JP2022531297A - 特徴描写および機械学習による不整脈検出 - Google Patents

Abstract

心不整脈を検出するために特徴描写と機械学習の両方を使用するための技術が開示されている。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患者の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、心臓電位図データの特徴ベースの描写を介して、患者の不整脈の第１の分類を取得する。コンピューティングデバイスは、受信された心臓電位図データに機械学習モデルを適用して、患者の不整脈の第２の分類を取得する。一例として、コンピューティングデバイスは、第１および第２の分類を使用して、不整脈のエピソードが患者において発生したかどうかを判定する。別の例として、コンピューティングデバイスは、第２の分類を使用して、患者の不整脈の第１の分類を検証する。コンピューティングデバイスは、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と一致する１つ以上の心臓特徴を示すレポートを出力する。【選択図】図１

Description

本開示は、概して、医療デバイス、より具体的には、植え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、心停止患者において最も一般的に識別される不整脈である。この不整脈が数秒以上続くと、心原性ショックおよび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）などの植え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示されている。ＩＣＤは、電池給電式の電気ショックデバイスであり、電気ハウジング電極（缶電極と称されることもある）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。不整脈が感知された場合、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、患者の心臓をモニタリングし得る。医師などのユーザは、例えば、心房または心室の頻脈性不整脈、または心静止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、識別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。

本開示の技術に従って、患者の心不整脈を検出および分類するために特徴描写および機械学習の両方を使用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。例えば、コンピューティングデバイスは、植え込み型医療デバイスによって感知された患者の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、心臓電位図データの特徴ベースの描写を介して、患者の不整脈の第１の分類を取得する。コンピューティングデバイスは、受信された心臓電位図データに機械学習モデルを適用して、患者の不整脈の第２の分類を取得する。一例として、コンピューティングデバイスは、第１および第２の分類を使用して、不整脈のエピソードが患者において発生したかどうかを判定する。別の例として、コンピューティングデバイスは、機械学習モデルから取得された不整脈の第２の分類を使用して、特徴ベースの描写から得られた患者の不整脈の第１の分類を検証する。

不整脈のエピソードが患者に発生したとの判定に応じて、コンピューティングデバイスは、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と一致する１つ以上の心臓特徴を示すレポートを出力する。コンピューティングデバイスは、レポートに応じて、患者の心臓電位図データを感知し、植え込み型医療デバイスに対してそのような調整を実行するために、植え込み型医療デバイスによって使用される１つ以上のパラメータに対する１つ以上の調整を受信し得る。

さらに、本明細書に記載の医療デバイスシステムは、不整脈辞書に従って不整脈を分類し得る。例えば、コンピューティングデバイスは、患者の心臓電位図データの特徴ベースの描写を介して、不整脈のエピソードが患者において発生したことを判定する。コンピューティングデバイスは、機械学習モデルを適用して、不整脈のエピソードと一致する心臓特徴を患者の過去の不整脈のエピソードの心臓特徴と比較して、不整脈のエピソードを特定のタイプの不整脈のエピソードとして分類する。

本開示の技術は、心不整脈の検出および分類の分野に具体的な改善を提供し得る。例えば、特徴描写および機械学習の両方を相互に組み合わせて使用すると、特徴描写の使用または機械学習の個別使用よりも、患者の不整脈の検出の精度が改善され得る。さらに、本明細書に記載の医療デバイスシステムは、医療デバイスシステムの植え込み型医療デバイスが、不整脈検出の電力集約的で計算が複雑な検証を外部コンピューティングデバイスにオフロードしながら、患者の不整脈を検出するための低粒度フィルタとして機能することを可能にし得る。したがって、本明細書に記載のようなシステムは、不整脈の検出および分類において高い精度を提供する一方で、電力使用量を低減し、患者内に植え込まれたデバイスの電池寿命を改善することができる。そのような改善は、同様に、心臓の電気信号に基づいて不整脈を検出することができる低電力の外部デバイス、例えば、着用可能なパッチ、時計、ネックレス、または患者が着用する他のデバイスの形態の患者モニタで達成され得る。

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よって、医療デバイスによって感知された患者の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おいて発生したことを判定することと、コンピューティングデバイスによって、受信された心臓電位図データの特徴ベースの描写を実行して、心臓電位図データに存在する心臓特徴を取得することと、不整脈のエピソードが患者において発生したことの判定に応じて、コンピューティングデバイスによって、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上とを含むレポートを生成することと、コンピューティングデバイスによって、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上と、を含むレポートを、表示のために、出力することと、を含む方法を説明する。

別の例では、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よって、医療デバイスによって感知された患者の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、受信された心臓電位図データの特徴ベースの描写によって判定される患者の不整脈の第１の分類を取得することであって、特徴ベースの描写が、心臓電位図データに存在する心臓特徴を識別する、取得することと、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、患者の不整脈の第２の分類を判定することと、コンピューティングデバイスによって、第１の分類および第２の分類に基づいて、不整脈のエピソードが患者において発生したことを判定することと、不整脈のエピソードが患者において発生したことの判定に応じて、コンピューティングデバイスによって、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上とを含むレポートを生成することと、コンピューティングデバイスによって、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上とを含むレポートを、表示のために、出力することと、を含む方法を説明する。

別の例では、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よって、医療デバイスによって感知された患者の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、受信された心臓電位図データの特徴ベースの描写によって判定される患者の不整脈の第１の分類を取得することであって、特徴ベースの描写は、患者における不整脈の第１の分類と一致する心臓電位図データに存在する第１の心臓特徴を識別する、取得することと、コンピューティングデバイスによって、第１の分類の不整脈の１つ以上のエピソードが以前に患者において発生したことを判定することと、第１の分類の不整脈の１つ以上のエピソードが以前に患者において発生したことを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、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および心臓電位図データの第１の心臓特徴に適用して、機械学習モデルに基づいて、第１の心臓特徴が、以前に患者において発生した第１の分類の不整脈の１つ以上のエピソードと一致する心臓の特徴に類似していることを判定することと、第１の心臓特徴が患者において以前に発生した第１の分類の不整脈の１つ以上のエピソードと一致する心臓特徴と類似していることを判定することに応じて、コンピューティングデバイスによって、第１の分類の不整脈のエピソードが患者において発生したことを判定することと、第１の分類の不整脈のエピソードが患者において発生したことの判定に応じて、コンピューティングデバイスによって、第１の分類の不整脈のエピソードが患者において発生したことの指標と、不製脈のエピソードに一致する心臓特徴のうちの１つ以上とを含むレポートを生成することと、コンピューティングデバイスによって、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上とを含むレポートを、表示のために、出力することと、を含む方法を説明する。

本概要は、本開示に記載されている主題の概略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つ以上の例のさらなる詳細は、添付の図面および以下の説明に記載されている。

本開示の技術に従って、リードレス植え込み型医療デバイスおよび患者に関連する外部デバイスを含む、心不整脈を予測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。 本開示の１つ以上の技術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。 本開示の技術による例示的な動作を示すフローチャートである。 図１の患者から取得された心電図の例を示すチャートである。 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。

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。

心臓電位図データの特徴描写を実行する最先端の信号処理アルゴリズムおよび患者データを処理する機械学習モデルなど、単一チャネルおよびマルチチャネルの患者データを分析する、機械学習システムおよび／または人工知能（ＡＩ）アルゴリズムなどの患者の心不整脈の検出および分類を実行する、複数の決定メカニズムを組み合わせるための技術が開示されている。そのような患者データは、例えば、心臓電位図データまたは心電図（ＥＣＧ）データを含み得る。

本明細書で説明される際、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取得さ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、または他のもしくは他のタイプの心臓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、および低電力の用途向けに最適化され得る。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、専門家による設計と特徴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。

不整脈検出のための機械学習とＡＩ手法は、専門家の設計または特徴描写アルゴリズムによって必要とされる特徴エンジニアリングを必要とせずに、様々な目的（例えば、心房細動（ＡＦ）の検出、不整脈を示さない心臓エピソードの除外など）で不整脈検出および分類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し得る。本明細書で詳細に説明するように、特徴描写と機械学習を組み合わせて、特徴描写のみの使用よりも精度およびロバスト性を改善する方法で患者の心不整脈を検出および分類し、さらに機械学習のみを使用するよりも、植え込み型デバイスによる消費電力を低減する技術、方法、システム、およびデバイスが開示される。

図１は、本明細書に記載の特定の例の装置および方法による、患者４および心臓６に関連する例示的な医療デバイスシステム２の環境を示している。例示的な技術は、ＩＭＤ１０とともに使用され得、これは、図１に示されるように、リードレスであり得、外部デバイス１２との無線通信をし得る。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、アイルランドのダブリンの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採り得る。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、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能なＣａｒｅｌｉｎｋ（登録商標）などの遠隔患者モニタリング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、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能なＳＥＥＱ（商標）モバイル心臓テレメトリ（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全てを実行し得る。

いくつかの例では、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。いくつかの例では、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。いくつかの例では、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。

いくつかの例では、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。いくつかの例では、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、携帯電話もしくは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。いくつかの例では、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。いくつかの例では、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、当技術分野で既知の任意の技術を使用して、ネットワーク２５上で無線通信を用いて通信し得る。いくつかの例では、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と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、いくつかの例では、外部デバイス１２とコンピューティングシステム２４は互いに直接通信する。通信技術の例は、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）またはＢＬＥプロトコルに従った通信が挙げられ得る。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では、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。いくつかの例では、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、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能なＣａｒｅｌｉｎｋ（登録商標）などの遠隔患者モニタリングシステムを含むか、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。このような問い合わせは、スケジュールに従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じて発生し得る。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としては、無線周波数（ＲＦ）遠隔測定が挙げられ、これは、Ｂｌｕｅｔｏｏｔｈ、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。本開示の技術に従って、医療デバイスシステム２は、機械学習不整脈検出および特徴描写を実施して、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としては、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デバイスなどの外部治療送達デバイス、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の組み合わせが挙げられ得る。

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。さらに、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。

本開示の技術に従って、医療デバイスシステム２は、特徴描写および機械学習の両方を使用して、患者４の心不整脈を検出および分類する。例えば、コンピューティングシステム２４は、植え込み型医療デバイス１０によって感知された患者４の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、心臓電位図データの特徴ベースの描写を介して、患者４の不整脈の第１の分類を取得する。いくつかの例では、患者４の不整脈の第１の分類を判定するための心臓電位図データの特徴ベースの描写は、ＩＭＤ１０、外部デバイス１２、またはコンピューティングシステム２４のいずれか１つによって実行される。機械学習システム１５０は、受信され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の不整脈の第２の分類を取得する。一例では、機械学習モデルは深層学習モデルである。一例として、コンピューティングシステム２４は、第１および第２の分類を使用して、不整脈のエピソードが患者４において発生したかどうかを判定する。別の例として、コンピューティングシステム２４は、機械学習システム１５０から取得された不整脈の第２の分類を使用して、特徴ベースの描写から取得された患者４の不整脈の第１の分類を検証する。

不整脈のエピソードが患者４において発生したことの判定に応じて、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こと、および不整脈のエピソードと一致する１つ以上の心臓特徴を示すレポートを出力する。コンピューティングシステム２４は、レポートに応じて、患者４の心臓電位図データを感知するために植え込み型医療デバイス１０によって使用される１つ以上のパラメータに対する１つ以上の調整を受信し得、その後の感知のために植え込み型医療デバイス１０に対してそのような調整を実行する。

さらに、医療デバイスシステム２は、不整脈辞書に従って不整脈を分類し得る。以下でより詳細に説明するように、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特徴ベースの描写を介して、不整脈のエピソードが患者４において発生したことを判定する。機械学習システム１５０は、機械学習モデルを適用して、不整脈のエピソードと一致する心臓特徴を、患者４の過去の不整脈のエピソードの心臓特徴と比較して、不整脈のエピソードを特定のタイプの不整脈のエピソードとして分類する。

本開示の技術は、心不整脈の検出および分類の分野に具体的な改善を提供し得る。例えば、特徴描写および機械学習の両方を相互に組み合わせて使用すると、特徴描写を使用すること、または機械学習を個別に使用することよりも、患者４における不整脈の検出の精度が改善され得る。さらに、本明細書に記載の医療デバイスシステム２は、植え込み型医療デバイス１０が、患者４における不整脈を検出するための低粒度フィルタとして機能する一方で、不整脈検出の電力集約的で計算が複雑な検証を外部デバイス１２またはコンピューティングシステム２４などの外部デバイスにオフロードすることを可能にし得る。したがって、本明細書で説明するように、システム２は、電力使用量を低減し、ＩＭＤ１０の電池寿命を改善しながら、患者４の不整脈の検出および分類において高い精度を提供し得る。

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、切り替え回路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。いくつかの例では、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の任意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、またはそれらの任意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、切り替え回路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モニタリングし、患者４の心臓電位図データを生成するために、電極１６Ａ、１６Ｂからの信号をモニタリングし得る。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。いくつかの例では、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じて、心臓電位図データの１つ以上のセグメントを送信する。別の例では、ＩＭＤ１０は、外部デバイス１２からの指示に応じて、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、後述するように、心不整脈を検出および分類する。

いくつかの例では、ＩＭＤ１０は、以下でより詳細に説明されるように、感知された心臓電位図データの特徴描写を実行する。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低減されている。これは、ＩＭＤ１０が、心不整脈の初期または予備検出を実行することを可能にし得る。以下で詳細に説明するように、コンピューティングシステム２４は、ＩＭＤ１０によって感知された心臓電位図データの特徴描写をさらに実行し得、機械学習システム１５０を心臓電位図データに適用し得る。コンピューティングシステム２４は、ＩＭＤ１０よりも多くの計算リソースおよびより少ない電力制限を有し得、それにより、コンピューティングシステム２４は、心不整脈をより正確に検出するために、心臓電位図データのより包括的かつ詳細な分析を実行することを可能にする。計算負荷をＩＭＤ１０から計算システム２４にシフトすることにより、本開示の技術は、不整脈検出の精度を高めながら、ＩＭＤ１０の消費電力を低減することに役立ち得る。

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からの信号をモニタリングし得、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。いくつかの例では、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）およびアイルランドのダブリンの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。いくつかの例では、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することができ、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することができる。

本開示の技術によれば、処理回路５０は、感知回路５２を用いて、電極１６を介して、患者４の心臓電位図データを感知する。いくつかの例では、心臓電位図データは、患者４のＥＣＧである。処理回路５０は、特徴描写を介して、心臓電位図データを実行して、心臓電位図データに存在する１つ以上の心臓特徴を取得する。いくつかの例では、特徴描写は、ＱＲＳ検出、難治性処理、ノイズ処理、または心臓電位図データの描写のうちの１つ以上を含む。例えば、処理回路５０は、感知回路５０からおよび／またはセンサ５８を介して生信号を受信し、生信号から１つ以上の心臓特徴を抽出する。いくつかの例では、処理回路５０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１つ以上の特徴の１つ以上の振幅、または患者のＥＣＧの１つ以上の特徴の間の間隔、Ｔ波交互脈、ＱＲＳ形態測定、または本明細書に明示的に記載されていない心臓特徴の他のタイプのうちの１つ以上のような１つ以上の心臓特徴を識別する。

一例として、処理回路５０は、患者４の心電図のＴ波の１つ以上の特徴を識別し、モデルを１つ以上の識別された特徴に適用して、患者４における心不整脈のエピソードを検出する。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５０は、患者４における心不整脈に続くエピソードを示す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５０は、患者４における心不整脈のエピソードを示す複数の識別された特徴間の１つ以上の対話を識別する。いくつかの例では、処理回路５０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つ以上の値を表す患者データを分析する。例えば、患者データは、患者４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つ以上を含み得、心不整脈のエピソードを検出する。

処理回路５０は、そのような特徴描写をさらに適用し得、１つ以上の心臓特徴が心不整脈のエピソードを示していることを判定する。処理回路５０はさらに、特徴描写を適用して、検出された心不整脈のエピソードを特定のタイプの心不整脈のエピソードとして分類する（例えば、徐脈、頻脈、心房細動、心室細動、または房室ブロック）。処理回路５０は、通信回路５４を介して、１つ以上の心臓電位図データ、心臓電位図データに存在する１つ以上の心臓特徴、心不整脈の検出されたエピソードの指標、または検出された心不整脈のエピソードの分類の指標を外部デバイス１２に送信する。

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、アイルランドのダブリンの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、神経刺激デバイス、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、もしくは「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施されてもよい。

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ことに役立ち得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／または切り替え回路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上に裏返され得る。ハウジング１４上に裏返して配置すると、絶縁カバー７４の下側に形成されたＩＭＤ１０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７８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～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５０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、患者の心臓電位図、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つ以上の技術に従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の例示的な実装形態である。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任意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、他の構成要素と同じ位置に、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、複数のデバイスにわたって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任意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。揮発性メモリの例としては、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既知の他の形態の揮発性メモリが挙げられる。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としては、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）メモリの形態が挙げられる。

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、コンピューティングデバイス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任意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としては、３ＧおよびＷｉＦｉ無線が挙げられ得る。

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の例としては、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挙げられる。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、オーディオ、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任意の他のタイプのデバイスを含む。出力デバイス４１２の追加の例としては、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挙げられる。

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。

本開示の技術に従って、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において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従って標識される。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予備的判定、ならびに判定における確実性の推定値を出力し得る。判定における確実性の推定値が所定の閾値（例えば、５０％、７５％、９０％、９５％、９９％）より大きいと判定することに応じて、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として分類し得る。

いくつかの例では、機械学習システムは、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１つ以上の特徴の１つ以上の振幅、または患者のＥＣＧの１つ以上の特徴の間の間隔、Ｔ波交互脈、ＱＲＳ形態測定、または本明細書に明示的に記載されていない他のタイプの心臓特徴のうちの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、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の電池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を具体的な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の心不整脈を検出および分類するための動作である。図５の動作において、システム２は、機械学習システム１５０の機械学習モデルの能力を組み合わせて、特徴を学習し、入力から直接分類を実行し、特徴描写アルゴリズムおよびＥＣＧ処理によって提供される解釈可能性を有する。図５の動作例では、システム２は、機械学習システム１５０の機械学習モデルを、特徴描写アルゴリズムと並行して実装して、不整脈の検出および特徴付けを実行する。

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（５０２）。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、単一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。

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、機械学習モデルを感知された心臓電位図データに適用して、患者４における不整脈のエピソードを検出する（５０６）。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モニタリング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て、不整脈標識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、機械学習モデルは、入力ＥＣＧを出力不整脈標識にマッピングする際に正確であり得るが、不整脈のエピソードが患者４において発生したことを判定するために使用される、追加の不整脈特性を提供し得ず、または平均心拍数、最大心拍数、Ｐ－Ｒ間隔特性などの、具体的な心臓特徴を識別しない場合がある。さらに、臨床医が、患者４にその後の治療を提供する際に使用するために、患者４で不整脈のエピソードが発生したという判定を利用できるような機械学習モデルの出力状態または中間状態から、医師が提供する通知または報告可能な基準（例えば、患者４の４つの心拍のうち４つが３０拍／分（ＢＰＭ）未満の心拍数を示した）を取得できない場合がある。

これに対処するために、コンピューティングシステム２４はさらに、特徴描写を心臓電位図データに適用して、１つ以上の心臓特徴を検出する（５０４）。いくつかの例では、コンピューティングシステム２４は、心臓電位図データに特徴描写をさらに適用して、不整脈の１つ以上のエピソードを検出する。例えば、コンピューティングシステム２４は、ＱＲＳ検出描写およびノイズフラグ（例えば、ビートノイズであるのかどうか）を心臓電位図データに適用し得、不整脈の特性および／または不整脈の検出されたエピソード（例えば、心房細動のエピソード中の平均心拍数、一時停止の期間）の心臓特徴を提供し得る。さらに、コンピューティングシステム２４は、特徴描写を適用し得、システム２についての通知および報告基準を導く。図５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特徴描写を実行する。しかしながら、本開示の技術の他の例では、ＩＭＤ１０、外部デバイス１２、または別の外部医療デバイスなどの他のデバイスは、心臓電位図データの特徴描写を実行し得る。

図５の例に関して、コンピューティングシステムは、機械学習システム１５０と特徴描写の両方を適用して、心不整脈のエピソードが患者４において検出されるかどうかを判定する（５０８）。機械学習システム１５０も特徴描写も心不整脈のエピソードを検出しない場合（例えば、ブロック５０８の「いいえ」）、コンピューティングシステムは、臨床医によるその後のレビューのために心臓電位図データをアーカイブし得る。

機械学習システム１５０または（５０４）の特徴描写動作のうちの少なくとも１つが心不整脈のエピソードを検出する場合（例えば、ブロック５０８の「はい」）、コンピューティングシステムは、不整脈のレポートを生成し得（５１２）、かつレポートを臨床医またはモニタリングセンタへ出力し得る（５１４）。例えば、機械学習システム１５０が徐脈のエピソードを検出し、心臓電位図データに対して実行された特徴描写が、４つのノイズのない心拍のうち４つが３０ＢＰＭ未満であることを示す場合、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発生を医師に通知するレポートを生成する。

一例では、レポートは、不整脈のエピソードが患者に発生したことの指標、および不整脈のエピソードと一致する１つ以上の心臓特徴を含む。いくつかの例では、レポートは、特定のタイプの不整脈としての不整脈のエピソードの分類をさらに含む。いくつかの例では、レポートには、不整脈のエピソードと一致する、患者４から取得した心臓電位図データのサブセクションが含まれている。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の期間と一致する心臓特徴のうちの１つ以上を識別する。コンピューティングシステム２４は、レポートに、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の期間と一致する心臓特徴のうちの１つ以上を含む。

いくつかの例では、コンピューティングシステム２４は、臨床医から、レポートに基づく心臓電位図データの特徴ベースの描写に対する動作への１つ以上の調整を受信する。続いて、コンピューティングデバイス２４は、１つ以上の調整に従って、患者４の心臓電位図データの特徴ベースの描写を実行し得る。

図６は、図１の患者４から得られた例示的な心電図６０２を示すチャートである。心電図６０２は、例えば、ＩＭＤ１０の感知回路５２によって感知され得る。図１の機械学習システム１５０は、心電図６０２に機械学習モデルを適用し得、心電図６０２が一時停止６０４を含むことを判定する。図１のコンピューティングシステム２４または図１のＩＭＤ１０（例えば、最初に不整脈を検出するＩＭＤ１０の一部として）は、心電図６０２上で特徴描写を実行し得、一時停止６０４の長さを判定する。図６の例に関して、コンピューティングシステム２４またはＩＭＤ１０は、心電図６０２の特徴描写を介して、一時停止６０４が３．０６１秒の長さを有することを判定する。一例では、ＩＭＤ１０は、デバイス上のマーカチャネルからＱＲＳ検出を実行する。ＱＲＳフラグ付けは、従来のＱＲＳアルゴリズムに基づき得る。ＩＭＤ１０は、ＱＲＳマーカを使用し得、一時停止期間が３．０６１秒であることを判別する。

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に対して説明されている。図７の動作は、患者４の心不整脈を検出および分類するための動作である。具体的には、図７の動作は、コンピューティングシステム２４が機械学習システム１５０の機械学習不整脈検出および特徴描写を並行して使用して、心不整脈の検出、検証、および報告を実行する実装形態を示す。

図７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（７０２）。コンピューティングシステム２４は、特徴描写を心臓電位図データに適用して、１つ以上の心臓特徴を検出する（７０４）。図７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特徴描写を実行する。しかしながら、本開示の技術の他の例では、ＩＭＤ１０、外部デバイス１２、または別の外部医療デバイスなどの他のデバイスは、心臓電位図データの特徴描写を実行し得る。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、機械学習モデルを感知された心臓電位図データに適用して、患者４における不整脈のエピソードを検出する（７０６）。ステップ７０２、７０４および７０６の動作は、それぞれ、図５のステップ５０２、５０４および５０６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、機械学習システム１５０と（７０４）の特徴描写動作の両方が心不整脈のエピソードを検出したかどうかを判定する（７０８）。例えば、コンピューティングシステム２４は、機械学習システム１５０による不整脈の判定が、７０４の特徴描写動作による不整脈の判定と一致するという信頼性のレベルを判定し得る（７０８）。例えば、コンピューティングシステム２４が、機械学習システム１５０および（７０４）の特徴描写動作の両方が心不整脈のエピソードを検出したと判定した場合（例えば、ブロック７０８の「はい」）、コンピューティングシステム２４は、不整脈のレポートを生成し得（７１２）かつレポートを臨床医またはモニタリングセンタに出力し得る（７１４）。例えば、コンピューティングシステム２４は、不整脈特徴とともに検出された不整脈をレポートに配置し、そのレポートを臨床医に出力する。ステップ７１２および７１４の動作は、それぞれ、図５のステップ５１２および５１４と実質的に同様の方法で発生し得る。

別の例として、コンピューティングシステム２４が、機械学習システム１５０および（７０４）の特徴描写動作が、心不整脈のエピソードが検出されるかどうかに関して不一致であると判定した場合（例えば、ブロック７０８の「いいえ」）、コンピューティングシステム２４は、調停のためにモニタリングセンタへの心臓電位図データを提出する（７１０）。言い換えれば、コンピューティングシステム２４は、２つの検出方法の間に不一致がある人間のオーバービューのために心臓電位図データを提示する。そのようなワークフローは、コンピューティングシステム２４が高い信頼度で評価することができない不整脈のみに対する人間のレビューの負担の低減を可能にし得る。例えば、特徴描写を介して検出された不整脈が、機械学習モデルによって独立して検出された不整脈に類似している場合、コンピューティングシステム２４は、専門家による人間のレビューを必要とせずに、特徴描写を介して検出された不整脈が独立して検証されると判定し得る。したがって、本開示の技術は、臨床医および／または専門家によって必要とされるレビューの量を低減し、それにより、患者４の心臓モニタリングの管理オーバーヘッドおよびコストを低減し得る。

図８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８は、図１に対して説明されている。図８の動作は、患者４において心不整脈を検出および分類するための動作である。具体的には、図８の動作は、コンピューティングシステム２４が、機械学習システム１５０の機械学習不整脈検出と直列に特徴描写を使用して、心不整脈の検出、検証、および報告を実行する実装形態を示す。

図８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（８０２）。ステップ８０２の動作は、図５のステップ５０２と実質的に同様の方法で起こり得る。コンピューティングシステム２４は、特徴描写を心臓電位図データに適用して、心不整脈のセットおよび１つ以上の心臓特徴を検出する（８０４）。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レートおよび変動性特徴に基づいて、徐脈、頻脈、一時停止、または心房細動などの不整脈を検出するために特徴描写を適用する。図８の例では、コンピューティングシステム２４は、全ての不整脈を描写する前に、スクリーニングステップとして特徴描写を実行する（例えば、コンピューティングシステム２４は、特徴描写を使用し得、心拍数が１２０ＢＰＭ以上の頻脈性不整脈、心拍数が４０ＢＰＭ以下の徐脈性不整脈、またはＲＲ変動性が高い不整脈のみを考慮することができる）。他の例では、そのような特徴描写は、ＩＭＤ１０などの低電力デバイス、または外部デバイス１２または別の外部医療デバイスなどの他のタイプのデバイスに実装され得る。

特徴描写を介して、患者４に心不整脈のエピソードが発生したことを検出すると、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、機械学習モデルを感知された心臓電位図に適用して、不整脈のエピソードが発生したことを検証する（８０６）。いくつかの例では、機械学習システム１５０は、機械学習モデルを、患者４についての心臓電位図データなどの多くの異なるタイプの患者データに適用し、特徴描写が不整脈を検出する原因となったトリガー理由、検出された１つ以上のタイプの不整脈特徴描写、または活動レベル、入力インピーダンス、電池レベルなどのＩＭＤ１０のデバイス特性による。

図８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が、ステップ８０４の特徴描写の不整脈トリガーを検証するかどうかを判定する（８０８）。言い換えれば、ステップ８０４の特徴描写が患者４の不整脈のエピソードを検出したとの判定に応じて、コンピューティングシステム２４は、機械学習システム１５０が同様に患者４の不整脈のエピソードを検出するかどうかを判定する。機械学習システム１５０の使用により、コンピューティングシステム２４は、ステップ８０４の特徴描写の検出理由が適切であったかどうかを検証することができる（例えば、特徴描写の徐脈トリガーは、患者４において徐脈のエピソードが発生したことを真に示していた）。検証ツールとしての機械学習システム１５０の使用は、ＩＭＤ１０などの患者４の診断デバイスを再プログラミングするために医師にフィードバックを提供する際にコンピューティングシステム２４を支援し得る。さらに、検証ツールとしての機械学習システム１５０の使用は、生理学的パラメータの報告を自動化する際にコンピューティングシステム２４を支援し得る（例えば、ＡＦによってトリガーされた全てのエピソードが適切である場合、デバイスで検出されたＡＦの負担をそのまま報告し、それ以外の場合は、適切にトリガーされたエピソードについての負担のみを考慮する）。

例えば、コンピューティングシステム２４が、機械学習システム１５０が８０４の特徴描写動作（例えば、ブロック８０８の「はい」）によって心不整脈のエピソードの検出を検証すると判定した場合、コンピューティングシステム２４は、不整脈のレポートを生成し得（８１２）、かつレポートを臨床医またはモニタリングセンタに出力する（８１４）。別の例として、コンピューティングシステム２４が、機械学習システム１５０および８０４の特徴描写動作が、心不整脈のエピソードが検出されるかどうかに関して不一致であることを判定した場合（例えば、ブロック８０８の「いいえ」）、コンピューティングシステム２４は、調停のためにモニタリングセンタへ心臓電位図データを提出する（８１０）。ステップ８１０、８１２および８１４の動作は、それぞれ、図５のステップ５１０、５１２および５１４と実質的に同様の方法で発生し得る。

図９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９は、図１に対して説明されている。図９の動作は、患者４の心不整脈を検出および分類するための動作である。具体的には、図９の動作は、コンピューティングシステム２４が、心臓電位図データを前処理して、心臓電位図データの中間表現を生成し、かつ機械学習システム１５０を心臓電位図データの中間表現に適用して、心不整脈の検出、検証および報告を実行する実装形態を示す。

図９の例では、ＩＭＤ１０は、患者４の心臓電位図データを感知する（９０２）。ステップ９０２の動作は、図５のステップ５０２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、感知された心臓電位図データの前処理を実行して、心臓電位図データの中間表現を生成する（９０４）。例えば、コンピューティングシステム２４は、ＱＲＳ検出を実行して、感知された心臓電位図データ内の複数のＱＲＳウィンドウを検出する。一例では、検出されたＱＲＳの周りのウィンドウは、検出されたＱＲＳの前の１６０ミリ秒のデータおよび検出されたＱＲＳの後の１６０ミリ秒のデータを含む。別の例では、検出されたＱＲＳの周りのウィンドウは、以前のＱＲＳのＴオフセットから現在のＱＲＳのＴオフセットまでのデータセグメントを含む。いくつかの例では、コンピューティングシステム２４は、ＱＲＳ検出、フラグ付け、および感知された心臓電位図データへの描写に使用されるバンドパスフィルタリングまたは定常ウェーブレット分解などの信号処理方法を適用し得る。例えば、コンピューティングシステム２４は、検出されたＱＲＳの周りのウィンドウについて、患者４の心臓電位図のウェーブレット分解を生成する。

コンピューティングシステム２４は、特徴描写を心臓電位図データの中間表現に適用して、１つ以上の心臓特徴を検出する（９０６）。例えば、コンピューティングシステム２４は、特徴描写を中間表現に適用して、検出されたＱＲＳの周りのウィンドウからの患者４のＱＲＳセグメント（例えば、Ｐ－Ｒ間隔）、ならびにノイズフラグを検出および描写する。図９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特徴描写を実行する。しかしながら、本開示の技術の他の例では、ＩＭＤ１０、外部デバイス１２、または別の外部医療デバイスなどの他のデバイスは、心臓電位図データの特徴描写を実行し得る。

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、感知された心臓電位図の中間表現に機械学習モデルを適用して、患者４における不整脈のエピソードを検出する（９０８）。例えば、機械学習モデルは、入力として、複数の心臓電位図セグメントを受信し得、各セグメントは、検出されたＱＲＳの周りのウィンドウ、セグメントのＱＲＳ描写、およびセグメントのノイズフラグを含む。機械学習システム１５０は、機械学習モデルを受信したセグメントに適用して、患者４における不整脈のエピソードを検出する。

いくつかの例では、機械学習モデルは、各不整脈の関心対象のセグメントをキャプチャするように調整されている。例えば、機械学習モデルは、感知された心臓電位図を処理し得、検出されたＱＲＳの周囲のウィンドウを含むセグメントから、オンセット、オフセット、最高心拍数、および最低心拍数をキャプチャする。いくつかの例では、コンピューティングシステム２４は、心臓電位図セグメントの心拍数値のようなＱＲＳ検出などの特徴描写から導出された特徴を使用して、機械学習モデルによる不整脈の検出を特徴付けまたは文脈化する。

心臓電位図の中間表現を作成するための信号分解の使用は、不整脈検出のための関心対象の周波数帯域についての既存の知識の使用を可能にし得る。さらに、信号分解は、機械学習モデルが、検出されたＱＲＳに対応する心臓電位図サブセグメントのみから分類のための特徴を学習し得るように、機械学習システム１５０の機械学習モデルの計算の複雑さを制限し得る。したがって、このような技術は、機械学習モデルの複雑さを低減し得、機械学習モデルの生成に必要なトレーニングセットのサイズを低減し、機械学習モデルの精度を高めることができる。

図５の動作とは対照的に、コンピューティングシステム２４は、ステップ９０６の心不整脈および／または心臓特徴の特徴描写検出および心不整脈の機械学習モデル検出の両方に同じ信号前処理を使用し得る。さらに、コンピューティングシステム２４は、機械学習システム１５０の機械学習モデルの入力として、ＱＲＳノイズフラグおよび特徴描写を使用し得る。入力心臓電位図複合体は、同じ持続時間（例えば、３２０ミリ秒）または異なる持続時間（例えば、以前のＴオフセットから現在のＴオフセットまでのセグメント）のものであり得る。

図１０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１０は、図１に対して説明されている。図１０の動作は、患者４において心不整脈を検出および分類するための動作である。具体的には、図１０の動作は、コンピューティングシステム２４が、機械学習システム１５０の機械学習不整脈検出と直列の特徴描写を使用して、心不整脈の検出、分類、および報告に使用するための不整脈辞書を構築する実装形態を示す。

図１０の動作は、患者４の心臓電位図データをモニタし、検出された不整脈に注釈を付け、そのような不整脈をモニタリングセンタにレポートする。いくつかの例では、図１０の動作は、モニタリングセンタなどの集中化された場所内で行われる。別の例として、図１０の動作は、患者ごとに診療所で行われ得る。図１０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（１００２）。コンピューティングシステム２４はさらに、特徴描写を心臓電位図データに適用して、１つ以上の心臓特徴を検出する（１００４）。ステップ１００２および１００４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、心臓電位図データに特徴描写をさらに適用して、不整脈の１つ以上のエピソードを検出する（１００６）。いくつかの例では、特徴描写が心臓電位図の自動トリガーを引き起こす。図１０の例では、コンピューティングシステム２４が特徴描写を実行する。しかしながら、他の例では、不整脈検出および心臓電位図エピソード自動トリガーは、ＩＭＤ１０、外部デバイス１２、または別の外部医療デバイスなどの別のデバイスで、またはホルターのようなシステムでの後処理を介して発生し得る。

不整脈のエピソードが特定の患者から初めてトリガーされた場合、コンピューティングシステム２４は、エピソードが患者固有の「エピソード辞書」の参照エピソードとして使用され得るように、不整脈レビューのためのエピソードを提示する。例えば、不整脈のエピソードの検出に応じて、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最初に検出されたエピソードであるかどうかを判定する。不整脈のエピソードが最初に検出されたエピソードである場合（例えば、ブロック１００８の「はい」）、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レポートを生成し、かつ評価のためにそのレポートをモニタリングセンタまたは臨床医に提出する（１０１０）。例えば、エピソードが最初のＡＦトリガーである場合、そのエピソードはモニタリングセンタのレビューのために提示される。別の例として、エピソードが夜間に発生する最初のＡＦトリガーである場合、そのエピソードはモニタリングセンタのレビューのために提示される。一例では、レポートは、不整脈のエピソードが患者に発生したことの指標、および不整脈のエピソードと一致する１つ以上の心臓特徴を含む。コンピューティングシステム２４は、モニタリングセンタから、レポートに含まれる心臓特徴が不整脈のエピソードを示しているかどうかを検証する指示を受信する。心臓特徴が不整脈のエピソードを示す例では、コンピューティングシステム２４は、レポートに含まれる心臓特徴によって示される不整脈のタイプの分類をさらに受信する。コンピューティングシステム２４は、心不整脈の「辞書」を構築するために、不整脈のタイプの分類の表示を心臓特徴とともにデータベースに記憶し得る。

いくつかの例では、コンピューティングシステム２４は、同様の不整脈内容、注釈、および／または心臓特徴を有する不整脈の複数のエピソードを検出し得る。例えば、心房細動（ＡＦ）モニタリングに関しては、ほとんどのエピソードトリガーがＡＦを有する。別の例は、信号取得の場所および方向などの患者固有の理由により、特徴描写が不整脈のいくつかの誤ったトリガーを生成し得る（例えば、低振幅のＰ波を伴うＰＡＣ）。例えば、コンピューティングシステム２４は、その後に検出されたエピソードを機械学習モデルに入力することができる（トリガー理由、活動レベル、および日時などの他のエピソード特性を伴う）。機械学習システム１５０の機械学習モデルは、エピソードの特徴を、患者４の「エピソード辞書」内のエピソードの特徴と比較する。機械学習モデルが、類似のエピソードが高い信頼性で辞書に存在すると判定した場合、元のモニタリングセンタの注釈がそのまま使用されてエピソードが報告される。類似のエピソードが識別されない場合、コンピューティングシステム２４は、エピソードの特性が異なると判定し得、したがって、モニタリングセンタのレビューおよび報告のためにエピソードを提示する。したがって、図１０の動作は、モニタリングセンタのレビューを必要とする不整脈エピソードの量を低減するために、同様の特性を有する不整脈エピソードにおける冗長な注釈を最小化することによって、不整脈注釈の効率を高め得る。

本開示の技術は、機械学習システム１５０の機械学習モデルを、多種多様な不整脈を検出するために調整する必要がないというさらなる利点を提供し得る。代わりに、機械学習モデルは、新しいエピソードを以前のエピソードと類似または非類似として正確に識別するためにのみ調整され得る。例えば、不整脈の２つのエピソードの間に類似性がある場合、コンピューティングシステム２４は、以前の患者固有の所見を新しいエピソードにも適用し得る。非類似性がある場合、コンピューティングシステム２４は、エピソードが不整脈のエピソードであるかどうか、および／またはエピソードによって提示される不整脈のタイプの判定を行うように人間の専門家に要求し得る。したがって、機械学習モデルは、特定の不整脈を高いレベルの信頼性で識別する必要はない。機械学習モデルは、人間のレビューのために異なる心臓特徴（例えば、新規または未分類のリズムコンテンツ）を持つエピソードを正確に提示するために、不整脈の２つのエピソード間の違いを識別する際にのみ正確である必要がある。したがって、本開示の技術は、コンピューティングシステム２４が、機械学習モデル１５０が検出するように特別にトレーニングされていない不整脈のエピソードを検出することを可能にし得る。さらに、本開示の技術は、不整脈の検出および分類において高い精度を維持しながら、機械学習モデルの複雑さを低減し得る。

例えば、図１０の動作に関して、不整脈のエピソードが最初に検出されたエピソードではない場合（例えば、ブロック１００８の「いいえ」）、機械学習システム１５０は、機械学習モデルを検出された心臓特徴に適用して、心臓特徴を、不整脈の以前のエピソードの他の心臓特徴と比較する（１０１２）。例えば、機械学習システム１５０は、機械学習モデルを検出された心臓特徴に適用し得、心臓特徴が不整脈の以前のエピソードの他の心臓特徴と一致するかどうか、および比較における信頼性のレベルまたは確実性の推定値と一致するかどうかを判定する。いくつかの例では、コンピューティングシステム２４は、特定の期間の後（例えば、毎日）または要求に応じて（例えば、患者の投薬の変更が発生したとき）、類似性比較をリセットする。これにより、不整脈の一部のエピソードがモニタリングセンタまたは臨床医によって断続的に確認され得、新しい不整脈または変化する不整脈を見逃さないようにする。

機械学習モデルが比較において高い信頼性レベルまたは確実性を有さないと判定したことに応じて（例えば、ブロック１０１４の「いいえ」）、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レポートを生成し、かつそのレポートを評価のためにモニタリングセンタまたは臨床医に提出する（１０１０）。コンピューティングシステム２４は、レポートに含まれる心臓特徴が不整脈のエピソードおよび不整脈のタイプの分類を示していることを検証する指標を受信し、不整脈のタイプの分類の指標を心臓特徴とともにデータベースに記憶し、これによって検出された心臓特徴および検出された心臓特徴によって示される不整脈の分類で心不整脈辞書を更新する。

機械学習モデルが比較において高い信頼性のレベルまたは確実性を有すると判定することに応じて（例えば、ブロック１０１４の「はい」）、コンピューティングシステム２４は、心臓特徴が不整脈の以前のエピソードのタイプを示すと判定し得る。コンピューティングシステム２４は、不整脈のレポートを生成し（１０１６）、そのレポートをモニタリングセンタに出力する（１０１８）。ステップ１０１６および１０１８の動作は、それぞれ、図５のステップ５１２および５１４と実質的に同様の方法で発生し得る。

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．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感知された患者の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おいて発生したことを判定することと、コンピューティングデバイスによって、受信された心臓電位図データの特徴ベースの描写を実行して、心臓電位図データに存在する心臓特徴を取得することと、不整脈のエピソードが患者において発生したことの判定に応じて、コンピューティングデバイスによって、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上とを含むレポートを生成することと、コンピューティングデバイスによって、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上と、を含むレポートを、表示のために、出力することと、を含む方法。

実施例２．心臓電位図データの特徴ベースの描写を実行して、心臓電位図データに存在する心臓特徴を取得することが、ＱＲＳ検出、難治性処理、ノイズ処理、または心臓電位図データの描写のうちの少なくとも１つを実行して、心臓電位図データに存在する心臓特徴を取得することを含む、実施例１に記載の方法。

実施例３．機械学習モデルを適用して、不整脈のエピソードが患者において発生したことを判定することが、機械学習モデルを適用して、徐脈、頻脈、心房細動、心室細動、または房室ブロックのうちの少なくとも１つのエピソードが患者において発生したことを判定することを、含む、実施例１または２に記載の方法。

実施例４．心臓電位図データに存在する心臓特徴が、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１つ以上の特徴の１つ以上の振幅、または患者のＥＣＧの１つ以上の特徴の間の間隔のうちの１つ以上である、実施例１～３のいずれかに記載の方法。

実施例５．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つ以上のタイプの不整脈のエピソードで標識されている、実施例１～４のいずれかに記載の方法。

実施例６．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が、機械学習モデルを、患者における不整脈に相関される、受信された心臓電位図データのうちの１つ以上の特性、医療デバイスの活動レベル、医療デバイスの入力インピーダンス、または医療デバイスの電池レベル、のうちの少なくとも１つに適用すること、をさらに含む、実施例１～５のいずれかに記載の方法。

実施例７．不整脈のエピソードが患者において発生したという指標と不整脈のエピソードと一致する心臓特徴のうちの１つ以上と、を含む、レポートを出力することに応じて、コンピューティングデバイスによって、かつユーザから、心臓電位図データの特徴ベースの描写に対する調整を受信することと、調整に従って、心臓電位図データの特徴ベースの描写を実行して、心臓電位図データに存在する第２の心臓特徴を取得すること、をさらに含む、実施例１～６のいずれかに記載の方法。

実施例８．患者の心臓電位図データが、患者の心電図（ＥＣＧ）を含み、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上と、を含む、レポートを生成することが、患者の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、第１、第２、および第３の期間と一致する心臓特徴のうちの１つ以上を識別することと、レポートにおいて、ＥＣＧのサブセクションと、第１、第２、および第３の期間と一致する心臓特徴のうちの１つ以上と、を含むことと、を含む、実施例１～７のいずれかに記載の方法。

実施例９．コンピューティングデバイスによって、受信された心臓電位図データを処理して、受信された心臓電位図データの中間表現を生成することをさらに含み、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、不整脈のエピソードが患者において発生したことを判定することが、複数の患者の心臓電位図データの中間表現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の中間表現と心臓電位図データに存在する心臓特徴とに適用して、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おいて発生したことを判定することを含む、実施例１～８のいずれかに記載の方法。

実施例１０．受信された心臓電位図データを処理して、受信された心臓電位図データの中間表現を生成することが、受信された心臓電位図データにフィルタリングを適用することと、受信された心臓電位図データに対して信号分解を実行することとのうちの少なくとも１つ、を含む、実施例９に記載の方法。

実施例１１．受信された心臓電位図データに信号分解を実行することが、受信された心臓電位図データにウェーブレット分解を実行すること、を含む、実施例１０に記載の方法。

実施例１２．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感知された患者の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、受信された心臓電位図データの特徴ベースの描写によって判定される患者における不整脈の第１の分類を取得することであって、特徴ベースの描写が、心臓電位図データに存在する心臓特徴を識別する、取得することと、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、患者における不整脈の第２の分類を判定することと、コンピューティングデバイスによって、かつ第１の分類および第２の分類に基づいて、不整脈のエピソードが患者において発生したことを判定することと、不整脈のエピソードが患者において発生したことの判定に応じて、コンピューティングデバイスによって、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上とを含むレポートを生成することと、コンピューティングデバイスによって、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上とを含むレポートを、表示のために、出力することと、を含む方法。

実施例１３．第１の分類および第２の分類に基づいて、不整脈のエピソードが患者において発生したことを判定することが、コンピューティングデバイスによって、第１の分類と第２の分類の類似度を判定することと、第１の分類と第２の分類との類似度に基づいて、コンピューティングデバイスによって、不整脈のエピソードが患者において発生したことを判定することと、を含む、実施例１２に記載の方法。

実施例１４．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、患者における不整脈の第２の分類を判定することが、機械学習モデルを受信された心臓電位図データおよび受信された心臓電位図データの特徴ベースの描写によって識別された心臓特徴に適用して、患者における不整脈の第２の分類を判定することを含み、第１の分類および第２の分類に基づいて、不整脈のエピソードが患者に発生したことを判定することが、第１の分類が、不整脈のエピソードが患者において発生したことを示すことを判定すること、および、第１の分類が不整脈のエピソードが患者に発生したことを示していることを判定したことに応じて、第２の分類が不整脈のエピソードが患者に発生したことを検証したことを判定することと、第２の分類が不製脈のエピソードが患者において発生したことを検証したことに応じて、不整脈のエピソードが患者において発生したことを判定することを含む、実施例１２に記載の方法。

実施例１５．コンピューティングデバイスによって、受信された心臓電位図データの特徴ベースの描写によって判定される患者における不整脈の第１の分類を取得することが、コンピューティングデバイスによって、受信された心臓電位図データの特徴ベースの描写を実行して、患者における不整脈の第１の分類を判定することを含む、実施例１２～１４のいずれかに記載の方法。

実施例１６．コンピューティングデバイスによって、受信された心臓電位図データの特徴ベースの描写によって判定される患者における不整脈の第１の分類を取得することが、コンピューティングデバイスによって、かつ医療デバイスから、受信された心臓電位図データの医療デバイスによる特徴ベースの描写によって判定された患者における不整脈の第１の分類を受信することを含む、実施例１２～１５のいずれかに記載の方法。

実施例１７．受信された心臓電位図データの特徴ベースの描写によって判定される患者における不整脈の第１の分類を取得することが、ＱＲＳ検出、難治性処理、ノイズ処理、または心臓電位図データの描写のうちの少なくとも１つによって判定される患者における不整脈の第１の分類を取得して、心臓電位図データに存在する心臓特徴を取得することを含む、実施例１２～１６のいずれかに記載の方法。

実施例１８．機械学習モデルを適用して患者における不整脈の第２の分類を判定することが、機械学習モデルを適用して、徐脈、頻脈、心房細動、心室細動、または房室ブロックのうちの少なくとも１つのエピソードが患者において発生したことを判定することを含む、実施例１２～１７のいずれかに記載の方法。

実施例１９．心臓電位図データに存在する心臓特徴が、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）のうちの１つ以上の特徴の１つ以上の振幅、または患者のＥＣＧの１つ以上の特徴の間の間隔のうちの１つ以上である、実施例１２～１８のいずれかに記載の方法。

実施例２０．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、実施例１２～１９のいずれかに記載の方法。

実施例２１．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が、機械学習モデルを、患者における不整脈に相関する受信された心臓電位図データの１つ以上の特性、医療デバイスの活動レベル、医療デバイスの入力インピーダンス、または医療デバイスの電池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１２～２０のいずれかに記載の方法。

実施例２２．患者の心臓電位図データが、患者の心電図（ＥＣＧ）を含み、不整脈のエピソードが患者において発生したという指標と、不製脈のエピソードに一致する心臓特徴の１つ以上を含むレポートを生成することが、患者の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の前の第１の期間、不製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の期間の長さが第１、第２、および第３の期間よりも長く、第１、第２、および第３の期間と一致する心臓特徴のうちの１つ以上を識別することと、レポートにおいて、ＥＣＧ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、を含むことを含む、実施例１２～２１に記載の方法。

実施例２３．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感知された患者の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、受信された心臓電位図データの特徴ベースの描写によって判定される患者の不整脈の第１の分類を取得するであって、特徴ベースの描写が、患者における不整脈の第１の分類と一致する心臓電位図データに存在する第１の心臓特徴を識別する、取得することと、コンピューティングデバイスによって、第１の分類の不整脈の１つ以上のエピソードが以前に患者において発生したことを判定することと、第１の分類の不整脈の１つ以上のエピソードが以前に患者において発生したことを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、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および心臓電位図データにおける第１の心臓特徴に適用して、機械学習モデルに基づいて、第１の心臓特徴が、以前に患者において発生した第１の分類の不整脈の１つ以上のエピソードと一致する心臓特徴に類似していることを判定することと、第１の心臓特徴が患者において以前に発生した第１の分類の不整脈の１つ以上のエピソードと一致する心臓特徴と類似していることを判定することに応じて、コンピューティングデバイスによって、第１の分類の不整脈のエピソードが患者において発生したことを判定することと、第１の分類の不整脈のエピソードが患者において発生したことの判定に応じて、コンピューティングデバイスによって、第１の分類の不整脈のエピソードが患者において発生したことの指標と、不製脈のエピソードに一致する心臓特徴のうちの１つ以上と、を含むレポートを生成することと、コンピューティングデバイスによって、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上とを含むレポートを、表示のために、出力することと、を含む、方法。

実施例２４．コンピューティングデバイスによって、受信された心臓電位図データの特徴ベースの描写によって判定される患者における不整脈の第２の分類を取得することであって、特徴ベースの描写が、患者における不整脈の第２の分類と一致する心臓電位図データに存在する第２の心臓特徴を識別する、取得することと、コンピューティングデバイスによって、第２の分類の不整脈の１つ以上のエピソードが以前に患者に発生していないことを判定することと、第２の分類の不整脈の１つ以上のエピソードが以前に患者に発生していないことを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の心臓特徴および受信された心臓電位図データの少なくとも一部を、表示のために、出力することと、コンピューティングデバイスによって、かるユーザから、第２の心臓特徴が患者における第２の分類の不整脈のエピソードを明らかにする指標を受信することと、コンピューティングデバイスによって、第２の心臓特徴が、患者における第２の分類の不整脈のエピソードおよび第２の心臓特徴を明らかにする指標を記憶することと、を含む、実施例２３に記載の方法。

実施例２５．コンピューティングデバイスによって、受信された心臓電位図データの特徴ベースの描写によって判定される患者における不整脈の第２の分類を取得することであって、特徴ベースの描写が、患者における不整脈の第２の分類と一致する心臓電位図データに存在する第３の心臓特徴を識別する、取得することと、コンピューティングデバイスによって、第２の分類の不整脈の１つ以上のエピソードが以前に患者において発生したことを判定することと、第２の分類の不整脈の１つ以上のエピソードが以前に患者において発生したことを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、機械学習モデルを、受信された心臓電位図データおよび心臓電位図データにおける第３の心臓特徴に適用して、機械学習モデルに基づいて、第３の心臓特徴が、以前に患者において発生した第２の分類の不整脈の１つ以上のエピソードと一致する第２の心臓特徴に類似していることを判定することと、第３の心臓特徴が患者において以前に発生した第２の分類の不整脈の１つ以上のエピソードと一致する第２の心臓特徴と類似していることを判定することに応じて、コンピューティングデバイスによって、第２の分類の不整脈のエピソードが患者において発生したことを判定することと、不整脈の第３のエピソードが患者において発生したことの判定に応じて、コンピューティングデバイスによって、第３の分類の不整脈のエピソードが患者において発生したことの指標と、第３の分類の不製脈のエピソードに一致する第３の心臓特徴のうちの１つ以上とを含む第２のレポートを生成することと、コンピューティングデバイスによって、第３の分類の不整脈のエピソードが患者において発生したという指標と、第３の分類の不整脈のエピソードと一致する第３の心臓特徴のうちの１つ以上とを含むレポートを、表示のために、出力することと、を含む、実施例２４に記載の方法。

実施例２６．機械学習モデルを受信された心臓電位図データおよび心臓電位図データに存在する第１の心臓特徴に適用して、機械学習モデルに基づいて、第１の心臓特徴が、以前に患者に発生した第１の分類の不整脈の１つ以上のエピソードに一致する心臓特徴に類似していることを判定することが、機械学習モデルを第１の心臓特徴に適用して、第１の心臓特徴が、以前に患者に発生した第１の分類の不製脈の１つ以上のエピソードに一致する心臓特徴に類似しているという予備判定と、予備判定における確実性の推定値を出力することと、予備判定における確実性の推定値が所定の閾値よりも大きいと判定することに応じて、第１の心臓特徴が、以前に患者に発生した第１の分類の不整脈の１つ以上のエピソードに一致する心臓特徴に類似していると判定することとを含む、実施例２３～２５のいずれかに記載の方法。

実施例２７．心臓電位図データの特徴ベースの描写を実行して、心臓電位図データに存在する心臓特徴を取得することが、ＱＲＳ検出、難治性処理、ノイズ処理、または心臓電位図データに存在する心臓特徴を取得するための心臓電位図データの描写のうちの少なくとも１つを実行することを含む、実施例２３～２６のいずれかに記載の方法。

実施例２８．機械学習モデルを適用して、第１の心臓特徴が、以前に患者に発生した第１の分類の不整脈の１つ以上のエピソードと一致する心臓特徴に類似していることを判定することが、機械学習モデルを適用して、第１の心臓特徴が、以前に患者に発生した徐脈、頻脈、心房細動、心室細動、または房室ブロックのうちの少なくとも１つのエピソードを示していることを判定することを含む、実施例２３～２７のいずれかに記載の方法。

実施例２９．心臓電位図データに存在する第１の心臓特徴が、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）のうちの１つ以上の特徴の１つ以上の振幅、または患者のＥＣＧの１つ以上の特徴の間の間隔のうちの１つ以上である、実施例２３～２８のいずれかに記載の方法。

実施例３０．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２３～２９のいずれかに記載の方法。

実施例３１．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が、機械学習モデルを、患者の不整脈に相関する受信された心臓電位図データの１つ以上の特性、医療デバイスの活動レベル、医療デバイスの入力インピーダンス、または医療デバイスの電池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２３～３０のいずれかに記載の方法。

実施例３２．不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上と、を含む、レポートを出力することに応じて、コンピューティングデバイスによって、かつユーザから、心臓電位図データの特徴ベースの描写に対する調整を受信することと、調整に従って、心臓電位図データの特徴ベースの描写を実行して、心臓電位図データに存在する第２の心臓特徴を取得することと、をさらに含む、実施例２３～３１のいずれかに記載の方法。

実施例３３．患者の心臓電位図データが、患者の心電図（ＥＣＧ）を含み、不整脈のエピソードが患者において発生したという指標と、不製脈のエピソードに一致する第１の心臓特徴の１つ以上を含むレポートを生成することが、患者の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の前の第１の期間、不製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の期間の長さが、第１、第２、および第３の期間よりも長い、識別することと、第１、第２、および第３の期間と一致する第１の心臓特徴のうちの１つ以上を識別することと、レポートにおいて、ＥＣＧ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つ以上の第１の心臓特徴と、を含むことを含む、実施例２３～３２のいずれかに記載の方法。

実施例３４．コンピューティングデバイスによって、受信された心臓電位図データを処理して、受信された心臓電位図データの中間表現を生成することをさらに含み、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、不整脈のエピソードが患者において発生したことを判定することが、複数の患者の心臓電位図データの中間表現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の中間表現と心臓電位図データに存在する心臓特徴とに適用して、機械学習モデルに基づいて、類似した不整脈のエピソードが患者において発生したことを判定することを含む、実施例２３～３３のいずれかに記載の方法。

実施例３５．受信された心臓電位図データを処理して、受信された心臓電位図データの中間表現を生成することが、受信された心臓電位図データにフィルタリングを適用することと、受信された心臓電位図データに対して信号分解を実行することとのうちの少なくとも１つ、を含む、実施例３４に記載の方法。

実施例３６．受信された心臓電位図データに信号分解を実行することが、受信された心臓電位図データにウェーブレット分解を実行することを含む、実施例３５に記載の方法。

いくつかの例では、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うち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。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得る。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得る。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み得る。

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得る。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装に好適な任意の他の物理的構造を指し得る。また、本技術は、１つ以上の回路または論理要素において、完全に実装され得る。

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患者の心臓電位図データを受信することと、
   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、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おいて発生したことを判定することと、
   前記受信された心臓電位図データの特徴ベースの描写を実行して、前記心臓電位図データに存在する心臓特徴を取得することと、
   前記不整脈のエピソードが前記患者において発生したことを判定することに応じて、
   前記不整脈のエピソードが前記患者において発生したという指標と、前記不整脈のエピソードと一致する前記心臓特徴のうちの１つ以上と、を含む、レポートを生成することと、
   前記不整脈のエピソードが前記患者において発生したという前記指標と、前記不整脈のエピソードと一致する前記心臓特徴のうちの１つ以上と、を含む、前記レポートを、表示のために、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、を備える、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特徴ベースの描写を実行して、前記心臓電位図データに存在する前記心臓特徴を取得するために、前記処理回路が、ＱＲＳ検出、難治性処理、ノイズ処理、または前記心臓電位図データの描写のうちの少なくとも１つを実行して、前記心臓電位図データに存在する心臓特徴を取得するように構成されている、請求項１に記載のコンピューティングデバイス。
3. 前記機械学習モデルを適用して、前記不整脈のエピソードが前記患者において発生したことを判定するために、前記処理回路が、前記機械学習モデルを適用して、徐脈、頻脈、心房細動、心室細動、または房室ブロックのうちの少なくとも１つのエピソードが前記患者において発生したことを判定するように構成されている、請求項１～２に記載のコンピューティングデバイス。
4. 前記心臓電位図データに存在する前記心臓特徴が、前記患者の平均心拍数、前記患者の最小心拍数、前記患者の最大心拍数、前記患者の心臓のＰＲ間隔、前記患者の心拍数の変動性、前記患者の心電図（ＥＣＧ）の１つ以上の特徴の１つ以上の振幅、または前記患者の前記ＥＣＧの前記１つ以上の特徴の間の間隔のうちの１つ以上である、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、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、
   前記患者における不整脈に相関される、前記受信された心臓電位図データのうちの１つ以上の特性、
   前記医療デバイスの活動レベル、
   前記医療デバイスの入力インピーダンス、または
   前記医療デバイスの電池レベル、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. 前記不整脈のエピソードが前記患者において発生したという前記指標と、前記不整脈のエピソードと一致する前記心臓特徴のうちの前記１つ以上と、を含む、前記レポートを出力するために、前記処理回路が、
   ユーザから、前記心臓電位図データの前記特徴ベースの描写に対する調整を受信することと、
   前記調整に従って、前記心臓電位図データの特徴ベースの描写を実行して、前記心臓電位図データに存在する第２の心臓特徴を取得することと、を行うように構成されている、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. 前記患者の前記心臓電位図データが、前記患者の心電図（ＥＣＧ）を含み、
   前記不整脈のエピソードが前記患者において発生したという前記指標と、前記不整脈のエピソードと一致する前記心臓特徴のうちの前記１つ以上と、を含む、前記レポートを生成するために、前記処理回路が、
   前記患者の前記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、
   前記第１、第２、および第３の期間と一致する前記心臓特徴のうちの１つ以上を識別することと、
   前記レポートにおいて、前記ＥＣＧの前記サブセクションと、前記第１、第２、および第３の期間と一致する前記心臓特徴のうちの前記１つ以上と、を含むことと、を行うように構成されている、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. 前記処理回路が、前記受信された心臓電位図データを処理して、前記受信された心臓電位図データの中間表現を生成することを行うようにさらに構成されており、
   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を、前記受信された心臓電位図データに適用して、前記不整脈のエピソードが前記患者において発生したことを判定するために、前記処理回路が、複数の患者の心臓電位図データの中間表現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の前記中間表現と前記心臓電位図データに存在する前記心臓特徴とに適用して、前記機械学習モデルに基づいて、前記不整脈のエピソードが前記患者において発生したことを判定することを行う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. 前記受信された心臓電位図データを処理して、前記受信された心臓電位図データの前記中間表現を生成するために、前記処理回路が、
    前記受信された心臓電位図データにフィルタリングを適用することと、
    前記受信された心臓電位図データに対して信号分解を実行することとのうちの少なくとも１つ、を実行するように構成されている、請求項９に記載のコンピューティングデバイス。
11. 前記受信された心臓電位図データに信号分解を実行するために、前記処理回路が、前記受信された心臓電位図データにウェーブレット分解を実行するように構成されている、請求項１０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、
    医療デバイスによって感知された患者の心臓電位図データを受信するための手段と、
    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、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、前記不整脈のエピソードが前記患者において発生したことを判定するための手段と、
    前記受信された心臓電位図データの特徴ベースの描写を実行して、前記心臓電位図データに存在する心臓特徴を取得するための手段と、
    前記不整脈のエピソードが前記患者において発生したことを判定することに応じて、
    前記不整脈のエピソードが前記患者において発生したという指標と、前記不整脈のエピソードと一致する前記心臓特徴のうちの１つ以上と、を含む、レポートを生成することと、
    前記不整脈のエピソードが前記患者において発生したという前記指標と、前記不整脈のエピソードと一致する前記心臓特徴のうちの１つ以上と、を含む、前記レポートを、表示のために、出力することと、を行う手段とを備える、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前記コンピューティングデバイスを備えるシステム。
    

Images