JP7262452B2

JP7262452B2 - Ｅｃｇベースの心駆出率のスクリーニング

Info

Publication number: JP7262452B2
Application number: JP2020519717A
Authority: JP
Inventors: ザチアッティア，イツァーク; エー．フリードマン，ポール; ロペス－ジメネッツ，フランシスコ; カパ，スラージュ
Original assignee: メイヨ・ファウンデーション・フォー・メディカル・エデュケーション・アンド・リサーチ
Priority date: 2017-10-06
Filing date: 2018-10-04
Publication date: 2023-04-21
Anticipated expiration: 2038-10-04
Also published as: JP2020536629A; WO2019070978A1; US20200397313A1; CA3078519A1; AU2018346412B2; AU2018346412A1; US20230089991A1; JP2023089112A; EP3691524A4; EP3691524A1; US20240081653A1; CN111432720A

Description

本明細書は、患者の駆出率特性の推定などのために、生理電気データ（たとえば、心電図データ）を分析するコンピュータベースの技術を記載する。

［関連出願の相互参照］
本出願は、２０１７年１２月１５日出願の米国特許出願第６２／５９９，１６３号、及び２０１７年１０月６日出願の米国特許出願第６２／５６９，２６８号に対する優先権を主張する。これらの先行出願の開示は、本出願の開示の一部であると見なされ、その全体が本出願に組み込まれている。

［背景］
駆出率は、人間及び他の哺乳動物の心臓の健康の主要な尺度である。駆出率は通常、ポンピングごとに心臓から駆出される血液の量を示す。ポンピング周期（すなわち、「心拍」又は「心臓周期」）ごとに、心筋が収縮及び弛緩して、対象の動脈系に血液が押し出される。心臓が弛緩すると、心室は血液で充填される。次いで、ポンピング周期の収縮期中に、血液の一部分が心室から大動脈を通って動脈系へ送られる。しかし、弛緩中に心室を充填したすべての血液を、収縮中に送り出すことができるわけではない。ポンピング周期中に心室から実際に駆出される血液の割合が、駆出率と呼ばれる。駆出率は多くの場合、血液のうち左心室から駆出される部分の測定のみに関係するが、本明細書の目的では、駆出率は代替的に、血液のうち左心室のみから駆出される部分、右心室のみから駆出される部分、又は両方の心室から駆出される部分を指すことができ、心筋の強度又は健康を示すことができる。

概して、約５０～５５パーセントより大きい駆出率が、人間にとって正常であると見なされている。しかし中には（多くの場合は気づかずに）、たとえば５０～５５パーセントの範囲以下の低駆出率、又はたとえば３５パーセント以下の超低駆出率を有している人もいる。これは無症候性心室機能障害（ＡＳＶＤ）と呼ばれる。低駆出率又は超低駆出率は、多くの場合、心停止、突然死、及び様々な段階の心不全などの深刻な心臓合併症のマーカとなる。ＡＳＶＤと診断されたとき、ＡＳＶＤの治療又はこれらの合併症の防止のための有効な治療法が存在する。

駆出率は従来、超音波心臓検査を使用して測定されてきた。超音波心臓検査中、音波検査士は、音波トランスデューサを使用し、特殊な技法を使用して心臓の画像を生成する。超音波心臓検査は非侵襲的であるが、多くの場合、専門医が処置を実施して解釈する必要があり、典型的には患者の医療提供者の研究所内に高価な機器及び基盤施設を必要とする。駆出率はまた、磁気共鳴撮像（ＭＲＩ）技法、コンピュータ断層撮影（ＣＴ）技法、及び核医学スキャンを使用して測定されてきた。これらはすべて、特別な訓練を受けた人員及び高価な機器を必要とする。

［サマリー］
本明細書は、心電図（ＥＣＧ）から哺乳動物の心駆出率を推定するシステム、方法、デバイス、及び他の技法を開示する。心電図とは、哺乳動物の心臓の電気的活動の測定である。心臓のポンピング作用は、心筋の電気的分極及び脱分極の連続周期によって駆動される。この電気的活動を心電図によって捕捉することができ、それによって対象の体表面（たとえば、対象の胸部及び四肢）に電極が配置され、期間中の各電極ペア間の電位が測定される。このプロセスによって捕捉された電気信号が、心電図を形成する。心電図がグラフ化されて経時的な電極間の電位の変化を示すとき、一つ以上の心臓周期のそれぞれにおける心臓の分極及び脱分極を示す波形又はＥＣＧトレーシングを見ることができる。本明細書の目的で、心電図は、従来の１２誘導、追加の誘導、又は、最少では単誘導まで、任意の数の誘導を含むことができる。加えて、ＥＣＧは、粘着電極、伝導電極、容量電極、手持ち式電極、着用式／衣類型電極、皮下電極、埋め込みデバイスに取り付けられた電極、又はこれらの任意の組合せから獲得することができる。

ＥＣＧ波形の形状は、複数の要因により影響を受ける。本明細書に開示する技法は、一部には、対象のＥＣＧが心駆出率による影響を受ける可能性があるという認識を前提とする。たとえば、正常駆出率を有する別の対象と比較すると低駆出率又は超低駆出率を有する対象の場合、ＥＣＧ波形の一つ以上の部分に微小な変形が与えられる可能性がある。いかなる原因からのアテローム性動脈硬化症、筋障害、炎症、弁障害によるかにかかわらず、心臓に影響を及ぼす基礎疾患は、心筋のポンピング能力を損なう可能性がある。基礎疾患は同様に、個々の筋細胞又はそれらの相互接続の代謝に影響を及ぼし、線維症沈着又は炎症細胞の浸潤を招く可能性があり、これらはすべて、微小な電気的変化をもたらす。これらの局所的な心臓の電気的変化は、体表面ＥＣＧに記録される変形に寄与する。そのような変形は、裸眼では見えない可能性があるが、それにもかかわらず、本明細書に開示する技法によるコンピュータベースモデルを使用すると検出可能な場合がある。したがって、本明細書は、対象のＥＣＧをスクリーニングツールとしてどのように使用すると、対象の駆出率特性を予測することができるかを記載する。多くのシナリオでは、ＥＣＧベースのスクリーニングは、超音波心臓検査又は他の手段による駆出率の測定より好ましい。ＥＣＧ機器は、多くの場合、超音波心臓検査機器より広く利用可能であり、訓練を受けた音波検査士がいなくてもより迅速に実施することができる。さらに、消費者及び家庭用ＥＣＧ機器（たとえば、単誘導ＥＣＧパッチ）が、ますます普及しつつある。本明細書に開示する技法を使用すると、臨床用又は家庭用にかかわらず、様々な設定におけるＥＣＧ機器を使用して、低駆出率として選別される人数及びスクリーニングの回数を増大させることができる。いくつかの場合、対象のＥＣＧ選別により、低駆出率又は超低駆出率の可能性が高いことが示された場合、たとえば超音波心臓検査、ＭＲＩ、又はＣＴスキャンなどの他の測定手段を使用することによって、症状のさらなる評価を実施して、症状を検証することができる。

本明細書に開示する主題は、コンピュータ実施方法を含む。この方法は、一つ以上の位置にある一つ以上のコンピュータからなるシステムによって実施することができる。いくつかの態様では、システムは、一つ以上のプロセッサと、一つ以上のプロセッサによって実行されるとプロセッサに方法を実施させる命令によって符号化された一つ以上のコンピュータ可読媒体とを有する。いくつかの態様は、実行されると方法を実施させる命令によって符号化されたコンピュータ可読媒体のみを含む。

この方法は、システムによって、期間中の哺乳動物のＥＣＧを記述する心電図（ＥＣＧ）データを受け取ることを含むことができる。システムは、ＥＣＧデータから導出された予測入力を駆出率予測モデルへ提供する。駆出率予測モデルを使用して予測入力を処理して、哺乳動物の推定駆出率特性を生成することができる。システムは次いで、哺乳動物の推定駆出率特性を出力として提供する。

これら及びその他の実装形態は、任意選択で、以下の特徴のうちの一つ以上をさらに含むことができる。

ＥＣＧデータは、一つ以上のチャネルを含むことができ、各チャネルは、期間中の哺乳動物のＥＣＧのそれぞれの誘導を記述するＥＣＧデータのサブセットを含む。予測入力は、ＥＣＧデータの一つ以上のチャネルの各々に対して、ＥＣＧのそれぞれの誘導を特性化することができる。

ＥＣＧデータは、複数のチャネルを含むことができ、各チャネルは、期間中の哺乳動物のＥＣＧの複数の誘導のうちのそれぞれの誘導を記述するＥＣＧデータのサブセットを含む。予測入力は、ＥＣＧデータの複数のチャネルの各々に対して、ＥＣＧの複数の誘導を特性化することができる。

ＥＣＧデータが哺乳動物のＥＣＧを記述する期間は、哺乳動物の複数の心臓周期に及ぶことができる。

哺乳動物は、人間とすることができる。

駆出率予測モデルは、回帰モデル、たとえばロジスティック回帰モデルとすることができる。

駆出率予測モデルは、ニューラルネットワーク（たとえば、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク、又は再帰型ニューラルネットワーク）などの機械学習モデルとすることができる。

駆出率モデルは、臨床特性（年齢、性別、体重、並びに／又は高血圧及び糖尿病などの測定可能な病状の有無を含む）を入力として使用して、その出力をさらに精緻化することができる。

駆出率モデルはまた、所定の期間中の死亡リスク（たとえば、今後１年間の死亡リスク）などの追加の出力を生成することができる。

哺乳動物の推定駆出率特性は、哺乳動物の駆出率の絶対（たとえば、固有）推定を表す値とすることができる。

哺乳動物の推定駆出率特性は、哺乳動物の駆出率の推定範囲を示すことができる。

哺乳動物の推定駆出率特性を出力として提供することは、その哺乳動物への、又は、その哺乳動物に関連する医療提供者への、提示のために推定駆出率特性を提供することを含むことができる。

この方法は、哺乳動物のＥＣＧの一つ以上の形態学的特徴についての値を判定することによって、予測入力を生成することをさらに含むことができる。予測入力は、哺乳動物のＥＣＧの一つ以上の形態学的特徴についての値を示すことができる。

哺乳動物のＥＣＧの形態学的特徴は、Ｔ波振幅、Ｐ波振幅、Ｐ波面積、Ｔ波面積、Ｔ波左傾、Ｔ波右傾、Ｐ波左傾、Ｐ波右傾、Ｔ波持続時間、Ｐ波持続時間、ＰＲ区間、ＱＲＳ持続時間、ＱＲＳ振幅、ＱＲＳ面積、ＱＲＳエネルギー、ＱＲＳピーク対ピーク比、又はＱＴセグメント長のうちの少なくとも一つを含むことができる。

駆出率予測モデルは、哺乳動物に合わせて個人化され得る。

別途定義しない限り、本明細書に使用するすべての技術的及び科学的な用語は、本発明が関係する技術分野の当業者に一般に理解される意味と同じ意味を有する。本明細書に記載するものに類似又は同等の方法及び材料を使用して本発明を実施することができるが、好適な方法及び材料について以下に説明する。本明細書に記載するすべての公開、特許出願、特許、及び他の参照文献は、その全体が参照により組み込まれている。矛盾する場合、定義を含めて本明細書が優先する。加えて、材料、方法、及び例は説明のみを目的とし、限定することを意図したものではない。

本発明の一つ以上の実施形態の詳細は、添付の図面及び以下の説明に記載する。本発明の他の特徴、目的、及び利点は、説明及び図面、並びに特許請求の範囲から明らかになる。

ＥＣＧデータを記録及び処理し、ＥＣＧデータを使用して対象の駆出率特性を推定する例示的なシステムの概念図である。ＥＣＧデータを使用して対象の駆出率特性を推定する例示的なプロセスの流れ図である。患者の１回の心拍に対する例示的なＥＣＧトレーシングの図である。ＥＣＧトレーシングは、心拍の構成セグメント及び様々な形態学的波形特徴を示す。対象の指定の特性に対応する適当な駆出率予測モデルを選択及び使用する例示的なプロセスの流れ図である。ＥＣＧベースの駆出率推定をスクリーニングツールとして使用して、さらなる評価が正当化されるかどうかを判定する例示的なプロセスの流れ図である。ニューラルネットワークベースモデルなどの駆出率予測モデルを訓練する例示的なプロセスの流れ図である。対象に対するＥＣＧデータから、低駆出率又は超低駆出率などの心臓の状態から対象の生存率を予測する例示的なプロセスの流れ図である。ＥＣＧデータから対象の駆出率特性を推定する例示的なニューラルネットワークモデルの図である。患者の駆出率が５０パーセントを上回ることが予測されるか、それとも下回ることが予測されるかに従って、患者をグループに分類する駆出率予測モデルの第１のニューラルネットワーク実装形態の結果を示す図である。患者の駆出率が３５パーセントを上回ることが予測されるか、それとも下回ることが予測されるかに従って、患者をグループに分類する駆出率予測モデルの第２のニューラルネットワーク実装形態の結果を示す図である。研究におけるモデル出力と真の駆出率数値との間の相関関係を示すグラフである。本明細書に記載するシステム、方法、デバイス、及び他の技法を実施するために使用することができる例示的なコンピューティングデバイスのブロック図である。畳み込みニューラルネットワーク駆出率予測モデルの訓練、検証、及び試験のためのデータマイニングスキーマを表すチャートである。データセット間の交差汚染、及び特定の患者のＥＣＧに基づいたネットワーク訓練を回避するために、各患者に対するＥＣＧを一度だけ（グループの一つのみで）使用した。追跡調査分析には、二つ以上のデータ点を有する患者を使用した。畳み込みニューラルネットワークを使用してＥＦ≦３５％を有する患者を識別する受信者動作特性曲線を示す図である。ＲＯＣ及び曲線下面積（ＡＵＣ）は、検証及び試験（ホールドアウト）データセットを使用して計算した。同一のＡＵＣは、異なるデータセットに対するアルゴリズムの頑強性を実証する。ネットワーク分類に基づく駆出率の分布を示す円グラフである。低駆出率を有すると分類された患者のうち、６３．５％の駆出率が５０％を下回った。正常であると分類された場合、１．３％が駆出率≦３５％を有し、９０．１％がＥＦ≧５０％を有した。駆出率予測モデルの例示的な研究及び評価に含まれる患者に対する様々な患者特性及び同時罹患性を示す表である。初期分類の時点でＥＦ≧５０％を有する患者の長期的な結果を示すグラフである。最初は正常ＥＦを有したがネットワークによって低ＥＦに分類された患者は、正常ＥＦを有し、正常であると分類された患者と比較すると、将来のＬＶ機能障害のリスクが大幅に増加していた。

図中の同様の参照及び標識は、同様の要素を示す。

本明細書は、哺乳動物の心電図（ＥＣＧ）に基づいて哺乳動物の心駆出率を推定するシステム、方法、デバイス、及び他の技法を開示する。いくつかの実装形態では、ニューラルネットワークなどの機械学習モデルが、ＥＣＧデータを特性化する予測入力を処理し、哺乳動物の推定駆出率の表示を出力するように構成される。このモデルは、普通なら人間には認識できないが特定の駆出率特性に相関すると判定（たとえば、反復訓練プロセスによって）された特徴の複雑な組合せを説明するように訓練することができる。これら及びその他の技法に関する追加の詳細は、図１～１２の以下の説明において提供される。

図１は、ＥＣＧデータを記録及び処理し、ＥＣＧデータを使用して対象１０２の駆出率特性を推定する例示的なシステム１００の概念図である。この例の目的で、対象１０２は、人間、より具体的には医療提供者の患者であると見なす。しかし、説明はこの例に限定されるものではないことを理解されたい。他の実装形態では、対象１０２は、医療提供者に特に関連しない人間とすることができ、又は任意の他の哺乳動物とすることができ、ＥＣＧデータをマッピングしてその哺乳動物に対する駆出率を推定するように、適当なモデルが構築される。

１組の電極１０４が、患者１０２の体表面上に配置され、ＥＣＧ処置中の患者１０２の心臓の電気的活動を示す信号の記録を可能にする。いくつかの実装形態では、１０本の誘導を患者に取り付けて、標準的な１２誘導ＥＣＧ記録を実施することができる（たとえば、いくつかの電極を胸部の心臓の領域付近に配置し、他の電極を患者の四肢に配置する）。１２誘導ＥＣＧは、ＥＣＧデータの複数のチャネルを取得するのに有益であり、各チャネルに対するデータが、それぞれの誘導を表す。各誘導は、１対の電極間の電位によって形成される。電極の位置決めの変化により、異なる誘導に対する異なる対の電極によって異なる角度が形成される結果として、各誘導は、患者の心臓の電気的活動の異なる図を提供する。たとえば、各誘導からの信号を期間（たとえば、５、１０、又は１５秒）中に同時に記録して、異なる径方向に沿って電気的活動のタイミング及び位置に関する情報を捕捉することができる。

いくつかの実装形態では、ＥＣＧデータは、１２誘導ＥＣＧ構成以外の又は１２誘導ＥＣＧ構成に加えたセンサプラットホーム又は電極構成を使用して記録することができる。たとえば、取り外し可能なＥＣＧパッチを患者の体表面に取り付けることができ、パッチは、ＥＣＧを記録することができる一つ、二つ、又はそれ以上の誘導を形成する二つ以上の電極を含む。いくつかの実装形態では、患者１０２は、自身の指によって固定の１対の外部電極に手で接触することができ、又は患者１０２は、患者の心臓の電気的活動を感知するために、二つ以上の電極を患者１０２の定位置に固定する時計、リストバンド、胸部バンド、若しくは他のデバイスを着用することができる。患者１０２又は医療提供者は、モバイルコンピューティングデバイス（たとえば、スマートフォン１０６）を使用して、臨床又は非臨床の設定におけるＥＣＧ処置の態様を構成することができる。

システム１００は、データレコーダ及び制御ユニット１０８と、ＥＣＧ処理システム１１０と、一つ以上の入出力デバイス１１２ａ～ｂとをさらに含む。いくつかの実装形態では、電極１０４のそれぞれから延びるワイアが、データレコーダ及び制御ユニット１０８に結合され、電極によって感知された電気信号の記録を可能にする。ユニット１０８は、たとえば、アナログ－デジタル（Ａ／Ｄ）変換器、及び増幅器、フィルタなどの他のアナログ又はデジタル信号調節回路を含むことができる。

データレコーダ及びコントローラユニット１０８は、ＥＣＧ処理システム１１０に通信可能に結合される。ＥＣＧ処理システム１１０は、一つ以上のコンピュータからなるシステムであり、これらのコンピュータは、一つ以上の物理的な位置に分散させることができる。システム１１０は、患者１０２並びにデータレコーダ及び制御ユニット１０８と同じ物理的な位置にあってもなくてもよい。システム１１０は、ユーザに情報を提示するためのディスプレイ画面１１２ａ、並びにユーザ入力を受け取るマウス及びキーボード１１２などの周辺デバイスに結合することができる。さらに、システム１１０は、推定駆出率特性、推定生存率を判定し、そのような推定に関する情報を提示するためのＥＣＧデータの処理を容易にする様々な構成要素１１４～１２６を含むことができる。

たとえば、システム１１０は、データレコーダ及び制御ユニット１０８から受け取ったＥＣＧ信号をデジタルで調節するプリプロセッサ１１４を含むことができる。プリプロセッサ１１４は、ノイズ低減、アンチエイリアシング、又は他のデジタル技法を実施して、さらなる処理のために患者１０２のＥＣＧを記述するＥＣＧデータを準備することができる。

システム１１０は、一つ以上の駆出率予測モデル１１８をさらに含む。これらのモデル１１８は、概して、患者のＥＣＧデータを特性化する一つ以上の予測入力を処理して、予測入力に基づいて、患者１０２に対する推定駆出率特性を生成するように構成される。駆出率特性は、たとえば、患者の駆出率の絶対推定値（たとえば、５０パーセント、４５パーセント、４０パーセント、３５パーセント、３０パーセント、又は別の値などの特定の値）、又は患者の推定駆出率の分類（たとえば、５０パーセントより大きい正常駆出率、３５～５０パーセントの低駆出率、又は３５パーセントを下回る超低駆出率）を示すことができる。

以下にさらに詳細に説明するように、駆出率予測モデル１１８は、回帰モデル、機械学習モデル、又は両方とすることができる。いくつかの実装形態では、モデル１１８は、フィードフォワード、再帰型、若しくは畳み込みニューラルネットワーク、又はカプセルネットワークである。ニューラルネットワークモデルは、全結合層を有することができ、オートエンコーダネットワークを用いることができる。いくつかの実装形態では、システム１１０は、複数の駆出率予測モデル１１８を記憶及び維持する。各モデル１１８は、異なる患者特性セット（たとえば、年齢、体重、性別、又は他の特性）に対応することができる。新しい患者１０２に対する駆出率を評価するとき、システム１１０は、モデル１１８のうち患者１０２の特性に整合する特性に対応する適当なモデルを選択することができる。各モデル１１８は、たとえば、具体的にはモデル１１８に対する対応する特性を有する患者からのデータ点に関して訓練することができる。サポートベクターマシン（ＳＶＭ）、隠れマルコフモデル（ＨＭＭ）、並びに他の線形及び非線形システムなど、他のタイプの機械学習又は回帰モデルを適用することもできる。

いくつかの実装形態では、システム１１０は、一つ以上の生存推定モデル１２０を維持する。生存推定モデル１２０は、ＥＣＧデータ、推定駆出率特性、又は両方を処理し、患者の駆出率特性に基づいて、心臓の状態を乗り越えて生存する可能性を示す患者の推定将来生存率（たとえば、１、２、５、及び／又は１０年生存率）の予知を生成するように構成される。たとえば、駆出率特性モデル１１８を使用して、患者に対する推定駆出率特性を生成することができる。次いで生存推定モデル１２０は、経験的データから判定されるように、推定駆出率特性を。患者に対する将来生存率にマッピングすることができる。たとえば、超低駆出率を有する患者の推定５年生存率は、正常駆出率を有する患者より低い可能性がある。他の実装形態では、生存推定モデル１２０は、まず患者の推定駆出率から開始することなく、患者のＥＣＧを特性化する予測入力を処理し、予測入力から直接、患者１０２に対する推定生存率を導出することができる。このようにして、患者１０２に対する推定生存率を判定する際、駆出率以外の又は駆出率に加えた患者のＥＣＧの特性を考慮することができる。生存推定モデル１２０は、回帰モデル、機械学習モデル、又は両方とすることができる。いくつかの実装形態では、モデル１２０は、フィードフォワード、再帰型、若しくは畳み込みニューラルネットワーク、又はカプセルネットワークである。ニューラルネットワークモデルは、全結合層を有することができ、オートエンコーダネットワークを用いることができる。いくつかの実装形態では、システム１１０は、複数の生存推定モデル１２０を記憶及び維持する。各モデル１２０は、異なる患者特性セット（たとえば、年齢、体重、性別、又は他の特性）に対応することができる。新しい患者１０２に対する駆出率を評価するとき、システム１１０は、モデル１２０のうち患者１０２の特性に整合する特性に対応する適当なモデルを選択することができる。各モデル１２０は、たとえば、具体的にはモデル１２０に対する対応する特性を有する患者からのデータ点に関して訓練することができる。

予測入力生成器１１６が、データレコーダ及び制御ユニット１０８又はＥＣＧ信号プリプロセッサ１１４からのＥＣＧデータを処理して、駆出率予測モデル１１８又は生存推定モデル１２０による処理に好適な予測入力を生成する。たとえば、予測入力生成器１１６は、一つ以上のチャネル（一つ以上の誘導に対応する）からのＥＣＧデータを、駆出率予測モデル１１８が期待する形式に正規化及びベクトル化することができる。いくつかの実装形態では、予測入力は、一つ以上の心臓周期に及ぶ期間（たとえば、１、２、５、又は１０秒）中の指定のサンプリング周波数における各時点での一つ以上の誘導に対するＥＣＧの振幅を示す値の時系列を含む。いくつかの例では、予測入力は、比較的短い時間量（たとえば、１、２、５、又は１０秒）に及ぶＥＣＧ信号を表すことができるが、他の例では、予測入力は、比較的より長い時間（たとえば、３０秒、１分、２分、５分、１０分、又はそれ以上）に対するＥＣＧ信号を表すことができる。いくつかの実装形態では、予測入力生成器１１６は、二つ以上の心臓周期からのＥＣＧを平均して、患者１０２の平均心臓周期を表す平均ＥＣＧを生成する。いくつかの実装形態では、予測入力生成器１１６は、ＥＣＧのうち単一の心臓周期に対応する部分を選択し、ＥＣＧの選択された部分のみを予測入力で特性化する。したがって、選択された部分は、患者１０２の代表的な心臓周期である。

いくつかの実装形態では、経時的なＥＣＧ波形の振幅を表す実際の時系列データを処理するのではなく、駆出率予測モデル１１８及び生存推定モデル１２０は代わりに、患者のＥＣＧの一つ以上の形態学的特徴の値を示す予測入力を処理することができる。形態学的特徴は、Ｐ波、ＱＲＳ複合、又はＴ波など、ＥＣＧ波形又はＥＣＧ波形の一部分の形状を特性化するパラメータである。予測入力において識別することができる例示的な形態学的特徴には、Ｔ波振幅、Ｐ波振幅、Ｐ波面積、Ｔ波面積、Ｔ波左傾、Ｔ波右傾、Ｐ波左傾、Ｐ波右傾、Ｔ波持続時間、Ｐ波持続時間、ＰＲ区間、ＱＲＳ持続時間、ＱＲＳ振幅、ＱＲＳ面積、ＱＲＳエネルギー、ＱＲＳピーク対ピーク比、ＱＴセグメント長、又はこれらの二つ以上の組合せが含まれる。これらの複数の特徴が、図３の例示的なＥＣＧ波形３００にグラフで示されている。いくつかの実装形態では、システム１１０は特徴抽出器１２６を含み、特徴抽出器１２６は、ＥＣＧデータを分析し、駆出率予測モデル１１８によって処理される予測入力を含むように、あらゆる該当する形態学的特徴の値を判定する。

システム１１０は、訓練サブシステム１２２及び通知マネージャ１２４をさらに含む。訓練サブシステム１２２は、駆出率予測モデル１１８、生存推定モデル１２０、又は両方を訓練するように構成される。駆出率予測モデル１１８を訓練するために訓練サブシステム１２２によって実施される例示的なプロセス６００について、図６に関して説明する。通知マネージャ１２４は、１人以上のユーザへの出力として、推定駆出率特性、推定生存率、又は両方を提供するように構成される。いくつかの実装形態では、通知マネージャ１２４は、画面１１２ａ上に表示するための推定駆出率特性を提供する。加えて、一つ以上の通知サービスが、コンピューティングシステム１１０に登録することができ、したがって通知マネージャ１２４は、一つ以上の手段による提示（たとえば、視覚、可聴、及び／又は触覚提示のために、医療提供者の診療所でスマートフォンに）のために、推定駆出率特性、生存率推定、又は両方の結果を、登録されたサービスのそれぞれに入れる。

図２は、ＥＣＧデータを使用して対象の駆出率特性を推定する例示的なプロセス２００の流れ図である。プロセス２００は、コンピューティングシステム、たとえば図１のシステム１１０によって実施することができる。段階２０２で、システムは、患者に対するＥＣＧデータを取得する。ＥＣＧデータは、一つ以上のチャネルを含むことができ、各チャネルは、ＥＣＧ処置のそれぞれの誘導に対するＥＣＧ信号を表し、各チャネルからのデータを時間的に位置合わせすることができる。ＥＣＧデータは、患者の単一の心臓周期、心臓周期の一部分、又は複数の心臓周期に及ぶことができる。段階２０４で、システムの予測入力生成器が、ＥＣＧデータから一つ以上の予測入力を生成し、駆出率予測モデル、たとえば駆出率予測モデル１１８へ送り込む。いくつかの実装形態では、予測入力は、ＥＣＧ波形に対する値の時系列を表す。他の実装形態では、予測入力は、ＥＣＧ波形の形態学的特徴の値を表す（段階２０６）。段階２０８で、システムは、処理のために予測入力を駆出率予測モデルへ提供する。段階２１０で、駆出率予測モデルは、患者のＥＣＧ結果を表す予測入力を処理して、推定（予測）駆出率特性を生成する。いくつかの実装形態（２１２）では、駆出率特性は、駆出率に対する特有の値を識別する患者の駆出率の絶対推定値である。他の実装形態（２１４）では、駆出率特性は、駆出率値（たとえば、超低駆出率、低駆出率、又は正常駆出率）のカテゴリ又は範囲である。たとえば、駆出率モデルは、指定の閾値駆出率値によって定義された二つ、三つ、又はそれ以上の可能な駆出率カテゴリのうちの一つに患者の駆出率を分類するように訓練することができる。二項分類モデルは、患者の駆出率を二つの可能なカテゴリに分類することができる。次いでシステムは、段階２１６で、たとえば患者への、又は患者の医療提供者への提示のために、推定駆出率特性を記憶及び／又は出力する。

いくつかの実装形態では、駆出率予測モデルは、患者の現在の駆出率特性を推定する（他の実装形態の記載と同様）のではなく、その代わりに、疾患の早期発現を示す患者のＥＣＧの微小な特徴又は変化を検出することによって、将来のある時点（たとえば、今後１か月、６か月、１年、２年、５年、又はそれ以上）で低駆出率又は超低駆出率を発現する患者のリスクを予測するように訓練及び構成することができる。

図３は、患者の１回の心拍に対する例示的なＥＣＧトレーシング３００の図である。ＥＣＧトレーシングは、心拍の構成セグメント及び様々な形態学的波形特徴を示す。

図４は、患者の特性に対応する適当な駆出率予測モデルを選択及び使用する例示的なプロセス４００の流れ図である。プロセス４００は、図１のシステム１１０などのコンピューティングシステムによって実施することができる。いくつかの例では、グローバルな駆出率予測モデルを広範囲の患者に対して訓練及び使用することができる。しかし、他の例では、患者に固有の個人化モデルを使用して、又は駆出率推定が所望される新しい患者と同一若しくは類似の特性を有する患者の母集団からのＥＣＧデータ及び測定駆出率特性に関して訓練された半個人化モデルを使用して、患者の駆出率のより正確又は確実な推定を判定することができる。たとえば、年齢、身長、体重、体容積指数（ＢＭＩ）、性別、家族歴、糖尿病、高血圧、高脂血症、高感度Ｃ反応性蛋白（ＣＲＰ）、喫煙、冠動脈疾患歴、炎症性疾患歴、又はこれらの組合せなどの他の同時罹患性の任意の指標などの、異なる患者特性セットにそれぞれ対応する複数の駆出率予測モデルを生成することができる。段階４０２で、システムは、推定駆出率特性を判定すべき患者に対する特性セットを識別する。段階４０４で、システムは、駆出率予測モデルのうち、患者に対する識別された特性セットに対応するモデル１つを選択する。たとえば、年齢５０を上回る男性患者の場合、他の特性を有する対象からのデータに関して訓練された他のモデルではなく、患者と類似の特性を有する対象からのデータに関して訓練されたモデルを選択することができる。段階４０６で、システムは、患者の特性に対応する選択された駆出率予測モデルを使用して、駆出率予測を生成する。たとえば、システムは、図２に関して説明したプロセス２００に従って、選択されたモデルによって、推定駆出率特性を生成することができる。

患者の駆出率のＥＣＧベースの推定は、有用なスクリーニング処置であり得るが、ＥＣＧベースのスクリーニング処置の結果に基づいて、患者のさらなる評価を正当化することができる。図５は、ＥＣＧベースの手法を使用して、潜在的に問題となる駆出率レベルを選別する例示的なプロセス５００の流れ図である。プロセス５００は自動化することができ、たとえばコンピューティングシステム１１０によって実施することができ、又は医療提供者若しくは他の適当な個人によって実施することができる。段階５０２で、たとえば図２に関して説明したプロセス２００に基づいて、患者の推定駆出率特性が取得される。段階５０４で、システムは、推定駆出率特性、及び任意選択で追加の要因が、患者の症状のさらなる評価が正当化されるかどうかに関する決定を導くための一つ以上のスクリーニング基準を満たすかどうかを判定する。たとえば、推定駆出率特性は、患者の予測駆出率を示す絶対値とすることができ、スクリーニング基準は、閾値駆出率（たとえば、３５パーセント又は５０パーセント）を含むことができる。患者の推定駆出率が閾値を下回る場合、さらなる評価に対する後続処置を患者に対して実施することができる。後続処置は、たとえば、超音波心臓検査、ＭＲＩ、ＣＴスキャン、核医学診断、又はこれらの組合せとすることができる。いくつかの実装形態では、患者の駆出率特性が、危険である又は安全でないと見なされるＥＣＧ値の範囲への分類である場合、患者に対してさらなる医療評価を実施することができる。

いくつかの実装形態では、患者の駆出率が閾値（たとえば、３５パーセント又は５０パーセント）を下回る場合、又は患者の駆出率特性が、危険である若しくは安全でないと見なされるＥＣＧ値の範囲への分類である場合、患者に治療薬を投与することができ、又は患者に治療を実施することができる。そのような薬又は治療には、β遮断薬、アンギオテンシン受容体拮抗薬、スタチン（冠動脈疾患）、埋め込み式除細動器、心臓再同期デバイス、及び他の明確に定義された治療を含むことができる(2013 ACCF/AHA Guideline for the Management of Heart Failure. Circulation. 2013;128:e240-e327、及び2016 ACC/AHA/HFSA Focused Update on New Pharmacological Therapy for Heart Failure, Circulation. 2016;134:e282-e293参照)。いくつかの実装形態では、患者の駆出率が閾値（たとえば、３５パーセント又は５０パーセント）を下回る場合、又は患者の駆出率特性が、危険である若しくは安全でないと見なされるＥＣＧ値の範囲への分類である場合、治療的介入による追加の診断試験には、炎症性及び他の全身状態に対するスクリーニングが含まれ、また治療的介入には、冠動脈疾患を見つけるための特有の治療又は冠動脈血管造影若しくは他の撮像があり、そのような疾患には明確に定義された治療がある。

図６は、ニューラルネットワークベースモデルなどの駆出率予測モデルを訓練する例示的なプロセス６００の流れ図である。いくつかの実装形態では、勾配降下法（バッチ勾配降下法又は確率的勾配降下法を含む）などの機械学習技法を使用して、駆出率モデルを訓練することができる。プロセス６００は、図１に関して説明した訓練サブシステム１２２などのコンピューティングシステムによって実施することができる。段階６０２で、システムは、複数の訓練データ対セットを取得する。各対は、特定の患者のＥＣＧを特性化するＥＣＧ予測入力と、その患者に対する標的駆出率特性とを含む。標的駆出率特性は、超音波心臓検査又は他の利用可能な処置によって判定された「真の」又は測定された駆出率特性とすることができる。いくつかの場合、モデルは、多くの異なる患者からのデータに関して訓練される。モデルが半個人化されている場合、訓練セットに表される患者は、共通の特性セットを互いに共有する場合がある。段階６０４で、訓練システムは、第１の訓練データ対を処理のために選択する。段階６０６で、訓練データ対からの予測入力が、駆出率予測モデルへ提供される。駆出率予測モデルは、たとえば、各パーセプトロンに関連する活性化関数に対する関連する重み／パラメータを有するパーセプトロンの一つ以上の層を有するニューラルネットワーク機械学習モデルとすることができる。これらの重みは、訓練が開始するときにランダムに初期化することができ、追加の訓練反復が実施されるにつれて時間とともに徐々に精緻化することができる。段階６０８で、システムは、モデルの現在の重み／パラメータに従って予測入力を処理して、推定駆出率特性を生成する。段階６１０で、推定駆出率特性と標的駆出率特性を比較して、出力誤差を判定する。次いでこの出力誤差は、勾配降下法を使用してネットワークを通って逆伝播され、ニューラルネットワークの現在の重み／パラメータを更新する。次いでプロセスは段階６０４へ戻り、別の訓練データ対が選択され、訓練終了条件が発生するまで動作６０４～６１２が繰り返される。

駆出率予測モデルは、大きいデータセットに関して訓練することができるが、モデル自体は比較的小さくすることができる。訓練後、モデルは比較的小さくすることができ、訓練中に必要とされた可能性のあるものより少ない演算要求で駆出率特性を予測することができる。

プロセス６００は概して、教師あり学習プロセスに属するが、いくつかの実装形態では、駆出率予測モデルは、教師なし学習技法を使用して訓練することもできる。

図７は、対象に対するＥＣＧデータからの低駆出率又は超低駆出率などの心臓の状態から対象の生存率を予測する例示的なプロセス７００の流れ図である。いくつかの実装形態では、プロセス７００は、ＥＣＧ処理システム１１０のモデル１２０（図１）などの生存推定モデルを含むコンピューティングシステムによって実施される。段階７０２で、システムは、患者に対するＥＣＧデータを取得する。ＥＣＧデータは、一つ以上のチャネルを含むことができ、各チャネルは、ＥＣＧ処置のそれぞれの誘導に対するＥＣＧ信号を表し、各チャネルからのデータを時間的に位置合わせすることができる。ＥＣＧデータは、患者の単一の心臓周期、心臓周期の一部分、又は複数の心臓周期に及ぶことができる。段階７０４で、システムの予測入力生成器が、ＥＣＧデータから一つ以上の予測入力を生成し、生存推定モデルへ送り込む。いくつかの実装形態では、予測入力は、ＥＣＧ波形に対する値の時系列を表す。他の実装形態では、予測入力は、ＥＣＧ波形の形態学的特徴の値を表す（７０６）。段階７０８で、予測入力は生存推定モデルへ提供され、段階７１０で、モデルは、予測入力を処理して、患者のＥＣＧに基づいて患者の推定生存率を判定する。推定生存率は、たとえば、１か月、１年、２年、３年、４年、５年、又は１０年の予知とすることができる。次いでシステムは、患者、患者の医療提供者、又は両方への提示のために、生存率の推定を出力として提供することができる（段階７１２）。

図８は、ＥＣＧデータから対象の駆出率特性を推定する例示的なニューラルネットワークモデル８００の図である。モデル８００は、患者のＥＣＧの一つ以上のチャネルを特性化するＥＣＧ予測入力を処理する。図８に見ることができるように、モデル８００は、パーセプトロン及び／又はシグモイドニューロンの入力層と、出力層と、入力層と出力層との間の一つ以上の隠れ層とを含むことができる。たとえば、複数のチャネルからのデータを処理し、データがネットワークの全結合層に提供されるまでプールすることができる。モデル８００は、患者に対する駆出率特性の推定値又は分類を出力することができる。

いくつかの実装形態では、ニューラルネットワークモデル８００は、特徴抽出のための複数の畳み込み層を含む。各畳み込み層は、ＥＣＧの現在の誘導又は同時に複数の誘導（たとえば、ｋ×１又はｋ×ｍの誘導）に焦点を絞る一定又は可変長フィルタを含むことができる。畳み込み層に続いて、ネットワークは、同じ又は異なる数のニューロンをそれぞれ有する一つ以上の全結合層を含むことができる。畳み込み層の前、畳み込み層の後、又は畳み込み層に並行して、時間的特徴抽出のために、０、一つ、又はそれ以上の再帰型ニューラルネットワーク層を追加することができる。スキップ層及びニューロンは含んでも含まなくてもよい。

図９は、患者の駆出率が５０パーセントを上回ることが予測されるか、それとも下回ることが予測されるかに従って、患者をグループに分類する駆出率予測モデルの第１のニューラルネットワーク実装形態の結果９００を示す。

図１０は、患者の駆出率が３５パーセントを上回ることが予測されるか、それとも下回ることが予測されるかに従って、患者をグループに分類する駆出率予測モデルの第２のニューラルネットワーク実装形態の結果１０００を示す。

図１１は、研究におけるモデル出力と真の駆出率数値との間の相関関係を示すグラフ１１００である。

標準的な１２誘導ＥＣＧからのデータを使用して患者の機能障害の（低）駆出率を検出する複数の例について、本明細書に記載するが、他の実装形態では、単誘導ＥＣＧも含むより少ない誘導を使用して、低駆出率の例を有効に検出することができ、又は将来のある期間（たとえば、５年）内に低駆出率を発現するリスクが高くなりやすい個人を識別することができる。駆出率予測モデルは、単誘導、任意の多誘導構成、及び標準的な１２誘導ＥＣＧを含む任意の数のＥＣＧ誘導からのデータに基づいて、訓練及び実施することができる。たとえば、誘導１に基づく単誘導ＥＣＧは、駆出率予測モデルが駆出率予測を生成することができる確実なデータを提供するのに特に有効であることを示した。有利には、単誘導ＥＣＧ又は他の従来とは異なる電極（たとえば、標準的な１２誘導ＥＣＧより少ない）に基づく駆出率予測は、本明細書に記載する駆出率予測モデルを実施するスクリーニングデバイスへのアクセスを拡大することができる。たとえば、１対の電極をスマートフォン又は他の携帯型電子デバイスに一体化し又は通信可能に結合することができ、個人がたとえば自身の指先で電極に接触することによって、自身のＥＣＧを好都合に捕捉し、予測結果を迅速に取得することを可能にすることができる。他の実装形態では、期間中の連続監視のために、着用式パッチ内に電極を設けることもできる。

特定の例では、本明細書に記載する実装形態の少なくともいくつかによって達成することができるさらに別の利点は、患者に対するＥＣＧデータ（たとえば、単一の誘導又は複数の誘導から）の短い単一の時間プロファイルに基づいて低駆出率を検出する能力である。たとえば、システムは、患者が低ＥＦを有するかどうかなどの患者の駆出率状態の高信頼度予測を生成するために、ＥＣＧデータの比較的短いサンプルを処理するだけでよい。いくつかの実装形態では、駆出率予測モデルは、６０秒以下のＥＣＧサンプルに基づいて、患者が低ＥＦ（たとえば、３５、４０、又は５０パーセント未満のＥＦ）を有するかどうかを予測するように構成される。いくつかの実装形態では、駆出率予測モデルは、３０秒以下のＥＣＧサンプルに基づいて、患者が低ＥＦ（たとえば、３５、４０、又は５０パーセント未満のＥＦ）を有するかどうかを予測するように構成される。いくつかの実装形態では、駆出率予測モデルは、２０秒以下のＥＣＧサンプルに基づいて、患者が低ＥＦ（たとえば、３５、４０、又は５０パーセント未満のＥＦ）を有するかどうかを予測するように構成される。いくつかの実装形態では、駆出率予測モデルは、１５秒以下のＥＣＧサンプルに基づいて、患者が低ＥＦ（たとえば、３５、４０、又は５０パーセント未満のＥＦ）を有するかどうかを予測するように構成される。いくつかの実装形態では、駆出率予測モデルは、１０秒以下のＥＣＧサンプルに基づいて、患者が低ＥＦ（たとえば、３５、４０、又は５０パーセント未満のＥＦ）を有するかどうかを予測するように構成される。いくつかの実装形態では、駆出率予測モデルは、５秒以下のＥＣＧサンプルに基づいて、患者が低ＥＦ（たとえば、３５、４０、又は５０パーセント未満のＥＦ）を有するかどうかを予測するように構成される。いくつかの実装形態では、駆出率予測モデルは、２秒以下のＥＣＧサンプルに基づいて、患者が低ＥＦ（たとえば、３５、４０、又は５０パーセント未満のＥＦ）を有するかどうかを予測するように構成される。したがって、ＥＣＧに対する取得時間は比較的短くすることができ、患者にとって好都合である。加えて、大きいデータセットに関して訓練された畳み込みニューラルネットワークなどの機械学習モデルを使用することで、高速処理を可能にすることができ、このモデルを実行するコンピューティングシステムは、比較的短い時間量でＥＣＧ入力に基づく駆出率予測結果を返すことが可能になる。

特定の実装形態について、個人の駆出率を推定又は予測するモデルに関して説明した。しかし、これらの技法は、より一般的に、駆出率異常、左室心筋重量異常（たとえば、左室心筋重量の上昇、低い左室心筋重量）、心臓弁膜症、虚血性心疾患、心耳異常、短絡の存在、若しくは卵円孔開存（ＰＦＯ）、心腔の拡張（たとえば、左心房、右心房、左心室、右心室）、又はこれらの組合せ及び／若しくは他の構造的心疾患を含む、様々な現在の又は差し迫った構造的心疾患の検出を容易にするモデルに広げることができることを理解すべきである。

図１２は、本明細書に記載するシステム及び方法を実施するためにクライアント又は一つ以上のサーバとして使用することができるコンピューティングデバイス１２００、１２５０のブロック図である。コンピューティングデバイス１２００は、ラップトップ、デスクトップ、ワークステーション、パーソナルデジタルアシスタント、サーバ、ブレードサーバ、メインフレーム、及び他の適当なコンピュータなどの様々な形態のデジタルコンピュータを表すことを意図したものである。コンピューティングデバイス１２５０は、パーソナルデジタルアシスタント、携帯電話、スマートフォン、及び他の類似のコンピューティングデバイスなどの様々な形態のモバイルデバイスを表すことを意図したものである。加えて、コンピューティングデバイス１２００又は１２５０は、ユニバーサルシリアルバス（ＵＳＢ）フラッシュドライブを含むことができる。ＵＳＢフラッシュドライブは、オペレーティングシステム及び他のアプリケーションを記憶することができる。ＵＳＢフラッシュドライブは、別のコンピューティングデバイスのＵＳＢポートに挿入することができる無線送信器又はＵＳＢコネクタなどの入出力構成要素を含むことができる。ここに示す構成要素、これらの接続及び関係、並びに機能は、例示のみを意味しており、本明細書に記載及び／又は主張する実装形態を限定することを意味するものではない。

コンピューティングデバイス１２００は、プロセッサ１２０２、メモリ１２０４、記憶デバイス１２０６、メモリ１２０４及び高速拡張ポート１２１０に接続する高速インターフェース１２０８、並びに低速バス１２１４及び記憶デバイス１２０６に接続する低速インターフェース１２１２を含む。構成要素１２０２、１２０４、１２０６、１２０８、１２１０、及び１２１２はそれぞれ、様々なバスを使用して相互接続されており、共通のマザーボード上に取り付けることができ、又は適当な他の方法で取り付けることができる。プロセッサ１２０２は、高速インターフェース１２０８に結合されたディスプレイ１２１６などの外部入出力デバイス上にＧＵＩとしてグラフィカル情報を表示するために、メモリ１２０４内又は記憶デバイス１２０６上に記憶されている命令を含む、コンピューティングデバイス１２００内で実行のための命令を処理することができる。他の実装形態では、複数のメモリ及び複数のタイプのメモリとともに、複数のプロセッサ及び／又は複数のバスを適宜使用することができる。また、複数のコンピューティングデバイス１２００を接続することができ、各デバイスが、必要な動作のいくつかの部分を提供する（たとえば、サーババンク、１群のブレードサーバ、又はマルチプロセッサシステムとして）。

メモリ１２０４は、コンピューティングデバイス１２００内に情報を記憶する。一実装形態では、メモリ１２０４は、一つ以上の揮発性メモリユニットである。別の実装形態では、メモリ１２０４は、一つ以上の不揮発性メモリユニットである。メモリ１２０４はまた、磁気又は光ディスクなどの別の形態のコンピュータ可読媒体とすることができる。

記憶デバイス１２０６は、コンピューティングデバイス１２００に対して大容量記憶装置を提供することが可能である。一実装形態では、記憶デバイス１２０６は、フロッピーディスクデバイス、ハードディスクデバイス、光ディスクデバイス若しくはテープデバイス、フラッシュメモリ、若しくは他の類似の固体記憶デバイスなどのコンピュータ可読媒体、又はストレージエリアネットワーク若しくは他の構成内のデバイスを含むデバイスのアレイとすることができ、又はこれらを含むことができる。情報キャリア内にコンピュータプログラム製品を有形に実施することができる。コンピュータプログラム製品はまた、実行されると上述したような一つ以上の方法を実施する命令を含むことができる。情報キャリアは、メモリ１２０４、記憶デバイス１２０６、又はメモリオンプロセッサ１２０２などのコンピュータ又は機械可読媒体である。

高速コントローラ１２０８は、コンピューティングデバイス１２００に対する帯域幅集約的動作を管理し、低速コントローラ１２１２は、より低帯域幅集約的動作を管理する。そのような機能の割当ては単なる例示である。一実装形態では、高速コントローラ１２０８は、メモリ１２０４、ディスプレイ１２１６（たとえば、グラフィックスプロセッサ又はアクセラレータを経由）、及び高速拡張ポート１２１０に結合され、高速拡張ポート１２１０は、様々な拡張カード（図示せず）を受け入れることができる。この実装形態では、低速コントローラ１２１２が、記憶デバイス１２０６及び低速拡張ポート１２１４に結合される。低速拡張ポートは、様々な通信ポート（たとえば、ＵＳＢ、ブルートゥース（登録商標）、イーサネット（登録商標）、無線イーサネット）を含むことができ、キーボード、ポインティングデバイス、スキャナなどの一つ以上の入出力デバイス、又はスイッチ若しくはルータなどのネットワーキングデバイスに、たとえばネットワークアダプタを介して結合することができる。

コンピューティングデバイス１２００は、図に示すように、複数の異なる形態で実施することができる。たとえば、コンピューティングデバイス１２００は、一つの標準サーバ１２２０として実施することができ、又は１群のそのようなサーバ内で複数回実施することができる。コンピューティングデバイス１２００はまた、ラックサーバシステム１２２４の一部として実施することができる。加えて、コンピューティングデバイス１２００は、ラップトップコンピュータ１２２２などのパーソナルコンピュータ内で実施することができる。別法として、コンピューティングデバイス１２００からの構成要素は、デバイス１２５０などのモバイルデバイス（図示せず）内の他の構成要素と組み合わせることができる。そのようなデバイスはそれぞれ、コンピューティングデバイス１２００、１２５０の一つ以上を含むことができ、システム全体を、互いに通信する複数のコンピューティングデバイス１２００、１２５０から構成することができる。

コンピューティングデバイス１２５０は、他の構成要素の中でも、プロセッサ１２５２、メモリ１２６４、ディスプレイ１２５４などの入出力デバイス、通信インターフェース１２６６、及び送受信機１２６８を含む。デバイス１２５０はまた、追加の記憶装置を提供するために、マイクロドライブ又は他のデバイスなどの記憶デバイスを備えることができる。構成要素１２５０、１２５２、１２６４、１２５４、１２６６、及び１２６８はそれぞれ、様々なバスを使用して相互接続されており、これらの構成要素のいくつかは、共通のマザーボード上に取り付けることができ、又は適当な他の方法で取り付けることができる。

プロセッサ１２５２は、メモリ１２６４内に記憶されている命令を含むコンピューティングデバイス１２５０内の命令を実行することができる。プロセッサは、別個の複数のアナログ及びデジタルプロセッサを含むチップからなるチップセットとして実施することができる。加えて、プロセッサは、複数のアーキテクチャのいずれかを使用して実施することができる。たとえば、プロセッサ１２５２は、ＣＩＳＣ（複雑命令セットコンピュータ）プロセッサ、ＲＩＳＣ（縮小命令セットコンピュータ）プロセッサ、又はＭＩＳＣ（最小命令セットコンピュータ）プロセッサとすることができる。プロセッサは、たとえば、ユーザインターフェースの制御、デバイス１２５０によって実行されるアプリケーション、及びデバイス１２５０による無線通信など、デバイス１２５０の他の構成要素の協調を提供することができる。

プロセッサ１２５２は、ディスプレイ１２５４に結合された制御インターフェース１２５８及びディスプレイインターフェース１２５６を介して、ユーザと通信することができる。ディスプレイ１２５４は、たとえば、ＴＦＴ（薄膜トランジスタ液晶ディスプレイ）ディスプレイ若しくはＯＬＥＤ（有機発光ダイオード）ディスプレイ、又は他の適当なディスプレイ技術とすることができる。ディスプレイインターフェース１２５６は、グラフィカル及び他の情報をユーザに提示するようにディスプレイ１２５４を駆動するための適当な回路を備えることができる。制御インターフェース１２５８は、ユーザからコマンドを受け取り、プロセッサ１２５２への送信のためにそれらを変換することができる。加えて、外部インターフェース１２６２は、デバイス１２５０と他のデバイスとの近接エリア通信を可能にするために、プロセッサ１２５２と通信するように設けることができる。外部インターフェース１２６２は、たとえば、いくつかの実装形態では有線通信、又は他の実装形態では無線通信を提供することができ、複数のインターフェースを使用することもできる。

メモリ１２６４は、コンピューティングデバイス１２５０内の情報を記憶する。メモリ１２６４は、一つ以上のコンピュータ可読媒体、一つ以上の揮発性メモリユニット、又は一つ以上の不揮発性メモリユニットのうちの一つ以上として実施することができる。また、拡張インターフェース１２７２を介してデバイス１２５０に拡張メモリ１２７４を提供及び接続することができ、拡張インターフェース１２７２は、たとえば、ＳＩＭＭ（シングルインラインメモリモジュール）カードインターフェースを含むことができる。そのような拡張メモリ１２７４は、デバイス１２５０に対する余分の記憶空間を提供することができ、又はデバイス１２５０に対するアプリケーション若しくは他の情報を記憶することもできる。具体的には、拡張メモリ１２７４は、上述したプロセスを実施又は補足する命令を含むことができ、安全な情報を含むこともできる。したがって、たとえば拡張メモリ１２７４は、デバイス１２５０に対するセキュリティモジュールとして提供することができ、デバイス１２５０の安全な使用を可能にする命令によってプログラムすることができる。加えて、ハッキングできないようにＳＩＭＭカード上に識別情報を配置するなど、ＳＩＭＭカードを介して追加の情報とともに安全なアプリケーションを提供することができる。

メモリは、以下に論じるように、たとえばフラッシュメモリ及び／又はＮＶＲＡＭメモリを含むことができる。一実装形態では、情報キャリア内にコンピュータプログラム製品が有形に実施される。コンピュータプログラム製品は、実行されると上述したような一つ以上の方法を実施する命令を含む。情報キャリアは、たとえば送受信機１２６８又は外部インターフェース１２６２を介して受け取ることができるメモリ１２６４、拡張メモリ１２７４、又はメモリオンプロセッサ１２５２などのコンピュータ又は機械可読媒体である。

デバイス１２５０は、通信インターフェース１２６６を介して無線で通信することができ、通信インターフェース１２６６は、必要な場合、デジタル信号処理回路を含むことができる。通信インターフェース１２６６は、とりわけＧＳＭボイスコール、ＳＭＳ、ＥＭＳ、若しくはＭＭＳメッセージング、ＣＤＭＡ、ＴＤＭＡ、ＰＤＣ、ＷＣＤＭＡ（登録商標）、ＣＤＭＡ２０００、又はＧＰＲＳなどの様々なモード又はプロトコルで通信を提供することができる。そのような通信は、たとえば無線周波送受信機１２６８を介して行うことができる。加えて、ブルートゥース（登録商標）、ＷｉＦｉ、又は他のそのような送受信機（図示せず）などを使用して、短距離通信を行うことができる。加えて、ＧＰＳ（グローバルポジショニングシステム）レシーバモジュール１２７０が、追加のナビゲーション及び位置関連無線データをデバイス１２５０へ提供することができ、このデータは、デバイス１２５０上で実行するアプリケーションによって適宜使用することができる。

デバイス１２５０はまた、音声コーデック１２６０を使用して可聴式に通信することができ、音声コーデック１２６０は、ユーザから発声情報を受け取り、これを使用可能なデジタル情報に変換することができる。音声コーデック１２６０は同様に、たとえばデバイス１２５０のハンドセット内で、スピーカを介するなどして、ユーザに対する可聴音を生成することができる。そのような音は、音声通話からの音を含むことができ、記録された音（たとえば、ボイスメッセージ、音楽ファイルなど）を含むことができ、デバイス１２５０上で動作するアプリケーションによって生成された音を含むこともできる。

コンピューティングデバイス１２５０は、図に示すように、複数の異なる形態で実施することができる。たとえば、コンピューティングデバイス１２５０は、携帯電話１２８０として実施することができる。コンピューティングデバイス１２５０はまた、スマートフォン１２８２、パーソナルデジタルアシスタント、又は他の類似のモバイルデバイスの一部として実施することができる。

本明細書に記載するシステム及び技法の様々な実装形態は、デジタル電子回路、集積回路、特別に設計されたＡＳＩＣ（特定用途向け集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、及び／又はこれらの組合せで実現することができる。これらの様々な実装形態は、プログラマブルシステム上で実行可能及び／又は解釈可能な一つ以上のコンピュータプログラムにおける実装形態を含むことができ、プログラマブルシステムは、記憶システムからデータ及び命令を受け取り、記憶システムへデータ及び命令を伝送するように結合された特殊目的又は汎用とすることができる少なくとも一つのプログラマブルプロセッサと、少なくとも一つの入力デバイスと、少なくとも一つの出力デバイスとを含む。

これらのコンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、又はコードとしても知られている）は、プログラマブルプロセッサに対する機械命令を含み、高レベルの手続き型及び／若しくはオブジェクト指向のプログラミング言語、並びに／又はアセンブリ／機械言語で実施することができる。本明細書では、「機械可読媒体」「コンピュータ可読媒体」という用語は、機械命令を機械可読信号として受け取る機械可読媒体を含むプログラマブルプロセッサへ機械命令及び／又はデータを提供するために使用される任意のコンピュータプログラム製品、装置、及び／又はデバイス（たとえば、磁気ディスク、光ディスク、メモリ、プログラマブル論理デバイス（ＰＬＤ））を指す。「機械可読信号」という用語は、プログラマブルプロセッサへ機械命令及び／又はデータを提供するために使用される任意の信号を指す。

ユーザとの対話を提供するために、本明細書に記載するシステム及び技法は、ユーザに情報を表示するためのディスプレイデバイス（たとえば、ＣＲＴ（陰極線管）又はＬＣＤ（液晶ディスプレイ）モニタ）と、ユーザがコンピュータに入力を提供することができるキーボード及びポインティングデバイス（たとえば、マウス又はトラックボール）とを有するコンピュータ上で実施することができる。ユーザとの対話を提供するために、他の種類のデバイスも同様に使用することができ、たとえば、ユーザへ提供されるフィードバックは、任意の形態の感覚フィードバック（たとえば、視覚フィードバック、聴覚フィードバック、又は触覚フィードバック）とすることができ、ユーザからの入力は、音響、発話、又は触覚入力を含む任意の形態で受け取ることができる。

本明細書に記載するシステム及び技法は、コンピューティングシステム内で実施することができ、コンピューティングシステムは、バックエンド構成要素（たとえば、データサーバとして）を含み、又はミドルウェア構成要素（たとえば、アプリケーションサーバ）を含み、又はフロントエンド構成要素（たとえば、ユーザが本明細書に記載するシステム及び技法の実装形態と対話することができるグラフィカルユーザインターフェース若しくはウェブブラウザを有するクライアントコンピュータ）を含み、又はそのようなバックエンド、ミドルウェア、若しくはフロントエンド構成要素の任意の組合せを含む。システムの構成要素は、任意の形態又は媒体のデジタルデータ通信（たとえば、通信ネットワーク）によって相互接続することができる。通信ネットワークの例には、ローカルエリアネットワーク（「ＬＡＮ」）、ワイドエリアネットワーク（「ＷＡＮ」）、ピアツーピアネットワーク（臨時の又は静的なメンバを有する）、グリッドコンピューティング基盤、及びインターネットが含まれる。

コンピューティングシステムは、クライアント及びサーバを含むことができる。クライアント及びサーバは、概して互いから遠隔にあり、典型的には通信ネットワークを介して相互作用する。クライアントとサーバとの関係は、それぞれのコンピュータ上でコンピュータプログラムが実行され、互いにクライアント－サーバ関係を有することによって生じる。

［例示的な実装形態］
＜概略＞
この例は、非侵襲的な１０秒のデジタルＥＣＧを使用して無症候性低左室機能障害（ＡＬＶＤ）を患っている患者を高い忠実度で検出するために、本明細書に記載する技法によって開発された人工知能（「ＡＩ」）に基づく研究に属する。

背景
ＡＬＶＤは、母集団の２～９％に存在し、生活の質及び寿命の低下に関連し、概して検出されると治療可能である。ＢＮＰスクリーニング血液試験に対する曲線下面積（ＡＵＣ）は、０．７９～０．８９である。この研究では、人工知能（ＡＩ）の使用により、ユビキタスで安価な試験であるＥＣＧで左室収縮機能障害を識別することが可能になるであろうという仮説を立てた。

方法
この研究は、メイヨークリニック（ＭＡＹＯＣＬＩＮＩＣ）データボルトの４４，９５９人の患者からのデジタルで記憶された１２誘導ＥＣＧ及び超音波心臓検査の対を使用して、駆出率（ＥＦ）≦３５％として定義される心室機能障害を患っている患者を識別するように、畳み込みニューラルネットワークを訓練することを伴った。次いでこのネットワークを、外部検証のために確保した５２，８７０人の患者に関して試験した。

結果
試験した５２，８７０人の患者のうち、４，１３１人（７．８％）がＥＦ≦３５％を有した。ＲＯＣのＡＵＣは０．９３であった。感度、特異度、及び精度は、それぞれ８６．３％、８５．７％、及び８５．７％であった。異常なＡＩ選別であるが正常ＥＦ（偽陽性）を有する１３３５人の患者のうち、１４７人（１１％）が、将来に少なくとも一つの異常ＥＦを有した（５年発生率９．５％）。将来低ＬＶＥＦを発現するリスクがこうして４倍高まることは、ネットワークが、ＥＣＧで現れる初期、無症状、代謝又は構造的異常を検出している可能性があることを示唆する。

結論
ユビキタスで、典型的には低コストの試験であるＥＣＧに人工知能を適用することで、ＥＣＧは、左室機能障害を選別し、将来におけるその発現のリスクが高い個人をさらに識別するための強力なツールとして役立つことが可能になる。

＜方法＞
データソース及び研究対象母集団
施設内審査委員会の承認後、研究ではメイヨークリニック（ＭＡＹＯＣＬＩＮＩＣ）デジタルデータボルトからのデータを取得した。１６３，８９２人の成人患者（１８歳以上）を、１９９４年１月～２０１７年２月に仰臥位で獲得した少なくとも一つのデジタルの標準的な１０秒１２誘導ＥＣＧ、及び指標ＥＣＧから１４日以内に取得した少なくとも一つの経胸壁超音波心臓検査（ＴＴＥ）によって識別した（図１３）。これらの基準を満たす複数のＥＣＧ及びＴＴＥデータセットを有する患者の場合、最も早い対をネットワーク作成、検証、又は試験に使用し、後のＴＴＥデータを追跡分析に使用した。事前の概念実証アセスメントを実施して、本分析から除外された２２００のＥＣＧ－ＴＴＥデータ対を使用して内部調査を取得し、９７，８２９人の患者のコホートを残し、これらの患者の第１のＥＣＧ－ＴＥＥ対データセットを１次分析に使用した。

ゼネラルエレクトリック－マーケットのＥＣＧ機械（ウィスコンシン州マーケット）を使用して、５００Ｈｚのサンプリング速度でＥＣＧを獲得し、後の検索のためにミューズ（ＭＵＳＥ）データ管理システムを使用して記憶した。包括的な２次元又は３次元のドップラー超音波心臓検査が、すべての患者に利用可能であった。メイヨークリニック（ＭＡＹＯＣＬＩＮＩＣ）開発のカスタムデータベース（エコー画像管理システム、ＥＩＭＳ）内に、獲得時の定量データを記録した。標準化された方法を使用して左室駆出率（ＥＦ）をルーチン的に測定又は推定し、大部分の報告では二つ以上の値を記録することができる。この研究の目的で、モデルで使用される駆出率値は、標準的な階層シーケンスから利用可能な第１の値とし、３次元超音波心臓検査(ヤマニ(Yamani) H、ツァイ(Cai) Q、アフマド(Ahmad) M、Three-dimensional echocardiography in evaluation of left ventricular indices. Echocardiography 2012;29:66-75)、シンプソン(Simpson)法を使用する２面手法、２次元方法(キノネス(Quinones) MA、ワゴナー(Waggoner) AD、レドゥト(Reduto) LAら、A new, simplified and accurate method for determining ejection fraction with two-dimensional echocardiography. Circulation 1981;64:744-53)、Ｍモード、上記がいずれもない場合、視覚的に推定されたＥＦの報告を使用して、ＥＦを判定した。推定が範囲である場合、中間点を単一のＥＦ値として使用した。左室ＥＦを低（≦３５％）、軽い低下（３５－４９％）、又は正常（≧５０％）と分類した。

１次及び２次結果
１次結果は、ＡＩネットワークが、ＥＣＧ信号のみを使用して、３５％以下のＬＶＥＦを有する患者を識別する能力であった。この値は、その明快な臨床的及び治療的重要性によって選択した(ルッソ(Russo) AM、スタインバック(Stainback) RF、ベイリー(Bailey) SRら、ACCF/HRS/AHA/ASE/HFSA/SCAI/SCCT/SCMR 2013 appropriate use criteria for implantable cardioverter-defibrillators and cardiac resynchronization therapy: a report of the American College of Cardiology Foundation appropriate use criteria task force、Heart Rhythm Society、American Heart Association、American Society of Echocardiography、Heart Failure Society of America、Society for Cardiovascular Angiography and Interventions、Society of Cardiovascular Computed Tomography、and Society for Cardiovascular Magnetic Resonance. J Am Coll Cardiol 2013;61:1318-68））。２次結果は、スクリーニングの時点で正常ＥＦを有したが、追跡中に後の低ＥＦのリスクが高まった個人を、ＡＩネットワークが識別する能力であった。

ＡＩモデル開発の概要
この研究は、テンソルフロー（TENSORFLOW）（グーグル（GOOGLE）、カリフォルニア州マウンテンビュー）のバックエンド及びパイソン（PYTHON）(ヴァンロッサム(van Rossum) G. Python tutorial, Technical Report CS-R9526. Amsterdam 1995 May)とともにケラスフレームワーク(KERAS Framework)を使用して、畳み込みニューラルネットワーク（ＣＮＮ）を開発することを伴った。画像（又はビデオ）に適用したＣＮＮは、畳み込みを使用してデータセット内の非常に微小なパターンを抽出することができるように動作する。各１２誘導ＥＣＧを、１２×５０００（すなわち、１２誘導を１０秒の持続時間によって５００Ｈｚでサンプリング）の「画像」と見なした(ヴァンロッサム(van Rossum) G. Python tutorial、Technical Report CS-R9526. Amsterdam 1995 May)。ネットワークは、Ｎ個の単誘導畳み込み層から構成され、各畳み込み層に、非線形「Ｒｅｌｕ」活性化関数、バッチ正規化層(ヨッフェ(Ioffe) S、セゲディ(Szegedy) C、Batch normalization:accelerating deep network training by reducing internal covariate shift International Conference on Machine Learning 2015)、及び最大プーリング層(ナギ(Nagi) J、デュカテレ(Ducatelle) F、ディカーロ(Di Caro) Gら、Max-pooling convolutional neural networks for vision-based hand gesture recognition. 2011 IEEE International Conference 2011:342-7)が続いた。各生デジタル信号ＥＣＧ誘導から抽出された特徴を、すべての誘導へのアクセスを同時に有する別の畳み込み層内に融合させた。最後の畳み込み層に続いて、過剰適合を回避するためのドロップアウト層及び「Ｓｏｆｔｍａｘ」関数を使用して活性化された出力層を含む二つの隠れ層を有する全結合ネットワークへ、このデータを送り込んだ (クリスティアニーニ(Cristianini) N、ショーテイラー(Shawe-Taylor) J、ニューヨーク州ニューヨーク:Cambridge University Press; 1999)。

ＡＩモデル訓練
本発明者らのデータセットのサイズが大きいため、データセットの約５０％をネットワークの訓練に使用した。これにより本発明者らは、ネットワークを試験してその頑強性をより良好に評価するための非常に大きいデータセットを得た（図１３）。開発及び試験（ホールドアウト）データセットへの最初の分割後、開発データセットを訓練データ（開発セットの８０％）及び内部検証データ（２０％）にさらに分割した。

訓練の場合、ネットワークへＥＣＧを送り込み、アダム（Ａｄａｍ）オプティマイザ（キンガ（Kingma) DP、バー(Ba) J. Adam:A Method for Stochastic Optimization 2014）を使用し、２値交差エントロピを損失関数としてネットワーク重みを更新した。各エポック後、内部検証データセットを使用してネットワークを試験し、最適化された後に訓練を停止した。このプロセス中にネットワークハイパーパラメータも調整し、最も低い損失値を有するネットワークを選択した。すべてのＥＣＧをローパスフィルタ（１００ｈｚ）にかけ、高周波ノイズ及び量子化誤差を除去した。

１次結果－ＡＩがＥＣＧを拡張して低ＥＦを識別した
検証データを使用して最適のネットワークを選択した後、同じ検証セットを使用して受信者動作曲線（ＲＯＣ）を作成し、ネットワーク強度の１次評価としてその曲線下面積（ＡＵＣ）を測定した。検証データセットのＲＯＣを使用して、低ＬＶＥＦを有する確率に対する二つの閾値を選択した。第１の閾値は、感度及び特異度に等しい重みを与えることによって選択し、第２の閾値は、検証データセットで９０％の感度を与えるように選択した。次いで試験データでＣＮＮモデルを使用して、低ＬＶＥＦを予測するその能力を試験した。二つの閾値を使用して、モデル訓練又は閾値選択に使用されていない試験データにおける感度、特異度、及び精度を計算した。年齢及び性別がネットワーク予測機能に与える影響も、それらの変数を入力として別個のネットワークを作成し、またＥＣＧのみから年齢及び性別を判定することができるかどうかを判定するようにネットワークを訓練することによって評価した。

２次結果－ＡＩがＥＣＧを拡張して将来の低ＥＦを予測した
ＥＦに影響するあらゆる疾患の経過の初期に、ＥＣＧ信号は、ＥＦの低下を引き起こすのに十分な量の心筋層に影響しなかった代謝及び構造的な乱れによる微小な異常パターンを示すであろうという仮説を立てた。さらに、ＣＮＮは、これらの事例のうち、最初は偽陽性試験に見えるが時間とともに真陽性試験になる可能性のあるいくつかを、異常と分類するであろういう仮説を立てた。この仮説を試験するために、下位研究を設計して、１）ネットワークが、患者が低ＥＦを有すると予測したこと、２）患者に対して１４日以内に超音波心臓検査を実施し、アルゴリズムによる偽陽性の発見を示す正常ＥＦ（≧５０％）を実証したこと、及び３）患者に対して後日、少なくとも一つの追加の超音波心臓検査（訓練又は試験に使用されない）が利用可能であること、という条件を満たす患者を識別した。真陰性の事例（アルゴリズム及び臨床判定がどちらも、低ＥＦを有していないことに一致した）を使用して、対照群を作成した。対照群に対して、ＬＶＥＦ≧５０％を有するように対象を選択した。カプランマイヤー（Ｋａｐｌａｎ－Ｍｅｉｅｒ）分析を使用して、経時的な真陰性対偽陽性に関して低ＥＦの発生率を示した。次に、コックス（Ｃｏｘ）比例ハザード回帰を使用して、年齢及び性別に対する調整後に低ＥＦに対するハザードを推定した。加えて、将来の低ＥＦの発現に対する予測確率の単調なパターンが存在するかどうかを判定するために、低ＥＦに対する予測確率を分類することによって、感度分析を行った。

統計的考慮
診断性能（ＡＵＣＲＯＣ、感度）の測定のために、サンプルサイズは十分に大きく、したがって正常信頼区間（ＣＩ）が０．５％未満の幅を有することが予期される。したがってこれらのＣＩは、精度が高いため、推定値とともに報告されない。連続データが平均＋／－ＳＤとして提示される。コックス（Ｃｏｘ）モデルには両側ｐ値が提示される。ＳＡＳｖｅｒｓｉｏｎ９．４を使用して、生存分析を行った。ケラス（KERAS）（version 2.0.3）及びテンソルフロー（TENSORFLOW）（version 1.0.1）を使用して、ＣＮＮを訓練した。

研究支援
研究は、完全にメイヨークリニック（ＭＡＹＯＣＬＩＮＩＣ）によって構想、資金提供、及び実行されたものである。いかなる種類の産業支援もなかった。

＜結果＞
研究対象母集団
ＥＣＧ－ＴＴＥ対を受けた合計６２５，３２６人の患者を選別し、分析に選択された研究コホートを識別した（図１３）。２週間以内の間隔でＥＣＧ及び超音波心臓検査が実施された患者からの第１のＥＣＧ－ＴＴＥデータ対が、９７，８２９人の患者からなる分析データセットを構成し、訓練セットに３５，９７０人、検証セットに８，９８９人、及びホールドアウト試験セットに５２，８７０人を含んだ。二つ以上のグループに入る患者はいなかった（図１３）。全体的な患者母集団の平均年齢は６１．８±１６．５歳であり、母集団の７．８％がＥＦ≦３５％を有した。表１は、訓練、検証、及び試験セットに対する患者特性を示す。試験データセットにおいて、４，１３１人（７．８％）の患者が３５％以下のＥＦを有し、６，７４０人の患者（１２．７％）が３５％より高く５０％より低いＬＶＥＦを有し、４１，９９９人の患者（７９．５％）が５０％以上のＬＶＥＦを有した。ＴＴＥの８９％超を、指標ＥＣＧから１日以内に実施した。

１次結果
図１４で、ホールドアウト試験データセットのＡＵＣは０．９３であり、内部検証データセットのＡＵＣ（０．９３）と同一であった。感度への優先なく閾値を選択するとき、全体的な精度は８５．７％、特異度は８５．７％、感度は８６．３％、陰性予測値は９８．７％であった。検証セットで９０％の感度を与えるための閾値を使用し、アルゴリズムを試験データセットに適用すると、感度は８９．１％、特異度は８３％、全体的な精度は８３．５％、陰性予測値は９８．９％であった。知られている同時罹患性のない患者（図１６参照）がネットワークによって別個に分析されたとき、ＡＵＣは０．９８に増大し、感度は９５．６％、特異度は９２．４％、陰性予測値は９９．８％、精度は９２．５％であった。

ネットワーク性能は、年齢及び性別の追加の入力によって改善されなかった。ネットワークがＥＣＧのみに基づいて年齢及び性別を「判定している」かどうかを理解するために、ＥＣＧから年齢及び性別を予測するようにネットワークを再訓練した。年齢は８．７±６歳であると予測し、性別はＥＣＧから、ＡＵＣが０．９４のときに８７％パーセントで正確に判定した。これは、ネットワークがＥＣＧのみから年齢及び性別を高信頼度で判定することができたことを示しており、ネットワークはこれらの変数を説明することができたはずであるから、その性能が年齢又は性別によって影響されなかった理由を説明している。

ＡＩアルゴリズム分類によるＥＦ値の分布
感度への優先なく閾値を選択するとき（すなわち、検証データを使用して等しい感度及び特異度を与える閾値）、試験セット内の患者の１０，５４４人（１９．９％）が、ネットワークによって低ＥＦを有すると識別された。これらの１０，５４４人の患者のうち、３３．８％が３５％以下のＥＦを有し、２９．５％が３６～５０％のＥＦを有し、３６．６％が正常ＥＦを有した。ネットワークが正常であると識別したグループ内で、１．３％が３５％以下のＥＦを有し、８．６％が３６～５０％のＬＶＥＦを有し、残り（９０．１％）が正常ＬＶＥＦを有した（図１７）。

２次結果－ＡＩがＥＣＧを拡張して将来の低ＥＦを予測した
ネットワークによって正常ＥＦを有すると識別され、超音波心臓検査による確証的な同時の正常ＥＦ（「真陰性」）も有した患者のうち、１１，５１５人が追跡超音波心臓検査を受けた。これらの真陰性患者のうち、３０２人が、３．８（１．４～７．５）年の中央値（ＩＱＲ）追跡で低ＥＦを発現した（図４：４．４％の１０年発生率）。対照的に、１，３３５人の患者が、ネットワークによって低ＥＦを有すると示されたが、同時超音波心臓検査は正常ＥＦを実証した（「偽陽性」）。初期「偽陽性」結果を有したこれらの１，３３５人の患者のうち、１４７人（図４：２０．８％の１０年発生率）が、中央値３．４（ＩＱＲ１．２～６．８）年の追跡中に左室機能障害を発現した。これは、ＡＩアルゴリズムがＥＣＧを異常と定義したとき、将来の低ＥＦのリスクが４倍であることを表し（年齢及び性別は調整され、ＨＲ＝４．１［３．３～５．０］、ｐ＜０．００１）、これは明白な心室機能障害が現れる前にネットワークがＥＣＧ異常を識別したことを示唆している。

＜議論＞
左室収縮機能障害は、生活の質の低下、罹患率の増大、及び死亡率の増大に関連する（マクドナー(McDonagh) TA、マクドナルド(McDonald) K、メイセル(Maisel) AS、Screening for asymptomatic left ventricular dysfunction using B-type natriuretic Peptide. Congest Heart Fail 2008;14:5-8)。主な心臓血管専門医団体は、症状及び生存率が検出されるとそれらを改善する根拠に基づく治療法を是認している(アルハティブ(Al-Khatib) SM、スティーヴンソン(Stevenson) WG、アッカーマン(Ackerman) MJら、2017 AHA/ACC/HRS Guideline for Management of Patients With Ventricular Arrhythmias and the Prevention of Sudden Cardiac Death: Executive Summary: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines and the Heart Rhythm Society. Circulation 2017、ヤンシー(Yancy) CW、ジェサップ(Jessup) M、ボズクルト(Bozkurt) Bら、2013 ACCF/AHA guideline for the management of heart failure: a report of the American College of Cardiology Foundation/American Heart Association Task Force on Practice Guidelines. J Am Coll Cardiol 2013;62:e147-239)。しかし、心室機能障害に対する有効なスクリーニングは不足している(マクドナー(McDonagh) TA、マクドナルド(McDonald) K、メイセル(Maisel) AS、Screening for asymptomatic left ventricular dysfunction using B-type natriuretic Peptide. Congest Heart Fail 2008;14:5-8、レッドフィールド(Redfield) MM、ロデヘファー(Rodeheffer) RJ、ヤコブセン(Jacobsen) SJ、マホニー(Mahoney) DW、ベイリー(Bailey) KR、バーネット(Burnett) JC、 Jr. Plasma brain natriuretic peptide to detect preclinical ventricular systolic or diastolic dysfunction: a community-based study. Circulation 2004;109:3176-81)。この研究では、安価で広く利用可能な一般的臨床試験である標準的な１２誘導ＥＣＧに、畳み込みニューラルネットワークを使用する人工知能を適用することで、０．９３のＡＵＣで左室機能障害の検出が可能になることが分かった。この試験の性能は、前立腺がんに対する前立腺特異抗原（０．９２）、乳がんに対するマンモグラフィ（０．８５）、及び子宮頸がんに対する子宮頸部細胞診（０．７０）などの他の一般的なスクリーニング試験と比べて遜色がない。ＢＮＰとは対照的に、精度は年齢又は性別による影響を受けなかった。心室収縮機能障害を患っている個人を有効に識別することに加えて、ネットワークはまた、最初は正常なＬＶ機能を有したが後に低ＥＦを発現する人を予測したことが重要である。正常ＥＦであるが異常なネットワーク選別（「偽陽性」）を有した患者は、今後５年間に心室機能障害を発現するリスクが４倍高まった（５年で１０％のリスク）。これは、ネットワークが、ＥＣＧで現れる初期、無症状、代謝、又は構造的異常を検出したことを示唆する。

うっ血性心不全は、米国のみで５百万人を超える人々を苦しめ、年間３００億ドルを超える医療費を消費している(ハイデンライヒ(Heidenreich) PA、アルベルト(Albert) NM、アレン(Allen) LAら、Forecasting the impact of heart failure in the United States: a policy statement from the American Heart Association. Circ Heart Fail 2013;6:606-19、モツァファリアン(Mozaffarian) D、ベンジャミン(Benjamin) EJ、ゴー(Go) ASら、Heart disease and stroke statistics--2015 update: a report from the American Heart Association. Circulation 2015;131:e29-322)。早期検出及び防止は、健康管理の至上命題である。無症候性左室機能障害は、７百万人を超える米国人、世界的にはさらに多くの人々に影響を及ぼしている。本発明者らの母集団における患者の６％が低ＥＦを有し、これは従来の研究に一致することが分かった(マクドナー(McDonagh) TA、マクドナルド(McDonald) K、メイセル(Maisel) AS、Screening for asymptomatic left ventricular dysfunction using B-type natriuretic Peptide. Congest Heart Fail 2008;14:5-8)。ＢＮＰ及びＮＴ－ＢＮＰが、左室収縮機能障害の検出に提案されている。バラ（Ｂｈａｌｌａ）及び協力者らは、ＢＮＰを評価して収縮期及び拡張期機能障害を選別し、ＡＵＣがＢｎＰに対して０．６０、ＮＴｐｒｏＢＮＰに対して０．７０であり、結果はインピーダンスカルジオグラフィの追加により０．７０及び０．７３に改善されたことが分かった(バラ(Bhalla) V、イサクソン(Isakson) S、バラ(Bhalla) MAら、Diagnostic ability of B-type natriuretic peptide and impedance cardiography: testing to identify left ventricular dysfunction in hypertensive patients. Am J Hypertens 2005;18:73S-81S)。年齢４５以上の個人を評価したオルムステッド郡からのメイヨークリニック（ＭＡＹＯＣＬＩＮＩＣ）の研究では、ＡＵＣが、他の収縮機能障害（０．５１～０．７４）より、より重度の個人（０．８２～０．９２）の場合により高いことが分かった。さらに、ＢＮＰに対する最適識別レベルは、年齢及び性別によって変動した。対照的に、この研究では、優れたＡＩネットワーク性能が年齢及び性別に対して不変であることが分かった。これは、ＥＣＧのみに基づいて８±６．３歳の範囲内の患者の年齢及び性別を８７％の精度で判定することが可能なネットワークを作成することによって検証された。従来の文献は、年齢及び性別によりＥＣＧに変化が伴うことを記載している(ダリ(Daly) C、クレメンス(Clemens) F、ロペスセンドン(Lopez Sendon) JLら、Gender differences in the management and clinical outcome of stable angina. Circulation 2006;113:490-8、ハネ(Khane) RS、サーディ(Surdi) AD、バトカール(Bhatkar) RS、Changes in ECG pattern with advancing age. J Basic Clin Physiol Pharmacol 2011;22:97-101、クオ(Kuo) TB、リン(Lin) T、ヤン(Yang) CC、リー(Li) CL、チェン(Chen) CF、チョウ(Chou) P、Effect of aging on gender differences in neural control of heart rate. Am J Physiol 1999;277:H2233-9、ストランババディエール(Stramba-Badiale) M、ロカティ(Locati) EH、マルティネリ(Martinelli) A、クールヴィル(Courville) J、シュヴァルツ(Schwartz) PJ、Gender and the relationship between ventricular repolarization and cardiac cycle length during 24-h Holter recordings. Eur Heart J 1997;18:1000-6)。訓練プロセス中、ネットワークは、心室機能障害を識別するその識別的能力に影響を及ぼさないように、年齢及び性別の特性を統合してこれらを説明した。この能力は、ニューラルネットワーク選別に固有であると考えられる。

個人が低ＥＦを有するか、それとも低ＥＦを有しないかを分類するために教師なし畳み込みニューラルネットワークによって使用される特有のＥＣＧ特性は、ニューラルネットワークの性質のために知られてない。しかし、５２，８７０人の個人の母集団で試験されたときに０．９３のＡＵＣによって実証されたように、約４５，０００のＥＣＧ及びＥＦデータ対の大コホートでネットワークを訓練することによって、ネットワークは、低駆出率を有する個人を確実に分類するために十分な数の心電図変種に晒された。マンモグラフィ病変の識別など、人間の技能を模倣するための医学におけるニューラルネットワークの従来の適用(サラサルリセア(Salazar-Licea) LA、ペドラサオテルガ(Pedraza-Ortega) JC、パストラナパルマ(Pastrana-Palma) A、アセベスフェルナンデス(Aceves-Fernandez) MA、Location of mammograms ROI's and reduction of false-positive. Comput Methods Programs Biomed 2017;143:97-111)とは対照的に、この研究はＡＩの使用を拡大し、人間の技能を超えて能力を広げている。

本発明者らのネットワークの重要な特性は、安価で標準的なユビキタス試験である１２誘導ＥＣＧを、その入力として使用することである。米国の多くの地方(グルカ(Gruca) TS、ピョー(Pyo) TH、ネルソン(Nelson) GC、Providing Cardiology Care in Rural Areas Through Visiting Consultant Clinics. J Am Heart Assoc 2016;5)及び発展途上国では、心臓医療及び撮像へのアクセスが制限されている。心室収縮機能障害に対する携帯型の安価な試験の利用可能性により、制限された撮像資源の最適の利用が可能になり、βアドレナリン遮断薬、アンギオテンシン受容体拮抗薬、及び利用可能な場合、埋め込み式デバイス(除細動器及び心臓再同期システム)などの実績のある治療法から個人が利益を得ることが可能になる(ヤンシー(Yancy) CW、ジェサップ(Jessup) M、ボズクルト(Bozkurt) Bら、2013 ACCF/AHA guideline for the management of heart failure: a report of the American College of Cardiology Foundation/American Heart Association Task Force on Practice Guidelines. J Am Coll Cardiol 2013;62:e147-239、ヤンシー(Yancy) CW、ジェサップ(Jessup) M、ボズクルト(Bozkurt) Bら、2017 ACC/AHA/HFSA Focused Update of the 2013 ACCF/AHA Guideline for the Management of Heart Failure: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines and the Heart Failure Society of America. J Am Coll Cardiol 2017;70:776-803)。スマートフォン対応電極(ヤシン(Yasin) OZ、アッテア(Attia) Z、ディロン(Dillon) JJら、Noninvasive blood potassium measurement using signal-processed, single-lead ecg acquired from a handheld smartphone. J Electrocardiol 2017;50:620-5)の出現に伴い、モバイルアプリケーションにより、資源が限られた地域での使用を可能にすることができる。また、この研究で実施されたネットワークに対する試験「サンプル」のソフトウェアベースの性質により、連続したフィードバック及び改良が可能になり、システム改良が迅速に分布される。

この研究では、この値の十分に確立された結果及び治療上の影響から、検出閾値として３５％以下のＥＦを選択した(ヤンシー(Yancy) CW、ジェサップ(Jessup) M、ボズクルト(Bozkurt) Bら、2017 ACC/AHA/HFSA Focused Update of the 2013 ACCF/AHA Guideline for the Management of Heart Failure: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines and the Heart Failure Society of America. J Am Coll Cardiol 2017;70:776-803)。しかし、５０％を下回るＥＦの識別も臨床的に有意である。したがって、「偽陽性」値の４５％は、実際に臨床的に意味がある（図１５）。加えて、ネットワークは、代わりに異なる検出閾値、たとえばＥＦ＜４０％の識別を使用するように容易に構成することができる。ＥＣＧ－ＴＴＥ対は同時に獲得されなかった。しかし、この研究は１００，０００を超えるＥＣＧ－ＴＴＥ対データセットを含み、ＴＴＥの８９％超がＥＣＧから２４時間以内に実施されているため、時間遅延に関係する誤りの可能性は小さい。この研究における畳み込みニューラルネットワークは、具体的には、低ＥＦ、すなわち拡張機能障害を検出するように訓練されたものであり、心不全は検出しない。しかし、場合により無症候性であり、したがってその検出が最優先される低ＥＦの治療のために、罹患率及び死亡率を低減させる根拠に基づく治療法が確立されている。

複数の実装形態について上記で詳細に説明したが、他の修正形態も可能である。加えて、図に示す論理フローは、望ましい結果を達成するために、示されている特定の順序又は順番を必要とするものではない。他のステップを提供することができ、又は記載のフローからステップを省くことができ、他の構成要素を記載のシステムに追加することができ、又は記載のシステムから除去することができる。したがって、他の実装形態も以下の特許請求の範囲の範囲内である。

Claims

一つ以上のコンピュータからなるシステムによって、期間中の哺乳動物の心電図（ＥＣＧ）を記述するＥＣＧデータを受け取ることと、
前記システムによって、前記ＥＣＧデータから導出された予測入力を駆出率予測モデルへ提供することと、
前記駆出率予測モデルによって前記予測入力を処理して、前記哺乳動物の推定駆出率特性を生成することと、
前記哺乳動物の前記推定駆出率特性を出力として提供することと
を含み、
前記予測入力は、各時点での一つ以上の誘導に対するＥＣＧの振幅を示す値の時系列を含み、
前記駆出率予測モデルは畳み込みニューラルネットワークを備え、前記畳み込みニューラルネットワークは、複数の単誘導畳み込み層と、ＥＣＧのすべての誘導へのアクセスを有する畳み込み層とを含む、
コンピュータ実施方法。
システムの一つ以上のプロセッサによって実行されると前記一つ以上のプロセッサに動作を実施させる命令によって符号化された、一つ以上の非一時的コンピュータ可読媒体であって、前記動作が、
前記システムによって、期間中の哺乳動物の心電図（ＥＣＧ）を記述するＥＣＧデータを受け取ることと、
前記システムによって、前記ＥＣＧデータから導出された予測入力を駆出率予測モデルへ提供することと、
前記駆出率予測モデルによって前記予測入力を処理して、前記哺乳動物の推定駆出率特性を生成することと、
前記哺乳動物の前記推定駆出率特性を出力として提供することと
を含み、
前記予測入力は、各時点での一つ以上の誘導に対するＥＣＧの振幅を示す値の時系列を含み、
前記駆出率予測モデルは畳み込みニューラルネットワークを備え、前記畳み込みニューラルネットワークは、複数の単誘導畳み込み層と、ＥＣＧのすべての誘導へのアクセスを有する畳み込み層とを含む、
一つ以上の非一時的コンピュータ可読媒体。
前記ＥＣＧデータが、一つ以上のチャネルを含み、各チャネルが、前記期間中の前記哺乳動物の前記ＥＣＧのそれぞれの誘導を記述する前記ＥＣＧデータのサブセットを含み、前記予測入力が、前記ＥＣＧデータの前記一つ以上のチャネルの各々に対して、前記ＥＣＧの前記それぞれの誘導を特性化する、請求項１に記載のコンピュータ実施方法。
前記ＥＣＧデータが、複数のチャネルを含み、各チャネルが、前記期間中の前記哺乳動物の前記ＥＣＧの複数の誘導のうちのそれぞれの誘導を記述する前記ＥＣＧデータのサブセットを含み、
前記予測入力が、前記ＥＣＧデータの前記複数のチャネルの各々に対して、前記ＥＣＧの前記複数の誘導を特性化する、請求項３に記載のコンピュータ実施方法。
前記ＥＣＧデータが前記哺乳動物の前記ＥＣＧを記述する前記期間が、前記哺乳動物の複数の心臓周期に及ぶ、請求項１に記載のコンピュータ実施方法。
前記哺乳動物が人間である、請求項１に記載のコンピュータ実施方法。
前記駆出率予測モデルが回帰モデルである、請求項１に記載のコンピュータ実施方法。
前記駆出率予測モデルが機械学習モデルである、請求項１に記載のコンピュータ実施方法。
前記駆出率予測モデルがニューラルネットワークである、請求項８に記載のコンピュータ実施方法。
前記ニューラルネットワークが、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク、又は再帰型ニューラルネットワークである、請求項９に記載のコンピュータ実施方法。
前記哺乳動物の前記推定駆出率特性が、前記哺乳動物の前記駆出率の絶対推定値を表す値である、請求項１に記載のコンピュータ実施方法。
前記哺乳動物の前記推定駆出率特性が、前記哺乳動物の前記駆出率の推定範囲を示す、請求項１に記載のコンピュータ実施方法。
前記哺乳動物の前記推定駆出率特性を出力として提供することは、前記哺乳動物への、又は前記哺乳動物に関連する医療提供者への提示のために前記推定駆出率特性を提供することを含む、請求項１に記載のコンピュータ実施方法。
前記哺乳動物の前記ＥＣＧの形態学的特徴が、Ｔ波振幅、Ｐ波振幅、Ｐ波面積、Ｔ波面積、Ｔ波左傾、Ｔ波右傾、Ｐ波左傾、Ｐ波右傾、Ｔ波持続時間、Ｐ波持続時間、ＰＲ区間、ＱＲＳ持続時間、ＱＲＳ振幅、ＱＲＳ面積、ＱＲＳエネルギー、ＱＲＳピーク対ピーク比、又はＱＴセグメント長のうちの少なくとも一つを含む、請求項１に記載のコンピュータ実施方法。
前記駆出率予測モデルが、前記哺乳動物に合わせて個人化される、請求項１に記載のコンピュータ実施方法。
一つ以上のプロセッサと、
前記一つ以上のプロセッサによって実行されると、前記一つ以上のプロセッサに請求項１または３～１５のいずれかに記載の方法を実施させる命令によって符号化された、一つ以上のコンピュータ可読媒体と
を備えるコンピューティングシステム。
前記ＥＣＧデータが、一つ以上のチャネルを含み、各チャネルが、前記期間中の前記哺乳動物の前記ＥＣＧのそれぞれの誘導を記述する前記ＥＣＧデータのサブセットを含み、前記予測入力が、前記ＥＣＧデータの前記一つ以上のチャネルの各々に対して、前記ＥＣＧの前記それぞれの誘導を特性化する、請求項２に記載の非一時的コンピュータ可読媒体。
前記ＥＣＧデータが、複数のチャネルを含み、各チャネルが、前記期間中の前記哺乳動物の前記ＥＣＧの複数の誘導のうちのそれぞれの誘導を記述する前記ＥＣＧデータのサブセットを含み、
前記予測入力が、前記ＥＣＧデータの前記複数のチャネルの各々に対して、前記ＥＣＧの前記複数の誘導を特性化する、請求項１７に記載の非一時的コンピュータ可読媒体。
前記ＥＣＧデータが前記哺乳動物の前記ＥＣＧを記述する前記期間が、前記哺乳動物の複数の心臓周期に及ぶ、請求項２に記載の非一時的コンピュータ可読媒体。
前記哺乳動物が人間である、請求項２に記載の非一時的コンピュータ可読媒体。
前記駆出率予測モデルが回帰モデルである、請求項２に記載の非一時的コンピュータ可読媒体。
前記駆出率予測モデルが機械学習モデルである、請求項２に記載の非一時的コンピュータ可読媒体。
前記駆出率予測モデルがニューラルネットワークである、請求項２２に記載の非一時的コンピュータ可読媒体。
前記ニューラルネットワークが、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク、又は再帰型ニューラルネットワークである、請求項２３に記載の非一時的コンピュータ可読媒体。
前記哺乳動物の前記推定駆出率特性が、前記哺乳動物の前記駆出率の絶対推定値を表す値である、請求項２に記載の非一時的コンピュータ可読媒体。
前記哺乳動物の前記推定駆出率特性が、前記哺乳動物の前記駆出率の推定範囲を示す、請求項２に記載の非一時的コンピュータ可読媒体。
前記哺乳動物の前記推定駆出率特性を出力として提供することは、前記哺乳動物への、又は前記哺乳動物に関連する医療提供者への提示のために前記推定駆出率特性を提供することを含む、請求項２に記載の非一時的コンピュータ可読媒体。
前記駆出率予測モデルが、前記哺乳動物に合わせて個人化される、請求項２に記載の非一時的コンピュータ可読媒体。