JP2021049341A - 機械学習（ｍｌ）を使用する心臓アブレーションの案内 - Google Patents

機械学習（ｍｌ）を使用する心臓アブレーションの案内 Download PDF

Info

Publication number
JP2021049341A
JP2021049341A JP2020157089A JP2020157089A JP2021049341A JP 2021049341 A JP2021049341 A JP 2021049341A JP 2020157089 A JP2020157089 A JP 2020157089A JP 2020157089 A JP2020157089 A JP 2020157089A JP 2021049341 A JP2021049341 A JP 2021049341A
Authority
JP
Japan
Prior art keywords
ablation
complementary
identifying
data
processor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2020157089A
Other languages
English (en)
Inventor
マティットヤフ・アミット
Matityahu Amit
リアット・ツォレフ
Tsoref Liat
ヤリブ・アブラハム・アモス
Avraham Amos Yariv
アビ・シャルギ
Avi Shalgi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Biosense Webster Israel Ltd
Original Assignee
Biosense Webster Israel Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Biosense Webster Israel Ltd filed Critical Biosense Webster Israel Ltd
Publication of JP2021049341A publication Critical patent/JP2021049341A/ja
Pending legal-status Critical Current

Links

Images

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
    • A61B5/48—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
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/14—Probes or electrodes therefor
    • A61B18/1492—Probes or electrodes therefor having a flexible, catheter-like structure, e.g. for heart ablation
    • 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
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • 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
    • A61B34/25—User interfaces for surgical systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00315—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for treatment of particular body parts
    • A61B2018/00345—Vascular system
    • A61B2018/00351—Heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00571—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for achieving a particular surgical effect
    • A61B2018/00577—Ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00696—Controlled or regulated parameters
    • A61B2018/00714—Temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00696—Controlled or regulated parameters
    • A61B2018/00738—Depth, e.g. depth of ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00696—Controlled or regulated parameters
    • A61B2018/00755—Resistance or impedance
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/00791—Temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/00839—Bioelectrical parameters, e.g. ECG, EEG
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00904—Automatic detection of target tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00982—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body combined with or comprising means for visual or photographic inspections inside the body, e.g. endoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00994—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body combining two or more different kinds of non-mechanical energy or combining one or more non-mechanical energies with ultrasound
    • 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
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • 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
    • A61B2034/107—Visualisation of planned trajectories or target regions
    • 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
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A61B2034/2046—Tracking techniques
    • A61B2034/2051—Electromagnetic tracking systems
    • 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
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A61B2034/2046—Tracking techniques
    • A61B2034/2063—Acoustic tracking systems, e.g. using ultrasound
    • 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
    • A61B34/25—User interfaces for surgical systems
    • A61B2034/252—User interfaces for surgical systems indicating steps of a surgical procedure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053—Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0538—Measuring electrical impedance or conductance of a portion of the body invasively, e.g. using a catheter
    • 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
    • A61B5/4848—Monitoring or testing the effects of treatment, e.g. of medication

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Cardiology (AREA)
  • Pathology (AREA)
  • Robotics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Otolaryngology (AREA)
  • Plasma & Fusion (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Urology & Nephrology (AREA)
  • Human Computer Interaction (AREA)
  • Primary Health Care (AREA)
  • Fuzzy Systems (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Surgical Instruments (AREA)

Abstract

【課題】心臓アブレーションを案内するシステムを提供する。【解決手段】システム２０はインターフェース及びプロセッサ４１を含み、インターフェースは患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信し、プロセッサは必要とされることが見出される場合には、受信されるデータに基づいて領域に適用される相補的アブレーション操作を自動的に特定するように構成される。【選択図】図１

Description

（関連出願の相互参照）
本出願は、２０１９年９月２２日に出願された米国仮特許出願第６２／９０３，８５０号の利益を主張し、その開示は、参照により本明細書に組み込まれる。
（発明の分野）
本発明は、概して、電気生理学的信号及びアブレーションの処理に関し、具体的には、機械学習（machine learning、ＭＬ）を使用して心臓アブレーションパラメータを最適化することに関する。
患者データに基づいて、心臓不整脈を治療するためのアブレーション処置を計画及び案内するための方法及びシステムについて、特許文献に既に報告されている。例えば、米国特許第９，４６３，０７２号には、患者固有の電気生理学的介入の計画及び案内のための方法及びシステムについて記載されている。患者固有の解剖学的心臓モデルは、患者の心臓画像データから生成される。患者固有の心臓電気生理学的モデルは、患者固有の解剖学的心臓モデル及び患者固有の電気生理学的測定値に基づいて生成される。仮想電気生理学的介入は、患者固有の心臓電気生理学的モデルを使用して実行される。シミュレートされた心電図（electrocardiogram、ＥＣＧ）信号は、各仮想電気生理学的介入に応じて計算される。本発明の実施形態は、心臓電気生理学のほぼリアルタイムモデリングのための高度な機械学習アルゴリズム、ＬＢＭ−ＥＰ（Lattice-Boltzmann Method for Electrophysiology、電気生理学のためのＬａｔｔｉｃｅ−Ｂｏｌｔｚｍａｎｎ法）技術、及び仮想ＥＰ療法後の患者固有の心電図を予測及び表示するためのＥＣＧ信号の生成モデルを利用する。
別の例として、米国特許第９，２７７，９７０号には、心臓不整脈のためのアブレーション処置の患者固有の計画及び案内のための方法及びシステムについて記載されている。患者固有の解剖学的心臓モデルは、手術前の心臓画像データに基づいて生成される。患者固有の解剖学的心臓モデルは、アブレーション処置中に取得される手術中画像の座標系に対して位置合わせされる。１つ以上のアブレーション部位案内マップは、アブレーション処置中に取得される、位置合わせされた患者固有の解剖学的心臓モデル及び患者固有の手術中測定値に基づいて生成される。アブレーション部位案内マップは、心筋拡散及び活動電位持続時間マップを含んでもよい。アブレーション部位案内マップは、患者固有の手術中測定値を使用して心臓電気生理学的モデルのパラメータを適合させることによってパーソナライズされた心臓電気生理学の計算モデルを使用して生成される。アブレーション部位案内マップは、アブレーション処置中に表示装置によって表示される。実施形態では、患者固有の解剖学的心臓モデルを、アブレーション処置中に取得される手術中３次元回転血管造影画像に対して位置合わせすることは、機械学習アルゴリズムを使用して三次元回転血管造影画像内の心臓心膜の確率マップを計算することを含む。
以下で説明する本発明の実施形態は、インターフェース及びプロセッサを含むシステムを提供する。インターフェースは、患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信するように構成される。プロセッサは、必要とされることが見出される場合には、受信されるデータに基づいて、領域に適用される相補的アブレーション操作を自動的に特定するように構成される。
いくつかの実施形態では、プロセッサは、初期アブレーション操作の品質を評価し、初期アブレーション操作の品質が品質基準を満たさないことを見出すことに応じて、相補的アブレーション操作を特定することによって、相補的アブレーションを特定するように構成される。
いくつかの実施形態では、初期アブレーション操作を特徴付けるデータは、障害深さ、障害半径、障害長軸、障害短軸、障害３Ｄ位置、障害解剖学的位置、及び障害表面積、のうちの少なくとも１つを含む。
実施形態では、相補的アブレーション操作を特定する際に、プロセッサは、反復アブレーションのための位置を特定するように構成される。
別の実施形態では、相補的アブレーション操作を特定する際に、プロセッサは、アブレーション点のセグメント内の間隙を示すように構成される。
更に別の実施形態では、相補的アブレーション操作を特定する際に、プロセッサは、追加的アブレーションがアブレーション点のセグメントに近接して実行されることをリアルタイムで特定するように構成される。
いくつかの実施形態では、相補的アブレーション操作を特定する際に、プロセッサは、相補的アブレーションで使用される１つ以上のアブレーションパラメータの値を特定するように更に構成される。
いくつかの実施形態では、初期アブレーション操作を特徴付けるデータは、体表面心電図（ＥＣＧ）信号、体表面ＥＣＧ信号の変化、心臓内ＥＣＧ信号、心臓内ＥＣＧ信号の変化、アブレーション電極のインピーダンス、アブレーション電極のインピーダンスの変化、アブレーションされる組織の温度、アブレーションされる組織の温度の変化、アブレーションされる組織に対する力、アブレーションされる組織に対する力の変化、アブレーションカテーテルの種類、アブレーション点の３Ｄ位置、アブレーション点の予測される解剖学的位置、アブレーション点のアブレーション持続時間、灌流速度、及びアブレーション中に送達される電力、のうちの少なくとも１つを含む。
他の実施形態では、初期アブレーション操作を特徴付けるデータは、アブレーションされる組織の超音波反射の変化、及びアブレーションされる組織の磁気共鳴画像（magnetic resonance image、ＭＲＩ）の変化の、一方又は両方を含む。
いくつかの実施形態では、プロセッサは、トレーニングされる機械学習（ＭＬ）モデルを適用することによって、相補的アブレーション操作を自動的に特定するように構成される。
実施形態では、ＭＬモデルは、オートエンコーダ、変分オートエンコーダ、敵対的生成ネットワーク（general adversarial network、ＧＡＮ）、ランダムフォレスト（random forest、ＲＦ）、教師付きＭＬ、及び強化ＭＬのうちの少なくとも１つを含む。
本発明の別の実施形態によれば、患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信することを含む方法が更に提供される。必要とされることが見出される場合には、領域に適用される相補的アブレーション操作が、受信されるデータに基づいて、プロセッサによって自動的に特定される。
本発明は、以下の「発明を実施するための形態」を図面と併せて考慮することで、より完全に理解されよう。
本発明の例示的な実施形態による、カテーテルベースの電気生理学的（electrophysiological、ＥＰ）検知、信号解析、及びＩＲＥアブレーションシステムの概略的な描写図である。 本発明の例示的な実施形態による、オートエンコーダ及びランダムフォレスト（ＲＦ）に基づく障害推定のためのディープラーニングアルゴリズムを示す。 本発明の代替的な例示的実施形態による、アブレーション結果を推定及び修正するための機械学習（ＭＬ）モデルの、推論用トレーニング及び使用のフローチャートである。 本発明の例示的な実施形態による、図３のＭＬモデルを使用して計画される肺静脈隔離術（pulmonary veins isolation、ＰＶＩ）の可視化のスクリーンショットである。
概論
心臓アブレーションは、患者の心臓組織において障害を形成することによって不整脈を治療するために使用される一般的な処置である。このような障害は、不可逆的電気穿孔法（irreversible electroporation、ＩＲＥ）によって、又は無線周波数（ＲＦ）などの他の種類のアブレーションエネルギーを使用することによって形成されてもよく、これらの両方はカテーテルを使用して適用され得る。ＩＲＥアブレーションでは、カテーテルの遠位端上に配設される電極が組織と接触するように、カテーテルが操作される。次いで、高電圧双極性パルスが電極間に印加され、組織内で生成される強電界パルスが細胞死及び障害生成を引き起こす。ＲＦアブレーションでは、交流ＲＦ電流が１つ以上の電極によって組織に印加されて、熱によって細胞死を引き起こす。
通常は、不整脈を矯正するための心腔内のアブレーション処置において、アブレーションにおける隣接性及び貫壁性（十分な障害深さ）の両方を達成することが重要である。いずれかの欠如は通常、アブレーションされる組織を通る波面の「漏れ」につながる。漏れを確認するために、例えば、肺静脈隔離（pulmonary vein isolation、ＰＶＩ）を達成する処置において、医師は、心臓を刺激するようにアブレーションラインの一方側で心臓をペーシングし（すなわち、心臓内に信号を注入し）、信号が他方側に現れるかどうかを認識するために確認する。信号が現れない場合には、意図されるように電気的絶縁が達成されている。しかしながら、信号が現れる場合、医師は通常、アブレーション点を追加する。
アブレーションライン隣接性指数（ablation line contiguity index、ＡＣＬＩ）などのパラメータは、アブレーションラインの隣接性及び貫壁性をスコアリングするために定義されてもよい。しかしながら、このようなパラメータは、完全なループが実行された後にのみＰＶＩを確認することができるように、アブレーション処置が完了した後にのみ推定され得る。
したがって、典型的な現在のワークフローは、以下の工程を有してもよい。
１．ＰＶ隔離の第１の「アブレーションループ」
２．刺激による試験
３．刺激に基づいて隙間を閉鎖するように組織をアブレーションすること、及び／又は
２．不整脈を開始する医薬品、例えば、アデノシンにより試験すること
３．組織をアブレーションして隙間を閉じること
上記のアデノシン曝露工程２は、研究環境で一般的に使用されるために、毎日の診療ワークフローで実施されなくてもよいことが理解されるであろう。
処置中に隔離が達成される場合であっても、不整脈は、いつか後日に再発する場合がある。この場合、処置の「再実行」が必要になる場合がある。
以下で説明している本発明の実施形態は、治療中に取得される情報（例えば、アブレーションカテーテル自体を使用して取得される）にのみ基づいて心臓アブレーション処置の成功を予測するためのシステム及び機械学習（ＭＬ）方法を、以下で説明しているように、提供する。予測は、（ｉ）いくつかの実施形態では、障害がどの程度の貫壁性であるか、及び（ｉｉ）他の実施形態では、アブレーションにおける隣接性及び貫壁性のレベルを推定することによって達成される。後の実施形態は、追加のアブレーション点が必要である場合に、医師をリアルタイムに案内してもよい。
いくつかの実施形態では、プロセッサは、患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信する。プロセッサは、必要とされることが見出される場合には、受信されたデータに基づいて、領域に適用される相補的アブレーション操作を自動的に特定する。例えば、プロセッサは、初期アブレーション操作の品質を評価し、初期アブレーション操作の品質が品質基準（例えば、達成される隣接性及び／又は貫壁性）を満たさないことを見出すことに応じて、相補的アブレーション操作を特定する。
本発明の実施形態は、フォーカルソース（focal source）及び反復アクティベーションパターン（repetitive activation pattern、ＲＡＰ）の推奨を提供するために使用されてもよい。本発明の実施形態はまた、アブレーションの品質の推定、並びに、持続的ＡＦドライバ及びｐｅｒｐｅｔｕａｔｏｒ ＲＡＰ、病巣、及び線維性組織の「最適」アブレーション戦略を提供するために使用されてもよい。
本発明の実施形態では、人工ニューラルネットワーク（artificial neural network、ＡＮＮ）などの機械学習（ＭＬ）モデルが生成される。ＡＮＮモデルは、表面心電図（ＥＣＧ）信号、心臓内ＥＣＧ（intra-cardiac ECG、ＩｃＥＣＧ）信号（電位図（electrogram、ＥＧＭ）とも呼ばれる）信号、収集されたデータの３Ｄ位置情報を含む初期アブレーションデータ、並びに、アブレーションに使用される電力、アブレーションの期間、アブレーション中に測定される温度、及びアブレーションを実行するカテーテル電極のインピーダンスを含むアブレーションパラメータを使用してトレーニングされる。モデルをトレーニングするために使用される他のパラメータとしては、使用されるカテーテル、カテーテルによって測定される力、並びに温度及びインピーダンスなどのパラメータの変化が挙げられるが、これらに限定されない。モデルが生成されると、これらのパラメータの少なくとも一部の値は、モデルによって定式化された結果に到達するようにモデルによって使用される。
いくつかの実施形態では、アブレーショントレーニングデータの臨床データ及び前臨床データから導出されるグランドトゥルース（ground truth）が、トレーニングのために使用される。このようなデータは、組織壊死の表面積及び深さなどのパラメータを含む、アブレーション電力の範囲で得られる実際の障害パラメータを含んでもよい。
新しい患者においてアブレーションを実行している間に、プロセッサは、ＭＬモデルを使用して、アブレーションされた障害、例えば、医師に提供されるその半径及び深さを推定する。これらの値は通常、アブレーションの可視化も提供することができる、グラフィックユーザインターフェース（graphic user interface、ＧＵＩ）上に提供される。
本発明の他の実施形態では、トレーニングされたＭＬモデルは、第１のアブレーションループ後に、アブレーション「再実行」のための潜在的候補である場所を識別する。
更に、新しいアブレーションの直前及び／又はその間に、プロセッサは、アブレーションデータ（すなわち、アブレーション処置中に取得される任意のデータ）を使用して、アブレーションにおける隣接性及び貫壁性のレベルを予測してもよい。
上記のＭＬモデルを使用することにより、医師は、アブレーション処置の結果を予測することによって、上記の現在のワークフローについてのそれと比較して、処置に費やされる時間を短縮することが可能になる。このモデルにより、医師は、アブレーション処置の第１のラウンドにおいて、アブレーションライン、すなわち、高い隣接性スコア及び貫壁性スコアを有するラインによって、有効な隔離を生成することが可能になる。したがって、このモデルを使用することにより、先行技術のシステムよりも単純で迅速なかつより効果的なプロセスが可能になる。
本明細書ではＡＮＮモデルを例として使用しているが、当業者は、決定木学習、サポートベクトルマシン（support vector machine、ＳＶＭ）、及びベイジアンネットワークなどの使用に利用可能な他のＭＬモデルの中から選択してもよい。ＡＮＮモデルとしては、例えば、畳み込みＮＮ（convolutional NN、ＣＮＮ）、オートエンコーダ、及び確率的ニューラルネットワーク（probabilistic neural network、ＰＮＮ）が挙げられる。通常、使用される１つ以上のプロセッサ（以下「プロセッサ」と総称する）は、プロセッサが上記で概略を述べたプロセッサ関連工程及び機能の各々を実行することが可能になる、特定のアルゴリズムを含むソフトウェアにプログラムされる。通常、トレーニングは、グラフィックス処理ユニット（graphics processing unit、ＧＰＵ）又はテンソル処理ユニット（tensor processing unit、ＴＰＵ）などの複数のプロセッサを含むコンピューティングシステムを使用して行われる。しかしながら、これらのプロセッサのいずれもまた、中央処理装置（central processing unit、ＣＰＵ）であってもよい。
アブレーションにおける障害パラメータ（例えば、直径、深さ）並びに隣接性及び貫壁性を、ＭＬアルゴリズム推論のために上記の制限データに基づいて、評価する能力は、アブレーション処置の品質の単純な評価を可能にし、より正確なアブレーションプロファイル、通常はアブレーション処置の結果の改善につながり得る。
システムの説明
図１は、本発明の実施形態による、カテーテルベースの電気生理学的（ＥＰ）検知、信号解析、及びＩＲＥアブレーションシステム２０の概略的な描写図である。システム２０は、例えば、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒ（Ｉｒｖｉｎｅ，Ｃａｌｉｆｏｒｎｉａ）によって生成されたＣＡＲＴＯ（登録商標）３システムであり得る。このように、システム２０は、医師３０によって患者２８の心臓２６（インセット２５）内にナビゲートされる、シャフト２２を有するカテーテル２１を含む。描画された例では、医師３０は、カテーテルの近位端の近くのマニピュレータ３２を使用してシャフト２２を操作しながら、シース２３を通してシャフト２２を挿入する。
本明細書で説明している実施形態では、カテーテル２１は、心臓２６の電気生理学的マッピング及びＩＲＥアブレーションなど、それぞれ任意の好適な診断目的及び／又は組織アブレーションのために使用されてもよい。ＥＣＧ記録計器３５は、プロセス中にシステム２０によって検知される様々な種類のＥＣＧ信号を受信してもよい。
挿入図２５に示されるように、カテーテル２１のシャフト２２の遠位端には、多電極バスケットカテーテル４０が装着される。インセット４５は、バスケットカテーテル４０の複数の電極４８の配置を示す。カテーテル２１の近位端は制御コンソール２４に接続されて、例えば、電極４８によって取得される電位図を送信する。
コンソール２４は、カテーテル２１の電極４８からＥＰ信号（例えば、ＥＣＧ信号）並びに非ＥＰ信号（位置信号など）を受信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３８を有するプロセッサ４１、通常は汎用コンピュータを含む。この目的のために、プロセッサ４１は、シャフト２２内に延びるワイヤを介して電極４８に接続される。インターフェース回路３８は、ＥＣＧ記録計器３５であり得るマルチチャネル（例えば、１２端子）ＥＣＧ装置などからのＥＣＧ信号、並びに表面体電極４９からの非ＥＣＧ信号を受信するように更に構成されている。典型的には、電極４９は、患者２８の胸部及び脚の周囲の皮膚に取り付けられる。プロセッサ４１は、ケーブル３９を通して延びるワイヤによって電極４９に接続されて、電極４９から信号を受信する。
体表面電極４９のうちの４つは、標準的なＥＣＧプロトコル：ＭＡ（右腕）、ＬＡ（左腕）、ＭＬ（右脚）、及びＬＬ（左脚）に従って命名されている。ウィルソン結合電極（Wilson Central Terminal（ＷＣＴ））は、４つの命名された体表面電極４９のうちの３つによって形成されてもよく、得られたＥＣＧ信号ＶＷＣＴは、インターフェース回路３８によって受信される。
ＥＰマッピング処置中、電極４８の位置は、それらが患者の心臓２６内にある間に追跡される。そのために、電気信号が、電極４８と体表面電極４９との間を通される。この信号に基づいて、及び患者の身体上の電極２２の既知の位置を考慮して、プロセッサ４１は、患者の心臓内の各電極２２の推定される位置を計算する。このような追跡は、例えば、米国特許第８，４５６，１８２号に記載され、その開示が参照により本明細書に組み込まれるＢｉｏｓｅｎｓｅ−Ｗｅｂｓｔｅｒ（Ｉｒｖｉｎｅ Ｃａｌｉｆｏｒｎｉａ）製のＡｃｔｉｖｅ Ｃｕｒｒｅｎｔ Ｌｏｃａｔｉｏｎ（ＡＣＬ）システムを使用して実行されてもよい。
したがって、プロセッサは、ＥＧＭなどの電極４８から受信される任意の所与の信号を、信号が取得された位置と関連付けてもよい。プロセッサ４１は、これらの信号に含まれる情報を使用して、ディスプレイ上に提示されるローカルアクティベーション時間（local activation time、ＬＡＴ）マップなどのＥＰマップを構築する。図示の実施形態では、図２及び図３に示すように、ＥＰ及び他のデータ（例えば、灌流速度）に適用されるＭＬアルゴリズムを含むアルゴリズムを使用して、プロセッサ４１は、システムがアブレーションする障害の隣接性及び貫壁性を推定する。
ＩＲＥアブレーションを実行するために、電極４８は、コンソール２４においてプロセッサ制御スイッチング回路（例えば、図示されていないリレーのアレイ）を含むＩＲＥパルス発生器４７に接続される（例えば、切り替えられる）。アブレーション隣接性のレベルなどの、開示している技術によって提供される推定を使用して、プロセッサ４１、又は医師は、ＩＲＥパルスを印加する（スイッチング回路を介して）ためにパルス発生器３７にどの電極を接続すべきか選択してもよい。
ＩＲＥアブレーション中、以下に定義していうる初期アブレーションデータが、上記ＭＬモデルのうちの１つによって推論で使用されて、図２に示すように、障害パラメータ、並びに障害の群の隣接性及び貫壁性を更に評価してもよい。
プロセッサ４１は、本明細書に述べられる機能を実施するために、通常はソフトウェアでプログラムされる。ソフトウェアは、例えば、ネットワークを介して電子形式でプロセッサにダウンロードされてもよく、又は、ソフトウェアは、代替的に若しくは付加的に、磁気的、光学的、又は電子的メモリなどの非一時的な有形媒体上に提供及び／又は記憶されてもよい。特に、プロセッサ４１は、例えば、以下で更に説明する開示の工程をプロセッサ４１が実行することが可能になる、図３などに含まれている本明細書に開示している専用アルゴリズムを実行する。
ＭＬを使用する心臓アブレーションの案内
図２は、本発明の例示的な実施形態による、機械学習（ＭＬ）モデルの操作についての図である。このモデルは、以下に説明しているアブレーショントレーニングデータに基づいて、ランダムフォレスト回帰木から構築される。ランダムフォレスト分類器２０４は、決定木のコミッティであり、各決定木は、データの属性のサブセットが与えられ、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て、最終的なランダムフォレスト回答２０８及び２１０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。
このモデルは、ディープラーニングオートエンコーダ、並びにランダムフォレスト回帰木に基づく。オートエンコーダは、障害評価のための特徴空間としての役割を後に果たす特徴の集合ｕへの次元削減を実行する。
オートエンコーダ２０２は、２つの部分、すなわち、エンコーダ及びデコーダを含む。エンコーダは、非線形変換を介して入力（本明細書では、ＥＣＧ信号及び／又はＩｃＥＣＧ信号）を非表示表現（ｕ）にマッピングする。次に、デコーダは、下記の別の非線形変換を介して非表示表現を再構築データに戻すようにマッピングする。
ｕ＝ｆ（ＩｃＥＣＧ，θｅｎｃｏｄｅｒ），ＩｃＥＣＧ＝ｇ（ｕ，φｄｅｃｏｄｅｒ）
本発明の実施形態は、ＥＣＧ及びＩｃＥＣＧ再構築のための同じネットワークアーキテクチャを使用する。Ｌ２正規化機能は、θｅｎｃｏｄｅｒ、φｄｅｃｏｄｅｒの重みの集合を学習するために最小化されて、ＩｃＥＣＧ（又は体表面ＥＣＧ）を再構築する。オートエンコーダは、所定数の層を有するエンコーダ及びデコーダの完全に接続された畳み込みニューラルネットワーク（convolutional neural network、ＦＣＮ）を使用して実施される。次いで、障害深さを予測するために、符号化された表現ｕ、患者の病歴（例えば、ＡＦ持続時間、ＮＹＨＡスコア）パラメータ、患者の人口統計（例えば、年齢、ＢＭＩ）及びアブレーション特徴（例えば、電力、温度プロファイル）に基づいて、ランダムフォレスト回帰が実行される。
実施形態では、モデルは、ランダムフォレストへの入力としての入力層アブレーション特徴空間としてアブレーション特徴空間を使用する。アブレーション特徴空間は、心臓組織の各アブレーション点のアブレーション特性（例えば、電力、インピーダンス、インピーダンス低下、安定性、アブレーションインデックス、及びｘ、ｙ、ｚ位置）を指す。各アブレーション点は、１秒当たり６０回時系列サンプリングされるそれらの特徴を含み、したがって、各アブレーション点の時間的に変化する性質はまた、モデル化され、アブレーション特徴空間の一部としての役割を果たす。
各アブレーション点の解剖学的構造はまた、モデルの入力空間の一部である。例えば、ある点が幅領域周方向アブレーション（wide area circumferential ablation、ＷＡＣＡ）についての右側ＷＡＣＡの一部であると予測される場合、ＷＡＣＡについてのＭＬモデルは、アブレーション部位を以下のうちの１つであると分類するであろう。
１．右下
２．右後
３．右ルーフ
４．右前
左側ＷＡＣＡについては、各アブレーション部位は、以下のうちの１つに関連付けられる。
１．左下
２．左後
３．左前
４．左ルーフ
５．リッジ
そのようにアブレーション部位を分類するＭＬモデルが、本特許出願の譲受人に譲渡された、２０２０年７月３０日に出願された「Ａｕｔｏｍａｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ Ａｎａｔｏｍｉｃａｌ Ｓｔｒｕｃｔｕｒｅｓ ｏｆ Ｗｉｄｅ Ａｒｅａ Ｃｉｒｃｕｍｆｅｒｅｎｔｉａｌ Ａｂｌａｔｉｏｎ Ｐｏｉｎｔｓ」と題された米国仮特許出願第６３／０５９０６０号に提供されている。
開示されているモデルは、障害表面積（半径として）２１０及び障害深さ２０８の出力推定値として提供され、コンピュータプロセッサ２０６によって操作される。操作中、プロセッサは、アブレーション処置からのデータを入力することと、障害推定値２０８及び２１０を出力することとを含むアルゴリズムを構築モデルに適用する。
この実施形態では、使用されるアブレーショントレーニングデータのグランドトゥルースが、臨床データ及び前臨床データから導出される。一部のデータは、ブタ又は／及びヒツジに関して実行されるインビボ開胸処置から計算される。この処置では、心房及び心室の両方において、ヒツジ及びブタにおける異なる障害深さを達成する電力の範囲で障害が形成される。組織壊死の表面積及び深さが収集される。
加えて、エネルギーは、ヒト被験者において異なる障害深さを達成するために、ある電力の範囲で送達されてもよい。心房及び心室の両方に送達されるエネルギー、並びに壊死の表面積及び深さは、超音波／磁気共鳴撮像（magnetic resonance imaging、ＭＲＩ）を使用して測定されてもよい。
動物対象及びヒト被験者の両方について、アブレーショントレーニングデータ収集は、ＥＣＧ及び心臓内ＥＣＧ信号、アブレーションカテーテルの種類（例えば、フォーカル、ラッソ、バスケット、バルーン）、アブレーション点の３Ｄ位置、各点のアブレーション持続時間、灌流が使用されるかどうか（及び、使用される場合には、灌流速度）、アブレーション電極のインピーダンス、送達される電力、及びアブレーション中に測定される温度プロファイルを含む。追加の任意のデータとしては、心臓内超音波、外部超音波、リアルタイムＣＴ、及びリアルタイムＭＲＩ画像が挙げられる。
上記のデータは、ランダムフォレスト回帰木モデルについての入力として使用される。
図２に示すように、このモデルは、障害の半径として、障害の平均深さ及び障害の表面積を含む２つの出力ノードによる組織壊死の深さ及び面積を推定する。代替的な実施形態では、３つの出力ノードを有するモデルが生成され、障害の表面積は楕円の長軸及び短軸を使用して推定される。
全ての実施形態で、各アブレーション後の壊死の推定された表面積がリアルタイムで表示される。
図３は、本発明の代替的な実施形態による、アブレーション結果を推定及び修正するための機械学習（ＭＬ）モデルの、推論用トレーニング及び使用のフローチャートである。具体的には、図３に示す実施形態は、心腔内でアブレーション再処理が必要であるかどうか、及びそれがどこで必要とされるかを決定する助けとなる。
アルゴリズムの一実施形態では、モデルを使用して、第１の「アブレーションループ」後に、アブレーション再実行、すなわち反復アブレーションのための可能性のある位置を識別することができる。
本発明の開示している実施形態では、モデルは、完全に接続されたニューラルネットワークを、入力層としてのアブレーション特徴空間と共に使用する。ネットワークは、整流された線形単位（rectified linear unit、ＲｅＬＵ）を含む２つの隠れ層と、アブレーション成功又は再実行を含む単一の出力ニューロン、すなわち、支持バイナリ第１の分類子とを有する。ネットワークの重みは、クロスエントロピー損失を最小限に抑えるために、勾配降下最オプティマイザを使用して推定される。
第１の分類子が再実行を予測する場合、第２の分類子は、アブレーションを再実行する可能性のある場所として、「低深度」「小表面」障害をマーキングする。
いくつかのアブレーションの後であるがＰＶＩの第１のラウンドの完了前にアクティブ化されるアルゴリズムの別の実施形態では、アルゴリズムは、アブレーション点のセグメントにおける可能性のある隙間を特定し、例えば、互いの近傍に５０ｍｍのアブレーション点のセグメントが存在し、アブレーションのうちの１つが低いインピーダンス低下を有し、カテーテルがこのセグメントから２０ｍｍであるとき、システムは、これらの可能性のある間隙について医師に通知する。
アルゴリズムの更に別の実施形態では、システムは通常、アブレーション中に、前のアブレーション内に可能性のある隙間が存在するかどうか、又は更なるアブレーションが現在のアブレーション点近傍で実行されるべきかどうかについて、「リアルタイム」で通知する。
アルゴリズムの更なる実施形態では、システムは、次のアブレーション点をどこで実行すべきかを、医師に示す。システムはまた、アブレーションの完了まで、使用されるべきアブレーションパラメータ及びそれらの値を列挙する。アルゴリズムは通常、完了が達成されたかどうかを判定し、それに応じて医師に通知する。
アルゴリズムは、提示されている一実施形態により、２つの部分、すなわち、アルゴリズム準備１０１及びアルゴリズム使用１０２に分割される。
アルゴリズム準備は、ＭＬモデリング工程７０で開始して、アブレーション結果を推定するためのＭＬアルゴリズムを生成するプロセスを実行する。このようなモデルは、他の可能な選択肢の中でも、教師付きＭＬモデル、又は強化ＭＬモデル、変分オートエンコーダ、及び敵対的生成ネットワーク（general adversarial network、ＧＡＮ）であり得る。モデルは、以下に記載している他の入力の中で、ＥＰ及びアブレーション結果を入力として受け付ける。
次に、アブレーショントレーニングデータ及びグランドトゥルース結果を含むデータベースを使用して、プロセッサは、ＭＬアルゴリズムトレーニング工程７２でアルゴリズムをトレーニングする。
いくつかの実施形態では、モデルについてのアブレーショントレーニングデータは、２つのカテゴリー、すなわち、先鋭的な成功を達成する第１のアブレーションセッションからのデータ、及び再実行処置を必要とする第１のアブレーションセッションからのデータ（例えば、初期アブレーション操作の品質が、達成される隣接性などの品質基準を満たさないことが見出された後）に分割される。
開示されている実施形態では、アブレーショントレーニングデータは、ＣＡＲＴＯなどのシステムによる実際の治療から得られた情報、例えば、以下の項目を含んでもよい。
１．アブレーションカテーテルの種類
２．アブレーション点の３Ｄ位置
３．アブレーション点の解剖学的位置
４．アブレーションに使用される電力
５．ポイントアブレーション持続時間
６．灌流
７．カテーテルの安定性、すなわち、アブレーション中にカテーテルに加えられる力
８．「予測される」組織幅に基づいて経壁アブレーションを検証するためのアブレーションの面積に関連するパラメータ
９．１２端子ＥＣＧ、又は任意の種類の表面ＥＣＧ、及びＩｃＥＣＧ
１０．組織応答、例えば、温度、超音波反射変化、ＥＣＧ信号低減、インピーダンス変化
１１．外部装置データのみ、例えば、ＭＲＩ及び／又は超音波データ
１２．項目１〜１０のいずれかと組み合わされた外部装置データ
代替の開示している実施形態では、アブレーショントレーニングデータは、ＣＡＲＴＯ（登録商標）（又は同様のシステム）から生成される画像に基づくトレーニングデータを含んでもよい。このような画像は、
１．図４に見られるような、異なるＣＡＲＴＯマップＬＡＴ、電圧、Ｖｉｓｉｔａｇ（例えば、画像上のボール形状マーカー）に基づく生成された画像の集合。ボールのサイズ及び色は、処置フェーズ（左側ＰＶ、及び右側ＰＶ）の各々について、及びアブレーションの異なる段階について、送信される電力及び送信時間などを示す。
２．いくつかの固定ビューで撮像された画像。
３．左側ＰＶ隔離及び右側ＰＶ隔離の画像を含むトレーニングの開始。
セクション（完全ＰＶＩの一部）隔離の画像を含む、トレーニングの第２の段階。
４．同じビューでの全てのマップ画像、及び全てのＣＡＲＴＯ着色方法を含むトレーニングのための画像、すなわち、電圧マップ、ＬＡＴマップ、双極性マップ。
５．機械学習用にのみ通常生成される全てのアブレーションタグオプションの画像（標準ＣＡＲＴＯ Ｖｉｓｉｔａｇ／ＳｕｒＰｏｉｎｔｓ／Ａｂｌａｔｉｏｎインデックス、及びアブレーション中のカテーテル安定性に基づいてＶｉｓｉｔａｇボールを着色すること、又は機械学習に寄与し得る任意の他のパラメータに基づいてＶｉｓｉｔａｇボールを着色することなどによって、他のパラメータを提示する追加のマップを含む）。
●標準的なＣＡＲＴＯアブレーション点
●以下のパラメータのいずれかによる色勾配を有する点：
○供給エネルギー
○カテーテル力
○カテーテル角度
○前のカテーテル位置
○アブレーション電力
○アブレーション時間
○温度
○ＩＣＥＧ双極性低下
○カテーテルの安定性
○アブレーション中の呼吸
○灌流
開示している実施形態のいずれかでは、第１のＰＶＩループの補正もまた、トレーニングデータの一部として使用されてもよい。これらの補正は、以下を含んでもよい。
ａ．アブレーションカテーテルの種類、アブレーション点の３Ｄ位置、アブレーションに使用される電力、ポイントアブレーションの持続時間、灌流、カテーテルの安定性、カテーテル力などの追加のアブレーション点のパラメータ、及び／又は、
ｂ．補正として実行されるアブレーションの画像。画像は、画像が再実行の直後に撮像される場合、アブレーション位置及び供給エネルギーを含んでもよい。
上述のトレーニングデータに加えて、図に示すように、グランドトゥルースデータもまた、モデルを構築するために使用される。グランドトゥルースデータは通常、病院のデータベースに基づき、次の２つのセクションに分割されてもよい。
ａ．アデノシン負荷をペーシング及び／又は適用することによって決定され、それにより、短期間のフォローアップを必要としない先鋭的な成功。
ｂ．再実行のケース並びにフォローアップ情報を用いかつフォローアップを含む臨床研究におけるケースによって決定される、１２ヶ月フォローアップ成功。
いくつかの実施形態では、グランドトゥルースデータは、ＪＡＣＣ：Ｃｌｉｎｉｃａｌ Ｅｌｅｃｔｒｏｐｈｙｓｉｏｌｏｇｙ，Ｖｏｌｕｍｅ ６，Ｉｓｓｕｅ ８，Ａｕｇｕｓｔ ２０２０に発表され、「Ｐｅｒｓｉｓｔｅｎｔ ａｔｒｉａｌ ｆｉｂｒｉｌｌａｔｉｏｎ ａｂｌａｔｉｏｎ ｗｉｔｈ ｃｏｎｔａｃｔ ｆｏｒｃｅ ｓｅｎｓｉｎｇ ｃａｔｈｅｔｅｒ：Ｔｈｅ ｐｒｏｓｐｅｃｔｉｖｅ ｍｕｌｔｉｃｅｎｔｅｒ ＰＲＥＣＥＰＴ Ｔｒｉａｌ」と題されたＭａｎｓｏｕｒ Ｍらによるプリセプト（ＰＲＥＣＥＰＴ）研究において定義された有効性の成功及び臨床的成功基準を含んでもよい。
いくつかの実施形態では、グランドトゥルースデータは、既知の臨床的利益を有しないために、医師に提示されない取得データを含んでもよい。
上記の説明は、２つの別個の機械学習モデルを含む実施形態を指すが、これらの実施形態は、両方の実施形態の機能を実行するように実装される１つのモデルに組み合わされてもよいことが理解されるであろう。
アルゴリズム準備は、トレーニングされるモデルの記憶工程７４において、トレーニングされるモデルをディスクオンキー（メモリスティック）などの非一時的なコンピュータ可読媒体に記憶することによって終了する。代替的な実施形態では、モデルは予め送信され、その最適化されたパラメータ（ＡＮＮの重みなど）は、トレーにイング後に別々に送信される。
アルゴリズム使用１０２は、アルゴリズムアップロード工程７６で開始するプロセスを実行し、その間、ユーザは、全ＭＬモデル又はその最適化されたパラメータ（例えば、重み）のいずれかをプロセッサにアップロードする。次に、プロセッサ２８などのプロセッサは、トレーニングにおいて使用されるデータの種類と同様の患者データ、例えば、患者のデータを受信する工程７８においてそれぞれ電極４９及び４８からのＥＣＧ及びＥＧＭを受信する。
次に、トレーニングされるＭＬモデルを推論のために使用して、プロセッサは、選択された患者からモデルにデータを入力し、例えば、アブレーション推奨工程８０において、例えば、より隣接的なアブレーションを行うために必要な相補的アブレーション操作（例えば、矯正処置）を出力することができるように、モデル上でアルゴリズムを実施する。プロセッサにインストールされた後、トレーニングされるモデルは、複数の患者で使用されてもよい。
図３に示されている例示のフローチャートは、単に概念を分かり易くする目的で選択されている。本実施形態はまた、電極の診断される組織との物理的接触の程度の指標を受信するなどの、アルゴリズムの追加の工程を含んでもよい。この工程及び他の可能な工程は、より単純化されたフローチャートを提供するために、本明細書における開示内容から意図的に省略されている。
図４は、本発明の実施形態による、図３のＭＬモデルを使用して計画された肺静脈隔離（ＰＶＩ）の可視化のスクリーンショットである。
図４は、ＰＶＩの隣接性及び貫壁性を推定する「評価エンジン」（例えば、図３のＭＬアルゴリズム）の出力を示す。一実施形態では、トレーニングフェーズの間、評価エンジンは、以下の情報を用いてトレーニングされる医師によってタグ付けされた一組のケースを有する。
１．アブレーション解剖学的位置（左側ＷＡＣＡ、右側ＷＡＣＡ、ルーフラインなど）
２．アブレーションの種類（有効、無効アブレーション、先鋭的なアブレーション点再接続、又はアブレーション点再実行）
３．アブレーションの幅及び深さ
上記の特徴空間に基づいて、ＭＬアルゴリズムは、その有効性（例えば、０と１との間の確率）、障害の幅及び深さについてのアブレーション毎の予測を提供する。エンジンは、可能性のある先鋭的な再接続部位又は長期（再実行）再接続部位の領域を推奨することもできる。
図に示すディスク４０２はアブレーション点を表し、寸法（及び／又はディスクのグレースケール）は、評価エンジンによって自動的に作成されて、ＰＶＩの隣接性又は貫壁性を表す。ディスクの寸法は、アブレーション有効性確率を表すことができ、それらは、障害の幅及び／又は深さを表すこともできる。
いくつかの実施形態では、エンジンは、領域４０４をアブレーションするための推奨を与えて、再実行ケースを回避することもできる。
本明細書に記載している実施形態は、主に心臓アブレーション用途に対処するが、本明細書に記載している方法及びシステムはまた、関連するデータ入力を伴って再トレーニングし、かつ関連する成功基準を考慮した後に、腎臓神経除去などの他の医療用途に使用することもできる。
したがって、上記の実施形態は例として挙げたものであり、本発明は上述に具体的に示し説明したものに限定されない点が理解されよう。むしろ本発明の範囲は、上記の様々な特徴の組み合わせ及びその部分的組み合わせの両方、並びに上述の説明を読むことで当業者に想到されるであろう、先行技術において開示されていないそれらの変形例及び修正例を含むものである。参照により本特許出願に組み込まれる文献は、これらの組み込まれる文献において、いずれかの用語が本明細書において明示的又は暗示的になされた定義と矛盾する様式で定義されている場合には、本明細書における定義のみを考慮するものとする点を除き、本出願の一部とみなすものとする。
〔実施の態様〕
（１） 心臓アブレーションを案内するシステムであって、
患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信するように構成されたインターフェースと、
受信された前記データに基づいて、前記領域に適用される相補的アブレーション操作を自動的に特定するように構成されたプロセッサと、を備える、システム。
（２） 前記プロセッサは、前記初期アブレーション操作の品質を評価し、前記初期アブレーション操作の前記品質が品質基準を満たさないことを見出すことに応じて、前記相補的アブレーション操作を特定することによって、前記相補的アブレーションを特定するように構成されている、実施態様１に記載のシステム。
（３） 前記初期アブレーション操作を特徴付ける前記データが、
障害深さ、
障害半径、
障害長軸、
障害短軸、
障害３Ｄ位置、
障害解剖学的位置、及び
障害表面積、のうちの少なくとも１つを含む、実施態様１に記載のシステム。
（４） 前記相補的アブレーション操作を特定する際に、前記プロセッサが、反復アブレーションのための位置を特定するように構成されている、実施態様１に記載のシステム。
（５） 前記相補的アブレーション操作を特定する際に、前記プロセッサが、アブレーション点のセグメント内の隙間を示すように構成されている、実施態様１に記載のシステム。
（６） 前記相補的アブレーション操作を特定する際に、前記プロセッサは、追加的アブレーションがアブレーション点のセグメントに近接して実行されることをリアルタイムで特定するように構成されている、実施態様１に記載のシステム。
（７） 前記相補的アブレーション操作を特定する際に、前記プロセッサが、前記相補的アブレーションで使用される１つ以上のアブレーションパラメータの値を特定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。
（８） 前記初期アブレーション操作を特徴付ける前記データが、
体表面心電図（ＥＣＧ）信号、
体表面ＥＣＧ信号の変化、
心臓内ＥＣＧ信号、
心臓内ＥＣＧ信号の変化、
アブレーション電極のインピーダンス、
アブレーション電極のインピーダンスの変化、
アブレーションされる組織の温度、
アブレーションされる組織の温度の変化、
アブレーションされる組織に対する力、
アブレーションされる組織に対する力の変化、
アブレーションカテーテルの種類、
アブレーション点の３Ｄ位置、
アブレーション点の予測される解剖学的位置、
アブレーション点のアブレーション持続時間、
洗浄の速度、及び
アブレーション中に送達される電力、のうちの少なくとも１つを含む、実施態様１に記載のシステム。
（９） 前記初期アブレーション操作を特徴付ける前記データが、
アブレーションされる組織の超音波反射の変化、及び
アブレーションされる組織の磁気共鳴画像（ＭＲＩ）の変化、の一方又は両方を含む、実施態様８に記載のシステム。
（１０） 前記プロセッサが、トレーニングされる機械学習（ＭＬ）モデルを適用することによって前記相補的アブレーション操作を自動的に特定するように構成されている、実施態様１に記載のシステム。
（１１） 前記ＭＬモデルが、オートエンコーダ、変分オートエンコーダ、敵対的生成ネットワーク（general adversarial network）（ＧＡＮ）、ランダムフォレスト（ＲＦ）、教師付きＭＬ、及び強化ＭＬのうちの少なくとも１つを含む、実施態様１０に記載のシステム。
（１２） 心臓アブレーションを案内する方法であって、
患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信することと、
受信された前記データに基づいて、前記領域に適用される相補的アブレーション操作をプロセッサによって自動的に特定することと、を含む、方法。
（１３） 前記相補的アブレーションを特定することは、前記初期アブレーション操作の品質を評価することと、前記初期アブレーション操作の前記品質が品質基準を満たさないことを見出すことに応じて、前記相補的アブレーション操作を特定することと、を含む、実施態様１２に記載の方法。
（１４） 前記初期アブレーション操作を特徴付ける前記データが、
障害深さ、
障害半径、
障害長軸、
障害短軸、
障害３Ｄ位置、
障害解剖学的位置、及び
障害表面積、のうちの少なくとも１つを含む、実施態様１２に記載の方法。
（１５） 前記相補的アブレーション操作を特定することが、反復アブレーションのための位置を特定することを含む、実施態様１２に記載の方法。
（１６） 前記相補的アブレーション操作を特定することが、アブレーション点のセグメント内の隙間を示すことを含む、実施態様１２に記載の方法。
（１７） 前記相補的アブレーション操作を特定することが、アブレーション点のセグメントに近接して実行される追加的アブレーションをリアルタイムで特定することを含む、実施態様１２に記載の方法。
（１８） 前記相補的アブレーション操作を特定することが、前記相補的アブレーション操作で使用される１つ以上のアブレーションパラメータの値を特定することを含む、実施態様１２に記載の方法。
（１９） 初期アブレーション操作を特徴付ける前記データが、
体表面心電図（ＥＣＧ）信号、
体表面ＥＣＧ信号の変化、
心臓内ＥＣＧ信号、
心臓内ＥＣＧ信号の変化、
アブレーション電極のインピーダンス、
アブレーション電極のインピーダンスの変化、
アブレーションされる組織の温度、
アブレーションされる組織の温度の変化、
アブレーションされる組織に対する力、
アブレーションされる組織に対する力の変化、
アブレーションカテーテルの種類、
アブレーション点の３Ｄ位置、
アブレーション点の予測される解剖学的位置、
各点のアブレーション持続時間、
洗浄の速度、及び
アブレーション中に送達される電力、のうちの少なくとも１つを含む、実施態様１２に記載の方法。
（２０） 前記初期アブレーション操作を特徴付ける前記データが、
アブレーションされる組織の超音波反射の変化、及び
アブレーションされる組織の磁気共鳴画像（ＭＲＩ）の変化、の一方又は両方を含む、実施態様１９に記載の方法。
（２１） 前記相補的アブレーション操作を自動的に特定することが、トレーニングされる機械学習（ＭＬ）モデルを適用することを含む、実施態様１２に記載の方法。
（２２） 前記ＭＬモデルが、オートエンコーダ、変分オートエンコーダ、敵対的生成ネットワーク（ＧＡＮ）、ランダムフォレスト（ＲＦ）、教師付きＭＬ、及び強化ＭＬのうちの少なくとも１つを含む、実施態様２１に記載の方法。

Claims (22)

  1. 心臓アブレーションを案内するシステムであって、
    患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信するように構成されたインターフェースと、
    受信された前記データに基づいて、前記領域に適用される相補的アブレーション操作を自動的に特定するように構成されたプロセッサと、を備える、システム。
  2. 前記プロセッサは、前記初期アブレーション操作の品質を評価し、前記初期アブレーション操作の前記品質が品質基準を満たさないことを見出すことに応じて、前記相補的アブレーション操作を特定することによって、前記相補的アブレーションを特定するように構成されている、請求項１に記載のシステム。
  3. 前記初期アブレーション操作を特徴付ける前記データが、
    障害深さ、
    障害半径、
    障害長軸、
    障害短軸、
    障害３Ｄ位置、
    障害解剖学的位置、及び
    障害表面積、のうちの少なくとも１つを含む、請求項１に記載のシステム。
  4. 前記相補的アブレーション操作を特定する際に、前記プロセッサが、反復アブレーションのための位置を特定するように構成されている、請求項１に記載のシステム。
  5. 前記相補的アブレーション操作を特定する際に、前記プロセッサが、アブレーション点のセグメント内の隙間を示すように構成されている、請求項１に記載のシステム。
  6. 前記相補的アブレーション操作を特定する際に、前記プロセッサは、追加的アブレーションがアブレーション点のセグメントに近接して実行されることをリアルタイムで特定するように構成されている、請求項１に記載のシステム。
  7. 前記相補的アブレーション操作を特定する際に、前記プロセッサが、前記相補的アブレーションで使用される１つ以上のアブレーションパラメータの値を特定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。
  8. 前記初期アブレーション操作を特徴付ける前記データが、
    体表面心電図（ＥＣＧ）信号、
    体表面ＥＣＧ信号の変化、
    心臓内ＥＣＧ信号、
    心臓内ＥＣＧ信号の変化、
    アブレーション電極のインピーダンス、
    アブレーション電極のインピーダンスの変化、
    アブレーションされる組織の温度、
    アブレーションされる組織の温度の変化、
    アブレーションされる組織に対する力、
    アブレーションされる組織に対する力の変化、
    アブレーションカテーテルの種類、
    アブレーション点の３Ｄ位置、
    アブレーション点の予測される解剖学的位置、
    アブレーション点のアブレーション持続時間、
    洗浄の速度、及び
    アブレーション中に送達される電力、のうちの少なくとも１つを含む、請求項１に記載のシステム。
  9. 前記初期アブレーション操作を特徴付ける前記データが、
    アブレーションされる組織の超音波反射の変化、及び
    アブレーションされる組織の磁気共鳴画像（ＭＲＩ）の変化、の一方又は両方を含む、請求項８に記載のシステム。
  10. 前記プロセッサが、トレーニングされる機械学習（ＭＬ）モデルを適用することによって前記相補的アブレーション操作を自動的に特定するように構成されている、請求項１に記載のシステム。
  11. 前記ＭＬモデルが、オートエンコーダ、変分オートエンコーダ、敵対的生成ネットワーク（ＧＡＮ）、ランダムフォレスト（ＲＦ）、教師付きＭＬ、及び強化ＭＬのうちの少なくとも１つを含む、請求項１０に記載のシステム。
  12. 心臓アブレーションを案内する方法であって、
    患者の心臓の領域に適用される初期アブレーション操作を特徴付けるデータを受信することと、
    受信された前記データに基づいて、前記領域に適用される相補的アブレーション操作をプロセッサによって自動的に特定することと、を含む、方法。
  13. 前記相補的アブレーションを特定することは、前記初期アブレーション操作の品質を評価することと、前記初期アブレーション操作の前記品質が品質基準を満たさないことを見出すことに応じて、前記相補的アブレーション操作を特定することと、を含む、請求項１２に記載の方法。
  14. 前記初期アブレーション操作を特徴付ける前記データが、
    障害深さ、
    障害半径、
    障害長軸、
    障害短軸、
    障害３Ｄ位置、
    障害解剖学的位置、及び
    障害表面積、のうちの少なくとも１つを含む、請求項１２に記載の方法。
  15. 前記相補的アブレーション操作を特定することが、反復アブレーションのための位置を特定することを含む、請求項１２に記載の方法。
  16. 前記相補的アブレーション操作を特定することが、アブレーション点のセグメント内の隙間を示すことを含む、請求項１２に記載の方法。
  17. 前記相補的アブレーション操作を特定することが、アブレーション点のセグメントに近接して実行される追加的アブレーションをリアルタイムで特定することを含む、請求項１２に記載の方法。
  18. 前記相補的アブレーション操作を特定することが、前記相補的アブレーション操作で使用される１つ以上のアブレーションパラメータの値を特定することを含む、請求項１２に記載の方法。
  19. 初期アブレーション操作を特徴付ける前記データが、
    体表面心電図（ＥＣＧ）信号、
    体表面ＥＣＧ信号の変化、
    心臓内ＥＣＧ信号、
    心臓内ＥＣＧ信号の変化、
    アブレーション電極のインピーダンス、
    アブレーション電極のインピーダンスの変化、
    アブレーションされる組織の温度、
    アブレーションされる組織の温度の変化、
    アブレーションされる組織に対する力、
    アブレーションされる組織に対する力の変化、
    アブレーションカテーテルの種類、
    アブレーション点の３Ｄ位置、
    アブレーション点の予測される解剖学的位置、
    各点のアブレーション持続時間、
    洗浄の速度、及び
    アブレーション中に送達される電力、のうちの少なくとも１つを含む、請求項１２に記載の方法。
  20. 前記初期アブレーション操作を特徴付ける前記データが、
    アブレーションされる組織の超音波反射の変化、及び
    アブレーションされる組織の磁気共鳴画像（ＭＲＩ）の変化、の一方又は両方を含む、請求項１９に記載の方法。
  21. 前記相補的アブレーション操作を自動的に特定することが、トレーニングされる機械学習（ＭＬ）モデルを適用することを含む、請求項１２に記載の方法。
  22. 前記ＭＬモデルが、オートエンコーダ、変分オートエンコーダ、敵対的生成ネットワーク（ＧＡＮ）、ランダムフォレスト（ＲＦ）、教師付きＭＬ、及び強化ＭＬのうちの少なくとも１つを含む、請求項２１に記載の方法。
JP2020157089A 2019-09-22 2020-09-18 機械学習（ｍｌ）を使用する心臓アブレーションの案内 Pending JP2021049341A (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962903850P 2019-09-22 2019-09-22
US62/903,850 2019-09-22
US17/016,608 2020-09-10
US17/016,608 US20210085387A1 (en) 2019-09-22 2020-09-10 Guiding cardiac ablation using machine learning (ml)

Publications (1)

Publication Number Publication Date
JP2021049341A true JP2021049341A (ja) 2021-04-01

Family

ID=72603414

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020157089A Pending JP2021049341A (ja) 2019-09-22 2020-09-18 機械学習（ｍｌ）を使用する心臓アブレーションの案内

Country Status (6)

Country Link
US (1) US20210085387A1 (ja)
EP (1) EP3795078A1 (ja)
JP (1) JP2021049341A (ja)
KR (1) KR20210036278A (ja)
CN (1) CN112617999A (ja)
IL (1) IL277420A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023286336A1 (ja) * 2021-07-13 2023-01-19 オリンパス株式会社 システム、プログラム及び判定方法

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190314083A1 (en) 2018-04-11 2019-10-17 Biosense Webster (Israel) Ltd. Flexible Multi-Arm Catheter with Diametrically Opposed Sensing Electrodes
US11045628B2 (en) 2018-12-11 2021-06-29 Biosense Webster (Israel) Ltd. Balloon catheter with high articulation
US11850051B2 (en) 2019-04-30 2023-12-26 Biosense Webster (Israel) Ltd. Mapping grid with high density electrode array
US11950930B2 (en) 2019-12-12 2024-04-09 Biosense Webster (Israel) Ltd. Multi-dimensional acquisition of bipolar signals from a catheter
US11517218B2 (en) 2019-12-20 2022-12-06 Biosense Webster (Israel) Ltd. Selective graphical presentation of electrophysiological parameters
EP4110216A1 (en) * 2020-02-26 2023-01-04 Covidien LP Energy based surgical systems and methods based on an artificial-intelligence learning system
US11987017B2 (en) 2020-06-08 2024-05-21 Biosense Webster (Israel) Ltd. Features to assist in assembly and testing of devices
US20220036560A1 (en) * 2020-07-30 2022-02-03 Biosense Webster (Israel) Ltd. Automatic segmentation of anatomical structures of wide area circumferential ablation points
US11950841B2 (en) 2020-09-22 2024-04-09 Biosense Webster (Israel) Ltd. Basket catheter having insulated ablation electrodes and diagnostic electrodes
US11950840B2 (en) 2020-09-22 2024-04-09 Biosense Webster (Israel) Ltd. Basket catheter having insulated ablation electrodes
US11974803B2 (en) 2020-10-12 2024-05-07 Biosense Webster (Israel) Ltd. Basket catheter with balloon
US11918383B2 (en) 2020-12-21 2024-03-05 Biosense Webster (Israel) Ltd. Visualizing performance of catheter electrodes
CN114145838B (zh) * 2021-05-28 2024-03-15 南京邮电大学 一种心脏射频消融导管系统
US12004804B2 (en) 2021-09-09 2024-06-11 Biosense Webster (Israel) Ltd. Basket catheter with mushroom shape distal tip
CN114271927B (zh) * 2021-12-19 2023-10-17 复旦大学 可实时预测心律失常射频消融损伤深度的方法及射频消融仪
US20230404677A1 (en) 2022-06-20 2023-12-21 Biosense Webster (Israel) Ltd. Applying ablation signals to both sides of tissue
US20240138906A1 (en) * 2022-10-28 2024-05-02 Biosense Webster (Israel) Ltd. Alignment Aid for Ablation Procedures

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8456182B2 (en) 2008-09-30 2013-06-04 Biosense Webster, Inc. Current localization tracker
US9277970B2 (en) 2012-07-19 2016-03-08 Siemens Aktiengesellschaft System and method for patient specific planning and guidance of ablative procedures for cardiac arrhythmias
US9463072B2 (en) 2013-08-09 2016-10-11 Siemens Aktiengesellschaft System and method for patient specific planning and guidance of electrophysiology interventions
CN107635503B (zh) * 2015-05-12 2021-09-07 纳维斯国际有限公司 通过介电性质分析进行损伤估计
EP3294127A1 (en) * 2015-05-12 2018-03-21 Navix International Limited Systems and methods for tracking an intrabody catheter
WO2018130976A1 (en) * 2017-01-12 2018-07-19 Navix International Limited Estimation of effectiveness of ablation adjacency
WO2018092071A1 (en) * 2016-11-16 2018-05-24 Navix International Limited Estimators for ablation effectiveness
WO2019111180A1 (en) * 2017-12-05 2019-06-13 Navix International Limited Electrophysiology procedure without ionizing radiation imaging

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023286336A1 (ja) * 2021-07-13 2023-01-19 オリンパス株式会社 システム、プログラム及び判定方法

Also Published As

Publication number Publication date
US20210085387A1 (en) 2021-03-25
CN112617999A (zh) 2021-04-09
IL277420A (en) 2021-03-25
RU2020130901A3 (ja) 2022-03-21
KR20210036278A (ko) 2021-04-02
RU2020130901A (ru) 2022-03-21
EP3795078A1 (en) 2021-03-24

Similar Documents

Publication Publication Date Title
JP2021049341A (ja) 機械学習（ｍｌ）を使用する心臓アブレーションの案内
US20210085215A1 (en) Ecg-based cardiac wall thickness estimation
US10485438B2 (en) System and method for targeting heart rhythm disorders using shaped ablation
US11806126B2 (en) Property- and position-based catheter probe target identification
US11364073B2 (en) Cardiac map segmentation
US11185273B2 (en) Device, system and use of a catheter system to record and map cardiac rhythm
JP2022048135A (ja) アブレーション間隙の識別
JP2022031229A (ja) アブレーションインデックス計算を最適化するために機械学習アルゴリズムを利用する心臓不整脈を治療するための装置
CN114067987A (zh) 用于检测和识别心脏起搏标测位点和起搏操纵的系统和方法
JP2022023017A (ja) 広域周方向アブレーション点の自動連続性推定
RU2779871C2 (ru) Направляемая абляция сердца с использованием машинного обучения (ml)
JP2021194543A (ja) 心房細動
JP2022089794A (ja) ビッグデータ分析に基づいて信号拒否基準の自動設定を使用した電気物理データ点の自動取得
JP2022027588A (ja) 複数の画像化モダリティを使用する有機組織内の瘢痕領域の自動識別
US20240156530A1 (en) Method and system for analysis and presentation of distances between ablation points
US20230146716A1 (en) Digital twin of atria for atrial fibrillation patients
US20220238203A1 (en) Adaptive navigation and registration interface for medical imaging
EP3544536B9 (en) Determining ablation location using probabilistic decision-making
US20240189032A1 (en) Gap finder index for high power short duration (hpsd) rf lesions
US20220181024A1 (en) Catheter structure examination and optimization using medical procedure information
CN114532979A (zh) 基于恒定荧光镜快照的配准几何形状重建
JP2020182846A (ja) 心房細動を有する患者に対する肺静脈隔離の使用

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230915

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240312

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240315