ES2230976B1 - Provision de soporte de decisiones para el infarto agudo de miocardio. - Google Patents
Provision de soporte de decisiones para el infarto agudo de miocardio.Info
- Publication number
- ES2230976B1 ES2230976B1 ES200250053A ES200250053A ES2230976B1 ES 2230976 B1 ES2230976 B1 ES 2230976B1 ES 200250053 A ES200250053 A ES 200250053A ES 200250053 A ES200250053 A ES 200250053A ES 2230976 B1 ES2230976 B1 ES 2230976B1
- Authority
- ES
- Spain
- Prior art keywords
- mentioned
- ami
- patient
- variables
- decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/339—Displays specially adapted therefor
- A61B5/341—Vectorcardiography [VCG]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S128/00—Surgery
- Y10S128/92—Computer assisted medical diagnostics
- Y10S128/925—Neural network
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Complex Calculations (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
Abstract
Provisión de soporte de decisiones para el infarto de miocardio, para mejorar adicionalmente la calidad del soporte de decisión para la valoración precoz de pacientes con sospecha de infarto agudo de miocardio (IAM), conseguida mediante la utilización de redes neuronales artificiales. Además se relacionan las variables medidas asociadas con el IAM a zonas de grupos de clasificación del IAM, relacionados con las opciones de manejo y con los procedimientos de tratamiento y en particular para visualizar dichas relaciones de una forma informativa. La presente invención proporciona, además, redes neuronales artificiales, que estan sintonizadas para afrontar los requisitos clínicos sobre la certeza de la extensión del infarto pronosticado y los grupos de clasificación del IAM correspondientes en las varias situaciones de prevalencia. Igualmente se proporcionan redes neuronales artificiales que hacen uso de variables asociadas con el IAM, que se deriven de las medidas intermitentes y/o continuas de ECG/VCG.
Description
Provisión de soporte de decisiones para el
infarto agudo de miocardio.
La presente invención está relacionada con la
valoración, manejo y tratamiento de pacientes con sospecha de
infarto agudo de miocardio (IAM), y más particularmente con los
métodos y aparatos para el soporte de decisiones que tienen por
objeto la valoración precoz de dichos pacientes con respecto a la
clasificación en grupos relacionados con el distinto manejo
preferido y opciones de tratamiento.
La valoración precoz dentro de las primeras horas
después del inicio de los síntomas es esencial para el manejo y
tratamientos óptimos de los pacientes con sospecha de infarto agudo
de miocardio (IAM) habiéndose documentado, por ejemplo, por el
Comité Nacional de Coordinación del Programa de Alerta de Ataques al
Corazón, al Grupo de Trabajo de Tratamientos en 60 minutos (en Anu.
Emerg. Med. 1994; 23:311-329). En pacientes con
elevación del ST en su ECG inicial registrado al ingreso, el
diagnóstico es directo. Adicionalmente, la suma total de elevaciones
del ST en todas las derivaciones del ECG proporciona una excelente
estimación del miocardio en riesgo. No obstante, en al menos el 40%
de pacientes con IAM, el ECG de 12 derivaciones no da el
diagnóstico al ingreso. En dichos pacientes la diagnosis tiene que
estar basada en datos clínicos y mediciones de marcadores
bioquímicos hasta recientemente, con un procedimiento que consume
tiempo y que provoca una demora en iniciar el tratamiento. La
predicción precoz y fiable de la extensión del infarto es también
dificil para este grupo de pacientes. En el grupo heterogéneo de
pacientes admitidos en el hospital a causa de angina de pecho,
podrían conseguirse unas ganancias económicas considerables
mediante la identificación precoz de aquellos pacientes
(aproximadamente el 60-70%) que se encuentran en un
riesgo suficientemente bajo del IAM y de sus complicaciones, para
ser transferidos a una sala general fuera de la unidad de cuidados
coronarios (UCC). Entre los pacientes con angina inestable, un
porcentaje del 30-50% tienen elevaciones mínimas de
marcadores bioquímicos sensibles, tal como la creatin kinasa MB y
troponina-T. El término de lesión miocardial menor
(MMD) ha sido propuesto para estas elevaciones menores. Puesto que
el MMD indica un riesgo incrementado de eventos cardíacos futuros,
parece importante no solo detectar el IAM, sino también detectar el
MMD tan temprano como sea posible.
Así pues, en el manejo temprano de pacientes con
dolor torácico agudo y sin ECG de diagnóstico al ingreso, existen
varios importantes temas a enfocar con el fin de tomar acciones
adecuadas. La existencia de un IAM tiene que ser determinada. Si
está presente un IAM, es útil el tamaño del infarto último para
conocer el tratamiento continuado. También es importante la hora en
que realmente tuvo lugar el infarto. Si el paciente no tiene un IAM,
es útil también decidir si el paciente tiene un riesgo alto o bajo
de eventos cardíacos sucesivos. El médico tiene que considerar la
historia del paciente y el estado físico, los resultados del ECG y
las pruebas de sangre, etc. Este proceso de evaluación pueden
consumir tiempo y dependen totalmente del conocimiento y experiencia
del médico. Los resultados de las medidas bioquímicas forman una
base importante sobre la cual descansa el manejo futuro del
paciente.
Hay importantes diferencias en las propiedades
cinéticas de los marcadores bioquímicos del IAM en la actualidad,
por ejemplo, mioglobina, CKMB y troponina-T
cardiaca. Todos estos marcadores son indicativos de IAM, no
obstante, a diferentes escalas. La mioglobina tiene una respuesta
más bien rápida, mientras que al menos la
troponina-T tiene una velocidad de aparición más
lenta. Es necesaria una combinación de más de un marcador.
Los procedimientos por ordenador que utilizan las
redes neuronales han estado aplicándose para la detección del IAM
basándose en datos clínicos, medidas de marcadores bioquímicos y en
parámetros ECG/VCG. Jörgensen y otros, Chem. 1996, vol.
42(4), págs. 604-612 y
613-617, ha investigado sobre la eficacia en el
diagnóstico de redes neuronales entrenadas en varias combinaciones
de datos ECG iniciales, y concentraciones de suero de CKB, LD1 y
potasio, al ingreso, y a las 12 y 24 horas posteriores al ingreso.
En un reciente documento (Comp. Biomed. Research 1998, vol. 36,
59-69), Sunemark y otros han investigado sobre un
procedimiento del análisis VCG/ECG en serie sobre redes neuronales
artificiales, combinando dos medidas de ECG y VCG. En resumen, las
aplicaciones de redes neuronales efectuadas por Sunemark y otros y
por Jörgensen y otros no han enfocado el problema de la predicción
precoz del tamaño del IAM en pacientes con dolor torácico sin
diagnóstico ECG en el ingreso.
En la patente de los EE.UU. número 5690103 se
exponen procedimientos y aparatos para la detección o exclusión del
infarto agudo de miocardio utilizando el análisis por una red
neuronal artificial (RNA) de las medidas de los marcadores
bioquímicos. La invención global categoriza a los pacientes con
sospecha de IAM con respecto a IAM/no IAM; extensión del infarto;
tiempo transcurrido desde el inicio del infarto; y ausencia de IAM
con/sin daños miocárdicos menores (MMD). La categorización está
basada generalmente en un muestreo frecuente de sangre durante las
primeras horas y medida de los marcadores bioquímicos seleccionados
del IAM con diferentes patrones de aparición en la sangre
circulante. Los cálculos se ejecutan mediante la utilización de
redes neuronales artificiales diseñadas especialmente. La
detección/exclusión precoz del infarto agudo de miocardio se
proporciona generalmente dentro de las 3 horas tras el ingreso del
paciente. Adicionalmente, se proporciona también la predicción
precoz del "tamaño extenso del infarto" y de la estimación
precoz del tiempo transcurrido desde el inicio.
Es importante comprender que el factor del tiempo
es muy crucial en el campo técnico presente. Después de
12-24 horas posteriores al ingreso, los patrones de
las concentraciones de los marcadores están generalmente tan
pronunciados que los propios médicos pueden fácilmente valorar el
IAM a partir de los mismos, sin utilizar ningún tipo de soporte de
redes neuronales. No obstante, 12 horas después del ingreso, la
ventaja potencial, por ejemplo, del tratamiento trombolítico ha
disminuido a un nivel muy bajo. La valoración de las medidas y las
decisiones tienen que hacerse en las primeras horas después del
ingreso del paciente.
Los procedimientos y aparatos de la patente
anterior de los EE.UU. proporcionan un gran desarrollo para lograr
una detección, predicción y estimación precoces y fiables en
relación con el IAM. Aunque la nueva tecnología de la patente
anterior ha trabajado de una forma satisfactoria, permanecen todavía
temas que deberán ser enfocados con respecto a la incorporación de
estos tipos de redes neuronales artificiales a un sistema de soporte
de decisiones médicas, y la capacidad de transferencia de dicho
sistema para operar en un nuevo entorno con sus requisitos médicos
específicos.
Un objetivo general de la presente invención es
mejorar adicionalmente la calidad del soporte de decisión para la
valoración precoz de pacientes con sospecha de infarto agudo de
miocardio (IAM), conseguido mediante la utilización de redes
neuronales artificiales. Un objetivo adicional de la presente
invención es relacionar las variables medidas asociadas con el IAM a
zonas de grupos de clasificación del IAM, relacionados con las
opciones de manejo y con los procedimientos de tratamiento, y en
particular para visualizar dichas relaciones de una forma
informativa. Otro objetivo de la presente invención es proporcionar
redes neuronales artificiales, que estén sintonizadas para afrontar
los requisitos clínicos sobre la certeza de la extensión del infarto
pronosticado y los grupos de clasificación del IAM correspondientes
en las varias situaciones de prevalencia. Otro objetivo incluso de
la presente invención es proporcionar redes neuronales artificiales
que hagan uso de variables asociadas con el IAM, que se deriven de
las medidas intermitentes y/o continuas de ECG/VCG.
Los objetivos anteriores se llevan a cabo
mediante procedimientos y aparatos de acuerdo con las
reivindicaciones adjuntas.
En líneas generales, un aspecto de la presente
invención proporciona un procedimiento y un aparato, que hacen uso
al menos de una red neuronal entrenada y sintonizada para generar
zonas de decisión en el espacio de n_dimensiones de ri variables de
entrada asociadas con el IAM. El conjunto de las variables medidas
en un cierto caso de tiempo, es decir, un punto del espacio de n
dimensiones, está relacionado con las zonas de decisión, con el fm
de proporcionar un soporte de decisiones. Preferiblemente, estas
zonas de decisión se proyectan y se visualizan gráficamente como
áreas en un diagrama bidimensional parametrizado, con dos variables
principales como variables independientes. Los valores de las
n-2 variables de entrada restantes son los
parámetros correspondientes. Preferiblemente, las dos variables
principales son marcadores bioquímicos del IAM. La posición del
punto que representa un conjunto presente de los valores de las
variables medidas seleccionadas visualizadas en el diagrama
proporciona una indicación fácilmente interpretada de una
clasificación recomendada, y proporciona también información de la
cercanía a las zonas de decisión vecinas. Preferiblemente, la red
neuronal artificial se adiestra con el uso de conjuntos de medidas
de variables asociadas con el IAM en un cierto caso de tiempo así
como también con los parámetros específicos del paciente.
De acuerdo con otro aspecto, la presente
invención proporciona un procedimiento y un aparato, que
proporcionan al menos una red neuronal artificial, que es capaz de
generar un soporte de decisión basándose en las n variables de
entrada asociadas con el IAM. La eficacia de la red neuronal
artificial se sintoniza óptimamente con los requisitos clínicos en
los valores predictivos de la clasificación basada en la red
neuronal artificial en situaciones dadas de prevalencia.
De acuerdo incluso con otro aspecto, la presente
invención proporciona un procedimiento y un aparato, que hacen uso
al menos de una red neuronal artificial entrenada, para generar un
soporte de decisiones basándose en las n variables de entrada
asociadas con el IAM. Al menos una de las variables asociadas con el
IAM se deriva de los registros intermitentes / continuos del
ECG/VCG.
Es importante comprender que la invención está
relacionada con el soporte de decisiones para el manejo de
pacientes con sospecha de infarto agudo de miocardio, un soporte de
decisiones que puede ser utilizado por una enfermera y/o por un
médico en la valoración de dicho paciente.
La invención conjuntamente con objetivos
adicionales y ventajas de los mismos, puede comprenderse mejor
haciendo referencia a la siguiente descripción considerada
conjuntamente con los dibujos adjuntos, en los que:
La figura 1a es una ilustración esquemática de un
proceso de aprendizaje de una red neuronal artificial de acuerdo
con el arte previo;
la figura 1b es una ilustración esquemática del
uso de una red neuronal artificial de la figura la;
la figura 2a es una ilustración esquemática de un
proceso de aprendizaje y sintonía de una red neuronal artificial
utilizada en la presente invención;
la figura 2b es una ilustración esquemática del
uso de una red neuronal artificial entrenada y sintonizada de
acuerdo con la presente invención;
la figura 2c es una ilustración esquemática de un
procedimiento de sintonía de una red neuronal artificial utilizada
en la presente invención;
la figura 3a es una ilustración esquemática de un
proceso de aprendizaje y de sintonía de otra red neuronal
artificial utilizada en la presente invención;
la figura 3b es una ilustración esquemática del
uso de una red neuronal artificial entrenada y sintonizada de la
figura 3a;
la figura 3c es una ilustración esquemática del
uso preferido de una red neuronal artificial entrenada y
sintonizada de acuerdo con la presente invención;
la figura 4a es una ilustración de la generación
de zonas de decisión de acuerdo con la presente invención;
la figura 4b es una ilustración de la
visualización de las zonas de decisión de acuerdo con la presente
invención;
la figura 5 es un diagrama de flujo que muestra
el procedimiento de sintonía;
la figura 6 es un diagrama utilizado en el
procedimiento de sintonía de acuerdo con la presente invención;
la figura 7 es un diagrama de flujo que muestra
un procedimiento de decisión combinado de acuerdo con una
realización de la presente invención;
las figuras 8a-c son ejemplos de
visualizaciones gráficas de las zonas de decisión en las diferentes
etapas de la monitorización del paciente; y
la figura 9 es un diagrama de flujo que muestra
un procedimiento de acuerdo con la presente invención.
En la valoración precoz y manejo de los pacientes
con dolor torácico agudo, existen diferentes medidas estándar a
tomar. En el momento del ingreso, el paciente es investigado
normalmente mediante una medida inicial de ECG/VCG
(Electrocardiograma / vectorcardiograma). No obstante, para muchos
pacientes el ECG no es diagnóstico en el ingreso, incluso aunque
esté presente el IAM. En dicho caso se precisa una monitorización
bioquímica. El médico tiene además que considerar la edad y el sexo
del paciente, el historial del paciente de enfermedades y estado
fisico presente, por ejemplo si el paciente pertenece a cualesquiera
grupos de riesgo, tal como fumadores o diabéticos. Adicionalmente,
se ejecutan normalmente una serie de pruebas bioquímicas, por
ejemplo pruebas en sangre circulante. En la sangre, las
concentraciones de marcadores bioquímicos del IAM son de particular
interés. Dichas pruebas de la sangre pueden ser repetidas de forma
intermitente, dando una serie periódica de concentraciones de
marcadores bioquímicos. En la mayoría de los casos, los pacientes
están también conectados a sistemas de monitorización continua de
ECG o VCG. El médico tiene que tomar decisiones sobre el manejo del
paciente tan pronto como sea posible basándose en la información
disponible. Este proceso de toma de decisiones puede requerir una
inversión de tiempo y depende significativamente del conocimiento
del médico y de su experiencia. Con el fm de iniciar cualesquiera
tratamientos en el paciente, el aspecto del tiempo es extremadamente
importante. Varias horas después del ingreso, el conocimiento
completo de las concentraciones medidas de los marcadores
bioquímicos, etc. Puede dar una descripción casi completa de la
situación del paciente, pero si no se ha iniciado ningún
tratamiento, la ventaja potencial de dicho tratamiento es, con
frecuencia, muy baja en este punto.
En la presente invención, el término de red
neuronal artificial (RNA) se refiere a una estructura
computacional, que es entrenada sobre un conjunto representativo de
casos de ejemplos clasificados. En la práctica, la red neuronal se
aplica para la clasificación de casos desconocidos. Los antecedentes
adicionales en la clasificación de las redes neuronales pueden ser
obtenidos mediante la revisión del documento "Redes neuronales y
métodos relacionados para la clasificación" de Ripley B. D. En J.
R. Statist. Soc. B 1994; 56(3); páginas
409-456.
En la patente de los EE.UU. número 5690103 se
emplea una red neuronal artificial para detección / exclusión
precoz, predicción y estimaciones de las características
relacionadas con el IAM. La patente de los EE.UU. número 5690103 se
incorpora aquí como referencia en su totalidad. La figura la muestra
el proceso de aprendizaje de una red neuronal artificial de acuerdo
con la patente de los EE.UU. número 5690103. Se emplea un conjunto
de aprendizaje con medidas de concentración de marcadores
bioquímicos 12 del IAM, para entrenar a la red neuronal artificial
en un entorno de aprendizaje 9. El conjunto de aprendizaje 12 está
asociado con un código de clasificación de aprendizaje 14, por
ejemplo, de IAM/no IAM. La red neuronal artificial entrenada 15
responderá entonces a un conjunto de marcadores bioquímicos para
generar una clasificación del paciente.
La figura 1b muestra la red neuronal artificial
entrenada 15 de la figura 1 a en uso. Los sucesivos conjuntos de
medidas de concentración de los marcadores bioquímicos del IAM 18
son introducidos como entrada a la red neuronal artificial 15. La
salida dará la clasificación más probable 20 del paciente, dada la
información disponible. Con la clasificación dada anterior, el
resultado sería una indicación del IAM, una indicación de ausencia
de IAM, o una indicación de "estado incierto" que requeriría
medidas adicionales.
En la figura 2a, se muestra el entrenamiento de
las redes neuronales artificiales utilizadas en la presente
invención. Una red neuronal artificial 16 se entrena en un entorno
de aprendizaje y sintonía 10, con el uso de un conjunto de
entrenamiento de variables asociadas con el IAM 22 y sus tiempos de
medida correspondientes 24. Cada caso en el conjunto de aprendizaje
está clasificado y etiquetado con un código de clasificación del
paciente 26. Esta clasificación puede efectuarse de muchas formas,
basándose preferiblemente en las características del IAM
relacionadas con la clasificación clínica, opciones de manejo o
procedimientos del tratamiento. La red neuronal artificial entrenada
15 se sintoniza en un procedimiento descrito en la figura 2c. La
prevalencia y las especificaciones clínicas 13 se utilizan en la RNA
entrenada 15 en un procedimiento de sintonía 11 para formar una RNA
16 entrenada y sintonizada. A continuación se presenta un
procedimiento preferido para ejecutar esta sintonía.
El uso de una red neuronal artificial entrenada y
sintonizada 16 de acuerdo con la presente invención proporciona
unos algoritmos de decisión basados en la RNA, mostrándose
esquemáticamente en la figura 2b. En el uso de las redes neuronales
artificiales entrenadas y sintonizadas 16, se proporcionan conjuntos
sucesivos de variables del IAM 30 para el paciente sometido a
investigación. Estos conjuntos 30 de variables están asociados con
un cierto tiempo de medida 28, que se introduce en las redes
neuronales entrenadas y sintonizadas 16. Las redes neuronales
artificiales entrenadas 16 generan zonas de decisión 32 expresadas
en el espacio de las variables asociadas con el IAM. Las zonas de
decisión 32 corresponden a los códigos de clasificación del conjunto
de aprendizaje. Las zonas de decisión 32 se visualizan
preferiblemente en forma gráfica en diagramas de dos dimensiones.
Esta visualización se discutirá más adelante con más detalle. Los
valores variables 30 del paciente bajo la investigación presente
están relacionados con las zonas 32, que proporcionan una indicación
de la clasificación 34 preferida para el paciente. Adicionalmente,
la posición del "punto de medida" que representan los valores
variables 30, con respecto a las zonas de decisión vecinas,
proporciona información sobre la certidumbre de la categorización.
La generación explícita de las zonas de decisión 32 proporciona por
tanto una información útil adicional.
Existen estructuras de RNA, por ejemplo, el
perceptrón de capa múltiple-única, que no gestionan explícitamente
el tiempo. En tal caso, no es necesario introducir el tiempo de
medida.
En una realización alternativa, mostrada en la
figura 3a, las redes neuronales artificiales 10 se adiestran
adicionalmente con el uso de los parámetros 38 del IAM específico
del paciente, por ejemplo, parámetros derivados de las medidas de
ECG/VCG iniciales, edad, sexo, factores de riesgo, estado de salud
presente o historial de enfermedades. Los factores de riesgo pueden
estar relacionados, por ejemplo, con el fumar o la diabetes. Estos
parámetros del IAM 38 son válidos a través de la totalidad de la
serie de tiempos de los conjuntos de medidas de las variables del
IAM. En la práctica, según se muestra en la figura 3b, el mismo tipo
de parámetros 40 del IAM se miden para el paciente sometido a la
investigación. Los parámetros 40 del IAM se proporcionan a las redes
neuronales artificiales adiestradas y sintonizadas 16 corno
parámetros de entrada válidos a través del periodo completo de
investigación. Las zonas de decisión 32, generadas por las redes
neuronales artificiales 16, dependen también de los valores de estos
parámetros específicos 40 del paciente.
En una realización preferida de la figura 3c con
respecto a la visualización, se emplean solo dos variables del IAM,
denominadas como variables de visualización del IAM, para desplegar
un diagrama de visualización, en que se visualizan las zonas de
decisión. Las otras n-2 variables del IAM
adicionales 42 y parámetros del IAM 40, expuestas anteriormente, se
emplean para generar las zonas de decisión visualizadas realmente.
En la práctica, las variables del IAM adicionales 42 y los
parámetros del IAM 40 se miden y se suministran a las redes
neuronales entrenadas y sintonizadas 16. con el fin de especificar
las zonas de decisión relevantes 32 a generar en el caso individual
en un tiempo de medida específico. En otras palabras, se visualizan
varias zonas de decisión en un diagrama de dos dimensiones definido
por coordenadas de dos las variables del IAM. Los valores de las
dos variables se presenta como un punto en el diagrama de dos
dimensiones. Los valores de las restantes n-2
variables del IAM y los parámetros en el mismo punto del tiempo se
emplean para generar las zonas de decisión.
Los códigos de clasificación 26 de los conjuntos
de adiestramiento y de las zonas de decisión 32 relacionadas pueden
estar basados en varias consideraciones. Preferiblemente, el
agrupamiento deberá tener una conexión íntima con el manejo u otros
aspectos clínicos. Una posible categorización es clasificar a los
pacientes en grupos con las denominaciones de "no IAM", "IAM
menor", "IAM medio" y "IAM notable". Con respecto a
las variables IAM que comprenden los marcadores bioquímicos para el
IAM, un paciente puede ser clasificado durante la monitorización,
por ejemplo, como que tiene "al menos un IAM menor" si la
concentración de pico de P-CKMB se pronostica que
excede a 2 unidades URL (unidades de límite de referencia superior),
"al menos un IAM medio" si la concentración de pico de
P-CKMB se pronostica que excede de 5 unidades URL, y
un "IAM" notable si la concentración de P-CKMB
se pronostica que excede de 10 unidades URL. Por el contrario, el
paciente se clasifica como que tiene un "no IAM" o que es
"incierto" hasta que, por ejemplo, el tiempo predefmido haya
transcurrido desde la medida inicial. Tales zonas de decisión son
de interés para el médico al decidir un manejo apropiado del
paciente.
Son también posibles otros grupos de
clasificación. Los pacientes de los conjuntos de adiestramiento,
por ejemplo, podrían ser agrupados con respecto al tratamiento que
se considere como el apropiado.
Es posible también adiestrar y sintonizar
diferentes redes neuronales artificiales en los mismos conjuntos de
variables, pero con diferentes códigos de clasificación. Tales RNA
pueden ser utilizadas después en paralelo. El médico que utilice el
sistema puede entonces seleccionar el conjunto de zonas de decisión
que necesite utilizar, dependiendo de la especialidad y experiencia
individuales.
Una de las partes más esenciales del primer
aspecto de la presente invención es la generación y visualización
de las zonas de decisión, según se describió brevemente con
antelación. En el uso de una red neuronal artificial convencional
para la clasificación, la red neuronal artificial crea una salida, y
se compara con un valor de umbral. Si la salida se encuentra por
encima del umbral, se selecciona una clasificación cierta, de lo
contrario se selecciona otra clasificación. Según se muestra en la
figura 4a, la red neuronal artificial de acuerdo con la presente
invención calcula en su lugar las zonas de decisión. En la figura
4a, las zonas se expresan por medio de dos coordenadas variables,
por lo que una salida y de la red neuronal artificial es dependiente
de dos variables, es decir, una salida y(v1, v2). Las zonas
de decisión diferentes se determinan entonces mediante la relación
y(v1, v2) > h, en donde h es un valor de umbral. Este
valor de umbral está indicado como el plano 54 dibujado en la figura
4a. A partir de la figura, es fácilmente distinguible que la zona 52
está presente en la esquina inferiorizquierda, en que la superficie
correspondiente a y(v1, v2) está posicionada por debajo del
plano de umbral 54, y estando presente otra zona de decisión 50 a la
derecha y/o en la parte superior, en que la superficie está
presente por encima del plano de umbral 54. La medida de v1 y v2
corresponde entonces a un punto cierto en el plano
v1-v2, y relacionado por tanto con una de las zonas.
La proximidad de la posición del punto hasta el límite de la zona de
decisión proporciona ciertos detalles sobre la precisión de la
asignación en que se encuentra la zona de decisión.
En la utilización de un algoritmo de decisión
basado en tres redes neuronales artificiales para la clasificación
y visualización de un paciente en términos de "no IAM", "IAM
menor", y "IAM notable", las zonas de decisión
correspondientes son las mostradas en la figura 4b. Las zonas de
decisión están proyectadas aquí sobre el plano
v1-v2. El punto correspondiente a la medida en curso
puede ser presentado gráficamente en este diagrama, conjuntamente
por ejemplo con sus límites de fiabilidad del 95%. La posición y
distancia a las zonas de decisión vecinas se interpretan entonces
como una clasificación e incertidumbre, respectivamente, y que se
utilizan como soporte de la decisión.
Matemáticamente, el procedimiento puede ser
expresado de la forma siguiente. Un modelo de red neuronal
artificial y = g (x, \Theta), en donde x = [x_{0}x_{1} ...
x_{l}] es el vector de entrada del conjunto de I variables de
entrada, y en que los parámetros ajustables (pesos y sesgo) están
representados por \Theta = [w_{0}w_{1} ... w_{l}] (x_{0} =
1 para denotar convenientemente cualquier el término del sesgo como
w_{0}), pudiendo utilizarse en una regla de decisión d mediante la
definición de un umbral de decisión h_{dec}:
Cuando una red neuronal artificial se emplea para
el reglado o no reglado de las condiciones del paciente que se
están desarrollando durante el curso de las medidas, se analizan las
medidas temporizadas. La regla de decisión d puede ser
entonces modificada de forma que h_{dec} sea el umbral de
la decisión con el que el valor de la salida de la RNA se compare, y
t_{mon} sea un tiempo de monitorización predefinido. Si la
salida excede a h_{dec} se generará una clasificación
positiva ("reglado"). Por el contrario, el tiempo de medida en
curso se compara con t_{mon}. Si el tiempo en curso es
superior a t_{mon}, se generará una clasificación negativa
(no reglado), mientras que si es menor que t_{mon}, el
algoritmo RNA indicará que no puede generarse todavía una
clasificación definitiva, y recomendando la ejecución de medidas
adicionales.
Los límites de la zona de decisión son
hiperplanos h_{dec} = g(x,\Theta) en el espacio de
IAM-variable/parámetro de la entrada de I
dimensiones, y definen las zonas de decisión con las dos categorías
del IAM.
Una red neuronal artificial entrenada deberá ser
en general sintonizada para dar un rendimiento aceptable en el
entorno en curso en que se vaya a utilizar. Una red neuronal
artificial, entrenada con un cierto conjunto de medidas se configura
a través de un procedimiento de sintonización (véase la figura
2c).
De acuerdo con un segundo aspecto de la
invención, las clasificaciones generadas por el algoritmo de
decisión basado en la RNA (red neuronal artificial) pueden
sintonizarse con el fin de satisfacer los requisitos médicos
especificados en el lugar de la utilización. Estos requisitos se
expresan como valores predictivos mínimos requeridos positivos y
negativos, dada la prevalencia en curso de la enfermedad. Se
consigue mediante la cuidadosa determinación de dos parámetros en el
algoritmo de la RNA, h_{dec} y t_{mon}
Un cálculo básico que se utilizará en el
procedimiento siguiente es la determinación del parámetro de umbral
h_{dec} de forma que el algoritmo de la RNA ejecute la
clasificación con un cierto y deseado "nivel sintonizado de
especificidad", especs_{sintonizada}, para un periodo fijo de
monitorizado t_{mon}. Se determina como sigue:
(1)h_{dec} =
arg \ min \ \{espec \ (t_{mon,} h) \geq
espec_{sintonizada}\}
en donde espec(t, h)
representa la especificidad acumulada calculada en el conjunto de
aprendizaje en el instante t después del inicio de las medidas
utilizando el umbral
h.
El procedimiento para la configuración de los
parámetros h_{dec} y t_{mon} en el algoritmo de
decisión de la RNA, de forma que se satisfaga la especificación del
requisito médico, es como sigue: La prevalencia de la condición
patológica (por ejemplo, el IAM) tiene que ser conocida, y los
requisitos clínicos para el tiempo de monitorización máximo
t_{mon} y los valores predictivos mínimos positivos y
negativos tiene que especificarse en el inicio. El algoritmo de la
RNA se sintoniza entonces para diferentes especificidades en el
intervalo del interés clínico, por ejemplo, especs_{sintonizada}
= (0,80 ... 1,00) utilizando la ecuación (1). Cada nivel de
resultados de especificidad sintonizada da lugar a un valor
correspondiente de h_{dec}. Las sensibilidades y
especificidades del diagnóstico real de las medidas consecutivas se
calculan entonces, utilizando los resultados del algoritmo de la RNA
al ser aplicadas a un conjunto de pruebas independientes. Esto se
ejecuta para todos los niveles de "especificidad
sintonizada".
Mediante la utilización de una prevalencia
conocida a priori de la enfermedad y de las especificidades
del diagnóstico actual y de las sensibilidades para las
especificidades sintonizadas, pueden ser calculados también los
valores correspondientes actuales de predicción positivos y
negativos, correspondientes a cada una de las especificidades
sintonizadas seleccionadas. Con el fin de seleccionar un compromiso
correcto entre los valores predictivos positivos y negativos, los
valores predictivos se representan preferiblemente en forma gráfica
como funciones de la especificidad. A partir de este gráfico y de
los valores predictivos mínimos requeridos médicamente, se determina
un nivel "óptimo" de la especificidad sintonizada. Esto
proporciona directamente el valor de h_{opt}
correspondiente. A continuación de este procedimiento descrito, se
determinan los parámetros del algoritmo de la RNA de forma tal que
la eficiencia de diagnosis satisfaga clínicamente los requisitos
relevantes sobre los valores predictivos. Si la eficiencia no es
aceptable para cualquier nivel de especificidad, t_{mon}
tiene que incrementarse, lo que da lugar a una eficiencia
incrementada del diagnóstico con el costo de un tiempo más largo de
monitorización. Se repiten entonces los pasos anteriores.
El anterior procedimiento de sintonización puede
ser mostrado mediante el diagrama de flujo de la figura 5. El
procedimiento se inicia en la etapa 100. En la etapa 102, se
especifica el tiempo de monitorización máximo t_{mon}. Se
establece en la etapa 104 una relación entre la especificidad
sintonizada y h_{dec}. En la etapa 106 se emplea un
conjunto de pruebas para calcular la especificidad actual y la
sensibilidad. En la etapa 107 se calculan los valores predictivos
correspondientes para la prevalencia actual, utilizando el conjunto
de pruebas. Los valores predictivos se representan gráficamente
como funciones de la especificidad en la etapa 108, y a partir de
este gráfico y de los requisitos clínicos sobre los valores
predictivos, se decide en la etapa 110 si es posible satisfacer los
requisitos. Si los requisitos no se satisfacen, el procedimiento
continua en la etapa 116, en que t_{mon} se incrementa. El
procedimiento completo se inicia entonces de nuevo en su totalidad
desde la etapa 102. Si es posible satisfacer los requisitos, se
determina un valor óptimo h_{opt} en la etapa 112. El
procedimiento se termina en la etapa 114.
Para más detalles de la ilustración véase la
figura 6. El valor predicitivo positivo en el ingreso PPV0h está
representado por la línea de trazo lleno, el valor predictivo
después de dos horas PPV2h está representado por la línea de trazos,
y el valor predictivo negativo después de dos horas NPV2h está
representado por la línea de puntos. En este caso, la prevalencia
del IAM se fijó igual a 0,30 y el tiempo de monitorización máximo
t_{mon} se fijó igual a 2 horas. Se supone además que un valor
predictivo positivo en el ingreso PPV > 0,85 y un valor
predictivo negativo después de dos horas NPV > 0,95 como lo
requerido clínicamente (representados por las líneas horizontales de
trazo lleno delgado en la figura 6). De acuerdo con la figura 6, la
eficacia del diagnostico requerida se consigue en este caso mediante
la selección de un alto nivel de especificidad igual a 0,94, que
corresponde a PPVOh = 0,89, PPV2h = 0,88 y NPV2h = 0,98 después de
sintonizar el algoritmo de decisión de la RNA.
Cada conjunto de variables utilizadas bien para
generar las zonas de decisión relevantes, o para ampliar el espacio
en que se expresan las zonas de decisión, están asociados con un
caso de un cierto tiempo. Esta "etiqueta" del tiempo es de
especial importancia para el aprendizaje de la red neuronal
artificial. El tiempo ideal sería el tiempo que haya transcurrido
desde el inicio del proceso del infarto. No obstante, puesto que
esto es desconocido, el tiempo transcurrido desde el inicio de los
síntomas de una posible IAM se emplea como referencia del tiempo.
Otra referencia del tiempo en la presentación de los resultados es
el tiempo desde el inicio de las medidas, usualmente el instante del
ingreso.
De acuerdo con un tercer aspecto de la invención,
las variables del IAM utilizadas en la red neuronal artificial
entrenada y sintonizada no solo se seleccionan a partir de
marcadores bioquímicos del IAM, sino también a partir de variables
derivadas de registros de ECG/VCG intermitentes/continuos.
Las ventajas en general del uso de marcadores
bioquímicos están descritas en la patente de los EE.UU. número
5690103. Los niveles de concentración de marcadores bioquimicos del
IAM se miden en la sangre en circulación de un paciente. En la
práctica, se recoge una muestra de sangre, y puede separarse también
en diferentes fracciones, tal como plasma, corspúsculos de sangre o
plaquetas. Los marcadores bioquímicos, que siguen al plasma, se
miden después. Preferiblemente, la primera medida de los niveles de
concentración se efectúa en el ingreso del paciente. Deberá
comprenderse que desde aquí en adelante la expresión de medida de
concentraciones de marcados bioquímicos significa el proceso
completo de toma de muestras de sangre y análisis de las muestras,
para determinar los niveles de concentración de los marcados
bioquímicos del IAM.
Existen importantes diferencias en las
propiedades de los marcadores bioquímicos del IAM en la actualidad,
por ejemplo, mioglobina, CK-MB, y
troponina-T. Los marcadores bioquímicos utilizados
se selecciona preferiblemente de forma que tengan diferentes
secuencias de aparición en el plasma después de un IAM. El
incremento de la concentración de la masa de hemoglobina puede
medirse en el plasma después de 1-2 horas
posteriores al inicio del infarto, mientras que la
CK-MB y la troponina-T comienzan a
incrementar después de 3-4 horas. La
troponina-T permanece elevada hasta tres semanas
después de un IAM, mientras que la CK-MB permanece
elevada durante 2-3 días y la mioglobina durante un
día. Para todos los tres marcadores la sensibilidad de diagnóstico
para el IAM es alta. Una elevación pequeña de la
troponina-T y de la CK-MB, indicando
un daño menor miocardial, puede ser detectada al menos en un 30% de
todos los pacientes con el diagnóstico de angina inestable de
acuerdo con los criterios convencionales. La mioglobina tiene una
deficiente especificidad de diagnóstico puesto que la mioglobina se
libera también a partir de daño del músculo esquelético. Otros
marcadores bioquímicos, que son de interés en relación con el IAM,
son por ejemplo la troponina I, glucofosforilasa BB, lactato
deshidrogenasa, y proteína de unión a ácido graso de tipo cardiaca
(h-FABP).
La mayoría de los departamentos que tratan con
pacientes con sospecha de IAM aplican actualmente los registros de
ECG o VCG intermitentes o continuos. El ECG inicial se emplea para
el reglado del IAM. No obstante, la mayoría de los pacientes que
llegan con dolor torácico no lo presentan con un ECG inicial de
diagnóstico.
En el arte previo, el reglado y el no reglado de
estos pacientes depende de las medidas repetidas de los marcadores
bioquimicos del IAM. No obstante, el preprocesamiento apropiado de
los registros de ECG/VCG pueden proporcionar parámetros derivados
del IAM y variables del IAM con tiempos registrados, que pueden
utilizarse además de las variables bioquímicas del IAM para mejorar
la eficiencia de los algoritmos de las RNA. Un ejemplo de
parámetros / variables del IAM derivados que son candidatos para
contribuir a la actuación de la RNA son la suma de las amplitudes de
ondas R, depresión ST máxima y duración media de la onda R en
derivaciones anteriores.
Las variables del ECG/VCG pueden utilizarse
fácilmente como las variables "adicionales" anteriormente
descritas, pero podrían aparecer también en principio como las
variables correspondientes a las coordenadas de las zonas de
decisión.
Dependiendo de la aplicación específica, existen
selecciones óptimas diferentes del tipo de una red neuronal
artificial. En un sistema que utilice solamente variables
bioquímicas del IAM, es una excelente selección los perceptrones de
una capa o de múltiples capas. Cuando se incluyen parámetros
específicos del paciente, un perceptrón monocapa con lógica difusa
("fuzzy") podría ser un buen candidato para la red neuronal
artificial. Las diferentes redes se describen brevemente más
adelante. Cualquier técnico especializado en el arte comprenderá que
las RNA distintas a las anteriormente mencionadas pueden ser
utilizadas también en la presente invención.
El perceptrón monocapa (SLP), denotado también
como regresión logística, es un modelo no lineal con un límite de
decisión lineal en el espacio vectorial de entrada. El valor de
salida y está dado por
en donde x = [x_{0} x_{1} ...
x_{l}] es el vector de entrada (con x_{0} = 1 para denotar
convenientemente el término del sesgo como w_{0}), y x_{1} ...
x_{l} es el conjunto de I variables de entrada. Los
parámetros ajustables (pesos y sesgo) se representan por \Theta =
[w_{0}w_{1} ... w_{l}]. F es una función sigmoidal con un
rango de valores (0,
1).
Se combinaron tres algoritmos de decisión basados
en una RNA entrenada y sintonizada (MSLP, SLP y SLP), para formar
un componente clave de un sistema de soporte de decisión (DSS), con
el fin de generar predicciones de "no IAM", "IAM menor",
"IAM medio" y "IAM notable". La figura 7 es un diagrama de
nivel superior que visualiza los procesos computacionales. El
procedimiento se inicia en la etapa 300. El proceso 302 representa
las medidas temporizadas de los marcadores de infarto en plasma de
un paciente con dolor torácico y sin ECG de diagnóstico al ingreso.
Estas medidas pueden ejecutarse con el uso de instrumentos
descentralizados disponibles comercialmente, con un tiempo corto
suficiente de retomo de los análisis, preferiblemente inferior a 20
minutos. Los resultados de estas medidas, valores de concentración
de masa plasmática de mioglobina y CKMB, se toman como valores de
entrada para la primera RNA, para generar zonas de decisión y
ejecutar la clasificación 303 con respecto al bloque 304 de "al
menos IAM menor". Si se genera una indicación negativa, el tiempo
t en curso se compara con el tiempo de monitorización
requerido t_{mon} 306. Si t \geq t_{mon}
se genera una predicción de "no IAM" 310. No obstante, si
t < t_{mon} el DSS indica "incertidumbre"
308, requiriendo medidas adicionales a ejecutar. Si la primera RNA
generó una indicación positiva de "al menos IAM menor" según se
decidió en la etapa 304, se ejecutará una nueva clasificación
utilizando la segunda RNA que genera zonas de decisión y que ejecuta
la clasificación 311 con respecto al bloque 312 de "al menos IAM
menor". Si se generó una indicación negativa, el tiempo en curso
t se compara con el tiempo de monitorización requerido
t_{mon} 314. Si t \geq t_{mon}, se genera
en 318 una predicción de IAM menor. No obstante, si t <
t_{mon}, el DSS predice el bloque 316 de "al menos IAM
menor", requiriendo medidas adicionales a ejecutar. Si la RNA
generó una indicación positiva de "al menos IAM medio" en la
etapa 312, se ejecuta una nueva clasificación utilizando la tercera
RNA que genera zonas de decisión y que ejecuta la clasificación 319
con respecto a un "IAM notable". Si se generó una indicación
negativa. Si se generó una indicación negativa, el tiempo en curso t
se compara con el tiempo de monitorización requerido
t_{mon}. Si t , se genera en 326 una predicción de
IAM medio. No obstante, si t < t_{mon}, el DSS
predice en la etapa 324 "al menos IAM medio", requiriendo
medidas adicionales a ejecutar. Si la tercera RNA generó una
indicación positiva de "IAM notable" como se decidió en la
etapa 320, se predice un "IAM notable" en la etapa 328, y el
procedimiento concluye en la etapa 330. Todas las etapas concluyen
cuando t \geq t_{mon} y el procedimiento total se
termina en la etapa 330.
De acuerdo con la presente invención, las
concentraciones de marcadores se representan gráficamente en el
plano P-mioglobina - P-CKMB. Las
zonas de decisión generadas por los tres algoritmos de decisión
basados en la RNA están superpuestas sobre dicho gráfico, para
conseguir una presentación gráfico de las predicciones generadas por
el DSS. Las zonas generadas, utilizando el tiempo desde el inicio en
el conjunto de variables de entrada, hacen necesario generar zonas
de decisión para cada medida. Los valores de los marcadores
normalizados (es decir, los valores divididos por sus límites de
referencias superiores para los individuos sanos, URL) pueden ser
representados gráficamente en dicho gráfico conjuntamente con sus
límites de fiabilidad respectivos del 95%, dando al usuario una
posibilidad de estimar la magnitud de la certidumbre del sistema en
sus predicciones, a partir de la posición del punto de medida en
relación con los límites de las zonas de decisión.
En las figuras 8a a 8c, se visualizan cuatro
zonas de decisión según lo generado por los tres algoritmos de
decisión basados en la RNA. Las cifras visualizan tres conjuntos de
medidas sucesivas de P-Mioglobina y
P-CKMB, normalizadas y representadas gráficamente
con sus intervalos de fiabilidad respectivos del 95%. La figura 8a
muestra la situación después de la primera medida. El punto 60
corresponde a los valores medidos de la P-Mioglobina
y P-CKMB de la primera medida efectuada en el
ingreso del paciente, que aparece dentro de la zona de una
indicación de "no IAM", pero puesto que el tiempo de
monitorización máximo no ha terminado se visualiza una "indicación
incierta" y las medidas continúan. Preferiblemente, se
proporciona un campo de texto 65, en que se presentan por escrito
las predicciones, indicaciones, tiempo de medida (desde el ingreso),
etc. El número de medidas está también indicadoen relación con punto
de medida. En la figura 8b, se muestra la situación en la segunda
medida 61. Después de dos conjuntos de medidas fue pronosticado
"al menos IAM menor". Puesto que el tiempo de monitorización
máximo no se alcanzó, las medidas continuaron. La figura 8c muestra
finalmente la situación cuando fue disponible la tercera medida 62,
y se pronosticó una "IAM notable". No fueron necesarias medidas
adicionales. Obsérvese que puesto que el tiempo de las medidas es
diferente, los límites de las zonas de decisión se modifican entre
cada una de las medidas, es decir, las zonas de decisión son
dinámicas y calculadas para cada paciente individual y tiempo de
medida.
Esta forma de representar las salidas generadas
por los algoritmos de decisión combinados de la RNA para la
predicción de la magnitud del infarto ayuda a explicar su
razonamiento.
En la figura 9, un diagrama de flujo muestra las
etapas básicas de la presente invención. El procedimiento se inicia
en la etapa 200. En la etapa 202 se miden las variables relacionadas
con el IAM. Las zonas de decisión se generan mediante una red
neuronal artificial en la etapa 204. Las variables medidas se
encuentran en la etapa 206 relacionadas con las zonas de decisión
generadas, proporcionando la indicación de infarto agudo de
miocardio de distinto nivel. El procedimiento concluye en la etapa
208.
Se comprenderá por los técnicos especializados en
el arte que pueden efectuarse varias modificaciones y cambios en la
presente invención sin desviarse del alcance de la misma, que se
define mediante las reivindicaciones adjuntas.
Claims (32)
1. Un procedimiento para proporcionar un soporte
de decisiones para la valoración precoz de pacientes con sospecha
de infarto agudo de miocardio (IAM), que comprende las etapas
de:
medir un conjunto de n variables relacionadas con
el IAM de un paciente al menos en un caso de tiempo de medida, en
que n \geq 2;
generar n zonas de decisión, en que m \geq 2,
en el espacio de n dimensiones de las mencionadas n variables por
medio al menos de una red neuronal artificial, entrenada en un
conjunto de entrenamiento de n variables medidas a partir de los m
grupos de clasificación de pacientes típicos; y
relacionar los valores de las mencionadas n
variables de un conjunto de medidas preenviado a las mencionadas m
zonas de decisión en el mencionado espacio de n dimensiones, con el
fin de indicar las características del IAM.
2. El procedimiento de acuerdo con la
reivindicación 1, comprendiendo además las etapas de:
visualizar gráficamente las mencionadas m zonas
de decisión y varios valores mencionados de las mencionadas n
variables del mencionado conjunto de medidas preenviado.
3. El procedimiento de acuerdo con la
reivindicación 1, en que las mencionadas m zonas de decisión
corresponden a los diferentes niveles del IAM.
4. El procedimiento de acuerdo con la
reivindicación 1, en que las mencionadas m zonas de decisión
corresponden a las diferentes opciones de manejo preferidas y/o
procedimientos de tratamiento.
5. El procedimiento de acuerdo con la
reivindicación 1, en que las mencionadas variables relacionadas con
el IAM se seleccionan a partir de la lista de:
concentraciones de marcadores bioquímicos del IAM
en la sangre en circulación del paciente; y
cantidades derivadas de los ECG/VCG
intermitentes/continuos.
6. El procedimiento de acuerdo con la
reivindicación 5, en que los mencionados marcadores bioquímicos se
seleccionan a partir de la lista de:
mioglobina,
creatin kinasa MB,
troponina T,
troponina I,
glicógeno fosforilasa BB,
lactato dehidrogenasa, y
proteína de unión a ácido graso de tipo cardíaco
(h-FABP).
7. El procedimiento de acuerdo con la
reivindicación 1, que comprende además la etapa de:
proporcionar el caso de tiempo del conjunto de
medidas presente en relación con el instante de inicio de los
síntomas a la red/redes neural/es artificial/es, en que la red
neuronal artificial mencionada está entrenada además con los
mencionados casos de tiempo de inicio relativo de los conjuntos de
medidas de las mencionadas n variables como una variable de entrada
adicional, por lo que la mencionada etapa de generación de zonas de
decisión está basada además en el caso del tiempo de inicio relativo
del presente conjunto de medidas.
8. El procedimiento de acuerdo con la
reivindicación 7, que comprende además las etapas de:
proporcionar parámetros específicos del paciente
a la mencionada red/es neuronal/es artificial/es, en que la
mencionada red neuronal artificial está entrenada además con
parámetros específicos del paciente, por lo que la mencionada etapa
de generación de zonas de decisión está basada además en los
mencionados parámetros específicos del paciente.
9. El procedimiento de acuerdo con la
reivindicación 8, en que al menos uno de los parámetros específicos
del paciente se selecciona de la lista de:
cantidades derivadas del ECG/VCG inicial,
sexo del paciente,
edad del paciente,
factores de riesgo del IAM,
estado de salud actual del paciente, y
historial anterior de enfermedades.
10. El procedimiento de acuerdo con la
reivindicación 2, en que:
las mencionadas m zonas de decisión están
visualizadas en un diagrama de k dimensiones definido mediante las
coordenadas de k de las mencionadas variables,
los valores de las mencionadas k variables del
mencionado conjunto de medidas en curso se visualizan como un punto
en el mencionado diagrama de k dimensiones; y
los valores de las n-k variables
restantes se utilizan para generar las mencionadas zonas de
decisión.
11. El procedimiento de acuerdo con la
reivindicación 10, en que k = 2.
12. El procedimiento de acuerdo con la
reivindicación 1, en que la red/es neuronal/es artificial/es se
selecciona/n a partir de un tipo seleccionado de la lista de:
perceptrón monocapa,
perceptrón de una sola capa y de múltiples capas,
y
perceptrón monocapa con variables de entrada con
lógica difusa ("fuzzy").
13. El procedimiento de acuerdo con la
reivindicación 10, en que las zonas de fiabilidad de los
mencionados valores de las mencionadas k variables del mencionado
conjunto de medidas presentes se visualizan como una superficie en
el mencionado diagrama de k dimensiones.
14. El procedimiento de acuerdo con la
reivindicación 1, que comprende además la etapa de:
sintonizar la ejecución de la mencionada red/es
neuronal/es artificial/es a los requisitos clínicos sobre los
valores predictivos de salida en situaciones dadas de
prevalencia.
15. Un procedimiento para proporcionar un soporte
de decisiones para la valoración precoz de los pacientes con
sospecha de infarto agudo de miocardio (IAM), que comprende las
etapas de:
medir un conjunto de n variables relacionadas con
el IAM de un paciente en al menos un caso de medida de tiempo, en
que n \geq 2;
generar una clasificación del mencionado paciente
por medio de al menos una red neuronal artificial, entrenada sobre
un conjunto de entrenamiento de n variables medidas a partir de m
grupos de clasificación de pacientes típicos, en que m \geq 2;
y
en que al menos una de las mencionadas variables
relacionadas con el IAM es una cantidad derivada de los ECGNCG
intermitentes / continuos.
16. Un procedimiento para proporcionar un soporte
de decisiones para la valoración precoz de pacientes con sospecha
de infarto agudo de miocardio (IAM), que comprende las etapas
de:
medir un conjunto de n variables relacionadas con
el IAM de un paciente en al menos un caso de medida de tiempo, en
que n\geq 2;
generar una clasificación del mencionado paciente
por medio de al menos una red neuronal artificial, entrenada sobre
un conjunto de entrenamiento de n variables medidas a partir de
grupos de clasificación de pacientes típicos; y
sintonizar la ejecución de la mencionada red/es
neuronal/es artificial/es a los requisitos clínicos sobre los
valores predictivos de la salida de la red neuronal artificial en
situadas de prevalencia dadas.
\newpage
17. Un dispositivo para proporcionar un soporte
de decisión para la valoración precoz de pacientes con sospecha de
infarto agudo de miocardio (IAM), que comprende:
al menos una red neuronal artificial, entrenada
en un conjunto de entrenamiento de n variables medidas relacionadas
con el IAM a partir de m grupos de clasificación de pacientes
típicos, y configurados para generar al menos n zonas de decisión en
el espacio de n dimensiones de las mencionadas n variables, en que
n, m \geq 2;
medios para introducir un conjunto presente de n
valores medidos de variables relacionadas con el IAM de un paciente
a partir de al menos un caso de tiempo de medida;
medios para relacionar los mencionados n valores
del mencionado conjunto de medida presente con las mencionadas n
zonas de decisión en el mencionado espacio de n dimensiones, para
indicar las características del IAM.
18. El dispositivo de acuerdo con la
reivindicación 17, que comprende además: medios gráficos para
visualizar las mencionadas m zonas de decisión y varios n valores
mencionados del mencionado conjunto de medidas presente.
19. El dispositivo de acuerdo con la
reivindicación 17, en que las mencionadas m zonas de decisión
corresponden a unos IAM de diferentes niveles.
20. El dispositivo de acuerdo con la
reivindicación 17, en que las mencionadas m zonas de decisión
corresponden a diferentes opciones de manejo preferidas y/o
procedimientos de tratamiento.
21. El dispositivo de acuerdo con la
reivindicación 17, en que las mencionadas variables relacionadas
con el IAM se seleccionan a partir de la lista de:
concentraciones de marcadores bioquímicos del IAM
en la sangre en circulación del paciente; y
cantidades derivadas del ECG/VCG intermitente /
continuo.
22. El dispositivo de acuerdo con la
reivindicación 21, en que los mencionados marcadores bioquímicos se
seleccionan a partir de la lista de:
mioglobina,
creatin kinasa MB,
troponina T,
troponina I,
glicógeno fosforilasa BB,
lactato dehidrogenasa, y
proteína de unión a ácido graso de tipo cardíaco
(h-FABP).
23. El dispositivo de acuerdo con la
reivindicación 17, que comprende además:
medios para proporcionar el caso de tiempo del
presente conjunto de medidas en relación al tiempo desde el inicio
de los síntomas a la mencionada red/es neuronal/es artificial/es, en
que la mencionada red neuronal artificial está además entrenada con
casos de tiempo de inicio relativos de conjuntos de medidas de las
mencionadas n variables, por lo que la generación de las zonas de
decisión de la mencionada red neuronal artificial está basada además
en el caso del tiempo de inicio relativo del presente conjunto de
medidas.
24. El dispositivo de acuerdo con la
reivindicación 23, que comprende además:
medios para proporcionar parámetros específicos
del paciente a la mencionada red/es neuronal/es artificial/es, en
que la mencionada red neuronal artificial está entrenada además con
parámetros específicos del paciente, por lo que la generación de las
zonas de decisión de la mencionada red neuronal artificial está
basada además en los parámetros específicos del paciente.
25. El dispositivo de acuerdo con la
reivindicación 24, en que al menos uno de los mencionados
parámetros específicos del paciente se selecciona a partir de la
lista de:
cantidades derivadas del ECG/VCG inicial,
sexo del paciente,
edad del paciente,
factores de riesgo del IAM,
estado de salud actual del paciente, y
historial anterior de enfermedades.
26. El dispositivo de acuerdo con la
reivindicación 18, en que los mencionados medios gráficos
comprenden:
medios para visualizar las mencionadas m zonas de
decisión en un diagrama de k dimensiones, definido por las
coordenadas de k de las mencionadas variables,
medios para visualizar los valores de las
mencionadas k variables del mencionado conjunto de medidas presente
como un punto en el mencionado diagrama de k dimensiones, y
en que la mencionada red/es neuronal/es
artificial/es se configura para generar las mencionadas m zonas de
decisión basándose en los restantes valores de las
n-k variables.
27. El dispositivo de acuerdo con la
reivindicación 26, en que k = 2.
28. El dispositivo de acuerdo con la
reivindicación 17, en que la mencionada red/es neuronal/es
artificial/es es de un tipo seleccionado a partir de la lista
de:
perceptrón monocapa,
perceptrón de una sola capa y de múltiples capas,
y
perceptrón monocapa con variables de entrada con
lógica difusa ("fuzzy").
29. El dispositivo de acuerdo con la
reivindicación 26, en que los mencionados medios gráficos
comprenden medios para visualizar las zonas de fiabilidad de los
mencionados valores en las mencionadas k variables del mencionado
conjunto de medidas presente como una superficie en el mencionado
diagrama de k dimensiones.
30. El dispositivo de acuerdo con la
reivindicación 17, que comprende además:
medios para sintonizar la ejecución de la red/es
neuronal/es artificial/es a los requisitos clínicos en los valores
predictivos de salida en las situaciones dadas de prevalencia.
31. Un dispositivo para proporcionar un soporte
de decisión para la valoración precoz de pacientes con sospecha de
infarto agudo de miocardio (IAM), que comprende:
al menos una red neuronal artificial, entrenada
en un conjunto de entrenamiento de n variables medidas relacionadas
con el IAM a partir de n grupos de clasificación de pacientes
típicos, y configurados para clasificar el mencionado paciente, en
que n, m \geq 2;
medios para introducir un conjunto de los
mencionados n valores medidos relacionados con el IAM de un paciente
a partir de al menos un caso de tiempo de medida; y
en que al menos una de las mencionadas variables
relacionadas con el IAM es una cantidad derivada del ECG/VCG
intermitente / continuo.
32. Un dispositivo para proporcionar un soporte
de decisión para la valoración precoz de pacientes con sospecha de
infarto agudo de miocardio (IAM), que comprende:
al menos una red neuronal artificial, entrenada
en un conjunto de entrenamiento de n variables medidas relacionadas
con el IAM a partir de n grupos de clasificación de pacientes
típicos, y configurados para clasificar el mencionado paciente, en
que n, m \geq 2;
medios para introducir un conjunto preenviado de
los mencionados n valores medidos relacionados con el IAM de un
paciente, a partir de al menos un caso de tiempo de medida para
generar una clasificación del mencionado paciente; y
medios para sintonizar la ejecución de la
mencionada red/es neuronal/es/ artificial/es a los requisitos
clínicos en los valores predictivos de salida en situaciones dadas
de prevalencia.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US09/501233 | 2000-02-10 | ||
| US09/501,233 US6443889B1 (en) | 2000-02-10 | 2000-02-10 | Provision of decision support for acute myocardial infarction |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| ES2230976A1 ES2230976A1 (es) | 2005-05-01 |
| ES2230976B1 true ES2230976B1 (es) | 2006-07-16 |
Family
ID=23992659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES200250053A Expired - Fee Related ES2230976B1 (es) | 2000-02-10 | 2001-01-26 | Provision de soporte de decisiones para el infarto agudo de miocardio. |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US6443889B1 (es) |
| EP (1) | EP1257198A1 (es) |
| JP (1) | JP2003521986A (es) |
| AU (1) | AU2001230676A1 (es) |
| DE (1) | DE10195082T1 (es) |
| ES (1) | ES2230976B1 (es) |
| GB (1) | GB2373897B (es) |
| WO (1) | WO2001058350A1 (es) |
Families Citing this family (46)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7447643B1 (en) | 2000-09-21 | 2008-11-04 | Theradoc.Com, Inc. | Systems and methods for communicating between a decision-support system and one or more mobile information devices |
| AU2001275020A1 (en) | 2000-09-21 | 2002-04-02 | Theradoc.Com, Inc. | Systems and methods for manipulating medical data via a decision support system |
| US20040121350A1 (en) * | 2002-12-24 | 2004-06-24 | Biosite Incorporated | System and method for identifying a panel of indicators |
| US20030199000A1 (en) * | 2001-08-20 | 2003-10-23 | Valkirs Gunars E. | Diagnostic markers of stroke and cerebral injury and methods of use thereof |
| US20040253637A1 (en) * | 2001-04-13 | 2004-12-16 | Biosite Incorporated | Markers for differential diagnosis and methods of use thereof |
| US7713705B2 (en) * | 2002-12-24 | 2010-05-11 | Biosite, Inc. | Markers for differential diagnosis and methods of use thereof |
| US20040126767A1 (en) * | 2002-12-27 | 2004-07-01 | Biosite Incorporated | Method and system for disease detection using marker combinations |
| US20040203083A1 (en) * | 2001-04-13 | 2004-10-14 | Biosite, Inc. | Use of thrombus precursor protein and monocyte chemoattractant protein as diagnostic and prognostic indicators in vascular diseases |
| US7427490B2 (en) * | 2001-08-20 | 2008-09-23 | Biosite Incorporated | Diagnostic markers of stroke and cerebral injury and methods of use thereof |
| GB0113212D0 (en) * | 2001-05-31 | 2001-07-25 | Oxford Biosignals Ltd | Patient condition display |
| US20030037063A1 (en) * | 2001-08-10 | 2003-02-20 | Qlinx | Method and system for dynamic risk assessment, risk monitoring, and caseload management |
| US20040219509A1 (en) * | 2001-08-20 | 2004-11-04 | Biosite, Inc. | Diagnostic markers of stroke and cerebral injury and methods of use thereof |
| US7608406B2 (en) * | 2001-08-20 | 2009-10-27 | Biosite, Inc. | Diagnostic markers of stroke and cerebral injury and methods of use thereof |
| US20040209307A1 (en) * | 2001-08-20 | 2004-10-21 | Biosite Incorporated | Diagnostic markers of stroke and cerebral injury and methods of use thereof |
| US20030114763A1 (en) * | 2001-12-13 | 2003-06-19 | Reddy Shankara B. | Fusion of computerized medical data |
| US7230529B2 (en) * | 2003-02-07 | 2007-06-12 | Theradoc, Inc. | System, method, and computer program for interfacing an expert system to a clinical information system |
| WO2004100781A1 (en) * | 2003-05-14 | 2004-11-25 | Clinigene International Private Limited | Disease predictions |
| US7074194B2 (en) * | 2003-05-19 | 2006-07-11 | Ischemia Technologies, Inc. | Apparatus and method for risk stratification of patients with chest pain of suspected cardiac origin |
| JP5324743B2 (ja) | 2003-07-01 | 2013-10-23 | カーディオマグ イメージング、 インコーポレイテッド | 心磁図の分類のための機械学習の使用 |
| US7200435B2 (en) * | 2003-09-23 | 2007-04-03 | Cardiac Pacemakers, Inc. | Neural network based learning engine to adapt therapies |
| US20050071304A1 (en) * | 2003-09-29 | 2005-03-31 | Biotronik Mess-Und Therapiegeraete Gmbh & Co. | Apparatus for the classification of physiological events |
| US7162294B2 (en) | 2004-04-15 | 2007-01-09 | Ge Medical Systems Information Technologies, Inc. | System and method for correlating sleep apnea and sudden cardiac death |
| US7415304B2 (en) * | 2004-04-15 | 2008-08-19 | Ge Medical Systems Information Technologies, Inc. | System and method for correlating implant and non-implant data |
| US7272435B2 (en) * | 2004-04-15 | 2007-09-18 | Ge Medical Information Technologies, Inc. | System and method for sudden cardiac death prediction |
| US20050234354A1 (en) * | 2004-04-15 | 2005-10-20 | Rowlandson G I | System and method for assessing a patient's risk of sudden cardiac death |
| US8956292B2 (en) * | 2005-03-02 | 2015-02-17 | Spacelabs Healthcare Llc | Trending display of patient wellness |
| AU2006218595A1 (en) * | 2005-03-02 | 2006-09-08 | Spacelabs Medical | Trending display of patient wellness |
| EP1949279A1 (en) * | 2005-11-08 | 2008-07-30 | Koninklijke Philips Electronics N.V. | Method for detecting critical trends in multi-parameter patient monitoring and clinical data using clustering |
| US20070260631A1 (en) * | 2006-03-09 | 2007-11-08 | Microsoft Corporation | Embedded decision support |
| US20080221930A1 (en) | 2007-03-09 | 2008-09-11 | Spacelabs Medical, Inc. | Health data collection tool |
| US20080234072A1 (en) * | 2007-03-20 | 2008-09-25 | Anthony E. Seaman | Golf tee |
| WO2008145689A1 (en) * | 2007-05-29 | 2008-12-04 | F. Hoffmann La-Roche Ag | H-fabp as early predictor of myocardial infarction |
| JP5307141B2 (ja) * | 2007-09-13 | 2013-10-02 | エフ．ホフマン−ラ ロシュ アーゲー | 心筋梗塞の早期予測因子としてのミオグロビン |
| WO2010031070A2 (en) * | 2008-09-15 | 2010-03-18 | Masimo Corporation | Patient monitor including multi-parameter graphical display |
| MX2012004462A (es) | 2009-10-16 | 2012-06-27 | Spacelabs Healthcare Llc | Tubo de flujo de luz mejorado. |
| US9604020B2 (en) | 2009-10-16 | 2017-03-28 | Spacelabs Healthcare Llc | Integrated, extendable anesthesia system |
| BR112012023514B1 (pt) | 2010-03-21 | 2021-08-10 | Spacelabs Healthcare, Llc | Sistema de monitoração de beira de leito de múltiplas exibições |
| EP4020344A1 (en) | 2010-11-11 | 2022-06-29 | Zoll Medical Corporation | Acute care treatment systems dashboard |
| US9047747B2 (en) | 2010-11-19 | 2015-06-02 | Spacelabs Healthcare Llc | Dual serial bus interface |
| US9629566B2 (en) | 2011-03-11 | 2017-04-25 | Spacelabs Healthcare Llc | Methods and systems to determine multi-parameter managed alarm hierarchy during patient monitoring |
| US10987026B2 (en) | 2013-05-30 | 2021-04-27 | Spacelabs Healthcare Llc | Capnography module with automatic switching between mainstream and sidestream monitoring |
| US9775535B2 (en) | 2013-11-08 | 2017-10-03 | Spangler Scientific Llc | Non-invasive prediction of risk for sudden cardiac death |
| EP3223181B1 (en) | 2016-03-24 | 2019-12-18 | Sofradim Production | System and method of generating a model and simulating an effect on a surgical repair site |
| CN107887010A (zh) * | 2017-11-29 | 2018-04-06 | 天津中科爱乐芙医疗科技有限公司 | 一种心血管疾病数据采集与分诊平台 |
| CN110090012A (zh) * | 2019-03-15 | 2019-08-06 | 上海图灵医疗科技有限公司 | 一种基于机器学习的人体疾病检测方法及检测产品 |
| US11568991B1 (en) | 2020-07-23 | 2023-01-31 | Heart Input Output, Inc. | Medical diagnostic tool with neural model trained through machine learning for predicting coronary disease from ECG signals |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2040903C (en) * | 1991-04-22 | 2003-10-07 | John G. Sutherland | Neural networks |
| JP3081043B2 (ja) * | 1991-12-27 | 2000-08-28 | シスメックス株式会社 | 脳梗塞の診断方法 |
| DE4307545A1 (de) * | 1993-03-10 | 1994-09-15 | Siemens Ag | Gerät und Verfahren zur Bestimmung des Ortes und/oder der Ausdehnung von Ischämien und/oder Infarkten im Herzen eines Lebewesens |
| US5690103A (en) | 1996-06-20 | 1997-11-25 | Groth; Torgny Lars | Detection/exclusion of acute myocardial infarction using neural network analysis of measurements of biochemical markers |
| DE19820276A1 (de) * | 1998-05-07 | 1999-11-18 | Gerd Assmann | Berechnung des globalen Herzinfarktrisikos mittels neuronaler Netze aus Risikofaktoren |
-
2000
- 2000-02-10 US US09/501,233 patent/US6443889B1/en not_active Expired - Fee Related
-
2001
- 2001-01-26 JP JP2001557466A patent/JP2003521986A/ja active Pending
- 2001-01-26 ES ES200250053A patent/ES2230976B1/es not_active Expired - Fee Related
- 2001-01-26 WO PCT/SE2001/000147 patent/WO2001058350A1/en not_active IP Right Cessation
- 2001-01-26 AU AU2001230676A patent/AU2001230676A1/en not_active Abandoned
- 2001-01-26 EP EP01902912A patent/EP1257198A1/en not_active Withdrawn
- 2001-01-26 DE DE10195082T patent/DE10195082T1/de not_active Withdrawn
- 2001-01-26 GB GB0214973A patent/GB2373897B/en not_active Expired - Fee Related
Non-Patent Citations (3)
| Title |
|---|
| Clinical Chemistry, Volumen 42, Nº 4, 1996, JÖRGENSEN et al. "Use of neural networks to diagnose acute myocardial infarction. I. Methodology". Todo el documento. 31 * |
| Fourth International Conference on Pattern Recognition, Vol. 1, 1998, CHESTER ORNES et al. "A Visual Neural Network that Learns Perceptual Relationships". Resumen; figura 5. * |
| International Journal of Medical Informatics, Volumen 57, 2000, JOHAN ELLENIUS et al. "Methods for selection of adequate neural network structures with application to early assessment of chest pain patients by biochemical monitoring". Página 182, columna 1, líneas 13-32; página 186, columna 2 - página 190, columna 1. * |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2003521986A (ja) | 2003-07-22 |
| AU2001230676A1 (en) | 2001-08-20 |
| ES2230976A1 (es) | 2005-05-01 |
| WO2001058350A1 (en) | 2001-08-16 |
| US6443889B1 (en) | 2002-09-03 |
| GB2373897B (en) | 2004-05-12 |
| DE10195082T1 (de) | 2003-04-03 |
| EP1257198A1 (en) | 2002-11-20 |
| GB0214973D0 (en) | 2002-08-07 |
| GB2373897A (en) | 2002-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2230976B1 (es) | Provision de soporte de decisiones para el infarto agudo de miocardio. | |
| Shen et al. | Ambulatory atrial fibrillation monitoring using wearable photoplethysmography with deep learning | |
| US20200315518A1 (en) | Apparatus for processing data for predicting dementia through machine learning, method thereof, and recording medium storing the same | |
| KR102008196B1 (ko) | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 | |
| Dall’Olio et al. | Prediction of vascular aging based on smartphone acquired PPG signals | |
| Tjahjadi et al. | Noninvasive blood pressure classification based on photoplethysmography using k-nearest neighbors algorithm: a feasibility study | |
| Yoon et al. | Prediction of hypotension events with physiologic vital sign signatures in the intensive care unit | |
| JP2017530849A (ja) | 生理データに基づく患者の継続的な心拍出量（ｃｃｏ）を予測する方法およびシステム | |
| Ekong et al. | A fuzzy inference system for predicting depression risk levels | |
| Jemal et al. | Enhanced decision support systems in intensive care unit based on intuitionistic fuzzy sets | |
| Yi et al. | Continuous blood pressure measurement based on photoplethysmography | |
| Takale et al. | Analysis of Clinical Decision Support System in Healthcare Industry Using Machine Learning Approach | |
| Soangra et al. | Smartphone-based prediction model for postoperative cardiac surgery outcomes using preoperative gait and posture measures | |
| Bahadori et al. | Performance evaluation and ranking of selective wards in a military hospital using DEA and promethee method | |
| Roy et al. | Classification of ecg signals for iot-based smart healthcare applications using wban | |
| Soslow et al. | A clinical prediction model to estimate the risk for coarctation of the aorta in the presence of a patent ductus arteriosus | |
| Voisin et al. | Ambulatory atrial fibrillation monitoring using wearable photoplethysmography with deep learning | |
| Keserwani et al. | Real-Time Analysis of Wearable Sensor Data Using IoT and Machine Learning in Healthcare | |
| Jouini et al. | Predictive model for elderly dependency assessment in ambient assisted living | |
| Ismail et al. | A Comparative Study of Diabetes Classification Based on Machine Learning | |
| Li et al. | Can machine learning with data from wearable devices distinguish disease severity levels and generalise across patients? A pilot study in Mania and Depression | |
| Chitra et al. | Heart Disease and Chronic Kidney Disease Prediction based on Internet of Things using FRNN Algorithm | |
| Nie et al. | Temporal-spatial Correlation Attention Network for Clinical Data Analysis in Intensive Care Unit | |
| Eskandar et al. | Using Deep Learning for Assessment of Workers' Stress and Overload | |
| Ashita et al. | Prediction of Heart Diseases using Deep Learning: A Review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| EC2A | Search report published |
Date of ref document: 20050501 Kind code of ref document: A1 |
|
| FG2A | Definitive protection |
Ref document number: 2230976B1 Country of ref document: ES |
|
| FD1A | Patent lapsed |
Effective date: 20100312 |