知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2022-07-06
(54)【発明の名称】不整脈検出用の電力削減された機械学習システム
(51)【国際特許分類】
A61B 5/363 20210101AFI20220629BHJP
A61B 5/33 20210101ALI20220629BHJP
A61B 5/361 20210101ALI20220629BHJP
G06N 3/02 20060101ALI20220629BHJP
G06N 20/00 20190101ALI20220629BHJP
【ＦＩ】
A61B5/363
A61B5/33 120
A61B5/361
A61B5/33 300
G06N3/02
G06N20/00
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2021564724
(86)(22)【出願日】2020-04-20
(85)【翻訳文提出日】2021-11-01
(86)【国際出願番号】 US2020028978
(87)【国際公開番号】W WO2020226887
(87)【国際公開日】2020-11-12
(31)【優先権主張番号】62/843,717
(32)【優先日】2019-05-06
(33)【優先権主張国・地域又は機関】US
(31)【優先権主張番号】16/851,603
(32)【優先日】2020-04-17
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
(71)【出願人】
【識別番号】507020152
【氏名又は名称】メドトロニック，インコーポレイテッド
(74)【代理人】
【識別番号】100118902
【弁理士】
【氏名又は名称】山本 修
(74)【代理人】
【識別番号】100106208
【弁理士】
【氏名又は名称】宮前 徹
(74)【代理人】
【識別番号】100196508
【弁理士】
【氏名又は名称】松尾 淳一
(74)【代理人】
【識別番号】100119781
【弁理士】
【氏名又は名称】中村 彰吾
(72)【発明者】
【氏名】チャクラバーシー，ニランジャン
(72)【発明者】
【氏名】ダニ，シッダルト
(72)【発明者】
【氏名】ハダド，タレク・ディー
(72)【発明者】
【氏名】マスグローブ，ドナルド・アール
(72)【発明者】
【氏名】ラトケ，アンドリュー
(72)【発明者】
【氏名】カトラ，ロドルフェ
(72)【発明者】
【氏名】ペダルティ，リンゼイ・エイ
【テーマコード（参考）】
4C127
【Ｆターム（参考）】
4C127AA02
4C127BB05
4C127GG01
4C127GG02
4C127GG11
4C127GG16
4C127JJ03
(57)【要約】
医療デバイスの電力消費に対する機械学習心不整脈検出の影響を低減するために特徴描写を使用する技術が開示されている。一例では、医療デバイスは、患者から感知された心臓電位図データの特徴ベースの描写を実行して、患者の不整脈のエピソードを示す心臓特徴を取得する。医療デバイスは、心臓特徴が、心臓電位図データの特徴ベースの描写を検証するための機械学習モデルの適用のための閾値基準を満たすかどうかを判定する。心臓の特徴が閾値基準を満たしていると判定することに応答して、医療デバイスは、機械学習モデルを感知された心臓電位図データに適用して、不整脈のエピソードが発生したことを検証するか、または不整脈のエピソードの分類を判定する。
【選択図】図１
【選択図】図１
【特許請求の範囲】
【請求項1】
医療デバイスであって、記憶媒体と、
処理回路であって、前記記憶媒体に動作可能に結合されており、かつ
患者の心臓電位図データを感知することと、
前記感知された心臓電位図データの特徴ベースの描写を実行して、前記心臓電位図データに存在し、かつ前記患者の不整脈のエピソードを示す心臓特徴を取得することと、
前記特徴ベースの描写に基づいて、前記不整脈のエピソードが前記患者において発生したことを検証するための機械学習モデルの適用のための閾値基準を前記心臓特徴が満たしていることを判定することと、
前記機械学習モデルの適用のための前記閾値基準を前記心臓特徴が満たしていることを判定することに応じて、複数の患者の心臓電位図データを使用してトレーニングされた前記機械学習モデルを、前記感知された心臓電位図データに適用して、前記機械学習モデルに基づいて、前記不整脈のエピソードが前記患者において発生したことを検証することと、
前記機械学習モデルによって、前記不整脈のエピソードが前記患者において発生したことを検証することに応じて、
前記不整脈のエピソードが前記患者において発生したという指標(indication)と、前記不整脈のエピソードと一致する前記心臓特徴のうちの１つ以上と、を含む、レポートを生成することと、
前記不整脈のエピソードが患者において発生したという指標と、前記不整脈のエピソードと一致する前記心臓特徴のうちの１つ以上と、を含む、前記レポートを、表示のために、出力することと、を行うように構成されている、処理回路と、を備える、医療デバイス。
【請求項2】
前記患者における前記不整脈のエピソードが、前記患者における第１の分類の不整脈のエピソードであり、前記機械学習モデルを前記感知された心臓電位図データに適用して、前記不整脈のエピソードが前記患者に発生したことを検証するために、前記処理回路が、前記機械学習モデルを前記感知された心臓電位図データに適用して、前記第１の分類の前記不整脈のエピソードが前記患者において発生したことを検証するように構成されており、
前記処理回路が、前記特徴ベースの描写に基づいて、前記第１の分類の前記不整脈のエピソードが前記患者に発生したことを判定することに応じて、前記機械学習モデルを前記感知された心臓電位図データに適用して、第２の分類の不整脈のエピソードが前記患者において発生したことを判定するようにさらに構成されており、
前記不整脈のエピソードが前記患者に発生したという指標と、前記不整脈のエピソードと一致する前記心臓特徴のうちの１つ以上と、を含む、前記レポートを生成するために、前記処理回路が、前記第１の分類の前記不整脈のエピソードが前記患者に発生しという指標と、前記第２の分類の前記不整脈のエピソードが前記患者に発生したという指標と、前記第１の分類の前記不整脈のエピソードと一致する前記心臓特徴のうちの前記１つ以上と、を含む、レポートを生成するように構成されている、請求項１に記載の医療デバイス。
【請求項3】
前記心臓電位図データの特徴ベースの描写を実行して、前記心臓電位図データに存在する前記心臓特徴を取得するために、前記処理回路が、ＱＲＳ検出、難治性処理、ノイズ処理、または前記心臓電位図データの描写のうちの少なくとも１つを実行して、前記心臓電位図データに存在する心臓特徴を取得するように構成されている、請求項１または２に記載の医療デバイス。
【請求項4】
前記機械学習モデルを適用して、前記患者において前記不整脈のエピソードが発生したことを検証するために、前記処理回路が、前記機械学習モデルを適用して、徐脈、頻脈、心房細動、心室細動、または房室ブロックのうちの少なくとも１つのエピソードが前記患者において発生したことを検証するように構成されている、請求項１～３のいずれかに記載の医療デバイス。
【請求項5】
前記複数の患者の心臓電位図データを使用してトレーニングされた前記機械学習モデルが、複数の心電図（ＥＣＧ）波形を使用してトレーニングされた機械学習モデルを含み、各ＥＣＧ波形が、前記複数の患者のうちのある患者における１つ以上の分類の１つ以上の不整脈のエピソードで標識されている、請求項１～４のいずれかに記載の医療デバイス。
【請求項6】
前記心臓特徴が前記閾値基準を満たすことを判定するために、前記処理回路が、前記患者の生理学的パラメータまたは前記医療デバイスのパラメータのうちの少なくとも１つが前記閾値基準を満たすことを判定するように構成されている、請求項１～５のいずれかに記載の医療デバイス。
【請求項7】
前記機械学習モデルを前記感知された心臓電位図データに適用するために、前記処理回路が、前記心臓特徴が前記閾値基準を満たすことを判定すること、および前記心臓特徴の少なくとも１つの特徴のノイズが所定の閾値未満であることを判定することに応じて、前記機械学習モデルを前記感知された心臓電位図データに適用するように構成されている、請求項１～６のいずれかに記載の医療デバイス。
【請求項8】
前記機械学習モデルを前記感知された心臓電位図データに適用するために、前記処理回路が、前記心臓特徴が前記閾値基準を満たすことを判定すること、および前記患者が複数の姿勢状態のうちの第１の姿勢状態にあることを判定することに応じて、前記機械学習モデルを前記感知された心臓電位図データに適用するように構成されている、請求項１～７のいずれかに記載の医療デバイス。
【請求項9】
前記患者の前記心臓電位図データが、前記患者の心電図（ＥＣＧ）を含み、前記不整脈のエピソードが前記患者において発生したという前記指標と、前記不整脈のエピソードと一致する前記心臓特徴のうちの前記１つ以上と、を含む、レポートを生成するために、前記処理回路が、
前記患者の前記ＥＣＧのサブセクションを識別することであって、前記サブセクションが、前記不整脈のエピソード前の第１の期間、前記不整脈のエピソード中の第２の期間、および前記不整脈のエピソード後の第３の期間についてのＥＣＧデータを含み、前記患者の前記ＥＣＧの時間の長さが、前記第１、第２、および第３の期間よりも長い、識別することと、
前記第１、第２、および第３の期間と一致する前記心臓特徴のうちの１つ以上を識別することと、
前記レポートにおいて、前記ＥＣＧの前記サブセクションと、前記第１、第２、および第３の期間と一致する前記心臓特徴のうちの前記１つ以上と、を含むことと、を実行するように構成されている、請求項１～８のいずれかに記載の医療デバイス。
【請求項10】
前記特徴ベースの描写に基づいて、前記不整脈のエピソードが前記患者に発生したことを検証するための前記機械学習モデルの適用のため前記心臓特徴が閾値基準を満たすことを判定するために、前記処理回路が、前記特徴ベースの描写に基づいて、第１の分類の不整脈のエピソードが前記患者に発生したことを前記心臓特徴が示していることを判定するように構成されており、前記機械学習モデルを前記感知された心臓電位図データに適用して、前記不整脈のエピソードが前記患者に発生したことを検証するために、前記処理回路が、前記機械学習モデルを前記感知された心臓電位図データに適用して、前記特徴ベースの描写に基づいて、前記心臓特徴が前記第１の分類の前記不整脈のエピソードを示すという前記判定を検証するように構成されている、請求項１～９のいずれかに記載の医療デバイス。
【請求項11】
前記処理回路が、前記感知された心臓電位図データを処理して、フィルタリングされた心臓電位図データを生成するようにさらに構成されており、前記機械学習モデルを前記感知された心臓電位図データに適用して、前記不整脈のエピソードが前記患者に発生したことを検証するために、前記処理回路が、前記機械学習モデルを前記フィルタリングされた心臓電位図データに適用して、前記不整脈のエピソードが前記患者に発生したことを検証するように構成されている、請求項１～１０のいずれかに記載の医療デバイス。
【請求項12】
前記機械学習モデルを前記感知された心臓電位図データに適用して、前記不整脈のエピソードが前記患者において発生したことを検証するために、前記機械学習モデルに基づいて、前記不整脈のエピソードが前記患者に発生していないことの第１の判定、または前記機械学習モデルに基づいて、異なるタイプの不整脈のエピソードが前記患者において発生したことの第２の判定のうちの少なくとも１つを含み、前記方法は、前記第１の判定および第２の判定のうちの少なくとも１つに応じて、前記医療デバイスによって、前記患者における不整脈のエピソードの誤った検出のカウンタを更新することと、
前記カウンタの値が所定の閾値より大きいと判定したことに応じて、前記感知された心臓電位図データの前記特徴ベースの描写の実行から、前記心臓電位図データに存在し、前記患者の不整脈のエピソードを示す心臓特徴を取得するように切り替えることとをさらに含み、複数の患者の心臓電位図データを使用してトレーニングされた第２の機械学習モデルを、前記感知された心臓電位図データに適用して、前記機械学習モデルに基づいて、前記心臓電位図データに存在し、かつ前記患者における不整脈のエピソードを示す心臓特徴を取得する、請求項１～１１のいずれかに記載の方法。
【請求項13】
コンピューティングデバイスであって、患者の心臓電位図データを感知するための手段と、
前記感知された心臓電位図データの特徴ベースの描写を実行して、前記心臓電位図データに存在し、かつ前記患者の不整脈のエピソードを示す心臓特徴を取得するための手段と、
前記特徴ベースの描写に基づいて、前記心臓特徴が、前記不整脈のエピソードが前記患者において発生したことを検証するための機械学習モデルの適用のための閾値基準を満たしていると判定するための手段と、
前記機械学習モデルの適用のための前記閾値基準を前記心臓特徴が満たしていることを判定することに応じて、複数の患者の心臓電位図データを使用してトレーニングされた前記機械学習モデルを、前記感知された心臓電位図データに適用して、前記機械学習モデルに基づいて、前記不整脈のエピソードが前記患者において発生したことを、検証するための手段と、
前記機械学習モデルによって、前記不整脈のエピソードが前記患者において発生したと検証することに応じて、前記不整脈のエピソードが前記患者において発生したという指標と、前記不整脈のエピソードと一致する前記心臓特徴のうちの１つ以上と、を含む、レポートを生成するための手段と、
前記不整脈のエピソードが患者において発生したという指標と、前記不整脈のエピソードと一致する心臓特徴のうちの１つ以上と、を含む、前記レポートを、表示のために、出力するための手段と、を備える、コンピューティングデバイス。
【請求項14】
請求項１～１４のいずれかに記載のコンピューティングデバイスを備えるシステム。【発明の詳細な説明】
【技術分野】
【0001】
この開示は、全般的には、医療デバイスに関し、より詳細には、不整脈を検出するように構成された医療デバイスに関する。
【背景技術】
【0002】
心室細動などの悪性頻脈性不整脈は、心臓の心室の心筋の非協調性収縮であり、心停止患者で特定されることが最も多い不整脈である。この不整脈が数秒以上続くと、心原性ショックおよび有効血液循環の停止がもたらされる可能性がある。その結果、心臓突然死（ＳＣＤ）がほんの数分でもたらされる可能性がある。
【0003】
心室細動のリスクが高い患者では、植え込み型除細動器（ＩＣＤ）などの植え込み型医療デバイス（ＩＭＤ）の使用がＳＣＤの予防に有益であることが分かっている。ＩＣＤは、電池式の電気ショックデバイスであり、電気ハウジング電極（缶電極と呼ばれることもある）を含み得、通常、心臓内に配置された１つ以上の電気リード線に結合される。例えば、不整脈が検知された場合、ＩＣＤは電気リード線を用いてパルスを送信し、心臓にショックを与え、正常なリズムを回復することができる。一部のＩＣＤは、ショックの送達前に抗頻脈ペーシング（ＡＴＰ）の送達によって、検出された頻脈性不整脈を終了させるように構成されている。さらに、ＩＣＤは、ショックから回復する際に心臓をサポートするために、ショックを伴う頻脈性不整脈の正常終了後に、比較的高振幅のショック後ペーシングを送達するように構成されている。一部のＩＣＤは、徐脈ペーシング、心臓再同期療法（ＣＲＴ）、または他の形式のペーシングも送達する。
【0004】
他のタイプの医療デバイスは、診断目的で使用され得る。例えば、植え込み型または非植え込み型の医療デバイスは、患者の心臓をモニタリングし得る。医師などのユーザは、例えば、心房または心室の頻脈性不整脈、または心静止の心不整脈の発生について、医療デバイスによって生成されたデータをレビューし得る。ユーザは、特定された心不整脈の発生に基づいて、患者の病状を診断し得る。
【発明の概要】
【0005】
本開示の技術に従って、心不整脈の検出および分類を実行するために特徴描写および機械学習を使用する医療デバイスシステムが本明細書に記載されている。具体的には、本明細書に記載の医療機器システムは、特徴描写を使用して患者の心不整脈の予備的検出を行い、機械学習モデルのみを使用して、特徴描写によって検出された心不整脈のエピソードを検証するか、特定のタイプの心不整脈であるとしての特徴描写によって検出されたそのようなエピソードを分類することができる。
【0006】
本明細書で説明するように、特徴描写は、エピソード心不整脈の検出または分類に使用するための信号処理を通じて得られた特徴の使用を指す。通常、特徴描写には、心臓電位図データの特徴を識別または抽出し、そのような特徴の特性を測定し、測定値を使用して不整脈を検出または分類するための設計されたルールの使用が含まれる。例えば、特徴描写は、Ｒ波、ＱＲＳ群、Ｐ波、Ｔ波、そのような特徴の速度、そのような特徴間の間隔、特徴の形態、そのような特徴の幅または振幅、または他のもしくは他のタイプの心臓の特徴または本明細書に明示的に記載されていないような特徴の特性などの特徴を識別するために使用され得る。特徴描写には、特徴抽出、信号フィルタリング、ピーク検出、耐火物分析、または他のタイプの信号処理、特徴エンジニアリング、または検出ルールの開発が含まれ得る。特徴描写アルゴリズムは、植え込み型医療デバイスでの使用など、リアルタイム、組み込み、および低電力の用途向けに最適化することができる。しかしながら、特徴描写アルゴリズムでは、患者の不整脈を正確に検出するために、専門家による設計と機能エンジニアリングが必要になり得る。
【0007】
心不整脈の検出および分類のための特徴描写技術とは対照的に、機械学習技術は、心不整脈の検出および分類のために使用され得る。本明細書で説明するように、機械学習は、ニューラルネットワークまたは深層学習モデルなどの機械学習モデルの使用を指し、これは、心臓電位図データから心不整脈を検出するためのトレーニングデータセットでトレーニングされる。機械学習技術は、特徴描写が信号処理に依存するという点で特徴描写とは対照的であり、機械学習システムは、システム設計者の代わりに特徴と不整脈のエピソード間の関係の知識または理解を必要とせずに、不整脈のエピソードを示す心臓電位図データに存在する基礎となる特徴を「学習」し得る。
【0008】
一例では、ＩＭＤなどの医療デバイスは、患者の心臓電位図データを感知する。医療デバイスは、心臓電位図データの特徴ベースの描写を実行して、患者の不整脈のエピソードを示す心臓特徴を取得する。医療デバイスは、心臓特徴が、心臓電位図データの特徴ベースの描写を検証するための機械学習モデルの適用のための閾値基準を満たすかどうかを判定する。心臓特徴が機械学習モデルを適用するための閾値基準を満たしていると判定した場合、医療デバイスは、機械学習モデルを検知された心臓電位図データに適用して、例えば、患者に不整脈のエピソードが発生したことまたは患者に発生した１つ以上の他のタイプの不整脈を検出することを確認する。
【0009】
別の例では、医療デバイスは、心臓電位図データの第１の心臓特徴を、不整脈辞書のエントリによって定義された心臓特徴と比較する。心臓電位図データの第１の心臓特徴が不整脈辞書のエントリによって定義された心臓特徴と類似していないと判定したことに応答して、医療デバイスは機械学習モデルを適用して、第１の心臓特徴によって明らかにされた不整脈のエピソードの分類を判定する。医療デバイスは、不整脈辞書を構築するために、判定された不整脈分類および心臓特徴を不整脈辞書の新しいエントリとして記憶し得る。続いて、特徴描写を介して、第１の心臓特徴に類似する第２の心臓特徴を検出すると、医療デバイスは、第２の心臓特徴が、第１の心臓特徴によって示される不整脈のエピソードと同じ分類の不整脈のエピソードを示していると判定する。
【0010】
本開示の技術は、医療デバイスによる心不整脈の検出および分類の分野に特定の改善を提供し得る。例えば、本開示の技術は、特徴描写によって患者に不整脈のエピソードを提示する可能性が高いと識別された心臓特徴の分析のみに機械学習モデルを使用し得る。機械学習モデルを使用することによって、患者の不整脈検出を検証することで、本開示の技術は、不整脈検出の精度を高め得る。さらに、低電力特徴描写を使用して、計算が複雑で電力集約的な機械学習モデルの使用を最も関連性のある患者データのみに制限することにより、本開示の技術は、機械学習モデルを効率的に実施して、そのような医療デバイスの電力使用量を不利に増加させることも、バッテリ寿命を減少させることもなく、心不整脈検出を検出し得る。
【0011】
一例では、本開示は、処理回路および記憶媒体を含む医療デバイスによって、患者の心臓電位図データを感知することと、医療デバイスによって、感知された心臓電位図データの特徴ベースの描写を実行して、心臓電位図データに存在し、かつ患者の不整脈のエピソードを示す心臓特徴を取得することと、医療デバイスによってかつ特徴ベースの描写に基づいて、不整脈のエピソードが患者において発生したことを検証するための機械学習モデルの適用のための閾値基準を心臓特徴が満たしていることを判定することと、機械学習モデルの適用のための閾値基準を心臓特徴が満たしていることを判定することに応じて、複数の患者の心臓電位図データを使用してトレーニングされた機械学習モデルを、医療デバイスによって、感知された心臓電位図データに適用することと、機械学習モデルに基づいて、不整脈のエピソードが患者において発生したことを、検証することと、機械学習モデルによって、不整脈のエピソードが患者において発生したことを検証することに応じて、医療デバイスによって、不整脈のエピソードが患者に発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上と、を含む、レポートを生成することと、医療デバイスによって、不整脈のエピソードが患者に発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上と、を含むレポートを、表示のために、出力することと、を含む方法を説明する。
【0012】
別の例では、本開示は、処理回路および記憶媒体を含む医療デバイスによって、患者の心臓電位図データを感知することと、医療デバイスによって、感知された心臓電位図データの特徴ベースの描写を実行して、心臓電位図データに存在する心臓特徴を取得することと、医療デバイスによって、取得された心臓特徴と、医療デバイスの不整脈辞書の複数のエントリの各エントリの心臓特徴との類似性を判定することと、不整脈辞書の複数のエントリの各エントリが、患者における不整脈の複数の分類のある不整脈の分類および不整脈の分類を明らかにする心臓特徴を含み、取得された心臓特徴が不整脈辞書の複数のエントリの各エントリの心臓特徴と類似していないという判定に応じて、医療デバイスによって、不整脈のエピソードが患者において発生したことを、機械学習モデルに基づいて判定して、複数の患者の心臓電位図データを使用してトレーニングされた機械学習モデルを、感知された心臓電位図データに適用することと、医療デバイスによって、不整脈のエピソードの第１の分類および取得された心臓特徴を含む第１のエントリを不整脈辞書に記憶することと、を含む、方法を説明する。
【0013】
この要約は、本開示に記載されている主題の概要を提供することを目的としている。以下の添付の図面および説明の中で詳細に説明されている、装置および方法の排他的または包括的な説明を提供することを意図するものではない。１つ以上のさらなる詳細は、添付の図面および以下の説明に記載されている。
【図面の簡単な説明】
【0014】
【図1】本開示の技術に従って、リードレス植え込み型医療デバイスおよび患者に関連する外部デバイスを含む、心不整脈を予測するための医療デバイスシステムの例を示す概念図である。
【図4】本開示の手法による例示的な動作を示すフローチャートである。
【図5】本開示の手法による例示的な動作を示すフローチャートである。
【図6】本開示の手法による例示的な動作を示すフローチャートである。
【図7】本開示の手法による例示的な動作を示すフローチャートである。
【図8】本開示の手法による例示的な動作を示すフローチャートである。
【0015】
同様の参照文字は、図および説明全体で同様の要素を指す。
【発明を実施するための形態】
【0016】
医療デバイスにおける心不整脈検出のための機械学習方法の効率的な使用のための技術が開示されている。特徴描写アルゴリズムは、例えば、ＱＲＳ検出および／または不整脈検出を実行するために、患者から感知された心臓電位図データを使用し得る。このような特徴描写アルゴリズムは、植え込み型医療機器での使用など、リアルタイムの組み込み型の低電力用途向けに最適化され得る。しかしながら、特徴描写アルゴリズムでは、患者の不整脈を正確に検出するために、専門家による設計と機能エンジニアリングが必要になり得る。
【0017】
深層学習および人工知能（ＡＩ）など、不整脈を検出するための機械学習方法は、様々な目的でアルゴリズムを開発するための柔軟なプラットフォームを提供する。例えば、機械学習システムは、例えば、心房細動（ＡＦ）を検出すること、不整脈などを示さないエピソードを除外することを行い得、専門家による設計、および特徴描写などの心不整脈アルゴリズムに必要な特徴エンジニアリングがなくても、精度が高くなる。しかしながら、機械学習システムは、ＩＭＤまたはバッテリ電源で動作する医療デバイスなどの医療デバイスでの実装を計算上禁止する場合がある。医療デバイスで計算コストの高い機械学習モデルを頻繁に使用すると、バッテリの寿命に影響を与える可能性がある。
【0018】
本明細書で詳細に説明するように、技術、方法、システム、およびデバイスは、効率的な電力使用を確実にするためにデバイス上の機械学習システムの使用を条件付ける生理学的、デバイスベースおよびアルゴリズムベースの方法について開示される。本明細書に記載されるように、機械学習不整脈検出の使用を可能にするために、電力効率の高い方法で、短期または長期の診断分析またはモニタリングを実行する医療デバイスによる、深層学習またはＡＩなどのデバイス内機械学習不整脈検出の使用を可能にする医療デバイスシステムが説明される。
【0019】
図１は、本明細書に記載の特定の例の装置および方法による、患者４および心臓６に関連する例示的な医療デバイスシステム２の環境を示している。例示的な技術は、図１に示されるように、リードレスであり得、外部デバイス１２との無線通信においてあり得るＩＭＤ１０とともに使用され得る。いくつかの例では、ＩＭＤ１０は、１つ以上のリードに結合され得る。いくつかの例では、ＩＭＤ１０は、患者４の胸腔の外側に（例えば、図１に示される胸部の皮下に）植え込まれ得る。ＩＭＤ１０は、心臓６のレベルの近くおよび／またはすぐ下の胸骨の近くに配置され得る。
【0020】
いくつかの例では、ＩＭＤ１０は、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能な、Ｒｅｖｅａｌ ＬＩＮＱ（商標）挿入可能心臓モニタ（ＩＣＭ）またはホルター心臓モニタの形態をとり得る。本明細書で考察されるように、本開示の技術は、ＩＭＤ１０のような植え込み型デバイスによって実行され得る。
【0021】
他の例では、本明細書に記載の技術は、ＩＭＤ１０に加えて、またはその代わりに、外部デバイス１２のような外部医療デバイスによって実行され得る。そのような外部医療デバイスは、患者４の外部に配置され得（例えば、患者４の皮膚に配置され）、ＩＭＤ１０に関して本明細書に記載の機能のいずれかまたは全てを実行し得る。外部デバイス１２は、家庭、診療所、または病院などの設定で使用するように構成されたコンピューティングデバイスであり得、さらに、無線遠隔測定を介してＩＭＤ１０と通信するように構成され得る。例えば、外部デバイス１２は、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能なＣａｒｅｌｉｎｋ（登録商標）などの遠隔患者モニタリングシステムに結合し得る。外部デバイス１２は、いくつかの例では、プログラマ、外部モニタ、または携帯電話、「スマート」電話、ラップトップ、タブレットコンピュータ、携帯情報端末（ＰＤＡ）などのモバイルデバイスを含み得る。いくつかの例では、外部デバイス１２は、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能なＳＥＥＱ（商標）モバイル心臓テレメトリ（ＭＣＴ）システムなどのウェアラブル電子デバイス、または「スマート」ウォッチ、「スマート」パッチ、または「スマート」グラスのような別のタイプのウェアラブル「スマート」電子アパレルである。
【0022】
いくつかの例では、医師、技術者、外科医、電気生理学者、または他の臨床医などのユーザは、外部デバイス１２と対話し得、ＩＭＤ１０から生理学的または診断情報を検索する。いくつかの例では、上述のような患者４または臨床医などのユーザはまた、外部デバイス１２と対話し得、ＩＭＤ１０をプログラムすることができ、例えば、ＩＭＤ１０の動作パラメータの値を選択または調整する。いくつかの例では、外部デバイス１２は、ＩＭＤ１０との通信を容易にするためのアクセスポイントとして機能する。
【0023】
医師、技術者、外科医、電気生理学者、または他の臨床医などのユーザは、外部デバイス１２と対話し得、ＩＭＤ１０から生理学的または診断情報を検索する。ユーザはまた、外部デバイス１２と対話し得、ＩＭＤ１０をプログラムすることができ、例えば、ＩＭＤの動作パラメータの値を選択する。外部デバイス１２は、ＩＭＤ１０から外部デバイス１２に送信されるＥＧＭおよび／または他の感知された信号を評価するように構成されているプロセッサを含み得る。
【0024】
そのような任意の例において、医療デバイスシステム２の処理回路は、患者４の心臓電位図データを含む患者データをリモートコンピュータ（例えば、外部デバイス１２、または図１に示されていない別のデバイス）に送信し得る。いくつかの例では、医療デバイスシステム２の処理回路は、患者４が徐脈、頻脈、心房細動、または心室細動のエピソードなどの心不整脈のエピソードを受けているという判定を送信し得る。
【0025】
外部デバイス１２は、無線遠隔測定を介してＩＭＤ１０と通信するためのコンピューティングデバイス（例えば、家庭、外来、診療所、または病院の設定で使用される）であり得る。外部デバイス１２は、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能なＣａｒｅｌｉｎｋ（登録商標）などの遠隔患者モニタリングシステムを含むか、またはそれらに結合され得る。いくつかの例では、外部デバイス１２は、ＩＭＤ１０からデータ、アラート、患者の生理学的情報、または他の情報を受信し得る。
【0026】
外部デバイス１２は、その機能を制御するためにコマンドまたは動作パラメータをＩＭＤ１０にプログラムするために使用され得る（例えば、ＩＭＤ１０のプログラマとして構成されている場合）。いくつかの例では、外部デバイス１２を使用し得、ＩＭＤ１０に問い合わせて、デバイスの動作データならびにＩＭＤメモリに蓄積された生理学的データを含むデータを検索する。このような問い合わせは、スケジュールに従って自動的に発生するか、および／またはリモートまたはローカルのユーザコマンドに応答して発生し得る。プログラマ、外部モニタ、および消費者デバイスは、ＩＭＤ１０を問い合わせるために使用され得る外部デバイス１２の例である。ＩＭＤ１０および外部デバイス１２によって使用される通信技術の例には、無線周波数（ＲＦ）遠隔測定が含まれ、これは、ブルートゥース（登録商標）、ＷｉＦｉ、または医療インプラント通信サービス（ＭＩＣＳ）を介して確立されたＲＦリンクであり得る。いくつかの例では、外部デバイス１２は、患者４、臨床医、または別のユーザがＩＭＤ１０と遠隔で対話することを可能にするように構成されたユーザインターフェースを含み得る。いくつかのそのような例では、外部デバイス１２、および／または医療デバイスシステム２の他のデバイスは、ウェアラブルデバイスであり得る（例えば、時計、ネックレス、または他のウェアラブルアイテムの形態で）。
【0027】
医療デバイスシステム２は、心不整脈の検出、検証、および報告を実行するように構成された医療デバイスシステムの一例である。本開示の技術に従って、医療機器システム２は、機械学習不整脈検出および特徴描写を実施して、患者４の心不整脈を検出および分類する。１つ以上の他の植え込み型または外部デバイスの追加の例には、植え込み型、マルチチャネル心臓ペースメーカ、ＩＣＤ、ＩＰＧ、リードレス（例えば、心臓内）ペースメーカ、血管外ペースメーカおよび／またはＩＣＤ、または他のＩＭＤ、または、心臓６、外部モニタ、外部ペーシングまたは電気刺激デバイスなどの外部治療送達デバイス、または薬物ポンプに、ＣＲＴを送達するように構成されている、そのようなＩＭＤの組み合わせが含まれ得る。いくつかの例では、ＩＭＤ１０は、ニューラルネットワーク、深層学習システム、または他のタイプの予測分析システムのような機械学習システムを実装する。
【0028】
医療デバイスシステム２の各デバイス（例えば、ＩＭＤ１０および外部デバイス１２）の通信回路は、デバイスが互いに通信することを可能にし得る。さらに、１つ以上のセンサ（例えば、電極）は、本明細書ではＩＭＤ１０のハウジング上に配置されると説明されているが、他の例では、そのようなセンサは、患者４の内部または外部に植え込まれた別のデバイスのハウジング上に配置され得る。そのような例では、他のデバイスの１つ以上は、それぞれのデバイス上の電極または他のセンサから信号を受信するように構成された処理回路、および／または電極または他のセンサから別のデバイス（例えば、外部デバイス１２）またはサーバに信号を送信するように構成された通信回路を含み得る。
【0029】
本開示の技術に従って、医療デバイスシステム２は、心不整脈の検出および分類を実行するために特徴描写および機械学習を使用する。具体的には、ＩＭＤ１０または外部デバイス１２などの医療デバイスは、特徴描写を使用して、患者４の心不整脈の予備的検出を行う。いくつかの例では、医療デバイスは、機械学習モデルを患者２の心臓電位図データに適用して、心臓電位図データの特徴描写が心不整脈のエピソードを正しく検出したことを検証する。いくつかの例では、医療デバイスは、機械学習モデルを患者２の心臓電位図データに適用して、心臓電位図データの特徴描写が心不整脈のエピソードを特定のタイプの不整脈として正しく分類したことを検証する。説明を容易にするために、以下のセクションでは、ＩＭＤ１０によって実行される開示の技術について説明する。しかしながら、本開示の技術は、外部デバイス１２、または互いに連動して動作する医療デバイス（例えば、ＩＭＤ１０および外部デバイス１２）の組み合わせなどの他のタイプの医療デバイスによって実行され得る。
【0030】
本開示の技術の一例では、ＩＭＤ１０は、患者４の心臓電位図データを感知する。ＩＭＤ１０は、心臓電位図データの特徴ベースの描写を実行して、患者４の不整脈のエピソードを示す心臓特徴を取得する。ＩＭＤ１０は、心臓特徴が、心臓電位図データの特徴ベースの描写を検証するための機械学習モデルの適用のための閾値基準を満たすかどうかを判定する。いくつかの例では、ＩＭＤ１０はさらに、心臓特徴の少なくとも１つのノイズが所定の閾値未満であると判定する。いくつかの例では、ＩＭＤ１０はさらに、患者が複数の姿勢状態の第１の姿勢状態または複数の活動状態の第１の活動状態にあることを判定する。心臓特徴が閾値基準を満たしていると判定したことに応答して、ＩＭＤ１０は、機械学習モデルを感知された心臓電位図データに適用して、例えば、患者４で不整脈のエピソードが発生したことを検証するか、または患者４で発生した不整脈の１つ以上の追加のタイプを検出する。
【0031】
本開示の技術の一例では、ＩＭＤ１０は、不整脈のエピソードと一致する心臓の特徴を、ＩＭＤ１０によって維持される不整脈辞書の心臓特徴と比較することによって、不整脈のエピソードを分類し得る。ＩＭＤ１０は、心臓電位図データの第１の心臓特徴を、不整脈辞書のエントリによって定義された心臓特徴と比較する。例えば、心臓電位図データの第１の心臓特徴が不整脈辞書のエントリによって定義された心臓特徴に類似していると判定したことに応答して、ＩＭＤ１０は、不整脈辞書内の一致するエントリによって定義される分類である、第１の心臓特徴が不整脈のエピソードが患者４で発生したと示すのを判定する。
【0032】
別の例として、心臓電位図データの第１の心臓特徴が不整脈辞書の任意のエントリによって定義された心臓特徴と類似していないと判定したことに応答して、ＩＭＤ１０は、機械学習モデルを適用して、第１の心臓特徴によって明らかにされた不整脈のエピソードの分類を判定する。ＩＭＤ１０は、不整脈辞書を作成するために、判定された不整脈分類および心臓特徴を不整脈辞書の新しいエントリとして記憶し得る。続いて、特徴描写を介して、不整脈辞書のエントリの心臓特徴に類似する第２の心臓特徴を検出すると、ＩＭＤ１０は、第２の心臓特徴が、不整脈辞書のエントリに定義され、かつ第２の心臓特徴と一致する心臓特徴を含む不整脈のエピソードと同じ分類の不整脈のエピソードを示していると判定する。
【0033】
本開示の技術は、ＩＭＤ１０のような医療デバイスによる心不整脈の検出および分類の分野に特定の改善を提供し得る。例えば、本開示の技術は、特徴描写によって患者に不整脈のエピソードを提示する可能性が高いと識別された心臓電位図データの分析のみに機械学習モデルを使用し得る。機械学習モデルを使用して、特徴描写によって実行される患者４の不整脈検出を検証することにより、本開示の技術は、機械学習を活用して、不整脈検出の精度および柔軟性を高め得る。さらに、低電力特徴描写を使用して、計算が複雑で電力集約的な機械学習モデルの使用を最も関連性のある患者データのみに制限することにより、本開示の技術は、機械学習モデルを効率的に実施して、そのような医療デバイスの電力使用量を不利に増加させることも、バッテリ寿命を減少させることもなく、心不整脈検出を検出し得る。
【0034】
図２は、図１の植え込み型医療デバイスの一例を示すブロック図である。図２に示されるように、ＩＭＤ１０は、処理回路５０、感知回路５２、通信回路５４、メモリ５６、センサ５８、切り替え回路６０、特徴描写回路２６０、および電極１６Ａ、１６Ｂ（以下、「電極１６」）を含み、これらのうちの１つ以上は、ＩＭＤ１０のハウジング内に配置され得る。いくつかの例では、メモリ５６は、処理回路５０によって実行されると、ＩＭＤ１０および処理回路５０に、本明細書においてＩＭＤ１０および処理回路５０に帰属する様々な機能を実行させるコンピュータ可読命令を含む。メモリ５６は、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、不揮発性ＲＡＭ（ＮＶＲＡＭ）、電気的消去可能なプログラム可能ＲＯＭ（ＥＥＰＲＯＭ）、フラッシュメモリ、または任意の他のデジタル媒体のような任意の揮発性、不揮発性、磁気的、光学的、または電気的媒体を含み得る。
【0035】
処理回路５０は、固定機能回路および／またはプログラム可能な処理回路を含み得る。処理回路５０は、マイクロプロセッサ、コントローラ、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、または同等の個別またはアナログ論理回路のうちのいずれか１つ以上を含み得る。いくつかの例では、処理回路５０は、１つ以上のマイクロプロセッサ、１つ以上のコントローラ、１つ以上のＤＳＰ、１つ以上のＡＳＩＣ、または１つ以上のＦＰＧＡのいずれかの組み合わせなどの複数の構成要素、ならびに他の個別または統合論理回路を含み得る。本明細書の処理回路５０に帰属する機能は、ソフトウェア、ファームウェア、ハードウェア、またはそれらのいずれかの組み合わせとして具体化し得る。
【0036】
感知回路５２および通信回路５４は、処理回路５０によって制御されるように、切り替え回路６０を介して電極１６Ａ、１６Ｂに選択的に結合され得る。感知回路５２は、図１の患者４の心臓の電気的活動をモニタリングし、患者４の心臓電位図データを生成するために、電極１６Ａ、１６Ｂからの信号をモニタリングし得る。いくつかの例では、処理回路５０は、特徴描写回路２６０を介して感知された心臓電位図データの特徴描写を実行し、患者４の心不整脈のエピソードを検出する。いくつかの例では、処理回路５０は、通信回路５４を介して、患者４の心臓電位図データを、図１の外部デバイス１２などの外部デバイスに送信する。例えば、ＩＭＤ１０は、臨床医によるデータ処理またはレビューのために、デジタル化された心臓電位図データを図１の外部デバイス１２に送信する。いくつかの例では、ＩＭＤ１０は、特徴描写回路２６０を介して不整脈のエピソードを検出することに応答して、心臓電位図データの１つ以上のセグメントを送信する。別の例では、ＩＭＤ１０は、外部デバイス１２からの指示に応答して、心臓電位図データの１つ以上のセグメントを送信する（例えば、患者４が不整脈の１つ以上の症状を経験し、モニタリングセンタまたは臨床医による分析のために心臓電位図データをアップロードするようにＩＭＤ１０に指示するコマンドを外部デバイス１２に入力するとき）。
【0037】
いくつかの例では、ＩＭＤ１０は、１つ以上の加速度計、マイクロフォン、および／または圧力センサなどの１つ以上のセンサ５８を含む。感知回路５２は、センサ５８からの信号をモニタリングし得、センサ５８から得られた患者データを、分析のために、図１の外部デバイス１２などの外部デバイスに送信する。いくつかの例では、感知回路５２は、電極１６Ａ、１６Ｂおよび／または他のセンサ５８のうちの１つ以上から受信した信号をフィルタリングおよび増幅するための１つ以上のフィルタおよび増幅器を含み得る。いくつかの例では、感知回路５２および／または処理回路５０は、整流器、フィルタおよび／または増幅器、感知増幅器、比較器、および／またはアナログ－デジタル変換器を含み得る。
【0038】
通信回路５４は、外部デバイス１２のような別のデバイスまたは圧力感知デバイスなどの別の医療デバイスまたはセンサと通信するための任意の好適なハードウェア、ファームウェア、ソフトウェア、またはそれらの任意の組み合わせを含み得る。処理回路５０の制御下で、通信回路５４は、内部または外部アンテナ、例えば、アンテナ２６の助けを借りて、外部デバイス１２または別のデバイスからダウンリンクテレメトリを受信し、アップリンクテレメトリを送信し得る。いくつかの例では、通信回路５４は、外部デバイス１２と通信し得る。加えて、処理回路５０は、外部デバイス（例えば、外部デバイス１２）およびアイルランドのダブリンのＭｅｄｔｒｏｎｉｃ、ｐｌｃによって開発されたＭｅｄｔｒｏｎｉｃ ＣａｒｅＬｉｎｋ（登録商標）ネットワークなどのコンピュータネットワークを介してネットワーク化されたコンピューティングデバイスと通信し得る。
【0039】
臨床医または他のユーザは、外部デバイス１２を使用して、または通信回路５４を介して処理回路５０と通信するように構成された別のローカルまたはネットワーク化されたコンピューティングデバイスを使用することによって、ＩＭＤ１０からデータを検索し得る。臨床医はまた、外部デバイス１２または別のローカルまたはネットワーク化されたコンピューティングデバイスを使用して、ＩＭＤ１０のパラメータをプログラムし得る。いくつかの例では、臨床医は、ＩＭＤ１０が患者４の心臓電位図データをどのように感知するかを定義する１つ以上のパラメータを選択し得る。
【0040】
ＩＭＤ１０の１つ以上の構成要素は、ＩＭＤ１０のハウジング内に配置された充電式または非充電式電池を含み得る電源（図２には示されていない）に結合され得る。非充電式電池は、数年間持続するように選択され得、一方、充電式電池は、例えば、毎日または毎週、外部デバイスから誘導充電され得る。
【0041】
本開示の技術によれば、処理回路５０は、感知回路５２を用いて、電極１６を介して、患者４の心臓電位図データを感知する。いくつかの例では、心臓電位図データは、患者４のＥＣＧである。処理回路５０は、特徴描写回路２６０を介して心臓電位図データの特徴描写を実行して、心臓電位図データに存在する１つ以上の心臓特徴を取得する。特徴描写回路２６０は、不整脈のエピソードの予備的検出をさらに行い得る。いくつかの例では、特徴描写回路２６０は、ＱＲＳ検出、難治性処理、ノイズ処理、または心臓電位図データの描写のうちの１つ以上を実行するように構成された回路を含む。例えば、特徴描写回路２６０は、感知回路５０および／またはセンサ５８を介して生信号を受信し、生信号から１つ以上の心臓特徴を抽出する。いくつかの例では、特徴描写回路２６０は、心臓電位図データに存在するＲＲ間隔の１つ以上、心臓電位図データに存在する平均心拍数、心臓電位図データに存在する最小心拍数、心臓電位図データに存在する最大心拍数、心臓電位図データに存在するＰＲ間隔、心臓電位図データに存在する心拍数の変動、ＥＣＧの１つ以上の特徴の１つ以上の振幅、またはＥＣＧの１つ以上の特徴の間の間隔、Ｔ波交互脈、ＱＲＳ形態測定、または本明細書に明示的に記載されていない他のタイプなどの１つ以上の心臓特徴を識別する。
【0042】
一例として、特徴描写回路２６０は、患者４の心電図のＴ波の１つ以上の特徴を識別して、患者４の心不整脈のエピソードを検出する。いくつかの例では、１つ以上の識別された特徴は、Ｔ波の１つ以上の振幅である。いくつかの例では、１つ以上の識別された特徴は、Ｔ波の周波数である。いくつかの例では、１つ以上の識別された特徴は、少なくともＴ波の振幅およびＴ波の周波数を含む。いくつかの例では、特徴描写回路２６０は、患者４における心不整脈のエピソードを示す１つ以上の識別された特徴における１つ以上の相対的変化を識別する。いくつかの例では、特徴描写回路２６０は、患者４における心不整脈のエピソードを示す複数の識別された特徴間の１つ以上の相互作用を識別する。いくつかの例では、特徴描写回路２６０は、時間の短期間（例えば、約３分）にわたって平均化された１つ以上の値を表す患者データを分析する。例えば、心臓電位図データは、心不整脈のエピソードを検出するために、患者４の心電図のＴ波またはＱＲＳ波の平均周波数または平均振幅のうちの１つ以上を含み得る。
【0043】
処理回路５０は、特徴描写回路２６０を介して特徴描写を適用し得、１つ以上の心臓特徴が心不整脈のエピソードを示していることを判定する。いくつかの例では、処理回路５０は、特徴描写回路２６０を介して特徴描写を適用して、検出された心不整脈のエピソードを特定のタイプの心不整脈（例えば、徐脈、頻脈、心房細動、または心室細動）のエピソードとして分類する。いくつかの例では、処理回路５０は、以下でより詳細に説明されるように、特徴描写回路２６０を介して、感知された心臓電位図データの特徴描写を実行する。いくつかの例では、ＩＭＤ１０によって実行される特徴描写は、ＩＭＤ１０の電力を節約するために複雑さが軽減されている。これは、特徴描写回路２６０が心不整脈の初期または予備的検出を実行することを可能にし得る。
【0044】
さらに、以下で詳細に説明するように、処理回路５０は、機械学習システム２５０を心臓電位図データに適用して、特徴描写回路２６０による不整脈のエピソードの検出を検証または分類する。機械学習システム２５０は、特徴描写回路２６０にわたって心不整脈をより正確に検出するために、心臓電位図データのより包括的かつ詳細な分析を実行し得るが、機械学習システム２５０は、特徴描写回路２６０に対してより多くの計算リソースおよび電力を必要とし得る。特徴描写回路２６０によって不整脈のエピソードの検出を検証または分類するために、機械学習システム２５０を使用することにより、ＩＭＤ１０は、ＩＭＤ１０の電力消費またはバッテリ寿命を最小限に抑えながら、機械学習システム２５０によって提供される高精度を利用するというアドバンテージをとり得る。いくつかの例では、処理回路５０は、通信回路５４を介して、１つ以上の心臓電位図データ、心臓電位図データに存在する１つ以上の心臓特徴、機械学習システム２５０によって検証された心不整脈のエピソードの指標、または機械学習システム２５０によって判定された心不整脈の検出されたエピソードの分類の指標を外部デバイス１２に送信する。
【0045】
いくつかの例では、機械学習システム２５０によって実装される機械学習モデルは、記述的メタデータで標識された複数の患者の心臓電位図データを含むトレーニングデータでトレーニングされる。例えば、トレーニング段階の間、機械学習システム２５０は、複数のＥＣＧ波形を処理する。典型的には、複数のＥＣＧ波形は、複数の異なる患者からのものである。各ＥＣＧ波形は、１つ以上のタイプの不整脈の１つ以上のエピソードで標識される。例えば、トレーニングＥＣＧ波形は、複数のセグメントを含み得、各セグメントは、不整脈の不在または特定の分類の不整脈の存在を指定する記述子で標識されている（例えば、徐脈、頻脈、心房細動、または心室細動）。いくつかの例では、臨床医は、各ＥＣＧ波形の不整脈の存在を手作業で標識する。いくつかの例では、各ＥＣＧ波形の不整脈の存在は、特徴描写アルゴリズムによる分類に従って標識される。機械学習システム２５０は、トレーニングデータをベクトルおよびテンソル（例えば、多次元配列）に変換するように動作することができ、その上で、機械学習システム２５０は、線形代数、非線形、または代替的な計算操作などの数学的操作を適用することができる。機械学習システム２５０は、トレーニングデータ１０４を使用して、心臓電位図データに示される異なる特徴を比較検討するように機械学習モデルを教える。いくつかの例では、機械学習システム２５０は、心臓電位図データを使用して、機械学習モデルに、心臓電位図の１つ以上の特徴を、特定の分類の心不整脈の発生に関して多かれ少なかれ重要であるとして表す異なる係数を適用するように教える。不整脈のエピソードで標識された多数のそのようなＥＣＧ波形を処理することによって、機械学習システム２５０は、機械学習システム２５０が以前には分析しなかった、図１の患者４などの患者から心臓電位図データを受信するための機械学習モデルを構築およびトレーニングすることができ、さらにそのような心臓電位図データを処理し、患者の様々な分類の不整脈の有無を高い精度で検出する。通常、機械学習システム２５０がトレーニングされる心臓電位図データの量が多いほど、新しい心臓電位図データで心不整脈を検出または分類する際の機械学習モデルの精度が高くなる。
【0046】
機械学習システム２５０が機械学習モデルをトレーニングした後、機械学習システム２５０は、患者４などの特定の患者の心臓電位図データのような患者データを受信し得る。機械学習システム２５０は、トレーニングされた機械学習モデルを患者データに適用して、患者４の心不整脈のエピソードを検出する。さらに、機械学習システム２５０は、トレーニングされた機械学習モデルを患者データに適用して、特定のタイプの不整脈を示すものとして患者の心不整脈のエピソードを分類する。いくつかの例では、機械学習システム２５０は、心不整脈のエピソードが特定のタイプの不整脈を示しているという予備的判定、ならびに判定における確実性の推定値を出力し得る。判定における確実性の推定値が所定の閾値（例えば、５０％、７５％、９０％、９５％、９９％）より大きいと判定することに応答して、処理回路５０は、心不整脈のエピソードを特定のタイプの不整脈として分類し得る。本明細書で説明するように、処理回路５０は、機械学習システム２５０を使用し得、特徴描写回路２６０が不整脈のエピソードを正しく検出したこと、または特徴描写回路２６０が不整脈のエピソードを特定のタイプのものとして正しく分類したことを検証する。
【0047】
いくつかの例では、機械学習システムは、生の心臓電位図データ自体の代わりに、心臓電位図データの１つ以上の心臓特徴を処理し得る。１つ以上の心臓特徴は、上述のように、ＩＭＤ１０によって実行される特徴描写を介して取得し得る。心臓特徴は、例えば、心臓電位図データに存在するＲＲ間隔の１つ以上、心臓電位図データに存在する平均心拍数、心臓電位図データに存在する最小心拍数、心臓電位図データに存在する最大心拍数、心臓電位図データに存在するＰＲ間隔、心臓電位図データに存在する心拍数の変動、ＥＣＧの１つ以上の特徴の１つ以上の振幅、Ｔ波交互脈、ＱＲＳ形態測定、または本明細書に明示的に記載されていない他のタイプの心臓特徴を含み得る。そのような例示的な実装形態では、機械学習システムは、上述のような不整脈のエピソードで標識された複数のＥＣＧ波形の代わりに、不整脈のエピソードで標識された複数のトレーニング心臓特徴を介して機械学習モデルをトレーニングし得る。
【0048】
いくつかの例では、機械学習システム２５０は、機械学習モデルを他のタイプのデータに適用し得、不整脈のエピソードが患者４で発生したことを判定する。例えば、機械学習システム２５０は、患者の不整脈、ＩＭＤ１０の活動レベル、ＩＭＤ１０の入力インピーダンス、またはＩＭＤ１０のバッテリレベルに相関する心臓電位図データの１つ以上の特性に機械学習モデルを適用することができる。
【0049】
さらなる例では、処理回路５０は、心臓電位図データから、心臓電位図データの中間表現を生成し得る。例えば、処理回路５０は、１つ以上の信号処理、信号分解、ウェーブレット分解、フィルタリング、またはノイズ低減操作を心臓電位図データに適用し得、心臓電位図データの中間表現を生成する。この例では、機械学習システム２５０は、心臓電位図データのそのような中間表現を処理して、患者４の不整脈のエピソードを検出および分類する。さらに、機械学習システム２５０は、上述のように不整脈のエピソードで標識された複数の生のＥＣＧ波形の代わりに、不整脈のエピソードで標識された複数のトレーニング中間表現を介して機械学習モデルをトレーニングし得る。心臓電位図データのそのような中間表現の使用は、機械学習システム２５０による、より軽量で、計算がより複雑でない機械学習モデルのトレーニングおよび開発を可能にし得る。さらに、心臓電位図データのそのような中間表現の使用は、機械学習モデルをトレーニングするための生の心臓電位図データの使用とは対照的に、正確な機械学習モデルを構築するためにより少ない反復およびより少ないトレーニングデータを必要とし得る。
【0050】
いくつかの例では、メモリ５６は、不整脈辞書２７０を含む。いくつかの例では、不整脈辞書２７０は、複数のエントリを含む。複数のエントリの各エントリは、１つ以上の特定のタイプの心不整脈（例えば、徐脈、頻脈、心房細動、または心室細動）の分類を含む。さらに、エントリには、心不整脈の分類を示す１つ以上の心臓の特徴が含まれる。以下でより詳細に説明するように、処理回路５０は、不整脈辞書２７０を使用して、特徴描写回路２６０を介して検出された不整脈のエピソードを特定のタイプの不整脈であるとして分類する。さらに、処理回路５０は、機械学習システム２５０を適用して、不整脈辞書２７０が対応するエントリを含まない不整脈の検出されたエピソードを分類して、不整脈辞書２７０のロバストなエントリを構築する。
【0051】
患者４の心臓電位図データを感知する例示的なＩＭＤ１０の文脈で本明細書に記載されているが、本明細書に開示されている心不整脈検出のための技術は、他のタイプのデバイスとともに使用され得る。例えば、技術は、心臓血管系の外側の電極に結合された心臓外除細動器、例えば、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃ ＰＬＣから市販されているＭｉｃｒａ（商標）経カテーテルペーシングシステムなどの心臓内に植え込まれるように構成されている経カテーテルペースメーカ、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃ ＰＬＣから同様に市販されているＲｅｖｅａｌ ＬＩＮＱ（商標）ＩＣＭ、などの挿入可能な心臓モニタ、アイルランドのダブリンのＭｅｄｔｒｏｎｉｃ ｐｌｃから入手可能なＳＥＥＱ（商標）モバイル心臓テレメトリ（ＭＣＴ）システム、などの神経刺激装置、薬物送達デバイス、患者４の外部にある医療デバイス、ウェアラブル除細動器、フィットネストラッカ、または他のウェアラブルデバイスなどのウェアラブルデバイス、携帯電話、「スマート」フォン、ラップトップ、タブレットコンピュータ、携帯情報端末（ＰＤＡ）、または「スマート」グラス、「スマート」パッチ、もしくは「スマート」ウォッチなどの「スマート」アパレルなどのモバイルデバイスで実施されてもよい。
【0052】
図３は、図１の植え込み型医療機器の構成例を示すブロック図である。図３の構成要素は、必ずしも一定の縮尺で描かれている必要はなく、代わりに、詳細を示すために拡大されている場合がある。具体的には、図３は、図１のＩＭＤ１０の構成例の上面図のブロック図である。
【0053】
図３は、図１のＩＭＤ１０と実質的に同様の構成要素を含み得る例示的なＩＭＤ１０を示す概念図である。図１および２に示される構成要素に加えて、図３に示されるＩＭＤ１０の例はまた、ハウジング１４および処理回路５０上の電極１６Ａ、１６Ｂ間を通過する電気信号を絶縁するのを助けることができるウェーハスケールの絶縁カバー７４を含み得る。いくつかの例では、絶縁カバー７４は、ＩＭＤ１０Ｂの構成要素のためのハウジングを形成するために、開いたハウジング１４の上に配置され得る。ＩＭＤ１０Ｂの１つ以上の構成要素（例えば、アンテナ２６、処理回路５０、感知回路５２、通信回路５４、および／または切り替え回路６０）は、フリップチップ技術を使用することなどによって、絶縁カバー７４の下側に形成され得る。絶縁カバー７４は、ハウジング１４上に裏返し得る。裏返してハウジング１４上に配置すると、絶縁カバー７４の下側に形成されたＩＭＤ１０の構成要素は、ハウジング１４によって画定されるギャップ７８内に配置され得る。ハウジング１４は、チタンまたは他の任意の好適な材料（例えば、生体適合性材料）から形成することができ、約２００マイクロメートル～約５００マイクロメートルの厚さを有し得る。これらの材料および寸法は単なる例であり、他の材料および他の厚さは、本開示のデバイスのために可能である。
【0054】
いくつかの例では、ＩＭＤ１０は、感知回路５０および／またはセンサ５８を介して、心臓電位図データを含む患者４の患者データを収集する。センサ５８は、１つ以上の加速度計、圧力センサ、Ｏ２飽和度のための光学センサなどのような、１つ以上のセンサを含み得る。いくつかの例では、患者データは、患者の活動レベル、患者の心拍数、患者の姿勢、患者の心臓電位図、患者の血圧、患者の加速度計データ、または他のタイプの患者データのうちの１つ以上を含む。いくつかの例では、ＩＭＤ１０は、通信回路５４を介して、患者データを外部デバイス１２にアップロードし、外部デバイスは、そのようなデータを、遠隔モニタリングセンタまたは患者モニタリングネットワークにアップロードすることができる。いくつかの例では、ＩＭＤ１０は、患者データを毎日アップロードする。いくつかの例では、患者データは、長期期間（例えば、約２４時間～約４８時間）にわたる患者４の平均測定値を表す１つ以上の値を含む。この例では、ＩＭＤ１０は、患者データをアップロードするとともに、患者４の不整脈検出および分類を実行する（後述するように）。しかしながら、他の例では、患者データを処理して患者４の不整脈を検出および／または分類する医療デバイスは、患者４の短期モニタリングを実行する医療デバイスとは異なる。例えば、ＩＭＤ１０は、患者４の短期モニタリングを実行し得、外部デバイス１２は、患者データを処理して、患者４の不整脈を検出および／または分類する。
【0055】
図４は、本開示の技術による例示的な動作を示すフローチャートである。便宜上、図４は、図１に関して説明されている。いくつかの例では、図４の手術は、患者４の心不整脈を検出および分類するための手術である。図４の動作において、システム２は、心不整脈を検出する際の機械学習システム２５０の機械学習モデルの精度と、特徴描写アルゴリズムの低消費電力とを組み合わせる。図４の動作は、図１のＩＭＤ１０に関して説明されているが、他の例では、図４の動作は、例えば、外部デバイス１２、またはＩＭＤ１０と外部デバイス１２との組み合わせによって実行され得る。
【0056】
図４に示されるように、ＩＭＤ１０は、患者４の心臓電位図データを感知する（４０２）。心臓電位図データは、例えば、患者４の一時的なＥＣＧまたは患者４の完全開示ＥＣＧであり得る。さらに、患者４の心臓電位図データは、単一チャネルまたはマルチチャネルシステムからのものであり得る。簡単にするために、図４の例では、患者４の心臓電位図データは、単一チャネルの一時的なＥＣＧデータとして説明されている。
【0057】
ＩＭＤ１０は、特徴描写を心臓電位図データに適用して、１つ以上の心臓特徴を検出する（４０４）。ＩＭＤ１０はさらに、心臓電位図データに特徴描写を適用して、不整脈の１つ以上のエピソードを検出する。例えば、ＩＭＤ１０は、ＱＲＳ検出描写およびノイズフラグを心臓電位図データに適用し得、不整脈の検出されたエピソードの不整脈特性および／または心臓特徴を提供し得る（例えば、心房細動のエピソード中の心拍数変動、休止の持続時間）。いくつかの例では、特徴描写は万能タイプのアルゴリズムである。他の例では、特徴描写は、臨床医によってプログラムされた、または患者４に固有のパラメータを有するアルゴリズムであり得る。いくつかの例では、ＩＭＤ１０は、特徴描写を心臓電位図データに適用して、検出された不整脈のエピソードを特定のタイプの不整脈として分類する。
【0058】
ＩＭＤ１０はさらに、心不整脈の検出されたエピソードのトリガーを判定する。例えば、心不整脈のエピソードは、自動トリガーに応答して、ベースライントリガーに応答して、または患者４から受け取った入力に応答して検出され得る。例えば、ベースライントリガーは、検出された不整脈に応答して発生するのではなく、定期的に発生する心臓電位図セグメントキャプチャ操作（例えば、ＩＭＤ１０の植え込みまたは付着時にキャプチャされるセグメント、または２４時間毎に１回キャプチャされるセグメント）に応答して発生する場合がある。いくつかの例では、ＩＭＤ１０は、機械学習システム２５０を適用して、自動トリガーに応答して検出された不整脈のエピソードのみを検証し得、一方、ベースライントリガーまたは患者入力に応答して検出された不整脈のエピソードは、機械学習システム２５０による検証なしに報告され得る。例えば、不整脈のエピソードが自動トリガー（例えば、ブロック４０６の「いいえ」）によって検出されなかったとの判定に応答して、ＩＭＤ１０は、不整脈のレポートを生成し（４１０）、かつそのレポートを臨床医または以下に説明するように、レビューのためのモニタリングセンタに出力する（４１２）。
【0059】
いくつかの例では、ＩＭＤ１０は、機械学習システム２５０を使用し得、いくつかのタスクを実行する。例えば、ＩＭＤ１０は、機械学習システム２５０を使用し得、特徴描写による心不整脈の検出が適切であったことを検証する。このように機械学習システム２５０を使用すると、機械学習モデルの計算の複雑さが制限され得、臨床医に診断に関連する情報が提供され得る。例えば、機械学習モデルを高い不整脈検出感度で使用して、心房細動の自動トリガーが患者４の心房細動のエピソードと相関していることを検証する。別の例として、機械学習モデルを使用し得、患者４の心房細動の検証されたエピソードの持続時間と一致する心臓電位図の部分のみが、患者４の心房細動負荷を計算するために使用されることを保証する。本明細書に記載されるように、不整脈のエピソードの負担は、ＩＭＤ１０による患者のモニタリング中の時間の長さに対する不整脈のエピソードの時間の長さの比率である。
【0060】
別の例として、ＩＭＤ１０は、機械学習システム２５０を使用し得、特徴描写によって検出されないが、特徴描写によって検出される不整脈のエピソードと一致する不整脈の他のエピソードの存在を検出する。例えば、ＩＭＤ１０は、機械学習システム２５０を使用し得、休止、心房細動、または心室性頻脈などの「重要度の高い」不整脈の存在を検出する。一連のタイプの不整脈の心不整脈のエピソードの有無を検出するように設計された機械学習モデルの使用は、心不整脈のエピソードの正確なタイプおよび発生のインスタンスを検出するように設計された機械学習モデルよりも計算の複雑さが制限され得る。
【0061】
例えば、図４の動作に関して、心不整脈のエピソードが自動トリガーに応答して検出されたとの判定に応答して（例えば、ブロック４０６の「はい」）、ＩＭＤ１０は、機械学習システム２５０の機械学習モデルを心臓電位図データに適用して、特徴描写による心不整脈のエピソードの検出を検証する（４０８）。いくつかの例では、ＩＭＤ１０は、機械学習システム２５０の機械学習モデルを心臓電位図データに適用して、特徴描写による心不整脈のエピソードの分類を検証する。
【0062】
いくつかの例では、自動トリガーに応答して検出された不整脈のエピソードは、同じ制限された持続時間（例えば、不整脈検出の前後３０秒）であり、通常、患者がトリガーしたエピソードよりも持続時間が短い。いくつかの例では、機械学習モデルは、入力として、自動トリガーを引き起こした心臓電位図波形の少なくとも一部およびトリガーの理由（例えば、心房細動、徐脈、または一時停止の特徴描写による検出）を受信する。心臓電位図波形は、例えば、ＥＣＧ波形であり得る。
【0063】
いくつかの例では、機械学習モデルは、入力として、心臓電位図波形の前処理されたバージョン、または心臓電位図波形の信号分解を受信する。例えば、ＩＭＤ１０は、心臓電位図の中間表現を生成するために、波形にダウンサンプリングまたは信号正規化操作を適用することによって、心臓電位図波形に前処理を適用し得る。信号分解は、ウェーブレット分解バンドまたは周波数領域表現（例えば、スペクトログラム）の使用である。いくつかの例では、ＩＭＤ１０は、機械学習モデルの計算の複雑さを軽減するために、心臓電位図波形に前処理を適用し得る。例えば、元々２００サンプル／秒でサンプリングされたレコードを１００サンプル／秒にダウンサンプリングすることにより、ＩＭＤ１０は、ダウンサンプリングされたレコードを元のレコードとして処理するために半分の計算リソースを必要とし得る。同様に、不整脈検出に使用されるものと同じ信号分解を使用することにより、機械学習モデルは信号畳み込み層の最適なセットを学習する必要がないため、ＩＭＤ１０は事前計算されたデータを活用して機械学習システム２５０の計算の複雑さを軽減し得る。
【0064】
特徴描写による心不整脈のエピソードの検出が正しいことの検証に応答して、ＩＭＤ１０は、エピソードの心臓電位図データを記憶する、かつ／またはレビューのためにモニタリングセンタまたは臨床医に送信する。例えば、ＩＭＤ１０は不整脈のレポートを生成し（４１０）、そのレポートを臨床医またはモニタリングセンタに出力する（４１２）。典型的には、特徴描写によって検出され、機械学習システム２５０によって適切または重要であると検証された心不整脈のエピソードのみが記憶され、モニタリングセンタおよび／または臨床医のレビューのために送信される。例えば、機械学習システム２５０が徐脈のエピソードを検出し、心臓電位図データに対して実行された特徴描写が、４つのノイズのない心拍のうち４つが３０拍／分（ＢＰＭ）未満であることを示した場合、ＩＭＤ１０は、不整脈のエピソードの発生を医師に通知するレポートを生成する。
【0065】
一例では、レポートは、不整脈のエピソードが患者に発生したことの指標、および不整脈のエピソードと一致する１つ以上の心臓特徴を含む。いくつかの例では、レポートは、特定のタイプの不整脈としての不整脈のエピソードの分類をさらに含む。いくつかの例では、レポートには、不整脈のエピソードと一致する、患者４から取得した心臓電位図データのサブセクションが含まれている。例えば、ＩＭＤ１０は、患者４の心臓電位図データのサブセクションを識別し得、ここで、サブセクションは、不整脈のエピソードの前の第１の期間（例えば、典型的には、不整脈のエピソードの発症前の１０分未満）、不整脈のエピソードの発生中の第２の期間、および不整脈のエピソードの後の第３の期間（例えば、典型的には、不整脈のエピソードの停止後１０分未満）についての心臓電位図データを含む。いくつかの例では、エピソードの持続時間は、デバイスのタイプによって異なり、さらに、医療デバイスの使用例、医療デバイスの１つ以上の設定、または感知された特定のタイプの不整脈に依存し得る。例えば、一部のタイプの不整脈はすぐに自己終了し（結果的にエピソードの持続時間が短くなる）、他のタイプの不整脈は持続し、エピソードの記録された持続時間が医療の指定されたメモリスペースに依存するような長さである。典型的には、患者の心臓電位図データの時間の長さは、第１、第２、および第３の期間よりも長い。さらに、ＩＭＤ１０は、第１、第２、および第３の期間と一致する１つ以上の心臓特徴を特定する。ＩＭＤ１０は、レポートに、心臓電位図データのサブセクションと、第１、第２、および第３の期間と一致する１つ以上の心臓特徴を含む。
【0066】
いくつかの例では、ＩＭＤ１０は、レポートに応答して、患者４の心臓電位図データを感知するためにＩＤＭ１０によって使用される１つ以上のパラメータに対する１つ以上の調整を受け取る。ＩＭＤ１０は、患者４の心臓電位図データのその後の感知のためにそのような調整を実行する。
【0067】
図５は、本開示の技術による例示的な動作を示すフローチャートである。便宜上、図５は、図１に関連して説明されている。いくつかの例では、図５の動作は、患者４の心不整脈を検出および分類するための動作である。図５の動作において、システム２は、心不整脈を検出する際の機械学習システム２５０の機械学習モデルの精度と、特徴描写アルゴリズムの低消費電力とを組み合わせる。図５の動作は、図１のＩＭＤ１０に関して説明されているが、他の例では、図５の動作は、例えば、外部デバイス１２、またはＩＭＤ１０と外部デバイス１２との組み合わせによって実行され得る。
【0068】
図５に示されるように、ＩＭＤ１０は、患者４の心臓電位図データを感知する（５０２）。ＩＭＤ１０は、特徴描写を心臓電位図データに適用して、１つ以上の心臓特徴を検出する（５０４）。ＩＭＤ１０はさらに、自動トリガーに応答して心不整脈のエピソードが検出されたかどうかを判定する（５０６）。例えば、不整脈のエピソードが自動トリガー（例えば、ブロック５０６の「いいえ」）によって検出されなかったとの判定に応答して、例えば、ベースライントリガーに応答して検出された心不整脈のエピソードの場合のように、または、患者４から受け取った入力に応答して、ＩＭＤ１０は不整脈のレポートを生成し（５１０）、レビューのためにレポートを臨床医またはモニタリングセンタに出力する（５１２）。ステップ５０２、５０４、５０６、５１０、および５１２の動作は、それぞれ、図４のステップ４０２、４０４、４０６、４１０、および４１２と実質的に同様の方法で発生し得る。
【0069】
自動トリガー（例えば、ブロック５０６の「はい」）に応答して心不整脈のエピソードが検出されたとの判定に応答して、ＩＭＤは、心臓電位図データを処理して、フィルタリングされた心臓電位図データを生成する（５０７）。例えば、ＩＭＤ１０は、フィルタリングされた心臓電位図データを生成するために、入力インピーダンス、活動レベルおよび姿勢変化などのデバイスおよび生理学的パラメータに基づいて、１つ以上のＥＣＧエピソードなどの心臓電位図データを調整し得る。例えば、患者４が高い活動レベルを示している期間中、またはＩＭＤ１０が非常に変動するレベルの入力インピーダンスを受けている期間中、特徴描写は、心臓電位図データにおけるノイズに応答する自動トリガーによる心不整脈のエピソードを誤って検出する可能性がある。フィルタリングされた心臓電位図データの使用により、ＩＭＤ１０は、振幅レベルの変化などの信号アーチファクトの影響を受ける可能性があるこれらのノイズのあるデータの期間を破棄することができ得る。さらに、フィルタリングされた心臓電位図データを使用すると、機械学習モデルがノイズのないデータを分析するように設計されている可能性があるため、機械学習モデルの計算の複雑さが軽減され得る。さらに、フィルタリングされた心臓電位図データを使用すると、ＩＭＤ１０は機械学習モデルを使用せずに、心臓電位図データのノイズが原因で不整脈のエピソードが誤ってトリガーされる可能性がある特徴描写によって不整脈のエピソードが正しく検出されたことを検証でき、ＩＭＤ１０による消費電力をさらに削減する。いくつかの例では、一時停止に関連する失神または徐脈に関連する心不整脈の自動的にトリガーされるエピソードは、機械学習モデルによる処理では抑制されない可能性がある。
【0070】
ＩＭＤ１０は、機械学習システム２５０の機械学習モデルをフィルタリングされた心臓電位図データに適用して、特徴描写による心不整脈のエピソードの検出を検証する（５０８）。いくつかの例では、ＩＭＤ１０は、機械学習システム２５０の機械学習モデルをフィルタリングされた心臓電位図データに適用して、特徴描写による心不整脈のエピソードの分類を検証する。特徴描写による心不整脈のエピソードの検出が正しいことの検証に応答して、ＩＭＤ１０は、エピソードの心臓電位図データを記憶する、かつ／またはレビューのためにモニタリングセンタまたは臨床医に送信する。例えば、ＩＭＤ１０は、前述したように、不整脈のレポートを生成し（５１０）、そのレポートを臨床医またはモニタリングセンタに出力する（５１２）。
【0071】
図６は、本開示の技術による例示的な動作を示すフローチャートである。便宜上、図６は、図１および２に関連して説明されている。いくつかの例では、図６の動作は、機械学習システム２５０によって構築された不整脈辞書を使用して、患者４の心不整脈を検出および分類するための動作である。図６の動作において、システム２は、心不整脈を検出する際の機械学習システム２５０の機械学習モデルの精度と、特徴描写アルゴリズムの低消費電力とを組み合わせる。図６の動作は、図１のＩＭＤ１０に関して説明されているが、他の例では、図６の動作は、例えば、外部デバイス１２、またはＩＭＤ１０と外部デバイス１２との組み合わせによって実行され得る。
【0072】
図６に示されるように、ＩＭＤ１０は、患者４の心臓電位図データを感知する（６０２）。ＩＭＤ１０は、特徴描写を心臓電位図データに適用して、１つ以上の心臓特徴を検出する（６０４）。ステップ６０２および６０４の動作は、それぞれ、図４のステップ４０２および４０４と実質的に同様の方法で発生し得る。
【0073】
ＩＭＤ１０は、不整脈辞書２７０が少なくとも１つのエントリを含むかどうかを判定する（６０６）。不整脈辞書２７０の各エントリは、不整脈のエピソードを、徐脈、頻脈、心房細動、心室細動、または房室ブロックのエピソードなどの特定のタイプの不整脈または不整脈のセットとして定義する分類を含む。各エントリには、対応する分類の心不整脈のエピソードに関連する１つ以上の心臓の特徴がさらに含まれる。不整脈辞書２７０が少なくとも１つのエントリ（例えば、ブロック６０６の「はい」）を含むとの判定に応答して、ＩＭＤ１０は、特徴描写を介して得られた心臓特徴が不整脈辞書２７０のエントリの心臓特徴と類似しているかどうかを判定する（６１４）。例えば、ＩＭＤ１０は、特徴描写を介して得られた心臓特徴の１つ以上のパラメータを、不整脈辞書のエントリの心臓特徴の１つ以上のパラメータと比較し得る。いくつかの例では、ＩＭＤ１０は、Ｌ１距離、パーセント類似性、またはｉｆ－ｔｈｅｎ－ｅｌｓｅ規則などの計算効率の高い方法を適用することによって、特徴描写を介して得られた心臓特徴と不整脈辞書２７０のエントリの心臓特徴との間の類似性を判定し得る。
【0074】
例えば、ＩＭＤ１０は、特徴描写を介して得られた心臓特徴のＬ１距離と、不整脈辞書の複数のエントリの各エントリの心臓特徴のＬ１距離との類似性を判定する。別の例では、ＩＭＤ１０は、特徴描写を介して得られた心臓特徴の少なくとも１つのパラメータと、不整脈辞書２７０の複数のエントリの各エントリの心臓特徴の少なくとも１つのパラメータとの間の差が、所定の閾値より大きいかどうかを判定する。
【0075】
特徴描写を介して得られた心臓特徴が不整脈辞書のエントリの心臓特徴に類似しているとの判定に応答して（例えば、ブロック６１４の「はい」）、ＩＭＤ１０は、不整脈辞書のエントリが心臓特徴を関心対象の不整脈のエピソードを示すように定義するかどうかを判定する（６１６）。不整脈辞書のエントリが、関心対象の不整脈のエピソードを示すものとして心臓の特徴を定義すると判定したことに応答して（例えば、ブロック６１６の「はい」）、ＩＭＤ１０は、不整脈のレポートを生成し（６１０）、レポートをレビューのために臨床医またはモニタリングセンタに出力する（６１２）。ステップ６１０および６１２の動作は、それぞれ、図４のステップ４１０および４１２と実質的に同様の方法で発生し得る。
【0076】
不整脈辞書のエントリが、関心対象の不整脈のエピソードを示さないものとして心臓の特徴を定義すると判定したことに応答して（例えば、ブロック６１６の「いいえ」）、ＩＭＤ１０は、後でセンタまたは臨床医モニタリングによるレビューのために、感知された心臓電位図データをアーカイブし得る（６１８）。例えば、不整脈のエピソードが正常洞調律（ＮＳＲ）、心室性期外収縮（ＰＶＣ）、心房性期外収縮（ＰＡＣ）、またはノイズによる１つ以上の信号アーチファクトのエピソードである場合、ＩＭＤ１０は、検出されたエピソードの特徴（例えば、平均、中央ＲＲ、ＲＲ変動、平均ＱＲＳ形態、ＱＲＳ形態偏差）を後で参照するために、記憶する。いくつかの例では、エピソードの心臓電位図データは、さらなる処理または報告に使用されない。
【0077】
不整脈辞書２７０が少なくとも１つのエントリを含まないと判定したことに応答して（例えば、ブロック６０６の「いいえ」）、または特徴描写を介して得られた心臓特徴が不整脈辞書２７０のどのエントリとも類似していないと判定したことに応答して（例えば、ブロック６１４の「いいえ」）、次に、ＩＭＤ１０は、機械学習システム２５０の機械学習モデルを心臓電位図データに適用して、特徴描写（６０８）および／または任意のものを検出する関心対象の他の不整脈による心不整脈のエピソードの検出を検証する。ステップ６０８の動作は、図４のステップ４０８と実質的に同様の方法で起こり得る。特徴描写による心不整脈のエピソードの検出が正しいこと、または関心対象の他の不整脈が存在することの検証に応答して、ＩＭＤ１０は、心臓特徴を不整脈辞書２７０に記憶する（６２０）。例えば、ＩＭＤ１０は、不整脈のエピソードの分類を定義し、不整脈のエピソードの分類を示す特徴描写を介して得られた１つ以上の心臓特徴を含む、不整脈辞書２７０に新しいエントリを作成する。したがって、ＩＭＤ１０は、機械学習システム２５０を使用し得、心不整脈のエピソードを検出および分類するための不整脈辞書２７０を構築、維持、および更新する。さらに、各タイプの不整脈の第１のインスタンスを検証および分類するためだけに機械学習システム２５０を使用すると、機械学習システム２５０の使用が制限され、それによってＩＭＤ１０の電力が節約される可能性がある。いくつかの例では、機械学習システム２５０は、自動トリガーに応答して検出された心不整脈のエピソードを検証および分類するためにのみ使用される。いくつかの例では、心臓特徴を不整脈辞書２７０に新しいエントリとして記憶した後、ＩＭＤ１０は、不整脈のレポートを生成し（６１０）、レビューのためにレポートを臨床医またはモニタリングセンタに出力する（６１２）。
【0078】
図７は、本開示の技術による例示的な動作を示すフローチャートである。便宜上、図７は、図１に関して説明されている。いくつかの例では、図７の手術は、患者４の心不整脈を検出および分類するための手術である。図７の動作は、例えば、心不整脈を検出および分類するための図４の動作が、患者４の不整脈のエピソードを適切にトリガーまたは検出しない場合、患者の不整脈検出精度のためのバッテリ寿命とデバイス寿命との間のトレードオフを提供し得る。図７の動作は、図１のＩＭＤ１０に関して説明されているが、他の例では、図７の動作は、例えば、外部デバイス１２、またはＩＭＤ１０と外部デバイス１２との組み合わせによって実行され得る。
【0079】
ほとんどの患者（例えば、約８０％～９０％の間）において、例えば、図４および５によって説明される心不整脈検出動作は、不利な電力消費を回避しながら、不整脈検出の精度を向上させる。しかしながら、残りの部分集団では、例えば、図４および５によって説明される動作は、ＩＭＤ１０の配置または患者特徴のような様々な生理学的理由のために、不整脈検出において高精度を提供しない可能性がある（例えば、ＩＭＤ１０のシフトまたは移動によって心臓電位図の形態が変化する可能性がある）。不整脈診断の場合、そのような部分集団の患者は、そのようなスキームがより多くの電力を消費し得る（かつＩＭＤ１０の最大バッテリ寿命の相応の減少を引き起こす）としても、ＩＭＤ１０を取り外すこと、またはＩＭＤ１０を別のデバイスに変更することとは対照的に、より感度が高く複雑性の高い不整脈検出スキームの恩恵を受け得る。図７の動作は、不整脈検出方法を、例えば、図４または５の動作から、より複雑な機械学習不整脈検出スキームに切り替えるための技術を示している。
【0080】
図７に示されるように、ＩＭＤ１０は、患者４の心臓電位図データを感知する（７０２）。ステップ７０２の動作は、図４のステップ４０２と実質的に同様の方法で起こり得る。ＩＭＤ１０は、ＩＭＤ１０がデフォルトの心不整脈検出モードで動作しているかどうかを判定する（例えば、図４または５の動作など）（７０３）。通常、ＩＭＤ１０は、このようなデフォルトモードで動作を開始する。ＩＭＤ１０がデフォルトモード（例えば、ブロック７０３の「はい」）で動作しているとの判定に応答して、ＩＭＤ１０は、不整脈のエピソードを示す１つ以上の心臓特徴を検出するために、心臓電位図データに特徴描写を適用する（７０４）。いくつかの例では、ＩＭＤ１０は、追加のデバイスおよび生理学的パラメータを取得する（７０６）。ＩＭＤ１０は、機械学習システム２５０の機械学習モデルを心臓電位図データに適用して、特徴描写による心不整脈のエピソードの検出を検証する（７０８）。いくつかの例では、ＩＭＤ１０は、機械学習モデルを心臓電位図データに適用して、特徴描写によって検出されない他の分類の心不整脈の１つ以上のエピソードを検出する。いくつかの例では、ＩＭＤ１０は、機械学習モデルを心臓電位図データとデバイスおよび生理学的パラメータに適用して、検証または検出を実行する。ステップ７０４および７０８の動作は、図４のステップ４０４および４０８と実質的に同様の方法で発生し得る。
【0081】
ＩＭＤ１０は、機械学習モデルに基づいて、特徴描写が心不整脈のエピソードを正しく検出したかどうかを検証する（７０９）。特徴描写による心不整脈のエピソードの検出が正しいことの検証に応答して（例えば、ブロック７０９の「はい」）、ＩＭＤ１０は、不整脈のレポートを生成し（７１０）、そのレポートを臨床医またはモニタリングセンタに出力する（７１２）。ステップ７０４および７０８の動作は、図４のステップ７０４および７０８と実質的に同様の方法で行うことができる。いくつかの例では、ＩＭＤ１０は、デフォルトの心不整脈検出スキームに従って動作し続け得る。
【0082】
特徴描写による心不整脈のエピソードの検出が正しくないことを検証することに応答して（例えば、ブロック７０９の「いいえ」）、ＩＭＤ１０は、検出された心不整脈の不適切なインスタンスのカウンタをインクリメントする（７１６）。いくつかの例では、特徴描写が患者４で心不整脈のエピソードが発生したと誤って判定した場合、ＩＭＤ１０はカウンタを増分する。いくつかの例では、特徴描写が患者４の心不整脈のエピソードを特定のタイプの不整脈のエピソードとして誤って分類した場合、ＩＭＤ１０はカウンタを増分する。
【0083】
機械学習モデルに従って、特徴描写が心不整脈のエピソードまたは不整脈を含まないエピソードを永続的に検出する場合、ＩＭＤ１０は、デフォルトの心不整脈検出モードから、不整脈検出に機械学習モデルを使用する第２のモードに切り替わる。例えば、ＩＭＤは、検出された心不整脈のカウンタの不適切なインスタンスが所定の閾値より大きいかどうかを判定する（７１８）。カウンタが所定の閾値（例えば、ブロック７１８の「いいえ」）より大きくない場合、ＩＭＤ１０は、デフォルトの心不整脈検出スキームに従って動作を継続する。カウンタが所定の閾値よりも大きい場合（例えば、ブロック７１８の「はい」）、ＩＭＤ１０は、代替の不整脈検出モードに切り替わる（７２０）。いくつかの例では、ＩＭＤ１０は、生理学的特性とデバイス特性が満たされるまで検出モードを切り替えない。例えば、ＩＭＤ１０は、デバイスが適切に順守し、患者４が低または中活動レベルになり、不整脈の患者トリガーがアクティブになるまで、検出モードの切り替えを延期し得る。いくつかの例では、ＩＭＤ１０は、心臓電位図データをキャプチャする患者起動トリガーの期間中、機械学習不整脈検出をオフにする。
【0084】
その後の手術中に、ＩＭＤ１０は、患者４の心臓電位図データを感知する（７０２）。ＩＭＤ１０がデフォルトモード（例えば、ブロック７０３の「いいえ」）で動作していないとの判定に応答して、ＩＭＤは、心臓電位図データを処理して、フィルタリングされた心臓電位図データを生成する（７０７）。ステップ７０７の動作は、図５のステップ５０７と実質的に同様の方法で起こり得る。ＩＭＤ１０は、機械学習システム２５０の第２の機械学習モデルをフィルタリングされた心臓電位図データに適用して、フィルタリングされた心臓電位図データに存在する心不整脈のエピソードを検出する（７２４）。いくつかの例では、第２の機械学習モデルは、入力として、心臓電位図波形の少なくとも一部、１つ以上のデバイスパラメータ、または１つ以上の生理学的パラメータを受け取る。心臓電位図波形は、例えば、ＥＣＧ波形であり得る。
【0085】
第２の機械学習モデルは、心不整脈の特徴描写検出よりも複雑であるため、第２の機械学習モデルは、ＩＭＤ１０の消費電力とバッテリ寿命に悪影響を与える可能性がある。したがって、ＩＭＤ１０は、バッテリ寿命の推定値を更新する（７２６）。いくつかの例では、ＩＭＤ１０は、外部デバイス１２への送信の頻度または周期性を調整し得る。例えば、バッテリ寿命を節約するために、ＩＭＤ１０は、感知された心臓電位図データなどの患者データを毎日アップロードすることから、そのようなデータを毎週アップロードすることへと切り替え得、デバイスの寿命を延ばす。ＩＭＤ１０は、不整脈のレポートを生成し（７１０）、そのレポートを臨床医またはモニタリングセンタに出力する（７１２）。
【0086】
図８は、本開示の技術による例示的な動作を示すフローチャートである。便宜上、図８は、図１および２に関連して説明されている。いくつかの例では、図８の動作は、機械学習システム２５０によって構築された不整脈辞書を使用して、患者４の心不整脈を検出および分類するための動作である。図８の動作において、システム２は、心不整脈を検出する際の機械学習システム２５０の機械学習モデルの精度と、特徴描写アルゴリズムの低消費電力とを組み合わせる。図８の動作は、図１のＩＭＤ１０に関して説明されているが、他の例では、図８の動作は、例えば、外部デバイス１２、またはＩＭＤ１０と外部デバイス１２との組み合わせによって実行され得る。
【0087】
失神および心房細動のモニタリングなどの一部の用途では、関心対象の不整脈（例えば、一時停止、洞性細動、心房細動）、およびそのような不整脈の対応する心臓の特徴が臨床医に知られている。したがって、本開示の技術は、不整脈検出のために自動トリガーを使用するＩＭＤ１０上に適切なアルゴリズムを実装することができる。しかしながら、心筋梗塞後のモニタリング（例えば、心室性期外収縮（ＰＶＣ）の負担、ＳＴセグメントなどの特性が関心対象であり得る場合）、または経カテーテル大動脈弁置換術（ＴＡＶＡＲ）後のモニタリングなど、他のタイプの用途の場合、モニタリングでは、正確な不整脈または関心対象の状態が分からない場合があり得る。したがって、図８の動作は、特定の不整脈検出アルゴリズムを開発することなく、複数の用途にわたって使用することができる一般的な機械学習モデルを実装する。
【0088】
図８の動作は、図６の動作と実質的に同様であり得る。しかしながら、以下でより詳細に考察されるように、図８の動作は、機械学習システムを適用して、特徴描写を介して得られた心臓特徴が不整脈辞書２７０のエントリの心臓特徴に類似しているかどうかを判定し、特徴描写を介して得られた心臓特徴が不整脈辞書２７０のエントリの分類と同じ分類の不整脈のエピソードを示しているかどうかを判定する。
【0089】
図８に示されるように、ＩＭＤ１０は、患者４の心臓電位図データを感知する（８０２）。ＩＭＤ１０は、特徴描写を心臓電位図データに適用して、１つ以上の心臓特徴を検出する（８０４）。ステップ８０２および８４の動作は、それぞれ、図４のステップ４０２および４０４と実質的に同様の方法で発生し得る。いくつかの例では、ＩＭＤ１０によって実行される特徴描写は、高感度のために調整される。例えば、ＩＭＤ１０は、関心対象のエピソードを識別するために、高感度の自動トリガーアルゴリズムを実装することができる。いくつかの例では、特徴描写は、患者４の心臓電位図のセグメントを、セグメントが毎分９０拍以上または毎分６０拍未満のＲＲ率、５０ミリ秒を超えるＲＲ変動、またはノイズがない場合の形態変動を示す、関心対象の不整脈のエピソードとして分類するように構成される。いくつかの例では、特徴描写は、患者４の心臓電位図のセグメントを、セグメントが非ノイズ、非ＮＳＲ持続時間である関心対象の不整脈のエピソードとして分類するように構成される。
【0090】
ＩＭＤ１０は、不整脈辞書２７０が少なくとも１つのエントリを含むかどうかを判定する（８０６）。不整脈辞書２７０の各エントリは、徐脈、頻脈、心房細動、心室細動、または房室細動ブロックのエピソードなどの特定のタイプの不整脈として不整脈のエピソードを定義する分類を含む。各エントリには、対応する分類の心不整脈のエピソードに関連する１つ以上の心臓の特徴がさらに含まれる。
【0091】
不整脈辞書２７０が少なくとも１つのエントリ（例えば、ブロック８０６の「はい」）を含むとの判定に応答して、ＩＭＤ１０は、機械学習システム２５０を適用して、特徴描写を介して得られた心臓特徴が、不整脈辞書２７０のエントリの心臓特徴と類似しているかどうかを判定する（８１６）。いくつかの例では、機械学習システム２５０は、特徴描写を介して得られた心臓特徴が不整脈辞書２７０のエントリの心臓特徴に類似しているかどうかを判定する。いくつかの例では、機械学習システム２５０は、特定のタイプの不整脈を判定しない場合があるが、ノイズまたはＮＳＲまたは不整脈辞書２７０のエントリ以外の心臓電位図の変化を検出する。
【0092】
特徴描写を介して得られた心臓特徴が不整脈辞書２７０のエントリの心臓特徴に類似しているとの判定に応答して（例えば、ブロック８１４の「はい」）、ＩＭＤ１０は、特徴描写を介して得られた心臓特徴が不整脈辞書２７０のエントリの分類と同じ分類の不整脈のエピソードであると判定する。いくつかの例では、ＩＭＤ１０は、患者４で発生したその分類の不整脈のエピソードの総数を追跡するために、不整脈辞書２７０のエントリの分類の不整脈のエピソードのカウンタを更新する（８１８）。ＩＭＤ１０は、不整脈辞書２７０のエントリとともにカウンタの値を記憶する（８２０）。カウンタの値を不整脈辞書２７０に記憶した後、ＩＭＤ１０は、不整脈のレポートを生成し（８１０）、レビューのためにそのレポートを臨床医またはモニタリングセンタに出力する（８１２）。ステップ８１０および８１２の動作は、それぞれ、図６のステップ６１０および６１２と実質的に同様の方法で行うことができる。
【0093】
不整脈辞書２７０が少なくとも１つのエントリを含まないと判定したことに応答して（例えば、ブロック８０６の「いいえ」）、または特徴描写を介して得られた心臓特徴が不整脈辞書２７０のどのエントリとも類似していないと判定したことに応答して（例えば、ブロック８１４の「いいえ」）、ＩＭＤ１０は、次に、機械学習システム２５０の機械学習モデルを心臓電位図データに適用して、心不整脈のエピソードを特徴付ける（８０８）。例えば、ＩＭＤ１０は、機械学習モデルを適用して、心不整脈のエピソードが発生したことを検証し、および／または心不整脈のエピソードの分類を判定する。いくつかの例では、機械学習モデルは、エピソードを「深層特徴」で特徴付ける深層学習モデルであり、例えば、ソフトマックス分類前の最終的な深層学習不整脈検出モデルの状態である）。
【0094】
ＩＭＤ１０は、心不整脈のタイプの発生数のカウンタの値（例えば、新しいエントリへ、対応する最初の発生については「１」）とともに、不整脈辞書２７０の新しいエントリとして不整脈辞書２７０に心臓特徴を記憶する（８２０）。いくつかの例では、ＩＭＤ１０は、新たに検出された不整脈のエピソードの深い特徴をエントリに記憶する。新しいエントリを作成し、不整脈辞書２７０にカウンタの値を記憶した後、ＩＭＤ１０は、不整脈のレポートを生成し（８１０）、レビューのためにそのレポートを臨床医またはモニタリングセンタに出力する（８１２）。例えば、ＩＭＤ１０は、臨床医による専門家によるレビューと検証のために、検出されたエピソードに対応する心臓電位図データを送信する。レビューは、薬物の変化などの他の患者の特徴に関連する信号の変化について、典型的な不整脈を超えて調べることができる専門家によって実施される。
【0095】
以下の実施例は、本開示の１つ以上の態様を示し得る。
【0096】
実施例１。方法であって、処理回路および記憶媒体を含む医療デバイスによって、患者の心臓電位図データを感知することと、医療デバイスによって、感知された心臓電位図データの特徴ベースの描写を実行して、心臓電位図データに存在し、かつ患者の不整脈のエピソードを示す心臓特徴を取得することと、医療デバイスによってかつ特徴ベースの描写に基づいて、不整脈のエピソードが患者において発生したことを検証するための機械学習モデルの適用のための閾値基準を心臓特徴が満たしていることを判定することと、機械学習モデルの適用のための閾値基準を心臓特徴が満たしていることを判定することに応じて、複数の患者の心臓電位図データを使用してトレーニングされた機械学習モデルを、医療デバイスによって、感知された心臓電位図データに適用して、機械学習モデルに基づいて、不整脈のエピソードが患者において発生したことを検証することと、機械学習モデルによって、不整脈のエピソードが患者において発生したことを検証することに応じて、医療デバイスによって、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上と、を含む、レポートを生成することと、医療デバイスによって、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上と、を含む、レポートを、表示のために、出力することと、を含む、方法。
【0097】
実施例２。患者における不整脈のエピソードが、患者における第１の分類の不整脈のエピソードであり、機械学習モデルを感知された心臓電位図データに適用して、不整脈のエピソードが患者に発生したことを検証するために、機械学習モデルを感知された心臓電位図データに適用して、第１の分類の不整脈のエピソードが患者において発生したことを検証することを含み、方法は、特徴ベースの描写に基づいて、第１の分類の不整脈のエピソードが患者に発生したことを判定することに応じて、機械学習モデルを感知された心臓電位図データに適用して、第２の分類の不整脈のエピソードが患者において発生したことを判定することをさらに含み、不整脈のエピソードが患者に発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上と、を含む、レポートを生成するために、第１の分類の不整脈のエピソードが患者に発生したという指標と、第２の分類の不整脈のエピソードが患者に発生したという指標と、第１の分類の不整脈のエピソードと一致する心臓特徴のうちの１つ以上と、を含む、レポートを生成することを含む、実施例１に記載の方法。
【0098】
実施例３。心臓電位図データが患者の心電図（ＥＣＧ）を含む、実施例１または２のいずれかに記載の方法。
【0099】
実施例４。心臓電位図データの特徴ベースの描写を実行して、心臓電位図データに存在する心臓特徴を取得することは、ＱＲＳ検出、難治性処理、ノイズ処理、または心臓電位図データに存在する心臓特徴を取得するための心臓電位図データの描写のうちの少なくとも１つを実行することを含む、実施例１～３のいずれかに記載の方法。
【0100】
実施例５。機械学習モデルを適用して、患者において不整脈のエピソードが発生したことを検証するために機械学習モデルを適用して、徐脈、頻脈、心房細動、心室細動、または房室ブロックのうちの少なくとも１つのエピソードが患者において発生したことを検証することを含む、実施例１～４のいずれかに記載の方法。
【0101】
実施例６。心臓電位図データに存在する心臓特徴が、心臓電位図データに存在するＲＲ間隔の１つ以上、心臓電位図データに存在する平均心拍数、心臓電位図データに存在する最小心拍数、心臓電位図データに存在する最大心拍数、心臓電位図データに存在するＰＲ間隔、心臓電位図データに存在する心拍数の変動、心電図（ＥＣＧ）の１つ以上の特徴の１つ以上の振幅、またはＥＣＧの１つ以上の特徴間の間隔である、実施例１～５のいずれかに記載の方法。
【0102】
実施例７。複数の患者の心臓電位図データを使用してトレーニングされた機械学習モデルが、複数の心電図（ＥＣＧ）波形を使用してトレーニングされた機械学習モデルを含み、各ＥＣＧ波形が複数の患者のうちのある患者における１つ以上の分類のエピソードで標識されている、実施例１～６のいずれかに記載の方法。
【0103】
実施例８。心臓特徴が閾値基準を満たすことを判定するために、患者の生理学的パラメータまたは医療機器のパラメータのうちの少なくとも１つが閾値基準を満たすことを判定することを含む、実施例１～７のいずれかに記載の方法。
【0104】
実施例９。機械学習モデルを感知された心臓電位図データに適用することは、機械学習モデルを、患者の不整脈に相関する感知された心臓電位図データの１つ以上の特徴、医療デバイスの活動レベル、医療機器の入力インピーダンス、または医療デバイスのバッテリレベルのうちの少なくとも１つに適用することをさらに含む、実施例１～８のいずれかに記載の方法。
【0105】
実施例１０。機械学習モデルを感知された心臓電位図データに適用することは、心臓特徴が閾値基準を満たすと判定することおよび心臓特徴の少なくとも１つの特徴のノイズが所定の閾値未満であると判定することに応じて、機械学習モデルを感知された心臓電位図データに適用することを含む、実施例１～９のいずれかに記載の方法。
【0106】
実施例１１。機械学習モデルを感知された心臓電位図データに適用することは、心臓特徴が閾値基準を満たすことを判定すること、および患者が複数の姿勢状態のうちの第１の姿勢状態にあることを判定することに応じて、機械学習モデルを感知された心臓電位図データに適用することを含む、実施例１～１０のいずれかに記載の方法。
【0107】
実施例１２。機械学習モデルを感知された心臓電位図データに適用することは、心臓特徴が閾値基準を満たすと判定すること、および患者が複数の活動状態のうちの第１の活動状態にあると判定することに応じて、機械学習モデルを感知された心臓電位図データに適用することを含む、実施例１～１１のいずれかに記載の方法。
【0108】
実施例１３。方法は、不整脈のエピソードが患者に発生したという指標と、不整脈のエピソードと一致する１つ以上の心臓特徴とを備えるレポートを出力することに応じて、医療デバイスおよびユーザから、心臓電位図データの特徴ベースの描写に対する調整を受信することと、心臓電位図データに存在する第２の心臓特徴を取得するために、調整に応じて、心臓電位図データの特徴ベースの描写を実行することと、を含む、実施例１～１２のいずれかに記載の方法。
【0109】
実施例１４。患者の心臓電位図データは、患者の心電図（ＥＣＧ）を含み、不整脈のエピソードが患者において発生したという指標と、不整脈のエピソードと一致する心臓特徴のうちの１つ以上とを含むレポートを生成するために、患者のＥＣＧのサブセクションを識別することであって、サブセクションが、不整脈のエピソード前の第１の期間、不整脈のエピソード中の第２の期間、および不整脈のエピソード後の第３の期間についてのＥＣＧデータを含み、患者のＥＣＧの時間の長さが、第１、第２、および第３の期間よりも長い、識別することと、第１、第２、および第３の期間と一致する心臓特徴のうちの１つ以上を識別することと、レポートにおいて、ＥＣＧのサブセクションと、第１、第２、および第３の期間と一致する心臓特徴のうちの１つ以上を含むことと、を含む、実施例１～１３のいずれかに記載の方法。
【0110】
実施例１５。特徴ベースの描写に基づいて、不整脈のエピソードが患者に発生したことを検証するための機械学習モデルの適用のため心臓特徴が閾値基準を満たすことを判定することは、特徴ベースの描写に基づいて、第１の分類の不整脈のエピソードが患者に発生したと心臓特徴が示しているのを判定することと、不整脈のエピソードが患者に発生したことを検証するために機械学習モデルを感知された心臓電位図データに適用することは、心臓特徴が第１の分類の不整脈のエピソードの指標であるという特徴ベースの描写に基づいた判定を検証するために機械学習モデルを感知された心臓電位図データに適用することを含む、実施例１～１４のいずれかに記載の方法。
【0111】
実施例１６。不整脈のエピソードが患者に発生したことを検証することに応答して、患者の不整脈のエピソードの負担を判定することをさらに含み、患者の不整脈のエピソードの負担は、医療デバイスによる患者のモニタリング中の時間の長さに対する不整脈のエピソードの時間の長さの比率を含む、実施例１～１５のいずれかに記載の方法。
【0112】
実施例１７。方法は、医療デバイスによって、感知された心臓電位図データを処理して、フィルタリングされた心臓電位図データを生成することをさらに含み、機械学習モデルを感知された心臓電位図データに適用して、不整脈のエピソードが患者に発生したと検証することは、機械学習モデルをフィルタリングされた心臓電位図データに適用して、不整脈のエピソードが患者に発生したことを検証することを含む、実施例１～１６のいずれかに記載の方法。
【0113】
実施例１８。感知された心臓電位図データを処理して、フィルタリングされた心臓電位図データを生成することは、患者の高レベルの活動の期間または医療機器の非常に変化する入力インピーダンスの期間のうちの少なくとも１つを判定すること、患者の高レベルの活動の期間または医療機器の非常に変化する入力インピーダンスの期間のうちの少なくとも１つを判定することに応じて、患者の高レベルの活動の期間または医療デバイスの非常に変化する入力インピーダンスの期間の少なくとも１つと一致する、感知された心臓電位図データの少なくとも一部を破棄して、フィルタリングされた心臓電位図データを生成することを含む、実施例１７に記載の方法。
【0114】
実施例１９。患者の高レベルの活動の期間または非常に変動する入力インピーダンスの期間の少なくとも１つと一致する、感知された心臓電位図データの少なくとも一部を破棄することは、医療デバイスの感知された入力インピーダンス、患者の感知された活動レベル、または医療デバイスの非常に変動する入力インピーダンスの期間のうちの少なくとも１つと一致する患者の感知された姿勢変化のうちの１つ以上を破棄することを含む、実施例１８に記載の方法。
【0115】
実施例２０。機械学習モデルを感知された心臓電位図データに適用して、不整脈のエピソードが患者において発生したことを検証するために機械学習モデルに基づいて、不整脈のエピソードが患者に発生していないことの第１の判定、または機械学習モデルに基づいて、異なるタイプの不整脈のエピソードが患者において発生したことの第２の判定のうちの少なくとも１つを含み、第１の判定および第２の判定のうちの少なくとも１つに応じて、医療デバイスによって、患者における不整脈のエピソードの誤った検出のカウンタを更新することと、カウンタの値が所定の閾値より大きいと判定したことに応じて、感知された心臓電位図データの特徴ベースの描写を実行から、心臓電位図データに存在し、患者の不整脈のエピソードを示す心臓特徴を取得するように切り替えることと、をさらに含み、複数の患者の心臓電位図データを使用してトレーニングされた第２の機械学習モデルを、感知された心臓電位図データに適用して、機械学習モデルに基づいて、心臓電位図データに存在し、かつ患者における不整脈のエピソードを示す心臓特徴を取得する、実施例１～１９のいずれかに記載の方法。
【0116】
実施例２１。患者の心臓電位図データを感知することは、患者の第１の心臓電位図データを感知することを含み、この方法は、医療デバイスによって、患者の第２の心臓電位図データを感知することと、感知された第２の心臓電位図データに第２の機械学習モデルを適用して、機械学習モデルに基づいて、第２の心臓電位図データに存在し、かつ患者における第２の不整脈のエピソードを示す第２の心臓特徴を取得すること、第２の機械学習モデルによって、患者における第２の不整脈のエピソードを示す第２の心臓特徴を取得することに応答して、医療デバイスによって、第２の不整脈のエピソードが患者において発生したことの指標および第２の不整脈のエピソードに一致する第２の心臓特徴のうちの１つ以上を含む第２のレポートを生成すること、医療デバイスによって、かつ表示のために、第２の不整脈のエピソードが患者に発生したという指標と、第２の不整脈のエピソードと一致する第２の心臓特徴のうちの１つ以上とを含む第２のレポートを出力することを含む、実施例２０に記載の方法。
【0117】
実施例２２。カウンタの値が所定の閾値よりも大きいとの判定に応答して、医療デバイスによって、医療デバイスによる電力消費の推定値を更新することと、医療デバイスによって、および表示のために、医療デバイスによる消費電力の推定値を出力することとをさらに含む、実施例２１または２２のいずれかに記載の方法。
【0118】
実施例２３。医療デバイスによって、感知された心臓電位図データを処理して、感知された心臓電位図データの中間表現を生成することをさらに含み、複数の患者の心臓電位図データを使用してトレーニングされた機械学習モデルを感知された心臓電位図データに適用して、不整脈のエピソードが患者に発生したことを検証することは、複数の患者の心臓電位図データの中間表現を使用してトレーニングされた機械学習モデルを感知された心臓電位図データの中間表現および心臓電位図データに存在する心臓特徴に適用して、不整脈のエピソードが患者に発生したことを検証することを含む、実施例１～２２のいずれかに記載の方法。
【0119】
実施例２４。感知された心臓電位図データを処理して、感知された心臓電位図データの中間表現を生成することは、フィルタを感知された心臓電位図データに適用すること、感知された心臓電位図データに対して信号分解を実行することのうちの少なくとも１つを含む、実施例２３に記載の方法。
【0120】
実施例２５。感知された心臓電位図データに対して信号分解を実行することは、感知された心臓電位図データに対してウェーブレット分解を実行することを含む、実施例２４に記載の方法。
【0121】
実施例２６。方法であって、処理回路および記憶媒体を含む医療デバイスによって、患者の心臓電位図データを感知することと、医療デバイスによって、感知された心臓電位図データの特徴ベースの描写を実行して、心臓電位図データに存在する心臓特徴を取得することと、医療デバイスによって、取得された心臓特徴と、医療デバイスの不整脈辞書の複数のエントリの各エントリの心臓特徴との類似性を判定することと、不整脈辞書の複数のエントリの各エントリが、患者における不整脈の複数の分類のある不整脈の分類および不整脈の分類を明らかにする心臓特徴を含み、取得された心臓特徴が不整脈辞書の複数のエントリの各エントリの心臓特徴と類似していないという判定に応じて、医療デバイスによって、不整脈のエピソードが患者において発生したことを、機械学習モデルに基づいて判定して、複数の患者の心臓電位図データを使用してトレーニングされた機械学習モデルを、感知された心臓電位図データに適用することと、医療デバイスによって、不整脈のエピソードの第１の分類および取得された心臓特徴を含む第１のエントリを不整脈辞書に記憶することと、を含む、方法。
【0122】
実施例２７。不整脈のエピソードの第１の分類および取得された心臓特徴を含むエントリを記憶した後、医療デバイスによって、第１の分類の不整脈のエピソードが患者に発生したことの指標および第１の分類の不整脈のエピソードと一致する１つ以上の取得された心臓特徴を含むレポートを生成すること、医療デバイスによって、かつ表示のために、第１の分類の不整脈のエピソードが患者に発生したことの指標および第１の分類の不整脈のエピソードと一致する１つ以上の取得された心臓特徴を含むレポートを出力することをさらに含む、実施例２６に記載の方法。
【0123】
実施例２８。処理回路および記憶媒体を含む医療デバイスによって、患者の第２の心臓電位図データを感知することと、医療デバイスによって、感知された第２の心臓電位図データの特徴ベースの描写を実行して、第２の心臓電位図データに存在する第２の心臓特徴を取得することと、医療デバイスによって、第２の心臓特徴が、医療デバイスの不整脈辞書の複数のエントリの第１のエントリの心臓特徴に類似していることを判定することと、第２の心臓特徴が不整脈辞書の複数のエントリの第１のエントリの心臓特徴に類似しているとの判定に応じて、医療デバイスによって、第１の分類の不整脈のエピソードの指標および第１の分類の不整脈のエピソードと一致する第２の心臓特徴のうちの１つ以上を含むレポートを生成することと、医療デバイスによって、および表示のために、第１の分類の不整脈のエピソードが患者において発生したことの指標および第１の分類の不整脈のエピソードと一致する第２の心臓特徴の１つ以上を含むレポートを出力することと、を含む、実施例２６または２７のいずれかに記載の方法。
【0124】
実施例２９。取得された心臓特徴と、医療デバイスの不整脈辞書の複数のエントリの各エントリの心臓特徴との類似性を判定することは、取得された心臓特徴のＬ１距離が医療デバイスの不整脈辞書の複数のエントリの各エントリの心臓特徴のＬ１距離とは類似していないことを判定することと、を含む、実施例２６～２８のいずれかに記載の方法。
【0125】
実施例３０。取得された心臓特徴と、医療デバイスの不整脈辞書の複数のエントリの各エントリの心臓特徴との類似性を判定することは、取得された心臓特徴の少なくとも１つのパラメータと医療デバイスの不整脈辞書の複数のエントリの各エントリの心臓特徴の少なくとも１つのパラメータとの間の差が、所定の閾値よりも大きいと判定することを含む、実施例２６～２８のいずれかに記載の方法。
【0126】
実施例３１。取得された心臓特徴と、医療デバイスの不整脈辞書の複数のエントリの各エントリの心臓特徴との類似性を判定することは、複数の患者の心臓電位図データについての心臓電位図データを使用してトレーニングされた第２の機械学習モデルを、取得された心臓特徴、および医療デバイスの不整脈辞書の複数のエントリの各エントリの心臓特徴に適用して、取得された心臓特徴が医療デバイスの不整脈辞書の複数のエントリの各エントリの心臓特徴と類似していないことを判定することを含む、実施例２６～２８のいずれかに記載の方法。
【0127】
実施例３２。取得された心臓特徴が、医療デバイスの不整脈辞書の複数のエントリの第１のエントリの心臓特徴に類似しているとの判定に応じて、医療デバイスによって、医療デバイスの不整脈辞書の複数のエントリの第１のエントリによって定義される第１の分類の不整脈のエピソードのカウンタを更新することと、医療デバイスによって、医療デバイスの不整脈辞書の複数のエントリの第１のエントリにカウンタを記憶することとをさらに含む、実施例２６～３１のいずれかに記載の方法。
【0128】
実施例３３。医療デバイスによって、取得された心臓特徴が患者の正常な洞調律（ＮＳＲ）またはノイズに類似していないことを判定することをさらに含み、取得された心臓特徴が不整脈辞書の複数のエントリのうちの各エントリの心臓特徴と類似していないことの判定に応じて、機械学習モデルを感知された心臓電位図データに適用して、第１の分類の不整脈のエピソードが患者に発生したことを判定することは、取得された心臓特徴が不整脈辞書の複数のエントリの各エントリの心臓特徴に類似していないことを判定することに応じて、および取得された心臓特徴が患者のＮＳＲに類似していないことを判定することに応じて、機械学習モデルを感知された心臓電位図データに適用して、第１の分類の不整脈のエピソードが患者に発生したことを判定することを含む、実施例２６～３２のいずれかに記載の方法。
【0129】
いくつかの例では、本開示の技術は、本明細書に記載のいずれかの方法を実行するための手段を含むシステムを含む。いくつかの例では、本開示の技術は、処理回路に本明細書に記載のいずれかの方法を実行させる命令を含むコンピュータ可読媒体を含む。
【0130】
本明細書で開示される様々な態様は、説明および添付の図面に具体的に提示される組み合わせとは異なる組み合わせで組み合わせることができることを理解されたい。本明細書に記載のプロセスまたは方法のいずれかの特定の行為または事象は、実施例に応じて異なる順序で行われてもよく、追加、併合、または完全に省略されてもよい（例えば、全ての記載された行為または事象は、本技術を実行するために必要ではない場合がある）ことも理解されたい。さらに、本開示の特定の態様は、明確にするために、単一のモジュール、ユニット、または回路によって実行されるものとして説明されているが、本開示の技術は、例えば、医療デバイス置に関連するユニット、モジュール、または回路の組み合わせによって実行され得ることが理解されるべきである。
【0131】
１つ以上の例では、説明される技術は、ハードウェア、ソフトウェア、ファームウェア、またはそれらの任意の組み合わせで実装されることができる。ソフトウェアで実装される場合、機能は、コンピュータ可読媒体上に１つ以上の命令またはコードとして記憶され、ハードウェアベースの処理ユニットによって実行されることができる。コンピュータ可読媒体は、データ記憶媒体（例えば、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ、または命令もしくはデータ構造の形態で所望のプログラムコードを記憶するために使用されることができ、かつコンピュータによってアクセスされることができる任意の他の媒体）などの、有形媒体に対応する非一時的コンピュータ可読媒体を含むことができる。
【0132】
命令は、１つ以上のデジタルシグナルプロセッサ（ＤＳＰ）、汎用マイクロプロセッサ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルロジックアレイ（ＦＰＧＡ）、または他の同等の集積もしくは離散論理回路などの、１つ以上のプロセッサによって実行されることができる。したがって、本明細書に使用される「プロセッサ」または「処理回路」という用語は、前述の構造のいずれか、または記載された技術の実施に好適な任意の他の物理的構造を指すことができる。また、技術は、１つ以上の回路または論理要素で完全に実装されてもよい。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【国際調査報告】