特表 2024-524042 頻拍事象の進化する計画案を提供する心房頻拍分析モジュール

(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】2024-07-05

(54)【発明の名称】頻拍事象の進化する計画案を提供する心房頻拍分析モジュール

(51)【国際特許分類】

   A61B 5/363 20210101AFI20240628BHJP

【ＦＩ】

A61B5/363

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023575847

(86)(22)【出願日】2022-06-28

(85)【翻訳文提出日】2023-12-08

(86)【国際出願番号】 EP2022067814

(87)【国際公開番号】W WO2023280645

(87)【国際公開日】2023-01-12

(31)【優先権主張番号】2107470

(32)【優先日】2021-07-09

(33)【優先権主張国・地域又は機関】FR

(81)【指定国・地域】

(71)【出願人】

【識別番号】520195774

【氏名又は名称】サブストレート ホールディングス

【氏名又は名称原語表記】ＳＵＢＳＴＲＡＴＥ ＨＤ

(74)【代理人】

【識別番号】110002066

【氏名又は名称】弁理士法人筒井国際特許事務所

(72)【発明者】

【氏名】ビクトリーノ カルドーソ，ガブリエル

(72)【発明者】

【氏名】ブドゥー，トーマス

【テーマコード（参考）】

4C127

【Ｆターム（参考）】

4C127AA02

4C127BB05

4C127GG16

4C127HH06

(57)【要約】

本明細書等に記載される発明は、人体における心房頻拍（ＡＴ）を分析するためのデータ駆動の、連続的および適応可能な学習アプローチを対象とするシステムおよび方法に関する。システムおよび方法は、ＡＴにおけるその後の変化がより正確に認識され、分類されるように自動的に進化するＡＴプロフィールを作成することができる。

【特許請求の範囲】

【請求項1】

以下の操作ステップを含む、コンピュータにより心房頻拍信号を分析するための方法：
ａ) 少なくとも１つの入力源からの人間の心臓の電気的活動の記録を表すデータセットの収集するステップ；
ｂ) 前記データセットを用いて現在の心房頻拍プロフィールを作成するステップ；
ｃ) 少なくとも１つの入力源から心房頻拍信号の現在のデータ点を収集するステップ；
ｄ）前記現在の心房頻拍プロフィールを使用して前記現在のデータ点を分析し、前記現在のデータ点が前記現在の心房頻拍プロフィールに対して外れ値であるかどうかを決定するステップ。

【請求項2】

前記ステップｂ）は、周期長の特徴、電極活性化シーケンスの特徴、および／または活性化シーケンスの形態学的特徴を含むグループにおいて選択された特徴を抽出することと、前記抽出された特徴のうちの少なくとも１つおよび／またはそれらの組合せを使用して特徴ベースの異常検出アルゴリズムをトレーニングすることと、を含む、請求項１に記載の心房頻拍信号を分析するための方法。

【請求項3】

前記ステップｂ）は、前記特徴ベースの異常検出アルゴリズムをトレーニングする前に、前記抽出された特徴のデータを増強することを含む、請求項２に記載の心房頻拍信号を分析するための方法。

【請求項4】

前記ステップｄ）は、１クラスサポートベクトルマシンをトレーニングするために使用された特徴を前記現在のデータ点から抽出すること、前記抽出された特徴を前記特徴ベースの異常検出アルゴリズムに供給すること、前記現在のデータ点が前記現在の心房頻拍プロフィールに対して外れ値であるかどうかを示す値を返信として受信することを含む、請求項２または３に記載の心房頻拍信号を分析するための方法。

【請求項5】

前記特徴ベースの異常検出アルゴリズムは、１クラスサポートベクトルマシンである、請求項２～４のいずれか１項に記載の心房頻拍信号を分析するための方法。

【請求項6】

ｅ) 現在のデータ点が外れ値であると決定すると、外れ値警告を発し、前記現在の心房頻拍プロフィールを用いて前記ステップｃ）およびｄ）を繰り返すステップをさらに含む、請求項１に記載の心房頻拍信号を分析するための方法。

【請求項7】

ｆ) 前記現在の心房頻拍プロフィールを使用して現在のデータ点を分析し、前記現在のデータ点が持続的外れ値であるかどうかを決定することと、ｇ） 現在のデータ点が持続的外れ値であると決定すると、現在の心房頻拍プロフィールの変化を示す変化警告を発することと、をさらに含む、請求項１または２に記載の心房頻拍信号を分析するための方法。

【請求項8】

ｈ) 少なくとも１つの入力源からの人間の心臓の電気的活動の記録を表す第２のデータセットを新しく収集することと、
ｉ） 前記第２のデータセットを使用して新しい現在の心房頻拍プロフィールを作成することと、前記新しい現在の心房頻拍プロフィールを用いて前記ステップｃ）およびｄ）を繰り返すことと、をさらに含む、請求項３に記載の心房頻拍信号を分析するための方法。

【請求項9】

前記ステップｄ）は、前記現在のデータ点が外れ値ではないと判定した場合、
ｄｌ）前記現在のデータ点をメモリバッファに追加するステップをさらに含む、請求項１に記載の心房頻拍信号を分析するための方法。

【請求項10】

前記ステップｄ）は、さらに、
ｄ２）データのためのメモリバッファ閾値に達したことを決定し、
ｊ）メモリバッファに記憶されたデータを使用して新しい現在の心房頻拍プロフィールを作成し、前記新しい現在の心房頻拍プロフィールを用いて前記ステップｃ）およびｄ）を繰り返すステップを含む、請求項５に記載の心房頻拍信号を分析するための方法。

【請求項11】

前記ステップｄ）は、さらに、
ｄ３）データのためのメモリバッファ閾値に達していないことを決定し、ステップｃ）およびｄ）を前記現在の心房頻拍プロフィールを用いて繰り返すステップを含む、請求項５に記載の心房頻拍信号を分析するための方法。

【請求項12】

前記請求項１～１１のいずれか１項に記載の方法を実行するための命令を含む、コンピュータプログラム。

【請求項13】

請求項１２に記載のコンピュータプログラムを記録した、データ記憶媒体。

【請求項14】

メモリ（４）に結合されたプロセッサを含むコンピュータシステムであって、前記メモリ（４）には、請求項７に記載のコンピュータプログラムが記録されている、コンピュータシステム。

【発明の詳細な説明】

【技術分野】

【0001】

本出願は、患者の心房頻拍（ＡＴ）を分析するためのデータ駆動の、連続的および適応可能な学習アプローチのためのシステムおよび方法を対象とする。これらのアプローチは、カテーテル切除処置中に使用することができ、ＡＴに関する切除処置中に医療専門家に情報を提供することができる。

【背景技術】

【0002】

ヒトの心臓には、左右の心房（心房腔）と左右の心室（心室腔）の４つの腔がある。正常な操作の間、血液は右心房に流れ込み、右心室を通って肺に送り込まれ、そこで血液が酸素化処理される。その後、血液は肺から左心房に戻り、左心室を通って送り出され、酸素を含んだ血液が全身に分配される。電気信号は心臓の筋肉を収縮させ、これによって心臓は循環系を通って血液を送り出すことができる。肺回路は、血液が心臓から肺へ送られ、そして肺から心臓へと戻る経路である。全身回路は、血液が心臓から体へ送られ、そして心臓へと戻る経路である。

【0003】

心房頻拍（ＡＴ）は、心臓の心房腔に通常よりも速い活動がある電気的異常である。ＡＴ中の活動は、通常心臓の電気信号を調整する心房の一部である洞結節によって調整されない。代わりに、活動は、電気フィードバックループを維持しているか、または自発的に電気信号を放出している心房の特定の領域によって調整される。心臓における電気フィードバックループは、一般に「リエントリー機構」と呼ばれる。

【0004】

ＡＴの間、電気信号は正常な心房収縮のリズムを乱す。これは患者の健康に影響を及ぼし、患者の生命を脅かすことさえある。ＡＴの症状には、胸部動悸、失神、めまい、発汗、胸痛、息切れ、疲労、脱力感、さらには心不全などがある。そのため、医師は患者のＡＴ事象を治療して正常な心房収縮を回復させることを目的としている。電気生理学者（ＥＰ）は、典型的には、ＡＴを治療する医師であり、特に外科手術に関する医師である。しかし、他の医師もＡＴを治療できる。したがって、本開示におけるＥＰという用語の使用は、電気生理学者および他の医師の両方を指し得る。

【0005】

ＡＴを治療するために使用される処置の１つは、異常な電気信号の源である領域のカテーテル切除である。典型的なＡＴ切除法では、ＥＰは患者を鎮静させ、患者の静脈から患者の心臓に２本のカテーテルを挿入する。患者の静脈（典型的には患者の右脚の上部）にアクセスするために切開を行う。カテーテルの１つは、冠状静脈洞カテーテルであり、これは、冠状静脈洞の内側の静脈に配置される参照カテーテルである。この静脈は、左心房の周囲を移動するため重要であり、したがって、患者の心房電気活動の記録のための良い基準となり得る。第２のカテーテルは、電気信号を調査するために切除処置中にＥＰが心房内を移動させるカテーテルである。手順の間、ＥＰは、ＡＴを引き起こすことに関与する領域の位置を突き止めようと試みる。そのような領域は、病的心房活性化が遠心的に広がる焦点を含む領域、またはリエントリー機構の回路のいずれかであり得る。患者がＡＴを経験していない場合、ＥＰは、電気刺激を介してＡＴをトリガしようとする。ＡＴがトリガされると、ＥＰは、ＡＴを引き起こしている領域を検出するために電気信号を調査しようとする。

【0006】

ＥＰは、少なくとも２つの方法で責任領域を見つけることができる。第１に、ＥＰは、心臓の電気信号を使用することができる。この方法によれば、ＥＰは心房拡張期の中間に電気信号を見つけようとする。心房拡張期とは、心房の連続した２回の収縮の間の時間間隔である。心房の収縮は、心房を通る電気信号の伝播によって引き起こされる。典型的な心房拍動は約５０マイクロ秒間持続し、心房拍動間の時間は約６００～１０００マイクロ秒である。心房拡張期の中間の電気信号は、心房の収縮を引き起こした電気信号から時間的に分離されるので、ＡＴに関連付けられる可能性が高い。ＥＰが心房収縮の間の時間帯の中間に活動している領域を見つけた場合、この領域はＡＴを引き起こしている可能性が高い。ソフトウェアは、心臓の電気信号を可視化することによって、ＥＰが心房拡張期の中央を見つけるのを助けるために使用され得る。このソフトウェアは、ある期間にわたって電気的特性を視覚的に示すことができる。例えば、ある領域の電圧および電流は、１０秒の期間にわたってＥＰに示され得る。心房の収縮が典型的には電気信号パターンを生成するので、この視覚化は、ＥＰがＡＴを引き起こす領域を見つけるのを助けることができる。患者の心臓の電気信号を見るためにＥＰが利用可能なディスプレイは、ＥＰ記録システムから送信することができ、ＥＰ記録システムは、典型的には、切除処置中に信号を受信するために必要なハードウェア接続を有するモバイルカートまたはワークステーションである。

【0007】

第２に、ＥＰは、心臓全体に伝播する電気信号の視覚マップを構築する３Ｄマッピングシステムを使用することができる。ＥＰは、カテーテルを用いて心臓の測定を行うことによって、この３Ｄマップを作成する。必要とされる測定の量は、３Ｄマッピングシステム、所望の精度、および切除手術を実施するためにＥＰが利用可能な時間によって変化する。この３Ｄマップがうまく作成された場合、ＥＰは、ＡＴを伝播している領域を識別するために、３Ｄマップを使用して電気信号を分析することができる。

【0008】

ＥＰがＡＴを伝播している領域を識別すると、ＥＰは、ＡＴを停止させ、心臓における正常な洞調律を再確立することを目的として、ＡＴのリエントリー機構の場合、領域を切除するか、または回路の離断を行う。

【発明の概要】

【発明が解決しようとする課題】

【0009】

しかしながら、ＥＰが切除処置を実行している間に、別の領域が、以前の領域を自発的に引き継ぎ、したがってＡＴの特性を変化させ得る。ＡＴの特性はまた、ＥＰが標的領域を切除している間、心房の別の部分の別の領域が標的領域を引き継ぐことに起因して、処置中に変化し得る。したがって、ＥＰが、ＡＴに関する以前の情報がまだ関連しているかどうかを決定するために、または、ＥＰが異なるＡＴ事象に関する情報に完全にアクセスしているようにＡＴが変化したかどうかを決定するために、進行中のＡＴのプロフィールを理解することが重要である。ＡＴが著しく変化した場合、ＥＰは、切除される領域を再検討し、切除手順を再考する必要があり得る。この再考は、従来、現在のビジュアルマップを取り消すことにつながり、現在のビジュアルマップが無関係になり、誤った診断につながる可能性さえあるので、他の手順をやり直す。

【0010】

したがって、ＥＰに、自動的に生成され、更新される進行中の頻脈の分析および計画案を提供する必要がある。特に、手順中に進行中のＡＴ事象および変化するＡＴ事象に関するＥＰ情報を自動的に提供し、ＥＰまたは他の医療専門家からの最小限の相互作用で、新しい領域で発見されたＡＴが以前のＡＴに関連するかどうかをＥＰが容易に決定することを可能にするシステムおよび方法が必要とされている。従来の方法およびシステムは、一般に、ボストン・サイエンティフィックのＲＨＹＴＨＭＩＡ取得システムにおける拍動許容基準など、手動で入力されなければならないトリガおよび閾値に基づいているので、特に手術中に、ＥＰに容易に適応可能ではない。

【課題を解決するための手段】

【0011】

本発明は、状況を改善することを目的とする。この目的のために、本発明は、患者におけるＡＴ事象に関連する情報を追跡、分析、および表示することに関連するシステムおよび方法を提供する。特に、システムおよび方法は、心臓の電気的活動の記録に関する情報を受信すること、電気的活動を現在のＡＴ事象の決定された計画案と比較することによって電気的活動記録を分析すること、およびＡＴが変化したことが検出された場合に警告を生成することを対象とする。ＡＴの特性の変化は、心電図（ＥＣＧ）リードまたは冠状静脈洞カテーテルリードなどの機器によって測定される電気信号の変化によって識別することができる。このような変化は、電気信号を発生しているメカニズムが異なり、おそらく同じ領域に位置していないことを示している。

【0012】

ＡＴの計画案は、種々のリードからのＡＴの電気信号測定に基づいてリアルタイムで構築され、いくつかの異なる特徴を含む。様々なリードは、例えば、１２リードＥＣＧおよび／または冠状静脈洞カテーテルリードを含むことができる。特徴は、例えば、異なるリードにおける活性化の間の遅延、異なるリードにおける電気活性化のプロフィール、各リードにおける心房に対応する電気活性化のプロフィール、および周期長を含むことができる。周期長は、心房の収縮から生じる２つの電波間の時間である。計画案は、トレーニング機能によって定期的に更新される。全ての必要なデータは、自動信号分析を通して処置中に捕捉されるので、事前データは必要ない。

【0013】

本明細書に開示されるシステムおよび方法は、ＡＴのその後の変化がより正確に認識され、分類されるように、進行中のＡＴの進化する計画案（またはＡＴプロフィール）を自動的に作成する。システムおよび方法は、様々なリードからの任意のまたはすべてのデータを使用することができる。ただし、通常は、手順中に収集されたすべてのデータが計画案の更新または評価時に使用されるわけではない。代わりに、最も直近に収集されたデータのみが、患者の現在の状態に時間的に最も近いので、使用され得る。

【0014】

データの様々なサブセットは、多かれ少なかれ重く重み付けすることもできる。例えば、データは、より最近取得されたデータがより古いデータよりも多くの重みを与えられるように重み付けされ得る。このようにして、システムおよび方法は、ＡＴプロフィールの変化を認識し、進化する計画案を作成することができる。次いで、システムおよび方法は、何か異常なことが起こったときに迅速に反応することができ、これは、何かが現在のＡＴの背後の機構と根本的に異なることをＥＰのための警告として使用され得る。ＡＴは、処置中にリアルタイムで変化し得るので、ＥＰが、切除処置中にＡＴプロフィールが変化したときに、以前のデータがもはや関連しないことを理解することが重要である。ＥＰはまた、患者が以前に測定されたＡＴを経験しているかどうかを決定するために、現在または後続の手順における患者の以前のＡＴプロフィールについての記録された情報を使用することができる。

【0015】

本システムおよび方法は、心臓電気活動データを記憶するように構成されたコンピュータシステムと、受信された心臓電気活動データに関連するデータ分析を実行するためのプログラムを実装するように構成されたプロセッサとを含み、使用する。データ分析の一部として、コンピュータシステムは、患者のＡＴを分析するためのデータ駆動型、連続的、かつ適応可能な学習アプローチを実施する。システムおよび方法は、人間の介入および／またはＡＴプロフィールの手動初期構成なしに、ＡＴの初期計画案を生成することができる。さらに、システムおよび方法は、ＡＴ事象を追跡し、人間の介入を必要とせずに、進化するＡＴプロフィールを提供するように適応する。システムおよび方法は、ＥＣＧまたは冠状静脈洞カテーテルからのデータなど、患者から様々な入力データを取得することができる。例えば、心臓の電位の大きさがデータ取得期間にわたって１２の異なる角度から測定されるように、１０個の電極が患者の身体上の異なる位置に配置された従来の１２リードＥＣＧを使用することができる。冠状静脈洞カテーテルはまた、心臓の電気的活動を感知するために使用され得る。次いで、取得されたデータは、処理され、分析され、ＥＰに警告を提供するために使用され得る。たとえば、ＡＴの計画案を構築し、受信された電気的活動をこの計画案と比較するために、システムおよび方法は、アイドル機能、トレーニング機能、および検出機能を実装し得る。

【0016】

本システムおよび方法は、ＥＰが、手続き中にＡＴが変化したときをより容易に認識すること、およびＡＴが以前に記録されたＡＴと一致するときをより容易に認識することを可能にする。したがって、このシステムおよび方法は、手術中または手術外の両方で、より低いヒト死亡率、ＥＰまたは他の医療専門家によるＡＴのより容易で迅速な分析、より複雑なＡＴ構成を同定する能力、医療処置の成功率の増加、患者のより良い生活の質、およびより低い医療費を提供する。

【0017】

したがって、本発明は、以下の操作を含む、コンピュータにより心房頻拍信号を分析するための方法を目的とする。
ａ) 少なくとも１つの入力源からの人間の心臓の電気的活動の記録を表すデータセットを収集すること；
ｂ) 前記データセットを用いた現在の心房頻拍プロフィールを作成すること；
ｃ) 少なくとも１つの入力源から心房頻拍信号の現在のデータ点を収集すること；
ｄ）前記現在のデータ点が前記現在の心房頻拍プロフィールに対して外れ値であるかどうかを決定するために、前記現在の心房頻拍プロフィールを使用して前記現在のデータ点を分析すること。

【0018】

様々な実施形態において、本方法は、以下の特徴のうちの１つ以上を備えてもよい。
－ ステップｂ）は、周期長の特徴、電極活性化シーケンスの特徴、および／または活性化シーケンスの形態学的特徴を含むグループにおいて選択された特徴を抽出するステップと、前記抽出された特徴のうちの少なくとも１つおよび／またはそれらの組合せを使用して特徴ベースの異常検出アルゴリズムをトレーニングするステップとを含み、
－ ステップｂ）は、前記特徴ベースの異常検出アルゴリズムをトレーニングする前に、前記抽出された特徴のデータを増強するステップを含み、
－ ステップｄ）は、１クラス（one class）サポートベクトルマシン(support vector machine: SVM）をトレーニングするために使用された特徴を前記現在のデータから抽出するステップと、前記抽出された特徴を前記特徴ベースの異常検出アルゴリズムに供給するステップと、前記現在のデータ点が前記現在の心房頻拍プロフィールに関して外れ値であるかどうかを示す値を返信において受信するステップとを含み、
－ 前記特徴ベースの異常検出アルゴリズムは、１クラスサポートベクトルマシンである。
－ 本方法は、さらに、e）前記現在のデータ点が外れ値であると決定すると、外れ値警告を発し、前記現在の心房頻拍プロフィールを用いてステップｃ）とｄ）を繰り返し、
－ 本方法は、さらに、ｆ）前記現在のデータ点が持続的外れ値であるかどうかを決定するために前記現在の心房頻拍プロフィールを用いて前記現在のデータ点を分析するステップと、ｇ）前記現在のデータ点が持続的外れ値であると決定すると、前記現在の心房頻拍プロフィールの変化を示す変化警告を発するステップと、を含み、
－ 本方法は、さらに、ｈ）少なくとも１つの入力源から人間の心臓の電気的活動の記録を表すデータの新しいセットを収集するステップと、ｉ）前記データの第２のセットを用いて新しい現在の心房頻拍プロフィールを作成するステップと、前記新しい現在の心房頻拍プロフィールを用いてステップｃ）およびｄ）を繰り返すステップと、をさらに備え、
― 操作ｄ）が、前記現在のデータ点が外れ値ではないと決定するとき、ステップｄ）は、ｄｌ）前記現在のデータ点をメモリバッファに追加するステップを含み、
－ステップｄ）は、さらに、ｄ２）データのためのメモリバッファ閾値に達したこと決定するステップ、および ｊ）メモリバッファに記憶されたデータを使用して新しい現在の心房頻拍プロフィールを作成し、前記新しい現在の心房頻拍プロフィールを用いて操作ｃ）およびｄ）を繰り返すこと、ならびに ステップｄ）は、ｄ３）データのためのメモリバッファ閾値に達していないことを決定し、前記現在の心房頻拍プロフィールを用いて操作ｃ）およびｄ）を繰り返すこと、をさらに含む。

【0019】

本発明はまた、本発明による方法を実行するための命令を含むコンピュータプログラム、このコンピュータプログラムが記録されたデータ記憶媒体、およびこのコンピュータプログラムが記録されたメモリに結合されたプロセッサを含むコンピュータシステムを目的とする。

【0020】

本発明の他の特徴および利点は、本発明の例示的な実施形態を示す図面の以下の説明において容易に現れるであろう。

【図面の簡単な説明】

【0021】

【図1】図１は、本発明に係るＡＴ分析モジュールを実装するシステムを示す全体図である。

【図2】図２は、図１のＡＴ分析モジュールが実行する機能を示す全体図である。

【図3】図３は、図２の検出機能において実行される操作の例示的な図を示す。

【0022】

図面および以下の説明は、実際的な明確に定義された特徴の大部分を構成する。結果として、それらは、本発明を理解するのに有用であるだけでなく、必要が生じた場合には、それらをその定義に寄与するために使用することもできる。

【0023】

本明細書に記載される実施形態は、患者の心臓の電気的活動に関する入力データ（以下、心臓電気活動データ）を使用して、患者におけるＡＴを分析することを対象とする。システムおよび方法は、データ駆動型および連続学習アプローチを実施し、それによって、受信された心臓電気活動データが処理され、ＡＴの計画案と比較されて、ＡＴにおける予期せぬ変化が発生しているか、または発生したかどうかを決定する。

【0024】

第１に、受信された心臓電気活動データは、既存のＡＴに関する情報を含む、患者の心臓電気活動のプロフィールまたは計画案を構築するために使用され得る。これに基づいて、既存のＡＴのプロフィールおよび計画案が生成され得る。複雑なＡＴ構成は、密度推定およびデータ増強などの技法を使用して識別することができる。測定された心臓電気活動データ信号の特定の特徴の分布は、計画案特徴値範囲を定義するために、密度推定技法において使用される。

【0025】

例えば、周期長（２つのリード間で測定される２つの電気的活性化間の時間間隔である）を使用することができる。２００、１９９、２０１、および２０２ミリ秒で受信される値が、周期長について測定される場合、約１９９ミリ秒の下限および約２０２ミリ秒の上限を有する、約２００ミリ秒の密な領域が存在し得る。この範囲外のものはすべて、密でない領域において考慮され得る。この値範囲推定プロセスは、一緒に組み合わされたいくつかの特徴のセットにわたって実行することができる。

【0026】

データ点クラウド内の外れ値を検出するために使用することができるアルゴリズムの例は、１クラスＳＶＭ（サポートベクトルマシン）である。１クラスＳＶＭは、初期観測分布の輪郭を画定する、粗い、近い境界を学習するようにトレーニングされる。このフロンティア内にあるさらなる観察は、その後、１回目の観察と同じ集団から来たものと考えられる。逆に、フロンティアの外に置かれている場合、トレーニングから導き出すことができる信頼性のレベルで異常とみなされる。例えば、上記の例では、２５０ミリ秒の周期長は、１９９～２０２ミリ秒の範囲外である。

【0027】

データ増強技法を使用して、入力データを修正し、外れ値の検出のより堅牢で安定した挙動を達成することができる。ＡＴ検出を改善するためのデータ増強技法の例は、この許容範囲内の変化がＡＴの変化を示さないように、測定されたデータに予期されるノイズまたは許容範囲を追加すること、指定範囲内のデータ点の統計的有意性を増加させること、および特定の基準を満たすデータ点を、ＡＴの変化を示さないように外れ値として分類することを含む。あるいは、ＳＶＭを別のフロンティア推定手法に置き換えることも可能である。例えば、周期長データ点のためのそのようなフロンティアは、±１ミリ秒の許容範囲に基づくことができる。

【0028】

これらの技法および他の技法を使用して、データ点を以前のデータ点と比較することによって外れ値を決定することができる。言い換えれば、データ点が前のデータ点のデータ点クラウド内にあるかどうかを判定することができる。例えば、２０３ミリ秒の周期長測定値は、予期される範囲が１９９～２０２ミリ秒である場合、外れ値として検出されない。

【0029】

切除処置中に、心臓電気活動データが受信され、現在の計画案と比較されるように処理される。したがって、予期される範囲外にある心臓電気活動データを識別することができる。

【0030】

図１は、切除処置において本発明によるＡＴ分析モジュールを実施するシステムを示す。典型的な処置では、患者は手術台１００の上にいる。ＥＣＧリードおよび電極ならびに冠状静脈洞カテーテルなどの様々なリードおよびセンサは、切除処置または他の処置を実施している間に、患者に挿入または取り付けることができる。

【0031】

上述のように、切除処置中、カテーテルリードを患者の心臓に挿入し、ＥＣＧリードを患者に取り付けることが典型的である。得られたカテーテル信号１１０およびＥＣＧ信号１２０は、手術台１００からＥＰ記録システム１４０に送信される。血圧、温度、および血中酸素レベルに関するデータを含む信号など、多数の他の信号１３０を手術台１００からＥＰ記録システム１４０に送信することもできる。手術台１００からＥＰ記録システム１４０への信号は、有線または無線接続を介して送信することができる。ＥＰ記録システム１４０は、有線または無線接続を介して、ＥＰワークステーション１６０に接続することができる。ＥＰワークステーションは、ＥＰ記録システムと同じ部屋または領域にあってもよく、またはＥＰ記録システムから離れた場所にあってもよい。

【0032】

ＥＰ記録システム１４０は、切除処置中に信号を受信するために必要なハードウェア接続を有するモバイルカートまたはワークステーションであってもよい。ＥＰ記録システムは、コンピュータ１４１、増幅システム１４２、１つまたは複数のディスプレイ１４３、制御システム１４４、および患者の監視、処置中のＥＰの誘導、またはＥＰへの情報の提供またはＥＰからの情報の受信に関連する他のシステム１４５を含むことができる。

【0033】

ＥＰ記録システム１４０によって受信された信号は、分析のためにコンピュータ１４１によって処理される前に、増幅システム１４２を使用して増幅され得る。コンピュータ１４１は、１つのコンピュータまたは複数のコンピュータを含むことができ、プロセッサ、メモリ、通信インタフェース、およびユーザ入力インタフェースを含むことができる。例えば、ＥＣＧ信号１２０は、特にＥＣＧ信号を分析するためのコンピュータに接続されたディスプレイ１４３に直接送信することができ、別のコンピュータは、入ってくる信号の残りを分析することができる。

【0034】

入力信号の分析後、コンピュータ１４１は、ＥＰ記録システム上に情報を表示することができ、１つまたは複数のディスプレイ１４３および／またはＥＰワークステーション１６０に情報を送信することができ、そこでＥＰワークステーション１６０における１つまたは複数のディスプレイ上に情報を表示することができる。ＥＰ記録システムの制御システム１４４を使用して、オペレータは、ＥＰ記録システムのコンピュータ１４１、増幅システム１４２、およびディスプレイ１４３を制御することができる。オペレータはまた、制御システム１４４を使用して、コンピュータ１６１、およびＥＰワークステーション１６０における様々なディスプレイ、または処置に関連する他のシステムを制御することができる。

【0035】

例えば、オペレータは、ＥＰワークステーションのＥＣＧディスプレイ１６２またはＥＰ記録システムのディスプレイ１４３のうちの１つにおいて、ＥＣＧ信号の表示期間を１０秒から５秒に変更することができる。様々な他のシステム１４５をＥＰ記録システム１４０に実装して、オペレータおよび／またはＥＰが手技を行うのを支援することもできる。例えば、病院ページングシステムは、ＥＰ記録システム１４０に接続することができる。

【0036】

ＥＰワークステーション１６０は、ＥＰが切除処置を実行する場所である。ＥＰワークステーション１６０は、ＥＰ記録システム１４０から情報を受信し、ＥＰの好みに応じて様々な表示を有することができる。ＥＰ記録システム１４０とＥＰワークステーション１６０との間の情報１５０の送信は、有線接続もしくは無線接続、またはそれらの組み合わせを介して行うことができる。例えば、ＥＰは、ＥＣＧディスプレイ１６２および／または３Ｄマップディスプレイ１６３を使用して、切除される領域の位置を特定するのを助けることができる。

【0037】

様々な他のディスプレイ１６５もまた、ＥＰを支援するために使用され得る。例えば、患者のチャートは、ＥＰが処置中に参照し、記録を取るために、ディスプレイ上で利用可能であり得る。

【0038】

ＥＰワークステーションのコンピュータ１６１は、ＥＰ記録システムでコンピュータ１４１によって処理された信号または未処理の信号を受信することができる。コンピュータ１６１はさらに、本発明によるＡＴ分析モジュールを実装し、モジュールからの結果をＡＴ分析モジュールディスプレイ１６４に出力する。しかしながら、ＥＰ記録システムにおけるコンピュータ１４１は、ＡＴ分析モジュールを実装するためにも使用され得る。ＡＴ分析モジュールは、コンピュータ可読メモリに含まれるプログラムモジュールであってもよく、その後、コンピュータプロセッサによって実行される。対応する処理は、１つまたは複数の非一時的な有形のコンピュータ可読記憶媒体を含むことができるプログラマブルコンピュータ内に実装された命令セットを使用して実行することができる。例えば、プログラマブルコンピュータは、磁気記憶媒体または光学記憶媒体、ランダムアクセスメモリ（ＲＡＭ）または読取り専用メモリ（ＲＯＭ）などのソリッドステート電子記憶デバイス、あるいは所望の処理を実行するための命令を記憶するために使用される任意の他の物理デバイスまたは媒体を含み得る。ＡＴ分析モジュールは、患者から受け取った入力データを記憶するためのメモリを含むことができ、またはそのようなデータを含むメモリと通信することができる。さらに、出力がリアルタイムまたはほぼリアルタイムでＥＰに利用可能にされる限り、ＡＴ分析モジュール、たとえばリモートクラウドシステムを実装するために、いくつかのコンピュータを使用することができる。

【0039】

コンピュータ１４１および１６１のシステムは、それぞれ、少なくとも１つのプロセッサ、メモリ、少なくとも１つの記憶装置、および入力／出力装置を含むことができる。構成要素のいくつかまたはすべては、システムバスを介して相互接続され得る。プロセッサは、シングルスレッドまたはマルチスレッドで、１つまたは複数のコアを使用できる。プロセッサは、メモリおよび／または記憶装置に記憶された命令のような命令を実行することができる。情報は、他のコンピュータシステムへの有線および無線接続を含む、１つまたは複数のＩ／Ｏデバイスを使用して、受信および出力することができる。

【0040】

上記の説明は、例示的なものである。様々な他の構成が可能である。例えば、ＥＰ記録システム１４０およびＥＰワークステーション１６０は、組み合わされてもよく、またはＥＰ記録システム１４０およびＥＰワークステーション１６０の様々な機能が、クラウドベースのシステムにおいて遠隔で実行されてもよい。

【0041】

システムおよび方法は、心臓電気活動データを受信するように構成されたコンピュータシステムを含むことができる。このデータは、例えば、１２リードＥＣＧ、冠状静脈洞カテーテル、または患者の心臓における電気的活動を監視する他のデバイスから得ることができる。記録は、切除処置において使用されるコンピュータによって取得され、次いで、処理を実行するためのプログラムモジュールを含むコンピュータに送信され得る。プログラムモジュールは、記録からすべての機能を生成し、以下で説明する様々なフェーズを実装する。

【0042】

記録の分析から、頻脈下で特徴的かつ安定である患者の心臓の電気的活動の異なる特徴を決定することができる。特徴は、同じ条件を有するＡＴの間、それらが指定された許容範囲に変化していないとき、頻脈下で安定であると考えられる。このような特徴は、心臓の同じ領域が心房内の活動に関与する電気波を生成するので、安定である。同じ電気波は、測定された同じ特徴を有し、また、測定された特徴に基づいて計算された同じ特徴を有することになる。これらの特徴は、例えば、心臓周期長、ｐ波形態、活性化プロフィール、冠状静脈洞活性化シーケンス、ＥＣＧまたは測定装置からの他の測定可能なデータ、および測定可能なデータから計算された多数の特徴を含み得る。これらの特徴は、例えば、ＥＣＧリードまたは冠状静脈洞カテーテルリードによって測定することができる。

【0043】

入力データを分析し、それをＡＴプロフィールと比較することによって、システムおよび方法は、受信されたデータが、現在のＡＴから作成されたプロフィールと一致するかどうか、またはそれが外れ値であるかどうかを決定する。システムは、受信されたデータがＡＴプロフィールと一致するかどうか、またはそれが外れ値であるかどうかに関する出力指示を提供することができる。この表示は、リアルタイムで提供されてもよく、視覚的、聴覚的、触覚的、またはＥＰに通知または警告する任意の他の方法であってもよい。

【0044】

例えば、視覚的なインジケータは、通常黒の背景上に白いテキストであるときに赤色になるコンピュータディスプレイ上のウィンドウであってもよい。聴覚インジケータは、ビープ音またはクリック音とすることができる。触覚インジケータは、振動とすることができる。

【0045】

いくつかの外れ値が一行で検出された場合、システムは、ＡＴプロフィールに変化があるという警告を送信することができる。この警告は、患者への最良の治療方法に関する決定を知らせるために、手術中または他の医療処置においてＥＰまたは他の医療専門家によって使用され得る。

【0046】

外れ値は、以前のデータと一貫していないデータ点を除外するために、多数の方法で検出することができる。外れ値を決定する１つの方法は、データ点クラウドの中心までの距離が測定されるデータ点クラウドを使用することである。データ点がクラウド内にある場合は、外れ値ではない。それがクラウドの外にある場合、それは外れ値である。例えば、データ点クラウドは、１５０ミリ秒の周期長に中心を置くことができる。３００ミリ秒のデータ点が測定された場合、それは外れ値と見なされ得るが、１６０ミリ秒のデータ点はそうではない可能性がある。外れ値を検出する他の方法も使用することができる。

【0047】

特定の実施形態では、心臓電気活動データは、ＡＴ分析モジュールによって使用される。ＡＴ分析モジュールは、ローカルメモリに記憶された受信された心臓電気データを有するコンピュータによって実行されるソフトウェアプログラムとして実装されてもよく、または遠隔コンピュータもしくはサーバに記憶された心臓電気活動データにアクセスするように構成されてもよい。図２に示されるように、ＡＴ分析モジュールは、データを収集し、記憶するアイドル機能と、受信された心臓電気活動データを使用して、ＡＴプロフィールを提供する密度推定を生成するトレーニング機能と、新しい受信データをＡＴプロフィールと比較して、新しい受信データが外れ値であるかどうかを決定する検出機能とを実行する。

【0048】

ＡＴ分析モジュールのアイドル機能（アイドルフェーズ）２００は、ＥＣＧまたはカテーテルプローブからの電気的活動データなど、患者の心臓の様々な特徴を表す入力データを収集し、記憶する。ＥＰは、その好みに応じて、アイドルフェーズ中に切除処置を行っている場合も、行っていない場合もある。アイドル機能２００は、通常、１０～１５秒間実行される。十分な量の入力データが収集されると、ＡＴ分析モジュールにはＡＴプロフィールを作成するのに十分な入力データがある。代替の他の実施形態では、アイドル機能２００は、所定の数のデータ点が収集されるまで、またはＡＴ分析モジュールが、生成されているプロフィールが十分な品質であると決定するまで、定義された期間の間、入力データを収集することができる。所定の数のデータ点の例は、指定された数のｐ波であり得る。オペレータは、データの収集をいつ開始し、終了するかを分析モジュールに手動で指示することもできる。オペレータはまた、データを収集し、潜在的なＡＴスイッチを示す測定値などの特定の条件が発生すると、分析モジュールを自動的に開始するように、別個のモジュールに手動で命令してもよい。オペレータは、さらに、一定期間のデータを保持するようにメモリバッファを構成し、特定期間後にトレーニング機能を実行することができる。例えば、オペレータは、３分間のデータを保持するようにメモリバッファを構成し、２０秒後にトレーニング機能を実行することができる。アイドル機能２００の実行後、ＡＴ分析モジュールは、トレーニング機能２１０を実行する。

【0049】

トレーニング機能（トレーニングフェーズ）２１０の実行は、アイドル機能２００または検出機能（検出フェーズ）２２０のいずれかの後にトリガされ得る。トレーニング機能２１０において、ＡＴ分析モジュールは、現在の計画案を構築するために利用可能な最新の心臓電気活動データを使用する。たとえば、１クラスＳＶＭを使用して、ＡＴプロフィール用に定義されたいくつかのタイプの機能を受信できる。そのような特徴は、少なくとも周期長の特徴、電極活性化シーケンスの特徴（連続的に活性化される電極のシーケンスである）、および／または活性化シーケンスの形態学的特徴に基づき得る。１クラスＳＶＭのトレーニングの前に、ＡＴ分析モジュールは、データ点クラウド内のより広い範囲の値、またはより狭い範囲の値が、許容可能な境界内にあると見なされ得るように、上述のようにプロフィール特徴に関するデータを増強し得る。値の範囲が広いと、データ点が非外れ値となる範囲が広くなり、一方、値の範囲が狭いと、データ点が非外れ値となる範囲が狭くなる。いくつかの機械学習技法とは対照的に、１クラスＳＶＭのトレーニングは、極めて高速であり、ほぼリアルタイムである。これは、ＡＴにおける条件の変化に適応するための１クラスＳＶＭのトレーニングが、本発明の実行に有害ではないことを意味する。逆に、この特徴は、１クラスＳＶＭの利点であり、これは、潜在的に急速に変化する環境に適応するのに特に適している。

【0050】

様々な特徴はまた、その特徴値がそれぞれの予期される範囲内に個々にある場合であっても、データ点が外れ値と見なされ得るように、組み合わされ得る。

【0051】

特徴を一緒に組み合わせることにより、個々の特徴の変化が規則的に現れるという事実にもかかわらず、全体的な変化が問題となる場合を検出することが可能になる。１クラスＳＶＭのトレーニングには、使用可能な最新の入力データ、つまりメモリバッファ内のすべてのデータが使用される。あるいは、そのサブセットを使用してもよい。

【0052】

トレーニング機能２１０がアイドル機能２００の実行後に開始された場合、アイドル機能２００によって収集された入力データは、ＡＴプロフィールを作成するために使用される。トレーニング機能２１０が検出機能２２０の後に起動された場合、メモリバッファからの入力データは、以下に説明するように、新しいＡＴプロフィールを作成するために使用される。

【0053】

トレーニング機能２１０では、ＡＴ分析モジュールは、データ拡張技法を使用してデータに変動性を追加し、その結果、予測されるプロフィールからのわずかなオフセットが、ＡＴプロフィールが検出機能２２０で使用されるときに外れ値の警告をトリガしないようにする。例えば、データは、データにノイズ耐性レベルを追加することによって拡張され得る。トレーニング機能２１０の実行後、ＡＴ分析モジュールは、検出機能２２０を実行する。

【0054】

検出機能２２０では、ＡＴ分析モジュールは、トレーニング機能２１０によって以前に構築されたＡＴプロフィールを使用して、受信入力データが外れ値であるかどうか、およびそれらの外れ値が現在のＡＴプロフィールの変化を示すかどうかを検出する。

【0055】

図３は、検出機能の例示的な実施形態を示す。操作３００において、入力データが受信され、操作３１０において現在のＡＴプロフィールと比較される。操作３１０は、操作３００の入力データが外れ値であるか否かを判定し、操作３２０において結果がテストされる。

【0056】

上述のように、密度推定技法は、データ点が外れ値であるかどうかを決定するために使用される。例えば、データ点クラウドは、データ点が外れ値であるか否かを判定するために使用することができる。言い換えれば、データ点は、それがクラウドの外側にある場合には外れ値であり、それがクラウドの内側にある場合には外れ値ではない。１クラスＳＶＭが、データ点が外れ値であるかどうかを決定するために使用される場合、入力データは、最初に、１クラスＳＶＭをトレーニングするために使用された特徴を抽出するために変換され、これらの特徴は、その後、前記１クラスＳＶＭに供給され、当該１クラスＳＶＭは、データ点が外れ値であるかどうかを示す値を返信する。

【0057】

入力データ３００が外れ値である場合、ＡＴ分析モジュールは操作３３０に進み、入力データ３００も持続的外れ値であるかどうかを判定する。入力データは、定義された閾値が満たされた場合の持続的な外れ値である。この持続的外れ値閾値は、ＥＰまたは他の医療専門家によって手動で設定されてもよく、またはＡＴ分析モジュールによって自動的に設定されてもよい。この持続的外れ値閾値は、連続する外れ値の数、入力データのサンプル中の外れ値のパーセンテージ、期待値から離れた定義された標準偏差、またはそれらの任意の組合せとして定義され得る。好ましい実施形態では、連続する外れ値の数が使用される。

【0058】

入力データ３００が外れ値であるが持続的外れ値ではない場合、ＡＴ分析モジュールは、操作３４０において、外れ値があったという警告を出力し、より多くの入力データを待つ。

【0059】

入力データ３００が外れ値であり、かつ持続的外れ値でもある場合、図２および図３の操作２３０が実行され、その結果、ＡＴ分析モジュールは、ＡＴプロフィール内にスイッチ（切り替え）があったという警告を出力し、アイドル機能２００は、クリアされたバッファを用いて新たに実行される。視覚信号または聴覚信号などのＡＴプロフィールに変化があったことを示す表示もＥＰに提供される。これにより、ＥＰが戦略を変更したり、手順を再開したりすることになる。例えば、ＥＰは、新しい３Ｄマップを作成することを決定することができる。

【0060】

操作３２０が、入力データ３００が外れ値ではないと判断した場合、入力データ３００は、操作３５０における記憶のためにメモリバッファに送られる。次いで、操作３６０において、ＡＴ分析モジュールは、メモリバッファ内の入力データの閾値量に達したかどうかを判定する。このメモリバッファ閾値は、ＥＰまたは他の医療専門家によって手動で設定されてもよく、またはＡＴ分析モジュールによって自動的に設定されてもよい。このメモリバッファ閾値はまた、入力データの量、収集の期間、またはそれらの任意の組合せに従って設定され得る。メモリバッファの制限自体を使用して、新しい受信データがメモリバッファに保存された最も古いデータに置き換わるように、保存されるデータの量を制限することもできる。

【0061】

メモリバッファ閾値に達した場合、図２および図３の操作２４０に示されるように、ＡＴ分析モジュールは、トレーニング機能２１０を新たに実行し、ＡＴ分析モジュールは、現在のＡＴプロフィールを更新するためにメモリバッファ内の入力データを使用する。メモリバッファ閾値に達していない場合、ＡＴ分析モジュールは、操作３７０において、さらに受信される入力データを待つ。

【0062】

上記から明らかなように、アイドル機能２００、トレーニング機能２１０、および検出機能２２０の組み合わせは、ＡＴ分析モジュールが入力データを常に分析し、ＡＴプロフィールが変化したときにＥＰに継続的に警告し、特定の条件下でそれを更新することを保証する。

【0063】

１クラスＳＶＭは、本出願人の試験において最良の結果を提供するが、代替の別の実施形態では、以下のような別の特徴ベースの異常検出アルゴリズムによって置き換えることができる：
- Isolation forest: Liu, Fei Tony, Ting, Kai Ming, Zhou, Zhi-Hua. “Isolation forest” データマイニング ２００８年, ＩＣＤＭ’０８．第８回IEEE国際会議。
- 局在的な外れ値要因: Breunig, Kriegel, Ng, and Sander (２０００) LOF: 局在的な外れ値に基づく密度の特定: Proc. ACM SIGMO。
- 堅牢な共分散:： 高次元分布のサポートの推定： Scholkopf、Bernhard, et al. ニューラルコンピュタ １３．７（２００１）：１４４３‐１４７１。
-ｋ‐nearest neighbor https://link.springer.eom/article/10.1007/s00778005006。
- DBSCAN: Tran Manh Thang; untae Kim：.“多重パラメータを用いたＤＢＳＣＡＮクラスタリングを用いることによる異常検出”，２０１１ 情報科学と応用に関する国際会議。
－CBLOF: He, Z.; Xu, X.; Deng,Ｓ. （２００３）．“クラスタベースのローカル外れ値の検出”: パターン認識文字。
－階層密度ベースのクラスター分析： Campello、Ｒ.Ｊ.Ｇ.B.; Moulavi, Ｄ．；Zime, A ; Sander, Ｊ.（２０１５）：“データクラスタリング、可視化、外れ値検出のための階層密度推定”： データからのナレッジディスカバリでのＡＣＭトランザクション。
- Gauss混合: W. Liu, D. Cui, Z. Peng and J. Zhong: “混合モデルに基づく外れ値検出アルゴリズム”：２０１９ IEEE 電力、知能コンピューティングおよびシステムに関する国際会議 (ICPICS)、２０１９、ｐｐ.４８８－４９２, doi：１０．１１０９ /ICPIC S４７７３１．２０１９．８９４２４７４、または
－隠れマルコフモデル: A. Sultana,A. Hamou-Lhadi and M. Cputure: “頻繁に共通するパターンを用いた異常検出のための隠れマルコフモデルの改善”: ２０１２ ＩＥＥＥ国際通信会議（ＩＣＣ）、２０１２、ｐｐ.１１１３－１１１７, ｄｏｉ： １０．１１０９／ＩＣＣ．２０１２．６３６４５２７。

【図1】

【図2】

【図3】

【国際調査報告】