用于心脏监测的间接感测机构制造技术

本公开涉及用于基于患者数据而检测患者健康状况变化的系统和技术。在一些示例中，一种医疗系统包括：机械传感器，该机械传感器被配置为感测患者的第一生理参数信号；和处理电路，该处理电路被配置为：确定该第一生理参数信号的一个或多个特征；将机器学习模型应用于该第一生理参数信号的该一个或多个特征；以及基于该机器学习模型的该应用，确定第二生理参数的估计值。数的估计值。数的估计值。

【技术实现步骤摘要】
【国外来华专利技术】用于心脏监测的间接感测机构
[0001]优先权要求
[0002]本申请要求于2021年3月19日提交的美国临时专利申请63/163,607号的权益，该美国临时专利申请的全部内容以引用方式并入本文。
[0003]政府资助
[0004]根据玛丽
·
居里(Marie Sklodowska
‑
Curie)拨款协议第764738号，导致本申请的项目已获得欧盟地平线2020(European Union's Horizon 2020)研究和创新计划的资助。


[0005]本公开总体涉及医疗系统，并且更具体地，涉及被配置为监测生理活动以了解患者健康状况变化的医疗系统。

技术介绍

[0006]一些类型的医疗系统可监测患者或一组患者的各种生理数据以检测健康状况的变化，例如通知治疗递送以改善患者的健康状况。生理数据可包括例如心脏电描记图(EGM)、活动或运动、心音或振动、氧饱和度和血压。作为示例，医疗系统可基于此类生理数据来监测心脏机电功能，并且控制治疗的递送以改善心脏机电功能，诸如心脏再同步化治疗(CRT)、植入式心律转复除颤器(ICD)治疗或用于心律失常的另一治疗。

技术实现思路

[0007]如本文所述的医疗系统和技术在植入患者体内的装置中提供实时护理，并且利用相对于被监测的身体部位为非侵入性的监测机构来增强该护理。在一个示例性医疗系统中，医疗装置(例如，起搏器)被植入到患者的胸部中以监测心脏活动，并且在一些示例中，递送治疗以校正该患者的异常心脏活动。示例性医疗系统可利用针对感兴趣的心血管功能(例如，心脏同步)的血液动力学测量来定义异常心脏活动。医疗装置(例如，CRT装置或ICD)可监测心电或机械活动以检测同步程度，并且如果需要，通过从CRT装置或ICD递送诸如除颤(即，电击处理)的治疗来改善同步。作为另一示例，医疗装置可经由血液动力学感测来监测心电或机械活动，并且基于用于某些血液动力学测量的一个或多个判据来递送抗心动过速起搏(ATP)。在其它示例中，ICD可采用血液动力学感测来参与针对威胁生命的心律失常或心脏骤停的电击处理。对于同步程度和血液动力学测量两者，传感器使得医疗装置能够捕获生理参数的信号数据。
[0008]然而，特别指示上述感兴趣的心血管功能的一些生理参数(诸如心腔中或动脉或静脉(例如，主动脉或肺静脉)中的压力)通常需要将传感器侵入式地定位在心脏左侧内的位置处。一些示例性医疗装置被配置为估计左心室(LV)压力或其它左侧心脏机械功能测量结果，而其它示例性医疗装置被配置为估计右心室(RV)压力、左心房(LA)压力、右心房(RA)压力。一个或多个示例性医疗装置可被配置为估计进入左心房(LA)的四个肺静脉中的一个或多个肺静脉或者四个冠状动脉中的一个或多个冠状动脉中的压力。为了最小化涉及与患
者心脏的相互作用的护理，医疗装置实现如本文所述的技术，该技术采用感测左侧或右侧心脏功能(诸如左心室压力)的机构，该机构相对于心脏左侧或右侧是非侵入性的。
[0009]在本公开中，医疗装置被配置有硬件以实现用于估计生理参数(诸如左心室压力)并且随后在一些功能中使用该估计的各种机器学习技术。在一个示例中，起搏器被配置有机器学习模型(例如，神经网络、决策树以及其它人工智能/机器学习算法)，该机器学习模型基于心内膜或心外膜机械感觉信号(例如，加速度计)而估计左心室压力测量结果及其导数。由于人类心脏的局限和敏感性，起搏器是相对小的装置，并且因此，受益于具有较低或可管理的资源足迹的医疗系统/技术。考虑到本文所述的医疗系统/技术的计算复杂性(或缺乏计算复杂性)，起搏器可实现本文所描述的机器学习技术，而无需过多关注任何资源负担。
[0010]上述机器学习技术的示例从机械感觉信号识别一组特征，并且应用模型(例如，作为基于决策树的模型)来估计左心室压力数据。在本公开中，该模型被设计并且随后被校准/训练以提供左心室压力测量结果的合理预测以记录当前或未来时间点。实现上述机器学习技术的示例性医疗装置不依赖于直接感测左心室压力并且保持预期的准确水平以防止错误，例如，当检测/校正异常心律时。由本公开的医疗系统/技术生成的包括压力测量结果和对应于患者的左心室压力的任何参数数据的传感器数据是准确的并且实时地且在请求时自动地可用(如果这样配置的话)。鉴于上文，本公开描述了一种整合到实际应用中的技术改进或技术解决方案。
[0011]在一个示例中，一种医疗系统包括机械传感器，该机械传感器被配置为感测患者的第一生理参数信号；和处理电路，该处理电路被配置为：确定第一生理参数信号的一个或多个特征，将机器学习模型应用于该第一生理参数信号的该一个或多个特征；并且基于机器学习模型的应用，确定第二生理参数的估计值。
[0012]在另一示例中，一种方法包括：确定由机械感觉感测的第一生理参数信号的一个或多个特征：将机器学习模型应用于该第一生理参数信号的该一个或多个特征；并且基于该机器学习模型的该应用，确定第二生理参数的估计值。
[0013]在另一示例中，一种医疗系统包括通信电路，该通信电路经由网络耦合到医疗装置；和处理电路，该处理电路被配置为：对患者群体或患者子组的心脏活动数据的语料库执行训练过程；基于该训练过程而生成机器学习模型，其中，该机器学习模型被配置为使用第一生理参数信号来确定第二生理参数的估计值；并且部署该机器学习模型以供在被配置为监测患者的心脏活动的医疗装置中使用。
[0014]本
技术实现思路
旨在提供对本公开中所描述的主题的概述。本
技术实现思路
并不旨在提供对以下附图和说明书内详细描述的系统、装置和方法的排他性或详尽解释。在附图和以下具体实施方式中阐述了本公开的一个或多个示例的进一步细节。根据说明书和附图以及权利要求，其他特征、目标和优点将是显而易见的。
附图说明
[0015]图1示出根据本公开的一个或多个示例的结合患者的示例性医疗系统的示例性环境。
[0016]图2是根据本公开的一个或多个示例的图1的示例性医疗系统中的IMD的概念图。
[0017]图3是示出根据本公开的一个或多个示例的图2的IMD的示例性配置的框图。
[0018]图4是示出根据本公开的一个或多个示例的图1的外部装置的示例性配置的功能框图。
[0019]图5是示出根据本公开的一个或多个示例的示例性系统的框图，该示例性系统包括接入点、网络、外部计算装置(诸如服务器)和一个或多个其它计算装置，该一个或多个其它计算装置可耦合到图1至图4的医疗装置和外部装置。
[0020]图6A是示出根据本公开的一个或多个示例的机器学习技术的第一阶段的流程图，该机器学习技术使得能够对生理参数进行侵入性较小的监测。
[0021]图6B和图6C是分别示出根据本公开的一个或多个示例的图6A的机器学习技术的第二阶段和第三阶段的流程图。
[0022]图7A是示出根据本公开的一个或多个示例的在云计算环境上运行的医疗系统的第一操作的流程图。
[0023]图7B是示出根据本公开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】1.一种医疗系统，所述医疗系统包括：机械传感器，所述机械传感器被配置为感测患者的第一生理参数信号；和处理电路，所述处理电路被配置为：确定所述第一生理参数信号的一个或多个特征；将机器学习模型应用于所述第一生理参数信号的所述一个或多个特征；以及基于所述机器学习模型的所述应用，确定第二生理参数的估计值。2.根据权利要求1所述的医疗系统，其中，所述机械传感器被配置为感测第一生理参数信号，所述第一生理参数信号包括对心脏运动数据进行编码的心内膜机械感觉信号或心外膜机械感觉信号中的至少一者。3.根据权利要求1或2所述的医疗系统，其中，所述机械传感器包括加速度计。4.根据权利要求1至3中任一项所述的医疗系统，其中，为了确定第二生理参数的所述估计值，所述处理电路被进一步配置为基于所述心内膜机械感觉信号或所述心外膜机械感觉信号而生成左心室压力测量结果的估计；并且/或者其中，为了确定第二生理参数的所述估计值，所述处理电路被进一步配置为基于所述心内膜机械感觉信号或所述心外膜机械感觉信号而计算左心室压力测量结果的一个或多个导数。5.根据权利要求1至4中任一项所述的医疗系统，其中，为了将机器学习模型应用于所述第一生理参数信号的所述一个或多个特征，所述处理电路被进一步配置为将所述机器学习模型应用于加速度计数据，并且基于所述机器学习模型的所述应用，确定心腔中的压力测量结果的估计值。6.根据权利要求1至5中任一项所述的医疗系统，其中，为了确定第二生理参数的估计值，所述处理电路被进一步配置为确定估计的压力数据。7.根据权利要求1至6中任一项所述的医疗系统，其中，所述处理电路被进一步配置为基于所述估计值与对应于所述第二生理参数的参考值的比较而更新所述机器学习模型；并且/或者其中，所述处理电路被进一步配置为通过对患者群体或患者子组的第一生理参数数据和第二生理参数数据的语料库执行训练过程来生成所述机器学习模型。8.根据权利要求1至7中任一项所述的...

【专利技术属性】
技术研发人员：P，
申请(专利权)人：美敦力巴肯研究中心有限公司，
类型：发明
国别省市：