知財求人 - 知財ポータルサイト「IP Force」
▶ アナリティクス フォー ライフ インコーポレイテッドの特許一覧
特表2024-532280生理学的システムを特徴付ける際に使用するために生物物理学的信号から視覚的特徴を工学設計するための方法及びシステム
(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】2024-09-05
(54)【発明の名称】生理学的システムを特徴付ける際に使用するために生物物理学的信号から視覚的特徴を工学設計するための方法及びシステム
(51)【国際特許分類】
A61B 5/02 20060101AFI20240829BHJP
A61B 5/33 20210101ALI20240829BHJP
【ＦＩ】
A61B5/02 310A
A61B5/33 200
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2024512055
(86)(22)【出願日】2022-08-19
(85)【翻訳文提出日】2024-04-17
(86)【国際出願番号】 IB2022057794
(87)【国際公開番号】W WO2023026151
(87)【国際公開日】2023-03-02
(31)【優先権主張番号】63/236,072
(32)【優先日】2021-08-23
(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】517099409
【氏名又は名称】アナリティクス フォー ライフ インコーポレイテッド
(74)【代理人】
【識別番号】100078282
【弁理士】
【氏名又は名称】山本 秀策
(74)【代理人】
【識別番号】100113413
【弁理士】
【氏名又は名称】森下 夏樹
(74)【代理人】
【識別番号】100181674
【弁理士】
【氏名又は名称】飯田 貴敏
(74)【代理人】
【識別番号】100181641
【弁理士】
【氏名又は名称】石川 大輔
(74)【代理人】
【識別番号】230113332
【弁護士】
【氏名又は名称】山本 健策
(72)【発明者】
【氏名】ドゥームラ， アビナブ
【テーマコード（参考）】
4C017
4C127
【Ｆターム（参考）】
4C017AA09
4C017AA19
4C017AB03
4C017AC16
4C017AC28
4C017BC11
4C017BD06
4C127AA02
4C127GG02
4C127GG10
4C127GG16
(57)【要約】
好ましい実施形態では、患者が安静にしている間に患者に配置された表面センサから非侵襲的に取得される心臓／生体電位信号及び／又はフォトプレチスモグラフィ信号などの生物物理学的信号から決定された１つ以上の視覚的特徴又はパラメータの使用を容易にする臨床評価システム及び方法が開示される。視覚的特徴又はパラメータは、モデル又は分類器（例えば、機械学習分類器）において使用され、疾患の存在若しくは不在、医学的コンディション、又はいずれかの兆候を含む、患者の生理学的状態に関連付けられたメトリックを推定することができる。推定されたメトリックを使用して、医師又は他のヘルスケア提供者が、疾患若しくはコンディションの存在又は不在及び／又は重症度及び／又は局在化を診断すること、あるいは当該疾患又はコンディションの治療を支援することができる。
【選択図】図１
【選択図】図１
【特許請求の範囲】
【請求項1】
対象の疾患状態又は異常コンディションに関連付けられたメトリックを非侵襲的に査定するための方法であって、前記方法は、１つ以上のプロセッサによって、前記対象の生物物理学的信号データセットを得ることと、
前記１つ以上のプロセッサによって、前記生物物理学的信号データセットの１つ以上の視覚予測器関連特性の値を決定することと、
前記１つ以上のプロセッサによって、前記１つ以上の視覚予測器関連特性の前記決定された値の、前記メトリックの推定モデルへの適用に部分的に基づいて、前記疾患状態又は異常コンディションに関連付けられたメトリックの存在についての推定値を決定することと、を含み、
前記メトリックの前記存在についての前記推定値は、予想される疾患状態若しくはコンディションの診断において使用するため、又は前記予想される疾患状態若しくはコンディションの治療を方向付けるために、前記予想される疾患状態又はコンディションの存在を非侵襲的に推定するために前記推定モデルにおいて使用される、方法。
【請求項2】
前記生物物理学的信号データセットは、３つの測定チャネルについて取得された生体電位信号を含む、請求項１に記載の方法。
【請求項3】
前記生物物理学的信号データセットは、光学センサから取得されたフォトプレチスモグラフィック信号を含む、請求項１に記載の方法。
【請求項4】
前記１つ以上のプロセッサによって、前記生物物理学的信号データセットの位相空間モデルを生成することと、前記１つ以上のプロセッサによって、前記位相空間モデルから抽出された１つ以上の特徴の１つ以上の値を決定することと、を更に含み、前記１つ以上の特徴は、
前記位相空間モデルの三次元外周に関連付けられた特徴と、
前記位相空間モデルにおいて決定された最大適合平面に囲まれた面積に関連付けられた特徴と、
前記位相空間モデルにおいて決定された三次元平均曲率又は三次元最大曲率に関連付けられた特徴と、
前記位相空間モデル内のループを定義する点の回転の巨視的尺度に関連付けられた特徴と、
前記位相空間モデルにおいて決定されたカールベクトルの大きさの平均に関連付けられた特徴と、
前記位相空間モデルにおいて定義されたループ内の連続する点の間のユークリッド距離に関連付けられた特徴と、からなる群から選択される、請求項２又は３に記載の方法。
【請求項5】
前記１つ以上のプロセッサによって、前記生物物理学的信号データセットの位相空間モデルの正射影を生成することと、前記１つ以上のプロセッサによって、前記正射影から抽出された１つ以上の特徴の１つ以上の値を決定することと、を更に含み、前記１つ以上の特徴は、
前記正射影において定義されたループの二次元外周に関連付けられた特徴と、
前記正射影において定義された前記ループの最大二次元外周を有する象限を定義する特徴と、
前記正射影において定義された前記ループの二次元面積に関連付けられた特徴と、
前記正射影において定義された前記ループの最大二次元面積を有する象限を定義する特徴と、
前記正射影において定義された前記ループの前記偏心に関連付けられた特徴と、
前記正射影において決定された二次元平均曲率又は二次元最大曲率に関連付けられた特徴と、
前記正射影における前記ループを定義する点の前記回転の巨視的尺度に関連付けられた特徴と、からなる群から選択される、請求項１～４のいずれか一項に記載の方法。
【請求項6】
前記１つ以上のプロセッサによって、フォトプレチスモグラフィック信号又はその派生物を含む前記生物物理学的信号データセットから抽出された特徴の１つ以上の値を決定することを更に含み、前記１つ以上の特徴は、前記フォトプレチスモグラフィック信号内の事前定義された起点目印を前記フォトプレチスモグラフィック信号内で決定されたピーク位置に結合するベクトルによって定義される特徴と、
ｉ）前記フォトプレチスモグラフィック信号から導出された速度プレチスモグラフィック信号内の前記事前定義された起点目印を、ｉｉ）前記速度プレチスモグラフィック信号内で決定されたピーク位置に結合するベクトルによって定義される特徴と、
ｉ）前記フォトプレチスモグラフィック信号から導出された前記速度プレチスモグラフィック信号内の前記事前定義された起点目印を、ｉｉ）前記速度プレチスモグラフィック信号内で決定された最小位置に結合するベクトルによって定義される特徴と、
ｉ）前記フォトプレチスモグラフィック信号から導出された前記速度プレチスモグラフィック信号内の前記事前定義された起点目印を、ｉｉ）前記速度プレチスモグラフィック信号内で決定されたベース位置に結合するベクトルによって定義される特徴と、
ｉ）前記フォトプレチスモグラフィック信号から導出された加速度プレチスモグラフィック信号内の前記事前定義された起点目印を、ｉｉ）前記加速度プレチスモグラフィック信号内で決定されたピーク位置に結合するベクトルによって定義される特徴と、
ｉ）前記フォトプレチスモグラフィック信号から導出された前記加速度プレチスモグラフィック信号内の前記事前定義された起点目印を、ｉｉ）前記加速度プレチスモグラフィック信号内で決定された最小位置に結合するベクトルによって定義される特徴と、
ｉ）前記フォトプレチスモグラフィック信号から導出された前記加速度プレチスモグラフィック信号内の前記事前定義された起点目印を、ｉｉ）前記加速度プレチスモグラフィック信号内で決定されたベース位置に結合するベクトルによって定義される特徴と、からなる群から選択される、請求項１～５のいずれか一項に記載の方法。
【請求項7】
前記１つ以上のプロセッサによって、前記生物物理学的信号データセットの前記位相空間モデルを生成することと、前記１つ以上のプロセッサによって、前記生物物理学的信号データセットから抽出された特徴の１つ以上の値を決定することと、を更に含み、前記１つ以上の特徴は、
前記心臓信号内の前記心臓信号ピーク目印内の事前定義された起点目印を結合する三次元ベクトルによって定義される特徴と、
前記フォトプレチスモグラフィック信号内の事前定義された起点目印を、前記フォトプレチスモグラフィック信号内で決定されたピーク、最小値、又はベース位置に結合する三次元ベクトルによって定義される特徴と、
前記心臓信号内で前記事前定義された起点目印を前記ピーク目印に結合する前記三次元ベクトルを定義する仰角によって定義される特徴と、
ｉ）前記フォトプレチスモグラフィック信号から導出された速度プレチスモグラフィック信号内の前記事前定義された起点目印を、ｉｉ）前記速度プレチスモグラフィック信号内で決定されたピーク、最小値、又はベース位置に結合する三次元ベクトルによって定義される特徴と、
ｉ）前記フォトプレチスモグラフィック信号から導出された加速度プレチスモグラフィック信号内の前記事前定義された起点目印を、ｉｉ）前記加速度プレチスモグラフィック信号内で決定されたピーク、最小値、又はベース位置に結合する三次元ベクトルによって定義される特徴と、
前記フォトプレチスモグラフィック信号内の前記事前定義された起点目印を前記フォトプレチスモグラフィック信号内で決定された前記ピーク、前記最小値、又は前記ベース位置に結合する前記三次元ベクトルを定義する仰角によって定義される特徴と、
ｉ）前記フォトプレチスモグラフィック信号から導出された前記速度プレチスモグラフィック信号内の前記事前定義された起点目印を、ｉｉ）前記速度プレチスモグラフィック信号内で決定された前記ピーク、前記最小値、又は前記ベース位置に結合する前記三次元ベクトルを定義する仰角によって定義される特徴と、
ｉ）前記フォトプレチスモグラフィック信号から導出された前記加速度プレチスモグラフィック信号内の前記事前定義された起点目印を、ｉｉ）前記加速度プレチスモグラフィック信号内で決定された前記ピーク、前記最小値、又は前記ベース位置に結合する前記三次元ベクトルを定義する仰角によって定義される特徴と、からなる群から選択される、請求項１～６のいずれか一項に記載の方法。
【請求項8】
前記１つ以上のプロセッサによって、前記位相空間モデルを生成することと、前記１つ以上のプロセッサによって、フォトプレチスモグラフィック信号又はその派生物を含む前記生物物理学的信号データセットから抽出された特徴の１つ以上の値を決定することを更に含み、前記１つ以上の特徴は、
ｉ）前記位相空間モデル内で定義される直交平面のうちの１つ以上の投影内の原点位置と、ｉｉ）前記直交平面内のピーク、最小値、又はベース位置との間で定義されたベクトルの二次元大きさによって定義される特徴と、
ｉ）前記位相空間モデル内で定義された前記直交平面のうちの前記１つ以上の前記投影内の前記原点位置と、ｉｉ）前記直交平面内の前記ピーク、前記最小値、又は前記ベース位置との間で定義された前記ベクトルの角度によって定義される特徴と、からなる群から選択される、請求項１～７のいずれか一項に記載の方法。
【請求項9】
前記１つ以上のプロセッサによって、前記生物物理学的信号データセットの前記位相空間モデルを生成することと、前記１つ以上のプロセッサによって、フォトプレチスモグラフィック信号又はその派生物を含む前記生物物理学的信号データセットから抽出された特徴の１つ以上の値を決定することと、を更に含み、前記１つ以上の特徴は、前記位相空間モデル内の定義された幾何学的形状の表面積又は体積パラメータによって定義される特徴を含む、請求項１～８のいずれか一項に記載の方法。
【請求項10】
前記定義された幾何学的形状は、アルファ包形状又は凸包形状を含む、請求項９に記載の方法。
【請求項11】
前記１つ以上のプロセッサによって、前記疾患状態又は異常コンディションの前記存在についての前記推定値の視覚化の生成を引き起こすことを更に含み、前記生成された視覚化は、コンピューティングデバイスのディスプレイにおいてレンダリングかつ表示され、及び／又は報告において提示される、請求項１～１０のいずれか一項に記載の方法。
【請求項12】
１つ以上の視覚予測器関連特性の前記値は、線形モデル、決定木モデル、ランダムフォレストモデル、サポートベクトルマシンモデル、及びニューラルネットワークモデルからなる群から選択されるモデルにおいて使用される、請求項１～１１のいずれか一項に記載の方法。
【請求項13】
前記モデルは、１つ以上の脱分極又は再分極波伝播関連特徴と、
１つ以上の脱分極波伝播偏差関連特徴と、
１つ以上のサイクル変動性関連特徴と、
１つ以上の動的システム関連特徴と、
１つ以上の心臓波形トポロジック及び変動関連特徴と、
１つ以上のＰＰＧ波形トポロジック及び変動関連特徴と、
１つ以上の心臓又はＰＰＧ信号パワースペクトル密度関連特徴と、
１つ以上の心臓又はＰＰＧ信号視覚関連特徴と、
１つ以上の予測可能性特徴と、からなる群から選択される特徴を更に含む、請求項１２に記載の方法。
【請求項14】
前記疾患状態又は異常コンディションは、冠動脈疾患、肺高血圧、肺動脈高血圧、左心疾患に起因する肺高血圧、肺高血圧につながる稀な障害、左心室心不全又は左側心不全、右心室心不全又は右側心不全、収縮期心不全、拡張期心不全、虚血性心疾患、及び不整脈からなる群から選択される、請求項１～１３のいずれか一項に記載の方法。
【請求項15】
測定システムの１つ以上の取得回路によって、前記１つ以上のチャネルにわたって電圧勾配信号を取得することであって、前記電圧勾配信号は、約１ｋＨｚを超える周波数において取得される、取得することと、前記１つ以上の取得回路によって、前記取得された電圧勾配信号から前記得られた生物物理学的データセットを生成することと、を更に含む、請求項１～１４のいずれか一項に記載の方法。
【請求項16】
測定システムの１つ以上の取得回路によって、１つ以上のフォトプレチスモグラフィック信号を取得することと、前記１つ以上の取得回路によって、前記取得された電圧勾配信号から前記得られた生物物理学的データセットを生成することと、を更に含む、請求項１～１４のいずれか一項に記載の方法。
【請求項17】
前記１つ以上のプロセッサは、クラウドプラットフォーム内に位置する、請求項１～１６のいずれか一項に記載の方法。
【請求項18】
前記１つ以上のプロセッサは、ローカルコンピューティングデバイス内に位置する、請求項１～１６のいずれか一項に記載の方法。
【請求項19】
システムであって、プロセッサと、
命令が記憶されたメモリと、を備え、前記プロセッサによる前記命令の実行は、前記プロセッサに、請求項１～１８に記載の方法のいずれか１つを実施させる、システム。
【請求項20】
命令を記憶した非一時的コンピュータ可読媒体であって、前記プロセッサによる前記命令の実行は、前記プロセッサに、請求項１～１８に記載の方法のいずれか１つを実施させる、非一時的コンピュータ可読媒体。
【発明の詳細な説明】
【技術分野】
【0001】
関連出願
本ＰＣＴ出願は、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｉｓｕａｌ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３６，０７２号の優先権及び利益を主張し、その全体が参照により本明細書に組み込まれる。
本ＰＣＴ出願は、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｉｓｕａｌ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３６，０７２号の優先権及び利益を主張し、その全体が参照により本明細書に組み込まれる。
【0002】
本開示は、概して、診断用途で使用するために、生物物理学的信号から特徴又はパラメータを工学設計するための方法及びシステムに関し、具体的には、１つ以上の生理学的システム並びにそれらの関連付けられた機能、活動、及び異常を特徴付ける際に使用するための視覚的特徴の工学設計及び使用に関する。特徴又はパラメータはまた、監視若しくは追跡、医療機器の制御のために、又は疾患、医学的コンディション、若しくはいずれかの兆候の治療を誘導するために使用することができる。
【背景技術】
【0003】
ヘルスケア専門家が疾患を診断するのを支援するための多くの方法及びシステムがある。これらのいくつかは、侵襲的若しくは最小侵襲的な技術、放射線、運動若しくはストレス、又は薬理学的薬剤の使用を伴い、時にはそれらの付随するリスク及び他の不利益と組み合わせて使用する。
【0004】
拡張期心不全は、罹患率及び死亡率の主な原因であり、左心室機能が維持されている患者における心不全の症状として定義される。これは、コンプライアンスが低下し、弛緩が損なわれ、左心臓カテーテル法によって測定される左心室の拡張末期圧が増加する、硬い左心室を特徴とする。肺高血圧（ＰＨ）及び肺動脈高血圧（ＰＡＨ）の診断のための現在の臨床標準的なケアは、特に、肺動脈内の圧力を直接測定する心臓の右側の心臓カテーテルを含む。冠動脈造影は、治療医によって説明される冠動脈病変を介して決定される、冠動脈疾患（ＣＡＤ）を査定するために使用される現在の標準的なケアである。磁気共鳴イメージング及びコンピュータ断層撮影などの非侵襲的イメージングシステムは、放射線科医によってレビューされる患者の血流及び動脈閉塞の画像を取得するために専門的な施設を必要とする。
【0005】
前述の欠点なしに、心臓疾患及び様々な他の疾患及びコンディションの診断においてヘルスケア専門家を支援することができるシステムを有することが望ましい。
【発明の概要】
【課題を解決するための手段】
【0006】
好ましい実施形態では、患者が安静にしている間に患者に配置された表面センサから非侵襲的に取得される心臓／生体電位信号及び／又はフォトプレチスモグラフィ信号などの生物物理学的信号から決定された１つ以上の視覚的特徴又はパラメータの使用を容易にする臨床評価システム及び方法が開示される。視覚的特徴又はパラメータは、モデル又は分類器（例えば、機械学習分類器）において使用され、疾患の存在若しくは不在、医学的コンディション、又はいずれかの兆候を含む、患者の生理学的状態に関連付けられたメトリックを推定することができる。推定されたメトリックを使用して、医師又は他のヘルスケア提供者が、疾患若しくはコンディションの存在又は不在及び／又は重症度及び／又は局在化を診断すること、あるいは当該疾患又はコンディションの治療を支援することができる。
【0007】
疾患、コンディション、又はいずれかの兆候の存在又は不在の推定又は決定された可能性は、疾患又は医学的コンディションの査定のための他の評価又は測定モダリティを置き換える、増強する、又は置き換えることができる。場合によっては、決定は、数値スコア及び関連情報の形態をとることができる。
【0008】
心臓信号の場合、心房脱分極（ＡＤ）に関連付けられた波形、心房再分極（ＡＲ）に関連付けられた波形、心室脱分極（ＶＤ）に関連付けられた波形、及び心室再分極（ＶＲ）に関連付けられた波形の特性を含む、心臓電気生理学的信号の反復サイクルの様々な特性を特徴付けるために、心臓又は生体電位信号の位相空間モデルにおいて視覚的特徴が決定される。いくつかの実施形態では、視覚的特徴は、３Ｄ位相空間内及び３Ｄ空間のオクタント内の心臓ループ（ＡＤ、ＶＤ、ＶＲ）の特性を含む。視覚的特徴と称されるが、ＡＲはＶＤ中に発生し、位相空間ビューでは見えないことがある。いくつかの実施形態では、視覚的特徴は、３Ｄ位相空間内及び３Ｄ空間のオクタント（又はサブ領域）内の心臓ベクトル（例えば、最大心房脱分極ベクトル（ＭＡＤＶ）、心房再分極ベクトル（ＡＲＶ）、最大心室脱分極ベクトル（ＭＶＤＶ）、初期心室脱分極ベクトル（ＩＶＤＶ）、終末心室脱分極ベクトル（ＴＶＤＶ）、最大心室再分極ベクトル（ＭＶＲＶ））の特性を含む。いくつかの実施形態では、視覚的特徴は、３つの直交面上及びそれぞれの直交面の象限内への心臓ループ（ＡＤ、ＶＤ、ＶＲ）の投影の特性を含む。いくつかの実施形態では、視覚的特徴は、３つの直交平面上への、及びそれぞれの直交平面の象限内の心臓ベクトルの投影の特性を含む。
【0009】
フォトプレチスモグラフィック関連信号に関して、視覚的特徴は、フォトプレチスモグラフィック信号と、フォトプレチスモグラフィック信号から導出された速度プレチスモグラフィック及び加速度プレチスモグラフィック信号との位相空間モデルにおいて決定され、これらの信号の反復サイクルの様々な特性を特徴付ける。「フォトプレチスモグラフィック関連」という用語は、フォトプレチスモグラフィ及び関連する速度プレチスモグラフィック及び加速度プレチスモグラフィック信号を指す。
【0010】
本明細書で使用されるように、用語「特徴」（機械学習及びパターン認識の文脈において、並びに本明細書で使用されるように）は、概して、観察されている現象の個々の計測可能な特性又は特徴を指す。特徴は、分析によって定義され、共通のモデル又は分析フレームワークからの他の特徴と組み合わせてグループで決定され得る。
【0011】
本明細書で使用される場合、「メトリック」は、生理学的システム又はシステム内のいずれかの１つ以上の疾患、コンディション、又は兆候（複数可）の存在、不在、重症度、及び／又は局在化（該当する場合）の推定又は可能性を指す。注目すべきことに、例示される方法及びシステムは、本明細書に記載されるある特定の実施形態において、生物物理学的信号を取得する、及び／又はそうでなければ患者からデータを収集するために、並びに１つ以上のメトリックを介して他の評価モダリティを置き換える、増強する、又は置き換えることができる１つの疾患、コンディション、又はインジケーターについて評価するために、信号処理及び分類器動作におけるそれらの信号及び／又はデータを評価するために使用され得る。場合によっては、メトリックは、数値スコア及び関連情報の形態をとることができる。
【0012】
心臓血管系及び呼吸器系の文脈では、そのようなメトリックが関連することができる疾患及びコンディションの例としては、例えば、（ｉ）心不全（例えば、左側又は右側の心不全；駆出率（ＨＦｐＥＦ）が保持された心不全）、（ｉｉ）冠動脈疾患（ＣＡＤ）、（ｉｉｉ）肺動脈高血圧（ＰＡＨ）を含むがこれらに限定されない様々な形態の肺高血圧（ＰＨ）、（ｉｖ）左心室駆出率（ＬＶＥＦ）の異常、及び様々な他の疾患又はコンディションが挙げられる。ある特定の形態の心不全の例示的なインジケーターは、上昇した又は異常な左心室拡張末期圧（ＬＶＥＤＰ）の存在又は不在である。肺高血圧のある特定の形態の例示的なインジケーターは、上昇した又は異常な平均肺動脈圧（ｍＰＡＰ）の存在又は不在である。
【0013】
本明細書の一部に組み込まれ、それを構成する添付図面は、実施形態を例解し、本明細書と一緒に、方法及びシステムの原理を説明する役割を果たす。
【0014】
本発明の実施形態は、添付の図面と併せて読むと、以下の詳細な説明からよりよく理解され得る。例解のみを目的とするかかる実施形態は、本発明の新規かつ非自明の態様を描画する。図面は、以下の図を含む。
【図面の簡単な説明】
【0015】
【図1】例示的な実施形態による、視覚的特徴又はパラメータを非侵襲的に計算して、患者の生理学的状態に関連付けられた１つ以上のメトリックを生成するように構成された例示的なモジュール又は構成要素の概略図である。
【図2】例示的な実施形態による、例示的な生物物理学的信号キャプチャシステム又は構成要素、及び臨床設定における患者の生物物理学的信号を非侵襲的に収集することにおけるその使用を示す。
【図3A】各々、診断、治療、監視、又は追跡のための実際の用途において、視覚的特徴／パラメータ又はそれらの中間データを使用するための例示的な方法を示す。
【図3B】各々、診断、治療、監視、又は追跡のための実際の用途において、視覚的特徴／パラメータ又はそれらの中間データを使用するための例示的な方法を示す。
【図4】例示的な実施形態による、視覚的特徴計算モジュールの一例を例解する。
【図5】例示的な実施形態による、視覚的特徴計算モジュールの一例を例解する。
【図12A】例示的な実施形態による、患者の生理的状態に関連付けられた１つ以上のメトリックを生成するために、他の計算された特徴の中でも視覚的特徴を使用するように構成された例示的な臨床評価システムの概略図を示す。
【発明を実施するための形態】
【0016】
本明細書に記載のありとあらゆる特徴、並びにそのような特徴のうちの２つ以上のありとあらゆる組み合わせは、そのような組み合わせに含まれる特徴が相互に矛盾しないことを条件として、本発明の範囲内に含まれる。
【0017】
本開示は、心臓関連病態及びコンディションの診断、追跡、及び治療における生物物理学的信号、例えば、生又は事前処理されたフォトプレチスモグラフィック信号、生体電位／心臓信号などの実用的な査定を対象としているが、このような査定は、生物物理学的信号が生体の任意の関連システムに関わる任意の病態又はコンディションの診断、追跡、及び治療（外科的、最小侵襲的、生活様式、栄養学的、及び／又は薬理学的治療などを含むがこれに限定されない）に適用され得る。査定は、医療機器若しくはウェアラブルデバイスの制御において、又はモニタリングアプリケーションにおいて使用され得る。
【0018】
本明細書で使用される「対象」及び「患者」という用語は、一般的に、例示的なシステム及び方法によって実施される分析を受ける人々を指すために互換的に使用される。
【0019】
本明細書で使用される「心臓信号」という用語は、例えば、心筋の収縮を引き起こす、その信号の電気／電気化学的伝導の態様を含む、心血管系の構造、機能、及び／又は活動に直接的若しくは間接的に関連する１つ以上の信号を指す。心臓信号は、いくつかの実施形態では、生体電位信号若しくは心電図信号、例えば、心電図（ＥＣＧ）、心臓及びフォトプレチスモグラフィック波形、又は本明細書で後に説明される信号キャプチャ若しくは記録器具、又は他のモダリティを介して取得されるものを含み得る。
【0020】
本明細書で使用される「生物物理学的信号」という用語は、これらに限定されないが、１つ以上の心臓信号、神経信号、バリストカルジオグラフィック信号、及び／又はフォトプレチスモグラフィック信号を含むが、それはまた、情報が得られ得る任意の生理学的信号をより広く包含する。例によって限定されることを意図しないが、生物物理学的信号を、例えば、電気（例えば、時間及び／又は周波数などの様々なドメインにおける電圧／電位（例えば、生体電位）、インピーダンス、抵抗率、伝導性、電流などの測定などの技術によって観察、識別、及び／又は定量化され得る、ある特定の心臓及び神経系関連信号）、磁気、電磁気、光学（例えば、反射率、干渉法、分光法、吸光度、透過率、視覚的観察、フォトプレチスモグラフィ、及び同等物などの技術によって観察、識別、及び／又は定量化され得る信号）、音響、化学、機械（例えば、流体流動、圧力、運動、振動、変位、歪みに関連する信号）、熱、及び電気化学（例えば、グルコースなどのある特定の分析物の存在に相関され得る信号）を含むことができる、タイプ又はカテゴリに分類してもよい。場合によっては、生物物理学的信号は、生理学的系（例えば、呼吸器系、循環器系（循環器系、肺系）、神経系、リンパ系、内分泌系、消化器系、排泄物、筋肉系、骨格系、腎臓系／尿路系／排泄物系、免疫系、外皮系／外分泌系、及び生殖系）、１つ以上の臓器系（例えば、心臓及び肺が一緒に働くときに固有のものであり得る信号）の文脈において、又は組織（例えば、筋肉、脂肪、神経、結合組織、骨）、細胞、器官、分子（例えば、水、タンパク質、脂肪、炭水化物、ガス、遊離ラジカル、有機イオン、鉱物、酸、及び他の化合物）、元素、並びにそれらの亜原子成分の文脈において記載され得る。特に明記しない限り、「生物物理学的信号取得」という用語は、一般に、哺乳類又は非哺乳類生物などの生理学的系から生物物理学的信号を取得する任意の受動的又は能動的手段を指す。受動的及び能動的生物物理学的信号取得は、一般に、身体組織の自然又は誘導電気、磁気、光学、及び／又は音響放射線の観察を指す。受動的及び能動的生物物理学的信号取得手段の非限定的な例としては、例えば、体組織の自然放射線を観察する電圧／電位、電流、磁気、光学、音響、及び他の非能動的な方式が挙げられ、いくつかの例では、そのような放射線を誘導する。受動的及び能動的生物物理学的信号取得手段の非限定的な例としては、例えば、超音波、電波、マイクロ波、赤外線及び／又は可視光（例えば、パルスオキシメトリー又はフォトプレチスモグラフィでの使用のための）、可視光、紫外線、及び電離エネルギー又は放射線（例えば、Ｘ線）を含まない身体組織を能動的に調べる他の方式が挙げられる。能動的生物物理学的信号取得は、励起放出分光法（例えば、励起放出蛍光を含む）を含み得る。能動的生物物理学的信号取得はまた、イオン化エネルギー又は放射線（例えば、Ｘ線）（「イオン化生物物理学的信号」とも称される）を体組織に伝達することを含み得る。受動的及び能動的生物物理学的信号取得手段は、侵襲的手順（例えば、手術又は侵襲的放射線介入プロトコルを介して）又は非侵襲的（例えば、撮像、アブレーション、心臓収縮調節（例えば、ペースメーカーを介して）、カテーテル留置などを介して）と併せて実行され得る。
【0021】
本明細書で使用される「フォトプレチスモグラフィック信号」という用語は、赤色及び赤外線スペクトル内の波長を有する光などの酸素化及び脱酸素化ヘモグロビンによる光吸収の測定された変化に対応する、光学センサから取得された１つ以上の信号又は波形を指す。フォトプレチスモグラフィック信号（複数可）は、いくつかの実施形態において、パルスオキシメータ又はフォトプレスモグラム（ＰＰＧ）を介して取得された生の信号（複数可）を含む。いくつかの実施形態において、フォトプレチスモグラフィック信号（複数可）は、健康を監視すること、及び／又は疾患若しくは異常コンディションを診断することを目的として、そのような信号波形を取得するように構成される、市販の、カスタムの、及び／又は専用の機器若しくは回路から取得される。フォトプレチスモグラフィック信号（複数可）は、典型的には、赤色のフォトプレチスモグラフィック信号（例えば、最も優勢に約６２５～７４０ナノメートルの波長を有する可視光スペクトル内の電磁信号）及び赤外線のフォトプレチスモグラフィック信号（例えば、可視スペクトルの公称赤縁から最大約１ｍｍまで延在する電磁信号）を含むが、近赤外線、青、及び緑などの他のスペクトルは、用いられているＰＰＧのタイプ及び／又はモードに応じて、異なる組み合わせで使用されてもよい。
【0022】
本明細書で使用される場合、「バリストカルジオグラフィック信号（ｂａｌｌｉｓｔｏｃａｒｄｉｏｇｒａｐｈｉｃ ｓｉｇｎａｌ）」という用語は、振動、音響、移動、又は向きを通して観察され得る全身を通る血流を概して反映する信号又は信号の群を指す。いくつかの実施形態では、バリストカルジオグラフィック信号は、心臓に近接して搭載されるセンサによって記録されるような身体の振動又は配向を測定することができる、振動、音響、移動、又は配向ベースのサイズモカルジオグラム（ＳＣＧ）センサなどのウェアラブルデバイスによって取得される。サイズモカルジオグラムセンサは、概して、本明細書において「バリストカルジオグラム」という用語と互換的に使用される「サイズモカルジオグラム」を取得するために使用される。他の実施形態において、バリストカルジオグラフィック信号は、血液が頭部と足との間の長手方向に前後に移動するときの体重の変化などの現象を測定する外部機器、例えば、ベッド又は表面ベースの機器によって取得され得る。そのような実施形態において、各場所における血液量は、動力学的に変化し得、ベッド上の各場所で測定された重量並びにその重量の変化速度に反映され得る。
【0023】
加えて、本明細書の様々な実施形態に記載される方法及びシステムは、それほど限定されず、生体の別の生理学的システム、又はシステム、臓器、組織、細胞などの任意の文脈で利用され得る。例としてのみ、心血管の文脈において有用であり得る２つの生物物理学的信号タイプは、従来の心電図（ＥＣＧ／ＥＫＧ）機器を介して取得され得る心臓／生体電位信号、本明細書に記載されるものなどの他の機器から取得され得るバイポーラ広帯域生体電位（心臓）信号、及び、例えば、フォトプレチスモグラフィなどの様々な心電図法によって取得され得る信号を含む。別の例では、２つの生物物理学的信号タイプは、バリストカルジオグラフィック技術によって更に増強され得る。
【0024】
図１は、例示的な実施形態による、視覚的特徴又はパラメータを非侵襲的に計算して、分類器（例えば、機械学習分類器）を介して、患者の生理学的状態に関連付けられた１つ以上のメトリックを生成するように構成された例示的なモジュール又は構成要素の概略図である。モジュール又は構成要素は、製造用途、又は視覚的特徴及び他のクラスの特徴の開発に使用され得る。
【0025】
本明細書に記載の例示的な分析及び分類器は、心臓及び心臓肺関連の病態及び医学的コンディション、又はそのインジケーターの診断及び／又は治療においてヘルスケア提供者を支援するために使用され得る。例としては、本明細書に開示される様々な他の疾患及びコンディションの中で、有意な冠動脈疾患（ＣＡＤ）、例えば、駆出率が保持された心不全（ＨＦｐＥＦ）、うっ血性心不全、様々な形態の不整脈、弁不全、様々な形態の肺高血圧などの１つ以上の形態の心不全が挙げられる。
【0026】
加えて、いくつかの形態の心不全に関連する上昇した又は異常な左心室拡張末期圧（ＬＶＥＤＰ）値、いくつかの形態の心不全に関連する異常な左心室駆出率（ＬＶＥＦ）値、又は肺高血圧及び／又は肺動脈高血圧に関連する上昇した平均肺動脈圧（ｍＰＡＰ）値などの疾患又はコンディションの可能性のインジケーターが存在する。本明細書に記載の例示的な分析及び分類器によって提供されるものなど、そのようなインジケーターが異常／上昇又は正常である可能性のインジケーターは、ヘルスケア提供者が、患者が所与の疾患又はコンディションを有するか、又は有しないかを査定又は診断するのを助けることができる。コンディションの疾患状態に関連付けられたこれらのメトリックに加えて、身体検査及び／又は他のテストの結果、患者の病歴、現在の薬物などの他の測定値及び要因の診断を行う際にヘルスケア専門家によって採用することができる。疾患状態又は医学的コンディションの存在又は不在の決定は、そのような疾患の兆候（又は診断に使用される測定のメトリック）を含むことができる。
【0027】
図１では、構成要素は、少なくとも１つの非侵襲的な生物物理学的信号レコーダ又はキャプチャシステム１０２、及び、例えばクラウド若しくはリモートインフラストラクチャ、又はローカルシステムに位置された査定システム１０３を含む。生物物理学的信号キャプチャシステム１０２（生物物理学的信号レコーダシステムとも称される）は、この実施形態では、例えば、同期的に取得された患者の電気信号及び血行動態信号を１つ以上のタイプの生物物理学的信号１０４として取得し、処理し、記憶し、送信するように構成される。図１の例では、生物物理学的信号キャプチャシステム１０２は、測定プローブ１０６（例えば、血行動態信号１０４ａのための血行動態センサを備える、例えば、プローブ１０６ａ及び１０６ｂ、並びに電気／心臓信号１０４ｂのための導線を備えるプローブ１０６ｃ～１０６ｈとして示される）から取得される、第１の生物物理学的信号１０４ａ（例えば、他の第１の生物物理学的信号に同期して取得される）及び第２の生物物理学的信号１０４ｂ（例えば、他の生物物理学的信号に同期して取得される）として示される２つのタイプの生物物理学的信号を同期してキャプチャするように構成される。プローブ１０６ａ～ｈは、例えば、患者１０８の表面組織（患者場所１０８ａ及び１０８ｂに示される）に接着される、又はそれに隣接して配置されることによって、その上に配置される。患者は、好ましくは、ヒト患者であるが、任意の哺乳類患者であり得る。取得された生の生物物理学的信号（例えば、１０６ａ及び１０６ｂ）は、生物物理学的信号データセット１１０（それぞれ、第１の生物物理学的信号データセット１１０ａ及び第２の生物物理学的信号データセット１１０ｂとして図１に示される）を一緒に形成し、これは、例えば、好ましくは、記録／信号キャプチャ番号によって、及び／又は患者の名前及び医療記録番号によって識別可能な単一のファイルとして記憶され得る。
【0028】
図１の実施形態では、第１の生物物理学的信号データセット１１０ａは、場所１０８ａでの患者からの酸素化ヘモグロビン及び／又は脱酸素化ヘモグロビンの光吸収の測定された変化に関連付けられた、生のフォトプレチスモグラフィック信号又は血行動態信号（複数可）のセットを含み、第２の生物物理学的信号データセット１１０ｂは、心臓の電気信号に関連する生の心臓信号又は生体電位信号（複数可）のセットを含む。図１において、生のフォトプレチスモグラフィック信号又は血行動態信号（複数可）は、患者の指で取得されるように示されているが、信号は、代替的に、患者のつま先、手首、額、耳たぶ、首などで取得されてもよい。同様に、心臓又は生体電位信号（複数可）は、直交誘導の３つのセットを介して取得されるように示されているが、他の誘導構成（例えば、１１誘導構成、１２誘導構成など）が使用されてもよい。
【0029】
プロット１１０ａ’及び１１０ｂ’は、それぞれ、第１の生物物理学的信号データセット１１０ａ及び第２の生物物理学的信号データセット１１０ａの例を示す。具体的には、プロット１１０ａ’は、取得されたフォトプレスモグラフィック又は血行動態信号の例を示す。プロット１１０ａ’において、フォトプレチスモグラフィック信号は、２つの光源（例えば、赤外線及び赤光源）から取得されたときの時間の関数としての信号電位を有する時系列信号である。プロット１１０ｂ’は、３チャネル電位時系列プロットを含む例示的な心臓信号を示す。いくつかの実施形態において、生物物理学的信号キャプチャシステム１０２は、好ましくは、非侵襲的手段又は構成要素（複数可）を介して生物物理学的信号を取得する。代替の実施形態において、侵襲的又は最小侵襲的手段又は構成要素（複数可）は、非侵襲的手段（例えば、埋め込まれた圧力センサ、化学センサ、加速度計など）を補完するために、又はその代わりとして使用され得る。なおも更に代替の実施形態では、生物物理学的信号を収集することができる非侵襲的及び非接触プローブ又はセンサは、任意の組み合わせ（例えば、本明細書で考察されるように、受動温度計、スキャナ、カメラ、Ｘ線、磁気、又は非接触若しくは接触エネルギーデータ収集システムの他の手段）で、非侵襲的及び／又は侵襲的／最小侵襲的手段を補完するために、又はその代わりとして使用され得る。信号の取得及び記録に続いて、生物物理学的信号キャプチャシステム１０２はその後、例えば、無線又は有線通信システム及び／又はネットワークを送信することによって、取得された生物物理学的信号データセット１１０（又はそこから導出又は処理されたデータセット、例えば、フィルタリング又は事前処理されたデータ）を査定システム１０３のデータリポジトリ１１２（例えば、クラウドベースのストレージエリアネットワーク）に提供する。いくつかの実施形態において、取得された生物物理学的信号データセット１１０は、分析のために査定システム１０３に直接送信されるか、又は安全な臨床医のポータルを介してデータリポジトリ１１２にアップロードされる。
【0030】
生物物理学的信号キャプチャシステム１０２は、いくつかの実施形態において、回路及びコンピューティングハードウェア、ソフトウェア、ファームウェア、ミドルウェアなどで構成され、キャプチャされた生物物理学的信号の両方を取得、記憶、送信、及び任意選択的に処理して生物物理学的信号データセット１１０を生成する。例示的な生物物理学的信号キャプチャシステム１０２及び取得された生物物理学的信号セットデータ１１０は、「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｗｉｄｅ－Ｂａｎｄ Ｐｈａｓｅ Ｇｒａｄｉｅｎｔ Ｓｉｇｎａｌ Ａｃｑｕｉｓｉｔｉｏｎ」と題された米国特許第１０，５４２，８９８号、又は「Ｍｅｔｈｏｄ ａｎｄ Ａｐｐａｒａｔｕｓ ｆｏｒ Ｗｉｄｅ－Ｂａｎｄ Ｐｈａｓｅ Ｇｒａｄｉｅｎｔ Ｓｉｇｎａｌ Ａｃｑｕｉｓｉｔｉｏｎ」と題された米国特許公開第２０１８／０２４９９６０号に記載されており、これらの各々は、参照によりその全体が本明細書に組み込まれる。
【0031】
いくつかの実施形態において、生物物理学的信号キャプチャシステム１０２は、第１の生物物理学的信号（例えば、フォトプレチスモグラフィック信号）を取得するための第１の信号取得構成要素（図示せず）を含む２つ以上の信号取得構成要素を含み、第２の生物物理学的信号（例えば、心臓信号）を取得するための第２の信号取得構成要素（図示せず）を含む。いくつかの実施形態において、電気信号は、数分間でマルチキロヘルツの速度、例えば、１ｋＨｚ～１０ｋＨｚで取得される。他の実施形態において、電気信号は、１０ｋＨｚ～１００ｋＨｚで取得される。血行動態信号は、例えば、１００Ｈｚ～１ｋＨｚで取得されてもよい。
【0032】
生物物理学的信号キャプチャシステム１０２は、信号を取得するための１つ以上の他の信号取得構成要素（例えば、機械音響、バリストグラフィック、バリストカルジオグラフィックなどのセンサ）を含み得る。信号キャプチャシステム１０２の他の実施形態では、信号取得構成要素は、従来の心電図（ＥＣＧ／ＥＫＧ）機器（例えば、ホルターデバイス、１２誘導ＥＣＧなど）を含む。
【0033】
査定システム１０３は、いくつかの実施形態では、データリポジトリ１１２と、分析エンジン又は分析器（図示せず、図１２Ａ及び１２Ｂ参照）とを備える。査定システム１０３は、特徴モジュール１１４及び分類器モジュール１１６（例えば、ＭＬ分類器モジュール）を含み得る。図１において、査定システム１０３は、取得された生物物理学的信号データセット１１０を、例えば、データリポジトリ１１２から取り出し、それを特徴モジュール１１４において使用するように構成され、これは、視覚的特徴モジュール１２０及び他のモジュール１２２（本明細書において後に説明される）を含むように図１に示される。特徴モジュール１１４は、分類器モジュール１１６に提供するために、視覚的特徴の値を含む特徴又はパラメータの値を計算し、分類器モジュールは、患者の生理学的状態（例えば、疾患状態、医学的コンディションの存在又は不在の兆候、あるいはいずれかの兆候）に関連付けられたメトリックの出力１１８、例えば、出力スコアを計算する。いくつかの実施形態において、出力１１８は、その後ヘルスケア医師ポータル（図示せず、図１２Ａ及び図１２Ｂ参照）に提示されて、病態又は医学的コンディションの診断及び治療のためにヘルスケア専門家によって使用される。いくつかの実施形態において、ポータルは、例えば、患者、介護者、研究者などによるアクセスのために構成されてもよく（例えば、カスタマイズされてもよい）、出力１１８は、ポータルの意図された視聴者のために構成されてもよい。他のデータ及び情報はまた、出力１１８（例えば、取得された生物物理学的信号又は他の患者の情報及び病歴）の一部であり得る。
【0034】
分類器モジュール１１６（例えば、ＭＬ分類器モジュール）は、限定はしないが、決定木、ランダムフォレスト、ニューラルネットワーク、線形モデル、ガウス過程、最近傍、ＳＶＭ、Ｎａｉｖｅ Ｂａｙｅｓなどのアルゴリズムに基づいて開発された伝達関数、ルックアップテーブル、モデル、又は演算子を含み得る。いくつかの実施形態では、分類器モジュール１１６は、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ｎｏｎ－Ｉｎｖａｓｉｖｅｌｙ Ａｓｓｅｓｓ Ｅｌｅｖａｔｅｄ Ｌｅｆｔ Ｖｅｎｔｒｉｃｕｌａｒ Ｅｎｄ－Ｄｉａｓｔｏｌｉｃ Ｐｒｅｓｓｕｒｅ」と題する米国仮特許出願第６３／２３５，９６０号、「Ｄｉｓｃｏｖｅｒｉｎｇ Ｎｏｖｅｌ Ｆｅａｔｕｒｅｓ ｔｏ Ｕｓｅ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ，ｓｕｃｈ ａｓ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ Ｄｉａｇｎｏｓｉｎｇ Ｍｅｄｉｃａｌ Ｃｏｎｄｉｔｉｏｎｓ」と題する米国特許出願公開第２０１９／００２６４３０号又は「Ｄｉｓｃｏｖｅｒｉｎｇ Ｇｅｎｏｍｅｓ ｔｏ Ｕｓｅ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ」と題する米国特許出願公開第２０１９／００２６４３１号に記載されているＭＬ技術に基づいて開発されたモデルを含むことができ、これらの各々は、参照によりその全体が本明細書に組み込まれる。
【0035】
生物物理学的信号取得の例。
図２は、例示的な実施形態による、生物物理学的信号キャプチャシステム１０２（１０２ａとして示される）と、臨床設定における患者の生物物理学的信号を非侵襲的に収集することにおけるその使用とを示す。図２において、生物物理学的信号キャプチャシステム１０２ａは、患者が安静している間に、患者１０８からの２つのタイプの生物物理学的信号をキャプチャするように構成される。生物物理学的信号キャプチャシステム１０２ａは、患者の、（ｉ）直交して配置されたセンサ（１０６ｃ～１０６ｈ、１０６ｉは７番目のコモンモード基準リードである）を使用して、胴体からの電気信号（例えば、第２の生物物理学的信号データセット１１０ｂに対応する心臓信号）、及び（ｉｉ）フォトプレチスモグラフィックセンサ（例えば、信号１０６ａ、１０６ｂを収集する）を使用して、指からの血行動態信号（例えば、第１の生物物理学的信号データセット１１０ａに対応するＰＰＧ信号）を同期的に取得する。
図２は、例示的な実施形態による、生物物理学的信号キャプチャシステム１０２（１０２ａとして示される）と、臨床設定における患者の生物物理学的信号を非侵襲的に収集することにおけるその使用とを示す。図２において、生物物理学的信号キャプチャシステム１０２ａは、患者が安静している間に、患者１０８からの２つのタイプの生物物理学的信号をキャプチャするように構成される。生物物理学的信号キャプチャシステム１０２ａは、患者の、（ｉ）直交して配置されたセンサ（１０６ｃ～１０６ｈ、１０６ｉは７番目のコモンモード基準リードである）を使用して、胴体からの電気信号（例えば、第２の生物物理学的信号データセット１１０ｂに対応する心臓信号）、及び（ｉｉ）フォトプレチスモグラフィックセンサ（例えば、信号１０６ａ、１０６ｂを収集する）を使用して、指からの血行動態信号（例えば、第１の生物物理学的信号データセット１１０ａに対応するＰＰＧ信号）を同期的に取得する。
【0036】
図２に示すように、電気信号及び血行動態信号（例えば、１０４ａ、１０４ｂ）は、患者の皮膚に適用された市販のセンサを介して受動的に収集される。信号は、患者が電離放射線又は放射線造影剤に曝露することなく、かつ患者の運動又は薬理学的ストレス要因を使用することなく、有益に取得することができる。生物物理学的信号キャプチャシステム１０２ａは、技術者又は看護師などのヘルスケア専門家が必要なデータを取得することにつながる、及びセルラー信号又はＷｉ－Ｆｉ接続を確立することができる、任意の設定で使用され得る。
【0037】
電気信号（例えば、第２の生物物理学的信号データセット１１０ｂに対応する）は、基準リードと共に、患者の胸部及び背部にわたって配置された３つの直交ペアの表面電極を使用して収集される。いくつかの実施形態において、電気信号は、数分間（例えば、２１５秒間）、マルチキロヘルツ速度（例えば、６つのチャネルの各々について、１秒当たり８０００サンプル）でローパスアンチエイリアシングフィルタ（例えば、約２ｋＨｚ）を使用して取得される。代替の実施形態において、生物物理学的信号は、監視のために連続的／間欠的に取得されてもよく、取得された信号の部分が分析のために使用される。血行動態信号（例えば、第１の生物物理学的信号データセット１１０ａに対応する）は、指に配置されたフォトプレチスモグラフィックセンサを使用して収集される。赤色光（例えば、６００～７５０ｎｍの任意の波長）及び赤外線光（例えば、８５０～９５０ｎｍの任意の波長）の光吸収は、いくつかの実施形態において、同じ期間にわたって１秒当たり５００サンプルの速度で記録される。生物物理学的信号キャプチャシステム１０２ａは、信号中のコモンモード環境ノイズを低減するコモンモード駆動を含み得る。フォトプレチスモグラフィック信号及び心臓信号は、各患者について同時に取得された。データにおけるジッタ（モダリティ間ジッタ）は、約１０マイクロ秒（μｓ）未満であり得る。心臓信号チャネル間のジッタは、１０マイクロ秒未満、例えば、約１０フェムト秒（ｆｓ）であり得る。
【0038】
患者メタデータ及び信号データを含む信号データパッケージは、信号取得手順の完了時にコンパイルされ得る。このデータパッケージは、生物物理学的信号キャプチャシステム１０２ａがパッケージをデータリポジトリ１１２に転送する前に暗号化され得る。いくつかの実施形態において、データパッケージが、査定システムに転送される（例えば、１０３）。転送は、いくつかの実施形態において、ユーザの介入なしに信号取得手順の完了後に開始される。データリポジトリ１１２は、いくつかの実施形態において、患者のデータパッケージ、例えば、Ａｍａｚｏｎ Ｓｉｍｐｌｅ Ｓｔｏｒａｇｅ Ｓｅｒｖｉｃｅ（すなわち、「Ａｍａｚｏｎ Ｓ３」）に安全な、冗長な、クラウドベースのストレージを提供することができるクラウドストレージサービス上でホストされる。生物物理学的信号キャプチャシステム１０２ａはまた、施術者が不適切な信号取得に対する通知を受信して、施術者に患者から直ちに追加のデータを取得するように警告するためのインターフェースを提供する。
【0039】
【0040】
疾患状態又は兆候コンディションの存在の推定。図３Ａは視覚的パラメータ又は特徴を採用し、例えば、診断、追跡、又は治療を支援するために、疾患状態、医学的コンディション、又はいずれかの兆候の存在の推定値を決定する、方法３００ａを示す。方法３００ａは、例えば、図１及び２若しくは本明細書に記載の他の例に関連して説明されるように、患者から生物物理学的信号（例えば、心臓信号、フォトプレチスモグラフィック信号、バリストカルジオグラフィック信号）を取得するステップ（３０２）を含む。いくつかの実施形態において、取得された生物物理学的信号は、リモートストレージ及び分析のために送信される。他の実施形態において、取得された生物物理学的信号は、ローカルに記憶され、分析される。
【0041】
上述のように、心臓の文脈における一例は、異常な左心室拡張末期圧（ＬＶＥＤＰ）又は平均肺動脈圧（ｍＰＡＰ）、有意な冠動脈疾患（ＣＡＤ）、異常な左心室駆出率（ＬＶＥＦ）、及び肺動脈高血圧（ＰＡＨ）などの１つ以上の形態の肺高血圧（ＰＨ）の存在の推定である。推定され得る他の病態又は兆候コンディションとしては、例えば、本明細書に開示される様々な他の疾患及び医学的コンディションの中で、例えば、駆出率が保持された心不全（ＨＦｐＥＦ）、不整脈、うっ血性心不全、弁不全などの１つ以上の形態の心不全が挙げられる。
【0042】
方法３００ａは、データセットを取り出し、視覚的特徴の値を決定するステップ（３０４）を更に含む。視覚的特徴の値を決定するための例示的な動作は、本明細書で後に考察される図４～図１１に関連して提供される。方法３００ａは、決定された視覚的特徴の推定モデル（例えば、ＭＬモデル）への適用に基づいて、疾患状態、医学的コンディション、又はいずれかの兆候の存在に関する推定値を決定するステップ（３０６）を更に含む。例示的な実装形態が、図１２Ａ及び図１２Ｂに関して提供される。
【0043】
方法３００ａは、例えば、図１、図１２Ａ、及び図１２Ｂ、並びに本明細書に説明される他の例に関連して説明されるように、報告（例えば、疾患状態、医学的コンディション、又はいずれかの兆候の診断又は治療に使用される）内の疾患状態又は異常コンディションの存在に関する推定値（複数可）を出力するステップ（３０８）を更に含む。
【0044】
診断又はコンディション監視又は追跡。図３Ｂは、医療機器又は健康監視デバイスの健康又は制御を監視するための視覚的パラメータ又は特徴を用いる方法３００ｂを示す。方法３００ｂは、患者から生物物理学的信号（例えば、心臓信号、フォトプレチスモグラフィック信号、バリストカルジオグラフィック信号など）を得るステップ（３０２）を含む。動作は、例えば、報告のための出力を提供するために、又は医療機器若しくは健康監視デバイスのための制御として、連続的又は断続的に実施され得る。
【0045】
【0046】
方法３００ｂは、視覚的特徴又はパラメータの値（複数可）を（例えば、診断で使用するための報告において、又は制御のための信号として）出力すること（３１２）を更に含む。監視及び追跡するために、出力は、ウェアラブルデバイス、ハンドヘルドデバイス、又は医療診断機器（例えば、パルス酸素濃度計システム、ウェアラブル健康監視システム）を介して、健康に関連付けられた拡張データを提供することができる。いくつかの実施形態では、出力は、蘇生システム、心臓又は肺ストレス試験機器、ペースメーカーにおいて使用されてもよい。
【0047】
視覚的予測器特徴
図４及び図５は各々、例示的な実施形態による、１つ以上の視覚予測器関連特性の値を決定するように構成された、合計で２つの例示的なモジュールに対する、例示的な視覚的特徴査定モジュールを示す。特に、図４の視覚的ループ特徴査定モジュール４００は、研究中の波形領域の形態及び変動性を査定するために、各々位相空間モデルで表される、（ｉ）心臓信号内の関心のある波形領域（心房脱分極（ＡＤ）波形領域、心室再分極（ＶＲ）波形領域、心室脱分極（ＶＲ）波形領域として示される）及び（ｉｉ）ＰＰＧ信号（ＰＰＧ信号＃１及び＃２として示される）に対する視覚的ループ特徴及びそれらの正射影から生成された特徴の値を計算することができる。ループ特徴は、点群モデルの外周、表面積、体積、曲率、及び渦度、又は関心のある波形の各々について点群から生成されたソリッドモデルに関連付けられた特徴を含むことができる。心臓信号の場合、これらは、ＡＤ、ＶＤ、及びＶＲ波形領域などの特定の波形領域を含むことができ、ＰＰＧ信号の場合、これらは、信号全体を含むことができる。
図４及び図５は各々、例示的な実施形態による、１つ以上の視覚予測器関連特性の値を決定するように構成された、合計で２つの例示的なモジュールに対する、例示的な視覚的特徴査定モジュールを示す。特に、図４の視覚的ループ特徴査定モジュール４００は、研究中の波形領域の形態及び変動性を査定するために、各々位相空間モデルで表される、（ｉ）心臓信号内の関心のある波形領域（心房脱分極（ＡＤ）波形領域、心室再分極（ＶＲ）波形領域、心室脱分極（ＶＲ）波形領域として示される）及び（ｉｉ）ＰＰＧ信号（ＰＰＧ信号＃１及び＃２として示される）に対する視覚的ループ特徴及びそれらの正射影から生成された特徴の値を計算することができる。ループ特徴は、点群モデルの外周、表面積、体積、曲率、及び渦度、又は関心のある波形の各々について点群から生成されたソリッドモデルに関連付けられた特徴を含むことができる。心臓信号の場合、これらは、ＡＤ、ＶＤ、及びＶＲ波形領域などの特定の波形領域を含むことができ、ＰＰＧ信号の場合、これらは、信号全体を含むことができる。
【0048】
図５の視覚ベクトル特徴査定モジュール５００は、研究中の波形領域の形態及び変動性を査定するために、各々位相空間モデルで表される、（ｉ）心臓信号内の関心のある波形領域（ＡＤ、ＶＤ、及びＶＲ波形領域として示される）及び（ｉｉ）ＰＰＧ信号（ＰＰＧ信号＃１及び＃２として示される）に対する視覚ベクトル特徴及びそれらの正射影から生成された特徴の値を計算することができる。心臓信号の場合、これらは、ＡＤ、ＶＤ、及びＶＲ波形領域などの特定の波形領域を含むことができ、ＰＰＧ信号の場合、これらは、信号全体を含むことができる。
【0049】
実施例＃１－視覚的ループ特徴
図４は、２つの例示的な視覚的特徴カテゴリのうちの第１のカテゴリとして、点群の外周、表面積、体積、曲率、及び／又は渦度、又は関心のある波形から生成された点群から生成されたソリッドモデルなどの視覚的特性を特徴付ける視覚的特徴又はパラメータの出力値を決定するように構成された例示的な視覚的ループ特徴査定モジュール４００を例解する。２Ｄソリッドモデル又は投影の象限に対して追加の特徴を決定することができる。心臓信号の場合、心房脱分極（ＡＤ）波形領域、心室再分極（ＶＲ）波形領域、及び心室脱分極（ＶＤ）波形領域などの、関心のある波形としての特定の波形領域の視覚的特性を計算することができる。ＰＰＧ信号の場合、取得された波形について視覚的特性を計算することができる。点群又はソリッドモデルは、（ｉ）取得された心臓信号、又は（ｉｉ）ＰＰＧ信号及びそのＰＰＧ信号から生成された関連するＶＰＧ及びＡＰＧ信号の３つのチャネルにおけるデータ点から生成することができる。
図４は、２つの例示的な視覚的特徴カテゴリのうちの第１のカテゴリとして、点群の外周、表面積、体積、曲率、及び／又は渦度、又は関心のある波形から生成された点群から生成されたソリッドモデルなどの視覚的特性を特徴付ける視覚的特徴又はパラメータの出力値を決定するように構成された例示的な視覚的ループ特徴査定モジュール４００を例解する。２Ｄソリッドモデル又は投影の象限に対して追加の特徴を決定することができる。心臓信号の場合、心房脱分極（ＡＤ）波形領域、心室再分極（ＶＲ）波形領域、及び心室脱分極（ＶＤ）波形領域などの、関心のある波形としての特定の波形領域の視覚的特性を計算することができる。ＰＰＧ信号の場合、取得された波形について視覚的特性を計算することができる。点群又はソリッドモデルは、（ｉ）取得された心臓信号、又は（ｉｉ）ＰＰＧ信号及びそのＰＰＧ信号から生成された関連するＶＰＧ及びＡＰＧ信号の３つのチャネルにおけるデータ点から生成することができる。
【0050】
表１は、生物物理学的信号又はその中の波形領域から抽出することができる１２個の抽出された視覚的ループ特徴の例示的なセットを示す。一実施形態では、１２個の視覚的特徴は、心臓又は生体電位信号の３つの波形領域のうちの一部又は全てに対して、及び２つのＰＰＧ信号に対して判定され、最大合計７５個の特徴を提供することができる。表１において、記号「＊」で示される特徴は、少なくとも１つの心臓疾患、医学的コンディション、又はいずれかの兆候の存在又は不在の査定（例えば、上昇ＬＶＥＤＰの存在又は不在の決定）において有意な有用性を有することが実験的に決定されている。表１において、記号「＊＊」で示される特徴は、少なくとも１つの心臓疾患、医学的コンディション、又はいずれかの兆候の存在又は不在の査定（例えば、冠状動脈疾患の存在又は不在の決定）において有意な有用性を有することが実験的に決定されている。異常な又は上昇したＬＶＥＤＰの存在又は不在及び有意なＣＡＤの存在又は不在の査定において有意な有用性を有すると判定された特定の特徴のリストを、それぞれ、表１０Ａ及び表１０Ｂ、並びに表１１Ａ及び表１１Ｂに提供する。
【表1-1】
【表1-2】
【0051】
表２は、表１の表面積及び体積ループ特徴の生物物理学的信号又はその中の波形領域から抽出され得る追加の４つのタイプの抽出された視覚的ループ特徴の例示的なセットを示す。表１の特徴で提供されるような３Ｄ位相空間モデル全体の特徴を決定するのではなく、表２の特徴は、３Ｄ位相空間モデルのサブ領域（オクタントと称される）の特徴を決定する。一実施形態では、表１の４つの視覚的特徴は、心臓又は生体電位信号の３つの波形領域のうちの一部又は全てに対する８つのオクタント領域に対して、及び２つのＰＰＧ信号に対して判定され、最大合計２３５個の特徴を提供することができる。表２において、記号「＊」で示される特徴は、少なくとも１つの心臓疾患、医学的コンディション、又はいずれかの兆候の存在又は不在の査定（例えば、上昇ＬＶＥＤＰの存在又は不在の決定）において有意な有用性を有することが実験的に決定されている。記号「＊＊」で示される特徴は、少なくとも１つの心臓疾患、医学的コンディション、又はいずれかの兆候の存在又は不在の査定（例えば、冠状動脈疾患の存在又は不在の決定）において有意な有用性を有することが実験的に決定されている。異常な又は上昇したＬＶＥＤＰの存在又は不在の査定において有意な有用性を有すると判定された特定の特徴のリストは、それぞれ、表１０Ａ及び表１０Ｂ並びに表１１Ａ及び表１１Ｂに提供される。
【表2】
【0052】
表３は、外周、面積、曲率、及び循環を含む、表１の特徴の投影又はかかる投影の象限分析に基づいて、生物物理学的信号又はその中の波形領域から抽出され得る、追加の８つのタイプの抽出された視覚的ループ特徴の例示的なセットを示す。表３は、追加の特徴偏心を示す。一実施形態では、３つの投影が、表３の８つの特徴タイプの各々に対して判定されることができ、各投影に対して、５つの特徴（全体的値及び４象限内のその細分）が、合計１３５までの特徴を提供するように査定されることができる。表３において、記号「＊」で示される特徴は、少なくとも１つの心臓疾患、医学的コンディション、又はいずれかの兆候の存在又は不在の査定（例えば、上昇ＬＶＥＤＰの存在又は不在の決定）において有意な有用性を有することが実験的に決定されている。表３において、記号「＊＊」で示される特徴は、少なくとも１つの心臓疾患、医学的コンディション、又はいずれかの兆候の存在又は不在の査定（例えば、冠状動脈疾患の存在又は不在の決定）において有意な有用性を有することが実験的に決定されている。異常な又は上昇したＬＶＥＤＰの存在又は不在及び有意なＣＡＤの存在又は不在の査定において有意な有用性を有すると判定された特定の特徴のリストを、それぞれ、表１０Ａ及び表１０Ｂ並びに表１１Ａ及び表１１Ｂに提供する。
【表3】
【0053】
図６は、例示的な実施形態による視覚的ループ特徴計算モジュール４００の実装形態（６００）を示し、これは、視覚的ループ特徴又はパラメータを生成するために全体的に又は部分的に使用することができ、それらの出力は、検討中の患者の生理系に関連付けられたメトリックを決定するために機械学習分類器において使用される。表１の例示的な特徴を決定するために、方法６００は、いくつかの実施形態では、（ｉ）信号準備（６０２）と、（ｉｉ）関心のある波形領域を分離すること（６０４）と、（ｉｉｉ）分離された信号の点群位相空間モデルを生成すること（６０６）と、（ｉｖ）視覚的特徴を決定することと、を含む。図６は、関心のある３つのセグメント領域、すなわち、ＡＤ波形領域６１２、ＶＤ波形領域６１４、及びＶＲ波形領域６１６について識別された複数の心周期データを含む例示的な心臓信号位相空間モデル６１０を示す。位相空間モデル６１０は、これらの３つの領域の一部ではない領域６１８も示す。図６は、ＰＰＧ信号６２２及びその関連するＶＰＧ信号６２４及びＡＰＧ信号６２６について生成されたＰＰＧ信号位相空間モデル６２０の例を示す。図６はまた、収縮期ＰＰＧピーク６２８、拡張期ＰＰＧピーク６３０、ピークＶＰＧ６３２、最小ＶＰＧ６３４、ピークＡＰＧ６３６、最小ＡＰＧ６３８、ベースＡＰＧ６４０、及び原点６４０を含む関心のある基準点を有するＰＰＧ信号位相空間モデル６２０を示す。追加の説明を以下に提供する。
【0054】
外周特徴。図７Ａ及び図７Ｂは、心臓信号及びＰＰＧ信号の外周特徴を計算するための例示的な動作を示す。図７Ａに示される例では、心臓信号データに関して、モジュール４００は、点群データのセットを生成することができ、そのセットの各々は、単一の心周期に関するデータと、関心のある波形領域、例えば、ＡＤ波形領域６１２、ＶＤ波形領域６１４、及びＶＲ波形領域６１６に関するデータとを含む（図７Ａでは、ＶＤ波形領域６１４（６１４ａとして示される）のみに関する例が示される）。次いで、所与の波形領域の外周値を、その波形領域の点群データ内の連続する点の各対の間のユークリッド距離の和として決定することができる。複数の心周期が取得されるため、モジュール４００は、各周期の外周特徴値を決定し、次いで、表１に関連して図示及び説明されるように、そのセットのモード、平均、又は中央値、例えば、最大３つの特徴を選択することができる。ＬＶＥＤＰ査定のために使用された例示的特徴では、モードが使用された。
【0055】
図７Ｂに示される例では、ＰＰＧ信号に対して、モジュール４００は、各々、単一ＰＰＧサイクルに対する点群データ６２０（６２０ａとして示される）のセットを生成することができる。次いで、所与の波形領域の外周値は、表１に関連して示され、説明されるように、そのセットのモード、平均、又は中央値が、例えば、追加の２つの特徴まで選択され得る、その点群データ内の連続点の各対間のユークリッド距離の和として判定されることができる。
【0056】
加えて、モジュール４００は、３つの直交平面（ＸＹ、ＸＺ、及びＹＺ）に基づいて、点群データ６２０の投影の外周を計算することができる。心臓信号位相空間の場合、直交平面は、チャネルＸ及びＹ、チャネルＸ及びＺ、並びにチャネルＹ及びＺ（本明細書では「ＯＲＴＨ１２」、「ＯＲＴＨ１３」、及び／又は「ＯＲＴＨ２３」平面とも称される）として表すことができる。ＰＰＧ信号位相空間に関して、直交平面は、ＰＰＧ及びＶＰＧ、ＰＰＧ及びＡＰＧ、並びにＶＰＧ及びＡＰＧ（本明細書では「ＰＰＧ＿ＶＰＧ」、「ＰＰＧ＿ＡＰＧ」、及び「ＰＰＧ＿ＡＰＧ」平面とも称される）として表されることができる。
【0057】
図７Ｃ及び図７Ｄは、心臓信号データ又はＰＰＧ信号内の波形領域（例えば、ＶＤ波形領域、ＶＲ波形領域、ＡＤ波形領域）の点群データの投影を３つの直交平面（ＯＲＴＨ１２（７０２）、ＯＲＴＨ１３（７０４）、及びＯＲＴＨ２３（７０６））上に投影するための例示的な動作を示す。図７Ｃに示される例では、３つの正射影ＯＲＴＨ１２（７０８）、ＯＲＴＨ１３（７１０）、及びＯＲＴＨ２３（７１２）は、ＶＤ波形領域（６１４ａ）の３Ｄ位相空間データから生成される（ＶＲ波形領域及びＡＤ波形領域に対して同様の動作を実行することができる）。図７Ｄに示される例では、最大３つ、例えば、ＯＲＴＨ１２（７０８）、ＯＲＴＨ１３（７１０）、及びＯＲＴＨ２３（７１２）の正射影が、ＰＰＧ信号の３Ｄ位相空間データから生成されることができる（類似動作が、他のＰＰＧ信号に対して行われることができる）。モジュール４００は、３つの正射影の各々に対して、心臓信号データ又は２ＰＰＧ信号データの３つの波形領域の各サイクルに対する２ｄｐｅｒｉｍｅｔｅｒ特徴値を決定し、次いで、表３に関して説明されるように、例えば、追加の１５個の特徴まで、そのセットのモード、平均、又は中央値を選択することができる。
【0058】
加えて、モジュール４００は、３つの直交平面投影の特定の象限の外周を計算することができる。図７Ｅは、心臓信号データ又はＰＰＧ信号内の波形領域（例えば、ＶＤ波形領域、ＶＲ波形領域、ＡＤ波形領域）の正射影を、３つの直交平面（ＯＲＴＨ１２（７０２）の象限［１．．４］（７１６参照）、ＯＲＴＨ１３（７０４）の象限［１．．４］（７１６参照）、及びＯＲＴＨ２３（７０６）の象限［１．．４］（７１６参照））の各々に対する象限領域７１６上にセグメント化するための例示的な動作を示す。図７Ｅに示される例では、ＶＤ波形領域７１０の正射影（７１０ａとして示される）は、象限７１８、７２０、７２２、及び７２４に分割されて示される（同様の動作が、ＶＤ波形領域の正射影の各々に対して、並びにＶＲ及びＡＤ波形領域並びに２つのＰＰＧ信号に対して行われ得る）。したがって、モジュール４００は、３つの正射影の象限（４）の各々に対して、心臓信号データ又は２ＰＰＧ信号データの３つの波形領域の各サイクルに対する２ｄｐｅｒｉｍｅｔｅｒ特徴値を決定し、次いで、表３に関して説明されるように、例えば、追加の６０個の特徴まで、そのセットのモード、平均、又は中央値を選択することができる。
【0059】
表面積、体積、面積投影特徴。図８Ａ及び図８Ｂは、心臓信号及びＰＰＧ信号の表面積及び体積特徴を計算するための例示的な動作を示す。図８Ａに示される例では、心臓信号データに対して、モジュール４００は、（ｉ）複数の心周期にわたって、関心のある波形領域、例えば、ＡＤ波形領域６１２、ＶＤ波形領域６１４、及びＶＲ波形領域６１６に対する点群データ８０２（図８Ａでは、例は、ＶＤ波形領域６１４のみに対して示される）、及び／又は（ｉｉ）信号、例えば、ＰＰＧ信号＃１及びＰＰＧ信号＃２に対する点群データ８０８を生成することができる。次いで、モジュール４００は、点群データ（８０２、８０８）からアルファ形状オブジェクト（８０４、８１０）又は凸包オブジェクト（８０６、８１２）を生成することができる。
【0060】
心臓ループ及びＰＰＧ信号ループは、三次元空間において異なる軌道を有することが観察され、軌道は、例えば、固有の生物学的変動に起因して、拍動間又は周期間でわずかに変化する。したがって、心臓及びＰＰＧループは、データ点が集中し、三次元ループを形成する位相空間内の領域を作成することができる。図８Ａは、信号データの３２番目のウィンドウに対するＶＤループ８０２を示す。モジュール４００は、アルファ形状オブジェクト８０４（例えば、全ての点がカバーされることを保証する最小値に自動的に設定されるアルファ半径を有する）として、及び凸包オブジェクト８０６として、ループデータ（例えば、８０２）をラップすることができる。図８Ｂは、取得されたＰＰＧ信号のＰＰＧループ８０８を示す。モジュール４００は、アルファ形状オブジェクト８１０（例えば、全ての点がカバーされることを保証する最小値に自動的に設定されるアルファ半径を有する）として、及び凸包オブジェクト８１２として、ループデータ（例えば、８０８）をラップすることができる。
【0061】
次いで、モジュール４００は、３Ｄ ＡｌｐｈａＳｈａｐｅ及びＣｏｎｖｅｘＨｕｌｌ形状の表面積及び体積を特徴値として計算することができ、例えば、表１に関連して図示及び説明されるように、心臓信号データ及び２ＰＰＧ信号データの３つの波形領域に対して最大２０の特徴を計算することができる。
【0062】
加えて、モジュール４００は、表２に関連して図示及び説明されるように、特徴値として、八分円領域（例えば、８つの領域－表４参照）の各々に対する３Ｄ ＡｌｐｈａＳｈａｐｅ及びＣｏｎｖｅｘＨｕｌｌ形状の表面積及び体積、例えば、心臓信号データの３つの波形領域及び２つのＰＰＧ信号データに対する追加の１６０個までの特徴を計算することができる。オクタント領域の例示的なレイアウトを図１０Ｂに示す。表４は、オクタント識別領域を示す。
【表4】
【0063】
加えて、モジュール４００は、３つの直交平面投影の象限（４）の面積を計算することができる。図７Ｅでは、心臓信号データ又は２ＰＰＧ信号データにおける、波形領域（例えば、ＶＤ波形領域、ＶＲ波形領域、ＡＤ波形領域）の正射影の各象限の面積７２６、７２８、７３０、７３２、及び象限の総面積は、表３に関連して説明されるように、例えば、追加の７５個の特徴まで決定され得る。各象限内の面積を計算するために、ＴｒａｐＺ関数など（例えば、Ｍａｔｌａｂ（登録商標）によって製造される）を使用して、面積を計算することができる。総面積は、ポリエリアＭａｔｌａｂ関数を使用して計算することができる。
【0064】
加えて、モジュール４００は、表３に関連して説明されるように、例えば、追加の１５個までの特徴を提供するために、最大面積を含有する３つの正射影データの中の特定の象限を判定することができる。
【0065】
最大適合平面面積特徴。図９Ａ及び図９Ｂは、心臓信号及びＰＰＧ信号に対する最大適合平面面積特徴を計算するための例示的な動作を示す。図９Ａ及び図９Ｂに示される例では、モジュール４００は、（ｉ）複数の心周期にわたって、関心のある波形領域、例えば、ＡＤ波形領域６１２、ＶＤ波形領域６１４、及びＶＲ波形領域６１６の最大適合平面９０２（図９Ａでは、例は、ＶＤ波形領域６１４ａのみについて示される）と、（ｉｉ）信号、例えば、ＰＰＧ信号＃１及びＰＰＧ信号＃２の最大適合平面９０４とを生成することができる。所与の心臓ループ又はＰＰＧループに関して、ループを包含する点は、必ずしも単一の３Ｄ平面内にあるとは限らない。最大適合平面は、所与の心臓又はＰＰＧループの点を通る最良適合平面である。すなわち、最良適合平面は、ループが最小の曲率を有するか又は最も平坦である単一平面である。モジュール４００は、次いで、表１に関して図示及び説明されるように、心臓又はＰＰＧループの点（９０２、９０４）を最良適合平面上に、例えば、心臓信号データ及び２つのＰＰＧ信号データの３つの波形領域のための最大５つの特徴に投影することができる。
【0066】
曲率、渦度、循環、伝播速度、偏心の特徴。心臓ループ又はＰＰＧループであるループ内の単一の点の曲率は、特定の点、所与の点の５ｍｓ前の点、及び所与の点の５ｍｓ前の点を通過する円の半径の逆数として定義することができる。これらの３つの点は、同一線上にない場合、円を一意に識別する。
【0067】
モジュール４００は、表１に関連して示され、説明されるように、心臓信号データ及び２つのＰＰＧ信号データの３つの波形領域に対して、最大曲率及び平均曲率の両方、例えば、追加の１０個までの特徴を計算することができる。
【0068】
加えて、３つの直交平面における２Ｄ投影の平均及び最大曲率が、例えば、心臓信号データ及び２ＰＰＧ信号データの３つの波形領域に対して、追加の３０までの特徴を提供するように決定され得る。
【0069】
渦度は、位相空間におけるループを構成する点の回転を表す。モジュール４００は、点を原点に結合するベクトルのカールとして、ループ内の各点について渦度を計算することができる。その点のカールはベクトルとして表すことができ、ベクトルの大きさは、ループ内のその点における回転の大きさを表す。ループ内の各点におけるカールは、式２によって計算することができる。
【数1】
【0070】
式２において、
は、原点を心臓ループ内の所与の点に接続するベクトルであり、それぞれ、
は、心臓信号又はＰＰＧ信号のＯＲＴＨ１／ＰＰＧ（ｘ軸）、ＯＲＴＨ２／ＶＰＧ（ｙ軸）、及びＯＲＴＨ３／ＡＰＧ（ｚ軸）の単位ベクトルである。モジュール４００は、表１に関連して図示及び説明されるように、ループ内の全ての点にわたる平均カール、例えば、心臓信号データ及び２つのＰＰＧ信号データの３つの波形領域に対する最大５つの特徴を計算することができる。
【数2】
【数3】
【0071】
循環は、ループを構成する点の回転の巨視的尺度である（一方、渦度は、ループ内の点の局所回転の尺度であり、ループ内の各点で計算される）。言い換えると、循環は、全体としてのループの回転の表現である。これは、式３によって計算することができる。
【数4】
【0072】
式３において、＜ｘ．ｙ＞は、ベクトルｘとｙとの間のドット積を表し、Ｖは、ループ内の２つの連続する点の間の速度ベクトル
を表す。加えて、ｄｓは、
であるループ内の２つの連続点間の方向距離ベクトルを表し、Ｍは、心臓ループ又はＰＰＧループの単一サイクルのためのデータ点の数である。モジュール４００は、表１に関連して示され、説明されるように、心臓信号データ及び２つのＰＰＧ信号データの３つの波形に対して、例えば、追加の５つの特徴まで、循環を計算することができる。
【数5】
【数6】
【0073】
加えて、３つの直交平面の各々における２Ｄ投影の循環が、例えば、心臓信号データ及び２ＰＰＧ信号データの３つの波形領域に対して、最大で追加の１５個の特徴を提供するように決定され得る。
【0074】
伝播速度は、（ｉ）心臓ループの波形領域、又は（ｉｉ）ＰＰＧループの任意の２つの連続する点の間のユークリッド距離を、２つの点のサンプリング間の時間差で割ったものとして計算することができる。サンプリングレートは、全ての患者にわたって一定に保たれるため、２つの連続する点の間の距離は、伝播速度のインジケーターとして使用され得る。例示的な心臓信号の場合、時間差は、（１０００Ｈｚのダウンサンプリングされた信号の場合）１／１０００の一定値である。ＰＰＧ信号の場合、時間差は１／２５０の一定値である（２５０Ｈｚのダウンサンプリングされた信号の場合）。モジュール４００は、表１に関連して図示及び説明されるように、最大速度値及び平均速度値、例えば、心臓信号データ及び２つのＰＰＧ信号データの３つの波形領域に対する最大１０個の特徴を計算することができる。
【0075】
偏心は、式４に従って、ループ上に投影された垂直長軸及び短軸の長さを使用して、円形からのループの偏差の程度を近似することができる。
ｅ＝ｓｑｒｔ（１－ｂ２／ａ２）（式４）
ｅ＝ｓｑｒｔ（１－ｂ２／ａ２）（式４）
【0076】
式４において、ｂはループの短軸（７３６）の長さであり、ａはループの長軸（７３８）の長さである。図７Ｅに示される例では、投影の偏心７３４が、心臓信号データのＶＤ波形領域７１０ａに対して示される。モジュール４００は、例えば、最大１５の特徴を提供するために、心臓信号データ又は２つのＰＰＧ信号の３つの波形領域の各々の３つの正射影の各々に対して偏心を計算することができる。
【0077】
実施例＃２－視覚ベクトル特徴
図５は、２つの例示的な視覚的特徴カテゴリのうちの第２のカテゴリとして、ベクトル振幅、ベクトル方位角及び仰角関連特徴、特定のベクトルのオクタント位置、並びに３Ｄ位相空間モデルにおいて定義されたベクトルのセットの渦度などの３Ｄ位相空間における視覚的特性を特徴付ける視覚的特徴又はパラメータの出力値を決定するように構成された例示的な視覚的ループ特徴査定モジュール５００を例解する。図１０Ａ～図１０Ｆは、これらのベクトルを、心臓信号に対する最大心房脱分極ベクトル（ＭＡＤＶ）（１００２）、心房再分極ベクトル（ＡＲＶ）（１００４）、最大心室脱分極ベクトル（ＭＶＤＶ）（１００６）、初期心室脱分極ベクトル（ＩＶＤＶ）（１００８）、終末心室脱分極ベクトル（ＴＶＤＶ）（１０１０）、及び最大心室再分極ベクトル（ＭＶＲＶ）（１０１２）として示す。ＰＰＧ信号データに関して、図１０Ｇは、収縮期、拡張期、パルスベースＰＰＧ目印ベクトル（それぞれ、１０１４、１０１６、１０１８）、ＶＰＧピーク、ベース、最小目印ベクトル（それぞれ、１０２０、１０２２、１０２４）、及びＡＰＧピーク、ベース、最小目印ベクトル（それぞれ、１０２６、１０２８、１０３０）を含む、ＰＰＧ、ＶＰＧ、及びＡＰＧ波形において定義された基準点によって定義され得るベクトルを示す。これらのベクトルの定義を表６に提供する。３Ｄベクトルの２Ｄ投影に対して追加の特徴を決定することができる。
図５は、２つの例示的な視覚的特徴カテゴリのうちの第２のカテゴリとして、ベクトル振幅、ベクトル方位角及び仰角関連特徴、特定のベクトルのオクタント位置、並びに３Ｄ位相空間モデルにおいて定義されたベクトルのセットの渦度などの３Ｄ位相空間における視覚的特性を特徴付ける視覚的特徴又はパラメータの出力値を決定するように構成された例示的な視覚的ループ特徴査定モジュール５００を例解する。図１０Ａ～図１０Ｆは、これらのベクトルを、心臓信号に対する最大心房脱分極ベクトル（ＭＡＤＶ）（１００２）、心房再分極ベクトル（ＡＲＶ）（１００４）、最大心室脱分極ベクトル（ＭＶＤＶ）（１００６）、初期心室脱分極ベクトル（ＩＶＤＶ）（１００８）、終末心室脱分極ベクトル（ＴＶＤＶ）（１０１０）、及び最大心室再分極ベクトル（ＭＶＲＶ）（１０１２）として示す。ＰＰＧ信号データに関して、図１０Ｇは、収縮期、拡張期、パルスベースＰＰＧ目印ベクトル（それぞれ、１０１４、１０１６、１０１８）、ＶＰＧピーク、ベース、最小目印ベクトル（それぞれ、１０２０、１０２２、１０２４）、及びＡＰＧピーク、ベース、最小目印ベクトル（それぞれ、１０２６、１０２８、１０３０）を含む、ＰＰＧ、ＶＰＧ、及びＡＰＧ波形において定義された基準点によって定義され得るベクトルを示す。これらのベクトルの定義を表６に提供する。３Ｄベクトルの２Ｄ投影に対して追加の特徴を決定することができる。
【0078】
表５は、心臓信号又はＰＰＧ信号などの生物物理学的信号から抽出されることができる、５つの抽出された視覚ベクトル特徴の例示的なセットを示す。一実施形態では、５つの視覚ベクトル特徴が、心臓又は生体電位信号の一部又は全部に対して、及び２つのＰＰＧ信号に対して決定され、最大合計８２個の特徴を提供することができる。表５において、記号「＊」で示される特徴は、少なくとも１つの心臓疾患、医学的コンディション、又はいずれかの兆候の存在又は不在の査定（例えば、上昇ＬＶＥＤＰの存在又は不在の決定）において有意な有用性を有することが実験的に決定されている。表５において、記号「＊＊」で示される特徴は、少なくとも１つの心臓疾患、医学的コンディション、又はいずれかの兆候の存在又は不在の査定（例えば、冠状動脈疾患の存在又は不在の決定）において有意な有用性を有することが実験的に決定されている。異常な又は上昇したＬＶＥＤＰの存在又は不在及び有意なＣＡＤの存在又は不在の査定において有意な有用性を有すると判定された特定の特徴のリストを、それぞれ、表１０Ａ及び表１０Ｂ並びに表１１Ａ及び表１１Ｂに提供する。
【表5】
【表6】
【0079】
表７は、直交平面への振幅の投影又は直交平面に対する角度に基づいて、心臓信号又はＰＰＧ信号などの生物物理学的信号から抽出されることができる、追加の６タイプの抽出された視覚ベクトル特徴の例示的なセットを示す。一実施形態では、６つの視覚ベクトル特徴が、心臓又は生体電位信号の一部又は全部に対して、及び２つのＰＰＧ信号に対して決定され、最大合計１５０個の特徴を提供することができる。表７において、記号「＊」で示される特徴は、少なくとも１つの心臓疾患、医学的コンディション、又はいずれかの兆候の存在又は不在の査定（例えば、上昇ＬＶＥＤＰの存在又は不在の決定）において有意な有用性を有することが実験的に決定されている。表７において、記号「＊＊」で示される特徴は、少なくとも１つの心臓疾患、医学的コンディション、又はいずれかの兆候の存在又は不在の査定（例えば、冠状動脈疾患の存在又は不在の決定）において有意な有用性を有することが実験的に決定されている。異常な又は上昇したＬＶＥＤＰの存在又は不在及び有意なＣＡＤの存在又は不在の査定において有意な有用性を有すると判定された特定の特徴のリストを、それぞれ、表１０Ａ及び表１０Ｂ並びに表１１Ａ及び表１１Ｂに提供する。
【表7】
【0080】
ベクトル増幅特徴。図１０Ａ～図１０Ｇは、心臓信号及びＰＰＧ信号の振幅特徴を計算するための例示的な動作を示す。各ベクトル特徴は、心臓又はＰＰＧ信号のループ内の開始位置（例えば、心臓信号の場合、ｘｓｔａｒｔ、ｙｓｔａｒｔ、ｚｓｔａｒｔ）及び終了位置（例えば、ｘｅｎｄ、ｙｅｎｄ、ｚｅｎｄ）によって指定されることができる。モジュール５００は、それぞれ、ベクトルの二乗されたＯＲＴＨ１、ＯＲＴＨ２、及びＯＲＴＨ３成分（心臓の場合）の和の平方根、又はベクトルの二乗されたＰＰＧ、ＶＰＧ、及びＡＰＧ成分（ＰＰＧの場合）の和の平方根を計算することによって、三次元ベクトルの大きさとしてベクトル振幅を決定することができる。モジュール５００は、例えば、心臓信号データ及び２つのＰＰＧ信号データに対して最大２２個の特徴を提供するように、表６の６つの心臓ベクトル及び８つのＰＰＧベクトルに対するベクトル振幅値を決定することができる。
【0081】
加えて、モジュール５００は、例えば、投影の直交成分の合計の平方根として、３つの直交平面内の所与のベクトルの投影の大きさを計算することができる。したがって、モジュール５００は、例えば、心臓信号データ及び２つのＰＰＧ信号データに対して最大６６個の特徴を提供するように、３つの直交平面に対する表６の６つの心臓ベクトル及び８つのＰＰＧベクトルに対する２ｄＡｍｐｌｉｔｕｄｅ値を決定することができる。
【0082】
Ｖｅｃｔｏｒ Ａｚｉｍｕｔｈ、Ｅｌｅｖａｔｉｏｎ Ａｎｇｌｅ、２ｄＡｎｇｌｅ、ＶＤＶＲ＿Ａｎｇｌｅ、３ｄＡｎｇｌｅ＿ＶｅｃｔｏｒＰａｉｒ、２ｄＡｎｇｌｅ＿ＶｅｃｔｏｒＰａｉｒ特徴。ベクトル方位角は、心臓信号及びＰＰＧ信号の各ベクトルの事前定義された軸に対する３Ｄ位相空間内の３Ｄベクトルの２Ｄ投影の角度である。仰角は、所与のベクトルと、事前定義された直交平面（例えば、ＯＲＴＨ１２平面）におけるベクトルの投影との角度である。特徴は、度（又はラジアン）で計算され得る。図１１は、ベクトル方位角１１０２及び仰角１１０４の図を示す。モジュール５００は、例えば、心臓信号データ及び２つのＰＰＧ信号データに対して最大２８個の特徴を提供するように、（ｉ）６つの心臓ベクトルに対するベクトル方位角値及び仰角値と、（ｉｉ）表６の８つのＰＰＧベクトルの仰角とを決定することができる。
【0083】
加えて、モジュール５００は、３つの直交平面のうちの所与の直交平面について、投影ベクトルが水平軸となす角度を計算することができる。角度（シータ）の大きさは、度で計算することができる。したがって、モジュール５００は、例えば、心臓信号データ及び２つのＰＰＧ信号データに対して最大６６個の特徴を提供するように、３つの直交平面に対する表６の６つの心臓ベクトル及び８つのＰＰＧベクトルに対する２ｄＡｎｇｌｅ値を決定することができる。
【0084】
加えて、モジュール５００は、表６の特徴として、心室脱分極平面と心室再分極平面との間の角度（ＶＤＶＲ＿Ａｎｇｌｅ）を計算することができる。心室脱分極平面は、心室脱分極ループ内の全ての点について最小二乗残差を有する平面として定義することができる。
【0085】
加えて、モジュール５００は、心臓信号のベクトル対間の３Ｄ角度（３ｄＡｎｇｌｅ＿ＶｅｃｔｏｒＰａｉｒｓ）を計算することができる。ベクトル対の例には、（ｉ）ＭＶＤＶとＭＶＲＶのベクトル対、（ｉｉ）ＩＶＤＶとＭＶＲＶのベクトル対、（ｉｉｉ）ＴＶＤＶとＭＶＲＶのベクトル対、（ｉｖ）ＩＶＤＶとＭＶＤＶのベクトル対、及び（ｖ）ＴＶＤＶとＭＶＤＶのベクトル対が含まれる。モジュール５００はまた、（ｉ）ＯＲＴＨ１２平面における２つのベクトルの投影間、（ｉｉ）ＯＲＴＨ１３平面における２つのベクトルの投影間、及び（ｉｉｉ）ＯＲＴＨ２３平面における２つのベクトルの投影間の３つの２Ｄ角度を計算することができる。
【0086】
したがって、モジュール５００は、例えば、心臓信号データについて最大２０個の特徴を提供するために、５つの心臓ベクトル対について３ｄＡｎｇｌｅ値及び３つの２ｄＡｎｇｌｅ値を決定することができる。
【0087】
オクタント位置及び渦度ベクトル特徴。オクタント位置は、心臓信号データについてのオクタント識別子（表４参照）による所与のベクトルの終点の位置である。モジュール５００は、例えば、心臓信号データに対して最大６つの特徴を提供するために、表６の６つの心臓ベクトルに対するオクタント数を決定することができる。
【0088】
渦度は、式２に関して説明したように、位相空間におけるループを構成する点の回転を表す。モジュール５００は、表６の５つのＭＡＤＶ、ＡＲＶ、ＭＶＤＶ、ＩＶＤＶ、ＴＶＤＶベクトルの渦度、例えば、心臓信号データの最大５つの特徴を決定することができる。
【0089】
２ｄＡｎｇｌｅ＿Ｐｌａｎｅ特徴。２ｄＡｎｇｌｅは、所与の直交平面について投影ベクトルが水平軸となす角度であり、例えば度である（図１１Ｂ参照）。モジュール５００は、例えば、心臓信号データに対して最大１８の特徴を提供するために、３つの直交平面における表６の６つの心臓ベクトルに対する２ｄＡｎｇｌｅを決定することができる。
【0090】
実施例＃３－視覚的特徴
本明細書で、例えば、実施例＃１及び実施例＃２において考察される特徴に加えて、波形の境界における不連続性を除去して新しいクラスの特徴を生成するために、ｃｏｓ／ｓｉｎ符号化が適用され得る。位相空間におけるデータの「円形度」のために、境界において不連続性が形成されることがある。例えば、１０．０度と３５９．９度は、境界上の遷移を考慮すると１０．１度しか離れていない場合があるが、３４９．０度離れているように見え得る（３５９．９－１０．０）。ｃｏｓ／ｓｉｎ符号化の使用は、１つの特徴から２つの特徴に拡張することを犠牲にして、その循環の明示的な符号化を容易にすることができる。
本明細書で、例えば、実施例＃１及び実施例＃２において考察される特徴に加えて、波形の境界における不連続性を除去して新しいクラスの特徴を生成するために、ｃｏｓ／ｓｉｎ符号化が適用され得る。位相空間におけるデータの「円形度」のために、境界において不連続性が形成されることがある。例えば、１０．０度と３５９．９度は、境界上の遷移を考慮すると１０．１度しか離れていない場合があるが、３４９．０度離れているように見え得る（３５９．９－１０．０）。ｃｏｓ／ｓｉｎ符号化の使用は、１つの特徴から２つの特徴に拡張することを犠牲にして、その循環の明示的な符号化を容易にすることができる。
【0091】
例示的な計算方法
上述したように、図６は、例示的な実施形態による視覚的ループ特徴計算モジュール４００又は５００の実装形態（６００）を示し、これは、検討中の患者の生理系に関連付けられたメトリックを決定するために機械学習分類器において使用される視覚的ループ特徴又はパラメータ及びそれらの出力を生成するために、全体的に又は部分的に使用することができる。表１の例示的な特徴を決定するために、方法６００は、いくつかの実施形態では、（ｉ）信号準備（６０２）と、（ｉｉ）関心のある波形領域を分離すること（６０４）と、（ｉｉｉ）分離された信号の点群位相空間モデルを生成すること（６０６）と、（ｉｖ）視覚的特徴を決定することと、を含む。図６は、関心のある３つのセグメント領域、すなわち、ＡＤ波形領域６１２、ＶＤ波形領域６１４、及びＶＲ波形領域６１６について識別された複数の心周期データを含む例示的な心臓信号位相空間モデル６１０を示す。位相空間モデル６１０は、これらの３つの領域の一部ではない領域６１８も示す。図６は、ＰＰＧ信号６２２及びその関連するＶＰＧ信号６２４及びＡＰＧ信号６２６について生成されたＰＰＧ信号位相空間モデル６２０の例を示す。図６はまた、収縮期ＰＰＧピーク６２８、拡張期ＰＰＧピーク６３０、ピークＶＰＧ６３２、最小ＶＰＧ６３４、ピークＡＰＧ６３６、最小ＡＰＧ６３８、ベースＡＰＧ６４０、及び原点６４０を含む関心のある基準点を有するＰＰＧ信号位相空間モデル６２０を示す。
上述したように、図６は、例示的な実施形態による視覚的ループ特徴計算モジュール４００又は５００の実装形態（６００）を示し、これは、検討中の患者の生理系に関連付けられたメトリックを決定するために機械学習分類器において使用される視覚的ループ特徴又はパラメータ及びそれらの出力を生成するために、全体的に又は部分的に使用することができる。表１の例示的な特徴を決定するために、方法６００は、いくつかの実施形態では、（ｉ）信号準備（６０２）と、（ｉｉ）関心のある波形領域を分離すること（６０４）と、（ｉｉｉ）分離された信号の点群位相空間モデルを生成すること（６０６）と、（ｉｖ）視覚的特徴を決定することと、を含む。図６は、関心のある３つのセグメント領域、すなわち、ＡＤ波形領域６１２、ＶＤ波形領域６１４、及びＶＲ波形領域６１６について識別された複数の心周期データを含む例示的な心臓信号位相空間モデル６１０を示す。位相空間モデル６１０は、これらの３つの領域の一部ではない領域６１８も示す。図６は、ＰＰＧ信号６２２及びその関連するＶＰＧ信号６２４及びＡＰＧ信号６２６について生成されたＰＰＧ信号位相空間モデル６２０の例を示す。図６はまた、収縮期ＰＰＧピーク６２８、拡張期ＰＰＧピーク６３０、ピークＶＰＧ６３２、最小ＶＰＧ６３４、ピークＡＰＧ６３６、最小ＡＰＧ６３８、ベースＡＰＧ６４０、及び原点６４０を含む関心のある基準点を有するＰＰＧ信号位相空間モデル６２０を示す。
【0092】
心臓信号準備（６０２）。３つの直交信号を有する例示的な心臓信号の場合、モジュール４００又は５００は、（ｉ）取得された信号を１ｋＨｚにダウンサンプリングし（例えば、デシメーションを介して）、（ｉｉ）信号の過渡部分（例えば、取得された信号からの最初の３１）を除去し、（ｉｉｉ）ベースラインワンダを除去し（例えば、２番目の次の順方向－逆方向０．６７Ｈｚハイパスフィルタを介して）、（ｉｖ）信号をウィンドウ処理してサブ信号を生成する（例えば、連続するサブ信号間に１５秒の重複を有する３０秒の持続時間の８つのサブ信号に分割する）ことができる。
【0093】
心臓信号描出（６０４）。モジュール４００又は５００は、前処理された心臓信号を、心房脱分極に関連付けられた波形領域（「Ｐ波」とも称される）、心室脱分極に関連付けられた波形領域（ＱＲＳ波又はピークとも称される）、及び心室再分極に関連付けられた波形領域（「Ｔ波」とも称される）に分離することができる。図１２Ａは、前処理された心臓信号を関心のある波形領域に分離するためのモジュール４００又は５００の例示的な実装形態を示す。図１２Ａに示す例では、モジュール４００又は５００は、（ｉ）前処理された心臓信号を単一の時系列
に変換し、（ｉｉ）変換された時系列
の各サイクルにおけるピーク（例えば、心室脱分極）を検出し、（ｉｉｉ）変換された時系列
の対応する心室脱分極（ＶＤ）オンセット及び心室脱分極（ＶＤ）オフセット領域を検出し、（ｉｖ）ＶＤｏｆｆ，ｉと次の連続するサイクルＶＤｏｎｓｅｔ，ｉ＋１との間の信号をセグメント化し、セグメントの２／３を心室再分極領域として割り当て、残りの１／３を心房脱分極（Ｐ波）領域として割り当てることができる。例えば、Ｄ．Ｂ．Ｄｕｂｉｎ，Ｒａｐｉｄ Ｉｎｔｅｒｐｒｅｔａｔｉｏｎ ｏｆ ＥＫＧ’ｓ：Ａｎ ｉｎｔｅｒａｃｔｉｖｅ ｃｏｕｒｓｅ，６ｔｈ ｅｄ．ｔａｍｐａ：Ｃｏｖｅｒ Ｐｕｂ，２０００で説明されている他のセグメント化を使用することもできる。
【数7】
【数8】
【数9】
【0094】
心室脱分極は、極大値を検出するように構成された任意の数のピーク検出演算子（例えば、Ｍａｔｈｗｏｒｋｓによって製造されたＭａｔｌａｂ（登録商標）の「ｆｉｎｄｐｅａｋ」関数）を使用して、ステップ（ｉｉ）ごとに決定することができる。心室脱分極（ＶＤ）開始及び心室脱分極（ＶＤ）オフセット領域を決定するために、ステップ（ｉｉｉ）に従って、モジュール４００又は５００は、（ａ）ウェーブレット変換を使用して（例えば、連続１－Ｄモーレットウェーブレット又はガウス、メキシカンハット、スプライン、及びメイヤーウェーブレット（例えば、マザーウェーブレットとして）を使用して）チャネルごとに前処理信号を分解し、（ｂ）ウェーブレットスペクトルをフィルタリングし（例えば、４０～６０Ｈｚの帯域通過フィルタを介して）、（ｃ）帯域通過フィルタリングされたウェーブレットスペクトルから時系列信号を生成し、（ｄ）動的閾値を下回る累積パワーを有する再構成された信号内のインデックスを決定することができる（例えば、ＱＲＳ開始及びオフセットは、各検出されたＱＲＳピークの前及び後の第１の時間に、累積パワーが動的閾値、例えば、累積パワーの上位２５パーセンタイルを下回るとき、時間インデックスに割り当てられる）。
【0095】
ＰＰＧ信号準備（６０２）。フォトプレチスモグラフィック信号のセットに対して、モジュール４００又は５００は、（ｉ）取得された信号を２５０Ｈｚにダウンサンプリングし、（ｉｉ）信号の過渡部分（例えば、両方の信号からの第１の１０秒及び最後の２秒）を除去し、（ｉｉｉ）ＰＰＧ信号から速度プレシズモグラム（ＶＰＧ）及び加速度プレシズモグラム（ＡＰＧ）を生成し（例えば、ＰＰＧ信号内の連続点の振幅の差又はＶＰＧ信号内の連続点の振幅の差として）、（ｉｖ）２つの取得されたＰＰＧ信号間のＰＰＧ、ＶＰＧ、及びＡＰＧ信号の信号値を正規化する（例えば、ｚスコア変換を使用して）ことができる。
【0096】
ＰＰＧ信号描出（６０４）。モジュール４００又は５００は、前処理されたＰＰＧ、ＶＰＧ、及びＡＰＧ信号を描出して、収縮期、拡張期、パルスベースＰＰＧ目印ベクトル（それぞれ１０１４、１０１６、１０１８）、ＶＰＧピーク、ベース、最小目印ベクトル（それぞれ１０２０、１０２２、１０２４）、及びＡＰＧピーク、ベース、最小目印ベクトル（それぞれ１０２６、１０２８、１０３０）を識別することができる。例示的な方法が、ＰＰＧ目印、ＶＰＧ目印、及びＡＰＧ目印について、それぞれ表８Ａ、８Ｂ、及び８Ｃに要約されている。
【表8】
【表9】
【表10】
【0097】
実験結果及び例
特徴セットを開発するためにいくつかの開発研究が行われており、更に、疾患、医学的コンディション、若しくはいずれかの兆候の存在若しくは不在、重症度、又は局在化を推定するために使用され得るアルゴリズムが行われている。ある研究では、異常又は上昇したＬＶＥＤＰの非侵襲的査定のためのアルゴリズムが開発された。上述のように、異常又は上昇したＬＶＥＤＰは、様々な形態の心不全のインジケーターである。別の開発研究では、冠動脈疾患の非侵襲的査定のためのアルゴリズム及び特徴が開発された。
特徴セットを開発するためにいくつかの開発研究が行われており、更に、疾患、医学的コンディション、若しくはいずれかの兆候の存在若しくは不在、重症度、又は局在化を推定するために使用され得るアルゴリズムが行われている。ある研究では、異常又は上昇したＬＶＥＤＰの非侵襲的査定のためのアルゴリズムが開発された。上述のように、異常又は上昇したＬＶＥＤＰは、様々な形態の心不全のインジケーターである。別の開発研究では、冠動脈疾患の非侵襲的査定のためのアルゴリズム及び特徴が開発された。
【0098】
これら２つの開発研究の一部として、生物物理学的信号キャプチャシステムを使用し、図２に関連して説明されるプロトコルに従って、成人ヒト患者から臨床データを収集した。対象は、信号取得後に心臓カテーテル留置（ＣＡＤ及び異常ＬＶＥＤＰ評価のための現在の「ゴールドスタンダード」試験）を受け、カテーテル留置結果をＣＡＤラベル及びＬＶＥＤＰ値の上昇について評価した。収集されたデータは、特徴／アルゴリズム開発のためのものと、それらの検証のためのものとの別々のコホートに層別化された。
【0099】
特徴開発フェーズ内では、心臓血管系の特性を表すことを意図された生体電位信号（本明細書で考察される心臓信号の例として）及び光吸収信号（本明細書で考察される血行動態又はフォトプレチスモグラフィックの例として）から分析フレームワーク内の特色を抽出するために、視覚的特徴を含む特徴が開発された。対応する分類器も、分類器モデル、線形モデル（例えば、弾性ネット）、決定木モデル（ＸＧＢ分類器、ランダムフォレストモデルなど）、サポートベクトルマシンモデル、及びニューラルネットワークモデルを使用して開発され、上昇した又は異常なＬＶＥＤＰの存在を非侵襲的に推定した。単変量特徴選択査定及び交差検証演算を実行して、関心のある特定の疾患兆候のための機械学習モデル（例えば、分類器）で使用する特徴を識別した。機械学習訓練及び査定の更なる説明は、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ｎｏｎ－Ｉｎｖａｓｉｖｅｌｙ Ａｓｓｅｓｓ Ｅｌｅｖａｔｅｄ Ｌｅｆｔ Ｖｅｎｔｒｉｃｕｌａｒ Ｅｎｄ－Ｄｉａｓｔｏｌｉｃ Ｐｒｅｓｓｕｒｅ」と題された米国仮特許出願第６３／２３５，９６０号に記載されており、その全体が参照により本明細書に組み込まれる。
【0100】
単変量特徴選択査定は、各々がｔ検定、相互情報量、及びＡＵＣ－ＲＯＣ評価を使用して陰性及び陽性データセット対によって定義される多くのシナリオを査定した。ｔ検定は、未知の分散を有する２つの集団からの２つのサンプル平均の間に差があるかどうかを決定することができる統計的検定である。ここで、ｔ検定は、これらの群、例えば、正常ＬＶＥＤＰ対上昇（ＬＶＥＤＰアルゴリズム開発のため）、ＣＡＤ－対ＣＡＤ＋（ＣＡＤアルゴリズム開発のため）における特徴の平均間に差異がないという帰無仮説に対して行われた。小さいｐ値（例えば、≦０．０５）は、帰無仮説に対する強い証拠を示す。
【0101】
相互情報（ＭＩ）操作を行って、上昇した若しくは異常なＬＶＥＤＰ又は有意な冠動脈疾患のある特定の特徴への依存性を査定した。１より大きいＭＩスコアは、評価されている変数間のより高い依存性を示す。１未満のＭＩスコアは、そのような変数のより低い依存性を示し、ゼロのＭＩスコアは、そのような依存性がないことを示す。
【0102】
受信者動作特性曲線、すなわちＲＯＣ曲線は、その識別閾値を変化させたときのバイナリ分類器システムの診断能力を例解する。ＲＯＣ曲線は、様々な閾値設定で偽陽性率（ＦＰＲ）に対して真陽性率（ＴＰＲ）をプロットすることによって作成することができる。ＡＵＣ－ＲＯＣは、受信者動作特性（ＲＯＣ）曲線下の面積を定量化し、この面積が大きいほど、モデルは診断上有用である。ＲＯＣ値及びＡＵＣ－ＲＯＣ値は、９５％信頼区間の下端が０．５０より大きい場合に統計的に有意であると考えられる。
【0103】
表６は、単変量特徴選択査定において使用される陰性及び陽性データセット対の例示的なリストを示す。具体的には、表６は、２０ｍｍＨｇ又は２５ｍｍＨｇを上回るＬＶＥＤＰ測定値を有するものとして定義される陽性データセットと、１２ｍｍＨｇ未満のＬＶＥＤＰ測定値を有するか、又は正常ＬＶＥＤＰ読取値を有すると判定された対象群に属するものとして定義された陰性データセットとを示す。
【表11】
【0104】
表１０Ａ及び表１０Ｂはそれぞれ、臨床評価システムにおいて実行されるアルゴリズムにおいて、上昇ＬＶＥＤＰの存在及び不在を推定する際に有用性を有すると判定された視覚的特徴のリストを示す。表１０Ａ及び表１０Ｂの特徴並びに対応する分類器は、上昇ＬＶＥＤＰを測定するためのゴールドスタンダードの侵襲的方法に匹敵する臨床的性能を有することが検証されている。
【表12】
【表13-1】
【表13-2】
【0105】
表１１Ａ及び表１１Ｂはそれぞれ、臨床評価システムにおいて実行されるアルゴリズムにおいて、有意なＣＡＤの存在及び不在を推定する際に有用性を有すると判定された視覚的特徴のリストを示す。表１１Ａ及び表１１Ｂの特徴並びに対応する分類器は、ＣＡＤを測定するためのゴールドスタンダードの侵襲的方法に匹敵する臨床的性能を有することが検証されている。表１１Ａ及び表１１Ｂ（並びに１０Ａ及び１０Ｂ）内の特徴の各々は、概して、ベクトル（例えば、「ＡＤ」、「ＩＶＤＶ」、「ＭＶＤＶ」、「ＴＶＤＶ」、「ＶＤ」、「ｂａｓｅＶＰＧ」、「ｄｉａｓＶＰＧ」など）、特徴タイプ（例えば、「２Ｄａｎｇｌｅ」、「Ａｚｉｍｕｔｈ」）、及び関連チャネルによって命名される。適用可能な場合、象限情報（例えば、「Ｑｕａｄ１」、「Ｑｕａｄ２」など）が、特徴タイプと関連付けられたチャネルとの間に提供される。
【表14】
【表15-1】
【表15-2】
【表15-3】
【0106】
ある特定の視覚的特徴が、上昇ＬＶＥＤＰの存在及び不在、又は有意なＣＡＤの存在及び不在を推定する際に臨床的有用性を有するという判定は、他の疾患、医学的コンディション、又は特に、限定ではないが、本明細書に説明される心臓疾患若しくはコンディション、又はいずれかの兆候の存在若しくは不在及び／又は重症度及び／又は局在化を推定する際に、これらの視覚的特徴又はパラメータ、並びに本明細書に説明される他の特徴の使用のための基礎を提供する。
【0107】
例示的な臨床評価システム
図１２Ａは、一実施形態による、分類器（例えば、機械学習分類器）を介して、患者又は対象の生理学的状態に関連付けられた１つ以上のメトリックを生成するように、他の特徴又はパラメータと共に視覚的特徴又はパラメータを非侵襲的に計算するように図１のモジュールを実装する、例示的臨床評価システム１２００（臨床及び診断システムとも称される）を示す。実際に、（例えば、図１、図４、及び図５の）特徴モジュールは、一般に、システム（例えば、臨床評価システム１２００）の一部とみなすことができ、システムでは、任意の数及び／又はタイプの特徴が、例えば、異なる構成の特徴モジュールを有する異なる実施形態を用いて、関心のある疾患状態、医学的コンディション、いずれかの兆候、又はそれらの組み合わせに対して利用され得る。これは、図１２Ａに更に例解され、臨床評価システム１２００は、疾患特異的アドオンモジュール１２０２（例えば、上昇ＬＶＥＤＰ又はｍＰＡＰ、ＣＡＤ、ＰＨ／ＰＡＨ、異常なＬＶＥＦ、ＨＦｐＥＦ、及び本明細書に記載される他のものを査定するための）が、システム１２００の完全な動作を実現するために、単独で、又は複数の事例において、単一のプラットフォーム（すなわち、ベースシステム１２０４）と統合されることが可能である、モジュール設計である。モジュール性は、臨床評価システム１２００が、同じ同期的に取得された生物物理学的信号及びデータセット、並びにベースプラットフォームを活用して、そのような疾患特有のアルゴリズムが開発されるときに、いくつかの異なる疾患の存在について査定するように設計されることを可能にし、それによって、試験及び認証の時間及びコストを低減する。
図１２Ａは、一実施形態による、分類器（例えば、機械学習分類器）を介して、患者又は対象の生理学的状態に関連付けられた１つ以上のメトリックを生成するように、他の特徴又はパラメータと共に視覚的特徴又はパラメータを非侵襲的に計算するように図１のモジュールを実装する、例示的臨床評価システム１２００（臨床及び診断システムとも称される）を示す。実際に、（例えば、図１、図４、及び図５の）特徴モジュールは、一般に、システム（例えば、臨床評価システム１２００）の一部とみなすことができ、システムでは、任意の数及び／又はタイプの特徴が、例えば、異なる構成の特徴モジュールを有する異なる実施形態を用いて、関心のある疾患状態、医学的コンディション、いずれかの兆候、又はそれらの組み合わせに対して利用され得る。これは、図１２Ａに更に例解され、臨床評価システム１２００は、疾患特異的アドオンモジュール１２０２（例えば、上昇ＬＶＥＤＰ又はｍＰＡＰ、ＣＡＤ、ＰＨ／ＰＡＨ、異常なＬＶＥＦ、ＨＦｐＥＦ、及び本明細書に記載される他のものを査定するための）が、システム１２００の完全な動作を実現するために、単独で、又は複数の事例において、単一のプラットフォーム（すなわち、ベースシステム１２０４）と統合されることが可能である、モジュール設計である。モジュール性は、臨床評価システム１２００が、同じ同期的に取得された生物物理学的信号及びデータセット、並びにベースプラットフォームを活用して、そのような疾患特有のアルゴリズムが開発されるときに、いくつかの異なる疾患の存在について査定するように設計されることを可能にし、それによって、試験及び認証の時間及びコストを低減する。
【0108】
様々な実施形態では、臨床評価システム１２００の異なるバージョンは、関心のある所与の疾患状態（複数可）、医学的コンディション（複数可）、又は対象の兆候コンディション（複数可）のために構成され得る、異なる特徴計算モジュールを含有することを含むことによって、査定システム１０３（図１）を実装してもよい。別の実施形態では、臨床評価システム１２００は、２つ以上の査定システム１０３を含むことができ、そのエンジン１０３の分類器１１６に固有の異なるスコアを生成するために選択的に利用することができる。このようにして、より一般的な意味での図１及び図１２のモジュールは、異なる及び／又は複数の対応する分類器１１６を有する異なる及び／又は複数のエンジン１０３が、所望のモジュールの構成に応じて使用され得る、モジュール式システムの１つの構成とみなすことができる。したがって、視覚的特定の特徴（複数可）を伴う、又は伴わない、図１のモジュールの任意の数の実施形態が存在してもよい。
【0109】
図１２Ａでは、システム１２００は、機械学習された疾患特異的アルゴリズムを使用して、１つ以上の生物物理学的信号データセット（例えば、１１０）を分析し、一例として、病態又は異常状態の上昇ＬＶＥＤＰの可能性について査定することができる。システム１２００は、アルゴリズムを使用して推定スコアの分析及び提示を容易にし、医師がそのスコアを使用して、例えば、疾患状態、医学的コンディション、又はいずれかの兆候の存在又は不在について査定することを可能にするように、組み合わせて協働するように設計されるハードウェア及びソフトウェア構成要素を含む。
【0110】
ベースシステム１２０４は、各アドオンモジュール１２０２（疾患特有のアルゴリズムを含む）が、次いで、病態又は兆候コンディションを査定するためにインターフェースをとる、機能及び命令の基盤を提供することができる。図１２Ａの例に示されるようなベースシステム１２０４は、ベース分析エンジン又は分析器１２０６、ウェブサービスデータ転送ＡＰＩ１２０８（「ＤＴＡＰＩ」１２０８として示される）、報告データベース１２１０、ウェブポータルサービスモジュール１２１３、及びデータリポジトリ１１１（１１２ａとして示される）を含む。
【0111】
クラウドベースであり得るデータリポジトリ１１２ａは、信号キャプチャシステム１０２（１０２ｂとして示される）からのデータを記憶する。生物物理学的信号キャプチャシステム１０２ｂは、いくつかの実施形態では、７チャネルリードセット及びフォトプレチスモグラム（ＰＰＧ）センサが確実に取り付けられた（すなわち、取り外し可能ではない）単一ユニットとして設計される、再使用可能デバイスである。信号キャプチャシステム１０２ｂは、そのハードウェア、ファームウェア、及びソフトウェアと一緒に、ユーザインターフェースを提供し、その中に入力された患者特有のメタデータ（例えば、名前、性別、生年月日、医療記録番号、身長、及び体重など）を収集し、患者の電気及び血行動態信号を同期して取得する。信号キャプチャシステム１０２ｂは、メタデータ及び信号データを単一のデータパッケージとしてクラウドベースのデータリポジトリに直接安全に送信することができる。データリポジトリ１１２ａは、いくつかの実施形態では、患者特有のデータパッケージを受け入れ、記憶し、分析エンジン又は分析器１２０６若しくは１２１４によるその読み出しを可能にするように構成された、セキュアなクラウドベースのデータベースである。
【0112】
ベース分析エンジン又は分析器１２０６は、（「ＳＱＡ」モジュール１２１６を介して実行された）取得された信号の品質査定を実施することができる安全なクラウドベースの処理ツールであり、その結果は、ポイントオブケアにおいてユーザに通信することができる。ベース分析エンジン又は分析器１２０６はまた、取得された生物物理学的信号（例えば、１１０（図１参照））の前処理（前処理モジュール１２１８を介して示される）を実施してもよい。ウェブポータル１２１３は、ヘルスケア提供者に彼らの患者の報告へのアクセスを提供するように設計された安全なウェブベースのポータルである。ウェブポータル１２１３の例示的な出力は、視覚化１２３６によって示される。報告データベース（ＲＤ）１２１２は、セキュアなデータベースであり、出力されたスコア（複数可）（例えば、１１８）及び関連する情報が患者の一般的な健康記録に統合され、保存されるように、病院内の又は医師がホストする、遠隔でホストする、又は遠隔の電子健康記録システム（例えば、Ｅｐｉｃ、Ｃｅｒｎｅｒ、Ａｌｌｓｃｒｉｐｓ、ＣｕｒｅＭＤ、Ｋａｒｅｏなど）などの他のシステムとセキュアにインターフェースし、通信してもよい。いくつかの実施形態では、ウェブポータル１２１３は、電話を介して出力臨床情報を提供するためにコールセンターによってアクセスされる。データベース１２１２は、郵便、宅配便、手交などを介して配達される報告を生成することができる他のシステムによってアクセスされてもよい。
【0113】
アドオンモジュール１２０２は、ベース分析エンジン（ＡＥ）又は分析器１２０６と共に動作する第２の部分１２１４（本明細書では分析エンジン（ＡＥ）又は分析器１２１４とも称され、「ＡＥアドオンモジュール」１２１４として示される）を含む。分析エンジン（ＡＥ）又は分析器１２１４は、所与の疾患特有のアルゴリズムの主要な機能ループ、例えば、特徴計算モジュール１２２０、分類器モデル１２２４（「アンサンブル」モジュール１２２４として示される）、及び外れ値査定及び拒否モジュール１２２４（「外れ値検出」モジュール１２２４として示される）を含み得る。ある特定のモジュール式構成では、分析エンジン又は分析器（例えば、１２０６及び１２１４）は、単一分析エンジンモジュール内に実装されてもよい。
【0114】
主機能ループは、（ｉ）全ての必要な環境変数値が存在することを確実にするために実行環境を検証し、（ｉｉ）取得された生物物理学的信号を含む新しい信号キャプチャデータファイルを分析する分析パイプラインを実行して、疾患特有のアルゴリズムを使用して患者のスコアを計算するための命令を含み得る。分析パイプラインを実行するために、ＡＥアドオンモジュール１２１４は、図１に関連して説明されるような様々な特徴モジュール１１４及び分類器モジュール１１６のための命令を含み、実行し、患者の生理学的状態に関連付けられたメトリックの出力スコア（例えば、１１８）を判定することができる。ＡＥアドオンモジュール１２１４内の分析パイプラインは、特徴又はパラメータを計算することができ（「特徴計算」１２２０として示される）、特徴に基づいて、外れ値対非外れ値の信号レベル応答に対する外れ値検出リターンを提供することによって、計算された特徴が外れ値であるかどうかを識別する（「外れ値検出」１２２２として示される）。外れ値は、（モジュール１１６の）分類器を確立するために使用される訓練データセットに関して査定され得る。ＡＥアドオンモジュール１２１４は、特徴及び分類器モデルの計算された値を使用して、（例えば、分類器モジュール１２２４を介して）患者の出力スコア（例えば、１１８）を生成し得る。上昇ＬＶＥＤＰの推定のための評価アルゴリズムの例では、出力スコア（例えば、１１８）は、ＬＶＥＤＰスコアである。ＣＡＤの推定では、出力スコア（例えば、１１８）はＣＡＤスコアである。
【0115】
臨床評価システム１２００は、ウェブサービスＤＴＡＰＩ１２０８（いくつかの実施形態では、ＨＣＰＰウェブサービスとも称され得る）を使用して、構成要素内及び構成要素にわたってデータを管理することができる。ＤＴＡＰＩ１２０８を使用して、取得された生物物理学的データセットをデータリポジトリ１１２ａから取り出し、信号品質分析結果をデータリポジトリ１１２ａに格納することができる。ＤＴＡＰＩ１２０８はまた、記憶された生物物理学的データファイルを取り出し、分析エンジン又は分析器（例えば、１２０６、１２１４）に提供するために呼び出されてもよく、患者信号の分析エンジンの分析の結果は、ＤＴＡＰＩ１２０８を使用して、報告データベース１２１０に転送されてもよい。ＤＴＡＰＩ１２０８はまた、ヘルスケア専門家による要求に応じて、ウェブポータルモジュール１２１３に対して所与の患者データセットを読み出すために使用されてもよく、これは、セキュアなウェブアクセス可能インターフェースにおける精査及び解釈のために、報告をヘルスケア施術者に提示してもよい。
【0116】
臨床評価システム１２００は、視覚的特徴１２０及び特徴モジュール１２２の様々な他の特徴を記憶する、１つ以上の特徴ライブラリ１２２６を含む。特徴ライブラリ１２２６は、アドオンモジュール１２０２（図１２Ａに示す）又はベースシステム１２０４（図示せず）の一部であってもよく、いくつかの実施形態では、ＡＥアドオンモジュール１２１４によってアクセスされる。
【0117】
モジュールのモジュール性及び様々な構成の更なる詳細は、２０２１年８月１９日に出願された「Ｍｏｄｕｌａｒ Ｄｉｓｅａｓｅ Ａｓｓｅｓｓｍｅｎｔ Ｓｙｓｔｅｍ」と題された米国仮特許出願第６３／２３５，９６０号に提供されており、その全体が参照により本明細書に組み込まれる。
【0118】
モジュール式臨床評価システムの例示的な動作
図１２Ｂは、例示的な実施形態による、図１２Ａの臨床評価システム１２００の分析エンジン又は分析器（例えば、１２０６及び１２１４）の動作及びワークフローの概略図を示す。
図１２Ｂは、例示的な実施形態による、図１２Ａの臨床評価システム１２００の分析エンジン又は分析器（例えば、１２０６及び１２１４）の動作及びワークフローの概略図を示す。
【0119】
信号品質査定／拒否（１２３０）。図１２Ｂを参照すると、基礎分析エンジン又は分析器１２０６は、分析パイプラインが実行されている間に、ＳＱＡモジュール１２１６を介して、取得された生物物理学的信号データセットの品質を査定する（１２３０）。査定の結果（例えば、合格／不合格）は、ユーザによる読み取りのために、信号キャプチャシステムのユーザインターフェースに直ちに返される。信号品質要件を満たす取得された信号データは、容認可能（すなわち、「合格」）とみなされ、更に処理され、ＡＥアドオンモジュール１２１４によって、病態又は兆候コンディション（例えば、上昇ＬＶＥＤＰ又はｍＰＡＰ、ＣＡＤ、ＰＨ／ＰＡＨ、異常ＬＶＥＦ、ＨＦｐＥＦ）に関連付けられるメトリックの存在についての分析を受ける。許容できないとみなされた取得信号は拒否され（例えば、「不合格」）、患者から追加の信号を直ちに得るようにユーザに通知するために、通知が直ちにユーザに送信される（図２を参照）。
【0120】
基本分析エンジン又は分析器１２０６は、信号品質についての２組の査定、すなわち、電気信号についての１組の査定及び血行動態信号についての１組の査定を実行する。電気信号査定（１２３０）は、電気信号が十分な長さであること、高周波ノイズ（例えば、１７０Ｈｚ超）がないこと、及び環境からの電力線ノイズがないことを確認する。血行動態信号査定（１２３０）は、血行動態データセット内の外れ値の割合が事前定義された閾値を下回ること、及び血行動態データセットの信号がレール又は飽和される割合及び最大持続時間が事前定義された閾値を下回ることを確認する。
【0121】
特徴値計算（１２３２）。ＡＥアドオンモジュール１２１４は、特徴抽出及び計算を実行して、特徴出力値を計算する。ＬＶＥＤＰアルゴリズムの例では、ＡＥアドオンモジュール１２１４は、いくつかの実施形態では、視覚的特徴（例えば、モジュール１２０で生成される）を含む、１８個の異なる特徴ファミリー（例えば、モジュール１２０及び１２２で生成される）に属する合計４４６個の特徴出力を決定する。ＣＡＤアルゴリズムの場合、ＡＥアドオンモジュール１２１４の例示的な実装形態は、同じ１８個の特徴ファミリーに対応する４５６個の特徴を含む特徴のセットを決定する。
【0122】
ＬＶＥＤＰアルゴリズムで使用されるものを含む、様々な特徴並びに他の特徴及びそれらの特徴ファミリーの追加の説明は、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ｎｏｎ－Ｉｎｖａｓｉｖｅｌｙ Ａｓｓｅｓｓ Ｅｌｅｖａｔｅｄ Ｌｅｆｔ Ｖｅｎｔｒｉｃｕｌａｒ Ｅｎｄ－Ｄｉａｓｔｏｌｉｃ Ｐｒｅｓｓｕｒｅ」と題された米国仮特許出願第６３／２３５，９６０号、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｉｓｕａｌ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３６，０７２号、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｐｏｗｅｒ Ｓｐｅｃｔｒａｌ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９６３号、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｒａｔｅ－Ｒｅｌａｔｅｄ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９６６号、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｗａｖｅｌｅｔ－Ｂａｓｅｄ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９６８号、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ａｓｓｅｓｓ Ｄｉｓｅａｓｅ Ｕｓｉｎｇ Ｃｙｃｌｅ Ｖａｒｉａｂｉｌｉｔｙ Ａｎａｌｙｓｉｓ ｏｆ Ｃａｒｄｉａｃ ａｎｄ Ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｐｈｉｃ Ｓｉｇｎａｌｓ」と題された米国仮特許出願第６３／１３０，３２４号、２０２１年８月２３日に出願された「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｐｈｉｃ Ｗａｖｅｆｏｒｍ Ｆｅａｔｕｒｅｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９７１号、２０２１年８月２３日に出願され、「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃａｒｄｉａｃ Ｗａｖｅｆｏｒｍ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３６，１９３号、２０２１年８月２３日に出願され、「Ｍｅｔｈｏｄｓ ａｎｄ Ｓｙｓｔｅｍｓ ｆｏｒ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｏｎｄｕｃｔｉｏｎ Ｄｅｖｉａｔｉｏｎ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９７４号、に記載されており、それらの各々は参照によりその全体が本明細書に組み込まれる、
【0123】
分類器出力計算（１２３４）。ＡＥアドオンモジュール１２１４は、次いで、分類器モデル（例えば、機械学習分類器モデル）中の計算された特徴出力を使用して、モデルスコアのセットを生成する。ＡＥアドオンモジュール１２１４は、モデルスコアのセットを構成要素モデルのアンサンブルに結合し、これは、いくつかの実施形態では、ＬＶＥＤＰアルゴリズムの例における方程式６に示されるように、分類器モデルの出力を平均する。
【数10】
【0124】
いくつかの実施形態では、分類器モデルは、「Ｄｉｓｃｏｖｅｒｉｎｇ Ｎｏｖｅｌ Ｆｅａｔｕｒｅｓ ｔｏ Ｕｓｅ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ， ｓｕｃｈ ａｓ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ ｆｏｒ Ｄｉａｇｎｏｓｉｎｇ Ｍｅｄｉｃａｌ Ｃｏｎｄｉｔｉｏｎｓ」と題された米国特許出願公開第２０１９／００２６４３０号、又は「Ｄｉｓｃｏｖｅｒｉｎｇ Ｇｅｎｏｍｅｓ ｔｏ Ｕｓｅ ｉｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｔｅｃｈｎｉｑｕｅｓ」と題された米国特許出願公開第２０１９／００２６４３１号に記載されているＭＬ技術に基づいて開発されたモデルを含むことができ、これらの各々は、その全体が参照により本明細書に組み込まれる。
【0125】
ＬＶＥＤＰアルゴリズムの例では、１３個の機械学習分類器モデルが各々、計算された特徴出力を使用して計算される。１３の分類器モデルは、４つのＥｌａｓｔｉｃＮｅｔ機械学習分類器モデル［９］と、４つのＲａｎｄｏｍＦｏｒｅｓｔＣｌａｓｓｉｆｉｅｒ 機械学習分類器モデル［１０］と、５つの極端勾配ブースティング（ＸＧＢ）分類器モデル［１１］とを含む。いくつかの実施形態では、年齢、性別、及びＢＭＩ値などの患者のメタデータ情報が、使用されてもよい。アンサンブル推定の出力は、連続スコアであってもよい。スコアは、ウェブポータル内の提示のための閾値を減算することによって、ゼロの閾値にシフトされてもよい。閾値は、感度と特異度との間のトレードオフとして選択され得る。閾値は、アルゴリズム内で定義され、試験陽性（例えば、「上昇ＬＶＥＤＰの可能性が高い」）及び試験陰性（例えば、「上昇ＬＶＥＤＰの可能性が低い」）コンディションの判定点として使用されてもよい。
【0126】
いくつかの実施形態では、分析エンジン又は分析器は、モデルスコアのセットを、ボディマス指数ベースの調整又は年齢若しくは性別に基づく調整と融合することができる。例えば、分析エンジン又は分析器は、
の形態を有する患者ＢＭＩのシグモイド関数を用いてモデル推定を平均化することができる。
【数11】
【0127】
医師ポータル視覚化（１２３６）。患者の報告は、取得された患者データ及び信号並びに疾患分析の結果の視覚化１２３６を含み得る。分析は、いくつかの実施形態では、報告内の複数のビューで提示される。図１２Ｂに示される例では、視覚化１２３６は、スコア要約セクション１２４０（「患者ＬＶＥＤＰスコア要約」セクション１２４０として示される）と、閾値セクション１２４２（「ＬＶＥＤＰ閾値統計」セクション１２４２として示される）と、頻度分布セクション１２４４（「頻度分布」セクション１２０８として示される）とを含む。ヘルスケア提供者、例えば医師は、報告をレビューし、それを解釈して、疾患の診断を提供するか、又は治療計画を生成することができる。
【0128】
ヘルスケアポータルは、所与の患者の取得された信号データセットが信号品質基準を満たす場合、患者についての報告をリスト化することができる。報告は、信号分析が実行され得る場合に利用可能である疾患特有の結果（例えば、上昇ＬＶＥＤＰ）を示すことができる。疾患特異的分析のための患者の推定スコア（視覚的要素１１８ａ、１１８ｂ、１１８ｃを介して示される）は、確立された閾値に対して解釈され得る。
【0129】
図１２Ｂの例に示されるスコア要約セクション１２４０では、患者のスコア１１８ａ及び関連付けられた閾値は、２トーンカラーバー（例えば、セクション１２４０に示される）上に重畳され、閾値は、バーの中心に位置し、定義された値「０」は、試験陽性と試験陰性との間の描出を表す。閾値の左側は、明るい陰影付きの光であってもよく、陰性試験結果（例えば、「上昇ＬＶＥＤＰの可能性が低い」）を示し、一方、閾値の右側は、陽性試験結果（例えば、「上昇ＬＶＥＤＰの可能性が高い」）を示すために暗い陰影付きであってもよい。
【0130】
閾値セクション１２４２は、患者スコア（例えば、１１８）の推定のための感度及び特異度を定義する検証集団に提供される閾値の報告された統計を示す。閾値は、個々の患者のスコア（例えば、１１８）にかかわらず、全ての試験について同じであり、これは、全てのスコア（陽性又は陰性）が、提供された感度及び特異性の情報を考慮して、正確さについて解釈され得ることを意味する。スコアは、臨床評価の更新と同様に、所与の疾患特異的分析について変化し得る。
【0131】
頻度分布セクション１２４４は、２つの検証集団（例えば、（ｉ）偽陽性推定の可能性を示す上昇していない集団、及び（ｉｉ）偽陰性推定の可能性を示す上昇した集団）における全ての患者の分布を例解する。グラフ（１２４６、１２４８）は、試験性能検証集団患者に対する患者のスコア１１８（例えば、１１８ｂ、１１８ｃ）を解釈するためのコンテキストを提供するために、滑らかなヒストグラムとして提示される。
【0132】
頻度分布セクション１２４０は、その疾患、コンディション、又は兆候が存在しない検証集団の分布内の、疾患、コンディション、又は兆候が存在しない可能性を示すスコア（１１８ｂ）を示す第１のグラフ１２４６（「非上昇ＬＶＥＤＰ集団」１２４６として示される）と、その疾患、コンディション、又は兆候が存在する検証集団の分布内の、疾患、コンディション、又は兆候が存在する可能性を示すスコア（１１８ｃ）を示す第２のグラフ１２４８（「上昇ＬＶＥＤＰ集団」１２４８として示される）とを含む。上昇ＬＶＤＥＰの査定の例では、第１のグラフ１２４６は、真陰性（ＴＮ）及び偽陽性（ＦＰ）面積を識別する検証集団の非上昇ＬＶＥＤＰ分布を示す。第２のグラフ１２４８は、偽陰性（ＴＮ）及び真陽性（ＦＰ）領域を識別する検証集団の上昇ＬＶＥＤＰ分布を示す。
【0133】
頻度分布セクション１２４０はまた、検証集団群内の他の患者に対する患者のスコアの解釈テキストを（割合として）含む。この例では、患者は、ＬＶＥＤＰ閾値の左側に位置する－０．０８のＬＶＥＤＰスコアを有し、患者が「上昇ＬＶＥＤＰの可能性が低い」を有することを示す。
【0134】
報告は、例えば、医師又はヘルスケア提供者が左心不全の兆候について診断する際に使用するために、ヘルスケアポータルに提示することができる。兆候は、いくつかの実施形態では、疾患、医学的コンディション、又はいずれかの兆候の存在についての確率又は重症度スコアを含む。
【0135】
外れ値査定及び拒否検出（１２３８）。ＡＥアドオンモジュール１２１４が（プロセス１２３２において）特徴値出力を計算した後、（プロセス１２３４において）それらを分類器モデルに適用する前に、ＡＥアドオンモジュール１２１４は、いくつかの実施形態では、特徴値出力の（プロセス１２３８に示される）外れ値分析を実施するように構成される。外れ値分析評価プロセス１２３８は、いくつかの実施形態では、機械学習外れ値検出モジュール（ＯＤＭ）を実行して、検証及び訓練データから生成された特徴値を参照して異常な特徴出力値を識別及び除外することによって、異常な取得された生物物理学的信号を識別及び除外する。外れ値検出モジュールは、観察の残りからの分布外である隔離された領域における疎なクラスタ内に存在する外れ値について査定する。プロセス１２３８は、外れ値信号が分類器モデルに不適切に適用され、患者又はヘルスケア提供者によって見られる不正確な評価を生成するリスクを低減することができる。外れ値モジュールの精度は、ＯＤＭが許容可能な外れ値検出率（ＯＤＲ）一般化を用いてテストセット内の全てのラベル付けされた外れ値を識別することができるホールドアウト検証セットを使用して検証されている。
【0136】
方法及びシステムは、ある特定の実施形態及び特定の例に関連して説明されてきたが、本明細書の実施形態は、制限的ではなく例解的であることが全ての態様で意図されるため、範囲は、示される特定の実施形態に限定されることは意図されない。本明細書で考察される視覚的特徴は、最終的に、類似又は他の開発アプローチを使用して、例えば、冠動脈疾患、肺高血圧、及び本明細書に説明されるような他の病態などの他の疾患、医学的コンディション、又はいずれかの兆候の存在若しくは不在及び／又は重症度の非侵襲的診断若しくは判定を行うために、あるいはそれを行う際に医師若しくは他のヘルスケア提供者を支援するために採用されてもよい。加えて、視覚的特徴を含む、例示的分析は、他の心臓関連病態及び兆候コンディション並びに神経関連病態及び兆候コンディションの診断及び治療において使用されることができ、そのような査定は、生物物理学的信号が生体の任意の関連システムに関与する、任意の病態又は兆候コンディションの診断及び治療（外科手術、低侵襲、及び／又は薬理学的治療を含む）に適用されることができる。心臓の状況における一例は、ＣＡＤ、及び本明細書に開示される他の疾患、医学的コンディション、又は兆候コンディションの診断、並びに冠状動脈におけるステントの配置、アテレクトミーの実施、血管形成術、薬物療法の処方、及び／又は運動、栄養及び他の生活様式の変更の処方などのような、任意の数の治療単独若しくは組み合わせによるその処置である。診断され得る他の心臓関連の病態又は兆候コンディションとしては、例えば、不整脈、うっ血性心不全、弁不全、肺高血圧症（例えば、肺動脈高血圧、左心疾患に起因する肺高血圧、肺疾患に起因する肺高血圧、慢性血餅に起因する肺高血圧、及び他の疾患（例えば、血液又は他の障害）に起因する肺高血圧症）、他の心臓関連病態、兆候コンディション及び／又は疾患が挙げられる。診断され得る神経関連疾患、病態、又は兆候コンディションの非限定的な例としては、例えば、てんかん、統合失調症、パーキンソン病、アルツハイマー病（及び他の全ての形態の認知症）、自閉症スペクトラム（アスペルガー症候群を含む）、注意欠陥多動性障害、ハンチントン病、筋ジストロフィー、うつ病、双極性障害、脳／脊髄腫瘍（悪性及び良性）、移動障害、認知機能障害、発話障害、様々な精神病、脳／脊髄／神経損傷、慢性外傷性脳症、クラスタ頭痛、偏頭痛、神経障害（その様々な形態には、末梢神経性疾患を含む）、幻肢痛、慢性疲労症候群、急性及び／又は慢性疼痛（背痛、脊椎手術後痛症候群などを含む）、ジスキネジア、不安症、感染症又は外来因子によって引き起こされる兆候コンディション（例えば、ライム病、脳炎、狂犬病）、ナルコレプシー及び他の睡眠障害、外傷後ストレス障害、脳卒中に関連する神経学的兆候コンディション／影響、動脈瘤、出血性損傷など、耳鳴及び他の聴覚関連の疾患／兆候コンディション、並びに視覚関連の疾患／兆候コンディションなどが挙げられる。
【0137】
加えて、本明細書に記載の臨床評価システムは、とりわけ、心電図（ＥＣＧ）、脳波（ＥＥＧ）、ガンマ同期性、呼吸機能信号、パルスオキシメトリー信号、灌流データ信号、準周期的生物学的信号、胎児ＥＣＧ信号、血圧信号、心臓磁場信号、心拍数信号などの生物物理学的信号を分析するように構成され得る。
【0138】
例示される方法及びシステムと共に使用され得る処理の更なる例は、米国特許第９，２８９，１５０号、同第９，６５５，５３６号、同第９，９６８，２７５号、同第８，９２３，９５８号、同第９，４０８，５４３号、同第９，９５５，８８３号、同第９，７３７，２２９号、同第１０，０３９，４６８号、同第９，５９７，０２１号、同第９，９６８，２６５号、同第９，９１０，９６４号、同第１０，６７２，５１８号、同第１０，５６６，０９１号、同第１０，５６６，０９２号、同第１０，５４２，８９７号、同第１０，３６２，９５０号、同第１０，２９２，５９６号、同第１０，８０６，３４９号、米国特許公開第２０２０／０３３５２１７号、同第２０２０／０２２９７２４号、同第２０１９／０２１４１３７号、同第２０１８／０２４９９６０号、同第２０１９／０２００８９３号、同第２０１９／０３８４７５７号、同第２０２０／０２１１７１３号、同第２０１９／０３６５２６５号、同第２０２０／０２０５７３９号、同第２０２０／０２０５７４５号、同第２０１９／００２６４３０号、同第２０１９／００２６４３１号、ＰＣＴ国際公開第ＷＯ２０１７／０３３１６４号、同第ＷＯ２０１７／２２１２２１号、同第ＷＯ２０１９／１３０２７２号、同第ＷＯ２０１８／１５８７４９号、同第ＷＯ２０１９／０７７４１４号、同第ＷＯ２０１９／１３０２７３号、同第ＷＯ２０１９／２４４０４３号、同第ＷＯ２０２０／１３６５６９号、同第ＷＯ２０１９／２３４５８７号、同第ＷＯ２０２０／１３６５７０号、同第ＷＯ２０２０／１３６５７１号、米国特許出願第１６／８３１，２６４号、同第１６／８３１，３８０号、同第１７／１３２８６９号、ＰＣＴ国際出願第ＰＣＴ／ＩＢ２０２０／０５２８８９号、同第ＰＣＴ／ＩＢ２０２０／０５２８９０号、に記載されており、これらの各々は、参照によりその全体が本明細書に組み込まれる。
【図1】
【図2】
【図3A】
【図3B】
【図4】
【図5】
【図6】
【図7A】
【図7B】
【図7C】
【図7D】
【図7E】
【図8A】
【図8B】
【図9A】
【図9B】
【図10A】
【図10B】
【図10C】
【図10D】
【図10E】
【図10F】
【図10G】
【図11A】
【図11B】
【図12A】
【図12B】
【国際調査報告】