KR20210072755A - 심장 빈맥성 부정맥의 다계층 예측 - Google Patents
심장 빈맥성 부정맥의 다계층 예측 Download PDFInfo
- Publication number
- KR20210072755A KR20210072755A KR1020217004262A KR20217004262A KR20210072755A KR 20210072755 A KR20210072755 A KR 20210072755A KR 1020217004262 A KR1020217004262 A KR 1020217004262A KR 20217004262 A KR20217004262 A KR 20217004262A KR 20210072755 A KR20210072755 A KR 20210072755A
- Authority
- KR
- South Korea
- Prior art keywords
- patient
- probability
- data
- cardiac arrhythmia
- occur
- Prior art date
Links
- 230000000747 cardiac effect Effects 0.000 title description 34
- 208000001871 Tachycardia Diseases 0.000 title description 18
- 206010003119 arrhythmia Diseases 0.000 claims abstract description 323
- 238000000034 method Methods 0.000 claims abstract description 136
- 230000004044 response Effects 0.000 claims abstract description 70
- 230000008569 process Effects 0.000 claims abstract description 40
- 230000001225 therapeutic effect Effects 0.000 claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims description 103
- 238000012545 processing Methods 0.000 claims description 86
- 238000011282 treatment Methods 0.000 claims description 56
- 238000002560 therapeutic procedure Methods 0.000 claims description 23
- 238000012377 drug delivery Methods 0.000 claims description 16
- 230000006793 arrhythmia Effects 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 9
- 230000007774 longterm Effects 0.000 abstract description 111
- 238000004891 communication Methods 0.000 description 55
- 230000015654 memory Effects 0.000 description 36
- 238000012544 monitoring process Methods 0.000 description 28
- 210000000056 organ Anatomy 0.000 description 28
- 238000010586 diagram Methods 0.000 description 24
- 238000001514 detection method Methods 0.000 description 21
- 230000000694 effects Effects 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 15
- 229940079593 drug Drugs 0.000 description 11
- 239000003814 drug Substances 0.000 description 11
- 230000003449 preventive effect Effects 0.000 description 11
- 230000031864 metaphase Effects 0.000 description 10
- 206010047281 Ventricular arrhythmia Diseases 0.000 description 9
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 8
- 229910052700 potassium Inorganic materials 0.000 description 8
- 239000011591 potassium Substances 0.000 description 8
- 230000036772 blood pressure Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000009533 lab test Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 208000006218 bradycardia Diseases 0.000 description 6
- 230000036471 bradycardia Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000036541 health Effects 0.000 description 5
- 210000005240 left ventricle Anatomy 0.000 description 5
- 210000005245 right atrium Anatomy 0.000 description 5
- 230000035939 shock Effects 0.000 description 5
- 238000009125 cardiac resynchronization therapy Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000000638 stimulation Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000013194 cardioversion Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000028161 membrane depolarization Effects 0.000 description 3
- 230000002336 repolarization Effects 0.000 description 3
- 210000005241 right ventricle Anatomy 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 208000019622 heart disease Diseases 0.000 description 2
- 238000002847 impedance measurement Methods 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004213 regulation of atrial cardiomyocyte membrane depolarization Effects 0.000 description 2
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 208000003663 ventricular fibrillation Diseases 0.000 description 2
- OCKGFTQIICXDQW-ZEQRLZLVSA-N 5-[(1r)-1-hydroxy-2-[4-[(2r)-2-hydroxy-2-(4-methyl-1-oxo-3h-2-benzofuran-5-yl)ethyl]piperazin-1-yl]ethyl]-4-methyl-3h-2-benzofuran-1-one Chemical compound C1=C2C(=O)OCC2=C(C)C([C@@H](O)CN2CCN(CC2)C[C@H](O)C2=CC=C3C(=O)OCC3=C2C)=C1 OCKGFTQIICXDQW-ZEQRLZLVSA-N 0.000 description 1
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 206010049993 Cardiac death Diseases 0.000 description 1
- 230000009271 DNA damage immune response Effects 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010021079 Hypopnoea Diseases 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 206010049447 Tachyarrhythmia Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 210000003748 coronary sinus Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 230000002169 extracardiac Effects 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000002000 scavenging effect Effects 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 210000002620 vena cava superior Anatomy 0.000 description 1
- 208000030402 vitamin D-dependent rickets Diseases 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- 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
- A61B5/355—Detecting T-waves
-
- 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
- A61B5/4806—Sleep evaluation
- A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
-
- 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
- A61B5/4806—Sleep evaluation
- A61B5/4818—Sleep apnoea
-
- 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
-
- 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
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- A61N1/3925—Monitoring; Protecting
-
- 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
- A61N1/395—Heart defibrillators for treating atrial fibrillation
-
- 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
-
- 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
- A61N1/3962—Implantable devices for applying electric shocks to the heart, e.g. for cardioversion in combination with another heart therapy
-
- 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
- A61N1/3987—Heart defibrillators characterised by the timing or triggering of the shock
-
- 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
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- 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
- A61N1/37—Monitoring; Protecting
- A61N1/3706—Pacemaker parameters
-
- 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
- A61N1/37211—Means for communicating with 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
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Cardiology (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Physical Education & Sports Medicine (AREA)
- Anesthesiology (AREA)
Abstract
환자의 심장 부정맥을 예측하기 위한 다계층 시스템에 대한 기술이 개시된다. 일 예에서, 컴퓨팅 장치는 환자에 대한 파라미터 환자 데이터 및 제공자 데이터를 처리하여 심장 부정맥이 제1 기간 내에 환자에서 발생할 장기 확률을 생성한다. 심장 부정맥이 제1 기간 내에 발생할 가능성이 있다는 결정에 응답하여, 컴퓨팅 장치는 의료 장치가 파라미터 환자 데이터를 처리하여 심장 부정맥이 제2 기간 내에 환자에게 발생할 단기 확률을 생성하게 한다. 심장 부정맥이 제2 기간 내에 발생할 가능성이 있다는 결정에 응답하여, 의료 장치는 심장 부정맥이 발생할 가능성을 줄이기 위한 치료 조치를 수행한다.
Description
본 개시내용은 일반적으로 의료 장치에 관한 것으로, 보다 상세하게는 이식형 의료 장치에 관한 것이다.
심실 세동과 같은 악성 빈맥성 부정맥은 심장에서 심실의 심근의 조절되지 않는 수축으로서, 심정지 환자에서 가장 일반적으로 확인되는 부정맥이다. 이러한 부정맥이 몇 초 이상 계속되면, 심장 쇼크 및 효과적인 혈액 순환의 중단이 발생될 수 있다. 결과적으로, 급성 심장사(SCD)는 몇 분만에 발생될 수 있다.
심실 세동의 위험이 높은 환자의 경우, 이식형 심율동전환기 제세동기(ICD)와 같은 이식형 의료 장치(IMD)를 사용하는 것이 SCD를 예방하는 데 유용한 것으로 나타났다. ICD는 배터리 작동 전기 충격 장치로, 이는 통상적으로 심장 내에 배치된 하나 이상의 전기 리드선에 연결되는 전기 하우징 전극(때로는 캔 전극으로 지칭됨)을 포함할 수 있다. 부정맥이 감지되면, ICD는 전기 리드선을 통해 펄스를 전송하여 심장에 충격을 주고 정상적인 리듬을 회복시킬 수 있다. 일부 ICD는 쇼크의 전달 전에 빈맥 방지 조율(ATP)을 전달하여 검출된 빈맥성 부정맥을 종료시키도록 구성되었다. 또한, ICD는 충격으로부터 회복될 때 심장을 지원하기 위해 충격으로 빈맥성 부정맥이 성공적으로 종료된 후 상대적으로 높은 정도의 충격 후 조율을 전달하도록 구성되었다. 일부 ICD는 또한 서맥 조율, 심장 재동기화 치료(CRT), 또는 다른 형태의 조율을 전달한다.
일반적으로, 본 개시내용은 환자에서 심장 부정맥의 다계층 예측을 위한 기술을 설명한다. 일부 예에서, 다계층 시스템은 본 기술을 구현한다. 일 예에서, 컴퓨팅 장치는 환자의 의료 장치의 하나 이상의 전극 및/또는 센서에 의해 수집된 파라미터 환자 데이터를 수신한다. 컴퓨팅 장치는 환자에 대한 제공자 데이터를 데이터베이스로부터 더 수신할 수 있다. 일부 예에서, 컴퓨팅 장치는 클라우드 컴퓨팅 시스템이다. 컴퓨팅 장치는 제1 기간(예를 들어, 통상적으로 약 24시간 내지 약 48시간) 내에 환자에게 심장 부정맥이 발생할 장기 확률을 생성하기 위해 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터를 사용하여 훈련된 기계 학습 모델을 환자에 대한 파라미터 환자 데이터 및 제공자 데이터에 적용한다. 컴퓨팅 장치는 장기 확률이 장기의 소정 임계치를 초과하는지 여부를 결정하고, 장기 확률이 장기의 소정 임계치를 초과한다는 결정에 응답하여, 의료 장치에 지령을 전송해서 의료 장치가 심장 부정맥이 제2 기간(예를 들어, 제1 기간보다 짧고 통상적으로 약 30분 내지 약 60분) 내에 환자에게 발생할 단기 확률을 결정하게 한다. 일부 예에서, 장기의 소정 임계치는 50%이다.
컴퓨팅 장치로부터 지령의 수신에 응답하여, 의료 장치는 후속 파라미터 환자 데이터를 처리하여 제2 기간 내에 환자에게 심장 부정맥이 발생할 단기 확률을 생성한다. 단기 확률이 단기의 소정 임계치를 초과한다는 결정에 응답하여, 의료 장치는 제2 기간 내에 환자에게 심장 부정맥이 발생할 단기 확률을 감소시키기 위한 치료 조치를 수행한다. 예를 들어, 의료 장치는 환자 또는 임상의가 제2 기간 내에 환자에게 심장 부정맥이 발생할 가능성을 인식할 수 있도록 컴퓨팅 장치에 제2 기간 내에 환자에게 심장 부정맥이 발생할 단기 확률의 통지를 발행할 수 있다. 다른 예에서, 의료 장치(또는 환자에게 국지적이고 단기 확률을 결정하는 의료 장치와 통신하는 또 다른 의료 장치)는 제2 기간 내에 환자에게 심장 부정맥이 발생할 가능성을 감소시키기 위해 약물 전달 치료 또는 전기 조율 치료와 같은 환자에 대한 치료를 개시한다. 일부 예에서, 단기의 소정 임계치는 95%이다.
전술한 예로서, 컴퓨팅 장치는, 향후 24시간 내에 환자에게 심장 부정맥이 발생할 가능성이 50% 초과인지의 결정에 응답하여, 의료 장치에 지령을 전송해서 의료 장치가 단기 확률을 결정하게 한다. 의료 장치는, 향후 60분 내에 환자에게 심장 부정맥이 발생할 가능성이 95% 초과인지의 결정에 응답하여, 향후 60분 내에 환자에게 심장 부정맥이 발생할 가능성을 줄이기 위한 치료 조치를 수행한다.
따라서, 본원에 개시된 기술은 환자 치료를 강화하고 환자의 심장 부정맥을 예방하는 능력을 증가시킬 수 있다. 예를 들어, 빈맥성 부정맥이 향후 며칠 내에 발생할 가능성이 상대적으로 높다는 지식은 환자의 예방 치료를 안내하는 데 도움이 되도록 사용될 수 있다. 또한, 빈맥성 부정맥이 향후 몇 분 또는 몇 시간 내에 발생할 가능성이 상대적으로 높다는 지식은 환자의 예방 치료 및 긴급 치료를 안내하는 데 사용될 수 있다. 더 나아가, 본원에 개시된 바와 같은 이러한 시스템은 계산적으로 비싸고 전력을 소비하는 장기 심장 부정맥 예측 작업을 환자의 개인 의료 장치로부터 클라우드 컴퓨팅 시스템으로 이동시킬 수 있고, 클라우드 컴퓨팅 시스템이 향후 며칠 내에 심장 부정맥이 발생할 가능성이 상대적으로 높다고 예측하는 경우에만 의료 장치에 대한 단기 심장 예측 작업을 활성화할 수 있다. 따라서, 본 개시내용의 기술은 심장 부정맥이 특정 시간 범위 내에 발생할 가능성이 상대적으로 높은 경우에만 심장 예측을 위해 의료 장치를 사용함으로써 의료 장치의 전력을 보존하고 배터리 수명을 연장시킬 수 있다.
일 예에서, 본 개시내용은 처리 회로 및 저장 매체를 포함하는 컴퓨팅 장치를 설명하고, 컴퓨팅 장치는 환자에 대한 파라미터 환자 데이터를 수신하고; 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 파라미터 환자 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하고; 제1 확률이 소정 임계치를 초과하는지를 결정하고; 제1 확률이 소정 임계치를 초과한다는 결정에 응답하여, 지령을 제2 장치에 전송해서 제2 장치가 심장 부정맥이 제2 기간 내에 환자에게 발생할 제2 확률을 결정하게 하도록 구성된다.
다른 예에서, 본 개시내용은 복수의 전극 또는 센서 중 하나 이상을 통해 환자에 대한 파라미터 환자 데이터를 수집하고; 컴퓨팅 장치로부터 지령을 수신하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하고; 지령에 응답하여, 파라미터 환자 데이터를 처리해서 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하고; 확률이 소정 임계치를 초과하는지를 결정하고; 확률이 소정 임계치를 초과한다는 결정에 응답하여, 심장 부정맥이 기간 내에 환자에게 발생할 확률을 감소시키기 위해 치료 조치를 수행하도록 구성되는 장치를 설명한다.
다른 예에서, 본 개시내용은 지령을 수신하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하고; 지령에 응답하여, 파라미터 환자 데이터를 처리해서 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하고; 제1 확률이 제1 소정 임계치를 초과하는지를 결정하고; 제1 확률이 제1 소정 임계치를 초과한다는 결정에 응답하여, 지령을 의료 장치에 전송해서 의료 장치가 심장 부정맥이 제2 기간 내에 환자에게 발생할 제2 확률을 결정하게 하도록 구성되는 외부 장치를 설명한다.
다른 예에서, 본 개시내용은 처리 회로 및 저장 매체를 포함하는 컴퓨팅 장치가 환자에 대한 파라미터 환자 데이터를 수신하는 단계; 컴퓨팅 장치가 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 파라미터 환자 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하는 단계; 컴퓨팅 장치가 제1 확률이 소정 임계치를 초과하는지를 결정하는 단계; 컴퓨팅 장치가 제1 확률이 소정 임계치를 초과한다는 결정에 응답하여, 지령을 제2 장치에 전송해서 제2 장치가 심장 부정맥이 제2 기간 내에 환자에게 발생할 제2 확률을 결정하게 하는 단계를 포함하는 방법을 설명한다.
다른 예에서, 본 개시내용은 장치가 환자에 대한 파라미터 환자 데이터를 수집하는 단계; 장치가 컴퓨팅 장치로부터 지령을 수신하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계; 장치가 지령에 응답하여, 파라미터 환자 데이터를 처리해서 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계; 장치가 확률이 소정 임계치를 초과하는지를 결정하는 단계; 장치가 확률이 소정 임계치를 초과한다는 결정에 응답하여, 심장 부정맥이 기간 내에 환자에게 발생할 확률을 감소시키기 위해 치료 조치를 수행하는 단계를 포함하는 방법을 설명한다.
본 요약은 본 개시내용에 설명된 기술 요지의 개요를 제공하기 위한 것이다. 첨부한 도면 및 이하의 설명 내에서 상세히 설명된 장치 및 방법에 대한 배타적이거나 완전한 설명을 제공하도록 의도된 것은 아니다. 하나 이상의 예시의 추가적인 세부사항은 첨부한 도면 및 이하의 설명에 제시된다.
도 1은 본 개시내용의 기술에 따른 심장 부정맥을 예측하기 위한 예시적인 시스템을 나타낸 블록도이다.
도 2는 도 1의 시스템의 IMD 및 리드를 더 상세하게 나타낸 개념도이다.
도 3은 본 개시내용의 기술에 따른 예시적인 이식형 의료 장치의 블록도이다.
도 4는 본 개시내용의 하나 이상의 기술에 따라 작동하는 예시적인 컴퓨팅 장치를 나타낸 블록도이다.
도 5는 본 개시내용의 하나 이상의 기술에 따라 작동하는 예시적인 외부 장치를 나타낸 블록도이다.
도 6은 본 개시내용의 기술에 따른 예시적인 작업을 나타낸 흐름도이다.
도 7은 본 개시내용의 기술에 따른 예시적인 작업을 나타낸 흐름도이다.
도 8a는 본 개시내용의 기술에 따른 예시적인 작업을 나타낸 흐름도이다.
도 8b는 도 8a의 예에 도시된 심장 부정맥의 장기 예측을 위한 알고리즘을 더 상세하게 나타낸 블록도이다.
도 8c는 도 8a의 예에 도시된 심장 부정맥의 중기 예측을 위한 알고리즘을 더 상세하게 나타낸 블록도이다.
도 8d는 도 8a의 예에 도시된 심장 부정맥의 단기 예측을 위한 알고리즘을 더 상세하게 나타낸 블록도이다.
도 9는 본 개시내용의 기술에 따른 심장 부정맥의 단기 예측을 위한 예시적인 알고리즘을 나타낸 블록도이다.
유사한 참조 부호는 도면 및 설명 전체에 걸쳐 유사한 요소를 지칭한다.
도 2는 도 1의 시스템의 IMD 및 리드를 더 상세하게 나타낸 개념도이다.
도 3은 본 개시내용의 기술에 따른 예시적인 이식형 의료 장치의 블록도이다.
도 4는 본 개시내용의 하나 이상의 기술에 따라 작동하는 예시적인 컴퓨팅 장치를 나타낸 블록도이다.
도 5는 본 개시내용의 하나 이상의 기술에 따라 작동하는 예시적인 외부 장치를 나타낸 블록도이다.
도 6은 본 개시내용의 기술에 따른 예시적인 작업을 나타낸 흐름도이다.
도 7은 본 개시내용의 기술에 따른 예시적인 작업을 나타낸 흐름도이다.
도 8a는 본 개시내용의 기술에 따른 예시적인 작업을 나타낸 흐름도이다.
도 8b는 도 8a의 예에 도시된 심장 부정맥의 장기 예측을 위한 알고리즘을 더 상세하게 나타낸 블록도이다.
도 8c는 도 8a의 예에 도시된 심장 부정맥의 중기 예측을 위한 알고리즘을 더 상세하게 나타낸 블록도이다.
도 8d는 도 8a의 예에 도시된 심장 부정맥의 단기 예측을 위한 알고리즘을 더 상세하게 나타낸 블록도이다.
도 9는 본 개시내용의 기술에 따른 심장 부정맥의 단기 예측을 위한 예시적인 알고리즘을 나타낸 블록도이다.
유사한 참조 부호는 도면 및 설명 전체에 걸쳐 유사한 요소를 지칭한다.
도 1은 본 개시내용의 기술에 따른 심장 부정맥을 예측하기 위한 예시적인 시스템을 나타낸 블록도이다. 시스템(10)은 의료 장치를 포함한다. 이러한 의료 장치의 일 예는 도 1에 도시된 IMD(16)이다. 도 1의 예시적인 시스템(10)에 의해 도시된 바와 같이, IMD(16)는, 일부 예에서, 예를 들어 이식형 심박 조율기, 이식형 심율동전환기/제세동기(ICD), 또는 조율기/심율동전환기/제세동기일 수 있다. IMD(16)는 리드(18, 20 및 22)에 연결되고 외부 장치(27)에 통신적으로 결합되어, 결과적으로 통신 네트워크(25)를 통해 컴퓨팅 장치(24)에 통신적으로 결합된다.
IMD(16)는 하나 이상의 리드(18, 20, 22) 또는 IMD(16)의 하우징 상의 전극을 통해 심장(12)의 탈분극 및 재분극에 수반되는 전기 신호를, 예를 들어 심장 전기도(EGM)를, 감지한다. IMD(16)는 하나 이상의 리드(18, 20, 22) 또는 IMD(16)의 하우징에 위치된 전극을 통해 심장(12)의 전기 신호 형태로 치료를 전달할 수도 있다. 치료는 조율, 심율동전환 및/또는 제세동 펄스일 수 있다. IMD(16)는 리드(18, 20 또는 22) 상의 전극에 의해 수집된 EGM 신호를 모니터링하고, EGM 신호를 기반으로 심장 질환을 진단 및 치료할 수 있다.
일부 예에서, IMD(16)는 도 1의 외부 장치(27)와 같은 다른 장치와 통신하기 위해 임의의 적절한 회로, 펌웨어, 소프트웨어, 또는 이들의 임의의 조합을 포함하는 통신 회로(17)를 포함한다. 예를 들어, 통신 회로(17)는 컴퓨팅 장치(24)와 같은 다른 장치와의 무선 주파수 통신을 위해 하나 이상의 프로세서, 메모리, 무선 라디오, 안테나, 송신기, 수신기, 변조 및 복조 회로, 필터, 증폭기 등을 포함할 수 있다. IMD(16)는 IMD(16)의 하나 이상의 작동을 제어하고 및/또는 업링크된 데이터를 외부 장치(27)로 전송하기 위하여 그로부터 다운링크된 데이터를 수신하기 위한 통신 회로(17)를 사용할 수 있다.
리드(18, 20, 22)는 환자(14)의 심장(12)으로 연장되어 심장(12)의 전기적 활동을 감지하고 및/또는 심장(12)에 전기 자극을 전달한다. 도 1에 도시된 예에서, 우심실(RV) 리드(18)는 하나 이상의 정맥(미도시), 상대정맥(미도시), 및 우심방(26)을 통해 우심실(28)로 연장된다. 좌심실(LV) 리드(20)는 하나 이상의 정맥, 대정맥, 우심방(26)을 통해 심장(12)의 좌심실(32)의 자유 벽에 인접한 영역까지 관상정맥동(30)으로 연장된다. 우심방(RA) 리드(22)는 하나 이상의 정맥 및 대정맥을 통해 심장(12)의 우심방(26)으로 연장된다.
도 1의 예시적인 시스템(10)은 IMD(16)를 나타내고 있지만, 다른 예에서, 본 개시내용의 기술은 반드시 이식 가능하지 않은 다른 유형의 의료 장치에 적용될 수 있다. 예를 들어, 본 개시내용의 기술에 따른 의료 장치는 환자(14)가 착용하는 웨어러블 의료 장치 또는 "스마트" 의류를 포함할 수 있다. 예를 들어, 이러한 의료 장치는 환자(14)가 착용하는 손목 시계 또는 환자(14)에 접착식으로 부착된 회로의 형태를 취할 수 있다. 다른 예에서, 본원에 설명된 바와 같은 의료 장치는 이식형 전극을 갖는 외부 의료 장치를 포함할 수 있다.
일부 예에서, 외부 장치(27)는 휴대폰, "스마트" 폰, 랩톱, 태블릿 컴퓨터, 개인 정보 단말기(PDA), 웨어러블 전자 장치 등과 같은 외부 프로그래머 또는 모바일 장치의 형태를 취한다. 일부 예에서, 외부 장치(27)는 Medtronic, Inc.로부터 입수 가능한 CareLink™ 모니터이다. 의사, 기술자, 외과의, 전기-생리학자, 또는 기타 임상의와 같은 사용자는 IMD(16)로부터 생리학적 또는 진단 정보를 검색하기 위해 외부 장치(27)와 상호 작용할 수 있다. 전술한 바와 같은 환자(14) 또는 임상의와 같은 사용자는 또한 외부 장치(27)와 상호 작용하여 IMD(16)를 프로그래밍할 수 있으며, 예를 들어 IMD(16)의 작동 파라미터에 대한 값을 선택하거나 조정할 수 있다. 외부 장치(27)는 IMD(16) 및 컴퓨팅 장치(24)의 각각에 그리고 이로부터 정보를 송수신할 수 있는 처리 회로, 메모리, 사용자 인터페이스, 및 통신 회로를 포함할 수 있다.
일부 예에서, 컴퓨팅 장치(24)는 핸드헬드 컴퓨팅 장치, 컴퓨터 워크스테이션, 서버 또는 다른 네트워크화된 컴퓨팅 장치, 스마트 폰, 태블릿, 또는 사용자에게 정보를 제공하고 사용자로부터 입력을 수신하기 위한 사용자 인터페이스를 포함하는 외부 프로그래머의 형태를 취한다. 일부 예에서, 컴퓨팅 장치(24)는 신경망, 딥 러닝 시스템, 또는 다른 유형의 예측 분석 시스템과 같은 기계 학습 시스템을 구현하는 하나 이상의 장치를 포함할 수 있다. 의사, 기술자, 외과의, 전기-생리학자, 또는 기타 임상의와 같은 사용자는 IMD(16)로부터 생리학적 또는 진단 정보를 검색하기 위해 컴퓨팅 장치(24)와 상호 작용할 수 있다. 사용자는 또한 컴퓨팅 장치(24)와 상호 작용하여 IMD(16)를 프로그래밍할 수 있으며, 예를 들어 IMD의 작동 파라미터에 대한 값을 선택할 수 있다. 컴퓨팅 장치(24)는 IMD(16)로부터 컴퓨팅 장치(24)로 전송되는 EGM 및/또는 다른 감지된 신호를 평가하도록 구성된 프로세서를 포함할 수 있다.
네트워크(25)는 하나 이상의 비에지 스위치, 라우터, 허브, 게이트웨이, 방화벽과 같은 보안 장치, 침입 감지 및/또는 침입 방지 장치, 서버, 컴퓨터 단말기, 랩톱, 프린터, 데이터베이스, 휴대폰이나 개인 정보 단말기와 같은 무선 모바일 장치, 무선 액세스 포인트, 브리지, 케이블 모뎀, 애플리케이션 가속기, 또는 다른 네트워크 장치와 하나 이상의 컴퓨팅 장치(미도시)를 포함할 수 있다. 네트워크(25)는 서비스 제공자에 의해 관리되는 하나 이상의 네트워크를 포함할 수 있으며, 이에 따라 인터넷과 같은 대규모 공용 네트워크 인프라의 일부를 형성할 수 있다. 네트워크(25)는 컴퓨팅 장치(24) 및 IMD(16)와 같은 컴퓨팅 장치, 인터넷에 대한 액세스를 제공할 수 있으며, 컴퓨팅 장치가 서로 통신하게 하는 통신 프레임워크를 제공할 수 있다. 일부 예에서, 네트워크(25)는 컴퓨팅 장치(24), IMD(16), 제공자 데이터베이스(66), 및 청구 데이터베이스(68)가 서로 통신하게 하지만 컴퓨팅 장치(24), IMD(16), 제공자 데이터베이스(66), 청구 데이터베이스(68)를 보안 목적을 위해 외부 장치로부터 격리시키는 통신 프레임워크를 제공하는 사설 네트워크일 수 있다. 일부 예에서, 컴퓨팅 장치(24), IMD(16), 제공자 데이터베이스(66), 및 청구 데이터베이스(68) 간의 통신은 암호화된다.
외부 장치(27) 및 컴퓨팅 장치(24)는 당업계에 공지된 임의의 기술을 사용하여 네트워크(25)를 통해 무선 통신을 거쳐 통신할 수 있다. 일부 예에서, 컴퓨팅 장치(24)는 로컬 액세스 포인트, 무선 라우터, 또는 게이트웨이와 같은 네트워크(25)에 위치된 중개 장치를 통해 외부 장치(27)와 통신하는 원격 장치이다. 도 1의 예에서 외부 장치(27) 및 컴퓨팅 장치(24)는 네트워크(25)를 통해 통신하지만, 일부 예에서, 외부 장치(27) 및 컴퓨팅 장치(24)는 서로 직접 통신한다. 통신 기술의 예로는 예를 들어 Bluetooth® 또는 Bluetooth® 저에너지(BLE) 프로토콜에 따른 통신을 포함할 수 있다. 다른 통신 기술도 고려된다. 컴퓨팅 장치(24)는 다수의 공지된 유선 및 무선 통신 기술을 사용하여 하나 이상의 다른 외부 장치와 통신할 수도 있다.
제공자 데이터베이스(66)는 환자(14)에 대한 제공자 데이터를 저장한다. 청구 데이터베이스(68)는 보험 제공자 또는 환자(14)에 대한 다른 지불인에 의해 저장된 건강 기록과 같은 환자(14)에 대한 청구 또는 지불인 정보를 저장할 수 있다. 제공자 데이터베이스(66) 및 청구 데이터베이스(68)는 처리 회로 및 하나 이상의 저장 매체(예를 들어, 랜덤 액세스 메모리(RAM), 리드 온리 메모리(ROM), 프로그래머블 리드 온리 메모리(PROM), 소거식 프로그래머블 리드 온리 메모리(EPROM), 전자 소거식 프로그래머블 리드 온리 메모리(EEPROM), 또는 플래시 메모리)를 포함할 수 있다. 일부 예에서, 제공자 데이터베이스(66)는 클라우드 컴퓨팅 시스템이다. 일부 예에서, 제공자 데이터베이스(66)의 기능은 다수의 컴퓨팅 시스템에 걸쳐 분산된다.
본 개시내용의 기술에 따르면, 시스템(10)은 환자의 심장 부정맥의 다계층 예측을 제공한다. 일부 예에서, 시스템(10)은 심장 심실 부정맥의 장기 및 단기 예측을 제공한다. 일부 예에서, 장기간은 약 24시간 내지 약 48시간이다. 일부 예에서, 단기간은 약 30분 내지 약 60분이다. 일부 예에서, 장기간은 약 1일 초과 약 1주 미만이고, 단기간은 약 1분 초과 약 1일 미만이다. 일부 예에서, 장기간은 약 1일 미만이고, 단기간은 약 1시간 미만이다.
일 예에서, 컴퓨팅 장치(24)는 환자(14)의 의료 장치에 의해 수집된 파라미터 환자 데이터를 수신한다. 일부 예에서, 파라미터 환자 데이터는 환자(14)의 활동 수준, 환자(14)의 심박수, 환자(14)의 자세, 환자(14)의 심장 전기도, 환자(14)의 혈압, 환자(14)의 맥박 전달 시간, 환자(14)의 호흡률, 환자(14)의 저호흡 지수 또는 무호흡, 환자(14)의 가속도계 데이터, 활동 횟수, 자세, 통계적 제어 프로세스 변수 등과 같은 환자(14)의 가속도계 데이터로부터 파생된 특징, 환자(14)의 원시 근전도, 심박수 변동성, t-파 교대성, QRS 형태 등과 같은 환자(14)의 원시 근전도로부터 파생된 하나 이상의 특징, 간격 데이터로부터 파생된 간격 데이터 및 특징, 심장 소리, 칼륨 수준, 혈당 지수, 환자(14)의 체온, 또는 전술한 파라미터 데이터로부터 파생 가능한 임의의 데이터와 같은 환자(14)에 대한 생리학적 데이터, 또는 임의의 다른 유형의 파라미터 환자 데이터를 포함한다. 일부 예에서, 파라미터 환자 데이터는 환자(14)의 연령, 환자(14)의 성별, 환자(14)의 활동 패턴, 환자(14)의 수면 패턴, 환자(14)의 보행 변화, 또는 의료 장치 또는 환자(14)의 온도 경향과 같은 환자(14)에 대한 거동 데이터 또는 인구통계학적 데이터를 포함한다. 일부 예에서, 의료 장치는 하나 이상의 센서로부터 정보를 처리함으로써 파라미터 환자 데이터를 자동으로 생성할 수 있다. 예를 들어, 의료 장치는, 하나 이상의 센서를 통해, 환자(14)가 쓰러졌거나, 환자(14)가 허약하거나 질병에 시달리는지, 또는 환자(14)가 수면 무호흡증의 사례를 겪고 있는지를 결정할 수 있다.
일부 예에서, 파라미터 환자 데이터는 대기질 측정치, 오존 수준, 미립자 수치, 또는 환자(14)에 근접한 오염 수준, 주변 온도, 또는 일광 시간과 같은 환경 데이터를 포함한다. 일부 예에서, 의료 장치, 센서(80) 또는 외부 장치(27) 중 하나는 하나 이상의 센서를 통해 환경 데이터를 감지할 수 있다. 다른 예에서, 환경 데이터는 날씨 애플리케이션과 같은 애플리케이션을 통해 외부 장치(27)에 의해 수신되고, 외부 장치(27)에서 실행되고, 네트워크(25)를 통해 컴퓨팅 장치(24)에 업로드된다. 다른 예에서, 컴퓨팅 장치(24)는 환자(14)에 대한 위치 기반 데이터를 갖는 클라우드 서비스로부터 직접 환경 데이터를 수집한다.
일부 예에서, 파라미터 환자 데이터는 외부 장치(27)와 같은 외부 장치를 통해 환자(14)에 의해 업로드되는 환자 증상 데이터를 포함한다. 예를 들어, 환자(14)는 스마트 폰에서 실행되는 애플리케이션을 통해 환자 증상 데이터를 업로드할 수 있다. 일부 예에서, 환자(14)는 사용자 인터페이스(도 1에 미도시)를 통해 예를 들어 터치스크린, 키보드, 그래픽 사용자 인터페이스, 음성 명령 등에 의해 환자 증상 데이터를 업로드할 수 있다. 다른 예에서, 환자의 이미지는 외부 장치(27)의 카메라를 통해 획득될 수 있고 환자 증상 데이터를 식별하기 위해 환자의 이미지를 처리할 수 있다.
일부 예에서, 파라미터 환자 데이터는 의료 장치의 하나 이상의 전극의 임피던스, 전극의 선택, 의료 장치에 대한 약물 전달 일정, 환자에게 전달되는 전기 조율 치료 이력, 의료 장치에 대한 진단 데이터, 환자(14)의 검출된 활동 수준, 환자(14)의 검출된 자세, 의료 장치 또는 환자의 검출된 온도, 또는 환자의 검출된 수면 상태, 예를 들어 환자가 수면 또는 깨어있는지 여부 중 하나 이상과 같은 장치 관련 데이터를 포함한다. 일부 예에서, 컴퓨팅 장치(24)는 주기적으로, 예를 들어 매일, 파라미터 환자 데이터를 수신한다. 일부 예에서, 파라미터 환자 데이터를 수집하는 의료 장치는 IMD(16)와 같은 IMD이다. 다른 예에서, 파라미터 환자 데이터를 수집하는 의료 장치는 다른 유형의 환자 장치이다. 파라미터 환자 데이터를 수집할 수 있는 의료 장치의 예로는 IMD(16), 센서(80A-80B)(총괄적으로, "센서(80)"), 웨어러블 장치, 또는 환자 프로그래머, 임상의 프로그래머, 또는 환자(14)의 모바일 장치(예를 들어, 스마트 폰)와 같은 외부 장치(27)를 포함한다. 웨어러블 장치는 웨어러블 센서(80A), 웨어러블 의료 장치, 또는 기타 웨어러블 전자 장치를 포함한다.
일부 예에서, 센서(80)는 환자(14)의 파라미터 환자 데이터를 수집하는 데 사용될 수 있다. 센서(80)의 각각은 하나 이상의 가속도계, 압력 센서, O2 포화용 광학 센서 등을 포함할 수 있다. 일부 예에서, 센서(80)는 환자의 활동 수준, 환자의 심박수, 환자의 자세, 환자의 심장 전기도, 환자의 혈압, 환자에 대한 가속도계 데이터, 또는 다른 유형의 파라미터 환자 데이터 중 하나 이상을 포함하는 파라미터 환자 데이터를 감지할 수 있다. 도 1의 예에서, 센서(80A)는 웨어러블 센서이고, 센서(80B)는 비웨어러블 센서이다. 도 1에 도시된 바와 같이, 센서(80A)는 환자(14)의 상완에 위치된다. 그러나, 다른 유형의 웨어러블 센서(80)는 환자(14)의 다른 신체 부위에 위치될 수 있거나, 또는 예를 들어 의복, 신발, 안경, 시계 또는 손목 밴드, 모자 등 내에서 환자(14)의 의류에 통합될 수 있다.
컴퓨팅 장치(24)는 제공자 데이터베이스(66) 및 청구 데이터베이스(68)로부터 환자(14)에 대한 제공자 데이터를 수신한다. 편의상, "제공자 데이터"라는 용어는 환자(14)에 대한 상이한 유형의 의료 정보를 지칭하기 위해 전체적으로 사용되며, 제공자 데이터베이스(66), 청구 데이터베이스(68), 또는 도 1에 명시적으로 도시되지 않은 건강 정보의 다른 공급원에 의해 저장된 데이터를 포함한다. 일부 예에서, 제공자 데이터는 환자(14)에 대한 여러 상이한 유형의 과거 의료 정보를 포함할 수 있다. 과거 의료 정보는 예를 들어 전자 의료 기록(EMR) 데이터, 전자 건강 기록(EHR) 데이터, 상이한 보건 제공자, 실험실, 임상의, 보험 회사 등으로부터의 데이터를 포함할 수 있다. 과거 의료 정보는 서로 다른 미관련된 개체에 의해 관리되는 다수의 상이한 데이터베이스에 걸쳐 저장될 수 있다. 하나의 비제한적인 예로서, 제공자 데이터베이스(66)는 예를 들면 환자의 약물 이력, 환자의 외과 시술 이력, 환자의 입원 이력, 시간 경과에 따른 환자의 칼륨 수준, 환자(14)에 대한 하나 이상의 실험실 테스트 결과, 환자(14)의 심혈관 이력, 또는 심방 세동, 심부전, 또는 당뇨병과 같은 환자(14)의 공동 이환을 저장할 수 있다. 추가 예로서, 제공자 데이터베이스(66)는 x-선 이미지, 초음파 이미지, 초음파 심전도, 해부학적 이미지, 의료 사진, 방사선 이미지 등과 같은 환자(14)에 대한 의료 이미지를 저장할 수 있다. 청구 데이터베이스(68)는 보험 제공자 또는 환자(14)에 대한 다른 지불인에 의해 저장된 건강 기록과 같은 환자(14)에 대한 청구 또는 지불인 정보를 저장할 수 있다. 통상적으로, 제공자 데이터는 환자 맞춤형이며, 예를 들어 환자(14)의 병력을 구체적으로 지칭한다. 그러나, 일부 예에서, 제공자 데이터는 복수의 환자에 대한 더 넓은 인구통계학적 정보 또는 인구 유형 정보를 포함할 수 있다. 예를 들어, 제공자 데이터는 환자 맞춤형 정보가 제거된 환자(14)와 유사한 하나 이상의 인구 유형의 복수의 환자에 대한 의료 기록을 포함할 수 있다.
컴퓨팅 장치(24)는 환자(14)의 장기 모니터링을 수행하기 위해 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터를 사용하여 훈련된 기계 학습 모델을 환자(14)에 대한 파라미터 환자 데이터 및 제공자 데이터에 적용한다. 일부 예에서, 컴퓨팅 장치(24)는 제1 기간(예를 들어, 통상적으로 약 24시간 내지 약 48시간) 내에 환자(14)에게 심장 부정맥이 발생할 장기 확률을 생성함으로써 장기 모니터링을 수행한다. 컴퓨팅 장치(24)는 장기 확률이 장기의 소정 임계치를 초과하는지 여부를 결정하고, 장기 확률이 장기의 소정 임계치를 초과한다는 결정에 응답하여, IMD(16)가 환자(14)의 단기 모니터링을 수행하게 하는 지령을 전송한다. 일부 예에서, 컴퓨팅 장치(24)는 지령을 외부 장치(27)로 전송하고, 이는 결과적으로 IMD(16)에 지령을 전송한다. 일부 예에서, 장기의 소정 임계치는 심장 부정맥을 예측할 때 고감도를 확보하는 값이 되도록 임상의에 의해 선택된다. 일부 예에서, 장기의 소정 임계치는 50%이다. 일부 예에서, 장기의 소정 임계치는 75%, 80%, 90%, 또는 95%와 같은 다른 임계치이다. 일부 예에서, 지령은 IMD(16)가 심장 부정맥이 제2 기간(예를 들어, 통상적으로 약 30분 내지 약 60분) 내에 환자(14)에게 발생할 단기 확률을 결정함으로써 단기 모니터링을 수행하게 한다. 일부 예에서, 장기 확률이 장기의 소정 임계치를 초과한다는 결정에 응답하여, 컴퓨팅 장치(24)는 장기 확률이 장기의 소정 임계치를 초과했음을 또는 컴퓨팅 시스템(24)이 환자(14)가 제1 기간 내에 심장 부정맥을 겪을 가능성이 있다고 결정했음을 임상의에게 통지하는 것과 같은 다른 동작을 수행할 수 있다.
컴퓨팅 장치(24)로부터 지령의 수신에 응답하여, IMD(16)는 후속 파라미터 환자 데이터를 처리하여 제2 기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 생성한다. 일부 예에서, IMD(16)는 후속 파라미터 환자 데이터에 대해 특징 검출을 수행함으로써 단기 확률을 생성한다. 일부 예에서, IMD(16)는 전술한 바와 같이 컴퓨팅 장치(24)에 의해 분석된 파라미터 환자 데이터와 유사한 파라미터 환자 데이터를 분석할 수 있다. 다른 예에서, IMD(16)는 컴퓨팅 장치(24)에 의해 분석된 파라미터 환자 데이터와 다른 파라미터 환자 데이터를 분석한다. 예를 들어, 컴퓨팅 장치(24)는 장기간(예를 들어, 약 24시간 내지 약 48시간)에 걸쳐 평균화된 하나 이상의 값을 나타내는 파라미터 환자 데이터를 분석할 수 있는 반면, IMD(16)는 단기간(예를 들어, 약 30분 내지 약 60분)에 걸쳐 평균화된 하나 이상의 값을 나타내는 파라미터 환자 데이터를 분석할 수 있다.
단기 확률이 단기의 소정 임계치를 초과한다는 결정에 응답하여, IMD(16)는 제2 기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 감소시키기 위한 치료 조치를 수행한다. 일부 예에서, 단기의 소정 임계치는 심장 부정맥을 예측할 때 높은 특수성을 확보하는 값이 되도록 임상의에 의해 선택된다. 일부 예에서, 단기의 소정 임계치는 95%이다. 일부 예에서, 단기의 소정 임계치는 80%, 90%, 99%, 또는 99.5%, 또는 99.9%와 같은 다른 임계치이다.
예를 들어, IMD(16)는 환자(14) 또는 임상의가 제2 기간 내에 환자(14)에게 심장 부정맥이 발생할 가능성을 인식할 수 있도록 컴퓨팅 장치(24)에 제2 기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률의 통지를 발행할 수 있다. 다른 예에서, IMD(16)는 제2 기간 내에 환자(14)에게 심장 부정맥이 발생할 가능성을 감소시키기 위해 약물 전달 치료 또는 전기 조율 치료와 같은 환자(14)에 대한 치료를 개시한다.
일부 예에서, 컴퓨팅 장치(24)로부터의 지령에 응답하여, IMD(16)는 파라미터 환자 데이터를 처리하여 환자(14)에게 심장 부정맥이 발생할 단기 확률을 생성하고 단기 확률이 한 번에 단기의 소정 임계치를 초과하는지 여부를 결정한다. 다른 예에서, IMD(16)는 파라미터 환자 데이터를 처리하여 환자(14)에게 심장 부정맥이 발생할 단기 확률을 생성하고 단기 확률이 제1 기간 동안 지속적으로 단기의 소정 임계치를 초과하는지 여부를 결정한다. 다른 예에서, IMD(16)는 파라미터 환자 데이터를 처리하여 환자(14)에게 심장 부정맥이 발생할 단기 확률을 생성하고 단기 확률이 제1 기간 동안 주기적으로 여러 번(예를 들어, 10분에 한 번, 한 시간에 한 번, 하루에 한 번 등) 단기의 소정 임계치를 초과하는지 여부를 결정한다.
일부 예에서, 심장 부정맥이 제1 기간 내에 환자에게 발생할 가능성이 감소된 것으로 결정되면, IMD(16)는 단기 모니터링의 수행을 중단한다. 예를 들어, IMD(16)는 후속 파라미터 환자 데이터의 처리를 중단하여 제1 기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 생성할 수 있다. 일부 예에서, IMD(16)는 장기간과 같은 특정 시간량이 경과한 후에 단기 모니터링의 수행을 중단한다. 일부 예에서, IMD(16)는 장기간보다 더 긴 기간 후에 단기 모니터링의 수행을 중단한다. 일부 예에서, IMD(16)는 약 1일 후에 단기 모니터링의 수행을 중단한다. 일부 예에서, IMD(16)는 약 1주 후에 단기 모니터링의 수행을 중단한다. 일부 예에서, IMD(16)가 환자(14)의 단기 모니터링을 수행하는 기간은 장기간과 거의 동일하다. 다른 예에서, IMD(16)가 환자(14)의 단기 모니터링을 수행하는 기간은 장기간보다 길거나 짧다.
일부 예에서, IMD(16)는 컴퓨팅 장치(24)로부터 지령의 수신에 응답하여 단기 모니터링의 수행을 중단한다. 예를 들어, 제1 기간 내에 환자(14)에게 심장 부정맥이 발생할 장기 확률이 장기의 소정 임계치 미만으로 감소된다는 결정에 응답하여, 컴퓨팅 장치(24)는 단기 모니터링의 수행을 중단시키기 위해 지령을 IMD(16)에 전송한다.
컴퓨팅 장치(24)에 의해 그렇게 하도록 지시된 경우에만 단기 확률을 생성하기 위해 파라미터 환자 데이터를 처리함으로써, IMD(16)는 이러한 작업이 임박한 심장 부정맥을 예방하는 데 환자(14)에게 유익한 경우에 파라미터 환자 데이터 처리와 같은 전력 집약적인 작업만을 수행한다. 따라서, IMD(16)는 전력을 절약할 수 있어 종래의 시스템에 비해 배터리 수명이 늘어난다.
도 1의 예에 도시된 바와 같이, IMD(16)는 환자(14)의 단기 모니터링을 수행하는 이식형 의료 장치이다. 그러나, 본 개시내용의 기술의 다른 예에서, 외부 장치(27), 센서(80) 중 하나 이상, 웨어러블 의료 장치, 또는 환자(14) 외부에 있는 다른 유형의 장치와 같은 다른 의료 장치가 본원에 기재된 바와 같이 환자(14)의 단기 모니터링을 수행할 수 있다.
전술한 예에서, 컴퓨팅 장치(24)는 파라미터 환자 데이터, 제공자 데이터를 수신하고 기계 학습 모델을 파라미터 환자 데이터 및 제공자 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자(14)에게 발생할 장기 확률을 생성하고, IMD(16)에 지령을 전송하는 단일 장치 또는 분산 시스템이다. 그러나, 다른 예에서, 컴퓨팅 장치(24)의 기능은 장치 그룹에 의해 수행될 수 있다. 예를 들어, 외부 프로그래머는 IMD(16)로부터 파라미터 환자 데이터를 수신하고 파라미터 환자 데이터를 네트워크(25)의 로컬 액세스 포인트에 업로드할 수 있다. 또한, 로컬 액세스 포인트는 제공자 데이터베이스(66)로부터 환자(14)에 대한 제공자 데이터를 수신할 수 있다. 분산형 컴퓨팅 시스템은 로컬 액세스 포인트로부터 파라미터 데이터 및 환자(14)에 대한 제공자 데이터를 수신하고 심장 부정맥이 제1 기간 내에 환자(14)에게 발생할 장기 확률을 생성하도록 기계 학습 모델을 적용할 수 있다. 분산형 컴퓨팅 시스템은 로컬 액세스 포인트를 통해 외부 프로그래머에게 장기 확률을 전송할 수 있다. 외부 프로그래머는 장기 확률이 장기의 소정 임계치를 초과하는지를 결정할 수 있으며, 이에 응답하여 IMD(16)가 환자(14)의 단기 모니터링을 수행하게 하는 지령을 IMD(16)에 전송할 수 있다.
전술한 예는 2계층 예측 시스템을 설명하고 있으며, 예를 들어 컴퓨팅 장치(24)는 환자(14)의 심장 부정맥에 대한 제1의 일반형 장기 예측을 수행하고, IMD(16)는 환자(14)의 심장 부정맥에 대한 제2의 세밀한 단기 예측을 수행한다. 그러나, 본 개시내용의 기술은 계층 수가 다양한 시스템을 제공할 수 있다. 예를 들어, 3계층 예측 시스템에서, 컴퓨팅 장치(24)는 환자(14)의 심장 부정맥에 대한 제1의 일반형 장기 예측을 수행하고, 외부 장치(7)는 제2의 중간 예측을 수행하고, IMD(16)는 환자(14)의 심장 부정맥에 대한 제3의 세밀한 단기 예측을 수행한다. 본 개시내용의 기술의 다른 예는 환자(14)의 예측된 심장 부정맥의 정확도를 더욱 높이기 위해 다양한 수준에서 추가 예측을 통합하여, 4계층, 5계층, 또는 더 큰 계층의 시스템을 야기할 수 있다.
부가적으로, 2계층 예측 시스템의 전술한 예에서, 컴퓨팅 장치(24)는 환자(14)의 심장 부정맥에 대한 제1의 일반형 장기 예측을 수행하고, IMD(16)는 환자(14)의 심장 부정맥에 대한 제2의 세밀한 단기 예측을 수행한다. 더 나아가, 3계층 예측 시스템의 전술한 예에서, 컴퓨팅 장치(24)는 환자(14)의 심장 부정맥에 대한 제1의 일반형 장기 예측을 수행하고, 외부 장치(27)는 제2의 중간 예측을 수행하고, IMD(16)는 환자(14)의 심장 부정맥에 대한 제3의 세밀한 단기 예측을 수행한다. 그러나, 컴퓨팅 장치(24), 외부 장치(27), 및/또는 IMD(16)의 각각에 의해 이루어진 이러한 예측은 단지 예로서 제공된다. 다른 예에서, 컴퓨팅 장치(24), 외부 장치(27), 및/또는 IMD(16)의 각각은 유사하거나 상이한 시간 길이에 대한 예측을 수행할 수 있다. 예를 들어, 컴퓨팅 장치(24), 외부 장치(27), 및/또는 IMD(16)의 각각은 본원에 설명된 기술을 사용하여 심장 부정맥의 장기, 중간 또는 중기, 또는 단기 예측을 수행할 수 있다. 예를 들어, 컴퓨팅 장치(24)는 환자(14)의 심장 부정맥의 단기 예측을 수행하기 위해 파라미터 환자 데이터 및 제공자 데이터를 사용할 수 있고, 심장 부정맥이 있을 수 있다는 결정에 응답하여, IMD(16)에 지령을 전송하여 환자(14)의 심장 부정맥의 추가적인 단기 예측을 수행 및 생성할 수 있다.
부가적으로, 2계층 예측 시스템의 전술한 예에서, 컴퓨팅 장치(24)는 환자(14)의 심장 부정맥에 대한 제1의 일반형 장기 예측을 수행하고, IMD(16)는 환자(14)의 심장 부정맥에 대한 제2의 세밀한 단기 예측을 수행한다. 심장 부정맥이 환자(14)에게 발생할 가능성이 있다는 결정에 응답하여, IMD(16)는 환자(14)에게 심장 부정맥이 발생할 단기 확률을 감소시키기 위한 치료 조치를 수행할 수 있다. 그러나, 본 개시내용의 기술의 다른 예에서, 본원에서 설명된 바와 같은 다계층 시스템은 장치의 다른 조합을 포함할 수 있다. 예를 들어, 2계층 예측 시스템은 환자(14)의 심장 부정맥에 대한 제1의 일반형 장기 예측을 수행하는 컴퓨팅 장치(24), 및 환자(14)의 심장 부정맥에 대한 제2의 세밀한 단기 예측을 수행해서 환자(14)에게 심장 부정맥이 발생할 단기 확률을 감소시키기 위한 치료 조치를 수행하는 외부 장치(27)를 포함할 수 있다. 다른 예로서, 2계층 예측 시스템은 환자(14)의 심장 부정맥에 대한 제1의 일반형 장기 예측을 수행하는 외부 장치(27), 및 환자(14)의 심장 부정맥에 대한 제2의 세밀한 단기 예측을 수행해서 환자(14)에게 심장 부정맥이 발생할 단기 확률을 감소시키기 위한 치료 조치를 수행하는 센서(80) 중 하나와 같은 웨어러블 의료 장치를 포함할 수 있다. 또 다른 예에서, 2계층 예측 시스템은 환자(14)의 심장 부정맥에 대한 제1의 일반형 장기 예측을 수행하는 외부 장치(27), 및 환자(14)의 심장 부정맥에 대한 제2의 세밀한 단기 예측을 수행해서 환자(14)에게 심장 부정맥이 발생할 단기 확률을 감소시키기 위한 치료 조치를 수행하는 IMD(16)를 포함할 수 있다.
따라서, 본원에 개시된 기술은 환자 치료를 강화하고 환자의 심장 부정맥을 예방하는 능력을 증가시킬 수 있다. 예를 들어, 빈맥성 부정맥이 향후 며칠 내에 발생할 가능성이 상대적으로 높다는 지식은 환자의 예방 치료를 안내하는 데 도움이 되도록 사용될 수 있다. 또한, 빈맥성 부정맥이 향후 몇 분 또는 몇 시간 내에 발생할 가능성이 상대적으로 높다는 지식은 환자의 예방 치료 및 긴급 치료를 안내하는 데 사용될 수 있다. 더 나아가, 본원에 개시된 바와 같은 이러한 시스템은 계산적으로 비싸고 전력을 소비하는 장기 심장 부정맥 예측 작업을 환자의 개인 의료 장치로부터 클라우드 컴퓨팅 시스템으로 이동시킬 수 있고, 클라우드 컴퓨팅 시스템이 향후 며칠 내에 심장 부정맥이 발생할 가능성이 상대적으로 높다고 예측하는 경우에만 의료 장치에 대한 단기 심장 예측 작업을 활성화할 수 있다. 따라서, 본 개시내용의 기술은 심장 부정맥이 특정 시간 범위 내에 발생할 가능성이 상대적으로 높은 경우에만 심장 예측을 위해 의료 장치를 사용함으로써 의료 장치의 전력을 보존하고 배터리 수명을 연장시킬 수 있다.
도 2는 도 1의 시스템(10)의 IMD(16) 및 리드(18, 20, 22)를 더 상세하게 나타낸 개념도이다. 도시된 예에서, 쌍극 전극(40 및 42)은 리드(18)의 원위 단부에 인접하게 위치되고, 쌍극 전극(48 및 50)은 리드(22)의 원위 단부에 인접하게 위치된다. 또한, 4개의 전극(44, 45, 46 및 47)은 리드(20)의 원위 단부에 인접하게 위치된다. 리드(20)는 사분극 LV 리드로 지칭될 수 있다. 다른 예에서, 리드(20)는 더 많거나 더 적은 전극을 포함할 수 있다. 일부 예에서, LV 리드(20)는, 예를 들어 전극(44, 45, 46 및 47)의 위치와 같은 리드의 복수의 종방향 전극 위치의 각각이 리드의 원주 주위의 각각의 원주 위치에 배열된 복수의 이산 전극을 포함하는, 분절형 전극을 포함한다.
도시된 예에서, 전극(40 및 44-48)은 링 전극의 형태를 취하고, 전극(42 및 50)은 각각 절연 전극 헤드(52 및 56) 내에 신축 가능하게 장착된 연장식 나선 팁 전극의 형태를 취할 수 있다. 리드(18 및 22)는 또한 각각 코일 형태를 취할 수 있는 세장형 전극(62 및 64)을 포함한다. 일부 예에서, 전극(40, 42, 44-48, 50, 62, 및 64)의 각각은 연관된 리드(18, 20, 22)의 리드 바디 내의 각각의 전도체에 전기적으로 결합되어, IMD(16) 내의 회로에 결합된다.
일부 예에서, IMD(16)는 도 2에 도시된 하우징 전극(4)과 같은 하나 이상의 하우징 전극을 포함하는데, 이는 IMD(16)의 기밀하게 밀봉된 하우징(8)의 외면과 일체로 형성되거나 또는 이와 달리 하우징(8)에 결합될 수 있다. 일부 예에서, 하우징 전극(4)은 IMD(16)의 하우징(8)의 외향 대향부의 비절연부에 의해 형성된다. 하우징(8)의 절연부와 비절연부 간의 다른 분할은 2개 이상의 하우징 전극을 형성하기 위해 이용될 수 있다. 일부 예에서, 하우징 전극은 실질적으로 모든 하우징(8)을 포함한다.
하우징(8)은 심박 조율, 심율동전환, 및 제세동 펄스와 같은 치료 자극을 생성하는 신호 생성 회로뿐만 아니라, 심장(12)의 탈분극 및 재분극에 수반되는 전기 신호를 감지하기 위한 감지 회로를 둘러싼다. 하우징(8)은 감지된 전기 신호를 저장하기 위한 메모리를 둘러쌀 수도 있다. 하우징(8)은 IMD(16)와 컴퓨팅 장치(24) 간의 통신을 위한 통신 회로(17)를 둘러쌀 수도 있다.
IMD(16)는 전극(4, 40, 42, 44-48, 50, 62, 및 64)을 통해 심장(12)의 탈분극 및 재분극에 수반되는 전기 신호를 감지한다. IMD(16)는 전극(40, 42, 44-48, 50, 62, 및 64)의 임의의 쌍극 조합을 통해 이러한 전기 신호를 감지할 수 있다. 더 나아가, 전극(40, 42, 44-48, 50, 62, 및 64) 중 임의의 전극은 하우징 전극(4)과 조합하여 단극 감지에 사용될 수 있다.
리드(18, 20, 및 22) 및 전극의 도시된 개수 및 구성은 단지 예시일 뿐이다. 다른 구성도, 즉 리드와 전극의 수 및 위치도, 가능하다. 일부 예에서, 시스템(10)은 환자(14)에게 치료를 감지 및/또는 전달하기 위해 심혈관 시스템 내의 상이한 위치에 위치된 하나 이상의 전극을 갖는 추가 리드 또는 리드 세그먼트를 포함할 수 있다. 예를 들어, 심장 간 리드(18, 20 및 22) 대신에 또는 이에 추가하여, 시스템(10)은 심장(12) 내에 위치되지 않는 하나 이상의 심외막 또는 혈관외(예를 들어, 피하 또는 흉골하) 리드를 포함할 수 있다.
본 개시내용의 기술에 따르면, IMD(16)는 도 1의 컴퓨팅 장치(24)로부터 지령을 수신하여 환자(14)의 단기 모니터링을 수행한다. 예를 들어, 컴퓨팅 장치(24)로부터 지령의 수신에 응답하여, IMD(16)는 후속 파라미터 환자 데이터를 처리하여 제2 기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 생성한다. 일부 예에서, IMD(16)는 후속 파라미터 환자 데이터에 대해 특징 검출을 수행함으로써 단기 확률을 생성한다. 일부 예에서, IMD(16)는 전술한 바와 같이 컴퓨팅 장치(24)에 의해 분석된 파라미터 환자 데이터와 유사한 파라미터 환자 데이터를 분석할 수 있다. 다른 예에서, IMD(16)는 컴퓨팅 장치(24)에 의해 분석된 파라미터 환자 데이터와 다른 파라미터 환자 데이터를 분석한다. 예를 들어, 컴퓨팅 장치(24)는 상대적으로 장기간(예를 들어, 약 24시간 내지 약 48시간)에 걸쳐 평균화된 하나 이상의 값을 나타내는 파라미터 환자 데이터를 분석할 수 있는 반면, IMD(16)는 상대적으로 단기간(예를 들어, 약 30분 내지 약 60분)에 걸쳐 평균화된 하나 이상의 값을 나타내는 파라미터 환자 데이터를 분석할 수 있다. 본 개시내용 전체에 걸쳐 사용된 바와 같이, "장기간" 및 "단기간"은 본원에서 상이한 길이의 두 기간을 서로 구별하기 위해 사용되며, 두 기간 중 하나(예를 들어, "장기간")은 두 기간 중 다른 하나(예를 들어, "단기간")보다 더 길다.
단기 확률이 단기의 소정 임계치를 초과한다는 결정에 응답하여, IMD(16)는 제2 기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 감소시키기 위한 치료 조치를 수행한다. 예를 들어, IMD(16)는 환자(14) 또는 임상의가 제2 기간 내에 환자(14)에게 심장 부정맥이 발생할 가능성을 인식할 수 있도록 컴퓨팅 장치(24)에 제2 기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률의 통지를 발행할 수 있다. 다른 예에서, IMD(16)는 제2 기간 내에 환자(14)에게 심장 부정맥이 발생할 가능성을 감소시키기 위해 약물 전달 치료 또는 전기 조율 치료와 같은 환자(14)에 대한 치료를 개시한다.
치료 전기 자극을 제공하는 예시적인 IMD(16)와 관련하여 본원에서 설명되었지만, 본원에 개시된 심장 부정맥의 단기 예측을 위한 기술은 다른 유형의 장치와 함께 사용될 수 있다. 예를 들어, 본 기술은 심혈관 시스템 외부의 전극에 결합된 심외 제세동기, 아일랜드 더블린의 Medtronic PLC에서 시판되는 MicraTM transcatheter pacing system과 같은 심장 내 이식용으로 구성된 카테터경유 조율기, Medtronic PLC에서도 시판되는 Reveal LINQTM ICM과 같은 삽입형 심장 모니터, 신경 자극기, 약물 전달 장치, 웨어러블 심율동전환기 제세동기와 같은 웨어러블 장치, 피트니스 트래커, 또는 휴대폰, "스마트" 폰, 랩톱, 태블릿 컴퓨터, 개인 정보 단말기(PDA), 또는 "스마트" 안경 또는 "스마트" 시계와 같은 "스마트" 의류와 같은 모바일 장치인 기타 웨어러블 장치로 구현될 수 있다.
따라서, 본원에 개시된 기술은 환자 치료를 강화하고 환자의 심장 부정맥을 예방하는 능력을 증가시킬 수 있다. 예를 들어, 빈맥성 부정맥이 향후 며칠 내에 발생할 가능성이 상대적으로 높다는 지식은 환자의 예방 치료를 안내하는 데 도움이 되도록 사용될 수 있다. 또한, 빈맥성 부정맥이 향후 몇 분 또는 몇 시간 내에 발생할 가능성이 상대적으로 높다는 지식은 환자의 예방 치료 및 긴급 치료를 안내하는 데 사용될 수 있다. 더 나아가, 본원에 개시된 바와 같은 이러한 시스템은 클라우드 컴퓨팅 시스템이 향후 며칠 내에 심장 부정맥이 발생할 가능성이 상대적으로 높다고 예측하는 응답에만 의료 장치에 대한 단기 심장 예측 작업을 활성화할 수 있다. 따라서, 본 개시내용의 기술은 심장 부정맥이 특정 시간 범위 내에 발생할 가능성이 상대적으로 높은 경우에만 심장 예측을 위해 의료 장치를 사용함으로써 의료 장치의 전력을 보존하고 배터리 수명을 연장시킬 수 있다.
도 3은 본 개시내용의 기술에 따른 예시적인 IMD(16)의 블록도이다. 도시된 예에서, IMD(16)는 처리 회로(58), 메모리(59), 통신 회로(17), 감지 회로(50), 치료 전달 회로(52), 센서(57), 및 전원(54)을 포함한다. 메모리(59)는 처리 회로(58)에 의해 실행될 때 IMD(16) 및 처리 회로(58)가 본원에서 IMD(16) 및 처리 회로(58)에 기인한 다양한 기능을 수행하게 하는 컴퓨터 판독 가능 지령을 포함한다(예를 들어, 심장 부정맥의 단기 예측 수행, 치료 전달, 예를 들어 빈맥 방지 조율, 서맥 조율, 및 충격 후 조율 치료 등). 메모리(59)는 랜덤 액세스 메모리(RAM), 리드 온리 메모리(ROM), 비휘발성 RAM(NVRAM), 전기 소거식 프로그래머블 ROM(EEPROM), 플래시 메모리, 또는 임의의 다른 디지털 또는 아날로그 매체와 같은 임의의 휘발성, 비휘발성, 자기, 광학 또는 전기 매체를 포함할 수 있다.
처리 회로(58)는 마이크로프로세서, 제어기, 디지털 신호 프로세서(DSP), 주문형 반도체(ASIC), 필드 프로그래머블 게이트 어레이(FPGA), 또는 등가 이산 또는 아날로그 논리 회로 중 임의의 하나 이상을 포함할 수 있다. 일부 예에서, 처리 회로(58)는 하나 이상의 마이크로프로세서, 하나 이상의 제어기, 하나 이상의 DSP, 하나 이상의 ASIC, 또는 하나 이상의 FPGA뿐만 아니라 다른 이산 또는 통합형 논리 회로의 임의의 조합과 같은 다중 구성요소를 포함할 수 있다. 본원에서 처리 회로(58)에 기인한 기능은 소프트웨어, 펌웨어, 하드웨어 또는 이들의 임의의 조합으로 구현될 수 있다.
처리 회로(58)는 메모리(59)에 저장될 수 있는 치료 파라미터에 따라 심장(5)에 자극 치료를 전달하기 위해 치료 전달 회로(52)를 제어한다. 예를 들어, 처리 회로(58)는 치료 파라미터에 의해 지정된 진폭, 펄스 폭, 주파수, 또는 전극 극성을 갖는 전기 펄스를 전달하기 위해 치료 전달 회로(52)를 제어할 수 있다. 이러한 방식으로, 치료 전달 회로(52)는 전극(34 및 40)을 통해 심장(5)에 조율 펄스(예를 들어, ATP 펄스, 서맥 조율 펄스, 또는 충격 후 조율 치료)를 전달할 수 있다. 일부 예에서, 치료 전달 회로(52)는 전압 또는 전류 전기 펄스의 형태로 ATP 치료, 서맥 치료, 또는 충격 후 조율 치료와 같은 조율 자극을 전달할 수 있다. 다른 예에서, 치료 전달 회로(52)는 사인파, 구형파, 또는 다른 실질적으로 연속적인 시간 신호와 같은 다른 신호의 형태로 이러한 유형의 자극 중 하나 이상을 전달할 수 있다.
치료 전달 회로(52)는 IMD(16)의 하우징 상에 운반되는 전극(34 및 40)에 전기적으로 결합된다. IMD(16)는 전극(34 및 40)과 같은 2개의 전극만을 포함할 수 있지만, 다른 예에서 IMD(16)는 3개 이상의 전극을 이용할 수 있다. IMD(16)는 치료를 전달하고 및/또는 환자(12)로부터의 전기 신호를 검출하기 위해 임의의 전극 조합을 사용할 수 있다. 일부 예에서, 치료 전달 회로(52)는 충전 회로, 하나 이상의 펄스 발생기, 커패시터, 변압기, 스위칭 모듈, 및/또는 조율 치료, 심장 재동기화 치료, 다른 치료 또는 치료의 조합으로 전달하기 위해 에너지를 생성 및/또는 저장할 수 있는 기타 구성요소를 포함한다. 일부 예에서, 치료 전달 회로(52)는 치료의 진폭, 주파수, 전압 또는 전류, 또는 치료의 다른 파라미터를 정의하는 하나 이상의 치료 파라미터 세트에 따라 하나 이상의 전기 펄스로서 치료를 전달한다.
감지 회로(50)는 심장(12)의 전기적 활동, 임피던스, 또는 기타 전기적 현상을 모니터링하기 위해 전극(4, 40, 42, 44-48, 50, 62, 및 64) 중에서 2개 이상의 전극의 하나 이상의 조합(벡터로도 지칭됨)으로부터 신호를 모니터링한다. 일부 예에서, 감지 회로(50)는 하나 이상의 아날로그 구성요소, 디지털 구성요소, 또는 이들의 조합을 포함한다. 일부 예에서, 감지 회로(50)는 하나 이상의 감지 증폭기, 비교기, 필터, 정류기, 임계치 검출기, 아날로그-디지털 변환기(ADC) 등을 포함한다. 일부 예에서, 감지 회로(50)는 감지된 신호를 디지털 형태로 변환하고 처리 또는 분석을 위해 처리 회로(58)에 디지털 신호를 제공한다. 일 예에서, 감지 회로(50)는 전극(4, 40, 42, 44-48, 50, 62, 및 64)으로부터의 신호를 증폭하고 증폭된 신호를 ADC에 의해 다중 비트 디지털 신호로 변환한다.
일부 예에서, 감지 회로(50)는 심장 전기도의 감지를 수행하여 심박수 또는 심박수 변동성을 결정하거나, 또는 부정맥(예를 들어, 빈맥성 부정맥 또는 서맥)을 검출하거나, 또는 심장 전기도로부터 다른 파라미터 또는 이벤트를 감지한다. 감지 회로(50)는, 전류 감지 구성에서 전극 조합 또는 전극 벡터가 사용됨에 따라, 심장 활동을 감지하는 데 이용 가능한 전극(및 전극 극성) 중 어느 것이 사용되는지를 선택하기 위한 스위칭 회로를 포함할 수도 있다. 처리 회로(58)는 감지 전극 및 그 극성으로서 기능하는 전극을 선택하기 위해 스위칭 회로를 제어할 수 있다. 감지 회로(50)는 하나 이상의 검출 채널을 포함할 수 있으며, 그 각각은 해당 전극 구성을 통해 심장 신호를 검출하기 위해 선택된 전극 구성에 결합될 수 있다. 일부 예에서, 감지 회로(50)는 처리된 신호를 임계치와 비교하여 심방 또는 심실 탈분극의 존재를 검출하고 심방 탈분극(예를 들어, P-파) 또는 심실 탈분극(예를 들어, R-파)의 존재를 처리 회로(58)에 나타낸다. 감지 회로(50)는 조정될 수 있는 임계치와 심장 전기도 진폭의 비교를 위해 하나 이상의 증폭기 또는 다른 회로를 포함할 수 있다.
처리 회로(58)는 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 임의의 조합으로 구현될 수 있는 타이밍 및 제어 모듈을 포함할 수 있다. 타이밍 및 제어 모듈은 마이크로프로세서와 같은 다른 처리 회로(58) 구성요소와 분리된 ASIC와 같은 전용 하드웨어 회로, 또는 마이크로프로세서 또는 ASIC일 수 있는 처리 회로(58)의 구성요소에 의해 실행되는 소프트웨어 모듈을 포함할 수 있다. 타이밍 및 제어 모듈은 프로그래머블 카운터를 구현할 수 있다. IMD(16)가 서맥 조율 펄스를 생성하여 심장(12)에 전달하도록 구성된 경우, 이러한 카운터는 DDD, VVI, DVI, VDD, AAI, DDI, DDDR, VVIR, DVIR, VDDR, AAIR, DDIR, 및 다른 조율 모드와 연관된 기본 시간 간격을 제어할 수 있다.
메모리(59)는 다양한 작동 파라미터, 치료 파라미터, 감지 및 검출된 데이터, 및 환자(12)의 치료 및 처치와 관련된 임의의 다른 정보를 저장하도록 구성될 수 있다. 도 3의 예에서, 메모리(58)는 예를 들어 검출되거나 예측된 부정맥과 연관된 감지된 심장 EGM, 및 치료 전달 회로(52)에 의해 제공되는 치료의 전달을 정의하는 치료 파라미터를 저장할 수 있다. 다른 예에서, 메모리(58)는 컴퓨팅 장치(24)에 업로드될 수 있을 때까지 데이터를 저장하기 위한 임시 버퍼로서 작용할 수 있다.
통신 회로(17)는 도 1의 네트워크(25)를 통해 컴퓨팅 장치(24)와 같은 다른 장치와 통신하기 위해 임의의 적절한 회로, 펌웨어, 소프트웨어, 또는 이들의 임의의 조합을 포함한다. 예를 들어, 통신 회로(17)는 네트워크(25)를 통해 컴퓨팅 장치(24)와 같은 다른 장치와의 무선 주파수 통신을 위해 하나 이상의 안테나, 변조 및 복조 회로, 필터, 증폭기 등을 포함할 수 있다. 처리 회로(58)의 제어 하에, 통신 회로(17)는 내부 및/또는 외부에 있을 수 있는 안테나의 도움으로 컴퓨팅 장치(24)로부터 다운링크 원격 측정을 수신하고 이에 업링크 원격 측정을 전송할 수 있다. 처리 회로(58)는 컴퓨팅 장치(24)에 업링크될 데이터 및 예를 들어 주소/데이터 버스를 통해 통신 회로(17) 내의 원격 측정 회로에 대한 제어 신호를 제공할 수 있다. 일부 예에서, 통신 회로(17)는 수신된 데이터를 멀티플렉서를 통해 처리 회로(58)에 제공할 수 있다.
전원(54)은 IMD(16)의 회로를 작동시키기 위해 전하를 유지하도록 구성된 임의의 유형의 장치일 수 있다. 전원(54)은 충전식 또는 비충전식 배터리로 제공될 수 있다. 다른 예에서, 전원(54)은 환자(12) 내에서 IMD(16)의 이동으로부터 전기 에너지를 저장하는 에너지 스캐빈징 시스템을 포함할 수 있다.
본 개시내용의 기술에 따르면, IMD(16)는 감지 회로(50) 및/또는 센서(57)를 통해 환자(14)의 파라미터 환자 데이터를 수집한다. 센서(57)는 하나 이상의 가속도계, 압력 센서, O2 포화용 광학 센서 등과 같은 하나 이상의 센서를 포함할 수 있다. 일부 예에서, 파라미터 환자 데이터는 환자의 활동 수준, 환자의 심박수, 환자의 자세, 환자의 심장 전기도, 환자의 혈압, 환자에 대한 가속도계 데이터, 또는 다른 유형의 파라미터 환자 데이터 중 하나 이상을 포함한다. IMD(16)는 통신 회로(17)를 통해 파라미터 환자 데이터를 네트워크(25)를 통해 컴퓨팅 장치(24)에 및/또는 센서(80) 또는 외부 장치(27) 중 하나 이상에 업로드한다. 일부 예에서, 활동 수준은 하나 이상의 초 또는 분과 같은 일정 기간 동안의 활동의 합계일 수 있다. 일부 예에서, IMD(16)는 매일 파라미터 환자 데이터를 컴퓨팅 장치(24), 외부 장치(27), 및/또는 센서(80)에 업로드한다. 일부 예에서, 파라미터 환자 데이터는 장기간(예를 들어, 약 24시간 내지 약 48시간)에 걸쳐 환자(14)의 평균 측정치를 나타내는 하나 이상의 값을 포함한다. 이러한 예에서, IMD(16)는 파라미터 환자 데이터를 컴퓨팅 장치(24)에 업로드하고 환자(14)의 단기 모니터링을 수행한다(후술함). 그러나, 다른 예에서, 파라미터 환자 데이터를 수집하는 의료 장치는 환자(14)의 단기 모니터링을 수행하는 의료 장치와 다르다. 예를 들어, 웨어러블 의료 장치 또는 환자(14)의 모바일 장치(예를 들어, 스마트 폰)와 같은 하나 이상의 다른 장치는 파라미터 환자 데이터를 수집하고 파라미터 환자 데이터를 컴퓨팅 장치(24)에 업로드할 수 있다.
일부 예에서, 처리 회로(58)는 도 1의 컴퓨팅 장치(24)로부터 지령을 수신하여 환자(14)의 단기 모니터링을 수행한다. 예를 들어, 컴퓨팅 장치(24)로부터 지령의 수신에 응답하여, 처리 회로(58)는 단기 예측 소프트웨어(60B)로서 메모리(59)에 저장된 단기 예측 소프트웨어(60A)를 실행한다. 예를 들어, 처리 회로(58)는 단기 예측 소프트웨어(60A)를 실행하여 후속 파라미터 환자 데이터를 처리하고 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 생성할 수 있다. 일부 예에서, 처리 회로(58)는 감지 회로(50)에 의해 감지된 후속 파라미터 환자 데이터에 대해 특징 검출을 수행함으로써 단기 확률을 생성한다. 일부 예에서, 처리 회로(58)는 심전도 데이터, 전극 임피던스 측정치, 가속도계 데이터, 환자(14)에 대한 온도 데이터, 또는 환자(14)의 심장의 오디오 데이터 중 하나 이상에 대해 특징 검출을 수행한다.
일 예에서, 처리 회로(58)는 심전도 데이터를 포함하는 후속 파라미터 환자 데이터에 대해 특징 검출을 수행한다. 이러한 예에서, 파라미터 환자 데이터는 환자(14)의 심전도의 T-파의 평균 주파수 또는 평균 진폭 중 하나 이상을 포함한다. 처리 회로(58)는 감지 회로(50) 및/또는 센서(57)를 통해 원시 심전도 신호를 수신하고 원시 심전도 신호로부터 특징을 추출한다. 일부 예에서, 처리 회로(58)는 T-파 교대성, QRS 형태 측정 등 중 하나 이상을 식별한다. 예를 들어, 처리 회로(58)는 환자(14)의 심전도의 T-파의 하나 이상의 특징을 식별하고, 하나 이상의 식별된 특징에 모델을 적용하여 심장 부정맥이 단기간 내에 환자(14)에게 발생할 단기 확률을 생성한다. 일부 예에서, 하나 이상의 식별된 특징은 T-파의 하나 이상의 진폭이다. 일부 예에서, 하나 이상의 식별된 특징은 T-파의 주파수이다. 일부 예에서, 하나 이상의 식별된 특징은 적어도 T-파의 진폭 및 T-파의 주파수를 포함한다.
일부 예에서, 처리 회로(58)는 환자(14)에서 후속 심장 부정맥을 예측하는 파라미터 환자 데이터의 하나 이상의 식별된 특징에서 하나 이상의 상대적 변화를 식별한다. 일부 예에서, 처리 회로(58)는 환자(14)에서 후속 심장 부정맥을 예측하는 다수의 식별된 특징 사이의 하나 이상의 상호 작용을 식별한다. 일부 예에서, 처리 회로(58)는 단기간(예를 들어, 약 30분 내지 약 60분)에 걸쳐 평균화된 하나 이상의 값을 나타내는 파라미터 환자 데이터를 분석한다.
일부 예에서, 처리 회로(58)는 식별된 특징을 제2 기계 학습 모델에 대한 입력으로서 사용할 수 있으며, 제2 기계 학습 모델은 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 제2 기계 학습 모델의 출력으로서 생성할 수 있다. 다른 예에서, 처리 회로(58)는 단기 확률을 생성하는 제2 기계 학습 모델에 대한 직접 입력으로서 감지 회로(50) 및/또는 센서(57)를 통해 획득된 원시 신호를 사용한다. 일부 예에서, 제2 기계 학습 모델은 컴퓨팅 장치(24)의 기계 학습 모델에 대해 전술한 훈련 프로세스와 유사한 방식으로 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터를 사용하여 훈련된다. 일부 예에서, 제2 기계 학습 모델은 환자(14)에게 심장 부정맥이 발생했는지 여부를 나타내는 수신된 피드백에 근거해서 오류 정정을 수행하여, 과거에 제2 기계 학습 모델에 의해 이루어진 정확 및 부정확한 예측으로부터 "학습"함으로써 제2 기계 학습 모델에 의해 이루어진 예측을 점진적으로 개선한다. 또한, 훈련 프로세스는 특정 개인에 대해 더 정확한 예측을 제공하기 위해 인구 기반 데이터를 사용하여 훈련된 제2 기계 학습 모델을 추가로 미세 조정하는 데 사용될 수 있다.
처리 회로(58)는 심장 부정맥이 단기간 내에 환자(14)에게 발생할 단기 확률을 소정의 임계치와 비교한다. 단기 확률이 소정의 임계치를 초과한다는 결정에 응답하여, 처리 회로(58)는 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 감소시키기 위한 치료 조치를 수행한다. 예를 들어, 처리 회로(58)는 환자(14) 또는 임상의가 단기간 내에 환자(14)에게 심장 부정맥이 발생할 가능성을 인식할 수 있도록 컴퓨팅 장치(24)에 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률의 통지를 통신 회로(17)를 통해 발행할 수 있다. 다른 예에서, 처리 회로(58)는 치료 전달 회로(52)가 환자(14)에 대한 치료 전달을 개시하게 한다. 도 3의 예에서 치료 전달 회로(52)는 전기 자극 치료 또는 전기 조율 치료를 전달하도록 구성되는 반면, 다른 예에서 처리 회로(58)는 예를 들어 약물 전달 시스템이 환자(14)에게 약물 치료를 전달하게 할 수 있다. 따라서, 처리 회로(58)는 단기간 내에 환자(14)에게 심장 부정맥이 발생할 가능성을 감소시키기 위한 치료 조치를 수행할 수 있다.
치료 전기 자극을 제공하는 예시적인 IMD(16)와 관련하여 본원에서 설명되었지만, 본원에 개시된 심장 부정맥의 단기 예측을 위한 기술은 다른 유형의 장치와 함께 사용될 수 있다. 예를 들어, 본 기술은 아일랜드 더블린의 Medtronic PLC에서 시판되는 MicraTM transcatheter pacing system과 같은 심장 내 이식용으로 구성된 카테터경유 조율기, Medtronic PLC에서도 시판되는 Reveal LINQTM ICM과 같은 삽입형 심장 모니터, 신경 자극기, 약물 전달 장치, 웨어러블 심율동전환기 제세동기와 같은 웨어러블 장치, 피트니스 트래커, 또는 휴대폰, "스마트" 폰, 랩톱, 태블릿 컴퓨터, 개인 정보 단말기(PDA), 또는 "스마트" 안경 또는 "스마트" 시계와 같은 "스마트" 의류와 같은 모바일 장치인 기타 웨어러블 장치로 구현될 수 있다.
따라서, 본원에 개시된 기술은 환자 치료를 강화하고 환자의 심장 부정맥을 예방하는 능력을 증가시킬 수 있다. 예를 들어, 빈맥성 부정맥이 향후 몇 분 또는 몇 시간 내에 발생할 가능성이 상대적으로 높다는 지식은 환자의 예방 치료 및 긴급 치료를 안내하는 데 사용될 수 있다. 더 나아가, 본원에 개시된 바와 같은 이러한 시스템은 컴퓨팅 장치(24)가 향후 며칠 내에 심장 부정맥이 발생할 가능성이 상대적으로 높다고 예측하는 응답에만 의료 장치에 대한 단기 심장 예측 작업을 활성화할 수 있다. 따라서, 본 개시내용의 기술은 심장 부정맥이 특정 시간 범위 내에 발생할 가능성이 상대적으로 높은 경우에만 심장 예측을 위해 IMD(16)를 사용함으로써 IMD(16)의 전력을 보존하고 배터리 수명을 연장시킬 수 있다.
도 4는 본 개시내용의 하나 이상의 기술에 따라 작동하는 예시적인 컴퓨팅 장치(24)를 나타낸 블록도이다. 일 예에서, 컴퓨팅 장치(24)는 장기 예측 모듈(450) 또는 본원에서 설명된 임의의 다른 애플리케이션을 포함하는 애플리케이션(424)을 실행하기 위한 처리 회로(402)를 포함한다. 도 4에 예시적인 목적을 위해 독립형 컴퓨팅 장치(24)로서 도시되어 있지만, 컴퓨팅 장치(24)는 소프트웨어 지령을 실행하기 위한 처리 회로 또는 다른 적합한 컴퓨팅 환경을 포함하는 임의의 구성요소 또는 시스템일 수 있으며, 예를 들어 도 4에 도시된 하나 이상의 구성요소(예를 들어, 통신 회로(406); 일부 예에서 저장 장치(들)(408)와 같은 구성요소는 다른 구성요소와 같은 동일한 섀시에 공동으로 배치되거나 동일한 섀시에 있지 않을 수 있음)를 반드시 포함할 필요는 없다. 일부 예에서, 컴퓨팅 장치(24)는 복수의 장치에 걸쳐 분산된 클라우드 컴퓨팅 시스템일 수 있다.
도 4의 예에 도시된 바와 같이, 컴퓨팅 장치(24)는 처리 회로(402), 하나 이상의 입력 장치(404), 통신 회로(406), 하나 이상의 출력 장치(412), 하나 이상의 저장 장치(408), 및 사용자 인터페이스(UI) 장치(들)(410)를 포함한다. 일 예에서, 컴퓨팅 장치(24)는 장기 예측 모듈(450)과 같은 하나 이상의 애플리케이션(들)(424), 및 컴퓨팅 장치(24)에 의해 실행 가능한 운영 체제(416)를 더 포함한다. 구성요소(402, 404, 406, 408, 410, 및 412)의 각각은 구성요소 간 통신을 위해 (물리적으로, 통신적으로, 및/또는 작동적으로) 결합된다. 일부 예에서, 통신 채널(414)은 시스템 버스, 네트워크 연결부, 프로세스 간 통신 데이터 구조, 또는 데이터 통신을 위한 임의의 다른 방법을 포함할 수 있다. 일 예로서, 구성요소(402, 404, 406, 408, 410, 및 412)는 하나 이상의 통신 채널(414)에 의해 결합될 수 있다.
일 예에서, 처리 회로(402)는 컴퓨팅 장치(24) 내에서 실행을 위한 기능 및/또는 프로세스 지령을 구현하도록 구성된다. 예를 들어, 처리 회로(402)는 저장 장치(408)에 저장된 지령을 처리할 수 있다. 처리 회로(402)의 예로는 마이크로프로세서, 제어기, 디지털 신호 프로세서(DSP), 주문형 반도체(ASIC), 필드 프로그래머블 게이트 어레이(FPGA), 또는 등가 이산 또는 통합형 논리 회로 중 임의의 하나 이상을 포함할 수 있다.
하나 이상의 저장 장치(408)는 작동 중에 컴퓨팅 장치(24) 내에 정보를 저장하도록 구성될 수 있다. 일부 예에서, 저장 장치(408)는 컴퓨터 판독 가능 저장 매체로서 설명된다. 일부 예에서, 저장 장치(408)는 임시 메모리이며, 이는 저장 장치(408)의 주요 목적이 장기 저장이 아님을 의미한다. 일부 예에서, 저장 장치(408)는 휘발성 메모리로서 설명되며, 이는 저장 장치(408)가 컴퓨터가 꺼질 때 저장된 콘텐츠를 유지하지 않음을 의미한다. 휘발성 메모리의 예로는 랜덤 액세스 메모리(RAM), 동적 랜덤 액세스 메모리(DRAM), 정적 랜덤 액세스 메모리(SRAM), 및 당업계에 알려진 기타 형태의 휘발성 메모리를 포함한다. 일부 예에서, 저장 장치(408)는 처리 회로(402)에 의한 실행을 위한 프로그램 지령을 저장하는 데 사용된다. 일 예에서, 저장 장치(408)는 프로그램 실행 동안 정보를 일시적으로 저장하기 위해 컴퓨팅 장치(24)에서 실행되는 소프트웨어 또는 애플리케이션(424)에 의해 사용된다.
일부 예에서, 저장 장치(408)는 또한 하나 이상의 컴퓨터 판독 가능 저장 매체를 포함한다. 저장 장치(408)는 휘발성 메모리보다 더 많은 양의 정보를 저장하도록 구성될 수 있다. 저장 장치(408)는 정보의 장기 저장을 위해 추가로 구성될 수 있다. 일부 예에서, 저장 장치(408)는 비휘발성 저장 요소를 포함한다. 이러한 비휘발성 저장 요소의 예로는 자기 하드 디스크, 광학 디스크, 플로피 디스크, 플래시 메모리, 또는 전기 프로그래머블 메모리(EPROM) 또는 전기 소거식 및 프로그래머블 메모리(EEPROM)의 형태를 포함한다.
일부 예에서, 컴퓨팅 장치(24)는 또한 통신 회로(406)를 포함한다. 일 예에서, 컴퓨팅 장치(24)는 통신 회로(406)를 이용하여 도 1의 IMD(16) 및 제공자 데이터베이스(66)와 같은 외부 장치와 통신한다. 통신 회로(406)는 이더넷 카드, 광 트랜시버, 무선 주파수 트랜시버, 또는 정보를 송수신할 수 있는 임의의 다른 유형의 장치와 같은 네트워크 인터페이스 카드를 포함할 수 있다. 이러한 네트워크 인터페이스의 다른 예로는 3G, 4G, 5G, 및 WiFi 라디오를 포함할 수 있다.
일 예에서, 컴퓨팅 장치(24)는 또한 하나 이상의 사용자 인터페이스 장치(410)를 포함한다. 일부 예에서, 사용자 인터페이스 장치(410)는 촉각, 오디오, 또는 비디오 피드백을 통해 사용자로부터 입력을 수신하도록 구성된다. 사용자 인터페이스 장치(들)(410)의 예로는 존재 감지 디스플레이, 마우스, 키보드, 음성 응답 시스템, 비디오 카메라, 마이크 또는 사용자로부터 명령을 검출하기 위한 임의의 다른 유형의 장치를 포함한다. 일부 예에서, 존재 감지 디스플레이는 터치 감지 스크린을 포함한다.
하나 이상의 출력 장치(412)가 컴퓨팅 장치(24)에 포함될 수도 있다. 일부 예에서, 출력 장치(412)는 촉각, 오디오, 또는 비디오 자극을 사용하여 사용자에게 출력을 제공하도록 구성된다. 일 예에서, 출력 장치(412)는 존재 감지 디스플레이, 사운드 카드, 비디오 그래픽 어댑터 카드, 또는 신호를 인간이나 기계가 이해할 수 있는 적절한 형태로 변환하기 위한 임의의 다른 유형의 장치를 포함한다. 출력 장치(412)의 추가적인 예로는 스피커, 음극선 튜브(CRT) 모니터, 액정 디스플레이(LCD), 또는 사용자에게 이해 가능한 출력을 생성할 수 있는 임의의 다른 유형의 장치를 포함한다.
컴퓨팅 장치(24)는 운영 체제(416)를 포함할 수 있다. 일부 예에서, 운영 체제(416)는 컴퓨팅 장치(24)의 구성요소의 작동을 제어한다. 예를 들어, 운영 체제(416)는 일 예에서 하나 이상의 애플리케이션(424) 및 장기 예측 모듈(450)과 처리 회로(402), 통신 회로(406), 저장 장치(408), 입력 장치(404), 사용자 인터페이스 장치(410), 및 출력 장치(412)의 통신을 용이하게 한다.
애플리케이션(424)은 컴퓨팅 장치(24)에 의해 실행 가능한 프로그램 지령 및/또는 데이터를 포함할 수도 있다. 컴퓨팅 장치(24)에 의해 실행 가능한 예시적인 애플리케이션(들)(424)은 장기 예측 모듈(450)을 포함할 수 있다. 본원에 설명된 다른 기능을 제공하기 위해 도시되지 않은 다른 추가 애플리케이션이 대안적으로 또는 추가적으로 포함될 수 있으며, 이는 단순함을 위해 도시되어 있지 않다.
본 개시내용의 기술에 따르면, 애플리케이션(424)은 장기 예측 모듈(450)을 포함한다. 일 예에서, 처리 회로(402)는 장기 예측 모듈(450)을 실행하여 도 1의 환자(14)의 심장 심실 부정맥의 장기 예측을 제공한다. 일 예에서, 장기 예측 모듈(450)은, 환자(14)에 대한 파라미터 환자 데이터 및 제공자 데이터에 기초하여, 장기간(예를 들어, 통상적으로 약 24시간 내지 약 48시간) 내에 환자(14)에게 심장 부정맥이 발생할 장기 확률을 생성하는 기계 학습 모델을 포함한다. 일부 예에서, 기계 학습 모델은 신경망 시스템, 딥 러닝 시스템, 또는 기타 유형의 감독 또는 무감독 기계 학습 시스템에 의해 생성된다. 예를 들어, 기계 학습 모델은 컨벌루션 신경망, 방사형 기저 함수 신경망, 반복 신경망, 모듈식 또는 연관식 신경망과 같은 피드포워드 신경망에 의해 생성될 수 있다. 일부 예에서, 장기 예측 모듈(450)은 장기 확률을 생성하기 위해 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터로 기계 학습 모델을 훈련시킨다. 일부 예에서, 기계 학습 모델이 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터로 사전 훈련된 후, 장기 예측 모듈(450)은 환자(14)에게 특정한 파라미터 환자 데이터 및 제공자 데이터로 기계 학습 모델을 추가로 훈련시킨다.
일부 예에서, 장기 예측 모듈(450)은 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터로 기계 학습 모델을 훈련시키고, 기계 학습 모델의 오류율을 결정한 후, 기계 학습 모델이 오류율을 기반으로 예측을 업데이트할 수 있도록 오류율을 기계 학습 모델에 다시 공급한다. 일부 예에서, 장기 예측 모듈(450)은 예측된 심장 부정맥이 제1 기간 내에 환자(14)에게 발생했는지 여부를 나타내는 피드백을 환자(14) 또는 임상의로부터 수신할 수 있다. 일부 예에서, 장기 예측 모듈(450)은 IMD(16)가 환자(14)의 심장 부정맥의 발생을 검출했는지 (또는 검출하지 않았는지) 및 환자(14)의 심장 부정맥이 예측되었는지 (또는 예측되지 않았는지) 여부를 나타내는 메시지를 IMD(16)로부터 수신할 수 있다. 일부 예에서, 장기 예측 모듈(450)은, 예를 들어 심장 부정맥이 발생했는지를 결정하기 위해 제공자 데이터를 주기적으로 확인함으로써, 다른 방식으로 피드백을 획득할 수 있다. 장기 예측 모듈(450)은 예측된 심장 부정맥이 제1 기간 내에 환자(14)에게 발생했는지 여부를 나타내는 피드백으로 기계 학습 모델을 업데이트할 수 있다. 따라서, 훈련 프로세스는 과거에 제2 기계 학습 모델에 의해 이루어진 정확 및 부정확한 예측으로부터 "학습"함으로써 기계 학습 모델에 의해 이루어진 예측을 점진적으로 개선하기 위해 반복적으로 일어날 수 있다. 또한, 훈련 프로세스는 특정 개인에 대해 더 정확한 예측을 제공하기 위해 인구 기반 데이터를 사용하여 훈련된 기계 학습 모델을 추가로 미세 조정하는 데 사용될 수 있다.
기계 학습 모델이 임상의에 의해 선택된 임계 정확도의 장기간 내에 환자(14)에게 심장 부정맥이 발생할 장기 확률을 생성하도록 훈련되면, 장기 예측 모듈(450)은 환자(14)의 심장 심실 부정맥의 장기 예측을 제공하는 데 기계 학습 모델을 사용할 수 있다. 예를 들어, 처리 회로(402)에 의해 실행되는 장기 예측 모듈(450)은 환자(14)의 의료 장치에 의해 수집된 파라미터 환자 데이터를 통신 회로(406)를 통해 수신한다. 일부 예에서, 파라미터 환자 데이터는 환자의 활동 수준, 환자의 심박수, 환자의 자세, 환자의 심장 전기도, 환자의 혈압, 환자에 대한 가속도계 데이터, 또는 다른 유형의 파라미터 환자 데이터 중 하나 이상을 포함한다. 일부 예에서, 파라미터 환자 데이터를 수집하는 의료 장치는 도 1의 IMD(16)와 같은 IMD이다. 다른 예에서, 파라미터 환자 데이터를 수집하는 의료 장치는 웨어러블 의료 장치 또는 환자(14)의 모바일 장치(예를 들어, 스마트 폰)와 같은 다른 유형의 환자 장치이다. 일부 예에서, 장기 예측 모듈(450)은 매일 IMD(16)로부터 파라미터 환자 데이터를 수신한다.
장기 예측 모듈(450)은 제공자 데이터베이스(66)로부터 환자(14)에 대한 제공자 데이터를 통신 회로(406)를 통해 더 수신한다. 일부 예에서, 제공자 데이터베이스(66)에 의해 저장된 제공자 데이터는 환자(14)에 대한 여러 상이한 유형의 과거 의료 정보를 포함할 수 있다. 예를 들어, 제공자 데이터베이스(66)는 환자의 약물 이력, 환자의 외과 시술 이력, 환자의 입원 이력, 시간 경과에 따른 환자의 칼륨 수준, 또는 환자에 대한 하나 이상의 실험실 테스트 결과 등을 저장할 수 있다.
장기 예측 모듈(450)은 환자(14)의 장기 모니터링을 수행하기 위해 훈련된 기계 학습 모델을 환자(14)에 대한 파라미터 환자 데이터 및 제공자 데이터에 적용한다. 일부 예에서, 장기 예측 모듈(450)은 장기간(예를 들어, 통상적으로 약 24시간 내지 약 48시간) 내에 환자(14)에게 심장 부정맥이 발생할 장기 확률을 생성함으로써 장기 모니터링을 수행한다. 예를 들어, 장기 예측 모듈(450)은 장기간 내에 환자(14)에게 심장 부정맥이 발생할 장기 확률을 생성하기 위해 훈련된 기계 학습 모델을 환자(14)에 대한 파라미터 환자 데이터 및 제공자 데이터에 적용한다. 예를 들어, 기계 학습 모델은 파라미터 환자 데이터 및 제공자 데이터를 파라미터 환자 데이터 및 제공자 데이터를 나타내는 하나 이상의 벡터 및 텐서(예를 들어, 다차원 어레이)로 변환할 수 있다. 기계 학습 모델은 하나 이상의 벡터 및 텐서에 수학적 연산을 적용하여 파라미터 환자 데이터 및 제공자 데이터의 수학적 표현을 생성할 수 있다. 기계 학습 모델은 파라미터 환자 데이터와 제공자 데이터 사이의 식별된 관계 및 장기간 내에 심장 부정맥의 발생에 대응하는 상이한 가중치를 결정할 수 있다. 기계 학습 모델은 장기간 내에 환자(14)에게 심장 부정맥이 발생할 장기 확률을 생성하기 위해 상이한 가중치를 파라미터 환자 데이터 및 제공자 데이터에 적용할 수 있다.
일부 예에서, 장기 예측 모듈(450)은 장기간 내에 환자(14)에게 심장 부정맥이 발생할 결정된 장기 확률이 임상의에 의해 설정된 소정의 임계치를 초과하는지 여부를 결정한다. 장기 확률이 소정의 임계치를 초과한다는 결정에 응답하여, 장기 예측 모듈(450)은 IMD(16)가 전술한 바와 같이 환자(14)의 단기 모니터링을 수행하게 하는 지령을 통신 회로(406)를 통해 IMD(16)에 전송한다. 추가적으로 또는 대안적으로, 장기 확률이 소정의 임계치를 초과한다는 결정에 응답하여, 장기 예측 모듈(450)은 외부 장치(27)가 후술할 바와 같이 환자(14)의 중기 모니터링을 수행하게 하는 지령을 통신 회로(406)를 통해 외부 장치(27)에 전송한다. 일부 예에서, 장기 확률이 소정 임계치를 초과한다는 결정에 응답하여, 장기 예측 모듈(450)은 장기 확률이 소정의 임계치를 초과했음을 또는 장기 예측 모듈(450)이 환자(14)가 장기간 내에 심장 부정맥을 겪을 가능성이 있다고 결정했음을 임상의에게 출력 장치(412)를 통해 통지하는 것과 같은 다른 동작을 수행할 수 있다.
따라서, 본원에 개시된 기술은 환자 치료를 강화하고 환자의 심장 부정맥을 예방하는 능력을 증가시킬 수 있다. 예를 들어, 빈맥성 부정맥이 향후 며칠 내에 발생할 가능성이 상대적으로 높다는 지식은 환자의 예방 치료를 안내하는 데 도움이 되도록 사용될 수 있다. 더 나아가, 본원에 개시된 바와 같은 이러한 시스템은 계산적으로 비싸고 전력을 소비하는 장기 심장 부정맥 예측 작업을 환자의 개인 의료 장치로부터 클라우드 컴퓨팅 시스템으로 이동시킬 수 있고, 클라우드 컴퓨팅 시스템이 향후 며칠 내에 심장 부정맥이 발생할 가능성이 상대적으로 높다고 예측하는 경우에만 의료 장치에 대한 단기 심장 예측 작업을 활성화할 수 있다. 따라서, 본 개시내용의 기술은 심장 부정맥이 특정 시간 범위 내에 발생할 가능성이 상대적으로 높은 경우에만 심장 예측을 위해 의료 장치를 사용함으로써 의료 장치의 전력을 보존하고 배터리 수명을 연장시킬 수 있다.
도 5는 본 개시내용의 하나 이상의 기술에 따라 작동하는 예시적인 외부 장치(27)를 나타낸 블록도이다. 일부 예에서, 외부 장치(27)는 휴대폰, "스마트" 폰, 랩톱, 태블릿 컴퓨터, 개인 정보 단말기(PDA), 웨어러블 전자 장치 등과 같은 외부 프로그래머 또는 모바일 장치의 형태를 취한다. 일부 예에서, 외부 장치(27)는 Medtronic, Inc.로부터 입수 가능한 CareLink™ 모니터이다.
일 예에서, 외부 장치(27)는 중기 예측 모듈(550) 또는 본원에서 설명된 임의의 다른 애플리케이션을 포함하는 애플리케이션(524)을 실행하기 위한 처리 회로(502)를 포함한다. 도 5에 예시적인 목적을 위해 독립형 외부 장치(27)로서 도시되어 있지만, 외부 장치(27)는 소프트웨어 지령을 실행하기 위한 처리 회로 또는 다른 적합한 컴퓨팅 환경을 포함하는 임의의 구성요소 또는 시스템일 수 있으며, 예를 들어 도 5에 도시된 하나 이상의 구성요소(예를 들어, 통신 회로(506); 일부 예에서 저장 장치(들)(508)와 같은 구성요소는 다른 구성요소와 같은 동일한 섀시에 공동으로 배치되거나 동일한 섀시에 있지 않을 수 있음)를 반드시 포함할 필요는 없다.
도 5의 예에 도시된 바와 같이, 외부 장치(27)는 처리 회로(502), 하나 이상의 입력 장치(504), 통신 회로(506), 하나 이상의 출력 장치(512), 하나 이상의 저장 장치(508), 및 사용자 인터페이스(UI) 장치(들)(510)를 포함한다. 일 예에서, 외부 장치(27)는 중기 예측 모듈(550)과 같은 하나 이상의 애플리케이션(들)(524), 및 외부 장치(27)에 의해 실행 가능한 운영 체제(516)를 더 포함한다. 구성요소(502, 504, 506, 508, 510, 및 512)의 각각은 구성요소 간 통신을 위해 (물리적으로, 통신적으로, 및/또는 작동적으로) 결합된다. 일부 예에서, 통신 채널(514)은 시스템 버스, 네트워크 연결부, 프로세스 간 통신 데이터 구조, 또는 데이터 통신을 위한 임의의 다른 방법을 포함할 수 있다. 일 예로서, 구성요소(502, 504, 506, 508, 510, 및 512)는 하나 이상의 통신 채널(514)에 의해 결합될 수 있다.
일 예에서, 처리 회로(502)는 외부 장치(27) 내에서 실행을 위한 기능 및/또는 프로세스 지령을 구현하도록 구성된다. 예를 들어, 처리 회로(502)는 저장 장치(508)에 저장된 지령을 처리할 수 있다. 처리 회로(502)의 예로는 마이크로프로세서, 제어기, 디지털 신호 프로세서(DSP), 주문형 반도체(ASIC), 필드 프로그래머블 게이트 어레이(FPGA), 또는 등가 이산 또는 통합형 논리 회로 중 임의의 하나 이상을 포함할 수 있다.
하나 이상의 저장 장치(508)는 작동 중에 외부 장치(27) 내에 정보를 저장하도록 구성될 수 있다. 일부 예에서, 저장 장치(508)는 컴퓨터 판독 가능 저장 매체로서 설명된다. 일부 예에서, 저장 장치(508)는 임시 메모리이며, 이는 저장 장치(508)의 주요 목적이 장기 저장이 아님을 의미한다. 일부 예에서, 저장 장치(508)는 휘발성 메모리로서 설명되며, 이는 저장 장치(508)가 컴퓨터가 꺼질 때 저장된 콘텐츠를 유지하지 않음을 의미한다. 휘발성 메모리의 예로는 랜덤 액세스 메모리(RAM), 동적 랜덤 액세스 메모리(DRAM), 정적 랜덤 액세스 메모리(SRAM), 및 당업계에 알려진 기타 형태의 휘발성 메모리를 포함한다. 일부 예에서, 저장 장치(508)는 처리 회로(502)에 의한 실행을 위한 프로그램 지령을 저장하는 데 사용된다. 일 예에서, 저장 장치(508)는 프로그램 실행 동안 정보를 일시적으로 저장하기 위해 외부 장치(27)에서 실행되는 소프트웨어 또는 애플리케이션(524)에 의해 사용된다.
일부 예에서, 저장 장치(508)는 또한 하나 이상의 컴퓨터 판독 가능 저장 매체를 포함한다. 저장 장치(508)는 휘발성 메모리보다 더 많은 양의 정보를 저장하도록 구성될 수 있다. 저장 장치(508)는 정보의 장기 저장을 위해 추가로 구성될 수 있다. 일부 예에서, 저장 장치(508)는 비휘발성 저장 요소를 포함한다. 이러한 비휘발성 저장 요소의 예로는 자기 하드 디스크, 광학 디스크, 플로피 디스크, 플래시 메모리, 또는 전기 프로그래머블 메모리(EPROM) 또는 전기 소거식 및 프로그래머블 메모리(EEPROM)의 형태를 포함한다.
일부 예에서, 외부 장치(27)는 또한 통신 회로(506)를 포함한다. 일 예에서, 외부 장치(27)는 통신 회로(506)를 이용하여 도 1의 IMD(16) 및 컴퓨팅 장치(24)와 같은 외부 장치와 통신한다. 통신 회로(506)는 이더넷 카드, 광 트랜시버, 무선 주파수 트랜시버, 또는 정보를 송수신할 수 있는 임의의 다른 유형의 장치와 같은 네트워크 인터페이스 카드를 포함할 수 있다. 이러한 네트워크 인터페이스의 다른 예로는 3G, 4G, 5G, 및 WiFi 라디오를 포함할 수 있다.
일 예에서, 외부 장치(27)는 또한 하나 이상의 사용자 인터페이스 장치(510)를 포함한다. 일부 예에서, 사용자 인터페이스 장치(510)는 촉각, 오디오, 또는 비디오 피드백을 통해 사용자로부터 입력을 수신하도록 구성된다. 사용자 인터페이스 장치(들)(510)의 예로는 존재 감지 디스플레이, 마우스, 키보드, 음성 응답 시스템, 비디오 카메라, 마이크 또는 사용자로부터 명령을 검출하기 위한 임의의 다른 유형의 장치를 포함한다. 일부 예에서, 존재 감지 디스플레이는 터치 감지 스크린을 포함한다.
하나 이상의 출력 장치(512)가 외부 장치(27)에 포함될 수도 있다. 일부 예에서, 출력 장치(512)는 촉각, 오디오, 또는 비디오 자극을 사용하여 사용자에게 출력을 제공하도록 구성된다. 일 예에서, 출력 장치(512)는 존재 감지 디스플레이, 사운드 카드, 비디오 그래픽 어댑터 카드, 또는 신호를 인간이나 기계가 이해할 수 있는 적절한 형태로 변환하기 위한 임의의 다른 유형의 장치를 포함한다. 출력 장치(512)의 추가적인 예로는 스피커, 음극선 튜브(CRT) 모니터, 액정 디스플레이(LCD), 또는 사용자에게 이해 가능한 출력을 생성할 수 있는 임의의 다른 유형의 장치를 포함한다.
외부 장치(27)는 운영 체제(516)를 포함할 수 있다. 일부 예에서, 운영 체제(516)는 외부 장치(27)의 구성요소의 작동을 제어한다. 예를 들어, 운영 체제(516)는 일 예에서 하나 이상의 애플리케이션(524) 및 중기 예측 모듈(550)과 처리 회로(502), 통신 회로(506), 저장 장치(508), 입력 장치(504), 사용자 인터페이스 장치(510), 및 출력 장치(512)의 통신을 용이하게 한다.
애플리케이션(524)은 외부 장치(27)에 의해 실행 가능한 프로그램 지령 및/또는 데이터를 포함할 수도 있다. 외부 장치(27)에 의해 실행 가능한 예시적인 애플리케이션(들)(524)은 중기 예측 모듈(550)을 포함할 수 있다. 본원에 설명된 다른 기능을 제공하기 위해 도시되지 않은 다른 추가 애플리케이션이 대안적으로 또는 추가적으로 포함될 수 있으며, 이는 단순함을 위해 도시되어 있지 않다.
본 개시내용의 기술에 따르면, 애플리케이션(524)은 중기 예측 모듈(550)을 포함한다. 일 예에서, 처리 회로(502)는 중기 예측 모듈(550)을 실행하여 도 1의 환자(14)의 심장 심실 부정맥의 중기 예측을 제공한다. 일 예에서, 중기 예측 모듈(550)은, 환자(14)에 대한 파라미터 환자 데이터 및 제공자 데이터에 기초하여, 중기간(예를 들어, 통상적으로 약 24시간 내지 약 48시간) 내에 환자(14)에게 심장 부정맥이 발생할 중기 확률을 생성하는 기계 학습 모델을 포함한다. 일부 예에서, 기계 학습 모델은 신경망 시스템, 딥 러닝 시스템, 또는 기타 유형의 감독 또는 무감독 기계 학습 시스템에 의해 생성된다. 예를 들어, 기계 학습 모델은 컨벌루션 신경망, 방사형 기저 함수 신경망, 반복 신경망, 모듈식 또는 연관식 신경망과 같은 피드포워드 신경망에 의해 생성될 수 있다. 일부 예에서, 중기 예측 모듈(550)은 중기 확률을 생성하기 위해 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터로 기계 학습 모델을 훈련시킨다. 일부 예에서, 기계 학습 모델이 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터로 사전 훈련된 후, 중기 예측 모듈(550)은 환자(14)에게 특정한 파라미터 환자 데이터 및 제공자 데이터로 기계 학습 모델을 추가로 훈련시킨다. 전술한 예에서 중기 예측 모듈(550)은 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터 양자로 기계 학습 모델을 훈련시키지만, 일부 예에서 중기 예측 모듈(550)은 제공자 데이터가 아닌 파라미터 환자 데이터만으로 또는 파라미터 환자 데이터가 아닌 제공자 데이터만으로 기계 학습 모델을 훈련시킨다.
일부 예에서, 중기 예측 모듈(550)은 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터로 기계 학습 모델을 훈련시키고, 기계 학습 모델의 오류율을 결정한 후, 기계 학습 모델이 오류율을 기반으로 예측을 업데이트할 수 있도록 오류율을 기계 학습 모델에 다시 공급한다. 일부 예에서, 중기 예측 모듈(550)은 예측된 심장 부정맥이 제1 기간 내에 환자(14)에게 발생했는지 여부를 나타내는 피드백을 환자(14) 또는 임상의로부터 수신할 수 있다. 일부 예에서, 중기 예측 모듈(550)은 IMD(16)가 환자(14)의 심장 부정맥의 발생을 검출했는지 (또는 검출하지 않았는지) 및 환자(14)의 심장 부정맥이 예측되었는지 (또는 예측되지 않았는지) 여부를 나타내는 메시지를 IMD(16)로부터 수신할 수 있다. 일부 예에서, 중기 예측 모듈(550)은, 예를 들어 심장 부정맥이 발생했는지를 결정하기 위해 제공자 데이터를 주기적으로 확인함으로써, 다른 방식으로 피드백을 획득할 수 있다. 중기 예측 모듈(550)은 예측된 심장 부정맥이 제1 기간 내에 환자(14)에게 발생했는지 여부를 나타내는 피드백으로 기계 학습 모델을 업데이트할 수 있다. 따라서, 훈련 프로세스는 과거에 제2 기계 학습 모델에 의해 이루어진 정확 및 부정확한 예측으로부터 "학습"함으로써 기계 학습 모델에 의해 이루어진 예측을 점진적으로 개선하기 위해 반복적으로 일어날 수 있다. 또한, 훈련 프로세스는 특정 개인에 대해 더 정확한 예측을 제공하기 위해 인구 기반 데이터를 사용하여 훈련된 기계 학습 모델을 추가로 미세 조정하는 데 사용될 수 있다.
기계 학습 모델이 임상의에 의해 선택된 임계 정확도의 중기간 내에 환자(14)에게 심장 부정맥이 발생할 중기 확률을 생성하도록 훈련되면, 중기 예측 모듈(550)은 환자(14)의 심장 심실 부정맥의 중기 예측을 제공하는 데 기계 학습 모델을 사용할 수 있다. 예를 들어, 처리 회로(502)에 의해 실행되는 중기 예측 모듈(550)은 환자(14)의 의료 장치에 의해 수집된 파라미터 환자 데이터를 통신 회로(506)를 통해 수신한다. 일부 예에서, 중기 예측 모듈(550)은 지리적 위치, 가속도계 데이터, 또는 환자(14)로부터의 입력과 같은 외부 장치(27)에 의해 수집된 다른 파라미터 환자 데이터를 수신할 수도 있다. 일부 예에서, 파라미터 환자 데이터는 환자의 활동 수준, 환자의 심박수, 환자의 자세, 환자의 심장 전기도, 환자의 혈압, 환자에 대한 가속도계 데이터, 또는 다른 유형의 파라미터 환자 데이터 중 하나 이상을 포함한다. 일부 예에서, 파라미터 환자 데이터를 수집하는 의료 장치는 도 1의 IMD(16)와 같은 IMD이다. 다른 예에서, 파라미터 환자 데이터를 수집하는 의료 장치는 웨어러블 의료 장치, 도 1의 센서(80)와 같은 웨어러블 센서, 또는 환자(14)의 모바일 장치(예를 들어, 스마트 폰)와 같은 다른 유형의 환자 장치이다. 일부 예에서, 중기 예측 모듈(550)은 매일 IMD(16) 및/또는 센서(80)로부터 파라미터 환자 데이터를 수신한다.
일부 예에서, 중기 예측 모듈(550)은 제공자 데이터베이스(66)로부터 환자(14)에 대한 제공자 데이터를 통신 회로(506)를 통해 더 수신한다. 일부 예에서, 제공자 데이터베이스(66)에 의해 저장된 제공자 데이터는 환자(14)에 대한 여러 상이한 유형의 과거 의료 정보를 포함할 수 있다. 예를 들어, 제공자 데이터베이스(66)는 환자의 약물 이력, 환자의 외과 시술 이력, 환자의 입원 이력, 시간 경과에 따른 환자의 칼륨 수준, 또는 환자에 대한 하나 이상의 실험실 테스트 결과 등을 저장할 수 있다.
중기 예측 모듈(550)은 환자(14)의 중기 모니터링을 수행하기 위해 훈련된 기계 학습 모델을 환자(14)에 대한 파라미터 환자 데이터 및 제공자 데이터에 적용한다. 일부 예에서, 중기 예측 모듈(550)은 중기간(예를 들어, 통상적으로 약 24시간 내지 약 48시간) 내에 환자(14)에게 심장 부정맥이 발생할 중기 확률을 생성함으로써 중기 모니터링을 수행한다. 예를 들어, 중기 예측 모듈(550)은 중기간 내에 환자(14)에게 심장 부정맥이 발생할 중기 확률을 생성하기 위해 훈련된 기계 학습 모델을 환자(14)에 대한 파라미터 환자 데이터 및 제공자 데이터에 적용한다. 예를 들어, 기계 학습 모델은 파라미터 환자 데이터 및 제공자 데이터를 파라미터 환자 데이터 및 제공자 데이터를 나타내는 하나 이상의 벡터 및 텐서(예를 들어, 다차원 어레이)로 변환할 수 있다. 기계 학습 모델은 하나 이상의 벡터 및 텐서에 수학적 연산을 적용하여 파라미터 환자 데이터 및 제공자 데이터의 수학적 표현을 생성할 수 있다. 기계 학습 모델은 파라미터 환자 데이터와 제공자 데이터 사이의 식별된 관계 및 중기간 내에 심장 부정맥의 발생에 대응하는 상이한 가중치를 결정할 수 있다. 기계 학습 모델은 중기간 내에 환자(14)에게 심장 부정맥이 발생할 중기 확률을 생성하기 위해 상이한 가중치를 파라미터 환자 데이터 및 제공자 데이터에 적용할 수 있다. 전술한 예에서 중기 예측 모듈(550)은 기계 학습 모델을 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터 양자에 적용하지만, 일부 예에서 중기 예측 모듈(550)은 기계 학습 모델을 제공자 데이터가 아닌 파라미터 환자 데이터에만 또는 파라미터 환자 데이터가 아닌 제공자 데이터에만 적용한다.
일부 예에서, 중기 예측 모듈(550)은 중기간 내에 환자(14)에게 심장 부정맥이 발생할 결정된 중기 확률이, 예를 들어 임상의에 의해 설정된, 소정의 임계치를 초과하는지 여부를 결정한다. 중기 확률이 소정의 임계치를 초과한다는 결정에 응답하여, 중기 예측 모듈(550)은 IMD(16)가 전술한 바와 같이 환자(14)의 단기 모니터링을 수행하게 하는 지령을 통신 회로(506)를 통해 IMD(16)에 전송한다. 일부 예에서, 중기 확률이 소정 임계치를 초과한다는 결정에 응답하여, 중기 예측 모듈(550)은 중기 확률이 소정의 임계치를 초과했음을 또는 중기 예측 모듈(550)이 환자(14)가 중기간 내에 심장 부정맥을 겪을 가능성이 있다고 결정했음을 임상의에게 출력 장치(512)를 통해 통지하는 것과 같은 다른 동작을 수행할 수 있다.
전술한 예에서, 중기 예측 모듈(550)은 중기간 내에 환자(14)에게 심장 부정맥이 발생할 중기 확률을 결정하기 위해 기계 학습 모델을 적용한다. 다른 예에서, 중기 예측 모듈(550)은, IMD(16)가 전술한 바와 같이 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 결정하기 위하여 파라미터 환자 데이터에 특징 검출을 적용하는 것과 유사한 방식으로, 중기간 내에 환자(14)에게 심장 부정맥이 발생할 중기 확률을 결정하기 위해 파라미터 환자 데이터에 특징 검출을 적용할 수 있다.
일 예에서, 중기 예측 모듈(550)은 심전도 데이터를 포함하는 파라미터 환자 데이터에 대해 특징 검출을 수행한다. 이러한 예에서, 파라미터 환자 데이터는 환자(14)의 심전도의 T-파의 평균 주파수 또는 평균 진폭 중 하나 이상을 포함한다. 중기 예측 모듈(550)은 도 1의 IMD(16) 또는 센서(80)로부터 원시 심전도 신호를 수신하고, 원시 심전도 신호로부터 특징을 추출한다. 일부 예에서, 중기 예측 모듈(550)은 T-파 교대성, QRS 형태 측정 등 중 하나 이상을 식별한다. 예를 들어, 중기 예측 모듈(550)은 환자(14)의 심전도의 T-파의 하나 이상의 특징을 식별하고, 하나 이상의 식별된 특징에 모델을 적용하여 심장 부정맥이 중기간 내에 환자(14)에게 발생할 중기 확률을 생성한다. 일부 예에서, 하나 이상의 식별된 특징은 T-파의 하나 이상의 진폭이다. 일부 예에서, 하나 이상의 식별된 특징은 T-파의 주파수이다. 일부 예에서, 하나 이상의 식별된 특징은 적어도 T-파의 진폭 및 T-파의 주파수를 포함한다.
IMD(16)는 배터리 및 처리 전력 제약으로 인해 단기간에 걸쳐 특징 검출을 수행할 수 있지만, 외부 장치(27)는 그렇게 제한되지 않을 수 있다. 예를 들어, 외부 장치(27)는 쉽게 충전되거나, 더 큰 배터리이거나, 훨씬 더 많은 컴퓨팅 리소스를 가질 수 있다. 그러므로, 외부 장치(27)는 더 계산적으로 비싸고, 알고리즘적으로 복잡하고, 더 많은 전력을 소비하거나, 또는 파라미터 환자 데이터를 분석하는 특징 검출 알고리즘을 IMD(16)보다 더 긴 기간(예를 들어, 중기간) 동안 적용할 수 있다.
따라서, 본원에 개시된 기술은 환자 치료를 강화하고 환자의 심장 부정맥을 예방하는 능력을 증가시킬 수 있다. 예를 들어, 빈맥성 부정맥이 향후 며칠 내에 발생할 가능성이 상대적으로 높다는 지식은 환자의 예방 치료를 안내하는 데 도움이 되도록 사용될 수 있다. 더 나아가, 본원에 개시된 바와 같은 이러한 시스템은 배터리 수명이 중요한 의료 장치에서 계산적으로 비싸고 전력을 소비하는 복잡한 심장 부정맥 예측 작업을 오프로드할 수 있고, 심장 부정맥이 향후 며칠 내에 발생할 가능성이 상대적으로 높다고 예측되는 경우에만 의료 장치에 대한 단기 심장 예측 작업을 활성화할 수 있다. 따라서, 본 개시내용의 기술은 심장 부정맥이 특정 시간 범위 내에 발생할 가능성이 상대적으로 높은 경우에만 심장 예측을 위해 의료 장치를 사용함으로써 의료 장치의 전력을 보존하고 배터리 수명을 연장시킬 수 있다.
도 6은 본 개시내용의 기술에 따른 예시적인 작업을 나타낸 흐름도이다. 편의상, 도 6을 도 1을 참조하여 설명한다. 일부 예에서, 도 6의 작업은 환자(14)의 심장 심실 부정맥의 장기 및 단기 예측과 같은 환자(14)의 심장 부정맥의 다계층 예측을 제공하기 위한 작업이다.
일 예에서, IMD(16)는 환자(114)에 대한 파라미터 환자 데이터를 수집한다(600). 일부 예에서, 파라미터 환자 데이터는 환자의 활동 수준, 환자의 심박수, 환자의 자세, 환자의 심장 전기도, 환자의 혈압, 환자에 대한 가속도계 데이터, 또는 다른 유형의 파라미터 환자 데이터 중 하나 이상을 포함한다. 일부 예에서, 파라미터 환자 데이터는 장기간(예를 들어, 약 24시간 내지 약 48시간)에 걸쳐 환자(14)의 평균 측정치를 나타내는 하나 이상의 값을 포함한다. 일부 예에서, IMD(16)는 파라미터 환자 데이터를 외부 장치(27)에 업로드한다. 외부 장치(27)는 파라미터 환자 데이터를 컴퓨팅 장치(24)에 전달한다(601). 일부 예에서, 외부 장치(27)는 지리적 위치, 가속도계 데이터, 또는 환자(14)로부터의 입력과 같은 추가적인 파라미터 환자 데이터를 수집한다. 일부 예에서, 외부 장치(27)는 센서(80) 중 하나 이상과 같은 다른 공급원으로부터 파라미터 환자 데이터를 수신한다. 외부 장치(27)는 각 공급원으로부터 수집된 파라미터 환자 데이터를 컴퓨팅 장치(24)에 전달한다. 컴퓨팅 장치(24)는 외부 장치(27)에 의해 전달된 특허 파라미터 데이터를 네트워크(25)를 통해 수신한다(602). 일부 예에서, 컴퓨팅 장치(24)는 매일 파라미터 환자 데이터를 수신한다.
컴퓨팅 장치(24)는 제공자 데이터베이스(66)로부터 환자(14)에 대한 제공자 데이터를 추가로 수신한다(604). 일부 예에서, 제공자 데이터베이스(66)에 의해 저장된 제공자 데이터는 환자(14)에 대한 여러 상이한 유형의 과거 의료 정보를 포함할 수 있다. 예를 들어, 제공자 데이터베이스(66)는 환자의 약물 이력, 환자의 외과 시술 이력, 환자의 입원 이력, 시간 경과에 따른 환자의 칼륨 수준, 또는 환자에 대한 하나 이상의 실험실 테스트 결과 등을 저장할 수 있다.
컴퓨팅 장치(24)는 장기간 내에 환자(14)에게 심장 부정맥이 발생할 장기 확률을 생성하기 위해 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터를 사용하여 훈련된 기계 학습 모델을 환자(14)에 대한 파라미터 환자 데이터 및 제공자 데이터에 적용한다(606). 일부 예에서, 장기간은 약 24시간 내지 약 48시간이다. 컴퓨팅 장치(24)는 장기 확률이 장기의 소정 임계치를 초과하는지 여부를 결정한다(608). 장기 확률이 장기의 소정 임계치를 초과한다는 결정에 응답하여, 컴퓨팅 장치(24)는 IMD(16)가 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 결정하게 하는 지령을 전송한다(610). 일부 예에서, 컴퓨팅 장치(24)는 지령을 외부 장치(27)에 전달하고, 이는 결과적으로 IMD(16)에 지령을 전달한다(611). 일부 예에서, 단기간은 약 30분 내지 약 60분이다. 일부 예에서, 장기 확률이 장기의 소정 임계치를 초과한다는 결정에 응답하여, 컴퓨팅 장치(24)는 장기 확률이 장기의 소정 임계치를 초과했음을 또는 컴퓨팅 시스템(24)이 환자(14)가 장기간 내에 심장 부정맥을 겪을 가능성이 있다고 결정했음을 임상의에게 통지하는 것과 같은 다른 동작을 수행할 수 있다.
컴퓨팅 장치(24)로부터 지령의 수신에 응답하여, IMD(16)는 후속 파라미터 환자 데이터를 처리하여 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 생성한다(612). 일부 예에서, IMD(16)는 후속 파라미터 환자 데이터에 대해 특징 검출을 수행함으로써 단기 확률을 생성한다. 일부 예에서, IMD(16)는 전술한 바와 같이 컴퓨팅 장치(24)에 의해 분석된 파라미터 환자 데이터와 유사한 파라미터 환자 데이터를 분석할 수 있다. 다른 예에서, IMD(16)는 컴퓨팅 장치(24)에 의해 분석된 파라미터 환자 데이터와 다른 파라미터 환자 데이터를 분석한다. 예를 들어, 컴퓨팅 장치(24)는 장기간(예를 들어, 약 24시간 내지 약 48시간)에 걸쳐 평균화된 하나 이상의 값을 나타내는 파라미터 환자 데이터를 분석할 수 있는 반면, IMD(16)는 단기간(예를 들어, 약 30분 내지 약 60분)에 걸쳐 평균화된 하나 이상의 값을 나타내는 파라미터 환자 데이터를 분석할 수 있다.
IMD(16)는 단기 확률이 단기의 소정 임계치를 초과하는지 여부를 결정한다(614). 단기 확률이 단기의 소정 임계치를 초과한다는 결정에 응답하여, IMD(16)는 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 감소시키기 위한 치료 조치를 수행한다(616). 예를 들어, IMD(16)는 환자(14) 또는 임상의가 단기간 내에 환자(14)에게 심장 부정맥이 발생할 가능성을 인식할 수 있도록 컴퓨팅 장치(24)에 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률의 통지를 발행할 수 있다. 일 예로서, 통지는 환자(14)에게 호흡 운동을 수행하라고 지시할 수 있거나 또는 단기간 내에 환자(14)에게 심장 부정맥이 발생할 가능성을 줄이기 위해 약을 복용하도록 지시할 수 있다. 다른 예에서, IMD(16)는 단기간 내에 환자(14)에게 심장 부정맥이 발생할 가능성을 감소시키기 위해 약물 전달 치료 또는 전기 조율 치료와 같은 환자(14)에 대한 치료를 개시한다.
도 7은 본 개시내용의 기술에 따른 예시적인 작업을 나타낸 흐름도이다. 편의상, 도 7을 도 1을 참조하여 설명한다. 일부 예에서, 도 7의 작업은 예를 들어 환자(14)의 심장 심실 부정맥의 장기, 중기, 및 단기 예측을 포함하는 환자(14)의 심장 부정맥의 다계층 예측을 제공하기 위한 작업이다. 도 7의 예에서, 환자(14)의 심장 심실 부정맥의 장기, 중기, 및 단기 예측은 환자(14)의 심장 심실 부정맥이 장기간(예를 들어, 약 1주 이상), 중기간(예를 들어, 약 24시간 내지 약 48시간), 또는 단기간(예를 들어, 약 30분 내지 약 60분)에 걸쳐 환자(14)에게 발생할 가능성이 있다는 예측에 대응할 수 있다.
일 예에서, IMD(16)는 환자(114)에 대한 파라미터 환자 데이터를 수집한다(700). 일부 예에서, 파라미터 환자 데이터는 환자의 활동 수준, 환자의 심박수, 환자의 자세, 환자의 심장 전기도, 환자의 혈압, 환자에 대한 가속도계 데이터, 또는 다른 유형의 파라미터 환자 데이터 중 하나 이상을 포함한다. 일부 예에서, 파라미터 환자 데이터는 장기간(예를 들어, 약 24시간 내지 약 48시간)에 걸쳐 환자(14)의 평균 측정치를 나타내는 하나 이상의 값을 포함한다. 일부 예에서, IMD(16)는 파라미터 환자 데이터를 외부 장치(501)에 업로드한다. 외부 장치(27)는 파라미터 환자 데이터를 컴퓨팅 장치(24)에 전달한다(701). 일부 예에서, 외부 장치(27)는 지리적 위치, 가속도계 데이터, 환자(14)로부터의 입력과 같은 추가적인 파라미터 환자 데이터를 수집한다. 일부 예에서, 외부 장치(27)는 센서(80) 중 하나 이상과 같은 다른 공급원으로부터 파라미터 환자 데이터를 수신한다. 외부 장치(27)는 각 공급원으로부터 수집된 파라미터 환자 데이터를 컴퓨팅 장치(24)에 전달한다. 컴퓨팅 장치(24)는 외부 장치(27)에 의해 전달된 특허 파라미터 데이터를 네트워크(25)를 통해 수신한다(702). 일부 예에서, 컴퓨팅 장치(24)는 매일 파라미터 환자 데이터를 수신한다.
컴퓨팅 장치(24)는 제공자 데이터베이스(66)로부터 환자(14)에 대한 제공자 데이터를 추가로 수신한다(704). 일부 예에서, 제공자 데이터베이스(66)에 의해 저장된 제공자 데이터는 환자(14)에 대한 여러 상이한 유형의 과거 의료 정보를 포함할 수 있다. 예를 들어, 제공자 데이터베이스(66)는 환자의 약물 이력, 환자의 외과 시술 이력, 환자의 입원 이력, 시간 경과에 따른 환자의 칼륨 수준, 또는 환자에 대한 하나 이상의 실험실 테스트 결과 등을 저장할 수 있다.
컴퓨팅 장치(24)는 장기간 내에 환자(14)에게 심장 부정맥이 발생할 장기 확률을 생성하기 위해 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터를 사용하여 훈련된 기계 학습 모델을 환자(14)에 대한 파라미터 환자 데이터 및 제공자 데이터에 적용한다(706). 일부 예에서, 장기간은 약 1주일 이상이다. 컴퓨팅 장치(24)는 장기 확률이 장기의 소정 임계치를 초과하는지 여부를 결정한다(708).
장기 확률이 장기의 소정 임계치를 초과한다는 결정에 응답하여, 컴퓨팅 장치(24)는 외부 장치(27)가 중기간 내에 환자(14)에게 심장 부정맥이 발생할 중기 확률을 결정하게 하는 지령을 전송한다(710). 일부 예에서, 장기 확률이 장기의 소정 임계치를 초과한다는 결정에 응답하여, 컴퓨팅 장치(24)는 장기 확률이 장기의 소정 임계치를 초과했음을 또는 컴퓨팅 시스템(24)이 환자(14)가 장기간 내에 심장 부정맥을 겪을 가능성이 있다고 결정했음을 임상의에게 통지하는 것과 같은 다른 동작을 수행할 수 있다.
컴퓨팅 장치(24)로부터 지령의 수신에 응답하여, 외부 장치(27)는 중기간 내에 환자(14)에게 심장 부정맥이 발생할 중기 확률을 생성하기 위해 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터를 사용하여 훈련된 기계 학습 모델을 환자(14)에 대한 파라미터 환자 데이터 및 제공자 데이터에 적용한다(712). 일부 예에서, 외부 장치(27)는 중기간 내에 환자(14)에게 심장 부정맥이 발생할 중기 확률을 생성하기 위해 제공자 데이터가 아닌 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 환자(14)에 대한 제공자 데이터가 아닌 파라미터 환자 데이터에 적용한다. 일부 예에서, 중기간은 약 24시간 내지 약 48시간이다. 외부 장치(27)는 중기 확률이 중기의 소정 임계치를 초과하는지 여부를 결정한다(714). 일부 예에서, 중기의 소정 임계치는 50%이다. 일부 예에서, 중기의 소정 임계치는 75%, 80%, 90%, 99%, 또는 99.5%, 또는 99.9%와 같은 다른 임계치이다.
중기 확률이 중기의 소정 임계치를 초과한다는 결정에 응답하여, 외부 장치(27)는 IMD(16)가 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 결정하게 하는 지령을 전송한다(716). 일부 예에서, 단기간은 약 30분 내지 약 60분이다. 일부 예에서, 중기 확률이 중기의 소정 임계치를 초과한다는 결정에 응답하여, 외부 장치(27)는 중기 확률이 중기의 소정 임계치를 초과했음을 또는 외부 장치(27)가 환자(14)가 중기간 내에 심장 부정맥을 겪을 가능성이 있다고 결정했음을 임상의에게 통지하는 것과 같은 다른 동작을 수행할 수 있다.
외부 장치(27)로부터 지령의 수신에 응답하여, IMD(16)는 후속 파라미터 환자 데이터를 처리하여 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 생성한다(718). 일부 예에서, IMD(16)는 후속 파라미터 환자 데이터에 대해 특징 검출을 수행함으로써 단기 확률을 생성한다. 일부 예에서, IMD(16)는 전술한 바와 같이 컴퓨팅 장치(24) 및/또는 외부 장치(27)에 의해 분석된 파라미터 환자 데이터와 유사한 파라미터 환자 데이터를 분석할 수 있다. 다른 예에서, IMD(16)는 컴퓨팅 장치(24) 및/또는 외부 장치(27)에 의해 분석된 파라미터 환자 데이터와 다른 파라미터 환자 데이터를 분석한다. 예를 들어, 컴퓨팅 장치(24)는 장기간(예를 들어, 약 1주일 이상)에 걸쳐 평균화된 하나 이상의 값을 나타내는 파라미터 환자 데이터를 분석할 수 있고, 외부 장치(27)는 중기간(예를 들어, 약 24시간 내지 약 48시간)에 걸쳐 평균화된 하나 이상의 값을 나타내는 파라미터 환자 데이터를 분석할 수 있는 반면, IMD(16)는 단기간(예를 들어, 약 30분 내지 약 60분)에 걸쳐 평균화된 하나 이상의 값을 나타내는 파라미터 환자 데이터를 분석할 수 있다.
IMD(16)는 단기 확률이 단기의 소정 임계치를 초과하는지 여부를 결정한다(720). 단기 확률이 단기의 소정 임계치를 초과한다는 결정에 응답하여, IMD(16)는 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률을 감소시키기 위한 치료 조치를 수행한다(722). 예를 들어, IMD(16)는 환자(14) 또는 임상의가 단기간 내에 환자(14)에게 심장 부정맥이 발생할 가능성을 인식할 수 있도록 컴퓨팅 장치(24)에 단기간 내에 환자(14)에게 심장 부정맥이 발생할 단기 확률의 통지를 발행할 수 있다. 다른 예에서, IMD(16)는 단기간 내에 환자(14)에게 심장 부정맥이 발생할 가능성을 감소시키기 위해 약물 전달 치료 또는 전기 조율 치료와 같은 환자(14)에 대한 치료를 개시한다.
본원에서 설명된 바와 같이, "장기 확률", "중기 확률", 및 "단기 확률"이란 용어의 사용뿐만 아니라 "장기 확률 임계치", "중기 확률 임계치", 및 "단기 확률 임계치"란 용어의 사용은 단지 용어를 서로 구별하기 위해 본 개시내용 전체에 걸쳐 사용된다. 이러한 용어는 임의의 특정 시간 길이로 제한되지 않는다. 예를 들어, "장기 확률"이란 용어는 "제1 확률"이란 용어와 상호 교환 가능하고, "중기 확률"이란 용어는 "제2 확률"이란 용어와 상호 교환 가능하고, "단기 확률"이란 용어는 "제3 확률"이란 용어와 상호 교환 가능하고, "장기 확률 임계치"란 용어는 "제1 확률 임계치"란 용어와 상호 교환 가능하고, "중기 확률 임계치"란 용어는 "제2 확률 임계치"란 용어와 상호 교환 가능하고, "단기 확률 임계치"란 용어는 "제3 확률 임계치"란 용어와 상호 교환 가능하다.
도 8a는 본 개시내용의 기술에 따른 예시적인 작업을 나타낸 흐름도이다. 구체적으로, 도 8a의 흐름도는 예를 들어 환자(14)의 심장 심실 부정맥의 장기, 중기, 및 단기를 포함하는 환자(14)의 심장 부정맥의 다계층 예측을 제공하기 위한 작업을 나타낸다. 편의상, 도 8을 도 1을 참조하여 설명한다.
도 8의 예에 도시된 바와 같이, 클라우드 컴퓨팅 네트워크(808)는 장기 알고리즘(802)을 환자(14)에 대한 제공자 데이터에 적용하여 장기간에 걸쳐 환자(14)에게 심장 부정맥이 발생할 장기 확률을 생성한다. 장기 알고리즘(802)의 추가 세부사항은 도 8b에 도시되어 있다. 일부 예에서, 클라우드 컴퓨팅 네트워크(808)는 도 1의 하나 이상의 컴퓨팅 장치(24)를 포함한다.
환자(14)가 심장 부정맥을 경험할 장기 확률이 장기의 소정 임계치를 초과한다는 결정에 응답하여, 클라우드 컴퓨팅 네트워크(808)는 외부 장치(27)가 중기 알고리즘(804)을 환자(14)에 대한 파라미터 환자 데이터에 적용하여 중기간 동안 환자(14)에게 심장 부정맥이 발생할 중기 확률을 생성하게 하는 지령을 전송한다. 도 8a에 도시된 바와 같이, 외부 장치(27)는 예를 들어 매일 또는 다른 주기적으로 IMD(16)로부터 파라미터 데이터를 수신할 수 있다. 중기 알고리즘(804)의 추가 세부사항은 도 8c에 도시되어 있다.
환자(14)가 심장 부정맥을 경험할 중기 확률이 중기의 소정 임계치를 초과한다는 결정에 응답하여, 외부 장치(27)는 IMD(16)가 단기 알고리즘(806)을 환자(14)에 대한 파라미터 환자 데이터에 적용하여 단기간 동안 환자(14)에게 심장 부정맥이 발생할 단기 확률을 생성하게 하는 지령을 전송한다. 단기 알고리즘(806)의 추가 세부사항은 도 8d에 도시되어 있다.
일부 예에서, 각 상위 수준 알고리즘은 하위 수준 알고리즘에 위험 인자를 제공할 수 있고, 하위 수준 알고리즘은 환자(14)에게 심장 부정맥이 발생할 확률의 결정에 포함할 수 있다. 예를 들어, 중기 알고리즘(804)은, 중기간에 걸쳐 환자(14)에게 심장 부정맥이 발생할 중기 확률의 결정에서, 장기 알고리즘(802)에 의해 생성된 장기간에 걸쳐 환자(14)에게 심장 부정맥이 발생할 장기 확률을 사용할 수 있다. 유사하게, 단기 알고리즘(806)은, 단기간에 걸쳐 환자(14)에게 심장 부정맥이 발생할 단기 확률의 결정에서, 중기 알고리즘(804)에 의해 생성된 중기간에 걸쳐 환자(14)에게 심장 부정맥이 발생할 중기 확률을 사용할 수 있다.
도 8a에 도시된 심장 부정맥 예측의 다중 수준의 사용은 IMD(16)의 배터리 수명을 연장시켜, IMD(16)는 교체없이 더 오랜 기간 동안 환자(14)에 이식될 수 있다. 더 나아가, 이러한 다중 수준의 심장 부정맥 예측의 사용은 환자(14)의 필요와 위험에 대해 높은 수준의 감도, 특이성 및 정확성을 제공할 수 있다.
도 8b는 도 8a의 예에 도시된 심장 부정맥의 장기 예측을 위한 알고리즘(802)을 더 상세하게 나타낸 블록도이다. 도 8b의 예에서, 클라우드 컴퓨팅 네트워크(808)의 하나 이상의 컴퓨팅 장치(24)는 복수 유형의 제공자 데이터 및 파라미터 환자 데이터 w 1, w 2, w 3, . . . w m를 복수의 뉴런 및 복수의 은닉 층 1-5를 포함하는 신경망의 층에 적용한다. 일부 예에서, w 1, w 2, w 3, . . . w m의 각각은 환자의 약물 이력, 환자(14)의 외과 시술 이력, 환자(14)의 심전도 등과 같은 다른 유형의 제공자 데이터 또는 파라미터 환자 데이터에 해당한다. 신경망은 복수의 뉴런 및 복수의 은닉 층 1-5에 걸쳐 입력을 매핑함으로써 제공자 데이터 및 파라미터 환자 데이터 w 1, w 2, w 3, . . . w m를 처리하여, 장기간에 걸쳐 환자(14)에게 심장 부정맥이 발생할 장기 확률인 출력 P EMR을 생성한다.
도 8c는 도 8a의 예에 도시된 심장 부정맥의 중기 예측을 위한 알고리즘(804)을 더 상세하게 나타낸 블록도이다. 도 8b의 예에서, 외부 장치(27)는 복수 유형의 제공자 데이터 및 파라미터 환자 데이터 x 1, x 2, x 3, . . . x m를 복수의 뉴런 및 복수의 은닉 층 1-5를 포함하는 신경망의 층에 적용한다. 일부 예에서, x 1, x 2, x 3, . . . x m의 각각은 환자의 약물 이력, 환자(14)의 외과 시술 이력, 환자(14)의 심전도 등과 같은 다른 유형의 제공자 데이터 또는 파라미터 환자 데이터에 해당한다. 신경망은 복수의 뉴런 및 복수의 은닉 층 1-5에 걸쳐 입력을 매핑함으로써 제공자 데이터 및 파라미터 환자 데이터 x 1, x 2, x 3, . . . x m를 처리하여, 중기간에 걸쳐 환자(14)에게 심장 부정맥이 발생할 중기 확률인 출력 P D24을 생성한다.
도 8d는 도 8a의 예에 도시된 심장 부정맥의 단기 예측을 위한 알고리즘(806)을 더 상세하게 나타낸 블록도이다. 도 8d에 도시된 바와 같이, IMD(16)는 파라미터 환자 데이터의 복수의 윈도우 e 1, e 2, e 3, e 4, . . . e m의 각각에 대해 특징 검출을 수행함으로써 환자(14)에게 심장 부정맥이 발생할 단기 확률을 생성한다. 윈도우 e 1, e 2, e 3, e 4, . . . e m의 각각은 IMD(16)가 후속 심장 부정맥의 하나 이상의 지표가 존재하는지를 결정하기 위해 기준을 적용하는 시간의 세그먼트를 나타낸다. 도 8d의 예에 도시된 바와 같이, 결정 윈도우(820)에서, IMD(16)는 단기간 동안 환자(14)에게 심장 부정맥이 발생할 가능성이 있는 확률을 결정한다. 심장 부정맥을 예측하기 위한 다수 파라미터의 사용에 관한 추가 정보는 예를 들어 "급성 심장 질환 및 공격의 다중 파라미터 예측"이란 명칭으로 Zhou 등에 의해 2017년 6월 12일자에 출원되고 2017년 12월 14일자에 공개된 미국 특허 출원 제2017/0354365호에서 찾을 수 있다.
일부 예에서, IMD(16)는 심장 부정맥이 장기간에 걸쳐 환자(14)에게 발생할, 하나 이상의 컴퓨팅 장치(24)에 의해 생성된, 장기 확률 P EMR 및 심장 부정맥이 단기간 동안 환자(14)에게 발생할 확률을 결정하기 위해 중기간에 걸쳐 환자(14)에게 심장 부정맥이 발생할, 외부 장치(27)에 의해 생성된, 중기 확률 P D24과 함께 파라미터 환자 데이터의 특징 검출을 사용할 수 있다. 일부 예에서, IMD(16)는 단기간 동안 환자(14)에게 심장 부정맥이 발생할 가능성이 있는 확률을 결정하기 위해 특징 검출, 장기 확률 P EMR, 및 중기 확률 P D24의 각각에 상이한 가중치를 적용한다. 일부 예에서, IMD(16)는 단기간 동안 환자(14)에게 심장 부정맥이 발생할 확률을 결정하기 위해 특징 검출, 장기 확률 P EMR, 및 중기 확률 P D24의 각각에 결정 트리를 적용한다.
도 9는 본 개시내용의 기술에 따른 심장 부정맥의 단기 예측을 위한 예시적인 알고리즘(902)을 나타낸 블록도이다. 편의상, 도 9를 도 1을 참조하여 설명한다. 일부 예에서, 예시적인 알고리즘(902)은 도 8a 및 8d의 심장 부정맥의 단기 예측을 위한 알고리즘(806)과 실질적으로 유사한 방식으로 작동한다. 일부 예에서, IMD(16)는 단기간 동안 환자(14)에게 심장 부정맥이 발생할 가능성이 있는 단기 확률을 결정하기 위해 다수 유형의 파라미터 환자 데이터를 처리할 수 있다. 도 9의 예에서, IMD(16)는 단기간 동안 환자(14)에게 심장 부정맥이 발생할 가능성이 있는 단기 확률을 계산하기 위하여 기계 학습 모델을 적용한다. 예를 들어, 입력으로서, IMD(16)의 기계 학습 모델은 상이한 유형의 파라미터 환자 데이터에 대해 특징 검출을 수신하고 수행할 수 있다. 예를 들어, IMD는 심전도 데이터, 전극 임피던스 측정치, 가속도계 데이터, 환자(14)에 대한 온도 데이터, 환자(14)의 심장의 오디오 데이터, 또는 상이한 수준의 다른 알고리즘에 의해 계산된 위험 점수 중 하나 이상에 대해 특징 검출을 수행할 수 있다. 이러한 위험 점수는 예를 들어 심장 부정맥이 장기간에 걸쳐 환자(14)에게 발생할, 하나 이상의 컴퓨팅 장치(24)에 의해 생성된, 장기 확률 P EMR 및 심장 부정맥이 중기간에 걸쳐 환자(14)에게 발생할, 외부 장치(27)에 의해 생성된, 중기 확률 P D24을 포함할 수 있다.
따라서, 본원에 개시된 기술은 환자 치료를 강화하고 환자의 심장 부정맥을 예방하는 능력을 증가시킬 수 있다. 예를 들어, 빈맥성 부정맥이 향후 며칠 내에 발생할 가능성이 상대적으로 높다는 지식은 환자의 예방 치료를 안내하는 데 도움이 되도록 사용될 수 있다. 또한, 빈맥성 부정맥이 향후 몇 분 또는 몇 시간 내에 발생할 가능성이 상대적으로 높다는 지식은 환자의 예방 치료 및 긴급 치료를 안내하는 데 사용될 수 있다. 더 나아가, 본원에 개시된 바와 같은 이러한 시스템은 계산적으로 비싸고 전력을 소비하는 장기 심장 부정맥 예측 작업을 환자의 개인 의료 장치로부터 클라우드 컴퓨팅 시스템으로 이동시킬 수 있고, 클라우드 컴퓨팅 시스템이 향후 며칠 내에 심장 부정맥이 발생할 가능성이 상대적으로 높다고 예측하는 경우에만 의료 장치에 대한 단기 심장 예측 작업을 활성화할 수 있다. 따라서, 본 개시내용의 기술은 심장 부정맥이 특정 시간 범위 내에 발생할 가능성이 상대적으로 높은 경우에만 심장 예측을 위해 의료 장치를 사용함으로써 의료 장치의 전력을 보존하고 배터리 수명을 연장시킬 수 있다.
다음의 실시예는 본 개시내용의 하나 이상의 양태를 나타낼 수 있다.
실시예 1.
처리 회로 및 저장 매체를 포함하는 컴퓨팅 장치로서, 컴퓨팅 장치는 환자에 대한 파라미터 환자 데이터를 수신하고; 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 파라미터 환자 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하고; 제1 확률이 소정 임계치를 초과하는지를 결정하고; 제1 확률이 소정 임계치를 초과한다는 결정에 응답하여, 지령을 제2 장치에 전송해서 제2 장치가 심장 부정맥이 제2 기간 내에 환자에게 발생할 제2 확률을 결정하게 하도록 구성되는, 컴퓨팅 장치.
실시예 2.
실시예 1에 있어서, 컴퓨팅 장치는 환자에 대한 제공자 데이터를 수신하도록 더 구성되고, 기계 학습 모델을 적용하기 위해, 컴퓨팅 장치는 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터를 사용하여 훈련된 기계 학습 모델을 환자에 대한 파라미터 환자 데이터 및 제공자 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하도록 구성되는, 컴퓨팅 장치.
실시예 3.
실시예 1 내지 2의 임의의 조합에 있어서, 파라미터 환자 데이터는 환자에 대한 생리학적 데이터; 환자의 나이; 환자의 성별; 환자의 활동 패턴; 환자의 수면 패턴; 환자의 보행 변화; 의료 장치에 대한 장치 관련 데이터; 환자의 온도 경향; 또는 의료 장치의 온도 경향 중 적어도 하나를 포함하는, 컴퓨팅 장치.
실시예 4.
실시예 3에 있어서, 의료 장치에 대한 장치 관련 데이터는 의료 장치의 하나 이상의 전극의 임피던스; 전극의 선택; 의료 장치에 대한 약물 전달 일정; 환자에게 전달되는 전기 조율 치료 이력; 의료 장치에 대한 진단 데이터; 환자의 검출된 활동 수준; 환자의 검출된 자세; 환자의 검출된 온도; 또는 환자의 검출된 수면 상태 중 적어도 일부를 포함하는, 컴퓨팅 장치.
실시예 5.
실시예 1 내지 4의 임의의 조합에 있어서, 환자에 대한 제공자 데이터는 환자의 약물 이력; 환자의 외과 시술 이력; 환자의 입원 이력; 환자의 칼륨 수준; 또는 환자에 대한 하나 이상의 실험실 테스트 결과 중 적어도 일부를 포함하는, 컴퓨팅 장치.
실시예 6.
실시예 1 내지 5의 임의의 조합에 있어서, 제1 기간은 약 1일 초과이고, 제2 기간은 약 1일 미만인, 컴퓨팅 장치.
실시예 7.
실시예 1 내지 6의 임의의 조합에 있어서, 컴퓨팅 장치는 지령을 제2 장치에 전송한 후, 심장 부정맥이 제1 기간 내에 환자에게 발생했는지 여부를 나타내는 피드백을 제2 장치로부터 수신하고; 심장 부정맥이 제1 기간 내에 환자에게 발생했는지 여부를 나타내는 피드백으로 기계 학습 모델을 업데이트하도록 더 구성되는, 컴퓨팅 장치.
실시예 8.
복수의 전극 또는 센서 중 하나 이상을 통해 환자에 대한 파라미터 환자 데이터를 수집하고; 컴퓨팅 장치로부터 지령을 수신하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하고; 지령에 응답하여, 파라미터 환자 데이터를 처리해서 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하고; 확률이 소정 임계치를 초과하는지를 결정하고; 확률이 소정 임계치를 초과한다는 결정에 응답하여, 심장 부정맥이 기간 내에 환자에게 발생할 확률을 감소시키기 위해 치료 조치를 수행하도록 구성되는 장치.
실시예 9.
실시예 8에 있어서, 파라미터 환자 데이터를 처리해서 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하기 위해, 장치는 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 파라미터 환자 데이터에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하도록 구성되는, 장치.
실시예 10.
실시예 8에 있어서, 파라미터 환자 데이터를 처리해서 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하기 위해, 장치는 파라미터 환자 데이터의 심전도의 T-파의 하나 이상의 특징을 식별하고; 하나 이상의 특징을 모델에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하도록 구성되는, 장치.
실시예 11.
실시예 10에 있어서, T-파의 하나 이상의 특징은 T-파의 진폭을 포함하고, 하나 이상의 특징을 모델에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하기 위해, 장치는 T-파의 진폭에 모델을 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하도록 구성되는, 장치.
실시예 12.
실시예 10 내지 11의 임의의 조합에 있어서, T-파의 하나 이상의 특징은 T-파의 주파수를 포함하고, 하나 이상의 특징을 모델에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하기 위해, 장치는 T-파의 주파수에 모델을 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하도록 구성되는, 장치.
실시예 13.
실시예 8 내지 12의 임의의 조합에 있어서, 치료 조치를 수행하기 위해, 장치는 심장 부정맥이 기간 내에 환자에게 발생할 확률에 대한 통지를 컴퓨팅 장치 및 외부 장치 중 적어도 하나에 발행하도록 구성되는, 장치.
실시예 14.
실시예 8 내지 13의 임의의 조합에 있어서, 치료 조치를 수행하기 위해, 장치는 약물 전달 치료 및 전기 조율 치료 중 적어도 하나를 환자에게 전달하도록 구성되는, 장치.
실시예 15.
지령을 수신하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하고; 지령에 응답하여, 파라미터 환자 데이터를 처리해서 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하고; 제1 확률이 제1 소정 임계치를 초과하는지를 결정하고; 제1 확률이 제1 소정 임계치를 초과한다는 결정에 응답하여, 지령을 의료 장치에 전송해서 의료 장치가 심장 부정맥이 제2 기간 내에 환자에게 발생할 제2 확률을 결정하게 하도록 구성되는 외부 장치.
실시예 16.
실시예 15에 있어서, 파라미터 환자 데이터를 처리해서 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하기 위해, 외부 장치는 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 파라미터 환자 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하도록 구성되는, 외부 장치.
실시예 17.
실시예 15에 있어서, 파라미터 환자 데이터를 처리해서 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하기 위해, 외부 장치는 파라미터 환자 데이터에 대해 특징 검출을 수행하여 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 파라미터 환자 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하도록 구성되는, 외부 장치.
실시예 18.
실시예 15 내지 17의 임의의 조합에 있어서, 외부 장치는 의료 장치 또는 하나 이상의 센서 중 적어도 하나로부터 파라미터 환자 데이터를 수신하고; 수신된 파라미터 환자 데이터를 컴퓨팅 장치에 전송하도록 더 구성되는, 외부 장치.
실시예 19.
실시예 18에 있어서, 외부 장치는 환자의 지리적 위치를 결정하고; 결정된 지리적 위치를 파라미터 환자 데이터와 함께 컴퓨팅 장치에 전송하도록 더 구성되는, 외부 장치.
실시예 20.
실시예 15 내지 19의 임의의 조합에 있어서, 외부 장치는 모바일 장치 또는 웨어러블 전자 장치 중 적어도 하나를 포함하는, 외부 장치.
실시예 21.
처리 회로 및 저장 매체를 포함하는 컴퓨팅 장치가 환자에 대한 파라미터 환자 데이터를 수신하는 단계; 컴퓨팅 장치가 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 파라미터 환자 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하는 단계; 컴퓨팅 장치가 제1 확률이 소정 임계치를 초과하는지를 결정하는 단계; 컴퓨팅 장치가 제1 확률이 소정 임계치를 초과한다는 결정에 응답하여, 지령을 제2 장치에 전송해서 제2 장치가 심장 부정맥이 제2 기간 내에 환자에게 발생할 제2 확률을 결정하게 하는 단계를 포함하는 방법.
실시예 22.
실시예 21에 있어서, 컴퓨팅 장치가 환자에 대한 제공자 데이터를 수신하는 단계를 더 포함하고, 기계 학습 모델을 적용하는 단계는 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터를 사용하여 훈련된 기계 학습 모델을 환자에 대한 파라미터 환자 데이터 및 제공자 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하는 단계를 포함하는, 방법.
실시예 23.
실시예 21 내지 22의 임의의 조합에 있어서, 지령을 제2 장치에 전송한 후, 컴퓨팅 장치가 심장 부정맥이 제1 기간 내에 환자에게 발생했는지 여부를 나타내는 피드백을 제2 장치로부터 수신하는 단계; 및 컴퓨팅 장치가 심장 부정맥이 제1 기간 내에 환자에게 발생했는지 여부를 나타내는 피드백으로 기계 학습 모델을 업데이트하는 단계를 더 포함하는, 방법.
실시예 24.
장치가 환자에 대한 파라미터 환자 데이터를 수집하는 단계; 장치가 컴퓨팅 장치로부터 지령을 수신하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계; 장치가 지령에 응답하여, 파라미터 환자 데이터를 처리해서 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계; 장치가 확률이 소정 임계치를 초과하는지를 결정하는 단계; 장치가 확률이 소정 임계치를 초과한다는 결정에 응답하여, 심장 부정맥이 기간 내에 환자에게 발생할 확률을 감소시키기 위해 치료 조치를 수행하는 단계를 포함하는 방법.
실시예 25.
실시예 24에 있어서, 파라미터 환자 데이터를 처리해서 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계는 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 파라미터 환자 데이터에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계를 포함하는, 방법.
실시예 26.
실시예 24에 있어서, 파라미터 환자 데이터를 처리해서 확률을 생성하는 단계는 파라미터 환자 데이터의 심전도의 T-파의 하나 이상의 특징을 식별하는 단계; 및 하나 이상의 특징을 모델에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계를 포함하는, 방법.
실시예 27.
실시예 26에 있어서, T-파의 하나 이상의 특징은 T-파의 진폭을 포함하고, 하나 이상의 특징을 모델에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계는 T-파의 진폭에 모델을 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계를 포함하는, 방법.
실시예 28.
실시예 26 내지 27의 임의의 조합에 있어서, T-파의 하나 이상의 특징은 T-파의 주파수를 포함하고, 하나 이상의 특징을 모델에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계는 T-파의 주파수에 모델을 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계를 포함하는, 방법.
실시예 1A.
처리 회로 및 저장 매체를 포함하는 컴퓨팅 장치가 의료 장치에 의해 수집된 환자에 대한 파라미터 환자 데이터를 수신하는 단계; 컴퓨팅 장치가 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 파라미터 환자 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하는 단계; 컴퓨팅 장치가 제1 확률이 소정 임계치를 초과하는지를 결정하는 단계; 컴퓨팅 장치가 제1 확률이 소정 임계치를 초과한다는 결정에 응답하여, 지령을 의료 장치에 전송해서 의료 장치가 심장 부정맥이 제2 기간 내에 환자에게 발생할 제2 확률을 결정하게 하는 단계를 포함하는 방법.
실시예 2A.
실시예 1A에 있어서, 컴퓨팅 장치가 환자에 대한 전자 의료 기록(EMR) 데이터를 수신하는 단계를 더 포함하고, 기계 학습 모델을 적용하는 단계는 복수의 환자에 대한 파라미터 환자 데이터 및 EMR 데이터를 사용하여 훈련된 기계 학습 모델을 환자에 대한 파라미터 환자 데이터 및 EMR 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하는 단계를 포함하는, 방법.
실시예 3A.
실시예 1A 또는 2A의 임의의 조합에 있어서, 파라미터 환자 데이터는 환자에 대한 생리학적 데이터; 또는 의료 장치에 대한 장치 관련 데이터 중 적어도 하나를 포함하는, 방법.
실시예 4A.
실시예 3A에 있어서, 의료 장치에 대한 장치 관련 데이터는 의료 장치의 하나 이상의 전극의 임피던스; 전극의 선택; 의료 장치에 대한 약물 전달 일정; 환자에게 전달되는 전기 조율 치료 이력; 또는 의료 장치에 대한 진단 데이터 중 적어도 일부를 포함하는, 방법.
실시예 5A.
실시예 1A 내지 4A 중 어느 하나에 있어서, 파라미터 환자 데이터를 수신하는 단계는 파라미터 환자 데이터를 적어도 매일 수신하는 단계를 포함하는, 방법.
실시예 6A.
실시예 1A 내지 5A 중 어느 하나에 있어서, 환자에 대한 EMR 데이터는 환자의 약물 이력; 환자의 외과 시술 이력; 환자의 입원 이력; 환자의 칼륨 수준; 또는 환자에 대한 하나 이상의 실험실 테스트 결과 중 적어도 일부를 포함하는, 방법.
실시예 7A.
실시예 1A 내지 6A 중 어느 하나에 있어서, 제1 기간은 1일 초과 1주 미만이고, 제2 기간은 1분 초과 1일 미만인, 방법.
실시예 8A.
실시예 1A 내지 6A 중 어느 하나에 있어서, 제1 기간은 1일 미만이고, 제2 기간은 1시간 미만인, 방법.
실시예 9A.
실시예 1A 내지 8A 중 어느 하나에 있어서, 지령을 의료 장치에 전송한 후, 컴퓨팅 장치가 심장 부정맥이 제1 기간 내에 환자에게 발생했는지 여부를 나타내는 피드백을 의료 장치로부터 수신하는 단계; 및 컴퓨팅 장치가 심장 부정맥이 제1 기간 내에 환자에게 발생했는지 여부를 나타내는 피드백으로 기계 학습 모델을 업데이트하는 단계를 더 포함하는, 방법.
실시예 10A.
실시예 1A 내지 9A 중 어느 하나에 있어서, 기계 학습 모델은 컨벌루션 신경망에 의해 생성된 모델을 포함하는, 방법.
실시예 11A.
의료 장치가 환자에 대한 파라미터 환자 데이터를 수집하는 단계; 의료 장치가 컴퓨팅 장치로부터 지령을 수신하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계; 의료 장치가 지령에 응답하여, 파라미터 환자 데이터를 처리해서 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계; 의료 장치가 확률이 소정 임계치를 초과하는지를 결정하는 단계; 의료 장치가 확률이 소정 임계치를 초과한다는 결정에 응답하여, 심장 부정맥이 기간 내에 환자에게 발생할 확률을 감소시키기 위해 치료 조치를 수행하는 단계를 포함하는 방법.
실시예 12A.
실시예 11A에 있어서, 파라미터 환자 데이터를 처리해서 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계는 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 파라미터 환자 데이터에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계를 포함하는, 방법.
실시예 13A.
실시예 11A 또는 12A 중 어느 하나에 있어서, 파라미터 환자 데이터를 처리해서 확률을 생성하는 단계는 파라미터 환자 데이터의 심전도의 T-파의 하나 이상의 특징을 식별하는 단계; 및 하나 이상의 특징을 모델에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계를 포함하는, 방법.
실시예 14A.
실시예 13A에 있어서, T-파의 하나 이상의 특징은 T-파의 진폭을 포함하고, 하나 이상의 특징을 모델에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계는 T-파의 진폭에 모델을 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계를 포함하는, 방법.
실시예 15A.
실시예 13A에 있어서, T-파의 하나 이상의 특징은 T-파의 주파수를 포함하고, 하나 이상의 특징을 모델에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계는 T-파의 주파수에 모델을 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하는 단계를 포함하는, 방법.
실시예 16A.
실시예 11A 내지 15A 중 어느 하나에 있어서, 의료 장치는 웨어러블 의료 장치를 포함하는, 방법.
실시예 17A.
실시예 11A 내지 16A 중 어느 하나에 있어서, 의료 장치는 이식형 의료 장치(IMD)를 포함하는, 방법.
실시예 18A.
실시예 11A 내지 17A 중 어느 하나에 있어서, 의료 장치가 파라미터 환자 데이터를 적어도 매일 컴퓨팅 장치에 전송하는 단계를 더 포함하는, 방법.
실시예 19A.
실시예 11A 내지 18A 중 어느 하나에 있어서, 치료 조치를 수행하는 단계는 심장 부정맥이 기간 내에 환자에게 발생할 확률에 대한 통지를 컴퓨팅 장치에 발행하는 단계를 포함하는, 방법.
실시예 20A.
실시예 11A 내지 19A 중 어느 하나에 있어서, 치료 조치를 수행하는 단계는 약물 전달 치료 및 전기 조율 치료 중 적어도 하나를 환자에게 전달하는 단계를 포함하는, 방법.
실시예 21A.
처리 회로 및 저장 매체를 포함하는 컴퓨팅 장치로서, 컴퓨팅 장치는 의료 장치에 의해 수집된 환자에 대한 파라미터 환자 데이터를 수신하고; 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 파라미터 환자 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하고; 제1 확률이 소정 임계치를 초과하는지를 결정하고; 제1 확률이 소정 임계치를 초과한다는 결정에 응답하여, 지령을 의료 장치에 전송해서 의료 장치가 심장 부정맥이 제2 기간 내에 환자에게 발생할 제2 확률을 결정하게 하도록 구성되는, 컴퓨팅 장치.
실시예 22A.
실시예 21A에 있어서, 컴퓨팅 장치는 환자에 대한 전자 의료 기록(EMR) 데이터를 수신하도록 더 구성되고, 기계 학습 모델을 적용하여 제1 확률을 생성하기 위해, 컴퓨팅 장치는 복수의 환자에 대한 파라미터 환자 데이터 및 EMR 데이터를 사용하여 훈련된 기계 학습 모델을 환자에 대한 파라미터 환자 데이터 및 EMR 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하도록 더 구성되는, 컴퓨팅 장치.
실시예 23A.
실시예 21A 또는 22A 중 어느 하나에 있어서, 파라미터 환자 데이터는 환자에 대한 생리학적 데이터; 또는 의료 장치에 대한 장치 관련 데이터 중 적어도 하나를 포함하는, 컴퓨팅 장치.
실시예 24A.
실시예 21A 내지 23A 중 어느 하나에 있어서, 파라미터 환자 데이터를 수신하기 위해, 컴퓨팅 장치는 파라미터 환자 데이터를 적어도 매일 수신하도록 구성되는, 컴퓨팅 장치.
실시예 25A.
실시예 21A 내지 24A 중 어느 하나에 있어서, 제1 기간은 1일 초과 1주 미만이고, 제2 기간은 1분 초과 1일 미만인, 컴퓨팅 장치.
실시예 26A.
실시예 21A 내지 25A 중 어느 하나에 있어서, 제1 기간은 1일 미만이고, 제2 기간은 1시간 미만인, 컴퓨팅 장치.
실시예 27A.
실시예 21A 내지 26A 중 어느 하나에 있어서, 컴퓨팅 장치는 지령을 의료 장치에 전송한 후, 심장 부정맥이 제1 기간 내에 환자에게 발생했는지 여부를 나타내는 피드백을 의료 장치로부터 수신하고; 심장 부정맥이 제1 기간 내에 환자에게 발생했는지 여부를 나타내는 피드백으로 기계 학습 모델을 업데이트하도록 더 구성되는, 컴퓨팅 장치.
실시예 28A.
복수의 전극 또는 센서를 통해 환자에 대한 파라미터 환자 데이터를 수집하고; 컴퓨팅 장치로부터 지령을 수신하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하고; 지령에 응답하여, 파라미터 환자 데이터를 처리해서 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하고; 확률이 소정 임계치를 초과하는지를 결정하고; 확률이 소정 임계치를 초과한다는 결정에 응답하여, 심장 부정맥이 기간 내에 환자에게 발생할 확률을 감소시키기 위해 치료 조치를 수행하도록 구성되는 의료 장치.
실시예 29A.
실시예 28A에 있어서, 파라미터 환자 데이터를 처리해서 확률을 생성하기 위해, 의료 장치는 파라미터 환자 데이터의 심전도의 T-파의 하나 이상의 특징을 식별하고; 하나 이상의 특징을 모델에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하도록 구성되는, 의료 장치.
실시예 30A.
실시예 29A에 있어서, T-파의 하나 이상의 특징은 T-파의 진폭을 포함하고, 하나 이상의 특징을 모델에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하기 위해, 의료 장치는 T-파의 진폭에 모델을 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하도록 구성되는, 의료 장치.
실시예 31A.
실시예 29A에 있어서, T-파의 하나 이상의 특징은 T-파의 주파수를 포함하고, 하나 이상의 특징을 모델에 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하기 위해, 의료 장치는 T-파의 주파수에 모델을 적용하여 심장 부정맥이 기간 내에 환자에게 발생할 확률을 생성하도록 구성되는, 의료 장치.
실시예 32A.
실시예 28A 내지 31A 중 어느 하나에 있어서, 의료 장치는 파라미터 환자 데이터를 적어도 매일 컴퓨팅 장치에 전송하도록 더 구성되는, 의료 장치.
실시예 33A.
실시예 28A 내지 32A 중 어느 하나에 있어서, 치료 조치를 수행하기 위해, 의료 장치는 심장 부정맥이 기간 내에 환자에게 발생할 확률에 대한 통지를 컴퓨팅 장치에 발행하도록 구성되는, 의료 장치.
실시예 34A.
실시예 28A 내지 33A 중 어느 하나에 있어서, 치료 조치를 수행하기 위해, 의료 장치는 약물 전달 치료 및 전기 조율 치료 중 적어도 하나를 환자에게 전달하도록 구성되는, 의료 장치.
실시예 35A.
복수의 전극 또는 센서를 통해 환자에 대한 파라미터 환자 데이터를 수집하도록 구성된 이식형 의료 장치(IMD); 및 저장 매체 및 처리 회로를 포함하는 컴퓨팅 장치를 포함하고, 컴퓨팅 장치는IMD에 의해 수집된 파라미터 환자 데이터를 수신하고; 환자에 대한 전자 의료 기록(EMR) 데이터를 수신하고; 복수의 환자에 대한 파라미터 환자 데이터 및 EMR 데이터를 사용하여 훈련된 기계 학습 모델을 환자에 대한 파라미터 환자 데이터 및 EMR 데이터에 적용하여 심장 부정맥이 제1 기간 내에 환자에게 발생할 제1 확률을 생성하고; 제1 확률이 제1 소정 임계치를 초과하는지를 결정하고; 제1 확률이 제1 소정 임계치를 초과한다는 결정에 응답하여, 컴퓨팅 장치에 의해 지령을 IMD에 전송해서 IMD가 심장 부정맥이 제2 기간 내에 환자에게 발생할 제2 확률을 결정하게 하도록 구성되고; IMD는 컴퓨팅 장치로부터 지령을 수신하고; 지령에 응답하여, 파라미터 환자 데이터를 처리해서 심장 부정맥이 제2 기간 내에 환자에게 발생할 제2 확률을 생성하고; 제2 확률이 제2 소정 임계치를 초과하는지를 결정하고; 제2 확률이 제2 소정 임계치를 초과한다는 결정에 응답하여, 심장 부정맥이 제2 기간 내에 환자에게 발생할 제2 확률에 대한 통지를 컴퓨팅 장치에 발행하고, 약물 전달 치료 및 전기 조율 치료 중 적어도 하나를 환자에게 전달하는 것 중 적어도 하나를 수행하도록 더 구성되는, 시스템.
일부 예에서, 본 개시내용의 기술은 본원에 설명된 임의의 방법을 수행하기 위한 수단을 포함하는 시스템을 포함한다. 일부 예에서, 본 개시내용의 기술은 처리 회로가 본원에 설명된 임의의 방법을 수행하게 하는 지령을 포함하는 컴퓨터 판독 가능 매체를 포함한다.
본원에 개시된 다양한 양태는 상세한 설명 및 첨부 도면에 구체적으로 제시된 조합과 다른 조합으로 조합될 수 있음을 이해해야 한다. 또한, 실시예에 따라, 본원에 설명된 임의의 프로세스 또는 방법의 특정 동작 또는 이벤트는 상이한 순서로 수행될 수 있거나, 추가, 병합 또는 완전히 생략될 수 있다(예를 들어, 모든 설명된 동작 또는 기술을 수행하기 위해 이벤트가 필요하지 않을 수도 있음). 또한, 본 개시내용의 특정 양태는 명확성을 위해 단일 모듈, 유닛, 또는 회로에 의해 수행되는 것으로 설명되지만, 본 개시내용의 기술은 예를 들어 의료 기기와 연관된 유닛, 모듈, 회로의 조합에 의해 수행될 수 있음을 이해해야 한다.
하나 이상의 예에서, 설명된 기술은 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 임의의 조합으로 구현될 수 있다. 소프트웨어로 구현되는 경우, 기능은 컴퓨터 판독 가능 매체 상에 하나 이상의 지령 또는 코드로서 저장되어 하드웨어 기반 처리 유닛에 의해 실행될 수 있다. 컴퓨터 판독 가능 매체는 데이터 저장 매체(예를 들어, RAM, ROM, EEPROM, 플래시 메모리, 또는 지령이나 데이터 구조의 형태로 원하는 프로그램 코드를 저장하는데 사용될 수 있고 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체)와 같은 유형의 매체에 대응하는 비일시적 컴퓨터 판독가능 매체를 포함할 수 있다.
지령은 하나 이상의 디지털 신호 프로세서(DSP), 범용 마이크로프로세서, 주문형 반도체(ASIC), 필드 프로그래머블 로직 어레이(FPGA), 또는 다른 동등한 집적 또는 이산 논리 회로와 같은 하나 이상의 프로세서에 의해 실행될 수 있다. 따라서, 본원에 사용된 바와 같은 "프로세서" 또는 "처리 회로"라는 용어는 전술한 구조의 임의의 것, 또는 설명된 기술들의 구현에 적합한 임의의 다른 물리적 구조를 지칭할 수 있다. 또한, 이러한 기술은 하나 이상의 회로 또는 논리 소자에서 완전히 구현될 수 있다.
Claims (15)
- 장치로서, 상기 장치는
복수의 전극 또는 센서 중 하나 이상을 통해 환자에 대한 파라미터 환자 데이터를 수집하고;
컴퓨팅 장치로부터 지령을 수신하여 심장 부정맥이 제1 기간 내에 상기 환자에게 발생할 제1 확률을 생성하고;
상기 지령에 응답하여, 상기 파라미터 환자 데이터를 처리해서 상기 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 생성하고;
상기 제1 확률이 제1 소정 임계치를 초과하는지를 결정하고;
상기 제1 확률이 상기 제1 소정 임계치를 초과한다는 결정에 응답하여, 상기 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 감소시키기 위해 치료 조치를 수행하도록 구성되는, 장치. - 제1항에 있어서, 상기 파라미터 환자 데이터를 처리해서 상기 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 생성하기 위해, 상기 장치는 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 상기 파라미터 환자 데이터에 적용하여 상기 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 생성하도록 구성되는, 장치.
- 제1항 또는 제2항에 있어서, 상기 파라미터 환자 데이터를 처리해서 상기 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 생성하기 위해, 상기 장치는
상기 파라미터 환자 데이터의 심전도의 T-파의 하나 이상의 특징을 식별하고;
상기 하나 이상의 특징을 모델에 적용하여 상기 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 생성하도록 구성되는, 장치. - 제3항에 있어서,
상기 T-파의 하나 이상의 특징은 상기 T-파의 진폭을 포함하고,
상기 하나 이상의 특징을 상기 모델에 적용하여 상기 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 생성하기 위해, 상기 장치는 상기 T-파의 진폭에 상기 모델을 적용하여 상기 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 생성하도록 구성되는, 장치. - 제3항 또는 제4항에 있어서,
상기 T-파의 하나 이상의 특징은 상기 T-파의 주파수를 포함하고,
상기 하나 이상의 특징을 상기 모델에 적용하여 상기 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 생성하기 위해, 상기 장치는 상기 T-파의 주파수에 상기 모델을 적용하여 상기 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 생성하도록 구성되는, 장치. - 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 치료 조치를 수행하기 위해, 상기 장치는 상기 심장 부정맥이 상기 기간 내에 상기 환자에게 발생할 상기 확률에 대한 통지를 상기 컴퓨팅 장치 및 외부 장치 중 적어도 하나에 발행하도록 구성되는, 장치.
- 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 치료 조치를 수행하기 위해, 상기 장치는 약물 전달 치료 및 전기 조율 치료 중 적어도 하나를 상기 환자에게 전달하도록 구성되는, 장치.
- 제1항 내지 제7항 중 어느 한 항에 따른 상기 장치를 포함하는 시스템으로서, 상기 시스템은
처리 회로 및 저장 매체를 포함하는 컴퓨팅 장치를 더 포함하고, 상기 컴퓨팅 장치는
상기 환자에 대한 상기 파라미터 환자 데이터를 수신하고;
복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 상기 파라미터 환자 데이터에 적용하여 심장 부정맥이 제2 기간 내에 상기 환자에게 발생할 제2 확률을 생성하고;
상기 제2 확률이 제2 소정 임계치를 초과하는지를 결정하고;
상기 제2 확률이 상기 제2 소정 임계치를 초과한다는 결정에 응답하여, 상기 지령을 상기 장치에 전송해서 상기 장치가 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 결정하게 하도록 구성되는, 시스템. - 제8항에 있어서, 상기 컴퓨팅 장치는 상기 환자에 대한 제공자 데이터를 수신하도록 더 구성되고,
상기 기계 학습 모델을 적용하기 위해, 상기 컴퓨팅 장치는 복수의 환자에 대한 파라미터 환자 데이터 및 제공자 데이터를 사용하여 훈련된 기계 학습 모델을 상기 환자에 대한 상기 파라미터 환자 데이터 및 상기 제공자 데이터에 적용하여 상기 심장 부정맥이 상기 제2 기간 내에 상기 환자에게 발생할 상기 제2 확률을 생성하도록 구성되는, 시스템. - 제8항 또는 제9항에 있어서, 상기 제1 기간은 약 1일 미만이고, 상기 제2 기간은 약 1일 초과인, 시스템.
- 제8항 내지 제10항 중 어느 한 항에 있어서, 상기 컴퓨팅 장치는
상기 지령을 상기 장치에 전송한 후, 상기 심장 부정맥이 상기 제2 기간 내에 상기 환자에게 발생했는지 여부를 나타내는 피드백을 상기 장치로부터 수신하고;
상기 심장 부정맥이 상기 제2 기간 내에 상기 환자에게 발생했는지 여부를 나타내는 상기 피드백으로 상기 기계 학습 모델을 업데이트하도록 더 구성되는, 시스템. - 제8항 내지 제11항 중 어느 한 항에 있어서, 외부 장치를 더 포함하고, 상기 외부 장치는
상기 컴퓨팅 장치로부터 지령을 수신하여 심장 부정맥이 제3 기간 내에 상기 환자에게 발생할 제3 확률을 생성하고;
상기 지령에 응답하여, 상기 파라미터 환자 데이터를 처리해서 상기 심장 부정맥이 상기 제3 기간 내에 상기 환자에게 발생할 상기 제3 확률을 생성하고;
상기 제3 확률이 제3 소정 임계치를 초과하는지를 결정하고;
상기 제3 확률이 상기 제3 소정 임계치를 초과한다는 결정에 응답하여, 상기 지령을 상기 장치에 전송해서 상기 장치가 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 결정하게 하도록 구성되는, 시스템. - 제12항에 있어서, 상기 파라미터 환자 데이터를 처리해서 상기 심장 부정맥이 상기 제3 기간 내에 상기 환자에게 발생할 상기 제3 확률을 생성하기 위해, 상기 외부 장치는 복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 상기 파라미터 환자 데이터에 적용하여 상기 심장 부정맥이 상기 제3 기간 내에 상기 환자에게 발생할 상기 제3 확률을 생성하도록 구성되는, 시스템.
- 장치로서,
환자에 대한 파라미터 환자 데이터를 수집하기 위한 수단;
컴퓨팅 장치로부터 지령을 수신하여 심장 부정맥이 제1 기간 내에 상기 환자에게 발생할 제1 확률을 생성하기 위한 수단;
상기 지령에 응답하여, 상기 파라미터 환자 데이터를 처리해서 상기 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 생성하기 위한 수단;
상기 제1 확률이 제1 소정 임계치를 초과하는지를 결정하기 위한 수단; 및
상기 제1 확률이 상기 제1 소정 임계치를 초과한다는 결정에 응답하여, 상기 심장 부정맥이 상기 제1 기간 내에 상기 환자에게 발생할 상기 제1 확률을 감소시키기 위해 치료 조치를 수행하기 위한 수단을 포함하는, 장치. - 컴퓨팅 장치로서,
환자에 대한 파라미터 환자 데이터를 수신하기 위한 수단;
복수의 환자에 대한 파라미터 환자 데이터를 사용하여 훈련된 기계 학습 모델을 상기 파라미터 환자 데이터에 적용하여 심장 부정맥이 제1 기간 내에 상기 환자에게 발생할 제1 확률을 생성하기 위한 수단;
상기 제1 확률이 제1 소정 임계치를 초과하는지를 결정하기 위한 수단; 및
상기 제1 확률이 상기 제1 소정 임계치를 초과한다는 결정에 응답하여, 상기 지령을 제2 장치에 전송해서 상기 제2 장치가 심장 부정맥이 상기 제2 기간 내에 상기 환자에게 발생할 제2 확률을 결정하게 하기 위한 수단을 포함하는, 컴퓨팅 장치.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862741736P | 2018-10-05 | 2018-10-05 | |
US62/741,736 | 2018-10-05 | ||
PCT/US2019/054841 WO2020072989A2 (en) | 2018-10-05 | 2019-10-04 | Multi-tier prediction of cardiac tachyarrythmia |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210072755A true KR20210072755A (ko) | 2021-06-17 |
Family
ID=68296860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020217004262A KR20210072755A (ko) | 2018-10-05 | 2019-10-04 | 심장 빈맥성 부정맥의 다계층 예측 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11679268B2 (ko) |
EP (1) | EP3860710A2 (ko) |
JP (1) | JP7333811B2 (ko) |
KR (1) | KR20210072755A (ko) |
CN (1) | CN112789083A (ko) |
WO (1) | WO2020072989A2 (ko) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112789083A (zh) | 2018-10-05 | 2021-05-11 | 美敦力公司 | 心脏快速性心律失常的多层预测 |
US20200352466A1 (en) | 2019-05-06 | 2020-11-12 | Medtronic, Inc. | Arrythmia detection with feature delineation and machine learning |
US11694804B2 (en) | 2019-05-06 | 2023-07-04 | Medtronic, Inc. | Reduced power machine learning system for arrhythmia detection |
US11723577B2 (en) | 2019-05-06 | 2023-08-15 | Medtronic, Inc. | Visualization of arrhythmia detection by machine learning |
US11776691B2 (en) | 2019-05-06 | 2023-10-03 | Medtronic, Inc. | Machine learning based depolarization identification and arrhythmia localization visualization |
CN111292716A (zh) * | 2020-02-13 | 2020-06-16 | 百度在线网络技术(北京)有限公司 | 语音芯片和电子设备 |
EP4356829A3 (en) * | 2020-05-08 | 2024-07-03 | Pacesetter, Inc. | Method and system for heart condition detection using an accelerometer |
US11351382B2 (en) | 2020-06-17 | 2022-06-07 | Medtronic, Inc. | Detecting the onset of sensing issues using short intervals |
CN116133721A (zh) * | 2020-07-22 | 2023-05-16 | 美敦力公司 | 对可治疗事件的检测 |
WO2022066779A1 (en) * | 2020-09-24 | 2022-03-31 | The Feinstein Institutes For Medical Research, Inc. | Computer-based systems configured for condition measurement modelling to predict an action related to sleeping patterns |
US20230404488A1 (en) * | 2020-10-21 | 2023-12-21 | University Of Southern California | Noninvasive cardiovascular event detection |
US11950174B2 (en) * | 2020-12-02 | 2024-04-02 | West Affum Holdings Dac | Detailed alarm messages and support |
WO2023114742A1 (en) * | 2021-12-13 | 2023-06-22 | 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 |
WO2024014888A1 (ko) * | 2022-07-14 | 2024-01-18 | 주식회사 메디컬에이아이 | 단기 측정된 심장 신호를 기반으로 장기 심박 변이도를 생성하는 방법, 프로그램 및 장치 |
TWI834286B (zh) * | 2022-09-12 | 2024-03-01 | 長庚醫療財團法人林口長庚紀念醫院 | 重大心血管疾病預測系統及重大心血管疾病預測方法 |
Family Cites Families (92)
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 |
US9183351B2 (en) | 2000-05-30 | 2015-11-10 | Vladimir Shusterman | Mobile system with network-distributed data processing for biomedical applications |
US8438039B2 (en) * | 2005-04-27 | 2013-05-07 | Medtronic, Inc. | User customizable workflow preferences for remote patient management |
US7764996B2 (en) | 2006-10-31 | 2010-07-27 | Cardiac Pacemakers, Inc. | Monitoring of chronobiological rhythms for disease and drug management using one or more implantable device |
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 |
KR20110086162A (ko) | 2008-12-15 | 2011-07-27 | 엑손모빌 케미칼 패턴츠 인코포레이티드 | 알킬방향족 화합물의 산화 |
WO2010083366A1 (en) | 2009-01-15 | 2010-07-22 | 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 |
WO2011048592A1 (en) | 2009-10-20 | 2011-04-28 | 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 |
WO2011115576A2 (en) | 2010-03-15 | 2011-09-22 | Singapore Health Services Pte Ltd | Method of predicting the survivability of a patient |
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 |
CN103477340B (zh) | 2011-03-28 | 2017-03-22 | 皇家飞利浦有限公司 | 用于提供监测设备的家庭模式的系统及方法 |
US8521281B2 (en) | 2011-10-14 | 2013-08-27 | Medtronic, Inc. | Electrogram classification algorithm |
US9307920B2 (en) | 2012-04-17 | 2016-04-12 | Cardiac Pacemakers, Inc. | Method and apparatus for automatic arrhythmia classification with confidence estimation |
EP2840962B1 (en) * | 2012-04-23 | 2024-05-29 | Precordior Oy | Apparatus and computer program for producing a signal expressing atrial fibrillation |
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 |
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 |
US10463269B2 (en) | 2013-09-25 | 2019-11-05 | Bardy Diagnostics, Inc. | System and method for machine-learning-based atrial fibrillation detection |
US20190038148A1 (en) | 2013-12-12 | 2019-02-07 | Alivecor, Inc. | Health with a mobile device |
EP3079571A4 (en) | 2013-12-12 | 2017-08-02 | Alivecor, Inc. | Methods and systems for arrhythmia tracking and scoring |
WO2015120095A1 (en) | 2014-02-04 | 2015-08-13 | Cardioinsight Technologies, Inc. | Signal analysis related to treatment sites |
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 |
WO2015175207A1 (en) | 2014-05-15 | 2015-11-19 | Cardiac Pacemakers, Inc. | Automatic differential diagnosis of worsening heart failure |
WO2015200527A1 (en) * | 2014-06-25 | 2015-12-30 | Cardiac Pacemakers, Inc. | Systems and methods for treating cardiac arrhythmias |
US9656091B2 (en) * | 2014-07-11 | 2017-05-23 | Cardiac Pacemakers, Inc. | Power saving communication for medical devices |
US10463866B2 (en) * | 2014-07-11 | 2019-11-05 | Cardiac Pacemakers, Inc. | Systems and methods for treating cardiac arrhythmias |
US9924885B2 (en) * | 2014-07-24 | 2018-03-27 | Medtronic, Inc. | Rhythm discriminator with immunity to body posture |
WO2016025841A1 (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 |
EP3204881B1 (en) * | 2014-11-14 | 2021-05-26 | Zoll Medical Corporation | Medical premonitory event estimation |
US20180146929A1 (en) | 2015-06-01 | 2018-05-31 | University Of Ulsan Foundation For Industry Cooperation | Device for predicting ventricular arrhythmia and method therefor |
CN108024748B (zh) | 2015-09-28 | 2021-03-26 | 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 |
US10493290B2 (en) | 2015-10-02 | 2019-12-03 | 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 |
DK3367897T3 (da) | 2015-10-27 | 2021-05-31 | Cardiologs Tech | En automatisk fremgangsmåde til at afgrænse eller kategorisere et elektrokardiogram |
JP7106455B2 (ja) | 2015-11-23 | 2022-07-26 | メイヨ・ファウンデーション・フォー・メディカル・エデュケーション・アンド・リサーチ | 検体評価のための生理学的電気的データの処理 |
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 |
US10827929B2 (en) | 2016-01-08 | 2020-11-10 | 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 |
AU2017246369B2 (en) | 2016-04-06 | 2019-07-11 | 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 |
US10529029B2 (en) | 2016-09-23 | 2020-01-07 | Aon Benfield Inc. | Platform, systems, and methods for identifying property characteristics and property feature maintenance through aerial imagery analysis |
WO2018075587A1 (en) | 2016-10-18 | 2018-04-26 | Cardiac Pacemakers, Inc. | System for arrhythmia detection |
EP3318184B1 (en) | 2016-11-08 | 2024-01-10 | Heart2Save Oy | System for determining a probability for a person to have arrhythmia |
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 |
US10765379B2 (en) | 2017-05-01 | 2020-09-08 | Cardiac Pacemakers, Inc. | Systems and methods 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 |
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 |
EP3724847A4 (en) | 2017-12-13 | 2021-09-01 | Washington University | SYSTEM AND PROCEDURE 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 |
WO2019152376A1 (en) * | 2018-02-01 | 2019-08-08 | Cardiac Pacemakers, Inc. | Arrhythmias detection and reporting system |
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 |
CN108577823B (zh) * | 2018-04-27 | 2021-02-02 | 京东方科技集团股份有限公司 | 一种心律失常检测装置和心律失常检测系统 |
US11202599B2 (en) | 2018-05-08 | 2021-12-21 | Cardiac Pacemakers, Inc. | Systems and methods 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 |
CN112789083A (zh) | 2018-10-05 | 2021-05-11 | 美敦力公司 | 心脏快速性心律失常的多层预测 |
CN113015476A (zh) | 2018-10-19 | 2021-06-22 | 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 |
US11723577B2 (en) | 2019-05-06 | 2023-08-15 | Medtronic, Inc. | Visualization of arrhythmia detection by machine learning |
US11475998B2 (en) | 2019-05-06 | 2022-10-18 | Medtronic, Inc. | Data preparation for artificial intelligence-based cardiac arrhythmia detection |
US20200352521A1 (en) | 2019-05-06 | 2020-11-12 | Medtronic, Inc. | Category-based review and reporting of episode data |
US11776691B2 (en) | 2019-05-06 | 2023-10-03 | Medtronic, Inc. | Machine learning based depolarization identification and arrhythmia localization visualization |
US11583687B2 (en) | 2019-05-06 | 2023-02-21 | Medtronic, Inc. | Selection of probability thresholds for generating cardiac arrhythmia notifications |
US20200352466A1 (en) | 2019-05-06 | 2020-11-12 | Medtronic, Inc. | Arrythmia detection with feature delineation and machine learning |
US11694804B2 (en) | 2019-05-06 | 2023-07-04 | Medtronic, Inc. | Reduced power machine learning system for arrhythmia detection |
-
2019
- 2019-10-04 CN CN201980064900.3A patent/CN112789083A/zh active Pending
- 2019-10-04 WO PCT/US2019/054841 patent/WO2020072989A2/en active Application Filing
- 2019-10-04 EP EP19791140.7A patent/EP3860710A2/en active Pending
- 2019-10-04 JP JP2021507971A patent/JP7333811B2/ja active Active
- 2019-10-04 KR KR1020217004262A patent/KR20210072755A/ko not_active Application Discontinuation
- 2019-10-04 US US16/593,739 patent/US11679268B2/en active Active
-
2023
- 2023-04-28 US US18/309,309 patent/US20230330425A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230330425A1 (en) | 2023-10-19 |
EP3860710A2 (en) | 2021-08-11 |
WO2020072989A3 (en) | 2020-07-23 |
US20200108260A1 (en) | 2020-04-09 |
JP2022503565A (ja) | 2022-01-12 |
WO2020072989A2 (en) | 2020-04-09 |
US11679268B2 (en) | 2023-06-20 |
CN112789083A (zh) | 2021-05-11 |
JP7333811B2 (ja) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11679268B2 (en) | Multi-tier prediction of cardiac tachyarrythmia | |
US11617533B2 (en) | Visualization of arrhythmia detection by machine learning | |
US11583687B2 (en) | Selection of probability thresholds for generating cardiac arrhythmia notifications | |
US11475998B2 (en) | Data preparation for artificial intelligence-based cardiac arrhythmia detection | |
JP2022531297A (ja) | 特徴描写および機械学習による不整脈検出 | |
CN113164065A (zh) | 用于解决错误确定的心力衰竭监测算法的修改 | |
US20230248319A1 (en) | Personalization of artificial intelligence models for analysis of cardiac rhythms | |
WO2022173674A1 (en) | Health event prediction | |
US20200178826A1 (en) | Systems and methods for detecting arrhythmias | |
WO2024035530A1 (en) | Health event prediction using heartbeat intervals from electrocardiogram data | |
WO2023203437A1 (en) | High-resolution diagnostic data system for patient recovery after heart failure intervention | |
WO2024050307A1 (en) | Electrocardiogram-based left ventricular dysfunction and ejection fraction monitoring | |
WO2024033727A1 (en) | Health event prediction and patient feedback system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal |