特表 2024-532284 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フォトプレチスモグラフィック波形特徴を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フォトプレチスモグラフィック波形特徴を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

   A61B 5/021 20060101ALI20240829BHJP

【ＦＩ】

A61B5/02 310A

A61B5/33 200

A61B5/021

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2024512063

(86)(22)【出願日】2022-08-19

(85)【翻訳文提出日】2024-04-08

(86)【国際出願番号】 IB2022057801

(87)【国際公開番号】W WO2023026155

(87)【国際公開日】2023-03-02

(31)【優先権主張番号】63/235,971

(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】ラング， エマニュエル

(72)【発明者】

【氏名】ファティー， ファルハド

【テーマコード（参考）】

4C017

4C127

【Ｆターム（参考）】

4C017AA08

4C017AA09

4C017AA12

4C017AA19

4C017AB04

4C017AC15

4C017AC26

4C017BB12

4C017BC11

4C017BC14

4C017BC16

4C017BD06

4C017CC01

4C127AA02

4C127BB05

(57)【要約】

例示された方法及びシステムは、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ＰＰＧ波形ベースの特徴又はパラメータの、診断、監視、又は治療のための使用を容易にする。ＰＰＧ波形ベースの特徴又はパラメータは、ＰＰＧ波形の特徴若しくはパラメータ、ＶＰＧ波形の特徴若しくはパラメータ、及び／又はＡＰＧ波形の特徴若しくはパラメータを含み得る。ＰＰＧ波形ベースの特徴又はパラメータをモデル又は分類器において使用して、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を含む、患者の生理学的状態に関連付けられるメトリックを推定することができる。
【選択図】図１

【特許請求の範囲】

【請求項1】

対象の疾患状態、異常コンディション、又はいずれかの兆候を非侵襲的に査定する方法であって、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取得することであって、前記生物物理学的信号データセットは、１つ以上のフォトプレチスモグラフィック信号を含む、取得することと、
前記１つ以上のプロセッサによって、前記１つ以上のフォトプレチスモグラフィック信号の１つ以上の波形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つ以上の波形関連特性の前記決定された値に部分的に基づいて、前記疾患状態、異常コンディション、又はいずれかの兆候の存在の推定値を決定することであって、前記疾患状態、異常コンディション、又はいずれかの兆候の前記推定値は、予想される疾患状態、異常コンディション、又はいずれかの兆候の存在を非侵襲的に推定するためのモデルにおいて使用される、決定することと、を含み、
前記推定値は、その後、前記予想される疾患状態若しくはコンディションの診断に使用するために、又は前記予想される疾患状態、異常コンディション、若しくはいずれかの兆候の治療を方向付けるために出力される、方法。

【請求項2】

前記１つ以上の波形関連特性の値を決定する前記ステップは、
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から抽出された振幅関連特徴の１つ以上の値を決定することであって、前記１つ以上の振幅関連特徴は、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つにおいて決定された基準目印の統計的査定を含む特徴と、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つから導出された速度プレチスモグラフィック信号において決定された基準目印の統計的査定を含む特徴と、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つから導出された加速度プレチスモグラフィック信号において決定された基準目印の統計的査定を含む特徴と、からなる群から選択される特徴を含む、請求項１に記載の方法。

【請求項3】

前記１つ以上のフォトプレチスモグラフィック信号のうちの前記少なくとも１つにおいて決定された前記基準目印は、パルスベース目印、拡張期ピーク目印、収縮期ピーク目印、最小目印、ピークに近位の最小値目印を含む、請求項２に記載の方法。

【請求項4】

前記速度プレチスモグラフィック信号又は前記加速度プレチスモグラフィック信号において決定された前記基準目印は、パルスベース目印、ピーク目印、又は最小目印を含む、請求項２に記載の方法。

【請求項5】

前記統計的査定は、それぞれの信号の振幅の平均、それぞれの信号の前記振幅の標準偏差、それぞれの信号の最大振幅、それぞれの信号の最小振幅、及びそれぞれの信号における査定されたピークの最小振幅からなる群から選択される、請求項２～４のいずれか一項に記載の方法。

【請求項6】

前記１つ以上の波形関連特性の前記値を決定する前記ステップは、
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から抽出された持続時間関連特徴の１つ以上の値を決定することであって、前記１つ以上の振幅関連特徴は、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つにおいて決定された基準目印の拍動間持続時間の統計的査定を含む特徴と、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つから導出された前記速度プレチスモグラフィック信号において決定された基準目印の前記拍動間持続時間の統計的査定を含む特徴と、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つ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において決定された基準目印の前記拍動間持続時間の統計的査定を含む特徴と、からなる群から選択される特徴を含む、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つ以上の波形関連特性の値を決定する前記ステップは、
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から抽出された持続時間関連特徴の１つ以上の値を決定することを含み、前記１つ以上の振幅関連特徴は、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つにおいて決定された周期的拍動における基準目印間の持続時間の統計的査定を含む特徴と、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つから導出された速度プレチスモグラフィック信号において決定された周期的拍動における基準目印間の持続時間の統計的査定を含む特徴と、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つ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において決定された周期的拍動における基準目印間の持続時間の統計的査定を含む特徴と、からなる群から選択される特徴を含む、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つ以上の波形関連特性の値を決定する前記ステップは、
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から抽出された波形ジオメトリ関連特徴の１つ以上の値を決定することを含み、前記１つ以上の波形ジオメトリ関連特徴は、前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つにおいて決定された基準目印の間で定義された１つ以上の三角形の波形幾何学的査定の統計的査定を含む、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つ以上の三角形は、
前記１つ以上のフォトプレチスモグラフィック信号のうちの前記少なくとも１つにおいて決定された前記パルスベース目印、前記収縮期ピーク目印、及び前記拡張期ピーク目印の間に画定された三角形からなる群から選択される、請求項８に記載の方法。

【請求項10】

前記１つ以上の波形関連特性の値を決定する前記ステップは、
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から抽出されたＳｐＯ_２関連特徴の１つ以上の値を決定することを含み、前記１つ以上のＳｐＯ_２関連特徴は、前記フォトプレチスモグラフィック信号のうちの少なくとも２つにおいて決定されたＡＣ成分とＤＣ成分との比として定義されるベクトルの統計的査定を含む、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、異常コンディション、又はいずれかの前記兆候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】

前記１つ以上の波形関連特性の値は、線形モデル、決定木モデル、ランダムフォレストモデル、サポートベクターマシンモデル、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つ以上の脱分極波又は再分極波の伝搬関連特徴と、
１つ以上の脱分極波の伝搬偏差関連特徴と、
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つ以上の心臓波形のトポロジック及び変動関連特徴と、
１つ以上のＰＰＧ波形のトポロジック及び変動関連特徴と、
１つ以上の心臓信号又はＰＰＧ信号のパワースペクトル密度関連特徴と、
１つ以上の心臓信号又はＰＰＧ信号の視覚関連特徴と、
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、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取得さ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取得さ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のいずれか一項に記載の方法を実施させる、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、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のいずれか一項に記載の方法を実施させる、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 Ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｐｈｉｃ－Ｗａｖｅｆｏｒｍ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９７１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フォトプレチスモグラフィック波形ベースの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ＰＰＧ波形ベースの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。フォトプレチスモグラフィック波形は、皮膚を照射し、２つ以上の別個の波長における光吸収の変化を測定する、パルスオキシメータ又は類似機器を介して取得することができる。

【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査定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】

所与のフォトプレチスモグラフィック波形（「ＰＰＧ波形」）について、ＰＰＧ波形の一次導関数を計算して、速度プレシズモグラム（ＶＰＧ）波形（「ＶＰＧ波形」）を生成してもよく、ＰＰＧ波形の二次導関数を計算して、加速度プレシズモグラム（ＡＰＧ）波形（「ＡＰＧ波形」）を生成してもよい。ＰＰＧ波形ベースの特徴又はパラメータは、ＰＰＧ波形の特徴若しくはパラメータ、ＶＰＧ波形の特徴若しくはパラメータ、及び／又はＡＰＧ波形の特徴若しくはパラメータを含み得る。ＰＰＧ波形ベースの特徴又はパラメータをモデル又は分類器（例えば、機械学習された分類器）において使用して、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、又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。いくつかの実施形態では、波形は周波数領域で分析することができる。

【0009】

例示的なシステムは、ＰＰＧ波形（複数可）並びにその対応するＶＰＧ波形及びＡＰＧ波形内の基準点を識別するために血行動態デリニエータを用いる。基準点の振幅属性又は基準点間の持続時間／幾何学的属性などの時間ドメイン内のＰＰＧ波形、ＶＰＧ波形、及びＡＰＧ波形の特性を記述する波形（「線形」）特徴は、取得されたＰＰＧ信号データセットのみから（すなわち、他のソースからの情報を伴わずに）判定することができる。

【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。特性は、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性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、信号処理及び分類操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；駆出分画（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）左心室駆出分画（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、左心室拡張末期圧（ＬＶＥＤＰ）の上昇した、又は異常な圧力の存在である。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。例示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示す。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、ＰＰＧ波形ベースの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、及び臨床環境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】例示的な実施形態による、診断、治療、監視、又は追跡のための実際の用途において、ＰＰＧ波形ベースの特徴／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、例示的な実施形態による、診断、治療、監視、又は追跡のための実際の用途において、ＰＰＧ波形ベースの特徴／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、取得されたＰＰＧ信号（複数可）並びにその対応するＶＰＧ信号及びＡＰＧ信号の振幅に関連する属性を決定するように構成された例示的なＰＰＧ振幅特徴計算モジュールを例解する。

【図5】例示的な実施形態による、取得されたＰＰＧ信号並びにその対応するＶＰＧ信号及びＡＰＧ信号の持続時間に関連する属性を決定するように構成された例示的なＰＰＧ持続時間特徴計算モジュールを例解する。

【図6】例示的な実施形態による、取得されたＰＰＧ信号並びにその対応するＶＰＧ信号及びＡＰＧ信号の幾何学的属性を決定するように構成された例示的なＰＰＧ幾何学的特徴計算モジュールを例解する。

【図7】例示的な実施形態による、取得されたＰＰＧ信号のＳｐＯ_２関連属性を決定するように構成された例示的なＰＰＧ ＳｐＯ_２特徴計算モジュールを例解する。

【図8A】例示的な実施形態による、図４の特徴計算モジュール又は図５の特徴計算モジュールの例示的な方法を示す。

【図8B】例示的な実施形態による、図６の特徴計算モジュールの例示的な方法を示す。

【図9A】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図9B】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図9C】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図9D】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図10A】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図10B】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図10C】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図11】例示的な実施形態による、ＰＰＧ持続時間の特徴又はパラメータを決定する様々な態様を示す。

【図12】例示的な実施形態による、パラメータのＰＰＧの幾何学的特徴を決定する様々な態様を示す。

【図13】例示的な実施形態による、ＰＰＧ ＳｐＯ_２の特徴又はパラメータを決定する態様を示す。

【図14A】例示的な実施形態による、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ために、他の計算された特徴の中でもＰＰＧ波形ベースの特徴又はパラメータを使用するように構成される、例示的臨床及び診断評価システムの概略図を示す。

【図14B】例示的な実施形態による、図１４Ａの例示的な臨床評価システムの動作の概略図を示す。

【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つ以上の各及び全ての組み合わせは、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、生の又は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、医療機器又はウェアラブルデバイスの制御において、又は監視アプリケーションにおいて（例えば、本明細書で考察されるＰＰＧ波形ベースの特徴、パラメータ、又は中間出力を報告するために）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）、心臓波形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器具若しくは記録器具、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、１つ以上の心臓信号（複数可）、神経信号（複数可）、バリストカルジオグラフィック信号（複数可）、及び／又はフォトプレチスモグラフィック信号（複数可）を含むが、これらに限定されないが、それはまた、情報が得られ得る任意の生物物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、ＰＰＧ波形ベースの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、機械学習された分類器）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ＰＰＧ波形ベースの特徴及び他のクラスの特徴の開発において使用され得る。

【0025】

本明細書に記載の例示的な分析及び分類子は、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左心室拡張末期圧（ＬＶＥＤＰ）値の上昇又は異常、いくつかの形態の心不全に関連する左心室駆出率（ＬＶＥＦ）値の異常、又は肺高血圧及び／又は肺動脈高血圧に関連する平均肺動脈圧（ｍＰＡＰ）値の上昇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子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）は共に、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、心臓信号又は生体電位信号（複数可）は、直交リードの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、他のリード構成（例えば、１１リード構成、１２リード構成など）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チスモグラフィック信号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。更に別の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、無線通信システム又は有線通信システム及び／又はネットワークを通じて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リード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１４Ａ及び１４Ｂ参照）とを備える。査定システム１０３は、特性モジュール１１４及び分類モジュール１１６（例えば、ＭＬ分類モジュール）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、ＰＰＧ波形特徴モジュール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、ＰＰＧ波形ベースの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）に関連付けられるメトリックの出力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１４Ａ及び図１４Ｂ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、臨床環境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番目のコモンモンドモードリファレンスリードである）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、任意の環境で使用され得る。

【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】

例示的な演算方法
図３Ａ～図３Ｂは各々、診断、治療、監視、又は追跡のための実際の用途において、ＰＰＧ波形ベースの特徴／パラメータ又はそれらの中間出力を使用するための例示的方法を示す。

【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、ＰＰＧ波形ベースの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）、異常な左心室駆出分画（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、ＰＰＧ波形、ＶＰＧ波形、及び／又はＡＰＧ波形における基準点の振幅、持続時間、及びジオメトリなどの波形属性を特徴付けるＰＰＧ波形ベースの特徴又はパラメータの値を決定するステップ（３０４）を更に含む。ＰＰＧ波形ベースの特徴又はパラメータの値を決定するための例示的動作は、本明細書で後に考察される図４～図１２に関連して提供される。方法３００ａは、決定されたＰＰＧ波形ベースの特徴の推定モデル（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１４Ａ及び１４Ｂに関して提供される。

【0043】

方法３００ａは、例えば、図１、図１４Ａ、及び図１４Ｂ、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】

ＰＰＧ波形ベースの特徴又はパラメータを使用する診断又はコンディション監視又は追跡。図３Ｂは、医療機器又は健康モニタリングデバイスのモニタリング又は制御のためにＰＰＧ波形ベースの特徴又は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）を取得するステップ（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】

方法３００ｂは更に、例えば、図４～図１２に関連して説明されるように、取得された生物物理学的データセットからＰＰＧ波形ベースの特徴又はパラメータを判定すること（３１０）を含む。判定は、移動ウィンドウにわたる連続的に取得された信号の分析に基づいてもよい。

【0046】

方法３００ｂは、ＰＰＧ波形ベースの特徴又はパラメータを（例えば、診断において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。本明細書で考察されるように、ＰＰＧ波形ベースの特徴又はパラメータは、ＰＰＧ波形、ＶＰＧ波形、又はＡＰＧ波形における基準点の振幅、持続時間、及びジオメトリなどの属性の特徴付けを提供することができる。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）を介してもよい。いくつかの実施形態では、出力は、移動カート又はカートトロリーなどのポイントオブケア監視を介してもよい。いくつかの実施形態では、出力は、蘇生システム、心臓若しくは肺ストレス試験機器、ペースメーカー、又は他の機器若しくは用途において使用されてもよい。

【0047】

ＰＰＧ波形の特徴又はパラメータ
図４、図５、図６、及び図７は各々、例示的な実施形態による、ＰＰＧ波形の特徴の値又は生物物理学的信号のパラメータを決定するように構成された合計４つの例示的なモジュールについて、例示的なＰＰＧ波形分析特徴計算モジュールを示す。ＰＰＧ振幅分析特徴計算モジュール４００は、ＰＰＧ波形、ＶＰＧ波形、及びＡＰＧ波形の複数のサイクルにわたる基準点（例えば、ピーク、ベース、最小）の振幅値の統計的属性（例えば、平均、標準偏差、最大、最小、及び／又は最小－最大）を計算することができる。ＰＰＧ持続時間分析特徴計算モジュール５００は、ＰＰＧ波形、ＶＰＧ波形、及びＡＰＧ波形の基準点（例えば、ピーク、ベース、最小値）間の持続時間値を計算することができ、それに対して統計的属性も決定され得る。ＰＰＧ幾何学的分析特徴計算モジュール６００は、ＰＰＧ信号、ＶＰＧ信号、及びＡＰＧ信号の基準点（例えば、ピーク、ベース、最小値）の間で定義される多角形のトポロジック値（例えば、角度）を計算することができる。ＰＰＧ ＳｐＯ_２分析特徴計算モジュール７００は、ＰＰＧ波形から酸素飽和度に関連する値を計算することができる。

【0048】

例＃１－ＰＰＧ、ＶＰＧ、ＡＰＧの振幅特徴
図４は、４つの例示的な特徴又はパラメータカテゴリのうちの第１のものとして、ＰＰＧ波形、ＶＰＧ波形、及びＡＰＧ波形の複数のサイクルにわたる基準点（例えば、ピーク、ベース、最小）の振幅値の統計的属性（例えば、平均、標準偏差、最大、最小、及び／又は最小－最大）を決定するように構成された例示的なＰＰＧ振幅分析特徴計算モジュール４００を例解する。下で考察される図８Ａは、モジュール４００の例示的な方法を示す。

【0049】

表１は、最大４５個の特徴又はパラメータを提供するための、それらの基準点及びそれらの対応する記述に基づく３つのタイプの抽出可能な波形振幅特徴の例示的なセットを示す。

【表1】

【0050】

表２Ａ及び表２Ｂは、（２つのＰＰＧ測定チャネルからの）２つのＰＰＧ波形に対する３０個のＰＰＧ波形ベースの特徴（「パラメータ」）の要約されたセットと、ＶＰＧ波形及びＡＰＧ波形の対応するセットに対する追加の６０個の特徴とを示す。表２Ａ及び表２Ｂにおいて、１７個の特徴タイプ（表２Ａ及び表２Ｂにおける「＊」を参照）が、少なくとも１つの心臓疾患又はコンディションの存在又は不在の査定（具体的には、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観察されている。実験を通して、２５個の特徴タイプ（表２Ａ及び表２Ｂの「＊＊」を参照）が、冠動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。異常な又は上昇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決定された特定の特徴のリストを、それぞれ、表９Ａ及び表１０Ａに提供する。

【表2】

【表3-1】

【表3-2】

【0051】

図８Ａは、例示的な実施形態による、例えば、図４のＰＰＧ振幅特徴計算モジュール４００によって行われるような、ＰＰＧ波形ベースの特徴又はパラメータを生成するための方法８００を示し、これは、全体的又は部分的に使用され、ＰＰＧ波形ベースの特徴又はパラメータ及びその出力を生成し、機械学習された分類器において使用され、研究中の対象の生理学的システムに関連付けられたメトリックを判定することができる。表２Ａ及び表２Ｂの特徴を決定するために、モジュール４００は、いくつかの実施形態では、（ｉ）取得されたＰＰＧ信号を前処理し（８０２）、（ｉｉ）ＰＰＧ信号からＶＰＧ波形及びＡＰＧ波形を生成し（８０４）、（ｉｉｉ）ＰＰＧ波形、ＶＰＧ波形、及びＡＰＧ波形内の基準目印を決定し（８０６）、（ｉｖ）基準目印を使用して特徴又はパラメータ（例えば、振幅又は持続時間の特徴又はパラメータ）を抽出する（８０８）ように構成される。

【0052】

前処理動作（８０２）を実行するために、モジュール４００は、サブシグナリング、ダウンサンプリング、高周波雑音及び電力線干渉除去、並びにベースライン除去動作を実行し得る。ベースラインを除去するために、モジュール４０は、ハイパスフィルタ（例えば、０．３Ｈｚのカットオフ周波数を伴うハイパスフィルタ）を採用することができる。高周波雑音及び電力線干渉を除去するために、モジュール４００は、ローパスフィルタ（例えば、３０Ｈｚの通過帯域周波数、３５Ｈｚの停止帯域周波数、１ｄＢの通過帯域リッパー、及び８０ｄＢの停止帯域減衰をもつ、例えば、ローパスデジタルフィルタ）を採用することができる。モジュール４００はまた、平滑化動作（例えば、６点の中心移動平均を有する）を実施してもよい。

【0053】

ＶＰＧ波形及びＡＰＧ波形を生成するために（８０４）、モジュール４００は、（ｉ）吸収ＰＰＧ信号を生成するためにＰＰＧを反転させ、（ｉｉ）ＶＰＧ波形を生成するためにＰＰＧ波形の一次導関数演算を実行し、（ｉｉｉ）ＡＰＧ波形（例えば、吸収ＰＰＧ信号）を生成するためにＰＰＧ波形の二次導関数（又はＶＰＧ波形の一次導関数）を実施することができる。任意の数のＰＰＧ波形、ＶＰＧ波形、及び／又はＡＧＰ波形を分析することができる。

【0054】

ＰＰＧ（吸収性）波形、ＶＰＧ波形、及びＡＰＧ波形における基準目印を決定する（８０６）ために、モジュール４００は、（ｉ）ＰＰＧ（吸収性）波形におけるパルスベース目印、収縮期ピーク目印、及び拡張期ピーク目印などの目印若しくは基準点、並びに／又は（ｉｉ）ＶＰＧ波形若しくはＡＰＧ波形におけるピーク目印、最小目印、及びベース目印を検出するように構成された血行動態デリニエータを用いる。図９Ａは、ＰＰＧ波形の吸着性ＰＰＧ信号への例示的な変換を示す。図９Ｂは、ＰＰＧ波形における例示的なパルスベース目印（９０６）、拡張期ピーク目印（９０４）、及び収縮期ピーク目印（９０２）を示す。図９Ｃは、例示的な実施形態による例示的な血行動態デリニエータによって抽出され得るＶＰＧ波形（９１８及び９２０として示される）内の例示的なＶＰＧピーク目印（９１２）、ＶＰＧ最小目印（９１４）、及びＶＰＧベース目印（９１６）を示す。図９Ｄは、例示的な実施形態による例示的な血行動態的デリニエータによって抽出され得るＡＧＰ波形（９３０及び９３２として示される）における例示的なＡＰＧピーク目印（９２４）、ＡＰＧ最小目印（９２６）、及びＡＰＧベース目印（９２８）を示す。

【0055】

血行動態デリニエータ。図１０Ａ～図１０Ｃは各々、例示的な実施形態による、とりわけ、図８Ａの方法を実行するための血行動態デリニエータの動作の様々な態様である。図１０Ａは、ＰＰＧ波形を血行動態的に描出する方法を示す。図１０Ｂは、ＶＰＧ波形を血行動態的に描出する方法を示す。図１０Ｃは、ＡＰＧ波形を血行動態的に描出する方法を示す。

【0056】

フォトプレチスモグラフィック（ＰＰＧ）波形セグメント化。図１０Ａは、ＰＰＧ波形の基準目印を血行動態的に描出するためのモジュール４００の例示的な方法１０００の図である。図１０Ａでは、ステップ１００２に示すように、パルスベース目印（９０６）を検出することができ、ステップ１００４に示すように、収縮期ピーク目印（９０２）を検出することができ、ステップ１００６に示すように、拡張期ピーク目印（９０４）を検出することができる。

【0057】

ＰＰＧパルスベース（９０６）。図１０Ａを参照すると、方法１０００は、パルスベースが反転された時系列においてピークとして提示されるように、フォトプレチスモグラフィック信号を反転させること（１００８）を含む。次いで、方法１０００は、ピークを検出することができる（１０１０）。いくつかの実施形態では、ピークは、１２５ｍｓ（例えば、最小拍動持続時間の２５％に等しい、１２０ｂｐｍの心拍数で５００ｍｓ）の最小パルスを有するものとして定義される。次いで、方法１０００は、検出されたピークをフィルタリングすること（１０１２）を含み得る。いくつかの実施形態では、フィルタリング（１０１２）は、以下の基準を使用することができる。（ｉ）１２５ｍｓの最小パルス幅よりも小さい最小ピーク幅（ハーフプロミネンスにおける）、（ｉｉ）パルスベース値は常にゼロよりも小さくなるべきである（信号のＤＣ成分が除去されるので）、（ｉｉｉ）パルスベース値は、検出されたパルスベースの中央値から離れた１０個のスケーリングされた中央値絶対偏差（ＭＡＤ）よりも小さくなるべきである。方法１０００は、信号を再度反転させてその元の位置に戻すこと（１０１４）を含む。

【0058】

パルスベース（９０６）は、第２の１０を中心とし、ベースオンセット及びオフセットでパディングされた単一のサイクルを含む信号の２０秒セグメントを分離し、作成するために使用され得る。ＰＰＧパルスベース（９０６）が検出され、他の目印の検出に使用されてもよい。

【0059】

収縮期ピーク（９０２）：図１０Ａはまた、収縮期ピーク（９０２）を検出するステップ（１０１６）を示す。ピーク（９０２）は、１２５ｍｓの最小パルスで検出することができる（１０１６）。動作は、ベースパルス検出とは無関係に（例えば、パルスベース検出の前、後、又はそれと同時に）実施され得る。検出されたピークは、以下の基準、すなわち（ｉ）１２５ｍｓの最小パルス幅よりも小さい（半突出における）最小ピーク幅、及び（ｉｉ）検出されたパルスベースの中央値から離れた１０スケールの中央値絶対偏差（ＭＡＤ）よりも小さい収縮期ピーク値を使用してフィルタリングすることができる。最大フィルタを適用して、２つの連続するパルスベース内の検出されたピークの最大値を、対応する周期の収縮期ピークとして検出することができる。

【0060】

拡張期ピーク（９０４）：図１０Ａはまた、ＰＰＧ拡張期ピーク（９０４）を検出する方法１００６を示す。方法１００６は、サイクルｎにおけるＶＰＧ＿ｍｉｎ及びサイクルｎ＋１における連続するＰＰＧパルスベースのインデックスを使用してＰＰＧ信号をセグメント化すること（１０１８）を含む。方法１００６は、平滑化演算子（例えば、２０データポイントガウス加重移動平均フィルタ）を使用して、セグメント化されたＰＰＧを平滑化すること（１０２０）を含む。他の平均化フィルタを使用することができる。方法１００６は、平滑化されたＰＰＧ信号からＶＰＧ信号を決定すること（１０２２）と、決定されたＶＰＧ信号内のピークを検出すること（１０２２）とを含み得る。方法１００６は、極大値がセグメント化されたＶＰＧのインデックスの最初の５０％にあるという時間制約の適用によって、検出されたＶＰＧピークをフィルタリングすること（１０２４）を含み得る。いくつかの実施形態では、動作１０２４は、元のＰＰＧ（平滑化されていない）に適用される最大フィルタを採用して、平滑化されたＰＰＧ内の検出された拡張期ピークの周囲の極大値を探索し、拡張期ピークを決定することができる。

【0061】

ＶＰＧ ｍｉｎ（９１４）を決定するために、ＰＰＧ信号は、サイクルｎにおけるＰＰＧ収縮期ピーク（例えば、９０２）及びサイクルｎ＋１における連続するＰＰＧパルスベース（例えば、９０６）のインデックスを使用してセグメント化される。セグメント化されたＰＰＧは、例えば、２０データポイントガウス加重移動平均フィルタを用いて平滑化される。ＶＰＧ信号は、平滑化されたＰＰＧから導出され、反転されたＶＰＧのピークは、ピークファインダ演算子を使用して検出される。次いで、検出されたピークは、ＶＰＧ ｍｉｎがセグメント化されたＶＰＧのインデックスの最初の３０％で発生すべきであるという時間制約を適用することによってフィルタリングされる。元のＶＰＧ（平滑化されていない）に最大フィルタが適用され、平滑化されたＶＰＧにおいて検出されたＶＰＧ ｍｉｎの周囲の極小値が探索される。

【0062】

速度プレシズモグラム（ＶＰＧ）波形セグメント化。図１０Ｂは、例示的な実施形態による、図９Ｃに示されるようなＶＰＧ波形の基準目印を血行動態的に描出するためのモジュール４００の例示的な方法１０３０の図である。図１０Ｂにおいて、ＶＰＧピーク目印（９１２）は、ステップ１００２に示すように検出することができ、ＶＰＧ最小目印（９１４）は、ステップ１００４に示すように検出することができ、ＶＰＧベース目印（９１６）は、ステップ１００６に示すように検出することができる。

【0063】

ＶＰＧピーク（９１２）。ＶＰＧピーク目印を見つけるために（９１２）、方法１０３２は、ＰＰＧ上昇セグメントとも称されるＰＰＧ信号内の単調増加セグメントに対応するＰＰＧ信号からインデックスをセグメント化すること（１０３８）を含む。サイクルｎのＰＰＧ上昇セグメントは、サイクルｎにおけるＰＰＧパルスベースとサイクルｎ＋１における連続するＰＰＧ収縮期ピークとの間のデータ点として識別され得る。方法１０３２は、例えば、ＶＰＧ信号にわたるＰＰＧ上昇持続時間（ＰＰＧ上昇セグメントに関連するｍｓ単位の時間）の中央値の２５％の最小パルス幅で構成されたピークファインダ演算子を使用して、ＶＰＧピークを検出することができる（１０４０）。方法１０３２は、以下の基準を使用して検出されたピークをフィルタリングすることができる（１０４２）。（ｉ）（半突出における）最小ピーク幅は、ＶＰＧ最小パルス幅よりも小さく、（ｉｉ）ＶＰＧピーク値は、検出されたピークの中央値から離れた１０個のスケーリングされたＭＡＤよりも小さい。方法１０３２は、ＰＰＧ上昇セグメント内の検出されたピークの最大値を対応するサイクルのＶＰＧピークとして識別するために、最大フィルタを適用することができる（１０４２）。

【0064】

ＶＰＧ ｍｉｎを決定する（９１２）ために、方法１０３４は、サイクルｎにおけるＰＰＧ収縮ピーク（例えば、９０２）及びサイクルｎ＋１における連続するＰＰＧパルスベースのインデックスを使用して、ＰＰＧ信号をセグメント化すること（１０４４）を含む。方法１０３４は、例えば、２０データポイントのガウス加重移動平均フィルタを用いて、セグメント化されたＰＰＧを平滑化すること（１０４６）を含む。方法１０３４は、平滑化されたＰＰＧから反転ＶＰＧ信号を導出し（１０４８）、反転ＶＰＧのピークを検出する（１０４８）ことができる。ピークを検出するために、方法１０３４は、ＶＰＧ ｍｉｎがセグメント化されたＶＰＧのインデックスの最初の３０％で発生するという時間制約を有する検出されたピークをフィルタリングすることができる。方法１０３４は、元のＶＰＧ（平滑化されていない）に最大フィルタを適用して、平滑化されたＶＰＧにおいて検出されたＶＰＧ ｍｉｎの周りの極小値を探索することができる（１０５０）。

【0065】

ＶＰＧベース（９１６）。ＶＰＧベースを決定するために（９１６）、方法１０３６は、ＰＰＧ信号に対して実行される数値微分演算中に発生し得るＶＰＧ信号からベースラインを補正すること（１０５２）を含む。ベースライン補正（１０５２）は、ＶＰＧ波形の２０％パーセンタイルと５０％パーセンタイルとの間の値を有するデータ点を識別するためにＶＰＧ波形をパーセンタイルフィルタリングし、次いで、フィルタリングされたパーセンタイルＶＰＧの平均からＶＰＦ波形を減算することによって実施され得る。次いで、方法１０３６は、サイクルｎにおけるＶＰＧ ｍｉｎ（９１４）及びサイクルｎ＋１における連続したＶＰＧピークのインデックスを使用して、ベースライン補正されたＶＰＧをセグメント化することによって、ベースライン補正１０５２を完了することができる。ベースライン補正が完了すると、方法１０３６は、ＶＰＧのゼロ交差を通じてＶＰＧベースを決定してもよく（１０５４）、ここで、検出されたベースの中央値から離れた４スケールの中央値絶対偏差（ＭＡＤ）未満のＶＰＧベースが除去されてもよい。

【0066】

加速度プレシズモグラム（ＡＰＧ）波形セグメント化。上述したように、図１０Ｃは、例示的な実施形態による、図９Ｃに示すようなＡＰＧ波形の基準目印を血行動態的に描出するためのモジュール４００の例示的な方法１０６０の図である。図１０Ｃにおいて、ＡＰＧピーク目印（９２４）は、ステップ１０６２に示すように検出することができ、ＡＰＧ最小目印（９２６）は、ステップ１０６４に示すように検出することができ、ＡＰＧベース目印（９２８）は、ステップ１０６６に示すように検出することができる。

【0067】

ＡＰＧピーク（９２４）。ＡＰＧピーク（例えば、９２４）を決定するために、方法１０６２は、サイクルｎにおけるインデックスＰＰＧパルスベース（例えば、９０６）と、サイクルｎ＋１における連続するＰＰＧ収縮期ピーク（例えば、９０２）とを使用して、ＰＰＧ波形をセグメント化すること（１０６８）を含む。次いで、方法１０６２は、ＡＧＰピーク（９２４）を検出すること（１０７０）を含む。任意のピーク検出アルゴリズムを使用することができる。一例は、ＭａｔｈＷｏｒｋｓによってＭａｔｌａｂ（登録商標） Ｒ２０１９ａで製造された「ｆｉｎｄｐｅａｋ」関数である。セグメント内の検出されたピークの最大値が見出されるように最大フィルタが適用され（１０７２）、検出されたピークの中央値から離れた６つのスケーリングされたＭＡＤよりも大きい値を有するピークが除去され得る。

【0068】

ＡＰＧ ｍｉｎ（９２６）。ＡＰＧ ｍｉｎ（例えば、９２６）を決定するために、方法１０６４は、サイクルｎにおけるＰＰＧパルスベース（例えば、９０６）及びサイクルｎ＋１における連続するＰＰＧ収縮期ピーク（例えば、９０２）のインデックスを使用してＰＰＧ信号をセグメント化すること（１０７４）を含む。方法１０６４は、セグメント化されたＰＰＧを平滑化すること（１０７６）を含む。任意の平滑化演算子を使用することができる。一例は、ＭａｔｈＷｏｒｋｓによってＭａｔｌａｂ（登録商標） Ｒ２０１９ａで製造された平滑データ演算子である。平滑化演算子は、２０データポイントのガウス加重移動平均フィルタを用いることができる。方法１０６４は、平滑化されたＰＰＧから反転ＡＰＧ信号を導出し（１０７８）、反転ＡＰＧのピークを検出する（１０７８）ことができる。ピークを検出するために、方法１０６４は、ＡＰＧ ｍｉｎがセグメント化されたＡＰＧのインデックスの最初の７５％で発生するという時間制約を有する検出されたピークをフィルタリングすることができる。次いで、方法１０６４は、平滑化されたＡＰＧ内の検出された最小値の周りを探索することによって元のＡＰＧ（平滑化されていない）内の最小値を見つけるために、最小値フィルタを適用する（１０８０）。検出されたものの中央値から離れた６つを超えるスケーリングされたＭＡＤの値を有するＡＰＧ ｍｉｎは、除去され得る。

【0069】

ＡＰＧベース（９２８）。ＡＰＧベースを決定するために（９２８）、方法１０６６は、ＰＰＧ信号に対して実行される数値微分演算中に発生し得るＡＰＧ信号からベースラインを補正すること（１０８２）を含む。ベースライン補正（１０８２）は、ＡＰＧ波形の２５％パーセンタイルと７５％パーセンタイルとの間の値を有するデータ点を識別するためにＡＰＧ波形をパーセンタイルフィルタリングし、次いで、フィルタリングされたパーセンタイルＡＰＧの平均からＡＰＧ波形を減算することによって実施され得る。次いで、方法１０６６は、サイクルｎにおけるＡＰＧ ｍｉｎ（９２６）及びサイクルｎ＋１における連続したＡＰＧピークのインデックスを使用して、ベースライン補正されたＡＰＧをセグメント化することによって、ベースライン補正１０８２を完了することができる。ベースライン補正が完了すると、方法１０６６は、ＶＰＧのゼロ交差を通じてＡＰＧベースを決定することができ（１０８４）、ここで、検出されたベースの中央値から離れた４スケール中央絶対偏差（ＭＡＤ）未満のＶＰＧベースを除去することができる。

【0070】

例＃２－ＰＰＧ、ＶＰＧ、ＡＰＧの持続時間特徴。
図５は、４つの例示的な特徴又はパラメータカテゴリの第２のものとして、ＰＰＧ波形、ＶＰＧ波形、及びＡＰＧ波形の複数のサイクルにわたる基準点（例えば、ピーク、ベース、最小）の持続時間値の統計的属性（例えば、平均、標準偏差、最大、最小、及び／又は最小－最大）を決定するように構成された例示的なＰＰＧ持続時間分析特徴計算モジュール５００を例解する。図８Ａは、モジュール５００の例示的な方法を示す。

【0071】

表３は、１２個の抽出可能な波形持続時間特徴の例示的なセットと、３６個までの特徴又はパラメータを提供するためのそれらの対応する記述とを示す。

【表4】

【0072】

表４は、（２つのＰＰＧ測定チャネルからの）２つのＰＰＧ波形についての１２個のＰＰＧ波形ベースの特徴のセットと、ＶＰＧ波形及びＡＰＧ波形の対応するセットについての追加の２４個の特徴とを示す。表４において、３つの特徴（表４中の「＊」を参照）は、少なくとも１つの心臓疾患又はコンディションの存在又は不在の査定（具体的には、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観察されている。実験を通して、３つの特徴タイプ（表４の「＊＊」を参照）が、冠動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。異常な又は上昇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決定された特定の特徴のリストを、それぞれ、表９Ｂ及び表１０Ｂに提供する。

【表5-1】

【表5-2】

【0073】

図８Ａはまた、例示的な実施形態による、例えば、図４のＰＰＧ持続時間特徴計算モジュール４００によって行われるような、ＰＰＧ波形ベースの特徴又はパラメータを生成するための方法８００を示し、これは、全体的又は部分的に使用され、ＰＰＧ波形ベースの特徴又はパラメータ及びその出力を生成し、機械学習された分類器において使用され、研究中の対象の生理学的システムに関連付けられたメトリックを判定することができる。特徴（中央値、標準偏差、尖度、最小値、最大値、最小－最大）を決定するために、描写されたＰＰＧ波形、ＶＰＧ波形、及びＡＰＧ波形におけるサイクルから計算された持続時間属性の分布が決定される。

【0074】

図１１は、例示的な実施形態による、複数の周期にわたる同様の基準目印間で定義された例示的な持続時間関連特徴（拍動間持続時間特徴又は拍動間持続時間特徴とも称される）を示す。図１１では、図９ＢのＰＰＧ波形９０８が、ウィンドウ１１０２及びウィンドウ１１０４と共に示されている。ウィンドウ１１０２において、収縮期ピーク間持続時間１１０６は、ＰＰＧ波形（ＰＰＧ収縮期ピーク間持続時間「ｄｉａｓＤｉｓｔ」とも称される）について、収縮期ピークｎ（９０２ａとして示される）と次の収縮期ピークｎ＋１（９０２ｂとして示される）との間に定義される。拡張期ピーク間持続時間１１０６はまた、拡張期ピークｎ（９０４ａとして示される）と次の拡張期ピークｎ＋１（９０４ｂとして示される）との間で定義される。パルスベースのピーク間持続時間１１１０は、パルスベースｎ（９０６ａとして示される）と次のパルスベースｎ＋１（９０６ｂとして示される）との間で定義される（ＰＰＧ拡張期ピーク間持続時間「ｄｉａｓＤｉｓｔ」及びＰＰＧパルスベースからパルスベースまでの持続時間とも称される）。

【0075】

図１１のウィンドウ１１０４において、収縮期ピークから拡張期ピークまでの持続時間１１１２は、ＰＰＧ波形（収縮期から拡張期までの持続時間「ｄｉａｓＤｉｓｔ＿ｌｅｆｔ」とも称される）の収縮期ピークｎ（９０２ｂとして示される）と拡張期ピークｎ（９０４ｂとして示される）との間に定義される。収縮期ピークからパルスベースまでの持続時間１１１４は、収縮期ピークｎ（９０２ｂとして示される）とパルスベースｎ（９０６ｂとして示される）との間に定義される（収縮期ピークからパルスベースまでの持続時間「ｐｕｌｓｅＤｉｓｔ＿ｌｅｆｔ」とも称される）。パルスベースから収縮期ピークまでの持続時間１１１６は、パルスベースｎ－１（９０６ａとして示される）と収縮期ピークｎ（９０２ｂとして示される）との間で定義される（それぞれ、収縮期ピークからパルスベースまでの持続時間「ｓｙｓｔｏｌｉｃＤｉｓｔ＿ｌｅｆｔ」及びパルスベースから収縮期ピークまでの持続時間「ｂａｓｅＤｉｓｔ＿ｌｅｆｔ」とも称される）。

【0076】

拍動内持続時間特徴の対応するセットは、ＶＰＧ波形及びＡＰＧ波形のピーク、最小値、及びベース目印の間で定義することができる（ＶＰＧ波形及びＡＰＧ波形について、ピークからベースまでの持続時間（「ｂａｓｅＤｉｓｔ＿ｌｅｆｔ」）、ピークから最小までの持続時間（「ｍｉｎＤｉｓｔ＿ｌｅｆｔ」）、及び最小からピークまでの持続時間（「ｐｅａｋＤｉｓｔ＿ｌｅｆｔ」）として表５に示す）。

【0077】

例＃３－波形ジオメトリ特徴
図６は、４つの例示的な特徴又はパラメータカテゴリの第３のものとして、ＰＰＧ波形、ＶＰＧ波形、及びＡＰＧ波形の複数のサイクルにわたる基準点（例えば、ピーク、ベース、最小）の間で定義された多角形のトポロジック値（例えば、角度）の統計的属性（例えば、平均、標準偏差、最大、最小、及び／又は最小－最大）を決定するように構成された例示的なＰＰＧ幾何学的分析特徴計算モジュール６００を例解する。下で考察される図８Ｂは、モジュール４００の例示的な方法を示す。

【0078】

表５は、最大１２個の特徴又はパラメータを提供するための、４つのタイプの抽出可能な波形のトポロジック特徴及びそれらの対応する記述の例示的なセットを示す。

【表6】

【0079】

表６は、ＰＰＧ波形のための４つのＰＰＧ波形ベースの特徴のセットと、ＶＰＧ波形及びＡＰＧ波形の対応するセットのための追加の８つの特徴とを示す。表６において、全ての１２の特徴（表６における「＊」を参照）は、少なくとも１つの心臓疾患又はコンディションの存在又は不在の査定（具体的には、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観察されている。実験を通して、６つの特徴タイプ（表４の「＊＊」を参照）が、冠動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。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決定された特定の特徴のリストを、それぞれ、表９Ｃ及び表１０Ｃに提供する。

【表7】

【0080】

図８Ｂはまた、例示的な実施形態による、例えば、図６のＰＰＧ幾何学的特徴計算モジュール６００によって行われるような、ＰＰＧ波形ベースの特徴又はパラメータを生成するための方法８１０を示し、これは、全体的又は部分的に、ＰＰＧ波形ベースの特徴又はパラメータを生成するために使用されることができ、その出力は、機械学習分類器において使用され、研究中の対象の生理学的システムに関連付けられたメトリックを判定する。表６の特徴を決定するために、モジュール６００は、いくつかの実施形態では、（ｉ）取得されたＰＰＧ信号を前処理し（８０２）、（ｉｉ）ＰＰＧ信号からＶＰＧ波形及びＡＰＧ波形を生成し（８０４）、（ｉｉｉ）ＰＰＧ波形、ＶＰＧ波形、及びＡＰＧ波形内の基準目印を決定する（８０６）ように構成される。次いで、モジュール６００は、（ｉｖ）基準目印の中から三角形オブジェクトを決定し（８１０）、（ｖ）三角形オブジェクトを使用して特徴又はパラメータを抽出する（８１２）ことができる。

【0081】

図１２は、例示的な実施形態による、ＰＰＧ波形内の判定された基準目印のセットの間で定義される、三角形モデルを備える、例示的な波形ジオメトリモデルを示す。図１２では、代表的なＰＰＧ波形１２００（１２００ａ、１２００ｂ、及び１２００ｂとして示される）が生成される。代表的なＰＰＧ波形１２００は、平均収縮期ピーク１２０２、平均近傍収縮期ピーク１２０４、平均拡張期ピーク１２０６、平均パルスベース１２０８、及び平均近傍パルスベース１２１０を含む（波形は、例示の目的のためのみに示される）。図１２では、３つの三角形１２１２、１２１４、及び１２１６が、代表的な波形（１２００ａ～１２００ｃとして示される）内に生成される。

【0082】

１２００ａに関連付けられた波形では、第１の三角形１２１２は、平均収縮期ピーク１２０２、平均パルスベース１２０８、及び平均近傍パルスベース１２１０の間で定義される。１２００ｂに関連付けられた波形では、第２の三角形１２１４は、平均収縮期ピーク１２０２、平均近傍収縮期ピーク１２０４、及び平均パルスベース１２０８の間で定義される。１２００ｃに関連付けられた波形では、第３の三角形１２１６は、平均収縮期ピーク１２０２、平均拡張期ピーク１２０６、及び平均パルスベース１２０８の間で定義される。

【0083】

三角形（例えば、１２１２、１２１４、１２１６）の各々について、それぞれの三角形の角度（１２１８ａ、１２１８ｂ、１２１８ｃとして示される）及び面積が決定され得る。

【0084】

例＃４－ＰＰＧベースのＳｐＯ_２の特徴又はパラメータ
図７は、４つの例示的な特徴又はパラメータカテゴリの第４のものとして、血液中の酸素レベルの尺度に関連付けられた属性を決定するように構成された例示的なＰＰＧ ＳｐＯ_２分析特徴計算モジュール７００を例解する。

【0085】

酸素飽和レベル（ＳｐＯ_２）は、式１によって与えられる血液中の酸素レベルの尺度である。

【数1】

【0086】

式１において、ＨｂＯ_２及びＨｂは、それぞれ、血液中のオキシヘモグロビン値及びデオキシヘモグロビン値である。式１の比は、２つのフォトプレチスモグラフィック波形のＡＣ及びＤＣ成分を抽出することによって、パルスオキシメータを使用して取得され得る。酸素飽和レベルは、式２に従って計算することができ、式中、Ｋは一定の比例係数であり、Ｒは式３に従って定義される。
ＳｐＯ_２（％）＝Ｋ×Ｒ
（式２）

【数2】

【0087】

図１３は、例示的な実施形態による、ＳｐＯ_２特徴を生成するために使用される、２つのフォトプレチスモグラフィック波形のＡＣ及びＤＣ成分を示す。具体的には、図１３は、２つのフォトプレチスモグラフィック波形（「赤色信号」及び「ＩＲ信号」と標識される）のＡＣ及びＤＣ成分を示す。表７は、２つ以上のフォトプレチスモグラフィック波形から抽出可能であるＳｐＯ_２特徴及びそれらのそれぞれの対応する説明の要約されたリストを提供する。

【0088】

実験を通して、８つの特徴タイプ（表４の「＊＊」を参照）が、冠動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。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決定された特定の特徴のリストを、表１０Ｄに提供する。

【表8】

【0089】

例えば、Ｃｈｏ ｅｔ ａｌ．，“Ａ ｐｒｅｌｉｍｉｎａｒｙ ｓｔｕｄｙ ｏｎ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ（ＰＰＧ）ｓｉｇｎａｌ ａｎａｌｙｓｉｓ ｆｏｒ ｒｅｄｕｃｔｉｏｎ ｏｆ ｍｏｔｉｏｎ ａｒｔｉｆａｃｔ ｉｎ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ，”２０１２ ＩＥＥＥ－ＥＭＢＳ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｓｃｉｅｎｃｅｓ，Ｌａｎｇｋａｗｉ，ｐｐ．２８－３３（２０１２）に提供される説明によるものを含む、他のＳｐＯ_２関連特徴が生成されてもよい。

【0090】

実験結果及び例
特性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、又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性が開発された。

【0091】

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、特性／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。

【0092】

特色開発フェーズ内では、心臓血管系のプロパティ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、ＰＰＧ波形ベースの特徴又はパラメータを含む特性が開発された。対応する分類子も、分類モデル、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。単変量特性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）で使用する特性を識別した。機械学習訓練及び査定の更なる説明は、弁理士整理番号１０３２１－０４８ｐｖ１を有する、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ｎｏｎ－Ｉｎｖａｓｉｖｅｌｙ Ａｓｓｅｓｓ Ｅｌｅｖａｔｅｄ Ｌｅｆｔ Ｖｅｎｔｒｉｃｕｌａｒ Ｅｎｄ－Ｄｉａｓｔｏｌｉｃ Ｐｒｅｓｓｕｒｅ」と題された本明細書と同時に出願された米国仮特許出願に記載されており、参照によりその全体が本明細書に組み込まれる。

【0093】

単変量特徴選択評価は、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。

【0094】

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。

【0095】

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子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。

【0096】

表８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８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9】

【0097】

表９Ａ、表９Ｂ、表９Ｃは各々、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ＰＰＧ波形ベースの特徴のリストを示す。表９Ａ、表９Ｂ、及び表９Ｃの特徴並びに対応する分類子は、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10-1】

【表10-2】

【表11】

【表12-1】

【表12-2】

【0098】

表１０Ａ、１０Ｂ、１０Ｃ、及び１０Ｄは各々、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ＰＰＧ波形ベースの特徴のリストを示す。表１０Ａ、１０Ｂ、１０Ｃ、及び１０Ｄの特徴並びに対応する分類器は、有意な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13-1】

【表13-2】

【表14】

【表15-1】

【表15-2】

【表16】

【0099】

ある特定のＰＰＧ波形ベースの特徴が、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、本明細書に説明される心臓疾患又はコンディションに限定されないが、特に、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／又は重症度及び／又は局在化を推定する際に、これらのＰＰＧ波形ベースの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。

【0100】

実験結果は更に、ＰＰＧ波形ベースの特徴の中間データ又はパラメータもまた、診断並びに治療、制御、監視、及び追跡用途において臨床的有用性を有することを示す。

【0101】

例示的な臨床評価システム
図１４Ａは、一実施形態による、分類器（例えば、機械学習された分類器）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、ＰＰＧ波形ベースの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１４００（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～図１４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１４００）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１４Ａに更に例解され、臨床評価システム１４００は、疾患特異的アドオンモジュール１４０２（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１４００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１４０４）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１４００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。

【0102】

様々な実施形態では、臨床評価システム１４００の異なるバージョンは、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１４００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１４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、ＰＰＧ波形ベースの特定の特徴（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。

【0103】

図１４Ａでは、システム１４００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１４００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。

【0104】

ベースシステム１４０４は、各アドオンモジュール１４０２（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１４Ａの例に示されるようなベースシステム１４０４は、ベース分析エンジン又は分析器１４０６、ウェブサービスデータ転送ＡＰＩ１４０８（「ＤＴＡＰＩ」１４０８として示される）、報告データベース１４１０、ウェブポータルサービスモジュール１４１３、及びデータリポジトリ１１１（１１２ａとして示される）を含む。

【0105】

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１４０６若しくは１４１４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。

【0106】

ベース分析エンジン又は分析器１４０６は、（「ＳＱＡ」モジュール１４１６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１４０６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１４１８を介して示される）を実施してもよい。ウェブポータル１４１３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１４１３の例示的な出力は、視覚化１４３６によって示される。報告データベース（ＲＤ）１４１２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１４１３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１４１２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。

【0107】

アドオンモジュール１４０２は、ベース分析エンジン（ＡＥ）又は分析器１４０６と共に動作する第２の部分１４１４（本明細書では分析エンジン（ＡＥ）又は分析器１４１４とも称され、「ＡＥアドオンモジュール」１４１４として示される）を含む。分析エンジン（ＡＥ）又は分析器１４１４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１４２０、分類器モデル１４２４（「アンサンブル」モジュール１４２４として示される）、及び外れ値査定及び拒否モジュール１４２４（「外れ値検出」モジュール１４２４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、１４０６及び１４１４）は、単一分析エンジンモジュール内に実装されてもよい。

【0108】

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１４１４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１４１４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」１４２０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」１４２２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１４１４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１４２４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。

【0109】

臨床評価システム１４００は、ウェブサービスＤＴＡＰＩ１４０８（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。ＤＴＡＰＩ１４０８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、信号品質評価結果をデータリポジトリ１１２ａに格納することができる。ＤＴＡＰＩ１４０８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、１４０６、１４１４）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、ＤＴＡＰＩ１４０８を使用して、報告データベース１４１０に転送されてもよい。ＤＴＡＰＩ１４０８はまた、医療専門家による要求に応じて、ウェブポータルモジュール１４１３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、報告を医療施術者に提示してもよい。

【0110】

臨床評価システム１４００は、ＰＰＧ波形ベースの特徴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１４２６を含む。特徴ライブラリ１４２６は、アドオンモジュール１４０２（図１４Ａに示す）又はベースシステム１４０４（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１４１４によってアクセスされる。

【0111】

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。

【0112】

モジュール式臨床評価システムの例示的な動作
図１４Ｂは、例示的な実施形態による、図１４Ａの臨床評価システム１４００の分析エンジン又は分析器（例えば、１４０６及び１４１４）の動作及びワークフローの概略図を示す。

【0113】

信号品質査定／拒否（１４３０）。図１４Ｂを参照すると、基礎分析エンジン又は分析器１４０６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１４１６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（１４３０）。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１４１４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取得す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）。

【0114】

基本分析エンジン又は分析器１４０６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（１４３０）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（１４３０）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。

【0115】

特徴値計算（１４３２）。ＡＥアドオンモジュール１４１４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１４１４は、いくつかの実施形態では、ＰＰＧ波形ベースの特徴（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。

【0116】

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、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ｎｏｎ－Ｉｎｖａｓｉｖｅｌｙ Ａｓｓｅｓｓ Ｅｌｅｖａｔｅｄ Ｌｅｆｔ Ｖｅｎｔｒｉｃｕｌａｒ Ｅｎｄ－Ｄｉａｓｔｏｌｉｃ Ｐｒｅｓｓｕｒｅ」と題された２０２１年８月２３日出願の米国仮特許出願第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 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日に出願された「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、

【0117】

分類器出力計算（１４３４）。ＡＥアドオンモジュール１４１４は、次いで、分類器モデル（例えば、機械学習された分類器モデル）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１４１４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４に示されるように、分類器モデルの出力を平均する。

【数3】

【0118】

いくつかの実施形態では、機械学習器モデルは、「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。

【0119】

ＬＶＥＤＰアルゴリズムの例では、１３個の機械学習された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個の分類器モデルは、４つのＥｌａｓｔｉｃＮｅｔ機械学習分類器モデルと、４つのＲａｎｄｏｍＦｏｒｅｓｔＣｌａｓｓｉｆｉｅｒ機械学習分類器モデルと、５つの極端勾配ブースティング（ＸＧＢ）分類器モデルとを含む。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。

【0120】

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、

【数4】

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。

【0121】

医師ポータル視覚化（１４３６）。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１４３６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１４Ｂに示される例では、視覚化１４３６は、スコア要約セクション１４４０（「患者ＬＶＥＤＰスコア要約」セクション１４４０として示される）と、閾値セクション１４４２（「ＬＶＥＤＰ閾値統計」セクション１４４２として示される）と、頻度分布セクション１４４４（「頻度分布」セクション１４０８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。

【0122】

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。

【0123】

図１４Ｂの例に示されるスコア要約セクション１４４０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１４４０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写を表す。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。

【0124】

閾値セクション１４４２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。

【0125】

頻度分布セクション１４４４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母集団、及び（ｉｉ）偽陰性推定の可能性を示す上昇した母集団）における全ての患者の分布を例解する。グラフ（１４４６、１４４８）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。

【0126】

頻度分布セクション１４４０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１４４６（「非上昇ＬＶＥＤＰ集団」１４４６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１４４８（「上昇ＬＶＥＤＰ集団」１４４８として示される）とを含む。上昇したＬＶＤＥＰの査定の例では、第１のグラフ１４４６は、真陰性（ＴＮ）及び誤陽性（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１４４８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。

【0127】

頻度分布セクション１４４０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。

【0128】

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。

【0129】

外れ値査定及び拒否検出（１４３８）。ＡＥアドオンモジュール１４１４が（プロセス１４３２において）特徴値出力を計算した後、（プロセス１４３４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１４１４は、いくつかの実施形態では、特徴値出力の（プロセス１４３８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１４３８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１４３８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。

【0130】

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、制限的ではなく例示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ＰＰＧ波形ベースの特徴は、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、ＰＰＧ波形ベースの特徴を含む、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、急性疼痛及び／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。

【0131】

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。

【0132】

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国際公開第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ている。

【0133】

以下及び本明細書全体に記載されている以下の特許、出願、及び刊行物は、参照によりそれらの全体が本明細書に組み込まれる。

【0134】

参考文献のリスト
［１］Ｊ．Ｍ．Ｃｈｏ，Ｙ．Ｋ．Ｓｕｎｇ，Ｋ．Ｗ．Ｓｈｉｎ，Ｄ．Ｊ．Ｊｕｎｇ，Ｙ．Ｓ．Ｋｉｍ ａｎｄ Ｎ．Ｈ．Ｋｉｍ，“Ａ ｐｒｅｌｉｍｉｎａｒｙ ｓｔｕｄｙ ｏｎ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ（ＰＰＧ）ｓｉｇｎａｌ ａｎａｌｙｓｉｓ ｆｏｒ ｒｅｄｕｃｔｉｏｎ ｏｆ ｍｏｔｉｏｎ ａｒｔｉｆａｃｔ ｉｎ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ，”２０１２ ＩＥＥＥ－ＥＭＢＳ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｓｃｉｅｎｃｅｓ，Ｌａｎｇｋａｗｉ，２０１２，ｐｐ ２８－３３，ｄｏｉ：１０．１１０９／ＩＥＣＢＥＳ．２０１２．６４９８１４１．

【図1】

【図2】

【図3A】

【図3B】

【図4】

【図5】

【図6】

【図7】

【図8A】

【図8B】

【図9A】

【図9B】

【図9C】

【図9D】

【図10A】

【図10B】

【図10C】

【図11】

【図12】

【図13】

【図14A】

【図14B】

【誤訳訂正書】

【提出日】2024-04-23

【誤訳訂正1】

【訂正対象書類名】特許請求の範囲

【訂正対象項目名】全文

【訂正方法】変更

【訂正の内容】

【特許請求の範囲】

【請求項1】

対象の疾患状態、異常コンディション、又はいずれかの兆候を非侵襲的に査定する方法であって、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取得することであって、前記生物物理学的信号データセットは、１つ以上のフォトプレチスモグラフィック信号を含む、取得することと、
前記１つ以上のプロセッサによって、前記１つ以上のフォトプレチスモグラフィック信号の１つ以上の波形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つ以上の波形関連特性の前記決定された値に部分的に基づいて、前記疾患状態、異常コンディション、又はいずれかの兆候の存在の推定値を決定することであって、前記疾患状態、異常コンディション、又はいずれかの兆候の前記推定値は、予想される疾患状態、異常コンディション、又はいずれかの兆候の存在を非侵襲的に推定するためのモデルにおいて使用される、決定することと、を含み、
前記推定値は、その後、前記予想される疾患状態若しくはコンディションの診断に使用するために、又は前記予想される疾患状態、異常コンディション、若しくはいずれかの兆候の治療を方向付けるために出力される、方法。

【請求項2】

前記１つ以上の波形関連特性の値を決定する前記ステップは、
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から抽出された振幅関連特徴の１つ以上の値を決定することであって、前記１つ以上の振幅関連特徴は、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つにおいて決定された基準目印の統計的査定を含む特徴と、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つから導出された速度プレチスモグラフィック信号において決定された基準目印の統計的査定を含む特徴と、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つから導出された加速度プレチスモグラフィック信号において決定された基準目印の統計的査定を含む特徴と、からなる群から選択される特徴を含む、請求項１に記載の方法。

【請求項3】

前記１つ以上のフォトプレチスモグラフィック信号のうちの前記少なくとも１つにおいて決定された前記基準目印は、パルスベース目印、拡張期ピーク目印、収縮期ピーク目印、最小目印、ピークに近位の最小値目印を含む、請求項２に記載の方法。

【請求項4】

前記速度プレチスモグラフィック信号又は前記加速度プレチスモグラフィック信号において決定された前記基準目印は、パルスベース目印、ピーク目印、又は最小目印を含む、請求項２に記載の方法。

【請求項5】

前記統計的査定は、それぞれの信号の振幅の平均、それぞれの信号の前記振幅の標準偏差、それぞれの信号の最大振幅、それぞれの信号の最小振幅、及びそれぞれの信号における査定されたピークの最小振幅からなる群から選択される、請求項２～４のいずれか一項に記載の方法。

【請求項6】

前記１つ以上の波形関連特性の前記値を決定する前記ステップは、
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から抽出された持続時間関連特徴の１つ以上の値を決定することであって、前記１つ以上の振幅関連特徴は、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つにおいて決定された基準目印の拍動間持続時間の統計的査定を含む特徴と、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つから導出された前記速度プレチスモグラフィック信号において決定された基準目印の前記拍動間持続時間の統計的査定を含む特徴と、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つ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において決定された基準目印の前記拍動間持続時間の統計的査定を含む特徴と、からなる群から選択される特徴を含む、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つ以上の波形関連特性の値を決定する前記ステップは、
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から抽出された持続時間関連特徴の１つ以上の値を決定することを含み、前記１つ以上の振幅関連特徴は、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つにおいて決定された周期的拍動における基準目印間の持続時間の統計的査定を含む特徴と、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つから導出された速度プレチスモグラフィック信号において決定された周期的拍動における基準目印間の持続時間の統計的査定を含む特徴と、
前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つ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において決定された周期的拍動における基準目印間の持続時間の統計的査定を含む特徴と、からなる群から選択される特徴を含む、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つ以上の波形関連特性の値を決定する前記ステップは、
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から抽出された波形ジオメトリ関連特徴の１つ以上の値を決定することを含み、前記１つ以上の波形ジオメトリ関連特徴は、前記１つ以上のフォトプレチスモグラフィック信号のうちの少なくとも１つにおいて決定された基準目印の間で定義された１つ以上の三角形の波形幾何学的査定の統計的査定を含む、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つ以上の三角形は、
前記１つ以上のフォトプレチスモグラフィック信号のうちの前記少なくとも１つにおいて決定された前記パルスベース目印、前記収縮期ピーク目印、及び前記拡張期ピーク目印の間に画定された三角形からなる群から選択される、請求項８に記載の方法。

【請求項10】

前記１つ以上の波形関連特性の値を決定する前記ステップは、
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から抽出されたＳｐＯ_２関連特徴の１つ以上の値を決定することを含み、前記１つ以上のＳｐＯ_２関連特徴は、前記フォトプレチスモグラフィック信号のうちの少なくとも２つにおいて決定されたＡＣ成分とＤＣ成分との比として定義されるベクトルの統計的査定を含む、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、異常コンディション、又はいずれかの前記兆候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】

前記１つ以上の波形関連特性の値は、線形モデル、決定木モデル、ランダムフォレストモデル、サポートベクターマシンモデル、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搬関連特徴と、
１つ以上の脱分極波伝搬偏差関連特徴と、
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、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取得さ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取得さ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のいずれか一項に記載の方法を実施させる、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、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のいずれか一項に記載の方法を実施させる、非一時的コンピュータ可読媒体。

【誤訳訂正2】

【訂正対象書類名】明細書

【訂正対象項目名】全文

【訂正方法】変更

【訂正の内容】

【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 Ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｐｈｉｃ－Ｗａｖｅｆｏｒｍ Ｆｅａｔｕｒｅｓ Ｆｒｏｍ Ｂｉｏｐｈｙｓｉｃａｌ Ｓｉｇｎａｌｓ ｆｏｒ Ｕｓｅ ｉｎ Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｐｈｙｓｉｏｌｏｇｉｃａｌ Ｓｙｓｔｅｍｓ」と題された米国仮特許出願第６３／２３５，９７１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フォトプレチスモグラフィック波形ベースの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ＰＰＧ波形ベースの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。フォトプレチスモグラフィック波形は、皮膚を照射し、２つ以上の別個の波長における光吸収の変化を測定する、パルスオキシメータ又は類似機器を介して取得することができる。

【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査定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】

所与のフォトプレチスモグラフィック波形（「ＰＰＧ波形」）について、ＰＰＧ波形の一次導関数を計算して、速度プレシズモグラム（ＶＰＧ）波形（「ＶＰＧ波形」）を生成してもよく、ＰＰＧ波形の二次導関数を計算して、加速度プレシズモグラム（ＡＰＧ）波形（「ＡＰＧ波形」）を生成してもよい。ＰＰＧ波形ベースの特徴又はパラメータは、ＰＰＧ波形特徴若しくはパラメータ、ＶＰＧ波形特徴若しくはパラメータ、及び／又はＡＰＧ波形特徴若しくはパラメータを含み得る。ＰＰＧ波形ベースの特徴又はパラメータは、モデル又は分類器（例えば、機械学習された分類器）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、又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。いくつかの実施形態では、波形は周波数領域で分析することができる。

【0009】

例示的なシステムは、ＰＰＧ波形（複数可）並びにその対応するＶＰＧ及びＡＰＧ波形内の基準点を識別するために血行動態デリニエータを用いる。基準点の振幅属性又は基準点間の持続時間／幾何学的属性などの時間ドメイン内のＰＰＧ、ＶＰＧ、及びＡＰＧ波形特性を記述する波形（「線形」）特徴は、取得されたＰＰＧ信号データセットのみから（すなわち、他のソースからの情報を伴わずに）判定することができる。

【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。特性は、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性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、信号処理及び分類操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；駆出分画（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）左心室駆出分画（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、左心室拡張末期圧（ＬＶＥＤＰ）の上昇した、又は異常な圧力の存在である。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。例示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示す。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、ＰＰＧ波形ベースの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、及び臨床環境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、例示的な実施形態による、診断、治療、監視、又は追跡のための実際の用途において、ＰＰＧ波形ベースの特徴／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、例示的な実施形態による、診断、治療、監視、又は追跡のための実際の用途において、ＰＰＧ波形ベースの特徴／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、取得されたＰＰＧ信号（複数可）並びにその対応するＶＰＧ信号及びＡＰＧ信号の振幅に関連する属性を決定するように構成された例示的なＰＰＧ振幅特徴計算モジュールを例解する。

【図5】例示的な実施形態による、取得されたＰＰＧ信号並びにその対応するＶＰＧ及びＡＰＧ信号の持続時間に関連する属性を決定するように構成された例示的なＰＰＧ持続時間特徴計算モジュールを例解する。

【図6】例示的な実施形態による、取得されたＰＰＧ信号並びにその対応するＶＰＧ信号及びＡＰＧ信号の幾何学的属性を決定するように構成された例示的なＰＰＧ幾何学的特徴計算モジュールを例解する。

【図7】例示的な実施形態による、取得されたＰＰＧ信号のＳｐＯ_２関連属性を決定するように構成された例示的なＰＰＧ ＳｐＯ_２特徴計算モジュールを例解する。

【図8A】例示的な実施形態による、図４の特徴計算モジュール又は図５の特徴計算モジュールの例示的な方法を示す。

【図8B】例示的な実施形態による、図６の特徴計算モジュールの例示的な方法を示す。

【図9A】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図9B】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図9C】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図9D】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図10A】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図10B】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図10C】各々、例示的な実施形態による、とりわけ、図８Ａ又は図８Ｂの方法を行うための血行動態デリニエータの動作の様々な態様を示す。

【図11】例示的な実施形態による、ＰＰＧ持続時間特徴又はパラメータを決定する様々な態様を示す。

【図12】例示的な実施形態による、パラメータのＰＰＧの幾何学的特徴を決定する様々な態様を示す。

【図13】例示的な実施形態による、ＰＰＧ ＳｐＯ_２ 特徴又はパラメータを決定する態様を示す。

【図14A】例示的な実施形態による、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ために、他の計算された特徴の中でもＰＰＧ波形ベースの特徴又はパラメータを使用するように構成される、例示的臨床及び診断評価システムの概略図を示す。

【図14B】例示的な実施形態による、図１４Ａの例示的な臨床評価システムの動作の概略図を示す。

【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つ以上の各及び全ての組み合わせは、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、医療機器又はウェアラブルデバイスの制御において、又は監視アプリケーションにおいて（例えば、本明細書で考察されるＰＰＧ波形ベースの特徴、パラメータ、又は中間出力を報告するために）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、１つ以上の心臓信号（複数可）、神経信号（複数可）、バリストカルジオグラフィック信号（複数可）、及び／又はフォトプレチスモグラフィック信号（複数可）を含むが、これらに限定されないが、それはまた、情報が得られ得る任意の生物物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、ＰＰＧ波形ベースの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、機械学習された分類器）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ＰＰＧ波形ベースの特徴及び他のクラスの特徴の開発において使用され得る。

【0025】

本明細書に記載の例示的な分析及び分類子は、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左心室拡張末期圧（ＬＶＥＤＰ）値の上昇又は異常、いくつかの形態の心不全に関連する左心室駆出率（ＬＶＥＦ）値の異常、又は肺高血圧及び／又は肺動脈高血圧に関連する平均肺動脈圧（ｍＰＡＰ）値の上昇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子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）は共に、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、直交リードの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、他のリード構成（例えば、１１リード構成、１２リード構成など）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チスモグラフィック信号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。更に別の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リード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１４Ａ及び１４Ｂ参照）とを備える。査定システム１０３は、特性モジュール１１４及び分類モジュール１１６（例えば、ＭＬ分類モジュール）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、ＰＰＧ波形特徴モジュール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、ＰＰＧ波形ベースの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）に関連付けられるメトリックの出力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１４Ａ及び図１４Ｂ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、Ｎａｉｅｖｅ 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、臨床環境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番目のコモンモンドモードリファレンスリードである）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、任意の環境で使用され得る。

【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】

例示的な演算方法
図３Ａ～図３Ｂは各々、診断、治療、監視、又は追跡のための実際の用途において、ＰＰＧ波形ベースの特徴／パラメータ又はそれらの中間出力を使用するための例示的方法を示す。

【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、ＰＰＧ波形ベースの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）、異常な左心室駆出分画（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、ＰＰＧ、ＶＰＧ、及び／又はＡＰＧ波形における基準点の振幅、持続時間、及びジオメトリなどの波形属性を特徴付けるＰＰＧ波形ベースの特徴又はパラメータの値を決定するステップ（３０４）を更に含む。ＰＰＧ波形ベースの特徴又はパラメータの値を決定するための例示的動作は、本明細書で後に考察される図４～図１２に関連して提供される。方法３００ａは、決定されたＰＰＧ波形ベースの特徴の推定モデル（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１４Ａ及び１４Ｂに関して提供される。

【0043】

方法３００ａは、例えば、図１、図１４Ａ、及び図１４Ｂ、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】

ＰＰＧ波形ベースの特徴又はパラメータを使用する診断又はコンディション監視又は追跡。図３Ｂは、医療機器又は健康モニタリングデバイスのモニタリング又は制御のためにＰＰＧ波形ベースの特徴又は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）を取得するステップ（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】

方法３００ｂは更に、例えば、図４～図１２に関連して説明されるように、取得された生物物理学的データセットからＰＰＧ波形ベースの特徴又はパラメータを判定すること（３１０）を含む。判定は、移動ウィンドウにわたる連続的に取得された信号の分析に基づいてもよい。

【0046】

方法３００ｂは、ＰＰＧ波形ベースの特徴又はパラメータを（例えば、診断において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。本明細書で考察されるように、ＰＰＧ波形ベースの特徴又はパラメータは、ＰＰＧ、ＶＰＧ、又はＡＰＧ波形における基準点の振幅、持続時間、及びジオメトリなどの属性の特徴付けを提供することができる。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）を介してもよい。いくつかの実施形態では、出力は、移動カート又はカートトロリーなどのポイントオブケア監視を介してもよい。いくつかの実施形態では、出力は、蘇生システム、心臓若しくは肺ストレス試験機器、ペースメーカー、又は他の機器若しくは用途において使用されてもよい。

【0047】

ＰＰＧ波形特徴又はパラメータ
図４、図５、図６、及び図７は各々、例示的な実施形態による、ＰＰＧ波形特徴の値又は生物物理学的信号のパラメータを決定するように構成された合計４つの例示的なモジュールについて、例示的なＰＰＧ波形分析特徴計算モジュールを示す。ＰＰＧ振幅分析特徴計算モジュール４００は、ＰＰＧ、ＶＰＧ、及びＡＰＧ波形の複数のサイクルにわたる基準点（例えば、ピーク、ベース、最小）の振幅値の統計的属性（例えば、平均、標準偏差、最大、最小、及び／又は最小－最大）を計算することができる。ＰＰＧ持続時間分析特徴計算モジュール５００は、ＰＰＧ、ＶＰＧ、及びＡＰＧ波形の基準点（例えば、ピーク、ベース、最小値）間の持続時間値を計算することができ、それに対して統計的属性も決定され得る。ＰＰＧ幾何学的分析特徴計算モジュール６００は、ＰＰＧ、ＶＰＧ、及びＡＰＧ信号の基準点（例えば、ピーク、ベース、最小値）の間で定義される多角形のトポロジック値（例えば、角度）を計算することができる。ＰＰＧ ＳｐＯ_２分析特徴計算モジュール７００は、ＰＰＧ波形から酸素飽和度に関連する値を計算することができる。

【0048】

例＃１－ＰＰＧ、ＶＰＧ、ＡＰＧ振幅特徴
図４は、４つの例示的な特徴又はパラメータカテゴリのうちの第１のものとして、ＰＰＧ、ＶＰＧ、及びＡＰＧ波形の複数のサイクルにわたる基準点（例えば、ピーク、ベース、最小）の振幅値の統計的属性（例えば、平均、標準偏差、最大、最小、及び／又は最小－最大）を決定するように構成された例示的なＰＰＧ振幅分析特徴計算モジュール４００を例解する。下で考察される図８Ａは、モジュール４００の例示的な方法を示す。

【0049】

表１は、最大４５個の特徴又はパラメータを提供するための、それらの基準点及びそれらの対応する記述に基づく３つのタイプの抽出可能な波形振幅特徴の例示的なセットを示す。

【表1】

【0050】

表２Ａ及び表２Ｂは、（２つのＰＰＧ測定チャネルからの）２つのＰＰＧ波形に対する３０個のＰＰＧ波形ベースの特徴（「パラメータ」）の要約されたセットと、ＶＰＧ及びＡＰＧ波形の対応するセットに対する追加の６０個の特徴とを示す。表２Ａ及び表２Ｂにおいて、１７個の特徴タイプ（表２Ａ及び表２Ｂにおける「＊」を参照）が、少なくとも１つの心臓疾患又はコンディションの存在又は不在の査定（具体的には、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観察されている。実験を通して、２５個の特徴タイプ（表２Ａ及び表２Ｂの「＊＊」を参照）が、冠動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。異常な又は上昇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決定された特定の特徴のリストを、それぞれ、表９Ａ及び表１０Ａに提供する。

【表2】

【表3】

【0051】

図８Ａは、例示的な実施形態による、例えば、図４のＰＰＧ振幅特徴計算モジュール４００によって行われるような、ＰＰＧ波形ベースの特徴又はパラメータを生成するための方法８００を示し、これは、全体的又は部分的に使用され、ＰＰＧ波形ベースの特徴又はパラメータ及びその出力を生成し、機械学習された分類器において使用され、研究中の対象の生理学的システムに関連付けられたメトリックを判定することができる。表２Ａ及び表２Ｂの特徴を決定するために、モジュール４００は、いくつかの実施形態では、（ｉ）取得されたＰＰＧ信号を前処理し（８０２）、（ｉｉ）ＰＰＧ信号からＶＰＧ及びＡＰＧ波形を生成し（８０４）、（ｉｉｉ）ＰＰＧ、ＶＰＧ、及びＡＰＧ波形内の基準目印を決定し（８０６）、（ｉｖ）基準目印を使用して特徴又はパラメータ（例えば、振幅又は持続時間の特徴又はパラメータ）を抽出する（８０８）ように構成される。

【0052】

前処理動作（８０２）を実行するために、モジュール４００は、サブシグナリング、ダウンサンプリング、高周波雑音及び電力線干渉除去、並びにベースライン除去動作を実行し得る。ベースラインを除去するために、モジュール４０は、ハイパスフィルタ（例えば、０．３Ｈｚのカットオフ周波数を伴うハイパスフィルタ）を採用することができる。高周波雑音及び電力線干渉を除去するために、モジュール４００は、ローパスフィルタ（例えば、３０Ｈｚの通過帯域周波数、３５Ｈｚの停止帯域周波数、１ｄＢの通過帯域リッパー、及び８０ｄＢの停止帯域減衰をもつ、例えば、ローパスデジタルフィルタ）を採用することができる。モジュール４００はまた、平滑化動作（例えば、６点の中心移動平均を有する）を実施してもよい。

【0053】

ＶＰＧ及びＡＰＧ波形を生成するために（８０４）、モジュール４００は、（ｉ）吸収ＰＰＧ信号を生成するためにＰＰＧを反転させ、（ｉｉ）ＶＰＧ波形を生成するためにＰＰＧ波形の一次導関数演算を実行し、（ｉｉｉ）ＡＰＧ波形（例えば、吸収ＰＰＧ信号）を生成するためにＰＰＧ波形の二次導関数（又はＶＰＧ波形の一次導関数）を実施することができる。任意の数のＰＰＧ、ＶＰＧ、及び／又はＡＧＰ波形を分析することができる。

【0054】

ＰＰＧ（吸収性）波形、ＶＰＧ波形、及びＡＰＧ波形における基準目印を決定する（８０６）ために、モジュール４００は、（ｉ）ＰＰＧ（吸収性）波形におけるパルスベース目印、収縮期ピーク目印、及び拡張期ピーク目印などの目印若しくは基準点、並びに／又は（ｉｉ）ＶＰＧ波形若しくはＡＰＧ波形におけるピーク目印、最小目印、及びベース目印を検出するように構成された血行動態デリニエータを用いる。図９Ａは、ＰＰＧ波形の吸着性ＰＰＧ信号への例示的な変換を示す。図９Ｂは、ＰＰＧ波形における例示的なパルスベース目印（９０６）、拡張期ピーク目印（９０４）、及び収縮期ピーク目印（９０２）を示す。図９Ｃは、例示的な実施形態による例示的な血行動態デリニエータによって抽出され得るＶＰＧ波形（９１８及び９２０として示される）内の例示的なＶＰＧピーク目印（９１２）、ＶＰＧ最小目印（９１４）、及びＶＰＧベース目印（９１６）を示す。図９Ｄは、例示的な実施形態による例示的な血行動態的デリニエータによって抽出され得るＡＧＰ波形（９３０及び９３２として示される）における例示的なＡＰＧピーク目印（９２４）、ＡＰＧ最小目印（９２６）、及びＡＰＧベース目印（９２８）を示す。

【0055】

血行動態デリニエータ。図１０Ａ～図１０Ｃは各々、例示的な実施形態による、とりわけ、図８Ａの方法を実行するための血行動態デリニエータの動作の様々な態様である。図１０Ａは、ＰＰＧ波形を血行動態的に描出する方法を示す。図１０Ｂは、ＶＰＧ波形を血行動態的に描出する方法を示す。図１０Ｃは、ＡＰＧ波形を血行動態的に描出する方法を示す。

【0056】

フォトプレチスモグラフィック（ＰＰＧ）波形セグメント化。図１０Ａは、ＰＰＧ波形の基準目印を血行動態的に描出するためのモジュール４００の例示的な方法１０００の図である。図１０Ａでは、ステップ１００２に示すように、パルスベース目印（９０６）を検出することができ、ステップ１００４に示すように、収縮期ピーク目印（９０２）を検出することができ、ステップ１００６に示すように、拡張期ピーク目印（９０４）を検出することができる。

【0057】

ＰＰＧパルスベース（９０６）。図１０Ａを参照すると、方法１０００は、パルスベースが反転された時系列においてピークとして提示されるように、フォトプレチスモグラフィック信号を反転させること（１００８）を含む。次いで、方法１０００は、ピークを検出することができる（１０１０）。いくつかの実施形態では、ピークは、１２５ｍｓ（例えば、最小拍動持続時間の２５％に等しい、１２０ｂｐｍの心拍数で５００ｍｓ）の最小パルスを有するものとして定義される。次いで、方法１０００は、検出されたピークをフィルタリングすること（１０１２）を含み得る。いくつかの実施形態では、フィルタリング（１０１２）は、以下の基準を使用することができる。（ｉ）１２５ｍｓの最小パルス幅よりも小さい最小ピーク幅（ハーフプロミネンスにおける）、（ｉｉ）パルスベース値は常にゼロよりも小さくなるべきである（信号のＤＣ成分が除去されるので）、（ｉｉｉ）パルスベース値は、検出されたパルスベースの中央値から離れた１０個のスケーリングされた中央値絶対偏差（ＭＡＤ）よりも小さくなるべきである。方法１０００は、信号を再度反転させてその元の位置に戻すこと（１０１４）を含む。

【0058】

パルスベース（９０６）は、第２の１０を中心とし、ベースオンセット及びオフセットでパディングされた単一のサイクルを含む信号の２０秒セグメントを分離し、作成するために使用され得る。ＰＰＧパルスベース（９０６）が検出され、他の目印の検出に使用されてもよい。

【0059】

収縮期ピーク（９０２）：図１０Ａはまた、収縮期ピーク（９０２）を検出するステップ（１０１６）を示す。ピーク（９０２）は、１２５ｍｓの最小パルスで検出することができる（１０１６）。動作は、ベースパルス検出とは無関係に（例えば、パルスベース検出の前、後、又はそれと同時に）実施され得る。検出されたピークは、以下の基準、すなわち（ｉ）１２５ｍｓの最小パルス幅よりも小さい（半突出における）最小ピーク幅、及び（ｉｉ）検出されたパルスベースの中央値から離れた１０スケールの中央値絶対偏差（ＭＡＤ）よりも小さい収縮期ピーク値を使用してフィルタリングすることができる。最大フィルタを適用して、２つの連続するパルスベース内の検出されたピークの最大値を、対応する周期の収縮期ピークとして検出することができる。

【0060】

拡張期ピーク（９０４）：図１０Ａはまた、ＰＰＧ拡張期ピーク（９０４）を検出する方法１００６を示す。方法１００６は、サイクルｎにおけるＶＰＧ＿ｍｉｎ及びサイクルｎ＋１における連続するＰＰＧパルスベースのインデックスを使用してＰＰＧ信号をセグメント化すること（１０１８）を含む。方法１００６は、平滑化演算子（例えば、２０データポイントガウス加重移動平均フィルタ）を使用して、セグメント化されたＰＰＧを平滑化すること（１０２０）を含む。他の平均化フィルタを使用することができる。方法１００６は、平滑化されたＰＰＧ信号からＶＰＧ信号を決定すること（１０２２）と、決定されたＶＰＧ信号内のピークを検出すること（１０２２）とを含み得る。方法１００６は、極大値がセグメント化されたＶＰＧのインデックスの最初の５０％にあるという時間制約の適用によって、検出されたＶＰＧピークをフィルタリングすること（１０２４）を含み得る。いくつかの実施形態では、動作１０２４は、元のＰＰＧ（平滑化されていない）に適用される最大フィルタを採用して、平滑化されたＰＰＧ内の検出された拡張期ピークの周囲の極大値を探索し、拡張期ピークを決定することができる。

【0061】

ＶＰＧ ｍｉｎ（９１４）を決定するために、ＰＰＧ信号は、サイクルｎにおけるＰＰＧ収縮期ピーク（例えば、９０２）及びサイクルｎ＋１における連続するＰＰＧパルスベース（例えば、９０６）のインデックスを使用してセグメント化される。セグメント化されたＰＰＧは、例えば、２０データポイントガウス加重移動平均フィルタを用いて平滑化される。ＶＰＧ信号は、平滑化されたＰＰＧから導出され、反転されたＶＰＧのピークは、ピークファインダ演算子を使用して検出される。次いで、検出されたピークは、ＶＰＧ ｍｉｎがセグメント化されたＶＰＧのインデックスの最初の３０％で発生すべきであるという時間制約を適用することによってフィルタリングされる。元のＶＰＧ（平滑化されていない）に最大フィルタが適用され、平滑化されたＶＰＧにおいて検出されたＶＰＧ ｍｉｎの周囲の極小値が探索される。

【0062】

速度プレシズモグラム（ＶＰＧ）波形セグメント化。図１０Ｂは、例示的な実施形態による、図９Ｃに示されるようなＶＰＧ波形の基準目印を血行動態的に描出するためのモジュール４００の例示的な方法１０３０の図である。図１０Ｂにおいて、ＶＰＧピーク目印（９１２）は、ステップ１００２に示すように検出することができ、ＶＰＧ最小目印（９１４）は、ステップ１００４に示すように検出することができ、ＶＰＧベース目印（９１６）は、ステップ１００６に示すように検出することができる。

【0063】

ＶＰＧピーク（９１２）。ＶＰＧピーク目印を見つけるために（９１２）、方法１０３２は、ＰＰＧ上昇セグメントとも称されるＰＰＧ信号内の単調増加セグメントに対応するＰＰＧ信号からインデックスをセグメント化すること（１０３８）を含む。サイクルｎのＰＰＧ上昇セグメントは、サイクルｎにおけるＰＰＧパルスベースとサイクルｎ＋１における連続するＰＰＧ収縮期ピークとの間のデータ点として識別され得る。方法１０３２は、例えば、ＶＰＧ信号にわたるＰＰＧ上昇持続時間（ＰＰＧ上昇セグメントに関連するｍｓ単位の時間）の中央値の２５％の最小パルス幅で構成されたピークファインダ演算子を使用して、ＶＰＧピークを検出することができる（１０４０）。方法１０３２は、以下の基準を使用して検出されたピークをフィルタリングすることができる（１０４２）。（ｉ）（半突出における）最小ピーク幅は、ＶＰＧ最小パルス幅よりも小さく、（ｉｉ）ＶＰＧピーク値は、検出されたピークの中央値から離れた１０個のスケーリングされたＭＡＤよりも小さい。方法１０３２は、ＰＰＧ上昇セグメント内の検出されたピークの最大値を対応するサイクルのＶＰＧピークとして識別するために、最大フィルタを適用することができる（１０４２）。

【0064】

ＶＰＧ ｍｉｎを決定する（９１２）ために、方法１０３４は、サイクルｎにおけるＰＰＧ収縮ピーク（例えば、９０２）及びサイクルｎ＋１における連続するＰＰＧパルスベースのインデックスを使用して、ＰＰＧ信号をセグメント化すること（１０４４）を含む。方法１０３４は、例えば、２０データポイントのガウス加重移動平均フィルタを用いて、セグメント化されたＰＰＧを平滑化すること（１０４６）を含む。方法１０３４は、平滑化されたＰＰＧから反転ＶＰＧ信号を導出し（１０４８）、反転ＶＰＧのピークを検出する（１０４８）ことができる。ピークを検出するために、方法１０３４は、ＶＰＧ ｍｉｎがセグメント化されたＶＰＧのインデックスの最初の３０％で発生するという時間制約を有する検出されたピークをフィルタリングすることができる。方法１０３４は、元のＶＰＧ（平滑化されていない）に最大フィルタを適用して、平滑化されたＶＰＧにおいて検出されたＶＰＧ ｍｉｎの周りの極小値を探索することができる（１０５０）。

【0065】

ＶＰＧベース（９１６）。ＶＰＧベースを決定するために（９１６）、方法１０３６は、ＰＰＧ信号に対して実行される数値微分演算中に発生し得るＶＰＧ信号からベースラインを補正すること（１０５２）を含む。ベースライン補正（１０５２）は、ＶＰＧ波形の２０％パーセンタイルと５０％パーセンタイルとの間の値を有するデータ点を識別するためにＶＰＧ波形をパーセンタイルフィルタリングし、次いで、フィルタリングされたパーセンタイルＶＰＧの平均からＶＰＦ波形を減算することによって実施され得る。次いで、方法１０３６は、サイクルｎにおけるＶＰＧ ｍｉｎ（９１４）及びサイクルｎ＋１における連続したＶＰＧピークのインデックスを使用して、ベースライン補正されたＶＰＧをセグメント化することによって、ベースライン補正１０５２を完了することができる。ベースライン補正が完了すると、方法１０３６は、ＶＰＧのゼロ交差を通じてＶＰＧベースを決定してもよく（１０５４）、ここで、検出されたベースの中央値から離れた４スケールの中央値絶対偏差（ＭＡＤ）未満のＶＰＧベースが除去されてもよい。

【0066】

加速度プレシズモグラム（ＡＰＧ）波形セグメント化。上述したように、図１０Ｃは、例示的な実施形態による、図９Ｃに示すようなＡＰＧ波形の基準目印を血行動態的に描出するためのモジュール４００の例示的な方法１０６０の図である。図１０Ｃにおいて、ＡＰＧピーク目印（９２４）は、ステップ１０６２に示すように検出することができ、ＡＰＧ最小目印（９２６）は、ステップ１０６４に示すように検出することができ、ＡＰＧベース目印（９２８）は、ステップ１０６６に示すように検出することができる。

【0067】

ＡＰＧピーク（９２４）。ＡＰＧピーク（例えば、９２４）を決定するために、方法１０６２は、サイクルｎにおけるインデックスＰＰＧパルスベース（例えば、９０６）と、サイクルｎ＋１における連続するＰＰＧ収縮期ピーク（例えば、９０２）とを使用して、ＰＰＧ波形をセグメント化すること（１０６８）を含む。次いで、方法１０６２は、ＡＧＰピーク（９２４）を検出すること（１０７０）を含む。任意のピーク検出アルゴリズムを使用することができる。一例は、ＭａｔｈＷｏｒｋｓによってＭａｔｌａｂ（登録商標） Ｒ２０１９ａで製造された「ｆｉｎｄｐｅａｋ」関数である。セグメント内の検出されたピークの最大値が見出されるように最大フィルタが適用され（１０７２）、検出されたピークの中央値から離れた６つのスケーリングされたＭＡＤよりも大きい値を有するピークが除去され得る。

【0068】

ＡＰＧ ｍｉｎ（９２６）。ＡＰＧ ｍｉｎ（例えば、９２６）を決定するために、方法１０６４は、サイクルｎにおけるＰＰＧパルスベース（例えば、９０６）及びサイクルｎ＋１における連続するＰＰＧ収縮期ピーク（例えば、９０２）のインデックスを使用してＰＰＧ信号をセグメント化すること（１０７４）を含む。方法１０６４は、セグメント化されたＰＰＧを平滑化すること（１０７６）を含む。任意の平滑化演算子を使用することができる。一例は、ＭａｔｈＷｏｒｋｓによってＭａｔｌａｂ（登録商標） Ｒ２０１９ａで製造された平滑データ演算子である。平滑化演算子は、２０データポイントのガウス加重移動平均フィルタを用いることができる。方法１０６４は、平滑化されたＰＰＧから反転ＡＰＧ信号を導出し（１０７８）、反転ＡＰＧのピークを検出する（１０７８）ことができる。ピークを検出するために、方法１０６４は、ＡＰＧ ｍｉｎがセグメント化されたＡＰＧのインデックスの最初の７５％で発生するという時間制約を有する検出されたピークをフィルタリングすることができる。次いで、方法１０６４は、平滑化されたＡＰＧ内の検出された最小値の周りを探索することによって元のＡＰＧ（平滑化されていない）内の最小値を見つけるために、最小値フィルタを適用する（１０８０）。検出されたものの中央値から離れた６つを超えるスケーリングされたＭＡＤの値を有するＡＰＧ ｍｉｎは、除去され得る。

【0069】

ＡＰＧベース（９２８）。ＡＰＧベースを決定するために（９２８）、方法１０６６は、ＰＰＧ信号に対して実行される数値微分演算中に発生し得るＡＰＧ信号からベースラインを補正すること（１０８２）を含む。ベースライン補正（１０８２）は、ＡＰＧ波形の２５％パーセンタイルと７５％パーセンタイルとの間の値を有するデータ点を識別するためにＡＰＧ波形をパーセンタイルフィルタリングし、次いで、フィルタリングされたパーセンタイルＡＰＧの平均からＡＰＧ波形を減算することによって実施され得る。次いで、方法１０６６は、サイクルｎにおけるＡＰＧ ｍｉｎ（９２６）及びサイクルｎ＋１における連続したＡＰＧピークのインデックスを使用して、ベースライン補正されたＡＰＧをセグメント化することによって、ベースライン補正１０８２を完了することができる。ベースライン補正が完了すると、方法１０６６は、ＶＰＧのゼロ交差を通じてＡＰＧベースを決定することができ（１０８４）、ここで、検出されたベースの中央値から離れた４スケール中央絶対偏差（ＭＡＤ）未満のＶＰＧベースを除去することができる。

【0070】

例＃２－ＰＰＧ、ＶＰＧ、ＡＰＧ持続時間特徴。
図５は、４つの例示的な特徴又はパラメータカテゴリの第２のものとして、ＰＰＧ、ＶＰＧ、及びＡＰＧ波形の複数のサイクルにわたる基準点（例えば、ピーク、ベース、最小）の持続時間値の統計的属性（例えば、平均、標準偏差、最大、最小、及び／又は最小－最大）を決定するように構成された例示的なＰＰＧ持続時間分析特徴計算モジュール５００を例解する。図８Ａは、モジュール５００の例示的な方法を示す。

【0071】

表３は、１２個の抽出可能な波形持続時間特徴の例示的なセットと、３６個までの特徴又はパラメータを提供するためのそれらの対応する記述とを示す。

【表4】

【0072】

表４は、（２つのＰＰＧ測定チャネルからの）２つのＰＰＧ波形についての１２個のＰＰＧ波形ベースの特徴のセットと、ＶＰＧ及びＡＰＧ波形の対応するセットについての追加の２４個の特徴とを示す。表４において、３つの特徴（表４中の「＊」を参照）は、少なくとも１つの心臓疾患又はコンディションの存在又は不在の査定（具体的には、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観察されている。実験を通して、３つの特徴タイプ（表４の「＊＊」を参照）が、冠動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。異常な又は上昇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決定された特定の特徴のリストを、それぞれ、表９Ｂ及び表１０Ｂに提供する。

【表5】

【0073】

図８Ａはまた、例示的な実施形態による、例えば、図４のＰＰＧ持続時間特徴計算モジュール４００によって行われるような、ＰＰＧ波形ベースの特徴又はパラメータを生成するための方法８００を示し、これは、全体的又は部分的に使用され、ＰＰＧ波形ベースの特徴又はパラメータ及びその出力を生成し、機械学習された分類器において使用され、研究中の対象の生理学的システムに関連付けられたメトリックを判定することができる。特徴（中央値、標準偏差、尖度、最小値、最大値、最小－最大）を決定するために、描写されたＰＰＧ、ＶＰＧ、及びＡＰＧ波形におけるサイクルから計算された持続時間属性の分布が決定される。

【0074】

図１１は、例示的な実施形態による、複数の周期にわたる同様の基準目印間で定義された例示的な持続時間関連特徴（拍動間持続時間特徴又は拍動間持続時間特徴とも称される）を示す。図１１では、図９ＢのＰＰＧ波形９０８が、ウィンドウ１１０２及びウィンドウ１１０４と共に示されている。ウィンドウ１１０２において、収縮期ピーク間持続時間１１０６は、ＰＰＧ波形（ＰＰＧ収縮期ピーク間持続時間「ｄｉａｓＤｉｓｔ」とも称される）について、収縮期ピークｎ（９０２ａとして示される）と次の収縮期ピークｎ＋１（９０２ｂとして示される）との間に定義される。拡張期ピーク間持続時間１１０６はまた、拡張期ピークｎ（９０４ａとして示される）と次の拡張期ピークｎ＋１（９０４ｂとして示される）との間で定義される。パルスベースのピーク間持続時間１１１０は、パルスベースｎ（９０６ａとして示される）と次のパルスベースｎ＋１（９０６ｂとして示される）との間で定義される（ＰＰＧ拡張期ピーク間持続時間「ｄｉａｓＤｉｓｔ」及びＰＰＧパルスベースからパルスベースまでの持続時間とも称される）。

【0075】

図１１のウィンドウ１１０４において、収縮期ピークから拡張期ピークまでの持続時間１１１２は、ＰＰＧ波形（収縮期から拡張期までの持続時間「ｄｉａｓＤｉｓｔ＿ｌｅｆｔ」とも称される）の収縮期ピークｎ（９０２ｂとして示される）と拡張期ピークｎ（９０４ｂとして示される）との間に定義される。収縮期ピークからパルスベースまでの持続時間１１１４は、収縮期ピークｎ（９０２ｂとして示される）とパルスベースｎ（９０６ｂとして示される）との間に定義される（収縮期ピークからパルスベースまでの持続時間「ｐｕｌｓｅＤｉｓｔ＿ｌｅｆｔ」とも称される）。パルスベースから収縮期ピークまでの持続時間１１１６は、パルスベースｎ－１（９０６ａとして示される）と収縮期ピークｎ（９０２ｂとして示される）との間で定義される（それぞれ、収縮期ピークからパルスベースまでの持続時間「ｓｙｓｔｏｌｉｃＤｉｓｔ＿ｌｅｆｔ」及びパルスベースから収縮期ピークまでの持続時間「ｂａｓｅＤｉｓｔ＿ｌｅｆｔ」とも称される）。

【0076】

拍動内持続時間特徴の対応するセットは、ＶＰＧ波形及びＡＰＧ波形のピーク、最小値、及びベース目印の間で定義することができる（ＶＰＧ波形及びＡＰＧ波形について、ピークからベースまでの持続時間（「ｂａｓｅＤｉｓｔ＿ｌｅｆｔ」）、ピークから最小までの持続時間（「ｍｉｎＤｉｓｔ＿ｌｅｆｔ」）、及び最小からピークまでの持続時間（「ｐｅａｋＤｉｓｔ＿ｌｅｆｔ」）として表５に示す）。

【0077】

例＃３－波形ジオメトリ特徴
図６は、４つの例示的な特徴又はパラメータカテゴリの第３のものとして、ＰＰＧ、ＶＰＧ、及びＡＰＧ波形の複数のサイクルにわたる基準点（例えば、ピーク、ベース、最小）の間で定義された多角形のトポロジック値（例えば、角度）の統計的属性（例えば、平均、標準偏差、最大、最小、及び／又は最小－最大）を決定するように構成された例示的なＰＰＧ幾何学的分析特徴計算モジュール６００を例解する。下で考察される図８Ｂは、モジュール４００の例示的な方法を示す。

【0078】

表５は、最大１２個の特徴又はパラメータを提供するための、４つのタイプの抽出可能な波形トポロジック特徴及びそれらの対応する記述の例示的なセットを示す。

【表6】

【0079】

表６は、ＰＰＧ波形のための４つのＰＰＧ波形ベースの特徴のセットと、ＶＰＧ及びＡＰＧ波形の対応するセットのための追加の８つの特徴とを示す。表６において、全ての１２の特徴（表６における「＊」を参照）は、少なくとも１つの心臓疾患又はコンディションの存在又は不在の査定（具体的には、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観察されている。実験を通して、６つの特徴タイプ（表４の「＊＊」を参照）が、冠動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。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決定された特定の特徴のリストを、それぞれ、表９Ｃ及び表１０Ｃに提供する。

【表7】

【0080】

図８Ｂはまた、例示的な実施形態による、例えば、図６のＰＰＧ幾何学的特徴計算モジュール６００によって行われるような、ＰＰＧ波形ベースの特徴又はパラメータを生成するための方法８１０を示し、これは、全体的又は部分的に、ＰＰＧ波形ベースの特徴又はパラメータを生成するために使用されることができ、その出力は、機械学習分類器において使用され、研究中の対象の生理学的システムに関連付けられたメトリックを判定する。表６の特徴を決定するために、モジュール６００は、いくつかの実施形態では、（ｉ）取得されたＰＰＧ信号を前処理し（８０２）、（ｉｉ）ＰＰＧ信号からＶＰＧ及びＡＰＧ波形を生成し（８０４）、（ｉｉｉ）ＰＰＧ、ＶＰＧ、及びＡＰＧ波形内の基準目印を決定する（８０６）ように構成される。次いで、モジュール６００は、（ｉｖ）基準目印の中から三角形オブジェクトを決定し（８１０）、（ｖ）三角形オブジェクトを使用して特徴又はパラメータを抽出する（８１２）ことができる。

【0081】

図１２は、例示的な実施形態による、ＰＰＧ波形内の判定された基準目印のセットの間で定義される、三角形モデルを備える、例示的な波形ジオメトリモデルを示す。図１２では、代表的なＰＰＧ波形１２００（１２００ａ、１２００ｂ、及び１２００ｂとして示される）が生成される。代表的なＰＰＧ波形１２００は、平均収縮期ピーク１２０２、平均近傍収縮期ピーク１２０４、平均拡張期ピーク１２０６、平均パルスベース１２０８、及び平均近傍パルスベース１２１０を含む（波形は、例示の目的のためのみに示される）。図１２では、３つの三角形１２１２、１２１４、及び１２１６が、代表的な波形（１２００ａ～１２００ｃとして示される）内に生成される。

【0082】

１２００ａに関連付けられた波形では、第１の三角形１２１２は、平均収縮期ピーク１２０２、平均パルスベース１２０８、及び平均近傍パルスベース１２１０の間で定義される。１２００ｂに関連付けられた波形では、第２の三角形１２１４は、平均収縮期ピーク１２０２、平均近傍収縮期ピーク１２０４、及び平均パルスベース１２０８の間で定義される。１２００ｃに関連付けられた波形では、第３の三角形１２１６は、平均収縮期ピーク１２０２、平均拡張期ピーク１２０６、及び平均パルスベース１２０８の間で定義される。

【0083】

三角形（例えば、１２１２、１２１４、１２１６）の各々について、それぞれの三角形の角度（１２１８ａ、１２１８ｂ、１２１８ｃとして示される）及び面積が決定され得る。

【0084】

例＃４－ＰＰＧベースのＳｐＯ_２ 特徴又はパラメータ
図７は、４つの例示的な特徴又はパラメータカテゴリの第４のものとして、血液中の酸素レベルの尺度に関連付けられた属性を決定するように構成された例示的なＰＰＧ ＳｐＯ_２分析特徴計算モジュール７００を例解する。

【0085】

酸素飽和レベル（ＳｐＯ_２）は、式１によって与えられる血液中の酸素レベルの尺度である。

【数1】

【0086】

式１において、ＨｂＯ_２及びＨｂは、それぞれ、血液中のオキシヘモグロビン値及びデオキシヘモグロビン値である。式１の比は、２つのフォトプレチスモグラフィック波形のＡＣ及びＤＣ成分を抽出することによって、パルスオキシメータを使用して取得され得る。酸素飽和レベルは、式２に従って計算することができ、式中、Ｋは一定の比例係数であり、Ｒは式３に従って定義される。
ＳｐＯ_２（％）＝Ｋ×Ｒ
（式２）

【数2】

【0087】

図１３は、例示的な実施形態による、ＳｐＯ_２特徴を生成するために使用される、２つのフォトプレチスモグラフィック波形のＡＣ及びＤＣ成分を示す。具体的には、図１３は、２つのフォトプレチスモグラフィック波形（「赤色信号」及び「ＩＲ信号」と標識される）のＡＣ及びＤＣ成分を示す。表７は、２つ以上のフォトプレチスモグラフィック波形から抽出可能であるＳｐＯ_２特徴及びそれらのそれぞれの対応する説明の要約されたリストを提供する。

【0088】

実験を通して、８つの特徴タイプ（表４の「＊＊」を参照）が、冠動脈疾患の存在又は不在の査定において有意な有用性を有することも観察されている。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決定された特定の特徴のリストを、表１０Ｄに提供する。

【表8】

【0089】

例えば、Ｃｈｏ ｅｔ ａｌ．，“Ａ ｐｒｅｌｉｍｉｎａｒｙ ｓｔｕｄｙ ｏｎ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ（ＰＰＧ）ｓｉｇｎａｌ ａｎａｌｙｓｉｓ ｆｏｒ ｒｅｄｕｃｔｉｏｎ ｏｆ ｍｏｔｉｏｎ ａｒｔｉｆａｃｔ ｉｎ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ，”２０１２ ＩＥＥＥ－ＥＭＢＳ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｓｃｉｅｎｃｅｓ，Ｌａｎｇｋａｗｉ，ｐｐ．２８－３３（２０１２）に提供される説明によるものを含む、他のＳｐＯ_２関連特徴が生成されてもよい。

【0090】

実験結果及び例
特性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性が開発された。

【0091】

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、特性／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。

【0092】

特色開発フェーズ内では、心臓血管系のプロパティ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、ＰＰＧ波形ベースの特徴又はパラメータを含む特性が開発された。対応する分類子も、分類モデル、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。単変量特性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）で使用する特性を識別した。機械学習訓練及び査定の更なる説明は、弁理士整理番号１０３２１－０４８ｐｖ１を有する、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ｎｏｎ－Ｉｎｖａｓｉｖｅｌｙ Ａｓｓｅｓｓ Ｅｌｅｖａｔｅｄ Ｌｅｆｔ Ｖｅｎｔｒｉｃｕｌａｒ Ｅｎｄ－Ｄｉａｓｔｏｌｉｃ Ｐｒｅｓｓｕｒｅ」と題された本明細書と同時に出願された米国仮特許出願に記載されており、参照によりその全体が本明細書に組み込まれる。

【0093】

単変量特徴選択評価は、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。

【0094】

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。

【0095】

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子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。

【0096】

表８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８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9】

【0097】

表９Ａ、表９Ｂ、表９Ｃは各々、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ＰＰＧ波形ベースの特徴のリストを示す。表９Ａ、表９Ｂ、及び表９Ｃの特徴並びに対応する分類子は、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10】

【表11】

【表12】

【0098】

表１０Ａ、１０Ｂ、１０Ｃ、及び１０Ｄは各々、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ＰＰＧ波形ベースの特徴のリストを示す。表１０Ａ、１０Ｂ、１０Ｃ、及び１０Ｄの特徴並びに対応する分類器は、有意な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13-1】

【表13-2】

【表14】

【表15】

【表16】

【0099】

ある特定のＰＰＧ波形ベースの特徴が、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ＰＰＧ波形ベースの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。

【0100】

実験結果は更に、ＰＰＧ波形ベースの特徴の中間データ又はパラメータもまた、診断並びに治療、制御、監視、及び追跡用途において臨床的有用性を有することを示す。

【0101】

例示的な臨床評価システム
図１４Ａは、一実施形態による、分類器（例えば、機械学習された分類器）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、ＰＰＧ波形ベースの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１４００（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～図１４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１４００）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１４Ａに更に例解され、臨床評価システム１４００は、疾患特異的アドオンモジュール１４０２（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１４００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１４０４）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１４００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。

【0102】

様々な実施形態では、臨床評価システム１４００の異なるバージョンは、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１４００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１４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、ＰＰＧ波形ベースの特定の特徴（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。

【0103】

図１４Ａでは、システム１４００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１４００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。

【0104】

ベースシステム１４０４は、各アドオンモジュール１４０２（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１４Ａの例に示されるようなベースシステム１４０４は、ベース分析エンジン又は分析器１４０６、ウェブサービスデータ転送ＡＰＩ１４０８（「ＤＴＡＰＩ」１４０８として示される）、報告データベース１４１０、ウェブポータルサービスモジュール１４１３、及びデータリポジトリ１１１（１１２ａとして示される）を含む。

【0105】

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１４０６若しくは１４１４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。

【0106】

ベース分析エンジン又は分析器１４０６は、（「ＳＱＡ」モジュール１４１６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１４０６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１４１８を介して示される）を実施してもよい。ウェブポータル１４１３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１４１３の例示的な出力は、視覚化１４３６によって示される。報告データベース（ＲＤ）１４１２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１４１３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１４１２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。

【0107】

アドオンモジュール１４０２は、ベース分析エンジン（ＡＥ）又は分析器１４０６と共に動作する第２の部分１４１４（本明細書では分析エンジン（ＡＥ）又は分析器１４１４とも称され、「ＡＥアドオンモジュール」１４１４として示される）を含む。分析エンジン（ＡＥ）又は分析器１４１４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１４２０、分類器モデル１４２４（「アンサンブル」モジュール１４２４として示される）、及び外れ値査定及び拒否モジュール１４２４（「外れ値検出」モジュール１４２４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、１４０６及び１４１４）は、単一分析エンジンモジュール内に実装されてもよい。

【0108】

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１４１４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１４１４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」１４２０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」１４２２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１４１４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１４２４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。

【0109】

臨床評価システム１４００は、ウェブサービスＤＴＡＰＩ１４０８（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。ＤＴＡＰＩ１４０８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、信号品質評価結果をデータリポジトリ１１２ａに格納することができる。ＤＴＡＰＩ１４０８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、１４０６、１４１４）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、ＤＴＡＰＩ１４０８を使用して、報告データベース１４１０に転送されてもよい。ＤＴＡＰＩ１４０８はまた、医療専門家による要求に応じて、ウェブポータルモジュール１４１３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、報告を医療施術者に提示してもよい。

【0110】

臨床評価システム１４００は、ＰＰＧ波形ベースの特徴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１４２６を含む。特徴ライブラリ１４２６は、アドオンモジュール１４０２（図１４Ａに示す）又はベースシステム１４０４（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１４１４によってアクセスされる。

【0111】

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。

【0112】

モジュール式臨床評価システムの例示的な動作
図１４Ｂは、例示的な実施形態による、図１４Ａの臨床評価システム１４００の分析エンジン又は分析器（例えば、１４０６及び１４１４）の動作及びワークフローの概略図を示す。

【0113】

信号品質査定／拒否（１４３０）。図１４Ｂを参照すると、基礎分析エンジン又は分析器１４０６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１４１６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（１４３０）。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１４１４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取得す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）。

【0114】

基本分析エンジン又は分析器１４０６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（１４３０）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（１４３０）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。

【0115】

特徴値計算（１４３２）。ＡＥアドオンモジュール１４１４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１４１４は、いくつかの実施形態では、ＰＰＧ波形ベースの特徴（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。

【0116】

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、「Ｍｅｔｈｏｄ ａｎｄ Ｓｙｓｔｅｍ ｔｏ Ｎｏｎ－Ｉｎｖａｓｉｖｅｌｙ Ａｓｓｅｓｓ Ｅｌｅｖａｔｅｄ Ｌｅｆｔ Ｖｅｎｔｒｉｃｕｌａｒ Ｅｎｄ－Ｄｉａｓｔｏｌｉｃ Ｐｒｅｓｓｕｒｅ」と題された２０２１年８月２３日出願の米国仮特許出願第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 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日に出願された「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、

【0117】

分類器出力計算（１４３４）。ＡＥアドオンモジュール１４１４は、次いで、分類器モデル（例えば、機械学習された分類器モデル）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１４１４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４に示されるように、分類器モデルの出力を平均する。

【数3】

【0118】

いくつかの実施形態では、機械学習器モデルは、「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。

【0119】

ＬＶＥＤＰアルゴリズムの例では、１３個の機械学習された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個の分類器モデルは、４つのＥｌａｓｔｉｃＮｅｔ機械学習分類器モデルと、４つのＲａｎｄｏｍＦｏｒｅｓｔＣｌａｓｓｉｆｉｅｒ機械学習分類器モデルと、５つの極端勾配ブースティング（ＸＧＢ）分類器モデルとを含む。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。

【0120】

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、

【数4】

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。

【0121】

医師ポータル視覚化（１４３６）。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１４３６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１４Ｂに示される例では、視覚化１４３６は、スコア要約セクション１４４０（「患者ＬＶＥＤＰスコア要約」セクション１４４０として示される）と、閾値セクション１４４２（「ＬＶＥＤＰ閾値統計」セクション１４４２として示される）と、頻度分布セクション１４４４（「頻度分布」セクション１４０８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。

【0122】

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。

【0123】

図１４Ｂの例に示されるスコア要約セクション１４４０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１４４０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写を表す。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。

【0124】

閾値セクション１４４２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。

【0125】

頻度分布セクション１４４４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母集団、及び（ｉｉ）偽陰性推定の可能性を示す上昇した母集団）における全ての患者の分布を例解する。グラフ（１４４６、１４４８）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。

【0126】

頻度分布セクション１４４０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１４４６（「非上昇ＬＶＥＤＰ集団」１４４６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１４４８（「上昇ＬＶＥＤＰ集団」１４４８として示される）とを含む。上昇したＬＶＤＥＰの査定の例では、第１のグラフ１４４６は、真陰性（ＴＮ）及び誤陽性（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１４４８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。

【0127】

頻度分布セクション１４４０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。

【0128】

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。

【0129】

外れ値査定及び拒否検出（１４３８）。ＡＥアドオンモジュール１４１４が（プロセス１４３２において）特徴値出力を計算した後、（プロセス１４３４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１４１４は、いくつかの実施形態では、特徴値出力の（プロセス１４３８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１４３８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１４３８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。

【0130】

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、制限的ではなく例示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ＰＰＧ波形ベースの特徴は、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、ＰＰＧ波形ベースの特徴を含む、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。

【0131】

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。

【0132】

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国際公開第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ている。

【0133】

以下及び本明細書全体に記載されている以下の特許、出願、及び刊行物は、参照によりそれらの全体が本明細書に組み込まれる。

【0134】

参考文献のリスト
［１］Ｊ．Ｍ．Ｃｈｏ，Ｙ．Ｋ．Ｓｕｎｇ，Ｋ．Ｗ．Ｓｈｉｎ，Ｄ．Ｊ．Ｊｕｎｇ，Ｙ．Ｓ．Ｋｉｍ ａｎｄ Ｎ．Ｈ．Ｋｉｍ，“Ａ ｐｒｅｌｉｍｉｎａｒｙ ｓｔｕｄｙ ｏｎ ｐｈｏｔｏｐｌｅｔｈｙｓｍｏｇｒａｍ（ＰＰＧ）ｓｉｇｎａｌ ａｎａｌｙｓｉｓ ｆｏｒ ｒｅｄｕｃｔｉｏｎ ｏｆ ｍｏｔｉｏｎ ａｒｔｉｆａｃｔ ｉｎ ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ，”２０１２ ＩＥＥＥ－ＥＭＢＳ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｓｃｉｅｎｃｅｓ，Ｌａｎｇｋａｗｉ，２０１２，ｐｐ ２８－３３，ｄｏｉ：１０．１１０９／ＩＥＣＢＥＳ．２０１２．６４９８１４１．

【誤訳訂正3】

【訂正対象書類名】図面

【訂正対象項目名】全図

【訂正方法】変更

【訂正の内容】

【図1】

【図2】

【図3A】

【図3B】

【図4】

【図5】

【図6】

【図7】

【図8A】

【図8B】

【図9A】

【図9B】

【図9C】

【図9D】

【図10A】

【図10B】

【図10C】

【図11】

【図12】

【図13】

【図14A】

【図14B】

【国際調査報告】