JP2018173962A - 患者の生存性を予測する方法 - Google Patents
患者の生存性を予測する方法 Download PDFInfo
- Publication number
- JP2018173962A JP2018173962A JP2018098787A JP2018098787A JP2018173962A JP 2018173962 A JP2018173962 A JP 2018173962A JP 2018098787 A JP2018098787 A JP 2018098787A JP 2018098787 A JP2018098787 A JP 2018098787A JP 2018173962 A JP2018173962 A JP 2018173962A
- Authority
- JP
- Japan
- Prior art keywords
- patient
- parameters
- data
- ecg
- hrv
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title abstract description 84
- 230000001154 acute effect Effects 0.000 claims abstract description 11
- 230000002612 cardiopulmonary effect Effects 0.000 claims abstract description 11
- 230000004083 survival effect Effects 0.000 claims description 116
- 238000004458 analytical method Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 description 122
- 210000002569 neuron Anatomy 0.000 description 72
- 238000005259 measurement Methods 0.000 description 51
- 238000012549 training Methods 0.000 description 40
- 239000013598 vector Substances 0.000 description 39
- 239000010410 layer Substances 0.000 description 35
- 238000012545 processing Methods 0.000 description 35
- 230000036541 health Effects 0.000 description 32
- 230000006870 function Effects 0.000 description 31
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000001514 detection method Methods 0.000 description 21
- 238000000718 qrs complex Methods 0.000 description 19
- 239000000523 sample Substances 0.000 description 18
- 230000008569 process Effects 0.000 description 17
- 238000012706 support-vector machine Methods 0.000 description 17
- 230000003750 conditioning effect Effects 0.000 description 16
- 238000012360 testing method Methods 0.000 description 16
- 230000035945 sensitivity Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 208000010496 Heart Arrest Diseases 0.000 description 13
- 230000034994 death Effects 0.000 description 13
- 231100000517 death Toxicity 0.000 description 13
- 238000012805 post-processing Methods 0.000 description 12
- 230000036387 respiratory rate Effects 0.000 description 12
- 230000033764 rhythmic process Effects 0.000 description 12
- 230000036772 blood pressure Effects 0.000 description 11
- 230000035487 diastolic blood pressure Effects 0.000 description 11
- 230000002526 effect on cardiovascular system Effects 0.000 description 11
- 230000035488 systolic blood pressure Effects 0.000 description 11
- 230000036760 body temperature Effects 0.000 description 10
- 230000008602 contraction Effects 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 10
- 206010003119 arrhythmia Diseases 0.000 description 9
- 230000006793 arrhythmia Effects 0.000 description 9
- 208000014674 injury Diseases 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 9
- 206010010071 Coma Diseases 0.000 description 8
- 230000000747 cardiac effect Effects 0.000 description 8
- 238000002106 pulse oximetry Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 230000008733 trauma Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 208000019622 heart disease Diseases 0.000 description 4
- 238000007477 logistic regression Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 230000010412 perfusion Effects 0.000 description 4
- 230000035939 shock Effects 0.000 description 4
- 230000035899 viability Effects 0.000 description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 3
- 230000001746 atrial effect Effects 0.000 description 3
- 210000003403 autonomic nervous system Anatomy 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 208000010125 myocardial infarction Diseases 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 210000001002 parasympathetic nervous system Anatomy 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 210000002820 sympathetic nervous system Anatomy 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 238000009528 vital sign measurement Methods 0.000 description 3
- 206010007556 Cardiac failure acute Diseases 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000001953 Hypotension Diseases 0.000 description 2
- 206010038669 Respiratory arrest Diseases 0.000 description 2
- 241000218220 Ulmaceae Species 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000002567 autonomic effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013529 biological neural network Methods 0.000 description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 229940124645 emergency medicine Drugs 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 208000021822 hypotensive Diseases 0.000 description 2
- 230000001077 hypotensive effect Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 230000001734 parasympathetic effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002889 sympathetic effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000007473 univariate analysis Methods 0.000 description 2
- 210000001186 vagus nerve Anatomy 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010003130 Arrhythmia supraventricular Diseases 0.000 description 1
- 208000037157 Azotemia Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010007559 Cardiac failure congestive Diseases 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- 206010019196 Head injury Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 208000030886 Traumatic Brain injury Diseases 0.000 description 1
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 1
- 206010047281 Ventricular arrhythmia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007211 cardiovascular event Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001447 compensatory effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 210000005003 heart tissue Anatomy 0.000 description 1
- 238000002847 impedance measurement Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 208000030523 mesoaxial synostotic syndactyly with phalangeal reduction Diseases 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000013610 patient sample Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 208000037974 severe injury Diseases 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 210000001013 sinoatrial node Anatomy 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000009662 stress testing Methods 0.000 description 1
- 208000014221 sudden cardiac arrest Diseases 0.000 description 1
- 210000000779 thoracic wall Anatomy 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 230000009529 traumatic brain injury Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 208000009852 uremia Diseases 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0816—Measuring devices for examining respiratory frequency
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- 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
-
- 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
- A61B5/24—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]
- A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
-
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/347—Detecting the frequency distribution of signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4824—Touch or pain perception evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- 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
- 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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Pulmonology (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Hospice & Palliative Care (AREA)
- Pain & Pain Management (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
Abstract
Description
発明は、急性心肺(ACP)事象および患者の生存性を予測する方法に関する。発明は、患者の急性心肺事象および生存性を予測するためのシステムにも関する。
トリアージは、いかなる救急医療対応でも重要な部分である。これは、大量の患者を迅速に選別して重篤さを判定しかつ治療の適切な優先順位を割当てる臨床プロセスである。トリアージは現実である。というのも、医療資源は瞬時にすべての患者に対応するには決して十分でないからである。このように、より緊急にそのような資源を必要とするであろうより重篤な患者を素早く識別できることが重要である。したがって、自動患者結果(心停止および死亡率)分析のためのデバイスは、特に需要が資源を圧倒する災害または大量死傷者が出る状況でトリアージを行なうのに役立ち得る。
発明の実施形態に従うと、患者のACP事象および生存性を予測することができる、人工ニューラルネットワークを発生する方法が提供され、方法は、電子データベースに患者の健康データを記憶するステップを含み、患者の健康データは複数の組のデータを備え、各々の組は心拍変動性データに関する第1のパラメータおよびバイタルサインデータに関する第2のパラメータのうち少なくとも1つを有し、各々の組は患者の生存性に関する第3のパラメータを有し、さらに方法は、人工ニュートラルネットワークを形成するように相互接続されたノードのネットワークを設けるステップを含み、ノードは複数の人工ニューロンを備え、各々の人工ニューロンは関連付けられた重みを有する少なくとも1つの入力を有し、さらに方法は、複数の人工ニューロンのうち各々の人工ニューロンの少なくとも1つの入力の関連付けられた重みが患者の健康データからの異なる組のデータのそれぞれの第1、第2、および第3のパラメータに応答して調節されるように患者の健康データを用いて人工ニューラルネットワークをトレーニングして、これにより人工ニューラルネットワークが患者のACP事象および生存性に関する予測を発生するようにトレーニングされるステップを含む。
々の組は、少なくとも、心拍変動性データに関するパラメータおよびバイタルサインデータに関するパラメータを有し、各々の組は患者の生存性に関するパラメータをさらに有し、さらに方法は、第1の組のパラメータおよび第2の組のパラメータを処理して人工ニューラルネットワークへの入力に好適な処理済みデータを発生するステップと、処理済みデータを人工ニューラルネットワークへの入力として与えるステップと、人工ニューラルネットワークからの出力を得るステップとを含み、出力は患者のACP事象および生存性に関する予測を与える。
、および病歴をそれぞれ記憶および処理するためのメモリユニットおよび処理ユニットを内蔵する筺体と、ユーザ通信ユニットとを含み、処理ユニットは、心拍変動性(HRV)の少なくとも1つの測定値を算出し、HRVのその少なくとも1つの測定値を患者の人口学的情報および病歴の少なくとも1つのパラメータ各々と組合せて、算出の72時間以内のACP事象の統計的確率を算出する。システムは、着用可能な構成で患者が持ち運ぶようにさらに構築されかつ配置されてもよい。センサは、微小血管系の灌流状態を測定してもよい。センサはパルス酸素濃度計であってもよい。システムはさらに、心臓組織を刺激し得る、生体組織の電磁刺激器を含んでもよい。ユーザ通信ユニットはキーエントリを有してもよい。第3の入力はキーエントリであってもよい。ユーザ通信ユニットは主筺体の中にあってもよい。ユーザ通信ユニットは主筺体とは別個であってもよい。ユーザ通信ユニットはディスプレイであってもよい。刺激はペーシングであってもよく、または刺激は除細動であってもよい。刺激は磁気的刺激であってもよい。
集された患者の人口学的情報および患者の履歴情報にさらに鑑みて生存の尤度を計算することとをさらに含んでもよい。装置はまたさらに、4時間から24時間の間の期限または4時間から72時間の間の期限を含んでもよい。
図面では、同じ参照番号は一般的に異なる図を通じて同じ部品を参照する。図面は必ずしも縮尺通りではなく、発明の原則を図示するにあたって、代わりに一般的に強調されている。以下の説明では、以下の図面を参照して発明のさまざまな実施形態を説明する。
実施形態の局面に従うと、システムは、治療しないまま放置されると高い尤度で重傷または死亡という結果を招くであろう急性心肺医療事象を確実に予測することができる。そのような急性心肺(ACP)事象の例は、心停止または呼吸停止、鈍的外傷障害または急性非代償性心不全に特による血液減少性ショックを含むであろう。
含むであろう。従来の臨床的兆候、徴候、および生理学的測定は、これらの種類の事象の警告をほとんど与えない。たとえば、植込型除細動器(ICD)またはLifevest (Zoll Medical)などの着用可能体外除細動器は、患者の日常の活動の間に患者の心電図(ECG
)信号を連続的に分析し、救命電気ショックを心臓に送出する。
た一方で、HRVのみでは、何らかの合理的な精度の度合いで将来的な臨床的事象を予測するには不十分である。
面はより持ち運びしやすく、したがって現場での準備が整っているため、救急車などの外での環境でおよび病院での日常的な使用に便利である。さらに、実施形態の局面は、市販のデバイスが現在行なっているように、いくつかのHRV測定値を心血管系の特定の異常と単に相関させる以上のことを行なう。実施形態の局面は、持ち運び可能なパッケージで、患者結果のリスクスコアを予測する。いくつかの市販のデバイスは持ち運び可能であるが、機能が限定されている。経験のある臨床医は出力を解釈し、いくつかの現在市販されているデバイスは正常な人の健康状態などの単純な情報しか与えない。いくつかの実施形態の局面はこのように、トリアージには極めて重要な、患者結果を自動的に予測できることと持ち運び性との組合せを欠いている既存の市販のデバイスに対する改良でもある。
スプレイ、音声チャネルおよびスピーカ、タッチスクリーンインターフェイス、ならびにスイッチを内蔵するユーザインターフェイス回路と、バッテリおよび電源回路という当業者には公知の回路素子を内蔵する。入力パネルも患者401の年齢および性別などの付加的な情報を受付ける。
チップによって提供され、ユーザインターフェイスおよび他の機能は、Linux(登録商標
)オペレーティングシステムを実行するDual-Core Intel Xeon プロセッサなどの汎用マ
イクロプロセッサによって提供される。「モジュール」という用語は、処理ユニット430が行なう特定の機能のみを参照する。図中のモジュールの境界は実際の回路構成に対応していてもしていなくてもよい。信号処理モジュール426は、ECG前処理モジュール412、鼓動検出および後処理モジュール414、およびHRVパラメータ算出モジュール416を含む。ECG前処理モジュール412は、信号取得ブロック402からの生のECGデータを処理して、最終的にECGデータから抽出されるHRVパラメータの精度に影響を及ぼすかもしれないノイズ、動きアーティファクト、および電力線干渉などの望まれない信号を抑制する。鼓動検出および後処理モジュール414は、後処理の間に、E
CG前処理モジュール412からのノイズ除去された信号に対して作用して心拍を検出するとともに非正弦鼓動を排除する。連続正弦鼓動の間の持続時間は、RRI(鼓動から鼓動への間隔)シーケンスにコンパイルされ、そこからHRVパラメータが計算される。抽出は好ましくは患者の正弦律動から導出されるECG信号からのものである。
Tlower = ref_peak - 0.35* ref_peak
次に、R波は、以下の条件が満たされた場合にポイントiで発生するといわれている。
x(i+1)−x(i)<0であり;かつ
x(i)−x(i−1)>0である;
式中、Rピークは最大値を有するポイントである。
場所が定められる。
ワーの比(LF/HF)と、正規化された単位でのLFパワー:LF/(TP-VLF)×100 (LFnorm)と、正規化された単位でのHFパワー:HF/(TP-VLF)×100 (HFnorm)とのパラメータのうちいずれか1つ以上についての情報を含んでもよい。
び患者の特性に関するパラメータを含む。患者の健康データは複数の組のデータを含んでもよく、ここで各々の組のデータは、これらのパラメータ、すなわち、心拍変動性に関する第1のパラメータ、バイタルサインデータに関する第2のパラメータ、患者の特性に関する第3のパラメータ、または患者の生存性に関する第4のパラメータ、のうち単一のカテゴリから形成されてもよい。一方で、各々の組のデータは、心拍変動性に関する第1のパラメータと、バイタルサインデータに関する第2のパラメータと、年齢、性別、または他の人口学的特性、および糖尿病、心筋梗塞、高血圧などの患者の既往歴における具体的な状態などの患者の特性に関する第3のパラメータとのうち少なくとも1つなどの、これらのパラメータのカテゴリの組合せを有してもよい。心筋梗塞の発生した日付、心筋梗塞後の駆出率、または心室組織損傷の百分率での程度などの具体的状態の重篤さもシステムに記録され与えられる。他の記述子は、患者がさまざまな医学的状態を治療するのに用いる具体的な投薬法であってもよい。退院までの生存のような結果などの患者の生存性に関する第4のパラメータを設けてもよい。第4のパラメータは、アルゴリズム展開のトレーニング段階の間と、予測アルゴリズムの実際の精度を記録することにより精度を向上させるおよびその精度を向上させるための好適な修正を行なう手段としての使用の間とにおいてアルゴリズムのトレーニングの手段として用いられる。その組のデータは、患者の生存性に関するパラメータを必ずしも含まなくてもよい。これに代えて、各々の組の患者の健康データは4つのパラメータすべてを含んでもよい。このように、患者の健康データ内で、1組のデータは、別の組のデータと比較して、同じ数のパラメータを含まなくてもよいことが認められるであろう。さらに、患者の健康データは、(アナログ信号などの)4つのパラメータの各々が元々得られた形態、すなわち得られた測定値の元の形態、から変換されたデジタルデータとして記憶される。
ることができる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られる(患者の健康に関する複数の組のデータ中の第2のパラメータと称される)パラメータのうち1つであってもよいことが先に言及された。
」からの「statMAPTM Model 7200」などの血圧測定デバイスを用いて測定されてもよい。これに代えて、血圧計または水銀マノメータなどのデバイスを用いてもよい。脈拍、パルスオキシメトリ、および呼吸数は、呼吸曲線を用いて測定されてもよい。グラスゴーコーマスケール(GCS)は、(四肢、目などの)患者の身体的運動(motor)および/また
は医療専門家からの指示に対する口頭での応答の自発性の度合いを指す。疼痛スコアは、患者に加えられる痛みに対する(四肢または身体の部分の内転、回内、または伸長;屈曲または引込めなどの)応答の度合いを指す。体温は体温計を用いて記録してもよい。
は強度)は変化するように適合される。
xi)はxおよびxiによって構築される核行列であり、yiは1または−1であり、これ
は特徴ベクトルxiのラベルであり、aiおよびbはパターンの2つのクラス同士の間のマージンを特徴空間中で最大化できるように最適な決定超平面を規定するように用いられるパラメータである。
ち1つの入力への入力ベクトルであり、wiはxjの入力ベクトルを受ける人工ニューロンの入力の関連付けられた重みであり、g(wi・xj+bi)は、i=1,2,…,N個の
人工ニューロンについてのxjの入力ベクトルを受ける人工ニューロンの出力であり、βiはi番目の隠れニューロンをそれぞれの出力ニューロンに関連付ける出力重みベクトルであり、biはi番目の隠れニューロンについてのバイアスである。
、正弦、放射基底、および線形を備える関数の群から選択される。
ラメータ、および第3の組のパラメータの各パラメータ毎のスコアの和である合計スコアが得られる。合計スコアは患者の生存性の指標を与える。
ステップ102で、患者の健康データが電子データベースに記憶される。患者の健康データは複数の組のデータを含み、各々の組は、心拍変動性データに関する第1のパラメータおよびバイタルサインデータに関する第2のパラメータのうち少なくとも1つを有する。複数の組のデータの各々は患者の生存性に関する第3のパラメータをさらに有する。
を含む。図2は、隠れ層204が3つの人工ニューロン2041、2042、および2043のみを有していると示すが、任意の数の人工ニューロンを用いてもよいことが認められ
るであろう。出力層は2つの出力ノード2061および2062を有する。
れてもよい。しかしながら、簡略さのため、入力層202と隠れ層204との間の2、3のそのような接続しか図2には図示しない。同様に、人工ニューロン2041、2042、および2043の各々の出力は、出力層206中の出力ノード2061および2062のあ
らゆる1つの入力に接続されてもよい。このように、相互接続されたノードのネットワークが形成される。
する。簡略さのため、人工ニューロン2041の入力2081および2082である、人工
ニューロンの1つについての入力のみを図2で標識付ける。それぞれの人工ニューロン(2041、2042、および2043)の各々の入力は関連付けられた重みを有する。
力の関連付けられた重みは、患者の健康データからの異なる組のデータのそれぞれの第1、第2、および第3のパラメータに応答して調節される。図1のフローチャート100のステップ102を参照して、第1のパラメータは心拍変動性データに関し、第2のパラメータはバイタルサインデータに関し、第3のパラメータは患者の生存性に関する。
くつかの層を有する点である。人工ニューロン304nの各々の層は人工ニューロン30
4nの前のおよび後に引続く層と相互接続されてもよい。
ングして患者の生存性を予測するのにより長時間かかることである。というのも、入力を有する人工ニューロン304n(たとえば3081および3082)がより多く存在し、そ
れらの関連付けられる重みを患者の健康データに応答して調節する必要があるからである。
1.患者からの生のECG信号を動的に取得しかつ処理して、ノイズならびに移動および干渉などの他のアーティファクトの影響を低減する。
4.適切なセンサおよび信号調整回路を用いて、血圧、呼吸数、およびSpO2(動脈血酸素飽和度)を含むリアルタイムのバイタルサインを取得しかつ表示する。
システム400は以上の機能を「リアルタイム」で行なうことができる。
ロック406の3つの主な機能ブロックを有する。
Qカードは、好ましくは、約10kHzのサンプリングレートを有し、かつ16ビット量子化を用いるべきである。
いて実現されてもよい。「LabView」プログラムは、上述のように、信号取得、ノイズ除
去、鼓動検出、後処理、HRVパラメータの計算、およびリスクスコアの表示を行なう。このように、携帯電子デバイス430はスタンドアロンデバイスとして作用し、ここで、携帯電子デバイス430用の好適な配備プラットフォームは「National Instruments」による「CompactRIO」であろう。
イズ除去された信号は画面432上に表示される。
Tlower = ref_peak - 0.35* ref_peak
次に、QRSピークは、以下の条件が満たされた場合にポイントiで発生するといわれている。
x(i+1)−x(i)<0であり;かつ
x(i)−x(i−1)>0である;
式中、Rピークは最大値を有するポイントである。
データベース(たとえばMIT−BIH不整脈データベース、ウェブサイト:http://www.physionet.org/physiobank/database/mitdb/)からのデータを用いてテストされ、結果
は、手動で注釈付けられた値にぴったり一致するとわかった。技術はより高レベルのノイズおよび動きアーティファクトの影響を受ける救急車のECGデータについてもテストされ、良好な結果を得た。
時間領域測定値
1.RR間隔の平均長さ(aRR):シーケンス中のすべての正弦RR間隔の平均(N−N)
2.すべてのN−N間隔の標準偏差(SDNN)
3.平均心拍(平均HR)
4.すべての瞬間心拍値の標準偏差(SDHR)
5.連続N−N間隔の平均二乗された差の平方根(RMSSD):隣接するN−N間隔の間の差の二乗の和の平均の平方根
6.HRV三角指数:すべてのNN間隔のヒストグラムの高さで除算されたすべてのN−N間隔の合計数
7.最小二乗技術を用いてN−N間隔ヒストグラムにフィッティングされる三角形の基線の幅(TINN)。
周波数領域測定値
周波数領域測定値は、ロム−スカーグルピリオドグラムを用いて生成されるRRIシーケンスパワースペクトルに基づいて算出される。次に、以下のパラメータを算出する。
2.VLF:非常に低い周波数範囲<0.04Hz中のパワー
3.LF:低い周波数範囲0.04−0.15Hz中のパワー
4.HF:高い周波数範囲0.15−0.4Hz中のパワー
5.LFnorm:正規化された単位でのLFパワー:LF norm = LF/(TP-VLF)×100%
6.HFnorm:正規化された単位でのHFパワー:HF norm = HF/(TP-VLF)×100%
7.LF/HF:LF/HFの比。
ローチャート500を示す。
ステップ504で、患者のECG信号、脈拍、パルスオキシメトリ、血圧、および臨床情報を得る。臨床情報の例は、年齢、性別、および病歴(たとえば、癌、糖尿病、心疾患)を含む。
ステップ612でDCオフセットが除去される。
ステップ704で、修正されたしきい値プラス導関数法(threshold-plus-derivative method)を用いる。というのも、これはノイズの存在下で有効でありかつロバストであることが分かっているからである。修正されたアルゴリズムは以下のように働く。
Tlower = ref_peak - 0.35* ref_peak
ステップ710で、ECGサンプルポイントが上側および下側振幅しきい値(Tupper
およびTlower)と交わるか否かが判断される。フローチャート700は、ECGサンプ
ルポイントがこの判断基準をパスしない場合はステップ712に進まない。QRS群検出のための上側および下側振幅しきい値(TupperおよびTlower)の使用により、(たとえば電極の載置または動きアーティファクトの結果としての)ノイズによる大きなピークがQRS群として検出されないことが確実になる。
およびTlower)と交われば行なわれる。ステップ712で、ステップ710で判断基準
のチェックをパスしたサンプルポイントをQRSピークと考えることができるか否かが判断される。以下のさらなる条件が満たされれば、QRSピークがポイントiで発生するといえる。
x(i+1)−x(i)<0であり;かつ
x(i)−x(i−1)>0である;
式中、Rピークが最大値を有するポイントである。
ステップ716で、非正弦鼓動が絶縁される。非正弦鼓動に隣接する鼓動が除去され、ステップ718で明瞭なQRSピークを発生する。
1.RR間隔シーケンスについての中央値および標準偏差を求める。
3.中央間隔からMs超離れて存在する任意の間隔を探す。式中、Mは許容因子である。アウトライアーは、中央間隔からMs超離れて存在する間隔内に存在する。
ステップ724で、値の広がりに基づいて許容因子を算出する。許容因子を用いてアウトライアーを分離し、こうしてノイズのあるデータおよび正常なデータの両方を取扱う。したがって、HRVパラメータを計算する前にステップ726で、ノイズのないおよび異所性収縮のない正弦RRIシーケンスが生成される。
STD_HRは瞬間心拍の標準偏差である。
に対するLFパワーの比(LF/HF)、正規化された単位でのLFパワー:LF/(TP-VLF)×100 (LFnorm)、および正規化された単位でのHFパワー:HF/(TP-VLF)×100 (HFnorm)などの周波数領域データが算出される。スペクトル分析は、周波数領域中のHRVを評価するための高感度の定量的方法である。分析は、時系列を周波数領域に変換し、パワースペクトルを求めることによって行なわれる。さまざまな帯のスペクトルエネルギの分布が定量化され、変動性の指数として用いられる。このエネルギの分布は自律神経系の交感神経および副交感神経アームの寄与を反映する。
HRV指数(またはHRV三角指数またはRR三角指数)は、RR間隔シーケンスがサンプル密度分布に変換された後に得られる。三角指数は、密度分布の積分、すなわち、密度分布の最大値で除算したすべてのRR間隔の数である。
る。ステップ1006、1008、および1010で、患者生存性予測システムのデータが病院サーバ、携帯デバイス、および救急センターサーバに送信される。ステップ1006、1008、および1010は、臨床医がリアルタイムで遠隔に患者の状態を受信し分析することを可能にする。
タを用いて取得され、CODE-STAT Suiteを用いてダウンロードされ、患者の病院記録と一
致された。事例は、それらが70%超正弦律動を含有した場合は検討に含まれ、非正弦律動(心房および心室不整脈)の大きなセグメントが存在した場合は排除された。
ステップ1208で、正弦律動に基づいてRR間隔が算出される。事例は、(検出された正弦鼓動の数/検出された鼓動の合計数として測定される)正弦律動をそれらが70%超含有すれば検討に含まれ、それらが持続性不整脈またはノイズ/アーティファクトの大きなセグメントを含有する場合は排除される。結果的に得られる鼓動−鼓動(RR)間隔シーケンス1210がさまざまなHRV測定値を算出するために用いられる。
発明の実施形態で用いられる人工ニューラルネットワークのトレーニングにおいて、第1のパラメータ、第2のパラメータ、または第1のパラメータと第2のパラメータとの組合せは、患者の健康データの特徴ベクトルとして分類されてもよい。次に、人工ニューラルネットワークは特徴ベクトルでトレーニングされる。人工ニューラルネットワークの1つの目的は死亡率を予測することであるので、人工ニューラルネットワークは2クラス分類問題(患者結果が死亡または生存のいずれかである)を解決するように実現される。
ットワーク(200,300)をトレーニングし、最適な隠れ層重みを定めてもよい(図2および図3についての説明を参照)。
たとえば、人工ニューラルネットワーク(200,300)のトレーニングは誤差逆伝播学習に基づいてもよい。レーベンバーグ−マルカートアルゴリズムを用いて誤差逆伝播学習を行ってもよい。
エクストリームラーニングマシンアーキテクチャを用いて、(図2に示されるものなどの)SLFNを用いて発明の実施形態をトレーニングしてもよい。従来の勾配ベースの学習アプローチと比較して、ELMは学習プロセスが速い一方で、良好な一般化能力を保持する。エクストリームラーニングマシンは、人工ニューラルネットワークのすべてのパラメータを同調させる必要性を排除することによってトレーニングの速度を向上させるという利点を有する。エクストリームラーニングマシンは、追加ニューロンまたは放射基底関数(RBF)カーネルのいずれかを用いてSLFNについて実現され得る。
ち1つの入力への入力ベクトルであり、wiはxjの入力ベクトルを受ける人工ニューロンの入力の関連付けられた重みであり、g(wi・xj+bi)は、i=1,2,…,N個の
人工ニューロンについてのxjの入力ベクトル…を受ける人工ニューロンの出力であり、
βiはi番目の隠れニューロンをそれぞれの出力ニューロンに関連付ける出力重みベクト
ルであり、biはi番目の隠れニューロンのバイアスである。患者の生存性に関する予測
は上記式(2)から導出される。
別のトレーニングアルゴリズムは、人工ニューラルネットワークをサポートベクトルマシンアーキテクチャに基づかせている。サポートベクトルマシンは、2値分類のために設計された学習機械である。サポートベクトルマシンにおいて、入力ベクトルは、線形決定面(超平面)が構築される非常に高次元の特徴空間に非線形にマッピングされる。表面は、それが最大マージンを有する入力ベクトルを分離するように選ばれる。
よるLIBSVMソフトウェアパッケージであろう。
(w,xi)+b)=1である。カノニカル形式の分離超平面は次の制約を満たさなけれ
ばならない。
最適な超平面を求めるように制約最適化の問題を解決するため、二次計画法を用いる。最適化の判断基準はクラス間のマージンの幅である。次に、新しいパターンxについて、超平面決定関数を以下にように書くことができる。
xi)はxおよびxiによって構築される核行列であり、yiは1または−1であり、これ
は特徴ベクトルxiのラベルであり、aiおよびbは最適な決定超平面を規定するのに用いられるパラメータであるため、パターンの2つのクラス間のマージンを特徴空間中で最大化することができる。
・xj、シグモイド核k(xi,xj)=tanh(axi・xj+γ)、および放射基底関
数(RBF)核
セグメントベースの方法
患者からのECG信号を測定する際、ECG信号の長さは患者によって異なり、これはHRV測定値の算出に影響する。
の少なくとも1つを選択して人工ニューラルネットワークをトレーニングしてもよい。
入力
−N人の患者S1…,SNのECG信号
−バイタルサインおよび患者結果y1,…,yNを含む病院記録
−繰返しの回数Kおよび合計セグメントの数M。
1.フィルタリング、QRS検出、非正弦鼓動除去など、元のECG信号に対して前処理を行なう。
3.S’NをM個の非オーバーラップセグメントに区分し、HRV測定値
4.
ACP事象または死亡率の予測
k=1,…,Kについて
a) Ntrn人の患者を無作為に選択することによるデータセットをトレーニングセッ
トに区分し、かつ残余のNtst人の患者をテストセットに区分する。各々の患者はM個の
特徴ベクトルによって表わされるので、NtrnM個のサンプルがトレーニングセット中に
存在し、NtstM個のサンプルがテストセット中に存在する。
のNtstM個のサンプルについてラベルを予測する。したがって、各々のテスト患者はM
個の予測された結果を受ける。多数決規則を適用すると、式(8)を用いて、すべてのテスト患者に対する最終的な予測結果が得られる。
出力
−K回の繰返しの平均された結果を算出する。
すべてのセグメントを選択する代わりに、選択的セグメント(SS)方法を用いること
ができる。SS方法はセグメントのうちいくつかのみを選択する。
、MI個のセグメントが保持され、それらは破棄されるセグメントよりも対応のクラスの
中心により近い。その結果、データセットのサイズがN×MからN×MIに低減された。
選択動作が管理される(クラス情報が用いられる)ので、セグメントの選択は元のデータセットのための前処理と考えることができる。完全SSアルゴリズムを以下に与える。
入力
−ECG信号S1…,SN
−バイタルサインおよび患者結果y1…,yN
−繰返しの回数K、合計セグメントの数M、および選択されたセグメントの数M’。
1.TSアルゴリズムのステップ1−3を行ない、各患者毎にM個のセグメントを得る。
4.距離をソートし、各患者毎に個別に他のセグメントよりも対応の中心に近いM’個のセグメントを選択する。
ACP事象または死亡率の予測
k=1,…,Kについて
−合計M個のセグメントの代わりにM’個の選択されたセグメントを用いることによって作成されたデータセットを用いてTSアルゴリズム中のステップa)−c)を行なう。
出力
−K回の繰返しの平均された結果を算出する。
要約すると、人工ニューラルネットワークを分類するための上記方法のいずれかを用いて患者の生存性を予測する方法を容易にしてもよい。
患者生存性予測システム1500は、患者の心拍変動性データに関する第1の組のパラメータを受ける第1の入力1502と、患者のバイタルサインデータに関する第2の組のパラメータを受ける第2の入力1504とを含む。
患者生存性予測システム1600は、図15の患者生存性予測システム1500と同様の構成要素を共有する。患者生存性予測システム1600と図15の患者生存性予測システム1500との間の主な対比は、患者生存性予測システム1600が第1の入力1502からの第1の組のパラメータおよび第2の入力1504からの第2の組のパラメータを受けるのに単一のポートを用いないことである。むしろ、患者生存性予測システム1600は第1の入力1502からの第1の組のパラメータを受ける第1のポート1602と、第2の入力1504からの第2の組のパラメータを受ける第2のポート1604とを有する。
図17で、患者生存性予測システムはECGセンサ1702と血圧センサ1704とを有する。患者の生存性を予測するのに用いられる人工ニューラルネットワークはラップトップ1706で実現される。
ステップ2158で、必要な場合、第1の組のパラメータ、第2の組のパラメータ、および第3の組のパラメータが、電子データベースで実現されるスコアリングモデルに対し、正規化されたデータ値の組として与えられる。スコアリングモデルは、第1の組のパラメータ、第2の組のパラメータ、および第3の組のパラメータの各々のパラメータに関連付けられるそれぞれのカテゴリを有し、各々のカテゴリは複数の予め規定された値の範囲を有し、複数の値の範囲の各々は予め規定されたスコアを有する。
のパラメータの各パラメータ毎のスコアが定められる。スコアは、第1の組のパラメータ、第2の組のパラメータ、および第3の組のパラメータのそれぞれのパラメータに関連付けられるカテゴリの複数の値の範囲の、正規化されたデータ値の組を包含するそれぞれの予め規定された値の範囲に(ステップ2158からの)正規化されたデータの組を割当てることによって定められる。
8つのバイタルサインを用いて患者結果の予測のための特徴ベクトルの一部を形成した実験を行なった。これらのバイタルサインは、体温、呼吸数、脈、収縮期血圧(SBP)、拡張期血圧(DBP)、酸素飽和度(SpO2)、グラスゴーコーマスコア(GCS)、および疼痛スコアである。
およびmaxAが属性ベクトルA=[x1(i),…,xN(i)]の最小および最大値で
あり、式中、i∈[1,24]であり、Nはサンプルの合計数であると想定する。最小−最大正規化は、
−偽陽性(FP):生存例が誤って死亡と予測された。
−偽陰性(FN):死亡例が誤って生存と予測された。
特異度=TN/(TN+FP)
精度=(TP+TN)/(TP+FP+TN+FN)
一般的に、両方のクラスのより多くの事例を正しく認識できるように、高い感度、特異度、および精度が望まれる。
実現例では、各々のセグメントは250拍として設定され、患者当たり9個のセグメントが元のRR間隔シーケンスから抽出される。3つの選択されたセグメント(M’=3)に対して投票に基づく予測ストラテジを適用することにより、バイタルサイン、HRV測定値、および組合せ特徴を用いる分類結果をそれぞれ図23、図24、および図25に提示する。
予測ストラテジを以下のように要約し、図27に図示する。
別の研究では、Singapore General Hospital (SGH)、Department of Emergency Medicine (DEM)の重病の患者から8つのバイタルサインおよび生のECGデータを取得した。これらのバイタルサインは、体温、呼吸数、脈、収縮期血圧(SBP)、拡張期血圧(DBP)、酸素飽和度(SpO2)、グラスゴーコーマスコア(GCS)、および疼痛スコアを含む。ECG信号はLIFEPAK 12除細動器/モニタを用いて取得され、CODESTAT Suiteを用いてダウンロードされる。HRV測定値を算出するために適格なRR間隔を用いることを確実にするため、正弦律動を70%超含有する事例のみをデータセットに含む。要約すると、分析のために100人の患者を選び、そのうち40例が死亡し、60例が生存して退院する。
100人の患者のデータセット内で、RR間隔の長さは2273拍から21697拍へばらつき、したがってローカルシーケンスの最大長さは2273拍である。ローカルシーケンスは9個のセグメント(M=9)に分けられ、その各々は250拍の長さであった。セグメントベースの予測ストラテジを適用することにより、バイタルサイン、HRV測定値、および組合せ特徴を用いる分類結果を図29に提示する。シグモイド活性化関数とともに組合せ特徴を用いて最良の結果(精度:70.88%、感度:47.93%、特異度:78.92%)が得られ、HRV測定値またはバイタルサインのいずれかを用いた死亡率の予測は満足のいくものではないことを観察することができる。バイタルサインおよび
HRV測定値を個別に用いる場合、HRV測定値によってより高い感度が達成される一方で、バイタルサインは予測特異度において性能が勝っている。図29から、HRV測定値とバイタルサインとを組合せることが一般的に予測の性能を向上できることが観察される。
HRV測定値をECG信号から算出するやり方に従って用いる3つの予測ストラテジは、グローバル、ローカル、およびセグメントベースの方法である。これらのストラテジの詳細な説明は以下のとおりである。
−ローカルベースの方法:ローカルシーケンスからHRV測定値を算出して患者を表わす。
Claims (1)
- 患者生存性予測システムであって、
患者からの心電図(ECG)信号に基づく患者の心拍変動性データに関する第1の組のパラメータを受ける第1の入力と、
前記患者のバイタルサインデータに関する第2の組のパラメータを受ける第2の入力と、
前記患者の人口学的情報および前記患者の病歴情報のうち少なくとも1つを含む第3の組のパラメータを受ける第3の入力と、
前記第1の組のパラメータ、前記第2の組のパラメータ、および前記第3の組のパラメータを記憶するように構成されたメモリモジュールと、
前記メモリモジュールに結合され、かつ、前記第1の組のパラメータ、前記第2の組のパラメータ、および前記第3の組のパラメータを分析して、前記第1の組のパラメータ、前記第2の組のパラメータ、および前記第3の組のパラメータの解析に基づいた算出による次の72時間以内の急性心肺(ACP)事象の統計的確率の算出結果を提供するように構成された少なくとも1つのプロセッサと、
ACP事象の前記統計的確率の計算結果の少なくとも一部に基づいた前記次の72時間にわたる前記患者の生存性に関する予測を表示するように前記少なくとも1つのプロセッサに結合されたディスプレイとを備える、患者生存性予測システム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US31382210P | 2010-03-15 | 2010-03-15 | |
US61/313,822 | 2010-03-15 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016191388A Division JP6407933B2 (ja) | 2010-03-15 | 2016-09-29 | 患者の生存性を予測するシステム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018173962A true JP2018173962A (ja) | 2018-11-08 |
JP6567728B2 JP6567728B2 (ja) | 2019-08-28 |
Family
ID=44312331
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013500029A Active JP6159250B2 (ja) | 2010-03-15 | 2011-03-14 | 患者の生存性を予測するためのシステムの制御方法およびプログラム |
JP2016191388A Active JP6407933B2 (ja) | 2010-03-15 | 2016-09-29 | 患者の生存性を予測するシステム |
JP2018098787A Active JP6567728B2 (ja) | 2010-03-15 | 2018-05-23 | 患者の生存性を予測する方法 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013500029A Active JP6159250B2 (ja) | 2010-03-15 | 2011-03-14 | 患者の生存性を予測するためのシステムの制御方法およびプログラム |
JP2016191388A Active JP6407933B2 (ja) | 2010-03-15 | 2016-09-29 | 患者の生存性を予測するシステム |
Country Status (6)
Country | Link |
---|---|
US (10) | US20110224565A1 (ja) |
EP (2) | EP3435262A1 (ja) |
JP (3) | JP6159250B2 (ja) |
CN (2) | CN103038772B (ja) |
SG (2) | SG183435A1 (ja) |
WO (1) | WO2011115576A2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6893002B1 (ja) * | 2020-08-31 | 2021-06-23 | 国立大学法人 東京大学 | 情報処理システム及びプログラム |
Families Citing this family (208)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9968266B2 (en) * | 2006-12-27 | 2018-05-15 | Cardiac Pacemakers, Inc. | Risk stratification based heart failure detection algorithm |
CN103038772B (zh) | 2010-03-15 | 2017-10-24 | 新加坡保健服务集团有限公司 | 预测患者的存活性的系统和装置 |
WO2013186634A2 (en) * | 2012-06-14 | 2013-12-19 | Singapore Health Services Pte Ltd. | Predicting acute cardiopulmonary events and survivability of a patient |
WO2012065167A1 (en) | 2010-11-12 | 2012-05-18 | Zoll Medical Corporation | Real-time evaluation of cpr performance |
WO2012075221A1 (en) * | 2010-12-01 | 2012-06-07 | Data Engines Corporation | Method for inferring attributes of a data set and recognizers used thereon |
JP2013148996A (ja) * | 2012-01-18 | 2013-08-01 | Osaka Univ | 重症度判定装置、及び、重症度判定方法 |
WO2013140525A1 (ja) * | 2012-03-19 | 2013-09-26 | 富士通株式会社 | 覚醒度判定装置、覚醒度判定プログラムおよび覚醒度判定方法 |
US20220265219A1 (en) * | 2012-12-26 | 2022-08-25 | Cardiac Pacemakers, Inc. | Neural network based worsening heart failure detection |
US10262108B2 (en) | 2013-03-04 | 2019-04-16 | Board Of Regents Of The University Of Texas System | System and method for determining triage categories |
WO2014137892A1 (en) | 2013-03-04 | 2014-09-12 | Board Of Regents Of The University Of Texas System | System and method for determining triage categories |
US9775533B2 (en) | 2013-03-08 | 2017-10-03 | Singapore Health Services Pte Ltd | System and method of determining a risk score for triage |
WO2014182246A1 (en) * | 2013-05-07 | 2014-11-13 | Singapore University Of Technology And Design | A method and/ or system for magnetic localization |
US10531809B2 (en) | 2013-05-22 | 2020-01-14 | Bayland Scientific LLC | Wearable heartbeat and breathing waveform continuous monitoring system |
US11229789B2 (en) | 2013-05-30 | 2022-01-25 | Neurostim Oab, Inc. | Neuro activator with controller |
CA2913074C (en) | 2013-05-30 | 2023-09-12 | Graham H. Creasey | Topical neurological stimulation |
WO2014200804A1 (en) * | 2013-06-10 | 2014-12-18 | Zoll Medical Corporation | Rescue performance metrics for cpr and traumatic brain injury |
US9282008B2 (en) * | 2013-06-11 | 2016-03-08 | General Electric Company | Systems and methods for monitoring system performance and availability |
CN105378738B (zh) * | 2013-07-15 | 2021-11-19 | 爱克发医疗保健公司 | 用于数据处理的系统和方法 |
WO2015047608A1 (en) * | 2013-09-26 | 2015-04-02 | Cardiac Pacemakers, Inc. | Heart failure event detection using thoracic impedance |
JP6534192B2 (ja) * | 2013-09-30 | 2019-06-26 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 患者健康状態複合スコア分布及び/又はこれに基づく代表複合スコア |
WO2015066112A1 (en) | 2013-10-30 | 2015-05-07 | St. Jude Medical, Cardiology Division, Inc. | Cardiac mapping system and method for voltage-based evaluation of electrograms |
EP3076853A1 (en) * | 2013-12-06 | 2016-10-12 | Cardiac Pacemakers, Inc. | Apparatus for predicting heart failure |
WO2015084563A1 (en) * | 2013-12-06 | 2015-06-11 | Cardiac Pacemakers, Inc. | Heart failure event prediction using classifier fusion |
WO2015086020A1 (en) * | 2013-12-13 | 2015-06-18 | Quantium Medical Sl | Methods and apparatus for the on-line and real time acquisition and analysis of voltage plethysmography, electrocardiogram and electroencephalogram for the estimation of stroke volume, cardiac output, and systemic inflammation. |
JP6338298B2 (ja) * | 2014-02-19 | 2018-06-06 | 公立大学法人首都大学東京 | 体調モニタリング装置 |
JP6345446B2 (ja) * | 2014-03-10 | 2018-06-20 | 日本光電工業株式会社 | 生体情報解析装置 |
JP6305161B2 (ja) * | 2014-03-31 | 2018-04-04 | 株式会社リアルデザイン | 終末期の終末前予測システム |
US9675258B2 (en) * | 2014-04-24 | 2017-06-13 | Fujitsu Limited | Streaming updates of central moments for heart rate variability quantification |
US9414761B2 (en) * | 2014-06-02 | 2016-08-16 | Indian Institute Of Technology Delhi | QRS complex identification in electrocardiogram signals |
US20170095214A1 (en) * | 2014-06-26 | 2017-04-06 | University Of Washington | Apparatuses and methods for determining whether cardiopulmonary resuscitation is conducted based on an impedance signal |
JP6598306B2 (ja) * | 2014-07-07 | 2019-10-30 | ゾール メディカル コーポレイション | 心電図(ecg)信号において心イベントをノイズと区別する、心臓モニタ機器、装着型除細動器及び、そのための方法 |
CN104161509B (zh) * | 2014-08-08 | 2016-01-20 | 申岱 | 一种基于幅值谱的心率变异性分析方法及仪器 |
WO2016027188A1 (en) * | 2014-08-22 | 2016-02-25 | Koninklijke Philips N.V. | Generation of medical monitor alarm settings |
EP3892198B1 (en) | 2014-11-14 | 2024-03-06 | ZOLL Medical Corporation | Medical premonitory event estimation |
CN104616030B (zh) * | 2015-01-21 | 2019-03-29 | 北京工业大学 | 一种基于极限学习机算法的识别方法 |
US11077301B2 (en) | 2015-02-21 | 2021-08-03 | NeurostimOAB, Inc. | Topical nerve stimulator and sensor for bladder control |
WO2016135043A1 (en) * | 2015-02-24 | 2016-09-01 | Koninklijke Philips N.V. | Apparatus and method for providing a control signal for a blood pressure measurement device |
US9901266B2 (en) | 2015-03-06 | 2018-02-27 | Greatbatch Ltd. | Apparatus and method for personalized cardiac signal processing |
JP6453681B2 (ja) * | 2015-03-18 | 2019-01-16 | 株式会社東芝 | 演算装置、演算方法およびプログラム |
RU2728855C9 (ru) * | 2015-04-08 | 2020-10-15 | Конинклейке Филипс Н.В. | Количественный показатель предупреждения об ухудшении работы сердечно-сосудистой системы |
EP3280326B1 (en) | 2015-04-09 | 2022-06-22 | Heartbeam, Inc. | Mobile three-lead cardiac monitoring device |
US11071490B1 (en) | 2015-04-09 | 2021-07-27 | Heartbeam, Inc. | Electrocardiogram patch devices and methods |
US20160317050A1 (en) | 2015-04-28 | 2016-11-03 | Federico Perego Costa | Hemodynamic parameter (Hdp) monitoring system for diagnosis of a health condition of a patient |
CN106202847B (zh) * | 2015-04-30 | 2018-11-30 | 青岛海信医疗设备股份有限公司 | 一种就诊预测方法 |
JP6691334B2 (ja) * | 2015-05-19 | 2020-04-28 | 国立大学法人京都大学 | 睡眠時無呼吸症候群の疑いを検知するためのシステム、処理部及びコンピュータプログラム |
CN104799852B (zh) * | 2015-05-19 | 2018-05-08 | 北京工业大学 | 基于超限学习机自编码的运动想象脑电信号特征的提取方法 |
US10022057B1 (en) * | 2015-06-19 | 2018-07-17 | Michael Blake | Wearable physiological monitoring and notification system based on real-time heart rate variability analysis |
CN108024718A (zh) * | 2015-07-21 | 2018-05-11 | 代表亚利桑那大学的亚利桑那校董会 | 健康信息(数据)医学收集、处理和反馈的连续性系统和方法 |
US20170032241A1 (en) * | 2015-07-27 | 2017-02-02 | Google Inc. | Analyzing health events using recurrent neural networks |
US9336482B1 (en) * | 2015-07-27 | 2016-05-10 | Google Inc. | Predicting likelihoods of conditions being satisfied using recurrent neural networks |
FI126600B (en) * | 2015-08-10 | 2017-03-15 | Murata Manufacturing Co | Detection of sleep phenomena using ballistocardiography |
WO2017053728A1 (en) * | 2015-09-23 | 2017-03-30 | Emfit, Corp. | Heart rate monitoring device, system, and method for increasing performance improvement efficiency |
US10818393B2 (en) * | 2015-10-06 | 2020-10-27 | General Electric Company | System and method for clinical decision support |
US11331034B2 (en) | 2015-10-27 | 2022-05-17 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
US11672464B2 (en) | 2015-10-27 | 2023-06-13 | Cardiologs Technologies Sas | Electrocardiogram processing system for delineation and classification |
US10426364B2 (en) | 2015-10-27 | 2019-10-01 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
US10827938B2 (en) | 2018-03-30 | 2020-11-10 | Cardiologs Technologies Sas | Systems and methods for digitizing electrocardiograms |
WO2017072250A1 (en) * | 2015-10-27 | 2017-05-04 | CardioLogs Technologies | An automatic method to delineate or categorize an electrocardiogram |
US10779744B2 (en) | 2015-10-27 | 2020-09-22 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
JP2018533798A (ja) * | 2015-11-03 | 2018-11-15 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 患者の生理学的反応に基づいた急性呼吸器疾患症候群(ards)の予測 |
CN105286853B (zh) * | 2015-11-17 | 2019-03-15 | 安徽华米信息科技有限公司 | 基于可穿戴设备的疾病检测方法及装置、可穿戴设备 |
WO2017084546A1 (zh) | 2015-11-17 | 2017-05-26 | 安徽华米信息科技有限公司 | 基于可穿戴设备的用户关注信息确定方法、装置和可穿戴设备 |
KR101903522B1 (ko) * | 2015-11-25 | 2018-11-23 | 한국전자통신연구원 | 다차원 건강데이터에 대한 유사사례 검색 방법 및 그 장치 |
CN106037720B (zh) * | 2015-12-04 | 2019-04-19 | 贵州大学 | 混合连续信息分析技术的医学应用系统 |
CN105335763A (zh) * | 2015-12-07 | 2016-02-17 | 东华大学 | 一种基于改进型极速学习机的织物疵点分类方法 |
JP6519487B2 (ja) * | 2016-01-08 | 2019-05-29 | 株式会社デンソー | 脈波解析装置 |
US20170242973A1 (en) * | 2016-02-18 | 2017-08-24 | The Johns Hopkins University | E-triage: an electronic emergency triage system |
JP6041331B1 (ja) | 2016-02-26 | 2016-12-07 | 国立大学法人山口大学 | 情報処理装置と情報処理プログラム並びに情報処理方法 |
JP6889428B2 (ja) * | 2016-02-26 | 2021-06-18 | 国立大学法人山口大学 | 情報処理装置と情報処理プログラム並びに情報処理方法 |
CN105761488B (zh) * | 2016-03-30 | 2018-11-23 | 湖南大学 | 基于融合的实时极限学习机短时交通流预测方法 |
KR102531426B1 (ko) * | 2016-03-31 | 2023-05-12 | 엔테그리스, 아이엔씨. | 노즐 필터 |
US10755197B2 (en) * | 2016-05-12 | 2020-08-25 | Cerner Innovation, Inc. | Rule-based feature engineering, model creation and hosting |
US10888281B2 (en) | 2016-05-13 | 2021-01-12 | PercuSense, Inc. | System and method for disease risk assessment and treatment |
US10463295B2 (en) * | 2016-06-13 | 2019-11-05 | Medtronic, Inc. | Multi-parameter prediction of acute cardiac episodes and attacks |
CN106214145B (zh) * | 2016-07-20 | 2019-12-10 | 杨一平 | 一种基于深度学习算法的心电图分类方法 |
CN106214123B (zh) * | 2016-07-20 | 2019-01-25 | 杨一平 | 一种基于深度学习算法的心电图综合分类方法 |
CN106264510B (zh) * | 2016-08-23 | 2019-12-13 | 清华大学 | 一种筛选手术患者的建模方法 |
CN106408085A (zh) * | 2016-08-31 | 2017-02-15 | 天津南大通用数据技术股份有限公司 | 使用单隐层解决非线性问题的bp神经网络分类方法 |
CN106361288A (zh) * | 2016-09-28 | 2017-02-01 | 湖南老码信息科技有限责任公司 | 一种基于增量式神经网络模型的夏季性皮炎预测方法和预测系统 |
CN106580324B (zh) * | 2016-11-07 | 2019-07-16 | 广州视源电子科技股份有限公司 | 一种呼吸信号提取方法及装置 |
US11670422B2 (en) * | 2017-01-13 | 2023-06-06 | Microsoft Technology Licensing, Llc | Machine-learning models for predicting decompensation risk |
CN106821343A (zh) * | 2017-02-23 | 2017-06-13 | 张洪生 | 一种智能心血管内科护理监视系统 |
CN108509823A (zh) * | 2017-02-24 | 2018-09-07 | 深圳市理邦精密仪器股份有限公司 | Qrs波群的检测方法及装置 |
US20180249939A1 (en) * | 2017-03-06 | 2018-09-06 | Intel Corporation | Stress detection and management system |
WO2018162957A1 (en) * | 2017-03-10 | 2018-09-13 | Qatar University | Personalized ecg monitoring for early detection of cardiac abnormalities |
US10799184B2 (en) * | 2017-03-27 | 2020-10-13 | Prescient Healthcare Consulting, LLC | System and method for the identification and subsequent alerting of high-risk critically ill patients |
US11515039B2 (en) | 2017-04-28 | 2022-11-29 | University Of Southern California | System and method for predicting survival time |
WO2018200470A1 (en) | 2017-04-29 | 2018-11-01 | Cardiac Pacemakers, Inc. | Heart failure event rate assessment |
CN108784678A (zh) * | 2017-05-02 | 2018-11-13 | 深圳市是源医学科技有限公司 | 一种心脏异位搏动的分析方法、服务器及系统 |
US20180322956A1 (en) | 2017-05-05 | 2018-11-08 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Time Window-Based Platform for the Rapid Stratification of Blunt Trauma Patients into Distinct Outcome Cohorts |
US11266355B2 (en) * | 2017-05-19 | 2022-03-08 | Cerner Innovation, Inc. | Early warning system and method for predicting patient deterioration |
WO2018219809A1 (en) * | 2017-05-30 | 2018-12-06 | Koninklijke Philips N.V. | System and method for providing a layer-based presentation of a model-generated patient-related prediction |
US11009870B2 (en) | 2017-06-06 | 2021-05-18 | Zoll Medical Corporation | Vehicle compatible ambulatory defibrillator |
US11275996B2 (en) * | 2017-06-21 | 2022-03-15 | Arm Ltd. | Systems and devices for formatting neural network parameters |
CN107403061A (zh) * | 2017-07-07 | 2017-11-28 | 中北大学 | 用户医疗评估模型构建方法和医疗评估服务器 |
CN107330294A (zh) * | 2017-07-15 | 2017-11-07 | 东北大学 | 带遗忘因子的在线时序多隐含层极限学习机的应用方法 |
US11062792B2 (en) * | 2017-07-18 | 2021-07-13 | Analytics For Life Inc. | Discovering genomes to use in machine learning techniques |
JP7030853B2 (ja) | 2017-07-28 | 2022-03-07 | グーグル エルエルシー | 電子健康記録から医療イベントを予測して要約するためのシステムおよび方法 |
US10817757B2 (en) * | 2017-07-31 | 2020-10-27 | Splunk Inc. | Automated data preprocessing for machine learning |
WO2019025901A1 (en) * | 2017-08-02 | 2019-02-07 | Mor Research Applications Ltd. | SYSTEMS AND METHODS FOR PREDICTING THE APPEARANCE OF A SEPSIE |
US11735317B2 (en) * | 2017-08-11 | 2023-08-22 | Vuno, Inc. | Method for generating prediction result for predicting occurrence of fatal symptoms of subject in advance and device using same |
PL3673493T3 (pl) | 2017-08-25 | 2021-06-14 | Cardiologs Technologies Sas | Interfejs użytkownika dla analizy elektrokardiogramów |
EP3453321B1 (en) * | 2017-09-06 | 2024-05-22 | Tata Consultancy Services Limited | Non-invasive method and system for estimating blood pressure from photoplethysmogram using statistical post-processing |
US10702179B2 (en) * | 2017-09-09 | 2020-07-07 | David Young | Method for sensing arrhythmia for providing user feedback |
EP3694409B1 (en) * | 2017-10-13 | 2024-05-29 | Autem Medical, LLC | System for characterization, diagnosis, and treatment of a health condition of a patient and microtubule conductivity |
JP2021510608A (ja) | 2017-11-07 | 2021-04-30 | ニューロスティム オーエービー インコーポレイテッド | 適応回路を有する非侵襲性神経アクティベーター |
US11335460B2 (en) * | 2017-11-09 | 2022-05-17 | International Business Machines Corporation | Neural network based selection of representative patients |
CN107837082B (zh) * | 2017-11-27 | 2020-04-24 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
CN109872812A (zh) * | 2017-12-05 | 2019-06-11 | 航天信息股份有限公司 | 一种基于卷积神经网络的虚拟医生诊断系统及方法 |
US11338125B2 (en) * | 2017-12-21 | 2022-05-24 | Abiomed, Inc. | Systems and methods for predicting patient health status |
EP3709870A1 (en) * | 2017-12-22 | 2020-09-23 | Bioserenity | System and method for calculation of an index of brain activity |
KR20190088680A (ko) * | 2018-01-19 | 2019-07-29 | 울산대학교 산학협력단 | 인공 신경망 생성 장치 및 심실 부정맥 예측 장치 |
CN108255060B (zh) * | 2018-01-22 | 2020-08-21 | 集美大学 | 基于极限学习机的船舶动力定位自抗扰控制方法 |
CN108427708B (zh) * | 2018-01-25 | 2021-06-25 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、存储介质和电子装置 |
CN108364090B (zh) * | 2018-01-26 | 2021-09-24 | 深圳大学 | 一种预测城市道路表面苯系物累积负荷的方法 |
KR102106428B1 (ko) * | 2018-02-19 | 2020-05-06 | 주식회사 셀바스에이아이 | 건강나이 예측 방법 |
WO2019165004A1 (en) * | 2018-02-21 | 2019-08-29 | Patchd, Inc. | Systems and methods for subject monitoring |
CN109411042B (zh) * | 2018-02-24 | 2021-06-25 | 上海乐普云智科技股份有限公司 | 心电信息处理方法和心电工作站 |
CN108388343B (zh) * | 2018-02-26 | 2022-06-24 | 天津智空科技有限公司 | 基于专注度的脑电特征反馈对vr沉浸教学管理系统 |
US10618522B2 (en) * | 2018-03-27 | 2020-04-14 | Hong Kong Productivity Council (HKPC) | Drowsiness detection and intervention system and method |
FR3079405B1 (fr) * | 2018-03-30 | 2023-10-27 | Substrate Hd | Dispositif informatique de detection de troubles du rythme cardiaque |
EP3788588A4 (en) * | 2018-04-30 | 2022-01-26 | The Board Of Trustees Of The Leland Stanford Junior University | SYSTEM AND PROCEDURES FOR HEALTH MAINTENANCE USING PERSONAL DIGITAL PHENOTYPES |
CN108648449A (zh) * | 2018-05-11 | 2018-10-12 | 杭州电子科技大学 | 基于卡尔曼滤波和nar神经网络组合的车位预测方法 |
EP3591663A1 (en) | 2018-07-06 | 2020-01-08 | Koninklijke Philips N.V. | Computer aided diagnosis and monitoring of heart failure patients |
EP3594861B1 (en) | 2018-07-09 | 2024-04-03 | Tata Consultancy Services Limited | Systems and methods for classification of multi-dimensional time series of parameters |
CN109117729A (zh) * | 2018-07-11 | 2019-01-01 | 上海夏先机电科技发展有限公司 | 心电图室性逸搏实时判断方法、装置、系统及存储介质 |
EP3599616A1 (en) | 2018-07-25 | 2020-01-29 | Siemens Healthcare GmbH | System and method for providing a medical data structure for a patient |
CN108937916A (zh) * | 2018-08-03 | 2018-12-07 | 西南大学 | 一种心电信号检测方法、装置及存储介质 |
CN109325402B (zh) * | 2018-08-06 | 2022-04-15 | 高维度(深圳)生物信息智能应用有限公司 | 一种信号处理方法、系统及计算机存储介质 |
CN112703562A (zh) * | 2018-09-18 | 2021-04-23 | 皇家飞利浦有限公司 | 一般和个人患者风险预测 |
JP2020048674A (ja) | 2018-09-25 | 2020-04-02 | 三井化学株式会社 | 生体情報取得方法、生体情報取得モデル学習方法、装置、及びプログラム |
CN112789083A (zh) | 2018-10-05 | 2021-05-11 | 美敦力公司 | 心脏快速性心律失常的多层预测 |
EP3870039A4 (en) * | 2018-10-26 | 2022-08-10 | Mayo Foundation for Medical Education and Research | NEURAL NETWORKS FOR SCREENING OF ATRIAL FIBERS |
CN109394206B (zh) * | 2018-11-14 | 2021-08-27 | 东南大学 | 基于穿戴式心电信号中早搏信号的实时监测方法及其装置 |
KR102049829B1 (ko) * | 2018-12-05 | 2019-11-28 | 주식회사 뷰노 | 피검체의 위험도를 평가하여 상기 위험도에 따라 상기 피검체를 분류하는 방법 및 이를 이용한 장치 |
CN111317440A (zh) * | 2018-12-13 | 2020-06-23 | 通用电气公司 | 患者的预警方法、使用该方法的监护设备及可读存储介质 |
US11443853B2 (en) | 2018-12-14 | 2022-09-13 | Prescient Healthcare Consulting, LLC | Dynamic rolling seventy of illness score for a critically ill patient |
WO2020123102A1 (en) * | 2018-12-14 | 2020-06-18 | Heartbeam, Inc. | Hand held device for automatic cardiac risk and diagnostic assessment |
KR102257830B1 (ko) * | 2018-12-18 | 2021-05-28 | 연세대학교 산학협력단 | 사망 위험도의 예측 방법 및 이를 이용한 디바이스 |
CN109859834A (zh) * | 2018-12-28 | 2019-06-07 | 首都医科大学附属北京地坛医院 | 一种预测死亡率的处理方法及装置 |
CN109599181B (zh) * | 2019-01-09 | 2021-04-16 | 中国医学科学院肿瘤医院 | 一种在治疗前针对t3-larc患者的生存预测系统及预测方法 |
CN109783385B (zh) * | 2019-01-14 | 2022-05-24 | 中国银行股份有限公司 | 一种产品测试方法和装置 |
US10813612B2 (en) | 2019-01-25 | 2020-10-27 | Cleerly, Inc. | Systems and method of characterizing high risk plaques |
US12016694B2 (en) | 2019-02-04 | 2024-06-25 | Cardiologs Technologies Sas | Electrocardiogram processing system for delineation and classification |
CN113825447A (zh) | 2019-04-10 | 2021-12-21 | 奥特美医疗有限责任公司 | 用于患者结局的预后预测的系统及其使用方法 |
US11285313B2 (en) * | 2019-05-02 | 2022-03-29 | Nupulsecv, Inc. | Predictive QRS detection and R-to-R timing systems and methods |
US11694804B2 (en) | 2019-05-06 | 2023-07-04 | Medtronic, Inc. | Reduced power machine learning system for arrhythmia detection |
US11583687B2 (en) | 2019-05-06 | 2023-02-21 | Medtronic, Inc. | Selection of probability thresholds for generating cardiac arrhythmia notifications |
US11723577B2 (en) | 2019-05-06 | 2023-08-15 | Medtronic, Inc. | Visualization of arrhythmia detection by machine learning |
US20200352466A1 (en) | 2019-05-06 | 2020-11-12 | Medtronic, Inc. | Arrythmia detection with feature delineation and machine learning |
US11475998B2 (en) * | 2019-05-06 | 2022-10-18 | Medtronic, Inc. | Data preparation for artificial intelligence-based cardiac arrhythmia detection |
US11776691B2 (en) | 2019-05-06 | 2023-10-03 | Medtronic, Inc. | Machine learning based depolarization identification and arrhythmia localization visualization |
EP3965649A4 (en) * | 2019-05-08 | 2023-01-25 | LifeLens Technologies, Inc. | MONITORING AND PROCESSING OF PHYSIOLOGICAL SIGNALS TO DETECT AND PREDICT A DYSFUNCTION OF AN ANATOMICAL ELEMENT IN AN INDIVIDUAL |
CN110263684B (zh) * | 2019-06-06 | 2021-02-09 | 山东省计算中心(国家超级计算济南中心) | 基于轻量级神经网络的心电图分类方法 |
KR20220016965A (ko) * | 2019-06-07 | 2022-02-10 | 노파르티스 아게 | 의료 데이터를 탐색하기 위한 방법 |
US11253162B2 (en) * | 2019-06-11 | 2022-02-22 | GE Precision Healthcare LLC | Method and system for heart rate estimation |
CN110200617A (zh) * | 2019-06-26 | 2019-09-06 | 慧言科技(天津)有限公司 | 一种利用心率变异性定量评价疼痛的系统 |
KR20220025834A (ko) | 2019-06-26 | 2022-03-03 | 뉴로스팀 테크놀로지스 엘엘씨 | 적응적 회로를 갖는 비침습적 신경 활성화기 |
CN110338777A (zh) * | 2019-06-27 | 2019-10-18 | 嘉兴深拓科技有限公司 | 融合心率变异特征和面部表情特征的疼痛评估方法 |
FR3098390B1 (fr) * | 2019-07-10 | 2022-01-07 | Commissariat Energie Atomique | Procédé d'estimation de la qualité d'un signal de rythme cardiaque |
US11488702B2 (en) * | 2019-07-18 | 2022-11-01 | Physiq, Inc. | System and method for improving cardiovascular health of humans |
WO2021019984A1 (ja) * | 2019-07-29 | 2021-02-04 | 株式会社カルディオインテリジェンス | 心電図表示装置、心電図表示方法及びプログラム |
US11631500B2 (en) * | 2019-08-20 | 2023-04-18 | Siemens Healthcare Gmbh | Patient specific risk prediction of cardiac events from image-derived cardiac function features |
CN110403601A (zh) * | 2019-08-27 | 2019-11-05 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号qrs波群识别方法 |
CN110693486B (zh) * | 2019-09-27 | 2022-06-14 | 武汉中旗生物医疗电子有限公司 | 一种心电图的异常标注方法及装置 |
US11017902B2 (en) * | 2019-10-25 | 2021-05-25 | Wise IOT Solutions | System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud |
CN110946573A (zh) * | 2019-11-01 | 2020-04-03 | 东软集团股份有限公司 | 心脏停搏的检测装置、检测模型的训练装置、方法及设备 |
US10842572B1 (en) * | 2019-11-25 | 2020-11-24 | Farapulse, Inc. | Methods, systems, and apparatuses for tracking ablation devices and generating lesion lines |
EP4073738A4 (en) * | 2019-12-10 | 2023-01-11 | Siemens Healthcare Diagnostics Inc. | DEVICE AND METHOD FOR ANALYZING DIAGNOSTIC TEST ORDERS |
CN114728161A (zh) | 2019-12-16 | 2022-07-08 | 神经科学技术有限责任公司 | 具有升压电荷输送的非侵入性神经激活器 |
KR20220124217A (ko) | 2020-01-07 | 2022-09-13 | 클리어리, 인크. | 의료 영상 분석, 진단, 위험도 층화, 의사 결정 및/또는 질환 추적을 위한 시스템, 방법 및 디바이스 |
US20220392065A1 (en) | 2020-01-07 | 2022-12-08 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
US11969280B2 (en) | 2020-01-07 | 2024-04-30 | Cleerly, Inc. | Systems, methods, and devices for medical image analysis, diagnosis, risk stratification, decision making and/or disease tracking |
CN111292853B (zh) * | 2020-01-15 | 2023-05-26 | 长春理工大学 | 基于多参数的心血管疾病风险预测网络模型及其构建方法 |
CN111248879B (zh) * | 2020-02-20 | 2021-12-07 | 电子科技大学 | 一种基于多模态注意力融合的高血压老年人活动分析方法 |
CA3171471A1 (en) * | 2020-02-20 | 2021-08-26 | The Board Of Trustees Of The Leland Stanford Junior University | System and method for guiding direction to and treating targets for abnormal biological rhythms |
CN111370126B (zh) * | 2020-03-17 | 2023-04-25 | 杭州妞诺科技有限公司 | 基于惩罚集成模型的icu死亡率预测方法及系统 |
US11676722B1 (en) * | 2020-03-23 | 2023-06-13 | Biocogniv Inc. | Method of early detection, risk stratification, and outcomes prediction of a medical disease or condition with machine learning and routinely taken patient data |
US20230320566A1 (en) * | 2020-04-01 | 2023-10-12 | GI Scientific, LLC | Systems and methods for diagnosing and/or treating patients |
CN111553478B (zh) * | 2020-05-06 | 2023-08-04 | 西安电子科技大学 | 基于大数据的社区老年人心血管疾病预测系统与方法 |
US20230181059A1 (en) * | 2020-05-14 | 2023-06-15 | Vayyar Imaging Ltd. | Systems and methods for ongoing monitoring of health and wellbeing |
CN111627559B (zh) * | 2020-06-17 | 2023-08-29 | 北京大学第三医院(北京大学第三临床医学院) | 预测患者死亡风险的系统 |
US11763449B2 (en) | 2020-07-24 | 2023-09-19 | Zoll Medical Corporation | Systems and methods for generating and applying matrix images to monitor cardiac disease |
EP4192354A1 (en) | 2020-08-10 | 2023-06-14 | Cardiologs Technologies SAS | Electrocardiogram processing system for detecting and/or predicting cardiac events |
CN112022144B (zh) * | 2020-09-09 | 2022-05-24 | 生物岛实验室 | 心电异常检测网络训练方法、心电异常预警方法及装置 |
JP2023543836A (ja) * | 2020-09-30 | 2023-10-18 | コーニンクレッカ フィリップス エヌ ヴェ | 心イベントを検出及び/又は予測するための、心電図処理システム |
CN112270994B (zh) * | 2020-10-14 | 2021-08-17 | 中国医学科学院阜外医院 | 一种风险预测模型的构建方法、设备、终端及存储介质 |
CN112102945B (zh) * | 2020-11-09 | 2021-02-05 | 电子科技大学 | 一种用于预测covid-19病患重症化的装置 |
CN112568908A (zh) * | 2020-12-14 | 2021-03-30 | 上海数创医疗科技有限公司 | 采用多尺度视野深度学习的心电波形定位加分类模型装置 |
DE102021201461A1 (de) | 2021-02-16 | 2022-08-18 | Continental Automotive Gmbh | System zur Überwachung von Vitaldaten eines Insassen eines Fahrzeugs |
US20220369937A1 (en) * | 2021-03-08 | 2022-11-24 | Medtronic, Inc. | Acute health event monitoring |
US11633112B2 (en) | 2021-03-08 | 2023-04-25 | Medtronic, Inc. | Automatic alert control for acute health event |
US20240194347A1 (en) * | 2021-04-08 | 2024-06-13 | Biotronik Se & Co. Kg | Private AI Training |
EP4312769A1 (en) | 2021-04-16 | 2024-02-07 | Physcade, Inc. | Personalized heart rhythm therapy |
CN113139598B (zh) * | 2021-04-22 | 2022-04-22 | 湖南大学 | 一种基于改进智能优化算法的入侵检测方法和系统 |
KR102565874B1 (ko) * | 2021-06-07 | 2023-08-09 | 주식회사 카카오헬스케어 | 기계학습을 위한 의료데이터의 벡터화 방법, 이를 구현한 데이터 변환 장치 및 데이터 변환 프로그램 |
KR102477805B1 (ko) * | 2021-06-22 | 2022-12-15 | 주식회사 오톰 | 체온과 산소포화도 진단이 가능한 통합 포터블 엑스레이 기기 및 이를 이용한 폐부위 체온측정방법 |
US20220409075A1 (en) * | 2021-06-25 | 2022-12-29 | Panasonic Intellectual Property Management Co., Ltd. | Physiological condition monitoring system and method thereof |
CN113558632B (zh) * | 2021-07-26 | 2023-10-20 | 中国人民解放军陆军军医大学 | 基于心脑电信号的心肺复苏后神经功能结局评估系统 |
WO2023076331A1 (en) * | 2021-10-28 | 2023-05-04 | Preventice Solutions, Inc. | Electrocardiogram wave segmentation using machine learning |
AU2022399429A1 (en) * | 2021-12-01 | 2024-05-23 | The Johns Hopkins University | Methods and systems for physiological detection and alerting |
CN114159070A (zh) * | 2021-12-20 | 2022-03-11 | 武汉大学 | 一种卷积神经网络的心脏骤停风险实时预测方法及系统 |
US20230289963A1 (en) | 2022-03-10 | 2023-09-14 | Cleerly, Inc. | Systems, devices, and methods for non-invasive image-based plaque analysis and risk determination |
US11529085B1 (en) | 2022-04-21 | 2022-12-20 | Heartbeam, Inc. | Apparatus for generating an electrocardiogram |
CN114937486B (zh) * | 2022-06-22 | 2023-09-26 | 肾泰网健康科技(南京)有限公司 | Idh预测及干预措施推荐多任务模型的构建方法及应用 |
US20240000371A1 (en) * | 2022-06-30 | 2024-01-04 | Welch Allyn, Inc. | Vital signs monitor having user configurable machine learned patient deterioration model |
CN116978570B (zh) * | 2023-09-25 | 2024-02-06 | 之江实验室 | 一种在线实时患者危重程度评估及生命体征参数预测系统 |
CN117648613B (zh) * | 2024-01-30 | 2024-05-28 | 北京神州龙芯科技有限公司 | 一种基于人工智能的糖尿病足溃疡预测方法及系统 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4957115A (en) | 1988-03-25 | 1990-09-18 | New England Medical Center Hosp. | Device for determining the probability of death of cardiac patients |
US5501229A (en) * | 1994-08-01 | 1996-03-26 | New England Medical Center Hospital | Continuous monitoring using a predictive instrument |
US5755671A (en) | 1995-10-05 | 1998-05-26 | Massachusetts Institute Of Technology | Method and apparatus for assessing cardiovascular risk |
US6454707B1 (en) * | 1999-03-08 | 2002-09-24 | Samuel W. Casscells, III | Method and apparatus for predicting mortality in congestive heart failure patients |
CN2437291Y (zh) * | 1999-09-23 | 2001-07-04 | 北京卡迪欧医疗设备有限责任公司 | 一种心脏猝死高危患者快速hrv测量仪及分析仪 |
US6665559B2 (en) | 2000-10-06 | 2003-12-16 | Ge Medical Systems Information Technologies, Inc. | Method and apparatus for perioperative assessment of cardiovascular risk |
JP2002143097A (ja) * | 2000-11-10 | 2002-05-21 | Kuniaki Otsuka | 疾病発症予知通報システム及び方法 |
US6656125B2 (en) * | 2001-06-01 | 2003-12-02 | Dale Julian Misczynski | System and process for analyzing a medical condition of a user |
US8630702B2 (en) | 2002-09-20 | 2014-01-14 | Angel Medical Systems, Inc. | System for detection of different types of cardiac events |
US20040122704A1 (en) * | 2002-12-18 | 2004-06-24 | Sabol John M. | Integrated medical knowledge base interface system and method |
US7142907B2 (en) * | 2003-07-01 | 2006-11-28 | Ge Medical Systems Information Technologies, Inc. | Method and apparatus for algorithm fusion of high-resolution electrocardiograms |
US7272435B2 (en) | 2004-04-15 | 2007-09-18 | Ge Medical Information Technologies, Inc. | System and method for sudden cardiac death prediction |
US20070112275A1 (en) * | 2005-08-15 | 2007-05-17 | Cooke William H | Medical Intervention Indicator Methods and Systems |
US7650181B2 (en) * | 2005-09-14 | 2010-01-19 | Zoll Medical Corporation | Synchronization of repetitive therapeutic interventions |
US20070276275A1 (en) | 2006-05-24 | 2007-11-29 | University Of Miami | Screening method and system to estimate the severity of injury in critically ill patients |
US10163174B2 (en) | 2006-05-30 | 2018-12-25 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer program products for evaluating a patient in a pediatric intensive care unit |
US8475387B2 (en) * | 2006-06-20 | 2013-07-02 | Adidas Ag | Automatic and ambulatory monitoring of congestive heart failure patients |
EP2061374A4 (en) * | 2006-08-31 | 2011-11-02 | Nonlinear Medicine Inc | AUTOMATIC NOISE REDUCTION SYSTEM FOR THE PROGNOSIS OF ARRHYTMIETOD |
WO2009138976A2 (en) * | 2008-05-12 | 2009-11-19 | Earlysense Ltd | Monitoring, predicting and treating clinical episodes |
CN101073495A (zh) * | 2007-06-15 | 2007-11-21 | 东华大学 | 嵌入服装式人体亚健康智能评估装置及方法 |
US20090177102A1 (en) * | 2008-01-07 | 2009-07-09 | The General Electric Company | System, method and device for predicting sudden cardiac death risk |
EP2257216B1 (en) | 2008-03-12 | 2021-04-28 | Medtronic Monitoring, Inc. | Heart failure decompensation prediction based on cardiac rhythm |
CN101554322B (zh) * | 2008-04-09 | 2012-07-04 | 陈敦金 | 产科危重症患者病情评估系统 |
CN103038772B (zh) | 2010-03-15 | 2017-10-24 | 新加坡保健服务集团有限公司 | 预测患者的存活性的系统和装置 |
-
2011
- 2011-03-14 CN CN201180024232.5A patent/CN103038772B/zh active Active
- 2011-03-14 CN CN201710880339.9A patent/CN107742534A/zh active Pending
- 2011-03-14 WO PCT/SG2011/000102 patent/WO2011115576A2/en active Application Filing
- 2011-03-14 SG SG2012062030A patent/SG183435A1/en unknown
- 2011-03-14 JP JP2013500029A patent/JP6159250B2/ja active Active
- 2011-03-14 EP EP18193483.7A patent/EP3435262A1/en active Pending
- 2011-03-14 SG SG10201501889WA patent/SG10201501889WA/en unknown
- 2011-03-14 EP EP11713384.3A patent/EP2534597B1/en active Active
- 2011-03-14 US US13/047,348 patent/US20110224565A1/en not_active Abandoned
-
2013
- 2013-04-23 US US13/868,605 patent/US8668644B2/en active Active
-
2014
- 2014-03-06 US US14/199,495 patent/US8951193B2/en active Active
- 2014-03-06 US US14/199,479 patent/US8932220B2/en active Active
- 2014-12-12 US US14/569,150 patent/US9295429B2/en active Active
-
2015
- 2015-02-06 US US14/616,057 patent/US9420957B2/en active Active
-
2016
- 2016-08-03 US US15/227,212 patent/US9795342B2/en active Active
- 2016-09-29 JP JP2016191388A patent/JP6407933B2/ja active Active
-
2017
- 2017-09-20 US US15/709,608 patent/US10136861B2/en active Active
-
2018
- 2018-05-23 JP JP2018098787A patent/JP6567728B2/ja active Active
- 2018-10-16 US US16/161,876 patent/US10888282B2/en active Active
-
2020
- 2020-12-08 US US17/115,142 patent/US11647963B2/en active Active
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6893002B1 (ja) * | 2020-08-31 | 2021-06-23 | 国立大学法人 東京大学 | 情報処理システム及びプログラム |
JP2022040892A (ja) * | 2020-08-31 | 2022-03-11 | 国立大学法人 東京大学 | 情報処理システム及びプログラム |
US11412978B2 (en) | 2020-08-31 | 2022-08-16 | The University Of Tokyo | Information processing system and program |
Also Published As
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6567728B2 (ja) | 患者の生存性を予測する方法 | |
Gutiérrez-Gnecchi et al. | DSP-based arrhythmia classification using wavelet transform and probabilistic neural network | |
Oweis et al. | QRS detection and heart rate variability analysis: A survey | |
CN105228508B (zh) | 一种测定用于分类的危险评分的系统 | |
CN108577830B (zh) | 一种面向用户的体征信息动态监护方法和动态监护系统 | |
Sansone et al. | Electrocardiogram pattern recognition and analysis based on artificial neural networks and support vector machines: a review | |
Anbalagan et al. | Analysis of various techniques for ECG signal in healthcare, past, present, and future | |
Adams et al. | Using neural networks to predict cardiac arrhythmias | |
WO2013186634A2 (en) | Predicting acute cardiopulmonary events and survivability of a patient | |
Simjanoska et al. | ECG-derived Blood Pressure Classification using Complexity Analysis-based Machine Learning. | |
Tyagi et al. | A review on heartbeat classification for arrhythmia detection using ecg signal processing | |
Turnip et al. | An Application of Zero Cross QRS Detection Algorithm of ECG Signals with Various Subject Conditions | |
Tabei et al. | A Novel Smartphone-based & Personalized Atrial Fibrillation Detection: A Preliminary Study | |
Gunduz | Heart Failure Detection with Deep Networks Based on Electrocardiography and Impedance Cardiography Signals | |
Rezaei Yousefi | Atrial Fibrillation Detection from Photoplethysmography Data Using Artificial Neural Networks | |
Sree et al. | Pattern Recognition of ECG Signal to Detect Heart Disorders | |
Hashim et al. | Novel ECG analysis with application to atrial fibrillation detection | |
Nayak et al. | Wavelet Packet Analysis of ECG Signals to Understand the Effect of Cannabis Abuse on Cardiac Electrophysiology of Indian Women Working in Paddy Fields |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180621 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180621 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190319 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190613 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190702 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190731 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6567728 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |