KR20220005456A

KR20220005456A - 기계 학습에 의한 부정맥 검출의 시각화

Info

Publication number: KR20220005456A
Application number: KR1020217033597A
Authority: KR
Inventors: 린제이 에이. 페달티; 니란잔 차크라바르시; 로돌프 카트라; 타렉 디. 해더드; 앤드루 래드키; 싯다르트 다니; 도널드 알. 무스그로브
Original assignee: 메드트로닉 인코포레이티드
Priority date: 2019-05-06
Filing date: 2020-04-17
Publication date: 2022-01-13
Also published as: US20210338138A1; WO2020226881A1; US11723577B2; AU2020268171A1; JP2022531292A; DE202020005652U1; EP3965646A1; US20200352462A1; US20230329624A1; US11617533B2; JP7539412B2; CN113795193A

Abstract

환자의 심장 부정맥을 검출하는 기계 학습 시스템의 출력을 설명하고 시각화하기 위한 기술들이 개시된다. 일 예에서, 컴퓨팅 장치는 의료 장치에 의해 감지된 심전도 데이터를 수신한다. 컴퓨팅 장치는 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 모델을 수신된 심전도 데이터에 적용하여 기계 학습 모델을 기반으로 환자에게 부정맥 증상이 발생하고 환자에게 부정맥이 발생했다는 결정에 대한 신뢰도를 결정한다. 신뢰도가 미리 결정된 임계값보다 크다고 결정하는 것에 응답하여, 컴퓨팅 장치는 심전도 데이터의 일부, 부정맥 증상이 발생했다는 표시, 및 부정맥 증상이 발생했다는 신뢰도의 표시를 사용자에게 디스플레이한다.

Description

기계 학습에 의한 부정맥 검출의 시각화

본 개시는 일반적으로 의료 장치에 관한 것이다.

악성 빈맥, 예를 들어, 심실세동은 심장에 있는 심실의 심장 근육의 조절되지 않은 수축으로서, 심정지 환자들에서 가장 흔하게 확인되는 부정맥이다. 이 부정맥이 몇 초 이상 지속되면, 심인성 쇼크 및 효과적인 혈액 순환 중단이 발생할 수 있다. 결과적으로, 급성 심장사(sudden cardiac death; SCD)는 몇 분 안에 발생할 수 있다.

심실세동의 위험이 높은 환자들에서, 이식형 제세동기(ICD)와 같은 이식형 의료 기기(IMD)의 사용은 SCD를 예방하는 데 유익한 것으로 나타났다. ICD는 일반적으로 심장 내에 배치된 하나 이상의 전기 리드선들에 연결된 전기 하우징 전극(때때로 캔 전극이라고도 함)을 포함할 수 있는 배터리 구동식 전기 충격 장치이다. 부정맥이 감지되면, ICD는 전기 리드선들을 통해 펄스를 보내 심장에 충격을 주고 정상적인 리듬을 회복할 수 있다. 일부 ICD들은 쇼크 전달에 앞서 항빈맥 조율(anti-tachycardia pacing; ATP)의 전달에 의해 검출된 빈맥을 종료를 시도하도록 구성되었다. 추가로, ICD들은 충격에서 회복되는 심장을 지지하기 위해, 충격으로 빈맥이 성공적으로 종료된 후 상대적으로 큰 규모의 충격 후 페이싱을 전달하도록 구성되었다. 일부 ICD들은 또한 서맥 페이싱, 심장 재동기화 요법(CRT) 또는 다른 형태의 페이싱을 전달한다.

다른 유형의 의료 기기들이 진단 목적으로 사용될 수 있다. 예를 들어, 이식형 또는 비-이식형 의료 기기는 환자의 심장을 모니터링할 수 있다. 의사와 같은 사용자는 심장 부정맥, 예를 들어 심방 또는 심실 빈맥 또는 심장무수축의 발생에 대해 의료 기기에 의해 생성된 데이터를 검토할 수 있다. 사용자는 식별된 심장 부정맥의 발생을 기반으로 환자의 의료 상태를 진단할 수 있다.

본 개시의 기술들에 따라, 환자의 심장 부정맥을 감지하는 기계 학습 시스템의 출력을 설명하고 시각화하는 의료 장치 시스템이 본원에 명시되어 있다. 기계 학습 시스템은 환자의 부정맥 증상을 검출하고 분류하기 위한 강력한 도구들을 제공할 수 있다. 그러나, 이러한 기계 학습 시스템들에 의해 도출된 결론의 기초는 비전문가에게 전달하기 어려울 수 있다. 환자의 심장 부정맥의 검출과 관련하여 기계 학습 시스템에 의해 도출된 결론을 단순화하고 이러한 정보를 주제 전문가 및 비전문가를 포함하여 다양한 능력의 사용자들이 이해할 수 있는 방식으로 제시하기 위한 기술들이 본원에 개시된다.

일 예에서, 컴퓨팅 장치는 의료 장치에 의해 감지된 심전도 데이터를 수신한다. 컴퓨팅 장치는 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 모델을 수신된 심전도 데이터에 적용하여 기계 학습 모델을 기반으로 환자에게 부정맥 증상이 발생하고 환자에게 부정맥이 발생했다는 결정에 대한 신뢰도를 결정한다. 신뢰도가 미리 결정된 임계값보다 크다고 결정하는 것에 응답하여, 컴퓨팅 장치는 심전도 데이터의 일부, 부정맥 증상이 발생했다는 표시, 및 부정맥 증상이 발생했다는 신뢰도의 표시를 사용자에게 디스플레이한다. 일부 예들에서, 컴퓨팅 장치는 고급 사용자들에게 더 자세한 정보를 제공하고 기본 사용자들에게는 덜 자세한 정보를 제공한다.

다른 예에서, 컴퓨팅 장치는 의료 장치에 의해 감지된 심전도 데이터 및 사용자로부터 부정맥 유형의 선택을 수신한다. 컴퓨팅 장치는 기계 학습 모델을 수신된 심전도 데이터에 적용하여 기계 학습 모델을 기반으로 선택된 유형의 부정맥 증상이 환자에게 발생했음과 선택한 유형의 부정맥 증상이 발생했다는 결정의 신뢰도를 결정한다. 컴퓨팅 장치는, 디스플레이를 위해, 심전도 데이터의 적어도 일부, 선택된 유형의 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 선택된 유형의 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시를 출력한다.

본 개시의 기술들은 심장 부정맥 검출 및 분류를 수행하는 기계 학습 시스템 분야에 대한 특정 개선 사항들을 제공할 수 있다. 예를 들어, 본원에 개시된 기술들은 이러한 기계 학습 시스템에 의해 수행되는 분석의 보다 명확한 설명 및 시각화를 허용할 수 있다. 또한, 본원에 설명된 기술들은 많은 다양한 기술 레벨의 사용자들이 사용하기 위해 심전도 데이터를 신속하게 그리고 환자별로 해석하도록 할 수 있다. 본원에 개시된 기술들은 심장 부정맥 검출 및 분류를 수행하는 기계 학습 시스템에 의해 제공되는 결론을 사용할 뿐만 아니라, 보다 다양한 시스템에서 이러한 기계 학습 시스템들의 사용을 가능하게 하기 위해 사용자들에 의해 요구되는 훈련의 양을 감소시킬 수 있다. 따라서, 본원에 개시된 기술들은 환자들의 심장 부정맥의 보다 정확하고 신속한 진단 및 분류를 가능하게 하는 한편, 임상의들에 의해 이러한 심장 부정맥을 진단하고 치료를 제공하는 데 필요한 전문 지식의 양을 감소시킬 수 있다.

일 예에서, 본 개시는, 처리 회로부 및 저장 매체를 포함하는 컴퓨팅 장치에 의해, 의료 장치에 의해 감지된 심전도 데이터를 수신하는 단계; 컴퓨팅 장치에 의해, 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 모델을 수신된 심전도 데이터에 적용하여, 기계 학습 모델을 기반으로, 부정맥 증상이 환자에게 발생했다고 결정하고; 부정맥의 증상이 환자에게 발행했다는 결정의 신뢰도를 결정하는 단계; 부정맥 증상이 환자에게 발생했다는 신뢰도가 미리 결정된 임계값보다 크다고 결정하는 단계; 및 신뢰도가 미리 결정된 임계값보다 크다고 결정하는 것에 응답하여, 컴퓨팅 장치에 의해 사용자에게 디스플레이하기 위해, 심전도 데이터의 적어도 일부, 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시를 출력하는 단계를 포함하는 방법을 설명한다.

다른 예에서, 본 개시는, 처리 회로부 및 저장 매체를 포함하는 컴퓨팅 장치에 의해, 의료 장치에 의해 감지된 심전도 데이터를 수신하는 단계; 사용자로부터, 부정맥 유형의 선택을 수신하는 단계; 컴퓨팅 장치에 의해, 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 모델을 수신된 심전도 데이터에 적용하여, 기계 학습 모델을 기반으로, 선택된 유형의 부정맥 증상이 환자에게 발생했다고 결정하고; 선택된 유형의 부정맥 증상이 환자에게 발생했다는 결정의 신뢰도를 결정하는 단계; 및 컴퓨팅 장치에 의해 사용자에게 디스플레이 하기 위해, 심전도 데이터의 적어도 일부, 선택된 유형의 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 선택된 유형의 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시를 출력하는 단계를 포함한다.

다른 예에서, 본 개시는, 저장 매체; 및 저장 매체에 동작 가능하게 결합되고, 의료 장치에 의해 감지된 심전도 데이터를 수신하고; 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 모델을 수신된 심전도 데이터에 적용하여, 기계 학습 모델을 기반으로, 부정맥 증상이 환자에게 발생했다고 결정하고; 부정맥 증상이 환자에게 발생했다는 결정의 신뢰도를 결정하고; 부정맥 증상이 환자에게 발생했다는 결정의 신뢰도가 미리 결정된 임계값보다 크다고 결정하고; 신뢰도가 미리 결정된 임계값보다 크다고 결정하는 것에 응답하여, 사용자에게 디스플레이하기 위해, 심전도 데이터의 적어도 일부, 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시를 출력하도록 구성된 처리 회로부를 포함하는 컴퓨팅 장치를 설명한다.

다른 예에서, 본 개시는, 저장 매체; 및 저장 매체에 동작 가능하게 결합되고, 의료 장치에 의해 감지된 심전도 데이터를 수신하고; 사용자로부터, 부정맥 유형의 선택을 수신하고; 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 모델을 수신된 심전도 데이터에 적용하여, 기계 학습 모델을 기반으로, 선택된 유형의 부정맥 증상이 환자에게 발생했다고 결정하고; 선택된 유형의 부정맥 증상이 환자에게 발생했다는 결정의 신뢰도를 결정하고; 사용자에게 디스플레이하기 위해, 심전도 데이터의 적어도 일부, 선택된 유형의 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 선택된 유형의 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시를 출력하도록 구성된 처리 회로부를 포함하는 컴퓨팅 장치를 설명한다.

이 요약은 본 개시에 기술된 주제의 개요를 제공하기 위한 것이다. 첨부 도면들 및 아래의 설명 내에서 상세하게 설명된 장치 및 방법에 대한 배타적이거나 완전한 설명을 제공하려는 것은 아니다. 하나 이상의 예들에 대한 추가 세부사항들은 첨부 도면들 및 하기 설명에 명시되어 있다.

도 1은 본 개시의 기술들에 따라 환자와 연동되는 이식형 의료 장치 및 외부 장치를 포함하는 심장 부정맥의 검출 및 분류를 설명하기 위한 의료 장치 시스템의 일 예를 예시하는 개념도이다.
도 2는 도 1의 이식형 의료 장치의 일 예를 예시하는 블록도이다.
도 3은 도 1의 이식형 의료 장치의 다른 예를 예시하는 블록도이다.
도 4는 본 개시의 하나 이상의 기술들에 따라 동작하는 예시적인 컴퓨팅 장치를 예시하는 블록도이다.
도 5는 본 개시의 기술들에 따른 예시적인 동작을 예시하는 흐름도이다.
도 6은 본 개시의 기술들에 따른 예시적인 동작을 예시하는 흐름도이다.
도 7은 본 개시의 기술들에 따른 예시적인 동작을 예시하는 흐름도이다.
도 8은 본 개시의 기술들에 따른 기계 학습 시스템을 설명하는 데 사용될 수 있는 예시적인 시뮬레이션된 심전도 데이터를 예시하는 그래프이다.
도 9a 내지 9c는 본 개시의 기술들에 따른 부정맥 증상 검출 시 도면의 기계 학습 모델(150)의 동작을 시각화하는 기술들을 예시하는 그래프들이다.
도 10a 내지 10d는 본 개시의 기술들에 따른 의료 장치에 의해 환자의 심전도 데이터를 시각화하는 예시적인 디스플레이를 묘사하는 예시들이다.
도 11a 내지 11c는 본 개시의 기술들에 따른 의료 장치에 의해 환자의 심전도 데이터를 시각화하는 또 다른 예시적인 디스플레이를 묘사하는 예시들이다.
유사한 참조 문자들은 도면들 및 설명 전반에 걸쳐 유사한 요소들을 지칭한다.

부정맥 검출을 수행하는 딥 러닝 및 인공 지능(AI)과 같은 기계 학습 시스템은 다양한 목표를 가진 알고리즘들을 개발할 수 있는 유연한 플랫폼을 제공한다. 예를 들어, 기계 학습 시스템은 심방 세동(AF) 세그먼트들을 검출하거나, AF의 존재를 검출하거나, 다른 유형의 심장 부정맥을 검출하는 데 사용될 수 있다. 또한, 이러한 기계 학습 시스템들은 피쳐 설명(feature delineation)과 같은 다른 기술들에 의해 요구될 수 있는 전문 설계 및 변수 가공(feature engineering) 없이 구현될 수 있다. 그러나, 이러한 기계 학습 시스템에 의해 도출된 결론, 뿐만 아니라 이러한 결론을 내릴 때 도출된 데이터는 설명하기 어려울 수 있으며, 이는 기계 학습 시스템의 성능 평가를 방해한다.

환자의 심장 부정맥을 검출하는 기계 학습 시스템의 출력을 설명하고 시각화하기 위한 기술들이 개시된다. 본 개시의 기술들은 의료 장치 시스템이 기계 학습 모델에 의한 부정맥 분류를 설명하는 것을 허용할 수 있다. 예를 들어, 아래에 설명된 시스템은 부정맥 검출을 수행하는 기계 학습 시스템의 설명 가능성 및 해석 가능성을 제공할 수 있다. 또한, 본원에 설명된 의료 장치 시스템은 신속한 그리고 환자별 해석을 위해 기계 학습 시스템에 의해 검출된 부정맥을 제시할 수 있으며, 이러한 검출된 부정맥을 심전도 데이터의 해석에 대해 서로 다른 레벨의 정통함과 전문성을 가질 수 있는 다양한 최종 사용자들에게 제시할 수 있다. 본원에 설명된 이러한 의료 장치 시스템은 기계 학습 시스템의 명확한 설명 가능성 및 간단한 부정맥 시각화를 제공할 수 있으며, 이는 심전도 데이터를 수집 및 디스플레이할 수 있는 소비자 및 의료 장치들이 급증함에 따라 유용할 수 있다.

도 1은 본 개시의 기술들에 따라 환자와 연동되는 IMD(10) 및 외부 장치(12)를 포함하는 환자(4)의 심장(6)의 심장 부정맥의 검출 및 분류를 설명하기 위한 의료 장치 시스템(2)의 일 예를 예시하는 개념도이다. 일부 예들에서, IMD(10)는 무연(leadless) IMD이며 도 1에 예시된 바와 같이 외부 장치(12)와 무선 통신한다. 일부 예들에서, IMD(10)는 하나 이상의 리드(lead)들에 결합될 수 있다. 일부 예들에서, IMD(10)는 환자(4)의 흉강 외부에(예를 들어, 도 1에 예시된 흉부 위치의 피하에) 이식될 수 있다. IMD(10)는 심장(6) 레벨 근처 및/또는 바로 아래 흉골 근처에 위치될 수 있다.

일부 예들에서, IMD(10)는 아일랜드, 더블린의 Medtronic plc에서 구입 가능한 Reveal LINQ™ 삽입형 심장 모니터(ICM) 또는 홀터(Holter) 심장 모니터의 형태를 취할 수 있다. 외부 장치(12)는 가정, 진료소 또는 병원과 같은 환경들에서 사용하도록 구성된 컴퓨팅 장치일 수 있으며, 무선 원격 측정을 통해 IMD(10)와 통신하도록 추가로 구성될 수 있다. 예를 들어, 외부 장치(12)는 네트워크(25)를 통해 컴퓨팅 시스템(24)에 결합될 수 있다. 컴퓨팅 시스템(24)은 아일랜드, 더블린의 Medtronic plc로부터 구입 가능한 Carelink®와 같은 원격 환자 모니터링 시스템을 포함할 수 있다. 외부 장치(12)는, 일부 예들에서, 프로그래머와 같은 통신 장치, 외부 모니터, 또는 모바일 폰, "스마트" 폰, 랩탑, 태블릿 컴퓨터, 개인 휴대 정보 단말기(PDA) 등과 같은 모바일 장치를 포함할 수 있다.

일부 예들에서, 본원에 설명된 예시적인 기술들 및 시스템들은 IMD(10)에 추가로 또는 그 대신에 외부 의료 장치로 사용될 수 있다. 일부 예들에서, 외부 의료 장치는 아일랜드, 더블린의 Medtronic plc에서 구입 가능한 SEEQ™ Mobile Cardiac Telemetry(MCT) 시스템과 같은 웨어러블 전자 장치, 또는 "스마트" 시계, "스마트" 패치 또는 "스마트" 안경과 같은 다른 유형의 웨어러블 "스마트" 전자 어패럴이다. 이러한 외부 의료 장치는 환자(4)의 외부에 위치(예를 들어, 환자(4)의 피부에 위치)될 수 있으며, IMD(10)와 관련하여 본원에 설명된 기능들 중 일부 또는 전부를 수행할 수 있다.

일부 예들에서, 의사, 기술자, 외과의, 전기 생리학자, 또는 기타 임상의와 같은 사용자는 IMD(10)로부터 생리학적 또는 진단 정보를 검색하기 위해 외부 장치(12)와 상호작용할 수 있다. 일부 예들에서, 위에서 설명된 환자(4) 또는 임상의와 같은 사용자는 IMD(10)를 프로그래밍하기 위해, 예를 들어, IMD(10)의 동작 파라미터들에 대한 값들을 선택 또는 조정하기 위해 외부 장치(12)와 상호작용할 수도 있다. 일부 예들에서, 외부 장치(12)는 예를 들어 컴퓨팅 시스템(24)에 의해 네트워크(25)를 통해 IMD(10)와의 통신을 용이하게 하기 위해 액세스 포인트로서 작용한다. 컴퓨팅 시스템(24)은 사용자가 네트워크(25)를 통해 IMD(10)와 상호작용할 수 있도록 구성된 컴퓨팅 장치들을 포함할 수 있다.

일부 예들에서, 컴퓨팅 시스템(24)은 핸드헬드 컴퓨팅 장치, 컴퓨터 워크스테이션, 서버 또는 기타 네트워크 컴퓨팅 장치, 스마트폰, 태블릿, 또는 사용자에게 정보를 제시하고 사용자로부터 입력을 수신하기 위한 사용자 인터페이스를 포함하는 외부 프로그래머 중 적어도 하나를 포함한다. 일부 예들에서, 컴퓨팅 시스템(24)은 신경망, 딥 러닝 시스템, 또는 다른 유형의 예측 분석 시스템과 같은 기계 학습 시스템(150)을 구현하는 하나 이상의 장치들을 포함할 수 있다. 의사, 기술자, 외과의, 전기 생리학자, 또는 기타 임상의와 같은 사용자는 IMD(10)로부터 생리학적 또는 진단 정보를 검색하기 위해 컴퓨팅 시스템(24)과 상호작용할 수 있다. 사용자는 또한 IMD(10)를 프로그래밍하도록, 예를 들어 IMD의 동작 파라미터들에 대한 값들을 선택하도록 컴퓨팅 시스템(24)과 상호작용할 수 있다. 컴퓨팅 시스템(24)은 EGM 및/또는 IMD(10)에서 컴퓨팅 시스템(24)으로 전송된 다른 감지 신호들을 평가하도록 구성된 프로세서를 포함할 수 있다.

네트워크(25)는 하나 이상의 비-에지 스위치, 라우터, 허브, 게이트웨이, 방화벽과 같은 보안 장치, 침입 탐지 및/또는 침입 방지 장치, 서버, 컴퓨터 단말기, 랩탑, 프린터, 데이터베이스, 휴대 전화 또는 개인 정보 단말기와 같은 무선 모바일 장치, 무선 액세스 포인트, 브리지, 케이블 모뎀, 어플리케이션 가속기 또는 기타 네트워크 장치와 같은, 하나 이상의 컴퓨팅 장치들(도시되지 않음)을 포함할 수 있다. 네트워크(25)는 서비스 제공자에 의해 관리되는 하나 이상의 네트워크들을 포함할 수 있으며, 따라서 인터넷과 같은 대규모 공공 네트워크 인프라의 일부를 형성할 수 있다. 네트워크(25)는 컴퓨팅 시스템(24) 및 IMD(10)와 같은, 인터넷에 액세스하는 컴퓨팅 장치들을 제공할 수 있으며, 컴퓨팅 장치들이 서로 통신할 수 있도록 하는 통신 프레임워크를 제공할 수 있다. 일부 예들에서, 네트워크(25)는 컴퓨팅 시스템(24), IMD(10) 및/또는 외부 장치(12)가 서로 통신하지만 컴퓨팅 시스템(24), IMD(10) 또는 외부 장치(12) 중 하나 이상을 보안 목적을 위해 네트워크(25) 외부에 있는 장치들로부터 격리하도록 하는 통신 프레임워크를 제공하는 사설 네트워크일 수 있다. 일부 예들에서, 컴퓨팅 시스템(24), IMD(10) 및 외부 장치(12) 간의 통신은 암호화된다.

외부 장치(12) 및 컴퓨팅 시스템(24)은 당업계에 공지된 임의의 기술을 사용하여 네트워크(25)를 통한 무선 통신을 통해 통신할 수 있다. 일부 예들에서, 컴퓨팅 시스템(24)은 로컬 액세스 포인트, 무선 라우터 또는 게이트웨이와 같은 네트워크(25)에 위치한 중개 장치를 통해 외부 장치(12)와 통신하는 원격 장치이다. 도 1의 예에서, 외부 장치(12) 및 컴퓨팅 시스템(24)은 네트워크(25)를 통해 통신하는 반면, 일부 예들에서는 외부 장치(12) 및 컴퓨팅 시스템(24)은 서로 직접 통신한다. 통신 기술의 예들은 예를 들어 Bluetooth® 또는 BLE 프로토콜에 따른 통신을 포함할 수 있다. 다른 통신 기술들도 고려된다. 컴퓨팅 시스템(24)은 또한 유선 및 무선 모두에서 알려진 다수의 통신 기술들을 사용하여 하나 이상의 다른 외부 장치들과 통신할 수 있다.

임의의 이러한 예들에서, 의료 장치 시스템(2)의 처리 회로부는 환자(4)에 대한 심전도 데이터를 포함하는 환자 데이터를 원격 컴퓨터(예를 들어, 외부 장치(12))로 전송할 수 있다. 일부 예들에서, 의료 장치 시스템(2)의 처리 회로부는 환자(4)가 서맥, 빈맥, 심방 세동, 심실 세동 또는 AV 차단 증상과 같은 심장 부정맥 증상을 겪고 있다는 결정을 전송할 수 있다.

외부 장치(12)는 무선 원격 측정을 통해 IMD(10)와 통신하기 위한 컴퓨팅 장치(예를 들어, 가정, 외래, 진료소 또는 병원 환경에서 사용됨)일 수 있다. 외부 장치(12)는 아일랜드, 더블린의 Medtronic plc로부터 구입 가능한 Carelink®와 같은 원격 환자 모니터링 시스템을 포함하거나 이에 결합될 수 있다. 일부 예들에서, 외부 장치(12)는 IMD(10)로부터 데이터, 경고, 환자 생리학적 정보 또는 기타 정보를 수신할 수 있다.

외부 장치(12)는 기능을 제어하기 위해(예를 들어, IMD(10)에 대한 프로그래머로 구성될 때) 명령들 또는 동작 파라미터들을 IMD(10)에 프로그래밍하는 데 사용될 수 있다. 일부 예들에서, 외부 장치(12)는 장치 동작 데이터뿐만 아니라 IMD 메모리에 축적된 생리학적 데이터를 포함하는 데이터를 검색하기 위해 IMD(10)에 인터로게이트(interrogate)하는 데 사용될 수 있다. 이러한 인터로게이션은 스케줄에 따라 자동으로 발생할 수 있고/있거나 원격 또는 로컬 사용자 명령에 응답하여 발생할 수 있다. 프로그래머, 외부 모니터 및 소비자 장치는 IMD(10)를 인터로게이트하는 데 사용될 수 있는 외부 장치(12)의 예이다. IMD(10) 및 외부 장치(12)에 의해 사용되는 통신 기술의 예는 무선 주파수(RF) 원격 측정을 포함하며, 이는 블루투스, WiFi 또는 의료 임플란트 통신 서비스(MICS)를 통해 설정된 RF 링크일 수 있다. 일부 예들에서, 외부 장치(12)는 환자(4), 임상의 또는 다른 사용자가 IMD(10)와 원격으로 상호작용할 수 있도록 구성된 사용자 인터페이스를 포함할 수 있다. 일부 이러한 예들에서, 외부 장치(12), 및/또는 의료 장치 시스템(2)의 임의의 다른 장치는 웨어러블 장치(예를 들어, 시계, 목걸이, 또는 다른 웨어러블 항목의 형태)일 수 있다.

의료 장치 시스템(2)은 심장 부정맥 검출, 검증 및 보고를 수행하도록 구성된 의료 장치 시스템의 예이다. 본 개시의 기술에 따르면, 의료 장치 시스템(2)은 기계 학습 부정맥 검출을 구현하여 환자(4)의 심장 부정맥을 검출하고 분류한다. 하나 이상의 다른 이식형 또는 외부 장치의 추가 예에는 이식형의, 다중 채널 심장 박동조율기, ICD, IPG, 무연(예를 들어, 심장 내) 심장 박동 조율기, 혈관외 심장 박동 조율기 및/또는 ICD, 또는 기타 IMD 또는 CRT를 심장(6), 외부 모니터, 외부 페이싱 또는 전기 자극 장치와 같은 외부 테라피 전달 장치, 또는 약물 펌프에 전달하도록 구성된 이러한 IMD들의 조합을 포함할 수 있다.

의료 장치 시스템(2)의 장치들(예를 들어, IMD(10) 및 외부 장치(12)) 각각의 통신 회로부는 장치들이 서로 통신하는 것을 가능하게 할 수 있다. 추가로, 하나 이상의 센서들(예를 들어, 전극들)이 IMD(10)의 하우징에 위치되는 것으로 본원에 설명되어 있지만, 다른 예들에서, 이러한 센서들은 환자(4) 내부 또는 외부에 이식된 다른 장치의 하우징에 위치될 수 있다. 이러한 예들에서, 다른 장치들 중 하나 이상은 각각의 장치들 상의 전극들 또는 다른 센서들로부터 신호들을 수신하도록 구성된 처리 회로부 및/또는 전극들 또는 다른 센서들로부터의 신호들을 다른 장치(예를 들어, 외부 장치(12)) 또는 서버로 전송하도록 구성된 통신 회로부를 포함할 수 있다.

본 개시의 기술들에 따르면, 의료 장치 시스템(2)은 환자의 심장 부정맥을 검출하는 기계 학습 시스템(150)의 출력을 설명하고 시각화한다. 기계 학습 시스템(150)은 환자(4)의 부정맥 증상들을 검출하고 분류하기 위한 도구들을 제공할 수 있다. 그러나, 기계 학습 시스템(150)에 의해 도출된 결론의 기초는 전달하기 어려울 수 있다. 하기에 더 상세하게 논의되는 바와 같이, 의료 장치 시스템(2)은 환자(4)에게 심장 부정맥의 검출과 관련하여 기계 학습 시스템(150)에 의해 도출된 결론을 단순화하는 기능을 한다. 또한, 의료 장치 시스템(2)은 주제 전문가 및 비-전문가를 포함하여 서로 다른 능력의 사용자들이 이해할 수 있는 방식으로 이러한 정보를 제시한다.

일 예에서, 컴퓨팅 시스템(24)은 IMD(10) 및 외부 장치(12) 중 하나와 같은 의료 장치에 의해 감지된 심전도 데이터를 수신한다. 컴퓨팅 시스템(24)은 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 시스템(150)의 기계 학습 모델을 수신된 심전도 데이터에 적용하여 기계 학습 모델을 기반으로 환자에게서 부정맥 증상이 발생했다고 결정한다. 기계 학습 시스템(150)은 또한 환자(4)에게 부정맥 증상이 발생했다는 결정에 대한 신뢰도를 결정한다. 신뢰도가 미리 결정된 임계값보다 크다고 결정하는 것에 응답하여, 컴퓨팅 장치(24)는 심전도 데이터의 일부, 부정맥 증상이 발생했다는 표시, 및 부정맥 증상이 발생했다는 신뢰도의 표시를 사용자에게 디스플레이한다. 일부 예들에서, 컴퓨팅 장치(24)는 고급 사용자들에게 더 자세한 정보를 제공하고 기본 사용자들에게는 덜 자세한 정보를 제공한다.

다른 예에서, 컴퓨팅 장치(24)는 예를 들어, IMD(10)에 의해 감지된 심전도 데이터 및 사용자로부터 부정맥 유형의 선택을 수신한다. 컴퓨팅 장치(24)는 기계 학습 시스템(150)을 수신된 심전도 데이터에 적용하여 기계 학습 시스템(150)의 기계 학습 모델을 기반으로 선택된 유형의 부정맥 증상이 환자(40)에게 발생했음과 선택한 유형의 부정맥 증상이 발생했다는 결정의 신뢰도를 결정한다. 컴퓨팅 장치(24)는, 디스플레이를 위해, 심전도 데이터의 적어도 일부, 선택된 유형의 부정맥 증상이 환자(4)에게 발생했다는 제1 표시, 및 선택된 유형의 부정맥 증상이 환자(4)에게 발생했다는 신뢰도의 제2 표시를 출력한다.

본 개시의 기술들은 심장 부정맥 검출 및 분류를 수행하는 기계 학습 시스템 분야에 대한 특정 개선 사항들을 제공할 수 있다. 예를 들어, 본원에 개시된 기술들은 이러한 기계 학습 시스템(150)에 의해 수행되는 분석의 보다 명확한 설명 및 시각화를 허용할 수 있다. 또한, 본원에 설명된 기술들은 많은 다양한 기술 레벨의 사용자들이 사용하기 위해 심전도 데이터를 신속하게 그리고 환자별로 해석하도록 할 수 있다. 본원에 개시된 기술들은 심장 부정맥 검출 및 분류를 수행하는 기계 학습 시스템에 의해 제공되는 결론을 사용할 뿐만 아니라, 보다 다양한 시스템에서 이러한 기계 학습 시스템들의 사용을 가능하게 하기 위해 사용자들에 의해 요구되는 훈련의 양을 감소시킬 수 있다. 따라서, 본원에 개시된 기술들은 환자들의 심장 부정맥의 보다 정확하고 신속한 진단 및 분류를 가능하게 하는 한편, 임상의들에 의해 이러한 심장 부정맥을 진단하고 치료를 제공하는 데 필요한 전문 지식의 양을 감소시킬 수 있다.

도 2는 도 1의 무연 이식형 의료 장치의 일 예를 예시하는 블록도이다. 도 2에 도시된 바와 같이, IMD(10)는 처리 회로부(50), 감지 회로부(52), 통신 회로부(54), 메모리(56), 센서들(58), 스위칭 회로부(60) 및 전극들(16A, 16B)(이하 "전극들(16)")을 포함하며, 이들 중 하나 이상이 IMD(10)의 하우징 내에 배치될 수 있다. 일부 예들에서, 메모리(56)는 처리 회로부(50)에 의해 실행될 때 IMD(10) 및 처리 회로부(50)가 본원의 IMD(10) 및 처리 회로부(50)에 기인하는 다양한 기능들을 수행하게 하는 컴퓨터 판독 가능 인스트럭션들을 포함한다. 메모리(56)는 랜덤 액세스 메모리(RAM), 읽기 전용 메모리(ROM), 비휘발성 RAM(NVRAM), 전기적으로 소거 가능한 프로그램 가능 ROM(EEPROM), 플래시 메모리 또는 기타 디지털 매체와 같은 임의의 휘발성, 비휘발성, 자기적, 광학적 또는 전기적 매체를 포함할 수 있다.

처리 회로부(50)는 고정 기능 회로부 및/또는 프로그램 가능 처리 회로부를 포함할 수 있다. 처리 회로부(50)는 마이크로프로세서, 컨트롤러, 디지털 신호 프로세서(DSP), 주문형 집적 회로(ASIC), 필드 프로그램 가능 게이트 어레이(FPGA), 또는 등가 이산 또는 아날로그 로직 회로부 중 임의의 하나 이상을 포함할 수 있다. 일부 예들에서, 처리 회로부(50)는 하나 이상의 마이크로프로세서들, 하나 이상의 컨트롤러들, 하나 이상의 DSP들, 하나 이상의 ASIC들, 또는 하나 이상의 FPGA들, 뿐만 아니라 기타 이산 또는 집적 로직 회로부의 임의의 조합과 같은 다수의 컴포넌트들을 포함할 수 있다. 본원에서 처리 회로부(50)에 기인하는 기능들은 소프트웨어, 펌웨어, 하드웨어 또는 이들의 임의의 조합으로 구현될 수 있다.

감지 회로부(52) 및 통신 회로부(54)는 처리 회로부(50)에 의해 제어되는 바와 같이 스위칭 회로부(60)를 통해 전극들(16A, 16B)에 선택적으로 결합될 수 있다. 감지 회로부(52)는 도 4의 환자(4)의 심장의 전기적 활동을 모니터링하고 환자(4)에 대한 심전도 데이터를 생성하기 위해 전극들(16A, 16B)로부터의 신호들을 모니터링할 수 있다. 감지 회로부(52)는 심전도의 디지털화된 버전뿐만 아니라 탈분극의 타이밍 표시를 생성할 수 있다. 일부 예들에서, 처리 회로부(50)는 감지된 심전도 데이터의 피쳐 설명을 수행하여 환자(4)의 심장 부정맥의 증상을 검출할 수 있다. 일부 예들에서, 처리 회로부(50)는 통신 회로부(54)를 통해 환자(4)에 대한 심전도 데이터를 도 1의 외부 장치(12)와 같은 외부 장치로 전송한다. 예를 들어, IMD(10)는 도 1의 기계 학습 시스템(150)에 의한 처리를 위해 디지털화된 심전도 데이터를 네트워크(25)로 전송한다. 일부 예들에서, IMD(10)는 피쳐 설명을 통해 부정맥 증상을 검출하는 것에 응답하여 심전도 데이터의 하나 이상의 세그먼트들을 전송한다. 다른 예에서, IMD(10)는 외부 장치(12)로부터의 인스트럭션들에 응답하여(예를 들어, 환자(4)가 부정맥의 하나 이상의 증상들을 경험하고 모니터링 센터 또는 임상의에 의한 분석을 위해 IMD(10)에게 심전도 데이터를 업로드하도록 지시하는 명령을 외부 장치(12)에 입력할 때) 심전도 데이터의 하나 이상의 세그먼트들을 전송한다. 심전도 데이터는 하기에 상세히 설명되는 바와 같이 심장 부정맥을 검출 및 분류하기 위해 기계 학습 시스템(150)에 의해 처리될 수 있다.

일부 예들에서, IMD(10)는 하나 이상의 가속도계들, 마이크로폰들 및/또는 압력 센서들과 같은, 하나 이상의 센서들(58)을 포함한다. 감지 회로부(52)는 센서들(58)로부터의 신호들을 모니터링하고, 센서들(58)로부터 획득된 환자 데이터를 분석을 위해, 도 1의 외부 장치(12)와 같은 외부 장치로 전송할 수 있다. 일부 예들에서, 감지 회로부(52)는 전극들(16A, 16B) 및/또는 다른 센서들(58) 중 하나 이상으로부터 수신된 신호들을 필터링 및 증폭하기 위한 하나 이상의 필터들 및 증폭기들을 포함할 수 있다. 일부 예들에서, 감지 회로부(52) 및/또는 처리 회로부(50)는 정류기, 필터 및/또는 증폭기, 감지 증폭기, 비교기, 및/또는 아날로그-디지털 변환기를 포함할 수 있다.

통신 회로부(54)는 외부 장치(12) 또는 압력 감지 장치와 같은 다른 의료 장치 또는 센서와 같은 다른 장치와 통신하기 위한 임의의 적절한 하드웨어, 펌웨어, 소프트웨어 또는 이들의 임의의 조합을 포함할 수 있다. 처리 회로부(50)의 제어 하에, 통신 회로부(54)는 내부 또는 외부 안테나, 예를 들어, 안테나(26)의 도움으로 외부 장치(12) 또는 다른 장치로부터 다운링크 원격 측정을 수신할 뿐만 아니라 이로부터 업링크 원격 측정을 보낼 수 있다. 일부 예들에서, 통신 회로부(54)는 외부 장치(12)와 통신할 수 있다. 추가로, 처리 회로부(50)는 외부 장치(예를 들어, 외부 장치(12)) 및 아일랜드, 더블린의 Medtronic, plc에 의해 개발된 Medtronic CareLink® 네트워크와 같은 컴퓨터 네트워크를 통해 네트워크 컴퓨팅 장치와 통신할 수 있다.

임상의 또는 다른 사용자는 외부 장치(12)를 사용하거나 통신 회로부(54)를 통해 처리 회로부(50)와 통신하도록 구성된 다른 로컬 또는 네트워크 컴퓨팅 장치를 사용하여 IMD(10)로부터 데이터를 검색할 수 있다. 임상의는 또한 외부 장치(12) 또는 다른 로컬 또는 네트워크 컴퓨팅 장치를 사용하여 IMD(10)의 파라미터들을 프로그래밍할 수 있다. 일부 예들에서, 임상의는 IMD(10)가 환자(4)의 심전도 데이터를 감지하는 방법을 정의하는 하나 이상의 파라미터들을 선택할 수 있다.

IMD(10)의 하나 이상의 컴포넌트들은 IMD(10)의 하우징 내에 위치된 충전식 또는 비충전식 배터리를 포함할 수 있는 전원(도 2에 도시되지 않음)에 결합될 수 있다. 비충전식 배터리는 몇 년 동안 지속되도록 선택될 수 있는 반면, 충전식 배터리는 예를 들어 매일 또는 매주 외부 장치로부터 유도 충전될 수 있다.

일부 예들에서, 처리 회로부(50)는 감지 회로부(52)를 통해 환자(4)의 심전도 데이터를 감지하고 이러한 심전도 데이터를 도 1의 외부 장치(12)에 업로드한다. 일부 예들에서, 처리 회로부(50)는 감지된 심전도 데이터의 피쳐 설명을 수행하여 심장 부정맥의 예비 검출을 수행하고, 심장 부정맥의 증상을 검출하는 것에 응답하여 환자(4)의 심전도 데이터만을 외부 장치(12)에 업로드한다. 일부 예들에서, IMD(10)에 의해 수행되는 피쳐 설명은 IMD(10)에서 전력을 보존하기 위해 감소된 복잡성을 갖는다.

본원에 설명된 바와 같이, 피쳐 설명은 간헐적 심장 부정맥을 검출하거나 분류하는 데 사용하기 위해 신호 처리를 통해 획득된 피쳐들의 사용을 말한다. 일반적으로, 피쳐 설명은 심전도 데이터에서 피쳐들을 식별하거나 추출하고, 이러한 피쳐들의 특성들을 측정하고, 측정치들을 사용하여 부정맥을 검출하거나 분류하기 위한 엔지니어링 규칙의 사용을 포함한다. 예를 들어, 피쳐 설명은 R파, QRS 복합파, P파, T파, 이러한 피쳐들의 레이트, 이러한 피쳐들 사이의 간격, 피쳐 형태, 이러한 피쳐들의 폭 또는 진폭, 또는 기타 또는 기타 유형과 심장 피쳐들 또는 본원에 명시적으로 설명되지 않은 이러한 피쳐들의 특성들과 같은 피쳐들을 식별하는 데 사용될 수 있다. 피쳐 설명은 피쳐 추출, 신호 필터링, 피크 검출, 내화 분석 또는 기타 유형의 신호 처리, 변수 가공 또는 탐지 규칙 개발을 포함할 수 있다. 피쳐 설명 알고리즘은 예컨대 이식형 의료 장치에 의해 사용하도록 실시간, 임베디드 및 저전력 애플리케이션들에 최적화될 수 있다. 그러나, 피쳐 설명 알고리즘은 환자의 부정맥을 정확하게 검출하기 위해 전문적인 설계 및 변수 가공을 필요로 할 수 있다.

심장 부정맥 검출 및 분류를 위한 피쳐 설명 기술들과 달리, 기계 학습 기술들은 심장 부정맥 검출 및 분류에 사용될 수 있다. 본원에 설명된 바와 같이, 기계 학습은 신경망 또는 딥 러닝 모델과 같은 기계 학습 모델을 사용하는 것을 말하며, 이는 심전도 데이터로부터 심장 부정맥을 검출하기 위해 훈련 데이터 세트에 대해 훈련된다. 기계 학습 기술들은 피쳐 설명이 신호 처리에 의존한다는 점에서 피쳐 설명과 대조될 수 있으며, 기계 학습 시스템은 피쳐들 간의 관계 및 시스템 설계자를 대신하여 부정맥의 증상에 대한 지식이나 이해 없이도 부정맥 증상을 나타내는 심전도 데이터에 존재하는 기본 피쳐들을 "학습"할 수 있다.

환자(4)의 심전도 데이터를 감지하는 예시적인 IMD(10)의 맥락에서 본원에 설명되어 있지만, 본원에 개시된 심장 부정맥 검출을 위한 기술들은 다른 유형의 장치들로 사용될 수 있다. 예를 들어, 기술들은 심혈관 시스템 외부의 전극들에 결합된 심장 외 제세동기, 아일랜드, 더블린의 Medtronic PLC에서 상업적으로 구입 가능한 Micra™ 카테터경유 페이싱 시스템과 같은 심장 내부 이식을 위해 구성된 카테터경유 심장 박동 조율기, Medtronic PLC로부터 또한 상업적으로 구입 가능한 Reveal LINQ™ ICM과 같은 삽입형 심장 모니터, 신경자극기, 약물 전달 장치, 환자(4) 외부의 의료 장치, 웨어러블 심장 제세동기, 피트니스 트래커 또는 기타 웨어러블 장치와 같은 웨어러블 장치, "스마트" 폰, 랩압, 태블릿 컴퓨터, 개인 휴대 정보 단말기(PDA)와 같은 모바일 장치 또는 "스마트" 안경, "스마트" 패치 또는 "스마트"시계와 같은 "스마트" 어패럴로 구현될 수 있다.

도 3은 도 1의 무연 이식형 의료 장치의 다른 예를 예시하는 블록도이다. 도 3의 컴포넌트들은 반드시 축척대로 그려질 필요는 없지만, 대신 세부사항을 보여주기 위해 확대될 수 있다. 구체적으로, 도 3은 도 1의 IMD(10)의 예시적인 구성의 평면도의 블록도이다.

도 3은 도 1의 IMD(10)와 실질적으로 유사한 컴포넌트들을 포함할 수 있는 예시적인 IMD(10)를 예시하는 개념도이다. 도 1 및 2에 예시된 컴포넌트들 외에, 도 3에 예시된 IMD(10)의 예는 또한 하우징(14) 상의 전극들(16A, 16B)과 처리 회로부(50) 사이를 통과하는 전기 신호들을 절연시키는 것을 도울 수 있는 웨이퍼-스케일 절연 커버(74)를 포함할 수 있다. 일부 예들에서, 절연 커버(74)는 IMD(10B)의 컴포넌트들을 위한 하우징을 형성하기 위해 개방형 하우징(14) 위에 위치될 수 있다. IMD(10B)의 하나 이상의 컴포넌트들(예를 들어, 안테나(26), 처리 회로부(50), 감지 회로부(52), 통신 회로부(54), 및/또는 스위칭 회로부(60))은 플립 칩 기술을 사용하는 것과 같이 절연 커버(74)의 바닥면에 형성될 수 있다. 절연 커버(74)는 하우징(14) 상에서 플립될 수 있다. 플립되어 하우징(14) 상에 배치될 때, 절연 커버(74)의 바닥면에 형성된 IMD(10B)의 컴포넌트들은 하우징(14)에 의해 정의된 갭(76)에 위치될 수 있다. 하우징(14)은 티타늄 또는 임의의 다른 적절한 재료(예를 들어, 생체적합성 재료)로 형성될 수 있으며, 약 200 마이크로미터 내지 약 500 마이크로미터의 두께를 가질 수 있다. 이러한 재료들 및 치수들은 예시들일 뿐이며, 본 개시의 장치들에 대해 다른 재료들 및 기타 두께들이 가능하다.

일부 예들에서, IMD(10)는 감지 회로브(52) 및/또는 센서들(58)을 통해 심전도 데이터를 포함하는 환자(4)의 환자 데이터를 수집한다. 센서들(58)은 하나 이상의 가속도계들, 압력 센서들, O2 포화용 광학 센서들 등과 같은 하나 이상의 센서들을 포함할 수 있다. 일부 예들에서, 환자 데이터는 환자의 활동 레벨, 환자의 심박수, 환자의 자세, 환자의 심전도, 환자의 혈압, 환자의 가속도계 데이터 또는 기타 유형의 환자 파라미터 데이터 중 하나 이상을 포함한다. IMD(10)는 통신 회로부(54)를 통해, 환자 데이터를 외부 장치(12)에 업로드하고, 이는 이러한 데이터를 네트워크(25)를 통해 컴퓨팅 시스템(24)에 차례로 업로드할 수 있다. 일부 예들에서, IMD(10)는 매일 환자 데이터를 컴퓨팅 시스템(24)에 업로드한다. 일부 예들에서, 환자 데이터는 장기간(예를 들어, 약 24시간 내지 약 48시간)에 걸쳐 환자(4)의 평균 측정치들을 나타내는 하나 이상의 값들을 포함한다. 이 예에서, IMD(10)는 환자 데이터를 컴퓨팅 시스템(24)에 업로드하고 환자(4)의 단기 모니터링을 수행한다(아래에서 설명됨). 그러나, 다른 예들에서, 환자(4)의 부정맥을 검출 및/또는 분류하기 위해 환자 데이터를 처리하는 의료 장치는 환자(4)의 단기 모니터링을 수행하는 의료 장치와 다르다.

도 4는 본 개시의 하나 이상의 기술들에 따라 동작하는 예시적인 컴퓨팅 장치(400)를 예시하는 블록도이다. 일 예에서, 컴퓨팅 장치(400)는 도 1의 컴퓨팅 시스템(24)의 예시적인 구현이다. 일 예에서, 컴퓨팅 장치(400)는 기계 학습 시스템(450) 또는 본원에 설명된 임의의 다른 애플리케이션들을 포함하는 애플리케이션들(424)을 실행하기 위한 처리 회로부(402)를 포함한다. 예시 목적으로 독립형 컴퓨팅 장치(400)로서 도 4에 도시도어 있지만, 컴퓨팅 장치(400)는 소프트웨어 인스트럭션들을 실행하기 위한 처리 회로부 또는 다른 적절한 컴퓨팅 환경을 포함하며, 예를 들어 도 4에 도시된 하나 이상의 요소들(예를 들어, 입력 장치(404), 통신 회로부(406), 사용자 인터페이스 장치들(410), 또는 출력 장치들(412); 일부 예들에서는, 저장 장치(들)(408)과 같은 컴포넌트들은 다른 컴포넌트들과 같은 장소에 배치되거나 다른 컴포넌트들과 동일한 섀시에 있을 수 없음)을 반드시 포함할 필요는 없는 임의의 컴포넌트 또는 시스템일 수 있다. 일부 예들에서, 컴퓨팅 장치(400)는 복수의 장치들에 걸쳐 분산된 클라우드 컴퓨팅 시스템일 수 있다.

도 4의 예에 도시된 바와 같이, 컴퓨팅 장치(400)는 처리 회로부(402), 하나 이상의 입력 장치들(404), 통신 회로부(406), 하나 이상의 저장 장치들(408), 사용자 인터페이스(UI) 장치들(410), 및 하나 이상의 출력 장치들(412)을 포함한다. 일 예에서, 컴퓨팅 장치(400)는 컴퓨팅 장치(400)에 의해 실행 가능한 기계 학습 시스템(450) 및 운영 체제(416)와 같은 하나 이상의 애플리케이션(들)(424)을 더 포함한다. 컴포넌트들(402, 404, 406, 408, 410, 412) 각각은 컴포넌트간 통신을 위해 (물리적으로, 통신 가능하게 및/또는 동작 가능하게) 결합된다. 일부 예들에서, 통신 채널들(414)은 시스템 버스, 네트워크 연결, 프로세스 간 통신 데이터 구조, 또는 데이터를 통신하기 위한 임의의 다른 방법을 포함할 수 있다. 일 예로서, 컴포넌트들(402, 404, 406, 408, 410 및 412)은 하나 이상의 통신 채널들(414)에 의해 결합될 수 있다.

일 예에서, 처리 회로부(402)는 컴퓨팅 장치(400) 내에서 실행하기 위한 기능 및/또는 프로세스 인스트럭션들을 구현하도록 구성된다. 예를 들어, 처리 회로부(402)는 저장 장치(408)에 저장된 인스트럭션들을 처리할 수 있다. 처리 회로부(402)의 예들로는 마이크로프로세서, 컨트롤러, 디지털 신호 프로세서(DSP), 주문형 집적 회로(ASIC), 필드 프로그램 가능 게이트 어레이(FPGA), 또는 등가 이산 또는 통합 로직 회로부 중 임의의 하나 이상을 포함할 수 있다.

하나 이상의 저장 장치들(408)은 동작 동안 컴퓨팅 장치(400) 내에 정보를 저장하도록 구성될 수 있다. 일부 예들에서, 저장 장치(408)는 컴퓨터 판독가능 저장 매체로서 설명된다. 일부 예들에서, 저장 장치(408)는 임시 메모리이며, 이는 저장 장치(408)의 주요 목적이 장기 저장이 아님을 의미한다. 일부 예들에서, 저장 장치(408)는 휘발성 메모리로 설명되며, 이는 컴퓨터가 턴 오프될 때 저장 장치(408)가 저장된 콘텐트들을 유지하지 않는다는 것을 의미한다. 휘발성 메모리들의 예들로는 랜덤 액세스 메모리(RAM), 동적 랜덤 액세스 메모리(DRAM), 정적 랜덤 액세스 메모리(SRAM), 및 당업계에 공지된 다른 형태의 휘발성 메모리들을 포함한다. 일부 예들에서, 저장 장치(408)는 처리 회로부(402)에 의한 실행을 위한 프로그램 인스트럭션들을 저장하는 데 사용된다. 일 예에서, 저장 장치(408)는 프로그램 실행 동안 정보를 일시적으로 저장하기 위해 컴퓨팅 장치(400) 상에서 실행되는 소프트웨어 또는 애플리케이션들(424)에 의해 사용된다.

일부 예들에서, 저장 장치들(408)은 또한 하나 이상의 컴퓨터 판독 가능 저장 매체를 포함한다. 저장 장치들(408)은 휘발성 메모리보다 더 많은 양의 정보를 저장하도록 구성될 수 있다. 저장 장치들(408)은 정보의 장기 저장을 위해 추가로 구성될 수 있다. 일부 예들에서, 저장 장치들(408)은 비휘발성 저장 요소들을 포함한다. 이러한 비휘발성 저장 요소들의 예들로는 자기 하드 디스크, 광 디스크, 플로피 디스크, 플래시 메모리, 또는 전기적으로 프로그램 가능한 메모리(EPROM) 또는 전기적으로 소거 및 프로그램 가능한(EEPROM) 메모리의 형태를 포함한다.

일부 예들에서, 컴퓨팅 장치(400)는 또한 통신 회로부(406)를 포함한다. 일 예에서, 컴퓨팅 장치(400)는 통신 회로부(406)를 이용하여 도 1의 IMD(10) 및 외부 장치(12)와 같은 외부 장치와 통신한다. 통신 회로부(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 인터페이스들의 다른 예들로는 3G 및 WiFi 라디오를 포함할 수 있다.

일 예에서, 컴퓨팅 장치(400)는 또한 하나 이상의 사용자 인터페이스 장치들(410)을 포함한다. 일부 예들에서, 사용자 인터페이스 장치들(410)은 촉각, 오디오 또는 비디오 피드백을 통해 사용자로부터 입력을 수신하도록 구성된다. 사용자 인터페이스 장치(들)(410)의 예들로는 존재 감지 디스플레이, 마우스, 키보드, 음성 응답 시스템, 비디오 카메라, 마이크 또는 사용자로부터의 명령을 검출하기 위한 임의의 다른 유형의 장치를 포함한다. 일부 예들에서, 존재 감지 디스플레이는 터치 감지 스크린을 포함한다.

하나 이상의 출력 장치들(412)은 또한 컴퓨팅 장치(400)에 포함될 수 있다. 일부 예들에서, 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 장치들(412)의 추가 예들로는 스피커, 음극선관(CRT) 모니터, 액정 디스플레이(LCD), 또는 사용자에게 이해 가능한 출력을 생성할 수 있는 임의의 다른 유형의 장치를 포함한다.

컴퓨팅 장치(400)는 운영 체제(416)를 포함할 수 있다. 일부 예들에서, 운영 체제(416)는 컴퓨팅 장치(400)의 컴포넌트들의 동작을 제어한다. 예를 들어, 일 예에서, 운영 체제(416)는 처리 회로부(402), 통신 회로부(406), 저장 장치(408), 입력 장치(404), 사용자 인터페이스 장치들(410) 및 출력 장치(412)와 하나 이상의 애플리케이션들(424) 및 장기 예측 모듈(450)의 통신을 용이하게 한다.

애플리케이션(들)(422)은 또한 컴퓨팅 장치(400)에 의해 실행가능한 프로그램 인스트럭션들 및/또는 데이터를 포함할 수 있다. 컴퓨팅 장치(400)에 의해 실행 가능한 예시적인 애플리케이션(들)(422)은 기계 학습 시스템(450)을 포함할 수 있다. 도시되지 않은 다른 추가 애플리케이션들은 본원에 설명된 다른 기능을 제공하기 위해 대안으로 또는 추가로 포함될 수 있으며 단순함을 위해 도시되지는 않는다.

본 개시의 기술들에 따르면, 컴퓨팅 장치(400)는 기계 학습 시스템(450)의 기계 학습 모델을 IMD(10)에 의해 감지된 환자 데이터에 적용하여 환자(10)에게 발생하는 부정맥 증상을 검출 및 분류한다. 일부 예들에서, 기계 학습 시스템(450)은 도 1의 기계 학습 시스템(150)의 일 예이다.

일부 예들에서, 기계 학습 시스템(450)에 의해 구현된 기계 학습 모델은 설명 메타데이터로 표기된 복수의 환자들에 대한 심전도 데이터를 포함하는 훈련 데이터로 훈련된다. 예를 들어, 훈련 단계 동안, 기계 학습 시스템(450)은 복수의 ECG 파형들을 처리한다. 일반적으로, 복수의 ECG 파형들은 복수의 다른 환자들로부터 비롯된다. 각 ECG 파형은 하나 이상의 유형의 하나 이상의 부정맥 증상들로 표기된다. 예를 들어, 훈련 ECG 파형은 복수의 세그먼트들을 포함할 수 있으며, 각 세그먼트는 부정맥의 부재 또는 특정 분류의 부정맥(예를 들어, 서맥, 빈맥, 심방세동, 심실세동 또는 AV 차단)의 존재를 지정하는 디스크립터로 표기된다. 일부 예들에서, 임상의는 손으로 각 ECG 파형에서 부정맥의 존재를 표기한다. 일부 예들에서, 각 ECG 파형에서 부정맥의 존재는 피쳐 설명 알고리즘에 의한 분류에 따라 표기된다. 기계 학습 시스템(450)은 기계 학습 시스템(450)이 선형 대수, 비선형 또는 대안적인 계산 연산들과 같은 수학적 연산들을 적용할 수 있는 벡터 및 텐서(예를 들어, 다차원 어레이)로 트레이닝 데이터를 변환하도록 동작할 수 있다. 기계 학습 시스템(450)은 훈련 데이터(104)를 사용하여 기계 학습 모델이 심전도 데이터에 묘사된 상이한 피쳐들에 가중치를 부여하도록 교시한다. 일부 예들에서, 기계 학습 시스템(450)은 기계 학습 모델이 심전도 데이터를 사용하여 특정 분류의 심장 부정맥의 발생과 관련하여 어느 정도 중요도를 갖는 심전도의 하나 이상의 피쳐들을 나타내는 상이한 계수들을 적용하도록 교시한다. 부정맥 증상들로 표기된 수많은 이러한 ECG 파형들을 처리함으로써, 기계 학습 시스템(450)은, 기계 학습 시스템(450)이 이전에 이러한 심전도 데이터를 분석하지 않고 처리하여 높은 정확도로 환자의 상이한 분류들의 부정맥의 존재 또는 부재를 검출하는, 도 1의 환자(4)와 같은 환자로부터 심전도 데이터를 수신하기 위한 기계 학습 모델을 구축하고 훈련할 수 있다. 일반적으로, 기계 학습 시스템(450)이 훈련되는 심전도 데이터의 양이 많을수록, 새로운 심전도 데이터에서 심장 부정맥을 검출하거나 분류하는 기계 학습 모델의 정확도가 높아진다.

기계 학습 시스템(450)이 기계 학습 모델을 훈련시킨 후, 기계 학습 시스템(450)은 환자(4)와 같은 특정 환자에 대한 심전도 데이터와 같은 환자 데이터를 수신할 수 있다. 기계 학습 시스템(450)은 훈련된 기계 학습 모델을 환자 데이터에 적용하여 환자(4)에게 심장 부정맥 증상의 발생을 검출한다. 또한, 기계 학습 시스템(450)은 훈련된 기계 학습 모델을 환자 데이터에 적용하여 특정 유형의 부정맥을 나타내는 환자의 심장 부정맥 증상을 분류한다. 일부 예들에서, 기계 학습 시스템(450)은 심장 부정맥의 증상이 특정 유형의 부정맥, 뿐만 아니라 결정에 대한 신뢰도를 을 나타내는 결정뿐만 아니라 결정에 대한 신뢰도를 나타낸다는 결정을 출력할 수 있다. 결정의 신뢰도가 미리 결정된 임계값(예를 들어, 50%, 75%, 90%, 95%, 99%)보다 크다고 결정하는 것에 응답하여, 컴퓨팅 장치(400)는 심장 부정맥 증상을 특정 유형의 부정맥으로 분류하고, 사용자에게 표시하기 위해, 심전도 데이터의 적어도 일부(예를 들어, 부정맥 증상이 발생한 동안 ECG의 일부), 부정맥 증상이 환자(4)에게 발생했다는 제1 표시, 및 부정맥 증상이 발생했다는 결정에 대한 신뢰도의 제2 표시를 출력할 수 있다.

일부 예들에서, 기계 학습 시스템(150)은 원시 심전도 데이터 자체 대신 심전도 데이터의 하나 이상의 심장 피쳐들을 처리할 수 있다. 하나 이상의 심장 피쳐들은 상기에 설명된 바와 같이, IMD(10)에 의해 수행되는 피쳐 설명을 통해 획득될 수 있다. 심장 피쳐들은 예를 들어, 환자의 평균 심박수, 환자의 최소 심박수, 환자의 최대 심박수, 환자 심장의 PR 간격, 환자의 심박수 변동성, 환자의 심전도(ECG)의 하나 이상의 피쳐들의 하나 이상의 진폭, 또는 환자의 ECG의 하나 이상의 피쳐들 사이의 간격, T파 교호맥, QRS 형태 측정, 또는 본원에 명시적으로 설명되지 않은 다른 유형의 심장 피쳐들 중 하나 이상을 포함할 수 있다. 이러한 예시적인 구현들에서, 기계 학습 시스템은 상기에 설명된 바와 같이 부정맥 증상으로 표기된 복수의 ECG 파형들 대신에, 부정맥 증상들로 표기된 복수의 훈련 심장 피쳐들을 통해 기계 학습 모델을 훈련할 수 있다.

일부 예들에서, 기계 학습 시스템(450)은 부정맥(예를 들어, 서맥, 빈맥, 심방 세동, 심실 세동 또는 AV 차단) 증상의 분류를 도출하도록 심전도 데이터를 처리할 수 있다. 또한, 기계 학습 시스템(450)은 부정맥 유형 분류 각각에 대해, 시간 기간에 걸쳐 분류의 다양한 가능성을 나타내는 클래스 활성화 데이터를 결정할 수 있다. 주어진 부정맥 유형에 대해, 서로 다른 시간에 이러한 가능성 값들의 진폭은 해당 시간에 부정맥이 발생할 확률에 해당하며, 값이 높을수록 높은 확률에 해당한다.

컴퓨팅 장치(400)는 클래스 활성화 매핑을 사용하여 기계 학습 시스템(450)의 기계 학습 모델에 의해 시계열에 특정 분류가 부여되는 이유를 구성하는 입력 시계열, 예를 들어 심장 EGM 데이터의 영역들을 식별할 수 있다. 주어진 분류에 대한 클래스 활성화 맵은 일변량 시계열일 수 있으며, 여기서 각 요소(예를 들어, 입력 시계열의 샘플링 빈도에서 각 타임스탬프에서)는 신경망 또는 기타 기계 학습 모델의 중간 계층의 출력들로부터 도출된 가중치 합 또는 기타 값일 수 있다. 중간 계층은 전역 평균 풀링 계층 및/또는 각 분류에 대한 출력 계층 뉴런 이전의 마지막 계층일 수 있다.

일부 예들에서, 기계 학습 시스템(450)은 기계 학습 모델을 다른 유형의 데이터에 적용하여 환자(4)에게 부정맥 증상이 발생했다고 결정할 수 있다. 예를 들어, 기계 학습 시스템(450)은 기계 학습 모델을 환자의 부정맥, IMD(10)의 활동 레벨, IMD(10)의 입력 임피던스, 또는 IMD(10)의 배터리 레벨과 상관되는 심전도 데이터의 하나 이상의 특성들에 적용할 수 있다.

추가 예들에서, 처리 회로부(402)는 심전도 데이터로부터 심전도 데이터의 중간 표현을 생성할 수 있다. 예를 들어, 처리 회로부(402)는 심전도 데이터의 중간 표현을 생성하기 위해 심전도 데이터에 하나 이상의 신호 처리, 신호 분해, 웨이블릿 분해, 필터링, 또는 잡음 감소 동작들을 적용할 수 있다. 이 예에서, 기계 학습 시스템(450)은 환자(4)의 부정맥 증상을 검출 및 분류하기 위해 이러한 심전도 데이터의 중간 표현을 처리한다. 또한, 기계 학습 시스템은 상기에 설명된 바와 같이 부정맥 증상으로 표기된 복수의 원시 ECG 파형들 대신에, 부정맥 증상들로 표기된 복수의 훈련 중간 표현들을 통해 기계 학습 모델을 훈련할 수 있다. 심전도 데이터의 이러한 중간 표현의 사용은 기계 학습 시스템(450)에 의한 더 가볍고 계산적으로 덜 복잡한 기계 학습 모델의 훈련 및 개발을 허용할 수 있다. 또한, 심전도 데이터의 중간 표현의 사용은 기계 학습 모델을 훈련하기 위해 원시 심전도 데이터를 사용하는 것과 대조적으로, 정확한 기계 학습 모델을 구축하기 위해 더 적은 반복과 더 적은 훈련 데이터가 필요할 수 있다.

일부 예들에서, 컴퓨팅 시스템(24)은 피쳐 설명 스크리닝 분석에서 검출된 것 이외의 다른 유형의 부정맥을 검출하기 위해 기계 학습 시스템(150)을 사용할 수 있다. 예를 들어, IMD(10)과 같은 저전력 장치들에 의해 구현된 피쳐 설명을 수행하기 위한 부정맥 검출 알고리즘은 AV 블록과 같이 덜 자주 발생하는 부정맥을 검출하도록 설계되지 않을 수 있다. 기계 학습 시스템(150)은 이러한 부정맥이 이용 가능한 대규모 데이터세트에 대해 기계 학습 모델을 훈련할 수 있으며, 이에 의해 예를 들어 IMD(10) 단독으로 수행되는 피쳐 설명에 대해 더 미세한 입도 및 더 높은 정확도를 제공할 수 있다. 따라서, 기계 학습 시스템(150)의 사용은 더 넓은 범위의 부정맥 검출을 제공할 수 있는 기계 학습 모델을 구현하는 기계 학습 시스템(150)의 사용에 이어 IMD(10)가 피쳐 설명을 사용하여 일반 스크리닝 알고리즘을 구현하도록 함으로써 시스템(2)의 부정맥 진단 능력을 확장할 수 있다. 피쳐 설명에 의해 검출되지 않은 부정맥 유형을 검출한 후, 컴퓨팅 시스템(24)은 그럼에도 불구하고 기계 학습 시스템(150)의 기계 학습 모델에 의해 검출된 다른 유형의 부정맥을 특성화하고 보고하는 것을 돕기 위해 QRS 검출과 같은 피쳐 설명을 사용할 수 있다.

일부 예들에서, 컴퓨팅 시스템(24)은 기계 학습 시스템(150)을 특정 사용 사례에 맞출 수 있다. 예를 들어, 기계 학습 시스템(150)은 환자(4)가 TAVR 후 환자인 경우 AV 블록 및 서맥을 검출하는 데 특정한 기계 학습 모델을 구현할 수 있다. 다른 예로서, 기계 학습 시스템(150)은 PVC 부담이 ICD들에 대해 표시될 수 있는 환자들을 위험 계층화하는 데 사용될 수 있도록 PVC들을 검출하는 데 특정한 기계 학습 모델을 구현할 수 있다.

도 5는 본 개시의 기술들에 따른 예시적인 동작을 예시하는 흐름도이다. 편의상, 도 5는 도 1과 관련하여 설명된다. 일부 예들에서, 도 5의 동작은 환자(4)에게 심장 부정맥 증상을 검출하는 기계 학습 시스템(150)의 출력을 설명하고 시각화하기 위한 동작이다.

도 5에 도시된 바와 같이, IMD(10)는 환자(4)의 심전도 데이터를 감지한다. 심전도 데이터는 예를 들어 환자(4)의 간헐적 ECG 또는 환자(4)의 전체 개시 ECG일 수 있다. 또한, 환자(4)의 심전도 데이터는 단일 채널 또는 다중 채널 시스템으로부터 비롯될 수 있다. 단순화하기 위해, 도 5의 예에서, 환자(4)의 심전도 데이터는 단일 채널 간헐적 ECG 데이터로 설명된다. IMD(10)는 심전도 데이터를 외부 장치(12)에 업로드한다. 컴퓨팅 시스템(24)은 외부 장치(12)로부터 심전도 데이터를 수신한다(502).

컴퓨팅 시스템(24)의 기계 학습 시스템(150)은 기계 학습 모델을 수신된 심전도 데이터에 적용하여 환자(4)의 부정맥 증상을 검출한다(504). 일부 예들에서, 기계 학습 모델은 여러 다른 유형의 부정맥에 대한 임상의 또는 모니터링 센터에 의해 주석이 달린 복수의 ECG 증상들로 훈련된다. 일 예에서, 기계 학습 시스템(150)은 기계 학습 모델을 정규화된 입력 ECG 신호의 하나 또는 여러 서브세그먼트들에 적용하고 부정맥 표기들 및 부정맥 발생 가능성을 생성한다. 일부 예들에서, 기계 학습 시스템(150)은 부정맥 증상이 환자(4)에게 발생했다고 결정하고 부정맥 증상이 환자(4)에게 발생했다는 결정의 신뢰도를 결정한다. 일부 예들에서, 기계 학습 시스템(150)은 복수의 상이한 부정맥 유형의 부정맥 증상이 환자(4)에게 발생했는지 여부, 뿐만 아니라 각 부정맥 유형의 부정맥 증상이 발생했다는 신뢰도를 결정한다.

컴퓨팅 시스템(24)은 기계 학습 시스템(150)이 부정맥 증상을 검출했는지 여부를 결정한다(506). 기계 학습 시스템(150)이 부정맥 증상을 검출했고 결정하는 것에 응답하여(예를 들어, 506의 "예" 블록), 컴퓨팅 시스템(24)은 결정의 신뢰도가 미리 결정된 임계값보다 큰지 여부를 결정한다(510). 일부 예들에서, 미리 결정된 임계값은 예를 들어, 25%, 50%, 75%, 90%, 95%, 99% 등이며, 일부 예들에서, 컴퓨팅 시스템(24)은 결정의 신뢰도가 제1 미리 결정된 임계값(예를 들어, 50%)보다 큰지 여부 및 결정의 신뢰도가 제2 미리 결정된 임계값(예를 들어, 90%)보다 큰지 여부를 결정한다. 제1 미리 결정된 임계값은 기계 학습 시스템(150)에 의한 부정맥의 에피소드가 발생했다는 중간 수준의 신뢰도와 연관될 수 있는 반면, 제2 미리 결정된 임계값은 기계 학습 시스템(150)에 의한 높은 수준의 신뢰도와 연관될 수 있다.

신뢰도가 미리 결정된 임계값보다 크다고 결정하는 것에 응답하여(예를 들어, 510의 "예" 블록), 컴퓨팅 시스템(24)은 임상의에 의한 검토를 위해 심전도 데이터를 출력한다. 일부 예들에서, 컴퓨팅 시스템(24)은 심전도 데이터의 일부, 환자(4)에게서 부정맥 증상이 발생했다는 제1 표시 및 환자(4)에게 부정맥 증상이 발생했다는 결정의 확실성 레벨에 대한 제2 표시를 출력한다(512). 일부 예들에서, 컴퓨팅 시스템(24)은 부정맥 증상이 발생했다는 기계 학습 시스템(150)에 의한 신뢰도에 따라 시각화 방법을 선택한다. 예를 들어, 컴퓨팅 시스템(24)은 결과들(예를 들어, 부정맥 증상이 발생한 것보다 낮은 신뢰도의 경우 "녹색", 부정맥 증상이 발생한 것보다 중간 수준의 신뢰도의 경우 "황색", 또는 부정맥 증상이 발생한 것보다 높은 수준의 신뢰도의 경우 "적색")을 나타내기 위해 색상 코딩을 적용할 수 있다.

일부 예들에서, 컴퓨팅 시스템(24)은 부정맥의 유형을 나타내기 위해 상이한 시각화 기술들을 사용한다. 일부 예들에서, 컴퓨팅 시스템(24)은 ECG 파형과 파형에 대한 주석을 제시하여 부정맥 증상이 발생한 위치를 표시한다. 일부 예들에서, 주석은 ECG 섹션 강조, 부정맥 증상의 시작 및/또는 중지 시간 표시, 또는 ECG 섹션에 그래픽 아이콘 또는 텍스트 적용을 포함한다. 컴퓨팅 시스템(24)은 사용자에게 단순히 정보를 전달하기 위해 색상 코딩, 해칭, 이미지 또는 아이콘, 모양, 다양한 크기의 표시기, 빛, 소리, 텍스트 알림 등과 같은 광범위한 다양한 시각화 기술들을 사용할 수 있다.

일 예에서, 컴퓨팅 시스템(24)은 부정맥 증상이 환자에게 발생했다는 표시 및 부정맥 증상과 일치하는 하나 이상의 심장 피쳐들을 디스플레이한다. 일부 예들에서, 컴퓨팅 시스템(24)은 특정 유형의 부정맥으로서 부정맥 증상의 분류를 디스플레이한다.

일부 예들에서, 컴퓨팅 시스템(24)은 부정맥 증상과 일치하는 환자(4)로부터 획득된 심전도 데이터의 서브섹션을 디스플레이한다. 예를 들어, 컴퓨팅 시스템(24)은 환자(4)의 심전도 데이터의 서브섹션을 식별할 수 있고, 서브섹션은 부정맥 증상 이전의 제1 시간 기간 동안(예를 들어, 일반적으로 부정맥 증상의 개시 이전에 10분 미만)의 심전도 데이터, 부정맥 증상의 발생 동안 제2 시간 기간, 및 부정맥 증상 후 제3 시간 기간(예를 들어, 일반적으로 부정맥 증상의 중단 후 10분 미만)을 포함한다.

일 예로서, 환자(4)의 심전도 데이터의 서브섹션은 길이가 약 6초일 수 있으며, (분석되는 심전도 데이터 또는 파형에 존재하는 경우) 부정맥 증상 이전, 동안 및 이후의 대표적인 세그먼트들을 포함한다. 일부 예들에서, 증상 기간은 장치 유형에 따라 다르며, 의료 장치의 사용 사례, 의료 장치의 하나 이상의 설정들 또는 감지된 특정 유형의 부정맥에 따라 추가로 달라질 수 있다. 예를 들어, 일부 유형의 부정맥은 빠르게 자체적으로 종료되지만(짧은 기간 증상으로 이어짐), 다른 유형의 부정맥은 지속되고 기록된 증상 기간이 의료 장치의 지정된 메모리 공간에 따라 달라질 수 있는 길이이다. 일 예로서, 심방 세동(AF)의 경우, 환자(4)의 심전도 데이터의 서브섹션은 발병 시간 기간 동안의 심전도 데이터, 최대 AF 가능성의 세그먼트, 가장 빠른 AF 속도의 세그먼트 및 AF 오프셋을 포함할 수 있다. 일반적으로, 환자의 심전도 데이터의 시간 길이는 제1, 제2 및 제3 시간 기간보다 길다. 또한, 컴퓨팅 시스템(24)은 제1, 제2, 및 제3 시간 기간과 일치하는 심장 피쳐들 중 하나 이상을 식별한다. 컴퓨팅 시스템(24)은 제1, 제2, 및 제3 시간 기간과 일치하는 심전도 데이터의 서브섹션 및 심장 피쳐들 중 하나 이상을 디스플레이한다.

기계 학습 시스템(150)이 부정맥 증상을 검출하지 않았다는 결정에 응답하여(예를 들어, 506의 "아니오" 블록), 또는 신뢰도가 미리 결정된 임계값보다 크지 않다고 결정하는 것에 응답하여(예를 들어, 510의 "아니오" 블록), 컴퓨팅 시스템(24)은 나중에 모니터링 센터 또는 임상의가 검토하기 위해 감지된 심전도 데이터를 보관한다(508).

도 6은 본 개시의 기술들에 따른 예시적인 동작을 예시하는 흐름도이다. 편의상, 도 6은 도 1과 관련하여 설명된다. 일부 예들에서, 도 6의 동작은 사용자에 의해 선택된 유형의 심장 부정맥 증상을 검출하는 기계 학습 시스템(150)의 출력을 설명하고 시각화하기 위한 동작이다.

도 6의 동작은 컴퓨팅 시스템(24)이 검출된 부정맥 및 각 부정맥이 존재한다는 점에 대응하는 신뢰도의 색상 코딩된 다이어그램과 같은 시각화를 제공한다는 점에서 도 5의 동작과 유사할 수 있다. 그러나, 도 6의 동작은 사용자가 특정 유형 또는 분류의 부정맥을 미리 선택할 수 있도록 한다. 이에 응답하여, 컴퓨팅 시스템(24)은 검출에서 대응하는 신뢰도뿐만 아니라, 심전도 데이터 내의 위치에 선택된 유형(들)의 부정맥만이 존재할 가능성을 묘사하기 위해 출력을 필터링한다.

컴퓨팅 시스템(24)은 외부 장치(12)로부터 심전도 데이터를 수신한다(602). 컴퓨팅 시스템(24)의 기계 학습 시스템(150)은 기계 학습 모델을 수신된 심전도 데이터에 적용하여 환자(4)의 부정맥 증상을 검출한다(604). 단계들(602 및 604)의 동작은 각각 도 5의 단계들(502 및 504)과 실질적으로 유사한 방식으로 발생할 수 있다.

컴퓨팅 시스템(24)은 사용자로부터 특정 환자에 대한 부정맥 유형의 선택을 수신한다(605). 예를 들어, 컴퓨팅 시스템은 컴퓨팅 시스템(24)의 인터페이스를 통해 사용자로부터의 입력으로서, 서맥, 빈맥, 심방 세동, 심실 세동 또는 AV 차단과 같은 부정맥의 선택을 수신할 수 있다. 컴퓨팅 시스템(24)은 기계 학습 시스템(150)이 특정 환자로부터의 현재 및 후속 증상에서 선택된 유형의 부정맥 증상을 검출하는지 여부를 결정한다(606). 예를 들어, 기계 학습 시스템(150)이 선택된 유형의 부정맥 증상을 검출하지 못했다고 결정하는 것에 응답하여(예를 들어, 606의 "아니오" 블록), 컴퓨팅 시스템(24)은 나중에 모니터링 센터 또는 임상의에 의한 검토를 위해 감지된 심전도 데이터를 보관한다(608).

기계 학습 시스템(150)이 선택된 유형의 적어도 하나의 부정맥 증상을 검출했다고 결정하는 것에 응답하여(예를 들어, 606의 "예" 블록), 컴퓨팅 시스템(24)은 선택된 유형의 부정맥 증상이 환자(4)에게 발생했다는 기계 학습 시스템(150)에 의한 신뢰도를 결정한다(610). 또한, 컴퓨팅 시스템(24)은 심전도 데이터의 일부, 환자(4)에게서 부정맥 증상이 발생했다는 제1 표시 및 환자(4)에게 부정맥 증상이 발생했다는 결정의 확실성 레벨에 대한 제2 표시를 출력한다(612).

따라서, 도 6의 동작은 사용자가 관심있는 특정 부정맥을 선택할 수 있도록 한다. 컴퓨팅 시스템(24)은 사용자 선택에 기초하여 시각적 표현을 업데이트할 수 있다. 컴퓨팅 시스템(24)은 높은 수준의 신뢰도 및 중간 수준의 신뢰도로 검출된 임의의 부정맥을 디스플레이하는 것 외에도 사용자 입력에 기초하여 사용자 인터페이스를 업데이트하기 때문에, 컴퓨팅 시스템(24)은 낮은 신뢰도로 검출된 잠재적인 부정맥 증상들을 나타낼 수도 있다. 부정맥이 검출 시 낮은 신뢰도로 검출되는 일부 예들에서, 낮은 신뢰도의 결정이라는 표시는 검출된 부정맥에서 낮은 신뢰도의 해당 값과 함께 현저하게 표시된다. 따라서, 컴퓨팅 시스템(24)은 많은 상이한 유형들(및 확실성)의 부정맥의 시각화 또는 설명을 제시할 수 있다. 따라서, 임상의는 특정 유형의 부정맥의 임상의에 의한 분류를 확인하기 위해 컴퓨팅 시스템(24)을 사용할 수 있다. 이는 임상의가 환자(4)를 진단하는 정확도를 높일 수 있으며, 특히 덜 일반적으로 행해지고 임상의들이 식별하기 더 어려운 유형의 부정맥의 경우 더욱 그렇다. 컴퓨팅 시스템(24)은 이전에 식별된 유형의 부정맥 증상들의 후속 발생을 식별하는 데 추가로 도움이 될 수 있다.

다른 예에서, 컴퓨팅 시스템(24)은, 사용자로부터, 특정 유형의 부정맥인 것으로 부정맥 증상의 분류를 수신한다. 기계 학습 시스템(150)은 수신된 분류를 사용하여 기계 학습 모델(150)의 정확도 및 성능을 증가시키도록 기계 학습 모델 또는 부정맥 임계값을 훈련 또는 업데이트한다. 이는 검출하기 어려운 유형의 부정맥 증상들, 특정 환자에 특정한 고유한 의학적 진단에 따른 유형의 부정맥 증상들, 또는 데이터가 드물거나 흔하지 않거나 유병률이 낮은 유형의 부정맥 또는 장치 위치, 생리적 상태의 변화 등과 같은 요인들로 인해 특정 환자의 검출 성능이 차선책일 수 있는 부정맥의 증상들을 검출하고 분류하는데 있어서 기계 학습 시스템(150)의 정확도 및 성능을 증가시키는 것을 허용할 수 있다.

도 7은 본 개시의 기술들에 따른 예시적인 동작을 예시하는 흐름도이다. 편의상, 도 7은 도 1과 관련하여 설명된다. 일부 예들에서, 도 7의 동작은 환자(4)에게 심장 부정맥 증상을 검출하는 기계 학습 시스템(150)의 출력을 설명하고 시각화하기 위한 동작이다.

컴퓨팅 시스템(24)은 외부 장치(12)로부터 심전도 데이터를 수신한다(702). 컴퓨팅 시스템(24)의 기계 학습 시스템(150)은 기계 학습 모델을 수신된 심전도 데이터에 적용하여 환자(4)의 부정맥 증상을 검출한다(704). 컴퓨팅 시스템(24)은 부정맥 증상이 검출되었는지 여부(706)와, 검출 신뢰도를 결정한다(710). 단계들(702, 704, 706, 708 및 710)의 동작은 각각 도 5의 단계들(502, 504, 506, 508 및 510)과 실질적으로 유사한 방식으로 발생할 수 있다.

또한, 컴퓨팅 시스템(24)은 사용자 유형이 고급인지 여부를 결정한다(714).

이 예에서, 컴퓨팅 시스템(24)은 사용자의 능력에 기초하여 심전도 데이터의 시각화를 커스텀화할 수 있다. 예를 들어, 컴퓨팅 시스템(24)은 서로 다른 능력을 가진 다양한 사용자들을 위해 필요에 따라 AI에 의해 제공되는 다소 상세한 ECG 파형, 메타데이터 및 결과 분석을 제시할 수 있다.

예를 들어, 사용자 유형이 고급형이 아니라고(예를 들어, 기본 사용자 유형) 결정하는 것에 응답하여(예를 들어, 714의 "아니오" 블록), 컴퓨팅 시스템(24)은 기본 심전도 데이터, 부정맥 증상이 환자(4)에게 발생했다는 제1 표시, 및 부정맥 증상이 환자(4)에게 발생했다는 결정에 대한 확실성 레벨의 제2 표시를 출력한다(716). 예를 들어, 이식 심장 전문의, 신경과 의사, HF 의사, 장치 간호사, 환자/간병인과 같은 비전문가를 위해, 컴퓨팅 시스템(24)은 부정맥 증상의 "참 및 거짓" 양성 검출의 측면에서 기계 학습 시스템(150)의 전체 성능을 디스플레이하기 위해 제시될 수 있다. 일부 예들에서, 컴퓨팅 시스템(24)은 디스플레이를 위해, 동일한 분류의 대표적인 부정맥 증상과 오버레이된 검출된 부정맥 증상을 묘사하는 ECG 세그먼트(예를 들어, AF의 대표적인 예시적인 파형과 오버레이된 AF를 나타내는 환자(4)의 ECG 세그먼트)를 추가로 제시할 수 있다. 일부 예들에서, 컴퓨팅 시스템(24)은 디스플레이를 위해, 베이스라인 또는 비-AF 증상과 오버레이된 검출된 부정맥 증상을 묘사하는 ECG 세그먼트를 더 제시할 수 있다. 일부 예들에서, 컴퓨팅 장치(24)는 환자의 ECG 파형, 부정맥 증상을 나타내는 제1 ECG 파형의 제1 표현, 및 정상적인 심장 거동을 나타내는 제2 ECG 파형의 제2 표현을 기본 사용자에게 제시한다.

다른 예로서, 사용자 유형이 고급형이라고 결정하는 것에 응답하여(예를 들어, 714의 "예" 블록), 컴퓨팅 시스템(24)은 고급 심전도 데이터, 부정맥 증상이 환자(4)에게 발생했다는 제1 표시, 및 부정맥 증상이 환자(4)에게 발생했다는 결정에 대한 확실성 레벨의 제2 표시를 출력한다(718). 예를 들어, 전기생리학자 또는 주제 전문가의 경우, 컴퓨팅 시스템(24)은 예를 들어, AF 증상의 경우, 평균 RR 베이스라인과 대조되는 각 AF 세그먼트 동안의 평균 RR, RR 변동 베이스라인과 대조되는 각 AF 세그먼트 동안의 RR 변화, P파 베이스라인과 대조되는 AF 세그먼트 동안의 P파 증거 및 형태 변화에 따라 제시된 각 부정맥 증상의 시작 및 중지 시간을 디스플레이할 수 있다. 컴퓨팅 시스템(24)은 기계 학습 시스템(150)에 대한 전문가의 신뢰도를 개선하고 전문가가 심장 부정맥의 증상을 해석하는 것을 돕기 위해 본원에 명시적으로 설명되지 않은 추가 유형의 정보를 제시할 수 있다. 일부 예들에서, 컴퓨팅 장치(24)는, 고급 사용자에게, 환자(4)의 ECG 파형, 부정맥 증상의 시작 시간, 부정맥 증상의 중지 시간, 부정맥 증상 동안 환자(4)의 평균 R-R 간격, 부정맥 중상 동안 환자(4)의 R-R 변화, 환자(4)의 베이스라인 R-R 간격, 부정맥 증상 동안 환자(4)의 P파, 환자(4)의 베이스라인 P파 또는 환자(4)의 형태 변화 중 하나 이상을 제시한다.

따라서, 도 7의 동작은 데이터에 액세스하는 사용자의 기술, 능력 또는 경험에 기초하여 상이한 데이터 표현을 추가로 허용한다. 도 7의 동작은 예를 들어, 심장 파형 해석에 익숙하지 않은 의사 이해 관계자(예를 들어, 심장 전문의 또는 주제 전문가가 아닌 임상의)가 환자에게 심장 모니터를 처방했지만, 여전히 심전도 데이터의 특성들 및/또는 기계 학습 시스템(150)에 의한 분류의 기본적인 표현을 보기를 원하는 상황에서 사용될 수 있다. 본 개시의 기술들을 사용함으로써, 의료 장치 시스템(2)과 같은 의료 장치 시스템은 최종 사용자에게 적절한 양의 데이터를 제공할 수 있다. 따라서, 의료 장치 시스템(2)은 임상의가 적절한 진단 또는 의뢰를 하도록 하거나, 예상되는 심장 리듬(또는 부정맥)의 존재 또는 부재를 확인하도록 할 수 있다. 게다가, 의료 장치 시스템(2)은 필요한 이해 수준과 관련이 없는 데이터로 임상의에게 부담을 주는 것을 피할 수 있다.

도 8은 본 개시의 기술들에 따른 기계 학습 시스템(150)을 설명하는 데 사용될 수 있는 예시적인 시뮬레이션된 심전도 데이터를 예시하는 그래프이다. 편의상, 도 8은 도 1의 의료 시스템(24)과 관련하여 설명된다.

변수 가공 알고리즘과 달리, 기계 학습 시스템(150)이 환자의 심전도 데이터로부터 부정맥을 검출하기 위해 어떻게 작동하는지 정확히 명확하지 않을 수 있다. 본원에 설명된 바와 같이, 컴퓨팅 시스템(24)은 기계 학습 시스템(150)에 의해 수행되는 부정맥 특성화의 상이한 측면들을 조사하기 위해, 파형들(802, 804, 806)과 같은 시뮬레이션된 심전도 데이터를 사용할 수 있다. 예를 들어, 컴퓨팅 시스템(24)은 기계 학습 시스템(150)에 복수의 상이한 특성들에 걸쳐 시뮬레이션된 심전도 데이터를 공급하고 기계 학습 시스템(150)의 출력을 매핑하여(도 9a 내지 9c와 관련하여 아래에 더 상세히 설명됨) 기계 학습 모델이 특정 유형의 부정맥을 검출하는 것과 관련하여 어느 정도 중요한 것으로서 서로 다른 특성들에 어떻게 가중치를 부여하는지를 이해할 수 있다. 예를 들어, 컴퓨팅 시스템(24)은 RR 변동성(RRV), RR 레이트, 또는 p파에 대해 상이한 값들을 갖는 시뮬레이션된 심전도 데이터를 사용하여 기계 학습 시스템(150)이 AF를 특성화하는 방법을 검사할 수 있다. 본원에 설명된 바와 같이, "RRV"는 ECG 파의 QRS 복합파의 피크에 대응하는 연속적인 "R"점들 사이의 간격의 변화를 말한다. 시뮬레이션된 심전도 데이터 및 시뮬레이션된 심전도 데이터의 상이한 부분들에 대한 부정맥 가능성의 기계 학습 시스템(150)에 의한 결정을 사용함으로써, 컴퓨팅 시스템(24)은 기계 학습 시스템(150)의 동작을 설명할 수 있다. 정상굴리듬(Normal Sinus Rhythm; NSR), 서맥성 부정맥 및 AF에 특정한 예들이 본원에 설명되어 있지만, 본 개시의 기술들은 다른 유형의 부정맥에도 사용될 수 있다.

일 예에서, 컴퓨팅 시스템(24)은 다음과 같은 특성들을 갖는 파형 데이터세트를 수신한다:

ㆍ분당 40비트 (BPM) 내지 120BPM 사이의 평균 심박수(HR);

ㆍ0.01초 내지 0.5초 범위의 파형에 대한 RRV; 및

ㆍP파가 있는 및 P파가 없는 QRS 복합파.

다시 말해, 컴퓨팅 시스템(24)은 이러한 시뮬레이션된 심전도 데이터의 특성들에 기초하여 기계 학습 시스템(150)의 분석을 "설명"하며, 이는 해당 분야의 전문가가 더 이해할 수 있고 "실제" 중요성을 가질 수 있다.

일부 예들에서, 컴퓨팅 시스템(24)은 평균 심박수 데이터, RRV 데이터, 또는 이러한 데이터를 이용할 수 없는 QRS 복합파의 적어도 일부에 대해 시뮬레이션된 데이터를 사용할 수 있다. 예를 들어, 환자(4)는 (예를 들어, 50 미만 BPM과 같이) 모델을 설명하는 데 필요한 파라미터들의 전체 범위를 나타내지 않을 수 있다. 이러한 시뮬레이션된 데이터의 사용은 컴퓨팅 시스템(24)이 얻기 어렵거나 실행 불가능한 환자(4)로부터의 극단적 사례 데이터를 요구하지 않고 기계 학습 시스템(150)의 분석을 설명하도록 할 수 있다. 일부 예들에서, 컴퓨팅 시스템(24)은 이러한 데이터가 이용 가능한 환자(4)에 대한 실제 데이터를 사용할 수 있다.

도 8의 예는 3개의 예시적인 파형들(802, 804, 806)을 도시한다. 파형(802)는 평균 심박수가 90BPM이고 RR 변동이 0.01초인 파형이다. 파형(804)은 평균 심박수가 90BPM이고 RR 변동이 0.01초인 파형이다. 파형(806)은 평균 심박수가 90BPM이고 RR 변동이 0.5초이고 P파인 파형이다. 일부 예들에서, 파형들(802, 804, 806) 중 하나 이상의 파형들의 적어도 일부는 시뮬레이션된 데이터로부터 획득될 수 있다.

기계 학습 시스템(150)은 각각의 파형들(802, 804, 806)을 처리하고 [0,1] 범위의 부정맥 발생이 추출되는 가능성을 출력한다. 0에 가까우면 파형에서 부정맥 증상이 발생할 가능성이 거의 없음을 나타내고, 1에 가까우면 파형에서 부정맥 증상이 발생할 가능성이 매우 높음을 나타낸다. 컴퓨팅 시스템(24)은 이러한 정보를 사용하여 예를 들어, 기계 학습 시스템(150)이 어떤 심박수에서 특정 유형(예를 들어, AF)의 부정맥 증상을 검출하는지, 기계 학습 시스템(150)이 어떤 RRV에서 특정 유형(예를 들어, AF)의 부정맥 증상을 검출하는 지, 또는 기계 학습 시스템(150)이 어떤 P파 레벨에서 특정 유형(예를 들어, AF)의 부정맥 증상을 검출하는지를 설명할 수 있다.

도 9a 내지 9c는 본 개시의 기술들에 따른 부정맥 증상 검출 시 도면의 기계 학습 모델(150)의 동작을 시각화하는 기술들을 예시하는 그래프들이다. 일부 예들에서, 도 9a 내지 도 9c는 도 8의 예시적인 파형들(802, 804 및 806)의 기계 학습 시스템(150)에 의한 분석의 컴퓨팅 시스템(24)에 의한 설명을 예시한다. 도 8의 시뮬레이션된 심전도 데이터에 대한 기계 학습 시스템(150)의 출력을 제시함으로써, 컴퓨팅 시스템(24)은 시뮬레이션된 심전도 데이터의 상이한 특성들과 관련하여 기계 학습 시스템(150)의 동작을 설명할 수 있다.

도 9a는 기계 학습 시스템(150)이 환자(4)에서 정상굴리듬(NSR)을 예측할 가능성의 예시적인 그래픽 예시(900)를 도시한다. 예를 들어, 도 9b는 기계 학습 시스템(150)이 평균 심박수의 함수로서 NSR을 검출할 가능성을 도시한다. 도 9a의 y축은 NSR이 존재하는 기계 학습 시스템(150)에 의해 결정된 가능성을 0% 내지 100%의 스케일로 도시한다. 도 9a의 색상은 y축의 값에(예를 들어, NSR이 존재할 가능성이 높은 것에 대응하는 황색 및 NSR이 존재할 가능성이 낮은 것에 대응하는 청색으로) 대응할 수 있다. 도 9a의 x축은 분당 비트 수(BPM)의 심박수를 도시하고, 도 9a의 z축은 초 단위의 RRV를 도시한다. 도 9a에 예시된 바와 같이, 기계 학습 시스템(150)은 심전도가 0.1 미만의 RRV 및 65 내지 85 BPM 사이의 심박수를 갖는 NSR을 검출한다. 임상의는 이러한 정보를 사용하여 환자(4)의 정상굴리듬이 어떻게 주석 처리되는지를 특성화할 수 있다. 예를 들어, 도 9a에 설명된 기계 학습 모델은 65 내지 85 BPM 사이의 심박수를 NSR로 간주하는 특정 클리닉의 데이터로 개발되었다.

도 9b는 기계 학습 시스템(150)이 서맥을 검출할 가능성의 예시적인 그래픽 예시(910)를 도시한다. 예를 들어, 도 9b는 기계 학습 시스템(150)이 평균 심박수의 함수로서 서맥을 검출할 가능성을 도시한다. 도 9b의 y축은 서맥이 존재하는 기계 학습 시스템(150)에 의해 결정된 가능성을 0% 내지 100%의 스케일로 도시한다. 도 9b의 색상은 y축의 값에(예를 들어, 서맥이 존재할 가능성이 높은 것에 대응하는 황색 및 서맥이 존재할 가능성이 낮은 것에 대응하는 청색으로) 대응할 수 있다. 도 9b의 x축은 분당 비트 수(BPM)의 심박수를 도시하고, 도 9b의 z축은 초 단위의 RRV를 도시한다. 도 9b에 예시된 바와 같이, 기계 학습 시스템(150)은 심전도가 0.1 미만의 RRV 및 45 내지 55 BPM 사이의 심박수를 갖는 부비동 서맥을 검출한다. 임상의는 이러한 정보를 사용하여 환자(4)의 서맥 증상이 어떻게 주석 처리되는지를 특성화할 수 있다. 예를 들어, 도 9b에 설명된 기계 학습 모델은 45 내지 55 BPM 사이의 심박수를 부비동 서맥으로 간주하는 특정 클리닉의 데이터로 개발되었다.

도 9c는 기계 학습 시스템(150)이 심방 세동(AF)을 검출할 가능성의 예시적인 그래픽 예시(920)를 도시한다. 도 9c의 예는 기계 학습 시스템(150)이 평균 심박수, RR 변동 및 P파의 함수인 AF를 검출할 가능성을 도시한다. 도 9c의 y축은 AF가 존재하는 기계 학습 시스템(150)에 의해 결정된 가능성을 0% 내지 100%의 스케일로 도시한다. 도 9c의 색상은 y축의 값에(예를 들어, AF가 존재할 가능성이 높은 것에 대응하는 황색 및 AF가 존재할 가능성이 낮은 것에 대응하는 청색으로) 대응할 수 있다. 도 9c의 x축은 분당 비트 수(BPM)의 심박수를 도시하고, 도 9c의 z축은 초 단위의 RRV를 도시한다. 또한, 도 9c는 다음과 같은 두 개의 시나리오들을 도시한다: P파가 존재할 경우(924) 및 P파가 부재할 경우(922). 도 9c에 예시된 바와 같이, 기계 학습 시스템(150)은 심전도가 0.2보다 큰 RRV, 75 BPM보다 큰 심박수를 가지며 p파가 없는 AF를 검출한다. p파의 존재 시, 기계 학습 시스템(150)은 AF를 검출하지 않는다. 도 9c에 도시되지는 않았지만, 기계 학습 시스템(150)은 p파의 존재 시 PAC의 증상을 더 자주 검출할 수 있다. 임상의는 이러한 정보를 사용하여 환자(4)의 AF 증상이 어떻게 주석 처리되는지를 특성화할 수 있다. 예를 들어, 도 9c 설명된 기계 학습 모델은 75 BPM 보다 심박수와 0.2보다 큰 RRV를 AF로 간주하는 특정 클리닉의 데이터로 개발되었다.

도 9a 내지 9c에 의해 도시된 예시적인 시각화 기술들은 다른 딥 러닝 시각화 기술들을 포함하여 확장될 수 있다. 예를 들어, 본 개시의 기술들은 딥 네트워크 피쳐들을 시각화하거나 신경 스타일 전달을 시각화하기 위한 딥 러닝 기술들에 쉽게 적응될 수 있다. 또한, 본 개시용의 기술들은 심실 세동 또는 AV 차단과 같이, 도 9a 내지 9c에 명시적으로 도시되지 않은 다른 유형의 심장 부정맥을 시각화하도록 적응될 수 있다.

도 10a 내지 10d는 본 개시의 기술들에 따른 컴퓨팅 장치에 의해 환자(4)의 심전도 데이터(1010)를 시각화하는 예시적인 디스플레이들(1001 내지 1004)를 묘사하는 예시들이다. 심전도 데이터(1010)는 예를 들어 위에서 설명된 바와 같이 IMD(10)에 의해 감지될 수 있다. 디스플레이(1000)는 예를 들어, 컴퓨팅 시스템(24)에 의해 또는 외부 장치(12)에 의해 제시될 수 있다. 도 10a는 IMD(10)에 의해 감지된 환자(4)의 심전도 데이터(1010)를 제시하는 디스플레이(1001)를 도시한다.

도 10b는 컴퓨팅 시스템(24)이 환자(4)에게 부정맥 증상이 발생했다고 결정하는 동안 기본적인 심장 정보, 예를 들어 심전도 데이터(1010)의 ECG 세그먼트(1020)를 제시하는 디스플레이(1002)를 도시한다. 일부 예들에서, ECG 세그먼트(1020)는 컴퓨팅 시스템(24)이 환자(4)에서 심방세동 증상을 나타낼 가능성이 가장 높은 것으로 결정한 심전도 데이터(1010)의 세그먼트이다. 도 10b의 예시적인 표현은 사용자가 컴퓨팅 시스템(24)에 의한 부정맥 증상의 결정에 관한 포괄적인 정보를 필요로 하지 않는 기본 사용자인 경우에 사용될 수 있다.

도 10c는 고급 심장 정보를 제시하는 디스플레이(1003)를 도시한다. 예를 들어, 디스플레이(1003)는 심전도 데이터(1010)를 포함하며, 심전도 데이터(1010)의 복수의 세그먼트에 대해, 하나 이상의 유형의 심장 부정맥의 증상이 발생할 가능성을 추가로 묘사한다. 예를 들어, 디스플레이(1003)는 컴퓨팅 시스템(24)이 환자(4)에게 심방 세동이 발생할 가능성이 높은 것으로 결정한 세그먼트들을 녹색(1012)으로 표시하고, 컴퓨팅 시스템(24)이 환자(4)에게 심방 세동이 발생했는지 여부에 대한 불확실한 결정을 내린 세그먼트들을 황색(1014)으로 표시하고, 컴퓨팅 시스템(24)이 환자(4)에게 심방 세동이 발생할 가능성이 낮은 것으로 결정한 세그먼트들을 적색(1016)으로 표시한다. 또한, 디스플레이(1003)는 시간 경과에 따라 환자(4)에게 심방 세동이 발생할 전체 가능성(1030)을 청색으로 도시한다.

다른 예로서, 디스플레이(1003)는 컴퓨팅 시스템(24)이 환자(4)에게 PVC가 발생할 가능성이 높은 것으로 결정한 세그먼트들을 녹색으로 표시하고(도 10c에서는 증상 없음), 컴퓨팅 시스템(24)이 환자(4)에게 PVC가 발생했는지 여부에 대한 불확실한 결정을 내린 세그먼트들을 황색(1024)으로 표시하고, 컴퓨팅 시스템(24)이 환자(4)에게 PVC가 발생할 가능성이 낮은 것으로 결정한 세그먼트들을 적색(1026)으로 표시한다. 또한, 디스플레이(1003)는 시간이 지남에 따라 마젠타 색으로 환자(4)에게 PVC가 발생했을 전체 가능성(1040)을 도시한다.

도 10d는 고급 심장 정보를 제시하는 디스플레이(1004)를 도시한다. 예를 들어, 디스플레이(1004)는 도 10c의 디스플레이(1003)와 실질적으로 유사한 정보를 도시한다. 또한, 디스플레이(1004)는 기준 ECG 신호(예를 들어, AF가 존재하지 않는 경우)를 도시하는 기준 심전도 데이터(1054) 및 AF의 증상 동안 ECG 신호를 도시하는 기준 심전도 데이터(1052)를 추가로 도시한다. 더구나, 디스플레이(1004)는 심전도 데이터(1010)의 지속 기간 동안 환자(4)의 RR 간격을 디스플레이하는 RR 간격 다이어그램(1050)을 포함한다. RR 간격 다이어그램(1050)은 AF가 존재하는 동안(예를 들어, 시간(t0)에서 약 시간(t100)까지) 패턴화되지 않은 높은 RR 변동 및 AF가 없는 동안(예를 들어, 시간(t150)에서 시간(t250)까지) 패턴화된 비트를 보여준다. 도 10c 또는 10d의 예시적인 표현들은 사용자가 컴퓨팅 시스템(24)에 의한 부정맥 증상의 결정에 관한 포괄적인 정보를 원하는 고급 기본 사용자인 경우에 사용될 수 있다.

도 11a 내지 11c는 본 개시의 기술들에 따른 컴퓨팅 장치에 의해 환자(4)의 심전도 데이터(1110)를 시각화하는 예시적인 디스플레이들(1101 내지 1103)를 묘사하는 예시들이다. 심전도 데이터(1110)는 예를 들어 위에서 설명된 바와 같이 IMD(10)에 의해 감지될 수 있다. 디스플레이(1100)는 예를 들어, 컴퓨팅 시스템(24)에 의해 또는 외부 장치(12)에 의해 제시될 수 있다. 도 11a는 IMD(10)에 의해 감지된 환자(4)의 심전도 데이터(1110)를 제시하는 디스플레이(1101)를 도시한다

도 11b는 컴퓨팅 시스템(24)이 환자(4)에게 부정맥 증상이 발생했다고 결정하는 동안 기본적인 심장 정보, 예를 들어 심전도 데이터(1110)의 ECG 세그먼트(1120)를 제시하는 디스플레이(1102)를 도시한다. 일부 예들에서, ECG 세그먼트(1120)는 컴퓨팅 시스템(24)이 환자(4)에서 PVC 증상을 나타낼 가능성이 가장 높은 것으로 결정한 심전도 데이터(1110)의 세그먼트이다. 도 11b의 예시적인 표현은 사용자가 컴퓨팅 시스템(24)에 의한 부정맥 증상의 결정에 관한 포괄적인 정보를 필요로 하지 않는 기본 사용자인 경우에 사용될 수 있다.

도 11c는 고급 심장 정보를 제시하는 디스플레이(1103)를 도시한다. 예를 들어, 디스플레이(1103)는 심전도 데이터(1110)를 포함하며, 심전도 데이터(1110)의 복수의 세그먼트에 대해, 하나 이상의 유형의 심장 부정맥의 증상이 발생할 가능성을 추가로 묘사한다. 예를 들어, 디스플레이(1103)는 컴퓨팅 시스템(24)이 환자(4)에게 심방 세동이 발생할 가능성이 높은 것으로 결정한 세그먼트들을 녹색(도 11c에 나타나지 않음)으로 표시하고, 컴퓨팅 시스템(24)이 환자(4)에게 심방 세동이 발생했는지 여부에 대한 불확실한 결정을 내린 세그먼트들을 황색(도 11c에 나타나지 않음)으로 표시하고, 컴퓨팅 시스템(24)이 환자(4)에게 심방 세동이 발생할 가능성이 낮은 것으로 결정한 세그먼트들을 적색(1116)으로 표시한다. 또한, 디스플레이(1103)는 시간 경과에 따라 환자(4)에게 심방 세동이 발생할 전체 가능성(1130)을 청색으로 도시한다.

다른 예로서, 디스플레이(1103)는 컴퓨팅 시스템(24)이 환자(4)에게 PVC가 발생할 가능성이 높은 것으로 결정한 세그먼트들을 녹색(1122)으로 표시하고, 컴퓨팅 시스템(24)이 환자(4)에게 PVC가 발생했는지 여부에 대한 불확실한 결정을 내린 세그먼트들을 황색(도 11c에 나타나지 않음)으로 표시하고, 컴퓨팅 시스템(24)이 환자(4)에게 PVC가 발생할 가능성이 낮은 것으로 결정한 세그먼트들을 적색(1126)으로 표시한다. 또한, 디스플레이(1103)는 시간이 지남에 따라 환자(4)에게 PVC가 발생했을 전체 가능성(1040)을 마젠타 색으로 도시한다.

다음의 실예들은 본 개시의 하나 이상의 측면들을 예시할 수 있다.

예 1. 방법은, 처리 회로부 및 저장 매체를 포함하는 컴퓨팅 장치에 의해, 의료 장치에 의해 감지된 심전도 데이터를 수신하는 단계; 컴퓨팅 장치에 의해, 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 모델을 수신된 심전도 데이터에 적용하여, 기계 학습 모델을 기반으로, 부정맥 증상이 환자에게 발생했다고 결정하고; 부정맥의 증상이 환자에게 발행했다는 결정의 신뢰도를 결정하는 단계; 부정맥 증상이 환자에게 발생했다는 신뢰도가 미리 결정된 임계값보다 크다고 결정하는 단계; 및 신뢰도가 미리 결정된 임계값보다 크다고 결정하는 것에 응답하여, 컴퓨팅 장치에 의해 사용자에게 디스플레이하기 위해, 심전도 데이터의 적어도 일부, 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시를 출력하는 단계를 포함한다.

예 2. 예 1의 방법에 있어서, 심전도 데이터의 적어도 일부는 심전도(ECG) 파형을 포함한다.

예 3. 예 2의 방법에 있어서, 부정맥 증상이 환자에게 발생했다는 제1 표시는 ECG 파형에 대한 주석을 포함한다.

예 4. 예 1 내지 3 중 어느 한 예의 방법에 있어서, 제2 표시는 색상, 이미지, 빛, 소리 또는 텍스트 통지 중 하나 이상을 포함한다.

예 5. 예 1 내지 4 중 어느 한 예의 방법에 있어서, 상기 방법은 사용자로부터, 부정맥 유형의 선택을 수신하는 단계를 더 포함하며, 기계 학습 모델을 수신된 심전도 데이터에 적용하여 부정맥 증상이 환자에게 발행했다고 결정하는 것은 기계 학습 모델을 수신된 심전도 데이터에 적용하여 선택된 부정맥 유형의 부정맥 증상이 환자에게 발생했다고 결정하는 것을 포함하고, 심전도 데이터의 적어도 일부, 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시를 출력하는 것은 심전도 데이터의 적어도 일부, 선택된 부정맥 유형의 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 선택된 부정맥 유형의 부정맥 증상이 환자에게 발생했다는 신뢰도의 제1 표시를 출력하는 것을 포함한다.

예 6. 예 1 내지 5 중 어느 한 예의 방법에 있어서, 상기 방법은 컴퓨팅 장치에 의해, 사용자가 기본 사용자라고 결정하는 단계를 더 포함하며, 심전도 데이터의 적어도 일부, 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시를 출력하는 것은 사용자가 기본 사용자라고 결정하는 것에 응답하여, 부정맥 증상이 환자에게 발생했다는 제2 표시, 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시, 및 환자의 심전도(ECG) 파형; 부정맥 증상을 나타내는 제1 ECG 파형의 제1 표현; 및 정상적인 심장 거동을 나타내는 제2 ECG 파형의 제2 표현을 중 하나 이상을 출력하는 것을 포함한다.

예 7. 예 1 내지 5 중 어느 한 예의 방법에 있어서, 상기 방법은 컴퓨팅 장치에 의해, 사용자가 고급 사용자라고 결정하는 단계를 더 포함하며, 심전도 데이터의 적어도 일부, 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시를 출력하는 것은, 사용자가 고급 사용자라고 결정하는 것에 응답하여, 부정맥 증상이 환자에게 발생했다는 제1 표시, 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시, 및 환자의 심전도(ECG) 파형; 부정맥 증상 동안 환자의 평균 R-R 간격; 부정맥 증상 동안 환자의 R-R 변동; 환자의 베이스라인 R-R 간격; 부정맥 증상 동안 환자의 P파; 환자의 베이스라인 P파; 및 환자의 모폴러지 변동 중 하나 이상을 출력하는 것을 포함한다.

예 8. 예 1 내지 7 중 어느 한 예의 방법에 있어서, 환자의 부정맥 증상은 서맥, 빈맥, 심방 세동, 심실 세동 또는 AV 차단 중 적어도 하나이다.

예 9. 예 1 내지 8 중 어느 한 예의 방법에 있어서, 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 모델은 복수의 심전도(ECG) 파형들을 사용하여 훈련된 기계 학습 모델을 포함하며, 각 ECG 파형은 복수의 환자들 중 한 환자의 하나 이상의 부정맥 증상들로 표기된다.

예 10. 예 1 내지 9 중 어느 한 예의 방법에 있어서, 기계 학습 모델을 수신된 심전도 데이터에 적용하는 단계는 기계 학습 모델을 환자의 심전도(ECG) 데이터; 환자의 부정맥과 관련된 특성들; 환자의 부정맥 유형; 삽입형 의료 장치의 활동성 레벨; 삽입형 의료 장치의 입력 임피던스; 또는 삽입형 의료 장치의 배터리 레벨 중 적어도 하나에 적용하는 단계를 포함한다.

예 11. 예 1 내지 10 중 어느 한 예의 방법에 있어서, 심전도 데이터의 적어도 일부를 출력하는 단계는, 환자의 심전도(ECG)의 서브섹션을 식별하는 단계로서, 서브섹션은 부정맥 증상 이전의 제1 시간 기간, 부정맥 증상 동안의 제2 시간 기간, 및 부정맥 증상 이후의 제3 시간 기간 동안의 ECG 데이터를 포함하며, 환자의 ECG의 시간 길이는 제1, 제2 및 제3 시간 기간보다 긴, 상기 식별하는 단계; 및 ECG 서브섹션을 출력하는 단계를 포함한다.

예 12. 예 1 내지 11 중 어느 한 예의 방법에 있어서, 미리 결정된 임계값은 제1 임계값이고, 상기 방법은 부정맥 증상이 환자에게 발생했다는 결정의 신뢰도가 제2 미리 결정된 임계값보다 큰지 여부를 결정하는 단계로서, 제2 미리 결정된 임계값은 제1 미리 결정된 임계값보다 큰, 상기 결정하는 단계를 더 포함하며, 신뢰도가 미리 결정된 임계값보다 크다고 결정하는 것에 응답하여, 심정도 데이터의 적어도 일부, 제1 표시 및 제2 표시를 출력하는 단계는, 신뢰도가 제1 미리 결정된 임계값보다 크지만 제2 미리 결정된 임계값보다 크지 않다고 결정하는 것에 응답하여, 심전도 데이터의 적어도 일부, 제1 표시 및 부정맥 증상이 환자에게 발생했다는 중간 수준의 신뢰도의 표시를 출력하는 단계; 신뢰도가 제1 미리 결정된 임계값보다 크고 제2 미리 결정된 임계값보다 크다고 결정하는 것에 응답하여, 심전도 데이터의 적어도 일부, 제1 표시 및 부정맥 증상이 환자에게 발생했다는 높은 수준의 신뢰도의 표시를 출력하는 단계를 포함한다.

예 13. 방법은, 처리 회로부 및 저장 매체를 포함하는 컴퓨팅 장치에 의해, 의료 장치에 의해 감지된 심전도 데이터를 수신하는 단계; 사용자로부터, 부정맥 유형의 선택을 수신하는 단계; 컴퓨팅 장치에 의해, 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 모델을 수신된 심전도 데이터에 적용하여, 기계 학습 모델을 기반으로, 선택된 유형의 부정맥 증상이 환자에게 발생했다고 결정하고; 선택된 유형의 부정맥 증상이 환자에게 발생했다는 결정의 신뢰도를 결정하는 단계; 및 컴퓨팅 장치에 의해 사용자에게 디스플레이 하기 위해, 심전도 데이터의 적어도 일부, 선택된 유형의 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 선택된 유형의 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시를 출력하는 단계를 포함한다.

예 14. 예 13의 방법에 있어서, 심전도 데이터의 적어도 일부는 심전도(ECG) 파형을 포함한다.

예 15. 예 14의 방법에 있어서, 부정맥 증상이 환자에게 발생했다는 제1 표시는 ECG 파형에 대한 주석을 포함한다.

예 16. 예 13 내지 15 중 어느 한 예의 방법에 있어서, 제2 표시는 색상, 이미지, 빛, 소리 또는 텍스트 통지 중 하나 이상을 포함한다.

예 17. 예 13 내지 16 중 어느 한 예의 방법에 있어서, 상기 방법은 컴퓨팅 장치에 의해, 사용자가 기본 사용자라고 결정하는 단계를 더 포함하며, 심전도 데이터의 적어도 일부, 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시를 출력하는 것은 사용자가 기본 사용자라고 결정하는 것에 응답하여, 부정맥 증상이 환자에게 발생했다는 제2 표시, 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시, 및 환자의 심전도(ECG) 파형; 부정맥 증상을 나타내는 제1 ECG 파형의 제1 표현; 및 정상적인 심장 거동을 나타내는 제2 ECG 파형의 제2 표현을 중 하나 이상을 출력하는 것을 포함한다.

예 18. 예 13 내지 16 중 어느 한 예의 방법에 있어서, 상기 방법은 컴퓨팅 장치에 의해, 사용자가 고급 사용자라고 결정하는 단계를 더 포함하며, 심전도 데이터의 적어도 일부, 부정맥 증상이 환자에게 발생했다는 제1 표시, 및 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시를 출력하는 것은, 사용자가 고급 사용자라고 결정하는 것에 응답하여, 부정맥 증상이 환자에게 발생했다는 제1 표시, 부정맥 증상이 환자에게 발생했다는 신뢰도의 제2 표시, 및 환자의 심전도(ECG) 파형; 부정맥 증상 동안 환자의 평균 R-R 간격; 부정맥 증상 동안 환자의 R-R 변동; 환자의 베이스라인 R-R 간격; 부정맥 증상 동안 환자의 P파; 환자의 베이스라인 P파; 및 환자의 모폴러지 변동 중 하나 이상을 출력하는 것을 포함한다.

예 19. 예 13 내지 18 중 어느 한 예의 방법에 있어서, 환자의 부정맥 증상은 서맥, 빈맥, 심방 세동, 심실 세동 또는 AV 차단 중 적어도 하나이다.

예 20. 예 13 내지 19 중 어느 한 예의 방법에 있어서, 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 모델은 복수의 심전도(ECG) 파형들을 사용하여 훈련된 기계 학습 모델을 포함하며, 각 ECG 파형은 복수의 환자들 중 한 환자의 하나 이상의 부정맥 증상들로 표기된다.

예 21. 예 13 내지 20 중 어느 한 예의 방법에 있어서, 기계 학습 모델을 수신된 심전도 데이터에 적용하는 단계는 기계 학습 모델을 환자의 심전도(ECG) 데이터; 환자의 부정맥과 관련된 특성들; 환자의 부정맥 유형; 삽입형 의료 장치의 활동성 레벨; 삽입형 의료 장치의 입력 임피던스; 또는 삽입형 의료 장치의 배터리 레벨 중 적어도 하나에 적용하는 단계를 포함한다.

예 22. 예 1 내지 21 중 어느 한 예의 방법에 있어서, 심전도 데이터의 적어도 일부를 출력하는 단계는, 환자의 심전도(ECG)의 서브섹션을 식별하는 단계로서, 서브섹션은 부정맥 증상 이전의 제1 시간 기간, 부정맥 증상 동안의 제2 시간 기간, 및 부정맥 증상 이후의 제3 시간 기간 동안의 ECG 데이터를 포함하며, 환자의 ECG의 시간 길이는 제1, 제2 및 제3 시간 기간보다 긴, 상기 식별하는 단계; 및 ECG 서브섹션을 출력하는 단계를 포함한다.

일부 예들에서, 본 개시의 기술들은 본원에 설명된 임의의 방법을 수행하기 위한 수단들을 포함하는 시스템을 포함한다. 일부 예들에서, 본 개시의 기술들은 처리 회로부가 본원에 설명된 임의의 방법을 수행하도록 하는 인스트럭션들을 포함하는 컴퓨터 판독 가능 매체를 포함한다.

본원에 개시된 다양한 양태들은 상세한 설명 및 첨부 도면들에 구체적으로 제시된 조합들과 상이한 조합들로 조합될 수 있음을 이해해야 한다. 또한 예에 따라, 본원에 설명된 프로세스들 또는 방법들 중 임의의 것의 특정 동작들 또는 이벤트들이 다른 순서로 수행될 수 있으며, 추가, 병합 또는 완전히 생략될 수 있음(예를 들어, 설명된 모든 동작들 또는 이벤트들이 기술들을 수행하는 데가 필요하지 않을 수 있음)을 이해해야 한다. 추가로, 본 개시의 특정 양태들은 명료함을 위해 단일 모듈, 유닛 또는 회로에 의해 수행되는 것으로 설명되어 있지만, 본 개시의 기술둘은 예를 들어, 의료 장치와 관련된 유닛, 모듈 또는 회로부의 조합에 의해 수행될 수 있음을 이해해야 한다.

하나 이상의 예들에서, 설명된 기술들은 하드웨어, 소프트웨어, 펌웨어 또는 이들의 임의의 조합으로 구현될 수 있다. 소프트웨어로 구현되는 경우, 기능들은 컴퓨터 판독 가능 매체에 하나 이상의 인스트럭션들 또는 코드로 저장되며 하드웨어 기반 처리 장치에 의해 실행될 수 있다. 컴퓨터 판독 가능 매체는 데이터 저장 매체(예를 들어, RAM, ROM, EEPROM, 플래시 메모리, 또는 원하는 프로그램 코드를 컴퓨터에 의해 액세스될 수 있는 인스트럭션들 또는 데이터 구조들의 형태로 저장하는 데 사용될 수 있는 임의의 기타 매체)와 같은 유형 매체에 해당하는 비일시적 컴퓨터 판독 가능 매체를 포함할 수 있다.

인스트럭션들은 하나 이상의 디지털 신호 프로세서들(DSP들), 범용 마이크로프로세서들, 주문형 집적 회로들(ASIC들), 필드 프로그램 가능 논리 어레이들(FPGA들) 또는 기타 동등한 집적 또는 이산 로직 회로부와 같은, 하나 이상의 프로세서들에 의해 실행될 수 있다. 따라서, 본원에 사용된 "프로세서" 또는 "처리 회로부"라는 용어는 전술한 구조 중 임의의 것 또는 설명된 기술들의 구현에 적합한 임의의 다른 물리적 구조를 지칭할 수 있다. 또한, 기술들은 하나 이상의 회로들 또는 로직 요소들에서 완전히 구현될 수 있다.

Claims

컴퓨팅 장치에 있어서,
저장 매체; 및
상기 저장 매체에 동작 가능하게 결합되고,
의료 장치에 의해 감지된 심전도 데이터를 수신하고;
복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 모델을 상기 수신된 심전도 데이터에 적용하여,
상기 기계 학습 모델을 기반으로, 부정맥 증상이 상기 환자에게 발생했다고 결정하고;
상기 부정맥 증상이 상기 환자에게 발생했다는 상기 결정의 신뢰도를 결정하고;
상기 부정맥 증상이 상기 환자에게 발생했다는 상기 결정의 상기 신뢰도가 미리 결정된 임계값보다 크다고 결정하고;
상기 신뢰도가 상기 미리 결정된 임계값보다 크다고 결정하는 것에 응답하여, 사용자에게 디스플레이하기 위해, 상기 심전도 데이터의 적어도 일부, 상기 부정맥 증상이 상기 환자에게 발생했다는 제1 표시, 및 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 신뢰도의 제2 표시를 출력하도록 구성된 처리 회로부를 포함하는, 컴퓨팅 장치.
청구항 1에 있어서,
상기 심전도 데이터의 상기 적어도 일부는 심전도(ECG) 파형을 포함하고,
상기 부정맥 증상이 상기 환자에게 발생했다는 상기 제1 표시는 상기 ECG 파형에 대한 주석을 포함하는, 컴퓨팅 장치.
청구항 1 내지 2 중 어느 한 항에 있어서, 상기 제2 표시는 색상, 이미지, 빛, 소리 또는 텍스트 통지 중 하나 이상을 포함하는, 컴퓨팅 장치.
청구항 1 내지 3 중 어느 한 항에 있어서,
상기 처리 회로부는 상기 사용자로부터, 부정맥 유형의 선택을 수신하도록 더 구성되고,
상기 기계 학습 모델을 상기 수신된 심정도 데이터에 적용하여 부정맥 증상이 상기 환자에게 발생했다고 결정하기 위해, 상기 처리 회로부는 상기 기계 학습 모델을 상기 수신된 심전도 데이터에 적용하여 상기 선택된 부정맥 유형의 부정맥 증상이 상기 환자에게 발생했다고 결정하도록 구성되고,
상기 심전도 데이터의 상기 적어도 일부, 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 제1 표시, 및 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 신뢰도의 상기 제2 표시를 출력하기 위해, 상기 처리 회로부는 상기 심전도 데이터의 상기 적어도 일부, 상기 선택된 부정맥 유형의 상기 부정맥 증상이 상기 환자에게 발생했다는 제1 표시, 및 상기 선택된 부정맥 유형의 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 신뢰도의 상기 제2 표시를 출력하도록 구성되는, 컴퓨팅 장치.
청구항 1 내지 4 중 어느 한 항에 있어서,
상기 처리 회로부는 상기 사용자가 기본 사용자라고 결정하도록 구성되고,
상기 심전도 데이터의 상기 적어도 일부, 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 제1 표시, 및 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 신뢰도의 상기 제2 표시를 출력하기 위해, 상기 처리 회로부는, 상기 사용자가 기본 사용자라고 결정하는 것에 응답하여, 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 제1 표시, 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 신뢰도의 상기 제2 표시, 및
상기 환자의 심전도(ECG) 파형;
부정맥 증상을 나타내는 제1 ECG 파형의 제1 표현; 및
정상적인 심장 거동을 나타내는 제2 ECG 파형의 제2 표현 중 하나 이상을 출력하도록 구성되는, 컴퓨팅 장치.
청구항 1 내지 5 중 어느 한 항에 있어서,
상기 처리 회로부는 상기 사용자가 고급 사용자라고 결정하도록 구성되고,
상기 심전도 데이터의 상기 적어도 일부, 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 제1 표시, 및 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 신뢰도의 상기 제2 표시를 출력하기 위해, 상기 처리 회로부는, 상기 사용자가 고급 사용자라고 결정하는 것에 응답하여, 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 제1 표시, 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 신뢰도의 상기 제2 표시, 및
상기 환자의 심전도(ECG) 파형;
상기 부정맥 증상의 시작 시간;
상기 부정맥 증상의 중지 시간;
상기 부정맥 증상 동안 상기 환자의 평균 R-R 간격;
상기 부정맥 증상 동안 상기 환자의 R-R 변동;
상기 환자의 베이스라인 R-R 간격;
상기 부정맥 증상 동안 상기 환자의 P파;
상기 환자의 베이스라인 P파; 및
상기 환자의 모폴러지 변동 중 하나 이상을 출력하도록 구성되는, 컴퓨팅 장치.
청구항 1 내지 6 중 어느 한 항에 있어서, 상기 환자의 상기 부정맥 증상은 서맥, 빈맥, 심방 세동, 심실 세동 또는 AV 차단 중 적어도 하나인, 컴퓨팅 장치.
청구항 1 내지 7 중 어느 한 항에 있어서, 상기 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 상기 기계 학습 모델은 복수의 심전도(ECG) 파형들을 사용하여 훈련된 기계 학습 모델을 포함하며, 각 ECG 파형은 상기 복수의 환자들 중 한 환자의 하나 이상의 부정맥 증상들로 표기되는, 컴퓨팅 장치.
청구항 1 내지 8 중 어느 한 항에 있어서, 상기 기계 학습 모델을 상기 수신된 심전도 데이터에 적용하기 위해, 상기 처리 회로부는 상기 기계 학습 모델을,
상기 환자의 심전도(ECG) 데이터;
상기 환자의 부정맥과 관련된 특성들;
상기 환자의 부정맥 유형;
상기 삽입형 의료 장치의 활동성 레벨;
상기 삽입형 의료 장치의 입력 임피던스; 또는
상기 삽입형 의료 장치의 배터리 레벨 중 적어도 하나에 적용하도록 구성되는, 컴퓨팅 장치.
청구항 1 내지 9 중 어느 한 항에 있어서, 상기 심전도 데이터의 상기 적어도 일부를 출력하기 위해, 상기 처리 회로부는,
상기 환자의 심전도(ECG)의 서브섹션을 식별하되, 상기 서브섹션은 상기 부정맥 증상 이전의 제1 시간 기간, 상기 부정맥 증상 동안의 제2 시간 기간, 및 상기 부정맥 증상 이후의 제3 시간 기간 동안의 ECG 데이터를 포함하며, 상기 환자의 상기 ECG의 시간 길이는 상기 제1, 제2 및 제3 시간 기간들보다 길고;
상기 ECG의 상기 서브섹션을 출력하도록 구성되는, 컴퓨팅 장치.
청구항 1 내지 10 중 어느 한 항에 있어서,
상기 미리 결정된 임계값은 제1 미리 결정된 임계값이고,
상기 처리 회로부는 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 결정의 상기 신뢰도가 제2 미리 결정된 임계값보다 큰지 여부를 결정하되, 상기 제2 미리 결정된 임계값은 상기 제1 미리 결정된 임계값보다 크도록 더 구성되고,
상기 신뢰도가 상기 미리 결정된 임계값보다 크다고 결정하는 것에 응답하여, 상기 심전도 데이터의 상기 적어도 일부, 상기 제1 표시 및 상기 제2 표시를 출력하기 위해, 상기 처리 회로부는,
상기 신뢰도가 상기 제1 미리 결정된 임계값보다 크지만 상기 제2 미리 결정된 임계값보다 크지 않다고 결정하는 것에 응답하여, 상기 심전도 데이터의 상기 적어도 일부, 상기 제1 표시 및 상기 부정맥 증상이 상기 환자에게 발생했다는 중간 수준의 신뢰도의 표시를 출력하고;
상기 신뢰도가 상기 제1 미리 결정된 임계값보다 크고 상기 제2 미리 결정된 임계값보다 크다고 결정하는 것에 응답하여, 상기 심전도 데이터의 상기 적어도 일부, 상기 제1 표시 및 상기 부정맥 증상이 상기 환자에게 발생했다는 높은 수준의 신뢰도의 표시를 출력하도록 구성되는, 컴퓨팅 장치.
컴퓨팅 장치에 있어서,
처리 회로부를 포함하는 컴퓨팅 장치에 의해, 의료 장치에 의해 감지된 심전도 데이터를 수신하는 수단;
상기 컴퓨팅 장치에 의해, 복수의 환자들에 대한 심전도 데이터를 사용하여 훈련된 기계 학습 모델을 상기 수신된 심전도 데이터에 적용하여,
상기 기계 학습 모델을 기반으로, 부정맥 증상이 상기 환자에게 발생했다고 결정하고;
상기 부정맥 증상이 상기 환자에게 발생했다는 상기 결정의 신뢰도를 결정하는 수단;
상기 부정맥 증상이 상기 환자에게 발생했다는 상기 결정의 상기 신뢰도가 미리 결정된 임계값보다 크다고 결정하는 수단; 및
상기 컴퓨팅 장치에 의해 사용자에게 디스플레이하기 위해, 상기 심전도 데이터의 적어도 일부, 상기 부정맥 증상이 상기 환자에게 발생했다는 제1 표시, 및 상기 부정맥 증상이 상기 환자에게 발생했다는 상기 신뢰도의 제2 표시를 출력하는 수단을 포함하는, 컴퓨팅 장치.
청구항 1 내지 12 중 어느 한 항의 상기 컴퓨팅 장치를 포함하는 시스템.