用于分析潜在消融疗法的方法技术

本发明专利技术涉及一种用于经由控制系统(2)分析潜在消融疗法(1)的方法，特别地用于患有心房颤动的患者(P)，其中所述方法包括分析步骤(3)，其中控制系统(2)将经训练的机器学习模型(4)应用于输入数据(5)从而生成输出数据(6)，其中输入数据(5)包括从来自至少一个潜在消融疗法(1)的患者(P)的ECG数据(8)导出的电生物标记(7)，所述潜在消融疗法(1)包括具有潜在消融位置(10)的至少一个潜在消融事件(9)，其中所述输出数据(6)包括在将所述潜在消融疗法(1)应用于所述患者(P)之后所述电生物标记(7)的预测变化，其中所述预测变化经由所述经训练的机器学习模型(4)从所述输入数据(5)中导出。的机器学习模型(4)从所述输入数据(5)中导出。的机器学习模型(4)从所述输入数据(5)中导出。

【技术实现步骤摘要】
【国外来华专利技术】用于分析潜在消融疗法的方法


[0001]本专利技术涉及根据权利要求1的用于分析潜在消融疗法的方法，根据权利要求13的一般部分的其上存储有经训练的机器学习模型的计算机可读介质，根据权利要求14的被配置为执行所述方法的控制系统，以及根据权利要求15的手术系统。

技术介绍

[0002]目前方法特别涉及心房颤动的消融疗法。在电学上，心房颤动是心房的肌细胞的混乱激活。在心房颤动期间，心房仅最小地贡献于心脏的功能。因此，心房颤动降低了心脏的输出量，但并不是迫在眉睫的危险。然而，当变成慢性时，心房颤动与增加的发病率和死亡率相关。心房颤动的一种治疗选择是消融疗法。消融疗法是对允许电波重新进入的细胞的破坏以减少心房肌细胞的混乱激活。
[0003]消融疗法的成功率取决于消融的位置。在心房颤动的许多案例中，肺静脉入口周围的心房肌细胞被消融。虽然这种标准疗法对许多患者显示出良好的效果，但并不总是成功的。特别是用于患有复杂心房颤动或复发性心房颤动的患者，电波前和重入点的心房映射可用。然而，这种映射是复杂的，并且难以解释。因此，需要进一步的方法来识别和评估消融的潜在目标。
[0004]像EP3744282A2这样的已知方法使用机器学习算法来生成心脏消融治疗计划。然而，将机器学习应用于大量输入变量需要大的训练数据集。设计一种能够从相当不均匀的输入数据中生成通用治疗计划的机器学习架构是进一步困难的。虽然考虑大量的输入变量在理论上可以提高机器学习算法的精度，但是在实践中，通过考虑大量的消融疗法从零开始收集训练数据集是不可行的。
>[0005]其他已知方法(WO 2019/217430A1)涉及基于心脏的测量和功能模型来学习激活路径和治疗位置。函数模型是降低机器学习算法的复杂性和所需训练数据集的好方法。然而，对心房颤动的功能理解仍在进展中，并且将功能模型与机器学习算法相结合本身就是一项复杂的任务。

技术实现思路

[0006]因此，本专利技术的一个目的是提供一种用于以可管理的复杂性分析潜在消融疗法的方法，所述方法现实上是可训练和可用的。
[0007]权利要求1的方法解决了上述问题。
[0008]本专利技术的主要实现是用消融治疗的心脏的病理通常与电气故障有关。因此，它们由电测量的结果很好地描述。因此，有可能开发基于电数据(即ECG数据)的机器学习算法。通过从ECG数据导出电生物标记并使用经训练的机器学习模型来预测在应用潜在消融疗法之后电生物标记的变化，机器学习算法的复杂性显著降低。特别地，通过将焦点从试图使用大量数据来学习广泛定义的治疗的总体成功率转移开，在本专利技术中，用于机器学习模型的训练的成本函数的定义变得更容易管理。能够选择一个好的成本函数是成功应用机器学习
算法的关键。
[0009]另一个优点是，消融疗法之前和之后的电测量已经可用于相当多的患者。导出电生物标记的预测变化还允许将预测变化呈现给医生。这允许医生基于与医生的知识和经验配对的预测变化，为患者设计适当的整体治疗。这可以进一步增强整体治疗的质量以及医生和患者对所提出的方法的接受度。
[0010]详细地，提出了一种用于经由控制系统分析潜在消融疗法的方法，特别是用于具有心房颤动的患者，其中该方法包括分析步骤，在该分析步骤中，控制系统将经训练的机器学习模型应用于输入数据，从而生成输出数据，其中输入数据包括从来自至少一个潜在消融疗法的患者的ECG数据导出的电生物标记，所述潜在消融疗法包括具有潜在消融位置的至少一个潜在消融事件，其中所述输出数据包括在将所述潜在消融疗法应用于所述患者之后所述电生物标记的预测变化，其中所述预测变化经由所述经训练的机器学习模型从所述输入数据中导出。
[0011]根据权利要求2，输入数据可以主要由ECG导出的数据或ECG导出的数据和ECG数据构成，这进一步增强了上述优点。权利要求2还涉及分析输出数据以识别患者的潜在消融目标的可能性。电生物标记的预测变化可以是识别潜在消融目标和计划消融疗法的良好指示器。
[0012]权利要求3中提出了机器学习模型的训练步骤。训练数据集可以从可以回顾地标记的训练数据库导出。该数据库可以基于开放的或商业的数据库，从而大大增加了所提出的方法的可用性。
[0013]在根据权利要求4的实施例中，电生物标记可以由控制系统从训练数据库的ECG数据导出。
[0014]目前，对单个消融事件和整个消融疗法的生物标记响应是特别感兴趣的。在根据权利要求5的实施例中，可以在训练步骤中训练用于在应用潜在消融事件之一之后导出电生物标记的变化的第一模型和/或导出电生物标记的变化的第二模型。在一些情况下，单个消融事件可以具有明确定义的生物标记响应，而在其他情况下，消融疗法的生物标记响应由多于一个消融事件组成。对于后者，单个消融事件可能具有协同效应，这可以通过考虑整个消融疗法来看出。
[0015]权利要求6涉及第一和第二模型可以单独或联合应用特别地可以应用于不同的电生物标记的可能性。
[0016]在根据权利要求7的实施例中，训练数据集可以包括聚焦源消融事件。作为映射的结果的聚焦源消融更加具体，提供了更大范围的消融位置，并且使得能够通过所提出的方法识别潜在的聚焦源。
[0017]权利要求8涉及用于从ECG数据自动导出电生物标记的导出步骤。电生物标记可以通过非机器学习算法从ECG数据中导出。这里，已知的算法可以用于从ECG数据中导出多个电生物标记。特别地，在权利要求9中所述的那些被应用在所提出的方法中。然而，同样优选的是使用机器学习模型来导出一个或多个电生物标记。该机器学习模型可以是用于导出电生物标记的预测变化的机器学习模型的一部分，从而使得能够直接基于ECG数据进行预测。
[0018]在根据权利要求10的实施例中，特别是根据可用的训练数据集，考虑了主要使用训练数据库的消融疗法的最后消融事件或者使用贯穿消融疗法的消融事件的可能性。
[0019]权利要求11的实施例涉及通过使用输出数据来确定潜在消融疗法的分类，这也可以基于机器学习算法。此外，基于非机器学习算法的电生物标记的分析也可以用于分类。
[0020]根据权利要求12，该方法可以提供潜在消融疗法的分类的输出，特别是来自在线ECG数据测量。该输出可用于识别或验证潜在消融位置，甚至在手术期间。
[0021]同样重要的根据权利要求13的另一教导涉及一种其上存储有经训练的机器学习模型的计算机可读介质。关于所提出的方法，并且特别是关于训练步骤给出的所有解释都是完全适用的。
[0022]同样重要的根据权利要求14的另一教导涉及被配置为执行所提出的方法的控制系统。关于所提出的方法给出的所有解释是完全适用的。
[0023]同样重要的根据权利要求15的另一教导涉及一种手术系统，该手术系统连接到所提出的控制系统或者形成所提出的控制系统的一部分。关于所提出的方法给出的所有解释是完全适用的。
附图说明
[0024]下面，参照附图解释本专利技术的实施例。所述附图显示
[0025]图1示意性地示出了所提出的本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于经由控制系统(2)分析潜在消融疗法(1)的方法，特别地用于患有心房颤动的患者(P)，其中所述方法包括分析步骤(3)，其中控制系统(2)将经训练的机器学习模型(4)应用于输入数据(5)从而生成输出数据(6)，其中所述输入数据(5)包括从来自至少一个潜在消融疗法(1)的患者(P)的ECG数据(8)导出的电生物标记(7)，所述潜在消融疗法(1)包括具有潜在消融位置(10)的至少一个潜在消融事件(9)，其中所述输出数据(6)包括在将所述潜在消融疗法(1)应用于所述患者(P)之后所述电生物标记(7)的预测变化，其中所述预测变化是经由所述经训练的机器学习模型(4)从所述输入数据(5)中导出的。2.根据权利要求1所述的方法，其特征在于，所述输入数据(5)主要由ECG导出的数据构成，特别地由电生物标记(7)构成，或者，所述输入数据(5)主要由ECG导出的数据和ECG数据(8)构成，和/或，所述方法包括分析所述输出数据(6)以识别患者(P)的潜在消融目标。3.根据权利要求1或2所述的方法，其特征在于，所述经训练的机器学习模型(4)已经或在训练步骤(13)中由控制系统(2)对训练数据集(14)训练，优选地，所述训练数据集(14)从包括消融疗法数据(16)的训练数据库(15)中导出，所述消融疗法数据(16)包括消融疗法(1)和/或一个或多个消融事件(9)之前和之后确定的消融事件(9)和ECG数据(8)，更优选地，所述训练步骤(13)包括回顾性地标记训练数据库(15)，从而生成训练数据集(14)的至少一部分。4.根据权利要求3所述的方法，其特征在于，在消融疗法(1)和/或一个或多个消融事件(9)之前和之后，控制系统(2)至少部分地、特别是主要地或完全地从训练数据库(14)的ECG数据(8)中导出电生物标记(7)。5.根据权利要求3或4所述的方法，其特征在于，所述潜在消融疗法(1)包括具有不同消融位置(10)的至少两个潜在消融事件(9)，在所述训练步骤(13)中，所述控制系统(2)训练在应用所述潜在消融事件(9)之一之后导出所述电生物标记(7)的预测变化的第一模型(17)，和/或在应用所述潜在消融疗法(1)之后导出所述电生物标记(7)的预测变化的第二模型(18)。6.根据权利要求5所述的方法，其特征在于，在分析步骤(3)中，控制系统(2)将第一和/或第二模型(17、18)应用于输入数据(5)以导出电生物标记(7)的预测变化，优选地，在分析步骤(3)中，控制系统(2)将第一和第二模型(17、18)应用于电生物标记(7)的不同子集，以在一个或多个潜在消融事件(9)之后和潜在消融疗法(1)之后导出电生物标记(7)的预测子变化，并且控制系统(2)从电生物标记(7)的预测子变化导出预测变化。7.根据权利要求3至6中的一项所述的方法，其特征在于，训练数据集(14)中的消融疗法(1)主要包括至少一个聚焦源消融事件，优选地，训练数据集(14)包括主要包括聚焦源消融事件的消...

【专利技术属性】
技术研发人员：R，
申请(专利权)人：凯施远景私人有限公司，
类型：发明
国别省市：