JP7262452B2 - Ecgベースの心駆出率のスクリーニング - Google Patents
Ecgベースの心駆出率のスクリーニング Download PDFInfo
- Publication number
- JP7262452B2 JP7262452B2 JP2020519717A JP2020519717A JP7262452B2 JP 7262452 B2 JP7262452 B2 JP 7262452B2 JP 2020519717 A JP2020519717 A JP 2020519717A JP 2020519717 A JP2020519717 A JP 2020519717A JP 7262452 B2 JP7262452 B2 JP 7262452B2
- Authority
- JP
- Japan
- Prior art keywords
- ejection fraction
- ecg
- mammal
- computer
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/02028—Determining haemodynamic parameters not otherwise provided for, e.g. cardiac contractility or left ventricular ejection fraction
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Description
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。
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。
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。
<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。
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。
この研究は、メイヨークリニック(MAYO CLINIC)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。
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。
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。
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(MAYO CLINIC)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。
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。
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)。
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。
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。
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。
診断性能(AUC ROC、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。SAS version 9.4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。
研究は、完全にメイヨークリニック(MAYO CLINIC)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。
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。
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。
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)。
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。
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。
Claims (28)
- 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023064119A JP2023089112A (ja) | 2017-10-06 | 2023-04-11 | Ecgベースの心駆出率のスクリーニング |
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762569268P | 2017-10-06 | 2017-10-06 | |
US62/569,268 | 2017-10-06 | ||
US201762599163P | 2017-12-15 | 2017-12-15 | |
US62/599,163 | 2017-12-15 | ||
PCT/US2018/054371 WO2019070978A1 (en) | 2017-10-06 | 2018-10-04 | CARDIAC EJECTION FRACTION SCREEN BASED ON ECG |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023064119A Division JP2023089112A (ja) | 2017-10-06 | 2023-04-11 | Ecgベースの心駆出率のスクリーニング |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2020536629A JP2020536629A (ja) | 2020-12-17 |
JP2020536629A5 JP2020536629A5 (ja) | 2021-11-11 |
JP7262452B2 true JP7262452B2 (ja) | 2023-04-21 |
Family
ID=65995234
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020519717A Active JP7262452B2 (ja) | 2017-10-06 | 2018-10-04 | Ecgベースの心駆出率のスクリーニング |
JP2023064119A Pending JP2023089112A (ja) | 2017-10-06 | 2023-04-11 | Ecgベースの心駆出率のスクリーニング |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023064119A Pending JP2023089112A (ja) | 2017-10-06 | 2023-04-11 | Ecgベースの心駆出率のスクリーニング |
Country Status (7)
Country | Link |
---|---|
US (3) | US20200397313A1 (ja) |
EP (1) | EP3691524A4 (ja) |
JP (2) | JP7262452B2 (ja) |
CN (1) | CN111432720A (ja) |
AU (1) | AU2018346412B2 (ja) |
CA (1) | CA3078519A1 (ja) |
WO (1) | WO2019070978A1 (ja) |
Families Citing this family (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015338967A1 (en) | 2014-10-31 | 2017-05-11 | Irhythm Technologies, Inc. | Wireless physiological monitoring device and systems |
US11672464B2 (en) | 2015-10-27 | 2023-06-13 | Cardiologs Technologies Sas | Electrocardiogram processing system for delineation and classification |
EP3826031A1 (en) | 2017-08-25 | 2021-05-26 | Cardiologs Technologies SAS | User interface for analysis of electrocardiograms |
US11484273B2 (en) * | 2018-03-06 | 2022-11-01 | International Business Machines Corporation | Determining functional age indices based upon sensor data |
US11446009B2 (en) * | 2018-12-11 | 2022-09-20 | Eko.Ai Pte. Ltd. | Clinical workflow to diagnose heart disease based on cardiac biomarker measurements and AI recognition of 2D and doppler modality echocardiogram images |
US11301996B2 (en) * | 2018-12-11 | 2022-04-12 | Eko.Ai Pte. Ltd. | Training neural networks of an automatic clinical workflow that recognizes and analyzes 2D and doppler modality echocardiogram images |
US20210264238A1 (en) * | 2018-12-11 | 2021-08-26 | Eko.Ai Pte. Ltd. | Artificial intelligence (ai)-based guidance for an ultrasound device to improve capture of echo image views |
US11931207B2 (en) * | 2018-12-11 | 2024-03-19 | Eko.Ai Pte. Ltd. | Artificial intelligence (AI) recognition of echocardiogram images to enhance a mobile ultrasound device |
US20200293590A1 (en) * | 2019-03-17 | 2020-09-17 | Kirill Rebrov | Computer-implemented Method and System for Age Classification of First Names |
US11445918B2 (en) | 2019-08-30 | 2022-09-20 | Heart Test Laboratories, Inc. | Electrocardiogram-based assessment of diastolic function |
US11657921B2 (en) | 2019-09-18 | 2023-05-23 | Tempus Labs, Inc. | Artificial intelligence based cardiac event predictor systems and methods |
CA3151064A1 (en) | 2019-09-18 | 2021-03-25 | Brandon K. Fornwalt | Ecg based future atrial fibrillation predictor systems and methods |
CN110693486B (zh) * | 2019-09-27 | 2022-06-14 | 武汉中旗生物医疗电子有限公司 | 一种心电图的异常标注方法及装置 |
US11617528B2 (en) * | 2019-10-08 | 2023-04-04 | GE Precision Healthcare LLC | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems |
JP7455295B2 (ja) | 2020-01-15 | 2024-03-26 | 国立大学法人 東京医科歯科大学 | 生体情報処理装置及びその制御方法 |
EP4103051A1 (en) | 2020-02-12 | 2022-12-21 | Irhythm Technologies, Inc. | Non-invasive cardiac monitor and methods of using recorded cardiac data to infer a physiological characteristic of a patient |
DE102020203848A1 (de) | 2020-03-25 | 2021-09-30 | Siemens Healthcare Gmbh | Verfahren und Vorrichtung zur Ansteuerung eines medizinischen Geräts |
CN111879772B (zh) * | 2020-07-28 | 2021-11-05 | 食安慧(深圳)科技股份有限公司 | 一种基于大数据的食品安全智慧管理方法与系统 |
DE102020004698A1 (de) | 2020-08-03 | 2022-02-03 | Hochschule Offenburg | Steuerung für eine extrakorporale Kreislaufunterstützung |
KR20230047455A (ko) | 2020-08-06 | 2023-04-07 | 아이리듬 테크놀로지스, 아이엔씨 | 점착성 생리학적 모니터링 장치 |
WO2022032118A1 (en) | 2020-08-06 | 2022-02-10 | Irhythm Technologies, Inc. | Electrical components for physiological monitoring device |
CN112270951B (zh) * | 2020-11-10 | 2022-11-01 | 四川大学 | 基于多任务胶囊自编码器神经网络的全新分子生成方法 |
US11957505B2 (en) | 2021-01-25 | 2024-04-16 | Dl-Hrt Llc | System and method of non-invasive continuous echocardiographic monitoring |
US11457889B2 (en) * | 2021-01-25 | 2022-10-04 | Lazaro Eduardo Hernandez | System and method of non-invasive continuous echocardiographic monitoring |
CN113077874B (zh) * | 2021-03-19 | 2023-11-28 | 浙江大学 | 基于红外热像的脊椎疾病康复智能辅助诊疗系统及方法 |
CN113080996B (zh) * | 2021-04-08 | 2022-11-18 | 大同千烯科技有限公司 | 一种基于目标检测的心电图分析方法及装置 |
KR102483567B1 (ko) * | 2021-04-21 | 2023-01-04 | 주식회사 메디코아 | 인공지능 기반의 3분 미만 측정구간의 심박변이도 데이터로부터 5분 또는 3분의 심박변이도 지표를 예측하는 방법 및 그 시스템 |
EP4346564A1 (en) * | 2021-05-28 | 2024-04-10 | Tempus AI, Inc. | Ecg-based cardiovascular disease detection systems and related methods |
KR102607446B1 (ko) * | 2021-08-27 | 2023-11-30 | 주식회사 팬토믹스 | 심실 구축률 측정을 통한 심부전 진단 방법 |
WO2023057200A1 (en) * | 2021-10-04 | 2023-04-13 | Biotronik Se & Co. Kg | Computer implemented method for determining a medical parameter, training method and system |
WO2023097315A1 (en) * | 2021-11-29 | 2023-06-01 | Icahn School Of Medicine At Mount Sinai | Systems and methods for electrocardiogram deep learning interpretability |
US20230309967A1 (en) * | 2022-04-05 | 2023-10-05 | Akhil VAID | Surfacing insights into left and right ventricular dysfunction through deep learning |
WO2023230345A1 (en) * | 2022-05-27 | 2023-11-30 | Yale University | Articles and methods for format independent detection of hidden cardiovascular disease from printed electrocardiographic images using deep learning |
TW202400082A (zh) * | 2022-06-20 | 2024-01-01 | 陳崗熒 | 基於心電圖訊號的指標數值之轉化方法及系統 |
CN114831643B (zh) * | 2022-07-04 | 2022-10-04 | 南京大学 | 一种心电信号监测装置和可穿戴设备 |
WO2024049563A1 (en) * | 2022-08-29 | 2024-03-07 | Medtronic, Inc. | Identifying ejection fraction using a single lead cardiac electrogram sensed by a medical device |
WO2024071845A1 (ko) * | 2022-09-28 | 2024-04-04 | 주식회사 메디컬에이아이 | 의료용 인공지능 모델의 구축 방법, 프로그램 및 장치 |
CN116721777B (zh) * | 2023-08-10 | 2023-10-27 | 中国医学科学院药用植物研究所 | 基于神经网络的药物药效评价方法、装置、设备及介质 |
CN117058149B (zh) * | 2023-10-12 | 2024-01-02 | 中南大学 | 一种用于训练识别骨关节炎的医学影像测量模型的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110021933A1 (en) | 2008-03-24 | 2011-01-27 | Deepbreeze Ltd. | Methods and Systems for Use in Determination of a Patient's Heart Condition |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4245646A (en) * | 1978-06-19 | 1981-01-20 | Picker Corporation | Nuclear cardiology apparatus and method |
US8282569B2 (en) * | 2006-03-15 | 2012-10-09 | Board Of Trustees Of Michigan State University | Method and apparatus for determining ejection fraction |
US8634911B2 (en) | 2010-10-29 | 2014-01-21 | Medtronic, Inc. | Pacing interval determination for ventricular dyssynchrony |
US20130165776A1 (en) * | 2011-12-22 | 2013-06-27 | Andreas Blomqvist | Contraction status assessment |
US9968265B2 (en) * | 2012-08-17 | 2018-05-15 | Analytics For Life | Method and system for characterizing cardiovascular systems from single channel data |
US9339231B2 (en) * | 2013-03-14 | 2016-05-17 | Cardiac Pacemakers, Inc. | Heart failure management to avoid rehospitalization |
US9737229B1 (en) * | 2013-06-04 | 2017-08-22 | Analytics For Life | Noninvasive electrocardiographic method for estimating mammalian cardiac chamber size and mechanical function |
US9700219B2 (en) | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
US10039468B2 (en) * | 2013-11-12 | 2018-08-07 | Analytics For Life Inc. | Noninvasive electrocardiographic method for estimating mammalian cardiac chamber size and mechanical function |
WO2016007410A1 (en) | 2014-07-07 | 2016-01-14 | Zoll Medical Corporation | System and method for distinguishing a cardiac event from noise in an electrocardiogram (ecg) signal |
US20170188978A1 (en) * | 2016-01-04 | 2017-07-06 | AventuSoft, LLC | System and method of measuring hemodynamic parameters from the heart valve signal |
US20170347899A1 (en) * | 2016-06-03 | 2017-12-07 | FOURTH FRONTIER TECHNOLOGIES, Pvt. Ltd. | Method and system for continuous monitoring of cardiovascular health |
-
2018
- 2018-10-04 CN CN201880078887.2A patent/CN111432720A/zh active Pending
- 2018-10-04 WO PCT/US2018/054371 patent/WO2019070978A1/en unknown
- 2018-10-04 EP EP18864365.4A patent/EP3691524A4/en active Pending
- 2018-10-04 AU AU2018346412A patent/AU2018346412B2/en active Active
- 2018-10-04 CA CA3078519A patent/CA3078519A1/en active Pending
- 2018-10-04 JP JP2020519717A patent/JP7262452B2/ja active Active
- 2018-10-04 US US16/754,007 patent/US20200397313A1/en active Pending
-
2022
- 2022-11-07 US US18/053,200 patent/US20230089991A1/en active Pending
-
2023
- 2023-04-11 JP JP2023064119A patent/JP2023089112A/ja active Pending
- 2023-10-31 US US18/385,523 patent/US20240081653A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110021933A1 (en) | 2008-03-24 | 2011-01-27 | Deepbreeze Ltd. | Methods and Systems for Use in Determination of a Patient's Heart Condition |
Also Published As
Publication number | Publication date |
---|---|
JP2020536629A (ja) | 2020-12-17 |
WO2019070978A1 (en) | 2019-04-11 |
US20200397313A1 (en) | 2020-12-24 |
CA3078519A1 (en) | 2019-04-11 |
AU2018346412B2 (en) | 2023-11-23 |
AU2018346412A1 (en) | 2020-04-30 |
US20230089991A1 (en) | 2023-03-23 |
JP2023089112A (ja) | 2023-06-27 |
EP3691524A4 (en) | 2021-08-11 |
EP3691524A1 (en) | 2020-08-12 |
US20240081653A1 (en) | 2024-03-14 |
CN111432720A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7262452B2 (ja) | Ecgベースの心駆出率のスクリーニング | |
Romiti et al. | Artificial intelligence (AI) and cardiovascular diseases: An unexpected alliance | |
JP7402879B2 (ja) | 被験者の生理学的または生物学的状態または疾患を特定するための方法およびシステム | |
US10149625B2 (en) | Patient signal analysis based on vector analysis | |
US10602940B1 (en) | Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease | |
Jahmunah et al. | Uncertainty quantification in DenseNet model using myocardial infarction ECG signals | |
Haq et al. | Artificial intelligence in cardiovascular medicine: current insights and future prospects | |
US20230420132A1 (en) | Noninvasive heart failure detection | |
Van den Eynde et al. | Successfully implemented artificial intelligence and machine learning applications in cardiology: state-of-the-art review | |
Jiang et al. | Detection of left atrial enlargement using a convolutional neural network-enabled electrocardiogram | |
US20210361217A1 (en) | Ecg-based age and sex estimation | |
Ghorashi et al. | Leveraging regression analysis to predict overlapping symptoms of cardiovascular diseases | |
Quartieri et al. | Artificial intelligence cloud platform improves arrhythmia detection from insertable cardiac monitors to 25 cardiac rhythm patterns through multi-label classification | |
Adasuriya et al. | Next generation ECG: The impact of artificial intelligence and machine learning | |
Bhavnani et al. | Multicenter validation of a machine learning phase space electro-mechanical pulse wave analysis to predict elevated left ventricular end diastolic pressure at the point-of-care | |
CN113316412A (zh) | 用于诊断心脏缺血和冠状动脉疾病的系统、设备、软件和方法 | |
Al Younis et al. | Non-invasive technologies for heart failure, systolic and diastolic dysfunction modeling: A scoping review | |
Huang et al. | A Deep-Learning-Based Multi-modal ECG and PCG Processing Framework for Cardiac Analysis | |
Rao et al. | Machine Learning Based Cardiovascular Disease Prediction | |
Somani et al. | Artificial intelligence in cardiac electrophysiology | |
Nogueira et al. | Detecting heart failure using novel bio-signals and a knowledge enhanced neural network | |
US20230404488A1 (en) | Noninvasive cardiovascular event detection | |
Khunte et al. | Detection of left ventricular systolic dysfunction from single-lead electrocardiography adapted for wearable devices | |
Ramesh et al. | Performance Analysis of Machine Learning Algorithms to Predict Cardiovascular Disease | |
Kurniawan et al. | Arrhythmia Analysis in the Long-term Electrocardiogram Monitoring System. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211004 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211004 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220809 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220810 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20221104 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230209 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230314 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230411 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7262452 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |