特表2024-526774 | 知財ポータル「IP Force」

知財求人 - 知財ポータルサイト「IP Force」

▶ ジンマーユーエス，インコーポレイティドの特許一覧

特表2024-526774動的検知及び介入システム

書誌要約請求の範囲詳細な説明課題実施例実施するための形態図面の説明

目に優しい文字サイズ小中大 PDF Top

< >

1
2
3
4
5
6
7
8

(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】2024-07-19

(54)【発明の名称】動的検知及び介入システム

(51)【国際特許分類】

G16H 50/00 20180101AFI20240711BHJP

【ＦＩ】

G16H50/00

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2024502059

(86)(22)【出願日】2022-07-15

(85)【翻訳文提出日】2024-03-12

(86)【国際出願番号】 US2022037284

(87)【国際公開番号】W WO2023288060

(87)【国際公開日】2023-01-19

(31)【優先権主張番号】63/222,665

(32)【優先日】2021-07-16

(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】523406174

【氏名又は名称】ジンマーユーエス，インコーポレイティド

(74)【代理人】

【識別番号】100099759

【弁理士】

【氏名又は名称】青木篤

(74)【代理人】

【識別番号】100123582

【弁理士】

【氏名又は名称】三橋真二

(74)【代理人】

【識別番号】100160705

【弁理士】

【氏名又は名称】伊藤健太郎

(74)【代理人】

【識別番号】100227835

【弁理士】

【氏名又は名称】小川剛孝

(72)【発明者】

【氏名】デイブバンアンデル

(72)【発明者】

【氏名】マークブリンカット

(72)【発明者】

【氏名】テッドスプーナー

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA04

(57)【要約】

システム及び技法は、埋め込み型センサデータ処理システム内においてデータを処理するために使用する装置を判定するために使用することができる。例示用の一技法は、センサデータを使用して生成された予測を出力するために、患者固有の情報に基づいて、モバイル装置において作動可能であるローカル機械学習モデルを使用するのか又はリモート装置において作動可能であるリモート機械学習モデルを使用するのかを判定する工程を含むことができる。例示用の技法は、ローカル機械学習モデルの使用を要するという判定に従って、モバイル装置において、ローカル機械学習モデルを使用して患者の成果を予測する工程を含むことができる。例示用の技法は、予測される成果を生成するために、リモート機械学習モデルの使用を要するという判定に従って、モバイル装置から、コンパイル済みのデータをリモート演算装置に送信する工程を含むことができる。

【特許請求の範囲】

【請求項1】

モバイル装置であって、
処理回路と、
命令を含むメモリと
を有し、
前記命令は、前記処理回路によって実行された際に、前記処理回路に、
モバイル装置において、患者内の整形外科インプラント内において埋め込まれたセンサ装置のセンサによって生成されたコンパイル済みのデータを受け取り、
前記コンパイル済みのデータを使用して生成された予測を出力するために、患者固有の情報に基づいて、前記モバイル装置において作動可能であるローカル機械学習モデルを使用するのか又はリモート装置において作動可能であるリモート機械学習モデルを使用するのかを判定し、
前記ローカル機械学習モデルの使用を要するという判定に従って、前記モバイル装置において、前記ローカル機械学習モデルに対する入力として前記コンパイル済みのデータを使用することによって、前記患者の成果を予測し、
前記リモート機械学習モデルの使用を要するという判定に従って、前記コンパイル済みのデータを使用して、リモート演算装置において予測される成果を生成するために、前記モバイル装置から、前記コンパイル済みデータを前記リモート演算装置に送信する、
ための工程を実行させる、モバイル装置。

【請求項2】

前記コンパイル済みのデータは、前記センサ装置によって事前処理されたデータを含む、請求項１に記載のモバイル装置。

【請求項3】

前記ローカル機械学習モデルを使用するのか又は前記リモート機械学習モデルを使用するのかを判定する工程は、前記患者に対して実行された整形外科手術に関係する現時点のタイムフレームを判定し、かつ、前記現時点のタイムフレームを閾値タイムフレームと比較する、ための工程を含む、請求項１に記載のモバイル装置。

【請求項4】

前記ローカル機械学習モデルを使用するのか又は前記リモート機械学習モデルを使用するのかを判定する工程は、前記患者に対して予め実行された整形外科手術の識別に基づいて、使用するモデルを判定するための工程を含む、請求項１に記載のモバイル装置。

【請求項5】

前記ローカル機械学習モデルを使用するのか又は前記リモート機械学習モデルを使用するのかを判定する工程は、前記患者によって識別された痛みレベル、前記患者の関節可動域、又は患者のエクササイズスコアのうちの少なくとも１つである前記モバイル装置において受け取られた入力に基づいて、使用するモデルを判定するための工程を含む、請求項１に記載のモバイル装置。

【請求項6】

前記ローカル機械学習モデルを使用するのか又は前記リモート機械学習モデルを使用するのかを判定する工程は、前記患者によって定義されたゴールに向かう患者の進捗を判定するための工程を含む、請求項１に記載のモバイル装置。

【請求項7】

前記コンパイル済みのデータを送信する工程は、前記コンパイル済みのデータから個人識別情報を除去するために、送信される前に前記コンパイル済みのデータの好ましくない箇所を除去するための工程を含む、請求項１に記載のモバイル装置。

【請求項8】

前記ローカル機械学習モデルによる予測は、前記リモート機械学習モデルによる予測よりも短い時間において取得される、請求項１に記載のモバイル装置。

【請求項9】

モバイル装置における作動のための命令を含む、少なくとも１つの機械可読媒体であって、前記命令は、実行された際に、処理回路に、
モバイル装置において、患者内の整形外科インプラント内において埋め込まれたセンサ装置のセンサによって生成されたコンパイル済みのデータを受け取り、
前記コンパイル済みのデータを使用して生成された予測を出力するために、患者固有の情報に基づいて、前記モバイル装置において作動可能であるローカル機械学習モデルを使用するのか又はリモート装置において作動可能であるリモート機械学習モデルを使用するのかを判定し、
前記ローカル機械学習モデルの使用を要するという判定に従って、前記モバイル装置において、前記ローカル機械学習モデルに対する入力として前記コンパイル済みのデータを使用することによって、前記患者の成果を予測し、
前記リモート機械学習モデルの使用を要するという判定に従って、前記コンパイル済みのデータを使用して、リモート演算装置において予測される成果を生成するために、前記モバイル装置から、前記コンパイル済みのデータを前記リモート演算装置に送信する、
ための工程を実行させる、少なくとも１つの機械可読媒体。

【請求項10】

前記コンパイル済みのデータは、前記センサ装置によって事前処理されたデータを含む、請求項９に記載の少なくとも１つの機械可読媒体。

【請求項11】

前記ローカル機械学習モデルを使用するのか又は前記リモート機械学習モデルを使用するのかを判定する工程は、前記患者に対して実行された整形外科手術に関係する現時点のタイムフレームを判定し、かつ、前記現時点のタイムフレームを閾値タイムフレームと比較する、ための工程を含む、請求項９に記載の少なくとも１つの機械可読媒体。

【請求項12】

前記ローカル機械学習モデルを使用するのか又は前記リモート機械学習モデルを使用するのかを判定する工程は、前記患者に対して予め実行された整形外科手術の識別に基づいて、使用するモデルを判定するための工程を含む、請求項９に記載の少なくとも１つの機械可読媒体。

【請求項13】

【請求項14】

前記ローカル機械学習モデルを使用するのか又は前記リモート機械学習モデルを使用するのかを判定する工程は、前記患者によって定義されたゴールに向かう患者の進捗を判定するための工程を含む、請求項９に記載の少なくとも１つの機械可読媒体。

【請求項15】

前記コンパイル済みのデータを送信する工程は、前記コンパイル済みのデータから個人識別情報を除去するために送信される前に、前記コンパイル済みのデータの好ましくない箇所を除去するための工程を含む、請求項９に記載の少なくとも１つの機械可読媒体。

【請求項16】

前記ローカル機械学習モデルによる予測は、前記リモート機械学習モデルによる予測よりも短い時間において取得されている、請求項９に記載の少なくとも１つの機械可読媒体。

【請求項17】

システムであって、
患者内の整形外科インプラント内において埋め込まれたセンサ装置であって、
データを生成するためのセンサ、及び、
前記データをコンパイルするための処理回路、
を含むセンサ装置と、
モバイル装置であって、
通信回路、
処理回路、及び、
命令を含むメモリ、
を含むモバイル装置と、
を有し、
前記命令は、前記処理回路によって実行された際に、前記処理回路に、
コンパイル済みのデータを使用して生成された予測を出力するために、患者固有の情報に基づいて、前記モバイル装置において作動可能であるローカル機械学習モデルを使用するのか又はリモート装置において作動可能であるリモート機械学習モデルを使用するのかを判定し、
前記ローカル機械学習モデルの使用を要するという判定に従って、前記モバイル装置において、前記ローカル機械学習モデルへの入力として前記コンパイル済みのデータを使用することによって、患者の成果を予測し、
前記リモート機械学習モデルの使用を要するという判定に従って、前記コンパイル済みのデータを使用して、リモート演算装置において予測される成果を生成するために、前記モバイル装置の前記通信回路から、前記コンパイル済みのデータを前記リモート演算装置に送信する、
ための工程を実行させる、システム。

【請求項18】

前記コンパイル済みのデータは、前記センサ装置内の前記処理回路によって事前処理されたデータを含む、請求項１７に記載のシステム。

【請求項19】

前記ローカル機械学習モデルを使用するのか又は前記リモート機械学習モデルを使用するのかを判定する工程は、前記患者に対して実行された整形外科手術に関係する現時点のタイムフレーム、前記患者に対して予め実行された整形外科手術の識別、又は、前記患者によって識別された痛みレベル、前記患者の関節可動域、若しくは患者のエクササイズスコアの少なくとも１つを含む、前記モバイル装置において受け取られた入力の少なくとも１つを使用するための工程を含む、請求項１７に記載のシステム。

【請求項20】

前記コンパイル済みのデータを送信する工程は、前記コンパイル済みのデータから個人識別情報を除去するために送信される前に、前記コンパイル済みのデータの好ましくない箇所を削除するための工程を含む、請求項１７に記載のシステム。

【請求項21】

方法であって、
プロセッサにおいて、患者内の整形外科インプラント内において埋め込まれたセンサによって生成された時系列のセンサデータを取得する工程と、
前記プロセッサにおいて、前記患者によって装用されたウェアラブル装置によって生成された時系列のウェアラブルデータを取得する工程と、
前記時系列のセンサデータを前記時系列のウェアラブルデータにマッピングするモデルを生成する工程と、
前記生成されたモデルへの入力としてウェアラブルデータの組を使用することによって、対応する合成センサデータを生成する工程と、
トレーニングされた機械学習モデルへの入力として前記合成センサデータを使用することによって、前記患者の予測される成果を判定する工程と、
前記予測される成果を出力する工程と、
を含む方法。

【請求項22】

前記トレーニングされた機械学習モデルは、リハビリレーションゴールに向かう患者の進捗又は前記整形外科インプラントの残りの寿命の少なくとも１つを出力するようにトレーニングされている、請求項２１に記載の方法。

【請求項23】

前記トレーニングされた機械学習モデルは、前記時系列のセンサデータを使用してトレーニングされている、請求項２１に記載の方法。

【請求項24】

前記モデルは、互いの閾値時間範囲内において発生するそれぞれの時系列の個々のデータポイントのタイムスタンプに基づいて前記時系列のセンサデータ及び前記時系列のウェアラブルデータをマッピングしている、請求項２１に記載の方法。

【請求項25】

前記患者の前記予測される成果を判定する工程は、入力として何らの生成されたセンサデータを使用することなしに発生している、請求項２１に記載の方法。

【請求項26】

前記患者の前記予測される成果を判定する工程は、前記合成センサデータを伴うことなしに予測を出力するために必要とされるものよりも少ない、前記センサによって生成された入力データポイントを使用して発生している、請求項２１に記載の方法。

【請求項27】

前記時系列のセンサデータは、加速度計又はジャイロスコープデータの少なくとも１つを含み、かつ、前記時系列のウェアラブルデータは、歩行データを含む、請求項２１に記載の方法。

【請求項28】

前記ウェアラブル装置によって生成された前記時系列のデータを取得する工程は、スマートウォッチから前記時系列のデータを受け取る工程を含む、請求項２１に記載の方法。

【請求項29】

装置であって、
処理回路と
命令を含むメモリと、
を有し、
前記命令は、前記処理回路によって実行された際に、前記処理回路に、
患者内の整形外科インプラント内において埋め込まれたセンサによって生成された時系列のセンサデータを取得し、
前記患者によって装用されたウェアラブル装置によって生成された時系列のウェアラブルデータを取得し、
前記時系列のセンサデータを前記時系列のウェアラブルデータにマッピングするモデルを生成し、
前記生成されたモデルへの入力としてウェアラブルデータの組を使用することによって、対応する合成センサデータを生成し、
トレーニングされた機械学習モデルへの入力として前記合成センサデータを使用することによって、前記患者の予測される成果を判定し、
前記予測される成果を出力する、
ための工程を実行させる、装置。

【請求項30】

前記トレーニングされた機械学習モデルは、リハビリテーションゴールに向かう患者の進捗又は前記整形外科インプラントの残りの寿命の少なくとも１つを出力するようにトレーニングされている、請求項２９に記載の装置。

【請求項31】

前記トレーニングされた機械学習モデルは、前記時系列のセンサデータを使用してトレーニングされている、請求項２９に記載の装置。

【請求項32】

前記モデルは、互いの閾値時間範囲内において発生するそれぞれの時系列の個々のデータポイントのタイムスタンプに基づいて前記時系列のセンサデータ及び前記時系列のウェアラブルデータをマッピングしている、請求項２９に記載の装置。

【請求項33】

前記患者の前記予測される成果は、入力として何らの生成されたセンサデータを使用することなしに判定されている、請求項２９に記載の装置。

【請求項34】

前記患者の前記予測される成果は、前記合成センサデータを伴うことなしに予測を出力するために必要となるものよりも少ない、前記センサによって生成された入力データポイントを使用して判定されている、請求項２９に記載の装置。

【請求項35】

前記時系列のセンサデータは、加速度計又はジャイロスコープデータの少なくとも１つを含み、かつ、前記時系列のウェアラブルデータは、歩行データを含む、請求項２９に記載の装置。

【請求項36】

前記ウェアラブル装置は、スマートウォッチである、請求項２９に記載の装置。

【請求項37】

命令を含む少なくとも１つの機械可読媒体であって、
前記命令は、実行された際に、処理回路に、
患者内の整形外科インプラント内において埋め込まれたセンサによって生成されたセンサデータの時系列を取得し、
前記患者によって装用されたウェアラブル装置によって生成された時系列のウェアラブルデータを取得し、
前記時系列のセンサデータを前記時系列のウェアラブルデータにマッピングするモデルを生成し、
前記生成されたモデルへの入力としてウェアラブルデータの組を使用することによって、対応する合成センサデータを生成し、
トレーニングされた機械学習モデルへの入力として前記合成センサデータを使用することによって、前記患者の予測される成果を判定し、
前記予測される成果を出力する、
ための工程を実行させる、少なくとも１つの機械可読媒体。

【請求項38】

前記モデルは、互いの閾値時間範囲内において発生するそれぞれの時系列の個々のデータポイントのタイムスタンプに基づいて、前記時系列のセンサデータ及び前記時系列のウェアラブルデータをマッピングしている、請求項３７に記載の少なくとも１つの機械可読媒体。

【請求項39】

前記患者の前記予測される成果は、入力として何らの生成されたセンサデータを使用することなしに判定されている、請求項３７に記載の少なくとも１つの機械可読媒体。

【請求項40】

前記時系列のセンサデータは、加速度計又はジャイロスコープデータの少なくとも１つを含み、かつ、前記時系列のウェアラブルデータは、歩行データを含む、請求項３７に記載の少なくとも１つの機械可読媒体。

【請求項41】

命令を含む少なくとも１つの機械可読媒体であって、
前記命令は、処理回路によって実行された際に、前記処理回路に、
患者における整形外科手術からの回復に関係する患者固有のゴールを受け取り、
前記患者固有のゴールを１つ又は複数のメトリックの組に変換し、
前記患者内の整形外科インプラント内において埋め込まれたセンサ装置のセンサによって生成されたセンサデータを受け取り、
トレーニングされた機械学習モデル及び前記センサデータを使用することによって、前記１つ又は複数のメトリックの組のメトリックが充足されているかどうかを判定し、
前記１つ又は複数のメトリックの組のすべてのメトリックが充足されているという判定に応答して、前記患者固有のゴールが実現されているという指標を出力し、かつ、
前記１つ又は複数のメトリックの組の前記メトリックが充足されていないという判定に応答して、前記メトリックに対応する指標を出力する、
ための工程を実行させる、少なくとも１つの機械可読媒体。

【請求項42】

前記メトリックに対応する前記指標は、前記メトリックを改善するための識別されたエクササイズを含む、請求項４１に記載の少なくとも１つの機械可読媒体。

【請求項43】

前記メトリックに対応する前記指標は、前記患者固有のゴールが実現されることになる時点の予測日付を含む、請求項４１に記載の少なくとも１つの機械可読媒体。

【請求項44】

前記１つ又は複数のメトリックは、関節可動域を含む、請求項４１に記載の少なくとも１つの機械可読媒体。

【請求項45】

前記トレーニングされた機械学習モデルは、メトリック完了ラベルを有する履歴センサデータを使用してトレーニングされている、請求項４１に記載の少なくとも１つの機械可読媒体。

【請求項46】

前記患者固有のゴールが実現されているという前記指標は、第２の患者固有のゴールに対応する情報を含む、請求項４１に記載の少なくとも１つの機械可読媒体。

【請求項47】

前記患者固有のゴールは、生命活動の識別を含み、かつ、前記１つ又は複数のメトリックの組は、前記生命活動に対応する関節可動域を含む、請求項４１に記載の少なくとも１つの機械可読媒体。

【請求項48】

前記患者固有のゴールは、ユーザインターフェイス上において、前記患者固有のゴールの前記患者による選択を介して受け取られる、請求項４１に記載の少なくとも１つの機械可読媒体。

【請求項49】

前記工程は、前記処理回路に、前記センサ装置のメモリ内において保存されている複数のアプリケーションのうちの１つを起動するための指標をさらに前記センサ装置へ送信させ、前記複数のアプリケーションは、規制システム下において検証されるように事前構成されており、かつ、前記受け取られるセンサデータは、前記起動されたアプリケーションに従って生成されている、請求項４１に記載の少なくとも１つの機械可読媒体。

【請求項50】

前記センサの少なくとも１つの作動は、前記起動されるアプリケーションが起動された際に変更されている、請求項４９に記載の少なくとも１つの機械可読媒体。

【請求項51】

システムであって、
センサデータを生成するためのセンサを含むセンサ装置であって、患者内の整形外科インプラント内において埋め込まれたセンサ装置と、
演算装置であって、
処理回路、及び、
命令を含むメモリ、
を含む演算装置と、
を有し、
前記命令は、前記処理回路によって実行された際に、前記処理回路に、
前記患者における整形外科手術からの回復に関係する患者固有のゴールを受け取り、
前記患者固有のゴールを１つ又は複数のメトリックの組に変換し、
トレーニングされた機械学習モデル及び前記センサデータを使用することによって、前記１つ又は複数のメトリックの組のメトリックが充足されているかどうかを判定し、
前記１つ又は複数のメトリックの組のすべてのメトリックが充足されているという判定に応答して、前記患者固有のゴールが実現されているという指標を出力し、かつ、
前記１つ又は複数のメトリックの組の前記メトリックが充足されていないという判定に応答して、前記メトリックに対応する指標を出力する、
ための工程を実行させる、システム。

【請求項52】

前記メトリックに対応する前記指標は、前記メトリックを改善するための識別されたエクササイズを含む、請求項５１に記載のシステム。

【請求項53】

前記メトリックに対応する前記指標は、前記患者固有のゴールが実現されることになる時点の予測日付を含む、請求項５１に記載のシステム。

【請求項54】

前記１つ又は複数のメトリックは、関節可動域を含む、請求項５１に記載のシステム。

【請求項55】

前記トレーニングされた機械学習モデルは、メトリック完了ラベルを有する履歴センサデータを使用してトレーニングされている、請求項５１に記載のシステム。

【請求項56】

前記患者固有のゴールが実現されているという前記指標は、第２の患者固有のゴールに対応する情報を含む、請求項５１に記載のシステム。

【請求項57】

前記患者固有のゴールは、生命活動の識別を含み、かつ、前記１つ又は複数のメトリックの組は、前記生命活動に対応する関節可動域を含む、請求項５１に記載のシステム。

【請求項58】

前記患者固有のゴールは、ユーザインターフェイス上において、前記患者固有のゴールの前記患者による選択を介して受け取られる、請求項５１に記載のシステム。

【請求項59】

【請求項60】

前記センサの少なくとも１つの作動は、前記起動されるアプリケーションが起動された際に変更されている、請求項５９に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

優先権の主張
本出願は、「ＤＹＮＡＭＩＣＳＥＮＳＩＮＧＡＮＤＩＮＴＥＲＶＥＮＴＩＯＮＳＹＳＴＥＭ」という名称の２０２１年７月１６日付けで出願された米国仮特許出願第６３／２２２，６６５号の優先権の利益を主張するものであり、この特許文献の内容は、引用により、そのすべてが本明細書に包含される。

【背景技術】

【0002】

整形外科の患者ケアは、下肢（膝関節、股関節、その他）などの外科的介入を必要とする場合がある。例えば、患者にとって痛みが耐え難くなった際には、手術が推奨される場合がある。術後のケアは、数週間から数カ月の範囲の関節の固定、理学療法、又は作業療法を含み得る。理学療法又は作業療法は、体力の回復、日々の機能、及び治癒に伴う患者の支援のために使用することができる。固定、理学療法、又は作業療法に関与する現時点の技法は、外科的介入の前又は後において関節可動域及び痛みについて監視していない場合があり又はこれらを十分に評価していない場合がある。

【0003】

図面は、必ずしも正確な縮尺で描かれてはおらず、これらの図面において、同一の符号は、異なる図において類似のコンポーネントを記述し得る。異なる添え字を有する同一の符号は、類似のコンポーネントの異なるインスタンスを表し得る。図面は、一般的に、限定としてではなく、例として、本明細書において記述されている様々な実施形態を示している。

【図面の簡単な説明】

【0004】

【図1】図１は、本開示の少なくとも一実施例による埋め込み型センサを有する例示用の埋植可能な装置を示す。

【図2】図２は、本開示の少なくとも一実施例による埋め込み型センサデータ処理システムを示す。

【図3】図３は、本開示の少なくとも一実施例による埋め込み型センサデータ処理システム用の通信図を示す。

【図4】図４は、本開示の少なくとも一実施例によるフィードバックを判定する機械学習エンジンを示す。

【図5】図５は、本開示の少なくとも一実施例による埋め込み型センサデータ処理システム内においてデータを処理するために使用する装置を判定する技法を示すフローチャートを示す。

【図6】図６は、本開示の少なくとも一実施例によるセンサデータをウェアラブルデータにマッピングする技法を示すフローチャートを示す。

【図7】図７は、本開示の少なくとも一実施例による整形外科手術からの回復に関係する患者固有のゴールに関するフィードバックを提供する技法を示すフローチャートを示す。

【図8】図８は、本開示の少なくとも一実施例による本明細書において記述されている技法の任意の１つ又は複数のものが稼働し得る例示用の装置のブロック図を示す。

【発明を実施するための形態】

【0005】

本明細書において記述されているシステム及び技法は、患者又はプロバイダに術後フィードバックを提供するために使用することができる。術後フィードバックは、整形外科手術からの回復に関係するフィードバックを含み得る。例えば、フィードバックは、痛み管理、理学療法、関節可動域、運動速度又は加速度、剛性、更なる外科的又は医療的介入のニーズの可能性、又はこれらに類似したものに関係する情報を含み得る。

【0006】

本明細書において記述されているシステム及び技法は、患者の進捗状況を監視するために、更新を提供するために、かつ術後回復計画を変更するために、使用することができる。患者に関係する成果を予測するために、（例えば、本明細書において記述されている機械学習技法を使用して）モデルをトレーニングすることができる。例えば、モバイル装置は、患者内の整形外科インプラント内において埋め込まれたセンサによって生成されたコンパイル済みのデータを受け取ってもよく、ウェアラブル装置によって生成されたデータによってコンパイル済みのデータにラベル付与してもよく、かつ、コンパイル済みのデータをサーバ、クラウド演算装置、デスクトップコンピュータ、などのようなリモート演算装置に送信してもよい。リモート演算装置は、機械学習を使用してモデルを生成してもよく、かつ、モデルをモバイル装置に送信してもよい。モバイル装置は、予測を出力するために、（患者に対して個人化され得る）モデルを使用してもよい。

【0007】

いくつかの実施例においては、別個の（但し、任意選択により関係付けられた）モデルをモバイル装置及びリモート演算装置において保存することができる。モバイル装置は、例えば、予測を出力するために、患者固有の情報に基づいて、モバイル装置上において保存されているローカル機械学習モデルを使用するのか又はリモート演算装置上において保存されているリモート機械学習モデルを使用するのかを判定することができる。ローカル機械学習モデルの使用を要するという判定に従って、ローカル機械学習モデルへの入力としてコンパイル済みのデータを使用することによって、患者の成果を予測することができる。リモート機械学習モデルの使用を要するという判定に従って、リモート機械学習モデルを使用して成果を予測するために、コンパイル済みのデータをリモート演算装置に送信することができる。モデルは、リモートモデルが相対的に正確なものになり得る一方で、ローカルモデルが相対的に迅速となり得る又は相対的に少ない処理を必要とし得るように、複雑さにおいて異なり得る。使用するモデルの判定は、必要とされる予測の精度、予測が最後に取得された時点、患者にとっての緊急性、痛み、又はリスクの特性、或いは、これらに類似したものに基づいたものであってよい。

【0008】

一実施例において、モデルは、患者データに基づいて選択することができる。対応する患者母集団からの埋植されたセンサのデータを使用することによって、複数の機械学習モデルをトレーニングすることができる。埋め込み型センサのデータは、任意選択により、患者に固有の更なる情報を使用することによって、複数の機械学習モデルのうちの１つを選択するために使用することができる。選択された機械学習モデルは、患者の予測を出力するために使用することができる。

【0009】

患者内の整形外科インプラント内において埋め込まれた埋め込み型の装置は、メモリ、通信回路、データを生成するためのセンサ、又は処理回路（システムオンチップ、フィールドプログラム可能なゲートアレイ（ＦＰＧＡ）、プロセッサ、などの集積回路を含み得る）を含むことができる。埋め込まれた装置は、データを生成、保存、又は送信するために使用することができる。

【0010】

埋め込まれた装置によって生成されたデータを使用することによって、ウェアラブル装置によって生成されたデータが検証されてもよく、これにより、予測される成果を改善することができる。例えば、時系列のセンサデータを患者内の整形外科インプラント内において埋め込まれたセンサによって生成することができると共に、時系列のウェアラブルデータを患者によって装用されたウェアラブル装置によって生成することができる。時系列のセンサデータを時系列のウェアラブルデータにマッピングするモデルを生成することができる。このモデルは、ウェアラブルデータのみを使用してセンサデータを近似又は推定するために使用することができる。これにより、精度を維持しつつ、センサデータのニーズを制限することができる。しばしば、モデルは、センサデータ及びウェアラブルデータを使用して更新又は再検証することができる。

【0011】

一実施例において、生成されたモデル又は埋め込み型センサのデータを使用したモデルは、患者固有のゴール（例えば、「いつゴルフできるようになりますか」、「いつ階段を上れるようになりますか」、「いつ食器棚に手を伸ばすことができるようになりますか」、「いつ自分の孫と遊べるようになりますか」、など）に関係する成果を検出及び予測するために使用することができる。患者における整形外科手術からの回復に関係する患者固有のゴールは、１つ又は複数のメトリックの組に変換することができる。センサデータ及びモデルは、１つ又は複数のメトリックの組のメトリックが充足されているかどうかを判定するために使用することができる。１つ又は複数のメトリックの組のすべてのメトリックが充足されているという判定に応答して、患者固有のゴールが実現されているという通知（例えば、ユーザインターフェイス、オーディオ、又はこれらに類似したものにおける「おめでとうございます。あなたは、自分のゴールを充足しており、かつ、いまや活動Ｘを実行することができます」という通知などのメッセージ）を出力することができる。１つ又は複数のメトリックの組のメトリックが充足されていないという判定に応答して、メトリックに対応する通知（励まし又はゴールを実現する方法に関する詳細、更なる教育情報、又はこれらに類似したもの）を出力することができる。

【0012】

いくつかの実施例において、埋め込み型センサ装置は、（例えば、規制の観点から）既に検証済みであるモードなどにより、事前構成することができる。これらのモードは、必要に応じてかつ事前構成及び検証に起因して起動されてもよく、更なる規制審査の適用を必要としなくてもよい。例えば、患者内の整形外科インプラント内において埋め込まれるように構成された埋植可能なセンサ装置は、複数のアプリケーションを識別する情報を有する表を備えたメモリを含んでいてもよく、この場合に、複数のアプリケーションは、規制システム及びそれぞれのアプリケーションが現時点において有効であるかどうかの指標の下において検証されるように事前構成されている。埋植可能なセンサ装置は、複数のアプリケーションのうちの１つを起動するための通知を受け取るように通信回路を含むことができる。これに応答して、識別されたアプリケーションは、（例えば、表内においてその状態を変更することによって）起動することができる。一実施例において、埋植可能なセンサ装置のセンサの少なくとも１つの作動は、複数のアプリケーションのうちの１つが開始又は起動された際に変更されている。

【0013】

これらのシステム及び技法は、患者の成果を改善することができる。埋植されたセンサを使用することによって、データを処理する階層化されたアーキテクチャによってインテリジェントデータを収集することができる。本明細書において記述されているシステム及び技法は、データソースの精度を検証及び改善し、リアルタイムフォローアップを起動し、（例えば、歩行速度の低下の検出に応答して）データ収集頻度及び忠実度に対するイベントに基づいた変更を構成するために、又はこれらに類似したものを実行するために、使用することができる。いくつかの実施例において、データ収集又は送信の頻度を増大させるための要求をセンサに対してプッシュするように、アプリケーション（例えば、アプリ）をモバイル装置上などにおいて使用することができる。一実施例において、センサは、休止状態にあってもよく、かつ、必要に応じて（例えば、ジャイロスコープによって生成された情報を使用することによって、又は、ジャイロスコープを起動することによって）起動することができる。

【0014】

いくつかの実施例においては、電池の寿命が、現時点のニーズに基づいて考慮されてもよく又は犠牲にされてもよい。埋め込み型センサの有限の電池の寿命は、管理することができる。例えば、センサ装置は、スリープ又はセミスリープモードに置かれてもよく、この場合に、センサ装置は、（例えば、一時間ごと、一日ごと、１５分ごと、などのように）、データを定期的にチェックする又は定期的にデータを出力する。周期の時間の長さは、患者のニーズ及び電池寿命の管理に従って調節することができる。

【0015】

一実施例として、データは、患者プロファイル（例えば、患者固有のモデル）を構築するなどのために、モバイル装置（例えば、スマートフォン）においてローカルに収集することができる。患者プロファイルは、予測情報を出力するために使用することができる。埋植されたセンサがモバイル装置と通信する際に、モバイル装置は、（例えば、相対的に活動的なモードに遷移する、ソフトウェア又はファームウェア更新をダウンロードする、などのように）モードを変更するために、埋植されたセンサにメッセージを送信することができる。

【0016】

図１は、本開示の少なくとも一実施例による埋め込み型センサ１０４及び１０５を有する例示用の埋植可能な装置１０２及び１０３を示している。埋め込み型センサ１０４及び１０５は、同一であってもよく、又は、特定のインプラントについて異なる方式で構成することもできる。埋植可能な装置１０２は、（例えば、脛骨近位部における）例示用の脛骨インプラントであり、かつ、埋植可能な装置１０３は、（例えば、大腿骨近位部における）例示用の股関節インプラントである。埋め込み型センサ１０４及び１０５は、埋植可能な装置１０２又は１０３のうちの１つのステム部分内において挿入されるように構成された装置（例えば、埋植されたセンサ装置）の一部分であってよい。いくつかの実施例において、埋め込み型センサ装置は、埋植可能な装置１０２又は１０３のいずれか内に挿入されるように構成されていてもよく、又は、インプラントに固有のものであってもよい（例えば、埋め込み型センサ装置のハウジング又はコンポーネントの特定の構成などの特定のステムのために構成されている）。埋植可能な装置１０２は、膝関節置換手術（例えば、全部又は部分人工膝関節置換術）の一部分として埋植されてもよく、かつ、埋植可能な装置１０３は、股関節置換手術の一部分として埋植されてもよい。肩関節置換手術、（例えば、椎弓根スクリュー内における）脊柱手術、又はこれらに類似したものなどのインプラントを使用するその他の整形外科手術は、埋め込み型センサと共に使用することができる。

【0017】

一実施例において、埋め込み型センサ１０４及び１０５は、それぞれ、埋植可能な装置１０２及び１０３内に挿入される前に検証することができる。埋め込み型センサ１０４及び１０５用の検証は、（例えば、国、州、などの）規制機関への提出と、規制機関からの検証結果の受領と、を含み得る。埋め込み型センサ１０４及び１０５の１つを含む装置は、埋め込み型センサ１０４及び１０５の適用又は使用から一緒に又は別個に検証することができる。一実施例において、埋め込み型センサ１０４及び１０５は、埋植可能な装置１０２又は１０３内に挿入された際に、埋植可能な装置１０２又は１０３が患者内に埋植された際に、又は手術手順において、検証されるが起動されない１つ又は複数のアプリケーションを含むことができる。この実施例において、１つ又は複数の検証されたアプリケーションは、非アクティブ状態にあってもよく、かつ、データ収集、データコンパイル、データ保存、又はこれらに類似したもののために必要とされる際などに（例えば、術後に）、後から起動されてもよい。一実施例において、複数のセンサは、センサ装置内において存在していてもよく、かつ、複数のセンサの１つ又は複数は、当初、非アクティブ状態にあってよい。アプリケーション若しくはセンサは、アプリを使用すること、又は、さもなければアプリケーション又はセンサを収容するセンサ装置と通信することで、リモート装置（例えば、電話機などのモバイル装置）によって起動されてもよい。事前検証済みのアプリケーションは、当初は無効化され、かつ、後から必要に応じて有効化される様々な機能を実行する能力を有する回路（例えば、プロセッサ、ソフトウェア、ファームウェア、配線された回路、など）を含むことができる。

【0018】

図２は、本開示の少なくとも一実施例による埋め込み型センサデータ処理システム２００を示している。処理システム２００は、異なる処理パワー、処理能力、電池の利用可能性、熱要件、費用、時間制限、又はこれらに類似したものを有する１つ又は複数のレベルによって作動し得る。第１レベル２０１は、埋植可能なセンサ装置２０２（例えば、患者内に埋植されているもの）において実行される処理に対応し得る。第１レベル２０１において実行される処理は、限られたデータ収集（例えば、センサデータの受領、センサデータの保存、など）、センサデータへのタイムスタンプの追加などのなんらかのコンパイル、又は送信用の単一ファイルとしてのセンサデータのコンパイル、又は、これらに類似したものを含み得る。いくつかの実施例において、第１レベル２０１における処理は、電池状態、メモリ状態、又はこれらに類似したものの判定を含み得る。一実施例において、第１レベル２０１における処理は、外科手術以降の時間の長さなどのタイミングに依存し得る。例えば、初期期間（例えば、一日、一週間、１カ月、６カ月）においては、相対的に多くの処理（例えば、センサデータの相対的に頻繁なサンプリング、リモート装置へのセンサデータの相対的に頻繁な送信、など）が実行され得る。次いで、後続の期間においては、相対的に乏しい処理（例えば、センサデータの相対的に低頻度のサンプリング又は送信）が実行され得る。一実施例においては、埋植可能なセンサ装置２０２において受け取られるセンサデータは、温度、加速度、などのような異常（例えば、データが特定の範囲内であるかどうか）についてチェックすることができる。

【0019】

第２レベル２０３は、（例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ、Ｗｉ－Ｆｉｄｉｒｅｃｔ、ＲＦＩＤ又はその他のＮＦＣ技術、などを介して）埋植可能なセンサ装置２０２との通信（例えば、直接的通信）状態にある装置などの埋植可能なセンサ装置２０２の近傍に位置し得る装置を含む。第２レベル２０３における装置は、第１レベル２０１の埋植可能なセンサ２０２よりも大きな処理パワー、能力、メモリ、電池、又はこれらに類似したものを有するものを含み得るが、依然として制限を有し得る。第２レベル２０３の例示用の装置は、ウェアラブル装置２０４又はその他のＩｏＴ（ＩｎｔｅｒｎｅｔｏｆＴｈｉｎｇｓ）装置、携帯電話機２０６、タブレット、又はこれらに類似したものを含む。これらの装置のいくつかは、その他のものとは異なる制限を有し得る（例えば、モバイル装置２０６の処理パワーは、ウェアラブル装置２０４のものよりも大きいものになり得る）。

【0020】

第３レベル２０５は、システム２００の最大処理パワー、能力、パワー、などを有する装置を含む。第３レベル２０５における装置は、コンピュータ２０８（例えば、デスクトップ又はラップトップ）、クラウドに基づいた装置２１０（例えば、サーバ２１２）を含んでいてもよく、これらは、データベース２１４又はこれに類似したものへのアクセスを含んでいてもよい。

【0021】

３つの装置レベルのそれぞれを異なるタイプ又は程度の処理のために使用することができる。例えば、第１レベル２０１は、ローカルセンサ演算のために使用されてもよく、第２レベル２０３は、中間モバイル装置演算（例えば、機械学習モデルの実装又は更新）のために使用されてもよく、かつ、第３レベル２０５は、リモートサーバ演算（例えば、機械学習モデルの生成又は更新）のために使用されてもよい。システム２００の階層化されたアーキテクチャは、リモート及びローカル処理能力を活用することができる。

【0022】

一実施例において、第１レベル２０１は、センサ装置上のエッジ演算などのローカル処理のために使用されてもよい。これは、埋植可能なセンサ装置２０２にアップロードされた基本分析モデルを使用するステップを含み得る。一実施例において、埋植可能なセンサ装置２０２は、モバイル装置又はサーバのやり取りとは無関係な異常イベントを識別することができる。いくつかの実施例において、埋植可能なセンサ装置２０２は、（例えば、熱又は電池使用法に起因してシャットダウンするために、潜在的な課題の識別に起因してセンサデータキャプチャを増大させるために、又はこれらに類似したもののために）リアルタイムで「緊急モード」に進入し得る。

【0023】

第２レベル２０３は、例えば、モバイル装置２０６において、相対的に高度な分析モデルを実行するために使用することができる。モデルは、埋植可能なセンサ装置２０２からのセンサデータを使用することができる。いくつかの実施例において、モデルは、ＰＲＯＭ、ウェアラブル装置２０４からのデータ、活動のビデオ記録、患者からの入力（例えば、痛みレート、快適さレート、など）、関節可動域情報、又はこれらに類似したものなどの更なる入力を使用することができる。モデルは、ほぼリアルタイムで介入を提供することができる。

【0024】

第３レベル２０５は、相対的に大きな母集団データセットのサーバに基づいた処理を提供することができる。例えば、モバイル装置２０６は、データ（例えば、個人識別可能情報が除去されたコンパイル済みのデータ）をクラウド２１０に送信してもよく、このデータは、他の患者からのデータと共に使用され得る。サーバ２１２は、モバイル装置２０６又は埋植可能なセンサデータ２０２にプッシュアウトされるモデルを開発することができる。（例えば、異なる患者母集団について、モバイル装置２０６及び埋植可能なセンサ装置２０２などの異なる装置について、最初の６カ月の間及び６カ月の後などの異なる患者のタイムラインについて、又はこれらに類似したものについて）異なるモデルを開発することができる。例えば、外科手術後の最初の６カ月又は１２カ月においては、相対的に厳密な（例えば、一時間ごとの）データ収集が発生してもよく、次いで、初期期間の後には、埋植可能なセンサ装置２０２は、ハイバネーション又はチェックインモードに遷移してもよく、このモードは、一日に一回、一週間に一回、又はこれらに類似したものなどのように、オンデマンドで（例えば、モバイル装置２０６又はウェアラブル装置２０４からの信号から）データを取得するステップを含んでいてもよい。

【0025】

様々なレベルは、異なる時間インターバルにおいて使用することができる。例えば、埋植可能なセンサ装置２０２内における超局所的な処理が一日に複数回にわたって実行されてもよく、患者固有の監視がモバイル装置２０６において（例えば、毎日）実行されてもよく、かつ、母集団分析が毎週又は毎月などにサーバ２１２において実行されてもよい。一実施例において、超局所的な処理は、データのクリーニング、未加工データからの電気信号の生成、任意選択により、例えば、未加工データのみならずコンパイル済みのデータなどのいくつかの精製された出力などのサマリデータをモバイル装置２０６に送信するためのデータの処理、又は、これらに類似したものを含む。データは、例えば、最初の運動の読取りの後に、一日に３回だけ、５時間から６時間ごと、などで、埋植可能なセンサ装置２０２において収集されてもよい。データは、それぞれのインターバルにおいてモバイル装置２０６に送信されてもよく、又は十分な量のデータが保存及び一緒に送信される時点まで保持されてもよい。

【0026】

一実施例において、異常については、モバイル装置０２６、ウェアラブル装置２０４、又はサーバ２１２においてモデルを使用して警告されてもよい。異常の検出に応答して、埋植可能なセンサ装置２０２の作動に対する変更が警告装置から送信されてもよい。埋植可能なセンサ装置２０２は、感染検出、インプラントの緩み、その他などの場合に、例えば、相対的に集約的なモード（例えば、１５分ごと、一時間ごと、など）への変更などのように、データ収集モデルを変更することができる。いくつかの実施例においては、モデル処理が第２レベル２０３において実行されない場合にも、第２レベル２０３の装置は、第３レベル２０５の装置に対する送信の前に個人データを除去するために埋植可能なセンサ装置２０２からデータを受け取ることができる。

【0027】

一実施例において、モデルは、埋植可能なセンサ装置２０２からのデータと共に使用されるように生成されてもよい。但し、上述のように、埋植可能なセンサ装置２０２は、（いくつかの実施例においては充電式ではない場合がある）電池パワーなどの限られたリソースを有する。ウェアラブル装置２０４からのデータは、容易に利用可能であり得ると共に、電池の課題を有していない場合もある。但し、ウェアラブル装置２０４からのデータは、埋植可能なセンサ装置２０２からのデータよりも正確性が相対的に乏しい場合がある。一技法において、時間経過に伴って、ウェアラブルデータは、埋植可能なセンサデータ用の代用品として使用されてもよい。この技法においては、埋植可能なセンサデータを使用して患者を警告、予測、又は監視するために、第１モデルが使用されている。ウェアラブルデータを埋植可能なセンサデータに対してマッピングするために、第２モデル又はクラシファイアが使用されてもよい。例えば、ウェアラブルデータは、埋植可能なセンサデータによって又はイベント（例えば、予測、警告、など）によってラベル付与されてもよい。技法の一バージョンにおいては、第２モデルは、ウェアラブルデータを合成埋植可能センサデータに直接的に変換するために使用されてもよい。例えば、ウェアラブルデータが第２モデルに入力されてもよく、かつ、合成埋植可能なセンサデータが第２モデルから出力されてもよい。次いで、この合成埋植可能センサデータは、埋植可能なセンサ装置２０２によって生成されたものであるかのように、第１モデルに入力されてもよい。技法の第２バージョンにおいては、第２モデルは、警告、予測、又はこれらに類似したものを出力するためにウェアラブルデータを直接的に使用するように、トレーニングされてもよい。

【0028】

この技法は、上述のウェアラブルデータなどのデータソースの精度を検証及び改善するために使用されてもよい。いくつかの実施例において、ウェアラブルデータの代わりに又はこれに加えて、モバイル装置データが使用されてもよい。技法は、例えば、ステップ数に関するデータについての警告又は予測の精度を改善するために使用されてもよい。この実施例においては、（例えば、埋植可能なセンサデータからの）患者のキャプチャされた歩行特性は、計測装置によって保存されている歩行のモデルを調節するために使用されてもよく、かつ、歩数又はその他のメトリックを推定するために使用されてもよい。

【0029】

警告検出及び予測は、例えば、母集団基準からの大きな相違に基づいて介入を必要とする異常な患者状態又は患者状態の変化を検出又は予測するために使用されてもよい。いくつかの実施例において、上述の技法は、ウェアラブル装置２０４又はモバイル装置２０６を較正するために使用されてもよい。第２モデル又はクラシファイアがトレーニング又は生成された後に、警告又は予測は、埋植可能なセンサデータを伴うことなしに（例えば、埋植可能なセンサ装置２０２の起動、又は、これからのデータ受領を伴うことなしに）発生し得る。

【0030】

一実施例において、ウェアラブルデータは、相対的に頻繁な埋植可能なセンサデータが有用であり得る又は必要とされ得る時期を予測するために使用されてもよい。例えば、ウェアラブルデータは、第２モデルを使用することによって、かつ、埋植可能なセンサ装置２０２を起動することによって、患者が進捗することになる可能性が高い方式を予測するために患者を監視してもよい。

【0031】

図３は、本開示の少なくとも一実施例による埋め込み型センサデータ処理システムの通信図３００を示している。通信図３００は、埋植可能なセンサ３０２（例えば、患者内のインプラント内に位置するもの）、ユーザ装置３０４（例えば、ウェアラブル装置、電話機などのモバイル装置、コンピュータ、など）、及びネットワーク装置３０６（例えば、サーバ、クラウド装置、など）の間の通信を示している。

【0032】

通信図３００は、埋植可能なセンサ３０２とユーザ装置３０４の間の接続ステップと、ネットワーク装置３０６とユーザ装置３０４の間の接続ステップと、を示している。これらの接続ステップは、任意の順序において発生してもよく、装置の任意のものによって開始されてもよく、かつ、埋植可能なセンサ３０２を実装するために外科手術の前又は後に発生してもよい。

【0033】

一実施例においては、モデルが、ユーザ装置３０４又は埋植可能なセンサ３０２上において事前に読み込まれている。この実施例においては、モデルに対する更新は、（ユーザ装置３０４のために、埋植可能なセンサ３０２のために、又はこれらの両方のために）ネットワーク装置３０６からユーザ装置３０４に又はユーザ装置３０４から埋植可能なセンサ３０２に送信することができる。別の実施例において、モデルは、ユーザ装置３０４、埋植可能なセンサ３０２、又はこれらの両方における読込みのために、ネットワーク装置３０８からユーザ装置３０４に送信することができる。ユーザ装置３０４は、モデルを埋植可能なセンサ３０２に送信することができる。

【0034】

埋植可能なセンサ３０２は、データをユーザ装置３０４に定期的に転送することができる。１つ又は複数の定期的なデータ転送の後に、ユーザ装置３０４は、時点３０８においてデータに関する分析を実行することができる。分析は、データから個人識別可能情報を除去するステップ、警告又は予測を出力するのかどうかを判定するためにデータをモデルに通すステップ、又はネットワーク装置３０６に送信するためにデータをコンパイルするステップを含むことができる。ユーザ装置３０４は、データをネットワーク装置３０６に定期的に転送することができる（例えば、埋植可能なセンサ３０２によって送信された同一のデータを転送するか又は個人情報が除去された状態のデータ、コンパイル済みのデータ、モデル結果、などの埋植可能なセンサ３０２によって送信されたデータに基づいて異なるフォーマットにおいてデータを送信している）。ユーザ装置３０４によって送信されたデータ、その他の埋植可能なセンサによって生成されたデータ、ウェアラブルセンサデータ、ユーザ装置３０４において収集されたデータ、又はこれらに類似したものなどの情報を使用することによって、ネットワーク装置３０６は、更新済みのモデル又はモデルに対する更新を生成することができる。更新済みのモデル又はモデルに対する更新は、ユーザ装置３０４に、かつ、次いで、任意選択により、ユーザ装置３０４から埋植可能なセンサ３０２に、送信されてもよい。いくつかの実施例において、埋植可能なセンサ３０２は、検証データをユーザ装置３０４に送信することができる。検証データは、ウェアラブル装置（図示せず）において生成されたウェアラブルデータを検証するために使用することができる。ウェアラブルデータは、図２との関係において上述したように生成することができる。

【0035】

モデルは、患者の成果、手術、又は運動に関係する警告又は予測を提供するために埋植可能なセンサ３０２からのデータを使用することができる。例えば、モデルは、歩行の監視、関節可動域の監視、理学療法のコンプライアンス監視、その他の臨床評価（例えば、麻酔下での操作のリスク、感染のリスク、悪化のリスク、修正のリスク、痛みのリスク、など）、又はこれらに類似したものに関係し得る。

【0036】

センサ構成の変化を動的に駆動するために、予測分析を使用することができる。例えば、データ収集の頻度の増大、データ収集のタイプの変更、又はデータがコンパイル又は保存される方式の変更などの埋植可能なセンサ３０２のパラメータを変更するために、ネットワーク装置３０６、ユーザ装置３０４、又は埋植可能なセンサ３０２上において稼働しているモデルの出力を使用することができる。例えば、モデルは、麻酔下での操作に対するニーズ、感染検出、又はこれらに類似したものの大きなリスクについて監視することができる。埋植可能なセンサ３０２は、例えば、通常又は標準モードから「麻酔下での操作」モード又は「感染検出」モードに作動を変更することができる。

【0037】

埋植可能なセンサ３０２の設定を変更するために、ＸＭＬに基づいた構成ファイルを使用することができる。環境又は患者データの変化に対してセンサ構成を適合させるための階層化されたアーキテクチャを有するインテリジェントデータ収集システムを使用することができる。

【0038】

一実施例においては、予測分析のために、モデルを使用することができる。モデルは、回復プログラムなどからの患者が完了させる可能性が高いものなどの埋植可能なセンサ３０２からのデータに基づいて患者の予測詳細を生成することができる。患者経路は、多層を成しており、かつ、臨床進捗を通じたルートは、治療及び回復、投薬を含み、又は、患者に固有であり得る自己管理を含む。埋植可能なセンサ３０２のデータを使用することによって、患者は、彼ら独自の個々の回復を最適化することができる。

【0039】

患者が活動的であるかどうか（例えば、患者が相対的に多くの外科的介入を必要とすることになる相対的に大きな可能性を結果的にもたらす）、又は、患者が回復の際に過度に運動する若しくは身体を損なう又は害をもたらす可能性が高いかどうか、を考慮することによって、患者固有の成果を予測するために、予測分析を使用することができる。埋植可能なセンサ３０２のデータは、（例えば、個人情報を伴うことなしに）患者データ、モデル、又はその他の患者のデータから生成されたデータ又はモデルに基づいて、個人化された回復プログラムを生成又は変更するなどのために、回復の際の改善を目的として使用することができる。外部センサデータ（例えば、ウェアラブルセンサデータ）は、これらのタイプの結果を評価するためにかつこれらのタイプの予測を実施するために十分正確ではない場合がある（例えば、ウェアラブルデータは、関節可動域内の約５度においてしか利用可能でない場合がある）。ウェアラブルにおいては利用可能ではない振動、負荷（例えば、力又は圧力）、内部温度、などのようないくつかのデータが、埋植可能センサ３０２から入手可能であり得る。埋植可能センサ３０２は、力センサ、圧力センサ、加速度計、ジャイロスコープ、慣性計測ユニット（ＩＭＵ）、歩数計、温度計、コンダクタンスセンサ、熱センサ、振動センサ、又はこれらに類似したものを含み得る。

【0040】

予測は、個人的ゴール又はターゲットに基づいたものであってよく、かつ、予測は、個人化されたメッセージと共にユーザに対して出力されてもよい。例えば、ユーザは、階段を歩いて上る、ゴルフをプレイする、又は床の上に座るというゴールを設定することができる。モデルは、関節可動域、移動性、埋植可能なセンサ３０２からのデータ、などに基づいて予測を生成することができる。この予測は、「あなたは、階段を上りきるための準備はまだ整っていないが、２段の階段を上ることを試みる準備は整っている」などの個人化されたユーザメッセージを生成するために使用することができる。個人化されたユーザメッセージは、患者ゴールの運動又は負荷ニーズへの分類に基づいたものであってよい。患者がゴールを実現することを支援するために、計画が生成されてもよく、かつ、ゴールが実現される時点、ゴールが実現され得る方式を予測するために、かつ、その過程の全体を通じて予測されることについて患者に通知するために、埋植可能なセンサ３０２からのデータが使用されてもよい。一実施例においては、予測を生成するために、現実世界の環境的な個人的詳細事項（例えば、家のフロア計画、家の内部の階段の数、毎日の歩行エリア、丘、都市、又は田舎などの環境検討事項、天候、子供又は孫、など）がモデルと共に使用されてもよい。一実施例においては、初期予測がケアチームに送信されてもよく、後からの予測が患者に送信されてもよい。一実施例においては、予測は警告として使用されてもよく、例えば、階段の使用を通知する運動が検出されかつ患者が階段のための準備が整っていないと予測が通知している場合には、階段をまだ試みないように患者に警告するメッセージが（例えば、ユーザ装置３０４を介して）患者に送信されてもよい。

【0041】

一実施例においては、当初は起動されていない複数のアプリケーションを埋植可能なセンサ３０２に事前に読み込むことができる（例えば、構成、使用法、プログラム、印刷回路基板（ＰＣＢ）、システムオンチップ（ＳｏＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、又はその他の集積回路などの回路、又は、ハードウェアレベルタイプのアプリケーション、など）。アプリケーションは、インプラント又は患者内における設置の前に（例えば、規制機関によって）検証され得る。アプリケーションの機能は、設置の前に検証され得るが、インプラント又は患者内における設置の後の時点まで起動されなくてもよい。起動されていないアプリケーションの１つのアプリケーションは、（例えば、ユーザ装置３０４からのメッセージなどの内部のｘｍｌ又はその他のソフトウェア命令を使用して）リモート起動することができる。埋植可能なセンサ３０２は、例えば、埋植可能なセンサ３０２が実行する内容の変更又はデータ収集頻度の変更などのように、（例えば、データ収集、出力、モデル、などを変更するために）異なるプログラム可能性の能力に対して作動可能に変更することができる。

【0042】

図４は、いくつかの実施形態によるフィードバックを判定する機械学習エンジンを示している。機械学習エンジンは、モバイル装置（例えば、携帯電話機）又はコンピュータ内において利用することができる。システムは、１つ又は複数の機械学習アルゴリズムに基づいて基準用の１つ又は複数の重み付けを算出することができる。図４は、本開示のいくつかの実施例による例示用の機械学習エンジン４００を示している。

【0043】

機械学習エンジン４００は、トレーニングエンジン４０２及び予測エンジン４０４を利用している。トレーニングエンジン４０２は、事前処理４０８を経験した後に１つ又は複数の特徴４１０を判定するために入力データ４０６を使用している。１つ又は複数の特徴４１０は、初期モデル４１２を生成するために使用されてもよく、初期モデル４１２は、反復的に、又は、将来のラベルを有していないデータにより、更新することができる。

【0044】

入力データ４０６には、外科手術の成果の成功の程度又は痛み情報などの患者の回復、患者のフィードバック、インプラントの成功、歩行情報、関節可動域、特定のゴール（例えば、運動ゴール、エクササイズゴール、物品を持ち上げる、スポーツをプレイする、車を運転するなどのアクションゴール、又はこれらに類似したもの）などの指標によってラベルを付与することができる。いくつかの実施例においては、成果は、主観的に入力データに割り当てられてもよいが、その他の実施例においては、成果メトリックに合焦する１つ又は複数のラベル付与基準（例えば、関節可動域、痛みレート、サーベイスコア、膝関節を意識しないスコアなどの患者充足スコア、ＷＯＭＡＣスコア、肩関節評価、股関節評価、又はこれらに類似したもの）が利用されてもよい。

【0045】

予測エンジン４０４においては、現時点のデータ４１４が事前処理４１６に入力されてもよい。いくつかの実施例においては、事前処理４１６及び事前処理４０８は、同一である。予測エンジン４０４は、事前処理された現時点のデータから特徴ベクトル４１８を生成しており、特徴ベクトル４１８は、１つ又は複数の基準重み付け４２２を生成するためにモデル４２０に入力されている。更に後述するように、基準重み付け４２２は、予測を出力するために使用されてもよい。

【0046】

トレーニングエンジン４０２は、モデル４２０をトレーニングするために、（例えば、サーバ上において）オフライン方式で作動することができる。予測エンジン４０４は、オンライン方式において作動するように設計することができる（例えば、リアルタイムで、モバイル装置において、インプラント装置上において、など）。その他の実施例においては、トレーニングエンジン４０２は、（例えば、モバイル装置において）オンライン方式で作動することができる。いくつかの実施例において、モデル４２０は、（例えば、更新された入力データ４０６を介した又は重み付け４２２内のラベルを有していないデータ出力に基づいた）更なるトレーニング又は（例えば、技法又は手順に対する更新などの）ユーザフィードバックを介して定期的に更新することができる。初期モデル４１２は、満足できるモデル４２０が生成される時点まで、更なる入力データ４０６を使用して更新することができる。モデル４２０の生成は、ユーザ入力に従って（例えば、１０００、１００００、１０００００個のデータポイントなどのような十分な入力データが使用された後に）又は（例えば、類似の入力が類似の出力を生成しているなどのように）データが収束した際に、停止することができる。

【0047】

トレーニングエンジン４０２のために使用される特定の機械学習アルゴリズムは、多くの異なる潜在的な教師付き又は教師なし機械学習アルゴリズムのうちから選択することができる。教師付き学習アルゴリズムの例は、人工ニューラルネットワーク、ベイズネットワーク、インスタンスに基づいた学習、サポートベクトルマシン、決定木（例えば、ＩｔｅｒａｔｉｖｅＤｉｃｈｏｔｏｍｉｓｅｒ３、Ｃ４．５、ＣＡＲＴ（ＣｌａｓｓｉｆｉｃｔｉｏｎａｎｄＲｅｇｒｅｓｓｉｏｎＴｒｅｅ）、ＣＨＡＩＤ（ＣＨｉ－ｓｑｕａｒｅｄＡｕｔｏｍａｔｉｃＩｎｔｅｒａｔｉｏｎＤｅｔｅｃｔｏｒ）、及びこれらに類似したもの）、ランダムフォレスト、一次クラシファイア、二次クラシファイア、Ｋニアレストネイバー、線形回帰、ロジスティック回帰、及び隠れマルコフモデルを含む。教師なし学習アリゴリズムの例は、予測極大化アルゴリズム、ベクトル量子化、及び情報ボトルネック法を含む。教師なしモデルは、トレーニングエンジン４０２を有していなくてもよい。例示用の一実施形態においては、回帰モデルが使用されており、かつ、モデル４２０は、特徴のベクトル４１０、４１８内の特徴のそれぞれごとの学習された重要性に対応する係数のベクトルである。

【0048】

モデル４２０用のデータ入力ソースは、埋植されたセンサ装置、腕時計、フィットネストラッカ、手首に装用された装置、汗モニタ（例えば、電解質レベル）、血糖モニタ（例えば、糖尿病用のもの）、心臓モニタ（例えば、ＥＫＧ又はＥＣＧ）、心拍数モニタ、パルスオキシメータ、ストレスレベルモニタ（例えば、Ａｐｐｌｅウォッチを介したもの）、呼吸数モニタ装置、「ライフアラート」、耳ウェアラブル（例えば、鼓膜などを介して頭蓋内圧を計測するためのもの）、頭部装着型のウェアラブル、超音波ウェアラブル、マイクロフォン発声障害装置、スマートコンタクト、スマートリング、エクササイズ機器（例えば、エリプティカル、ミラー、トレッドミル、バイク様のペロトン、ステアステッパ、など）、データを追跡する電話機アプリ、術中データ収集装置（例えば、視力及びロボット情報）、チェストバンド（例えば、呼吸及び心拍数用のもの）、ビデオ、又はこれらに類似したものの１つ又は複数を含むことができる。

【0049】

モデル４２０用の入力データは、ユーザ入力情報、食品アプリ、エクササイズトラッカ、その他のものなどからのアプリデータ、質問書／ＰＲＯＭへの応答、ビデオキャプチャ（例えば、関節可動域又は強度用のもの）、痛みレベル、オピオイド使用法、コンプライアンス（例えば、ＰＴ、ＯＴ又は教育ステップとの間のもの）、教育データ、エクササイズデータ、人口統計又は家族履歴情報、認知試験、ＢＭＩ、エクササイズ（日ごと／週ごと／月ごと）、就業状態（失業状態、就業状態、退職状態）、年齢、性別、収入／財産状態、子供、婚姻状態、又はこれらに類似したものを含み得る。モデル４２０へのその他の入力情報は、臨床医側のデータ、患者プロファイル（例えば、人口統計、好み、など）、患者の医療履歴、撮像、関節炎ラボパネル、又はこれらに類似したものを含み得る。

【0050】

トレーニングされたら、モデル４２０は、埋植されていないセンサデータの入力から、相関センサデータに基づいた成果を出力することができる。この実施例においては、入力データ４０６は、ウェアラブルデータによってラベル付与されたセンサデータを含み得る。それぞれのタイプのデータは、センサデータとウェアラブルデータを相関させるために時系列として保存することができる。例えば、成果によってラベル付与されたセンサデータ（例えば、患者予測、評価、など）に基づいてセンサデータ用の成果を通知するために、別個のモデルを生成することができる。モデル４２０は、センサデータを近似するためにウェアラブルデータが使用され得るように、センサデータをウェアラブルデータに相関させる一連の特徴を生成することができる。モデルの出力４２０は、ウェアラブルデータがモデル４２０に入力され得るように、ウェアラブルデータをセンサデータに変換するためのマッピング又は特徴セットを含んでいてもよく、これは、センサデータを生成してもよく、このセンサデータは、成果を提供するために別個のモデル内において使用することができる。この結果、トレーニングの後にセンサデータのニーズ又は使用を伴うことなしに成果を生成するために使用され得るのは、ウェアラブルデータのみである。

【0051】

別の実施例において、モデル４２０は、患者が特定のアクション、エクササイズ、又は特定のゴールを実行するための準備が完了しているかどうかに関係する患者準備完了スコア又は指標を予測することができる。一実施例においては、このモデル４２０は、上述の別個のモデルとして使用することができる。このモデル４２０は、センサデータ、ウェアラブルデータ、又は上述のその他のデータの任意のものを使用して生成することができる。このモデル４２０の出力は、患者が、運動ゴール、エクササイズゴール、物品の持ち上げ、スポーツのプレイ、自動車の運転、又はこれらに類似したものなどの特定のゴールを実現可能となり得るかどうか又はなり得る時点の識別を含むことができる。

【0052】

一実施例において、モデル４２０は、患者がハイリスク患者であるかどうかを予測するために使用することができる。患者がモデル４０２を使用してハイリスクを有するものと識別された際には、埋植されたセンサ装置は、センサデータを取得及び出力する相対的に高いスループットにおいて作動させることができる。モデル４２０は、感染の相対的に高いリスク、麻酔下での操作のニーズの相対的に高いリスク、痛みの相対的に高いリスク、などが存在している際には、患者のハイリスクを予測することができる。

【0053】

図５は、本開示の少なくとも一実施例による埋め込み型センサデータ処理システム内においてデータを処理するために使用する装置を判定する技法５００を示すフローチャートを示している。技法５００は、ローカルに、エッジ装置上において、又はクラウド内において、埋植されたセンサ装置、ウェアラブル装置、モバイル装置（例えば、電話機、タブレット、など）、コンピュータ（例えば、ラップトップ、デスクトップ、サーバ、など）、又はこれらに類似したものなどの装置の処理回路により、実行することができる。

【0054】

技法５００は、患者内の整形外科インプラント内において埋め込まれたセンサによって生成されたコンパイル済みのデータを受け取るための工程５０２を含む。コンパイル済みのデータは、センサ装置によって事前処理されたデータを含み得る。

【0055】

技法５００は、患者固有の情報に基づいて、予測を出力するためにローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するための工程５０４を含む。一実施例において、ローカル機械学習モデルは、モバイル装置上において稼働しており、かつ、リモート機械学習モデルは、リモートサーバ上において稼働している。工程５０４における判定に応答して、次のステップとして様々な工程を選択することができる。例えば、処理がローカルに完了され得る際には、技法５００は、工程５０６によって進捗している。相対的に正確な、相対的に困難な、又は相対的に集約的な判定の実施が必要とされる際には、技法５００は、工程５１０によって進捗することができる。単純な工程（例えば、集約）の実行を要する際には、技法５００は、一実施例においては、工程５０８に進むことができる。

【0056】

工程５０４は、患者に対して実行される整形外科手術に関係する判定を含むことができる。例えば、判定は、手術がタイムフレーム内において（例えば、最後の６カ月内において）発生したなどの際には、現時点のタイムフレームに基づいたものであってもよく、例えば、工程５１０を使用することによって、相対的に広範な判定を実施することができる。この実施例においては、工程５１０は、一日に一回又は一週間に一回などのスケジュールに従って使用され得る一方で、工程５０６及び５０８は、一定期間後よりも高頻度で発生している。一実施例において、工程５１０は、一定期間の後（例えば、手術後の１２カ月の後）には、使用されなくてもよい。その他の実施例においては、手術のタイプ、手術の場所、手術からの合併症、又はこれらに類似したものの判定において使用することができる。

【0057】

工程５０４は、次のステップを判定するために患者固有の情報を使用することができる。更に多くの又は更に少ないデータを収集するかどうか（例えば、工程５０８）、工程５０６又は５１０（又は、両方）を使用するかどうか、又はこれらに類似したものを判定するために、例えば、患者によって識別された痛みレベル、患者の関節可動域、患者のエクササイズスコア、患者によって定義又は選択されたゴールに向かう患者の進捗、又はこれらに類似したものを使用することができる。一実施例においては、患者が平均的な患者又はベースラインよりも多くの痛みを経験している際には、例えば、工程５０８において、更なる情報をセンサによって取得することができる。この実施例においては、相対的に正確な情報を取得するために、リモート工程５１０を使用することができる。別の実施例においては、患者が合併症のリスクを有する際には、相対的に高速のかつ相対的に確実な結果を目的としてローカル装置工程５０６を使用することができる。

【0058】

技法５００は、ローカル機械学習モデルへの入力としてコンパイル済みのデータを使用することによって、患者の成果を予測するための任意選択の工程５０６を含む。技法５００は、整形外科インプラント内のセンサを収容する装置上においてデータを処理するための任意選択の工程５０８を含む。技法５００は、リモート演算装置から予測される成果を受け取るための任意選択の工程５１０を含む。工程５１０は、リモート演算装置へのコンパイル済みのデータの送信に応答して発生し得る。一実施例において、コンパイル済みのデータがリモート演算装置に送信される前に、コンパイル済みのデータから個人識別情報を除去するために、コンパイル済みのデータの好ましくない箇所を除去することができる。いくつかの実施例において、予測は、センサを収容している装置上において最小限の時間において生成することができる。いくつかの実施例において、予測は、リモート演算装置が所要する時間よりも短い時間において、（例えば、モバイル装置又はセンサ近傍の装置上において）ローカル機械学習モデルを使用することによって、生成することができる。いくつかの実施例において、予測の精度は、予測を生成するために所要される時間と反比例関係にあり得る。

【0059】

図６は、本開示の少なくとも一実施例によるセンサデータをウェアラブルデータにマッピングする技法を示すフローチャートを示している。

【0060】

技法６００は、患者内の整形外科インプラント内において埋め込まれたセンサによって生成された時系列のセンサデータを得るための工程６０２を含む。技法６００は、患者によって装用されたウェアラブル装置によって生成された時系列のウェアラブルデータを取得するための工程６０４を含む。一実施例において、時系列のセンサデータ又は時系列のウェアラブルデータは、加速度計、ジャイロスコープ、力データ、歩行データ、又はこれらに類似したものの少なくとも１つを含み得る。時系列のデータは、スマートウォッチから生成することができる。

【0061】

技法６００は、時系列のセンサデータを時系列のウェアラブルデータにマッピングするモデルを生成するための工程６０６を含む。モデルは、互いの閾値時間範囲内において発生するそれぞれの時系列の個々のデータポイントのタイムスタンプに基づいて時系列のセンサデータと時系列のウェアラブルデータとをマッピングすることができる。例えば、数ミリ秒、数分、など内のデータポイントを相関させることができる。

【0062】

技法６００は、生成されたモデルへの入力としてウェアラブルデータの組を使用することによって、対応する合成センサデータを生成するための工程６０８を含む。マッピングは、ウェアラブルデータを使用してリアルセンサデータを模倣するために使用することができる。

【0063】

技法６００は、トレーニングされた機械学習モデルへの入力として合成センサデータを使用することによって、患者の予測される成果を判定するための工程６１０を含む。いくつかの実施例において、トレーニングされた機械学習モデルは、リハビリテーションゴールに向かう患者の進捗又は整形外科インプラントの残りの寿命の少なくとも１つを出力するように、トレーニングされている。トレーニングされる機械学習モデルは、時系列のセンサデータ又はその他のセンサデータを使用することによって、トレーニングすることができる。工程６１０は、何らの生成されたセンサデータを使用することなしに（例えば、合成センサデータ又はウェアラブルデータのみを使用することによって）予測される成果を判定するステップを含むことができる。合成データは、生成されたデータ、代表的なデータ、又はこれらに類似したものを含み得る。一実施例において、工程６１０は、合成センサデータを伴うことなしに予測を出力するために必要とされるものよりも少ない数のセンサによって生成された入力データポイントを使用するステップを含むことができる。例えば、予測を正確に出力するために数百個の生成されたセンサデータポイントが必要とされる場合には、予測を正確に出力するために、数十個又は数百個の生成されたセンサデータのみと共に、合成データを使用することができる。

【0064】

技法６００は、予測された成果を出力するための工程６１２を含む。予測は、例えば、（例えば、臨床医、患者、などへの）ユーザインターフェイス上における表示のために出力することができる。

【0065】

図７は、本開示の少なくとも一実施例による整形外科手術からの回復に関係する患者固有のゴールに関するフィードバックを提供する技法を示すフローチャートを示している。

【0066】

技法７００は、患者における整形外科手術からの回復に関係する患者固有のゴールを受け取るための工程７０２を含む。技法７００は、患者固有のゴールを１つ又は複数のメトリックの組に変換するための工程７０４を含む。１つ又は複数のメトリックは、関節可動域を含み得る。患者固有のゴールは、生命活動の識別を含み得る。この実施例においては、１つ又は複数のメトリックの組は、生命活動に対応する関節可動域を含み得る。患者の固有のゴールは、ユーザインターフェイス上において、患者固有のゴールの患者による選択を介して受け取ることができる。

【0067】

技法７００は、患者内の整形外科インプラント内において埋め込まれたセンサ装置のセンサによって生成されたセンサデータを受け取るための工程７０６を含む。技法７００は、トレーニングされた機械学習モデル及びセンサデータを使用することによって、１つ又は複数のメトリックの組のメトリックが充足されているかどうかを判定するための決定工程７０８を含む。トレーニングされる機械学習モデルは、メトリック完了ラベルを有する履歴センサデータを使用することによって、トレーニングすることができる。

【0068】

技法７００は、１つ又は複数のメトリックの組のすべてのメトリックが充足されているという工程７０８における判定に応答して患者固有のゴールが実現されているという通知を出力するための工程７１０を含む。患者固有のゴールが実現されているという通知は、第２の患者固有のゴールに対応する情報を含み得る。例えば、ゴールは、シーケンシャルにセットアップされてもよく、又は、ストレッチゴールも利用可能であり得る（例えば、「９ホールのゴルフをプレイしたい」は、「１８ホールのゴルフをプレイしたい」となり得る）。

【0069】

技法７００は、１つ又は複数のメトリックの組のメトリックが充足されていないという工程７０８における判定に応答してメトリックに対応する指標を出力するための工程７１２を含む。メトリックに対応する指標は、メトリックを改善するための識別されたエクササイズ（例えば、理学療法、ストレッチ、歩行、など）を含み得る。いくつかの実施例においては、指標は、患者固有のゴールが実現されることになる時点の予測日付を含み得る。

【0070】

技法７００は、センサ装置に、センサ装置のメモリ内において保存されている複数のアプリケーションのうちの１つを起動するための指標を送信するステップを含んでいてもよく、この場合に、複数のアプリケーションは、規制システム下において検証されるように事前構成されている。受け取られるセンサデータは、起動されたアプリケーションに従って生成することができる。いくつかの実施例において、起動されるアプリケーションが起動された際にセンサの少なくとも１つの作動を変更することができる。

【0071】

図８は、いくつかの実施形態によって、本明細書において記述されている技法の任意の１つ又は複数のものが実行され得る例示用の装置８００のブロック図を示している。この例示用の装置は、本明細書において記述されている整形外科インテリジェンスシステムの一部又はすべてを作動させることができる。いくつかの実施例において、整形外科インテリジェンスシステムは、例示用の装置８００上において作動することができる。その他の実施例においては、例示用の装置８００は、整形外科インテリジェンスシステムを作動させるために利用される多くのこのような装置のうちの１つであるに過ぎない。代替実施形態において、装置８００は、スタンドアロン装置として作動していてもよく又はその他の機械に接続（例えば、ネットワーク接続）されていてもよい。ネットワーク接続された配備状態においては、装置８００は、サーバクライアントネットワーク環境内において、サーバ装置、クライアント装置、又はこれらの両方の能力において作動することができる。一実施例において、装置８００は、ピアツーピア（Ｐ２Ｐ）（又は、その他の分散型の）ネットワーク環境内においてピア装置として機能することができる。装置８００は、パーソナルコンピュータ（ＰＣ）、タブレットＰＣ、セットトップボックス（ＳＴＢ）、パーソナルデジタルアシスタント（ＰＤＡ）、携帯電話機、ウェブアプライアンス、ネットワークルーター、スイッチ又はブリッジ、又はその装置によって実行されるアクションを規定する命令（シーケンシャル又はその他のもの）を実行する能力を有する任意の装置であってよい。また、更には、単一装置のみが示されているが、「装置」という用語は、クラウド演算、ＳａａＳ（ＳｏｆｗａｒｅａｓａＳｅｒｖｉｃｅ）、その他のコンピュータクラスタ構成などの本明細書において記述されている方法の任意の１つ又は複数を実行するための命令の１つの組（又は、複数の組）を個々に又は一緒に実行する任意の装置の集合体を含むものと解釈されたい。

【0072】

装置（例えば、コンピュータシステム）８００は、ハードウェアプロセッサ８０２（例えば、中央処理ユニット（ＣＰＵ）、グラフィクス処理ユニット（ＧＰＵ）、ハードウェアプロセッサコア、又はこれらの任意の組合せ）、メインメモリ８０４及びスタティックメモリ８０６を含んでいてもよく、これらのいくつか又はすべては、インターリンク（例えば、バス）８０８を介して互いに通信することができる。装置８００は、ディスプレイユニット８１０、英数入力装置８１２（例えば、キーボード）、及びユーザインターフェイス（ＵＩ）ナビゲーション装置８１４（例えば、マウス）を更に含んでいてもよい。一実施例において、ディスプレイユニット８１０、入力装置８１２、及びＵＩナビゲーション装置８１４は、タッチスクリーンディスプレイであってもよい。装置８００は、これに加えて、ストレージ装置（例えば、ドライブユニット）８１６、信号生成装置８１８（例えば、スピーカ）、ネットワークインターフェイス装置８２０、並びに、全地球測位システム（ＧＰＳ）センサ、コンパス、加速度計、又はその他のセンサなどの１つ又は複数のセンサ８２１を含むこともできる。装置８００は、通信するために又は１つ又は複数の周辺装置（例えば、プリンタ、カードリーダー、など）を制御するために、シリアル（例えば、ユニバーサルシリアルバス（ＵＳＢ）、パラレル、又はその他の有線又は無線（赤外線（ＩＲ）、近距離通信（ＮＦＣ）、など）接続などの出力コントローラ８２８を含むことができる。

【0073】

ストレージ装置８１６は、本明細書において記述されている技法又は機能の任意の１つ又は複数を実施する又はこれによって利用されるデータ構造又は命令８２４（例えば、ソフトウェア）の１つ又は複数の組が保存されている機械可読媒体８２２を含むことができる。また、命令８２４は、装置８００によるその実行の際に、完全に又は少なくとも部分的に、メインメモリ８０４内において、スタティックメモリ８０６内において、又はハードウェアプロセッサ８０２内において、存在することもできる。一実施例において、ハードウェアプロセッサ８０２、メインメモリ８０４、スタティックメモリ８０６、又はストレージ装置８１６の１つ又は任意の組合せは、機械可読媒体を構成することができる。

【0074】

機械可読媒体８２２は、単一媒体として図示されているが、「機械可読媒体」という用語は、１つ又は複数の命令８２４を保存するように構成された単一の媒体又は複数の媒体（例えば、中央集中化された又は分散されたデータベース及び／又は関連するキャッシュ及びサーバ）を含み得る。「機械可読媒体」という用語は、装置８００による実行のために命令を保存、エンコーディング、又は搬送する能力を有するかつ装置８００が本開示の技法の任意の１つ又は複数を実行するようにする又はこのような命令によって使用される又はこれらと関連付けられたデータ構造を保存、エンコーディング、又は搬送する能力を有する任意の媒体を含むことができる。非限定的な機械可読媒体の例は、半導体メモリ及び光及び磁気媒体を含み得る。

【0075】

更には、命令８２４は、いくつかの転送プロトコル（例えば、フレームリレー、インターネットプロトコル（ＩＰ）、送信制御プロトコル（ＴＣＰ）、ユーザデータグラムプロトコル（ＵＤＰ）、ハイパーテキスト転送プロトコル（ＨＴＴＰ）、など）の任意の１つを利用するネットワークインターフェイス装置８２０を介して送信媒体を使用して通信ネットワーク８２６上において送信又は受信することもできる。例示用の通信ネットワークは、その他のものに加えて、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、パケットデータネットワーク（例えば、インターネット）、携帯電話機ネットワーク（例えば、セルラーネットワーク）、基本電話（ＰＯＴＳ）ネットワーク、及び無線データネットワーク（例えば、Ｗｉ－Ｆｉ（登録商標）と称されるＩＥＥＥ（ＩｎｓｔｉｔｕｔｅｏｆＥｌｅｃｔｒｉｃａｌａｎｄＥｌｅｃｔｒｏｎｉｃｓＥｎｇｉｎｅｅｒｓ）８０２．１１規格ファミリー、ＷｉＭａｘ（登録商標）と称されるＩＥＥＥ８０２．１６規格ファミリー）、ＩＥＥＥ８０２．１５．４規格ファミリー、ピアツーピア（Ｐ２Ｐ）ネットワークを含むことができる。一実施例において、ネットワークインターフェイス装置８２０は、１つ又は複数の物理的なジャック（例えば、Ｅｔｈｅｒｎｅｔ、同軸、又は電話ジャック）又は通信ネットワーク８２６に接続するための１つ又は複数のアンテナを含むことができる。一実施例において、ネットワークインターフェイス装置８２０は、単一入力－複数出力（ＳＩＭＯ）、複数入力－複数出力（ＭＩＭＯ）、又は複数入力－単一出力（ＭＩＳＯ）技法の少なくとも１つを使用して無線通信するための複数のアンテナを含むことができる。「送信媒体」という用語は、装置８００による実行用の命令を保存、エンコーディング、又は搬送する能力を有するかつこのようなソフトウェアの通信を促進するためのデジタル又はアナログ通信信号又はその他の非有体媒体を含む任意の非有体媒体を含むものと解釈されたい。

【0076】

以下の非限定的な例のそれぞれは、それ独自において成立することができるか又はその他の実施例の１つ又は複数との間において様々な順列又は組合せにおいて組み合わせることができる。

【0077】

実施例１は、方法であり、方法は、モバイル装置において、患者内の整形外科インプラント内において埋め込まれたセンサによって生成されたコンパイル済みのデータを受け取るステップと、モバイル装置によって生成されたデータの少なくとも１つによってコンパイル済みのデータをラベル付与するステップであって、データは、モバイル装置に通信自在に結合されたウェアラブルによって生成されている、又は、データは、モバイル装置においてユーザによって入力されている、ステップと、コンパイル済みのデータをリモート演算装置に送信するステップと、リモート演算装置から機械学習モデルを受け取るステップと、モバイル装置において、センサによって生成されたコンパイル済みのデータの第２の組を受け取るステップと、機械学習モデルへの入力としてコンパイル済みのデータの第２の組を使用することによって、予測を判定するステップと、予測を出力するステップと、を有する。

【0078】

実施例２は、方法であり、方法は、モバイル装置から、サーバにおいて、患者内の整形外科インプラント内において埋め込まれたセンサによって生成され、かつ、モバイル装置においてラベル付与されたコンパイル済みのデータの第１の組を受け取るステップと、サーバにおいて、コンパイル済みのデータの第１の組を使用することによって、機械学習モデルを生成するステップと、機械学習モデルをモバイル装置に送信するステップと、モバイル装置から、サーバにおいて、センサによって生成されたコンパイル済みのデータの第２の組を受け取るステップと、コンパイル済みのデータの第２の組に基づいて、サーバにおいて機械学習モデルを更新するステップと、サーバにおいて機械学習モデルのコピー及び更新された機械学習モデルを維持するステップと、を有する。

【0079】

実施例３は、方法であり、方法は、モバイル装置において、患者内の整形外科インプラント内において埋め込まれたセンサによって生成されたコンパイル済みのデータを受け取るステップと、予測を出力するために、患者に固有の情報に基づいて、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップと、ローカル機械学習モデルの使用を要するという判定に従って、ローカル機械学習モデルへの入力としてコンパイル済みのデータを使用することによって、患者の成果を予測するステップと、リモート機械学習モデルの使用を要するという判定に従って、コンパイル済みのデータをリモート演算装置に送信するステップと、リモート演算装置から予測される成果を受け取るステップと、を有する。

【0080】

実施例４において、実施例３の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者に対して実行された整形外科手術に関係する現時点のタイムフレームを判定するステップを含むことを含む。

【0081】

実施例５において、実施例３から実施例４の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者に対して予め実行された整形外科手術に基づいていることを含む。

【0082】

実施例６において、実施例３から実施例５の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者によって識別された痛みレベル、患者の関節可動域、又は患者のエクササイズスコアを使用するステップを含むことを含む。

【0083】

実施例７において、実施例３から実施例６の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者によって定義されたゴールに向かう患者の進捗を判定するステップを含むことを含む。

【0084】

実施例８において、実施例３から実施例７の主題は、コンパイル済みのデータを送信するステップが、コンパイル済みのデータから個人識別情報を除去するために、送信の前にコンパイル済みのデータの好ましくない箇所を削除するステップを含むことを含む。

【0085】

実施例９は、方法であり、方法は、モバイル装置において、リモート演算装置から複数の機械学習モデルを受け取るステップであって、複数の機械学習モデルは、対応する患者母集団からの埋植されたセンサのデータを使用してトレーニングされている、ステップと、モバイル装置において、患者内の整形外科インプラント内において埋め込まれたセンサによって生成されたコンパイル済みのデータの第１の組を受け取るステップと、コンパイル済みのデータの第１の組及び患者に固有の情報に基づいて複数の機械学習モデルのうちの１つを選択するステップと、センサによって生成されたコンパイル済みのデータの第２の組を受け取るステップと、複数の機械学習モデルの１つへの入力としてコンパイル済みのデータの第２の組を使用することによって、患者の予測される成果を判定するステップと、を有する。

【0086】

実施例１０は、患者内の整形外科インプラント内において埋め込まれた装置であり、装置は、メモリと、通信回路と、データを生成するためのセンサと、生成されたデータをローカルに処理するのか又は生成されたデータを患者の外側の装置に送信するのかを判定し、生成されたデータをローカルに処理するという判定に従って、生成されたデータを集約しかつ生成されたデータをメモリ内において保存し、かつ、生成されたデータを患者の外側の装置に送信するという判定に従って、生成されたデータを患者の外側の装置に送信するために通信回路を起動し、かつ、患者の外側の装置上において実行された処理に基づいて、患者の外側の装置からセンサ用の更新済みの命令を受け取る、ための処理回路と、を有する。

【0087】

実施例１１において、実施例１０の主題は、患者の外側の装置が、基地局、モバイル装置、ウェアラブル装置、又はコンピュータであることを含む。

【0088】

実施例１２において、実施例１０から実施例１１の主題は、患者の外側の装置が、更なる装置にデータを送信するために個人識別情報を除去するためのものであることを含む。

【0089】

実施例１３において、実施例１０から実施例１２の主題は、センサ用の更新済みの命令が、麻酔下での操作のニーズ又は感染のリスクが閾値超であるという判定に基づいてセンサデータ収集のレートを増大させるステップを含むことを含む。

【0090】

実施例１４において、実施例１０から実施例１３の主題は、通信回路が、ウェアラブル装置の計測値を検証するために、患者の外側の装置において使用可能である時系列のデータとして、生成されたデータを送信するためのものであることを含む。

【0091】

実施例１５において、実施例１０から実施例１４の主題は、生成されたデータが、ゴールに向かう進捗について患者に助言する警報を患者に対して提供するために患者の外側の装置によって使用可能であることを含む。

【0092】

実施例１６は、方法であり、方法は、プロセッサにおいて、患者内の整形外科インプラント内において埋め込まれたセンサによって生成された時系列のセンサデータを取得するステップと、プロセッサにおいて、患者によって装用されたウェアラブル装置によって生成された時系列のウェアラブルデータを取得するステップと、時系列のセンサデータを時系列のウェアラブルデータにマッピングするモデルを生成するステップと、モデルに対する入力としてウェアラブルデータの組を使用することによって、対応する合成センサデータを判定するステップと、機械学習モデルへの入力として合成センサデータを使用することによって、患者の予測される成果を判定するステップと、を有する。

【0093】

実施例１７は、命令を含む少なくとも１つの機械可読媒体であり、命令は、処理回路によって実行された際に、処理回路が、患者における整形外科手術からの回復に関係する患者固有のゴールを受け取り、患者固有のゴールを１つ又は複数のメトリックの組に変換し、患者内の整形外科インプラント内において埋め込まれたセンサによって生成されたセンサデータを受け取り、機械学習モデル及びセンサデータを使用することによって、１つ又は複数のメトリックの組のメトリックが充足されているかどうかを判定し、１つ又は複数のメトリックの組のすべてのメトリックが充足されているという判定に応答して、患者固有のゴールが実現されているという指標を出力し、かつ、１つ又は複数のメトリックの組のメトリックが充足されていないという判定に応答して、メトリックに対応する指標を出力する、ための工程を実行するようにしている。

【0094】

実施例１８において、実施例１７の主題は、メトリックに対応する指標が、メトリックを改善するための識別されたエクササイズを含むことを含む。

【0095】

実施例１９において、実施例１７から実施例１８の主題は、メトリックに対応する指標が、患者固有のゴールが実現されることになる時点の予測日付を含むことを含む。

【0096】

実施例２０において、実施例１７から実施例１９の主題は、１つ又は複数のメトリックが関節可動域を含むことを含む。

【0097】

実施例２１は、患者内の整形外科インプラント内において埋め込まれるように構成された埋植可能なセンサ装置であり、装置は、センサと、処理回路と、メモリであって、規制システム下において検証されるように事前に構成された複数のアプリケーション及び複数のアプリケーションのそれぞれに対応する起動状態を含む表を含むメモリと、複数のアプリケーションのうちの１つを起動するための指標を受け取るための通信回路と、を有し、この場合、表は、複数のアプリケーションの１つが指標を受け取ることに応答して有効であることを表示するように更新され、かつ、この場合に、センサの少なくとも１つの作動は、処理回路が複数のアプリケーションのうちの１つを開始した際に変更されている。

【0098】

実施例２２は、処理回路と、命令を含むメモリと、を有するモバイル装置であり、命令は、処理回路によって実行された際に、処理回路が、モバイル装置において、患者内の整形外科インプラント内において埋め込まれたセンサ装置のセンサによって生成されたコンパイル済みのデータを受け取り、コンパイル済みのデータを使用して生成された予測を出力するために、患者固有の情報に基づいて、モバイル装置において作動可能であるローカル機械学習モデルを使用するのか又はリモート装置において作動可能であるリモート機械学習モデルを使用するのかを判定し、ローカル機械学習モデルの使用を要するという判定に従って、モバイル装置において、ローカル機械学習モデルへの入力としてコンパイル済みのデータを使用することによって、患者の成果を予測し、リモート機械学習モデルの使用を要するという判定に従って、コンパイル済みのデータを使用してリモート演算装置において予測される成果を生成するために、モバイル装置から、コンパイル済みのデータをリモート演算装置に送信する、ための工程を実行するようにしている。

【0099】

実施例２３において、実施例２２の主題は、コンパイル済みのデータが、センサ装置によって事前処理されたデータを含むことを含む。

【0100】

実施例２４において、実施例２２から実施例２３の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者に対して実行された整形外科手術に関係する現時点のタイムフレームを判定し、かつ、現時点のタイムフレームを閾値タイムフレームと比較する、ための工程を含むことを含む。

【0101】

実施例２５において、実施例２２から実施例２４の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者に対して予め実行された整形外科手術の識別に基づいて使用するモデルを判定するための工程を含むことを含む。

【0102】

実施例２６において、実施例２２から実施例２５の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者によって識別された痛みレベル、患者の関節可動域、又は患者のエクササイズスコアのうちの少なくとも１つであるモバイル装置において受け取られた入力に基づいて使用するモデルを判定するための工程を含むことを含む。

【0103】

実施例２７において、実施例２２から実施例２６の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者によって定義されたゴールに向かう患者の進捗を判定するための工程を含むことを含む。

【0104】

実施例２８において、実施例２２から実施例２７の主題は、コンパイル済みのデータを送信するステップが、コンパイル済みのデータから個人識別情報を除去するために、送信される前にコンパイル済みのデータの好ましくない箇所を削除するための工程を含むことを含む。

【0105】

実施例２９において、実施例２２から実施例２８の主題は、ローカル機械学習モデルによる予測が、リモート機械学習モデルによる予測よりも短い時間において取得されることを含む。

【0106】

実施例３０は、モバイル装置における作動用の命令を含む少なくとも１つの機械可読媒体であり、命令は、実行された際に、処理回路が、モバイル装置において、患者内の整形外科インプラント内において埋め込まれたセンサ装置のセンサによって生成されたコンパイル済みデータを受け取り、コンパイル済みのデータを使用して生成された予測を出力するために、患者に固有の情報に基づいて、モバイル装置において作動可能であるローカル機械学習モデルを使用するのか又はリモート装置において作動可能であるリモート機械学習モデルを使用するのかを判定し、ローカル機械学習モデルの使用を要するという判定に従って、モバイル装置において、ローカル機械学習モデルへの入力としてコンパイル済みデータを使用することによって、患者の成果を予測し、リモート機械学習モデルの使用を要するという判定に従って、コンパイル済みのデータを使用してリモート演算装置において予測される成果を生成するために、モバイル装置から、コンパイル済みのデータをリモート演算装置に送信する、ための工程を実行するようにしている。

【0107】

実施例３１において、実施例３０の主題は、コンパイル済みのデータが、センサ装置によって事前処理されたデータを含むことを含む。

【0108】

実施例３２において、実施例３０から実施例３１の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者に対して実行された整形外科手術に関係する現時点のタイムフレームを判定し、かつ、現時点のタイムフレームを閾値タイムフレームと比較する、ための工程を含むことを含む。

【0109】

実施例３３において、実施例３０から実施例３２の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者に対して予め実行された整形外科手順の識別に基づいて使用するモデルを判定するための工程を含むことを含む。

【0110】

実施例３４において、実施例３０から実施例３３の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者によって識別された痛みレベル、患者の関節可動域、又は患者のエクササイズスコアのうちの少なくとも１つであるモバイル装置において受け取られた入力に基づいて使用するモデルを判定するための工程を含むことを含む。

【0111】

実施例３５において、実施例３０から実施例３４の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者によって定義されたゴールに向かう患者の進捗を判定するための工程を含むことを含む。

【0112】

実施例３６において、実施例３０から実施例３５の主題は、コンパイル済みのデータを送信するステップが、コンパイル済みのデータから個人識別情報を除去するために、送信される前にコンパイル済みのデータの好ましくない箇所を削除するための工程を含むことを含む。

【0113】

実施例３７において、実施例３０から実施例３６の主題は、ローカル機械学習モデルによる予測が、リモート機械学習モデルによる予測よりも短い時間において取得されていることを含む。

【0114】

実施例３８は、患者内の整形外科インプラント内において埋め込まれたセンサ装置であって、データを生成するためのセンサ及びデータをコンパイルするための処理回路を含むセンサ装置と、通信回路、処理回路、及び命令を含むメモリを含むモバイル装置と、を有するシステムであり、命令は、処理回路によって実行された際に、処理回路が、コンパイル済みのデータを使用して生成された予測を出力するために、患者固有の情報に基づいて、モバイル装置において作動可能であるローカル機械学習モデルを使用するのか又はリモート装置において作動可能であるリモート機械学習モデルを使用するのかを判定し、ローカル機械学習モデルの使用を要するという判定に従って、モバイル装置において、ローカル機械学習モデルへの入力としてコンパイル済みのデータを使用することによって、患者用の成果を予測し、リモート機械学習モデルの使用を要するという判定に従って、コンパイル済みのデータを使用してリモート演算装置において予測される成果を生成するために、モバイル装置の通信回路から、コンパイル済みのデータをリモート演算装置に送信する、ための工程を実行するようにしている。

【0115】

実施例３９において、実施例３８の主題は、コンパイル済みのデータが、センサ装置内において処理回路によって事前処理されたデータを含むことを含む。

【0116】

実施例４０において、実施例３８から実施例３９の主題は、ローカル機械学習モデルを使用するのか又はリモート機械学習モデルを使用するのかを判定するステップが、患者に対して実行された整形外科手術に関係する現時点のタイムフレーム、患者に対して予め実行された整形外科手術の識別、又は、患者によって識別された痛みレベル、患者の関節可動域、若しくは患者のエクササイズスコアの少なくとも１つを含むモバイル装置において受け取られた入力、の少なくとも１つを使用するための工程を含むことを含む。

【0117】

実施例４１において、実施例３８から実施例４０の主題は、コンパイル済みのデータを送信するステップが、コンパイル済みのデータから個人識別情報を除去するために、送信される前にコンパイル済みのデータの好ましくない箇所を削除するための工程を含むことを含む。

【0118】

実施例４２は、方法であり、方法は、プロセッサにおいて、患者内の整形外科インプラント内において埋め込まれたセンサによって生成された時系列のセンサデータを取得するステップと、プロセッサにおいて、患者によって装用されたウェアラブル装置によって生成された時系列のウェアラブルデータを取得するステップと、時系列のセンサデータを時系列のウェアラブルデータにマッピングするモデルを生成するステップと、生成されたモデルへの入力としてウェアラブルデータの組を使用することによって、対応する合成センサデータを生成するステップと、トレーニングされた機械学習モデルへの入力として合成センサデータを使用することによって、患者の予測される成果を判定するステップと、予測される成果を出力するステップと、を有する。

【0119】

実施例４３において、実施例４２の主題は、トレーニングされた機械学習モデルが、リハビリテーションゴールに向かう患者の進捗又は整形外科インプラントの残りの寿命の少なくとも１つを出力するようにトレーニングされていることを含む。

【0120】

実施例４４において、実施例４２から実施例４３の主題は、トレーニングされた機械学習モデルが、センサデータの時系列を使用してトレーニングされていることを含む。

【0121】

実施例４５において、実施例４２から実施例４４の主題は、モデルが、時系列のセンサデータ及び時系列のウェアラブルデータを互いの閾値時間範囲内において発生するそれぞれの時系列の個々のデータポイントのタイムスタンプに基づいてマッピングしていることを含む。

【0122】

実施例４６において、実施例４２から実施例４５の主題は、患者の予測される成果を判定するステップが、入力として何らの生成されたセンサデータを使用することなく発生していることを含む。

【0123】

実施例４７において、実施例４２から実施例４６の主題は、患者の予測される成果を判定するステップが、合成センサデータを伴うことなしに予測を出力するために必要とされるものよりも少ないセンサによって生成された入力データポイントを使用して発生していることを含む。

【0124】

実施例４８において、実施例４２から実施例４７の主題は、時系列のセンサデータが加速度計又はジャイロスコープデータの少なくとも１つを含み、かつ、時系列のウェアラブルデータが歩行データを含むことを含む。

【0125】

実施例４９において、実施例４２から実施例４８の主題は、ウェアラブル装置によって生成された時系列のデータを取得するステップが、スマートウォッチから時系列のデータを受け取るステップを含むことを含む。

【0126】

実施例５０は、処理回路と、命令を含むメモリと、を有する装置であり、命令は、処理回路によって実行された際に、処理回路が、患者内の整形外科インプラント内において埋め込まれたセンサによって生成された時系列のセンサデータを取得し、患者によって装用されたウェアラブル装置によって生成された時系列のウェアラブルデータを取得し、時系列のセンサデータを時系列のウェアラブルデータにマッピングするモデルを生成し、生成されたモデルに対する入力としてウェアラブルデータの組を使用することによって、対応する合成センサデータを生成し、かつ、トレーニングされた機械学習モデルへの入力として合成センサデータを使用することによって、患者の予測される成果を判定し、かつ、予測される成果を出力する、ための工程を実行するようにしている。

【0127】

実施例５１において、実施例５０の主題は、トレーニングされた機械学習モデルが、リハビリテーションゴールに向かう患者の進捗又は整形外科インプラントの残りの寿命の少なくとも１つを出力するようにトレーニングされていることを含む。

【0128】

実施例５２において、実施例５０から実施例５１の主題は、トレーニングされた機械学習モデルが、時系列のセンサデータを使用してトレーニングされていることを含む。

【0129】

実施例５３において、実施例５０から実施例５２の主題は、モデルが互いの閾値時間範囲内において発生するそれぞれの時系列の個々のデータポイントのタイムスタンプに基づいて時系列のセンサデータ及び時系列のウェアラブルデータをマッピングしていることを含む。

【0130】

実施例５４において、実施例５０から実施例５３の主題は、患者の予測される成果が、入力として何らの生成されたセンサデータを使用することなしに判定されていることを含む。

【0131】

実施例５５において、実施例５０から実施例５４の主題は、患者の予測される成果が、合成センサデータを伴うことなしに予測を出力するために必要とされるものよりも少ないセンサによって生成された入力データポイントを使用して判定されていることを含む。

【0132】

実施例５６において、実施例５０から実施例５５の主題は、時系列のセンサデータが加速度計又はジャイロスコープデータの少なくとも１つを含み、かつ、時系列のウェアラブルデータの時系列が歩行データを含むことを含む。

【0133】

実施例５７において、実施例５０から実施例５６の主題は、ウェアラブル装置がスマートウォッチであることを含む。

【0134】

実施例５８は、命令を含む少なくとも１つの機械可読媒体であり、命令は、実行された際に、処理回路が、患者内の整形外科インプラント内において埋め込まれたセンサによって生成された時系列のセンサデータを取得し、患者によって装用されたウェアラブル装置によって生成された時系列のウェアラブルデータを取得し、時系列のセンサデータを時系列のウェアラブルデータにマッピングするモデルを生成し、生成されたモデルに対する入力としてウェアラブルデータの組を使用することによって、対応する合成センサデータを生成し、かつ、トレーニングされた機械学習モデルに対する入力として合成センサデータを使用することによって、患者の予測される成果を判定し、かつ、予測される成果を出力する、ための工程を実行するようにしている。

【0135】

実施例５９において、実施例５８の主題は、モデルが、互いの閾値時間範囲内において発生するそれぞれの時系列の個々のデータポイントのタイムスタンプに基づいて時系列のセンサデータ及び時系列のウェアラブルデータをマッピングすることを含む。

【0136】

実施例６０において、実施例５８から実施例５９の主題は、患者の予測される成果が、入力として何らの生成されたセンサデータを使用することなしに判定されていることを含む。

【0137】

実施例６１において、実施例５８から実施例６０の主題は、時系列のセンサデータが加速度計又はジャイロスコープデータの少なくとも１つを含み、かつ、時系列のウェアラブルデータが歩行データを含むことを含む。

【0138】

実施例６２は、命令を含む少なくとも１つの機械可読媒体であり、命令は、処理回路によって実行された際に、処理回路が、患者における整形外科手術からの回復に関係する患者固有のゴールを受け取り、患者固有のゴールを１つ又は複数のメトリックの組に変換し、患者内の整形外科インプラント内において埋め込まれたセンサ装置のセンサによって生成されたセンサデータを受け取り、トレーニングされた機械学習モデル及びセンサデータを使用することによって、１つ又は複数のメトリックの組のメトリックが充足されているかどうかを判定し、１つ又は複数のメトリックの組のすべてのメトリックが充足されているという判定に応答して、患者固有のゴールが実現されているという指標を出力し、かつ、１つ又は複数のメトリックの組のメトリックが充足されていないという判定に応答して、メトリックに対応する指標を出力する、ための工程を実行するようにしている。

【0139】

実施例６３において、実施例６２の主題は、メトリックに対応する指標が、メトリックを改善するための識別されたエクササイズを含むことを含む。

【0140】

実施例６４において、実施例６２から実施例６３の主題は、メトリックに対応する指標が、患者固有のゴールが実現されることになる時点の予測日付を含むことを含む。

【0141】

実施例６５において、実施例６２から実施例６４の主題は、１つ又は複数のメトリックが関節可動域を含むことを含む。

【0142】

実施例６６において、実施例６２から実施例６５の主題は、トレーニングされた機械学習モデルが、メトリック完了ラベルを有する履歴センサデータを使用してトレーニングされていることを含む。

【0143】

実施例６７において、実施例６２から実施例６６の主題は、患者固有のゴールが実現されているという指標が、第２の患者固有のゴールに対応する情報を含むことを含む。

【0144】

実施例６８において、実施例６２から実施例６７の主題は、患者固有のゴールが生命活動の識別を含み、かつ、１つ又は複数のメトリックの組が生命活動に対応する関節可動域を含むことを含む。

【0145】

実施例６９において、実施例６２から実施例６８の主題は、患者固有のゴールが、ユーザインターフェイス上において、患者固有のゴールの患者による選択を介して受け取られていることを含む。

【0146】

実施例７０において、実施例６２から実施例６９の主題は、工程は、処理回路に、センサ装置のメモリ内において保存されている複数のアプリケーションのうちの１つを起動するための指標をさらにセンサ装置へ送信させ、複数のアプリケーションは、規制システム下において検証されるように事前構成されており、かつ、受け取られるセンサデータが、起動されたアプリケーションに従って生成されていることを含む。

【0147】

実施例７１において、実施例７０の主題は、センサの少なくとも１つの作動が、起動されるアプリケーションが起動された際に変更されていることを含む。

【0148】

実施例７２は、システムであり、システムは、患者内の整形外科インプラント内において埋め込まれたセンサ装置であって、センサデータを生成するためのセンサを含むセンサ装置と、処理回路及び命令を含むメモリを含む演算装置と、を有し、命令は、処理回路によって実行された際に、処理回路が、患者における整形外科手術からの回復に関係する患者固有のゴールを受け取り、患者固有のゴールを１つ又は複数のメトリックの組に変換し、トレーニングされた機械学習モデル及びセンサデータを使用することによって、１つ又は複数のメトリックの組のメトリックが充足されているかどうかを判定し、１つ又は複数のメトリックの組のすべてのメトリックが充足されているという判定に応答して、患者固有のゴールが実現されているという指標を出力し、かつ、１つ又は複数のメトリックの組のメトリックが充足されていないという判定に応答して、メトリックに対応する指標を出力する、ための工程を実行するようにしている。

【0149】

実施例７３において、実施例７２の主題は、メトリックに対応する指標が、メトリックを改善するための識別されたエクササイズを含むことを含む。

【0150】

実施例７４において、実施例７２から実施例７３の主題は、メトリックに対応する指標が、患者固有のゴールが実現されることになる時点の予測日付を含むことを含む。

【0151】

実施例７５において、実施例７２から実施例７４の主題は、１つ又は複数のメトリックが関節可動域を含むことを含む。

【0152】

実施例７６において、実施例７２から実施例７５の主題は、トレーニングされた機械学習モデルが、メトリック完了ラベルを有する履歴センサデータを使用してトレーニングされていることを含む。

【0153】

実施例７７において、実施例７２から実施例７６の主題は、患者固有のゴールが実現されているという指標が、第２の患者固有のゴールに対応する情報を含むことを含む。

【0154】

実施例７８において、実施例７２から実施例７７の主題は、患者固有のゴールが生命活動の識別を含み、かつ、１つ又は複数のメトリックの組が生命活動に対応する関節可動域を含むことを含む。

【0155】

実施例７９において、実施例７２から実施例７８の主題は、患者固有のゴールが、ユーザインターフェイス上において、患者固有のゴールの患者による選択を介して受け取られていることを含む。

【0156】

実施例８０において、実施例７２から実施例７９の主題は、工程は、処理回路に、センサ装置のメモリ内において保存されている複数のアプリケーションのうちの１つを起動するための指標をさらにセンサ装置へ送信させ、複数のアプリケーションが、規制システム下において検証されるように事前構成されており、かつ、受け取られるセンサデータが、起動されたアプリケーションに従って生成されていることを含む。

【0157】

実施例８１において、実施例８０の主題は、センサの少なくとも１つの作動が、起動されるアプリケーションが起動された際に変更されていることを含む。

【0158】

実施例８２は、命令を含む少なくとも１つの機械可読媒体であり、命令は、処理回路によって実行された際に、処理回路が実施例１から実施例８１のいずれか１つを実装するための工程を実行するようにしている。

【0159】

実施例８３は、実施例１から実施例８１のいずれか１つを実装するための手段を有する装置である。

【0160】

実施例８４は、実施例１から例実施例８１のいずれか１つを実装するためのシステムである。

【0161】

実施例８５は、実施例１から実施例８１のいずれか１つを実装するための方法である。

【0162】

いくつかの実施例においては、実施例１から実施例８１の任意の１つ又は複数のものにおいて記述されている任意の１つ又は複数のコンポーネント又は工程は、任意の組合せにおいて含まれていてもよい。

【0163】

本明細書において記述されている方法の例は、少なくとも部分的に機械又はコンピュータ実装することができる。いくつかの実施例は、以上の実施例において記述されている方法を実行するために電子装置を構成するように作動可能である命令によってエンコーディングされたコンピュータ可読媒体又は機械可読媒体を含むことができる。このような方法の実装形態は、マイクロコード、アセンブリ言語コード、相対的にハイレベルな言語コード、又はこれらに類似したものなどのコードを含むことができる。このようなコードは、様々な方法を実行するためのコンピュータ可読命令を含むことができる。コードは、コンピュータプログラムプロダクトの一部分を形成することができる。更には、一実施例においては、コードは、実行の際又はその他の時点などにおいて、１つ又は複数の揮発性の、一時的ではない、又は不揮発性の有体のコンピュータ可読媒体上において有体の方式で保存することができる。これらの有体のコンピュータ可読媒体の例は、限定を伴うことなしに、ハードディスク、リムーバブル磁気ディスク、リムーバブル光ディスク（例えば、コンパクトディスク及びデジタルビデオディスク）、磁気カセット、メモリカード又はメモリスティック、ランダムアクセスメモリ（ＲＡＭ）、読み出し専用メモリ（ＲＯＭ）、及びこれらに類似したものを含むことができる。

【図1】