JP2020182848A - 心臓アブレーション処置を改善するためのシステム及び方法 - Google Patents

Abstract

【課題】心臓アブレーション処置を改善するための複数のシステム及び方法を提供すること。【解決手段】本システム及び方法は、以前に実行された心臓アブレーションに関する情報を含むデータベースと、第１のネットワークを介してクラウドサーバに通信可能に結合されたローカルサーバと、第２のネットワークを介してローカルサーバに通信可能に結合された外科用システムと、を含むクラウドサーバを含む。クラウドサーバは、ローカルサーバを介して患者の心臓の電気的データ及び解剖学的データを外科用システムから受信し、心臓の電気的データ及び解剖学的データとデータベース情報との比較を行い、比較に基づいて心臓の外科的治療計画を生成し、外科的治療計画が心臓のグリッドを含み、ローカルサーバを介して外科的治療計画を外科用システムに送信するように構成されている。【選択図】図１

Description

本出願は、心臓アブレーション処置を改善するためのシステム、装置及び方法を提供する。

心臓アブレーションは、患者の心臓内の組織を瘢痕化又は破壊することによって患者の心調律異常を治療する外科的処置である。心臓アブレーションは、心房細動、心房粗動、心室性頻拍及びウォルフ・パーキンソン・ホワイト症候群などの心不整脈を治療するために使用されることが多い。心臓アブレーションは、心調律異常が心臓を通って移動することを防止することができる。心臓アブレーション処置では、心臓の電気的測定は、カテーテルを使用して行われる。測定に基づき、外科医は、熱（高周波）、極低温（冷凍アブレーション）又はレーザーを使用して、電気的異常が発生している心臓の領域を破壊する。

従来の心臓アブレーション処置は、アブレーションを実施する場所及び方法を決定するために、外科医の主観的なスキルにのみ依存している。従来の方法では、患者間、外科医間、病院間などでの臨床転帰のばらつきが大きい。

添付の図面と共に一例として与えられる以下の説明から、より詳細な理解が可能になる。
本開示の１つ以上の特徴を具現化することの可能な例示的なシステムの図である。 心臓アブレーションデータの分析を実行するプロセスを示す。 いくつかの実施形態による心臓アブレーション治療計画を生成するためのプロセスを示す。 いくつかの実施形態による心臓アブレーション治療を実行するためのプロセスを示す。 人工知能システムのグラフィック描写を示す。 図４の人工知能システムにおいて実行される方法を示す。 単純ベイズ計算の確率の例を示す。 例示的な決定木を示す。 例示的なランダムフォレスト分類器を示す。 例示的なロジスティック回帰を示す。 例示的なサポート・ベクター・マシンを示す。 例示的な線形回帰モデルを示す。 例示的なＫ平均クラスタリングを示す。 例示的なアンサンブル学習アルゴリズムを示す。 例示的なニューラルネットワークを示す。 ハードウェアベースのニューラルネットワークを示す。 本開示の主題の１つ以上の例示的な特徴を具現化することの可能な例示的なシステムの図である。 いくつかの実施形態による心臓アブレーション治療を採点するためのプロセスを示す。 いくつかの実施形態によるＡＲ／ＶＲシステムを使用した心臓アブレーションを行うために外科医を訓練するプロセスを示す。 外科用システムによって生成され得るマッピングの一例を示す。 外科用システムによって生成され得るマッピングの一例を示す。 外科用システムによって生成され得るマッピングの別の一例を示す。 ＲＦインデックスのＳｈｕｒｅ−ｐｏｉｎｔのディスプレイを示す。 時間に基づいてアブレーションポイントを特定するディスプレイを示す。 ＲＦインデックス詳細表現の安定性を示すディスプレイを示す。 使用中の医師に更なるパラメータの表示を提供する更なるディスプレイを示す。 使用中の医師に更なるパラメータの表示を提供する更なるディスプレイを示す。 心臓アブレーション治療計画のグラフィック表現である。 実施された第１のアブレーションの位置のグラフィック表現である。 第１の修正された心臓アブレーション治療計画のグラフィック表現である。 第２のアブレーションの位置のグラフィック表現である。 第２の修正された心臓アブレーション治療計画のグラフィック表現である。 第３のアブレーションの位置のグラフィック表現である。 第３の修正された心臓アブレーション治療計画のグラフィック表現である。 第４のアブレーションの位置のグラフィック表現である。

本発明は、機械学習及びビッグデータ分析の進歩を利用して、心臓アブレーション処置の臨床技術を改善する。本発明の実施形態は、複数の患者、複数の外科医及び複数の病院から収集されたデータを使用して、心臓アブレーション治療計画を生成することができる。本発明の実施形態は、心臓アブレーション処置が実行されている間に動的に適合されるシステム及び方法を提供することによって、臨床転帰を更に改善する。本発明の実施形態は更に、１９９６年の米国健康保険の相互運用性と説明責任に関する法律（ＨＩＰＡＡ）及び欧州連合一般データ保護規則（ＧＤＰＲ）の遵守を維持しながら、改善された臨床転帰を得ることが可能である。

心臓アブレーション処置を改善するためのシステム及び方法が含まれる。システム及び方法は、以前に実行された心臓アブレーションに関する情報を含むデータベースを含むクラウドサーバと、第１のネットワークを介してクラウドサーバに通信可能に結合されたローカルサーバと、第２のネットワークを介してローカルサーバに通信可能に結合された外科用システムとを含み、クラウドサーバが、ローカルサーバを介して外科用システムから患者の心臓の電気的データ及び解剖学的データを受信することと、心臓の電気的データ及び解剖学的データとデータベース情報との比較を実行することと、比較に基づいて心臓のための外科的治療計画を生成することであって、外科的治療計画が心臓のグリッドを含む、ことと、ローカルサーバを介して外科的治療計画を外科用システムに送信することと、を行うように構成されている。システム及び方法は、治療計画に従って変更される外科用システムの１つ以上のパラメータを含み得る。クラウドサーバは、心臓アブレーション処置が実行されている間に、外科用システムから患者の心臓の電気的データ及び解剖学的データを受信することができる。クラウドサーバは、アブレーション処置が実行された後に心臓の更なる電気的データ及び解剖学的データを受信し、更なる電気的データ及び解剖学的データに基づいてアブレーションスコアを生成するように更に構成されてもよい。アブレーション処置が複数のアブレーションを含んでもよく、クラウドサーバは、各アブレーションの後に、患者の心臓の電気的データ及び解剖学的データを外科用システムから受信する。

外科医の心臓アブレーション訓練のためのシステム及び方法が含まれる。システム及び方法は、以前に実行された心臓アブレーションに関するデータベース情報を含むクラウドサーバと、第１のネットワークを介してクラウドサーバに通信可能に結合されたＡＲ／ＶＲシステムと、を備え、ＡＲ／ＶＲシステムが、訓練アブレーションを定義するパラメータの入力を受信することと、仮想患者の電気的データ及び解剖学的データをクラウドサーバから受信することであって、仮想患者の電気的データ及び解剖学的データが、入力をデータベース情報と比較することによって求められる、ことと、仮想患者の電気的データ及び解剖学的データに基づいて、患者の心臓の仮想シミュレーションを作成することと、仮想シミュレーションで心臓アブレーション処置を実行している被訓練者の技能を測定することと、被訓練者の技能を採点することと、を行うように構成されている。

図１は、本開示の１つ以上の例示的な特徴を具現化することの可能な例示的なシステム１００の図である。システム１００では、離散型外科用ネットワーク１０１Ａ〜１０１Ｎとして表される複数の離散型ネットワークが、パブリックネットワーク１５０によってクラウドベースのプラットフォーム１６０に接続されている。いくつかの場合には、クラウドベースのプラットフォーム１６０は、Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ又はＭｉｃｒｏｓｏｆｔ Ａｚｕｒｅなどのパブリック・クラウド・コンピューティング・プラットフォーム、ＨＰ Ｅｎｔｅｒｐｒｉｓｅ ＯｎｅＳｐｈｅｒｅなどのハイブリッド・クラウド・コンピューティング・プラットフォームあるいはプライベート・クラウド・コンピューティング・プラットフォームによって実装される。

離散型ネットワーク１０１Ａ〜１０１Ｎは、例えば、別個の複数の病院又は別個の複数の医療提供者ネットワークなどの物理的境界又はエンティティ境界を越えて、単一のエンティティネットワーク内の単一の物理的位置内に配置され得る。

一実施形態では、離散型ネットワーク１０１のそれぞれは、ローカルサーバ１２０に接続された１つ以上の外科用システム１１０を含む。１つ以上の外科用システム１１０は、患者の心臓の解剖学的及び電気的測定値を取得し、心臓アブレーション処置を実行することが可能である。システム１００で使用され得る外科用システムの例は、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ（登録商標）によって販売されているＣａｒｔｏ（登録商標）３システムである。いくつかの場合には、外科用システム１１０は、測定値を、患者を一意に識別するために使用できる固有の患者識別情報（ＩＤ）又は他の情報と関連付けることができる。

外科用システム１１０はまた、及び任意選択的に、超音波、コンピュータ断層撮影（computed tomography、ＣＴ）、磁気共鳴映像法（magnetic resonance imaging、ＭＲＩ）、又は当該技術分野において既知の他の医療撮像技術を使用して、患者の心臓の解剖学的測定値又はその他の患者に関する測定値を得ることができる。外科用システム１１０は、カテーテル、心電図（electrocardiogram、ＥＫＧ）、又はその他の心臓の電気特性を測定するセンサなどを使用して電気測定値を得ることができる。次いで、解剖学的及び電気的測定値を外科用システム１１０のローカルメモリに記憶し、プライベートネットワーク１０５を使用してローカルサーバ１２０に送信してもよい。いくつかの場合には、電気的測定値及び解剖学的測定値は、取得直後にローカルサーバ１２０に送信される。

次いで、外科用システム１１０は、電気的測定値及び解剖学的測定値を組み合わせることによって患者の心臓のマッピングを生成する。患者の心臓のマッピングを外科用システム１１０のローカルメモリに記憶し、プライベートネットワーク１０５を使用してローカルサーバ１２０に送信してもよい。いくつかの場合には、マッピング及び／又は測定値を生成直後にローカルサーバ１２０に送信してもよい。

一実施形態では、外科用システム１１０は、外科医が心臓アブレーション処置を行うことを可能にする。いくつかの場合には、心臓アブレーション処置は、コンタクトフォース技術及び灌注アブレーション技術を利用することができる。心臓アブレーション処置の間、外科用システム１１０は、患者の心臓及びアブレーション処置に関する情報を取得し、記憶する。例えば、記憶された情報が、不整脈、処置の持続時間、使用したカテーテル、アブレーションセッションの数及び位置、マッピングの持続時間、アブレーションの持続時間、アブレーション電力並びにその他の通常収集される測定可能なパラメータ及び設定、又は特定の心臓アブレーションに関して収集され得る任意のパラメータ若しくは設定を含んでもよい。加えて、アブレーション処置に関する情報が、処置を行った医師に関する情報、処置が行われた特定の手術室に関する情報及び、処置を補助した支援スタッフを識別するための情報を含んでもよい。外科用システム１１０は、ローカルメモリ内のアブレーション処置に関する情報を保存することができ、プライベートネットワーク１０５を使用してローカルサーバ１２０に情報を送信することができる。いくつかの場合には、アブレーション処置に関する情報は、処置中にローカルサーバ１２０に送信されるが、他の場合には、情報がアブレーション処置の完了時に送信されてもよい。

プライベートネットワーク１０５は、イントラネット、ローカル・エリア・ネットワーク（local area network：ＬＡＮ）、広域ネットワーク（wide area network：ＷＡＮ）、メトロポリタン・エリア・ネットワーク（metropolitan area network：ＭＡＮ）、直接接続若しくは一連の接続、セルラ電話ネットワーク、又は外科用システム１１０とローカルサーバ１２０との間の通信を容易にすることが可能な任意の他のネットワーク若しくは媒体などの、当技術分野で一般的に知られている任意のネットワーク又はシステムであり得る。プライベートネットワーク１０５は、有線、無線、又はこれらの組み合わせであってもよい。有線接続は、イーサネット、ユニバーサルシリアルバス（Universal Serial Bus、ＵＳＢ）、ＲＪ−１１、又は当該技術分野において概して既知の任意の他の有線接続を使用して実装することができる。無線接続は、Ｗｉ−Ｆｉ、ＷｉＭＡＸ、及びＢｌｕｅｔｏｏｔｈ、赤外線、セルラーネットワーク、衛星、又は当該技術分野において概して既知の任意の他の無線接続方法を使用して実装することができる。更に、いくつかのネットワークは、プライベートネットワーク１０５内の通信を容易にするために、単独で又は相互に通信して動作することができる。

ローカルサーバ１２０は、電気的測定値及び解剖学的測定値、マッピング並びにアブレーション処置に関する情報をローカルデータベースに受信する。いくつかの場合には、ローカルデータベースは、受信されたデータを固有の患者識別可能情報と関連付ける。これらの場合には、ローカルサーバ１２０は、この「個別に識別可能な健康情報」を、１９９６年の医療保険の相互運用性と説明責任に関する法律（Health Insurance Portability and Accountability Act of 1996：ＨＩＰＡＡ）に準拠して保存してもよい。

加えて、又は代替的に、データ匿名化又はデータ合成を使用してもよい。データ匿名化又はデータ合成は、元の実データ又は実データスキーマに基づいて、あるいはランダム生成を使用して合成データを提供することによって、新しいデータを生成をするプロセスである。合成データは、元のデータセットと比較して、より大きいか又はより小さい分析的有用性を有するように構成されてもよい。合成データはまた、元のデータセットと比較して、より大きいか又はより小さいプライバシー、再識別又は開示リスクを有するように構成することもできる。一実施形態では、合成データは、僅かにランダムに修正された単一の患者データに基づいてもよい。別の一実施形態では、合成データは、合成データセットを生成するために平均化された、（特定のデータセット、特定の医師、特定の病院又は特定の状態から）具体的に選択された、又はランダムに選択された複数の患者からのデータであってもよい。本教示の範囲内で合成データセットを生成することの可能な多くの方法があることが当業者に理解されよう。一般に、あらゆるデータ合成技術の分析的有用性とプライバシーリスクとの間にはトレードオフが存在する。合成データは、実データが利用可能できない場合、使用が望ましくない場合又は適切でない場合に使用することができる。

いくつかの場合には、ローカルサーバ１２０は、物理サーバとして実装されている。他の場合には、ローカルサーバ１２０は、例えば（Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ（ＡＷＳ）（登録商標）などの）パブリック・クラウド・コンピューティング・プロバイダを介した仮想サーバとして実装されてもよい。

いくつかの場合には、ローカルサーバ１２０は、機械学習又は他の人工知能技術を使用して、ローカルデータベースに記憶されたデータを分析する。ローカルサーバは、機械学習を使用して、１）心臓の状態及び形態が類似している全ての以前の患者及び関連するアブレーション処置並びに以前の患者から得られた最良の転帰を考慮して、実施対象の心臓アブレーションの最適な治療計画を推奨し、２）心臓アブレーションが行われている間に、前述の以前の患者及びアブレーションデータを考慮して治療計画を修正し、アブレーション処置中に医師に具体的な推奨を行い、及び／又は、３）心臓アブレーションを実施した外科医の技能を、治療計画及び患者転帰を考慮して評価することができる。このようにして、医師は、アブレーション処置の計画、治療及び評価の際に全ての以前の患者及び心臓処置の経験の蓄積を役立てることにより、最良の患者転帰を達成することができる。

別の一実施形態では、ローカルサーバは、電気的測定値及び解剖学的測定値、マッピング並びにアブレーション処置に関する情報を匿名化して、匿名データを形成してもよい。次いで、ローカルサーバ１２０は、匿名データを、ＨＩＰＰＡ規制又はＧＤＰＲ規制に違反することなくパブリックネットワーク１５０を介してクラウドベースのプラットフォーム１６０に送信することができる。匿名データを使用すると、パブリックネットワーク１５０上で医師が使用できる経験データベースが大幅に拡張される。当業者は、データを匿名化するための多くの標準的な技術があり、そのような手順の詳細な説明は本説明の範囲外であることを理解するであろう。

特定の処置に関するデータの収集及び分析が、患者ごとに利用可能であり、処置の特定の部分ごとに分類された処置に関する統計を含んでもよい。このことは、任意のパラメータが他のパラメータに与える影響を医師及び研究者が測定するのに役立ち得る。一例では、このようなデータの収集及び分析により、研究者らは、心臓カテーテル処置に導入される、例えば新しいカテーテル、Ｃａｒｔｏ（登録商標）ソフトウェアの新しいバージョンなどの任意の変更を評価することが可能となる。このことは、これらの変更が患者転帰を改善するか否かを研究者らが判定することを可能にし得る。

パブリックネットワーク１５０は、インターネット、イントラネット、ローカル・エリア・ネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、メトロポリタン・エリア・ネットワーク（ＭＡＮ）、直接接続若しくは一連の接続、セルラ電話ネットワーク、又は離散型ネットワーク１０１Ａ〜１０１Ｎとクラウドベースのプラットフォーム１６０との間の通信を容易にすることが可能な任意の他のネットワーク若しくは媒体などの、当技術分野で一般的に知られている任意のネットワーク又はシステムであり得る。パブリックネットワーク１５０は、有線、無線、又はこれらの組み合わせであってもよい。有線接続は、イーサネット、ユニバーサルシリアルバス（Universal Serial Bus、ＵＳＢ）、ＲＪ−１１、又は当該技術分野において概して既知の任意の他の有線接続を使用して実装することができる。無線接続は、Ｗｉ−Ｆｉ、ＷｉＭＡＸ、及びＢｌｕｅｔｏｏｔｈ、赤外線、セルラーネットワーク、衛星、又は当該技術分野において概して既知の任意の他の無線接続方法を使用して実装することができる。更に、いくつかのネットワークは、パブリックネットワーク１５０内の通信を容易にするために、単独で又は相互に通信して動作することができる。

クラウドベースのプラットフォーム１６０は、離散型ネットワーク１０１Ａ〜１０１Ｎの各ローカルサーバ１２０から匿名データを受信し、受信した情報を匿名データベースに記憶する。いくつかの場合には、ローカルサーバ１２０は、機械学習又は他の人工知能技術を使用して、ローカルデータベースに記憶されたデータを分析する。ローカルサーバは、機械学習を使用して、１）心臓の状態及び形態が類似している全ての以前の患者及び関連するアブレーション処置並びに以前の患者から得られた最良の転帰を考慮して、実施対象の心臓アブレーションの最適な治療計画を推奨し、２）心臓アブレーションが行われている間に、前述の以前の患者及びアブレーションデータを考慮して治療計画を修正し、アブレーション処置中に医師に具体的な推奨を行い、及び／又は、３）心臓アブレーションを実施した外科医の技能を、治療計画及び患者転帰を考慮して評価することができる。このようにして、医師は、アブレーション処置の計画、治療及び評価の際に全ての以前の患者及び心臓処置の経験の蓄積を役立てることにより、最良の患者転帰を達成することができる。

多くの場合、クラウドベースのプラットフォーム１６０は、匿名データベースに記憶されたデータをサードパーティ１４０がパブリックネットワーク１５０を介してクエリするためのポータルも提供する。いくつかの場合には、サードパーティ１４０は、標準的なインターネットブラウザを使用して、クラウドベースのプラットフォーム１６０のポータルにアクセスすることができる。他の場合には、サードパーティ１４０がクラウドベースのプラットフォーム１６０のポータルにアクセスするためには、専用のアプリケーションが必要である。

クラウドベースのプラットフォームは、匿名データベース内の情報へのアクセスを、拡張現実（augmented reality：ＡＲ）／仮想現実（virtual reality：ＶＲ）システム１３０に提供することもできる。ＡＲ／ＶＲシステム１３０は、実際の心臓アブレーションの際に収集されたデータに基づいて、外科医が心臓アブレーション処置を訓練することを可能にする。

ＡＲ／ＶＲシステム１３０は、ユーザが目的の訓練を行うことを可能にする。標準的なディスプレイはシステムの全体図を提示するが、ＡＲ／ＶＲシステム１３０は、以下に説明するように、より多くの情報を収集することが重要な領域にアルゴリズムを提供することを可能にする。ＡＲ／ＶＲシステム１３０は、例えば、超音波カテーテルビームを特定の領域に配向し、及び／又は、マッピングシステムを定義して対象領域内のマップの解像度を修正し、１ｍｍ〜０．５ｍｍ又は０．１ｍｍの点密度として領域の表示を可能にするなど、特定の診断要素に焦点を当てることを可能にする。

図２Ａは、データを収集し、遡及的分析を使用してより良好な将来の治療を可能にする分析を実行するプロセス２００Ａを示す。ステップ２１０で、患者が心臓アブレーション治療を受ける前に、患者の心臓の電気的測定値及び解剖学的測定値が、外科用システム１１０を使用して記録される。ステップ２２０で、心臓アブレーション処置中に収集された利用可能な治療データが、外科用システムによって記録される。

ステップ２３０で、初期データ分析が、ステップ２１０の間に記録された電気的測定値及び解剖学的測定値並びにステップ２３０の間に収集された治療データに基づいて実行される。初期データ分析では、臨床パラメータに基づいて「類似の患者」を特定するため及び、どの程度の距離でアブレーションエネルギーが供給されたかなどの治療方法の特性を電気解剖学的パラメータに基づいて特定するために使用可能な情報を含む処置パラメータを特定することができる。

ステップ２４０で、患者に関する更なる情報を取得することができる。例えば、ＥＭＲから、患者のフィードバックから及び心臓監視装置からなどの患者の病歴及び患者のケアの継続性が、例えばフォームに記入することなどによって手動で、又は他のシステムへの接続を介して受け取られる。

ステップ２５０で、ステップ２３０、ステップ２２０及びステップ２１０から収集された情報に基づいて更なる分析が行われ、「仮想患者」特性、治療アプローチ及び「予想される転帰」が定義される。ステップ２６０で、類似の「仮想患者」のグループが特定される。類似の「仮想患者」のグループは、ステップ２５０で定義された「仮想患者」を以前に定義された仮想患者と比較することにより、ステップ２６０で特定される。

ステップ２７０で、短期、中期及び長期転帰のタイムフレームを含む利用可能な長期臨床転帰に基づいて、治療が採点される。ステップ２８０で、ステップ２７０で計算されたスコアに基づいて、類似の「仮想患者」のグループに対して推奨される治療。次いで、ステップ２９０で、患者に関する更なる長期治療データが収集される。長期治療データは、開始スコア、１年の継続症例データに基づく結果及び３年の継続症例データに基づく再採点後の結果を含んでもよい。収集された場合のこの更なるデータは、次に治療スコアを更新するためにステップ２７０で使用される。

図２Ｂは、いくつかの実施形態による、心臓アブレーション治療計画を生成するためのプロセス２００Ｂを示す。ステップ２０５で、患者の心臓の電気的測定値が外科用システム１１０によって取得される。ステップ２２０で、外科用システム１１０は、患者の解剖学的測定値を取得する。外科用システム１１０は、ステップ２０５及びステップ２２０で取得された電気的測定値及び解剖学的測定値に基づき、ステップ２２５で患者の心臓のマッピングを生成する。

ステップ２３５で、患者の心臓のマッピング、患者の心臓の解剖学的測定値及び電気的測定値は、以前の心臓アブレーション処置で収集されたデータと比較される。そのような異なる種類のデータについては、以下で詳細に述べる。差及び相関が求められ、次いで心臓アブレーション処置の治療計画がステップ２４５で生成され、ステップ２５５で外科用システム１１０によって表示される。

任意選択的に、ステップ２６５で、外科用システム１１０のパラメータは、ステップ２４５で生成された治療計画に従って心臓アブレーションを実行するように自動的に構成される。構成可能な外科用システム１１０のパラメータには、アブレーションの強度、持続時間、数及び位置が含まれる。アブレーションが医師によって行われる場合、医師は治療計画を処置のガイドとして利用する。あるいは、アブレーションが外科用ロボットによって全体的又は部分的に支援又は実行される場合、治療計画は、自動外科用ロボットシステムのためのロードマップであってもよく、すなわち、各アブレーションの位置及び持続時間が自動外科用ロボットシステムに入力され、治療計画が実行される。そのような外科用システムは、カリフォルニア州レッドウッドシティのＡｕｒｉｓ Ｈｅａｌｔｈ社製のＭｏｎａｒｃｈ外科用ロボットシステムである。

いくつかの場合には、ステップ２３５及びステップ２４５は、患者の心臓のマッピング、患者の心臓の解剖学的測定値及び電気測定値をローカルサーバ１２０に送信する外科用システム１１０によって実行されてもよい。ローカルサーバ１２０は、機械学習を利用して、外科用システムから受信した情報をローカルデータベースに記憶されたデータと比較することができる。次いで、ローカルサーバ１２０は、比較の結果をプライベートネットワーク１０５を介して外科用システム１１０に返送する。

他の場合には、ステップ２３５及びステップ２４５は、患者の心臓のマッピング、患者の心臓の解剖学的測定値及び電気測定値をローカルサーバ１２０を介してクラウドベースのプラットフォーム１６０に送信する外科用システム１１０によって実行されてもよい。ローカルサーバ１２０は、情報をクラウドプラットフォーム１６０に送信する前に、任意の「個々に識別可能な健康情報」を削除する。クラウドベースのプラットフォーム１６０は、次いで、機械学習を利用して、外科用システムから受信した情報を匿名データベースに記憶されたデータと比較する。クラウドベースのプラットフォーム１６０は、比較の結果を、パブリックネットワーク１５０及びローカルサーバ１２０を介して外科用システム１１０に返送する。

システムが、処置中に処置に関する多数の情報を収集してもよく、これらが分類され、後で評価段階の間に医師によって分析されてもよい。

図３は、いくつかの実施形態による心臓アブレーション治療を実行するためのプロセス３００を示す。ステップ３１０で、心臓アブレーション治療計画が外科用システム１１０によって受信される。多くの場合、心臓アブレーション治療計画はプロセス２００を使用して生成される。ステップ３２０で、外科医は、外科用システム１１０を使用し、治療計画に従って心臓アブレーションを行う。ステップ３３０で、外科用システム１１０は、治療計画に基づいて更なるアブレーションが必要であるか否かを判定する。

更なるアブレーションが必要でない場合、外科用システム１１０は、ステップ３７０で患者の心臓のアブレーション後の電気的測定値及び解剖学的測定値を取得する。任意選択的に、ステップ３７０において、アブレーション後の電気的測定値及び解剖学的測定値が外科用システム１１０によって表示される。ステップ３９０で、アブレーション後の電気的測定値及び解剖学的測定値並びにアブレーション処置に関する情報が、プライベートネットワーク１０５を介してローカルサーバ１２０に送信される。

更なるアブレーションが必要な場合、外科用システム１１０は、ステップ３４０で患者の心臓の更なる電気的測定値及び解剖学的測定値を取得する。次に、ステップ３５０で、更なる電気的測定値及び解剖学的測定値が治療計画と比較される。比較に基づき、ステップ３６０で治療計画が修正される。ステップ３２０で実行された特定のアブレーションでのエラー又は不正確さ、あるいは患者の生理機能の変化により、治療計画の修正が必要になる場合がある。任意選択的に、ステップ３６５で、外科用システム１１０のパラメータは、ステップ３６０で生成された修正後の治療計画に従って心臓アブレーションを実行するように自動的に構成されてもよい。外科用システムのパラメータには、アブレーションの強度、持続時間、数及び位置が含まれる。外科医は、ステップ３２０で、修正後の治療計画に従って更なるアブレーションを行うことができる。そのような方法で、システムは、医師に「実況で」改善又は代替案を提案し、処置の間に予期しない困難が生じた場合に医師に治療のための複数の選択肢を与えることができる。システムが、処置の各部分を評価し、医師に一定のフィードバックを提供してもよい。例えば、治療計画が位置Ｘでのアブレーションを必要とし、医師がその計画から少しでも逸脱している場合、偏差からの修正されたアブレーションスキームが必要になる場合がある。

別の一実施形態では、システムは、心臓上に詳細な「グリッド」を提供することにより、医師が特定のスポットに高精度で案内されることを可能にしてもよい。例示的なグリッドは、本明細書で後述する図６Ｂに示されている。このようなグリッドが、患者全体の心臓のマッピングの比較及び分析を容易にすることにより、局所興奮到達時間（local activation time：ＬＡＴ）マッピング、サイクル長（cycle length：ＣＬ）マッピング及びリップル周波数の提案を可能にし、これらを組み合わせて実行中の治療計画の成否を判定することを可能にしてもよい。図示されているグリッドは、説明のために大幅に簡略化されているが、実際のアブレーションに利用されるグリッドは、粒状性がより高く、したがってより解像度がより高くなることに留意されたい。しかしながら、マッピングの粒状性にかかわらず、同じ概念が適用される。

加えて、システムは、長期データについては、例えばホルタ／レコーダを介してフォローアップ情報を記録し、検討することを可能にすることにより、プロセス及び処置を良好な患者転帰と相関させることができる。

このシステムでは、患者の心臓生理機能に特に関連しない可能性がある患者に関する更なる情報を収集するために、患者の「フォーム」を含めることを可能にする。フォームの機能及び情報が、例えば、患者の年齢、体重、薬剤などを判定するための医療履歴フォームを含んでもよい。これらのフォームが、例えば１２週間などの短期間、例えば１年間などの中期間及び／又は、例えば３〜５年間以上などの長期間にわたるケアの継続性情報の収集及び推奨を可能にしてもよい。

このようなデータ及びＡＩ／機械学習アルゴリズムを利用して、システムは、人、条件などの様々な「カテゴリ」に基づいて予測アルゴリズムを開発することができる。いくつかの場合には、ステップ３４０及びステップ３５０は、更なる電気的測定値及び解剖学的測定値をローカルサーバ１２０に送信する外科用システム１１０によって実行される。ローカルサーバ１２０は、機械学習を利用して、外科用システムから受信した情報をローカルデータベースに記憶されたデータと比較することができる。次いで、ローカルサーバ１２０は、比較の結果をプライベートネットワーク１０５を介して外科用システム１１０に返送する。

他の場合には、ステップ３４０及びステップ３５０は、更なる電気的測定値及び解剖学的測定値をローカルサーバ１２０を介してクラウドベースのプラットフォーム１６０に送信する外科用システム１１０によって実行される。この場合、ローカルサーバ１２０は、情報をクラウドプラットフォーム１６０に送信する前に、任意の「個々に識別可能な健康情報」を削除する。クラウドベースのプラットフォーム１６０は、機械学習を利用して、外科用システムから受信した情報を匿名データベースに記憶されたデータと比較してもよい。次いで、クラウドベースのプラットフォーム１６０は、比較の結果を、パブリックネットワーク１５０及びローカルサーバ１２０を介して外科用システム１１０に返送する。

図４は、本明細書に開示される実施形態による人工知能システム４００のグラフィック描写を示す。システム４００は、データ４１０、マシン４２０、モデル４３０、複数の転帰４４０及び基盤となるハードウェア４５０を含む。システム４００は、複数の転帰４４０を予測できるようにするモデル４３０を構築しながら、データ４１０を使用してマシン４２０を訓練することによって動作する。システム４００が、ハードウェア４５０に対して動作してもよい。そのような構成では、データ４１０がハードウェア４５０に関連してもよく、例えば外科用システム１１０に由来してもよい。例えば、データ４１０は、進行中のデータ又はハードウェア４５０に関連する出力データであり得る。マシン４２０は、ハードウェア４５０に関連するコントローラ又はデータコレクタとして動作してもよく、あるいはこれに関連付けられていてもよい。モデル４３０は、ハードウェア４５０によって達成される転帰を予測するために、ハードウェア４５０の動作をモデル化すると共に、ハードウェア４５０から収集されたデータ４１０をモデル化するように構成され得る。ハードウェア４５０は、予測される転帰４４０を使用して、ハードウェア４５０からの所定の望ましい転帰４４０を提供するように構成され得る。

図５は、図４の人工知能システム５００において実行される方法を示す。方法５００は、ステップ５１０でハードウェアからデータを収集することを含む。このデータは、ハードウェアからの現在収集されている履歴データ又は他のデータを含んでもよい。例えば、このデータは、外科的処置中の測定を含んでもよく、処置の転帰と関連付けることができる。例えば、心臓の温度を収集し、心臓処置の転帰と相関させることができる。

方法５００は、ステップ５２０でハードウェア上でマシンを訓練することを含む。訓練は、ステップ５１０で収集されたデータの分析及び相関を含み得る。例えば、心臓の場合、温度及び転帰のデータが、処置中の心臓の温度と転帰との間に相関又は関連が存在するか否かを判定するために訓練されてもよい。

方法５００は、ステップ５３０でハードウェアに関連するデータに基づいてモデルを構築することを含む。モデルの構築が、以下に説明するように、物理的ハードウェア又はソフトウェアモデリング、アルゴリズムモデリングなどを含んでもよい。このモデリングが、収集され訓練されたデータを表現することを目指してもよい。

方法５００は、ステップ５４０でハードウェアに関連するモデルの転帰を予測することを含む。この転帰の予測が、訓練されたモデルに基づいてもよい。例えば、心臓の場合、処置中の温度が９７．７〜１００．２の時に処置から肯定的な転帰が得られると、所与の処置において、処置中の心臓の温度に基づいて転帰を予測することができる。このモデルは初歩的なものであるが、本発明の理解を深めるために例示的な目的で提供されている。

本システム及び方法は、マシンを訓練し、モデルを構築し、アルゴリズムを使用して結果を予測するように動作する。これらのアルゴリズムを使用して、訓練されたモデルを解き、ハードウェアに関連する転帰を予測してもよい。これらのアルゴリズムは、一般に分類アルゴリズム、回帰アルゴリズム及びクラスタリングアルゴリズムに区分することができる。

例えば、分類アルゴリズムは、予測される変数である従属変数が複数のクラスに分割され、所与の入力に対して１つのクラス、すなわち従属変数を予測する状況で使用される。したがって、分類アルゴリズムは、転帰を所定数の一定の事前定義された転帰から予測するために使用される。分類アルゴリズムが、単純ベイズアルゴリズム、決定木、ランダムフォレスト分類器、ロジスティック回帰、サポート・ベクター・マシン及びｋ近傍法を含んでもよい。

一般的に、単純ベイズアルゴリズムは、ベイズ定理に従い、確率論的アプローチに従う。他の確率論に基づくアルゴリズムも使用可能であり、一般に、例示的な単純ベイズアルゴリズムについて以下に説明するものと同様の確率論の原理を使用して動作することが理解されよう。

図６は、単純ベイズ計算の確率の例を示す。ベイズ定理の確率論的アプローチは、本質的には、データに直接ジャンプする代わりに、アルゴリズムがターゲットのクラスごとに事前確率のセットを持っていることを意味する。データが入力された後、単純ベイズアルゴリズムは、事前確率を更新して事後確率を形成してもよい。これは、以下の式：

で表される。

この単純ベイズアルゴリズム及びベイズアルゴリズムは、一般に、入力がｎ個のクラスの所与のリストに属しているか否かを予測する必要がある場合に有用であり得る。ｎ個全てのクラスの確率は非常に低いため、確率論的アプローチを使用することができる。

例えば、図６に示すように、ゴルフをプレーする人は、第１のデータセット６１０に示されている外の天気を含む要因に依存する。第１のデータセット６１０は、第１の列に天気を示し、第２の列にその天気に関連するプレーの結果を示す。頻度テーブル６２０では、特定の事象が発生する頻度が生成される。頻度テーブル６２０では、ある人が各気象条件においてゴルフをプレーするか又はプレーしない頻度が求められる。そこから、尤度テーブルがコンパイルされ、初期確率が生成される。例えば、天気が曇りである確率は０．２９だが、プレーの一般的な確率は０．６４である。

事後確率が、尤度テーブル６３０から生成されてもよい。これらの事後確率を、気象条件及びゴルフがそれらの気象条件でプレーされるか否かについての質問に答えるように構成してもよい。例えば、外が晴れであり、かつゴルフがプレーされる確率は、ベイズ式：
Ｐ（はい｜晴れ）＝Ｐ（晴れ｜はい）×Ｐ（はい）／Ｐ（晴れ）
によって表されてもよい。

尤度テーブル６３０によると、
Ｐ（晴れ｜はい）＝３／９＝０．３３、
Ｐ（晴れ）＝５／１４＝０．３６、
Ｐ（はい）＝９／１４＝０．６４
である。
したがって、Ｐ（はい｜晴れ）＝．３３×．６４／．３６又は約０．６０（６０％）である。

一般に、決定木はフローチャートに似たツリー構造であり、各外部ノードは属性のテストを示し、各ブランチはそのテストの結果を表す。リーフノードは、実際の予測ラベルを含む。決定木は、ツリーのルートから始まり、リーフノードに到達するまで属性値が比較される。決定木は、高次元のデータを処理する場合や、データの準備に費やされた時間がほとんどない場合に、分類器として使用できる。決定木は、単純決定木、線形決定木、代数決定木、確定的決定木、ランダム化決定木、非確定的決定木及び量子決定木の形態をとることができる。例示的な決定木を、以下に図７で示す。

図７は、ゴルフをプレーするか否かを決定する際の、上記のベイズの例と同じ構造に沿った決定木を示している。決定木において、第１のノード７１０は、決定木を下に進むための選択肢として、天気が晴れ７１２、曇り７１４及び雨７１６である場合を調べる。天気が晴れである場合、木の枝は、気温を調べる第２のノード７２０に続く。この例では、ノード７２０の気温は、高７２２又は正常７２４であり得る。ノード７２０で気温が高７２２である場合、ゴルフ「いいえ」７２３の予測結果が発生する。ノード７２０で気温が正常７２４である場合、ゴルフ「はい」７２５の予測結果が発生する。

更に、第１のノード７１０から、曇り７１４、ゴルフ「はい」７１５の結果が発生する。

第１のノードの天気７１０から、雨７１６の結果として、（再び）第３のノード７３０が温度を調べる。第３のノード７３０で気温が正常７３２である場合、ゴルフをプレーする「はい」７３３となる。第３のノード７３０で気温が低７３４である場合、ゴルフをプレーしない「いいえ」７３５となる。

この決定木から、あるゴルファーは曇天７１５の場合、正常の気温の晴天７２５の場合及び正常の気温の雨天７３３の場合はゴルフをプレーするが、このゴルファーは晴天の高温７２３又は降雨の低温７３５の場合はプレーしない。

ランダムフォレスト分類器は、決定木のコミッティーであり、各決定木は、データの属性のサブセットを与えられ、そのサブセットに基づいて予測する。決定木の実際の予測値のモードが考慮され、最終的なランダムフォレストの回答が提供される。ランダムフォレスト分類器は一般に、スタンドアロンの決定木に存在する過剰適合を軽減することで、より堅牢で正確な分類器となっている。

図８は、衣服の色を分類するための例示的なランダムフォレスト分類器を示す。図８に示すように、ランダムフォレスト分類器は、５つの決定木８１０_１、８１０_２、８１０_３、８１０_４及び８１０_５（集合的に又は概略的に決定木８１０と呼ばれる）を含む。それぞれの木は、衣服の色を分類するように設計されている。個々の木は概ね図７の決定木として動作するので、木及び決定の各々については説明しない。この図では、５つの木のうち３つ（８１０_１、８１０_２、８１０_４）が衣服が青色であると判断し、１つが衣服が緑色（８１０_３）であると判断し、残りの木は衣服が赤色（８１０_５）であると判断する。ランダムフォレストは、５つの木のこれらの実際の予測値を受け取り、実際の予測値のモードを計算して、衣服が青色であるというランダムフォレストの回答を提供する。

ロジスティック回帰は、バイナリ分類タスクのもう１つのアルゴリズムである。ロジスティック回帰は、シグモイド関数とも呼ばれるロジスティック関数に基づいている。このＳ字曲線は、任意の実数値を取り、これを０と１との間でマッピングして、漸近的にこれらの限界に近づくことができる。ロジスティックモデルは、合格／不合格、勝ち／負け、生存／死亡又は健康／病気など、特定のクラス又は事象が存在する確率をモデル化するために使用できる。これを、画像に猫、犬、ライオンなどが含まれているかどうかの判定など、いくつかのクラスのイベントをモデル化するように拡張してもよい。画像で検出される各オブジェクトには、０と１との間の確率が割り当てられ、これらの確率の合計は１となる。

ロジスティックモデルでは、「１」とラベル付けされた値の対数オッズ（オッズの対数）は、１つ以上の独立変数（「予測子」）の線形結合であり、独立変数はそれぞれ、バイナリ変数（インジケータ変数でコード化された２つのクラス）又は連続変数（任意の実数値）であり得る。「１」とラベル付けされた値の対応する確率は、０（確実に「０」の値）と１（確実に「１」の値）との間で変化する可能性があることから、このようにラベル付けされ、ロジスティック関数は、対数オッズを確率に変換する関数であることから、このように称される。対数オッズスケールの測定単位は、ロジスティック単位の別名であるロジットと呼ばれる。プロビットモデルなどの、ロジスティック関数の代わりにシグモイド関数が異なる類似のモデルも使用できる。ロジスティックモデルの特徴は、独立変数のうちの１つを増加させると、与えられた結果のオッズが一定の割合で乗法的にスケーリングされ、各独立変数がそれ自体のパラメータを有することである。バイナリ従属変数の場合、これはオッズ比を一般化する。

バイナリロジスティック回帰モデルでは、従属変数には２つのレベル（カテゴリ）がある。３つ以上の値を持つ出力は、多項ロジスティック回帰によってモデル化され、複数のカテゴリが順序付けられている場合は、順序ロジスティック回帰（例えば、比例オッズ順序ロジスティックモデル）によってモデル化される。ロジスティック回帰モデル自体は、出力の確率を入力に関して単純にモデル化し、統計的分類を実行しない（分類器ではない）が、例えば、カットオフ値を選択し、確率がカットオフよりも大きい入力を１つのクラスとして、確率がカットオフ未満である入力を他のクラスとして分類することにより、分類器の作成に使用できる。これは、バイナリ分類器を作成する一般的な方法である。

図９は、例示的なロジスティック回帰を示す。この例示的なロジスティック回帰は、変数のセットに基づいた結果の予測を可能にする。例えば、個人の成績点平均に基づいて、学校に受け入れられる結果を予測することができる。成績点平均の過去の履歴と合格との関係により、予測を行うことができる。図９のロジスティック回帰は、成績点平均変数９２０の分析が、０から１によって定義される結果９１０を予測することを可能にする。Ｓ字曲線の下端９３０では、成績点平均９２０は、受け入れられないという結果９１０を予測する。Ｓ字曲線の上端９４０では、成績点平均９２０は、受け入れられるという結果９１０を予測する。ロジスティック回帰を使用して、住宅価値、保険セクタの顧客生涯価値などを予測することができる。

サポート・ベクター・マシン（support vector machine：ＳＶＭ）を使用して、２つのクラス間のマージンを可能な限り離してデータを並べ替えることができる。これは、マージン最大化分離と呼ばれる。ＳＶＭは、その目的のためにデータセット全体を使用する線形回帰とは異なり、超平面をプロットしながらサポートベクターを考慮することが可能である。

図１０は、例示的なサポート・ベクター・マシンを示す。例示的なＳＶＭ１０００では、データは、正方形１０１０及び三角形１０２０として表される２つの異なるクラスに分類され得る。ＳＶＭ１０００は、ランダムな超平面１０３０を描画することによって動作する。この超平面１０３０は、超平面１０３０と各クラスからの最も近いデータポイント１０５０との間の距離（線１０４０で示される）を比較することによって監視される。超平面１０３０に最も近いデータポイント１０５０は、サポートベクターとして知られている。超平面１０３０は、これらのサポートベクター１０５０に基づいて描かれ、最適な超平面は、各サポートベクター１０５０からの最大距離を有する。超平面１０３０とサポートベクター１０５０との間の距離は、マージンとして知られている。

ＳＶＭ１０００は、超平面１０３０とサポートベクター１０５０との間の距離が最大になるように超平面１０３０を使用することによって、データ分類に使用され得る。このようなＳＶＭ１０００を、例えば心臓疾患を予測するために使用してもよい。

ｋ近傍法（k Nearest Neighbors：ＫＮＮ）は、一般に基本的なデータ分散を想定しておらず、合理的に短い訓練フェーズを実行する一連のアルゴリズムを指す。一般に、ＫＮＮは複数のクラスに分割された多数のデータポイントを使用して、新しいサンプルポイントの分類を予測する。運用上、ＫＮＮは新しいサンプルで整数Ｎを指定する。新しいサンプルに最も近いシステムのモデル内のＮ個のエントリが選択される。これらのエントリの最も一般的な分類が決定され、その分類が新しいサンプルに割り当てられる。ＫＮＮは一般に、訓練セットが増加するにつれて記憶空間を増加させる必要がある。これは、推定時間が訓練ポイントの数に比例して増加することも意味する。

回帰アルゴリズムでは、出力は連続量であるため、目標変数が連続的な変数である場合に回帰アルゴリズムを使用することができる。線形回帰は、回帰アルゴリズムの一般的な例である。線形回帰は、一貫した変数を考慮して、真の品質（住宅コスト、コール回数、全ての取引など）を測定するために使用可能である。変数と結果との間の関係が、最適な線を当てはめることによって求められる（このことから線形回帰と呼ばれる）。この最適線は回帰線として知られ、直接条件Ｙ＝ａ×Ｘ＋ｂで表される。線形回帰は、次元数が少ないアプローチで最もよく使用される。

図１１は、例示的な線形回帰モデルを示す。このモデルでは、予測変数１１１０が測定変数１１２０に対してモデル化される。予測変数１１１０及び測定変数１１２０のインスタンスのクラスタは、データポイント１１３０としてプロットされている。次に、データポイント１１３０は、最適線１１４０に当てはめられる。次に、後続の予測で最適線１１４０を使用するが、測定変数１１２０が与えられている場合、線１１４０を使用して予測変数１１１０を予測する。線形回帰を使用して、金融ポートフォリオ、給与予測、不動産及び交通機関の到着予定時刻をモデル化及び予測することができる。

クラスタリングアルゴリズムを、データセットのモデル化及び訓練に使用してもよい。クラスタリングでは、入力は、特徴の類似性に基づいて２つ以上のクラスタに割り当てられる。クラスタリングアルゴリズムは、通常、ガイダンスなしでデータからパターン及び有用な洞察を学習する。例えば、Ｋ平均クラスタリングなどの教師なし学習アルゴリズムを使用して、視聴者を興味、年齢、地理などに基づいて類似のグループにクラスタリングすることができる。

Ｋ平均クラスタリングは、一般に、単純な教師なし学習アプローチとみなされる。Ｋ平均クラスタリングでは、同様のデータポイントを一緒にクラスタリングし、クラスタの形でバインドすることができる。データポイントを一緒にバインドする方法の１つは、データポイント群の重心を計算することによって行われる。効果的なクラスタの決定では、Ｋ平均クラスタ化で、各ポイントのクラスタの重心からの距離が評価される。データポイントと重心との間の距離に応じて、データは最も近いクラスタに割り当てられる。クラスタリングの目的は、一連のラベルなしデータの固有のグループ化を決定することである。Ｋ平均における「Ｋ」は、形成されたクラスタの数を表す。クラスタの数（基本的には、データの新しいインスタンスが分類され得るクラスの数）は、ユーザが決定できる。この決定は、例えば、フィードバックを使用し、訓練中にクラスタのサイズを見ることで行うことができる。

Ｋ平均は主に、データセットに明確で十分に分離されたポイントがある場合に使用される。そうしないと、クラスタが分離されていない場合、モデル化によってクラスタが不正確になる可能性がある。また、データセットに大量の外れ値が含まれている場合、又はデータセットが非線形である場合には、Ｋ平均を回避することができる。

図１２は、Ｋ平均クラスタリングを示す。Ｋ平均クラスタリングでは、データポイントがプロットされ、Ｋ値が割り当てられる。例えば、図１２のＫ＝２の場合、データポイントは、描写１２１０に示されるようにプロットされる。次に、ステップ１２２０で、ポイントが同様の中心に割り当てられる。クラスタの重心が、１２３０に示すように特定される。重心が特定されると、１２４０に示すように、データポイントと各クラスタの重心との間の距離が最小となるようにポイントがクラスタに再割り当てされる。次に、クラスタの新しい重心を描写１２５０に示すように定めることができる。データポイントがクラスタに再割り当てされると、クラスタの新しい重心が形成され、反復又は一連の反復が発生してクラスタのサイズを最小化し、最適な重心を決定することができる。次に、新しいデータポイントが測定されると、その新しいデータポイントが重心及びクラスタと比較され、そのクラスタで特定され得る。

アンサンブル学習アルゴリズムを使用してもよい。これらのアルゴリズムは、複数の学習アルゴリズムを使用して、構成要素である学習アルゴリズムのいずれかのみから得られるよりも優れた予測パフォーマンスを実現する。アンサンブル学習アルゴリズムは、仮説空間を検索するタスクを実行して、特定の問題について適切な予測を行うのに適した仮説を見つける。仮説空間に特定の問題に非常に適した仮説が含まれている場合でも、適切な仮説を見つけるのは非常に難しい場合がある。アンサンブルアルゴリズムは、複数の仮説を組み合わせてより良い仮説を形成する。アンサンブルという用語は通常、同じ基本学習器を使用して複数の仮説を生成する方法で用いられる。複数分類器システムのより広い概念は、同じ基本学習器によって誘導されない仮説のハイブリダイゼーション（hybridization of hypotheses）も網羅する。

アンサンブルの予測を評価するには、通常、単一のモデルの予測を評価するよりも多くの計算が必要になるため、アンサンブルは、多くの余分な計算を実行することにより、貧弱な学習アルゴリズムを補う方法と考えることができる。決定木などの高速アルゴリズムは、一般にはランダムフォレストなどのアンサンブル法で使用されているが、より低速のアルゴリズムでもアンサンブル法の恩恵を受けることができる。

アンサンブルは、訓練後に使用して予測を行うことができるため、それ自体が監視付き学習アルゴリズムである。したがって、訓練されたアンサンブルは、単一の仮説を表す。ただし、この仮説は、それが構築されたモデルの仮説空間内に含まれているとは限らない。したがって、アンサンブルは、それらが表すことができる関数により多くの柔軟性を持たせることができる。この柔軟性により、理論的には、単一のモデルよりも訓練データを過剰適合させることができるが、実際には、一部のアンサンブル法（特にバギング）は、訓練データの過剰適合に関連する問題を軽減する傾向がある。

経験的に、モデル間にかなりの多様性がある場合、アンサンブルアルゴリズムはより良い結果をもたらす傾向がある。したがって、多くのアンサンブル法は、それらが組み合わせるモデル間の多様性を促進することを目指している。直感的ではないが、（エントロピ削減決定木などの）非常に慎重なアルゴリズムよりも強力なアンサンブルを生成するために、（ランダム決定木などの）よりランダムなアルゴリズムを使用することができる。ただし、様々な強力な学習アルゴリズムの使用は、多様性を促進するためにモデルを簡略化しようとする手法を使用するよりも効果的であることが示されている。

アンサンブルの構成要素分類器の数は、予測の精度に大きな影響を与える。このことは、オンラインのアンサンブル分類器の場合、アンサンブルのサイズとビッグデータストリームの量及び速度とを先験的に決定するために、更に重要となる。理論上のフレームワークは、理想的な数の構成要素分類器がアンサンブルに存在し、分類器がこの数より多いか又は少ないと精度が低下することを示唆している。理論上のフレームワークは、クラスラベルと同じ数の独立した構成要素分類器を使用すると、最も高い精度が得られることを示している。

アンサンブルのいくつかの一般的なタイプには、ベイズ最適分類器、ブートストラップ集約（バギング）、ブースティング、ベイズモデル平均化、ベイズモデルの組み合わせ、モデルのバケット及びスタッキングが含まれる。図１３は、バギングが並行して実行されており（１３１０）、ブースティングが順次に実行されている（１３２０）例示的なアンサンブル学習アルゴリズムを示している。

ニューラルネットワークは、ニューロンのネットワーク又は回路、あるいは現代的な意味では、人工ニューロン又はノードで構成される人工ニューラルネットワークである。生物学的ニューロンのつながりが、重みとしてモデル化される。正の重みは興奮性のつながりを反映し、負の値は抑制性のつながりを意味する。入力は重みで修正され、線形結合を使用して合計される。活性化関数が、出力の振幅を制御することができる。例えば、出力の許容範囲は通常０〜１であるが、−１〜１の場合もある。

これらの人工ネットワークは、予測モデリング、適応制御及びアプリケーションに使用でき、データセットを介して訓練することができる。経験から生じる自己学習がネットワーク内で発生する可能性があり、複雑で一見無関係な一組の情報から結論を導き出すことができる。

完全を期すために、生物学的ニューラルネットワークは、化学的に結合されたニューロン又は機能的に関連付けられたニューロンのグループから構成される。１つのニューロンが他の多くのニューロンに結合されていてもよく、ネットワーク内のニューロン及び接続の総数が広範囲にわたってもよい。シナプスと呼ばれる結合は、通常、軸索から樹状突起へと形成されるが、樹状突起間シナプス及び他の結合も可能である。電気的な信号伝達とは別に、神経伝達物質の拡散から生じる他の信号伝達形態がある。

人工知能、認知モデリング及びニューラルネットワークは、生物学的神経システムのデータ処理方法に着想を得た情報処理パラダイムである。人工知能及び認知モデリングは、生物学的ニューラルネットワークのいくつかの特性をシミュレートしようとする。人工知能分野では、人工ニューラルネットワークが音声認識、画像分析及び適応制御にうまく適用され、（コンピュータゲームやビデオゲームにおける）ソフトウェアエージェントや自律ロボットが構築されている。

ニューラルネットワーク（neural network：ＮＮ）は、人工ニューラルネットワーク（artificial neural network：ＡＮＮ）又はシミュレートニューラルネットワーク（simulated neural network：ＳＮＮ）と呼ばれる人工ニューロンの場合、情報処理に計算への接続論的アプローチに基づいて数学的モデル又は計算モデルを使用する、相互に関連する天然のニューロン又は人工ニューロンのグループである。ほとんどの場合、ＡＮＮは、ネットワークを通って流れる外部情報又は内部情報に基づいてその構造を変更する適応型システムである。より実際的には、ニューラルネットワークは非線形の統計データモデリングツール又は意思決定ツールである。これらを、入力と出力の間の複雑な関係をモデル化するため及びデータのパターンを見つけるために使用することができる。

人工ニューラルネットワークは、処理要素と要素パラメータとの間の接続によって決定される複雑でグローバルな挙動を示すことができる単純な処理要素（人工ニューロン）のネットワークを含む。

人工ニューラルネットワークの１つの古典的なタイプは、再帰型ホップフィールドネットワークである。人工ニューラルネットワークモデルの有用性は、観測から関数を推定し、それを使用するために使用できるという事実にある。教師なしニューラルネットワークは、入力分布の顕著な特徴をキャプチャする入力の表現の学習や、最近では、観測データの分布関数を暗黙的に学習できるディープラーニングアルゴリズムにも使用できる。ニューラルネットワークでの学習は、データやタスクの複雑さのためにそのような関数の設計を手作業では行えない用途において特に有用である。

ニューラルネットワークは、様々な分野で使用可能である。人工ニューラルネットワークが適用されるタスクは、関数近似又は、時系列予測及びモデリングを含む回帰分析、パターン及び配列認識、新規性の検出及び逐次的な意思決定を含む分類、フィルタリング、クラスタリング、ブラインド信号分離及び圧縮を含むデータ処理を含む広いカテゴリにわたる傾向がある。

ＡＮＮの適用領域には、非線形システムの識別及び制御（車両制御、プロセス制御）、ゲームのプレー及び意思決定（バックギャモン、チェス、レース）、パターン認識（レーダーシステム、顔識別、オブジェクト認識）、シーケンス認識（ジェスチャ、スピーチ、手書きテキスト認識）、医療診断、金融アプリケーション、データマイニング（又はデータベースでの知識発見、すなわち「ＫＤＤ」）、視覚化並びに電子メールスパムフィルタリングが含まれる。例えば、オブジェクト認識のために訓練された写真から生じるユーザの興味のセマンティックプロファイルを作成することが可能である。

図１４は、例示的なニューラルネットワークを示す。ニューラルネットワークには、１４１０_１や１４１０_２などの複数の入力で表される入力層がある。入力１４１０_１、１４１０_２は、ノード１４２０_１、１４２０_２、１４２０_３、１４２０_４を含むものとして示されている隠れ層に供給される。これらのノード１４２０_１、１４２０_２、１４２０_３、１４２０_４は組み合わされて、出力層において出力１４３０を生成する。ニューラルネットワークは、単純な処理要素であるノード１４２０_１、１４２０_２、１４２０_３、１４２０_４の隠れ層を介して単純な処理を実行し、これらのノードは、処理要素と要素パラメータとの間の接続によって決定される複雑でグローバルな挙動を示すことができる。

図１４のニューラルネットワークがハードウェアで実装されてもよい。図１５を参照すると、ハードウェアベースのニューラルネットワークが示されている。

心不整脈及び特に心房細動は、特に高齢者集団では、一般的かつ危険な病状として存続する。正常な洞律動を有する患者では、心房、心室、及び興奮伝導組織からなる心臓は、電気的に興奮して、同期的な、パターン化した形で拍動する。心不整脈を有する患者では、心組織の異常な領域は、正常な洞律動を有する患者のように、正常に伝導性である組織と関連する同期拍動周期に従わない。これに対して、心組織の異常領域では隣接組織への異常な伝導が行われ、これにより心臓周期が乱れて非同期的な心律動となる。こうした異常伝導は、例えば、房室（ＡＶ）結節及びヒス束の伝導経路に沿った洞房（ＳＡ）結節の領域、又は心室及び心房の壁を形成する心筋組織など、心臓の様々な領域で生じることがこれまでに知られている。

心房性不整脈を含めた心不整脈は、心房の周りで散乱して、しばしば自己伝播する電気インパルスの複数の非同期的ループを特徴とする、マルチウェーブレットリエントラント型となる場合がある。マルチウェーブレットリエントラント型に代わって、又はそれに加えて、心不整脈はまた、心房の組織の孤立領域が、急速で反復的な様式で自律的に興奮する場合などの、局所的な起源を有する場合もある。心室性頻脈症（Ｖ−ｔａｃｈ又はＶＴ）は、心室のうちの１つにおいて起こる頻脈症又は高速な心律動である。これは、心室細動及び突然死につながり得るため、潜在的に致死性の不整脈である。

不整脈の１つのタイプ、心房細動は、洞房結節によって生成される通常の電気インパルスが、心房及び肺静脈内で生じる無秩序な電気インパルスによって圧倒され、不規則なインパルスが心室に伝導する場合に発生する。結果的に不規則な心拍が生じ、これは、数分から数週間、又は更に数年間、持続する場合がある。心房細動（ＡＦ）は、多くの場合、脳卒中による場合が多い死亡のリスクの僅かな増加を招く、慢性的な症状である。リスクは年齢と共に増加する。８０歳を超える人々の約８％が、ある程度のＡＦを有している。心房細動は、無症候性である場合が多く、それ自体は概ね致死性ではないが、動悸、脱力感、失神、胸痛及び鬱血性心不全をもたらす恐れがある。脳卒中のリスクはＡＦの間に増大するが、これは、収縮が不十分な心房及び左心耳内に血液が溜まって血栓を形成する可能性があるためである。ＡＦに関する第一選択の治療法は、心拍数を減らすか、又は心律動を通常に戻す投薬治療である。更には、ＡＦを有する患者は、脳卒中のリスクから守るために、抗凝血剤を与えられる場合が多い。そのような抗凝血剤の使用は、それ自体のリスクである内出血を伴う。一部の患者では、投薬治療は十分ではなく、その患者のＡＦは、薬剤不応、すなわち、標準的な薬理学的介入では治療不可能であると判断される。同期電気的除細動もまた、ＡＦを通常の心律動に変換するために使用することができる。あるいは、ＡＦの患者は、カテーテルアブレーションによって治療される。

カテーテルアブレーションベースの治療に、心臓組織、特に心内膜及び心臓容積の電気的特性をマッピングすること、並びにエネルギーの印加によって心臓組織を選択的にアブレーションすることが含まれてもよい。例えば、心臓組織に沿った波動伝播の電位マップ（電圧マップ）、又は様々な組織が位置する場所までの到達時間のマップ（局所興奮時間（ＬＡＴ）マップ）の生成などの心臓マッピングを用いて、心臓組織の局所的機能障害を検出してもよい。心臓マッピングに基づくものなどのアブレーションは、心臓のある部分から別の部分への不要な電気信号の伝播を停止又は修正することができる。

アブレーション法は、非伝導性の損傷部を形成することによって望ましくない電気経路を破壊するものである。様々なエネルギー送達の様式が、損傷部を形成する目的でこれまでに開示されており、心臓組織壁に沿って伝導ブロック部分を形成するためのマイクロ波、レーザー、及びより一般的には高周波エネルギーの使用が挙げられる。マッピングに続いてアブレーションを行う２段階の処置においては、通常、１つ以上の電気センサ（又は電極）を収納したカテーテルを心臓の内部に前進させ、多数の点におけるデータを取得することによって、心臓内の各点における電気活動が感知及び測定される。次いで、これらのデータを利用して、アブレーションを実施すべき心内膜の標的領域が選択される。

心房細動及び心室頻拍などの困難な疾患を医師が治療する際の心臓アブレーション及びその他の心臓電気生理学的処置は、ますます複雑化している。難治性不整脈の治療は現在、対象となる心腔の解剖学的構造を再構成するために、３次元（３Ｄ）マッピングシステムの使用に依存している。

例えば、心臓病専門医は、心臓内ＥＧＭ信号を解析して、非通常型心房粗動及び心室頻拍を含む様々な心臓疾患を治療するためのアブレーションポイントを決定するために、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ，Ｉｎｃ．（Ｄｉａｍｏｎｄ Ｂａｒ，Ｃａｌｉｆｏｒｎｉａ）製のＣＡＲＴＯ（登録商標）３ ３Ｄマッピングシステムのコンプレックス細分化心房電位図（ＣＦＡＥ）モジュールなどのソフトウェアに依存する。

３Ｄマップは、これらの困難な不整脈の解剖学的及び機能的基質を表す、組織の電気生理学的特性に関する複数の情報を提供することができる。

病因の異なる心筋症（虚血性、拡張型心筋症（ＤＣＭ）、肥大型心筋症（ＨＣＭ）、不整脈原右室異形成症（ＡＲＶＤ）、左心室緻密化障害（ＬＶＮＣ）等）は、識別可能な基質を有し、正常に機能している心筋細胞領域で囲まれている不健康な組織領域を特徴とする。

図１６は、本開示の主題の１つ以上の例示的な特徴を具現化することの可能な例示的なシステム１６２０の図である。システム１６２０の全て又は一部を使用して、訓練データセットの情報を収集することができ、かつ／あるいはシステム１６２０の全て又は一部を使用して、訓練済みモデルを具現化することができる。システム１６２０は、体内器官の組織領域を破壊するように構成されたカテーテル１６４０などの構成要素を含み得る。カテーテル１６４０が、生体データを取得するように更に構成されていてもよい。カテーテル１６４０は、ポイントカテーテルであるように示されているが、（例えば電極などの）１つ以上の要素を含む任意の形状のカテーテルが、本明細書に開示される実施形態を具現化するために使用され得ることが理解されよう。システム１６２０は、テーブル１６２９上に横になっている患者１６２８の心臓１６２６などの身体部分内へと医師１６３０によってナビゲートされ得るシャフトを有するプローブ１６２１を含む。複数の実施形態では複数のプローブが提供されてもよく、本明細書には簡潔さのために単一のプローブ１６２１が記載されているが、プローブ１６２１が複数のプローブを表してもよいことが理解されるであろう。図１６で示されるように、医師１６３０は、カテーテル１６４０の近位端部の近くの遠隔操作機１６３２及び／又はシース１６２３からの偏向部を使用して、シャフト１６２２の遠位端部を操作しながら、シース１６２３を通してシャフト１６２２を挿入することができる。差し込み図１６２５に示されるように、カテーテル１６４０は、シャフト１６２２の遠位端部に取り付けられ得る。カテーテル１６４０は、折りたたまれた状態でシース１６２３を通して挿入され得、次いで、心臓１６２６内で拡張され得る。本明細書で更に開示されるように、カテーテル１６４０は、少なくとも１つのアブレーション電極１６４７及びカテーテル針１６４８を含み得る。

例示的な複数の実施形態によれば、カテーテル１６４０は、心臓１６２６の心腔の組織領域をアブレーションするように構成されてもよい。差し込み図１６４５は、心臓１６２６の心腔内部のカテーテル１６４０を拡大して示している。図示するように、カテーテル１６４０は、カテーテルの本体に結合された少なくとも１つのアブレーション電極１６４７を含むことができる。他の例示的な実施形態によれば、カテーテル１６４０の形状を形成するスプラインを介して複数の要素が接続されてもよい。アブレーションを行うか又は生体データを取得するように構成された任意の要素であり得、電極、トランスデューサ又は１つ以上の他の要素であり得る１つ以上の他の要素（図示せず）を設けることができる。

本明細書に開示する実施形態によれば、電極１６４７などのアブレーション電極は、心臓１６２６などの体内器官の組織領域にエネルギーを供給するように構成されてもよい。エネルギーは、熱エネルギーであってもよく、組織領域の表面から始まって組織領域の厚さに延在する組織領域への損傷を引き起こしてもよい。

本明細書に開示される例示的な実施形態によれば、生体データは、ＬＡＴ、電気活動、トポロジー、双極マッピング、卓越周波数、インピーダンスなどのうちの１つ以上を含んでもよい。ローカル起動時間は、正規化された初期開始点に基づいて計算された、ローカル起動に対応する閾値活動の時点であってもよい。電気活動は、１つ又は２つ以上の閾値に基づいて測定され得る任意の適用可能な電気信号であってもよく、信号対ノイズ比及び／又は他のフィルタに基づいて、感知及び／又は拡張されてもよい。トポロジーは、身体部の物理的構造又は身体部の一部分に対応してもよく、身体部の異なる部分又は異なる身体部に対する物理的構造における変化に対応し得る。卓越周波数は、身体部の一部分で行き渡る周波数又は周波数の範囲であってもよく、同じ身体部の異なる部分において異なっていてもよい。例えば、心臓の肺静脈の卓越周波数は、同じ心臓の右心房の卓越周波数と異なっていてもよい。インピーダンスは、身体部の所与の領域における抵抗測定値であってもよい。

図１６に示すように、プローブ１６２１及びカテーテル１６４０は、コンソール１６２４に接続されてもよい。コンソール１６２４は、カテーテルに出入りする信号を送信及び受信するため、並びにシステム１６２０の他の構成要素を制御するための、好適なフロントエンド及びインターフェース回路１６３８を備える汎用コンピュータなどのプロセッサ１６４１を含み得る。いくつかの実施形態では、プロセッサ１６４１は、電気活動などの生体データを受信し、所与の組織領域が電気を伝導するかどうかを判定するように更に構成されてもよい。一実施形態によれば、プロセッサは、コンソール１６２４の外部にあってもよく、例えばカテーテル内、外部デバイス内、モバイルデバイス内、クラウドベースのデバイス内に位置付けられてもよく、又はスタンドアロン型プロセッサであってもよい。

プロセッサ１６４１は、本明細書に記載されている機能を実行するためにソフトウェア内にプログラム化され得る汎用コンピュータを含んでもよい。ソフトウェアは、例えば、ネットワーク上で、汎用コンピュータに電子形態でダウンロードされ得るか、又は代替的に、又は付加的に、磁気メモリ、光学メモリ、若しくは電子メモリなどの、非一時的実体的媒体上で提供及び／若しくは記憶され得る。図１６に示す例示的な構成は、本明細書に開示される実施形態を具現化するように修正されてもよい。本開示の実施形態は、他のシステム構成要素及び設定を使用して、同様に適用することができる。付加的に、システム１６２０は、電気活動、有線又は無線コネクタ、処理及びディスプレイデバイスなどを感知するための要素などの付加的な構成要素を含んでもよい。

一実施形態によれば、プロセッサ（例えばプロセッサ１６４１）に接続されたディスプレイは、別個の病院又は別個の医療提供者ネットワークなどの遠隔場所に位置付けられてもよい。付加的に、システム１６２０は、心臓などの患者の器官の解剖学的測定値及び電気的測定値を取得し、心臓アブレーション処置を実行するように構成された外科用システムの一部であってもよい。かかる外科用システムの一例は、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒにより販売されているＣａｒｔｏ（登録商標）システムである。

システム１６２０はまた、及び任意選択的に、超音波、コンピュータ断層撮影（ＣＴ）、磁気共鳴映像法（ＭＲＩ）、又は当該技術分野において既知の他の医療撮像技術を使用して、患者の心臓の解剖学的測定値などの生体データを得ることができる。システム１６２０は、カテーテル、心電図（ＥＫＧ）、又はその他の心臓の電気特性を測定するセンサを使用して電気測定値を得ることができる。次いで、解剖学的測定値及び電気的測定値などを含む生体データは、図１６に示されるように、マッピングシステム１６２０のメモリ１６４２内に記憶されてもよい。生体データは、メモリ１６４２からプロセッサ１６４１に送信されてもよい。代替的に、又は付加的に、生体データは、ネットワーク１６６２を使用する、ローカル又は遠隔であり得るサーバ１６６０に送信されてもよい。

ネットワーク１６６２は、イントラネット、ローカル・エリア・ネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、メトロポリタン・エリア・ネットワーク（ＭＡＮ）、直接接続若しくは一連の接続、セルラ電話ネットワーク、又はマッピングシステム１６２０とサーバ１６６０との間の通信を容易にすることが可能な任意の他のネットワーク若しくは媒体などの、当技術分野で一般的に知られている任意のネットワーク又はシステムであり得る。ネットワーク１６６２は、有線、無線、又はこれらの組み合わせであってもよい。有線接続は、イーサネット、ユニバーサルシリアルバス（Universal Serial Bus、ＵＳＢ）、ＲＪ−１１、又は当該技術分野において概して既知の任意の他の有線接続を使用して実装することができる。無線接続は、Ｗｉ−Ｆｉ、ＷｉＭＡＸ、及びＢｌｕｅｔｏｏｔｈ、赤外線、セルラーネットワーク、衛星、又は当該技術分野において概して既知の任意の他の無線接続方法を使用して実装することができる。更に、いくつかのネットワークは、ネットワーク１６６２内の通信を容易にするために、単独で又は通信して動作することができる。

いくつかの場合には、サーバ１６６２は、物理サーバとして実装されてもよい。他の場合には、サーバ１６６２は、（Ｍｉｃｒｏｓｏｆｔ Ａｚｕｒｅ、Ａｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅｓ（ＡＷＳ）（登録商標）などの）パブリック・クラウド・コンピューティング・プロバイダを介した仮想サーバとして実装されてもよい。

制御コンソール１６２４は、ケーブル１６３９によって身体表面電極１６４３に接続され得、身体表面電極は、患者１６２８に貼り付けられた接着性皮膚パッチを含み得る。電流追跡モジュールと連動するプロセッサは、患者の身体部（例えば、心臓１６２６）内のカテーテル１６４０の位置座標を判定し得る。位置座標は、身体表面電極１６４３と、カテーテル４０の電極１６４８又は他の電磁構成要素との間で測定されたインピーダンス又は電磁場に基づいてもよい。付加的に、又は代替的に、ロケーションパッドがベッド１６２９の表面上に配置されてもよく、かつベッド１６２９とは別個であってもよい。

プロセッサ１６４１は、典型的には、フィールドプログラマブルゲートアレイ（field programmable gate array：ＦＰＧＡ）として構成されているリアルタイムノイズ低減回路と、続いてアナログ−デジタル（analog-to-digital：Ａ／Ｄ）ＥＣＧ（electrocardiograph：心電計）又はＥＭＧ（electromyogram：筋電図）信号変換集積回路と、を含み得る。プロセッサ１６４１は、Ａ／Ｄ ＥＣＧ又はＥＭＧ回路から別のプロセッサへ信号を渡すことができ、及び／又は本明細書に開示された１つ以上の機能を実行するようにプログラムすることができる。

制御コンソール１６２４はまた、入力／出力（input/output：Ｉ／Ｏ）通信インターフェースを含み得、これは、制御コンソールが、電極４７から信号を伝達し、かつ／又はこれらに信号を伝達することを可能にする。

処置中、プロセッサ１６４１は、ディスプレイ１６２７上の医師１６３０への身体部レンダリング１６３５の提示を容易にし、メモリ１６４２内の身体部レンダリング１６３５を表現するデータを記憶することができる。メモリ１６４２は、ランダムアクセスメモリ又はハードディスクドライブなどの任意の好適な揮発性メモリ及び／又は不揮発性メモリを備えてもよい。いくつかの実施形態では、医師１６３０は、タッチパッド、マウス、キーボード、ジェスチャ認識装置などの１つ以上の入力デバイスを使用して、身体部レンダリング１６３５を操作することが可能であり得る。例えば、入力デバイスは、レンダリング１６３５が更新されるように、カテーテル１６４０の位置を変更するために使用され得る。代替的な実施形態では、ディスプレイ１６２７は、身体部レンダリング１６３５を提示することに加えて、医師１６３０からの入力を受け取るように構成され得るタッチスクリーンを含んでもよい。

実際の又は仮想的な処置の間、本システムは、処置に関連するデータの全体を収集することができる。これに、装置の全ての位置、全ての測定値及び、提供された全ての治療が含まれてもよい。加えて、システムは、処置の前又は処置の間に実行される分析に加えて、処置の発生後の任意の測定値を収集してもよい。これに、操作者に提示される分析及び、実行された任意の内部分析が含まれてもよい。例として、このデータは、カテーテル位置、記録された全てのＥＣＧ、インピーダンス測定値、コンタクト情報、超音波画像、Ｘ線画像、印加前、印加中及び印加後の電力、生成された温度及びインピーダンスなどの情報を含む処置中に送達されるエネルギーに関する情報を含んでもよい。分析には、全てのマッピング、安定性パラメータ、提示された画像及び計算が含まれ得る。例えば、生体データは、ＬＡＴ、電気活動、トポロジー、双極マッピング、卓越周波数、インピーダンスなどのうちの１つ以上を含んでもよい。

記録された全ての処置を含む各処置又は一連の処置を分析してもよい。分析が、処置のパラメータを調べて、処置をどのように改善することができるかを判定することを含んでもよい。これに、図４〜図１５の方法のいずれかを適用することが含まれてもよい。例として、改善の計算では、このステップは、乗車中の心拍数及びペダル速度を記録し、次に、データを分析して、どこで運動量を増加又は減少させれば電力を最適化し乗車の成果を改善することができるのかを判断するサイクリストと同じように実行できる。

処置が広域円周アブレーション（wide area circumferential ablation：ＷＡＣＡ）を改善するように設計されている特定の実施形態では、ＷＡＣＡは、多くのアブレーションポイントにおいて、静脈を隔離する段階及びギャップを閉じる段階で実施される。ＣＡＲＴＯは、取得されたアブレーションポイント及びアブレーションインデックス値を提示する。分析の実施には、第１の経路内のポイントを識別するステップ、追加されたポイントを異なる色で提示するステップ、以前に取得されたポイントの詳細を表示するステップ、例えばその時間中にカテーテルが安定しておらず、かつ／又は力が一定ではなかったなどの、これらのポイントが十分に良好ではなかった理由を特定するステップ。この分析は、医師が患者の治療に注力する必要がある場合に、医師のアブレーション技術に寄与し得る。

アブレーションにおける導電性ギャップである瘢痕内のチャネルの発見を改善するための別の特定の実施形態では、電圧及びＬＡＴを含むＥＣＧデータを記録し、ＣＡＲＴＯにおけるようにマップを分析することによって、興奮速度を記録する。処置からオフラインでシステムを使用することで、各位置で時期尚早のビットが開始した場合に何が起こったかを模倣し、どこをアブレーションすることが重要であるのかを分析する手法について教え、より良好なアブレーション手法を引き出すシミュレーションを開始してもよい。

このシステムでは、全てのデータが良好であり、どのデータが有用であるかを判定するために図４〜図１５を介した分析が必要である。可能な限り多くのデータを記録し、上記の手法による処置の後に分析アルゴリズムを展開することで、有用なデータを理解することができる。アルゴリズムが定義された後に、データの様々な局面に焦点を絞って、進行中のデータのサブセットの収集を可能としてもよい。

図１７は、いくつかの実施形態による心臓アブレーション治療を採点するためのプロセス１７００を示す。ステップ１７１０で、特定のアブレーション処置に関する電気的測定値及び解剖学的測定値、マッピング並びに情報が取得される。いくつかの場合には、情報はクラウドベースのプラットフォーム１６０から取得され、他の場合には、情報はローカルサーバ１２０か取得され、更なる場合には、一部の情報がクラウドベースのプラットフォーム１６０及びローカルサーバ１２０のいずれか又は両方から取得されてもよい。

ステップ１７２０で、この特定のアブレーション処置に関するアブレーション後の電気的測定値及び解剖学的測定値が取得される。ステップ１７３０で、特定のアブレーション処置に関するこれらのアブレーション後の電気的測定値及び解剖学的測定値、電気的測定値及び解剖学的測定値、マッピング並びに情報を以前に実行された処置と比較することによって、治療スコアが生成される。いくつかの場合には、比較は、ローカルデータベースに記憶されたデータに基づいてローカルサーバ１２０の機械学習を使用して実行される。他の場合には、比較は、匿名データベースに記憶された匿名データに基づいて、クラウドベースのプラットフォームの機械学習を使用して実施される。ステップ１７４０では、１７４０で計算された治療スコアが表示される。

図１８は、いくつかの実施形態によるＡＲ／ＶＲシステムを使用した心臓アブレーションを行うために外科医を訓練するプロセス１８００を示す。ステップ１８１０で、被訓練者（例えば訓練中の外科医）は、練習対象の心臓に関するパラメータを入力する。例示的なパラメータとしては、特定の心臓異常又は患者の年齢及び性別を挙げることができる。これらのパラメータを、撮像（ＣＴ／ＭＲ）データ、ホルタデータを含む患者の医療記録から、また電気解剖学的データを含む処置の初期段階から得てもよい。

ステップ１８２０で、クラウドベースのプラットフォーム１６０の匿名データベースが、パラメータに一致する心臓アブレーションについて照会され、特定の心臓アブレーションがクエリに基づいて選択される。ステップ１８３０で、選択されたアブレーションの電気的測定値及び解剖学的測定値がＡＲ／ＶＲシステムにロードされる。ＡＲ／ＶＲシステムにロードされると、被訓練者は、仮想アブレーション計画に従ってステップ１８４０で心臓アブレーションを実行する。いくつかの場合には、被訓練者は、複数の仮想アブレーション計画の中から選択するように促されてもよい。ステップ１８５０で、ＡＲ／ＶＲシステムは、被訓練者の技能を、選択された心臓アブレーションを行った外科医の結果と比較する。ステップ１８６０で、１８５０での比較に基づいて、ＡＲ／ＶＲシステムによってスコアが計算され、表示される。

図１９Ａは、外科用システム１１０によって生成され得るマッピング１９００Ａの一例を示す。前述のように、マッピング１９００Ａは、患者の心臓の詳細な解剖学的マップ及び電気マップから形成される。現在の患者のマッピングを他の患者のマッピングのライブラリと比較することによって、システムは、現在の患者のマッピングとライブラリ内のマッピングとの間の類似点及び相違点を特定することができる。次に、システムは、現在の患者の状態に類似した状態に対して最良の治療転帰を提供した、又はもたらした患者ライブラリ内のマッピングを特定する。この情報に基づき、システムは、特定された記憶されているマッピングを使用して、現在の患者の最良の治療計画を計算することができる。同様の方法で、現在の患者に対して治療計画が実行されると、システムはアブレーション治療を記録し、この情報を患者ライブラリに追加する。現在の患者の転帰が確認されると、転帰がライブラリに追加される。

図１９Ａは、標準的なＣＡＲＴＯ（登録商標）マッピング１９００Ａを示す。画像に示されている膨大な数のドットは、処置中にポイントが取得された位置、材料がアブレーションされた領域からの瘢痕（暗いスポット）及び、その他の陰影によって表される手術の進行状況を表している。

図１９Ｂは、外科用システム１１０によって生成され得るマッピング１９００Ｂの一例を示す。前述のように、マッピング１９００Ｂは、患者の心臓の詳細な解剖学的マップ及び電気的マップから形成される。マッピング１９００Ｂは、処置からのアブレーションポイントの更なる詳細及びより高い解像度のビューを示す。アブレーションインデックスが示され、２つの肺静脈（ＬＩＰＶ及びＬＳＰＶ）に関連する位置が提供される。左心耳（left atrial appendage：ＬＡＡ）も図示されている。これらの詳細は、解剖学的構造に対するアブレーションの関係を提供する。

図１９Ｃは、外科用システム１１０によって生成され得るマッピング１９００Ｂの別の一例の概略を示す。前述のように、マッピング１９００Ｃは、患者の心臓の詳細な解剖学的マップ及び電気的マップから形成される。現在の患者のマッピングを他の患者のマッピングのライブラリと比較することによって、システムは、現在の患者のマッピングとライブラリ内のマッピングとの間の類似点及び相違点を特定することができる。

マッピング１９００Ｃは、患者の心臓１９０５の画像に重ね合わされる水平−垂直グリッド１９１０を含む。いくつかの場合には、水平−垂直グリッド１９１０内のセルのサイズは（例えば１ｍｍ×１ｍｍに）固定されている。他の場合には、水平−垂直グリッド１９１０は、所定数のセルを含み、個々のセルのサイズは、患者の心臓のサイズに基づいてスケーリングされる。

本明細書で説明するように、本システム１０は、複数の病院から遡及的な匿名データを収集して、ＷＡＣＡ内の潜在的なギャップを識別するように設計されたＡＩアルゴリズムを生成する機能を提供する。システム１０は、訓練によってＷＡＣＡの継続性を改善する。本システム１０は、複数の医師がデータの詳細な分析を提供して、これらの医師の一人がどのように（及びどこで）改善を行うべきかを知ることを可能にする。改善の範囲に、第１の経路においてより良好なアブレーションを生成することを含む、ＷＡＣＡアブレーションの質の改善が含まれてもよい。システム１０は、処置のやり直しの可能性を低減し、アデノシン刺激による試験後にギャップを閉じる必要性を低減することにつながり得る。

システムは、例えば、発作性心房細動に対する最初の処置に加えて処置のやり直しが行われる一対の患者などの適切な状況でデータを受信する。ＡＲ／ＶＲなどによって分析を見ることができ、理想的ではないアブレーションに至る、例えば安定性などの処置の局面を医師が可視化することができるようになっていてもよい。説明された例示的な状況では、医師は、安定性を改善することによる改善方法をこのようにして理解することができる。システムは、初期タグ付けを実行することなどによって、データのタグ付けをサポートしてもよい。タグ付けを変更するために、医師又は他のスタッフからの修正及び承認が必要であってもよい。

収集されたデータを、上記の例示的なアルゴリズムで説明したように、医師及びアルゴリズムの試験及び訓練に使用してもよい。この訓練により、アブレーションの改善がＷＡＣＡの継続性の改善に役立つ可能性がある位置を特定することができる。システム１０は、データの分析を可能にし、アブレーションの視覚的分析を行うツールへのアクセスを提供する。他の医師や専門家がデータを吟味して結果を評価し、結果にタグを付けてタグ付けを改善又は修正することにより、データの理解を向上させることもできる。

例示的なＷＡＣＡ分析ツールには、図２０Ａに示すＲＦインデックスのＳｈｕｒｅ−ｐｏｉｎｔのディスプレイ２０００Ａが存在する。図２０Ａに示すディスプレイ２０００Ａは、医師がＣＡＲＴＯ処置で提示された値を見て、ＷＡＣＡでこれらのアブレーションポイントが使用されたことを確認することを可能にする。ドットは実行されたアブレーションを表し、ディスプレイはアブレーションのＲＦインデックス、すなわち、組織に供給されたと推定されるＲＦエネルギーの量を、送達されたエネルギー、コンタクトフォース及びエネルギーが送達された時間量に基づいて示す。

図２０Ｂは、時間に基づいてアブレーションポイントを特定するディスプレイ２０００Ｂを示す。ディスプレイ２０００Ｂは、医師がアデノシン刺激による試験後にギャップを閉じるために使用されたアブレーションを特定することを可能にする。医師は、ディスプレイ２０００Ｂを見て、２つのＷＡＣＡループ時間、第１の経路及び修正経路（いくつかのアブレーションポイント２０２０及びアブレーションポイント２０２２）を見ることができる。医師は、各ＷＡＣＡループ及び修正ポイントをマーク及び／又は確認することができる。やり直しが必要であるか又は望ましい状況では、医師は心房細動に対する最初の処置（画像には表示されていない）に加えてやり直しのアブレーションポイントを実行することが可能であってもよい。

ディスプレイ２０００Ｂでは、ドットは、最初のアブレーション時間がゼロとして指定されている場合の、アブレーションが作成された処置中の時間及びその後の時間を分単位で表す。ディスプレイ２０００Ｂを使用すると、医師は、アブレーション中の複数のアブレーションポイントの順序と、試験を実行するために処置がいつ停止されたかを理解することができる。例えば、ループ試験のタイミングや、処置がループを修正したタイミングなど。例示的なディスプレイ２０００Ｂでは、アブレーションポイント２０２０及び関連するアブレーションポイントがループの修正を表す。

図２０Ｃは、ＲＦインデックス詳細表現の安定性を示すディスプレイ２０００Ｃを示す。ポイントは空間内に位置し、不安定性マーキングの近くのポイントの量を特定する。医師が、各ポイントでのアブレーションの安定性を確認し、安定性とアブレーションを修正してギャップを閉じる必要があった位置との間に相関関係があるかどうかを知ることが可能であってもよい。

ディスプレイ２０００Ｃは、送達されたアブレーションを、マイクロサイト（ミリメートルごと）及び非アブレーションポイント（２〜５ｍｍまでの半径を有する全てのセッション）に基づいて表す。ディスプレイ２０００Ｃは、カテーテルが安定していないことを示す。安定したカテーテルは、エネルギー送達量の累算が６００〜７００の範囲のＲＦインデックスを含むポイントによって識別される。

図２０Ｄ及び図２０Ｅは、使用中の医師に更なるパラメータの表示を提供する更なるディスプレイ２０００Ｄ及び２０００Ｅをそれぞれ示す。これらの更なるパラメータには、インピーダンス降下、ベースインピーダンス、最高温度などが含まれる。加えて、医師は、分析を改善するために、パラメータごとにディスプレイをフィルタに切り替えることができる。ディスプレイ２０００Ｄ及び２０００Ｅは、ＲＦ発生器が供給したエネルギーをワットで表示する。医師は、ディスプレイ２０００Ｄ及び２０００Ｅを見て、後壁及び内壁の両方におけるエネルギーをプロトコルに従って理解することができる。

図２１Ａは、心臓アブレーション治療計画２１１０のグラフィック表現２１００Ａを示す。心臓アブレーション治療計画２１１０は、患者の心臓１９０５に対して実施される複数のアブレーションを特定する。例えば、心臓アブレーション治療計画２１１０は、第１のアブレーション２１０１、第２のアブレーション２１０２、第３のアブレーション２１０３及び第４のアブレーション２１０４としてそれぞれ識別される４つのアブレーションを含むことが示されている。４つのアブレーションが示されているが、当業者であれば、任意の数のアブレーションが可能であることを理解するであろう。加えて、アブレーションを第１、第２、第３及び第４として特定することは、必ずしもこれらのアブレーションが実施される順序を表すものではなく、理解を容易にするために異なるアブレーションを表すことを意図している。

心臓アブレーション治療計画２１１０は、水平−垂直グリッド１９１０のセルＢ１で実行される第１のアブレーション２１０１を含む。位置に加えて、心臓アブレーション治療計画２１１０は、第１のアブレーション２１０１の種類、持続時間及び強度を特定してもよい。心臓アブレーション治療計画２１１０は、水平−垂直グリッド１９１０のセルＥ２で実行される第２のアブレーション２１０２を更に含む。第２のアブレーション２１０２の種類、持続時間及び強度も、心臓アブレーション治療計画２１１０において指定されてもよい。心臓アブレーション治療計画２１１０は、セルＤ４で実行される第３のアブレーション２１０３と、水平−垂直グリッド１９１０のセルＢ４で実行される第４のアブレーション２１０４とを含むことが示されている。第３のアブレーション２１０３及び第４のアブレーション２１０４の種類、持続時間及び強度も、心臓アブレーション治療計画２１１０において指定されてもよい。

図２１Ｂは、心臓アブレーション治療計画２１１０に従って実施される第１のアブレーションの位置のグラフィック表現２１００Ｂを示す。心臓アブレーション治療計画２１１０によれば、外科医は、第１のアブレーション２１０１を行っているべきである。しかしながら、外科医は実際にはアブレーション２１１１を行った。アブレーション２１１１は、アブレーションが実際に外科医によって行われた位置を含む。アブレーション２１１１が、患者の心臓１９０５に実際に送達されたアブレーションの種類及び強度に関する情報を更に含んでもよい。

図２１Ｃは、第１の修正された心臓アブレーション治療計画２１２０のグラフィック表現２１００Ｃを示す。第１の修正された心臓アブレーション治療計画２１２０は、実際のアブレーション２１１１に基づいて再計算される。修正された心臓アブレーション治療計画２１２０は、計画２１１０から第２のアブレーション２１２０と比較して修正された第２のアブレーション２１２２、計画２１１０から第３のアブレーション２１０３と比較して修正された第３のアブレーション２１２３及び、計画２１１０から第４のアブレーション２１０２と比較して修正された第４のアブレーション２１２４を含む。修正された第２のアブレーション２１２２、修正された第３のアブレーション２１２３及び修正された第４のアブレーション２１２４はそれぞれ、各アブレーションの位置、種類、持続時間及び強度を含んでもよい。いくつかの場合には、第１の修正された心臓アブレーション治療計画２１２０は、心臓アブレーション治療計画２１１０とは異なる数のアブレーションを含んでもよい。

図２１Ｄは、第１の修正された心臓アブレーション治療計画２１２０に従って実施される第２のアブレーションの位置のグラフィック表現２１００Ｄを示す。第２の修正された心臓アブレーション治療計画２１３０によれば、外科医は、第２のアブレーション２１２２を行っているべきである。しかしながら、外科医は実際にはアブレーション２１３２を行った。アブレーション２１３２は、アブレーションが実際に外科医によって行われた位置を含む。アブレーション２１３２が、患者の心臓２１０５に実際に送達されたアブレーションの種類及び強度に関する情報を更に含んでもよい。

図２１Ｅは、第２の修正された心臓アブレーション治療計画２１３０のグラフィック表現２１００Ｅを示す。第２の修正された心臓アブレーション治療計画２１３０は、実際のアブレーション２１１１及び実際のアブレーション２１３２に基づいて再計算される。第２の修正された心臓アブレーション治療計画２１３０は、計画２１２０から第３のアブレーション２１２３と比較して更に修正された第３のアブレーション２１３３及び、計画２１２０から第４のアブレーション２１２４と比較して更に修正された第４のアブレーション２１３４を含む。更に修正された第３のアブレーション２１３３及び更に修正された第４のアブレーション２１４４はそれぞれ、各アブレーションの位置、種類、持続時間及び強度を含んでもよい。いくつかの場合には、第２の修正された心臓アブレーション治療計画２１３０は、第１の修正された心臓アブレーション治療計画２１２０とは異なる数のアブレーションを含んでもよい。

図２１Ｆは、第２の修正された心臓アブレーション治療計画２１３０に従って実施される第３のアブレーションの位置のグラフィック表現２１００Ｆを示す。修正された心臓アブレーション治療計画２１３０によれば、外科医は、２１３３に従って第３のアブレーションを行っているべきである。しかしながら、外科医は実際にはアブレーション２１４３を行った。アブレーション２１４３は、アブレーションが実際に外科医によって行われた位置を含む。アブレーション２１４３が、患者の心臓１９０５に実際に送達されたアブレーションの種類及び強度に関する情報を更に含んでもよい。

図２１Ｇは、第３の修正された心臓アブレーション治療計画２１４０のグラフィック表現２１００Ｇを示す。第３の修正された心臓アブレーション治療計画２１４０は、実際のアブレーション２１１１、実際のアブレーション２１３２及び実際のアブレーション２１４３に基づいて再計算される。第３の修正された心臓アブレーション治療計画２１４０は、計画２１３０の第４のアブレーション２１３４と比較して修正された別の第４のアブレーション２１４４を含む。更に修正された第４のアブレーション２１４４は、アブレーションの位置、種類、持続時間及び強度を含んでもよい。いくつかの場合には、第３の修正された心臓アブレーション治療計画２１４０は、第２の修正された心臓アブレーション治療計画２１３０とは異なる数のアブレーションを含んでもよい。

図２１Ｈは、第３の修正された心臓アブレーション治療計画２１４０に従って実施される第４のアブレーションの位置のグラフィック表現２１００Ｈを示す。修正された心臓アブレーション治療計画２１４０によれば、外科医は、２１４４に従って第３のアブレーションを行っているべきである。しかしながら、外科医は実際にはアブレーション２１５４を行った。アブレーション２１５４は、アブレーションが実際に外科医によって行われた位置を含む。アブレーション２１５４が、患者の心臓１９０５に実際に送達されたアブレーションの種類及び強度に関する情報を更に含んでもよい。

本明細書に記載される機能及び方法はいずれも、汎用コンピュータ、プロセッサ、又はプロセッサコアにおいて実施されることができる。好適なプロセッサとしては、例として、汎用プロセッサ、専用プロセッサ、従来型プロセッサ、デジタル信号プロセッサ（digital signal processor、ＤＳＰ）、複数のマイクロプロセッサ、ＤＳＰコアと関連する１つ若しくは２つ以上のマイクロプロセッサ、コントローラ、マイクロコントローラ、特定用途向け集積回路（Application Specific Integrated Circuit、ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array、ＦＰＧＡ）回路、任意の他のタイプの集積回路（integrated circuit、ＩＣ）、及び／又は状態機械が挙げられる。このようなプロセッサは、処理されたハードウェア記述言語（hardware description language、ＨＤＬ）命令及びネットリスト等の他の中間データ（このような命令は、コンピュータ可読媒体に格納することが可能である）の結果を用いて製造プロセスを構成することにより、製造することが可能である。このような処理の結果はマスクワークであり得、このマスクワークをその後半導体製造プロセスにおいて使用して、本開示の特徴を実施するプロセッサを製造する。

本明細書に記載される機能及び方法はいずれも、非一時的コンピュータ可読記憶媒体に組み込まれるコンピュータプログラム、ソフトウェア、又はファームウェアにおいて実装されて、汎用コンピュータ又はプロセッサによって実行されることができる。非一時的コンピュータ可読ストレージ媒体の例としては、読み取り専用メモリ（read only memory、ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、レジスタ、キャッシュメモリ、半導体メモリデバイス、磁気媒体、例えば、内蔵ハードディスク及びリムーバブルディスク、磁気光学媒体、並びに光学媒体、例えば、ＣＤ−ＲＯＭディスク及びデジタル多用途ディスク（digital versatile disk、ＤＶＤ）が挙げられる。

本明細書の開示に基づいて多くの変更例が可能であることを理解されたい。特徴及び要素が特定の組み合わせで上に説明されているが、各特徴又は要素は、他の特徴及び要素を用いずに単独で、又は他の特徴及び要素を用いて若しくは用いずに他の特徴及び要素との様々な組み合わせで使用されてもよい。

〔実施の態様〕
（１） 心臓アブレーション処置を改善するためのシステムであって、
以前に実行された心臓アブレーションに関する情報を含むデータベースを含むクラウドサーバと、
第１のネットワークを介して前記クラウドサーバに通信可能に結合されたローカルサーバと、
第２のネットワークを介して前記ローカルサーバに通信可能に結合された外科用システムと、
を備え、
前記クラウドサーバが、
前記ローカルサーバを介して、前記外科用システムから患者の心臓の電気的データ及び解剖学的データを受信することと、
前記心臓の前記電気的データ及び解剖学的データと前記データベース情報との比較を実行することと、
前記比較に基づいて前記心臓のための外科的治療計画を生成することであって、前記外科的治療計画が、前記心臓のグリッドを含む、ことと、
前記ローカルサーバを介して、前記外科的治療計画を前記外科用システムに送信することと、
を行うように構成されている、システム。
（２） 前記外科用システムの１つ以上のパラメータが、前記治療計画に従って変更される、実施態様１に記載のシステム。
（３） 前記クラウドサーバは、前記心臓アブレーション処置が実行されている間に、前記外科用システムから前記患者の前記心臓の前記電気的データ及び解剖学的データを受信する、実施態様１に記載のシステム。
（４） アブレーション処置が複数のアブレーションを含み、前記クラウドサーバが、各アブレーションの後に、前記患者の前記心臓の前記電気的データ及び解剖学的データを前記外科用システムから受信する、実施態様１に記載のシステム。
（５） 前記クラウドサーバは、
前記アブレーション処置が実行された後に、前記心臓の更なる電気的データ及び解剖学的データを受信し、
前記更なる電気的データ及び解剖学的データに基づいてアブレーションスコアを生成する、
ように更に構成されている、実施態様１に記載のシステム。

（６） 心臓アブレーション処置を改善するための方法であって、
データベースを介して、以前に実行された心臓アブレーションに関する情報を受信することと、
ローカルサーバを介して、患者の心臓の電気的データ及び解剖学的データを外科用システムから受信することと、
前記心臓の前記電気的データ及び解剖学的データと前記データベース情報との比較を実行することと、
前記比較に基づいて前記心臓のための外科的治療計画を生成することであって、前記外科的治療計画が前記心臓のグリッドを含む、ことと、
前記ローカルサーバを介して、前記外科的治療計画を前記外科用システムに送信することと、
を含む方法。
（７） 前記治療計画に従って前記外科用システムの１つ以上のパラメータを修正することを更に含む、実施態様６に記載の方法。
（８） 前記心臓アブレーション処置が実行されている間に、クラウドサーバを介して、前記外科用システムから前記患者の前記心臓の前記電気的データ及び解剖学的データを受信することを更に含む、実施態様６に記載の方法。
（９） 前記アブレーション処置が複数のアブレーションを含む場合、前記方法は、各アブレーションの後に、前記患者の前記心臓の前記電気的データ及び解剖学的データを前記外科用システムから受信することを更に含む、実施態様６に記載の方法。
（１０） 前記アブレーション処置が実行された後に、前記心臓の更なる電気的データ及び解剖学的データを受信することを更に含む、実施態様９に記載の方法。

（１１） 更なる電気的データ及び解剖学的データに基づいてアブレーションスコアを生成することを更に含む、実施態様９に記載の方法。
（１２） 外科医の心臓アブレーション訓練のためのシステムであって、
以前に実行された心臓アブレーションに関するデータベース情報を含むクラウドサーバと、
第１のネットワークを介して前記クラウドサーバに通信可能に結合されたＡＲ／ＶＲシステムと、
を備え、
前記ＡＲ／ＶＲシステムが、
訓練アブレーションを定義するパラメータの入力を受信することと、
仮想患者の電気的データ及び解剖学的データを前記クラウドサーバから受信することであって、仮想患者の前記電気的データ及び解剖学的データが、前記入力を前記データベース情報と比較することによって求められる、ことと、
前記仮想患者の前記電気的データ及び解剖学的データに基づいて、前記患者の心臓の仮想シミュレーションを作成することと、
前記仮想シミュレーションで心臓アブレーション処置を実行している被訓練者の技能を測定することと、
前記被訓練者の前記技能を採点することと、
を行うように構成されている、システム。
（１３） 前記クラウドサーバは、心臓アブレーション処置が実行されている間に、前記以前に実行された心臓アブレーションにおける前記心臓の前記電気的データ及び解剖学的データを受信する、実施態様１２に記載のシステム。
（１４） 以前に実行された心臓アブレーションが複数のアブレーションを含み、前記クラウドサーバが、各アブレーション後に前記患者の前記心臓の前記電気的データ及び解剖学的データを受信する、実施態様１２に記載のシステム。
（１５） 前記クラウドサーバは、
前記アブレーション処置が実行された後に、前記心臓の更なる電気的データ及び解剖学的データを受信し、
前記更なる電気的データ及び解剖学的データに基づいてアブレーションスコアを生成する、
ように更に構成されている、実施態様１２に記載のシステム。

（１６） 外科医の心臓アブレーション訓練のための方法であって、
訓練アブレーションを定義するパラメータの入力を受信することと、
仮想患者の電気的データ及び解剖学的データをクラウドサーバから受信することであって、仮想患者の前記電気的データ及び解剖学的データが、前記入力をデータベース情報と比較することによって求められる、ことと、
前記仮想患者の前記電気的データ及び解剖学的データに基づいて、前記患者の心臓の仮想シミュレーションを作成することと、
前記仮想シミュレーションで心臓アブレーション処置を実行している被訓練者の技能を測定することと、
前記被訓練者の前記技能を採点することと、
を含む方法。
（１７） 心臓アブレーション処置が実行されている間に、前記以前に実行された心臓アブレーションにおける前記心臓の前記電気的データ及び解剖学的データを受信することを更に含む、実施態様１６に記載の方法。
（１８） 前記以前に実行された心臓アブレーションが複数のアブレーションを含む場合、前記方法は、各アブレーションの後に、前記患者の前記心臓の前記電気的データ及び解剖学的データを受信することを更に含む、実施態様１６に記載の方法。
（１９） 前記アブレーション処置が実行された後に、前記心臓の更なる電気的データ及び解剖学的データを受信することを更に含む、実施態様１６に記載の方法。
（２０） 更なる電気的データ及び解剖学的データに基づいてアブレーションスコアを生成することを更に含む、実施態様１６に記載の方法。

Claims (20)

1. 心臓アブレーション処置を改善するためのシステムであって、
   以前に実行された心臓アブレーションに関する情報を含むデータベースを含むクラウドサーバと、
   第１のネットワークを介して前記クラウドサーバに通信可能に結合されたローカルサーバと、
   第２のネットワークを介して前記ローカルサーバに通信可能に結合された外科用システムと、
   を備え、
   前記クラウドサーバが、
   前記ローカルサーバを介して、前記外科用システムから患者の心臓の電気的データ及び解剖学的データを受信することと、
   前記心臓の前記電気的データ及び解剖学的データと前記データベース情報との比較を実行することと、
   前記比較に基づいて前記心臓のための外科的治療計画を生成することであって、前記外科的治療計画が、前記心臓のグリッドを含む、ことと、
   前記ローカルサーバを介して、前記外科的治療計画を前記外科用システムに送信することと、
   を行うように構成されている、システム。
2. 前記外科用システムの１つ以上のパラメータが、前記治療計画に従って変更される、請求項１に記載のシステム。
3. 前記クラウドサーバは、前記心臓アブレーション処置が実行されている間に、前記外科用システムから前記患者の前記心臓の前記電気的データ及び解剖学的データを受信する、請求項１に記載のシステム。
4. アブレーション処置が複数のアブレーションを含み、前記クラウドサーバが、各アブレーションの後に、前記患者の前記心臓の前記電気的データ及び解剖学的データを前記外科用システムから受信する、請求項１に記載のシステム。
5. 前記クラウドサーバは、
   前記アブレーション処置が実行された後に、前記心臓の更なる電気的データ及び解剖学的データを受信し、
   前記更なる電気的データ及び解剖学的データに基づいてアブレーションスコアを生成する、
   ように更に構成されている、請求項１に記載のシステム。
6. 心臓アブレーション処置を改善するための方法であって、
   データベースを介して、以前に実行された心臓アブレーションに関する情報を受信することと、
   ローカルサーバを介して、患者の心臓の電気的データ及び解剖学的データを外科用システムから受信することと、
   前記心臓の前記電気的データ及び解剖学的データと前記データベース情報との比較を実行することと、
   前記比較に基づいて前記心臓のための外科的治療計画を生成することであって、前記外科的治療計画が前記心臓のグリッドを含む、ことと、
   前記ローカルサーバを介して、前記外科的治療計画を前記外科用システムに送信することと、
   を含む方法。
7. 前記治療計画に従って前記外科用システムの１つ以上のパラメータを修正することを更に含む、請求項６に記載の方法。
8. 前記心臓アブレーション処置が実行されている間に、クラウドサーバを介して、前記外科用システムから前記患者の前記心臓の前記電気的データ及び解剖学的データを受信することを更に含む、請求項６に記載の方法。
9. 前記アブレーション処置が複数のアブレーションを含む場合、前記方法は、各アブレーションの後に、前記患者の前記心臓の前記電気的データ及び解剖学的データを前記外科用システムから受信することを更に含む、請求項６に記載の方法。
10. 前記アブレーション処置が実行された後に、前記心臓の更なる電気的データ及び解剖学的データを受信することを更に含む、請求項９に記載の方法。
11. 更なる電気的データ及び解剖学的データに基づいてアブレーションスコアを生成することを更に含む、請求項９に記載の方法。
12. 外科医の心臓アブレーション訓練のためのシステムであって、
    以前に実行された心臓アブレーションに関するデータベース情報を含むクラウドサーバと、
    第１のネットワークを介して前記クラウドサーバに通信可能に結合されたＡＲ／ＶＲシステムと、
    を備え、
    前記ＡＲ／ＶＲシステムが、
    訓練アブレーションを定義するパラメータの入力を受信することと、
    仮想患者の電気的データ及び解剖学的データを前記クラウドサーバから受信することであって、仮想患者の前記電気的データ及び解剖学的データが、前記入力を前記データベース情報と比較することによって求められる、ことと、
    前記仮想患者の前記電気的データ及び解剖学的データに基づいて、前記患者の心臓の仮想シミュレーションを作成することと、
    前記仮想シミュレーションで心臓アブレーション処置を実行している被訓練者の技能を測定することと、
    前記被訓練者の前記技能を採点することと、
    を行うように構成されている、システム。
13. 前記クラウドサーバは、心臓アブレーション処置が実行されている間に、前記以前に実行された心臓アブレーションにおける前記心臓の前記電気的データ及び解剖学的データを受信する、請求項１２に記載のシステム。
14. 以前に実行された心臓アブレーションが複数のアブレーションを含み、前記クラウドサーバが、各アブレーション後に前記患者の前記心臓の前記電気的データ及び解剖学的データを受信する、請求項１２に記載のシステム。
15. 前記クラウドサーバは、
    前記アブレーション処置が実行された後に、前記心臓の更なる電気的データ及び解剖学的データを受信し、
    前記更なる電気的データ及び解剖学的データに基づいてアブレーションスコアを生成する、
    ように更に構成されている、請求項１２に記載のシステム。
16. 外科医の心臓アブレーション訓練のための方法であって、
    訓練アブレーションを定義するパラメータの入力を受信することと、
    仮想患者の電気的データ及び解剖学的データをクラウドサーバから受信することであって、仮想患者の前記電気的データ及び解剖学的データが、前記入力をデータベース情報と比較することによって求められる、ことと、
    前記仮想患者の前記電気的データ及び解剖学的データに基づいて、前記患者の心臓の仮想シミュレーションを作成することと、
    前記仮想シミュレーションで心臓アブレーション処置を実行している被訓練者の技能を測定することと、
    前記被訓練者の前記技能を採点することと、
    を含む方法。
17. 心臓アブレーション処置が実行されている間に、前記以前に実行された心臓アブレーションにおける前記心臓の前記電気的データ及び解剖学的データを受信することを更に含む、請求項１６に記載の方法。
18. 前記以前に実行された心臓アブレーションが複数のアブレーションを含む場合、前記方法は、各アブレーションの後に、前記患者の前記心臓の前記電気的データ及び解剖学的データを受信することを更に含む、請求項１６に記載の方法。
19. 前記アブレーション処置が実行された後に、前記心臓の更なる電気的データ及び解剖学的データを受信することを更に含む、請求項１６に記載の方法。
20. 更なる電気的データ及び解剖学的データに基づいてアブレーションスコアを生成することを更に含む、請求項１６に記載の方法。

Images