【技术实现步骤摘要】
【国外来华专利技术】
本公开整体涉及医疗系统，并且更具体地涉及被配置成检测心脏事件的医疗系统。
技术介绍
1、一些类型的医疗系统可监测患者或一组患者的各种数据(例如，心脏电生理活动和信号)以检测健康状况变化。患者心脏的电活动可以在患者皮肤上或皮下地(经由心电图(ecg))以及在心脏自身内部(经由心脏电描记图(egm))被检测到。在一些示例中，医疗系统可监测egm数据和/或ecg数据以检测一个或多个类型的心律失常，诸如心动过缓、心动过速、纤颤或心搏停止(例如，由窦性停搏或av阻滞引起)。在一些示例中，医疗系统可包括可植入装置或可穿戴装置中的一者或多者以收集用于检测患者健康状况变化的各种测量。
技术实现思路
1、如本文所述的医疗系统和技术基于描述患者的生理机能(包括患者的心脏生理机能)的数据来检测患者的健康(例如，心脏健康)状况变化。包括各种医疗装置(例如，可植入装置、可穿戴装置等)中的任何一个或多个医疗装置的医疗系统根据模块化机器学习架构基于患者数据(例如，心脏活动数据，诸如心脏egm或ecg)的分类来检测特定类型的心脏事件(例如，心律失常)(例如，其证据)。如本文所述，医疗系统执行分类操作作为机器学习算法的一部分，并且基于该操作确定对心脏活动数据(例如，其样本)的心脏事件的适当分类(例如，类型)。
2、示例性医疗装置例如可以被植入到患者的身体中以便监测患者心脏的电活动，在此期间，植入的装置接收表示这种电活动的心脏egm信号作为输入。医疗装置可以基于心脏egm信号检测心脏事件，并且对于每个事件
3、模块化机器学习架构的模块表示用于分类操作的独立功能；特别地，模块化机器学习架构可以配置模块以对相应心脏事件类型进行分类，使得每个模块专用于对不同的心脏事件类型进行分类。另外，模块化机器学习架构将每个模块定义为部件模型的集成，并且在每个模块中，配置每个部件模型以对特定心脏事件类型进行分类，但是(例如，经由整合操作的应用)仅输出并且然后存储一个部件模型的预测值。整合操作可掩蔽该模块中的其他部件模型，致使丢弃它们的所得预测值。通过将来自模块的输出(以及因此到整个架构的第二整合操作的输入)限制为对应于每个模块中匹配该模块的相应心脏事件类型的部件模型的预测值，模块化机器学习架构将每个集成配置为模块化机器学习架构中的独立系统。
4、本公开包括本文描述的示例性医疗系统和技术通过实施模块化机器学习架构而实现的许多益处和优点。包括医疗装置的医疗系统受益于关于检测患者发生的心脏事件的发作的增加的准确性。作为优点，这样的医疗系统可以改善临床医生诊断和治疗患者的能力，并且因此改善患者的整体健康状况，以及特别地预防心脏事件。当在单独的计算系统上实施本文所述的分类操作和机器学习算法时，医疗装置还可以在不增加资源利用的情况下在事件检测中实现这样的改善，特别是在计算资源(例如，处理周期)和/或存储资源(例如，存储空间)的消耗、总成本和功耗方面。
5、医疗装置还可受益于远程监测服务(例如，云计算服务)。计算系统(例如，计算机服务器)可以通过网络(例如，因特网)运行远程监测服务，并且经由网络向患者的植入的医疗装置提供应用服务和/或数据服务。当特定心脏事件类型的部件模型的更新版本变得可用时(例如，在政府验证之后)，远程监测服务可以更新架构中该部件模型的预测未被掩蔽的对应模块。其他模块不需要更新，因为那些模块不依赖于更新后的部件模型。根据一个示例，当给定患者发作数据进行分类时，远程监测服务应用模块化机器学习架构的更新后的模块来确定是否将患者发作数据分类为特定心脏事件类型，并且(如果需要的话)应用其他模块来确定是否将患者发作数据分类为其他心脏事件类型。在另一个示例中，远程监测服务可以将更新后的模块传送到医疗装置以供该装置对患者发作数据进行分类；由于机器学习算法和架构的模块化性质，远程监测服务不需要更新和/或向医疗装置发送整个模块化机器学习架构。模块化机器学习架构中的每个模块的独立性使得远程监测服务能够发送仅由新机器学习模型的最小部分(例如，隐藏/中间神经网络层或神经网络集成分支)构成的更新。
6、在另一示例中，一种医疗系统包括：一个或多个传感器，该一个或多个传感器被配置成感测对应于患者的心脏生理机能的至少一个生理参数；感测电路，该感测电路被配置成基于感测到的生理参数生成患者生理数据，该患者生理数据包括该患者的心脏egm数据；和处理电路，该处理电路被配置成：根据模块化机器学习架构基于患者生理数据的分类来检测患者的心脏事件类型，其中模块化机器学习架构针对多个心脏事件类型中的每个心脏事件类型包括集成，该集成包括用于将心脏egm数据分类为多个心脏事件类型中的相应一个心脏事件类型的证据的当前部件模型；以及生成指示心脏事件类型的阳性检测的输出数据进行显示。
7、在另一示例中，被配置成运行用于多个医疗装置的远程监测服务的第二医疗系统包括：通信电路，该通信电路被配置成与对应于远程监测服务的医疗装置交换数据，其中该数据的一部分对应于模块化机器学习架构，医疗装置采用该模块化机器学习架构来将心脏egm数据分类为对应于多个心脏心律失常类型中的一个或多个心脏心律失常类型的心律失常发作的证据；和处理电路，该处理电路操作为执行用于远程监测服务的逻辑，其中该逻辑被配置成：将模块化机器学习架构的最新版本保持在存储装置中，其中模块化机器学习架构在每个模块中包括神经网络集成，该神经网络集成包括用于预测任何给定心脏egm样本指示相应心脏心律失常类型的可能性的当前神经网络和用于每个其他心脏心律失常类型的经掩蔽的神经网络；以及响应于对模块化机器学习架构的更新，经由通信电路向医疗装置部署对应于更新的新模块。
8、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书，其他特征、目标和优点将是显而易见的。
【技术保护点】
1.一种医疗系统，所述医疗系统包括：
2.根据权利要求1所述的医疗系统，所述医疗系统包括可植入装置、可穿戴装置、起搏器/除颤器或包括所述一个或多个传感器和所述感测电路的心室辅助装置(VAD)中的至少一者。
3.根据权利要求1所述的医疗系统，其中所述一个或多个传感器包括用于感测所述患者的心脏的电活动的一个或多个电极，其中所述感测电路被进一步配置成生成数据以记录表示所述电活动的数字化信号，其中所述处理电路被进一步配置成从记录所述数字化信号的所述数据识别一个或多个波形，将所述模块化机器学习架构应用于所述一个或多个波形，并且基于所述模块化机器学习架构的预测值来确定所述一个或多个波形是否指示所述心脏事件类型。
4.根据权利要求1所述的医疗系统，其中所述模块化机器学习架构的多个模块中的每个模块对相应心脏心律失常类型进行分类，并且在所述模块中，集成包括用于预测每个心脏心律失常类型的可能性的部件神经网络。
5.根据权利要求4所述的医疗系统，其中每个部件神经网络被配置成将所述心脏EGM数据分类为以下中的一者：心房纤颤、心房扑动、心房扑动和心房纤颤、房
6.根据权利要求4所述的医疗系统，其中每个部件神经网络包括被配置成确定多个心脏心律失常类型的相应值的神经网络集成，其中所述处理电路被进一步配置成仅基于所述模块的对应心脏心律失常类型的相应值来生成指示所述对应心脏心律失常类型的预测的数据。
7.根据权利要求1所述的医疗系统，其中为了检测所述心脏事件类型，所述处理电路被配置成利用远程监测服务来验证所述模块化机器学习架构具有用于将所述心脏EGM数据分类为所述相应心脏事件类型中的每个心脏事件类型的证据的当前架构和当前部件模型。
8.根据权利要求1所述的医疗系统，其中为了生成输出数据进行显示，所述处理电路被配置成生成指示跨越所述心脏事件类型的发生的所述心脏EGM数据的波形的输出数据。
9.根据权利要求1所述的医疗系统，其中所述处理电路被进一步配置成从远程监测服务接收对所述模块化机器学习架构的更新，其中所述更新包括新部件模型的新分支、所述新部件模型或具有所述新部件模型的新模块。
10.根据权利要求1所述的医疗系统，其中为了检测所述心脏事件类型，所述处理电路被配置成通过以下各项中的一项或多项来更新所述模块化机器学习架构：移除部件模型的至少一部分，修改部件模型的所述至少一部分，替换部件模型的所述至少一部分，将新部件模型添加到集成的所述部件模型，或者将新分支添加到所述部件模型中的一个部件模型。
11.根据权利要求1所述的医疗系统，其中为了检测所述心脏事件类型，所述处理电路被配置成将来自形成所述模块化机器学习架构的所述相应部件模型的预测进行组合，以确定是否将所述心脏EGM数据分类为心脏心律失常。
12.一种医疗系统，所述医疗系统被配置成运行用于多个医疗装置的远程监测服务，所述医疗系统包括：
13.根据权利要求12所述的医疗系统，其中所述更新包括新神经网络，所述新神经网络被配置成预测任何给定心脏EGM样本指示特定心脏心律失常类型的可能性，并且所述处理电路被进一步配置成经由所述通信电路将所述新神经网络传送到所述医疗装置。
14.根据权利要求13所述的医疗系统，其中所述处理电路被进一步配置成使用患者心脏活动数据来训练所述新神经网络。
15.根据权利要求13所述的医疗系统，其中所述处理电路被进一步配置成基于从特异性度量值和灵敏度度量值计算的几何平均值来验证所述新神经网络。
...【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：
2.根据权利要求1所述的医疗系统，所述医疗系统包括可植入装置、可穿戴装置、起搏器/除颤器或包括所述一个或多个传感器和所述感测电路的心室辅助装置(vad)中的至少一者。
3.根据权利要求1所述的医疗系统，其中所述一个或多个传感器包括用于感测所述患者的心脏的电活动的一个或多个电极，其中所述感测电路被进一步配置成生成数据以记录表示所述电活动的数字化信号，其中所述处理电路被进一步配置成从记录所述数字化信号的所述数据识别一个或多个波形，将所述模块化机器学习架构应用于所述一个或多个波形，并且基于所述模块化机器学习架构的预测值来确定所述一个或多个波形是否指示所述心脏事件类型。
4.根据权利要求1所述的医疗系统，其中所述模块化机器学习架构的多个模块中的每个模块对相应心脏心律失常类型进行分类，并且在所述模块中，集成包括用于预测每个心脏心律失常类型的可能性的部件神经网络。
5.根据权利要求4所述的医疗系统，其中每个部件神经网络被配置成将所述心脏egm数据分类为以下中的一者：心房纤颤、心房扑动、心房扑动和心房纤颤、房室传导阻滞、心室内传导延迟、期前收缩、室性期前收缩、房性期前收缩或房室交界收缩、心搏停止/停搏窦性心动过缓、窦性心律、窦性心动过速、室上性心动过速和心室纤颤。
6.根据权利要求4所述的医疗系统，其中每个部件神经网络包括被配置成确定多个心脏心律失常类型的相应值的神经网络集成，其中所述处理电路被进一步配置成仅基于所述模块的对应心脏心律失常类型的相应值来生成指示所述对应心脏心律失常类型的预测的数据。
7.根据权利要求1所述的医疗系统，其中为了检测所述心脏事件类型，所述处理电路被配置成利用远程监测服务来验证所述模块化机器学习架构具有用于将所述心脏egm数据分类为所述相应心脏事件类型中...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。