JP2023544242A - 心イベントを検出及び/又は予測するための、心電図処理システム - Google Patents
心イベントを検出及び/又は予測するための、心電図処理システム Download PDFInfo
- Publication number
- JP2023544242A JP2023544242A JP2023509588A JP2023509588A JP2023544242A JP 2023544242 A JP2023544242 A JP 2023544242A JP 2023509588 A JP2023509588 A JP 2023509588A JP 2023509588 A JP2023509588 A JP 2023509588A JP 2023544242 A JP2023544242 A JP 2023544242A
- Authority
- JP
- Japan
- Prior art keywords
- ecg
- ecg data
- computerized system
- data
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000747 cardiac effect Effects 0.000 title claims description 113
- 238000012545 processing Methods 0.000 title claims description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 175
- 238000000034 method Methods 0.000 claims abstract description 112
- 206010003658 Atrial Fibrillation Diseases 0.000 claims description 128
- 238000004422 calculation algorithm Methods 0.000 claims description 61
- 238000007635 classification algorithm Methods 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 39
- 206010047289 Ventricular extrasystoles Diseases 0.000 claims description 28
- 208000009729 Ventricular Premature Complexes Diseases 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000035945 sensitivity Effects 0.000 claims description 25
- 208000002102 Atrial Premature Complexes Diseases 0.000 claims description 16
- 230000000306 recurrent effect Effects 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 62
- 230000002452 interceptive effect Effects 0.000 abstract description 23
- 230000005856 abnormality Effects 0.000 description 34
- 238000013527 convolutional neural network Methods 0.000 description 23
- 238000012552 review Methods 0.000 description 22
- 230000008034 disappearance Effects 0.000 description 19
- 238000000718 qrs complex Methods 0.000 description 19
- 208000024891 symptom Diseases 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 230000015654 memory Effects 0.000 description 13
- 238000009877 rendering Methods 0.000 description 13
- 238000005070 sampling Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 230000002123 temporal effect Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 206010006578 Bundle-Branch Block Diseases 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 206010003671 Atrioventricular Block Diseases 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 230000002028 premature Effects 0.000 description 6
- 238000003908 quality control method Methods 0.000 description 6
- 206010006582 Bundle branch block right Diseases 0.000 description 5
- 238000002565 electrocardiography Methods 0.000 description 5
- 201000007916 right bundle branch block Diseases 0.000 description 5
- 230000002861 ventricular Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008602 contraction Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000010349 pulsation Effects 0.000 description 4
- 241001417495 Serranidae Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 206010003119 arrhythmia Diseases 0.000 description 3
- 230000006793 arrhythmia Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 206010003674 Atrioventricular block first degree Diseases 0.000 description 2
- 208000003734 Supraventricular Tachycardia Diseases 0.000 description 2
- 206010042602 Supraventricular extrasystoles Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000002934 first-degree atrioventricular block Diseases 0.000 description 2
- 238000010426 hand crafting Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007914 intraventricular administration Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 206010047302 ventricular tachycardia Diseases 0.000 description 2
- 241000473391 Archosargus rhomboidalis Species 0.000 description 1
- 206010003662 Atrial flutter Diseases 0.000 description 1
- 206010059027 Brugada syndrome Diseases 0.000 description 1
- 206010006580 Bundle branch block left Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000002682 Hyperkalemia Diseases 0.000 description 1
- 208000019025 Hypokalemia Diseases 0.000 description 1
- 208000007177 Left Ventricular Hypertrophy Diseases 0.000 description 1
- 208000022768 Mobitz type I atrioventricular block Diseases 0.000 description 1
- 201000000668 Mobitz type II atrioventricular block Diseases 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 208000000924 Right ventricular hypertrophy Diseases 0.000 description 1
- 206010040736 Sinoatrial block Diseases 0.000 description 1
- 208000007888 Sinus Tachycardia Diseases 0.000 description 1
- 208000001871 Tachycardia Diseases 0.000 description 1
- 201000008803 Wolff-Parkinson-white syndrome Diseases 0.000 description 1
- 206010000891 acute myocardial infarction Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 206010003668 atrial tachycardia Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 206010061592 cardiac fibrillation Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 208000028867 ischemia Diseases 0.000 description 1
- 208000021803 junctional tachycardia Diseases 0.000 description 1
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 208000024896 potassium deficiency disease Diseases 0.000 description 1
- 230000000541 pulsatile effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000006794 tachycardia Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/361—Detecting fibrillation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/339—Displays specially adapted therefor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
患者の心電図(ECG)データを、相当な量のECGデータを使用して分析するためのシステム及び方法が提供される。システムは、患者に配置された、1つ又は複数のECG誘導/電極などの感知デバイスからECGデータを受信し、これらはスマートデバイスに集積される。システムは、例えば様々な異常性、状態、及び/又は記述子を検出及び/又は予測するために、ニューラルネットワークを使用して、ECGデータを処理及び分析するサーバ上で実行される、ECGプラットフォームと通信するアプリケーションを含む。システムはまた、異常性、状態、及び/又は記述子に対応する信頼度スコアを決定する。処理されたECGデータは、グラフィックユーザインターフェースを生成するために使用され、精度が高められた、ユーザフレンドリーで対話的なやり方での表示のために、サーバからコンピュータに通信される。
Description
関連出願の相互参照
[0001] 本出願は、2020年12月15日に提出された欧州特許出願第EP20306566.9号、及び2020年8月10日に提出された米国仮特許出願第63/063,899号に対する優先権を主張するものであり、その内容全体が参照により本明細書に組み込まれる。
[0001] 本出願は、2020年12月15日に提出された欧州特許出願第EP20306566.9号、及び2020年8月10日に提出された米国仮特許出願第63/063,899号に対する優先権を主張するものであり、その内容全体が参照により本明細書に組み込まれる。
[0002] 本開示は、一般に心電図(ECG)処理システム、例えば不整脈及び異常性などの心イベントを検出及び/又は予測するための、人工知能及び機械学習の機能性を伴うECGシステムに関する。
[0003] 心電図(ECG)は、コンピューティングデバイスによってデジタル化して記録される電気的な心信号を、心臓から受け取る。ECGは、通常、患者の特定のエリアに配置された多数の電極によって感知された心信号から生成される。ECGは、ほとんどの医療従事者によって使用される、シンプルで非侵襲的なツールである。
[0004] 心信号は、1つ又は複数の同期された一時的な信号から構成される。図1Aは、標準12誘導安静時ECGの記録を図示する。図1Aに示されるように、各誘導は電気信号を生成し、12の電気信号が得られる。図1Aに図示されるECGは、12の記録を与える12誘導を伴うが、一部のECGは、より少ない記録を与える、より少ない誘導を伴う。図1Aに示されるように、心信号は、通常P波、QRS波群、及びT波を含む反復パターンを表示する。その名称から示唆されるように、QRS波群は、Q波、R波、及びS波を含む。例示のP波、QRS波群、及びT波は、図1Bに図示されており、この図は1つの誘導信号中のいくつかの拍動に着目したものであり、1つのRR時間を示している。
[0005] 診断を下すために、訓練された医療従事者は、ECG記録を分析して、異常性及び/又は症状発現を識別する。現在、約150の測定可能な異常性が、ECG記録で識別されると推定される。しかしながら、ECGから異常性を識別するためには、特定の専門知識及び/又は訓練が必要とされる。ECG分析は、適切な専門知識を持つ医療従事者にかかる余裕がある患者、そうでなければこれらの専門家にアクセスできる人物にのみ利用可能である。
[0006] 心臓病遠隔診断(telecardiology)センターは、ECG分析を、それ以外の方法では訓練された医療従事者へのアクセスを持たない患者に提供するために発展してきた。典型的には、ECG記録は、非専門家によってオフサイトで生成され、心臓専門医又はECG専門技師による分析のために、心臓病遠隔診断センターに送られる。一般的に結果は高品質であるが、プロセスはゆっくりで高価である。
[0007] また、訓練された専門家による分析の代替として、ソフトウェアシステムも開発されている。現在のソフトウェアシステムは、偽陽性を導くことも多い、品質の低い解釈を与える。現在、これらの解釈システムは、心信号について2つのタイプの情報:(1)描画と称される、各波についての時間的な場所情報、(2)心信号の分類を与える、又はその異常性をラベル付けする、分類と称されるグローバル情報を生成する。
[0008] 描画に関しては、心信号の波を見つけるための2つの主な手法が用いられる。第1の手法は、マルチスケールのウェーブレット分析に基づいている。この手法は、指定されたスケールで、所定のしきい値に達するウェーブレット係数を探す。(Martinezら、A wavelet-based ECG delineator:evaluation on standard databases、IEEE transactions on biomedical engineering、51巻、4号、2004年4月、570~58ページ;Almeidaら、IEEE transactions on biomedical engineering、56巻、8号、2009年8月、1996~2005ページ;Boichatら、Proceedings of Wearable and Implantable Body Sensor Networks、2009年、256~261ページ;Zoicasらに対する米国特許第8,903,479号を参照)。通常のプロセスには、QRS波群、次いでP波、最後にT波の識別が伴う。この手法は、しきい値の使用により不安定となり、複数のP波と「隠れた」P波との識別に失敗する。
[0009] 第2の描画手法は、隠れマルコフモデル(HMM)に基づいている。この機械学習の手法は、信号の現在の状態を、回復対象の隠れた変数として取り扱う(Coastら、IEEE transactions on biomedical engineering、37巻、9号、1990年9月、826~836ページ;Hughesら、Proceedings of Neural Information Processing Systems、2004年、611~618ページ;Trassenkoらに対する米国特許第8,332,017号)。この手法は、上述の第1の描画手法に対する改善であるが、信号の表現を、手作りの「特徴」を使用して設計しなければならず、これらの特徴に基づいて、数学的なモデルを各波にフィットさせなければならない。アルゴリズムは、十分な数の例に基づいて、各波を認識するよう学習する。しかしながら、このプロセスは、手作りの特徴への依存性に起因して、面倒且つ不正確である。具体的には、手作りされた特徴は、学習されたものではないため、また特徴を手作りするプロセスは、極めて重要な情報を無視又は除去してしまった可能性があるため、常に次善策である。更には、モデル、通常はガウシアンであるモデルが、良く適合しない。更に、現在のモデルは隠れたP波を説明できない。
[0010] 分類に関して、現在のシステムでは、分析はQRS波群に対してのみ行なわれる。例えば、QRS波群の分析は、心室拍動又はペーシング拍動を検出する。訓練には、手作りの特徴のセット及び対応する拍動ラベルが含まれる(Chazalら、IEEE Transactions on Biomedical Engineering、2004年、51巻、1196~1206ページ)。上述したように、手作りされた特徴は、学習されたものではないため、また特徴を手作りするプロセスは、極めて重要な情報を無視又は除去してしまった可能性があるため、常に次善策である。
[0011] 上記の問題を解決するべく、近年の研究(Kiranyazら、IEEE Transactions on Biomedical Engineering、2016年、63巻、664~675ページ)は、盛んに研究されてきているニューラルネットワークと呼ばれる新規なアーキテクチャに目を向けており、イメージングの分野で多大な成果を出している(Russakovskyら、arXiv:1409.0575v3、2015年1月30日)。ニューラルネットワークは、生データ又は適度に前処理されたデータから学習し、そのため手作りの特徴の必要性を回避する。ニューラルネットワークの適用は、上述の描画及び分類手法に対する改善である一方で、現在のシステムには、一定の欠陥がある。例えば、現在のニューラルネットワークは、QRSの特徴付けのためにのみ開発されたものである。更には、現在のニューラルネットワークは、拍動ごとの様式で情報を処理し、これは拍動周辺部からのコンテキスト的な情報を把握するのに失敗する。
[0012] 異常性の識別及び/又は循環器系疾患の検出に関して、ほとんどのアルゴリズムは、描画を使用して計算された時間的及び形態学的なインジケータに基づく規則を使用する(例えば、PR時間、RR時間、QT時間、QRS幅、STセグメントの高さ、T波の傾き)。多くの場合、アルゴリズムは、心臓専門医によって設計される。(Prineasら、Minnesota Code Manual of Electrocardiographic Findings、Springer、ISBN978-1-84882-777-6、2009年)。しかしながら、現在のアルゴリズムは、心臓専門医がECGを分析するやり方を反映しておらず、粗く単純化されたものである。例えば、グラスゴー大学のアルゴリズムは、心臓専門医がECGを分析するやり方を反映していない。(Statement of Validation and Accuracy for the Glasgow 12-Lead ECG Analysis Program、Physio Control、2009年)。
[0013] 学習アルゴリズムを使用する、より高度な方法も開発されている。例えば、Shenら、Biomedical Engineering and Informatics(BMEI)、2010年、3巻、960~964ページでは、著書らはサポートベクタマシンを使用して脚ブロックを検出した。しかしながら、これらの方法でも、やはり不変性と安定性の性質を保存するやり方で生データを表現する必要がある。
[0014] より複雑なニューラルネットワークのアーキテクチャが提案されている一方で、これらをECGに適用する場合の限界が生じている。あるチーム(Jin and Dong、Science China Press、45巻、3号、2015年、398~416ページ、CN104970789)は、全ECGに対する二値分類を提案し、そのため分析されるどのECGについても分類を1つのみ与える。提案されるアーキテクチャは、誘導を全結合層に混合する前に、それらを独立的に処理する、畳み込み層を使用した。著者らはまた、二値分析とは反対に、複数のクラスの中から1つのクラスを回復することを目的とする、多クラス分析にも言及している。しかしながら、著者らは、複数のラベル(例えば、異常性)が1つの心信号に割振られる多ラベル分類を考慮しなかった。
[0015] 他のアルゴリズム及びニューラルネットワークのアーキテクチャが、心房細動のリスクを検出するために提案されている。しかしながら、そのようなアルゴリズム及びニューラルネットワークは、12誘導及び長時間の記録を必要とすることが多い。また、典型的には、そのような予測は、長期予測(例えば、1年)である。その内容全体が参照により本明細書に組み込まれる、Attiaら「An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm:a retrospective analysis of outcome prediction」、The Lancet、394巻、10201号、861~867ページ、2019年9月7日では、著者らは、人工知能と畳み込みニューラルネットワークとを使用して無症候性心房細動を検出することを述べている。その内容全体が参照により本明細書に組み込まれる、Christopoulosら「Artificial Intelligence-Electrocardiography to Predict Incident Atrial Fibrillation」、Circ Arrhythm Electrophysiol.、13巻、12号、2020年12月では、著者は、洞調律時に心電図に適用される人工知能のアルゴリズムを使用して心房細動の確率を判定することを述べている。その内容全体が参照により本明細書に組み込まれる、Raghunathら「Deep Neural Networks Can Predict New-Onset Atrial Fibrillation From the 12-Lead ECG and Help Identify Those at Risk of Atrial Fibrillation-Related Stroke」、Circulation、143巻、13号、2021年、3月30日では、著者らは、安静時12誘導ECGから心房細動発生の予測を判定することを述べている。
[0016] 以前から知られているシステム及び方法の、先述の限界を考慮して、正確に且つ効率的にECGデータを処理すること、及びその情報を容易に理解できる様式で提示することが望まれる。例えば、患者からサンプリングされたECGデータを分析して、心イベントを正確且つ効率的に検出する及び/又は予測するための、例えば、ECG分析用に特別に設計された人工知能及び/又は機械学習技術を使用する、強化されたコンピューティング技術が望ましい。
[0017] 本明細書では、機械学習アルゴリズム及び医用グレードの人工知能を使用してECGデータを分析するための、精度及び効率が高められたシステム及び方法が提供される。具体的には、人工知能及と相当な量のECGデータとを使用して、患者の心電図(ECG)データを分析するためのシステム及び方法が提供される。システムは、患者に配置された、1つ又は複数のECG誘導/電極などの感知デバイスからECGデータを受信し、これらのデータはスマート技術(例えば、スマートウォッチ)に集積される。システムは、不整脈及び/又は心房細動(AFib)を含む異常性などの心イベントを正確且つ効率的に検出する及び/又は予測するために、患者からサンプリングされたECGデータを分析する。システムは、例えば心信号の描画と様々な異常性、状態、及び/又は記述子の分類とのためのニューラルネットワークを使用してECGデータを処理及び分析するサーバ上で実行される、ECGプラットフォームと通信するアプリケーションを含む。ECGプラットフォームは、ECGデータをクラウドで処理及び分析する、クラウドベースのECGプラットフォームであってもよい。処理されたECGデータは、精度が高められた、ユーザフレンドリーで対話的なやり方での表示のために、サーバから通信される。ECGアプリケーションとECGプラットフォームとは、共に、ECGデータを受信すること、ECGデータを処理及び分析すること、ECGデータをシステムデバイスに表示すること、並びにECGデータを有するレポートを生成することのために、ECG処理システムを実装する。
[0018] 本明細書では、複数の時間ポイントに渡って1つ又は複数の電極によって生成され、複数の拍動を含む、患者のECGデータを分析するための、コンピュータ化されたシステムが提供される。コンピュータ化されたシステムは、複数の時間ポイントにおいて少なくとも1つの波の存在の可能性に対応する波形情報を生成するために描画アルゴリズムを使用してECGデータを分析することと、少なくとも1つの波が存在すると判定される場合、複数の拍動発生と拍動消失とを生成するために、複数の拍動のうちの拍動について拍動発生情報と拍動消失情報とを更に決定することと、を行なうように設計される。コンピュータ化されたシステムは、ECGデータの複数の拍動部分の各拍動部分が、複数の拍動の1拍動に対応する、複数の拍動発生と拍動消失とに基づいてECGデータの複数の拍動部分を抽出することと、ECGデータの複数の拍動部分に基づいて、複数の拍動のうちの少なくとも2つの拍動がグループ化されるべきかどうかを判定することであって、少なくとも2つの拍動がクラスタを形成する、判定することと、を行なうように更に設計される。複数の拍動のうちの少なくとも2つの拍動がグループ化されるべきかどうかを判定することは、グループデータがしきい値を満足するかを判定することを含む。
[0019] コンピュータ化されたシステムは、複数のECGデータの部分を、複数の拍動を表現する埋め込みデータを生成するために、埋め込みアルゴリズムを使用して分析することと、グループデータを生成するためにグループ化アルゴリズムを使用して埋め込みデータを分析することとを行なうように更に設計される。複数の拍動のうちの少なくとも2つの拍動は、グループデータに基づいて、グループ化されるよう判定される。グループデータは、2つの拍動同士の距離に相当する。描画アルゴリズムは、第1のニューラルネットワークを利用し、埋め込みアルゴリズムは第2のニューラルネットワークを利用する。グループ化アルゴリズムは、第3のニューラルネットワークを利用する。コンピュータ化されたシステムは、ECGデータに関して表示されるデータに相当する不正確さに関して、入力デバイスからユーザ入力データを受信するように更に設計される。コンピュータ化されたシステムは、描画アルゴリズム、埋め込みアルゴリズム、又はグループ化アルゴリズムのうちの1つ又は複数を、ユーザ入力データに基づいて調節するように更に設計される。
[0020] コンピュータ化されたシステムは、ユーザ入力データに基づいて、表示されるデータを修正するように更に設計される。ユーザ入力データは、1つ又は複数のQRSクラスタ、PVCクラスタ、又はPACクラスタを、追加すること、削除すること、又は分離することに相当する。埋め込みデータは、複数の拍動の各拍動についての、データのベクトルを含む。コンピュータ化されたシステムは、グラフィックユーザインターフェースでの表示のために、クラスタを示す情報をコンピュータに送信するように更に設計される。コンピュータ化されたシステムは、互いに重なり合う複数の拍動のうちの少なくとも2つの拍動を含む、少なくとも1つの重なりを表示するために情報を生成するように更に設計される。コンピュータ化されたシステムは、患者について心イベントに関連付けられる1つ又は複数の異常性、状態、又は識別子の存在の可能性を判定するために、クラスタ中の拍動を、分類アルゴリズムを使用して分析するように更に設計される。
[0021] コンピュータ化されたシステムは、患者について心イベントに関連付けられる1つ又は複数の異常性、状態、又は識別子の存在の可能性を判定するために、描画アルゴリズムからの波形情報を、分類アルゴリズムを使用して分析するように更に設計される。波形情報は、分類アルゴリズムに入力され、複数の拍動のうちの少なくとも2つの拍動がグループ化されるべきかどうかを判定するために別個に使用される。コンピュータ化されたシステムは、描画アルゴリズムを使用してECGデータを分析することに先立って、ECGデータからノイズを除去するためにECGデータを前処理するように更に設計される。コンピュータ化されたシステムは、ECGデータ及びECGデータに基づく情報を、レビューのためにユーザアカウントに割振る。コンピュータ化されたシステムは、ECGデータ及びECGデータに基づく情報に関するユーザ入力データを、レビューに基づいてユーザアカウントから受信する。
[0022] 複数の時間ポイントに渡って1つ又は複数の電極によって生成され、複数の拍動を含む患者の心電図(ECG)データを分析するための方法が、本明細書で説明される。方法は、複数の時間ポイントにおいて少なくとも1つの波の存在の可能性に対応する波形情報を生成するために描画アルゴリズムを使用してECGデータを分析することと、少なくとも1つの波が存在すると判定される場合、複数の拍動発生と拍動消失とを生成するために、複数の拍動のうちの拍動について拍動発生情報と拍動消失情報とを更に決定することとを有する。方法は、ECGデータの複数の拍動部分の各拍動部分が、複数の拍動の1拍動に対応する、複数の拍動発生と拍動消失とに基づいてECGデータの複数の拍動部分を抽出することと、ECGデータの複数の拍動部分に基づいて、複数の拍動のうちの少なくとも2つの拍動がグループ化されるべきかどうかを判定することであって、少なくとも2つの拍動がクラスタを形成する、判定することとを更に有する。
[0023] 方法は、複数のECGデータの部分を、複数の拍動を表現する埋め込みデータを生成するために、埋め込みアルゴリズムを使用して分析することと、グループデータを生成するためにグループ化アルゴリズムを使用して埋め込みデータを分析することとを有する。複数の拍動のうちの少なくとも2つの拍動は、グループデータに基づいて、グループ化されるよう判定される。方法は、ECGデータ及びECGデータに基づく情報を、ECGデータのレビューのためにユーザアカウントに割振ることを更に有する。方法は、ECGデータ及びECGデータに基づく情報を、1人又は複数のレビュワーによる品質レビューのためにサブミットすることを更に有する。方法は、1人又は複数のレビュワーによって生成される品質制御入力を受信することを更に有する。方法は、更なる品質制御レビューのために、品質制御入力を表示させることを更に有する。方法は、ECGデータに基づく情報に対応する不正確さに関して、入力デバイスからユーザ入力データを受信することを更に有する。方法は、描画アルゴリズム、埋め込みアルゴリズム、又はグループ化アルゴリズムのうちの1つ又は複数を、ユーザ入力データに基づいて調節することを更に有する。方法は、表示されたデータを、品質レビューのためにユーザアカウントに割振ることを更に有する。
[0024] 患者のECGデータを分析するためのシステムは、一例では、実行されると、複数の時間ポイントに渡って患者のECGデータを取得するように設計された第1の複数の命令を含み、ECGデータを少なくとも1つのサーバに送信することを更に含む。ECGデータは、1秒当たり少なくとも20サンプルのレートなど、所定のサンプリングレートでサンプリングされる。ECGデータを分析するためのシステムは、実行されると、少なくとも1つのサーバに、患者のECGデータを受信することと、異なる患者からの複数のECGデータセットから訓練された少なくとも1つのアルゴリズムを使用して患者のECGデータを分析することと、1つ又は複数の異常性、状態、記述子、又はそれらの組合せの存在の可能性を定量化することと、1つ又は複数の異常性、状態、記述子、又はそれらの組合せの存在に対応する情報を、表示のために少なくとも1つのサーバから遠隔にあるコンピュータに送信することとを行なわせるように設計された第2の複数の命令を更に含む。
[0025] ECGデータを分析するためのシステムは、コンピュータによって実行されると、コンピュータに、少なくとも1つのサーバから送信された情報に基づいて、1つ又は複数の異常性、状態、記述子、又はそれらの組合せの存在に対応する情報を表示させるように設計された、第3の複数の命令を更に含む。異なる患者からの複数のECGデータセットのうち、それぞれのセットは、ECGデータを取得するために用いられたレートに等しいサンプリングレートで生成されることを理解されたい。第3の複数の命令を実行するコンピュータはまた、第1の複数の命令も実行することを更に理解されたい。
[0026] 第2の複数の命令は、実行されると、少なくとも1つのサーバに、ECGデータからノイズを除去すること、又は所定のベースライン周波数でECGデータを表現することを含む、ECGデータを前処理することを更に行なわせる。更には、第2の複数の命令は、実行されると、ECGデータを描画のための第1のニューラルネットワークに適用する、少なくとも1つのアルゴリズムを使用して、患者のECGデータを分析し、複数の時間ポイントのそれぞれにおいて、P波、QRS波群、又はT波のうちの少なくとも1つの存在の可能性を更に定量化する。第2の複数の命令は、P波、QRS波群、若しくはT波のうちの少なくとも1つについて、少なくとも1つの発生及び少なくとも1つの消失を更に計算する、並びに/又は発生、消失、若しくは第1のニューラルネットワークの出力のうちの1つ若しくは複数から、少なくとも1つの測定を計算する。
[0027] 第2の複数の命令は、実行されると、ECGデータを分類のための第2のニューラルネットワークに適用する、少なくとも1つのアルゴリズムを使用して、患者のECGデータを分析することを更に理解されたい。具体的には、第2の複数の命令は、1つ又は複数の異常性、状態、又は識別子の存在の可能性を定量化し、第2のニューラルネットワークの出力中の少なくとも1つの値にしきい値を適用し、値がしきい値を越える場合、1つ又は複数の異常性、状態、又は識別子に対応する少なくとも1つのラベルを割振る。第2の複数の命令はまた、冗長なラベルを除去することによって、ECGデータを後処理する。
[0028] システムは、第4及び/又は第5の複数の命令を更に含む。第4の複数の命令は、実行されると、少なくとも1つのサーバに、1つ又は複数の異常性、状態、又は記述子の存在に対応する、少なくとも送信された情報を含むレポートを生成させる。第5の複数の命令は、実行されると、ECGデータに関するユーザ入力を受信し、少なくとも1つのサーバがユーザ入力を使用してレポートを生成するように、コンピュータに、ユーザ入力を少なくとも1つのサーバに送信させる。レポートは、患者の心拍数の密度を時間の関数として表現する、少なくとも1つの心拍数密度プロットを含む。第3の複数の命令は、コンピュータによって実行されると、コンピュータに、患者の心拍数の密度を時間の関数として表現する心拍数密度プロットを表示させるように更に構成されることを理解されたい。
[0029] 別の例では、患者のECGデータを分析するためのシステムは、実行されると、少なくとも1つのサーバに、複数の時間ポイントに渡って患者のECGデータのセットを受信させるように設計された、少なくとも1つのサーバに記憶された命令を含む。ECGデータのセットは、1秒当たり少なくとも20サンプルのレートなど、所定のサンプリングレートでサンプリングされる。命令は、少なくとも1つのサーバに、少なくとも1つのアルゴリズムを使用して患者のECGデータのセットを分析することと、複数の時間ポイントのそれぞれの時間ポイントにおいて、1つ又は複数の異常性、状態、記述子、又はそれらのあらゆる組合せの存在の可能性を定量化することと、1つ又は複数の異常性、状態、又は記述子の存在の可能性に対応する情報を、表示のためコンピュータに送信することと、を行なわせるように更に設計される。少なくとも1つのアルゴリズムは、異なる患者から1秒当たり少なくとも20サンプルのサンプリングレートで生成された、複数のECGデータのセットを使用して訓練される。
[0030] 患者のECGデータを分析するためのコンピュータ化された方法は、同様に、あるサンプリングレートでサンプリングされた複数の時間ポイントに渡る患者のECGデータのセットを受信することと、複数のECGデータのセットを使用して訓練された少なくとも1つのアルゴリズムを使用して患者のECGデータのセットを分析することとを有する。複数のECGデータのセットのうちのそれぞれのセットは、同一のサンプリングレートで異なる患者から生成される。ECGデータを分析するためのコンピュータ化された方法は、各時間ポイントにおいて、1つ又は複数の異常性、状態、記述子、又はそれらのあらゆる組合せを識別することを更に有し、1つ又は複数の異常性、状態、記述子、又はそれらのあらゆる組合せを含む情報を、表示のためにコンピュータに送信することを更に有する。コンピュータ化された方法は、ECGデータのセットからデータを破棄することなく、サンプリングされたECGデータのセット全体を分析することを有することを理解されたい。一例では、コンピュータ化された方法は、1秒当たり少なくとも20サンプルのサンプリングレートを伴う。
[0031] コンピュータ化された方法は、ECGデータのセット及びECGデータのセットに基づく情報を、ECGデータのレビューのためにユーザアカウントに割振ることを更に有する。コンピュータ化された方法は、ECGデータのセット及びECGデータのセットに基づく情報を、1人又は複数のレビュワーによる品質レビューのためにサブミットすることを更に有する。コンピュータ化された方法は、1人又は複数のレビュワーによって生成される品質制御入力を受信することを更に有する。方法は、更なる品質制御レビューのために、品質制御入力を表示させることを更に有する。
[0032] 別の例では、患者の心電図(ECG)データを分析するためのコンピュータ化されたシステムは、ECGデータを分析して心イベントの存在を判定するために、コンピュータ化されたシステムを含む。ECGデータの分析に基づいて、心イベントが存在すると判定される場合、コンピュータ化されたシステムは、表示用に心イベントの存在を識別するために情報を生成する。ECGデータの分析に基づいて、心イベントが存在しないと判定される場合、コンピュータ化されたシステムは、ECGデータを更に分析して、表示用に心イベントの将来的なリスクを示すリスクスコアを決定する。心イベントは、心房細動である。
[0033] コンピュータ化されたシステムは、ECGデータに対して描画を更に実施して、複数の拍動を決定し、複数の第1の特徴を複数の拍動から抽出し、複数の第1の特徴に基づいて第1のリスクスコアを決定する。第1のリスクスコアは、患者の将来的な心房細動を示す。ECGデータに対して描画を実施することは、複数のQRS発生値を決定する。コンピュータ化されたシステムは、ECGデータに対して分類を実行して、複数の拍動のうちの拍動を、正常、心房性期外収縮(PAC)、又は心室性期外収縮(PVC)に分類することと、複数の拍動に対応する複数のタイムスタンプを決定することと、複数のタイムスタンプに基づいて複数の心拍数値を決定することと、複数のタイムスタンプ及び複数の心拍数値に基づいて行列を決定することと、行列の図表現を生成することと、行列の図表現を少なくとも1つのニューラルネットワークを使用して処理して、患者の将来的な心房細動の第2のリスクスコアを決定することと、を更に行なう。
[0034] 少なくとも1つのニューラルネットワークは、少なくとも1つの深層ニューラルネットワーク(DNN)である。コンピュータ化されたシステムは、患者に対応する患者情報を判定することと、心房細動を示すECGデータの複数の第2の特徴を判定することと、複数の第2の特徴を分類器に適用して患者の将来的な心房細動を示す第3のスコア値を決定することと、を更に行なう。患者情報は、患者の年齢及び性別のうち、1つ又は複数である。分類器は、DNN、ロジスティック回帰、及びランダムフォレストのうちの1つ又は複数である。コンピュータ化されたシステムは、第1のリスクスコア、第2のリスクスコア、及び第3のリスクスコアの平均を決定して、リスクスコアを決定する。コンピュータ化されたシステムは、第1のリスクスコア、第2のリスクスコア、及び第3のリスクスコアを、リスクスコアを決定するよう訓練された第1のニューラルネットワークに適用するように更に構成される。
[0035] 別の例では、患者のECGデータを分析するためのコンピュータ化されたシステムは、描画アルゴリズムを使用してECGデータを分析して少なくとも1つの波の存在の可能性を判定し、分類アルゴリズムを使用してECGデータを分析して、ECGデータに対応する複数の特徴マップを抽出する。コンピュータ化されたシステムは、複数の特徴マップを再帰ニューラルネットワークに適用し、再帰ニューラルネットワークを使用して複数の特徴マップを分析し、少なくとも部分的に、第1の拍動の直前に生じた第2の拍動を示す、複数の特徴マップのうちの1つの特徴マップに基づいて、第1の拍動に対応するシーケンスラベルを決定することを更に行なう。シーケンスラベルは、異所性、上室性、又はPVCのうちの1つである。
[0036] 別の例では、患者のECGデータを分析するためのコンピュータ化されたシステムは、描画アルゴリズムを使用してECGデータを分析して少なくとも1つの波の存在の可能性を示す波形情報を決定し、ベースライン分類アルゴリズムを使用してECGデータ及び波形情報を分析する。コンピュータ化されたシステムは、ベースライン分類アルゴリズムを使用して、少なくとも1つの心イベントの存在を示す第1の値を更に決定し、ベースライン分類アルゴリズムと比較して感度を低下させた鈍化分類アルゴリズムを使用してECGデータ及び波形情報を分析する。加えて、コンピュータ化されたシステムは、鈍化分類アルゴリズムを使用して第2の値を決定し、ベースライン分類アルゴリズムと比較して感度を高めた敏感分類アルゴリズムを使用してECGデータ及び波形情報を分析し、敏感分類アルゴリズムを使用して第3の値を決定し、少なくとも1つの心イベントの存在を示す第2及び第3の値に基づいて、ベースライン分類が確かであるかどうかを判定する。コンピュータ化されたシステムは、少なくとも1つの心イベントの存在に対応するレポートを更に自動的に生成する。
[0037] 別の例では、患者のECGデータを分析するためのコンピュータ化されたシステムは、ECGデータを、ECGデータのデータベースから、コンピュータ化されたシステムにアップロードし、ECGデータのプロファイルを割振り、所定のラベルをECGデータに関連付けるために命令を決定し、所定のラベルをECGデータに関連付けられるプロファイルに割振り、命令を決定して、所定のラベルに基づいて複数のECGプロファイルをフィルタリングし、複数のプロファイルは、プロファイルを含む。コンピュータ化されたシステムは、ECGデータを更に分析して心イベントの存在を決定し、第2のラベルをECGデータに関連付けられるプロファイルに割振り、第2のラベルは心イベントの存在に基づいている。
[0038] 別の例では、患者のECGデータを分析するためのコンピュータ化されたシステムは、第1の誘導に対応する第1のECGデータと第2の誘導に対応する第2のECGデータとを含む、複数のECGデータを決定し、ECGインターフェースに、第1のECGデータの少なくとも一部の第1の図表現を表示させ、命令を決定して、第1の図表現に加えて第2のECGデータの少なくとも一部の第2の図表現を表示し、ECGインターフェースに、第1の図表示と同期させて第2の図表示を、同時に表示させる。コンピュータ化されたシステムは、第3の誘導に対応する第3のECGデータを更に決定し、複数のECGデータは、第3のECGデータを更に含み、命令を決定して、第3のECGデータ及び第2のECGデータの少なくとも一部の第3の図表現を表示し、ECGインターフェースに、第2の図表現と同期させて第3の図表現を、同時に表示させる。
[0039] 別の例では、患者のECGデータを分析するためのコンピュータ化されたシステムは、描画アルゴリズムを使用してECGデータを分析して少なくとも1つの波の存在の可能性を示す第1の情報を決定し、複数の分類ニューラルネットワークを使用してECGデータ及び第1の情報を分析する。複数の分類ニューラルネットワークのそれぞれは、その分類ニューラルネットワークに一意な重み付けされた値を利用する。コンピュータ化されたシステムは、複数の分類ニューラルネットワークを使用して複数の出力を更に決定する。複数の出力のそれぞれの出力は、複数の分類ニューラルネットワークの1つの分類ニューラルネットワークに対応する。コンピュータ化されたシステムは、コンバイナを使用して複数の出力を更に分析して、心房細動の確率、及び心房細動の確率の精度を示す信頼度スコアを決定する。コンバイナは、複数の出力を平均することによって、平均値を決定する。代替的に、コンバイナは、複数の出力の最小値を決定する。別の例では、コンバイナは、複数の出力の最大値を決定する。
[0040] 別の例では、患者のECGデータを分析するためのコンピュータ化されたシステムは、描画アルゴリズムを使用してECGデータを分析して少なくとも1つの波の存在の可能性を示す第1の情報を決定し、入力変形器を使用してECGデータ及び第1の情報を分析してECGデータを修正し、複数の入力を生成し、分類ニューラルネットワークを使用して複数の入力を分析する。更には、コンピュータ化されたシステムは、分類ニューラルネットワークを使用して複数の出力を決定する。複数の出力のそれぞれの出力は、複数の入力の1つの入力に対応する。更には、コンピュータ化されたシステムは、コンバイナを使用して複数の出力を分析して、心房細動の確率、及び心房細動の確率の精度を示す信頼度スコアを決定する。コンバイナは、複数の出力を平均することによって、平均値を決定する。コンバイナは、複数の出力の最小値を決定する。コンバイナは、複数の出力の最大値を決定する。入力変形器は、float値を使用してECGデータを増幅するために、増幅変形を実行する。入力変形器は、ECGデータを時間的にワーピングするために、伸張変形を実行する。
[0041] 上述の要約は、単に例示的であり、どのようにも限定的であるよう意図されていない。上述の例示的な態様、実施形態、及び特徴に加え、以降の図面及び詳細な実施形態を参照することにより、更なる態様、実施形態、及び特徴が明らかとなろう。
[0063] 本発明の前述の特徴及び他の特徴は、添付の図面と併せて、以下の説明及び添付の特許請求の範囲から明らかとなろう。これらの図面は、本開示による、いくつかの実施形態を描いているにすぎず、したがって本開示の範囲を限定するように考えられてはならないことを理解されたい。本開示は、添付の図面を使用することにより、更なる具体性と詳細を用いて説明される。
[0064] 本発明は、医用グレードの人工知能を有し、システムデバイス上で実行されるECGアプリケーションとサーバ上で実行されるECGプラットフォームとを伴う心電図(ECG)処理システムを対象とする。ECGアプリケーション及びECGプラットフォームは、機械学習アルゴリズムを使用してECGデータを処理及び分析して、不整脈及び/又は心房細動(AFib)を含む異常性などの心イベントを検出及び/又は予測するECG処理システムを実装する。システムは、心信号の描画、並びに様々な異常、状態、及び記述子の分類を実現する。サーバは、システムデバイスとは異なる場所に配置することができ、サーバ同士は、互いに物理的に同じ場所に配置する必要はない(例えば、サーバは遠隔サーバであってもよい)。代替的に、サーバ及びシステムデバイスは、同じ一般的なエリア(例えば、ローカルエリアネットワーク(LAN)上)に配置してもよい。ECGプラットフォームは、ECGデータをクラウドで処理及び分析することによってECG処理システムを実装する、クラウドベースのECGプラットフォームであってもよい。
[0065] ECG処理システムを実装するために、システムデバイス上で実行中のECGアプリケーションは、感知デバイスからECGデータ(つまり、心信号)を受信し、ECGデータを、サーバで実行中のECGプラットフォームに送信する。ECGプラットフォームは、第1及び第2のニューラルネットワークを実行し、ECGデータを第1及び第2のニューラルネットワークに適用する。第1のニューラルネットワークは、機械学習の機能性を有する描画ニューラルネットワークである。第2のニューラルネットワークは、機械学習の機能性を有する分類ニューラルネットワークである。第1及び/又は第2のニューラルネットワークの出力は、ECGプラットフォームによって処理されて、ECGデータの描画と分類とを実現する。ECGデータ及び/又はECGプラットフォームによって生成されるデータは、ECGプラットフォームからECGアプリケーションに通信される。ECGアプリケーションは、ECGデータ及び/又はECGプラットフォームによって生成されるデータを、対話的な様式で表示させる。ECGプラットフォームは、ECGデータ及び/又はECGプラットフォームによって生成されるデータを含むレポートを生成し、レポートをECGアプリケーションに通信する。
[0066] 次に図2を参照すると、心電図(ECG)処理システム10を実行するための例示的なコンポーネントが図示される。図2は、ECG感知デバイス13、システムデバイス14、サーバ15、及びドライブ16を示す。
[0067] ECG感知デバイス13は、ECGデータを生成する、心臓の電気的な活動を感知するように設計される。例えば、感知デバイス13は、1つ又は複数の誘導に配置される1つ又は複数の電極である。ECG感知デバイス13は、従来型の12誘導配置構成などのECG専用の感知デバイスであってもよいし、ECG生成用に心臓の電気的な活動を感知するための感知ハードウェアを伴う多目的のデバイス、例えばカリフォルニア州クパチーノ市Apple社から市販されているApple Watchなどであってもよい。感知デバイス13は、患者の胸部及び/又は患者の手足の表面に配置する。感知デバイス13は、感知デバイス13によって感知された電気信号がECGアプリケーション29によって受信されるように、ECGアプリケーション29を実行中のシステムデバイス14と電気的に通信する。ECGアプリケーション29は、感知デバイス13にECGデータを感知又は取得させる命令を含む。
[0068] システムデバイス14は、図3Aを参照して後述するコンポーネント及び本明細書で説明される機能性を有する1つ又は複数のコンピューティングデバイス(例えば、ラップトップ、デスクトップ、タブレット、スマートフォン、スマートウォッチなど)であることが好ましい。ECGアプリケーション29を実行中のシステムデバイス14は、よく知られた有線又は無線接続を介して、ECGプラットフォーム37を実行中のサーバ15に接続する。例えば、システムデバイス14は、よく知られた技術(例えば、WiFi、セルラ、ケーブル/同軸、及び/又はDSL)を使用して、インターネットに接続し、インターネット上でサーバ15と通信する。
[0069] サーバ15は、図3Bを参照して以下で説明されるコンポーネント及び本明細書で説明される機能性を有する1つ又は複数のサーバであることが好ましい。サーバ15は、1秒当たり少なくとも20サンプル、1秒当たり少なくとも250サンプル、又は1秒当たり少なくとも1000サンプルなど、所定のしきい値より高いサンプリングレートを有する心信号をサーバ15が処理及び分析することができるように、システムデバイス14を上回る処理能力を有することが好ましい。当業者であれば容易に分かるように、サーバ15は、共通の物理的な場所に、又は異なる物理的な場所に配置される、複数のサーバを含む。好ましい実施形態では、サーバ15は、システムデバイス14とは異なる遠隔の場所(例えば、クラウド上)に配置されるが、サーバ15とシステムデバイス14とは、共通の場所(例えば、ローカルエリアネットワーク(LAN)上)に配置されてもよい。
[0070] サーバ15は、任意選択で、特定の患者、専門家、施設及び/又はデバイスに特有のデジタル情報を記憶するために特化したメモリを有する1つ又は複数のドライブである、ドライブ16と通信する。例えば、ドライブ16は、揮発性(例えば、ランダムアクセスメモリ(RAM))、非揮発性(例えば、読み取り専用メモリ(ROM))、フラッシュメモリ、又はそれらのあらゆる組合せであってもよいが、それらに限定されない。ドライブ16は、サーバ15に組み込まれてもよいし、サーバ15とは別個で異なっていてもよく、よく知られた無線又は有線接続を介してサーバ15と通信する。
[0071] ECG処理システム10及び/又は本出願を通じて説明されるあらゆる他のECG処理システムの態様は、WO2020161605A1で説明されるECG処理システムと同一であるか類似しており、WO2020161605A1は、2020年2月3日に提出されたPCT/IB2020/050850の公開出願(米国特許出願第17/390,714号に対応する)であり、Liへの米国特許第10,959,660号に対する優先権を主張するものであり、それらのそれぞれの内容全体が参照により本明細書に組み込まれる。
[0072] 次に図3A~図3Bを参照すると、システムデバイス14及びサーバ15のハードウェアコンポーネント及びソフトウェアコンポーネントを表現する例示的な機能ブロックが示される。次に図3Aを参照すると、システムデバイス14のハードウェアコンポーネント及びソフトウェアコンポーネントは、1つ又は複数の処理ユニット21、メモリ22、記憶装置27、通信ユニット23、電源24、入力デバイス25、及び出力デバイス26を含む。
[0073] 処理ユニット31は、連携オペレーティングシステム28及びECGアプリケーション29を実行し、本明細書で説明されるシステムデバイス14のタスク及び動作を実行するように構成される1つ又は複数のプロセッサである。メモリ22は、揮発性(例えば、ランダムアクセスメモリ(RAM))、非揮発性(例えば、読み取り専用メモリ(ROM))、フラッシュメモリ又はそれらのあらゆる組合せであってもよいが、それらに限定されない。通信ユニット23は、限定はしないが感知デバイス13及びサーバ15を含むECG処理システム10内の他のコンポーネントから、及びコンポーネントに、情報を受信及び/又は送信する。通信ユニット23は、いずれかのIEEE802標準などのあらゆるよく知られた規格を含む、あらゆるよく知られた有線又は無線接続で通信を促進する、あらゆるよく知られた通信インフラストラクチャである。電源24は、バッテリーであってもよいし、システムデバイス14をコンセント又はあらゆる他の外部電源に接続してもよい。記憶装置27は、例えば磁気ディスク、光学ディスク、又はテープなどのリムーバブル及び/又は非リムーバブルの記憶装置であってもよいが、それらに限定されない。
[0074] 入力デバイス25は、システムデバイス14に結合されるか組み込まれる、システムデバイス14にデータを入力するための1つ又は複数のデバイスである。入力デバイス25は、キーボード、マウス、ペン、サウンド入力デバイス(例えば、マイクロフォン)、タッチ入力デバイス(例えば、タッチパッド又はタッチスクリーン)、場所センサ、及び/又はカメラなどを更に含む。出力デバイス26は、システムデバイス14に結合されるか組み込まれ、データを出力するか、そうでなければ表示するためのあらゆるデバイスであり、少なくともディスプレイ17を含む。出力デバイス26は、例えばスピーカ及び/又はプリンタを更に含む。
[0075] ECGアプリケーション29は、記憶装置27に記憶され、処理ユニット21で実行される。ECGアプリケーション29は、感知デバイス13及びサーバ15との情報のやり取りを促進することを含め、本明細書で説明されるシステムデバイス14の動作を実行するために好適な、1つ又は複数の命令のセットを有するソフトウェアアプリケーション及び/又はソフトウェアモジュールである。例えば、ECGアプリケーション29は、システムデバイス14に、感知デバイス13からECGデータを受信すること、感知デバイス13からのECGデータを記録すること、ECGデータをサーバ15に通信すること、ECGデータを処理及び分析するようサーバ15に命令すること、処理及び/又は分析されたECGデータをサーバ15から受信すること、レポート生成に関するユーザ入力をサーバに通信する通信すること、並びに、生の分析及び/又は処理されたECGデータ及びそれに関するデータを表示するために好適なグラフィックユーザインターフェースを生成することを行わせる。
[0076] オペレーティングシステム28は、記憶装置27に記憶され、処理ユニット21で実行される。オペレーティングシステム28は、システムデバイス14の全般的な動作を制御するために好適であり、ECGアプリケーション29と協調的に動作して本明細書で説明されるシステムデバイス14の機能性を実現する。システムデバイス14はまた、グラフィックライブラリ、他のオペレーティングシステム、及び/又はあらゆる他のアプリケーションプログラムを、任意選択で実行する。もちろん、システムデバイス14は、図3Aで図示されるようなコンポーネントよりも多くの、又はそれよりも少ないコンポーネントを含むこと、またそれぞれのタイプのコンポーネントを複数含むことを理解されたい。
[0077] 次に図3Bを参照すると、サーバ15のハードウェアコンポーネント及びソフトウェアコンポーネントは、1つ又は複数の処理ユニット31、メモリ32、記憶装置35、電源33、及び通信ユニット34を含む。処理ユニット31は、オペレーティングシステム36及びECGプラットフォーム37を実行し、本明細書で説明されるサーバ15のタスク及び動作を実行するように構成される1つ又は複数のプロセッサである。処理ユニット31に割振られるデータ及び処理タスクのボリュームを考えると、処理ユニット31は、処理ユニット21と比較して、それを上回る処理能力を有することを理解されたい。
[0078] メモリ32は、揮発性(例えば、ランダムアクセスメモリ(RAM))、非揮発性(例えば、読み取り専用メモリ(ROM))、フラッシュメモリ又はそれらのあらゆる組合せであってもよいが、それらに限定されない。記憶装置35は、例えば磁気ディスク、光学ディスク、又はテープなどのリムーバブル及び/又は非リムーバブルの記憶装置であってもよいが、それらに限定されない。通信ユニット34は、限定はしないがシステムデバイス14及び/又はドライブ16を含むECG処理システム10の他のコンポーネントから、及びコンポーネントに、情報を受信及び/又は送信する。通信ユニット34は、あらゆるよく知られた有線又は無線接続上で通信を促進する、あらゆるよく知られた通信インフラストラクチャである。電源33は、バッテリーであってもよいし、サーバ15をコンセント又は他の外部電源に接続してもよい。
[0079] オペレーティングシステム36及びECGプラットフォーム37は、記憶装置35に記憶され、処理ユニット31で実行される。オペレーティングシステム36は、サーバ15の全般的な動作を制御するために好適である。ECGプラットフォーム37は、1つ又は複数の命令のセットを有するソフトウェアアプリケーション及び/又はソフトウェアモジュールである。ECGプラットフォーム37は、システムデバイス14から受信したECGデータの処理と分析、レポート生成を促進及び監視し、それ以外では本明細書で説明されるサーバ15の動作を実行するために好適である。
[0080] ECGプラットフォーム37は、限定はしないが、プリプロセッサ38、描画器39、分類器41、埋め込み器48とグルーパ49とを含むクラスタラ42、ポストプロセッサ43、レポート生成器44、再計算機40及び/又はシーケンスアナライザ50を含む、いくつかのサブモジュール及び/又はアプリケーションを含む場合がある。それぞれのサブモジュール及び/又はアプリケーションは、1つ又は複数の命令のセットを有する別個のソフトウェアアプリケーション及び/又はソフトウェアモジュールである。プリプロセッサ38は、生のECGデータを前処理し、描画器39は描画を実現するよう第1のニューラルネットワークを実行し、分類器41は、分類を実現するよう第2のニューラルネットワークを実行し、クラスタラ42は第1のニューラルネットワークによって処理されたデータ中のクラスタを識別し、ポストプロセッサ43は、第2のニューラルネットワークによって処理されたデータを後処理し、埋め込み器48は、埋め込みを実現するよう1つ又は複数のアルゴリズム及び/又は第3のニューラルネットワークを実行し、グルーパ49はクラスタグループを生成するよう1つ若しくは複数のアルゴリズム及び/又は第4のニューラルネットワークを実行し、レポート生成器44は、生のECGデータ及びECGプラットフォーム37によって処理されたECGデータに基づいてレポートを生成し、再計算機40はユーザ入力データに基づいて埋め込み器48及び/又はグルーパ49を再計算及び/又は調節する。例えば、再計算機40は、補正された波形情報に基づいて症状発現を再計算する。シーケンスアナライザ50は、再帰ニューラルネットワークであり得る1つ若しくは複数のアルゴリズム及び/又は第3のニューラルネットワークである。シーケンスアナライザ50は、特徴マップを分析して1つ又は複数のシーケンスラベルを決定し、それによって以下で説明するようにシーケンス識別を実現する。ECGプラットフォーム37はまた、システムデバイス14から要求を受信してECGデータを処理及び/若しくは分析すること、処理及び/若しくは分析されたECGデータをシステムデバイス14に通信すること、要求を受信してレポートを生成すること、ユーザ対話及び/若しくは命令をシステムデバイス14に要求すること及び/若しくはシステムデバイス14から受信すること、レポート生成に関してユーザ入力データ及び/若しくは命令情報をシステムデバイス14から受信すること、並びに/又はレポートをシステムデバイス14に通信することを含むが、それらに限定されない、様々な他の機能を実行する。
[0081] サーバ15はまた、グラフィックライブラリ、他のオペレーティングシステム、及び/又はあらゆる他のアプリケーションプログラムを、任意選択で実行する。もちろん、サーバ15は、図3Bで図示されるようなコンポーネントよりも多くの、又はそれよりも少ないコンポーネントを含むこと、またそれぞれのタイプのコンポーネントを複数含むことを理解されたい。
[0082] 図4は、ECGデータを受信して記録することと、ECGデータを処理して分析することと、ECGデータを含むレポートを生成することとのために、ECG処理システム10を実装するための例示のプロセスを図示しており、ECG処理システム10のフロントエンド45とバックエンド46との間の情報のフローを更に示す。これらは、例えば、米国特許第10,959,660号、米国特許第10,779,744号、及び米国特許第10,426,364号で説明される通りであり、その内容全体が参照により本明細書に組み込まれる。フロントエンド45は、システムデバイス14で実行する少なくともECGアプリケーション29を含む。バックエンド46は、サーバ15で実行する少なくともECGプラットフォーム37を含む。
[0083] 図4に示されるように、ステップ51では、ECGアプリケーション29は、システムデバイス14に、感知デバイス13から生のECGデータ52を受信及び/又は取得させる。例えば、ECGアプリケーション29は、感知デバイス13に心信号を感知させ、感知デバイス13によって感知された心信号をシステムデバイス14に通信する。生のECGデータは、感知デバイス13によって感知された心信号である。生のECGデータ52は、ECG処理システム10によって処理又は分析されていない。生のECGデータ52は、複数回の心拍に渡って1心拍数当たり複数回サンプリングされたデータを含むことが好ましい。感知デバイス13がアナログの心信号をデジタル信号に変換してもよいし、図2には示されていない別のコンポーネントがアナログの心信号をデジタル信号に変換してもよいし、ECGアプリケーション29がシステムデバイス14にアナログの心信号をデジタル信号に変換させてもよいことを理解されたい。本明細書では、アナログ及びデジタルの両方の形態の生のECGデータを、生のECGデータ52と称する。
[0084] ECGアプリケーション29は、生のECGデータ52を受信すると、システムデバイス14に生のECGデータ52を記録させ、任意選択で、生のECGデータ52の一部又はすべてをシステムデバイス14に保存する。上で説明したように、信号は1つ又は複数の誘導に対応する。複数の誘導が使用される場合、すべての誘導が同時に処理される。各誘導によって生成される心信号は、異なる長さを有することを理解されたい。心信号は、短時間(例えば、標準的なECGで10秒)である場合もあるし、長時間(ホルタで数日間)である場合もあることを、更に理解されたい。システムデバイス14は、任意選択で、生のECGデータ52又はその一部をディスプレイ17に表示する。
[0085] 図4に示されるように、生のECGデータ52は、フロントエンド45からバックエンド46に送信される。具体的には、ECGアプリケーション29によって、システムデバイス14は、生のECGデータ52をサーバ15で実行中のECGプラットフォーム37に通信する。ECGプラットフォーム37は、生のECGデータ52を受信すると、サーバ15に、生のECGデータ52の一部又はすべてをサーバ15に保存させる。更には、生のECGデータ52を受信した後、ECGプラットフォーム37は、ステップ54において、プリプロセッサ38に生のECGデータ52を前処理させる。プリプロセッサ38は、ECGプラットフォーム37のスタンドアロンのコンポーネントであってもよいし、描画器39のサブコンポーネントであってもよいことを理解されたい。
[0086] プリプロセッサ38は、ノイズなどの心信号の邪魔な要素を生のECGデータから除去することによって、生のECGデータ52又はその一部を処理する。ノイズのフィルタリングには、多変関数データ分析手法が使用される(Pigoli及びSangalli、Computational Statistics and Data Analysis、56巻、2012年、1482~1498ページ)。感知デバイス13によって感知される信号は、患者の動きによって変動するため、生のECGデータ52のベースライン周波数がプリプロセッサ38によって除去され、心信号は選択された周波数で表現される。患者の動きに相当する信号の周波数は、メジアンフィルタリングを使用して除去される(Kaurら、International Journal of Computer Applications発行のProceedings、2011年、30~36ページ)。生のECGデータ52をプリプロセッサ38に適用することで、前処理済ECGデータ55が生成される。この時点で、ECGプラットフォーム37によって、前処理済ECGデータ55は、ディスプレイ17での表示のために、任意選択で、システムデバイス14で実行中のECGアプリケーション29に通信される。代替的に又は追加的に、ECGプラットフォーム37によって、前処理済ECGデータ55は、分類ステップ58において入力として使用される。これは詳細に考察される。
[0087] ステップ56では、ECGプラットフォーム37によって、前処理済ECGデータ55は、描画のために描画器39に適用される。描画器39は、描画ニューラルネットワークである第1のニューラルネットワークを、前処理済ECGデータ55に適用する。ニューラルネットワークとは、オブジェクト(例えば、行列又はベクトル)を入力として、レイヤと呼ばれる線形及び非線形の演算のセットを通じて別のオブジェクトを出力として作り出す、数学的な構造又はアルゴリズムを指す。例えば、第1のニューラルネットワークの入力は、ノイズ及び/又はベースラインの遊走を除去するよう前処理された、1つ又は複数の多誘導心信号である。
[0088] 前処理済ECGデータ55を第1のニューラルネットワークに適用するために、描画器39によって、生のECGデータ52の一部又はすべては、行列Xとして表現される。ただし、行列Xは、実数の行列である。例えば、行列Xは、以下でより詳細に説明する、ネットワークを訓練するために使用される周波数における、大きさがm×nの行列である。定数「m」は、感知デバイス13の誘導の数であり、典型的には12であるが、あらゆる数の誘導が使用される。この例では、サンプルの数「n」は、心信号の持続期間「n/f」を与え、ここでfは心信号のサンプリング周波数である。サンプリングレートは、所定のレートより高く、1秒当たり少なくとも20、少なくとも250、少なくとも500、又は少なくとも1000サンプルなど、比較的高いことが好ましい。一実施形態において、サンプリングされたECGデータのすべては、処理アルゴリズムへの入力のために、ECGデータをフィルタリングすることなくサーバに転送される。第1のニューラルネットワークに適用されるECGデータは前処理済ECGデータ55であることが好ましいが、前処理されない心信号(つまり、生のECGデータ52又はその一部)が第1のニューラルネットワークに適用されてもよいことを理解されたい。
[0089] 第1のニューラルネットワークは、出力として、心信号において複数の時間ポイントにおける1つ又は複数の波の存在の可能性に対応する値を与える。時間ポイントは、生のECGデータによって定められてもよいし、システムデバイス14のユーザによって選択されてもよいし、予めプログラムされていてもよい。第1のニューラルネットワークは、畳み込みニューラルネットワークであり、完全畳み込みニューラルネットワークであることが好ましい。畳み込みニューラルネットワークは、学習される1つ又は複数の行列が入力要素の全線形結合をエンコードするのではなく、畳み込みを通じて心信号などの構造化された信号のすべての要素において同一の局所線形結合をエンコードする(Fukushima、Biol.Cybernetics、36巻、1980年、193~202ページ、LeCunら、Neural Computation、1巻、1989年、541~551ページ)、特定のタイプのニューラルネットワークである。畳み込みネットワークのみを含むネットワークを、完全畳み込みニューラルネットワークと呼ぶ。
[0090] したがって、ステップ56では、描画器39によって、第1のニューラルネットワークは、心信号の各時間ポイントを読み取り、心信号の各時間ポイントを空間-時間的に分析し、1つ又は複数のタイプの波に対応する各時間ポイントにスコアを割振る。このやり方で、心信号中のすべてのタイプの波が分析され、各時間ポイントにおいて、それらの存在の可能性が単一ステップで定量化される。したがって、描画器39によって生成される各スコアは、心信号の所与の時間ポイントにおける、特定の波タイプの存在の可能性を示す。波タイプは、例えば、P波、Q波、R波、S波、複数のQ波、複数のR波、複数のS波、QRS波群、及び/又は複数のT波などの、あらゆるよく知られた波タイプである。このやり方で、描画器39は、複数の心拍に渡って、1心拍当たり複数回サンプリングされたデータを処理する。
[0091] 第1のニューラルネットワークの出力は、行列Yである。ただし、行列Yは、実数の行列である。例えば、行列Yは、大きさがp×nの行列である。行列Yは、心信号の各時間ポイントにおいて、波のタイプごとのスコアを含む。行列Yでは、「n」は行列Xに関して上で考察したようなサンプル数であり、「p」は波タイプの数に波の特徴付けの数を加えたものである。以下で更に詳細に説明するが、波の特徴付けは、例えば、心信号における伝導性、期外性、異所性、及び/又は波の発生源に相当する。一例では、波タイプには(1)P波、(2)QRS波群、及び(3)T波があり、波の特徴付けには(1)期外波、(2)ペーシング波、(3)心室性QRS波群、(4)接合部QRS波群、(5)異所性P波、及び(6)非伝導性P波がある。したがって、この例では、p=3+6=9となる。各波タイプは、開始ポイント及び終了ポイント(つまり、発生及び消失)など、その波の特定の特性にしたがって表現される。
[0092] 次に、図5A及び図5Bを参照すると、第1のニューラルネットワークの例示的な出力が、複数のタイプの波に対応する、各時間ポイントにおけるスコアを生成する値を図示するために、各波タイプについてグラフ化されている。具体的には、図5Aは、描画ニューラルネットワークが正常な(異常性がない)心信号を処理した場合の例示的な出力を図示しており、図5Bは、描画ニューラルネットワークが、例えば房室伝導ブロックによる「隠れ」P波を有する心信号を処理した場合の例示的な出力を図示している。
[0093] 次に図5Aを参照すると、4つの線グラフが図示されており、それぞれのグラフはx軸に時間を示す。線グラフ71は、複数の拍動に渡る心信号を表現している。プロットされた信号は、P波(ポイント75)、QRS波群(ポイント76)、及びT波(ポイント77)を有する、よく知られたECG波形を反映している。線グラフ72は、心信号における同一時間ポイントでのP波スコアのグラフである。同様に、線グラフ73と線グラフ74は、同一時間ポイントでのそれぞれのQRSスコアとT波スコアのグラフである。各線グラフ72~74のy軸は、各時間ポイントに割振られた、範囲0~1のスコアである。0は特定の波の存在の可能性が低いことを示し、1は特定の波の存在の可能性が高いことを示している。例えば、線グラフ72は、ポイント75近くの時間ポイントに対応するスコア78において、P波の存在の可能性が非常に高いことを示しており、線グラフ73は、ポイント76近くの時間ポイントに対応するスコア79において、QRS波群の存在の可能性が非常に高いことを示しており、線グラフ74は、ポイント77近くの時間ポイントに対応するスコア80において、T波の存在の可能性が非常に高いことを示している。
[0094] 図5A同様、図5Bは、グラフ71~74に類似した、4つの線グラフ、線グラフ81~82を図示している。具体的には、線グラフ81はいくつかの拍動での心信号を表し、線グラフ82はその心信号でのP波スコアを表し、線グラフ83はその心信号でのQRSスコアを表し、線グラフ84はその心信号でのT波スコアを図示する。図5Aとは異なり、線グラフ81のECG信号は、ポイント85で示される隠れたP波のように、隠れたP波を含む。隠れたP波は、別の波又はT波のような波群の間に生じるP波である。描画ネットワークによって処理される心信号は、高いサンプリングレートを伴い、描画ネットワークは、各時間ポイントにおいて各波タイプについてのデータを生成するため、回復される出力は、隠れたP波の事例など、同時に生じる2つの波を識別するのに十分にロバストである。例えば、線グラフ82は、ポイント85近くの時間ポイントに対応するスコア86において、P波の存在の可能性が非常に高いことを示している。したがって、描画ニューラルネットワークは、各時間ポイントにおいて1つの波だけを回復することに限定されず、そのためどの時間ポイントにおいてもいくつかの波を識別することができることを理解されたい。1つ又は複数のリードからの信号は、第1のニューラルネットワークによって同時に処理されることを更に理解されたい。
[0095] 各波タイプに対応する各時間ポイントに割振られたスコアを使用して(例えば、P波、QRS波群、T波など)、描画器39は、心信号を後処理する。後処理は、各時間ポイントに対して、1つ若しくは複数の波を割振ること又は波を1つも割振らないこと、識別された波のそれぞれの発生と消失とを計算すること、及び任意選択で波の特徴付けを決定することを含む。波は、ある特定の値が達成される場合、各時間ポイントに波が存在すると判定することによって、その時間ポイントに割振られる。各波の「発生」及び「消失」を計算することには、心信号における各波の始まり及び終わりの時間ポイントを計算することを伴い、始まりを「発生」と称し、終わりを「消失」と称する。これには、各波タイプについて最高値の始まりと終わりとに対応する時間ポイントを分析することが伴う。描画器39は、期外性、伝導性、及び異所性を識別することによって波を特徴付ける。波の特徴付けは、各波の間及び/又は各拍動の間の、コンテキスト的な情報を活用する。例えば、特定の時間ポイントにおいて特定のしきい値が達成されると、又は複数の時間ポイントにかけてある平均値が達成されると、期外性のラベルが波に付けられる。
[0096] 心信号において、各波タイプの発生と消失とを計算した後、描画器39は、グローバル測定値を計算する。グローバル測定値は、各波タイプの発生と消失とから導出され、波同士の間隔及び波持続時間など、心信号の特徴及び特性に関連する。例えば、グローバル測定には、PR時間、P波持続時間、QRS波群持続時間、QRS軸、QT時間、補正QT時間(Qtc)、T波持続時間、JT時間、補正JT時間、心拍数、ST上昇、Sokolov index、心室性期外収縮の回数、心房性期外収縮(PAC)の回数、非伝導性P波の比率、及び/又はペーシング波の比率があるが、それらに限定されない。
[0097] 描画器39は、描画器39によって生成された情報のみからラベルを更に演繹する。例えば、以下のラベルは描画器39によって演繹される:PR時間短縮(つまり、PR時間<120ms)、I度AVブロック(例えば、PR時間>200ms)、軸偏位、QTc延長、QTc短縮、幅の広い波群頻脈、及び/又は心室内伝導ブロック。描画器39によって生成された情報のみから判定されたラベルは、描画ベースラベルと称される。
[0098] 再度図4を参照すると、ECGプラットフォーム37によって、ステップ56の出力(例えば、波形情報62)、及び前処理済ECGデータ55は、ステップ63でのクラスタリングのために、クラスタラ42に通信又は適用される。波形情報62は、生成される発生及び消失並びに関連持続時間を含め、PVC波及びPAC波に関するスコアを含む。クラスタラ42は、波形情報62を処理し、心信号の持続時間中のPAC波又はPAV波の間クラスタを識別する。識別してしまうと、クラスタラ42は、クラスタラベル64を1つ又は複数の時間ウィンドウに割振り、各時間ウィンドウについてPVCか、それともPACか識別する。時間ウィンドウは、心信号における2つの時間ポイントによって定められる。
[0099] 再度図4を参照すると、ECGプラットフォーム37によって更に、ステップ56の出力(例えば、波形情報57)及び前処理済ECGデータ55は、ステップ58での分類のために、分類器41に通信又は適用される。ステップ58における分類は、第2のニューラルネットワーク(つまり、分類ニューラルネットワーク)を前処理済ECGデータ55に適用することを伴う。したがって、一例では、第2のニューラルネットワークの入力は、長さが可変で前処理された1つ又は複数の多誘導心信号である。分類器41はまた、波形情報57及び/又は患者の年齢若しくはあらゆる関連臨床情報を含む患者特有の情報など他の情報を処理する。上述したように、ステップ56において描画が必要ない場合、ECGプラットフォーム37によって、前処理済ECGデータ55は、任意選択で分類器41に直接通信され、分類器41によって処理される。このやり方で、分類器41は、複数の心拍に渡って、1心拍当たり複数回サンプリングされたデータを処理する。
[0100] 第2のニューラルネットワークは、心信号の各時間ポイントにおいて、1つ又は複数の異常性、状態、及び/又は記述子の存在の可能性に対応する値を有する出力を生成する。時間ポイント又は時間ウィンドウが特定の異常性、状態、及び/又は記述子に対応すると判定された場合、その異常性、状態、及び/又は記述子に対応するラベルは、その時間ポイント又はウィンドウに割振られる。一例では、1つ又は複数のラベル59は、スコアが所定のしきい値を達成する場合、時間ポイント又は時間ウィンドウに割振られる。したがって、各時間ポイントにおいて複数の値を生成し、1つ又は複数のラベルを各時間ポイントに割振ることによって、多ラベルの局所化が、異常性、状態、及び/又は記述子について達成される。
[0101] 分類器41は、分類ニューラルネットワークの出力を大きさがqのベクトルとして回復する。ベクトル中の値は、各時間ポイント又は各時間ウィンドウにおける、各ラベルの存在に対応する。例えば、分類ニューラルネットワークの出力は、ベクトル[0.98:0.89;0.00]であり、ベクトルの要素ごとに「右脚ブロック」、「心房細動」、「正常ECG」の対応ラベルを有する。スコアは0から1の間である。上のベクトルでは、しきい値0.5の場合、ラベル「右脚ブロック」及び「心房細動」が、分類器41によって、そのスコアに対応する時間ポイント又は時間ウィンドウに割振られる。しきい値は、予めプログラムされていてもよいし、及び/又はユーザによって選択されてもよく、様々な程度の感度及び特異性を与えるように修正されてもよいことを理解されたい。各時間ポイントに1つ又は複数のラベルを割振ることによって、各ラベルに対応する発生及び消失が計算され、症状発現(例えば、異常性の症状発現)の持続時間を識別する。
[0102] 異常性及び状態には、心信号で識別可能なあらゆる生理学的な異常性又は状態が含まれる。現在では、約150の測定可能な異常性が、心信号の記録で識別される。異常性及び状態としては、洞房ブロック、麻痺又は停止、心房細動、心房粗動、心房性頻脈、接合部頻脈、上室性頻脈、洞性頻脈、心室性頻脈、ペースメーカ、心室性期外収縮、心房性期外収縮、I度房室ブロック(AVB)、II度AVB Mobitz I、II度AVB Mobitz II、III度AVB、ウォルフ・パーキンソン・ホワイト症候群、左脚ブロック、右脚ブロック、心室内伝導遅延、左室肥大、右室肥大、急性心筋梗塞、陳旧性心筋梗塞、虚血、高カリウム血症、低カリウム血症、ブルガダ症候群、及び/又はQTc延長を挙げることができるが、それらに限定されない。記述子は、「正常」又は「ノイズが多いECG」など、心信号の説明的な性質を含む。
[0103] 分類器41は、ステップ58において、第2のニューラルネットワークを適用すると、心信号の各時間ポイント及び各グローバル測定値を読み取り、心信号の各時間ポイント及び各グローバル測定値を分析し、少なくとも2つの時間ポイントを集約することによって時間ウィンドウを計算し、各時間ウィンドウについてのスコアを計算する。スコアは、複数の非排他的なラベルに対応する。
[0104] 分類ニューラルネットワークは、畳み込みニューラルネットワーク又は再帰ニューラルネットワークである。次に図6Aを参照すると、畳み込みニューラルネットワークの形態の分類ニューラルネットワークがECG信号に適用されて、図示されている。ほとんどの畳み込みニューラルネットワークは、分類を与えるために、いくつかの畳み込み層を実行し、次いで標準層を実行する。ECG信号は、ネットワークへの入力として与えられ、ネットワークは、情報を局所的に集約して、ECGの高次多ラベル分類を作り出すよう、層ごとに結合する。各ラベルには、スコアが与えられる。図6に示される畳み込みニューラルネットワークのラベルは、心房細動(AFIB)、右脚ブロック(RBBB)、及び心室性期外収縮(PVC)である。
[0105] 次に図6Bを参照すると、再帰型の畳み込みニューラルネットワークの形態の分類ニューラルネットワークが図示されている。図6Aと同様に、ECG信号がネットワークへの入力として与えられる。再帰型の畳み込みニューラルネットワークは、適用されたことがある以前のオブジェクトの記憶を維持することができる、特定の畳み込みニューラルネットワークの構造を指す。再帰的な畳み込みニューラルネットワークは、2つのサブネットワーク:特徴を抽出し、心信号のすべての時間ポイントで計算される畳み込みニューラルネットワーク、及びその上位のニューラルネットワークであり、改良された出力を与えるために畳み込みニューラルネットワークの出力を時間を通じて蓄積するニューラルネットワークから構成される。このやり方で、畳み込みニューラルネットワークは、出力が再帰ニューラルネットワークによって時間的に蓄積されるパターン検出器として機能する。
[0106] 図6Bに示されるように、畳み込みニューラルネットワークの出力は、様々な時間ポイントにおいて、心室性期外収縮(PVC)と正常(Normal)とを含む4つのラベルを識別した。これらのラベルは、次いで第2のニューラルネットワークに適用され、改善された出力「心室性期外収縮」を作り出した。この例では、ネットワークは、信号の第1の部分で心室性期外収縮(PVC、第5の最大拍動)を正確に認識したが、信号の第2の部分では正常と考えた。心信号が異常性を含んでおり、そのため、正常とは考えられず、したがって蓄積される出力は、PVCである。
[0107] 第1のニューラルネットワーク(つまり、描画ニューラルネットワーク)及び第2のニューラルネットワーク(つまり、分類ニューラルネットワーク)は、本明細書で説明される挙動と機能性とを実現するよう訓練される必要がある。描画及び分類の実施形態の両方で、ネットワークは、例えば、Tensorflow、Theano、Caffe又はTorchなどのオープンソフトウェアを使用して表現されてもよい。これらのツールは、ネットワークの出力を計算するための、及び勾配降下を通じてそれらのパラメータを更新するための機能を提供する。
[0108] ニューラルネットワークの訓練は、心信号を含む膨大なデータセット及びニューラルネットワークに対する既知の出力を適用することを伴う。本明細書で説明されるシステム及び方法を使用して複数の患者から収集した心信号を含むデータセットのデータベースは、サーバ15及び/又はドライブ16に(例えば、クラウドに)記憶される。データベースのデータセットは、処理のためのシステムに入力される新しい心信号を分析するためにサーバ15によって使用される。好ましい実施形態では、訓練されるニューラルネットワークに適用されるあらゆる心信号は、ニューラルネットワークを訓練するために使用されるデータセット中の心信号と同一のサンプリングレート及び/又は周波数を有する。例えば、分類ニューラルネットワークの訓練は、心信号及びそれらの既知の描画を含むデータセットを用いて始められる。上述したように、心信号は、所定の周波数で、大きさがm×nの大きさの行列として表現される。例えば、ネットワークは、250Hz、500Hz、又は1000Hzで訓練されるが、どのような周波数も使用可能である。次いで、描画は、大きさがp×nの行列Yの形態で表現され、ここでpは波のタイプの数である。各波は、その開始ポイント及び終了ポイントによって表現され、例えば:(P,1.2s,1.3s),(QRS,1.4s1.7s),(T,1.7s,2.1s),(P,2.2s,2.3s)などである。この例では、行列Yの第1行は、P波に相当し、時間1.2s及び1.3sにおいて値1を、それ以外では、2.2s及び2.4sで0を有する。行列Yの第2行は、QRS波群に相当し、時間1.4s及び1.7sにおいて値1を、それ以外では0を有する。最後に、行列Yの第3行は、T波に相当し、時間2.2s及び2.3sにおいて値1を、それ以外では0を有する。次いで、ネットワークのパラメータは、既知の描画とネットワークの出力とを比較しながら、コスト関数を小さくするよう修正される。多ラベル付けを可能にするために、交差エントロピー誤差関数が使用される(つまり、所与の瞬間に複数の波を可能とする)。この最小化は、勾配ステップで行なわれ、データセットのそれぞれの心信号につき少なくとも1回前述のステップを反復する。描画ニューラルネットワーク(つまり、第2のニューラルネットワーク)を訓練するために、同様の手法が使用されてもよいことを理解されたい。
[0109] ECGプラットフォーム37によって、本明細書で説明されるニューラルネットワークは、異なる数の誘導をエントリに有する心信号を処理することを更に理解されたい。例えば、ニューラルネットワークは、入力誘導の数とは無関係なネットワークを得るために、ネットワークの始まりにおいて一連の層を含んでもよく、それによってあらゆる数mの誘導で心信号を処理することが可能である。例えば、図7は、2つの入力誘導(m=2)及び3つの出力信号(k=3)を図示している。しかしながら、同じ構造で、あらゆる数mの入力誘導を処理することが可能であり、やはり同一数の出力信号を与え、この出力信号は固定数の入力信号が必要とされるネットワークの他の部分に供給可能である。この理由のため、入力誘導の数は可変であり、固定される必要はない。
[0110] 図7に示されるように、m個の入力誘導からk個の信号を得るために、k個のフィルタによる誘導ごとの畳み込みを使用して、誘導の畳み込みが行なわれる。次いで、m個の誘導のk個のグループを得るために、信号は畳み込みフィルタによってグループ化され、最後に各グループに数学的な関数が適用されてk個の誘導を得る。数学的な関数は、各時間ポイントにおける最大のものであってもよいし、当業者に既知のあらゆる他の関数であってもよい。
[0111] 再度図4を参照すると、ステップ61では、ECGプラットフォーム37によって、各時間ウィンドウのラベル(つまり、ラベル)は、ポストプロセッサ43によって集約され、処理済みラベル60を生成する。ラベルは、描画に基づいてグローバル測定値から導出してもよい。例えば、I度房室ブロックに対応するラベルは、200msより長いPR時間から導出される。上で説明したように、PR時間は、描画に基づいたグローバル測定値である。ポストプロセッサ43はまた、描画ベースのラベルを、同じ時間ポイントに対応する分類ラベルと集約する。
[0112] ポストプロセッサ43はまた、ラベルをフィルタリングして、冗長なラベルを除去し、ラベルの既知の階層構造にしたがってラベルを組み立てるか、又は階層構造若しくは重み付けされた値にしたがってあまり重要ではないと分かっているラベルを無視する。ポストプロセッサ43はまた、各異常性の開始(発生)及び終了(消失)時間を計算するために、時間を通じてラベルを集約する。ポストプロセッサ43は、スタンドアロンのコンポーネントであってもよいし、分類器41のサブコンポーネントであってもよいことを理解されたい。
[0113] 図4に示されるように、ステップ54、56、58、61、及び任意選択で63において、ECGプラットフォーム37によってバックエンド46で生成された情報は、ECGプラットフォーム37によって、フロントエンド45のECGアプリケーション29に通信される。ステップ65では、ECGアプリケーション29によって、システムデバイス14のディスプレイ17に前述の情報が表示される。バックエンド46に生成される情報は、ECGプラットフォーム37によって自動的に送信されもよいし、情報は、ECGアプリケーション29によって要求されるまでECGプラットフォーム37によってサーバ15に記憶されてもよい。データが生成されると、ECGプラットフォーム37は、メッセージをECGアプリケーション29に送信し、ECGアプリケーション29にデータがECGプラットフォーム37から利用可能であることを知らせる。
[0114] ECGアプリケーション29は、データ(例えば、生のECGデータ、前処理済ECGデータ、波形情報、ラベル、並びにステップ54、56、58、61、及び/又は63の間に生成されたあらゆる他のデータ)を受信し、その内容全体が参照により本明細書に組み込まれる米国特許出願公開第2020/0022604号において説明されるように、システムデバイス14によって表示させる。具体的には、上述の特許出願公開は、ECG信号、ECG信号の特徴、及び/又はECG信号の記述子は、複数のフィールドディスプレイに対話的な様式で表示されてもよいと説明している。
[0115] 次に図8を参照すると、例示的なディスプレイである、対話的なディスプレイ101が図示されている。対話的なディスプレイ101は、第1のサイド102と第2のサイド103とを含む。第1のサイド102は、第2のグラフィックウィンドウ105及び第1のグラフィックウィンドウ104を更に含み、ECG信号に対応するデータを含むプロット110を有する。第1のグラフィックウィンドウ104は、ECG信号のグローバルなビューを与えるプロット110を含む。
[0116] 次に図9を参照すると、第1のグラフィックウィンドウ104の拡大図バージョンが図示される。この例示的なディスプレイでは、プロット110は、時間を通じたRR時間(2つのQRS波同士の間隔)のプロットである、RR時間プロットである。図9に示すように、第1のグラフィックウィンドウ104の上側領域は、複数のラベルボタン109を含む。各ラベルボタン109は、関連付けられるラベルを説明するテキストを有し、テキストはボタンの近くに表示される。ユーザによってラベルボタン109が選択された場合に、グラフィック部分111が、ラベルボタン109に関連付けられるラベルに対応する症状発現及び/又はイベントの存在を視覚的に示すためにプロット110に表示されるように、各ラベルボタン109には、色が関連付けられる。これは、ユーザに視覚的な参照を与え、心信号に沿った特定カテゴリのイベント及び/又は症状発現の容易な識別を可能にする。図9で図示される例示的なディスプレイには、第2のラベル112が含まれる。この例示的なディスプレイでは、第2のラベル112には、拍動ラベルPVC(心室性期外収縮)及びPSVC(上室性期外収縮)が含まれているが、他の第2のラベルが含まれてもよいことを理解されたい。ラベルPVC及びPSVCに関連付けられるプロット110におけるポイントは、図9に示されるように、黒ではない色のポイントの存在により色付けされる。
[0117] 第1のグラフィックウィンドウ104は、プロット110の時間軸と平行に、時間バー115を更に含む。時間バー115は、全ECG取得時間の線形な表現を与え、症状発現又はイベントに関連付けられる時間は、色付けされたセグメントとして表現される。図9に示されるように、時間バー115の濃灰色ゾーンは、ノイズが多い信号の時間に相当する(例えば、信号がアーチファクトされ過ぎ、分析アルゴリズムが描画及び適当な検知を提案できない場合)。第1のグラフィックウィンドウ104は、対話的なカーソル116を更に含む。ECGアプリケーション29を使用するユーザは、対話的なカーソル116を時間バー115に沿って動かし、全ECG取得時間に沿ったプロット110のナビゲーションを可能にする。第1のグラフィックウィンドウ104は、その右下角部に、プロット110を拡大及び縮小させるように構成された第2の対話的な手段117を含む。
[0118] 再度図8を参照すると、第2のサイド103は、複数の症状発現プロット106を含む。各症状発現プロット106は、検出した症状発現に相当するECGストリップの少なくとも1つのセグメントを表示し、持続時間に関するテキスト(例えば、「持続時間:1h38m」)及び/又は症状発現の開始時間(例えば、「Day3/09:39:30」)を含む場合もある。各症状発現プロット106は、レポートに含めるための対応する症状発現プロットを選択するために、第3の対話的なアイコン108を含む。各症状発現プロット106は、ユーザが個々のECGプロットを対話的なディスプレイ101から除去できるようにするために、第4の対話的なアイコン107を更に含む。第2のサイド103は、症状発現プロット106のうちの1つ又は複数を説明するテキストを更に含む。
[0119] 対話的なディスプレイ101は、ECGストリップ118を含むグラフィックウィンドウ105を、カーソル116によって選択された時間ポイントで開始する第2の時間ウィンドウ内に更に含む。第2のグラフィックウィンドウ105は、ECGストリップ119を、第2の時間ウィンドウよりも大きく第2の時間ウィンドウを含む第3の時間ウィンドウに更に含む。第3の時間ウィンドウは、第2の時間ウィンドウに対応する網掛け部分を含む。
[0120] 次に図10を参照すると、類似のディスプレイである、対話的なディスプレイ121が図示されている。対話的なディスプレイ121は、第1のサイド122と第2のサイド123とを含む。第1のサイド122は、第1のグラフィックウィンドウ124及び第2のグラフィックウィンドウ125を更に含む。第2のサイド113は、上述の第2のサイド103と同じ機能性を有し、症状発現プロット106と類似した症状発現プロット126を含む。更には、第2のグラフィックウィンドウ125は、第2のグラフィックウィンドウ105と同じ機能性を有し、ECGストリップ138、及びECGストリップ118とストリップ119と類似のECGストリップ139を含む。
[0121] 第1のグラフィックウィンドウ124は、プロット130を除いて第1のグラフィックウィンドウ104と類似している。第1のグラフィックウィンドウ104と同様に、第1のグラフィックウィンドウ124は、複数のラベルボタン109と同じ機能性を有する複数のラベルボタン129、第2のラベル112と同じ機能性を有する第2のラベル132、時間バー115及びカーソル116と同じ機能性を有する時間バー135及びカーソル136、並びに第2の対話的な手段117と同じ機能性を有する第2の対話的な手段137を含む。プロット110とは異なり、プロット130は、時間の関数としての、心拍数密度のヒストグラムの二変量強度プロットに対する投影である、心拍数密度プロットである。
[0122] 次に図11を参照すると、プロット130などの、心拍数密度プロットを生成してプロットするためのステップが与えられている。ステップ141では、ECGプラットフォーム37は、心信号(例えば、ECGデータ)におけるRR時間を計算する。例えば、ECGプラットフォーム37は、心信号を描画ニューラルネットワークに適用して、上述のようにRR時間を決定する。ステップ142では、ECGプラットフォーム37は、時間に対する心拍数プロットを生成する。例示的な心拍数プロットである、HRDP150が図12に図示される。
[0123] 図12に示されるように、時間はx軸に投影され、心拍数(例えば、1分間当たりの拍動)はy軸に投影される。一実施形態において、時間と心拍数との両方が、線形にスケーリングされる。しかしながら、時間及び/又は心拍数は、対数的に、又は他のよく知られたスケールを使用してスケーリングされてもよい。簡潔のため、図12には4つのみの心拍を示す。
[0124] 再度図11を参照すると、ステップ143では、ECGプラットフォーム37によって、y軸及びx軸は、それぞれHRビン及び時間ビンと称される基本要素に分けられる。例えば、図12には、HRビン151と時間ビン152とが図示されている。HRビン151は、第1の心拍数値及び第2の心拍数値(例えば、hb
1及びhb
2)によって定められる。同様に、時間ビン152は、第1の時間値及び第2の時間値(例えば、tb
1及びtb
2)によって定められる。HRビンと時間ビンとの交差を、ビンと称する。換言すると、ビンは、第1及び第2の心拍数値と、第1及び第2の時間値とによって定められる。図12では、ビン153は、HRビン151及び時間ビン152によって図示され、定められる。
[0125] 再度図11を参照すると、ステップ144では、ECGプラットフォーム37によって、各心拍がビンに割振られる。具体的には、所与の時間ビンの時間ウィンドウの間に生じる心拍(例えば、QRS波群)は、その時間ビンに対応するカラムの計算に含められる。更には、その心拍に対応する心拍数は、時間ビンによって定められるカラムのうちどのHRビンに属するかを決定する。例えば、図12では、心拍154及び心拍155それぞれは、それぞれが時間ビン152及びHRビン151の範囲内である、対応する時間及び心拍数値を有する。それとは逆に、心拍156及び心拍157それぞれは、時間ビン151の範囲外となる時間値を有し、そのためいずれもビン153に含まれない。
[0126] 再度図11を参照すると、ステップ145では、ECGプラットフォーム47は、時間ビンごとに心拍数密度を計算する。所与のビンでは、個々の時間ビンと心拍数ビンとによって定められるエリアは、そのビンに含まれる心拍の密度(つまり、ビン内の心拍の数)にしたがって表現される。次いで、各ビンは、密度にしたがって色コーディングされる。例えば、各ビンは、特定の色又はパターンの網掛け、例えばグレーレベルなどを有してもよい。図12の例では、ビンは、心拍数の密度が大きくなると濃くなるグレーレベルとして表現される。図12に示されるように、2心拍を含むビン153は、1心拍しかないビンよりも濃いグレーの網掛けであるが、3つ以上の心拍を有するビンよりも淡いグレーの網掛けによって表現されている。
[0127] 好ましい実施形態では、密度は、HRビンの心拍数で割ったビン中のR波の数の関数として計算される(例えば、時間ウィンドウの最小限界と最大限界との平均)。この好ましい密度の計算は、特定のビンに費やされた時間を考慮している。例えば、3分間の時間ビンでは、第1のHRビンにおいて50bpm(beats per minute:1分間当たりの拍動)の心拍数で100拍動が生じ、第2のHRビンにおいて100bpmで100拍動生じる場合、各ビンに同じ数の拍動があるが、50bpmで2分間費やされ、100bpmでは1分間のみ費やされる。したがって、拍動の数だけが考慮される場合、このビンは同一密度表現を持つことになる。しかしながら、拍動数を心拍数で割った考慮する場合、心拍数による除算によって心拍数値が小さいほど高く重み付けされるため、50bpmの心拍数ビンに対応する第1のビンは、100bpmの心拍数に対応するビンよりも濃くなる。したがって、好ましい実施形態は、拍動の数のみを考慮するよりも良好に、この時間的な情報を把握する。
[0128] 再度図11を参照すると、ステップ146では、ECGプラットフォーム37は、ビンごとに心拍数密度をプロットする。x軸の関数として通常与えられる時間的な情報に加え、カラム(時間ビン)の時間的な情報を把握することは、プロット110のRRプロットなどのECG信号が集約された表現の他の形態よりも優れたやり方で、密度の表現を容易にすることを理解されたい。
[0129] HR密度プロットのx軸の限界は、信号の始まり及び終わりであることを理解されたい。しかしながら、好ましい実施形態では、x軸の限界は、ユーザによって行なわれる拡大及び縮小のアクションに伴って対話的に変わってもよい。y軸の限界は、このアクションが行なわれる際、固定されたままである。再度図10を参照すると、プロット130は、心拍数密度プロット上で拡大するために使用される対話的な手段137を含む。拡大アクションは、プロット表示の大きさを変えるだけである。代替的に、拡大及び縮小は、時間ビンに対応する時間ウィンドウの大きさを変える。拡大アクションによって、同じピクセル数で表現されるビンによってカバーされる時間ウィンドウは短くなる。したがって、拡大によって、より細かい時間分割でヒストグラムの新しい計算が行なわれ、結果的により細かい時間的な情報の計算が行なわれる。これにより、どのような拡大のレベルでもヒストグラムが可読且つ有用なままとなるように、表示用に選択される時間スケールの関数として、変動する情報の集約レベルを示すECG信号の表現が可能となる。
[0130] 次に図13を参照すると、ECGデータを受信して記録し、ECGデータ及びECGデータのシーケンスを処理して分析し、それらを含むレポートを生成するために、ECG処理システム500を実装するための例示のプロセスが図示される。図13は、図4と同様に、ECG処理システム10のフロントエンド45とバックエンド46との間の情報のフローを示す。上で説明したように、フロントエンド45は、システムデバイス14で実行する少なくともECGアプリケーション29を含み、バックエンド46は、サーバ15で実行する少なくともECGプラットフォーム37を含む。
[0131] やはり図4と同じように、ステップ51では、ECGアプリケーション29は、システムデバイス14に、感知デバイス13から生のECGデータ52を受信及び/又は取得させる。ECGアプリケーション29は、生のECGデータ52を受信すると、任意選択で、システムデバイス14に生のECGデータ52を記録させ、任意選択で、生のECGデータ52の一部又はすべてをシステムデバイス14に保存する。上で説明したように、信号は1つ又は複数の誘導に対応する。システムデバイス14は、任意選択で、生のECGデータ52又はその一部をディスプレイ17に表示する。
[0132] 図13に示されるように、また図4に関して上で説明したように、生のECGデータ52は、ECGアプリケーション29によってフロントエンド45からバックエンド46に送信され、それによってシステムデバイス14は、サーバ15で実行中のECGプラットフォーム37に生のECGデータ52を通信する。ECGプラットフォーム37は、生のECGデータ52を受信すると、サーバ15に、生のECGデータ52の一部又はすべてをサーバ15に保存させる。更には、ECGプラットフォーム37は、生のECGデータ52を受信した後、任意選択で、ステップ54において、プリプロセッサ38に生のECGデータ52を前処理させる。生のECGデータ52をプリプロセッサ38に適用することで、前処理済ECGデータ55が生成される。プリプロセッサ38は、生のECGデータ52を、図4に関して上で説明したように、処理する。この時点で、ECGプラットフォーム37によって、前処理済ECGデータ55は、ディスプレイ17での表示のために、任意選択で、システムデバイス14で実行中のECGアプリケーション29に通信される。代替的に又は追加的に、ECGプラットフォーム37によって、前処理済ECGデータ55は、分類ステップ58において入力として使用される。代替的に、生のECGデータ52が、分類ステップ58において入力として使用されてもよい。
[0133] ステップ56では、ECGプラットフォーム37によって、前処理済ECGデータ55又は生のECGデータ52は、描画のために描画器39に適用される。上で説明したように、描画器39は、描画ニューラルネットワークである第1のニューラルネットワークを、前処理済ECGデータ55又は生のECGデータ52に適用し、それによってECGデータの一部又はすべてを、実数の行列である行列Xとして表現する。第1のニューラルネットワークに適用されるECGデータは前処理済ECGデータ55であることが好ましいが、前処理されない心信号(つまり、生のECGデータ52又はその一部)が第1のニューラルネットワークに適用されてもよいことを理解されたい。第1のニューラルネットワークは、出力として、心信号において複数の時間ポイントにおける1つ又は複数の波の存在の可能性に対応する値を与える。第1のニューラルネットワークは、畳み込みニューラルネットワークであり、完全畳み込みニューラルネットワークであることが好ましい。したがって、ステップ56では、描画器39によって、第1のニューラルネットワークは、心信号の各時間ポイントを読み取り、心信号の各時間ポイントを空間-時間的に分析し、1つ又は複数のタイプの波に対応する各時間ポイントにスコアを割振る。
[0134] 第1のニューラルネットワークの出力は、行列Yである。ただし、行列Yは実数の行列である。例えば、行列Yは、上で説明したように、大きさがp×nの行列である。行列Yは、心信号の各時間ポイントにおいて、波のタイプごとのスコアを含み、各波のタイプは、開始ポイント及び終了ポイント(つまり、発生及び消失)など、その波の特定の特性にしたがって表現される。第1のニューラルネットワークの出力は、入力ECGデータにおける拍動を検出する場合もあるし、ECGデータ中の拍動を検出するために使用されてもよい。ECGプラットフォーム37によって、ステップ56の出力(例えば、波形情報57)、及び前処理済ECGデータ55又は生のECGデータ52が、ステップ58での分類のために、分類器41に通信又は適用される。
[0135] 図4に関して上述したように、ステップ58における分類は、第2のニューラルネットワーク(つまり、分類ニューラルネットワーク)を前処理済ECGデータ55又は生のECGデータ52に適用することを伴う。分類器41はまた、波形情報57及び/又は患者の年齢若しくはあらゆる関連臨床情報を含む患者特有の情報など他の情報を処理する。ステップ56において描画が必要ない場合、ECGプラットフォーム37によって、任意選択で、前処理済ECGデータ55又は生のECGデータ52は、分類器41に直接通信され、分類器41によって処理される。第1のニューラルネットワーク及び第2のニューラルネットワークは、代替的には、第1のニューラルネットワーク及び第2のニューラルネットワークの機能及び動作を実行する単一のニューラルネットワークであってもよいことを理解されたい。
[0136] 図4に関して上で説明したように、ステップ58において、第2のニューラルネットワークは、心信号の各時間ポイントにおいて、1つ又は複数の異常性、状態、及び/又は記述子の存在の可能性に対応する値を有する出力を生成する。時間ポイント又は時間ウィンドウが特定の異常性、状態、及び/又は記述子に対応すると判定された場合、その異常性、状態、及び/又は記述子に対応するラベルは、ラベル59として、その時間ポイント又はウィンドウに割振られる。一例では、1つ又は複数のラベル59は、スコアが所定のしきい値を達成する場合、時間ポイント又は時間ウィンドウに割振られる。加えて、ステップ58では、第2のニューラルネットワークは、第2のニューラルネットワークに入力される生のECGデータ52、ECGデータ54、及び/又は波形情報57に対応する特徴マップ501を決定する。
[0137] ステップ502では、特徴マップ501は、1つ又は複数のアルゴリズム及び/又は第3のニューラルネットワークである、シーケンスアナライザ50によって抽出される。例えば、第3のニューラルネットワークは、再帰ニューラルネットワークである。シーケンスアナライザ50は、特徴マップ501を分析して1つ又は複数のシーケンスラベル503を決定し、それによってECGデータのシーケンス識別を達成する。
[0138] 次に図14を参照すると、ステップ56、58、及び502が図示される。図14に示されるように、生のECGデータ52は、波形情報57を出力する第1のニューラルネットワーク(つまり、描画ニューラルネットワーク)に入るように示されている。図14は、分類器41及びシーケンスアナライザ50を更に図示する。図13を参照して上述したように、ECGデータ52及び/又は波形情報57は、分類器41によって入力として第2のニューラルネットワーク(つまり、分類ニューラルネットワーク)に適用される。分類ニューラルネットワークは、分類を与えるために、いくつかの畳み込み層、次いで標準層を有する畳み込みニューラルネットワークである。ECG信号は、ネットワークへの入力として与えられ、ネットワークは、情報を局所的に集約して、ECGの高次多ラベル分類を作り出すよう、層ごとに結合する。
[0139] 図14に示されるように、ニューラルネットワークの層のユニットは、特徴マップ501にセグメント化される。特徴マップ501は、ECGデータに適用されるフィルタの出力を表現しており、ニューラルネットワークへの入力における特定の特徴(例えば、ECGデータ)を識別するために使用される。特徴マップ504は、高次情報(例えば、心室性頻脈の発生(例えば、連続した3つのPVC)についての情報)を含む。したがって、分類器41は、描画ニューラルネットワークによって決定された拍動を、特徴マップに射影して、拍動ごとに固定サイズの特徴を作成する。
[0140] 分類器41によって決定される特徴マップ501は、ステップ502でシーケンスアナライザ50によって抽出されてもよい。シーケンスアナライザ50は、各拍動の座標に対応する特徴マップを更に抽出するか、そうでなければ分解し、特徴マップ部分505を得る。特徴マップ部分505は、ECGデータにおける各拍動の位置にしたがって、順に編成される。シーケンスアナライザ50は、第3のニューラルネットワーク(例えば、長短期記憶ニューラルネットワーク、又は単純再帰ニューラルネットワーク)に特徴マップ部分505のシーケンスを与える。再帰ニューラルネットワークである第3のニューラルネットワークは、各特徴マップ部分505を、隣接特徴マップ部分及び/又は先行シーケンスのマップ部分に関して分析して、特徴マップ部分505のシーケンスについての情報を抽出する。再帰ニューラルネットワークである第3のニューラルネットワークは、エンドツーエンドに訓練される。第3のニューラルネットワークは、特定のシーケンスラベル503に対応する特徴マップ部分505についての確率を出力する。
[0141] シーケンスラベル503は、1拍動マップ部分505に関連付けられる拍動に割振られ、周囲の拍動及び/又は拍動のシーケンスに基づいて決定された情報を示す。例えば、シーケンスラベル503には、異所性、上室性、PVC、又は正常のラベルが含まれる。各特徴マップ部分505についての確率は、シーケンスラベルの存在を決定するために、しきい値を使用して処理される場合があることを更に理解されたい。図14に示されるように、PVCに対応する拍動マップ部分(例えば、赤色の拍動マップ部分)は、PVCのしきい値を満たして「1」を割振られ、ECGデータストリップの他の拍動マップ部分(例えば、緑色の拍動マップ部分)は、しきい値を満たさず「0」を割振られる。
[0142] 再度図13を参照すると、ステップ58で特徴マップ501及びラベル59を決定した後、またシーケンス識別502及びシーケンスラベル503を決定した後、図4に関して上述したように、ステップ61が開始される。具体的には、ステップ61では、ECGプラットフォーム37によって、各時間ウィンドウのラベル(つまり、ラベル)は、ポストプロセッサ43によって集約され、処理済みラベル60を生成する。ラベルは、ラベル59及び/又はシーケンスラベル53である。ポストプロセッサ43はまた、ラベルをフィルタリングして、冗長なラベルを除去し、ラベルの既知の階層構造にしたがってラベルを組み立てるか、又は階層構造若しくは重み付けされた値によってあまり重要ではないと分かっているラベルを無視する。ポストプロセッサ43はまた、各異常性の開始(発生)及び終了(消失)時間を計算するために、時間を通じてラベルを集約する。ポストプロセッサ43は、スタンドアロンのコンポーネントであってもよいし、分類器41のサブコンポーネントであってもよいことを理解されたい。
[0143] 図4に関して上で説明したように、ステップ54、56、58、502、61において、ECGプラットフォーム37によってバックエンド46で生成された情報は、ECGプラットフォーム37によって、フロントエンド45のECGアプリケーション29に通信される。ステップ65では、ECGアプリケーション29によって、システムデバイス14のディスプレイ17に前述の情報が表示される。更には、ステップ66では、ユーザがレポートを要求してもよく、レポートに含める特定のデータなどカスタマイズされた特徴を選択してもよい(例えば、異常性/状態データ、症状発現データ、症状発現プロットなど)。ステップ67では、ECGアプリケーション29は、レポート及び選択されたカスタマイズ可能な特徴(例えば、レポートに含めるECGデータ)に対する要求を、ECGプラットフォーム37に送信し、ECGプラットフォーム37は、要求及び情報を受信する。ECGプラットフォーム37は、要求のログを取り、ECGアプリケーション29から受信した情報を保存する。ステップ68では、ECGプラットフォーム37によって、レポート生成器44は、システムのECGアプリケーション29から受信した情報にしたがって、レポート69を生成する。
[0144] 次に図15Aを参照すると、分類システムにおける確かさを決定するための、並びに異常及び/又は状態の存在に関するレポートを自動的に生成するための例示のプロセスが図示される。ステップ511~513は、上述の図4のステップ52~56に類似している。具体的には、ステップ511では、システムは、患者のECGデータを、受信する、判定する、又は取得する。ステップ512では、ECGデータ(例えば、生のECGデータ又は前処理済ECGデータ)は、描画アルゴリズムを使用して分析されて、波形情報(例えば、t波、p波、QRS波群の存在の可能性に対応するスコアなど)を生成する。更には、任意選択のステップ513では、拍動の発生と消失は、(例えば、波形情報に基づいて)任意選択で決定され、ECGデータの拍動部分は、拍動の発生と消失に基づいて抽出される。
[0145] ステップ514では、ECGデータ(例えば、拍動部分及び/又は波形情報)は、ベースラインセッティングを有する分類アルゴリズムを使用して分析される。ベースラインセッティングは、分類アルゴリズムを訓練することによって決定されたベースライン感度を含む。ステップ514は、上述の図4のステップ58に実質的に類似している。ステップ515では、分類アルゴリズムは、ECGデータを処理して、異常、ラベル、及び/又は状態(例えば、心房細動、AVブロック、正常)の存在を判定する。例えば、分類アルゴリズムは、1つ又は複数の異常、ラベル、及び/又は状態の存在の可能性を判定する。1つ又は複数の異常、ラベル、及び/又は状態の存在の可能性に対してしきい値が適用され、可能性がしきい値を満たすかどうかに基づいて、異常、ラベル、及び/又は状態の存在を判定する。
[0146] ステップ516では、ステップ514で分析されたECGデータは、ステップ514の分類アルゴリズムと比較して感度を低下させた分類アルゴリズムによって分析される。感度を低下させた分類アルゴリズムは、アルゴリズムが低い感度を持つように訓練することによって決定される。例えば、ステップ516における分類アルゴリズムは、同一のECGデータが与えられた場合に、ステップ514におけるベースライン分類アルゴリズムよりも頻繁に、1つ又は複数の異常、ラベル、及び/又は状態の存在を識別するように訓練される。ステップ517では、ステップ516に対応する異常、ラベル、及び/又は状態の存在が、ステップ515と同様に判定される。
[0147] ステップ518では、ステップ514で分析されたECGデータ及び/又は対応する波形情報は、ステップ514の分類アルゴリズムと比較して感度を高めた分類アルゴリズムによって分析される。感度を高めた分類アルゴリズムは、アルゴリズムが高い感度を持つように訓練することによって決定される。例えば、ステップ516における分類アルゴリズムは、同一のECGデータが与えられた場合に、ステップ514におけるベースライン分類アルゴリズムより少ない頻度で、1つ又は複数の異常、ラベル、及び/又は状態の存在を識別するように訓練される。ステップ519では、ステップ518に対応する異常、ラベル、及び/又は状態の存在が、ステップ515と同様に決定される。ステップ516~517、及びステップ518~519は、並行して、又は連続して生じてもよいことを理解されたい。
[0148] 決定520において、ECGシステム(例えば、ECGプラットフォーム37)は、異常/状態/ラベルが、ステップ514及び515で存在すると判定されたかどうかを判定し、またステップ516及び517並びに518及び519で存在すると判定されたかどうかも判定される。したがって、決定520では、システムは、感度を低下させた分類アルゴリズム及び感度を高めた分類アルゴリズムも、やはり異常、ラベル、及び/又は状態が存在するという判定になるかどうかを判定する。
[0149] 感度を低下させた分類アルゴリズム及び感度を高めた分類アルゴリズムのうちの1つ又は複数に基づいて、異常、ラベル、及び/又は状態が、存在しないと判定された場合、ベースライン分類アルゴリズムによる異常、ラベル、及び/又は状態の存在するという(例えば、ステップ514及び515での)判定は、確かではないと識別され、任意選択のステップ521において、システムはECGデータが(例えば、ユーザによる)更なる分析を必要とすることを提案及び/又は推奨する。
[0150] 代替的に、感度を低下させた分類アルゴリズム及び感度を高めた分類アルゴリズムの両方に基づいて、異常、ラベル、及び/又は状態が、存在すると判定された場合、ベースライン分類アルゴリズムによる異常、ラベル、及び/又は状態が存在するという(例えば、ステップ514及び515での)判定は、確かであると識別され、任意選択のステップ522において、異常、ラベル、及び/又は状態の存在に基づいたレポートが生成される。例えば、レポートは、上述の図4のステップ68及び69にしたがって生成される。一例では、レポートは、完全に自動的であり、そのため、いかなる人間対話を伴わずに生成される。516~520で説明されるプロセスは、スタンドアロンのアルゴリズムのセットであってもよいし、分類ニューラルネットワークの上位の1つ又は複数の層であってもよいことを理解されたい。図15Aで説明されるステップは、図4に関して上述した動作に含まれる、本明細書で説明される他の動作に加えて、又は他の動作とともに実行されてもよいことを、更に理解されたい。
[0151] 分類アルゴリズムの確かさは、代替的には、受信者操作特性(ROC)曲線の曲線下面積(AUC)を決定することによって判定されてもよいし、AUCを決定することによって更に情報を与えられてもよいことを更に理解されたい。具体的には、ニューラルネットワークの感度は、1-specificity(特異度)に対してプロットされ、曲線下面積は、モデルの正確さの情報を与える。特異度は、真陽性の数を真陽性と偽陰性との合計で割ることによって決定される。更に、「1-specificity」は、偽陽性の数を偽陽性と真陰性との合計で割ることによって決定される。1に近い値の曲線下面積は、正確なモデルを示す。
[0152] 次に図15Bを参照すると、ロバストな分類システム565が図示される。図15Aに関して上述したプロセスと同様に、ロバストな分類システム565は、上述したECG処理システム(例えば、ECG処理システム10、ECG処理システム10’、及び/又はECG処理システム500)のコンポーネントである。例えば、ECG処理システム565は、分類ステップ58を置き換えるか、補うことができる。具体的には、ロバストな分類モジュール568は、分類ステップ58を置き換える。ロバストな分類モジュール568は、上述の分類器41と同一又はそれに類似の分類器569を含む。具体的には、分類器569は、ニューラルネットワークを実行して分類を達成する。分類器569は、前処理済ECGデータ566及びRRデータ567を入力として受信する。前処理済ECGデータ566は、上述の前処理済ECGデータ56と同じである。更には、RRデータ567は、上述の描画ステップ56の出力などの、描画ニューラルネットワークの出力である。例えば、RRデータ567は、上述の波形情報57と同じである。
[0153] 図15Bに示されるように、分類器569は、上述の分類ステップ58の分類器41と同様に、前処理済ECGデータ566及びRRデータ567を処理して、AFib確率571を決定する。AFib確率571は、前処理済ECGデータ566が心房細動の症状発現を含む可能性である。分類器569の出力、前処理済ECGデータ566及び/又はRRデータ567はまた、信頼度推定器570に適用されて処理され、AFib確率571が正確である及び/又は確かである可能性に相当する信頼度スコア572を決定する。信頼度推定器570は、1つ又は複数のアルゴリズム(例えば、ニューラルネットワーク)であってもよいし、分類器569と同じ分類器構造(例えば、アーキテクチャ)を有してもよいが、より具体的であるように訓練される。例えば、信頼度推定器570は、図15Aに関して上述した、ステップ516~517と類似のステップを実行する。
[0154] 次に図15Cを参照すると、ロバストな分類システム573が図示されており、ロバストな分類システム565に類似しているが、ロバストな分類モジュール574を含んでいる。やはりロバストな分類システム565と同様に、ロバストな分類システム573は、上述の分類ステップ58を置き換えるか、補うことができる。ロバストな分類モジュール574は、ロバストな分類モジュール568と同様に、ECG前処理済データ566及びRRデータ567を受信し、AFib確率571及び信頼度スコア572を出力する。ロバストな分類モジュール568とは異なり、ロバストな分類モジュール574は、分類器569と信頼度推定器570の代わりに、信頼度分類器575を含む。信頼度分類器575は、分類器569及び信頼度推定器570の同一の機能及び動作を実施し、AFib確率571及び信頼度スコア572を出力する、1つのニューラルネットワークである。
[0155] 次に図15Dを参照すると、ロバストな分類システム576が図示される。ロバストな分類システム565及びロバストな分類システム573と同様に、ロバストな分類システム576は、前処理済ECGデータ566及びRRデータ567を入力として含み、上述の分類ステップ58を置き換えるか、補うことができる。ECG分類システム576は、ロバストな分類モジュール577を含む。
[0156] ロバストな分類モジュール577は、上述の分類器41と同一又はそれに類似の分類器580を含む。具体的には、分類器580は、ニューラルネットワークを実行して分類を達成する。ロバストな分類モジュール577は、入力変形器578とコンバイナ582を更に含む。入力変形器578は、ロバストな分類モジュール577への入力(例えば、前処理済ECGデータ566及び/又はRRデータ567)を処理し、そのような入力に変形を適用する。変形は、例えば増幅、伸張、及び/又は誘導選択である。増幅変形は、float値を使用して信号(例えば、前処理済ECGデータ566)を増幅させる。伸張変形は、時間的にワーピングした信号(例えば、前処理済ECGデータ566)並びに結果的に調節及び/又は修正されたRRデータ567を伴う。ECGシステムによって受信されたECGデータが、2つ以上の誘導に対応する場合、データのサブセット(例えば、前処理済ECGデータ及び/又はRRデータ)は、保存及び/又は維持され、検索されてもよい。前処理済ECGデータ566及びRRデータ567を入力変形器578に適用することによって、変形された入力579が生成される。変形された入力579は、同一の信号の、いくつかの(例えば、4つの)変形された複製を含む。図15Cには4つの変形された入力579が図示されるが、あらゆる数の変形された入力が生成されてもよいことを理解されたい。変形された入力579を生成するために、増幅、伸張、誘導選択、及び/又はあらゆる他の変形技法が使用されてもよいことを更に理解されたい。
[0157] 図15Dに示されるように、変形された入力579は、分類器580に適用されて処理される。分類器569と同様に、分類器580は、上述の分類器41と同一であるか又はそれに類似している。具体的には、分類器580は、ニューラルネットワークを実行して分類を達成する。分類器580は、出力581を生成する。分類器580は、変形された入力579の各複製を処理し、各複製についての出力を生成する。したがって、変形された入力579は、信号の4つの変形された複製を含み、分類器580は、4つの出力を生成する。
[0158] ロバストな分類モジュール577は、コンバイナ582を更に含む。出力581は、コンバイナ582に適用されて処理される。コンバイナ582は、同じフォーマットを有する(例えば、大きさがN)分類器580の出力を取得して、出力を結合する。例えば、コンバイナ582は、出力581の平均を取ることによって出力581を結合し、これは大きさNを有する単一の出力を与える。代替的に、より高い感度を達成するために、コンバイナは、代わりに出力581の最大値を決定する。同様に、より低い感度を達成するために、コンバイナは、代わりに出力581の最小値を決定する。コンバイナ582は、AFib571及び信頼度スコア572を出力する。例えば、分類器580は、信頼度分類器575と類似であってもよく、AFib確率571に対応する出力581の1セットは、信頼度スコア572に対応する出力581の第2のセットに加えて生成される。コンバイナは、異なる出力セットを別個に処理して、AFib確率571及び信頼度スコア572を与える。代替的に、コンバイナ582及び/又は分類器580は、信頼度分類器575と類似しており、併せてAFib確率571及び信頼度スコア572を決定する。
[0159] 次に図15Eを参照すると、ロバストな分類システム583が図示される。ロバストな分類システム565、ロバストな分類システム573、及びロバストな分類システム576と同様に、ロバストな分類システム583は、前処理済ECGデータ566及びRRデータ567を入力として含み、上述のように、分類ステップ58を置き換えるか、補うことができる。ECG分類システム583は、ロバストな分類モジュール584を含む。
[0160] ロバストな分類モジュール584は、それぞれが上述の分類器41と同一又はそれに類似の、複数の別個の分類器である分類器585を含む。具体的には、分類器581は、それぞれがニューラルネットワークを実行して分類を達成する。各分類器は、異なるように(例えば、異なるデータセットを使用して、及び/又はそれぞれが異なる重みを有して)訓練されてもよい。例えば、分類器581は、それぞれが異なる重みを持つ同一の構造(例えば、アーキテクチャ)であり、異なる分類器を与えてもよい。図15Eに示されるように、分類器381は、それぞれが4つの異なる訓練データセットを使用して訓練され、結果的に異なる重みのセットを有する4つの分類器を含む。これにより、分類器は程度の異なる感度を持つ(例えば、一部の分類器は他より低い感度を有する、及び/又は他より高い感度を有する)。同一の前処理済ECGデータ566及び/又はRRデータ567は、分類器585の各分類器によって入力されて処理される。分類器585の各分類器は、次いで、対応する出力を生成する。分類器585は、共に出力586を生成する。
[0161] ロバストな分類モジュール584は、コンバイナ587を更に含む。出力586は、コンバイナ587に適用されて処理される。例えば、コンバイナ587は、同じフォーマットを有する(例えば、大きさがN)分類器586の出力を取得し、出力を結合する。コンバイナは、コンバイナ586の平均を取ることによって出力586を結合し、これは大きさがNの単一の出力を与える。代替的に、より高い感度を達成するために、コンバイナは、代わりに出力586の最大値を決定する。同様に、より低い感度を達成するために、コンバイナは、代わりに出力586の最小値を決定する。コンバイナ587は、AFib571及び信頼度スコア572を出力する。例えば、分類器585は、信頼度分類器575と類似であってもよく、各分類器では、AFib確率571に対応する出力586の1出力は、信頼度スコア572に対応する出力581の第2の出力に加えて生成される。コンバイナは、異なる出力セットを別個に処理して、AFib確率571及び信頼度スコア572を与える。代替的に、コンバイナ587及び/又は分類器586は、信頼度分類器575と類似しており、併せてAFib確率571及び信頼度スコア572を決定する。
[0162] AFib確率571及び信頼度スコア572に基づいて、ECGシステムは、高い信頼度で心房細動が存在しないこと、低い信頼度で心房細動が存在しないこと、高い信頼度で心房細動が存在すること、又は高い信頼度で心房細動が存在することを判定する。信頼度が低い場合、対応するECG信号は、確かではないと識別される。信頼度が高い場合、ECG信号は、心房細動を有する、又は心房細動を有していないとして、認定及び/又は識別される。ECG信号が心房細動を有する、又は心房細動を有していないと認定されると、ECGシステムはレポートを生成する。例えば、レポートは、日常的な心拍数傾向、特定の基準に基づいたECGデータの最も関連性のあるEDGストリップ(例えば、心房細動症状発現の始まり、最も速い心房細動の症状発現など)、並びに/又は心房細動の存在についての結論及び/若しくは決定を含む。ECG信号が確かではないと認定された場合、ECG信号は、フラグ付けされる、及び/又は人間によるレビューにサブミットされる。
[0163] 図15D及び図15Eで図示され上で説明される手法は、入力変形器及びそれぞれが異なるように訓練された複数の分類器を含むロバストな分類システムを含むように組み合わせることができることを理解されたい。例えば、手法は、1つの信号を取得してN個の修正された信号に変形し、これらがそれぞれM個の分類器に入力され、AFib確率及び信頼度スコアを決定するために1つのコンバイナに適用可能なN*Mの出力を与える、ロバストな分類モジュールとして組み合わされる。
[0164] 前処理済ECGデータ566は分類器569及び/又は信頼度推定器570への入力として説明されたが、生のECGデータは、代替的には図15B~図15Eのロバストな分類モジュールへの入力であってもよいことも、やはり理解されたい。図15A~図15Eは、上では心房細動に関して説明したが、同一システムは、ECGデータ及び対応する信頼度スコアを使用して検出可能なあらゆる他の状態及び/又は異常を検出するために訓練されてもよいことを更に理解されたい。
[0165] 次に図16を参照すると、心イベントとして無症候性である(例えば、心房細動の症状発現を欠いている)ECGデータについての心イベント(例えば、心房細動)のリスクを判定するための例示のプロセスが図示される。プロセスは、ECGプラットフォーム37によって実施される。プロセスは、心房細動のリスクを判定するように例示的に説明されるが、プロセスは他の心イベントのリスクを判定するために使用されてもよい。図15Aと同様に、図16では、例示のプロセスは、ステップ511と類似のステップ531において患者のECGデータを受信又は取得することで開始し、ステップ512と類似のステップ532において描画アルゴリズムを使用してECGデータを分析して波形情報を生成し、ステップ514と類似のステップ533において分類アルゴリズムを使用してECGデータ(及び/又は波形情報)を分析する。図16では、プロセスは、心房細動の可能性を判定することを含むステップ534を更に含む。図15Aのステップ515と同様に、ステップ534では、分類アルゴリズムがECGデータを処理して、心房細動の存在を判定する。例えば、分類アルゴリズムは、心房細動の存在の可能性を判定する。心房細動の存在の可能性に対してしきい値が適用され、可能性がしきい値を満たすかどうかに基づいて、心房細動の存在を判定する。
[0166] 決定535では、ECGプラットフォーム37は、ステップ534で行なわれた判定に基づいて、ECGデータに心房細動が存在するかどうかを判定する。ECGデータに心房細動が存在すると判定された場合、次いでステップ536では、ECGデータは心房細動が存在するとして識別される。例えば、心房細動に対応する図4のラベル59が、ECGデータに割振られ、上述のように図4のステップ61、65、66、及び68のうちの1つ又は複数が開始される。
[0167] 代替的に、決定535において、ステップ534で行なわれた判定に基づいてECGデータに心房細動が存在しないと判断された場合、ステップ533で分析されたECGデータは、心房細動(AF)リスク分析器を使用して分析される。AFリスク分析器は、スタンドアロンのアルゴリズムのセット(例えば、ニューラルネットワーク)であってもよいし、分類ニューラルネットワークの上位の1つ又は複数の層であってもよい。
[0168] AFリスク分析器は、ステップ534において心房細動が検出されないにもかかわらず、ECGデータに対応する患者が心房細動を有する可能性を示す1つ又は複数の値を出力する。例えば、AFリスク分析器は、例えば形態学的特徴及び時間的特徴などの、ECGデータ及び又は波形情報を分析する畳み込みニューラルネットワークである。AFリスク分析器は、いくつかのブロック(例えば、1つ又は複数の層)を含む。例えば、AFリスク分析器は、データ分布の正規化及び非線形の正規化ユニット(ReEU)関数を説明するために、バッチ正規化層を含む。ReEU関数は、負の入力に対して出力ゼロを、正の入力に対しては恒等出力を有し、特徴抽出を容易にする。ブロックは、ショートカットリンクを含み、ニューラルネットワークの層及び/又はコンポーネント同士の勾配伝播を許可し、プーリング層、1つ若しくは複数の畳み込み層、ドロップアウト層、及び/又は出力層を更に含む。AFリスク分析器は、心房細動があると診断されるがECGデータには心房細動の症状発現が存在しない患者からのECGデータを使用して訓練され、心房細動のある患者に関連付けられるECGデータにおける特徴を識別又は判定することを理解されたい。
[0169] ステップ538では、AFリスク分析器の出力は、心房細動リスク値を決定するために使用される。例えば、分類アルゴリズムは、心房細動の存在の可能性を判定する。心房細動の存在の可能性に対してしきい値が適用され、可能性がしきい値を満たすかどうかに基づいて、心房細動の存在を判定する。
[0170] 決定539では、システム(例えば、ECGプラットフォーム37)は、心房細動の兆候がECGデータに存在するかどうかを判定する。例えば、しきい値が満足される(例えば、心房細動の存在の可能性がしきい値を越える、又はしきい値と同じ)場合、ECGデータ中に心房細動の兆候があると判定される。ECGデータ中に心房細動の兆候がない、及び/又はしきい値が満足されないと判定された場合、任意選択のステップ540では、システムは何もしないか、心房細動を有していないとして、ECGデータをラベル付けする。代替的に、ECGデータ中に心房細動の兆候がある、及び/又はしきい値が満足されないと判定された場合、ステップ541において、心房細動のリスクが識別される。例えば、心房細動ラベル又は心房細動のリスクラベルが、ECGデータに割振られる。
[0171] 任意選択のステップ542では、システムによって、心房細動のリスクが、ディスプレイ17に表示される。リスクは、スコアとして、又は何らかのリスクレベルのインジケーションとして表示される。例えば、リスクは、計算されたリスク値として所定のスケール(例えば、100分の75)で表示される。リスクはまた、計算されたリスク値が所定のしきい値リスク範囲のどこに含まれるかに基づいて、カテゴリ化されてもよい(例えば、100分の0~35は「低」に相当し、100分の35~70は「中」に相当し、100分の70~100は「高い」に相当する)。カテゴリ化は、計算されたリスク値とともに表示されてもよいし、リスク値を伴わずに表示されてもよい。また、任意選択のステップ543では、P波の形態学分析、PACアナリティクス、及び/又は心房細動のリスクに相当する他の情報が、本明細書で説明されるように判定され、任意選択で、ディスプレイ17に表示される。図16で説明されるステップは、図4に関して説明した動作に含まれる、本明細書で説明される他の動作に加えて、又は他の動作とともに実行されてもよいことを理解されたい。リスク分析器は、分析されたECGデータでは無症候性である、別の異常及び/又は状態(例えば、心イベント)の存在を検出するように訓練されてもよいことを更に理解されたい。
[0172] 次に図17を参照すると、ECGデータのラベル付けが図示される。図17に示されるように、ECGデータ551が判定又は取得されると、システム(例えば、ECGプラットフォーム37及び/又はECGアプリケーション29)は、プロファイル552をECGデータ551に割振る。プロファイル552は、ディスプレイ17に表示され、ECGデータ551について一定の情報を含む。例えば、プロファイル552は、レビューステータス553、タイトル554、及びECG情報555を含む。レビューステータス553は、ECGデータ551がレビューされたかどうかについての情報を含む。例えば、レビューステータス553は、「レビュー保留中」又は「レビュー済」である。タイトル554は、ECGデータ551に関連付けられる文字と数字を含み、ECGデータ551を識別するために使用される。ECG情報555は、記録持続時間(例えば、1日と23時間)及び/又はアップロード日付(例えば、2020年6月19日)などのECGデータ551についての情報を含む。
[0173] プロファイル552は、ECGデータ551に割振られた1つ又は複数のラベルを含む。例えば、ECGラベル558及びECGラベル559が、プロファイル552に追加される。ECGラベル558は、ECGデータ551に割振られる技師又は医療従事者を識別する。ECGラベル559は、異常、状態、ラベル及び/又はECGデータ551を分析するために割振られたシーケンスラベルを識別する。ECGデータは、描画及び/又は分類ニューラルネットワークによって自動的に処理され、そのためシステムは、ECGデータにおける異常、症状発現及び/又は状態の存在を自動的に判定し、ECGラベルをECGデータ551のプロファイル552に割振って、ECGデータを、その異常、症状発現又は状態に関連付けることを理解されたい。例えば、ECGラベル559は、「異常Y」を示す。代替的に、このラベルは手動で追加されてもよい。プロファイル552は、ラベルを追加する追加ボタン556、及びプロファイル552からラベルを削除する削除ボタン557を含む。したがって、ECGラベル552は、自動的に生成されてもよいし、ユーザによって生成されてもよい。
[0174] システムによって判定又は取得された様々なECGデータは、プロファイル552中の情報に基づいてカテゴリ化及び/又はフィルタリングされる。例えば、プロファイル552中のECGデータ551に割振られたラベルは、ECGデータをフィルタリングするために使用されてもよい。図17に図示される例では、ECGデータ552は、ECGデータの3つの異なるグループに分けられる。第1に、ECGデータ551は、異常Yを有するECGデータを含むグループ561に含められる。第2に、ECGデータ563は、技師Xに割振られたECGデータを含むグループ563に含められる。加えて、ECGデータ551は、技師X及び異常Yの両方のラベルを有するグループ562に更にグループ化される。これらのグループは、個々のグループについて所与のラベルに関連付けられる他のECGデータを閲覧するために使用される。これは、技師が自身に割振られたECGデータを見つけるために、及び/又はユーザが類似のラベルを持つECGデータを閲覧するために、有用なツールである。
[0175] プロファイルは、ECGデータに埋め込まれていないがECGデータがECGシステム内で管理されるやり方に影響を及ぼし得るECGデータについての情報を含むことを理解されたい。ラベルは、同一組織内のすべてのユーザに可視であってもよいし、そうではなく、組織内の特定のユーザに限定されることもある。
[0176] 次に図18Aを参照すると、インターフェース601が図示される。インターフェース601は、処理ウィンドウ602、保留中レビューウィンドウ603、及びレビュー済ウィンドウ604を含む。処理ウィンドウ602は、ECG信号のアップロードするために押下されるアップロードボタン607を含む。例えば、アップロードボタン607によって、ECGプラットフォーム37は、データベースからECG信号を検索してもよいし、電極にECG信号を取得させてもよい。ウィンドウ603は、アップロードされてあるがレビューされていないECG信号のECGプロファイルを含む。例えば、プロファイル605は、保留中ウィンドウ603に含まれ、プロファイル552と類似している。追加的に、レビュー済ウィンドウ604は、アップロードされ、レビュー済となったECG信号のECGプロファイルを含む。例えば、プロファイル606は、レビュー済ウィンドウ606に含まれ、プロファイル552と類似している。
[0177] 次に図18Bを参照すると、例示のプロファイル611が図示される。例示のプロファイル611は、処理ウィンドウ602又はレビュー済ウィンドウ603に含まれる。例示のプロファイル611は、プロファイル552に類似したプロファイル612を含み、タイトル、ECG情報、及び少なくとも1つのラベルを含む。図18に示されるように、プロファイル552は、ECGデータが「分析に戻された」ことを伝える通知613を含む。上述したように、これは、ECGプラットフォーム37が、分析又は状態及び/若しくは異常の判定において高い信頼度を有していない場合に起こる。また図18Bに示されるように、プロファイル612は、ECGデータが分析される必要がないことを示すために「stat」を示すラベル614などのラベルを更に含む。更には、ラベル追加ボタン617は、更なるラベルをプロファイル612に追加するために押下される。例えば、ラベルボタン617を押下すると、利用可能なラベル及び選択されたラベルプロファイル612を示すラベルウィンドウ615が与えられる。この例では、ラベル「stat」が選択され、ラベル「notification」は利用可能であるが選択されていない。更には、新しいラベル作成ボタン618が、プロファイル612用に新しいラベルを作成するためにラベルウィンドウ615に含まれる。作成される新しいラベルは、いずれのECGプロファイルによっても使用される。特定のラベルはデフォルトで利用可能である場合もあるし(例えば、stat、notification)、及び/又は編集には利用可能ではない場合もあることを理解されたい。
[0178] 次に図18Cを参照すると、プロファイル611に類似したプロファイル625が図示されている。プロファイル625は、タイトル、ECG情報、及び少なくとも1つのラベルを含むため、プロファイル611に類似したプロファイル621を含む。例えば、プロファイル621は、プロファイル621のECGデータに対応する患者がペースメーカを有していることを示すラベル622を含む。ラベルウィンドウ626は、プロファイル621に含まれ、ラベルウィンドウ615と類似している。ラベルウィンドウ626は、編集ボタン623及び削除ボタン624を更に含む。編集ボタン632は、ラベルウィンドウ622中でラベルの名称を編集するために押下される。更には、削除ボタン624は、ラベルウィンドウ626中でラベルを削除するために押下される。
[0179] 次に図18Dを参照すると、インターフェース631は、保留中レビューウィンドウ603に類似した保留中レビューウィンドウ632、及びレビュー済ウィンドウ604に類似したレビュー済ウィンドウ633を図示する。図18Dに示されるように、インターフェース631は、ECGシステムのプロファイルをフィルタリングするために使用されるフィルタウィンドウ634を含む。フィルタウィンドウ634は、カテゴリセクション636及びラベルセクション637を含む。カテゴリセクション636は、状態、異常、又はイベントに対応する、特殊なタイプのラベルを含む。ラベルセクション637は、「stat」及び「notification」などの個々のECGプロファイルについての情報を示すために、ラベルを含む。notificationは、ECGデータのハイライトされた部分又はフラグ付けされた部分に相当し、及び/又はECGデータについての特定の情報を含む。フィルタウィンドウ634のカテゴリ及び/又はラベルは、選択されたカテゴリ及び/又はラベルを有するECGプロファイルのみを表示するように選択される。クリアボタン635は、フィルタをリセットするために使用される。
[0180] 次に図18Eを参照すると、新しいECG信号をアップロードするために使用されるインターフェース641が図示されている。アップロードインターフェース641は、図18A中のアップロードボタン607が押下されると生成される。インターフェース641は、ECGデータをECGシステムにアップロードするために使用されるアップロードウィンドウ642を含む。アップロードするECGファイルが選択されると、ECGファイルはアップロードキュー643に配置され、このアップロードキュー643は、アップロードされるよう選択されたファイルを示し、ECGシステムへのアップロードの進行を視覚的に表示するダウンロードプログレスメータ644を更に示す。アップロードキューから、ラベルをECGファイルに追加するためにラベルウィンドウ646が示され、その間ECGファイルがECGシステムにアップロードされる。アップロードインターフェースは、アップロードキュー643においてECG信号用に選択されたラベルを示すラベルウィンドウ645を更に含む。
[0181] 次に図18Fを参照すると、保留中レビューウィンドウ603に類似した保留中レビューウィンドウ651が図示されており、レビューを保留中のECGプロファイル652を含む。図18Fに示されるように、個々のECGプロファイルの隣にある選択ボタン654を押下することによって、2つ以上のECGプロファイル652が同時に選択されてもよい。複数のECGプロファイル652が選択されると、1つ又は複数のラベル及び/又はカテゴリを選択されたECGプロファイルに追加するために、ラベルウィンドウ653が表示される。例えば、ラベルウィンドウ653は、複数のラベル選択肢、及び選択されたECGプロファイルに新しいラベルを追加するために選択される「新しいラベルを作成」選択肢を含む。
[0182] 次に図18Gを参照すると、保留中レビューウィンドウ603に類似した保留中レビューウィンドウ661が図示されており、ECGプロファイル662を含む。ECGプロファイル662は、タイトル、ECG情報、及び少なくとも1つのラベルを含むため、プロファイル611に類似している。例えば、ラベル663は、プロファイル662に対応するECGデータに通知が追加されたことを示す。ラベル663で識別されるラベルはまた、ECGデータが異なるインターフェース内で拍動ストリップとして表示されている場合に、ECGデータにも関連付けられる。例えば、次に図18Hを参照すると、インターフェース671は、拍動ストリップ672などの様々な拍動ストリップを表示する。拍動ストリップ672は、ECGプロファイル662に関連付けられるECGデータに対応する。更なる拍動ストリップ672は、ラベル663と同一であってもよい、及び/又はフラグのアイコンを含んでもよい、通知673を含む。通知673は、ラベル663と同一の通知を示す。一例では、通知は、ECGストリップ内での症状発現の存在を示す。通知は、ユーザによって生成される場合もあるし(例えば、医師による通知)、自動的に生成されて(例えば、異常、症状発現、状態などが検出される場合)ECGプロファイルに割振られる場合もある。通知をECGデータに追加することによって、そのフラグ付けされたECGストリップ又はその一部は、ECGデータに関して最終的に生成されるレポートに自動的に追加される。
[0183] 次に図19Aを参照すると、対話的なディスプレイ701が図示される。対話的なディスプレイ701は、第1のグラフィックウィンドウ124に類似した第1のグラフィックウィンドウ702、及び第2のグラフィックウィンドウ125に類似した第2のグラフィックウィンドウ703を含む。対話的なディスプレイ701はまた、第1のグラフィックウィンドウ702における複数の拍動についての分析又は更なる情報を含む第3のグラフィックウィンドウ704を含む。例えば、第3のグラフィックウィンドウ704は1つ又は複数の形態を図示しており、それぞれが、上述のようにマッチングされた又は特定の類似性に基づいてグループ化された、複数の拍動ストリップを含む。対話的なディスプレイは、誘導ボタン706が押下されると誘導ウィンドウ705を開く誘導ボタン706を含む。誘導ウィンドウ705は、第2のグラフィックウィンドウ703及び/又は第3のグラフィックウィンドウ704において、選択及び閲覧するために利用可能な誘導のリストを含む。図19Aに示されるように、双極誘導1が選択されており、双極誘導2及び双極誘導3もまた、第2のグラフィックウィンドウ703及び/又は第3のグラフィックウィンドウ704における表示用に利用可能であるが、選択されていない。更には、誘導追加ボタン707は、第2の誘導からのECGデータを同時に表示するために押下される。
[0184] 次に図19Bを参照すると、第2のグラフィックウィンドウ703及び/又は第3のグラフィックウィンドウ704における表示用に選択された2つの誘導を用いる対話的なディスプレイ701が図示される。具体的には、図19Aの誘導ボタン707が押下された後、誘導ウィンドウ705に類似した誘導ウィンドウ712に加えて第2の誘導ボタン711が現れ、第2のグラフィックウィンドウ703及び/又は第3のグラフィックウィンドウ704において選択及び表示する、利用可能な誘導の同一のリストを含む。誘導ボタン706及び711を使用して、第2のグラフィックウィンドウ703及び/又は第3のグラフィックウィンドウ704において表示に利用可能な誘導のリストから2つの異なる誘導が選択される。2つの異なる誘導は、同一時間フレームに対応し、同一のサンプリング周波数を有する。誘導は、患者の身体の異なる部位に配置された2つの異なる誘導であるため、これらの誘導が検出する心臓活動が同一であっても、わずかに異なるECGデータが検出される場合がある。
[0185] 図19Bに示されるように、検出されたデータが水平なx軸に沿って同一時間において示されるように、第2のグラフィックウィンドウ703及び第3のグラフィックウィンドウ704は、2つの異なる誘導から同期したECGデータ(例えば、ストリップ)を表示する。具体的には、ECGストリップ713及びECGストリップ14は、第3のグラフィックウィンドウ704に表示され、ECGストリップ715及びECGストリップ716は第2のグラフィックウィンドウ703に表示される。ECGストリップ713は、ECGストリップ715に対応し、ECGストリップ714はECGストリップ716に対応する。2つの異なるECGストリップを同時に表示することは、ECGイベント、症状発現、異常、不規則性、及び/又は状態のより良い理解を促進することを理解されたい。例えば、1つの誘導がノイズを検出しても、他の誘導でノイズが検出されない場合は、このノイズは無視されてもよい。別の例では、あるECGストリップで異常がかすかなものであっても、2つ目のECGストリップでは、1つ目の誘導に対する2つ目の誘導の場所に起因して、はるかに顕著な場合がある。更なる比較のために、誘導ウィンドウ712を使用して、示される2つ以外の異なる誘導を選択してもよいことを更に理解されたい。第2のグラフィックウィンドウ703及び第3のグラフィックウィンドウ704には2つの誘導が示されるが、3つ以上の誘導(例えば、3誘導、4誘導、5誘導など)が表示されてもよいことを更に理解されたい。
[0186] 次に図20を参照すると、心房細動のリスクスコアを決定するための例示のプロセスが図示される。図20に図示されるプロセスを使用して、心房細動イベントを含んでいないECGデータに基づいて、近い将来(例えば、今後7日間)の心房細動のリスクが判定される。ECGデータは、1~3誘導など12未満の誘導から生成され、ECG記録デバイスは移動式デバイスであることを理解されたい。図20で描かれるプロセスのステップの一部又はすべては、あらゆる数のデバイス(例えば、コンピューティングデバイス及び/又はサーバ)に分散した様式で実行されてもよい。例えば、図20に図示されるプロセスは、図2に関して上述したサーバ15によって実施される。プロセスのステップの一部又はすべては任意選択であり、異なる順序で実施されてもよい。
[0187] 図20で説明されるプロセスを開始するために、ステップ802では、ECGデータを含むECG信号が決定される。例えば、これにはECGプラットフォームで生のECGデータを受信することを含む。生のECGデータは、任意選択で、(例えば、ノイズを除去するために)上述のように前処理される。ECGデータは、一定の時間(例えば、24時間)に渡ってもよいし、及び/又は24時間ホルタによって生成されてもよい。代替的に、ECGデータは、長い記録(例えば、7日間ホルタ記録)の一部(例えば、24時間)であってもよい。あらゆる他の記録時間が使用されてもよいことを理解されたい。
[0188] ECGデータを受信及び/又は決定すると、ステップ804では、ECGデータは、描画を実施するために、少なくとも1つの描画アルゴリズムを使用して分析及び/又は処理される。例えば、1つ又は複数のアルゴリズム及び/又はニューラルネットワークは、描画を実施するよう訓練され、ECGデータを処理してQRS発生を決定する。ステップ804の後、ステップ806~812、814~828、及び/又は830~836が、順次又は同時に実施される。ステップ806では、拍動のシーケンスが決定される。例えば、QRS発生に基づいて、拍動のシーケンスが識別され、この情報に基づいてECGデータがセグメント化される、及び/又はECGデータのセグメントがスタックされるかグループ化される。ステップ808では、各拍動から特徴が抽出される。例えば、各拍動(例えば、ECGデータのセグメント)は、各拍動から特徴を抽出する1つ又は複数のニューラルネットワーク(例えば、深層ニューラルネットワーク)によって処理される。モデル(例えば、ニューラルネットワーク)は、心房細動のリスクを示す、及び/又はそのリスクを予測する若しくはそのリスクに関する予測を知らせる、特徴を判定するように訓練される。
[0189] ステップ810では、拍動は、各拍動から抽出した特徴に基づいて比較される。例えば、特定の特徴を有する拍動が識別されてもよいし、特定の特徴を有する拍動の傾向若しくはパターンが判定されてもよいし、及び/又は類似の特徴を有する拍動がグループ化されてもよい。ステップ812では、ステップ808において抽出された特徴、及び/又はステップ810の拍動の比較に基づいて心房細動リスクスコアが生成される。例えば、ステップ808で識別された特定の特徴の存在、及び/又はステップ810で識別された特定の特徴を有する拍動の傾向若しくはパターンは、ステップ812で心房細動リスクスコアを決定するために使用される。この心房細動リスクスコアは、近い将来(例えば、今後7日間)における患者の心房細動イベントのリスクを示す。
[0190] 再度ステップ804を参照すると、描画が行なわれた後、ECGデータ及び/又は描画アルゴリズムの1つ若しくは複数の出力は、ステップ814で分類を実施するために、少なくとも1つの分類アルゴリズムを使用して分析及び/又は処理される。例えば、ECGデータ及び/又は描画アルゴリズムの1つ若しくは複数の出力(例えば、QRS発生)は、拍動に対応するECGデータ又はその一部を、正常、PAC、又はPVCに分類するために分析される。ステップ804の後、ステップ816~828、及び830~836が、順次又は同時に実施される。
[0191] ステップ816では、ECGデータで検出された拍動についてのタイミングデータが決定される。例えば、タイムスタンプ又は他の時間データが、各拍動について決定される。タイムスタンプは、記録の始まり以降で拍動が発生した時間である。ステップ818では、識別された拍動に基づく心拍数データが決定される。心拍数データは、各拍動に対して決定されたタイムスタンプに基づいて、各拍動のRR時間を識別することによって決定される。ステップ820では、心拍数-時間(HR時間)行列が決定される。HR-時間行列は、ステップ816で決定された時間データと、ステップ818で決定された心拍数データとによって形成される。例えば、HR-時間行列の各行は、心拍数値のビンを表し、各列は、タイムスタンプのビンを表し、図11及び図12に関して上述した手法に類似している。
[0192] ステップ824では、HR-時間行列の図表現が生成される。HR-時間行列の図表現は、ステップ814で識別された拍動カテゴリ(例えば、正常、PAC、及びPVC)を使用して構築される。例えば、HR-時間行列の図表現は、図21に図示される。図21に示されるように、図表現850は、x軸に沿った時間を含み、時間に対してプロットされた複数の心拍数ポイントを含む。図表現850は、識別子852及び識別子853を含み、これらの識別子は、図表現850の時間に関してPAC又はPVCを識別する。特定のカテゴリ(例えば、PAC、PVCなど)では、拍動のみを用いて類似の図表現が生成されることを理解されたい。
[0193] 再度図20を参照すると、ステップ826では、ステップ824で生成された図表現は、心房細動のリスク又は可能性を判定するように訓練された1つ又は複数のニューラルネットワークによって処理される。1つ又は複数のニューラルネットワークは、例えばDNN及び/又はCNNである。ステップ828では、心房細動のリスクを示すスコアが、図表現を処理するために使用された1つ又は複数のニューラルネットワークによって生成される。一例では、1つ又は複数のニューラルネットワークは、追加的に又は代替的に、PAC及び/又はPVCと分類された拍動のみを使用して図表現を処理することがある。
[0194] ステップ814の後、代替的に、ステップ830で患者情報が判定される。例えば、ステップ802で決定されたECGデータに対応する患者についての情報、例えば年齢、性別、患者病歴、家族病歴などが判定される。ステップ832では、PACの数、PVCの数、心拍数統計値、年齢などの特徴が判定される。心拍数統計値は、例えば最大心拍数、最小心拍数、及び/又は平均心拍数である。一例では、1つ又は複数のニューラルネットワークは、心房細動のリスクに関連する特徴を抽出及び/又は判定するために使用される。例えば、後で(例えば、数日後)心房細動があると分かるが、ECG信号には心房細動が見られないECGデータセットを、1つ又は複数のニューラルネットワークを使用して処理して、後で(例えば、今後7日間以内)心房細動を発症したと分かっている患者に関連付けられる、心房細動のないECGデータに関連する特徴(例えば、PACの数、PVCの数、HR統計値、年齢、及び/又は性別)を判定することができる。
[0195] ステップ834では、ステップ832で判定された特徴を分類器(例えば、1つ又は複数のニューラルネットワーク)に適用して、そのようなECGデータ及び患者情報についてのリスクスコアを最終的に決定する。例えば、分類器は、将来(例えば、今後7日間)に患者が心房細動を発症する可能性又はリスクを知らせるために使用され得る1つ又は複数の特徴の存在を判定する。一例では、分類器は、DNN、ロジスティック回帰、及び/又はランダムフォレストである。
[0196] ステップ838では、ステップ812、ステップ828、及び/又はステップ836で決定された心房細動リスクスコアは、最終心房細動リスクスコアを決定するために使用され、この最終心房細動リスクスコアは、近い将来(例えば、今後2~3日間、今後7日間、翌月など)患者が1つ又は複数の心房細動イベントを発症するリスク又は可能性を示す。ステップ802で判定されるECGデータは、心房細動イベントを含んでいないが、ステップ812、828、836、及び838で決定されるスコアは、将来的な心房細動イベントの可能性又はリスクを示すことを理解されたい。
[0197] ステップ812、828、及び/又は836で決定される心房細動リスクスコアは、最終心房細動リスクスコアを決定するように訓練されたモデル(例えば、1つ又は複数のニューラルネットワーク)に入力してもよい。別の例では、ステップ812、828、836で決定されるリスクは平均化されてもよいし、代替的に重み付けされた平均又は結合されたスコアが決定されてもよい。代替的に、これらのリスクは、ステップ838で最終心房細動リスクスコアを決定するように、他のやり方で結合されてもよい。
[0198] 任意選択のステップ839では、ECGモニタリング期間は、最終心房細動リスクに基づいて調節される。例えば、最終心房細動リスクスコアが、近い将来患者が心房細動を発症するリスクが高いことを示す(例えば、最終心房細動リスクが、今後7日間以内で心房細動のリスクが高いことを示す一定のしきい値を満足する及び/又は越える)場合、ECG処理システムによって、ECGレコーダは、予測される心房細動イベントを(例えば、今後7日間で)捉えるために、ECGモニタリングをセット、延長、及び/又は調節する。例えば、ECG処理システムによって、移動式記録デバイスは、予測される心房細動イベントを捉える期間、ECGデータを記録する。
[0199] 本明細書で上述したどの動作も、少なくとも一部、コンピュータ可読メモリに記憶されるコンピュータ可読命令として実行されることを理解されたい。プロセッサによってコンピュータ可読命令が実行されると、コンピュータ可読命令によって、ノードが動作を実行する。もちろんのことであるが、本明細書で説明される実施形態は例示的であり、コンポーネントは多様で異なる構成で配置、置換、結合、及び設計され、それらのすべてが、本開示の範囲内で企図され、その範囲に含まれることも理解されたい。
[0200] 例示的な実施形態の前述の説明は、例示目的及び説明目的で提示された。開示される精密な形態に関して、網羅的又は限定的であるよう意図されておらず、修正形態及び変形形態は、上記教示に照らして可能であるか、開示される実施形態の実用から得られる場合もある。本発明の範囲は、特許請求の範囲によって定められるよう意図されている。
Claims (30)
- 患者の心電図(ECG)データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
心イベントの存在を判定するために前記ECGデータを分析することと、
前記ECGデータの前記分析に基づいて、前記心イベントが存在すると判定される場合、表示用に前記心イベントの前記存在を識別するために情報を生成することと、
前記ECGデータの前記分析に基づいて、前記心イベントが存在しないと判定される場合、前記ECGデータを更に分析して、表示用に前記心イベントの将来的なリスクを示すリスクスコアを決定することと
を行なう、コンピュータ化されたシステム。 - 前記心イベントが、心房細動である、請求項1に記載のコンピュータ化されたシステム。
- 前記コンピュータ化されたシステムが、
前記ECGデータに対して描画を実施して、複数の拍動を決定することと、
前記複数の拍動から複数の第1の特徴を抽出することと、
前記複数の第1の特徴に基づいて第1のリスクスコアを決定することであって、前記第1のリスクスコアが、前記患者の将来的な心房細動を示す、当該決定することと
を更に行なう、請求項1に記載のコンピュータ化されたシステム。 - 前記ECGデータに対して描画を実施することが、複数のQRS発生値を決定する、請求項3に記載のコンピュータ化されたシステム。
- 前記コンピュータ化されたシステムが、
前記ECGデータに対して分類を実行して、前記複数の拍動のうちの拍動を、正常、心房性期外収縮(PAC)、心室性期外収縮(PVC)に分類することと、
前記複数の拍動に対応する複数のタイムスタンプを決定することと、
前記複数のタイムスタンプに基づいて複数の心拍数値を決定することと、
前記複数のタイムスタンプ及び前記複数の心拍数値に基づいて行列を決定することと、
前記行列の図表現を生成することと、
前記行列の前記図表現を少なくとも1つのニューラルネットワークを使用して処理して、前記患者の将来的な心房細動を示す第2のリスクスコアを決定することと
を更に行なう、請求項3に記載のコンピュータ化されたシステム。 - 前記少なくとも1つのニューラルネットワークが、少なくとも1つの深層ニューラルネットワーク(DNN)である、請求項5に記載のコンピュータ化されたシステム。
- 前記コンピュータ化されたシステムが、
前記患者に対応する患者情報を判定することであって、前記患者情報が前記患者の年齢及び性別のうち、1つ又は複数を含む、当該判定することと、
心房細動を示す前記ECGデータの複数の第2の特徴を判定することと、
前記複数の第2の特徴を分類器に適用して、前記患者の将来的な心房細動を示す第3のリスクスコアを決定することと
を更に行なう、請求項5に記載のコンピュータ化されたシステム。 - 前記分類器が、DNN、ロジスティック回帰、及びランダムフォレストのうちの1つ又は複数である、請求項7に記載のコンピュータ化されたシステム。
- 前記リスクスコアが、前記第1のリスクスコア、前記第2のリスクスコア、及び前記第3のリスクスコアのうちの1つ又は複数に基づいている、請求項7に記載のコンピュータ化されたシステム。
- 前記コンピュータ化されたシステムが、
前記第1のリスクスコア、前記第2のリスクスコア、及び前記第3のリスクスコアの平均を決定して、前記リスクスコアを決定すること
を更に行なう、請求項7に記載のコンピュータ化されたシステム。 - 前記コンピュータ化されたシステムが、
前記第1のリスクスコア、前記第2のリスクスコア、及び前記第3のリスクスコアを、前記リスクスコアを決定するよう訓練された第1のニューラルネットワークに適用すること
を更に行なう、請求項7に記載のコンピュータ化されたシステム。 - 前記リスクスコアが、一定期間における心房細動の可能性を示し、前記コンピュータ化されたシステムが、
ECGレコーダに、前記一定期間、第2のECGデータを捉えさせること
を更に行なう、請求項1に記載のコンピュータ化されたシステム。 - 患者の心電図(ECG)データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
描画アルゴリズムを使用して前記ECGデータを分析して少なくとも1つの波の存在の可能性を示す波形情報を決定することと、
ベースライン分類アルゴリズムを使用して前記ECGデータ及び前記波形情報を分析することと、
前記ベースライン分類アルゴリズムを使用して、少なくとも1つの心イベントの存在を示す第1の値を決定することと、
前記ベースライン分類アルゴリズムと比較して感度を下げた鈍化分類アルゴリズムを使用して前記ECGデータ及び前記波形情報を分析することと、
前記鈍化分類アルゴリズムを使用して第2の値を決定することと、
前記ベースライン分類アルゴリズムと比較して感度を高めた敏感分類アルゴリズムを使用して前記ECGデータ及び前記波形情報を分析することと、
前記敏感分類アルゴリズムを使用して第3の値を決定することと、
前記少なくとも1つの心イベントの前記存在を示す前記第2の値及び前記第3の値に基づいて、前記ベースライン分類が有効であることを判定することと
を行なう、コンピュータ化されたシステム。 - 前記コンピュータ化されたシステムが、前記少なくとも1つの心イベントの前記存在に対応するレポートを自動的に生成することを更に行なう、請求項13に記載のコンピュータ化されたシステム。
- 患者の心電図(ECG)データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
描画アルゴリズムを使用して前記ECGデータを分析して少なくとも1つの波の存在の可能性を示す第1の情報を決定することと、
複数の分類ニューラルネットワークを使用して前記ECGデータ及び前記第1の情報を分析することであって、前記複数の分類ニューラルネットワークのそれぞれが、前記分類ニューラルネットワークに一意な重み付けされた値を利用する、当該分析することと、
前記複数の分類ニューラルネットワークを使用して複数の出力を決定することであって、前記複数の出力のそれぞれの出力が、前記複数の分類ニューラルネットワークのうちの1つの分類ニューラルネットワークに対応する、当該決定することと、
コンバイナを使用して前記複数の出力を分析して、心房細動の確率、及び前記心房細動の確率の精度を示す信頼度スコアを決定することと
を行なう、コンピュータ化されたシステム。 - 前記コンバイナが、前記複数の出力を平均することによって、平均値を決定する、請求項15に記載のコンピュータ化されたシステム。
- 前記コンバイナが、前記複数の出力の最小値を決定する、請求項15に記載のコンピュータ化されたシステム。
- 前記コンバイナが、前記複数の出力の最大値を決定する、請求項15に記載のコンピュータ化されたシステム。
- 患者の心電図(ECG)データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
描画アルゴリズムを使用して前記ECGデータを分析して少なくとも1つの波の存在の可能性を示す第1の情報を決定することと、
入力変形器を使用して前記ECGデータ及び前記第1の情報を分析して前記ECGデータを修正し、複数の入力を生成することと、
分類ニューラルネットワークを使用して前記複数の入力を分析することと、
前記分類ニューラルネットワークを使用して複数の出力を決定することであって、前記複数の出力のそれぞれの出力が、前記複数の入力のうちの1つの入力に対応する、当該決定することと、
コンバイナを使用して前記複数の出力を分析して、心房細動の確率、及び心前記房細動の確率の精度を示す信頼度スコアを決定することと
を行なう、コンピュータ化されたシステム。 - 前記コンバイナが、前記複数の出力を平均することによって、平均値を決定する、請求項19に記載のコンピュータ化されたシステム。
- 前記コンバイナが、前記複数の出力の最小値を決定する、請求項19に記載のコンピュータ化されたシステム。
- 前記コンバイナが、前記複数の出力の最大値を決定する、請求項19に記載のコンピュータ化されたシステム。
- 前記入力変形器が、フロート値を使用して前記ECGデータを増幅するために、増幅変形を実行する、請求項19に記載のコンピュータ化されたシステム。
- 前記入力変形器が、前記ECGデータを時間的にワーピングするために、伸張変形を実行する、請求項19に記載のコンピュータ化されたシステム。
- 患者の心電図(ECG)データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
描画アルゴリズムを使用して前記ECGデータを分析して少なくとも1つの波の存在の可能性に対応する第1の情報を決定することと、
分類アルゴリズムを使用して前記ECGデータ及び前記第1の情報を分析して、前記ECGデータに対応する複数の特徴マップを抽出することと、
前記複数の特徴マップを再帰ニューラルネットワークに適用することと、
前記再帰ニューラルネットワークを使用して前記複数の特徴マップを分析して、第1の拍動の直前に生じた第2の拍動を示す、前記複数の特徴マップのうちの1つの特徴マップに基づいて、前記第1の拍動に対応するシーケンスラベルを決定することと
を行なう、コンピュータ化されたシステム。 - 前記シーケンスラベルが、異所性、上室性、又はPVCのうちの1つである、請求項25に記載のコンピュータ化されたシステム。
- 患者の心電図(ECG)データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
第1の誘導に対応する第1のECGデータと第2の誘導に対応する第2のECGデータとを含む、複数のECGデータを決定することと、
ECGインターフェースに、前記第1のECGデータの少なくとも一部の第1の図表現を表示させることと、
命令を決定して、前記第1の図表現に加えて前記第2のECGデータの少なくとも一部の第2の図表現を表示することと、
前記ECGインターフェースに、前記第1の図表示と同期させて前記第2の図表示を、同時に表示させることと
を行なう、コンピュータ化されたシステム。 - 前記コンピュータ化されたシステムが、
第3の誘導に対応する第3のECGデータを決定することであって、前記複数のECGデータが、前記第3のECGデータを更に含む、決定することと、
命令を決定して、前記第3のECGデータ及び前記第2のECGデータの少なくとも一部の第3の図表現を表示することと、
前記ECGインターフェースに、前記第2の図表現と同期させて前記第3の図表現を、同時に表示させることと
を更に行なう、請求項27に記載のコンピュータ化されたシステム。 - 患者の心電図(ECG)データを分析するためのコンピュータ化されたシステムであって、前記コンピュータ化されたシステムは、
ECGデータを、ECGデータのデータベースから、前記コンピュータ化されたシステムにアップロードすることと、
プロファイルを前記ECGデータに割振ることと、
所定のラベルを前記ECGデータに関連付けるために命令を決定することと、
前記所定のラベルを前記ECGデータに関連付けられる前記プロファイルに割振ることと、
命令を決定して、前記所定のラベルに基づいて複数のECGプロファイルをフィルタリングすることであって、前記複数のプロファイルが前記プロファイルを含む、フィルタリングすることと
を行なう、コンピュータ化されたシステム。 - 前記コンピュータ化されたシステムが、
心イベントの存在を判定するために前記ECGデータを分析することと、
第2のラベルを前記ECGデータに関連付けられる前記プロファイルに割振ることであって、前記第2のラベルが前記心イベントの前記存在に基づいている、割振ることと
を更に行なう、請求項29に記載のコンピュータ化されたシステム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063063899P | 2020-08-10 | 2020-08-10 | |
US63/063,899 | 2020-08-10 | ||
EP20306566.9 | 2020-12-15 | ||
EP20306566 | 2020-12-15 | ||
PCT/IB2021/057341 WO2022034480A1 (en) | 2020-08-10 | 2021-08-09 | Electrocardiogram processing system for detecting and/or predicting cardiac events |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023544242A true JP2023544242A (ja) | 2023-10-23 |
JPWO2022034480A5 JPWO2022034480A5 (ja) | 2024-08-19 |
Family
ID=77543549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023509588A Pending JP2023544242A (ja) | 2020-08-10 | 2021-08-09 | 心イベントを検出及び/又は予測するための、心電図処理システム |
Country Status (5)
Country | Link |
---|---|
US (1) | US11678831B2 (ja) |
EP (1) | EP4192354A1 (ja) |
JP (1) | JP2023544242A (ja) |
CN (1) | CN116322479A (ja) |
WO (1) | WO2022034480A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220068479A1 (en) * | 2020-08-26 | 2022-03-03 | Biosense Webster (Israel) Ltd. | Separating abnormal heart activities into different classes |
US20220068483A1 (en) * | 2020-09-01 | 2022-03-03 | Biosense Webster (Israel) Ltd. | Arrhythmia classification for cardiac mapping |
US11633112B2 (en) | 2021-03-08 | 2023-04-25 | Medtronic, Inc. | Automatic alert control for acute health event |
CN117257324B (zh) * | 2023-11-22 | 2024-01-30 | 齐鲁工业大学(山东省科学院) | 基于卷积神经网络和ecg信号的房颤检测方法 |
Family Cites Families (185)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1323922C (en) | 1989-09-26 | 1993-11-02 | William Fang | Personal health monitor enclosure |
JPH04279175A (ja) | 1990-07-03 | 1992-10-05 | Telectronics Nv | 不整脈制御装置および不整脈検出方法 |
US5632272A (en) | 1991-03-07 | 1997-05-27 | Masimo Corporation | Signal processing apparatus |
US5239494A (en) | 1991-10-30 | 1993-08-24 | Motorola, Inc. | Random bit stream generator and method |
US5966692A (en) | 1992-05-12 | 1999-10-12 | Telemed Technologies International Corporation | Method and system for monitoring the heart of a patient |
FR2722313B1 (fr) | 1994-07-07 | 1997-04-25 | Ela Medical Sa | Procede de compression de donnees physiologiques, notamment d'active cardiaque, en particulier pour un enregistrement holter d'electrocardiogrammes ou d'electrogrammes |
US5619991A (en) | 1995-04-26 | 1997-04-15 | Lucent Technologies Inc. | Delivery of medical services using electronic data communications |
US5819007A (en) | 1996-03-15 | 1998-10-06 | Siemens Medical Systems, Inc. | Feature-based expert system classifier |
JP3635663B2 (ja) | 1996-04-17 | 2005-04-06 | セイコーエプソン株式会社 | 不整脈検出装置 |
US5907291A (en) | 1997-06-05 | 1999-05-25 | Vsm Technology Inc. | Multi-patient monitoring apparatus and method |
US6024699A (en) | 1998-03-13 | 2000-02-15 | Healthware Corporation | Systems, methods and computer program products for monitoring, diagnosing and treating medical conditions of remotely located patients |
WO2001061550A2 (en) | 2000-02-18 | 2001-08-23 | Cambridge Heart, Inc. | Automated interpretation of t-wave alternans results |
GB2362954A (en) | 2000-06-02 | 2001-12-05 | Cardionetics Ltd | Blood pressure measurement |
US6507753B1 (en) | 2000-08-09 | 2003-01-14 | Ge Marquette Medical Systems, Inc. | Method and apparatus to detect acute cardiac syndromes in specified groups of patients using ECG |
US6612985B2 (en) | 2001-02-26 | 2003-09-02 | University Of Rochester | Method and system for monitoring and treating a patient |
US6694177B2 (en) | 2001-04-23 | 2004-02-17 | Cardionet, Inc. | Control of data transmission between a remote monitoring unit and a central unit |
US6656125B2 (en) | 2001-06-01 | 2003-12-02 | Dale Julian Misczynski | System and process for analyzing a medical condition of a user |
US7244230B2 (en) | 2002-11-08 | 2007-07-17 | Siemens Medical Solutions Usa, Inc. | Computer aided diagnostic assistance for medical imaging |
IL155955A0 (en) | 2003-05-15 | 2003-12-23 | Widemed Ltd | Adaptive prediction of changes of physiological/pathological states using processing of biomedical signal |
JP2005000409A (ja) | 2003-06-12 | 2005-01-06 | Omron Healthcare Co Ltd | 心電計および心電波形表示方法 |
US7142907B2 (en) | 2003-07-01 | 2006-11-28 | Ge Medical Systems Information Technologies, Inc. | Method and apparatus for algorithm fusion of high-resolution electrocardiograms |
WO2005060829A1 (en) | 2003-11-26 | 2005-07-07 | Cardionet, Inc. | System and method for processing and presenting arrhythmia information to facilitate heart arrhythmia identification and treatment |
US7194300B2 (en) | 2004-01-21 | 2007-03-20 | Cardionet, Inc. | Cardiac monitoring |
US7587237B2 (en) | 2004-02-02 | 2009-09-08 | Cardionet, Inc. | Biological signal management |
US7099715B2 (en) | 2004-02-17 | 2006-08-29 | Cardionet, Inc. | Distributed cardiac activity monitoring with selective filtering |
US7174205B2 (en) | 2004-04-05 | 2007-02-06 | Hewlett-Packard Development Company, L.P. | Cardiac diagnostic system and method |
US7471977B2 (en) | 2004-06-30 | 2008-12-30 | General Electric Company | Method and system for detecting pace pulses |
US9820658B2 (en) | 2006-06-30 | 2017-11-21 | Bao Q. Tran | Systems and methods for providing interoperability among healthcare devices |
IL165096A0 (en) | 2004-11-08 | 2005-12-18 | Eyal Cohen | A method and system for diagnosis of cardiac diseases utilizing neural networks |
US7460902B2 (en) | 2005-02-02 | 2008-12-02 | The General Electric Company | Monitoring of atrial activation |
US8818496B2 (en) | 2005-10-14 | 2014-08-26 | Medicalgorithmics Ltd. | Systems for safe and remote outpatient ECG monitoring |
WO2007098228A2 (en) * | 2006-02-17 | 2007-08-30 | Transoma Medical, Inc. | System and method of monitoring physiological signals |
US8684900B2 (en) | 2006-05-16 | 2014-04-01 | Bao Tran | Health monitoring appliance |
US8155735B2 (en) * | 2006-09-19 | 2012-04-10 | The Cleveland Clinic Foundation | Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients |
US7593764B2 (en) | 2006-10-03 | 2009-09-22 | General Electric Company | System and method of serial comparison for detection of long QT syndrome (LQTS) |
US7769434B2 (en) | 2006-11-30 | 2010-08-03 | General Electric Company | Method of physiological data analysis and measurement quality check using principal component analysis |
GB0624081D0 (en) | 2006-12-01 | 2007-01-10 | Oxford Biosignals Ltd | Biomedical signal analysis method |
EP2170155A4 (en) | 2007-06-28 | 2012-01-25 | Cardiosoft Llp | DIAGNOSTIC AND PREDICTION SYSTEM AND METHODOLOGY USING SUPERSCORE MULTI-PARAMETER ELECTROCARDIOGRAPHY TECHNIQUE |
US8666483B2 (en) | 2007-10-24 | 2014-03-04 | Siemens Medical Solutions Usa, Inc. | System for cardiac medical condition detection and characterization |
US8346349B2 (en) | 2008-01-16 | 2013-01-01 | Massachusetts Institute Of Technology | Method and apparatus for predicting patient outcomes from a physiological segmentable patient signal |
CN101268938A (zh) | 2008-04-30 | 2008-09-24 | 董军 | 用于心电图识别与分类的方法和设备 |
US20100030302A1 (en) | 2008-07-30 | 2010-02-04 | Medtronic, Inc. | Method for displaying trended data retrieved from a medical device |
US7894888B2 (en) | 2008-09-24 | 2011-02-22 | Chang Gung University | Device and method for measuring three-lead ECG in a wristwatch |
EP2384144A1 (en) | 2008-12-30 | 2011-11-09 | Koninklijke Philips Electronics N.V. | A method and system for processing heart sound signals |
US10588527B2 (en) | 2009-04-16 | 2020-03-17 | Braemar Manufacturing, Llc | Cardiac arrhythmia report |
US9339202B2 (en) | 2009-11-03 | 2016-05-17 | Vivaquant Llc | System for processing physiological data |
US8632465B1 (en) | 2009-11-03 | 2014-01-21 | Vivaquant Llc | Physiological signal denoising |
CN101766484B (zh) | 2010-01-18 | 2011-09-07 | 董军 | 用于心电图识别与分类的方法和设备 |
US8909332B2 (en) | 2010-01-26 | 2014-12-09 | Stmicroelectronics S.R.L. | Method and device for estimating morphological features of heart beats |
CN102188240A (zh) | 2010-03-05 | 2011-09-21 | 华东师范大学 | 一种心电图数据采样方法及其装置 |
CN107742534A (zh) | 2010-03-15 | 2018-02-27 | 新加坡保健服务集团有限公司 | 患者存活性预测系统 |
US20110282225A1 (en) | 2010-05-12 | 2011-11-17 | Medtronic, Inc. | Techniques for reviewing and analyzing implantable medical device system data |
US8509882B2 (en) | 2010-06-08 | 2013-08-13 | Alivecor, Inc. | Heart monitoring system usable with a smartphone or computer |
US9351654B2 (en) | 2010-06-08 | 2016-05-31 | Alivecor, Inc. | Two electrode apparatus and methods for twelve lead ECG |
WO2012009453A2 (en) | 2010-07-14 | 2012-01-19 | Mayo Foundation For Medical Education And Research | Non-invasive monitoring of physiological conditions |
WO2012061509A1 (en) | 2010-11-02 | 2012-05-10 | Cardionet, Inc. | Medical data collection apparatus |
US20140148714A1 (en) | 2010-12-20 | 2014-05-29 | Ecole Polytechnique Federale De Lausanne (Epfl) | Automatic online delineation of a multi-lead electrocardiogram bio signal |
US20120203491A1 (en) | 2011-02-03 | 2012-08-09 | Nokia Corporation | Method and apparatus for providing context-aware control of sensors and sensor data |
US9510768B2 (en) | 2011-02-23 | 2016-12-06 | Stmicroelectronics S.R.L. | Device for measuring impedance of biologic tissues including an alternating current (AC) coupled voltage-to-current converter |
WO2012140559A1 (en) | 2011-04-11 | 2012-10-18 | Medic4All Ag | Pulse oximetry measurement triggering ecg measurement |
US20120278099A1 (en) | 2011-04-26 | 2012-11-01 | Cerner Innovation, Inc. | Monitoring, capturing, measuring and annotating physiological waveform data |
EP2712454A4 (en) | 2011-05-10 | 2015-04-15 | Bionym Inc | SYSTEM AND METHOD FOR CONTINUOUS OR INSTANT IDENTITY RECOGNITION BASED ON PHYSIOLOGICAL BIOMETRIC SIGNALS |
CN102379694B (zh) | 2011-10-12 | 2014-07-16 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图r波检测方法 |
US9084548B2 (en) | 2011-11-07 | 2015-07-21 | Braemar Manufacturing, Llc | Ventricular fibrillation detection |
JP6016816B2 (ja) | 2012-01-31 | 2016-10-26 | コーデンシ株式会社 | エンコーダ用センサ取り付け体、ドラムディスク型エンコーダ及びこれらを用いたエンコーダ付きモータ |
US10849563B2 (en) | 2012-03-19 | 2020-12-01 | University Of Florida Research Foundation, Inc. | Methods and systems for brain function analysis |
EP2676604B1 (en) | 2012-06-19 | 2016-08-10 | Texas Instruments France | Real time QRS duration measurement in electrocardiogram |
US8954135B2 (en) | 2012-06-22 | 2015-02-10 | Fitbit, Inc. | Portable biometric monitoring devices and methods of operating same |
CN102779234B (zh) | 2012-06-28 | 2015-10-28 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种心电图分类处理方法及装置 |
CN104798074A (zh) | 2012-09-18 | 2015-07-22 | 德尔格医疗系统有限公司 | 产生患者参数数据的用户界面显示的系统和方法 |
BR112015009047A2 (pt) | 2012-10-26 | 2017-07-04 | Koninklijke Philips Nv | sistema e método para interpretar um eletrocardiograma |
US9254095B2 (en) | 2012-11-08 | 2016-02-09 | Alivecor | Electrocardiogram signal detection |
WO2014116825A1 (en) | 2013-01-24 | 2014-07-31 | Irhythm Technologies, Inc. | Physiological monitoring device |
CN103110417B (zh) | 2013-02-28 | 2014-07-16 | 华东师范大学 | 一种心电图自动识别系统 |
US20140275840A1 (en) | 2013-03-15 | 2014-09-18 | Flint Hills Scientific, L.L.C. | Pathological state detection using dynamically determined body data variability range values |
CN103284702A (zh) | 2013-06-17 | 2013-09-11 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图和脉搏波关系分析及融合分析的方法和装置 |
US9247911B2 (en) | 2013-07-10 | 2016-02-02 | Alivecor, Inc. | Devices and methods for real-time denoising of electrocardiograms |
US20150018660A1 (en) | 2013-07-11 | 2015-01-15 | Alivecor, Inc. | Apparatus for Coupling to Computing Devices and Measuring Physiological Data |
KR101524226B1 (ko) | 2013-08-19 | 2015-05-29 | 광운대학교 산학협력단 | 신경망을 이용한 심장질환판별 방법 및 그 장치 |
WO2015030712A1 (en) | 2013-08-26 | 2015-03-05 | Bodhi Technology Ventures Llc | Method of detecting the wearing limb of a wearable electronic device |
CN103417209B (zh) | 2013-08-29 | 2015-06-03 | 中国科学院苏州纳米技术与纳米仿生研究所 | 一种心电图特征选择方法 |
US9808206B1 (en) | 2013-09-09 | 2017-11-07 | Scanadu, Inc. | Data acquisition quality and data fusion for personal portable wireless vital signs scanner |
US10433748B2 (en) | 2013-09-25 | 2019-10-08 | Bardy Diagnostics, Inc. | Extended wear electrocardiography and physiological sensor monitor |
US9433380B1 (en) | 2013-09-25 | 2016-09-06 | Bardy Diagnostics, Inc. | Extended wear electrocardiography patch |
US9345414B1 (en) | 2013-09-25 | 2016-05-24 | Bardy Diagnostics, Inc. | Method for providing dynamic gain over electrocardiographic data with the aid of a digital computer |
US20190099105A1 (en) | 2013-09-25 | 2019-04-04 | Bardy Diagnostics, Inc. | Self-Expiring Electrocardiography And Physiological Sensor Monitor |
US9717432B2 (en) | 2013-09-25 | 2017-08-01 | Bardy Diagnostics, Inc. | Extended wear electrocardiography patch using interlaced wire electrodes |
US9615763B2 (en) | 2013-09-25 | 2017-04-11 | Bardy Diagnostics, Inc. | Ambulatory electrocardiography monitor recorder optimized for capturing low amplitude cardiac action potential propagation |
US9717433B2 (en) | 2013-09-25 | 2017-08-01 | Bardy Diagnostics, Inc. | Ambulatory electrocardiography monitoring patch optimized for capturing low amplitude cardiac action potential propagation |
US10799137B2 (en) | 2013-09-25 | 2020-10-13 | Bardy Diagnostics, Inc. | System and method for facilitating a cardiac rhythm disorder diagnosis with the aid of a digital computer |
US10736531B2 (en) | 2013-09-25 | 2020-08-11 | Bardy Diagnostics, Inc. | Subcutaneous insertable cardiac monitor optimized for long term, low amplitude electrocardiographic data collection |
US10736529B2 (en) | 2013-09-25 | 2020-08-11 | Bardy Diagnostics, Inc. | Subcutaneous insertable electrocardiography monitor |
US10251576B2 (en) | 2013-09-25 | 2019-04-09 | Bardy Diagnostics, Inc. | System and method for ECG data classification for use in facilitating diagnosis of cardiac rhythm disorders with the aid of a digital computer |
US9655538B2 (en) | 2013-09-25 | 2017-05-23 | Bardy Diagnostics, Inc. | Self-authenticating electrocardiography monitoring circuit |
US9545204B2 (en) | 2013-09-25 | 2017-01-17 | Bardy Diagnostics, Inc. | Extended wear electrocardiography patch |
US10806360B2 (en) | 2013-09-25 | 2020-10-20 | Bardy Diagnostics, Inc. | Extended wear ambulatory electrocardiography and physiological sensor monitor |
US9700227B2 (en) | 2013-09-25 | 2017-07-11 | Bardy Diagnostics, Inc. | Ambulatory electrocardiography monitoring patch optimized for capturing low amplitude cardiac action potential propagation |
US10888239B2 (en) | 2013-09-25 | 2021-01-12 | Bardy Diagnostics, Inc. | Remote interfacing electrocardiography patch |
US9364155B2 (en) | 2013-09-25 | 2016-06-14 | Bardy Diagnostics, Inc. | Self-contained personal air flow sensing monitor |
US20150088020A1 (en) | 2013-09-25 | 2015-03-26 | Bardy Diagnostics, Inc. | System and Method For Interactive Processing Of ECG Data |
US9619660B1 (en) | 2013-09-25 | 2017-04-11 | Bardy Diagnostics, Inc. | Computer-implemented system for secure physiological data collection and processing |
US10463269B2 (en) | 2013-09-25 | 2019-11-05 | Bardy Diagnostics, Inc. | System and method for machine-learning-based atrial fibrillation detection |
US10433751B2 (en) | 2013-09-25 | 2019-10-08 | Bardy Diagnostics, Inc. | System and method for facilitating a cardiac rhythm disorder diagnosis based on subcutaneous cardiac monitoring data |
US9655537B2 (en) | 2013-09-25 | 2017-05-23 | Bardy Diagnostics, Inc. | Wearable electrocardiography and physiology monitoring ensemble |
US9408551B2 (en) | 2013-11-14 | 2016-08-09 | Bardy Diagnostics, Inc. | System and method for facilitating diagnosis of cardiac rhythm disorders with the aid of a digital computer |
US10165946B2 (en) | 2013-09-25 | 2019-01-01 | Bardy Diagnostics, Inc. | Computer-implemented system and method for providing a personal mobile device-triggered medical intervention |
US9504423B1 (en) | 2015-10-05 | 2016-11-29 | Bardy Diagnostics, Inc. | Method for addressing medical conditions through a wearable health monitor with the aid of a digital computer |
US9775536B2 (en) | 2013-09-25 | 2017-10-03 | Bardy Diagnostics, Inc. | Method for constructing a stress-pliant physiological electrode assembly |
US9408545B2 (en) | 2013-09-25 | 2016-08-09 | Bardy Diagnostics, Inc. | Method for efficiently encoding and compressing ECG data optimized for use in an ambulatory ECG monitor |
US9433367B2 (en) | 2013-09-25 | 2016-09-06 | Bardy Diagnostics, Inc. | Remote interfacing of extended wear electrocardiography and physiological sensor monitor |
US11213237B2 (en) | 2013-09-25 | 2022-01-04 | Bardy Diagnostics, Inc. | System and method for secure cloud-based physiological data processing and delivery |
US9737224B2 (en) | 2013-09-25 | 2017-08-22 | Bardy Diagnostics, Inc. | Event alerting through actigraphy embedded within electrocardiographic data |
US20170238833A1 (en) | 2013-09-25 | 2017-08-24 | Bardy Diagnostics, Inc. | Electrocardiography And Syncope Monitor Recorder |
US10478075B2 (en) | 2013-10-25 | 2019-11-19 | Qualcomm Incorporated | System and method for obtaining bodily function measurements using a mobile device |
USD744659S1 (en) | 2013-11-07 | 2015-12-01 | Bardy Diagnostics, Inc. | Extended wear electrode patch |
USD793566S1 (en) | 2015-09-10 | 2017-08-01 | Bardy Diagnostics, Inc. | Extended wear electrode patch |
USD717955S1 (en) | 2013-11-07 | 2014-11-18 | Bardy Diagnostics, Inc. | Electrocardiography monitor |
USD801528S1 (en) | 2013-11-07 | 2017-10-31 | Bardy Diagnostics, Inc. | Electrocardiography monitor |
USD831833S1 (en) | 2013-11-07 | 2018-10-23 | Bardy Diagnostics, Inc. | Extended wear electrode patch |
US10561321B2 (en) | 2013-12-12 | 2020-02-18 | Alivecor, Inc. | Continuous monitoring of a user's health with a mobile device |
US9420956B2 (en) | 2013-12-12 | 2016-08-23 | Alivecor, Inc. | Methods and systems for arrhythmia tracking and scoring |
US9241650B2 (en) | 2013-12-15 | 2016-01-26 | Lifewatch Technologies Ltd. | Patient specific QRS complex classification for arrhythmia detection |
US9468386B2 (en) | 2014-03-11 | 2016-10-18 | Ecole polytechnique fédérale de Lausanne (EPFL) | Method for detecting abnormalities in an electrocardiogram |
CN104970789B (zh) | 2014-04-04 | 2017-12-19 | 中国科学院苏州纳米技术与纳米仿生研究所 | 心电图分类方法及系统 |
US9635514B2 (en) | 2014-04-04 | 2017-04-25 | Mayo Foundation For Medical Education And Research | Identification of a subject in a facility |
US10117635B2 (en) | 2014-06-05 | 2018-11-06 | Guangren CHEN | Electronic acoustic stethoscope with ECG |
US10201286B2 (en) | 2014-08-22 | 2019-02-12 | Apple Inc. | Frequency domain projection algorithm |
WO2016036805A1 (en) * | 2014-09-02 | 2016-03-10 | The Regents Of The University Of Michigan | Electrocardiogram data analysis method and system for rapid diagnosis |
US11120911B2 (en) | 2014-09-18 | 2021-09-14 | Preventice Solutions, Inc. | Dynamically adaptive care plans |
US10706485B2 (en) | 2014-09-18 | 2020-07-07 | Preventice Solutions, Inc. | Creating individually tailored care plans |
US10311211B2 (en) | 2014-09-18 | 2019-06-04 | Preventice Solutions, Inc. | Care plan administration using thresholds |
US10691777B2 (en) | 2014-10-07 | 2020-06-23 | Preventice Solutions, Inc. | Care plan administration: patient feedback |
US10095841B2 (en) | 2014-10-07 | 2018-10-09 | Preventice Technologies, Inc. | Care plan administration |
US10467383B2 (en) | 2014-10-07 | 2019-11-05 | Preventice Solutions, Inc. | Derived observations in care plan administration |
EP3212061B1 (en) | 2014-10-31 | 2023-06-07 | Irhythm Technologies, Inc. | Physiological monitoring system |
US20160135706A1 (en) * | 2014-11-14 | 2016-05-19 | Zoll Medical Corporation | Medical Premonitory Event Estimation |
CN104463326B (zh) | 2014-12-09 | 2017-02-22 | 浙江大学 | 一种标准12导联心电信号重建方法 |
US9591977B2 (en) | 2014-12-31 | 2017-03-14 | General Electric Company | Method and apparatus for comparing and visualizing serial ECG data |
CA2968645C (en) | 2015-01-06 | 2023-04-04 | David Burton | Mobile wearable monitoring systems |
CA2978636C (en) | 2015-03-12 | 2021-05-11 | Bardy Diagnostics, Inc. | Display arrangement for diagnosis of cardiac rhythm disorders |
US10297347B2 (en) | 2015-04-06 | 2019-05-21 | Preventice Solutions, Inc. | Adverse event prioritization and handling |
US10163527B2 (en) | 2015-04-28 | 2018-12-25 | Preventice Technologies, Inc. | User interface displaying a temporal relationship between a health event indicator and monitored health conditions |
US10952682B2 (en) | 2015-07-19 | 2021-03-23 | Sanmina Corporation | System and method of a biosensor for detection of health parameters |
USD766447S1 (en) | 2015-09-10 | 2016-09-13 | Bardy Diagnostics, Inc. | Extended wear electrode patch |
CN106548127B (zh) | 2015-09-18 | 2022-11-04 | 松下电器(美国)知识产权公司 | 图像识别方法 |
US10818393B2 (en) | 2015-10-06 | 2020-10-27 | General Electric Company | System and method for clinical decision support |
US9788796B2 (en) | 2015-10-16 | 2017-10-17 | General Electric Company | System and method of adaptive interpretation of ECG waveforms |
US10827938B2 (en) | 2018-03-30 | 2020-11-10 | Cardiologs Technologies Sas | Systems and methods for digitizing electrocardiograms |
US10426364B2 (en) | 2015-10-27 | 2019-10-01 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
EP3367897B1 (en) | 2015-10-27 | 2021-04-14 | Cardiologs Technologies | An automatic method to delineate or categorize an electrocardiogram |
PT3367897T (pt) | 2015-10-27 | 2021-05-25 | Cardiologs Tech | Processo automático para traçar ou categorizar um eletrocardiograma |
US10929510B2 (en) | 2015-12-17 | 2021-02-23 | Preventice Technologies, Inc. | Patient care systems employing control devices to identify and configure sensor devices for patients |
CA3030633C (en) | 2016-06-13 | 2023-08-08 | Medical Informatics Corp. | User interface for displaying patient historical data |
CN109922723A (zh) | 2016-08-31 | 2019-06-21 | 阿利弗克公司 | 用于生理监测的装置、系统和方法 |
CN106778685A (zh) | 2017-01-12 | 2017-05-31 | 司马大大(北京)智能系统有限公司 | 心电图图像识别方法、装置及服务终端 |
US10524735B2 (en) | 2017-03-28 | 2020-01-07 | Apple Inc. | Detecting conditions using heart rate sensors |
CN110799241B (zh) | 2017-05-01 | 2024-03-01 | 心脏起搏器股份公司 | 用于医疗警告管理的系统 |
US10845955B2 (en) | 2017-05-15 | 2020-11-24 | Apple Inc. | Displaying a scrollable list of affordances associated with physical activities |
US10517497B2 (en) | 2017-06-23 | 2019-12-31 | General Electric Company | System and method for detecting atrial fibrillation |
US10602942B2 (en) | 2017-08-25 | 2020-03-31 | Cambridge Heartwear Limited | Method of detecting abnormalities in ECG signals |
CN111433860B (zh) | 2017-08-25 | 2024-03-12 | 皇家飞利浦有限公司 | 用于分析心电图的用户界面 |
WO2019089830A1 (en) | 2017-10-31 | 2019-05-09 | Apple, Inc. | Monitoring system for assessing control of a disease state |
US10687726B2 (en) | 2017-11-07 | 2020-06-23 | General Electric Company | System and method for processing ECG recordings from multiple patients |
WO2019103620A2 (en) | 2017-11-21 | 2019-05-31 | Omniscient Medical As | System, sensor and method for monitoring health related aspects of a patient |
US10827941B2 (en) | 2017-12-06 | 2020-11-10 | General Electric Company | System and methods for qualification of ECG data for remote analysis |
EP3742966A4 (en) | 2018-01-25 | 2021-10-27 | Coala-Life AB | ANALYSIS OF ELECTROCARDIOGRAM DATA FROM A REMOTE PORTABLE SENSOR DEVICE |
US10930392B2 (en) | 2018-02-19 | 2021-02-23 | General Electric Company | System and method for processing ECG recordings from multiple patients for clinician overreading |
US11763943B2 (en) | 2018-03-02 | 2023-09-19 | Preventice Solutions, Inc. | Automated ventricular ectopic beat classification |
DK180241B1 (en) | 2018-03-12 | 2020-09-08 | Apple Inc | User interfaces for health monitoring |
US10729350B2 (en) | 2018-03-19 | 2020-08-04 | General Electric Company | System and method for monitoring cardiac arrhythmias |
US10645017B2 (en) | 2018-05-09 | 2020-05-05 | Biosig Technologies, Inc. | Systems, apparatus, and methods for conveying biomedical signals between a patient and monitoring and treatment devices |
US20210204859A1 (en) * | 2018-05-31 | 2021-07-08 | Københavns Universitet | Cardiovascular implantable electronic device (cied) with cardiac event prediction |
US20200013507A1 (en) | 2018-07-09 | 2020-01-09 | Preventice Technologies, Inc | Best fit content delivery in care plan environment |
US11357452B2 (en) | 2018-07-24 | 2022-06-14 | Medtronic Monitoring, Inc. | System and method of patient monitoring and signal quality analysis |
WO2020050850A1 (en) | 2018-09-07 | 2020-03-12 | Sony Corporation | Methods, devices and computer program products for generating graphical user interfaces for consuming content |
WO2020086865A1 (en) | 2018-10-26 | 2020-04-30 | Mayo Foundation For Medical Education And Research | Neural networks for atrial fibrillation screening |
US11839479B2 (en) | 2018-11-19 | 2023-12-12 | Boston Scientific Cardiac Diagnostic Technologies, Inc. | True onset identification |
US10869610B2 (en) | 2018-12-05 | 2020-12-22 | General Electric Company | System and method for identifying cardiac arrhythmias with deep neural networks |
US11589829B2 (en) | 2018-12-26 | 2023-02-28 | Analytics For Life Inc. | Methods and systems to configure and use neural networks in characterizing physiological systems |
US10568570B1 (en) | 2019-02-14 | 2020-02-25 | Trungram Gyaltrul Sherpa | Methods and systems for providing a preferred fitness state of a user |
US10492730B1 (en) | 2019-03-11 | 2019-12-03 | Preventice Solutions, Inc. | Determining reliability for ECG data using signal-to-noise ratio |
US11550891B2 (en) | 2019-06-19 | 2023-01-10 | Preventice Solutions, Inc. | Login token management |
WO2020261183A1 (en) * | 2019-06-25 | 2020-12-30 | Owkin Inc. | Systems and methods for image preprocessing |
US11096579B2 (en) | 2019-07-03 | 2021-08-24 | Bardy Diagnostics, Inc. | System and method for remote ECG data streaming in real-time |
US11864944B2 (en) * | 2019-11-15 | 2024-01-09 | Geisinger Clinic | Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart |
-
2021
- 2021-08-09 JP JP2023509588A patent/JP2023544242A/ja active Pending
- 2021-08-09 CN CN202180056409.3A patent/CN116322479A/zh active Pending
- 2021-08-09 WO PCT/IB2021/057341 patent/WO2022034480A1/en active Application Filing
- 2021-08-09 EP EP21762798.3A patent/EP4192354A1/en active Pending
- 2021-08-09 US US17/397,782 patent/US11678831B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20220039729A1 (en) | 2022-02-10 |
WO2022034480A1 (en) | 2022-02-17 |
US11678831B2 (en) | 2023-06-20 |
EP4192354A1 (en) | 2023-06-14 |
CN116322479A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11147500B2 (en) | Electrocardiogram processing system for delineation and classification | |
US20220095982A1 (en) | Electrocardiogram processing system for detecting and/or predicting cardiac events | |
US10758139B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
EP3367897B1 (en) | An automatic method to delineate or categorize an electrocardiogram | |
US11678831B2 (en) | Electrocardiogram processing system for detecting and/or predicting cardiac events | |
US12016694B2 (en) | Electrocardiogram processing system for delineation and classification | |
US11331034B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
KR20190114694A (ko) | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 | |
US11672464B2 (en) | Electrocardiogram processing system for delineation and classification | |
Prakash et al. | A system for automatic cardiac arrhythmia recognition using electrocardiogram signal | |
US20210298625A1 (en) | System and method for detecting and predicting an occurrence of cardiac events from electrocardiograms | |
US20220218259A1 (en) | Systems and methods for restricting rights to an electrocardiogram processing system | |
EP3920789A1 (en) | Electrocardiogram processing system for delineation and classification | |
WO2023144022A1 (en) | Systems and methods for restricting rights to an electrocardiogram processing system | |
Ashokan et al. | Comparing Tree-Based Ensemble Machine Learning Models and Convolutional Neural Network for Automatic Classification of Heart Abnormalities from ECG Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20230726 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20230727 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240808 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240808 |