JP2022031228A - 心不整脈のマッピング及び治療中のワークフローを改善するための機械学習の使用 - Google Patents
心不整脈のマッピング及び治療中のワークフローを改善するための機械学習の使用 Download PDFInfo
- Publication number
- JP2022031228A JP2022031228A JP2021128870A JP2021128870A JP2022031228A JP 2022031228 A JP2022031228 A JP 2022031228A JP 2021128870 A JP2021128870 A JP 2021128870A JP 2021128870 A JP2021128870 A JP 2021128870A JP 2022031228 A JP2022031228 A JP 2022031228A
- Authority
- JP
- Japan
- Prior art keywords
- mapping engine
- data
- patient
- mapping
- medical procedure
- 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
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
- A61B34/25—User interfaces for surgical systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- 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
- A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
- A61B34/25—User interfaces for surgical systems
- A61B2034/256—User interfaces for surgical systems having a database of accessory information, e.g. including context sensitive help or scientific articles
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Cardiology (AREA)
- Pathology (AREA)
- Plasma & Fusion (AREA)
- Otolaryngology (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Robotics (AREA)
- Physiology (AREA)
- Bioethics (AREA)
- Urology & Nephrology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
【課題】医師及び/又は臨床アカウントスペシャリストCASに、ニーズ及び直感に特有のGUIを提供するシステム及び方法を提供する。【解決手段】システム100において、メモリ162は、マッピングエンジン101のプロセッサ実行可能プログラム命令を記憶し、プロセッサ161は、マッピングエンジンのプログラム命令を実行して、システムに、患者の医療処置を開始することに関する情報を受信させる。情報は、患者の健康人口統計及び生体測定データを含む。プロセッサはまた、マッピングエンジン101のプログラム命令を実行して、システムに、マッピングエンジンのモデルを採用することによって、この情報から、医療処置を実施するユーザのワークフロープリファレンスを予測することと、このワークフロープリファレンスを使用して、システムによる提示のために、ユーザに対して画像表示オプションを生成することと、を行わせる。【選択図】図1
Description
(関連出願の相互参照)
本出願は、2020年8月6日出願の米国仮特許出願第63/062,063号の利益を主張し、参照によりその全体が本明細書に記載されているかのように本明細書に組み込まれる。
本出願は、2020年8月6日出願の米国仮特許出願第63/062,063号の利益を主張し、参照によりその全体が本明細書に記載されているかのように本明細書に組み込まれる。
心臓マッピング及びアブレーションのための従来のシステムは、多くの異なる選択肢及び機能を含み、その大部分は、心不整脈のマッピング及び治療中に使用されない。例えば、従来の心臓マッピング及びアブレーションシステムは、様々な異なる可視化方法を提供し、各医師及び/又は臨床アカウントスペシャリスト(clinical account specialist、「CAS」)は、心不整脈治療中に使用するための特定のグラフィカルユーザインターフェース(graphical user interface、「GUI」)又はポップアップウィンドウに対して好みの可視化を有する。例えば、従来の心臓マッピング及びアブレーションシステムのGUIは、様々な画面、ポップアップウィンドウ、可視化、テンプレート、プレゼンテーション、メニュー、及びツールを含む、各医師及び/又はCASに対する多くの異なる選択肢を提示するという点で、非常にせわしなく複雑であり得る。多くの場合、これらの多数の選択肢は、医師及び/又はCASに直感的な方法で、かつ医師及び/又はCASが位置を特定するのを容易にする方法で、提示又は整理されていない。これらの選択肢の多くは、個人の好み(プリファレンス)又は他の理由によって、心不整脈のマッピング及び治療中に、特定の医師及び/又はCASによって決して使用されない場合がある。
更に、各医師及び/又はCASは、どのようにデータが可視化されるか、及び心不整脈治療の異なるフェーズ中にどの心臓マップを使用するかに関するプリファレンス又はスタイルを有する。例えば、各医師及び/又はCASは、どのポップアップウィンドウがスクリーン上に保持されるべきか、及び/又はデータが可視化される方法に関するプリファレンスを有する場合がある。加えて、各患者は、自身の固有の不整脈及び他の固有の健康人口統計を有する。心不整脈治療の前に、又はその治療中でさえ、医師及び/又はCASは、実施されるマッピング及び治療、患者の固有の健康人口統計、及び処置を行うための好ましいアプローチに基づいて、自身の好みの選択肢を特定するためかなりの時間を費やすことがある。
しかしながら、従来の心臓マッピング及びアブレーションシステムは、医師及びCASに、それらのニーズ及び直感に特有のGUIを提供するようにカスタマイズすることができない。
一実施形態によれば、システムが提供される。システムは、マッピングエンジンのプロセッサ実行可能プログラム命令を記憶するように構成されたメモリを含む。システムはまた、マッピングエンジンのプログラム命令を実行するように構成された少なくとも1つのプロセッサも含む。プログラム命令は、実行されると、システムに、患者の医療処置を開始することに関する情報を受信させ、マッピングエンジンのモデルを採用することによって、この情報から、医療処置を実行する1人又は2人以上のユーザのプリファレンスを予測させ、このワークフロープリファレンスを使用して、システムによる提示のために、1人又は2人以上のユーザに対して画像表示オプションを生成させる。この情報は、患者の健康人口統計及び生体測定データを含む。
1つ又は2つ以上の実施形態によれば、上記の方法の実施形態は、装置、システム、及び/又はコンピュータプログラム製品として実装され得る。
より詳細な理解は、添付の図面と併せて例として示される以下の説明より得ることができ、図中の同様の参照番号は、同様の要素を示す。
1つ又は2つ以上の実施形態による、本開示の主題の1つ又は2つ以上の特徴を実施することができる例示的なシステムの図である。
1つ又は2つ以上の実施形態による、患者の生体測定を監視及び通信するための例示的なシステムのブロック図を示す。
1つ又は2つ以上の実施形態による、方法のブロック図を示す。
1つ又は2つ以上の実施形態による、人工知能システムのグラフィック描写を示す。
1つ又は2つ以上の実施形態による、ニューラルネットワークの一例、及びニューラルネットワーク内で実施される方法のブロック図を示す。
1つ又は2つ以上の実施形態による、例示的なシステムが利用される環境の図を示す。
1つ又は2つ以上の実施形態による、方法のブロック図を示す。
1つ又は2つ以上の実施形態に基づく回帰型ニューラルネットワーク(recurrent neural network、RNN)の構造を示す。
本明細書では、機械学習及び人工知能(machine learning、ML/artificial intelligence、AI)方法及びシステムが開示される。より具体的には、本教示は、患者のマッピング及び治療中のワークフローを改善するML/AIアルゴリズムに関する。
ML/AIの方法及びシステムは、心臓の状態のマッピング及び治療中に、グラフィックユーザインターフェース上で1人又は2人以上のユーザに対して画像表示を生成及び提示するための、医療デバイス機器によるプロセス操作及びそのハードウェアの処理に必然的に根ざしたプロセッサ実行可能コード又はソフトウェアであり得る。医療デバイス機器の例としては、心臓電気生理学システム、心臓マッピングシステム、心不整脈治療システム、アブレーションシステム、心臓マッピング及びアブレーションシステム、同様のシステム、及びこれらの組み合わせが挙げられるが、これらに限定されない。
1つ又は2つ以上の実施形態によれば、マッピングエンジンは、本明細書に記載されるML/AI方法及びシステムの実装形態である。マッピングエンジンは、医療デバイス機器の一部となり得、自動患者マッピング及び状態の治療(例えば、心臓組織のアブレーション)のための生体測定データ、ユーザプリファレンス、及び健康人口統計の特定の多ステップデータ操作を提供することが可能なだけでなく、患者マッピング及び状態の治療をカスタマイズすることによってワークフローを改善することが可能である。例えば、患者マッピング及び状態の治療中に、マッピングエンジンは一般に、生体測定データ、ユーザプリファレンス、及び健康人口統計に基づいてカスタム調整された医療デバイス機器の一部として、パーソナライズされたグラフィカルユーザインターフェース及びインテリジェントなツールバーを提示する。
例えば、マッピングエンジンは、複数の患者に対して心臓電気生理学的処置を行う1人又は2人以上のユーザによって以前に示された医療処置ワークフロープリファレンスに関する履歴データを受信及び監視することができ、心臓電気生理学的処置を受けている複数の患者によって提示される不整脈の固有の生理学的特性を受信及び監視すること、複数の患者の個人的健康人口統計を受信及び監視すること、及び複数の患者の医療処置のワークフロープリファレンス、固有の生理学的特性、及び個人的健康人口統計を学習するための機械学習(ML)モデルを実装し、現在の心臓電気生理学的処置中に、1人又は2人以上のユーザに対して画像表示オプションを提示すること、が可能である。
1つ又は2つ以上の利点、技術的効果、及び/又は利益によれば、マッピングエンジンは、生体測定データ、ユーザプリファレンス、及び健康人口統計のML及びデータ圧縮を実装することができ、心臓の状態のマッピング及び治療中に取得される心電図情報の記憶及び共有に必要なリソースを低減するために、マップ、可視化、及びインターフェースが提供される。更に、1つ又は2つ以上の利点、技術的効果、及び/又は利益によれば、マッピングエンジンは、その医師のプリファレンス及び現在の患者の不整脈及び個人的健康人口統計の固有の特徴に関係する、より教育された方法で、GUI内のスクリーン、テンプレート、機能、及びツールを医師に提示することができる。更に、マッピングエンジンは、関連する不整脈型、関連する医師のプリファレンス、及び患者の人口統計に基づいてGUIを調整することができる。このようにして、マッピングエンジンはワークフロー効率を向上させ、結果として、マッピング及びアブレーション手順をよりスムーズで、より速く、より成功率の高いものにする。より具体的には、マッピングエンジンによるMLを介して、異なる医師の挙動及びプリファレンスが、これらの異なる医師らによって行われた以前のマッピング及びアブレーション手順に基づいて識別され、選択される。マッピングエンジンは、医師の過去の挙動及びプリファレンスに基づいてGUI内に画像表示オプションを配置し、これによって、マッピング及びアブレーション工程中に医師がこれらの特定の選択肢を示すのに必要な時間を短縮する。
1つ又は2つ以上の利点、技術的効果、及び/又は利益によれば、一旦マッピングエンジンが、特定のワークフローがよりスムーズでより効率的であると判定すると、マッピングエンジンは、特定の種類の不整脈又は他の課題を伴う治療に苦労し得る他の医師に対してワークフローを教示又は提案することができる。更に、マッピングエンジンは、ウィンドウの開閉、設定、透明性、マップの変更などによって、ワークフロー又は手順中のGUIを調整することができる。心臓アブレーションの過程で生成される活動及び信号に基づいて、マッピングエンジンは、どの種類の不整脈が患者内で発生しているかを医師に提案することができる。これに応答して、医師は診断の精度を確認又は拒否することができる。マッピングエンジンが正しいことを医師が確認した場合、マッピングエンジンは次に、この医師又は他の医師によって行われた以前の手順から取得された以前の学習を利用して、ワークフローが継続する際に異なるツールの使用方を提案することができる。例えば、マッピングエンジンによって診断され、医師によって確認されたフラッター型の不整脈を医師がマッピングする場合、マッピングエンジンは、この医師に対して、その特定のフラッター型を治療することを明確に意図したツール又は機能を開きたいかどうかを医師に尋ねることができる。次いで、マッピングエンジンは、信頼性マッピングのための異なる設定を医師に提案することができる。
1つ又は2つ以上の利点、技術的効果、及び/又は利益により、マッピングエンジンは、肺静脈(pulmonary vein、PV)隔離処置(例えば、心調律問題を引き起こす心臓内の電気信号を停止することを意図した心臓アブレーション処置の一種)などの医療処置を改善することができる。PV隔離処置の過程で、医師は、個人的なスタイルに基づいて、又はPV隔離処置中に予期せぬ状況が生じるイベントに基づいて、段階的に「レシピ」に従うか、又は個人的スタイルに基づいてそこから逸脱してもよい。MLを介して、マッピングエンジンは、ほとんどの医師によって行われるPV隔離処置に共通する工程を認識できるばかりでなく、医師が共通の処置工程から逸脱するか、又は完全に無関係である工程を認識することができる。本明細書に記載されるように、この情報を使用して、マッピングエンジンは、特定の医師のスタイルを学習することができ、その医師の特定のスタイルに一致するPV隔離処置における次の工程を提案することができる。また、この情報を使用して、マッピングエンジンは、医師のスタイルとは異なるアプローチを医師に提案してもよいが、過去に他の医師で成功していることが示されている。また、この情報を使用して、マッピングエンジンは、異なる医師によって実施された異なるPV隔離方法を比較して、ある方法が、ワークフローをスムーズにする観点から、又は成功した患者の転帰を高めるという観点から、別の方法よりも優れているかどうかを判定することができる。過去に成功した転帰を有するPV隔離処置を特定することによって、これらの処置を、成功した転帰を得ることに苦労し得る他の医師に教示又は提案することができる。また、医師がPVを隔離しているとき、マッピングエンジンは、医師がアブレーションラインを完了したときを識別することができ、ラッソーカテーテル又は別のマッピングカテーテルを挿入するなど、処置における次の工程を提案することができ、これらの工程は両方ともメニュー特有ではない。
1つ又は2つ以上の実施形態によれば、システムが提供される。システムは、マッピングエンジンのプロセッサ実行可能プログラム命令を記憶するように構成されたメモリを含む。システムはまた、マッピングエンジンのプログラム命令を実行して、システムに、患者の医療処置を開始することに関する情報を受信させることと、マッピングエンジンのモデルを採用することによって、この情報から、医療処置を実施する1人又は2人以上のユーザのワークフロープリファレンスを予測することと、このワークフロープリファレンスを使用して、システムによる提示のために、1人又は2人以上のユーザに対して画像表示オプションを生成することと、を行わせるように構成された少なくとも1つのプロセッサを含む。情報は、患者の健康人口統計及び生体測定データを含む。
本明細書の1つ若しくは2つ以上の実施形態又はシステム実施形態のいずれかによると、画像表示オプションは、医療処置中に1つ又は2つ以上のディスプレイを介して1人又は2人以上のユーザに提示することができ、画像表示オプションのうちの少なくとも1つは、インテリジェントなツールバーを含むことができる。
本明細書の1つ若しくは2つ以上の実施形態又はシステム実施形態のいずれかによると、システムは、医療処置を実施しながら、1人又は2人以上のユーザの第1のユーザによって装着された視線追跡装置を含むことができる。視線追跡装置は、第1のユーザの現在のワークフロープリファレンスを監視及び取得することができる。
本明細書の1つ若しくは2つ以上の実施形態又はシステム実施形態のいずれかによると、少なくとも1つのプロセッサは、マッピングエンジンのプログラム命令を実行して、システムに、医療処置の完了の予測時間に先立ち、医療処置に関する情報の記憶デバイスへの記憶を開始させるように更に構成され得る。
本明細書の1つ若しくは2つ以上の実施形態又はシステム実施形態のいずれかによると、生体測定データは、患者の1つ又は2つ以上の不整脈の固有の生理学的特性を含むことができる。
本明細書の1つ若しくは2つ以上の実施形態又はシステム実施形態のいずれかによると、マッピングエンジンのモデルは、回帰型ニューラルネットワークを使用して訓練されたディープラーニングアーキテクチャを含むことができる。
本明細書の1つ若しくは2つ以上の実施形態又はシステム実施形態のいずれかによると、マッピングエンジンのモデルは、複数の従来の心臓電気生理学的症例の分析に基づいて訓練され得る。
本明細書の1つ若しくは2つ以上の実施形態又はシステム実施形態のいずれかによると、少なくとも1つのプロセッサは、マッピングエンジンのプログラム命令を実行して、システムに、複数の患者に対する過去の医療処置に関する履歴データを受信することであって、この履歴データが、過去の医療処置を実施する複数のユーザのワークフロープリファレンス、複数の患者の生体測定データ、及び複数の患者の健康人口統計を含む、受信することと、この履歴データを使用して、モデルを生成し、モデルにより訓練することと、を行わせるように更に構成され得る。
本明細書の1つ若しくは2つ以上の実施形態又はシステム実施形態のいずれかによると、少なくとも1つのプロセッサは、マッピングエンジンのプログラム命令を実行して、システムに、患者に医療処置を行う1人又は2人以上のユーザによって実施される次のイベントを予測させるように更に構成され得る。
本明細書の1つ若しくは2つ以上の実施形態又はシステム実施形態のいずれかによると、少なくとも1つのプロセッサは、マッピングエンジンのプログラム命令を実行して、システムに、次のイベントの確率を予測させ、画像表示オプション内に、ユーザによる選択のために、その確率に基づいて次のイベントのための入力/出力要素を生成させるように更に構成され得る。
1つ又は2つ以上の実施形態によれば、システムが提供される。この方法は、少なくとも1つのプロセッサによって実行されるマッピングエンジンによって、患者の医療処置を開始することに関する情報を受信することであって、情報が、患者の健康人口統計及び生体測定データを含む、受信することと、このマッピングエンジンによって、マッピングエンジンのモデルを採用することによって、この情報から、医療処置を実施する1人又は2人以上のユーザのワークフロープリファレンスを予測することと、このマッピングエンジンによって、ワークフロープリファレンスを使用して、システムによる提示のために、1人又は2人以上のユーザに対して画像表示オプションを生成することと、を含む。
本明細書の1つ若しくは2つ以上の実施形態又は方法の実施形態のいずれかによると、画像表示オプションは、医療処置中に1つ又は2つ以上のディスプレイを介して1人又は2人以上のユーザに提示することができ、画像表示オプションのうちの少なくとも1つは、インテリジェントなツールバーを含むことができる。
本明細書の1つ若しくは2つ以上の実施形態又は方法の実施形態のいずれかによると、視線追跡装置は、1人又は2人以上のユーザの第1のユーザの現在のワークフロープリファレンスを監視及び取得することができる。この第1のユーザは、医療処置を行っている間に視線追跡装置を着用することができる。
本明細書の1つ又は2つ以上の実施形態、若しくは方法の実施形態のいずれかによると、本方法は、医療処置の完了の予測時間に先立ち、医療処置に関する情報の記憶デバイスへの記憶を開始することを含み得る。
本明細書の1つ若しくは2つ以上の実施形態又は方法の実施形態のいずれかによると、生体測定データは、患者の1つ又は2つ以上の不整脈の固有の生理学的特性を含むことができる。
本明細書の1つ若しくは2つ以上の実施形態又は方法の実施形態のいずれかによると、マッピングエンジンのモデルは、回帰型ニューラルネットワークを使用して訓練されたディープラーニングアーキテクチャを含むことができる。
本明細書の1つ若しくは2つ以上の実施形態又は方法の実施形態のいずれかによると、マッピングエンジンのモデルは、複数の従来の心臓電気生理学的症例の分析に基づいて訓練され得る。
本明細書の1つ若しくは2つ以上の実施形態又は方法の実施形態のいずれかによると、本方法は、複数の患者に対する過去の医療処置に関する履歴データを受信することであって、この履歴データが、過去の医療処置を実施する複数のユーザのワークフロープリファレンス、複数の患者の生体測定データ、及び複数の患者の健康人口統計を含む、受信することと、この履歴データを使用して、モデルを生成し、モデルにより訓練することと、を含み得る。
本明細書の1つ若しくは2つ以上の実施形態又は方法の実施形態のいずれかによると、本方法は、患者に医療処置を行う1人又は2人以上のユーザによって実施される、次のイベントを予測することを含み得る。
本明細書の1つ若しくは2つ以上の実施形態又は方法の実施形態のいずれかによると、本方法は、次のイベントの確率を予測することと、画像表示オプション内に、ユーザによる選択のために、その確率に基づいて次のイベントの入力/出力要素を生成することと、を含み得る。
図1は、1つ又は2つ以上の実施形態による、システム100として示される、本明細書の主題の1つ又は2つ以上の特徴が実装され得る例示的なシステム(例えば、医療デバイス機器)の図である。医療デバイス機器の一例としてのシステム100は、心臓電気生理学システム、心臓マッピングシステム、心不整脈治療システム、アブレーションシステム、心臓マッピング及びアブレーションシステム、又はこれらの組み合わせであり得る。
システム100の全て又は一部は、本明細書に記載されるように、情報(例えば、生体測定データ及び/又は訓練データセット)を収集するために使用され得、及び/又はマッピングエンジン101(例えば、ML/AIアルゴリズム)を実装するために使用され得る。マッピングエンジン101は、本明細書に記載されるようなML/AIアルゴリズムと見なすことができる。
図に示されるシステム100は、カテーテル110(少なくとも1つの電極111を含む)、シャフト112、シース113、及びマニピュレータ114を備えたプローブ105を含んでいる。図示されるように、システム100はまた、医師115(又は医療専門家若しくは臨床医、CAS、又は一般のユーザ)、心臓120、患者125、及びベッド130(又は手術台)を含む。差し込み図140及び150は、心臓120及びカテーテル110をより詳細に示すものである点に留意されたい。システム100はまた、図に示されるように、コンソール160(1つ又は2つ以上のプロセッサ161及びメモリ162を含む)及びディスプレイ165も含んでいる。更に、システム100の各要素及び/又はアイテムは、その要素及び/又はそのアイテムのうちの1つ若しくは2つ以上を表す点に留意されたい。図1に示されるシステム100の例は、本明細書に開示される実施形態を実施するように改変されてもよい。本開示の実施形態も、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。更に、システム100は、電気的活動を感知するための要素、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の、更なる構成要素を含んでもよい。心臓120が主要な例として利用されているが、心臓120は代表的なものであり、任意の身体部分、解剖学的構造、及び/又は体内臓器をシステム100によって検査、マッピング、及び/又は診断することができる。このように、医師115は、シャフト(例えば、シャフト112)を有するプローブ105を、ベッド130に横たわる患者125の、心臓120などの身体部分又は体内臓器内へとナビゲートすることができる。実施形態によれば、複数のプローブが提供されてもよいが、簡潔にするため、本明細書には単一のプローブ105が記載されている。しかしながら、プローブ105は、複数のプローブを表し得ることが理解される。
システム100は、(例えば、マッピングエンジン101を使用して)心臓の状態を検出、診断、及び/又は治療するために使用することができる。心不整脈などの心臓の状態は、特に老年人口において一般的かつ危険な内科疾患として根強く残っている。例えば、システム100は、生体測定データ(例えば、心臓120などの患者の臓器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施するように構成された外科用システム(例えば、Biosense Websterより販売されるCARTO(登録商標)システム)の一部とすることができる。より詳細には、心不整脈などの心臓の状態の治療では、心組織、心腔、静脈、動脈、及び/又は電気的経路の詳細なマッピングを得ることがしばしば求められる。例えば、(本明細書に記載されるような)カテーテルアブレーションを支障なく実施するための前提条件として、心不整脈の原因が心臓120の心腔において正確に位置特定されることがある。このような位置特定は、心臓120の心腔内に導入されたマッピングカテーテル(例えば、カテーテル110)によって空間的に分解された電位を検出する電気生理学的検査によって行うことができる。この電気生理学的検査、いわゆる電気解剖学的マッピングは3Dマッピングデータを提供し、これをディスプレイ165上に表示することができる。多くの場合、マッピング機能及び治療機能(例えば、アブレーション)は単一のカテーテル又は一群のカテーテルによって提供され、マッピングカテーテルはまた、同時に治療(例えば、アブレーション)カテーテルとしても動作する。この場合、マッピングエンジン101は、カテーテル110によって直接記憶及び実行することができる。
正常洞調律(normal sinus rhythm、NSR)を有する患者(例えば、患者125)では、心房、心室、及び興奮性伝導組織を含む心臓(例えば、心臓120)は、電気的に興奮して、同期した、パターンを有する形で拍動する。この電気的興奮は、心内心電図(intracardiac electrocardiogram、IC ECG)データなどとして検出することができることに留意されたい。
心不整脈(例えば、心房細動(atrial fibrillation)又はaFib)を有する患者(例えば、患者125)では、心組織の異常領域は、正常な導電性組織に伴う同期した拍動周期に従わず、NSRを有する患者とは対照的である。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。この非同期的心律動はまた、IC ECGデータとして検出することができる点に留意されたい。こうした異常伝導は、例えば、房室(atrioventricular、AV)結節の伝導経路に沿った洞房(sino-atrial、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120の様々な領域で生じることがこれまでに知られている。異常な導電性の組織のパターンがリエントリー経路につながることにより、洞律動の複数倍になり得る規則的なパターンで心腔が拍動する、心房粗動などの他の状態も存在する。
システム100が心臓の状態を検出、診断、及び/又は治療することを支援するため、医師115はベッド130上に横たわる患者125の心臓120内にプローブ105を誘導することができる。例えば、医師115は、カテーテル110の近位端の近くのマニピュレータ114及び/又はシース113からの偏向を用いてシャフト112の遠位端を操作しながら、シース113を通してシャフト112を挿入することができる。差し込み図140に示されるように、カテーテル110をシャフト112の遠位端に取り付けることができる。カテーテル110は、折り畳まれた状態でシース113を通して挿入することができ、次いで、心臓120内で拡張させることができる。
一般的に、心臓120内のある点における電気的活動は通常、遠位先端又はその近くに電気センサを収容したカテーテル110(例えば、少なくとも1つの電極111)を心臓120内のその点へと前進させ、組織をセンサと接触させ、その点におけるデータを収集することによって測定することができる。単一の遠位先端電極のみを収容したカテーテルを使用して心腔をマッピングすることに伴う1つの難点は、心腔全体としての詳細なマップに求められる必要な数の点にわたって各点ごとにデータを集積するために長い時間が必要とされることがある。したがって、心腔内の複数の点における電気的活動を同時に測定するために、多電極カテーテル(例えば、カテーテル110)が開発されてきた。
少なくとも1つの電極111及びその本体上に連結されたカテーテル針を含むことができるカテーテル110は、体内臓器(例えば、心臓120)の電気的信号などの生体測定データを得て、かつ/又はその組織領域(例えば、心臓120の心腔)をアブレーションするように構成することができる。電極111は、追跡コイル、圧電変換器、電極、又は組織領域をアブレーションするか又は生体測定データを取得するように構成された要素の組み合わせなどの任意の同様の要素を代表するものである点に留意されたい。1つ又は2つ以上の実施形態によれば、カテーテル110は、軌跡情報を決定するために使用される1つ又は2つ以上の位置センサを含むことができる。この軌跡情報を使用して、組織の収縮性などの運動特性を推測することができる。
生体測定データ(例えば、患者生体測定値、患者データ、又は患者生体測定データ)は、患者の不整脈型、局所興奮時間(local activation time、LAT)、電気的活動、トポロジー、双極マッピング、基準活動、心室活動、優位周波数、インピーダンス、ECG情報、多点におけるデータ、及び/又は同様のもののうちの1つ又は2つ以上を含むことができる。LATは、正規化された初期開始点に基づいて計算された、局所興奮に対応する閾値活動の時点であり得る。電気的活動は、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よく、信号対ノイズ比及び/又はその他のフィルタに基づいて、検知及び/又は拡張され得る。トポロジーは、身体部分又は身体部分の一部の物理的構造に対応し得、身体部分の異なる部分に関する、又は異なる身体部分に関する物理的構造における変化に対応し得る。優位周波数は、身体部分の一部で一般的に見られる周波数又は周波数の範囲であってよく、同じ身体部分の異なる部分において異なり得る。例えば、心臓のPVの優位周波数は、同じ心臓の右心房の優位周波数と異なり得る。インピーダンスは、身体部分の特定の領域における抵抗測定値であり得る。ECG情報は、不整脈治療処置中に取得することができ、典型的には、研究のためにこのデータを記憶及び共有するために、かなりの量の記憶空間及び他のリソースを必要とする。生体測定データの記憶及び共有のためのこのようなリソースの必要性を大幅に低減することが有益であろう。また、心臓電気生理学的処置中に取得された生体測定データを節約することは、相当時間、例えば数時間を要することがあり、これは、利用可能なリソース上のひずみであり得る。
生体測定データの例としては、これらに限定されるものではないが、患者識別データ、IC ECGデータ、双極心臓内基準信号、解剖学的及び電気的測定値、軌跡情報、身体表面(body surface、BS)ECGデータ、履歴データ、脳生体測定値、血圧データ、超音波信号、無線信号、音声信号、2次元又は3次元画像データ、血糖データ、及び温度データが挙げられる。生体測定値は一般的に、心血管疾患(例えば、不整脈、心筋症、及び冠動脈疾患)、及び自己免疫疾患(例えば、I型及びII型糖尿病)などの任意の数の様々な疾患を監視、診断、及び治療するために使用され得る。BS ECGデータは、患者の表面上の電極から収集されたデータ及び信号を含むことができ、IC ECGデータは、患者体内の電極から収集されたデータ及び信号を含むことができ、アブレーションデータは、アブレーションされた組織から収集されたデータ及び信号を含み得る点に留意されたい。更に、BS ECGデータ、IC ECGデータ、及びアブレーションデータは、カテーテル電極位置データと共に、1つ又は2つ以上の処置記録から導出することができる。
例えば、カテーテル110は、電極111を使用して血管内超音波及び/又はMRIカテーテル法を実施して心臓120を画像化する(例えば、生体測定データを取得及び処理する)ことができる。差し込み図150は、心臓120の心腔内部のカテーテル110の拡大図を示している。カテーテル110は、点カテーテルであるように示されているが、1つ又は2つ以上の要素(例えば、電極111、追跡コイル、圧電変換器など)を含む任意の形状を使用して、本明細書に開示される例示的な実施形態を実装し得ることが理解されよう。
カテーテル110の例としては、これらに限定されるものではないが、複数の電極を有する直線状カテーテル、バルーンを形成する複数のスパイン上に分散した電極を含むバルーンカテーテル、複数の電極を有するラッソーカテーテル若しくはループカテーテル、接触力感知カテーテル、又は他の任意の適用可能な形状若しくはタイプが挙げられる。直線状カテーテルは、受信信号に基づいて及び/又は直線状カテーテルに対する外力(例えば、心臓組織)の作用に基づいて、捻れ、折れ曲がり、及び/又は他の形でその形状を変化させることができるように、完全に又は部分的に弾性であってよい。バルーンカテーテルは、患者の身体内に配備される際、その電極を心内膜表面に対して密接に接触した状態に保持することができるように設計することができる。一例として、バルーンカテーテルは、PVなどの管腔に挿入することができる。バルーンカテーテルは収縮状態でPVに挿入することができ、それにより、PVに挿入されている間にバルーンカテーテルがその最大体積を占有することはない。バルーンカテーテルは、PVの内側にある間に拡張することができ、それにより、バルーンカテーテル上の電極は、PVの円形部分全体と接触する。PV又は任意の他の管腔の円形部分全体とのこのような接触は、効率的な撮像及び/又はアブレーションを可能とする。
他の例によれば、身体パッチ及び/又は身体表面電極を患者125の身体上又は身体に近接して配置することもできる。1つ又は2つ以上の電極111を有するカテーテル110を身体内(例えば、心臓120内)に配置することができ、カテーテル110の位置を、カテーテル110の1つ又は2つ以上の電極111と身体パッチ及び/又は身体表面電極との間で送受信される信号に基づいてシステム100により決定することができる。更に、電極111は、心臓120内などの患者125の身体内から生体測定データを感知することができる(例えば、電極111は、組織の電位をリアルタイムで感知する)。生体測定データは、決定されたカテーテル110の位置と関連付けることができ、それにより、患者の身体部分(例えば、心臓120)のレンダリングを表示し、身体部分の形状に重ね合わされた生体測定データを示すことができる(すなわち、マッピング)。
プローブ105及びシステム100の他のアイテムは、コンソール160に接続することができる。コンソール160は、ML/AIアルゴリズム(マッピングエンジン101として表される)を用いる任意のコンピューティングデバイスを含むことができる。例示的な実施形態によれば、コンソール160は、1つ又は2つ以上のプロセッサ161(任意のコンピューティングハードウェア)及びメモリ162(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非一時的有形媒体、揮発性媒体、及び/又は不揮発性媒体)を含み、1つ又は2つ以上のプロセッサ161は、マッピングエンジン101に対してコンピュータ命令を実行し、メモリ162は、1つ又は2つ以上のプロセッサ161によって実行するためのこれらの命令を記憶する。例えば、コンソール160は、生体測定データを受信及び処理して特定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構成することができる。1つ又は2つ以上の実施形態によれば、マッピングエンジンと協働するメモリ162は、予測された完了時間に先立って、開始された医療処置に関する詳細/データ/情報の記憶を開始し、その結果、詳細/データ/情報の記憶が予測された時間の後に完了する。
いくつかの実施形態では、コンソール160は、記載された機能を実行するために、マッピングエンジン101(ソフトウェア内)によって更にプログラムされ得る。例えば、マッピングエンジン101は、解剖学的構造内で操作される際にカテーテル110によって取得された生体測定データを受信し、マップを提供するアルゴリズム(図3に関して本明細書に記載される)を含み得る。一旦マッピングが生成されると、マッピングエンジン101は、既存のユーザインターフェース及び/又はマッピングエンジン101に特化したユーザインターフェース、並びにユーザプリファレンス及び患者の健康人口統計を介するなどして、マッピングのユーザ修正を表す入力を受信することができる。一般に、マッピングエンジン101は、オペレーティングシステム若しくは他のアプリケーションの代わりなどとして、及び/又は直接に、1つ又は2つ以上のユーザインターフェース及びインテリジェントなツールバーを提供することができる。これらは生体測定データ、ユーザプリファレンス、及び健康人口統計に基づいてカスタム調整されるものである。ユーザインターフェース及びインテリジェントツールバーには、インターネットブラウザ、グラフィックユーザインターフェース(GUI)、ウィンドウインターフェース、ツールバー、リボン、ボタン、アイコン、画像表示及びスクリーン、ポップアップウィンドウ、視覚化、テンプレート、プレゼンテーション、マップ、ツール、メニュー、及び/又はアプリケーション、オペレーティングシステム、ファイルフォルダなどのための他の視覚的インターフェース若しくはグラフィカル制御要素入力などが挙げられるが、これらに限定されない。本明細書に記載されるように、インテリジェントツールバーは、以前の心臓アブレーション処置中にMLによって得られる医師の個人的プリファレンスに基づいて、ボタン及びオプションを提供する。
1つ又は2つ以上の実施形態によれば、マッピングエンジン101は、コンソール160の外部にあってもよく、例えばカテーテル110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してもよく、又はスタンドアロン型プロセッサであってもよい。この点に関して、マッピングエンジン101は、ネットワークを介して電子形態で転送可能/ダウンロードすることができる。マッピングエンジン101は、汎用コンピュータ、プロセッサ、プロセッサコア、若しくは固定機能回路として、非一時的コンピュータ可読媒体に若しくは別の媒体に記憶される、汎用コンピュータ、プロセッサによって実行可能なプログラム、ソフトウェア、若しくはファームウェアとして、又はプロセッサ若しくは固定機能回路で実行されるソフトウェアの組み合わせとして実装され得ることを理解されたい。
一例として、コンソール160は、ソフトウェア(例えば、マッピングエンジン101)及び/又は、プローブ105への信号及びそのプローブからの信号を送信及び受信するための、並びにシステム100の他の構成要素を制御するための適当なフロントエンド回路及びインターフェース回路を備えた汎用コンピュータなどのハードウェア(例えば、プロセッサ161及びメモリ162)を含む、本明細書に記載の任意のコンピューティングデバイスであってよい。例えば、フロントエンド及びインターフェース回路は、コンソール160が少なくとも1つの電極111から信号を受信し、かつ/又は信号を少なくとも1つの電極111に伝送することを可能にする入出力(I/O)通信インターフェースを含む。コンソール160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)の後に続くアナログデジタル(analog-to-digital、A/D)ECG又は心電図/筋電図(electromyogram、EMG)信号変換集積回路として構成されたリアルタイムノイズ低減回路を含み得る。コンソール160は、A/D ECG又はEMG回路から別のプロセッサへ信号を伝えることができ、かつ/又は本明細書に開示される1つ若しくは2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。
ディスプレイ165は、生体測定データ、ユーザプリファレンス、及び健康人口統計を(例えば、ユーザインターフェース及びインテリジェントツールバーを介して)視覚的に提示するための任意の電子デバイスであり得、コンソール160に接続される。例示的な実施形態によれば、処置中、コンソール160は、ディスプレイ165上で、医師115への身体部分のレンダリングの提示を促進し、メモリ162に身体部分のレンダリングを表すデータを記憶することができる。例えば、運動特性を示すマップを、心臓120内の十分な数の点でサンプリングされた軌跡情報に基づいてレンダリング/構築することができる。一例として、ディスプレイ165は、身体部分のレンダリングを提示することに加えて、医療専門家115からの入力を受け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。
いくつかの実施形態では、医師115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つ又は2つ以上の入力デバイスを使用して、ユーザインターフェース、インテリジェントツールバー、及び/又はシステム100の他の要素を操作することができる。例えば、入力デバイスを使用して、レンダリングが更新されるようにカテーテル110の位置を変更することができる。ディスプレイ165は、同じ場所、又は別の病院若しくは別の医療提供者ネットワークなどの遠隔の場所に配置され得る点に留意されたい。
1つ又は2つ以上の実施形態によれば、システム100は、超音波、コンピュータ断層撮影(computed tomography、CT)、MRI、又はカテーテル110若しくは他の医療機器を利用する他の医療撮像技術を使用して生体測定データを得ることもできる。例えば、システム100は、1つ若しくは2つ以上のカテーテル110又は他のセンサを使用して、心臓120のECGデータ及び/又は解剖学的及び電気的測定値(例えば、生体測定データ)を得ることができる。より詳細には、コンソール160は、ケーブルによって、患者125に貼付された接着皮膚パッチを含むBS電極に接続することができる。BS電極は、BS ECGデータの形態で生体測定データを取得/生成することができる。例えば、プロセッサ161は、患者125の身体部分(例えば、心臓120)内のカテーテル110の位置座標を決定することができる。位置座標は、身体表面電極と、カテーテル110又は他の電磁構成要素の電極111との間で測定されるインピーダンス又は電磁場に基づいたものであってよい。加えて、又はあるいは、ナビゲーションに使用される磁場を生成する位置パッドをベッド130の表面上に配置してもよく、また、ベッド130とは別としてもよい。生体測定データは、コンソール160に送信し、メモリ162に記憶させることができる。あるいは、又は加えて、生体測定データ(並びにユーザプリファレンス及び健康人口統計)は、本明細書で更に記載するようなネットワークを使用して、ローカル又はリモートであってよいサーバに送信されてもよい。
1つ又は2つ以上の例示的な複数の実施形態によれば、カテーテル110は、心臓120の心腔の組織領域をアブレーションするように構成することができる。差し込み図150は、心臓120の心腔内部のカテーテル110の拡大図を示している。例えば、少なくとも1つの電極111などのアブレーション電極を、体内の臓器(例えば、心臓120)の組織領域にエネルギーを与えるように構成することができる。エネルギーは、熱エネルギーであり得、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す可能性がある。アブレーション処置に関する生体測定データ(例えば、アブレーション組織、アブレーション位置など)は、アブレーションデータと見なすことができる。
一例によれば、生体測定データを取得することに関して、多電極カテーテル(例えば、カテーテル110)を心臓120の心腔内に前進させることができる。各電極の位置及び向きを確定するために、前後方向(Anteroposterior、AP)及び横方向の蛍光写真を取得することができる。ECGは、BS ECGからの洞律動におけるP波の発生及び/又は冠状静脈洞内に配置されたカテーテル110の電極111からの信号など、時間基準に対して心臓表面と接触する電極111のそれぞれから記録することができる。本明細書で更に開示されるシステムは、電気的活動を記録する電極と、心内膜壁に近接していないことにより電気的活動を記録しない電極とを区別することができる。最初のECGが記録された後、カテーテルを再配置することができ、蛍光写真及びECGを再び記録することができる。次に、(例えば、心臓マッピングを介して)電気的マップを、上記のプロセスの反復から構築することができる。
心臓マッピングは、1つ又は2つ以上の技術を使用して実施することができる。一般的に、心臓120の心臓領域、組織、静脈、動脈、及び/又は電気経路などの心臓領域のマッピングによって、瘢痕組織、不整脈源(例えば、電気的ローター(渦巻き型興奮波))などの問題領域、健康な領域などの特定につながり得る。心臓領域は、本明細書で更に開示されるように、マッピングされた心臓領域の視覚的レンダリングがディスプレイを使用して提供されるようにマッピングすることができる。更に、心臓マッピング(心臓撮像の一例である)は、これらに限定されるものではないが、LAT、局所興奮速度、電気的活動、トポロジー、双極マッピング、優位周波数、又はインピーダンスなどの1つ又は2つ以上のモダリティに基づくマッピングを含んでもよい。複数のモダリティに対応するデータ(例えば、生体測定データ)は、患者の身体に挿入されたカテーテル(例えば、カテーテル110)を使用して取得することができ、対応する設定及び/又は医師115の好みに基づいて、同時に又は異なる時間にレンダリングするために与えることができる。
第1の技術の一例として、心臓マッピングは、心臓120内の正確な位置の関数として、心臓組織の電気的特性、例えばLATを感知することによって実施することができる。対応するデータ(例えば、生体測定データ)は、心臓1120内に前進させられる、遠位先端に電気及び位置センサ(例えば、電極111)を有する1つ又は2つ以上のカテーテル(例えば、カテーテル110)により取得することができる。具体例として、場所及び電気的活動は、通常、心臓120の内側表面上の約10~約20箇所の点で最初に測定することができる。これらのデータ点は一般的に、心臓表面の予備復元又はマップを満足な品質で生成するのに十分であり得る。予備マップは、更なる点で測定されたデータと結合されて心臓の電気的活動の更に包括的なマップを生成することができる。臨床現場では、心腔の電気的活動の詳細な包括的マップを生成するために100箇所以上の部位(例えば数千)のデータを集積することも珍しいことではない。その後、生成された詳細なマップは、心臓の電気的活動の伝播を変化させ、正常な心律動を回復させるための治療行為、例えば、本明細書に記載される組織のアブレーションについての決定を行うための基準となり得る。
更に、心臓マッピングは、心内電位場(例えば、IC ECGデータ及び/又は双極心内基準信号の一例である)の検出に基づいて生成することができる。大量の心臓電気的情報を同時に取得するために非接触的な方法を実施することができる。例えば、遠位端部分を有するカテーテルタイプは、その表面上にわたって分布し、信号感知及び処理手段への接続のために絶縁導電体に接続された一連のセンサ電極を備えることができる。端部のサイズ及び形状は、電極が心腔の壁から大きな間隔を隔てて配置されるようなものとすることができる。心内電位場は、1回の心拍の間に検出することができる。一例によれば、センサ電極は、互いに間隔を置いた平面内に位置する一連の円周上に分布させることができる。これらの平面は、カテーテルの端部の長軸に対して垂直であってよい。少なくとも2個の更なる電極を、端部の長軸の両端に隣接して配設することができる。より具体的な例として、カテーテルは、各円周上に等角で間隔を置いて配置された8個の電極を有する4つの円周を含んでもよい。したがって、この特定の実施形態では、カテーテルは、少なくとも34個の電極(32個の周方向電極と2個の端部電極)を含むことができる。別のより具体的な例として、カテーテルは、5本の柔軟な可撓性分枝、8本の放射状スプライン、又は平行なスプラインを有するフライ返し型(例えば、いずれも合計42個の電極を有し得る)などの他の多スプライン型カテーテルを含んでもよい。
電気的又は心臓マッピングの例として、非接触式及び非拡張式多電極カテーテル(例えば、カテーテル110)に基づく電気生理学的心臓マッピングシステム及び技術を実施することができる。ECGは、複数の電極(例えば、42~122個の電極など)を有する1つ又は2つ以上のカテーテル110を用いて得ることができる。この実施によれば、プローブ及び心内膜の相対的な幾何学的形状の知見を、経食道心エコー法などの独立した撮像モダリティによって得ることができる。独立した撮像の後、非接触式電極を使用して心臓表面電位を測定し、この表面電位からマップを構築することができる(例えば、場合によっては、双極心内基準信号を使用する)。この技術は、(独立した撮像工程の後に)以下の工程を含むことができる。すなわち、(a)心臓120内に配置されたプローブ上に配置された複数の電極を用いて電位を測定する工程、(b)プローブ表面と心内膜表面及び/又は他の基準との幾何学的関係を決定する工程、(c)プローブ表面と心内膜表面との幾何学的関係を表す係数の行列を生成する工程、及び(d)電極電位及び係数の行列に基づいて心内膜電位を決定する工程。
電気的又は心臓マッピングの別の例として、心腔の電位分布をマッピングするための技術及び装置を実施することができる。心臓内多電極マッピングカテーテルアセンブリを心臓120に挿入することができる。マッピングカテーテル(例えば、カテーテル110)アセンブリは、1つ又は2つ以上の一体型基準電極(例えば、1つ又は電極111)を有する複数電極アレイ又はコンパニオン基準カテーテルを含むことができる。
1つ又は2つ以上の例示的な実施形態によれば、電極は、ほぼ球状のアレイの形態で展開することができ、この球状のアレイは、基準電極によって、又は心内膜表面と接触させられる基準カテーテルによって心内膜表面上の点に対して空間的に参照することができる。好ましい電極アレイカテーテルは、多数の個々の電極部位(例えば、少なくとも24個)を有することができる。加えて、この例の方法では、アレイ上の各電極部位の位置を知ること、及び心臓の幾何学的形状を知ることで実施することができる。これらの位置は好ましくは、インピーダンスプレチスモグラフィ法によって決定される。
電気的又は心臓マッピングの観点から、また、別の例によれば、カテーテル110は、多数の電極部位を画定する電極アレイを含み得る心臓マッピングカテーテルアセンブリとすることもできる。このマッピングカテーテルアセンブリはまた、心臓壁を短針するために使用することが可能な遠位先端電極アセンブリを有する基準カテーテルを受容するための管腔を備えている。マップ心臓マッピングカテーテルアセンブリは、絶縁ワイヤの編組(例えば、編組内に24~64本のワイヤを有する)を含むことができ、ワイヤのそれぞれを使用して電極部位を形成することができる。心臓マッピングカテーテルアセンブリは、非接触電極部位の第1のセット及び/又は接触電極部位の第2のセットから電気的活動情報を取得するために使用されるように心臓120内に容易に配置可能である。
更に、別の例によれば、心臓内の電気生理学的活動のマッピングを実施することができるカテーテル110は、心臓をペーシングするための刺激パルスを供給するように適合された遠位先端部、又は先端部と接触する組織をアブレーションするためのアブレーション電極を含むことができる。このカテーテル110は、直交電極の近傍の局所的な心臓電気的活動を示す差分信号を生成するため少なくとも1対の直交電極を更に備えてもよい。
本明細書で述べられるように、システム100を用いて心臓の状態を検出、診断、及び/又は治療することができる。例示的な動作では、心腔内の電気生理学的データを測定するためのプロセスを、システム100によって実施することができる。この方法は、部分的に、能動電極と受動電極のセットを心臓120内に配置することと、能動電極に電流を供給し、それにより心腔内に電場を発生させることと、受動電極部位の電場を測定することとを含むことができる。受動電極は、バルーンカテーテルの膨張可能なバルーン上に配置されたアレイに含まれる。好ましい実施形態では、アレイは60~64個の電極を有すると言われる。
別の例示的な動作として、心臓マッピングは、1つ又は2つ以上の超音波トランスデューサを使用してシステム100によって実施することもできる。超音波トランスデューサは、患者の心臓120に挿入することができ、心臓120内の様々な位置及び向きの複数の超音波スライス(例えば、2次元又は3次元スライス)を収集することができる。特定の超音波トランスデューサの位置及び向きが分かる場合もあり、収集された超音波スライスは、後で表示することができるように記憶させることができる。プローブ105(例えば、カテーテル110として示される治療カテーテル)の位置に対応する1つ又は2つ以上の超音波スライスを表示することができ、1つ又は2つ以上の超音波スライス上にプローブ105を重ね合わることができる。
システム100を考慮すると、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(例えば、IC ECGデータの別の例)である場合があることが分かる。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、急速かつ反復する形で自律的に興奮する場合(例えば、IC ECGデータの別の例)などの、巣状興奮源を有する場合もある。心室性頻脈症(Ventricular tachycardia、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。
例えば、aFibは、洞房結節によって生成される通常の電気インパルス(例えば、IC ECGデータの別の例)を心房静脈及びPVで生じる無秩序な電気インパルスが上回り(例、信号干渉)、不規則なインパルスが心室に伝導される場合に発生する。その結果、不規則な心拍が生じ、数分~数週間、又は更には数年間持続する場合がある。多くの場合、aFibは、しばしば脳卒中による死亡リスクをわずかに増加させる慢性的な状態である。aFibの治療方針は、心拍数を減らすか又は心律動を正常に戻す投薬治療である。更には、aFib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投与される場合が多い。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aFib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。同期された電気的除細動もまた、aFib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、aFibの患者には、カテーテルアブレーションによる治療も行われる。
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。電気又は心臓マッピング(例えば、本明細書に記載される任意の電気生理学的心臓マッピングシステム及び技術によって実施される)には、心臓組織に沿った波伝播の電位マップ(例えば、電圧マップ)、又は様々な組織内に位置する点への到達時間のマップ(例えば、LATマップ)を作成することが含まれる。局所的な心臓組織の機能不全を検出するために、電気的又は心臓マッピング(例えば、心臓マップ)を使用することができる。心臓マッピングに基づくアブレーションなどのアブレーションは、不要な電気信号が心臓120のある部分から別の部分へと伝播することを停止させるか又は変化させることができる。
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を作成するためのマイクロ波、レーザ、及びより一般的にはRFエネルギーの使用が挙げられる。エネルギー送達法の別の例としては、細胞膜を損傷する高い電場を与える不可逆的エレクトロポレーション(irreversible electroporation、IRE)が挙げられる。2段階の処置(マッピングに続いてアブレーション)においては、通常、1つ又は2つ以上の電気的センサ(例えば、電極111)を収容したカテーテル110を心臓120内に前進させ、多点におけるデータ(例えば、一般的には生体測定データとして)を取得/収集することによって、心臓120内の点における電気的活動が感知及び測定される。次いで、この生体測定データを用いて、アブレーションを実施する心内膜の標的領域が選択される。例示的なシステム100(例えば、医療デバイス機器)に採用されたマッピングエンジン101の使用により、多点におけるデータを操作して心臓組織の画像データを改善させることに留意されたい。
心房細動及び心室頻拍などの困難な状態を医師が治療する際の心臓アブレーション及び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形態を再構成するうえで3次元(3D)マッピングシステムの使用に頼る場合がある。この点に関して、本明細書のシステム100によって採用されるマッピングエンジン101は、一般的には生体測定データを操作及び評価して、異常心拍又は不整脈を治療するためのより正確な診断、画像、スキャン、及び/又はマップを可能とする改善された組織データを生成する。例えば、心臓専門医は、ECGデータを生成及び分析するうえで、Biosense Webster,Inc.(Diamond Bar,Calif.)により製造されるCARTO(登録商標)3 3DマッピングシステムのComplex Fractionated Atrial Electrograms(CFAE)モジュールなどのソフトウェアに頼っている。システム100のマッピングエンジン101は、このソフトウェアを強化して、改善された生体測定データを生成及び分析し、これにより更に、aFibの心臓基質(解剖学的及び機能的)を表す心臓120(瘢痕組織を含む)の電気生理学的特性に関する複数の情報を更に提供する。
したがって、システム100は、異常ECGの検出の観点から、心筋症の潜在的な不整脈原性基質の位置を特定するために、CARTO(登録商標)3 3Dマッピングシステムなどの3Dマッピングシステムを実装することができる。これらの心臓の状態に関連する基質は、心室腔(右及び左)の心内膜及び/又は心外膜層の分裂及び延長したECGの存在と関連付けられている。例えば、低電圧又は中電圧の領域は、ECGの分裂及び延長した活動を示し得る。更に、洞律動の間において低電圧又は中電圧の領域は、持続性のまとまりのある心室性不整脈において識別される臨界峡部(critical isthmus)に対応し得る(例えば、許容されない心室頻拍、並びに心房内に当てはまる)。一般的に、異常組織は、低電圧のECGによって特徴付けられる。しかしながら、心内膜-心外膜マッピングにおける初期の臨床経験によって、低電圧の領域は、こうした患者における唯一の不整脈発生機序として常に存在するとは限らないことが示されている。実際に、低電圧又は中電圧の領域は、洞律動の間にECGの分裂及び延長した活動を示す場合があり、これは、持続性のまとまりのある心室性不整脈の際に識別される臨界峡部に対応する(例えば、許容されない心室頻拍のみに当てはまる)。更に、多くの場合、ECGの分裂及び延長した活動は、正常又はほぼ正常な電圧振幅(>1~1.5mV)を示す領域で観察される。後者の領域は、電圧振幅に従って評価することができるが、心内信号によれば正常とはみなされず、したがって真の不整脈原性基質を表している。3Dマッピングは、主要疾患の進展によって分布にばらつきがあり得る、右/左心室の心内膜及び/又は心外膜層上の不整脈原性基質の位置を特定することができる。
別の例示的な動作として、心臓マッピングは、1つ又は2つ以上の多電極カテーテル(例えば、カテーテル110)を使用してシステム100によって実施することもできる。多電極カテーテルは、心臓120内の電気的活動を刺激及びマッピングし、異常な電気的活動が見られる部位をアブレーションするために使用される。使用時には、多電極カテーテルは、主要な静脈又は動脈、例えば大腿静脈に挿入された後、対象となる心臓120の心腔内へと案内される。典型的なアブレーション処置では、その遠位端に少なくとも1つの電極111を有するカテーテル110を心腔内に挿入する。基準電極が、患者の皮膚にテープで貼り付けられるか、あるいは心臓内又は心臓付近に配置される第2のカテーテルによって、あるいはカテーテル110の1つ又は他の電極111から選択することによって、提供される。高周波(RF)電流がアブレーションカテーテル110の先端電極111に印加され、先端電極の周囲の媒質(すなわち、血液及び組織)に基準電極に向かって電流が流れる。電流の分布は、組織より高い導電性を有する血液と比較した場合、組織と接触している電極表面の量に依存する。組織の加熱は、組織の電気抵抗に起因して生じる。組織が十分に加熱されると、心臓組織において細胞破壊が引き起こされ、結果として、非電導性である心臓組織内に損傷部が形成される。この過程では、加熱された組織から電極自体への伝導によって先端電極111の加熱も生じる。電極の温度が十分に高くなり、場合により60℃を超えると、脱水された血中タンパク質の薄く透明な皮膜が、電極111の表面上に形成され得る。温度が上昇し続けると、この脱水層が徐々に厚くなり得、電極表面上に血液が凝固する。脱水された生物学的材料は、心内膜組織よりも高い電気抵抗を有するため、電気エネルギーの組織内部への流れに対するインピーダンスもまた増大する。インピーダンスが十分に高くなると、インピーダンス上昇が起こり、カテーテル110を身体から抜いて先端電極111をきれいにしなければならない。
ここで図2を参照すると、1つ又は2つ以上の例示的実施形態による、本開示の主題の1つ又は2つ以上の特徴を実施することができるシステム200の図が示されている。システム200は、患者202(例えば、図1の患者125の一例)に対して、装置204、ローカルコンピューティングデバイス206、リモートコンピューティングシステム208、第1のネットワーク210、及び第2のネットワーク211を含んでいる。更に、装置204は、生体測定センサ221(例えば、図1のカテーテル110の一例)、プロセッサ222、ユーザ入力(UI)センサ223、メモリ224、及び送受信機225を含むことができる。説明を容易とし、簡潔にするため、図1のマッピングエンジン101を図2で再使用している点に留意されたい。
一実施形態によれば、装置204は、図1のシステム100の一例であってよく、装置204は、患者の内部の構成要素及び患者の外部の構成要素の両方を含むことができる。装置204としてはまた、1つ又は2つ以上の電極を有するカテーテル(例えば、図1のカテーテル110及び電極111)、プローブ(例えば、図1のプローブ105)、血圧カフ、体重計、ブレスレット又はスマートウォッチ生体測定トラッカ、グルコースモニター、持続性陽圧呼吸(continuous positive airway pressure、CPAP)マシン、又は患者202(例えば、図1の患者125)の健康若しくは生体測定に関する入力を提供し得る実質上任意のデバイスが挙げられ得る。別の実施形態によれば、装置204は、取り付け可能なパッチ(例えば、患者の皮膚に取り付けられる)を含む患者202の外部の装置であってよい。別の実施形態によれば、装置204は、患者202の身体の内部のもの(例えば、皮下移植可能な)とすることができ、装置204を、経口注入、静脈若しくは動脈を介した外科的挿入、内視鏡手術、又は腹腔鏡手術を含む任意の適用可能な方法によって患者202体内に挿入することができる。一実施形態によれば、単一の装置204が図2に示されているが、例示的なシステムは、複数の装置を含むことができる。
したがって、装置204、ローカルコンピューティングデバイス206、及び/又はリモートコンピューティングシステム208は、マッピングエンジン101に関するコンピュータ命令を実行するようにプログラムすることができる。一例として、メモリ223は、装置204が生体測定センサ201を介して生体測定データを受信して処理することができるように、プロセッサ222によって実行するためのこれらの命令を記憶する。このように、プロセッサ222及びメモリ223は、ローカルコンピューティングデバイス206及び/又はリモートコンピューティングシステム208のプロセッサ及びメモリを代表するものである。
装置204、ローカルコンピューティングデバイス206、及び/又はリモートコンピューティングシステム208は、マッピングエンジン101及びその機能を個別又は集合的に記憶、実行、及び実施するソフトウェア及び/又はハードウェアの任意の組み合わせとすることができる。更に、装置204、ローカルコンピューティングデバイス206、及び/又はリモートコンピューティングシステム208は、本明細書に記載されるように、様々な通信技術を利用した任意の数及び組み合わせのコンピューティングデバイス及びネットワークを含む、及び/又は使用する電子的コンピュータフレームワークとすることができる。装置204、ローカルコンピューティングデバイス206、及び/又はリモートコンピューティングシステム208は、異なるサービスに合わせて変更すること可能な、又は他と独立していくつかの機能を再構成することが可能な、容易にスケーラブルで、拡張可能な、モジュール式のものとすることができる。
ネットワーク210及び211は、有線ネットワーク、無線ネットワークであってもよく、又は1つ若しくは2つ以上の有線及び無線ネットワークを含んでもよい。一実施形態によれば、ネットワーク210は、近距離ネットワーク(例えば、ローカルエリアネットワーク(LAN)、又はパーソナルエリアネットワーク(PAN))の一例である。情報は、Bluetooth、Wi-Fi、Zigbee、Z-Wave、近接場通信(NFC)、ウルトラバンド、Zigbee、又は赤外線(IR)などの様々な近距離無線通信プロトコルのうちのいずれか1つを使用して、装置204とローカルコンピューティングデバイス206との間で近距離ネットワーク210を介して送信することができる。更に、ネットワーク211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、セルラー電話ネットワーク、又はローカルコンピューティングデバイス206とリモートコンピューティングシステム208との間の通信を容易にすることが可能な任意のその他のネットワーク若しくは媒体のうちの1つ又は2つ以上のものの一例である。情報は、様々な長距離無線通信プロトコル(例えば、TCP/IP、HTTP、3G、4G/LTE、又は5G/New Radio)のいずれか1つを使用して、ネットワーク211を介して送信することができる。ネットワーク210及び211のいずれについても、イーサネット、ユニバーサルシリアルバス(USB)、RJ-11、又は任意の他の有線接続を使用して有線接続を実施することができ、Wi-Fi、WiMAX、及びBluetooth、赤外線、セルラーネットワーク、衛星通信、又は任意の他の無線接続法を使用して無線接続を実施することができることに留意されたい。
動作中、装置204は、ネットワーク210を介して、患者202に関連する生体測定データを、連続的又は定期的に、取得、監視、記憶、処理、及び通信することができる。更に、装置204、ローカルコンピューティングデバイス206、及び/又はリモートコンピューティングシステム208は、ネットワーク210及び211を介して通信する(例えば、ローカルコンピューティングデバイス206は、装置204とリモートコンピューティングシステム208との間のゲートウェイとして構成することができる)。例えば、装置204は、ネットワーク210を介してローカルコンピューティングデバイス206と通信するように構成された図1のシステム100の一例であり得る。ローカルコンピューティングデバイス206は、例えば、固定/独立型デバイス、基地局、デスクトップ/ラップトップコンピュータ、スマートフォン、スマートウォッチ、タブレット、又はネットワーク211及び210を介して他のデバイスと通信するように構成された他のデバイスとすることができる。ネットワーク211上の、若しくはネットワーク211に接続された物理サーバとして、又はネットワーク211のパブリッククラウドコンピューティングプロバイダ(例えば、Amazon Web Services(AWS)(登録商標))内の仮想サーバとして実施されるリモートコンピューティングシステム208は、ネットワーク211を介してローカルコンピューティングデバイス 206と通信するように構成することができる。これにより、患者202に関連する生体測定データをシステム200全体を通じて通信することができる。
装置204の各要素について以下に記載する。生体測定センサ221は、例えば、異なる種類の生体測定データが観察/取得/取得されるように、1つ又は2つ以上の環境条件を電気信号に変換するように構成された1つ又は2つ以上のトランスデューサを含むことができる。例えば、生体測定センサ221は、電極(例えば、図1の電極111)、温度センサ(例えば、熱電対)、血圧センサ、血糖センサ、血中酸素センサ、pHセンサ、加速度計、及びマイクロフォンのうちの1つ又は2つ以上を含むことができる。
マッピングエンジン101を実行するうえで、プロセッサ222は、生体測定センサ221によって取得された生体測定データを受信、処理、及び管理し、かつ生体測定データ、ユーザプリファレンス、及び健康人口統計を、記憶させるためにメモリ224に、及び/又は送受信機225を介してネットワーク210全体に通信するように構成することができる。本明細書でより詳細に説明するように、マッピングエンジン101は、心組織の改善された画像データを生成し、その結果、心臓の状態を治療するための改善された画像、スキャン、及び/又はマップが予測と共に生成され得る。
1つ又は2つ以上の他の装置204からの生体測定データ、ユーザプリファレンス、及び健康人口統計はまた、送受信機225を介してプロセッサ222によって受信されてもよい。また、以下でより詳細に説明するように、プロセッサ222は、UIセンサ223から受信される異なるタッピングパターン(例えば、シングルタップ又はダブルタップ)に選択的に応答して、パッチの異なるタスク(例えば、データの取得、記憶、又は送信)が、検出されたパターンに基づいて起動されるように構成することができる。いくつかの実施形態では、プロセッサ222は、ジェスチャを検出することに関する可聴フィードバックを生成することができる。
UIセンサ223は、例えば、タップ又はタッチなどのユーザ入力を受信するように構成された圧電センサ又は静電容量センサとすることができる。例えば、UIセンサ223は、患者202が装置204の表面をタップ又はタッチすることに応答して、容量性結合を実施するように制御されてもよい。ジェスチャ認識は、抵抗容量性、表面容量性、投影容量性、表面弾性波、圧電及び赤外線タッチなどの、様々な容量型のうちのいずれか1つを介して実装することができる。静電容量センサは、表面のタップ又はタッチが監視デバイスを起動させるように、表面の小さい領域又は長さにわたって配置されてもよい。
メモリ224は、磁気、光学、又は電子メモリ(例えば、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適当な揮発性及び/又は不揮発性メモリ)などの任意の非一時的有形媒体である。メモリ224は、プロセッサ222及び/又は生体測定データ、ユーザプリファレンス、及び健康人口統計によって実行するためのコンピュータ命令を記憶する。ユーザプリファレンスの例としては、電圧選択、閾値選択、フォントサイズ、インターフェースロケーション、ボタン構成、及び配色が挙げられるが、これらに限定されない。健康人口統計の例としては、年齢、性別、人種、体重、民族性、及び身長が挙げられるが、これらに限定されない。
送受信機225は、別個の送信機と別個の受信機を含むことができる。あるいは、送受信機225は、単一のデバイスに統合された送信機と受信機を含んでもよい。
動作中、装置204は、マッピングエンジン101を利用して、生体測定センサ221を介して患者202の生体測定データを観察/取得し、ユーザプリファレンス及び健康人口統計を観察/取得し、生体測定データ、ユーザプリファレンス、及び健康人口統計をメモリ224に記憶し、送受信機225を介してシステム200にわたってこの生体測定データを共有する。次いで、マッピングエンジン101は、システム100の処理負荷を低減するため、及びシステム100の動作を変換してより的確なマッピングを提供するために、モデル、アルゴリズム、ニューラルネットワーク、ML、及び/又は人工知能(AI)を利用してマッピングを生成し医師に提供することができる。
ここで図3を参照すると、1つ又は2つ以上の例示的な実施形態による、方法300(例えば、図1及び/又は図2のマッピングエンジン101によって実行される)が示されている。ソフトウェア及び/又はハードウェアの任意の組み合わせ(例えば、装置204と共に、ローカルコンピューティングデバイス206及びリモートコンピューティングシステム208)は、マッピングエンジン101及びその機能を個別に又は集合的に記憶、実行、及び実装し得る。方法300は、従来の心臓マッピング及びアブレーションシステムの欠点に対処する。
一般に、医師115は、システム100を使用して、患者125に対する現在の心臓電気生理学的処置を行う。不整脈治療処置などの心臓電気生理学的処置は、患者に対する任意の医療処置及び/又は外科処置又は治療であり得る。マッピングエンジン101は、固有の生理学的不整脈特性(例えば、バイオメトリックデータ)及び健康人口統計と共に、医師115によって呈される過去のワークフローのプリファレンスを受信する。ワークフロープリファレンスとしては、工程の選択(例えば、工程Bの代わりにA)、工程の順序(例えば、工程Aの代わりにB)、機器の選択、ユーザインターフェースの選択、ユーザインターフェースの設定などが挙げられる。マッピングエンジン101は次に、これらの過去のワークフロープリファレンスを学習し、固有の生理学的不整脈特性及び健康人口統計を用いて、現在の心臓電気生理学的処置中に医師115に提示するための画像表示を予測する。予測画像表示(例えば、1つ又は2つ以上のユーザインターフェース及びインテリジェントツールバー)の1つ又は2つ以上の技術的効果及び利益として、調達時間を短縮し、ワークフローを合理化することが挙げられる。
プロセスフロー300は、マッピングエンジン101が症例を受信するブロック305から始まる。症例は、過去の医療処置及び/又は治療(例えば、過去の心臓電気生理学的処置)を含み得る。この点に関して、マッピングエンジン101は、症例のソースデータ、原子データ、又は一次データを受信することができる。1つ又は2つ以上の実施形態において、ソースデータ、原子データ、又は一次データは、複数の患者の過去の医療処置及び/又は治療の履歴データとして限定され、数量化され得る。
履歴データは、これらの過去の医療処置及び/又は治療を実施する1人又は2人以上のユーザ(例えば、医師115及び/又は技師)のワークフロープリファレンス、並びに複数の患者の複数の患者の生体測定データ及び/又は健康人口統計を含むことができる。生体測定データは、患者の1つ又は2つ以上の不整脈の固有の生理学的特性を含むことができる。
1つ又は2つ以上の実施形態によれば、履歴データは、以前の心臓電気生理学的処置から取得されたユーザイベントに関する第1の情報セット、以前の心臓電気生理学的処置から取得されたセンサイベントに関する第2の情報セット、以前の心臓電気生理学的処置から取得されたハイブリッドイベント、患者のセットアップに関する詳細、処置終了時の患者からのカテーテル除去に関する詳細、医師が示す関心の詳細、及び心臓電気生理学的処置自体に関する他の詳細を含む第3の情報セットを含むことができる。
ブロック310において、マッピングエンジン101はデータセットを生成する。データセットは、1つ又は2つ以上のデータ構造(例えば、効率的なアクセス及び修正を可能にするデータ編成、管理、及び記憶形式)で、編成されたもの及び/又は編成されていないものにかかわらず、生データ(例えば、ブロック305からのソースデータ、原子データ、又は一次データ)を収集し、操作することにより、マッピングエンジン101によって生成及び/又は構築され得る。データセットは、訓練及びML/AIの訓練データとして、作成、使用、及び維持されることができる。
1つ又は2つ以上の実施形態によれば、マッピングエンジン101は、訓練データを構築して、履歴データ、並びにそれに関連付けられた他のデータ(例えば、過去の医療処置及び/又は治療の種類、損傷及び/又は疾患診断、複数の患者の健康人口統計情報、医師情報、技師情報、処置及び/又は治療位置情報、心組織情報の注釈付き解剖学的構造など)の管理及び分析を容易にする。
図3の様々なブロックにおけるシステム100及びマッピングエンジン101によるML/AIに関し、図4及び図5がその実施例を定義するために提供される。適切な場合、理解を容易にするため、図4~5の説明は、図1~3を参照して行う。図4は、1つ又は2つ以上の実施形態による、人工知能システム400のグラフィック描写を示す。人工知能システム400は、データ410(例えば、ブロック310の生体測定データ、履歴データなど)、マシン420、モデル430、転帰440、及び(基礎となる)ハードウェア450を含む。例えば、マシン410、モデル430、及びハードウェア450は、図1~2のマッピングエンジン101の態様(例えば、マッピングエンジン中のML/AIアルゴリズム)を表し得る一方、ハードウェア450は、図1のカテーテル110、図1のコンソール160、及び/又は図2の装置204も表し得る。一般的に、人工知能システム400のML/AIアルゴリズム(例えば、図1~2のマッピングエンジン101によって実装される)は、データ410(例えばブロック310の)を使用してハードウェア450に対して動作して、マシン420を訓練してモデル430を構築し、転帰440を予測する。更に、マッピングエンジン101は、データ410、マシン420、モデル430、転帰440、及び任意の(基礎となる)ハードウェア450として、又はそれらに対して実装され得ることを理解されたい。
例えば、ブロック310に関し、マシン420は、ハードウェア450に関連付けられたコントローラ又はデータ収集として動作するか、及び/又はハードウェア450に関連付けられる。データ410(例えば、ブロック310の生体測定データ、履歴データなど)は、ハードウェア450に関連付けられた進行中データ又は出力データであってよい。データ410はまた、現在収集中のデータ、訓練データ、及び/又はハードウェア450から受信された症例の他のデータ(例えばブロック305)も含むことができ、外科手術中の測定値を含むことができ、外科手術の転帰と関連付けることができ、心臓処置の転帰と共に収集及び相関される、図1の心臓140の温度を含むことができ、過去のワークフロープリファレンスを含むことができ、やり直し処置が必要であるか否かに関するアブレーション情報及び決定を含むことができ、ハードウェア450に関連することができる。データ410は、マシン420によって1つ又は2つ以上のサブセットに分割され得る。
より具体的には、図3に関して、1つ又は2つ以上の実施形態によれば、訓練データは、ユーザ固有のプリファレンス、ワークフロー、注釈、履歴データの態様などを含み得る。この点に関して、マッピングエンジン101は、ユーザの決定及び修正だけでなく、過去の医療処置中及び/又は治療中にマッピングエンジン101によってなされた自動決定及び自動提案、並びにこれらの自動決定に応答したユーザ入力(例えば、医師115が手動でデフォルトのプリファレンスを変更)及びこれらの自動提案に応答したユーザ入力(例えば、医師115が手動でマップ提案を変更)を表す情報を、(ブロック305及び310にわたって)収集して管理し、ベースラインを提供する。次に、方法300が繰り返す又はループする場合/とき、訓練データセットは、経時的に(例えば、平均して3~6箇月毎に)増加及び/又は改善することができ、マッピングエンジン101を訓練/再訓練するために(例えば、その性能を改善するために)使用することができる。
ブロック315において、マッピングエンジン101は、マッピングエンジン101のモデル(例えば、図4の430)を生成する。モデル430は、ML/AIアルゴリズムであり得る。モデル430は、回帰型ニューラルネットワーク(RNN)を使用して訓練されたディープラーニングアーキテクチャを含むことができる。モデル340は、ブロック310のデータセット(又はより具体的には訓練データ)によって説明されるような、複数の過去の心臓電気生理学的症例の分析に基づいて構築及び訓練される。
図4の例において、モデル430は、ハードウェア450に関連付けられたデータ410上に構築される。したがって、モデル430及びマシン420は、ハードウェア450に関して訓練することができる。モデル430を構築することは、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(ブロック315)、及び/又は収集及び訓練されたデータ410(又はそのサブセット)を表すことを目的とした同様のモデリングを含むことができる。いくつかの態様では、モデル430(ブロック315)の構築は、マシン420による自己訓練動作の一部である。この訓練は、収集されたデータ410の分析及び相関を含むことができる。例えば、マシン420は、生体測定データ、ユーザプリファレンス、及び/又は健康人口統計の間に相関又はリンクが存在するかどうかを判定するように訓練されてもよい。別の実施形態によれば、マシン420を訓練することは、1つ又は2つ以上のサブセットを用いた図1のマッピングエンジン101による自己訓練を含むことができる。この点に関して、図1のマッピングエンジン101は、ワークフロー、医療処置ワークフロープリファレンス、固有の生理学的特性、及び/又は個人的健康人口統計を学習する。したがって、モデル430は、ハードウェア450の動作を複製すると共に、ハードウェア450から収集されたデータ410(ブロック305)を複製して、ハードウェア450によって達成される転帰440を予測するように構成することができる。
図3に戻ると、ブロック320において、マッピングエンジン101は、1つ又は2つ以上のワークフローを学習する。マッピングエンジン101は、処置及び治療を実行する医師の固有のプリファレンス、治療対象の不整脈の種類、並びに患者の人口統計に基づいて、過去の医療処置及び/又は治療(例えば、心不整脈治療)中にワークフローを学習するために、モデル(ブロック315)を利用することができる。図4に関連して、図1のマッピングエンジン101に関するモデル430は、データ410を受信し(ブロック305)、中間データセットを推定し(ブロック310)、モデル430を生成し(ブロック315)、結果(例えば、ブロック320で学習されたワークフロー)を提供して、心臓組織、状態、及び懸念の治療をサポートすることができる。転帰440(ハードウェア450に関連付けられたモデル430の)を予測する動作では、訓練されたモデルを利用することができる。したがって、予測された転帰440を使用して、マシン420、モデル430、及びハードウェア450を適宜構成することができる。
1つ又は2つ以上の実施形態によれば、マッピングエンジン101が(ブロック305及び310の)履歴データを使用してモデルを訓練及び生成(ブロック315)するとき/した後、マッピングエンジン101のMLは、医師115(例えば、CAS、ユーザなど)の関心の詳細のみを選択し、識別し、保存する(ブロック320)。一実施例では、医師の個人的なプリファレンスは、以前の心臓アブレーション治療中にマッピングエンジン101によって取得及び識別され得る。すなわち、不整脈治療中、医師115がボタン(例えば、「双極マップへの切り替え(SWITCH TO BIPOLAR MAP)」、「ポイント取得(POINT ACQUISITION)」、「フィルタ設定(FILTER SETUP)」など)をクリックするたびに、このボタンクリック及び関連情報がデータとして保存される。また、「アブレーション開始(ABLATION STARTED)」、「アブレーション終了(ABLATION ENDED)」、「シミュレーション開始(SIMULATION STARTED)」、「刺激終了(STIMULATION ENDED)」、心周期長の変化、不整脈の変化などのコンテキストイベントも保存される。マッピングエンジン101は、モデル(ブロック315)を利用して、続いて起きるクリックを学習することができ、それに応じてインテリジェントツールバーにアイテムを追加し、及び/又はサイクル長の変化後に医師115が「新しいマップ(NEW MAP)」ボタンを押す確率が高いことを学習する。
一般に、マッピングエンジン101(又はモデル430)のモデルは、入力層、隠れ層、及び出力層を含む自動エンコーダとして構造化することができ、入力層及び隠れ層は、入力(例えば、症例を受信する)を符号化するためのエンコーダを形成し、隠れ層及び出力層は、エンコーダの結果を復号化するためのデコーダを形成する。したがって、隠れ層は、入力層と出力層との間に配置され、一方、入力は、カテーテル110から取得されストレージリソースの必要性を低減するためにシステム100によって圧縮された信号を少なくとも含むことができる。本明細書で論じられるように、エンコーダは、入力層で入力を受信するように配置されることができる。隠れ層は、第1のニューラルネットワークを利用して入力を圧縮し、所定の圧縮比でその表現を作成することができ、入力の表現を解凍して入力を再構成するために、第2のニューラルネットワークを利用することができ、デコーダの出力層に再構成を送信することができる。第1及び/又は第2のニューラルネットワークは、畳み込み及び逆畳み込みニューラルネットワーク、又は本明細書に記載される任意の他のニューラルネットワークであり得る。
一般に、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であり、あるいは現代的な意味では、人工ニューロン又はノード又はセルで構成される人工ニューラルネットワーク(artificial neural network、ANN)である。1つ又は2つ以上の実施形態によれば、ニューラルネットワークは、RNNなどの自動完了ML技術であり、RNNのサブタイプは長い短期メモリ(long short-term memory、LSTM)ニューラルネットワークである。本明細書に更に記載されるように、マッピングエンジン101及び/又はマシン420は、本明細書に記載されるRNN AI変換器を含むことができる。例えば、図4に関し、人工知能システム400のML/AIアルゴリズムは、ハードウェア450に対して動作し、データ410を使用し、マシン420を訓練し、モデル430を構築し、転帰440を予測するための、ニューラルネットワークを含み得る。
例えば、ANN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なグローバル挙動を示すことができる処理要素(人工ニューロン)のネットワークを含む。ニューロンのネットワーク又は回路のこれらの接続は、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。多くの場合、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。
より実用的な言葉で言えば、ニューラルネットワークは、入力と出力との間の複雑な関係をモデル化するために、又は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非線形統計データモデリング又は意思決定ツールである。したがって、ANN又はRNNは、データセットを介して訓練される間に、予測モデリング及び適応制御アプリケーションに使用することができる。経験から生じる自己学習がANN又はRNN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点に留意されたい。人工ニューラルネットワークモデルの有用性は、それらを使用して、観測から関数を推定し、かつそれを使用することが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、及び、最近では、観測データの分布関数を暗黙的に学習することができるディープラーニングアルゴリズムにも使用することができる。ニューラルネットワークでの学習は、データ(例えば、生体測定データ)やタスク(例えば、任意の数の様々な疾患の監視、診断、及び治療)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、様々な分野において使用することができる。したがって、人工知能システム400では、その中のML/AIアルゴリズムは、それらが適用されるタスクに従って大まかに分割されたニューラルネットワークを含むことができる。これらの分割は、以下のカテゴリ内に入る傾向がある。時間系列予測及びモデリングを含む回帰分析(例えば、関数近似)、パターン及び配列認識を含む分類、新規の検出及び連続的意思決定の作成、フィルタリングを含むデータ処理、クラスタリング、盲信号分離、及び圧縮。例えば、ANN又はRNN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)、医療診断及び治療、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(knowledge discovery in databases、「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、医療処置から得られる患者の生体測定データの意味的プロファイルを作成することが可能である。
1つ又は2つ以上の実施形態によれば、ニューラルネットワークは、LSTMニューラルネットワークアーキテクチャ、畳み込みニューラルネットワーク(convolutional neural network、CNN)アーキテクチャ、又は他の同様のものを実装し得る。ニューラルネットワークは、いくつかの層、いくつかの接続(例えば、エンコーダ/デコーダ接続)、規則化技術(例えば、ドロップアウト)に対して構成可能であり得る。及び最適化特徴に関して構成可能であり得る。
LSTMニューラルネットワークアーキテクチャは、フィードバック接続を含み、単一のデータポイント(例えば、画像など)をデータのシーケンス全体(例えば、音声又は動画)と共に処理することができる。LSTMニューラルネットワークアーキテクチャの単位は、セル、入力ゲート、出力ゲート、及び忘却ゲートで構成することができ、セルは任意の時間間隔にわたって値を記憶し、ゲートは、セルへの及びセルからの情報の流れを調節する。
CNNアーキテクチャは、1つの層内の各ニューロンが次の層内の全てのニューロンに接続される並進不変特性を有する共有重みアーキテクチャである。CNNアーキテクチャの正則化技術は、データ内の階層パターンを利用し、より小さくより単純なパターンを使用してより複雑なパターンを編成することができる。ニューラルネットワークがCNNアーキテクチャを実装する場合、アーキテクチャの他の構成可能な態様は、それぞれのステージにおける多数のフィルタ、カーネルサイズ、層ごとの多数のカーネルを含み得る。
ここで図5を参照すると、ニューラルネットワーク500の一例及びニューラルネットワーク500内で実行される方法501のブロック図が、1つ又は2つ以上の実施形態に従って示されている。ニューラルネットワーク500は、本明細書に記載されるML/AIアルゴリズムの実装(例えば、図1~2のマッピングエンジン101によって実装される)を支援するように動作する。ニューラルネットワーク500は、図4のマシン420及び/又はハードウェア450などのハードウェアに実装することができる。1つ又は2つ以上の実施形態によれば、ニューラルネットワーク500は、ハードウェア及び/又はソフトウェアに実装され得ることに留意されたい。1つ又は2つ以上の実施形態によれば、ニューラルネットワーク600は、分類のための心内ベースの特徴を抽出するマッピングエンジン101のオートエンコーダであり得る。本明細書に示されるように、図4~5の説明は、適切な場合、理解を容易にするため、図1~3を参照して行う。
例示的動作では、図1のマッピングエンジン101は、ハードウェア450からデータ410を収集することを含む。ニューラルネットワーク500において、入力層510は、複数の入力(例えば、図5の入力512及び514)によって表される。方法501のブロック520に関して、入力層510は入力512及び514を受信する。入力512及び514は、生体測定データ(例えば、不整脈型)、ユーザプリファレンス、及び健康人口統計を含むことができる。例えば、データ410を収集することは、ハードウェア450の1つ又は2つ以上の処置記録又は症例からデータセット(データ410によって表される)に生体測定データ(例えば、BS ECGデータ、IC ECGデータ、及びアブレーションデータ)を集積することであり得る。複数の入力は、超音波信号、無線信号、音響信号、又は2次元若しくは3次元画像であり得る。より具体的には、この複数の入力は、入力データ(X)として表すことができ、例えば、心臓マッピングフェーズから記録された生データである。
方法501のブロック525において、ニューラルネットワーク500は、データ410の任意の部分(例えば、人工知能システム400によって生成されたデータセット及び予測)を用いて入力512及び514を符号化して、潜在表現又はデータ符号化を生成する。潜在表現は、複数の入力から導出される1つ又は2つ以上の中間的データ表現を含む。1つ又は2つ以上の実施形態によれば、潜在表現は、入力心内信号に重み行列を適用し、その結果にバイアスベクトルを付加する、マッピングエンジン101のオートエンコーダの要素ごとの活性化関数(例えば、シグモイド関数又は正規化線形ユニット)によって生成される。重みマトリクスの重み及びバイアス、並びにバイアスベクトルは、ランダムに初期化され、次いで訓練中に繰り返し更新され得ることに留意されたい。一般に、自動エンコーダは、教師なし様式で効率的なデータ符号化を学習するために使用される、人工ニューラルネットワークのタイプである(例えば、その入力をその出力にコピーすることを学習する)。自動エンコーダの目的は、信号「ノイズ」を無視するためにネットワークを訓練することによって、典型的には次元性の低減のためのデータセットのための表現(符号化)を学習することである。削減側と共に、再構築側が学習され、ここで、自動エンコーダは、その元の入力にできるだけ近い表現を削減した符号化、つまりその名前から生成しようとする。コピータスクを完全に実施すると信号が単に重複されるだけである。これが、自動エンコーダが通常、コピー内のデータの最も関連性の高い態様のみを維持して、入力をほぼ再構築するように強制するような方法で制限される理由である。
図5に示すように、入力512及び514は、ノード532、534、536、及び538を含むように示された隠れ層530に与えられる。ニューラルネットワーク500は、ノード532、534、536、及び538の隠れ層530を介して処理を実行して、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、複雑なグローバル挙動を示すことができる。したがって、層510と530との間の移行は、入力512及び514を受けて、これをディープニューラルネットワーク(層530内)に転送して、特定のより小さな表現(例えば、結果的に生じる潜在表現)を学習するエンコーダステージと見なすことができる。
ディープニューラルネットワークは、非CNN、LSTMニューラルネットワーク、完全接続ニューラルネットワーク、又はそれらの組み合わせであり得る。入力512及び514は、IC ECG、身体表面ECG、又はIC ECG及び身体表面ECGであり得る。この符号化は、入力512及び514の次元数削減をもたらす。次元数削減は、主要変数のセットを得ることによって、考慮されているランダム変数(入力512及び514の)の数を低減するプロセスである。例えば、次元数削減は、データ(例えば、入力512及び514)を、高次元空間(例えば、10次元よりも高い)から低次元空間(例えば、2~3次元)に変換する特性抽出であり得る。次元数削減の技術的効果及び利点としては、データ410の時間及び記憶空間要件を低減すること、データ410の可視化性を改善すること、及びMLのためのパラメータ解釈性を改善することが挙げられる。このデータ変換は、線形又は非線形であり得る。受信(ブロック520)及び符号化(ブロック525)の動作は、マッピングエンジン101(のオートエンコーダ)による多工程データ操作のデータ前処理部分と見なすことができる。
方法510のブロック545において、ニューラルネットワーク500は潜在表現を復号化する。復号化ステージは、エンコーダ出力(例えば、結果として生じる潜在表現)を受け、別のディープニューラルネットワークを使用して入力512及び514の特定の形態を再構築することを試みる。この点に関して、ノード532、534、536、及び538は、方法510のブロック560に示すように、出力層550に出力552を生成する。すなわち、出力層590は、削減された次元で入力512及び514を再構築するが、ただし信号干渉、信号アーチファクト、及び信号ノイズを伴わない。出力552の例としては、クリーンにされた生体測定データ(例えば、IC ECGデータのクリーン/ノイズ除去バージョンなど)が挙げられる。例えば、IC ECGのノイズ除去バージョンは、遠方電界低減、電力線ノイズ、接触ノイズ、偏向ノイズ、ベースラインワンダ、呼吸ノイズ、及び蛍光ノイズ(Fluro noise)のうちの1つ又は2つ以上を含まないものであり得る。クリーンにされた生体測定データの技術的効果及び利益には、任意の数の様々な疾患のより正確な監視、診断、及び治療を可能にすることが含まれる。
例えば、出力層550の標的データは、標的データタイプ1の心室活動(Y1)及び標的データタイプ2の遠方電界低減後のデータ(Y2)を含む。一実施形態によれば、マッピングエンジン101のオートエンコーダは、f(X)=Y1かつg(X)=Y2であるようなマッピング関数(f、g)を見つけ出すための、ノイズ除去オートエンコーダであり得る。ソフトウェア及び/又はハードウェアの任意の組み合わせ(例えば、装置204と共に、ローカルコンピューティングデバイス206及びリモートコンピューティングシステム208)は、ノイズ除去オートエンコーダ及びその関数を個別に又は集合的に記憶、実行、及び実装し得る。ノイズ除去オートエンコーダは、隠れ層(例えば、図5の隠れ層530)に、より堅牢な特徴(すなわち、入力のより良好で高レベルの表現を構成する有用な特徴)を発見させ、特定のアイデンティティを学習する(すなわち、常に同じ値に戻る)ことを防止するため、それ自体の破損したバージョンから入力を再構築するようにオートエンコーダを訓練する。この点に関して、ノイズ除去オートエンコーダは、入力を符号化し(例えば、入力に関する情報を保存するため)、オートエンコーダの入力に確率的に適用される破損プロセスの効果を逆転させる。1つ又は2つ以上の実施形態によれば、IC ECGデータ圧縮は、マッピングエンジン101の自動エンコーダを使用して実施することができる。例えば、電気生理学的処置中に記録されたIC ECGデータは、研究目的のためにこのデータを記憶及び共有するために、かなりの量のデータ記憶域及び他のリソースを必要とする。マッピングエンジン101は、IC ECGデータの記憶及び共有に必要なリソースを低減する。
図3に戻ると、ブロック330において、マッピングエンジン101は処置を開始する。マッピングエンジンは、患者125に対する医療処置を開始することができる。医療処置は、本明細書に記載される任意の処置、治療、及び/又はそれらの組み合わせであり得る。一実施例では、医療処置は、心臓120を検査/マッピングし、不整脈を治療するための心臓電気生理学的処置であり得る。
ブロック335において、マッピングエンジン101は情報を受信する。マッピングエンジンは、患者のセットアップ詳細、カテーテル情報、関心領域、及び医療処置に関する他の詳細など、患者の医療処置を開始することに関する情報を(ブロック330で)受信することができる。情報はまた、患者125の健康人口統計及び生体測定データを含むことができる。場合によっては、システム100は、医療処置を開始している間(及び行っている間)、1人又は2人以上のユーザによって着用された視線追跡装置を含み、この装置は情報を監視及び取得する。
ブロック360において、マッピングエンジン101は、1つ又は2つ以上のワークフローを予測する。マッピングエンジン101は、マッピングエンジン101のモデルを採用することによって、情報から、医療処置を実施する医師115(例えば、CAS、ユーザなど)のワークフロープリファレンスを予測することができる。場合によっては、マッピングエンジン1010は、医師115によって実施される次のイベントを予測する。
ブロック365において、マッピングエンジン101は、画像データ(例えば、医師115に特定のセットアップ及び設定)を出力する。1つ又は2つ以上の実施形態によれば、マッピングエンジン101は、ワークフロープリファレンスを使用して(ブロック360で)、システム100によって医師115に対して提示するための画像データとしての画像表示オプションを生成することができる。一般に、画像表示オプションは、医療処置中に1つ又は2つ以上のディスプレイ165を介して医師115(例えば、CAS、ユーザなど)に提示される。画像表示オプションは、ツールバー、タブ、又はインテリジェントツールバーなどの、その中に入力/出力要素を有するグラフィカル制御要素とすることができる。入力/出力要素は、ボタン及び/又はアイコンを含むことができる。画像表示オプションはまた、1つ又は2つ以上の画面、1つ若しくは2つ以上のポップアップウィンドウ、1つ若しくは2つ以上の可視化、1つ若しくは2つ以上のテンプレート、1つ若しくは2つ以上のプレゼンテーション、1つ若しくは2つ以上のメニュー、1つ若しくは2つ以上のマップ、又は1つ若しくは2つ以上のツールを含むことができる。
一実施例では、マッピングエンジン101は、関連する不整脈の種類、関連する医師のプリファレンス(ブロック360)、及び患者の人口統計及び潜在的な他のパラメータに基づいて、システム100のGUIを調整することができる(ブロック365)。更に、GUI(ブロック365)を介したマッピングエンジン101は、ワークフローをサポートすることができ、医師115によって直感的かつ好ましい方法で、ウィンドウを開閉すること、透過性を設定すること、マップを変更することなどによって医師115を支援することができる。また、マッピングエンジン101を使用して、以前に取得された医師の個人的プリファレンスに基づいて、ボタン及びオプションを提供するインテリジェントツールバーをシステム100に提供してもよい。
1つ又は2つ以上の実施形態によれば、医師の個人のプリファレンス(ブロック320で取得及び識別された)を予測として提供してもよい。例えば、不整脈処置中に、医師115(例えば、CAS、ユーザなど)がボタン(例えば、「双極マップへの切り替え」、「ポイント取得」、「フィルタ設定」など)をクリックするように準備するたびに、マッピングエンジン101は、このアクションを予測し、ボタンを予めハイライト及び/又はクリックすることができる。更に、マッピングエンジン101のRNN AI変換器に情報を保存/供給する場合、予測に関連するコンテキスト検出を適用することができる。RNN AI変換器は、入力データ部の重要性を差次的に重み付けする、アテンション機構を採用するディープラーニングモデルを含み得ることに留意されたい。この点に関して、「アブレーション開始」、「アブレーション終了」、「シミュレーション開始」、「刺激終了」、心周期長の変化、不整脈の変化などを、マッピングエンジン101によって予期及び予測することができる。例えば、開始された医療処置中、マッピングエンジンのRNN AI変換器はボタンのボタンクリックに従い、GUIのインテリジェントツールバーにアイテムを追加する。例えば、マッピングエンジン101は、サイクル長の変化後に医師が「新しいマップ」ボタンを押す確率が高いことを学習する可能性があり、これによりこのボタンをハイライト/提示/追加することができる。
1つ又は2つ以上の実施形態によれば、マッピングエンジン101は、画像表示オプション内に、医師115による選択の確率に基づいて次のイベントの入力/出力要素を生成することができる。入力/出力要素は、所定の数の次のユーザイベント、又は発生する確率が最も高いか若しくは所定の閾値を上回る確率を有する所定の数の次のハイブリッドイベントに対応することができる。
例えば不整脈治療中に医師115のボタンのクリック操作を追跡する代わりに、あるいはそれに加えて、視線追跡技術は、システム100のGUIの様々なウィンドウ、マップ、画面などの上への医師115の視線を追跡することができる。視線追跡技術を使用することにより、システム100が特定の心臓マップ上で何が重要かを理解することが可能となり得る。一旦システム100が観察され学習されると、マッピングエンジン101は、次のステップを自動的に提案/予測し、それに応じてGUIを調整することができる。例えば、医師115が左PVのアブレーションを完結する場合、システム100は、GUIのマップビューワを、右PVに対してより良好に最適化されたビューに調整することができる。全ての予測及び後続のユーザアクションは、他のユーザによって使用するためにシステム100内にアップロード/記憶されることができる。
方法300は、終了及び/又は反復し得ることに留意されたい。
図6は、1つ又は2つ以上の実施形態による、例示的なシステム(例えば、図1のシステム100)が利用される環境600の図を示す。説明を容易とし、簡潔にするため、図1の一部の要素及び項目を図6で再使用している点に留意されたい。
環境600は、手術室601及び制御室602を例示する。手術室601は、テーブル130上の患者125に対して医療処置を実施する医師115を含む。ディスプレイ165は、画像表示651及びインテリジェントツールバー652を提示する。医師115は、本明細書に記載されるような視線追跡装置などのデバイス653を着用することができる。制御室602は、ディスプレイ165への接続665を有するマッピングエンジン101を含むコンソール160を操作する技師660を含む。場合によっては、ディスプレイ165は、インテリジェントツールバー652を含む単純化されたタッチスクリーンであり得る。
一般的に、環境600は、そこに示されているシステム100の部分を通じて実装されるCARTO(登録商標)3 3Dマッピングシステムを含むことができる。このようなマッピングシステムは、患者の心構造のリアルタイム3次元(3D)マップ(例えば、画像表示651)を作成するために電磁技術を利用する高度な撮像技術を組み込んでいる。このようなシステムは、正確な3Dマップを生成するだけでなく、心調律状態(心不整脈)に罹患している患者125の診断及び治療手技中に心臓120内のカテーテル110の正確な位置及び向きを示すことにより、電気生理学者(例えば、医師115)が心臓120をナビゲートするのを助けるように設計される。治療用カテーテルアブレーション処置の間、医師115は、図1のカテーテル110を鼠径部内の小さな切開部を通して挿入し、次いで、そのカテーテル110は、脚部の血管を通って心臓120に進んで行く。一旦心臓120に到達すると、RFエネルギーが心臓壁の特定の領域に送達されて、小さな損傷又は瘢痕を生成して、心調律障害を引き起こす恐れがある不完全な電気インパルスを遮断する。
1つ又は2つ以上の実施形態によれば、医師115がコンソール160のキーボード、マウス、又は他の入力デバイスへのアクセスを有さなくてもよい。手術室601及び制御室602が、それぞれ医療処置(例えば、心臓マッピング及びアブレーション処置)が行われる滅菌側と半滅菌側とに分割され得るためである。技師660(例えば、CAS又は他のユーザ)は、コンソール160を介してシステム100を制御し、一方で、医師115にはインテリジェントツールバー652の予測されたボタンのみが提供される。これは一つの理由として、医師115が手袋を着用し、プローブ105を保持し、医療処置で忙しいためにコンソール160を使用できないためである。手術室601と制御室602との間に透明な窓が配置されてもよいことに留意されたい。
システム100によって生成される画像表示651は、医師115が図1のカテーテル110を、RFエネルギーを投与する必要がある心臓120内の領域に向けるのを助ける。1つ若しくは2つ以上の利点、技術的効果、及び/又は利益によれば、環境600の画像表示651及びインテリジェントツールバー652は、対処されるべき不整脈の種類、患者固有の健康人口統計、及び固有のプリファレンスに基づいて、医師115及び技師660に対して予測及び/又は好ましい選択肢をGUI内に容易に提示する。
図7は、1つ又は2つ以上の実施形態による、方法700のブロック図を示す。方法700は、マッピングエンジン101に関する環境600の例示的な動作を説明する。より具体的には、方法700の例示的な操作は、パーソナライズされたワークフローに基づいて、インテリジェントツールバー652及びコンソール160のためのパーソナライズGUIを提供する。
方法700は、訓練フェーズ701及び推測フェーズ702を含む。訓練フェーズ701は、マッピングエンジン101のML態様を作成するプロセスを指す。推論フェーズ702は、(AIを介して)ML態様を適用して予測を行うプロセスを指す。
プロセスフロー700の訓練フェーズ701は、ブロック705、710、及び715で始まり、それぞれでマッピングエンジン101は症例を受信し、データセットを生成し、本明細書に記載されるようなモデルを生成する。ブロック705、710、及び715の動作の一部は、パーソナライズされたワークフロー及びトリガされた症例情報アーカイビングを含むことができる。
従来の心臓マッピング及びアブレーションシステムでは、心臓アブレーション処置の詳細の全てが、この従来の心臓マッピング及びアブレーションシステムを備えたハードドライブ上に記録される。例えば、ハードドライブは外部記憶デバイスに接続され、外部記憶デバイスは、セットアップ時間及び医師がアブレーションを完了した後を含む処置全体の過程の間、心臓アブレーション処置の詳細をこの外部記憶デバイスにダウンロードする。このアプローチの欠点は、患者の転帰を改善しようとしている医師が全ての詳細に関心を示すかどうかに関係なく、これら全ての詳細が記録されていることである。例えば、患者のセットアップ又は心臓アブレーション処置の終了時のカテーテルの除去に関する詳細は、患者の転帰を改善しようとしている医師の関心事ではない場合がある。このアプローチによる別の欠点は、ダウンロードプロセスが進行中であり大量のデータを伴うため、心臓アブレーション処置の進行中にダウンロードプロセスを行うことは、従来の心臓マッピング及びアブレーションシステムのリソースに過度の負担を課す可能性があり、結果として心臓アブレーション処置中に遅延をもたらすことである。
訓練フェーズ701のブロック718において、システム100は、医療処置後などに、症例、データセット、及びモデルをメモリ(例えば、図1のメモリ162、外部ストレージサービスを介してアクセス可能なクラウドベースのデバイスなど)にアーカイブする。例えば、完成した各心臓マッピング及びアブレーション症例(例えば、完了した医療処置)の詳細をアーカイビングすることにより、処置効率、検査効率、及び患者の転帰を改善する助けとなる目的で、医師及び電気生理学ラボ管理者に症例及び症例データをレビュー、分析、及び共有する能力を与える。例えば、心臓アブレーション処置は、通常は完了までに3~6時間を要していたが、複雑な処置はより長くなり得る。多くの場合、処置の開始時、又は処置の過程中のいずれかにおいて、心臓処置が終了までにどのくらい長く要するかを予測することは困難である。医療処置は、一般に、技師600(及び看護師のような他の医療従事者)が患者125の準備を整える一方で、医師115は手術室601内に存在すらしなくてもよい、セットアップ時間を含むことに留意されたい。同様に、医師115が心臓アブレーション処置を完了した後、患者125から図1のカテーテル110を除去する技師600(及び看護師のような他の医療従事者)によって時間が費やされる。
訓練フェーズ701のブロック720において、マッピングエンジン101は、1つ又は2つ以上のワークフローを学習する。例えば、マッピングエンジンは、MLを介して、心臓マッピングシステムが、(1)心臓マッピング及びアブレーションを行う際の異なる医師の特定のプリファレンス、(2)患者の不整脈の固有の特性、及び(3)患者の個人的健康人口統計を含む以前の知識に基づいて医療処置のワークフローを学習することができる。このようにして、マッピングエンジン101は、医療処置の過程中にセットアップが発生したかどうか、及び/又はセットアップ工程中にデータをアーカイブするかどうかに関する判断を行うことができる。例えば、技師600(及び看護師のような他の医療従事者)が患者をセットアップしている場合、これは関心対象とならない場合があり、マッピングエンジン101はセットアップに関するデータをアーカイブしないことを判断し、これによりアーカイブ内に記憶されるデータ量を低減することができる。すなわち、処置のどの工程が関心対象であるか及びどの工程が関心対象でないかを知ることによって、アーカイブされるデータの量を低減することができる。
ブロック720の別の実施例として、マッピングエンジン101は、医療処置の終了が接近しているときを正確に決定することができ、その結果、処置アプローチの終了としてアーカイブプロセスを開始することができる。このようにして、システム100のリソースは、既に発生している医療処置のほとんどの間に空きとなり、重要なシステムリソースが処置の終了後のアーカイブに費やされない。
1つ又は2つ以上の実施形態によれば、ブロック720で、1つ又は2つ以上のワークフローの学習がマッピングエンジン101のRNNによって実施され得る。図8は、1つ又は2つ以上の実施形態による、RNN810の構造800を示す。
一般に、RNNは、特定の種類のMLである特定のタイプのニューラルネットワークである。LSTMニューラルネットワークは、RNNネットワークのサブタイプである。各入力に対する出力を与えることを学習するニューラルネットワークとの1つの区別として、RNNは無限長のシーケンスで次の要素を伝えることを学習する。例えば、学習フェーズ中、RNNは、以下のような入出力ペアをとる。
・the→president
・president→is
・is→in
・in→the
・the→white
・white→house
・the→president
・president→is
・is→in
・in→the
・the→white
・white→house
RNNはメモリを有し、したがって以前の全ての入力も考慮される。より詳細には、RNNは、以下に示すような入出力ペアをとる。
・メモリ+the→president
・メモリ+president→is
・メモリ+is→in
・メモリ+in→the
・メモリ+the→white
・メモリ+white→house
・メモリ+the→president
・メモリ+president→is
・メモリ+is→in
・メモリ+in→the
・メモリ+the→white
・メモリ+white→house
更に、RNNネットワークは、無限長のシーケンスで履歴の影響を記憶する。換言すれば、RNNのメモリは、配列中の全ての前の要素の影響を受ける。RNNが上記の文章のみを学習した場合、単語「the」を見るたびに、単語「president」又は「house」を追加することを提案するであろう。しかしながら、文章の自動完了の観点から、RNNは、新聞、書籍、ウィキペディア、ジャーナルなどから数百万の文章を学習し得る。RNNは、一旦十分に学習すると、次の単語を非常に正確に予測することができる。
また、RNNは、各々が信頼レベルを有する複数の「次の移動」を提案することができる。例えば、「The announcement is made in the white」という文の後、RNNは以下を提案し得る。
・House:97%
・Shirt:2%
・Bread:1%
・House:97%
・Shirt:2%
・Bread:1%
マッピングエンジン101は、最も高い信頼度レベル(例えば、一番から3つ)及び/又はいくつかの信頼閾値(例えば、50%超)を上回る数予測を示すことができる。具体的には、マッピングエンジン101は、インテリジェントツールバー652などを介して、GUI内にこの自動完了能力を提供することができる。
より具体的には、構造800に示されるように、様々なイベント(例えば、ユーザイベント、センサイベント、及びハイブリッドイベント)がRNN810への入力820として機能する。入力820はまた、特定の処置タイプ及び頻脈の状態を含むことができる。
ユーザイベントの例としては、(1)ユーザが、取得(ACQUIRE)ボタンをクリックした、(2)ユーザが、新しいマップ(NEW MAP)ボタンをクリックした、(3)ユーザが、追加のマップ(ADDITIONAL MAP)ウィンドウを隠す、(4)ユーザが、ポイントリスト(POINT LIST)を左に移動する、(5)ユーザが、REFカテーテルの色を「橙色(ORANGE)」に変更する、などが挙げられるが、これらに限定されない。
センサイベントの例としては、(1)アブレーション開始(ABLATION STARTED)イベントが検出された、(2)ペーシング開始(PACING STARTED)イベントが検出された、(3)100~149の間の心拍数(beats per minute、BPM)値が検出された、(4)150~199の間のBPM値が検出された、(5)200~249の間のBPM値が検出された、(6)BPMが最後の60秒で少なくとも25%増加したことが検出された、(7)BPMが最後の60秒で少なくとも25%減少したことが検出された、(8)ユーザ(医師)が追加のマップウィンドウ内を見ていることを視線追跡装置が検出する、(9)ユーザがポイントリストウィンドウ内を見ていることを視線追跡装置が検出する、などが挙げられるが、これらに限定されない。あるいは、いくつかのセンサイベントは、(1)アブレーションがオン(ABLATION IS ON)、(2)ペーシングがオン(PACING IS ON)、であり得る。1回のみトリガされる「アブレーション開始」イベント及び「アブレーション終了」イベントとは異なり、「アブレーションがオン」イベントは、アブレーションがオンにされている間はずっと連続的にトリガされることを言及することが重要である。
ハイブリッドイベントの例としては、センサから検出されたイベントが挙げられるが、これらに限定されない。ただし、医師が制御を有さないセンサイベント(例えば、血圧上昇が検出された)とは異なり、ハイブリッドイベントは医師によって再現されることができる。したがって、ハイブリッドイベントには、(1)PENTARAY(登録商標)カテーテルへの接続が検出された、(2)PICASSOカテーテルへの接続が検出された、などが挙げられるが、これらに限定されない。ハイブリッドイベントは、メッセージ又は動作、例えば、(1)「PENTARAY(登録商標)カテーテルの接続が検出された→PENTARAY(登録商標)カテーテルの接続を希望しますか?」、(2)Picassoカテーテルの接続が検出された→Picassoカテーテルの接続を希望しますか?」などと関連付けられてもよい。
全てのユーザイベント、センサイベント、及びハイブリッドイベントは、RNN810へのバイナリ入力820によって表され得る(イベントが検出された場合は「1」、任意の他の場合は「0」)。全てのユーザイベント及びハイブリッドイベント(センサイベントではない)は、RNN 810への出力830であり得る。
より具体的には、構造800に示されるように、RNNネットワークの出力830は、任意の振幅の正又は負の実数である。各出力の確率を取得するために、出力830は、ソフトマックス関数を介して正規化することができる。ソフトマックス関数の適用後、全ての出力の合計は常に100%に等しくなる。ソフトマックス関数は、全ての出力の確率を0~100%の間の数として示す。ソフトマックス関数は、式1として定義される。
このように、訓練フェーズ701の間、全てのイベントがRNN801に供給される。RNN801は、イベントのシーケンスを学習する。更に、マッピングエンジン101は、(ブロック705から)多数の心臓マッピング及びアブレーション症例を分析し、その結果、イベントのシーケンスとして、入出力ペアがRNN810に供給され得る。学習は、病院毎、医師115毎(例えば、現場の医師毎、地域内の医師毎、国内の医師毎、機器毎など)、及び/又は手術室601毎に実行されてもよい。学習が世界的に実行される場合、この学習はクラウド内で、又はシステム100の製造業者の構内で実行することができる。学習が病院毎、医師115毎、及び/又は手術室601毎に実施される場合、学習は、(環境600内の)構内に位置するサーバ上で実施することができる。事前訓練されたネットワークがデフォルトRNNとして提供され得る。この事前訓練されたネットワークは、ローカルな症例で更に訓練され得る。事前訓練されたネットワークを提供することは、本明細書のシステム100の有利となることに留意されたい。すなわち、システム100の製造業者は、RNNをゼロから訓練するのに十分な症例を収集する可能性が高い。また、単一の病院ではRNNをゼロから訓練するのに十分な症例を有さない場合があるが、病院はシステム100の製造業者によって事前訓練されたデフォルトのRNNで開始して、このネットワークをローカルな症例で更にカスタマイズすることができる。
プロセスフロー700の推論フェーズ702は、ブロック730及び735において、マッピングエンジン101が処置(例えば、医療処置)を開始し、本明細書に記載されるように、情報(例えば、生体測定データ、健康データ、ユーザプリファレンスデータ)を受信する。更に、プロセスフロー700の推論フェーズ702は、マッピングエンジン101が活動を検出しワークフローを予測する、ブロック745及び760を含む。
一般に、推論フェーズ702では、処置の全てのイベント(ブロック730)がRNN810に連続的に供給される。つまり、RNN810は、一旦訓練フェーズ701において十分に学習すると、ユーザ又はハイブリッドイベントを予測することができる。したがって、情報(ブロック735)及び検出された活動(745)を使用して、RNN810には、医師115が実施するイベント又はセンサが検出する全てのイベントが与えられ得る。RNN810は次いで、医師115の「起こり得る次の動き」を推測する。「起こり得る次の動き」は、インテリジェントツールバー652に追加されてもよい。RNNはまた、各次のイベント又は移動の確率を計算することができる。マッピングエンジン101及び/又はシステム100は、一番高い確率を有する所定の数の起こり得る次のイベント、及び/又は所定の閾値を上回る確率を有する起こり得る次のイベントを表示することができる(例えば、ブロック765で画像データを出力する)。マッピングエンジン101及び/又はシステム100は、更なる訓練のために提供され得るブロック770において、ユーザフィードバックを検出することができる。
一実施例では、1つ又は2つ以上の実施形態によれば、システム100の自動化は、図7のブロック745でイベントを検出するために図6のデバイス653を利用することができる。すなわち、デバイス653の視線追跡は、システム100が、医師115が見ている場所を知ることができる(例えば、片目又は両目の視線挙動を追跡する)ことを可能にするセンサ技術である。更に、デバイス653の視線追跡は、視線が動きを停止し、医師115が見ているものを処理するのに十分な長さだけ視線が留まる領域である、特別な関心又は「凝視」のポイントなど、医師115の存在、注意、及び焦点を検出することができる。一実施例では、デバイス653の視線追跡は、埋め込まれた鏡又は磁界センサを有する特別なコンタクトレンズなどの眼へのアタッチメント用に配置することができ、アタッチメントの動きは、眼が回転する際に顕著に滑らないという仮定で測定される。別の実施例では、デバイス653の視線追跡は、ウェアラブル眼鏡に組み込まれてもよい。したがって、デバイス653の視線追跡は、医師115によって着用され、医師の情報探索挙動を捕捉するために使用することができ、これにより、従来の心臓マッピング及びアブレーションシステムに以前は利用できなかった更なる情報層を提供することができる。医師115は、ディスプレイ165上の医師の視線を追跡するための視線追跡アイウェアを装備することができる。例えば、本明細書で論じられるPV隔離手順に関連して、視線追跡能力を提供することによって、システム100は、医療処置を行う医師115の視線挙動を追跡することができる。例えば、医師115が心臓マッピングを実施しておりアブレーションの位置を決定する場合、視線追跡は、システム100に対し、アブレーションのための標的位置に到達する際の医師の思考プロセスにおける何らかの洞察、例えば、医師115が心臓120内の他の標的位置をアブレーションのためと見なすかどうか、及びこれらの位置をアブレーションのための位置として決定する前に、これらの位置が考慮され拒絶された理由など、を提供することができる。
別の実施例として、肺静脈(PV)隔離は、心律動の問題を引き起こす心臓120内の異常な電気信号を停止するために使用される処置である。医療処置の下、心臓120の両側の肺静脈の周囲に複数の損傷部を形成することができる。医師115が左肺室のアブレーションを終了すると、システム100は、右肺室のためにより最適化されたビューに、マップビューワを調整することができる。
別の実施例の下、医師115は、いくつかの病変を見て、どの病変が不完全であるかを決定することができる。視線追跡技術を利用することによって、システム100は、医師115によって複数の病変が考慮されていると判定することができ、その基準で、どの病変が不完全であるかを決定する際に医師が使用するために、過去に他の医師によって作成された病変の例の形で、医師115にガイダンスを提供することができる。このようにして、医師115は、心臓120内のこの特定の場所に完全な病変を形成する際に、同様の問題と直面する他の医師の思考プロセスの利益を得ることができる。
1つ又は2つ以上の実施形態によれば、図6のインテリジェントツールバー652(又は同様のGUI構造内)は、様々なボタン、アイコンなどを有するシステム100の態様への迅速なアクセスを提供する。一部の場合には、インテリジェントツールバー652は空であってもよい。更に、医師115がボタン(例えば、「双極マップへの切り替え」、「ポイント取得」、「フィルタ設定」など)をクリックするたびに、この情報がRNN810に供給される。また、「アブレーション開始」、「アブレーション終了」、「刺激開始」、「刺激終了」、心周期長の変化、不整脈の変化などのコンテキストイベントがRNN810に供給される。あるいは、この情報は、遡及的に収集されることができる。実行時に、RNN810はボタンのクリックを辿り、それに応じてアイテムをインテリジェントツールバー652に追加する。例えば、RNN810は、サイクル長の変化後に医師が「新しいマップ」ボタンを押す確率が高いことを学習してもよい。
1つ又は2つ以上の実施形態によれば、図6のインテリジェントツールバー652(又は同様のGUI構造内)は、マッピングエンジン101が、医師115がタイピングしているものを予測する自動完了機能及び/又はワード完了機能を提供する。医師115は、典型的には、提案の承諾を示すことができる。自動完了は、テキスト入力フィールドに数個の文字のみがタイプされた後にユーザが入力することを意図した単語を正確に予測すると、人間-コンピュータ対話を高速化する。
1つ又は2つ以上の実施形態によれば、図6のインテリジェントツールバー652(又は同様のGUI構造内)は、ボタン、メッセージ、又は提案を表示することができる。
例えば、図6のインテリジェントツールバー652(又は同様のGUI構造内)は、最初の3つの動きなどの第1のN個の「起こり得る次の動き」を表示することができる。及び/又は、「起こり得る次の動き」は、50%の信頼などの特定の信頼閾値に基づいて追加され得る。訓練フェーズ701は、イベントが発生したときにはそのイベントが1を受信し、イベントが発生しなかったときにはそのイベントが0を受信するように、確率を計算するための基礎値を提供することができることに留意されたい。したがって、推論フェーズ702では、予測は、これらの値として信頼性を有する訓練に基づいて生成することができる。全ての新しい症例が、訓練のための新しい入力セットであることに留意されたい。
更に、起こり得る次の動きがユーザイベントである場合、このユーザイベントは、インテリジェントツールバー652内のボタンとして表示することができる(例えば、このボタンは、アウトライン又は別のマーカなどを用いて、より見え易い場所に配置される)。例えば、「ユーザが追加のマップウィンドウを隠している」イベントは、インテリジェントツールバー652内に「追加の地図ウィンドウを隠す」ボタンを表示することをトリガすることができる。「ユーザがREFカテーテルの色を橙色に変更した」は、インテリジェントツールバー652内に「REFカテーテルを橙色にする」ボタンを表示することをトリガすることができる。
更に、起こり得る次の動きがハイブリッドイベントである場合、対応するメッセージが医師115に表示されてもよい。例えば、「PENTARAY(登録商標)接続が検出された」イベントは、「今すぐPENTARAY(登録商標)カテーテルを接続したいか?」メッセージをトリガすることができる。
1つ又は2つ以上の例示的実施形態によれば、図6の環境600は、少なくとも以下のイベントを含むことができる。
E1=ユーザが追加のマップウィンドウを見ていることを視線追跡装置が検出した
E2=ユーザが取得ボタンを押下した
E3=患者の酸素飽和度(SpO2)が90~95%である。
E1=ユーザが追加のマップウィンドウを見ていることを視線追跡装置が検出した
E2=ユーザが取得ボタンを押下した
E3=患者の酸素飽和度(SpO2)が90~95%である。
E4=ユーザがポイントリストを隠した
E5=ユーザがPENTARAY(登録商標)カテーテルから来るECGの色を緑色に変更した
E6=ユーザが新しいマップボタンを押圧した
E7=医師がアブレーションを開始した
E8=患者の血圧が100mmHg未満に低下した。
E5=ユーザがPENTARAY(登録商標)カテーテルから来るECGの色を緑色に変更した
E6=ユーザが新しいマップボタンを押圧した
E7=医師がアブレーションを開始した
E8=患者の血圧が100mmHg未満に低下した。
したがって、図8のRNN810は、イベントがユーザイベント、センサイベント、又はハイブリッドイベントであるかどうかにかかわらず、次のイベントを予測することを学習する。例えば、配列がE1、E6、E3、E4、E4、E1、E6である場合、RNN810は、「次のイベントはおそらくE2である」と予測してもよい。場合によっては、RNN810は、ユーザイベント、センサイベント、及びハイブリッドイベント間の区別を行うことができる。ユーザイベントの場合、RNN810が次のイベントを「ユーザはおそらく特定のボタンを押圧するであろう」と考える場合、設計決定として、マッピングエンジン101がこのボタンをインテリジェントツールバー652に追加するようにプログラムされることにより、ユーザがこのボタンを見つけるのをより容易にすることができる。
センサイベントの場合、RNNが次のイベントを「医師はおそらくアブレーションを開始するであろう」と考える場合、マッピングエンジン101によって、この予測には何も行わないとする設計決定が行われ得る。マッピングエンジン101が、医師115がアブレーションを開始したことを感知する場合、この情報は一連のイベントの一部であるため、入力820としてRNN810に供給され得る。アルゴリズムの一部として、RNN810は実施される一連のイベント内の工程を無視することはできない。更に、RNN810が「医師はおそらくアブレーションを開始するであろう」ことを予測する場合、動作は必要とされない。場合によっては、インテリジェントツールバー652にボタン、メッセージ、及び/又は質問を追加する必要はない。RNN810が次のイベントを「医師はおそらくアブレーションを開始するであろう」と予測する場合、ナイーブ型実施形態では、この予測は無視され得る。しかしながら、より高度な実施形態では、マッピングエンジン101は、RNN810が第1の場所でこのイベントを予測するのを回避することさえ可能である。RNN810は、(図8に示すように)このイベントが入力820の一部としてシーケンスに影響を及ぼすが、出力830の一部ではないように構築されることができる。ナイーブ型実施形態では、RNN810は、マッピングエンジン101が無視することができるセンサイベントを予測してもよい(この予測には何も行わない)。別の実施形態では、RNN810は、センサイベントが出力830ピンの一部ではないように構築することができる。
ハイブリッドイベントの場合、RNN810が、最も起こり得る次のイベントを「医師が追加のマップウィンドウを見るであろうことを視線追跡装置が検出するであろう」と予測する場合、マッピングエンジン101は、インテリジェントツールバー652にボタンを追加して追加のマップウィンドウを最大化することができる。RNN810が、最も起こり得る次のイベントを「医師がPENTARAY(登録商標)カテーテルを接続するであろう」と予測する場合、マッピングエンジン101は、「PENTARAYカテーテルの接続を検討して下さい」を示すメッセージを発行するようにプログラムされることができる。RNN810が、最も起こり得る次のイベントを「血圧が100mmHg未満に低下するであろう」と予測する場合、マッピングエンジン101は、「患者の血圧を厳重に監視して下さい」を示すメッセージを発行するようにプログラムされることができる。「血圧が低下した」及び「血圧が低下するであろう」などのイベントは同じイベントであるが、1つは入力820として過去形で述べられており、1つは予測(出力830)として未来形で述べられていることに留意されたい。換言すれば、同じイベント(上記のE8)が、RNN810によって感知され820で入力されるときは過去形で、及びRNN810によって予測されるか又は830で出力されるときは未来形で述べられる。
また、イベントE8がセンサイベントとして定義される場合、RNN810が「次のイベントはおそらくE8であろう」と予測すると、マッピングエンジン101は、この予測を(センサイベントで行われるものであるため定義により)無視することができる。しかしながら、センサイベントとは異なり、ハイブリッドイベントは無視されない。マッピングエンジン101は、メッセージを表示する、又は特定のボタンをインテリジェントツールバー652に追加する、又はボタンをハイライトする、又は質問する、などのいずれかを行う。
図中の流れ図及びブロック図は、本発明の様々な実施形態によるシステム、方法及びコンピュータプログラム製品の考えられる実現形態の構造、機能性、及び動作を示すものである。この点に関して、流れ図又はブロック図における各ブロックは、示された論理機能を実施するための1つ又は2つ以上の実行可能な命令を含むモジュール、セグメント、又は命令の部分を表し得るものである。いくつかの別の実施において、ブロックに示される機能は、図に示される順序以外の順序で行われてもよい。例えば、連続して示す2つのブロックは、実際に、実質的に同時に実行されてもよく、あるいはそれらのブロックは、時には、関連する機能性に応じて、逆の順序で実行されてもよい。また留意されたい点として、ブロック図及び/又は流れ図の各ブロック、並びにブロック図及び/又は流れ図のブロックの組み合わせは、特定の機能又は動作を実行する専用のハードウェアベースシステムによって実施されてもよく、あるいは、専用のハードウェアとコンピュータ命令との組み合わせを動作させるか又は実行することもできる。
特徴及び要素が特定の組み合わせで上に記載されるが、当業者であれば、特徴又は要素の各々を単独で又は他の特徴及び要素と組み合わせて使用することができることを理解するであろう。加えて、本明細書に記載される方法は、コンピュータ又はプロセッサで実行するために、コンピュータ可読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得る。本明細書で使用するコンピュータ可読媒体とは、電波又は他の自由に伝搬する電磁波、導波管若しくは他の伝送媒体を通って伝搬する電磁波(例えば、光ファイバーケーブルを通過する光パルス)、又は動線を通って伝送される電気信号などの、それ自体が一過性の信号であるものとして解釈されるべきではない。
コンピュータ可読媒体の例としては、電気信号(有線又は無線接続を介して送信される)及びコンピュータ可読記憶媒体が挙げられる。コンピュータ可読記憶媒体の例としては、これらに限定されるものではないが、レジスタ、キャッシュメモリ、半導体メモリデバイス、内部ハードディスク及びリムーバブルディスクなどの磁気媒体、光磁気媒体、コンパクトディスク(CD)及びデジタル多用途ディスク(DVD)などの光学媒体、ランダムアクセスメモリ(RAM)、読み出し専用メモリ(ROM)、消去可能プログラマブル読み出し専用メモリ(EPROM又はフラッシュメモリ)、スタティックランダムアクセスメモリ(SRAM)、及びメモリスティックなどが挙げられる。プロセッサをソフトウェアと共に使用して、端末、基地局、又は任意のホストコンピュータで使用するためのRF送受信機を実装することができる。
本明細書で使用される用語は、あくまで特定の実施形態を説明する目的のものに過ぎず、限定を目的としたものではない。本明細書で使用するとき、文脈上特に明記されない限り、単数形「a」、「an」及び「the」は複数の形態をも含むものとする。用語「備える(comprise)」及び/又は「備えている(comprising)」は、本明細書で用いられる場合、記載された特徴、整数、工程、動作、要素、及び/又は構成部品の存在を示すものであるが、1つ又は2つ以上の他の特徴、整数、工程、動作、要素、構成要素及び/又はそれらの群の存在を除外するものではない点を理解されたい。
本明細書の異なる実施形態の説明は例示の目的で示されたものであるが、網羅的であることも開示される実施形態に限定されることも意図していない。多くの改変及び変形が、記載される実施形態の範囲及び趣旨から逸脱することなく、当業者には明らかとなろう。本明細書で使用される用語は、実施形態の原理、実用的な用途、又は市場に見られる技術と比較した技術的改良点を最も良く説明するため、又は当業者による本明細書に開示される実施形態の理解を可能とするために選択されたものである。
〔実施の態様〕
(1) システムであって、
マッピングエンジンのプロセッサ実行可能プログラム命令を記憶するように構成されたメモリと、
少なくとも1つのプロセッサであって、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
患者の医療処置を開始することに関する情報を受信することであって、前記情報が、前記患者の健康人口統計及び生体測定データを含む、受信することと、
前記マッピングエンジンのモデルを採用することによって、前記情報から、前記医療処置を実施する1人又は2人以上のユーザのワークフロープリファレンスを予測することと、
前記ワークフロープリファレンスを使用して、前記システムによる提示のために、前記1人又は2人以上のユーザに対して画像表示オプションを生成することと、を行わせるように構成されたプロセッサと、を備える、システム。
(2) 前記画像表示オプションが、前記医療処置中に1つ又は2つ以上のディスプレイを介して前記1人又は2人以上のユーザに提示され、前記画像表示オプションのうちの少なくとも1つが、インテリジェントツールバーを含む、実施態様1に記載のシステム。
(3) 前記システムが、前記医療処置を行っている間に前記1人又は2人以上のユーザのうちの第1のユーザによって着用される視線追跡装置を備え、前記視線追跡装置が、前記第1のユーザの現在のワークフロープリファレンスを監視及び取得する、実施態様1に記載のシステム。
(4) 前記少なくとも1つのプロセッサが、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
前記医療処置の完了の予測時間に先立ち、前記医療処置に関する前記情報の記憶デバイスへの記憶を開始させ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。
(5) 前記生体測定データが、前記患者の1つ又は2つ以上の不整脈の固有の生理学的特性を含む、実施態様1に記載のシステム。
(1) システムであって、
マッピングエンジンのプロセッサ実行可能プログラム命令を記憶するように構成されたメモリと、
少なくとも1つのプロセッサであって、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
患者の医療処置を開始することに関する情報を受信することであって、前記情報が、前記患者の健康人口統計及び生体測定データを含む、受信することと、
前記マッピングエンジンのモデルを採用することによって、前記情報から、前記医療処置を実施する1人又は2人以上のユーザのワークフロープリファレンスを予測することと、
前記ワークフロープリファレンスを使用して、前記システムによる提示のために、前記1人又は2人以上のユーザに対して画像表示オプションを生成することと、を行わせるように構成されたプロセッサと、を備える、システム。
(2) 前記画像表示オプションが、前記医療処置中に1つ又は2つ以上のディスプレイを介して前記1人又は2人以上のユーザに提示され、前記画像表示オプションのうちの少なくとも1つが、インテリジェントツールバーを含む、実施態様1に記載のシステム。
(3) 前記システムが、前記医療処置を行っている間に前記1人又は2人以上のユーザのうちの第1のユーザによって着用される視線追跡装置を備え、前記視線追跡装置が、前記第1のユーザの現在のワークフロープリファレンスを監視及び取得する、実施態様1に記載のシステム。
(4) 前記少なくとも1つのプロセッサが、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
前記医療処置の完了の予測時間に先立ち、前記医療処置に関する前記情報の記憶デバイスへの記憶を開始させ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。
(5) 前記生体測定データが、前記患者の1つ又は2つ以上の不整脈の固有の生理学的特性を含む、実施態様1に記載のシステム。
(6) 前記マッピングエンジンの前記モデルが、回帰型ニューラルネットワークを使用した訓練されたディープラーニングアーキテクチャを含む、実施態様1に記載のシステム。
(7) 前記マッピングエンジンの前記モデルが、複数の以前の心臓電気生理学的症例の分析に基づいて訓練される、実施態様1に記載のシステム。
(8) 前記少なくとも1つのプロセッサが、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
複数の患者に対する過去の医療処置に関する履歴データを受信することであって、前記履歴データが、前記過去の医療処置を実施する複数のユーザのワークフロープリファレンス、前記複数の患者の生体測定データ、及び前記複数の患者の健康人口統計を含む、受信することと、
前記履歴データを使用して、前記モデルを生成し、前記モデルにより訓練することと、を行わせ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。
(9) 前記少なくとも1つのプロセッサが、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
前記患者に前記医療処置を行う前記1人又は2人以上のユーザによって実施される、次のイベントを予測させ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。
(10) 前記少なくとも1つのプロセッサが、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
前記次のイベントの確率を予測することと、
前記画像表示オプション内に、前記ユーザによる選択のために、前記確率に基づいて前記次のイベントのための入力/出力要素を生成することと、を行わせるように更に構成された、実施態様9に記載のシステム。
(7) 前記マッピングエンジンの前記モデルが、複数の以前の心臓電気生理学的症例の分析に基づいて訓練される、実施態様1に記載のシステム。
(8) 前記少なくとも1つのプロセッサが、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
複数の患者に対する過去の医療処置に関する履歴データを受信することであって、前記履歴データが、前記過去の医療処置を実施する複数のユーザのワークフロープリファレンス、前記複数の患者の生体測定データ、及び前記複数の患者の健康人口統計を含む、受信することと、
前記履歴データを使用して、前記モデルを生成し、前記モデルにより訓練することと、を行わせ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。
(9) 前記少なくとも1つのプロセッサが、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
前記患者に前記医療処置を行う前記1人又は2人以上のユーザによって実施される、次のイベントを予測させ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。
(10) 前記少なくとも1つのプロセッサが、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
前記次のイベントの確率を予測することと、
前記画像表示オプション内に、前記ユーザによる選択のために、前記確率に基づいて前記次のイベントのための入力/出力要素を生成することと、を行わせるように更に構成された、実施態様9に記載のシステム。
(11) 方法であって、
少なくとも1つのプロセッサによって実行されるマッピングエンジンによって、患者の医療処置を開始することに関する情報を受信することであって、前記情報が、前記患者の健康人口統計及び生体測定データを含む、受信することと、
前記マッピングエンジンによって、前記マッピングエンジンのモデルを採用することによって、前記情報から、前記医療処置を実施する1人又は2人以上のユーザのワークフロープリファレンスを予測することと、
前記マッピングエンジンによって、前記ワークフロープリファレンスを使用して、前記システムによる提示のために、前記1人又は2人以上のユーザに対して画像表示オプションを生成することと、を含む、方法。
(12) 前記画像表示オプションが、前記医療処置中に1つ又は2つ以上のディスプレイを介して前記1人又は2人以上のユーザに提示され、前記画像表示オプションのうちの少なくとも1つが、インテリジェントツールバーを含む、実施態様11に記載の方法。
(13) 視線追跡装置が、前記1人又は2人以上のユーザのうちの第1のユーザの現在のワークフロープリファレンスを監視及び取得し、前記第1のユーザが、前記医療処置を行う間に前記視線追跡装置を着用する、実施態様11に記載の方法。
(14) 前記方法が、
前記医療処置の完了の予測時間に先立ち、前記医療処置に関する前記情報の記憶デバイスへの記憶を開始することを含む、実施態様11に記載の方法。
(15) 前記生体測定データが、前記患者の1つ又は2つ以上の不整脈の固有の生理学的特性を含む、実施態様11に記載の方法。
少なくとも1つのプロセッサによって実行されるマッピングエンジンによって、患者の医療処置を開始することに関する情報を受信することであって、前記情報が、前記患者の健康人口統計及び生体測定データを含む、受信することと、
前記マッピングエンジンによって、前記マッピングエンジンのモデルを採用することによって、前記情報から、前記医療処置を実施する1人又は2人以上のユーザのワークフロープリファレンスを予測することと、
前記マッピングエンジンによって、前記ワークフロープリファレンスを使用して、前記システムによる提示のために、前記1人又は2人以上のユーザに対して画像表示オプションを生成することと、を含む、方法。
(12) 前記画像表示オプションが、前記医療処置中に1つ又は2つ以上のディスプレイを介して前記1人又は2人以上のユーザに提示され、前記画像表示オプションのうちの少なくとも1つが、インテリジェントツールバーを含む、実施態様11に記載の方法。
(13) 視線追跡装置が、前記1人又は2人以上のユーザのうちの第1のユーザの現在のワークフロープリファレンスを監視及び取得し、前記第1のユーザが、前記医療処置を行う間に前記視線追跡装置を着用する、実施態様11に記載の方法。
(14) 前記方法が、
前記医療処置の完了の予測時間に先立ち、前記医療処置に関する前記情報の記憶デバイスへの記憶を開始することを含む、実施態様11に記載の方法。
(15) 前記生体測定データが、前記患者の1つ又は2つ以上の不整脈の固有の生理学的特性を含む、実施態様11に記載の方法。
(16) 前記マッピングエンジンの前記モデルが、回帰型ニューラルネットワークを使用した訓練されたディープラーニングアーキテクチャを含む、実施態様11に記載の方法。
(17) 前記マッピングエンジンの前記モデルが、複数の以前の心臓電気生理学的症例の分析に基づいて訓練される、実施態様11に記載の方法。
(18) 前記方法が、
複数の患者に対する過去の医療処置に関する履歴データを受信することであって、前記履歴データが、前記過去の医療処置を実施する複数のユーザのワークフロープリファレンス、前記複数の患者の生体測定データ、及び前記複数の患者の健康人口統計を含む、受信することと、
前記履歴データを使用して、前記モデルを生成し、前記モデルにより訓練することと、を含む、実施態様11に記載の方法。
(19) 前記方法が、
前記患者に前記医療処置を行う前記1人又は2人以上のユーザによって実施される、次のイベントを予測することを含む、実施態様11に記載の方法。
(20) 前記方法が、
前記次のイベントの確率を予測することと、
前記画像表示オプション内に、前記ユーザによる選択のために、前記確率に基づいて前記次のイベントのための入力/出力要素を生成することと、を含む、実施態様19に記載の方法。
(17) 前記マッピングエンジンの前記モデルが、複数の以前の心臓電気生理学的症例の分析に基づいて訓練される、実施態様11に記載の方法。
(18) 前記方法が、
複数の患者に対する過去の医療処置に関する履歴データを受信することであって、前記履歴データが、前記過去の医療処置を実施する複数のユーザのワークフロープリファレンス、前記複数の患者の生体測定データ、及び前記複数の患者の健康人口統計を含む、受信することと、
前記履歴データを使用して、前記モデルを生成し、前記モデルにより訓練することと、を含む、実施態様11に記載の方法。
(19) 前記方法が、
前記患者に前記医療処置を行う前記1人又は2人以上のユーザによって実施される、次のイベントを予測することを含む、実施態様11に記載の方法。
(20) 前記方法が、
前記次のイベントの確率を予測することと、
前記画像表示オプション内に、前記ユーザによる選択のために、前記確率に基づいて前記次のイベントのための入力/出力要素を生成することと、を含む、実施態様19に記載の方法。
Claims (20)
- システムであって、
マッピングエンジンのプロセッサ実行可能プログラム命令を記憶するように構成されたメモリと、
少なくとも1つのプロセッサであって、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
患者の医療処置を開始することに関する情報を受信することであって、前記情報が、前記患者の健康人口統計及び生体測定データを含む、受信することと、
前記マッピングエンジンのモデルを採用することによって、前記情報から、前記医療処置を実施する1人又は2人以上のユーザのワークフロープリファレンスを予測することと、
前記ワークフロープリファレンスを使用して、前記システムによる提示のために、前記1人又は2人以上のユーザに対して画像表示オプションを生成することと、を行わせるように構成されたプロセッサと、を備える、システム。 - 前記画像表示オプションが、前記医療処置中に1つ又は2つ以上のディスプレイを介して前記1人又は2人以上のユーザに提示され、前記画像表示オプションのうちの少なくとも1つが、インテリジェントツールバーを含む、請求項1に記載のシステム。
- 前記システムが、前記医療処置を行っている間に前記1人又は2人以上のユーザのうちの第1のユーザによって着用される視線追跡装置を備え、前記視線追跡装置が、前記第1のユーザの現在のワークフロープリファレンスを監視及び取得する、請求項1に記載のシステム。
- 前記少なくとも1つのプロセッサが、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
前記医療処置の完了の予測時間に先立ち、前記医療処置に関する前記情報の記憶デバイスへの記憶を開始させ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。 - 前記生体測定データが、前記患者の1つ又は2つ以上の不整脈の固有の生理学的特性を含む、請求項1に記載のシステム。
- 前記マッピングエンジンの前記モデルが、回帰型ニューラルネットワークを使用した訓練されたディープラーニングアーキテクチャを含む、請求項1に記載のシステム。
- 前記マッピングエンジンの前記モデルが、複数の以前の心臓電気生理学的症例の分析に基づいて訓練される、請求項1に記載のシステム。
- 前記少なくとも1つのプロセッサが、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
複数の患者に対する過去の医療処置に関する履歴データを受信することであって、前記履歴データが、前記過去の医療処置を実施する複数のユーザのワークフロープリファレンス、前記複数の患者の生体測定データ、及び前記複数の患者の健康人口統計を含む、受信することと、
前記履歴データを使用して、前記モデルを生成し、前記モデルにより訓練することと、を行わせ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。 - 前記少なくとも1つのプロセッサが、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
前記患者に前記医療処置を行う前記1人又は2人以上のユーザによって実施される、次のイベントを予測させ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。 - 前記少なくとも1つのプロセッサが、前記マッピングエンジンの前記プログラム命令を実行して、前記システムに、
前記次のイベントの確率を予測することと、
前記画像表示オプション内に、前記ユーザによる選択のために、前記確率に基づいて前記次のイベントのための入力/出力要素を生成することと、を行わせるように更に構成された、請求項9に記載のシステム。 - 方法であって、
少なくとも1つのプロセッサによって実行されるマッピングエンジンによって、患者の医療処置を開始することに関する情報を受信することであって、前記情報が、前記患者の健康人口統計及び生体測定データを含む、受信することと、
前記マッピングエンジンによって、前記マッピングエンジンのモデルを採用することによって、前記情報から、前記医療処置を実施する1人又は2人以上のユーザのワークフロープリファレンスを予測することと、
前記マッピングエンジンによって、前記ワークフロープリファレンスを使用して、前記システムによる提示のために、前記1人又は2人以上のユーザに対して画像表示オプションを生成することと、を含む、方法。 - 前記画像表示オプションが、前記医療処置中に1つ又は2つ以上のディスプレイを介して前記1人又は2人以上のユーザに提示され、前記画像表示オプションのうちの少なくとも1つが、インテリジェントツールバーを含む、請求項11に記載の方法。
- 視線追跡装置が、前記1人又は2人以上のユーザのうちの第1のユーザの現在のワークフロープリファレンスを監視及び取得し、前記第1のユーザが、前記医療処置を行う間に前記視線追跡装置を着用する、請求項11に記載の方法。
- 前記方法が、
前記医療処置の完了の予測時間に先立ち、前記医療処置に関する前記情報の記憶デバイスへの記憶を開始することを含む、請求項11に記載の方法。 - 前記生体測定データが、前記患者の1つ又は2つ以上の不整脈の固有の生理学的特性を含む、請求項11に記載の方法。
- 前記マッピングエンジンの前記モデルが、回帰型ニューラルネットワークを使用した訓練されたディープラーニングアーキテクチャを含む、請求項11に記載の方法。
- 前記マッピングエンジンの前記モデルが、複数の以前の心臓電気生理学的症例の分析に基づいて訓練される、請求項11に記載の方法。
- 前記方法が、
複数の患者に対する過去の医療処置に関する履歴データを受信することであって、前記履歴データが、前記過去の医療処置を実施する複数のユーザのワークフロープリファレンス、前記複数の患者の生体測定データ、及び前記複数の患者の健康人口統計を含む、受信することと、
前記履歴データを使用して、前記モデルを生成し、前記モデルにより訓練することと、を含む、請求項11に記載の方法。 - 前記方法が、
前記患者に前記医療処置を行う前記1人又は2人以上のユーザによって実施される、次のイベントを予測することを含む、請求項11に記載の方法。 - 前記方法が、
前記次のイベントの確率を予測することと、
前記画像表示オプション内に、前記ユーザによる選択のために、前記確率に基づいて前記次のイベントのための入力/出力要素を生成することと、を含む、請求項19に記載の方法。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063062063P | 2020-08-06 | 2020-08-06 | |
US63/062,063 | 2020-08-06 | ||
US17/443,774 | 2021-07-27 | ||
US17/443,774 US20220039882A1 (en) | 2020-08-06 | 2021-07-27 | Use of machine learning to improve workflow during mapping and treatment of cardiac arrhythmias |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022031228A true JP2022031228A (ja) | 2022-02-18 |
Family
ID=77226643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021128870A Pending JP2022031228A (ja) | 2020-08-06 | 2021-08-05 | 心不整脈のマッピング及び治療中のワークフローを改善するための機械学習の使用 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220039882A1 (ja) |
EP (1) | EP3951789A1 (ja) |
JP (1) | JP2022031228A (ja) |
CN (1) | CN114078574A (ja) |
IL (1) | IL285290A (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220068479A1 (en) * | 2020-08-26 | 2022-03-03 | Biosense Webster (Israel) Ltd. | Separating abnormal heart activities into different classes |
US20240065801A1 (en) * | 2022-08-25 | 2024-02-29 | Biosense Webster (Israel) Ltd. | Dedicated form for use with corresponding electroanatomical maps |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10541048B2 (en) * | 2010-02-18 | 2020-01-21 | Siemens Healthcare Gmbh | System for monitoring and visualizing a patient treatment process |
JP2014533860A (ja) * | 2011-11-17 | 2014-12-15 | ザ クリーブランド クリニック ファウンデーションThe Cleveland ClinicFoundation | 患者の縦断的なエピソードを管理するためのグラフィックツール |
US11977998B2 (en) * | 2014-05-15 | 2024-05-07 | Storz Endoskop Produktions Gmbh | Surgical workflow support system |
WO2018134143A1 (en) * | 2017-01-17 | 2018-07-26 | Koninklijke Philips N.V. | Augmented reality for predictive workflow in an operating room |
-
2021
- 2021-07-27 US US17/443,774 patent/US20220039882A1/en active Pending
- 2021-08-01 IL IL285290A patent/IL285290A/en unknown
- 2021-08-05 JP JP2021128870A patent/JP2022031228A/ja active Pending
- 2021-08-05 EP EP21189767.3A patent/EP3951789A1/en active Pending
- 2021-08-06 CN CN202110902917.0A patent/CN114078574A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3951789A1 (en) | 2022-02-09 |
IL285290A (en) | 2022-03-01 |
US20220039882A1 (en) | 2022-02-10 |
CN114078574A (zh) | 2022-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021186685A (ja) | オートエンコーダを使用する心内心電図のノイズ削減、並びに深層学習訓練損失関数を使用する心内及び身体表面心電図の利用及び精緻化 | |
EP3925536B1 (en) | Ventricular far field estimation using autoencoder | |
EP3967258A1 (en) | Identification of ablation gaps | |
EP3951789A1 (en) | Use of machine learning to improve workflow during mapping and treatment of cardiac arrhythmias | |
US20220181025A1 (en) | Setting an automatic window of interest based on a learning data analysis | |
EP3951790A1 (en) | An apparatus for treating cardiac arrhythmias utilizing a machine learning algorithm to optimize an ablation index calculation | |
EP3936070A1 (en) | Automatic contiguity estimation of wide area circumferential ablation points | |
EP3944808A1 (en) | Automatic segmentation of anatomical structures of wide area circumferential ablation points | |
EP4008241A1 (en) | Automatic acquisition of electrophysical data points using automated setting of signal rejection criteria based on big data analysis | |
US20210391082A1 (en) | Detecting atrial fibrillation and atrial fibrillation termination | |
US20220238203A1 (en) | Adaptive navigation and registration interface for medical imaging | |
US20220181024A1 (en) | Catheter structure examination and optimization using medical procedure information | |
EP3960083A1 (en) | Separating abnormal heart activities into different classes | |
JP2022089791A (ja) | 複数の参照からの心電図の生成 | |
JP2022001256A (ja) | オートエンコーダを使用した心室遠距離場推定 | |
WO2024121740A1 (en) | Gap finder index for high power short duration (hpsd) rf lesions | |
JP2022068863A (ja) | 冠状静脈洞静脈内のカテーテルの基準電極の移動の信号分析 |