JP7553472B2 - 機械学習に基づく脱分極の識別および不整脈の位置特定の可視化 - Google Patents

機械学習に基づく脱分極の識別および不整脈の位置特定の可視化 Download PDF

Info

Publication number
JP7553472B2
JP7553472B2 JP2021564708A JP2021564708A JP7553472B2 JP 7553472 B2 JP7553472 B2 JP 7553472B2 JP 2021564708 A JP2021564708 A JP 2021564708A JP 2021564708 A JP2021564708 A JP 2021564708A JP 7553472 B2 JP7553472 B2 JP 7553472B2
Authority
JP
Japan
Prior art keywords
depolarization
arrhythmia
likelihood
episode
machine learning
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
Application number
JP2021564708A
Other languages
English (en)
Other versions
JP2022531293A (ja
Inventor
ハダド，タレク・ディー
チャクラバーシー，ニランジャン
マスグローブ，ドナルド・アール
ラトケ，アンドリュー
ワーマン，エデュアルド・エヌ
カトラ，ロドルフェ
ペダルティ，リンゼイ・エイ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Medtronic Inc
Original Assignee
Medtronic Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Medtronic Inc filed Critical Medtronic Inc
Publication of JP2022531293A publication Critical patent/JP2022531293A/ja
Application granted granted Critical
Publication of JP7553472B2 publication Critical patent/JP7553472B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0031—Implanted circuitry
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/07—Endoradiosondes
    • A61B5/076—Permanent implantations
    • 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]
    • A61B5/339—Displays specially adapted therefor
    • 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
    • A61B5/361—Detecting fibrillation
    • 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
    • A61B5/363—Detecting tachycardia or bradycardia
    • 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
    • A61B5/364—Detecting abnormal ECG interval, e.g. extrasystoles, ectopic heartbeats
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/686—Permanently implanted devices, e.g. pacemakers, other stimulators, biochips
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/3621—Heart stimulators for treating or preventing abnormally high heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/365—Heart stimulators controlled by a physiological parameter, e.g. heart potential
    • A61N1/36507—Heart stimulators controlled by a physiological parameter, e.g. heart potential controlled by gradient or slope of the heart potential
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/362—Heart stimulators
    • A61N1/365—Heart stimulators controlled by a physiological parameter, e.g. heart potential
    • A61N1/36592—Heart stimulators controlled by a physiological parameter, e.g. heart potential controlled by the heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
    • A61N1/372—Arrangements in connection with the implantation of stimulators
    • A61N1/375—Constructional arrangements, e.g. casings
    • A61N1/3756—Casings with electrodes thereon, e.g. leadless stimulators
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G16H40/63—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 local 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
    • 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
    • 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
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N1/00—Electrotherapy; Circuits therefor
    • A61N1/18—Applying electric currents by contact electrodes
    • A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
    • A61N1/38—Applying electric currents by contact electrodes alternating or intermittent currents for producing shock effects
    • A61N1/39—Heart defibrillators
    • A61N1/3956—Implantable devices for applying electric shocks to the heart, e.g. for cardioversion
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Description

本開示は、一般に、医療デバイス、より具体的には、医療デバイスによって感知された信号の分析に関する。
医療デバイスは、患者の生理学的信号を監視するために使用することができる。例えば、いくつかの医療デバイスは、電極を介して心臓の電気的活動を示す心臓電位図（ＥＧＭ）信号、例えば心電図（ＥＣＧ）信号を感知するように構成される。一部の医療デバイスは、心臓ＥＧＭと、場合によっては追加のセンサからのデータとに基づいて、エピソードと呼ばれることが多い心不整脈の発生を検出するように構成される。不整脈のタイプの例には、収縮不全、徐脈、心室性頻脈、上室性頻脈、広範囲の複雑な頻脈、心房細動、心房性フラッター、心室細動、房室ブロック、心室性期外収縮、および心房性期外収縮が含まれる。医療デバイスは、エピソードを含む期間中に収集された心臓ＥＧＭおよび他のデータをエピソードデータとして記憶することができる。医療デバイスはまた、例えば患者からの、ユーザ入力に応答して、ある期間のエピソードデータを記憶することができる。
コンピューティングシステムは、医療デバイスからエピソードデータを取得して、臨床医または他のユーザがエピソードをレビューできるようにすることができる。臨床医は、エピソード内の心不整脈の識別された発生に基づいて、患者の病状を診断することができる。いくつかの例では、臨床医または他のレビューアは、エピソードデータをレビューして、医療デバイスによって検出された不整脈が実際に発生したかどうかの決定を含むエピソードに注釈を付けて、エピソードに優先順位を付け、患者のために医療デバイスを処方したかまたは他の方法で特定の患者のケアに責任がある臨床医によるさらなるレビューのためのレポートを生成することができる。
一般に、本開示は、１つ以上の機械学習モデルを使用して、心臓ＥＧＭデータを含むエピソードデータを分類、注釈付け、報告するための技術を説明する。いくつかの例では、処理回路は、１つ以上の不整脈分類機械学習モデルをエピソードデータに適用する。１つ以上の機械学習モデルは、エピソード中の任意の時点においてそれぞれの不整脈タイプ分類が発生した尤度を表すそれぞれの尤度値を出力する。処理回路はまた、期間にわたる分類の様々な尤度を示す各不整脈タイプ分類のクラス活性化データを導出し、期間にわたる様々な尤度のグラフを表示することができる。経時的な尤度の表示されたグラフは、特に基礎となる心臓ＥＧＭと組み合わせて表示されたとき、エピソード中の不整脈検出の理由をユーザが理解するのに役立つ。
いくつかの例では、処理回路は、１つ以上の脱分極検出機械学習モデルをエピソードデータに適用する。１つ以上の脱分極検出機械学習モデルは、エピソード中の様々な時間における脱分極の尤度を表す脱分極尤度値のセットを出力するように構成される。処理回路は、脱分極尤度値と不整脈タイプ分類尤度値の両方を使用して、エピソード中の脱分極を検出するその能力を強化することができる。
一例では、本開示は、医療デバイスシステムの処理回路によって、患者の医療デバイスによって記憶されたエピソードのエピソードデータを受信することを含むコンピュータ実装方法を説明し、エピソードは、ある期間に関連付けられ、エピソードデータは、期間中に医療デバイスによって感知された心臓電位図を含む。この方法は、処理回路によって、１つ以上の機械学習モデルをエピソードデータに適用することをさらに含み、１つ以上の機械学習モデルは、複数の不整脈タイプ分類の各々についてそれぞれの尤度値を出力するように構成され、尤度値の各々は、それぞれの不整脈タイプ分類が期間中の任意の時点において発生した尤度を表す。この方法は、エピソードデータへの１つ以上の機械学習モデルの適用に基づいて、処理回路によって、不整脈タイプ分類の各々について、期間にわたる分類の様々な尤度を示すクラス活性化データを導出することをさらに含む。この方法は、処理回路によって、およびユーザに、期間にわたる不整脈タイプ分類の様々な尤度のグラフを表示することをさらに含む。
別の例では、コンピュータ実装方法は、医療デバイスシステムの処理回路によって、患者の医療デバイスによって記憶されたエピソードのエピソードデータを受信することを含み、エピソードは、ある期間に関連付けられ、エピソードデータは、期間中に医療デバイスによって感知された心臓電位図を含む。この方法は、処理回路によって、１つ以上の不整脈分類機械学習モデルをエピソードデータに適用することをさらに含み、１つ以上の不整脈分類機械学習モデルは、複数の不整脈タイプ分類の各々について、不整脈タイプ尤度値のそれぞれのセットを出力するように構成され、セットの不整脈タイプ尤度値の各々は、それぞれの不整脈タイプ分類が期間中のそれぞれの時間に発生した尤度を表す。この方法は、処理回路によって、１つ以上の脱分極検出機械学習モデルをエピソードデータに適用することをさらに含み、１つ以上の脱分極検出機械学習モデルは、脱分極尤度値のセットを出力するように構成され、セットの脱分極尤度値の各々は、脱分極が期間中のそれぞれの時間に発生した尤度を表す。この方法は、処理回路によって、不整脈タイプ尤度値および脱分極尤度値に基づいて、エピソード中の１つ以上の脱分極を識別することをさらに含む。
この要約は、本開示に記載されている主題の概要を提供することを目的としている。以下の添付の図面および説明の中で詳細に説明されている、装置および方法の排他的または包括的な説明を提供することを意図するものではない。１つ以上のさらなる詳細は、添付の図面および以下の説明に記載されている。
本開示の技法に従って、機械学習モデルを利用して心臓の脱分極および不整脈を検出するように構成された医療デバイスシステムの例を示す概念図。 図１の移植可能医療デバイス（ＩＭＤ）の構成例を示すブロック図。 図１および図２のＩＭＤの構成例を示す概念的な側面図。 図１のコンピューティングシステムの構成例を示す機能ブロック図。 エピソード中の経時的な複数の不整脈分類の各々の尤度の可視化を提供するための動作例を示す流れ図。 エピソード中の経時的な複数の不整脈分類の各々の尤度の可視化を含む、エピソードレビュー画面の例を示す図。 エピソード中の経時的な複数の不整脈分類の各々の尤度の可視化を含む、別の例示的なエピソードレビュー画面を示す図。 不整脈分類尤度と脱分極尤度の両方に基づいてエピソード中の脱分極を識別するための動作例を示す流れ図。 不整脈分類尤度と脱分極尤度の両方に基づいてエピソード中の脱分極を識別するための例示的な技術を示す概念図。
同様の参照文字は、図および説明全体で同様の要素を指す。
様々なタイプの移植可能型および外部医療デバイスが、感知された心臓ＥＧＭと、場合によっては他の生理学的パラメータとに基づいて、不整脈エピソードを検出する。心臓ＥＧＭを非侵襲的に感知および監視するために使用できる外部デバイスには、パッチ、時計、ネックレスなど、患者の皮膚に接触するように構成された電極を備えたウェアラブルデバイスが含まれる。心臓ＥＧＭを感知するように構成されたウェアラブル生理学的モニタの一例は、Ｄｕｂｌｉｎ，ＩｒｅｌａｎｄのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能なＳＥＥＱ（商標）モバイル心臓遠隔測定システムである。そのような外部デバイスは、通常の日常活動中の患者の比較的長期の監視を容易にし、収集されたデータ、例えば、検出された不整脈エピソードのエピソードデータを、Ｍｅｄｔｒｏｎｉｃ Ｃａｒｅｌｉｎｋ（商標）ネットワークなどの遠隔患者監視システムに定期的に送信し得る。
移植可能医療デバイス（ＩＭＤ）も、心臓ＥＧＭを感知および監視し、不整脈エピソードを検出する。心臓ＥＧＭを監視するＩＭＤの例には、血管内または血管外リードに結合できるペースメーカーおよび移植可能除細動器、ならびに、リードレスであり得る、心臓内に移植するように構成されたハウジングを備えたペースメーカーが含まれる。治療を提供しない一部のＩＭＤ、例えば移植可能患者モニタは、心臓ＥＧＭを感知する。そのようなＩＭＤの一例は、Ｍｅｄｔｒｏｎｉｃ ｐｌｃから入手可能なＲｅｖｅａｌ ＬＩＮＱ（商標）挿入可能心臓モニタ（ＩＣＭ）であり、皮下に挿入することができる。そのようなＩＭＤは、通常の日常活動中の患者の比較的長期の監視を容易にし、収集されたデータ、例えば、検出された不整脈エピソードのエピソードデータを、Ｍｅｄｔｒｏｎｉｃ Ｃａｒｅｌｉｎｋ（商標）ネットワークなどの遠隔患者監視システムに定期的に送信し得る。
医療デバイスからエピソードデータをアップロードし、エピソードデータを様々なユーザに配布することにより、そのようなネットワークサービスは、集中型またはクリニックベースの不整脈エピソードのレビュー、注釈、およびレポートをサポートすることができる。エピソードデータは、医療デバイスがエピソード中に検出した１つ以上の不整脈の兆候を含み得る。エピソードデータはまた、医療デバイスが１つ以上の不整脈が発生したと判定した瞬間の前後の時間を含む期間中に医療デバイスによって収集されたデータを含み得る。エピソードデータは、その期間中のデジタル化された心臓ＥＧＭ、その期間中のＥＧＭから導出された心拍数または他のパラメータ、およびその期間中に医療デバイスによって収集された他の生理学的パラメータデータを含み得る。
図１は、本開示の技法に従って、機械学習モデルを利用して心臓の脱分極および不整脈を検出するように構成された医療デバイスシステム２の例を示す概念図である。例示的な技術は、外部デバイス１２と無線通信することができるＩＭＤ１０とともに使用することができる。いくつかの例では、ＩＭＤ１０は、患者４の胸腔の外側に（例えば、図１に示される胸部の皮下に）移植される。ＩＭＤ１０は、患者４の心臓のレベルの近くまたはすぐ下の胸骨の近くに、例えば、少なくとも部分的に心臓のシルエット内に配置することができる。ＩＭＤ１０は、（図１には示されていない）複数の電極を含み、複数の電極を介して心臓ＥＧＭを感知するように構成される。いくつかの例では、ＩＭＤ１０は、ＬＩＮＱ（商標）ＩＣＭの形態をとる。エピソードデータを収集する医療デバイスがＩＣＭの形態をとる例の文脈で主に説明されているが、本開示の技術は、モニタ、ペースメーカー、または除細動器を含む、任意の１つ以上の移植可能型または外部医療デバイスを含むシステムに実装され得る。
外部デバイス１２は、ＩＭＤ１０との無線通信用に構成されたコンピューティングデバイスである。外部デバイス１２は、ネットワーク２５を介してコンピューティングシステム２４と通信するように構成され得る。いくつかの例では、外部デバイス１２は、ユーザインターフェースを提供し、ユーザがＩＭＤ１０と対話することを可能にし得る。コンピューティングシステム２４は、ユーザがネットワーク２５を介してＩＭＤ１０またはＩＭＤから収集されたデータと対話することを可能にするように構成されたコンピューティングデバイスを含み得る。
外部デバイス１２は、ＩＭＤ１０からデータを検索するために使用され得、ネットワーク２５を介してデータをコンピューティングシステム２４に送信し得る。検索されたデータは、ＩＭＤ１０によって測定された生理学的パラメータの値、ＩＭＤ１０によって検出された不整脈または他の病気のエピソードの徴候、エピソードのために収集されたエピソードデータ、およびＩＭＤ１０によって記録された他の生理学的信号を含み得る。エピソードデータは、例えば、ＩＭＤ１０がセグメント中に不整脈もしくは別の病気のエピソードが発生したと判定するために、または患者４もしくは別のユーザからのセグメントを記録するようにとの要求に応答して、ＩＭＤ１０によって記録されたＥＧＭセグメントを含み得る。
いくつかの例では、コンピューティングシステム２４は、１つ以上のハンドヘルドコンピューティングデバイス、コンピュータワークステーション、サーバ、または他のネットワーク化されたコンピューティングデバイスを含む。いくつかの例では、コンピューティングシステム２４は、監視システム４５０を実装する、処理回路および記憶デバイスを含む１つ以上のデバイスを含み得る。コンピューティングシステム２４、ネットワーク２５、および監視システム４５０は、いくつかの例では、Ｍｅｄｔｒｏｎｉｃ Ｃａｒｅｌｉｎｋ（商標）ネットワークまたは他の患者監視システムによって実装され得る。
ネットワーク２５は、１つ以上の非エッジスイッチ、ルータ、ハブ、ゲートウェイ、ファイアウォール、侵入検知、および／または侵入防止デバイスなどのセキュリティデバイス、サーバ、コンピュータ端末、ラップトップ、プリンタ、データベース、携帯電話や携帯情報端末などのワイヤレスモバイルデバイス、ワイヤレスアクセスポイント、ブリッジ、ケーブルモデム、アプリケーションアクセラレータ、または他のネットワークデバイスなどの１つ以上のコンピューティングデバイス（図示せず）を含み得る。ネットワーク２５は、サービスプロバイダによって管理される１つ以上のネットワークを含み得、したがって、インターネットなどの大規模なパブリックネットワークインフラストラクチャの一部を形成し得る。ネットワーク２５は、コンピューティングデバイス２４およびＩＭＤ１０などのコンピューティングデバイスにインターネットへのアクセスを提供し得、コンピューティングデバイスが互いに通信することを可能にする通信フレームワークを提供し得る。いくつかの例では、ネットワーク２５は、コンピューティングシステム２４、ＩＭＤ１０、および／または外部デバイス１２が互いに通信することを可能にするが、セキュリティ目的のためコンピューティングシステム２４、ＩＭＤ１０、または外部デバイス１２のうちの１つ以上をネットワーク２５の外部のデバイスから分離する通信フレームワークを提供する、プライベートネットワークであり得る。いくつかの例では、コンピューティングシステム２４、ＩＭＤ１０、および外部デバイス１２の間の通信は暗号化される。
例えば、コンピューティングシステム２４の処理回路によって実装される監視システム４５０は、機械学習モデルをエピソードデータに適用して心臓の脱分極および不整脈を検出することを含む、本開示の技術を実装することができる。監視システム４５０は、不整脈および／またはユーザ入力の検出に応答してエピソードデータを記憶し得るＩＭＤ１０を含む医療デバイスから、エピソードのエピソードデータを受信することができる。１つ以上の不整脈分類機械学習モデルの適用に基づいて、監視システム４５０は、いくつかの例では、エピソードデータを記憶した医療デバイスによって識別された不整脈を含む、１つ以上のタイプの１つ以上の不整脈がエピソード中に発生した尤度を判定することができる。
監視システム４５０はまた、エピソードの期間にわたる様々な不整脈タイプ分類の尤度を示す活性化データを導出およびプロットし、１つ以上の脱分極検出機械学習モデルをエピソードデータに適用して、エピソード中の脱分極、例えば、Ｒ波またはＱＲＳ群の発生を識別する。監視システム４５０は、例えば、連携して、不整脈タイプ分類、不整脈タイプ分類尤度プロット、識別された脱分極の時間を示すマーカー、およびエピソードの心臓ＥＧＭのうちの１つ以上を表示することができ、これにより、ユーザが監視システム４５０によるエピソードデータ分類をレビューおよび理解することが容易になり得る。本技術は、監視システム４５０によって、したがってコンピューティングシステム２４の処理回路によって実行されるものとして本明細書に記載されているが、本技術は、コンピューティングシステム２４、外部デバイス１２、またはＩＭＤ１０など、医療デバイスシステムの任意の１つ以上のデバイスまたはシステムの処理回路によって実行され得る。機械学習モデルには、例として、ニューラルネットワーク、深層学習モデル、畳み込みニューラルネットワーク、または他のタイプの予測分析システムが含まれる場合がある。
図２は、図１のＩＭＤ１０の構成例を示すブロック図である。図２に示されるように、ＩＭＤ１０は、処理回路５０、感知回路５２、通信回路５４、メモリ５６、センサ５８、スイッチング回路６０、および電極１６Ａ、１６Ｂ（以下、「電極１６」）を含み、これらのうちの１つ以上はＩＭＤ１０のハウジング上に配置される。いくつかの例では、メモリ５６は、処理回路５０によって実行されたとき、ＩＭＤ１０および処理回路５０に、本明細書でＩＭＤ１０および処理回路５０に帰属する様々な機能を実行させるコンピュータ可読命令を含む。メモリ５６は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、不揮発性ＲＡＭ（ＮＶＲＡＭ）、電気的消去可能なプログラム可能ＲＯＭ（ＥＥＰＲＯＭ）、フラッシュメモリ、または任意の他のデジタル媒体など、任意の揮発性、不揮発性、磁気的、光学的、または電気的媒体を含んでもよい。
処理回路５０は、固定機能回路および／またはプログラム可能な処理回路を含み得る。処理回路５０は、マイクロプロセッサ、コントローラ、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、または同等の個別またはアナログ論理回路のうちのいずれか１つ以上を含み得る。いくつかの例では、処理回路５０は、１つ以上のマイクロプロセッサ、１つ以上のコントローラ、１つ以上のＤＳＰ、１つ以上のＡＳＩＣ、または１つ以上のＦＰＧＡのいずれかの組み合わせなどの複数の構成要素、ならびに他の個別または集積論理回路を含み得る。本明細書の処理回路５０に帰属する機能は、ソフトウェア、ファームウェア、ハードウェア、またはそれらのいずれかの組み合わせとして具体化することができる。
感知回路５２は、処理回路５０によって制御されるように、スイッチング回路６０を介して電極１６Ａ、１６Ｂに選択的に結合され得る。感知回路５２は、図１の患者４の心臓の電気的活動を監視し、患者４の心臓ＥＧＭデータを生成するために、電極１６Ａ、１６Ｂからの信号を監視することができる。いくつかの例では、処理回路５０は、感知された心臓ＥＧＭの特徴を識別して、患者４の心不整脈のエピソードを検出することができる。処理回路５０は、デジタル化された心臓ＥＧＭと、不整脈エピソードを検出するために使用されるＥＧＭの特徴とを、検出された不整脈エピソードのエピソードデータとしてメモリ５６に記憶することができる。いくつかの例では、処理回路５０は、外部デバイス１２からの命令に応答して（例えば、患者４が、不整脈の１つ以上の症状を経験し、外部デバイス１２へのコマンドを入力して、監視センターまたは臨床医による分析のためにデータをアップロードするようにＩＭＤ１０に命令したとき）、心臓ＥＧＭデータの１つ以上のセグメント、心臓ＥＧＭデータから導出された特徴、および他のエピソードデータを記憶する。
いくつかの例では、処理回路５０は、通信回路５４を介して、患者４のエピソードデータを、図１の外部デバイス１２などの外部デバイスに送信する。例えば、ＩＭＤ１０は、デジタル化された心臓ＥＧＭおよび他のエピソードデータを、図１の監視システム４５０による処理のためにネットワーク２５に送信する。
感知回路５２および／または処理回路５０は、心臓ＥＧＭ振幅が感知閾値を超えたときに、心臓の脱分極（例えば、心房脱分極のＰ波または心室脱分極のＲ波）を検出するように構成され得る。心臓脱分極検出のために、感知回路５２は、いくつかの例では、整流器、フィルタ、増幅器、比較器、および／またはアナログ－デジタル変換器を含み得る。いくつかの例では、感知回路５２は、心臓の脱分極の感知に応答して、処理回路５０に指示を出力することができる。このようにして、処理回路５０は、それぞれの心腔における検出されたＲ波およびＰ波の発生に対応する検出された心臓脱分極インジケータを受信することができる。処理回路５０は、検出されたＲ波およびＰ波のインジケーションを使用して、脱分極間間隔、心拍数を含む心臓ＥＧＭの特徴を判定し、頻脈性不整脈および心静止などの不整脈を検出することができる。感知回路５２はまた、分析のために、例えば、心臓リズム弁別において使用するために、ならびに／あるいはＱＲＳ振幅および／もしくは幅などの心臓ＥＧＭの特徴、または他の形態学的特徴を識別および描写するために、処理回路５０に１つ以上のデジタル化された心臓ＥＧＭ信号を提供し得る。
いくつかの例では、ＩＭＤ１０は、１つ以上の加速度計、マイクロフォン、光学センサ、および／または圧力センサなどの１つ以上のセンサ５８を含む。いくつかの例では、感知回路５２は、電極１６Ａ、１６Ｂおよび／または他のセンサ５８のうちの１つ以上から受信された信号をフィルタリングおよび増幅するための１つ以上のフィルタおよび増幅器を含み得る。いくつかの例では、感知回路５２および／または処理回路５０は、整流器、フィルタおよび／または増幅器、感知増幅器、比較器、および／またはアナログ－デジタル変換器を含み得る。処理回路５０は、不整脈エピソードを識別するために使用され、かつメモリ５６にエピソードデータとして記憶され得るセンサ５８からの信号に基づいて、患者４の生理学的パラメータの値を判定することができる。
通信回路５４は、外部デバイス１２などの別のデバイスと通信するための任意の好適なハードウェア、ファームウェア、ソフトウェア、またはそれらの任意の組み合わせを含むことができる。処理回路５０の制御下で、通信回路５４は、内部または外部アンテナ、例えばアンテナ２６の助けを借りて、外部デバイス１２または別のデバイスからダウンリンクテレメトリを受信し、ならびにそれらにアップリンクテレメトリを送信することができる。いくつかの例では、処理回路５０は、外部デバイス（例えば、外部デバイス１２）およびコンピュータネットワーク、例えば、Ｄｕｂｌｉｎ，ＩｒｅｌａｎｄのＭｅｄｔｒｏｎｉｃ、ｐｌｃによって開発されたＭｅｄｔｒｏｎｉｃ ＣａｒｅＬｉｎｋ（登録商標）ネットワークを介して、ネットワーク化されたコンピューティングデバイスと通信することができる。
例示的なＩＭＤ１０の文脈で本明細書に記載されているが、本明細書に開示された心不整脈の検出のための技法は、他のタイプのデバイスとともに使用されてもよい。例えば、本技法は、心臓血管系の外側の電極に結合された心臓外除細動器、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃ ＰＬＣから市販されているＭｉｃｒａ（商標）経カテーテルペーシングシステムなどの心臓内に移植されるように構成された経カテーテルペースメーカー、Ｍｅｄｔｒｏｎｉｃ ＰＬＣから同様に市販されているＲｅｖｅａｌ ＬＩＮＱ（商標）ＩＣＭなどの挿入可能な心臓モニタ、神経刺激装置、薬物送達デバイス、患者４の外部の医療デバイス、ウェアラブル除細動器、フィットネストラッカ、もしくは他のウェアラブルデバイスなどのウェアラブルデバイス、携帯電話、「スマート」フォン、ラップトップ、タブレットコンピュータ、携帯情報端末（ＰＤＡ）などのモバイルデバイス、または「スマート」グラス、「スマート」パッチ、もしくは「スマート」ウォッチなどの「スマート」アパレルで実装されてもよい。
図３は、ＩＭＤ１０の構成例を示す概念的な側面図である。図３に示される例では、ＩＭＤ１０は、ハウジング１４および絶縁カバー７４を有する、リードレスの皮下に移植可能な監視デバイスを含み得る。電極１６Ａおよび電極１６Ｂは、カバー７４の外面上に形成または配置され得る。図２に関して上記で説明された回路５０～５６および６０は、カバー７４の内面上に、またはハウジング１４内に形成または配置され得る。図示の例では、アンテナ２６は、カバー７４の内面上に形成または配置されているが、いくつかの例では、外面上に形成または配置され得る。センサ５８はまた、いくつかの例では、カバー７４の内面または外面上に形成または配置され得る。いくつかの例では、絶縁カバー７４は、ハウジング１４およびカバー７４がアンテナ２６、センサ５８、ならびに回路５０～５６および６０を囲み、アンテナおよび回路を体液などの流体から保護するように、開放ハウジング１４上に配置され得る。
アンテナ２６、センサ５８、または回路５０～５６のうちの１つ以上は、フリップチップ技術を使用することなどによって、絶縁カバー７４上に形成され得る。絶縁カバー７４は、ハウジング１４上に裏返すことができる。裏返してハウジング１４上に配置すると、絶縁カバー７４の内側上に形成されたＩＭＤ１０の構成要素は、ハウジング１４によって規定されるギャップ７６内に配置され得る。電極１６は、絶縁カバー７４を介して形成された１つ以上のビア（図示せず）を介してスイッチング回路６０に電気的に接続することができる。絶縁カバー７４は、サファイア（すなわち、コランダム）、ガラス、パリレン、および／または他の任意の好適な絶縁材料で形成することができる。ハウジング１４は、チタンまたは他の任意の適切な材料（例えば、生体適合性材料）から形成することができる。電極１６は、ステンレス鋼、チタン、白金、イリジウム、またはそれらの合金のいずれかから形成することができる。加えて、電極１６は、窒化チタンまたはフラクタル窒化チタンなどの材料でコーティングすることができるが、そのような電極に他の好適な材料およびコーティングを使用することができる。
図４は、コンピューティングシステム２４の構成例を示すブロック図である。図示の例では、コンピューティングシステム２４は、監視システム４５０または本明細書に記載の他の任意のアプリケーションを含むアプリケーション４２４を実行するための処理回路４０２を含む。コンピューティングシステム２４は、ソフトウェア命令を実行するための処理回路または他の好適なコンピューティング環境を含む任意の構成要素またはシステムであってもよく、例えば、図４に示される１つ以上の要素を必ずしも含む必要はなくてもよい（例えば、入力デバイス４０４、通信回路４０６、ユーザインターフェースデバイス４１０、または出力デバイス４１２、および、記憶デバイス４０８などのいくつかの例示的な構成要素では、他の構成要素と同じシャーシ内と同位置に、または同じシャーシ内になくてもよい）。いくつかの例では、コンピューティングデバイス２４は、複数のデバイスに分散されたクラウドコンピューティングシステムであり得る。
図４の例では、コンピューティングデバイス２４は、処理回路４０２、１つ以上の入力デバイス４０４、通信回路４０６、１つ以上の記憶デバイス４０８、ユーザインターフェース（ＵＩ）デバイス４１０、および１つ以上の出力デバイス４１２を含む。コンピューティングシステム２４は、いくつかの例では、コンピューティングシステム２４によって実行可能である監視システム４５０、およびオペレーティングシステム４１６などの１つ以上のアプリケーション４２４をさらに含む。構成要素４０２、４０４、４０６、４０８、４１０、および４１２の各々は、構成要素間通信のために（物理的に、通信可能に、および／または動作可能に）結合される。いくつかの例では、通信チャネル４１４は、システムバス、ネットワーク接続、プロセス間通信データ構造、またはデータを通信するためのいずれかの他の方法を含み得る。一例として、構成要素４０２、４０４、４０６、４０８、４１０、および４１２は、１つ以上の通信チャネル４１４によって結合され得る。
処理回路４０２は、一例では、コンピューティングデバイス２４内で実行するための機能および／または処理命令を実装するように構成される。例えば、処理回路４０２は、記憶デバイス４０８に記憶された命令を処理することが可能であり得る。処理回路４０２の例には、マイクロプロセッサ、コントローラ、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、または同等の個別または集積論理回路のうちのいずれか１つ以上が含まれ得る。
１つ以上の記憶デバイス４０８は、動作中にコンピューティングデバイス４００内に情報を記憶するように構成され得る。いくつかの例では、記憶デバイス４０８は、コンピュータ可読記憶媒体として説明されている。いくつかの例では、記憶デバイス４０８は一時メモリであり、これは、記憶デバイス４０８の主な目的が長期記憶ではないことを意味する。いくつかの例では、記憶デバイス４０８は、揮発性メモリとして説明され、これは、コンピュータがオフにされたときに、記憶デバイス４０８が記憶された内容を維持しないことを意味する。揮発性メモリの例には、ランダムアクセスメモリ（ＲＡＭ）、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、および当技術分野で知られている他の形態の揮発性メモリが含まれる。いくつかの例では、記憶デバイス４０８を使用して、処理回路４０２によって実行するためのプログラム命令を記憶する。記憶デバイス４０８は、一例では、プログラム実行中に情報を一時的に記憶するために、コンピューティングデバイス２４上で実行されるソフトウェアまたはアプリケーション４２４によって使用される。
いくつかの例では、記憶デバイス４０８はまた、１つ以上のコンピュータ可読記憶媒体を含む。記憶デバイス４０８は、揮発性メモリよりも大量の情報を記憶するように構成され得る。記憶デバイス４０８は、情報の長期記憶のためにさらに構成され得る。いくつかの例では、記憶デバイス４０８は、不揮発性記憶要素を含む。そのような不揮発性記憶要素の例には、磁気ハードディスク、光ディスク、フロッピーディスク、フラッシュメモリ、または電気的プログラム可能メモリ（ＥＰＲＯＭ）もしくは電気的消去可能なプログラム可能（ＥＥＰＲＯＭ）メモリの形態が含まれる。
コンピューティングシステム２４は、いくつかの例では、図１のＩＭＤ１０および外部デバイス１２などの他のデバイスおよびシステムと通信するための通信回路４０６も含む。通信回路４０６は、イーサネットカード、光トランシーバ、無線周波数トランシーバ、または情報を送受信することができるいずれかの他のタイプのデバイスなどのネットワークインターフェースカードを含み得る。そのようなネットワークインターフェースの他の例には、３ＧおよびＷｉＦｉ無線が含まれ得る。
コンピューティングシステム２４は、一例では、１つ以上のユーザインターフェースデバイス４１０も含む。ユーザインターフェースデバイス４１０は、いくつかの例では、触覚、音声、または映像フィードバックを通して、ユーザからの入力を受信するように構成される。ユーザインターフェースデバイス４１０の例には、プレゼンスセンシティブディスプレイ、マウス、キーボード、音声応答システム、ビデオカメラ、マイクロフォン、またはユーザからのコマンドを検出するためのいずれかの他のタイプのデバイスが含まれる。いくつかの例では、プレゼンスセンシティブディスプレイはタッチスクリーンを含む。
１つ以上の出力デバイス４１２もまた、コンピューティングデバイス２４に含まれ得る。出力デバイス４１２は、いくつかの例では、触覚、音声、または映像刺激を使用してユーザに出力を提供するように構成される。出力デバイス４１２は、一例では、プレゼンスセンシティブディスプレイ、サウンドカード、ビデオグラフィックアダプタカード、または信号を人間もしくは機械が理解できる適切な形式に変換するためのいずれかの他のタイプのデバイスを含む。出力デバイス４１２の追加の例には、スピーカ、ブラウン管（ＣＲＴ）モニタ、液晶ディスプレイ（ＬＣＤ）、またはユーザに理解可能な出力を生成することができるいずれかの他のタイプのデバイスが含まれる。
コンピューティングシステム２４は、オペレーティングシステム４１６を含み得る。オペレーティングシステム４１６は、いくつかの例では、コンピューティングデバイス２４の構成要素の動作を制御する。例えば、オペレーティングシステム４１６は、一例では、処理回路４０２、通信回路４０６、記憶デバイス４０８、入力デバイス４０４、ユーザインターフェースデバイス４１０、および出力デバイス４１２との、１つ以上のアプリケーション４２４および監視システム４５０の通信を容易にする。
アプリケーション４２４はまた、コンピューティングデバイス４００によって実行可能であるプログラム命令および／またはデータを含み得る。コンピューティングデバイス４００によって実行可能な例示的なアプリケーション４２４は、監視システム４５０を含み得る。示されていない他の追加のアプリケーションは、本明細書に記載された他の機能を提供するために代替的にまたは追加的に含まれ得るが、簡素化にするために図示されていない。
本開示の技法によれば、コンピューティングシステム２４は、通信回路４０６を介して、ＩＭＤ１０などの医療デバイスによって記憶されたエピソードのエピソードデータを受信する。記憶デバイス４０８は、エピソードのエピソードデータを記憶デバイス４０８に記憶することができる。エピソードデータは、不整脈を検出する医療デバイスおよび／またはエピソードデータの記憶を指示するユーザ入力に応答して、医療デバイスによって収集された可能性がある。
処理回路４０２によって実装される監視システム４５０は、エピソードをレビューおよび注釈付けし、臨床医または他のレビューアによるレビューのために、注釈に続いてエピソードのレポートまたは他の提示を生成することができる。監視システム４５０は、入力デバイス４０４、出力デバイス４１２、および／または通信回路４０６を利用して、エピソードデータ、不整脈タイプ分類、プロット、識別された脱分極、および本明細書に記載の他の情報をユーザに表示し、エピソードデータに関する注釈または他の入力をユーザから受信することができる。
エピソードをレビューおよび注釈付けするために、監視システム４５０は、選択された１つ以上の機械学習モデルへの入力としてエピソードデータを適用することができる。図４に示される例では、監視システム４５０は、エピソードデータを１つ以上の不整脈分類機械学習モデル４５２および／または１つ以上の脱分極検出モデル４５４に適用することができる。機械学習モデル４５２および４５４は、例として、畳み込みニューラルネットワーク、多層パーセプトロン、および／またはエコー状態ネットワークを例として含み得る、深層ニューラルネットワークなどのニューラルネットワークを含み得る。
不整脈分類機械学習モデル４５２は、複数の不整脈タイプ分類の各々について、そのタイプの不整脈がエピソード中の任意の時点において発生した尤度を示す値を出力するように構成され得る。監視システム４５０は、構成可能な閾値（例えば、５０％、７５％、９０％、９５％、９９％）を尤度値に適用して、例えば、その分類が閾値を満たすかまたは超える尤度に基づいて、１つ以上の不整脈タイプを含むものとしてエピソードに注釈付けすることができる。
いくつかの例では、不整脈分類機械学習モデル４５２は、記述的メタデータでラベル付けされた複数の患者の心臓ＥＧＭまたは他のエピソードデータを含むトレーニングデータでトレーニングされる。例えば、トレーニング段階の間、監視システム４５０は、複数の心臓ＥＧＭ波形を処理する。典型的には、複数の心臓ＥＧＭ波形は、複数の異なる患者からのものであるが、単一の患者からのものであり得る。各心臓ＥＧＭ波形は、１つ以上のタイプの不整脈の１つ以上のエピソードでラベル付けされる。
例えば、トレーニング心臓ＥＧＭ波形は、複数のセグメントを含み得、各セグメントは、特定の分類（例えば、徐脈、休止、頻脈、心房細動、心房フラッター、房室ブロック、または心室細動）の不整脈の不在または不整脈の存在を指定する記述子でラベル付けされる。いくつかの例では、臨床医は、各心臓ＥＧＭ波形内で不整脈の存在を手でラベル付けする。いくつかの例では、各心臓ＥＧＭ波形における不整脈の存在は、例えば、心臓ＥＧＭから導出された速度、間隔、および形態学的特徴に基づいて不整脈を識別するためにＩＭＤ１０によって使用される技術と同様である、心臓ＥＧＭ特徴描写アルゴリズムによる分類に従ってラベル付けされる。
監視システム４５０は、トレーニングデータをベクトルおよび多次元配列に変換するように動作することができ、その上で、監視システム４５０は、線形代数、非線形、または代替の計算演算などの数学的演算を適用することができる。監視システム４５０は、トレーニングデータを使用して、１つ以上の不整脈分類機械学習モデル４５２に、心臓ＥＧＭデータに示される異なる特徴を比較検討するように教える。いくつかの例では、監視システム４５０は、心臓ＥＧＭデータを使用して、特定の分類の心不整脈の発生に関して多かれ少なかれ重要性を有するものとして心臓ＥＧＭの１つ以上の特徴を表す異なる係数を適用するように機械学習モデルに教える。不整脈のエピソードでラベル付けされた多数のそのような波形を処理することによって、監視システム４５０は、１つ以上の不整脈分類機械学習モデル４５２を構築およびトレーニングして、監視システム４５０が以前に分析していない図１の患者４などの患者からの心臓ＥＧＭデータを受信し、そのような心臓ＥＧＭデータを処理して、患者の様々な分類の不整脈タイプの有無を高い精度で検出することができる。典型的には、１つ以上の不整脈分類機械学習モデル４５２がトレーニングされる心臓ＥＧＭデータの量が多いほど、新しい心臓ＥＧＭデータにおいて心不整脈を検出または分類する際の機械学習モデルの精度が高くなる。
監視システム４５０が１つ以上の不整脈分類機械学習モデル４５２をトレーニングした後、監視システム４５０は、患者４などの特定の患者の心臓電位図ＥＧＭデータなどのエピソードデータを受信することができる。監視システム４５０は、１つ以上のトレーニングされた不整脈分類機械学習モデル４５２をエピソードデータに適用して、１つ以上の不整脈タイプがエピソード中の任意の時点において発生したかどうかを判定する。
いくつかの例では、監視システム４５０は、生の心臓ＥＧＭデータ自体の代わりに、またはそれに加えて、心臓ＥＧＭデータの１つ以上の特徴を処理することができる。１つ以上の特徴は、ＩＭＤ１０および／または監視システム４５０によって実行される特徴描写を介して取得することができる。特徴は、例えば、心拍数、脱分極間間隔、心臓ＥＧＭの特徴間の他の間隔、ＱＲＳ波の１つ以上の振幅、幅もしくは形態学的特徴、または心臓ＥＧＭの他の特徴、これらの特徴のいずれかの変動性、Ｔ波オルタナンス、あるいは本明細書に明示的に記載されていない他のタイプの心臓特徴のいずれかのうちの１つ以上を含み得る。そのような例示的な実装形態では、監視システム４５０は、上記のように不整脈のエピソードでラベル付けされた複数の心臓ＥＧＭ波形の代わりに、またはそれに加えて、不整脈のエピソードでラベル付けされた複数のトレーニング心臓特徴を介して１つ以上の不整脈分類機械学習モデル４５２をトレーニングすることができる。
さらなる例では、監視システム４５０は、心臓ＥＧＭデータから、心臓ＥＧＭデータの中間表現を生成することができる。例えば、監視システム４５０は、信号処理、ダウンサンプリング、正規化、信号分解、ウェーブレット分解、フィルタリング、ノイズリダクション、またはニューラルネットワークベースの特徴表現操作のうちの１つ以上を心臓電位図データに適用して、心臓電位図データの中間表現を生成することができる。監視システム４５０は、心臓ＥＧＭデータのそのような中間表現を処理して、患者４の様々なタイプの不整脈を検出および分類することができる。さらに、監視システム４５０は、上記のように不整脈のエピソードでラベル付けされた複数の生の心臓ＥＧＭ波形の代わりに、不整脈のエピソードでラベル付けされた複数のトレーニング中間表現を介して１つ以上の不整脈分類機械学習モデル４５２をトレーニングすることができる。心臓ＥＧＭデータのそのような中間表現の使用は、監視システム４５０による、より軽量で、計算がより複雑でない不整脈分類機械学習モデル４５２のトレーニングおよび開発を可能にし得る。さらに、心臓電位図データのそのような中間表現の使用は、機械学習モデルをトレーニングするための生の心臓ＥＧＭデータの使用とは対照的に、正確な機械学習モデルを構築するためにより少ない反復およびより少ないトレーニングデータを必要とし得る。
いくつかの例では、１つ以上の不整脈分類機械学習モデル４５２へのエピソードデータの適用に基づいて、監視システム４５０は、不整脈タイプ分類の各々について、エピソードの波形の期間にわたる分類の様々な尤度を示すクラス活性化データを導出することができる。所与の不整脈タイプについて、異なる時間におけるそのような尤度値の振幅は、その時間に不整脈が発生している確率に対応し、より高い値はより高い確率に対応する。
クラス活性化マッピングは、１つ以上の不整脈分類機械学習モデル４５２によって時系列に特定の分類が与えられる理由を構成する、例えば心臓ＥＧＭデータの、入力時系列の領域を識別することを可能にし得る。所与の分類のクラス活性化マップは、（例えば、入力時系列のサンプリング周波数での各タイムスタンプにおける）各要素が、ニューラルネットワークまたは他の機械学習モデルの中間層の出力から導出された加重和または他の値である、単変量時系列である可能性がある。中間層は、各分類の出力層ニューロンの前のグローバル平均プーリング層および／または最後の層である可能性がある。
監視システム４５０は、例えば、出力デバイス４１２を介して、および／または通信回路４０６を介した別のデバイスとの通信を介して、エピソードの期間にわたる活性化データのグラフを表示することができる。いくつかの例では、監視システム４５０は、入力心臓ＥＧＭと連携して、例えば、入力心臓ＥＧＭと同じ画面上でおよび同時に、クラス活性化データを表示することができる。１つ以上の不整脈分類機械学習モデル４５２は、エピソード全体の間に異なる不整脈タイプ分類が発生する尤度を示す出力を提供するように構成され得るが、クラス活性化データは、監視システム４５０および／またはユーザが、１つ以上のタイプの１つ以上の不整脈が発生した尤度が高いエピソード中の時間および心臓ＥＧＭ中のポイントを識別することを可能にし得る。
ＩＭＤ１０によって記憶されたエピソードデータの後処理は、心臓ＥＧＭデータ内の脱分極、例えば、Ｒ波および／またはＱＲＳ群の発生を識別することを含み得る。後処理中の脱分極の識別は、エピソードの検出およびエピソードデータの記憶中のＩＭＤ１０によるものとは異なる場合があり、ＩＭＤ１０によるエピソードの起こり得る誤分類の証拠を提供する。識別された脱分極の発生のマーカーによる心臓ＥＧＭデータの注釈もまた、ユーザおよび／または監視システム４５０によるエピソードデータのレビューを容易にし得る。脱分極を検出するための特徴描写技術は、心臓ＥＧＭデータのフィルタリング、（例えば、整流された電力信号を使用する）特徴抽出、ピーク検出、および難治性分析または他のさらなる処理を含み得る。そのような機能の描写には、機能エンジニアリングおよび検出ルールの開発が必要になる場合がある。
本開示の例示的な技術によれば、監視システム４５０は、１つ以上の脱分極検出機械学習モデル４５４をエピソードデータ、例えば、心臓ＥＧＭデータに適用することができる。脱分極検出機械学習モデル４５４は、脱分極尤度値のセットを出力するように構成され得、セットの脱分極尤度値の各々は、脱分極が期間中のそれぞれの時間に発生した尤度を表す。脱分極尤度のセットは、経時的な確率として表すことができ、例えば、ＱＲＳ群が検出された場合はｐ（ＱＲＳ（ｔ））である。
監視システム４５０は、不整脈分類機械学習モデル４５２のトレーニングに関して上記と同様の方法で、心臓ＥＧＭデータのトレーニングセットを使用して、１つ以上の脱分極検出機械学習モデル４５４をトレーニングすることができる。心臓ＥＧＭデータのトレーニングセットは、例えば、ユーザおよび／または特徴描写アルゴリズムによって注釈付けされ、心臓ＥＧＭデータのどの部分が脱分極であるかを示す。例えば、患者４のＩＭＤ１０によって記憶されたエピソードデータからの、新しい心臓ＥＧＭデータが提示されたとき、監視システム４５０は、１つ以上の脱分極検出機械学習モデル４５４によって出力された脱分極尤度値に基づいて、心臓ＥＧＭにおける１つ以上の脱分極を識別し得る。例えば、監視システム４５０は、脱分極尤度値を、構成可能なおよび／または適応的な閾値と比較し、脱分極尤度値が閾値を満たすかまたは超えるときに脱分極を識別することができる。いくつかの例では、監視システム４５０は、尤度閾値に基づいて識別された脱分極発生時間をさらに後処理することができる。例えば、監視システム４５０は、識別された時間を、心臓ＥＧＭ波形内で識別されたＲ波ピークと整合させることができる。別の例として、監視システム４５０は、例えば、別の候補時間から閾値時間間隔以下の時間を排除するために、識別された脱分極時間に難治性処理を適用することができる。
場合によっては、例えば、脱分極注釈を有するトレーニングデータのより小さいセット、ならびに／または脱分極の形態および速度を変化させる可能性がある頻脈、休止、および心房細動などの不整脈の発生のために、監視システム４５０および１つ以上の１つ以上の脱分極検出機械学習モデル４５４が、心臓ＥＧＭデータ内の特定の脱分極を高い尤度で検出することが困難な場合がある。脱分極を識別する監視システム４５０の能力を高めるために、監視システム４５０は、経時的な脱分極尤度値と不整脈タイプ尤度値の両方、例えば、活性化データに基づいて脱分極を識別することができる。例えば、不整脈タイプ尤度値は、心臓ＥＧＭデータにおいてある時間において心房頻脈の比較的高い確率を示し、監視システム４５０は、脱分極尤度値の効果的な増加、または脱分極検出閾値の減少をもたらす１つ以上のアクションをとることができ、脱分極検出閾値に対して、その時点において脱分極尤度値が比較される。そのようなアクションは、不整脈または特定の不整脈タイプの尤度に対して脱分極の尤度の効果的な調整をもたらす可能性がある。例えば、不整脈分類機械学習モデル４５２が、エピソード中に、例えば１秒の間隔で不整脈タイプ分類Ｘの確率ｐ１（Ｘ（ｔ））を提供し、脱分極検出機械学習モデル４５４が、確率ｐ２（ＱＲＳ（ｔ））を提供する場合、不整脈尤度を考慮したときのＱＲＳの確率は、ｐ３（ＱＲＳ（ｔ）｜ｐ１＆ｐ２）として表すことができる。
図５は、エピソード中の経時的な複数の不整脈分類の各々の尤度の可視化を提供するための動作例を示す流れ図である。説明を明確にするために、図５～９に示される動作および技法は、監視システム４５０によって、したがって、コンピューティングシステム２４の処理回路４０２によって実行されるものとして説明されている。それにもかかわらず、これらの動作および技術、ならびに本明細書に記載される他の任意のものは、ＩＭＤ１０、外部デバイス１２、およびコンピューティングデバイス２４など、医療デバイスシステム２の任意の１つ以上のデバイスの処理回路によって実行され得る。
図５に示される例によれば、監視システム４５０は、エピソードについてＩＭＤ１０によって記録されたエピソードデータを受信する（５００）。エピソードは、ある期間に関連付けられており、エピソードデータは、その期間中にＩＭＤ１０によって感知された心臓ＥＧＭを含む。エピソードデータは、期間中にＩＭＤ１０によって感知された他の信号、または心臓ＥＧＭもしくは他の信号から導出されたデータを含み得る。
監視システム４５０は、１つ以上の不整脈分類機械学習モデル４５２をエピソードデータ、例えば、心臓ＥＧＭデータに適用する（５０２）。１つ以上の不整脈分類機械学習モデル４５２は、複数の不整脈タイプ分類の各々についてそれぞれの尤度値を出力し、尤度値の各々は、それぞれの不整脈タイプ分類が期間中の任意の時点において発生した尤度を表す。エピソードデータへの１つ以上の不整脈分類機械学習モデル４５２の適用に基づいて、監視システム４５０はまた、各不整脈タイプ分類について、期間にわたる分類の様々な尤度を示すクラス活性化データを導出する（５０６）。本明細書で説明するように、監視システム４５０は、分類層の前の最終層および／またはグローバル平均プーリング層など、機械学習モデル４５２の中間層の出力から活性化データを導出することができる。
監視システム４５０は、経時的な様々な不整脈タイプ分類の活性化データをプロットし（５０６）、活性化データプロットのグラフをユーザに表示する（５０８）。いくつかの例では、監視システム４５０は、エピソードの心臓ＥＧＭと併せてプロットを表示し、これにより、ユーザは、特定の不整脈タイプの比較的高い尤度の時間を、比較的高い尤度を引き起こす心臓ＥＧＭの部分と相関させることができる。いくつかの例では、監視システム４５０は、少なくとも１つの不整脈タイプ分類のプロットの他の時間に対して、不整脈タイプ分類のうちの少なくとも１つの尤度がより高い時間を示すことができ、例えば、注釈付けまたは強調することができる。いくつかの例では、監視システム４５０が、１つ以上の不整脈検出機械学習モデル４５２の出力に基づいて、特定のタイプの不整脈がエピソード中のある不特定の時点で発生したことを示すとき、監視システム４５０は、活性化データのプロット上でその不整脈タイプ分類のより比較的高い尤度の時間をさらに示すことができ、それにより、ユーザは、例えば、心臓ＥＧＭの対応する部分を参照することによって、１つ以上の不整脈検出機械学習モデル４５２による分類の理由を理解することができる。
図６および７は、エピソード中の経時的な複数の不整脈分類の各々の尤度の可視化を含む、例示的なエピソードレビュー画面６００、７００を示す図である。画面６００および７００の各々は、不整脈タイプ分類活性化データのそれぞれのグラフ６０４、７０４と併せて、それぞれの心臓ＥＧＭ６０２、７０２を表示する。グラフ６０４および７０４の各々は、プロット６０６、７０６のそれぞれのセット、およびそれぞれのキー６０８、７０８を含む。プロット６０６および７０６の各々は、それぞれの不整脈タイプ分類についての経時的な尤度値のプロットである。キー６０８および７０８は、プロットの各々について不整脈タイプ分類を識別する。
グラフ６０４はさらに、グラフ６０４の領域を識別する注釈６１０を含み、ここで、不整脈タイプ分類のうちの１つ、例えば徐脈に関連するプロット６０６は、そのタイプの少なくとも１つの不整脈を有するものとして、関連するエピソードの分類に関連する、より比較的高い尤度値を有する。同様に、グラフ７０４は、注釈７１０、７１２、および７１４を含み、これらの各々は、グラフ７０４の領域を示し、ここで、不整脈タイプ分類のうちの１つ、例えば、ＰＶＣ、心房細動、および洞性頻脈に関連するそれぞれのプロット６０６は、そのタイプの少なくとも１つの不整脈を有するものとして、関連するエピソードの分類に関連する、より比較的高い尤度値を有する。心臓ＥＧＭ６０２、７０２、グラフ６０４、７０４、ならびに注釈６１０、７１０、７１２、および７１４を画面６００、７００上に組み合わせて表示することにより、監視システム４５０は、ユーザが、エピソードの監視システム４５０によって行われた不整脈の検出および分類をより容易にレビュー、理解、および確認（または拒否）することを可能にし得る。
心臓ＥＧＭ６０２、７０２、グラフ６０４、７０４、ならびに注釈６１０、７１０、７１２、および７１４を画面６００、７００に組み合わせて表示することにより、監視システム４５０は、ユーザが、不整脈の有無を識別／確認するためにエピソードをレビューするときに焦点を当てるべき心臓ＥＧＭの部分を迅速に識別することを可能にし得る。いくつかの例では、監視システム４５０はまた、活性化データを使用して、１つのエピソードからのエピソードデータのセグメント、例えば、心臓ＥＧＭのセグメントの識別を自動化して、ユーザによってレビューされるレポートに含めることができる。場合によっては、エピソードは、持続時間が長く（例えば、１分）、エピソード中の異なる時間に複数の不整脈を含むことがある。そのようなエピソードから生成されたレポートは、エピソードのために記憶された心臓ＥＧＭ全体の提示を含み得るが、そのようなレポートは、追加的または代替的に、代表的なセグメントを含み得、各セグメントは、複数の連続する秒の心臓ＥＧＭデータを含み得る。
監視システム４５０は、特定の不整脈タイプの活性化データが最も高いおよび／または閾値を超える（エピソード持続時間内の）１つ以上の時間を識別し得る。監視システム４５０は、識別された時間に基づいて、その不整脈タイプの検出の理由を表すものとしてユーザに提示する心臓ＥＧＭのセグメントを選択することができる。例えば、図７を参照すると、ＰＶＣクラス活性化マップの最も高い尤度値は、エピソードの開始から約１８秒のスパイクにおいて発生する。監視システム４５０は、例えば、このエピソードについて代表的なＰＶＣセグメントを報告する必要がある場合、１５秒から２１秒までの、心臓ＥＧＭの６秒セグメントを提示することができる。
図８は、不整脈分類尤度と脱分極尤度の両方に基づいてエピソード中の脱分極を識別するための動作例を示す流れ図である。図８に示される例によれば、監視システム４５０は、エピソードについてＩＭＤ１０によって記録されたエピソードデータを受信する（８００）。エピソードは、ある期間に関連付けられており、エピソードデータは、その期間中にＩＭＤ１０によって感知された心臓ＥＧＭを含む。エピソードデータは、期間中にＩＭＤ１０によって感知された他の信号、または心臓ＥＧＭもしくは他の信号から導出されたデータを含み得る。
監視システム４５０は、１つ以上の不整脈分類機械学習モデル４５２をエピソードデータ、例えば、心臓ＥＧＭデータに適用する（８０２）。監視システム４５０はまた、不整脈タイプ分類ごとに、期間にわたる分類の様々な尤度を示すクラス活性化データを導出することができる。監視システム４５０はまた、１つ以上の脱分極検出機械学習モデル４５４をエピソードデータに適用し、１つ以上の脱分極検出機械学習モデル４５４は、脱分極尤度値のセットを出力するように構成され、セットの脱分極尤度値の各々は、脱分極が期間中のそれぞれの時間に発生した尤度を表す（８０４）。監視システム４５０は、不整脈タイプ尤度値および脱分極尤度値に基づいて、エピソード中の１つ以上の脱分極を識別する（８０６）。
監視システム４５０は、不整脈タイプ尤度値を使用して、様々な方法で脱分極を識別することができる。例えば、監視システムは、時系列不整脈タイプ尤度値、例えば、図７に示される活性化データプロット６０６および７０６によって示されるような活性化データを、エピソードデータ、例えば心臓ＥＧＭデータと一緒に、１つ以上の脱分極検出機械学習モデル４５４への入力として適用することができる。１つ以上の脱分極検出機械学習モデル４５４は、心臓ＥＧＭ入力と１つ以上の不整脈タイプ分類の尤度値の両方に基づいて、エピソードの所与の時間における脱分極の尤度を判定するようにトレーニングされ得る。いくつかの例では、特定の不整脈タイプ分類の尤度値は、１つ以上の不整脈検出機械学習モデル４５２が尤度値を出力するすべての不整脈タイプ分類ではなく、１つ以上の脱分極検出機械学習モデル４５４への入力として選択される。
いくつかの例では、監視システム４５０は、１つ以上の、例えば、選択された、不整脈タイプ分類の不整脈タイプ分類尤度値に、ヒューリスティックルールを適用することができる。エピソード中の特定の時間においてルールおよび不整脈タイプ分類尤度値に基づいて、監視システム４５０は、エピソード中の特定の時間に１つ以上の脱分極検出モデル４５４によって提供される脱分極尤度値を変更することができ、例えば、増加または減少させることができる。追加的または代替的に、監視システム４５０は、エピソード中の特定の時間においてルールおよび不整脈タイプ分類尤度値に基づいて、監視システムがエピソード中の特定の時間からの脱分極尤度値をそれと比較する脱分極尤度閾値を同様に変更することができる。脱分極尤度値および／または脱分極尤度閾値の変更は、いずれの場合も、他の方法では検出されなかったであろう監視システム４５０による脱分極の検出をもたらす可能性がある。ヒューリスティックルールは、特定のタイプの不整脈の比較的高い尤度の時間における、またはその時間の後の特定の時間における脱分極尤度値および／または脱分極尤度閾値の変更のために、そのタイプの不整脈中の脱分極のタイミングの理解に基づいて構成され得る。例えば、ヒューリスティックルールは、頻脈性不整脈の比較的高い尤度の時間に続く特定の時間における脱分極尤度値および／または脱分極尤度閾値の変更のために、頻脈性不整脈の典型的な脱分極率または脱分極間間隔に基づいて構成され得る。
図９は、不整脈分類尤度と脱分極尤度の両方に基づいてエピソード中の脱分極を識別するための例示的な技術を示す概念図である。特に、図９は、脱分極９０２Ａ～９０２Ｃ（総称して「脱分極９０２」）を含む心臓電位図９００を示している。図９はまた、脱分極尤度値プロット９０４を示している。脱分極尤度値プロット９０４は、より比較的高い脱分極尤度値を有し、かつ時間的に脱分極９０２に対応する領域９０６Ａ～９０６Ｃ（総称して「領域９０６」）を含む。脱分極尤度閾値９０８も示されている。領域９０６Ｂでのプロット９０４の脱分極尤度値は、脱分極尤度閾値９０８を超えない。結果として、監視システム４５０は、脱分極９０２Ｂを検出しないであろう。
図９はまた、ベースライン９１２および閾値９１４と比較した頻脈性不整脈の不整脈分類尤度値９１０のプロットを示している。閾値９１４は、監視システム４５０によって適用されるヒューリスティックルールによって確立され得る。図９に示されるように、不整脈分類尤度値９１０は、時間９１６において閾値９１４を超える。
図９はまた、より比較的高い脱分極尤度値を有し、かつ時間的に脱分極９０２に対応する領域９２２Ａ～９２２Ｃ（総称して「領域９２２」）を含む脱分極尤度値プロット９２０を示している。領域９２２Ａおよび９２２Ｃは、領域９０６Ａおよび９０６Ｃと同じであり、すなわち、不整脈分類尤度値９１０およびヒューリスティックルールに基づいて監視システム４５０によって変更されていない。しかしながら、不整脈分類尤度値９１０およびヒューリスティックルールに基づいて、監視システム４５０は、閾値９０８を超えた不整脈分類尤度値９１０に基づいて、領域９０６Ｂに対して領域９２２Ｂを増加させている。結果として、監視システム４５０は、脱分極９０２Ｂを検出することができる。
脱分極および不整脈の尤度データを使用して、本明細書に記載の技術を使用してエピソード内の脱分極を識別することに加えて、例えば、図８および９に関して、監視システム４５０は、脱分極および不整脈の尤度データを使用して、エピソード内の脱分極について脱分極のタイプを判定することができる。脱分極のタイプには、例として、正常、心室性期外収縮、心房性期外収縮、およびアーチファクト／ノイズが含まれる場合がある。エピソードを分類するために監視システムによって使用される１つ以上の不整脈分類機械学習モデル４５２は、分類の中でも、心室性期外収縮、心房性期外収縮、およびアーチファクト／ノイズとしてエピソードを分類するように構成され得る。結果として、監視システム４５０は、分類として、心室性期外収縮、心房性期外収縮、およびアーチファクト／ノイズについて、経時的にクラス活性化値を導出するように構成され得る。監視システム４５０は、これらの不整脈タイプのクラス活性化データを使用して、複数のタイプ、例えば、正常、心室性期外収縮、心房性期外収縮、およびアーチファクト／ノイズのどれを脱分極するかをさらに判定することができる。
いくつかの例では、監視システム４５０は、ノイズ／アーチファクト分類の尤度値がアーチファクト／ノイズとしての閾値を満たす（例えば、超える）ときに発生する脱分極にラベル付けすることができる。監視システム４５０は、エピソード中の残りの（例えば、非アーチファクト／ノイズ）脱分極の脱分極間間隔を考慮し、これらの残りの脱分極のいずれかが「期外」であるかどうかを、それらの脱分極間間隔（例えば、Ｒ－Ｒ間隔）が閾値を満たす（例えば、それ未満である）ことに基づいて判定することができる。脱分極間間隔閾値は、エピソード中の脱分極間間隔の平均または中央値に基づいて判定することができ、例えば、閾値は、エピソード中の脱分極間間隔の平均または中央値の割合またはパーセンテージであり得る。監視システム４５０は、閾値を満たす（例えば、超える）期外脱分極に時間的に対応する尤度値に基づいて、期外脱分極を心室性期外収縮または心房性期外収縮としてラベル付けすることができる。監視システム４５０は、エピソード中に識別されたが、心室性期外収縮、心房性期外収縮、またはアーチファクト／ノイズのうちの１つであると判定されない脱分極に、正常としてラベル付けすることができる。
いくつかの実施例では、本開示の技法は、本明細書に記載のいずれかの方法を実行するための手段を含むシステムを含む。いくつかの実施例では、本開示の技法は、処理回路に本明細書に記載のいずれかの方法を実行させる命令を含むコンピュータ可読媒体を含む。
本明細書で開示される様々な態様は、説明および添付の図面に具体的に提示される組み合わせとは異なる組み合わせで組み合わせることができることを理解されたい。本明細書に記載のプロセスまたは方法のいずれかの特定の行為または事象は、実施例に応じて異なる順序で行われてもよく、追加、併合、または完全に省略されてもよい（例えば、全ての記載された行為または事象は、本技法を実行するために必要ではない場合がある）ことも理解されたい。加えて、本開示の特定の態様は、明確にするために、単一のモジュール、ユニット、または回路によって実行されるものとして説明されているが、本開示の技法は、例えば、医療デバイス置に関連するユニット、モジュール、または回路の組み合わせによって実行され得ることが理解されるべきである。
１つ以上の実施例では、説明される技法は、ハードウェア、ソフトウェア、ファームウェア、またはそれらの任意の組み合わせで実装されることができる。ソフトウェアで実装される場合、機能は、コンピュータ可読媒体上に１つ以上の命令またはコードとして記憶され、ハードウェアベースの処理ユニットによって実行されることができる。コンピュータ可読媒体は、データ記憶媒体（例えば、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ、または命令もしくはデータ構造の形態で所望のプログラムコードを記憶するために使用されることができ、かつコンピュータによってアクセスされることができる任意の他の媒体）などの、有形媒体に対応する非一時的コンピュータ可読媒体を含むことができる。
命令は、１つ以上のデジタルシグナルプロセッサ（ＤＳＰ）、汎用マイクロプロセッサ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルロジックアレイ（ＦＰＧＡ）、または他の同等の集積もしくは離散論理回路などの、１つ以上のプロセッサによって実行されることができる。したがって、本明細書に使用される「プロセッサ」または「処理回路」という用語は、前述の構造のいずれか、または記載された技法の実施に適したいずれかの他の物理的構造を指すことができる。また、技法は、１つ以上の回路または論理要素で完全に実装されてもよい。
以下の例は、本明細書に記載される技術の例示である。
実施例１：コンピュータ実装方法であって、医療デバイスシステムの処理回路によって、患者の医療デバイスによって記憶されたエピソードのエピソードデータを受信することであって、エピソードが、ある期間に関連付けられ、エピソードデータが、その期間中に医療デバイスによって感知された心臓電位図を含む、受信することと、処理回路によって、１つ以上の機械学習モデルをエピソードデータに適用することであって、１つ以上の機械学習モデルが、複数の不整脈タイプ分類の各々についてそれぞれの尤度値を出力するように構成され、尤度値の各々が、それぞれの不整脈タイプ分類が期間中の任意の時点において発生した尤度を表す、適用することと、エピソードデータへの１つ以上の機械学習モデルの適用に基づいて、処理回路によって、不整脈タイプ分類の各々について、期間にわたる分類の様々な尤度を示すクラス活性化データを導出することと、処理回路によって、およびユーザに、期間にわたる不整脈タイプ分類の様々な尤度のグラフを表示することと、を含む、方法。
実施例２：グラフを表示することが、心臓電位図と併せてグラフを表示することを含む、実施例１の方法。
実施例３：処理回路によって、少なくとも１つの不整脈タイプ分類についてのグラフ上の他の時間に対して、不整脈タイプ分類のうちの少なくとも１つについてのより高い尤度の少なくとも１つの時間をグラフ上に示すことをさらに含む、実施例１または２の方法。
実施例４：処理回路によって、１つ以上の機械学習モデルの出力に基づいて、少なくとも１つの不整脈タイプ分類が期間中の任意の時点において発生したことを示すことをさらに含み、少なくとも１つの不整脈タイプ分類についてのより高い尤度の少なくとも１つの時間をグラフ上に示すことが、少なくとも１つの不整脈タイプ分類が期間中に任意の時点において発生したことを示すことに応答して、少なくとも１つの不整脈タイプ分類についてのより高い尤度の少なくとも１つの時間をグラフ上に示すことを含む、実施例３の方法。
実施例５：複数の不整脈タイプ分類が、複数の徐脈、休止、心室性頻脈、心室細動、上室性頻脈、心房細動、心房性フラッター、洞性頻脈、心室性期外収縮、心房性期外収縮、広範囲の複雑な頻脈、および房室ブロックを含む、実施例１～４のいずれかの方法。
実施例６：１つ以上の機械学習モデルの各々が、複数の層を含み、活性化データを導出することが、複数の層のうちの中間層の出力から活性化層を導出することを含む、実施例１～５のいずれかの方法。
実施例７：中間層が、グローバル平均プーリング層を含む、実施例６の方法。
実施例８：クラス活性化データに基づいて心臓電気記録図からセグメントを選択することと、心臓電気記録図の選択されたセグメントを表示することと、をさらに含む、実施例１～７のいずれかの方法。
実施例９：セグメントを選択することが、不整脈タイプ分類のうちの１つのクラス活性化データに基づいてエピソード中の時間を識別することと、識別された時間を含む心臓電位図のセグメントを選択することと、を含む、実施例８の方法。
実施例１０：コンピュータ実装方法であって、医療デバイスシステムの処理回路によって、患者の医療デバイスによって記憶されたエピソードのエピソードデータを受信することであって、エピソードが、ある期間に関連付けられ、エピソードデータが、その期間中に医療デバイスによって感知された心臓電位図を含む、受信することと、処理回路によって、１つ以上の不整脈分類機械学習モデルをエピソードデータに適用することであって、１つ以上の不整脈分類機械学習モデルが、複数の不整脈タイプ分類の各々について、不整脈タイプ尤度値のそれぞれのセットを出力するように構成され、セットの不整脈タイプ尤度値の各々が、それぞれの不整脈タイプ分類が期間中のそれぞれの時間に発生した尤度を表す、適用することと、処理回路によって、１つ以上の脱分極検出機械学習モデルをエピソードデータに適用することであって、１つ以上の脱分極検出機械学習モデルが、脱分極尤度値のセットを出力するように構成され、セットの脱分極尤度値の各々が、脱分極が期間中のそれぞれの時間に発生した尤度を表す、適用することと、処理回路によって、不整脈タイプ尤度値および脱分極尤度値に基づいてエピソード中の１つ以上の脱分極を識別することと、を含む、方法。
実施例１１：１つ以上の不整脈分類機械学習モデルの各々が、複数の層を含み、この方法は、処理回路によって、不整脈タイプ尤度値のセットを、複数の層のうちの中間層の出力から導出することをさらに含む、実施例１０の方法。
実施例１２：中間層が、グローバル平均プーリング層を含む、実施例１１の方法。
実施例１３：１つ以上の脱分極検出機械学習モデルをエピソードデータに適用することと、不整脈タイプ尤度値および脱分極尤度値に基づいて１つ以上の脱分極を識別することとが、１つ以上の脱分極検出機械学習モデルをエピソードデータおよび不整脈タイプ尤度値に適用することを含む、実施例１０～１２のいずれかの方法。
実施例１４：不整脈タイプ尤度値および脱分極尤度値に基づいて１つ以上の脱分極を識別することが、不整脈タイプ尤度値のうちの１つ以上に基づいて脱分極尤度値のうちの１つ以上を変更することと、１つ以上の変更された脱分極尤度値に基づいて１つ以上の脱分極を識別することと、を含む、実施例１０～１３のいずれかの方法。
実施例１５：不整脈タイプ尤度値および脱分極尤度値に基づいて１つ以上の脱分極を識別することが、不整脈タイプ尤度値のうちの１つ以上に基づいて脱分極尤度閾値を変更することと、脱分極尤度値を変更された脱分極尤度閾値と比較することと、比較に基づいて、１つ以上の脱分極を識別することと、を含む、実施例１０～１４のいずれかの方法。
実施例１６：脱分極が、Ｒ波またはＱＲＳ群のうちの少なくとも１つを含む、実施例１０～１５のいずれかの方法。
実施例１７：不整脈タイプ尤度値に基づいて、１つ以上の識別された脱分極の各々に、複数の脱分極タイプのうちの１つとしてラベル付けすることをさらに含む、実施例１０～１６のいずれかの方法。
実施例１８：複数の脱分極タイプが、複数の正常、早期の心室性期外収縮、早期の心房収縮、ノイズ、またはアーチファクトを含む、実施例１７の方法。
実施例１９：医療デバイスを含む医療デバイスシステムであって、医療デバイスは、複数の電極を介して患者の心臓電位図を感知することと、エピソードのエピソードデータを記憶することであって、エピソードが、ある期間に関連付けられ、エピソードデータが、その期間中に医療デバイスによって感知された心臓電位図を含む、記憶することと、を行うように構成された、医療デバイスシステム。医療デバイスシステムは、実施例１～１８のいずれかの方法を実行するように構成された処理回路をさらに含む。
実施例２０：処理回路が、コンピューティングデバイスの処理回路を含む、実施例１９の医療デバイスシステム。
実施例２１：医療デバイスが移植可能である、実施例１９または２０の医療デバイスシステム。
実施例２２：コンピューティングシステムの処理回路によって実行されたとき、コンピューティングシステムに実施例１～１８のいずれかの方法を実行させる命令を含む非一時的コンピュータ可読媒体。
様々な実施例が記載された。これらおよび他の実施例は、以下の特許請求の範囲の範囲内にある。

Claims (14)

  1. 医療デバイスシステムであって、
    医療デバイスであって、
    複数の電極を介して患者の心臓電位図を感知することと、
    エピソードのエピソードデータを記憶することであって、前記エピソードが、ある期間に関連付けられ、前記エピソードデータが、前記期間中に前記医療デバイスによって感知された前記心臓電位図を含む、記憶することと、を行うように構成された、医療デバイスと、
    処理回路であって、
    前記エピソードデータを受信することと、
    １つ以上の機械学習モデルを前記エピソードデータに適用することであって、前記１つ以上の機械学習モデルが、複数の不整脈タイプ分類の各々についてそれぞれの尤度値を出力するように構成され、前記尤度値の各々が、前記それぞれの不整脈タイプ分類が前記期間中の任意の時点において発生した尤度を表す、適用することと、
    前記エピソードデータへの前記１つ以上の機械学習モデルの前記適用に基づいて、前記不整脈タイプ分類の各々について、前記期間にわたる前記それぞれの不整脈タイプ分類の様々な尤度を示すクラス活性化(class activation)データを導出することと、
    前記期間にわたる前記不整脈タイプ分類の前記様々な尤度のグラフをユーザに表示することと、を行うように構成された、処理回路と、を備え、
    前記１つ以上の機械学習モデルが、１つ以上の不整脈分類機械学習モデルを含み、前記
    １つ以上の不整脈分類機械学習モデルが、前記複数の不整脈タイプ分類の各々について、不整脈タイプ尤度値のそれぞれのセットを出力するように構成され、前記セットの前記不整脈タイプ尤度値の各々が、前記それぞれの不整脈タイプ分類が前記期間中のそれぞれの時間に発生した尤度を表し、
    前記処理回路は、
    １つ以上の脱分極検出機械学習モデルを前記エピソードデータに適用することであって、前記１つ以上の脱分極検出機械学習モデルが、脱分極尤度値のセットを出力するように構成され、前記セットの前記脱分極尤度値の各々が、脱分極が前記期間中のそれぞれの時間に発生した尤度を表す、適用することと、
    前記不整脈タイプ尤度値および前記脱分極尤度値に基づいて、前記エピソード中に１つ以上の脱分極を識別することと、を行うように構成された、医療デバイスシステム。
  2. 前記処理回路が、前記心臓電位図と併せて前記グラフを表示するように構成された、請求項１に記載の医療デバイスシステム。
  3. 前記処理回路が、少なくとも１つの不整脈タイプ分類についての前記グラフ上の他の時間に対して、前記不整脈タイプ分類のうちの前記少なくとも１つについてのより高い尤度の少なくとも１つの時間を前記グラフ上に示すように構成された、請求項１または２に記載の医療デバイスシステム。
  4. 前記処理回路が、
    前記１つ以上の機械学習モデルの前記出力に基づいて、前記少なくとも１つの不整脈タイプ分類が前記期間中の任意の時点において発生したことを示すことと、
    前記少なくとも１つの不整脈タイプ分類が前記期間中の任意の時点において発生したことを示すことに応答して、前記少なくとも１つの不整脈タイプ分類についてのより高い尤度の少なくとも１つの時間を前記グラフ上に示すことと、を行うように構成された、請求項３に記載の医療デバイスシステム。
  5. 前記複数の不整脈タイプ分類が、複数の徐脈(bradycardia)、休止、心室性頻脈、心室
    細動、上室性頻脈、心房細動、心房性フラッター(flutter)、洞性(sinus)頻脈、心室性期外収縮、心房性期外収縮、広範囲の複雑な頻脈、および房室ブロックを含む、請求項１～４のいずれかに記載の医療デバイスシステム。
  6. 前記１つ以上の機械学習モデルの各々が、複数の層を含み、前記クラス活性化データを導出することが、前記複数の層のうちの中間層の出力から前記クラス活性化データを導出することを含む、請求項１～５のいずれかに記載の医療デバイスシステム。
  7. 前記中間層が、グローバル平均プーリング層(global average pooling layer)を含む、請求項６に記載の医療デバイスシステム。
  8. 前記１つ以上の不整脈分類機械学習モデルの各々が、複数の層を含み、前記処理回路が、前記不整脈タイプ尤度値のセットを、前記複数の層のうちの中間層の出力から導出するように構成された、請求項１～７のいずれかに記載の医療デバイスシステム。
  9. 前記不整脈タイプ尤度値および前記脱分極尤度値に基づいて前記１つ以上の脱分極を識別するために、前記処理回路が、前記１つ以上の脱分極検出機械学習モデルを前記エピソードデータおよび前記不整脈タイプ尤度値に適用するように構成された、請求項１～８のいずれかに記載の医療デバイスシステム。
  10. 前記不整脈タイプ尤度値および前記脱分極尤度値に基づいて前記１つ以上の脱分極を識別するために、前記処理回路が、
    前記不整脈タイプ尤度値のうちの１つ以上に基づいて前記脱分極尤度値のうちの１つ以上を変更すること、または
    前記不整脈タイプ尤度値のうちの１つ以上に基づいて脱分極尤度閾値を変更すること、のうちの少なくとも１つを行うように構成された、請求項１～９のいずれかに記載の医療デバイスシステム。
  11. 前記処理回路が、前記不整脈タイプ尤度値に基づいて、複数の脱分極タイプのうちの１つとして、前記１つ以上の識別された脱分極の各々にラベル付けするように構成され、前記複数の脱分極タイプが、複数の正常、心室性期外収縮、心房性期外収縮、ノイズ、またはアーチファクトを含む、請求項１～１０のいずれかに記載の医療デバイスシステム。
  12. 前記処理回路が、コンピューティングデバイスの処理回路を含む、請求項１～１１のいずれかに記載の医療デバイスシステム。
  13. 前記医療デバイスが移植可能である、請求項１～１２のいずれかに記載の医療デバイスシステム。
  14. 命令を含む非一時的コンピュータ可読媒体であって、前記命令が、コンピューティングシステムの処理回路によって実行されたとき、前記コンピューティングシステムに、
    患者の医療デバイスによって記憶されたエピソードのエピソードデータを受信することであって、前記エピソードが、ある期間に関連付けられ、前記エピソードデータが、前記期間中に前記医療デバイスによって感知された心臓電位図を含む、受信することと、
    １つ以上の機械学習モデルを前記エピソードデータに適用することであって、前記１つ以上の機械学習モデルが、複数の不整脈タイプ分類の各々についてそれぞれの尤度値を出力するように構成され、前記尤度値の各々が、前記それぞれの不整脈タイプ分類が前記期間中の任意の時点において発生した尤度を表す、適用することと、
    前記エピソードデータへの前記１つ以上の機械学習モデルの前記適用に基づいて、前記不整脈タイプ分類の各々について、前記期間にわたる前記それぞれの不整脈タイプ分類の様々な尤度を示すクラス活性化データを導出することと、
    前記期間にわたる前記不整脈タイプ分類の前記様々な尤度のグラフを表示することと、を行わせ、
    前記１つ以上の機械学習モデルが、１つ以上の不整脈分類機械学習モデルを含み、前記
    １つ以上の不整脈分類機械学習モデルが、前記複数の不整脈タイプ分類の各々について、不整脈タイプ尤度値のそれぞれのセットを出力するように構成され、前記セットの前記不整脈タイプ尤度値の各々が、前記それぞれの不整脈タイプ分類が前記期間中のそれぞれの時間に発生した尤度を表し、
    前記命令は、さらに前記コンピューティングシステムに、
    １つ以上の脱分極検出機械学習モデルを前記エピソードデータに適用することであって、前記１つ以上の脱分極検出機械学習モデルが、脱分極尤度値のセットを出力するように構成され、前記セットの前記脱分極尤度値の各々が、脱分極が前記期間中のそれぞれの時間に発生した尤度を表す、適用することと、
    前記不整脈タイプ尤度値および前記脱分極尤度値に基づいて、前記エピソード中に１つ以上の脱分極を識別することと、を行わせる、非一時的コンピュータ可読媒体。
JP2021564708A 2019-05-06 2020-04-13 機械学習に基づく脱分極の識別および不整脈の位置特定の可視化 Active JP7553472B2 (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962843786P 2019-05-06 2019-05-06
US62/843,786 2019-05-06
US16/845,996 US11776691B2 (en) 2019-05-06 2020-04-10 Machine learning based depolarization identification and arrhythmia localization visualization
US16/845,996 2020-04-10
PCT/US2020/027954 WO2020226852A1 (en) 2019-05-06 2020-04-13 Machine learning based depolarization identification and arrhythmia localization visualization

Publications (2)

Publication Number Publication Date
JP2022531293A JP2022531293A (ja) 2022-07-06
JP7553472B2 true JP7553472B2 (ja) 2024-09-18

Family

ID=73046448

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021564708A Active JP7553472B2 (ja) 2019-05-06 2020-04-13 機械学習に基づく脱分極の識別および不整脈の位置特定の可視化

Country Status (8)

Country Link
US (3) US11776691B2 (ja)
EP (1) EP3965645A1 (ja)
JP (1) JP7553472B2 (ja)
KR (1) KR20220004993A (ja)
CN (1) CN113811246A (ja)
AU (1) AU2020268721A1 (ja)
DE (1) DE202020005629U1 (ja)
WO (1) WO2020226852A1 (ja)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11679268B2 (en) 2018-10-05 2023-06-20 Medtronic, Inc. Multi-tier prediction of cardiac tachyarrythmia
US11723577B2 (en) 2019-05-06 2023-08-15 Medtronic, Inc. Visualization of arrhythmia detection by machine learning
US20200352466A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Arrythmia detection with feature delineation and machine learning
US11776691B2 (en) 2019-05-06 2023-10-03 Medtronic, Inc. Machine learning based depolarization identification and arrhythmia localization visualization
US11475998B2 (en) 2019-05-06 2022-10-18 Medtronic, Inc. Data preparation for artificial intelligence-based cardiac arrhythmia detection
US11694804B2 (en) 2019-05-06 2023-07-04 Medtronic, Inc. Reduced power machine learning system for arrhythmia detection
US11583687B2 (en) 2019-05-06 2023-02-21 Medtronic, Inc. Selection of probability thresholds for generating cardiac arrhythmia notifications
NO20200093A1 (ja) * 2020-01-24 2021-07-26
CN116133721A (zh) 2020-07-22 2023-05-16 美敦力公司 对可治疗事件的检测
US20220384014A1 (en) * 2021-05-25 2022-12-01 Medtronic, Inc. Cardiac episode classification
CN117377432A (zh) * 2021-05-28 2024-01-09 美敦力公司 动态和模块化心脏事件检测
WO2023028528A1 (en) * 2021-08-24 2023-03-02 Medtronic, Inc. Power source longevity improvement for a device
WO2023026209A1 (en) * 2021-08-25 2023-03-02 Medtronic, Inc. Machine learning for improved power source longevity for a device
WO2023076463A1 (en) * 2021-10-27 2023-05-04 Monovo, LLC Interactive monitoring system and method for dynamic monitoring of physiological health
WO2023076331A1 (en) * 2021-10-28 2023-05-04 Preventice Solutions, Inc. Electrocardiogram wave segmentation using machine learning
EP4447788A1 (en) * 2021-12-13 2024-10-23 Irhythm Technologies, Inc. Non-invasive cardiac monitor and methods of inferring or predicting a physiological characteristic of a patient
WO2023154809A1 (en) * 2022-02-10 2023-08-17 Medtronic, Inc. Prediction of ventricular tachycardia or ventricular fibrillation termination to limit therapies and emergency medical service or bystander alerts
WO2024039655A1 (en) * 2022-08-15 2024-02-22 Medtronic, Inc. Computing system configured to facilitate multi-party adjudication of cardiac episodes
WO2024091557A1 (en) * 2022-10-28 2024-05-02 Medtronic, Inc. Atrial sensing without an atrial lead by medical systems
WO2024092146A1 (en) * 2022-10-28 2024-05-02 Medtronic, Inc. Medical system implementing a machine learning model for detection of atrial arrhythmia

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130231947A1 (en) 2000-05-30 2013-09-05 Vladimir Shusterman Mobile System with Network-Distributed Data Processing for Biomedical Applications
US20130274624A1 (en) 2012-04-17 2013-10-17 Cardiac Pacemakers, Inc. Method and apparatus for automatic arrhythmia classification with confidence estimation
WO2017072250A1 (en) 2015-10-27 2017-05-04 CardioLogs Technologies An automatic method to delineate or categorize an electrocardiogram
JP2018503885A (ja) 2014-11-14 2018-02-08 ゾール メディカル コーポレイションＺＯＬＬ Ｍｅｄｉｃａｌ Ｃｏｒｐｏｒａｔｉｏｎ 医療前兆イベント予測
WO2018162901A2 (en) 2017-03-07 2018-09-13 Transformative AI Ltd Analysis of cardiac data
US20190130554A1 (en) 2017-10-27 2019-05-02 Alex Rothberg Quality indicators for collection of and automated measurement on ultrasound images
US20190328251A1 (en) 2018-04-27 2019-10-31 Boe Technology Group Co., Ltd. Arrhythmia detection method, arrhythmia detection device and arrhythmia detection system

Family Cites Families (83)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4458691A (en) 1982-02-11 1984-07-10 Arrhythmia Research Technology, Inc. System and method for predicting ventricular tachycardia by adaptive high pass filter
US6594523B1 (en) 1996-05-14 2003-07-15 Pacesetter, Inc. Implantable stimulation device, programmer, and method for automatically evaluating interaction of the device with a patient's heart
US5967995A (en) 1998-04-28 1999-10-19 University Of Pittsburgh Of The Commonwealth System Of Higher Education System for prediction of life-threatening cardiac arrhythmias
US6275732B1 (en) 1998-06-17 2001-08-14 Cardiac Pacemakers, Inc. Multiple stage morphology-based system detecting ventricular tachycardia and supraventricular tachycardia
US6493579B1 (en) 1999-08-20 2002-12-10 Cardiac Pacemakers, Inc. System and method for detection enhancement programming
US6272377B1 (en) 1999-10-01 2001-08-07 Cardiac Pacemakers, Inc. Cardiac rhythm management system with arrhythmia prediction and prevention
US8438039B2 (en) 2005-04-27 2013-05-07 Medtronic, Inc. User customizable workflow preferences for remote patient management
US7706867B1 (en) * 2005-08-04 2010-04-27 Pacesetter, Inc. Methods and systems to correlate arrhythmic and ischemic events
US8706220B2 (en) * 2008-04-09 2014-04-22 Medtronic, Inc. Method and apparatus for detecting and treating tachyarrhythmias incorporating diagnostic/therapeutic pacing techniques
US8103346B2 (en) 2008-05-22 2012-01-24 Cardiac Pacemakers, Inc. Regulatory compliant transmission of medical data employing a patient implantable medical device and a generic network access device
CN104529853A (zh) 2008-12-15 2015-04-22 埃克森美孚化学专利公司 烷基芳族化合物的氧化
US8706202B2 (en) 2009-01-15 2014-04-22 Medtronic, Inc. Implantable medical device with adaptive signal processing and artifact cancellation
US10588527B2 (en) 2009-04-16 2020-03-17 Braemar Manufacturing, Llc Cardiac arrhythmia report
US20100280841A1 (en) 2009-05-04 2010-11-04 Cardiac Pacemakers, Inc. Adjudication of Arrhythmia Episode Data Systems and Methods
US20100312131A1 (en) * 2009-06-09 2010-12-09 Mihir Naware Noise detection and response for use when monitoring for arrhythmias
EP2490587A1 (en) 2009-10-20 2012-08-29 Widemed Ltd. Method and system for detecting cardiac arrhythmia
US9408549B2 (en) 2009-11-03 2016-08-09 Vivaquant Llc Detecting fiducial points in physiological signals
US9585589B2 (en) 2009-12-31 2017-03-07 Cerner Innovation, Inc. Computerized systems and methods for stability-theoretic prediction and prevention of sudden cardiac death
CN107742534A (zh) 2010-03-15 2018-02-27 新加坡保健服务集团有限公司 患者存活性预测系统
US8437842B2 (en) 2010-04-28 2013-05-07 Medtronic, Inc. Method and apparatus for detecting and discriminating tachycardia
KR101736976B1 (ko) 2010-07-05 2017-05-18 삼성전자주식회사 생체 신호를 측정하는 장치 및 방법
US9743890B2 (en) 2011-03-28 2017-08-29 Koninklijke Philips N.V. System and method for providing family mode for monitoring devices
US8521281B2 (en) 2011-10-14 2013-08-27 Medtronic, Inc. Electrogram classification algorithm
PT2840962T (pt) 2012-04-23 2024-08-01 Precordior Oy Aparelho e programa de computador para produzir um sinal que expressa fibrilação auricular
US9775559B2 (en) 2013-04-26 2017-10-03 Medtronic, Inc. Staged rhythm detection system and method
JP6133708B2 (ja) 2013-06-25 2017-05-24 日本光電工業株式会社 生体情報表示装置および生体情報表示装置の作動方法
US10463269B2 (en) 2013-09-25 2019-11-05 Bardy Diagnostics, Inc. System and method for machine-learning-based atrial fibrillation detection
US9408551B2 (en) 2013-11-14 2016-08-09 Bardy Diagnostics, Inc. System and method for facilitating diagnosis of cardiac rhythm disorders with the aid of a digital computer
US9420956B2 (en) 2013-12-12 2016-08-23 Alivecor, Inc. Methods and systems for arrhythmia tracking and scoring
US20190038148A1 (en) 2013-12-12 2019-02-07 Alivecor, Inc. Health with a mobile device
CN106102568B (zh) 2014-02-04 2019-09-10 科迪影技术股份有限公司 与治疗部位相关的信号分析
US9483529B1 (en) 2014-02-14 2016-11-01 Twitter, Inc. Selection and presentation of unviewed messages
US10258288B2 (en) 2014-03-24 2019-04-16 Samsung Electronics Co., Ltd. Confidence indicator for physiological measurements using a wearable sensor platform
CA2957420A1 (en) 2014-08-15 2016-02-18 Biomerieux, Inc. Methods, systems, and computer program products for verifying dispensing of a fluid from a pipette
US9754080B2 (en) 2014-10-21 2017-09-05 uBiome, Inc. Method and system for microbiome-derived characterization, diagnostics and therapeutics for cardiovascular disease conditions
KR101776504B1 (ko) 2015-06-01 2017-09-07 울산대학교 산학협력단 심실 부정맥 예측 장치 및 그 방법
WO2017054105A1 (zh) * 2015-09-28 2017-04-06 深圳迈瑞生物医疗电子股份有限公司 一种监护参数阈值设置方法及监护系统
EP3355767B1 (en) 2015-10-02 2021-12-01 Cardiac Pacemakers, Inc. Enhanced wearable therapy device paired with insertable cardiac monitor
US9788796B2 (en) 2015-10-16 2017-10-17 General Electric Company System and method of adaptive interpretation of ECG waveforms
CN110650671A (zh) 2015-11-23 2020-01-03 梅奥医学教育和研究基金会 处理用于分析物评估的生理电数据
US10321836B2 (en) 2015-11-30 2019-06-18 Physio-Control, Inc. Context scores to enhance accuracy of ECG readings
US20170156592A1 (en) 2015-12-02 2017-06-08 Mediatek Inc. Healthcare systems and monitoring method for physiological signals
EP3400056B1 (en) 2016-01-08 2020-05-06 Cardiac Pacemakers, Inc. Obtaining high-resolution information from an implantable medical device
US10441184B2 (en) 2016-03-16 2019-10-15 Ventrilink Corporation Electrocardiogram device and methods
WO2017176714A1 (en) 2016-04-06 2017-10-12 Cardiac Pacemakers, Inc. Confidence of arrhythmia detection
US10750960B2 (en) 2016-05-03 2020-08-25 Samsung Electronics Co., Ltd. Passive arrythmias detection based on photoplethysmogram (PPG) inter-beat intervals and morphology
US10849508B2 (en) 2016-06-03 2020-12-01 Fourth Frontier Technologies Pvt. Ltd. System and method for continuous monitoring of blood pressure
US10463295B2 (en) 2016-06-13 2019-11-05 Medtronic, Inc. Multi-parameter prediction of acute cardiac episodes and attacks
JP6773899B2 (ja) 2016-09-23 2020-10-21 エーオン・ベンフィールド・インコーポレイテッドＡｏｎ Ｂｅｎｆｉｅｌｄ Ｉｎｃ． 資産特性を分類するためのプラットフォーム、システム、ならびに方法および航空画像解析による資産特徴保守管理
US10744334B2 (en) 2016-10-18 2020-08-18 Cardiac Pacemakers, Inc. Systems and methods for arrhythmia detection
CN106725428B (zh) * 2016-12-19 2020-10-27 中国科学院深圳先进技术研究院 一种心电信号分类方法及装置
EP3558101B1 (en) 2016-12-21 2022-06-08 Emory University Methods and systems for determining abnormal cardiac activity
US11915825B2 (en) 2017-02-10 2024-02-27 Alivecor, Inc. Systems and methods of analyte measurement analysis
US20180272147A1 (en) * 2017-03-21 2018-09-27 Zoll Medical Corporation Wearable defibrillator integrated with remote ischemic conditioning protocol
WO2018204307A1 (en) 2017-05-01 2018-11-08 Cardiac Pacemakers, Inc. Systems for medical alert management
US10638979B2 (en) 2017-07-10 2020-05-05 Glysens Incorporated Analyte sensor data evaluation and error reduction apparatus and methods
US11382552B2 (en) 2017-07-26 2022-07-12 Cardiac Pacemakers, Inc. Reducing false alarms in cardiac monitoring devices
CN107822622B (zh) * 2017-09-22 2022-09-09 成都比特律动科技有限责任公司 基于深度卷积神经网络的心电图诊断方法和系统
US20190090774A1 (en) 2017-09-27 2019-03-28 Regents Of The University Of Minnesota System and method for localization of origins of cardiac arrhythmia using electrocardiography and neural networks
US11291401B2 (en) 2017-10-03 2022-04-05 Salutron, Inc. Arrhythmia monitoring using photoplethysmography
JP6912998B2 (ja) * 2017-10-25 2021-08-04 株式会社日立製作所 データ分析装置、データ分析方法、およびデータ分析プログラム
CN108030488A (zh) 2017-11-30 2018-05-15 北京医拍智能科技有限公司 基于卷积神经网络的心律失常的检测系统
US20210137384A1 (en) 2017-12-13 2021-05-13 Washington University System and method for determining segments for ablation
US11147459B2 (en) 2018-01-05 2021-10-19 CareBand Inc. Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health
US11763943B2 (en) 2018-03-02 2023-09-19 Preventice Solutions, Inc. Automated ventricular ectopic beat classification
US10960213B2 (en) 2018-03-12 2021-03-30 Zoll Medical Corporation Verification of cardiac arrhythmia prior to therapeutic stimulation
EP3556281A1 (en) 2018-04-17 2019-10-23 Koninklijke Philips N.V. Device, system and method for supporting detection of return of spontaneous circulation during cardiopulmonary resuscitation
EP3790622B1 (en) 2018-05-08 2023-05-31 Cardiac Pacemakers, Inc. Systems for detecting arrhythmias
US20210204858A1 (en) 2018-05-31 2021-07-08 Mayo Foundation For Medical Education And Research Automatic sensing of features within an electrocardiogram
US20190365342A1 (en) * 2018-06-04 2019-12-05 Robert Bosch Gmbh Method and system for detecting abnormal heart sounds
EP3582228A1 (en) 2018-06-12 2019-12-18 Bittium Biosignals Oy Method, system and mobile communications device medical for optimizing clinical care delivery
GB2582124A (en) 2018-09-07 2020-09-16 Transf Ai Ltd Analysis of cardiac data
US11679268B2 (en) 2018-10-05 2023-06-20 Medtronic, Inc. Multi-tier prediction of cardiac tachyarrythmia
CN113015476B (zh) 2018-10-19 2024-09-24 吉温成象有限公司 用于生成和显示体内图像流的研究的系统和方法
US10869610B2 (en) 2018-12-05 2020-12-22 General Electric Company System and method for identifying cardiac arrhythmias with deep neural networks
US11583196B2 (en) 2019-03-12 2023-02-21 Cardiac Pacemakers, Inc. Systems and methods for detecting atrial tachyarrhythmia
US11776691B2 (en) 2019-05-06 2023-10-03 Medtronic, Inc. Machine learning based depolarization identification and arrhythmia localization visualization
US20200352521A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Category-based review and reporting of episode data
US11475998B2 (en) 2019-05-06 2022-10-18 Medtronic, Inc. Data preparation for artificial intelligence-based cardiac arrhythmia detection
US11723577B2 (en) 2019-05-06 2023-08-15 Medtronic, Inc. Visualization of arrhythmia detection by machine learning
US20200352466A1 (en) 2019-05-06 2020-11-12 Medtronic, Inc. Arrythmia detection with feature delineation and machine learning
US11583687B2 (en) 2019-05-06 2023-02-21 Medtronic, Inc. Selection of probability thresholds for generating cardiac arrhythmia notifications
US11694804B2 (en) 2019-05-06 2023-07-04 Medtronic, Inc. Reduced power machine learning system for arrhythmia detection

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130231947A1 (en) 2000-05-30 2013-09-05 Vladimir Shusterman Mobile System with Network-Distributed Data Processing for Biomedical Applications
US20130274624A1 (en) 2012-04-17 2013-10-17 Cardiac Pacemakers, Inc. Method and apparatus for automatic arrhythmia classification with confidence estimation
JP2018503885A (ja) 2014-11-14 2018-02-08 ゾール メディカル コーポレイションＺＯＬＬ Ｍｅｄｉｃａｌ Ｃｏｒｐｏｒａｔｉｏｎ 医療前兆イベント予測
WO2017072250A1 (en) 2015-10-27 2017-05-04 CardioLogs Technologies An automatic method to delineate or categorize an electrocardiogram
WO2018162901A2 (en) 2017-03-07 2018-09-13 Transformative AI Ltd Analysis of cardiac data
US20190130554A1 (en) 2017-10-27 2019-05-02 Alex Rothberg Quality indicators for collection of and automated measurement on ultrasound images
US20190328251A1 (en) 2018-04-27 2019-10-31 Boe Technology Group Co., Ltd. Arrhythmia detection method, arrhythmia detection device and arrhythmia detection system

Also Published As

Publication number Publication date
US11355244B2 (en) 2022-06-07
WO2020226852A1 (en) 2020-11-12
JP2022531293A (ja) 2022-07-06
KR20220004993A (ko) 2022-01-12
EP3965645A1 (en) 2022-03-16
US11776691B2 (en) 2023-10-03
AU2020268721A1 (en) 2021-11-11
US20210358631A1 (en) 2021-11-18
US20240029891A1 (en) 2024-01-25
DE202020005629U1 (de) 2021-11-12
US20200357517A1 (en) 2020-11-12
CN113811246A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
JP7553472B2 (ja) 機械学習に基づく脱分極の識別および不整脈の位置特定の可視化
US11696718B2 (en) Arrhythmia detection with feature delineation and machine learning
US11617533B2 (en) Visualization of arrhythmia detection by machine learning
US20200352521A1 (en) Category-based review and reporting of episode data
US11475998B2 (en) Data preparation for artificial intelligence-based cardiac arrhythmia detection
JP7558196B2 (ja) コンピューティングシステム、コンピュータ可読データ記憶媒体、および方法
CN117396980A (zh) 心脏病发作分类
WO2024035530A1 (en) Health event prediction using heartbeat intervals from electrocardiogram data

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230412

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240123

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240304

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240530

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: 20240822

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240905

R150 Certificate of patent or registration of utility model

Ref document number: 7553472

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150