KR20220020287A - 대동맥 내압 예측 - Google Patents

대동맥 내압 예측 Download PDF

Info

Publication number
KR20220020287A
KR20220020287A KR1020217043441A KR20217043441A KR20220020287A KR 20220020287 A KR20220020287 A KR 20220020287A KR 1020217043441 A KR1020217043441 A KR 1020217043441A KR 20217043441 A KR20217043441 A KR 20217043441A KR 20220020287 A KR20220020287 A KR 20220020287A
Authority
KR
South Korea
Prior art keywords
intra
pressure
patient
sequence
motor
Prior art date
Application number
KR1020217043441A
Other languages
English (en)
Inventor
아마드 엘 카터지
에릭 크로에커
엘리제 조르트베르그
로제 유
루이 왕
Original Assignee
아비오메드, 인크.
노스이스턴 유니버시티
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 아비오메드, 인크., 노스이스턴 유니버시티 filed Critical 아비오메드, 인크.
Publication of KR20220020287A publication Critical patent/KR20220020287A/ko

Links

Images

Classifications

    • 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
    • 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
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/10—Location thereof with respect to the patient's body
    • A61M60/122—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body
    • A61M60/165—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body implantable in, on, or around the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/172—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic
    • A61M5/1723—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body electrical or electronic using feedback of body parameters, e.g. blood-sugar, pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/10—Location thereof with respect to the patient's body
    • A61M60/122—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body
    • A61M60/126—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body implantable via, into, inside, in line, branching on, or around a blood vessel
    • A61M60/13—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body implantable via, into, inside, in line, branching on, or around a blood vessel by means of a catheter allowing explantation, e.g. catheter pumps temporarily introduced via the vascular system
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/10—Location thereof with respect to the patient's body
    • A61M60/122—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body
    • A61M60/126—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body implantable via, into, inside, in line, branching on, or around a blood vessel
    • A61M60/135—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body implantable via, into, inside, in line, branching on, or around a blood vessel inside a blood vessel, e.g. using grafting
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/10—Location thereof with respect to the patient's body
    • A61M60/122—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body
    • A61M60/126—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body implantable via, into, inside, in line, branching on, or around a blood vessel
    • A61M60/148—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body implantable via, into, inside, in line, branching on, or around a blood vessel in line with a blood vessel using resection or like techniques, e.g. permanent endovascular heart assist devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/10—Location thereof with respect to the patient's body
    • A61M60/122—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body
    • A61M60/165—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body implantable in, on, or around the heart
    • A61M60/17—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body implantable in, on, or around the heart inside a ventricle, e.g. intraventricular balloon pumps
    • A61M60/174—Implantable pumps or pumping devices, i.e. the blood being pumped inside the patient's body implantable in, on, or around the heart inside a ventricle, e.g. intraventricular balloon pumps discharging the blood to the ventricle or arterial system via a cannula internal to the ventricle or arterial system
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/20—Type thereof
    • A61M60/205—Non-positive displacement blood pumps
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/20—Type thereof
    • A61M60/205—Non-positive displacement blood pumps
    • A61M60/216—Non-positive displacement blood pumps including a rotating member acting on the blood, e.g. impeller
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/40—Details relating to driving
    • A61M60/403—Details relating to driving for non-positive displacement blood pumps
    • A61M60/422—Details relating to driving for non-positive displacement blood pumps the force acting on the blood contacting member being electromagnetic, e.g. using canned motor pumps
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/50—Details relating to control
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/50—Details relating to control
    • A61M60/508—Electronic control means, e.g. for feedback regulation
    • A61M60/515—Regulation using real-time patient data
    • A61M60/531—Regulation using real-time patient data using blood pressure data, e.g. from blood pressure sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/50—Details relating to control
    • A61M60/585—User interfaces
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/80—Constructional details other than related to driving
    • A61M60/802—Constructional details other than related to driving of non-positive displacement blood pumps
    • A61M60/827—Sealings between moving parts
    • A61M60/829—Sealings between moving parts having a purge fluid supply
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/80—Constructional details other than related to driving
    • A61M60/855—Constructional details other than related to driving of implantable pumps or pumping devices
    • A61M60/857—Implantable blood tubes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/80—Constructional details other than related to driving
    • A61M60/855—Constructional details other than related to driving of implantable pumps or pumping devices
    • A61M60/871—Energy supply devices; Converters therefor
    • A61M60/88—Percutaneous cables
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M60/00—Blood pumps; Devices for mechanical circulatory actuation; Balloon pumps for circulatory assistance
    • A61M60/80—Constructional details other than related to driving
    • A61M60/855—Constructional details other than related to driving of implantable pumps or pumping devices
    • A61M60/89—Valves
    • A61M60/894—Passive valves, i.e. valves actuated by the blood
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0445—
    • 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
    • G06N3/0454—
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring
    • A61M2205/3331—Pressure; Flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring
    • A61M2205/3365—Rotational speed
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Cardiology (AREA)
  • Hematology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Anesthesiology (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Vascular Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Urology & Nephrology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Diabetes (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Transplantation (AREA)
  • External Artificial Organs (AREA)

Abstract

본 개시내용의 양태는 판막경 미세축 심장 펌프로부터 혈역학적 지원을 받는 환자의 대동맥 내압을 예측하기 위한 시스템 및 방법을 설명한다. 일부 구현에서, 대동맥 내압 시계열은 판막경 미세축 심장 펌프의 압력 센서의 측정치로부터 유도되고, 모터 속도 시계열은 판막경 미세축 심장 펌프의 모터의 측정된 역기전력으로부터 유도된다. 또한, 일부 구현에서, 딥 러닝과 같은 머신 러닝 알고리즘이 대동맥 내압 및 모터 속도 시계열에 적용되어 환자의 대동맥 내압을 정확하게 예측할 수 있다. 일부 구현에서, 예측은 단기적이다(예를 들어, 약 5분 전).

Description

대동맥 내압 예측
관련 출원에 대한 상호 참조
본 출원은 2019년 5월 31일에 출원된 미국 가출원 번호 62/855,389의 이익을 주장하며 여기에 참조로 포함된다.
기술분야
본 기술은 판막경 미세축 심장 펌프(transvalvular micro-axial heart pump)로부터 혈역학적 지원을 받는 환자의 대동맥 내압을 예측하기 위한 시스템 및 방법에 관한 것이다.
머신 러닝은 예측을 제공하기 위해 컴퓨터 비전, 자연어 처리, 음성 인식 및 임상 의료와 같은 다양한 기술 분야에서 성공적으로 적용되어 왔다. 머신 러닝 알고리즘의 예로는 베이지안 알고리즘, 클러스터링 알고리즘, 의사 결정 트리 알고리즘, 차원 축소 알고리즘, 인스턴스 기반 알고리즘, 딥 러닝 알고리즘, 회귀 알고리즘, 정규화 알고리즘 및 규칙 기반 머신 러닝 알고리즘이 있다. 임상 의료에서, 머신 러닝 알고리즘은 사망 위험 모델링, 입원 기간 예측, 생리적 쇠퇴 감지, 표현형 분류에 사용되고 있다. 예를 들어, Harutyunyan et al., Multitask learning and benchmarking with clinical time series data, Scientific Data, doi: 10.1038/s41597-019-0103-9, 2017; Purushothama et al., Benchmarking deep learning models on large healthcare datasets, Journal of Biomedical Informatics 83, 112-134, 2018 를 참조할 수 있다. 그러나 생리학적 반응을 예측하기 위한 시스템 및 방법에 대한 필요성이 남아 있어, 의사가 질병 및 치료에 대한 환자 응답을 실시간 조기 검출하는데 도움이 될 수 있다.
지금까지 머신 러닝 알고리즘은 혈역학적 지원을 받는 환자의 대동맥 내압(예: 현재 대동맥 내압, 평균 대동맥 내압, 대동맥 내압 중앙값, 최대 대동맥 내압, 최소 대동맥 내압, 대동맥 내압의 범위, 수축기 동안의 대동맥 내압, 이완기 동안의 대동맥 내압, 등)을 예측하는 데 사용되지 않았다. 부분적으로 고주파수 대동맥 내 혈압 시계열이 현재 공개적으로 이용 가능하지 않기 때문에 환자의 대동맥 내압을 예측하는 것은 어려운 일이다. 또한 대동맥 내 혈압 시계열은 노이즈가 많고 상당히 비정상적일 수 있다. 또한, 예측 오류와 불확실성은 장기 예측에 대해 급격히 증가한다.
환자의 대동맥 내압을 예측하는 능력은 환자의 상태를 예측하는 임상의의 능력을 크게 향상시킬 것이다. 예를 들어, 급성 비대상성 심부전(ADHF)은 과도한 이환율 및 사망률과 관련된 복잡한 임상 사건이며 일반적으로 심박수의 증가와 관련된 혈압의 급격한 감소로 나타난다. ADHF의 문제는, 증상을 줄이고 임상 결과를 개선하는 효과적인 치료법이 없다는 것이다. 기존 지침 권장 사항은 대부분 전문가 의견을 기반으로 한다. 예를 들어, Givertz et al., Acute Decompensated Heart Failure: Update on New and Emerging Evidence and Directions for Future Research, Journal of Cardiac Failure, Vol. 19, No. 6, 2013 를 참조할 수 있다. 따라서 환자의 대동맥 내압 궤적을 예측할 수 있으면 의사가 환자의 ADHF 위험을 평가하고 허탈(collapse) 전에 개입하기가 더 쉬워진다. 또한, 대동맥 내압 예측은 건강이 개선됨에 따라 지원을 중단하는 환자에게 유용한 지침을 제공할 것이다.
본 개시내용의 양태는 판막경 미세축 심장 펌프로부터 혈역학적 지원을 받는 환자의 대동맥 내압을 예측하기 위한 시스템 및 방법을 설명한다. 일부 구현에서, 대동맥 내압 시계열은 판막경 미세축 심장 펌프의 압력 센서의 측정값에서 파생되고, 모터 속도 시계열은 판막경 미세축 심장 펌프의 모터의 측정된 역기전력(EMF)으로부터 파생된다. 또한, 일부 구현에서 딥 러닝과 같은 머신 러닝 알고리즘이 대동맥 내압 및 모터 속도 시계열에 적용되어 환자의 대동맥 내압을 정확하게 예측한다. 일부 구현에서, 예측은 단기적이다(예를 들어, 약 5분 전).
본 개시내용의 일 양태는 판막경 미세축 심장 펌프 및 하나 이상의 프로세서를 포함하는 시스템에 관한 것이다. 판막경 미세축 심장 펌프는 모터와 압력 센서를 포함한다. 상기 하나 이상의 프로세서는: 상기 판막경 미세축 심장 펌프가 환자의 심장에 적어도 부분적으로 위치할 때 일정 시간 동안 압력 센서에 의해 측정된 압력 값에 대응하는 대동맥 내압 측정치 세트를 획득하도록 구성되고; 상기 일정 시간 동안 모터의 회전 속도에 해당하는 모터 속도 측정치 세트를 획득하도록 구성되며; 훈련된 머신 러닝 모델을 사용하여, 대동맥 내압 세트 및 모터 속도 측정치 세트를 기반으로 환자의 대동맥 내압을 예측하도록 구성되고; 그리고 환자의 예측된 대동맥 내압을 기반으로 모터의 속도 설정을 자동으로 조정하도록 구성된다.
일부 구현예에서, 상기 하나 이상의 프로세서는 상기 일정 시간 동안 모터의 에너지 섭취량에 대응하는 전류 측정치 세트를 획득하도록 추가로 구성되고, 상기 예측은 상기 전류 측정치 세트에 추가로 기초한다.
일부 구현예에서, 상기 판막경 미세축 심장 펌프는 튜브, 모터에 의해 혈액을 튜브 내로 끌어들일 수 있는 하나 이상의 개구를 갖는 입구 영역, 및 모터에 의해 튜브로부터 혈액을 배출할 수 있는 하나 이상의 개구를 가진 출구 영역을 더 포함하고, 상기 압력 센서는 상기 출구 영역에 결합된다. 일부 구현예에서, 상기 판막경 미세축 심장 펌프는 상기 입구 영역에 결합된 추가 압력 센서를 추가로 포함하고, 상기 하나 이상의 프로세서는 상기 일정 시간 동안 상기 추가 압력 센서에 의해 측정되는 압력 값에 대응하는 좌심실 압력 측정치 세트를 획득하도록 추가로 구성되고, 상기 예측은 좌심실 압력 측정치 세트에 추가로 기초한다.
일부 구현예에서, 상기 머신 러닝 모델은 딥 러닝 모델이다. 일부 구현예에서, 상기 딥 러닝 모델은 ARIMA(Autoregressive Integrated Moving Average) 모델, DNN(Deep Neural Network) 모델, 회귀성 시퀀스-시퀀스(Recurrent Sequence to Sequence) 모델, 회귀성 시퀀스-시퀀스 위드 어텐션(Recurrent Sequence to Sequence with Attention) 모델, 변환기 모델, TCN(Temporal Convolutional Neural Network) 모델 또는 컨볼루션 신경 피라미드(Convolutional Neural Pyramid) 모델이다. 일부 구현예에서, 상기 딥 러닝 모델은 르장드르 메모리 유닛(Legendre Memory Unit: LMU)을 갖는 회귀성 시퀀스-시퀀스 모델이다.
일부 구현예에서, 상기 머신 러닝 모델은 증가 시퀀스, 감소 시퀀스 및 정지 시퀀스를 포함하는 데이터 세트에 대해 훈련되고, 각각의 시퀀스는 대동맥 내압 및 모터 속도 측정치를 포함한다. 일부 구현예에서, 시퀀스 내의 대동맥 내압 측정치가 미리 결정된 임계값보다 증가하면 시퀀스가 증가하고, 시퀀스 내의 대동맥 내압 측정치가 미리 결정된 임계값보다 감소하면 시퀀스가 감소하며, 시퀀스 내의 대동맥 내압 측정값이 미리 결정된 임계값보다 증가하거나 감소하지 않는 경우 시퀀스는 고정적이다. 일부 구현예에서, 미리 결정된 임계값은 10 mmHg 이다. 일부 구현예에서, 각각의 시퀀스는 미리 결정된 수의 대동맥압 및 모터 속도 측정치를 포함한다. 일부 구현예에서, 각각의 시퀀스는 실시간(RT) 대동맥 내압 및 모터 속도 측정치를 포함한다. 일부 구현예에서, 각각의 시퀀스는 평균 시간(AT) 대동맥 내압 및 모터 속도 측정치를 포함한다.
일부 구현예에서, 상기 머신 러닝 모델은 증가 및 감소 시퀀스만을 포함하는 데이터 세트에 대해 훈련되고, 각각의 시퀀스는 대동맥 내압 및 모터 속도 측정치를 포함한다. 일부 구현예에서, 시퀀스 내의 대동맥 내압 측정치가 미리 결정된 임계값보다 증가하면 시퀀스가 증가하고, 시퀀스 내의 대동맥 내압 측정치가 미리 결정된 임계값보다 감소하면 시퀀스가 감소한다. 일부 구현예에서, 미리 결정된 임계값은 10mmGh 이다. 일부 구현예에서, 각각의 시퀀스는 미리 결정된 수의 대동맥 압력 및 모터 속도 측정치를 포함한다. 일부 구현예에서, 각각의 시퀀스는 실시간(RT) 대동맥 내압 및 모터 속도 측정치를 포함한다. 일부 구현예에서, 각각의 시퀀스는 평균 시간(AT) 대동맥 내압 및 모터 속도 측정치를 포함한다.
일부 구현예에서, 환자의 예측된 대동맥 내압에 기초하여 모터의 속도 설정을 자동으로 조정하는 단계는, 환자의 예측된 대동맥 내압이 환자의 현재 대동맥 내압보다 미리 결정된 양 이상으로 낮을 때 모터의 속도 설정을 일시적으로 증가시키는 단계를 포함한다.
본 개시의 다른 양태는 판막경 미세축 심장 펌프; 하나 이상의 프로세서; 및 디스플레이를 포함하는 시스템에 관한 것이다. 상기 판막경 미세축 심장 펌프는 모터 및 압력 센서를 포함한다. 상기 하나 이상의 프로세서는: 상기 판막경 미세축 심장 펌프가 환자의 심장에 적어도 부분적으로 위치할 때 일정 시간 동안 압력 센서에 의해 측정된 압력 값에 대응하는 대동맥 내압 측정치 세트를 획득하도록 구성되고; 상기 일정 시간 동안 모터의 회전 속도에 해당하는 모터 속도 측정치 세트를 획득하도록 구성되며; 그리고, 훈련된 머신 러닝 모델을 사용하여, 대동맥 내압 세트 및 모터 속도 측정치 세트를 기반으로 환자의 대동맥 내압을 예측하도록 구성된다. 상기 디스플레이는 환자의 예측된 대동맥 내압을 디스플레이하도록 구성된다.
일부 구현예에서, 상기 디스플레이는 환자의 예측된 대동맥 내압을 환자의 현재 대동맥 내압 및 모터의 현재 속도 설정과 함께 동시에 디스플레이하도록 구성된다. 일부 구현예에서, 상기 디스플레이는 환자의 예측된 대동맥 내압이 환자의 현재 대동맥 내압보다 미리 결정된 양 이상으로 적은 경우 경고를 디스플레이하도록 추가로 구성된다. 일부 구현예에서, 상기 디스플레이는 그래프의 일부로서 환자의 예측된 대동맥 내압을 디스플레이하도록 구성된다.
본 개시의 또 다른 양태는 환자의 신체에 수용된 판막경 미세축 심장 펌프로 환자를 치료하는 방법에 관한 것이다. 상기 방법은: 환자의 신체에 판막경 미세축 심장 펌프를 삽입하는 단계; 상기 판막경 미세축 펌프가 환자의 심장에 적어도 부분적으로 위치할 때 일정 시간 동안 상기 판막경 미세축 심장 펌프에 위치된 압력 센서에 의해 측정된 압력 값에 대응하는 대동맥 내압 측정치 세트를 획득하는 단계; 상기 일정 시간 동안 모터의 회전 속도에 대응하는 모터 속도 측정치 세트를 획득하는 단계; 훈련된 머신 러닝 모델을 사용하여, 대동맥 내압 세트 및 모터 속도 측정치 세트에 기반하여 환자의 대동맥 내압을 예측하는 단계; 및 환자의 예측된 대동맥 내압을 기반으로 모터의 속도 설정을 자동으로 조정하는 단계를 포함한다.
일부 구현예에서, 상기 방법은 상기 일정 시간 동안 모터의 에너지 섭취량에 대응하는 전류 측정치 세트를 획득하는 단계를 더 포함하고, 상기 예측은 상기 전류 측정치 세트에 추가로 기초한다.
일부 구현예에서, 상기 판막경 미세축 심장 펌프는 튜브, 모터에 의해 튜브 내로 혈액을 끌어들일 수 있는 하나 이상의 개구를 갖는 입구 영역, 및 모터에 의해 튜브로부터 혈액을 배출할 수 있는 하나 이상의 개구를 갖는 출구 영역을 추가로 포함하고, 상기 압력 센서는 상기 출구 영역에 결합된다. 일부 구현예에서, 상기 판막경 미세축 심장 펌프는 상기 입구 영역에 결합된 추가 압력 센서를 더 포함하고, 상기 방법은 상기 일정 시간 동안 상기 추가 압력 센서에 의해 측정된 압력 값에 대응하는 좌심실 압력 측정치 세트를 획득하는 단계를 더 포함하며, 상기 예측은 좌심실 압력 측정치 세트에 추가로 기초한다.
일부 구현예에서, 상기 방법은, 예측된 대동맥 내압에 기초하여 환자에게 제공되는 약물의 양을 조절하는 단계를 더 포함한다. 일부 구현예에서, 대동맥 내압이 증가할 것으로 예상되는 경우 모터 속도를 감소시키는 단계를 더 포함한다. 일부 구현예에서, 상기 방법은, 대동맥 내압이 감소할 것으로 예상되는 경우 모터 속도를 증가시키는 단계를 더 포함한다.
도 1(a)는 판막경 미세축 심장 펌프를 도시한다.
도 1(b)는 환자의 심장 내에 위치한 도 1(a)의 판막경 미세축 심장 펌프를 도시한 것이다.
도 1(c)는 심실 지원 시스템을 예시한다.
도 2(a)는 홈 화면에 표시될 수 있는 정보를 나타낸다.
도 2(b)는 배치 화면에 표시될 수 있는 정보를 예시한다.
도 2(c)는 퍼지 화면에 표시될 수 있는 정보를 나타낸다.
도 2(d)는 주입 이력 화면에 표시될 수 있는 정보를 예시한다.
도 2(e)는 홈 화면에 표시될 수 있는 정보를 나타낸다.
도 2(f)는 배치 화면에 표시될 수 있는 정보를 나타낸다.
도 2(g)는 배치 화면에 표시될 수 있는 정보를 나타낸다.
도 2(h)는 배치 화면에 표시될 수 있는 정보를 예시한다.
도 3은 판막경 미세축 심장 펌프와 같은 복수의 의료 장치를 모니터링 및/또는 제어하기 위한 시스템을 예시한다.
도 4는 심장 주기의 등용적 이완기, 박출기, 등용적 이완기 및 충전기를 예시한다.
도 5는 대동맥 내압(AoP), 좌심실압(LVP), 차압(dP), 펌프 흐름 및 모터 전류의 규칙적인 파형과 수축기 및 확장기와의 관계를 보여준다.
도 6은 순환적 시퀀스 대 시퀀스 모델의 전체 구조를 예시한다.
도 7은 변환기 모델의 전체 구조를 나타낸다.
도 8은 시간적 컨볼루션 신경망(temporal convolutional neural network)의 전체 구조를 나타낸다.
도 9는 시간적 컨볼루션 신경 피라미드의 전체 구조를 도시한다.
도 10은 10초 25HZ(RT) 대동맥 내압, 모터 속도 및 모터 전류 시계열을 예시한다.
도 11은 20분 0.1HZ(AT) 평균 대동맥 내압 시계열을 예시한다.
도 12는 선택 모델의 평균 제곱근 오차를 예시한다.
도 13은 24시간 동안 단일 기록에 대한 실측 사실에 대한 2개의 딥 러닝 모델의 MAP 예측을 예시한다.
도 14는 증가 시퀀스, 감소 시퀀스 및 고정 시퀀스에 대한 2개의 딥 러닝 모델의 MAP 예측을 예시한다.
도 15는 선택 모델의 평균 제곱근 오차를 예시한다.
본 개시내용의 구현은 유사한 참조 번호가 유사하거나 동일한 요소를 식별하는 도면을 참조하여 상세히 설명된다. 개시된 구현은 다양한 형태로 구현될 수 있는 개시의 예일 뿐임을 이해해야 한다. 본 발명을 불필요하게 흐릴 수 있는 공지 기능 또는 구성에 대해서는 그 상세한 설명을 생략한다. 따라서, 여기에 개시된 특정한 구조적 및 기능적 세부사항은 제한하는 것으로 해석되어서는 안 되며, 단지 청구범위에 대한 기초로서 그리고 실질적으로 임의의 적절하게 상세한 구조에서 본 개시내용을 다양하게 채용하도록 당업자를 교시하기 위한 대표적인 기초로서 해석되어야 한다.
다양한 머신 러닝 모델과 통계적 방법으로 환자의 말초혈압을 예측하려는 노력이 있어 왔다. 예를 들어, Abbasi et al., Long-term Prediction of Blood Pressure Time Series Using Multiple Fuzzy Functions, 21st Iranian Conference on Biomedical Engineering, ICBME, 2014; Peng et al., Long-term Blood Pressure Prediction with Deep Recurrent Neural Networks, arXiv:1705.04524v3, 2018 을 참조할 수 있다.
다양한 머신 러닝 모델 및 통계적 방법을 사용하여 환자가 급성 저혈압 에피소드(AHE)를 경험할 가능성이 있는지 여부를 예측하기 위한 노력이 있어왔다. 예를 들어, Henriques & Rocha, Prediction of Acute Hypotensive Episodes Using Neural Network Multi-models, Computers in Cardiology 36:549552, 2009; Moody & Lehman, Predicting Acute Hypotensive Episodes: The 10th Annual PhysioNet/Computers in Cardiology Challenge, Comput. Cardiol., 36(5445351): 541-544, 2009; Johnson et al., MIMIC-III, a freely accessible critical care database, Scientific Data, DOI: 10.1038/sdata.2016.35, 2016; Hatib et al., Machine-learning Algorithm to Predict Hypotension Based on High-Fidelity Arterial Pressure Waveform Analysis, Anesthesiology, 129(4):663-674, 2018 을 참조할 수 있다.
다양한 머신 러닝 모델 및 통계적 방법으로 급성 비대상성 심부전(ADHF)을 예측하려는 노력이 있어 왔다. 예를 들어, Kenney et al., Early Detection of Heart Failure Using Electronic Health Records, Circ. Cardiovasc. Qual. Outcomes, 9:649-658, 2016; Deo & Nallamothu, Learning About Machine Learning: The Promise and Pitfalls of Big Data and the Electronic Health Record, Circ. Cardiovasc. Qual. Outcomes, 9:618-620, 2016; Passantino et al., Predicting mortality in patients with acute heart failure: Role of risk scores, World J. Cardiol., 7(12): 902911, 2015; Thorvaldsen et al., Predicting Risk in Patients Hospitalized for Acute Decompensated Heart Failure and Preserved Ejection Fraction, Circ. Heart Fail., 10:e003992, 2017 을 참조할 수 있다.
그러나, 위에 인용된 연구 중 어느 것도 혈역학적 지원을 받는 환자의 대동맥 내압을 예측하기 위한 시스템 또는 방법을 설명하지 않는다. 인용된 연구 중 일부는 환자의 말초 혈압을 예측하는 시스템 또는 방법을 설명한다. 그러나 말초혈압은 환자의 심장 기능을 간접적으로 나타내는 반면 대동맥 내압은 환자의 심장 기능을 직접적으로 나타낸다. 말초 혈압은 예를 들어 환자의 말단을 감싼 혈압 커프(예: 팔 커프 또는 손목 커프)를 사용하여 얻을 수 있는 반면, 대동맥 내압은 예를 들어 판막경 미세축 심장 펌프를 이용하여 얻을 수 있다. 결과적으로 말초혈압은 대동맥 내압보다 환자의 상태에 대한 정보가 적다.
또한, 위에서 인용된 연구에 설명된 이러한 접근 방식 중 일부는 광범위한 입력 변수를 필요로 하기 때문에 적어도 임상적 관점에서 실용적이지 않다. 또한, 위에서 인용한 연구에서 사용된 변수 중 일부는 쉽게 측정할 수 없다. 또한 위에 인용된 연구에서 제안된 일부 모델은 장기 사망률을 평가하는 데에만 적합하다. 이들은 ADHF와 같은 질병의 실시간 조기 발견으로 의사를 도울 수 없다.
중증의 다혈관 관상동맥 질환(CAD), 보호되지 않은 좌주관동맥 협착증, 마지막 남은 개존혈관(last remaining patent vessel), 및/또는 심각하게 감소된 좌심실(LV) 박출률(EF)이 있는 환자는 종종 심장 수술을 거부하며, 고위험 경피적 관상동맥 중재술(HR-PCI)에 대해 점점 더 많이 언급되고 있다. 도 1(a)에 도시된, 매사추세츠주, Danvers에 소재한 Abiomed, Inc.의 Impella 5.0®과 같은 판막경 미세축 심장 펌프가 혈역학적 불안정성을 예방하고 임상 결과를 개선하기 위해 HR-PCI 동안 점점 더 많이 사용되고 있다. 예를 들어, Russo et al., Hemodynamics and its predictors during transvalvular-micro-axial-heart-pump-protected PCI in high risk patients with reduced ejection fraction, Int. J. Cardiol. 274:221-225, 2019; Dixon et al., A prospective feasibility trial investigating the use of the transvalvular micro-axial heart pump system in patients undergoing high-risk percutaneous coronary intervention (The Transvalvular Micro-axial Heart Pump Trial): initial U.S. experience, JACC Cardiovasc. Interv. 2 (2) 91-96, 2009; O'Neill et al., A prospective, randomized clinical trial of hemodynamic support with transvalvular micro-axial heart pump versus intra-aortic balloon pump in patients undergoing high-risk percutaneous coronary intervention: the transvalvular micro-axial heart pump study, Circulation 126 (14) 1717-1727, 2012 를 참조할 수 있다.
판막경 미세축 심장 펌프는 환자의 심장에 혈역학적 지원을 제공하는 경피 카테터 기반 장치이다. 도 1(a)에 도시된 바와 같이, 판막경 미세축 심장 펌프(110)는 피그테일(111), 입구 영역(112), 캐뉼러(113), 압력 센서(114), 출구 영역(115), 모터 하우징(116) 및/또는 카테터 튜브(117)를 포함할 수 있다. 피그테일(111)은 환자의 심장에서 판막경 미세축 심장 펌프(110)를 안정화시키는 것을 도울 수 있다. 작동 동안, 혈액은 입구 영역(112)의 하나 이상의 개구로 끌어당겨지고, 캐뉼러(113)를 통해 흐르고, 모터 하우징(116)에 배치된 모터(도시되지 않음)에 의해 출구 영역(115)의 하나 이상의 개구를 통해 배출될 수 있다. 일부 구현에서, 압력 센서(114)는 캐뉼러(113)에 통합된 가요성 멤브레인을 포함할 수 있다. 압력 센서(114)의 한쪽은 캐뉼러(113) 외부의 혈압에 노출되고 다른 쪽은 캐뉼러(113) 내부의 혈압에 노출될 수 있다. 일부 이러한 구현에서, 압력 센서(114)는 캐뉼러(113) 외부의 압력과 캐뉼러(113) 내부의 압력 사이의 차이에 비례하는 전기 신호를 생성할 수 있다. 일부 구현에서, 압력 센서(114)에 의해 측정된 압력 차이는 환자의 심장 내의 판막경 미세축 심장 펌프(110)를 포지셔닝하는데 사용될 수 있다. 일부 구현에서, 압력 센서(114)는 광학 압력 센서이다. 카테터 튜브(117)는 판막경 미세축 심장 펌프(110)와 심실 지원 시스템의 하나 이상의 다른 장치 사이에 하나 이상의 유체 및/또는 전기적 연결을 제공할 수 있다.
도 1(b)에 도시된 바와 같이, 판막경 미세축 심장 펌프(110)는 환자의 심장(120)에 위치될 수 있다. 도시되는 바와 같이, 판막경 미세축 심장 펌프(110)는 예를 들어 대퇴 동맥(122)을 통해 상행 대동맥(124)으로, 대동맥 판막(126)을 가로질러 좌심실(128)로 경피적으로 삽입될 수 있다. 다른 구현에서, 판막경 미세축 심장 펌프는 예를 들어 겨드랑이 동맥(123)을 통해 상행 대동맥(124)으로, 대동맥 판막(126)을 가로질러 좌심실(128) 내로 경피적으로 삽입될 수 있다. 다른 구현에서, 판막경 미세축 심장 펌프는 예를 들어 직접 상행 대동맥(124) 내로, 대동맥 판막(126)을 가로질러 좌심실(128) 내로 삽입될 수 있다. 동작 중, 판막경 미세축 심장 펌프(110)는 좌심실(128)로부터 혈액을 동반하고 상행 대동맥(124)으로 혈액을 배출한다. 그 결과, 판막경 미세축 심장 펌프(110)는 환자의 심장(120)에 의해 통상적을 이루어지는 작업의 일부를 수행한다. 판막경 미세축 심장 펌프의 혈역학적 효과에는 심박출량 증가, 관상동맥 혈류 개선가 포함되어, 좌심실(LV) 이완기말압, 폐 모세혈관 쐐기압, 심근 부하 및 산소 소비를 감소시킨다. 예를 들어 Burkhoff & Naidu, The science behind percutaneous hemodynamic support: a review and comparison of support strategies, Catheter Cardiovasc. Interv. 80:816-29, 2012 를 참조할 수 있다.
도 1(c)에 도시된 바와 같이, 판막경 미세축 심장 펌프(110)는 심실 지원 시스템(100)에 통합될 수 있다. 심실 지원 시스템(100)은 또한 제어기(130)(예를 들어, Abiomed, Inc., Danvers, MA), 디스플레이(140), 퍼지 서브시스템(150), 커넥터 케이블(160), 플러그(170), 및 재배치 유닛(180)을 포함한다. 도시된 바와 같이, 제어기(130)는 디스플레이(140)를 포함한다. 제어기(130)는 판막경 미세축 심장 펌프(110)를 모니터링 및 제어한다. 작동 동안, 퍼지 서브시스템(150)은 카테터 튜브(117)를 통해 판막경 미세축 심장 펌프(110)에 퍼지 유체를 전달하여, 혈액이 모터 하우징(116) 내에서 모터(미도시)로 들어가는 것을 방지한다. 일부 구현에서, 퍼지 유체는 덱스트로스 용액(예를 들어, 25 또는 50IU/mL의 헤파린을 갖는 물 중 5% 덱스트로스)이다. 커넥터 케이블(160)은 판막경 미세축 심장 펌프(110)와 제어기(130) 사이에 전기적 연결을 제공한다. 플러그(170)는 카테터 튜브(117), 퍼지 서브시스템(150), 및 커넥터 케이블(160)을 연결한다. 일부 구현에서, 플러그(170)는 환자를 다른 제어기로 옮겨야 하는 경우에 동작 파라미터를 저장하기 위한 메모리를 포함한다. 재배치 유닛(180)은 판막경 미세축 심장 펌프(110)를 재배치하는데 사용될 수 있다.
도시된 바와 같이, 퍼지 서브시스템(150)은 용기(151), 공급 라인(152), 퍼지 카세트(153), 퍼지 디스크(154), 퍼지 튜빙(155), 체크 밸브(156), 압력 저장소(157), 주입 필터(158), 및 사이드암(159)을 포함한다. 용기(151)는 예를 들어 가방 또는 병일 수 있다. 퍼지 유체가 용기(151)에 저장된다. 공급 라인(152)은 용기(151)와 퍼지 카세트(153) 사이에 유체 연결을 제공한다. 퍼지 카세트(153)는 용기(151) 내의 퍼지 유체가 판막경 미세축 심장 펌프(110)로 전달되는 방법을 제어할 수 있다. 예를 들어, 퍼지 카세트(153)는 퍼지 유체의 압력 및/또는 유량을 제어하기 위한 하나 이상의 밸브를 포함할 수 있다. 퍼지 디스크(154)는 퍼지 유체의 압력 및/또는 유량을 측정하기 위한 하나 이상의 압력 및/또는 유량 센서를 포함한다. 도시된 바와 같이, 제어기(130)는 퍼지 카세트(153) 및 퍼지 디스크(154)를 포함한다. 퍼지 튜빙(155)은 퍼지 디스크(154)와 체크 밸브(156) 사이의 유체 연결을 제공한다. 압력 저장소(157)는 퍼지 유체 변경 동안 추가 충전 체적을 제공한다. 일부 구현에서, 압력 저장소(157)는 팽창 챔버에 의해 추가 충전 체적을 제공하는 가요성 고무 다이어프램을 포함한다. 주입 필터(158)는 박테리아 오염 및 공기가 카테터 튜브(117)로 들어가는 것을 방지하는 데 도움이 된다. 사이드암(159)은 주입 필터(158)와 플러그(170) 사이에 유체 연결을 제공한다.
작동 동안, 제어기(130)는 압력 센서(114) 및 퍼지 디스크(154)로부터 측정값을 수신하고, 모터 하우징(116) 및 퍼지 카세트(153) 내의 모터(미도시)를 제어한다. 위에서 언급한 바와 같이, 제어기(130)는 퍼지 유체의 압력 및/또는 유량을 퍼지 카세트(153) 및 퍼지 디스크(154)를 통해 제어 및 측정한다. 작동 동안, 사이드암(159)을 통해 퍼지 서브시스템(150)을 빠져 나온 후, 퍼지 유체는 카테터 튜브(117) 및 플러그(170) 내의 퍼지 루멘(도시되지 않음)을 통해 채널링된다. 카테터 튜브(117) 내의 센서 케이블(도시되지 않음), 커넥터 케이블(160) 및 플러그(170)는 압력 센서(114)와 제어기(130) 사이에 전기 연결을 제공한다. 카테터 튜브(117) 내의 모터 케이블(도시되지 않음), 커넥터 케이블(160) 및 플러그(170)는 제어기(130)와 모터 하우징(116) 내의 모터 간의 전기적 연결을 제공한다. 작동 동안, 제어기(130)는 센서 케이블을 통해 압력 센서(114)로부터 측정치를 수신하고, 모터 케이블을 통해 모터 하우징(116) 내의 모터에 전달되는 전력을 제어한다. 모터 하우징(116) 내의 모터에 전달되는 전력을 제어함으로써, 제어기(130)는 모터 하우징(116) 내의 모터의 속도를 제어할 수 있다.
심실 지원 시스템(100) 및 그 구성요소 중 하나 이상에 다양한 변형이 이루어질 수 있다. 예를 들어, 참고자료로 본 명세서에 포함되는 Abiomed, Impella® Ventricular Support Systems for Use During Cardiogenic Shock and High-Risk PCI: Instructions for Use and Clinical Reference Manual, Document No. 0042-9028 rG (Apr. 2020) 에 상세히 기재된 바와 같이, 심실 지원 시스템(100)은 Impella 2.5®, Impella LD® 및 Impella CP® 카테터와 같은, 다른 유형의 판막경 미세축 심장 펌프를 수용하도록 변형될 수 있다. 다른 예로서, 하나 이상의 센서가 판막경 미세축 심장 펌프(100)에 추가될 수 있다. 예를 들어, 참고자료로 본 명세서에 포함되는, "Blood Flow Rate Measurement System"의 명칭으로 2019년 3월 14일 출원된 미국특허출원 제16/353,132호에 기재된 바와 같이, 모터 하우징(116) 내에서 모터의 회전 속도를 나타내는 신호를 생성하기 위해 판막경 미세축 심장 펌프(100)에 신호 생성기가 추가될 수 있다. 다른 예로서, 제2 압력 센서는 좌심실 혈압을 측정하도록 구성된 입구 영역(112) 근처에서 판막경 미세축 심장 펌프(100)에 추가될 수 있다. 이러한 구현에서, 추가 센서 케이블은 카테터 튜브(117), 커넥터 케이블(160), 및 플러그(170) 내에 배치되어 하나 이상의 추가 센서와 제어기(130) 사이에 전기적 연결을 제공할 수 있다. 또 다른 예로서, 심실 지원 시스템(100)의 하나 이상의 구성요소가 분리될 수 있다. 예를 들어, 디스플레이(140)는 제어기(130)와 통신하는(예를 들어, 무선으로 또는 하나 이상의 전기 케이블을 통해) 다른 장치에 통합될 수 있다.
도 2(a)-(h)는 디스플레이(140)에 의해 디스플레이될 수 있는 상이한 화면들을 예시한다. 예를 들어, 도 2(a)는 심장 펌프 유형(211)(예: "Impella 5.0"), 심장 펌프 일련 번호(212)(예: "171000"), 날짜 및 시간(214)(예: "2019- 08-21 15:56"), 소프트웨어 버전 번호 216(예: "IC4048 V8.1"), 전원 아이콘 218(예: 배터리 표시기), 버튼 레이블(221, 222, 224, 226 및 228)(예: "알람 음소거", "흐름 제어", "디스플레이", "퍼지 메뉴" 및 "메뉴"), 현재 심장 펌프 속도(성능) 설정(230)(예: "P-4"), 심장 펌프 유량 측정치(242), 퍼지 시스템 측정치(244), 상태 표시자(251)(예: "임펠라 위치 OK"), 다이어그램(261) 및 알림 영역(270)을 포함하는 홈 화면을 도시한다. 현재 심장 펌프 속도(성능) 설정(230)은 모터 하우징(116) 내의 모터가 동작하는 속도에 대응한다. 예를 들어, "P-4"는 모터 하우징(116) 내의 모터가 대략 22,000rpm에서 작동하고 있음을 나타낼 수 있다. 심장 펌프 유량 측정치(242)는 판막경 미세축 심장 펌프(100)를 통한 혈액의 평균 유량(예: "1.6 L/min"), 최소 유량(예: "1.1 L/min") 및 최대 유량(예: "2.1 L/min")을 포함한다. 심장 펌프 유량 측정치(242)는 모터 하우징(116) 내 모터의 에너지 섭취 및/또는 압력 센서(114)에 의해 획득된 측정치로부터 유도될 수 있다. 퍼지 시스템 측정치(244)는 퍼지 서브시스템(150)을 통한 퍼지 유체의 현재 압력(예: "99 mmHg") 및 전류 흐름(예: " 10.2 ml/hr")을 포함한다. 퍼지 시스템 측정치(244)는 퍼지 디스크(154)에 의해 획득된 측정치로부터 유도될 수 있다. 다이어그램(161)은 판막경 미세축 심장 펌프(110)가 환자 심장에 배치되어야 하는 방법을 예시한다. 도 2(a)를 참조하면, 알림 영역(270)은 알림(271, 272, 273)을 포함한다.
알림(271, 272, 273) 각각은 헤더 및 명령어 세트를 포함한다. 예를 들어, 알림(271)은 "퍼지 시스템 오픈" 헤더와 "1. 열린 연결 또는 누출이 있는지 퍼지 시스템 튜브를 확인하십시오" 및 "2. 퍼지 메뉴 소프트 키를 누른 다음 카세트 및 백 변경을 선택하십시오" 명령어를 포함한다. 알림 272에는 "석션" 헤더와 "1. P-레벨을 줄이세요”, “2. 충전 및 볼륨 상태 확인하세요”, 및 “3. 임펠라 위치를 확인하세요,” 알림 273에는 "비행 모드 활성화됨" 헤더와 "1. 항공 운송 시 제어기를 접지에 연결하십시오”, “2. Impella Connect가 장착된 경우 모듈에서 비행 모드를 활성화하세요" 및 "3. 병원에 도착하면 MENU에서 비행 모드를 비활성화하세요” 명령어를 포함한다. 다른 구현들에서, 알림 영역(270)에 디스플레이되는 알림들은 상이하게 구조화될 수 있다. 예를 들어, 헤더와 명령어가 두 개의 상이한 상자와 달리, 단일 상자에 포함될 수 있다. 다른 예로서, 알림은 헤더를 포함하지 않을 수 있다. 또 다른 예로서, 명령어는 설명과 같은 다른 유형의 정보로 대체될 수 있다. 예를 들어 알림은 경고의 역할을 하고 경고의 원인을 설명하는 설명을 포함할 수 있다.
도 2(b)-(d)는 배치 화면(204), 퍼지 화면(206) 및 주입 이력 화면(208)을 각각 도시한다. 사용자는 버튼 레이블(221, 222, 224, 226, 228) 옆에 위치한 버튼을 사용하여 이러한 화면 사이를 전환할 수 있다. 다른 구현에서, 상이한 사용자 입력 장치가 사용될 수 있다. 예를 들어, 일부 구현에서, 디스플레이(140)는 터치화면일 수 있고 사용자는 버튼 레이블(221, 222, 224, 226, 228)을 탭핑하여 화면 사이를 전환할 수 있다. 다른 예로서, 일부 구현에서, 사용자는 화면 간을 전환하기 위해 마우스 또는 키보드와 같은 별도의 입력 장치를 사용할 수 있다.
상태 표시기(251), 다이어그램(261) 및 알림(271, 272, 273)을 제외하고, 홈 화면(202)의 모든 데이터 필드는 배치 화면(204), 퍼지 화면(206), 및 주입 이력 화면(208)에 포함된다. 다른 구현에서는 이러한 화면에서 추가 데이터 필드를 추가하거나 제거할 수 있다. 예를 들어, 일부 구현에서 심장 펌프 유형(211) 및 심장 펌프 일련 번호(212)가 메인 화면(202)에만 나타날 수 있다.
배치 화면(204), 퍼지 화면(206), 및 주입 이력 화면(208)은 또한 추가 정보를 포함한다. 예를 들어, 도 2(b)에 도시된 바와 같이, 배치 화면(204)은 배치 신호 그래프(252), 배치 신호 측정치(262), 모터 전류 그래프(253), 및 모터 전류 측정치(263)를 포함한다. 배치 신호 그래프(252)는 일정 시간(가령, "10초") 동안 압력 센서(114)에 의해 획득된 측정치로부터 유도된 압력 값을 예시한다. 배치 신호 측정치(262)는 일정 시간 동안 압력 센서(114)에 의해 획득된 측정치로부터 유도된 평균 압력 값(가령, "9 mmHg"), 최소 압력 값(가령, "-17 mmHg"), 및 최대 압력 값(가령, "76 mmHg")을 포함한다. 모터 전류 그래프(253)는 일정 시간(예를 들어, "10초")에 걸쳐 모터 하우징(116) 내의 모터에 제공되는 전류 값을 예시한다. 모터 전류 측정치(263)는 일정 시간에 걸쳐 모터 하우징(116) 내에서 모터에 제공되는 평균 전류(예를 들어, "535 mA"), 최소 전류(예를 들어, "525 mA") 및 최대 전류(예를 들어, "556 mA")를 포함한다. 집합적으로, 배치 신호 그래프(252), 배치 신호 측정치(262), 모터 전류 그래프(253), 및 모터 전류 측정치(263)는 환자의 심장 내에서 판막경 미세축 심장 펌프(110)의 위치를 결정하는 데 유용하다.
도 2(c)에 도시된 바와 같이, 퍼지 화면(206)은 퍼지 흐름 그래프(254), 퍼지 흐름 측정치(264), 퍼지 압력 그래프(255), 및 퍼지 압력 측정치(265)를 추가로 포함한다. 퍼지 흐름 그래프(254)는 일정 시간(예: "1시간")에 걸쳐 퍼지 서브시스템(150)을 통한 퍼지 유체의 유량을 예시한다. 퍼지 유량 측정치(264)는 퍼지 서브시스템(150)을 통한 퍼지 유체의 현재 유량(예를 들어, "17.9 ml/hr")을 포함한다. 퍼지 압력 그래프(255)는 일정 시간(예를 들어, "1시간")에 걸쳐 퍼지 서브시스템(150) 내의 퍼지 유체의 압력을 예시한다. 퍼지 압력 측정치(265)는 퍼지 서브시스템(150) 내의 퍼지 유체의 현재 압력(예를 들어, "559 mmHg")을 포함한다. 집합적으로, 퍼지 흐름 그래프(254), 퍼지 흐름 측정치(264), 퍼지 압력 그래프(255), 및 퍼지 압력 측정치(265)는 환자 관리를 도울 수 있다.
도 2(d)에 도시된 바와 같이, 주입 이력 화면(208)은 주입 이력 표(256), 덱스트로스 주입 측정치(266), 및 헤파린 주입 측정치(267)를 추가로 포함한다. 주입 이력 표(256)는 복수의 기간 각각에 걸쳐(가령, "10:00 - 11:00," "11:00 - 12:00," "12:00 - 13:00," "13:00 - 14:00," "14:00 - 15:00," "15:00 - 15:08") 환자에게 전달된 퍼지 유체, 헤파린 및 덱스트로스의 양의 요약을 제공한다. 덱스트로스 주입 측정치(266)는 덱스트로스가 환자에게 전달되는 현재 속도(예: "935 mg/hr")를 포함한다. 헤파린 주입 측정치(267)는 헤파린이 환자에게 전달되는 현재 속도(예: "935 IU/hr")를 포함한다. 집합적으로, 주입 이력 표(256), 덱스트로스 주입 측정치(266), 및 헤파린 주입 측정치(267)도 환자 관리를 지원할 수 있다.
도 2(e)-(h)는 디스플레이(140)를 통해 다양한 유형의 경고가 사용자에게 제공될 수 있는 방법을 예시한다. 예를 들어, 환자가 열악한 고유 심실 기능을 갖고 제어기(130)가 환자의 심장 내 판막경 미세축 심장 펌프(110)의 위치를 결정할 수 없는 경우, 홈 화면(202)은 도 2(e)에 도시된 방식으로 업데이트될 수 있다. 보다 구체적으로, 상태 표시기(251)는 "임펠라 위치 알 수 없음" 상태로 업데이트될 수 있고, 알림(274)이 알림 영역(270)에 추가될 수 있다. 다른 예로서, 판막경 미세축 심장 펌프(110)가 환자 심실 또는 대동맥의 완전히 내부에 있을 때, 배치 화면(204)은 도 2(f)에 도시된 방식으로 업데이트도리 수 있다. 보다 구체적으로, 알림(275)이 알림 영역(270)에 추가될 수 있다. 또 다른 예로서, 출구 영역(115)이 환자의 대동맥 판막 상에 또는 근처에 위치될 때, 배치 화면(204)은 도 2(g)에 도시된 방식으로 업데이트될 수 있다. 보다 구체적으로, 알림(276)이 알림 영역(270)에 추가될 수 있다. 또 다른 예로서, 압력 센서(114)가 고장나고 제어기(130)가 심장 펌프 유량 측정치(242)를 계산할 수 없을 때, 배치 화면(204)은 도 2(h)에 도시된 방식으로 업데이트될 수 있다. 보다 구체적으로, 심장 펌프 유량 측정치(242)는 추정된 유량의 표로 대체될 수 있고 대응하는 MAP 및 알림(277)이 알림 영역(270)에 추가될 수 있다.
도 3은 제어기(130)와 같은 복수의 의료 장치 제어기를 모니터링 및/또는 제어하기 위한 시스템(300)을 도시한다. 시스템(300)은 의료 장치 제어기(312, 314, 316, 318), 컴퓨터 네트워크(322), 근거리 통신망(LAN)(324), 원격 링크 모듈(332), 라우터(334), 무선 액세스 포인트(336), 셀 사이트(338), 서버(342), 데이터 저장소(344), OCR 엔진(346), 및/또는 모니터링 스테이션(352 및 354)을 포함할 수 있다. 컴퓨터 네트워크(322)는 유선 및/또는 무선 세그먼트 및 /또는 네트워크를 포함할 수 있다. 예를 들어, 컴퓨터 네트워크(322)는 무선 액세스 포인트(336)로 표현되는 IEEE 802.11x 표준(예를 들어, 일반적으로 "Wi-Fi"로 지칭되는 무선 근거리 통신망(WLAN))을 준수하는 무선 네트워크, 및/또는 셀 사이트(338)로 표현되는 셀룰러 네트워크를 포함할 수 있다. 다른 예로서, 컴퓨터 네트워크(322)는 LAN(324), MAN(Metropolitan Area Network) 및/또는 WAN(Wide Area Network), 가령, 인터넷(도시되지 않음)과 같은 사설 및/또는 공용 네트워크를 포함할 수 있다.
시스템(300)은 의료 장치 제어기가 컴퓨터 네트워크(322)에 연결될 수 있는 몇 가지 다른 방식을 예시한다. 예를 들어, 의료 장치 제어기(312)는 컴퓨터 네트워크(322)에 직접 연결된다. 다른 예로서, 의료 장치 제어기(314)는 선택적으로 원격 링크 모듈(332)을 통해 컴퓨터 네트워크(322)에 연결된다. 또 다른 예로서, 의료 장치 제어기(316)는 LAN(324) 및 라우터(334)를 통해 컴퓨터 네트워크(322)에 연결된다. 또 다른 예로서, 의료 장치 제어기(318)는 LAN(324), 라우터(334), 및 무선 액세스 포인트(336)를 통해 컴퓨터 네트워크(322)에 연결된다. 의료 장치 제어기(318)는 또한 셀 사이트(338)를 통해 컴퓨터 네트워크(322)에 연결된다. 다른 구현에서, 의료 장치 제어기는 시스템(300)으로부터 추가 및/또는 제거될 수 있다. 또한, 다수의 의료 장치 제어기가 유사한 방식으로 컴퓨터 네트워크(322)에 연결될 수 있다. 예를 들어, 의료 장치 제어기(312)와 마찬가지로, 복수의 의료 장치 제어기가 컴퓨터 네트워크(322)에 직접 연결될 수 있다.
서버(342)는 컴퓨터 네트워크(322)를 통해 의료 장치 제어기(312, 314, 316, 318)로부터 상태 정보를 요청하도록 구성될 수 있다. 일부 구현에서, 서버(342)는 자동으로 및/또는 반복적으로 상태 정보를 요청한다. 일부 구현에서, 상태 정보는 의료 장치 제어기(312, 314, 316, 및/또는 318)와 연관된 디스플레이에 의해 디스플레이되는 화면의 콘텐츠의 이미지를 포함한다. 예를 들어, 상태 정보는 도 2(e)-2(h)에 도시되는 화면들 중 어느 하나의 이미지와 유사할 수 있다. 이미지는 하나의 비디오 프레임 또는 비디오 프레임의 시퀀스로 인코딩된 하나 이상의 메시지로 전송될 수 있다. 또한, 비디오 프레임(들)은 예를 들어 이미지의 픽셀화된 사본을 포함할 수 있다. 일부 구현에서, 상태 정보는 의료 장치 제어기(312, 314, 316, 및/또는 318)와 연관된 디스플레이에 의해 디스플레이되는 데이터 필드 중 하나 이상으로부터의 정보를 포함한다. 예를 들어, 상태 정보는 심장 펌프 유형(211), 심장 펌프 일련 번호(212), 날짜 및 시간(214), 현재 심장 펌프 속도(성능) 설정(230), 심장 펌프 유량 측정값(242), 퍼지 시스템 측정값(244), 상태 표시기(251) 및/또는 알림 영역(270)과 유사한 데이터 필드들 중 하나 이상으로부터의 정보를 포함할 수 있다.
서버(342)는 또한 수신된 상태 정보를 처리하도록 구성될 수 있다. 예를 들어, 서버(342)가 의료 장치 제어기(312, 314, 316, 및/또는 318)와 연관된 디스플레이에 의해 디스플레이된 화면의 콘텐츠의 이미지를 수신할 때, 서버(342)는 이미지를 파싱하고 이미지의 광학 문자 인식(OCR) 부분에 의해 텍스트 정보를 추출할 수 있다. 일부 구현에서, 추출된 텍스트 정보는 의료 장치 제어기(312, 314, 316, 및/또는 318)와 연관된 디스플레이에 의해 표시되는 데이터 필드 중 하나 이상으로부터의 정보를 포함한다. 일부 구현에서, 서버(342)는 이미지 파싱을 위한 그리고 텍스트 정보 추출을 위한 OCR 엔진을 포함한다. 일부 구현에서, 서버(342)는, 이미지를 파싱하고 텍스트 정보를 추출하기 위해, OCR 엔진(346)과 같은 외부 OCR 엔진과 통신한다.
데이터 저장소(344)는 처리되지 않은 및/또는 처리된 상태 정보를 저장하도록 구성될 수 있다. 예를 들어, 데이터 저장소(344)는 서버(342) 및/또는 OCR 엔진(346)에 의해 이미지로부터 추출된 텍스트 정보 및/또는 의료 장치 제어기(312, 314, 316, 및/또는 318)와 연관된 디스플레이에 의해 디스플레이되는 화면의 콘텐츠의 이미지를 저장할 수 있다. 데이터 저장소(344)는 또한 요청 시 미처리 및/또는 처리 상태 정보의 적어도 일부를 모니터링 스테이션(352, 354)에 제공하도록 구성될 수 있다. 모니터링 스테이션(352, 354)은 예를 들어 전화, 태블릿, 및/또는 컴퓨터일 수 있다. 일부 구현에서, 모니터링 스테이션(352 및 354)은 클라우드 기반 기술을 사용하여, 관련 디스플레이에 처리되지 않은 및/또는 처리된 상태 정보의 적어도 일부를 안전하게 그리고 원격으로 표시할 수 있다. 예를 들어, 모니터링 스테이션(352 및 354)은 처리되지 않은 및/또는 처리된 상태 정보의 적어도 일부를 안전하게 그리고 원격으로 표시하기 위해 Abiomed, Inc.(Danvers, MA)의 Impella Connect®와 같은 온라인 장치 관리 시스템을 사용할 수 있다.
일부 구현에서, 서버(342) 및/또는 모니터링 스테이션(352 및/또는 354)은 또한 시스템(300) 내의 하나 이상의 의료 장치 제어기(예를 들어, 의료 장치 제어기(312, 314, 316, 316) 및 /또는 318)에 명령을 원격으로 전송하도록 구성될 수 있다. 예를 들어, 제어기(130)가 시스템(300)에 추가되면, 서버(342) 및/또는 모니터링 스테이션(352 및/또는 354)은 제어기(130)에 명령을 원격으로 보냄으로써, 모터 하우징(116) 내의 모터에 전달되는 전력, 퍼지 서브시스템(150)을 통한 퍼지 유체의 유량, 및/또는 퍼지 서브시스템(150) 내 퍼지 유체의 압력을 원격으로 조정하도록 구성될 수 있다. 일부 구현에서, 시스템(300) 내의 하나 이상의 의료 장치 제어기(가령, 의료 장치 제어기(312, 314, 316, 및/또는 318)는 서버(342) 및/또는 모니터링 스테이션(352 및/또는 354)으로 하나 이상의 계산을 오프로드할 수 있다. 예를 들어, 제어기(130)가 시스템(300)에 추가되면, 제어기(130)는 복잡한 계산(예를 들어, 머신 러닝 알고리즘)을 서버(342) 및/또는 모니터링 스테이션(352 및/또는 354)으로 오프로드할 수 있다. 레이턴시를 감소시키기 위해, 제어기(130)는 또한 이러한 계산을 동일한 LAN(미도시) 상의 다른 컴퓨팅 장치로 오프로드할 수 있다.
도 4에 도시된 바와 같이, 심장 주기는 등용적 수축기(410), 박출기(420), 등용적 이완기(430) 및 충전기(440)의 4단계를 포함한다. 심장 주기 동안 심장 챔버의 심장 근육의 수축 및 이완은 두 판막, 즉, 승모판(452)과 대동맥판(454)을 압력 차이로 인해 열리고 닫히게 한다. 등용적 수축기(410) 동안, 승모판(452) 및 대동맥판(454)이 닫히고 챔버(456)의 압력이 높아져서 궁극적으로 대동맥판(454)이 열릴 때까지 증가한다. 박출기(420) 동안, 승모판(452)은 닫히고, 대동맥판(454)은 열리며, 혈액은 챔버(456)에서 대동맥으로 흐른다. 등용적 이완기(430) 동안, 승모판(452) 및 대동맥판(454)은 닫히고 챔버(456)의 압력은 승모판(452)이 열릴 정도로 낮아질 때까지 감소한다. 충전기(440) 동안 승모판(452)은 열리고 대동맥판(454)은 닫히고 혈액은 챔버(456)로 흐른다. 처음 두 단계는 수축기로 알려져 있고 마지막 두 단계는 확장기로 알려져 있다.
도 5는 대동맥 내압(AoP), 좌심실압(LVP), 차압(dP), 펌프 흐름 및 모터 전류의 규칙적인 파형과 수축기 및 확장기와의 관계를 보여준다. AoP 파형은 환자의 상행 대동맥(예: 상행 대동맥 124)의 압력에 해당한다. LVP 파형은 환자의 좌심실(예: 좌심실(128))의 압력에 해당한다. dP 파형은 상행 대동맥과 환자의 좌심실 사이의 압력 차이에 해당한다. 펌프 흐름 파형은 판막경 미세축 심장 펌프(예: 판막경 미세축 심장 펌프(110))에 의해 좌심실로부터 상행 대동맥으로 혈액이 유입되는 속도에 해당한다. 모터 전류 파형은 판막경 미세축 심장 펌프의 모터(예를 들어, 모터 하우징(116) 내의 모터)에 제공되는 전류에 해당한다.
일정한 평균 대동맥 내압(MAP)의 유지는 적절한 기관 관류를 보장하는 데 필수적이다. 예를 들어, Chemla et al., Mean aortic pressure is the geometric mean of systolic and diastolic aortic pressure in resting human, Journal of Applied Physiology 99:6, 2278-2284, 2005를 참조할 수 있다. 연구에 따르면 소요 시간의 증가가 나타난다. 65mmHg의 MAP 임계값 미만으로 보낸 지속시간의 증가는 사망 또는 장기 기능 장애의 위험과 같은 더 나쁜 환자 결과와 관련이 있다. 예를 들어, Varpula et al., Hemodynamic variables related to outcome in septic shock, Intensive Care Med. 31:1066-1071, 2005; Dunser et al., Arterial blood pressure during early sepsis and outcome, Intensive Care Med. 35:1225-1233, 2009; Dunser et al., Association of arterial blood pressure and vasopressor load with septic shock mortality: a post hoc analysis of a multicenter trial, Crit. Care Lond. Engl. 13:R181, 2009 를 참조할 수 있다. 도 5에 도시되는 바와 같이, 판막경 미세축 심장 펌프와 같은 카테터 기반 혈역학 지원 장치를 사용하여 얻은 생리학적 파형은 혈역학 정보의 풍부한 소스가 될 수 있다. 그러나 이러한 장치를 사용하는 MAP의 예측 시계열을 기반으로 한 환자의 상태에 대한 사전 경고는 거의 없다.
본 개시내용의 양태는 판막경 미세축 심장 펌프로부터 혈역학적 지원을 받는 환자의 대동맥 내압을 예측하기 위한 시스템 및 방법을 설명한다. 대동맥 내압의 임박한 변화(예: MAP)에 대한 사전 경고는, 경고가 불과 5~15분 전에 발생하더라도, 전체 혈역학적 허탈 전에 환자를 신속하게 관리하는 데 도움이 될 수 있다. 예를 들어, 환자의 대동맥 내압이 증가하거나 안정적으로 유지될 것으로 예상되는 경우, 임상의는 경피적 관상동맥 중재술(PCI) 절차를 시작하거나 계속할 수 있다. 마찬가지로, 환자의 대동맥 내압이 감소할 것으로 예상되면, 임상의는 PCI 절차를 지연하거나 종료할 수 있다. 일반적으로 환자의 예상되는 대동맥 내압의 현저한 감소(예: 최소 10mmHg의 감소)는 환자의 상태가 악화되고 있음을 나타낸다. 그러나 지속적인 증가는 환자의 상태가 악화되고 있음을 나타낼 수도 있다.
대동맥 내압의 안정적인 경향을 예측하는 것은 또한 환자가 판막경 미세축 심장 펌프에서 벗어나도록 하는 신호로 작용할 수 있다. 유사하게, 투영된 대동맥 내압을 이용하여, 이유 과정 동안 환자에게 제공되는 지원 레벨을 지정할 수 있다. 예를 들어, 임상의는 예측된 대동맥 내압에 기초하여 환자에게 제공되는 약리학적 지원을 조정할 수 있다(예를 들어, 환자에게 제공되는 승압제 또는 수축촉진제와 같은 약물의 양을 조정함으로써). 다른 예로서, 모터 속도 설정(예를 들어, 현재 심장 펌프 속도(성능) 설정(230))은 임상의에 의해 수동으로 조정될 수 있고/있거나, 투영된 대동맥 내압에 기초하여 연결된 의료 장치 제어기(예를 들어, 제어기(130))에 의해 자동으로 조정될 수 있다. 예를 들어, 일부 구현에서, 의료 장치 제어기는 시간이 지남에 따라 모터 속도 설정을 자동으로 그리고 점진적으로 감소시킴으로써 환자 지원을 중단하도록 구성될 수 있다. 이러한 구현에서 의료 장치는 예를 들어 환자의 상태가 악화될 것으로 예측되는 경우(예: 환자의 대동맥 내압이 상당히 감소할 것으로 예측되는 경우) 모터 속도 설정을 일시적으로 증가시킬 수 있다.
일부 구현에서, 판막경 미세축 심장 펌프와 연관된 디스플레이(예를 들어, 디스플레이(140))는 임상의가 그에 따라 반응할 수 있도록 예측된 대동맥 내압을 표시하도록 구성될 수 있다. 예를 들어, 도 2(a)-(h)에 도시된 화면과 관련하여, 예측된 대동맥 내압은 심장 펌프 유량 측정치(242) 및/또는 퍼지 시스템 측정치(244)와 함께 표시될 수 있다. 다른 예로서, 대동맥 내압의 어떤 실질적인 변화(가령, ±10 mmHg)는 알림 영역(270)에 알림이 표시되거나 상태 표시기(251)에 대한 업데이트가 표시되도록 할 수 있다. 또 다른 예로서, 시간 경과에 따른 예측된 대동맥 내압의 그래프를 포함하는 대동맥 내압 예측 화면이 표시될 수 있고, 이는 배치 신호 그래프(252)와 매우 유사하다. 또 다른 예로서, 시간 경과에 따른 예측된 대동맥 내압의 그래프가 홈 화면(202), 배치 화면(204), 퍼지 화면(206), 및/또는 주입 이력 화면(208)에 추가될 수 있고, 및/또는 그 화면들(예를 들어, 배치 신호 그래프(252), 모터 전류 그래프(253), 퍼지 흐름 그래프(254), 및/또는 퍼지 압력 그래프(255)) 중 하나에서 데이터 필드를 교체할 수 있다.
위에서 설명된 바와 같이, 판막경 미세축 심장 펌프는 혈역학적 지원을 제공하여 고유 심장 기능 회복을 도울 뿐만 아니라, 예를 들어 말초 부분이 아닌 근원부에서 측정치를 캡처하도록 하나 이상의 센서(예: 압력 센서(114))를 또한 구비한다. 집합적으로, 판막경 미세축 심장 펌프의 모터(예를 들어, 모터 하우징(116) 내의 모터)의 작동 특성 및 판막경 미세축 심장 펌프의 하나 이상의 센서로부터 얻은 측정치는 환자의 대동맥 내압 예측을 위해 머신 러닝 알고리즘을 적용할 수 있는 풍부한 데이터 세트를 제공할 수 있다. 예를 들어, 머신 러닝 알고리즘은 대동맥 내압, 모터 전류, 모터 속도 및/또는 모터 속도 설정(예: P-0, P-1, P-2, P -3, P-4, P-5, 등 Abiomed, Inc.(Danvers, MA)의 임펠라 카테터용)을 포함한 특징 세트에 적용될 수 있다. 대동맥 내압은 판막경 미세축 심장 펌프의 압력 센서에 의해 얻은 측정치로부터 파생될 수 있다. 모터 전류는 판막경 미세축 심장 펌프의 모터의 에너지 섭취에서 파생될 수 있다. 모터 속도는 판막경 미세축 심장 펌프의 신호 발생기에서 얻은 측정값에서 파생될 수 있다. 모터 속도는 또한 판막경 미세축 심장 펌프의 모터의 역기전력(EMF)에서 파생될 수 있다. 일부 구현에서, 판막경 미세축 심장 펌프의 모터는 3개 이상의 모터 권선을 포함한다. 그러한 구현에서, 역기전력은 예를 들어 전원에서 분리된 모터 권선에 걸쳐 측정된 전압으로부터 유도될 수 있다. 일부 구현에서, 전원은 연결된 의료 장치 제어기(예를 들어, 제어기(130))에 있을 수 있다.
베이지안 알고리즘, 클러스터링 알고리즘, 결정 트리 알고리즘, 차원 축소 알고리즘, 인스턴스 기반 알고리즘, 딥 러닝 알고리즘, 회귀 알고리즘, 정규화 알고리즘 및 규칙 기반 머신 러닝 알고리즘과 같은 다양한 머신 러닝 알고리즘이 환자의 대동맥 내압을 예측하기 위해 판막경 미세축 심장 펌프로부터의 측정치에 적용될 수 있다. 딥 러닝 알고리즘의 몇 가지 예로는 ARIMA(Autoregressive Integrated Moving Average) 모델, DNN(Deep Neural Network) 모델, 회귀성 시퀀스-시퀀스 모델(Recurrent Sequence to Sequence models) 회귀성 시퀀스-시퀀스 모델 위드 어텐션(Recurrent Sequence to Sequence models with Attention), 변환기 모델(Transformer models), TCN(Temporal Convolutional Neural Network) 모델, 및 컨볼루션 신경 피라미드(Convolutional Neural Pyramid) 모델이 있다. 일부 구현에서, 이러한 머신 러닝 알고리즘은 판막경 미세축 심장 펌프에 연결된 의료 장치 제어기(예: 제어기(130))에 의해 구현될 수 있다. 다른 구현에서, 이 처리의 일부 또는 전부는 컴퓨터 네트워크(예를 들어, 서버(342))를 통해 다른 장치로 오프로드될 수 있다.
ARIMA 모델은 시계열 예측을 위한 대중적인 통계 방법이다. 모델의 구성요소는 자기회귀(AR), 통합 및 이동 평균(MA)이다. 결과적으로 이 모델은 시간을 만들기 위해 (a) 관측치 및 일부 지연된 관측치 사이의 종속 관계, (b) 시계열을 고정적으로 만들기 위해 원시 관측치들의 차이(관찰치를 이전 시간 단계의 관찰치로부터 빼기), 및, (c) 관측치와, 지연 관측치에 적용된 이동 평균 모델의 잔차 오차 간의 종속성을 이용한다. ARIMA 모델에 대한 추가 정보는 Hyndman & Athanasopoulos, Forecasting: principles and practice, 2nd edition, Chapter 8 ARIMA models, OTexts: Melbourne, Australia, OTexts.com/fpp2, 2018 을 참조할 수 있으며, 이는 참고자료로 본 명세서에 포함된다.
피드포워드 DNN(Deep Neural Network)은 하나의 입력 계층, 다중 은닉 계층 및 하나의 출력 계층으로 구성될 수 있다. DNN은 자동회귀 방식으로 사용될 수 있다. 이러한 구현에서 DNN은 한 단계 앞서 예상을 수행하도록, 그리고 여러 단계 앞서 예상을 위한 예측을 재귀적으로 계속 피드백하도록, 출력 계층의 단일 유닛으로 구축될 수 있다. DNN 모델에 관한 추가 정보는 Schmidhuber, Deep Learning in Neural Networks: An Overview, arXiv:1404.7828v4, 2014 에서 찾을 수 있으며, 그 내용은 본 명세서에 참고자료로 포함된다.
회귀성 시퀀스-시퀀스(Recurrent Sequence to Sequence) 모델은 하나의 인코더를 사용하여 입력 시퀀스를 고정 크기 벡터에 매핑한 다음, 디코더를 사용하여 벡터를 타겟 시퀀스에 매핑한다. 회귀성 시퀀스-시퀀스 모델에 관한 추가 정보는 Sutskever et al., Sequence to Sequence Learning with Neural Networks, NeurIPS 2014 에서 찾을 수 있으며, 이는 본 명세서에 참고자료로 포함된다. RNN(Recurrent Neural Network) 모델은 은닉 계층이 공유 가중치를 통해 처리된 정보를 기억할 수 있기 때문에 시계열의 시간 정보를 유지하는 데 사용할 수 있다. 인코더의 경우, 양방향 RNN 모델을 사용하여 모델이 순방향 및 역방향 모두에서 데이터를 처리할 수 있다. 일부 구현에서, 두 개의 개별 은닉 계층이 사용된 다음 동일한 출력 계층에 병합될 수 있다. 디코더의 경우 RNN 모델을 사용하여 은닉 상태로부터 타겟 시퀀스를 디코딩할 수 있다. 그러나 RNN 모델은 기울기가 사라지기 때문에 장기 종속성을 학습하는 데 문제가 있다. LSTM(Long Short-Term Memory) 유닛은 메모리 셀 상태와 관련된 기울기 소실 문제를 완화할 수 있다. LSTM 유닛을 갖는 회귀성 시퀀스-시퀀스 모델의 전체 구조(600)가 도 6에 도시되어 있다. LSTM에 관한 추가 정보는 Hochreiter & Schmidhuber, Long Short-Term Memory, Neural Computation, Volume 9 Issue 8, 1997 에서 찾을 수 있으며, 그 내용은 참고자료로 본 발명에 통합된다. 본 개시의 나머지 부분에서 사용되는 바와 같이, LSTM 유닛을 갖는 회귀성 시퀀스-시퀀스 모델은 단순히 "LSTM"으로 지칭된다.
회귀성 시퀀스-시퀀스 모델은 모든 필요한 입력 정보를 각 출력 시간 단계를 디코딩할 하나의 고정 길이 벡터로 압축해야 한다. 결과적으로 인코더-디코더 네트워크가 모든 유용한 정보를 학습하기 어려울 수 있다. 이 문제를 완화하기 위해 주의 메커니즘이 적용될 수 있다. 주의 메커니즘은 디코더가 사용하는 컨텍스트 벡터에 대한 중간 인코더 상태를 활용하여 로컬 정보를 학습할 수 있다. 따라서 컨텍스트 벡터와 전체 소스 입력 사이에 바로 가기(shortcuts)를 생성하여 고정 길이 컨텍스트 벡터의 단점을 극복하기 위해, 함수들에 반해, 주의 메커니즘을 사용할 수 있다. 주의 메커니즘에 관한 추가 정보는 Luong et al., Effective Approaches to Attention-based Neural Machine Translation, arXiv:1508.04025, 2015 에서 찾을 수 있으며, 이는 참조로 여기에 통합된다.
LMU(Legendre Memory Unit)는 첫 번째 원리에서 파생된 셀 구조를 사용하여 연속 시간 신호를 d 직교 차원에 투영함으로써 훈련 RNN과 일반적으로 관련된 그래디언트 소멸 및 폭발 문제를 추가로 해결한다. LMU는 이산 시간 단계 Δt가 0에 접근하더라도 장거리 종속성을 학습하기 위한 이론적 토대를 제공한다. 이렇게 하면 내부 기능 표현의 연속 이력을 가로질러 그래디언트가 흐를 수 있다. LMU는 에너지 효율성을 보장하면서 최첨단 메모리 용량을 달성하는 최근의 혁신으로서, 의료 영역의 혼란스러운 시계열 예측 작업에 특히 적합하다. LMU에 관한 추가 정보는 Voelker et al., Legendre Memory Units: Continuous-Time Representation in Recurrent Neural Networks, NeurIPS 2019에서 찾을 수 있고, 그 내용은 본 발명에 참고자료로 포함된다.
변환기(Transformer) 모델은 시퀀스 정렬 RNN 또는 컨볼루션을 사용하지 않고 입력 및 출력의 표현을 계산하기 위해 전적으로 self-attention(여기에서 Attention은 이전에 설명한 것(주의)과 다름)에 의존하는 변환 모델이다. 인코딩 및 디코딩 구성 요소는 모두 동일한 계층의 스택이며, 각각은 두 개의 하위 계층(하나의 다중 헤드 주의 계층과 하나의 완전 연결 계층)로 구성된다. 디코더에는 두 계층이 있지만 그 사이에는 디코더가 인코더 스택의 출력에 초점을 맞추는 데 도움이 되는 어텐션 계층이 있다. 단일 스케일 내적 주의를 사용하는 대신 변환기 모델은 쿼리 Q, 키 K 및 값 V를 다음과 같이 출력에 투영한다.
Figure pct00001
주의 기능은 병렬로 수행된다. 일부 구현에서는 성능을 향상시키기 위해 변환기(Transformer) 모델에서 잔여 연결 및 드롭아웃이 사용될 수 있다. 본 개시의 맥락에서, 변환기 모델은 숫자 시계열에 적용되고 있으므로, 위치 임베딩 대신 입력의 절대 위치가 사용될 수 있다. 변환기 모델의 전체 구조(700)는 도 7에 도시되어 있다. 도시된 바와 같이 인코더는 하나의 다중 헤드 주의 계층과 하나의 완전 연결 계층을 포함하고, 디코더는 하나의 마스크된 다중 헤드 주의 계층, 하나의 다중 헤드 주의 계층 및 하나의 완전 연결 계층을 포함한다. 변환기 모델에 관한 추가 정보는 Vaswani et al., Attention Is All You Need, arXiv:1706.03762v5, 2017에서 찾을 수 있으며, 이는 참조로 여기에 통합된다.
TCN 모델에는 1차원 시퀀스에 대해 작동하는 컨볼루션 은닉 계층이 있다. 컨볼루션 신경망은, 가까운 입력 요소가 하위 계층에서 상호 작용하는 반면 멀리 있는 요소는 상위 계층에서 상호 작용하도록, 입력 시퀀스에 대한 계층적 표현을 생성한다. 이는 순환 네트워크로 모델링된 체인 구조와 비교하여 장거리 종속성을 캡처하는 더 짧은 경로를 제공한다. 일부 구현에서, TCN 모델의 전체 구조는 여러 컨볼루션 블록에 이어 하나의 평탄화 계층 및 여러 완전 연결 계층을 포함한다. 일부 구현에서, 모델에 순서 감각을 갖추기 위해 입력 요소의 절대 위치가 삽입될 수 있다. 일부 구현에서, "dead relu" 문제를 피하기 위해 누출 relu 활성화 함수가 TCN 모델의 각 계층에 적용될 수 있다. 일부 구현에서는 과적합(over fitting)을 피하기 위해 드롭아웃이 사용될 수 있다. 일부 구현에서, 잔여 연결을 사용하여 TCN 모델의 성능을 향상시킬 수 있다. TCN 모델의 전체 구조(800)는 도 8에 도시되어 있다. 도시되는 바와 같이 TCN 모델에는 여러 개의 컨볼루션 계층이 포함되어 있고 그 뒤에는 하나의 평탄화 계층과 잔여 연결이 있는 여러 개의 완전 연결 계층이 있다. TCN 모델에 관한 추가 정보는 Bai et al., An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling, arXiv:1803.01271v2, 2018에서 찾을 수 있으며, 이는 참조로 여기에 통합된다.
유리하게는, TCN 모델은 훈련을 위한 메모리 요구 사항이 낮다. 표 1은 LMU, LSTM, DNN, 피라미드, TCN, 변환기 모델의 계층별 복잡도를 나타낸 것이다. 표 1에서 n은 입력 길이, d는 모델 은닉 크기, k는 커널 크기이다. 5분 RT(실시간) 입력 시퀀스(예: 7500개 샘플 포함)와 같은 긴 시퀀스의 경우, LSTM 모델은 사용 가능한 모든 메모리를 쉽게 사용하고 그래디언트 소실 문제를 겪을 수 있다. 또한 변환기는 입력 길이가 모델의 은닉 크기보다 클 경우 매우 비효율적이다. 대조적으로, TCN 모델은 고주파수 데이터를 효율적으로 인코딩할 수 있다.
계층당 복잡성
LSTM DNN TCN/피라미드 변환기
O(nd 2) O(d 2) O(knd 2) O(n 2 d)
컨볼루션 신경 피라미드 모델에서, 특징들의 캐스케이드(cascade)는 두 개의 스트림으로 학습된다. 서로 다른 피라미드 레벨을 가로지르는 제1 스트림은 수용 영역을 확장한다. 제2 스트림은 각 피라미드 레벨에서 정보를 학습하고 최종적으로 병합하여 최종 결과를 생성한다. 도 9에 도시된 바와 같이, 컨볼루션 신경 피라미드 모델의 구조(900)는 1부터 N까지의 레벨을 포함하며, 여기서 N은 레벨의 수이다. 이 레벨을 i∈{1,…,N}인 Li로 표시한다. 상이-스케일 콘텐츠가 각 레벨 Li에서 인코딩된다. 특징 추출 및 재구성 작업이 각 레벨에 각각 적용된다. Li에 대한 입력은 다운샘플링 후 L(i-1)에서 추출된 특성이다. 레벨 Li에서, 2i 컨볼루션 계층이 특징 추출에 사용된다. 그런 다음 재구성 작업은 두 개의 인접 레벨에서 정보를 융합한다. 예를 들어, Li 및 Li+1의 경우 Li+1의 출력이 업샘플링된 다음, Li의 출력과 융합된다. 일부 구현에서, 다운샘플링 작업은 맥스풀링 계층으로 구현되고 업샘플링 작업은 디콘볼루션 계층으로 구현된다. 컨볼루션 신경 피라미드 모델에 관한 추가 정보는 Shen et al., Convolutional Neural Pyramid for Image Processing, arXiv:1704.02071v1 [cs.CV], 2017에서 찾을 수 있으며, 이는 참조로 여기에 통합된다.
대동맥 내압을 예측할 때 위에서 설명한 일부 딥 러닝 알고리즘의 효과를 테스트하기 위해, 67개의 판막 미세축 심장 펌프 케이스에서 환자 데이터를 얻었다. 이 사례 중 57건이 HR-PCI에 대해 표시되었다(41건의 선택, 16건의 긴급). 나머지 10개는 급성 심근경색증(AMI) 심인성 쇼크(CGS)에 대해 표시되었다. 또한, 17개의 판막 마이크로축 심장 펌프 케이스의 또 다른 배치를 사용하여 데이터 양에 대한 성능을 비교했다.
이들 사례로부터의 데이터는 25 HZ 대동맥 내압, 25 HZ 모터 전류, 25 HZ 모터 속도, 및 이들 3개의 신호로부터 유도된 기타 파형(예를 들어, 모터 속도 설정, 좌심실 압력 및 심박수)을 포함하였다. 데이터는 판막경 미세축 심장 펌프(예: 판막경 미세축 심장 펌프(110))에 연결된 의료 장치 제어기(예: 제어기(130))에 의해 캡처되었다. 본 명세서에서 사용되는 바와 같이, 25HZ 시계열은 실시간(RT) 데이터로 지칭된다. 평균 시간(AT) 데이터는 250개의 RT 데이터 포인트마다 평균을 내서 RT 데이터에서 파생되었다. 다른 구현들에서, RT 데이터 포인트들의 상이한 양들은 AT 데이터를 획득하기 위해 함께 평균화될 수 있다. 일부 구현들에서, RT 데이터 포인트들의 양은 예측의 원하는 타임스케일에 기초하여 선택될 수 있다. 도 10은 25HZ RT 대동맥 내압 및 모터 속도 시계열의 10초 샘플을 보여준다. 도 11은 0.1 HZ AT 대동맥 내압 시계열의 20분 샘플을 보여준다. 도시되는 바와 같이 평균 대동맥 내압의 파형은 비정상적이며(nonstationary) 대동맥 내압의 장기적인 추세와 환자의 신체 상태를 나타낼 수 있다.
운동 속도 설정, 좌심실 압력 및 심박수와 같은 기능은 모터 속도 및 대동맥 내압에서 파생될 수 있기 때문에, 모터 속도 및 대동맥 내압만 사용하여 앞서 기술된 딥 러닝 알고리즘의 일부의 효과를 테스트했다. 평균 시퀀스에는 모터 속도 및 대동맥 내압보다 모터 전류의 변동이 적기 때문에 모터 전류도 특징으로 포함되지 않았다. 그러나, 다른 구현에서, 이들 데이터 세트 중 임의의 것이 모터 속도 및/또는 대동맥 내압과 함께 또는 대신에 사용될 수 있다.
슬라이딩 윈도우를 사용하여 15,000개 샘플(10분)의 시퀀스를 생성했다. 센서 인공물이 생리적 MAP를 반영하지 않는 시퀀스(즉, 50mmHg 미만, 200mmHg 초과)는 제거되었다. 10mmHg 이상의 대동맥 내압 변화는 유의한 것으로 간주되었다. 이러한 시계열은 증가 시퀀스(I), 감소 시퀀스(D) 및 고정 시퀀스(S)의 세 가지 유형으로 분류되었다. 증가하는 시퀀스 및 감소하는 시퀀스의 전체 변화는 모두 10 mmHg 이상이었고 고정 시퀀스의 전체 변화는 10 mmHg 미만이었다. 최종적으로, 50,705개의 증가하는 RT 시퀀스, 50,577개의 감소하는 RT 시퀀스, 419,559개의 고정 RT 시퀀스가 수집되었다. 이 모든 시퀀스는 또한 길이가 60인 0.1 HZ AT 시퀀스로 변환되었다.
10개의 딥 러닝 알고리즘(즉, 평균 시간(AT) 입력이 있는 ARIMA, AT 입력이 있는 DNN, AT 입력이 있는 LMU, AT 입력이 있는 LSTM, AT 입력이 있는 주의 LSTM, 실시간(RT) 입력이 있는 TCN, AT 입력이 있는 TCN, AT 입력이 있는 변환기, AT 입력이 있는 피라미드 및 RT 입력이 있는 피라미드)는 5분 전에 평균 대동맥 내압(MAP)을 예측하도록 훈련되었다. 다른 구현들에서, 예상 윈도우는 증가되거나 감소될 수 있다. 예를 들어, 다른 구현에서 예상 윈도우는 10분 또는 15분으로 증가될 수 있다. 10개의 딥 러닝 알고리즘도 RMS-prop 옵티마이저와 0.8의 학습률 감쇠를 사용하여 훈련되었다. 60%-20%-20% 훈련-검증-테스트 분할이 사용되었다. 하이퍼파라미터의 가능한 조합이 많기 때문에, 10% 홀드아웃 데이터 세트에 대해 하이퍼파라미터 랜덤 그리드 검색을 수행했다. 예를 들어 Bergstra & Bengio, Random Search for Hyper-Parameter Optimization, Journal of Machine Learning Research 13 281-305, 2012를 참조할 수 있다. 하이퍼파라미터 검색 범위는 표 2에서 찾을 수 있다. RMSE(Root Mean Squared Error)는 평가 지표로 사용되었다. 검증 세트에서 계산된 RMSE의 이동 평균을 조기 중지 기준으로 사용했다. 64의 동일한 배치 크기가 모든 테스트에 사용되었다.

하이퍼-파라미터 랜덤 검색 범위
ARIMA #이동
범위
0~3		 #지연
1~10		 #차별화
0~3
LMU 학습
속도
0.1~0.00001		 #계층
0~9		 은닉
크기
64~512
NN 학습
속도
0.1~0.00001		 #계층
0~9		 은닉
크기
64~512
LSTM(주의) 학습
속도
0.1~0.00001		 드롭아웃
속도
0~0.9		 #인코더
계층
2~9		 #디코더
계층
1~3		 은닉
크기
64~512
TCN 학습
속도
0.1~0.00001		 드롭아웃
속도
0~0.9		 #인코더
계층
2~9		 #디코더
계층
2~9		 은닉
크기
64~512
변환기 학습
속도
0.1~0.00001		 드롭아웃
속도
0~0.9		 모델
크기
64~512		 FF 크기
64~512		 #계층
2~6		 #헤드
2~8
피라미드 학습
속도
0.1~0.00001		 드롭아웃
속도
0~0.9		 은닉
크기
64~512		 디코더
계층
1~5		 #매핑
계층
1~3		 #레벨
2~6
도 12는 테스트된 딥 러닝 알고리즘 중 일부에 의해 달성된 평균 RMSE의 비교를 제공한다. 왼쪽에서 오른쪽으로, 각 막대 그래프는 AT 입력이 있는 LMU, AT 입력이 있는 LSTM, AT 입력이 있는 주의 LSTM, AT 입력이 있는 DNN, AT 입력이 있는 TCN, AT 입력이 있는 변환기 및 AT 입력이 있는 피라미드에 의해 달성된 평균 RMSE를 제공한다. 표시된 대로 모델은 증가(I) 전용 데이터 세트, 감소(D) 전용 데이터 세트, 고정(S) 전용 데이터 세트 및 I-D-S 데이터 세트에서 테스트되었다. I-D-S 데이터 세트에는 세 가지 유형의 시퀀스가 모두 동일한 비율로 포함되어 있었다. 50,000개의 샘플 시퀀스가 I, D 및 S 데이터 세트에 포함되었다. 150,000개의 샘플 시퀀스가 I-D-S 데이터 세트에 포함되었다. 모든 모델은 I-D-S 데이터 세트에서 훈련되었다. 전반적으로 LMU 모델은 I-D-S 데이터 세트에서 평균 RMSE 1.837mmHg를 포함하여 최고의 평균 RMSE 점수를 일관되게 달성했다.
도 13 및 14는 2개의 최고 성능 모델, AT 입력이 있는 LMU 및 AT 입력이 있는 주의 LSTM에 의해 생성된 MAP 예측을 보여준다. 도 13은 24시간 동안의 단일 기록에 대한 실측(예를 들어, 실제 대동맥 내압)에 대한 MAP 예측을 예시한다. 검은색 선은 실측치이고 유색 선은 모델 예측치이다. 도 14는 증가 시퀀스, 감소 시퀀스 및 고정 시퀀스에 대한 MAP 예측을 예시한다. 점선은 실측치이고 실선은 모델 예측치이다. 대동맥 내압과 모터 속도의 이전 5분은 예측된 대동맥 내압 값을 생성하기 위한 입력이다. 도시되는 바와 같이, 두 모델 모두 실측을 밀접하게 따른다.
표 3은 증가-감소-고정(I, D, S) 데이터 세트의 순열에 대해 훈련된 모델에 대한 코호트당 모든 RMSE 값(mmHg)을 표시한다. 각 항목의 맨 위 숫자는 결합된 코호트의 RMSE 결과이다. 괄호 안의 세 값은 각각 증가, 감소 및 고정 시퀀스만 포함하는 세 가지 테스트 세트 각각의 RMSE이다. 모든 결과는 5회 실행의 평균이다. I-D-S 훈련 세트에는 세 가지 유형의 시퀀스가 모두 동일한 비율로 포함되어 있다. I-D 전용 훈련 세트에는 동일한 비율의 증가 시퀀스와 감소 시퀀스가 포함되어 있다. I-S 전용 훈련 세트에는 동일한 비율의 증가 시퀀스와 고정 시퀀스가 포함되어 있다. D-S 전용 훈련 세트에는 감소 시퀀스와 고정 시퀀스가 동일한 비율로 포함되었다.
도 15는 테스트된 딥 러닝 알고리즘 중 일부에 의해 달성된 평균 RMSE의 비교를 제공한다. 왼쪽에서 오른쪽으로, 각 막대 그래프는 AT 입력이 있는 LMU, AT 입력이 있는 LSTM, AT 입력이 있는 주의 LSTM, AT 입력이 있는 DNN, AT 입력이 있는 TCN, AT 입력이 있는 변환기 및 AT 입력이 있는 피라미드에 의해 달성된 평균 RMSE를 제공한다. 이 모델에는 다양한 훈련 및 테스트 데이터 세트가 사용되었다. 각 막대의 밝은 회색 부분은 초기 환자 코호트(N=20)와 현재 환자 코호트(N=67) 간의 예측 성능 향상을 나타낸다. 각 모델은 표 3과 관련하여 위에서 설명한 것처럼 증가-감소-고정(I, D, S) 데이터 세트의 순열에 대해 훈련되었다. 또한 각 모델은 도 12와 관련하여 위에서 설명된 바와 같은, 증가(I) 전용 데이터 세트, 감소(D) 전용 데이터 세트, 고정(S) 전용 데이터 세트, 및 IDS 데이터 세트에 대해 훈련되었다. 훈련 세트에 고정 시퀀스가 없으면 모든 모델은 고정 시퀀스를 예측하는 데 필적하거나 더 나은 성능을 얻을 수 있다. 또한 각 막대 위에 그려진 개선 사항은 앞으로 더 많은 데이터가 수집됨에 따라 모델 성능이 더욱 향상될 가능성을 보여준다.
모델/훈련 세트 I-D-S I-D I-S D-S
ARIMA(AT) 15.943(10.151-10.089-
7.894)		 13.999
(10.713-9.11-
6.444)		 19.16
(8.556-9.068-
4.549)		 16.73
(10.176-8.703-
8.058)
NN(AT) 4.842(6.337-5.434-
3.488)		 5.809
(5.968-5.73-
4.111)		 4.519
(6.116-5.393-
2.094)		 4.39
(5.525-5.756-
2.118)
LMU(AT) 1.837(2.507-2.491-
0.545) 		2.143
(2.111-2.19-
0.825)		 2.079
(2.621-3.088-
0.572)		 2.011
(2.901-2.64-
0.491)
LSTM(AT) 3.363(4.577-4.468-
2.211)		 4.603
(4.92-4.619-
3.508)		 3.359
(4.609-6.131-
2.064)		 3.638
(6.17-4.789-
2.041)
LSTM_주의(AT) 3.799(4.904-4.686-
2.102)		 4.746
(5.031-4.841-
3.158)		 3.118
(4.323-6.161-
2.139)		 3.07
(6.262-4.159-
2.057)
TCN(AT) 5.153(6.337-5.434-
3.488)		 5.603
(6.031-5.349-
3.714)		 4.383
(5.709-5.95-
2.741)		 4.543
(7.337-5.664-
3.131)
피라미드(AT) 5.947(6.555-6.056-
5.231)		 5.587
(5.841-5.444-
3.333)		 4.489
(6.146-5.98-
2.485)		 4.236
(6.799-5.341-
2.793)
변환기(AT) 5.589(6.57-6.352-
3.223)		 6.492
(6.888-6.095-
4.968)		 4.7
(6.146-6.884-
2.561)		 4.605
(6.508-6.047-
2.348)
TCN(RT) 6.555(6.757-6.804-
4.686)		 7.158
(8.142-7.126-
5.619)		 6.854
(6.869-7.983-
4.835)		 7.413
(9.7-6.293-
5.111)
피라미드(RT) 7.224(7.8-7.271-
5.838)		 7.777
(9.682-6.714-
5.714)		 6.628
(7.411-6.688-
4.504)		 7.597
(9.316-6.63-
6.001)
전반적으로, 이러한 테스트 결과는 위에서 설명된 시스템 및 방법이 환자의 대동맥 내압을 정확하게 예측하는 데 사용될 수 있음을 입증한다. 5~15분 전에 경고가 와도, 환자의 대동맥 내압의 임박한 변화에 대한 사전 경고는 임상 결과를 크게 향상시킬 수 있다. 예를 들어 Wijnberge et al., Effect of a Machine Learning-Derived Early Warning System for Intraoperative Hypotension vs Standard Care on Depth and Duration of Intraoperative Hypotension during Elective Noncardiac Surgery: The HYPE Randomized Clinical Trial, JAMA, Careing the Critically Ill Patient, doi:10.1001/jama.2020.0592, 2020 의 저자가 관찰한 바에 따르면, 머신 러닝 경고 시스템을 사용하여 임상의에게 가능한 저혈압을 알렸을 때 수술 중 저혈압 사건에 소요되는 시간이 상당히 줄어들었다. 대동맥 내압의 상당한 변화(예: +/-10 mmHg)를 예측할 수 있고 간병인에게 알려줌으로써, 혈역학적 불안정이 발생하기 전에 임상의가 적절하게 개입할 시간이 부여된다. 또한 대동맥 내압 예측은 기본 심장 회복 후 기계적 순환 지원에서 환자를 떼는 데 도움이 될 수 있다. 혈역학적 지원의 레벨은 판막경 펌프의 모터 속도를 변경하여 다양할 수 있으므로 MAP의 사전 예측은 혈역학적 지원의 유지/증가에도 도움이 될 수 있다.
전술한 바와 다양한 도면을 참조하여, 당업자는 본 발명의 범위를 벗어남이 없이 본 개시내용에 특정 수정이 또한 이루어질 수 있음을 이해할 것이다. 본 발명의 여러 구현이 도면에 도시되어 있지만, 본 발명이 이에 제한되는 것은 아니며, 본 발명은 본 발명이 허용하는 범위 내에서 본 발명이 허용되는 범위만큼 광범위하고 명세서도 마찬가지로 읽혀야 한다. 따라서, 위의 설명은 제한하는 것으로 해석되어서는 안 되며, 단지 특정 구현의 예시로서 해석되어야 한다. 당업자는 여기에 첨부된 청구범위의 범위 및 정신 내에서 다른 수정을 구상할 것이다.

Claims (27)

  1. 시스템에 있어서,
    모터 및 압력 센서를 포함하는 판막경 미세축 심장 펌프; 그리고
    하나 이상의 프로세서를 포함하되, 상기 하나 이상의 프로세서는:
    상기 판막경 미세축 심장 펌프가 환자의 심장에 적어도 부분적으로 위치할 때 일정 시간 동안 압력 센서에 의해 측정된 압력 값에 대응하는 대동맥 내압 측정치 세트를 획득하도록 구성되고;
    상기 일정 시간 동안 모터의 회전 속도에 해당하는 모터 속도 측정치 세트를 획득하도록 구성되며;
    훈련된 머신 러닝 모델을 사용하여, 대동맥 내압 세트 및 모터 속도 측정치 세트를 기반으로 환자의 대동맥 내압을 예측하도록 구성되고; 그리고
    환자의 예측된 대동맥 내압을 기반으로 모터의 속도 설정을 자동으로 조정하도록 구성되는, 시스템.
  2. 제1항에 있어서, 상기 하나 이상의 프로세서는 상기 일정 시간 동안 모터의 에너지 섭취량에 대응하는 전류 측정치 세트를 획득하도록 추가로 구성되고, 상기 예측은 상기 전류 측정치 세트에 추가로 기초하는 것인, 시스템.
  3. 제1항에 있어서, 상기 판막경 미세축 심장 펌프는 튜브, 모터에 의해 혈액을 튜브 내로 끌어들일 수 있는 하나 이상의 개구를 갖는 입구 영역, 및 모터에 의해 튜브로부터 혈액을 배출할 수 있는 하나 이상의 개구를 가진 출구 영역을 더 포함하고, 상기 압력 센서는 상기 출구 영역에 결합되는, 시스템.
  4. 제3항에 있어서, 상기 판막경 미세축 심장 펌프는 상기 입구 영역에 결합된 추가 압력 센서를 추가로 포함하고, 상기 하나 이상의 프로세서는 상기 일정 시간 동안 상기 추가 압력 센서에 의해 측정되는 압력 값에 대응하는 좌심실 압력 측정치 세트를 획득하도록 추가로 구성되고, 상기 예측은 좌심실 압력 측정치 세트에 추가로 기초하는, 시스템.
  5. 제1항에 있어서, 상기 머신 러닝 모델은 딥 러닝 모델인, 시스템.
  6. 제5항에 있어서, 상기 딥 러닝 모델은 ARIMA(Autoregressive Integrated Moving Average) 모델, DNN(Deep Neural Network) 모델, 회귀성 시퀀스-시퀀스(Recurrent Sequence to Sequence) 모델, 회귀성 시퀀스-시퀀스 위드 어텐션(Recurrent Sequence to Sequence with Attention) 모델, 변환기 모델, TCN(Temporal Convolutional Neural Network) 모델 또는 컨볼루션 신경 피라미드(Convolutional Neural Pyramid) 모델인, 시스템.
  7. 제5항에 있어서, 상기 딥 러닝 모델은 르장드르 메모리 유닛(Legendre Memory Unit: LMU)을 갖는 회귀성 시퀀스-시퀀스 모델인 시스템.
  8. 제1항에 있어서, 상기 머신 러닝 모델은 증가 시퀀스, 감소 시퀀스 및 정지 시퀀스를 포함하는 데이터 세트에 대해 훈련되고, 각각의 시퀀스는 대동맥 내압 및 모터 속도 측정치를 포함하는, 시스템.
  9. 제8항에 있어서, 시퀀스 내의 대동맥 내압 측정치가 미리 결정된 임계값보다 증가하면 시퀀스가 증가하고, 시퀀스 내의 대동맥 내압 측정치가 미리 결정된 임계값보다 감소하면 시퀀스가 감소하며, 시퀀스 내의 대동맥 내압 측정값이 미리 결정된 임계값보다 증가하거나 감소하지 않는 경우 시퀀스는 고정적인, 시스템.
  10. 제9항에 있어서, 미리 결정된 임계값은 10 mmHg인, 시스템.
  11. 제8항에 있어서, 각각의 시퀀스는 미리 결정된 수의 대동맥압 및 모터 속도 측정치를 포함하는, 시스템.
  12. 제8항에 있어서, 각각의 시퀀스는 실시간(RT) 대동맥 내압 및 모터 속도 측정치를 포함하는, 시스템.
  13. 제8항에 있어서, 각각의 시퀀스는 평균 시간(AT) 대동맥 내압 및 모터 속도 측정치를 포함하는, 시스템.
  14. 제1항에 있어서, 상기 머신 러닝 모델은 증가 및 감소 시퀀스만을 포함하는 데이터 세트에 대해 훈련되고, 각각의 시퀀스는 대동맥 내압 및 모터 속도 측정치를 포함하는, 시스템.
  15. 제13항에 있어서, 시퀀스 내의 대동맥 내압 측정치가 미리 결정된 임계값보다 증가하면 시퀀스가 증가하고, 시퀀스 내의 대동맥 내압 측정치가 미리 결정된 임계값보다 감소하면 시퀀스가 감소하는, 시스템.
  16. 제1항에 있어서, 환자의 예측된 대동맥 내압에 기초하여 모터의 속도 설정을 자동으로 조정하는 단계는, 환자의 예측된 대동맥 내압이 환자의 현재 대동맥 내압보다 미리 결정된 양 이상으로 낮을 때 모터의 속도 설정을 일시적으로 증가시키는 단계를 포함하는, 시스템.
  17. 시스템에 있어서,
    모터 및 압력 센서를 포함하는 판막경 미세축 심장 펌프;
    하나 이상의 프로세서; 및
    디스플레이를 포함하되, 상기 하나 이상의 프로세서는:
    상기 판막경 미세축 심장 펌프가 환자의 심장에 적어도 부분적으로 위치할 때 일정 시간 동안 압력 센서에 의해 측정된 압력 값에 대응하는 대동맥 내압 측정치 세트를 획득하도록 구성되고;
    상기 일정 시간 동안 모터의 회전 속도에 해당하는 모터 속도 측정치 세트를 획득하도록 구성되며; 그리고,
    훈련된 머신 러닝 모델을 사용하여, 대동맥 내압 세트 및 모터 속도 측정치 세트를 기반으로 환자의 대동맥 내압을 예측하도록 구성되고;
    상기 디스플레이는 환자의 예측된 대동맥 내압을 디스플레이하도록 구성되는, 시스템.
  18. 제17항에 있어서, 상기 디스플레이는 환자의 예측된 대동맥 내압을 환자의 현재 대동맥 내압 및 모터의 현재 속도 설정과 함께 동시에 디스플레이하도록 구성되는, 시스템.
  19. 제17항에 있어서, 상기 디스플레이는 환자의 예측된 대동맥 내압이 환자의 현재 대동맥 내압보다 미리 결정된 양 이상으로 적은 경우 경고를 디스플레이하도록 추가로 구성되는 시스템.
  20. 제17항에 있어서, 상기 디스플레이는 그래프의 일부로서 환자의 예측된 대동맥 내압을 디스플레이하도록 구성되는 시스템.
  21. 환자의 신체에 수용된 판막경 미세축 심장 펌프로 환자를 치료하는 방법으로서, 상기 방법은:
    환자의 신체에 판막경 미세축 심장 펌프를 삽입하는 단계;
    상기 판막경 미세축 펌프가 환자의 심장에 적어도 부분적으로 위치할 때 일정 시간 동안 상기 판막경 미세축 심장 펌프에 위치된 압력 센서에 의해 측정된 압력 값에 대응하는 대동맥 내압 측정치 세트를 획득하는 단계;
    상기 일정 시간 동안 모터의 회전 속도에 대응하는 모터 속도 측정치 세트를 획득하는 단계;
    훈련된 머신 러닝 모델을 사용하여, 대동맥 내압 세트 및 모터 속도 측정치 세트에 기반하여 환자의 대동맥 내압을 예측하는 단계; 및
    환자의 예측된 대동맥 내압을 기반으로 모터의 속도 설정을 자동으로 조정하는 단계를 포함하는, 환자 치료 방법.
  22. 제21항에 있어서, 상기 일정 시간 동안 모터의 에너지 섭취량에 대응하는 전류 측정치 세트를 획득하는 단계를 더 포함하고, 상기 예측은 상기 전류 측정치 세트에 추가로 기초하는, 환자 치료 방법.
  23. 제21항에 있어서, 상기 판막경 미세축 심장 펌프는 튜브, 모터에 의해 튜브 내로 혈액을 끌어들일 수 있는 하나 이상의 개구를 갖는 입구 영역, 및 모터에 의해 튜브로부터 혈액을 배출할 수 있는 하나 이상의 개구를 갖는 출구 영역을 추가로 포함하고, 상기 압력 센서는 상기 출구 영역에 결합되는, 환자 치료 방법.
  24. 제23항에 있어서, 상기 판막경 미세축 심장 펌프는 상기 입구 영역에 결합된 추가 압력 센서를 더 포함하고, 상기 방법은 상기 일정 시간 동안 상기 추가 압력 센서에 의해 측정된 압력 값에 대응하는 좌심실 압력 측정치 세트를 획득하는 단계를 더 포함하며, 상기 예측은 좌심실 압력 측정치 세트에 추가로 기초하는, 환자 치료 방법.
  25. 제21항에 있어서,
    예측된 대동맥 내압에 기초하여 환자에게 제공되는 약물의 양을 조절하는 단계를 더 포함하는, 환자 치료 방법.
  26. 제21항에 있어서,
    대동맥 내압이 증가할 것으로 예상되는 경우 모터 속도를 감소시키는 단계를 더 포함하는, 환자 치료 방법.
  27. 제21항에 있어서,
    대동맥 내압이 감소할 것으로 예상되는 경우 모터 속도를 증가시키는 단계를 더 포함하는, 환자 치료 방법.
KR1020217043441A 2019-05-31 2020-06-01 대동맥 내압 예측 KR20220020287A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962855389P 2019-05-31 2019-05-31
US62/855,389 2019-05-31
PCT/US2020/070103 WO2020243756A1 (en) 2019-05-31 2020-06-01 Intra-aortic pressure forecasting

Publications (1)

Publication Number Publication Date
KR20220020287A true KR20220020287A (ko) 2022-02-18

Family

ID=71950846

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217043441A KR20220020287A (ko) 2019-05-31 2020-06-01 대동맥 내압 예측

Country Status (10)

Country Link
US (2) US11581083B2 (ko)
EP (1) EP3977474A1 (ko)
JP (1) JP2022534290A (ko)
KR (1) KR20220020287A (ko)
CN (1) CN114126701A (ko)
AU (1) AU2020282983A1 (ko)
CA (1) CA3138340A1 (ko)
IL (1) IL288407A (ko)
SG (1) SG11202112525VA (ko)
WO (1) WO2020243756A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7410901B2 (ja) 2021-03-17 2024-01-10 株式会社豊田中央研究所 モデル学習装置、制御装置、モデル学習方法、および、コンピュータプログラム
WO2023076603A1 (en) 2021-10-29 2023-05-04 Abiomed, Inc. Controlled purge recovery using tissue plasminogen activator (tpa)
CN114790982B (zh) * 2022-03-25 2024-03-05 浙江迪远医疗器械有限公司 血泵运行状态的监测方法、装置、电子设备及存储介质
US11464573B1 (en) * 2022-04-27 2022-10-11 Ix Innovation Llc Methods and systems for real-time robotic surgical assistance in an operating room
CN114818997B (zh) * 2022-06-28 2022-09-16 苏芯物联技术(南京)有限公司 一种基于高频焊接时序数据的烧穿故障预测方法
CN115153478A (zh) * 2022-08-05 2022-10-11 上海跃扬医疗科技有限公司 心率监测方法及系统、存储介质、终端

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10060275A1 (de) * 2000-12-05 2002-06-13 Impella Cardiotech Ag Verfahren zum Kalibrieren eines Drucksensors oder eines Flussensors an einer Rotationspumpe
US9345824B2 (en) 2014-07-07 2016-05-24 Assistocor Gmbh & Co Kg Ventricular assist device
EP3181163A1 (de) * 2015-12-14 2017-06-21 Berlin Heart GmbH Blutpumpe zur herzunterstützung und verfahren zu ihrem betrieb
EP3426317A4 (en) * 2016-03-10 2019-02-27 The University of Chicago VENTRICULAR FILL PHASE SLOPE USED AS HIGH PULMONARY CAPILLARY PRESSURE INDICATOR AND / OR CARDIAC INDEX
DK3287154T3 (da) 2016-08-23 2019-11-18 Abiomed Europe Gmbh Ventrikulær hjælpeindretning
CA3033662A1 (en) * 2016-08-25 2018-03-01 Cala Health, Inc. Systems and methods for treating cardiac dysfunction through peripheral nerve stimulation
JP6998942B2 (ja) * 2016-09-19 2022-01-18 アビオメド インコーポレイテッド 心機能を定量化し、心臓の回復を促進する心血管補助システム
DK3634526T3 (da) 2017-06-09 2024-03-11 Abiomed Inc Bestemmelse af hjerteparametre til modulation af blodpumpestøtte
US11338125B2 (en) * 2017-12-21 2022-05-24 Abiomed, Inc. Systems and methods for predicting patient health status
SG11202012262XA (en) * 2018-06-19 2021-01-28 Abiomed Inc Systems and methods for determining cardiac performance

Also Published As

Publication number Publication date
CA3138340A1 (en) 2020-12-03
WO2020243756A1 (en) 2020-12-03
US11581083B2 (en) 2023-02-14
JP2022534290A (ja) 2022-07-28
AU2020282983A1 (en) 2022-02-10
US20230245754A1 (en) 2023-08-03
US11972856B2 (en) 2024-04-30
SG11202112525VA (en) 2021-12-30
US20200376183A1 (en) 2020-12-03
CN114126701A (zh) 2022-03-01
EP3977474A1 (en) 2022-04-06
IL288407A (en) 2022-01-01

Similar Documents

Publication Publication Date Title
KR20220020287A (ko) 대동맥 내압 예측
US11864944B2 (en) Systems and methods for a deep neural network to enhance prediction of patient endpoints using videos of the heart
Nemati et al. Optimal medication dosing from suboptimal clinical examples: A deep reinforcement learning approach
US20200211706A1 (en) Intelligent traditional chinese medicine diagnosis method, system and traditional chinese medicine system
CN111432720A (zh) 基于ecg的心脏射血分数筛查
US20190378619A1 (en) Using machine learning to predict health conditions
WO2023202500A1 (zh) 一种基于深度强化学习的血透患者干体重辅助调节系统
Chang et al. Risk prediction of critical vital signs for ICU patients using recurrent neural network
KR102439082B1 (ko) 딥러닝 기반 심전도 분석데이터를 이용한 일반인의 간질환 보유 가능성 예측 방법
CN114420231B (zh) 一种可解释的急性肾损伤持续预警方法、系统、存储介质及电子设备
Habib et al. A neutrosophic clinical decision-making system for cardiovascular diseases risk analysis
McGilvray et al. Electronic health record-based deep learning prediction of death or severe decompensation in heart failure patients
US20230094657A1 (en) System and method for prediction of intradialytic adverse event and computer readable medium thereof
CN114582511B (zh) 一种支气管扩张症急性加重期预警方法、装置、设备及介质
EP3861555A1 (en) Tree-based data exploration and data-driven protocol
CN110136791A (zh) 一种大数据健康信息管理系统
CN114783587A (zh) 严重急性肾损伤智能预测系统
CN113017572A (zh) 一种重症预警方法、装置、电子设备及存储介质
Singh et al. Classification of Arrhythmia using Transfer Learning and its Applications in Smart Wearables
Huang et al. Aortic Pressure Forecasting with Deep Sequence Learning
Zhao et al. Improving Mortality Risk Prediction Using an LSTM Network Combined With Self-Attention
Verbrugge et al. Cause-specific mortality and heart failure readmissions according to the HFA-PEFF algorithm in patients hospitalized for heart failure with preserved ejection fraction and volume overload
Xiao et al. Management and Analysis of Sports Health Level of the Elderly Based on Deep Learning
CN117462099A (zh) 基于血压数据的健康评估方法、装置、存储介质及电子设备
Li et al. Clinical applications of machine learning in heart failure