JP7208980B2 - アーカイブされた患者データを使用する併存疾患についての血管内測定値の補正 - Google Patents

Description

本発明は、患者の脈管構造を評価する装置、対応するシステム、方法及びコンピュータプログラムに関する。具体的には、本発明は、関心血管の血管内測定を使用し、患者データベースにアーカイブされた患者の過去の患者データを用いて血管内測定結果を補正する患者の冠状脈管構造の評価の向上に関する。

冠動脈の機能的狭窄は、通常、心筋血流予備量比（ＦＦＲ）又は瞬時血流予備量比（ｉＦＲ）を血管内流量測定の代用として使用して評価される。ＦＦＲ及びｉＦＲは共に、狭窄に沿った血液の圧力低下の尺度である。つまり、大動脈内の圧力（Ｐ_ａ）に対する狭窄遠位の圧力（Ｐ_ｄ）の比として決定される。

これらの測定では、この圧力比Ｐ_ｄ／Ｐ_ａは、Ｑ_{ｓｔｅｎｏｓｉｓ}／Ｑ_{ｈｅａｌｔｈｙ}の関係に比例すると仮定される。ここで、Ｑ_{ｓｔｅｎｏｓｉｓ}は、狭窄の影響を受けている関心血管内の最大体積血流量と定義され、Ｑ_{ｈｅａｌｔｈｙ}は、血管が健康である場合の当該関心血管内の最大体積血流量と定義される。したがって、この圧力比は、狭窄の影響を受けている関心血管の残りの最大流量の尺度として使用することができると考えられる。

これまで、関心血管の流量は、上記近似Ｑ_{ｓｔｅｎｏｓｉｓ}／Ｑ_{ｈｅａｌｔｈｙ}≒Ｐ_ｄ／Ｐ_ａを使用して推定されてきているが、この近似は、関心血管内の血行動態に影響を与える及び／又は血行動態を変化させる更なる影響がない場合にのみ成立する。この場合、ＦＦＲ／ｉＦＲ測定に基づいて導かれた関心血管の残りの最大流量に関する結論は正しくない可能性がある。これにより、患者の脈管構造の評価が不正確になり、例えば実際には治療を行う必要があるにも関わらず、患者は治療をする必要がないと誤って判断される状況につながる可能性がある。

治療オプションを正しく評価することの重要性を考えると、患者の脈管構造のより正確な評価を可能にする装置及び方法が必要である。

したがって、本発明は、患者の脈管構造のより正確な評価を提供することを目的とする。より具体的には、本発明は、血流量を評価する際に、患者の健康状態及び／又は患者の併存疾患といった追加の要因を考慮する血管内測定に基づいて患者の脈管構造を評価する改良装置を提供することを目的とする。

したがって、患者の脈管構造内の関心血管についてその場で取得された血管内測定データを受信する入力ユニットを含む患者の脈管構造を評価する装置が提供される。入力ユニットは更に、患者データベースから患者のアーカイブされた患者データを受信する。更に、装置は、アーカイブされた患者データに基づいて血管内測定データを補正する補正ユニットを含む。

これに関連して、「血管内測定データ」との用語は、その場で、即ち、患者の脈管構造内の関心血管の内側から取得されたデータに関する。より具体的には、「血管内測定データ」との用語は、関心血管内の１つ以上の健康パラメータ、具体的には１つ以上の血行動態パラメータの血管内測定値を指す。

この測定は、通常、測定デバイスを含むカテーテルを関心血管に導入し、測定デバイスを使用して、考慮される健康パラメータの１つ以上の健康パラメータ値を収集することによって行われる。この点で、「関心血管」との用語は具体的には、狭窄が疑われる患者の脈管構造内の血管又は血管セグメントを指す。

血管内測定データは具体的には、関心血管の縦軸に沿った複数の血管内位置で収集された健康パラメータ値又は複数の健康パラメータ値を含む。

特定の実施形態によれば、健康パラメータは具体的には、関心血管内の血圧といった血行動態パラメータに関連する。関心血管内の１つ以上の血管内位置で１つ以上の血圧値を収集することができる。

「患者データベース」との用語は、患者データを保存することができるあらゆる種類のデータベースを指す。データベースは、アーカイブされた患者データを保存するために、ソリッドステートメモリデバイスといった１つ以上のストレージコンポーネントを含むサーバによって実現することができる。データベースはまた、それぞれが１つ以上のストレージコンポーネントを有する複数のサーバを含むサーバシステムとして実現することもできる。データベースは更に、コンピュータシステム内のメモリデバイスといったストレージコンポーネントとして実現されてもよい。同様に、データベースは、コンピュータシステム内の単一のストレージコンポーネントとして実現されてもよい。

アーカイブされた患者データは、データベースにアクセスすることによって取り出すことができる。ここでいうアクセスは、装置が血管内測定データを受信することに反応して、装置によって自動的に行われてよい。また、装置は、ユーザ入力によって、データベースにアクセスするようにトリガされてもよい。このようなユーザ入力は具体的には、患者の脈管構造の評価のリクエスト出会ってよい。或いは又は更に、ユーザ入力は、ユーザが血管内測定情報を手動で提供することであってもよい。更に、データベースへのアクセスは、対応するユーザ端末を用いてユーザによって手動で行われてもよい。つまり、ユーザは、ユーザ端末に対応するリクエストを入力することにより、データベースからのアーカイブされた患者データに積極的にアクセスしようとしてもよい。

このために、装置、データベース及び／又はユーザ端末は、ネットワーク接続によって接続されてよい。装置、データベース及び／又はユーザ端末は具体的には、インターネットを介して接続されてよい。一実施形態では、データベースは、リモートサーバ又はリモートサーバシステムといったリモートエンティティとして提供されてもよい。装置及び／又はユーザ端末は具体的には、クラウドサービスを介して（リモート）データベースに接続されてよく、データベースへのアクセス及びデータベースからの取り出しは、クラウドサービスを介して行うことができる。

装置及び／又はユーザ端末がインターネット及び／又はクラウドサービスを介してデータベースに接続されていることにより、データベースを装置とは異なる場所に設けることができ、これにより、アーカイブされた患者データの集中保管が可能になる。この集中保管により、異なる空間的に分散した治療場所から、アーカイブされた患者データにアクセスすることができる。

或いは又は更に、装置、データベース及び／又はユーザ端末は、同じローカルエリアネットワーク内に設けられていてもよい。装置、データベース及び／又はユーザ端末は、ネットワーク内の無線又は有線接続を介して、ルータといったネットワークスイッチに接続されてよい。一実施形態では、装置、データベース及び／又はユーザ端末を、例えばブルートゥース（登録商標）接続を介して互いに直接接続することも可能である。

「アーカイブされた患者データ」との用語は、患者について取得され、患者データベースに保存されている１つ以上の追加の患者情報を指す。一実施形態によれば、アーカイブされた患者データは、年齢、性別、患者の家族で遺伝している既知の疾患等といった個人患者情報を含んでよい。アーカイブされた患者データはまた、既知の慢性疾患、過去の治療、長期の投薬治療又は同様の情報といった患者の病歴に関する情報を含んでもよい。アーカイブされた患者データは更に、過去に患者について取得された心電図（ＥＣＧ）データ、診断画像データ等といった過去の医用測定データを含んでもよい。更に、アーカイブされた患者データは、患者の対応する現在の医用測定データ、即ち、患者について最近取得された対応する医用データを含んでもよい。したがって、アーカイブされた患者データは、患者が患っている可能性のある（狭窄以外の）併存疾患を得るのに特に適している。

これに関連して、「診断画像データ」との用語は具体的には、診断撮像モダリティを使用して取得されたデータを指す。より具体的には、診断画像データは、Ｘ線走査、コンピュータ断層撮影（ＣＴ）、Ｘ線血管造影、ポジトロン放出断層撮影（ＰＥＴ）、単光子放出コンピュータ断層撮影（ＳＰＥＣＴ）、超音波撮像等を使用して取得された画像データを指す。診断画像データはまた、磁気共鳴撮像（ＭＲＩ）、ＣＴ及び／又はＰＥＴを使用して得られた灌流データであってもよい。上記目的に有用である更なる診断画像データも取得することができる。

アーカイブされた患者データは、患者の健康状態及び／又は既存の併存疾患に関する更なる情報を提供するため、血管内測定データが異常の影響を受ける可能性があることや、その評価に使用される特定の健康パラメータが適宜補正される必要があることを決定することを可能にする。このために、具体的には、アーカイブされた患者データを使用して、血管内測定データを評価するために使用される健康パラメータの１つ以上に対して必要な補正を行うことができる。

より具体的には、アーカイブされた患者データは、血管内測定データに影響を与える要因、より具体的にはその評価に使用される健康パラメータに影響を与える要因を決定することを可能にする。これらの要因は、これらの健康パラメータのそれぞれの基準値からの逸脱をもたらす可能性がある。一例として、アーカイブされた患者データは、患者が構造的な心疾患及び／又は微小血管機能障害を持っていることを示す。これらの併存疾患は、血行動態健康パラメータ値に特に影響を与える。したがって、これらの健康パラメータ値は、血管内測定データに基づいて患者の脈管構造を評価するために通常使用される対応する基準値とは異なる。したがって、これらの併存疾患に関する知識に基づいて、血管内測定データを適宜補正することができる。

具体例では、構造的な心疾患により、併存疾患を患っていない患者、この例では構造的な心疾患を持たない患者で考慮される基準値と比較して、血行動態健康パラメータ値が低下する。したがって、血管内測定データに基づいて患者の脈管構造を評価する場合、血行動態健康パラメータに影響を与える併存疾患がない場合に使用される基準値ではなく、低下した当該健康パラメータ値が考慮される。この低下した血行力学的健康パラメータを考慮に入れると、評価の精度が高まる。

したがって、改良された装置は、アーカイブされた患者データから、患者の健康状態を示す１つ以上の健康パラメータを導出することを可能にする。装置は、この更なる情報を使用して、関心血管について取得された血管内測定データをより正確に評価することができる。１つの具体例では、改良された装置により、関心血管を通る血流量の近似値をより正確に求めることができる。例えば血液特性、血管壁特性等の変化によって引き起こされる血行動態における異常が補正される。

更なる実施形態によれば、血管内測定データは、心筋血流予備量比（ＦＦＲ）及び／又は瞬時血流予備量比（ｉＦＲ）の測定によって取得される。

幾つかの実施形態では、血管内測定データは具体的には、患者の脈管構造内の関心血管内の心筋血流予備量比（ＦＦＲ）又は瞬時血流予備量比（ｉＦＲ）の測定値である。

ＦＦＲ及びｉＦＲは共に、機能的狭窄評価の侵襲的方法に関する。具体的には、ＦＦＲ／ｉＦＲ取得は、通常、プレッシャワイヤを血管内測定デバイスとして使用して行われる。プレッシャワイヤは、狭窄部の遠位に配置されて少なくとも１つの遠位圧力値Ｐ_ｄを測定する一方で、同時に、例えば冠動脈口内のガイドカテーテルを使用して少なくとも１つの大動脈圧値Ｐ_ａが記録される。２つの測定システムが同じスケールで測定していることを確実にするために、ＦＦＲ／ｉＦＲ取得の前に同じ測定位置で正規化が行われる。

ＦＦＲ／ｉＦＲ取得中、プレッシャワイヤは更に、血管内の遠位位置から近位位置まで引き戻されて、血管に沿った多数の圧力及びＦＦＲ／ｉＦＲ値を記録することができる。

ＦＦＲ測定中に、心周期全体の圧力測定値を使用してＰ_ｄ／Ｐ_ａ比が決定される。したがって、この比を計算するための圧力値は、微小血管抵抗の自己調節の変動が無視されるように、最大充血血流中に取得する必要がある。したがって、ＦＦＲ測定中は、患者を充血状態にする必要がある。これは、通常、血管拡張薬の投与によって達成される。

対照的に、ｉＦＲ測定は、心周期の特定の期間、即ち、無波期間（wave-free period）とも呼ばれる拡張末期の間の安静時に行われる。この期間中、冠血流量に影響を与える波は休止状態である。これは、圧力と流量とが直線的に関連し、微小血管抵抗が最小化されることを意味する。これにより、血管拡張薬によって血流を増加させる必要なく、Ｐ_ｄ／Ｐ_ａ比の評価が可能になる。

ＦＦＲ／ｉＦＲ測定値は、上記近似Ｑ_{ｓｔｅｎｏｓｉｓ}／Ｑ_{ｈｅａｌｔｈｙ}≒Ｐ_ｄ／Ｐ_ａを使用して、関心血管の残りの最大流量を示すための指標として通常使用される健康パラメータ値に関する。

この近似は、次式：

に基づいて導出される。

ここで、Ｐ_ｖは静脈圧であり、Ｒ_Ｍは微小血管抵抗である。上記近似に到達するために、静脈圧は無視され、つまり、
Ｐ_ｖ≒０
であり、微小血管抵抗は、狭窄状態と健康な状態との両方において等しい、つまり、
Ｒ_{Ｍ－ｈｅａｌｔｈｙ}＝Ｒ_{Ｍ－ｓｔｅｎｏｓｉｓ}
とされる。

上記式から分かるように、残りの最大流量と圧力比との関係に影響する要因は明確に定義される。これにより、追加の疾患の場合に影響を受ける健康パラメータと必要な補正とを好都合に決定することができる。

一例として、アーカイブされた患者データが、患者は微小血管機能障害があることを示すと想定する。この微小血管機能障害は、微小血管抵抗に、例えばそれを増加させることにより特に影響を与える可能性があるため、狭窄状態では、上記式における微小血管抵抗を基準値よりも増加させなければならないことを、アーカイブされた患者データから導き出すことができる。

或いは又は更に、微小血管機能障害はまた、関心血管内の大動脈圧を減少又は増加させることもある。したがって、上記式で使用されるはずの基準値（Ｐ_{ａ－ｈｅａlｔｈｙ}）を、基準値よりも減少又は増加された値を有する大動脈圧値（Ｐ_{ａ－ｄｉｓｅａｓｅｄ}）に置き換える必要があることを、アーカイブされた患者データから導き出すことができる。

幾つかの実施形態では、ＦＦＲ／ｉＦＲ測定位置が患者データに含まれてよい。この位置もまた、ＦＦＲ／ｉＦＲ測定の対応する補正を決定するための指標として使用することができる。より具体的には、病変が近位位置にあると判断することができる。この場合、より多くの心筋量が影響を受けるため、病変の重症度が高い。これは、ＦＦＲ／ｉＦＲ値を減少させるＦＦＲ／ｉＦＲ測定値の補正を示す。

したがって、ＦＦＲ／ｉＦＲ測定を使用して血管内測定データを取得すると、アーカイブされた患者データによって示される併存疾患によって影響を受ける健康パラメータ及び必要な対応する補正をより簡単に決定することができる。

更なる実施形態によれば、装置は更に、アーカイブされた患者データに基づいて少なくとも１つの補正係数を抽出する抽出ユニットを含む。これにより、補正ユニットは、少なくとも１つの補正係数を血管内測定データに適用する。更に別の実施形態では、少なくとも１つの補正係数は、患者の大動脈圧値及び／又は微小血管抵抗に関連する。

一実施形態では、患者データベースから取り出されたアーカイブされた患者データにより、患者の脈管構造を評価する際に使用される健康パラメータのうちどの健康パラメータが併存疾患によって影響を受けるのか、即ち、疾病状態において、どの健康パラメータが基準値と異なるのかを決定することができる。

幾つかの実施形態では、アーカイブされた患者データから、問題の患者が、血液粘度、血圧等といった患者の少なくとも１つの血行動態健康パラメータに変化を引き起こす疾患を持っていることを導き出すことができる。これに関連して、アーカイブされた患者データは具体的には、過去の検査セッションにおいて患者について取得された測定された血行動態健康パラメータ値に関する患者情報を含んでいてよい。

データベースにアーカイブされたこれらの測定された血行動態健康パラメータ値を使用すると、患者の血行動態健康パラメータ値と対応する基準値との関係を決定することができる。この関係に基づいて、その基準からの逸脱を示す血行動態健康パラメータについて補正係数を導出することができる。次に、これらの補正係数を血管内測定データの評価に使用して、関心血管の血管内測定値の精度を高めることができる。

この概念を更に説明するために、上記例を再度使用する。上記例によれば、患者の併存疾患によって影響を受ける健康パラメータは、大動脈圧及び微小血管抵抗である。大動脈圧Ｐ_ａ及び微小血管抵抗Ｒ_Ｍの基準値は、それぞれＰ_{ａ－ｈｅａｌｔｈｙ}及びＲ_{Ｍ－ｈｅａｌｔｈｙ}と表される。対応して、併存疾患の影響を受ける患者の大動脈圧及び微小血管抵抗は、それぞれＰ_{ａ－ｄｉｓｅａｓｅｄ}及びＲ_{Ｍ－ｄｉｓｅａｓｅｄ}と表される。

これらの場合、基準値と併存疾患のある患者の健康パラメータ値との関係は、それぞれ、
αＰ_{ａ－ｈｅａｌｔｈｙ}＝Ｐ_{ａ－ｄｉｓｅａｓｅｄ}
βＲ_{Ｍ－ｈｅａｌｔｈｙ}＝Ｒ_{Ｍ－ｄｉｓｅａｓｅｄ}
に従って対応する補正係数によって表される。

理解されるように、大動脈圧補正係数及び微小血管抵抗補正係数は共に、基準値と疾患状態におけるそれぞれの値との関係を定義する。

したがって、補正係数は具体的には、対応する（影響を受ける）健康パラメータ値を定義するといったように、疾患によって誘発された変化について基準値を補正するために基準値で乗算される係数を指す。

これに関連して、基準値と比較した場合の上記変化は、特定の併存疾患によって引き起こされるだけでなく、患者の一般的な健康状態にも起因する可能性があることを理解されたい。一例として、アーカイブされた患者データは、患者の年齢を示す場合もある。患者の年齢を使用して、上記補正係数を推定することもできる。より具体的には、患者の年齢は、微小血管抵抗の補正係数βを抽出するのに適した健康パラメータと考えられる。より具体的には、微小血管抵抗は、通常、年齢と共に増加する。したがって、補正係数βは、年齢の高い患者ではより大きく、より若い患者ではより小さくする必要があると考えられる。

更に別の実施形態では、抽出ユニットは、機械学習アルゴリズムを含む。更に、アーカイブされた患者データは、機械学習アルゴリズムをトレーニングするために当該アルゴリズムに入力される患者データ行列を含み、少なくとも１つの補正係数を抽出することは、このトレーニングに基づいて少なくとも１つの補正係数を予測することを含む。

幾つかの実施形態では、機械学習アルゴリズムを使用して、補正が血管内測定データに適用される。これに関連して、「機械学習アルゴリズム」との用語は、コンピュータが、明示的にプログラムされることなく、サンプルデータによってタスクを行うようにトレーニングされる状況を指す。したがって、機械学習は具体的には、静的プログラミング命令に厳密に従うのではなく、データ駆動型の予測又は認識を使用するアルゴリズムを使用することを指す。これは、サンプルデータ入力に基づいて計算モデルを構築することで実現される。

計算モデルは、特に患者データ行列をサンプル入力として受信する。これに関連して、「患者データ行列」との用語は具体的には、問題の患者の医用データ行列を指す。医用データは具体的には、様々な撮像モダリティによって取得された診断撮像データを指す。また、医用データは、心電図（ＥＣＧ）データ又は光プレチスモグラフィ（ＰＰＧ）データといった心周期に関する情報を提供するデータに関連してよい。

データ行列は更に、過去の疾患、過去の投薬治療、長期の投薬治療等といった患者の病歴に関連する医用データを含んでよい。また、データ行列は、現在の投薬治療、過去の侵襲的治療及び非侵襲的治療等といった患者の現在及び／又は過去の治療状況に関する医用データを含んでよい。データ行列はまた、患者について登録された潜在的な、現在又は過去の（併存）疾患に関する更なる情報を提供する年齢、性別、（医学的な）家族歴といった患者個人情報も含んでよい。

上記情報を含む患者データ行列を計算モデルへのサンプル入力として使用すると、計算モデル、したがって、アルゴリズムをトレーニングすることができる。より具体的には、患者に関する様々な情報を考慮することにより、その基準値からの健康パラメータの逸脱を引き起こす特定の患者の過去、現在及び潜在的な将来のすべての疾患関連因子を含むように計算モデルを構築することができる。したがって、疾患関連因子に基づいて、血管内測定値の評価に使用される健康パラメータのどの基準値が異常の影響を受ける可能性があり、したがって補正する必要があるのかを決定することができる。年齢、家族歴、性別及び更なる医用情報といった患者に関する更なる情報によって、逸脱の重大性、したがって、必要な補正の大きさを推定することができる。したがって、この情報を使用すると、機械学習アルゴリズムは、特定の患者の追加の疾病によって調整された補正済みの健康パラメータ値によって基準値を置換することにより、当該患者の健康パラメータの基準値を補正するために必要な補正係数を予測することができる。

更なる実施形態によれば、機械学習アルゴリズムをトレーニングすることは、当該機械学習アルゴリズムに、第１の圧力ベースの値及び第２の流量ベースの値を入力することを更に含む。

幾つかの実施形態では、計算モデルは具体的には、特定の患者について様々な測定モダリティを使用して取得された対応する健康パラメータを含むデータベースを使用して構築することができる。より具体的には、患者データベースは、患者の血液に関する圧力ベースの値及び患者の血液に関する流量ベースの値といった少なくとも２つの測定モダリティを使用して取得された少なくとも１つの健康パラメータを含んでよい。これらの対応する健康パラメータにより、当該特定の患者について様々な測定モダリティ間の相関関係を決定することができる。したがって、これらの対応する健康パラメータは、これらの相関関係に関して機械学習アルゴリズムをトレーニングすることを可能にする。様々なモダリティ間の関係は、その患者について既知であるため、この構成により、１つ以上の補正係数をより正確に予測することができる。

幾つかの実施形態では、患者データ行列は、過去の患者データ、医用測定モダリティを使用して取得された患者固有のデータ、患者固有の個人データ及び／又は患者固有の治療データのうちの１つ以上を含む。

更に別の実施形態では、少なくとも１つの補正係数を抽出することは、少なくとも１つの基準健康パラメータを取得し、アーカイブされた患者データから、少なくとも１つの対応する患者固有の健康パラメータを導出することを含む。抽出することは更に、基準健康パラメータと患者固有の健康パラメータとを互いに比較して、少なくとも１つの補正係数を決定することを含む。

更に別の実施形態によれば、少なくとも１つの患者固有の健康パラメータは、患者の脈管構造の少なくとも１つの画像データに基づいて導出された血行動態パラメータを含む。

幾つかの実施形態では、抽出ユニットを使用して、アーカイブされた患者データから少なくとも１つの補正係数を直接抽出することができる。より具体的には、抽出ユニットは、アーカイブされた患者データに含まれる医用測定データを使用して、対応する基準健康パラメータと比較される１つ以上の患者固有の健康パラメータ（及びそれらの対応する値）を導出することができる。このために、抽出ユニットはまた、対応する基準健康パラメータを取得することができる。したがって、抽出ユニットは、データベースから対応する基準健康パラメータ（値）を取得することができる。このデータベースは、患者データベースであっても、基準健康パラメータ値を保存する別の記憶媒体であってもよい。

次に、抽出ユニットは、患者固有の健康パラメータを基準健康パラメータと比較して、少なくとも１つの補正係数を取得することができる。幾つかの実施形態では、抽出ユニットは、医用測定データから得られた患者固有の健康パラメータ値と基準健康パラメータ値との比として、少なくとも１つの補正係数を計算することができる。したがって、補正係数は、患者固有の健康パラメータ値と対応する基準値との関係を定義する係数であってよい。

幾つかの例示的な実施形態では、アーカイブされた患者データは、特に診断画像データを含み、患者固有の健康パラメータは、この診断画像データから導出することができる。１つの例示的な実施形態によれば、診断画像データを使用して、患者の左室駆出率（ＬＶＥＦ_{Ｐａｔｉｅｎｔ}）、即ち、各心拍で左室から駆出された血液の分画を導出することができる。ＬＶＥＦ_{Ｐａｔｉｅｎｔ}のこの導出された値は、基準値ＬＶＥＦ_{Ｒｅｆｅｒｅｎｃｅ}＝６７％と比較される。導出されたＬＶＥＦ_{Ｐａｔｉｅｎｔ}値が基準値ＬＶＥＦ_{Ｒｅｆｅｒｅｎｃｅ}と異なる場合、これら２つの値の比率から対応する補正係数を決定することができる。

幾つかの更なる例示的な実施形態では、患者データベースから得られた診断画像データは、例えばコンピュータ断層撮影又はポジトロン放出断層撮影によって取得された１つ以上の灌流画像を含んでよい。これらの灌流画像に基づいて、患者の脈管構造の心筋質量あたりの血流量（Ｕ_{Ｐａｔｉｅｎｔ}）を決定することができる。これらの血流量について、基準値（Ｕ_{Ｒｅｆｅｒｅｎｃｅ}）も得ることができる。したがって、この例示的な実施形態では、導出された値Ｕ_{Ｐａｔｉｅｎｔ}を基準値Ｕ_{Ｒｅｆｅｒｅｎｃｅ}と比較して補正係数を決定することができる。より具体的には、Ｕ_{Ｐａｔｉｅｎｔ}／Ｕ_{Ｒｅｆｅｒｅｎｃｅ}比を計算することにより、この場合の補正係数を決定することができる。

更なる健康パラメータが医用測定データから導出され、対応する基準値を有すると考えられる限り、当該更なる健康パラメータについて同様の実施形態を予見することができる。

更に別の実施形態によれば、少なくとも１つの補正係数は、患者の心拍数、患者の心筋仕事量（rate pressure product）、患者の血中酸素濃度、患者の赤血球の体積百分率、患者における心不整脈の発生及び／又は患者の大動脈圧の異常のうちの１つ以上に基づいて導出される。

幾つかの実施形態では、患者は、ｉＦＲ取得中といった血管内測定データの取得中に安静状態にあると想定される。しかし、患者の健康状態に応じて、安静状態は患者によって異なる場合がある。患者間のこの差を説明するために、対応する補正係数を導出することができる。より具体的には、アーカイブされた患者データ内に提供される患者の心拍数（ＨＲ）及び／又は患者の心筋仕事量（ＲＰＰ）を考慮して、対応する補正係数を導出することができる。

心筋仕事量は、患者の心拍数と患者の収縮期血圧（ＳＢＰ）との積：
ＲＰＰ＝ＨＲ＊ＳＢＰ
と定義される。

アーカイブされた患者データがＨＲ／ＲＰＰ値の異常を示す場合、つまり、アーカイブされた患者データが、これらの値が特定の患者について異常に高いことを示す場合、安静状態での血管内測定中も、ＨＲ／ＲＰＰ値は通常よりも高い可能性があることを導出することができる。したがって、血管内測定データは、これらの高い値を考慮して補正する必要がある。より具体的には、高いＨＲ／ＲＰＰ値から、患者の心臓は安静状態であってもより多くのストレスを経験しているということが導出される。これにより、心臓の血液需要が高くなり、これにより、微小血管抵抗が基準値よりも低くなる。上記例示的な実施形態のコンテキストでは、これは、βＲ_{Ｍ－ｈｅａｌｔｈｙ}＝Ｒ_{Ｍ－ｄｉｓｅａｓｅｄ}に従って微小血管抵抗を補正するために使用される補正係数βが、標準値１.０よりも小さくなければならないことを意味する。

血管内測定データの取得中に患者が安静状態にある幾つかの実施形態では、血中酸素濃度及び／又はヘマトクリット値、即ち、血中の赤血球の体積百分率は、アーカイブされた患者データから決定することができる。

より具体的には、血中酸素濃度及び／又はヘマトクリット値が通常よりも低いと決定される。どちらの場合も、同量の酸素を供給するには、より多くの血液量が必要である。したがって、血中酸素濃度及び／又はヘマトクリット値の減少は、血液量の需要を高くし、これは、微小血管抵抗を減少させる。したがって、この情報からも、補正係数βは標準値１.０よりも小さくなければならないことを導出することができる。

幾つかの実施形態では、患者は、ＦＦＲ取得中といった血管内測定データの取得中に充血状態にある。この場合も、心拍数（ＨＲ）及び心筋仕事量（ＲＰＰ）を使用して少なくとも１つの補正係数を導出することができる。より具体的には、ＨＲ及び／又はＲＰＰ値が通常よりも高いと判断されると、大動脈圧値（Ｐ_{ａ－ｄｉｓｅａｓｅｄ}）が基準値よりも増加される。これは、αＰ_{ａ－ｈｅａｌｔｈｙ}＝Ｐ_{ａ－ｄｉｓｅａｓｅｄ}に従って大動脈圧を補正するために使用される補正係数αが、標準値１.０よりも大きくなければならないことを意味する。

幾つかの実施形態では、アーカイブされた患者データから、患者が過去に心不整脈を患っていたことが導出される。より具体的には、ＥＣＧ又はＰＰＧデータがこの心不整脈を示すことができる。不整脈は、通常、心臓のポンピング効率を低下させるので、大動脈圧の補正係数αを標準値１.０より小さくする必要があると、この情報を使用して決定することができる。補正係数αの大きさは具体的には心不整脈の頻度及びタイプに基づいて決定することができる。

幾つかの実施形態では、アーカイブされた患者データは、患者の大動脈圧が健康状態に比べて異常を示すことを明らかにする。より具体的には、大動脈圧値が基準値よりも増加又は減少していることが明らかにされる。この情報を、大動脈圧の補正係数αを基準値よりも減少又は増加させる必要があることを示す指標として使用することができる。

更なる態様によれば、患者の脈管構造を評価する装置と、装置に通信可能に接続された患者データベースとを含むシステムが提供される。更なる実施形態では、患者データベースは、画像保管通信システム（ＰＡＣＳ）、病院情報管理システム（ＨＩＳ）及び／又は放射線医学情報システム（ＲＩＳ）を含む。

一実施形態によれば、患者データベースは具体的には画像保管通信システム（ＰＡＣＳ）を含んでよい。ＰＡＣＳは、様々な撮像モダリティによって取得された患者の診断画像データの経済的な保管及び容易なアクセスに使用されるシステムに関する。診断画像データは、多くの場合、対応する（テキスト）文書に含まれる診断画像データに関する更なる情報と共に、ＰＡＣＳにデジタル保存される。したがって、ＰＡＣＳを患者データベースに含めることにより、各患者の診断画像データを保存するための便利な保存エンティティが提供される。

或いは又は更に、患者データベースは更に、病院情報管理システム（ＨＩＳ）を含んでよい。ＨＩＳは具体的には、病院施設、病院の財政、患者の人口統計に関する詳細が記載された患者の記録、患者の性別、年齢等に関して利用可能なすべての情報を管理するシステムを指す。したがって、ＨＩＳには、通常、様々な目的のための様々なシステムエンティティが提供されている。システムのある特定の部分は、患者の個人情報、検査結果といった患者の医療検査結果及び／又は過去の情報といった患者に関する更なる情報を保存することができる患者カルテを提供するエンティティに関連してよい。したがって、ＨＩＳを患者データベースに含めることにより、患者の背景情報、病歴、過去の治療措置、検査結果等へのアクセスが可能になる。

更に、患者データベースは、更に又は或いは、放射線医学情報システム（ＲＩＳ）を含んでよい。このコンテキストにおける「ＲＩＳ」との用語は、（Ｘ線ベースの）診断撮像に関する病院部門、つまり、放射線部門内の電子管理コアシステムを指す。ＲＩＳは具体的には、患者の登録及び患者のスケジューリング、ワークフロー管理、結果の配信、患者の追跡、モダリティ管理等に使用される。

したがって、ＲＩＳの機能は、ＨＩＳの機能と非常に似ているが、Ｘ線撮像部門の特別なニーズに合わされている。更に、ＲＩＳを使用してＰＡＣＳと連動することができる。したがって、幾つかの実施形態では、特定の患者の検査セッションをＲＩＳで選択することができる。この選択は、インターフェースを介してＰＡＣＳに示され、ＰＡＣＳは、当該患者のその検査セッションのための対応する診断画像データを提供するようにされてもよい。

ＰＡＣＳ、ＨＩＳ、及びＲＩＳは、相互に補完するものと見なされてよい。１つの具体的な実施形態では、３つのシステムすべてがデータベースに含まれる。これにより、多くの補完的なアーカイブされた患者データを装置に提供できるだけでなく、異なるシステムから得られるアーカイブされた患者データのそれぞれを、対応するインターフェースを介して相互に関連付けることができる。

このように関連付けられたアーカイブされた患者データが提供されることにより、特に血管内測定データに必要な補正に関する結論を導き出すことが可能になるので、血管内測定データに基づく患者の脈管構造の評価を大幅に向上することができる。

更なる態様では、患者の脈管構造を評価する方法が提供される。この方法は、患者の脈管構造内の関心血管についてその場で取得された血管内測定データを受信するステップと、患者データベースから患者のアーカイブされた患者データを受信するステップとを含む。更に、この方法は、アーカイブされた患者データに基づいて血管内測定データを補正するステップを含む。

幾つかの実施形態では、方法は更に、アーカイブされた患者データに基づいて少なくとも１つの補正係数を抽出するステップと、少なくとも１つの補正係数を使用して血管内測定データを補正するステップとを含む。

更なる態様では、本発明による装置を制御するためのコンピュータプログラムが提供される。当該プログラムは、処理ユニットによって実行されると、本発明による方法を行うように適合されている。更に別の態様では、コンピュータプログラムが格納されたコンピュータ可読媒体が提供される。

患者の脈管構造を評価する装置は、処理ユニットによって実現することができることを理解されたい。したがって、入力ユニット、補正ユニット及び抽出ユニットは、対応する処理ユニット内のモジュールとして実現することができる。これらのモジュールの機能は具体的には、それぞれのアルゴリズムによって実現することができる。このアルゴリズムは具体的には、上記モジュールを含む上記処理ユニットに実装された機械学習アルゴリズムを使用して実現することができる。

請求項１の装置、請求項１０のシステム、請求項１２の方法、請求項１４のコンピュータプログラム及び請求項１５のコンピュータ可読媒体は、同様の及び／又は同一の好適な実施形態、具体的には、従属請求項に規定される実施形態を有することを理解されたい。

本発明の好適な実施形態は、従属請求項又は上記実施形態と対応する独立請求項との任意の組み合わせであってもよいことを理解されたい。

本発明のこれらの態様及び他の態様は、以下に説明する実施形態から明らかになり、当該実施形態を参照して説明する。

図１は、患者の脈管構造を評価する装置と、複数のデータベースシステムを含む患者データベースとを含む一実施形態によるシステムを概略的に表す。 図２は、一実施形態による装置及び患者データベースを含む患者の脈管構造を評価するシステムを概略的に示す。 図３は、一実施形態による患者の脈管構造を評価する方法のフローチャートを概略的に示す。 図４は、更なる実施形態による患者の脈管構造を評価する方法のフローチャートを概略的に示す。

図面は概略図である。様々な図面において、類似又は同一の要素には同じ参照符号を付す。

図１は、一実施形態による患者の脈管構造を評価するシステム１の概要を概略的に示す。システムは、患者の脈管構造を評価する装置２と、患者データベース３とを含む。更に、図１の例示的な実施形態では、血管内測定システム４を示す。

血管内測定システム４は、患者の血管内測定データ２０を取得するために使用される。図１の例示的な実施形態では、血管内測定システム４を使用して、関心血管内の心筋血流予備量比（ＦＦＲ）の血管内測定を行う。これにより、ＦＦＲ値は、関心血管の残りの最大流量を示す代用物と見なされる。つまり、Ｑ_{ｓｔｅｎｏｓｉｓ}／Ｑ_{ｈｅａｌｔｈｙ}≒Ｐ_ｄ／Ｐ_ａと考えられる。

この測定中に、０.８３のＦＦＲ値２１が決定される。したがって、この値に基づいて、関心血管の残りの最大流量は８３％であると導出することができる。しかし、この近似は、上記関係に影響を与える要因が標準ケースに対応する場合にのみ成立する。つまり、この関係に影響を与える可能性のある併存疾患がない場合にのみ成立する。そうでなければ、ＦＦＲ値２１を補正して、残りの最大流量の正確な推定値を取得する必要がある。

したがって、測定されたＦＦＲ値２１は装置２に提供される。装置２は更に、患者データベース３からアーカイブされた患者データ１０を受信する。図１の例示的な実施形態では、患者データベースは、画像保管通信システム（ＰＡＣＳ）３１、病院情報管理システム（ＨＩＳ）３２及び放射線医学情報システム（ＲＩＳ）３３を含む。即ち、ＰＡＣＳ３１、ＨＩＳ３２及びＲＩＳ３３が一緒になって患者データベース３を形成する。アーカイブされた患者データ１０は、ＰＡＣＳ３１、ＨＩＳ３２、及びＲＩＳ３３から装置２において受信される。

続いて、装置２は、アーカイブされた患者データ１０に基づいて、患者が特定の併存疾患を患っており、したがって、血管内測定データ２０、この場合はＦＦＲ値２１の補正が必要であると決定することができる。このために、装置２は特に、アーカイブされた患者データ１０から、血管内測定データ２０がどのように補正される必要があるのかを導出する。このプロセスについては、本明細書において以下で図２から図４に関連して更に説明する。そして、装置２は、適宜、血管内測定データ２０を補正する。

図１の例示的な実施形態では、装置２は、０．７１７の補正されたＦＦＲ値２２を決定し、この値を表示ユニット４００に表示する。この補正されたＦＦＲ値は、患者の脈管構造の残りの最大流量をより正確に表すと考えられる。したがって、この実施形態では、残りの最大流量はたった７１．７％であると考えられ、この値は、補正されていないＦＦＲ値に対して決定された値とは反対に患者の治療を必要とする。したがって、アーカイブされた患者データを使用して血管内測定値を補正することにより、患者の脈管構造に関してより正確な結論を導き出すことができる。

図２は、装置２のより詳細な図を含む１つの例示的な実施形態による患者の脈管構造を評価するシステムを概略的に示す。

システム１は、ここでも装置２と患者データベース３とを含む。装置２は、入力ユニット１００と、抽出ユニット２００と、補正ユニット３００とを含む。装置２は更に、表示ユニット４００に接続されている。患者データベース３は、装置２に通信可能に接続されている。

入力ユニット１００は、患者データベース３からアーカイブされた患者データ１０を受信する。更に、入力ユニット１００は、血管内測定データ２０を受信する。入力ユニット１００は、アーカイブされた患者データを、任意選択的に血管内測定データに関する情報と共に、抽出ユニット２００に提供する。抽出ユニット２００は、アーカイブされた患者データ１０から少なくとも１つの補正係数を抽出する。このために、抽出ユニット２００は、任意選択的に、血管内測定データ２０に関する情報を使用して、アーカイブされた患者データ１０から導出する必要がある補正係数を決定することができる。

図２の例示的な実施形態では、血管内測定データ２０は、残りの最大流量を示す代用物としての関心血管内の心筋血流予備量比（ＦＦＲ）値の測定値である。また、図２の例示的な実施形態では、患者データベース３から取り出されたアーカイブされた患者データ１０から、患者は微小血管機能障害があると決定される。この微小血管機能障害は、患者の脈管構造の大動脈圧だけでなく、微小血管抵抗にも影響を与える。したがって、患者の脈管構造の大動脈圧を、
αＰ_{ａ－ｈｅａｌｔｈｙ}＝Ｐ_{ａ－ｄｉｓｅａｓｅｄ}
に従って補正する必要があると決定される。

更に、脈管構造の微小血管抵抗は、
βＲ_{Ｍ－ｈｅａｌｔｈｙ}＝Ｒ_{Ｍ－ｄｉｓｅａｓｅｄ}
で補正されなければならない。

両方の補正を考慮すると、先行技術の近似：

を、

に従って補正する必要がある。

これは、以下の近似：

をもたらす。

したがって、図２の例示的な実施形態では、抽出ユニット２００は、大動脈圧の補正係数α及び微小血管抵抗の補正係数βを導出する。

このために、図２の実施形態では、抽出ユニット２００は、具体的に機械学習アルゴリズムとして実現されてよい。即ち、抽出ユニット２００は、診断用撮像データ、更なる医用測定データ、患者の病歴に関するデータ、患者の現在及び／又は過去の治療状況に関するデータ並びに患者の個人情報に関するデータを含む患者データ行列を使用して事前にトレーニングされている。更に、図２の例示的な実施形態では、抽出ユニット、即ち、機械学習アルゴリズムは、抽出ユニットに、複数の圧力ベースのＦＦＲ値及び対応する流量ベースのＦＦＲ値を含むデータベースを提供することによりトレーニングされている。これらのＦＦＲ値は、それぞれ圧力測定及び流量測定に基づいて取得されているため、圧力ベースの測定値と流量ベースの測定値との相関に関するアルゴリズムのトレーニングが可能になる。

このトレーニングに基づいて、計算モデルが構築される。計算モデルは、アーカイブされた患者データに基づいて補正係数α及びβを予測する。

したがって、図２の実施形態では、抽出ユニットは、α＝０．９５及びβ＝１．１と予測する。抽出ユニットは、予測された補正係数を補正ユニット３００に提供する。

また、補正ユニット３００は、入力ユニット１００から、血管内測定中に取得されたＦＦＲ値を血管内測定データ２０として受信する。図２の例示的な実施形態では、ＦＦＲ値は、
Ｐ_ｄ／Ｐ_ａ＝０．８３
である。

先行技術によれば、このＦＦＲ値は、関心血管に８３％の最大流量がまだ残っており、治療が不要であることを示す。しかし、患者に併存疾患がある可能性があるため、この値は、残りの最大流量を正しく示していない場合がある。

したがって、血管内測定データ、即ち、０．８３と測定ＦＦＲ値は、補正ユニット３００に提供されて、併存疾患に応じて補正される。図２の実施形態では、補正ユニット３００は、血管内測定データ、即ち、取得したＦＦＲ値を、

に従って補正する。

次に、補正ユニット３００は、補正されたＦＦＲ値を出力する。

次に、この出力は、患者の脈管構造の評価担当医師といったユーザに表示される。図２の例示的な実施形態では、この出力は、タッチスクリーンといったコンピュータスクリーンである表示ユニット４００に提供される。表示ユニット４００はまた、ユーザ端末等のグラフィカルユーザインターフェースとして実現されてもよい。したがって、実施形態では、出力は、ユーザが補正された血管内測定データ、即ち、補正されたＦＦＲ値を確認することができるように視覚化される。

補正されたＦＦＲ値は、関心血管に残っている最大流量が７１．７％しかないことを示す。流量のこの低下は実際には治療を必要とする。したがって、ユーザ、具体的には医師は、補正された測定データから、患者に治療が行われるべきであることを導き出すことができる。

図３は、抽出ユニットが機械学習アルゴリズムとして実現されている特定の例示的な実施形態による患者の脈管構造を評価する方法のフローチャートを概略的に示す。

ステップＳ１０１において、血管内測定データ２０が入力ユニット１００で受信される。この例示的な実施形態では、血管内測定は、心筋血流予備量比（ＦＦＲ）測定である。したがって、血管内測定データ２０は、対応するＦＦＲ値を含む。

ステップＳ１０２において、アーカイブされた患者データ１０が入力ユニット１００で受信される。ステップＳ２０１において、アーカイブされた患者データ１０は抽出ユニット２００に提供される。この特定の実施形態では、アーカイブされた患者データ１０は、本明細書で上述したような患者データ行列を含む。抽出ユニット２００は、この患者データ行列と共に、データベースから第１の圧力ベースの測定値及び第２の流量ベースの測定値も受信する。次に、ステップＳ２０２において、抽出ユニットは、患者データ行列と、圧力ベースの測定値及び流量ベースの測定値を含むデータベースとを使用して、本明細書で上述したようにトレーニングされる。

或いは、同様の疾患を有する過去の患者に基づく患者転帰データがデータベースに含まれてもよい。ステップＳ２０３において、トレーニングされた機械学習アルゴリズムは、ＦＦＲ測定の補正係数α及びβを予測し、ステップＳ２０４において、それらを補正ユニット３００に提供する。

ステップＳ３０１において、補正係数が補正ユニット３００で受信される。更に、この例示的な実施形態では、ＦＦＲ値である血管内測定データ２０も、入力ユニット１００から補正ユニット３００で受信される。ステップＳ３０２において、補正ユニット３００は、補正係数を使用して、本明細書で上述したように血管内測定データ２０、即ち、ＦＦＲ値を補正する。ステップＳ３０３において、補正ユニット３００は、補正された血管内測定データを表示ユニット４００に出力する。

ステップＳ４０１において、表示ユニット４００は、関心血管の補正された血管内測定データ、この特定の場合では、補正されたＦＦＲ値を、特に医師であるユーザに表示する。医師は、補正されたＦＦＲ値が、脈管構造の残りの最大流量の正確な代用物であると考える。

図４は更に、抽出ユニット２００によって補正係数がアーカイブされた患者データ１０から直接導出される更に別の実施形態による患者の脈管構造を評価する方法のフローチャートを概略的に示す。この例示的な実施形態でも、血管内測定データ２０はＦＦＲの測定値である。

図４の実施形態のステップＳ１０１、Ｓ１０２及びＳ２０１は、図３の実施形態のステップＳ１０１及びＳ１０２に対応する。つまり、ステップＳ１０１において、血管内測定データ２０が入力ユニット１００で受信され、ステップ１０２において、アーカイブされた患者データ１０が入力ユニット１００で受信される。更に、ステップＳ２０１において、アーカイブされた患者データ１０は抽出ユニット２００に提供される。

次に、ステップＳ２０２ａにおいて、抽出ユニット２００は、少なくとも１つの基準健康パラメータを取得する。図４の特定の実施形態では、抽出ユニット２００は具体的には、大動脈圧の基準値（Ｐ_{ａ－ｈｅａｌｔｙ}）と微小血管抵抗の基準値（Ｒ_{Ｍ－ｈｅａｌｔｈｙ}）を取得する。抽出ユニット２００は、これらの基準健康パラメータを基準データベース、或いは、患者データベース３から取り出してよい。更に、基準健康パラメータは、装置の内部記憶装置から取り出されてもよい。

ステップＳ２０３ａにおいて、抽出ユニット２００は更に、アーカイブされた患者データ１０から、脈管構造が評価される患者の対応する健康パラメータを導出する。図４の特定の実施形態では、抽出ユニット２００は具体的に、患者が微小血管機能障害を持っていることを導出する。したがって、抽出ユニットは、大動脈圧及び微小血管抵抗が基準値から逸脱していることを判断する。したがって、抽出ユニット２００は、ステップＳ２０３ａにおいて、微小血管機能障害のある患者の患者固有の大動脈圧値（Ｐ_{ａ－ｄｉｓｅａｓｅｄ}）及び対応する微小血管抵抗値（Ｒ_{Ｍ－ｄｉｓｅａｓｅｄ}）を導出する。

ステップＳ２０４ａにおいて、抽出ユニット２００は、Ｒ_{Ｍ－ｄｉｓｅａｓｅｄ}とＲ_{Ｍ－ｈｅａｌｔｈｙ}と、また、Ｐ_{ａ－ｄｉｓｅａｓｅｄ}とＰ_{ａ－ｈｅａｌｔｙ}との値を比較して、大動脈圧の補正係数αと微小血管抵抗の補正係数βとを決定する。

図４の実施形態では、抽出ユニット２００は具体的には、ステップＳ２０４ａにおいて、

に従って補正係数α及びβを計算して、それらを補正ユニット３００に提供する。

この後のステップは、図３の実施形態に関連して説明した方法ステップに対応する。つまり、こうして決定された補正係数は、ステップＳ３０１において、補正ユニット３００で受信される。

更に、血管内測定データ、この例示的な実施形態ではＦＦＲ値も、入力ユニット１００から補正ユニット３００で受信される。ステップＳ３０２において、補正ユニット３００は、補正係数を使用して血管内測定データを補正し、ステップＳ３０３において、補正された血管内測定データを表示ユニット４００に出力する。

続いて、ステップＳ４０１において、表示ユニット４００は、補正された血管内データを表示する。この特定の実施形態では、補正されたＦＦＲ値である補正された血管内測定データが医師に表示される。医師は、残りの最大流量の正確な指標と考えられる補正された値に基づいて、可能な治療オプションを検討することができる。

上記実施形態では、患者データベースは、ＰＡＣＳ、ＨＩＳ及びＲＩＳを含むものとして定義されたが、他の実施形態では、患者データベースは、看護情報システム（ＮＩＳ）、医師情報システム（ＰＩＳ）及び／又は薬局情報システム等といった他の及び／又は追加のシステムを同様に含んでよいことを理解されたい。

更に、上記実施形態では、健康パラメータは、大動脈圧、微小血管抵抗、駆出率及び／又は血流速度に関連するものとして考えられたが、血管内測定値に影響を与え、臨床的に正常な平均値がそこから決定することができる限り、任意の他の健康パラメータも使用してもよいことを理解されたい。

更に、上記実施形態では、評価は冠状脈管構造に対して行われたが、他の実施形態では、評価は、末梢脈管構造といった人体の他の部分の脈管構造に対して同様に行われてもよい。

開示された実施形態の他の変形態様は、図面、開示内容及び従属請求項の検討から、請求項に係る発明を実施する当業者によって理解され、実施される。

請求項において、「含む」との用語は、他の要素又はステップを排除するものではなく、また、単数形も、複数形を排除するものではない。

単一のユニット又はデバイスが、請求項に引用される幾つかのアイテムの機能を果たしてもよい。特定の手段が相互に異なる従属請求項に記載されることだけで、これらの手段の組み合わせを有利に使用することができないことを示すものではない。

１つ以上のユニット又はデバイスによって行われる血管内測定データ及びアーカイブされた患者データの受信、補正係数の抽出、血管内測定データの補正、健康パラメータの比較等の手順は、任意の他の数のユニット又はデバイスによって行われてよい。本発明によるこれらの手順は、コンピュータプログラムのプログラムコード手段及び／又は専用ハードウェアにより実現することができる。

コンピュータプログラムは、他のハードウェアと共に又はその一部として供給される光学記憶媒体又は固体媒体といった適切な媒体上に記憶及び／又は分散されてもよいが、インターネット又は他の有線若しくは無線通信システムを介するといった他の形式で分配されてもよい。

請求項における任意の参照符号は、範囲を限定するものと解釈されるべきではない。

本発明は、患者の脈管構造内の関心血管についてその場で取得された血管内測定データと、患者データベースからの患者のアーカイブされた患者データとを受信する入力ユニットを含む患者の脈管構造を評価する装置に関する。装置は更に、アーカイブされた患者データに基づいて血管内測定データを補正する補正ユニットを含む。

この装置により、患者固有の健康問題及び併存疾患によって引き起こされる異常について血管内測定データを補正することができ、これにより、これまで考慮されていなかった要因に起因する患者の脈管構造の誤った評価を回避することができる。

Claims (14)

1. 患者の脈管構造内の関心血管についてその場で取得された血管内測定データ、及び、患者データベースからの前記患者のアーカイブされた患者データを受信する入力ユニットと、
   前記アーカイブされた患者データに基づいて、前記患者の大動脈圧値及び／又は微小血管の抵抗を補正する少なくとも１つの補正係数を抽出する抽出ユニットと、
   前記少なくとも１つの補正係数を前記血管内測定データに適用する補正ユニットと、
   を含む、患者の脈管構造を評価する装置。
2. 前記血管内測定データは、心筋血流予備量比及び／又は瞬時血流予備量比の測定によって取得される、請求項１に記載の装置。
3. 前記抽出ユニットは、機械学習アルゴリズムを含み、
   前記アーカイブされた患者データは、前記機械学習アルゴリズムをトレーニングするために前記機械学習アルゴリズムに入力される患者データ行列を含み、
   前記少なくとも１つの補正係数の抽出は、前記トレーニングに基づく前記少なくとも１つの補正係数の予測を含む、請求項１又は２に記載の装置。
4. 前記機械学習アルゴリズムの前記トレーニングは更に、前記機械学習アルゴリズムへの第１の圧力ベースの値及び第２の流量ベースの値の入力を含む、請求項３に記載の装置。
5. 前記患者データ行列は、過去の患者データ、医用測定モダリティを使用して取得された患者固有のデータ、患者固有の個人データ及び／又は患者固有の治療データのうちの１つ以上を含む、請求項３に記載の装置。
6. 前記少なくとも１つの補正係数の抽出は、
   少なくとも１つの基準健康パラメータを取得することと、
   前記アーカイブされた患者データから、少なくとも１つの対応する患者固有の健康パラメータを導出することと、
   前記少なくとも１つの基準健康パラメータと前記少なくとも１つの対応する患者固有の健康パラメータとを互いに比較して、前記少なくとも１つの補正係数を決定することと、
   を含む、請求項１から５のいずれか一項に記載の装置。
7. 前記少なくとも１つの対応する患者固有の健康パラメータは、前記患者の脈管構造の少なくとも１つの画像データに基づいて導出される血行動態パラメータを含む、請求項６に記載の装置。
8. 前記少なくとも１つの補正係数は、前記患者の大動脈圧値を補正する第１の補正係数と、前記患者の微小血管の抵抗を補正する第２の補正係数とである、請求項１から７のいずれか一項に記載の装置。
9. 請求項１から８のいずれか一項に記載の患者の脈管構造を評価する装置と、
   前記装置に通信可能に接続されている患者データベースと、
   を含む、患者の脈管構造を評価するシステム。
10. 前記患者データベースは、画像保管通信システム、病院情報管理システム及び／又は放射線医学情報システムを含む、請求項９に記載のシステム。
11. 入力ユニットと、抽出ユニットと、補正ユニットとを含む、患者の脈管構造を評価する装置の作動方法であって、
    前記入力ユニットが、前記患者の脈管構造内の関心血管についてその場で取得された血管内測定データを受信するステップと、
    前記入力ユニットが、患者データベースから前記患者のアーカイブされた患者データを受信するステップと、
    前記抽出ユニットが、前記アーカイブされた患者データに基づいて、前記患者の大動脈圧値及び／又は微小血管の抵抗を補正する少なくとも１つの補正係数を抽出するステップと、
    前記補正ユニットが、前記少なくとも１つの補正係数を前記血管内測定データに適用するステップと、
    を含む、方法。
12. 前記少なくとも１つの補正係数は、前記患者の大動脈圧値を補正する第１の補正係数と、前記患者の微小血管の抵抗を補正する第２の補正係数とである、請求項１１に記載の方法。
13. 処理ユニットによって実行されると、請求項１１又は１２に記載の方法を行う、請求項１から８のいずれか一項に記載の装置又は請求項９若しくは１０に記載のシステムを制御するためのコンピュータプログラム。
14. 請求項１３に記載のコンピュータプログラムが格納されたコンピュータ可読媒体。
    

Images