JP2024052753A - 機械学習モデルを使用した左室容積および心拍出量の推定方法 - Google Patents

Abstract

【課題】患者の心臓パラメータを推定するニューラルネットワークモデルを作製および使用し、推定されたパラメータを、血液ポンプ補助を提供する際に使用して、患者の心機能および心臓の健康状態を改善するための方法およびシステムを開示する。【解決手段】特定の適応としては、血液ポンプパラメータを調整すること、ならびに補助の増減または血液ポンプからの患者の完全な離脱の可否および方法を決定することが含まれる。モデルは、第1の患者集合からのデータのニューラルネットワーク処理に基づいて作製され、インサイチューで測定された心臓パラメータと比較した測定血行動態パラメータおよび測定ポンプパラメータ、例えば、（動物での）Millarカテーテルまたは（人間での）Incaカテーテルによって測定された左室容積を含む。第1の患者集合に基づくモデルの策定の後、モデルは、追加のカテーテルも直接測定も使用せずに心臓パラメータを推定するために第2の集合内の患者に適用される。【選択図】図４

Description

関連出願の相互参照
本出願は、その内容全体が参照により本明細書に組み入れられる、2019年1月16日に出願された、米国仮出願第62/793,239号からの米国特許法第119（e）に基づく優先権の恩典を主張するものである。

背景
心血管疾患は、罹患率および死亡率の主な原因であり、世界中で医療に負担をかけている。心血管疾患に対しては、医薬品から機械的装置、最終的には移植にまで及ぶ様々な治療法が開発されてきた。心室補助装置などの一時的心臓補助装置は、血行力学的補助を提供し、心臓の回復を促進する。心室補助装置の中には、IMPELLA（登録商標）ファミリの装置（Abiomed,Inc.,Danvers MA）のような、経皮的に心臓に挿入され、心拍出量を補うために自己心と並行して動作することができるものもある。

ポンプ装置によって送り出される血液の体積流量によって測定される、補助の量、または各患者が必要とする補助期間は様々であり得る。臨床医が、特にインターベンションまたは他の心臓ケアから回復する患者に対して、装置がどの程度の補助を提供すべきか、または心臓補助装置の使用をいつ終了すべきかを直接かつ定量的に決定することは困難である。よって、臨床医は、液体充填カテーテルを使用して心内圧または血管内圧を測定するなど、心機能の判断および間接的な推定値に頼る傾向がある。

液体充填カテーテルは、医療従事者が患者の心臓ケアおよび健康に関する判断を行うことを可能にする心臓パラメータの重要な測定値を提供することができるが、血管内の診断機器の存在は、患者にとって危険である可能性があり、望まれるよりも精度が低い可能性がある。場合によっては、機器はポンプ装置の機能を妨げる可能性もある。

概要
本明細書に記載される方法、システム、および装置は、第1の患者集団に基づいて血液ポンプパラメータを心臓パラメータに関連付けるモデルの作製および使用を可能にし、その後そのモデルを第2の患者集団に適用して、追加の測定カテーテルも他の診断装置も使用せずに心臓パラメータを推定することができる。特に、これらの方法およびシステムは、機械学習を使用して、第1の患者集合の、血液ポンプの測定パラメータと、左室容積や心拍出量などの心臓パラメータとの間の関係を表すモデルを策定することを可能にする。機械学習アルゴリズムは、性別、体重、病状、心臓転帰、診断、または他の特性などの様々な特性を有する多数の患者からのデータに基づいて、血液ポンプの1つまたは複数の測定可能なパラメータに関する測定心臓パラメータのモデルを構築する。診断装置（液体充填カテーテルなど）によって測定心臓パラメータを予測するモデルが策定された後、モデルにアクセスし、モデルを第2の患者集合内の患者に適用して、追加のカテーテルも他の診断装置も使用せずにポンプパラメータに基づいて（心拍出量などの）心臓パラメータを推定することができる。

特に、モデルは、ポンプ速度、電流、流量、およびポンプが配置されている血管内の圧力（ポンプ自体の搭載光学式またはその他の圧力センサによって測定された大動脈圧など）などの血液ポンプ性能パラメータを追跡し、モデル訓練群を構成する複数の患者においてある期間にわたって左室容積、左室圧、肺動脈圧、またはその他の心臓パラメータ（圧力感知カテーテルなどによる）などの1つまたは複数の血行動態パラメータを測定することによって作製される。データは、収集、格納され、次いで、患者集合、または特定の患者部分群の曲線適合を抽出するために機械学習アルゴリズムを使用して分析される。例えば、ポンプ性能パラメータ、および患者集合内の患者の集団からの測定血行動態パラメータに基づいて心拍出量を示すモデルが抽出され得る。モデルは、患者集合内のすべての患者、もしくは患者集合内の1人もしくは複数の患者に適用可能であり得るか、または特定の特性を有する集合内の患者の部分集合に適用可能なモデルが抽出され得る。例えば、いくつかの態様では、異なるモデルは、心原性ショックもしくは心筋梗塞と診断されたすべての患者について決定され得るか、または性別、体重などの患者人口統計もしくはリスク因子に基づくものであり得る。別の例では、モデルは、患者の診断または様々な人口統計に関係なく、すべてのタイプの患者に適用可能である。

モデルは、ニューラルネットワーキングを使用して大量の格納データをモデルに適合させることによって作製される。患者集団の特定の患者において測定された圧力および流量データの各時点において、ニューラルネットワークは、血液ポンプから抽出された圧力および流量データ（またはポンプ速度もしくはその他のパラメータ）を使用して左室圧などの心臓パラメータを計算し、計算された心臓パラメータをカテーテルによって測定されたパラメータの実際の測定値と比較し得る。ニューラルネットワークは、ポンプパラメータ（ポンプ速度、圧力および流量データなど）と心臓パラメータとの間の関係に基づいてモデルを策定するために互いに通信し合う複数のセルを含み得る。セルは、第1の時点に入力としてポンプ性能データ（ポンプ速度、圧力および流量など）、ならびに血行動態パラメータを受け取り、モデルフィットに基づいて入力を変換する。モデルへの入力は、測定心臓パラメータに関連付けることができる血行動態パラメータおよびポンプパラメータであり得る。ニューラルネットワークは、隠れ状態で経時的に通信し、複数の活性化関数に基づいてモデルを策定してモデルを反復的に策定する、積層型ニューラルネットワーク、例えば積層双方向リカレントニューラルネットワークであり得る。ニューラルネットワークのセルは、例えば、モデルフィットに基づいて入力を変換し、次いで、変換された入力を更新された隠れ状態およびセル状態と共にスタック内の次のセルに送り得る。ニューラルネットワークから出力された最終モデルは、カテーテルを使用せずにポンプパラメータに基づいて心拍出量または左室容積（またはその他の心機能）を正確に表すことができる。

次いで、モデルを訓練群外の患者に適用することができる。人口統計または診断に関係なく患者に適用可能なモデルの場合、モデルは、モデル訓練群の一部ではない第2の群のすべての患者に適用され得る。別の態様では、医療提供者が患者の様々な人口統計を入力し得、患者人口統計に基づいて適切なモデルが選択される。モデルは、次いで、患者について測定された血液ポンプパラメータに適用され、推定心臓パラメータが抽出される。例えば、患者において測定された血液ポンプ速度および大動脈圧をモデルと共に使用して、推定左室圧または推定心拍出量を抽出することができる。推定左室圧は、経時的な患者の心臓の健康状態を示す。

このモデルを使用して、医療従事者に、ポンプ装置が患者の体内にある間に心臓パラメータの連続的またはほぼ連続的な推定値を提供することができ、医療従事者が患者のケアに関するリアルタイムの判断を行うことが可能になる。例えば、提供された推定心臓パラメータを、医療従事者が、心臓の健康状態、ポンプ装置補助からの患者の離脱、または補助の増加に関連する判断において使用することができる。心臓パラメータは、左室容積、心拍出量、心臓パワー出力（cardiac power output）、コンプライアンス、自己血流（native flow）、一回拍出量、拡張期もしくは収縮期の容積、または他の関連する心臓パラメータ、またはこれらの任意の組み合わせであり得る。他の血行動態パラメータまたは心臓パラメータが、推定心臓パラメータを使用して決定され、医療従事者にも提供されてもよい。

一局面では、患者の心臓パラメータを推定する方法は、第1の患者集合の各患者内で血液ポンプを動作させる段階であって、血液ポンプが少なくとも1つの測定可能なポンプパラメータを有する、段階と、第1の血行動態パラメータの測定値および第1のポンプパラメータの測定値を取得するために、第1の患者集合内の患者ごとに少なくとも1つの血行動態パラメータおよび少なくとも1つの測定可能なポンプパラメータを測定する段階と、第1の患者集合の少なくとも1つの第1の血行動態パラメータと少なくとも1つの測定可能なポンプパラメータとの間の関係に基づいて、1つまたは複数の心臓パラメータのモデルを構築する段階とを含む。モデルは、第1の集合内の複数の患者からの血行動態パラメータおよびポンプパラメータの入力を有するニューラルネットワークを含み得る。方法は、第2の患者集合内の第2の患者において第2の血液ポンプを動作させる段階、ならびに、第2のポンプパラメータの測定値を取得するために第2の患者において少なくとも1つの測定可能なポンプパラメータを測定することと、第2の血行動態パラメータの測定値を取得するために第2の患者において少なくとも1つの第1の血行動態パラメータを測定することと、第2の患者の心臓パラメータを推定することであって、第2の患者の心臓パラメータが、第2のポンプパラメータの測定値および第2の血行動態パラメータの測定値に基づいてモデルによって出力される、こととによって、モデルを第2の患者に適用する段階をさらに含む。いくつかの実施態様では、方法は、少なくとも1つの時点の少なくとも1つの血行動態パラメータおよび少なくとも1つの測定可能なポンプパラメータに基づいて推定心臓パラメータを決定する段階をさらに含む。いくつかの実施態様では、方法は、第1の患者集合内の各患者に血液ポンプから分離した感知カテーテルを挿入する段階（例えば、左心室または肺動脈にカテーテルを配置する段階）と、感知カテーテルにおいて（例えば、左室拡張末期圧や、肺毛細血管楔入圧などの）血行動態パラメータを測定する段階とを含む。測定血行動態パラメータは、測定パラメータとして心拍出量またはその他の心臓パラメータを計算するために使用され得る。いくつかの実施態様では、方法は、モデルからの出力に基づく推定心臓パラメータを、感知カテーテルの読み取り値から提供された入力に基づく測定心臓パラメータと比較する段階をさらに含む。最終的には、モデルからの推定心臓パラメータに基づいて、例えば、モデルからの推定心臓パラメータを、そのようなパラメータを受け取ってポンプ出力を調整するように構成されたポンプコントローラへの入力として使用することによって、ポンプ動作を確立および調整することができる。

いくつかの実施態様では、方法は、第2の患者の第2のポンプパラメータの測定値および第2の血行動態パラメータの測定値をディスプレイに表示する段階、第2の患者の推定心臓パラメータをディスプレイに表示する段階、および/または第2の患者における推定心臓パラメータに基づいてポンプ速度の提案される変更を計算する段階、を含む。いくつかの実施態様では、方法は、ポンプ速度の提案される変更を実施する段階、をさらに含む。

いくつかの実施態様では、心臓パラメータのモデルを構築する段階は、ニューラルネットワークを使用して、第1の患者集合の少なくとも1つの第1の血行動態パラメータおよび少なくとも1つの測定可能なポンプパラメータからモデルを抽出することを含む。モデルは、1人または複数の患者から取られた複数の血行動態パラメータおよび複数のポンプパラメータを含む複数のパラメータから抽出され得る。モデルは、メモリに格納され、ポンプコントローラによって搭載されるかまたはネットワーク上でアクセス可能であり得る。ニューラルネットワークは、複数のセルを含み得る。いくつかの実施態様では、複数のセルは互いに通信し合い、各セルは、1つまたは複数のパラメータ（ポンプパラメータおよび血行動態パラメータ、またはポンプパラメータと血行動態パラメータの組み合わせなどの測定パラメータ）を入力として受け入れ、それら1つまたは複数のパラメータをモデルフィットに基づいて変換する。1つまたは複数のセルは、変換されたパラメータを、隠れ状態またはセル状態を有するセルなどの隣接するセルに送り得る。いくつかの実施態様では、ニューラルネットワーク内の第1のセルは、第1の時点に入力として第1の患者集合の1つまたは複数の血行動態パラメータおよび1つまたは複数の測定可能なポンプパラメータを受け入れる。ニューラルネットワーク内の第1のセルは、複数の血行動態パラメータおよび複数のポンプパラメータなどの複数のパラメータまたはパラメータの組み合わせを受け取り得る。いくつかの実施態様では、第1のセルは、少なくとも1つの第1の血行動態パラメータおよび少なくとも1つの測定可能なポンプパラメータを1つまたは複数のモデルフィットに基づいて変換してから、変換された血行動態パラメータおよび測定可能なポンプパラメータをニューラルネットワーク内の第2のセルに送る。いくつかの実施態様では、第1のセルは、第1の時点について隠れ状態およびセル状態を更新する。いくつかの実施態様では、第1のセルは、第2の時点の少なくとも1つの第1の血行動態パラメータおよび少なくとも1つの測定可能なパラメータを受け取り、第2の時点について隠れ状態およびセル状態を更新する。いくつかの実施態様では、第1の患者集合は1人の患者から形成される。

一局面では、モデルに基づいて患者の心臓パラメータを推定する方法は、患者において血液ポンプを動作させる段階と、ポンプパラメータの測定値を取得するために患者において血液ポンプの少なくとも1つの測定可能なポンプパラメータを測定する段階と、血行動態パラメータの測定値を取得するために患者において少なくとも1つの血行動態パラメータを測定する段階と、データベースから、少なくとも1つの測定可能なポンプパラメータと、少なくとも1つの血行動態パラメータと、心臓パラメータとの間の関係のモデルにアクセスする段階と、を含む。方法は、患者の心臓パラメータの推定値を推定する段階であって、患者の心臓パラメータの推定値が、ポンプパラメータの測定値および血行動態パラメータの測定値に基づいてモデルによって出力される、段階、をさらに含む。

いくつかの実施態様では、方法およびシステムは、複数の利用可能なモデルの中から選択モデルを決定することによってモデルにアクセスする。いくつかの実施態様では、選択モデルは、患者と関連付けられた情報に基づいて決定される。いくつかの実施態様では、方法は、複数のセルを含むニューラルネットワークによって形成されたモデルを選択する段階を含む。いくつかの実施態様では、ニューラルネットワークは、リカレント双方向ニューラルネットワークである。いくつかの実施態様では、ニューラルネットワークは複数のセルを含む。いくつかの実施態様では、複数のセルは互いに通信し合い、各セルは、1つまたは複数の測定パラメータを入力として受け入れ、それら1つまたは複数の測定パラメータをモデルフィットに基づいて変換し、変換されたパラメータを隠れ状態またはセル状態を有する隣接するセルに送る。いくつかの実施態様では、方法は、推定心臓パラメータに基づいて血液ポンプの動作の推奨される変更を決定する段階を含む。

一局面では、患者における心臓パラメータの推定値を策定するための方法は、第1の患者集団において、医療機器の動作から導出された1つまたは複数のパラメータを測定し、かつ、心臓パラメータを測定する段階と、第1の患者集団における医療機器の動作から導出された1つまたは複数のパラメータおよび心臓パラメータに基づいて心臓パラメータのモデルを策定する段階と、モデルを第2の患者集団の患者に適用して患者の心臓パラメータを推定する段階と、を含む。

いくつかの実施態様では、方法はまた、第1の患者集団の1人または複数の患者の共通の特性に従ってモデルをラベル付けする段階、および/またはモデルのラベル付けに基づいて、第2の患者集団の患者の特性を第1の患者集団の1人または複数の患者の特性と比較することによって、モデルが第2の患者集団の患者に適用可能であるかどうかを判定する段階、も含む。いくつかの実施態様では、方法はまた、機械学習アルゴリズムを利用して、第1の患者集団における医療機器の動作から導出された1つまたは複数のパラメータおよび測定心臓パラメータに基づいて心臓パラメータのモデルを策定する段階、も含む。いくつかの実施態様では、モデルを策定するためにニューラルネットワークが利用される。いくつかの実施態様では、ニューラルネットワークは複数のセルを含む。いくつかの実施態様では、複数のセルは互いに通信し合い、各セルは、1つまたは複数の測定パラメータを入力として受け入れ、それら1つまたは複数の測定パラメータをモデルフィットに基づいて変換し、変換されたパラメータを隠れ状態またはセル状態を有する隣接するセルに送る。

いくつかの実施態様では、モデルを第2の患者集団の患者に適用することは、第2の患者集団の患者において医療機器を動作させる段階と、第2の患者集団の患者において、医療機器の動作から導出された1つまたは複数のパラメータを測定する段階と、医療機器の動作から導出された測定された1つまたは複数のパラメータを心臓パラメータのモデルに入力する段階と、モデルに基づいて、第2の患者集団の患者の推定心臓パラメータを推定する段階と、を含む。

一局面では、所定のモデル（本明細書に開示される技術のいずれかによって形成されたモデルなど）に基づいて患者の心臓パラメータを推定するためのシステムは、血液ポンプと、コントローラとを含む。血液ポンプは、1つまたは複数のポンプ速度で駆動されるように設計された駆動可能なロータと、血行動態パラメータを測定することができるセンサとを含む。コントローラは、センサから血行動態パラメータの測定値を受け取り、血行動態パラメータの測定値を記録するメモリを含み、メモリはまた、血行動態パラメータおよび1つまたは複数のポンプ速度のうちのポンプ速度（または電流、流量、もしくはその他のポンプパラメータ）に基づく心臓パラメータの所定のモデルを格納する（またはネットワークからモデルにアクセスする）。コントローラはまた、ロータを駆動し、駆動された血液ポンプロータのポンプ速度（または1つもしくは複数の他のポンプパラメータ）を記録されるべきメモリに送るように設計されたドライバと、メモリに記録された1つまたは複数のパラメータを表示するディスプレイも含む。メモリは、所定のモデルならびに血行動態パラメータの測定値およびポンプパラメータ（ポンプ速度など）を使用して、関連付けられた心臓パラメータを決定し、決定された心臓パラメータをディスプレイに送る。

いくつかの実施態様では、メモリは、血行動態パラメータおよびポンプパラメータ（ポンプ速度、モータ電流など）に基づく心臓パラメータの複数の所定のモデルを格納する。いくつかの実施態様では、コントローラは、血行動態パラメータまたはポンプパラメータ（ポンプ速度、モータ電流など）の1つに基づいて、複数の格納された所定のモデルの中から1つの所定のモデルを選択する。いくつかの実施態様では、コントローラは、ディスプレイへの入力に基づいて、複数の格納された所定のモデルの中から1つの所定のモデルを選択する。いくつかの実施態様では、複数の所定のモデルは、複数のセルを含むニューラルネットワークによって形成される。いくつかの実施態様では、ニューラルネットワークは、リカレント双方向ニューラルネットワークである。いくつかの実施態様では、ニューラルネットワークは複数のセルを含む。いくつかの実施態様では、複数のセルは互いに通信し合い、各セルは、1つまたは複数の測定パラメータを入力として受け入れ、それら1つまたは複数の測定パラメータをモデルフィットに基づいて変換し、変換されたパラメータを隠れ状態またはセル状態を有する隣接するセルに送る。

いくつかの実施態様では、メモリは、血行動態パラメータおよびポンプ速度に基づく心臓パラメータの複数の所定のモデルを含むデータベースに無線で接続される。いくつかの実施態様では、コントローラは、データベースから1つの所定のモデルを選択し、選択された1つの所定のモデルをメモリへの格納のために取り出す。いくつかの実施態様では、複数の所定のモデルは、複数のセルを含むニューラルネットワークによって形成される。いくつかの実施態様では、ニューラルネットワークは、リカレント双方向ニューラルネットワークである。

いくつかの実施態様では、コントローラは、決定された心臓パラメータに基づいてポンプ速度への推奨される変更を決定する。いくつかの実施態様では、コントローラは、ディスプレイに表示するためにポンプ速度への推奨される変更を生成する。いくつかの実施態様では、コントローラは、ディスプレイに表示するためにポンプ速度への推奨される変更を実施する。いくつかの実施態様では、センサは大動脈圧を測定する。いくつかの実施態様では、心臓パラメータは左室容積である。いくつかの実施態様では、心臓パラメータは、心臓パワー、心臓パワー出力、または別の心臓パラメータである。

一局面では、データベースを使用して患者の心臓パラメータを推定する方法は、第1の患者において血液ポンプを動作させる段階と、ポンプパラメータの測定値を取得するために第1の患者において血液ポンプの少なくとも1つの測定可能なポンプパラメータを測定する段階と、血行動態パラメータの測定値を取得するために第1の患者において少なくとも1つの血行動態パラメータを測定する段階と、第1の患者以外の患者の患者データを含むデータベースにアクセスする段階であって、患者データが、測定可能なポンプパラメータ、血行動態パラメータ、および心臓パラメータのうちの少なくとも1つを含む、段階と、を含む。方法は、第1の患者におけるポンプパラメータの測定値、第1の患者における血行動態パラメータの測定値、およびデータベースからの格納された患者データを使用して、第1の患者の心臓パラメータを推定する段階、をさらに含む。

いくつかの態様では、血液ポンプが第1の患者において動作し、第1の患者の心臓パラメータを推定するために、第1の患者からの測定可能な入力が、第1の患者以外の患者からの患者データを含むデータベースと組み合わせて使用される。例えば、データベースは、広範な患者の心臓パワー出力を他の測定データと共に含むことができる。データベースは、様々な特性（例えば、年齢、性別、体重、身長など）を有する広範な患者からのデータを含む。一例では、データベースは、異なる病態を有する広範な患者からのデータを含む。データベースは、新しいデータを含むように定期的に更新することができる。いくつかの実施態様では、データベースは、血行動態パラメータと、ポンプパラメータと、心臓パラメータの間の関係のモデルを含む。いくつかの実施態様では、モデルは、患者データに対するニューラルネットワークの使用から導出される。いくつかの実施態様では、モデルが導出されるニューラルネットワークは、複数のセルを含む。いくつかの実施態様では、複数のセルは互いに通信し合い、各セルは、1つまたは複数の測定パラメータを入力として受け入れ、それら1つまたは複数の測定パラメータをモデルフィットに基づいて変換し、変換されたパラメータを隠れ状態またはセル状態を有する隣接するセルに送る。

上記その他の目的および利点は、以下の詳細な説明を添付の図面と併せて考察すれば明らかになるであろう。図面において、同様の参照符号は全体を通して同様の部分を指す。

図1は、所定のモデルに基づいて患者の心臓パラメータを推定するためのシステムを示すブロック図である。 図2は、積層双方向リカレントニューラルネットワークを示すブロック図である。 図3は、図2の積層双方向リカレントニューラルネットワークの長・短期記憶セルを示すブロック図である。 図4は、患者の心臓パラメータを推定するためのモデルを策定および使用する方法を示す図である。 図5は、モデルを使用して患者の心臓パラメータを推定する方法を示す図である。 図6は、患者における心臓パラメータの推定値を策定するための方法を示す図である。 図7Aは、大動脈圧とポンプ流量との間の例示的な関係に基づく測定左室容積および予測左室容積を示す例示的なグラフである。図7Bは、大動脈圧とポンプ流量との間の例示的な関係に基づく測定心拍出量および予測心拍出量を示す例示的なグラフである。 図7Cは、図7Aの左室容積および図7Bの心拍出量の予測で使用された例示的な測定大動脈圧を示す図である。図7Dは、図7Aの左室容積および図7Bの心拍出量の予測で使用された例示的な測定ポンプ流量を示す図である。 図8Aは、大動脈圧とポンプ流量との間の例示的な関係に基づく、ポンプ出力レベル2での測定左室容積および予測左室容積を示す例示的なグラフである。図8Bは、大動脈圧とポンプ流量との間の例示的な関係に基づく、ポンプ出力レベル2での測定一回拍出量および予測一回拍出量を示す例示的なグラフである。 図8Cは、大動脈圧とポンプ流量との間の例示的な関係に基づく、ポンプ出力レベル3での測定左室容積および予測左室容積を示す例示的なグラフである。図8Dは、大動脈圧とポンプ流量との間の例示的な関係に基づく、ポンプ出力レベル3での測定一回拍出量および予測一回拍出量を示す例示的なグラフである。 図9Aは、不規則な波形についての大動脈圧とポンプ流量との間の例示的な関係に基づく測定左室容積および予測左室容積を示す例示的なグラフである。図9Bは、不規則な波形についての大動脈圧とポンプ流量との間の例示的な関係に基づく測定一回拍出量および予測一回拍出量を示す例示的なグラフである。 図9Cは、不規則な波形についての大動脈圧とポンプ流量との間の例示的な関係に基づく測定左室容積および予測左室容積を示す例示的なグラフである。図9Dは、不規則な波形についての大動脈圧とポンプ流量との間の例示的な関係に基づく測定一回拍出量および予測一回拍出量を示す例示的なグラフである。

詳細な説明
本明細書に記載される方法およびシステムの全体的な理解を提供するために、特定の例示的な態様について説明する。本明細書に記載される態様および特徴は血液ポンプ装置に関連して使用するために特に説明されているが、以下で概説されるすべての構成要素および他の特徴は、任意の適切な方法で互いに組み合わされ得、他の種類の心臓治療および医学療法に適応および適用され得ることが理解されよう。

いくつかの態様では、血液ポンプが第1の患者において動作し、第1の患者の心臓パラメータを推定するために、第1の患者からの測定可能な入力が、第1の患者以外の患者からの患者データを含むデータベースと組み合わせて使用される。例えば、データベースは、広範な患者の心臓パワー出力を他の測定データと共に含むことができる。データベースは、様々な特性（例えば、年齢、性別、体重、身長など）を有する広範な患者からのデータを含む。一例では、データベースは、異なる病態を有する広範な患者からのデータを含む。データベースは、新しいデータを含むように定期的に更新することができる。

図1に、所定のモデルに基づいて患者の心臓パラメータを推定するためのシステム100のブロック図を示す。システム100は、コントローラ102と血液ポンプ104とを含む。コントローラは、所定のモデル118を有するメモリ106と、ドライバ108と、ディスプレイ110とを含む。血液ポンプ104は、ロータ114と、センサ116とを含む。コントローラ102は、電線および/または機械的駆動軸であり得るワイヤ112によって血液ポンプ104に通信可能に結合される。コントローラ102内のドライバ108は、ロータ114の動作速度を含めて血液ポンプ104を制御する。ドライバ108は、通信路107によってメモリ106に通信可能に結合され、通信路109によってディスプレイ110にも通信可能に結合される。血液ポンプ104のセンサ116は、ワイヤ112によってコントローラ102に結合され得るか、またはコントローラ102に無線で結合され得る。

血液ポンプ104は、患者の血管系内で動作して、患者の心臓または血管系内で血液を圧送することによって心血管支援を提供する。ロータ114の回転速度は、血液ポンプ104を通る血液の流量を制御する。センサ116は、血液ポンプ104が患者の血管系内の所定の位置にある間にセンサ116が患者の血行動態パラメータを測定できるように、血液ポンプ104上に配置される。センサ116は、測定血行動態パラメータを無線またはワイヤ112を介してコントローラ102に送信する。いくつかの実施態様では、センサ116は、血液ポンプ104上に配置された搭載式の光センサまたは圧力センサである。いくつかの実施態様では、センサ116は大動脈圧を測定する。いくつかの実施態様では、センサ116は他の血行動態パラメータを測定する。

コントローラ102は、血液ポンプ104に供給される電力を変更することによってロータ114の速度を制御する。ドライバ108はまた、特定のロータ速度を維持するためにロータ114に供給される電流を測定することによってロータ114の負荷を測定する。ドライバ108は、測定ポンプパラメータをメモリ106に格納する。ドライバ108は、センサ116から測定血行動態パラメータを受信し、それらもメモリ106に格納する。ドライバ108はまた、血行動態パラメータおよびポンプパラメータが、平均され、またはコントローラ102内の他の心臓パラメータを計算するために使用されるなど、処理されることを可能にするための処理ハードウェアまたはソフトウェア（図示されていない）も含み得る。コントローラ102は、血液ポンプの性能およびセンサ116によって測定された血行動態パラメータに基づいて、ポンプ速度、電流、血管内の流量および圧力などの血液ポンプパラメータを追跡する。ドライバ108は、血行動態パラメータ、ポンプパラメータ、または他の測定もしくは計算されたパラメータをディスプレイ110に送信する。

メモリ106は、ポンプパラメータを1つまたは複数の血行動態パラメータに関連付ける所定のモデル118を含む。以下でそのようなモデルの作製について説明する。メモリ106および/またはドライバ108は、測定ポンプパラメータおよび測定血行動態パラメータを格納された所定のモデル118と共に使用して、測定ポンプパラメータに基づいて特定の心臓パラメータを推定する。心臓パラメータは、左室容積、心拍出量、心臓パワー出力、コンプライアンス、自己血流、一回拍出量、拡張期もしくは収縮期の容積、または他の関連する心臓パラメータ、またはこれらの任意の組み合わせであり得る。モデルは、第1の患者集合からの他の患者データから構築されたモデルに基づいて推定心臓パラメータを提供するので、心臓パラメータを測定するために追加のカテーテルも診断装置も不要であり得る。いくつかの実施態様では、メモリ106は、複数の所定のモデル118を含み、特定の所定のモデル118は、測定ポンプパラメータおよび測定血行動態パラメータのうちの1つまたは複数に基づいて選択される。いくつかの実施態様では、特定の所定のモデル118は、医療従事者からの入力によって複数の格納されたモデルの中から選択される。いくつかの実施態様では、メモリ107は、データベースを格納するか、または所定のモデルが選択されるデータベースにリンクされる。

いくつかの実施態様では、ドライバ108は、推定心臓パラメータをディスプレイ110に表示する。いくつかの実施態様では、コントローラ102は、推定心臓パラメータを使用して、血液ポンプ104による補助の増加または減少に関する推奨される方針を決定する。例えば、コントローラ102は、測定血行動態パラメータおよび測定ポンプパラメータおよび推定心臓パラメータに基づいて、血液ポンプ104の動作の推奨される変更をディスプレイ110に表示し得る。特に、コントローラ102は、推定心臓パラメータと患者の以前の推定心臓パラメータとの比較に基づいて、推奨される方針を決定することができる。いくつかの態様では、コントローラ102は、提案された方針に基づいて血液ポンプ104によって提供される補助に変更を加え得る。いくつかの態様では、コントローラ102は、ディスプレイ110を介して医療従事者にオプションを提示し、医療従事者が血液ポンプ104の動作を制御または変更するオプションを選択することを可能にする。

いくつかの実施態様では、血行動態パラメータおよびポンプパラメータ、またはメモリ106に格納された他のデータを、他の患者からのデータと共に使用して、血液ポンプパラメータを1つまたは複数の心臓パラメータに関連付けるアルゴリズムの作製に使用するためにメモリ106から抽出することができる。抽出されたデータは、性別、体重、病状、心臓転帰、診断、またはその他の特性などの他の健康データと組み合わされ、機械学習またはニューラルネットワークに基づいてアルゴリズムを作製するために使用され得る。いくつかの実施態様では、コントローラ102は、所定のモデルが導出されるデータを格納するデータベースに結合され、コントローラ102は、データベースを更新するためにデータをアップロードする。

図2に、患者において測定されたポンプパラメータから心臓パラメータを解釈および推定するために図1の血液ポンプシステム100で使用することができる所定のモデル118などのモデルの作製に使用することができる、例示的な積層双方向リカレントニューラルネットワーク200のブロック図を示す。ニューラルネットワーク200は、第1の患者集合からの測定パラメータを含む訓練データセットからの大量のデータを適合させるために使用される。例示的なニューラルネットワークを、図1で上述されたように、血液ポンプパラメータを心臓パラメータに関連付けるモデルを作製する際に実装することができる。例示的なニューラルネットワーク200は、積層双方向リカレントニューラルネットワークであるが、本明細書に記載されるモデルの作製に適用可能な他のニューラルネットワークモデルも利用可能である。ニューラルネットワーク200は、隠れ状態で経時的に通信し、以下でさらに詳細に説明されるように、複数の活性化関数に基づいてモデルを策定してモデルを反復的に策定する。ニューラルネットワークを使用して作製されたモデルを、次いで、コントローラメモリ、例えば図1のメモリ106に格納し、血液ポンプが動作している患者において心臓パラメータを推定するために使用することができる。この例示的なニューラルネットワーク200では、（長・短期記憶について「LSTM」とラベル付けされた）処理セル220a～220jが、行222および行224と列226～234とを有する格子に編成されている。処理セル220a～220jは、行222および行224と列226～234とに沿って互いの間で通信する。入力と出力との間に積み重ねられた複数のレベルまたは行222および行224と、複数の列226～234とが存在する。

最下行224は、大動脈圧（AOP）およびポンプ流量（流量）の入力236a～236eを有する入力行である。最上行222は出力行であり、推定出力パラメータ238、例えば左室容積（LVV）を出力する。入力行224と出力行226との間の行の数は、モデルの深さまたは複雑さを示す。例えば、モデルを、図2のニューラルネットワーク200のように双方向に積み重ねることができる。あるいは、モデルは、入力行224と出力行222との間に積み重ねられた3、4、5またはそれ以上のレベルのセルを有することもできる。ニューラルネットワーク200による各推定は、例示的なニューラルネットワーク200において列226～234の数で表された、異なるサンプリング時間における状態の数に基づくものである。ニューラルネットワーク200では、時刻tに、ニューラルネットワーク200は、AOPおよび流量の入力236eを受け取り、いくつかの以前の状態、例えば、列226の入力236aのt-74から列232の入力236dのt-1として示されている75の状態についてのニューラルネットワーク200からの情報を使用する。ニューラルネットワーク200は、少なくとも25の以前のサンプリングインスタンスの群に基づいて推定心臓パラメータ（出力238）を計算する。いくつかの実施態様では、ニューラルネットワークは、少なくとも50、または少なくとも75もしくはそれよりも多い以前のサンプリングインスタンスの群に基づいて推定心臓パラメータ（出力238）を計算する。患者集団の特定の患者において測定された大動脈圧および流量データの各時点において、ニューラルネットワークは、血液ポンプから抽出された圧力および流量データを使用して左室圧などの心臓パラメータを計算し、推定心臓パラメータをカテーテルによって測定されたパラメータの実際の測定値と比較し得る。いくつかの実施態様では、心臓パラメータは、左室容積、心拍出量、心臓パワー出力、コンプライアンス、自己血流、一回拍出量、拡張期もしくは収縮期の容積、もしくは他の関連する心臓パラメータ、またはこれらの任意の組み合わせである。

特に、ニューラルネットワーク200の各セル内で、ニューラルネットワーク200は、いわゆる隠れ状態を生成し、これらの隠れ状態を異なるセル間で共有する。積層型ニューラルネットワークシステムを利用することにより、出力パラメータ238の正確な推定値を生成するために、入力データ236a～236e間の複雑な関係を抽出することが可能である。

ニューラルネットワーク200は、性別、体重、病状、心臓転帰、診断、またはその他の特性などの様々な特性を有する多数の患者からのデータに基づいて、血液ポンプ（図1の血液ポンプ104など）の1つまたは複数の測定可能なパラメータ（ポンプ速度や流量など）に関する測定心臓パラメータ（例えば、大動脈圧）のモデルを構築する機械学習アルゴリズムにおいて使用され得る。患者データは、アルゴリズムが様々な入力データ間で決定する関係に基づいてモデルを策定するために、機械学習アルゴリズムに入力される。最終的なモデルは、カテーテルを使用せずにポンプパラメータに基づいて正確な左室容積または心拍出量（またはその他の心機能）曲線を表すことができ、上述のように、患者集団内の任意の症例に対処するように装備されたすべての生理的状態のグローバルモデルであり得る。診断装置（例えば、液体充填カテーテルやその他の内部センサ）によって測定された心臓パラメータを予測するモデルが策定された後、モデルを訓練群外の第2の患者集合内の患者に適用して、追加のカテーテルも他の診断装置も使用せずにポンプパラメータに基づいて心臓パラメータを推定することができる。

図3に、図2の積層双方向ニューラルネットワークの長・短期記憶セルのブロック図を示す。例えば、図2のニューラルネットワーク200のセル220a～220jを、長・短期記憶セルとすることができる。あるいは、ニューラルネットワーク200のセル220a～220jを、他のタイプのセルとすることもできる。同様に、ニューラルネットワーク200自体を、図2の例に示されるようなニューラルネットワーク、または完全回帰型、エルマンネットワーク、ホップフィールドネットワーク、エコーステートネットワーク、階層型などといった別の種類のニューラルネットワークとすることもできる。図2の例では、ニューラルネットワークのセルは長・短期記憶セルである。図3は、単一の長・短期記憶セル300を示している。図3に示されるように、長・短期記憶セル300は、それぞれ、4つのボックスと、第1の関数「f_t」340、第2の関数
342、第3の関数「i_t」344、および第4の関数「o_t」346を含む関連付けられた関数とで表された、4つの活性化関数を有する。第1の関数「f_t」340は、ゲーティング変数を生成するシグモイド関数であり、第2の関数
342は、記憶セルの候補状態を生成する双曲正接関数であり、第3の関数「i_t」344は、ゲーティング変数を生成するシグモイド関数であり、第4の関数「o_t」346は、ゲーティング変数を生成するシグモイド関数である。第1の関数「f_t」340、第2の関数
342、第3の関数「i_t」344、および第4の関数「o_t」346は例であり、セル300内の情報を処理する際に他の関数を使用することができるが、例示的な第1の関数「f_t」340、第2の関数
342、第3の関数「i_t」344および第4の関数「o_t」346を以下で定義する。

セル300は、前のセル（「c_t-1」）からセル状態348aを受け取り、このセル状態348aを、セル300がもはや考慮に入れるべきではない要素を示す第1の関数（「f_t」）340、セル300が抽出すべきである情報を示す第2の関数
342、セルが更新すべきである情報を示す第3の関数「i_t」344、および候補セルを更新するために使用される出力を提供する第4の関数「o_t」346または要約ゲートを通して処理する。更新されたセル状態348bは、ニューラルネットワーク内の隣接するセルに渡される。この例では、セル状態は以下の式によって定義される。

セル300は、前のセル（「h_t-1」）から隠れ状態349aを受け取り、この隠れ状態349aを処理する。隠れ状態349aは、セル300がもはや考慮に入れるべきではない要素を示す第1の関数（「f_t」）340、セル300が抽出すべきである情報を示す第2の関数
342、セルが更新すべきである情報を示す第3の関数「i_t」344、および候補セルを更新するために使用される出力を提供する第4の関数「o_t」346または要約ゲートへの入力として使用される。更新された隠れ状態349bは、ニューラルネットワーク内の隣接するセルに渡される。図示されるように、更新された隠れ状態349bは、同じ行または同じ列でセル300に隣接するセルに渡される。この例では、隠れ状態は以下の式によって定義される。
h_t＝o_t ^otanh（c_t）

活性化関数またはゲートは、シグモイド、双曲正接、シグモイド、またはこれらもしくは他の関数の任意の組み合わせを含む広範な関数に対応することができる。セル300の様々な関数を通じた入力の処理により、多くのそのようなセルを含むニューラルネットワークがデータ入力間の複雑な関係にアクセスして、転帰を予測するために他のデータに適用することができるアルゴリズムを生成することが可能になる。

図4に、血液ポンプパラメータ（例えば、図1の血液ポンプ104）に基づいて患者の心臓パラメータを推定するためのモデルを策定および使用する方法400を示す。方法400は、血液ポンプが第1の患者集合内で動作する段階402を含む。いくつかの実施態様では、血液ポンプではなく、バルーンポンプ、ECMOなどの遠心ポンプ、拍動ポンプ、ローラーポンプ、または他の心室補助装置といった別の血管内医療機器が、同様の方法で使用され得る。段階404で、第1の患者集合内の患者ごとに、血行動態パラメータおよびポンプパラメータが測定される。2つ以上の血行動態パラメータおよび/またはポンプパラメータが、第1の患者集合内の患者ごとに測定され得る。いくつかの実施態様では、患者ごとに測定される血行動態パラメータおよびポンプパラメータは、血管内のポンプ速度、電流、流量、および圧力のうちの1つまたは複数であり、測定値は血液ポンプの性能に基づくものである。いくつかの実施態様では、血行動態パラメータとして大動脈圧が測定される。血行動態パラメータは、液体充填カテーテル、Incaカテーテル、Millarカテーテル（動物用）などの測定カテーテルによって、または別の診断装置によって測定される。

いくつかの実施態様では、ポンプ速度、流量、ポンプ圧力のうちの1つまたは複数がポンプパラメータとして測定される。ポンプパラメータは、ポンプに供給される電流、ポンプにかかる負荷、または血液ポンプ動作の他の特性に基づいて、血液ポンプコントローラによって測定される。段階406で、心臓パラメータは、第1の患者集合内の患者ごとに測定される。いくつかの実施態様では、心臓パラメータは、左室容積、心拍出量、心臓パワー出力、コンプライアンス、自己血流、一回拍出量、拡張期もしくは収縮期の容積、もしくは他の関連する心臓パラメータ、またはこれらの任意の組み合わせである。心臓パラメータ、ならびに血行動態パラメータおよびポンプパラメータは、モデル訓練群である第1の患者群の患者の各々について一定期間にわたって測定され得る。

段階408で、血行動態パラメータおよびポンプパラメータを使用して、血行動態パラメータとポンプパラメータとの間の関係に基づいて心臓パラメータのモデルが構築される。第1の患者集合内の患者の各々からのデータは、収集および格納され、次いで、患者集合全体または特定の患者部分群の曲線適合を抽出するために機械学習アルゴリズムを使用して分析される。例えば、患者集合内の1人または複数の患者に適用可能なモデルを抽出され得るか、または特定の特性を有する集合内の患者の部分集合に適用可能なモデルが抽出され得る。例えば、いくつかの態様では、異なるモデルは、心原性ショック、心筋梗塞と診断されたすべての患者について決定され得るか、または性別、体重などの患者人口統計もしくはリスク因子に基づくものであり得る。別の例では、モデルは、患者の診断または様々な人口統計に関係なく、すべてのタイプの患者に適用可能である。

モデルは、図2および図3で上述されたような、機械学習もしくはニューラルネットワーク、または任意の他の利用可能な機械学習セットアップを使用して構築され得る。ニューラルネットワーキングを使用して、大量の格納されたデータをモデルに適合させることができる。構築されると、モデルは、血液ポンプのコントローラに（例えば、図1のメモリ106に）格納され得、または血液ポンプコントローラに結合されたサーバもしくはプロセッサ、もしくは血液ポンプコントローラから測定パラメータを受け取る別のプロセッサでホストされ得る。

段階410で、血液ポンプが、心臓補助を提供するために第2の患者集合内の患者において動作する。段階412で、患者においてポンプパラメータおよび血行動態パラメータを測定すること、ならびにモデルと第2の集合内の患者において測定されたポンプパラメータおよび血行動態パラメータとに基づいて患者の心臓パラメータを推定することによって、段階406で生成されたモデルが第2の患者集合内の患者に適用される。このようにして、モデルに基づいて、追加のカテーテルも診断ツールも使用せずに、第2の患者集合内の患者について推定心臓パラメータを決定することができる。

人口統計または診断に関係なく患者に適用可能なモデルの場合、モデルは、モデル訓練群の一部ではない第2の群のすべての患者に適用され得る。別の態様では、医療提供者が患者の様々な人口統計を入力し得、患者人口統計に基づいて適切なモデルが選択される。モデルは、次いで、患者について測定された血液ポンプパラメータに適用され、推定心臓パラメータが抽出される。例えば、患者において測定された血液ポンプ速度および大動脈圧をモデルと共に使用して、左室容積、心拍出量、心臓パワー出力、コンプライアンス、自己血流、一回拍出量、拡張期もしくは収縮期の容積、もしくは他の関連する心臓パラメータ、またはこれらの任意の組み合わせなどの推定心臓パラメータを抽出することができる。

図5に、第1の患者集合のデータから構築されたモデルを使用して第2の患者集合内の患者の心臓パラメータを推定する方法500を示す。段階502で、血液ポンプが、第2の患者集合内の患者の血管系内で動作する。段階504で、ポンプパラメータの測定値を取得するために、血液ポンプの少なくとも1つの測定可能なポンプパラメータが患者において測定される。いくつかの実施態様では、ポンプパラメータは、ポンプ速度、ポンプを通る流量、またはポンプ内の圧力であり得、ポンプに供給される電流、ポンプにかかる負荷、または血液ポンプ動作の他の特性に基づいて測定することができる。ポンプパラメータは、血液ポンプのコントローラ（例えば、図1のコントローラ102）で、または血液ポンプ自体で測定することができる。段階506で、血行動態パラメータの測定値を取得するために、少なくとも1つの血行動態パラメータが患者において測定される。いくつかの実施態様では、血行動態パラメータは大動脈圧である。血行動態パラメータは、血液ポンプに、または血液ポンプに結合されたカテーテルに配置されたセンサによって測定することができる。

段階508で、少なくとも1つの測定可能なポンプパラメータと、少なくとも1つの血行動態パラメータと、心臓パラメータとの間の関係のモデルがアクセスされる。モデルは、測定血行動態パラメータおよび測定ポンプパラメータから心臓パラメータを推定するための機械学習またはニューラルネットワークアルゴリズムによって、例えば、図2および図3に記載されているニューラルネットワークによって、または任意の利用可能な機械学習プロセスによって生成され得る。モデルは、血液ポンプのコントローラに（例えば、図1のメモリ106に）格納され得、または血液ポンプコントローラに結合されたサーバもしくはプロセッサ、もしくは血液ポンプコントローラから測定パラメータを受け取る別のプロセッサでホストされ得る。段階510で、モデルは、患者におけるポンプパラメータの測定値および血行動態パラメータの測定値に基づいて、第2の患者集合内の患者の心臓パラメータを推定するために使用される。心臓パラメータは、左室容積、心拍出量、心臓パワー出力、コンプライアンス、自己血流、一回拍出量、拡張期もしくは収縮期の容積、もしくは他の関連する心臓パラメータ、またはこれらの任意の組み合わせであり得る。患者の心臓パラメータは、追加のカテーテルも診断装置も患者の血管系に挿入されなくてもよいように、それ以外の方法では測定されない。推定心臓パラメータは、医療従事者によってなされた健康状態の判断を知らせるために使用することができ、医療従事者に表示され、かつ/または血液ポンプによって提供される補助の変更を医療従事者に推奨するために使用され得る。

図6に、患者における心臓パラメータの推定値を策定するための方法600を示す。段階602で、医療機器の動作から導出された1つまたは複数のパラメータおよび心臓パラメータが、第1の患者集団において測定される。段階604で、第1の患者集団における医療機器の動作から導出された1つまたは複数のパラメータおよび測定心臓パラメータに基づいて心臓パラメータのモデルが策定される。モデルは、図2および図3に記載されているような機械学習もしくはニューラルネットワークの使用によって、または任意の他の利用可能な機械学習プロセスによって策定され得る。段階606で、モデルは、患者の心臓パラメータを推定するために第2の患者集団の患者に適用される。心臓パラメータは、それ以外の方法で患者において決定される必要がない。

段階608で、患者の推定心臓パラメータが、例えば、血液ポンプなどの医療機器と関連付けられたディスプレイに表示される。医療従事者は、表示された推定心臓パラメータを使用して、医療機器の治療および使用に関する医療上の判断を行い得る。

このモデルを使用して、医療従事者に、血液ポンプなどの医療機器が患者の体内にある間に心臓パラメータの連続的またはほぼ連続的な推定値を提供することができ、医療従事者が患者のケアに関するリアルタイムの判断を行うことが可能になる。例えば、患者において血液ポンプが使用される場合、提供された推定心臓パラメータを、医療従事者が、心臓の健康状態、ポンプ装置補助からの患者の離脱、または補助の増加に関連する判断において使用することができる。心臓パラメータは、左室容積、心拍出量、心臓パワー出力、コンプライアンス、自己血流、一回拍出量、拡張期もしくは収縮期の容積、もしくは他の関連する心臓パラメータ、またはこれらの任意の組み合わせであり得る。他の血行動態パラメータまたは心臓パラメータが、推定心臓パラメータから抽出され、医療従事者にも提供されてもよい。

いくつかの態様では、血液ポンプ装置のコントローラは、推定心臓パラメータを使用して、血液ポンプ装置による補助の増加または減少に関する推奨される方針を決定し得る。特に、コントローラは、推定心臓パラメータと患者の以前の推定心臓パラメータとの比較に基づいて、推奨される方針を決定することができる。いくつかの態様では、コントローラは、提案された方針に基づいて血液ポンプ装置によって提供される補助に変更を加え得る。

図7～図9に、モデル予測トレースと直接測定によって得られた「実際の」トレースとを比較した、経時的なパラメータの例示的なグラフを示す。図4～図6に関して上述されたように、心臓パラメータのモデルを、第2の患者集団で使用するための第1の患者集団の血行動態およびポンプまたは医療機器のデータを使用して策定することができる。心臓パラメータのモデルは、患者の血管系における追加の診断用カテーテルや感知カテーテルの使用を必要とせずに患者における心臓パラメータの推定を可能にし、より安全でより効率的である。うまく策定されたアルゴリズムは、性別、体重、病状、および転帰などの追加の患者データを考慮し得るので、推定心臓パラメータは非常に正確であり得る。さらに、アルゴリズムの策定で考慮される追加のデータは、測定パラメータおよび策定されたモデルの適用に基づいて患者の心臓の健康状態を改善するために、治療プロトコルまたは血液ポンプもしくはその他の医療機器の使用もしくは動作の変更を提案するために使用され得る。図7～図9は、実際の測定心臓パラメータと比較した、測定ポンプパラメータおよび測定血行動態パラメータに基づいて心臓パラメータを予測する例示的なモデルの精度を示している。

図7A～図7Dに、ポンプ出力レベル（「Pレベル」）4で動作する特定の血液ポンプの使用中の経時的な様々なパラメータの例示的なグラフを示す。図7Aは、特定のポンプ出力レベル（Pレベル＝4）での測定左室容積および推定左室容積を示すグラフ701を含んでいる。グラフ701は、秒単位の時間を示すx軸702と、ミリリットル単位の容積を示すy軸704と、測定左室容積の測定（「実際の」）トレース706と、図7Cおよび図7Dに示されるような大動脈圧およびポンプ流量に基づいて例示的なモデルによって予測された左室容積の推定（「予測」）トレース708とを含んでいる。

図7Bは、ポンプの測定一回拍出量および推定一回拍出量を示すグラフ711を示している。グラフ711は、秒単位の時間を示すx軸712と、一回拍出量を示すy軸714と、測定一回拍出量の測定（「実際の」）トレース716と、図7Cおよび図7Dに示されるような大動脈圧およびポンプ流量に基づいて例示的なモデルによって予測された一回拍出量の推定（「予測」）トレース718とを含んでいる。一回拍出量は心拍出量に関連する。

図7Cは、図7Aの左室圧および図7Bの一回拍出量の予測で使用される、ポンプの経時的な測定大動脈圧のトレースを示すグラフ721を示している。グラフ721は、秒単位の時間を示すx軸722と、mmHg単位の大動脈圧を示すy軸724と、測定大動脈圧（「AoP」）のトレースとを含んでいる。

図7Dは、図7Aの左室圧および図7Bの一回拍出量の予測で使用される、ポンプの経時的なポンプ流量のトレースを示すグラフ731を示している。グラフ731は、秒単位の時間を示すx軸732と、ml/s単位の流量を示すy軸734と、測定流量のトレースとを含む。図7A～図7Dの4つのグラフのx軸は同じである。

図7A～図7Dは、例示的なモデルが、一定のポンプ出力レベルで動作するポンプについて大動脈圧および流量の入力に基づいて左室容積および心拍出量のメトリックを正確に予測することを示している。

図8A～図8Dに、異なるポンプ出力レベルでの左室容積と一回拍出量の両方の例示的なグラフを示す。図8Aは、特定のポンプ出力レベル2（Pレベル＝2）での測定左室容積および推定左室容積を示すグラフ801を含んでいる。グラフ801は、秒単位の時間を示すx軸802と、ミリリットル単位の容積を示すy軸804と、測定左室容積の測定（「実際の」）トレース806と、ポンプ出力レベル2で動作するポンプについて例示的なモデルによって予測された左室容積の推定（「予測」）トレース808とを含んでいる。

図8Bは、Pレベル＝2でのポンプの測定一回拍出量および推定一回拍出量を示すグラフ811を示している。グラフ811は、秒単位の時間を示すx軸812と、一回拍出量を示すy軸814と、測定一回拍出量の測定（「実際の」）トレース816と、ポンプ出力レベル2で動作するポンプについて例示的なモデルによって予測された一回拍出量の推定（「予測」）トレース818とを含んでいる。

図8Cは、ポンプ出力レベル3（Pレベル＝3）での測定左室容積および推定左室容積を示すグラフ821を示している。グラフ821は、秒単位の時間を示すx軸822と、ミリリットル単位の容積を示すy軸824と、測定左室容積の測定（「実際の」）トレース826と、ポンプ出力レベル3で動作するポンプについて例示的なモデルによって予測された左室容積の推定（「予測」）トレース828とを含んでいる。

図8Dは、出力レベル3でのポンプの測定一回拍出量および推定一回拍出量を示すグラフ831を示している。グラフ831は、秒単位の時間を示すx軸832と、一回拍出量を示すy軸834と、測定一回拍出量の測定（「実際の」）トレース836と、ポンプ出力レベル3で動作するポンプについて例示的なモデルによって予測された一回拍出量の推定（「予測」）トレース838とを含んでいる。図8A～図8Dの4つのグラフのx軸は同じであり、4つのグラフはすべて、モデルへの入力としての大動脈圧およびポンプ流量に基づくものである。図8A～図8Dは、様々な出力レベルで動作する血液ポンプについても例示的なモデルの心臓パラメータの予測が正確であることを示している。

図9A～図9Dに、不規則な波形についての左室容積と一回拍出量の両方の例示的なグラフを示す。図9Aは、心臓における不規則な波形の発生中の測定左室容積および推定左室容積を示すグラフ901を含んでいる。グラフ901は、測定左室容積および推定左室容積を示している。グラフ901は、秒単位の時間を示すx軸902と、ミリリットル単位の容積を示すy軸904と、測定左室容積の測定（「実際の」）トレース906と、不規則な波形に基づいて例示的なモデルによって予測された左室容積の推定（「予測」）トレース908とを含んでいる。

図9Bは、心臓における不規則な波形の発生中のポンプの測定一回拍出量および推定一回拍出量を示すグラフ911を示している。グラフ911は、秒単位の時間を示すx軸912と、一回拍出量を示すy軸914と、測定一回拍出量の測定（「実際の」）トレース916と、不規則な波形に基づいて例示的なモデルによって予測された一回拍出量の推定（「予測」）トレース918とを含んでいる。

図9Cは、心臓における不規則な波形の発生中の測定左室容積および推定左室容積を示す第3のグラフ921を示している。図9Cは、ポンプ出力レベル8（Pレベル＝8）での血液ポンプの動作中の左室容積の予測トレースおよび実際のトレースを示している。グラフ921は、秒単位の時間を示すx軸922と、ミリリットル単位の容積を示すy軸924と、測定左室容積の測定（「実際の」）トレース926と、不規則な波形に基づいて例示的なモデルによって予測された左室容積の推定（「予測」）トレース928とを含んでいる。

図9Dは、心臓における不規則な波形の発生中およびPレベル8での血液ポンプの動作中の測定一回拍出量および推定一回拍出量を示す第4のグラフ931を示している。グラフ931は、秒単位の時間を示すx軸932と、一回拍出量を示すy軸834と、測定一回拍出量の測定（「実際の」）トレース936と、不規則な波形に基づいて例示的なモデルによって予測された一回拍出量の推定（「予測」）トレース938とを含んでいる。図9A～図9Dの4つのグラフのx軸は同じであり、図9A～図9Dの4つのグラフはすべて、モデルへの入力としての大動脈圧およびポンプ流量に基づくものである。図9A～図9Dは、不規則な波形についても、例示的なモデルの心臓パラメータの予測が正確であることを示している。

第1の患者集団に基づいて血液ポンプパラメータを心臓パラメータに関連付けるモデルを作製し、モデルを第2の患者集団に適用することにより、追加の測定カテーテルもその他の診断装置も使用せずに第2の患者集団において心臓パラメータを正確に推定することができる。追加の装置を使用せずに心臓パラメータを推定することは、追加の装置が血管系内のさらなる空間を占有し、かつ/または血液ポンプなどの心臓補助装置の動作を妨げる可能性があるため、より効率的であり、一部の患者にとってはより安全でもあり得る。機械学習アルゴリズムを使用して、様々な特性を有する多数の患者からのデータに基づいて、血液ポンプまたは他の医療機器の1つまたは複数の測定可能なパラメータを用いて、測定心臓パラメータのモデルを構築することができる。モデル内の広範囲の特性を考慮に入れることによって、後の方の患者の心臓パラメータを予測するのに役立つ正確なモデルを策定することができる。例えば、性別、体重、病状、心臓転帰、診断などの特性をモデルの策定において考慮に入れることができる。

上述のようなモデルを策定する段階および適用する段階を実行するために様々なシステムを構成することができる。例えば、モデルは、血液ポンプのコントローラ内で策定および/または実装され得る。例えば、上記のように導出された1つまたは複数のモデルは、コントローラのメモリに格納され得る。コントローラは、血液ポンプを駆動および制御し、ディスプレイを介して医療従事者に情報を提供および/または受け取るように構成された1つまたは複数のプロセッサを含み得る。1つまたは複数のプロセッサは、メモリに格納されたモデルにアクセスし、血液ポンプから入力として血液ポンプパラメータの測定値を受け取り、血液ポンプパラメータを使用して、モデルから推定心臓パラメータを抽出し得る。1つまたは複数のプロセッサは、次いで、推定心臓パラメータおよびその他の健康状態情報をディスプレイに表示し得る。

モデルは、ポンプ速度、流量、または圧力などの測定可能なポンプパラメータに関して心臓パラメータを記述し、心臓内のポンプ機能の詳細が追加のカテーテルなどの追加の診断ツールを必要とせずに心臓の心機能を理解するために解釈されることを可能にする。血液ポンプで測定されたポンプ性能および圧力信号を使用して、モデルに基づいて心拍出量を推定することができる。これにより、心臓補助を提供する血液ポンプ装置から容易に抽出されるポンプパラメータに基づいて、患者の左室容積または他の心臓パラメータを理解および予測することが可能になる。

以上は本開示の原理の単なる例示であり、装置は、限定ではなく例示を目的として提示されている記載の実施態様以外によっても実施することができる。本明細書において開示される方法は、自動化された心室補助システムで使用するために示されているが、他の自動化された医療システムで使用されるべきシステムにも適用され得ることを理解されたい。

本開示を検討した後、当業者には変形および修正が想起されるであろう。開示の特徴は、本明細書に記載されている1つまたは複数の他の特徴と共に、（複数の従属的組み合わせおよび部分的組み合わせを含む）任意の組み合わせおよび部分的組み合わせとして実装され得る。以上で説明または例示された様々な特徴は、それらの任意の構成要素を含めて、他のシステムにおいて結合または統合されてもよい。さらに、特定の特徴が省略され、または実装されない場合もある。

変更、置換、および改変の例は、当業者であれば確かめることができ、本明細書で開示される情報の範囲から逸脱することなくなされ得る。本明細書において引用されたすべての参考文献は、参照によりその全体が組み入れられ、本出願の一部をなす。

Claims (75)

1. 以下の段階を含む、患者の心臓パラメータを推定する方法：
   第１の患者集合の各患者内で血液ポンプを動作させる段階であって、該血液ポンプが少なくとも１つの測定可能なポンプパラメータを有する、段階；
   該第１の患者集合内の患者ごとに、第１の血行動態パラメータの測定値および第１のポンプパラメータの測定値を取得するために少なくとも１つの血行動態パラメータおよび該少なくとも１つの測定可能なポンプパラメータを測定する段階；
   該第１の患者集合の該少なくとも１つの第１の血行動態パラメータと該少なくとも１つの測定可能なポンプパラメータとの間の関係に基づいて心臓パラメータのモデルを構築する段階；
   第２の患者集合内の第２の患者において第２の血液ポンプを動作させる段階；ならびに
   第２のポンプパラメータの測定値を取得するために該第２の患者において該少なくとも１つの測定可能なポンプパラメータを測定することと、
   第２の血行動態パラメータの測定値を取得するために該第２の患者において該少なくとも１つの第１の血行動態パラメータを測定することと、
   該第２の患者の心臓パラメータを推定することであって、該第２の患者の心臓パラメータが、該第２のポンプパラメータの測定値および該第２の血行動態パラメータの測定値に基づいて該モデルによって出力される、ことと
   によって、該モデルを該第２の患者に適用する段階。
2. 少なくとも１つの血行動態パラメータを測定する段階が、大動脈圧を測定することを含む、請求項１記載の方法。
3. 前記血液ポンプに配置された圧力センサで大動脈圧を決定する段階をさらに含む、請求項１または２記載の方法。
4. 前記少なくとも１つの測定可能なポンプパラメータを測定する段階が、ポンプ流量を測定することを含む、請求項１～３のいずれか一項記載の方法。
5. 少なくとも１つの時点の前記少なくとも１つの血行動態パラメータおよび前記少なくとも１つの測定可能なポンプパラメータに基づいて推定心臓パラメータを決定する段階をさらに含む、請求項１～４のいずれか一項記載の方法。
6. 前記第１の患者集合内の各患者に、前記血液ポンプから分離した感知カテーテルを挿入する段階をさらに含む、請求項１～５のいずれか一項記載の方法。
7. 前記感知カテーテルにおいて測定心臓パラメータを測定する段階をさらに含む、請求項６記載の方法。
8. 前記推定心臓パラメータを前記測定心臓パラメータと比較する段階をさらに含む、請求項７記載の方法。
9. 前記感知カテーテルがＩｎｃａカテーテルである、請求項６記載の方法。
10. 前記心臓パラメータが左室容積である、請求項１～９のいずれか一項記載の方法。
11. 前記心臓パラメータが、心拍出量、心臓パワー出力（ｃａｒｄｉａｃ ｐｏｗｅｒ ｏｕｔｐｕｔ）、一回拍出量またはコンプライアンスの１つである、請求項１～９のいずれか一項記載の方法。
12. 前記モデルを、前記第１の患者集合を記述する患者情報と関連付ける段階をさらに含む、請求項１～１１のいずれか一項記載の方法。
13. 前記患者情報が、前記第１の患者集合内の患者ごとの診断または人口統計を含む、請求項１２記載の方法。
14. 前記診断が、心原性ショックまたは心筋梗塞の一方である、請求項１３記載の方法。
15. 前記人口統計が、性別、ジェンダー、リスク因子、転帰、または年齢の１つまたは複数である、請求項１３記載の方法。
16. 前記モデルと関連付けられた前記患者情報に基づいて該モデルが前記第２の患者に適用されるかどうかを判定する段階をさらに含む、請求項１～１５のいずれか一項記載の方法。
17. 前記第２の患者の前記第２のポンプパラメータの測定値および前記第２の血行動態パラメータの測定値をディスプレイに表示する段階をさらに含む、請求項１～１６のいずれか一項記載の方法。
18. 前記第２の患者の前記推定心臓パラメータをディスプレイに表示する段階をさらに含む、請求項１～１７のいずれか一項記載の方法。
19. 前記第２の患者における前記推定心臓パラメータに基づいてポンプ速度の提案される変更を計算する段階をさらに含む、請求項１～１８のいずれか一項記載の方法。
20. 前記ポンプ速度の前記提案される変更を実施する段階をさらに含む、請求項１９記載の方法。
21. 前記ポンプ速度の前記提案される変更をディスプレイに表示する段階をさらに含む、請求項１９記載の方法。
22. 心臓パラメータのモデルを構築する段階が、ニューラルネットワークを使用して前記第１の患者集合の前記少なくとも１つの第１の血行動態パラメータおよび前記少なくとも１つの測定可能なポンプパラメータからモデルを抽出することを含む、請求項１～２１のいずれか一項記載の方法。
23. 前記ニューラルネットワークが複数のセルを含む、請求項２２記載の方法。
24. 前記ニューラルネットワークを構成する前記複数のセルの第１のセルが、第１の時点において前記第１の患者集合の前記少なくとも１つの第１の血行動態パラメータおよび前記少なくとも１つの測定可能なポンプパラメータを入力として受け入れる、請求項２３記載の方法。
25. 前記第１のセルが、前記少なくとも１つの第１の血行動態パラメータおよび前記少なくとも１つの測定可能なポンプパラメータを１つまたは複数のモデルフィットに基づいて変換してから、該変換された血行動態パラメータおよび該変換されたポンプパラメータを前記複数のセルの第２のセルに送る、請求項２４記載の方法。
26. 前記第１のセルが、前記第１の時点について隠れ状態およびセル状態を更新する、請求項２５記載の方法。
27. 前記第１のセルが、第２の時点の前記少なくとも１つの第１の血行動態パラメータおよび前記少なくとも１つの測定可能なポンプパラメータを受け取り、該第２の時点について前記隠れ状態および前記セル状態を更新する、請求項２６記載の方法。
28. 前記ニューラルネットワークが、リカレント双方向ニューラルネットワークである、請求項２２～２７のいずれか一項記載の方法。
29. 前記第１の患者集合が１人の患者を含む、請求項１～２８のいずれか一項記載の方法。
30. 以下の段階を含む、モデルに基づいて患者の心臓パラメータを推定する方法：
    患者において血液ポンプを動作させる段階；
    ポンプパラメータの測定値を取得するために該患者において該血液ポンプの少なくとも１つの測定可能なポンプパラメータを測定する段階；
    血行動態パラメータの測定値を取得するために該患者において少なくとも１つの血行動態パラメータを測定する段階；
    データベースから、該少なくとも１つの測定可能なポンプパラメータと、該少なくとも１つの血行動態パラメータと、心臓パラメータとの間の関係のモデルにアクセスする段階；ならびに
    該患者の心臓パラメータの推定値を推定する段階であって、該患者の該心臓パラメータの推定値が、該ポンプパラメータの測定値および該血行動態パラメータの測定値に基づいて該モデルによって出力される、段階。
31. 少なくとも１つの血行動態パラメータを測定する段階が、大動脈圧を測定することを含む、請求項３０記載の方法。
32. 前記血液ポンプに配置された圧力センサで大動脈圧を決定する段階をさらに含む、請求項３０または３１記載の方法。
33. 前記少なくとも１つの測定可能なポンプパラメータを測定する段階が、ポンプ流量を測定することを含む、請求項３０～３２のいずれか一項記載の方法。
34. 前記心臓パラメータが左室容積である、請求項３０～３３のいずれか一項記載の方法。
35. 前記心臓パラメータが、心拍出量、心臓パワー出力、一回拍出量またはコンプライアンスの１つである、請求項３０～３３のいずれか一項記載の方法。
36. 前記患者の前記ポンプパラメータの測定値および前記血行動態パラメータの測定値をディスプレイに表示する段階をさらに含む、請求項３０～３５のいずれか一項記載の方法。
37. 前記患者の前記心臓パラメータの推定値を前記ディスプレイに表示する段階をさらに含む、請求項３０～３６のいずれか一項記載の方法。
38. 前記患者において推定された前記心臓パラメータに基づいてポンプ速度の提案される変更を計算する段階をさらに含む、請求項３０～３８のいずれか一項記載の方法。
39. 前記ポンプ速度の前記提案される変更を実施する段階をさらに含む、請求項３８記載の方法。
40. 前記ポンプ速度の前記提案される変更をディスプレイに表示する段階をさらに含む、請求項３８記載の方法。
41. モデルにアクセスする段階が、複数のモデルの中から選択モデルを決定することを含む、請求項３０～４０のいずれか一項記載の方法。
42. 複数のモデルの中から選択モデルを決定することが、前記患者と関連付けられた情報に基づいてモデルを選択することを含む、請求項４１記載の方法。
43. モデルにアクセスする段階が、ニューラルネットワークによって形成されたモデルを選択することを含む、請求項３０～４２のいずれか一項記載の方法。
44. 前記ニューラルネットワークが、リカレント双方向ニューラルネットワークである、請求項４３記載の方法。
45. 前記推定心臓パラメータに基づいて前記血液ポンプの前記動作の推奨される変更を決定する段階をさらに含む、請求項３０～４４のいずれか一項記載の方法。
46. 以下の段階を含む、患者における心臓パラメータの推定値を策定するための方法：
    第１の患者集団において、医療機器の動作から導出された１つまたは複数のパラメータを測定し、かつ、心臓パラメータを測定する段階；
    該第１の患者集団における該医療機器の動作から導出された該１つまたは複数のパラメータおよび該心臓パラメータに基づいて該心臓パラメータのモデルを策定する段階；
    該モデルを第２の患者集団の患者に適用して該患者の心臓パラメータを推定する段階。
47. 前記第１の患者集団の１人または複数の患者の共通の特性に従って前記モデルをラベル付けする段階
    をさらに含む、請求項４６記載の方法。
48. 前記モデルの前記ラベル付けに基づいて、前記第２の患者集団の前記患者の特性を前記第１の患者集団の前記１人または複数の患者の前記特性と比較することによって、該モデルが該第２の患者集団の該患者に適用可能であるかどうかを判定する段階
    をさらに含む、請求項４６または４７記載の方法。
49. 前記モデルを策定する段階が、
    機械学習アルゴリズムを利用して、前記第１の患者集団における前記医療機器の動作から導出された前記１つまたは複数のパラメータおよび前記測定心臓パラメータに基づいて前記心臓パラメータのモデルを策定すること
    をさらに含む、請求項４６～４８のいずれか一項記載の方法。
50. 前記モデルを前記第２の患者集団の前記患者に適用することが、
    該第２の患者集団の該患者において前記医療機器を動作させること；
    該第２の患者集団の該患者において、該医療機器の動作から導出された前記１つまたは複数のパラメータを測定すること；
    該医療機器の動作から導出された該測定された１つまたは複数のパラメータを前記心臓パラメータのモデルに入力すること；および
    該モデルに基づいて、該第２の患者集団の該患者の推定心臓パラメータを推定すること
    をさらに含む、請求項４６～４９のいずれか一項記載の方法。
51. １つまたは複数のポンプ速度で駆動されるように構成された、駆動可能なロータ、および
    血行動態パラメータを測定するように構成された、センサ
    を含む、血液ポンプと、
    該センサから血行動態パラメータの測定値を受け取って該血行動態パラメータの測定値を記録するように構成され、該血行動態パラメータおよび該１つまたは複数のポンプ速度のうちのポンプ速度に基づく心臓パラメータの所定のモデルを格納する、メモリ、
    該ロータを駆動するように構成され、該駆動された血液ポンプロータのポンプ速度を記録されるべき該メモリに送るように構成された、ドライバ、
    該メモリに記録された１つまたは複数のパラメータを表示するように構成された、ディスプレイ
    を含む、コントローラと
    を含み、
    該メモリが、
    該所定のモデルから、該血行動態パラメータの測定値および該ポンプ速度に基づいて、関連付けられた心臓パラメータを決定し、
    該決定された心臓パラメータを該ディスプレイに送る
    ように構成されている、
    所定のモデルに基づいて患者の心臓パラメータを推定するためのシステム。
52. 前記メモリが、前記血行動態パラメータおよび前記ポンプ速度に基づく前記心臓パラメータの複数の所定のモデルを格納するように構成されている、請求項５１記載のシステム。
53. 前記コントローラが、前記血行動態パラメータおよび前記ポンプ速度の少なくとも１つに基づいて前記複数の格納された所定のモデルの中から１つの所定のモデルを選択するように構成されている、請求項５２記載のシステム。
54. 前記コントローラが、前記ディスプレイへの入力に基づいて前記複数の格納された所定のモデルの中から１つの所定のモデルを選択するように構成されている、請求項５２記載のシステム。
55. 前記複数の所定のモデルが、複数のセルを含むニューラルネットワークによって形成されている、請求項５２～５４のいずれか一項記載のシステム。
56. 前記ニューラルネットワークが、リカレント双方向ニューラルネットワークである、請求項５５記載のシステム。
57. 前記メモリが、前記血行動態パラメータおよび前記ポンプ速度に基づく前記心臓パラメータの複数の所定のモデルを含むデータベースに無線で接続するように構成されている、請求項５１～５６のいずれか一項記載のシステム。
58. 前記コントローラが、前記データベースから１つの所定のモデルを選択するように、かつ該選択された１つの所定のモデルを前記メモリへの格納のために取り出すように構成されている、請求項５７記載のシステム。
59. 前記複数の所定のモデルが、複数のセルを含むニューラルネットワークによって形成されている、請求項５７または５８記載のシステム。
60. 前記ニューラルネットワークが、リカレント双方向ニューラルネットワークである、請求項５９記載のシステム。
61. 前記コントローラが、前記決定された心臓パラメータに基づいて前記ポンプ速度への推奨される変更を決定するように構成されている、請求項５１～６０のいずれか一項記載のシステム。
62. 前記コントローラが、前記ディスプレイに表示するために前記ポンプ速度への前記推奨される変更を生成するようにさらに構成されている、請求項６１記載のシステム。
63. 前記コントローラが、前記ポンプ速度への前記推奨される変更を実施するように構成されている、請求項６１または６２記載のシステム。
64. 前記センサが、大動脈圧、左室拡張末期圧、および毛細血管楔入圧のうちの少なくとも１つを測定するように構成されている、請求項５１～６３のいずれか一項記載のシステム。
65. 前記心臓パラメータが左室容積である、請求項５１～６４のいずれか一項記載のシステム。
66. 前記心臓パラメータが心臓パワー出力である、請求項５１～６４のいずれか一項記載のシステム。
67. 以下の段階を含む、データベースを使用して患者の心臓パラメータを推定する方法：
    第１の患者において血液ポンプを動作させる段階；
    ポンプパラメータの測定値を取得するために該第１の患者において該血液ポンプの少なくとも１つの測定可能なポンプパラメータを測定する段階；
    血行動態パラメータの測定値を取得するために該第１の患者において少なくとも１つの血行動態パラメータを測定する段階；
    該第１の患者以外の患者の患者データを含むデータベースにアクセスする段階であって、該患者データが、測定可能なポンプパラメータ、血行動態パラメータ、および心臓パラメータのうちの少なくとも１つを含む、段階；ならびに
    該第１の患者における該ポンプパラメータの測定値、該第１の患者における該血行動態パラメータの測定値、および該データベースからの格納された患者データに基づいて、該第１の患者の心臓パラメータを推定する段階。
68. 前記心臓パラメータが心臓パワー出力である、請求項６７記載の方法。
69. 前記データベースが、異なる特性および異なる病態を有する患者からのデータを格納するグローバルデータベースである、請求項６７または６８記載の方法。
70. 特性が、年齢、体重、性別、またはＢＭＩを含む、請求項６９記載の方法。
71. 前記データベースが、新しいデータで定期的に更新される、請求項６７～７０のいずれか一項記載の方法。
72. 請求項１～５０および６７～７１のいずれか一項記載の方法を実施するように構成されたコントローラを有する、ポンプシステム。
73. 請求項１～５０および６７～７１のいずれか一項記載の方法を実行するように構成された、メモリ。
74. 入力データに適用されるべき前記モデルを導出するためにニューラルネットワークが使用される、請求項１～５０および６７～７１のいずれか一項記載の方法。
75. 前記ニューラルネットワークが、互いに通信し合う複数のセルを含み、
    該セルが、
    入力として１つまたは複数の測定パラメータを受け入れ、
    該１つまたは複数の測定パラメータをモデルフィットに基づいて変換し、
    該変換されたパラメータを隠れ状態およびセル状態の１つまたは複数を有する隣接するセルに送る、
    請求項７４記載の方法。