JP2022503565A - 心臓頻脈性不整脈の多層予測 - Google Patents

Abstract

患者の心不整脈を予測するための多層システムの技法が開示されている。一例では、コンピューティングデバイスは、患者のパラメトリック患者データおよび提供者データを処理して、第１の期間内に患者に心不整脈が発生する長期確率を生成する。第１の期間内に心不整脈が発生する可能性が高いと判定したことに応答して、コンピューティングデバイスは、医療デバイスにパラメトリック患者データを処理させて、第２の期間内に患者に心不整脈が発生する短期確率を生成する。第２の期間内に心不整脈が発生する可能性が高いと判定したことに応じて、医療デバイスは、心不整脈が発生する可能性を低減するための療治措置を実行する。
【選択図】図１

Description

この開示は、一般に概して、医療デバイス、より具体的には、植込み型医療デバイスに関する。

心室細動などの悪性頻脈性不整脈は、心臓の心室の心筋の非協調性収縮であり、心停止患者で特定されることが最も多い不整脈である。この不整脈が数秒以上続くと、心原性ショックや有効血液循環の停止がもたらされる可能性がある。その結果、心臓突然死（ＳＣＤ）がほんの数分でもたらされる可能性がある。

心室細動のリスクが高い患者では、植込み型除細動器（ＩＣＤ）などの植込み型医療デバイス（ＩＭＤ）の使用がＳＣＤの予防に有益であることが分かっている。ＩＣＤは、電池式の電気ショックデバイスであり、電気ハウジング電極（缶電極と呼ばれることもある）を含み得、通常、心臓内に配置された１つ以上の電気リード線に結合される。例えば、不整脈が検知された場合、ＩＣＤは電気リード線を用いてパルスを送信し、心臓にショックを与え、正常なリズムを回復することができる。一部のＩＣＤは、ショックの送達前に抗頻脈ペーシング（ＡＴＰ）の送達によって、検出された頻脈性不整脈を終了させるように構成されている。さらに、ＩＣＤは、ショックから回復する際に心臓をサポートするために、ショックを伴う頻脈性不整脈の正常終了後に、比較的高振幅のショック後ペーシングを送達するように構成されている。一部のＩＣＤは、徐脈ペーシング、心臓再同期療法（ＣＲＴ）、またはその他の形式のペーシングも送達する。

一般に、本開示は、患者の心不整脈の多層予測のための技法を説明している。いくつかの例では、多層システムが技法を実装している。一例では、コンピューティングデバイスは、患者の医療デバイスの１つ以上の電極および／またはセンサによって収集されたパラメトリック患者データを受信する。コンピューティングデバイスはさらに、データベースから患者の提供者データを受信することができる。いくつかの例では、コンピューティングデバイスはクラウドコンピューティングシステムである。コンピューティングデバイスは、複数の患者のパラメトリック患者データおよび提供者データを使用してトレーニングされた機械学習モデルを、患者のパラメトリック患者データおよび提供者データに適用して、第１の期間内（例えば、通常、約２４時間～約４８時間）に患者に心不整脈が発生する長期確率を生成する。コンピューティングデバイスは、長期確率が長期の所定の閾値を超えているかどうかを判定し、長期確率が長期の所定の閾値を超えていると判定したことに応じて、医療デバイスに命令を送信し、医療デバイスに、第２の期間内（例えば、第１の期間よりも短く、通常は約３０分～約６０分）に患者に心不整脈が発生する短期確率を判定させる。いくつかの例では、長期の所定の閾値は５０％である。

コンピューティングデバイスから命令を受信することに応じて、医療デバイスは、次のパラメトリック患者データを処理して、第２の期間内に患者に心不整脈が発生する短期確率を生成する。短期確率が短期の所定の閾値を超えているという判定に応じて、医療デバイスは、療治措置を実行して、第２の期間内に患者に心不整脈が発生する短期確率を低減させる。例えば、医療デバイスは、第２の期間内に患者に心不整脈が発生する短期確率の通知をコンピューティングデバイスに発行することができ、それによって、患者または臨床医は、第２の期間内に患者に心不整脈が発生する可能性に気付くことができるようなる。別の例では、医療デバイス（または患者に対して局所的であり、短期確率を判定する医療デバイスと通信する別の医療デバイス）は、薬物送達療法または電気ペーシング療法を開始して、第２の期間内に患者に心不整脈が発生する可能性を低減させる。いくつかの例では、短期の所定の閾値は、９５％である。

前述の例として、コンピューティングデバイスは、次の２４時間以内に患者に心不整脈が発生する可能性が５０％を超えていると判定したことに応じて、医療デバイスに命令を送信し、医療デバイスに短期確率を判定させる。医療デバイスは、次の６０分以内に患者に心不整脈が発生する可能性が９５％を超えていると判定した場合、療治措置を実行して、次の６０分以内に患者に心不整脈が発生する可能性を低減させる。

したがって、本明細書に開示される技法は、患者のケアを強化し、患者の心不整脈を予防する能力を高めることを許容し得る。例えば、頻脈性不整脈が今後数日以内に発生する可能性が比較的高いという知識を用いて、患者の予防的ケアの指導に役立たせることができる。さらに、頻脈性不整脈が次の数分または数時間以内に発生する可能性が比較的高いという知識を用いて、患者の予防療法または救急医療を指導することができる。さらに、本明細書に開示されるそのようなシステムは、計算コストが高く電力を消費する長期の心不整脈予測操作を、患者の個人用医療デバイスからクラウドコンピューティングシステムに移し、クラウドコンピューティングシステムが今後数日以内に心不整脈が発生する可能性が比較的高いと予測した場合にのみ、医療デバイス上の短期の心臓予測操作を起動するようにしてもよい。したがって、本開示の技法は、心不整脈が特定の期間内に発生する可能性が比較的高い場合にのみ、心臓予測のために医療デバイスを使用することにより、電力を節約し、医療デバイスの電池寿命を延ばすことができる。

一例では、本開示は、処理回路および記憶媒体を含むコンピューティングデバイスについて説明しており、このコンピューティングデバイスは、患者のパラメトリック患者データを受信することと、複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルをパラメトリック患者データに適用して、第１の期間内に患者において心不整脈が発生する第１の確率を生成することと、第１の確率が所定の閾値を超えていると判定することと、第１の確率が所定の閾値を超えていると判定したことに応じて、第２のデバイスに命令を送信して、第２のデバイスに第２の期間内に患者において心不整脈が発生する第２の確率を判定させることと、を行なうように構成されている。

別の例では、本開示は、デバイスについて説明しており、このデバイスは、複数の電極またはセンサのうちの１つ以上を用いて、患者のパラメトリック患者データを収集することと、期間内に患者に心不整脈が発生する確率を生成するために、コンピューティングデバイスから命令を受信することと、命令に応じて、パラメトリック患者データを処理して、期間内に患者に心不整脈が発生する確率を生成することと、確率が所定の閾値を超えていると判定することと、確率が所定の閾値を超えているという判定に応じて、療治措置を実行して、その期間内に患者に心不整脈が発生する確率を低減させることと、を行なうように構成されている。

別の例では、本開示は、外部デバイスについて説明しており、この外部デバイスは、第１の期間内に患者に心不整脈が発生する第１の確率を生成するための命令を受信することと、命令に応じて、パラメトリック患者データを処理して、第１の期間内に患者に心不整脈が発生する第１の確率を生成することと、第１の確率が第１の所定の閾値を超えていると判定することと、第１の確率が第１の所定の閾値を超えているという判定に応じて、医療デバイスに命令を送信し、医療デバイスに第２の期間内に患者に心不整脈が発生する第２の確率を判定させることと、を行なうように構成されている。

別の例では、本開示は、方法について説明しており、この方法は、処理回路および記憶媒体を含むコンピューティングデバイスによって、患者のパラメトリック患者データを受信することと、コンピューティングデバイスによって、複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルをパラメトリック患者データに適用して、第１の期間内に患者に心不整脈が発生する第１の確率を生成することと、コンピューティングデバイスによって、第１の確率が所定の閾値を超えていると判定することと、第１の確率が所定の閾値を超えている判定したことに応じて、コンピューティングデバイスによって、第２のデバイスに命令を送信して、第２のデバイスに第２の期間内に患者に心不整脈が発生する第２の確率を判定させることと、を含む。

別の例では、本開示は、方法について説明しており、この方法は、デバイスによって、患者のパラメトリック患者データを収集することと、デバイスによって、期間内に患者に心不整脈が発生する確率を生成するために、コンピューティングデバイスから命令を受信することと、命令に応じて、デバイスによって、パラメトリック患者データを処理して、期間内に患者に心不整脈が発生する確率を生成することと、デバイスによって、確率が所定の閾値を超えていると判定することと、確率が所定の閾値を超えているという判定に応じて、デバイスによって、療治措置を実行して、期間内に患者に心不整脈が発生する確率を低減させることと、を含む。

この要約は、本開示に記載されている主題の概要を提供することを目的としている。以下の添付の図面および説明の中で詳細に説明されている、装置および方法の排他的または包括的な説明を提供することを意図するものではない。１つ以上のさらなる詳細は、添付の図面および以下の説明に記載されている。

本開示の手法に従って心不整脈を予測するための例示的なシステムを示すブロック図である。 図１のシステムのＩＭＤおよびリードをより詳細に示す概念図である。 本開示の手法による植込み型医療デバイスの例のブロック図である。 本開示の１つ以上の技法に従って動作する例示的なコンピューティングデバイスを示すブロック図である。 本開示の１つ以上の技法に従って動作する例示的な外部デバイスを示すブロック図である。 本開示の手法による例示的な動作を示すフローチャートである。 本開示の手法による例示的な動作を示すフローチャートである。 本開示の手法による例示的な動作を示すフローチャートである。 図８Ａの例に示されている心不整脈の長期予測のためのアルゴリズムをさらに詳細に示すブロック図である。 図８Ａの例に示されている心不整脈の中期予測のためのアルゴリズムをさらに詳細に示すブロック図である。 図８Ａの例に示されている心不整脈の短期予測のためのアルゴリズムをさらに詳細に示すブロック図である。 本開示の手法による心不整脈の短期予測のための例示的なアルゴリズムを示すブロック図である。

同様の参照文字は、図および説明全体で同様の要素を指す。

図１は、本開示の手法に従って心不整脈を予測するための例示的なシステムを示すブロック図である。システム１０は、医療デバイスを含む。そのような医療デバイスの一例は、図１に示されるＩＭＤ１６である。図１の例示的なシステム１０によって示されるように、ＩＭＤ１６は、いくつかの例では、例えば、植込み型心臓ペースメーカ、植込み型心臓除細動器／除細動器（ＩＣＤ）、またはペースメーカ／心臓除細動器／除細動器であり得る。ＩＭＤ１６は、リード１８、２０、および２２に接続され、外部デバイス２７に通信可能に結合され、外部デバイス２７は、通信ネットワーク２５を介してコンピューティングデバイス２４に通信可能に結合される。

ＩＭＤ１６は、１つ以上のリード１８、２０、および２２上の電極またはＩＭＤ１６のハウジングを用いて、心臓１２の脱分極および再分極に伴う電気信号、例えば、心電図（ＥＧＭ）を感知する。ＩＭＤ１６はまた、１つ以上のリード１８、２０および２２またはＩＭＤ１６のハウジングに配置された電極を用いて、電気信号の形で心臓１２に治療を送達することができる。治療は、ペーシング、電気的除細動、および／または除細動パルスであり得る。ＩＭＤ１６は、リード１８、２０または２２上の電極によって収集されたＥＧＭ信号を監視し、ＥＧＭ信号に基づいて、心臓発作を診断し、治療することができる。

いくつかの例では、ＩＭＤ１６は、図１の外部デバイス２７などの別のデバイスと通信するためのいずれかの適切な回路、ファームウェア、ソフトウェア、またはそれらのいずれかの組み合わせを含む通信回路１７を含む。例えば、通信回路１７は、コンピューティングデバイス２４などの他のデバイスとの無線周波数通信のために、１つ以上のプロセッサ、メモリ、無線通信機、アンテナ、送信機、受信機、変調および復調回路、フィルタ、増幅器などを含み得る。ＩＭＤ１６は、通信回路１７を使用して、ダウンリンクしたデータを受信して、ＩＭＤ１６の１つ以上の動作を制御し、および／またはアップリンクしたデータを外部デバイス２７に送信することができる。

リード１８、２０、２２は、患者１４の心臓１２内に伸びて、心臓１２の電気的活動を感知し、および／または心臓１２に電気刺激を送達する。図１に示される例では、右心室（ＲＶ）リード１８は、１つ以上の静脈（図示せず）を通り、上大静脈（図示せず）、および右心房２６を通って右心室２８に延びる。左心室（ＬＶ）リード２０は、１つ以上の静脈を通り、大静脈、右心房２６を通って冠状静脈洞３０に入り、心臓１２の左心室３２の自由壁に隣接する領域まで延びる。右心房（ＲＡ）リード２２は、１つ以上の静脈および大静脈を通って、心臓１２の右心房２６内に延びる。

図１の例示的なシステム１０はＩＭＤ１６を示しているが、他の例では、本開示の技法は、必ずしも植込み型ではない他のタイプの医療デバイスに適用され得る。例えば、本開示の技法による医療デバイスは、患者１４が着用するウェアラブル医療デバイスまたは「スマート」アパレルを含み得る。例えば、そのような医療デバイスは、患者１４が着用する腕時計、または患者１４に密着して貼り付けられる回路の形を取ることができる。別の例では、本明細書に記載の医療デバイスは、植込み型電極を備えた外部医療デバイスを含み得る。

いくつかの例では、外部デバイス２７は、携帯電話、「スマート」フォン、ラップトップ、タブレットコンピュータ、携帯情報端末（ＰＤＡ）、ウェアラブル電子デバイスなどの外部プログラマまたはモバイルデバイスの形態を取る。いくつかの例では、外部デバイス２７は、Ｍｅｄｔｒｏｎｉｃ， Ｉｎｃ．から入手可能なＣａｒｅＬｉｎｋ（商標）モニタである。医師、技術者、外科医、電気生理学者、または他の臨床医のようなユーザは、ＩＭＤ１６から生理学的または診断情報を検索するために外部デバイス２７と対話することができる。上記のような患者１４または臨床医などのユーザはまた、外部デバイス２７と対話して、ＩＭＤ１６をプログラムすることができ、例えば、ＩＭＤ１６の動作パラメータの値を選択または調整することができる。外部デバイス２７は、ＩＭＤ１６およびコンピューティングデバイス２４のそれぞれとの間で情報を送受信することができる処理回路、メモリ、ユーザインターフェース、および通信回路を含み得る。

いくつかの例では、コンピューティングデバイス２４は、ハンドヘルドコンピューティングデバイス、コンピュータワークステーション、サーバまたは他のネットワーク化されたコンピューティングデバイス、スマートフォン、タブレット、またはユーザに情報を提示し、ユーザから入力を受信するためのユーザインターフェースを含む外部プログラマの形態を取る。いくつかの例では、コンピューティングデバイス２４は、ニューラルネットワーク、深層学習システム、または他のタイプの予測分析システムなどの機械学習システムを実施する１つ以上のデバイスを含み得る。医師、技術者、外科医、電気生理学者、または他の臨床医などのユーザは、コンピューティングデバイス２４と対話して、ＩＭＤ１６から生理学的または診断情報を検索することができる。ユーザはまた、コンピューティングデバイス２４と対話して、ＩＭＤ１６をプログラムすることができ、例えば、ＩＭＤの動作パラメータの値を選択することができる。コンピューティングデバイス２４は、ＩＭＤ１６からコンピューティングデバイス２４に送信されるＥＧＭおよび／または他の感知された信号を評価するように構成されているプロセッサを含み得る。

ネットワーク２５は、１つ以上の非エッジスイッチ、ルータ、ハブ、ゲートウェイ、ファイアウォール、侵入検知、および／または侵入防止デバイスなどのセキュリティデバイス、サーバ、コンピュータ端末、ラップトップ、プリンタ、データベース、携帯電話や携帯情報端末などのワイヤレスモバイルデバイス、ワイヤレスアクセスポイント、ブリッジ、ケーブルモデム、アプリケーションアクセラレータ、またはその他のネットワークデバイスなどの１つ以上のコンピューティングデバイス（図示せず）を含み得る。ネットワーク２５は、サービスプロバイダによって管理される１つ以上のネットワークを含み得、したがって、インターネットなどの大規模なパブリックネットワークインフラストラクチャの一部を形成し得る。ネットワーク２５は、コンピューティングデバイス２４およびＩＭＤ１６などのコンピューティングデバイスにインターネットへのアクセスを提供し得、コンピューティングデバイスが互いに通信することを許容する通信フレームワークを提供し得る。いくつかの例では、ネットワーク２５は、コンピューティングデバイス２４、ＩＭＤ１６、提供者データベース６６、および請求データベース６８が互いに通信することを許容するが、セキュリティの目的でコンピューティングデバイス２４、ＩＭＤ１６、提供者データベース６６、および請求データベース６８を外部デバイスから隔離する通信フレームワークを提供するプライベートネットワークであってもよい。いくつかの例では、コンピューティングデバイス２４、ＩＭＤ１６、提供者データベース６６、および請求データベース６８の間の通信は暗号化される。

外部デバイス２７およびコンピューティングデバイス２４は、当技術分野で知られているいずれかの技法を使用して、ネットワーク２５上で無線通信を用いて通信することができる。いくつかの例では、コンピューティングデバイス２４は、ローカルアクセスポイント、ワイヤレスルータ、またはゲートウェイなどのネットワーク２５に配置された中間デバイスを用いて外部デバイス２７と通信するリモートデバイスである。図１の例では、外部デバイス２７とコンピューティングデバイス２４はネットワーク２５上で通信するが、いくつかの例では、外部デバイス２７とコンピューティングデバイス２４は互いに直接通信する。通信技術の例には、例えば、ブルートゥース（登録商標）またはブルートゥース（登録商標）低エネルギー（ＢＬＥ）プロトコルに従った通信が含まれ得る。他の通信技術も企図されている。コンピューティングデバイス２４はまた、有線および無線の両方のいくつかの既知の通信技術を使用して、１つ以上の他の外部デバイスと通信することができる。

提供者データベース６６は、患者１４の提供者データを記憶する。請求データベース６８は、患者１４の保険業者または他の支払人によって記憶された健康記録など、患者１４の請求または支払人情報を記憶することができる。提供者データベース６６および請求データベース６８は、処理回路および１つ以上の記憶媒体（例えば、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、プログラム可能読み取り専用メモリ（ＰＲＯＭ）、消去可能プログラム可能読み取り専用メモリ（ＥＰＲＯＭ））、電子的消去可能プログラム可能読み取り専用メモリ（ＥＥＰＲＯＭ）、またはフラッシュメモリを含み得る。いくつかの例では、提供者データベース６６はクラウドコンピューティングシステムである。いくつかの例では、提供者データベース６６の機能は、いくつかのコンピューティングシステムに分散されている。

本開示の技法によれば、システム１０は、患者の心不整脈の多層予測を提供する。いくつかの例では、システム１０は、心室性不整脈の長期および短期の予測を提供する。いくつかの例では、長期期間は約２４時間～約４８時間である。いくつかの例では、短期期間は約３０分～約６０分である。いくつかの例では、長期期間は約１日より長く、かつ約１週間未満であり、短期期間は約１分より長く、約１日未満である。いくつかの例では、長期期間は約１日未満であり、短期期間は約１時間未満である。

一例では、コンピューティングデバイス２４は、患者１４の医療デバイスによって収集されたパラメトリック患者データを受信する。いくつかの例では、パラメトリック患者データは、患者１４の活動レベル、患者１４の心拍数、患者１４の姿勢、患者１４の心電図、患者１４の血圧、患者１４のパルス通過時間、患者１４の呼吸数、患者１４の低呼吸指数または無呼吸、患者１４の加速度計データ、患者１４の加速度計データから導出された１つ以上の特徴、例えば、活動数、姿勢、統計的制御プロセス変数などの、患者１４の生理学的データ、患者１４の未処理の筋電図、患者１４の未処理の筋電図から導出された１つ以上の特徴、例えば心拍変動、ｔ波交互脈、ＱＲＳ形態など、間隔データおよび間隔データから導出された特徴、心音、カリウムレベル、血糖指数、患者１４の体温、または上記のパラメトリックデータから導出されたいずれかのデータ、または任意の他のタイプのパラメトリック患者データを含む。いくつかの例では、パラメトリック患者データは、患者１４の年齢、患者１４の性別、患者１４の活動パターン、患者１４の睡眠パターン、患者１４の歩行変化、または医療デバイスまたは患者１４の温度傾向など、患者１４の行動データまたは人口統計学データを含む。いくつかの例では、医療デバイスは、１つ以上のセンサからの情報を処理することによって、パラメトリック患者データを自動的に生成することができる。例えば、医療デバイスは、患者１４が転倒したこと、患者１４が虚弱であるか、病気にかかっていること、あるいは患者１４が睡眠時無呼吸症候群の症例にかかっていることを、１つ以上のセンサを用いて判定してもよい。

いくつかの例では、パラメトリック患者データは、例えば、大気質測定、オゾンレベル、微粒子数、または患者１４に最も近い汚染レベル、周囲温度、または日照時間などの環境データを含む。いくつかの例では、医療デバイス、センサ８０または外部デバイス２７のうちの１つは、１つ以上のセンサを用いて、環境データを感知することができる。別の例では、環境データは、気象アプリケーションなどのアプリケーションを用いて外部デバイス２７によって受信され、外部デバイス２７上で実行され、ネットワーク２５上でコンピューティングデバイス２４にアップロードされる。別の例では、コンピューティングデバイス２４は、患者１４の位置ベースのデータを有するクラウドサービスから直接環境データを収集する。

いくつかの例では、パラメトリック患者データは、外部デバイス２７などの外部デバイスを用いて患者１４によってアップロードされた患者症状データを含む。例えば、患者１４は、スマートフォン上で実行されるアプリケーションを用いて患者症状データをアップロードすることができる。いくつかの例では、患者１４は、タッチスクリーン、キーボード、グラフィカルユーザインターフェース、音声コマンドなどによるユーザインターフェース（図１には図示せず）を用いて、患者症状データのアップロードをアップロードすることができる。他の例では、患者の画像は、外部デバイス２７のカメラを用いて取得され、患者の画像を処理して、患者症状データを識別することができる。

いくつかの例では、パラメトリック患者データは、医療デバイスの１つ以上の電極のインピーダンス、電極の選択、医療デバイスの薬物送達スケジュール、患者に送達される電気ペーシング療法の履歴、医療デバイスの診断データ、患者１４の検出された活動レベル、患者１４の検出された姿勢、医療デバイスまたは患者の検出された温度、または、例えば、患者が眠っているか起きているかなどの患者の検出された睡眠状態のうちの１つ以上など、デバイス関連データを含む。いくつかの例では、コンピューティングデバイス２４は、定期的に、例えば、毎日、パラメトリック患者データを受信する。いくつかの例では、パラメトリック患者データを収集する医療デバイスは、ＩＭＤ１６などのＩＭＤである。他の例では、パラメトリック患者データを収集する医療デバイスは、別のタイプの患者デバイスである。パラメトリック患者データを収集できる医療デバイスの例としては、ＩＭＤ１６、センサ８０Ａ～８０Ｂ（総称して「センサ８０」）、ウェアラブルデバイス、または、例えば患者プログラマ、臨床医プログラマ、または患者１４のモバイルデバイス（例えばスマートフォン）などの外部デバイス２７が含まれる。ウェアラブルデバイスには、ウェアラブルセンサ８０Ａ、ウェアラブル医療デバイス、またはその他のウェアラブル電子デバイスが含まれる。

いくつかの例では、センサ８０を使用して、患者１４のパラメトリック患者データを収集することができる。センサ８０のそれぞれは、１つ以上の加速度計、圧力センサ、Ｏ２飽和度のための光学センサなどを含み得る。いくつかの例では、センサ８０は、患者の活動レベル、患者の心拍数、患者の姿勢、患者の心電図、患者の血圧、患者の加速度計データ、または他のタイプのパラメトリック患者データのうちの１つ以上を含むパラメトリック患者データを感知してもよい。図１の例では、センサ８０Ａはウェアラブルセンサであり、センサ８０Ｂは非ウェアラブルセンサである。図１に示されているように、センサ８０Ａは、患者１４の上腕に配置されている。しかしながら、他のタイプのウェアラブルセンサ８０は、患者１４の他の身体部分に配置されてもよいし、患者１４の服装内、例えば衣服、靴、眼鏡、時計またはリストバンド、帽子などの中に組み込まれてもよい。

コンピューティングデバイス２４はさらに、提供者データベース６６および請求データベース６８から患者１４の提供者データを受信する。便宜上、「提供者データ」という用語は、患者１４に関する異なるタイプの医療情報を指すために全体を通して使用され、提供者データベース６６、請求データベース６８、または図１に明示的に描かれていない他の健康情報源によって記憶されたデータを含む。いくつかの例では、提供者データは、患者１４に関する多くの異なるタイプの過去の医療情報を含み得る。過去の医療情報は、例えば、電子カルテ（ＥＭＲ）データ、生涯電子カルテ（ＥＨＲ）データ、異なる医療提供者、検査室、臨床医、保険会社などからのデータを含んでもよい。過去の医療情報は、異なる無関係なエンティティによって管理される多数の異なるデータベースにわたって記憶されてもよい。１つの非限定的な例として、提供者データベース６６は、患者の投薬履歴、患者の外科的処置履歴、患者の入院履歴、経時的な患者のカリウム濃度、患者１４の１つ以上の臨床試験結果、患者１４の心血管履歴、または例えば心房細動、心不全、糖尿病などの患者１４の併存疾患を記憶することができる。さらなる例として、提供者データベース６６は、Ｘ線画像、超音波画像、心エコー図、解剖学的画像、医療写真、放射線画像など、患者１４の医療画像を記憶することができる。請求データベース６８は、患者１４の保険業者または他の支払人によって記憶された健康記録など、患者１４の請求または支払人情報を記憶することがきる。通常、提供者データは患者固有であり、例えば、患者１４の病歴を具体的に示す。しかしながら、いくつかの例では、提供者データは、複数の患者についてのより広い人口統計情報または集団タイプ情報を含み得る。例えば、提供者データは、患者固有の情報が削除された患者１４と同様の１つ以上の集団タイプの複数の患者の医療記録を含み得る。

コンピューティングデバイス２４は、複数の患者のパラメトリック患者データおよび提供者データを使用してトレーニングされた機械学習モデルを、患者１４のパラメトリック患者データおよび提供者データに適用して、患者１４の長期モニタリングを実行する。いくつかの例では、コンピューティングデバイス２４は、第１の期間（例えば、通常は約２４時間～約４８時間）内に患者１４に心不整脈が発生する長期確率を生成することによって、長期モニタリングを実行する。コンピューティングデバイス２４は、長期確率が長期の所定の閾値を超えているかどうかを判定し、長期確率が長期の所定の閾値を超えていると判定したことに応じて、ＩＭＤ１６に患者１４の短期モニタリングを実行させる命令を送信する。いくつかの例では、コンピューティングデバイス２４は、命令を外部デバイス２７に送信し、外部デバイス２７は、次に、命令をＩＭＤ１６に送信する。いくつかの例では、長期の所定の閾値は、心不整脈の予測において高い感度を保証する値であるように臨床医によって選択される。いくつかの例では、長期の所定の閾値は５０％である。いくつかの例では、長期の所定の閾値は、７５％、８０％、９０％、または９５％などの別の閾値である。いくつかの例では、命令により、ＩＭＤ１６は、第２の期間（例えば、通常は約３０分～約６０分）内に患者１４で不整脈が発生する短期確率を判定して、短期モニタリングを実行する。いくつかの例では、長期確率が長期の所定の閾値を超えていると判定したことに応じて、コンピューティングデバイス２４は、長期確率が長期の所定の閾値を超えたこと、またはコンピューティングデバイス２４が、患者１４が第１の期間内に心不整脈に陥る可能性が高いと判定したことを臨床医に通知するなど、他の措置を実行することができる。

コンピューティングデバイス２４から命令を受信したことに応じて、ＩＭＤ１６は、後続のパラメトリック患者データを処理して、第２の期間内に患者１４に心不整脈が発生する短期確率を生成する。いくつかの例では、ＩＭＤ１６は、後続のパラメトリック患者データに対して特徴検出を実行することによって、短期確率を生成する。いくつかの例では、ＩＭＤ１６は、上記のようにコンピューティングデバイス２４によって分析されたパラメトリック患者データと同様のパラメトリック患者データを分析することができる。他の例では、ＩＭＤ１６は、コンピューティングデバイス２４によって分析されたパラメトリック患者データとは異なるパラメトリック患者データを分析する。例えば、コンピューティングデバイス２４は、長期期間（例えば、約２４時間～約４８時間）にわたって平均化される１つ以上の値を表すパラメトリック患者データを分析することができ、一方、ＩＭＤ１６は、短期期間（例えば、約３０分～約６０分）にわたって平均化される１つ以上の値を表すパラメトリック患者データを分析することができる。

短期確率が短期の所定の閾値を超えていると判定したことに応じて、ＩＭＤ１６は療治措置を実行して、第２の期間内に患者１４に心不整脈が発生する短期確率を低減させる。いくつかの例では、短期の所定の閾値は、心不整脈の予測において高い特異度を保証する値であるように臨床医によって選択される。いくつかの例では、短期の所定の閾値は、９５％である。いくつかの例では、短期の所定の閾値は、８０％、９０％、９９％、９９．５％、または９９．９％などの別の閾値である。

例えば、ＩＭＤ１６は、第２の期間内に患者１４に心不整脈が発生する短期確率の通知をコンピューティングデバイス２４に発行することができ、それによって、患者１４または臨床医は、第２の期間内に患者１４に心不整脈が発生する可能性に気付くことができるようなる。別の例では、ＩＭＤ１６は、薬物送達療法または電気ペーシング療法などの患者１４への療法を開始して、第２の期間内に患者１４に心不整脈が発生する可能性を低減する。

いくつかの例では、コンピューティングデバイス２４からの命令に応じて、ＩＭＤ１６は、パラメトリック患者データを処理して、患者１４に心不整脈が発生する短期確率を生成し、短期確率が短期の所定の閾値を一度超えているかどうかを判定する。他の例では、ＩＭＤ１６は、パラメトリック患者データを処理して、患者１４に心不整脈が発生する短期確率を生成し、短期確率が第１の期間について連続的に短期の所定の閾値を超えているかどうかを判定する。他の例では、ＩＭＤ１６は、パラメトリック患者データを処理して、患者１４に心不整脈が発生する短期確率を生成し、第１の期間の間に複数回（例えば、１０分に１回、１時間に１回、１日に１回等）周期的に短期確率が短期の所定の閾値を超えているかどうかを判定する。

いくつかの例では、第１の期間内に患者に心不整脈が発生する可能性が低下したと判定されると、ＩＭＤ１６は短期モニタリングの実行を停止する。例えば、ＩＭＤ１６は、後続のパラメトリック患者データの処理を停止して、第１の期間内に患者１４に心不整脈が発生する短期確率を生成することができる。いくつかの例では、ＩＭＤ１６は、一定の時間が経過した後、例えば、長期期間の後に、短期モニタリングの実行を停止する。いくつかの例では、ＩＭＤ１６は、長期期間よりも長い期間の後、短期モニタリングの実行を停止する。いくつかの例では、ＩＭＤ１６は約１日後に短期モニタリングの実行を停止する。いくつかの例では、ＩＭＤ１６は約１週間後に短期モニタリングの実行を停止する。いくつかの例では、ＩＭＤ１６が患者１４の短期モニタリングを実行する期間は、長期間とほぼ同じである。他の例では、ＩＭＤ１６が患者１４の短期モニタリングを実行する期間は、長期間よりも長いか、または短い。

いくつかの例では、ＩＭＤ１６は、コンピューティングデバイス２４から命令を受信したことに応じて、短期モニタリングの実行を停止する。例えば、第１の期間内に患者１４に心不整脈が発生する長期確率が長期の所定の閾値未満に減少したという判定に応じて、コンピューティングデバイス２４は、短期モニタリングの実行を停止するために、命令をＩＭＤ１６に送信する。

コンピューティングデバイス２４によって命令された場合にのみ、パラメトリック患者データを処理して短期確率を生成することにより、ＩＭＤ１６は、パラメトリック患者データを処理するなどの電力増大操作が、急迫心不整脈を防止するために患者１４にとって有益な操作である場合にのみ、そのような操作を実行する。したがって、ＩＭＤ１６は、電力を節約し、そのため、従来のシステムよりも長いバッテリ寿命を呈することが可能である。

図１の例に示されているように、ＩＭＤ１６は、患者１４の短期モニタリングを実行する植込み型医療デバイスである。しかしながら、本開示の技法の他の例では、外部デバイス２７、センサ８０のうちの１つ以上、ウェアラブル医療デバイス、または患者１４の外部にある他のタイプのデバイスなど、別の医療デバイスが、本明細書に記載されているように、患者１４の短期モニタリングを実行してもよい。

前述の例では、コンピューティングデバイス２４は、パラメトリック患者データ、提供者データを受信し、機械学習モデルをパラメトリック患者データおよび提供者データに適用して、第１の期間内に患者１４に心不整脈が発生する長期確率を生成し、ＩＭＤ１６に命令を送信する単一のデバイスまたは分散システムである。しかしながら、他の例では、コンピューティングデバイス２４の機能は、デバイス群によって実行され得る。例えば、外部プログラマは、ＩＭＤ１６からパラメトリック患者データを受信し、パラメトリック患者データをネットワーク２５内のローカルアクセスポイントにアップロードすることができる。さらに、ローカルアクセスポイントは、提供者データベース６６から、患者１４の提供者データを受信することができる。分散コンピューティングシステムは、ローカルアクセスポイントから、患者１４のパラメトリックデータおよび提供者データを受信し、機械学習モデルを適用して、第１の期間内に患者１４に心不整脈が発生する長期確率を生成することができる。分散コンピューティングシステムは、ローカルアクセスポイントを用いて、外部プログラマに長期確率を送信することができる。外部プログラマは、長期確率が長期の所定の閾値を超えていると判定し、それに応じて、ＩＭＤ１６に命令を送信して、ＩＭＤ１６に患者１４の短期モニタリングを実行させることができる。

前述の例は、２層予測システムについて説明しており、例えば、コンピューティングデバイス２４は、患者１４の心不整脈の第１の一般化長期予測を行い、ＩＭＤ１６は、患者１４の心不整脈の第２のきめ細かい短期予測を行う。しかしながら、本開示の技法は、様々な数の層のシステムを提供し得る。例えば、３層予測システムでは、コンピューティングデバイス２４が、患者１４の心不整脈の第１の一般化長期予測を行い、外部デバイス７が、第２の中間予測を行い、ＩＭＤ１６が、患者１４の心不整脈の第３のきめ細かい短期予測を行う。本開示の技法の他の例は、様々なレベルにおける追加の予測を組み込んで、患者１４で予測される心不整脈の精度をさらに高めるので、４、５、またはそれ以上の層のシステムをもたらすことができる。

さらに、２層予測システムの前述の例では、コンピューティングデバイス２４が、患者１４の心不整脈の第１の一般化長期予測を行い、ＩＭＤ１６が、患者１４の心不整脈の第２のきめ細かい短期予測を行う。さらに、３層予測システムの前述の例では、コンピューティングデバイス２４が、患者１４の心不整脈の第１の一般化長期予測を行い、外部デバイス２７が、第２の中間予測を行い、ＩＭＤ１６が、患者１４の心不整脈の第３のきめ細かい短期予測を行う。しかしながら、コンピューティングデバイス２４、外部デバイス２７、および／またはＩＭＤ１６の各々によって行なわれたこれらの予測は、例としてのみ提供されている。他の例では、コンピューティングデバイス２４、外部デバイス２７、および／またはＩＭＤ１６の各々は、同様のまたは異なる時間の長さの予測を行うことができる。例えば、コンピューティングデバイス２４、外部デバイス２７、および／またはＩＭＤ１６のそれぞれは、本明細書に記載の技法を使用して、心不整脈の長期、中間または中期、あるいは短期の予測を実行することが可能であってもよい。例えば、コンピューティングデバイス２４は、パラメトリック患者データおよび提供者データを使用して、患者１４の心不整脈の短期予測を行い、心不整脈の可能性があると判定したことに応じて、患者１４における心不整脈の追加の短期予測の生成を実行するために、命令をＩＭＤ１６に送信することができる。

さらに、２層予測システムの前述の例では、コンピューティングデバイス２４が、患者１４の心不整脈の第１の一般化長期予測を行い、ＩＭＤ１６が、患者１４の心不整脈の第２のきめ細かい短期予測を行う。心不整脈が患者１４で発生する可能性が高いという判定に応じて、ＩＭＤ１６は、療治措置を実行して、心不整脈が患者１４で発生する短期確率を低減させることがきる。しかしながら、本開示の技法の他の例では、本明細書に記載の多層システムは、デバイスの異なる組み合わせを含み得る。例えば、２層予測システムは、患者１４における心不整脈の第１の一般化長期予測を行うコンピューティングデバイス２４と、患者１４における心不整脈の第２のきめ細かい短期予測を行い、患者１４における心不整脈が発生する短期確率を低下させるための療治措置を実行する外部デバイス２７と、を含んでもよい。別の例として、２層予測システムは、患者１４における心不整脈の第１の一般化長期予測を行う外部デバイス２７と、患者１４における心不整脈の第２のきめ細かい短期予測を行い、患者１４における心不整脈が発生する短期確率を低下させるための療治措置を実行するセンサ８０のうちの１つなど、ウエラブル医療デバイスと、を含んでもよい。さらに別の例では、２層予測システムは、患者１４における心不整脈の第１の一般化長期予測を行う外部デバイス２７と、患者１４における心不整脈の第２のきめ細かい短期予測を行い、患者１４における心不整脈が発生する短期確率を低下させるための療治措置を実行するＩＭＤ１６と、を含んでもよい。

したがって、本明細書に開示される技法は、患者のケアを強化し、患者の心不整脈を予防する能力を高めることを許容し得る。例えば、頻脈性不整脈が今後数日以内に発生する可能性が比較的高いという知識を用いて、患者の予防的ケアの指導に役立たせることができる。さらに、頻脈性不整脈が次の数分または数時間以内に発生する可能性が比較的高いという知識を用いて、患者の予防療法または救急医療を指導することができる。さらに、本明細書に開示されるそのようなシステムは、計算コストが高く電力を消費する長期の心不整脈予測操作を、患者の個人用医療デバイスからクラウドコンピューティングシステムに移し、クラウドコンピューティングシステムが今後数日以内に心不整脈が発生する可能性が比較的高いと予測した場合にのみ、医療デバイス上の短期の心臓予測操作を起動するようにしてもよい。したがって、本開示の技法は、心不整脈が特定の期間内に発生する可能性が比較的高い場合にのみ、心臓予測のために医療デバイスを使用することにより、電力を節約し、医療デバイスの電池寿命を延ばすことができる。

図２は、図１のシステム１０のＩＭＤ１６およびリード１８、２０、２２をより詳細に示す概念図である。図示の例では、双極電極４０および４２は、リード１８の遠位端に隣接して配置され、双極電極４８および５０は、リード２２の遠位端に隣接して配置される。さらに、４つの電極４４、４５、４６、および４７が、リード２０の遠位端に隣接して配置されている。リード２０は、四極ＬＶリードと呼ばれることがある。他の例では、リード２０は、より多くのまたはより少ない電極を含み得る。いくつかの例では、ＬＶリード２０は、セグメント化された電極を含み、例えば、電極４４、４５、４６および４７の位置などのリードの複数の長手方向電極位置の各々が、リードの円周上のそれぞれの円周方向位置に配置された複数の個別の電極を含んでいる。

図示の例では、電極４０および４４～４８はリング電極の形態を取り、電極４２および５０は、それぞれ、絶縁電極ヘッド５２および５６内に格納可能に取り付けられた拡張可能な螺旋状先端電極の形態を取ることができる。リード１８および２２はまた、それぞれ、コイルの形態を取ることができる細長い電極６２および６４を含む。いくつかの例では、電極４０、４２、４４～４８、５０、６２、および６４の各々は、その関連するリード１８、２０、２２のリード本体内のそれぞれの導体に電気的に結合され、それによってＩＭＤ１６内の回路に結合される。

いくつかの例では、ＩＭＤ１６は、図２に示されるハウジング電極４などの１つ以上のハウジング電極を含み、これは、ＩＭＤ１６の密閉されたハウジング８の外面と一体的に形成され得るか、そうでなければハウジング８に結合され得る。いくつかの例では、ハウジング電極４は、ＩＭＤ１６のハウジング８の外向き部分の非絶縁部分によって画定される。ハウジング８の絶縁部分と非絶縁部分との間の他の分割を使用して、２つ以上のハウジング電極を画定することができる。いくつかの例では、ハウジング電極は、ハウジング８の実質的にすべてを含む。

ハウジング８は、心臓ペーシング、電気的除細動、および除細動パルスなどの治療刺激を生成する信号生成回路、ならびに心臓１２の脱分極および再分極に伴う電気信号を感知するための感知回路を封入している。ハウジング８はまた、感知された電気信号を記憶するためのメモリを封入することができる。ハウジング８はまた、ＩＭＤ１６とコンピューティングデバイス２４との間の通信のための通信回路１７を封入することができる。

ＩＭＤ１６は、電極４、４０、４２、４４～４８、５０、６２、および６４を用いて、心臓１２の脱分極および再分極に伴う電気信号を感知する。ＩＭＤ１６は、電極４０、４２、４４～４８、５０、６２、および６４のいずれかの双極の組み合わせを用いて、そのような電気信号を感知することができる。さらに、電極４０、４２、４４～４８、５０、６２、および６４のいずれかを、ハウジング電極４と組み合わせて単極感知に使用することができる。

リード１８、２０、２２および電極の図示された数および構成は、例にすぎない。他の構成、すなわち、リードおよび電極の数および位置が可能である。いくつかの例では、システム１０は、患者１４に対して治療を感知および／または提供するために、心臓血管系の異なる位置に配置された１つ以上の電極を有する追加のリードまたはリードセグメントを含み得る。例えば、心臓間リード１８、２０および２２の代わりに、またはそれに加えて、システム１０は、心臓１２内に配置されていない１つ以上の心外膜または血管外（例えば、皮下または胸骨下）リードを含み得る。

本開示の技法によれば、ＩＭＤ１６は、図１のコンピューティングデバイス２４から、患者１４の短期モニタリングを実行するために、命令を受信する。例えば、コンピューティングデバイス２４から命令を受信したことに応じて、ＩＭＤ１６は、後続のパラメトリック患者データを処理して、第２の期間内に患者１４に心不整脈が発生する短期確率を生成する。いくつかの例では、ＩＭＤ１６は、後続のパラメトリック患者データに対して特徴検出を実行することによって、短期確率を生成する。いくつかの例では、ＩＭＤ１６は、上記のようにコンピューティングデバイス２４によって分析されたパラメトリック患者データと同様のパラメトリック患者データを分析することができる。他の例では、ＩＭＤ１６は、コンピューティングデバイス２４によって分析されたパラメトリック患者データとは異なるパラメトリック患者データを分析する。例えば、コンピューティングデバイス２４は、比較的長期期間（例えば、約２４時間～約４８時間）にわたって平均化される１つ以上の値を表すパラメトリック患者データを分析することができ、一方、ＩＭＤ１６は、比較的短期期間（例えば、約３０分～約６０分）にわたって平均化される１つ以上の値を表すパラメトリック患者データを分析することができる。本開示を通して使用される場合、「長期期間」および「短期期間」は、本明細書では、異なる長さの２つの期間を互いに区別するために使用され、ここで、２つの期間のうちの１つ（例えば、「長期期間」）は、２つの期間の他方（例えば、「短期期間」）よりも長い。

短期確率が短期の所定の閾値を超えていると判定したことに応じて、ＩＭＤ１６は療治措置を実行して、第２の期間内に患者１４に心不整脈が発生する短期確率を低減させる。例えば、ＩＭＤ１６は、第２の期間内に患者１４に心不整脈が発生する短期確率の通知をコンピューティングデバイス２４に発行することができ、それによって、患者１４または臨床医は、第２の期間内に患者１４に心不整脈が発生する可能性に気付くことができるようなる。別の例では、ＩＭＤ１６は、薬物送達療法または電気ペーシング療法などの患者１４への療法を開始して、第２の期間内に患者１４に心不整脈が発生する可能性を低減する。

治療的電気刺激を提供する例示的なＩＭＤ１６との関連で本明細書に記載されているが、本明細書に開示された心不整脈の短期予測のための技法は、他のタイプのデバイスで使用されてもよい。例えば、技法は、心臓血管系の外側の電極に結合された心臓外除細動器、例えば、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃＰＬＣから市販されているＭｉｃｒａ^（商標）経カテーテルペーシングシステムなどの心臓内に植込まれるように構成されている経カテーテルペースメーカ、ＭｅｄｔｒｏｎｉｃＰＬＣから同様に市販されているＲｅｖｅａｌＬＩＮＱ^（商標）ＩＣＭなどの挿入可能な心臓モニタ、神経刺激装置、薬物送達デバイス、ウェアラブル除細動器、フィットネストラッカ、またはその他のウェアラブルデバイスなどのウェアラブルデバイス、携帯電話、「スマート」フォン、ラップトップ、タブレットコンピュータ、携帯情報端末（ＰＤＡ）、または「スマート」グラスや「スマート」ウォッチなどの「スマート」アパレルなどのモバイルデバイスで実施されてもよい。

したがって、本明細書に開示される技法は、患者のケアを強化し、患者の心不整脈を予防する能力を高めることを許容し得る。例えば、頻脈性不整脈が今後数日以内に発生する可能性が比較的高いという知識を用いて、患者の予防的ケアの指導に役立たせることができる。さらに、頻脈性不整脈が次の数分または数時間以内に発生する可能性が比較的高いという知識を用いて、患者の予防療法または救急医療を指導することができる。さらに、本明細書に開示されるようなシステムは、今後数日以内に心不整脈が発生する可能性が比較的高いことをクラウドコンピューティングシステムが予測したことに応じてのみ、医療デバイスでの短期心臓予測操作を有効にすることができる。したがって、本開示の技法は、心不整脈が特定の期間内に発生する可能性が比較的高い場合にのみ、心臓予測のために医療デバイスを使用することにより、電力を節約し、医療デバイスの電池寿命を延ばすことができる。

図３は、本開示の技法による例示的なＩＭＤ１６のブロック図である。図示の例では、ＩＭＤ１６は、処理回路５８、メモリ５９、通信回路１７、感知回路５０、治療送達回路５２、センサ５７、および電源５４を含む。メモリ５９は、処理回路５８によって実行されると、ＩＭＤ１６および処理回路５８が、本明細書においてＩＭＤ１６および処理回路５８に帰属する様々な機能（例えば、心不整脈の短期予測の実行、抗頻脈ペーシング、徐脈ペーシング、およびショック後ペーシング療法などの治療の送達など）を実行させるコンピュータ可読命令を含む。メモリ５９は、ランダムアクセスメモリ（ＲＡＭ）、読出し専用メモリ（ＲＯＭ）、不揮発性ＲＡＭ（ＮＶＲＡＭ）、電気的消去可能なプログラム可能ＲＯＭ（ＥＥＰＲＯＭ）、フラッシュメモリ、または他のいずれかのデジタルまたはアナログ媒体などのいずれかの揮発性、不揮発性、磁気的、光学的、または電気的媒体を含み得る。

処理回路５８は、マイクロプロセッサ、コントローラ、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、または同等の個別またはアナログ論理回路のうちのいずれか１つ以上を含み得る。いくつかの例では、処理回路５８は、１つ以上のマイクロプロセッサ、１つ以上のコントローラ、１つ以上のＤＳＰ、１つ以上のＡＳＩＣ、または１つ以上のＦＰＧＡのいずれかの組み合わせなどの複数の構成要素、ならびに他の個別または統合論理回路を含み得る。本明細書の処理回路５８に帰属する機能は、ソフトウェア、ファームウェア、ハードウェア、またはそれらのいずれかの組み合わせとして具体化することができる。

処理回路５８は、メモリ５９に記憶され得る治療パラメータに従って、心臓５に刺激治療を送達するように治療送達回路５２を制御する。例えば、処理回路５８は、治療パラメータによって指定された振幅、パルス幅、周波数、または電極極性を有する電気パルスを送達するように治療送達回路５２を制御することができる。このようにして、治療送達回路５２は、電極３４および４０を用いて、ペーシングパルス（例えば、ＡＴＰパルス、徐脈ペーシングパルス、またはショック後ペーシング療法）を心臓５に送達することができる。いくつかの例では、治療送達回路５２は、電圧または電流の電気パルスの形で、ペーシング刺激、例えば、ＡＴＰ療法、徐脈療法、またはショック後ペーシング療法を送達することができる。他の例では、治療送達回路５２は、正弦波、方形波、または他の実質的に連続する時間信号などの他の信号の形で、これらのタイプの刺激のうちの１つ以上を送達することができる。

治療送達回路５２は、ＩＭＤ１６のハウジングに搭載された電極３４および４０に電気的に結合されている。ＩＭＤ１６は、２つの電極、例えば、電極３４および４０のみを含み得るが、他の例では、ＩＭＤ１６は、３つ以上の電極を利用することができる。ＩＭＤ１６は、治療を送達するため、および／または患者１２からの電気信号を検出するために、電極のいずれかの組み合わせを使用することができる。いくつかの例では、治療送達回路５２は、充電回路、１つ以上のパルス発生器、コンデンサ、変圧器、スイッチングモジュール、および／またはペーシング療法として、心臓再同期療法、他の治療、また治療の組み合わせを送達するためのエネルギーを生成および／または蓄積することが可能な他の構成要素を含む。いくつかの例では、治療送達回路５２は、治療の振幅、周波数、電圧または電流を定義する１つ以上の治療パラメータセット、または治療の他のパラメータに従って、１つ以上の電気パルスとして治療を送達する。

感知回路５０は、心臓１２の電気的活動、インピーダンス、または他の電気現象を監視するために、電極４、４０、４２、４４～４８、５０、６２、６４からの２つ以上の電極の１つ以上の組み合わせ（ベクトルともいう）からの信号を監視する。いくつかの例では、感知回路５０は、１つ以上のアナログ構成要素、デジタル構成要素、またはそれらの組み合わせを含む。いくつかの例では、感知回路５０は、１つ以上の感知増幅器、比較器、フィルタ、整流器、閾値検出器、アナログ・デジタル変換器（ＡＤＣ）などを含む。いくつかの例では、感知回路５０は、感知された信号をデジタル形式に変換し、処理または分析のためにデジタル信号を処理回路５８に提供する。一例では、感知回路５０は、電極４、４０、４２、４４～４８、５０、６２、および６４からの信号を増幅し、増幅された信号をＡＤＣによってマルチビットデジタル信号に変換する。

いくつかの例では、感知回路５０は、心拍数または心拍変動を判定するために、または不整脈（例えば、頻脈性不整脈または徐脈）を検出するために、または心電図から他のパラメータまたはイベントを感知するために、心電図の感知を実行する。感知回路５０はまた、電流感知構成で使用される電極の組み合わせまたは電極ベクトルに応じて、利用可能な電極（および電極極性）のうちのどれが心臓活動を感知するために使用されるかを選択するためのスイッチング回路を含み得る。処理回路５８は、感知電極として機能する電極とその極性を選択するためのスイッチング回路を制御してもよい。感知回路５０は、１つ以上の検出チャネルを含み得、それらの各々は、その電極構成を用いて心臓信号を検出するために選択された電極構成に結合され得る。いくつかの例では、感知回路５０は、処理された信号を閾値と比較して、心房または心室の脱分極の存在を検出し、心房脱分極（例えば、Ｐ波）または心室脱分極（例えば、Ｒ波）の存在を処理回路５８に示す。感知回路５０は、心電図の振幅を調整可能であり得る閾値と比較するための１つ以上の増幅器または他の回路を含み得る。

処理回路５８は、ハードウェア、ファームウェア、ソフトウェア、またはそれらのいずれかの組み合わせとして具体化され得るタイミングおよび制御モジュールを含み得る。タイミングおよび制御モジュールは、マイクロプロセッサなどの他の処理回路５８の構成要素とは別に、ＡＳＩＣなどの専用のハードウェア回路、またはマイクロプロセッサまたはＡＳＩＣであり得る処理回路５８の構成要素によって実行されるソフトウェアモジュールを含み得る。タイミングおよび制御モジュールは、プログラム可能なカウンタを実施することができる。ＩＭＤ１６が徐脈ペーシングパルスを生成して心臓１２に送達するように構成されている場合、そのようなカウンタは、ＤＤＤ、ＶＶＩ、ＤＶＩ、ＶＤＤ、ＡＡＩ、ＤＤＩ、ＤＤＤＲ、ＶＶＩＲ、ＤＶＩＲ、ＶＤＤＲ、ＡＡＩＲ、ＤＤＩＲ、および他のペーシングモードに関連付けられた基本的な時間間隔を制御してもよい。

メモリ５９は、様々な動作パラメータ、治療パラメータ、感知および検出されたデータ、ならびに患者１２の治療および処置に関連する他の情報を記憶するように構成され得る。図３の例では、メモリ５８は、例えば、検出または予測された不整脈に関連する感知された心臓ＥＧＭ、および治療送達回路５２によって提供される治療の送達を定義する治療パラメータを記憶し得る。他の例では、メモリ５８は、データがコンピューティングデバイス２４にアップロードできるようになるまで、データを記憶するための一時的バッファとして機能することができる。

通信回路１７は、図１のネットワーク２５を用いて、コンピューティングデバイス２４などの別のデバイスと通信するためのいずれか適切な回路、ファームウェア、ソフトウェア、またはそれらのいずれかの組み合わせを含む。例えば、通信回路１７は、ネットワーク２５を用いてコンピューティングデバイス２４などの他のデバイスと無線周波数通信を行なうために、１つ以上のアンテナ、変調および復調回路、フィルタ、増幅器などを含み得る。処理回路５８の制御の下で、通信回路１７は、内部および／または外部であり得るアンテナを用いて、コンピューティングデバイス２４からダウンリンクテレメトリを受信し、アップリンクテレメトリをコンピューティングデバイス２４に送信することができる。処理回路５８は、コンピューティングデバイス２４にアップリンクされるデータおよび通信回路１７内のテレメトリ回路の制御信号を、例えばアドレス／データバスを介して提供することができる。いくつかの例では、通信回路１７は、マルチプレクサを用いて、受信データを処理回路５８に提供することができる。

電源５４は、ＩＭＤ１６の回路を動作させるために電荷を保持するように構成されている、いずれかのタイプのデバイスであり得る。電源５４は、充電式または非充電式電池として提供され得る。他の例では、電源５４は、患者１２内のＩＭＤ１６の動きから電気エネルギーを蓄積するエネルギー掃気システムを組み込むことができる。

本開示の技法によれば、ＩＭＤ１６は、感知回路５０および／またはセンサ５７を介して、患者１４のパラメトリック患者データを収集する。センサ５７は、１つ以上の加速度計、圧力センサ、Ｏ２飽和度のための光学センサなどの、１つ以上のセンサを含み得る。いくつかの例では、パラメトリック患者データは、患者の活動レベル、患者の心拍数、患者の姿勢、患者の心電図、患者の血圧、患者の加速度計データ、または他のタイプのパラメトリック患者データのうちの１つ以上を含む。ＩＭＤ１６は、通信回路１７を介して、パラメトリック患者データを、ネットワーク２５上でコンピューティングデバイス２４に、および／またはセンサ８０のうちの１つ以上または外部デバイス２７にアップロードする。活動レベルは、いくつかの例では、１秒以上または１分以上などの期間にわたる活動の総和であり得る。いくつかの例では、ＩＭＤ１６は、パラメトリック患者データをコンピューティングデバイス２４、外部デバイス２７、および／またはセンサ８０に毎日アップロードする。いくつかの例では、パラメトリック患者データは、長期期間（例えば、約２４時間～約４８時間）にわたる患者１４の平均測定値を表す１つ以上の値を含む。この例では、ＩＭＤ１６は、パラメトリック患者データをコンピューティングデバイス２４にアップロードするとともに、（後述するように）患者１４の短期モニタリングを実行する。しかしながら、他の例では、パラメトリック患者データを収集する医療デバイスは、患者１４の短期モニタリングを実行する医療デバイスとは異なる。例えば、患者１４のウェアラブル医療デバイスまたはモバイルデバイス（例えば、スマートフォン）などの１つ以上の他のデバイスは、パラメトリック患者データを収集し、パラメトリック患者データをコンピューティングデバイス２４にアップロードすることができる。

いくつかの例では、処理回路５８は、患者１４の短期モニタリングを実行するために、図１のコンピューティングデバイス２４から命令を受信する。例えば、コンピューティングデバイス２４から命令を受信したことに応じて、処理回路５８は、メモリ５９に記憶された短期予測ソフトウェア６０Ａを短期予測ソフトウェア６０Ｂとして実行する。例えば、処理回路５８は、短期予測ソフトウェア６０Ａを実行して、後続のパラメトリック患者データを処理して、短期期間内に患者１４に心不整脈が発生する短期確率を生成することができる。いくつかの例では、処理回路５８は、感知回路５０によって感知された後続のパラメトリック患者データに対して特徴検出を実行することによって短期確率を生成する。いくつかの例では、処理回路５８は、心電図データ、電極インピーダンス測定、加速度計データ、患者１４の温度データ、または患者１４の心臓の音声データのうちの１つ以上に対して特徴検出を実行する。

一例として、処理回路５８は、心電図データを含む後続のパラメトリック患者データに対して特徴検出を実行する。この例では、パラメトリック患者データは、患者１４の心電図のＴ波の平均周波数または平均振幅のうちの１つ以上を含む。処理回路５８は、感知回路５０および／またはセンサ５７から未処理の心電図信号を受信し、未処理の心電図信号から特徴を抽出する。いくつかの例では、処理回路５８は、Ｔ波交互脈、ＱＲＳ形態測定などのうちの１つ以上を識別する。例えば、処理回路５８は、患者１４の心電図のＴ波の１つ以上の特徴を識別し、１つ以上の識別された特徴にモデルを適用して、短期期間内に患者１４に心不整脈が発生する短期確率を生成する。いくつかの例では、１つ以上の識別された特徴は、Ｔ波の１つ以上の振幅である。いくつかの例では、１つ以上の識別された特徴は、Ｔ波の周波数である。いくつかの例では、１つ以上の識別された特徴は、少なくともＴ波の振幅およびＴ波の周波数を含む。

いくつかの例では、処理回路５８は、患者１４におけるその後の心不整脈を叙述する、パラメトリック患者データの１つ以上の識別された特徴における１つ以上の相対的変化を識別する。いくつかの例では、処理回路５８は、患者１４におけるその後の心不整脈を叙述する複数の識別された特徴間の１つ以上のインタラクションを識別する。いくつかの例では、処理回路５８は、短期期間（例えば、約３０分～約６０分）にわたって平均化される１つ以上の値を表すパラメトリック患者データを分析する。

いくつかの例では、処理回路５８は、識別された特徴を、第２の機械学習モデルへの入力として使用し、第２の機械学習モデルの出力として、短期期間内に患者１４に心不整脈が発生する短期確率を生成することができる。別の例では、処理回路５８は、感知回路５０および／またはセンサ５７を用いて得られた未処理信号を、短期確率を生成する第２の機械学習モデルへの直接入力として使用する。いくつかの例では、第２の機械学習モデルは、コンピューティングデバイス２４の機械学習モデルについて上述したトレーニングプロセスと同様の方法で、複数の患者のパラメトリック患者データおよび提供者データを使用してトレーニングされる。いくつかの例では、第２の機械学習モデルは、過去に第２の機械学習モデルによって行なわれた正しい予測と誤った予測とから「学習」することによって、第２の機械学習モデルによって行なわれた予測を段階的に改善するように、患者１４に心不整脈が発生したかどうかを示す受信したフィードバックに基づいて、エラー訂正を実行する。さらに、トレーニングプロセスを使用して、特定の個人に対してより正確な予測を提供するため、集団ベースのデータを使用してトレーニングされる第２の機械学習モデルをさらに微調整することができる。

処理回路５８は、心不整脈が短期期間に患者１４に発生する短期確率を所定の閾値と比較する。短期確率が短期の所定の閾値を超えていると判定したことに応じて、処理回路５８は療治措置を実行して、短期期間内に患者１４に心不整脈が発生する短期確率を低減させる。例えば、処理回路５８は、通信回路１７を用いて、短期間内に患者１４に心不整脈が発生する短期確率の通知をコンピューティングデバイス２４に発行することができ、それによって、患者１４または臨床医は、短期間内に患者１４に心不整脈が発生する可能性に気付くことが可能になる。別の例では、処理回路５８は、治療送達回路５２に、患者１４への治療の送達を開始させる。図３の例では、治療送達回路５２は、電気刺激療法または電気ペーシング療法を送達するように構成されているが、他の例では、処理回路５８は、例えば、薬物送達システムに薬物療法を患者１４に送達させることができる。したがって、処理回路５８は、療治措置を実行して、短期期間内に患者１４に心不整脈が発生する可能性を低減することができる。

治療的電気刺激を提供する例示的なＩＭＤ１６との関連で本明細書に記載されているが、本明細書に開示された心不整脈の短期予測のための技法は、他のタイプのデバイスで使用されてもよい。例えば、技法は、心臓内に植込まれるように構成されている経カテーテルペースメーカ、例えば、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃＰＬＣから市販されているＭｉｃｒａ^（商標）経カテーテルペーシングシステムなどの心臓内に植込まれるように構成されている経カテーテルペースメーカ、ＭｅｄｔｒｏｎｉｃＰＬＣから同様に市販されているＲｅｖｅａｌＬＩＮＱ（商標）ＩＣＭなどの挿入可能な心臓モニタ、神経刺激装置、薬物送達デバイス、ウェアラブル除細動器、フィットネストラッカ、またはその他のウェアラブルデバイスなどのウェアラブルデバイス、携帯電話、「スマート」フォン、ラップトップ、タブレットコンピュータ、携帯情報端末（ＰＤＡ）、または「スマート」グラスや「スマート」ウォッチなどの「スマート」アパレルなどのモバイルデバイスで実施されてもよい。

したがって、本明細書に開示される技法は、患者のケアを強化し、患者の心不整脈を予防する能力を高めることを許容し得る。例えば、頻脈性不整脈が次の数分または数時間以内に発生する可能性が比較的高いという知識を用いて、患者の予防療法または救急医療を指導することができる。さらに、本明細書に開示されるようなシステムは、今後数日以内に心不整脈が発生する可能性が比較的高いことをコンピューティングシステム２４が予測したことに応じてのみ、医療デバイスでの短期心臓予測操作を有効にすることができる。したがって、本開示の技法は、心不整脈が特定の期間内に発生する可能性が比較的高い場合にのみ、心臓予測のためにＩＭＤ１６を使用することにより、電力を節約し、ＩＭＤ１６の電池寿命を延ばすことができる。

図４は、本開示の１つ以上の技法に従って動作する例示的なコンピューティングデバイス２４を示すブロック図である。一例では、コンピューティングデバイス２４は、長期予測モジュール４５０または本明細書に記載のいずれかの他のアプリケーションを含むアプリケーション４２４を実行するための処理回路４０２を含む。例示の目的のために、図４にはスタンドアロンのコンピューティングデバイス２４として示されているが、コンピューティングデバイス２４は、ソフトウェア命令を実行するための処理回路または他の適切なコンピューティング環境を含むいずれかの構成要素またはシステムであってもよく、例えば、必ずしも図４に示された１つ以上の要素を含む必要はない（例えば、通信回路４０６、およびいくつかの例では、記憶デバイス（複数可）４０８のような構成要素は、他の構成要素と同位置に、または同じ筐体内に配置されていなくてもよい）。いくつかの例では、コンピューティングデバイス２４は、複数のデバイスに分散されたクラウドコンピューティングシステムであり得る。

図４の例に示されるように、コンピューティングデバイス２４は、処理回路４０２、１つ以上の入力デバイス４０４、通信回路４０６、１つ以上の出力デバイス４１２、１つ以上の記憶デバイス４０８、およびユーザインターフェース（ＵＩ）デバイス（複数可）４１０を含む。一例では、コンピューティングデバイス２４は、コンピューティングデバイス２４によって実行可能である長期予測モジュール４５０、およびオペレーティングシステム４１６などの１つ以上のアプリケーション（複数可）４２４をさらに含む。構成要素４０２、４０４、４０６、４０８、４１０、および４１２の各々は、構成要素間通信のために（物理的に、通信可能に、および／または動作可能に）結合される。いくつかの例では、通信チャネル４１４は、システムバス、ネットワーク接続、プロセス間通信データ構造、またはデータを通信するためのいずれかの他の方法を含み得る。一例として、構成要素４０２、４０４、４０６、４０８、４１０、および４１２は、１つ以上の通信チャネル４１４によって結合され得る。

一例では、処理回路４０２は、コンピューティングデバイス２４内で実行するための機能および／または処理命令を実施するように構成されている。例えば、処理回路４０２は、記憶デバイス４０８に記憶された命令を処理することが可能であり得る。処理回路４０２の例は、マイクロプロセッサ、コントローラ、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、または同等の個別または集積論理回路のうちのいずれか１つ以上を含み得る。

１つ以上の記憶デバイス４０８は、動作中にコンピューティングデバイス２４内に情報を記憶するように構成され得る。いくつかの例では、記憶デバイス４０８は、コンピュータ可読記憶媒体として説明されている。いくつかの例では、記憶デバイス４０８は一時メモリであり、これは、記憶デバイス４０８の主な目的が長期記憶ではないことを意味する。いくつかの例では、記憶デバイス４０８は、揮発性メモリとして説明され、これは、コンピュータがオフにされたときに、記憶デバイス４０８が記憶された内容を維持しないことを意味する。揮発性メモリの例には、ランダムアクセスメモリ（ＲＡＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、および当技術分野で知られている他の形態の揮発性メモリが含まれる。いくつかの例では、記憶デバイス４０８を使用して、処理回路４０２によって実行するためのプログラム命令を記憶する。一例では、記憶デバイス４０８は、プログラム実行中に情報を一時的に記憶するために、コンピューティングデバイス２４上で実行されるソフトウェアまたはアプリケーション４２４によって使用される。

いくつかの例では、記憶デバイス４０８はまた、１つ以上のコンピュータ可読記憶媒体を含む。記憶デバイス４０８は、揮発性メモリよりも大量の情報を記憶するように構成され得る。記憶デバイス４０８は、情報の長期記憶のためにさらに構成され得る。いくつかの例では、記憶デバイス４０８は、不揮発性記憶要素を含む。そのような不揮発性記憶要素の例には、磁気ハードディスク、光ディスク、フロッピーディスク、フラッシュメモリ、または電気的プログラム可能メモリ（ＥＰＲＯＭ）または電気的消去可能なプログラム可能（ＥＥＰＲＯＭ）メモリの形態が含まれる。

コンピューティングデバイス２４は、いくつかの例では、通信回路４０６も含む。一例では、コンピューティングデバイス２４は、通信回路４０６を利用して、図１のＩＭＤ１６および提供者データベース６６などの外部デバイスと通信する。通信回路４０６は、イーサネットカード、光トランシーバ、無線周波数トランシーバ、または情報を送受信することができるいずれかの他のタイプのデバイスなどのネットワークインターフェースカードを含み得る。このようなネットワークインターフェースの他の例には、３Ｇ、４Ｇ、５Ｇ、およびＷｉＦｉ無線が含まれ得る。

一例では、コンピューティングデバイス２４は、１つ以上のユーザインターフェースデバイス４１０も含む。いくつかの例では、ユーザインターフェースデバイス４１０は、触覚、音声、または映像フィードバックを通して、ユーザからの入力を受信するように構成されている。ユーザインターフェースデバイス（複数可）４１０の例には、プレゼンスセンシティブディスプレイ、マウス、キーボード、音声応答システム、ビデオカメラ、マイクロフォン、またはユーザからのコマンドを検出するためのいずれかの他のタイプのデバイスが含まれる。いくつかの例では、プレゼンスセンシティブディスプレイはタッチスクリーンを含む。

１つ以上の出力デバイス４１２もまた、コンピューティングデバイス２４に含まれ得る。出力デバイス４１２は、いくつかの例では、触覚、音声、または映像刺激を使用してユーザに出力を提供するように構成されている。出力デバイス４１２は、一例では、プレゼンスセンシティブディスプレイ、サウンドカード、ビデオグラフィックアダプタカード、または信号を人間または機械が理解できる適切な形式に変換するためのいずれかの他のタイプのデバイスを含む。出力デバイス４１２の追加の例には、スピーカ、ブラウン管（ＣＲＴ）モニタ、液晶ディスプレイ（ＬＣＤ）、またはユーザに理解可能な出力を生成することができるいずれかの他のタイプのデバイスが含まれる。

コンピューティングデバイス２４は、オペレーティングシステム４１６を含み得る。オペレーティングシステム４１６は、いくつかの例では、コンピューティングデバイス２４の構成要素の動作を制御する。例えば、オペレーティングシステム４１６は、一例では、１つ以上のアプリケーション４２４および長期予測モジュール４５０と、処理回路４０２、通信回路４０６、記憶デバイス４０８、入力デバイス４０４、ユーザインターフェースデバイス４１０、および出力デバイス４１２との通信を容易にする。

アプリケーション４２４はまた、コンピューティングデバイス２４によって実行可能であるプログラム命令および／またはデータを含み得る。コンピューティングデバイス２４によって実行可能な例示的なアプリケーション（複数可）４２４は、長期予測モジュール４５０を含み得る。示されていない他の追加のアプリケーションは、本明細書に記載された他の機能を提供するために代替的にまたは追加的に含まれ得るが、簡素化にするために図示されていない。

本開示の技法によれば、アプリケーション４２４は、長期予測モジュール４５０を含む。一例では、処理回路４０２は、長期予測モジュール４５０を実行して、図１の患者１４の心室性不整脈の長期予測を提供する。一例では、長期予測モジュール４５０は、患者１４のパラメトリック患者データおよび提供者データに基づいて、長期期間（例えば、通常、約２４時間～約４８時間）内に患者１４に心不整脈が発生する長期確率を生成する機械学習モデルを含む。いくつかの例では、機械学習モデルは、ニューラルネットワークシステム、深層学習システム、または他のタイプの教師付きまたは教師なし機械学習システムによって生成される。例えば、機械学習モデルは、畳み込みニューラルネットワーク、動径基底関数ニューラルネットワーク、リカレントニューラルネットワーク、モジュール型ニューラルネットワークまたは連想型ニューラルネットワークなどのフィードフォワードニューラルネットワークによって生成され得る。いくつかの例では、長期予測モジュール４５０は、複数の患者のパラメトリック患者データおよび提供者データを用いて機械学習モデルをトレーニングして、長期確率を生成する。いくつかの例では、機械学習モデルが、複数の患者のパラメトリック患者データおよび提供者データを用いて事前にトレーニングされた後、長期予測モジュール４５０は、患者１４に固有のパラメトリック患者データおよび提供者データを用いて機械学習モデルをさらにトレーニングする。

いくつかの例では、長期予測モジュール４５０は、複数の患者のパラメトリック患者データおよび提供者データを用いて機械学習モデルをトレーニングし、機械学習モデルのエラー率を判定し、次に、機械学習モデルがエラー率に基づいて予測を更新することを許容するように、エラー率を機械学習モデルにフィードバックする。いくつかの例では、長期予測モジュール４５０は、患者１４または臨床医から、予測された心不整脈が第１の期間内に患者１４で発生したかどうかを示すフィードバックを受信することができる。いくつかの例では、長期予測モジュール４５０は、ＩＭＤ１６から、ＩＭＤ１６が患者１４における心不整脈の発生を検出した（または検出しなかった）こと、および患者１４における心不整脈が予測された（または予測されなかった）かどうかを示すメッセージを受信し得る。いくつかの例では、長期予測モジュール４５０は、心不整脈が発生したかどうかを判定するために提供者データを定期的にチェックすることなどによって、他の方法でフィードバックを取得することができる。長期予測モジュール４５０は、予測された心不整脈が第１の期間内に患者１４で発生したかどうかを示すフィードバックで機械学習モデルを更新することができる。したがって、機械学習モデルが過去に行った正しい予測と誤った予測から「学習」することで、機械学習モデルが行った予測を段階的に改善するように、学習プロセスが反復的に行われてもよい。さらに、トレーニングプロセスを使用して、特定の個人に対してより正確な予測を提供するため、集団ベースのデータを使用してトレーニングされる機械学習モデルをさらに微調整することができる。

機械学習モデルが、臨床医によって選択された閾値精度である長期期間内に患者１４に心不整脈が発生する長期確率を生成するように一旦トレーニングされると、長期予測モジュール４５０は、機械学習モデルを使用して、患者１４の心室性不整脈の長期予測を提供してもよい。例えば、処理回路４０２によって実行される長期予測モジュール４５０は、通信回路４０６を用いて、患者１４の医療デバイスによって収集されたパラメトリック患者データを受信する。いくつかの例では、パラメトリック患者データは、患者の活動レベル、患者の心拍数、患者の姿勢、患者の心電図、患者の血圧、患者の加速度計データ、または他のタイプのパラメトリック患者データのうちの１つ以上を含む。いくつかの例では、パラメトリック患者データを収集する医療デバイスは、図１のＩＭＤ１６などのＩＭＤである。他の例では、パラメトリック患者データを収集する医療デバイスは、患者１４のウェアラブル医療デバイスまたはモバイルデバイス（例えば、スマートフォン）などの別のタイプの患者デバイスである。いくつかの例では、長期予測モジュール４５０は、ＩＭＤ１６からパラメトリック患者データを毎日受信する。

長期予測モジュール４５０はさらに、通信回路４０６を用いて、提供者データベース６６から患者１４の提供者データをさらに受信する。いくつかの例では、提供者データベース６６によって記憶された提供者データは、患者１４に関する多くの異なるタイプの過去の医療情報を含み得る。例えば、提供者データベース６６は、患者の投薬履歴、患者の外科的処置履歴、患者の入院履歴、経時的な患者のカリウム濃度、または患者の１つ以上の臨床試験結果などを記憶することができる。

長期予測モジュール４５０は、トレーニングされた機械学習モデルを患者１４のパラメトリック患者データと提供者データに適用して、患者１４の長期モニタリングを実施する。いくつかの例では、長期予測モジュール４５０は、長期期間（例えば、通常は約２４時間～約４８時間）内に患者１４に心不整脈が発生する長期確率を生成することにより、長期モニタリングを実行する。例えば、長期予測モジュール４５０は、トレーニングされた機械学習モデルを患者１４のパラメトリック患者データおよび提供者データに適用して、長期期間内に患者１４に心不整脈が発生する長期確率を生成する。例えば、機械学習モデルは、パラメトリック患者データおよび提供者データを、パラメトリック患者データおよび提供者データを表す１つ以上のベクトルおよびテンソル（例えば、多次元配列）に変換することができる。機械学習モデルは、１つ以上のベクトルとテンソルに数学演算を適用して、パラメトリック患者データと提供者データの数学表現を生成することができる。機械学習モデルは、パラメトリック患者データと提供者データの間の識別された関係、および長期期間内の心不整脈の発生に対応する異なる重みを判定し得る。機械学習モデルは、パラメトリック患者データと提供者データに異なる重みを適用して、長期期間内に患者１４に心不整脈が発生する長期確率を生成することができる。

いくつかの例では、長期予測モジュール４５０は、心不整脈が長期間内に患者１４で発生する判定された長期確率が、臨床医によって設定された所定の閾値を超えているかどうかを判定する。長期確率が所定の閾値を超えているとの判定に応じて、長期予測モジュール４５０は、通信回路４０６を用いて、ＩＭＤ１６に命令を送信し、上記のようにＩＭＤ１６に患者１４の短期モニタリングを実行させる。さらに、またはあるいは、長期確率が所定の閾値を超えているとの判定に応じて、長期予測モジュール４５０は、通信回路４０６を用いて、外部デバイス２７に命令を送信し、以下に説明するように、外部デバイス２７に患者１４の中期モニタリングを実行させる。いくつかの例では、長期確率が長期の所定の閾値を超えていると判定したことに応じて、長期予測モジュール４５０は、長期確率が所定の閾値を超えたこと、または長期予測モジュール４５０が、患者１４が長期期間内に心不整脈に陥る可能性が高いと判定したことを、出力デバイス４１２を用いて、臨床医に通知するなど、他の措置を実行することができる。

したがって、本明細書に開示される技法は、患者のケアを強化し、患者の心不整脈を予防する能力を高めることを許容し得る。例えば、頻脈性不整脈が今後数日以内に発生する可能性が比較的高いという知識を用いて、患者の予防的ケアの指導に役立たせることができる。さらに、本明細書に開示されるそのようなシステムは、計算コストが高く電力を消費する長期の心不整脈予測操作を、患者の個人用医療デバイスからクラウドコンピューティングシステムに移し、クラウドコンピューティングシステムが今後数日以内に心不整脈が発生する可能性が比較的高いと予測した場合にのみ、医療デバイス上の短期の心臓予測操作を起動するようにしてもよい。したがって、本開示の技法は、心不整脈が特定の期間内に発生する可能性が比較的高い場合にのみ、心臓予測のために医療デバイスを使用することにより、電力を節約し、医療デバイスの電池寿命を延ばすことができる。

図５は、本開示の１つ以上の技法に従って動作する例示的な外部デバイス２７を示すブロック図である。いくつかの例では、外部デバイス２７は、携帯電話、「スマート」フォン、ラップトップ、タブレットコンピュータ、携帯情報端末（ＰＤＡ）、ウェアラブル電子デバイスなどの外部プログラマまたはモバイルデバイスの形態を取る。いくつかの例では、外部デバイス２７は、Ｍｅｄｔｒｏｎｉｃ，Ｉｎｃから入手可能なＣａｒｅＬｉｎｋ（商標）モニタである。

一例では、外部デバイス２７は、中期予測モジュール５５０または本明細書に記載のいずれかの他のアプリケーションを含むアプリケーション５２４を実行するための処理回路５０２を含む。例示の目的のために、図５にはスタンドアロンの外部デバイス２７として示されているが、外部デバイス２７は、ソフトウェア命令を実行するための処理回路または他の適切なコンピューティング環境を含むいずれかの構成要素またはシステムであってもよく、例えば、必ずしも図５に示された１つ以上の要素を含む必要はない（例えば、通信回路５０６、およびいくつかの例では、記憶デバイス（複数可）５０８のような構成要素は、他の構成要素と同位置に、または同じ筐体内に配置されていなくてもよい）。

図５の例に示されるように、外部デバイス２７は、処理回路５０２、１つ以上の入力デバイス５０４、通信回路５０６、１つ以上の出力デバイス５１２、１つ以上の記憶デバイス５０８、およびユーザインターフェース（ＵＩ）デバイス（複数可）５１０を含む。一例では、外部デバイス２７は、外部デバイス２７によって実行可能である中期予測モジュール５５０、およびオペレーティングシステム５１６などの１つ以上のアプリケーション（複数可）５２４をさらに含む。構成要素５０２、５０４、５０６、５０８、５１０、および５１２の各々は、構成要素間通信のために（物理的に、通信可能に、および／または動作可能に）結合される。いくつかの例では、通信チャネル５１４は、システムバス、ネットワーク接続、プロセス間通信データ構造、またはデータを通信するためのいずれかの他の方法を含み得る。一例として、構成要素５０２、５０４、５０６、５０８、５１０、および５１２は、１つ以上の通信チャネル５１４によって結合され得る。

一例では、処理回路５０２は、外部デバイス２７内で実行するための機能および／または処理命令を実施するように構成されている。例えば、処理回路５０２は、記憶デバイス５０８に記憶された命令を処理することが可能であり得る。処理回路５０２の例は、マイクロプロセッサ、コントローラ、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、または同等の個別または集積論理回路のうちのいずれか１つ以上を含み得る。

１つ以上の記憶デバイス５０８は、動作中に外部デバイス２７内に情報を記憶するように構成され得る。いくつかの例では、記憶デバイス５０８は、コンピュータ可読記憶媒体として説明されている。いくつかの例では、記憶デバイス５０８は一時メモリであり、これは、記憶デバイス５０８の主な目的が長期記憶ではないことを意味する。いくつかの例では、記憶デバイス５０８は、揮発性メモリとして説明され、これは、コンピュータがオフにされたときに、記憶デバイス５０８が記憶された内容を維持しないことを意味する。揮発性メモリの例には、ランダムアクセスメモリ（ＲＡＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、および当技術分野で知られている他の形態の揮発性メモリが含まれる。いくつかの例では、記憶デバイス５０８を使用して、処理回路５０２によって実行するためのプログラム命令を記憶する。一例では、記憶デバイス５０８は、プログラム実行中に情報を一時的に記憶するために、外部デバイス２７上で実行されるソフトウェアまたはアプリケーション５２４によって使用される。

いくつかの例では、記憶デバイス５０８はまた、１つ以上のコンピュータ可読記憶媒体を含む。記憶デバイス５０８は、揮発性メモリよりも大量の情報を記憶するように構成され得る。記憶デバイス５０８は、情報の長期記憶のためにさらに構成され得る。いくつかの例では、記憶デバイス５０８は、不揮発性記憶要素を含む。そのような不揮発性記憶要素の例には、磁気ハードディスク、光ディスク、フロッピーディスク、フラッシュメモリ、または電気的プログラム可能メモリ（ＥＰＲＯＭ）または電気的消去可能なプログラム可能（ＥＥＰＲＯＭ）メモリの形態が含まれる。

外部デバイス２７は、いくつかの例では、通信回路５０６も含む。一例では、外部デバイス２７は、通信回路５０６を利用して、図１のＩＭＤ１６およびコンピューティングデバイス２４などの外部デバイスと通信する。通信回路５０６は、イーサネットカード、光トランシーバ、無線周波数トランシーバ、または情報を送受信することができるいずれかの他のタイプのデバイスなどのネットワークインターフェースカードを含み得る。このようなネットワークインターフェースの他の例には、３Ｇ、４Ｇ、５Ｇ、およびＷｉＦｉ無線が含まれ得る。

一例では、外部デバイス２７は、１つ以上のユーザインターフェースデバイス５１０も含む。いくつかの例では、ユーザインターフェースデバイス５１０は、触覚、音声、または映像フィードバックを通して、ユーザからの入力を受信するように構成されている。ユーザインターフェースデバイス（複数可）５１０の例には、プレゼンスセンシティブディスプレイ、マウス、キーボード、音声応答システム、ビデオカメラ、マイクロフォン、またはユーザからのコマンドを検出するためのいずれかの他のタイプのデバイスが含まれる。いくつかの例では、プレゼンスセンシティブディスプレイはタッチスクリーンを含む。

１つ以上の出力デバイス５１２もまた、外部デバイス２７に含まれ得る。出力デバイス５１２は、いくつかの例では、触覚、音声、または映像刺激を使用してユーザに出力を提供するように構成されている。出力デバイス５１２は、一例では、プレゼンスセンシティブディスプレイ、サウンドカード、ビデオグラフィックアダプタカード、または信号を人間または機械が理解できる適切な形式に変換するためのいずれかの他のタイプのデバイスを含む。出力デバイス５１２の追加の例には、スピーカ、ブラウン管（ＣＲＴ）モニタ、液晶ディスプレイ（ＬＣＤ）、またはユーザに理解可能な出力を生成することができるいずれかの他のタイプのデバイスが含まれる。

外部デバイス２７は、オペレーティングシステム５１６を含み得る。オペレーティングシステム５１６は、いくつかの例では、外部デバイス２７の構成要素の動作を制御する。例えば、オペレーティングシステム５１６は、一例では、１つ以上のアプリケーション５２４および中期予測モジュール５５０と、処理回路５０２、通信回路５０６、記憶デバイス５０８、入力デバイス５０４、ユーザインターフェースデバイス５１０、および出力デバイス５１２との通信を容易にする。

アプリケーション５２４はまた、外部デバイス２７によって実行可能であるプログラム命令および／またはデータを含み得る。外部デバイス２７によって実行可能な例示的なアプリケーション（複数可）５２４は、中期予測モジュール５５０を含み得る。示されていない他の追加のアプリケーションは、本明細書に記載された他の機能を提供するために代替的にまたは追加的に含まれ得るが、簡素化にするために図示されていない。

本開示の技法によれば、アプリケーション５２４は、中期予測モジュール５５０を含む。一例では、処理回路５０２は、中期予測モジュール５５０を実行して、図１の患者１４の心室性不整脈の中期予測を提供する。一例では、中期予測モジュール５５０は、患者１４のパラメトリック患者データおよび提供者データに基づいて、中期期間（例えば、通常、約２４時間～約４８時間）内に患者１４に心不整脈が発生する中期確率を生成する機械学習モデルを含む。いくつかの例では、機械学習モデルは、ニューラルネットワークシステム、深層学習システム、または他のタイプの教師付きまたは教師なし機械学習システムによって生成される。たとえば、機械学習モデルは、畳み込みニューラルネットワーク、動径基底関数ニューラルネットワーク、リカレントニューラルネットワーク、モジュール型ニューラルネットワークまたは連想型ニューラルネットワークなどのフィードフォワードニューラルネットワークによって生成され得る。いくつかの例では、中期予測モジュール５５０は、複数の患者のパラメトリック患者データおよび提供者データを用いて機械学習モデルをトレーニングして、中期確率を生成する。いくつかの例では、機械学習モデルが、複数の患者のパラメトリック患者データおよび提供者データを用いて事前にトレーニングされた後、中期予測モジュール５５０は、患者１４に固有のパラメトリック患者データおよび提供者データを用いて機械学習モデルをさらにトレーニングする。前述の例では、中期予測モジュール５５０は、複数の患者のパラメトリック患者データと提供者データの両方を用いて機械学習モデルをトレーニングするが、いくつかの例では、中期予測モジュール５５０は、パラメトリック患者データのみを用い、提供者データを用いず、または提供者データのみを用い、パラメトリック患者データを用いずに、機械学習モデルをトレーニングする。

いくつかの例では、中期予測モジュール５５０は、複数の患者のパラメトリック患者データおよび提供者データを用いて機械学習モデルをトレーニングし、機械学習モデルのエラー率を判定し、次に、機械学習モデルがエラー率に基づいて予測を更新することを許容するように、エラー率を機械学習モデルにフィードバックする。いくつかの例では、中期予測モジュール５５０は、患者１４または臨床医から、予測された心不整脈が第１の期間内に患者１４で発生したかどうかを示すフィードバックを受信することができる。いくつかの例では、中期予測モジュール５５０は、ＩＭＤ１６から、ＩＭＤ１６が患者１４における心不整脈の発生を検出した（または検出しなかった）こと、および患者１４における心不整脈が予測された（または予測されなかった）かどうかを示すメッセージを受信し得る。いくつかの例では、中期予測モジュール５５０は、心不整脈が発生したかどうかを判定するために提供者データを定期的にチェックすることなどによって、他の方法でフィードバックを取得することができる。中期予測モジュール５５０は、予測された心不整脈が第１の期間内に患者１４で発生したかどうかを示すフィードバックで機械学習モデルを更新することができる。したがって、機械学習モデルが過去に行った正しい予測と誤った予測から「学習」することで、機械学習モデルが行った予測を段階的に改善するように、学習プロセスが反復的に行われてもよい。さらに、トレーニングプロセスを使用して、特定の個人に対してより正確な予測を提供するため、集団ベースのデータを使用してトレーニングされる機械学習モデルをさらに微調整することができる。

機械学習モデルが、臨床医によって選択された閾値精度である中期期間内に患者１４に心不整脈が発生する中期確率を生成するように一旦トレーニングされると、中期予測モジュール５５０は、機械学習モデルを使用して、患者１４の心室性不整脈の中期予測を提供してもよい。例えば、処理回路５０２によって実行される中期予測モジュール５５０は、通信回路５０６を用いて、患者１４の医療デバイスによって収集されたパラメトリック患者データを受信する。いくつかの例では、中期予測モジュール５５０はまた、地理的位置、加速度計データ、または患者１４からの入力など、外部デバイス２７によって収集された他のパラメトリック患者データを受信することができる。いくつかの例では、パラメトリック患者データは、患者の活動レベル、患者の心拍数、患者の姿勢、患者の心電図、患者の血圧、患者の加速度計データ、または他のタイプのパラメトリック患者データのうちの１つ以上を含む。いくつかの例では、パラメトリック患者データを収集する医療デバイスは、図１のＩＭＤ１６などのＩＭＤである。他の例では、パラメトリック患者データを収集する医療デバイスは、患者１４のウェアラブル医療デバイス、図１のセンサ８０などのウェアラブルセンサ、またはモバイルデバイス（例えば、スマートフォン）などの別のタイプの患者デバイスである。いくつかの例では、中期予測モジュール５５０は、ＩＭＤ１６および／またはセンサ８０からパラメトリック患者データを毎日受信する。

いくつかの例では、中期予測モジュール５５０は、通信回路５０６を用いて、提供者データベース６６から患者１４の提供者データをさらに受信する。いくつかの例では、提供者データベース６６によって記憶された提供者データは、患者１４に関する多くの異なるタイプの過去の医療情報を含み得る。例えば、提供者データベース６６は、患者の投薬履歴、患者の外科的処置履歴、患者の入院履歴、経時的な患者のカリウム濃度、または患者の１つ以上の臨床試験結果などを記憶することができる。

中期予測モジュール５５０は、トレーニングされた機械学習モデルを患者１４のパラメトリック患者データおよび提供者データに適用して、患者１４の中期モニタリングを実行する。いくつかの例では、中期予測モジュール５５０は、中期期間（例えば、通常は約２４時間～約４８時間）内に患者１４に心不整脈が発生する中期確率を生成することにより、中期モニタリングを実行する。例えば、中期予測モジュール５５０は、トレーニングされた機械学習モデルを患者１４のパラメトリック患者データおよび提供者データに適用して、中期期間内に患者１４に心不整脈が発生する中期確率を生成する。例えば、機械学習モデルは、パラメトリック患者データおよび提供者データを、パラメトリック患者データおよび提供者データを表す１つ以上のベクトルおよびテンソル（例えば、多次元配列）に変換することができる。機械学習モデルは、１つ以上のベクトルとテンソルに数学演算を適用して、パラメトリック患者データと提供者データの数学表現を生成することができる。機械学習モデルは、パラメトリック患者データと提供者データの間の識別された関係、および中期期間内の心不整脈の発生に対応する異なる重みを判定し得る。機械学習モデルは、パラメトリック患者データと提供者データに異なる重みを適用して、中期期間内に患者１４に心不整脈が発生する中期確率を生成することができる。前述の例では、中期予測モジュール５５０は、複数の患者のパラメトリック患者データと提供者データの両方に機械学習モデルを適用するが、いくつかの例では、中間予測モジュール５５０は、機械学習モデルを、パラメトリック患者データのみに適用し、提供者データには適用しないか、または提供者データのみに適用し、パラメトリック患者データには適用しない。

いくつかの例では、中期予測モジュール５５０は、中期期間内に患者１４に心不整脈が発生する判定された中期確率が、例えば、臨床医によって設定された所定の閾値を超えるかどうかを判定する。中期確率が所定の閾値を超えているとの判定に応じて、中期予測モジュール５５０は、通信回路５０６を用いて、ＩＭＤ１６に命令を送信し、上記のようにＩＭＤ１６に患者１４の短期モニタリングを実行させる。いくつかの例では、中期確率が所定の閾値を超えていると判定したことに応じて、中期予測モジュール５５０は、中期確率が所定の閾値を超えたこと、または中期予測モジュール５５０が、患者１４が中期期間内に心不整脈に陥る可能性が高いと判定したことを、出力デバイス５１２を用いて、臨床医に通知するなど、他の措置を実行することができる。

前述の例では、中期予測モジュール５５０は、機械学習モデルを適用して、中期期間内に患者１４で心不整脈が発生する中期確率を判定する。他の例では、中期予測モジュール５５０は、ＩＭＤ１６が、上述したように、パラメトリック患者データに特徴検出を適用して、短期期間内に患者１４に心不整脈が発生する短期確率を判定するのと同様の方法で、パラメトリック患者データに特徴検出を適用して、中期期間内に患者１４に心不整脈が発生する中期確率を判定してもよい。

一例として、中期予測モジュール５５０は、心電図データを含む、パラメトリック患者データに対して特徴検出を実行する。この例では、パラメトリック患者データは、患者１４の心電図のＴ波の平均周波数または平均振幅のうちの１つ以上を含む。中期予測モジュール５５０は、ＩＭＤ１６または図１のセンサ８０から未処理の心電図信号を受信し、未処理の心電図信号から特徴を抽出する。いくつかの例では、中期予測モジュール５５０は、Ｔ波交互脈、ＱＲＳ形態測定などのうちの１つ以上を識別する。例えば、中期予測モジュール５５０は、患者１４の心電図のＴ波の１つ以上の特徴を識別し、１つ以上の識別された特徴にモデルを適用して、中期期間内に患者１４に心不整脈が発生する中期確率を生成する。いくつかの例では、１つ以上の識別された特徴は、Ｔ波の１つ以上の振幅である。いくつかの例では、１つ以上の識別された特徴は、Ｔ波の周波数である。いくつかの例では、１つ以上の識別された特徴は、少なくともＴ波の振幅およびＴ波の周波数を含む。

ＩＭＤ１６は、バッテリおよび処理能力の制約のために短期間に特徴検出を実行することができるが、外部デバイス２７はそれほど制限されない場合がある。例えば、外部デバイス２７は、容易に充電可能か、より大きなバッテリであり得るか、または著しく多くのコンピューティングリソースを有していてもよい。したがって、外部デバイス２７は、ＩＭＤ１６よりも計算コストが高く、アルゴリズム的に複雑であり、より多くの電力を消費し、またはより長い期間（例えば、中期期間）にわたってパラメトリック患者データを分析する特徴検出アルゴリズムを適用し得る。

したがって、本明細書に開示される技法は、患者のケアを強化し、患者の心不整脈を予防する能力を高めることを許容し得る。例えば、頻脈性不整脈が今後数日以内に発生する可能性が比較的高いという知識を用いて、患者の予防的ケアの指導に役立たせることができる。さらに、本明細書に開示されるようなシステムは、計算コストが高く、電池の寿命が重大な関心事である医療デバイスから電力を消費する複雑な心不整脈予測操作をオフロードし、心不整脈が今後数日以内に発生する可能性が比較的高いと予測された場合にのみ、医療デバイス上で短期心臓予測操作を有効にすることができる。したがって、本開示の技法は、心不整脈が特定の期間内に発生する可能性が比較的高い場合にのみ、心臓予測のために医療デバイスを使用することにより、電力を節約し、医療デバイスの電池寿命を延ばすことができる。

図６は、本開示の手法による例示的な動作を示すフローチャートである。便宜上、図６は、図１に対して説明されている。いくつかの例では、図６の動作は、患者１４における心不整脈の多層予測、例えば、患者１４における心室性不整脈の長期および短期の両方の予測を提供するための動作である。

一例では、ＩＭＤ１６は、患者１１４のパラメトリック患者データを収集する（６００）。いくつかの例では、パラメトリック患者データは、患者の活動レベル、患者の心拍数、患者の姿勢、患者の心電図、患者の血圧、患者の加速度計データ、または他のタイプのパラメトリック患者データのうちの１つ以上を含む。いくつかの例では、パラメトリック患者データは、長期期間（例えば、約２４時間～約４８時間）にわたる患者１４の平均測定値を表す１つ以上の値を含む。いくつかの例では、ＩＭＤ１６は、パラメトリック患者データを外部デバイス２７にアップロードする。外部デバイス２７は、パラメトリック患者データをコンピューティングデバイス２４に転送する（６０１）。いくつかの例では、外部デバイス２７は、地理的位置、加速度計データ、または患者１４からの入力などの追加のパラメトリック患者データを収集する。いくつかの例では、外部デバイス２７は、センサ８０のうちの１つ以上などの他のソースからパラメトリック患者データを受信する。外部デバイス２７は、各ソースから収集されたパラメトリック患者データをコンピューティングデバイス２４に転送する。コンピューティングデバイス２４は、ネットワーク２５上で、外部デバイス２７によって転送された特許パラメトリックデータを受信する（６０２）。いくつかの例では、コンピューティングデバイス２４は、パラメトリック患者データを毎日受信する。

コンピューティングデバイス２４はさらに、提供者データベース６６から患者１４の提供者データを受信する（６０４）。いくつかの例では、提供者データベース６６によって記憶された提供者データは、患者１４に関する多くの異なるタイプの過去の医療情報を含み得る。例えば、提供者データベース６６は、患者の投薬履歴、患者の外科的処置履歴、患者の入院履歴、経時的な患者のカリウム濃度、または患者の１つ以上の臨床試験結果などを記憶することができる。

コンピューティングデバイス２４は、複数の患者のパラメトリック患者データおよび提供者データを使用してトレーニングされた機械学習モデルを、患者１４のパラメトリック患者データおよび提供者データに適用して、長期期間内に患者１４に心不整脈が発生する長期確率を生成する（６０６）。いくつかの例では、長期期間は約２４時間～約４８時間である。コンピューティングデバイス２４は、長期確率が長期の所定の閾値を超えているかどうかを判定する（６０８）。長期確率が長期の所定の閾値を超えていると判定したことに応じて、コンピューティングデバイス２４は、ＩＭＤ１６に短期期間内に患者１４に心不整脈が発生する短期確率を判定させる命令を送信する（６１０）。いくつかの例では、コンピューティングデバイス２４は、命令を外部デバイス２７に転送し、外部デバイス２７は、次に、命令をＩＭＤ１６に転送する（６１１）。いくつかの例では、短期期間は約３０分～約６０分である）。いくつかの例では、長期確率が長期の所定の閾値を超えていると判定したことに応じて、コンピューティングデバイス２４は、長期確率が長期の所定の閾値を超えたこと、またはコンピューティングデバイス２４が、患者１４が長期期間内に心不整脈に陥る可能性が高いと判定したことを臨床医に通知するなど、他の措置を実行することができる。

コンピューティングデバイス２４から命令を受信することに応じて、ＩＭＤ１６は、後続のパラメトリック患者データを処理して、短期期間内に患者１４に心不整脈が発生する短期確率を生成する（６１２）。いくつかの例では、ＩＭＤ１６は、後続のパラメトリック患者データに対して特徴検出を実行することによって、短期確率を生成する。いくつかの例では、ＩＭＤ１６は、上記のようにコンピューティングデバイス２４によって分析されたパラメトリック患者データと同様のパラメトリック患者データを分析することができる。他の例では、ＩＭＤ１６は、コンピューティングデバイス２４によって分析されたパラメトリック患者データとは異なるパラメトリック患者データを分析する。例えば、コンピューティングデバイス２４は、長期期間（例えば、約２４時間～約４８時間）にわたって平均化される１つ以上の値を表すパラメトリック患者データを分析することができ、一方、ＩＭＤ１６は、短期期間（例えば、約３０分～約６０分）にわたって平均化される１つ以上の値を表すパラメトリック患者データを分析することができる。

ＩＭＤ１６は、短期確率が短期の所定の閾値を超えているかどうかを判定する（６１４）。短期確率が短期の所定の閾値を超えていると判定したことに応じて、ＩＭＤ１６は療治措置を実行して、短期期間内に患者１４に心不整脈が発生する短期確率を低減させる（６１６）。例えば、ＩＭＤ１６は、短期期間内に患者１４に心不整脈が発生する短期確率の通知をコンピューティングデバイス２４に発行することができ、それによって、患者１４または臨床医は、短期期間内に患者１４に心不整脈が発生する可能性に気付くことができるようなる。一例として、通知は、短期期間内に患者１４に心不整脈が発生する可能性を低下させるために呼吸運動を行うか、または薬を服用するように、患者１４に命令することができる。別の例では、ＩＭＤ１６は、薬物送達療法または電気ペーシング療法などの患者１４への療法を開始して、短期期間内に患者１４に心不整脈が発生する可能性を低減する。

図７は、本開示の技法による例示的な動作を示すフローチャートである。便宜上、図７は、図１に対して説明されている。いくつかの例では、図７の動作は、例えば、患者１４における心室性不整脈の長期、中期、および短期の予測を含む患者１４における心不整脈の多層予測を提供するための動作である。図７の例では、患者１４における心室性不整脈の長期、中期、および短期予測は、長期期間（例えば、約１週間以上）、中期期間（例えば、約２４時間～約４８時間）、または短期期間（例えば、約３０分～約６０分）にわたって、患者１４における心室性不整脈が患者１４に発生する可能性が高いという予測に対応し得る。

一例では、ＩＭＤ１６は、患者１１４のパラメトリック患者データを収集する（７００）。いくつかの例では、パラメトリック患者データは、患者の活動レベル、患者の心拍数、患者の姿勢、患者の心電図、患者の血圧、患者の加速度計データ、または他のタイプのパラメトリック患者データのうちの１つ以上を含む。いくつかの例では、パラメトリック患者データは、長期期間（例えば、約２４時間～約４８時間）にわたる患者１４の平均測定値を表す１つ以上の値を含む。いくつかの例では、ＩＭＤ１６は、パラメトリック患者データを外部デバイス５０１にアップロードする。外部デバイス２７は、パラメトリック患者データをコンピューティングデバイス２４に転送する（７０１）。いくつかの例では、外部デバイス２７は、地理的位置、加速度計データ、または患者１４からの入力などの追加のパラメトリック患者データを収集する。いくつかの例では、外部デバイス２７は、センサ８０のうちの１つ以上などの他のソースからパラメトリック患者データを受信する。外部デバイス２７は、各ソースから収集されたパラメトリック患者データをコンピューティングデバイス２４に転送する。コンピューティングデバイス２４は、ネットワーク２５上で、外部デバイス２７によって転送された特許パラメトリックデータを受信する（７０２）。いくつかの例では、コンピューティングデバイス２４は、パラメトリック患者データを毎日受信する。

コンピューティングデバイス２４はさらに、提供者データベース６６から患者１４の提供者データを受信する（７０４）。いくつかの例では、提供者データベース６６によって記憶された提供者データは、患者１４に関する多くの異なるタイプの過去の医療情報を含み得る。例えば、提供者データベース６６は、患者の投薬履歴、患者の外科的処置履歴、患者の入院履歴、経時的な患者のカリウム濃度、または患者の１つ以上の臨床試験結果などを記憶することができる。

コンピューティングデバイス２４は、複数の患者のパラメトリック患者データおよび提供者データを使用してトレーニングされた機械学習モデルを、患者１４のパラメトリック患者データおよび提供者データに適用して、長期期間内に患者１４に心不整脈が発生する長期確率を生成する（７０６）。いくつかの例では、長期期間はおよそ１週間以上である。コンピューティングデバイス２４は、長期確率が長期の所定の閾値を超えているかどうかを判定する（７０８）。

長期確率が長期の所定の閾値を超えていると判定したことに応じて、コンピューティングデバイス２４は、外部デバイス２７に中期期間内に患者１４に心不整脈が発生する中期確率を判定させる命令を送信する（７１０）。いくつかの例では、長期確率が長期の所定の閾値を超えていると判定したことに応じて、コンピューティングデバイス２４は、長期確率が長期の所定の閾値を超えたこと、またはコンピューティングデバイス２４が、患者１４が長期期間内に心不整脈に陥る可能性が高いと判定したことを臨床医に通知するなど、他の措置を実行することができる。

コンピューティングデバイス２４からの命令を受信したことに応じて、外部デバイス２７は、複数の患者のパラメトリック患者データおよび提供者データを使用してトレーニングされた機械学習モデルを、患者１４のパラメトリック患者データおよび提供者データに適用して、中期期間内に患者１４に心不整脈が発生する中期確率を生成する（７１２）。いくつかの例では、外部デバイス２７は、複数の患者のパラメトリック患者データおよび提供者データを使用してトレーニングされた機械学習モデルを、患者１４の提供者データではなく、パラメトリック患者データに適用して、中期期間内に患者１４に心不整脈が発生する中期確率を生成する。いくつかの例では、中期期間は約２４時間～約４８時間である。外部デバイス２７は、中期確率が中期の所定の閾値を超えているかどうかを判定する（７１４）。いくつかの例では、中期の所定の閾値は５０％である。いくつかの例では、中期の所定の閾値は、７５％、８０％、９０％、９９％、または９９．５％、または９９．９％などの別の閾値である。

中期確率が中期の所定の閾値を超えていると判定したことに応じて、外部デバイス２７は、ＩＭＤ１６に短期期間内に患者１４に心不整脈が発生する短期確率を判定させる命令を送信する（７１６）。いくつかの例では、短期期間は約３０分～約６０分である）。いくつかの例では、中期確率が中期の所定の閾値を超えていると判定したことに応じて、外部デバイス２７は、中期確率が中期の所定の閾値を超えたこと、または外部デバイス２７が、患者１４が中期期間内に心不整脈に陥る可能性が高いと判定したことを臨床医に通知するなど、他の措置を実行することができる。

外部デバイス２７から命令を受信することに応じて、ＩＭＤ１６は、後続のパラメトリック患者データを処理して、短期期間内に患者１４に心不整脈が発生する短期確率を生成する（７１８）。いくつかの例では、ＩＭＤ１６は、後続のパラメトリック患者データに対して特徴検出を実行することによって、短期確率を生成する。いくつかの例では、ＩＭＤ１６は、上記のようにコンピューティングデバイス２４および／または外部デバイス２７によって分析されたパラメトリック患者データと同様のパラメトリック患者データを分析することができる。他の例では、ＩＭＤ１６は、コンピューティングデバイス２４および／または外部デバイス２７によって分析されたパラメトリック患者データとは異なるパラメトリック患者データを分析する。例えば、コンピューティングデバイス２４は、長期期間（例えば、約１週以上）にわたって平均化される１つ以上の値を表すパラメトリック患者データを分析することができ、外部デバイス２７は、中期期間（例えば、約２４時間～約４８時間）にわたって平均化される１つ以上の値を表すパラメトリック患者データを分析することができ、一方、ＩＭＤ１６は、短期期間（例えば、約３０分～約６０分）にわたって平均化される１つ以上の値を表すパラメトリック患者データを分析することができる。

ＩＭＤ１６は、短期確率が短期の所定の閾値を超えているかどうかを判定する（７２０）。短期確率が短期の所定の閾値を超えていると判定したことに応じて、ＩＭＤ１６は療治措置を実行して、短期期間内に患者１４に心不整脈が発生する短期確率を低減させる（７２２）。例えば、ＩＭＤ１６は、短期期間内に患者１４に心不整脈が発生する短期確率の通知をコンピューティングデバイス２４に発行することができ、それによって、患者１４または臨床医は、短期期間内に患者１４に心不整脈が発生する可能性に気付くことができるようなる。別の例では、ＩＭＤ１６は、薬物送達療法または電気ペーシング療法などの患者１４への療法を開始して、短期期間内に患者１４に心不整脈が発生する可能性を低減する。

本明細書で説明するように、「長期確率」、「中期確率」、および「短期確率」という用語の使用、ならびに「長期確率の閾値」、「中期確率の閾値」、および「短期確率の閾値」という用語の使用は、用語を互いに区別するためにのみ、本開示全体を通して使用される。これらの用語は、特定の期間に限定されない。例えば、「長期確率」”という用語と「第１の確率」という用語はどちらを使っても変わりはなく、「中期確率」という用語と「第２の確率」という用語はどちらを使っても変わりはなく、「短期確率」という用語と「第３の確率」という用語はどちらを使っても変わりはなく、「長期確率の閾値」という用語と「第１の確率の閾値」という用語はどちらを使っても変わりはなく、「中期確率の閾値」という用語と「第２の確率の閾値」という用語はどちらを使っても変わりはなく、「短期確率の閾値」という用語と「第３の確率の閾値」という用語はどちらを使っても変わりはない。

図８Ａは、本開示の技法による例示的な動作を示すフローチャートである。具体的には、図８Ａのフローチャートは、例えば、患者１４における心室性不整脈の長期、中期、および短期を含む、患者１４における心不整脈の多層予測を提供するための動作を示している。便宜上、図８は、図１に対して説明されている。

図８の例に示されるように、クラウドコンピューティングネットワーク８０８は、長期アルゴリズム８０２を患者１４の提供者データに適用して、心不整脈が長期期間にわたって患者１４で発生する長期確率を生成する。長期アルゴリズム８０２の追加の詳細は、図８Ｂに示されている。いくつかの例では、クラウドコンピューティングネットワーク８０８は、図１の１つ以上のコンピューティングデバイス２４を含む。

患者１４が心不整脈を経験する長期確率が長期の所定の閾値を超えていると判定したことに応じて、クラウドコンピューティングネットワーク８０８は、外部デバイス２７に患者１４のパラメトリック患者データに中期アルゴリズム８０４を適用させて、中期期間にわたって患者１４に心不整脈が発生する中期確率を生成する命令を送信する。図８Ａに示されているように、外部デバイス２７は、例えば、毎日または他の周期で、ＩＭＤ１６からパラメトリックデータを受信することができる。中期アルゴリズム８０４の追加の詳細は、図８Ｃに示されている。

患者１４が心不整脈を経験する中期確率が中期の所定の閾値を超えていると判定したことに応じて、外部デバイス２７は、ＩＭＤ１６に患者１４のパラメトリック患者データに短期アルゴリズム８０６を適用させて、短期期間にわたって患者１４に心不整脈が発生する短期確率を生成する命令を送信する。短期アルゴリズム８０６の追加の詳細は、図８Ｄに示されている。

いくつかの例では、各上位レベルのアルゴリズムは、危険因子を下位レベルのアルゴリズムに供給することができ、これは、下位レベルのアルゴリズムが、患者１４に心不整脈が発生する確率の判定に含まれ得る。例えば、中期アルゴリズム８０４は、長期アルゴリズム８０２によって生成された長期期間にわたって患者１４に心不整脈が発生する長期確率を、中期期間にわたって患者１４に心不整脈が発生する中期確率を判定する際に使用することができる。同様に、短期アルゴリズム８０６は、中期アルゴリズム８０４によって生成された中期期間にわたって患者１４に心不整脈が発生する中期確率を、短期期間にわたって患者１４に心不整脈が発生する短期確率を判定する際に使用することができる。

図８Ａに示される複数レベルの心不整脈予測の使用は、ＩＭＤ１６のバッテリ寿命を延長し得、それにより、ＩＭＤ１６を、交換することなく、より長期間患者１４に植え込むことが許容される。さらに、このような複数のレベルの心不整脈予測の使用は、患者１４のニーズやリスクに対して高度な感度、特異性、および精度を提供し得る。

図８Ｂは、図８Ａの例に示されている心不整脈の長期予測のためのアルゴリズム８０２をさらに詳細に示すブロック図である。図８Ｂの例では、クラウドコンピューティングネットワーク８０８の１つ以上のコンピューティングデバイス２４は、複数のニューロンおよび複数の隠れ層１～５を含むニューラルネットワークの層に、複数のタイプの提供者データおよびパラメトリック患者データｗ１、ｗ２、ｗ３、．．．ｗｍを適用する。いくつかの例では、ｗ１、ｗ２、ｗ３、．．．ｗｍの各々は、患者の投薬履歴、患者１４の外科手術履歴、患者１４の心電図などの異なるタイプの提供者データまたはパラメトリック患者データに対応している。ニューラルネットワークは、複数のニューロンおよび複数の隠れ層１～５にわたって入力をマッピングすることにより、提供者データおよびパラメトリック患者データｗ１、ｗ２、ｗ３、．．．ｗｍを処理して、長期期間にわたって患者１４に心不整脈が発生する長期確率である出力ＰＥＭＲを生成する。

図８Ｃは、図８Ａの例に示されている心不整脈の中期予測のためのアルゴリズム８０４をさらに詳細に示すブロック図である。図８Ｂの例では、外部デバイス２７は、複数のニューロンおよび複数の隠れ層１～５を含むニューラルネットワークの層に、複数の種類の提供者データおよびパラメトリック患者データｘ１、ｘ２、ｘ３、．．．ｘｍを適用する。いくつかの例では、ｘ１、ｘ２、ｘ３、．．．ｘｍの各々は、患者の投薬履歴、患者１４の外科手術履歴、患者１４の心電図など、異なるタイプの提供者データまたはパラメトリック患者データに対応する。ニューラルネットワークは、複数のニューロンおよび複数の隠れ層１～５にわたって入力をマッピングすることにより、提供者データおよびパラメトリック患者データｘ１、ｘ２、ｘ３、．．．ｘｍを処理し、中期期間にわたって患者１４に心不整脈が発生する中期確率である出力ＰＤ２４を生成する。

図８Ｄは、図８Ａの例に示されている心不整脈の短期予測のためのアルゴリズム８０６をさらに詳細に示すブロック図である。図８Ｄに示すように、ＩＭＤ１６は、パラメトリック患者データの複数のウィンドウｅ１、ｅ２、ｅ３、ｅ４、．．．ｅｍのそれぞれについて特徴検出を実行することによって、患者１４に心不整脈が発生する短期確率を生成する。ウィンドウｅ１、ｅ２、ｅ３、ｅ４、．．．ｅｍの各々は、ＩＭＤ１６が、後続の心不整脈の１つ以上の指標が存在するかどうかを判定するための基準を適用する時間のセグメントを表している。図８Ｄの例に示されるように、決定ウィンドウ８２０において、ＩＭＤ１６は、短期期間中に患者１４に心不整脈が発生する可能性が高い確率を判定する。心不整脈を予測するための複数のパラメータの使用に関する追加の情報は、例えば、２０１７年６月１２日に出願され、２０１７年１２月１４日に公開された”ＭＵＬＴＩ－ＰＡＲＡＭＥＴＥＲ ＰＲＥＤＩＣＴＩＯＮ ＯＦ ＡＣＵＴＥ ＣＡＲＤＡＣ ＥＰＩＳＯＤＥＥＳ ＡＮＤ ＡＴＴＡＣＫＳ”と題するＺｈｏｕらの米国特許出願第２０１７／０３５４３６５号に見出され得る。

いくつかの例では、ＩＭＤ１６は、心不整脈が長期期間にわたって患者１４に発生するという１つ以上のコンピューティングデバイス２４によって生成された長期確率ＰＥＭＲと、心不整脈が中期期間にわたって患者１４に発生するという外部デバイス２７によって生成された中期確率ＰＤ２４とを組み合わせて、パラメトリック患者データの特徴検出を使用して、短期期間中に患者１４心不整脈に発生する可能性が高い確率を判定するようにしてもよい。いくつかの例では、ＩＭＤ１６は、特徴検出、長期確率Ｐ_ＥＭＲ、および中期確率Ｐ_Ｄ２４のそれぞれに、異なる重みを適用して、短期期間中に患者１４に心不整脈が発生する可能性が高い確率を判定する。いくつかの実施例では、ＩＭＤ１６は、特徴検出、長期確率Ｐ_ＥＭＲ、および中期確率Ｐ_Ｄ２４のそれぞれに、決定木を適用して、短期期間中に患者１４に心不整脈が発生する可能性が高い確率を判定する。

図９は、本開示の手法による心不整脈の短期予測のための例示的なアルゴリズム９０２を示すブロック図である。便宜上、図９は、図１に対して説明されている。いくつかの例では、例示的なアルゴリズム９０２は、図８Ａおよび８Ｄの心不整脈の短期予測のためのアルゴリズム８０６と実質的に同様の方法で動作する。いくつかの例では、ＩＭＤ１６は、複数のタイプのパラメトリック患者データを処理して、短期期間中に患者１４に心不整脈が発生する可能性が高い短期確率を判定することができる。図９の例では、ＩＭＤ１６は、機械学習モデルを適用して、短期期間中に患者１４に心不整脈が発生する可能性が高い短期確率を計算する。例えば、入力として、ＩＭＤ１６の機械学習モデルは、異なるタイプのパラメトリック患者データに対して特徴検出を受信し、実行することができる。例えば、ＩＭＤは、心電図データ、電極インピーダンス測定結果、加速度計データ、患者１４の温度データ、患者１４の心臓の音声データ、または異なるレベルの他のアルゴリズムによって計算されたリスクスコアのうちの１つ以上に対して特徴検出を実行し得る。そのようなリスクスコアは、例えば、心不整脈が長期期間にわたって患者１４に発生するという１つ以上のコンピューティングデバイス２４によって生成される長期確率ＰＥＭＲと、心不整脈が中期期間にわたって患者１４に発生するという外部デバイス２７によって生成される中期確率ＰＤ２４とを含み得る。

したがって、本明細書に開示される技法は、患者のケアを強化し、患者の心不整脈を予防する能力を高めることを許容し得る。例えば、頻脈性不整脈が今後数日以内に発生する可能性が比較的高いという知識を用いて、患者の予防的ケアの指導に役立たせることができる。さらに、頻脈性不整脈が次の数分または数時間以内に発生する可能性が比較的高いという知識を用いて、患者の予防療法または救急医療を指導することができる。さらに、本明細書に開示されるそのようなシステムは、計算コストが高く電力を消費する長期の心不整脈予測操作を、患者の個人用医療デバイスからクラウドコンピューティングシステムに移し、クラウドコンピューティングシステムが今後数日以内に心不整脈が発生する可能性が比較的高いと予測した場合にのみ、医療デバイス上の短期の心臓予測操作を起動するようにしてもよい。したがって、本開示の技法は、心不整脈が特定の期間内に発生する可能性が比較的高い場合にのみ、心臓予測のために医療デバイスを使用することにより、電力を節約し、医療デバイスの電池寿命を延ばすことができる。

以下の実施例は、本開示の１つ以上の態様を示し得る。

実施例１。処理回路および記憶媒体を含むコンピューティングデバイスであって、患者のパラメトリック患者データを受信することと、複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルをパラメトリック患者データに適用して、第１の期間内に患者において心不整脈が発生する第１の確率を生成することと、第１の確率が所定の閾値を超えていると判定することと、第１の確率が所定の閾値を超えていると判定したことに応じて、第２のデバイスに命令を送信して、第２のデバイスに第２の期間内に患者において心不整脈が発生する第２の確率を判定させることと、を行なうように構成されているコンピューティングデバイス。

実施例２。コンピューティングデバイスが、患者の提供者データを受信するようにさらに構成されており、機械学習モデルを適用するために、コンピューティングデバイスが、複数の患者のパラメトリック患者データおよび提供者データを使用してトレーニングされた機械学習モデルを、患者のパラメトリック患者データおよび提供者データに適用して、第１の期間内に患者に心不整脈が発生する第１の確率を生成するように構成されている、実施例１のコンピューティングデバイス。

実施例３。パラメトリック患者データが、患者の生理学的データ、患者の年齢、患者の性別、患者の活動パターン、患者の睡眠パターン、患者の歩行変化、医療デバイスのデバイス関連データ、患者の体温傾向、または医療デバイスの温度傾向のうちの少なくとも１つを含む、実施例１および２のいずれかの組み合わせのコンピューティングデバイス。

実施例４。医療デバイスのデバイス関連データが、医療デバイスの１つ以上の電極のインピーダンス、電極の選択、医療デバイスの薬物送達スケジュール、患者に送達される電気ペーシング療法の履歴、医療デバイスの診断データ、患者の検出された活動レベル、患者の検出された姿勢、患者の検出された体温、または患者の検出された睡眠状態のうちの少なくともいくつかを含む、実施例３のコンピューティングデバイス。

実施例５。患者の提供者データが、患者の投薬歴、患者の外科的処置歴、患者の入院歴、患者のカリウム濃度、または患者の１つ以上の検査結果のうちの少なくともいくつかを含む、実施例１～４のいずれかの組み合わせのコンピューティングデバイス。

実施例６。第１の期間が約１日を超え、第２の期間が約１日未満である、実施例１～５のいずれかの組み合わせのコンピューティングデバイス。

実施例７。コンピューティングデバイスが、第２のデバイスに命令を送信した後、第２のデバイスの少なくとも１つから、第１の期間内に患者に心不整脈が発生したかどうかを示すフィードバックを受信することと、第１の期間内に患者に心不整脈が発生したかどうかを示すフィードバックで、機械学習モデルを更新することと、を行なうようにさらに構成されている、実施例１～６のいずれかの組み合わせのコンピューティングデバイス。

実施例８。デバイスであって、複数の電極またはセンサのうちの１つ以上を用いて、患者のパラメトリック患者データを収集することと、期間内に患者に心不整脈が発生する確率を生成するために、コンピューティングデバイスから命令を受信することと、命令に応じて、パラメトリック患者データを処理して、期間内に患者に心不整脈が発生する確率を生成することと、確率が所定の閾値を超えていると判定することと、確率が所定の閾値を超えているという判定に応じて、療治措置を実行して、その期間内に患者に心不整脈が発生する確率を低減させることと、を行なうように構成されているデバイス。

実施例９。パラメトリック患者データを処理して、期間内に患者に心不整脈が発生する確率を生成するために、デバイスが、複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルをパラメトリック患者データに適用して、期間内に患者に心不整脈が発生する確率を生成するように構成されている、実施例８のデバイス。

実施例１０。パラメトリック患者データを処理して、期間内に患者に心不整脈が発生する確率を生成するために、デバイスが、パラメトリック患者データの心電図のＴ波の１つ以上の特徴を識別することと、モデルを１つ以上の特徴に適用して、期間内に患者に心不整脈が発生する確率を生成することと、を行なうように構成されている、実施例８のデバイス。

実施例１１。Ｔ波の１つ以上の特徴がＴ波の振幅を含み、モデルを１つ以上の特徴に適用して、期間内に患者に心不整脈が発生する確率を生成するために、デバイスが、モデルをＴ波の振幅に適用して、期間内に患者に心不整脈が発生する確率を生成するように構成されている、実施例１０のデバイス。

実施例１２。Ｔ波の１つ以上の特徴がＴ波の周波数を含み、モデルを１つ以上の特徴に適用して、期間内に患者に心不整脈が発生する確率を生成するために、デバイスが、モデルをＴ波の周波数に適用して、期間内に患者に心不整脈が発生する確率を生成するように構成されている、実施例１０および１１のいずれかの組み合わせのデバイス。

実施例１３。療治措置を実行するために、デバイスが、コンピューティングデバイスおよび外部デバイスのうちの少なくとも１つに、期間内に患者に心不整脈が発生する確率の通知を発行するように構成されている、実施例８～１２のいずれかの組み合わせのデバイス。

実施例１４。療治措置を実行するために、デバイスが、薬物送達療法および電気ペーシング療法のうちの少なくとも１つを、患者に送達するように構成されている、実施例８～１３のいずれかの組み合わせのデバイス。

実施例１５。外部デバイスであって、第１の期間内に患者に心不整脈が発生する第１の確率を生成するための命令を受信することと、命令に応じて、パラメトリック患者データを処理して、第１の期間内に患者に心不整脈が発生する第１の確率を生成することと、第１の確率が第１の所定の閾値を超えていると判定することと、第１の確率が第１の所定の閾値を超えているという判定に応じて、医療デバイスに命令を送信し、医療デバイスに、第２の期間内に患者に心不整脈が発生する第２の確率を判定させることと、を行なうように構成されている、外部デバイス。

実施例１６。パラメトリック患者データを処理して、第１の期間内に患者に心不整脈が発生する第１の確率を生成するために、外部デバイスが、複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルをパラメトリック患者データに適用して、第１の期間内に患者に心不整脈が発生する第１の確率を生成するように構成されている、実施例１５の外部デバイス。

実施例１７。パラメトリック患者データを処理して、第１の期間内に患者に心不整脈が発生する前記第１の確率を生成するために、外部デバイスが、パラメトリック患者データの特徴検出を実行して、第１の期間内に患者に心不整脈が発生する第１の確率を生成するように構成されている、実施例１５の外部デバイス。

実施例１８。外部デバイスが、医療デバイスまたは１つ以上のセンサのうちの少なくとも１つから、パラメトリック患者データを受信することと、コンピューティングデバイスに、受信したパラメトリック患者データを送信することと、を行なうようにさらに構成されている、実施例１５～１７のいずれかの組み合わせの外部デバイス。

実施例１９。外部デバイスが、患者の地理的位置を判定することと、判定された地理的位置をパラメトリック患者データとともにコンピューティングデバイスに送信することと、を行なうようにさらに構成されている、実施例１８の外部デバイス。

実施例２０。外部デバイスが、モバイルデバイスまたはウェアラブル電子デバイスのうちの少なくとも１つを含む、実施例１５～１９のいずれかの組み合わせの外部デバイス。

実施例２１。方法であって、処理回路および記憶媒体を含むコンピューティングデバイスによって、患者のパラメトリック患者データを受信することと、コンピューティングデバイスによって、複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルをパラメトリック患者データに適用して、第１の期間内に患者に心不整脈が発生する第１の確率を生成することと、コンピューティングデバイスによって、第１の確率が所定の閾値を超えていると判定することと、第１の確率が所定の閾値を超えている判定したことに応じて、コンピューティングデバイスによって、第２のデバイスに命令を送信して、第２のデバイスに、第２の期間内に患者に心不整脈が発生する第２の確率を判定させることと、を含む方法。

実施例２２。コンピューティングデバイスによって、患者の提供者データを受信することをさらに含み、機械学習モデルを適用することが、複数の患者のパラメトリック患者データおよび提供者データを使用してトレーニングされた機械学習モデルを、患者のパラメトリック患者データおよび提供者データに適用して、第１の期間内に患者に心不整脈が発生する第１の確率を生成することを含む、実施例２１の方法。

実施例２３。第２のデバイスに命令を送信した後、コンピューティングデバイスによって、および第２のデバイスから、第１の期間内に患者に心不整脈が発生したかどうかを示すフィードバックを受信することと、コンピューティングデバイスによって、第１の期間内に患者に心不整脈が発生したかどうかを示すフィードバックで機械学習モデルを更新することと、をさらに含む、実施例２１および２２のいずれかの組み合わせの方法。

実施例２４。方法であって、デバイスによって、期間内に患者に心不整脈が発生する確率を生成するため患者のパラメトリック患者データを収集することと、デバイスによって、期間内に患者に心不整脈が発生する確率を生成するために、コンピューティングデバイスからの命令を受信することと、命令に応じて、デバイスによって、パラメトリック患者データを処理して、期間内に患者に心不整脈が発生する確率を生成することと、デバイスによって、確率が所定の閾値を超えていると判定することと、確率が所定の閾値を超えているという判定に応じて、デバイスによって、療治措置を実行して、期間内に患者に心不整脈が発生する確率を低減させることと、を含む、方法。

実施例２５。パラメトリック患者データを処理して、期間内に患者に心不整脈が発生する確率を生成することが、複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルをパラメトリック患者データに適用して、期間内に患者に心不整脈が発生する確率を生成することを含む、実施例２４の方法。

実施例２６。パラメトリック患者データを処理して、確率を生成することが、パラメトリック患者データの心電図のＴ波の１つ以上の特徴を識別することと、モデルを１つ以上の特徴に適用して、期間内に患者に心不整脈が発生する確率を生成することと、を含む、実施例２４の方法。

実施例２７。Ｔ波の１つ以上の特徴がＴ波の振幅を含み、モデルを１つ以上の特徴に適用して、期間内に患者に心不整脈が発生する確率を生成することが、モデルをＴ波の振幅に適用して、期間内に患者に心不整脈が発生する確率を生成することを含む、実施例２６の方法。

実施例２８。Ｔ波の１つ以上の特徴がＴ波の周波数を含み、モデルを１つ以上の特徴に適用して、期間内に患者に心不整脈が発生する確率を生成することが、モデルをＴ波の周波数に適用して、期間内に患者に心不整脈が発生する確率を生成することを含む、実施例２６および実施例２７のいずれかの組み合わせの方法。

実施例１Ａ。方法であって、処理回路および記憶媒体を含むコンピューティングデバイスによって、医療デバイスによって収集された患者のパラメトリック患者データを受信することと、コンピューティングデバイスによって、複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルをパラメトリック患者データに適用して、第１の期間内に患者に心不整脈が発生する第１の確率を生成することと、コンピューティングデバイスによって、第１の確率が所定の閾値を超えていると判定することと、第１の確率が所定の閾値を超えている判定したことに応じて、コンピューティングデバイスによって、医療デバイスに命令を送信して、医療デバイスに、第２の期間内に患者に心不整脈が発生する第２の確率を判定させることと、を含む方法。

実施例２Ａ。コンピューティングデバイスによって、患者の電子カルテ（ＥＭＲ）データを受信することをさらに含み、機械学習モデルを適用することが、複数の患者のパラメトリック患者データおよびＥＭＲデータを使用してトレーニングされた機械学習モデルを、患者のパラメトリック患者データおよびＥＭＲデータに適用して、第１の期間内に患者に心不整脈が発生する第１の確率を生成することを含む、実施例１Ａの方法。

実施例３Ａ。パラメトリック患者データが、患者の生理学的データ、または医療デバイスのデバイス関連データのうちの少なくとも１つを含む、実施例１Ａまたは２Ａの方法。

実施例４Ａ。医療デバイスのデバイス関連データが、医療デバイスの１つ以上の電極のインピーダンス、電極の選択、医療デバイスの薬物送達スケジュール、患者に送達される電気ペーシング療法の履歴、または医療デバイスの診断データのうちの少なくともいくつかを含む、実施例３Ａの方法。

実施例５Ａ。パラメトリック患者データを受信することが、パラメトリック患者データを少なくとも毎日受信することを含む、実施例１Ａ～４Ａのいずれかの方法。

実施例６Ａ。患者のＥＭＲデータが、患者の投薬歴、患者の外科的処置歴、患者の入院歴、患者のカリウム濃度、または患者の１つ以上の検査結果のうちの少なくともいくつかを含む、実施例１Ａ～５Ａのいずれかの組み合わせの方法。

実施例７Ａ。第１の期間が１日を超え、１週間未満であり、第２の期間が１分を超え、１日未満である、実施例１Ａ～６Ａのいずれかの方法。

実施例８Ａ。第１の期間が１日未満であり、第２の期間が１時間未満である、実施例１Ａ～６Ａのいずれかの方法。

実施例９Ａ。医療デバイスに命令を送信した後、コンピューティングデバイスによって、および医療デバイスから、第１の期間内に患者に心不整脈が発生したかどうかを示すフィードバックを受信することと、コンピューティングデバイスによって、第１の期間内に患者に心不整脈が発生したかどうかを示すフィードバックで機械学習モデルを更新することと、をさらに含む、実施例１Ａ～８Ａのいずれかの組み合わせの方法。

実施例１０Ａ。機械学習モデルが、畳み込みニューラルネットワークによって生成されたモデルを含む、実施例１Ａ～９Ａのいずれかの方法。

実施例１１Ａ。方法であって、医療デバイスによって、患者のパラメトリック患者データを収集することと、医療デバイスによって、期間内に患者に心不整脈が発生する確率を生成するために、コンピューティングデバイスから命令を受信することと、命令に応じて、医療デバイスによって、パラメトリック患者データを処理して、期間内に患者に心不整脈が発生する確率を生成することと、医療デバイスによって、確率が所定の閾値を超えていると判定することと、確率が所定の閾値を超えているという判定に応じて、医療デバイスによって、療治措置を実行して、期間内に患者に心不整脈が発生する確率を低減させることと、を含む、方法。

実施例１２Ａ。パラメトリック患者データを処理して、期間内に患者に心不整脈が発生する確率を生成することが、複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルをパラメトリック患者データに適用して、期間内に患者に心不整脈が発生する確率を生成することを含む、実施例１１Ａの方法。

実施例１３Ａ。パラメトリック患者データを処理して、確率を生成することが、パラメトリック患者データの心電図のＴ波の１つ以上の特徴を識別することと、モデルを１つ以上の特徴に適用して、期間内に患者に心不整脈が発生する確率を生成することと、を含む、実施例１１Ａまたは１２Ａの方法。

実施例１４Ａ。Ｔ波の１つ以上の特徴がＴ波の振幅を含み、モデルを１つ以上の特徴に適用して、期間内に患者に心不整脈が発生する確率を生成することが、モデルをＴ波の振幅に適用して、期間内に患者に心不整脈が発生する確率を生成することを含む、実施例１３Ａの方法。

実施例１５Ａ。Ｔ波の１つ以上の特徴がＴ波の周波数を含み、モデルを１つ以上の特徴に適用して、期間内に患者に心不整脈が発生する確率を生成することが、モデルをＴ波の周波数に適用して、期間内に患者に心不整脈が発生する確率を生成することを含む、実施例１３Ａの方法。

実施例１６Ａ。医療デバイスがウェアラブル医療デバイスを含む、実施例１１Ａ～１５Ａのいずれかの方法。

実施例１７Ａ。医療デバイスが植込み型医療デバイス（ＩＭＤ）を含む、実施例１１Ａから１６Ａのいずれかの方法。

実施例１８Ａ。医療デバイスによって、パラメトリック患者データを、コンピューティングデバイスに少なくとも毎日送信することをさらに含む、実施例１１Ａ～１７Ａのいずれかの方法。

実施例１９Ａ。療治措置を実行することが、コンピューティングデバイスに、期間内に患者に心不整脈が発生する確率の通知を発行することを含む、実施例１１Ａ～１８Ａのいずれかの方法。

実施例２０Ａ。療治措置を実行することが、薬物送達療法および電気ペーシング療法のうちの少なくとも１つを、患者に送達することを含む、実施例１１Ａ～１９Ａのいずれかの方法。

実施例２１Ａ。処理回路および記憶媒体を含むコンピューティングデバイスであって、医療デバイスによって収集された患者のパラメトリック患者データを受信することと、複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルをパラメトリック患者データに適用して、第１の期間内に患者において心不整脈が発生する第１の確率を生成することと、第１の確率が所定の閾値を超えていると判定することと、第１の確率が所定の閾値を超えていると判定したことに応じて、医療デバイスに命令を送信して、医療デバイスに、第２の期間内に患者において心不整脈が発生する第２の確率を判定させることと、を行なうように構成されているコンピューティングデバイス。

実施例２２Ａ。コンピューティングデバイスが、患者の電子カルテ（ＥＭＲ）データを受信するようにさらに構成されており、機械学習モデルを適用して、第１の確率を生成するために、コンピューティングデバイスが、複数の患者のパラメトリック患者データおよびＥＭＲデータを使用してトレーニングされた機械学習モデルを、患者のパラメトリック患者データおよびＥＭＲデータに適用して、第１の期間内に患者に心不整脈が発生する第１の確率を生成するようにさらに構成されている、実施例２１Ａのコンピューティングデバイス。

実施例２３Ａ。パラメトリック患者データが、患者の生理学的データ、または医療デバイスのデバイス関連データのうちの少なくとも１つを含む、実施例２１Ａまたは２２Ａのコンピューティングデバイス。

実施例２４Ａ。パラメトリック患者データを受信するために、コンピューティングデバイスが、パラメトリック患者データを少なくとも毎日受信するように構成されている、実施例２１Ａ～２３Ａのいずれかのコンピューティングデバイス。

実施例２５Ａ。第１の期間が１日を超え、１週間未満であり、第２の期間が１分を超え、１日未満である、実施例２１Ａ～２４Ａのいずれかのコンピューティングデバイス。

実施例２６Ａ。第１の期間が１日未満であり、第２の期間が１時間未満である、実施例２１Ａ～２５Ａのいずれかのコンピューティングデバイス。

実施例２７Ａ。コンピューティングデバイスが、医療デバイスに命令を送信した後、医療デバイスから、第１の期間内に患者に心不整脈が発生したかどうかを示すフィードバックを受信することと、第１の期間内に患者に心不整脈が発生したかどうかを示すフィードバックで、機械学習モデルを更新することと、を行なうようにさらに構成されている、実施例２１Ａ～２６Ａのいずれかのコンピューティングデバイス。

実施例２８Ａ。医療デバイスであって、複数の電極またはセンサを用いて、患者のパラメトリック患者データを収集することと、期間内に患者に心不整脈が発生する確率を生成するために、コンピューティングデバイスから命令を受信することと、命令に応じて、パラメトリック患者データを処理して、期間内に患者に心不整脈が発生する確率を生成することと、確率が所定の閾値を超えていると判定することと、確率が所定の閾値を超えているという判定に応じて、療治措置を実行して、その期間内に患者に心不整脈が発生する確率を低減させることと、を行なうように構成されている医療デバイス。

実施例２９Ａ。パラメトリック患者データを処理して、確率を生成するために、医療デバイスが、パラメトリック患者データの心電図のＴ波の１つ以上の特徴を識別することと、モデルを１つ以上の特徴に適用して、期間内に患者に心不整脈が発生する確率を生成することと、を行なうように構成されている、実施例２８Ａの医療デバイス。

実施例３０Ａ。Ｔ波の１つ以上の特徴がＴ波の振幅を含み、モデルを１つ以上の特徴に適用して、期間内に患者に心不整脈が発生する確率を生成するために、医療デバイスが、モデルをＴ波の振幅に適用して、期間内に患者に心不整脈が発生する確率を生成するように構成されている、実施例２９Ａの医療デバイス。

実施例３１Ａ。Ｔ波の１つ以上の特徴がＴ波の周波数を含み、モデルを１つ以上の特徴に適用して、期間内に患者に心不整脈が発生する確率を生成するために、医療デバイスが、モデルをＴ波の周波数に適用して、期間内に患者に心不整脈が発生する確率を生成するように構成されている、実施例２９Ａの医療デバイス。

実施例３２Ａ。医療デバイスが、パラメトリック患者データを、コンピューティングデバイスに少なくとも毎日送信するようにさらに構成されている、実施例２８Ａ～３１Ａのいずれかの医療デバイス。

実施例３３Ａ。療治措置を実行するために、医療デバイスが、コンピューティングデバイスに、期間内に患者に心不整脈が発生する確率の通知を発行するように構成されている、実施例２８Ａ～３２Ａのいずれかの医療デバイス。

実施例３４Ａ。療治措置を実行するために、医療デバイスが、薬物送達療法および電気ペーシング療法のうちの少なくとも１つを、患者に送達するように構成されている、実施例２８Ａ～３３Ａのいずれかの医療デバイス。

実施例３５Ａ。システムであって、複数の電極またはセンサを用いて患者のパラメトリック患者データを収集するように構成されている植込み型医療デバイス（ＩＭＤ）と、記憶媒体および処理回路を含むコンピューティングデバイスと、含み、コンピューティングデバイスが、ＩＭＤによって収集されたパラメトリック患者データを受信することと、患者の電子カルテ（ＥＭＲ）データを受信することと、複数の患者のパラメトリック患者データおよびＥＭＲデータを使用してトレーニングされた機械学習モデルを、患者のパラメトリック患者データおよびＥＭＲデータに適用して、第１の期間内に患者に心不整脈が発生する第１の確率を生成することと、第１の確率が第１の所定の閾値を超えていると判定することと、第１の確率が第１の所定の閾値を超えていると判定したことに応じて、コンピューティングデバイスによって、ＩＭＤに命令を送信して、ＩＭＤに、第２の期間内に患者に心不整脈が発生する第２の確率を判定させることと、を行なうように構成されており、ＩＭＤが、コンピュータデバイスから命令を受信することと、命令に応じて、パラメトリック患者データを処理して、第２の期間内に患者に心不整脈が発生する第２の確率を生成することと、第２の確率が第２の所定の閾値を超えていると判定することと、第２の確率が第２の所定の閾値を超えていると判定したことに応じて、コンピューティングデバイスへの、第２の期間内に患者に心不整脈が発生する第２の確率の通知の発行、および薬物送達療法と電気ペーシング治療のうちの少なくとも１つの患者への送達のうちの少なくとも１つを実行することと、を行なうようにさらに構成されている。

いくつかの実施例では、本開示の技法は、本明細書に記載のいずれかの方法を実行するための手段を含むシステムを含む。いくつかの実施例では、本開示の技法は、処理回路に本明細書に記載のいずれかの方法を実行させる命令を含むコンピュータ可読媒体を含む。

本明細書で開示される様々な態様は、説明および添付の図面に具体的に提示される組み合わせとは異なる組み合わせで組み合わせることができることを理解されたい。本明細書に記載のプロセスまたは方法のいずれかの特定の行為または事象は、実施例に応じて異なる順序で行われてもよく、追加、併合、または完全に省略されてもよい（例えば、全ての記載された行為または事象は、本技法を実行するために必要ではない場合がある）ことも理解されたい。さらに、本開示の特定の態様は、明確にするために、単一のモジュール、ユニット、または回路によって実行されるものとして説明されているが、本開示の技法は、例えば、医療デバイス置に関連するユニット、モジュール、または回路の組み合わせによって実行され得ることが理解されるべきである。

１つ以上の実施例では、説明される技法は、ハードウェア、ソフトウェア、ファームウェア、またはそれらの任意の組み合わせで実装されることができる。ソフトウェアで実装される場合、機能は、コンピュータ可読媒体上に１つ以上の命令またはコードとして記憶され、ハードウェアベースの処理ユニットによって実行されることができる。コンピュータ可読媒体は、データ記憶媒体（例えば、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ、または命令もしくはデータ構造の形態で所望のプログラムコードを記憶するために使用されることができ、且つコンピュータによってアクセスされることができる任意の他の媒体）などの、有形媒体に対応する非一時的コンピュータ可読媒体を含むことができる。

命令は、１つ以上のデジタルシグナルプロセッサ（ＤＳＰ）、汎用マイクロプロセッサ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルロジックアレイ（ＦＰＧＡ）、または他の同等の集積もしくは離散論理回路などの、１つ以上のプロセッサによって実行されることができる。したがって、本明細書に使用される「プロセッサ」または「処理回路」という用語は、前述の構造のいずれか、または記載された技法の実施に適したいずれかの他の物理的構造を指すことができる。また、技法は、１つ以上の回路または論理要素で完全に実装されてもよい。

Claims (15)

1. デバイスであって、
   複数の電極またはセンサのうちの１つ以上を用いて、患者のパラメトリック患者データを収集することと、
   コンピューティングデバイスから、第１の期間内に前記患者に心不整脈が発生する第１の確率を生成するための命令を受信することと、
   前記命令に応じて、前記パラメトリック患者データを処理して、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を生成することと、
   前記第１の確率が、第１の所定の閾値を超えていると判定することと、
   前記第１の確率が前記第１の所定の閾値を超えているという前記判定に応じて、療治措置を実行して、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を低減させることと、を行なうように構成されている、デバイス。
2. 前記パラメトリック患者データを処理して、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を生成するために、前記デバイスが、複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルを前記パラメトリック患者データに適用して、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を生成するように構成されている、請求項１に記載のデバイス。
3. 前記パラメトリック患者データを処理して、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を生成するために、前記デバイスが、
   前記パラメトリック患者データの心電図のＴ波の１つ以上の特徴を特定することと、
   モデルを前記１つ以上の特徴に適用して、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を生成することと、を行なうように構成されている、請求項１または２に記載のデバイス。
4. 前記Ｔ波の前記１つ以上の特徴が、前記Ｔ波の振幅を含み、
   前記モデルを前記１つ以上の特徴に適用して、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を生成するために、前記デバイスが、前記モデルを前記Ｔ波の前記振幅に適用して、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を生成するように構成されている、請求項３に記載のデバイス。
5. 前記Ｔ波の前記１つ以上の特徴が、前記Ｔ波の周波数を含み、
   前記モデルを前記１つ以上の特徴に適用して、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を生成するために、前記デバイスが、前記モデルを前記Ｔ波の前記周波数に適用して、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を生成するように構成されている、請求項３または４に記載のデバイス。
6. 前記療治措置を実行するために、前記デバイスが、前記コンピューティングデバイスおよび外部デバイスのうちの少なくとも１つに、前記期間内に前記患者に前記心不整脈が発生する前記確率の通知を発行するように構成されている、請求項１～５のいずれかに記載のデバイス。
7. 前記療治措置を実行するために、前記デバイスが、薬物送達療法および電気ペーシング療法のうちの少なくとも１つを、前記患者に送達するように構成されている、請求項１～６のいずれかに記載のデバイス。
8. 請求項１～７のいずれかに記載のデバイスを含むシステムであって、前記システムが、
   処理回路および記憶媒体を含むコンピューティングデバイスであって、
   前記患者の前記パラメトリック患者データを受信することと、
   複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルを前記パラメトリック患者データに適用して、前記第２の期間内に前記患者に心不整脈が発生する第２の確率を生成することと、
   前記第２の確率が、第２の所定の閾値を超えていると判定することと、
   前記第２の確率が前記第２の所定の閾値を超えているという前記判定に応じて、前記命令を前記デバイスに送信して、前記デバイスに、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を判定させることと、を行なうように構成されている、コンピューティングデバイスを、さらに含む、システム。
9. 前記コンピューティングデバイスが、前記患者の提供者データを受信するようにさらに構成されており、
   前記機械学習モデルを適用するために、前記コンピューティングデバイスが、複数の患者のパラメトリック患者データおよび提供者データを使用してトレーニングされた機械学習モデルを、前記患者の前記パラメトリック患者データおよび前記提供者データに適用して、前記第２の期間内に前記患者に前記心不整脈が発生する前記第２の確率を生成するように構成されている、請求項８に記載のシステム。
10. 前記第１の期間が約１日未満であり、前記第２の期間が約１日を超える、請求項８または９に記載のシステム。
11. 前記コンピューティングデバイスが、
    前記命令を前記デバイスに送信した後、前記デバイスから、前記第２の期間内に前記患者に前記心不整脈が発生したかどうかを示すフィードバックを受信することと、
    前記機械学習モデルを、前記第２の期間内に前記患者に前記心不整脈が発生したかどうかを示す前記フィードバックで更新することと、を行なうようにさらに構成されている、請求項８～１０のいずれかに記載のシステム。
12. 外部デバイスであって、
    第３の期間内に前記患者に心不整脈が発生する第３の確率を生成するために、前記コンピューティングデバイスから命令を受信することと、
    前記命令に応じて、前記パラメトリック患者データを処理して、前記第３の期間内に前記患者に前記心不整脈が発生する前記第３の確率を生成することと、
    前記第３の確率が、第３の所定の閾値を超えていると判定することと、
    前記第３の確率が前記第３の所定の閾値を超えているという前記判定に応じて、前記命令を前記デバイスに送信して、前記デバイスに、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を判定させることと、を行なうように構成されている、外部デバイスを、さらに含む、請求項８～１１のいずれかに記載のシステム。
13. 前記パラメトリック患者データを処理して、前記第１第３の期間内に前記患者に前記心不整脈が発生する前記第３の確率を生成するために、前記外部デバイスが、複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルを前記パラメトリック患者データに適用して、前記第３の期間内に前記患者に前記心不整脈が発生する前記第３の確率を生成するように構成されている、請求項１２に記載のシステム。
14. デバイスであって、
    患者のパラメトリック患者データを収集するための手段と、
    第１の期間内に前記患者に心不整脈が発生する第１の確率を生成するために、コンピューティングデバイスから命令を受信するための手段と、
    前記命令に応じて、前記パラメトリック患者データを処理して、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を生成するための手段と、
    前記第１の確率が、第１の所定の閾値を超えていると判定するための手段と、
    前記第１の確率が前記第１の所定の閾値を超えているという前記判定に応じて、療治措置を実行して、前記第１の期間内に前記患者に前記心不整脈が発生する前記第１の確率を低減させるための手段と、を含む、デバイス。
15. コンピューティングデバイスであって、
    前記患者のパラメトリック患者データを受信するための手段と、
    複数の患者のパラメトリック患者データを使用してトレーニングされた機械学習モデルを前記パラメトリック患者データに適用して、第１の期間内に前記患者に心不整脈が発生する第１の確率を生成するための手段と、
    前記第１の確率が、第１の所定の閾値を超えていると判定するための手段と、
    前記第１の確率が前記第１の所定の閾値を超えているという前記判定に応じて、前記命令を第２のデバイスに送信して、前記第２のデバイスに、第２の期間内に前記患者に心不整脈が発生する第２の確率を判定させるための手段と、を含む、コンピューティングデバイス。

Images