JP2003521986A - 急性の心筋梗塞に対する診断支援方法及び装置 - Google Patents

急性の心筋梗塞に対する診断支援方法及び装置

Info

Publication number
JP2003521986A
JP2003521986A JP2001557466A JP2001557466A JP2003521986A JP 2003521986 A JP2003521986 A JP 2003521986A JP 2001557466 A JP2001557466 A JP 2001557466A JP 2001557466 A JP2001557466 A JP 2001557466A JP 2003521986 A JP2003521986 A JP 2003521986A
Authority
JP
Japan
Prior art keywords
ami
patient
decision
neural network
artificial neural
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.)
Pending
Application number
JP2001557466A
Other languages
English (en)
Inventor
グロス トーニィ
エレニウス ヨハン
Original Assignee
グロス トーニィ
エレニウス ヨハン
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by グロス トーニィ, エレニウス ヨハン filed Critical グロス トーニィ
Publication of JP2003521986A publication Critical patent/JP2003521986A/ja
Pending legal-status Critical Current

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)
  • Complex Calculations (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)

Abstract

(57)【要約】 【課題】 本発明は、ＡＭＩと関連するｎ個の入力変数によるｎ次元空間において、決定区分（３２）を生成するために少なくとも１つのトレーニング及び調整済み人工ニューラル・ネットワーク（１６）を利用する方法と装置を提供する。 【解決手段】 測定した変数（３０）のセットが、判定支援を提供するために決定区分（３２）と関連する。望ましくは決定区分（３２）は、二次元の図において区分として視覚化する。望ましくは人工ニューラル・ネットワーク（１６）は、患者の特定のパラメータによってトレーニングする。生化学的マーカーや量が連続または断続的なＥＣＧ／ＶＣＧに由来するので、ＡＭＩ（３０）と関連する変数には望ましいものを選ぶ。人工ニューラル・ネットワーク（１６）の関数は、与えられた罹患状況において人工ニューラル・ネットワーク出力の予測値上で、望ましい最適な臨床必要条件に合わせる。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】
本発明は、急性の心筋梗塞（ＡＭＩ）が疑われる場合の、患者の診断、管理、
処置に関し、特に、好ましい管理と処置の異なるオプションに関連する分類を行
うために患者を素早く診断することを可能にする判断支援の方法と装置に関する
。
【０００２】
【従来の技術及び発明が解決しようとする課題】
急性の心筋梗塞（ＡＭＩ）が疑われる患者の最適な管理と処置には、徴候が出
始まった後の１時間以内に素早く診断することが欠かせない。この点に付いては
、例えば国家心臓発作警報プログラムコーディネート委員会（Ｎａｔｉｏｎａｌ
Ｈｅａｒｔ Ａｔｔａｃｋ Ａｌｅｒｔ Ｐｒｏｇｒａｍ Ｃｏｏｒｄｉｎａ
ｔｉｎｇ Ｃｏｍｍｉｔｔｅｅ）の６０分処置専門調査委員会（６０ ｍｉｎｕ
ｔｅｓ ｔｏ Ｔｒｅａｔｍｅｎｔ Ｗｏｒｋｉｎｇ Ｇｒｏｕｐ）が文書化し
ている（Ａｎｎ Ｅｍｅｒｇ Ｍｅｄ誌、１９９４年第２３巻第３１１−３２９
頁）。入院時における最初のＥＣＧ記録中にＳＴ−上昇がある患者の診断は簡単
である。さらに、全てのＥＣＧ−リード中におけるＳＴ−上昇の総合計数は、危
険な心筋層を評価するのに適する。しかしながら、少なくともＡＭＩ患者の４０
％は、１２−リードＥＣＧが入院時の診断には用いられていない。これらの患者
については、臨床データと生化学マーカーの計測置に基づいて処置を始めなけれ
ばならないが、その手順に時間がかかるため、最近まで処置開始に遅れが生じて
いた。この種の患者では、梗塞サイズを素早く信頼性高く予測することが大変難
しい。胸の痛みで入院した患者の約６０から７０％は、ＡＭＩの危険性がかなり
低く、冠疾患病室（ＣＣＵ）外の一般室へ移してもよいことを早期に識別するこ
とによって、かなり経済的に助かるかもしれない。不安定なアンギナをもつ患者
の３０ないし５０％は、クレアチン・キナーゼＭＢやトロポニンＴのような感受
性生化学的マーカーに対して少し反応性の上昇がある。軽い心臓障害（ＭＭＤ）
という用語を、このような小さな上昇を示すために用いる。ＭＭＤは将来の心臓
事象の危険性増加を示すので、ＡＭＩを見つけるだけでなく、できるだけ早くＭ
ＭＤを見つけることも重要であろう。
【０００３】 このように、鋭い胸の痛みをもつ患者の早期管理と入院時の非診断ＥＣＧにお
いて、適当な措置をとるために言及されるべきいくつかの重要な問題がある。ま
ずＡＭＩの存在を判定しなければならない。ＡＭＩが存在するならば、最終的な
梗塞サイズを知っておくことが継続的な処置のために役に立つ。梗塞が実際に起
こった時もまた重要である。患者にはＡＭＩがなければ、患者のそれ以降の心臓
事象において危険が高いか、低いかを判定するのに有用である。臨床医は、患者
の病歴と物理的な状態、ＥＣＧと血液検査その他の検査結果を考慮しなければな
らない。この評価過程は、時間が掛かり、また臨床医の知識と経験に依存する。
生化学的測定値結果は、患者の将来の管理における重要な基礎となる。
【０００４】 入院当日におけるＡＭＩの生化学的マーカーの動的性質、例えばミオグロビン
、ＣＫＭＢ及び心臓トロポニンＴの性質に重要な違いがある。しかしながら、こ
れらの全てのマーカーは、異なる時間的尺度でＡＭＩを示す。トロポニンＴは非
常に遅い出現率を持つのに対して、少なくともミオグロビンは速い反応を示す。
複数のマーカーの測定値を組み合せて判断することが必要である。
【０００５】 人工ニューラル・ネットワークを用いているコンピュータシステムが、臨床デ
ータ（生化学的マーカーとＥＣＧ／ＶＣＧパラメータの測定値）に基づくＡＭＩ
発見に適用されている。Ｊｏｅｒｇｅｎｓｅｎ外は、Ｃｌｉｎ． Ｃｈｅｍ．誌
（１９９６年、第４２（４）巻、第６０４頁から第６１２頁及び第６１３頁から
第６１７頁に記載のように、最初のＥＣＧデータのいろいろな組み合せに向けた
ニューラル・ネットワーク診断機能と、入院時、入院後１２時間及び２４時間の
、ＣＫＢ、ＬＤ１及びカリウムの血清集中を調査した。最近の論文（Ｃｏｍｐ．
Ｂｉｏｍｅｄ． Ｒｅｓｅａｒｃｈ、 １９９８年、第３６巻、第５９−６９
頁）に記載のように、Ｓｕｎｅｍａｒｋ外は、２つのＥＣＧとＶＣＧの測定を結
合した人工ニューラル・ネットワークに基づく連続的ＶＣＧ／ＥＣＧ分析へのア
プローチを調査した。要するに、Ｓｕｎｅｍａｒｋ外やＪｏｅｒｇｅｎｓｅｎ外
によるニューラル・ネットワークの適用は、入院時の非診断ＥＣＧを伴う胸の痛
みを有する患者の早期ＡＭＩサイズ予測問題について言及していない。
【０００６】 米国特許第５，６９０，１０３号において、生化学的マーカーの測定値の人工
ニューラル・ネットワーク（ＡＮＮ）分析を使って急性の心筋梗塞を発見または
除外する方法と装置が開示されている。同特許の全ての発明は、ＡＭＩが疑われ
る患者を、ＡＭＩか非ＡＭＩ、梗塞サイズ、梗塞の始まりからの時間、小さな心
臓損害（ＭＭＤ）を伴うか伴わないかで分類する。基本的なカテゴリー化は、入
院後の最初の１時間における頻繁な血液サンプリングと、血液循環における出現
率が異なるＡＭＩの選択した生化学マーカーの測定値に基づいて行う。特別に設
計された人工ニューラル・ネットワークを使うことによって計算を実行する。急
性心筋梗塞の早期発見／除外は、一般に患者の入院から３時間以内に提供される
。さらに、「主たる梗塞サイズ」の早期予測と梗塞の始まりからの時間の早期評
価も提供する。
【０００７】 この専門分野では時間が非常に重大であることが理解されよう。マーカー集中
パターンについては、入院から１２時間から２４時間経過後、臨床医がニューラ
ル・ネットワークの支援を使わずに簡単にＡＭＩを査定することができると一般
に言われている。しかしながら入院から１２時間後には、例えば血栓溶解処置の
利点は非常に低くなる。測定値評価と判定は、患者の入院後、最初の数時間以内
になされなければならない。
【０００８】 上記米国特許の方法と装置は、ＡＭＩと関連して早期の信頼できる発見、予測
及び評価を提供することについて大きな進展を与える。上記特許の新技術は満足
な状態で機能するが、そこにはまだ、医学的な意志決定支援システムにこの種の
人工ニューラル・ネットワークを組み合わせることと、指定された医学的に必要
な条件による新しい環境で機能するそのようなシステムの移行に関しては問題が
残る。
【０００９】 本発明は、患者の急性心筋梗塞（ＡＭＩ）が疑わしい場合のさらに早期の評価
に対する判定支援の質を人工ニューラル・ネットワークを使うことによって改善
することを目的とする。また本発明は、管理オプションと処置手順に関して、Ａ
ＭＩと関連する測定変数をＡＭＩ分類群の部位に関係付けること、特にそのよう
な関係を視覚化することを目的とする。さらに本発明は、種々の罹患状況におい
て予測される梗塞サイズを正確に把握することとＡＭＩ分類群の対応について臨
床必要条件を満たすように調整された人工ニューラル・ネットワークを提供する
ことを目的とする。またさらに本発明は、断続的なおよび／または連続するＥＣ
Ｇ／ＶＣＧ測定に由来するＡＭＩと関連する変数を利用した人工ニューラル・ネ
ットワークを提供することを目的とする。
【００１０】
【課題を解決するための手段】
上記目的は、本願の請求項に記載の方法と装置によって達成される。
【００１１】 一般的な意味では、本発明の一つの面としては、ＡＭＩに関するｎ個の入力変
数によるｎ次元空間に決定区分を生成するために、少なくとも一つのトレーニン
グ及び調整した人工ニューラル・ネットワークを使用するための方法と装置を提
供するものである。特定の時間段階、すなわちｎ次元空間中の一点で測定した変
数のセットは、判定支援を提供するための決定区分と関連する。好ましくは、パ
ラメータ化された二次元の図に、独立変数としての２つの主要変数でこのような
決定区分を視覚化する。残るｎ−２個の入力変数の値は、対応するパラメータで
ある。好ましくは、２つの主要変数は、生化学的ＡＭＩマーカーである。図に示
される選択された複数の測定変数値の集合を表す点の位置は、推奨される分類の
簡単な解釈済みの指示を与え、そのうえ近隣の決定区分に対する近さの情報を与
える。好ましくは、この人工ニューラル・ネットワークを、患者の特定のパラメ
ータと同様に、特定の時間段階におけるＡＭＩと関連する変数の測定値の集合を
使用してトレーニングする。
【００１２】 本発明の他の面によれば、本発明はＡＭＩと関連するｎ個の入力変数に基づく
判定支援を生じさせることができる少なくとも１つの人工ニューラル・ネットワ
ークを規定する方法と装置を提供する。人工ニューラル・ネットワークの関数は
、与えられた罹患状況における人工ニューラル・ネットワークをベースとする分
類の予測値上で最適な臨床必要条件に合わせる。
【００１３】 さらに本発明のもう一つの面によれば、本発明はＡＭＩと関連するｎ個の入力
変数に基づく判定支援を生じさせることができる少なくとも１つの人工ニューラ
ル・ネットワークを利用する方法と装置を提供する。ＡＭＩと関連する変数のう
ちの少なくとも一つは、断続的または連続するＥＣＧまたはＶＣＧ記録に由来す
る。
【００１４】 本発明は、急性心筋梗塞が疑われる患者の評価において、看護婦や臨床医によ
って使用され得る判定支援であって、患者の管理に対する判定支援に関すること
を理解することが重要である。
【００１５】
【発明の実施の形態】
鋭い胸の痛みをもつ患者の早期評価と管理において取るべき基準には種々異な
るものが存在する。患者は通常、入院時にまずＥＣＧ／ＶＣＧ（心電図／ベクト
ル心電図）測定値によって検査される。しかしながら多くの患者にとって、たと
えＡＭＩが存在するとしても、入院時のＥＣＧは診断ではない。その場合、生化
学的モニタリングが必要である。臨床医は、さらに患者の世代と性、病歴、現状
を考慮しなければならない。例えば、患者が危険グループ（例えばスモーカーま
たは糖尿病患者）に属するかどうか等である。さらに、例えば血液循環テスト等
、一連の生化学的テストを通常は実行する。血液に関しては、ＡＭＩの生化学的
マーカーの集中が特に関心をひく。このような血液検査を間欠的に繰り返して生
化学的マーカーを集中させる。またほとんどの場合、患者を連続ＥＣＧまたはＶ
ＣＧモニタリング・システムに接続する。臨床医は、できるだけ早く利用可能な
情報に基づいて患者の管理について決定をしなければならない。この意思決定プ
ロセスは臨床医の知識と経験に大きく依存し、決定までに時間がかかり得る。患
者に関しては、どのような処置でも開始時間が非常に重要である。入院後の数時
間は、生化学的マーカーの測定値について完全に理解していれば、患者の状態を
ほぼ完全に把握できるが、処置が始められなければ、多くの場合、初期に患者の
状態を把握していたことの潜在的な利点がほとんどなくなる。
【００１６】 本発明では、人工ニューラル・ネットワーク（ＡＮＮ）という語は、予め分類
した例における代表的な集合についてトレーニングした計算構造を言う。実際の
使用において、ニューラル・ネットワークは未知のケースを分類するために用い
る。ニューラル・ネットワークの分類に関する追加的な技術背景としては、Ｊ．
Ｒ． Ｓｔａｔｉｓｔ．協会Ｂ １９９４； ５６（３）：ページ４０９−４
５６で、リプリーＢ．Ｄ．によって「ニューラル・ネットワークとその分類に関
連する方法」をチェックすることによって得ることができるものがある。
【００１７】 米国特許第５，６９０，１０３号においては、人工ニューラル・ネットワーク
を、早期発見／除外、予測及びＡＭＩ関連特徴の評価に使っている。この米国特
許第５，６９０，１０３号の記載は、完全に本明細書の内容を構成する。図１（
ａ）は、米国特許第５，６９０，１０３号による人工ニューラル・ネットワーク
のトレーニング・プロセスを示す。ＡＭＩの生化学的マーカーの測定値群１は、
トレーニング環境９で人工ニューラル・ネットワークをトレーニングするのに用
いる。トレーニング・セット１２は、例えばＡＭＩ／非ＡＭＩのトレーニング分
類コード１４と関連する。トレーニング済みの人工ニューラル・ネットワーク１
５は、その後、患者を分類するのに関係する生化学的マーカーのセットに対応す
る。
【００１８】 図１（ｂ）は、使用中の図１（ａ）に示すトレーニング済み人工ニューラル・
ネットワーク１５を示す。複数のＡＭＩの生化学的マーカーの連続する測定値群
１８は、トレーニング済み人工ニューラル・ネットワーク１５への入力とする。
出力は、入力情報から見て患者の最も見込みがある分類２０を与える。この分類
２０だけでなく、ＡＭＩの指示、非ＡＭＩの指示またはさらに測定を必要とする
「不確実な状態」の指示という結果を得られる。
【００１９】 図２（ａ）は、本発明において使用する人工ニューラル・ネットワークのトレ
ーニングを示す。人工ニューラル・ネットワーク１６は、ＡＭＩ２２とそれに対
応する測定時間２４に関連する変数のトレーニング・セットを使用してトレーニ
ング・調整環境１０においてトレーニングする。トレーニング・セット内では、
ケースごとに予備分類を行い、患者の分類コード２６を付与する。この分類はさ
まざまな方法で、望ましくは臨床分類、管理オプションまたは処置手順と関連す
るＡＭＩの特徴に基づいて実行できる。トレーニングした人工ニューラル・ネッ
トワーク１５は、図２ｃで示す手順で調整する。罹患状況と臨床必要条件仕様１
３を、調整手順１１においてトレーニングしたＡＮＮ １５に使用してトレーニ
ング及び調整済みＡＮＮ１６を作り上げる。この調整を実行するための好ましい
手順を以下に示す。本発明に係るトレーニング及び調整済み人工ニューラル・ネ
ットワーク１６の使用は、図２ｂで概略的に示すように、ＡＮＮに基づく決定ア
ルゴリズムを提供する。
【００２０】 トレーニング及び調整済み人工ニューラル・ネットワーク１６の使用には、Ａ
ＭＩと関連する変数の測定値に基づきまたは由来するＡＭＩ変数３０の連続した
セットを、検査中の患者に対して用いる。これらの変数のセット３０は、特定の
測定時間２８と関連し、それはトレーニング及び調整済み人工ニューラル・ネッ
トワーク１６に入れる。トレーニング済みの人工ニューラル・ネットワーク１６
は、ＡＭＩと関連する変数空間において表される決定区分３２を生成する。決定
区分３２は、セットされるトレーニングの分類コードと一致する。決定区分３２
は、望ましくは二次元の図において視覚化する。以下ではこの視覚化を更に詳細
に述べる。この検査において患者の可変値３０は区域３２と関連し、その患者に
ついてどの分類３４を参照しなければならないかの指示を与える。さらに、近隣
の決定区分に関して、可変値３０を表す「測定点」の位置は、カテゴリー化の確
実性に関する情報を与える。このように、決定区分３２の明確な生成は有用な追
加情報を与える。
【００２１】 ＡＮＮ構造（例えば多重単層パーセプトロン）があるが、明確に時間に関係し
ない。そのような場合、測定時間を入力する必要はない。
【００２２】 図３（ａ）で示す他の具体例では、人工ニューラル・ネットワーク１０は、患
者の特定のＡＭＩパラメータ３８（例えば最初のＥＣＧ／ＶＣＧの測定に由来す
るパラメータ、世代、性、危険因子、現在の健康状態または病歴）を使用してト
レーニングする。危険因子とは、例えば喫煙または糖尿病と関連するもの等であ
る。これらのＡＭＩパラメータ３８は、ＡＭＩ変数の測定値群の全ての時間群に
わたって有効である。実使用時は、図３（ｂ）で示すように、同じ種類のＡＭＩ
パラメータ４０を検査中の患者について測定する。測定したＡＭＩパラメータ４
０は、全検査期間を通じて有効な入力パラメータとしてトレーニング及び調整済
み人工ニューラル・ネットワーク１６に提供する。人工ニューラル・ネットワー
ク１６によって発生する決定区分３２も、これら患者の特定のパラメータ４０の
値に依存する。
【００２３】 図３（ｃ）に示す視覚化に関する好ましい例では、２つのＡＭＩ変数（いわゆ
るＡＭＩディスプレイ変数）だけを示し、決定区分を視覚化している。他の追加
的なｎ−２個のＡＭＩ変数４２とＡＭＩパラメータ４０（既述）を、実際の視覚
化した決定区分を生成するために用いる。実際の使用においては、追加ＡＭＩ変
数４２とＡＭＩパラメータ４０を測定し、特定の測定値ごとに個々の事例で発生
する関連決定区分３２を指定するために、トレーニング及び調整済み人工ニュー
ラル・ネットワーク１６に提供する。換言すると、決定区分はＡＭＩ変数のうち
の２つの座標によって定義される二次元の図において視覚化する。２つの変数値
は、二次元の図において点として示される。変数とパラメータと同時に、残りの
ｎ−２個のＡＭＩの値を決定区分の生成に使用する。
【００２４】 トレーニング・セットに関連した決定区分３２の分類コード２６は、いろいろ
な考慮に基づく。望ましくは、グループ化は管理または臨床面と近い関係を持た
なければならない。可能なカテゴリー化の一例としては、「非ＡＭＩ」、「軽度
ＡＭＩ」、「中間ＡＭＩ」と「重度ＡＭＩ」として患者を分類することがあげら
れる。ＡＭＩ用の生化学的マーカーを含んでいるＡＭＩ変数に関して、Ｐ−ＣＫ
ＭＢのピーク群が２つのＵＲＬユニット（上部リファレンス制限ユニット）を上
回ると予測されれば、モニターしている間に患者が例えば「少なくとも軽度ＡＭ
Ｉ」を持つと分類し得る。またＰ−ＣＫＭＢのピーク群が５つのＵＲＬユニット
を上回ると予測されれば、「少なくとも中間のＡＭＩ」を持つと分類し得る。そ
して、Ｐ−ＣＫＭＢのピーク群が１０個のＵＲＬユニットを上回ると予測されれ
ば、「重度ＡＭＩＩ」を持つと分類し得る。一方、例えば、あらかじめ定義した
時間が最初の測定から経過するまでに、患者が「非ＡＭＩ」または「不確実」と
分類し得る。このような決定区分は、臨床医が患者の適切な管理を決定する際に
重要である。
【００２５】 他の分類群も可能である。患者のトレーニング・セットについては、例えば、
適切とされる処置に関連してグループ化できる。また、変数の同じセットに関し
て異なる分類コードで、異なる人工ニューラル・ネットワークをトレーニング及
び調整することも可能である。そのような複数のＡＮＮはその後並行して扱い得
る。システムを使用する臨床医は、個々の技術と経験により、その後に使いたい
決定区分の集合を選択し得る。
【００２６】 本発明の第一実施形態の最重要部分の一つは、上述のように決定区分の生成と
視覚化である。従来、人工ニューラル・ネットワークを分類に用いるときは、人
工ニューラル・ネットワークの出力ｙを作り、それを閾値と比較する。出力ｙが
閾値を上まわれば特定の分類を選び、そうでなければ他の分類を選ぶ。図４（ａ
）で示すように、本発明に係る人工ニューラル・ネットワークはその代わりに決
定区分を計算する。図４（ａ）では、区分が２つの変数に依存しており、それに
よって人工ニューラル・ネットワークからの出力ｙが２つの可変の座標、すなわ
ち出力ｙ（ｖ１，ｖ２）に従属している。その後、異なる決定区分が関係ｙ（ｖ
１，ｖ２）＞ｈによって決定する。ｈは閾値である。この閾値は、図４（ａ）に
おいて平面５４として示す。図から、１つの区分５２が図の左下角に存在するこ
とが簡単に識別できる。そこでは、ｙ（ｖ１，ｖ２）に対応する平面は閾値平面
５４の下に位置する。また、もう一つの決定区分５０は右や上部に存在する。そ
こでは、表面が閾値平面５４より上に存在する。ｖ１とｖ２の測定値がｖ１−ｖ
２平面中の特定の点と一致すれば、区分の１つと関連がある。決定区分の境界に
対するその点の位置の近さは、区分決定の正確さについての手がかりとなる。
【００２７】 区分のための３つの人工ニューラル・ネットワークに基づく決定アルゴリズム
の使用と患者の視覚化において、「非ＡＭＩ」、「軽度ＡＭＩ」、「中間ＡＭＩ
」及び「重度ＡＭＩ」に関して、対応する決定区分を図４（ｂ）に示す。この決
定区分は、ｖ１−ｖ２平面に投映する。実際の測定値と一致している点は、例え
ば９５％程度の信頼度で図に視覚化し得る。近隣の決定区分までの位置と距離そ
れぞれが、簡単に区分及び不確実性として、また判定を支援するものとして用い
得る。
【００２８】 数学的な手順は以下の通りである。まず人工ニューラル・ネットワーク・モデ
ルを
【数１】 とする。ここで
【数２】 は、入力変数Ｉのセットのベクトルであり、可変パラメータ（重さとバイアス）
は
【数３】 であらわす。ｘ0＝１であり、どのようなバイアスについての語でもｗ0として示
し、決定閾値ｈdecを定義することによって決定規則ｄにおいて利用できる。規
則ｄは
【数４】 である。
【００２９】 人工ニューラル・ネットワークを測定の間に容態が変わる患者の状態を考慮す
るか除外するかの判断に用いるときは、測定時間が終了した測定値を分析する。
その後、決定規則ｄを修正し、ｈdecをＡＮＮ出力値と比較する決定閾値とする
。ｔmonはあらかじめ定義されたモニタリング時間である。出力がｈdecを上回れ
ば、正の区分（“考慮内”）が発生する。一方、現在の測定時間をｔmonと比較
する。現在の時刻がｔmonより大きければ、負の区分（“除外”）が発生するが
、もしｔmonより小さければ、ＡＮＮアルゴリズムは、決定的な区分がまだ発生
できないことを示し、さらなる測定の実行を勧める。
【００３０】 決定区分の境界は、Ｉ次元入力ＡＭＩ−変数／パラメータ空間内の超平面
【数５】 であり、２つのＡＭＩカテゴリーとともに決定区分を定義する。
【００３１】 トレーニング済み人工ニューラル・ネットワークは、基本的には実際の使用環
境において許容できる機能を発揮するために調整しなければならない。測定値の
特定の集合でトレーニングした人工ニューラル・ネットワークの調整手順を図２
（ｃ）に示す。
【００３２】 本発明の第二の面によれば、ＡＮＮベースの決定アルゴリズム（ＡＮＮアルゴ
リズム）によって生じさせる区分は、使用サイトで指定される医学的必要条件に
対応ずるために調整し得る。これらの必要条件は、病気の現在の罹患状況を与え
る必須で最小の正または負の予測値として表す。これは、ＡＮＮアルゴリズム、
ｈdecとｔmonで２つのパラメータを慎重に決定することによって達成できる。
【００３３】 この次の手順において使用す基本的計算は、閾値パラメータｈdecの決定であ
り、ＡＮＮアルゴリズムは、固定モニター期間ｔmon用に、特定の要求される“
無病正診率の調整レベル”ｓｐｅｃtunedを伴う分類を実行する。これは、次の
ように決定する。
【数６】 ここでｓｐｃｅ（ｔ，ｈ）は、閾値ｈを使って測定をスタートした後、時間ｔで
セットされるトレーニングに関して計算した無病正診率の累積値を表す。
【００３４】 仕様が医学的必要条件に合致するようにＡＮＮ決定アルゴリズムでのパラメー
タｈdecとｔmonをセットする手順は次のようになる。無病正診率についての病理
的な条件（例えばＡＭＩ）が既知でなければならない。そして、最大モニター時
間ｔmonと最小限の正または負の予測値のために臨床必要な条件を、第一に指定
しなければならない。上記数式６を使って例えば調整済みのｓｐｅｃtuned＝（
０．８０…１．００）の間隔内で、ＡＮＮアルゴリズムを異なる無病正診率に合
わせる。調整した無病正診率の各レベルは、結局ｈdec値に対応する。独立した
テストセットに適用するとき、連続的測定のための実際の診断上の感度と無病正
診率はＡＮＮアルゴリズムの結果を使って計算する。これは、“調整済み無病正
診率”の全てのレベルに対して実行する。
【００３５】 既知の無病正診率と調整済み無病正診率のために計算した実際の診断上の無病
正診率と診断上の感度を使うことにより、これら選択した各調整済み無病正診率
に対応する実際の正または負の予測値を同様に計算できる。正または負の予測値
の間で良い妥協点を選択するには、望ましくは予測値を無病正診率の関数として
プロットする。このプロットと医学的に必須の最小予測値から、調整済み無病正
診率の最適レベルを決定する。これは、直接に対応するｈoptを与える。概説し
た上記手順の後で、ＡＮＮアルゴリズムのパラメータを決定する。この決定は、
診断上の機能が予測値上で臨床的に関連する必要条件を満たす方法で行う。機能
がいかなる無病正診率レベルにとっても許容できなければ、ｔmonは増加させな
ければならない。それはより長いモニター時間の代わりに増加させた診断上の機
能に帰着する。上記のステップは繰り返される。
【００３６】 上記調整手順を、図５にフロー図で示す。この手順は、ステップ１００で始ま
る。ステップ１０２で、最大モニター時間ｔmonを指定する。調整された特性と
ｈdecの関係は、ステップ１０４で確立する。ステップ１０６で、実際の無病正
診率と感度を計算するためにテストセットを使う。ステップ１０７で、機能テス
トを使って対応する実際の予測値を実際の無病正診率用に計算する。ステップ１
０８で予測値を無病正診率の関数としてプロットする。そして、この予測値のプ
ロットと臨床的必要条件から必要条件が達成可能であれば、その条件をステップ
１１０で決定する。必要条件が満たされなければ、手順はステップ１１６に行き
，そこでｔmonを増加させる。全て手順は、再びステップ１０２から始まる。必
要条件を達成可能であれば、最適値ｈoptをステップ１１２で決定する。手順は
、ステップ１１４で終わる。
【００３７】 さらに図６を参照して説明する。入院時のＰＰＶ０ｈの正の予測値を実線で示
し、２時間後のＰＰＶ２ｈの正の予測値を破線で示し、そして２時間後のＮＰＶ
２ｈの予測値を点線で示す。ここでは、ＡＭＩの無病正診率を０．３０と設定し
、そして最大モニター時間ｔmonを２時間と設定してある。臨床的に必要とする
ように、入院時の正の予測値がＰＰＶ＞０．８５で２時間後の負の予測値ＮＰＶ
＞０．９５であるとさらに仮定している（図６に水平の実線で表す）。図６によ
ると、診断上で必須の機能は、この場合には高い特性レベル（＝０．９４）を選
択することによって達成できる。このレベルは、ＡＮＮ−決定アルゴリズムの調
整後、ＰＰＶ０ｈ＝０．８９、ＰＰＶ２ｈ＝０．８８及びＮＰＶ２ｈ＝０．９８
に一致する。
【００３８】 決定区分を作り出し、あるいは決定区分が表す空間にわたる各使用変数は、特
定の瞬間的時間段階に関連する。この時間の「ラベル」は、人工ニューラル・ネ
ットワークのトレーニングのために特別に重要である。理想的な時間は、梗塞プ
ロセスのスタートからの経過時間である。しかしながら、この値は未知なので、
可能なＡＭＩの徴候の始まりからの時間を参照時間として使用する。結果として
のもう一つの参照時間は、測定のスタート（通常は入院時）からの時間である。
【００３９】 本発明の第３の面によると、トレーニング及び調整済み人工ニューラル・ネッ
トワークにおいて使用するＡＭＩ変数は、ＡＭＩの生化学的マーカーから選択す
るだけでなく、断続的なまたは連続するＥＣＧ／ＶＣＧ記録に由来するものでも
あり得る。
【００４０】 生化学的マーカーの使用についての一般的な利点が米国特許第５，６９０，１
０３号に記述されている。ＡＭＩの生化学的マーカーの集中レベルは、患者の血
液を循環させる際に測定する。実際問題として、血液サンプルを集めて、また、
異なる区分（例えばプラスマ、血球または小板）に分けることもできる。その後
、生化学的マーカー（プラスマに追従する）を測定する。望ましくは、集中レベ
ルの最初の測定は、患者の入院に際して実行する。以下では、「生化学的マーカ
ーの集中の測定」が、血液サンプルを採取し、そのサンプルを分析するという全
プロセスがＡＭＩの生化学マーカーの集中レベルを決定するということを意味す
る。
【００４１】 例えばミオグロビン、ＣＫ−ＭＢ及び心臓のトロポニンＴ等のＡＭＩの生化学
的マーカーの性質に重要な違いがある。使用する生化学的マーカーは、望ましく
はそれらがＡＭＩ後のプラスマ中において異なる出現率を持つようなものを選択
する。ＣＫ−ＭＢとトロポニンＴは３−４時間経過後に増加し始めるが、ミオグ
ロビン大量集中の増加は梗塞の始まりから１−２時間後からプラスマ中で測定で
きる。ＣＫ−ＭＢは２−３日、ミオグロビンは１日間上昇したままになるが、ト
ロポニンＴは、ＡＭＩ出現後の３週間後まで昇したままになる。３つのマーカー
全てについて、ＡＭＩ用の診断感度が高い。僅かな心臓の損害を示すトロポニン
ＴとＣＫ−ＭＢの小さな上昇は、従来の基準により、不安定なアンギナの診断で
全患者の少なくとも３０％に認められる。損害を受けた骨格筋から自由であるた
め、ミオグロビンは診断上の特性が乏しい。他の生化学的マーカー（ＡＭＩの接
続において重要である）としては、例えばトロポニンＩ、グリコーゲン・ホスホ
リラーゼＢＢ、乳酸塩デヒドロゲナーゼ、心臓タイプの脂肪質の酸性結合するタ
ンパク質（ｈ−ＦＡＢＰ）がある。
【００４２】 今日、ＡＭＩが疑われる患者を扱う大部分の部門は、断続あるいは連続ＥＣＧ
またはＶＣＧ記録を適用する。最初のＥＣＧは、一般にＡＭＩを考慮するときに
使う。しかしながら、胸の痛みを伴って来院する患者の大部分では、診断におい
て初期のＥＣＧには現れない。先行技術では、これらの患者の状態を考慮するか
除外するかの判断は、生化学のＡＭＩマーカーの繰り返し測定による。しかしな
がら、正しいＥＣＧ／ＶＣＧ記録の前処理は、引き出されたＡＭＩパラメータを
提供し得る。ＡＮＮアルゴリズムの機能を向上させるために生化学のＡＭＩ変数
に加えて時間を記録したＡＭＩ変数を使用できる。ＡＮＮ機能に貢献可能なＥＣ
Ｇパラメータ／変数の例としては、Ｒ波振幅、最大ＳＴ降下値、Ｒ波平均値の合
計がある。
【００４３】 ＥＣＧ／ＶＣＧ変数は、上述の「追加」変数として簡単に使用し得るが、原則
として区分決定のための座標に対応する変数として現れ得る。
【００４４】 特定のアプリケーションに従って人工ニューラル・ネットワークのタイプの異
なる最適の選択がなし得る。生化学のＡＭＩ変数だけを使っているシステムでは
、単層または多重単層のパーセプトロンが好ましい。患者の特定のパラメータが
含まれるときは、ファジー化された単層パーセプトロンが人工ニューラル・ネッ
トワークに好ましい。異なるネットワークを以下に簡単に述べる。当業者であれ
ばＡＮＮを本発明において使用し得ることが理解できるであろう。
【００４５】 単層パーセプトロン（ＳＬＰ）は、ロジスティック回帰とも記されるが、入力
されたベクトル空間の線形決定境界をもつ非線形のモデルである。出力値ｙは、
【数７】 によって与えられる。ここで
【数８】 は入力ベクトルである。ｘ0＝１であり、どのようなバイアスについての語でも
ｗ0として示され、ｘ1…ｘIは一連のｉ入力変数である。可調パラメータ（重さ
とバイアス）は、
【数９】 によって表される。Ｆは、値が（０，１）の範囲のＳ字状関数である。
【００４６】 ファジーな入力変数（ＦＳＬＰ）による単層パーセプトロンは、入力された変
数が非線形の区分を達成するためにＳ字状メンバーシップ関数を使用して不変に
前処理される追加ＳＬＰである。ファジー化メンバーシップ関数は、
【数１０】 と与えられる。ここでαiは位置であり、βiはＳ字状関数の幅を決定する。αi
は、ｆ（ｘi）が０．５であるｘiの値に等しいが、より大きいβiは、よりはっ
きりと２つの区分（ＡＭＩと非ＡＭＩ）の間を分離する。パラメータαiの値は
、入力変数ｘiと独立に決定し、ｘiの不変量の決定レベルとして使われるときの
誤った区分を最小にする。βiパラメータは、組織的変数によって決定する。こ
のモデルは、トレーニング過程において自動的に重さとバイアスが同時に評価さ
れるべく、客観的な関数においてパラメータとして含まれるαiとβiを使うこと
ができる。
【００４７】 多重単層パーセプトロン（ｍ：ＭＳＬＰ）は、ｍ“エキスパート（ｅｘｐｅｒ
ｔ）”ＳＬＰを並列に扱う構造を言う。各ＳＬＰは、マーカーの測定値が全て、
例えば梗塞の始まりからの同じ時間間隔のところのトレーニングのセットの選択
された区分に関してトレーニングされる。ｍの出力：ＭＳＬＰは、個々のＳＬＰ
からの最大出力のとして定義され、
【数１１】 である。
【００４８】 意志決定支援システム（ＤＳＳ）を設計するときは、異なるＡＮＮアルゴリズ
ムの組み合せを使用し得る。
【００４９】 本発明の基本的な考えを容易に理解するため、さらなる具体例をさらに詳細に
記述する。３つのトレーニング及び調整済みＡＮＮベースの決定アルゴリズム（
ＭＳＬＰ、ＳＬＰとＳＬＰ）は、「非ＡＭＩ」、「軽度ＡＭＩ」、「中間ＡＭＩ
」と「重度ＡＭＩ」の予測を生成するための意志決定支援システム（ＤＳＳ）の
重要な構成要素とするために結合する。図７は、計算プロセスを示すトップレベ
ルのフロー図である。手順は、ステップ３００で始まる。プロセス３０２は、入
院時に胸の痛みを有し、非診断ＥＣＧの患者からプラスマにおいて一定時刻に発
生するようにした梗塞部マーカーの測定値を示す。これらの測定値は、十分に短
い巡回時間（望ましくは２０分未満）での分析に使用する市販の分散型機器を使
用して得る。これらの測定結果（ミオグロビンとＣＫＭＢのプラスマ−大量集中
値）は、決定区分を生成するための最初のＡＮＮへの入力値として利用し、「少
なくとも軽度ＡＭＩ」（ステップ３０４）に関して区分を実行する（ステップ３
０３）。負の表示が発生するなら、現在の時間ｔを必須モニター時間ｔmonと比
較する（ステップ３０６）。ｔ＞＝ｔmonならば、非ＡＭＩの予測が発生する（
ステップ３１０）。しかしながらｔ＜ｔmonであれば、ＤＳＳは「不確実性」を
示し（ステップ３０８）、そしてさらなる測定の実行を要求する。ステップ３０
４で最初のＡＮＮが「少なくとも軽度ＡＭＩ」の明確な指示を発生すると判断す
るなら、新しい区分生成を第２のＡＮＮを使って実行し、「少なくとも中間ＡＭ
Ｉ」（ステップ３１２）に関して区分を実行する（ステップ３１１）。負の指示
が発生するならば、現在の時間ｔを必須のモニター時間ｔmonと比較する（ステ
ップ３１４）。ｔ＞＝ｔmonならば軽度ＡＭＩの予測が発生する（ステップ３１
８）。しかしながらｔ＜ｔmonならば、ＤＳＳは「少なくとも軽度ＡＭＩ」（ス
テップ３１６）を予測し、さらなる測定の実行を要求する。ステップ３１２でＡ
ＮＮが「少なくとも中間ＡＭＩ」の明確な指示を発生すると判断するなら、新し
い区分生成を第３のＡＮＮを使って実行し、「重度ＡＭＩ」に関して区分を実行
する（ステップ３１９）。負の指示が発生するならば、現在の時間ｔを必須のモ
ニター時間ｔmonと比較する（ステップ３２２）。ｔ＞＝ｔmonならば中間ＡＭＩ
の予測が発生する（ステップ３２６）。しかしながらｔ＜ｔmonならば、ＤＳＳ
は「少なくとも中間ＡＭＩ」を予測し（ステップ３２４）、さらなる測定の実行
を要求する。「重度ＡＭＩ」の明確な指示を発生する第３のＡＮＮがステップ３
２０で決めるならば、主要なＡＭＩはステップ３２８で予測し、そして、手順は
ステップ３３０で終わる。ｔ＞＝ｔmonで全ての手順が終わり、全てのステップ
はステップ３３０で終わる。
【００５０】 本発明によれば、マーカーの集中は、Ｐ−ミオグロビンば−Ｐ−ＣＫＭＢ平面
にプロットする。このプロット上に３つのＡＮＮベースの決定アルゴリズムによ
って発生する決定区分を重ね合わせ、ＤＳＳによって発生する予測の図とする。
入力変数のセット中の開始から地域発生までに使う時間は、各測定値のための決
定区分を生成するのに必要である。正規化したマーカー値（すなわち健康な人用
にそれらの各参照限界によって分割した値、ＵＲＬ）は、それらの各９５％の信
頼限界と共に、グラフ上にプロットでき、そのシステムが、決定区分の境界に関
して測定位置から、その予測に関してどれだけ確定的なものかの評価を可能にす
る。
【００５１】 図８（ａ）から８（ｃ）においては、３つのＡＮＮベースの決定アルゴリズム
によって発生するので４つの決定区分を視覚化できる。数字はＰ−ミオグロビン
とＰ−ＣＫＭＢの連続した測定の３つの集合を示し、それらの各９５％の信頼区
間で正規化し、プロットする。図８（ａ）は、最初の測定値の後の状況を示す。
患者の入院時における最初の測定値のＰ−ミオグロビンおよびＰ−ＣＫＭＢの測
定値に対応する点６０は、「非ＡＭＩ」指示の区分中に現れるが、最大モニター
時間が期限切れになっていないため、「不確実な指示」を表示し、測定を続ける
。望ましくは、テキスト部６５を設け、そこに予測、指示、測定値時間（入院か
らの）その他を文字で表示する。また望ましくは、測定番号を測定点に関連させ
て表示する。図８（ｂ）は、第２の測定値６１での状況を示す。「少なくとも軽
度ＡＭＩ」の存在を２つの測定集合の後に予測する。最大モニタリング時間に達
していないので測定を続ける。図８（ｃ）は、第３の測定値６２が利用できるよ
うになった最終的な状況を示し、「重度ＡＭＩ」を予測する。さらなる測定は不
要になる。測定時間が異なるため、決定区分境界を各測定間で修正することに留
意されたい。
【００５２】 すなわち、決定区分は可変で、個々の患者と測定値時間の間で計算する。この
方法は、梗塞部サイズの予測のために結合させたＡＮＮ決定アルゴリズムによっ
て出力が発生することを示し、状況説明の助けとなる。
【００５３】 図９のフロー図は、本発明における基本的ステップを示す。手順はステップ２
００で始まる。ステップ２０２で、ＡＭＩと関連がある変数を測定する。決定区
分は、ステップ２０４で人工ニューラル・ネットワークによって発生する。測定
した変数はそれから発生する決定区分に関連する（ステップ２０６）。そして、
いろいろなサイズの急性の心筋梗塞の指示を提供する。手順はステップ２０８で
終わる。
【００５４】 本発明は、添付請求の範囲から逸脱することなく種々の修正と変形が可能であ
ることが当業者には理解されよう。それらの修正例や変形例も本発明の範囲に含
まれる。
【図面の簡単な説明】
【図１】 先行技術による人工ニューラル・ネットワークのトレーニング・プロセスの略
図（ａ）、（ａ）の人工ニューラル・ネットワークの使用を示す略図（ｂ）であ
る。
【図２】 本発明において使用する人工ニューラル・ネットワークのトレーニングとチュ
ーニング・プロセスの略図（ａ）、本発明に係るトレーニングと調整した人工ニ
ューラル・ネットワークの使用を示す略図（ｂ）、本発明において使用する人工
ニューラル・ネットワークの調整手順の略図（ｃ）である。
【図３】 本発明において使用する他の人工ニューラル・ネットワークのトレーニング及
び調整プロセスの略図（ａ）、（ａ）のトレーニング及び調整済み人工ニューラ
ル・ネットワークの使用を示す略図（ｂ）、本発明に係るトレーニング及び調整
済み人工ニューラル・ネットワークの好ましい使用を示す略図（ｃ）である。
【図４】 本発明に係る決定区分生成の実例を示す図（ａ）、本発明に係る決定区分の視
覚化表現の一例の図（ｂ）である。
【図５】 調整手順を示すフロー図である。
【図６】 本発明に係る調整手順を示す図である。
【図７】 本発明の一実施形態において、結合したアルゴリズムを示すフロー図である。
【図８】 患者のモニタリングの異なる段階での決定区分の視覚化例を示す図である。
【図９】 本発明に係る手順を示すフロー図である。
───────────────────────────────────────────────────── フロントページの続き (81)指定国 ＥＰ(ＡＴ，ＢＥ，ＣＨ，ＣＹ， ＤＥ，ＤＫ，ＥＳ，ＦＩ，ＦＲ，ＧＢ，ＧＲ，ＩＥ，Ｉ Ｔ，ＬＵ，ＭＣ，ＮＬ，ＰＴ，ＳＥ，ＴＲ)，ＯＡ(ＢＦ ，ＢＪ，ＣＦ，ＣＧ，ＣＩ，ＣＭ，ＧＡ，ＧＮ，ＧＷ， ＭＬ，ＭＲ，ＮＥ，ＳＮ，ＴＤ，ＴＧ)，ＡＰ(ＧＨ，Ｇ Ｍ，ＫＥ，ＬＳ，ＭＷ，ＭＺ，ＳＤ，ＳＬ，ＳＺ，ＴＺ ，ＵＧ，ＺＷ)，ＥＡ(ＡＭ，ＡＺ，ＢＹ，ＫＧ，ＫＺ， ＭＤ，ＲＵ，ＴＪ，ＴＭ)，ＡＥ，ＡＧ，ＡＬ，ＡＭ， ＡＴ，ＡＵ，ＡＺ，ＢＡ，ＢＢ，ＢＧ，ＢＲ，ＢＹ，Ｂ Ｚ，ＣＡ，ＣＨ，ＣＮ，ＣＲ，ＣＵ，ＣＺ，ＤＥ，ＤＫ ，ＤＭ，ＤＺ，ＥＥ，ＥＳ，ＦＩ，ＧＢ，ＧＤ，ＧＥ， ＧＨ，ＧＭ，ＨＲ，ＨＵ，ＩＤ，ＩＬ，ＩＮ，ＩＳ，Ｊ Ｐ，ＫＥ，ＫＧ，ＫＰ，ＫＲ，ＫＺ，ＬＣ，ＬＫ，ＬＲ ，ＬＳ，ＬＴ，ＬＵ，ＬＶ，ＭＡ，ＭＤ，ＭＧ，ＭＫ， ＭＮ，ＭＷ，ＭＸ，ＭＺ，ＮＯ，ＮＺ，ＰＬ，ＰＴ，Ｒ Ｏ，ＲＵ，ＳＤ，ＳＥ，ＳＧ，ＳＩ，ＳＫ，ＳＬ，ＴＪ ，ＴＭ，ＴＲ，ＴＴ，ＴＺ，ＵＡ，ＵＧ，ＵＳ，ＵＺ， ＶＮ，ＹＵ，ＺＡ，ＺＷ Ｆターム(参考） 4C027 AA02 CC00 GG00 GG16 KK00 KK03 5B056 BB00 HH01

Claims (32)

    【特許請求の範囲】
  1. 【請求項１】 以下のステップからなる、急性の心筋梗塞（ＡＭＩ）が疑わ
    れる患者の早期診断支援方法。 少なくとも１測定時間段階で患者のＡＭＩと関連する一組のｎ（ｎ≧２）個の
    変数を測定し、 少なくとも１つの人工ニューラル・ネットワークによって上記ｎ個の変数によ
    るｎ次元空間中にｍ（ｍ≧２）個の決定区分を生成し（上記人工ニューラル・ネ
    ットワークは、典型的な患者のｍ個の上記決定区分の群からｎ個の測定した変数
    値のトレーニングしたセットをもとにトレーニングしたもの）、 そして、ＡＭＩの特徴を示すために、上記ｎ次元空間における上記ｍ個の決定
    区分に対するｎ個の変数の測定値を関係付ける。
  2. 【請求項２】 上記ｍ個の決定区分及び上記現在測定値のセットの上記ｎ個
    の変数の上記値の数を視認可能化するステップを含む請求項１の方法。
  3. 【請求項３】 上記ｍ個の決定区分が異なるサイズのＡＭＩと一致する請求
    項１の方法。
  4. 【請求項４】 上記ｍ個の決定区分が異なる好ましい管理オプションや処置
    手順と一致する請求項１の方法。
  5. 【請求項５】 ＡＭＩと関連する上記変数をリストから選択し、患者の血を
    循環させることでのＡＭＩの生化学的マーカーを集中させ、そして、断続的／連
    続ＥＣＧ／ＶＣＧからある量を得る請求項１の方法。
  6. 【請求項６】 上記生化学的マーカーが、ミオグロビン、クレアチン・キナ
    ーゼＭＢ、トロポニンＴ、トロポニンＩ、グリコーゲン・ホスホリラーゼＢＢ（
    乳酸塩デヒドロゲナーゼ）、及び心臓型脂肪質の酸性結合したタンパク質（ｈ−
    ＦＡＢＰ）から選択する請求項５の方法。
  7. 【請求項７】 以下のステップを含む請求項１の方法。 徴候の始まりから上記人工ニューラル・ネットワークまでの時間と比較してセ
    ットされる現在測定値の時間段階を与え、 上記人工ニューラル・ネットワークを、追加の入力変数として上記ｎ個の変数
    の測定値のセットの上記関連開始時間段階でさらにトレーニングし、 決定区分を生成する上記ステップが、さらに現在測定値のセットの関連開始時
    間段階に基づく。
  8. 【請求項８】 以下のステップを含む請求項７の方法。 患者に特有のパラメータでさらにトレーニングされている上記人工ニューラル
    ・ネットワークに患者に特有のパラメータを供給し、 それによって決定区分を生成する上記ステップが、さらに上記患者に特有のパ
    ラメータに基づく。
  9. 【請求項９】 上記患者に特有のパラメータのうちの少なくとも１つは、初
    期ＥＣＧ／ＶＣＧからの得られた量、患者の性、患者世代、ＡＭＩの危険因子、
    患者の健康状態及び患者の病歴である請求項８の方法。
  10. 【請求項１０】 上記ｍ個の決定区分をｋ個の上記変数の座標によって定義
    されるｋ−次元の図において視覚化し、 現在測定値のセットの上記ｋ個の変数の値を上記ｋ−次元の図中に点として視
    覚化し、残りのｎ−ｋ個の可変値を上記決定区分の生成に使用する請求項２の方
    法。
  11. 【請求項１１】 ｋ＝２である請求項１０の方法。
  12. 【請求項１２】 上記人工ニューラル・ネットワークを、単層パーセプトロ
    ン、多重単層パーセプトロン及びファジーな入力変数による単層パーセプトロン
    から選択する請求項１の方法。
  13. 【請求項１３】 上記現在測定値の上記ｋ個の変数の上記値の信頼区分を上
    記ｋ次元の図に区分として視覚化する請求項１０の方法。
  14. 【請求項１４】 与えられた罹患状況において出力の予測値の上で臨床必要
    条件に上記人工ニューラル・ネットワークの関数を調整するステップを含む請求
    項１の方法。
  15. 【請求項１５】 以下のステップからなる、急性の心筋梗塞（ＡＭＩ）が疑
    われる患者の早期診断支援方法。 少なくとも１測定時間段階で患者のＡＭＩと関連するｎ（ｎ≧２）個の変数の
    組を測定し、 少なくとも１つの人工ニューラル・ネットワークによって上記ｎ個の変数によ
    るｎ次元空間中にｍ（ｍ≧２）個の決定区分を生成し、 そして、ＡＭＩと関連する上記変数のうちの少なくとも１つが、断続的あるい
    は連続するＥＣＧ／ＶＣＧから得られた量とする。
  16. 【請求項１６】 以下のステップからなる、急性の心筋梗塞（ＡＭＩ）が疑
    われる患者の早期診断支援方法。 少なくとも１測定時間段階で患者のＡＭＩと関連するｎ（ｎ≧２）個の変数の
    組を測定し、 少なくとも１つの人工ニューラル・ネットワークによって上記ｎ個の変数によ
    るｎ次元空間中にｍ（ｍ≧２）個の決定区分を生成し（上記人工ニューラル・ネ
    ットワークは、典型的な患者のｍ個の上記決定区分の群からｎ個の測定した変数
    値のトレーニングしたセットをもとにトレーニングしたもの）、 与えられた罹患状況において出力の予測値の上で臨床必要条件に上記人工ニュ
    ーラル・ネットワークの関数を調整する。
  17. 【請求項１７】 以下の要件からなる、急性の心筋梗塞（ＡＭＩ）が疑われ
    る患者の早期診断支援装置。 典型的な患者のｍ（ｍ≧２）個の決定区分の群からｎ（ｎ≧２）個の測定した
    変数値のトレーニングしたセットをもとにトレーニングしたものであり、上記ｎ
    個の変数によるｎ次元の空間において、少なくともｍ個の決定区分を生成するた
    めに調整した少なくとも１つの人工ニューラル・ネットワーク、 少なくとも１つの測定時間段階から患者のＡＭＩに関連する変数のｎ個の測定
    値の現在の集合を入力するための手段、 ＡＭＩの特徴を示すための上記ｎ次元空間において、上記ｍ個の決定区分に対
    する現在測定値のｎ個の変数値に関連する手段。
  18. 【請求項１８】 上記ｍ個の決定区分と上記現在測定値の上記ｎ個の変数値
    の数を視覚化するためのグラフィック手段を含む請求項１７の装置。
  19. 【請求項１９】 上記ｍ個の決定区分が異なるサイズのＡＭＩと一致する請
    求項１７の装置。
  20. 【請求項２０】 上記ｍ個の決定区分が異なる好ましい管理オプションや処
    置手順と一致する請求項１７の装置。
  21. 【請求項２１】 ＡＭＩと関連する上記変数をリストから選択し、患者の血
    を循環させることでのＡＭＩの生化学的マーカーを集中させ、そして、断続的／
    連続ＥＣＧ／ＶＣＧからある量を得る請求項１７の装置。
  22. 【請求項２２】 上記生化学的マーカーが、ミオグロビン、クレアチン・キ
    ナーゼＭＢ、トロポニンＴ、トロポニンＩ、グリコーゲン・ホスホリラーゼＢＢ
    （乳酸塩デヒドロゲナーゼ）、及び心臓型脂肪質の酸性結合したタンパク質（ｈ
    −ＦＡＢＰ）から選択したものである請求項２１の装置。
  23. 【請求項２３】 徴候の始まりから上記人工ニューラル・ネットワークまで
    の時間と比較してセットされる現在測定値の時間段階を与える手段を含み、 上記人工ニューラル・ネットワークを、追加の入力変数として上記ｎ個の変数
    の測定値のセットの上記関連開始時間段階でさらにトレーニングし、 上記人工ニューラル・ネットワークの決定区分の生成が、さらに現在測定値の
    関連した開始時間段階に基づく請求項１７の装置。
  24. 【請求項２４】 さらに以下の要件を含む請求項２３の装置。 上記人工ニューラル・ネットワークに患者に特有のパラメータを提供する手段
    を有し、 上記人工ニューラル・ネットワークをさらに上記患者に特有のパラメータでト
    レーニングし、 上記人工ニューラル・ネットワークの決定区分の生成が上記患者に特有のパラ
    メータに基づく。
  25. 【請求項２５】 上記患者に特有のパラメータのうちの少なくとも１つが、
    初期ＥＣＧ／ＶＣＧから得た量、患者の性、患者世代、ＡＭＩの危険因子、患者
    の健康状態、病歴である請求項２４の装置。
  26. 【請求項２６】 上記グラフィック手段が、 上記ｍ個の決定区分をｋ個の上記変数の座標によって定義されるｋ−次元の図
    において視覚化する手段、 現在測定値のセットの上記ｋ個の変数の値を上記ｋ−次元の図中に点として視
    覚化する手段からなり、 上記人工ニューラル・ネットワークが、残りのｎ−ｋ個の可変値を上記ｍ個の
    決定区分の生成に使用する請求項１８の装置。
  27. 【請求項２７】 ｋ＝２である請求項２６の装置。
  28. 【請求項２８】 上記人工ニューラル・ネットワークが、単層パーセプトロ
    ン、多重単層パーセプトロンまたはファジーな入力変数による単層パーセプトロ
    ンである請求項１７の装置。
  29. 【請求項２９】 上記グラフィック手段が、上記現在測定値の上記ｋ個の変
    数の上記値の信頼区分を上記ｋ次元の図に区分として視覚化する手段を含む請求
    項２６の装置。
  30. 【請求項３０】 与えられた罹患状況において出力の予測値の上で臨床必要
    条件に上記人工ニューラル・ネットワークの関数を調整する手段を含む請求項１
    ７の装置。
  31. 【請求項３１】 以下の要件からなる、急性の心筋梗塞（ＡＭＩ）が疑われ
    る患者の早期診断支援装置。 典型的な患者のｍ（ｍ≧２）個の決定区分の群からｎ（ｎ≧２）個の測定した
    変数値のトレーニングしたセットをもとにトレーニングしたものであり、上記ｎ
    個の変数によるｎ次元の空間において、少なくともｍ個の決定区分を生成するた
    めに調整した少なくとも１つの人工ニューラル・ネットワーク、 少なくとも１つの測定時間段階から患者のＡＭＩに関連する変数のｎ個の測定
    値の現在の集合を入力するための手段からなり、 ＡＭＩと関連する上記変数のうちの少なくとも１つが、断続的あるいは連続す
    るＥＣＧ／ＶＣＧから得られた量である。
  32. 【請求項３２】 以下の要件からなる、急性の心筋梗塞（ＡＭＩ）が疑われ
    る患者の早期診断支援装置。 典型的な患者のｍ（ｍ≧２）個の決定区分の群からｎ（ｎ≧２）個の測定した
    変数値のトレーニングしたセットをもとにトレーニングしたものであり、上記ｎ
    個の変数によるｎ次元の空間において、少なくともｍ個の決定区分を生成するた
    めに調整した少なくとも１つの人工ニューラル・ネットワーク、 少なくとも１つの測定時間段階から患者のＡＭＩに関連する変数のｎ個の測定
    値の現在の集合を入力するための手段からなり、 与えられた罹患状況において出力の予測値の上で臨床必要条件に上記人工ニュ
    ーラル・ネットワークの関数を調整する手段。
JP2001557466A 2000-02-10 2001-01-26 急性の心筋梗塞に対する診断支援方法及び装置 Pending JP2003521986A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US09/501,233 US6443889B1 (en) 2000-02-10 2000-02-10 Provision of decision support for acute myocardial infarction
US09/501,233 2000-02-10
PCT/SE2001/000147 WO2001058350A1 (en) 2000-02-10 2001-01-26 Provision of decision support for acute myocardial infarction

Publications (1)

Publication Number Publication Date
JP2003521986A true JP2003521986A (ja) 2003-07-22

Family

ID=23992659

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2001557466A Pending JP2003521986A (ja) 2000-02-10 2001-01-26 急性の心筋梗塞に対する診断支援方法及び装置

Country Status (8)

Country Link
US (1) US6443889B1 (ja)
EP (1) EP1257198A1 (ja)
JP (1) JP2003521986A (ja)
AU (1) AU2001230676A1 (ja)
DE (1) DE10195082T1 (ja)
ES (1) ES2230976B1 (ja)
GB (1) GB2373897B (ja)
WO (1) WO2001058350A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007505726A (ja) * 2003-05-19 2007-03-15 イスケミア・テクノロジーズ・インコーポレーテッド 心臓由来が疑われる胸部痛を有する患者のリスク階層化のための装置および方法
JP2010528306A (ja) * 2007-05-29 2010-08-19 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ｈ−ｆａｂｐ
JP2010539460A (ja) * 2007-09-13 2010-12-16 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

Families Citing this family (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002025528A1 (en) 2000-09-21 2002-03-28 Theradoc.Com, Inc. Systems and methods for manipulating medical data via a decision support system
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
US20030199000A1 (en) * 2001-08-20 2003-10-23 Valkirs Gunars E. Diagnostic markers of stroke and cerebral injury and methods of use thereof
US20040121350A1 (en) * 2002-12-24 2004-06-24 Biosite Incorporated System and method for identifying a panel of indicators
US20040253637A1 (en) * 2001-04-13 2004-12-16 Biosite Incorporated Markers for differential diagnosis and methods of use thereof
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
US20040126767A1 (en) * 2002-12-27 2004-07-01 Biosite Incorporated Method and system for disease detection using marker combinations
US7713705B2 (en) * 2002-12-24 2010-05-11 Biosite, Inc. Markers for differential diagnosis 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
CA2457775A1 (en) * 2001-08-20 2003-02-27 Biosite Incorporated 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
AU2003245035A1 (en) * 2003-05-14 2004-12-03 Clinigene International Private Limited Disease predictions
US7742806B2 (en) 2003-07-01 2010-06-22 Cardiomag Imaging, Inc. Use of machine learning for classification of magneto cardiograms
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
US20050234354A1 (en) * 2004-04-15 2005-10-20 Rowlandson G I System and method for assessing a patient's risk of sudden cardiac death
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
US7272435B2 (en) * 2004-04-15 2007-09-18 Ge Medical Information Technologies, Inc. System and method for sudden cardiac death prediction
US7415304B2 (en) * 2004-04-15 2008-08-19 Ge Medical Systems Information Technologies, Inc. System and method for correlating implant and non-implant data
WO2006094055A2 (en) * 2005-03-02 2006-09-08 Spacelabs Medical Trending display of patient wellness
US8956292B2 (en) * 2005-03-02 2015-02-17 Spacelabs Healthcare Llc Trending display of patient wellness
CN101305373A (zh) * 2005-11-08 2008-11-12 皇家飞利浦电子股份有限公司 使用聚类检测多参数患者监护和临床数据中的危险趋势的方法
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
US8911377B2 (en) 2008-09-15 2014-12-16 Masimo Corporation Patient monitor including multi-parameter graphical display
US9604020B2 (en) 2009-10-16 2017-03-28 Spacelabs Healthcare Llc Integrated, extendable anesthesia system
IN2012DN03108A (ja) 2009-10-16 2015-09-18 Spacelabs Healthcare Llc
WO2011119512A1 (en) 2010-03-21 2011-09-29 Spacelabs Healthcare, Llc Multi-display bedside monitoring system
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)

* Cited by examiner, † Cited by third party
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007505726A (ja) * 2003-05-19 2007-03-15 イスケミア・テクノロジーズ・インコーポレーテッド 心臓由来が疑われる胸部痛を有する患者のリスク階層化のための装置および方法
JP2010528306A (ja) * 2007-05-29 2010-08-19 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ｈ−ｆａｂｐ
JP2010539460A (ja) * 2007-09-13 2010-12-16 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

Also Published As

Publication number Publication date
ES2230976A1 (es) 2005-05-01
GB2373897A (en) 2002-10-02
DE10195082T1 (de) 2003-04-03
ES2230976B1 (es) 2006-07-16
WO2001058350A1 (en) 2001-08-16
AU2001230676A1 (en) 2001-08-20
GB0214973D0 (en) 2002-08-07
EP1257198A1 (en) 2002-11-20
US6443889B1 (en) 2002-09-03
GB2373897B (en) 2004-05-12

Similar Documents

Publication Publication Date Title
JP2003521986A (ja) 急性の心筋梗塞に対する診断支援方法及び装置
US20200337580A1 (en) Time series data learning and analysis method using artificial intelligence
US9861308B2 (en) Method and system for monitoring stress conditions
US5690103A (en) Detection/exclusion of acute myocardial infarction using neural network analysis of measurements of biochemical markers
US20090326407A1 (en) Electrophysiological Analysis System and Method
EP3281132B1 (en) System for laboratory values automated analysis and risk notification in intensive care unit
US20230248998A1 (en) System and method for predicting diseases in its early phase using artificial intelligence
JP2002534144A (ja) 視野試験を行う方法および装置、並びにその結果を処理するコンピュータプログラム
Herrick et al. Quantitative nailfold capillaroscopy—update and possible next steps
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
CN116322479A (zh) 用于检测和/或预测心脏事件的心电图处理系统
CN116490929A (zh) 用于执行医学的实验室值分析的计算机实现的方法和设备
Obstfeld et al. Data mining approaches to reference interval studies
Raghu et al. ECG-guided non-invasive estimation of pulmonary congestion in patients with heart failure
US20190221309A1 (en) Coronary Artery Disease Screening Method by Using Cardiovascular Markers and Machine Learning Algorithms
US20030191732A1 (en) Online learning method in a decision system
CN109994211B (zh) 一种基于ehr数据的慢性肾脏病恶化风险的建模方法
Ibrahim et al. Early alert of elderly cognitive impairment using temporal streaming clustering
CN116013522A (zh) 一种用于带状疱疹后遗神经痛的预测方法及系统
JP6948722B2 (ja) 検出装置及び検出プログラム
Deepa et al. Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle
Seo et al. A Deep Neural Network Based Wake-After-Sleep-Onset Time Aware Sleep Apnea Severity Estimation Scheme Using Single-Lead ECG Data
Petelczyc et al. A fixed mass method for the Kramers-Moyal expansion—Application to time series with outliers
McIntyre et al. Using visual analytics of heart rate variation to aid in diagnostics
Ismail et al. A Comparative Study of Diabetes Classification Based on Machine Learning