知財求人 - 知財ポータルサイト「IP Force」
▶ シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッドの特許一覧
(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】2024-07-24
(54)【発明の名称】リアルタイム試料不足吸引障害検出
(51)【国際特許分類】
G01N 35/00 20060101AFI20240717BHJP
G01N 35/10 20060101ALI20240717BHJP
【ＦＩ】
G01N35/00 F
G01N35/10 D
【審査請求】有
【予備審査請求】未請求
(21)【出願番号】P 2024501732
(86)(22)【出願日】2022-07-12
(85)【翻訳文提出日】2024-02-22
(86)【国際出願番号】 US2022073657
(87)【国際公開番号】W WO2023288232
(87)【国際公開日】2023-01-19
(31)【優先権主張番号】63/221,453
(32)【優先日】2021-07-13
(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】508147326
【氏名又は名称】シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド
(74)【代理人】
【識別番号】100127926
【弁理士】
【氏名又は名称】結田 純次
(74)【代理人】
【識別番号】100216105
【弁理士】
【氏名又は名称】守安 智
(72)【発明者】
【氏名】ナラヤナン・ラマクリシュナン
【テーマコード（参考）】
2G058
【Ｆターム（参考）】
2G058GB06
2G058GB10
2G058GE10
(57)【要約】
自動診断分析システムにおける試料不足吸引障害のリアルタイム検出方法は、吸引圧力測定信号に基づく圧力勾配波形のスペクトル解析を含む。スペクトル解析は、移動平均フィルタ、または、例えば連続ウェーブレット変換（ＣＷＴ）もしくは離散ウェーブレット変換（ＤＷＴ）などのウェーブレット変換を使用して、圧力勾配波形における明確な過渡的挙動を特定することを含むことができる。これらの方法は、試料不足吸引障害を正確に特定して、自動診断分析システムが、検出された試料不足の分析を適時に終了して、誤っている可能性のある試料検査結果を回避することができるようにする。試料不足吸引障害のリアルタイム検出装置もまた、他の態様と同様に提供される。
【選択図】図４
【選択図】図４
【特許請求の範囲】
【請求項1】
自動診断分析システムにおいて試料不足吸引障害を検出する方法であって：自動診断分析システムにおいて、液体が吸引されている際に、圧力センサを介して吸引圧力測定を実行することと；
吸引圧力測定信号波形から勾配波形を導出し：
勾配波形の移動平均、または
勾配波形のウェーブレット変換
を計算するように構成されたアルゴリズムを実行するプロセッサを介して、吸引圧力測定信号波形を解析することと、
該解析することに応答して、プロセッサを介して試料不足吸引障害を特定しそれに応答することと、
を含む前記方法。
【請求項2】
移動平均を計算するように構成されたアルゴリズムは、勾配波形の検出窓内の予め決められた時間増分で、移動平均と勾配波形との差を計算するようにさらに構成されている、請求項１に記載の方法。
【請求項3】
移動平均を計算するように構成されたアルゴリズムは、２０ｌｏｇ（ｓｉｇｎａｌ＿ｍｅｔｒｉｃ／ｎｏｉｓｅ）ｄＢに等しい信号対雑音比を計算するようにさらに構成されており、ｓｉｇｎａｌ＿ｍｅｔｒｉｃは、勾配波形の検出窓内の予め決められた時間増分での移動平均と勾配波形との差の絶対値の平均値、二乗平均平方根（ＲＭＳ）、または７５パーセンタイル値のうちの少なくとも１つを含む、請求項１に記載の方法。
【請求項4】
特定し応答することは、信号対雑音比が閾値を超えるかどうかを判断することにより、プロセッサを介して吸引障害を特定しそれに応答することをさらに含む、請求項１に記載の方法。
【請求項5】
移動平均は、約１０ミリ秒の移動平均窓に基づく、請求項１に記載の方法。
【請求項6】
ウェーブレット変換は、連続ウェーブレット変換（ＣＷＴ）または離散ウェーブレット変換（ＤＷＴ）である、請求項１に記載の方法。
【請求項7】
ウェーブレット変換を計算するように構成されたアルゴリズムは、ウェーブレット変換係数に基づいてウェーブレット変換の複数のメトリックを計算するようにさらに構成されている、請求項１に記載の方法。
【請求項8】
特定し応答することは、信号対雑音比が閾値を超えるかどうかを判断することにより、プロセッサを介して吸引障害を特定しそれに応答することをさらに含む、請求項７に記載の方法。
【請求項9】
吸引圧力測定信号波形を解析することは、吸引プロセスの開始から２７０ミリ秒～３２０ミリ秒の範囲の検出窓の間に行われる、請求項１に記載の方法。
【請求項10】
特定し応答することは、自動診断分析システムによる液体の分析を、試料不足吸引障害を特定することに応答して、液体の分析の開始前に終了することを含む、請求項１に記載の方法。
【請求項11】
自動吸引分注装置であって：ロボットアームと；
該ロボットアームに連結されたプローブと；
該プローブに連結されたポンプと；
プローブを介して液体が吸引されている際に、吸引圧力測定を実行するように構成された圧力センサと；
アルゴリズムを実行して、吸引プロセス中に試料不足吸引障害を検出しそれに応答するように構成されたプロセッサであって、アルゴリズムは、圧力センサから受信した吸引圧力測定信号波形を、該吸引圧力測定信号波形から勾配波形を導出し、勾配波形の移動平均またはウェーブレット変換を計算することによって勾配波形のスペクトル解析を実行することによって、解析するように構成されている、プロセッサと、
を含む前記自動吸引分注装置。
【請求項12】
アルゴリズムは、勾配波形の検出窓内の予め決められた時間増分で、移動平均と勾配波形との差を計算するようにさらに構成されている、請求項１１に記載の自動吸引分注装置。
【請求項13】
アルゴリズムは、ウェーブレット変換係数に基づいてウェーブレット変換の複数のメトリックを計算するようにさらに構成されている、請求項１１に記載の自動吸引分注装置。
【請求項14】
アルゴリズムは、信号対雑音比が閾値を超えるかどうかを判断することにより、吸引プロセス中に試料不足吸引障害を検出しそれに応答するようにさらに構成されている、請求項１１に記載の自動吸引分注装置。
【請求項15】
ウェーブレット変換は、連続ウェーブレット変換（ＣＷＴ）または離散ウェーブレット変換（ＤＷＴ）である、請求項１１に記載の自動吸引分注装置。
【請求項16】
移動平均は、約１０ミリ秒の移動平均窓に基づき；または勾配波形のスペクトル解析を実行するように構成されたアルゴリズムは、吸引プロセスの開始から２７０ミリ秒～３２０ミリ秒の範囲の検出窓の間に移動平均を計算することによって、勾配波形のスペクトル解析を実行するようにさらに構成されている、請求項１１に記載の自動吸引分注装置。
【請求項17】
アルゴリズムは、訓練された学習ベースの分類器を使用して正常／異常閾値を決定することによって、正常および異常（試料不足）分類の自動分類を実行するようにさらに構成された人工知能（ＡＩ）アルゴリズムである、請求項１１に記載の自動吸引分注装置。
【請求項18】
アルゴリズムを実行するプロセッサは、吸引プロセス中に、自動診断分析システムによる液体の分析を終了することにより、試料不足吸引障害に応答するように構成されている、請求項１１に記載の自動吸引分注装置。
【請求項19】
自動診断分析システムであって：請求項１１に記載の自動吸引分注装置と；
生体試料を分析する１つまたはそれ以上の分析器ステーションと；
試料容器および反応ベッセルを、自動吸引分注装置、ならびに１つまたはそれ以上の分析器ステーションに、またそれらから輸送する自動トラックと、
を含む前記自動診断分析システム。
【請求項20】
吸引圧力測定信号波形から導出された圧力勾配波形のスペクトル解析に基づいて試料不足吸引障害を検出するように構成されたプロセッサ実行可能アルゴリズムを含み、該アルゴリズムは、圧力勾配波形の移動平均またはウェーブレット変換を計算することによって圧力勾配波形のスペクトル解析を実行するように構成されている、非一時的コンピュータ可読記憶媒体。
【請求項21】
自動診断分析システムにおいて試料不足吸引障害を検出する方法であって：自動診断分析システムにおいて、液体が吸引されている際に、圧力センサによって測定された吸引圧力測定値から吸引圧力測定信号波形を導出することと；
正常な吸引の１つまたはそれ以上の第１の吸引圧力測定信号波形のパターンを特定することと；
１つまたはそれ以上の第２の吸引圧力測定信号波形において特定される、試料不足吸引障害によって引き起こされる異常の時間窓かけ局在化を定義することと；
異常を検出するための好適な識別メトリックを導出することであって、単純閾値処理、教師なし分類器、または教師あり学習ベースの分類器が、識別メトリックとともに使用されて、後続の吸引圧力測定信号波形における異常を特定することと、
を含む前記方法。
【発明の詳細な説明】
【技術分野】
【0001】
関連出願の相互参照
本出願は、２０２１年７月１３日に出願された「ＲＥＡＬ－ＴＩＭＥ ＳＨＯＲＴ ＳＡＭＰＬＥ ＡＳＰＩＲＡＴＩＯＮ ＦＡＵＬＴ ＤＥＴＥＣＴＩＯＮ」と題する米国仮特許出願第６３／２２１，４５３号の利益を主張するものであり、その開示の全体をあらゆる目的のために参照によって本明細書に組み入れる。
本出願は、２０２１年７月１３日に出願された「ＲＥＡＬ－ＴＩＭＥ ＳＨＯＲＴ ＳＡＭＰＬＥ ＡＳＰＩＲＡＴＩＯＮ ＦＡＵＬＴ ＤＥＴＥＣＴＩＯＮ」と題する米国仮特許出願第６３／２２１，４５３号の利益を主張するものであり、その開示の全体をあらゆる目的のために参照によって本明細書に組み入れる。
【0002】
本開示は、自動診断分析システムにおける液体の吸引に関する。
【背景技術】
【0003】
医療検査において、自動診断分析システムは、生体試料を分析して、試料中の分析物または他の成分を同定するために使用することができる。生体試料は、例えば、尿、全血、血清、血漿、間質液、脳脊髄液などであり得る。このような生物学的液体試料は、通常、試料容器（例えば、試験管、バイアルなど）に収容され、容器キャリアおよび自動トラックを介して、自動診断分析システム内のさまざまな撮像、処理、および分析器ステーションに、またそれらから輸送することができる。
【0004】
自動診断分析システムは、通常、自動吸引分注装置を含み、こうした装置は、液体を液体容器（例えば、生物学的液体の試料、または試料と混合する液体試薬、酸、もしくは塩基）から吸引し（引き込み）、その液体を反応ベッセル（例えば、キュベット）に分注するように構成されている。吸引分注装置は、通常、プローブ（例えば、ピペット）を含み、プローブは、吸引および分注機能を実行し、試料または試薬を反応ベッセルに移送する、可動ロボットアームまたは他の自動化機構に取り付けられている。
【0005】
吸引プロセス中、システムコントローラまたはプロセッサによって制御することができる可動ロボットアームは、プローブを液体容器の上方に位置決めし、次いで、プローブが液体中に部分的に浸されるまで、プローブを容器内に下降させることができる。その後、ポンプまたは他の吸引デバイスを起動して、液体の一部を容器からプローブ内部に吸引する（引き込む）。その後、プローブは、処理および／または分析のために液体を反応ベッセルまで移送して反応ベッセル内に分注することができるように容器から引き抜かれる。吸引中または吸引後に、吸引圧力信号を解析して、何らかの異常、例えば、不十分な量の液体の吸引（以下、試料不足（ｓｈｏｒｔ－ｓａｍｐｌｅ）吸引障害と称する場合がある）などが発生したかどうかを判断することができる。
【発明の概要】
【発明が解決しようとする課題】
【0006】
従来のシステムは、いくつかの試料不足吸引障害を検出することができる可能性があるが、そのような検出は正確でない可能性があり、高い計算コストがかかる可能性があり、および／または、試料不足が検査結果に悪影響を及ぼすのを防ぐには、試料分析プロセスにおいて遅すぎる可能性がある。
【0007】
したがって、誤ったまたは不正確な試料検査を回避するために、試料不足吸引障害の正確なリアルタイム検出のための改良された方法および装置が必要とされている。
【課題を解決するための手段】
【0008】
いくつかの実施形態では、自動診断分析システムにおいて試料不足吸引障害を検出する方法を提供する。本方法は、自動診断分析システムにおいて、液体が吸引されている際に、圧力センサを介して吸引圧力測定を実行することを含む。本方法は、吸引圧力測定信号波形を、アルゴリズムを実行するプロセッサを介して解析することをさらに含む。アルゴリズムは、吸引圧力測定信号波形から勾配波形を導出し、勾配波形の移動平均を計算するか、または勾配波形のウェーブレット変換を計算するように構成されている。本方法は、上記解析することに応答して、プロセッサを介して試料不足吸引障害を特定しそれに応答することをさらに含む。
【0009】
いくつかの実施形態では、ロボットアームと、ロボットアームに連結されたプローブと、プローブに連結されたポンプと、プローブを介して液体が吸引されている際に、吸引圧力測定を実行するように構成された圧力センサと、アルゴリズムを実行して、吸引プロセス中に試料不足吸引障害を検出しそれに応答するように構成されたプロセッサとを含む、自動吸引分注装置を提供する。アルゴリズムは、圧力センサから受信した吸引圧力測定信号波形を、吸引圧力測定信号波形から勾配波形を導出し、勾配波形の移動平均またはウェーブレット変換を計算することによって勾配波形のスペクトル解析を実行することによって、解析するように構成されている。
【0010】
いくつかの実施形態では、非一時的コンピュータ可読記憶媒体は、吸引圧力測定信号波形から導出された圧力勾配波形のスペクトル解析に基づいて試料不足吸引障害を検出するように構成されたプロセッサ実行可能アルゴリズムを含む。アルゴリズムは、圧力勾配波形の移動平均またはウェーブレット変換を計算することによって圧力勾配波形のスペクトル解析を実行するように構成されている。
【0011】
いくつかの実施形態では、自動診断分析システムにおいて試料不足吸引障害を検出する方法を提供する。本方法は、自動診断分析システムにおいて、液体が吸引されている際に、圧力センサによって測定された吸引圧力測定値から吸引圧力測定信号波形を導出することを含む。本方法はまた、正常な吸引の１つまたはそれ以上の第１の吸引圧力測定信号波形のパターンを特定することと、１つまたはそれ以上の第２の吸引圧力測定信号波形において特定される異常の時間窓かけ局在化（ｔｉｍｅ－ｗｉｎｄｏｗｅｄ ｌｏｃａｌｉｚａｔｉｏｎ）を定義することとを含み、異常は、試料不足吸引障害によって引き起こされる。本方法は、異常を検出するための好適な識別メトリックを導出することをさらに含み、単純閾値処理、教師なし分類器、または教師あり学習ベースの分類器が、識別メトリックとともに使用されて、後続の吸引圧力測定信号波形における異常が特定される。
【0012】
本開示のさらに他の態様、構成、および利点は、本発明を実行するために企図された最良の形態を含む、多数の実施形態および実施態様例の以下の詳細な説明および例示から容易に明らかであり得る。本開示はまた、他の異なる実施形態を可能とすることもでき、そのいくつかの詳細は、すべて本発明の範囲から逸脱することなく、さまざまな点で変更することができる。例えば、以下の説明は自動診断分析システムに関するものであるが、本明細書に開示する試料不足吸引障害検出方法および装置は、試料不足吸引障害の正確なリアルタイム検出から利益を得る他の自動化システムに容易に適用することができる。本開示は、添付の請求項（さらに後述を参照）の範囲内にあるすべての変更形態、均等物、および代替形態を包含するように意図されている。
【0013】
以下に説明する図面は、例示を目的とするものであり、必ずしも原寸に比例して示されていない。したがって、図面および説明は、制限的なものとしてではなく本質的に例示的なものとしてみなされるべきである。図面は、本発明の範囲をいかなるようにも限定するようには意図されてない。
【図面の簡単な説明】
【0014】
【図1】本明細書で提供する実施形態による、生体試料を分析するように構成された自動診断分析システムの上面概略図である。
【図3】本明細書で提供する実施形態による吸引分注装置の正面概略図である。
【図4】本明細書で提供する実施形態による自動診断分析システムにおいて試料不足吸引障害を検出する方法のフローチャートである。
【図5】図５Ａは、本明細書で提供する実施形態による、正常な吸引の吸引圧力信号波形対時間のグラフである。図５Ｂは、本明細書で提供する実施形態による、図５Ａの吸引圧力信号波形の吸引圧力勾配波形対時間のグラフである。
【図6】図６Ａは、本明細書で提供する実施形態による、異常な吸引（試料不足吸引障害）の吸引圧力信号波形対時間のグラフである。図６Ｂは、本明細書で提供する実施形態による、図６Ａの吸引圧力信号波形の吸引圧勾配波形対時間のグラフである。
【図7】図７Ａは、本明細書で提供する実施形態による、正常な吸引を表す勾配波形の移動平均（ＭＡ）のグラフである。図７Ｂは、本明細書で提供する実施形態による、図７Ａの移動平均（ＭＡ）に基づくデルタ信号のグラフである。
【図8】図８Ａは、本明細書に提供する実施形態による、異常な吸引を表す勾配波形の移動平均（ＭＡ）のグラフである。図８Ｂは、本明細書に提供する実施形態による、図８Ａの移動平均（ＭＡ）に基づくデルタ信号のグラフである。
【図9】本明細書に提供する実施形態による、８つのサンプル吸引圧力信号波形の移動平均（ＭＡ）に基づく複数のデルタ信号のグラフである。
【図11】本明細書で提供する実施形態による、８つの試験サンプル吸引圧力信号波形の圧力勾配対時間のグラフである。
【図13】本明細書で提供する実施形態による、連続ウェーブレット変換（ＣＷＴ）に基づく、正常な吸引のサンプルのＳＮＲメトリック対時間のグラフである。
【図14】本明細書で提供する実施形態による、ＣＷＴに基づく異常な吸引のサンプルのＳＮＲメトリック対時間のグラフである。
【図15】本明細書で提供する実施形態による、離散ウェーブレット変換（ＤＷＴ）に基づく、正常な吸引のサンプルのＳＮＲメトリック対時間のグラフである。
【図16】本明細書で提供する実施形態による、ＤＷＴに基づく異常な吸引のサンプルのＳＮＲメトリック対時間のグラフである。
【図17】本明細書で提供する実施形態による、マルチレベル離散ウェーブレット変換（ＤＷＴ）フィルタバンクの概略図である。
【発明を実施するための形態】
【0015】
本明細書に記載する実施形態は、試料不足吸引障害をリアルタイムで適時かつ正確に検出する方法および装置を提供する。試料不足吸引障害は、吸引が十分な量の液体を吸引しなかったときに発生し、これは、例えば、液体容器が十分な量の液体を含まないこと、閉塞、および／または、機器の欠陥（例えば、吸引ポンプの欠陥、ロボットアームの欠陥による液体容器内でのプローブの不適切な位置決め、ソフトウェアの欠陥など）によって引き起こされる可能性がある。いくつかの実施形態では、試料不足は、１００μＬの公称／目標吸引量に対して９２μＬ未満とみなす場合がある。他の容量を、試料不足とみなしてもよい。試料不足吸引障害の適時かつ正確なリアルタイム検出により、自動診断分析システムが、試料の分析を終了すること、および／または誤った分析結果を有利に回避するために好適なエラー状態手順を実施することを可能にすることができる。いくつかの実施形態では、試料不足吸引障害の検出は、吸引プロセス中、または吸引プロセスの完了直後に検出された場合に、適時であるとみなすことができる。
【0016】
１つまたはそれ以上の実施形態に従って、試料不足吸引障害の適時かつ正確なリアルタイム検出は、自動診断分析システムまたは自動吸引分注装置のシステムコントローラ、プロセッサ、または他の同様のコンピュータデバイス上で実行するソフトウェアまたはファームウェアアルゴリズムを介して実装することができる。いくつかの実施形態では、アルゴリズムは、学習ベースのＡＩ（人工知能）アルゴリズムであり得る。アルゴリズムは、圧力センサによって提供される吸引圧力測定信号から導出される圧力勾配波形のスペクトル解析を実行して、圧力勾配波形における明確な過渡的挙動を特定するように構成することができる。スペクトル解析は、移動平均フィルタ解析またはバンドパスフィルタ処理が施された信号の解析などの時間領域解析を含んでもよく、または、スペクトル解析は、短時間高速フーリエ変換（ＳＴＦＴ）またはウェーブレット変換解析を使用してもよい。好ましい実施形態は、簡便性から移動平均フィルタ解析を含んでもよく、または時間およびスケール（スペクトル内容）に局在化する能力からウェーブレット変換解析を含んでもよい。
【0017】
移動平均フィルタ解析は、吸引プロセス中の勾配波形の好適な検出窓内の好適なタイムステップにおける（好適な移動平均窓にわたって求められる）移動平均と勾配波形との間の差分を計算することを含むことができる。その後、計算した差分に好適な信号対雑音比（ＳＮＲ）閾値を適用して、吸引を正常または異常として分類することができる。
【0018】
信号識別メトリックは、以下：（ａ）対象となる予め決められた時間窓における圧力勾配の最大値、中央値、標準偏差、７５パーセンタイル値などの何らかの統計的尺度、または（ｂ）対象となる予め決められた時間窓における圧力勾配と圧力勾配の移動平均との差のうちの１つまたはそれ以上であり得る。
【0019】
ウェーブレット変換解析は、連続ウェーブレット変換（ＣＷＴ）または離散ウェーブレット変換（ＤＷＴ）を使用することと、特定の範囲のスケールにおける変換係数に基づくメトリックを検査する（ｉｎｔｅｒｒｏｇａｔｅ）ことと、次いで、吸引を正常または異常として分類するために好適なＳＮＲ閾値を適用することとを含むことができる。
【0020】
より高度な学習ベースの分類器を使用して、高い分類精度を達成するために、ロバストな方法で、正常な吸引から異常な吸引（試料不足吸引）を分離する閾値または識別境界を自動的に設定することができる。いくつかの実施形態では、ｋ平均クラスタリングを使用して、ＳＮＲメトリックに基づいて教師なし方法で吸引を正常または異常として分類することができる。単純閾値ベースのファジー分類器または単純ルールベースの基準もしくはスキーマを代替的に使用して、サンプルを正常または異常（試料不足吸引）として分類することもできる。ロジスティック関数分類器またはサポートベクターマシンなどの教師あり学習ベースの分類器も使用することができる。
【0021】
有利には、移動平均フィルタ解析およびウェーブレット変換解析の両方を、吸引プロセス中にオンラインでかつリアルタイムで実行することができる。各オンライン解析は、低い計算複雑度（Ｏ（Ｎ））および低いメモリ要件を有し、したがって、ファームウェアまたはソフトウェアに容易に実装することができる。
【0022】
【0023】
図１は、１つまたはそれ以上の実施形態による自動診断分析システム１００を示す。自動診断分析システム１００は、試料容器１０２に収容された生体試料を自動的に処理および／または分析するように構成することができる。試料容器１０２は、システム１００において、装填エリア１０６に設けられた１つまたはそれ以上のラック１０４に受けることができる。装填エリア１０６に、ラック１０４のうちの１つから試料容器１０２を把持し、自動トラック１１２上に位置する容器キャリア１１０内に試料容器１０２を装填する、ロボット容器ハンドラ１０８を設けることができる。試料容器１０２は、自動トラック１１２を介してシステム１００全体を通して、例えば、品質チェックステーション１１４、吸引分注ステーション１１６、ならびに／または１つまたはそれ以上の分析器ステーション１１８Ａ～Ｃまで輸送することができる。
【0024】
品質チェックステーション１１４は、試料が分析に適しているかどうかを判断するために、生体試料の妨害物質または他の望ましくない特性について事前スクリーニングすることができる。事前スクリーニングに合格した後、生物学的液体試料は、１つまたはそれ以上の分析器ステーション１１８Ａ～Ｃにおける試料の分析を有効にし、および／または容易にするために、吸引分注ステーション１１６で液体試薬、酸、塩基、または他の溶液と混合することができる。分析器ステーション１１８Ａ～Ｃは、例えばＤＮＡまたはＲＮＡなど、標的実体（分析物）の存在、量、または機能活性について試料を分析することができる。一般的に検査される他の分析物としては、酵素、基質、電解質、特定のタンパク質、乱用薬物、および治療薬物を挙げることができる。システム１００において、より多いかまたは少ない分析器ステーション１１８Ａ～Ｃを使用することができ、システム１００は、他のステーション（図示せず）を含むことができる。
【0025】
自動診断分析システム１００は、コンピュータ１２０も含むことができ、または代替的に、外部のコンピュータ１２０とリモートで通信するように構成してもよい。コンピュータ１２０は、例えば、システムコントローラなどであってもよく、マイクロプロセッサベースの中央処理装置（ＣＰＵ）および／または他の好適なコンピュータプロセッサを有していてもよい。コンピュータ１２０は、システム１００の（品質チェックステーション１１４、吸引分注ステーション１１６、ならびに分析器ステーション１１８Ａ～Ｃを含む）さまざまな構成要素を動作させ、および／または制御するための好適なメモリ、ソフトウェア、電子機器、および／またはデバイスドライバを含むことができる。例えば、コンピュータ１２０は、装填エリア１０６との間、トラック１１２のまわり、品質チェックステーション１１４、吸引分注ステーション１１６、および分析器ステーション１１８Ａ～Ｃとの間、ならびにシステム１００の他のステーションおよび／または構成要素との間の、キャリア１１０の動きを制御することができる。品質チェックステーション１１４、吸引分注ステーション１１６、ならびに分析器ステーション１１８Ａ～Ｃのうちの１つまたはそれ以上は、コンピュータ１２０に直接連結してもよく、または、ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、もしくは有線および無線ネットワークを含む他の好適な通信ネットワークなどのネットワーク１２２を介してコンピュータ１２０と通信してもよい。コンピュータ１２０は、システム１００の一部として収容してもよく、または、システム１００からリモートであってもよい。
【0026】
いくつかの実施形態では、コンピュータ１２０は、検査室情報システム（ＬＩＳ）データベース１２４に連結することができる。ＬＩＳデータベース１２４は、例えば、患者情報、生体試料に対して行うべき検査、生体試料が得られた日時、医療施設情報、ならびに／または追跡および経路情報を含むことができる。その他の情報も含めることができる。
【0027】
コンピュータ１２０は、コンピュータインターフェースモジュール（ＣＩＭ）１２６に連結することができる。ＣＩＭ１２６および／またはコンピュータ１２０は、グラフィカルユーザインターフェースを含むことができるディスプレイ１２８に連結することができる。ＣＩＭ１２６は、ディスプレイ１２８と連動して、ユーザが種々の制御およびステータス表示画面にアクセスし、データをコンピュータ１２０に入力することができるようにする。これらの制御およびステータス表示画面は、試料容器１０２内の生体試料を事前スクリーニングし、調製し、分析するための、品質チェックステーション１１４、吸引分注ステーション１１６、ならびに分析器ステーション１１８Ａ～Ｃの一部またはすべての態様を表示し、その制御を有効にすることができる。ＣＩＭ１２６を使用して、ユーザとシステム１００との間のインタラクションを容易にすることができる。ディスプレイ１２８を使用して、アイコン、スクロールバー、ボックス、およびボタンを含むメニューを表示することができ、このメニューを通じて、ユーザ（例えば、システムオペレータ）は、システム１００とインターフェースすることができる。メニューは、システム１００の機能態様を表示し、および／または動作させるようにプログラムされた多数の機能要素を含むことができる。
【0028】
図２Ａおよび図２Ｂは、それぞれ試料容器２０２Ａおよび２０２Ｂを示し、各図は、図１の試料容器１０２を表す。試料容器２０２Ａおよび２０２Ｂは、採血管、試験管、試料カップ、キュベット、または内部に生体試料を収容し、生体試料が事前スクリーニングされ、処理され（例えば、吸引され）、分析されるのを可能にすることができる他の容器など、透明または半透明の容器を含む、任意の好適な液体容器であり得る。図２Ａに示すように、試料容器２０２Ａは、チューブ２３０Ａおよびキャップ２３２Ａを含むことができる。チューブ２３０Ａは、バーコード、アルファベット文字、数字文字、またはそれらの組み合わせの形式で、患者、試料、および／または検査情報を示すことができるラベル２３４Ａを、その上に含むことができる。チューブ２３０Ａは、血清または血漿部分２３６ＳＰと、沈降血液部分２３６ＳＢと、それらの間に位置するゲルセパレータ２１６ＧＡとを含むことができる生体試料２３６Ａを、内部に収容することができる。図２Ｂに示すように、試料容器２０２Ａと構造的に同一であり得る試料容器２０２Ｂは、内部に均質な生体試料２３６Ｂを収容することができ、チューブ２３０Ｂはゲル底２３６ＧＢを有する。
【0029】
図３は、１つまたはそれ以上の実施形態による吸引分注装置３１６を示す。吸引分注装置３１６は、自動診断分析システム１００の吸引分注ステーション１１６の一部であるか、またはそれを表すものであり得る。試料不足吸引障害を検出するための本明細書に記載する方法および装置は、分析器１１８Ａ、１１８Ｂ、および／または１１８Ｃに位置するものなど、吸引分注装置の他の実施形態とともに使用することができることに留意されたい。
【0030】
吸引分注装置３１６は、生体試料（例えば、試料２３６Ａおよび／または２３６Ｂ）、試薬などを吸引して反応ベッセル内に分注し、１つまたはそれ以上の分析器ステーション１１８Ａ～１１８Ｃでの生体試料の分析を有効にするかまたは容易にすることができる。吸引分注装置３１６は、吸引分注ステーション内でプローブアセンブリ３４０を移動させるように構成されたロボット３３８を含むことができる。プローブアセンブリ３４０は、図示するように、例えば試薬パケット３４４から試薬３４２を吸引するように構成された、プローブ３４０Ｐを含むことができる。プローブアセンブリ３４０はまた、例えば自動トラック１１２を介して吸引分注装置３１６に位置する試料容器３０２から（図示するように、そのキャップが除去された後に）、生体試料３３６を吸引するように構成することもできる。試薬３４２、他の試薬、および試料３３６の一部は、プローブ３４０Ｐによってキュベット３４６などの反応ベッセル内に分注することができる。いくつかの実施形態では、キュベット３４６は、数マイクロリットルの液体のみを保持するように構成することができる。生体試料３３６の他の部分は、プローブ３４０Ｐによって他の試薬または液体とともに他のキュベット（図示せず）内に分注することができる。
【0031】
吸引分注装置３１６の一部またはすべての構成要素の動作は、コンピュータ３２０によって制御することができる。コンピュータ３２０は、プロセッサ３２０Ｐおよびメモリ３２０Ｍを含むことができる。メモリ３２０Ｍは、プロセッサ３２０Ｐで実行可能であるソフトウェア３２０Ｓを記憶することができる。ソフトウェア３２０Ｓは、プローブアセンブリ３４０の位置決め、ならびにプローブアセンブリ３４０による液体の吸引および分注を制御および／または監視するアルゴリズムを含むことができる。ソフトウェア３２０Ｓはまた、後にさらに説明するように、試料不足吸引障害を検出するように構成されたアルゴリズム３２０Ａも含むことができる。いくつかの実施形態では、アルゴリズム３２０Ａは、人工知能（ＡＩ）アルゴリズムであってもよい。コンピュータ３２０は、コンピュータ１２０（システムコントローラ）に連結された別個のコンピューティング／制御デバイスであってもよい。いくつかの実施形態では、コンピュータ３２０の構成および機能は、コンピュータ１２０に実装し、コンピュータ１２０によって実行してもよい。また、いくつかの実施形態では、プローブアセンブリの位置決めおよび／またはプローブアセンブリの吸引／分注の機能は、別個のコンピューティング／制御デバイスに実装してもコンピュータ１２０に実装してもよい。
【0032】
ロボット３３８は、例えばシステム１００の吸引分注ステーション１１６内でプローブアセンブリ３４０を移動させるように構成された、１つまたはそれ以上のロボットアーム３４２、第１のモータ３４４、および第２のモータ３４６を含むことができる。ロボットアーム３４２は、プローブアセンブリ３４０および第１のモータ３４４に連結することができる。第１のモータ３４４は、コンピュータ３２０によって、ロボットアーム３４２、したがってプローブアセンブリ３４０を、液体容器の上の位置まで移動させるように制御することができる。第２のモータ３４６は、ロボットアーム３４２およびプローブアセンブリ３４０に連結することができる。第２のモータ３４６もまたコンピュータ３２０によって、プローブ３４０Ｐを垂直方向に液体容器の内外に移動させ、そこから液体を吸引するかまたはそこに液体を分注するように制御することができる。いくつかの実施形態では、ロボット３３８は、フィードバックを提供するためおよび／またはロボット３３８の動作を容易にするために、コンピュータ３２０に連結された、例えば、振動、電流もしくは電圧、および／または位置センサなど、１つまたはそれ以上のセンサ３４８も含むことができる。
【0033】
吸引分注装置３１６は、導管３５２に機械的に連結されるとともに、コンピュータ３２０によって制御される、ポンプ３５０も含むことができる。ポンプ３５０は、液体を吸引するために導管３５２内に真空または負圧（例えば、吸引圧力）を発生させることができ、液体を分注するために導管３５２内に正圧（例えば、分注圧力）を発生させることができる。
【0034】
吸引分注装置３１６は、導管３５２内の吸引および分注圧力を測定し、それに応じて圧力データを生成するように構成された、圧力センサ３５４をさらに含むことができる。圧力データは、コンピュータ３２０によって受信することができ、ポンプ３５０を制御するために使用することができる。吸引圧力測定信号波形（対時間）は、受信された圧力データからコンピュータ３２０によって導出することができ、吸引プロセス中にプローブアセンブリ３４０における試料不足吸引障害を検出するために、アルゴリズム３２０Ａに入力することができる。アルゴリズム３２０ＡがＡＩアルゴリズムである実施形態では、圧力センサ３５４からの受信された圧力データから導出される吸引圧力測定信号波形を使用して、試料不足吸引障害を検出するようにＡＩアルゴリズムを訓練することもできる。
【0035】
図４は、１つまたはそれ以上の実施形態による、自動診断分析システムにおける試料不足吸引障害を検出する方法４００を示す。プロセスブロック４０２において、方法４００は、自動診断分析システムにおいて、液体が吸引されている際に、圧力センサを介して吸引圧力測定を実行することによって、開始することができる。例えば、吸引圧力測定は、（図１の）自動診断分析システム１００の吸引分注ステーション１１６の一部であり得る（図３の）吸引分注装置３１６の圧力センサ３５４によって行うことができる。
【0036】
プロセスブロック４０４において、方法４００は、吸引圧力測定信号波形から勾配波形を導出し、勾配波形の移動平均または勾配波形のウェーブレット変換を計算するように構成されたアルゴリズムを実行するプロセッサを介して、吸引圧力測定信号波形を解析することを含むことができる。
【0037】
試料不足吸引障害を検出するために吸引圧力測定信号波形を解析することは、正常な吸引の圧力測定信号波形と、（試料不足吸引障害を表す）異常な吸引の圧力測定信号波形との間の明確な過渡的挙動の差異に基づく。
【0038】
図５Ａは、１つまたはそれ以上の実施形態による、正常な吸引の吸引圧力信号波形対時間のグラフ５００Ａを示し、図５Ｂは、１つまたはそれ以上の実施形態による、図５Ａの吸引圧力信号波形の勾配波形（すなわち、圧力信号波形の時間微分、ｄ（圧力信号）／ｄｔ）対時間のグラフ５００Ｂを示す。対照的に、図６Ａは、１つまたはそれ以上の実施形態による、異常な（試料不足）吸引の吸引圧力信号波形対時間のグラフ６００Ａを示し、図６Ｂは、１つまたはそれ以上の実施形態による、図６Ａの吸引圧力信号波形の勾配波形（すなわち、圧力信号波形の時間微分、ｄ（圧力信号）／ｄｔ）対時間のグラフ６００Ｂを示す。グラフ５００Ａおよび６００Ａの吸引圧力信号波形は、各々、例えば（図３の）吸引分注装置３１６などの吸引分注装置によって生成された可能性があり、グラフ５００Ｂおよび６００Ｂの勾配波形は、各々、グラフ５００Ａおよび６００Ａのそれぞれの吸引圧力信号波形からアルゴリズム３２０Ａによって導出された可能性がある。グラフ５００Ａおよび５００Ｂそれぞれにおける対応する部分と比較して、グラフ６００Ａおよび６００Ｂそれぞれの丸で囲んだ部分６０２Ａおよび６０２Ｂに留意されたい。これらの相違は方法４００によって検出可能である。
【0039】
いくつかの実施形態では、勾配波形の導出後、プロセスブロック４０４は、導出された勾配波形を、勾配波形の移動平均を計算し、次いで、吸引プロセス中の好適な時間増分（例えば、１０ミリ秒ごと）で移動平均と勾配波形との差を計算することにより、アルゴリズムを実行するプロセッサを介して、解析することをさらに含む。これらの計算された差は、デルタ信号と称する場合がある。移動平均は、いくつかの実施形態では、約１０ミリ秒（±１０％）の移動平均窓に基づいてもよい。プロセスブロック４０４で実行される解析は、ノイズフロア振幅を計算することによって継続することができ、ノイズフロア振幅は、いくつかの実施形態では、吸引プロセスのｔ＝０～１５０ミリ秒のデルタ信号のＲＭＳ（二乗平均平方根）振幅であってもよい。検出窓にわたって、デルタ信号の１つまたはそれ以上の信号振幅メトリック（例えば、絶対値の平均値、ＲＭＳ、または７５パーセンタイル値など）を計算することができ、検出窓は、いくつかの実施形態では、吸引プロセスの２７０～３２０ミリ秒であり得る。その後、ＳＮＲ＝２０ｌｏｇ（ｓｉｇｎａｌ＿ｍｅｔｒｉｃ／ｎｏｉｓｅ）ｄＢとなるＳＮＲを計算することができる。図７Ａ～図１０は、上記の計算を示す。
【0040】
図７Ａは、１つまたはそれ以上の実施形態による、正常な吸引を表す勾配波形（例えば、グラフ５００Ｂなど）の移動平均のグラフ７００Ａを示し、図７Ｂは、１つまたはそれ以上の実施形態による、移動平均グラフ７００Ａに基づくデルタ信号のグラフ７００Ｂを示す。いくつかの実施形態では、移動平均は、約１０ミリ秒（±１０％）の移動平均窓に基づく。デルタ信号グラフ７００Ｂは、デルタ信号を使用してノイズフロア振幅を計算することができるｔ＝０～１５０ミリ秒のノイズフロア窓７０２を含むことができる。デルタ信号グラフ７００Ｂはまた、検出窓７０４も含むことができ、検出窓７０４は、いくつかの実施形態では２７０～３２０ミリ秒で最適であると決定されている。後により詳細に説明するように、検出窓７０４内のデルタ信号を解析して、吸引が正常であるか異常であるかが判断される。
【0041】
図８Ａは、１つまたはそれ以上の実施形態による、異常な（試料不足）吸引を表す勾配波形（例えば、グラフ６００Ｂなど）の移動平均のグラフ８００Ａを示し、図８Ｂは、１つまたはそれ以上の実施形態による、移動平均グラフ８００Ａに基づくデルタ信号のグラフ８００Ｂを示す。移動平均は、この場合もまた、図７Ｂの正常な吸引の移動平均窓に対応する、約１０ミリ秒（±１０％）の移動平均窓に基づく。デルタ信号グラフ８００Ｂは、デルタ信号を使用してノイズフロア振幅を計算することができるｔ＝０～１５０ミリ秒のノイズフロア窓８０２も含むことができる。デルタ信号グラフ８００Ｂはまた、検出窓７０４に対応する検出窓８０４も含むことができ、この検出窓８０４は、いくつかの実施形態では２７０～３２０ミリ秒で最適であると決定されている。後により詳細に説明するように、検出窓８０４内のデルタ信号を解析して、吸引が正常であるか異常であるかが判断される。
【0042】
正常な吸引および異常な吸引を判断するための好適な検出窓および閾値の決定は、既知の正常なおよび異常な吸引圧力信号波形の試験サンプルの解析に基づくことができる。
【0043】
図９は、１つまたはそれ以上の実施形態による８つのサンプル吸引圧力信号波形の移動平均に基づく複数のデルタ信号のグラフ９００を示し、ここで、４つは正常な吸引であることが分かっており、４つは異常な吸引（試料不足吸引障害）であることが分かっている。デルタ信号は、約１０ミリ秒（±１０％）の移動平均窓に基づく。検出窓９０４は、２７０～３２０ミリ秒の範囲になるように最適に選択されており、それは、異常な吸引のみがそこにデルタ信号シグネチャを示すためである。
【0044】
図１０は、８サンプル吸引圧力信号波形Ｓ１、Ｓ２、Ｓ３、Ｓ４、Ｓ５、Ｓ６、Ｓ７、およびＳ８を表す、図９のデルタ信号に対する１つまたはそれ以上の実施形態によるＳＮＲ対ＳＮＲメトリック（絶対値の平均、ＲＭＳ、および７５パーセンタイル値）の棒グラフ１０００を示す。サンプルＳ１、Ｓ３、Ｓ５、およびＳ７に対する計算されたＳＮＲ（＝２０ｌｏｇ（ｓｉｇｎａｌ＿ｍｅｔｒｉｃ／ｎｏｉｓｅ）ｄＢ）は、正常な吸引を表し、サンプルＳ２、Ｓ４、Ｓ６、およびＳ８に対する計算されたＳＮＲは、異常な吸引を表す。したがって、７ｄＢのＳＮＲ閾値１００６を選択することができ、７ｄＢ未満のＳＮＲは正常な吸引を示し、７ｄＢ以上のＳＮＲは異常な吸引（試料不足吸引障害）を示す。ＳＮＲ閾値１００６は、正常な吸引と異常な吸引との明確な境界を示す。
【0045】
アルゴリズム３２０ＡがＡＩアルゴリズムであるいくつかの実施形態では、圧力勾配波形における異常な吸引を特定するために、例えば、Ｋ平均クラスタリングなどの教師なし学習法を使用することができる。プロセッサ３２０Ｐによって実行可能であるＡＩアルゴリズム３２０Ａは、限定されないが、畳み込みニューラルネットワーク（ＣＮＮ）を含むニューラルネットワーク、ディープラーニングネットワーク、再生ネットワーク、および他のタイプの機械学習アルゴリズムもしくはモデルを含む、人工知能プログラミングの任意の好適な形態で実装することができる。したがって、ＡＩアルゴリズム３２０Ａは、例えば、単純なルックアップテーブルではないことに留意されたい。むしろ、ＡＩアルゴリズム３２０Ａは、１つまたはそれ以上のタイプの吸引障害を検出または予測するように訓練することができ、明示的にプログラムされることなく改善する（より正確な決定または予測を行う）ことが可能である。
【0046】
図１１は、１つまたはそれ以上の実施形態による、８つの試験サンプル吸引圧力信号波形の圧力勾配対時間のグラフ１１００を示す。４つの試験サンプル吸引圧力信号波形は、正常な吸引を表し、４つの試験サンプル吸引圧力信号波形は、異常な（試料不足）吸引を表す。異常な吸引は、正常な吸引よりも大きい圧力勾配を示す（囲んだ領域１１０８を参照）。したがって、この「最大勾配」メトリックは、異常な吸引を特定するためにＫ平均クラスタリングとともに使用することができる。すなわち、圧力勾配波形の最大勾配は、吸引を正常または異常（すなわち、試料不足）として分類するために、吸引プロセス全体にわたって検査することができる。図１２は、１つまたはそれ以上の実施形態による、８つの試験サンプル吸引圧力信号波形の最大勾配メトリックの２クラスタ分類のグラフ１２００を示す（ここで、Ｘ軸は、ミリ秒単位の時間を表し、Ｙ軸は、経時的な正規化圧力の変化率である圧力勾配を表す）。図示するように、（中心１２１０を有する）クラスタ１と（中心１２１２を有する）クラスタ２とは、十分に分離されており、これは、最大勾配メトリックが、正常な吸引および異常な（試料不足）吸引の教師なし（Ｋ平均クラスタリング）分類によく適していることを示している。
【0047】
Ｋ平均クラスタリングの代わりに、他の教師なしクラスタリング法を使用してもよいことに留意されたい。また、サンプルに予めラベル付けすることができる場合には、ロジスティック回帰、ＳＶＭ（サポートベクターマシン）、ベイズ分類器などの教師あり分類法を使用してもよい。
【0048】
プロセスブロック４０４に戻ると、方法４００は、代替的に、吸引圧力測定信号波形を、勾配波形のウェーブレット変換を計算することによって吸引圧力測定信号波形から勾配波形を導出するように構成されたアルゴリズムを実行するプロセッサを介して、解析することを含むことができる。（正常な吸引を表す）図７Ａおよび（異常な（試料不足）吸引を表す）図８Ａの移動平均勾配波形に関連して上述したように、２つの波形間のスペクトルシグネチャの明確な相違が観察可能である。この解析において、ウェーブレットの強力な同時の時間スケール（周波数）局在化および多重解像度解析能力は、有利に使用される。ウェーブレット変換は、連続ウェーブレット変換（ＣＷＴ）であっても離散ウェーブレット変換（ＤＷＴ）であってもよい。
【0049】
ＣＷＴを使用する解析の概要は、上述したように、圧力信号の差分を計算することによって、吸引圧力測定信号波形から圧力勾配波形を計算することを含むことができる。微分によるノイズの増幅を低減させるために、好適な移動平均フィルタを使用することができる。解析はまた、以下のようにスライディング時間窓にわたって圧力勾配信号のＣＷＴをリアルタイムで計算することを含むことができる：
式中、「ａ」はスケールパラメータであり、「ｂ」はシフトパラメータである。
【数1】
【0050】
解析は、特定の範囲のスケールでＣＷＴ係数を検査することと、次いで、特定されたＣＷＴ係数に基づいて好適なメトリックを計算し、好適な（特定された）閾値を適用することによって、障害のある吸引を正常な吸引から識別することとをさらに含むことができる。
【0051】
いくつかの実施形態では、好適なメトリックを計算することは、以下のようにベースライン信号を決定することを含むことができる：好適なスケール範囲（この場合、例えば、＜１３であるように決定されている）において、０～ｔ０（この場合、例えば、ｔ０＝１２５ミリ秒であるように選択されている）の時間窓にわたって、総ＣＷＴエネルギーを計算する。次に、（後述するように決定された）検出窓ｔ＞２００ミリ秒のタイムステップごとに、またはサブサンプリングされたタイムステップで、同じスケール範囲（＜１３）内のＣＷＴエネルギーを計算し、次いで、検出ＳＮＲメトリックを以下のように計算する：
【数2】
【0052】
図１３は、１つまたはそれ以上の実施形態による、正常な吸引のサンプルに対するＣＷＴ ＳＮＲメトリック対時間のグラフ１３００を示し、図１４は、１つまたはそれ以上の実施形態による、異常な吸引のサンプルに対するＣＷＴ ＳＮＲメトリック対時間のグラフ１４００を示す。（正常な吸引のサンプルに対する）グラフ１３００および（異常な吸引のサンプルに対する）グラフ１４００における結果としてのＣＷＴ ＳＮＲメトリックに基づいて、ｔ＞２００ミリ秒の好適な検出窓１３１４および１４１４を選択することができ、７ｄＢの好適なＳＮＲメトリック閾値１３１６および１４１６を選択することができる。検出窓１４１４において閾値１４１６を超えるＳＮＲメトリック値を示す、矢印１４１７によって示す領域によって示すように、これらのＣＷＴ ＳＮＲメトリックは、異常な（試料不足）吸引を検出するのに適している。分類精度を最大限にするために、追加の正常な吸引および異常な吸引のサンプルデータを使用して、適切な検出窓およびＣＷＴ ＳＮＲ閾値を特定することができる。
【0053】
ＣＷＴ解析のいくつかの実施形態では、以下の選択肢を考慮することができる：
【0054】
－ スケールパラメータ「ａ」およびシフトパラメータ「ｂ」を、離散値に、特にスケールパラメータが２の累乗に制限される二項表現に制限することができる。
【0055】
－ ＭａｌｌａｔのアルゴリズムまたはＳｈｅｎｓａのアルゴリズムを、スケールパラメータの二項表現を用いて使用することができる。これは、Ｏ（Ｎ）の計算複雑度を有することができ、ここで、Ｎ＝信号ベクトルの長さである。実際の検出では、ｔ＞２００ミリ秒の信号のみを考慮する可能性があり、したがって、Ｎは比較的小さくなる。
【0056】
－ スケールパラメータ「ａ」のより細かい離散化が必要な場合（例えば、「ａ」＝２の累乗である必要のない整数値）、Ｕｎｓｅｒら、ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃ．、１９９４におけるようなスプライン表現ベースの高速ＣＷＴ変換アルゴリズムなど、他の方法を使用してもよい。これらもまた、Ｏ（Ｎ）の計算複雑度を有することができる。
【0057】
－ 正常なおよび異常な吸引の信号サンプルのより大きいデータセットを検査することによって、検出閾値、スケールの好適な範囲、ベースライン信号の尺度、ならびに検出およびベースライン信号の時間窓をさらに調整することができる。
【0058】
－ 同様に、より多くの吸引信号サンプルのさらなる検査を通じて、使用すべきウェーブレットのタイプもまた最適に選択することができる。
【0059】
－ この解析で使用するのに適していることが分かったウェーブレットタイプの１つは、Ｓｙｍｌｅｔ ２ウェーブレットであり得る。しかしながら、他の好適なＣＷＴタイプを使用してもよい。
【0060】
－ ウェーブレットフィルタは、ファームウェアまたはデータ操作言語（ＤＭＬ）レベルのソフトウェアを使用して実装することができ、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）、ＤＳＰ（デジタル信号プロセッサ）チップ、または他の好適なＩＣ（集積回路）上で実装することができる。
【0061】
他の実施形態では、吸引圧力測定信号波形の解析は、ＤＷＴを使用することを含むことができる。ＤＷＴを使用する利点は、多重解像度解析能力を使用して過渡現象を（通常、より低いスケールで）検出する際のその低い計算コストおよび有効性であり得る。ＤＷＴを使用する解析の概要は、上述したように、圧力信号の差分を計算することによって、吸引圧力測定信号波形から圧力勾配波形を計算することを含むことができる。微分によるノイズの増幅を低減させるために、好適な移動平均フィルタを使用することができる。解析はまた、スライディング時間窓にわたって圧力勾配信号のＤＷＴをリアルタイムで計算することと、特定の範囲のスケールでＤＷＴ係数を検査することと、特定されたＤＷＴ係数に基づいて好適なメトリックを計算し、好適な（特定された）閾値を適用することによって、障害のある吸引を正常な吸引から識別することとを含むことができる。
【0062】
より詳細には、ＤＷＴ解析は、以下のようにベースライン信号を決定することを含むことができる：適切なスケール範囲（この場合、例えば＜２であるように決定されている）において、０～ｔ０（この場合、例えばｔ０＝１２５ミリ秒であるように選択されている）の時間窓にわたって、最大ＤＷＴノルム（最大の係数値）を計算する。次に、（後述するように決定された）検出窓ｔ＞２００ミリ秒のタイムステップごとに、またはサブサンプリングされたタイムステップで、同じスケール範囲（＜２）内の「ＤＷＴ最大ノルム」を計算し、次いで、検出ＳＮＲメトリックを以下のように計算する：
【数3】
【0063】
図１５は、１つまたはそれ以上の実施形態による、正常な吸引のサンプルに対するＤＷＴ ＳＮＲメトリック対時間のグラフ１５００を示し、図１６は、１つまたはそれ以上の実施形態による、異常な吸引のサンプルに対するＤＷＴ ＳＮＲメトリック対時間のグラフ１６００を示す。より低いスケール（スケール＝１～２）でｔ＞２００ミリ秒にわたり、正常な吸引のサンプルと異常な吸引のサンプルとの間で、ＤＷＴ ＳＮＲメトリックの明確な区別が観察される。すなわち、図１５に示す正常な吸引のサンプルに対する（および同様に本明細書に記載するように試験された他のいくつかの正常な吸引のサンプルに対する）ＤＷＴ ＳＮＲメトリックは、一貫して０ｄＢ未満であった。対照的に、図１６に示す異常な吸引のサンプルに対する（および同様に本明細書に記載するように試験された他のいくつかの異常な吸引のサンプルに対する）ＤＷＴ ＳＮＲメトリックは、ｔ＞２００ミリ秒の少なくとも１つの時間インスタンスについて、一貫して少なくとも４ｄＢ以上であった。これらの結果に基づいて、ｔ＞２００ミリ秒の好適な検出窓１５１４および１６１４を選択することができ、３ｄＢの好適なＤＷＴ ＳＮＲメトリック閾値１５１６および１６１６を選択することができる。（例えば、検出窓１６１４内の閾値１６１６を超える異常な吸引のサンプルのＤＷＴ ＳＮＲメトリック値を示す、矢印１６１７によって示す領域を参照）。検出精度を最大限にするために、追加の正常なおよび異常な吸引のサンプルデータを使用して、適切な検出窓およびＤＷＴ ＳＮＲ閾値を特定することができる。
【0064】
図１７は、１つまたはそれ以上の実施形態による、上述したＤＷＴ解析を実装するために使用することができるマルチレベルＤＷＴフィルタバンク１７００の概略図を示す。ＤＷＴフィルタバンク１７００は、各レベルにおける別個のハイパスフィルタリングおよびローパスフィルタリングならびにダウンサンプリング動作を含む、カスケード型フィルタバンクであり得る。ここで、「Ｇ」は、ハイパスフィルタを表し、各ステップにおいて、そのスケールにおける信号の「詳細」を提供し、「Ｈ」はローパスフィルタを表す。各段において、Ｈフィルタリングの出力は半分ずつサブサンプリングされ、カスケード型フィルタバンク内のウェーブレットフィルタリングの次の段を通過する。いくつかの実施形態では、本明細書に記載するＤＷＴ解析は、９つのレベルを必要とする場合がある（図１７には３つのみを示すことに留意されたい）。しかしながら、最低スケールのＤＷＴ成分を使用して、圧力勾配信号の過渡現象（およびその結果として異常な吸引）が検出されるため、タイムステップごとの圧力勾配信号の完全な解析は不要である場合がある。したがって、ＤＷＴ計算は、ＤＷＴフィルタバンク１７００の第１のレベル１７１８によってのみ実行すればよい場合がある。これにより、有利には、大幅な計算実行時間の節約をもたらすことができ、これにより、ファームウェアまたはソフトウェアのオーバーヘッドを最小限にすることができる。いくつかの実施形態では、Ｓｙｍｌｅｔ ２またはＤａｕｂｅｃｈｉｅｓ次数２および次数４ウェーブレットを使用してもよい。これらは、図１７に示すように、単純な２次または４次のローパスフィルタおよびハイパスフィルタとして実装することができる。
【0065】
図４に戻ると、方法４００は、プロセスブロック４０６において、プロセスブロック４０４で実行された解析に応答して、プロセッサを介して吸引障害（すなわち、試料不足吸引障害）を特定するとともにそれに応答することによって、継続することができる。上述したように、試料不足吸引障害は、移動平均、従来のバンドパスフィルタ（例えば、バターワース（Ｂｕｔｔｅｒｗｏｒｔｈ）フィルタなど）、ＣＷＴ、またはＤＷＴを計算することによるスペクトル解析を介して、特定することができる。これらの解析の各々は、吸引プロセスの終わりまでに試料不足吸引障害を正確に検出することができる。方法４００は、自動診断分析システムによる（試料不足吸引障害に関与した）液体の分析を、液体の任意の分析の開始前に適時に終了することによって、特定された試料不足吸引障害に応答することができる。他の実施形態では、方法４００は、代替的またはさらに、エラー状態に対するシステムの１つまたはそれ以上の他の手順を実行することによって、特定された試料不足吸引障害に応答することができる。
【0066】
３つのスペクトル解析（移動平均、ＣＷＴ、およびＤＷＴ）は各々、吸引圧力信号波形の一部で実行されるリアルタイム計算を含み、したがって、各タイムステップで解析されるデータストリームのサイズを有利に制限する。各々が、Ｏ（Ｎ）の計算コストを有し、それにより、ＤＳＰ（デジタル信号プロセッサ）マイクロチップまたはＦＰＧＡ（フィールドプログラマブルゲートアレイ）を使用するファームウェアまたはソフトウェアでのこれらの解析のオンライン実装が実現可能となる。
【0067】
本開示は、さまざまな変更形態および代替形態が可能であるが、特定の方法および装置の実施形態について、図面において例として示しており、本明細書において詳細に説明している。しかしながら、本明細書に開示した特定の方法および装置は、本開示または以下の特許請求の範囲を限定するようには意図されていないことが理解されるべきである。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【国際調査報告】