JP7045084B2

JP7045084B2 - 血管系の健康を監視するためのシステムおよび方法

Info

Publication number: JP7045084B2
Application number: JP2019503194A
Authority: JP
Inventors: マハワスサ・コディトゥワックゲ・キールティ・プリヤンカラ; ウィジェセカラ・ヴィタナゲ・チャリト; ムンディガラ・アラッチラゲ・イスル・スハルシャン・ラジャカルナ
Original assignee: Jendo Innovations Pvt Ltd
Current assignee: Jendo Innovations Pvt Ltd
Priority date: 2016-03-28
Filing date: 2017-03-27
Publication date: 2022-03-31
Anticipated expiration: 2037-03-27
Also published as: US20190380592A1; WO2017171637A1; US10912464B2; JP2019514635A

Description

（関連出願の相互参照）
本開示は、２０１６年３月２８日に出願されたスリランカ特許出願第１８７２２号の優先権を主張する特許出願であり、上記特許出願は、参照により本明細書に組み込まれる。

本開示は、一般的に血管系の健康を監視するためのシステムおよび方法に関する。具体的には、本開示は、患者の１つ以上の血管系、例えば、末梢血管系および心臓血管系の健康を無侵襲的に監視するためのシステムおよび方法の様々な実施形態を説明する。

循環系または心血管系とも呼ばれる血管系は、血管（動脈、静脈、および毛細血管）からなる器官系であり、血管は血液を人体にわたって運んで循環させる。この血液循環を介して、酸素および栄養（例えば、アミノ酸および電解質）が人体組織に運搬され、組織の老廃物が排出される。よい血液循環を有する健康な血管系が、栄養を提供し疾病と闘うこと、体温を安定させること、および、人体内の恒常性を維持することに対して重要である。血管系は、腹部外または胸部外（すなわち、肢体内または末梢内）の動脈および静脈における血液循環に関する末梢血管系と、心臓の心機能に関する心臓血管系と、を含む。

上皮組織は人体全体の血管および器官の腔および表面を覆う。血管内皮は、人体において心臓から血管までの血管系を覆う上皮組織の一種である。血管内皮または内皮細胞は、血管の内表面を覆い、血管腔において循環している血液と血管壁の残りの部分との間のインタフェースを形成する。

血管内皮は内皮細胞の高活性単層（highly active monolayer）であり、この高活性単層は血管の恒常性の維持に対してキーとなっている。内皮機能不全は内皮の全身病理学的状態（systemic pathological state）であり、アテローム性動脈硬化症の早期段階形成の兆候で知られている（動脈硬化性血管疾患またはＡＳＶＤでも知られている）。アテローム性動脈硬化症はプラークが動脈内に形成し発展する疾患である。動脈の硬化および狭まりによって最終的に動脈が詰まり酸素に富む血液が器官または人体の他の部分への流れを制限する。

内皮機能不全と血管系における疾患との間の相互関係は既に研究によって示された。内皮機能不全に対する早期診断は血管健康状態または疾患の早期識別を導く。現に、内皮機能を評価するまたは測定する方法が存在しているものの、いくつかの方法、例えば、直接的に血液試料を介して酸素飽和度を測定することによる方法は患者を侵襲する。

したがって、少なくとも１つの前述した問題および／または欠点を取り込むまたは軽減するために、従来技術と比べると少なくとも１つの改善および／または利点を有する、患者の血管系の健康を無侵襲的に監視するためのシステムおよび方法を提供する必要がある。

本開示の１つの概念に基づいて、患者の血管系の健康を無侵襲的に監視するためのシステム、方法および非一時的なコンピュータ可読媒体が提供される。システムは、患者の血管活動を監視するための監視装置と、その方法のステップを行うように構成されたサーバーと、を備える。方法のステップは、監視装置によって患者の血管活動測定値から由来する血管信号を備える信号セットを受信することと、血管信号から識別パルスを再構成することと、識別パルスからの識別パルス特徴を判断することと、識別パルス特徴を備える特徴セットからのデータを患者データベースと比較することと、患者データベースとの比較結果に基づいた血管健康状態のリスク評価を生成することと、を備える。患者データベースは患者集団に対する特徴セットに関連するデータを備える。

本開示の利点は、比較のための識別パルスの再構成および利用によって、患者、クリニック、医療施設などが比較的に標準化された手法を適用して血管健康状態のリスクを評価することができることである。伝統的な信号またはパルス列と比べると、異なる患者に対して実質的に同様な手段から由来する単一の識別パルスは、患者の血管健康に基づく患者間の変化をより有効に強調することができ、よって、血管健康状態／異常／疾患を精度高く検出／予測する。

本開示に基づく患者の血管系の健康を無侵襲的に監視するためのシステムおよび方法はここで開示される。本開示の様々な特徴、概念および利点は、添付する図面とともに、例示的であるが制限でない形式によって後述する本開示の実施形態の詳細説明から一層明白となる。

本開示の実施形態に基づく、患者の血管系の健康を無侵襲的に監視するためのシステムの図本開示の実施形態に基づく、患者の血管系の健康を無侵襲的に監視するためのコンピュータ化された方法の図本開示の実施形態に基づく、図１のシステムのサーバーのブロック図本開示の実施形態に基づく、患者の血管系の健康を無侵襲的に監視するために患者に付けるセンサの構成の図本開示のもう１つの実施形態に基づく、患者の血管系の健康を無侵襲的に監視するために患者に付けるセンサのもう１つの構成の図本開示の実施形態に基づく、指尖容積脈波（ＰＰＧ）および体温信号に対して行われる第１信号処理の図本開示の実施形態に基づく、第２信号処理後ＰＰＧ信号から識別パルスの再構成の図本開示の実施形態に基づく、第２信号処理の図本開示の実施形態に基づく、ＰＰＧ信号の一次微分の図本開示の実施形態に基づく、ＰＰＧ信号の一次微分からの例示パルスの図本開示の実施形態に基づく、所定信頼区間を有するＰＰＧ信号の図本開示のもう１つの実施形態に基づく、心電図信号から識別パルスの再構成の図本開示の実施形態に基づく、周波数領域におけるＰＰＧ信号の図本開示の実施形態に基づく、ＰＰＧ信号から由来する識別パルスの図本開示の実施形態に基づく、図１３の識別パルスのもう１つの図本開示の実施形態に基づく、図１３の識別パルスの一次微分の図本開示の実施形態に基づく、図１３の識別パルスの二次微分の図本開示の実施形態に基づく、体温信号の図

本開示において、所定の要素もしくは考慮の説明または特定な図面もしくは対応する説明内容への参照における特定な要素番号の利用は、同様、均等または類似な要素または関連する他の図面もしくは説明内容において特定された要素番号を取り入れることができる。図面または関連する文章における「／」の利用は、他の表示がない限りに「および／または」という意味で理解される。ここで利用されるように、既知の数学的定義に基づいて、「セット」という文言は少なくとも1つの基数（cardinality、濃度とも呼ばれている）を数学的に示す要素の非空有限集合である（例えば、ここで定義されたセットは、単位要素、一（singlet）要素もしくは単一（single）要素のセット、または多要素のセットである）。ここにおける特定な数値または数値範囲の記載は、近似の数値もしくは数値範囲の記載を含むまたは近似の数値もしくは数値範囲の記載であると理解される。

簡潔さと明確さとの目的のために、本開示の実施形態の説明は図面とともに患者の血管系の健康を無侵襲的に監視するためのシステムおよび方法に向けられている。本開示の概念はここで提供された実施形態とともに説明されるとき、本開示をこれらの実施形態に制限すると意図しないことが理解されるべきである。むしろ、本開示は、特許請求の範囲によって定義されるような本開示の範囲に含まれる、ここで説明される実施形態の代替案、変更案または均等案に及ばせようとしている。また、後述する詳細な説明、特定な詳細事項は本開示への更なる理解を提供するために述べられる。ただし、本分野における通常の知識を有する者、すなわち当業者には、本開示は特定な詳細事項を参照せずに実行されてもよく、および／または、複数の特定な実施形態の概念の組み合わせから言及された複数の詳細事項を参照して実行されてもよいことが理解できるであろう。本開示の実施形態の概念を余計に不明瞭化することを避けるように、いくつかの例示、既知のシステム、方法、手順および部品については、あえて詳細に説明されていない。

本開示の代表的または例示的な実施形態において、図１に示されるような電子システム１０が提供される。システム１０はホストサーバーまたはサーバー１００を含み、ホストサーバーまたはサーバー１００はプロセッサとコンピュータ可読指令を記憶するように構成されたメモリとを有する。プロセッサ（中央処理装置またはＣＰＵとも呼ばれている）は、二次記憶装置（例えば、ディスク駆動装置またはメモリカード）、読み出し専用メモリ（ＲＯＭ）およびランダムアクセスメモリ（ＲＡＭ）を含むメモリ装置と通信する。プロセッサは１つ以上のＣＰＵチップとして実行されてもよい。プロセッサは、ハードディスク、フロッピーディスク、光ディスク（これらの様々なディスクベースのシステムはすべて二次記憶装置と考えてもよい）、フラッシュドライブ、ＲＯＭ、ＲＡＭ、またはネットワーク接続性デバイスを介してアクセスする指示、コード、コンピュータプログラム、スクリプトを実行する。サーバー１００は１つまたは複数のプロセッサを含んでもよい。よって、指示はプロセッサによって実行されるように検討されるとき、指令は１つまたは複数のプロセッサによって同時に、順番に、または他の形式で実行されてもよい。

システム１０は監視装置２００をさらに含み、監視装置２００は、患者／対象物／利用者２０と接続しているまたは接続可能であり、サーバー１００と通信連結しているまたは通信可能である。監視装置２００は、患者２０の血管活動を測定するための電子ハードウエア部品／モジュールである。監視装置２００は血管活動と関連するまたはその血管活動から由来する測定値を取得するための測定器具セットを含み、血管活動は、例えば、血流における揺らぎ（fluctuation）に起因する体積変化、または心機能に起因する電気的活動である。サーバー１００は、患者２０の血管系の健康を無侵襲的に監視するための方法を行うために監視装置２００と協働する。

１つの実施形態において、監視装置２００は、サーバー１００と通信するためのネットワーク接続性デバイスを含むまたはそのネットワーク接続性デバイスと一体化している。ネットワーク接続性デバイスは、モデム、モデムバンク、イーサネット（登録商標）カード、ユニバーサルシリアルバス（ＵＳＢ）インターフェースカード、シリアルインターフェイス、トークンリングカード、ファイバ分散データインターフェイス（ＦＤＤＩ）カード、無線通信モジュール、無線ローカルエリアネットワーク（ＷＬＡＮ）カード、無線送受信カード、および他の既知のネットワークデバイスの形を取っていてもよく、その無線送受信カードは、例えば、符号分割多元接続（ＣＤＭＡ）、汎欧州デジタル移動電話方式（ＧＳＭ（登録商標））、ロングタームエボリューション（ＬＴＥ）、ワイマックス（worldwide interoperability for microwave access、ＷｉＭＡＸ）、近距離無線通信（ＮＦＣ）、無線周波数識別（ＲＦＩＤ）、および/または他のエアインタフェースプロトコルの無線送受信カードなどのプロトコルを利用して無線通信を促進する。これらのネットワーク接続性デバイスによっては監視装置２００を、特にその中のプロセッサを起動してインターネットまたは１つ以上のイントラネットを介してサーバー１００と通信させてもよい。

同様に図１に示されたもう１つの実施形態において、システム１０は電子装置３００を含み、電子装置３００は監視装置２００および／またはサーバー１００と通信連結しているまたは通信可能である。電子装置３００はサーバー１００と監視装置２００との間の中継装置として機能し、よって、監視装置２００が電子装置３００を介してサーバー１００と接続可能である。例えば、監視装置２００は、患者２０の血管活動を測定し、電子装置３００を介してサーバー１００にこれらの血管活動測定から由来するデータを自動的に通信する。代替的に、まず監視装置２００がデータを記憶させるように電子装置３００と通信し、その後、電子装置３００がそのデータをサーバー１００と通信する。このようなことは、患者２０が監視装置２００によって測定され、かつ、この区域にネットワーク接続性がないまたは限られている場合に発生しうる。

電子装置３００は、サーバー１００と監視装置２００との間の通信を容易にするために前述したネットワーク接続性デバイスを含む。電子装置３００はモバイルデバイス、例えば、モバイルフォン、スマートフォン、携帯情報端末（ＰＤＡ）、タブレット、ラップトップ、またはコンピュータであってもよい。

図２を参照し、本開示の様々な実施形態において、コンピュータ化された方法４００は患者２０の血管系の健康を無侵襲的に監視するためにサーバー１００に実行される。概していうと、方法４００は以下のステップを含む。
（ａ）ステップ４０２、監視装置２００によって患者の血管活動測定値から由来する血管信号を備える信号セットを受信する。
（ｂ）ステップ４０４、血管信号から識別パルスを再構成する。
（ｃ）ステップ４０６、識別パルスからの識別パルス特徴を判断する。
（ｄ）ステップ４０８、識別パルス特徴を備える特徴セットからのデータを患者データベースと比較する。
（ｅ）ステップ４１０、患者データベースとの比較結果に基づいた血管健康状態のリスク評価を生成する。
ここで、患者データベースは患者集団に対する特徴セットに関連するデータを備える。

図３を参照し、サーバー１００（サーバー側）は方法４００を行うためのソフトウェアモジュールを含む。ソフトウェアモジュールはデータ解析／解釈のためのアプリケーションまたはコントローラ１０２を含む。アプリケーション１０２は、アプリケーションプログラミングインタフェース（ＡＰＩ）１０４、ユーザインタフェース（例えば、ウェブベースであるまたはモバイルアプリケーションを介するものである）、信号セットを処理するための信号処理部品／モジュール／ユニットアルゴリズム１０８、患者データベース１１０、および、特徴セットからのデータを患者データベース１１０と比較するための機械学習部品／モジュール／ユニット１１２を実行する。

監視装置２００（装置側）は、センサ部品／モジュール／ユニット２０２、信号フィルタリング部品／モジュール／ユニット２０４、およびデータ転送部品／モジュール／ユニット２０６を含む。監視装置２００の測定器具セットはセンサインタフェース２０８を介して監視装置２００とインタフェースし、特にセンサ部品２０２とインタフェースする。センサ部品２０２はセンサインタフェース２０２を介して測定器具によって取得された測定値を受信し、測定値から由来する信号セットを生成する。１つの実施形態において、測定器具によって取得した測定値はアナログ信号の形をしている。監視装置２００は、データ転送部品２０６を介してデジタル信号をサーバー１００と通信する前に、信号フィルタリング部品２０４を用いてアナログ信号を処理し、例えば、アナログ信号をデジタル信号に変換する。

監視装置２００からサーバー１００への通信は、サーバー１００のアプリケーション１０２に実行されるＡＰＩ１０４を介して行われる。（デジタル）信号セットを含むデータがアプリケーション１０２によって通信されて受信されると、信号セットが信号処理部品１０８によって処理され、特徴セットが判断される。識別パルスを含む特徴セットからのデータは機械学習部品１１２によって比較されるために患者データベース１１０に記憶される。データが記憶された後、特徴セットが分類され、血管健康状態の患者リスク評価が機械学習モジュール１１２によって生成され、例えば、確率スコアまたはこのようなリスクに関連する数値を計算することによって生成される。血管健康状態は特定の血管異変または特定の心血管疾患に関してもよく、確率スコアまたは数値はこのような疾患状態を有するまたは診断された患者２０のリスクを示してもよい。これらのリスクがこのような疾患に診断されていない個体に対して評価されるとき、確率スコアまたは数値はこのような疾患を持っている傾向をさらに示してもよく、よって、患者２０に予測識見を与える。

血管健康状態に対する患者リスク評価が患者２０（クライアント側）に示される。１つの実施形態において、患者リスク評価は電子装置３００と通信され、グラフィカルユーザインタフェース（ＧＵＩ）３０２、例えば、電子装置３００に実行されたウェブブラウザまたはモバイルアプリケーションで患者２０に提示される。もう１つの実施形態において、監視装置２００は、患者２０が患者リスク評価を直接的に見るとことができるグラフィカルユーザインタフェースを含む。患者リスク評価は視覚的または図表の形で患者２０に提示されてもよく、よって、患者２０に容易に理解される。

サーバー１００と監視装置２００と電子装置３００との間の通信は有線通信または無線通信のプロトコルを介して行われることが望ましい。当業者に容易に理解されるように、この通信はＨＴＴＰＳ（Hypertext Transfer Protocol Secure）および／または演算ファイヤウォールなどのネットワークセキュリティシステムとともに実行されることによって安全にされる。

図４を参照し、１つの実施形態において、監視装置２００の測定器具セットは、人体における血管活動を測定するためのパルスオキシメータセンサ２１０と、体温を測定するための体温センサ２１２と、患者２０に付けられて血管閉塞を起こす押圧カフ２１４とを含む。特に、パルスオキシメータセンサ２１０および体温センサ２１２は患者の末端または指に付けられ、押圧カフ２１４は左上腕の周囲に捲かれる。第１パルスオキシメータセンサ２１０ａは左中指に付けられ、第２パルスオキシメータセンサ２１０ｂは右中指に付けられる。第１体温センサ２１２ａは左人差し指に付けられ、第２体温センサ２１２ｂは右人差し指に付けられる。

各心周期において、心臓が圧力パルスを介して血液を人体の末端（例えば、指）へ送り出す。圧力パルスは人体皮膚内の皮下組織における血管を膨らますに十分であり、よって、人体皮膚内の皮下組織の血液量を変化させる。パルスオキシメータセンサ２１０は人体における血管活動（すなわち、血液循環による結果）を測定するための血管センサである。特に、パルスオキシメータセンサ２１０は、血液中のヘモグロビンの酸素飽和度（ＳＯ_２）を判断することによって血液中の酸素量を間接的に測定し、人体皮膚内の血液量にある変化も測定する。圧力パルスによって起こされる量の変化は、発光ダイオード（ＬＥＤ）からの光を用いて皮膚を照らしてフォトダイオードに透過されたまたは反射された光量を測定することによって検出されることができる。パルスオキシメータセンサ２１０は皮膚を照らすように指に付けられて光吸収上の変化を測定する。測定された光吸収上の変化はまとめて指尖容積脈波（ＰＰＧ）を生成する。

監視装置２００は患者２０が楽な姿勢を取っているときに患者２０に対して測定する。好ましくは、患者２０は測定から少なくとも４時間前から血管活動に影響を与えうる薬またはアルコールの摂取を避けるべきである。最初の休息期間、例えば、３０分間を経てから、複数のパルスオキシメータセンサ２１０および体温センサ２１２による測定は、所定時間期間、例えば、２分間において連続的に行われる。代替的に、この最初の休息期間は省略されてもよい。そして押圧カフ２１４は収縮期血圧より高い所定圧力、例えば、５０ｍｍＨｇまたは６．７ｋＰａで膨らませる。同様な測定が行われた後、押圧カフ２１４は所定時間期間、例えば、３分間に膨らませた状態に維持する。そして、押圧カフ２１４が抜かれまたは解放され、同様な測定が別の所定時間期間、例えば、５分間で行われる。（押圧カフ２１４なしで）右腕から取得された測定値は基準値または参考値として参考されてもよい。

したがって、この手順によって血管内皮を人為的に刺激する前におよび後に患者２０の測定値を取得する。血管内皮は押圧カフ２１４を用いて左腕への血流を制限することによって刺激され、一酸化窒素を放出する。この複数のパルスオキシメータセンサ２１０および体温センサ２１２の構成を利用して、より精確な測定値を取得することができ、それは２セットの測定値、すなわち、血管内皮が楽な状態における１セットと、血管内皮が刺激されている状態における１セットとの測定値を取得するからである。しかしながら、それには、この測定手順の行いは時間がかかり、押圧カフ２１４の膨らみが患者２０に不快に感じさせるなどのいくつかの欠点がある。また、特に患者２０が特定な状態または疾患を持っている場合、押圧カフ２１４による血管閉塞を患者２０に受けさせることは不適切または医者に勧められない。

図５を参照し、もう１つの実施形態において、監視装置２００の測定器具セットは患者２０の左人差し指に付けられるパルスオキシメータセンサ２１０を含む。同様に、監視装置２００は患者２０が楽な姿勢を取っているときに患者２０に対して測定する。最初の休息期間、例えば、３０分間を経てから、パルスオキシメータセンサ２１０による測定は所定時間期間、例えば、３分間において連続的に行われる。代替的に、この最初の休息期間は省略されてもよい。この測定値は、図４において前述した実施形態によって取得される測定値より精確さが低いかもしれないが、血管内皮を人為的に刺激する必要がないため、この手順はより使いやすくて患者２０にとってもより快適である。

他の実施形態において、監視装置２００の測定器具セットは心電図（ＥＣＧ）センサ、または、患者２０の皮膚上かつ患者２０の心臓の近くに置かれる電極を含む。測定器具セットは任意で１つ以上の体温センサ２１２を含んでもよい。同様に、監視装置２００は患者２０が楽な姿勢を取っているときに患者２０に対して測定する。最初の休息期間、例えば、３０分間を経てから、ＥＣＧセンサによる測定は所定時間期間、例えば、１０分間において連続的に行われる。ＥＣＧセンサは心臓の電気活動を測定し記録してＥＣＧを生成する。ＥＣＧは、患者２０の心臓システムの機能および心機能不全のリスクを評価することに利用されてもよい。

血管活動を測定するように、または血管活動に関する人体の測定値／示度を取得するように、パルスオキシメータセンサ２１０およびＥＣＧセンサ以外の様々な種類の血管センサは実行されまたは患者２０に利用されることが望ましい。当業者に容易に理解されるように、結果的に、ＰＰＧおよびＥＣＧ以外の各種類の信号、例えば、容積脈波図以外の形式の信号はこのような血管センサによって生成されてもよい。

様々な実施形態において、監視装置２００の測定器具セットは患者２０から様々な測定値、例えば、パルスオキシメータセンサ２１０による血管活動測定値、体温センサ２１２による体温測定値、および、ＥＣＧセンサまたは電極による電気活動測定値を取得する。測定値は、センサインタフェース２０８を介して監視装置２００と通信されるアナログ信号として測定される。監視装置２００の信号フィルタリング部品２０４は、データ転送部品２０６が更なる処理のためにサーバー１００と通信する前にアナログ信号を処理する。

図６を参考し、１つの実施形態において、アナログ信号は、パルスオキシメータセンサ２１０から由来する２つの血管信号と、体温センサ２１２から由来する１つの体温信号または熱信号とを含む。各アナログ信号は第１信号処理５００において監視装置２００の信号フィルタリング部品２０４によって処理される。アナログ信号はまずアナログフィルタバンク／アナログインタフェース５０２によってフィルタリングされてから、１つ以上の増幅器５０４によって増幅される。フィルタリングされ増幅されたアナログ信号はアナログ－デジタル変換器（ＡＤＣ）５０６によってデジタル領域に変換される。基本的に、ＡＤＣ５０６は（フィルタリングステップおよび増幅ステップによって純化された）アナログ信号をデジタル信号に変換する。そして、データ転送モジュール２０６、例えば、無線通信モジュール５１０を含むデータ転送モジュール２０６によってデジタル信号をサーバー１００と通信するために、マイクロコントローラ５０８はデジタル信号の形式を整える。よって、監視装置２００はデジタル信号セットを生成して更なる処理のためにそのデジタル信号をサーバー１００と通信する。

図５に示されるように構成されたセンサを用いる１つの実施形態において、信号セット、例えば、第１信号処理５００の処理結果としてのデジタル信号は、パルスオキシメータセンサ２１０によって測定された血管活動から由来する血管信号を含む。血管信号がパルスオキシメータセンサ２１０によって生成されたＰＰＧから由来する場合、血管信号をＰＰＧ信号と呼んでもよい。方法４００のステップ４０２においてＰＰＧ信号を含む信号セットはサーバー１００に受信される。図７を参照して、血管活動測定値が様々な時間期間にわたって取られる場合、ＰＰＧ信号３０は時間領域の信号である。ステップ４０４において、識別パルス４０はＰＰＧ信号３０から再構成される。識別パルス４０は後述する信号処理の後でＰＰＧ信号３０から再構成される。信号または信号処理において、「パルス」は、後に基準値／参考値への急激な戻りが続いた、基準値／参考値から比較的に高い値または比較的に低い値への信号の特性上の急激な過渡変化であると定義されており、その信号の特性は例えば信号の振幅、フェースまたは周波数である。単純化して図示するために、図７に示されたＰＰＧ信号３０は一連／一列の離散的パルスを有するパルス列／波（パルス振幅が変調された信号）である。識別パルス４０は離散的パルス３２の１つと同様に起こりうるが、識別パルス４０は、単にＰＰＧ信号３０から単一の離散的パルス３２を抽出することによるのではなく、ＰＰＧ信号３０のパルス列／波における離散的パルス３２の全列を結果の単パルスに処理することよって由来する。識別パルス４０／離散的パルス３２は、識別パルス４０／離散的パルス３２の全体の輪郭または形状に重要でない、小さい／微細な従属パルス（subsidiary pulse）またはサブパルスを含むことが望ましい。ステップ４０６において、患者２０の血管健康状態のリスクを評価するために、識別パルス特徴を識別パルス４０から判断または抽出することができる。

サーバー１００、特にサーバー１００における信号処理部品１０８は、ステップ４０４において識別パルス４０を再構成するために、ステップ４０２において受信した血管信号を処理する。図８を参照し、第２信号処理６００はサーバー１００の信号処理部品１０８によって血管信号に対して行われる。血管信号はデジタル入力信号５０として信号処理部品１０８によって受信される。高解像成分（resolution component）、低解像成分、および、基準値または参考値としての元の信号成分を識別するように、入力信号５０は異なる解像成分において解析される。

第２信号処理６００のステップ６０２において、入力信号５０はそれから一次微分信号を取得するために微分される。ステップ６０４において、ウェーブレット変換またはウェーブレットに基づく多重解像度解析は入力信号５０を解析するために利用される。ドブシーウェーブレットファミリ（Daubechies wavelets family）と強く相関する場合、ウェーブレットに基づく多重解像度解析の操作は一次微分信号に対して行われる。特徴定位並びに高解像成分、中間範囲解像成分および低解像成分の識別のために、一次微分信号はドブシーウェーブレットファミリ、例えば、一次微分信号におけるウェーブレットの分解に基づいて解析される。高解像成分はガウスノイズの代表である。低解像成分はランダムモーションアーチファクト、センサ連結からのノイズ、および他の低レベルノイズの代表である。中間範囲解像成分は一次微分信号における所望成分の代表であり、実験を介して予め定義されてもよい。元の一次微分信号からの基準値または参考値は、中間範囲解像成分の識別を容易にするように、ステップ６０６において数値積分によって推定または構成されてもよい。ステップ６０８において、低解像成分は、すべての低解像成分または低周波数アーチファクト（low frequency artifacts）の合成（resultant）を生成するように結合され、そして一次微分信号から取り去れる。ウェーブレット変換された一次微分信号の結果の成分の間で、高解像成分はステップ６１０においてノイズ変動を推定することに利用される。ノイズ変動はステップ６１２において一次微分信号をフィルタリングすることおよび入力信号５０に埋め込まれたノイズ成分を取り去ることに利用され、そのノイズ成分を取り去ることはウェーブレット閾値処理に基づくノイズ除去技術を利用する。ステップ６０２、６０４、６０６、６０８、６１０および６１２はまとめて、ノイズからフィルタリングされた結果の信号を取得するための初期フィルタリングフェースと呼んでもよい。結果の信号はフィルタリングされた一次微分信号５２と呼んでもよい。入力信号５０からフィルタリングされた一次微分信号５２の図は図９に示される。フィルタリングされた一次微分信号５２がＰＰＧ信号３０である入力信号５０から由来する場合、フィルタリングされた一次微分信号５２はフィルタリングされたＰＰＧ信号３０の一次微分と代替的にと呼んでもよい。

「Ｌ点計算（L-Point Calculation）」として知られているステップ６１４は、パルス列／波からそれにおける実質的に無歪みのパルス（undistorted pulse、無歪波とも呼ばれている）を分離するように、図９に示されたフィルタリングされた一次微分信号５２に対して行われる。フィルタリングされた一次微分信号５２は正側における優位（振幅における優位）を示し、一次ピークは二次ピークより明らかに大きい。よって、図９に示されるように、正の値の平均（μ）がフィルタリングされた一次微分信号５２の２つの主要な最大値の間に位置する。（例えば、低解像成分において）ノイズによって元の一次微分信号５２に附加されたピークはμにおいて大きなシフトを起こすことができない。したがって、フィルタリングされた一次微分信号５２の正の値の平均μを、収縮期ピークの付近を定位するための閾値として利用することができる。ステップ６１４は、フィルタリングされた一次微分信号５２においてμ（閾値点）を超えた点を定位し、フィルタリングされた一次微分信号５２において最も近いゼロ点を追跡し、当該ゼロ点は閾値点の前に発生し、フィルタリングされた一次微分信号５２のパルス５４の「可能な開始点」としてマークされる。

フィルタリングされた一次微分信号５２の「可能なパルス５４」は、連続した２つの「可能な開始点」の間にあると定義されてもよい。図１０はフィルタリングされた一次微分信号５２における可能なパルス５４の例示、または、フィルタリングされた一次微分パルス５４として参照されるパルスの例示を示す。連続した２つの「可能な開始点」から「可能なパルス５４」が生成可能な確率を高めるために、「Ｌ点差」はまず以下の式に基づいてフィルタリングされた一次微分信号５２においてＬサンプルから離れた点の間の差として定義される。図１０に示されたフィルタリングされた一次微分パルス５４のそれぞれに対して、破線は、Ｌサンプルから離れた２つの「可能な開始点」の間の「Ｌ点差」を定義する。

（数１）
Ｌ点差＝（フィルタリングされた一次微分信号５２）（ｎ＋Ｌ）－（フィルタリングされた一次微分信号５２）（ｎ）
ここで、ｎはあるサンプルであり、Ｌは間隔である。

ステップ６１４においては、図９に示されたフィルタリングされた一次微分信号５２に沿ったＬ点差が処理され、その符号が変化する点が識別され、その符号変化は符号変化の列またはパターンを生成する。ステップ６１６において、フィルタリングされた一次微分信号５２に期待される波紋（ripple）が存在するか、および、正し順序で存在するかを確認するために、この符号変化のパターンは所定パターンまたはテンプレートと照合されてもよい。なお、所定なテンプレートは二元符号の変化パターンであり、すなわち、テンプレートに含まれる値は正の符号「＋」または負の符号「－」によって定義される。実験データは、符号変化パターン[＋、－、＋、－、＋、－、＋、－、＋]が最適な結果を生成することを示す。Ｌ点差においてこの符号変化のパターンに従わないフィルタリングされた一次微分信号５２という形式を取っている「可能な開始点」は拒絶されるまたは除去される。

Ｌ点差によれば、一次微分または二次微分に似ていないノイズにより悪影響されることなく、フィルタリングされた一次微分信号５２における重要な波紋を捕捉することができる。よって、オフセットは最も短い波紋の長さを超えるべきではなく、さもないと、Ｌ点差は波紋を捕捉できなくなる。仮に最も短い波紋は対称的である場合、以下の式に基づいて、その波紋の長さの半分はＬに対して適した値である。

（数２）
Ｌ＝０．５×ｒ×層[（最も長い波紋の長さ）]
ここで、ｒはフィルタリングされた一次微分信号５２において最も短い波紋の長さと最も長い波紋の長さとの間の平均比（mean ratio）であり、典型的なＰＰＧ信号においては０．２５であると発見された。

ノイズの確率分布はノイズ規模の減衰関数（例えば、ガウスノイズ）であり、正しい値のＬはＬ点差をフィルタリングされた一次微分信号５２における波紋を検出するためのロバストな機制（mechanism）にする。

ステップ６１６において説明されたテンプレート照合技術は、初期に収縮期ピークによって識別された、フィルタリングされた一次微分信号５２のパルス列／波における一部の「可能な開始点」を削除する。結果的に、連続した２つの「可能な開始点」の間の長さの分布は図１０に示されるように分散する。さらに、この分布において例外的に長い長さおよび例外的に短い長さは、拒絶または除外すべきパルスを表す。ステップ６１８において、統計的検定、すなわち、時間スケールの仮説検定（time scale hypothesis test）が行われる。特に、統計的検定は、連続した２つの「可能な開始点」を「可能なパルス」の両端点としてマークする仮説について行われる。

仮説を検定するために、「可能なパルス」の長さの確率分布は構築される。ガウシアン的様相を有する確率分布を示す図１１を参照して、長さが所定信頼区間外、例えば、９０％の信頼区間外にあるパルスは拒絶されるまたは除去される。このように、パルスの「可能な開始点」は間接的に識別できる。収縮期ピークと非収縮期ピークとの相対位置を考慮するこの確率分布に対して他の制約を実行することによっては歪みのパルスをさらに除去することができる。図９に示されるフィルタリングされた一次微分信号５２ように、所望パルスにおける収縮期ピークは、非収縮期ピークピークの前に起こり、かつ、比較的に大きい振幅を有する。収縮期ピークと非収縮期ピークとの相対位置は、フィルタリングされた一次微分信号５２における波紋パターンに対応する。よって、フィルタリングされた一次微分信号５２において３つの最大値の振幅は必ず降順である。フィルタリングされた一次微分信号５２におけるＬ点差は最大値を定位しそれらの振幅を計算するのに利用される。所定の振幅降順という基準に沿っていないパルスは拒絶されるまたは除去される。

よって、フィルタリングされた一次微分信号５２におけるパルスはさらに実証され、結果のパルスセットは、ステップ６１４において識別される「可能な開始点」からステップ６１８において統計的検定を介して実証される「可能な終点」までの範囲を考慮することによって、さらにフィルタリングされる。ステップ６２０において、結果的に第１サンプルパルスセットは、フィルタリングされた一次微分信号５２に対して行われた前述したステップの結果として生成される。

第１サンプルパルスセットは望ましくない歪みをまだ有していなくてもよく、その望ましくない歪みはパルスの曲線の形状の中に存在する。ステップ６２２において、このような歪みパルスを除去するために、多項式分解（polynomial decomposition）がサンプルパルスに対して行われる。例えば、多項式の直交ファミリ（orthogonal family）は、第１サンプルパルスセットにおける全てのパルスの多項式分解に利用されてもよい。特に、第１種チェビシェフ多項式は多項式分解に利用されてもよく、その第１種チェビシェフ多項式は（－１, １）という範囲内においてチェビシェフ微分方程式の解として定義された直交多項式セットである。係数は、係数の指数（インデックス）によってグループ化され、第１サンプルパルスセットにおける全てのパルスについて特定の与えられた係数指数に対して係数セット（Ｃ_ｎ）が得られ、ここで、０＜ｎ＜２５。すなわち、特定のｎに対して、Ｃ_ｎが第１サンプルパルスセットにおける全てのパルスの係数を含む。各Ｃ_ｎの変動を考慮することによって、歪み形状に対して最大の感度を有する係数が導かれる。

ステップ６２４において、歪みに対して最大の感度を有する係数は外れ値（outlier）のため検定される。各係数Ｃ_ｎは分別に検定される。特定のＣ_ｎに対して１つのグループにおける外れ値の係数は、パルスの大半に関して自身の形状において何らかの異常を有するパルスに対応する。１つ以上の外れ値を検出するのに利用される外れ値検定の一例としては、「外れ値のための一般化極限スチューデント化偏差検定（Generalized Extreme Studentized Deviate（ＥＳＤ） Test for Outliers）」が挙げられる。外れ値検定が失敗するパルス、すなわち、外れ値パルスは拒絶されるまたは排除される。外れ値検定に考慮されたいかなるＣ_ｎに対してその外れ値検定が失敗するパルスを排除することによって、第２サンプルパルスセットは結果的に生成される。

第２信号処理６００の最終のステップ６２６において、第２サンプルパルスセットにおけるパルスは単パルスに重畳され一体化される。単パルスは識別パルス４０を再構成するように続いて正規化されてもよい。心拍数の変動の影響を除去するまたは軽減するために、単パルスの正規化は振幅スケールおよび／または時間スケールにおいて[０, １]という範囲内に収められてもよい。よって、識別パルス４０は方法４００のステップ４０４において第２信号処理６００を行うことによって元のＰＰＧ信号３０から再構成される。方法４００のステップ４０６において、識別パルス特徴は識別パルス４０から判断されるまたは抽出される。ステップ４０８において、これらの識別パルス特徴を含む特徴セットからのデータは機械学習部品１１２によって患者データベース１１０と比較される。結果的に、ステップ４１０において、機械学習部品１１２は患者２０の血管健康状態のリスク評価を生成する。

よって、第２信号処理６００は入力信号５０／ＰＰＧ信号３０から識別パルス４０を再構成するために行われる。第２信号処理６００においてＰＰＧ信号３０に対して行われる１つ以上のステップ、または、特定のステップにおいてフィルタリングされた一次微分信号５２に対して行われる１つ以上のステップは、選択的に省略できるまたは除去できることが望ましい。例えば、特定のステップはフィルタリングされていないＰＰＧ信号の第１微分に対して行われてもよい。また、第２信号処理６００は単一のＰＰＧ信号３０に関連して説明されたが、第２信号処理６００の概念は一般的に複数のＰＰＧ信号または血管信号にも適用できることが望ましい。例えば、同様な種類の複数の血管信号、例えば、複数のＰＰＧ信号は識別パルス４０を再構成して識別パルス４０から識別パルス特徴を判断するように互いに重畳／一体化／平均化されてもよい。

識別パルス４０からの識別パルス特徴を含む特徴セット（指数としても知られる）からのデータは、患者２０の血管健康状態に関する予測結果を取得するように、患者データベース１１０と比較されることができる。また、患者２０に関する特徴セットからのデータは患者データベース１１０にアップデートされることができ、よって、患者２０を患者データベース１１０内の患者集団に追加することができる。患者データベース２０への新しいデータの追加は機械学習部品１１２によるトレーニングおよび学習を容易にする。さらに、患者集団はそれらの血管健康ステータスに基づいて分類されてもよい。例えば、特定の患者２０は標準医療検定によって検出できる血管健康状態を有することがあるとともに、他の患者２０は初期段階であって標準医療検定によって検出できない血管健康状態を有することもある。

もう１つの実施形態において、第１信号処理５００から得る信号セットは、電気的活動から由来してＥＣＧセンサ／電極によって測定された血管信号を含む。血管信号はこれによりＥＣＧ信号と呼ばれてもよい。時間領域にあるＥＣＧ信号６０の一例は図１２に示される。前述したＰＰＧ信号３０と同様に、ＰＰＧ信号３０の一次微分とＥＣＧ信号の一次微分とはパターン上同様な点があるので、識別パルス７０はＥＣＧ信号から再構成できる。血管健康状態のリスク、特に心機能のリスクを評価／査定／計算し、患者リスク評価を生成するために、識別パルス特徴も同様に識別パルス７０から判断されるまたは抽出される。識別パルス７０の識別パルス特徴からのデータを患者データベース２０に追加すること、および患者集団を異なる心機能カテゴリに分類することによって、機械学習部品１１２を同様にトレーニングすることができる。

特定の実施態様において、患者データベース１１０における各患者２０はその個人パラメータ、例えば、年齢および性別によって識別される。ステップ４１０において、患者リスク評価はさらに個人パラメータからのデータと患者データベース１１０との比較に基づいて生成されてもよい。個人パラメータは患者集団の比較的いい分類を容易にし、例えば、特に高齢の患者２０が比較的に血管疾患にかかりやすいため、患者集団は様々な年齢グループに分類することができる。

１つの実施形態において、患者２０が個人パラメータを監視装置２００に直接的に入力する。もう１つの実施形態において、患者が個人パラメータを電子装置３００に実行されたアプリケーションに入力する。質問セットを有するアンケートまたは調査は患者２０に回答させ完成させるように患者２０にプロンプトされるまたは表示される。よって、機械学習部品１１２をトレーニングして異なるグループの患者に対する結果および分類の精度を向上するために、電子装置３００は個人パラメータを取ってそれをサーバー１００と通信する。患者２０から取った個人パラメータは以下のリストにある項目を含むが、これらに限らない。

個人パラメータのリスト
１．名前
２．誕生日
３．性別
４．身長
５．体重
６．腹囲
７．国／区域／地理的地域
８．自覚の血管疾患、共存症（comorbidy）および血管疾患の家族病歴（例えば、糖尿病、高血圧、脳卒中、高コレステロール、慢性腎臓病、虚血性心疾患、心臓発作、胸痛など）
９．血管健康に影響しえる習慣（例えば、喫煙、アルコール摂取など）
１０．前回知られたまたは測定された血圧値（収縮期血圧値および拡張期血圧値）
１１．前回知られたまたは測定されたコレステロール値
１２．前回知られたまたは測定された血糖値

なお、血圧値、コレステロール値および血糖値などの個人パラメータは患者２０に知られなくてもよい。これらの個人パラメータは、入力不要であってもよく、監視装置２００および／または電子装置３００と接続して適した医療器具によって代替的に測定されてもよい。

機械学習部品１１２は、識別パルス４０から判断された識別パルス特徴を含む特徴セットまたは指数セット、患者２０によって入力される個人パラメータ、および、選択的に体温信号からの体温信号特徴（例えば、体温の上昇率）に依存する。特徴セットからのデータは、患者２０の血管健康状態のリスクを評価すること、すなわち、診断モードまたは診断処理に利用されてもよく、および／または、機械学習部品１１２のトレーニング、すなわち、トレーニングモードまたはトレーニング処理に利用されてもよい。全ての特徴が同様な重要性を持つのではなく、各特徴がその重要性に基づいて異なる加重値を持つことが望ましい。様々な分析的方法および／または統計的方法は各特徴の重要度または重要レベルの評価／推定に利用されてもよく、結果的に内皮機能および血管健康状態／疾患向けの相関関係を評価する。

概して、これらの方法のいくつかは以下を含む。
１．相関係数および判断係数
２．単一特徴分類器の受信者操作特性（Receiver operating characteristic、ＲＯＣ）曲線分析
３．最適な特徴サブセットの選択
４．平均二乗誤差の変動の総和

機械学習部品１１２は、比較結果および患者リスク評価／査定を生成するために、トレーニングされたサポートベクターマシン（Support Vector Machine、ＳＶＭ）モデル／構造を利用し、そのトレーニングされたＳＶＭモデル／構造は非線形または二次のカーネル関数を有する。トレーニングモードまたはトレーニング処理において、患者２０によって入力される個人パラメータに基づいて異なるＳＶＭモデルはトレーニングされる。与えられた特徴セットに対するＳＶＭモデルのトレーニングおよび分類の後、ＳＶＭ分類から得るグループに所属する特徴セットの尤度を判断するように、このようなリスクに関する確率スコアまたは確率値は計算される。この目的のために、ＳＶＭモデルにおいて分類超平面からの特徴セットの合成ベクトルの長さは考慮される。合成特徴ベクトルの与えられた長さに対する確率値はプラットスケーリング（Platt scaling）または較正アルゴリズムによって指定される。

患者２０の集団における異なるグループに対して患者２０から得たトレーニングデータをもっと導入することによって機械学習部品１１２は続いてトレーニングされる。機械学習部品１１２は、各グループまたはサブ集団に対してトレーニングのデータセットから由来する特徴セットを利用し、その分類の適応的に最適化することができる。患者２０から提供された信号および患者によって入力された個人パラメータから由来する特徴を含む特徴を得ると、機械学習部品１１２は特徴と、与えられた特徴に最も一致するグループまたはサブ集団と比較することができる。結果的に、確率スコアまたは確率値は様々な血管健康状態、異常および／または疾患のために計算され、よって、患者リスク評価が生成される。

１つの実施形態において、図４に示されるように構成されたセンサが利用される。監視装置２００は第１アナログ血管信号と第１アナログ体温信号をそれぞれ受信し、第１アナログ血管信号と第１アナログ体温信号は（圧力カフ２１４によって刺激される）左腕に付けられた第１パルスオキシメータセンサ２１０ａと第１体温センサ２１２ａとから由来する。監視装置２００は第２アナログ血管信号と第２アナログ体温信号をそれぞれ付加的に受信し、第２アナログ血管信号と第２アナログ体温信号は（楽の状態にある）右腕に付けられた第２パルスオキシメータセンサ２１０ｂと第２体温センサ２１２ｂとから由来する。アナログ信号は第１信号処理５００において処理され、合成デジタル血管信号と合成デジタル体温信号とが更なる処理のためにサーバー１００と通信される。

向上した結果の精度は血管信号および体温信号から判断されたまたは抽出された特徴の応用を介して得られる。１つの実施形態において、血管信号は図７に示されるようなＰＰＧ信号３０である。特に、図７は時間領域または時間スペクトラムにおけるＰＰＧ信号３０、および識別パルス４０を示し、その識別パルス４０はステップ４０４においてＰＰＧ信号３０から再構成されて第２信号処理６００によって処理されたものである。

図１３は周波数スペクトラムまたは周波数領域におけるＰＰＧ信号３０の代表例を示す。図１４および図１５は時間領域におけるＰＰＧ信号３０から再構成された識別パルス４０を示す。図１６は時間領域における識別パルス４０の一次微分、すなわち、一次微分識別パルス４２を示す。図１７は時間領域における識別パルス４０の二次微分、すなわち、二次微分識別パルス４４を示す。図１８は時間領域における体温信号８０を示し、この体温信号は、圧力カフ２１４の膨らみとガス抜きとの期間にわたって取得され、図４に示されるようなセンサ構成を有する体温センサ２１２から由来する。

識別パルス４０、一次微分識別パルス４２、二次微分識別パルス４４、周波数領域におけるＰＰＧ信号３０および／または体温信号８０によって判断される特徴は、様々な血管健康状態／疾患のリスクを評価／査定／計算するための推定精度を提供する。いくつかの非限定的な特徴例示は以下の表１に列挙される。特徴に利用される符号の定義は以下の図２に示される。

よって、機械学習部品１１２は１つ以上の前述した特徴を利用し、患者が現にかかっているまたは将来にかかりそうな様々な血管健康状態、異常および／または疾患のリスクを評価／査定／計算する。特定の状態／疾患に対するリスク評価を比較的よく行って精確な患者リスク評価を生成するように、この全体的な特徴セットから比較的小さい特徴セットまたはさらに最適化された特徴セットを得てもよい。事前に保存されたトレーニングデータを利用し、特徴の重要度／重要性を考量することによって、最適化された特徴セットは分析的に判断される。異なる状態／疾患に対して最適化された特徴セットは以下の表３に示される。

ここで開示されるシステム１０および方法４００は患者の血管系の健康を無侵襲的に監視するための改善手法を提供する。システム１０のサーバー１００は機械学習部品１１２を利用し、患者２０から血管信号および選択的に体温信号を取得し、識別パルスを再構成するように血管信号を処理する。識別パルスおよび体温信号からの識別特徴および体温信号特徴はそれぞれ判断され、これらの特徴からのデータは患者データベース１１０と比較される。比較結果は血管健康状態の患者リスク評価を生成するように利用され、例えば、患者２０が状態／疾患を有するかまたは患者２０が未来に特定な状態／疾患にかかりそうかについて、確率スコアを計算することによって利用される。

識別パルスの利用は、患者、クリニック、医療施設などが比較的に標準化された手法を適用して血管健康状態のリスクを比較および評価することを可能とする。伝統的な信号またはパルス列と比べると、異なる患者に対して実質的に同様な手段から由来する単一の識別パルスは、患者の血管健康に基づく患者間の変化をより有効に強調することができ、よって、血管健康状態／異常／疾患を精度高く検出する。患者２０の適した個人パラメータとともに、特徴からのデータは、（患者集団の記録を有する）患者データベース１１０を更新することおよび機械学習部品１１２をトレーニングすることにも利用されてもよく、よって、血管健康状態／異常／疾患を検出／予測する精度を改善することができる。

前述した詳細な説明において、血管系の健康を無侵襲的に監視するためのシステムおよび方法に関する本開示の実施形態は添付図面を参照しながら説明された。ここで、様々な実施態様の説明は、本開示の具体的または特定な表現のみに宣言するまたは制限することを意図せず、むしろ、本開示の非限定的例示を示すに過ぎない。本開示は少なくとも１つの前述した問題および従来技術に関わる議題を取り込むように提供される。本開示のいくつかの実施形態のみがここで開示されているが、当業者にとって本開示の範囲から逸脱せずにこの開示に基づき開示された実施形態に対して様々な変化および／または変更は容易になしえる。よって、本開示の範囲および特許請求の範囲はここで説明された実施形態に制限されない。

Claims

患者の血管系の健康を無侵襲的に監視するためのシステムであって、
前記患者の血管活動を監視するための監視装置と、
サーバーであって、
前記監視装置によって前記患者の血管活動測定値から由来する血管信号を備える信号セットを受信することと、
前記血管信号に対して信号処理を行うことであって、前記信号処理は、
前記血管信号を微分して一次微分信号を取得することと、
前記一次微分信号の局所的な最大値を求めることと、
前記一次微分信号において、前記局所的な最大値が所定の振幅降順に沿っていないパルスを決定することと、
決定したパルスを前記血管信号から除去することと、
を含む、前記信号処理を行うことと、
処理した前記血管信号から識別パルスを再構成することと、
前記識別パルスからの識別パルス特徴を判断することと、
前記識別パルス特徴を備える、前記患者のリスク特徴セットからのデータを患者データベースと比較することと、
前記患者データベースとの比較結果に基づいた血管健康状態の患者リスク評価を生成することと、を備えるステップを行うように構成され、
前記患者データベースは患者集団に対するリスク特徴セットに関連するデータを備えるサーバーと、
を備える、システム。
前記信号処理は、ノイズから前記血管信号をフィルタリングすることを備える、請求項１に記載のシステム。
前記信号処理は、所定信頼区間外にあるパルスを前記血管信号から除去することを備える、請求項１または２に記載のシステム。
前記信号処理は、それにおいて多項式分解を行うことを備える、請求項１から３のいずれか１項に記載のシステム。
前記信号処理は、外れ値のパルスを前記血管信号から除去することを備える、請求項１から４のいずれか１項に記載のシステム。
前記信号処理は、前記血管信号におけるパルスを単パルスに重畳することを備える、請求項１から５のいずれか１項に記載のシステム。
前記信号処理は、前記単パルスを正規化し、よって、前記識別パルスを再構成することを備える、請求項６に記載のシステム。
前記システムは前記監視装置に接続可能な測定器具セットをさらに備え、前記測定器具は前記患者の前記血管活動を測定するための１つ以上の血管センサを備える、請求項１から７のいずれか１項に記載のシステム。
前記測定器具は前記患者の体温を測定するための１つ以上の体温センサをさらに備え、前記信号セットは前記患者の体温測定値から由来する体温信号をさらに備える、請求項８に記載のシステム。
前記ステップは前記体温信号によって体温信号特徴を判断することをさらに備え、前記リスク特徴セットは前記体温信号特徴をさらに備える、請求項９に記載のシステム。
前記血管信号は、前記血管活動測定値から得る容積脈波図または心電図から由来する、請求項８から１０のいずれか１項に記載のシステム。
前記血管センサは、容積脈波図または心電図をそれぞれ取得するためのパルスオキシメータセンサまたは心電図センサである、請求項１１に記載のシステム。
前記ステップは、前記患者の個人パラメータからのデータを前記患者データベースと比較することをさらに備える、請求項１から１２のいずれか１項に記載のシステム。
前記患者によって入力された前記個人パラメータについて前記サーバーと通信するように構成された電子装置をさらに備える、請求項１３に記載のシステム。
前記患者リスク評価は、さらに前記患者の前記個人パラメータからのデータを前記患者データベースとの比較を基づいて生成される、請求項１３または１４に記載のシステム。
前記ステップは、前記患者の前記リスク特徴セットおよび前記患者の前記個人パラメータからのデータを有する前記患者データベースを更新することをさらに備える、請求項１３から１５のいずれか１項に記載のシステム。
前記患者リスク評価は、血管状態にかかる確率を備える、請求項１から１６のいずれか１項に記載のシステム。
サーバー上で実行されるコンピュータ化された、患者の血管系の健康を無侵襲的に監視する方法であって、
監視装置によって前記患者の血管活動測定値から由来する血管信号を備える信号セットを受信することと、
前記血管信号に対して信号処理を行うことであって、前記信号処理は、
前記血管信号を微分して一次微分信号を取得することと、
前記一次微分信号の局所的な最大値を求めることと、
前記一次微分信号において、前記局所的な最大値が所定の振幅降順に沿っていないパルスを決定することと、
決定したパルスを前記血管信号から除去することと、
を含む、前記信号処理を行うことと、
処理した前記血管信号から識別パルスを再構成することと、
前記識別パルスからの識別パルス特徴を判断することと、
前記識別パルス特徴を備える、前記患者のリスク特徴セットからのデータを患者データベースと比較することと、
前記患者データベースとの比較結果に基づいた血管健康状態の患者リスク評価を生成することと備え、
前記患者データベースは患者集団に対するリスク特徴セットに関連するデータを備える、方法。
前記信号処理は、ノイズから前記血管信号をフィルタリングすることを備える、請求項１８に記載の方法。
前記信号処理は、所定信頼区間外にあるパルスを前記血管信号から除去することを備える、請求項１８または１９に記載の方法。
前記信号処理は、それにおいて多項式分解を行うことを備える、請求項１８から２０のいずれか１項に記載の方法。
前記信号処理は、外れ値のパルスを前記血管信号除去することを備える、請求項１８から２１のいずれか１項に記載の方法。
前記信号処理は、前記血管信号におけるパルスを単パルスに重畳することを備える、請求項１８から２２のいずれか１項に記載の方法。
前記信号処理は、前記単パルスを正規化し、よって、前記識別パルスを再構成することを備える、請求項２３に記載の方法。
前記信号セットは、前記監視装置によって前記患者の体温測定値から由来する体温信号をさらに備える、請求項１８から２４のいずれか１項に記載の方法。
前記方法は前記体温信号によって体温信号特徴を判断することをさらに備え、前記患者の前記リスク特徴セットは前記体温信号特徴をさらに備える、請求項２５に記載の方法。
前記血管信号は、前記血管活動測定値から得る容積脈波図または心電図から由来する、請求項１８から２６のいずれか１項に記載の方法。
前記患者の個人パラメータからのデータを前記患者データベースと比較することをさらに備える、請求項１８から２７のいずれか１項に記載の方法。
前記個人パラメータは、前記患者によって入力され、電子装置から通信される、請求項２８に記載の方法。
前記患者リスク評価は、さらに前記患者の前記個人パラメータからのデータを前記患者データベースとの比較を基づいて生成される、請求項２８または２９に記載の方法。
前記患者の前記リスク特徴セットおよび前記患者の前記個人パラメータからのデータを有する前記患者データベースを更新することをさらに備える、請求項２８から３０のいずれか１項に記載の方法。
前記患者リスク評価は、血管状態にかかる確率を備える、請求項１８から３１のいずれか１項に記載の方法。
実行されたときに請求項１８から３２のいずれか１項に記載の方法をサーバーに行わせるコンピュータ可読指令を記憶する、非一時的なコンピュータ可読媒体。