JP7295962B2 - 輸液反応性の改善された予測のための方法およびシステム - Google Patents
輸液反応性の改善された予測のための方法およびシステム Download PDFInfo
- Publication number
- JP7295962B2 JP7295962B2 JP2021545272A JP2021545272A JP7295962B2 JP 7295962 B2 JP7295962 B2 JP 7295962B2 JP 2021545272 A JP2021545272 A JP 2021545272A JP 2021545272 A JP2021545272 A JP 2021545272A JP 7295962 B2 JP7295962 B2 JP 7295962B2
- Authority
- JP
- Japan
- Prior art keywords
- infusion
- machine learning
- learning model
- determining
- electrocardiogram signal
- 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
- A61B5/026—Measuring blood flow
- A61B5/029—Measuring or recording blood output from the heart, e.g. minute volume
-
- 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
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
-
- 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
Description
[0042]一実施形態によれば、特徴は事前決定されてもよい。たとえば、唯一の特徴が、上述したP、Q、R、S、T、およびUの特徴であると仮定することにより、モデルが構築されてもよい。この場合、上述したように、事前決定された特徴のそれぞれに関する特徴値(p、q、r、s、t、u)を決定するために、計算技法が使用されてもよい。特徴値が決定されると、上述したように、機械学習技法を使用してモデルが構築されてもよい。検討をわかりやすくするために、この実施形態は、方法の操作バージョンと呼ばれてもよい。
[0043]さらなる実施形態によれば、特徴自体が訓練プロセス中に識別されてもよい。A(操作バージョン)との違いは、特徴が決定される方法である。ここでは、設定される特徴は事前決定されておらず、訓練プロセス中に自動的に決定される。この状況の例として、生の信号(またはその信号の何らかの適切な事前処理がされたバーション)が、深層学習ネットワークを介して供給され、この深層学習ネットワークは、最適な特徴セットを計算することと、次いでこのセットを活用して輸液反応性指数を決定することとの両方を行うように、訓練プロセス中に訓練されている。
・ サンプリングされた高周波数(たとえば、1000Hz)の生のECG信号自体
・ 生の信号から計算されたフーリエ成分またはウェーブレット成分
・ ECG信号から算出された(任意の次数の)微分係数もしくは積分、またはこれらの一部分
・ 微分係数に関するフーリエ成分またはウェーブレット成分
・ 上述したECG信号から導かれた特徴
・ 任意の一連の心周期に関する上記のうちのいずれか
・ 異なる、おそらくは一連の心周期に関する上記(およびさらに高次の変動)のうちのいずれかの差異
・ 異なる波形(p、QRS)の距離、曲線の始まりの角度の上昇および下降など
[0045]このような特徴は、明示的に操作されるのではなく、モデルにより、たとえば多層パーセプトロン、深層畳み込みニューラルネットワーク、再帰ニューラルネットワーク、制限ボルツマンマシンなどを含む(がこれらに限定されない)近年のニューラルネットワーク手法を使用して決定されてもよい。
・ 識別学習アルゴリズム、たとえば(おそらくカーネル法を使用する)線形回帰、ニューラルネットワークアルゴリズム、たとえば多層パーセプトロン、深層畳み込みニューラルネットワーク、再帰ニューラルネットワーク、制限ボルツマンマシン、または
・ 生成学習アルゴリズム、たとえば混合モデル、隠れマルコフモデル、制限ボルツマンマシン、もしくは敵対的生成ネットワーク
[0050]一実施形態によれば、生成モデルでは、理論モデルによって、つまりECG信号を心臓の血液拍出量に関連付ける理論的な等式のセットによって、出力が決定されてもよい。このような相関関係は、血圧変動、酸素測定曲線などの他の計量基準、または他のホメオスタシス的な時間依存性の計量基準を含むことに基づいてもよい。
Claims (18)
- 輸液反応性を決定し、決定された前記輸液反応性に基づきヒト対象者に施されるべき処置を決定するプロセッサ実施方法であって、
ヒト対象者の心電図信号を、センサが継続的に測定するステップであって、前記心電図信号は、250Hzより大きく1000Hzまでの周波数を有する、ステップと、
前記心電図信号の特徴を継続的に決定するために、前記心電図信号を第1の機械学習モデルに対する入力として使用して、前記第1の機械学習モデルの動作をプロセッサが実行するステップと、
輸液反応性指数を第2の機械学習モデルの出力として生成するために、決定された前記特徴を前記第2の機械学習モデルに対する入力として使用して、前記第2の機械学習モデルの動作をプロセッサが実行するステップであって、前記第2の機械学習モデルに対する入力として使用される決定された前記特徴のうちの少なくとも1つは、前記心電図信号のQRS複合波の立ち上がり角度である、ステップと、
前記輸液反応性指数に基づき、前記ヒト対象者に対して施されるべき一連の処置をプロセッサが決定するステップと
を含む方法。 - 請求項1に記載の方法であって、前記心電図信号の特徴を決定するステップは、
前記心電図信号の複数の事前決定された特徴のそれぞれに関する特徴値を、プロセッサが決定するステップ
を含み、特徴値は、前記事前決定された特徴の長さ、振幅、傾き、面積、深さ、および高さのうちの1つまたは複数を表す、方法。 - 請求項2に記載の方法であって、前記事前決定された特徴は、前記心電図信号のP、Q、R、S、T、およびUの複合波のうちの1つまたは複数を含む、方法。
- 請求項1に記載の方法であって、
前記特徴を決定するために、ニューラルネットワークアルゴリズムの動作をプロセッサが実行するステップ
をさらに含む方法。 - 請求項1に記載の方法であって、前記第1の機械学習モデルの動作を実行するステップは、
教師なし学習アルゴリズムの動作をプロセッサが実行するステップ
を含み、前記教師なし学習アルゴリズムは、k平均法アルゴリズム、因子分析もしくは主成分分析のアルゴリズム、深層(変分)オートエンコーダアルゴリズム、深層生成モデル、または、混合ガウスアルゴリズムを含む、方法。 - 請求項1に記載の方法であって、前記輸液反応性指数を生成する前記第2の機械学習モデルは、
線形回帰アルゴリズム、ニューラルネットワークアルゴリズム、多層パーセプトロン、深層畳み込みニューラルネットワーク、再帰ニューラルネットワーク、または、制限ボルツマンマシンを含む識別学習アルゴリズムを含む、
方法。 - 請求項1に記載の方法であって、前記輸液反応性指数を生成する前記第2の機械学習モデルは、
混合モデル、隠れマルコフモデル、制限ボルツマンマシン、または、敵対的生成ネットワークを含む生成学習アルゴリズムを含む、
方法。 - 請求項1に記載の方法であって、
プロセッサが、前記輸液反応性指数を生成する前記第2の機械学習モデルを、訓練プロセスを実行することによって生成するステップであって、前記訓練プロセスは、
複数の(X、Y)訓練データセットを受け取るステップであって、Xはヒト対象者に関して測定された心電図信号の特徴を表し、Yは測定された前記心電図信号を有する前記ヒト対象者の測定された輸液反応性を表す、ステップと、
前記複数の(X、Y)訓練データセットに関してXとYの相関関係を決定するステップと、
XとYの前記相関関係を数学的関係として表すステップと
を含む、ステップと、
前記数学的関係に従い、前記第2の機械学習モデルの入力として使用される決定された前記特徴X*に基づき、前記第2の機械学習モデルの出力Y*として前記輸液反応性指数を生成するステップと
をさらに含む方法。 - 請求項8に記載の方法であって、
前記第2の機械学習モデルは回帰モデルであり、前記数学的関係は、YをXの関数として表す等式であるか、または、
前記第2の機械学習モデルは分類器モデルであり、前記数学的関係は、2つ以上の領域への多次元(X、Y)空間の分割であり、前記2つ以上の領域は、Xの関数としてのY値の2つ以上のそれぞれのクラスを表す、
方法。 - 請求項1に記載の方法であって、前記輸液反応性指数に基づき、前記ヒト対象者に対して施されるべき一連の処置をプロセッサが決定するステップは、
前記輸液反応性指数の値が第1の値範囲内にあるときに、前記ヒト対象者に対して輸液を投与すべきと決定するステップであって、前記第1の値範囲内の前記輸液反応性指数の前記値に基づき輸液の量が決定される、ステップ、または、
前記輸液反応性指数の前記値が第2の値範囲内にあるときに、前記ヒト対象者に対して薬物を投与すべきと決定するステップであって、前記第2の値範囲内の前記輸液反応性指数の前記値に基づき薬物の用量が決定される、ステップ
を含む、方法。 - 輸液反応性を決定し、決定された前記輸液反応性に基づきヒト対象者のための一連の処置を決定するシステムであって、
ヒト対象者の心電図信号を継続的に測定するように構成されたセンサであって、前記心電図信号は、250Hzより大きく1000Hzまでの周波数を有する、前記センサと、
動作を継続的に実行するように構成されたプロセッサであって、前記動作は、
ヒト対象者の測定された前記心電図信号を受け取るステップと、
前記心電図信号の特徴を決定するために、前記心電図信号を入力として使用して第1の機械学習モデルの動作を実行するステップと、
輸液反応性指数を第2の機械学習モデルの出力として生成するために、決定された前記特徴を前記第2の機械学習モデルに対する入力として使用して、前記第2の機械学習モデルの動作を実行するステップであって、輸液反応性指数を生成するために前記第2の機械学習モデルにより入力として使用される決定された前記特徴のうちの少なくとも1つは、前記心電図信号のQRS複合波の立ち上がり角度である、ステップと、
前記輸液反応性指数に基づき、前記ヒト対象者に対して施されるべき一連の処置を決定するステップと
を含む、前記プロセッサと
を備えるシステム。 - 請求項11に記載のシステムであって、前記プロセッサは、
前記心電図信号の複数の事前決定された特徴のそれぞれに関する特徴値を決定するステップ
を含む動作を実行することにより、前記心電図信号の特徴を決定するようにさらに構成され、特徴値は、前記事前決定された特徴の長さ、振幅、傾き、面積、深さ、および高さのうちの1つまたは複数を表す、システム。 - 請求項12に記載のシステムであって、前記プロセッサは、前記心電図信号のP、Q、R、S、T、およびUの複合波のうちの1つまたは複数を含む事前決定された特徴の特徴値を決定するようにさらに構成された、システム。
- 請求項11に記載のシステムであって、前記第1の機械学習モデルの動作を実行することは、
ニューラルネットワークアルゴリズムの動作を実行すること、または、
教師なし学習アルゴリズムの動作を実行すること
を含み、
前記教師なし学習アルゴリズムは、k平均法アルゴリズム、因子分析もしくは主成分分析のアルゴリズム、深層(変分)オートエンコーダアルゴリズム、深層生成モデル、または、混合ガウスアルゴリズムを含む、
システム。 - 請求項11に記載のシステムであって、前記プロセッサは、識別学習アルゴリズムの動作を実行することにより、前記輸液反応性指数を生成するようにさらに構成され、前記識別学習アルゴリズムは、
線形回帰アルゴリズム、
ニューラルネットワークアルゴリズム、
多層パーセプトロン、
深層畳み込みニューラルネットワーク、
再帰ニューラルネットワーク、または、
制限ボルツマンマシン
を含む、システム。 - 請求項11に記載のシステムであって、前記プロセッサは、生成学習アルゴリズムの動作を実行することにより、前記輸液反応性指数を生成するようにさらに構成され、前記生成学習アルゴリズムは、
混合モデル、
隠れマルコフモデル、
制限ボルツマンマシン、または、
敵対的生成ネットワーク
を含む、システム。 - 請求項11に記載のシステムであって、前記プロセッサは、
前記輸液反応性指数を生成する前記第2の機械学習モデルを、訓練プロセスであって、
複数の(X、Y)訓練データセットを受け取るステップであって、Xはヒト対象者に関して測定された心電図信号の特徴を表し、Yは測定された前記心電図信号を有する前記ヒト対象者の測定された輸液反応性を表す、ステップと、
前記複数の(X、Y)訓練データセットに関してXとYの相関関係を決定するステップと、
XとYの前記相関関係を数学的関係として表すステップと
を含む前記訓練プロセスを実行することによって生成し、
前記数学的関係に従い、前記第2の機械学習モデルの入力として使用される決定された前記特徴X*に基づき、前記第2の機械学習モデルの出力Y*として前記輸液反応性指数を生成する
ように更に構成され、
前記第2の機械学習モデルは回帰モデルであり、前記数学的関係は、YをXの関数として表す等式であるか、または、
前記第2の機械学習モデルは分類器モデルであり、前記数学的関係は、2つ以上の領域への多次元(X、Y)空間の分割であり、前記2つ以上の領域は、Xの関数としてのY値の2つ以上のそれぞれのクラスを表す、
システム。 - 請求項11に記載のシステムであって、前記プロセッサは、
前記輸液反応性指数の値が第1の値範囲内にあるときに、前記ヒト対象者に対して輸液が投与されるべきであると決定し、前記第1の値範囲内の前記輸液反応性指数の前記値に基づき投与されるべき輸液の量を決定するステップ、または、
前記輸液反応性指数の前記値が第2の値範囲内にあるときに、前記ヒト対象者に対して薬物が投与されるべきであると決定し、前記第2の値範囲内の前記輸液反応性指数の前記値に基づき薬物の用量を決定するステップ
を含む動作を実行することにより、前記輸液反応性指数に基づき前記ヒト対象者に施すべき前記一連の処置を決定するようにさらに構成された、システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/160,778 | 2018-10-15 | ||
US16/160,778 US11445975B2 (en) | 2015-07-27 | 2018-10-15 | Methods and systems for improved prediction of fluid responsiveness |
PCT/US2019/056074 WO2020081433A1 (en) | 2018-10-15 | 2019-10-14 | Methods and systems for improved prediction of fluid responsiveness |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022508704A JP2022508704A (ja) | 2022-01-19 |
JP7295962B2 true JP7295962B2 (ja) | 2023-06-21 |
Family
ID=68393105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021545272A Active JP7295962B2 (ja) | 2018-10-15 | 2019-10-14 | 輸液反応性の改善された予測のための方法およびシステム |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3866682A1 (ja) |
JP (1) | JP7295962B2 (ja) |
WO (1) | WO2020081433A1 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010538728A (ja) | 2007-09-12 | 2010-12-16 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | アラーム及び動向付け機能を有するqt間隔監視システム |
US20100324827A1 (en) | 2009-06-18 | 2010-12-23 | Nellcor Puritan Bennett Ireland | Fluid Responsiveness Measure |
US20160112401A1 (en) | 2012-12-21 | 2016-04-21 | Paypal, Inc. | Systems and methods for determining a strength of a created credential |
JP2018504148A (ja) | 2014-10-31 | 2018-02-15 | アイリズム・テクノロジーズ・インコーポレイテッドiRhythm Technologies,Inc. | 無線式生体モニタリングデバイス及びシステム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10426364B2 (en) * | 2015-10-27 | 2019-10-01 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
CN108697342B (zh) * | 2015-12-07 | 2021-11-16 | 美第奇科技有限责任公司 | 观察性心力衰竭监测系统 |
-
2019
- 2019-10-14 JP JP2021545272A patent/JP7295962B2/ja active Active
- 2019-10-14 EP EP19795749.1A patent/EP3866682A1/en active Pending
- 2019-10-14 WO PCT/US2019/056074 patent/WO2020081433A1/en unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010538728A (ja) | 2007-09-12 | 2010-12-16 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | アラーム及び動向付け機能を有するqt間隔監視システム |
US20100324827A1 (en) | 2009-06-18 | 2010-12-23 | Nellcor Puritan Bennett Ireland | Fluid Responsiveness Measure |
US20160112401A1 (en) | 2012-12-21 | 2016-04-21 | Paypal, Inc. | Systems and methods for determining a strength of a created credential |
JP2018504148A (ja) | 2014-10-31 | 2018-02-15 | アイリズム・テクノロジーズ・インコーポレイテッドiRhythm Technologies,Inc. | 無線式生体モニタリングデバイス及びシステム |
Also Published As
Publication number | Publication date |
---|---|
JP2022508704A (ja) | 2022-01-19 |
WO2020081433A1 (en) | 2020-04-23 |
EP3866682A1 (en) | 2021-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11445975B2 (en) | Methods and systems for improved prediction of fluid responsiveness | |
US9468378B2 (en) | Airway instability detection system and method | |
US10226194B2 (en) | Statistical, noninvasive measurement of a patient's physiological state | |
US8152732B2 (en) | Microprocessor system for the analysis of physiologic and financial datasets | |
US20110172545A1 (en) | Active Physical Perturbations to Enhance Intelligent Medical Monitoring | |
EP2356579B1 (en) | Long term active learning from large continually changing data sets | |
EP2542148B1 (en) | Active physical perturbations to enhance intelligent medical monitoring | |
US20060155207A1 (en) | System and method for detection of incomplete reciprocation | |
US10278595B2 (en) | Analysis and characterization of patient signals | |
US20070093721A1 (en) | Microprocessor system for the analysis of physiologic and financial datasets | |
US9706952B2 (en) | System for ventricular arrhythmia detection and characterization | |
US20210128047A1 (en) | Non-invasive system and method for monitoring lusitropic myocardial function in relation to inotropic myocardial function | |
US10869631B2 (en) | Method and system for assessing fluid responsiveness using multimodal data | |
US11284836B2 (en) | Methods and systems for improved prediction of fluid responsiveness | |
US9549681B2 (en) | Matrix-based patient signal analysis | |
US9320445B2 (en) | System for cardiac condition detection responsive to blood pressure analysis | |
JP7295962B2 (ja) | 輸液反応性の改善された予測のための方法およびシステム | |
US8460200B2 (en) | Physiologic parameter monitoring apparatus | |
US9402571B2 (en) | Biological tissue function analysis | |
US10251564B2 (en) | Thermal patient signal analysis | |
Chen et al. | Electrical-mechanical dynamical coupling between electrocardiographic and photoplethysmographic signals during cardiopulmonary resuscitation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210610 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210610 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220720 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20221019 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221116 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230120 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230420 |
|
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: 20230512 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230609 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7295962 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |