NO322399B1 - System for a beregne sannsynlighetstallet for utfallet av et tenkt forestaende defibrillatorsjokk basert pa karakteristiske trekk ved hjertet malt under hjertestans og gjenoppliving - Google Patents

Description

Foreliggende oppfinnelse angår system for å beregne sannsynlighetstallet for utfallet av et tenkt forestående defibrillatorsjokk basert på karakteristiske trekk ved hjertet målt under hjertestans og gjenoppliving, som angitt i innledningen til krav 1.

Nær 40% av allé som får hjertestans vil kunne overleve dersom god, livreddende behandling kommer i gang umiddelbart. Når behandlingen kommer forsinket i gang, avtar sjansene for å overleve, jfr. artikkelen av Holmberg S, Holmberg M:"Nationellt register får hjårtstopp utanfår sykehus" 1998 [1]. Behandlingen er i første rekke hjerte-lunge-redning (HLR) som gis inntil en defibrillator kommer på plass. Deretter er behandlingen vekslende bruk av defibrillator og HLR inntil gjenoppliving, eller til et ALS-team kommer. (ALS = "Advanced Life Support") Sistnevnte benytter i tillegg medikamenter og sikring av luftvegene som behandling, jfr. ILCOR, "Advisory statements of the International Liaison Committee on Resuscitation. Circulation" 1997;95:2172-2184 [6]

Vitenskapelige publikasjoner de siste årene peker på en rekke faktorer som påvirker overlevelsen: Tid: Sjansen for å overleve hjertestans faller med tiden fra hjertestans til første defibrillatorsjokk gis.[l]

HLR: Sjansen for å overleve øker dersom noen gir HLR før defibrillatoren ankommer.[l]

Kvalitet av Studier viser at kvaliteten på HLR påvirker overlevelsen

HLR: (Jfr publikasjonene av Wik L, Steen PA, Bircher NG. "Quality of bystander CPR influences outcome after prehospital cardiac arrest. Resuscitation" 1994;28:195-203[2].

Gallagher EJ, Lombardi G, Gennis P. "Effectiveness of bystander CPR and survival following out-of-hospital cardiac arrest11. J Am MedAssoc 1995;274:1922-5[3]

Van Hoyvegen RJ, Bossaert H. "Quality and efficiency of bystander CPR. Resuscitation*11993;26:47-52[4]) ;Timing av En studie viser at når varigheten av hjertestans overstiger et antall HLR og minutter, så vil sjansen for å overleve øke dersom ;defibrillator- ambulansepersonellet først gir en periode med HLR før defibrillatoren behandling: benyttes. (Jfr. Cobb L, et al. "Influence of cardiopulmonary resuscitation in patients witn out-of hospital ventricular fibrillation. ;JAMA", April 7,1999 - Vol 281, No 13 [5] ;Ved hjertestans vil den elektriske aktiviteten i hjertet (EKG) indikere hjertets tilstand. Dagens defibrillatorer måler og analyserer EKG for å klassifisere rytmen. Dersom rytmen klassifiseres til Ventrikkeltachycardi (VT) eller Ventrikkelflimmer (VF) kan defibrillatorbehandling ha effekt. VT er ofte forløperen til VF. VF vil, etterhvert som tiden går og hjertemuskelen sine energi- og oksygenreserver tappes, utvikle seg mot Asystole, en rytme som kjennetegnes av svært liten eller ingen elektrisk aktivitet. Målet med defibrillatorbehandlingen er å gjenopprette organisert elektrisk aktivitet i hjertet med dertil hørende blodtrykk og blodsirkulasjon. Dette betegnes ofte som ROSC - "Return of Spontaneous Circulation", og er første skritt mot overlevelse. ;Det er bare en andel av sjokkene som gis som faktisk resulterer i ROSC. De fleste sjokkene gir i dag ikke ROSC, jfr. publikasjonene Gliner BE et al. "Treatment of out-of hospital cardiac arrest with a Low-Energy Impedance-Compensating Biphasic Waveform Automated Extemal Defibrillator" [7], Sunde K, Eftestøl T, Askenberg C, Steen PA. "Quality evaluation of defibrillation and ALS using the registration module from the defibrillator. Resuscitation" 1999 [14]. Generellt kan en si at sjansen for ROSC er størst umiddelbart etter hjertestans, hvor hjertemuskelen fremdeles har energireserver og oksygen. Mange pasienter får ROSC etter vekslende bruk av sjokk og HLR. Ulempen med å måtte gi mange sjokk er flere: For det første vil det under sjekk-behandlingen ikke gis HLR, noe som ytterligere forverrer situasjonen for vitale organer, især for hjernen. Videre er det påvist at hjertemuskelen også skades av sjokkene, og at skaden øker med antall sjokk og energimengde, jfr. publikasjonen Ewy GA, Taren D Bangert J et al. "Comparison of myocardial damage from defibrillator discharges at various dosages. Medical instrumentation" 1980;14:9-12. [16]. For pasienten ville det idelle være om det bare ble gitt ett sjokk, og at dette sjokket gav ;ROSC. ;For mange pasienter er det altså avgjørende at det gis virkningsfull HLR, slik at hjertet blir re-vitalisert gjennom tilførsel av blodstrøm gjennom hjertemuskelen, jfr. publikasjonene Michael JR et al. "Mechanism by which augments cerebral and myocardial perfusion during cardiopulmonary resuscitation in dogs. Circulation" 1984;69:822-835. [17]. Denne re-vitaliseringen kan indikeres gjennom EKG-målinger ved at karakteristiske trekk slik som form, spektralt flathetsmål, frekvens, amplitude, energi mv endrer seg tilbake mot sine opprinnelige verdier, slik som de var rett etter hjertestans, jfr. publikasjonen Eftestøl T, Aase, SO, Husøy JH. Spectral flatness measure for characterising changes in cardiac arrhythmias. Computers in Cardiology, [15] og Noe M, Weil MH, Gazmuri SS, Biscera J and Tang W. "Ventricular fibrillation voltage as a monitor of the effectiveness of cardiopulmonary resuscitation" i J Lab Clin Med, September 1994 [13]. Ved denne re-vitaliseringen vil sannsynligheten øke for at neste defibrillatorsjokk gir ROSC. ;Dessverre er det ikke slik at alle overlever. For mange er årsaken til hjertestans av en slik karakter at gjenoppliving ikke er mulig. Videre vil alltid tidsfaktoren og kvaliteten på behandlingen komme inn og påvirke overlevelsen. ;Dagens retningslinjer for gjenoppliving beskriver en protokoll som er lik for alle, uansett kjønn, alder, rase, hvor lenge de har hatt hjertestans, om det er gitt HLR av publikum osv. Virkemidlene for gjenoppliving er i første rekke HLR og defibrillator-behandling, og etterhvert også medikamenter gitt av livreddere som har fått spesiell opplæring i dette. Dagens protokoll er slik at dersom de 3 første sjokkene ikke virker, skal det gis 1 minutt HLR, deretter 3 nye sjokk og så videre. Idet det å avgi 3 sjokk tar rundt ett minutt, vil pasienten ligge uten HLR i halvparten av tiden. ;I fra litteraturen og andre patentsøknader er det beskrevet teknologi som har til formål å veilede livredderen i valget mellom HLR og defibrillator-behandling. Brown et al i US patentene nr 5 683 424 og 5 571 142 [10] beskriver et system som ut i fra spektralmål i VF veileder livredderen til enten å gi HLR eller gi sjokk. I en separat analyse av denne metoden, hvor metoden er testet på menneske-VF, viser resultatene at metoden har lav spesifisitet, dvs at metoden bare til en viss grad vil redusere antallet unødvendige sjokk. Noe M, Weil MH, Tang W, Sun S, Pemat A, Bisera J. "Electrocardiographic prediction of the success of cardiac resuscitation" i Crit Care Med 1999 Vol 27 No 4 [12] beskriver et lignende system, ut i fra en dyre-modell, som knytter gjennomsnittlig amplitude og dominerende frekvens i VF til utfallet av defibrillatorsjokk. Begge disse metodene har til hensikt å fraråde bruk av defibrillatoren så lenge hjertet er i en tilstand hvor sjokk antatt ikke kommer til å virke, og heller gi HLR. Begge metodene definerer absolutte kriterier ut i fra et begrenset antall observasjoner fra en definert pasient- eller dyregruppe. ;Hensikten med foreliggende oppfinnelse er å søke å kontinuerlig optimalisere behandlingen ved å: a) Ved hjelp av utstyr tilkoblet pasienten, måle karakteristiske trekk ved hjertet i hjertestans, og ut i fra aktuell behandling, kjennskap til pasienten og kunnskap om sammenlignbare forhold og utfall ved tidligere utført behandling, beregne sannsynlighetstallet for å få ROSC - Prosc. b) Fremvise sannsynlighetstallet eller benytte sannsynlighetstallet som støtte til beslutning om videre behandling. c) Formidle registreringer for hver behandling sammen med utfallet av hvert sjokk til en sentralt plassert datamaskin og benytte denne erfaringen til å forbedre ;beregningsgrunnlaget for Prosc slik at neste beregning får bedre konfidens. ;d) Eventuelt registrere målte HLR-parametre, og sammen med informasjon om gitte medikamenter, se på utviklingen av sannsynlighetstallet med den hensikt å ;identifisere virkningsfull livredning. ;e) Eventuelt tilbakemelde til brukeren hvilke HLR-parametre og medikamentbruk som er identifisert som virkningsfull, alternativt bruke denne informasjonen til å ;veilede brukeren til å gi virkningsfull HLR. ;I den grad ordet "eventuelt" benyttes, er det for å ta hensyn til at det finnes mange kategorier brukere og livreddere, og at det ut fra deres forutsetninger og økonomi er formålstjenlig med tilpassede løsninger. ;Målsetningen til oppfinnelsen er å bidra til at pasienten får en behandling, som er bedre tilpasset individet, og som gir større sjanse for å overleve. Bruk av erfaringsdata skal gjøre det mulig å ta hensyn til forskjeller og den evige forandringen i pasientgrupper og behandling. I den grad ikke alle sjokk gir ROSC, søker systemet å ta hensyn til faktorer som påvirker eller kan påvirke sannsynligheten for ROSC: - Karakteristiske trekk ved hjertet som kan observeres via elektrodene, og som uttrykker den metabolske tilstanden og pumpefunksjonen. Disse karakteristiske trekkene utvikles over tid i hjertestans, men kan delvis reverseres ved bruk av medikamenter og HLR. ;- Type defibrillatorsjokk og energivalg har forskjellig effektivitet. ;- Fysiske betingelser. En stor pasient vil få mindre strømtetthet gjennom hjertet enn en liten pasient, for samme energivalg. - Pasientinformasjon. Systemet tar høyde for at det kan være forskjell mellom kvinner og menn ut i fra at menn utgjør over 70% av alle som får hjertestans. For visse deler av verden øker levealderen, slik at mengden eldre som får hjertestans øker. Disse har gjerne fått behandling over lang tid, både medisiner, kirurgiske inngrep og hjelpemidler som pacemakere, som alle kan ha betydning for Prosc. - Geografi, rase. Systemet tar videre høyde for at det kan være forskjeller ut i fra levemønster og genetiske forhold, på samme måte som det er stor variasjon i forventet levealder ut i fra geografi og rase. ;Ovennevnte tilveiebringes ved hjelp av et system av innledningsvis nevnte art, hvis karakteristiske trekk fremgår av krav 1. Ytterligere trekk ved oppfinnelsen fremgår av de øvrige uselvstendige kravene. ;Anvendelsen av Prosc til å optimalisere behandlingen kan gjøres på flere måter. For avanserte brukere vil det være mest tjenlig å fremvise parameteren grafisk over tid, som en trendkurve. Dette vil umiddelbart indikere hjertets tilstand og indikere virkning av medikamenter og HLR. For andre grupper som ikke har opplæring i å forholde seg til denne typen informasjon, vil det være mest hensiktsmessig med automatisert teslutningsstøtte i spørsmålet om det skal gis HLR, på hvilken måte det bør gis HLR eller om det bør gis sjokk. Prinsippet for en enkel beslutningsstøtte kan være: - Dersom Prosc er mindre enn en grenseverdi, Grosc, anbefales HLR. ;Ellers anbefales et antall sekvensielle defibrillator-sjokk. ;- HLR anbefales inntil positiv endring i Prosc flater ut, men ikke lenger enn T minutter før et antall defibrillatorsjokk anbefales. ;I det påfølgende skal oppfinnelsen beskrives nærmere med henvisning til figurene, hvor: Fig. 1 viser systemkomponenter bestående av en alternativt flere datamaskiner i ;nett som kommuniserer med et antall utplasserte analyse-enheter. ;Fig. 2 viser blokkskjema for en defibrillator med innebygget analyse-enhet. ;Fig. 3 viser prinsippskjema for informasjonsflyt. ;Fig. 4 viser apparat med elektroder tilkoblet pasientens brystkasse på steder på brystkassen som normalt benyttes for avgivelse av et defibrillatorsjokk samt måling av EKG i henhold til standardavledning IL. Fig. 5 viser flytdiagram for utvikling av koeffisenter til et optimalisert filter. Fig 6 viser flytdiagram for utvikling av en klassifiserer som oppfyller krav til ;generalitet. ;Fig. 7 viser generellt blokkdiagram over oppfinnelsen, med fokus på analyse-enheten. ;Systemet består av en, alternativt flere, datamaskin/er 1 i nett, som kan kommunisere med et antall utplasserte analyse-enheter 2. Disse kan enten være integrert i utstyr som defibrillatorer eller EKG-monitorer, eller de kan opptre i eller som et støtteprodukt som benyttes ved gjenopplivingsforsøket. Analyse-enhetene 2 opererer i alminnelighet uavhengig fra datamaskinene 1, men etter bruk vil analyse-enhetene levere feltdata til datamaskinen 1, og eventuelt motta justerte algoritmer for beregning av egenskapsvektor og /eller Prosc. ;Analyse-enheten 2 er normalt tilknyttet delsystemer, jfr. fig. 2: ;Noen av disse delsystemene er standard i utstyr som defibrillatorer og EKG-monitorer, og disse er som følgende: Henvisningstallet 3 betegner system for å måle EKG, tilkoblet elektroder E. For måling og digitalisering av bio-elektriske signaler anvendes nevnte elektroder tilkoblet pasientens hud på steder som samsvarer med standardavledning IL, jfr. fig. 4, som viser apparat med elektroder tilkoblet pasientens brystkasse på steder på brystkassen som normalt benyttes for avgivelse av et defibrillatorsjokk samt måling av EKG i henhold til standardavledning II. I denne avledningen vil EKG i hovedsak uttrykke den elektriske aktiviteten i hjertets lengde-akse, Henvisningatallet 4 betegner system for å kontrollere elektrodenes tilkobling mot pasienten, henvisningstallet 5 betegner innretning for høyspenning og sjokk-avlevering, hvis integrert i en defibrillator, henvisningstallet 7 betegner algoritme for å klassifisere EKG, hvis integrert i en defibrillator, henvisningstallet 7 betegner mikroprosessor-system og programvare, henvisningstallet 8 betegner et datalager, henvisningstallet 9 betegner et brukergrensesnitt, henvisningstalletlO betegner en energiforsyning, henvisningstallet 11 betegner system for å levere og motta data fra eksternt utstyr. ;Delsystemene 3-11 er standard i defibrillatorer og EKG-monitorer, og beskrives derfor ikke nærmere i beskrivelsen. ;Analyse-enheten 2 består av følgende enheter: ;Enhet 12 for å beregne en eller flere karakteristiske trekk ved hjertet, som kombineres i en egenskapsvektor, og ut fra denne beregne sannsynlighet for ROSC, Prosc, for den pasienten som er tilkoblet. Eventuelt også en modul 13 for å beregne blodgjermomstrømningen i hjertet basert på målt impedans og endringen av impedansen mellom elektrodene som en funksjon av hjertets pumpefunksjon og lungenes utvidelse, en eventuelt modul 14 for å registrere HLR-parametre fra sensorer S, en eventuelt modul 15 for registrering av pasientspesifikk informasjon, en eventuelt modul 16 for registrering av gitte medikamenter, og en eventuell modul 17 for å korrelere positiv endring i Prosc mot informasjon om gitt behandling, og synliggjøre eller bruke denne informasjonen til å styre behandlingen. ;Analyse-enheten kan realiseres som en selvstendig mikroprosessor-enhet eller den kan realiseres ved hjelp av utstyrets egen mikroprosessor-enhet. ;Hver datamaskin består av følgende delsystemer: ;(a) Maskinvare, (b) operativsystem, (c) programvare og grensesnitt for å kommunisere i nettverk (d) database for feltdata, (e) algoritme for beregning av egenskapsvektor, herunder et klassifiseirngssystem for å prediktere utfallet av et tenkt forestående defibrillatorsjokk, (f) algoritme for å beregne Prosc (g) algoritme for å korrelere endring i Prosc mot informasjon om pasient og behandling, og (h) system for å levere og motta data fra utplasserte defibrillatorer. ;Når det gjelder datamaskinene er delsystemene maskinvare, operativsystem, programvare og grensesnitt av generisk art og gis her ingen nærmere beskrivelse. ;Nærmere beskrivelse av systemet, først datamaskin 1. ;(d) Database med erfaringsdata består av et større antall pasient-episodedata og kan inneholde: ;- Pasientinformasjon: Kjønn, alder, vekt, rase, mm ;• Geografisk informasjon ;- Informasjon om hvert defibrillatorsjokk: Kurveform, energi, timing mot VF. ;- For hvert sjokk: ;- Pre-sjokkEKG ;- Pre-sjokk HLR-data ;- Pre-sjokk medikament-data ;- Pre-sjokk impedans-data ;- Post sjokk EKG ;- Post-sjokk impedansdata ;- Annotering av ROSC/Ikke-ROSC, med utfallsrytme for hvert sjokk ;(e) Algoritme for beregning av egenskapsvektor (v) benytter matematiske metoder til å karakterisere tilstanden i hjertet basert på opptak av et biomedisinsk signal (x) Det biomedisinske signalet er fortrinnsvis EKG, men også andre typer signaler slik som signaler avledet av impedansendringer, lyd eller bevegelsesmønster kan tenkes anvendt. ;Algoritme for beregning av egenskapsvektor betegnes heretter som v(x). ;v(x) som blir anvendt på EKG fra erfaringdata gir oss to sett med egenskapsvektorer: En mengde, VI, inneholdende ni egenskapsvektorer hvor utfallet av sjokket er ROSC, og en mengde, V2, inneholdende n2 egenskapsvektorer hvor utfallet er ikke-ROSC. ;Generelt er v(x) definert som en operator som opererer på en EKG sekvens, x, bestående av N sampler, som genererer en egenskapsvektor, v, bestående av M vektorelementer som ideelt sett ivaretar informasjonen i x som skiller gruppen av x som resulterer i ROSC, XI, fra gruppen av x som resulterer i ikke-ROSC, X2. Metoder for egenskapsuttrekking er utallige, og litteraturen beskriver noen av disse som grovt sett kan skilles i tids- og transformdomene metoder hvor poenget er å strukturere x på en måte hensiktsmessig for egenskapsuttrekking. Blant foretrukne metoder er: - Optimaliserte, digitale filtre bestemt av L filterparametre som skiller x i M kanaler. Fra hver av disse kanalene beregnes energien, slik at v består av M elementer. Denne typen filtre er blant annet beskrevet i [T. Randen! Vilter and Filter Bank Design for Image Texture Recognition. Doktoravhandling, NTNU, Oktober 1997] hvor filtrene ble optimalisert for best mulig gjenkjenning av ulike teksturer. For herværende formål er de optimaliserte filtrene funnet ved bruk av en numerisk gradientsøk-algoritme [T. Coleman, M. A. Branch and A. Grace,, Optimization Toolbox for Use with MATLAB, The Math Works Inc, 1999] for best mulig adskillelse av ROSC-gruppen fra ikke-ROSC gruppen. Adskillelsesevnen er målt ved summen av sensitivitet (grad av korrekt gjenkjenning av ROSC) og spesifisitet (grad av korrekt gjenkjenning av ikke-ROSC). I en gitt iterasjon i optimaliseringen måles denne ytelsen, og parametersettet som definerer filtrene justeres i den retningen som tilsvarer økning i ytelse. Denne prosedyren gjentas inntil ytelsen når et maksimum - Spektralmål som beregnes ut fra estimatet av effekttetthetsspekteret (PSD) til x. PSD'en kan estimeres ved bruk av fouriertransform. Ut fra PSD'en beregnes karakteristiske trekk som uttrykker frekvensene ved tyngedpunkt og makspunktet til PSD'en. Videre karakteriseres PSD'ens flatnet og energi ;Eksempler på andre metoder for egenskapsuttrekning: ;- waveletanalyse ;- nevralnett ;Sammenhengen mellom VI og XI respektivt V2 og X2 er som følger: XI inneholder et antall ni EKG sekvenser, som anvendt på v(x), gir en mengde egenskapsvektorer VI, der samtlige tilhører utfallsklassen ROSC (wl). X2 inneholder et antall n2 EKG sekvenser, som anvendt på v(x), gir en mengde egenskapsvektorer V2, der samtlige tilhører utfallsklassen ikke-ROSC (w2). ;(f) System for å beregne Prosc funksjon baserer seg på mønstergjenkjenningsteori og utgjør andre ledd i klassifiseringssystemet. I'denne sammenhengen defineres begrepet klasserom samlingen av målinger av hjertets tilstand svarende til ;- ROSC(wi) ;- ikke-ROSC ( w2) ;De to klassenes egenskapsvektorer beskrives statistisk ved: ;- P( wi) t r=l,2 som er a priori sannsynlighet for de to klassene. Dvs at før en gjør en måling vet en at sannsynligheten for det ene eller andre utfallet ved de respektive a priori sannsynlighetene. - p( v\ wi), i- l, 2 er de klassespesifikke sannsynlighetstermetsfunksjone. Disse utrykker hvordan målinger innenfor de gitte klassene er fordelt. p( v) uttrykker den sammensatte sannsynlighetstetmetsfunksjonen for målingene og er gitt ved å summere de klassespesifikke sannsynlighets-tetthetsfunksjonene vektet med de tilhørende a posteriori sannsynlighetene. - P( wi\ v) t i=l, 2 er a posteriori sannsynlighetsfunksjonene for de to klassene. Disse funksjonene utrykker sannsynligheten for at en gitt måling tilhører wi. Bayes formel uttrykker P( wi\ v) som en funksjon av sannsynlighetsfunksjonene gitt ovenfor. ;;- Summen av a posteriori sannsynlighetene for en gitt v er alltid 1. ;Ved en gitt måling, v, ønsker en å bestemme klassetilhørigheten wl eller w2. Det er vist at forventet sannsynlighet for feilklassifisering minimeres ved å velge den wi som tilsvarer maksimum P( wi\ v). En kan videre definere (gjøre et skjønnsmessig valg av) kost for alle typer feilklassifiseringer slik at forventet risiko for en gitt feilklassifisering er gitt ved produktet av kosten og a posteriori sannsynligheten for den sanne klassen. Forventet risiko for feilklassifisering blir da minimert ved at en ved klassifisering velger klasse tilsvarende produktet med minst verdi. ;I de fleste tilfeller er ikke statistikken for egenskapsvektorene kjent. Disse størrelsene må da estimeres før Prosc(v) kan lages. Mønstergjerkjenningsteorien beskriver et mangfoldig utvalg av metoder for dettte ut fra foretatte målinger (treningsdata) som er eksempler fra de ulike wi. Noen eksempler er •*«>--. - Histogramteknikker som deler utfallsrommet inn i hyperkuber hvor sannsynlighetene innenfor hver av disse beregnes ut fra antall forekomster av de ulike klassene innenfor den gitte hyperkuben. Det tilsvarer den metoden vi har brukt. Vi beskriver i det følgende hvordan de statistiske størrelsene estimeres.

Vi starter med å definere noen størrelser:

n = totalt antall observasjoner i erfaringsmaterialet nl= antall observasjoner tilsvarende ROSC utfall n2= antall observasjoner tilsvarende ikke-ROSC utfall njl=antall observasjoner tilsvarende ROSC utfall i hyperkube nr j nj2=antall observasjoner tilsvarende ikke-ROSC utfall i hyperkube nr j

Vi har at n=nl+n2. Estimatene for a priori sannsynlighetene blir da AP(wi)=ni/n, i=l,2.

De lokale estimatene (i hyperkube j) for de klassespesifikke sannsynlighetsfunksjonene blir da

^(vlwi^ji/ni, i=l,2.

De lokale estimatene for a posteriori sannsynlighetene beregnes vha Bayes formel innsatt estimatene for apriori sannsynlighetene og de lokale klassespesifikke samisynlighetstetthetsfunksjonene.. En kan vise at [R. J. Schalkoff Fattern recognition: Statistical, structural and neural approaches. John Wiley & sons, New York (NY), 1992] <A>P(wi|v)=nji/(njl+nj2),i=l,2

• Radialbasisfunksjoner, hvor sannsynlighetene i et gitt punkt beregnes ut fra bidraget fra omliggende treningsdata fra de ulike klassene. Bidragene minsker med avstand. - Parametrisk modellering hvor en middelverdier og spredning for de ulike klassene brukes til å lage analytiske sannsynlighetsmodeller. • Nevralnett, learning vector quantization, nærmeste nabo klassifisering er noen andre sentrale metoder innenfor mønstergj erkjenningsteorien.

Det er viktig at en gitt klassifiserer testes på et sett av observasjoner ( testsettet) uavhengig av treningsdataene { treningssettet) for å kontrollere at klassifisereren gir ut forventede resultater. Kravet er at det er samsvar mellom trening og testing, at klassifisereren oppfyller kravet til generalitet. Med generalitet menes: Ved å dele erfaringsmaterialet i to, og la den ene delen representere et datasett som kalles treningssettet, og det andre datasettet representere et datasett som kalles testsettet, er generalitet definert som følger: De desisjonsgrensene, anvendt på alle egenskapsvektorene i hvert av datasettene, for klassifisering av utfall, som gir tilnærmet samme ytelse (summen av sensitivitet og spesifisitet), for begge datasettene, oppfyller kravet om generalitet. Disse desisjonsgrensene fremkommer gjennom en iterativ prosess hvor treningssettet inngår i beregningene av desisjonsgrensene, jfr Fig. 6

De målingene v som tilsvarer ROSC utfall tilhører wl. Sannsynligheten for at en gitt måling, v, tilhører wl er gitt ved P( wl\ v). Med andre ord uttrykker denne sannsynlighetsfunksjonen sannsynlighetstallet Prosc for ROSC ved en gitt måling v. Som tidligere nevnt kan ulike egenskapsvektorer, v, beregnes ved et utall metoder. Hvilke metoder og hvilken dimensjon, M, som egner seg for å uttrykke Prosc(v) vurderes ut fra forventet risiko ved feilklassifisering ved hver enkelt metode. Den metoden som minimerer denne risikoen er best egnet til å uttrykke Prosc(v). Fig 6 viser et flytdiagram for en iterativ utvikling av algoritme for beregning av egenskapsvektoren v. Basis for den iterative utviklingen er erfaringsdata. Etterhvert som mengden erfaringsdata øker, gjentas denne iterative prosessen, slik at egenskapsvektorens evne til å prediktere utfallsklasse, øker. Innbefattet er også den iterative justeringen av desisjonsgrensene slik at kravet om generalitet er oppfylt. (g) Algoritme for å korrelere endring i Prosc mot informasjon om pasient og behandling er mest til vitenskapelige formål. Resultatene fra korrelasjonen kan defibrillatoren siden bruke til å veilede brukeren i utførelsen av livredningen.

Prosc(v) er framkommet som beskrevet i punktene (d) og (e). I denne analysen trekkes EKG sekvenser ut fra pasientmateiralet slik at EKG sekvensene beskriver et behandlingsforløp som er mest mulig likt sett over hele pasientmaterialet. Eksempler på slike behandlingsforløp kan være

- HLR-sekvenser

- "Hands off" -intervaller, eksempelvis periode for defibrillator rytmeanalyse fram mot sjokk etter en HLR-periode.

I disse EKG-sekvensene beregnes tilsvarende Prosc(v) sekvenser som beskrevet i punktene (d) og (e). Følgelig beregnes endringen i Prosc(v), DProsc, over hver enkelt sekvens. DProsc grupperes ut fra behandlingskarakteristika som en ønsker å belyse i forhold til effekt i behandlingen. For eksempel kan en gruppere DProsc i forhold til følgende behandlingskarakteristika enkeltvis eller i kombinasjon: - Ulike kompresjonsrfekvenser, kompresjonsdybder, varighet av brystkompresjon

- Grad av ventilering,

- Medisinering

• Fysiologiske målinger som blodstrømsmålinger, blodtrykk ol.

- Der en får signifikante forskjeller i DProsc for ulike behandlingsforhold kan denne informasjonen brukes til å identifisere fordelaktige behandlingsteknikker. Denne informasjonen kan nyttiggjøres ved at behandlingsutøveren får tilbakemelding om god og dårlig behandling.

(h) System for å levere og motta data fra utplasserte analyse-enheter.

Her er det ikke spesialle krav. Utvekslingen av data kan skje direkte ved hjelp av minnemoduler som PCMCIA, trådløst ved hjelp av IR eller RF kommunikasjon, over nettverk, som for eksempel Internett, eller direkte kobling mellom kommunikasjonsporter i utstyr og datamaskin. Den metoden som for tiden er mest praktisk, er at analyse-enheten 2 kommuniserer med datamaskinen 1 via en lokal PC som den kan kommunisere med, og at den lokale datamaskinen videreformidler data via Internett.

Nærmere beskrivelse av analyse-enheten 2.

r

System 12, algoritme v(x) for beregning av egenskapsvektor (v) og algoritme for å beregne sannsynlighet for ROSC, Prosc, for EKG fra tilkoblet pasient.

- v( x) er et sett med beregninger, som sammensatt utgjør en egenskapsvektor. Beregningene er et sett med energiberegninger innen bestemte frekvensbånd (optimaliserte filtre) eller et sett med parametre avledet fra effekt-tetthets-spekteret, eller en kombinasjon av disse. Algoritme for beregning av Prosc er typisk en matrise hvor antall dimensjoner samsvarer med antall dimensjoner i egenskskapsvektoren, der hvert matrise-element inneholder en tallverdi for pROSC. Tallverdien er lastet inn fra datamaskinen 1. Matrisen er framkommet ved at det for hver EKG sekvens i erfaringsmaterialet er beregnet en egenskapsvektor. Egenskapsvektorer som er tilnærmet identiske grupperes deretter sammen i et antall mengder, hvor hver mengde er tilordnet et matrise-element. For en mengde, j, telles forekomsten av ROSC, njl, mot forekomsten av ikke-ROSC, nj2. Forholdstallet mellom antall {ROSC} mot antall {ROSC +

ikke-ROSC} definerer tallverdien av pROSC for mengden j som blir njl/(nj l+nj2). Dette tilsvarer det lokale estimatet av a posteriori sannsynligheten for klasse wl slik vi beskrev den ved bruk av Instogramteknikken. Tallverdien for hver mengde lagres så i det matrise-elementet som korresponderer til egenskapsvektorens elementer.

Modulen 13 for å beregne blodgjermomstrømningen i hjertet basert på målt impedans og endringer av impedansen mellom elektrodene som en funksjon av hjertets pumpefunksjon og lungenes utvidelse.: - Verdien til den målte impedansen, Zo, målt ved hjelp av en tilnærmet konstant vekselstrøm forteller analyse-enheten 1 impedansen mellom elektroden og vil kunne erstatte system 4.

- Impedansendringen mellom elektrodene, vil være

proporsjonal med endringen i mengden luft i lungene pluss hjertets slagvolum. Endringen som skyldes luft dominerer. Ved å se på signalet

mellom to ventilasjoner eller ved å først filtrere bort ventilasjonen, vil slagvolumet kunne estimeres ut fra formelen

Denne formelen er allmen kjent og benyttes innenfor Impedans-kardiografi.

AZ er impedansendringen, p er blodets resistivitet L er avstanden mellom elektrodene og Zo er tallverdien av impedansen. En forenkling av denne formelen er å foretrekke:

Her er k en kostant. Denne målingen vil indikere i hvilken grad det er blodstrøm, og vil bidra til å karakterisere hjertets tilstand i V?NT, og vil videre indikere ROSC ved et vellykket defibrillatorsjokk.

Modulen 14 for å måle og registrere HLR-parametre.

Aktuelle HLR parametre er

• Innblåsingstid og innblåsningsvolum måles ved å se på impedansmodulasjonen mellom elektrodene. Denne modulasjonen er mange ganger større enn modulasjonen som finner sted som en funksjon av blodstrøm fra hjertet, og er proporsjonal med mengden luft i lungene. Prinsippet er kjent fra annet diagnoseutstyr. - Kompresionsrate. og kompresionsandel (forholdet mellom kompresjonstid og relaksasjonstid) ved brystkompresjon kan måles ved å se på impedansmodulasjonen mellom elektrodene, eller ved å benytte en sensor som plasseres på pasientens brystkasse på kompresjonspunktet. Denne sensoren kan inneholde en trykkbryter, eller en kraftmåler eller et akselerometer. - Kompresionsdvbde beregnes på bakgrunn av signalene fra et akselerometer plassert på kompresjonspunktet. - Tiden mellom innblåsning og brystkompresjon, og tiden mellom brystkompresjon og innblåsning.

- Andel HLR i forhold til behandlingstiden

- Kompresjonsmengde. summen av produktet mellom kompresjonens varighet og dybde.

Modulen IS for angivelse av pasientspesifikk informasjon.

Denne informasjonen kan gis til analyse-enheten 1 for eksempel ved hjelp av dedikerte trykknapper, eller komme fra en ekstern kilde som for eksempel en pasientdatabase eller pasientjournal på PC / håndholt datamaskin. Aktuell informasjon er:

- Geografisk område

- Alder

• Kjønn

- Vekt

- Rase

Modulen 16 for å angi gitte medikamenter og dose.

Denne informasjonen kan gis til analyse-enheten 1 ved hjelp av dedikerte trykknapper, fra en pasientjournal på PC eller fra andre hjelpemidler som loggfører medikamentbruken. Aktuelle medikamenter er

- Epinephrine

- Lidocaine

- Bre ty Hum

• Magnesium sulfate

- Procainamide

- Vasopressiner

- Trombolyse-medikamenter

- mm.

Modulen 17 for å korrelere positiv endring i Prosc mot informasjon om gitt behandling, og synliggjøre eller bruke denne informasjonen til å styre behandlingen. - Systemet identifiserer og registrereren periode av Prosc som har positiv endring. Samtidig identifiserer og registrerer systemet gjennomsnittet av hver HLR-parameter målt i et tidsrom før endringen og i løpet av endringen og eventuellt hvilke medikamenter som ble i samme tidsrom. - Dersom det oppstår en ny periode med bedre positiv utvikling, gjentas identifiseringen av HLR parametre og medikamentbruk. - Denne informasjonen kan synliggjøres på skjermen til defibrillatoren, eller den kan brukes til å lage talemeldinger som styrer brukeren til å levere HLR med parametre som samsvarer med registreringen. - Denne informasjonen vil også være av stor viktighet i forskningen, med tanke på å optimalisert retningslinjer for behandling og opplæring i HLR.

Sammenfattet kan oppfinnelsen beskrives med henvisning til fig. 3, som viser skjematisk informasjonsflyt mellom sentral datamaskin 1 og analyse-enhet 2 i utplassert utstyr ved anvendelse av oppfinnelsen.

Datamaskinen 1 inneholder erfaringsdata fra tidligere utførte gjenopplivingsforsøk, hvor utfallet av gjenopplivingsforsøket er kjent. Hovedingrediensen i erfaringsgrunnlaget er EKG og tilhørende utfall etter sjokk. (ROSC/ikke-ROSC). Erfaringsdata ut over dette bidrar til å nyansere sammenhengen mellom utfall, behandling og pasientspesifikke forhold.

På bakgrunn av erfaringsmaterialet er det utviklet en algoritme v( x) for beregning av en egenskapsvektor v. Denne algoritmen er tilpasset slik at egenskapsvektorens evne til å prediktere utfallet (ROSC, ikke-ROSC) er optimalisert innenfor kravet om generalitet.

En god egenskapsvektor er altså karakterisert ved at den representerer EKG segmenter som etterfølges av ROSC ved sjokk karakteristisk forskjellig fra EKG-segmenter som etterfølges av ikke-ROSC ved sjokk. Måten en slik egenskapsvektor fremkommer er gjennom en iterativ prosess, der parametrene for hvert iterativt steg justeres inntil den beste ytelse er oppnådd, jfr Fig. 5.

Ved å gruppere egenskapsvektorene i erfaringsmaterialet som er nærmest like og summere opp antallet ROSC og antallet ikke-ROSC for hver av disse gruppene, vil sannsynlighetstallet Prosc for ROSC la seg utrykke statistisk i forhold til verdien til en innkommende egenskapsvektor som representerer et EKG segment som pROSC ønskes beregnet for.

En praktisk måte å uttrykke denne statistiske sammenhengen på er ved hjelp av en Prosc-funksjon som er en erstatning for alle erfaringsdataene men som matematisk uttrykker den samme relasjonen mellom egenskapsvektoren og Prosc.

Denne funksjonen blir lagt inn i programkoden til analyse-enheten, slik at når denne får inn et segment med EKG, vil analyse-enheten først utføre den samme beregningen av egenskapsvektoren som datamaskinen gjorde, og deretter bruke egenskapsvektoren som input til Prosc-funksjonen for å beregne sannsynlighetstallet for at et tenkt forestående defibrillatorsjokk vil gi ROSC.

Analyse-enheten kan videre nyansere og derved få et mer presist sannsynlighetstall ved i tillegg benytte seg av kunnskap om behandlingen og pasienten sett i forhold til erfaringsdata.

Den evige forandringen i behandlingsformer og pasientkarateristikk gjør det nødvendig å kontinuerlig oppdatere erfaringsgrunnlaget. Dette foregår ved at hver analyse-enhet formidler sin erfaring om hvert sjokk tilbake til den sentrale datamaskinen, hvor den sentrale datamaskinen gjentar grupperingen av egenskapsvektorene, re-kalkulerer Prosc-funksjonen og tilbakeformidler resultatet til analyse-enheten.

Claims (14)

1. System som ved gjenoppliving beregner sannsynlighetstall for at utfallet av et tenkt forestående deflbrillator-sjokk resulterer i tilbakevending av spontan sirkulasjon (ROSC), karakterisert ved at en analyse-enhet er tilkoblet en modul som måler bio-elektriske signaler ut fra elektroder tilkoblet en pasient, at analyse-enheten er innrettet til å organiser de bio-elektriske signalene fortløpende i segmenter, at analyse-enheten er innrettet for hvert segment å beregne en kombinasjon parametre som karakteriserer hjertets tilstand, at analyseenheten er innrettet til ved hjelp av sammenligning for hver parameterkombinasjon å finne en tilsvarende parameterkombinasjon fra tidligere utførte defibrillatorbehandlinger, der det for hver parameterkombinasjon er tilordnet et sannsynlighetstall, hvor sannsylighetstallet uttrykker antallet av defibrillatorsjokk som resulterte i ROSC mot hele antallet defibrillatorsjokk for hver parameterkombinasjon, og at analyse-enheten har en utgang for sannsynlighetstallet.

2. System ifølge krav 1, karakterisert ved at de bio-elektriske signalene er EKG-signaler.

3. System ifølge krav 1-2, karakterisert ved at analyseeneheten (2) er innrettet til å beregne sannsynlighetstallet ved hjelp av en algoritme.

4. System ifølge krav 1-3, karakterisert ved at algoritme for beregning av sannsynlighetstallet er et tabelloppslag i en «-dimensjonal tabell, hvor det for hvert tabell-element er lagret en tallverdi for sannsynlighetstallet, at tabelloppslaget er bestemt av verdien til en m-dimensjonal vektor, at verdien til den m-dimensjonale vektoren er avledet ut fra beregninger av energi til respektive m ulike signalsekvenser som presenteres på utgangen til m forskjellige digitale fritere, der signal på inngangen til hvert av de digitale filterene er sekvensen med EKG-signalet.

5. System ifølge krav 4, karakterisert ved at nevnte verdi til den m-dimensjonale vektoren er avledet ut fra beregninger av flatnet, energi, frekvens ved tyngdepunkt og frekvens ved makspunkt til et effekttetthetsspekter, der effekttetthetsspekteret er avledet av sekvensen med EKG-signalet.

6. System ifølge krav 1-5, karakterisert ved at beregningsenheten er tilkoblet et datalager, at beregningsenheten for hver behandling lagrer parametre som beskriver pasienten og parametre som beskriver behandlingen, at beregningsenheten er tilkoblet middel for å utveksle data, & i utveksling av data regelmessig foregår mot en sentral datamaskin, der beregningsenheten mottar optimalisert algoritme for beregning av sannsynlighetstallet, at datamaskinen mottar informasjon som er lagret i datalageret.

7. System ifølge krav 1-6, karakterisert ved at det tilveiebringes en optimalisert algoritme ved først å etablere et oppdatert sett med erfaringsdata bestående av informasjon fra et antall nye pasientbehandlinger sammen med informasjon fra et antall tidligere utførte pasientbehandlinger, som alle inneholder sekvenser med EKG hvor utfallet etter sjokk er kjent, at den optimaliserte algoritmen fremkommer ved å iterativt søke etter filterkoeiffsenter hos m digitale filtre, hvor filterkoeffisentene justeres iterativt med henblikk på ytelse til en klassifiseringsrutine, hvor igjen klassifiseirngsrutinen justeres iterativt med henblikk på ytelse og generalitet, der ytelse er definert som summen av sensitivitet og spesifisitet for klassifisering av hver av EKG sekvensene til utfallsklassene ROSC henholdsvis ikke-ROSC, hvor det reelle utfallet av sjokk er kjent for hver EKG-sekvens, at generalitet er oppfylt i det klassifiseringsrutinen har samme ytelse for en vilkårlig sammensatt halvdel av erfarings-materiale som for den øvrige delen av erfaringsmaterialet, der måling av generalitet og ytelse fremkommer ved at hver EKG-sekvens i erfaringsmateriale uttrykkes som en m-dimensjonal vektor beregnet ut fra energien på utgangen til m digitale filtre, der klassifiseringsrutinen klassifiserer hver m-dimensjonale vektor til en av utfallsklassene ROSC, ikke-ROSC henholdsvis, der ytelse måles som summen av sensitivitet og spesifisitet for klassifiseirngsrutinen, hvor en tilfeldig sammensatt halvdel av erfaringsmateriale har samme ytelse som den resterende halvdel av erfaringsmaterialet, at optimalisert algoritme for beregning av sannsynlighetstallet består av en matrise med m matriseelementer, der hvert matriseelement uttrykker et sannsynlighetstall, der sannsynlighetstallet for hvert matriseelement fremkommer ved å gruppere sammen EKG-sekvenser som lar seg uttrykke med tilnærmet identiske m-dimensjonale vektorer, hvor forekomsten av EKG som førte til ROSC ved sjokk mot summen av forekomsten av EKG som førte til ROSC ved sjokk pluss summen av forekomsten av EKG som førte til ikke-ROSC ved sjokk utgjør sannsynlighetstallet for niatriseelementet, at den m-dimensjonale matrisen sammen med optimaliserte filterkoeffisenter utgjør den optimaliserte algoritmen for beregning av sannsynlighetstallet.

8. System ifølge krav 1, karakterisert ved at til utgangen til analyseenheten er forbundet med en mottaker i form av en fremvisningsenhet.

9. System ifølge krav 8, karakterisert ved at mottakeren er en defibillator.

10. System ifølge krav 1, karakterisert ved at sannsynlighetstallet er anvendt i en algoritme for beslutningsstøtte i valg av behandlingsform.

11. System ifølge krav 1, karakterisert ved at analyse-enheten (2) identifiserer tidsperioder med positive endringer i sannsynlighetstallet sammen med parametre som karakteriserer behandlingen og formidler tallverdien av den positive endringen av sannsynlighetstallet sammen med gjennomsnittet for hver behandlingsparameter over perioden til en mottaker.

12. System ifølge krav 1, karakterisert ved at mottaker for tallverdien av den positive endringen av sannsynlighetstallet sammen med gjennomsnittet for hver behandlingsparameter over perioden er en fremvisningsenhet.

13. System ifølge krav 1, karakterisert ved at mottaker for tallverdien av den positive endringen av sannsynlighetstallet sammen med gjennomsnittet for hver behandlingsparameter over perioden er algoritme for beslutningsstøtte i valg av behandlingsform.

14. System ifølge krav 1-13, karakterisert ved aten innretning for angivelse av pasient-spesifikk informasjon og /eller spesifikk informasjon om behandlingen er koblet til analyse-enheten (2).