JP2022531292A - 機械学習による不整脈検出の可視化 - Google Patents

Abstract

患者の心不整脈を検出する機械学習システムの出力を説明および視覚化するための技術が開示されている。一例では、コンピューティングデバイスは、医療デバイスによって感知された心臓電位図データを受信する。コンピューティングデバイスは、複数の患者の心臓電位図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、受信された心臓電位図データに適用して、機械学習モデルに基づいて、患者に不整脈のエピソードが発生したこと、および不整脈のエピソードが患者に発生したという判定における信頼性のレベルを判定する。信頼性のレベルが所定の閾値よりも大きいとの判定に応答して、コンピューティングデバイスは、心臓電位図データの一部分、不整脈のエピソードが発生したことの指標、および不整脈のエピソードが発生したことの信頼性のレベルの指標をユーザに表示する。【選択図】図１

Description

この開示は、一般に、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、植え込み型除細動器（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は電気リード線を介してパルスを送信し、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。追加的に、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。

他のタイプの医療デバイスは、診断目的で使用され得る。例えば、植え込み型または非植え込み型の医療デバイスは、患者の心臓を監視し得る。医師などのユーザは、心房もしくは心室の頻脈性不整脈、または心静止などの心不整脈の発生について、医療デバイスによって生成されたデータをレビューし得る。ユーザは、特定された心不整脈の発生に基づいて、患者の病状を診断し得る。

本開示の技術にしたがって、患者の心不整脈を検出する機械学習システムの出力を説明および視覚化する医療デバイスシステムが本明細書に記載されている。機械学習システムは、患者の不整脈のエピソードを検出および分類するための強力なツールを提供し得る。ただし、そのような機械学習システムによって導き出された結論の根拠は、非専門家の人に伝えるのは難しい場合があり得る。患者の心不整脈の検出に関して機械学習システムによって導き出された結論を単純化し、発明の主題の専門家および非専門家を含む異なる能力のユーザが理解できる方法でそのような情報を提示するための技術が本明細書に開示される。

一例では、コンピューティングデバイスは、医療デバイスによって検知された心臓電位図データを受信する。コンピューティングデバイスは、複数の患者についての心臓電位図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、受信した心臓電位図データに適用して、機械学習モデルに基づいて、患者に不整脈のエピソードが発生したこと、および不整脈のエピソードが患者に発生したという判定についての信頼性のレベルを判定する。信頼性のレベルが所定の閾値よりも大きいとの判定に応答して、コンピューティングデバイスは、心臓電位図データの一部分、不整脈のエピソードが発生したという指標、および不整脈のエピソードが発生したという信頼性のレベルの指標をユーザに表示する。いくつかの例において、コンピューティングデバイスは、高度なユーザにはより詳細な情報を提供し、基本ユーザにはあまり詳細でない情報を提供する。

別の例において、コンピューティングデバイスは、医療デバイスによって感知された心臓電位図データおよびユーザからの不整脈タイプの選択を受信する。コンピューティングデバイスは、機械学習モデルを、受信した心臓電位図データに適用して、機械学習モデルに基づいて、選択されたタイプの不整脈のエピソードが患者に発生したこと、および選択されたタイプの不整脈のエピソードが発生したという判定についての信頼性のレベルを判定する。コンピューティングデバイスは、心臓電位図データの少なくとも一部分、選択されたタイプの不整脈のエピソードが患者に発生したという第１の指標、および選択されたタイプの不整脈のエピソードが患者に発生したという信頼性のレベルの第２の指標を、表示するように、出力する。

本開示の技術は、心不整脈の検出および分類を実行する機械学習システムの分野に特定の改善を提供し得る。例えば、本明細書に開示される技術は、そのような機械学習システムによって実行される分析のより明確な説明可能性および視覚化を可能にし得る。さらに、本明細書に記載の技術は、多くの異なるスキルレベルのユーザが使用するための心臓電位図データの迅速かつ患者固有の解釈を可能にし得る。本明細書に開示される技術は、心不整脈の検出および分類を実行する機械学習システムによって提供される結論を利用するためにユーザが必要とするトレーニングの量を減らし、ならびにより多様なシステムでそのような機械学習システムの使用を可能にし得る。したがって、本明細書に開示される技術は、患者の心不整脈のより正確かつ迅速な診断および分類を可能にする一方で、そのような心不整脈の診断および治療を提供するために臨床医が必要とする専門知識の量を減らすことができる。

一例において、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よって、医療デバイスによって感知された心臓電位図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、複数の患者についての心臓電位図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、受信した心臓電位図データに適用することであって、機械学習モデルに基づいて、不整脈のエピソードが患者に発生したと判定し、不整脈のエピソードが患者に発生したという判定についての信頼性のレベルを判定する、適用することと、不整脈のエピソードが患者に発生したという判定の信頼性のレベルが、所定の閾値よりも大きいことを判定することと、信頼性のレベルが所定の閾値よりも大きいとの判定に応答して、コンピューティングデバイスによって、心臓電位図データの少なくとも一部分、不整脈のエピソードが患者に発生したという第１の指標、および不整脈のエピソードが患者に発生したという信頼性のレベルの第２の指標を、ユーザに表示するように、出力することと、を含む方法を説明する。

別の例において、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よって、医療デバイスによって感知された心臓電位図データを受信することと、ユーザから不整脈のタイプの選択を受信することと、コンピューティングデバイスによって、複数の患者についての心臓電位図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、受信された心臓電位図データに適用することであって、機械学習モデルに基づいて、選択されたタイプの不整脈のエピソードが患者に発生したという判定についての信頼性のレベルを判定する、適用することと、コンピューティングデバイスによって、心臓電位図データの少なくとも一部分、選択された不整脈のエピソードが患者に発生したことの第１の指標、および選択された不整脈のエピソードが患者に発生したという信頼性のレベルの第２の指標を、ユーザに表示するように、出力することと、を含む方法を説明する。

別の例において、本開示は、記憶媒体と、処理回路であって、記憶媒体に動作可能に結合されており、かつ医療デバイスによって感知された心臓電位図データを受信することと、複数の患者についての心臓電位図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、受信された心臓電位図データに適用して、機械学習モデルに基づいて、不整脈のエピソードが患者に発生したと判定し、かつ不整脈のエピソードが患者に発生したという判定における信頼性のレベルを判定することと、不整脈のエピソードが患者に発生したという判定における信頼性のレベルが、所定の閾値よりも大きいと判定することと、信頼性のレベルが所定の閾値よりも大きいと判定することに応答して、心臓電位図データの少なくとも一部分、不整脈のエピソードが患者に発生したという第１の指標、および不整脈のエピソードが患者に発生したという信頼性のレベルの第２の指標を、ユーザに表示するために、出力することと、を行うように構成されている、処理回路と、を含む、コンピューティングデバイスを説明する。

別の例において、本開示は、記憶媒体と、処理回路であって、記憶媒体に動作可能に結合されており、かつ医療デバイスによって感知された心臓電位図データを受信することと、ユーザから、不整脈タイプの選択を受信することと、複数の患者についての心臓電位図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、受信された心臓電位図データに適用して、機械学習モデルに基づいて、選択されたタイプの不整脈のエピソードが患者に発生したと判定し、かつ選択されたタイプの不製脈のエピソードが患者に発生したという判定における信頼性のレベルを判定することと、心臓電位図データの少なくとも一部分、選択された不整脈のエピソードが患者に発生したという第１の指標、および選択された不整脈のエピソードが患者に発生したという信頼性のレベルの第２の指標を、ユーザに表示するために、出力することと、を行うように構成されている、処理回路と、を含む、コンピューティングデバイスを説明する。

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意図する。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。

本開示の技術にしたがって、患者に関連する植え込み型医療デバイスおよび外部デバイスを含む、心不整脈の検出および分類を説明するための医療デバイスシステムの例を示す概念図である。 図１の植え込み型医療デバイスの一例を示すブロック図である。 図１の植え込み型医療デバイスの別の例を示すブロック図である。 本開示の１つ以上の技術にしたが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。 本開示の技術による例示的な動作を示すフローチャートである。 本開示の技術による例示的な動作を示すフローチャートである。 本開示の技術による例示的な動作を示すフローチャートである。 本開示の技術にしたがって機械学習システムを説明するために使用することができる例示的なシミュレートされた心臓電位図データを示すグラフである。。 本開示の技術にしたがって不整脈のエピソードを検出する際に、図の機械学習モデル１５０の動作を視覚化するための技術を示すグラフである。 本開示の技術にしたがって不整脈のエピソードを検出する際に、図の機械学習モデル１５０の動作を視覚化するための技術を示すグラフである。 本開示の技術にしたがって不整脈のエピソードを検出する際に、図の機械学習モデル１５０の動作を視覚化するための技術を示すグラフである。 本開示の技術にしたがって、医療デバイスにより患者の心臓電位図データを視覚化するための表示例を示す図である。 本開示の技術にしたがって、医療デバイスにより患者の心臓電位図データを視覚化するための表示例を示す図である。 本開示の技術にしたがって、医療デバイスにより患者の心臓電位図データを視覚化するための表示例を示す図である。 本開示の技術にしたがって、医療デバイスにより患者の心臓電位図データを視覚化するための表示例を示す図である。 本開示の技術にしたがって、医療デバイスにより患者の心臓電位図データを視覚化するための別の表示例を示す図である。 本開示の技術にしたがって、医療デバイスにより患者の心臓電位図データを視覚化するための別の表示例を示す図である。 本開示の技術にしたがって、医療デバイスにより患者の心臓電位図データを視覚化するための別の表示例を示す図である。

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。

不整脈の検出を実行する深層学習や人工知能（ＡＩ）などの機械学習システムは、様々な目的でアルゴリズムを開発するための柔軟なプラットフォームを提供する。例えば、機械学習システムを使用して、心房細動（ＡＦ）セグメントを検出し、ＡＦの存在を検出し、他のタイプの心不整脈を検出し得る。さらに、そのような機械学習システムは、特徴描写などの他の技術によって必要とされる可能性がある専門家の設計および特徴工学なしで実装され得る。しかしながら、そのような機械学習システムによって導き出された結論、およびそのような結論を出すために導き出されたデータは、説明が難しく、機械学習システムのパフォーマンスの評価を妨げる可能性がある。

患者の心不整脈を検出する機械学習システムの出力を説明および視覚化するための技術が開示されている。本開示の技術は、医療デバイスシステムが機械学習モデルによって不整脈分類を説明することを可能にし得る。例えば、以下に説明するようなシステムは、不整脈検出を実行する機械学習システムの説明可能性および解釈可能性を提供し得る。さらに、本明細書に記載の医療デバイスシステムは、機械学習システムによって検出された不整脈を迅速かつ患者固有の解釈のために提示し、そのような検出された不整脈を、心臓電位図データの解釈に様々なレベルの知識と専門知識を有している可能性のある様々なエンドユーザに提示する。本明細書に記載のそのような医療デバイスシステムは、機械学習システムの明確な説明可能性および単純な不整脈の視覚化を提供し得、これは、心臓電位図データを収集および表示することができる消費者および医療デバイスとして有用であり得る。

図１は、本開示の技術にしたがって、ＩＭＤ１０および患者に関連する外部デバイス１２を含む、患者４の心臓６における心不整脈の検出および分類を説明するための例示的な医療デバイスシステム２を示す概念図である。いくつかの例では、ＩＭＤ１０はリードレスＩＭＤであり、図１に示されるように、外部デバイス１２と無線通信している。いくつかの例では、ＩＭＤ１０は、１つ以上のリードに結合され得る。いくつかの例では、ＩＭＤ１０は、患者４の胸腔の外側に（例えば、図１に示される胸部の皮下に）植え込まれ得る。ＩＭＤ１０は、心臓６のレベルの近くおよび／またはすぐ下の胸骨の近くに配置され得る。

いくつかの例では、ＩＭＤ１０は、Ｄｕｂｌｉｎ，ＩｒｅｌａｎｄのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能な、Ｒｅｖｅａｌ ＬＩＮＱ（商標）挿入可能心臓モニタ（ＩＣＭ）またはホルター心臓モニタの両方の形態をとり得る。外部デバイス１２は、家庭、診療所、または病院などの設定で使用するように構成されたコンピューティングデバイスであり得、さらに、無線遠隔測定を介してＩＭＤ１０と通信するように構成され得る。例えば、外部デバイス１２は、ネットワーク２５を介してコンピューティングシステム２４に結合され得る。コンピューティングシステム２４は、Ｄｕｂｌｉｎ，ＩｒｅｌａｎｄのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能なＣａｒｅｌｉｎｋ（登録商標）などの遠隔患者監視システムを含み得る。外部デバイス１２は、いくつかの例では、プログラマ、外部モニタなどの通信デバイス、または携帯電話、「スマート」電話、ラップトップ、タブレットコンピュータ、携帯情報端末（ＰＤＡ）などのモバイルデバイスを含み得る。

いくつかの例では、本明細書に記載の例示的な技術およびシステムは、ＩＭＤ１０に加えて、またはその代わりに、外部医療デバイスとともに使用され得る。いくつかの例では、外部医療デバイスは、Ｄｕｂｌｉｎ，ＩｒｅｌａｎｄのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能なＳＥＥＱ（商標）モバイル心臓テレメトリー（ＭＣＴ）システムのような、ウェアラブル電子デバイス、または「スマート」ウォッチ、「スマート」パッチ、または「スマート」グラスのような他のタイプの「スマート」電子アパレルである。そのような外部医療デバイスは、患者４の外部に配置することができ（例えば、患者４の皮膚に配置することができ）、ＩＭＤ１０に関して本明細書に記載の機能のいずれかまたはすべてを実行することができる。

いくつかの例において、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、外部デバイス１２と対話し得、ＩＭＤ１０から生理学的または診断情報を検索する。いくつかの例において、上述のような患者４または臨床医などのユーザはまた、外部デバイス１２と対話し得、ＩＭＤ１０をプログラムすることができ、例えば、ＩＭＤ１０の動作パラメータの値を選択または調整する。いくつかの例において、外部デバイス１２は、例えば、コンピューティングシステム２４による、ネットワーク２５を介したＩＭＤ１０との通信を容易にするためのアクセスポイントとして機能する。コンピューティングシステム２４は、ユーザがネットワーク２５を介してＩＭＤ１０と対話することを可能にするように構成されたコンピューティングデバイスを含み得る。

いくつかの例において、コンピューティングシステム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うちの少なくとも１つを含み得る。いくつかの例において、コンピューティングシステム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１５０を実装する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システム２４と対話し得、ＩＭＤ１０から生理学的または診断情報を検索する。ユーザはまた、コンピューティングシステム２４と対話して、ＩＭＤ１０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。コンピューティングシステム２４は、ＩＭＤ１０からコンピューティングシステム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システム２４およびＩＭＤ１０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。いくつかの例において、ネットワーク２５は、コンピューティングシステム２４、ＩＭＤ１０、および／または外部デバイス１２が互いに通信することを可能にする通信フレームワークを提供するが、セキュリティ目的のためにコンピューティングシステム２４、ＩＭＤ１０、またはネットワーク２５の外部のデバイスからの外部デバイス１２のうちの１つ以上と分離されている、プライベートネットワークであり得る。いくつかの例において、コンピューティングシステム２４、ＩＭＤ１０、および外部デバイス１２の間の通信は暗号化されている。

外部デバイス１２およびコンピューティングシステム２４は、当技術分野で知られているいずれかの技術を使用して、ネットワーク２５上で無線通信を用いて通信し得る。いくつかの例において、コンピューティングシステム２４は、ローカルアクセスポイント、無線ルータ、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介して外部デバイス１２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１２およびコンピューティングシステム２４はネットワーク２５上で通信するが、いくつかの例においては、外部デバイス１２およびコンピューティングシステム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ＢＬＥプロトコルにしたが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システム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も通信し得る。

そのような任意の例において、医療デバイスシステム２の処理回路は、患者４の心臓電位図データを含む患者データをリモートコンピュータ（例えば、外部デバイス１２）に送信し得る。いくつかの例において、医療デバイスシステム２の処理回路は、患者４が徐脈、頻脈、心房細動、心室細動、または房室ブロックのエピソードなどの心不整脈のエピソードを受けているという判定を送信し得る。

外部デバイス１２は、無線遠隔測定を介してＩＭＤ１０と通信するためのコンピューティングデバイス（例えば、家庭、外来、診療所、または病院の設定で使用される）であり得る。外部デバイス１２は、Ｄｕｂｌｉｎ，ＩｒｅｌａｎｄのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能なＣａｒｅｌｉｎｋ（登録商標）などの遠隔患者監視システムを含むか、またはそれらに結合され得る。いくつかの例では、外部デバイス１２は、ＩＭＤ１０からデータ、アラート、患者の生理学的情報、または他の情報を受信し得る。

外部デバイス１２は、その機能を制御するためにコマンドまたは動作パラメータをＩＭＤ１０にプログラムするために使用され得る（例えば、ＩＭＤ１０のプログラマとして構成されている場合）。いくつかの例では、外部デバイス１２を使用し得、ＩＭＤ１０に問い合わせて、デバイスの動作データならびにＩＭＤメモリに蓄積された生理学的データを含むデータを検索する。そのような問い合わせは、スケジュールにしたがって自動的に発生するか、リモートまたはローカルのユーザコマンドに応答して発生し得る。プログラマ、外部モニタ、および消費者デバイスは、ＩＭＤ１０を問い合わせるために使用され得る外部デバイス１２の例である。ＩＭＤ１０および外部デバイス１２によって使用される通信技術の例には、無線周波数（ＲＦ）遠隔測定が含まれ、これは、ブルートゥース、ＷｉＦｉ、または医療インプラント通信サービス（ＭＩＣＳ）を介して確立されたＲＦリンクであり得る。いくつかの例では、外部デバイス１２は、患者４、臨床医、または別のユーザがＩＭＤ１０と遠隔で対話することを可能にするように構成されたユーザインターフェースを含み得る。いくつかのそのような例では、外部デバイス１２、および／または医療デバイスシステム２の他のデバイスは、ウェアラブルデバイスであり得る（例えば、時計、ネックレス、または他のウェアラブルアイテムの形態で）。

医療デバイスシステム２は、心不整脈の検出、検証、および報告を実行するように構成された医療デバイスシステムの一例である。本開示の技術にしたがって、医療デバイスシステム２は、機械学習不整脈検出を実装して、患者４の心不整脈を検出および分類する。１つ以上の他の植え込み型または外部デバイスの追加の例には、植え込み型、マルチチャネル心臓ペースメーカ、ＩＣＤ、ＩＰＧ、リードレス（例えば、心臓内）ペースメーカ、血管外ペースメーカおよび／またはＩＣＤ、または他のＩＭＤ、または、心臓６、外部モニタ、外部ペーシングまたは電気刺激装置などの外部治療送達装置、または薬物ポンプに、ＣＲＴを送達するように構成されている、そのようなＩＭＤの組み合わせが含まれ得る。

医療デバイスシステム２の各デバイス（例えば、ＩＭＤ１０および外部デバイス１２）の通信回路は、デバイスが互いに通信することを可能にし得る。加えて、１つ以上のセンサ（例えば、電極）は、本明細書ではＩＭＤ１０のハウジング上に配置されると説明されているが、他の例では、そのようなセンサは、患者４の内部または外部に植え込まれた別のデバイスのハウジング上に配置され得る。そのような例では、他のデバイスの１つ以上は、それぞれのデバイス上の電極または他のセンサから信号を受信するように構成された処理回路、および／または電極または他のセンサから別のデバイス（例えば、外部デバイス１２）またはサーバに信号を送信するように構成された通信回路を含み得る。

本開示の技術によれば、医療デバイスシステム２は、患者の心不整脈を検出する機械学習システム１５０の出力を説明および視覚化する。機械学習システム１５０は、患者４の不整脈のエピソードを検出および分類するためのツールを提供し得る。しかしながら、機械学習システム１５０によって導き出された結論の根拠を伝えるのは難しい場合がある。以下でより詳細に説明するように、医療デバイスシステム２は、患者４の心不整脈の検出に関して機械学習システム１５０によって導き出される結論を単純化するように機能する。さらに、医療デバイスシステム２は、主題の専門家および非専門家を同様に含む、異なる能力のユーザが理解できる方法でそのような情報を提示する。

一例では、コンピューティングシステム２４は、ＩＭＤ１０および外部デバイス１２のうちの１つなどの医療デバイスによって感知された心臓電位図データを受信する。コンピューティングシステム２４は、複数の患者の心臓電位図データを使用してトレーニングされた機械学習システム１５０の機械学習モデルを、受信した心臓電位図データに適用して、機械学習モデルに基づいて、患者４に不整脈のエピソードが発生したことを判定する。機械学習システム１５０はさらに、不整脈のエピソードが患者４で発生したという判定における信頼性のレベルを判定する。信頼性のレベルが所定の閾値よりも大きいとの判定に応答して、コンピューティングシステム２４は、心臓電位図データの一部分、不整脈のエピソードが発生したことの指標、および不整脈のエピソードが発生したことの信頼性のレベルの指標をユーザに表示する。いくつかの例では、コンピューティングシステム２４は、高度なユーザにはより詳細な情報を提供し、基本ユーザにはあまり詳細でない情報を提供する。

別の例では、コンピューティングシステム２４は、例えば、ＩＭＤ１０によって感知された心臓電位図データ、およびユーザからの不整脈タイプの選択を受信する。コンピューティングシステム２４は、機械学習システム１５０を、受信した心臓電位図データに適用して、機械学習システム１５０の機械学習モデルに基づいて、選択されたタイプの不整脈のエピソードが患者４に発生したこと、および選択されたタイプの不整脈のエピソードが発生したという判定についての信頼性のレベルを判定する。コンピューティングシステム２４は、心臓電位図データの少なくとも一部分、選択されたタイプの不整脈のエピソードが患者４に発生したことの第１の指標、および選択されたタイプの不整脈のエピソードが患者４に発生したという信頼性のレベルの第２の指標を、表示するように、出力する。

本開示の技術は、心不整脈の検出および分類を実行する機械学習システムの分野に特定の改善を提供し得る。例えば、本明細書に開示される技術は、機械学習システム１５０によって実行される分析のより明確な説明可能性および視覚化を可能にし得る。さらに、本明細書に記載の技術は、多くの異なるスキルレベルのユーザが使用するための心臓電位図データの迅速かつ患者固有の解釈を可能にし得る。本明細書に開示される技術は、心不整脈の検出および分類を実行する機械学習システムによって提供される結論を利用するためにユーザが必要とするトレーニングの量を減らし、ならびにより多様なシステムでそのような機械学習システムの使用を可能にし得る。したがって、本明細書に開示される技術は、患者の心不整脈のより正確かつ迅速な診断および分類を可能にする一方で、そのような心不整脈の診断および治療を提供するために臨床医が必要とする専門知識の量を減らすことができる。

図２は、図１のリードレス植え込み型医療デバイスの一例を示すブロック図である。図２に示されるように、ＩＭＤ１０は、処理回路５０、感知回路５２、通信回路５４、メモリ５６、センサ５８、スイッチング回路６０、および電極１６Ａ、１６Ｂ（以下、「電極１６」）を含み、これらのうちの１つ以上は、ＩＭＤ１０のハウジング内に配置され得る。いくつかの例において、メモリ５６は、処理回路５０によって実行されると、ＩＭＤ１０および処理回路５０に、本明細書においてＩＭＤ１０および処理回路５０に帰属する様々な機能を実行させるコンピュータ可読命令を含む。メモリ５６は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（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、または任意の他のデジタル媒体のような任意の揮発性、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５０は、固定機能回路および／またはプログラム可能な処理回路を含み得る。処理回路５０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５０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５０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し得る。

感知回路５２および通信回路５４は、処理回路５０によって制御されるように、スイッチング回路６０を介して電極１６Ａ、１６Ｂに選択的に結合され得る。感知回路５２は、図１の患者４の心臓の電気的活動を監視し、患者４の心臓電位図データを生成するために、電極１６Ａ、１６Ｂからの信号を監視し得る。感知回路５２は、心電図のデジタル化されたバージョン、ならびに脱分極のタイミングの表示を生成し得る。いくつかの例において、処理回路５０は、感知された心臓電位図データの特徴描写を実行し得、患者４の心不整脈のエピソードを検出する。いくつかの例において、処理回路５０は、通信回路５４を介して、患者４の心臓電位図データを、図１の外部デバイス１２などの外部デバイスに送信する。例えば、ＩＭＤ１０は、図１の機械学習システム１５０による処理のために、デジタル化された心臓電位図データをネットワーク２５に送信する。いくつかの例では、ＩＭＤ１０は、特徴描写を介して不整脈のエピソードを検出することに応答して、心臓電位図データの１つ以上のセグメントを送信する。別の例において、ＩＭＤ１０は、外部デバイス１２からの指示に応答して、心臓電位図データの１つ以上のセグメントを送信する（例えば、患者４が不整脈の１つ以上の症状を経験し、モニタリングセンタまたは臨床医による分析のために心臓電位図データをアップロードするようにＩＭＤ１０に指示するコマンドを外部デバイス１２に入力するとき）。心臓電位図データは、機械学習システム１５０によって処理され得、以下で詳細に説明するように、心不整脈を検出および分類することができる。

いくつかの例では、ＩＭＤ１０は、１つ以上の加速度計、マイクロフォン、および／または圧力センサなどの１つ以上のセンサ５８を含む。感知回路５２は、センサ５８からの信号を監視し得、センサ５８から得られた患者データを、分析のために、図１の外部デバイス１２などの外部デバイスに送信する。いくつかの例では、感知回路５２は、電極１６Ａ、１６Ｂおよび／または他のセンサ５８のうちの１つ以上から受信した信号をフィルタリングおよび増幅するための１つ以上のフィルタおよび増幅器を含み得る。いくつかの例では、感知回路５２および／または処理回路５０は、整流器、フィルタおよび／または増幅器、感知増幅器、比較器、および／またはアナログ－デジタル変換器を含み得る。

通信回路５４は、外部デバイス１２のような別のデバイスまたは圧力感知デバイスなどの別の医療デバイスまたはセンサと通信するための任意の好適なハードウェア、ファームウェア、ソフトウェア、またはそれらの任意の組み合わせを含み得る。処理回路５０の制御下で、通信回路５４は、内部または外部アンテナ、例えばアンテナ２６の助けを借りて、外部デバイス１２または別のデバイス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送信し得る。いくつかの例において、通信回路５４は、外部デバイス１２と通信し得る。加えて、処理回路５０は、外部デバイス（例えば、外部デバイス１２）およびＤｕｂｌｉｎ，ＩｒｅｌａｎｄのＭｅｄｔｒｏｎｉｃ、ｐｌｃによって開発されたＭｅｄｔｒｏｎｉｃ ＣａｒｅＬｉｎｋ（登録商標）ネットワークなどのコンピュータネットワークを介してネットワーク化されたコンピューティングデバイスと通信し得る。

臨床医または他のユーザは、外部デバイス１２を使用して、または通信回路５４を介して処理回路５０と通信するように構成された別のローカルまたはネットワーク化されたコンピューティングデバイスを使用することによって、ＩＭＤ１０からデータを検索し得る。臨床医はまた、外部デバイス１２または別のローカルまたはネットワーク化されたコンピューティングデバイスを使用して、ＩＭＤ１０のパラメータをプログラムし得る。いくつかの例において、臨床医は、ＩＭＤ１０が患者４の心臓電位図データをどのように感知するかを定義する１つ以上のパラメータを選択し得る。

ＩＭＤ１０の１つ以上の構成要素は、ＩＭＤ１０のハウジング内に配置された充電式または非充電式電池を含み得る電源（図２には示されていない）に結合され得る。非充電式電池は、数年間持続するように選択され得、一方、充電式電池は、例えば、毎日または毎週、外部デバイスから誘導充電され得る。

いくつかの例では、処理回路５０は、感知回路５２を介して患者４の心臓電位図データを感知し、そのような心臓電位図データを図１の外部デバイス１２にアップロードする。いくつかの例では、処理回路５０は、感知された心臓電位図データの特徴描写を実行して、心不整脈の予備検出を実行し、心臓不整脈のエピソードの検出に応答して、患者４の心臓電位図データのみを外部デバイス１２にアップロードする。いくつかの例では、ＩＭＤ１０によって実行される特徴描写は、ＩＭＤ１０の電力を節約するために複雑さが軽減されている。

本明細書で説明するように、特徴描写は、エピソード心不整脈の検出または分類に使用するための信号処理を通じて得られた特徴の使用を指す。通常、特徴描写には、心臓電位図データの特徴を識別または抽出し、そのような特徴の特性を測定し、測定値を使用して不整脈を検出または分類するための設計されたルールの使用が含まれる。例えば、特徴描写は、Ｒ波、ＱＲＳ群、Ｐ波、Ｔ波、そのような特徴の速度、そのような特徴間の間隔、特徴の形態、そのような特徴の幅または振幅、または他のまたは他のタイプの心臓の特徴または本明細書に明示的に記載されていないような特徴の特性などの特徴を識別するために使用され得る。特徴描写には、特徴抽出、信号フィルタリング、ピーク検出、耐火物分析、または他のタイプの信号処理、特徴エンジニアリング、または検出ルールの開発が含まれ得る。特徴描写アルゴリズムは、植え込み型医療デバイスでの使用など、リアルタイム、組み込み、および低電力のアプリケーション向けに最適化し得る。しかしながら、特徴描写アルゴリズムでは、患者の不整脈を正確に検出するために、専門家による設計および機能エンジニアリングが必要になり得る。

心不整脈の検出および分類のための特徴描写技術とは対照的に、機械学習技術は、心不整脈の検出および分類のために使用され得る。本明細書で説明するように、機械学習は、ニューラルネットワークまたは深層学習モデルなどの機械学習モデルの使用を指し、これは、心臓電位図データから心臓不整脈を検出するためのトレーニングデータセットでトレーニングされる。機械学習技術は、特徴描写が信号処理に依存するという点で特徴描写とは対照的であり、機械学習システムは、システム設計者の代わりに特徴と不整脈のエピソード間の関係の知識または理解を必要とせずに、不整脈のエピソードを示す心臓電位図データに存在する基礎となる特徴を「学習」し得る。

患者４の心臓電位図データを感知する例示的なＩＭＤ１０の文脈で本明細書に記載されているが、本明細書に開示されている心不整脈検出のための技術は、他のタイプのデバイスとともに使用され得る。例えば、技術は、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、Ｄｕｂｌｉｎ ＩｒｅｌａｎｄのＭｅｄｔｒｏｎｉｃ ＰＬＣ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え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、Ｍｅｄｔｒｏｎｉｃ ＰＬＣから同様に市販されているＲｅｖｅａｌ ＬＩＮＱ（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、患者４の外部にある医療デバイス、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、「スマート」パッチ、または「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装されてもよい。

図３は、図１のリードレス植え込み型医療デバイスの別の例を示すブロック図である。図３の構成要素は、必ずしも一定の縮尺で描かれている必要はなく、代わりに、詳細を示すために拡大されている場合がある。具体的には、図３は、図１のＩＭＤ１０の構成例の上面図のブロック図である。

図３は、図１のＩＭＤ１０と実質的に同様の構成要素を含み得る例示的なＩＭＤ１０を示す概念図である。図１および２に示される構成要素に加えて、図３に示されるＩＭＤ１０の例はまた、ハウジング１４および処理回路５０上の電極１６Ａ、１６Ｂ間を通過する電気信号を絶縁するのを助けることができるウェーハスケールの絶縁カバー７４を含み得る。いくつかの例では、絶縁カバー７４は、ＩＭＤ１０Ｂの構成要素のためのハウジングを形成するために、開いたハウジング１４の上に配置され得る。ＩＭＤ１０Ｂの１つ以上の構成要素（例えば、アンテナ２６、処理回路５０、感知回路５２、通信回路５４、および／またはスイッチング回路６０は、フリップチップ技術を使用することなどによって、絶縁カバー７４の下側に形成され得る。絶縁カバー７４は、ハウジング１４上に裏返し得る。裏返してハウジング１４上に配置すると、絶縁カバー７４の下側に形成されたＩＭＤ１０Ｂの構成要素は、ハウジング１４によって画定されるギャップ７６内に配置され得る。ハウジング１４は、チタンまたは他の任意の好適な材料（例えば、生体適合性材料）から形成することができ、約２００マイクロメートルから約５００マイクロメートルの厚さを有し得る。これらの材料および寸法は単なる例であり、他の材料および他の厚さは、本開示のデバイスのために可能である。

いくつかの例では、ＩＭＤ１０は、感知回路５２および／またはセンサ５８を介して、心臓電位図データを含む患者４の患者データを収集する。センサ５８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ような、１つ以上のセンサを含み得る。いくつかの例では、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患者データのうちの１つ以上を含む。ＩＭＤ１０は、通信回路５４を介して、患者データを外部デバイス１２にアップロードし、外部デバイスは、そのようなデータを、次にネットワーク２５を介してコンピューティングシステム２４にアップロードし得る。いくつかの例では、ＩＭＤ１０は、患者データをコンピューティングシステム２４に毎日アップロードする。いくつかの例では、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４の平均測定値を表す１つ以上の値を含む。この例では、ＩＭＤ１０は、患者データをコンピューティングシステム２４にアップロードするとともに、患者４の短期モニタリングを実行する（後述するように）。しかしながら、他の例では、患者データを処理して患者４の不整脈を検出および／または分類する医療デバイスは、患者４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。

図４は、本開示の１つ以上の技術にしたがって動作する例示的なコンピューティングデバイス４００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４００は、図１のコンピューティングシステム２４の例示的な実装である。一例では、コンピューティングデバイス４００は、機械学習システム４５０または本明細書に記載の任意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４００として示されているが、コンピューティングデバイス４００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好適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く（例えば、入力デバイス４０４，通信回路４０６、ユーザインターフェースデバイス４１０，または出力デバイス４１２、およびいくつかの例では、記憶デバイス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４００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４００は、処理回路４０２、１つ以上の入力デバイス４０４、通信回路４０６、１つ以上の記憶デバイス４０８、ユーザインターフェース（ＵＩ）デバイス４１０、および１つ以上の出力デバイス４１２を含む。一例では、コンピューティングデバイス４００は、コンピューティングデバイス４００によって実行可能である機械学習システム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４００内で実行するための機能および／または処理命令を実装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４００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４００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４００は、いくつかの例では、通信回路４０６も含む。一例では、外部デバイス４００は、通信回路４０６を利用して、図１のＩＭＤ１０および外部デバイス１２のような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。そ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４００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任意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４００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任意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４００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４００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４２２はまた、コンピューティングデバイス４００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４００によって実行可能な例示的なアプリケーション４２２は、機械学習システム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。

本開示の技術にしたがって、コンピューティングデバイス４００は、機械学習システム４５０の機械学習モデルを、ＩＭＤ１０によって感知された患者データに適用して、患者１０で発生する不整脈のエピソードを検出および分類する。いくつかの例では、機械学習システム４５０は、図１の機械学習システム１５０の例である。

いくつかの例では、機械学習システム４５０によって実装される機械学習モデルは、記述的メタデータで標識された複数の患者の心臓電位図データを含むトレーニングデータでトレーニングされる。例えば、トレーニング段階の間、機械学習システム４５０は、複数のＥＣＧ波形を処理する。典型的には、複数のＥＣＧ波形は、複数の異なる患者からのものである。各ＥＣＧ波形は、１つ以上のタイプの不整脈の１つ以上のエピソードで標識されている。例えば、トレーニングＥＣＧ波形は、複数のセグメントを含み得、各セグメントは、不整脈の不在または特定の分類の不整脈の存在を指定する記述子で標識されている（例えば、徐脈、頻脈、心房細動、心室細動、または房室ブロック）。いくつかの例では、臨床医は、各ＥＣＧ波形の不整脈の存在を手作業で標識する。いくつかの例では、各ＥＣＧ波形の不整脈の存在は、特徴描写アルゴリズムによる分類にしたがって標識される。機械学習システム４５０は、トレーニングデータをベクトルおよびテンソル（例えば、多次元配列）に変換するように動作することができ、その上で、機械学習システム４５０は、線形代数、非線形、または代替の計算操作などの数学的操作を適用することができる。機械学習システム４５０は、トレーニングデータ１０４を使用して、心臓電位図データに示される異なる特徴を比較検討するように機械学習モデルを教える。いくつかの例では、機械学習システム４５０は、心臓電位図データを使用して、機械学習モデルに、心電図の１つ以上の特徴を、特定の分類の心臓不整脈の発生に関して多かれ少なかれ重要であるとして表す異なる係数を適用するように教える。不整脈のエピソードで標識された多数のそのようなＥＣＧ波形を処理することによって、機械学習システム４５０は、機械学習システム４５０が以前には分析しなかった、図１の患者４などの患者から心臓電位図データを受信するための機械学習モデルを構築およびトレーニングすることができ、さらにそのような心臓電位図データを処理し、患者の様々な分類の不整脈の有無を高い精度で検出する。通常、機械学習システム４５０がトレーニングされる心臓電位図データの量が多いほど、新しい心臓電位図データで心不整脈を検出または分類する際の機械学習モデルの精度が高くなる。

機械学習システム４５０が機械学習モデルをトレーニングした後、機械学習システム４５０は、患者４などの特定の患者の心臓電位図データなどの患者データを受信し得る。機械学習システム４５０は、トレーニングされた機械学習モデルを患者データに適用して、患者４における心不整脈のエピソードの発生を検出する。さらに、機械学習システム４５０は、トレーニングされた機械学習モデルを患者データに適用して、特定のタイプの不整脈を示すものとして患者の心不整脈のエピソードを分類する。いくつかの例では、機械学習システム４５０は、心不整脈のエピソードが特定のタイプの不整脈を示しているという判定、同様に判定における信頼性のレベルを出力し得る。判定における信頼性のレベルが所定の閾値（例えば、５０％、７５％、９０％、９５％、９９％）より大きいと判定することに応答して、コンピューティングデバイス４００は、心不整脈のエピソードを特定のタイプの不整脈に分類し得、心臓電位図データの少なくとも一部分（例えば、不整脈のエピソードが発生したＥＣＧの一部分）、不整脈のエピソードが患者４に発生したことの第１の指標、および不整脈のエピソードが発生したという判定の信頼性のレベルの第２の指標をユーザに表示するために、出力する。

いくつかの例では、機械学習システム１５０は、生の心臓電位図データ自体の代わりに、心臓電位図データの１つ以上の心臓特徴を処理し得る。１つ以上の心臓特徴は、上述のように、ＩＭＤ１０によって実行される特徴描写を介して取得し得る。心臓特徴は、例えば、患者の平均心拍数、患者の最小心拍数、患者の最大心拍数、患者の心臓のＰＲ間隔、患者の心拍数の変動性、患者の心電図（ＥＣＧ）のそれ以上の特徴の１つ以上の振幅、または患者の１つ以上のＥＣＧの間の間隔、Ｔ波交互脈、ＱＲＳ形態測定、または他のタイプの本明細書に明示的に記載されていない心臓特徴のうちの１つ以上を含み得る。そのような例示的な実装形態では、機械学習システムは、上述のような不整脈のエピソードで標識された複数のＥＣＧ波形の代わりに、不整脈のエピソードで標識された複数のトレーニング心臓特徴を介して機械学習モデルをトレーニングし得る。

いくつかの例では、機械学習システム４５０は、心臓電位図データを処理し得、不整脈のエピソード（例えば、徐脈、頻脈、心房細動、心室細動、または房室ブロック）の分類を導き出す。さらに、機械学習システム４５０は、不整脈タイプ分類のそれぞれについて、ある期間にわたる分類の様々な可能性を示すクラス活性化データを判定することができる。所与の不整脈タイプについて、異なる時間でのそのような尤度値の振幅は、その時間に不整脈が発生している確率に対応し、より高い値はより高い確率に対応する。

コンピューティングデバイス４００は、クラス活性化マッピングを使用し得、機械学習システム４５０の機械学習モデルによって時系列に特定の分類が与えられる理由を構成する、例えば心臓ＥＧＭデータの入力時系列の領域を識別する。所与の分類のクラス活性化マップは、各要素（例えば、入力時系列のサンプリング周波数での各タイムスタンプ）が加重和またはニューラルネットワークまたはその他の機械学習モデルの中間層の出力から導出された他の値である単変量時系列であり得る。中間層は、各分類の出力層ニューロンの前のグローバル平均プーリング層および／または最後の層であり得る。

いくつかの例では、機械学習システム４５０は、機械学習モデルを他のタイプのデータに適用し得、不整脈のエピソードが患者４で発生したことを判定する。例えば、機械学習システム４５０は、患者の不整脈、ＩＭＤ１０の活動レベル、ＩＭＤ１０の入力インピーダンス、またはＩＭＤ１０のバッテリレベルに相関する心臓電位図データの１つ以上の特性に機械学習モデルを適用することができる。

さらなる例では、処理回路４０２は、心臓電位図データから、心臓電位図データの中間表現を生成し得る。例えば、処理回路４０２は、１つ以上の信号処理、信号分解、ウェーブレット分解、フィルタリング、またはノイズ低減操作を心臓電位図データに適用し得、心臓電位図データの中間表現を生成する。この例では、機械学習システム４５０は、心臓電位図データのそのような中間表現を処理して、患者４の不整脈のエピソードを検出および分類する。さらに、機械学習システムは、上述のように不整脈のエピソードで標識された複数の生のＥＣＧ波形の代わりに、不整脈のエピソードで標識された複数のトレーニング中間表現を介して機械学習モデルをトレーニングし得る。心臓電位図データのそのような中間表現の使用は、機械学習システム４５０による、より軽量で、計算がより複雑でない機械学習モデルのトレーニングおよび開発を可能にし得る。さらに、心臓電位図データのそのような中間表現の使用は、機械学習モデルをトレーニングするための生の心臓電位図データの使用とは対照的に、正確な機械学習モデルを構築するためにより少ない反復およびより少ないトレーニングデータを必要とし得る。

いくつかの例では、コンピューティングシステム２４は、機械学習システム１５０を使用し得、特徴描写スクリーニング分析で検出されたもの以外の他のタイプの不整脈を検出する。例えば、ＩＭＤ１０などの低電力デバイスによって実装される特徴描写を実行するための不整脈検出アルゴリズムは、房室ブロックなどの頻度の低い不整脈を検出するように設計されていない場合がある。機械学習システム１５０は、そのような不整脈が利用可能である大規模なデータセットで機械学習モデルをトレーニングすることができ、それにより、例えば、ＩＭＤ１０のみによって実行される特徴描写よりも細かい粒度およびより高い精度を提供する。したがって、機械学習システム１５０の使用は、ＩＭＤ１０が特徴描写を使用して一般的なスクリーニングアルゴリズムを実装することを可能にすること、続いて、より広い範囲の不整脈検出を提供できる機械学習モデルを実装する機械学習システム１５０を使用することによって、システム２の不整脈診断能力を拡張し得る。特徴描写によって検出されなかったタイプの不整脈を検出した後、それにもかかわらず、コンピューティングシステム２４は、ＱＲＳ検出などの特徴描写を使用し得、機械学習システム１５０の機械学習モデルによって検出された他のタイプの不整脈の特徴付けおよび報告を支援する。

いくつかの例では、コンピューティングシステム２４は、機械学習システム１５０を特定の使用例に合わせて調整し得る。例えば、機械学習システム１５０は、患者４がＴＡＶＲ後の患者である場合、房室ブロックおよび徐脈の検出に固有の機械学習モデルを実装し得る。別の例として、機械学習システム１５０は、ＰＶＣの負担がＩＣＤの適応となる可能性のある患者をリスク層別化するために使用できるように、ＰＶＣの検出に固有の機械学習モデルを実装し得る。

図５は、本開示の技術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５は、図１に関連して説明されている。いくつかの例では、図５の動作は、患者４の心不整脈のエピソードを検出する機械学習システム１５０の出力を説明および視覚化するための動作である。

図５に示されるように、ＩＭＤ１０は、患者４の心臓電位図データを感知する。心臓電位図データは、例えば、患者４の一時的なＥＣＧまたは患者４の完全開示ＥＣＧであり得る。さらに、患者４の心臓電位図データは、シングルチャネルまたはマルチチャネルシステムからのものであり得る。簡単にするために、図５の例では、患者４の心臓電位図データは、単一チャネルの一時的なＥＣＧデータとして説明されている。ＩＭＤ１０は、心臓電位図データを外部デバイス１２にアップロードする。コンピューティングシステム２４は、外部デバイス１２から心臓電位図データを受信する（５０２）。

コンピューティングシステム２４の機械学習システム１５０は、受信した心臓電位図データに機械学習モデルを適用して、患者４の不整脈のエピソードを検出する（５０４）。いくつかの例では、機械学習モデルは、臨床医またはいくつかの異なるタイプの不整脈の監視センタによって注釈が付けられた複数のＥＣＧエピソードでトレーニングされる。一例では、機械学習システム１５０は、機械学習モデルを正規化された入力ＥＣＧ信号の１つまたはいくつかのサブセグメントに適用し、不整脈ラベルおよび不整脈の発生の可能性を生成する。いくつかの例では、機械学習システム１５０は、患者４で不整脈のエピソードが発生したと判定し、患者４で不整脈のエピソードが発生したと判定する際の信頼性を判定する。いくつかの例では、機械学習システム１５０は、複数の異なる不整脈タイプの不整脈のエピソードが患者４で発生したかどうか、ならびに各不整脈タイプの不整脈のエピソードが発生したという信頼性のレベルを判定する。

コンピューティングシステム２４は、機械学習システム１５０が不整脈のエピソードを検出したかどうかを判定する（５０６）。機械学習システム１５０が不整脈のエピソードを検出したとの判定に応答して（例えば、ブロック５０６の「はい」）、コンピューティングシステム２４は、判定の信頼性のレベルが所定の閾値より大きいかどうかを判定する（５１０）。いくつかの例では、所定の閾値は、例えば、２５％、５０％、７５％、９０％、９５％、９９％などであり、いくつかの例では、コンピューティングシステム２４は、判定における信頼性のレベルが第１の所定の閾値（例えば、５０％）より大きいか否か、および判定における信頼性のレベルが第２の所定の閾値（例えば、９０％）よりも大きいか否かを判定する。第１の所定の閾値は、不整脈のエピソードが発生したという機械学習システム１５０による中程度の信頼度に関連付けられ得、第２の所定の閾値は、機械学習システム１５０による高レベルの信頼性に関連付けられ得る。

信頼性のレベルが所定の閾値より大きいと判定することに応答して（例えば、５１０の「はい」ブロック）、コンピューティングシステム２４は、臨床医によるレビューのために心臓電位図データを出力する。いくつかの例では、コンピューティングシステム２４は、心臓電位図データの一部、不整脈のエピソードが患者４で発生したことの第１の指標、および不整脈のエピソードが患者４に発生したという判定における信頼性のレベルの第２の指標を出力する（５１２）。いくつかの例では、コンピューティングシステム２４は、不整脈のエピソードが発生したという機械学習システム１５０による信頼性のレベルにしたがって視覚化方法を選択する。例えば、コンピューティングシステム２４は、結果を示すために色分けを適用することができる（例えば、不整脈のエピソードが発生したよりも低い信頼性については「緑」、不整脈のエピソードが発生したよりも中程度の信頼性については「黄」、または不整脈のエピソードが発生したよりも高い信頼性については「赤」を発生する）。

いくつかの例では、コンピューティングシステム２４は、不整脈のタイプを示すために異なる視覚化技術を使用する。いくつかの例では、コンピューティングシステム２４は、不整脈のエピソードが発生した場所を示すために、ＥＣＧ波形および波形に対する注釈を提示する。いくつかの例では、注釈は、ＥＣＧのセクションを強調すること、不整脈のエピソードの開始および／または終了時間を示すこと、またはＥＣＧのセクションにグラフィックアイコンまたはテキストを適用することを含む。コンピューティングシステム２４は、色分け、ハッチング、画像またはアイコン、形状、異なるサイズのインジケータ、光、音、テキスト通知などの多種多様な異なる視覚化技術を使用し得、単にユーザに伝達される情報を単純にする。

一例では、コンピューティングシステム２４は、不整脈のエピソードが患者に発生したことの表示、および不整脈のエピソードと一致する１つ以上の心臓の特徴を表示する。いくつかの例では、コンピューティングシステム２４は、不整脈のエピソードの分類を特定のタイプの不整脈として表示する。

いくつかの例では、コンピューティングシステム２４は、不整脈のエピソードと一致する、患者４から得られた心臓電位図データのサブセクションを表示する。例えば、コンピューティングシステム２４は、患者４の心臓電位図データのサブセクションを識別し得、ここで、サブセクションは、不整脈のエピソードの前の第１の期間（例えば、典型的には、不整脈のエピソードの発症前の１０分未満）、不整脈のエピソードの発生中の第２の期間、および不整脈のエピソードの後の第３の期間（例えば、典型的には、不整脈のエピソードの停止後１０分未満）についての心臓電位図データを含む。

一例として、患者４の心臓電位図データのサブセクションは、長さが約６秒であり得、不整脈のエピソードの前、最中、および後の代表的なセグメントを含む（分析される心臓電位図データまたは波形に存在する場合）。いくつかの例では、エピソードの持続時間は、デバイスのタイプによって異なり、さらに、医療デバイスの使用例、医療デバイスの１つ以上の設定、または感知された特定のタイプの不整脈に依存し得る。例えば、一部のタイプの不整脈はすぐに自己終了し（結果的にエピソードの持続時間が短くなる）、他のタイプの不整脈は持続し、エピソードの記録された持続時間が医療デバイスの指定されたメモリスペースに依存するような長さである。一例として、心房細動（ＡＦ）の場合、患者４の心臓電位図データのサブセクションは、発症期間中の心臓電位図データ、最大ＡＦ可能性のセグメント、最速ＡＦ率のセグメント、およびＡＦオフセットを含み得る。典型的には、患者の心臓電位図データの時間の長さは、第１、第２、および第３の期間よりも長い。さらに、コンピューティングシステム２４は、第１、第２、および第３の期間と一致する１つ以上の心臓特徴を識別する。コンピューティングシステム２４は、心臓電位図データのサブセクションと、第１、第２、および第３の期間と一致する１つ以上の心臓特徴とを表示する。

機械学習システム１５０が不整脈のエピソードを検出しなかったと判定した場合（例えば、ブロック５０６で「いいえ」）、または信頼性のレベルが所定の閾値以下であると判定した場合（例えば、ブロック５１０で「いいえ」）、コンピューティングシステム２４は、後で監視センタまたは臨床医によるレビューのために、感知された心臓電位図データをアーカイブする（５０８）。

図６は、本開示の技術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に関して説明されている。いくつかの例では、図６の動作は、ユーザによって選択されたタイプの心不整脈のエピソードを検出する機械学習システム１５０の出力を説明および視覚化するための動作である。

図６の動作は、コンピューティングシステム２４が、検出された不整脈および各不整脈が存在する対応する信頼レベルの視覚化（色分けされた図など）を提示するという点で、図５の動作と同様であり得る。しかしながら、図６の動作は、ユーザが特定のタイプまたは分類の不整脈を事前に選択することを可能にする。応答として、コンピューティングシステム２４は、出力をフィルタリングして、心臓電位図データ内の位置に選択されたタイプの不整脈のみが存在する可能性、ならびに検出における対応する信頼性のレベルを描写する。

コンピューティングシステム２４は、外部デバイス１２から心臓電位図データを受信する（６０２）。コンピューティングシステム２４の機械学習システム１５０は、受信した心臓電位図データに機械学習モデルを適用して、患者４の不整脈のエピソードを検出する（６０４）。ステップ６０２および６０４の動作は、それぞれ、図５のステップ５０２および５０４と実質的に同様の方法で発生し得る。

コンピューティングシステム２４は、ユーザから、特定の患者のための不整脈のタイプの選択を受け取る（６０５）。例えば、コンピューティングシステムは、コンピューティングシステム２４のインターフェースを介したユーザからの入力として、徐脈、頻脈、心房細動、心室細動、または房室ブロックなどの不整脈の選択を受け取り得る。コンピューティングシステム２４は、機械学習システム１５０が、特定の患者からの現在およびその後のエピソードにおいて、選択されたタイプの不整脈のエピソードを検出するかどうかを判定する（６０６）。例えば、機械学習システム１５０が選択されたタイプの不整脈のエピソードを検出しなかったとの判定に応答して（例えば、ブロック６０６での「いいえ」）、コンピューティングシステム２４は、後で監視センタまたは臨床医によるレビューのために、感知された心臓電位図データをアーカイブする（６０８）。

機械学習システム１５０が選択されたタイプの不整脈の少なくとも１つのエピソード（例えば、ブロック６０６での「はい」）を検出したと判定することに応答して、コンピューティングシステム２４は、選択されたタイプの不整脈のエピソードが患者４で発生したことの機械学習システム１５０による信頼性のレベルを判定する（６１０）。さらに、コンピューティングシステム２４は、心臓電位図データの一部分、不整脈のエピソードが患者４で発生したことの第１の指標、および不整脈のエピソードが患者４で発生したという判定における確実性のレベルの第２の指標を出力する（６１２）。

したがって、図６の動作により、ユーザは、関心のある特定の不整脈を選択することができる。コンピューティングシステム２４は、ユーザの選択に基づいて視覚的提示を更新し得る。コンピューティングシステム２４は、ユーザ入力に基づいてそのユーザインターフェースを更新するので、高および中程度の信頼性のレベルで検出された不整脈を表示することに加えて、コンピューティングシステム２４はまた、低い信頼性で検出された不整脈の潜在的なエピソードを提示し得る。不整脈が検出の信頼性が低い状態で検出されるいくつかの例では、判定が信頼性の低いものであるという指標が、検出された不整脈の信頼性の低いレベルの対応する値とともに目立つように示される。したがって、コンピューティングシステム２４は、多くの異なるタイプ（および確実性）の不整脈の視覚化または説明を提示し得る。したがって、臨床医は、コンピューティングシステム２４を使用し得、特定のタイプの不整脈の臨床医による分類を確認する。これにより、臨床医による患者４の診断の精度が向上し得、特に、あまり一般的ではなく、臨床医が特定するのがより困難なタイプの不整脈の場合に顕著である。コンピューティングシステム２４は、以前に識別されたタイプの不整脈のエピソードのその後の発生を識別するのをさらに助け得る。

別の例では、コンピューティングシステム２４は、ユーザから、不整脈のエピソードの分類を特定のタイプの不整脈のものとして受け取る。機械学習システム１５０は、受信した分類を使用して、機械学習モデルまたは不整脈閾値をトレーニングまたは更新して、機械学習モデル１５０の精度および性能を向上させる。これにより、検出が困難なタイプの不整脈のエピソード、特定の患者にユニークな固有の医学的診断に依存するタイプの不整脈のエピソード、またはデータが不足している、まれである、または罹患率が低いタイプの不整脈、または特定の患者での検出性能がデバイスの位置、生理学的状態の変化などの要因のために最適ではない可能性がある不整脈のエピソードを検出および分類する際の機械学習システム１５０の精度および性能を向上させ得る。

図７は、本開示の技術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に関して説明されている。いくつかの例では、図７の動作は、患者４の心不整脈のエピソードを検出する機械学習システム１５０の出力を説明および視覚化するための動作である。

コンピューティングシステム２４は、外部デバイス１２から心臓電位図データを受信する（７０２）。コンピューティングシステム２４の機械学習システム１５０は、受信した心臓電位図データに機械学習モデルを適用して、患者４の不整脈のエピソードを検出する（７０４）。コンピューティングシステム２４は、不整脈のエピソードが検出されるかどうか（７０６）、および検出の信頼性のレベルを判定する（７１０）。ステップ７０２、７０４、７０６、７０８、および７１０の動作は、それぞれ、図５のステップ５０２、５０４、５０６、５０８、および５１０と実質的に同様の方法で発生し得る。

さらに、コンピューティングシステム２４は、ユーザタイプが高度であるかどうかを判定する（７１４）。

この例では、コンピューティングシステム２４は、ユーザの能力に基づいて心臓電位図データの視覚化をカスタマイズし得る。例えば、コンピューティングシステム２４は、多かれ少なかれ詳細なＥＣＧ波形、メタデータ、および異なる能力の様々なユーザに必要に応じてＡＩによって提供される結果の分析を提示し得る。

例えば、ユーザタイプが高度でない（例えば、基本的なユーザタイプ）（例えば、ブロック７１４での「いいえ」）との判定に応答して、コンピューティングシステム２４は、基本的な心臓電位図データ、不整脈のエピソードが患者４に発生したという第１の指標、および不整脈のエピソードが患者４で発生したという判定における確実性のレベルの第２の指標を出力する（７１６）。例えば、移植心臓専門医、神経科医、ＨＦ医師、デバイス看護師、患者／介護者などの非専門家の場合、コンピューティングシステム２４は、不整脈のエピソードの「真および偽」の陽性検出に関して機械学習システム１５０の全体的な性能を表示するために提示し得る。いくつかの例では、コンピューティングシステム２４は、表示のために、同じ分類の不整脈の代表的なエピソードでオーバーレイされた不整脈の検出されたエピソードを描写するＥＣＧセグメント（例えば、ＡＦの代表的な波形例でオーバーレイされたＡＦを提示する患者４のＥＣＧセグメント）をさらに提示し得る。いくつかの例では、コンピューティングシステム２４は、表示のために、ベースラインまたは非ＡＦエピソードでオーバーレイされた不整脈の検出されたエピソードを描写するＥＣＧセグメントをさらに提示し得る。いくつかの例では、コンピューティングデバイス２４は、基本的なユーザに、患者のＥＣＧ波形、不整脈のエピソードを提示する第１のＥＣＧ波形の第１の表現、および正常な心臓行動を提示する第２のＥＣＧ波形の第２の表現を提示する。

別の例として、ユーザタイプが高度である（例えば、ブロック７１４での「はい」）との判定に応答して、コンピューティングシステム２４は、高度な心臓電位図データ、不整脈のエピソードが患者４で発生したことの第１の指標、および不整脈のエピソードが患者４で発生したという判定における確実性のレベルの第２の指標を出力する（７１８）。例えば、電気生理学者または対象分野の専門家の場合、コンピューティングシステム２４は、例えば、ＡＦのエピソードについて、平均ＲＲベースラインと対比された各ＡＦセグメント中の平均ＲＲとともに提示される不整脈の各エピソードの開始時間および停止時間、各ＡＦセグメント中にＲＲ変動ベースラインと対照的であるＲＲ変動、Ｐ波ベースラインと対照的であるＡＦセグメント中のＰ波証拠、および形態変動を表示し得る。コンピューティングシステム２４は、機械学習システム１５０の専門家の信頼性を改善し、専門家が心不整脈のエピソードを解釈するのを支援するために、本明細書に明示的に記載されていない追加のタイプの情報を提示し得る。いくつかの例では、コンピューティングデバイス２４は、高度なユーザに、患者４のＥＣＧ波形のうちの１つ以上、不整脈のエピソードの開始時間、不整脈のエピソードの停止時間、不整脈のエピソード中、患者４の平均Ｒ－Ｒ間隔、不整脈のエピソード中の患者４のＲ－Ｒ変動、患者４のベースラインＲ－Ｒ間隔、不整脈のエピソード中の患者４のＰ波、患者４のベースラインＰ波、または患者４の形態変動を提示する。

したがって、図７の動作は、データにアクセスするユーザのスキル、能力、または経験に基づいて、異なるデータ提示をさらに可能にする。図７の動作は、例えば、心臓波形の解釈にあまり精通していない医師の利害関係者（例えば、心臓専門医または主題の専門家ではない臨床医）によって患者が心臓モニタを処方される状況で使用され得るが、患者は心臓電位図データの特性の基本的な提示および／または機械学習システム１５０による分類を見たいと思っている。本開示の技術を使用することにより、医療デバイスシステム２などの医療デバイスシステムは、エンドユーザに適切な量のデータを提供し得る。したがって、医療デバイスシステム２は、臨床医が適切な診断または紹介を行うこと、または予想される心臓リズム（または不整脈）の有無を確認することを可能にし得る。さらに、医療デバイスシステム２は、必要な理解レベルに関係のないデータで臨床医に負担をかけることを回避し得る。

図８は、本開示の技術にしたがって機械学習システム１５０を説明するために使用され得る例示的なシミュレートされた心臓電位図データを示すグラフである。便宜上、図８は、図１の医療システム２４に関して説明されている。

機能工学的アルゴリズムとは異なり、機械学習システム１５０が患者の心臓電位図データから不整脈を検出するためにどのように動作するかが正確に明確でない場合がある。本明細書で説明するように、コンピューティングシステム２４は、波形８０２、８０４、および８０６などのシミュレートされた心臓電位図データを使用し得、機械学習システム１５０によって実行される不整脈の特徴付けの異なる側面を精査することができる。例えば、コンピューティングシステム２４は、複数の異なる特性にわたるシミュレートされた心臓電位図データを機械学習システム１５０に供給し、機械学習モデルが、特定のタイプの不整脈の検出に関して多かれ少なかれ重要であるとして、様々な特徴をどのように評価するかを理解するために、機械学習システム１５０の出力をマッピングしている（図９Ａ～９Ｃに関して以下でより詳細に説明するように）。例えば、コンピューティングシステム２４は、ＲＲ変動性（ＲＲＶ）、ＲＲレート、またはｐ波の値が異なるシミュレートされた心臓電位図データを使用し得、機械学習システム１５０がＡＦをどのように特徴づけるかを調べる。本明細書で説明するように、「ＲＲＶ」は、ＥＣＧ波のＱＲＳ群のピークに対応する連続する「Ｒ」点間の間隔の変動を指す。シミュレートされた心臓電位図データを使用し、機械学習システム１５０による、シミュレートされた心臓電位図データの異なる部分の不整脈の可能性の判定を使用することにより、コンピューティングシステム２４は、機械学習システム１５０の動作を説明し得る。正常洞調律（ＮＳＲ）、徐脈性不整脈、およびＡＦに特有の例が本明細書に記載されているが、本開示の技術は、他のタイプの不整脈にも使用され得る。

一例では、コンピューティングシステム２４は、以下の特徴を有する波形のデータセットを受信する。
・平均心拍数（ＨＲ）は、毎分４０拍（ＢＰＭ）から１２０ＢＰＭの範囲、
・０．０１秒から０．５秒の範囲の波形のＲＲＶ、
・ｐ波ありとｐ波なしのＱＲＳ群。
言い換えれば、コンピューティングシステム２４は、これらのようなシミュレートされた心臓電位図データの特徴に基づいて機械学習システム１５０の分析を「説明」し、これは、この分野の専門家にとってより理解しやすく、「現実世界」の重要性を持っている可能性がある。

いくつかの例では、コンピューティングシステム２４は、平均心拍数データ、ＲＲＶデータ、またはそのようなデータが利用できない場合のＱＲＳ群の少なくとも一部についてシミュレートされたデータを使用し得る。例えば、患者４は、モデルを説明するために必要なパラメータの全範囲を示さない場合があり得る（例えば、ＢＰＭが５０未満など）。そのようなシミュレートされたデータの使用は、コンピューティングシステム２４が、取得するのが困難または実行不可能である患者４からのエッジケースデータを必要とせずに、機械学習システム１５０の分析を説明することを可能にし得る。いくつかの例では、コンピューティングシステム２４は、そのようなデータが利用可能である場合、患者４の実際のデータを使用し得る。

図８の例は、３つの例示的な波形８０２、８０４、および８０６を示している。波形８０２は、平均心拍数が９０ＢＰＭ、ＲＲ変動が０．０１秒の波形である。波形８０４は、平均心拍数が９０ＢＰＭ、ＲＲ変動が０．０１秒の波形である。波形８０６は、平均心拍数が９０ＢＰＭ、ＲＲ変動が０．５秒、ｐ波の波形である。いくつかの例では、波形８０２、８０４、および８０６のうちの１つ以上の少なくとも一部が、シミュレートされたデータから取得され得る。

機械学習システム１５０は、波形８０２、８０４、および８０６のそれぞれを処理し、［０，１］範囲の不整脈発生が抽出された可能性を出力する。０に近い可能性は、波形の不整脈のエピソードが発生する可能性が低いことを示し、１に近い可能性は、波形の不整脈のエピソードが発生する可能性が非常に高いことを示す。コンピューティングシステム２４は、そのような情報を使用し得、例えば、どの心拍数で、機械学習システム１５０が特定のタイプ（例えば、ＡＦ）の不整脈のエピソードを検出するか、どのＲＲＶで、機械学習システム１５０が特定のタイプ（例えば、ＡＦ）の不整脈のエピソードを検出するかまたは、どのｐ波レベルで、機械学習システム１５０が特定のタイプ（例えば、ＡＦ）の不整脈のエピソードを検出するかを説明する。

図９Ａ～９Ｃは、本開示の技術にしたがって不整脈のエピソードを検出する際の、図の機械学習モデル１５０の動作を視覚化するための技術を示すグラフである。いくつかの例では、図９Ａ～９Ｃは、図８の例示的な波形８０２、８０４、および８０６の機械学習システム１５０による分析の計算システム２４による説明を示している。図８のシミュレートされた心臓電位図データに関して機械学習システム１５０の出力を提示することによって、コンピューティングシステム２４は、シミュレートされた心臓電位図データの異なる特性に関して機械学習システム１５０の動作を説明し得る。

図９Ａは、機械学習システム１５０が患者４において正常な洞調律を予測する可能性の例示的なグラフ図９００を示している（ＮＳＲ）。例えば、図９Ｂは、機械学習システム１５０が平均心拍数の関数としてＮＳＲを検出する可能性を示している。図９Ａのｙ軸は、機械学習システム１５０によって判定された、ＮＳＲが存在する可能性を、０％から１００％のスケールで示している。図９Ａの色は、ｙ軸の値に対応し得る（例えば、黄は、ＮＳＲが存在する可能性が高いことに対応し、青は、ＮＳＲが存在する可能性が低いことに対応する）。図９Ａのｘ軸は、毎分拍数（ＢＰＭ）での心拍数を示し、図９Ａのｚ軸は、秒でのＲＲＶを示している。図９Ａに示されるように、機械学習システム１５０は、心電図が０．１未満のＲＲＶおよび６５から８５ＢＰＭの間の心拍数を有するＮＳＲを検出する。臨床医は、そのような情報を使用し得、患者４の正常な洞調律に注釈を付ける方法を特徴付ける。例えば、図９Ａで説明されている機械学習モデルは、６５～８５ＢＰＭの心拍数をＮＳＲと見なす特定の診療所からのデータを使用して開発された。

図９Ｂは、機械学習システム１５０が徐脈を検出する可能性の例示的な図９１０を示している。例えば、図９Ｂは、機械学習システム１５０が平均心拍数の関数として徐脈を検出する可能性を示している。図９Ｂのｙ軸は、０％から１００％のスケールで、徐脈が存在するという機械学習システム１５０によって判定された可能性を示している。図９Ｂの色は、ｙ軸の値に対応し得る（例えば、黄は徐脈が存在する可能性が高いことに対応し、青は徐脈が存在する可能性が低いことに対応する）。図９Ｂのｘ軸はＢＰＭでの心拍数を示し、図９Ｂのｚ軸は秒でのＲＲＶを示している。図９Ｂに示されるように、機械学習システム１５０は、心電図が０．１未満のＲＲＶおよび４５～５５ＢＰＭの間の心拍数を有する洞性徐脈を検出する。臨床医は、そのような情報を使用し得、患者４の徐脈のエピソードに注釈を付ける方法を特徴付ける。例えば、図９Ｂで説明されている機械学習モデルは、４５～５５ＢＰＭの心拍数を洞性徐脈と見なす特定の診療所からのデータを使用して開発された。

図９Ｃは、機械学習システム１５０が心房細動（ＡＦ）を検出する可能性の例示的なグラフィカルイラストレーション９２０を示している。図９Ｃの例は、機械学習システム１５０が、ＡＦを平均心拍数、ＲＲ変動性、およびＰ波の関数として検出する可能性を示している。図９Ｃのｙ軸は、ＡＦが０％～１００％のスケールで存在するという機械学習システム１５０によって判定された可能性を示している。図９Ｃの色は、ｙ軸の値に対応し得る（例えば、黄はＡＦが存在する可能性が高いことに対応し、青はＡＦが存在する可能性が低いことに対応する）。図９Ｃのｘ軸はＢＰＭでの心拍数を示し、図９Ｃのｚ軸は秒でのＲＲＶを示している。さらに、図９Ｃは、２つのシナリオでとして、ｐ波が存在する場合（９２４）およびｐ波が存在しない場合（９２２）を示している。図９Ｃに示されるように、機械学習システム１５０は、心電図が０．２より大きいＲＲＶ、７５ＢＰＭより大きい心拍数を有し、ｐ波が存在しない、ＡＦを検出する。ｐ波の存在下では、機械学習システム１５０はＡＦを検出しない。図９Ｃには示されていないが、機械学習システム１５０は、ｐ波の存在下でより頻繁にＰＡＣのエピソードを検出し得る。臨床医は、そのような情報を使用し得、患者４のＡＦのエピソードに注釈を付ける方法を特徴付ける。例えば、図９Ｃで説明されている機械学習モデルは、７５ＢＰＭを超える心拍数と０．２を超えるＲＲＶをＡＦと見なす特定の診療所からのデータを使用して開発された。

図９Ａ～９Ｃによって示される例示的な視覚化技術は、他の深層学習視覚化技術を含めることによって拡張され得る。例えば、本開示の技術は、深層ネットワークの特徴を視覚化するため、またはニューラルスタイルの転送を視覚化するための深層学習技術に容易に適合させ得る。さらに、本開示の技術は、心室細動または房室ブロックなど、図９Ａ～９Ｃに明確に示されていない他のタイプの心不整脈を視覚化するように適合させ得る。

図１０Ａ～１０Ｄは、本開示の技術にしたがって、コンピューティングデバイスによって患者４の心臓電位図データ１０１０を視覚化するための例示的なディスプレイ１００１～１００４を示す図である。心臓電位図データ１０１０は、例えば、上記のようにＩＭＤ１０によって感知され得る。ディスプレイ１０００は、例えば、コンピューティングシステム２４または外部デバイス１２によって提示され得る。図１０Ａは、ＩＭＤ１０によって感知された患者４の心臓電位図データ１０１０を提示するディスプレイ１００１を示す。

図１０Ｂは、基本的な心臓情報、例えば、コンピューティングシステム２４が患者４の不整脈のエピソードが発生したと判定した心臓電位図データ１０１０のＥＣＧセグメント１０２０を提示するディスプレイ１００２を示す。いくつかの例では、ＥＣＧセグメント１０２０は、コンピューティングシステム２４が患者４の心房細動のエピソードを提示する可能性が最も高いと判断した心臓電位図データ１０１０のセグメントである。図１０Ｂの例示的な提示は、例えば、ユーザが、コンピューティングシステム２４による不整脈のエピソードの判定に関する包括的な情報を必要としない基本的なユーザである場合に使用され得る。

図１０Ｃは、高度な心臓情報を提示するディスプレイ１００３を示す。例えば、ディスプレイ１００３は、心臓電位図データ１０１０を含み、心臓電位図データ１０１０の複数のセグメントについて、１つ以上のタイプの心不整脈のエピソードが発生した可能性をさらに示す。例えば、ディスプレイ１００３は、コンピューティングシステム２４が患者４で心房細動が発生した可能性が高いと判定したことにより、セグメントを緑（１０１２）に色付けし、コンピューティングシステム２４が患者４で心房細動が発生したかいなか不確実に判定したことによりセグメントを黄（１０１４）に色付けし、コンピューティングシステム２４が患者４で心房細動が発生した可能性が低いと判定したことにより、セグメントを赤（１０１６）に色付けする。さらに、ディスプレイ１００３は、心房細動が患者４において経時的に発生したという全体的な可能性１０３０を青で示す。

別の例として、ディスプレイ１００３は、コンピューティングシステム２４が患者４でＰＶＣが発生した可能性が高いと判定すると、セグメントを緑に色付けし（図１０Ｃにはエピソードなし）、コンピューティングシステム２４がＰＶＣが患者４に発生したかいなか不確実に判定をするとセグメントを黄（１０２４）に色付けし、ＰＶＣが患者４に発生した可能性が低いとコンピューティングシステム２４が判定すると、セグメントを赤（１０２６）に色付けする。さらに、ディスプレイ１００３は、患者４にＰＶＣが経時的に発生したという全体的な可能性１０４０をマゼンタにして示す。

図１０Ｄは、高度な心臓情報を提示するディスプレイ１００４を示している。例えば、ディスプレイ１００４は、図１０Ｃのディスプレイ１００３と実質的に同様の情報を示している。さらに、ディスプレイ１００４は、ベースラインＥＣＧ信号（例えば、ＡＦが存在しない場合）を示す参照心臓電位図データ１０５４と、ＡＦのエピソード中のＥＣＧ信号を示す参照心臓電位図データ１０５２をさらに示す。さらに、ディスプレイ１００４は、心臓電位図データ１０１０の期間にわたる患者４のＲＲ間隔を表示するＲＲ間隔図１０５０を含む。ＲＲ間隔図１０５０は、ＡＦが存在する間の（例えば、時間ｔ０から約時間ｔ１００まで）、パターン化されていない高いＲＲ変動性と、ＡＦがない間（例えば、時間ｔ１５０から時間ｔ２５０まで）のパターン化された拍動を示す。図１０Ｃまたは１０Ｄの例示的な提示は、例えば、ユーザが、コンピューティングシステム２４による不整脈のエピソードの判定に関する包括的な情報を望む高度な基本的なユーザである場合に使用され得る。

図１１Ａ～１１Ｃは、本開示の技術にしたがって、コンピューティングデバイスによって患者４の心臓電位図データ１１１０を視覚化するための例示的なディスプレイ１１０１～１１０３を示す図である。心臓電位図データ１１１０は、例えば、上述のようにＩＭＤ１０によって感知され得る。ディスプレイ１１００は、例えば、コンピューティングシステム２４または外部デバイス１２によって提示され得る。図１１Ａは、ＩＭＤ１０によって感知された患者４の心臓電位図データ１１１０を提示するディスプレイ１１０１を示す。

図１１Ｂは、基本的な心臓情報、例えば、コンピューティングシステム２４が患者４の不整脈のエピソードが発生したと判定した心臓電位図データ１１１０のＥＣＧセグメント１１２０を提示するディスプレイ１１０２を示す。いくつかの例では、ＥＣＧセグメント１１２０は、コンピューティングシステム２４が患者４にＰＶＣのエピソードを提示する可能性が最も高いと判定した心臓電位図データ１１１０のセグメントである。図１１Ｂの例示的な提示は、例えば、ユーザが、コンピューティングシステム２４による不整脈のエピソードの判定に関する包括的な情報を必要としない基本的なユーザである場合に使用し得る。

図１１Ｃは、高度な心臓情報を提示するディスプレイ１１０３を示す。例えば、ディスプレイ１１０３は、心臓電位図データ１１１０を含み、心臓電位図データ１１１０の複数のセグメントについて、１つ以上のタイプの心不整脈のエピソードが発生した可能性をさらに示す。例えば、ディスプレイ１１０３は、コンピューティングシステム２４が患者４で心房細動が発生した可能性が高いと判定したことにより、セグメントを緑（図１１Ｃには示されない）に色付けし、コンピューティングシステム２４が患者４で心房細動が発生したかいなか不確実に判定したことによりセグメントを黄（図１１Ｃには示されない）に色付けし、コンピューティングシステム２４が患者４で心房細動が発生した可能性が低いと判定したことにより、セグメントを赤（１１１６）に色付けする。さらに、ディスプレイ１１０３は、心房細動が患者４において経時的に発生したという全体的な可能性１１３０を青で示す。

別の例として、ディスプレイ１１０３は、コンピューティングシステム２４が患者４でＰＶＣが発生した可能性が高いと判定すると、セグメントを緑に色付けし（１１２２）、コンピューティングシステム２４がＰＶＣが患者４に発生したかいなか不確実に判定をするとセグメントを黄（図１１Ｃには示さない）に色付けし、ＰＶＣが患者４に発生した可能性が低いとコンピューティングシステム２４が判定すると、セグメントを赤（１１２６）に色付けする。さらに、ディスプレイ１１０３は、患者４にＰＶＣが経時的に発生したという全体的な可能性１１４０をマゼンタにして示す。

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。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、医療デバイスによって感知された心臓電位図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、複数の患者についての心臓電位図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、受信された心臓電位図データに適用することであって、機械学習モデルに基づいて、不整脈のエピソードが患者に発生したと判定し、不整脈のエピソードが患者に発生したという判定についての信頼性のレベルを判定する、適用することと、不整脈のエピソードが患者に発生したという判定の信頼性のレベルが、所定の閾値よりも大きいと判定することと、信頼性のレベルが所定の閾値よりも大きいと判定することに応答して、コンピューティングデバイスによって、心臓電位図データの少なくとも一部分、不整脈のエピソードが患者に発生したという第１の指標、および不整脈のエピソードが患者に発生したという信頼性のレベルの第２の指標を、ユーザに表示するように、出力することと、を含む。

実施例２。実施例１の方法において、心臓電位図データの少なくとも一部分が心電図（ＥＣＧ）波形を含む。

実施例３。実施例２の方法において、不整脈のエピソードが患者に発生したという第１の指標が、ＥＣＧ波形に対する注釈を含む。

実施例４。実施例１～３のいずれかにおける方法において、第２の指標が、色、画像、光、音、またはテキスト通知のうちの１つ以上を含む。

実施例５。実施例１～４のいずれかの方法において、方法は、ユーザから、不整脈タイプの選択を受信することをさらに含み、不整脈のエピソードが患者に発生したことを判定するために機械学習モデルを受信された心臓電位図データに適用することは、選択された不整脈タイプの不整脈のエピソードが患者に発生したことを判定するために機械学習モデルを受信された心臓電位図データに適用することを含み、心臓電位図データの少なくとも一部分、不整脈のエピソードが患者に発生したことの第１の指標、および不整脈のエピソードが患者に発生したことの信頼性のレベルの第２の指標を出力することは、心臓電位図データの少なくとも一部分、選択された不整脈タイプの不整脈のエピソードが患者に発生したことの第１の指標、および選択された不整脈タイプの不整脈のエピソードが患者に発生したことの信頼性のレベルの第２の指標を出力することを含む。

実施例６。実施例１～５のいずれかの方法において、この方法は、コンピューティングデバイスによって、ユーザが基本ユーザであることを判定することを含み、心臓電位図データの少なくとも一部分、不整脈のエピソードが患者に発生したという第１の指標、および不整脈のエピソードが患者に発生したという信頼性のレベルの第２の指標を出力ことは、ユーザが基本ユーザであることの判定に応答して、不整脈タイプの不整脈のエピソードが患者に発生したという第１の指標、および不整脈のエピソードが患者に発生したという信頼性のレベルの第２の指標、ならびに患者の心電図（ＥＣＧ）波形、不整脈のエピソードを提示する第１のＥＣＧ波形の第１の表現、および正常な心臓の挙動を提示する第２のＥＣＧ波形の第２の表現、のうちの１つ以上を出力することを含む。

実施例７。実施例１～５のいずれかの方法において、この方法は、コンピューティングデバイスによって、ユーザが高度なユーザであると判定することをさらに含み、心臓電位図データの少なくとも一部分、不整脈のエピソードが患者に発生したという第１の指標、および不整脈のエピソードが患者に発生したという信頼性のレベルの第２の指標を出力することは、ユーザが高度なユーザであるという判定に応答して、選択された不整脈タイプの不整脈のエピソードが患者に発生したという第１の指標、および選択された不整脈タイプの不整脈のエピソードが患者に発生したという信頼性のレベルの第２の指標、ならびに患者の心電図（ＥＣＧ）波形、不整脈のエピソードの開始時間、不整脈のエピソードの停止時間、不整脈のエピソード中の患者の平均Ｒ－Ｒ間隔、不整脈のエピソード中の患者のＲ－Ｒ変動、患者のベースラインＲ－Ｒ間隔、不整脈のエピソード中の患者のＰ波および、患者のベースラインＰ波、患者の形態変動のうちの１つ以上を出力することを含む。

実施例８。実施例１～７のいずれかの方法において、患者における不整脈のエピソードが、徐脈、頻脈、心房細動、心室細動、または房室ブロックのエピソードのうちの少なくとも１つである。

実施例９。実施例１～８のいずれかの方法において、複数の患者の心臓電位図データを使用してトレーニングされた機械学習モデルが、複数の心電図（ＥＣＧ）波形を使用してトレーニングされた機械学習モデルを含み、各ＥＣＧ波形が、複数の患者のうちのパテントにおける１つ以上の不整脈のエピソードで標識されている。

実施例１０。実施例１～９のいずれかの方法において、受信された心臓電位図データに機械学習モデルを適用することは、機械学習モデルを、患者の心電図（ＥＣＧ）データ、患者における不整脈に相関する特徴、患者における不整脈のタイプ、植え込み型医療デバイスの活動レベル、植え込み型医療デバイスの入力インピーダンス、または植え込み型医療デバイスのバッテリレベル、のうちの少なくとも１つに適用することを含む。

実施例１１。実施例１～１０のいずれかの方法において、心臓電位図データの少なくとも一部分を出力することは、患者の心電図（ＥＣＧ）のサブセクションを識別することであって、サブセクションが、不整脈のエピソード前の第１の期間、不整脈のエピソード中の第２の期間、および不整脈のエピソード後の第３の期間についてのＥＣＧデータを含み、患者のＥＣＧの時間の長さが、第１、第２、および第３の期間よりも長い、識別することと、ＥＣＧのサブセクションを出力することとを含む。

実施例１２。実施例１～１１のいずれかの方法において、所定の閾値が、第１の所定の閾値であり、この方法は、不整脈のエピソードが患者に発生したという判定における信頼性のレベルが第２の所定の閾値よりも大きいか否かを判定することと、第２の所定の閾値が第１の所定の閾値よりも大きく、信頼性のレベルが所定の閾値よりも大きいとの判定に応答して、心臓電位図データの少なくとも一部分、第１の指標、および第２の指標を出力することは、信頼性のレベルが第１の所定の閾値よりも大きいが第２の所定の閾値よりも大きくないと判定することに応答して、心臓電位図データの少なくとも一部分、第１の指標、および不整脈のエピソードが患者に発生したことの信頼性の中レベルの指標を出力すること、信頼性のレベルが第１の所定の閾値よりも大きく、第２の所定の閾値よりも大きいと判定することに応答して、心臓電位図データの少なくとも一部分、第１の指標、および不整脈のエピソードが患者に発生したことの信頼の高レベルの指標を出力することを含む。

実施例１３。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、医療デバイスによって感知された心臓電位図データを受信することと、ユーザから不整脈のタイプの選択を受信することと、コンピューティングデバイスによって、複数の患者についての心臓電位図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、受信した心臓電位図データに適用することであって、機械学習モデルに基づいて、選択されたタイプの不整脈のエピソードが患者に発生したという判定についての信頼性のレベルを判定する、適用することと、コンピューティングデバイスによって、心臓電位図データの少なくとも一部分、選択された不整脈のエピソードが患者に発生したことの第１の指標、および選択された不整脈のエピソードが患者に発生したという信頼性のレベルの第２の指標を、ユーザに表示するように、出力することと、を含む。

実施例１４。実施例１３の方法において、心臓電位図データの少なくとも一部分が心電図（ＥＣＧ）波形を含む。

実施例１５。実施例１４の方法において、不整脈のエピソードが患者に発生したという第１の指標が、ＥＣＧ波形に対する注釈を含む。

実施例１６。実施例１３～１５のいずれかの方法において、第２の指標が、色、画像、光、音、またはテキスト通知のうちの１つ以上を含む。

実施例１７。実施例１３～１６のいずれかの方法において、この方法は、コンピューティングデバイスによって、ユーザが基本ユーザであることを判定することを含み、心臓電位図データの少なくとも一部分、不整脈のエピソードが患者に発生したことの第１の指標、および不整脈のエピソードが患者に発生したことの信頼性のレベルの第２の指標を出力ことは、ユーザが基本ユーザであることの判定に応答して、不整脈タイプの不整脈のエピソードが患者に発生したことを示す第１の指標、および不整脈のエピソードが患者に発生したことの信頼性のレベルの第２の指標、さらには、患者の心電図（ＥＣＧ）波形、不整脈のエピソードを表す第１のＥＣＧ波形の第１の表現、正常な心臓の動作を表す第２のＥＣＧ波形の第２の表現のうちの１つ以上を出力することを含む。

実施例１８。実施例１３～１６のいずれかの方法において、この方法は、コンピューティングデバイスによって、ユーザが高度なユーザであることを判定することをさらに含み、心臓電位図データの少なくとも一部分、不整脈のエピソードが患者に発生したことの第１の指標、および不整脈のエピソードが患者に発生したことの信頼性のレベルの第２の指標を出力することは、ユーザが高度なユーザであることの判定に応答して、選択された不整脈タイプの不整脈のエピソードが患者に発生したという第１の指標、および選択された不整脈タイプの不整脈のエピソードが患者に発生したという信頼性のレベルの第２の指標、さらには、患者の心電図（ＥＣＧ）波形、不整脈のエピソードの開始時間、不整脈のエピソードの停止時間、不整脈のエピソード中の患者の平均Ｒ－Ｒ間隔、不整脈のエピソード中の患者のＲ－Ｒ変動、患者のベースラインＲ－Ｒ間隔、不整脈のエピソード中の患者のＰ波、患者のベースラインＰ波、および患者の形態変動のうちの１つ以上を出力することを含む。

実施例１９。実施例１３～１８のいずれかの方法において、患者における不整脈のエピソードが、徐脈、頻脈、心房細動、心室細動、または房室ブロックのエピソードのうちの少なくとも１つである。

実施例２０。実施例１３～１９のいずれかの方法において、複数の患者の心臓電位図データを使用してトレーニングされた機械学習モデルが、複数の心電図（ＥＣＧ）波形を使用してトレーニングされた機械学習モデルを含み、各ＥＣＧ波形が複数の患者のうちのある患者における１つ以上の不整脈のエピソードで標識されている。

実施例２１。実施例１３～２０のいずれかの方法において、受信された心臓電位図データに機械学習モデルを適用することは、機械学習モデルを、患者の心電図（ＥＣＧ）データ、患者における不整脈に相関する特徴、患者における不整脈のタイプ、植え込み型医療デバイスの活動レベル、植え込み型医療デバイスの入力インピーダンス、または植え込み型医療デバイスのバッテリレベルのうちの少なくとも１つに適用することを含む。

実施例２２。実施例１～２１のいずれかの方法において、心臓電位図データの少なくとも一部分を出力することは、患者の心電図（ＥＣＧ）のサブセクションを識別することであって、サブセクションには、不整脈のエピソード前の第１の期間、不整脈のエピソード中の第２の期間、および不整脈のエピソード後の第３の期間についてのＥＣＧデータが含まれ、患者のＥＣＧの時間の長さが、第１、第２、および第３の期間よりも長い、識別することと、ＥＣＧのサブセクションを出力することとを含む。

いくつかの実施例では、本開示の技術は、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、本開示の技術は、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、本技術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。加えて、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、本開示の技術は、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、説明される技術は、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、か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術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、技術は、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 (13)

1. コンピューティングデバイスであって、
   記憶媒体と、
   処理回路であって、前記記憶媒体に動作可能に結合されており、かつ
   医療デバイスによって感知された心臓電位図データを受信することと、
   複数の患者についての心臓電位図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、前記受信された心臓電位図データに適用して、
   前記機械学習モデルに基づいて、不整脈のエピソードが前記患者に発生したと判定し、かつ
   前記不整脈のエピソードが前記患者に発生したという前記判定における信頼性のレベルを判定することと、
   前記不整脈のエピソードが前記患者に発生したという前記判定における前記信頼性のレベルが、所定の閾値よりも大きいと判定することと、
   前記信頼性のレベルが前記所定の閾値よりも大きいと判定することに応答して、前記心臓電位図データの少なくとも一部分、前記不整脈のエピソードが前記患者に発生したという第１の指標、および前記不整脈のエピソードが前記患者に発生したという前記信頼性のレベルの第２の指標を、ユーザに表示するために、出力することと、を行うように構成されている、処理回路と、を含む、コンピューティングデバイス。
2. 前記心臓電位図データのうちの前記少なくとも一部分が、心電図（ＥＣＧ）波形を含み、
   前記不整脈のエピソードが患者に発生したという前記第１の指標が、前記ＥＣＧ波形に対する注釈を含む、請求項１に記載のコンピューティングデバイス。
3. 前記第２の指標が、色、画像、光、音、またはテキスト通知のうちの１つ以上を含む、請求項１または２のいずれかに記載のコンピューティングデバイス。
4. 前記処理回路が、前記ユーザから、不整脈タイプの選択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前記受信された心臓電位図データに適用して、不整脈のエピソードが前記患者に発生したと判定するために、前記処理回路が、前記機械学習モデルを前記受信された心臓電位図データに適用して、前記選択された不整脈タイプの不整脈のエピソードが前記患者に発生したと判定するように構成されており、
   前記心臓電位図データの前記少なくとも一部分、前記不整脈のエピソードが前記患者に発生したという前記第１の指標、および前記不整脈のエピソードが前記患者に発生したという前記信頼性のレベルの前記第２の指標を出力するために、前記処理回路が、前記心臓電位図データの前記少なくとも一部分、前記選択された不整脈タイプの前記不整脈のエピソードが前記患者に発生したという第１の指標、および前記選択された不整脈タイプの前記不整脈のエピソードが前記患者に発生したという前記信頼性のレベルの前記第２の指標を出力するように構成されている、請求項１～３のいずれかに記載のコンピューティングデバイス。
5. 前記処理回路が、前記ユーザが基本ユーザであることを判定するように構成されており、
   前記心臓電位図データの前記少なくとも一部分、前記不整脈のエピソードが前記患者に発生したという前記第１の指標、および前記不整脈のエピソードが前記患者に発生したという前記信頼性のレベルの前記第２の指標を出力するために、前記処理回路が、前記ユーザが基本ユーザであると判定することに応答して、前記選択された不整脈タイプの前記不整脈のエピソードが前記患者に発生したという前記第１の指標、および前記選択された不整脈タイプの前記不整脈のエピソードが前記患者に発生したという前記信頼性のレベルの前記第２の指標、ならびに
   前記患者の心電図（ＥＣＧ）波形、
   不整脈のエピソードを提示する第１のＥＣＧ波形の第１の表現、および
   正常な心臓の挙動を提示する第２のＥＣＧ波形の第２の表現、のうちの１つ以上を出力するように構成されている、請求項１～４のいずれかに記載のコンピューティングデバイス。
6. 前記処理回路が、前記ユーザが高度なユーザであると判定するように構成されており、
   前記心臓電位図データの前記少なくとも一部分、前記不整脈のエピソードが前記患者に発生したという前記第１の指標、および前記不整脈のエピソードが前記患者に発生したという前記信頼性のレベルの前記第２の指標を出力するために、前記処理回路が、前記ユーザが高度なユーザであると判定することに応答して、前記選択された不整脈タイプの前記不整脈のエピソードが前記患者に発生したという前記第１の指標、および前記選択された不整脈タイプの前記不整脈のエピソードが前記患者に発生したという前記信頼性のレベルの前記第２の指標、ならびに
   前記患者の心電図（ＥＣＧ）波形、
   前記不整脈のエピソードの開始時間、
   前記不整脈のエピソードの停止時間、
   前記不整脈のエピソード中の前記患者の平均Ｒ－Ｒ間隔、
   前記不整脈のエピソード中の前記患者のＲ－Ｒ変動、
   前記患者のベースラインＲ－Ｒ間隔、
   前記不整脈のエピソード中の前記患者のＰ波、
   前記患者のベースラインＰ波、および
   前記患者の形態変動のうちの１つ以上を出力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コンピューティングデバイス。
7. 前記患者における前記不整脈のエピソードが、徐脈、頻脈、心房細動、心室細動、または房室ブロックのエピソードのうちの少なくとも１つである、請求項１～６のいずれかに記載のコンピューティングデバイス。
8. 前記複数の患者の心臓電位図データを使用してトレーニングされた前記機械学習モデルが、複数の心電図（ＥＣＧ）波形を使用してトレーニングされた機械学習モデルを含み、各ＥＣＧ波形が、前記複数の患者のうちのある患者における１つ以上の不整脈のエピソードで標識されている、請求項１～７のいずれかに記載のコンピューティングデバイス。
9. 前記機械学習モデルを前記受信された心臓電位図データに適用するために、前記処理回路が、前記機械学習モデルを、
   前記患者の心電図（ＥＣＧ）データ、
   前記患者における不整脈に相関する特徴、
   前記患者における不整脈のタイプ、
   前記植え込み型医療デバイスの活動レベル、
   前記植え込み型医療デバイスの入力インピーダンス、または
   前記植え込み型医療デバイスのバッテリレベル、のうちの少なくとも１つに適用するように構成されている、請求項１～８のいずれかに記載のコンピューティングデバイス。
10. 前記心臓電位図データの前記少なくとも一部分を出力するために、前記処理回路が、
    前記患者の心電図（ＥＣＧ）のサブセクションを識別することであって、前記サブセクションが、前記不整脈のエピソード前の第１の期間、前記不整脈のエピソード中の第２の期間、および前記不整脈のエピソード後の第３の期間についてのＥＣＧデータを含み、前記患者の前記ＥＣＧの時間の長さが、前記第１、第２、および第３の期間よりも長い、識別することと、
    前記ＥＣＧのサブセクションを出力することと、を行うように構成されている、請求項１～９のいずれかに記載のコンピューティングデバイス。
11. 前記所定の閾値が、第１の所定の閾値であり、
    前記処理回路が、前記不整脈のエピソードが前記患者に発生したという前記判定における前記信頼性のレベルが前記第２の所定の閾値よりも大きいか否かを判定するようにさらに構成され、前記第２の所定の閾値が前記第１の所定の閾値よりも大きく、
    前記信頼性のレベルが前記所定の閾値よりも大きいという判定に応答して、前記心臓電位図データの前記少なくとも一部分、前記第１の指標、および前記第２の指標を出力するために、前記処理回路が、
    前記信頼性のレベルが前記第１の所定の閾値よりも大きいが前記第２の所定の閾値よりも大きくないという判定に応答して、前記心臓電位図データの少なくとも一部分、前記第１の指標、および前記不整脈のエピソードが前記患者に発生したという信頼性の中レベルの指標を出力することと、
    前記信頼性のレベルが前記第１の所定の閾値よりも大きく、前記第２の所定の閾値よりも大きいという判定に応答して、前記心臓電位図データの前記少なくとも一部分、前記第１の指標、および前記不整脈のエピソードが前記患者に発生したという信頼性の高レベルの指標を出力することと、を行うように構成される、請求項１～１０のいずれかに記載のコンピューティングデバイス。
12. コンピューティングデバイスであって、
    処理回路を含むコンピューティングデバイスによって、医療デバイスにより感知された心臓電位図データを受信するための手段と、
    複数の患者についての心臓電位図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、前記コンピューティングデバイスによって、前記受信された心臓電位図データに適用する手段であって、
    前記機械学習モデルに基づいて、不整脈のエピソードが前記患者に発生したと判定し、かつ
    前記不整脈のエピソードが前記患者に発生したという前記判定における信頼性のレベルを判定し、
    前記不整脈のエピソードが前記患者に発生したという前記判定における前記信頼性のレベルが、所定の閾値よりも大きいと判定する手段と、
    前記コンピューティングデバイスによって、前記心臓電位図データの少なくとも一部分、前記不整脈のエピソードが前記患者に発生したという第１の指標、および前記不整脈のエピソードが前記患者に発生したという前記信頼性のレベルの第２の指標を、ユーザに表示するために、出力する手段と、を含む、コンピューティングデバイス。
13. 請求項１～１２のいずれかに記載のコンピューティングデバイスを含むシステム。
    

Images