KR20230044545A - 시뮬레이션된 심장도의 교정 - Google Patents

시뮬레이션된 심장도의 교정 Download PDF

Info

Publication number
KR20230044545A
KR20230044545A KR1020237009924A KR20237009924A KR20230044545A KR 20230044545 A KR20230044545 A KR 20230044545A KR 1020237009924 A KR1020237009924 A KR 1020237009924A KR 20237009924 A KR20237009924 A KR 20237009924A KR 20230044545 A KR20230044545 A KR 20230044545A
Authority
KR
South Korea
Prior art keywords
electromagnetic
patient
component
source
block
Prior art date
Application number
KR1020237009924A
Other languages
English (en)
Inventor
크리스토퍼 빌롱코
Original Assignee
벡터 메디칼, 인크.
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
Priority claimed from US16/043,054 external-priority patent/US11253206B2/en
Priority claimed from US16/206,005 external-priority patent/US10860754B2/en
Application filed by 벡터 메디칼, 인크. filed Critical 벡터 메디칼, 인크.
Publication of KR20230044545A publication Critical patent/KR20230044545A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/1206—Generators therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/319—Circuits for simulating ECG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A61B18/14—Probes or electrodes therefor
    • A61B18/1492—Probes or electrodes therefor having a flexible, catheter-like structure, e.g. for heart ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00315—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for treatment of particular body parts
    • A61B2018/00345—Vascular system
    • A61B2018/00351—Heart
    • A61B2018/00357—Endocardium
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00571—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for achieving a particular surgical effect
    • A61B2018/00577—Ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/00791—Temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/00839—Bioelectrical parameters, e.g. ECG, EEG
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00904—Automatic detection of target tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/102—Modelling of surgical devices, implants or prosthesis
    • A61B2034/104—Modelling the effect of the tool, e.g. the effect of an implanted prosthesis or for predicting the effect of ablation or burring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/101—Computer-aided simulation of surgical operations
    • A61B2034/105—Modelling of the patient, e.g. for ligaments or bones
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/10—Computer-aided planning, simulation or modelling of surgical operations
    • A61B2034/107—Visualisation of planned trajectories or target regions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A61B2034/2046—Tracking techniques
    • A61B2034/2051—Electromagnetic tracking systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B34/00—Computer-aided surgery; Manipulators or robots specially adapted for use in surgery
    • A61B34/20—Surgical navigation systems; Devices for tracking or guiding surgical instruments, e.g. for frameless stereotaxis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • A61B5/283—Invasive
    • A61B5/287—Holders for multiple electrodes, e.g. electrode catheters for electrophysiological study [EPS]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
    • A61B5/6847—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive mounted on an invasive device
    • A61B5/6852—Catheters
    • A61B5/6858—Catheters with a distal basket, e.g. expandable basket
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Robotics (AREA)
  • Fuzzy Systems (AREA)
  • Otolaryngology (AREA)
  • Plasma & Fusion (AREA)
  • Bioethics (AREA)
  • Urology & Nephrology (AREA)

Abstract

의료, 과학, 연구 및/또는 엔지니어링 목적을 위해 심장의 전자기 상태를 나타내는 데이터를 생성하기 위한 시스템이 제공된다. 시스템은 심장의 치수, 심장 내의 흉터 또는 섬유증의 치수 및 전부정맥 기질 위치 및 심장의 전자기 출력의 계산 모델과 같은 근원 구성에 기초하여 데이터를 생성한다. 시스템은 집단에서 발견될 수 있는 대표적인 근원 구성을 제공하기 위해 근원 구성을 동적으로 생성할 수 있다. 전자기 근원의 각각의 근원 구성에 대해, 시스템은 그 근원 구성에 대해 모델링된 전자기 출력(예컨대, 전자기 격자의 각각의 지점에서 전압을 이용한 각각의 시뮬레이션 단계 동안의 전자기 격자)을 생성하기 위해 심장 기능의 시뮬레이션을 실행한다. 시스템은 부정맥의 근원 위치를 예측하는데 사용하기 위해 그 근원 구성의 모델링된 전자기 출력으로부터 각각의 근원 구성에 대한 심장도를 생성할 수 있다.

Description

시뮬레이션된 심장도의 교정{CALIBRATION OF SIMULATED CARDIOGRAMS}
관련 출원에 대한 상호 참조
본 출원은 미국 가출원 제62/663,049호(출원일: 2018년 4월 26일, 발명의 명칭: "MACHINE LEARNING USING SIMULATED CARDIOGRAMS")(변리사 문서 번호 129292-8002.US00)호에 대해 우선권을 주장하고, 미국 가출원 제62/760,561호(출원일: 2018년 11월 13일, 발명의 명칭: "RECORD ABLATION PROCEDURE RESULTS IN A DISTRIBUTED LEDGER")(변리사 문서 번호 129292-8014.US00)에 대해 우선권을 주장하며, 미국 특허 출원 제16/042,984호(출원일: 2018년 7월 23일, 발명의 명칭: "GENERATING SIMULATED ANATOMIES OF AN ELECTROMAGNETIC SOURCE")(변리사 문서 번호 129292-8003.US00)의 부분 계속 출원이며, 미국 특허 출원 제16/042,953호(출원일: 2018년 7월 23일, 발명의 명칭: "GENERATING A MODEL LIBRARY OF MODELS OF AN ELECTROMAGNETIC SOURCE")(변리사 문서 번호 129292-8004.US00)의 부분 계속 출원이며, 미국 특허 출원 제16/042,973호(출원일: 2018년 7월 23일, 발명의 명칭: "USER INTERFACE FOR PRESENTING SIMULATED ANATOMIES OF AN ELECTROMAGNETIC SOURCE")(변리사 문서 번호 129292-8005.US00)의 부분 계속 출원이며, 미국 특허 출원 제16/042,993호(출원일: 2018년 7월 23일, 발명의 명칭: "CONVERTING A POLYHEDRAL MESH REPRESENTING AN ELECTROMAGNETIC SOURCE")(변리사 문서 번호 129292-8006.US00)의 부분 계속 출원이며, 미국 특허 출원 제16/043,011호(출원일: 2018년 7월 23일, 발명의 명칭: "GENERATING APPROXIMATIONS OF CARDIOGRAMS FROM DIFFERENT SOURCE CONFIGURATIONS")(변리사 문서 번호 129292-8007.US00)의 부분 계속 출원이며, 미국 특허 출원 제16/043,022호(출원일: 2018년 7월 23일, 발명의 명칭: "BOOTSTRAPPING A SIMULATION-BASED ELECTROMAGNETIC OUTPUT OF A DIFFERENT ANATOMY")(변리사 문서 번호 129292-8008.US00)의 부분 계속 출원이며, 미국 특허 출원 제16/043,034호(출원일: 2018년 7월 23일, 발명의 명칭: "IDENTIFYING AN ATTRIBUTE OF AN ELECTROMAGNETIC SOURCE CONFIGURATION BY MATCHING SIMULATED AND PATIENT DATA")(변리사 문서 번호 129292-8009.US00)의 부분 계속 출원이며, 미국 특허 출원 제16/043,041호(출원일: 2018년 7월 23일, 발명의 명칭: "MACHINE LEARNING USING CLINICAL AND SIMULATED DATA")(변리사 문서 번호 129292-8010.US00)의 부분 계속 출원, 미국 특허 출원 제16/043,050호(출원일: 2018년 7월 23일, 발명의 명칭: "DISPLAY OF AN ELECTROMAGNETIC SOURCE BASED ON A PATIENT-SPECIFIC MODEL")(변리사 문서 번호 129292-8011.US00)의 부분 계속 출원, 미국 특허 출원 제16/043,054호(출원일: 2018년 7월 23일, 발명의 명칭: "DISPLAY OF AN ELECTRICAL FORCE GENERATED BY AN ELECTRICAL SOURCE WITHIN A BODY")(변리사 문서 번호 129292-8012.US00)의 부분 계속 출원, 미국 특허 출원 제16/162,695호(출원일: 2018년 10월 17일, 발명의 명칭: "MACHINE LEARNING USING SIMULATED CARDIOGRAMS")(변리사 문서 번호 129292-8002.US01)의 부분 계속 출원, 미국 특허 출원 제16/206,005호(출원일: 2018년 11월 30일, 발명의 명칭: "CALIBRATION OF SIMULATED CARDIOGRAMS")(변리사 문서 번호 129292-8015.US00)의 부분 계속 출원, 및 미국 특허 출원 제16/247,463호(출원일: 2019년 1월 14일, 발명의 명칭: "IDENTIFY ABLATION PATTERN FOR USE IN AN ABLATION")(변리사 문서 번호 129292-8016.US00)의 부분 계속 출원이며, 이러한 출원의 각각은 그 전체에 있어서 참조에 의해 본 명세서에 원용된다.
많은 심장 질환은 증상, 병적 상태(예컨대, 실신 또는 뇌졸중), 및 사망을 유발할 수 있다. 부정맥에 의해 유발되는 일반적인 심장 질환은 부적절한 동성빈맥(inappropriate sinus tachycardia: "IST"), 이소성 심방 리듬, 이음부 리듬, 심실 탈출 리듬, 심방세동(atrial fibrillation: "AF"), 심실세동(ventricular fibrillation: "VF"), 초점 심방빈맥(focal atrial tachycardia)("초점 AT"), 심방 미세입력, 심실빈맥(ventricular tachycardia: "VT"), 심방조동(atrial flutter: "AFL"), 조기 심실 콤플렉스("PVC"), 조기 심방 콤플렉스(premature ventricular complex: "PAC"), 방실 결절 회귀성 빈맥(atrioventricular nodal reentrant tachycardia: "AVNRT"), 방실 회귀성 빈맥(atrioventricular reentrant tachycardia: "AVRT"), 영구 접합성 왕복 빈맥(permanent junctional reciprocating tachycardia: "PJRT"), 및 접합성 빈맥(unctional tachycardia: "JT")을 포함한다. 부정맥의 근원은 전기 로터(예컨대, 심실세동), 반복되는 전기 초점 근원(예컨대, 심방빈맥), 해부학적 기반 재진입(예컨대, 심실빈맥) 등을 포함할 수 있다. 이러한 근원은 지속적이거나 임상적으로 중요한 증상의 발현의 중요한 동인이다. 부정맥은 심장 질환의 근원을 표적화하는 것에 의해 고주파 에너지 절제, 냉동 절제, 초음파 절제, 레이저 절제, 외부 방사선원, 직접 유전자 치료 등을 포함하는 다양한 기술을 사용하여 절제를 통해 치료될 수 있다. 심장 질환의 근원과 근원의 위치가 환자마다 다르기 때문에, 일반적인 심장 질환의 경우에, 표적 치료는 부정맥의 근원이 식별되는 것을 요구한다.
불행하게, 심장 질환의 근원의 근원 위치를 확실하게 식별하기 위한 현재의 방법은 복잡하고 번거로우며 비용이 많이들 수 있다. 예를 들어, 한 가지 방법은 예를 들어 VF의 유발된 증상의 발현 동안과 같이 심장의 전기 활동의 측정치를 심장 내에서 수집하기 위해 혈관 내에서 심장(예컨대, 좌심실) 내로 삽입되는 다중 전극 바스켓 카테터(multi-electrode basket catheter)를 갖는 전기 생리학적 카테터를 사용한다. 이어서, 측정치는 가능한 근원 위치를 식별하는 것을 돕도륵 분석될 수 있다. 현재, 전기 생리학적 카테터는 비싸고(그리고 일반적으로 단일 사용으로 제한되며), 심장 천공 및 탐폰법을 포함하는 심각한 합병증으로 이어질 수 있다. 또 다른 방법은 환자의 신체 표면으로부터 측정치를 수집하기 위하여 전극을 갖는 외부 신체 표면 조끼를 사용하며, 측정치는 부정맥 근원 위치를 식별하는 것을 돕도록 분석될 수 있다. 이러한 신체 표면 조끼는 비싸고 복잡하고 제조가 어렵고, 부정맥 동안 측정치를 수집하기 위해 VF를 유도한 후에 필요한 제세동기 패드의 배치를 방해할 수 있다. 아울러, 조끼 분석은 컴퓨터 단층 촬영("CT") 스캔을 요구하며, 약 20%의 부정맥 근원이 발생할 수 있는 심실간 및 심방간 중격을 감지할 수 없다.
미국 특허공보 US 5,458,116 (1995.10.17)
본 출원은 컬러로 실행되는 적어도 하나의 도면을 포함한다. 컬러 도면(들)을 이용한 본 출원서의 사본은 요청 및 필요한 비용 지불시 사무소에서 제공할 것이다.
도 1은 일부 실시형태에서 MLMO 시스템의 전체 처리를 예시하는 블록도이다.
도 2는 일부 실시형태에서 MLMO 시스템에 의해 분류자(classifier)를 생성하는 전체 처리를 예시하는 흐름도이다.
도 3은 일부 실시형태에서 컨볼루션 신경망(convolutional neural network)을 사용하는 트레이닝 및 분류를 예시하는 블록도이다.
도 4는 일부 실시형태에서 MLMO 시스템의 생성 분류자 컴포넌트(generate classifier component)의 처리를 예시하는 흐름도이다.
도 5는 일부 실시형태에서 MLMO 시스템의 생성 시뮬레이션된 VCG 컴포넌트의 처리를 예시하는 흐름도이다.
도 6은 일부 실시형태에서 MLMO 시스템의 사이클에 대한 생성 트레이닝 데이터 컴포넌트의 처리를 예시하는 흐름도이다.
도 7은 일부 실시형태에서 MLMO 시스템의 식별 사이클 컴포넌트의 처리를 예시하는 흐름도이다.
도 8은 일부 실시형태에서 MLMO 시스템의 정상화 사이클 컴포넌트의 처리를 예시하는 블록도이다.
도 9는 일부 실시형태에서 MLMO 시스템의 유사한 사이클 컴포넌트의 시퀀스에 대한 생성 트레이닝 데이터의 처리를 예시하는 흐름도이다.
도 10은 일부 실시형태에서 MLMO 시스템의 분류 컴포넌트의 처리를 예시하는 흐름도이다.
도 11은 일부 실시형태에서 MLG 시스템의 컴포넌트를 예시하는 블록도이다.
도 12는 시드 해부학적 구조(seed anatomy)로부터 시뮬레이션된 해부학적 구조의 생성을 예시하는 블록도이다.
도 13은 일부 실시형태에서 시뮬레이션된 해부학적 구조를 보기 위한 사용자 경험을 예시하는 디스플레이 페이지이다.
도 14는 일부 실시형태에서 MLG 시스템의 생성 모델 라이브러리 컴포넌트의 처리를 예시하는 흐름도이다.
도 15는 일부 실시형태에서 MLG 시스템의 생성 시뮬레이션된 해부학적 구조 컴포넌트의 처리를 예시하는 흐름도이다.
도 16은 일부 실시형태에서 MLG 시스템의 생성 시뮬레이션된 해부학적 구조 컴포넌트의 처리를 예시하는 흐름도이다.
도 17은 일부 실시형태에서 MLG 시스템의 생성 근원 구성 컴포넌트의 처리를 예시하는 흐름도이다.
도 18은 일부 실시형태에서 MLG 시스템의 생성 모델 컴포넌트의 처리를 예시하는 흐름도이다.
도 19는 일부 실시형태에서 MLG 시스템의 디스플레이 시뮬레이션된 해부학적 구조 컴포넌트의 처리를 예시하는 흐름도이다.
도 20은 유사한 해부학적 파라미터를 이용한 이전의 시뮬레이션의 EM 격자에 기초하여 시뮬레이션을 부트스트래핑하는 프로세스를 예시하는 블록도이다.
도 21은 일부 실시형태에서 MLG 시스템 그룹의 대표적인 부정맥 모델에 대한 전압 솔루션을 생성하기 위한 컴포넌트의 처리를 예시하는 흐름도이다.
도 22는 일부 실시형태에서 MLG 시스템의 대표적인 전압 솔루션에 기초하여 부정맥 모델의 그룹에 대한 생성 전압 솔루션 컴포넌트의 처리를 예시하는 흐름도이다.
도 23은 상이한 해부학적 파라미터를 이용한 부정맥 모델에 대한 전압 솔루션에 기초하여 심장도를 근사하는 프로세스를 예시하는 블록도이다.
도 24는 일부 실시형태에서 MLG 시스템의 근사 VCG 컴포넌트의 처리를 예시하는 흐름도이다.
도 25는 일부 실시형태에서 제1 다면체에 기초한 부정맥 모델을 제2 다면체에 기초한 부정맥 모델로 변환하는 프로세스를 예시하는 블록도이다.
도 26은 일부 실시형태에서 MLG 시스템의 변환 다면체 모델 컴포넌트의 처리를 예시하는 흐름도이다.
도 27은 일부 실시형태에서 PM 시스템의 식별 속성 컴포넌트의 처리를 예시하는 흐름도이다.
도 28은 일부 실시형태에서 PM 시스템의 식별 매칭 VCG 컴포넌트의 처리를 예시하는 흐름도이다.
도 29는 일부 실시형태에서 PM 시스템의 클러스터링 컴포넌트(clustering component)에 기초한 식별 분류(identify class)의 처리를 예시하는 흐름도이다.
도 30은 일부 실시형태에서 PM 시스템의 생성 클러스터 분류자 컴포넌트의 처리를 예시하는 흐름도이다.
도 31은 일부 실시형태에서 MLCD 시스템의 환자 분류자 시스템의 전체 처리를 예시하는 블록도이다.
도 32는 일부 실시형태에서 환자 분류자 시스템의 생성 환자 분류자 컴포넌트의 처리를 예시하는 흐름도이다.
도 33은 일부 실시형태에서 환자 분류자 시스템의 생성 클러스터 환자 분류자의 처리를 예시하는 흐름도이다.
도 34는 일부 실시형태에서 MLCD 시스템의 환자-특이적 모델 분류자 시스템(patient-specific model classifier system)의 컴포넌트를 예시하는 블록도이다.
도 35는 일부 실시형태에서 PSMC 시스템의 생성 환자-특이적 모델 분류자 컴포넌트의 처리를 예시하는 흐름도이다.
도 36은 일부 실시형태에서 PSMC 시스템의 식별 유사한 모델 컴포넌트의 처리를 예시하는 흐름도이다.
도 37은 일부 실시형태에서 환자-특이적 모델 디스플레이 시스템의 전체 처리를 예시하는 블록도이다.
도 38은 일부 실시형태에서 PSMD 시스템의 생성 환자 심장 디스플레이 컴포넌트의 처리를 예시하는 흐름도이다.
도 39는 일부 실시형태에서 PSMD 시스템의 계산 디스플레이값 컴포넌트의 처리를 예시하는 흐름도이다.
도 40은 벡터 심전도(vectorcardiogram)의 다양한 표면 표현(surface representation)을 예시한다.
도 41은 일부 실시형태에서 EFD 시스템의 시각화 VCG 컴포넌트의 처리를 예시하는 흐름도이다.
도 42는 일부 실시형태에서 EFD 시스템의 디스플레이 VCG 표면 표현 컴포넌트의 처리를 예시하는 흐름도이다.
도 43은 일부 실시형태에서 CSC 시스템의 식별 시뮬레이션된 심장도 컴포넌트의 처리를 예시하는 흐름도이다.
도 44는 일부 실시형태에서 CSC 시스템의 컴포넌트를 예시하는 블록도이다.
도 45는 환자 데이터를 수집하기 위해 전기 생리학자(electrophysiologist)("EP")에 의해 수행되는 처리를 예시하는 흐름도이다.
도 46은 일부 실시형태에서 CSC 시스템의 교정 시뮬레이션된 심장도 컴포넌트의 처리를 예시하는 흐름도이다.
도 47은 일부 실시형태에서 CSC 시스템의 생성 벡터 컴포넌트의 처리를 예시하는 흐름도이다.
도 48은 일부 실시형태에서 CSC 시스템의 식별-배향 유사한 컴포넌트의 처리를 예시하는 흐름도이다.
도 49는 일부 실시형태에서 CSC 시스템의 교정 심장 기하학적 구조 컴포넌트의 처리를 예시하는 흐름도이다.
도 50은 일부 실시형태에서 CSC 시스템의 교정 활동 전위 컴포넌트의 처리를 예시하는 흐름도이다.
도 51은 일부 실시형태에서 CSC 시스템의 생성 맵핑 함수 컴포넌트의 처리를 예시하는 흐름도이다.
도 52는 일부 실시형태에서 CSC 시스템의 변환 시뮬레이션된 심장도 컴포넌트의 처리를 예시하는 흐름도이다.
도 53은 배향을 수동으로 교정하기 위한 사용자 인터페이스를 예시한다.
도 54는 일부 실시형태에서 API 시스템의 전체 처리를 예시하는 흐름도이다.
도 55는 일부 실시형태에서 API 시스템의 생성 맵핑 함수의 처리를 예시하는 흐름도이다.
도 56은 일부 실시형태에서 절제 동안 환자를 치료하기 위한 방법의 처리를 예시하는 블록도이다.
도 57은 일부 실시형태에서 API 시스템의 컴포넌트를 예시하는 블록도이다.
도 58은 일부 실시형태에서 API 시스템의 생성 절제 패턴 시뮬레이션 컴포넌트의 처리를 예시하는 흐름도이다.
도 59는 일부 실시형태에서 API 시스템의 지시 절제 컴포넌트(direct ablation component)의 처리를 예시하는 블록도이다.
도 60은 일부 실시형태에서 API 시스템의 식별 잠재적인 절제 패턴 컴포넌트의 처리를 예시하는 흐름도이다.
도 61은 일부 실시형태에서 API 시스템의 선택 실제 절제 패턴 컴포넌트의 처리를 예시하는 흐름도이다.
도 62는 일부 실시형태에서 DLSR 시스템의 컴포넌트를 예시하는 블록도이다.
도 63은 일부 실시형태에서 블록의 구조 및 블록 내에서의 기록을 예시하는 블록도이다.
도 64는 일부 실시형태에서 연구 시스템의 처리를 예시하는 흐름도이다.
도 65는 일부 실시형태에서 거래 생성기 시스템(transaction generator system)의 처리를 예시하는 흐름도이다.
도 66은 일부 실시형태에서 채굴자 시스템(miner system)의 처리를 예시하는 흐름도이다.
의료, 과학, 연구 및 공학 목적과 같은 다양한 목적을 위해 신체 내의 전자기 근원(예컨대, 심장)의 전자기 상태(예컨대, 정상 동리듬(sinus rhythm) 대 심실 세동)를 나타내는 데이터를 생성하기 위한 방법 및 시스템이 제공된다. 시스템은 전자기 근원의 근원 구성(예컨대, 심장의 치수 및 심장 내에서의 흉터 또는 섬유증 또는 전부정맥 기질(pro-arrhythmic substrate)의 그 위치) 및 전자기 근원의 전자기 출력의 계산 모델에 기초하여 데이터를 생성한다. 시스템은 집단에서 발견될 수 있는 대표적인 근원 구성을 제공하기 위해 근원 구성을 동적으로 생성할 수 있다. 전자기 근원의 각각의 근원 구성을 위해, 시스템은 그 근원 구성에 대해 모델링된 전자기 출력을 생성하기 위해 전자기 근원의 기능의 시뮬레이션을 실행한다. 시스템은 그 근원 구성의 모델링된 전자기 출력으로부터 각각의 근원 구성을 위해 유도된 전자기 데이터(예컨대, 벡터 심전도)를 생성한다. 이어서, 시스템은 환자 신체의 전자기 근원 내에서 장애의 위치를 식별하고, 전자기 근원을 복구(예컨대, 지시된 유전자 치료) 또는 수정(예컨대, 제거)하는 처치를 안내하고, 전자기 근원에 대한 처치의 결과를 예측하고, 유전적 결함을 분석하는 등과 같은 다양한 목적을 위해 모델링된 전자기 출력을 사용할 수 있다. 시스템은 다음에 설명되는 모델링된 출력 시스템 및 모델 라이브러리 생성 시스템에 기초하는 머신 러닝을 포함할 수 있다.
모델링된 출력 시스템에 기초한 머신 러닝
신체 내의 전자기 근원으로부터 유도된 전자기 데이터를 분류하기 위한 분류자를 생성하기 위한 방법 및 시스템이 제공된다. 신체는 예를 들어 인체일 수 있으며, 전자기 근원은 신체 외부 또는 내부로부터 측정될 수 있는 전자기장을 생성하는 신체의 심장, 뇌, 간, 폐, 신장 또는 다른 부분일 수 있다. 전자기장은 예를 들어, 환자의 신체, 환자가 착용한 신체 표면 조끼, 내부 전자기 근원 디바이스(예컨대, 바스켓 카테터), 환자가 착용한 모자 등에 부착되거나 또는 인접한 전극에 연결된(예컨대, 스마트 시계 디바이스를 통해) 하나 이상의(예컨대, 12개) 리드를 사용하여 다양한 측정 디바이스(예컨대, 심전계 및 뇌파계)에 의해 측정될 수 있다. 측정치는 심전도(electrocardiogram: "ECG") 및 벡터 심전도(vectorcardiogram: "VCG"), 뇌파도(electroencephalogram: "EEG") 등과 같은 심장도를 통해 나타낼 수 있다. 일부 실시형태에서, 모델링된 출력에 기초한 머신 러닝(machine learning based on modeled output: "MLMO") 시스템은 다양한 근원 구성을 위해 전자기 근원의 전자기 출력을 모델링하고 모델링된 전자기 출력으로부터 유도된 전자기 데이터를 트레이닝 데이터로서 사용하여 분류자를 트레이닝시키도록 머신 러닝을 사용하는 것에 의해 분류자를 생성하도록 제공된다. MLMO 시스템은 주로 심장의 전자기 데이터를 위한 분류자를 생성하기 위해 다음에 설명된다.
일부 실시형태에서, MLMO 시스템은 분류자를 트레이닝시키기 위한 트레이닝 데이터를 생성하기 위해 전자기 근원의 계산 모델을 이용한다. 계산 모델은 전자기 근원의 근원 구성에 기초하여 시간 경과에 따른 전자기 근원의 전자기 출력을 모델링한다. 전자기 출력은 전위, 전류, 자기장 등을 나타낼 수 있다. 전자기("EM") 근원이 심장일 때, 근원 구성은 심장의 기하학적 구조 및 근육 섬유, 몸통 해부학적 구조, 정상 및 비정상 심장 해부학적 구조, 정상 및 비정상 심장 조직, 흉터, 섬유증, 염증, 부종, 액세서리 경로(accessory pathways), 선천성 심장 질환, 악성 종양, 이전의 절제 부위, 이전의 수술 부위, 외부 방사선 치료 부위, 페이싱 리드(pacing lead), 이식 가능한 심장 제세동기 리드(implantable cardioverter-defibrillator lead), 심장 재동기화 치료 리드(cardiac resynchronization therapy lead), 심박 조율기 펄스 발생기 위치, 이식 가능한 심장 제세동기 펄스 발생기 위치, 피하 제세동기 리드 위치, 피하 제세동기 펄스 발생기 위치, 리드리스 심박 조율기(leadless pacemaker) 위치, 다른 이식된 하드웨어(예컨대, 우심실 또는 좌심실 보조 디바이스), 외부 제세동 전극, 표면 ECG 리드, 표면 맵핑 리드, 맵핑 조끼, 다른 정상 및 병리 생리학적 특징 분포 등에 대한 정보로 이루어진 그룹의 임의의 서브 세트를 포함할 수 있으며, EM 출력은 시간 경과에 따른 다양한 심장의 위치에서의 전위의 모음(collection)이다. EM 출력을 생성하기 위해, 그 단계 동안 EM 격자를 생성하도록 단계 크기(step size)(예컨대, 1㎳)의 시뮬레이션 단계 동안 시뮬레이션이 수행된다. EM 격자는 그 단계 동안 각각의 심장의 위치에서의 전위의 값을 저장하는 유한 요소 격자(finite-element mesh)일 수 있다. 예를 들어, 좌심실은 대략 70,000개의 심장의 위치를 갖는 것으로서 정의될 수 있으며, EM 격자는 각각의 심장의 위치에 대한 전자기값을 저장한다. 이러하면, 단계 크기가 1㎳인 3초 시뮬레이션은 각각 70,000개의 값을 포함하는 3,000개의 EM 격자를 생성하였을 것이다. EM 격자의 모음은 시뮬레이션을 위한 EM 출력이다. 계산 모델은 문헌[C. T. Villongco, D. E. Krummen, P. Stark, J. H. Omens, & A. D. McCulloch, "Patient-specific modeling of ventricular activation pattern using surface ECG-derived vectorcardiogram in bundle branch block," Progress in Biophysics and Molecular Biology, Volume 115, Issues 2-3, August 2014, Pages 305-313]에 설명되어 있으며, 이는 참조에 의해 본 명세서에 통합된다. 일부 실시형태에서, MLMO 시스템은 단지 꼭지점에서가 아니라 격자로서 꼭지점 사이의 지점들에 대한 값을 생성할 수 있다. 예를 들어, MLMO 시스템은 가우스 구적법 기술(Gaussian quadrature technique)을 사용하여 이러한 지점들에 대한 값을 계산할 수 있다.
일부 실시형태에서, MLMO 시스템은 계산 모델의 구성 파라미터에 대한 상이한 값의 세트인 상이한 근원 구성에 각각 기초하여 많은 시뮬레이션을 실행하는 것에 의해 트레이닝 데이터를 생성한다. 예를 들어, 심장에 대한 구성 파라미터는 심장 기하학적 구조, 로터 위치, 초점 근원 위치, 가슴에서의 심실 배향, 심실 근섬유 배향, 심근 세포 세포내 전위 전기 발생 및 전파 등일 수 있다. 각각의 구성 파라미터는 가능한 값의 세트 또는 범위를 가질 수 있다. 예를 들어, 로터 위치는 심실 내의 상이한 위치에 대응하는 78개의 가능한 파라미터 세트일 수 있다. MLMO 시스템이 가능한 값의 각각의 조합에 대한 시뮬레이션을 실행할 수 있기 때문에, 시뮬레이션의 수는 수백만개에 이를 수 있다.
일부 실시형태에서, MLMO 시스템은 환자로부터 수집된 EM 데이터에 기초한 분류의 생성을 위해 분류자를 트레이닝시키도록 시뮬레이션의 EM 출력을 사용한다. MLMO 시스템은 시뮬레이션의 각각의 EM 출력을 위해 유도된 EM 데이터를 생성할 수 있다. 유도된 EM 데이터는 예를 들어 ECG 또는 VCG, 신체 표면 조끼, 내부 전자기 근원 디바이스 등을 생성하도록 12개의 리드를 사용하는 EM 측정 디바이스에 의해 수집되는 측정치에 기초하여 생성된 EM 데이터에 대응한다. ECG 및 VCG는 EM 출력의 동등한 근원 표현(source representation)이다. 이어서, MLMO는 각각의 유도된 EM 데이터가 그 대응하는 분류를 특정하도록 라벨(또는 라벨들)을 생성한다. 예를 들어, MLMO 시스템은 EM 데이터가 유도되는 EM 출력을 생성할 때 사용되는 구성 파라미터(예컨대, 로터 위치)의 값인 라벨을 생성할 수 있다. 특징 벡터에 대응하는 유도된 EM 데이터의 모음과 그 라벨은 분류자를 트레이닝시키기 위한 트레이닝 데이터를 구성한다. 이어서, MLMO 시스템은 분류자를 트레이닝시킨다. 분류자는 완전히 연결된 컨볼루션의 반복되는 오토인코더(autoencoder), 또는 제한된 볼츠만 머신(Boltzmann machine), 지원 벡터 머신, 베이지안 분류자(Bayesian classifier) 등과 같은 신경망을 포함하는 다양한 분류자 또는 분류자의 조합 중 임의의 것일 수 있다. 분류자가 심층 신경망(deep neural network)일 때, 트레이닝은 심층 신경망의 활성화 함수를 위한 가중치의 세트를 초래한다. 선택된 분류자는 식별될 질환의 유형에 기초할 수 있다. 예를 들어 특정 유형의 신경망은 초점 근원에 기초하여 효과적으로 트레이닝시킬 수 있지만, 로터 근원은 그렇지 않다.
일부 실시형태에서, MLMO 시스템은 트레이닝 데이터를 생성하기 위해 사용된 근원 구성의 구성 파라미터로부터의 추가 특징을 이용하여 트레이닝 데이터를 증강할 수 있다. 예를 들어, MLMO 시스템은 심장의 기하학적 구조, 심장의 배향, 흉터 또는 섬유증 또는 전부정맥 기질 위치 또는 위치들, 절제 위치, 절제 형상 등을 나타내기 위해 추가 특징을 생성할 수 있다. MLMO 시스템은 다음에 설명되는 컨볼루션 신경망("CNN")의 완전히 연결된 계층(layer) 이전의 계층에 의해 생성된 출력과 함께 이러한 추가 특징을 완전히 연결된 계층 내로 입력할 수 있다. 완전히 연결된 계층(예컨대, 풀링 계층(pooling layer)) 이전의 계층의 출력은 1-차원 어레이로 "평탄화"될 수 있으며, MLMO 시스템은 1-차원 어레이의 추가 요소로서 추가 특징을 추가할 수 있다. 완전히 연결된 계층의 출력은 트레이닝 데이터에서 사용된 각각의 라벨에 대한 개연성을 제공할 수 있다. 그러므로, 개연성은 유도된 EM 데이터와 추가 특징의 조합에 기초할 것이다. 분류자는 예를 들어 상이한 심장 기하학적 구조 및 상이한 흉터 또는 섬유증 또는 전부정맥 기질 위치를 가진 환자에 대해 동일하거나 유사한 EM 데이터가 생성될 수 있다는 것을 반영하도록 유도된 EM 데이터가 동일하거나 또는 유사할 때에도 상이한 개연성을 출력할 것이다. MLMO 시스템은 대안적으로, (1) 유도된 EM 데이터만을 기초하여 CNN에 의해 생성된 개연성을 입력하고, (2) 추가 특징을 입력하고, 이어서, 추가 특징을 고려하는 각각의 분류에 대한 최종 개연성을 출력하는 추가 분류자를 이용할 수 있다. 추가 분류자는 예를 들어 지원 벡터 머신일 수 있다. CNN과 추가 분류자는 동시에 트레이닝될 수 있다.
일부 실시형태에서, MLMO 시스템은 전압 축 및 시간 축 모두에서 트레이닝 데이터의 각각의 사이클의 VCG를 정상화한다. 사이클은 정상 또는 비정상 리듬 동안 주기적인 전기 활동의 단일 단위 또는 비트를 한정하는 시간 간격(예컨대, 시작 시간에서 종료 시간까지)으로서 정의될 수 있다. 사이클은 시간 경과에 따른 근원 구성 진화의 비트별 분석(beat-by-beat analysis)을 용이하게 하고, 각각의 사이클에 걸쳐서 후속 전압 및 시간 정상화를 가능하게 한다. 정상화는 전압-시간 역학의 두드러진 특징을 보존하고, 실제 환자에서 예상되는 근원 구성 파라미터(예컨대, 몸통 전도도, 리드 배치 및 저항, 심근의 전도 속도, 활동 전위 역학, 전체 심장 크기 등)에서의 변화에 대한 트레이닝 데이터의 일반화 가능성을 개선한다. MLMO 시스템은 -1 내지 1의 범위까지 전압을 정상화하고, 밀리 초 또는 백분율의 증분에서 0 내지 1의 고정 범위로 시간을 정상화할 수 있다. 사이클에 대한 전압을 정상화하기 위해, MLMO 시스템은 축 전체에 걸쳐서 벡터의 최대 크기(maximum magnitude)를 식별할 수 있다. MLMO 시스템은 각각의 전압을 최대 크기로 분할한다. 시간 축을 정상화하기 위해, MLMO 시스템은 1000개보다 많거나 적을 수 있는 VCG에서의 지점들의 수로부터 정상화된 사이클의 1000개의 지점들로 보간을 수행한다.
일부 실시형태에서, 분류자가 트레이닝된 후에, MLMO 시스템은 환자로부터 수집된 EM 및 다른 일상적으로 이용 가능한 임상 데이터에 기초하여 분류를 생성하도록 준비된다. 예를 들어, ECG는 환자로부터 수집되고, VCG는 ECG로부터 생성될 수 있다. VCG는 예를 들어 환자에 대한 로터 위치를 나타내는 분류를 생성하기 위해 분류자에 입력된다. 그 결과, 환자의 심장의 기하학적 구조가 알려지지 않았거나 또는 시뮬레이션이 환자의 심장과 동일한 기하학적 구조에 기초하지 않았더라도, MLMO 시스템은 분류를 생성하는데 사용될 수 있다. 심장 치수 및 배향, 흉터 또는 섬유증 또는 전부정맥 기질 구성 등과 같은 다른 환자 측정치가 이용 가능하면, 이들은 정확도를 개선하기 위해 EM 데이터와 함께 입력으로서 포함될 수 있다. 이것은 트레이닝 데이터에 의해 직접 나타나지 않는 다양한 임상 데이터에서 복합적인 숨겨진 특징을 분류자가 효과적으로 학습하는 것을 가능하게 한다.
일부 실시형태에서, MLMO 시스템은 유사한 EM 특징을 갖는 연속적인 사이클의 시퀀스에 기초한 트레이닝 데이터를 생성하는 것에 의해 근원 안정성(즉, 심장에서의 특정 영역으로 국한된 현저한 부정맥 근원의 박동 일관성)을 분류할 수 있다. 부정맥 근원의 안정성을 결정하는 기술은 문헌[Krummen, D., et al., Rotor Stability Separates Sustained Ventricular Fibrillation from Self-Terminating Episodes in Humans, Journal of American College of Cardiology, Vol. 63, No. 23, 2014]에 기술되어 있으며, 이는 참조에 의해 본 명세서에 통합된다. 이러한 참고 문헌은 반복되는 부정맥 발현을 예방하기 위해 안정적인 근원 부위에서 표적 절제술의 효과를 보여준다. 예를 들어, VCG가 주어지면, MLMO 시스템은 사이클을 식별하고, 이어서, 시퀀스에서의 모든 VCG 사이클이 서로 유사한 형태인 2개의 연속 사이클, 3개의 연속 사이클, 4개의 연속 사이클 등의 시퀀스를 식별할 수 있다. 각각의 식별된 시퀀스는 VCG를 생성하는데 사용된 근원 구성의 파라미터의 값에 기초하여 라벨링될 수 있다. 이어서, MLMO 시스템은 그 시퀀스 길이의 시퀀스에 대한 트레이닝 데이터를 사용하여 각각의 시퀀스 길이(예컨대, 2, 3, 4 등)에 대해 별도의 분류자를 트레이닝시킬 수 있다. 예를 들어, MLMO 시스템은 2 사이클의 시퀀스에 대한 분류자를 트레이닝시킬 수 있고, 3 사이클의 시퀀스에 대한 별도의 분류자를 트레이닝시킬 수 있다. 환자에 대한 분류를 생성하기 위해, MLMO 시스템은 환자의 VCG에서의 다양한 시퀀스 길이의 유사한 사이클의 시퀀스를 식별하고, 적절한 시퀀스 길이에 대한 분류자에 이들 시퀀스를 입력할 수 있다. 이어서, MLMO 시스템은 모든 분류자로부터의 분류를 조합하여 최종 분류에 도달할 수 있거나 또는 단순히 모든 분류를 출력할 수 있다.
분류자가 실제 환자 ECG 또는 VCG 및 근원 위치의 대응하는 심장내 바스켓 카테터 측정치를 사용하여 트레이닝될 수 있을지라도, 기술에서의 발전이 비용을 상당히 줄일 수 있지만, 충분한 수의 데이터를 수집, 준비 및 라벨링하는 비용은 현재 매우 비쌀 수 있다. 또한 실제 환자에 기초한 트레이닝 데이터는, 의료 기록의 수집 및 저장의 발전이 보다 효과적인 실제 환자 데이터의 사용을 초래할지라도 현재 너무 산재하고 떠들썩하여서 큰 집단에 대한 분류자를 트레이닝시키는데 특히 효과적일 수 있다. 일부 실시형태에서, MLMO 시스템은 시뮬레이션으로부터 유도된 실제 환자 VCG 및 VCG의 조합을 사용하여 트레이닝될 수 있다. 실제 환자로부터 수집된 트레이닝 데이터는 플렉서블 전자 기기(예컨대, 표피 전자 시스템(epidermal electronic system)), 스마트 의류 등과 같은 다양한 디바이스를 사용하여 수집될 수 있다.
일부 실시형태에서, MLMO 시스템은 시뮬레이션으로부터 유도된 실제 환자 VCG 및 VCG의 조합을 사용하여 트레이닝될 수 있다.
도 1은 일부 실시형태에서 MLMO 시스템의 전체 처리를 예시하는 블록도이다. MLMO 시스템은 생성 분류자 컴포넌트(110) 및 분류 컴포넌트(120)를 포함한다. 심장을 위한 계산 모델은 심장 모델 데이터 스토어(111)에 저장된 데이터 및 코드를 포함할 수 있는 심장 모델이다. 생성 시뮬레이션 컴포넌트(112)는 시뮬레이션을 위하여 심장 모델 및 파라미터 세트를 입력한다. 또한 근원 구성으로서 지칭되는 파라미터 세트는, (예컨대, 컴퓨터 코드를 통해) 파라미터의 가능한 값의 각각의 조합을 위한 파라미터 세트를 포함할 수 있거나, 또는 파라미터 세트를 어떻게 생성하는지를 특정할 수 있다. 예를 들어, 로터 위치 파라미터에 대한 컴퓨터 코드는 가능한 로터 위치의 리스트를 포함할 수 있고, 심실 배향 파라미터에 대한 컴퓨터 코드는 x-축 및 y-축 증분과 같은 기본 배향으로부터 가능한 경사각을 생성하기 위한 코드와 함께 기본 배향 축으로부터의 값을 동적으로 생성할 수 있다. 생성 시뮬레이션 컴포넌트의 출력은 전압 솔루션 데이터 스토어(113)에 저장되고, 여기에서 전압 솔루션이 EM 출력이다. 전압 솔루션은 EM 격자의 예이다. 생성 VCG 컴포넌트(114)는 전압 솔루션으로부터 VCG를 생성하고, VCG 데이터 스토어(115)에 VCG를 저장한다. 생성 VCG 컴포넌트는 전압 솔루션으로부터 ECG를 생성하고, 이어서 ECG로부터 VCG를 생성할 수 있다. ECG로부터 VCG의 생성은 문헌[J. A. Kors, G. Van Herpen, A. C. Sittig, & J. H. Van Bemmel, "Reconstruction of the Frank vectorcardiogram from standard electrocardiographic leads: diagnostic comparison of different methods," European Heart Journal, Volume 11, Issue 12, 1 December 1990, Pages 1083-1092]에 설명되어 있으며, 이는 참조에 의해 본 명세서에 통합된다. 생성 트레이닝 데이터 컴포넌트(116)는 VCG를 입력하고, 파라미터 세트로부터 유도될 수 있는 라벨 또는 라벨들을 이용하여 각각의 VCG를 라벨링하고, 트레이닝 데이터 스토어(117)에 트레이닝 데이터를 저장한다. 라벨은 예를 들어 VCG가 유도되는 EM 출력을 생성하는데 사용된 파라미터 세트의 파라미터의 값일 수 있다. 트레이닝 분류자 컴포넌트(118)는 트레이닝 데이터를 입력하고, 분류자를 트레이닝시키고, 분류자 가중치 데이터 스토어(119)에 (예컨대, 컨볼루션 신경망의 활성화 함수의) 가중치를 저장한다. 분류를 생성하기 위해, 수집 ECG 컴포넌트(121)는 환자로부터 수집된 ECG를 입력한다. 생성 VCG 컴포넌트(122)는 ECG로부터 VCG를 생성한다. 분류 컴포넌트(123)는 VCG를 입력하고, 트레이닝된 분류자의 분류자 가중치를 사용하여 분류를 생성한다.
MLMO 시스템 및 다른 설명된 시스템이 구현될 수 있는 컴퓨팅 시스템(예컨대, 네트워크 노드 또는 네트워크 노드의 집합체)은 중앙 처리 유닛, 입력 디바이스, 출력 디바이스(예컨대, 디스플레이 디바이스 및 스피커), 저장 디바이스(예컨대, 메모리 및 디스크 드라이브), 네트워크 인터페이스, 그래픽 처리 유닛, 셀룰러 무선 링크 인터페이스, 글로벌 포지셔닝 시스템 디바이스 등을 포함할 수 있다. 입력 디바이스는 키보드, 포인팅 디바이스, 터치 스크린, 제스처 인식 디바이스(예컨대, 에어 제스처를 위한), 머리 및 눈 추적 디바이스, 음성 인식을 위한 마이크 등을 포함할 수 있다. 컴퓨팅 시스템은 고성능 컴퓨팅 시스템, 클라우드 기반 서버, 데스크톱 컴퓨터, 랩톱, 태블릿, e-리더, 개인용 이동 단말기, 스마트폰, 게임 디바이스, 서버 등을 포함할 수 있다. 예를 들어, 시뮬레이션 및 트레이닝은 고성능 컴퓨팅 시스템을 사용하여 수행될 수 있으며, 분류는 태블릿으로 수행될 수 있다. 컴퓨팅 시스템은 컴퓨터 판독 가능 저장 매체 및 데이터 전송 매체를 포함하는 컴퓨터 판독 가능 매체에 액세스할 수 있다. 컴퓨터 판독 가능 저장 매체는 일시적인 전파 신호를 포함하지 않는 유형의 저장 수단이다. 컴퓨터 판독 가능 저장 매체의 예는 1차 메모리, 캐시 메모리, 2차 메모리(예컨대, DVD) 및 다른 스토리지와 같은 메모리를 포함한다. 컴퓨터 판독 가능 저장 매체는 이것들에 기록되었을 수 있거나, 또는 MLMO 시스템 및 다른 설명된 시스템을 구현하는 컴퓨터 실행 가능 명령어 또는 로직으로 인코딩될 수 있다. 데이터 전송 매체는 유선 또는 무선 연결을 통해 일시적인 전파 신호 또는 반송파(예컨대, 전자기)를 통해 데이터를 전송하는데 사용된다. 컴퓨팅 시스템은 키를 생성하고 안전하게 저장하고 키를 사용하여 데이터를 암호화 및 복호화하기 위한, 중앙 처리 유닛의 일부로서 보안 암호화 프로세서를 포함할 수 있다.
MLMO 시스템 및 다른 설명된 시스템은 하나 이상의 컴퓨터, 프로세서 또는 다른 디바이스에 의해 실행되는 프로그램 모듈 및 컴포넌트와 같은 컴퓨터 실행 가능 명령어의 일반적인 맥락에서 설명될 수 있다. 일반적으로, 프로그램 모듈 또는 컴포넌트는 MLMO 시스템 및 다른 설명된 시스템의 작업을 수행하거나 또는 데이터 유형을 구현하는 루틴, 프로그램, 객체, 데이터 구조 등을 포함한다. 전형적으로, 프로그램 모듈의 기능은 다양한 예에서 필요에 따라 조합되거나 분산될 수 있다. MLMO 시스템 및 다른 설명된 시스템의 양태는 예를 들어 주문형 집적 회로("ASIC") 또는 필드 프로그래밍 가능 게이트 어레이("FPGA")를 사용하여 하드웨어에서 구현될 수 있다.
도 2는 일부 실시형태에서 MLMO 시스템에 의해 분류자를 생성하는 전체 처리를 예시하는 흐름도이다. 생성 분류자 컴포넌트(200)는 분류자를 생성하도록 실행된다. 블록(201)에서, 컴포넌트는 시뮬레이션을 실행하는데 사용될 계산 모델에 액세스한다. 블록(202)에서, 컴포넌트는 시뮬레이션에서 사용될 다음의 근원 구성(즉, 파라미터 세트)을 선택한다. 결정 블록(203)에서, 모든 근원 구성이 이미 선택되었으면, 컴포넌트는 블록(205)에서 계속되고, 그렇지 않으면, 컴포넌트는 블록(204)에서 계속된다. 블록(204)에서, 컴포넌트는 선택된 근원 구성을 사용하여 시뮬레이션을 실행하여, 시뮬레이션을 위한 EM 출력을 생성하고, 이어서 다음의 근원 구성을 선택하기 위해 블록(202)으로 루핑된다(loop). 블록(205에서, 컴포넌트는 시뮬레이션에 의해 생성된 다음의 EM 출력을 선택한다. 결정 블록(206)에서, 모든 EM 출력이 이미 선택되었으면, 컴포넌트는 블록(210)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(207)에서 계속된다. 블록(207)에서, 컴포넌트는 EM 출력으로부터 EM 데이터를 유도한다. 예를 들어, EM 출력은 EM 격자의 모음일 수 있고, EM 데이터는 EM 격자의 전자기값으로부터 유도된 ECG 또는 VCG일 수 있다. 일부 실시형태에서, 컴포넌트는 또한 ECG 또는 VCG 내의 사이클(부정맥 활동의 주기적인 간격)을 식별할 수 있다. 사이클은 기준 프레임 또는 기준 프레임의 세트를 포함하는 공간적 방향 또는 방향의 세트에 대해 음 전압으로부터 양 전압으로의 연속적인 교차("양의 교차(positive crossing)") 또는 양 전압으로부터 음 전압으로의 연속적인 교차("음의 교차(negative crossing)")에 의해 범위가 정해질 수 있다. 기준 프레임은 해부학적 축(예컨대, 좌우로의 x, 상하로의 y, 전후로의 z), 영상 축(예컨대, CT, MR 또는 x-레이 좌표). 신체 표면 리드 벡터, 측정 또는 시뮬레이션된 EM 근원 구성 및 출력, 또는 사용자 한정 관심 방향의 주요 컴포넌트 분석에 의해 계산된 주축과 일치할 수 있다. 예를 들어, 3개의 제2 VCG는 3개의 사이클을 가질 수 있으며, 각각의 사이클은 x-축을 따르는 양의 교차의 횟수에 의해 범위가 정해질 수 있다. 대안적으로, 사이클은 y-축 또는 z-축을 따르는 교차에 의해 범위가 정해질 수 있다. 또한 사이클은 음의 교차에 의해 한정될 수 있다. 따라서, 일부 실시형태에서, 컴포넌트는 x-축, y-축, 및 z-축 중 하나에서의 교차에 의해 한정되는 모든 축에 대한 사이클 또는 그 축에서의 교차에 의해 한정되는 각각에 대한 사이클과의 양의 교차 및 음의 교차의 다양한 조합인 다양한 사이클 정의에 기초하여 단일 VCG로부터 트레이닝 데이터를 생성할 수 있다. 더욱이, 트레이닝 데이터는 가능한 모든 사이클 정의 또는 사이클 정의의 서브 세트에 기초하여 식별된 사이클을 포함할 수 있다. 예를 들어, 트레이닝 데이터는 각각의 축에 대해, x-축의 양의 교차, y-축의 음의 교차, 및 그 축 자체의 양의 교차에 의해 한정된 사이클을 포함할 수 있다. 사이클 정의는 EM 격자에 저장된 값으로부터 유도된 전기적 이벤트의 타이밍에 의해 한정될 수 있다. 예를 들어, 격자에서의 지점 또는 지점의 세트는 전기적 활성화 및 비활성화를 나타내는 전압 임계값을 주기적으로 교차할 수 있다. 따라서, 사이클은 격자 내의 지점 또는 지점의 세트에 대응하는 활성화-비활성화, 또는 연속적인 활성화-활성화 또는 비활성화-비활성화 간격에 의해 한정될 수 있다. 이들 간격의 결과적인 타이밍은 사이클 식별을 위해 ECG 또는 VCG에 대해 공동 국부화될 수 있다(co-localized). 블록(208)에서, 컴포넌트는 근원 구성(예컨대, 근원 위치)에 기초하여 EM 데이터를 라벨링한다. 사이클이 식별될 때, 컴포넌트는 동일한 라벨을 이용하여 각각의 사이클을 라벨링할 수 있다. 예를 들어, 컴포넌트는 동일한 로터 위치를 이용하여 식별된 사이클을 라벨링할 수 있다. 블록(209)에서, 컴포넌트는 라벨과 함께 EM 데이터를 트레이닝 데이터에 추가하고, 이어서 블록(205)으로 루핑되어 다음의 EM 출력을 선택한다. 블록(210)에서, 컴포넌트는 트레이닝 데이터를 사용하여 분류자를 트레이닝시키고, 이어서 완료된다.
도 3은 일부 실시형태에서 컨볼루션 신경망을 사용하는 트레이닝 및 분류를 예시하는 블록도이다. 컨볼루션 신경망은 각각의 픽셀이 적색, 녹색, 청색("RGB") 값을 갖는 픽셀들의 단일 행인 이미지를 입력한다는 점에서 1-차원적일 수 있다. MLMO 시스템은 트레이닝 데이터의 VCG의 전압에 기초하여 픽셀의 값을 설정한다. 이미지는 트레이닝 데이터의 VCG의 벡터와 동일한 수의 픽셀을 갖는다. MLMO 시스템은 이미지 픽셀의 적색, 녹색 및 청색 값을 VCG의 대응하는 벡터의 x, y, 및 z 값으로 설정한다. 예를 들어, VCG의 사이클이 1초 길이이고 VCG가 각각 밀리 초당 벡터를 가지면, 이미지는 1×1000 픽셀이다. 1-차원 컨볼루션 신경망("1D CNN") 트레이너(310)는 트레이닝 데이터(301)를 사용하여 컨볼루션 신경망에 대한 활성화 함수의 가중치를 학습한다. 환자에 대한 분류를 생성하기 위해, MLMO 시스템은 1-차원 이미지로서 환자에게 VCG(302)를 제공한다. 1D CNN(320)은 가중치에 기초하여 VCG를 분류하고, 로터 위치와 같은 분류를 출력한다.
CNN은 이미지를 처리하기 위해 특별히 개발된 신경망의 유형이다. CNN은 전체 이미지를 입력하고, 이미지의 분류를 출력하는데 사용될 수 있다. 예를 들어 CNN은 환자의 스캔이 이상(예컨대, 종양)의 존재를 나타내는지의 여부를 자동으로 결정하는데 사용될 수 있다. MLMO 시스템은 유도된 EM 데이터를 1-차원 이미지로서 간주한다. CNN에는 컨볼루션 계층, 정류 선형 유닛("ReLU") 계층, 풀링 계층, 완전 연결("FC") 계층 등과 같은 다수의 계층을 갖는다. 일부 더욱 복잡한 CNN은 다수의 컨볼루션 계층, ReLU 계층, 풀링 계층, 및 FC 계층을 가질 수 있다.
컨볼루션 계층은 다수의 필터(또한 커널 또는 활성화 함수로서 지칭됨)를 포함할 수 있다. 필터는 이미지의 컨볼루션 윈도우(convolution window)를 입력하고, 컨볼루션 윈도우의 각각의 픽셀에 가중치를 적용하고, 그 컨볼루션 윈도우에 대한 활성화 값을 출력한다. 예를 들어, 이미지가 256×256 픽셀이면, 컨볼루션 윈도우는 8×8 픽셀일 수 있다. 필터는 컨볼루션 윈도우에서의 64 픽셀 각각에 상이한 가중치를 적용하여 특징 값으로서 또한 지칭되는 활성화 값을 생성할 수 있다. 컨볼루션 계층은 각각의 픽셀에 대하여, 적절한 패딩을 갖는 하나의 스트라이드를 가정하는 이미지의 각각의 픽셀에 대한 노드(뉴런(neuron)으로서 또한 지칭됨)를 포함할 수 있다. 각각의 노드는 그 노드에 대한 트레이닝 위상 동안 학습된 필터에 대한 가중치의 세트에 기초하여 특징 값을 출력한다. 계속 진행하면, 컨볼루션 계층은 각각의 필터에 대해 65,566개의 노드(256 * 256)를 가질 수 있다. 필터를 위해 노드에 의해 생성된 특징 값은 높이와 폭이 256인 컨볼루션 특징 맵을 형성하는 것으로 간주될 수 있다. 특징 또는 특성(예컨대, 에지)을 식별하기 위해 하나의 위치에서 컨볼루션 윈도우에 대해 계산된 특징 값이 상이한 위치에서 그 특징을 식별하는데 유용할 것이라고 가정하면, 필터에 대한 모든 노드는 동일한 세트의 가중치를 공유할 수 있다. 가중치를 공유하는 것으로, 트레이닝 시간과 저장 요구 사항이 상당히 감소될 수 있다. 이미지의 각각의 픽셀이 다수의 색상으로 표현되면, 컨볼루션 계층은 각각의 개별 색상을 나타내는 또 다른 차원을 포함할 수 있다. 또한, 이미지가 3D 이미지이면, 컨볼루션 계층은 3D 이미지 내의 각각의 이미지에 대해 또 다른 차원을 포함할 수 있다. 이러한 경우에, 필터는 3D 컨볼루션 윈도우를 입력할 수 있다.
ReLU 계층은 특징 값을 생성하는 컨볼루션 계층의 각각의 노드에 대한 노드를 가질 수 있다. 생성된 특징 값은 ReLU 특징 맵을 형성한다. ReLU 계층은 ReLU 특징 맵에 대한 특징 값을 생성하기 위해 컨볼루션 특징 맵의 각각의 특징 값에 필터를 적용한다. 예를 들어, max(0, 활성화 값)과 같은 필터는 ReLU 특징 맵의 특징 값이 음이 아닌 것을 보장하는데 사용될 수 있다.
풀링 계층은 풀링 특징 맵을 형성하기 위해 ReLU 특징 맵을 다운샘플링하는 것에 의해 ReLU 특징 맵의 크기를 줄이도록 사용될 수 있다. 풀링 계층은 ReLU 특징 맵의 특성 값의 그룹을 입력하고 특징 값을 출력하는 풀링 함수를 포함한다. 예를 들어, 풀링 함수는 ReLU 특징 맵의 2×2 특징 값의 그룹의 평균인 특징 값을 생성할 수 있다. 계속하면, 풀링 계층은 각각의 필터에 대해 128×128 풀링 특징 맵을 가질 것이다.
FC 계층은 풀링 특징 맵의 모든 특징 값에 각각 연결된 몇몇 노드를 포함한다. 예를 들어, 이미지가 고양이, 개, 새, 쥐 또는 흰 족제비로서 분류되는 것이면, FC 계층은 이미지가 동물 중 하나를 포함할 가능성을 나타내는 스코어를 그 특징 값이 제공하는 5개의 노드를 포함할 수 있다. 각각의 노드는 필터가 검출할 동물의 유형에 적합한 그 자체의 가중치의 세트를 구비하는 필터를 갖는다.
다음에서, MLMO 시스템은 다음의 데이터 구조를 참조하여 설명된다. 대괄호는 어레이를 나타낸다. 예를 들어, VCG[2].V[5].x는 두 번째 VCG에서 다섯 번째 시간 간격동안 x-축에 대한 전압을 나타낸다. 데이터 구조는 처음 참조될 때 아래에서 더욱 상세히 설명된다.
VCG 데이터 구조
Figure pat00001
사이클 데이터 구조
Figure pat00002
트레이닝 데이터 구조
Figure pat00003
도 4는 일부 실시형태에서 MLMO 시스템의 생성 분류자 컴포넌트의 상세한 처리를 예시하는 흐름도이다. 생성 분류자 컴포넌트(400)는 분류자를 생성하기 위해 호출된다. 블록(401)에서, 컴포넌트는 다양한 파라미터 세트에 대한 VCG(VCG [])를 시뮬레이션하기 위해 생성 시뮬레이션된 VCG 컴포넌트를 호출한다. 블록(402 내지 405)에서, 컴포넌트는 루핑되어, 각각의 시뮬레이션에 대한 트레이닝 데이터를 생성한다. 블록(402)에서, 컴포넌트는 파라미터 세트를 인덱싱하기 위해 인덱스(i)를 1로 설정한다. 결정 블록(403)에서, 인덱스(i)가 파라미터 세트의 수와 같으면, 모든 트레이닝 데이터가 생성되고, 컴포넌트는 블록(406)에서 계속되고, 그렇지 않으면, 컴포넌트는 블록(404)에서 계속된다. 블록(404)에서, 컴포넌트는 생성 트레이닝 데이터 컴포넌트를 호출하여 인덱싱된 파라미터 세트의 표시를 전달한다. 블록(405)에서, 컴포넌트는 인덱스(i)를 증분시키고, 이어서 블록(403)으로 루핑된다. 블록(406)에서, 컴포넌트는 생성된 트레이닝 데이터에 기초하여 분류자를 트레이닝시키기 위해 트레이닝 분류자 컴포넌트를 호출하고, 이어서 완료된다.
도 5는 일부 실시형태에서 MLMO 시스템의 생성 시뮬레이션된 VCG 컴포넌트의 처리를 예시하는 흐름도이다. 생성 시뮬레이션된 VCG 컴포넌트(500)는 각각의 파라미터 세트에 대한 시뮬레이션된 VCG를 생성하기 위해 호출된다. 블록(501)에서, 컴포넌트는 파라미터 세트를 통한 인덱싱을 위해 인덱스(i)를 1로 설정한다. 결정 블록(502)에서, 인덱스(i)가 파라미터 세트의 수보다 크면, 컴포넌트는 완료되고, 그렇지 않으면, 컴포넌트는 블록(503)에서 계속된다. 블록(503)에서, 컴포넌트는 시뮬레이션 단계를 통한 인덱싱을 위해 인덱스(j)를 1로 설정한다. 결정 블록(504)에서, 인덱스(j)가 시뮬레이션 단계의 수보다 크면, 인덱싱된 파라미터 세트에 대한 시뮬레이션이 완료되고, 컴포넌트는 블록(507)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(505)에서 계속된다. 블록(505)에서, 컴포넌트는 인덱싱된 시뮬레이션 단계 동안 전압 솔루션(VS [j])을 생성하기 위해 인덱싱된 파라미터 세트 및 인덱싱된 시뮬레이션 단계에 기초한 계산 모델을 적용한다. 블록(506)에서, 컴포넌트는 인덱스(j)를 증분시키고, 이어서 블록(504)으로 루핑되어 다음의 시뮬레이션 단계를 처리한다. 블록(507)에서, 컴포넌트는 파라미터 세트에 대해 계산된 전압 솔루션(VS [])으로부터 인덱싱된 파라미터 세트에 대한 VCG(VCG[i])를 생성한다. 블록(508)에서, 컴포넌트는 인덱스(i)를 증분시키고, 이어서 블록(502)으로 루핑되어, 다음의 파라미터 세트를 처리한다.
도 6은 일부 실시형태에서 MLMO 시스템의 사이클에 대한 생성 트레이닝 데이터 컴포넌트의 처리를 예시하는 흐름도이다. 생성 트레이닝 데이터 컴포넌트(600)는 호출되어, 파라미터 세트에 대해 생성된 VCG를 인덱싱하고 VCG로부터 트레이닝 데이터를 생성하는 인덱스(i)를 전달한다. 블록(601)에서, 컴포넌트는 식별 사이클 컴포넌트를 호출하여, 인덱싱된 VCG(VCG[i])의 표시를 전달하고, 식별된 사이클의 카운트(#C)와 함께 각각의 사이클에 대한 정상화된 VCG(nVCG[])를 수신한다. 블록(602)에서, 컴포넌트는 사이클을 통한 인덱싱을 위해 인덱스(k)를 1로 설정한다. 결정 블록(603)에서, 인덱스(k)가 사이클의 카운트보다 크면, 인덱싱된 VCG의 모든 사이클에 대한 트레이닝 데이터가 생성되고, 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 블록(604)에서 계속된다. 블록(604)에서, 컴포넌트는 인덱스로서 사용되는 트레이닝 데이터(TD)의 실행 카운트(#TD)를 트레이닝 데이터로 증분시킨다. 블록(605)에서, 컴포넌트는 인덱싱된 트레이닝 데이터(TD[#TD].nVCG)의 정상화된 nVCG를 인덱싱된 사이클에 의해 지정된 VCG의 부분으로 설정한다. 컴포넌트는 사이클의 시작 지점과 종료 지점에 의해 한정된 바와 같이 χ-축, j-축 및 z-축으로부터 상기 부분을 추출한다. 블록(606)에서, 컴포넌트는 인덱싱된 파라미터 세트(예컨대, 로터 위치)의 함수에 기초하여 인덱싱된 트레이닝 데이터의 라벨(들)을 설정한다. 블록(607)에서, 컴포넌트는 인덱스(k)를 증분시켜, 다음의 사이클을 인덱싱하고, 이어서 블록(603)으로 루핑되어 다음의 사이클을 처리한다.
도 7은 일부 실시형태에서 MLMO 시스템의 식별 사이클 컴포넌트의 처리를 예시하는 흐름도이다. 식별 사이클 컴포넌트(700)는 호출되어 VCG 내의 사이클을 식별하고, 사이클에 대한 정상화된 VCG(nVCG [])를 제공한다. 블록(701)에서, 컴포넌트는 VCG를 통한 인덱싱을 위해 인덱스(j)를 2로 초기화하고, 식별된 사이클을 통한 인덱싱을 위해 인덱스(k)를 0으로 설정한다. 결정 블록(702)에서, 인덱스(j)가 VCG의 크기보다 크면, 컴포넌트는 모든 사이클을 식별하였으며, 컴포넌트는 완료되어 정상화된 nVCG를 제공하며, 그렇지 않으면 컴포넌트는 블록(703)에서 계속된다. 블록(703)에서, VCG(VCG.V[j-1].x)의 x-축의 이전의 전압이 0보다 크거나 같고 VCG(VCG.V[j].x)의 x-축 인덱싱된 전압이 0보다 작으면(즉, x-축의 음의 교차), 가능한 사이클의 시작이 식별되고, 컴포넌트는 블록(704)에서 계속되어 사이클을 식별하고, 그렇지 않으면 컴포넌트는 블록(709)에서 계속된다. 블록(704)에서, 컴포넌트는 인덱싱된 사이클의 시작(C[k].start)을 인덱스(j)와 동일하게 설정한다. 결정 블록(705)에서, 적어도 하나의 사이클이 이미 식별되었으면, 이전의 사이클의 종료가 알려지고, 컴포넌트는 인덱스(k)를 증분시키고 블록(706)에서 계속되고, 그렇지 않으면 컴포넌트는 인덱스(k)를 증분시키고 블록(709)에서 계속된다. 블록(706)에서, 컴포넌트는 이전의 사이클의 종료를 인덱스(j-1)로 설정한다. 블록(707)에서, 컴포넌트는 이전의 사이클의 시작과 종료에 의해 범위가 정해지는 이전에 인덱싱된 사이클에 대한 VCG(eVCG)를 추출한다. 블록(708)에서, 컴포넌트는 정상화 사이클 컴포넌트를 호출하여, 추출된 VCG(eVCG)의 표시를 전달하고, 정상화된 사이클(nVCG)를 수신한다. 블록(709)에서, 컴포넌트는 VCG를 통한 인덱싱을 위해 인덱스(j)를 증분시키고 블록(702)으로 루핑된다.
도 8은 일부 실시형태에서 MLMO 시스템의 정상화 사이클 컴포넌트의 처리를 예시하는 블록도이다. 정상화 사이클 컴포넌트(800)는 호출되어, 사이클의 VCG의 표시를 전달하고 사이클을 정상화한다. 블록(801)에서, 컴포넌트는 사이클에서 벡터의 최대 벡터 크기(V')를 식별한다. 예를 들어, 벡터의 벡터 크기는 벡터의 x, y 및 z 값의 제곱의 합의 제곱근을 취하는 것에 의해 계산될 수 있다. 블록(802)에서, 컴포넌트는 VCG의 다음의 축을 인덱싱하기 위해 인덱스(i)를 설정한다. 결정 블록(803)에서, 모든 축이 이미 선택되었으면, 컴포넌트는 완료되어 정상화된 VCG를 제공하고, 그렇지 않으면 컴포넌트는 블록(804)에서 계속된다. 블록(804)에서, 컴포넌트는 정상화된 사이클의 벡터를 통한 인덱싱을 위해 인덱스(j)를 1로 초기화한다. 결정 블록(805)에서, 인덱스(j)가 정상화된 사이클의 벡터의 수보다 크면, 컴포넌트는 블록(802)으로 루핑되어 다음의 축을 선택하고, 그렇지 않으면 컴포넌트는 블록(806)에서 계속된다. 블록(806)에서, 컴포넌트는 인덱싱된 축의 인덱싱된 벡터에 대해 정상화된 VCG를 전달된 VCG, 인덱싱된 벡터, 및 최대 벡터 크기(V')의 보간으로 설정한다. 보간은 VCG를 정상화된 VCG의 벡터의 수로 효과적으로 압축하거나 확장하고, 벡터의 x, y 및 z 값을 최대 벡터 크기(V')로 나눈다. 블록(807)에서, 컴포넌트는 인덱스(j)를 증분시키고, 이어서 블록(805)으로 루핑된다.
도 9는 일부 실시형태에서 MLMO 시스템의 유사한 사이클 컴포넌트의 시퀀스에 대한 생성 트레이닝 데이터의 처리를 예시하는 흐름도이다. 유사한 사이클 컴포넌트(900)의 시퀀스에 대한 생성 트레이닝 데이터는 유사한 사이클의 식별된 시퀀스에 기초한 유사 및 생성 트레이닝 데이터인, 전달된 인덱스(passed index)(i)에 의해 인덱싱된 VCG의 2개의 연속적인 사이클의 시퀀스를 식별하기 위해 호출된다. 시퀀스에서의 사이클은 사이클의 안정성을 반영하는 유사성 스코어(similarity score)에 따라서 유사하다. 블록(901)에서, 컴포넌트는 VCG에 대한 사이클(nVCG[])을 식별하기 위해 식별 사이클 컴포넌트를 호출한다. 블록(902)에서, 컴포넌트는 식별된 사이클을 통한 인덱싱을 위해 인덱스(j)를 2로 설정한다. 결정 블록(903)에서, 인덱스(j)가 식별된 사이클의 수보다 크면, 모든 사이클이 인덱싱되었으며, 이어서 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 블록(904)에서 계속된다. 블록(904)에서, 컴포넌트는 j-1 및 j만큼 인덱싱된 사이클에 대한 유사성 스코어를 생성한다. 유사성 스코어는 예를 들어 코사인 유사성(cosine similarity), 피어슨 상관 관계(Pearson correlation) 등에 기초할 수 있다. 결정 블록(905)에서, 유사성 스코어가 유사한 사이클을 나타내는 유사성 스코어 임계값(T)보다 높으면, 유사한 사이클의 시퀀스가 식별되고, 컴포넌트는 블록(906)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(909)에서 계속된다. 블록(906)에서, 컴포넌트는 트레이닝 데이터의 실행 카운트(#TD)를 증분시킨다. 블록(907)에서, 컴포넌트는 트레이닝 데이터를 유사한 사이클의 시퀀스로 설정한다. 블록(908)에서, 컴포넌트는 VCG를 생성하는데 사용된 파라미터 세트(PS[i])로부터 유도된 라벨로 트레이닝 데이터에 대한 라벨을 설정하고, 이어서 블록(909)에서 계속된다. 블록(909)에서, 컴포넌트는 사이클의 다음의 시퀀스를 선택하기 위해 인덱스(i)를 증분시키고, 블록(903)으로 루핑된다.
도 10은 일부 실시형태에서 MLMO 시스템의 분류 컴포넌트의 처리를 예시하는 흐름도이다. 분류 컴포넌트(1000)는 호출되어, 환자로부터 유도된 VCG를 전달하고, 분류를 출력한다. 블록(1001)에서, 컴포넌트는 식별 사이클 컴포넌트를 호출하여, VCG의 표시를 전달하고, 사이클 및 사이클 카운트 동안 정상화된 VCG를 수신한다. 블록(1002)에서, 컴포넌트는 사이클을 통한 인덱싱을 위해 인덱스(k)를 1로 설정한다. 결정 블록(1003)에서, 인덱스(k)가 사이클 수보다 크면, 컴포넌트는 분류를 완료하고, 그렇지 않으면 컴포넌트는 블록(1004)에서 계속된다. 블록(1004)에서, 컴포넌트는 분류를 생성하기 위해 인덱싱된 사이클에 분류자를 적용한다. 블록(1005)에서, 컴포넌트는 인덱스를 증분시키고, 이어서 블록(1003)으로 루핑되어 다음의 사이클을 처리한다. 상이한 분류(예컨대, 상이한 로터 위치)가 각각의 사이클에 대한 생성될 수 있다. 이러한 경우에, 전체 분류는 상이한 분류의 조합(예컨대, 로터 위치의 평균)으로부터 유도될 수 있다.
모델 라이브러리 생성 시스템
신체 내의 EM 근원의 모델의 모델 라이브러리를 생성하기 위한 방법 및 시스템이 제공된다. 일부 실시형태에서, 모델 라이브러리 생성("MLG") 시스템은 EM 근원에 대한 해부학적 파라미터 및 전기 생리학적 파라미터를 포함하는 구성 파라미터를 갖는 근원 구성에 기초하여 모델을 생성한다. 해부학적 파라미터는 EM 근원의 치수 또는 전체 기하학적 구조를 특정한다. EM 근원이 심장일 때, 모델은 심장 벽의 두께(예컨대, 심장 내막, 심근 및 심장 외막의 두께), 가슴에서의 챔버(chamber)의 치수, 직경, 심실 배향, 몸통 해부학적 구조, 섬유 아키텍처, 흉터, 섬유증, 및 전부정맥 기질의 위치(들), 흉터 형상 등으로 이루어진 그룹의 임의의 서브 세트를 포함할 수 있는 해부학적 파라미터에 기초한 부정맥 모델일 수 있다. 심장의 기하학적 구조는 최대 챔버 볼륨과 최소 벽 두께 및 활성화가 발생할 때 측정될 수 있다. 정상적인 부비동의 경우에, 활성화는 박동의 확장 말기 부분의 시간에 발생한다. 부정맥의 경우에, 활성화는 박동 중에 상이한 시간에 발생할 수 있다. 그러므로, MLG 시스템은 확장 말기 부분 이외의 시간에 기하학적 구조가 특정되게 할 수 있다. 몸통 해부학적 구조는 몸통의 크기, 형상, 구성 등에 기초하여 EM 출력을 조정하는데 사용될 수 있다. 전기 생리학적 파라미터는 염증, 부종, 액세서리 경로, 선천성 심장 질환, 악성 종양, 이전의 절제 부위, 이전의 수술 부위, 외부 방사선 치료 부위, 페이싱 리드, 이식 가능한 제세동기 리드, 심장 재동기화 치료 리드, 심박 조율기 펄스 발생기 위치, 이식 가능한 제세동기 펄스 발생기 위치, 피하 제세동기 리드 위치, 피하 제세동기 펄스 발생기 위치, 리드리스 심박 조율기 위치, 다른 이식된 하드웨어(예컨대, 우심실 또는 좌심실 보조 디바이스), 외부 제세동 전극, 표면 ECG 리드, 표면 맵핑 리드, 맵핑 조끼, 및 다른 정상 및 병리 생리학적 특징 분포, 활동 전위 역학, 전도도, 부정맥 근원 위치 등으로 이루어진 그룹의 임의의 서브 세트를 포함할 수 있는 비해부학적 파라미터이다. 시뮬레이션을 위해 선택되는 구성 파라미터는 이용된 머신 러닝 알고리즘에 기초할 수 있다. 예를 들어, 섬유 아키텍처 파라미터는 컨볼루션 신경망에 대해 선택될 수 있지만, 다른 유형의 신경망에 대해서는 선택되지 않을 수 있다. MLG 시스템은 부정맥 모델이 생성되는 근원 구성을 생성한다. 각각의 근원 구성에 대해, MLG 시스템은 격자, 및 부정맥 모델에 대한 가변 가중치와 같은 모델 파라미터를 포함하는 부정맥 모델을 생성한다. MLG 시스템은 해부학적 파라미터에 기초하여 격자를 생성한다. 계산 격자(computational mesh)가 생성된 후에, MLG는 그 근원 구성의 전기 생리학적 파라미터에 기초한 격자 내의 지점에서 부정맥 모델의 모델 파라미터를 생성한다. 전기 생리학적 파라미터는 예를 들어 전기 생리학적 파라미터에 기초한 그 지점에서 전자기 전파의 모델링을 제어한다. 부정맥 모델의 모음은 부정맥 모델 라이브러리를 형성한다. 이어서 MLMO 시스템은 각각의 부정맥 모델에 대해 모델링된 EM 출력을 생성하고, 분류자를 트레이닝시키기 위해 모델링된 EM 출력을 사용할 수 있다. 부정맥 모델 라이브러리는 다양한 유형의 절제의 효험을 연구하는 것과 같은 다른 목적을 위해 사용될 수 있다.
일부 실시형태에서, MLG 시스템은 심장에 대한 해부학적 파라미터의 세트를 생성하고, 각각의 세트는 각각의 해부학적 파라미터에 대한 값(예컨대, 스칼라, 벡터 또는 텐서(tensor))을 갖는다. 해부학적 파라미터의 세트는 심장의 해부학적 구조를 특정한다. MLG 시스템은 시드 해부학적 구조의 세트(EM 근원의 치수에 대한 값을 특정하는) 및 각각의 시드 해부학적 구조에 대한 가중치를 포함하는 가중치의 세트에 기초한 시뮬레이션된 해부학적 구조를 생성한다. 시드 해부학적 구조는 또한 챔버의 질량, 볼륨, 길이와 폭의 비율, 구형도 등과 같은 특정 값으로부터 유도된 특징에 대한 값을 포함할 수 있다. 시드 해부학적 구조는 환자에게서 발견되는 극단적인 해부학적 구조를 나타낼 수 있다. 예를 들어, 시드 해부학적 구조는 확장된 우심실, 매우 두껍거나 얇은 심장 내막 등과 같은 극단적인 심장 상태를 가진 환자의 초음파, 컴퓨터 단층 촬영 및 자기 공명 영상 스캔으로부터 생성될 수 있다. MLG 시스템은 가중치의 각각의 세트에 대해 시뮬레이션된 해부학적 구조를 생성한다. 가중치의 세트에서의 각각의 가중치는 시뮬레이션된 해부학적 구조에 대한 시드 해부학적 구조의 해부학적 파라미터의 기여도를 나타낸다. 예를 들어, 4개의 시드 해부학적 구조가 특정되면, 가중치는 0.4, 0.3, 0.2 및 0.1일 수 있다. MLG 시스템은 가중치의 세트에 대한 시뮬레이션된 해부학적 구조에 대한 각각의 해부학적 파라미터의 값을 시드 해부학적 구조의 각각의 해부학적 파라미터의 값의 가중 평균으로 설정한다. MLG 시스템은 고정 간격(예컨대, 0.001)을 한정하고, 1.0에 더해지는 가중치를 무작위로 선택하고, 실험 설계 기법을 사용하는 등과 같은 가중치의 세트를 생성하기 위해 다양한 기술을 사용할 수 있다. MLG 시스템은 또한 실제 환자의 실제 해부학적 파라미터에 대한 해부학적 파라미터의 비교에 기초하여 시뮬레이션된 해부학적 구조를 입증할 수 있다. 예를 들어, 심실(heart chamber)의 높이, 폭, 및 깊이의 조합이 실제 환자에서 볼 수 없는(예컨대, 환자 집단에서 발견되지 않는) 볼륨을 야기하면, MLG 시스템은 실제 환자에게 나타날 가능성이 낮음에 따라서 그 시뮬레이션된 해부학적 구조를 폐기할 수 있다.
일부 실시형태에서, MLG 시스템은 부정맥 모델에 기초하여 모델링된 EM 출력의 생성을 가속화하기 위해 부트스트래핑 기술을 이용할 수 있다. 좌심실에 대한 격자는 70,000개의 꼭지점을 가질 수 있기 때문에, 좌심실을 위한 부정맥 모델에 대해 모델링된 EM 출력을 생성하는 시뮬레이션은 EM 격자 당 70,000개의 값의 계산을 요구하였을 것이다. 시뮬레이션이 단계 크기가 1㎳의 단계 크기를 가진 3초 동안이면, 꼭지점에 대한 70×106개의 값이 계산될 필요가 있다. 부정맥 모델 라이브러리가 100만개의 부정맥 모델을 포함하면, 계산될 필요가 있는 값의 수는 70×1012개이었을 것이다. 아울러, 단일 값의 계산은 많은 수학적 연산을 포함할 수 있으며, 다수의 값이 각각의 꼭지점에 대해 계산될 수 있다. 계산될 필요가 있는 값의 수를 줄이는 것을 돕기 위해, MLG 시스템은 하나의 부정맥 모델에 기초하여 하나의 시뮬레이션에 대해 생성된 EM 격자에 대한 값 중 일부를 다른 부정맥 모델에 기초한 다른 시뮬레이션과 효과적으로 공유한다. 예를 들어, 시뮬레이션이 시작될 때, EM 격자의 값 중 일부가 값에 대한 주목할 만한 효과를 가지기 전에 약 1초가 걸릴 수 있다. 예를 들어, 시뮬레이션에서의 1초 시점에서, 흉터 또는 섬유증 또는 전부정맥 기질 위치 외에 동일한 근원 구성을 가진 부정맥 모델에 기초한 시뮬레이션에 대한 EM 격자는 매우 유사한 값을 가질 수 있다. 계산되는 것이 필요한 값의 수를 줄이기 위해, MLG 시스템은 흉터 나 섬유증 또는 전부정맥 기질 위치 외에 동일하거나 거의 동일한 근원 구성을 가진 부정맥 모델을 함께 그룹화한다. 그룹화는 전도 속도 및 활동 전위 파라미터를 또한 고려하지 않을 수 있다. 이어서 MLG 시스템은 그룹의 대표적인 부정맥 모델(예컨대, 흉터 또는 섬유증 또는 전부정맥 기질 위치가 없는 모델)에 대한 시뮬레이션을 실행한다. 다른 부정맥 모델에 대한 시뮬레이션을 실행하기 위해, MLG 시스템은 초기 EM 격자의 값을 대표적인 부정맥 모델에 대한 시뮬레이션에서 1초 시점에서의 EM 격자의 값으로 설정한다. 이어서 MLG 시스템은 초기 EM 격자의 값으로 시작하는 2초 동안 다른 시뮬레이션을 실행한다. 서로 부정맥 모델에 대해 모델링된 EM 출력은 대표적인 부정맥 모델의 첫번째 초(first second) 동안의 EM 격자, 및 다른 부정맥 모델의 2초 동안의 EM 격자를 포함한다. 이러한 방식으로, MLG 시스템은 시뮬레이션 중 일부 동안 계산될 필요가 있는 값의 수를 크게(예컨대, 약 1/3만큼) 줄일 수 있으며, 이는 모델 EM 출력 또는 부정맥 모델 라이브러리에 대한 전압 솔루션의 생성을 상당히 가속화할 수 있다.
일부 실시형태에서, MLG 시스템은 모델링된 EM 출력의 생성을 가속화하기 위해 다른 부트스트래핑 기술을 이용할 수 있다. 하나의 부트스트래핑 기술은 상이한 기하학적 구조, 상이한 활동 전위, 및 다른 전도도 파라미터와 같은 상이한 구성 파라미터에 대한 신속한 생성을 허용할 수 있다. 예를 들어, 주어진 초점 또는 로터 근원 위치 및 다른 구성 파라미터 세트의 세트에 대해, 시뮬레이션은 2초 동안 실행될 수 있다. 이어서, 그 시뮬레이션으로부터의 EM 격자는 상이한 기하학적 구조에 기초하여 변경되거나, 또는 모델 파라미터는 상이한 활동 전위 또는 전도도 파라미터에 기초하여 조정된다. 이어서 시뮬레이션이 계속된다. 활성화 전위가 상이한 구성 파라미터에 기초하여 안정화되는데 1초 정도 걸릴 수 있다. 다른 부트스트래핑 기술은 상이한 흉터 위치에 고정된 로터에 대한 생성을 가속화한다. 예를 들어, 주어진 고정 흉터 위치에 대해, 시뮬레이션은 2초 동안 실행될 수 있다. 제1초 후에, 로터는 안정화되어 흉터 위치에 고정될 수 있다. 상기 초 동안, 충분한 모델링된 EM 출력은 심장도를 생성하도록 시뮬레이션된다. 이어서, 그 시뮬레이션으로부터의 EM 격자는 변경되어, 고정 흉터 위치가 근처로 이동되고, 가능하게 상이한 기하학적 구조에 기초하여 변경될 수 있다. 이어서 시뮬레이션이 계속된다. 시뮬레이션은 로터가 이전의 고정 흉터 위치로부터 분리되어, 새로운 고정 흉터 위치에 부착되는 것을 허용할 것이다. 부착되었으면, 다음의 1초 동안 모델링된 EM 출력은 ECG 또는 VCG를 생성하는데 사용될 수 있다. 또한, 고정 흉터 위치를 변경하는 대신, 절제 형상과 패턴은 그 절제의 효과를 시뮬레이션하기 위해 EM 격자에 추가될 수 있거나, 또는 고정 흉터의 구성은 그 구성의 효과를 빠르게 시뮬레이션하기 위해 변경될 수 있다.
일부 실시형태에서, MLG 시스템은 부정맥 모델 라이브러리의 부정맥 모델에 대해 생성된 모델링된 EM 출력으로부터 유도된 유도 EM 데이터의 생성을 가속화할 수 있다. 유도된 EM 데이터는 모델링된 EM 출력(예컨대, 3,000개의 EM 격자)로부터 생성된 VCG(또는 다른 심장도)일 수 있다. MLG 시스템은 유사한 해부학적 파라미터를 갖는 근원 구성을 가진 부정맥 모델을 함께 그룹화할 수 있다. 그러므로, 그룹에 있는 각각의 부정맥 모델은 유사한 전기 생리학적 파라미터 및 상이한 해부학적 파라미터를 가질 것이다. 이어서, MLG 시스템은 그룹의 대표적인 부정맥 모델에 대한 시뮬레이션을 실행한다. 그러나, MLG 시스템은 그룹에서의 다른 부정맥 모델에 대한 시뮬레이션을 실행할 필요가 없다. 다른 부정맥 모델 중 하나에 대한 VCG를 생성하기 위해, MLG 시스템은 대표적인 부정맥 모델의 모델링된 EM 출력 및 다른 부정맥 모델의 해부학적 파라미터를 입력한다. 이어서 MLG 시스템은 대표적인 부정맥 모델의 해부학적 파라미터와 다른 근원 구성의 해부학적 파라미터에서의 차이에 기초하여 조정된 모델링된 EM 출력의 값에 기초하여 다른 부정맥 모델에 대한 VCG 값을 계산한다. 이러한 방식으로, MLG 시스템은 부정맥 모델의 각각의 그룹의 대표적인 부정맥 모델을 제외한 임의의 시뮬레이션을 실행하는 것을 피한다.
일부 실시형태에서, MLG 시스템은 하나의 다면체 모델에 기초한 부정맥 모델을 다른 다면체 모델에 기초한 부정맥 모델로 변환한다. 상이한 유한 격자 문제 해결사(finite-mesh problem solver)는 상이한 다면체 모델에 기초할 수 있다. 예를 들어, 하나의 다면체 모델은 6면체 모델이고, 다른 다면체 모델은 4면체 모델일 수 있다. 6면체 모델을 사용하는 것으로, 격자는 6면체로 채워진다. 4면체 모델을 사용하는 것으로, 격자는 4면체로 채워진다. 부정맥 모델 라이브러리가 6면체 모델에 기초하여 생성되면, 이 부정맥 라이브러리는 4면체 문제 해결사에 입력될 수 없다. 4면체 모델에 기초한 별도의 부정맥 모델 라이브러리는 근원 구성에 기초하여 생성될 수 있지만, 이는 이렇게 하는데 계산적으로 비쌀 것이다. 4면체 부정맥 모델 라이브러리를 생성하는 이러한 계산 비용(computational expense)을 줄이기 위해, MLG 시스템은 6면체 부정맥 모델을 4면체 부정맥 모델로 변환한다. 4면체 부정맥 모델을 변환하기 위해, MLG 시스템은 예를 들어 6면체 부정맥 모델의 격자 표면 면(surface face)에 기초하여 4면체 부정맥 모델의 표면 표현을 생성한다. 이어서 MLG 시스템은 4면체 격자를 생성하기 위해 표면 표현에 의해 형성된 볼륨을 4면체로 채운다. 이어서MLG 시스템은 4면체 격자의 그 꼭지점에 근접한 6면체 격자의 꼭지점의 값을 보간하는 것에 의해 4면체 격자의 각각의 꼭지점에 대한 값을 생성한다. 이러한 방식으로, MLG 시스템은 한 유형의 다면체에 대한 부정맥 모델 라이브러리를 사용하여, 다른 유형의 다면체에 대한 부정맥 모델 라이브러리를 생성하고, 근원 구성으로부터 다른 유형의 다면체에 대한 부정맥 모델 라이브러리를 생성하는 계산 비용을 피할 수 있다. MLG 시스템은 또한 전자기 근원의 디스플레이를 위해 부정맥 모델을 하나의 다면체 모델로부터 다른 다면체 모델로 변환할 수 있다. 예를 들어, MLG 시스템은 6면체 심실 격자(hexahedral ventricular mesh)를 사용하여 시뮬레이션을 실행하고, 이어서 디스플레이를 위해, 표면-삼각형 심실 격자로 변환하여, 심실의 보다 사실적인 디스플레이를 제공할 수 있다.
도 11은 일부 실시형태에서 MLG 시스템의 컴포넌트를 예시하는 블록도이다. MLG 시스템(1100)은 생성 모델 라이브러리 컴포넌트(1101), 생성 시뮬레이션된 해부학적 구조 컴포넌트(1102), 생성 시뮬레이션된 해부학적 구조 컴포넌트(1103), 생성 근원 구성 컴포넌트(1104), 생성 모델 컴포넌트(1105), 디스플레이 시뮬레이션된 해부학적 구조 컴포넌트(1106), 대표적인 컴포넌트에 대한 생성 전압 솔루션(1107), 그룹 컴포넌트에 대한 생성 전압 솔루션(1108), 근사 VCG 컴포넌트(1109), 및 변환 다면체 모델 컴포넌트(1110)를 포함한다. MLG 시스템은 또한 부정맥 모델을 저장하는 모델 라이브러리(1111), 시드 해부학적 구조(예컨대, 심장의)를 저장하는 시드 해부학적 구조 라이브러리(1112), 및 시뮬레이션된 해부학적 구조(예컨대, 심장의)를 저장하는 시뮬레이션된 해부학적 구조 라이브러리(1113)를 포함한다. 생성 모델 라이브러리 컴포넌트는 모델 라이브러리의 전체적인 생성을 제어한다. 생성 시뮬레이션된 해부학적 구조 컴포넌트는 가중치의 각각의 세트에 대해 생성 시뮬레이션된 해부학적 구조 컴포넌트를 호출하는 것에 의해 다양한 세트의 가중치에 대한 시뮬레이션된 해부학적 구조를 생성한다. 생성 근원 구성 컴포넌트는 시뮬레이션된 해부학적 구조, 및 전기 생리학적 파라미터에 대한 가능한 값에 기초하여 다양한 근원 구성을 생성한다. 생성 모델 컴포넌트는 근원 구성에 기초하여 모델을 생성한다. 디스플레이 시뮬레이션된 해부학적 구조 컴포넌트는 가중치의 세트를 특정하고 시드 및 시뮬레이션된 해부학적 구조를 보기 위한 애플리케이션 프로그래밍 인터페이스 또는 사용자 경험을 제공할 수 있다. 대표적인 컴포넌트에 대한 생성 전압 솔루션은 그룹의 대표적인 근원 구성에 대한 전압 솔루션을 생성한다. 그룹 컴포넌트에 대한 생성 전압 솔루션은 대표적인 근원 구성에 대한 전압 솔루션을 사용하는 부트스트래핑에 기초하여 그룹에서의 근원 구성에 대한 전압 솔루션을 생성한다. 근사 VCG 컴포넌트는 유사한 근원 구성에 대한 전압 솔루션에 기초하지만 해부학적 파라미터가 상이한 근사 VCG를 생성한다. 변환 다면체 모델 컴포넌트는 6면체 모델을 4면체 모델로 변환한다.
도 12는 시드 해부학적 구조로부터 시뮬레이션된 해부학적 구조의 생성을 예시하는 블록도이다. 이 예에서, 시드 해부학적 구조(1201 내지 1206)는 시뮬레이션된 해부학적 구조(1210)를 생성하는데 사용된다. 각각의 시드 해부학적 구조는 시뮬레이션된 해부학적 구조에 대한 시드 해부학적 구조의 기여도를 특정하는 관련 가중치를 갖는다. 가중치의 합은 1.0일 수 있다. 일부 실시형태에서, 각각의 시드 해부학적 구조에 대한 단일 가중치 대신에, MLG 시스템은 시드 기하학적 구조의 각각의 해부학적 파라미터에 대한 가중치를 이용할 수 있다. 예를 들어, 가중치는 심실의 치수에 대한 가중치, 심장 벽의 두께에 대한 가중치 등을 포함할 수 있다. 시드 해부학적 구조의 해부학적 파라미터에 대한 가중치의 합은 1.0일 수 있다. 예를 들어, 시드 해부학적 구조(1201 내지 1206)의 가중치는 좌심실의 치수에 대해 각각 0.1, 0.1, 0.1, 0.1, 0.3, 및 0.3일 수 있고, 심장 내막, 심근, 및 심장 외막의 두께에 대해 각각 0.2, 0.2, 0.2, 0.2, 0.1, 및 0.1일 수 있다. 대안적으로, 시드 해부학적 구조의 가중치 또는 시드 해부학적 구조의 해부학적 파라미터의 합은 1.0일 필요는 없다.
도 13은 일부 실시형태에서 시뮬레이션된 해부학적 구조를 보기 위한 사용자 경험을 예시하는 디스플레이 페이지이다. 디스플레이 페이지(1300)는 그래픽 영역(1310), 가중치 영역(1320), 및 옵션 영역(1330)을 포함한다. 그래픽 영역은 심장의 각각의 시드 해부학적 구조의 그래픽과, 이들 가중치에 기초한 심장의 시뮬레이션된 해부학적 구조의 그래픽과 함께 가중치를 디스플레이한다. 사용자는 가중치 영역을 사용하여 각각의 시드 해부학적 구조의 가중치를 특정할 수 있다. 사용자는 옵션 영역을 사용하여 추가의 시드 해부학적 구조를 추가하고, 시드 해부학적 구조를 삭제하고, 각각의 옵션에 대한 사용자 인터페이스(도시되지 않음)에 기초하여 가중치 규칙(weight rule)을 특정할 수 있다. MLG 시스템은 시드 해부학적 구조의 해부학적 파라미터를 저장하기 위한 데이터 구조를 특정할 수 있다. 사용자는 새로운 시드 해부학적 구조를 추가할 때 데이터 구조를 업로드할 수 있다. MLG 시스템은 또한 시뮬레이션된 해부학적 구조를 생성하는데 사용될 수 있는 시드 해부학적 구조의 라이브러리를 사용자가 생성하도록 허용할 수 있다. 가중치 규칙은 시뮬레이션된 해부학적 구조의 라이브러리를 위한 가중치의 세트를 생성하는 방법을 특정한다. 예를 들어, 가중치 규칙은 0.0 내지 1.0의 범위에 있는 비정상화된 가중치 세트의 모든 조합을 0.2의 증분으로 생성하도록 특정하고, 이어서 가중치의 각각의 세트에서 가중치 합이 1.0이도록 가중치를 정상화할 수 있다. 이러한 가중치 규칙과 6개의 시드 해부학적 구조가 주어지면, 5×106 세트의 가중치가 특정된다. 그래픽은 Blender와 같은 3D 컴퓨터 그래픽 소프트웨어 도구 세트를 사용하여 생성될 수 있다.
도 14는 일부 실시형태에서 MLG 시스템의 생성 모델 라이브러리 컴포넌트의 처리를 예시하는 흐름도이다. 생성 모델 라이브러리 컴포넌트(1400)는 시드 해부학적 구조에 기초한 부정맥 모델 라이브러리와 같은 모델 라이브러리, 및 각각의 모델에 대해, 각각의 전기 생리학적 파라미터에 대한 값의 범위를 특정하는 전기 생리학적 파라미터 사양과 함께 해부학적 파라미터를 생성하기 위한 시드 해부학적 구조에 대한 가중치 세트를 생성하기 위해 호출된다. 컴포넌트는 해부학적 파라미터와 전기 생리학적 파라미터의 조합으로부터 근원 구성을 생성한다. 블록(1401)에서, 컴포넌트는 생성 시뮬레이션된 해부학적 구조 컴포넌트를 호출하여, 시드 해부학적 구조로부터 시뮬레이션된 해부학적 구조를 생성한다. 블록(1402)에서, 컴포넌트는 생성 근원 구성 컴포넌트를 호출하여, 시뮬레이션된 해부학적 구조의 해부학적 파라미터 및 전기 생리학적 파라미터 사양에 기초하여 근원 구성을 생성한다. 블록(1403 내지 1406)에서, 컴포넌트는 루핑되어, 각각의 근원 구성에 대한 모델을 생성한다. 블록(1403)에서, 컴포넌트는 다음의 근원 구성(i)을 선택한다. 결정 블록(1404)에서, 모든 근원 구성이 이미 선택되었으면, 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 블록(1405)에서 계속된다. 블록(1405)에서, 컴포넌트는 생성 모델 컴포넌트를 호출하여, 근원 구성(i)의 표시를 전달하고, 그 근원 구성에 대한 모델(모델[i])을 생성한다. 블록(1406)에서, 컴포넌트는 생성된 모델을 모델 라이브러리에 추가하고, 이어서 블록(1403)으로 루핑되어 다음의 근원 구성을 선택한다.
도 15는 일부 실시형태에서 MLG 시스템의 생성 시뮬레이션된 해부학적 구조 컴포넌트의 처리를 예시하는 흐름도이다. 생성 시뮬레이션된 해부학적 구조 컴포넌트(1500)는 시드 해부학적 구조 및 관련된 세트의 가중치에 기초하여 시뮬레이션된 해부학적 구조를 생성하기 위해 호출된다. 블록(1501)에서, 컴포넌트는 다음의 세트의 가중치(i)를 선택한다. 결정 블록(1502)에서, 모든 세트의 가중치가 이미 선택되었으면, 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 블록(1503)에서 계속된다. 블록(1503)에서, 컴포넌트는 생성 시뮬레이션된 해부학적 구조 컴포넌트를 호출하여, 선택된 세트의 가중치(i)의 표시를 전달하고, 시뮬레이션된 해부학적 구조에 대한 해부학적 파라미터의 표시를 수신한다. 블록(1504)에서, 컴포넌트는 해부학적 파라미터를 저장하고, 이어서 블록(1501)으로 루핑되어 다음의 세트의 가중치를 선택한다.
도 16은 일부 실시형태에서 MLG 시스템의 생성 시뮬레이션된 해부학적 구조 컴포넌트의 처리를 예시하는 흐름도이다. 생성 시뮬레이션된 해부학적 구조 컴포넌트(1600)는 호출되어, 가중치의 세트의 표시를 전달하고, 그 가중치의 세트에 기초하여 시뮬레이션된 해부학적 구조를 생성한다. 블록(1601)에서, 컴포넌트는 다음의 해부학적 파라미터(i)를 선택한다. 결정 블록(1602)에서, 모든 해부학적 파라미터가 이미 선택되었으면, 컴포넌트는 시뮬레이션된 해부학적 구조에 대한 해부학적 파라미터의 표시를 반환하고, 그렇지 않으면 컴포넌트는 블록(1603)에서 계속된다. 블록(1603)에서, 컴포넌트는 선택된 해부학적 파라미터(i)를 초기화한다. 블록(1604 내지 1606)에서, 컴포넌트는 루핑되어, 각각의 시드 해부학적 구조에 대한 그 해부학적 파라미터에 대한 가중치 및 값에 기초하여 선택된 해부학적 파라미터를 조정한다. 블록(1604)에서, 컴포넌트는 다음의 시드 해부학적 구조(j)를 선택한다. 결정 블록(1605)에서, 모든 시드 해부학적 구조가 이미 선택되었으면, 컴포넌트는 블록(1601)으로 루핑되어, 다음의 해부학적 파라미터를 선택하고, 그렇지 않으면 컴포넌트는 블록(1606)에서 계속된다. 블록(1606)에서, 컴포넌트는 선택된 해부학적 파라미터(i)를, 선택된 시드 해부학적 가중치로 나누어진, 선택된 해부학적 파라미터(i)와 선택된 시드 해부학적 구조(j)에 대한 그 해부학적 파라미터(i)의 합으로 설정한다. 컴포넌트는 이어서 블록(1604)으로 루핑되어, 다음의 시드 해부학적 구조를 선택한다.
도 17은 일부 실시형태에서 MLG 시스템의 생성 근원 구성 컴포넌트의 처리를 예시하는 흐름도이다. 생성 근원 구성 컴포넌트(1700)는 모델 라이브러리를 생성하는데 사용하기 위한 근원 구성을 생성하기 위해 호출된다. 근원 구성은 시뮬레이션된 해부학적 구조 및 해부학적 파라미터 값의 조합에 의해 특정된다. 블록(1701)에서, 컴포넌트는 다음의 시뮬레이션된 해부학적 구조를 선택한다. 결정 블록(1702)에서, 모든 시뮬레이션된 해부학적 구조가 이미 선택되었으면, 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 블록(1703)에서 계속된다. 블록(1703 내지 1707)에서, 컴포넌트는 루핑되어, 선택된 시뮬레이션된 해부학적 구조에 대한 해부학적 파라미터의 세트를 선택한다. 블록(1703)에서, 컴포넌트는 섬유 아키텍처 해부 파라미터에 대한 다음의 값을 선택한다. 결정 블록(1704)에서, 섬유 아키텍처 해부학적 파라미터에 대한 모든 값이 선택된 시뮬레이션된 해부학적 구조에 대해 이미 선택되었으면, 선택된 시뮬레이션된 해부학적 구조에 대한 모든 근원 구성이 생성되었으며, 컴포넌트는 블록(1701)으로 루핑되어, 다음의 시뮬레이션된 해부학적 구조를 선택하고, 그렇지 않으면 컴포넌트는 생략 부호(ellipsis)로 도시된 바와 같이 다른 해부학적 파라미터의 각각에 대한 값을 계속 선택한다. 블록(1705)에서, 컴포넌트는 선택된 시뮬레이션된 해부학적 구조에 대한 다음의 근원 위치 및 다른 해부학적 파라미터에 대한 값의 세트를 선택한다. 결정 블록(1706)에서, 선택된 시뮬레이션된 해부학적 구조 및 다른 해부학적 파라미터에 대한 값의 세트에 대해 모든 근원 위치가 이미 선택되었으면, 컴포넌트는 블록(1705)으로 루핑되어, 새로운 세트의 값을 선택한다. 블록(1707)에서, 컴포넌트는 선택된 시뮬레이션된 해부학적 구조의 표시 및 해부학적 파라미터에 대한 선택된 값의 세트를 근원 구성으로서 저장하고, 이어서 블록(1705)으로 루핑되어 다음의 근원 위치를 선택한다.
도 18은 일부 실시형태에서 MLG 시스템의 생성 모델 컴포넌트의 처리를 예시하는 흐름도이다. 생성 모델 컴포넌트(1800)는 호출되어, 근원 구성(i)의 표시를 전달하고 모델을 생성한다. 모델은 근원 구성의 시뮬레이션된 해부학적 구조를 나타내는 격자의 각각의 꼭지점에 대한 하나 이상의 모델 파라미터를 포함한다. 블록(1801)에서, 컴포넌트는 해부학적 파라미터에 기초하여 격자를 생성한다. 격자는 각각의 꼭지점에 대해, 예를 들어 그 꼭지점에 대한 전압을 생성하는데 사용하기 위한 하나 이상의 모델 파라미터에 대한 값과 함께 그 인접한 꼭지점에 대한 기준을 명시적으로 또는 암시적으로 포함하는 데이터 구조에 의해 표현될 수 있다. 블록(1802)에서, 컴포넌트는 다음의 꼭지점(j)을 선택한다. 결정 블록(1803)에서, 모든 꼭지점이 이미 선택되었으면, 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 블록(1804)에서 계속된다. 블록(1804)에서, 컴포넌트는 선택된 꼭지점에 대한 계산 모델의 다음의 모델 파라미터(k)를 선택한다. 결정 블록(1805)에서, 모든 모델 파라미터가 이미 선택되었으면, 컴포넌트는 블록(1802)으로 루핑되어 다음의 꼭지점을 선택하고, 그렇지 않으면 컴포넌트는 블록(1806)에서 계속된다. 블록(1806)에서, 컴포넌트는 근원 구성(i)에 기초하여 선택된 꼭지점(j)에 대한 선택된 모델 파라미터(k)를 계산하고, 이어서 블록(1804)으로 루핑되어 다음의 모델 파라미터를 선택한다.
도 19는 일부 실시형태에서 MLG 시스템의 디스플레이 시뮬레이션된 해부학적 구조 컴포넌트의 처리를 예시하는 흐름도이다. 디스플레이 시뮬레이션된 해부학적 구조 컴포넌트(1900)는 시드 해부학적 구조에 기초하여 생성된 시뮬레이션된 해부학적 구조를 디스플레이하기 위해 호출된다. 블록(1901)에서, 컴포넌트는 그래픽(1311)과 같은 시뮬레이션된 해부학적 구조의 시뮬레이션된 표현을 디스플레이한다. 블록(1902 내지 1906)에서, 컴포넌트는 루핑되어 각각의 시드 해부학적 구조의 시드 표현(seed representation)을 디스플레이한다. 블록(1902)에서, 컴포넌트는 시뮬레이션된 해부학적 구조를 생성하기 위해 사용된 다음의 시드 해부학적 구조를 선택한다. 결정 블록(1903)에서, 모든 시드 해부학적 구조가 이미 선택되었으면, 컴포넌트는 블록(1907)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(1904)에서 계속된다. 블록(1904)에서, 컴포넌트는 그래픽(1301 내지 1306)과 같은 선택된 시드 해부학적 구조의 시드 표현을 디스플레이한다. 블록(1905)에서, 컴포넌트는 시드 표현으로부터 시뮬레이션된 표현으로의 화살표를 디스플레이한다. 블록(1906)에서, 컴포넌트는 화살표에 인접한 시드 해부학적 구조와 관련된 가중치를 디스플레이하고, 이어서 블록(1902)으로 루핑되어 다음의 시드 해부학적 구조를 선택한다. 결정 블록(1907))에서, 사용자가 가중치를 변경하도록 지시하면, 컴포넌트는 블록(1908)에서 계속되고, 그렇지 않으면 컴포넌트는 완료된다. 블록(1908)에서, 컴포넌트는 변경된 가중치에 기초한 시뮬레이션된 해부학적 구조의 새로운 시뮬레이션된 표현을 디스플레이한다. 컴포넌트는 생성 시뮬레이션된 해부학적 구조 컴포넌트를 호출하여 시뮬레이션된 해부학적 구조 및 시뮬레이션된 해부학적 구조에 대한 그래픽을 생성할 수 있다. 블록(1909)에서, 컴포넌트는 그 가중치가 변경된 시드 해부학적 구조의 시드 표현으로부터 화살표 근처에 변경된 가중치를 디스플레이하고, 이어서 완료된다.
도 20은 유사한 해부학적 파라미터를 갖는 이전의 시뮬레이션의 EM 격자에 기초하여 시뮬레이션을 부트스트래핑하는 프로세스를 예시하는 블록도이다. 시뮬레이션은 상이한 흉터 또는 섬유증 또는 전부정맥 기질 위치 외에 동일한 근원 구성을 위한 부정맥 모델에 차례로 기초하는 이전의 시뮬레이션에 기초하여 부트스트래핑될 수 있다. 초기 EM 격자를 생성하기 위해, 생성 시뮬레이션 컴포넌트(2020)는 제1 흉터 또는 섬유증 또는 전부정맥 기질 위치를 갖는 부정맥 모델(2010)을 입력하고, 전압 솔루션(2030)을 출력한다. 생성 시뮬레이션 컴포넌트(2020)는 디폴트 컴포넌트(2021) 및 실행 시뮬레이션 컴포넌트(2022)로의 초기화 격자를 포함한다. 초기화 EM 격자 컴포넌트는 꼭지점의 전압에 대한 디폴트 값을 이용하여 EM 격자를 초기화한다. 실행 시뮬레이션 컴포넌트(2022)는 전압 솔루션(예컨대, 3,000개의 EM 격자)을 생성하기 위해 초기화된 EM 격자 및 부정맥 모델(2010)에 기초하여 시뮬레이션을 실행하고(예컨대, 3초 동안), 전압 솔루션(2030)을 출력한다. 시뮬레이션을 부트스트래핑하기 위해, 생성 시뮬레이션 컴포넌트(2060)는 제2 흉터 또는 섬유증 또는 전부정맥 기질 위치를 갖는 부정맥 모델(2050)을 입력하고 전압 솔루션(2070)을 출력한다. 생성 시뮬레이션 컴포넌트(2060)는 전압 솔루션 컴포넌트(2061)에 기초한 초기화 EM 격자 및 실행 시뮬레이션 컴포넌트(2062)를 포함한다. 전압 솔루션 컴포넌트(2061)에 기초한 초기화 EM 격자는 전압 솔루션(2030)을 입력하고, EM 격자를, 예를 들어 전압 솔루션(2030)의 1초 시점에 대응하는 EM 격자로 초기화한다. 실행 시뮬레이션 컴포넌트(2062)는 초기화된 EM 격자에 기초하여 시뮬레이션을 실행한다. 예를 들어, 시뮬레이션이 3초이고 초기화된 EM 격자가 1초 시점에서 EM 격자에 기초하면, 실행 시뮬레이션 컴포넌트(2062)는 추가의 2초 동안 시뮬레이션을 실행한다. 실행 시뮬레이션 컴포넌트(2062)는 전압 솔루션 스토어(2070)에 전압 솔루션을 저장한다.
도 21은 일부 실시형태에서 MLG 시스템 그룹의 대표적인 부정맥 모델에 대한 전압 솔루션을 생성하기 위한 컴포넌트의 처리를 예시하는 흐름도이다. 대표적인 컴포넌트(2100)에 대한 생성 전압 솔루션은 부정맥 모델(i)에 대한 전압 솔루션을 생성한다. 블록(2101)에서, 컴포넌트는 시뮬레이션 단계의 수를 추적하기 위해 인덱스(j)를 초기화한다. 결정 블록(2102)에서, 인덱스(j)가 시뮬레이션 단계의 수보다 크면, 컴포넌트는 완료되어 전압 솔루션을 나타내며, 그렇지 않으면 컴포넌트가 블록(2103)에서 계속된다. 블록(2103)에서, 컴포넌트는 선택된 시뮬레이션 단계 동안 전압 솔루션을 생성하기 위해 부정맥 모델 및 선택된 시뮬레이션 단계에 기초한 계산 모델을 적용한다. 블록(2104)에서, 컴포넌트는 다음의 시뮬레이션 단계로 증분시키고, 블록(2102)으로 루핑된다.
도 22는 일부 실시형태에서 MLG 시스템의 대표적인 전압 솔루션에 기초한 부정맥 모델의 그룹에 대한 생성 전압 솔루션 컴포넌트의 처리를 예시하는 흐름도이다. 그룹 컴포넌트(2200)에 대한 생성 전압 솔루션은 대표적인 전압 솔루션 및 부정맥 모델 세트의 표시를 전달한다. 블록(2201)에서, 컴포넌트는 다음의 부정맥 모델(i)를 선택한다. 결정 블록(2202)에서, 모든 부정맥 모델이 이미 선택되었으면, 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 블록(2203)에서 계속된다. 블록(2203)에서, 컴포넌트는 선택된 부정맥 모델에 대한 전압 솔루션을 처음 1000개의 시뮬레이션 단계 동안 대표적인 전압 솔루션으로 초기화된다. 블록(2204 내지 2206)에서, 컴포넌트는 루핑되어, 시뮬레이션 단계(1001)에서 시작하여 시뮬레이션의 종료까지 계속 시뮬레이션을 실행한다. 블록(2204)에서, 컴포넌트는 다음의 시뮬레이션 단계(j)를 선택하여, 시뮬레이션 단계(1001)에서 시작한다. 결정 블록(2205)에서, 현재 시뮬레이션 단계가 시뮬레이션 단계의 수보다 크면, 컴포넌트는 블록(2201)으로 루핑되어, 다음의 부정맥 모델을 선택하고, 그렇지 않으면 컴포넌트는 블록(2206)에서 계속된다. 블록(2206)에서, 컴포넌트는 시뮬레이션 단계 동안 전압 솔루션을 생성하기 위해 시뮬레이션 단계에 기초한 부정맥 모델을 적용하고, 이어서 블록(2204)으로 루핑되어 다음의 시뮬레이션 단계를 선택한다.
도 23은 상이한 해부학적 파라미터를 갖는 부정맥 모델에 대한 전압 솔루션에 기초하여 벡터 심전도를 근사하는 프로세스를 예시하는 블록도이다. 제1 세트의 해부학적 파라미터에 기초하여 부정맥 모델(2301)에 대한 전압 솔루션을 생성하기 위해, 생성 시뮬레이션 컴포넌트(2302)는 부정맥 모델을 입력하고 전압 솔루션(2303)을 출력한다. 이어서 생성 VCG 컴포넌트(2304)는 전압 솔루션으로부터 VCG를 생성하고, 이를 VCG 스토어(2305)에 저장한다. 유사한 근원 구성에 기초하지만 상이한 해부학적 파라미터를 갖는 부정맥 모델에 대한 VCG를 근사하기 위해, 근사 VCG 컴포넌트(2314)는 부정맥 모델(2311)을 입력하고, 근사 VCG를 생성하고, VCG(2315)를 출력한다.
도 24는 일부 실시형태에서 MLG 시스템의 근사 VCG 컴포넌트의 처리를 예시하는 흐름도이다. 근사 VCG 컴포넌트(2400)는 제1 해부학적 파라미터를 갖는 제1 부정맥 모델에 기초하여 생성된 전압 솔루션("VS1")을 입력하고, 제2 해부학적 파라미터를 갖는 제2 부정맥 모델에 대한 VCG를 근사한다. 블록(2401)에서, 컴포넌트는 시뮬레이션 단계를 통한 인덱싱을 위해 인덱스(i)를 설정한다. 결정 블록(2402)에서, 인덱스(i)가 시뮬레이션 단계의 수보다 크면, 컴포넌트는 블록(2408)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(2403)에서 계속된다. 블록(2403)에서, 컴포넌트는 부정맥 모델의 격자의 지점(예컨대, 꼭지점 또는 가우시안 지점)를 통한 인덱싱을 위한 인덱스(j)를 설정한다. 결정 블록(2404)에서, 인덱스(j)가 지점의 수보다 크면, 컴포넌트는 블록(2407)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(2405)에서 계속된다. 블록(2405)에서, 컴포넌트는 인덱스 시뮬레이션 단계 및 지점에서 제2 부정맥 모델에 대한 전압 솔루션에 대한 값("VS2")을 제1 부정맥 모델의 전압 솔루션에 대한 대응하는 값으로 설정한다. 블록(2405)에서, 컴포넌트는 인덱스(j)를 증분시키고, 블록(2404)으로 루핑된다. 블록(2407)에서, 컴포넌트는 인덱스(i)를 증분시키고, 블록(2402)으로 루핑된다. 블록(2408)에서, 컴포넌트는 생성된 전압 솔루션(VS2)에 기초하여 제2 부정맥 모델에 대한 VCG를 생성하고, 이어서 완료된다.
도 25는 일부 실시형태에서 제1 다면체에 기초한 부정맥 모델을 제2 다면체에 기초한 부정맥 모델로 변환하는 프로세스를 예시하는 블록도이다. 제1 다면체 부정맥 모델(2501)의 제1 다면체 부정맥 모델은 추출 표면 컴포넌트(2502)에 입력된다. 추출 표면 컴포넌트는 부정맥 모델의 격자의 표면을 추출한다. 제2 다면체 컴포넌트(2303)를 이용한 채움은 표면을 입력하고, 제2 유형의 다면체로 표면 내의 볼륨을 채운다. 보간 모델 파라미터 컴포넌트(2504)는 제2 다면체 격자 및 제1 다면체 모델을 입력하고, 제2 다면체 모델의 모델 파라미터를 생성하고, 제2 다면체 모델(2505)을 출력한다.
도 26은 일부 실시형태에서 MLG 시스템의 변환 다면체 모델 컴포넌트의 처리를 예시하는 흐름도이다. 변환 다면체 모델 컴포넌트(2600)는 호출되어, 6면체 모델을 4면체 모델로 변환한다. 블록(2601)에서, 컴포넌트는 6면체 모델로부터 표면을 추출한다. 블록(2602)에서, 컴포넌트는 6면체 모델의 표면에 기초하여 4면체 격자를 생성한다. 블록(2603)에서, 컴포넌트는 6면체 모델의 6면체 격자의 공간에 대해 4면체 격자의 꼭지점을 맵핑하여, 예를 들어, 동일한 원점에 대해 꼭지점의 위치를 설정한다. 블록(2604)에서, 컴포넌트는 4면체 격자의 다음의 꼭지점(j)을 선택한다. 결정 블록(2605)에서, 모든 이러한 꼭지점이 이미 선택되었으면, 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 2606에서 계속된다. 블록(2606)에서, 컴포넌트는 다음의 모델 파라미터(k)를 선택한다. 결정 블록(2607)에서, 선택된 꼭지점에 대해 모든 모델 파라미터가 이미 선택되었으면, 컴포넌트는 블록(2604)으로 루핑되어 다음의 꼭지점을 선택하고, 그렇지 않으면 컴포넌트는 블록(2608)으로 계속된다. 블록(2608)에서, 컴포넌트는 6면체 모델에서 인접한 꼭지점의 선택된 모델 파라미터의 값의 보간에 기초하여 선택된 모델 파라미터를 설정한다. 컴포넌트는 이어서 블록(2606)으로 루핑되어, 다음의 모델 파라미터를 선택한다.
환자 매칭 시스템
환자 근원 구성을 EM 근원의 모델 근원 구성과 매칭시키는 환자 매칭에 기초하여 신체 내의 EM 근원의 속성 또는 분류를 식별하기 위한 방법 및 시스템이 제공된다. 일부 실시형태에서, 환자 매칭("PM") 시스템은 환자에 대한 속성을 식별하는 프로세스를 가속화하기 위해 또는 분류자를 사용하여 환자에 대해 보다 정확한 분류를 제공하기 위해 매칭 모델 근원 구성을 사용한다. 환자에 대한 속성(예컨대, 부정맥 근원 위치)을 식별하기 위해, PM 시스템은 그 모델 근원 구성에 기초하여 생성된 시뮬레이션된 EM 출력으로부터 유도된 유도된 EM 데이터에 대한, 시뮬레이션된(또는 모델링된) EM 출력을 생성하는데 사용되는 각각의 모델 근원 구성의 맵핑을 생성한다. 각각의 유도된(또는 모델링된) EM 데이터는 모델 근원 구성을 갖는 EM 근원과 관련된 속성에 또한 맵핑된다. 예를 들어, EM 근원이 심장일 때, 모델 근원 구성은 해부학적 파라미터 및 전기 생리학적 파라미터와 같은 구성 파라미터를 포함한다. 구성 파라미터는 부정맥의 근원 위치, 로터 유형, 장애 또는 상태의 유형 등을 포함할 수 있다. 부정맥 근원 위치와 같은 구성 파라미터 중 하나는 환자에 대해 식별될 속성을 나타내는 속성 파라미터로서 지정될 수 있다. PM 시스템은 모델링된 VCG에 대한 모델 근원 구성의 맵핑을 생성하고, 부정맥의 대응하는 근원 위치에 대해 모델링된 VCG의 맵핑을 생성한다. 근원 위치에 대해 모델링된 VCG의 맵핑은 라벨에 대응하는 속성을 가진 MLMO 시스템에 의해 트레이닝 데이터가 생성되는 방식과 유사한 방식으로 생성될 수 있다. 일부 실시형태에서, 근원 구성 및 속성에 대한 유도된 전자기 데이터의 맵핑은 시뮬레이션에 의해 입력되고 생성되는 데이터보다 실제 환자로부터 수집된 데이터에 기초할 수 있다.
일부 실시형태에서, PM 시스템은 환자의 환자 근원 구성 및 환자의 환자 VCG의 조합에 기초하여 환자에 대한 속성을 식별하기 위해 맵핑을 사용한다. 속성은 가장 유사한 모델링된 VCG를 식별하기 위해 환자 VCG를 각각의 모델링된 VCG와 비교하는 것에 의해, 그리고 환자의 환자 속성으로서 상기 가장 유사한 모델링된 VCG의 속성을 식별하는 것에 의해 식별될 수 있다. 그러나, 모델링된 VCG의 수가 수백만에 달할 수 있기 때문에 환자 VCG를 각각의 모델링된 VCG와 비교하는 것은 계산적으로 매우 비쌀 수 있다. PM 시스템은 계산 비용을 줄이기 위해 다양한 기술을 이용할 수 있다. 하나의 기술을 이용하여, PM 시스템은 환자 근원 구성을 사용하여, 환자 VCG가 비교될 필요가 있는 모델링된 VCG의 수를 줄인다. PM 시스템은 사용자가 환자에 대한 환자 근원 구성을 제공하는 것을 가능하게 할 수 있다. 환자 근원 구성의 각각의 구성 파라미터에 대한 값이 제공되었을 수 있으면 바람직할 것이다. 그러나, 실제로는 특정 구성 파라미터의 값만이 환자에게 알려질 수 있다. 이러한 경우에, PM 시스템은 모든 구성 파라미터보다는 구성 파라미터의 알려진 값에 기초하여 비교를 수행한다. 환자를 위한 해부학적 파라미터는 영상 스캔에 기초하여 계산될 수 있다. 활동 전위는 환자의 심장 내로 삽입된 바스켓 카테터의 출력 또는 환자의 항부정맥 약물 또는 유전자 치료 이력에 기초하여 계산될 수 있으며, 전도도는 환자의 ECG의 분석에 기초하여 계산될 수 있다. 구성 파라미터는 또한 활동 전위 및/또는 전도도가 질환 상태를 나타내는지 여부를 나타내는 전기 생리학적 파라미터를 포함할 수 있다. 이러한 경우에, 환자의 활동 전위 또는 전도도가 이용 가능하지 않으면, 구성 파라미터는 활동 전위 또는 전도도가 질환 상태를 나타내는지의 여부를 나타낸다. PM 시스템은 최소 제곱법, 코사인 유사성 등에 기초한 것과 같은 환자 근원 구성과 모델 근원 구성 사이의 유사성을 평가하기 위해 다양한 기술을 사용할 수 있다. 이어서 PM 시스템은 각각의 모델 근원 구성에 대한 유사성 스코어를 생성하고, 매칭 임계값보다 높은 유사한 스코어를 가진 것들을 매칭 모델 근원 구성으로서 식별할 수 있다.
일부 실시형태에서, 매칭 모델 근원 구성이 식별된 후에, PM 시스템은 매칭 모델 근원 구성이 맵핑되는 모델링된 VCG와 환자 VCG를 비교한다. PM 시스템은 각각의 모델링된 VCG에 대한 유사성 스코어를 생성하고(예컨대, 피어슨 상관 관계 기술을 사용하여), 임계 유사성 이상의 유사성 스코어를 갖는 것들을 매칭 모델링된 VCG로서 식별할 수 있다. PM 시스템은 매칭 모델링된 VCG의 속성에 기초하여 환자의 속성(들)을 식별한다. 예를 들어, 속성이 부정맥의 근원 위치이면, PM 시스템은 매칭 모델 VCG의 유사성 스코어에 기초하여 가중된 근원 위치의 평균을 생성할 수 있다. 이러한 방식으로, PM 시스템은 환자 VCG를 모든 모델링된 VCG와 비교하는 계산 비용을 피한다.
일부 실시형태에서, PM 시스템은 환자 VCG를 모든 모델링된 VCG와 비교하는 계산 비용을 줄이기 위해 다른 기술을 이용할 수 있다. 예를 들어, PM 시스템은 면적, 최대 치수 등과 같은 VCG의 특징을 식별할 수 있다. 이어서 PM 시스템은 이들 값을 갖는 모델링된 VCG에 대해 특징의 값을 맵핑하는 인덱스를 생성할 수 있다. 환자 VCG와 매칭되는 모델링된 VCG를 식별하기 위해, PM 시스템은 환자 VCG의 특징을 식별하고, 매칭 모델링된 VCG를 식별하기 위해 인덱스를 사용한다. 예를 들어, PM 시스템은 환자 VCG의 상기 특징과 매칭되는 모델링된 VCG의 세트를 각각의 특징에 대해 식별할 수 있다. 이어서 PM 시스템은 각각의 세트(예컨대, 세트의 교차)에 공통적인 또는 세트에 가장 공통적인 모델링된 VCG를 매칭 모델링된 VCG로서 식별할 수 있다. 이어서 PM 시스템은 속성을 식별하기 위해 위에서 설명된 바와 같은 이들 매칭 모델링된 VCG를 환자 VCG와 비교할 수 있다.
일부 실시형태에서, PM 시스템은 트레이닝된 분류자에 기초하여 VCG의 분류를 개선하기 위해 환자 매칭을 이용할 수 있다. PM 시스템은 다양한 클러스터링 기술(clustering technique)을 사용하여 유사한 모델 근원 구성의 클러스터를 생성할 수 있다. 클러스터링 기술은 중심 기반 클러스터링 기술(예컨대, k-평균 클러스터링), 지도 또는 비지도 학습(supervised or unsupervised learning) 클러스터링 기술(예컨대, 신경망을 사용하는) 등을 포함할 수 있다. 중심 기반 클러스터링 기술을 이용하여, PM 시스템은 가장 유사한 모델 근원 구성의 현재 클러스터에 각각의 모델 근원 구성을 연속적으로 추가하는 것에 의해 클러스터를 생성한다. PM 시스템은 예를 들어 각각의 클러스터에서의 모델 근원 구성의 수, 다른 클러스터에 대한 하나의 클러스터의 모델 근원 구성의 유사성 등에 기초하여 클러스터를 동적으로 결합하고 분할할 수 있다. 클러스터가 식별된 후에, PM 시스템은 각각의 클러스터에 대한 분류자를 생성하기 위해 MLMO 시스템의 컴포넌트를 이용할 수 있다. PM 시스템은 분류자에 대한 트레이닝 데이터로서 그 클러스터의 모델 근원 구성에 대해 모델링된 VCG에 기초하여 클러스터에 대한 분류자를 트레이닝시킨다.
일부 실시형태에서, 환자에 대한 분류를 생성하기 위해, PM 시스템은 환자 근원 구성과 가장 매칭되는 모델 근원 구성을 갖는 클러스터를 식별한다. 예를 들어, PM 시스템은 그 클러스터의 대표적인 모델 근원 구성(예컨대, 클러스터의 평균값을 갖는)과 환자 근원 구성 사이의 유사성에 기초하여 각각의 클러스터에 대한 유사성 스코어를 생성할 수 있다. 이어서 PM 시스템은 최고 유사성 스코어를 갖는 클러스터에 대한 분류자를 선택하고, 환자에 대한 분류를 생성하기 위해 그 분류자를 환자 VCG에 적용한다. 각각의 분류자가 유사한 모델 근원 구성의 클러스터에 기초하여 트레이닝되기 때문에, 각각의 분류자는 이들 유사한 모델 근원 구성에서 미묘할 수 있는 차이만에 기초하여 분류를 생성하도록 조정된다. 반대로, 모든 모델 근원 구성에 기초하여 트레이닝된 분류자는 유사한 모델 근원 구성 사이의 미묘한 차이를 고려하지 않을 수 있다. 이와 같이, 유사한 모델 근원 구성의 클러스터에 기초하여 트레이닝된 분류자는 모든 모델 근원 구성에 기초하여 트레이닝된 분류자보다 더 정확한 분류를 제공할 수 있다.
일부 실시형태에서, PM 시스템은 심장의 표준 배향을 가정하여 모델 근원 구성에 대해 모델링된 EM 출력을 생성할 수 있다. 그러나, 환자가 다소 상이한 배향을 가진 심장을 가지면, 매칭 모델링된 VCG는 배향에서의 차이 때문에 환자에게 적용되어야 할 속성 또는 분류를 가지지 않을 수 있다. 이러한 경우에, PM 시스템은 환자 VCG를 모델링된 VCG와 비교하기 전에 VCG 회전을 수행할 수 있다. PM 시스템은 각각의 모델링된 VCG 또는 환자 VCG를 회전시킬 수 있다. PM 시스템은 배향에서의 차이에 기초하여 회전 매트릭스를 생성할 수 있다. PM 시스템은 회전된 VCG에 대한 회전된 지점을 생성하기 위해 VCG의 각각의 지점(예컨대, x, y 및 z 값)과 회전 매트릭스(예컨대, 3x3 매트릭스) 사이의 매트릭스 복제(matrix multiplication)를 수행한다. MLMO 시스템은 또한 배향에서의 차이에 기초하여 VCG를 회전시킬 수 있다.
도 27 내지 도 30은 일부 실시형태에서 PM 시스템의 컴포넌트의 처리를 예시하는 흐름도이다. 도 27은 일부 실시형태에서 PM 시스템의 식별 속성 컴포넌트의 처리를 예시하는 흐름도이다. 식별 속성 컴포넌트(2700)는 환자 근원 구성 및 환자 심장도(예컨대, VCG)에 기초하여 환자의 환자 속성을 식별한다. 블록(2701)에서, 컴포넌트는 모델링된 VCG를 생성하기 위해 MLMO 시스템의 생성 시뮬레이션된 VCG 컴포넌트를 호출하고, 이어서 모델링된 VCG를 이것이 생성된 모델 근원 구성에 맵핑한다. 블록(2702)에서, 컴포넌트는 환자 근원 구성 및 환자 VCG를 검색한다. 블록(2703)에서, 컴포넌트는 매칭 VCG에 기초한 환자 속성을 식별하기 위해 환자 근원 구성의 표시 및 환자 VCG를 전달하는 매칭 VCG 컴포넌트를 호출한다. 블록(2704)에서, 컴포넌트는 환자에게 치료를 알리기 위해 환자 속성을 나타내고, 이어서 완료된다.
도 28은 일부 실시형태에서 PM 시스템의 식별 매칭 VCG 컴포넌트의 처리를 예시하는 흐름도이다. 식별 매칭 VCG 컴포넌트(2700)는 환자 근원 구성 및 환자 VCG를 전달하고 환자 속성을 식별한다. 블록(2801)에서, 컴포넌트는 모델링된 VCG에 대해 모델 근원 구성의 다음의 맵핑을 선택한다. 결정 블록(2802)에서, 모든 맵핑이 이미 선택되었으면, 컴포넌트는 환자 속성을 나타내는 것을 완료하고, 그렇지 않으면 컴포넌트가 블록(2803)에서 계속된다. 결정 블록(2003)에서, 선택된 모델 근원 구성이 환자 근원 구성과 매칭되면, 컴포넌트는 블록(2804)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(2801)으로 루핑되어 다음의 맵핑을 선택한다. 결정 블록(2804)에서, 선택된 맵핑에 대한 모델링된 VCG가 환자 VCG와 매칭되면, 컴포넌트는 블록(2805)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(2801)으로 루핑되어 다음의 맵핑을 선택한다. 블록(2805)에서, 컴포넌트는 선택된 모델링된 VCG에 대한 속성을 환자 속성에 추가하고, 이어서 블록(2801)으로 루핑되어 다음의 맵핑을 선택한다. 일부 실시형태에서, PM 시스템은 EEG, 및 신체 표면 조끼, 바스켓 카테터, 환자가 착용한 모자 등에 의해 수집된 측정치들에 대응하는 측정치와 같은 다른 유형의 매칭 측정치를 식별하는 컴포넌트를 포함할 수 있다.
도 29는 일부 실시형태에서 PM 시스템의 클러스터링 컴포넌트에 기초한 식별 분류(identify class)의 처리를 예시하는 흐름도이다. 클러스터링 컴포넌트(2900)에 기초한 식별 분류는 유사한 모델 근원 구성의 클러스터를 사용하여 트레이닝된 분류자에 기초하여 환자에 대한 분류를 식별한다. 블록(2901)에서, 컴포넌트는 유사한 모델 근원 구성의 클러스터에 대한 분류자를 생성하기 위해 생성 클러스터 분류자 컴포넌트를 호출한다. 블록(2902)에서, 컴포넌트는 환자 근원 구성 및 환자 VCG를 수신한다. 블록(2903 내지 2908)에서, 컴포넌트는 루핑되어, 환자 근원 구성과 가장 유사한 모델 근원 구성을 가진 클러스터를 식별하기 위해 클러스터를 선택한다. 블록(2903)에서, 컴포넌트는 지금까지 계산된 최대 유사성을 추적하기 위해 변수를 초기화한다. 블록(2904)에서, 컴포넌트는 다음의 클러스터를 선택한다. 결정 블록(2905)에서, 모든 클러스터가 이미 선택되었으면, 컴포넌트는 블록(2909)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(2906)에서 계속된다. 블록(2906)에서, 컴포넌트는 선택된 클러스터의 모델 근원 구성과 환자 근원 구성 사이의 유사성을 계산하기 위해 계산 유사성 컴포넌트를 호출한다. 결정 블록(2907)에서, 유사성이 지금까지 계산된 최대 유사성보다 크면, 컴포넌트는 블록(2908)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(2904)으로 루핑되어 다음의 클러스터를 선택한다. 블록(2908)에서, 컴포넌트는 선택된 클러스터에 대해 계산된 유사성으로 최대 유사성을 설정하고, 지금까지 계산된 최대 유사성을 갖는 클러스터의 인덱스를 나타내는 변수를 설정한다. 이어서 컴포넌트는 블록(2904)으로 루핑되어, 다음의 클러스터를 선택한다. 블록(2909)에서, 컴포넌트는 최대 유사성을 갖는 클러스터에 기초하여 환자 VCG에 대한 분류를 식별하기 위해 클러스터 컴포넌트에 기초한 분류를 호출한다. 클러스터 컴포넌트에 기초한 분류는 사용하기 위해 분류자를 입력하도록 적응된 MLMO 시스템의 분류 컴포넌트에 대응할 수 있다. 이어서 컴포넌트는 분류를 나타내는 것을 완료한다.
도 30은 일부 실시형태에서 PM 시스템의 생성 클러스터 분류자 컴포넌트의 처리를 예시하는 흐름도이다. 생성 클러스터 분류자 컴포넌트(3000)는 모델 근원 구성을 클러스터링하고 각각의 클러스터에 기초하여 분류자를 생성하기 위해 호출된다. 블록(2001)에서, 컴포넌트는 모델 근원 구성의 클러스터를 생성한다. 블록(3002)에서, 컴포넌트는 다음의 클러스터를 선택한다. 결정 블록(3003)에서, 모든 클러스터가 이미 선택되었으면, 컴포넌트는 분류자를 나타내는 것을 완료하고, 그렇지 않으면 컴포넌트는 블록(3004)에서 계속된다. 블록(3004)에서, 컴포넌트는 MLMO 시스템의 생성 분류자 컴포넌트를 호출하여, 그 클러스터에 대한 분류자를 생성하기 위해 선택된 클러스터의 모델 근원 구성의 표시를 전달한다. 이어서 컴포넌트는 블록(3002)으로 루핑되어 다음의 클러스터를 선택한다.
임상 데이터에 기초한 머신 러닝
실제 환자 데이터에 기초하여 분류자를 생성하기 위해 MLMO 시스템을 적응시키기 위한 방법 및 시스템이 제공된다. 일부 실시형태에서, (1) 모델 분류자 가중치의 양도(transference)를 사용하여 실제 환자와 관련된 환자 트레이닝 데이터에 기초한 환자 분류자를 생성하고, (2) 환자와의 유사성에 기초하여 선택된 모델 트레이닝 데이터에 기초한 환자-특이적 모델 분류자를 생성하는, 임상 데이터("MLCD") 시스템에 기초한 머신 러닝이 제공된다. 환자 분류자는 MLCD 시스템의 환자 분류자 시스템에 의해 생성되고, 환자-특이적 모델 분류자는 환자-특이적 모델 분류자 시스템에 의해 생성된다. "환자 분류자"라는 용어는 환자의 데이터에 기초하여 생성된 환자 트레이닝 데이터에 기초하여 생성되는 분류자를 지칭하고, "모델 분류자"라는 용어는 EM 근원의 계산 모델에 기초하여 생성된 모델 트레이닝 데이터에 기초하여 생성된 분류자를 지칭한다.
환자 분류자 시스템
일부 실시형태에서, 환자 분류자("PC") 시스템은 신체 내의 EM 근원의 EM 출력으로부터 유도된, 유도된 EM 데이터를 분류하기 위한 환자 분류자를 생성한다. 예를 들어, 환자 분류자는 ECG로부터 유도된 VCG를 분류한다. PC 시스템은 MLMO 시스템을 사용하여 생성된 것과 같은 모델 분류자에 액세스한다. 모델 분류자는 EM 근원의 계산 모델을 사용하여 생성된 모델 트레이닝 데이터를 사용하여 생성된다. 모델 분류자는 모델 분류자가 CNN의 활성화 함수의 가중치와 같이 트레이닝될 때 학습된 모델 분류자 가중치를 포함한다. PC 시스템은 또한 환자의 각각에 대해, 환자 유도 EM 데이터(예컨대, VCG) 및 로터 위치 및 이전의 절제 처치 결과와 같은 그 환자에 대한 환자 분류를 포함하는 환자 트레이닝 데이터에 액세스한다. 예시적인 이전의 절제 처치 결과는 특정 위치에서 특정 화상 패턴으로 절제된 후에 특정 시간 동안 환자에게 부정맥이 없었다는 것일 수 있다. 환자 분류자를 트레이닝시키기 위해, PC 시스템은 모델 분류자의 모델 분류자 가중치에 기초하여 환자 분류자의 환자 분류자 가중치를 초기화하고, 이어서 환자 트레이닝 데이터 및 초기화된 환자 분류자 가중치를 이용하여 환자 분류자를 트레이닝시킨다. 정상적으로, 분류자의 가중치는 모두 특정 값(예컨대, 0.0, 0.5 또는 1.0) 또는 무작위 값과 같은 디폴트 값으로 초기화된다. 그러므로, 분류자에 대한 가중치의 학습은 "스크래치(scratch)"로부터 나온 것으로 간주된다. 이전에 학습된 가중치에 기초하여 가중치의 값을 초기화하는 프로세스는 지식의 "양도"로서 지칭된다. 이전의 분류자의 이전의 트레이닝에 의해 얻어진 지식은 새로운 분류자의 트레이닝으로 양도된다. 양도의 목표는 새로운 분류자의 트레이닝을 가속화하고 정확도를 높이는 것이다.
일부 실시형태에서, PC 시스템은 환자 분류자를 사용하여 환자를 분류한다. 예를 들어, EM 근원이 심장일 때, PC 시스템은 환자의 심장도(예컨대, ECG 또는 VCG)를 수신하고, 그 심장도에 환자 분류자를 적용할 수 있다. 환자 분류자를 트레이닝시키기 위해 선택된 환자에 의존하여, 환자 분류자는 계산 모델을 사용하여 생성된 모델 트레이닝 데이터에 대해 트레이닝된 모델 분류자보다 더욱 정확한 분류자일 수 있다. 더욱이, 환자가 환자 분류자를 트레이닝시키는데 사용된 환자와 유사하면, 분류자의 정확도가 훨씬 더 정확할 수 있다. PC 시스템은 또한 유사한 환자의 클러스터를 식별하고, 클러스터 환자 분류자로서 지칭되는 각각의 클러스터를 위해 별도의 환자 분류자를 트레이닝시킬 수 있다. 환자의 유사성은 환자로부터 수집된 하나 이상의 유도된 EM 데이터(예컨대, 심장도), 환자의 환자 근원 구성(예컨대, 해부학적 파라미터, 전기적 동적 특성), 환자 인구 통계학적 정보 등과 같은 다양한 특성의 비교에 기초하는 것과 같이 다양한 방식으로 결정될 수 있다. 각각의 클러스터에 대한 클러스터 환자 분류자는 VCG 및 그 클러스터에 있는 환자의 대응하는 라벨에 기초하여 트레이닝될 수 있다. 표적 환자가 분류될 때, PC 시스템은 표적 환자가 가장 유사한 환자의 클러스터를 식별한다. 이어서 PC 시스템은 그 식별된 클러스터의 클러스터 환자 분류자를 표적 환자의 VCG에 적용한다.
환자-특이적 모델 분류자 시스템
일부 실시형태에서, 환자-특이적 모델 분류자("PSMC") 시스템은 신체 내의 EM 근원의 유도된 EM 데이터를 분류하기 위한 환자-특이적 모델 분류자를 생성한다. PSMC 시스템은 환자와 유사한 모델을 식별한다. PSMC 시스템은 환자-모델 유사성에 기초하여 유사한 모델을 식별한다. 환자-모델 유사성은 모델의 모델 근원 구성과 환자의 환자 근원 구성 사이의 유사성 및/또는 모델의 모델링된 유도된 EM 데이터(예컨대, VCG)와 환자의 대응하는 환자 유도 EM 데이터 사이의 유사성에 기초할 수 있다. 예를 들어, PSMC 시스템은 해부학적 파라미터(예컨대, 우심실의 치수), 특정 전기 생리학적 파라미터 등에 대한 유사성에 기초할 수 있다. 이어서, PSMC 시스템은 유사한 모델의 모델 근원 구성을 사용하여 환자-특이적 모델 분류자를 생성하기 위해 MLMO 시스템을 사용할 수 있다. PSMC 시스템은 먼저 유사한 모델의 모델 근원 구성에 기초하여 EM 근원의 모델링된 EM 출력을 생성하기 위해 EM 근원의 계산 모델을 적용하는 것에 의해 환자-특이적 모델 분류자를 생성할 수 있다. 이어서 PSMC 시스템은 생성된 모델링된 EM 출력 및 이들 모델에 대한 라벨로부터 모델링된 유도된 EM 데이터(예컨대, VCG)를 포함하는 모델 트레이닝 데이터를 생성한다. 대안적으로, 모델 트레이닝 데이터가 유사한 모델에 대해 이미 생성되었으면, PSMC 시스템은 모델 트레이닝 데이터를 재생할 필요가 없다. 이어서 PSMC 시스템은 모델 트레이닝 데이터에 기초하여 환자-특이적 모델 분류자를 트레이닝시킨다.
일부 실시형태에서, 환자-특이적 모델 분류자가 생성된 후에, PSMC 시스템은 환자에 대한 분류를 생성하기 위해 환자의 유도된 EM 데이터(예컨대, VCG)에 환자-특이적 모델 분류자를 적용한다. 환자-특이적 모델 분류자가 환자에 기초하여 선택된 모델 트레이닝 데이터를 사용하여 트레이닝되기 때문에, 환자-특이적 모델 분류자는 환자에게 특정되지 않은 모델 트레이닝 데이터의 모음에 기초하여 트레이닝된 모델 분류자에 의해 제공되었을 분류보다 더 정확한 분류를 제공한다.
일부 실시형태에서, PSMC 시스템은 표적 환자의 클러스터에 대한 클러스터-특정 모델 분류자를 생성할 수 있다. 클러스터-특정 모델 분류자를 생성하기 위해, PSMC 시스템은 클러스터의 표적 환자와 전반적으로 유사한 모델을 식별하고, 이어서 유사한 모델에 기초하여 클러스터-특정 모델 분류자를 트레이닝시킨다. 이어서 PSMC 시스템은 클러스터의 표적 환자에 대한 분류를 생성하기 위해 클러스터-특정 모델 분류자를 적용할 수 있다. PSMC 시스템은 또한 표적 환자의 클러스터를 생성하고, 각각의 클러스터에 대한 클러스터-특정 모델 분류자를 생성할 수 있다. 이어서 PSMC 시스템은 그 표적 환자가 그 구성원인 클러스터에 대한 클러스터-특정 모델 분류자를 사용하여 각각의 표적 환자에 대한 분류를 생성할 수 있다. PSMC 시스템은 심지어 새로운 표적 환자에 대한 분류를 생성하기 위해 클러스터-특정 모델 분류자를 사용할 수도 있다. PSMC 시스템은 새로운 표적 환자가 가장 유사한 클러스터를 식별하고, 새로운 표적 환자에 대한 분류를 생성하기 위해 그 식별된 클러스터에 대한 클러스터-특정 모델 분류자를 새로운 표적 환자에 대한 환자 유도 EM 데이터에 적용한다.
도 31은 일부 실시형태에서 MLCD 시스템의 환자 분류자 시스템의 전체 처리를 예시하는 블록도이다. 분류자 컴포넌트(3110)(즉, 컴포넌트(3111 내지 3119))는 도 1의 분류자 컴포넌트(110)와 유사하다. "모델"이라는 용어는 시뮬레이션된 근원 구성 또는 파라미터 세트에 의해 나타난 모델에 기초하여 분류자를 생성하도록 컴포넌트가 사용된다는 것을 강조하기 위해 다양한 컴포넌트에 삽입된다. 컴포넌트(3120)는 환자 데이터 스토어(3121), 생성 환자 트레이닝 데이터 컴포넌트(3122), 환자 트레이닝 데이터 스토어(3123), 트레이닝 환자 분류자 컴포넌트(3124), 및 환자 분류자 가중치 스토어(3125)를 포함한다. 환자 데이터 스토어는 환자로부터 수집된 ECG, 및 심장 질환 위치와 같은 대응하는 라벨을 포함할 수 있다. 생성 환자 트레이닝 데이터 컴포넌트는 예를 들어 ECG로부터 VCG를 생성하고 VCG를 라벨링하고 트레이닝 데이터를 환자 트레이닝 데이터 스토어에 저장하는 것에 의해 환자 데이터로부터 환자 트레이닝 데이터를 생성한다. 트레이닝 환자 분류자 컴포넌트는 모델 분류자로부터의 지식의 양도로서, 모델 분류자 가중치 스토어(3119)로부터 모델 분류자 가중치를 입력하고, 환자 트레이닝 데이터에 기초하여 환자 분류자를 트레이닝시킨다. 이어서 트레이닝 환자 분류자는 환자 분류자 가중치를 환자 분류자 가중치 스토어에 저장한다.
도 32는 일부 실시형태에서 환자 분류자 시스템의 생성 환자 분류자 컴포넌트의 처리를 예시하는 흐름도이다. 생성 환자 분류자 컴포넌트(3200)는 모델 분류자로부터의 지식의 양도를 사용하여 환자의 모음을 위한 환자 분류자를 생성한다. 블록(3201)에서, 컴포넌트는 모델 분류자가 아직 생성되지 않았으면 모델 트레이닝 데이터에 기초하여 모델 분류자를 생성하기 위해 생성 분류자 컴포넌트를 호출한다. 생성 분류자 컴포넌트는 모델 분류자에 대한 모델 분류자 가중치를 생성한다. 블록(3202)에서, 컴포넌트는 모델 분류자의 모델 분류자 가중치를 추출한다. 블록(3203)에서, 컴포넌트는 예를 들어 VCG를 생성하고 VCG를 라벨링하는 것에 의해 환자 트레이닝 데이터를 생성한다. 블록(3204)에서, 컴포넌트는 환자 분류자의 환자 분류자 가중치를 모델 분류자 가중치로 초기화한다. 블록(3205)에서, 컴포넌트는 환자 트레이닝 데이터 및 초기화된 환자 분류자 가중치에 기초하여 환자 분류자를 트레이닝시키기 위해 열차 분류자 컴포넌트를 호출한다. 이어서 컴포넌트는 완료된다.
도 33은 일부 실시형태에서 환자 분류자 시스템의 생성 클러스터 환자 분류자의 처리를 예시하는 흐름도이다. 생성 클러스터 환자 분류자(3300)는 환자의 클러스터에 대한 클러스터 환자 분류자를 생성한다. 블록(3301)에서, 컴포넌트는 예를 들어 그 임상 특징의 유사성, 근원 구성 또는 VCG에 기초하여 환자의 클러스터를 생성한다. 블록(3302)에서, 컴포넌트는 다음의 클러스터를 선택한다. 결정 블록(3303)에서, 모든 클러스터가 이미 선택되었으면, 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 블록(3304)에서 계속된다. 블록(3304)에서, 컴포넌트는 생성 환자 분류자 컴포넌트를 호출하여, 선택된 클러스터에서 환자에 대한 클러스터 환자 분류자를 생성하기 위해 선택된 클러스터의 표시를 전달하고, 이어서 블록(3302)으로 루핑되어 다음의 클러스터를 선택한다. 생성 환자 분류자 컴포넌트가 호출될 때, 각각의 호출에 대해 동일한 모델 분류자 가중치를 재사용할 수 있기 때문에 각각의 호출에 대해 모델 분류자를 생성할 필요가 없다.
도 34는 일부 실시형태에서 MLCD 시스템의 환자-특이적 모델 분류자 시스템의 컴포넌트를 예시하는 블록도이다. PSMC 시스템은 도 1의 컴포넌트(110)와 유사한 컴포넌트(3410)(컴포넌트(3411 내지 3419))를 포함한다. PSMC 시스템은 또한 PSMC 시스템의 2개의 상이한 실시형태를 나타내는 식별 유사한 심장 구성 컴포넌트(3430) 및 식별 유사한 VCG 컴포넌트(3440)를 포함한다. 제1 실시형태에서, 식별 유사한 심장 구성 컴포넌트는 환자 심장 구성 및 모델 심장 구성을 입력하고, 환자 심장 구성과 유사한 모델 심장 구성을 식별한다. 이어서 유사한 모델 심장 구성들은 전압 솔루션을 생성하고 궁극적으로 환자-특이적 모델 분류자를 트레이닝시키기 위해 생성 시뮬레이션 컴포넌트에 입력된다. 제2 실시형태에서, 식별 유사한 VCG 컴포넌트는 환자 VCG 및 트레이닝 데이터를 입력하고, 환자 VCG와 유사한 트레이닝 데이터의 VCG를 식별한다. 유사한 VCG에 대한 트레이닝 데이터는 환자-특이적 모델 분류자를 트레이닝시키기 위해 트레이닝 PSMC 분류자 컴포넌트(3418)로의 입력이다. 도시되지 않았지만, 트레이닝 PSMC 분류자는 PSMC 분류자 가중치를 초기화하기 위해 양도를 사용할 수 있다. 또한, 제1 및 제2 실시형태는 모두 유사한 심장 구성들에 기초하여 트레이닝 데이터를 생성하고, 이어서 트레이닝을 위해 유사한 VCG를 선택하는데 사용될 수 있다.
도 35는 일부 실시형태에서 PSMC 시스템의 생성 환자-특이적 모델 분류자 컴포넌트의 처리를 예시하는 흐름도이다. 생성 환자-특이적 모델 컴포넌트(3500)는 표적 환자에 대한 환자-특이적 모델 분류자를 생성한다. 블록(3501)에서, 컴포넌트는 식별 유사한 모델 컴포넌트를 호출하여, 유사한 모델을 식별하기 위해 표적 환자의 표시를 전달한다. 블록(3502)에서, 컴포넌트는 식별된 유사한 모델에 기초하여 모델 트레이닝 데이터를 생성한다. 컴포넌트는 식별된 유사한 모델의 모델 심장 구성에 기초하여 트레이닝 데이터를 생성하기 위해 MLMO 시스템을 이용할 수 있거나, 또는 이미 생성되었으면, 유사한 VCG에 기초하여 트레이닝 데이터를 검색할 수 있다. 블록(3503)에서, 컴포넌트는 유사한 모델에 대한 모델 트레이닝 데이터에 기초하여 환자-특이적 모델 분류자를 트레이닝시키기 위해 트레이닝 분류자 컴포넌트를 호출하고, 이어서 완료된다.
도 36은 일부 실시형태에서 PSMC 시스템의 식별 유사한 모델 컴포넌트의 처리를 예시하는 흐름도이다. 식별 유사한 모델 컴포넌트(3600)는 환자와 유사한 모델을 식별한다. 블록(3601)에서, 컴포넌트는 다음의 모델을 선택한다. 결정 블록(3602)에서, 모든 모델이 이미 선택되었으면, 컴포넌트는 유사한 모델을 나타내는 것을 완료하고, 그렇지 않으면 컴포넌트는 블록(3603)에서 계속된다. 블록(3603)에서, 컴포넌트는 선택된 모델과 환자 사이의 유사성 스코어를 생성한다. 환자-모델 유사성 스코어는 심장 구성, 심장도 또는 둘 모두에 기초할 수 있다. 결정 블록(3604)에서, 유사성 스코어가 유사성 임계값보다 높으면, 컴포넌트는 블록(3605)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(3601)으로 루핑되어 다음의 모델을 선택한다. 블록(3605)에서, 컴포넌트는 환자와 유사한 모델을 지정하고, 다음의 모델을 선택하기 위해 블록(3601)으로 루핑된다.
환자-특이적 모델 디스플레이
환자와 유사한 모델에 대해 모델링된 EM 출력에 기초한, 환자의 EM 근원의 표현을 생성하고 디스플레이하는 것을 지원하기 위해 MLMO 시스템을 적응시키기 위한 방법 및 시스템이 제공된다. 일부 실시형태에서, 환자-특이적 모델 디스플레이("PSMD") 시스템은 환자의 EM 근원과 유사한 것으로 간주되는 EM 근원에 대한 모델을 식별한다. 이어서 PSMD 시스템은 경색증(infarction) 및 약물 이력과 같은 환자의 임상 파라미터에 기초하여 환자의 EM 근원의 그래픽 표현을 생성한다. 예를 들어, EM 근원이 심장이면, PSMD 시스템은 환자의 심장의 해부학적 모델을 나타내는 맵을 생성할 수 있다. 이어서 PSMD 시스템은 유사한 모델에 대해 모델링된 EM 출력으로부터 유도된 디스플레이 값으로 맵을 채운다. 예를 들어, PSMD 시스템은 그 모델링된 EM 출력의 EM 격자를 선택하고, 그 EM 격자의 대응하는 전압에 기초하여 맵의 각각의 꼭지점의 값을 각각 설정할 수 있다. PSMD 시스템은 또한 시뮬레이션에서 사용된 다면체 격자로부터 다른 다면체 격자로 모델링된 EM 출력을 맵핑하여, 표면 삼각형 격자에 대한 6면체 격자와 같은 보다 사실적인 디스플레이를 만들 수 있다. PSMD 시스템은 고전압에 대응하는 값을 적색(또는 그레이 스케일 음영)의 다양한 강도로, 저전압에 대응하는 값을 녹색의 다양한 강도로 설정할 수 있다. 다른 예로서, PSMD 시스템은 모델 EM 출력의 사이클을 선택하고, 사이클에서의 첫 번째 EM 격자와 사이클에서의 마지막 EM 격자의 전압 사이의 차이 또는 델타에 기초하여 값을 설정할 수 있다. PSMD 시스템은 사이클에서 연속적인 EM 격자에 걸쳐서, 가중될 수 있는 델타의 누적에 기초하여 값을 또한 설정할 수 있다. 이어서 PSMD 시스템은 (예컨대, 래스터화 기술(rasterization technique)을 사용하여) 환자의 EM 근원의 활동의 표현으로서 맵을 디스플레이한다. PSMD 시스템은 환자의 해부학적 파라미터에 기초하여 심장의 윤곽선 이미지를 또한 디스플레이할 수 있다. 윤곽선 이미지는 심장의 챔버의 경계를 나타낼 수 있다.
일부 실시형태에서, PSMD 시스템은 모델 근원 구성 및 모델링된 유도된 EM 데이터를 환자 근원 구성 및 환자 유도 EM 데이터와 비교하는 것에 의해 환자와 유사한 모델을 식별할 수 있다. 비교는 도 28에 예시된 식별 매칭 VCG 컴포넌트의 처리에 의해 나타나는 처리에 기초할 수 있다. 그러나, 그 컴포넌트는 PSMD 시스템이 VCG, 그러므로 환자와 가장 유사한 모델을 선택할 수 있도록 각각의 매칭 VCG에 대한 유사성 스코어를 생성하도록 조정될 수 있다. 대안적으로, PSMD 시스템은 모든 매칭 모델에 대한 EM 격자의 값의 가중된 조합(예컨대, 평균)에 기초하여 맵의 픽셀에 대한 값을 생성할 수 있다. PSMD 시스템은 또한 매칭 모델의 유사성 스코어에 기초하여 값을 가중화할 수 있다.
일부 실시형태에서, PSMD 시스템은 시간 경과에 따른 환자의 EM 근원의 활성화의 비디오 표현으로서 디스플레이를 위한 맵의 시퀀스를 생성할 수 있다. 예를 들어, PSMD는 사이클을 30개의 디스플레이 간격으로 나누고, 그 디스플레이 간격에 대응하는 EM 격자의 값에 기초하여 각각의 디스플레이 간격 동안 맵을 생성할 수 있다. 이어서 PSMD 시스템은 실제 사이클 시간에 기초한 비디오를 제공하기 위해 사이클의 시간에 걸쳐서 순서대로, 또는 슬로우 모션 효과를 제공하기 위해 사이클보다 긴 시간에 걸쳐서 순서대로 30개의 맵을 디스플레이할 수 있다. PSMD 시스템은 디스플레이를 위한 최대 프레임 속도보다 시뮬레이션 시간의 초당 더 많은 맵을 생성하는 것에 의해 슬로우 모션 효과를 또한 달성할 수 있다. 예를 들어 최대 프레임 속도가 초당 60 프레임이면, 시뮬레이션의 초당 120개의 맵을 생성하는 것은 2초에 걸쳐서 디스플레이되는 1초의 시뮬레이션 시간을 야기할 것이다. 가장 느리고 가장 부드러운 슬로우 모션 효과는 각각의 시뮬레이션 시간 동안 전압 솔루션으로부터 맵을 생성하는 것에 의해 달성될 수 있다.
도 37은 일부 실시형태에서 환자-특이적 모델 디스플레이 시스템의 전체 처리를 예시하는 블록도이다. 컴포넌트(3710)(즉, 컴포넌트(3711 내지 3715))는 도 1의 컴포넌트(111 내지 115)와 유사하다. 컴포넌트(3720)는 수집 ECG 컴포넌트(3721), 생성 VCG 컴포넌트(3722), 식별 유사한 VCG 컴포넌트(3723), 생성 디스플레이 표현 컴포넌트(3724), 및 디스플레이 디바이스(3725)를 포함한다. 수집 ECG 컴포넌트는 심장이 PSMD 시스템의 출력에 의해 나타나는 환자를 위한 ECG를 수신한다. 생성 VCG 컴포넌트는 환자의 ECG를 수신하고, 환자를 위한 VCG를 생성한다. 식별 유사한 VCG 컴포넌트는 환자 VCG를 VCG 스토어의 모델링된 VCG와 비교하여, 환자 VCG와 유사한 모델링된 VCG를 식별한다. 유사한 VCG는 VCG의 사이클의 비교에 기초하여 식별될 수 있다. 그러므로, 식별 유사한 VCG 컴포넌트는 각각의 VCG의 사이클을 식별하기 위해 식별 사이클 컴포넌트를 호출할 수 있다. 생성 디스플레이 표현 컴포넌트는 유사한 모델링된 VCG를 입력하고, 유사한 모델링된 VCG가 유도되는 전압 솔루션에 기초하여 환자의 심장의 디스플레이 표현을 생성한다. 이어서 생성 디스플레이 표현 컴포넌트는 디스플레이 표현을 디스플레이 디바이스에 출력한다.
도 38은 일부 실시형태에서 PSMD 시스템의 생성 환자 심장 디스플레이 컴포넌트의 처리를 예시하는 흐름도이다. 생성 환자 심장 디스플레이 컴포넌트(3800)는 환자 VCG 및 환자 심장 구성이 제공되고, 환자의 심장의 출력 표현을 생성한다. 블록(3801)에서, 컴포넌트는 환자 매칭 시스템의 식별 매칭 VCG 컴포넌트를 호출하여, 하나 이상의 매칭 VCG를 식별하기 위해 환자 VCG 및 환자 심장 구성의 표시를 전달한다. 블록(3802)에서, 컴포넌트는 VCG의 가장 근접한 매칭을 식별한다. 블록(3803)에서, 컴포넌트는 가장 근접한 매칭 VCG 내의 사이클을 식별한다. 블록(3804)에서, 컴포넌트는 계산 디스플레이값 컴포넌트를 호출하여, 맵에 대한 디스플레이 값을 생성하기 위해 식별된 사이클의 표시를 전달한다. 블록(3805)에서, 컴포넌트는 맵에 디스플레이 값을 저장하는 것에 의해 디스플레이 표현을 생성한다. 블록(3805)에서, 컴포넌트는 그 환자의 해부학적 파라미터에 기초하여 환자의 심장의 윤곽선을 나타내는 값을 맵에 디스플레이한다. 블록(3807)에서, 컴포넌트는 맵을 출력하고 완료된다.
도 39는 일부 실시형태에서 PSMD 시스템의 계산 디스플레이값 컴포넌트의 처리를 예시하는 흐름도이다. 계산 디스플레이값 컴포넌트(3900)는 사이클의 표시를 전달하고, 그 사이클의 EM 격자에 기초하여 디스플레이 값을 생성한다. 블록(3901)에서, 컴포넌트는 사이클의 첫번째 전압 솔루션을 선택한다. 블록(3902)에서, 컴포넌트는 마지막 전압 솔루션과 같은 사이클의 다른 전압 솔루션을 선택한다. 블록(3903)에서, 컴포넌트는 전압 솔루션의 다음의 값을 선택한다. 결정 블록(3904)에서, 모든 값이 이미 선택되었으면, 컴포넌트는 블록(3906)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(3905)에서 계속된다. 블록(3905)에서, 컴포넌트는 사이클의 첫번째 전압 솔루션에 대한 값과 마지막 전압 솔루션에 대한 값 사이의 차이로 선택된 값에 대한 델타 값을 설정한다. 델타 값은 대안적으로 사이클에 걸쳐서 차이의 가중치 누적일 수 있다. 이어서 컴포넌트는 블록(3903)으로 루핑되어 전압 솔루션의 다음의 값을 선택한다. 블록(3906)에서, 컴포넌트는 맵의 다음의 디스플레이 값을 선택한다. 결정 블록(3907)에서, 모든 디스플레이 값이 이미 선택되었으면, 컴포넌트는 디스플레이 값을 나타내는 것을 완료하고, 그렇지 않으면 컴포넌트는 블록(3908)에서 계속된다. 블록(3908)에서, 컴포넌트는 디스플레이 값에 가까운 이웃 델타 값을 식별한다. 블록(3910)에서, 컴포넌트는 디스플레이 값을 이웃 델타 값의 함수로 설정하고, 이어서 블록(3906)으로 루핑되어, 다음의 디스플레이 값을 선택한다. 함수는 이웃 델타 값들의 평균, 전압 솔루션의 위치와 디스플레이 값이 나타내는 환자 심장의 위치 사이의 거리에 기초한 가중 평균 등을 취할 수 있다.
전자기력의 디스플레이
신체 내의 전자기 근원에 의해 생성된 전자기력의 시각적 표현을 생성하기 위한 방법 및 시스템이 제공된다. 일부 실시형태에서, 전자기력 디스플레이("EFD") 시스템은 시간 경과에 따른 전자기력의 크기 및 방향을 나타내는 일련의 벡터로부터 전자기력의 "표면 표현"을 생성한다. 예를 들어, 전자기 근원이 심장일 때, 일련의 벡터는 벡터 심전도일 수 있다. 벡터는 전자기 근원 내에 위치될 수 있는 원점을 기준으로 한다. 표면 표현을 생성하기 위해, EFD 시스템은 시간적으로 인접한 벡터의 쌍에 대해 원점과 벡터의 쌍에 기초한 영역을 식별한다. 예를 들어, 벡터가 그 벡터의 x, y 및 z 좌표의 값(1.0, 2.0, 2.0)을 가지고 인접한 벡터가 (1.1, 2.0 및 2.0)의 값을 가지면, 영역은 (0.0, 0.0, 0.0), (1.0, 2.0, 2.0) 및 (1.1, 2.0, 2.0)에서 꼭지점을 갖는 삼각형에 의해 경계가 정해진 면적이다. 이어서 EFD 시스템은 전자기력의 표면 표현을 형성하기 위해 각각의 영역의 표현을 디스플레이한다. 영역들이 하나의 평면에 있을 가능성이 낮을 것이기 때문에, EFD 시스템은 영역이 상이한 평면에 있다는 것을 나타내는데 도움이 되는 음영 또는 색상을 제공할 수 있다. EFD 시스템은 또한 표면 표현이 전자기 근원으로부터 시각적으로 발산되도록 전자기 근원의 표현을 디스플레이할 수 있다. 예를 들어, EFD 시스템은 그의 VCG가 수집되는 환자의 해부학적 파라미터에 기초한 심장을 디스플레이할 수 있다. 전자기력이 사이클을 가질 때, 사이클에 대한 영역은 그 사이클에 대한 표면 표현을 형성한다. EFD 시스템은 다수의 사이클에 대한 표면 표현을 동시에 디스플레이할 수 있다. 예를 들어, 전자기 근원이 심장일 때, 사이클은 부정맥에 기초할 수 있다. EFD 시스템은 또한 시간 경과에 따른 전자기력에서의 변화를 예시하는 각각의 사이클의 표면 표현(예컨대, 디스플레이 상의 동일한 위치에서 중심에 있는)을 순서대로 디스플레이할 수 있다. EFD 시스템은 벡터와 관련된 시간을 예시하기 위해 표면 표현의 각각의 영역을 순서대로 디스플레이할 수 있다. EFD 시스템은 시뮬레이션된 VCG 또는 환자로부터 수집된 VCG를 디스플레이하는데 사용될 수 있다.
도 40은 벡터 심전도의 다양한 표면 표현을 예시한다. 이미지(4010)는 사시도에 기초한 벡터 심전도의 표면 표현의 디스플레이를 예시한다. 이미지(4020)는 심장으로부터 발산하는 것으로 도시된 벡터 심전도의 표면 표현의 디스플레이를 예시한다. 이미지(4031 내지 4034)는 전자기력에서의 변화를 예시하기 위해 시간 경과에 따른 표면 표현의 디스플레이를 예시한다.
일부 실시형태에서, EFD 시스템은 사용자가 VCG를 분석하는 것을 돕기 위해 다양한 애니메이션 기술을 이용할 수 있다. 예를 들어, EFD 시스템은 VCG의 실제 타이밍과 동일한 타이밍으로 각각의 영역을 순서대로 디스플레이하는 것에 의해 표면 표현의 디스플레이를 애니메이션화할 수 있다. 사이클이 1000㎳이면, EFD 시스템은 1000㎳에 걸쳐서 영역을 순서대로 디스플레이한다. 다수의 사이클에 대한 표면 표현을 순서대로 디스플레이하고 디스플레이할 다음의 영역이 이전에 디스플레이된 영역과 중첩될 때, EFD 시스템은 먼저 중첩될 영역을 제거하고, 이어서 다음의 영역을 디스플레이할 수 있다. EFD 시스템은 또한 사용자가 디스플레이될 사이클에 대한 표면 표현의 일부만을 지정하도록 할 수 있다. 예를 들어, 사용자는 표면 표현의 250㎳에 대응하는 부분을 디스플레이하도록 특정할 수 있다. 이러한 경우에, EFD 시스템은 머리 영역을 추가할 때 꼬리 영역을 제거하는 것에 의해 그 부분의 디스플레이를 애니메이션화할 수 있다. EFD 시스템은 또한 사용자가 표면 표현의 디스플레이를 가속화하거나 늦추도록 할 수 있다.
도 41은 일부 실시형태에서 EFD 시스템의 시각화 VCG 컴포넌트의 처리를 예시하는 흐름도이다. 시각화 VCG 컴포넌트(4100)는 VCG를 전달하고, VCG의 각각의 부분(예컨대, 사이클)에 대한 표면 표현을 생성한다. 블록(4101)에서, 컴포넌트는 심장의 표현을 디스플레이한다. 블록(4102)에서, 컴포넌트는 VCG의 다음의 사이클을 선택한다. 결정 블록(4103)에서, 모든 사이클이 이미 선택되었으면, 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 블록(4104)에서 계속된다. 블록(4104)에서, 컴포넌트는 선택된 사이클에 대한 표면 표현을 디스플레이하기 위해 디스플레이 VCG 표면 표현 컴포넌트를 호출하고, 이어서 블록(4102)으로 루핑되어 다음의 사이클을 선택한다.
도 42는 일부 실시형태에서 EFD 시스템의 디스플레이 VCG 표면 표현 컴포넌트의 처리를 예시하는 흐름도이다. 디스플레이 VCG 표면 표현 컴포넌트(4200)는 벡터 심전도를 전달하고, VCG의 표면 디스플레이 표현을 생성한다. 블록(4201)에서, 컴포넌트는 VCG의 시간 간격을 통한 인덱싱을 위해 인덱스(t)를 2로 설정한다. 결정 블록(4002)에서, 인덱스(t)가 시간 간격의 수보다 크면, 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 블록(4203)에서 계속된다. 블록(4203)에서 컴포넌트는 원점, 인덱싱된 간격(t), 및 이전의 간격(t-1)에 기초하여 VCG 삼각형을 생성한다. 블록(4204)에서, 컴포넌트는 삼각형의 평면에 기초하여 변할 수 있는 음영으로 VCG 삼각형을 채운다. 블록(4205)에서, 컴포넌트는 채워진 VCG 삼각형을 디스플레이한다. 블록(4206)에서, 컴포넌트는 인덱스(t)를 증분시킨다. 결정 블록(4207)에서, 인덱스(t)가 디스플레이 기간(tspan + 1)보다 크면, 컴포넌트는 블록(4208)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(4202)으로 루핑된다. 블록(4208)에서, 컴포넌트는 디스플레이로부터 현재 디스플레이된 기간의 시작에서의 VCG 삼각형을 제거하고, 블록(4202)으로 루핑된다.
시뮬레이션의 교정
환자 심장도에 대한 배향 유사성 및/또는 전기 생리학적 유사성과 같은 형태학적 유사성(morphological similarity)에 기초하여, 모델 심장도로서 또한 지칭되는 시뮬레이션된 심장도의 교정된 모음을 생성하기 위해 컴퓨팅 시스템에 의해 수행되는 방법 및 시스템이 제공된다. 형태학적 유사성은 환자의 ECG 및/또는 VCG 데이터를 나타내는 "미가공 기록(raw trace)" 데이터(예컨대, 전압 대 시간)의 분석에 기초하여 결정될 수 있다. 교정된 모음은 환자의 구성 파라미터에 대한, 시뮬레이션된 심장도를 생성하기 위해 사용된 추가 구성 파라미터의 유사성에 기초하여 추가로 생성될 수 있다. 일부 실시형태에서, 교정된 시뮬레이션 심장도("CSC") 시스템은 교정된 모음을 생성한다. CSC 시스템이 환자 심장도와의 유사성에 기초하여 교정된 모음을 생성하기 때문에, 교정된 모음은 시뮬레이션된 심장도의 환자-특이적 모음을 나타낸다. 교정된 모음의 시뮬레이션된 심장도는 그 시뮬레이션된 심장도를 생성하는데 사용된 구성 파라미터를 이용하여 라벨링된 각각의 시뮬레이션된 심장도를 가진 환자-특이적 모델 분류자를 트레이닝시키는데 사용될 수 있다. 시뮬레이션된 심장도는 로터의 근원 위치와 같이 환자로부터 수집되지 않은 구성 파라미터를 이용하여 라벨링될 수 있다. 이어서 환자-특이적 모델 분류자는 환자에 대한 그 구성 파라미터를 결정하는데 사용될 수 있다. PSMC 시스템과 마찬가지로, CSC 시스템은 환자-특이적 모델 분류자를 생성하지만, 형태학적 유사성과 같은 다양한 유사성 측정치를 사용한다.
일부 실시형태에서, CSC 시스템은 시뮬레이션된 심장도, 및 각각의 시뮬레이션된 심장도를 생성하는데 사용된 시뮬레이션된 구성 파라미터를 입력한다. 시뮬레이션된 심장도는 도 1의 생성 시뮬레이션 컴포넌트(112) 및 생성된 VCG 컴포넌트에 의해 예시된 바와 같이 MLMO 시스템에 의해 생성될 수 있다. CSC 시스템은 또한 환자 심장도 및 환자 구성 파라미터를 입력한다. CSC 시스템은 그 시뮬레이션된 페이싱이 환자 심장도를 수집할 때 사용된 환자 페이싱(들)과 유사한 페이싱-유사(pacing-similar) 시뮬레이션된 심장도를 식별한다. 환자 심장도를 수집하기 위해, 전기 생리학자(또는 다른 의료 서비스 제공자)는 심장정맥굴(coronary sinus) 근처와 같은 상이한 위치에서 환자의 심장에 카테터를 배치할 수 있다. 각각의 위치에 대해, 환자의 심장은 예를 들어 10회 박동에 대해 1㎐로 페이싱되고, 특정 지연 후에 추가 자극 박동이 이어진다. 1㎐에서의 페이싱의 동일한 프로세스가 추가 자극 박동의 상이한 지연으로 여러번 반복된다. 이어서 동일한 페이싱 프로세스가 반복되지만, 페이싱 속도(pacing rate)가 다르다(예컨대, 2㎐ 및 4㎐). 결과는 상이한 위치, 페이싱 속도 및 추가 자극 지연에 기초하여 수집된 환자 심전도의 모음이다. 정상 동리듬 박동에 대한 심전도가 또한 수집될 수 있다.
일부 실시형태에서, 페이싱 위치는 페이싱 또는 임상 처치의 표적인 표적 챔버에서 먼 부위일 수 있는 적어도 2개의 부위를 포함한다. 예를 들어, 표적 챔버가 심실이면, 페이싱 위치는 후위 우심실의 하나의 위치와, 측위 좌심실에 있는 하나의 페이싱 위치를 포함할 수 있다. 이러한 페이싱 위치는 통상적으로 접근되고, 카테터로 용이하게 접근 가능하다. 그러나, 다른 페이싱 위치가 사용될 수 있다. 예를 들어, 유일한 표적 챔버가 좌심실이면, 페이싱 위치는 베이스(심장 판막의 레벨에 있는) 근처의 측위 좌심실 벽에 있는 하나의 페이싱 위치와, 첨단부(apex) 근처의 좌심실 중격 벽에 있는 하나의 페이싱 위치를 포함할 수 있다. 또 다른 예로서, 표적 챔버가 심방이면, 좌심방에 있는 심장정맥굴에서의 페이싱 위치와 같은 단지 하나의 페이싱 위치만이 사용될 수 있다. 이러한 페이싱 위치는 우심방에 있는 동방 결절에 위치된 정상 P-파와 쌍을 이룰 수 있다. 일반적으로, 교정의 효과는 페이싱 위치가 더 많고 페이싱 위치가 멀리 있음에 따라서 증가한다.
CSC 시스템은 환자 심장도와 형태학적으로 유사한 시뮬레이션된 심장도를 식별한다. 형태학적 유사성은 배향 유사성과 전기 생리학적 유사성을 모두 포함하며, 전기 생리학적 유사성은 활동 전위와 전도 속도 유사성을 모두 포함한다. CSC 시스템은 페이싱 유사 심장도로부터, 환자의 심장의 환자 배향과 유사한 시뮬레이션 배향을 이용하여 시뮬레이션된 심장의 배향 유사 시뮬레이션된 심장도를 식별한다. 배향 유사성을 결정하기 위해, CSC 시스템은 심실 박동에 대한 QRS 복합 및 T-파 벡터와 환자의 심방 박동에 대한 P-파 벡터를 생성한다. 벡터들은 심장 사이클의 그 사이클 위상(예컨대, QRS 복합)에서 전체 전기 쌍극자의 평균 공간 배향을 나타낼 수 있다. 대안적으로, 평균 벡터 대신, CSC 시스템은 미가공 VCG 신호인 벡터의 시계열을 사용할 수 있다. CSC 시스템은 그 페이싱(예컨대, 페이싱 위치 및 페이싱 속도) 및 사이클 위상을 이용하여 각각의 벡터를 라벨링한다. CSC 시스템은 페이싱 유사 시뮬레이션된 모음의 시뮬레이션된 심장도로부터 대응하는 시뮬레이션된 벡터를 생성한다. 이어서 CSC 시스템은 환자 벡터와 동일한 페이싱 및 사이클 위상 동안 각각의 시뮬레이션된 벡터 사이의 배향 차이를 계산한다. 예를 들어, CSC 시스템은 QRS 복합 및 T-파 동안 좌심실("LV") 첨단부, LV 측위 벽, LV 후위 벽, 및 LV 전위 벽에서의 벡터들 사이의 내적(dot product)을 계산할 수 있다. 이어서 CSC 시스템은 전체 배향 차이(예컨대, 내적의 가중 평균)가 최소인 시뮬레이션된 심장도의 세트를 식별한다. 배향 차이를 계산하기 위해, CSC 시스템은 환자 배향과 식별된 세트의 각각의 시뮬레이션된 배향 사이의 배향에서의 차이를 나타내는 회전 매트릭스를 생성한다. 회전 매트릭스를 생성하기 위해, CSC 시스템은 세트의 시뮬레이션된 벡터에 환자 벡터의 최소 제곱 맞춤(least-squares fit)을 적용할 수 있다. CSC 시스템은 회전 매트릭스에 의해 표시된 바와 같이 최소 시뮬레이션된 배향 차이를 갖는 시뮬레이션된 심장도를 배향 유사 시뮬레이션된 심장도로서 선택한다. 일부 실시형태에서, CSC 시스템은 ECG 또는 VCG의 QRS 복합, T-파 및 P-파로부터 유도된 벡터 이외의 미가공 기록 데이터(예컨대, 전압 대 시간)의 특징에 기초하여 배향 유사성을 결정할 수 있다.
CSC 시스템은 형태학적으로 유사한 시뮬레이션된 심장도로부터, 환자 심장도에 의해 나타나는 활동 전위와 유사한 활동 전위를 나타내는 활동 전위 유사 시뮬레이션된 심장도를 식별한다. 활동 전위 유사성을 결정하기 위해, CSC 시스템은 시간과 크기 모두에서 시뮬레이션된 심장도 및 환자 심장도의 ECG를 정상화한다. 예를 들어, 각각의 ECG는 1초 및 특정 피크 QRS 복합 또는 P-파 신호로 정상화될 수 있다. CSC 시스템은 활성화된 심근 조직의 기간(활동 전위 기간)을 제어하는 활동 전위 파라미터를 추정하고, 이는 ECG 및/또는 VCG 사이클 위상의 상대적 기간을 변경한다. 활동 전위 특성은 해부학적 구조의 전반에 걸쳐서 이질적이며, 심장 조직의 다양한 속성(예컨대, 해부학적 구조에서의 위치, 심장 세포의 유형 및 건강/질환 분류)에 의존할 수 있다. ECG 및/또는 VCG에서 순환되는 심장의 기간은 전체 심장 쌍극자(cardiac dipole)에 대한 활동 전위 파라미터의 국지적 분포의 포괄적인 효과(global effect)를 나타낸다. CSC 시스템은 동일한 페이싱 속도 및 페이싱 위치에서 시뮬레이션된 VCG와 환자 VCG를 비교할 수 있다. 활동 전위는 사이클의 절대 타이밍이 다르더라도, QRS 복합, T-파 및 P-파의 X, Y 및 Z 값 사이의 상대적인 크기와 편향 사이의 유사성에 기초하여 유사한 것으로 간주된다. 상대적 타이밍은 심근에서 전기파(파두, 파미(waveback) 및 파장)의 형상과 기간을 나타낸다. CSC 시스템은, 1) 환자에 대해 보다 양호한 매칭 기하학적 구조의 선택, 2) 벌크 심근 전도도 파라미터(bulk myocardial conductivity parameter)의 조정, 3) 활동 전위의 지속기간을 지배하는 이온 모형(ionic model)에서의 파라미터(즉, 시간 상수)의 조정 중 하나 이상에 기초하여 시뮬레이션된 VCG의 시간을 조정할 수 있다. 후자의 두 파라미터는 절대 타이밍과 상대 타이밍 사이의 오류가 일부 임계값(예컨대, 10㎳ 또는 5%) 미만이도록 변경될 수 있다. 이어서 CSC 시스템은 (예컨대, 피어슨 상관 관계를 사용하여) 각각의 시뮬레이션된 심장도와 각각의 환자 심장도 사이의 활동 전위 유사성을 계산한다. 이어서 CSC 시스템은 활동 전위 유사 시뮬레이션된 심장도(action-potential-similar simulated cardiogram)로서 가장 유사한 시뮬레이션된 심장도(예컨대, 임계값 이상의 활동 전위 유사성)를 선택한다.
CSC 시스템은 활동 전위 유사 시뮬레이션된 심장도로부터, 환자 심장도에 의해 나타난 전도 속도와 유사한 전도 속도를 나타내는 전도-속도-유사 시뮬레이션된 심장도(conduction-velocity-similar simulated cardiogram)를 식별한다. CSC 시스템은 심장도가 크기에서 정상화되지만 시간적으로 정상화되지 않는다는 점을 제외하면 활동 전위 유사 시뮬레이션된 심장도를 식별하는 방식과 유사한 방식으로 전도-속도-유사 시뮬레이션된 심장도를 식별한다.
CSC 시스템은 또한 심장 기하학적 구조 유사성 및 질환 기질(disease substrate) 유사성에 기초하여 시뮬레이션된 심장도를 식별할 수 있다. 심장 기하학적 구조 유사성은 특정 챔버의 구조적 질환(예컨대, 심실에서의 중증 심근병증)의 정도에 기초한 구조적 질환 유사성과, 시뮬레이션된 심장도의 구성 파라미터에 대한 환자의 심장의 측정치(예컨대, CT 또는 초음파를 통해 수집된)의 비교에 기초한 측정치 유사성에 기초할 수 있다. 질환 기질은 환자의 심근 흉터의 위치와 크기에 기초할 수 있다. 환자의 흉터의 크기와 위치는 환자의 심장의 기하학적 구조 표현에 대한 환자의 심장의 흉터 부분(전압 맵에 기초한)을 지정하는 사람에 의해 식별될 수 있다. 질환 기질 유사성은 환자의 흉터와 시뮬레이션된 심장도의 흉터가 중첩되는 정도에 기초한다.
CSC 시스템은 심장 기하학적 구조 유사성(예컨대, 구조적 질환 유사성 및 측정치 유사성), 배향 유사성, 전기 생리학적 유사성(예컨대, 활동 전위 유사성 및 전도 속도 유사성) 및 질환 기질 유사성을 임의의 순서로 결정할 수 있다. 특히, 유사성을 결정하는 주어진 순서로, CSC 시스템은 유사성의 이전의 결정에 기초하여 유사하다고 결정된 시뮬레이션된 심장도의 세트에 기초하여 유사성을 결정할 수 있으며, 시뮬레이션된 심장도의 세트를 효과적이고 연속적으로 필터링할 수 있다. CSC 시스템은 또한 시뮬레이션된 심장도의 모음으로부터, 각각의 유사성 계량(similarity metric)에 가장 유사한 세트를 식별하고, 이어서 이들 세트로부터 가장 유사한 시뮬레이션된 심장도를 식별할 수 있다. 예를 들어, CSC 시스템은 가중 평균을 사용하여 유사성 스코어를 각각의 시뮬레이션된 심장도에 대한 최종 유사성 스코어에 조합할 수 있다.
CSC 시스템은 또한 선형 회귀 기술, 신경망 등과 같은 다양한 머신 러닝("ML") 기술을 사용하여 시뮬레이션된 심장도의 교정된 모음을 식별할 수 있다. ML 교정된 모음을 생성하기 위해, CSC 시스템은 환자의 대응하는 파라미터에 대한 구성 파라미터(예컨대, 형태학적 파라미터)의 유사성 및 페이싱 위치의 유사성에 기초하여 환자 심장도와 매칭되는 시뮬레이션된 심장도의 트레이닝 세트를 식별한다. 예를 들어, 환자 심장도의 각각의 페이싱 위치에 대해, CSC는 그 페이싱 위치를 갖는 시뮬레이션된 심장도로부터, 환자 파라미터와 유사한 구성 파라미터를 가진 시뮬레이션된 심장도의 세트를 식별한다.
이어서 CSC 시스템은 시뮬레이션된 심장도를 환자 심장도에 맵핑하기 위해 맵핑 함수를 트레이닝시킨다. 예를 들어, 맵핑 함수는 트레이닝 세트에 기초하여 그 가중치가 학습된 신경망일 수 있다. 가중치는 구성 파라미터와 환자 파라미터 사이의 차이를 최소화하는 경향이 있는, 환자 심장도로의 시뮬레이션된 심장도의 비선형 변환을 나타낸다. 맵핑 함수를 트레이닝시키기 위해, CSC 시스템은 시뮬레이션된 심장도로부터 다양한 특징을 유도하고, 이들 특징을 트레이닝 데이터로서 사용할 수 있다. 특징은 심장 세그먼트의 전압의 크기, 심장 세그먼트의 타이밍 등에 기초할 수 있다. 맵핑 함수가 트레이닝되면, CSC 시스템은 ML 변환된 시뮬레이션된 심장도를 생성하기 위해 환자 심장도와 매칭되는 시뮬레이션된 심장도의 세트에 맵핑 함수를 적용한다. ML 변환된 시뮬레이션된 심장도는 시뮬레이션된 심장도의 ML 교정된 모음을 형성한다.
이어서 ML 교정된 모음은 환자-특이적 모델 분류자를 생성하는데 사용될 수 있다. 맵핑 함수는 환자 심장도와 매칭되는 시뮬레이션된 심장도를 식별하기 위해 위에서 설명된 다양한 기술과 조합되어 사용될 수 있다. 예를 들어, 매칭되는 시뮬레이션된 심장도는 배향 유사성 및 전기 생리학적 유사성에 기초하여 식별될 수 있다.
일부 실시형태에서, CSC 시스템은 또한 환자-특이적 근원 구성(예컨대, 기하학적 구조, 질환 기질 또는 흉터, 활동 전위)에 기초하여 시뮬레이션된 심장도의 교정된 모음을 생성할 수 있다. 교정된 모음을 식별하기 위해, CSC 시스템은 환자의 것과 유사한 VCG와 같은 근원 구성 및/또는 심장도에 기초하여 시뮬레이션을 식별한다. 이어서 CSC 시스템은 모델 라이브러리의 생성을 가속화하는데 사용된 위에서 설명된 것과 유사한 부트스트래핑 기술을 이용한다. 각각의 식별된 시뮬레이션에 대해, CSC 시스템은 시뮬레이션의 특정 시점에서 EM 격자의 값을 사용하여 환자-특이적 시뮬레이션을 부트스트래핑한다. 이어서 CSC 시스템은 식별된 시뮬레이션의 근원 구성이 아닌 환자의 환자-특이적 근원 구성을 사용하여 시뮬레이션을 계속한다. 예를 들어, 시뮬레이션이 4초 동안이면, CSC 시스템은 3초 시점으로부터의 값을 이용하여 환자-특이적 시뮬레이션을 초기화하고, 1초 동안 환자-특이적 시뮬레이션을 실행할 수 있다. 이어서 CSC 시스템은 환자-특이적 시뮬레이션으로부터 환자-특이적 시뮬레이션된 VCG를 생성한다. CSC 시스템은 그 대응하는 근원 구성을 가진 환자-특이적 시뮬레이션을 교정된 모음으로서, 환자-특이적 VCG를 시뮬레이션된 심장도의 교정된 모음으로서 식별한다. 교정된 모음은 환자-특이적 분류자를 위한, 또는 근원 위치를 직접 식별하기 위해 모음에 있는 시뮬레이션의 근원 구성을 사용하는 것과 같은 다른 목적을 위한 트레이닝 데이터로서 사용될 수 있다.
일부 실시형태에서, CSC 시스템은 VCG와 같은 환자-특이적 시뮬레이션된 심장도에 기초하여 시뮬레이션된 심장도의 교정된 모음을 또한 식별할 수 있다. 교정된 모음을 식별하기 위해, CSC 시스템은 환자의 근원 구성과 그의 유사한 근원 구성에 기초하여 시뮬레이션을 식별한다. 예를 들어, 유사성은 기하학적 구조 및 흉터 위치에 기초할 수 있다. 이어서 CSC 시스템은 그 시뮬레이션을 위한 환자-특이적 VCG를 생성하기 위해 각각의 식별된 시뮬레이션의 EM 데이터 또는 EM 출력과 환자 심장의 기하학적 구조를 사용한다. VCG를 생성하기 위해, CSC 시스템은 환자-특이적 VCG를 생성할 때 환자의 기하학적 구조와 매칭되는 기하학적 구조를 사용하여 EM 데이터 또는 EM 출력이 생성되었다고 효과적으로 가정한다. 이어서CSC 시스템은 시뮬레이션된 심장도의 교정된 모음으로서 환자-특이적 VCG와 가장 잘 매칭되는 VCG를 가진 시뮬레이션을 식별한다. 교정된 모음은 환자-특이적 분류자를 위한, 또는 근원 위치를 직접 식별하기 위해 모음에 있는 시뮬레이션의 근원 구성을 사용하는 것과 같은 다른 목적을 위한 트레이닝 데이터로서 사용될 수 있다.
일부 실시형태에서, CSC 시스템은 시뮬레이션된 VCG 및 환자-특이적 VCG의 쌍의 선형 또는 비선형 변환을 통해 환자-특이적 VCG에 가장 잘 매칭되는 식별된 시뮬레이션 VCG에 기초하여 추가 교정을 수행할 수 있다. 한 쌍의 시뮬레이션된 VCG 및 환자-특이적 VCG는 유사한 근원 구성(예컨대, 기하학적 구조, 흉터 위치, 전기 생리학적 속성, 근원 위치 등)과 전자기 데이터(예컨대, 심장도 형태)를 가진 2개의 VCG를 포함한다. CSC 시스템은 시뮬레이션된 VCG에 적용된 변환이 환자-특이적 VCG로 유사성 스코어를 향상시키도록 적어도 한 쌍의 시뮬레이션된 환자-특이적 VCG의 최소 제곱법(least-squares fit)으로부터 선형 변환을 계산할 수 있다. CSC 시스템은 또한 시뮬레이션된 VCG 및 환자-특이적 VCG의 쌍에 대해 트레이닝된 신경망 또는 다른 머신 러닝 기술을 사용하여 비선형 변환을 적용하여, 환자-특이적 VCG와 더욱 잘 매칭되도록 시뮬레이션된 VCG를 변환할 수 있다.
도 43은 일부 실시형태에서 CSC 시스템의 식별 시뮬레이션된 심장도 컴포넌트의 처리를 예시하는 흐름도이다. 식별 시뮬레이션된 심장도 컴포넌트(4300)는 환자 심장도 및 시뮬레이션된 심장도를 전달하고, 각각의 환자 심장도와 유사한 시뮬레이션된 심장도를 식별한다. 블록(4301)에서, 컴포넌트는 각각의 환자 심장도와 각각의 시뮬레이션된 심장도 사이의 심장 기하학적 구조 유사성(예컨대, 구조적 질환 유사성 및/또는 측정치 유사성)을 결정한다. 블록(4302)에서, 컴포넌트는 각각의 환자 심장도와 각각의 시뮬레이션된 심장도 사이의 페이싱 유사성을 결정한다. 페이싱 유사성은 시뮬레이션된 심장도의 페이싱 위치 및 페이싱 속도가 환자 심장도의 페이싱 위치 및 페이싱 속도와 얼마나 가까운지에 기초할 수 있다. 블록(4303)에서, 컴포넌트는 각각의 환자 심장도와 각각의 시뮬레이션된 심장도 사이의 배향 유사성을 결정한다. 블록(4304)에서, 컴포넌트는 각각의 환자 심장도와 각각의 시뮬레이션된 심장도 사이의 전기 생리학적 유사성을 결정한다. 블록(4305)에서, 컴포넌트는 결정된 유사성에 기초하여 교정된 시뮬레이션 심장도로서 시뮬레이션된 심장도를 식별하고 이어서 완료된다. 도시되지 않았지만, 컴포넌트는 유사한 시뮬레이션된 심장도를 식별하기 위해 질환 기질 유사성을 또한 결정할 수 있다. 시뮬레이션된 심장도를 생성하는데 사용되는 구성 파라미터는 이들 심장도와 관련된 것으로 간주된다. 예를 들어, 심장도는 시뮬레이션된 심장도 또는 환자 심장도를 생성하는데 사용되는 페이싱 위치 및 질환 기질을 갖는 것으로 간주될 수 있다.
도 44는 일부 실시형태에서 CSC 시스템의 컴포넌트를 예시하는 블록도이다. CSC 시스템(4400)은 교정 시뮬레이션된 심장도 컴포넌트(4401)를 포함한다. CSC 시스템은 생성 벡터 컴포넌트(4402), 및 결정 배향 유사성 컴포넌트(4411)와 결정 전기 생리학적 컴포넌트(4412)를 갖는 결정 형태학적 유사성 컴포넌트(4410)를 포함하는 교정 배향 컴포넌트를 포함한다. CSC 시스템은 식별-배향 유사한 컴포넌트(4403), 및 교정 활동 전위 컴포넌트(4404)와 교정 전도 속도 컴포넌트(4405)를 포함하는 교정 전기 생리학적 컴포넌트를 포함한다. CSC 시스템은 교정 구조적 질환 컴포넌트(4406) 및 교정 측정치 컴포넌트(4407)를 포함하는 심장 기하학적 구조 컴포넌트를 포함한다. CSC 시스템은 교정 질환 기질 컴포넌트(4408) 및 교정 페이싱 컴포넌트(4409)를 포함한다. CSC 시스템은 시뮬레이션 스토어(4420)에 액세스하고, 교정된 시뮬레이션 심장도를 출력한다. 교정 시뮬레이션된 심장도 컴포넌트는 교정 배향 컴포넌트, 교정 전기 생리학적 컴포넌트, 심장 기하학적 구조 컴포넌트, 교정 질환 기질 컴포넌트 및 교정 페이싱 컴포넌트를 호출하여, 교정된 시뮬레이션 심장도를 식별한다. 교정 배향 컴포넌트, 교정 활동 전위 컴포넌트 및 교정 심장 기하학적 구조 컴포넌트는 흐름도에서 설명된다.
도 45는 환자 데이터를 수집하기 위해 전기 생리학자("EP")에 의해 수행되는 처리를 예시하는 흐름도이다. 블록(4501)에서, EP는 다음의 페이싱 위치를 선택한다. 결정 블록(4502)에서, 모든 페이싱 위치가 이미 선택되었으면, 처리는 완료되고, 그렇지 않으면 처리는 블록(4503)에서 계속된다. 블록(4503)에서, EP는 카테터를 페이싱 위치에 배치한다. 블록(4504)에서, EP는 다음의 페이싱 속도를 선택한다. 결정 블록(4505)에서, 모든 페이싱 속도가 선택된 페이싱 위치에 대해 이미 선택되었으면, 처리는 블록(4501)으로 루핑되어 다음의 페이싱 위치를 선택하고, 그렇지 않으면 처리는 블록(4506)에서 계속된다. 블록(4506)에서, EP는 다음의 추가 자극 간격을 선택한다. 결정 블록(4507)에서, 모든 추가 자극 간격이 선택된 페이싱 위치 및 페이싱 속도에 대해 이미 선택되었으면, 처리는 블록(4504)으로 루핑되어 다음의 페이싱 속도를 선택하고, 그렇지 않으면 처리는 블록(4508)에서 계속된다. 블록(4508)에서, EP는 선택된 페이싱 속도로 자극을 적용한다. 블록(4509)에서, 자극은 추가 자극 간격으로 적용되고, 처리는 블록(4506)으로 루핑되어, 다음의 추가 자극 간격을 선택한다.
도 46은 일부 실시형태에서 CSC 시스템의 교정 시뮬레이션된 심장도 컴포넌트의 처리를 예시하는 흐름도이다. 교정 시뮬레이션된 심장도 컴포넌트(4600)는 환자 심장도 및 시뮬레이션된 심장도의 표시를 전달하고, 환자 심장도와 유사한 시뮬레이션된 심장도를 식별한다. 블록(4601)에서, 컴포넌트는 생성 벡터 컴포넌트를 호출하여, 각각의 환자 심장도에 대한 환자 벡터를 생성하기 위해 환자 심장도의 표시를 전달한다. 블록(4602)에서, 컴포넌트는 식별 배향 유사 시뮬레이션된 심장도를 호출하여, 각각의 환자 심장도에 대한 시뮬레이션된 심장도 및 측정된 벡터의 표시를 전달하고, 그 대가로 배향 유사 시뮬레이션된 심장도의 표시를 수신한다. 블록(4601 및 4602)은 배향 유사 시뮬레이션된 심장도를 결정하기 위한 처리를 나타낸다. 블록(4603)에서, 컴포넌트는 교정 활동 전위 컴포넌트를 호출하여, 배향 유사 시뮬레이션된 심장도 및 환자 심장도의 표시를 전달하고, 그 대가로 활동 전위 유사 시뮬레이션된 심장도의 표시를 수신한다. 블록(4604)에서, 컴포넌트는 교정 전도 속도 컴포넌트를 호출하하여, 활동 전위 유사 시뮬레이션된 심장도 및 환자 심장도의 표시를 전달하고, 그 대가로 전도-속도-유사 시뮬레이션된 심장도의 표시를 수신한다. 블록(4603 및 4604)은 전기 생리학적 유사성을 결정하기 위한 처리를 나타낸다.
도 47은 일부 실시형태에서 CSC 시스템의 생성 벡터 컴포넌트의 처리를 예시하는 흐름도이다. 생성 벡터 컴포넌트는 전달된 각각의 심장도에 대한 벡터를 생성하기 위해 호출된다. 도시되지 않았지만, 블록(4701 내지 4708)의 처리는 각각의 심장도에 대해 수행된다. 블록(4701)에서, 컴포넌트는 심장도의 다음의 심장 사이클을 선택한다. 결정 블록(4702)에서, 모든 심장 사이클이 이미 선택되었으면, 컴포넌트가 완료되고, 그렇지 않으면 컴포넌트는 블록(4703)에서 계속된다. 블록(4703)에서, 컴포넌트는 선택된 심장 사이클에 대한 다음의 심장 사이클 위상을 선택한다. 결정 블록(4704)에서, 모든 심장 사이클 단계가 이미 선택되었으면, 컴포넌트는 블록(4701)으로 루핑되어, 다음의 심장 사이클을 선택하고, 그렇지 않으면 컴포넌트는 블록(4705)에서 계속된다. 블록(4705)에서, 컴포넌트는 다음의 심장의 위치를 선택한다. 결정 블록(4706)에서, 모든 심장의 위치가 이미 선택되었으면, 컴포넌트는 블록(4703)에서 계속되어 다음의 심장 사이클 위상을 선택하고, 그렇지 않으면 컴포넌트는 블록(4707)에서 계속된다. 블록(4707)에서, 컴포넌트는 심장 사이클 위상 동안 심장의 위치에 대한 심장도로부터 벡터를 계산한다. 블록(4708)에서, 컴포넌트는 심장 사이클 위상 및 심장의 위치를 이용하여 벡터를 라벨링하고, 이어서 블록(4705)으로 루핑되어, 다음의 심장의 위치를 선택한다.
도 48은 일부 실시형태에서 CSC 시스템의 식별-배향 유사한 컴포넌트의 처리를 예시하는 흐름도이다. 식별 방향 유사한 컴포넌트(4800)는 호출되어, 시뮬레이션된 심장도 및 각각의 환자 심장도에 대한 환자 벡터의 표시를 전달한다. 도시되지 않았지만, 블록(4801 내지 4807)은 각각의 환자 심장도에 대해 수행된다. 블록(4801)에서, 컴포넌트는 다음의 시뮬레이션된 심장도를 선택한다. 결정 블록(4802)에서, 모든 시뮬레이션된 심장도가 이미 선택되었으면, 컴포넌트는 블록(4808)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(4803)에서 계속된다. 블록(4803)에서, 컴포넌트는 생성 벡터 컴포넌트를 호출하여, 시뮬레이션된 심장도의 표시를 전달하고, 그 대가로 시뮬레이션된 벡터를 수신한다. 블록(4804)에서, 컴포넌트는 다음의 시뮬레이션된 벡터를 선택한다. 결정 블록(4805)에서, 모든 시뮬레이션된 벡터가 이미 선택되었으면, 컴포넌트는 블록(4807)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(4806)에서 계속된다. 블록(4806)에서, 컴포넌트는 선택된 시뮬레이션 벡터와 대응하는 환자 벡터 사이의 배향 차이를 계산하고, 다음의 시뮬레이션된 벡터를 선택하기 위해 블록(4804)으로 루핑된다. 블록(4807)에서, 컴포넌트는 선택된 시뮬레이션 심장도에 대한 배향 유사성을 계산하고, 이어서 블록(4801)으로 루핑되어 다음의 시뮬레이션된 심장도를 선택한다. 블록(4808)에서, 컴포넌트는 최고 배향 유사성을 가진 시뮬레이션된 심장도를 식별하고 복귀되며, 이어서 완료된다.
도 49는 일부 실시형태에서 CSC 시스템의 교정 심장 기하학적 구조 컴포넌트의 처리를 예시하는 흐름도이다. 교정 심장 기하학적 구조 컴포넌트(4900)는 호출되어 환자 심장도와 유사한 심장 기하학적 구조인 시뮬레이션된 심장도를 식별한다. 블록(4901)에서, 컴포넌트는 환자의 구조적 질환의 평가를 수신한다. 블록(4902)에서, 컴포넌트는 유사한 구조적 질환을 가진 시뮬레이션된 심장도를 식별한다. 블록(4903)에서, 컴포넌트는 환자의 기하학적 구조 측정치를 수신한다. 블록(4904)에서, 컴포넌트는 다음의 식별된 시뮬레이션 심장도를 선택한다. 결정 블록(4905)에서, 모든 시뮬레이션된 심장도가 이미 선택되었으면, 컴포넌트는 블록(4907)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(4906)에서 계속된다. 블록(4906)에서, 컴포넌트는 선택된 시뮬레이션 심장도와 환자 사이의 기하학적 구조 스코어를 계산하고, 이어서 다음의 식별된 시뮬레이션 심장도를 선택하기 위해 블록(4904)으로 루핑된다. 블록(4907)에서, 컴포넌트는 심장 기하학적 구조 유사 시뮬레이션된 심장도로서 기하학적 구조 스코어에 기초하여 가장 잘 매칭되는 시뮬레이션된 심장도를 선택하고 복귀된다.
도 50은 일부 실시형태에서 CSC 시스템의 교정 활동 전위 컴포넌트의 처리를 예시하는 흐름도이다. 교정 활동 전위 컴포넌트(5000)는 그 활동 전위가 환자 심장도와 유사한 시뮬레이션된 심장도를 식별한다. 도시되지 않았지만, 블록(5001 내지 5006)의 처리는 각각의 환자 심장도에 대해 수행된다. 블록(5001)에서, 컴포넌트는 환자 심장도에 대해 정상화된 ECG를 생성한다. 블록(5002)에서, 컴포넌트는 다음의 시뮬레이션된 심장도를 선택한다. 결정 블록(5003)에서, 모든 시뮬레이션된 심장도가 이미 선택되었으면, 컴포넌트는 블록(5006)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(5004)에서 계속된다. 블록(5004)에서, 컴포넌트는 선택된 시뮬레이션 심장도에 대한 정상화된 시뮬레이션 ECG를 생성한다. 블록(5005)에서, 컴포넌트는 정상화된 환자 ECG와 시뮬레이션된 ECG 사이의 활동 전위 유사성을 계산하고, 이어서 블록(5002)으로 루핑되어 다음의 시뮬레이션된 심장도를 선택한다. 블록(5006)에서, 컴포넌트는 최고 활동 전위 유사성을 가진 시뮬레이션된 심장도를 선택하고 복귀된다.
도 51은 일부 실시형태에서 CSC 시스템의 생성 맵핑 함수 컴포넌트의 처리를 예시하는 흐름도이다. 생성 맵핑 함수 컴포넌트(5100)는 트레이닝 데이터로서 사용될 환자 심장도와 매칭되는 시뮬레이션된 심장도의 세트를 식별하고, 이어서 맵핑 함수를 트레이닝시킨다. 블록(5101)에서, 컴포넌트는 환자 심장도의 다음의 페이싱 위치를 선택한다. 결정 블록(5102)에서, 모든 페이싱 위치가 이미 선택되었으면, 컴포넌트는 블록(5107)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(5103)에서 계속된다. 블록(5103)에서, 컴포넌트는 그 페이싱 위치를 가진 다음의 시뮬레이션된 심장도를 선택한다. 결정 블록(5104)에서, 이러한 모든 시뮬레이션된 심장도가 이미 선택되었으면, 컴포넌트는 다음의 페이싱 위치를 선택하기 위해 블록(5101)으로 루핑되고, 그렇지 않으면 컴포넌트는 블록(5105)에서 계속된다. 결정 블록(5105)에서, 시뮬레이션된 심장도의 구성 파라미터가 환자 구성 파라미터와 매칭되면, 컴포넌트는 블록(5106)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(5103)으로 루핑되어 다음의 시뮬레이션된 심장도를 선택한다. 블록(5106)에서, 컴포넌트는 시뮬레이션된 심장도를 트레이닝 데이터에 추가하고, 블록(5106)으로 루핑되어, 다음의 시뮬레이션된 심장도를 선택한다. 블록(5107)에서, 컴포넌트는 트레이닝 데이터의 시뮬레이션된 심장도를 환자 심장도에 맵핑하기 위해 맵핑 함수를 트레이닝시키고, 이어서 완료된다.
도 52는 일부 실시형태에서 CSC 시스템의 변환 시뮬레이션된 심장도 컴포넌트의 처리를 예시하는 흐름도이다. 변환 시뮬레이션된 심장도 컴포넌트(5200)는 시뮬레이션된 심장도에 맵핑 함수를 적용하여, 시뮬레이션된 심장도의 ML 교정된 모음을 생성한다. 블록(5201)에서, 컴포넌트는 환자 심장도의 다음의 페이싱 위치를 선택한다. 결정 블록(5202)에서, 모든 페이싱 위치가 이미 선택되었으면, 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 블록(5203)에서 계속된다. 블록(5203)에서, 컴포넌트는 그 페이싱 위치를 가진 다음의 시뮬레이션된 심장도를 선택한다. 결정 블록(5204)에서, 이러한 모든 시뮬레이션된 심장도가 이미 선택되었으면, 컴포넌트는 블록(5201)으로 루핑되어 다음의 페이싱 위치를 선택하며, 그렇지 않으면 컴포넌트는 블록(5205)에서 계속된다. 결정 블록(5205)에서, 시뮬레이션된 심장도의 구성 파라미터가 환자 구성 파라미터와 매칭되면, 컴포넌트는 블록(5206)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(5203)으로 루핑되어 다음의 시뮬레이션된 심장도를 선택한다. 블록(5206)에서, 컴포넌트는 맵핑 함수를 시뮬레이션된 심장도에 적용하여 ML 변환된 시뮬레이션된 심장도를 생성한다. 블록(5207)에서, 컴포넌트는 ML 변환된 시뮬레이션된 심장도를 ML 교정된 모음에 추가하고, 블록(5203)으로 루핑되어 다음의 시뮬레이션된 심장도를 선택한다.
주로 심장인 전자기 근원의 맥락에서 설명되었지만, CSC 시스템은 신체를 이용하여 다른 전자기 근원에 대해 시뮬레이션된 전자기 출력을 교정하는데 사용될 수 있다. 본 명세서에 설명된 CSC 시스템 및 다른 시스템은 예를 들어 신체가 인체 또는 다른 동물의 신체일 때, 그리고 전자기 근원이 심장, 뇌, 간, 폐, 신장, 근육 또는 신체의 외부 또는 내부로부터 측정될 수 있는 전자기장을 생성하는 신체의 다른 부분일 때 사용될 수 있다. 또한, 환자 페이싱은 카테터와 같은 전자기 근원 내부로부터 전자기 펄스를 부여하는 침습성 페이싱 디바이스를 사용하여 수행될 수 있다. 환자 페이싱은 자기 공명 스캐너와 같은 전자기 근원 외부로부터 전자기 펄스를 부여하는 비침습성 페이싱 디바이스를 사용하여 수행될 수 있다. 비침습성 페이싱 디바이스는 환자의 전자기 근원을 페이싱하기 위해 전자기장을 생성할 수 있다.
배향 교정을 위한 사용자 인터페이스
일부 실시형태에서, CSC 시스템의 사용자 인터페이스 교정("UIC") 시스템은 시뮬레이션된 VCG로의 환자 VCG의 배향의 수동 교정을 위한 사용자 인터페이스를 제공한다. UIC 시스템은 정상 동리듬 동안 및/또는 연구 영상 데이터(예컨대, 흉부 X-레이 또는 카테터 시스템 위치 추정 시스템으로부터)에 기초하여 식별될 수 있는 다양한 페이싱 위치에서의 페이싱에 기초하여 수집된 환자 ECG에 액세스한다. 이어서 UIC 시스템은 그 활성화 근원 위치가 ECG로부터 알려진 세그먼트를 추출하고, 이어서 세그먼트로부터 노이즈를 제거한다. 이어서 UIC 시스템은 세그먼트로부터 VCG를 생성한다. 이어서 UIC 시스템은 액세스된 환자 ECG의 근원 위치와 유사한 근원 위치를 가진 시뮬레이션된 심장도를 선택한다.
도 53은 배향을 수동으로 교정하기 위한 사용자 인터페이스를 예시한다. 디스플레이(5300)는 환자 표현(5310) 및 시뮬레이션된 표현(5320)을 포함한다. 환자 표현을 생성하기 위해, UIC 시스템은 환자 근원 위치에 대한 환자 VCG(5311 및 5312)를 3차원("3D") 표면으로서 렌더링한다. 환자 VCG는 3D로 회전될 수 있는 관상영상(coronal view) 및/또는 정사영상(orthogonal view)과 같은 해부학적 기준 프레임을 제공하기 위해 몸통 모델(5315)에 겹쳐질 수 있다. 시뮬레이션된 표현을 생성하기 위해, UI 시스템은 또한 몸통 모델(5325)에 겹쳐질 수 있는 환자 근원 위치와 유사한 시뮬레이션된 근원 위치를 가진 선택된 시뮬레이션 심장도로부터 시뮬레이션된 VCG(5321 및 5322)를 렌더링한다. UIC 시스템은 또한 시뮬레이션된 심장도의 심장 기하학적 구조에 기초한 심장(5326)의 표현을 겹칠 수 있다. 이어서 사용자는 시뮬레이션된 VCG를 (시각적 비교에 기초하여) 환자 VCG에 정렬하도록 심장 기하학적 구조와 함께 회전하는 시뮬레이션된 VCG를 가진 심장 기하학적 구조를 회전시킬 수 있다. 정렬을 돕기 위해, UIC 시스템은 환자 VCG에 대해 회전된 시뮬레이션된 VCG의 정렬의 근접성을 나타내는 정렬 스코어(예컨대, 최소 제곱법에 기초한)를 또한 생성할 수 있다. VCG가 정렬되었다고 사용자가 결정할 때, UIC 시스템은 시뮬레이션된 VCG를 환자 VCG에 정렬하는데 필요한 심장 기하학적 구조의 회전량에 기초하여 회전 매트릭스를 생성한다. CSC 시스템은 회전 매트릭스를 사용하여 배향 유사 심장도를 식별할 수 있다.
절제 패턴 식별
절제 패턴을 식별하기 위한 방법 및 컴퓨팅 시스템, 및 식별된 절제 패턴에 기초하여 환자를 치료하기 위한 방법이 제공된다. 일부 실시형태에서, 절제 패턴 식별("API") 시스템은 환자의 EM 근원을 치료하기 위한 절제 패턴을 식별한다. API 시스템은 EM 근원(예컨대, 심장 또는 뇌)의 환자 EM 출력에 액세스한다. API 시스템은 절제 패턴에 기초하는 것이 아니라 시뮬레이션된 근원 구성에 기초하여 비절제 패턴 시뮬레이션의 비절제 패턴 정보를 식별한다. 예를 들어, 비절제 패턴 정보는 비절제 패턴 시뮬레이션으로부터 생성되는 시뮬레이션된 EM 출력(예컨대, 시뮬레이션된 ECG)일 수 있다. API 시스템은 환자 EM 출력에 대한 비절제 패턴 시뮬레이션의 시뮬레이션된 EM 출력의 유사성에 기초하여 비절제 패턴 정보를 식별한다. 이어서, API 시스템은 식별된 비절제 패턴 정보, 및 절제 패턴 시뮬레이션과 관련된 절제 패턴 정보에 기초하여 절제 패턴을 식별한다. 예를 들어, 절제 패턴은 절제 패턴 시뮬레이션에서 사용되는 절제 패턴에 대한 시뮬레이션된 EM 출력의 맵핑에 기초하여 식별될 수 있다. 각각의 절제 패턴 시뮬레이션은 시뮬레이션된 근원 구성 및 절제 패턴에 기초하여 생성된다. API 시스템은 환자의 EM 근원에 대한 잠재적인 절제 패턴으로서 식별된 절제 패턴의 표시를 출력한다.
일부 실시형태에서, API 시스템은 비절제 패턴 시뮬레이션의 모델 라이브러리, 및 모델 라이브러리의 시뮬레이션된 EM 출력으로부터 생성된 시뮬레이션된 유도 EM 데이터에 액세스한다. 모델 라이브러리는 MLMO 시스템에 의해 생성될 수 있다. 이러한 모델 라이브러리는 "비절제 패턴 모델 라이브러리"로서 지칭되며, 시뮬레이션은 시뮬레이션이 절제 패턴을 포함하지 않는 시뮬레이션된 근원 구성에 기초하기 때문에 "비절제 패턴 시뮬레이션"으로서 지칭된다. 예를 들어, EM 근원이 심장이면, 비절제 패턴 시뮬레이션은 절제 패턴을 가정함이 없이 부정맥의 시뮬레이션된 근원 위치에 기초할 수 있으며, 시뮬레이션된 유도 EM 데이터는 VCG일 수 있다. API 시스템은 또한 비절제 패턴 모델 라이브러리를 생성하는데 사용된 각각의 시뮬레이션된 근원 구성에 대한 하나 이상의 절제 패턴 시뮬레이션을 포함할 수 있는 절제 패턴 모델 라이브러리를 생성한다. 각각의 시뮬레이션된 근원 구성에 대해, API 시스템은 절제 패턴의 각각의 세트에 대한 절제 패턴 시뮬레이션을 수행한다. 각각의 절제 패턴 시뮬레이션은 시뮬레이션된 근원 구성의 시뮬레이션된 근원 위치에 적용된 그 절제 패턴의 결과를 식별하는데 사용된다. 절제 패턴 시뮬레이션이 부정맥을 야기하지 않으면, 절제 패턴은 시뮬레이션된 근원 구성에 대한 부정맥을 중지시키는데 성공한 것으로서 식별된다. 그렇지 않으면, 이는 실패한 것으로서 식별된다. 예를 들어, 절제 패턴의 세트가 10개의 절제 패턴을 포함하면, API 시스템은 각각의 시뮬레이션된 근원 구성에 대한 10개의 절제 패턴 시뮬레이션을 생성한다. 시뮬레이션된 근원 구성에 대한 성공적인 절제 패턴의 수는 0에서 10까지 다양할 수 있다. 예를 들어, 시뮬레이션된 근원 구성 중 하나는 2개의 성공적인 절제 패턴을 가질 수 있고, 다른 하나는 7개의 성공적인 절제 패턴을 가질 수 있다.
일부 실시형태에서, API 시스템은 매칭 시뮬레이션된 EM 출력을 식별하기 위해 환자 EM 출력(또는 환자-유도된 EM 데이터)을 시뮬레이션된 EM 출력(또는 시뮬레이션된 유도 EM 데이터)과 비교하는 것에 의해 환자에 대한 하나 이상의 잠재적인 절제 패턴을 식별한다. API 시스템은 매칭 시뮬레이션된 EM 출력이 생성되는 비절제 패턴 시뮬레이션에서 사용되는 시뮬레이션된 근원 구성을 선택한다. 이어서, API 시스템은 그 선택된 시뮬레이션 근원 구성에 기초하여 절제 패턴 시뮬레이션을 식별한다. API 시스템은 이들 절제 패턴 시뮬레이션의 성공적인 절제 패턴을 잠재적인 절제 패턴으로서 선택한다. 예를 들어, EM 근원이 환자의 심장이고 환자-유도 데이터가 VCG이면, API 시스템은 최상의 매칭 시뮬레이션된 VCG를 생성하는데 사용된 비절제 패턴 시뮬레이션의 시뮬레이션된 근원 구성을 선택하기 위해 환자 VCG를 사용한다. 이어서, API 시스템은 선택된 시뮬레이션 근원 구성에 기초하여 절제 패턴 시뮬레이션을 식별하여, 성공적인 절제 패턴을 야기한다. 이어서, API 시스템은 성공적인 절제 패턴을 환자를 위한 잠재적인 절제 패턴으로서 출력한다.
일부 실시형태에서, API 시스템은 예를 들어, 부정맥(또는 보다 일반적으로 빈맥)이 있는 환자를 치료할 때 환자를 치료하는 방법을 지원하는데 사용된다. 절제 보조("AA") 시스템은 의사가 환자를 치료하는 것을 돕는데 사용된다. 부정맥 동안 수집된 환자의 환자 VCG는 AA 시스템에 입력된다. 이어서, AA 시스템은 환자 VCG를 API 시스템에 제공한다. 이에 응답하여, API 시스템은 절제를 위한 하나 이상의 잠재적인 절제 패턴의 표시를 출력하고, 절제를 위한 하나 이상의 표적 부위를 출력할 수 있다. 이어서, 의사는 잠재적인 절제 패턴과 표적 부위를 선택한다. 선택을 돕기 위해, AA 시스템은 환자의 심장의 표현 상의 표적 부위에 겹쳐진 절제 패턴을 디스플레이할 수 있다. 디스플레이된 표현은 환자의 심장의 해부학적 특성에 기초할 수 있다. 정위적 체부 방사선 치료("SBRT") 디바이스를 사용할 때, 환자의 해부학적 특성은 치료의 일부로서 수집된 이미지(예컨대, "스카우트(scout)" 이미지)로부터 결정될 수 있다. AA 시스템은 선택된 절제 패턴 및 근원 위치를 자동 위치 결정을 위해 절제 디바이스(예컨대, SBRT 디바이스)에 제공할 수 있다. 대안으로, 의사는 절제 디바이스(예컨대, 카테터)를 수동으로 위치시킬 수 있다. 환자가 절제를 위해 준비될 때, 에너지는 선택된 절제 패턴에 기초하여 절제를 수행하기 위해 활성화된다. 절제 디바이스는 SBRT 디바이스, 절제 카테터, 냉동 절제 카테터, 이식 가능한 펄스 발생기 등일 수 있다.
도 54는 일부 실시형태에서 API 시스템의 전체 처리를 예시하는 흐름도이다. 식별 절제 패턴 컴포넌트(5400)는 환자-유도된 EM 데이터에 기초하여 절제 패턴을 식별한다. 블록(5401)에서, 컴포넌트는 유도된 EM 데이터(예컨대, VCG)에 액세스한다. 블록(5402)서, 컴포넌트는 환자-유도된 EM 데이터에 가장 잘 매칭되는 시뮬레이션된 유도 EM 데이터에 기초하여 모델 라이브러리의 비절제 패턴 시뮬레이션을 식별한다. 블록(5403)에서, 컴포넌트는 식별된 비절제 패턴 시뮬레이션을 생성하는데 사용되는 시뮬레이션된 근원 구성을 검색한다. 블록(5404)에서, 컴포넌트는 검색된 시뮬레이션된 근원 구성을 사용하여 수행된 절제 패턴 시뮬레이션을 식별한다. 블록(5405)에서, 컴포넌트는 식별된 절제 시뮬레이션과 관련된 절제 패턴을 검색한다. 블록(5406)에서, 컴포넌트는 검색된 절제 패턴의 표시를 출력하고, 이어서 완료된다.
도 55는 일부 실시형태에서 API 시스템의 생성 맵핑 함수의 처리를 예시하는 흐름도이다. 생성 맵핑 함수(5500)는 잠재적인 근원 위치 및 잠재적인 절제 패턴을 식별하는데 사용될 수 있는 맵핑 함수를 생성한다. 블록(5501)에서, 컴포넌트는 절제 패턴 시뮬레이션에 액세스한다. 블록(5502)에서, 컴포넌트는 다음의 절제 패턴 시뮬레이션을 선택한다. 결정 블록(5503)에서, 모든 절제 패턴 시뮬레이션이 이미 선택되었으면, 컴포넌트는 블록(5506)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(5504)에서 계속된다. 블록(5504)에서, 컴포넌트는 선택 절제 패턴 시뮬레이션의 시뮬레이션된 근원 구성에 기초하여 특징 벡터를 생성한다. 벡터의 특징은 시뮬레이션된 근원 구성을 사용한 비절제 패턴 시뮬레이션으로부터 생성된 시뮬레이션된 EM 데이터와 같은 다른 정보와 함께 근원 위치 및 절제 패턴을 식별하는데 특히 관련된 모든 시뮬레이션된 근원 구성 또는 시뮬레이션된 근원 구성의 서브 세트를 포함할 수 있다. 블록(5505)에서, 컴포넌트는 시뮬레이션된 근원 위치 및 선택된 절제 패턴 시뮬레이션의 절제 패턴에 기초하여 특징 벡터를 라벨링하고, 이어서 블록(5502)으로 루핑되어 다음의 절제 패턴 시뮬레이션을 선택한다. 블록(5506)에서, 컴포넌트는 특징 벡터 및 라벨을 사용하여 맵핑 함수를 트레이닝시키고, 이어서 완료된다.
도 56은 일부 실시형태에서 절제 동안 환자를 치료하기 위한 방법의 처리를 예시하는 블록도이다. 방법(5600)은 처리에서의 초기 단계로서 환자-유도된 EM 데이터(예컨대, VCG)에 액세스한다. 단계(5601)에서, 방법은 사용될 근원 위치 및 절제 패턴을 식별한다. 이러한 식별은 환자의 환자 근원 구성 및 환자-유도된 EM 데이터로부터 유도된 특징에 기초하여 특징 벡터를 생성하고, 이어서 API 시스템에 의해 트레이닝된 맵핑 함수를 적용하는 것에 의해 만들어질 수 있다. 대안적으로, 식별은 환자 EM 데이터와 가장 잘 매칭되는 시뮬레이션된 EM 데이터를 가진 비절제 패턴 시뮬레이션을 식별하고, 이어서 그 시뮬레이션된 근원 구성을 사용하여 생성된 절제 패턴 시뮬레이션을 식별하기 위해 시뮬레이션된 근원 구성을 사용하는 것에 의해 만들어질 수 있다. 단계(5602)에서, 방법은 식별된 근원 위치에 기초하여 절제 디바이스(예컨대, 신경 조절 디바이스)를 위치시키거나 지향시킨다(즉, 조준한다). 단계(5603)에서, 방법은, 식별된 근원 위치로부터 유도되고 식별된 표적 부위에서 절제 패턴에 기초하여 절제 디바이스(예컨대, 신경 조절 디바이스)를 사용하여 에너지를 인가하거나 지향시킨다.
도 57은 일부 실시형태에서 API 시스템의 컴포넌트를 예시하는 블록도이다. 생성 절제 패턴 시뮬레이션 컴포넌트(5702)는 EM 근원 모델(5701) 및 근원 구성의 파라미터 세트를 입력하고, 심장 모델을 사용한 근원 구성에 기초하여 시뮬레이션을 수행한다. 이어서, 절제 패턴 시뮬레이션 컴포넌트는 근원 구성/절제 패턴 맵핑 스토어(5703)에 있는 절제 패턴에 대한 근원 구성의 맵핑을 저장한다. 지시 절제 컴포넌트(5704)는 환자 근원 구성 및 환자-유도된 EM 데이터를 입력하고, 근원 위치 및 절제 패턴을 식별하기 위해 유도된 EM 데이터/근원 구성 맵핑 스토어(5707) 및 근원 구성/절제 패턴 맵핑 스토어에 액세스하며, 절제의 수행을 제어한다. 송신 명령 컴포넌트(5705)는 근원 위치 및 절제 패턴을 입력하고, 절제 디바이스(5706)에 명령을 송신한다.
도 58은 일부 실시형태에서 API 시스템의 생성 절제 패턴 시뮬레이션 컴포넌트의 처리를 예시하는 흐름도이다. 생성 절제 패턴 시뮬레이션 컴포넌트(5800)는 근원 구성을 입력하고, 근원 구성을 성공적인 절제 패턴에 맵핑한다. 컴포넌트는 각각의 근원 구성에 대해 호출된다. 블록(5801)에서, 컴포넌트는 절제 패턴 시뮬레이션에서 사용될 절제 패턴에 액세스한다. API 시스템은 각각의 근원 구성에 대해 동일한 제거 패턴을 사용할 수 있다. 대안적으로, API 시스템은 상이한 절제 패턴이 상이한 근원 위치에서 보다 효과적일 수 있기 때문에 근원 위치에 기초하여 절제 패턴을 선택할 수 있다. 블록(5802)에서, 컴포넌트는 다음의 절제 패턴을 선택하고, 선택된 절제 패턴으로 변수(i)를 설정한다. 결정 블록(5803)에서, 모든 절제 패턴이 이미 선택되었으면, 컴포넌트는 블록(5810)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(5804)에서 계속된다. 블록(5804)에서, 컴포넌트는 절제 패턴 시뮬레이션의 각각의 단계를 추적하기 위해 변수(j)를 0으로 초기화한다. 결정 블록(5805)에서, 컴포넌트는 변수(j)를 증분시키고, 변수(j)가 시뮬레이션 단계의 수보다 큰지 여부를 결정하여, 절제 패턴 시뮬레이션이 완료되었다는 것을 나타낸다. 완료되었으면, 컴포넌트는 블록(5809)에서 계속되고, 그렇지 않으면 컴포넌트는 시뮬레이션의 다음의 단계를 수행하기 위해 블록(5806)에서 계속된다. 블록(5806)에서, 컴포넌트는 절제 패턴 시뮬레이션의 다음의 단계를 위해 선택된 절제 패턴에 모델을 적용한다. 결정 블록(5807)에서, 부정맥이 중지되었다는 것을 절제 패턴 시뮬레이션이 나타내면, 컴포넌트는 블록(5808)에서 계속되고, 그렇지 않으면 컴포넌트는 블록(5805)으로 루핑되어 시뮬레이션의 다음의 단계를 수행한다. 블록(5808)에서, 컴포넌트는 절제 패턴을 성공적인 것으로서 마킹하고, 블록(5802)으로 루핑되어 다음의 절제 패턴을 선택한다. 블록(5809)에서, 컴포넌트는 절제 시뮬레이션이 완료되었지만 부정맥이 중지되지 않았기 때문에 절제 패턴을 실패로서 마킹한다. 이어서, 컴포넌트는 블록(5802)으로 루핑되어, 다음의 절제 패턴을 선택한다. 블록(5810)에서, 컴포넌트는 성공적인 절제 패턴에 근원 구성을 맵핑하고 완료된다.
도 59는 일부 실시형태에서 API 시스템의 지시 절제 컴포넌트의 처리를 나타내는 블록도이다. 지시 절제 컴포넌트(5900)는 환자에 대한 절제를 지시하기 위해 호출된다. 블록(5901)에서, 컴포넌트는 환자의 EM 근원의 이미지를 수신한다. 블록(5902)에서, 컴포넌트는 흉터 위치, 이전의 절제, 현재 약물 치료 등과 같이 환자에 관하여 제공된 이미지 및 다른 정보에 기초하여 환자 근원 구성을 생성한다. 블록(5903)에서, 컴포넌트는 환자-유도된 EM 데이터(예컨대, VCG)를 수신한다. 블록(5904)에서, 컴포넌트는 식별 잠재적인 절제 패턴 컴포넌트를 호출한다. 블록(5905)에서, 컴포넌트는 절제에서 사용하기 위한 절제 패턴을 선택하기 위해 선택 실제 절제 패턴 컴포넌트를 호출한다. 블록(5906)에서, 컴포넌트는 실제 절제 패턴에 기초하여 생성된 절제 명령을 출력한다. 절제 명령은 절제 디바이스에 직접 제공되거나 또는 의사에게 디스플레이될 수 있다. 이어서, 컴포넌트는 완료된다.
도 60은 일부 실시형태에서 API 시스템의 식별 잠재적인 절제 패턴 컴포넌트의 처리를 예시하는 흐름도이다. 식별 잠재적인 절제 패턴 컴포넌트(6000)는 절제를 위한 잠재적인 절제 패턴을 식별하기 위해 호출된다. 블록(6001)에서, 컴포넌트는 환자 근원 구성 및 환자-유도된 EM 데이터를 수신한다. 블록(6002)에서, 컴포넌트는 환자 근원 구성 및 환자-유도된 EM 데이터에 기초하여 하나 이상의 절제 패턴 시뮬레이션을 식별한다. 블록(6003)에서, 컴포넌트는 다음의 매칭 절제 패턴 시뮬레이션을 선택한다. 결정 블록(6004)에서, 모든 매칭 절제 패턴 시뮬레이션이 이미 선택되었으면, 컴포넌트가 완료되고, 그렇지 않으면 컴포넌트는 블록(6005)에서 계속된다. 블록(6005)에서, 컴포넌트는 선택된 매칭 절제 패턴 시뮬레이션의 매칭 절제 패턴 및 근원 위치를 명령의 세트에 추가한다. 컴포넌트는 절제 명령에 표적 볼륨(target volume)을 또한 추가할 수 있다. 표적 볼륨은 비절제 패턴 시뮬레이션을 생성할 때 사용되는 근원 구성의 파라미터일 수 있다. 이어서, 컴포넌트는 블록(6003)으로 루핑되어, 다음의 매칭 절제 패턴을 선택한다.
도 61은 일부 실시형태에서 API 시스템의 선택 실제 절제 패턴 컴포넌트의 처리를 예시하는 흐름도이다. 선택 실제 절제 패턴 컴포넌트(6100)는 호출되어, 환자의 해부학적 특성, 잠재적인 절제 패턴, 및 대응하는 근원 위치의 표시를 전달한다. 컴포넌트는 절제시에 사용될 실제 절제 패턴을 식별한다. 블록(6101)에서, 컴포넌트는 환자의 해부학적 특성에 기초하여 환자 EM 근원의 3D 표현을 디스플레이한다. 블록(6102)에서, 컴포넌트는 잠재적인 절제 패턴 및 대응하는 근원 위치의 목록을 디스플레이한다. 블록(6103)에서, 컴포넌트는 잠재적인 절제 패턴의 선택을 수신한다. 블록(6104)에서, 컴포넌트는 선택된 부분 절제 패턴과 3D 표현 상의 근원 위치를 겹친다. 결정 블록(6105)에서, 의사가 선택된 잠재적인 절제 패턴을 실제 절제 패턴으로서 사용하도록 지시하였으면, 컴포넌트는 완료되고, 그렇지 않으면 컴포넌트는 다른 잠재적인 절제 패턴을 디스플레이하기 위해 블록(6103)으로 루핑된다.
EM 데이터의 원격 수집
일부 실시형태에서, 원격 EM 데이터 수집("REMDC") 시스템은 임상 환경에 있지 않은 환자로부터 수집된 EM 근원의 EM 데이터를 수신할 수 있다. 예를 들어, 환자는 EM 데이터(예컨대, ECG)를 수집하는 휴대용 EM 데이터 수집("PEMDC") 디바이스(예컨대, Holter 모니터)가 갖춰진 병원을 방문할 수 있다. 추가적으로, 미리 정해지지 않은 PEMDC 디바이스(예컨대, 스마트 시계와 같은 웨어러블 디바이스; 전자기 센서가 장착된 외부 모바일 디바이스; 표피-, 진피- 또는 피하-내장형 전자기 센서, 전자기 센서가 내장된 스마트 의류)가 사용될 수 있다. 환자가 병원을 떠날 때, PEMDC 디바이스는 환자의 EM 데이터를 주기적 또는 연속적으로 수집할 수 있다. 환자가 병원에서 멀리 떨어져 있을 때, PEMDC 디바이스는 수집된 EM 데이터가 REMDC 시스템으로 전송되는 것을 가능하게 한다. 예를 들어, PEMDC 디바이스는 WiFi, 셀룰러, 블루투스 또는 다른 연결을 사용하여 수집된 EM 데이터를 전송하기 위한 무선 인터페이스를 포함할 수 있다. WiFi 연결을 사용할 때, PEMDC 디바이스는 인터넷에 연결된 WiFi 네트워크에 PEMDC 디바이스가 연결될 수 있을 때마다 수집된 EM 데이터를 REMDC 시스템으로 직접 전송할 수 있다. 셀룰러 연결(예컨대, PEMDC 디바이스에 내장된 셀룰러 송신기/수신기)을 사용할 때, PEMDC 디바이스는 PEMDC 디바이스가 셀룰러 네트워크 범위 내에 있을 때마다 수집된 EM 데이터를 REMDC 시스템에 직접 전송할 수 있다. 블루투스 연결(예컨대, PEMDC 디바이스에 내장된 블루투스 송신기/수신기)을 사용할 때, PEMDC 디바이스는 수집 EM 데이터를 스마트폰, 스마트 워치, 데스크톱 컴퓨터 또는 다른 블루투스 지원 디바이스로 전송할 수 있다. PEMDC 디바이스는 또한 수집된 EM 데이터를 유선(예컨대, 범용 직렬 버스("USB") 케이블)을 통해 컴퓨팅 디바이스(예컨대, 랩톱)로 전송하기 위한 유선 인터페이스를 가질 수 있으며, 컴퓨팅 디바이스는 수집된 EM 데이터를 REMDC 시스템으로 전달한다. PEMDC 디바이스는 REMDC 시스템에 의해 요청될 때 수집된 즉시 예정된 기준(예컨대, 1시간에 한번) 또는 PEMDC에 설치된 프로그램에 의한 수집된 EM 데이터 성능의 분석에 기초한 일부 다른 기준에 따라서 수집된 데이터를 전송할 수 있다.
REMDC 시스템이 수집된 EM 데이터를 수신할 때, 수집된 EM 데이터는 본 명세서에 설명된 임의의 시스템에 의해 처리될 수 있다. 예를 들어, EM 데이터가 ECG일 때, REMDC 시스템은 수집된 ECG에 기초하여 근원 위치를 식별하기 위해 MLMO 시스템에 의해 생성된 분류자를 사용할 수 있다. 또 다른 예로서, REMDC 시스템은 근원 위치를 식별하는데 사용될 수 있는 환자-특이적 모델 분류자를 생성하기 위해 PSMC 시스템을 사용할 수 있다. 또 다른 예로서, REMDC 시스템은 시뮬레이션의 교정된 모음을 생성하기 위해 CSC 시스템을 사용할 수 있다.
환자가 병원으로 복귀하기 전에 REMDC 시스템이 수집된 EM 데이터를 처리할 수 있기 때문에, 의료 서비스 제공자는 환자가 복귀하기 전에 다양한 시스템의 출력을 분석하고 행동 방침(예컨대, 처치, 절제술 및 절제 패턴을 추천하는)을 식별할 수 있을 것이다. 이러한 경우에, 환자가 병원에 있는 동안 EM 데이터가 수집된 후에 EM 데이터를 처리하는 다양한 시스템과 관련된 지연은 회피될 수 있다. 아울러, EM 데이터를 처리하는데 필요한 계산 자원(computational resource)의 비용은 환자가 병원으로 복귀하기 전에 EM 데이터가 수집될 때 훨씬 적을 수 있다. 또한, 환자가 병원으로 복귀하기 전에, 의료 서비스 제공자는 다양한 시스템의 출력을 검토하고, 그 검토에 기초하여 예상보다 일찍 또는 늦게 복귀하도록 환자에게 요청할 수 있다. 마지막으로, 수집된 EM 데이터의 결과를 사용하여, 의료 서비스 제공자는 최적의 환자 치료를 부여하는데 필요한 시간과 다른 의료 자원을 보다 잘 할당하고 실행할 수 있다.
분산 원장에서의 환자 연구 결과의 기록
환자에 대해 수행된 처치의 분산 원장 연구 결과를 저장하기 위한 방법 및 시스템이 제공된다. 일부 실시형태에서, 연구 결과를 위한 분산 원장("DLSR") 시스템은 환자의 전자기 근원에 대해 수행된 처치의 연구(또는 처치) 결과를 저장한다. 계산 표적화 처치(computational targeting procedure)는 표적을 처치하도록 전자기 근원으로부터 유도된 전자기 데이터의 맵핑에 기초하여 처치를 위한 처치 표적을 식별하기 위해 사용될 수 있다. 계산 표적화 처치는 처치 표적을 식별하기 위해 생성된 맵핑을 사용하여 트레이닝된 분류자일 수 있다. MLMO 시스템은 이러한 분류자를 생성하는데 사용될 수 있다. 계산 표적화 처치는 대안적으로 환자의 전자기 데이터와 가장 유사한 맵핑의 전자기 데이터를 식별하고, 처치에서 사용하기 위해 그 맵핑의 처치 표적을 식별할 수 있다. 맵핑의 전자기 데이터는 시뮬레이션된 또는 실제 환자 데이터일 수 있다. 다음에서, 계산 표적화 처치의 실시형태는 처치 표적을 식별하기 위해 분류자를 사용하는 것으로서 설명된다.
일부 실시형태에서, 전자기 근원은 심장일 수 있고, 처치는 분류자를 사용하여 식별된 절제 표적에 기초하여 의사에 의해 수행되는 절제 처치일 수 있다. DLSR 시스템은 환자의 심전도에 기초하여 심장의 절제 표적을 식별하기 위해 분류자를 적용할 수 있다. 각각의 분류자는 복수의 심장 구성에 대해 모델링된 심전도(modeled electrocardiogram)로부터 생성된 트레이닝 데이터를 사용하여 트레이닝될 수 있다. 모델링된 심전도는 심장 구성에 기초하여 시간 경과에 따른 심장의 전자기 출력을 모델링하는 심장의 계산 모델을 사용하여 생성될 수 있다. DLSR 시스템은 모델링된 심전도와 매칭되는 환자의 심전도에 기초하여 분류자를 선택한다. DLSR 시스템은 식별된 절제 표적에 기초하여 환자에 대해 수행된 절제 처치의 결과를 수신한다. 각각의 절제 처치에 대해, DLSR 시스템은 절제 처치의 결과의 절제 처치 기록을 생성한다. 절제 처치 기록은 절제 처치에서 환자 및 임의의 다른 이해 관계자(예컨대, 의사, 보험 회사, 규제 기관 및 의료 서비스 제공자)를 식별하고, 절제 처치의 결과에 대한 기준을 포함한다. DLSR 시스템은 허가된 당사자가 액세스하기 위해 분산 원장에 기록하기 위한 각각의 절제 처치 기록을 게시한다.
일부 실시형태에서, 분산 원장은 블록 체인이다. 분산 원장, 특히 블록 체인은 아래에 설명되어 있다. 절제 처치의 결과에 대한 기준 및 환자의 전자 의료 기록은 이해 관계자에 의해 저장될 수 있다. 절제 처치의 결과를 저장하는 이해 관계자는 결과에 대한 당사자의 액세스를 제어할 수 있다. 당사자는 당사자가 블록 체인에 저장한 절제 처치 기록의 양과 품질에 기초하여 모델링된 심전도로부터 생성된 트레이닝 데이터를 사용하여 트레이닝된 분류자에 대한 액세스를 제공받을 수 있다. 절제 처치는 절제 연구 동안 환자에 대해 수행되는 여러 절제 처치 중 하나일 수 있으며, 환자에 대한 절제 처치 기록은 분산 원장의 동일한 블록에 저장될 수 있다. 분산 원장의 각각의 블록은 오직 한 명의 환자에 대한 절제 처치 기록을 저장할 수 있다. 분산 원장을 유지하는데 필요한 계산 자원은 분산 원장의 채굴자(miner)에 의해 제공될 수 있다. 채굴자는 채굴자에 의해 수행된 채굴에 기초하여 복수의 심장 구성에 대해 모델링된 심전도로부터 생성된 트레이닝 데이터를 사용하여 트레이닝된 분류자에 대한 액세스를 제공받을 수 있다. 블록을 채굴하기 위한 채굴자는 지분 증명 합의 알고리즘(proof-of-stake consensus algorithm)에 기초하여 선택될 수 있다.
도 62는 일부 실시형태에서 DLSR 시스템의 컴포넌트를 예시하는 블록도이다. DLSR 시스템은 MLMO 시스템(6210), 수집 전기 생리학("EP") 데이터 컴포넌트(6230), 연구 시스템(6240), 거래 생성기 시스템(6250), 이해 관계자 시스템(6261 내지 6264), 채굴자 시스템(6270), 액세스 분산 원장 시스템(6280), 및 분산 원장(6290)을 포함한다. 일부 실시형태에서, MLMO 시스템은 심장 구성을 생성하고, 심장의 계산 모델링을 심장의 시뮬레이션 함수에 적용하고, 시뮬레이션된 기능에 기초하여 심전도를 생성한다. MLMO 시스템은 MLMO 스토어(6211)에 결과를 저장한다. MLMO 스토어는 근원 위치에 대한 모델링된 심전도의 맵핑을 저장할 수 있다.
일부 실시형태에서, MLMO 시스템은 분산 원장에 대한 시뮬레이션 및 채굴을 실행하는 것과 같은, MLMO 시스템을 지원하는 것과 관련된 작업을 정의할 수 있다. 작업은 Amazon Web Services("AWS") Elastic Container Repository 또는 AWS 배치(batch)에 기초하는 것과 같은 컨테이너 기반 시스템에 의해 전개 및 조직화되는 컨테이너로서 구현될 수 있다. MLMO 시스템은 채굴자 또는 다른 기여자가 MLMO 시스템의 서버에서 작업을 실행할 수 있게 한다. 예를 들어, 채굴자는 채굴 작업을 실행할 수 있다. 작업을 실행하는 각각의 기여자와 작업을 실행하는데 사용된 계산 자원을 식별하는 보고서가 생성될 수 있다. 기여자는 사용된 계산 자원(예컨대, CPU, 스토리지)에 대해 요금이 청구될 수 있으며, 작업을 실행하는 것에 대한 인센티브로서 작업 토큰으로 보상받을 수 있다. 예를 들어, 블록을 채굴하기 위해 채굴 작업을 실행하는 채굴자 또는 시뮬레이션 작업을 실행하는 기여자는 작업을 실행하는데 사용되는 계산 자원에 기초하여 분산 원장에 기록된 하나 이상의 작업 토큰으로 보상받는다. 이어서, 작업 토큰의 소유자는 분산 원장에서 추적된 다양한 자원에 대한 액세스를 위해 작업 토큰을 교환할 수 있다. 예를 들어, 작업 토큰은 특정 연구 결과에 액세스하기 위해 교환될 수 있다. 채굴자에게 보상되는 태스크 토큰의 수는 블록을 채굴할 채굴자를 선택하기 위해 지분 증명 합의 알고리즘에서 또한 사용될 수 있다(유사한 방식으로, 블록 체인에 기록하기 위해 처치 기록을 제출하는 당사자는 기록 토큰으로 보상받을 수 있으며, 기록 토큰은 자원에 대한 액세스를 위해 교환될 수 있다). 시뮬레이션 실행을 지원하기 위해, MLMO 시스템은 시뮬레이션 작업의 대기열을 실행 또는 완료하기 위해 유지할 수 있다. 시뮬레이션 작업이 실행될 때, 컨테이너의 코드는 대기열의 상단으로부터 시뮬레이션 작업을 제거하고, 시뮬레이션 작업을 실행한다. 예를 들어, 시뮬레이션이 아직 완료되지 않았으면, 대기열은 그 시뮬레이션 작업을 완료하기 위해 시뮬레이션 작업을 포함할 것이다. 시뮬레이션이 시뮬레이션 작업에 의해 완료되지 않을 때마다(예컨대, 기여자가 시뮬레이션 작업을 완료하기에 충분하지 않은 특정 양의 컴퓨터 자원을 소비하도록 서명했기 때문에), 그 시뮬레이션 작업을 실행한 컨테이너는 시뮬레이션을 계속하도록 대기열(예컨대, 대기열 또는 보다 정확하게는 이중 종료 대기열 또는 데크(deque)의 앞)에 새로운 시뮬레이션 작업을 추가한다. 시뮬레이션 작업 외에도, MLMO 시스템은 사전 시뮬레이션 작업과 사후 시뮬레이션 작업을 대기열에 추가할 수 있다. 사전 시뮬레이션 작업은 모델을 구성하는 것 또는 시뮬레이션 초기화와 관련될 수 있다. 사후 시뮬레이션 작업은 분류자(또는 다른 머신 러닝)의 트레이닝, 시뮬레이션 결과의 입증, 및 시뮬레이션에 기초한 추론을 만드는 것과 관련될 수 있다.
환자 스토어(6220)는 환자의 전자 의료 기록을 저장한다. 단일 데이터베이스로서 예시되었지만, 단일 환자의 전자 의료 기록은 병원, 의사, 실험실 등과 같은 다양한 기관에서 보관될 수 있다. 또한, 전자 의료 기록은 Health Insurance Portability and Accountability Act("HIPPA")과 같은 다양한 규정을 준수하는 허가된 분산 원장 시스템 또는 공용 분산 원장 시스템인 분산 원장 시스템을 통해 액세스 가능할 수 있다. 수집 EP 데이터 시스템(6230)은 환자의 전기 생리학적 데이터를 수집하고, EP 스터디 스토어(6231)에 전기 생리학적 데이터를 저장한다. 연구 시스템(6240)은 환자의 EP 연구를 위한 전기 생리학적 데이터와 환자의 전자 의료 기록으로부터의 정보를 입력하고, MLMO 스토어로부터 분류자를 선택하고, 분류자를 환자 데이터에 적용하여 절제 표적을 식별하고, 연구 정보를 연구 스토어(6241)에 저장한다.
거래 생성기 시스템(6250)은 연구 스토어에 액세스하고, 분산 원장에 저장하기 위한 기록(예컨대, 거래)을 생성한다. 거래 생성기 시스템은 또한 보험 시스템(6261), 규제 기관 시스템(6262), 의료 서비스 제공자 시스템(6263), 및 의사 시스템(6264)으로부터 정보를 수신할 수 있다. 일단 기록이 생성되면, 이해 관계자는 그들의 개인 키를 사용하여 기록에 서명할 수 있다. 이러한 경우에, 거래 생성기 시스템은 서명을 위해 보험 시스템, 규제 기관 시스템, 의료 서비스 제공자 시스템 및/또는 의사 시스템에 기록을 송신할 수 있다. 이어서, 거래 생성기 시스템은 기록을 채굴자 시스템(6270)에 게시한다. 채굴자 시스템은 분산 원장(6290)을 저장하는 블록을 생성할 채굴자 시스템을 식별하기 위해 지분 증명 합의 알고리즘 또는 일부 다른 합의 알고리즘을 구현할 수 있다. 분산 원장은 그 연구의 일부로서 수행된 각각의 처치에 대한 거래를 포함하는 단일 환자에 대한 연구를 각각 나타낼 수 있는 블록(6291)을 포함한다. 액세스 분산 원장 시스템(6280)은 권한에 기초하여 분산 원장에 대한 액세스를 가질 수 있다. 예를 들어, 특정 분류의 액세스 분산 원장 시스템은 공용 키로 암호화된 특정 레코드에 액세스하기 위한 개인 키로 구성될 수 있다. 대안적으로, 액세스 원장 시스템은 블록 체인 분산 원장에 대한 액세스를 제어하는 분산 원장에 대한 프런트-엔드 시스템(front-end system)에 액세스할 수 있다.
도 63은 일부 실시형태에서 블록의 구조 및 블록 내의 기록을 예시하는 블록도이다. 블록(6310)은 블록 헤더(6211) 및 거래(6212)를 포함한다. 블록 헤더는 블록 체인에서 이전 블록의 이전 블록 해시 및 거래의 해시의 해시 트리(Merkle tree)의 루트 노드(root node)의 해시를 포함하는 블록의 데이터의 해시인 블록 해시를 포함할 수 있다. 블록 체인의 구조는 다음에 상세히 설명된다. 거래(6320)는 거래가 생성될 때의 타임 스탬프, 연구 식별자, 처치 식별자, 환자 식별자, 의사 식별자, 의료 서비스 제공자 식별자, 보험 제공자, 및 규제자 식별자를 포함할 수 있다. 거래는 거래를 입증하는 다양한 이해 관계자의 서명을 또한 포함할 수 있다. 거래는 또한 연구 스토어에 대한 포인터 및 연구 스토어, 환자 스토어 및 EP 연구 스토어로부터 생성된 요약 정보에 대한 포인터와 같은 연구와 관련된 정보에 대한 다양한 포인터를 포함할 수 있다.
도 64는 일부 실시형태에서 연구 시스템의 처리를 예시하는 흐름도이다. 연구 시스템 컴포넌트(6400)는 환자의 표시를 전달하고, 의사에 의해 환자에 대한 처치를 수행하는 것을 조정한다. 블록(6401)에서, 컴포넌트는 환자와 관련된 정보를 검색하기 위해 환자 스토어 및 EP 연구 스토어에 액세스한다. 블록(6402)에서, 컴포넌트는 환자 데이터 및 전기 생리학적 데이터와의 매칭에 기초하여 MLMO 스토어로부터 분류자를 선택한다. 블록(6403)에서, 컴포넌트는 환자의 심전도에 분류자를 적용한다. 블록(6404)에서, 컴포넌트는 의사에게 절제 표적 또는 표적들을 제시한다. 블록(6405)에서, 컴포넌트는 처치의 절제 결과를 수신한다. 블록(6406)에서, 컴포넌트는 결과를 연구 스토어에 저장하고, 이어서 완료된다.
도 65는 일부 실시형태에서 거래 생성기 시스템의 처리를 예시하는 흐름도이다. 거래 생성기 시스템 컴포넌트(6500)는 분산 원장에 저장하기 위한 거래를 생성하기 위해 주기적으로 실행될 수 있다. 블록(6501)에서, 컴포넌트는 연구 스토어로부터 처치의 결과에 대한 기준을 검색한다. 블록(6502)에서, 컴포넌트는 결과에서 식별된 환자에 기초하여 처치하기 위해 이해 관계자를 식별한다. 블록(6503)에서, 컴포넌트는 타임 스탬프를 생성할 수 있다. 6504에서, 컴포넌트는 이해 관계자, 타임 스탬프, 및 연구 스토어에 저장된 결과에 대한 기준을 식별하는 거래를 생성한다. 블록(6505)에서, 컴포넌트는 이해 관계자로부터 서명을 획득할 수 있다. 이해 관계자의 권한은 분산 원장에 거래를 기록하는데 필요할 수 있다. 블록(6506)에서, 컴포넌트는 거래를 채굴자 시스템에게 게시하고, 이어서 완료된다.
도 66은 일부 실시형태에서 채굴자 시스템의 처리를 예시하는 흐름도이다. 채굴자 컴포넌트(6600)는 분산 원장에 저장하기 위해 처치의 블록 또는 블록들을 생성하기 위해 주기적으로 호출될 수 있다. 블록(6601)에서, 컴포넌트는 채굴자 시스템이 다음의 블록을 생성하도록 선택되었는지 여부를 결정하기 위해 지분 증명 합의 알고리즘을 실행한다. 결정 블록(6602)에서, 선택되었으면, 컴포넌트는 블록(6603)에서 계속되고, 그렇지 않으면 컴포넌트는 완료된다. 블록(6603)에서, 컴포넌트는 블록에 연구의 거래를 추가한다. 블록(6604)에서, 컴포넌트는 해시 트리를 생성하고 블록에 추가한다. 블록(6605)에서, 컴포넌트는 이전 블록의 해시를 블록에 추가한다. 블록(6606)에서, 컴포넌트는 채굴자의 주소를 블록에 추가한다. 블록(6607)에서, 컴포넌트는 전체 블록의 해시를 블록에 추가한다. 블록(6608)에서, 컴포넌트는 채굴자의 서명을 블록에 추가한다. 블록(6609)에서, 컴포넌트는 블록을 게시하고, 이어서 완료된다. 컴포넌트는 블록이 지분 증명 알고리즘에 의해 식별된 채굴자에 의해 생성되었다는 것을 다른 채굴자 시스템이 입증할 때 사용될 수 있는, 블록에 대한 생성 타임 스탬프를 또한 추가할 수 있다.
분산 원장
분산 원장은 현재 다양한 비즈니스 애플리케이션에서 사용되고 있다. 비트코인 시스템은 분산 원장의 하나의 예이다. 비트코인 시스템은 Satoshi Nakamoto에 의한 "Bitcoin: A Peer-to-Peer Electronic Cash System"이라는 제목의 백서에 설명된 바와 같이 금융 기관을 통하지 않고 전자 현금이 한 당사자에서 다른 당사자로 직접 이체되는 것을 가능하게 하도록 개발되었다. 비트코인(예컨대, 전자 코인)은 한 당사자에서 다른 당사자로 소유권을 이전하는 일련의 거래로 나타난다. 비트코인의 소유권을 이전하기 위해, 신규 거래가 생성되고, 블록에서 거래의 스택에 추가된다. 신규 소유자의 공용 키를 포함하는 신규 거래는 신규 소유자 공용 키에 의해 나타나는 바와 같이 소유권을 신규 소유자에게 이전하기 위해 소유자의 개인 키를 사용하여 소유자에 의해 디지털 방식으로 서명된다. 비트코인 소유자의 서명은 신규 거래를 통해 비트코인 소유권을 신규 소유자에게 이전하는 소유자에 의한 권한이다. 블록이 가득 차면, 블록은 블록 내의 모든 거래 식별자의 해시 다이제스트(hash digest)인 블록 헤더로 "캡핑(capped)"된다. 블록 헤더는 체인에서의 다음의 블록에서 첫 번째 거래로서 기록되어, "블록 체인"으로 불리는 수학적 계층을 생성한다. 현재 소유자를 입증하기 위해, 거래의 블록 체인은 첫 번째 거래에서 마지막 거래까지 각각의 거래를 입증할 수 있다. 신규 소유자는 비트코인을 이전한 거래의 공용 키와 매칭되는 개인 키만을 가질 필요가 있다. 블록 체인은 비트코인 시스템의 경우 익명인 보안 신원(예컨대, 공용 키)으로 나타나는 엔티티에서 수학적 소유권 증명을 생성한다.
비트코인의 이전 소유자가 비트코인을 이중으로 지출하지(즉, 동일한 비트코인의 소유권을 두 당사자에게 이전하지) 않았다는 것을 보장하기 위해, 비트코인 시스템은 거래의 분산 원장을 유지한다. 분산 원장으로, 비트코인에 대한 모든 거래 원장이 블록 체인 네트워크의 여러 노드(즉, 컴퓨터)에 중복적으로 저장된다. 각각의 노드에서드 원장은 블록 체인으로서 저장된다. 블록 체인에서, 거래는 거래가 노드에 의해 수신된 순서대로 저장된다. 블록 체인 네트워크에서의 각각의 노드는 전체 블록 체인의 완전한 복제본을 갖는다. 비트코인 시스템은 또한 노드가 상이한 순서로 거래를 수신할 수 있더라도 각각의 노드가 동일한 블록 체인을 저장하는 것을 보장하는 기술을 구현한다. 노드에서 저장된 원장에서의 거래가 올바르다는 것을 입증하기 위해, 블록 체인에서의 블록은 가장 오래된 블록으로부터 최신 블록까지 액세스되어, 블록의 새로운 해시를 생성하고, 블록이 생성될 때 생성된 해시와 새로운 해시를 비교할 수 있다. 해시가 동일하면, 블록에서의 거래가 입증된다. 비트코인 시스템은 또한 생성될 때 블록에 추가되는 논스(nonce)를 생성하기 위해 계산적으로 비용이 많이 드는 기술을 이용하는 것에 의해 거래를 변경하고 블록 체인을 재생성하는 것이 실행 불가능하다는 것을 보장하는 기술을 구현한다. 비트코인 원장은 아직 사용되지 않은 모든 거래의 출력을 추적하기 때문에 때때로 미사용 거래 출력(Unspent Transaction Output)("UTXO") 세트로서 지칭된다.
비트코인 시스템은 매우 성공적이었지만 비트코인 또는 다른 암호 화폐에서의 거래로 제한된다. 블록 체인은 차량 판매, 금융 유도 상품 판매, 주식 판매, 계약 지불 등과 관련된 것과 같은 모든 유형의 거래를 지원하기 위해 개발되었다. 이러한 거래는 소유될 수 있거나 다른 것을 소유할 수 있다는 것을 고유하게 식별하기 위해 식별 토큰을 사용한다. 물리적 또는 디지털 자산을 위한 식별 토큰은 자산을 고유하게 식별하는 정보의 암호학적 일방향 해시를 사용하여 생성된다. 토큰은 추가 공용/개인 키 쌍을 사용하는 소유자를 또한 갖는다. 소유자 공용 키 또는 소유자 공용 키의 해시는 토큰 소유자 신분으로서 설정되며, 토큰에 대한 작업을 수행할 때, 소유권 증명은 소유자 개인 키에 의해 생성된 서명을 제공하는 것에 의해 확립되고, 토큰의 소유자로서 나열된 공용 키 또는 공용 키의 해시에 대해 입증된다. 예를 들어 사용자 이름, 사회 보장 번호 및 생체 인식(예컨대, 지문)의 조합을 사용하여 사람이 고유하게 식별될 수 있다. 블록 체인에서 자산에 대한 식별 토큰의 생성은 자산의 출처를 확립하고, 식별 토큰은 거래(예컨대, 구매, 판매, 보험)에서 사용되어, 블록 체인에 저장된 자산을 포함하고 거래의 전체 감사 추적을 생성할 수 있다.
비트코인이 지원할 수 있는 것보다 더욱 복잡한 거래를 가능하게 하기 위해, 일부 시스템은 "스마트 계약"을 사용한다. 스마트 계약은 코드 및 상태를 포함하는 분산형 컴퓨터 프로그램이다. 스마트 계약은 송금, 외부 데이터베이스 및 서비스(예컨대, 오라클)에 액세스하는 것 등과 같은 사실상 모든 유형의 처리를 수행할 수 있다. 스마트 계약은 블록 체인에서 거래를 기록하는 것을 지원하는 보안 플랫폼(예컨대, 가상 머신을 제공하는 이더리움 플랫폼(Ethereum platform))에서 실행될 수 있다. 스마트 계약 코드 자체는 스마트 계약 코드의 해시인 식별 토큰을 사용하여 블록 체인에서 거래로서 기록될 수 있어서 승인될 수 있다. 전개될 때, 스마트 계약의 계약자는 실행하여 스마트 계약과 그 상태를 초기화한다. 이더리움에서, 스마트 계약은 계약 계정과 결합된다. 이더리움에는 개인 키에 의해 제어되는 외부 소유 계정("EOA")과 컴퓨터 코드에 의해 제어되는 계약 계정의 두 가지 유형의 계정이 있다. 계정은 다음의 필드를 포함한다: 잔액, 코드(존재하면), 및 스토어(자동적으로 비어짐). 스마트 계약의 코드는 계약 계정에서 코드로서 저장되고, 스마트 계약의 상태는 코드가 읽혀지고 쓰여질 수 있는 계약 계정의 스토리지(storage)에 저장된다. EOA는 코드를 가지지 않고 스토어를 필요로 하지 않아서, 이러한 두 필드는 EOA에서 비어진다. 계정은 상태(state)를 갖는다. EOA의 상태는 잔액만을 포함하는데 반하여, 계약 계정의 상태는 잔액과 스토리지 모두를 포함한다. 모든 계정의 상태는, 모든 블록이 업데이트되고 네트워크가 이에 관한 합의에 도달해야 하는 이더리움 네트워크의 상태이다. EOA는 EOA 계정의 개인 키로 거래를 서명하는 것에 의해 다른 계정으로 거래를 송신할 수 있다. 거래는 거래에서 식별된 수취인 계정으로 EOA로부터 송신될 메시지를 포함하는 서명된 데이터 패키지이다. EOA와 마찬가지로, 그 코드의 제어 하에서, 계약 계정은 메시지를 또한 다른 계정으로 송신할 수 있다. 그러나, 계약 계정은 수신한 거래에 응답으로만 메시지를 송신할 수 있다. 그러므로, 이더리움 블록 체인에서의 모든 작업은 EOA로부터 송신된 거래에 의해 트리거링된다. 계약 계정에 의해 송신된 메시지는, 계약 계정이 개인 키에 의해 제어되지 않기 때문에 계약 계정에 의해 송신된 메시지가 암호화 서명을 포함하지 않는다는 점에서 EOA에 의해 송신된 거래와 다르다. 계약 계정이 메시지를 수신할 때, 블록 체인의 복제본을 유지하는 모든 채굴 노드는 블록 유효성 입증 프로세스의 일부로서 계약 계정의 코드를 실행한다. 그래서, 거래가 블록에 추가되면, 블록을 입증하는 모든 노드는 코드를 실행하고, 이 실행은 그 거래에 의해 트리거링된다. 각각의 노드에서 컴퓨터 코드의 실행이 블록 체인의 신뢰성을 보장하는데 도움이 될지라도, 이는 컴퓨터 코드의 이러한 중복 실행을 지원하기 위해 많은 양의 컴퓨터 자원을 요구한다.
비록 블록 체인이 거래를 효과적으로 저장할 수 있더라도, 블록 체인의 모든 복제본을 유지하는데 필요한 스토리지 및 계산 능력과 같은 많은 양의 컴퓨터 자원은 문제가 될 수 있다. 이러한 문제를 극복하기 위해, 거래를 저장하기 위한 일부 시스템은 블록 체인을 사용하지 않고, 거래의 각각의 당사자가 거래의 그 자체의 사본을 유지하도록 한다. 하나의 이러한 시스템은 플랫폼에서의 각각의 참여자가 분산 원장의 일부를 유지하는 노드(예컨대, 컴퓨터 시스템)를 갖는 분산적 분산 원장 플랫폼(decentralized distributed ledger platform)을 제공하는 R3, Ltd.에서 개발한 Corda 시스템이다. 당사자가 거래 조건에 동의할 때, 당사자는 공증을 위해 신뢰할 수 있는 노드인 공증인에게 거래를 제출한다. 공증인은 미소비 거래 출력의 UTXO 데이터베이스를 유지한다. 거래가 수신될 때, 공증인은 입력 참조(inputs reference)가 소비되지 않았다는 것을 출력하는 것을 보장하기 위해 UTXO 데이터베이스에 대해 거래에 대한 입력을 점검한다. 입력이 소비되지 않았으면, 공증인은 참조된 출력이 소비되지 않았다는 것을 나타내도록 UTXO 데이터베이스를 업데이트하고, 거래를 공증하며(예컨대, 공증인의 공용 키를 이용하여 거래 또는 거래 식별자에 서명하는 것에 의해), 공증을 위해 거래를 제출한 당사자에게 공증서를 송신한다. 당사자가 공증서를 수신할 때, 당사자는 공증서를 저장하고 상대방에게 공증서를 제공한다.
다음 단락은 MLMO 시스템 및 다른 시스템의 양태의 다양한 실시형태를 설명한다. 시스템의 구현은 실시형태의 임의의 조합을 이용할 수 있다. 다음에 설명된 처리는 시스템을 구현하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하는 프로세서를 갖춘 컴퓨팅 시스템에 의해 수행될 수 있다.
일부 실시형태에서, 하나 이상의 컴퓨팅 시스템에 의해 수행되는 방법은 신체 내의 전자기 근원으로부터 유도된 전자기 데이터를 분류하기 위한 분류자를 생성하기 위해 제공된다. 방법은 전자기 근원의 계산 모델에 액세스하며, 계산 모델은 전자기 근원의 근원 구성에 기초하여 시간 경과에 따른 전자기 근원의 전자기 출력을 모델링하기 위해 사용된다. 복수의 근원 구성의 각각에 대해, 방법은 계산 모델을 사용하여, 그 근원 구성에 대한 전자기 근원의 모델링된 전자기 출력을 생성한다. 방법은 각각의 모델링된 전자기 출력에 대해, 모델링된 전자기 출력에 대한 전자기 데이터를 유도하고, 모델링된 전자기 데이터의 근원 구성에 기초하여 유도된 전자기 데이터에 대한 라벨을 생성한다. 방법은 유도된 전자기 데이터를 이용하여 분류자를 트레이닝시키고, 이어서 이를 트레이닝 데이터로서 라벨링한다. 일부 실시형태에서, 근원 구성에 대해 모델링된 전자기 출력은 복수의 시간 간격의 각각의 간격 동안, 전자기 근원의 복수의 위치의 각각에 대해 모델링된 전자기값을 갖는 전자기 격자를 포함한다. 일부 실시형태에서, 유도된 전자기 데이터는 시간 간격 동안 전자기 출력의 동등한 근원 표현이다. 일부 실시형태에서, 동등한 근원 표현은 주요 컴포넌트 분석을 사용하여 생성된다. 일부 실시형태에서, 방법은 모델링된 전자기 출력을 위해 유도된 전자기 데이터 내의 사이클을 추가로 식별한다. 일부 실시형태에서, 동일한 라벨이 각각의 사이클에 대해 생성된다. 일부 실시형태에서, 방법은 유사한 사이클의 시퀀스를 추가로 확인하고, 동일한 라벨이 각각의 시퀀스에 대해 생성된다. 일부 실시형태에서, 모델링된 전자기 출력을 위한 전자기 데이터의 유도는 사이클당 기반(per-cycle basis)으로 모델링된 전자기 출력을 정상화하는 것을 포함한다. 일부 실시형태에서, 분류자는 컨볼루션 신경망이다. 일부 실시형태에서, 컨볼루션 신경망은 1-차원 이미지를 입력한다. 일부 실시형태에서, 분류자는 재귀 신경망(recurrent neural network), 오토인코더(autoencoder), 제한된 볼츠만 머신, 또는 다른 유형의 신경망이다. 일부 실시형태에서, 분류자는 지원 벡터 머신이다. 일부 실시형태에서, 분류자는 베이지안이다. 일부 실시형태에서, 전자기 근원은 심장이고, 근원 구성은 근원 위치 및 심장 질환의 다른 특성을 나타내고, 모델링된 전자기 출력은 심장의 활성화를 나타내며, 전자기 데이터는 심전도와 같은 신체 표면 측정치에 기초한다. 일부 실시형태에서, 심장 질환은 부적절한 동성빈맥("IST"), 이소성 심방 리듬, 이음부 리듬, 심실 탈출 리듬, 심방세동("AF"), 심실세동("VF"), 초점 심방빈맥("초점 AT"), 심방 미세입력, 심실빈맥("VT"), 심방조동("AFL"), 조기 심실 콤플렉스("PVC"), 조기 심방 콤플렉스("PAC"), 방실 결절 회귀성 빈맥("AVNRT"), 방실 회귀성 빈맥("AVRT"), 영구 접합성 왕복 빈맥("PJRT"), 및 접합성 빈맥("JT")으로 이루어진 세트로부터 선택된다.
일부 실시형태에서, 컴퓨터 시스템에 의해 수행되는 방법은 신체 내의 전자기 근원인 표적으로부터 수집된 전자기 출력을 분류하기 위해 제공된다. 방법은 전자기 근원의 전자기 출력에 대한 분류를 생성하기 위해 분류자에 액세스한다. 분류자는 전자기 근원의 복수의 근원 구성을 위해 모델링된 전자기 출력으로부터 생성된 트레이닝 데이터를 사용하여 트레이닝된다. 모델링된 전자기 출력은 근원 구성에 기초하여 시간 경과에 따른 전자기 근원의 전자기 출력을 모델링하는 전자기 근원의 계산 모델을 사용하여 생성된다. 방법은 표적으로부터 표적 전자기 출력을 수집한다. 방법은 표적에 대한 분류를 생성하기 위해 분류자를 표적 전자기 출력에 적용한다. 일부 실시형태에서, 트레이닝 데이터는 근원 구성의 각각에 대해, 복수의 시뮬레이션 간격의 각각에 대해 전자기 격자를 생성하는 시뮬레이션을 실행하는 것에 의해 생성되며, 각각의 전자기 격자는 전자기 근원의 복수의 위치에 대한 전자기값을 갖는다. 일부 실시형태에서, 전자기 근원은 심장이고, 근원 구성은 심장 질환의 근원 위치를 나타내고, 모델링된 전자기 출력은 심장의 활성화를 나타내며, 분류자는 전자기 출력의 심전도 표현으로부터 유도된 전자기 데이터를 사용하여 트레이닝된다.
일부 실시형태에서, 하나 이상의 컴퓨팅 시스템은 전자기 근원의 전자기 출력을 분류하기 위한 분류자를 생성하기 위해 제공된다. 하나 이상의 컴퓨팅 시스템은 하나 이상의 컴퓨터 판독 가능 저장 매체, 및 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 하나 이상의 컴퓨터 판독 가능 저장 매체는 전자기 근원의 계산 모델을 저장한다. 계산 모델은 전자기 근원의 근원 구성에 기초하여 시간 경과에 따른 전자기 근원의 전자기 출력을 모델링한다. 하나 이상의 컴퓨터 판독 가능 저장 매체는 복수의 근원 구성의 각각에 대해, 근원 구성에 기초한 계산 모델의 전자기 출력으로부터 트레이닝 데이터를 생성하고 트레이닝 데이터를 사용하여 분류자를 트레이닝시키기 위해 하나 이상의 컴퓨팅 시스템을 제어하기 위한 컴퓨터 실행 가능 명령어를 저장한다. 일부 실시형태에서, 근원 구성에 대한 트레이닝 데이터를 생성하는 컴퓨터 실행 가능 명령어는 근원 구성에 대한 전자기 출력으로부터 유도된 전자기 데이터를 생성하고 근원 구성에 기초하여 전자기 데이터에 대한 라벨을 생성하기 위해 하나 이상의 컴퓨팅 시스템을 추가로 제어한다.
일부 실시형태에서, 신체 내의 전자기 근원의 시뮬레이션된 해부학적 구조를 생성하는 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 전자기 근원의 시드 해부학적 구조에 액세스한다. 각각의 시드 해부학적 구조는 전자기 근원의 복수의 해부학적 파라미터의 각각에 대한 시드 값을 갖는다. 방법은 각각의 시드 해부학적 구조에 대한 가중치를 포함하는 가중치의 세트에 액세스한다. 각각의 해부학적 파라미터에 대해, 방법은 그 해부학적 파라미터에 대한 시드 값을 조합하고 시드 해부학적 구조의 가중치를 고려하는 것에 의해 그 해부학적 파라미터에 대한 시뮬레이션된 값을 생성한다. 일부 실시형태에서, 방법은 집단에서 발견되는 해부학적 파라미터에 대한 값과의 비교에 기초하여 시뮬레이션된 해부학적 구조를 입증한다. 일부 실시형태에서, 해부학적 파라미터는 전자기 근원의 치수를 포함하고, 치수에 대한 시뮬레이션된 값은 집단에서의 환자가 시뮬레이션된 값과 대략 동일한 치수에 대한 값을 포함할 때 입증된다. 일부 실시형태에서, 시드 해부학적 구조의 해부학적 파라미터는 신체 내의 실제 전자기 근원을 스캐닝하는 것에 의해 수집된다. 일부 실시형태에서, 전자기 근원은 심장이다. 일부 실시형태에서, 방법은 해부학적 파라미터에 대한 시드 값의 가중 평균에 기초하여 해부학적 파라미터에 대한 시뮬레이션된 값을 생성한다. 일부 실시형태에서, 방법은 각각의 시뮬레이션된 해부학적 구조가 가중치의 상이한 세트에 기초하는 복수의 시뮬레이션된 해부학적 구조를 추가로 생성한다.
일부 실시형태에서, 심장의 시뮬레이션된 해부학적 구조를 생성하기 위한 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 심장의 시드 해부학적 구조를 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체를 포함하고, 각각의 시드 해부학적 구조는 심장의 복수의 해부학적 파라미터의 각각에 대한 시드 값을 갖는다. 하나 이상의 컴퓨터 판독 가능 저장 매체는 또한 각각의 시드 해부학적 구조에 대한 가중치를 각각 포함하는 가중치의 세트를 저장한다. 하나 이상의 컴퓨터 판독 가능 저장 매체는 가중치의 각각의 세트에 대해 그리고 가중치의 그 세트에 대한 각각의 해부학적 파라미터에 대해, 그 해부학적 파라미터에 대한 시드 값을 조합하고 시드 해부학적 구조의 가중치를 고려하는 것에 의해 그 해부학적 파라미터에 대한 시뮬레이션된 값을 생성하기 위해 컴퓨팅 시스템을 제어하기 위한 컴퓨터 실행 가능 명령어를 저장한다. 컴퓨팅 시스템은 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 더 포함한다. 일부 실시형태에서, 명령은 집단에서 발견된 해부학적 파라미터에 대한 값과의 비교에 기초하여 각각의 시뮬레이션된 해부학적 구조를 입증하기 위해 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 해부학적 파라미터는 심장 벽의 두께 및 심장의 챔버의 치수를 포함한다. 일부 실시형태에서, 집단에서의 환자가 시뮬레이션된 값과 대략 동일한 치수에 대한 값을 포함할 때 치수에 대한 시뮬레이션된 값이 입증된다. 일부 실시형태에서, 시드 해부학적 구조는 집단에서 발견되는 심장의 극치를 나타낸다. 일부 실시형태에서, 시드 해부학적 구조의 해부학적 파라미터는 심장을 스캐닝하는 것에 의해 수집된다. 일부 실시형태에서, 해부학적 파라미터에 대한 시뮬레이션된 값의 생성은 그 해부학적 파라미터에 대한 시드 값의 가중 평균에 기초한다. 일부 실시형태에서, 심장을 모델링하기 위한 부정맥 모델 라이브러리를 생성하기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 심장의 해부학적 파라미터의 시뮬레이션된 해부학적 구조에 액세스한다. 시뮬레이션된 해부학적 구조는 심장의 해부학적 파라미터의 시드 해부학적 구조 및 각각의 시드 해부학적 구조에 대한 가중치를 포함하는 가중치의 세트에 기초하여 생성된다. 방법은 몸통 해부학적 구조, 정상 및 비정상 심장 해부학적 구조, 정상 및 비정상 심장 조직, 흉터, 섬유증, 염증, 부종, 액세서리 경로, 선천성 심장 질환, 악성 종양, 이전의 절제 부위, 이전의 수술 부위, 외부 방사선 치료 부위, 페이싱 리드, 이식 가능한 제세동기 리드, 심장 재동기화 치료 리드, 심박 조율기 펄스 발생기 위치, 이식 가능한 제세동기 펄스 발생기 위치, 피하 제세동기 리드 위치, 피하 제세동기 펄스 발생기 위치, 리드리스 심박 조율기 위치, 다른 이식된 하드웨어(예컨대, 우심실 또는 좌심실 보조 디바이스), 외부 제세동 전극, 표면 ECG 리드, 표면 맵핑 리드, 맵핑 조끼, 심장 내의 다른 정상 및 병리 생리학적 특징 분포, 심장의 활동 전위 역학, 심장에 대한 전도도의 세트, 심장 내의 부정맥 근원 위치 등 중 하나 이상을 포함하는 구성 파라미터에 액세스한다. 방법은 시뮬레이션된 해부학적 구조, 및 전기 생리학적 파라미터의 조합에 각각 기초하여 근원 구성을 확립한다. 복수의 근원 구성의 각각에 대해, 방법은 그 근원 구성의 시뮬레이션된 해부학적 구조에 기초하여, 꼭지점을 갖는 격자를 생성하고, 격자의 각각의 꼭지점에 대해, 그 근원 구성의 전기 생리학적 파라미터의 조합에 기초하여 심장의 계산 모델의 모델 파라미터를 생성한다. 그 꼭지점에서의 전자기 전파를 모델링하기 위한 계산 모델은 그 근원 구성의 전기 생리학적 파라미터에 기초한다. 일부 실시형태에서, 방법은 각각의 시드 해부학적 구조가 심장의 각각의 해부학적 파라미터에 대한 시드 값을 갖는, 심장의 시드 해부학적 구조에 액세스하는 것에 의해 시뮬레이션된 해부학적 구조를 생성하고; 각각의 시드 해부학적 구조에 대한 가중치를 포함하는 가중치의 세트에 액세스하고; 각각의 해부학적 파라미터에 대해, 그 해부학적 파라미터에 대한 시드 값을 조합하고 시드 해부학적 파라미터의 가중치를 고려하는 것에 의해 그 해부학적 파라미터에 대한 시뮬레이션된 값을 생성한다. 일부 실시형태에서, 시뮬레이션된 해부학적 구조는 집단에서 발견된 해부학적 파라미터에 대한 값과의 비교에 기초하여 입증된다. 일부 실시형태에서, 시드 해부학적 구조의 해부학적 파라미터는 실제 심장을 스캐닝하는 것에 의해 수집된다. 일부 실시형태에서, 복수의 근원 구성의 각각에 대해, 방법은 심장에 대한 계산 모델을 사용하여 그 근원 구성에 대한 심장의 모델링된 전자기 출력을 생성한다. 일부 실시형태에서, 각각의 근원 구성에 대해, 방법은 그 근원 구성에 기초하여 모델링된 전자기 출력에 대한 트레이닝 데이터를 생성하고; 트레이닝 데이터를 사용하여 심장의 전자기 출력을 분류하기 위한 분류자를 트레이닝시킨다.
일부 실시형태에서, 신체 내의 전자기 근원의 모델의 모델 라이브러리를 생성하기 위한 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 컴퓨터 실행 가능 명령어를 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체, 및 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 명령은 시드 해부학적 구조로부터 전자기 근원의 해부학적 파라미터의 시뮬레이션된 해부학적 구조를 생성하고 시뮬레이션된 해부학적 구조 및 구성 파라미터의 조합에 각각 기초하는 근원 구성을 생성하기 위해 컴퓨팅 시스템을 제어한다. 명령은 복수의 근원 구성의 각각에 대해, 그 근원 구성의 시뮬레이션된 해부학적 구조에 기초하여 꼭지점을 갖는 격자를 생성하고; 격자의 각각의 꼭지점에 대해, 그 근원 구성의 구성 파라미터의 조합에 기초하여 전자기 근원의 계산 모델의 모델 파라미터를 생성하기 위해 컴퓨팅 시스템을 제어한다. 일부 실시형태에서, 꼭지점에서 전자기 전파를 모델링하기 위한 계산 모델은 근원 구성의 구성 파라미터에 기초한다. 일부 실시형태에서, 시뮬레이션된 해부학적 구조는 시드 해부학적 파라미터 및 각각의 시드 해부학적 구조에 대한 가중치를 포함하는 가중치의 세트에 기초하여 생성된다. 일부 실시형태에서, 전자기 근원은 심장이고, 구성 파라미터는 몸통 해부학적 구조, 정상 및 비정상 심장 해부학적 구조, 정상 및 비정상 심장 조직, 흉터, 섬유증, 염증, 부종, 액세서리 경로, 선천성 심장 질환, 악성 종양, 이전의 절제 부위, 이전의 수술 부위, 외부 방사선 치료 부위, 페이싱 리드, 이식 가능한 제세동기 리드, 심장 재동기화 치료 리드, 심박 조율기 펄스 발생기 위치, 이식 가능한 제세동기 펄스 발생기 위치, 피하 제세동기 리드 위치, 피하 제세동기 펄스 발생기 위치, 리드리스 심박 조율기 위치, 다른 이식된 하드웨어(예컨대, 우심실 또는 좌심실 보조 디바이스), 외부 제세동 전극, 표면 ECG 리드, 표면 맵핑 리드, 맵핑 조끼, 심장 내의 다른 정상 및 병리 생리학적 특징 분포, 심장의 활동 전위 역학, 심장에 대한 전도도의 세트, 심장 내의 부정맥 근원 위치 중 하나 이상을 포함한다. 일부 실시형태에서, 시뮬레이션된 해부학적 구조는 집단에서 발견되는 해부학적 파라미터에 대한 값과의 비교에 기초하여 입증된다. 일부 실시형태에서, 시드 해부학적 구조의 해부학적 파라미터는 실제 전자기 근원을 스캐닝하는 것에 의해 수집된다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 복수의 근원 구성의 각각에 대해, 전자기 근원에 대한 계산 모델을 사용하여 그 근원 구성에 대한 전자기 근원의 모델링된 전자기 출력을 생성하기 위해 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 각각의 근원 구성에 대해, 그 근원 구성에 기초하여 모델링된 전자기 출력에 대한 트레이닝 데이터를 생성하고; 트레이닝 데이터를 사용하여 전자기 근원의 전자기 출력을 분류하는 분류자를 트레이닝시키기 위해 컴퓨팅 시스템을 추가로 제어한다.
일부 실시형태에서, 신체 내의 전자기 근원의 모델의 모델 라이브러리를 생성하기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 전자기 근원의 해부학적 파라미터의 시뮬레이션된 해부학적 구조에 액세스한다. 방법은 시뮬레이션된 해부학적 구조 및 구성 파라미터의 조합에 각각 기초하여 근원 구성을 생성한다. 복수의 근원 구성의 각각에 대해, 방법은 그 근원 구성의 시뮬레이션된 해부학적 구조, 그 근원 구성의 구성 파라미터의 조합, 및 전자기 근원의 계산 모델에 기초하여 모델의 생성을 포함한다. 일부 실시형태에서, 모델의 생성은 그 근원 구성의 시뮬레이션된 해부학적 구조에 기초하여 격자를 생성하는 것, 및 격자의 각각의 꼭지점에 대해, 그 근원 구성의 구성 파라미터의 조합에 기초하여 전자기 근원의 계산 모델의 모델 파라미터를 생성하는 것을 포함한다. 일부 실시형태에서, 계산 모델은 근원 구성의 구성 파라미터에 기초하여 꼭지점에서 전자기 전파를 모델링하기 위한 것이다. 일부 실시형태에서, 전자기 근원은 심장이고, 모델은 부정맥 모델이다. 일부 실시형태에서, 방법은 시드 해부학적 구조의 해부학적 파라미터, 및 각각의 시드 해부학적 구조에 대한 가중치를 포함하는 가중치의 세트에 기초하여 시뮬레이션된 해부학적 구조를 추가로 생성한다. 일부 실시형태에서, 전자기 근원은 심장이고, 구성 파라미터는 인간 몸통, 정상 및 비정상 심장 해부학적 구조, 정상 및 비정상 심장 조직, 흉터, 섬유증, 염증, 부종, 액세서리 경로, 선천성 심장 질환, 악성 종양, 이전의 절제 부위, 이전의 수술 부위, 외부 방사선 치료 부위, 페이싱 리드, 이식 가능한 제세동기 리드, 심장 재동기화 치료 리드, 심박 조율기 펄스 발생기 위치, 이식 가능한 제세동기 펄스 발생기 위치, 피하 제세동기 리드 위치, 피하 제세동기 펄스 발생기 위치, 리드리스 심박 조율기 위치, 다른 이식된 하드웨어(예컨대, 우심실 또는 좌심실 보조 디바이스), 외부 제세동 전극, 표면 ECG 리드, 표면 맵핑 리드, 맵핑 조끼, 심장 내의 다른 정상 및 병리 생리학적 특징 분포, 심장의 활동 전위 역학, 심장에 대한 전도도의 세트, 심장 내의 부정맥 근원 위치 등 중 하나 이상을 포함한다.
일부 실시형태에서, 신체 부분의 시뮬레이션된 해부학적 구조에 대한 가중치를 나타내기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 신체 부분의 시드 해부학적 구조에 액세스한다. 각각의 시드 해부학적 구조는 신체 부분의 복수의 해부학적 파라미터의 각각에 대한 시드 값을 갖는다. 신체 부분의 복수의 시드 해부학적 구조의 각각에 대해, 방법은 그 시드 해부학적 구조의 해부학적 파라미터의 시드 값에 기초하여 신체 부분의 시드 표현을 디스플레이한다. 방법은 각각의 시드 해부학적 구조에 대한 가중치를 포함하는 가중치의 세트에 액세스한다. 방법은 각각의 해부학적 파라미터에 대해, 그 해부학적 파라미터의 시드 해부학적 구조의 시드 값을 조합하고 시드 해부학적 구조의 가중치를 고려하는 것에 의해 각각의 해부학적 파라미터에 대한 시뮬레이션된 값에 기초하여 신체 부분의 시뮬레이션된 표현을 디스플레이한다. 일부 실시형태에서, 시드 표현은 원형 배열 내에 디스플레이되는 시뮬레이션된 표현과 함께 원형 배열로 디스플레이된다. 일부 실시형태에서, 방법은 시드 해부학적 구조에 대해 각각의 디스플레이된 시드 표현과 관련하여, 그 시드 해부학적 구조와 관련된 가중치의 표시를 추가로 디스플레이한다. 일부 실시형태에서, 방법은 각각의 디스플레이된 시드 표현과 디스플레이된 시뮬레이션된 표현 사이의 라인을 추가로 디스플레이하고, 시드 해부학적 구조에 대한 가중치의 디스플레이된 표시는 그 시드 해부학적 구조에 대한 디스플레이된 시드 표현과 디스플레이된 시뮬레이션된 표현 사이에서 디스플레이된 라인과 관련하여 디스플레이된다. 일부 실시형태에서, 방법은 각각의 시드 해부학적 구조에 대한 가중치를 특정하기 위한 사용자 인터페이스 요소를 추가로 제공한다. 일부 실시형태에서, 방법은 복수의 세트의 가중치를 특정하기 위한 사용자 인터페이스 요소를 제공하며, 각각의 세트는 각각의 시드 해부학적 구조에 대한 가중치를 포함한다. 일부 실시형태에서, 복수의 세트의 가중치는 가중치의 범위 및 증분을 제공하는 것에 의해 특정된다. 일부 실시형태에서, 신체 부분은 심장이다. 일부 실시형태에서, 신체 부분은 폐이다. 일부 실시형태에서, 신체 부분은 몸통 표면이다.
일부 실시형태에서, 신체 부분의 시뮬레이션된 해부학적 구조를 나타내기 위한 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 컴퓨터 실행 가능 명령어를 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체, 및 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 명령은 신체 부분의 복수의 시드 해부학적 구조의 각각에 대해, 그 시드 해부학적 구조의 해부학적 파라미터의 시드 값에 기초하여 신체 부분의 시드 표현을 디스플레이하고; 해부학적 파라미터에 대한 시드 해부학적 구조의 시드 값의 가중된 조합으로부터 유도된 해부학적 파라미터에 대한 시뮬레이션된 값을 갖는 시뮬레이션된 해부학적 구조에 기초하여 신체 부분의 시뮬레이션된 표현을 디스플레이하기 위해 컴퓨팅 시스템을 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 각각의 해부학적 파라미터에 대해, 그 해부학적 파라미터의 시드 해부학적 구조의 시드 값을 조합하고 시드 해부학적 구조의 가중치를 고려하는 것에 의해 그 해부 파라미터에 대한 시뮬레이션된 값을 생성하는 것에 의한 시뮬레이션된 해부학적 구조를 생성하기 위해 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 시드 표현은 원형 배열 내에 디스플레이되는 시뮬레이션된 표현과 함께 원형 배열로 디스플레이된다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 시드 해부학적 구조에 대해 각각의 디스플레이된 시드 표현과 관련하여 그 시드 해부학적 구조와 관련된 가중치의 표시를 디스플레이하기 위해 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 복수의 세트의 가중치를 특정하기 위한 사용자 인터페이스를 제공하기 위해 컴퓨팅 시스템을 제어하며, 각각의 세트는 각각의 시드 해부학적 구조에 대한 가중치를 포함한다. 일부 실시형태에서, 복수의 세트의 가중치는 가중치의 범위 및 증분에 의해 특정된다.
일부 실시형태에서, 심장의 시뮬레이션된 해부학적 구조를 나타내기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 심장의 복수의 시드 해부학적 구조의 각각에 대해, 방법은 그 시드 해부학적 구조의 해부학적 파라미터의 시드 값에 기초하여 심장의 시드 표현을 디스플레이한다. 방법은 각각의 해부학적 파라미터에 대해, 그 해부학적 파라미터에 대한 시드 해부학적 구조의 시드 값의 가중된 조합으로부터 생성된 그 해부학적 파라미터에 대한 시뮬레이션된 값으로부터 유도된 시뮬레이션된 해부학적 구조에 기초하여 심장의 시뮬레이션된 표현을 디스플레이한다. 일부 실시형태에서, 시드 표현은 원형(예컨대, 불스아이(bullseye)) 배열 내에서 디스플레이되는 시뮬레이션된 표현과 함께 원형 배열로 디스플레이된다. 일부 실시형태에서, 방법은 시드 해부학적 구조에 대한 각각의 디스플레이된 시드 표현과 관련하여, 그 시드 해부학적 구조와 관련된 가중치의 표시를 추가로 디스플레이한다.
일부 실시형태에서, 제1 다면체 모델을 제2 다면체 모델로 변환하기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 제1 다면체 모델은 제1 다면체를 포함하는 볼륨을 갖는 제1 다면체 격자를 갖는다. 제1 다면체의 각각의 꼭지점은 모델 파라미터를 갖는다. 방법은 제1 다면체로부터 제1 다면체 모델의 표면의 표현을 생성한다. 방법은 제1 다면체와 다른 제2 다면체를 가진 표면으로 볼륨을 채우는 것에 의해 제2 다면체 모델에 대한 제2 다면체 격자를 생성한다. 제2 다면체 격자의 제2 다면체의 복수의 꼭지점의 각각에 대해, 방법은 그 꼭지점에 근접한 제1 다면체의 꼭지점의 파라미터에 기초하여 그 꼭지점에 대한 모델 파라미터를 보간한다. 일부 실시형태에서, 제1 다면체는 6면체이고, 제2 다면체는 4면체이다. 일부 실시형태에서, 다면체 격자는 신체 부분을 나타낸다. 일부 실시형태에서, 신체 부분은 심장이다. 일부 실시형태에서, 제1 다면체 격자는 원점을 가지며, 모델 파라미터를 보간하기 전에, 동일한 원점에 제2 다면체 격자를 맵핑하는 것을 더 포함한다. 일부 실시형태에서, 제1 다면체의 각각의 꼭지점은 다수의 파라미터를 가지며, 각각의 모델 파라미터를 보간한다. 일부 실시형태에서, 제1 다면체 모델 및 제2 다면체 모델은 신체 내의 전자기 근원의 계산 모델을 나타내고, 방법은 제2 다면체를 가진 격자에서 작업하기 위해 적응된 문제 해결사를 사용하여 제2 다면체 모델에 기초하여 전자기 근원의 모델링된 전자기 출력을 추가로 생성한다. 일부 실시형태에서, 전자기 근원은 심장이고, 방법은 모델링된 전자기 출력으로부터 벡터 심전도를 추가로 생성한다. 일부 실시형태에서, 제1 다면체 모델 및 제2 다면체 모델은 기하학적 구조 모델(예컨대, 심장 또는 몸통 해부학적 구조의)이다. 일부 실시형태에서, 제1 다면체 모델 및 제2 다면체 모델은 신체 내의 전자기 근원의 모델을 나타내고, 방법은 상이한 근원 구성을 나타내는 복수의 제1 다면체 모델을 추가로 변환한다. 일부 실시형태에서, 전자기 근원은 심장이고, 근원 구성은 섬유 아키텍처, 몸통 해부학적 구조, 정상 및 비정상 심장 해부학적 구조, 정상 및 비정상 심장 조직, 흉터, 섬유증, 염증, 부종, 액세서리 경로, 선천성 심장 질환, 악성 종양, 이전의 절제 부위, 이전의 수술 부위, 외부 방사선 치료 부위, 페이싱 리드, 이식 가능한 제세동기 리드, 심장 재동기화 치료 리드, 심박 조율기 펄스 발생기 위치, 이식 가능한 제세동기 펄스 발생기 위치, 피하 제세동기 리드 위치, 피하 제세동기 펄스 발생기 위치, 리드리스 심박 조율기 위치, 다른 이식된 하드웨어(예컨대, 우심실 또는 좌심실 보조 디바이스), 외부 제세동 전극, 표면 ECG 리드, 표면 맵핑 리드, 맵핑 조끼, 심장 내의 다른 정상 및 병리 생리학적 특징 분포, 활동 전위 역학, 전도도, 부정맥 근원 위치 또는 위치들 등 중 하나 이상을 특정한다.
일부 실시형태에서, 신체 부분의 제1 다면체 모델을 신체 부분의 제2 다면체 모델로 변환하기 위한 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 컴퓨터 실행 가능 명령어를 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체, 및 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 명령은 제1 다면체 모델의 표면 표현을 생성하기 위해 컴퓨팅 시스템을 제어한다. 제1 다면체 모델은 제1 다면체에 기초한 제1 다면체 격자를 갖는다. 명령은 제1 다면체와 다른 제2 다면체에 기초한 표면으로 볼륨을 채우는 것에 의해 제2 다면체 모델에 대한 제2 다면체 격자를 생성하기 위해 컴퓨팅 시스템을 제어한다. 명령은 제2 다면체 격자의 제2 다면체의 복수의 꼭지점 각각에 대해, 그 꼭지점에 근접한 제1 다면체 격자의 제1 다면체의 꼭지점의 파라미터에 기초하여 그 꼭지점에 대한 모델 파라미터를 보간하기 위해 컴퓨팅 시스템을 제어한다. 일부 실시형태에서, 제1 다면체는 6면체이고 제2 다면체는 4면체이다. 일부 실시형태에서, 제1 다면체 격자는 원점을 가지며, 컴퓨터 실행 가능 명령어는 모델 파라미터를 보간하기 전에, 동일한 원점에 제2 다면체 격자를 맵핑하도록 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 제1 다면체 모델 및 제2 다면체 모델은 심장의 계산 모델을 나타내고, 컴퓨터 실행 가능 명령어는 제2 다면체를 가진 격자에서 작업하기 위해 적응된 문제 해결사를 사용하여 제2 다면체 모델에 기초하여 전자기 심장의 모델링된 전자기 출력을 생성하도록 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 모델링된 전자기 출력으로부터 벡터 심전도를 생성하도록 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 제1 다면체 모델 및 제2 다면체 모델은 기하학적 구조 모델(예컨대, 심장 또는 몸통 해부학의)이다.
일부 실시형태에서, 제1 다면체 모델을 제2 모델로 변환하기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 제1 다면체 모델은 제1 다면체를 포함하는 볼륨을 가진 제1 다면체 격자를 갖는다. 제1 다면체의 각각의 꼭지점은 모델 파라미터를 갖는다. 방법은 제1 다면체로부터 제1 다면체 모델의 표면의 표현을 생성한다. 제2 모델의 복수의 지점의 각각에 대해, 방법은 그 꼭지점에 근접한 것으로 간주되는 제1 다면체의 꼭지점의 파라미터에 기초하여 그 지점에 대한 모델 파라미터를 보간한다. 일부 실시형태에서, 제2 모델은 제2 다면체 모델이고, 지점은 제2 다면체 모델의 꼭지점이다. 일부 실시형태에서, 제2 모델은 규칙적으로 이격된 그리드 지점에 의해 나타나고, 지점은 그리드 지점이다.
일부 실시형태에서, 신체 내의 전자기 근원에 대한 유도된 전자기 데이터를 생성하기 위해 컴퓨팅 디바이스에 의해 수행되는 방법이 제공된다. 방법은 시간 경과에 따른 전자기 근원의 제1 모델에 대해 모델링된 전자기 출력에 액세스한다. 제1 모델은 제1 해부학적 구조를 특정하는 제1 근원 구성에 기초한다. 모델링된 전자기 출력은 전자기 근원의 계산 모델을 사용하여 생성된다. 계산 모델은 근원 구성에 기초한 모델에 기초하여 시간 경과에 따른 전자기 근원의 모델링된 전자기 출력을 생성하기 위한 것이다. 방법은 제2 해부학적 구조를 특정하는 제2 근원 구성에 기초하여 전자기 근원의 제2 모델에 액세스한다. 방법은 전자기 근원의 제1 모델에 대해 모델링된 전자기 출력에 기초하여 전자기 근원의 제2 모델에 대해 유도된 전자기 데이터를 생성하고, 제1 해부학적 구조와 제2 해부학적 구조 사이의 차이를 고려한다. 일부 실시형태에서, 전자기 근원은 심장이고, 유도된 전자기 데이터는 심장도이다. 일부 실시형태에서, 심장도는 벡터 심전도이다. 일부 실시형태에서, 심장도는 심전도이다. 일부 실시형태에서, 모델에 대해 모델링된 전자기 출력은 복수의 시간 간격의 각각의 간격 동안, 전자기 격자의 복수의 꼭지점의 각각에 대해 모델링된 전자기값을 갖는 전자기 격자를 포함한다. 일부 실시형태에서, 모델링된 전자기 출력은 전압 솔루션의 모음이다.
일부 실시형태에서, 심장에 대한 심장도를 생성하기 위한 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 시간 경과에 따른 심장의 제1 부정맥 모델에 대해 모델링된 전자기 출력을 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체를 포함한다. 제1 부정맥 모델은 제1 해부학적 구조에 기초한다. 모델링된 전자기 출력은 부정맥 모델에 기초하여 시간 경과에 따른 심장의 모델링된 전자기 출력을 생성하기 위한 계산 모델인 심장의 계산 모델을 사용하여 생성된다. 하나 이상의 컴퓨터 판독 가능 저장 매체는 제2 해부학적 구조에 기초한 제2 부정맥 모델을 저장한다. 하나 이상의 컴퓨터 판독 가능 저장 매체는, 제1 부정맥 모델에 대해 모델링된 전자기 출력에 기초하고 제1 해부학적 구조와 제2 해부학적 구조 사이의 차이를 고려하여 제2 부정맥 모델에 대한 심장도를 생성하도록 컴퓨터 실행 가능 명령어를 저장한다. 컴퓨팅 시스템은 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 일부 실시형태에서, 심장도는 벡터 심전도이다. 일부 실시형태에서, 심장도는 심전도이다. 일부 실시형태에서, 부정맥 모델에 대해 모델링된 전자기 출력은 복수의 시간 간격의 각각의 간격 동안, 전자기 격자의 복수의 꼭지점의 각각에 대해 모델링된 전자기값을 갖는 전자기 격자를 포함한다. 일부 실시형태에서, 모델링된 전자기 출력은 전압 솔루션의 모음이다.
일부 실시형태에서, 신체 내의 전자기 근원의 모델링된 전자기 출력의 생성을 부트스트래핑하기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 제1 시뮬레이션 간격으로 전자기 근원의 제1 근원 구성을 가진 제1 모델에 대해 제1 모델링된 전자기 출력에 액세스한다. 제1 모델링된 전자기 출력은 전자기 근원의 계산 모델을 사용하여 생성된다. 방법은 전자기 근원의 제2 근원 구성을 갖는 제2 모델에 대해 제2 모델링된 전자기 출력을 제1 시뮬레이션 간격 중 하나의 간격 동안 제1 모델링된 전자기 출력으로 초기화한다. 복수의 제2 시뮬레이션 간격의 각각의 간격 동안, 방법은 계산 모델을 사용하여, 초기화된 제2 모델링된 전자기 출력에 기초하여 전자기 근원의 제2 모델에 대해 제2 모델링된 전자기 출력을 생성한다. 일부 실시형태에서, 전자기 근원은 심장이고, 제2 근원 구성은 심장 내의 흉터 또는 섬유증 또는 전부정맥 기질 위치에 기초하여 제1 근원 구성과 상이하다. 일부 실시형태에서, 전자기 근원은 심장이고, 제1 모델 및 제2 모델은 부정맥 모델이다. 일부 실시형태에서, 모델에 대해 모델링된 전자기 출력은 복수의 시간 간격의 각각의 간격 동안, 전자기 격자의 복수의 꼭지점의 각각에 대해 모델링된 전자기값을 갖는 전자기 격자를 포함한다. 일부 실시형태에서, 방법은 복수의 제1 시뮬레이션 간격의 각각의 간격 동안, 계산 모델을 사용하여 제1 모델에 대해 제1 모델링된 전자기 출력을 추가로 생성한다. 일부 실시형태에서, 방법은 제1 시뮬레이션 간격 동안 제1 모델링된 전자기 출력이 안정화된 후에, 제1 시뮬레이션 간격 동안 제2 모델링된 전자기 출력을 제1 모델링된 전자기 출력으로 초기화한다. 일부 실시형태에서, 전자기 근원은 심장이고, 제1 모델링된 전자기 출력은 리듬(rhythm)으로 안정화되었다.
일부 실시형태에서, 심장의 모델링된 전자기 출력의 생성을 부트스트래핑하기 위한 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 제1 시뮬레이션 간격으로 심장의 제1 부정맥 모델에 대해 제1 모델링된 전자기 출력을 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체를 포함하고, 제1 모델링된 전자기 출력은 심장의 계산 모델을 사용하여 생성된다. 하나 이상의 컴퓨터 판독 가능 저장 매체는 또한 심장의 제2 부정맥 모델에 대해 제2 모델링된 전자기 출력을 제1 시뮬레이션 간격 중 하나의 간격 동안 제1 모델링된 전자기 출력으로 초기화하고; 계산 모델을 사용하여, 초기화된 제2 모델링된 전자기 출력에 기초하여 제2 부정맥 모델에 대해 제2 모델링된 전자기 출력을 시뮬레이션하도록 컴퓨팅 시스템을 제어하기 위한 컴퓨터 실행 가능 명령어를 저장한다. 컴퓨팅 시스템은 또한 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 일부 실시형태에서, 제1 부정맥 모델 및 제2 부정맥 모델은 심장 내의 상이한 흉터 또는 섬유증 또는 전부정맥 기질 위치에 기초한다. 일부 실시형태에서, 부정맥 모델에 대해 모델링된 전자기 출력은 복수의 시간 간격의 각각의 간격 동안, 전자기 격자의 복수의 꼭지점의 각각에 대해 모델링된 전자기값을 갖는 전자기 격자를 포함한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 복수의 제1 시뮬레이션 간격의 각각의 간격 동안, 계산 모델을 사용하여, 제1 부정맥 모델에 대해 제1 모델링된 전자기 출력을 생성하도록 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 제1 시뮬레이션 간격 동안 제1 모델링된 전자기 출력이 안정화된 후 제1 시뮬레이션 간격 동안 제2 모델링된 전자기 출력을 제1 모델링된 전자기 출력으로 초기화하도록 컴퓨팅 시스템을 제어한다. 일부 실시형태에서, 제1 모델링된 전자기 출력은 리듬으로 안정화되었다.
일부 실시형태에서, 환자로부터 수집된 전자기 데이터와 매칭되는 유도된 전자기 데이터를 식별하기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 전자기 데이터는 신체 내의 전자기 근원으로부터의 전자기 출력을 나타낸다. 방법은 전자기 근원의 복수의 모델 근원 구성의 각각에 대해, 그 모델 근원 구성에 기초하여 유도된 전자기 데이터에 대한 그 모델 근원 구성의 맵핑에 액세스한다. 방법은 환자 내의 전자기 근원에 대한 근원 구성을 나타내는 환자 근원 구성에 액세스한다. 방법은 환자 근원 구성과 매칭되는 모델 근원 구성을 식별한다. 방법은 식별된 모델 근원 구성이 맵핑되는 유도된 전자기 데이터로부터, 환자 전자기 데이터와 매칭되는 유도된 전자기 데이터를 식별한다. 일부 실시형태에서, 유도된 전자기 데이터는 전자기 근원의 계산 모델을 사용하여 모델 근원 구성에 기초하여 생성된 모델링된 전자기 출력으로부터 유도된다. 일부 실시형태에서, 모델 근원 구성에 대해 모델링된 전자기 데이터는 복수의 시간 간격의 각각의 간격 동안, 전자기 근원의 복수의 위치의 각각에 대해 모델링된 전자기값을 갖는 전자기 격자를 포함한다. 일부 실시형태에서, 방법은 식별된 모델 근원 구성이 환자 근원 구성의 그 해부학적 파라미터의 값과 매칭되지 않는 해부학적 파라미터 값을 가질 때, 그 모델 근원 구성에 대해 모델링된 전자기 출력 및 값에서의 차이에 기초하여 조정된 유도 전자기 데이터를 생성한다. 일부 실시형태에서, 근원 구성은 해부학적 파라미터 및 전기 생리학적 파라미터를 포함하는 구성 파라미터를 포함한다. 일부 실시형태에서, 전자기 근원은 심장이고, 구성 파라미터는 심장 내의 흉터 또는 섬유증 또는 전부정맥 기질 위치, 심장에 대한 활동 전위, 심장에 대한 전도도 및 부정맥 위치를 포함한다. 일부 실시형태에서, 전자기 근원은 심장이고, 해부학적 파라미터는 심장의 챔버의 치수, 심장의 벽 두께, 및 심장의 배향을 포함한다. 일부 실시형태에서, 전자기 근원은 심장이고, 유도된 전자기 데이터는 심장도이다. 일부 실시형태에서, 모델 근원 구성은 모델 근원 구성에 대해 유도된 전자기 데이터가 그 속성에 기초하도록 전자기 근원의 속성과 관한 장애 파라미터(disorder parameter)를 포함한다. 일부 실시형태에서, 전자기 근원은 심장이고, 속성은 부정맥에 기초한다. 일부 실시형태에서, 환자 전자기 데이터와 매칭되는 유도된 전자기 데이터의 식별은 피어슨 상관 계수, 평균 제곱근 오차 등에 기초한다. 일부 실시형태에서, 환자 전자기 데이터와 매칭되는 유도된 전자기 데이터의 식별은 평균 제곱근 오차에 기초한다. 일부 실시형태에서, 근원 구성은 구성 파라미터를 포함하고, 모델 근원 구성은 각각의 구성 파라미터에 대한 값을 포함하고, 환자 근원 구성은 구성 파라미터의 적절한 서브 세트에 대한 값만을 포함한다. 일부 실시형태에서, 유도된 전자기 데이터는 전자기 근원의 모델 배향에 기초하고, 환자의 전자기 근원의 환자 배향이 모델 배향과 다를 때, 모델 배향과 환자 배향 사이의 차이에서의 유도된 전자기 데이터 인자(electromagnetic data factor)의 식별을 더 포함한다. 일부 실시형태에서, 전자기 근원은 심장이고, 전자기 데이터는 벡터 심전도이고, 유도된 전자기 데이터의 식별은 모델 배향과 환자 배향 사이의 차이에 기초하여 회전 매트릭스를 생성하는 것, 및 회전 매트릭스에 기초하여 벡터 심전도를 회전시키는 것을 포함한다.
일부 실시형태에서, 환자 내의 전자기 근원의 전자기 출력을 나타내는 환자 전자기 데이터에 기초하여 환자에 대한 분류를 생성하기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 전자기 근원의 모델 근원 구성의 복수의 클러스터(예컨대, 그룹)의 각각에 대해, 유도된 전자기 데이터에 대한 분류를 생성하기 위해 그 클러스터의 모델 근원 구성에 기초하여 트레이닝된 그 클러스터에 대한 분류자에 액세스한다. 방법은 환자 내의 전자기 근원에 대한 근원 구성을 나타내는 환자 근원 구성에 액세스한다. 방법은 그 모델 근원 구성이 환자 근원 구성과 매칭되는 클러스터를 식별한다. 방법은 식별된 클러스터에 대한 분류자를 환자 전자기 데이터에 적용하여 환자에 대한 분류를 생성한다. 일부 실시형태에서, 유도된 전자기 데이터는 전자기 근원의 계산 모델을 사용하여 모델 근원 구성에 기초하여 생성된 모델링된 전자기 출력으로부터 유도된다. 일부 실시형태에서, 근원 구성은 해부학적 파라미터 및 전기 생리학적 파라미터를 포함하는 구성 파라미터를 포함한다. 일부 실시형태에서, 전자기 근원은 심장이고, 구성 파라미터는 심장 내의 흉터 또는 섬유증 또는 전부정맥 기질 위치, 심장에 대한 활동 전위, 및 심장에 대한 전도도를 포함한다. 일부 실시형태에서, 전자기 근원은 심장이고, 해부학적 파라미터는 심장의 챔버의 치수 및 심장의 벽 두께를 포함한다. 일부 실시형태에서, 전자기 근원은 심장이고, 유도된 전자기 데이터는 심장도이다. 일부 실시형태에서, 심장도는 벡터 심전도이다. 일부 실시형태에서, 모델 근원 구성은 코사인 유사성에 기초하여 환자 근원 구성과 매칭된다. 일부 실시형태에서, 방법은 모델 근원 구성의 클러스터를 추가로 생성하고; 각각의 클러스터에 대해, 그 클러스터의 모델 구성 소스의 각각에 대해, 그 모델 구성 소스에 기초하여 전자기 근원의 시뮬레이션된 전자기 출력을 생성하고; 모델 근원 구성에 기초하여 시뮬레이션된 전자기 출력으로부터 그 모델 근원 구성에 대해 유도된 전자기 데이터를 생성한다. 일부 실시형태에서, 근원 구성은 구성 파라미터를 포함하고, 모델 근원 구성은 각각의 구성 파라미터에 대한 값을 포함하고, 환자 근원 구성은 구성 파라미터의 적절한 서브 세트에 대한 값만을 포함한다. 일부 실시형태에서, 유도된 전자기 데이터는 전자기 근원의 모델 배향에 기초하고, 방법은 또한 환자의 전자기 근원의 환자 배향이 모델 배향과 다를 때, 모델 배향과 환자 배향 사이의 차이에 기초하여 환자 전자기 데이터를 추가로 조정한다. 일부 실시형태에서, 전자기 근원은 심장이고, 분류는 부정맥의 근원 위치에 기초한다.
일부 실시형태에서, 환자로부터 수집된 환자 심장도와 매칭되는 모델 심장도를 식별하기 위한 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 심장의 복수의 모델 근원 구성 각각에 대해, 그 모델 근원 구성에 대해 모델링된 심장도; 환자의 심장을 나타내는 환자 근원 구성; 및 실행될 때. 환자 근원 구성과 매칭되는 모델 근원 구성을 식별하고; 이들 식별된 모델 근원 구성에 대해 모델링된 심장도로부터 환자 심장도와 매칭되는 모델링된 심장도를 식별하도록 컴퓨팅 시스템을 제어하는 컴퓨터 실행 가능 명령어를 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체를 포함한다. 컴퓨팅 시스템은 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 일부 실시형태에서, 모델링된 심장도는 심장의 계산 모델을 사용하여 모델 근원 구성을 가진 심장의 모델링된 전자기 출력으로부터 생성된다. 일부 실시형태에서, 심장도는 모델 근원 구성 및 환자 근원 구성에 대한 해부학적 파라미터의 값에서의 차이에 기초하여 조정된다. 일부 실시형태에서, 모델 근원 구성은 심장 내의 흉터 또는 섬유증 또는 전부정맥 기질 위치, 심장에 대한 활동 전위, 심장에 대한 전도도, 및 부정맥 위치를 포함한다. 일부 실시형태에서, 모델 근원 구성은 심장의 챔버의 치수, 심장의 벽 두께, 및 심장의 배향을 포함한다. 일부 실시형태에서, 근원 구성은 구성 파라미터를 포함하고, 모델 근원 구성은 각각의 구성 파라미터에 대한 값을 포함하고, 환자 근원 구성은 구성 파라미터의 적절한 서브 세트에 대한 값만을 포함한다. 일부 실시형태에서, 모델링된 심장도는 심장의 모델 배향에 기초하고, 심장의 환자 배향이 모델 배향과 다를 때, 모델 배향과 환자 배향 사이의 차이에서 모델링된 심장도 인자를 식별한다.
일부 실시형태에서, 신체 내의 전자기 근원의 전자기 출력으로부터 유도된 전자기 데이터를 분류하기 위한 환자 분류자를 생성하기 위해 하나 이상의 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 전자기 근원의 전자기 출력에 대한 분류를 생성하기 위해 모델 분류자에 액세스한다. 모델 분류자는, 모델링된 유도 전자기 데이터 및 모델 분류를 포함하는 트레이닝 데이터에 기초하여 학습된 모델 분류자 가중치를 갖는다. 모델링된 유도 전자기 데이터는 근원 구성에 기초하여 시간 경과에 따른 전자기 근원의 전자기 출력을 모델링하는 전자기 근원의 계산 모델을 사용하여 생성되는 모델링된 전자기 출력으로부터 유도된다. 방법은 복수의 환자의 각각에 대해, 환자 유도 전자기 데이터 및 그 환자에 대한 환자 분류를 포함하는 환자 트레이닝 데이터에 액세스한다. 방법은 모델 분류자 가중치에 기초하여 환자 분류자의 환자 분류자 가중치를 초기화한다. 방법은 환자 트레이닝 데이터와 초기화된 환자 분류자 가중치를 갖는 환자 분류자를 트레이닝시킨다. 일부 실시형태에서, 분류자는 컨볼루션 신경망이다. 일부 실시예에서, 컨볼루션 신경망은 1-차원 이미지를 입력한다. 일부 실시형태에서, 모델 분류자는 환자의 근원 구성과 유사한 것으로서 식별된 근원 구성에 기초하여 생성된 모델링된 전자기 출력으로부터 유도되는 모델링된 유도 전자기 데이터를 포함하는 트레이닝 데이터를 사용하여 트레이닝된다. 일부 실시형태에서, 전자기 근원은 심장이고, 근원 구성은 심장의 해부학적 파라미터 및 전기 생리학적 파라미터를 나타내고, 모델링된 전자기 출력은 심장의 활성화를 나타내며, 유도된 전자기 데이터는 신체 표면 측정치에 기초한다. 일부 실시형태에서, 전기 생리학적 파라미터는 동리듬, 부적절한 동성빈맥, 이소성 심방 리듬, 이음부 리듬, 심실 탈출 리듬, 심방세동, 심실세동, 초점 심실 빈맥, 심방 미세입력, 심실빈맥, 심방조동, 조기 심실 콤플렉스, 조기 심방 콤플렉스, 방실 결절 재진입 빈맥, 방실 회귀성 빈맥, 영구 접합성 왕복 빈맥, 및 접합성 빈맥으로 이루어지지만 이에 제한되지 않는 그룹으로부터 선택된 심장 질환에 기초한다. 일부 실시형태에서, 전자기 데이터는 심장도이다. 일부 실시형태에서, 분류는 근원 위치이다. 일부 실시형태에서, 환자에 대한 환자 유도 전자기 데이터는 환자의 전자기 근원의 환자 전자기 출력으로부터 유도된다. 일부 실시형태에서, 방법은 표적 환자에 대한 표적 환자 유도 전자기 데이터를 추가로 수신하고, 표적 환자에 대한 분류를 생성하기 위해 환자 분류자를 표적 환자 유도 전자기 데이터에 적용한다.
일부 실시형태에서, 표적 환자에 대한 환자 유도 전자기 데이터를 분류하기 위한 하나 이상의 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 환자 유도 전자기 데이터는 환자의 신체 내의 전자기 근원의 환자 전자기 출력으로부터 유도된다. 방법은 전자기 근원의 환자 유도 전자기 데이터에 대한 분류를 생성하기 위해 환자 분류자에 액세스한다. 분류자는 모델 분류자의 가중치 및 환자 트레이닝 데이터의 가중치를 사용하여 트레이닝되며, 모델 분류자는 모델링된 유도 전자기 데이터 및 모델 분류를 사용하여 트레이닝된다. 모델링된 유도 전자기 데이터는 모델링된 전자기 출력으로부터 생성된다. 모델링된 전자기 출력은 전자기 근원의 계산 모델을 사용하여 복수의 근원 구성에 대해 생성된다. 환자 트레이닝 데이터는 환자 유도 전자기 데이터 및 환자 분류를 포함한다. 방법은 표적 환자에 대한 환자 유도 전자기 데이터를 수신하고, 표적 환자에 대한 환자 분류를 생성하기 위해 수신된 환자 유도 전자기 데이터에 환자 분류자를 적용한다. 일부 실시형태에서, 전자기 근원은 심장이고, 근원 구성은 심장의 해부학적 파라미터 및 전기 생리학적 파라미터를 나타내고, 모델링된 전자기 출력은 심장의 활성화를 나타내며, 유도된 전자기 데이터는 신체 표면 측정치에 기초한다.
일부 실시형태에서, 심장도를 분류하기 위한 환자 분류자를 생성하기 위한 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 컴퓨터 실행 가능 명령어를 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체, 및 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 명령은 모델 분류자의 분류자 가중치를 모델링하기 위해 환자 분류자의 환자 분류자 가중치를 초기화하도록 컴퓨팅 시스템을 제어한다. 모델 분류자는 모델 심장 구성에 적용된 심장의 계산 모델에 기초하여 생성된 모델링된 심장도에 기초하여 트레이닝된다. 명령은 환자 트레이닝 데이터 및 초기화된 환자 분류자 가중치를 갖는 환자 분류자를 트레이닝시키도록 컴퓨팅 시스템을 제어하며, 환자 트레이닝 데이터는 복수의 환자의 각각에 대해, 그 환자에 대한 환자 심장도 및 환자 분류를 포함한다. 일부 실시형태에서, 모델 분류자 및 환자 분류자는 컨볼루션 신경망이다. 일부 실시형태에서, 컨볼루션 신경망은 1-차원 이미지를 입력한다. 일부 실시형태에서, 모델 분류자 및 환자 분류자는 신경망이다. 일부 실시형태에서, 모델 분류자는 환자의 환자 심장 구성과 유사한 모델 심장 구성에 기초하여 생성된 모델링된 심장도를 사용하여 트레이닝된다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 유사한 환자의 복수의 클러스터의 각각에 대해, 그 클러스터에서의 환자에 대한 심장도 및 환자 분류를 포함하는 환자 트레이닝 데이터에 기초하여 클러스터 환자 분류자를 트레이닝시키도록 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 환자의 환자 심장 구성의 비교에 기초하여 유사한 환자를 식별하도록 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 환자의 심장도의 비교에 기초하여 유사한 환자를 식별하도록 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 표적 환자와 유사한 유사 환자의 클러스터를 식별하고, 표적 환자에 대한 표적 환자 분류를 생성하도록 표적 환자의 표적 환자 심장도에 그 식별된 클러스터에 대한 클러스터 환자 분류자를 적용하도록 컴퓨팅 시스템을 추가로 제어한다.
일부 실시형태에서, 표적 환자의 표적 심장도에 기초하여 표적 환자에 대한 분류를 생성하기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 환자의 심장도를 포함하는 환자 트레이닝 데이터에 기초하고 모델링된 심장도를 포함하는 모델 트레이닝 데이터에 기초하여 생성된 모델 분류자로부터의 양도에 기초하여 환자 분류자를 생성한다. 모델링된 심장도는 심장의 계산 모델 및 모델 심장 구성에 기초하여 생성된다. 방법은 표적 환자에 대한 표적 분류를 생성하기 위해 환자 분류자를 표적 심장도에 적용한다.
일부 실시형태에서, 신체 내의 전자기 근원의 전자기 출력으로부터 유도된 전자기 데이터를 분류하기 위한 환자-특이적 모델 분류자를 생성하기 위해 하나 이상의 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 표적 환자와 유사한 모델을 식별한다. 식별된 각각의 모델에 대해, 방법은 그 모델에 대한 모델 근원 구성에 기초하여 전자기 근원의 모델링된 전자기 출력을 생성하기 위해 전자기 근원의 계산 모델을 적용하고; 그 모델에 대해 생성되는 모델링된 전자기 출력으로부터 모델링된 유도 전자기 데이터를 유도하고; 그 모델에 대한 라벨을 생성한다. 방법은 모델링된 유도 전자기 데이터와 생성된 라벨을 가진 환자-특이적 모델 분류자를 트레이닝 데이터로서 트레이닝시킨다. 일부 실시형태에서, 분류자는 1-차원 이미지를 입력하는 컨볼루션 신경망이다. 일부 실시형태에서, 모델과 표적 환자 사이의 유사성은 근원 구성에 기초한다. 일부 실시형태에서, 모델과 표적 환자 사이의 유사성은 유도된 전자기 데이터에 기초한다. 일부 실시형태에서, 전자기 근원은 심장이고, 근원 구성은 심장의 해부학적 파라미터 및 전기 생리학적 파라미터를 나타내고, 모델링된 전자기 출력은 심장의 활성화를 나타내며, 유도된 전자기 데이터는 신체 표면 측정치에 기초한다. 일부 실시형태에서, 전자기 데이터는 심장도이다. 일부 실시형태에서, 라벨은 전자기 근원의 장애에 대한 근원 위치를 나타낸다. 일부 실시형태에서, 트레이닝은 모델링된 유도 전자기 데이터를 포함하는 모델 트레이닝 데이터에 기초하여 생성된 모델 분류자로부터의 양도에 기초하고, 모델링된 유도 전자기 데이터는 전자기 근원 및 모델 근원 구성의 계산 모델에 기초하여 생성된다. 일부 실시형태에서, 방법은 또한 유사한 표적 환자의 복수의 클러스터의 각각에 대해, 그 클러스터의 표적 환자와 유사한 모델에 대해 유도된 전자기 데이터에 기초하여 클러스터-특정 모델 분류자를 트레이닝시킨다. 일부 실시형태에서, 방법은 그 표적 환자가 다른 표적 환자와 유사한 클러스터를 추가로 식별하고, 다른 표적 환자에 대한 표적 환자 라벨을 생성하기 위해 그 식별된 클러스터에 대한 클러스터-특정 모델 분류자를 다른 표적 환자의 표적 환자 유도 전자기 데이터에 적용한다. 일부 실시형태에서, 방법은 표적 환자의 환자 근원 구성의 비교에 기초하여 표적 환자의 클러스터를 추가로 식별한다. 일부 실시형태에서, 방법은 표적 환자의 환자 유도 전자기 데이터의 비교에 기초하여 표적 환자의 클러스터를 추가로 식별한다.
일부 실시형태에서, 표적 환자의 심장도를 분류하기 위해 환자-특이적 모델 분류자를 생성하기 위한 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 컴퓨터 실행 가능 명령어를 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체, 및 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 명령은 표적 환자와 유사한 모델을 식별하고; 모델링된 심장도 및 식별된 모델의 모델 분류를 포함하는 트레이닝 데이터에 기초하여 환자-특이적 모델 분류자를 트레이닝시키기 위해 컴퓨팅 시스템을 제어한다. 모델링된 심장도는 식별된 모델의 모델 심장 구성에 기초한 심장의 계산 모델을 사용하여 생성된다. 일부 실시형태에서, 모델 분류는 심장 질환에 대한 근원 위치를 나타낸다. 일부 실시형태에서, 환자-특이적 모델 분류자의 트레이닝은 모델링된 심장도를 포함하는 모델 트레이닝 데이터에 기초하여 생성된 모델 분류자로부터의 양도에 기초한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 유사한 표적 환자의 복수의 클러스터의 각각에 대해, 모델링된 심장도 및 그 클러스터의 표적 환자와 유사한 모델의 모델 분류를 포함하는 트레이닝 데이터에 기초하여 클러스터-특정 모델 분류자를 트레이닝시키도록 컴퓨터 시스템을 추가로 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 그 표적 환자가 다른 표적 환자와 유사한 클러스터를 식별하고, 다른 표적 환자에 대한 표적 환자 분류를 생성하기 위해 그 식별된 클러스터에 대한 클러스터-특정 모델 분류자를 다른 표적 환자의 표적 환자 심장도에 적용하도록 컴퓨터 시스템을 추가로 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 표적 환자의 환자 심장 구성의 비교에 기초하여 유사한 표적 환자의 클러스터를 식별하도록 컴퓨터 시스템을 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 표적 환자의 환자 심장도의 비교에 기초하여 유사한 표적 환자의 클러스터를 식별하도록 컴퓨터 시스템을 제어한다.
일부 실시형태에서, 전자기 근원의 표현을 생성하기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 환자의 환자 유도 전자기 데이터와 매칭되는 모델링된 유도 전자기 데이터를 식별한다. 모델링된 유도 전자기 데이터는 전자기 근원의 계산 모델을 사용하여 생성된 전자기 근원의 모델링된 전자기 출력으로부터 유도된다. 모델링된 전자기 출력은 복수의 시간 간격의 각각의 간격 동안 전자기 근원의 위치에 대한 전자기값을 갖는다. 방법은 매칭 모델 유도 전자기 데이터가 유도되는 모델링된 전자기 출력 내의 사이클을 식별한다. 전자기 근원의 복수의 디스플레이 위치의 각각에 대해, 방법은 식별된 사이클의 모델링된 전자기 출력의 전자기값에 기초하여 그 디스플레이 위치에 대한 디스플레이 전자기값을 생성한다. 방법은 복수의 디스플레이 위치 각각에 대해, 그 디스플레이 위치에 대한 디스플레이 전자기값의 시각적 표현을 포함하는 전자기 근원의 디스플레이 표현을 생성한다. 일부 실시형태에서, 디스플레이 표현은 환자의 전자기 근원의 해부학적 파라미터에 기초한 기하학적 구조를 갖는다. 일부 실시형태에서, 디스플레이 전자기값의 시각적 표현은 디스플레이 전자기값의 크기에 기초한 음영이다. 일부 실시형태에서, 디스플레이 전자기값의 시각적 표현은 디스플레이 전자기값의 크기에 기초하여 선택된 색상이다. 일부 실시형태에서, 디스플레이 전자기값의 시각적 표현은 디스플레이 전자기값의 크기에 기초한 색상의 강도이다. 일부 실시형태에서, 디스플레이 전자기값은 사이클의 시작시의 전자기값과 사이클의 종료시의 전자기값 사이의 차이에 기초한다. 일부 실시형태에서, 방법은 식별된 사이클의 복수의 디스플레이 간격의 각각의 간격 동안, 그 디스플레이 간격 동안 디스플레이 표현을 추가로 생성하고 출력한다. 일부 실시형태에서, 디스플레이 표현은 시간 경과에 따른 전자기 근원의 활성화를 예시하기 위해 순차적으로 출력된다. 일부 실시형태에서, 유도된 전자기 데이터의 다수의 인스턴스(instance)가 환자 유도 전자기 데이터와 매칭될 때, 디스플레이 위치에 대한 디스플레이 전자기값의 생성은 모델링된 유도 전자기 데이터의 매칭 인스턴스가 유도되는 모델링된 전자기 출력의 전자기값의 조합에 기초한다. 일부 실시형태에서, 상기 조합은 매칭의 근접성에 기초하여 가중된 평균이다. 일부 실시형태에서, 전자기 근원은 심장이다.
일부 실시형태에서, 심장의 표현을 생성하기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 환자의 심장도와 유사한 모델링된 심장도를 식별한다. 심장의 복수의 디스플레이 위치의 각각에 대해, 방법은 모델링된 심장도가 유도되는 심장의 모델링된 전자기 출력의 전자기값에 기초하여 그 디스플레이 위치에 대한 디스플레이 전자기값을 생성한다. 모델링된 전자기 출력은 심장의 계산 모델을 사용하여 생성된다. 방법은 복수의 디스플레이 위치의 각각에 대해, 그 디스플레이 위치에 대한 디스플레이 전자기값의 시각적 표현을 포함하는 심장의 디스플레이 표현을 생성한다. 일부 실시형태에서, 디스플레이 표현은 환자 심장의 해부학적 파라미터에 기초한 기하학적 구조를 갖는다. 일부 실시형태에서, 디스플레이 전자기값의 시각적 표현은 디스플레이 전자기값의 크기에 기초한 색상의 강도이다. 일부 실시형태에서, 디스플레이된 전자기값은 모델링된 전자기 출력 내에서 모델 사이클의 시작시의 전자기값과 모델 사이클의 종료시의 전자기값 사이의 차이에 기초한다. 일부 실시형태에서, 모델 사이클은 심장도 내의 환자 사이클과의 유사성에 기초하여 선택된다. 일부 실시형태에서, 방법은 모델링된 전자기 출력의 복수의 디스플레이 간격의 각각 간격동안, 그 디스플레이 간격 동안 디스플레이 표현을 추가로 생성하고 출력한다. 일부 실시형태에서, 디스플레이 표현은 시간 경과에 따른 전자기 근원의 활성화를 예시하기 위해 순차적으로 출력된다.
일부 실시형태에서, 환자의 심장의 전기적 활성화의 표현을 디스플레이하기 위한 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 컴퓨터 실행 가능 명령어를 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체, 및 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 명령은 환자의 심장도와 유사한 모델링된 심장도를 식별하기 위해 컴퓨팅 시스템을 제어한다. 명령은 심장의 복수의 디스플레이 위치의 각각에 대해, 그 디스플레이 위치에 대한 디스플레이 값의 시각적 표현을 포함하는 심장의 디스플레이 표현을 생성하도록 컴퓨팅 시스템을 제어한다. 디스플레이 값은 모델링된 심장도가 유도되는 심장의 모델링된 전자기 출력에 기초한다. 모델링된 전자기 출력은 심장의 계산 모델을 사용하여 생성된다. 명령은 디스플레이 표현을 디스플레이하기 위해 컴퓨팅 시스템을 제어한다. 일부 실시형태에서, 디스플레이 표현은 환자 심장의 해부학적 파라미터에 기초한 기하학적 구조를 갖는다.
일부 실시형태에서, 신체 내의 전자기 근원에 의해 생성된 전자기력의 표면 표현을 생성하기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 시간 경과에 따른 전자기력의 크기와 방향을 나타내는 일련의 벡터에 액세스한다. 벡터는 원점을 기준으로 한다. 인접한 벡터의 각각의 쌍에 대해, 방법은 원점과 벡터의 쌍에 기초한 영역을 식별하고; 영역의 영역 표현을 생성하고; 영역의 생성된 영역 표현을 디스플레이한다. 일부 실시형태에서, 방법은 디스플레이된 영역 표현이 전자기 근원으로부터 시각적으로 발산되도록 전자기 근원의 표현을 디스플레이한다. 일부 실시형태에서, 원점은 전자기 근원 내에 있다. 일부 실시형태에서, 전자기 근원은 심장이고, 일련의 벡터는 벡터 심전도이다. 일부 실시형태에서, 전자기력은 사이클을 가지며, 사이클에 대한 영역 표현은 그 사이클에 대한 표면 표현을 형성하며, 방법은 또한 다수의 사이클에 대한 표면 표현을 추가로 동시에 디스플레이한다. 일부 실시형태에서, 생성된 영역 표현은 시간 경과에 따른 전자기력에서의 변화를 예시하기 위해 순차적으로 디스플레이된다.
일부 실시형태에서, 벡터 심전도의 표현을 디스플레이하기 위한 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 컴퓨터 실행 가능 명령어를 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체, 및 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 명령은 표면 표현이 벡터 심전도의 부분의 벡터의 x, y 및 z 값을 나타내는 지점에 의해 제한되는 벡터 심전도의 일부의 표면 표현을 생성하고; 생성된 표면 표현을 디스플레이하기 위해 컴퓨팅 시스템을 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 디스플레이된 표면 표현이 심장의 디스플레이된 표현으로부터 시각적으로 발산되도록 벡터 심전도가 유도되는 심장의 표현을 디스플레이하기 위해 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 벡터는 심장 내에 있는 원점을 기준으로 한다. 일부 실시형태에서, 벡터 심전도는 사이클을 가지며, 컴퓨터 실행 가능 명령어는 다수의 사이클에 대한 표면 표현을 동시에 디스플레이하기 위해 컴퓨팅 시스템을 추가로 제어한다. 일부 실시형태에서, 생성된 표면 표현은 시간 경과에 따른 벡터 심전도에서의 변화를 예시하기 위해 증분적으로 디스플레이된다. 일부 실시형태에서, 표면 표현은 영역별로 디스플레이된다.
일부 실시형태에서, 컴퓨팅 시스템에 의해 수행되는 방법은 환자 심장도와 유사한 시뮬레이션된 심장도를 식별하기 위해 제공된다. 시뮬레이션된 심장도는 시뮬레이션된 페이싱에 기초하여 생성되고, 환자 심장도는 환자의 페이싱에 기초하여 생성된다. 방법은 그 시뮬레이션된 페이싱이 환자 페이싱과 유사한 제1 시뮬레이션된 심장도를 식별한다. 방법은 제1 시뮬레이션된 심장도로부터, 환자의 심장의 환자 배향과 유사한 시뮬레이션 배향을 가진 시뮬레이션된 심장에 기초하여 생성된 제2 시뮬레이션된 심장도를 식별한다. 방법은 제2 시뮬레이션된 심장도로부터, 환자 심장도에 의해 나타나는 활동 전위와 유사한 활동 전위를 나타내는 제3 시뮬레이션된 심장도를 식별한다. 방법은 제3 시뮬레이션된 심장도로부터, 환자 심장도에 의해 나타나는 전도 속도와 유사한 전도 속도를 나타내는 교정된 시뮬레이션 심장도를 식별한다. 일부 실시형태에서, 방법은 그 교정된 시뮬레이션 심장도를 생성할 때 사용되는 구성 파라미터를 이용하여 각각의 교정된 시뮬레이션 심장도를 라벨링한다. 방법은 트레이닝 데이터로서 교정된 시뮬레이션 심장도 및 라벨을 이용하여 분류자를 트레이닝시킨다. 일부 실시형태에서, 방법은 환자에 대한 구성 파라미터를 식별하기 위해 트레이닝된 분류자를 환자 심장도에 적용한다. 일부 실시형태에서, 심장도는 심전도이다. 일부 실시형태에서, 심장도는 벡터 심전도이다. 일부 실시형태에서, 페이싱은 페이싱 위치 및 페이싱 속도를 포함한다. 일부 실시형태에서, 활동 전위의 유사성은 크기 및 기간이 정상화된 심장도에 기초한다. 일부 실시형태에서, 전도 속도의 유사성은 크기가 정상화된 심장도에 기초한다. 일부 실시형태에서, 시뮬레이션된 심장도는 환자의 환자 구조적 질환과 유사한 시뮬레이션된 구조적 질환에 기초하여 생성된 시뮬레이션된 심장도의 모음으로부터 식별된다. 일부 실시형태에서, 시뮬레이션된 심장도는 환자의 환자 심장 기하학적 구조에 대한 시뮬레이션된 심장도의 심장 기하학적 구조의 유사성에 기초하여 시뮬레이션된 심장도의 모음으로부터 식별된다. 일부 실시형태에서, 배향의 유사성은 환자의 환자 심장 벡터와 유사한 시뮬레이션된 심장 벡터, 심장의 위치에서의 심장 사이클 위상 동안의 심장 벡터에 기초한다. 일부 실시형태에서, 시뮬레이션된 심장도는 환자의 환자 질환 기질과 유사한 시뮬레이션된 질환 기질에 기초하여 생성되는 시뮬레이션된 심장도의 모음으로부터 식별된다.
일부 실시형태에서, 컴퓨팅 시스템에 의해 수행되는 방법은 환자 심장도와 유사한 시뮬레이션된 심장도를 식별하기 위해 제공된다. 방법은 형태학에 기초한 환자 심장도에 대한 시뮬레이션된 심장도의 형태학적 유사성을 결정한다. 방법은 형태학적 유사성에 기초하여 유사한 시뮬레이션된 심장도를 식별한다. 일부 실시형태에서, 형태학적 유사성의 결정은 배향에 기초하여 환자 심장도에 대한 시뮬레이션된 심장도의 배향 유사성을 결정하는 것, 및 환자 심장도에 대한 시뮬레이션된 심장도의 전기 생리학적 유사성을 결정하는 것을 포함한다. 일부 실시형태에서, 방법은 환자 심장도에 대한 시뮬레이션된 심장도의 페이싱 유사성을 결정하며, 식별은 페이싱 유사성에 추가로 기초한다. 일부 실시형태에서, 전기 생리학적 유사성은 활동 전위 유사성 및 전도 속도 유사성에 기초한다. 일부 실시형태에서, 방법은 구성 파라미터를 이용하여 라벨링되는 식별된 유사 시뮬레이션된 심장도를 포함하는 트레이닝 데이터를 사용하여 분류자를 트레이닝시킨다. 일부 실시형태에서, 방법은 환자 심장도에 대한 시뮬레이션된 심장도의 심장 기하학적 구조 유사성을 결정하며, 식별은 심장 기하학적 구조 유사성에 추가로 기초한다. 일부 실시형태에서, 심장 기하학적 구조 유사성은 구조적 질환 유사성 및 측정치 유사성에 기초한다. 일부 실시형태에서, 방법은 환자 심장도에 대한 시뮬레이션된 심장도의 질환 기질 유사성을 결정하며, 식별은 질환 기질 유사성에 추가로 기초한다.
일부 실시형태에서, 하나 이상의 컴퓨팅 시스템은 환자 심장도와 유사한 시뮬레이션된 심장도를 식별하기 위해 제공된다. 하나 이상의 컴퓨팅 시스템은 컴퓨터 실행 가능 명령어를 저장하기 위한 하나 이상의 컴퓨터 판독 가능 저장 매체, 및 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 명령은 배향에 기초하여 환자 심장도에 대한 시뮬레이션된 심장도의 배향 유사성을 결정하고, 환자 심장도에 대한 시뮬레이션된 심장도의 전기 생리학적 유사성을 결정하고, 배향 유사성 및 전기 생리학적 유사성에 기초하여 유사한 시뮬레이션된 심장도를 식별하기 위해 하나 이상의 컴퓨팅 시스템을 제어한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 환자 심장도에 대한 시뮬레이션된 심장도의 질환 기질 유사성을 결정하기 위해 하나 이상의 컴퓨팅 시스템을 추가로 제어하고, 유사한 시뮬레이션된 심장도를 식별하는 것은 질환 기질 유사성에 추가로 기초한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 환자 심장도에 대한 시뮬레이션된 심장도의 페이싱 유사성을 결정하기 위해 하나 이상의 컴퓨팅 시스템을 추가로 제어하고, 유사한 시뮬레이션된 심장도를 식별하는 것은 페이싱 유사성에 추가로 기초한다. 일부 실시형태에서, 전기 생리학적 유사성은 활동 전위 유사성 및 전도 속도 유사성에 기초한다. 일부 실시형태에서, 활동 전위 유사성은 크기 및 기간이 정상화된 심장도에 기초하고, 전도 속도 유사성은 크기가 정상화된 심장도에 기초한다. 일부 실시형태에서, 컴퓨터 실행 가능 명령어는 구성 파라미터를 이용하여 라벨링되는 식별된 유사 시뮬레이션 심장도를 포함하는 트레이닝 데이터를 사용하여 분류자를 트레이닝시키도록 하나 이상의 컴퓨팅 시스템을 추가로 제어한다.
일부 실시형태에서, 컴퓨팅 시스템에 의해 수행되는 방법은 시뮬레이션된 심장도를 환자의 환자 심장도에 맵핑하기 위해 제공된다. 방법은 구성 파라미터 및 페이싱 위치에 기초하여 환자 심장도와 매칭되는 시뮬레이션된 심장도를 식별한다. 방법은 식별된 시뮬레이션 심장도를 환자 심장도에 맵핑하기 위해 맵핑 함수를 트레이닝시킨다. 방법은 변환된 시뮬레이션 심장도를 생성하기 위해 트레이닝된 맵핑 함수를 시뮬레이션된 심장도에 적용한다. 일부 실시형태에서, 방법은 변환된 시뮬레이션 심장도에 기초하여 환자-특이적 모델 분류자를 트레이닝시킨다.
일부 실시형태에서, 하나 이상의 컴퓨팅 시스템에 의해 수행되는 방법은 시뮬레이션된 벡터 심전도("VCG")의 배향을 환자 VCG로 교정하기 위해 제공된다. 방법은 시뮬레이션된 VCG의 표현과 환자 VCG의 표현을 디스플레이한다. 방법은 디스플레이된 표현 중 하나를 회전시키라는 표시를 사용자로부터 수신한다. 방법은 회전된 표현 및 다른 표현이 정렬되었다는 표시를 사용자로부터 수신한다. 방법은 회전된 표현의 회전에 기초하여 변환 매트릭스를 생성한다. 일부 실시형태에서, 표현은 몸통 내에 디스플레이된다. 일부 실시형태에서, 시뮬레이션된 VCG의 표현은 시뮬레이션된 VCG와 관련된 심장 기하학적 구조에 기초한 심장의 표현과 함께 디스플레이된다.
일부 실시형태에서, 컴퓨팅 시스템에 의해 수행되는 방법은 환자의 전자기 근원의 환자 전자기 출력과 유사한 전자기 근원의 시뮬레이션된 전자기 출력을 식별하기 위해 제공된다. 시뮬레이션된 전자기 출력은 전자기 근원의 시뮬레이션된 페이싱에 기초하여 생성된다. 환자 전자기 출력은 환자의 전자기 근원의 환자 페이싱에 기초하여 생성된다. 방법은 그 시뮬레이션된 페이싱이 환자 페이싱과 유사한 페이싱 유사 시뮬레이션된 전자기 출력을 식별한다. 방법은 환자의 전자기 근원의 환자 구성 파라미터와 유사한 시뮬레이션 구성 파라미터를 가진 시뮬레이션된 전자기 근원에 기초하여 생성된 구성 유사 시뮬레이션된 전자기 출력을 식별한다. 방법은 환자 전자기 근원에 의해 나타난 활동 전위와 유사한 활동 전위를 나타내는 활동 전위 유사 시뮬레이션 전자기 출력을 식별한다. 방법은 식별된 페이싱 유사, 구성 유사, 및 활동 전위 유사 시뮬레이션된 심장도로부터, 환자 전자기 출력에 의해 나타난 전도 속도와 유사한 전도 속도를 나타내는 교정된 시뮬레이션 전자기 출력을 식별한다. 일부 실시형태에서, 환자 페이싱은 전자기 근원 내부로부터 전자기 펄스를 부여하는 침습성 페이싱 디바이스를 사용하여 수행된다. 일부 실시형태에서, 침습성 페이싱 디바이스는 카테터이다. 일부 실시형태에서, 환자 페이싱은 전자기 근원 외부로부터 전자기 펄스를 부여하는 비침습성 페이싱 디바이스를 사용하여 수행된다. 일부 실시형태에서, 비침습성 페이싱 디바이스는 환자의 전자기 근원을 페이싱하기 위해 전자기장을 생성한다. 일부 실시형태에서, 비침습성 페이싱 디바이스는 자기 공명 스캐너이다. 일부 실시형태에서, 식별된 교정 시뮬레이션 전자기 출력은 페이싱 유사, 구성 유사, 및 활동 전위 유사 전자기 출력이다.
환자의 EM 근원에 대한 잠재적인 절제 패턴을 식별하기 위해 하나 이상의 컴퓨팅 시스템에 의해 수행되는 방법 제공된다. 방법은 EM 근원의 환자 EM 출력에 액세스한다. 방법은 비절제 패턴 시뮬레이션의 비절제 패턴 정보를 식별한다. 비절제 패턴 정보는 환자 EM 출력에 대한 비절제 패턴 시뮬레이션의 시뮬레이션된 EM 출력의 유사성에 기초하여 식별된다. 방법은 절제 패턴 시뮬레이션과 관련된 절제 패턴 정보에 대한 비절제 패턴 정보의 유사성에 기초하여 절제 패턴을 식별한다. 방법은 환자의 EM 근원에 대한 잠재적인 절제 패턴으로서 식별된 절제 패턴의 표시를 출력한다. 일부 실시형태에서, EM 근원은 심장이고, 잠재적인 절제 패턴은 환자의 부정맥을 치료하기 위한 것이다. 일부 실시형태에서, 유사성은 식별된 절제 패턴에 대한 비절제 패턴 시뮬레이션과 관련된 맵핑 정보의 맵핑하는 것에 기초한다. 일부 실시형태에서, 맵핑 정보는 시뮬레이션된 EM 출력을 포함한다. 일부 실시형태에서, 맵핑은 직접 맵핑이다. 일부 실시형태에서, 맵핑은 간접 맵핑이다. 일부 실시형태에서, 비절제 패턴 정보는 비절제 패턴 시뮬레이션의 비절제 패턴 근원 구성을 포함하고, 절제 패턴 정보는 절제 패턴 시뮬레이션의 절제 패턴 근원 구성을 포함한다. 일부 실시형태에서, 식별된 절제 패턴의 표시는 절제 디바이스에 출력된다. 일부 실시형태에서, 절제 디바이스는 정위적 체부 방사선 치료 디바이스이다. 일부 실시형태에서, 식별된 절제 패턴의 표시는 디스플레이된다. 일부 실시형태에서, 식별된 절제 패턴은 EM 근원의 이미지에 겹쳐진다. 일부 실시형태에서, 이미지는 절제 처치의 일부로서 수집된 해부학적 파라미터에 기초한다. 일부 실시형태에서, 방법은 시뮬레이션의 교정된 모음으로부터 비절제 패턴 시뮬레이션을 추가로 식별한다.
일부 실시형태에서, 하나 이상의 컴퓨팅 시스템에 의해 수행되는 방법은 환자의 부정맥을 치료하기 위한 절제 패턴에 환자의 환자 정보를 맵핑하도록 맵핑 함수를 생성하기 위해 제공된다. 방법은 절제 패턴 시뮬레이션에 액세스한다. 각각의 절제 패턴 시뮬레이션은 시뮬레이션된 근원 구성 및 절제 패턴에 기초하여 생성된다. 시뮬레이션된 근원 구성은 시뮬레이션된 근원 위치를 포함한다. 각각의 절제 패턴 시뮬레이션에 대해, 방법은 시뮬레이션된 근원 위치에 기초하지 않고 시뮬레이션된 근원 구성에 기초하는 특징 및 절제 패턴에 기초하지 않고 시뮬레이션된 근원 구성에 기초한 비절제 패턴 시뮬레이션으로부터 생성된 시뮬레이션된 심장도에 기초하는 특징을 포함하는 시뮬레이션된 특징 벡터를 생성하고, 시뮬레이션된 근원 위치 및 그 절제 패턴 시뮬레이션의 절제 패턴을 이용하여 시뮬레이션된 특징 벡터를 추가로 라벨링한다. 방법은 특징 벡터를 사용하여 분류자를 트레이닝시키고 트레이닝 데이터로서 라벨링한다. 일부 실시형태에서, 방법은 근원 위치에 기초하지 않고 환자의 환자 근원 구성에 기초하는 특징 및 환자의 환자 심장도에 기초한 특징을 갖는 환자 특징 벡터를 추가로 생성하고, 환자를 치료하기 위해 근원 위치 및 절제 패턴을 식별하도록 환자 특징 벡터에 분류자를 추가로 적용한다. 일부 실시형태에서, 방법은 환자를 치료하기 위해 식별된 근원 위치 및 식별된 절제 패턴의 표시를 추가로 출력한다. 일부 실시형태에서, 환자는 정위적 체부 방사선 치료를 사용하여 치료된다.
일부 실시형태에서, 하나 이상의 컴퓨팅 시스템은 환자의 심장에 대한 절제 패턴을 식별하기 위해 제공된다. 하나 이상의 컴퓨팅 시스템은 컴퓨터 실행 가능 명령어를 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체, 및 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 명령은 실행될 때 비절제 패턴 시뮬레이션의 모델 라이브러리의 비절제 패턴 시뮬레이션으로부터 생성된 시뮬레이션된 심장도를 식별하기 위해 하나 이상의 컴퓨팅 시스템을 제어한다. 각각의 비절제 패턴 시뮬레이션은 심장의 계산 모델 및 시뮬레이션된 근원 위치를 포함하는 심장 구성에 기초하여 생성된다. 명령은 실행될 때 시뮬레이션된 심장도와 관련된 절제 패턴 및 시뮬레이션된 근원 위치를 식별하기 위해 하나 이상의 컴퓨팅 시스템을 제어하며, 절제 패턴 시뮬레이션과 관련된 절제 패턴은 심장의 계산 모델, 근원 위치를 포함하는 심장 구성, 및 식별된 절제 패턴에 기초하여 생성되며, 식별된 절제 패턴은 식별된 절제 패턴에 대한 식별된 시뮬레이션 심장도의 맵핑에 기초하여 식별된다. 명령은 실행될 때 식별된 시뮬레이션 근원 위치 및 식별된 절제 패턴에 기초하여 환자에 대한 절제 요법을 지시하기 위해 하나 이상의 컴퓨팅 시스템을 제어한다. 일부 실시형태에서, 절제 요법은 부정맥을 치료하기 위한 것이다. 일부 실시형태에서, 절제 요법을 지시하는 컴퓨터 실행 가능 명령어는 식별된 시뮬레이션 근원 위치 및 식별된 절제 패턴의 표시를 절제 디바이스에 출력한다. 일부 실시형태에서, 절제 디바이스는 정위적 체부 방사선 치료 디바이스이다. 일부 실시형태에서, 절제 디바이스는 신경 조절 디바이스이다. 일부 실시형태에서, 절제 요법을 지시하기 위한 컴퓨터 실행 가능 명령어는 심장 구성의 식별된 시뮬레이션 근원 위치 및 식별된 절제 패턴의 표시를 디스플레이한다. 일부 실시형태에서, 절제 패턴을 식별하기 위한 컴퓨터 실행 가능 명령어는 다수의 절제 패턴을 식별하고, 절제 요법을 지시하는 명령은 식별된 시뮬레이션 근원 위치 및 식별된 절제 패턴의 표시를 출력한다. 일부 실시형태에서, 심장 구성은 절제 요법의 일부로서 수집된 환자의 이미지로부터 유도된 해부학적 파라미터를 포함한다.
일부 실시형태에서, 환자의 심장을 치료하는 방법이 제공된다. 방법은 환자의 심장 내의 근원 위치 및 절제 패턴을 식별하는 단계를 포함한다. 식별은 절제 패턴 시뮬레이션에 기초한다. 각각의 절제 패턴 시뮬레이션은 근원 위치(예컨대, 로터 위치) 및 절제 패턴에 기초한다. 식별은 환자의 환자 심장도에 기초한다. 방법은 식별된 근원 위치에 기초하여 심장의 표적 부위에 신경 조절 디바이스를 위치시키는 단계를 포함한다. 방법은 신경 조절 디바이스를 사용하여 식별된 절제 패턴에 기초한 심장의 표적 부위에 에너지를 인가하는 단계를 포함한다. 일부 실시형태에서, 신경 조절 디바이스는 절제 카테터이고, 표적 부위에 에너지를 인가하는 단계는 표적 부위에 있는 신경 또는 심근 구조를 절제하는 고주파 에너지를 인가하는 단계를 포함한다. 일부 실시형태에서, 신경 조절 디바이스는 냉동 절제 카테터이고, 표적 부위에 에너지를 인가하는 단계는 표적 부위에 있는 신경 또는 심근 구조를 냉동 절제하는 냉각 에너지를 인가하는 단계를 포함한다. 일부 실시형태에서, 신경 조절 디바이스는 이식 가능한 펄스 발생기를 포함하고, 표적 부위에 에너지를 인가하는 단계는 표적 부위에 있는 신경 또는 심근 구조에 전기 에너지를 인가하는 단계를 포함한다. 일부 실시형태에서, 신경 조절 디바이스는 정위적 체부 방사선 치료 디바이스를 포함하고, 표적 부위에 에너지를 인가하는 단계는 표적 부위에 있는 신경 또는 심근 구조에 방사선을 인가하는 단계를 포함한다.
일부 실시형태에서, 환자를 치료하는 방법이 제공된다. 방법은 환자의 환자 심장도와 유사한 시뮬레이션된 심장도를 식별하도록 컴퓨팅 시스템에 지시하는 것에 의해 환자의 심장 내의 부정맥의 근원 위치 및 절제 패턴을 식별하는 단계를 포함하며, 시뮬레이션된 심장도는 비절제 패턴 시뮬레이션의 모델 라이브러리의 비절제 패턴 시뮬레이션으로부터 생성된다. 각각의 비절제 패턴 시뮬레이션은 심장의 계산 모델, 및 시뮬레이션된 근원 위치를 포함하는 시뮬레이션된 심장 구성에 기초하여 생성된다. 시뮬레이션된 심장도에 맵핑된 시뮬레이션의 각각의 심장 구성은 시뮬레이션된 심장도에 기초한다. 근원 위치의 식별은 식별된 시뮬레이션 심장도에 기초하여 시뮬레이션된 근원 위치 및 절제 패턴을 식별하도록 컴퓨팅 시스템에 추가로 지시한다. 시뮬레이션된 근원 위치 및 절제 패턴은 절제 패턴 시뮬레이션을 생성하는데 사용된다. 절제 패턴 시뮬레이션은 심장의 계산 모델, 시뮬레이션된 근원 위치를 포함하는 심장 구성, 및 절제 패턴에 기초하여 생성된다. 방법은 식별된 시뮬레이션 근원 위치에 기초하여 표적 부위에 신경 조절 디바이스를 위치시키는 단계, 및 위치된 신경 조절 디바이스를 사용하여 식별된 절제 패턴에 기초하여 에너지를 인가하는 단계를 포함한다. 일부 실시형태에서, 신경 조절 디바이스는 정위적 체부 방사선 치료 디바이스이고, 위치시키는 단계는 정위적 체부 방사선 치료 디바이스에 명령을 송신하는 컴퓨팅 시스템을 포함한다. 일부 실시형태에서, 방법은 정위적 체부 방사선 치료 디바이스에 의해 수집된 이미지로부터 환자의 해부학적 파라미터를 식별하는 단계를 포함한다. 일부 실시형태에서, 신경 조절 디바이스는 절제 카테터이고, 에너지를 인가하는 단계는 표적 부위에 있는 신경 또는 심근 구조를 절제하는 고주파 에너지를 인가하는 단계를 포함한다. 일부 실시형태에서, 신경 조절 디바이스는 냉동 절제 카테터이고, 에너지를 인가하는 단계는 표적 부위에 있는 신경 또는 심근 구조를 냉동 절제하는 냉각 에너지를 인가하는 단계를 포함한다. 일부 실시형태에서, 신경 조절 디바이스는 이식 가능한 펄스 발생기를 포함하고, 에너지를 인가하는 단계는 표적 부위에 있는 신경 또는 심근 구조에 전기 에너지를 인가하는 단계를 포함한다.
일부 실시형태에서, 환자를 치료하는 방법이 제공된다. 방법은 환자의 심장도와 유사한 시뮬레이션된 심장도를 식별하도록 컴퓨팅 시스템을 지시하는 것에 의해 환자의 심장 내의 부정맥의 근원 위치를 식별하는 단계를 포함한다. 시뮬레이션된 심장도는 시뮬레이션의 모델 라이브러리의 시뮬레이션으로부터 생성된다. 각각의 시뮬레이션은 심장의 계산 모델, 및 시뮬레이션된 근원 위치를 포함하는 시뮬레이션된 심장 구성에 기초하여 생성된다. 시뮬레이션의 각각의 심장 구성은 그 시뮬레이션에 기초하여 생성된 시뮬레이션된 심장도에 맵핑된다. 방법은 또한 식별된 시뮬레이션 심장도가 생성되는 시뮬레이션을 생성하는데 사용되는 시뮬레이션된 심장 구성의 시뮬레이션된 근원 위치를 식별하도록 컴퓨팅 시스템에 지시한다. 방법은 식별된 시뮬레이션 근원 위치에 기초하여 표적 부위에 신경 조절 디바이스를 위치시키는 단계를 포함한다. 방법은 위치된 신경 조절 디바이스를 사용하여 표적 부위에 에너지를 인가하는 단계를 포함한다.
일부 실시형태에서, 심장의 전기적 활성화의 시뮬레이션의 모델 라이브러리를 생성하기 위한 방법이 제공된다. 방법은 시뮬레이션된 근원 위치 및 절제 패턴을 포함하는 시뮬레이션된 심장 구성에 액세스하는 단계를 포함한다. 각각의 시뮬레이션된 심장 구성에 대해, 방법은 시뮬레이션된 심장 구성에 기초하여 시뮬레이션 실행하는 단계를 포함한다. 방법은 시뮬레이션이 부정맥을 유발하지 않을 때 성공한 것으로서 시뮬레이션을 지정하는 단계를 포함한다. 일부 실시형태에서, 방법은 성공적인 시뮬레이션을 생성하는데 사용되는 시뮬레이션된 심장 구성의 절제 패턴을, 절제 패턴을 포함하지 않는 시뮬레이션된 심장 구성에 기초한 시뮬레이션에 기초하여 생성된 시뮬레이션된 심장도에 맵핑하는 단계를 포함한다.
일부 실시형태에서, 절제 처치의 결과를 저장하기 위해 컴퓨팅 시스템에 의해 수행되는 방법이 제공된다. 방법은 환자 심장의 절제 표적을 식별하기 위해 계산 표적화 처치를 적용한다. 계산 표적화 처치는 부정맥의 근원 위치에 대한 심장도의 맵핑에 기초한다. 계산 표적화 처치는 환자의 심장도를 입력하고, 절제 표적으로서 근원 위치를 출력한다. 방법은 식별된 절제 표적에 기초하여 환자에 대해 수행된 절제 처치의 결과를 수신한다. 방법은 절제 처치 결과의 절제 처치 기록을 생성한다. 절제 처치 기록은 절제 처치에서 환자와 이해 관계자를 식별하고, 절제 처치의 결과에 대한 기준을 포함한다. 방법은 허가된 당사자에 의한 액세스를 위해 분산 원장에 기록하기 위한 절제 처치 기록을 게시한다. 일부 실시형태에서, 분산 원장은 블록 체인이다. 일부 실시형태에서, 한명 이상의 이해 관계자는 절제 처치의 결과 및 환자의 전자 의료 기록을 저장한다. 일부 실시형태에서, 절제 처치의 결과를 저장하는 이해 관계자는 결과에 대한 당사자의 액세스를 제어한다. 일부 실시형태에서, 절제 처치는 환자의 절제 연구 동안 환자에 대해 수행되는 복수의 절제 처치 중 하나이고, 환자에 대한 절제 처치 기록은 분산 원장의 동일한 블록에 저장된다. 일부 실시형태에서, 분산 원장의 각각의 블록은 단 한명의 환자의 절제 처치 기록을 저장한다. 일부 실시형태에서, 방법은 채굴자의 채굴 활동에 기초한 계산 표적화 처치에 대한 분산 원장 액세스를 채굴자에게 추가로 제공한다. 일부 실시형태에서, 방법은 채굴 활동에 기초하여 채굴자에게 토큰을 추가로 제공하고, 계산 표적화 처치에 대한 액세스를 위해 토큰을 교환한다. 일부 실시형태에서, 분산 원장은 블록 체인이며, 지분 증명 합의 알고리즘에 기초하여 블록을 채굴하기 위한 채굴자를 선택하는 단계를 더 포함한다. 일부 실시형태에서, 계산 표적화 처치는, 환자의 심장도를 입력하고 근원 위치를 출력하는 분류자를 적용하는 단계를 포함하며, 분류자는 트레이닝 데이터로서 맵핑을 사용하여 트레이닝된다. 일부 실시형태에서, 맵핑은 근원 위치를 포함하는 심장 구성에 기초하여 시간 경과에 따른 심장의 전자기 출력을 모델링하는 심장의 계산 모델을 사용하여 생성된다. 일부 실시형태에서, 맵핑은 환자로부터 수집된 심장도를 포함한다. 일부 실시형태에서, 방법은 분류자를 트레이닝시키기 위한 계산 자원을 제공하는 기여자에 기초하여 계산 표적화 처치에 대한 기여자 액세스를 추가로 제공한다. 일부 실시형태에서, 계산 표적화 처치는 환자의 심장도와 유사한 맵핑의 심장도를 식별하는 것, 및 식별된 맵핑의 근원 위치를 절제 표적으로서 선택하는 것을 포함한다. 일부 실시형태에서, 맵핑은 근원 위치를 포함하는 심장 구성에 기초하여 시간 경과에 따른 심장의 전자기 출력을 모델링하는 심장의 계산 모델을 사용하여 생성된다. 일부 실시형태에서, 맵핑은 환자로부터 수집된 심장도를 포함한다. 일부 실시형태에서, 맵핑은 근원 위치를 포함하는 심장 구성에 기초하여 시간 경과에 따른 심장의 전자기 출력을 모델링하는 심장의 계산 모델을 사용하여 생성된다. 일부 실시형태에서, 방법은 맵핑을 생성하기 위한 계산 자원을 제공하는 기여자에 기초하여 계산 표적화 처치에 대한 기여자 액세스를 추가로 제공한다. 일부 실시형태에서, 맵핑은 환자로부터 수집된 심장도를 포함한다. 일부 실시형태에서, 방법은 환자로부터 수집된 심장도를 제공하는 기여자에 기초하여 계산 표적화 처치에 대한 기여자 액세스를 추가로 제공한다.
일부 실시형태에서, 환자에 대해 수행된 처치의 결과를 저장하기 위한 컴퓨팅 시스템이 제공된다. 컴퓨팅 시스템은 컴퓨터 실행 가능 명령어를 저장하기 위한 하나 이상의 컴퓨터 판독 가능 저장 매체, 및 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서를 포함한다. 명령은 실행될 때 컴퓨팅 시스템을 다음과 같이 수행하도록 제어한다. 컴퓨팅 시스템은 처치 표적에 기초하여 환자의 전자기 근원에 대해 수행된 처치의 결과를 수신한다. 처치 표적은, 환자의 전자기 근원으로부터 유도된 전자기 데이터를 입력하고 처치 표적을 출력하는 계산 표적화 처치를 적용하는 것에 의해 식별된다. 컴퓨팅 시스템은 처치의 결과에 대한 기준을 포함하는 처치 기록을 생성한다. 컴퓨팅 시스템은 허가된 당사자에 의한 액세스를 위해 분산 원장에 처치 기록을 게시한다. 일부 실시형태에서, 분산 원장은 블록 체인이다. 일부 실시형태에서, 처치는 환자의 처치 연구 동안 환자에 대해 수행되는 복수의 처치 중 하나이다. 일부 실시형태에서, 처치는 환자의 연구 동안 환자에 대해 수행된 복수의 처치 중 하나이며, 환자에 대한 처치 기록은 분산 원장의 동일한 블록에 저장된다. 일부 실시형태에서, 컴퓨팅 시스템은 채굴자의 채굴 활동에 기초한 계산 표적화 처치에 대한 분산 원장 액세스를 채굴자에게 추가로 제공한다. 일부 실시형태에서, 명령은 채굴 활동에 기초하여 채굴자에게 토큰을 추가로 제공하고, 계산 표적화 처치에 대한 액세스를 위해 토큰을 교환한다. 일부 실시형태에서, 계산 표적화 처치는, 환자의 전자기 데이터를 입력하고 표적 위치를 출력하는 분류자를 적용하기 위한 명령을 포함하고, 분류자는 트레이닝 데이터로서 맵핑을 사용하여 트레이닝된다. 일부 실시형태에서, 맵핑은 근원 위치를 포함하는 전자기 근원 구성에 기초하여 시간 경과에 따른 전자기 근원의 전자기 출력을 모델링하는 전자기 근원의 계산 모델을 사용하여 생성된다. 일부 실시형태에서, 맵핑은 환자로부터 수집된 전자기 데이터를 포함한다. 일부 실시형태에서, 컴퓨팅 시스템은 분류자를 트레이닝시키기 위한 계산 자원을 제공하는 기여자에 기초하여 계산 표적화 처치에 대한 기여자 액세스를 추가로 제공한다. 일부 실시형태에서, 계산 표적화 처치는 환자의 전자기 출력과 유사한 맵핑의 전자기 출력을 식별하는 것, 및 처치 표적으로서 식별된 맵핑의 근원 위치를 선택하는 것을 포함한다. 일부 실시형태에서, 맵핑은 근원 위치를 포함하는 전자기 근원 구성에 기초하여 시간 경과에 따른 전자기 근원의 전자기 출력을 모델링하는 전자기 근원의 계산 모델을 사용하여 생성된다. 일부 실시형태에서, 맵핑은 환자로부터 수집된 전자기 데이터를 포함한다. 일부 실시형태에서, 맵핑은 근원 위치를 포함하는 전자기 구성에 기초하여 시간 경과에 따른 전자기 근원의 전자기 출력을 모델링하는 전자기 근원의 계산 모델을 사용하여 생성된다. 일부 실시형태에서, 컴퓨팅 시스템은 맵핑을 생성하기 위한 계산 자원을 제공하는 기여자에 기초하여 계산 표적화 처치에 대한 기여자 액세스를 제공한다. 일부 실시형태에서, 맵핑은 환자로부터 수집된 전자기 데이터를 포함한다. 일부 실시형태에서, 컴퓨팅 시스템은 환자로부터 수집된 전자기 데이터를 제공하는 기여자에 기초하여 계산 표적화 처치에 대한 기여자 액세스를 제공한다.
일부 실시형태에서, 하나 이상의 컴퓨팅 시스템에 의해 수행되는 방법은 환자의 환자 전자기 근원의 환자 전자기 데이터와 유사한 전자기 근원의 시뮬레이션된 전자기 데이터를 식별하기 위해 제공된다. 시뮬레이션된 전자기 데이터는 전자기 근원의 시뮬레이션된 페이싱 위치, 및 환자 전자기 근원의 환자 페이싱 위치에 기초하여 생성된 환자 전자기 데이터에 기초하여 생성된다. 방법은 그 시뮬레이션된 페이싱 위치가 환자 페이싱 위치와 유사한 시뮬레이션된 전자기 데이터를 식별한다. 방법은 환자의 전자기 근원의 환자 구성 파라미터와 유사한 시뮬레이션 구성 파라미터에 기초하여 생성된 시뮬레이션된 전자기 데이터를 식별한다. 방법은 환자의 환자 활동 전위와 유사한 시뮬레이션된 활동 전위에 기초하여 생성된 시뮬레이션된 전자기 데이터를 식별한다. 방법은 환자의 환자 전도 속도와 유사한 시뮬레이션된 전도 속도에 기초하여 생성된 시뮬레이션된 전자기 데이터를 식별한다. 방법은 식별된 시뮬레이션된 전자기 데이터에 기초하여 시뮬레이션된 전자기 데이터의 교정된 모음을 생성한다. 일부 실시형태에서, 방법은 환자의 환자 전자기 데이터와 유사한 시뮬레이션된 전자기 데이터를 식별한다. 일부 실시형태에서, 페이싱 리드(pacing lead)는 전자기 근원 내부로부터 전자기 펄스를 부여하는 침습성 페이싱 디바이스와 함께 배치된다. 일부 실시형태에서, 침습성 페이싱 디바이스는 카테터, 이식 가능한 심장 박동기, 또는 심박 조율기이다. 일부 실시형태에서, 환자 페이싱은 전자기 근원 외부로부터 전자기 펄스를 부여하는 비침습성 페이싱 디바이스를 사용하여 수행된다. 일부 실시형태에서, 비침습성 페이싱 디바이스는 환자의 전자기 근원을 페이싱하기 위해 전자기장을 생성한다. 일부 실시형태에서, 비침습성 페이싱 디바이스는 자기 공명 디바이스이다. 일부 실시형태에서, 전자기 근원은 심장이다.
일부 실시형태에서, 환자의 환자 전자기 근원의 환자 전자기 데이터와 유사한 전자기 근원의 시뮬레이션된 전자기 데이터를 식별하기 위한 방법이 제공된다. 환자 전자기 근원의 복수의 환자 페이싱 위치의 각각에 대해, 방법은 페이싱 위치에 전자기 임펄스를 송신하는 것에 의해 환자 전자기 근원을 페이싱하는 단계, 및 페이싱 동안 환자 전자기 데이터를 수집하는 단계를 포함한다. 방법은 환자 페이싱 위치 및 환자 페이싱 위치에서 페이싱하는 동안 수집된 환자 전자기 데이터를, 시뮬레이션의 교정된 모음을 생성하는 하나 이상의 컴퓨팅 디바이스에 제출하는 단계를 포함한다. 하나 이상의 컴퓨팅 디바이스는 시뮬레이션 및 환자의 페이싱 위치, 근원 구성, 활동 전위, 전도 속도, 및 환자 전자기 데이터 사이의 유사성에 기초하여 전자기 근원의 시뮬레이션의 모델 라이브러리의 시뮬레이션을 식별한다. 식별된 시뮬레이션은 시뮬레이션의 교정된 모음을 형성한다. 일부 실시형태에서, 방법은 환자의 환자 심장도를 하나 이상의 컴퓨팅 디바이스에 제출하는 단계, 및 시뮬레이션된 심장도와 환자 심장도 사이의 유사성에 기초하여 교정된 모음의 시뮬레이션의 근원 구성 파라미터의 표시를 수신하는 단계를 포함한다. 일부 실시형태에서, 방법은 각각의 환자 페이싱 위치에 대해, 그 환자 페이싱 위치에 페이싱 리드를 배치하는 단계를 포함하며, 전자기 임펄스는 페이싱 리드를 통해 송신된다. 일부 실시형태에서, 환자 페이싱 리드의 배치는 환자 전자기 근원 내부로부터 전기 임펄스를 부여하는 침습성 페이싱 디바이스를 사용하여 수행된다. 일부 실시형태에서, 침습성 페이싱 디바이스는 카테터, 이식 가능한 심장 박동기, 또는 심박 조율기이다. 일부 실시형태에서, 전자기 근원은 심장이다. 일부 실시형태에서, 전자기 임펄스는 비침습성 페이싱 디바이스를 통해 생성된다. 일부 실시형태에서, 비침습성 페이싱 디바이스는 자기 공명 디바이스이다. 일부 실시형태에서, 방법은 교정된 모음에 기초하여 식별된 근원 구성의 근원 파라미터의 표시를 하나 이상의 컴퓨팅 디바이스로부터 수신하는 단계를 포함한다. 일부 실시형태에서, 근원 파라미터는 근원 위치이다. 일부 실시형태에서, 방법은 근원 위치에 기초하여 환자 전자기 근원에 대한 처치를 수행하는 단계를 포함한다. 일부 실시형태에서, 환자 페이싱 위치 중 2개는 먼 페이싱 위치이다.
비록 요지가 구조적 특징 및/또는 행위에 대해 특정한 언어로 설명되었지만, 첨부된 청구범위에서 한정된 요지가 반드시 위에서 설명된 특정 특징 또는 행위로 제한되지 않는다는 것을 이해해야 한다. 오히려, 위에서 설명된 특정 특징 및 행위는 청구범위를 구현하는 예시적인 형태로 개시된다.
일부 실시형태에서, MLMO 시스템은 상이한 유형의 분류에 기초하여 전자기 근원의 전자기 출력을 분류하기 위해 이용될 수 있다. 예를 들어, 분류는 심장 질환의 위치(예컨대, 로터 위치), 흉터 또는 섬유증 또는 전부정맥 기질 위치, 심장 기하학적 구조(예컨대, 심실 배향) 등을 포함할 수 있다. 트레이닝 데이터를 생성하기 위해, MLMO 시스템은 분류자가 생성할 분류 유형을 이용하여 트레이닝 데이터를 라벨링한다. 그러므로, 본 발명은 첨부된 청구범위를 제외하고는 제한되지 않는다.

Claims (33)

  1. 신체 내의 전자기 근원으로부터 유도된 전자기 데이터에 대한 라벨을 생성하기 위한 머신 러닝 트레이닝을 위해 하나 이상의 컴퓨팅 시스템에 의해 수행되는 방법에 있어서,
    전자기 근원의 계산 모델에 액세스하는 단계로서, 계산 모델은 전자기 근원의 근원 구성에 기초하여 시간 경과에 따라 전자기 근원의 전자기 출력을 모델링하기 위한 것인, 단계;
    복수의 근원 구성 각각에 대하여, 계산 모델을 사용하여, 해당 근원 구성에 대한 전자기 근원의 모델링된 전자기 출력을 생성하는 단계;
    모델링된 전자기 출력 각각에 대하여,
    모델링된 전자기 출력에 대한 전자기 데이터를 유도하는 단계; 및
    모델링된 전자기 데이터에 대한 근원 구성에 기초하여 유도된 전자기 데이터에 대한 라벨을 생성하는 단계; 및
    트레이닝 데이터로서 유도된 전자기 데이터 및 라벨들을 이용하여 머신 러닝 트레이닝을 수행하는 단계
    를 포함하는 방법.
  2. 제1항에 있어서,
    근원 구성에 대한 모델링된 전자기 출력은, 복수의 시간 간격 각각에 대하여, 전자기 근원의 복수의 위치 각각에 대한 모델링된 전자기값을 갖는 전자기 격자를 포함하는 것인, 방법.
  3. 제2항에 있어서,
    유도된 전자기 데이터는 시간 간격 동안 전자기 출력의 동등한 근원 표현인 것인, 방법.
  4. 제3항에 있어서,
    동등한 근원 표현은 주요 컴포넌트 분석(principal component analysis)을 사용하여 생성되는 것인, 방법.
  5. 제3항에 있어서,
    모델링된 전자기 출력에 대한 유도된 전자기 데이터 내의 사이클들을 식별하는 단계를 더 포함하는 방법.
  6. 제5항에 있어서,
    동일한 라벨이 각각의 사이클에 대해 생성되는 것인, 방법.
  7. 제5항에 있어서,
    유사한 사이클들의 시퀸스를 식별하는 단계를 더 포함하고,
    동일한 라벨이 각각의 시퀀스에 대해 생성되는 것인, 방법.
  8. 제5항에 있어서,
    모델링된 전자기 출력에 대한 전자기 데이터를 유도하는 단계는, 사이클당 기반(per-cycle basis)으로 모델링된 전자기 출력을 정상화하는 것을 포함하는 것인, 방법.
  9. 제1항에 있어서,
    머신 러닝 트레이닝은 컨볼루션 신경망(convolutional neural network)에 기초하는 것인, 방법.
  10. 제9항에 있어서,
    컨볼루션 신경망은 1-차원 이미지를 입력하는 것인, 방법.
  11. 제1항에 있어서,
    머신 러닝 트레이닝은 재귀 신경망(recurrent neural network), 오토인코더(autoencoder), 또는 제한된 볼츠만 머신(Boltzmann machine)에 기초하는 것인, 방법.
  12. 제1항에 있어서,
    머신 러닝 트레이닝은 지원 벡터 머신에 기초하는 것인, 방법.
  13. 제1항에 있어서,
    머신 러닝 트레이닝은 베이지안(Bayesian)에 기초하는 것인, 방법.
  14. 제1항에 있어서,
    전자기 근원은 심장이고, 근원 구성은 근원 위치 및 심장 질환의 다른 특성을 나타내고, 모델링된 전자기 출력은 심장의 활성화를 나타내고, 전자기 데이터는 심전도와 같은 신체 표면 측정치에 기초하는 것인, 방법.
  15. 제14항에 있어서,
    심장 질환은 심방세동(atrial fibrillation), 심실세동(ventricular fibrillation), 심방빈맥(atrial tachycardia), 심실빈맥(ventricular tachycardia), 심방조동(atrial flutter), 조기 심방 콤플렉스(premature ventricular complexes), 방실 결절 회귀성 빈맥(atrioventricular nodal reentrant tachycardia), 방실 회귀성 빈맥(atrioventricular reentrant tachycardia) 및 접합성 빈맥(junctional tachycardia)로 구성되는 세트로부터 선택되는 것인, 방법.
  16. 신체 내의 전자기 근원인 표적으로부터 수집되는 라벨 전자기 출력을 생성하기 위해 하나 이상의 컴퓨팅 시스템에 의해 수행되는 방법에 있어서,
    전자기 근원의 전자기 출력을 라벨링하기 위해 머신 러닝 가중치에 액세스하는 단계로서, 머신 러닝 가중치는 전자기 근원의 복수의 근원 구성에 대한 모델링된 전자기 출력으로부터 생성된 트레이닝 데이터를 사용하여 학습되고, 모델링된 전자기 출력은, 근원 구성에 기초하여 시간 경과에 따라 전자기 근원의 전자기 출력을 모델링하는, 전자기 근원의 계산 모델을 사용하여 생성되는 것인, 단계;
    표적으로부터 표적 전자기 출력을 수집하는 것인 단계; 및
    머신 러닝 가중치에 기초하여 표적 전자기 출력에 대한 라벨을 생성하는 단계
    를 포함하는 방법.
  17. 제16항에 있어서,
    트레이닝 데이터는, 근원 구성의 각각에 대하여, 복수의 시뮬레이션 간격의 각각에 대해 전자기 격자를 생성하는 시뮬레이션을 실행시킴으로써 생성되고, 각각의 전자기 격자는 전자기 근원의 복수의 위치에 대하여 전자기값을 갖는 것인, 방법.
  18. 제16항에 있어서,
    전자기 근원은 심장이고, 근원 구성은 심장 질환의 근원 위치를 나타내고, 모델링된 전자기 출력은 심장의 활성화를 나타내고, 머신 러닝 가중치는 전자기 출력의 심전도 표현으로부터 유도된 전자기 데이터를 사용하여 학습되는 것인, 방법.
  19. 전자기 근원의 전자기 출력을 분류하기 위해 분류자를 생성하기 위한 하나 이상의 컴퓨팅 시스템에 있어서, 상기 시스템은,
    하나 이상의 컴퓨터 판독 가능 저장 매체; 및
    상기 하나 이상의 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 실행 가능 명령어를 실행하기 위한 하나 이상의 프로세서
    를 포함하고,
    상기 하나 이상의 컴퓨터 판독 가능 저장 매체는,
    전자기 근원의 계산 모델로서, 전자기 근원의 근원 구성에 기초하여 시간 경과에 따라 전자기 근원의 전자기 출력을 모델링하는 계산 모델; 및
    컴퓨터 실행 가능 명령어로서, 하나 이상의 컴퓨팅 시스템으로 하여금 복수의 근원 구성 각각에 대하여, 근원 구성에 기초하는 계산 모델의 전자기 출력으로부터 트레이닝 데이터를 생성하도록 그리고 트레이닝 데이터를 사용하여 분류자를 트레이닝하도록 제어하기 위한 컴퓨터 실행 가능 명령어
    를 저장하는 것인, 하나 이상의 컴퓨팅 시스템.
  20. 제19항에 있어서,
    근원 구성에 대한 트레이닝 데이터를 생성하기 위해 컴퓨터 실행 가능 명령어는 또한, 하나 이상의 컴퓨팅 시스템으로 하여금, 근원 구성에 대해 전자기 출력으로부터 유도된 전자기 데이터를 생성하도록 그리고 근원 구성에 기초하여 전자기 데이터에 대한 라벨을 생성하도록 제어하는 것인, 하나 이상의 컴퓨팅 시스템.
  21. 머신 러닝 트레이닝을 수행하기 위해 하나 이상의 컴퓨팅 시스템에 의해 수행되는 방법에 있어서,
    복수의 트레이닝 심장도에 액세스하는 단계로서, 각각의 트레이닝 심장도는 심장과 관련되고 심장의 근원 구성의 구성 파라미터에 대한 값과 관련된 전자기 출력으로부터 유도되고, 전자기 출력은 심장의 전기적 활성화를 나타내는 것인, 단계; 및
    가중치를 생성하도록 트레이닝 심장도에 기초하여 머신 러닝 트레이닝을 수행하는 단계로서, 가중치는 표적 심장도가 주어진 구성 파라미터에 대한 값을 생성하기 위한 것이고, 생성된 값은 표적 심장도가 유도되는 표적 심장의 근원 구성의 구성 파라미터에 대한 값을 나타내는 것인, 단계
    를 포함하는, 방법.
  22. 제21항에 있어서,
    머신 러닝 트레이닝은 신경망에 기초하는 것인, 방법.
  23. 제21항에 있어서,
    구성 파라미터에 대한 값은 심장의 분류인 것인, 방법.
  24. 제21항에 있어서,
    머신 러닝은 심장도의 클러스터링(clustering)에 기초하는 것인, 방법.
  25. 제21항에 있어서,
    적어도 일부의 트레이닝 심장도는 시뮬레이션된 심장도인 것인, 방법.
  26. 제21항에 있어서,
    적어도 일부의 트레이닝 심장도는 환자로부터 수집되는 것인, 방법.
  27. 제21항에 있어서,
    환자의 환자 심장도에 액세스하는 단계; 및
    환자에 대한 구성 파라미터에 대한 값을 생성하는 단계로서, 생성된 값은 가중치 및 환자 심장도에 기초하는 것인, 단계
    를 더 포함하는 방법.
  28. 환자의 심장의 구성 파라미터에 대한 값을 생성하기 위한 하나 이상의 컴퓨팅 시스템에 있어서, 상기 하나 이상의 컴퓨팅 시스템은,
    하나 이상의 컴퓨팅 시스템을 제어하기 위한 컴퓨터 실행 가능 명령어를 저장하는 하나 이상의 컴퓨터 판독 가능 저장 매체; 및
    상기 하나 이상의 컴퓨팅 시스템이 하나 이상의 컴퓨터 실행 가능 명령어를 실행하도록 제어하기 위한 하나 이상의 프로세서
    를 포함하고,
    상기 컴퓨터 실행 가능 명령어는 상기 하나 이상의 컴퓨팅 시스템으로 하여금,
    환자의 환자 심장도에 액세스하도록,
    머신 러닝 트레이닝을 수행함으로써 학습되는 가중치에 액세스하되, 트레이닝은 트레이닝 심장도에 기초하고, 각각의 트레이닝 심장도는 심장과 관련되고 심장의 근원 구성의 구성 파라미터에 대한 값과 관련된 전자기 출력으로부터 유도되고, 전자기 출력은 심장의 전기 활성화를 나타내도록, 그리고
    환자의 심장의 구성 파라미터에 대한 값을 생성하되, 생성된 값은 환자의 심장의 근원 구성의 구성 파라미터에 대한 값을 나타내도록
    제어하기 위한 것인, 하나 이상의 컴퓨팅 시스템.
  29. 제28항에 있어서,
    머신 러닝 트레이닝은 신경망에 기초하는 것인, 하나 이상의 컴퓨팅 시스템.
  30. 제28항에 있어서,
    구성 파라미터에 대한 값은 분류인 것인, 하나 이상의 컴퓨팅 시스템.
  31. 제28항에 있어서,
    머신 러닝은 심장도의 클러스터링에 기초하는 것인, 하나 이상의 컴퓨팅 시스템.
  32. 제28항에 있어서,
    적어도 일부의 트레이닝 심장도는 시뮬레이션된 심장도인 것인, 하나 이상의 컴퓨팅 시스템.
  33. 제28항에 있어서,
    적어도 일부의 심장도는 환자로부터 수집된 것인, 하나 이상의 컴퓨팅 시스템.
KR1020237009924A 2018-04-26 2019-04-25 시뮬레이션된 심장도의 교정 KR20230044545A (ko)

Applications Claiming Priority (32)

Application Number Priority Date Filing Date Title
US201862663049P 2018-04-26 2018-04-26
US62/663,049 2018-04-26
US16/043,054 US11253206B2 (en) 2018-04-26 2018-07-23 Display of an electrical force generated by an electrical source within a body
US16/043,022 2018-07-23
US16/042,973 2018-07-23
US16/043,050 US11013471B2 (en) 2018-04-26 2018-07-23 Display of an electromagnetic source based on a patient-specific model
US16/042,993 2018-07-23
US16/042,973 US20190333640A1 (en) 2018-04-26 2018-07-23 User interface for presenting simulated anatomies of an electromagnetic source
US16/042,984 2018-07-23
US16/043,022 US20190328335A1 (en) 2018-04-26 2018-07-23 Bootstrapping a simulation-based electromagnetic output of a different anatomy
US16/043,034 2018-07-23
US16/043,041 US11547369B2 (en) 2018-04-26 2018-07-23 Machine learning using clinical and simulated data
US16/043,050 2018-07-23
US16/043,034 US11622732B2 (en) 2018-04-26 2018-07-23 Identifying an attribute of an electromagnetic source configuration by matching simulated and patient data
US16/042,953 US20190333639A1 (en) 2018-04-26 2018-07-23 Generating a model library of models of an electromagnetic source
US16/042,984 US11564641B2 (en) 2018-04-26 2018-07-23 Generating simulated anatomies of an electromagnetic source
US16/042,953 2018-07-23
US16/043,011 US11576624B2 (en) 2018-04-26 2018-07-23 Generating approximations of cardiograms from different source configurations
US16/043,054 2018-07-23
US16/042,993 US11504073B2 (en) 2018-04-26 2018-07-23 Machine learning using clinical and simulated data
US16/043,011 2018-07-23
US16/043,041 2018-07-23
US16/162,695 2018-10-17
US16/162,695 US10856816B2 (en) 2018-04-26 2018-10-17 Machine learning using simulated cardiograms
US201862760561P 2018-11-13 2018-11-13
US62/760,561 2018-11-13
US16/206,005 2018-11-30
US16/206,005 US10860754B2 (en) 2018-04-26 2018-11-30 Calibration of simulated cardiograms
US16/247,463 US11259871B2 (en) 2018-04-26 2019-01-14 Identify ablation pattern for use in an ablation
US16/247,463 2019-01-14
PCT/US2019/029184 WO2019210092A1 (en) 2018-04-26 2019-04-25 Calibration of simulated cardiograms
KR1020207034057A KR102514576B1 (ko) 2018-04-26 2019-04-25 시뮬레이션된 심장도의 교정

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020207034057A Division KR102514576B1 (ko) 2018-04-26 2019-04-25 시뮬레이션된 심장도의 교정

Publications (1)

Publication Number Publication Date
KR20230044545A true KR20230044545A (ko) 2023-04-04

Family

ID=68294243

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020237009924A KR20230044545A (ko) 2018-04-26 2019-04-25 시뮬레이션된 심장도의 교정
KR1020207034057A KR102514576B1 (ko) 2018-04-26 2019-04-25 시뮬레이션된 심장도의 교정

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020207034057A KR102514576B1 (ko) 2018-04-26 2019-04-25 시뮬레이션된 심장도의 교정

Country Status (8)

Country Link
US (4) US11259871B2 (ko)
EP (2) EP3619720B1 (ko)
JP (3) JP7214087B2 (ko)
KR (2) KR20230044545A (ko)
CN (3) CN113851225B (ko)
AU (2) AU2019257716B2 (ko)
CA (1) CA3080944A1 (ko)
WO (2) WO2019210092A1 (ko)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11259871B2 (en) 2018-04-26 2022-03-01 Vektor Medical, Inc. Identify ablation pattern for use in an ablation
US11253206B2 (en) 2018-04-26 2022-02-22 Vektor Medical, Inc. Display of an electrical force generated by an electrical source within a body
US11445935B2 (en) 2018-11-26 2022-09-20 Biosense Webster (Israel) Ltd. Finding the origin of an arrythmia
US10595736B1 (en) 2019-06-10 2020-03-24 Vektor Medical, Inc. Heart graphic display system
US10709347B1 (en) 2019-06-10 2020-07-14 Vektor Medical, Inc. Heart graphic display system
US11116435B2 (en) * 2019-08-26 2021-09-14 Biosense Webster (Israel) Ltd. Automatic identification of a location of focal source in atrial fibrillation (AF)
CN111626011B (zh) * 2020-04-20 2023-07-07 芯创智(上海)微电子有限公司 一种基于可配置断点重启的fpga综合快速迭代方法及系统
US20220008126A1 (en) * 2020-07-07 2022-01-13 Biosense Webster (Israel) Ltd. Optimized ablation for persistent atrial fibrillation
WO2022094425A1 (en) 2020-10-30 2022-05-05 Vektor Medical, Inc. Heart graphic display system
US11904174B2 (en) 2020-11-25 2024-02-20 Manicka Institute Llc Secure communications between an implantable biomedical device and authorized parties over the internet
US20220161038A1 (en) * 2020-11-25 2022-05-26 Manicka Institute Llc Secure communications between an implantable biomedical device and authorized parties over the internet
WO2022162329A1 (en) * 2021-01-26 2022-08-04 King's College London System and method for characterising heart tissues
US11338131B1 (en) * 2021-05-05 2022-05-24 Vektor Medical, Inc. Guiding implantation of an energy delivery component in a body
US20230038493A1 (en) 2021-08-09 2023-02-09 Vektor Medical, Inc. Tissue state graphic display system
US11534224B1 (en) * 2021-12-02 2022-12-27 Vektor Medical, Inc. Interactive ablation workflow system
US20230355301A1 (en) * 2022-05-03 2023-11-09 Medtronic, Inc. Ablation assistance using numeric modeling
WO2024023927A1 (ja) * 2022-07-26 2024-02-01 日本電信電話株式会社 推定装置、推定方法、推定モデル生成装置、推定モデル生成方法及びプログラム
EP4350711A1 (en) * 2022-08-19 2024-04-10 UT-Heart Inc. Method for utilizing in-silico heart disease database, program for utilizing in-silico heart disease database, and information processing device
WO2024055046A2 (en) * 2022-09-09 2024-03-14 Vektor Medical, Inc. Integration of electrophysiological procedure systems

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5458116A (en) 1994-03-30 1995-10-17 Siemens Medical Systems, Inc. Display system and method for three-dimensional vectorcardiograms

Family Cites Families (165)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4352163A (en) 1979-11-09 1982-09-28 The Valeron Corporation Vectorcardiogram simulator
JPH04174643A (ja) 1990-11-06 1992-06-22 Fujitsu Ltd 生体内活動電流イメージング装置
US5601084A (en) 1993-06-23 1997-02-11 University Of Washington Determining cardiac wall thickness and motion by imaging and three-dimensional modeling
US5596634A (en) 1994-12-13 1997-01-21 At&T Telecommunications system for dynamically selecting conversation topics having an automatic call-back feature
JPH08289877A (ja) 1995-04-24 1996-11-05 Toshiba Corp 組織の興奮伝播過程のシミュレーション方法及びこの方法を使用した組織内電磁気現象診断装置
US5891132A (en) 1996-05-30 1999-04-06 Chiron Technolas Gmbh Opthalmologische Systeme Distributed excimer laser surgery system
US5803084A (en) 1996-12-05 1998-09-08 Olson; Charles Three dimensional vector cardiographic display and method for displaying same
US6292783B1 (en) 1998-03-06 2001-09-18 Plexar & Associates Phone-assisted clinical document information computer system for use in home healthcare, post-acute clinical care, hospice and home infusion applications
US6269336B1 (en) 1998-07-24 2001-07-31 Motorola, Inc. Voice browser for interactive services and methods thereof
US8666495B2 (en) 1999-03-05 2014-03-04 Metacure Limited Gastrointestinal methods and apparatus for use in treating disorders and controlling blood sugar
JP2001005488A (ja) 1999-06-18 2001-01-12 Mitsubishi Electric Corp 音声対話システム
US7000187B2 (en) 1999-07-01 2006-02-14 Cisco Technology, Inc. Method and apparatus for software technical support and training
US6792086B1 (en) 1999-08-24 2004-09-14 Microstrategy, Inc. Voice network access provider system and method
US6370412B1 (en) 1999-10-07 2002-04-09 Massachusetts Institute Of Technology Method and apparatus for guiding ablative therapy of abnormal biological electrical excitation
EP1275042A2 (en) 2000-03-06 2003-01-15 Kanisa Inc. A system and method for providing an intelligent multi-step dialog with a user
US6931273B2 (en) 2000-04-11 2005-08-16 University Of California San Francisco Database of body surface ECG P wave integral maps for localization of left-sided atrial arrhythmias
US6567805B1 (en) 2000-05-15 2003-05-20 International Business Machines Corporation Interactive automated response system
IL163684A0 (en) 2000-05-31 2005-12-18 Given Imaging Ltd Measurement of electrical characteristics of tissue
US7587368B2 (en) 2000-07-06 2009-09-08 David Paul Felsher Information record infrastructure, system and method
US6941166B2 (en) 2000-11-10 2005-09-06 C.R. Bard, Inc. Software controlled electrophysiology data management
US6721728B2 (en) 2001-03-02 2004-04-13 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System, method and apparatus for discovering phrases in a database
US7286866B2 (en) 2001-11-05 2007-10-23 Ge Medical Systems Global Technology Company, Llc Method, system and computer product for cardiac interventional procedure planning
US7712020B2 (en) 2002-03-22 2010-05-04 Khan Emdadur R Transmitting secondary portions of a webpage as a voice response signal in response to a lack of response by a user
US7302383B2 (en) 2002-09-12 2007-11-27 Luis Calixto Valles Apparatus and methods for developing conversational applications
US7123954B2 (en) 2002-09-19 2006-10-17 Sanjiv Mathur Narayan Method for classifying and localizing heart arrhythmias
AU2003302369A1 (en) 2002-11-01 2004-06-18 University Of Lausanne Methods of analyzing atrial fibrillations
EP1615563B1 (en) 2003-04-24 2015-07-29 A.M.P.S., Llc Method and system for converting paper ecg printouts to digital ecg files
US7010347B2 (en) 2004-02-14 2006-03-07 Pacesetter, Inc. Optimization of impedance signals for closed loop programming of cardiac resynchronization therapy devices
JP4753881B2 (ja) 2004-01-16 2011-08-24 コンプメディクス リミテッド 心電図から導出された睡眠呼吸障害の監視、検出及び分類のための装置及び信号処理方法
RS49856B (sr) 2004-01-16 2008-08-07 Boško Bojović Uređaj i postupak za vizuelnu trodimenzionalnu prezentaciju ecg podataka
WO2006045075A1 (en) 2004-10-20 2006-04-27 Boston Scientific Limited Leadless cardiac stimulation systems
WO2006066324A1 (en) 2004-12-21 2006-06-29 Sydney West Area Health Service Automated processing of electrophysiological data
GB0505396D0 (en) 2005-03-16 2005-04-20 Imp College Innovations Ltd Spatio-temporal self organising map
US20070060829A1 (en) 2005-07-21 2007-03-15 Carlo Pappone Method of finding the source of and treating cardiac arrhythmias
US7711165B2 (en) 2005-07-28 2010-05-04 Siemens Medical Solutions Usa, Inc. System and method for coronary artery segmentation of cardiac CT volumes
CN101317194A (zh) 2005-08-17 2008-12-03 皇家飞利浦电子股份有限公司 用于自动4d冠脉建模和运动矢量场估计的方法和设备
US8838215B2 (en) 2006-03-01 2014-09-16 Angel Medical Systems, Inc. Systems and methods of medical monitoring according to patient state
US7792563B2 (en) 2006-03-16 2010-09-07 Massachusetts Institute Of Technology Method and apparatus for the guided ablative therapy of fast ventricular arrhythmia
US7828735B2 (en) 2006-05-11 2010-11-09 The Trustees Of Columbia In The City Of New York Methods for providing diagnostic information using endocardial surface data for a patient's heart
US7558622B2 (en) 2006-05-24 2009-07-07 Bao Tran Mesh network stroke monitoring appliance
US8155735B2 (en) 2006-09-19 2012-04-10 The Cleveland Clinic Foundation Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients
US7765002B2 (en) 2006-12-08 2010-07-27 Cardiac Pacemakers, Inc. Rate aberrant beat selection and template formation
US9370310B2 (en) 2007-01-18 2016-06-21 General Electric Company Determination of cellular electrical potentials
US20080234576A1 (en) 2007-03-23 2008-09-25 General Electric Company System and method to track movement of a tool in percutaneous replacement of a heart valve
US10231077B2 (en) 2007-07-03 2019-03-12 Eingot Llc Records access and management
US20090275850A1 (en) 2008-04-30 2009-11-05 Mehendale Anil C Electrocardiographic (ECG) Data Analysis Systems and Methods
CA2942993A1 (en) 2008-10-09 2010-04-15 The Regents Of The University Of California Methods, system and apparatus for the detection, diagnosis and treatment of biological rhythm disorders
JP5911726B2 (ja) 2008-11-10 2016-04-27 カーディオインサイト テクノロジーズ インコーポレイテッド 電気生理学データの視覚化
US8073220B2 (en) 2009-04-20 2011-12-06 Siemens Aktiengesellschaft Methods and systems for fully automatic segmentation of medical images
EP2266459A1 (en) 2009-06-24 2010-12-29 Cortius B.V. i.o. Inverse imaging of electrical activity of a heart muscle
US20110028848A1 (en) 2009-07-31 2011-02-03 Cem Shaquer Methods and Apparatus for Detecting and Mapping Tissue Interfaces
EP2467055A1 (en) 2009-08-21 2012-06-27 Auckland UniServices Limited System and method for mapping gastro-intestinal electrical activity
US8224640B2 (en) 2009-09-08 2012-07-17 Siemens Aktiengesellschaft Method and system for computational modeling of the aorta and heart
US9332915B2 (en) 2013-03-15 2016-05-10 The Regents Of The University Of California System and method to identify sources associated with biological rhythm disorders
US9392948B2 (en) 2011-12-09 2016-07-19 The Regents Of The University Of California System and method of identifying sources for biological rhythms
US20110118590A1 (en) 2009-11-18 2011-05-19 Siemens Medical Solutions Usa, Inc. System For Continuous Cardiac Imaging And Mapping
KR20130057998A (ko) 2010-04-08 2013-06-03 더 리젠츠 오브 더 유니버시티 오브 캘리포니아 생물학적 리듬 장애의 검출, 진단 및 처치를 위한 방법, 시스템 및 장치
US20130131629A1 (en) 2010-05-19 2013-05-23 The Board of Regents of the Unversity of Texas System Nanochanneled device and related methods
US20110307231A1 (en) 2010-06-09 2011-12-15 Jens Kirchner Method and arrangement for creating an individualized, computer-aided model of a system, and a corresponding computer program and a corresponding machine-readable storage medium
US8438182B2 (en) 2010-12-30 2013-05-07 Microsoft Corporation Patient identification
WO2012106729A1 (en) 2011-02-04 2012-08-09 Phase Space Systems Corporation System and method for evaluating an electrophysiological signal
JP6203641B2 (ja) * 2011-02-11 2017-09-27 ザ・ジョンズ・ホプキンス・ユニバーシティー 患者別に心臓手術を計画するシステム、方法、およびプログラム
EP2705464B1 (en) 2011-05-02 2018-04-18 Topera, Inc. System and method for targeting heart rhythm disorders using shaped ablation
US8972228B2 (en) 2011-05-03 2015-03-03 Medtronic, Inc. Assessing intra-cardiac activation patterns
EP2723230B1 (en) 2011-06-24 2019-08-28 Dalhousie University Computer-aided localization of site of origin of cardiac activation
WO2013056050A1 (en) 2011-10-12 2013-04-18 Cardioinsight Technologies, Inc. Sensing zone for spatially relevant electrical information
US10311978B2 (en) 2012-01-30 2019-06-04 Siemens Healthcare Gmbh Method and system for patient specific planning of cardiac therapies on preoperative clinical data and medical images
US9129053B2 (en) 2012-02-01 2015-09-08 Siemens Aktiengesellschaft Method and system for advanced measurements computation and therapy planning from medical data and images using a multi-physics fluid-solid heart model
US9842725B2 (en) 2013-01-31 2017-12-12 Lam Research Corporation Using modeling to determine ion energy associated with a plasma system
US9320126B2 (en) 2012-12-17 2016-04-19 Lam Research Corporation Determining a value of a variable on an RF transmission model
US20130268284A1 (en) 2012-04-05 2013-10-10 Ryan Heck System and Method for Transferring Patients Between Hospitals
JP5946127B2 (ja) 2012-05-11 2016-07-05 富士通株式会社 シミュレーション方法、シミュレーション装置、およびシミュレーションプログラム
WO2013192459A1 (en) 2012-06-20 2013-12-27 Intermountain Invention Management, Llc Atrial fibrillation treatment systems and methods
US9277970B2 (en) 2012-07-19 2016-03-08 Siemens Aktiengesellschaft System and method for patient specific planning and guidance of ablative procedures for cardiac arrhythmias
US9566011B2 (en) 2012-09-13 2017-02-14 University Of South Florida Systems and methods for diagnosing cardiovascular conditions
US9014795B1 (en) 2012-09-25 2015-04-21 University Of South Florida Systems and methods for determining a cardiovascular condition of a subject
US9339201B2 (en) 2012-10-08 2016-05-17 Tosense, Inc. Database and algorithm for evaluating efficacy of an electrophysiology procedure
US9282894B2 (en) 2012-10-08 2016-03-15 Tosense, Inc. Internet-based system for evaluating ECG waveforms to determine the presence of p-mitrale and p-pulmonale
US11826170B2 (en) 2012-10-10 2023-11-28 G-Tech Medical, Inc. Artificial intelligence models for wireless patch data acquisition for gastrointestinal electrodiagnostics
US10827983B2 (en) 2012-10-30 2020-11-10 The Johns Hopkins University System and method for personalized cardiac arrhythmia risk assessment by simulating arrhythmia inducibility
EP2936364B1 (en) * 2012-12-18 2019-09-25 Koninklijke Philips N.V. Method and apparatus for simulating blood flow under patient-specific boundary conditions derived from an estimated cardiac ejection output
US8880158B2 (en) 2013-01-16 2014-11-04 University Of Vermont Methods and systems for determining spatiotemporal variability for mapping cardiac fibrillation
US10912476B2 (en) 2013-01-16 2021-02-09 University Of Vermont Catheters, systems, and related methods for mapping, minimizing, and treating cardiac fibrillation
CN105263405B (zh) 2013-01-17 2018-08-31 科迪影技术股份有限公司 多参数生理映射
US20160008635A1 (en) 2013-02-04 2016-01-14 Everette C. Burdette Catheter-based ultrasound transducers
US9585579B2 (en) 2013-04-30 2017-03-07 Regents Of The University Of Minnesota Systems and methods for noninvasive spectral-spatiotemporal imaging of cardiac electrical activity
US10531922B2 (en) 2013-05-08 2020-01-14 The Johns Hopkins University Method for computationally predicting optimal placement sites for internal defibrillators in pediatric and congenital heart defect patients
US9078583B2 (en) 2013-08-22 2015-07-14 Aftx, Inc. Methods, systems, and apparatus for identification and characterization of rotors associated with atrial fibrillation
WO2014205310A2 (en) 2013-06-21 2014-12-24 The Board Of Trustees Of The Leland Stanford Junior University Techniques for predicting cardiac arrhythmias based on signals from leads of electrocardiography
WO2015031576A1 (en) * 2013-08-28 2015-03-05 Siemens Aktiengesellschaft Systems and methods for estimating physiological heart measurements from medical images and clinical data
US10561321B2 (en) 2013-12-12 2020-02-18 Alivecor, Inc. Continuous monitoring of a user's health with a mobile device
US10646183B2 (en) 2014-01-10 2020-05-12 Tylerton International Inc. Detection of scar and fibrous cardiac zones
CN103829941B (zh) * 2014-01-14 2016-01-20 武汉培威医学科技有限公司 一种多维心电信号成像系统及方法
WO2015120064A1 (en) 2014-02-04 2015-08-13 Cardioinsight Technologies, Inc. Integrated analysis of electrophysiological data
US10241968B2 (en) 2014-02-18 2019-03-26 Siemens Healthcare Gmbh System and method for real-time simulation of patient-specific cardiac electrophysiology including the effect of the electrical conduction system of the heart
US10141077B2 (en) 2014-04-02 2018-11-27 Siemens Healthcare Gmbh System and method for characterization of electrical properties of the heart from medical images and body surface potentials
US10296707B2 (en) 2014-04-10 2019-05-21 Siemens Healthcare Gmbh System and method for patient-specific image-based guidance of cardiac arrhythmia therapies
US10342620B2 (en) 2014-04-15 2019-07-09 Siemens Healthcare Gmbh Efficient treatment of atrial fibrillation using three-dimensional electrical potential model
FR3020700B1 (fr) 2014-04-30 2016-05-13 Univ Bordeaux Methode pour la quantification de la presence de graisses dans une region du cœur
US9595089B2 (en) * 2014-05-09 2017-03-14 Siemens Healthcare Gmbh Method and system for non-invasive computation of hemodynamic indices for coronary artery stenosis
EP3157423A4 (en) 2014-06-20 2018-02-28 The Regents of The University of California Patient-specific modeling of ventricular activation pattern using surface ecg-derived vectorcardiogram in bundle branch block
US9589379B2 (en) * 2014-06-24 2017-03-07 Siemens Healthcare Gmbh System and method for visualization of cardiac changes under various pacing conditions
WO2016014949A1 (en) 2014-07-24 2016-01-28 Blake Robert C System and method for cardiac ablation
CN106573148A (zh) 2014-08-11 2017-04-19 心脏起搏器股份公司 用于湿润和耐微生物的可植入医疗装置涂层
US10687898B2 (en) * 2014-11-14 2020-06-23 The Johns Hopkins University Systems and methods for atrial fibrillation treatment and risk assessment
US20160135706A1 (en) 2014-11-14 2016-05-19 Zoll Medical Corporation Medical Premonitory Event Estimation
JP6423964B2 (ja) 2014-11-18 2018-11-14 セント・ジュード・メディカル，カーディオロジー・ディヴィジョン，インコーポレイテッド 幾何学的構造のパッチ表面モデルを生成するための方法およびシステム
US9782102B2 (en) 2014-11-21 2017-10-10 Koninklijke Philips N.V. Electrocardiography to differentiate acute myocardial infarction from bundle branch block or left ventricular hypertrophy
US10165969B2 (en) 2015-01-06 2019-01-01 Braemar Manufacturing, Llc Positioning a medical device based on oxygen saturation measurements
US9947104B2 (en) 2015-02-11 2018-04-17 Brainlab Ag Preview visualisation of tracked nerve fibers
CN104680548A (zh) * 2015-03-20 2015-06-03 福州大学 一种全方向m型心动图检测方法
WO2016183365A1 (en) * 2015-05-12 2016-11-17 The Johns Hopkins University Systems and methods for patient-specific modeling of the heart for prediction of targets for catheter ablation of ventricular tachycardia in patients with implantable cardioverter defibrillators
US20170027465A1 (en) * 2015-07-31 2017-02-02 University Of Utah Research Foundation Systems and methods for characterizing the conductive properties of the heart
US10143374B2 (en) 2015-09-07 2018-12-04 Ablacon Inc. Systems, devices, components and methods for detecting the locations of sources of cardiac rhythm disorders in a patient's heart
US10888236B2 (en) 2015-09-07 2021-01-12 Ablacon Inc. System for analyzing electrophysiological data and method for analyzing electrophysiological data
US9787676B2 (en) 2015-09-29 2017-10-10 Anhui Huami Information Technology Co., Ltd. Multi-modal biometric identification
EP3364875A2 (en) 2015-10-21 2018-08-29 Peacs B.v. Heart condition determination method, robot control and system
US10898099B2 (en) 2015-10-23 2021-01-26 The Regents Of The University Of California Oakland, Ca Characterizing gastrointestinal functions from surface electrophysiology recording
US10426364B2 (en) 2015-10-27 2019-10-01 Cardiologs Technologies Sas Automatic method to delineate or categorize an electrocardiogram
EP3370617A4 (en) 2015-11-06 2019-08-07 Washington University in St. Louis NON-INVASIVE SYSTEM FOR IMAGING AND TREATING CARDIAC ARRHYTHMIAS
US10716519B2 (en) 2015-11-24 2020-07-21 The Regents Of The University Of California Mapping and quantifying blood stasis and thrombus risk in the heart
WO2017096332A1 (en) * 2015-12-03 2017-06-08 Blake Robert Clayton Iii Systems and methods for identifying optimized ablation targets for treating and preventing arrhythmias sustained by reentrant circuits
US10398331B2 (en) 2015-12-04 2019-09-03 St. Jude Medical, Cardiology Division, Inc. Methods and systems for statistically analyzing electrograms for local abnormal ventricular activities and mapping the same
DE112016005886T5 (de) 2015-12-22 2018-08-30 The Regents Of The University Of California Berechnungsmäßige Lokalisierung von Fibrillationsquellen
US10517496B2 (en) 2016-01-14 2019-12-31 Biosense Webster (Israel) Ltd. Region of interest focal source detection
US20170202521A1 (en) 2016-01-14 2017-07-20 Biosense Webster (Israel) Ltd. Overall system and method for detecting regions of interest
KR101769232B1 (ko) 2016-01-14 2017-08-17 엘지전자 주식회사 청소기 및 물 청소기구
CN107025618A (zh) 2016-01-31 2017-08-08 王科甲 人体生命运动全面信息的整体医学技术
WO2017139340A1 (en) 2016-02-12 2017-08-17 Cardiac Pacemakers, Inc. Triggering storage of onset of physiologic condition
WO2017165846A1 (en) 2016-03-24 2017-09-28 The Regents Of The University Of California Method to determine wavefront vector flow-field and vorticity from spatially-distributed recordings
WO2017192294A1 (en) 2016-05-03 2017-11-09 Cardioinsight Technologies, Inc. Detecting conduction timing
US11664125B2 (en) 2016-05-12 2023-05-30 Siemens Healthcare Gmbh System and method for deep learning based cardiac electrophysiology model personalization
US20180032689A1 (en) 2016-07-29 2018-02-01 Qatar University Method and apparatus for performing feature classification on electrocardiogram data
JP6635899B2 (ja) 2016-09-02 2020-01-29 株式会社日立製作所 理解度算出装置及び理解度算出方法
US10709507B2 (en) * 2016-11-16 2020-07-14 Navix International Limited Real-time display of treatment-related tissue changes using virtual material
CN106725428B (zh) 2016-12-19 2020-10-27 中国科学院深圳先进技术研究院 一种心电信号分类方法及装置
US11730395B2 (en) 2017-01-12 2023-08-22 Navix International Limited Reconstruction of an anatomical structure from intrabody measurements
US11562222B2 (en) 2017-03-07 2023-01-24 Alivecor, Inc. Systems and methods of identity analysis of electrocardiograms
WO2018162957A1 (en) 2017-03-10 2018-09-13 Qatar University Personalized ecg monitoring for early detection of cardiac abnormalities
US11517241B2 (en) 2017-04-12 2022-12-06 Peacs Investments B.V. Mean TSI feature based determination method and system
JP7075416B2 (ja) 2017-05-18 2022-05-25 コーニンクレッカ フィリップス エヌ ヴェ 時間的な心臓画像の畳み込み深層学習解析
US10713790B2 (en) 2017-08-01 2020-07-14 Catheter Precision, Inc. Methods of cardiac mapping and directional guidance
US10932863B2 (en) 2017-08-01 2021-03-02 Catheter Precision, Inc. Methods of cardiac mapping and directional guidance
CN107951485B (zh) 2017-11-27 2019-06-11 深圳市凯沃尔电子有限公司 基于人工智能自学习的动态心电图分析方法和装置
CN111566695A (zh) 2017-12-13 2020-08-21 华盛顿大学 确定用于消融的节段的系统和方法
US11717343B2 (en) * 2018-01-24 2023-08-08 Medtronic Ireland Manufacturing Unlimited Company Systems, devices, and associated methods for neuromodulation in heterogeneous tissue environments
US11253206B2 (en) 2018-04-26 2022-02-22 Vektor Medical, Inc. Display of an electrical force generated by an electrical source within a body
US11259871B2 (en) 2018-04-26 2022-03-01 Vektor Medical, Inc. Identify ablation pattern for use in an ablation
US10860754B2 (en) 2018-04-26 2020-12-08 Vektor Medical, Inc. Calibration of simulated cardiograms
US11065060B2 (en) 2018-04-26 2021-07-20 Vektor Medical, Inc. Identify ablation pattern for use in an ablation
US20210219923A1 (en) 2018-05-08 2021-07-22 University Of Pittsburgh-Of The Commonwealth System Of Higher Education System for monitoring and providing alerts of a fall risk by predicting risk of experiencing symptoms related to abnormal blood pressure(s) and/or heart rate
CN112334074A (zh) 2018-06-15 2021-02-05 皇家飞利浦有限公司 多个介入医学设备的同步跟踪
CA3145797A1 (en) 2018-07-05 2020-01-09 The Regents Of The University Of California Computational simulations of anatomical structures and body surface electrode positioning
KR20210076165A (ko) 2018-11-13 2021-06-23 벡터 메디칼, 인크. 근원 위치를 가진 이미지의 확대
CA3125679A1 (en) 2018-12-31 2020-07-09 The Regents Of The University Of California Enhanced computational heart simulations
US10729502B1 (en) 2019-02-21 2020-08-04 Theator inc. Intraoperative surgical event summary
US11198004B2 (en) 2019-04-11 2021-12-14 Biosense Webster (Israel) Ltd. Goal-driven workflow for cardiac arrhythmia treatment
US10595736B1 (en) 2019-06-10 2020-03-24 Vektor Medical, Inc. Heart graphic display system
US10709347B1 (en) 2019-06-10 2020-07-14 Vektor Medical, Inc. Heart graphic display system
US11298017B2 (en) 2019-06-27 2022-04-12 Bao Tran Medical analysis system
US11911166B2 (en) 2019-07-20 2024-02-27 Medtronic, Inc. Method and apparatus for implantation of a pacing electrode
US10998101B1 (en) 2019-12-15 2021-05-04 Bao Tran Health management
US20210259560A1 (en) 2020-02-26 2021-08-26 Eko Devices, Inc. Methods and systems for determining a physiological or biological state or condition of a subject
US20220047237A1 (en) 2020-08-08 2022-02-17 Rui Liu Systems and methods of body motion management during non-invasive imaging and treatment procedures
US11338131B1 (en) 2021-05-05 2022-05-24 Vektor Medical, Inc. Guiding implantation of an energy delivery component in a body

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5458116A (en) 1994-03-30 1995-10-17 Siemens Medical Systems, Inc. Display system and method for three-dimensional vectorcardiograms

Also Published As

Publication number Publication date
AU2022246456A1 (en) 2022-11-03
US20190328457A1 (en) 2019-10-31
EP3619720C0 (en) 2023-08-02
AU2019257716B2 (en) 2022-09-08
US11806080B2 (en) 2023-11-07
WO2019210090A1 (en) 2019-10-31
US20230372020A1 (en) 2023-11-23
CN112437964A (zh) 2021-03-02
CN112768077A (zh) 2021-05-07
CA3080944A1 (en) 2019-10-31
EP3619720A4 (en) 2021-04-14
CN113851225B (zh) 2024-02-27
JP7214087B2 (ja) 2023-01-30
JP2023010728A (ja) 2023-01-20
KR102514576B1 (ko) 2023-03-27
JP2021522052A (ja) 2021-08-30
EP3619720A1 (en) 2020-03-11
EP3654349A1 (en) 2020-05-20
KR20210016359A (ko) 2021-02-15
AU2019257716A1 (en) 2020-11-26
US20220192749A1 (en) 2022-06-23
EP3619720B1 (en) 2023-08-02
US11259871B2 (en) 2022-03-01
JP2024040163A (ja) 2024-03-25
JP7478381B2 (ja) 2024-05-07
CN113851225A (zh) 2021-12-28
US20210065906A1 (en) 2021-03-04
WO2019210092A1 (en) 2019-10-31

Similar Documents

Publication Publication Date Title
KR102514576B1 (ko) 시뮬레이션된 심장도의 교정
US11547369B2 (en) Machine learning using clinical and simulated data
US10952794B2 (en) Augmentation of images with source locations
US10860754B2 (en) Calibration of simulated cardiograms
US11065060B2 (en) Identify ablation pattern for use in an ablation
US20230049769A1 (en) Cardiogram collection and source location identification

Legal Events

Date Code Title Description
A107 Divisional application of patent