JP2022089793A - 医療処置情報を使用したカテーテル構造の検査及び最適化 - Google Patents

医療処置情報を使用したカテーテル構造の検査及び最適化 Download PDF

Info

Publication number
JP2022089793A
JP2022089793A JP2021196789A JP2021196789A JP2022089793A JP 2022089793 A JP2022089793 A JP 2022089793A JP 2021196789 A JP2021196789 A JP 2021196789A JP 2021196789 A JP2021196789 A JP 2021196789A JP 2022089793 A JP2022089793 A JP 2022089793A
Authority
JP
Japan
Prior art keywords
catheter
data
proposed
catheters
heart
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
JP2021196789A
Other languages
English (en)
Inventor
ヤイル・パルティ
Palti Yair
アサフ・ゴバリ
Assaf Govari
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 JP2022089793A publication Critical patent/JP2022089793A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/367—Electrophysiological study [EPS], e.g. electrical activation mapping or electro-anatomical mapping
    • 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
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • A61B5/283—Invasive
    • A61B5/287—Holders for multiple electrodes, e.g. electrode catheters for electrophysiological study [EPS]
    • 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
    • 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
    • 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
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • A61B5/283—Invasive
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • A61B2018/00404—Blood vessels other than those in or around the 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
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/108—Computer aided selection or customisation of medical implants or cutting guides
    • 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
    • A61B5/30—Input circuits therefor
    • A61B5/307—Input circuits therefor specially adapted for particular uses
    • A61B5/308—Input circuits therefor specially adapted for particular uses for electrocardiography [ECG]

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Bioethics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Plasma & Fusion (AREA)
  • Software Systems (AREA)
  • Otolaryngology (AREA)
  • Artificial Intelligence (AREA)
  • Robotics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Surgical Instruments (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】医療処置情報を使用したカテーテル構造の検査及び最適化を行うこと。【解決手段】医療処置情報を使用したカテーテル構造の検査及び最適化のためのシステム及び方法が開示される。本システム及び方法は、プロセッサによって実行される判定エンジンによって実装され得る。本システム及び方法は、医療処置情報を獲得することと、機械学習ツールを使用して医療処置情報を検査して、データ及びカテーテル構造判断基準を発見することと、を含む。本システム及び方法は、機械学習ツールを使用して、データ及びカテーテル構造判断基準に基づいて、処置のためのカテーテル構造を最適化することを含む。【選択図】図１

Description

（関連出願の相互参照）
本出願は、完全に記載されているかのように参照により組み込まれる、２０２０年１２月４日に出願された「ＣＡＴＨＥＴＥＲ ＳＴＲＵＣＴＵＲＥ ＥＸＡＭＩＮＡＴＩＯＮ ＡＮＤ ＯＰＴＩＭＩＺＡＴＩＯＮ ＵＳＩＮＧ ＭＥＤＩＣＡＬ ＰＲＯＣＥＤＵＲＥ ＩＮＦＯＲＭＡＴＩＯＮ」と題した米国仮出願第６３／１２１，３９５号の利益を主張するものである。
（発明の分野）
本発明は、カテーテルの設計のための、機械学習並びに／又は人工知能の方法及びシステムに関する。より具体的には、本発明は、医療処置情報を使用したカテーテル構造の検査及び最適化を提供する、機械学習／人工知能アルゴリズムに関する。
電気生理学的（electrophysical、ＥＰ）心臓マッピングシステムによるＥＰ研究は、異常な活動（例えば、異常な心拍又は不整脈）を診断するために使用される解剖学的構造（例えば、心臓などのヒトの器官）の少なくとも一部の電気システム又は活動の評価である。例えば、ＥＰ研究は、身体表面（body surface、ＢＳ）電極を利用すること、及び／又は１つ若しくは２つ以上のカテーテルを、血管を通して心臓に挿入することによって実施して、電気システム又はその活動を測定することができる。次いで、ＥＰ研究は、測定された電気システム又は活動に基づいて、心組織、心室、静脈、動脈、及び／又は経路の画像を含む心臓画像（心スキャン、画像、又はマップとしても知られる）を提供する。
特定のタイプのＥＰ研究の診断カテーテルを設計する際、設計者は、解剖学（すなわち、解剖学的構造の少なくとも一部）を考慮して、カテーテルの構造を設計し、診断カテーテルにわたって電極を位置付ける／分布させる。現在、診断カテーテルのどれだけ多くの電極が解剖学的構造の少なくとも一部と接触しているかなど、（例えば、構築された後の）診断カテーテルの有効性を測定するための判断基準はほとんどない。つまり、診断カテーテルによるマッピング処理に対する実際の有効性の一貫したフィードバック（例えば、定量的、統計的など）がないため、設計者には、ＥＰ研究のためのカテーテル構造の設計を改善する能力がない。
医療処置情報を使用したカテーテル構造の検査及び最適化のためのシステム及び方法が開示される。本システム及び方法は、プロセッサによって実行される判定エンジンによって実装され得る。本システム及び方法は、医療処置情報を獲得することと、機械学習ツールを使用して医療処置情報を検査して、データ及びカテーテル構造判断基準を発見することと、を含む。本システム及び方法は、機械学習ツールを使用して、データ及びカテーテル構造判断基準に基づいて、処置のためのカテーテル構造を最適化することを含む。
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って、本開示の主題の１つ又は２つ以上の特徴を実装することができる、例示的なシステムの図を示す。 １つ又は２つ以上の実施形態による、医療処置情報を使用したカテーテル構造の検査及び最適化の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例示的な方法を示す。 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例を示す。 １つ又は２つ以上の実施形態による、図５Ａのニューラルネットワークで実施される方法の例示的なブロック図を示す。 １つ又は２つ以上の実施形態による、例示的な方法を示す。 １つ又は２つ以上の実施形態による、インターフェースを示す。
本明細書において、カテーテルを設計するための、機械学習並びに／又は人工知能の方法及びシステムを開示する。より具体的には、本発明は、医療処置情報を使用したカテーテル構造の検査及び最適化を提供する、機械学習／人工知能アルゴリズムに関する。
例えば、機械学習／人工知能アルゴリズムは、医療デバイス機器による処理操作及び医療デバイス機器の処理ハードウェアに、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る。例示的な実施形態によれば、機械学習／人工知能アルゴリズムは、判定エンジンを含む。判定エンジンは、ＥＰマップ、生体測定データ、及びカテーテル構造情報などの医療処置情報を集約して、カテーテル構造を推定及び最適化する。
１つ又は２つ以上の実施形態によれば、判定エンジンは、異なるカテーテル（例えば、本明細書に記載されるようなバスケット／ラッソー／バルーン／マルチアームカテーテル）によって獲得される、ＥＰマップのデータセットを分析する。データセットは、特に、例えば、電極が任意の所与の時間に組織と良好に接触し、高品質のＥＰ信号を提供するという既存の情報（例えば、点）を含み得る。データセットを分析するために、判定エンジンは、機械学習及び／又は人工知能アルゴリズム（若しくは同様のモデル）を実装して、データセットから望ましくない情報を除去すること、及び／又はマップごとのベースで異なるカテーテルの経験を分析することができる。分析では、判定は、電極が閉じた電気信号のみをどのように傾聴するかなど、カテーテルの設計に更に焦点を合わせることができる。次に、判定エンジンは、マップごとに電極ごとに作成された点のヒストグラムを生成／出力し、データセットから、このカテーテル形状に対する「最良の」カテーテル形状及び電極位置に対する推奨を提供する（例えば、最適なカテーテル構造を予測する）ことができる。
判定エンジンの技術的効果及び利点には、心臓医師及び医療従事者に、（例えば、構築された後の）任意のカテーテル構造の有効性を測定する能力、並びにカテーテル構造の設計を改善する特定の診断カテーテルの有効性の定量的フィードバック、統計的フィードバック、及び／又は同様のフィードバックを提供する能力を提供することが含まれる。
図１は、１つ又は２つ以上の実施形態によって、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システム１００（例えば、医療デバイス機器及び／又はＥＰ心臓マッピングシステム）の図である。システム１００の全部又は一部は、情報（例えば、生体測定データ及び／若しくは訓練データセット）を収集するために使用され得、並びに／又は本明細書に記載されるように機械学習及び／若しくは人工知能アルゴリズム（例えば、判定エンジン１０１）を実装するために使用され得る。図に示されるように、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。図に示されるように、システム１００はまた、医師１１５（又は医療専門家又は臨床医）、心臓１２０、患者１２５、及びベッド１３０（又はテーブル）も含んでいる。差し込み図１４０及び１５０は、心臓１２０及びカテーテル１１０をより詳細に示している。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。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つ又は２つ以上を表している。図１に示されるシステム１００の例を改変して、本明細書に開示される実施形態を実施することができる。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。
システム１００は、（例えば、判定エンジン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利用され得る。心不整脈などの心臓状態は、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などの患者の器官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より提供される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、心不整脈などの心疾患の治療では、心臓組織、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成功裏に実施すると、心不整脈の原因が心臓１２０の心腔内に正確に位置特定される。このような位置特定は、ＥＰ調査によって行われる場合があり、その調査の間に、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が検出される。このＥＰ調査、いわゆる電子解剖学的マッピングは、モニタ上に表示することができる３Ｄマッピングデータを提供する。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、判定エンジン１０１の成果及び判定は、カテーテル１１０によって直接記憶及び実行され得る。
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。電気的興奮は、心内心電図（ＩＣ ＥＣＧ）データなどとして検出することができる。
心不整脈（例えば、心房細動又はａＦｉｂ）を有する患者（例えば、患者１２５）では、心臓組織の異常領域は、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、心臓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。非同期的な心律動は、ＩＣ ＥＣＧデータとして検出することもできる。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。
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取得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タイプ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である。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。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、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、インピーダンスなどのうちの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、局所活性化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。
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。生体測定データは一般的に、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ともに、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の心腔内のカテーテル１１０を拡大図で示す。カテーテル１１０はポイントカテーテルとして示されているが、１つ又は２つ以上の電極１１１を含む任意の形状が、本明細書に開示される実施形態を実装するために使用され得ることが理解されるであろう。
カテーテル１０６の例としては、複数の電極を有する線形カテーテル、バルーンを成形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、又は他の任意の適用可能な形状（例えば、バスケットカテーテル、マルチアームカテーテルなど）が挙げられるが、これらに限定されない。線形カテーテルは、受信信号に基づいて及び／又は線形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、肺静脈（pulmonary vein、ＰＶ）などの管腔内に挿入され得る。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）に位置付けることができ、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により判定することができる。更に、電極１１１は、患者１２５の体内（例えば、心臓１２０内）から生体測定データ（例えば、ＬＡＴ値）を検知することができる。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。
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、機械学習及び／又は人工知能アルゴリズム（判定エンジン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。一実施形態によれば、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（任意の非一時的有形媒体）を含み、１つ又は２つ以上のプロセッサ１６１は、判定エンジン１０１に関する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による実行の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。いくつかの実施形態では、コンソール１６０は、医療処置情報を獲得する機能、機械学習ツールを使用して医療処置情報を検査して、データ及びカテーテル構造判断基準を発見する機能、機械学習ツールを使用して、データ及びカテーテル構造判断基準に基づいて、処置のためのカテーテル構造を最適化する機能を行うように、判定エンジン１０１によって更にプログラムされ得る。１つ又は２つ以上の実施形態によれば、判定エンジン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、判定エンジン１０１は、ネットワークを介して電子形態で転送可能であり得る／ダウンロードされ得る。
１つ又は２つ以上の実施形態によれば、判定エンジン１０１０は、異なる処置／部位から情報をキャプチャすること、人工知能を適用して人工知能モデルを構築すること、並びに人工知能モデルを使用して、異なる処置／部位のパラメータ（例えば、解剖学的構造、特定の処置、及び医師の経験の少なくとも一部）に基づいて推奨マップを構築し、特定の場合に使用される所望のカテーテル、又は特定のパラメータ及び寸法を有するカテーテルを推奨することができる。１つ又は２つ以上の実施形態によれば、判定エンジン１０１０は、異なる処置／部位から情報をキャプチャすること、人工知能を適用して人工知能モデルを構築すること、並びに人工知能モデルを使用して、特定のカテーテルのためのより良い処置に寄与する異なる処置／部位のパラメータを分析する（例えば、医師１１５にカテーテル１１０の使用法を改善する方法を案内する）ことができる。また、人工知能モデルは、最適なカテーテル構造を判定するようにカテーテル構造を（実質上）変更する反復処理であり得る。
一例では、コンソール１６０は、本明細書に記載のように、ソフトウェア（例えば、判定エンジン１０１）及び／又はプローブ１０５との間で信号を送受信するために、並びにシステム１００の他の構成要素を制御するために好適なフロントエンド及びインターフェース回路を備える、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、任意のコンピューティングデバイスであり得る。例えば、フロントエンド回路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から信号を受信及び／又は少なくとも１つの電極１１１に信号を転送することを可能にする入出力（input/output、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つ以上の機能を実施するようにプログラムすることができる。
生体測定データを視覚的に提示するための任意の電子デバイスであり得るディスプレイ１６５は、コンソール１６０に接続されている。一実施形態によれば、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。
いくつかの例示的な実施形態では、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、システム１００の要素及び／又は身体部分のレンダリング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、若しくは別個の病院などの離れた場所、又は別個の医療供給者ネットワーク内に位置し得る。
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つ又は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。より具体的には、コンソール１６０は、例えば、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。追加的に、又は代替的に、位置パッドが、ベッド１３０の表面上に配置されてもよく、またベッド１３０から分離されてもよい。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。更に、又は代替的に、生体測定データは、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され得る。差し込み図１５０は、心臓１２０の心腔内のカテーテル１１０を拡大図で示す。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、熱エネルギーであってよく、組織領域の表面から始まって組織領域の厚さに延び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。電極のそれぞれの位置及び向きを確立するために、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からの洞調律におけるＰ波の開始などの時間的基準に関連して、心臓表面と接触する電極１１１の各々から記録され得る。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）電気的マップは、上記の処理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）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１６５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（心臓撮像の例）は、局所活性化時間（ＬＡＴ）、電気活動、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であるがそれらに限定されない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み得る。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）を使用してキャプチャすることができ、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、かつ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）により獲得することができる。具体例として、位置及び電気的活動は、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。予備マップは多くの場合、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が生成され得る。臨床的な状況では、心腔の電気活動の詳細で包括的なマップを生成するために、１００以上の部位にデータを集積することは珍しいことではない。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活動方針、例えば、本明細書に記載される組織のアブレーションなどについて決定するための基礎として役立ち得る。
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技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、この特定の実装形態では、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。
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ＥＰ心臓マッピングシステム及び技術を実装することができる。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。この実装形態により、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内に位置決め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装することができる。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。電極アレイカテーテルは、いくつかの個々の電極部位（例えば、少なくとも２４個）を担持し得る。加えて、この例示的な技術は、アレイ上の電極部位の各々の位置を知ること、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、インピーダンスプレチスモグラフィの技法によって判定される。
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。この心臓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獲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ＥＰ活動のマッピングを実装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送達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の少なくとも一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ＥＰデータを測定するための処理を、システム１００によって実装することができる。この処理は、部分的に、能動電極と受動電極のセットを心臓１２０内に位置決めすることと、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位置決めされたアレイに含まれる。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を重ね合わせることができる。
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・リエントラント型である場合があることが分かる（例えば、ＩＣ ＥＣＧデータの別の例）。マルチウェーブレット・リエントラント型に加えて、又はそれに代わって、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などの、巣状興奮源を有する場合もある（例えば、ＩＣ ＥＣＧデータの別の例）。心室性頻脈症（Ventricular tachycardia、Ｖ－ｔａｃｈ又はＶＴ）は、心室のうちの１つから発生す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、致死性の不整脈である場合がある。
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）が心房静脈及びＰＶで生じる無秩序な電気インパルス（例えば、信号干渉）によって圧倒され、不規則なインパルスを心室に伝導させる場合に発生する。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の治療の第１の選択は、心拍数を低下させるか、又は心律動を正常に戻す薬物療法である。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、薬物療法は十分ではなく、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。更に、又はあるいは、ａＦｉｂの患者は、カテーテルアブレーションによって治療される。
カテーテルアブレーションベースの治療には、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ＥＰ心臓マッピングシステム及び技術によって実装される）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。
アブレーション処理は、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損傷する。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るためのマイクロ波、レーザ、及びより一般的には無線周波エネルギーの使用が挙げられる。２段階の処置（例えば、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、多数の点におけるデータ（例えば、一般的には生体測定データとして、又は具体的にはＥＣＧデータとして）を取得／獲得することによって、心臓１２０内の点における電気的活動が検知及び測定される。次いでこのＥＣＧ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。
心房細動及び心室頻拍などの困難な疾患を臨床医が治療する際の心臓アブレーション及び他の心臓ＥＰ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（three-dimensional、３Ｄ）マッピングシステムの使用に依存することができる。これに関して、システム１００によって用いられる判定エンジン１０１は、一般的に生体測定データ、又は具体的にはＥＣＧデータを操作及び評価して、より正確な診断、画像、スキャン、及び／又は異常な心拍又は不整脈を治療するためのマップを可能にする改善された組織データを生み出す。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依存する。システム１００の判定エンジン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、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ＥＰ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。これらの心臓疾患に関連する基質は、心室腔（右及び左）の心内膜及び／又は心外膜層の細分化及び遅延ＥＣＧの存在と関連付けられている。概して、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の細分化及び遅延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（critical isthmus）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の細分化及び遅延活動は、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見なされず、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。使用中、多電極カテーテルは、大腿動脈などの主要な静脈又は動脈に挿入され、次いで、心臓１２０の心腔内にガイドされる。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ことを伴う。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、組織と接触す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、場合により摂氏６０度を超えると、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を身体から抜き取り、先端電極１１１を洗浄しなければならない。
カテーテルについての情報を記録することができる。この情報には、本明細書に記載の要素に加えて、例えば、組織接触情報、近接接触情報、カテーテルの操作性、カテーテルの偏向数が含まれ得る。
ここで図２を参照すると、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つ以上の特徴が実装され得るシステム２００の略図が示される。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（user input、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の判定エンジン１０１を図２に再度示す。
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。一実施形態によれば、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の外部にある装置であってもよい。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、判定エンジン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及び処理することができるように、プロセッサ２２２による実行のためのこれらの命令を記憶する。このように、プロセッサ２２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、判定エンジン１０１及びその機能を個別又は集合的に記憶、実行、及び実装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（local area network、ＬＡＮ）、又はパーソナルエリアネットワーク（personal area network、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（infrared、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（wide area network、ＷＡＮ）、メトロポリタンエリアネットワーク（metropolitan area network、ＭＡＮ）、直接接続若しくは一連の接続、セルラ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つ若しくは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いずれかの有線接続は、イーサネット、ユニバーサルシリアルバス（Universal Serial Bus、ＵＳＢ）、ＲＪ－１１、又は任意の他の有線接続を使用して実装することができ、無線接続は、Ｗｉ－Ｆｉ、ＷｉＭＡＸ、及びＢｌｕｅｔｏｏｔｈ、赤外線、セルラーネットワーク、衛星通信、又は任意の他の無線接続法を使用して実装することができる。
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装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の要素がここで説明される。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／入手されるように、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。
判定エンジン１０１を実行するうえで、プロセッサ２２２は、生体測定センサ２２１によって獲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。１つ又は２つ以上の他の装置２０４からの生体測定データはまた、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、ジェスチャの検出に関して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を含む。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、表面超音波、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によって実行されるコンピュータ命令を記憶する。
送受信機２２５は、別個の送信機及び別個の受信機を含み得る。あるいは、送受信機２２５は、単一のデバイスに一体化された送信機及び受信機を含み得る。
動作中、判定エンジン１０１を利用する装置２０４は、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し／取得して、メモリ内に生体測定データを記憶し、送受信機２２５を介してシステム２００全体でこの生体測定データを共有する。判定エンジン１０１は、モデル、ニューラルネットワーク、機械学習、及び／又は人工知能を利用して、（例えば、構築された後の）任意のカテーテル構造の有効性を測定すること、並びにカテーテル構造の設計を改善する特定の診断カテーテルの有効性の定量的フィードバック、統計的フィードバック、及び／又は同様のフィードバックを提供することができる。
生体測定データ及び／又は試験若しくは測定データには、例えば、処置の転帰、処置中に使用されるソフトウェアにプラスして、医師及び／若しくは患者の許可など、ソフトウェア内に含まれるか、若しくはソフトウェア内で使用される任意の変数若しくはオプション、使用されるカテーテルのシリアル番号、カテーテルの位置、カテーテルの接触力、ＢＭＩを含む患者の人口統計、及び治療されている異常が含まれ得る。生体測定データ及び／又は試験若しくは測定データには、環境データを含む処置が実施された場所、かつまた、例えば、心房又は心室などの患者の身体内の場所が含まれ得る。電極の配列及びどの電極が処置で使用されたかが含まれ得る。生体測定データ及び／又は試験若しくは測定データには、処置後に受信されるフォローアップ情報が含まれ得る。
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の判定エンジン１０１によって実施される）が示されている。方法３００は、医療処置情報の多段階操作を提供することによって、カテーテル構造の設計を改善することができない設計者に対処し、これにより、より正確なカテーテルの動作の改善された理解を可能にする。
方法３００は、ブロック３２０において開始し、ここで、判定エンジン１０１は、医療処置情報を獲得する。医療処置情報は、一般的に、少なくとも１つの解剖学的構造のマッピング／外科的処置、及び／又は少なくとも１つのユーザ評価された解剖学的構造のマッピング／外科的処置を含む、少なくとも１つのＥＰ研究を指し得る。ＥＰ研究はまた、システム１００若しくは任意のＥＰ心臓マッピングシステムによってリアルタイムで実施され得、かつ／又は判定エンジン１０１による評価のために収集される複数の実施されたマッピング／外科的処置を含み得る。
一実施形態によれば、医療処置情報は、少なくとも１つのＥＰ研究からのすべてのデータ（例えば、複数の処置による解剖学的構造の少なくとも一部の複数の部位のマップ）のキャプチャである。例えば、心臓に関して、キャプチャされたデータには、右心室腔及び／又は心房、生体測定データ、並びにカテーテル構造情報のＥＰマッピングが含まれ得る。少なくとも１つのＥＰ研究からのデータは、本明細書に記載されるように、線形カテーテル、バスケットカテーテル、ラッソーカテーテル、バルーンカテーテル、及びマルチアームカテーテルなどの１つ又は２つ以上の異なるカテーテルから生成され得る。
ブロック３４０で、判定エンジン１０１は、医療処置情報（例えば、複数のＥＰ、生体測定データ、及びカテーテル構造情報）を検査して、カテーテル構造判断基準に関して発見されたデータを判定する。判定エンジン１００は、検査を実施するために、機械学習ツールを使用することができる（例えば、機械学習及び人工知能を使用して）。機械学習ツールの例としては、教師ありアルゴリズム、教師なしアルゴリズム、半教師ありアルゴリズム、及び経験／使用を通じて自動的に改善する任意のコンピュータアルゴリズムが挙げられ得るが、これらに限定されない。
発見データは、冗長電極、カテーテルタイプ、カテーテル設計、１つ又は２つ以上の提案されたカテーテル、各電極の心内電位場、及び電極当たりの点のヒストグラムのうちの１つ又は２つ以上を含み得る。発見データはまた、検査された解剖学的構造に関連する情報、並びに／又は医師１１５がカテーテル１１０を使用する方法及びその医師１１５の経験に関連する情報を含み得る。発見データはまた、自動的に検出されたユーザ入力、ユーザ経験、マップ品質、及びユーザフィードバックを含み得る。カテーテル構造判断基準は、カテーテルサイズ、カテーテル形状、カテーテルの長さ、電極配置、電極分布、幾何学的サイズの電極の位置密度、及びその表面上に分布する一連のセンサ電極のうちの１つ又は２つ以上を含み得る。
ブロック３６０で、判定エンジン１００は、発見データ及びカテーテル構造判断基準に基づいて、１つ又は２つ以上の処置のためのカテーテル構造を最適化する。判定エンジン１００は、機械学習ツールを使用することができる（ブロック３４０に記載されるように）。１つ又は２つ以上の実施形態によれば、最適化されたカテーテル構造は、発見データに関して判定される、検査される解剖学的構造及び／又は医師の使用法／経験に依存する。最適化されたカテーテル構造は、提案されたカテーテル、提案されたカテーテルの表面上の電極の空間分布、提案されたカテーテルの曲率、及び／又は提案されたカテーテルのいくつかのスプラインなど、発見データのカテーテル構造設計に対する改善であってもよい。１つ又は２つ以上の実施形態によれば、カテーテル構造判断基準の形状は、より良好な組織接触を育成するか、又は異なる処置／解剖学的構造部分のための異なるカテーテルを有するように変更され得る（例えば、次いで、形状変化が、最適化されたカテーテル構造内に含まれる。判定エンジン１０１の機械学習ツールによる最適化の他の例としては、冗長電極（例えば、ＥＰマッピングに寄与しない又はほとんど寄与しない電極）を回避すること、電極サイズを増加させること（例えば、最適化されたカテーテル構造内により大きな電極を有することにより、その特定の電極でより高品質のＥＰマッピングを提供すること）、並びに電極サイズを減少させること（例えば、最適化されたカテーテル構造内により小さな電極を有することにより、より良好な電極の読み取り値のために、より良好な間隔を提供すること）が含まれるが、これらに限定されない。
方法３００の技術的効果及び利点には、医師１１５が、（例えば、構築された後の）任意のカテーテル構造の有効性を測定すること、並びにカテーテル構造の設計を改善する特定の診断カテーテルの有効性の定量的フィードバック、統計的フィードバック、及び／又は同様のフィードバックを提供することを可能にすることが含まれる。
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、生体測定データ）、マシン４２０、モデル４３０、転帰４４０、及び（下層の）ハードウェア４５０を含む。適切な場合、理解を容易にするため、図４、図５Ａ、図５Ｂの説明は、図１～図３を参照して行う。例えば、マシン４１０、モデル４３０、及びハードウェア４５０は、図１及び図２の判定エンジン１０１の態様を表し得る（例えば、機械学習及び／又はその中の人工知能アルゴリズム）が、一方、ハードウェア４５０も、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を表し得る。概して、人工知能システム４００の機械学習及び／又は人工知能アルゴリズム（例えば、図１及び図２の判定エンジン１０１によって実装される）は、データ４１０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。
例えば、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、本明細書に記載される生体測定データ）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、現在収集されているデータ、履歴データ、又はハードウェア４５０からの他のデータを含むことができ、外科的処置中の測定値を含むことができ、外科的処置の転帰に関連付けることができ、収集され、心臓処置の転帰と相関する図１の心臓１４０の温度を含むことができ、ハードウェア４５０に関連付けられ得る。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。
更に、マシン４２０は、例えば、ハードウェア４５０などに対して訓練される。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、心臓の場合では、温度及び転帰のデータ４１０を、心臓処置中の図１の心臓１４０の温度と転帰との間に相関又は関連が存在するかを判定するために訓練することができる。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利用した図１の判定エンジン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の判定エンジン１０１は、点ごとの症例分類を検出するように学習する。
更に、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。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、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の構築は、マシン４２０による自己訓練動作の一部である。モデル４３０は、ハードウェア４５０の動作をモデル化するとともに、ハードウェア４５０から収集されたデータ４１０をモデル化してハードウェア４５０によって得られる転帰４４０を予測するように構成することができる。（ハードウェア４５０に関連付けられたモデル４３０の）転帰４４０の予測では、訓練されたモデル４３０を用いることができる。例えば、及び本開示の理解を深めるため、心臓の場合、処置中の温度が摂氏３６．５度～摂氏３７．８９度（すなわち、華氏９７．７度及び華氏１００．２度）であり、心臓処置により肯定的な結果が生み出される場合、これらの温度を使用した所与の処置で転帰４４０を予測することができる。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。
したがって、人工知能システム４００がデータ４１０を使用してハードウェア４５０に対して動作し、マシン４２０を訓練し、モデル４３０を構築し、転帰４４０を予測するためには、機械学習及び／又はその中の人工知能アルゴリズムがニューラルネットワークを含むことができる。概して、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（ＡＮＮ）である。
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接続を反映し、負の値は抑制性の接続を意味する。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内で発生する可能性があり、これにより、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。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、観測から関数を推測することができ、かつ関数を使用することも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）又はタスク（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、機械学習及び／又はその中の人工知能アルゴリズムは、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、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、新規な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、及び圧縮のカテゴリ内に入る傾向がある。例えば、ＡＮＮの適用領域には、非線形システムの識別及び制御（車両制御、処理制御）、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、すなわち「knowledge discovery in database、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、長・短期記憶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、多数の層、多数の接続（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）、及び最適化特徴に関して構成可能であり得る。
長・短期記憶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、スピーチ又は動画）とともに処理することができる。長・短期記憶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すべ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５Ａ、図５Ｂを参照すると、１つ又は２つ以上の実施形態によって、ニューラルネットワーク５００の一例が図５Ａに示され、ニューラルネットワーク５００内で実施される方法５０１のブロック図が図５Ｂに示されている。ニューラルネットワーク５００は、本明細書に記載される機械学習及び／又は人工知能アルゴリズムの実装（例えば、図１及び図２の判定エンジン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。本明細書に示されるように、図４、図５Ａ、図５Ｂの説明は、適切な場合、理解を容易にするため、図１～図３を参照して行う。
例示的動作では、図１の判定エンジン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５Ａ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。
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をコード化して、潜在表現又はデータコード化を生成する。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、図１の判定エンジン１０１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関数）によって生成される。図５Ａ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を介して処理を実施して、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。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、入力の一部のより小さな表現（例えば、結果的に生じる潜在表現）を学習するエンコーダ段階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、ＣＮＮ、長・短期記憶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、心内ＥＣＧ、身体表面ＥＣＧ、又は心内ＥＣＧ及び身体表面ＥＣＧであってよい。このコード化は、入力５１２及び５１４の次元数削減をもたらす。次元数削減は、一組の主要変数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）の数を低減する処理である。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、及び機械学習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）及びコード化（ブロック５２５）の動作は、判定エンジン１０１による多段階データ操作のデータ準備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、潜在表現をデコード化する。デコード化ステージは、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は組み合わされて、方法５１０のブロック５６０に示されるように、出力層５５０に出力５５２を生み出す。すなわち、出力層５９０は、削減された次元で、ただし信号干渉、信号アーチファクト、及び信号ノイズなしで、入力５１２及び５１４を復元する。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。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。
ここで図６及び図７を参照して、判定エンジン１０１について更に説明する。図６は、（例えば、図１及び／又は図２の判定エンジン１０１によって実施される）例示的な方法６００を示しており、１つ又は２つ以上の例示的な実施形態によって示されている。方法６００は、医療処置情報の多段階操作を提供することによって、カテーテル構造の設計を改善することができない設計者に対処し、これにより、より正確なカテーテルの動作の改善された理解を可能にする。
方法６００は、ブロック６２０において開始し、ここで、判定エンジン１０１は、本明細書に記載のような医療処置情報を獲得する。一例では、医療処置情報は、１つ若しくは２つ以上のデバイス、データベース、並びに／又はソース（例えば、装置２０４、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）から引き出すことができる。
ブロック６４０で、判定エンジン１０１は、本明細書に記載されるように、医療処置情報を検査して、自動的にデータを判定する。データは、ユーザ経験、獲得時間、マップ品質（例えば、ユーザが提供した品質マッピングスコア）などを含むことができる。このようにして、判定エンジン１０１の技術的効果及び利点には、すべての情報を科学的かつ客観的にキャプチャすることが含まれる。
１つ又は２つ以上の実施形態によれば、判定エンジン１０１は、機械学習ツール（例えば、ディープニューラルネットワーク）などの機械学習及び／又は人工知能を使用して医療処置情報を検査することができる。機械学習ツールは、医療処置情報をコード化して潜在表現を生み出す。つまり、判定エンジン１０１の機械学習ツールは、医療処置情報の次元数削減を実施して、カテーテル構造の判断基準の解釈を改善し、発見データを出力することができる。
ブロック６６０で、判定エンジン１０１は、発見データに基づいて、１つ又は２つ以上の処置のためのカテーテル構造を最適化する。カテーテル構造は、提案されたカテーテル、いくつかの電極、提案されたカテーテルの表面上の電極の空間分布、提案されたカテーテルの曲率、及び／又は提案されたカテーテルのいくつかのスプラインを含む。例えば、図７に見られるように、１つ又は２つ以上の実施形態によるインターフェース７００が示されている。インターフェース７００は、少なくとも電極寄与バー７１０及びカテーテル７２０を示す。電極寄与バー７１０は、この特定の処置において、カテーテル７２０のどのくらいの電極が活性電極であるか不活性電極であるかを示す（例えば、カラーヒストグラムにより、判定エンジン１０１が有効電極対冗長電極を検査することができる）。活性電極対不活性電極の比を考慮すると、判定エンジン１０１は、電極の数に対してより多い又はより少ない電極が必要かどうかを判定する。この例では、より少ない電極が必要である。あるいは、インターフェース７００が医師から否定的なレビューを受信した場合、電極の数を減少させることは正しくない場合がある。次に、より多くの電極が必要である可能性がある。
１つ又は２つ以上の実施形態によれば、判定エンジン１０１は、機械学習ツールが潜在表現をデコード化して、カテーテル構造を生み出すように、機械学習ツールを使用してカテーテル構造を最適化することができる。
決定ブロック６７０で、判定エンジン１０１は、発見データが補足又は調整され得る（例えば、追加のユーザ入力によって変更され得る）かどうかを推定する。部分的には、判定エンジン１０１は、判定されたカテーテル構造に一致するものを含む異なるカテーテルの有効性を比較することができ、任意の冗長電極を除去することができる。決定ブロック６７０で「はい」と判定された場合、方法６００は、（例えば、望ましくない情報を除去するため、又は特定のカテーテル経験を追加するために）ブロック６６０に一巡して戻る。ブロック６６０に戻ると、判定エンジン１０１は、提案されたカテーテルを更新又は変更することなどによって、カテーテル構造を更に最適化する。１つ又は２つ以上の実施形態によれば、判定エンジン１０１は、（例えば、特定のカテーテル経験のような）特定の判断基準の影響を分析して、方法６００の終わりにカテーテルの推奨を生成することができる。ブロック６６０の後、決定ブロック６７０に反復して再び出くわす。決定ブロック６７０で「はい」と判定されなければ、方法６００はブロック６８０に進む。
ブロック６８０で、判定エンジン１０１は、提案されたカテーテル（例えば、「最良の」カテーテル形状及び電極位置）を出力する。一例では、判定エンジン１０１は、特定の心室のための特定のカテーテルの使用法を推奨／提案することができる。１つ又は２つ以上の実施形態によれば、判定エンジン１０１は、特定のカテーテルの有効性を改善するためにカテーテルを操作する方法についての提案を準備／提供することもできる。例えば、ブロック６８０において、ＦＤＡの承認に必要な要件の出力が提供され得る。つまり、試験及び判定に関連付けられたデータ及び詳細が、カテーテルの有効性について出力され得るデータを証明又は提供するために出力され得る。かかる品質保証は、カテーテルとともに同様に含まれるように提供され得る。カテーテルは、例えば、Ｐｅｎｔａ、Ｈｅｌｉｏｓ、及びＰｅｎｔａ ｒａｙカテーテルを含み得る。カテーテル設計出力は、品質及び測定された寸法を含み得る。
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装形態の構造、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。いくつかの代替的な実装形態において、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／又はフロー図の各ブロック、並びにブロック図及び／又はフロー図のブロックの組み合わせは、特定の機能又は動作を実施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、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、限定されないが、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）、読み取り専用メモリ（ＲＯＭ）、消去可能プログラマブル読み取り専用メモリ（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ともに使用して、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無線周波数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。「備える（comprise）」及び／又は「備えている（comprising）」という用語は、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若しくは追加を除外するものではない点を理解されたい。
本明細書の様々な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） 方法であって、
１つ又は２つ以上のプロセッサによって実行される判定エンジンによって、医療処置情報を獲得することと、
前記判定エンジンによって、機械学習ツールを使用して前記医療処置情報を検査して、データ及びカテーテル構造判断基準を発見することと、
前記機械学習ツールを使用して前記判定エンジンによって、前記データ及び前記カテーテル構造判断基準に基づいて、１つ又は２つ以上の処置のためのカテーテル構造を最適化することと、を含む、方法。
（２） 前記医療処置情報が、複数の電気生理学的マップと、生体測定データと、カテーテル構造情報とを含む、実施態様１に記載の方法。
（３） 前記複数の電気生理学的マップが、１つ又は２つ以上の異なるカテーテルから生成される、実施態様２に記載の方法。
（４） 前記１つ又は２つ以上の異なるカテーテルが、線形カテーテル、バスケットカテーテル、ラッソーカテーテル、バルーンカテーテル、及びマルチアームカテーテルのうちの１つ又は２つ以上を含む、実施態様３に記載の方法。
（５） 前記データが、冗長電極と、１つ又は２つ以上の提案されたカテーテルとを含む、実施態様１に記載の方法。
（６） 前記データが、少なくとも１つの電気生理学的マップに対する電極当たりの点のヒストグラムを含む、実施態様１に記載の方法。
（７） 前記カテーテル構造が、提案されたカテーテルと、前記提案されたカテーテルの表面上の電極の空間分布とを含む、実施態様１に記載の方法。
（８） 前記カテーテル構造が、提案されたカテーテルと、前記提案されたカテーテルの曲率とを含む、実施態様１に記載の方法。
（９） 前記カテーテル構造が、提案されたカテーテルと、前記提案されたカテーテルのいくつかのスプラインとを含む、実施態様１に記載の方法。
（１０） 前記機械学習ツールが、ディープニューラルネットワークである、実施態様１に記載の方法。
（１１） システムであって、
メモリであって、そこに判定エンジンのためのプログラムコードを記憶する、メモリと、
１つ又は２つ以上のプロセッサと、を備え、前記１つ又は２つ以上のプロセッサが、前記メモリに通信可能に連結され、前記プログラムコードを実行して前記システムに、
前記判定エンジンによって、医療処置情報を獲得することと、
前記判定エンジンによって、機械学習ツールを使用して前記医療処置情報を検査して、データ及びカテーテル構造判断基準を発見することと、
前記機械学習ツールを使用して前記判定エンジンによって、前記データ及び前記カテーテル構造判断基準に基づいて、１つ又は２つ以上の処置のためのカテーテル構造を最適化することと、を実施させるように構成されている、システム。
（１２） 前記医療処置情報が、複数の電気生理学的マップと、生体測定データと、カテーテル構造情報とを含む、実施態様１１に記載のシステム。
（１３） 前記複数の電気生理学的マップが、１つ又は２つ以上の異なるカテーテルから生成される、実施態様１２に記載のシステム。
（１４） 前記１つ又は２つ以上の異なるカテーテルが、線形カテーテル、バスケットカテーテル、ラッソーカテーテル、バルーンカテーテル、及びマルチアームカテーテルのうちの１つ又は２つ以上を含む、実施態様１３に記載のシステム。
（１５） 前記データが、冗長電極と、１つ又は２つ以上の提案されたカテーテルとを含む、実施態様１１に記載のシステム。
（１６） 前記データが、少なくとも１つの電気生理学的マップに対する電極当たりの点のヒストグラムを含む、実施態様１１に記載のシステム。
（１７） 前記カテーテル構造が、提案されたカテーテルと、前記提案されたカテーテルの表面上の電極の空間分布とを含む、実施態様１１に記載のシステム。
（１８） 前記カテーテル構造が、提案されたカテーテルと、前記提案されたカテーテルの曲率とを含む、実施態様１１に記載のシステム。
（１９） 前記カテーテル構造が、提案されたカテーテルと、前記提案されたカテーテルのいくつかのスプラインとを含む、実施態様１１に記載のシステム。
（２０） 前記機械学習ツールが、ディープニューラルネットワークである、実施態様１１に記載のシステム。

Claims (20)

  1. 方法であって、
    １つ又は２つ以上のプロセッサによって実行される判定エンジンによって、医療処置情報を獲得することと、
    前記判定エンジンによって、機械学習ツールを使用して前記医療処置情報を検査して、データ及びカテーテル構造判断基準を発見することと、
    前記機械学習ツールを使用して前記判定エンジンによって、前記データ及び前記カテーテル構造判断基準に基づいて、１つ又は２つ以上の処置のためのカテーテル構造を最適化することと、を含む、方法。
  2. 前記医療処置情報が、複数の電気生理学的マップと、生体測定データと、カテーテル構造情報とを含む、請求項１に記載の方法。
  3. 前記複数の電気生理学的マップが、１つ又は２つ以上の異なるカテーテルから生成される、請求項２に記載の方法。
  4. 前記１つ又は２つ以上の異なるカテーテルが、線形カテーテル、バスケットカテーテル、ラッソーカテーテル、バルーンカテーテル、及びマルチアームカテーテルのうちの１つ又は２つ以上を含む、請求項３に記載の方法。
  5. 前記データが、冗長電極と、１つ又は２つ以上の提案されたカテーテルとを含む、請求項１に記載の方法。
  6. 前記データが、少なくとも１つの電気生理学的マップに対する電極当たりの点のヒストグラムを含む、請求項１に記載の方法。
  7. 前記カテーテル構造が、提案されたカテーテルと、前記提案されたカテーテルの表面上の電極の空間分布とを含む、請求項１に記載の方法。
  8. 前記カテーテル構造が、提案されたカテーテルと、前記提案されたカテーテルの曲率とを含む、請求項１に記載の方法。
  9. 前記カテーテル構造が、提案されたカテーテルと、前記提案されたカテーテルのいくつかのスプラインとを含む、請求項１に記載の方法。
  10. 前記機械学習ツールが、ディープニューラルネットワークである、請求項１に記載の方法。
  11. システムであって、
    メモリであって、そこに判定エンジンのためのプログラムコードを記憶する、メモリと、
    １つ又は２つ以上のプロセッサと、を備え、前記１つ又は２つ以上のプロセッサが、前記メモリに通信可能に連結され、前記プログラムコードを実行して前記システムに、
    前記判定エンジンによって、医療処置情報を獲得することと、
    前記判定エンジンによって、機械学習ツールを使用して前記医療処置情報を検査して、データ及びカテーテル構造判断基準を発見することと、
    前記機械学習ツールを使用して前記判定エンジンによって、前記データ及び前記カテーテル構造判断基準に基づいて、１つ又は２つ以上の処置のためのカテーテル構造を最適化することと、を実施させるように構成されている、システム。
  12. 前記医療処置情報が、複数の電気生理学的マップと、生体測定データと、カテーテル構造情報とを含む、請求項１１に記載のシステム。
  13. 前記複数の電気生理学的マップが、１つ又は２つ以上の異なるカテーテルから生成される、請求項１２に記載のシステム。
  14. 前記１つ又は２つ以上の異なるカテーテルが、線形カテーテル、バスケットカテーテル、ラッソーカテーテル、バルーンカテーテル、及びマルチアームカテーテルのうちの１つ又は２つ以上を含む、請求項１３に記載のシステム。
  15. 前記データが、冗長電極と、１つ又は２つ以上の提案されたカテーテルとを含む、請求項１１に記載のシステム。
  16. 前記データが、少なくとも１つの電気生理学的マップに対する電極当たりの点のヒストグラムを含む、請求項１１に記載のシステム。
  17. 前記カテーテル構造が、提案されたカテーテルと、前記提案されたカテーテルの表面上の電極の空間分布とを含む、請求項１１に記載のシステム。
  18. 前記カテーテル構造が、提案されたカテーテルと、前記提案されたカテーテルの曲率とを含む、請求項１１に記載のシステム。
  19. 前記カテーテル構造が、提案されたカテーテルと、前記提案されたカテーテルのいくつかのスプラインとを含む、請求項１１に記載のシステム。
  20. 前記機械学習ツールが、ディープニューラルネットワークである、請求項１１に記載のシステム。
JP2021196789A 2020-12-04 2021-12-03 医療処置情報を使用したカテーテル構造の検査及び最適化 Pending JP2022089793A (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202063121395P 2020-12-04 2020-12-04
US63/121,395 2020-12-04
US17/535,543 2021-11-24
US17/535,543 US20220181024A1 (en) 2020-12-04 2021-11-24 Catheter structure examination and optimization using medical procedure information

Publications (1)

Publication Number Publication Date
JP2022089793A true JP2022089793A (ja) 2022-06-16

Family

ID=78821121

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021196789A Pending JP2022089793A (ja) 2020-12-04 2021-12-03 医療処置情報を使用したカテーテル構造の検査及び最適化

Country Status (5)

Country Link
US (1) US20220181024A1 (ja)
EP (1) EP4008252A1 (ja)
JP (1) JP2022089793A (ja)
CN (1) CN114587370A (ja)
IL (1) IL288553A (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230230684A1 (en) * 2022-01-14 2023-07-20 Medtronic, Inc. Catheter design tool and methods thereof

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002070980A1 (en) * 2001-03-06 2002-09-12 The Johns Hopkins University School Of Medicine Simulation system for image-guided medical procedures
US9101374B1 (en) * 2012-08-07 2015-08-11 David Harris Hoch Method for guiding an ablation catheter based on real time intracardiac electrical signals and apparatus for performing the method
US10398509B2 (en) * 2015-09-18 2019-09-03 General Electric Company System and method for optimal catheter selection for individual patient anatomy
US11154259B2 (en) * 2016-06-30 2021-10-26 Koninklijke Philips N.V. Catheter type selection
US11786174B2 (en) * 2018-04-30 2023-10-17 The Board Of Trustees Of The Leland Stanford Junior University System and method to maintain health using personal digital phenotypes
WO2020181006A1 (en) * 2019-03-05 2020-09-10 St. Jude Medical, Cardiology Division, Inc. Methods and system for correcting electrode positions of an elongated medical device
US20200324078A1 (en) * 2019-04-11 2020-10-15 Cecil Fred MOTLEY Infection resistant catheter system

Also Published As

Publication number Publication date
EP4008252A1 (en) 2022-06-08
US20220181024A1 (en) 2022-06-09
IL288553A (en) 2022-07-01
CN114587370A (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
EP3928701B1 (en) Reducing noise of intracardiac electrocardiograms using an autoencoder and deep learning training loss functions
EP3925536B1 (en) Ventricular far field estimation using autoencoder
JP2022048135A (ja) アブレーション間隙の識別
JP2022042009A (ja) 心臓マッピングのための不整脈分類
EP3951790A1 (en) An apparatus for treating cardiac arrhythmias utilizing a machine learning algorithm to optimize an ablation index calculation
US20220181025A1 (en) Setting an automatic window of interest based on a learning data analysis
EP3944808A1 (en) Automatic segmentation of anatomical structures of wide area circumferential ablation points
EP3936070A1 (en) Automatic contiguity estimation of wide area circumferential ablation points
US20210391082A1 (en) Detecting atrial fibrillation and atrial fibrillation termination
EP4008252A1 (en) Catheter structure examination and optimization using medical procedure information
EP4008241A1 (en) Automatic acquisition of electrophysical data points using automated setting of signal rejection criteria based on big data analysis
JP2022091729A (ja) 解剖学的構造マッピングデータの信号及び補正処理
JP2022089791A (ja) 複数の参照からの心電図の生成
EP3960083A1 (en) Separating abnormal heart activities into different classes
JP2022001256A (ja) オートエンコーダを使用した心室遠距離場推定
WO2022162484A1 (en) Adaptive navigation and registration interface for medical imaging