SE520166C2

SE520166C2 - Decision support provision method involves relating values of n variables of present measurement set to m decision regions in n-dimensional space in order to indicate AMI characteristics

Info

Publication number: SE520166C2
Application number: SE0202267A
Authority: SE
Inventors: Torgny Groth; Johan Ellenius
Original assignee: Torgny Groth; Johan Ellenius
Priority date: 2000-02-10
Filing date: 2002-07-19
Publication date: 2003-06-03
Also published as: SE0202267L; SE0202267D0

Abstract

The method involves generating m decision regions (32) in n-dimensional space of n variables (30) by artificial neural network (16), trained on a training set of n measured variables from m classification groups of typical patients. The values of n variables of present measurement set is related to m decision regions in n-dimensional space in order to indicate AMI characteristics. The set of n variables are measured to the AMI of a patient at one measuring time instance, where n is equal or greater than 2. The value of m is equal or less than 2. An Independent claim is also included for a decision support provision device.

Description

3.0 520 166 2 .k., _.', ;; markörer, såsom kreatinkinas MB och troponin-T. Uttrycket mindre hjärtmuskelskada (MMD) har föreslagits för dessa smärre förhöjningar. 3.0 520 166 2 .k., _. ', ;; markers, such as creatine kinase MB and troponin-T. The term minor myocardial infarction (MMD) has been suggested for these minor elevations.

Eftersom MMD indikerar en ökad framtida risk för hjärthändelser verkar det vara viktigt att inte bara detektera AMI utan även att så tidigt som möjligt detektera MMD.Since MMD indicates an increased future risk of cardiac events, it seems important to not only detect AMI but also to detect MMD as early as possible.

I den tidiga hanteringen av patienter med akuta smärtor i bröstet och med icke-diagnostiskt EKG vid intagning finns det således ﬂera viktiga frågor att beakta för att kunna vidta lämpliga åtgärder. Förekomsten av en AMI måste bestämmas. Om en AMI föreligger är det användbart för den fortsatta behandlingen att känna till den slutliga infarktens storlek. Tidpunkten då infarkten verkligen inträffade är också viktig. Om patienten inte har en AMI år det fortfarande användbart att bestämma om patienten löper en stor eller liten risk för efterföljande hjärthändelser. Läkaren måste beakta patientens historia och fysiska status, resultaten av EKG och blodtester etc. Denna utvärderingsprocess kan vara tidsödande och är starkt beroende på läkarens kunskap och erfarenhet. De biokemiska mätresultaten utgör en viktig grund som den framtida hanteringen av patienten är beroende av.Thus, in the early management of patients with acute chest pain and with non-diagnostic ECG on ingestion, there are ﬂ your important issues to consider in order to take appropriate action. The presence of an AMI must be determined. If an AMI is present, it is useful for further treatment to know the size of the final infarction. The time when the infarction actually occurred is also important. If the patient does not have an AMI year, it is still useful to determine if the patient is at high or low risk for subsequent cardiac events. The doctor must consider the patient's history and physical status, the results of ECGs and blood tests, etc. This evaluation process can be time consuming and is highly dependent on the doctor's knowledge and experience. The biochemical measurement results constitute an important basis on which the future management of the patient depends.

Det finns viktiga skillnader i de kinetiska egenskaperna hos dagens biokemiska markörer för AMI, t.ex. myoglobin, CK-MB och hjärtspeciﬁkt troponin-T. Alla dessa markörer är indikativa för AMI, emellertid med olika tidsskalor. Myoglobin har ett ganska snabbt svar, medan åtminstone troponin-T har en mycket långsammare uppträdande hastighet. En kombination av mätningar av mer än en markör är nödvändig.There are important differences in the kinetic properties of today's biochemical markers for AMI, e.g. myoglobin, CK-MB and cardiac-specific troponin-T. All of these markers are indicative of AMI, however, with different time scales. Myoglobin has a fairly fast response, while at least troponin-T has a much slower onset rate. A combination of measurements of more than one marker is necessary.

Datametoder som använder artificiella neurala nätverk har tillämpats för AMI-detektering baserad på kliniskt data, mätningar av biokemiska markörer och EKG / VKG-parametrar. Jörgensen et al, Clin. Chem. 1996, vol. 42(4), sidorna 604-612 och 613-617, undersökte den diagnostiska prestandan hos neurala nätverk som tränades på olika kombinationer av initialt EKG-data och serumkoncentrationer av CKB, LD1 och kalium vid intagning, 12 och 24 timmar efter intagning. I en nyutkommen artikel 10 15 20 25 3.0 520 166 3 (Comp. Biomed. Research 1998, vol. 36, 59-69) undersökte Sunemark et al ett tillvägagångssätt med seriell VKG/EKG-analys baserad på artificiella neurala nätverk som kombinerar två EKG- och VKG-mätningar. Kortfattat har tillämpningarna av neurala nätverk enligt Sunemark et al och Jörgensen et al inte riktat sig mot problemet med tidig förutsägelse av AMI-storlek för patienter med smärtor i bröstet med icke-diagnostiskt EKG vid intagning.Computer methods using artificial neural networks have been applied for AMI detection based on clinical data, measurements of biochemical markers and ECG / VKG parameters. Jörgensen et al, Clin. Chem. 1996, vol. 42 (4), pages 604-612 and 613-617, examined the diagnostic performance of neural networks trained on different combinations of initial ECG data and serum concentrations of CKB, LD1 and potassium at ingestion, 12 and 24 hours after ingestion. In a recent article 10 15 20 25 3.0 520 166 3 (Comp. Biomed. Research 1998, vol. 36, 59-69), Sunemark et al examined a serial VKG / ECG assay approach based on artificial neural networks that combine two ECGs. and VKG measurements. Briefly, the applications of neural networks according to Sunemark et al and Jörgensen et al have not addressed the problem of early prediction of AMI size for patients with chest pain with non-diagnostic ECG on ingestion.

I patentet US-A-5 690 103 visas förfaranden och apparater för detekteríng eller uteslutning av akut hjärtinfarkt genom analys av mätningar av biokemiska markörer med användning av artificiella neurala nätverk (ANN).U.S. Patent No. 5,690,103 discloses methods and apparatus for detecting or excluding acute myocardial infarction by analyzing measurements of biochemical markers using artificial neural networks (ANNs).

Den övergripande uppfinningen kategoriserar patienter med misstänkt AMI med avseende på AMI/icke-AMI; infarktstorlek, tid sedan infarktens början; samt icke-AMI med/ utan mindre hjärtmuskelskada (MMD). Kategoriseringen baserar sig allmänt på ofta utförda blodprovtagningar under de första timmarna efter intagning och mätning av valda biokemiska markörer för AMI med olika uppträdande hastigheter i cirkulerande blod. Beräkningarna utförs med speciellt utformade artificiella neurala nätverk. Tidig detektering/uteslutning av akut hjärtinfarkt ges, i allmänhet inom 3 timmar efter intagning av patienten. Dessutom ges även tidig förutsägelse av storleken av “huvudinfarkten” och tidig uppskattning av tiden frän infarktens början.The overall invention categorizes patients with suspected AMI with respect to AMI / non-AMI; infarct size, time since the onset of the infarction; and non-AMI with / without minor myocardial infarction (MMD). The categorization is generally based on frequently performed blood samples taken during the first hours after ingestion and measurement of selected biochemical markers for AMI with different occurring velocities in circulating blood. The calculations are performed with specially designed artificial neural networks. Early detection / exclusion of acute myocardial infarction is given, generally within 3 hours after ingestion of the patient. In addition, early prediction of the size of the "main infarction" and early estimation of the time from the onset of the infarction are also given.

Det är viktigt att förstå att tidsaspekten är mycket viktig inom det föreliggande teknikområdet. Efter 12 - 24 timmar efter intagning är mönsterna av markörkoncentrationerna i allmänhet så framträdande att läkarna själva lätt kan bedöma AMI från dessa utan användning av någon typ av stöd från neurala nätverk. 12 timmar efter intagning har emellertid den potentiella nyttan av t.ex. trombolytisk behandling minskat till en mycket låg nivå. Utvärderingar av mätningar och beslut måste utföras inom de allra första timmarna efter intagning av en patient.It is important to understand that the time aspect is very important in the present field of technology. After 12 to 24 hours after ingestion, the patterns of marker concentrations are generally so prominent that physicians themselves can easily assess AMIs from them without the use of any type of neural network support. 12 hours after ingestion, however, the potential benefit of e.g. thrombolytic therapy decreased to a very low level. Evaluations of measurements and decisions must be performed within the very first hours after admission of a patient.

Förfarandena och apparaterna i det amerikanska patentet ovan bidrar med en stor utveckling genom att tillhandahålla tidig och tillförlitlig detektering, 10 15 20 2.5 3:0 .,,,_,°;--'.-_ . . . . f. -- .zz - o .,_ 'll- .. 4 . . , . ,. förutsägelse och uppskattning i anslutning till AMI. Fastän den nya teknologin i patentet ovan har fungerat på ett tillfredsställande sätt återstår det fortfarande frågor som bör tas an avseende införlivandet av dessa typer av artificiella neurala nätverk i ett system för medicinska beslutsunderlag och ett sådant systems överföringsförmåga att fungera i en ny miljö med dess specifika medicinska krav.The methods and apparatus of the above U.S. patent contribute to a great development by providing early and reliable detection, 2.5 3: 0. ,,, _, °; -'.-_. . . . f. - .zz - o., _ 'll- .. 4. . ,. ,. prediction and estimation in connection with AMI. Although the new technology in the above patent has worked satisfactorily, questions still need to be addressed regarding the incorporation of these types of artificial neural networks into a medical decision-making system and the transmission capability of such a system to operate in a new environment with its specific medical requirements.

SAMMANFATTNING Ett allmänt syfte med den föreliggande uppfinningen är att ytterligare förbättra kvaliteten hos det beslutsunderlag för tidig bedömning av patienter med misstänkt akut hjärtinfarkt (AMI), vilket erhålls genom användning av artificiella neurala nätverk. Ett ytterligare syfte med den föreliggande uppfinningen är att relatera uppmätta variabler associerade med AMI till regioner av AMI-klassificeringsgrupper avseende hanteringsalternativ och behandlingsförfaranden och särskilt att åskådliggöra sådana förhållanden på ett informativt sätt. Ett annat syfte med den föreliggande uppfinningen är att tillhandahålla artificiella neurala nätverk som är avpassade för att uppfylla kliniska krav på säkerheten hos förutsagd infarktstorlek och motsvarande AMI-klassiﬁceringsgrupper i olika prevalenssituationer. Ännu ett syfte med den föreliggande uppfinningen är att tillhandahålla artificiella neurala nätverk som använder variabler associerade med AMI, vilka erhålls från intermittenta och/ eller kontinuerliga EKG/ VKG-mätningar.SUMMARY A general object of the present invention is to further improve the quality of the decision basis for early assessment of patients with suspected acute myocardial infarction (AMI), which is obtained through the use of artificial neural networks. A further object of the present invention is to relate measured variables associated with AMI to regions of AMI classification groups regarding handling options and treatment methods and in particular to illustrate such conditions in an informative manner. Another object of the present invention is to provide artificial neural networks that are adapted to meet clinical requirements for the safety of predicted infarct size and corresponding AMI classification groups in different prevalence situations. Yet another object of the present invention is to provide artificial neural networks using variables associated with AMI, which are obtained from intermittent and / or continuous ECG / VKG measurements.

De ovan nämnda syftena åstadkoms genom förfaranden och apparater enligt de medföljande patentkraven.The above objects are achieved by methods and apparatus according to the appended claims.

I allmänna ordalag tillhandahåller en aspekt av den föreliggande uppfinningen ett förfarande och en apparat, vilka använder åtminstone ett tränat och avpassat artificiellt neuralt nätverk för att generera besluts- regioner i det n-dímensionella rummet av n invariabler associerade med AMI.In general terms, one aspect of the present invention provides a method and apparatus which utilize at least one trained and adapted artificial neural network to generate decision regions in the n-dimensional space of n invariables associated with AMI.

Uppsättningen av uppmätta variabler vid ett visst tidstillfälle, dvs. en punkt i det n-dimensionella rummet, är relaterad till beslutsregionerna för att 10 15 20 2,5 3_:O 520 166 5 H fw. , . ; ~ , , , tillhandahålla beslutsunderlag. F öreträdesvis projiceras och åskådliggörs dessa beslutsregioner grafiskt som områden i ett parameteriserat två- dimensionellt diagram med två huvudvariabler som oberoende variabler.The set of measured variables at a certain time, ie. a point in the n-dimensional space, is related to the decision regions to 10 15 20 2.5 3_: 0 520 166 5 H fw. ,. ; ~,,, provide decision support. Preferably, these decision regions are projected and illustrated graphically as areas in a parameterized two-dimensional diagram with two main variables as independent variables.

Värdena hos de återstående n-2 invariablerna är de motsvarande parametrarna. De två huvudvariablerna är företrädesvis biokemiska AMI- markörer. Positionen hos den punkt som representerar en föreliggande uppsättning av värden av valda uppmätta variabler visad i diagrammet ger en lättolkad indikering på en rekommenderad klassificering och ger även information om hur nära angränsande beslutsregioner befinner sig. Det artiﬁciella neurala nätverket tränas företrädesvis med användning av såväl uppsättningar av mätningar av variabler associerade med AMI vid ett visst tidstillfälle som patientspecifika parametrar.The values of the remaining n-2 invariables are the corresponding parameters. The two main variables are mainly biochemical AMI markers. The position of the point representing a present set of values of selected measured variables shown in the diagram provides an easy-to-interpret indication of a recommended classification and also provides information on how close adjacent decision regions are. The artificial neural network is preferably trained using both sets of measurements of variables associated with AMI at a given time point and patient-specific parameters.

Enligt en annan aspekt tillhandahåller den föreliggande uppﬁnningen ett förfarande och en apparat, vilka tillhandahåller åtminstone ett artificiellt neuralt nätverk som kan generera beslutsunderlag baserat på n invariabler associerade med AMI. Det artiﬁciella neurala nätverkets prestanda avpassas optimalt till kliniska krav på prediktiva värden för det artiﬁciella neurala nätverket baserat på klassificering i givna prevalenssituationer.In another aspect, the present invention provides a method and apparatus which provide at least one artificial neural network capable of generating decision bases based on n invariables associated with AMI. The performance of the artificial neural network is optimally adapted to clinical requirements for predictive values for the artificial neural network based on classification in given prevalence situations.

Enligt ännu en aspekt tillhandahåller den föreliggande uppﬁnningen ett förfarande och en apparat, vilka använder åtminstone ett tränat artificiellt neuralt nätverk för att generera beslutsunderlag baserat på n invariabler associerade med AMI. Åtminstone en av de variabler som är associerade med AMI erhålls från intermittenta/ kontinuerliga EKG / VKG-registreringar.In yet another aspect, the present invention provides a method and apparatus which use at least one trained artificial neural network to generate decision data based on n invariables associated with AMI. At least one of the variables associated with AMI is obtained from intermittent / continuous ECG / VKG recordings.

Det är viktigt att förstå att uppfinningen avser beslutsunderlag för hanteringen av patienter med misstänkt akut hjärtinfarkt, ett besluts- underlag som kan användas av en sjuksyster och/ eller en läkare i bedömningen av en sådan patient. 10 15 20 25 KORT BESKRIVNING AV RITNINGARNA Uppfinningen, tillsammans med ytterligare syften och fördelar med denna, kan bäst förstås genom hänvisningar till följande beskrivning läst tillsammans med de medföljande ritningarna, i vilka: FIG. la är en schematisk illustration av ett träningsförfarande för ett artiñciellt neuralt nätverk enligt känd teknik; FIG. lb är en schematisk illustration av användningen av ett artiﬁciellt neuralt nätverk enligt Fig. la.It is important to understand that the invention relates to decision support for the management of patients with suspected acute myocardial infarction, a decision support that can be used by a nurse and / or a physician in the assessment of such a patient. BRIEF DESCRIPTION OF THE DRAWINGS The invention, together with further objects and advantages thereof, can best be understood by reference to the following description read in conjunction with the accompanying drawings, in which: FIG. 1a is a schematic illustration of a training method for an artisanial neural network according to the prior art; FIG. lb is a schematic illustration of the use of an artificial neural network according to Fig. 1a.

FIG. 2a är en schematisk illustration av ett tränings- och avpassnings- förfarande för ett artificiellt neuralt nätverk, vilket används i den föreliggande uppfinningen; FIG. 2b är en schematisk illustration av användningen av ett tränat och avpassat artíficiellt neuralt nätverk enligt den föreliggande uppfinningen; FIG. 2c är en schematisk illustration av ett avpassningsförfarande för ett artiﬁciellt neuralt nätverk, vilket används i den föreliggande upp- finningen; FIG. 3a är en schematisk illustration av ett tränings- och avpassnings- förfarande för ett annat artiﬁciellt neuralt nätverk, vilket används i den föreliggande uppfinningen; FIG. 3b är en schematisk illustration av användningen av det tränade och avpassade artificiella neurala nätverket i Fig. 3a; FIG. 3c är en schematisk illustration av den föredragna användningen av ett tränat och avpassat artiﬁciellt neuralt nätverk enligt den föreliggande uppfinningen; FIG. 4a är en illustration av genereringen av beslutsregioner enligt den föreliggande uppfinningen; FIG. 4b är en illustration av äskådliggörandet av beslutsregioner enligt den föreliggande uppﬁnningen; FIG. 5 är ett ﬂödesdiagram som illustrerar avpassningsförfarandet; FIG. 6 är ett diagram som används i avpassningsförfarandet enligt den föreliggande uppﬁnningen; 10 15 20 3É0 520 166 -= 7 .FIG. 2a is a schematic illustration of a training and adaptation method for an artificial neural network used in the present invention; FIG. 2b is a schematic illustration of the use of a trained and adapted artificial neural network according to the present invention; FIG. 2c is a schematic illustration of an adaptation method for an artificial neural network used in the present invention; FIG. 3a is a schematic illustration of a training and adaptation method for another art neural network used in the present invention; FIG. Fig. 3b is a schematic illustration of the use of the trained and adapted artificial neural network of Fig. 3a; FIG. 3c is a schematic illustration of the preferred use of a trained and adapted art neural network in accordance with the present invention; FIG. 4a is an illustration of the generation of decision regions according to the present invention; FIG. 4b is an illustration of the illustration of decision regions according to the present invention; FIG. 5 is a fate diagram illustrating the matching process; FIG. 6 is a diagram used in the matching method of the present invention; 10 15 20 3É0 520 166 - = 7.

FIG. 7 är ett ﬂödesdiagram som illustrerar ett kombinerat besluts- förfarande enligt en utföringsform av den föreliggande uppfinningen; FIG. 8a-c är exempel på grafiska äskådliggöranden av beslutsregioner vid olika stadier i patientövervakning; samt FIG. 9 är ett ﬂödesdiagram som illustrerar ett förfarande enligt den föreliggande uppfinningen.FIG. 7 is a fate diagram illustrating a combined decision-making method according to an embodiment of the present invention; FIG. 8a-c are examples of graphical illustrations of decision regions at different stages in patient monitoring; and FIG. 9 is a flow chart illustrating a method of the present invention.

DETALJERAD BESKRIVNING I den tidiga bedömningen och hanteringen av patienter med akuta smärtor i bröstet finns det olika standardåtgärder att vidta. Vid intagning undersöks patienten normalt sett med en initial EKG / VKG-mätning (elektro- kardiograrn/vektorkardiogram). För många patienter är emellertid EKG icke- diagnostiskt vid intagning, även om en AMI föreligger. I det fallet krävs biokemisk övervakning. Läkaren måste vidare beakta patientens ålder och kön, patientens sjukdomshistoria och nuvarande fysiska status, t.ex. om patienten tillhör några riskgrupper, såsom rökare eller diabetiker. Dessutom utförs normalt sett en serie av biokemiska tester, t.ex. tester på cirkulerande blod. I blodet år koncentrationerna av biokemiska markörer för AMI av särskilt intresse. Sådana blodtester kan upprepas intermittent, vilket ger en tidsserie av biokemiska markörkoncentrationer. I de ﬂesta fall kopplas patienterna även till ett system för kontinuerlig EKG- eller VKG-övervakning.DETAILED DESCRIPTION In the early assessment and management of patients with acute chest pain, there are various standard measures to take. When ingested, the patient is normally examined with an initial ECG / VKG measurement (electrocardiogram / vector cardiogram). However, for many patients, the ECG is undiagnosed upon ingestion, even if an AMI is present. In that case, biochemical monitoring is required. The physician must further consider the patient's age and gender, the patient's medical history and current physical status, e.g. if the patient belongs to any risk groups, such as smokers or diabetics. In addition, a series of biochemical tests are normally performed, e.g. tests on circulating blood. In the blood, the concentrations of biochemical markers for AMI are of particular interest. Such blood tests can be repeated intermittently, giving a time series of biochemical marker concentrations. In most cases, patients are also connected to a system for continuous ECG or VKG monitoring.

En läkare måste så snart som möjligt fatta beslut om hantering av patienten baserat på den tillgängliga informationen. Denna beslutsfattandeprocess kan vara tidsödande och är starkt beroende på läkarens kunskap och erfarenhet.A physician must decide as soon as possible on the management of the patient based on the available information. This decision-making process can be time consuming and is highly dependent on the doctor's knowledge and experience.

För att start eventuella relevanta behandlingar av patienten är tidsaspekten ytterst viktig. Flera timmar efter intagning kan den fullständiga kunskapen om uppmätta koncentrationer av biokemiska markörer etc. ge en nästan fullständig bild av patientens situation, men om ingen behandling redan har satts igång är den potentiella nyttan av sådan behandling oftast mycket liten vid denna punkt. 10 15 20 25 i b) Ö .. .ii . . , n. ' ',_' = I - . i . .To start any relevant treatments of the patient, the time aspect is extremely important. Several hours after ingestion, the complete knowledge of measured concentrations of biochemical markers, etc. can give an almost complete picture of the patient's situation, but if no treatment has already been started, the potential benefit of such treatment is usually very small at this point. 10 15 20 25 i b) Ö .. .ii. . , n. '', _ '= I -. i. .

. . , H _ ' . i. . . , , . , i - - ; . , * U (p. H _ ' I den föreliggande uppfinningen avser uttrycket artificiellt neuralt nätverk (ANN) en beräkningsstruktur som tränas på en representativ uppsättning av förklassificerade exempelfall. Under användning tillämpas det neurala nätverket för klassificering av okända fall. Ytterligare bakgrundsinformation om klassificering med neurala nätverk kan erhållas vid genomgång av "Neural networks and related methods for Classification" av Ripley B.D., i J.. . , HRS _ ' . i. . ,,. , i - -; . In the present invention, the term artificial neural network (ANN) refers to a computational structure trained on a representative set of preclassified instance cases. In use, the neural network is used to classify unknown cases. Additional background information on classification with neural networks can be obtained by reviewing "Neural networks and related methods for Classification" by Ripley BD, in J.

R. Statíst. Soc. B 1994; 56(3): sidorna 409-456.R. Statist. Soc. B 1994; 56 (3): pages 409-456.

I patentet US-A-5 690 103 används ett artificiellt neuralt nätverk för tidig detektering/uteslutning, förutsägelse och uppskattningar av AMI-relaterade särdrag. Patentet US-A-5 690 103 införlivas härmed i dess helhet som referens. Fig. la illustrerar träningsförfarandet för ett artificiellt neuralt nät- verk enligt patentet US-A-S 690 103. En träningsuppsättning med kon- centrationsmätningar av biokemiska markörer 12 för AMI används för att träna det artiﬁciella neurala nätverket i en träningsmiljö 9. Träningsupp- sättningen 12 är associerad med en träningsklassiﬁceringskod 14 enligt t.ex.U.S. Patent No. 5,690,103 uses an artificial neural network for early detection / exclusion, prediction and estimation of AMI-related features. U.S. Patent No. 5,690,103 is hereby incorporated by reference in its entirety. Fig. 1a illustrates the training procedure for an artificial neural network according to the patent US-AS 690 103. A training set with concentration measurements of biochemical markers 12 for AMI is used to train the artificial neural network in a training environment 9. The training set 12 is associated with a training classification code 14 according to e.g.

AMI/icke=AMI. Det tränade artiﬁciella neurala nätverket 15 kommer därefter att svara på en motsvarande uppsättning av biokemiska markörer för att generera en klassificering av patienten.AMI / not = AMI. The trained artificial neural network 15 will then respond to a corresponding set of biochemical markers to generate a classification of the patient.

Fig. lb illustrerar det tränade artificiella neurala nätverket 15 i Fig. la under användning. På varandra följande uppsättningar av koncentrations- mätningar av biokemiska markörer för AMI 18 matas in som insignal till det tränade artificiella neurala nätverket 15. Utsignalen kommer att ge den mest troliga klassiﬁceringen 20 av patienten givet den tillgängliga informationen.Fig. 1b illustrates the trained artificial neural network 15 of Fig. 1a in use. Consecutive sets of concentration measurements of biochemical markers for AMI 18 are input as input to the trained artificial neural network 15. The output will provide the most likely classification 20 of the patient given the available information.

Med den ovan angivna klassificeringen skulle resultatet kunna vara en indikering av AMI, en indikering av icke-AMI eller en indikering av “osäkert tillstånd”, vilket kräver ytterligare mätningar.With the above classification, the result could be an indication of AMI, an indication of non-AMI or an indication of “uncertain condition”, which requires further measurements.

I Fig. 2a illustreras den träning av artíñciella neurala nätverk som används i den föreliggande uppfinningen. Ett artiñciellt neuralt nätverk 16 tränas i en tränings- och avpassningsmiljö 10 med användning av en träningsupp- sättning av variabler associerade med AMI 22 och deras motsvarande 10 15 20 72.5 .. .. . . ,. n 'I :I I!! . , . .q _ ,,' ~; = , - , ¿ . .. ', _' '; ;- . »' - .. ._ 3 9 mättider 24. Varje fall i träningsuppsättningen är förklassiﬁcerat och märkt med en patientklassiﬁceringskod 26. Denna klassificering kan utföras på många sätt, företrädesvis baserat på AMI-särdrag relaterade till klinisk klassificering, hanteringsalternativ eller behandlingsförfaranden. Det tränade artificiella neurala nätverket 15 avpassas i ett förfarande som beskrivs i Fig. 2c. Prevalens och kliniska kravspecifikationer 13 används på ett tränat ANN 15 i ett avpassningsförfarande ll för att skapa ett tränat och avpassat ANN 16. Ett föredraget förfarande för att utföra denna avpassning framställs nedan.Fig. 2a illustrates the training of articular neural networks used in the present invention. An art neural network 16 is trained in a training and adaptation environment 10 using a training set of variables associated with AMI 22 and their corresponding 72.5 .. ... . ,. n 'I: I I !! . ,. .q _ ,, '~; =, -, ¿. .. ', _' '; ; -. »'- .. ._ 3 9 measurement times 24. Each case in the training set is pre-classified and marked with a patient classification code 26. This classification can be performed in many ways, preferably based on AMI characteristics related to clinical classification, management options or treatment procedures. The trained artificial neural network 15 is adapted in a method described in Fig. 2c. Prevalence and clinical requirements specifications 13 are used on a trained ANN 15 in a fitting procedure 11 to create a trained and fitted ANN 16. A preferred method for performing this fitting is set forth below.

Användningen av ett tränat och avpassat artiﬁciellt neuralt nätverk 16 enligt den föreliggande uppfinningen tillhandahåller ANN-baserade besluts- algoritmer och illustreras schematiskt i Fig. 2b. Under användning av det tränade och avpassade artificiella neurala nätverket 16 tillhandahålls på varandra följande uppsättningar av AMI-variabler 30 baserade på eller erhållna från mätningar av variabler associerade med AMI för den patient som undersöks. Dessa uppsättningar av variabler 30 är associerade med en viss mättid 28 som matas in till det tränade och avpassade artificiella neurala nätverket 16. Det tränade artiﬁciella neurala nätverket 16 genererar beslutsregioner 32 uttryckta i rummet av de variabler som är associerade med AMI. Beslutsregionerna 32 motsvarar klassificeringskoderna hos träningsuppsättningen. Beslutsregionerna 32 åskädliggörs företrädesvis grafiskt i två-dimensionella diagram. Denna åskådliggörning kommer att diskuteras i mer detalj nedan. Variabelvärdena 30 för den patient som undergär aktuell undersökning relateras till regionerna 32, vilket ger en indikering på vilken klassificering 34 den föreliggande patienten bör hänvisas till. Dessutom ger positionen hos den “mätpunkt” som representerar Variabelvärdena 30, med avseende på angränsande beslutsregioner, information om säkerheten för kategoriseringen. Den explicita genereringen av beslutsregionerna 32 ger således ytterligare användbar information. lO 15 20 2.5 520 166 10 Det finns ANN-strukturer, t.ex. multipel enskiktsperceptron (eng. ”multiple- single layer perceptron”), vilka inte hanterar tid explicit. Den uppmätta tiden behöver i ett sådant fall inte nödvändigtvis matas in.The use of a trained and adapted artificial neural network 16 according to the present invention provides ANN-based decision algorithms and is schematically illustrated in Fig. 2b. Using the trained and adapted artificial neural network 16, successive sets of AMI variables based on or obtained from measurements of variables associated with AMI are provided to the patient being examined. These sets of variables 30 are associated with a certain measurement time 28 which is input to the trained and matched artificial neural network 16. The trained artificial neural network 16 generates decision regions 32 expressed in space by the variables associated with AMI. The decision regions 32 correspond to the classification codes of the training set. The decision regions 32 are preferably graphically illustrated in two-dimensional diagrams. This illustration will be discussed in more detail below. The variable values 30 of the patient undergoing the current examination are related to the regions 32, which gives an indication of which classification 34 the present patient should be referred to. In addition, the position of the “measurement point” representing the Variable Values 30, with respect to adjacent decision regions, provides information on the security of the categorization. The explicit generation of the decision regions 32 thus provides additional useful information. 10 15 20 2.5 520 166 10 There are ANN structures, e.g. multiple single-layer perceptrons, which do not handle time explicitly. In such a case, the measured time does not necessarily have to be entered.

I en alternativ utföringsform, som illustreras i Fig. 3a, tränas det artiñciella neurala nätverket 10 dessutom med användning av patientspeciﬁka AMI- parametrar 38, t.ex. parametrar erhållna från mätningar av initialt EKG/ VKG, ålder, kön, riskfaktorer, nuvarande hälsostatus eller sjukdoms- historia. Riskfaktorer kan avse t.ex. rökning eller diabetes. Dessa AMI- parametrar 38 är giltiga genom hela tidserien av mätningsuppsättningar av AMI-variabler. Under användning, såsom illustreras i Fig. 3b, mäts samma typ av AMI-parametrar 40 för den patient som undersöks. De uppmätta AMI- parametrarna 40 tillhandahålls till det tränade och avpassade artificiella neurala nätverket 16 som inparametrar giltiga under hela undersökningsperioden. De beslutsregioner 32 som genereras av det artiñciella neurala nätverket 16 beror då även på värdena av dessa patientspeciﬁka parametrar 40.In an alternative embodiment, illustrated in Fig. 3a, the articular neural network 10 is further trained using patient-specific AMI parameters 38, e.g. parameters obtained from measurements of initial ECG / VKG, age, gender, risk factors, current health status or medical history. Risk factors can refer to e.g. smoking or diabetes. These AMI parameters 38 are valid throughout the time series of measurement sets of AMI variables. In use, as illustrated in Fig. 3b, the same type of AMI parameters 40 are measured for the patient being examined. The measured AMI parameters 40 are provided to the trained and matched artificial neural network 16 as input parameters valid throughout the study period. The decision regions 32 generated by the artistic neural network 16 then also depend on the values of these patient-specific parameters 40.

I en föredragen utföringsform i Fig. 3c med avseende på åskådliggörande används endast 2 AMI-variabler, så kallade AMI-visningsvariabler, för att spänna upp ett visningsdiagram, i vilket beslutsregionerna åskådliggörs. De andra ytterligare n-2 AMI-variablerna 42 och AMI-parametrar 40, vilka diskuterades ovan, används för att generera de faktiska åskådliggjorda beslutsregionerna. Under användning mäts och tillhandahålls de ytterligare AMI-variablerna 42 och AMI-parametrar 40 till det tränade och avpassade artiﬁciella neurala nätverket 16 för att speciﬁcera de relevanta besluts- regioner 32 som ska genereras i det enskilda fallet vid en speciﬁk mättid.In a preferred embodiment in Fig. 3c with respect to illustration, only 2 AMI variables, so-called AMI display variables, are used to span a display diagram in which the decision regions are illustrated. The other additional n-2 AMI variables 42 and AMI parameters 40, discussed above, are used to generate the actual illustrated decision regions. In use, the additional AMI variables 42 and AMI parameters 40 are measured and provided to the trained and adapted artificial neural network 16 to specify the relevant decision regions 32 to be generated in the individual case at a specific measurement time.

Med andra ord åskådliggörs ett antal beslutsregioner i ett två-dimensionellt diagram som deﬁnieras av de två AMI-variablernas koordinater. Värdena av de två variablerna framställs som en punkt i det två-dimensionella diagrammet. Värdena av de återstående n-2 AMI-variablerna och -para- metrarna vid samma tidpunkt används för att generera beslutsregionerna. lO 15 20 25 30 ~ v » ' L' vvvu, . ' ' w~~r ., , 11 Klassificeringskoderna 26 hos träningsuppsättningarna och de relaterade beslutsregionerna 32 kan vara baserade på olika överväganden.In other words, a number of decision regions are illustrated in a two-dimensional diagram as ﬁ niered by the coordinates of the two AMI variables. The values of the two variables are plotted as a point in the two-dimensional diagram. The values of the remaining n-2 AMI variables and parameters at the same time are used to generate the decision regions. lO 15 20 25 30 ~ v »'L' vvvu,. '' w ~~ r.,, 11 The classification codes 26 of the training sets and the related decision regions 32 may be based on various considerations.

Grupperingen bör företrädesvis ha en nära koppling till hanteringsaspekter eller kliniska aspekter. En möjlig kategorisering är att klassificera patienter i grupper med “icke-AMI”, “lindrig AMI”, “medel AMI” och “svår AMI”. Med avseende på AMI-variabler som innefattar biokemiska markörer för AMI kan en patient under övervakning t.ex. klassificeras att ha “åtminstone en lindrig AMI” om förutsägelsen för toppkoncentrationen av P-CK-MB överskrider 2 URL-enheter (övre referensgränsenhet), “åtminstone medel-AMI” om förutsägelsen för toppkoncentrationen av P-CK-MB överskrider 5 URL- enheter och en “svår AMI” om förutsägelsen för toppkoncentrationen av P- CK-MB överskrider 10 URL-enheter. Annars klassificeras patienten att ha “icke-AMI” eller att vara “osäker” tills t.ex. en förbestämd tid har förﬂutit från den första mätningen. Sådana beslutsregioner är av intresse för läkaren vid beslut om lämplig hantering av patienten.The grouping should preferably have a close connection to management aspects or clinical aspects. One possible categorization is to classify patients into groups with “non-AMI”, “mild AMI”, “moderate AMI” and “severe AMI”. With respect to AMI variables that include biochemical markers for AMI, a patient under supervision may e.g. is classified as having “at least one mild AMI” if the prediction for the peak concentration of P-CK-MB exceeds 2 URL units (upper reference limit unit), “at least mean AMI” if the prediction for the peak concentration of P-CK-MB exceeds 5 URL units and a “severe AMI” if the prediction for the peak concentration of P-CK-MB exceeds 10 URL units. Otherwise, the patient is classified as having "non-AMI" or being "insecure" until e.g. a predetermined time has elapsed since the first measurement. Such decision regions are of interest to the physician in deciding on the appropriate handling of the patient.

Andra klassificeringsgrupper är också möjliga. Patienterna i träningsupp- sättningarna skulle t.ex. kunna grupperas med avseende på vilken be- handling som anses vara lämplig.Other classification groups are also possible. The patients in the training sets would e.g. be able to be grouped with regard to which treatment is considered appropriate.

Det år även möjligt att träna och avpassa olika artificiella neurala nätverk på samma uppsättning av variabler, men med olika klassificeringskoder.It is also possible to train and adapt different artificial neural networks on the same set of variables, but with different classification codes.

Sådana ANN kan då användas parallellt. Den läkare som använder systemet kan då välja den uppsättning av beslutsregioner han/ hon vill använda beroende på den individuella skickligheten och erfarenheten.Such ANNs can then be used in parallel. The doctor who uses the system can then choose the set of decision regions he / she wants to use depending on the individual skill and experience.

En av de mest väsentliga delarna av den första aspekten av den föreliggande uppfinningen är genereringen och åskådliggörandet av beslutsregioner såsom beskrevs kortfattat ovan. I konventionell användning av artificiella neurala nätverk för klassiñcering skapar det artiﬁciella neurala nätverket en utsignal y som jämförs med ett tröskelvärde. Om utsignalen är större än tröskeln väljs en viss klassificering, annars väljs en annan klassificering.One of the most essential parts of the first aspect of the present invention is the generation and illustration of decision regions as briefly described above. In conventional use of artificial neural networks for classification, the artificial neural network creates an output signal y which is compared with a threshold value. If the output signal is greater than the threshold, a certain classification is selected, otherwise another classification is selected.

Såsom illustreras i Fig. 4a beräknar istället det artificiella neurala nätverket lO 15 20 25 u).As illustrated in Fig. 4a, instead, the artificial neural network (10 u) calculates u).

(D 520 166 12 enligt den föreliggande uppfinningen beslutsregioner. I Fig. 4a uttrycks regionerna med hjälp av två variabelkoordinater, varigenom en utsignal y från det artiﬁciella neurala nätverket beror på de två variablerna, dvs. en utsignal y(v1, V2). De olika beslutsregionerna bestäms därefter av förhållandet y(v1, v2)>h, där h är ett tröskelvärde. Detta tröskelvärde antyds som det plan 54 som ritas i Fig. 4a. Från figuren är det lätt att urskilja att en region 52 ﬁnns i det nedre vänstra hörnet, där den yta som motsvarar y(v1, V2) beﬁnner sig under tröskelplanet 54, och en annan beslutsregion 50 finns i den högra och/ eller i den övre delen, där ytan befinner sig över tröskelplanet 54. En mätning av vi och V2 motsvarar då en viss punkt i vi-vz- planet och är därför relaterad till en av regionerna. Hur nära punktens position är till beslutsregionens gräns ger viss antydan om hur noggrann tilldelningen av beslutsregionen är.(D 520 166 12 according to the present invention decision regions. In Fig. 4a the regions are expressed by means of two variable coordinates, whereby an output signal y from the artificial neural network depends on the two variables, i.e. an output signal y (v1, V2). different decision regions are then determined by the ratio y (v1, v2)> h, where h is a threshold value.This threshold value is indicated as the plane 54 shown in Fig. 4. From the figure it is easy to distinguish that a region 52 ﬁ is in the lower the left corner, where the area corresponding to y (v1, V2) is located below the threshold plane 54, and another decision region 50 is located in the right and / or in the upper part, where the surface is above the threshold plane 54. A measurement of vi and V2 then corresponds to a certain point in the vi-vz plane and is therefore related to one of the regions.How close the position of the point is to the border of the decision region gives some indication of how accurate the allocation of the decision region is.

Under användning av en beslutsalgoritm baserad på tre artificiella neurala nätverk för klassificering och åskådliggörande av en patient i termer av “icke-AMI”, “lindrig AMI”, “medel AMI” och “svår AMI” illustreras de motsvarande beslutsregionerna i Fig. 4b. Beslutsregionerna projiceras här på vi-vz-planet. Den punkt som motsvarar den faktiska mätningen kan framställas grafiskt i detta diagram tillsammans med t.ex. dess 95 % konﬁdensgränser. Positionen och avståndet till angränsande beslutsregioner uttolkas då lätt som en klassificering respektive osäkerhet och används som ett beslutsunderlag.Using a decision algorithm based on three artificial neural networks for classification and illustration of a patient in terms of "non-AMI", "mild AMI", "moderate AMI" and "severe AMI", the corresponding decision regions are illustrated in Fig. 4b. The decision regions are projected here on the vi-vz plane. The point corresponding to the actual measurement can be represented graphically in this diagram together with e.g. its 95% condensate limits. The position and distance to adjacent decision regions are then easily interpreted as a classification and uncertainty, respectively, and are used as a decision basis.

Matematiskt kan förfarandet uttryckas på följande sätt. En modell för ett artiﬁciellt neuralt nätverk y = g(x,Ö) , där x = [x0xl...x,] är invektorn hos upp- sättningen av I invariabler och de inställbara parametrarna (vikter och bias) representeras av 9=[w0w,...w,] (xo =1 för att på lämpligt sätt beteckna eventuell biasterm som wo), kan användas i en beslutsregel d genom att definiera en beslutströskel hm : 10 15 20 25 b' C) 520 166 13 . . . , i ' " fastställa", om y 2 hm "utesluta" , om y < hm När ett artificiellt neuralt nätverk används för att fastställa eller utesluta patienttillstånd, som utvecklas under mätningarnas gång, analyseras tidsmärkta mätningar. Beslutsregeln d kan då modiﬁeras sä att hm är den beslutströskel med vilken värdet på ANN-iitsignalen jämförs och tm” är en förbestämd övervakningstid. Om utsignalen överskrider hm genereras en positiv klassificering (“fastställa”). Annars jämförs den nuvarande mättiden med tm”. Om den nuvarande tiden är större än :man genereras en negativ klassificering (“utesluta”) medan däremot om den är mindre än tm, indikerar ANN-algoritmen att en definitiv klassificering ännu inte kan genereras och rekommenderar att ytterligare mätningar utförs.Mathematically, the procedure can be expressed as follows. A model for an artificial neural network y = g (x, Ö), where x = [x0xl ... x,] is the invector of the set of I invariables and the adjustable parameters (weights and bias) are represented by 9 = [ w0w, ... w,] (xo = 1 to appropriately designate any biasterm as wo), can be used in a decision rule d by defining a decision threshold hm: 10 15 20 25 b 'C) 520 166 13. . . , i '"determine", if y 2 hm "exclude", if y <hm When an artificial neural network is used to determine or exclude patient conditions, which develop during the course of the measurements, time-marked measurements are analyzed. The decision rule d can then be modified so that hm is the decision threshold with which the value of the ANN signal is compared and tm ”is a predetermined monitoring time. If the output signal exceeds hm, a positive classification is generated ("determine"). Otherwise, the current measurement time is compared with tm ”. If the current time is greater than: one generates a negative classification ("exclude") while on the other hand if it is less than tm, the ANN algorithm indicates that a definitive classification can not yet be generated and recommends that further measurements be performed.

Beslutsregionernas gränser är hyperplan hm = g(x,Ö) i det I-dimensionella rummet av AMI-invariabler/ -inparametrar och definierar beslutsregioner med de två AMI-kategorierna.The boundaries of the decision regions are hyperplanes hm = g (x, Ö) in the I-dimensional space of AMI invariables / parameters and define decision regions with the two AMI categories.

Ett tränat artificiellt neuralt nätverk bör i allmänhet avpassas för att ge en acceptabel prestanda i den aktuella miljön där det ska användas. Ett artificiellt neuralt nätverk som tränas med en viss uppsättning av mätningar körs genom ett avpassningsförfarande (jfr. Fig. 2c).A trained artificial neural network should generally be adapted to provide acceptable performance in the particular environment in which it is to be used. An artificial neural network that is trained with a certain set of measurements is run through a matching procedure (cf. Fig. 2c).

Enligt en andra aspekt av uppfinningen kan de klassiñceringar som genereras av den ANN-baserade beslutsalgoritmen (ANN-algoritm) avpassas för att uppfylla medicinska krav specificerade vid användningsplatsen. Dessa krav uttrycks som erfordrade minimala positiva och negativa prediktiva värden givet den befintliga prevalensen för sjukdom. Det uppnås genom noggrann bestämning av de två parametrarna i ANN-algoritmen, háec och t man ' 10 15 20 '25 3ïO 520 166 14 En grundläggande beräkning som kommer att användas i det efterföljande förfarandet är bestämningen av tröskelparametern hm så att ANN- algoritmen utför klassiﬁceríngar med en viss önskad “avpassad speciﬁcitetsnivä", specmed , för en fast övervakningsperiod tm”. Den bestäms såsom följer: hdec = aíg min íçpeó-(tlnorz 9 h ) Z specmrzed } (1) där spec(t,h) representerar ackumulerad speciﬁcitet beräknad på träningsuppsättningen vid tiden t efter start av mätningarna genom användning av tröskeln h Förfarandet att sätta parametrarna hm och imon i ANN-beslutsalgoritmen så att den medicinska kravspeciﬁkationen uppfylls är såsom följer: Prevalensen för det patologiska tillståndet (t.ex. AMI) måste vara känt och de kliniska kraven för maximal övervakningstid tm" och minimala positiva och negativa prediktiva värden måste till att börja med specificeras. ANN-algoritmen avpassas därefter till olika speciﬁciteter i det intervall som är av kliniskt intresse, t.ex. specmd =(0,80...l,OO) genom använding av ekvation (1). Varje nivå av avpassad speciﬁcitet resulterar i ett motsvarande värde på hm.According to a second aspect of the invention, the classifications generated by the ANN-based decision algorithm (ANN algorithm) can be adapted to meet medical requirements specified at the place of use. These requirements are expressed as required minimum positive and negative predictive values given the existing prevalence of disease. This is achieved by carefully determining the two parameters in the ANN algorithm, háec and t man '10 15 20' 25 3ïO 520 166 14 A basic calculation that will be used in the subsequent procedure is the determination of the threshold parameter hm so that the ANN algorithm performs classifications with a certain desired "adapted specificity level", specmed, for a fixed monitoring period tm ". It is determined as follows: hdec = aíg min íçpeó- (tlnorz 9 h) Z specmrzed} (1) where spec (t, h) represents specificity calculated on the training set at time t after the start of the measurements using the threshold h The procedure to set the parameters hm and imon in the ANN decision algorithm so that the medical requirements specification is met is as follows: The prevalence of the pathological condition (eg AMI) must be known and the clinical requirements for maximum monitoring time tm "and minimum positive and negative predictive values must first be specified. The ANN algorithm is then adapted to different specificities in the range that is of clinical interest, e.g. specmd = (0.80 ... 1.0) using equation (1). Each level of matched specificity results in a corresponding value of hm.

Verkliga diagnostiska känsligheter och speciñciteter för på varandra följande mätningar beräknas därefter genom användning av resultaten från ANN- algoritmen när den tillämpas på en oberoende testuppsättning. Detta utförs för alla nivåer av “avpassad speciﬁcitet”.True diagnostic sensitivities and specialties for successive measurements are then calculated using the results of the ANN algorithm when applied to an independent test set. This is done for all levels of “custom specificity”.

Genom användning av den på förhand kända prevalensen för sjukdomen och de beräknade verkliga diagnostiska speciﬁciteterna och känsligheterna för de avpassade speciﬁciteterna kan även de motsvarande verkliga positiva och negativa prediktiva värden som motsvarar var och en av dessa valda avpassade speciñciteter beräknas. För att välja en bra kompromiss mellan positiva och negativa prediktiva värden plottas företrädesvis de prediktiva 10 15 20 2:5 30 520 166 15 värdena som funktioner av speciﬁcitet. Från denna graf och de medicinskt erfordrade minimala prediktiva värdena bestäms en ”optimal” nivå av avpassad speciﬁcitet. Detta ger direkt den motsvarande hm. Genom att följa det angivna förfarandet bestäms ANN-algoritmens parametrar på ett sådant sätt att den diagnostiska prestandan uppfyller kliniskt relevanta krav på prediktiva värden. Om prestandan inte aeeeptabel för någon speciﬁcitetsnivå måste t ökas, vilket resulterar i ökad diagnostisk M0!! prestanda på bekostnad av en längre övervakningstid. Stegen ovan upprepas därefter.By using the predetermined prevalence of the disease and the calculated actual diagnostic specificities and the sensitivities of the adapted specificities, the corresponding real positive and negative predictive values corresponding to each of these selected adapted specialties can also be calculated. To choose a good compromise between positive and negative predictive values, the predictive values are preferably plotted as functions of specificity. From this graph and the medically required minimum predictive values, an “optimal” level of adapted specificity is determined. This directly gives the corresponding hm. By following the specified procedure, the parameters of the ANN algorithm are determined in such a way that the diagnostic performance meets clinically relevant requirements for predictive values. If the performance is not aeeeptable for any specificity level t must be increased, resulting in increased diagnostic M0 !! performance at the expense of a longer monitoring time. The above steps are then repeated.

Avpassningsförfarandet ovan kan illustreras med ﬂödesdiagrammet i Fig. 5.The above adjustment procedure can be illustrated by the fate diagram in Fig. 5.

Förfarandet startar i steg 100. I steg 102 specificeras den maximala övervakningstiden tm. Ett förhållande mellan avpassad speciﬁcitet och hm upprättas i steg 104. I steg 106 används en testuppsättning för att beräkna verklig speciﬁcitet och känslighet. I steg 107 beräknas motsvarande verklig prediktiva värden för den faktiska prevalensen genom användning av testuppsättningen. De prediktiva värdena plottas som funktioner av speciﬁcitet i steg 108 och från denna graf och kliniska krav på prediktiva vården bestäms det i steg 110 om kraven kan uppfyllas. Om kraven inte uppfylls fortsätter förfarandet till steg 116 där tm ökas. Hela förfarandet startar därefter om igen från steg 102. Om kraven kan uppfyllas bestäms ett optimalt värde hop, i steg 112. Förfarandet avslutas i steg 114.The process starts in step 100. In step 102, the maximum monitoring time tm is specified. A relationship between matched specificity and hm is established in step 104. In step 106, a test set is used to calculate true specificity and sensitivity. In step 107, the corresponding actual predictive values for the actual prevalence are calculated using the test set. The predictive values are plotted as functions of specificity in step 108 and from this graph and clinical requirements for predictive care, it is determined in step 110 whether the requirements can be met. If the requirements are not met, the procedure proceeds to step 116 where the tm is increased. The entire process then restarts from step 102. If the requirements can be met, an optimal value hop is determined, in step 112. The process ends in step 114.

För ytterligare belysning se Fig. 6. Positiva prediktiva värden vid intagning PPVOh representeras av den heldragna linjen, positiva prediktiva värden efter två timmar PPVQh representeras av den streckade linjen och negativa prediktiva värden efter två timmar NPV2h representeras av den prickade linjen. Här sattes prevalensen för AMI lika med 0,30 och den maximala övervakningstiden tmon sattes lika med 2 timmar. Det antas vidare att ett positivt prediktivt värde vid intagning PPV > 0,85 och ett negativt prediktivt värde efter två timmar NPV < 0,95 såsom erfordras kliniskt (framställt som tunna heldragna horisontella linjer i Fig. 6). Enligt Fig. 6 uppnås den 10 15 20 2,5 3-0 v» U» . , | i -. ,, , ,'__1~' » | . . E.For further elucidation see Fig. 6. Positive predictive values at ingestion PPVOh are represented by the solid line, positive predictive values after two hours PPVQh are represented by the dashed line and negative predictive values after two hours NPV2h are represented by the dotted line. Here, the prevalence of AMI was set equal to 0.30 and the maximum monitoring time tmon was set equal to 2 hours. It is further assumed that a positive predictive value on ingestion PPV> 0.85 and a negative predictive value after two hours NPV <0.95 as required clinically (presented as thin solid horizontal lines in Fig. 6). According to Fig. 6, it is achieved 2.5 3-0 v «U». , | i -. ,,,, '__ 1 ~' »| . . E.

"- »- - . Z I ' >- v. _ x . * - f m 1 _ - u. . . n f . . , * v . , ~~ L. .. . 16 erfordrade diagnostiska prestandan i detta fall genom att välja en hög nivå av speciﬁcitet lika med 0,94, vilket motsvar PPVOh = 0,89, PPV2h = 0,88 och NPV2h = 0,98 efter avpassning av ANN-beslutsalgoritmen."-» - -. ZI '> - v. _ X. * - fm 1 _ - u... Nf.., * V., ~~ L. ... 16 required diagnostic performance in this case by selecting a high level of specificity equal to 0.94, which corresponds to PPVOh = 0.89, PPV2h = 0.88 and NPV2h = 0.98 after adjusting the ANN decision algorithm.

Varje uppsättning av variabler som används antingen för att generera relevanta beslutsregioner eller för att spänna upp det rum i vilket beslutsregionerna uttrycks, är associerad med ett visst tidstillfälle. Denna “tidsmärkning” är av särskild betydelse för träningen av det artificiella neurala nätverket. Den ideala tiden skulle kunna vara den tid som har förflutit sedan starten av infarktprocessen. Eftersom denna emellertid är okänd används tiden från det att symptomen av en möjlig AMI uppträder som en tidsreferens. En annan tidsreferens vid presentation av resultat är tiden från starten av mätningarna, vanligtvis intagningstiden.Each set of variables used either to generate relevant decision regions or to span the space in which the decision regions are expressed is associated with a specific time period. This "time marking" is of particular importance for the training of the artificial neural network. The ideal time could be the time that has elapsed since the start of the infarction process. However, since this is unknown, the time from when the symptoms of a possible AMI appear as a time reference is used. Another time reference when presenting results is the time from the start of the measurements, usually the intake time.

Enligt en tredje aspekt av uppﬁnningen väljs de AMI-variabler som används för träning och avpassning av artificiella neurala nätverk inte bara från biokemiska markörer för AMI utan även från variabler som erhålls från intermittenta/ kontinuerliga EKG /VKG-registreringar.According to a third aspect of the invention, the AMI variables used for training and adaptation of artificial neural networks are selected not only from biochemical markers for AMI but also from variables obtained from intermittent / continuous ECG / VKG recordings.

De allmänna fördelarna med användning av biokemiska markörer beskrivs i patentet US-A-5 690 103. Koncentrationsnivåer av biokemiska markörer för AMI mäts i cirkulerande blod från en patient. I praktiken samlas ett blodprov in och kan även separeras i olika fraktioner, såsom plasma, blodkroppar eller blodplättar. Biokemiska markörer som följer plasman mäts därefter.The general benefits of using biochemical markers are described in U.S. Patent No. 5,690,103. Concentration levels of biochemical markers for AMI are measured in circulating blood from a patient. In practice, a blood sample is collected and can also be separated into different fractions, such as plasma, blood cells or platelets. Biochemical markers that follow the plasma are then measured.

Den första mätningen av koncentrationsnivåer utförs företrädesvis vid intagning av patienten. Det bör förstås att uttrycket mätning av koncentrationer av biokemiska markörer här nedan i allmänhet betyder det hela förfarandet att ta blodprov och analysera proven för att bestämma koncentrationsnivåerna av de biokemiska AMI-markörerna.The first measurement of concentration levels is preferably performed when ingesting the patient. It should be understood that the term measurement of concentrations of biochemical markers below generally means the whole procedure of taking blood samples and analyzing the samples to determine the concentration levels of the biochemical AMI markers.

Det finns viktiga skillnader i egenskaperna hos dagens biokemiska markörer för AMI, t.ex. myoglobin, CK-MB och hjärtspeciﬁkt toponin-T. De använda biokemiska markörerna väljs företrädesvis så att de har olika uppträdande 10 15 20 25 1,» O = ' * I , ~ 1 i . < - . , Q ' 520 166 17 hastigheter i plasma efter en AMI. En ökning av masskoncentrationen av myoglobin kan mätas i plasma redan efter l - 2 timmar efter infarktens början medan CK-MB och troponin-T börjar öka efter 3 - 4 timmar.There are important differences in the properties of today's biochemical markers for AMI, e.g. myoglobin, CK-MB and cardiac-specific toponin-T. The biochemical markers used are preferably selected so that they have different behaviors. <-. , Q '520 166 17 velocities in plasma after an AMI. An increase in the mass concentration of myoglobin can be measured in plasma already after 1-2 hours after the onset of the infarction, while CK-MB and troponin-T begin to increase after 3-4 hours.

Troponin-T förblir förhöjd upp till tre veckor efter en AMI medan CK-MB förblir förhöjd i 2 - 3 dagar och myoglobin i en dag. För alla tre markörerna är den diagnostiska känsligheten för AMI hög. En mindre förhöjning av troponin-T och CK-MB, vilket antyder mindre hjärtmuskelskada, kan detekteras i åtminstone 30 % av alla patienter med diagnosen instabil angina enligt konventionella kriterier. Myoglobin har en dålig diagnostisk speciñcitet eftersom myoglobin även frisläpps från skadade skelettmuskler.Troponin-T remains elevated for up to three weeks after an AMI while CK-MB remains elevated for 2-3 days and myoglobin for one day. For all three markers, the diagnostic sensitivity of AMI is high. A small increase in troponin-T and CK-MB, suggesting less myocardial infarction, can be detected in at least 30% of all patients diagnosed with unstable angina according to conventional criteria. Myoglobin has a poor diagnostic specificity because myoglobin is also released from damaged skeletal muscle.

Andra biokemiska markörer som är av intresse i anslutning till AMI är t.ex. troponin I, glykogenfosforylas BB, laktatdehydrogenas och hjärtspeciﬁkt fettsyrebindande protein (eng. ”heart-type fatty acid binding protein", h- FABP).Other biochemical markers that are of interest in connection with AMI are e.g. troponin I, glycogen phosphorylase BB, lactate dehydrogenase and heart-type fatty acid binding protein (h-FABP).

De ﬂesta enheter idag som har hand om patienter med misstänkt AMI tillämpar intermittenta eller kontinuerliga EKG- eller VKG-mätningar. Initialt EKG används vanligen för att fastställa AMI. De ﬂesta patienter som anländer med smärtor i bröstet uppvisar emellertid inte något diagnostiskt initialt EKG. Inom känd teknik beror fastställande/uteslutande för dessa patienter på upprepade mätningar av biokemiska AMI-markörer. Korrekt förbehandling av EKG- /VKG-registreringar kan emellertid tillhandahålla härledda AMI-parametrar och tidsmärkta AMI-variabler som kan användas jämte biokemiska AMI-variabler för att förbättra prestandan hos ANN- algoritmer. Exempel på härledda EKG-parametrar/ -variabler som är kandidater för att bidra till ANN-prestandan är summan av R-vågamplituder, maximal ST-sänkning och medelvaraktigheten för R-våg i främre elektroder.Most units today that care for patients with suspected AMI apply intermittent or continuous ECG or VKG measurements. Initial ECG is commonly used to determine AMI. However, most patients who arrive with chest pain do not show a diagnostic initial ECG. In the prior art, determination / exclusion for these patients is due to repeated measurements of biochemical AMI markers. However, proper pre-processing of ECG / VCG recordings can provide derived AMI parameters and time-stamped AMI variables that can be used in addition to biochemical AMI variables to improve the performance of ANN algorithms. Examples of derived ECG parameters / variables that are candidates for contributing to ANN performance are the sum of R-wave amplitudes, maximum ST decrease, and the mean duration of R-wave in front electrodes.

EKG- / VKG-variablerna kan lätt användas som de ovan beskrivna “ytterligare” variablerna men skulle även i princip kunna uppträda som de variabler som motsvarar koordinaterna för beslutsregionerna. 10 15 20 _æ 52Û 165 Éß-'fšffšï 18 H ' Beroende på den specifika tillämpningen finns det olika optimala val av typen av artiﬁciell neuralt nätverk. I ett system som endast använder biokemiska AMI-variabler är enskikts- eller multipel enskiktsperceptroner (eng. ”single-layer perceptrons” respektive ”multiple-single-layer perceptrons”) bra val. När patientspeciﬁka parametrar är inblandade skulle en oskarp enskiktsperceptron (eng. ”fuzziﬁed single-layer perceptron”) kunna vara en bra kandidat för det artificiella neurala nätverket. De olika nätverken beskrivs kortfattat nedan. Fackmannen förstår att andra ANN än de ovan nämnda också kan användas i den föreliggande uppfinningen.The ECG / VKG variables can easily be used as the “additional” variables described above, but could also in principle appear as the variables that correspond to the coordinates of the decision regions. 10 15 20 _æ 52Û 165 Éß-'fšffšï 18 H 'Depending on the specific application, there are different optimal choices of the type of arti ﬁ neural network. In a system that only uses biochemical AMI variables, single-layer perceptrons (single-layer perceptrons) and multiple-single-layer perceptrons, respectively, are good choices. When patient-specific parameters are involved, a fuzzy single-layer perceptron could be a good candidate for the artificial neural network. The various networks are briefly described below. Those skilled in the art will appreciate that ANNs other than those mentioned above may also be used in the present invention.

Enskiktsperceptronen (SLP), även betecknad logistisk regression, är en icke- linjär model med en linjär beslutsgräns i invektorrummet. Utvärdet y ges av I y = F wixl.) i=O l m) = 1+ exm-ø) där x =[x0x1...x,] är invektorn (med xo =1 för att på lämpligt sätt beteckna biasterrnen som wo) och xl...x, är uppsättningen av I invariabler. De inställningsbara parametrarna (vikter och bias) representeras av 9 = [w0w1...w,]. F är en sigmoid funktion som kan anta värden i intervallet (0, 1)- Enskiktsperceptronen med oskarpa invariabler (FSLP) är en SLP med tillägget att invariablerna är icke-stokastiskt förbehandlade med användning av sigmoida medlemsfunktioner för att uppnå icke-linjär klassificering. De oskarpa medlemsfunktionerna ges av fçfiﬁl-:åm osf(x,.)s1,i=1,...1 10 15 20 _25 30 h. . , * f . *' - ; :'* -- i .: - - 19 där ai placerar och ß, bestämmer bredden av den sigmoida funktionen. a, är lika med värdet av x, för vilket f (xi) är 0,5 medan ett större ßi gör separationen mellan de två klasserna (AMI och icke-AMI) mer distinkt.The single-layer perceptron (SLP), also called logistic regression, is a non-linear model with a linear decision boundary in the vector space. The value y is given by I y = F wixl.) I = 0 lm) = 1+ exm-ø) where x = [x0x1 ... x,] is the invector (with xo = 1 to appropriately denote the biasterns as wo ) and xl ... x, is the set of I invariables. The adjustable parameters (weights and bias) are represented by 9 = [w0w1 ... w,]. F is a sigmoid function that can assume values in the range (0, 1) - The single-layer perceptor with blurred invariables (FSLP) is an SLP with the addition that the invariables are non-stochastically pretreated using sigmoid member functions to achieve non-linear classification. The blurry member functions are given by fçfi ﬁ l-: åm osf (x,.) S1, i = 1, ... 1 10 15 20 _25 30 h. , * f. * '-; : '* - i.: - - 19 where ai places and ß, determines the width of the sigmoid function. a, is equal to the value of x, for which f (xi) is 0.5 while a larger ßi makes the separation between the two classes (AMI and non-AMI) more distinct.

Värdena på parametrarna a, bestäms oberoende för invariablerna x, så att antalet felklassiﬁcerade fall minimeras vid användning som en icke- stokastisk beslutsnivå för xš.. ß, -parametrarna bestäms genom systematisk variation. Denna modell kan användas med ai och ßl. innefattade som parametrar i objektfunktionen för att automatiskt uppskattas samtidigt med vikter och bias i träningsprocessen.The values of the parameters a, are determined independently for the invariables x, so that the number of misclassified cases is minimized when used as a non-stochastic decision level for xš .. ß, the parameters are determined by systematic variation. This model can be used with ai and ßl. included as parameters in the object function to be automatically estimated at the same time as weights and bias in the training process.

Den multipla enskiktsperceptronen (m:MSLP) avser en struktur där m “expert-SLP” används parallellt. Varje SLP tränas på en vald delmängd av träningsuppsättningen där alla mätningar av markörer kommer från t.ex. samma tidsintervall sedan infarktens början. Utsignalen från m:MSLP deﬁnieras som den maximala utsignalen från de enskilda SLP y :maxø/lvyzß--wl/m) När ett system för beslutsunderlag (DSS) konstrueras kan en kombination av olika ANN-algoritmer användas.The multiple single-layer perceptron (m: MSLP) refers to a structure where m “expert SLP” is used in parallel. Each SLP is trained on a selected subset of the training set where all measurements of markers come from e.g. the same time interval since the onset of the infarction. The output signal from m: MSLP is defined as the maximum output signal from the individual SLP y: maxø / lvyzß - wl / m) When designing a decision basis system (DSS), a combination of different ANN algorithms can be used.

För att underlätta förståelsen av de grundläggande idéerna med den föreliggande uppfinningen kommer en belysande utföringsform att beskrivas i mer detalj tillsammans med resultat som erhållits med en sådan utförings- form.To facilitate the understanding of the basic ideas of the present invention, an illustrative embodiment will be described in more detail together with results obtained with such an embodiment.

Tre tränade och avpassade ANN-baserade beslutsalgoritmer (MSLP, SLP och SLP) kombinerades för att bilda en huvudkomponent i ett system för besluts- underlag (DSS) för att generera förutsägelser för “icke-AMV, “lindrig AMI”, “medel-AMI” och “svår AMI”. Fig. 7 är ett högnivådiagram som visar beräkningsprocesser. Förfarandet startar i steg 300. Processen 302 representerar tidsmärkta mätningar av infarktmarkörer i plasma från en 10 15 20 125 30 520 166 1113:11: 20 patient med smärtor i bröstet och icke-diagnostiskt EKG vid intagning.Three trained and tailored ANN-based decision algorithms (MSLP, SLP and SLP) were combined to form a key component of a decision-making system (DSS) to generate predictions for “non-AMV,“ mild AMI ”,“ mean AMI ” ”And“ severe AMI ”. Fig. 7 is a high level diagram showing calculation processes. The procedure begins in step 300. Process 302 represents time-stamped measurements of infarct markers in plasma from a patient with chest pain and non-diagnostic ECG on ingestion.

Dessa mätningar kan utföras med användning av kommersiellt tillgängliga decentraliserade instrument med tillräckligt kort omloppstid för analys, företrädesvis mindre än 20 minuter. Resultaten från dessa mätningar, masskoncentrationsvärden i plasma av myoglobin och CK-MB, tas som invärden till det första ANN för generering av beslutsregioner och utförande av klassificering 303 med avseende på “Åtminstone lindrig AMI” 304. Om en negativ indikering genereras jämförs den nuvarande tiden t med den erfordrade övervakningstiden tm” 306. Om tztmon genereras en förutsägelse för icke-AMI 310. Om emellertid t vilket kräver att ytterligare mätningar utförs. Om det första ANN genererar en positiv indikering av “Åtminstone lindrig AMI”, vilket beslutas i steg 304, utförs en ny klassiﬁcering med det andra ANN som genererar beslutsregioner och utför klassiﬁcering 311 med avseende på “Åtminstone medel AMI” 312.These measurements can be performed using commercially available decentralized instruments with a sufficiently short turnaround time for analysis, preferably less than 20 minutes. The results of these measurements, plasma mass concentration values of myoglobin and CK-MB, are taken as values for the first ANN for generating decision regions and performing classification 303 with respect to “At least mild AMI” 304. If a negative indication is generated, the current time is compared. t with the required monitoring time tm ”306. If tztmon a prediction is generated for non-AMI 310. However, if t which requires further measurements to be performed. If the first ANN generates a positive indication of “At least mild AMI”, which is decided in step 304, a new classification is performed with the second ANN which generates decision regions and performs classification 311 with respect to “At least mean AMI” 312.

Om en negativ indikering genereras jämförs den nuvarande tiden t med den erfordrade övervakningstiden :man 314. Om tztmm, genereras en förutsägelse för lindrig AMI 318. Om emellertid t< :man ger DSS förutsägelsen “Åtminstone lindrig AMI” 316, vilket kräver att ytterligare mätningar utförs. Om ANN genererar en positiv indikering av “Åtminstone medel-AMI”, vilket beslutas i steg 312, utförs en ny klassiﬁcering med användning av det tredje ANN som genererar beslutsregioner och utför klassificering 319 med avseende på “Svår AMI”. Om en negativ indikering genereras jämförs den nuvarande tiden t med den erfordrade övervakningstiden tmw, 322. Om tztmon genereras en förutsägelse för medel-AMI 326. Om emellertid t “Åtminstone medel-AMI” 324, vilket kräver att ytterligare mätningar utförs.If a negative indication is generated, the current time t is compared with the required monitoring time: man 314. If tztmm, a prediction is generated for mild AMI 318. However, if t <: man gives DSS the prediction “At least mild AMI” 316, which requires further measurements performed. If the ANN generates a positive indication of “At least mean AMI”, which is decided in step 312, a new classification is performed using the third ANN which generates decision regions and performs classification 319 with respect to “Severe AMI”. If a negative indication is generated, the current time t is compared with the required monitoring time tmw, 322. However, if tztmon a prediction is generated for mean AMI 326. However, if t is “At least mean AMI” 324, which requires further measurements to be performed.

Om det tredje ANN genererar en positiv indikering av “Svår AMI”, vilket beslutas i steg 320, ges förutsägelsen svår AMI i steg 328 och förfarandet avslutas i steg 330. Alla steg avslutas när tztman och det totala förfarandet avslutas i steg 330.If the third ANN generates a positive indication of “Severe AMI”, which is decided in step 320, the prediction severe AMI is given in step 328 and the procedure ends in step 330. All steps end when tztman and the overall procedure end in step 330.

Enligt den föreliggande uppfinningen plottas markörkoncentrationerna i P- myoglobin - P-CK-MB-planet. Beslutsregioner som genererats av de tre ANN- 10 15 20 25 520 "-._A_.-" fi, 'f 21 i baserade beslutsalgoritmerna överlagras i en sådan graf för att erhålla en grafisk presentation av de förutsägelser som genereras av DSS. De regioner som genereras genom användning av tiden från infarktens början i uppsättningen av invariabler gör det nödvändigt att generera beslutsregioner för varje mätning. De normaliserade markörvärdena (dvs. värden dividerade med sina respektive övre referensgränser för friska individer, URL) kan plottas i en sådan graf tillsammans med deras respektive 95 % konñdens- gränser, vilket ger användaren en möjlighet att uppskatta hur säkert systemet är i sina förutsägelser, från mätpunktens position i förhållande till beslutsregionernas gränser.According to the present invention, the marker concentrations in the β-myoglobin - β-CK-MB plane are plotted. Decision regions generated by the three based decision algorithms are superimposed in such a graph to obtain a graphical presentation of the predictions generated by the DSS. The regions generated by using the time from the beginning of the infarction in the set of invariables make it necessary to generate decision regions for each measurement. The normalized marker values (ie values divided by their respective upper reference limits for healthy individuals, URL) can be plotted in such a graph together with their respective 95% condensation limits, giving the user an opportunity to estimate how safe the system is in its predictions. from the position of the measuring point in relation to the boundaries of the decision regions.

I Fig. 8a till 8c åskådliggörs fyra beslutsregioner genererade av de tre ANN- baserade beslutsalgoritmerna. Figurerna visar tre uppsättningar av på varandra följande mätningar av P-myoglobin och P-CK-MB, normaliserade och plottade med deras respektive 95 % konﬁdensintervall. Fig. 8a illustrerar situationen efter den första mätningen. Den punkt 60 som motsvarar det uppmätta värdet av P-myoglobin och P-CK-MB från den första mätupp- sättningen vid intagning av patienten uppträder inom regionen med indikering “icke-AMI”, men eftersom den maximala övervakningstiden inte har löpt ut visas en “osäkerhetsindikering” och mätningarna fortsätter. Ett textfält 65 tillhandahålls företrädesvis, i vilket förutsägelser, indikeringar, mättid (från intagning) etc. framställs i skrift. Mätnumret indikeras företrädesvis också i anslutning till mätpunkten. I Fig. 8b illustreras situationen vid den andra mätningen 61. Förutsägelsen “Åtminstone lindrig AMI” gavs efter två uppsättningar av mätningar. Eftersom den maximala övervakningstiden inte hade nåtts förtsatte mätningarna. Fig. 8c illustrerar slutligen situationen när den tredje mätningen 62 gjordes tillgänglig och förutsägelsen “svår AMI” gavs. Inga ytterligare mätningar var nödvändiga.In Figs. 8a to 8c, four decision regions generated by the three ANN-based decision algorithms are illustrated. The figures show three sets of consecutive measurements of P-myoglobin and P-CK-MB, normalized and plotted with their respective 95% confidence intervals. Fig. 8a illustrates the situation after the first measurement. The point 60 corresponding to the measured value of P-myoglobin and P-CK-MB from the first measurement set at the time of admission of the patient appears within the region with indication “non-AMI”, but since the maximum monitoring time has not expired, a "Uncertainty indication" and the measurements continue. A text field 65 is preferably provided, in which predictions, indications, measurement time (from intake), etc. are presented in writing. The measurement number is preferably also indicated in connection with the measuring point. Fig. 8b illustrates the situation at the second measurement 61. The prediction “At least mild AMI” was given after two sets of measurements. As the maximum monitoring time had not been reached, the measurements continued. Fig. 8c finally illustrates the situation when the third measurement 62 was made available and the prediction “severe AMI” was given, no further measurements were necessary.

Notera att eftersom tiden för mätningarna är olika modiﬁeras besluts- regionernas gränser mellan varje mätning, dvs. beslutsregionerna är dynamiska och beräknas för varje enskild patient och mättid. 10 15 - i . v . , 520 ieeg; ¿; 22 i' Detta sätt att representera de utsignaler som genereras av de kombinerade ANN-beslutsalgoritmerna för förutsägelser av infarktstorlek hjälper till att förklara dess tankegång.Note that since the time for the measurements is different, the boundaries of the decision regions between each measurement are modified, ie. The decision regions are dynamic and are calculated for each individual patient and measurement time. 10 15 - i. v. , 520 ieeg; ¿; 22 i 'This way of representing the outputs generated by the combined ANN decision algorithms for infarct size predictions helps to explain its thinking.

I Fig. 9 illustrerar ett ﬂödesdiagram grundstegen i den föreliggande upp~ ñnningen. Förfarandet startar i steg 200. I steg 202 mäts variabler som är relaterade till AMI. Beslutsregioner genereras av ett artificiellt neuralt nätverk i steg 204. De uppmätta variablerna relateras därefter i steg 206 till de genererade beslutsregionerna, vilket tillhandahåller indikering av akut hjärtinfarkt av olika storlek. Förfarandet avslutas i steg 208.In Fig. 9, a fate diagram illustrates the basic steps of the present invention. The process starts in step 200. In step 202, variables related to AMI are measured. Decision regions are generated by an artificial neural network in step 204. The measured variables are then related in step 206 to the generated decision regions, providing indication of acute myocardial infarction of various sizes. The process is completed in step 208.

Det kommer att inses av fackmannen att olika modifieringar och ändringar kan göras av den föreliggande uppfinningen utan att avvika från dess omfattning, som deñnieras av de bifogade patentkraven.It will be appreciated by those skilled in the art that various modifications and changes may be made to the present invention without departing from the scope thereof, which is defined by the appended claims.

Claims

10 15 20 25 30. ., ,,, ~,. . . i. 7 0 .u '* f l I' - i i "I u '23 PATENT REQUIREMENTS

A method for providing decision support for early assessment of patients with suspected acute myocardial infarction (AMI), comprising the steps of: measuring a set of n variables related to AMI in a patient at at least one measurement time period, where n 2 2; generating m decision regions, where m 2 2, in the n-dimensional space of the n variables using at least one artiural neural network, trained on a training set of n measured variables from m classification groups of typical patients; and relating the values of the n variables in a present measurement set to the m decision regions in the n-dimensional space to indicate AMI characteristics.

The method of claim 1, further comprising the step of: graphically illustrating the m decision regions and a number of the values of the n variables from the present measurement set.

The method of claim 1, wherein the decision regions correspond to different sizes of AMI.

A method according to claim 1, wherein the decision regions correspond to different preferred handling alternatives and / or treatment methods.

The method of claim 1, wherein the variables related to AMI are selected from the list: concentrations of biochemical markers for AMI in circulating blood from the patient; and derived quantities from intermittent / continuous ECG / VKG. 10 15 20 2.5 3f0 520 166;: ¿; i; a _ @; ¿24

The method of claim 5, wherein the biochemical markers are selected from the list: myoglobin, creatine kinase MB, troponin T, troponin I, glycogen phosphorylase BB, lactate dehydrogenase, and cardiac specific fatty acid binding protein (h-FABP).

The method of claim 1, further comprising the step of: providing the timing of the present measurement set relative to the time when symptoms occur, to the artificial neural network (s), which articular neural network (s) are further trained with the relative occurrences of measurement sets. of the n variables as a further invariable, wherein the step of generating the decision regions is further based on the relative occurrence time of the present measurement set.

The method of claim 7, further comprising the step of: providing patient-specific parameters to the artificial neural network (s), which artificial neural network (s) are further trained with patient-specific parameters, the step of generating decision regions further based on the patient-specific the parameters.

The method of claim 8, wherein at least one of the patient-specific parameters is selected from the list: derived size from initial ECG / VKG, patient's gender, patient's age, AMI risk factors, patient's present health status, and '30 n. '_' '«, 1 _. j ~. . . l ». Hrvxy 'of:' 25 previous medical history.

A method according to claim 2, wherein the m decision regions are illustrated in a k-dimensional diagram de ﬁ denied by the coordinates of the k variables, the values of the k variables from the present set of measurements are illustrated as a point in the k-dimensional diagram, and the remaining nk the variable values are used to generate the decision regions.

A method according to claim 10, wherein k = 2.

The method of claim 1, wherein the artificial neural network (s) is of a type selected from the list: single-layer perceptron, multiple single-layer perceptron, and single-layer perceptron with blurred invariables.

The method of claim 10, wherein the condensation regions of the values of the k variables from the present measurement set are illustrated as a region in the k-dimensional diagram.

The method of claim 1, further comprising the step of: adapting the performance of the artificial neural network (s) to clinical requirements for predictive values in the output given prevalence situations.

A method for providing decision support for early assessment of patients with suspected acute myocardial infarction (AMI), comprising the steps of: measuring a set of n variables related to AMI 'nos a patient at at least one measurement time point, where n 2 2; 10 15 20 2,5 30 .. -. _ ", f _" _ i'-. -. . ,, ". ' .I ii _ * '* vi. ¿, - - = i I:',. ...,. .I. Generating a classification of the patient using at least one artificial neural network, trained on a training set of n measured variables from m classification groups of typical patients, where m 2 2, and where at least one of the variables related to AMI is a derived quantity from intermittent / continuous ECG / VKG.

A method of providing decision support for early assessment of patients with suspected acute myocardial infarction (AMI), comprising the steps of: measuring a set of n variables related to AMI in a patient at at least one measurement time period, where n 2 2; generating a classification of the patient using at least one artiñciural neural network, trained on a training set of n measured variables from classification groups of typical patients; and adapting the performance of the artificial neural network (s) to clinical requirements for predictive values in the output signal from the artificial neural network (s) in given prevalence situations.

An apparatus for providing decision support for early assessment of patients with suspected acute myocardial infarction (AMI), comprising: at least one articular neural network, trained on a training set of n measured variables related to AMI from m classification groups of typical patients, and arranged to generate at least m decision regions in the n-dimensional space of the n variables, where n, m 2 2; means for inputting a present set of n measured values of variables related to AMI in a patient from at least one measurement time; means for relating the n variables from the present network set-up to the decision regions in the n-dimensional space for indicating AMI characteristics. 10 15 20 25 30 520 166 27

The apparatus of claim 17, further comprising: a graphical means for illustrating the decision regions and a number of the n values from the present measurement set.

The device of claim 17, wherein the decision regions correspond to different sizes of AMI.

Device according to claim 17, wherein the decision regions correspond to different preferred handling alternatives and / or treatment methods.

The device of claim 17, wherein the variables related to AMI are selected from the list: concentrations of biochemical markers for AMI in circulating blood from the patient; as well as derived quantities from intermittent / continuous ECG / VKG.,

The device of claim 21, wherein the biochemical markers are selected from the list: myoglobin, creatine kinase MB, troponin T, troponin I, glycogen phosphorylase BB, lactate dehydrogenase, and cardiac specific fatty acid binding protein (h-FABP).

The device of claim 17, further comprising: means for providing the time of the present measurement set relative to the time when symptoms occur, to the artificial neural network (s), which artificial neural (s) are further trained with the relative occurring times of measurement sets of the n variables, the generation of the decision regions for the artificial neural network further being based on the relative occurrence time of the present measurement set.

The device of claim 23, further comprising: means for providing patient-specific parameters to the artificial neural network (s), which artificial neural (s) are further trained with patient-specific parameters, further generating decision regions for the artificial neural network. is based on the patient-specific parameters.

The device of claim 24, wherein at least one of the patient-specific parameters is selected from the list: derived size from initial ECG / VKG, patient's gender, patient's age, AMI risk factors, patient's present health status, and previous medical history.

An apparatus according to claim 18, wherein the graphical means comprises: means for illustrating the m decision regions in a k-dimensional diagram de ﬁ denied by the coordinates of k of the variables, means for illustrating the values of the k variables from the present set of measurements as a point in the k-dimensional diagram, and the artificial (s) arranged / arranged to generate the m decision regions based on the neural network / networks are the remaining nk variable values.

The device of claim 26, wherein k = 2.

The device of claim 17, wherein the artificial neural network (s) is of a type selected from the list: single layer perceptors, multiple single layer perceptors, and single layer perceptors with blurred invariables.

The apparatus of claim 26, wherein the green means comprises means for illustrating condensation regions for the values of the k variables from the present measurement set as an area in the k-dimensional diagram.

The device of claim 17, further comprising: means for adapting the performance of the artificial neural network (s) to clinical requirements for predictive values in the output signal in given prevalence situations.

An apparatus for providing decision support for the early assessment of patients with suspected acute myocardial infarction (AMI), comprising: at least one articular neural network, trained on a training set of n measured variables related to AMI from m classification groups of typical patients, and arranged for classification of the patient, where n, m 2 2; means for inputting a set of n measured values related to AMI in a patient from at least one measurement time; and where at least one of the variables related to AMI is a derived quantity from intermittent / continuous ECG / VKG.

An apparatus for providing decision support for early assessment of patients with suspected acute myocardial infarction (AMI), comprising: at least one articular neural network, trained on a training set of n measured variables related to AMI from m classification groups of typical patients, and arranged for classification of the patient, where n, mz 2; S20 166 provides means for inputting a present set of n measured values related to AMI in a patient from at least one measurement time to generate a classification of the patient; and means for adapting the performance of the artificial neural network (s) to clinical requirements for predictive values in the output signal in given prevalence situations.