisieren einer Ausgabe des maschinellen Lernsystems 150, das eine Arrhythmieepisode bei dem Patienten 4 erkennt.
Das Rechensystem 24 empfängt die Elektrokardiogrammdaten von der externen Vorrichtung 12 (702). Das maschinelle Lernsystem 150 des Rechensystems 24 wendet ein maschinelles Lernmodell auf die empfangenen Elektrokardiogrammdaten an, um eine Arrhythmieepisode bei dem Patienten 4 zu erkennen (704). Das Rechensystem 24 bestimmt, ob eine Arrhythmieepisode erkannt wird (706), und ein Vertrauensniveau der Erkennung (710). Der Betrieb der Schritte 702, 704, 706, 708 und 710 kann auf eine im Wesentlichen ähnliche Weise wie die Schritte 502, 504, 506, 508 beziehungsweise 510 von 5 erfolgen.
Darüber hinaus bestimmt das Rechensystem 24, ob ein Benutzertyp fortgeschritten ist (714).
In diesem Beispiel kann das Rechensystem 24 die Visualisierung der Elektrokardiogrammdaten basierend auf den Fähigkeiten des Benutzers anpassen. Beispielsweise kann das Rechensystem 24 mehr oder weniger detaillierte EKG-Wellenformen, Metadaten und resultierende Analysen, die von der AI bereitgestellt werden, je nach Bedarf für eine Vielzahl von Benutzern mit unterschiedlichen Fähigkeiten präsentieren.
Beispielsweise gibt das Rechensystem 24 als Reaktion auf das Bestimmen, dass der Benutzertyp nicht fortgeschritten ist (z. B. ein Benutzertyp mit Grundkenntnissen) (z. B. „Nein“-Block 714) grundlegende Elektrokardiogrammdaten, eine erste Angabe, dass die Arrhythmieepisode bei dem Patienten 4 aufgetreten ist, und eine zweite Angabe für das Gewissheitsniveau der Bestimmung aus, dass die Arrhythmieepisode bei dem Patienten 4 aufgetreten ist (716). Beispielsweise kann das Rechensystem 24 für Nicht-Experten wie implantierende Kardiologen, Neurologen, HF-Ärzte, spezialisierte Pflegekraft, Patienten/Pflegepersonal eine Gesamtleistung des maschinellen Lernsystems 150 im Sinne einer „wahren und falschen“ positiven Erkennung einer Arrhythmieepisode anzeigen. In einigen Beispielen kann das Rechensystem 24 ferner für die Anzeige ein EKG-Segment präsentieren, das die erkannte Arrhythmieepisode, die mit einer repräsentativen Arrhythmieepisode derselben Klassifizierung überlagert ist, darstellt (z. B. ein EKG-Segment von dem Patienten 4, das AF präsentiert, überlagert mit einer repräsentativen beispielhaften Wellenform von AF). In einigen Beispielen kann das Rechensystem 24 ferner für die Anzeige ein EKG-Segment präsentieren, das die erkannte Arrhythmieepisode darstellt, die mit einer Grundlinie oder einer Nicht-AF-Episode überlagert ist. In einigen Beispielen präsentiert die Rechenvorrichtung 24 einem Benutzer mit Grundkenntnissen eine EKG-Wellenform des Patienten, eine erste Darstellung einer ersten EKG-Wellenform, die eine Arrhythmieepisode präsentiert, und eine zweite Darstellung einer zweiten EKG-Wellenform, die normales Herzverhalten präsentiert.
Als ein weiteres Beispiel gibt das Rechensystem 24 als Reaktion auf das Bestimmen, dass der Benutzertyp fortgeschritten ist (z. B. „Ja“-Block 714) fortgeschrittene Elektrokardiogrammdaten, die erste Angabe, dass die Arrhythmieepisode bei dem Patienten 4 aufgetreten ist, und die zweite Angabe für das Gewissheitsniveau der Bestimmung aus, dass die Arrhythmieepisode bei dem Patienten 4 aufgetreten ist (718). Beispielsweise kann das Rechensystem 24 für einen Elektrophysiologen oder Fachexperten, z. B. für eine AF-Episode, eine Start- und Stoppzeit jeder Arrhythmieepisode anzeigen, die zusammen mit einer mittleren RR während jedes AF-Segments, das gegenüber einer mittleren RR-Grundlinie kontrastiert ist, einer RR-Variation während jedes AF-Segments, das gegenüber einer RR-Variationsgrundlinie kontrastiert ist, einem P-Wellenformnachweis während des AF-Segments, das mit einer P-Wellenformgrundlinie kontrastiert ist, einer Morphologievariation präsentiert wird. Das Rechensystem 24 kann zusätzliche Typen von Informationen präsentieren, die hierin nicht ausdrücklich beschrieben sind, um ein Vertrauen des Experten in das maschinelle Lernsystem 150 zu verbessern und den Experten bei der Interpretation einer Arrhythmieepisode zu unterstützen. In einigen Beispielen präsentiert die Rechenvorrichtung 24 einem fortgeschrittenen Benutzer eine oder mehrere einer EKG-Wellenform des Patienten 4, einer Startzeit der Arrhythmieepisode, einer Stoppzeit der Arrhythmieepisode, eines mittleren R-R-Intervalls des Patienten 4 während der Arrhythmieepisode, einer R-R-Variation von dem Patienten 4 während der Arrhythmieepisode, eines Grundlinien-R-R-Intervalls von dem Patienten 4, einer P-Wellenform von dem Patienten 4 während der Arrhythmieepisode, einer Grundlinien-P-Wellenform von dem Patienten 4 oder einer Morphologievariation von dem Patienten 4.
Dementsprechend ermöglicht es der Betrieb von 7 ferner eine andere Datenpräsentation basierend auf der Fertigkeit, Fähigkeit oder Erfahrung des Benutzers, der auf die Daten zugreift. Der Betrieb von 7 kann z. B. in Situationen verwendet werden, in denen einem Patienten von einem Arzt ein Herzmonitor verschrieben wird, der mit der Interpretation von Herzwellenformen weniger vertraut ist (z. B. ein Kliniker, der kein Kardiologe oder Fachexperte ist), aber dennoch eine grundlegende Präsentation der Kennzeichen der Elektrokardiogrammdaten und/oder der Klassifizierung durch das maschinelle Lernsystem 150 sehen möchte. Durch die Verwendung der Techniken der Offenbarung kann ein medizinisches Vorrichtungssystem wie das medizinische Vorrichtungssystem 2 einem Endbenutzer eine geeignete Datenmenge bereitstellen. Somit kann das medizinische Vorrichtungssystem 2 einem Kliniker ermöglichen, eine geeignete Diagnose zu stellen oder entsprechende Überweisung auszustellen oder das Vorhandensein oder Fehlen eines erwarteten Herzrhythmus (oder einer Arrhythmie) zu bestätigen. Darüber hinaus kann das medizinische Vorrichtungssystem 2 vermeiden, einen Kliniker mit Daten zu belasten, die für sein erforderliches Verständnisniveau irrelevant sind.
8 ist ein Diagramm, das beispielhafte simulierte Elektrokardiogrammdaten darstellt, die verwendet werden können, um ein maschinelles Lernsystem 150 in Übereinstimmung mit den Techniken der Offenbarung zu erklären. Der Einfachheit halber wird 8 in Bezug auf das medizinische System 24 von 1 beschrieben.
Im Gegensatz zu merkmalsentworfenen Algorithmen ist möglicherweise nicht genau klar, wie das maschinelle Lernsystem 150 arbeitet, um Arrhythmien aus Elektrokardiogrammdaten eines Patienten zu erkennen. Wie hierin beschrieben, kann das Rechensystem 24 simulierte Elektrokardiogrammdaten verwenden, wie die Wellenformen 802, 804 und 806, um verschiedene Aspekte der Arrhythmiekennzeichnung zu untersuchen, die durch das maschinelle Lernsystem 150 durchgeführt wird. Beispielsweise kann das Rechensystem 24 simulierte Elektrokardiogrammdaten über mehrere unterschiedliche Kennzeichen in das maschinelle Lernsystem 150 einspeisen und die Ausgabe des maschinellen Lernsystems 150 abbilden (wie nachstehend mit Bezug auf 9A-9C ausführlicher beschrieben), um zu verstehen, wie das Modell des maschinellen Lernens die verschiedenen Kennzeichen als mehr oder weniger wichtig in Bezug auf die Erkennung von Arrhythmien eines bestimmten Typs gewichtet. Beispielsweise kann das Rechensystem 24 simulierte Elektrokardiogrammdaten verwenden, die unterschiedliche Werte für die RR-Variabilität (RRV), RR-Rate oder P-Wellen aufweist, um zu untersuchen, wie das maschinelle Lernsystem 150 AF kennzeichnet. Wie hierin beschrieben, bezieht sich „RRV“ auf eine Variation des Intervalls zwischen aufeinanderfolgenden „R“-Punkten, die einem Spitzenwert eines QRS-Komplexes einer EKG-Welle entsprechen. Durch Verwenden der simulierten Elektrokardiogrammdaten und der Bestimmung einer Wahrscheinlichkeit einer Arrhythmie durch das maschinelle Lernsystem 150 für verschiedene Abschnitte der simulierten Elektrokardiogrammdaten kann das Rechensystem 24 den Betrieb des maschinellen Lernsystems 150 erklären. Während hierin spezifische Beispiele für normalen Sinusrhythmus (NSR), Bradyarrhythmie und AF beschrieben werden, können die Techniken der Offenbarung ebenso für andere Typen von Arrhythmien verwendet werden.
In einem Beispiel empfängt das Rechensystem 24 einen Datensatz von Wellenformen mit den folgenden Kennzeichen:

• Mittlere Herzfrequenz (HR) im Bereich von 40 Schlägen pro Minute (BPM) bis 120 BPM;
• RRV für die Wellenform im Bereich von 0,01 Sekunden bis 0,5 Sekunden; und
• QRS-Komplex mit p-Wellen und ohne p-Wellen.

Mit anderen Worten „erklärt“ das Rechensystem 24 die Analyse des maschinellen Lernsystems 150 basierend auf Kennzeichen der simulierten Elektrokardiogrammdaten wie diesen, die für Experten auf diesem Gebiet verständlicher sein können und „reale“ Bedeutung haben.
In einigen Beispielen kann das Rechensystem 24 simulierte Daten für wenigstens einen Abschnitt der mittleren Herzfrequenzdaten, der RRV-Daten oder des QRS-Komplexes verwenden, wenn solche Daten nicht verfügbar sind. Beispielsweise kann Patient 4 nicht einen ganzen Bereich von Parametern aufweisen, die erforderlich sind, um das Modell zu erklären (z. B. BPM von weniger als 50). Die Verwendung solcher simulierten Daten kann es dem Rechensystem 24 ermöglichen, die Analyse des maschinellen Lernsystems 150 zu erklären, ohne dass Randfalldaten von dem Patienten 4 benötigt werden, die schwer oder unmöglich zu erhalten sind. In einigen Beispielen kann das Rechensystem 24 echte Daten für den Patienten 4 verwenden, wenn solche Daten verfügbar sind.
Das Beispiel von 8 zeigt 3 beispielhafte Wellenformen 802, 804 und 806. Wellenform 802 ist eine Wellenform mit einer mittleren Herzfrequenz von 90 BPM und einer RR-Variabilität von 0,01 Sekunden. Wellenform 804 ist eine Wellenform mit einer mittleren Herzfrequenz von 90 BPM und einer RR-Variabilität von 0,01 Sekunden. Wellenform 806 ist eine Wellenform mit einer mittleren Herzfrequenz von 90 BPM, einer RR-Variabilität von 0,5 Sekunden und p-Wellen. In einigen Beispielen kann wenigstens ein Abschnitt einer oder mehrerer der Wellenformen 802, 804 und 806 aus simulierten Daten erhalten werden.
Das maschinelle Lernsystem 150 verarbeitet jede der Wellenformen 802, 804 und 806 und gibt eine Wahrscheinlichkeit aus, dass ein Arrhythmieauftreten in dem [0,1] Bereich extrahiert wurde. Eine Wahrscheinlichkeit nahe 0 gibt an, dass eine Arrhythmieepisode in der Wellenform unwahrscheinlich ist, und eine Wahrscheinlichkeit nahe 1, dass eine Arrhythmieepisode in der Wellenform sehr wahrscheinlich ist. Das Rechensystem 24 kann solche Informationen verwenden, um z. B. zu erklären, bei welchen Herzfrequenzen das maschinelle Lernsystem 150 eine Arrhythmieepisode eines bestimmten Typs (z. B. AF) erkennt, bei welchen RRV das maschinelle Lernsystem 150 eine Arrhythmieepisode eines bestimmten Typs erkennt (z. B. AF) oder bei welchen p-Wellen-Niveaus das maschinelle Lernsystem 150 eine Arrhythmieepisode eines bestimmten Typs (z. B. AF) erkennt.
9A-9C sind Diagramme, die Techniken zum Visualisieren des Betriebs des maschinellen Lernmodells 150 von FIG. beim Erkennen einer Arrhythmieepisode in Übereinstimmung mit den Techniken der Offenbarung darstellt. In einigen Beispielen veranschaulichen 9A-9C eine Erläuterung durch das Rechensystem 24 einer Analyse der beispielhaften Wellenformen 802, 804 und 806 von 8 durch das maschinelle Lernsystem 150. Durch das Präsentieren der Ausgabe des maschinellen Lernsystems 150 in Bezug auf die simulierten Elektrokardiogrammdaten von 8 kann das Rechensystem 24 den Betrieb des maschinellen Lernsystems 150 in Bezug auf verschiedene Kennzeichen der simulierten Elektrokardiogrammdaten erklären.
9A zeigt eine beispielhafte grafische Veranschaulichung 900 einer Wahrscheinlichkeit, dass das maschinelle Lernsystem 150 einen normalen Sinusrhythmus (NSR) bei dem Patienten 4 vorhersagt. Beispielsweise stellt 9B eine Wahrscheinlichkeit dar, dass das maschinelle Lernsystem 150 NSR abhängig von der mittleren Herzfrequenz erkennt. Die y-Achse von 9A zeigt eine von dem maschinellen Lernsystem 150 bestimmte Wahrscheinlichkeit, dass NSR vorhanden ist, auf einer Skala von 0 % bis 100 %. Eine Farbe von 9A kann dem Wert der y-Achse entsprechen (z. B. wobei Gelb einer hohen Wahrscheinlichkeit entspricht, dass NSR vorhanden ist, und Blau einer geringen Wahrscheinlichkeit entspricht, dass NSR vorhanden ist). Die x-Achse von 9A zeigt eine Herzfrequenz in Schlägen pro Minute (BPM) und die z-Achse von 9A zeigt ein RRV in Sekunden. Wie in 9A veranschaulicht, erkennt das maschinelle Lernsystem 150 NSR, wenn das Herzelektrogramm einen RRV von weniger als 0,1 und eine Herzfrequenz zwischen 65 und 85 BPM aufweist. Ein Kliniker kann solche Informationen verwenden, um zu kennzeichnen, wie normale Sinusrhythmen bei dem Patienten 4 kommentiert werden. Beispielsweise wurde das in 9A beschriebene maschinelle Lernmodell mit Daten einer bestimmten Klinik entwickelt, die Herzfrequenzen zwischen 65 und 85 BPM als NSR ansieht.
9B zeigt eine beispielhafte grafische Veranschaulichung 910 einer Wahrscheinlichkeit, dass das maschinelle Lernsystem 150 Bradykardie erkennt. Beispielsweise stellt 9B eine Wahrscheinlichkeit dar, dass das maschinelle Lernsystem 150 Bradykardie abhängig von der mittleren Herzfrequenz erkennt. Die y-Achse von 9B zeigt eine von dem maschinellen Lernsystem 150 bestimmte Wahrscheinlichkeit, dass Bradykardie vorhanden ist, auf einer Skala von 0 % bis 100 %. Eine Farbe von 9B kann dem Wert der y-Achse entsprechen (z. B. wobei Gelb einer hohen Wahrscheinlichkeit entspricht, dass Bradykardie vorhanden ist, und Blau einer geringen Wahrscheinlichkeit entspricht, dass Bradykardie vorhanden ist). Die x-Achse von 9B zeigt eine Herzfrequenz in BPM und die z-Achse von 9B zeigt ein RRV in Sekunden. Wie in 9B veranschaulicht, erkennt das maschinelle Lernsystem 150 Sinusbradykardie, wenn das Herzelektrogramm einen RRV von weniger als 0,1 und eine Herzfrequenz zwischen 45 und 55 BPM aufweist. Ein Kliniker kann solche Informationen verwenden, um zu kennzeichnen, wie Bradykardieepisoden bei dem Patienten 4 kommentiert werden. Beispielsweise wurde das in 9B beschriebene maschinelle Lernmodell mit Daten einer bestimmten Klinik entwickelt, die Herzfrequenzen zwischen 45 und 55 BPM als Sinusbradykardie ansieht.
9C zeigt eine beispielhafte grafische Veranschaulichung 920 einer Wahrscheinlichkeit, dass das maschinelle Lernsystem 150 Vorhofflimmern (AF) erkennt. Das Beispiel von 9C stellt eine Wahrscheinlichkeit dar, dass das maschinelle Lernsystem 150 Vorhofflimmern abhängig von der mittleren Herzfrequenz, RR-Variabilität und P-Wellen erkennt. Die y-Achse von 9C zeigt eine von dem maschinellen Lernsystem 150 bestimmte Wahrscheinlichkeit, dass AF vorhanden ist, auf einer Skala von 0 % bis 100 %. Eine Farbe von 9C kann dem Wert der y-Achse entsprechen (z. B. wobei Gelb einer hohen Wahrscheinlichkeit entspricht, dass AF vorhanden ist, und Blau einer geringen Wahrscheinlichkeit entspricht, dass AF vorhanden ist). Die x-Achse von 9C zeigt eine Herzfrequenz in BPM und die z-Achse von 9C zeigt RRV in Sekunden. Ferner zeigt 9C zwei Szenarien: wo p-Wellen vorhanden sind (924) und wo p-Wellen fehlen (922). Wie in 9C veranschaulicht, erkennt das maschinelle Lernsystem 150 AF, wenn das Herzelektrogramm einen RRV von größer als 0,2, eine Herzfrequenz zwischen 75 BPM aufweist und p-Wellen fehlen. Bei dem Vorhandensein von p-Wellen erkennt das maschinelle Lernsystem 150 kein AF. Obwohl in 9C nicht dargestellt, kann das maschinelle Lernsystem 150 Episoden von PAC häufiger bei dem Vorhandensein von p-Wellen erkennen. Ein Kliniker kann solche Informationen verwenden, um zu kennzeichnen, wie Episoden von AF bei dem Patienten 4 kommentiert werden. Beispielsweise wurde das in 9C beschriebene maschinelle Lernmodell mit Daten einer bestimmten Klinik entwickelt, die Herzfrequenzen von mehr 75 BPM und RRV von mehr als 0,2 als AF ansieht.
Die beispielhaften Visualisierungstechniken, die in den 9A-9C dargestellt werden, können durch die Einbeziehung anderer Deep-Learning-Visualisierungstechniken erweitert werden. Beispielsweise können die Techniken der Offenbarung ohne weiteres an Deep-Learning-Techniken zum Visualisieren von Deep-Network-Merkmalen oder zum Visualisieren einer neuronalen Stilübertragung angepasst werden. Darüber hinaus können die Techniken der Offenbarung angepasst werden, um andere Typen von Arrhythmie zu visualisieren, die nicht ausdrücklich in den 9A-9C dargestellt sind, wie Kammerflimmern oder AV-Block.
10A-10D sind Darstellungen, die beispielhafte Anzeigen 1001-1004 zum Visualisieren von Elektrokardiogrammdaten 1010 eines Patienten 4 durch eine Rechenvorrichtung in Übereinstimmung mit den Techniken der Offenbarung darstellen. Kardiale Elektrogrammdaten 1010 können z. B. von der IMD 10 wie vorstehend beschrieben erfasst werden. Die Anzeige 1000 kann z. B. durch das Rechensystem 24 oder durch die externe Vorrichtung 12 präsentiert werden. 10A stellt die Anzeige 1001 dar, die Elektrokardiogrammdaten 1010 des Patienten 4 präsentiert, die von der IMD 10 erfasst wurden.
10B stellt die Anzeige 1002 dar, die grundlegende Herzinformationen präsentiert, z. B. das EKG-Segment 1020 der Elektrokardiogrammdaten 1010, während der das Rechensystem 24 bestimmt hat, dass eine Arrhythmieepisode bei dem Patienten 4 aufgetreten ist. In einigen Beispielen ist das EKG-Segment 1020 ein Segment von Elektrokardiogrammdaten 1010, in denen das Rechensystem 24 bestimmt hat, dass die höchste Wahrscheinlichkeit besteht, dass eine Episode von Vorhofflimmern bei dem Patienten 4 vorliegt. Die beispielhafte Präsentation von 10B kann verwendet werden, z. B. wenn ein Benutzer ein Benutzer mit Grundkenntnissen ist, der keine umfassenden Informationen bezüglich der Bestimmung der Arrhythmieepisode durch das Rechensystem 24 benötigt.
10C stellt die Anzeige 1003 dar, die fortgeschrittene Herzinformationen präsentiert. Beispielsweise beinhaltet die Anzeige 1003 Elektrokardiogrammdaten 1010 und stellt ferner für mehrere Segmente von Elektrokardiogrammdaten 1010 eine Wahrscheinlichkeit dar, dass eine Arrhythmieepisode eines oder mehrerer Typen aufgetreten ist. Beispielsweise färbt Anzeige 1003 Segmente, für die das Rechensystem 24 eine hohe Wahrscheinlichkeit bestimmt hat, dass bei dem Patienten 4 Vorhofflimmern aufgetreten ist, in Grün (1012), Segmente, für die das Rechensystem 24 eine unsichere Bestimmung getroffen hat, ob bei dem Patienten 4 Vorhofflimmern aufgetreten ist, in Gelb (1014) und Segmente, für die das Rechensystem 24 eine geringe Wahrscheinlichkeit bestimmt hat, dass bei dem Patienten 4 Vorhofflimmern aufgetreten ist, in Rot (1016). Darüber hinaus stellt die Anzeige 1003 eine Gesamtwahrscheinlichkeit 1030, dass bei dem Patienten 4 im Laufe der Zeit Vorhofflimmern aufgetreten ist, in Blau dar.
Beispielsweise färbt Anzeige 1003 Segmente, für die das Rechensystem 24 eine hohe Wahrscheinlichkeit bestimmt hat, dass bei dem Patienten 4 PVC aufgetreten ist, in Grün (keine Episoden in 10C), Segmente, für die das Rechensystem 24 eine unsichere Bestimmung getroffen hat, ob bei dem Patienten 4 PVC aufgetreten ist, in Gelb (1024) und Segmente, für die das Rechensystem 24 eine geringe Wahrscheinlichkeit bestimmt hat, dass bei dem Patienten 4 PVC aufgetreten ist, in Rot (1026). Darüber hinaus stellt die Anzeige 1003 eine Gesamtwahrscheinlichkeit 1040, dass bei dem Patienten 4 im Laufe der Zeit PVC aufgetreten ist, in Magenta dar.
10D stellt die Anzeige 1004 dar, die fortgeschrittene Herzinformationen präsentiert. Beispielsweise stellt die Anzeige 1004 Informationen dar, die der Anzeige 1003 von 10C im Wesentlichen ähnlich sind. Ferner stellt die Anzeige 1004 ferner kardiale Bezugselektrogrammdaten 1054, die ein Grundlinien-EKG-Signal darstellen (z. B. wenn kein AF vorhanden ist) und kardiale Bezugselektrogrammdaten 1052 dar, die ein EKG-Signal während einer AF-Episode darstellen. Darüber hinaus beinhaltet die Anzeige 1004 ein RR-Intervalldiagramm 1050, das RR-Intervalle des Patienten 4 über die Dauer der Elektrokardiogrammdaten 1010 anzeigt. Das RR-Intervalldiagramm 1050 zeigt eine hohe, ungemusterte RR-Variabilität während des Vorliegens von AF (z. B. von dem Zeitpunkt t0 bis etwa zu dem Zeitpunkt t100) und gemusterte Schläge während eines Fehlens von AF (z. B. von dem Zeitpunkt t150 bis zu dem Zeitpunkt t250). Die beispielhaften Präsentationen von 10C oder 10D können verwendet werden, z. B. wenn ein Benutzer ein fortgeschrittener Benutzer ist, der umfassende Informationen bezüglich der Bestimmung der Arrhythmieepisode durch das Rechensystem 24 wünscht.
11A-11C sind Darstellungen, die beispielhafte Anzeigen 1101-1103 zum Visualisieren von Elektrokardiogrammdaten 1110 eines Patienten 4 durch eine Rechenvorrichtung in Übereinstimmung mit den Techniken der Offenbarung darstellen. Kardiale Elektrogrammdaten 1110 können z. B. von der IMD 10 wie vorstehend beschrieben erfasst werden. Die Anzeige 1100 kann z. B. durch das Rechensystem 24 oder durch die externe Vorrichtung 12 präsentiert werden. 11A stellt die Anzeige 1101 dar, die Elektrokardiogrammdaten 1110 des Patienten 4 präsentiert, die von der IMD 10 erfasst wurden.
11B stellt die Anzeige 1102 dar, die grundlegende Herzinformationen präsentiert, z. B. das EKG-Segment 1120 der Elektrokardiogrammdaten 1110, während der das Rechensystem 24 bestimmt hat, dass eine Arrhythmieepisode bei dem Patienten 4 aufgetreten ist. In einigen Beispielen ist das EKG-Segment 1120 ein Segment von Elektrokardiogrammdaten 1110, in denen das Rechensystem 24 bestimmt hat, dass die höchste Wahrscheinlichkeit besteht, dass eine Episode von PVC bei dem Patienten 4 vorliegt. Die beispielhafte Präsentation von 11B kann verwendet werden, z. B. wenn ein Benutzer ein Benutzer mit Grundkenntnissen ist, der keine umfassenden Informationen bezüglich der Bestimmung der Arrhythmieepisode durch das Rechensystem 24 benötigt.
11C stellt die Anzeige 1103 dar, die fortgeschrittene Herzinformationen präsentiert. Beispielsweise beinhaltet die Anzeige 1103 Elektrokardiogrammdaten 1110 und stellt ferner für mehreren Segmente von Elektrokardiogrammdaten 1110 eine Wahrscheinlichkeit dar, dass eine Arrhythmieepisode eines oder mehrerer Typen aufgetreten ist. Beispielsweise färbt Anzeige 1103 Segmente, für die das Rechensystem 24 eine hohe Wahrscheinlichkeit bestimmt hat, dass bei dem Patienten 4 Vorhofflimmern aufgetreten ist, in Grün (in 11C nicht vorhanden), Segmente, für die das Rechensystem 24 eine unsichere Bestimmung getroffen hat, ob bei dem Patienten 4 Vorhofflimmern aufgetreten ist, in Gelb (in 11C nicht vorhanden) und Segmente, für die das Rechensystem 24 eine geringe Wahrscheinlichkeit bestimmt hat, dass bei dem Patienten 4 Vorhofflimmern aufgetreten ist, in Rot (1116). Darüber hinaus stellt die Anzeige 1103 eine Gesamtwahrscheinlichkeit 1130, dass bei dem Patienten 4 im Laufe der Zeit Vorhofflimmern aufgetreten ist, in Blau dar.
Beispielsweise färbt Anzeige 1103 Segmente, für die das Rechensystem 24 eine hohe Wahrscheinlichkeit bestimmt hat, dass bei dem Patienten 4 PVC aufgetreten ist, in Grün (1122), Segmente, für die das Rechensystem 24 eine unsichere Bestimmung getroffen hat, ob bei dem Patienten 4 PVC aufgetreten ist, in Gelb (in 11C nicht vorhanden) und Segmente, für die das Rechensystem 24 eine geringe Wahrscheinlichkeit bestimmt hat, dass bei dem Patienten 4 PVC aufgetreten ist, in Rot (1126). Darüber hinaus stellt die Anzeige 1103 eine Gesamtwahrscheinlichkeit 1140, dass bei dem Patienten 4 im Laufe der Zeit PVC aufgetreten ist, in Magenta dar.
Die folgenden Beispiele können einen oder mehrere Aspekte der Offenbarung veranschaulichen.
Beispiel 1. Ein Verfahren, Folgendes umfassend: Empfangen von Elektrokardiogrammdaten, die von einer medizinischen Vorrichtung erfasst wurden, durch eine Rechenvorrichtung, die eine Verarbeitungsschaltung und ein Speichermedium umfasst; Anwenden eines maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für mehrere Patienten trainiert wurde, auf die empfangenen Elektrokardiogrammdaten durch die Rechenvorrichtung, für Folgendes: Bestimmen basierend auf dem maschinellen Lernmodell, dass bei dem Patienten eine Arrhythmieepisode aufgetreten ist; und Bestimmen eines Vertrauensniveaus der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; Bestimmen, dass das Vertrauensniveau der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, größer als ein vorbestimmter Schwellenwert ist; und als Reaktion auf das Bestimmen, dass das Vertrauensniveau größer als der vorbestimmte Schwellenwert ist, Ausgeben durch die Rechenvorrichtung und für die Anzeige für einen Benutzer wenigstens eines Abschnitts der Elektrokardiogrammdaten einer ersten Angabe, dass die Arrhythmieepisode beim Patienten aufgetreten ist, und einer zweiten Angabe des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist.
Beispiel 2. Das Verfahren von Beispiel 1, wobei der wenigstens eine Abschnitt der Elektrokardiogrammdaten eine Elektrokardiogramm(EKG-)Wellenform beinhaltet.
Beispiel 3. Das Verfahren von Beispiel 2, wobei die erste Angabe, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, eine Anmerkung zur EKG-Wellenform umfasst.
Beispiel 4. Das Verfahren eines der Beispiele 1 bis einschließlich 3, wobei die zweite Angabe eine oder mehrere von einer Farbe, einem Bild, einem Licht, einem Ton oder einer Textbenachrichtigung umfasst.
Beispiel 5. Das Verfahren eines der Beispiele 1 bis einschließlich 4, wobei das Verfahren ferner das Empfangen einer Auswahl eines Arrhythmietyps durch den Benutzer umfasst, wobei das Anwenden des maschinellen Lernmodells auf die empfangenen Elektrokardiogrammdaten, um zu bestimmen, dass eine Arrhythmieepisode in dem Patienten aufgetreten ist, das Anwenden des maschinellen Lernmodells auf die empfangenen Elektrokardiogrammdaten umfasst, um zu bestimmen, dass eine Arrhythmieepisode des ausgewählten Arrhythmietyps bei dem Patienten aufgetreten ist, und wobei das Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten des ersten Indikators, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und des zweiten Indikators des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, das Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, eines ersten Indikators, dass die Arrhythmieepisode des ausgewählten Arrhythmietyps beim Patienten aufgetreten ist, und des zweiten Indikators des Vertrauensniveaus, dass eine Arrhythmieepisode des ausgewählten Arrhythmietyps bei dem Patienten aufgetreten ist, umfasst.
Beispiel 6. Das Verfahren eines der Beispiele 1 bis einschließlich 5, wobei das Verfahren ferner das Bestimmen durch die Rechenvorrichtung umfasst, dass der Benutzer ein Benutzer mit Grundkenntnissen ist, wobei durch Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, des ersten Indikators, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und des zweiten Indikators des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, als Reaktion auf das Bestimmen, dass der Benutzer ein Benutzer mit Grundkenntnissen ist, das Ausgeben des ersten Indikators, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, des zweiten Indikators des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere von Folgendem umfasst: einer Elektrokardiogramm(EKG-)Wellenform des Patienten; einer ersten Darstellung einer ersten EKG-Wellenform, die eine Arrhythmieepisode präsentiert; und einer zweiten Darstellung einer zweiten EKG-Wellenform, die ein normales Herzverhalten präsentiert.
Beispiel 7. Das Verfahren eines der Beispiele 1 bis einschließlich 5: wobei das Verfahren ferner das Bestimmen durch die Rechenvorrichtung umfasst, dass der Benutzer ein fortgeschrittener Benutzer ist, wobei durch Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, des ersten Indikators, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und des zweiten Indikators des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, als Reaktion auf das Bestimmen, dass der Benutzer ein fortgeschrittener Benutzer ist, das Ausgeben des ersten Indikators, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, des zweiten Indikators des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere von Folgendem umfasst: einer Elektrokardiogramm(EKG-)Wellenform des Patienten; einer Startzeit der Arrhythmieepisode; einer Endzeit der Arrhythmieepisode; eines mittleren R-R-Intervalls des Patienten während der Arrhythmieepisode; eines Grundlinien-R-R-Intervalls des Patienten; einer P-Welle des Patienten während der Arrhythmieepisode; einer Grundlinien-P-Welle des Patienten; und einer Morphologievariation des Patienten.
Beispiel 8. Das Verfahren eines der Beispiele 1 bis einschließlich 7, wobei die Arrhythmieepisode bei dem Patienten wenigstens eine Episode von Bradykardie, Tachykardie, Vorhofflimmern, Kammerflimmern oder AV-Block ist.
Beispiel 9. Das Verfahren eines der Beispiele 1 bis einschließlich 8, wobei das maschinelle Lernmodell, das unter Verwendung von Elektrokardiogrammdaten für mehrere 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 bei einem Patienten der mehreren Patienten gekennzeichnet ist.
Beispiel 10. Das Verfahren eines der Beispiele 1 bis einschließlich 9, wobei das Anwenden des maschinellen Lernmodells auf die empfangenen Elektrokardiogrammdaten das Anwenden des maschinellen Lernmodells auf Folgendes umfasst: Elektrokardiogramm(EKG-)Daten des Patienten; die mit Arrhythmie korrelierten Kennzeichen des Patienten; einen Typ der Arrhythmie bei dem Patienten; ein Aktivitätsniveau der implantierbaren medizinischen Vorrichtung; eine Eingangsimpedanz der implantierbaren medizinischen Vorrichtung; und/oder einen Batteriestand der implantierbaren medizinischen Vorrichtung.
Beispiel 11. Das Verfahren eines der Beispiele 1 bis einschließlich 10, wobei das Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten Folgendes umfasst: Identifizieren eines Teilabschnitts eines Elektrokardiogramms (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; und Ausgeben des Teilabschnitts des EKGs.
Beispiel 12. Das Verfahren eines der Beispiele 1 bis einschließlich 11, wobei der vorbestimmte Schwellenwert ein erster vorbestimmter Schwellenwert ist und wobei das Verfahren ferner das Bestimmen umfasst, ob das Vertrauensniveau der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, größer als ein zweiter vorbestimmter Schwellenwert ist, wobei der zweite vorbestimmte Schwellenwert größer als der erste vorbestimmte Schwellenwert ist, wobei als Reaktion auf das Bestimmen, dass das Vertrauensniveau größer als der vorbestimmte Schwellenwert ist, das Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, der ersten Angabe und der zweiten Angabe Folgendes umfasst: als Reaktion auf das Bestimmen, dass das Vertrauensniveau größer als der erste vorbestimmte Schwellenwert, jedoch nicht größer als der zweite vorbestimmte Schwellenwert ist, Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, der ersten Angabe und einer Angabe eines mittleren Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; als Reaktion auf das Bestimmen, dass das Vertrauensniveau größer als der erste vorbestimmte Schwellenwert und größer als der zweite vorbestimmte Schwellenwert ist, Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, der ersten Angabe und einer zweiten Angabe eines hohen Vertrauensniveaus, dass bei dem Patienten eine Arrhythmieepisode aufgetreten ist.
Beispiel 13. Ein Verfahren, das Folgendes umfasst: Empfangen von Elektrokardiogrammdaten, die von einer medizinischen Vorrichtung erfasst wurden, durch eine Rechenvorrichtung, die eine Verarbeitungsschaltung und ein Speichermedium umfasst; Empfangen einer Auswahl eines Arrhythmietyps von dem Benutzer; Anwenden eines maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für mehrere Patienten trainiert wurde, auf die empfangenen Elektrokardiogrammdaten durch die Rechenvorrichtung, für Folgendes: Bestimmen basierend auf dem maschinellen Lernmodell, dass eine Arrhythmieepisode des ausgewählten Typs bei dem Patienten aufgetreten ist; und Bestimmen eines Vertrauensniveaus der Bestimmung, dass die Arrhythmieepisode des ausgewählten Typs bei dem Patienten aufgetreten ist; und Ausgeben durch die Rechenvorrichtung und für die Anzeige an einen Benutzer, wenigstens eines Abschnitts der Elektrokardiogrammdaten, einer ersten Angabe, dass die Arrhythmieepisode des ausgewählten Typs bei dem Patienten aufgetreten ist, und einer zweiten Angabe des Vertrauensniveaus, dass bei dem Patienten eine Arrhythmieepisode des ausgewählten Typs aufgetreten ist.
Beispiel 14. Das Verfahren von Beispiel 13, wobei der wenigstens eine Abschnitt der Elektrokardiogrammdaten eine Elektrokardiogramm(EKG-)Wellenform beinhaltet.
Beispiel 15. Das Verfahren von Beispiel 14, wobei die erste Angabe, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, eine Anmerkung für die EKG-Wellenform umfasst.
Beispiel 16. Das Verfahren eines der Beispiele 13 bis einschließlich 15, wobei die zweite Angabe eine oder mehrere von einer Farbe, einem Bild, einem Licht, einem Ton oder einer Textbenachrichtigung umfasst.
Beispiel 17. Das Verfahren eines der Beispiele 13 bis einschließlich 16, wobei das Verfahren ferner das Bestimmen durch die Rechenvorrichtung umfasst, dass der Benutzer ein Benutzer mit Grundkenntnissen ist, wobei durch Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, des ersten Indikators, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und des zweiten Indikators des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, als Reaktion auf das Bestimmen, dass der Benutzer ein Benutzer mit Grundkenntnissen ist, das Ausgeben des ersten Indikators, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, des zweiten Indikators des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere von Folgendem umfasst: einer Elektrokardiogramm(EKG-)Wellenform des Patienten; einer ersten Darstellung einer ersten EKG-Wellenform, die eine Arrhythmieepisode präsentiert; und einer zweiten Darstellung einer zweiten EKG-Wellenform, die ein normales Herzverhalten präsentiert.
Beispiel 18. Das Verfahren eines der Beispiele 13 bis einschließlich 16, wobei das Verfahren ferner das Bestimmen durch die Rechenvorrichtung umfasst, dass der Benutzer ein fortgeschrittener Benutzer ist, wobei durch Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, des ersten Indikators, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und des zweiten Indikators des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, als Reaktion auf das Bestimmen, dass der Benutzer ein fortgeschrittener Benutzer ist, das Ausgeben des ersten Indikators, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, des zweiten Indikators des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere von Folgendem umfasst: einer Elektrokardiogramm(EKG-)Wellenform des Patienten; einer Startzeit der Arrhythmieepisode; einer Endzeit der Arrhythmieepisode; eines mittleren R-R-Intervalls des Patienten während der Arrhythmieepisode; einer R-R-Variation des Patienten während der Arrhythmieepisode; eines Grundlinien-R-R-Intervalls des Patienten; einer P-Welle des Patienten während der Arrhythmieepisode; einer Grundlinien-P-Welle des Patienten; und einer Morphologievariation des Patienten.
Beispiel 19. Das Verfahren eines der Beispiele 13 bis einschließlich 18, wobei die Arrhythmieepisode bei dem Patienten wenigstens eine Episode von Bradykardie, Tachykardie, Vorhofflimmern, Kammerflimmern oder AV-Block ist.
Beispiel 20. Das Verfahren eines der Beispiele 13 bis einschließlich 19, wobei das maschinelle Lernmodell, das unter Verwendung von Elektrokardiogrammdaten für mehrere 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 bei einem Patienten der mehreren Patienten gekennzeichnet ist.
Beispiel 21. Das Verfahren eines der Beispiele 13 bis einschließlich 20, wobei das Anwenden des maschinellen Lernmodells auf die empfangenen Elektrokardiogrammdaten das Anwenden des maschinellen Lernmodells auf Folgendes umfasst: Elektrokardiogramm(EKG-)Daten des Patienten; die mit Arrhythmie korrelierten Kennzeichen des Patienten; einen Typ der Arrhythmie bei dem Patienten; ein Aktivitätsniveau der implantierbaren medizinischen Vorrichtung; eine Eingangsimpedanz der implantierbaren medizinischen Vorrichtung; und/oder einen Batteriestand der implantierbaren medizinischen Vorrichtung.
Beispiel 22. Das Verfahren eines der Beispiele 1 bis einschließlich 21, wobei das Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten Folgendes umfasst: Identifizieren eines Teilabschnitts eines Elektrokardiogramms (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; und Ausgeben des Teilabschnitts des EKG.
In einigen Beispielen beinhalten die Techniken der Offenbarung ein System, das Mittel umfasst, um ein beliebiges hierin 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 ebenso, dass je nach Beispiel bestimmte Aktionen oder Ereignisse eines der hierin beschriebenen Vorgangs oder Verfahren in einer anderen Reihenfolge durchgeführt, hinzugefügt, zusammengeführt oder ganz weggelassen werden können (z. B. sind möglicherweise nicht alle beschriebenen Aktionen oder Ereignisse erforderlich, um die Techniken auszuführen). Während bestimmte Aspekte dieser Offenbarung aus Gründen der Klarheit als von einem einzelnen Modul, einer einzelnen Einheit oder einer einzigen Schaltung durchgeführt beschrieben sind, versteht es sich, dass die Techniken dieser Offenbarung von einer Kombination von 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 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 der Form von Anweisungen oder Datenstrukturen verwendet werden kann, auf die von einem Computer zugegriffen werden kann).
Befehle können von einem oder mehreren Prozessoren ausgeführt werden, wie einem oder mehreren digitalen Signalprozessoren (DSPs), Allzweck-Mikroprozessoren, anwendungsspezifischen integrierten Schaltungen (ASICs), feldprogrammierbaren Logik-Arrays (FPGAs) oder anderen äquivalenten integrierten oder diskreten Logikschaltungen. Dementsprechend kann sich der Begriff „Prozessor“ oder „Verarbeitungsschaltung“, wie er hierin verwendet wird, auf jede der vorstehenden Strukturen oder jede andere physikalische 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

Rechenvorrichtung, Folgendes umfassend: ein Speichermedium; und eine Verarbeitungsschaltung, die betriebsfähig mit dem Speichermedium gekoppelt und für Folgendes konfiguriert ist: Empfangen von Elektrokardiogrammdaten, die von einer medizinischen Vorrichtung erfasst wurden; Anwenden eines maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für mehrere Patienten trainiert wurde, auf die empfangenen Elektrokardiogrammdaten für Folgendes: Bestimmen basierend auf dem maschinellen Lernmodell, dass bei dem Patienten eine Arrhythmieepisode aufgetreten ist; und Bestimmen eines Vertrauensniveaus der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; Bestimmen, dass das Vertrauensniveau der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, größer als ein vorbestimmter Schwellenwert ist; und als Reaktion auf das Bestimmen, dass das Vertrauensniveau größer als der vorbestimmte Schwellenwert ist, Ausgeben wenigstens eines Abschnitts der Elektrokardiogrammdaten für die Anzeige an einen Benutzer, einer ersten Angabe, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und einer zweiten Angabe, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist.
Vorrichtung nach Anspruch 1, wobei der wenigstens eine Abschnitt der Elektrokardiogrammdaten eine Elektrokardiogramm(EKG-)Wellenform beinhaltet und wobei die erste Angabe, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, eine Anmerkung für die EKG-Wellenform umfasst.
Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 2, wobei die zweite Angabe eines oder mehrere von einer Farbe, einem Bild, einem Licht, einem Ton oder einer Textbenachrichtigung umfasst.
Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 3, wobei die Verarbeitungsschaltung ferner konfiguriert ist, um von dem Benutzer eine Auswahl eines Arrhythmietyps zu empfangen, wobei zum Anwenden des maschinellen Lernmodells auf die empfangenen Elektrokardiogrammdaten, um zu bestimmen, dass eine Arrhythmieepisode bei dem Patienten aufgetreten ist, die Verarbeitungsschaltung konfiguriert ist, um das maschinelle Lernmodell auf die empfangenen Elektrokardiogrammdaten anzuwenden, um zu bestimmen, dass eine Arrhythmieepisode des ausgewählten Arrhythmietyps bei dem Patienten aufgetreten ist, und wobei zum Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, des ersten Indikators, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und des zweiten Indikators des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, die Verarbeitungsschaltung konfiguriert ist, um den wenigstens einen Abschnitt der Elektrokardiogrammdaten, einen ersten Indikator, dass die Arrhythmieepisode des ausgewählten Arrhythmietyps beim Patienten aufgetreten ist, und den zweiten Indikator des Vertrauensniveaus, dass eine Arrhythmieepisode des ausgewählten Arrhythmietyps bei dem Patienten aufgetreten ist, auszugeben.
Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 4, wobei die Verarbeitungsschaltung konfiguriert ist, um zu bestimmen, dass der Benutzer ein Benutzer mit Grundkenntnissen ist, wobei zum Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, des ersten Indikators, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und des zweiten Indikators des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, die Verarbeitungsschaltung konfiguriert ist, um als Reaktion auf das Bestimmen, dass der Benutzer ein Benutzer mit Grundkenntnissen ist, den ersten Indikator, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, den zweiten Indikator des Vertrauensniveaus, dass eine Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere von Folgendem auszugeben: einer Elektrokardiogramm(EKG-)Wellenform des Patienten; einer ersten Darstellung einer ersten EKG-Wellenform, die eine Arrhythmieepisode präsentiert; und einer zweiten Darstellung einer zweiten EKG-Wellenform, die ein normales Herzverhalten präsentiert.
Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 5: wobei die Verarbeitungsschaltung konfiguriert ist, um zu bestimmen, dass der Benutzer ein fortgeschrittener Benutzer ist, wobei zum Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, des ersten Indikators, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und des zweiten Indikators des Vertrauensniveaus, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, die Verarbeitungsschaltung konfiguriert ist, um als Reaktion auf das Bestimmen, dass der Benutzer ein fortgeschrittener Benutzer ist, den ersten Indikator, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, den zweiten Indikator des Vertrauensniveaus, dass eine Arrhythmieepisode bei dem Patienten aufgetreten ist, und eines oder mehrere von Folgendem auszugeben: einer Elektrokardiogramm(EKG-)Wellenform des Patienten; einer Startzeit der Arrhythmieepisode; einer Stoppzeit der Arrhythmieepisode; einem mittleren R-R-Intervall des Patienten während der Arrhythmieepisode; einer R-R-Variation des Patienten während der Arrhythmieepisode; einem Grundlinien-RR-Intervall des Patienten; einer P-Welle des Patienten während der Arrhythmieepisode; einer Grundlinien-P-Welle des Patienten; und einer Morphologievariation des Patienten.
Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 6, wobei die Arrhythmieepisode bei dem Patienten wenigstens eine Episode von Bradykardie, Tachykardie, Vorhofflimmern, Kammerflimmern oder AV-Block ist.
Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 7, wobei das maschinelle Lernmodell, das unter Verwendung von Elektrokardiogrammdaten für mehrere 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 bei einem Patienten der mehreren Patienten gekennzeichnet ist.
Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 8, wobei die Verarbeitungsschaltung zum Anwenden des maschinellen Lernmodells auf die empfangenen Elektrokardiogrammdaten konfiguriert ist, um das maschinelle Lernmodell auf Folgendes anzuwenden: Elektrokardiogramm(EKG-)Daten des Patienten; die mit Arrhythmie korrelierten Kennzeichen des Patienten; einen Typ der Arrhythmie bei dem Patienten; ein Aktivitätsniveau der implantierbaren medizinischen Vorrichtung; eine Eingangsimpedanz der implantierbaren medizinischen Vorrichtung; und/oder einen Batteriestand der implantierbaren medizinischen Vorrichtung.
Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 9, wobei die Verarbeitungsschaltung zum Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten für Folgendes konfiguriert ist: Identifizieren eines Teilabschnitts eines Elektrokardiogramms (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; und Ausgeben des Teilbereichs des EKGs.
Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 10, wobei der vorbestimmte Schwellenwert ein erster vorbestimmter Schwellenwert ist, und wobei die Verarbeitungsschaltung ferner konfiguriert ist, um zu bestimmen, ob das Vertrauensniveau der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, größer als ein zweiter vorbestimmter Schwellenwert ist, wobei der zweite vorbestimmte Schwellenwert größer als der erste vorbestimmte Schwellenwert ist, wobei als Reaktion auf das Bestimmen, dass das Vertrauensniveau größer als der vorbestimmte Schwellenwert ist, die Verarbeitungsschaltung zum Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, der ersten Angabe und der zweite Angabe für Folgendes konfiguriert ist: als Reaktion auf das Bestimmen, dass das Vertrauensniveau größer ist als der erste vorbestimmte Schwellenwert, jedoch nicht größer als der zweite vorbestimmte Schwellenwert, Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, der ersten Angabe und einer Angabe eines mittleren Vertrauensniveaus, dass bei dem Patienten eine Arrhythmieepisode aufgetreten ist; als Reaktion auf das Bestimmen, dass das Vertrauensniveau größer ist als der erste vorbestimmte Schwellenwert und größer als der zweite vorbestimmte Schwellenwert, Ausgeben des wenigstens einen Abschnitts der Elektrokardiogrammdaten, der ersten Angabe und einer Angabe eines hohen Vertrauensniveaus, dass bei dem Patienten eine Arrhythmieepisode aufgetreten ist.
Rechenvorrichtung, Folgendes umfassend: Mittel zum Empfangen durch eine Rechenvorrichtung, die eine Verarbeitungsschaltung und Elektrokardiogrammdaten umfasst, die von einer medizinischen Vorrichtung erfasst werden; Mittel zum Anwenden durch die Rechenvorrichtung eines maschinellen Lernmodells, das unter Verwendung von Elektrokardiogrammdaten für mehrere Patienten trainiert wurde, auf die empfangenen Elektrokardiogrammdaten für Folgendes: Bestimmen basierend auf dem maschinellen Lernmodell, dass bei dem Patienten eine Arrhythmieepisode aufgetreten ist; und Bestimmen eines Vertrauensniveaus der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist; Mittel zum Bestimmen, dass das Vertrauensniveau der Bestimmung, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, größer als ein vorbestimmter Schwellenwert ist, und Mittel zum Ausgeben durch die Rechenvorrichtung und zum Anzeigen für einen Benutzer wenigstens eines Abschnitts der Elektrokardiogrammdaten, einer ersten Angabe, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist, und einer zweiten Angabe, dass die Arrhythmieepisode bei dem Patienten aufgetreten ist.
System, das die Rechenvorrichtung nach einem der Ansprüche 1 bis einschließlich 12 umfasst.