【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，涉及被配置为监测患者心脏健康风险的患者数据的医疗系统。
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，心电图(egm)和活动)以检测健康状况变化。在一些示例中，医疗系统可监测心脏egm以检测一种或多种类型的心律失常，诸如心动过缓、心动过速、纤颤或心搏停止(例如，由窦性暂停或av阻滞引起)。在一些示例中，医疗系统可包括可植入医疗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、本文所述的医疗系统和技术基于来自葡萄糖传感器的患者数据来检测患者的心血管事件风险。通常，在患者的葡萄糖水平和患者的心脏健康之间存在明确定义的关系。如本文所示，各种医疗装置(例如，可植入装置、可穿戴装置等)可被配置为监测患者葡萄糖传感器测量结果，并且一个或多个计算装置可检测与葡萄糖传感器测量结果相关的患者健康状况变化。已经发现，患者的葡萄糖传感器测量结果提供了对患者心脏健康的准确评估，并且监测这些葡萄糖水平提供了对患者健康状况变化的改进指示。
2、通过利用葡萄糖传感器来检测心血管事件的风险，本公开的系统、装置和技术可受益于改进的心血管事件风险检测，例如，相对于使用一个或多个其他患者参数而不考虑葡萄糖数据的检测。相对于基于单独参数的单独风险评估，使用集成诊断方法检测心血管事件的风险可降低系统复杂性并提供改进的检测。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。
3、在
4、在一个示例中，医疗系统包括处理电路，该处理电路能够通信地耦合到葡萄糖传感器并且被配置为生成患者的连续葡萄糖传感器测量结果。该处理电路还被配置为：在至少一个时间段内从这些连续葡萄糖传感器测量结果提取至少一个特征，其中该至少一个特征包括以下中的一者或多者：预定葡萄糖水平范围内的时间量、低血糖事件的数量、高血糖事件的数量、或者对应于这些连续葡萄糖传感器测量结果的一个或多个统计度量；将机器学习模型应用于所提取的至少一个特征，以产生指示心血管事件的风险的数据；并且基于该心血管事件的该风险生成输出数据。
5、在另一示例中，方法包括：在至少一个时间段内从患者的连续葡萄糖传感器测量结果提取至少一个特征，其中该至少一个特征包括以下中的一者或多者：预定葡萄糖水平范围内的时间量、低血糖事件的数量、高血糖事件的数量、或者对应于该连续葡萄糖传感器测量结果的一个或多个统计度量；将机器学习模型应用于所提取的至少一个特征，以产生指示心血管事件的风险的数据；和基于该心血管事件的该风险生成输出。
6、在另一示例中，非暂时性计算机可读存储介质包括程序指令，当由医疗系统的处理电路执行时，该程序指令使医疗系统：在至少一个时间段内从患者的连续葡萄糖传感器测量结果提取至少一个特征，其中该至少一个特征包括以下中的一者或多者：预定葡萄糖水平范围内的时间量、低血糖事件的数量、高血糖事件的数量、或者对应于这些连续葡萄糖传感器测量结果的一个或多个统计度量；将机器学习模型应用于所提取的至少一个特征，以产生指示心血管事件的风险的数据；以及基于该心血管事件的该风险生成输出。
7、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。
【技术保护点】
1.一种医疗系统，包括：
2.根据权利要求1所述的医疗系统，还包括葡萄糖监测器、心脏监测器或神经监测器，其中所述葡萄糖监测器、所述心脏监测器或所述神经监测器包括所述葡萄糖传感器，并且是可穿戴设备或植入物。
3.根据权利要求1或权利要求2所述的医疗系统，其中所述处理电路被配置为将所述机器学习模型应用于所提取的至少一个特征，以产生指示心脏炎症、心力衰竭、心律失常、由所述心血管事件导致的住院治疗或中风中的至少一者的风险的数据。
4.根据前述权利要求中任一项所述的医疗系统，其中所述处理电路被配置为应用所述机器学习模型，从而：
5.根据前述权利要求中任一项所述的医疗系统，其中所述一个或多个统计度量包括所述连续葡萄糖传感器测量结果的至少一个数据集的标准差、变异系数、平均值、中值、四分位距或最大变化率中的至少一者，其中所述至少一个数据集包括所述连续葡萄糖传感器测量结果的不同时间间隔。
6.根据前述权利要求中任一项所述的医疗系统，其中为了应用所述机器学习模型，所述处理电路被配置为：
7.根据前述权利要求中任一项所述的医疗系统
8.根据前述权利要求中任一项所述的医疗系统，其中所述至少一个特征包括至少一个第一特征，并且其中为了提取所述至少一个特征，所述处理电路被配置为：
9.一种方法，包括：
10.根据权利要求9所述的方法，其中将所述机器学习模型应用于所提取的至少一个特征以产生指示心血管事件的风险的数据包括：将所述机器学习模型应用于所提取的至少一个特征，以产生指示心脏炎症、心力衰竭、心律失常、由所述心血管事件导致的住院治疗或中风中的至少一者的风险的数据。
11.根据权利要求9或10所述的方法，其中所述一个或多个统计度量包括所述连续葡萄糖传感器测量结果的至少一个数据集的标准差、变异系数、平均值、中值、四分位距或最大变化率中的至少一者，其中所述至少一个数据集包括所述连续葡萄糖传感器测量结果的不同时间间隔。
12.根据权利要求9至11中任一项所述的方法，其中应用所述机器学习模型包括：确定所述预定葡萄糖水平范围内的所述时间量大于或等于第一阈值，所述高血糖事件的数量小于或等于第二阈值，以及所述连续葡萄糖传感器测量结果的数据集的标准差大于第三阈值、所述低血糖事件的数量大于第四阈值、或所述预定葡萄糖水平范围内的所述时间量大于第五阈值中的至少一者。
13.根据权利要求9至12中任一项所述的方法，其中应用所述机器学习模型包括：计算所述患者的葡萄糖水平引起所述心血管事件的似然概率，其中通过将所述似然概率包括在所述至少一个特征中、将所述似然概率包括为独立先验概率、或者调整所述心血管事件的至少一个先验概率中的至少一者，使所述似然概率包含在所述机器学习模型中。
14.根据权利要求9至13中任一项所述的方法，其中所述输出包括第一输出，并且其中生成所述输出还包括基于所述第一输出和对应于阻抗或心电图度量中的至少一者的数据生成指示所述心血管事件的所述风险的第二输出。
15.根据权利要求9至14中任一项所述的方法，其中提取至少一个特征还包括：从对应于阻抗或心电图度量中的至少一者的数据提取至少一个第二特征，其中所述至少一个第二特征包括阻抗、恢复速率、夜间心率、心率变异性、活动或心房纤颤(AF)参数中的至少一者。
...【技术特征摘要】
【国外来华专利技术】
1.一种医疗系统，包括：
2.根据权利要求1所述的医疗系统，还包括葡萄糖监测器、心脏监测器或神经监测器，其中所述葡萄糖监测器、所述心脏监测器或所述神经监测器包括所述葡萄糖传感器，并且是可穿戴设备或植入物。
3.根据权利要求1或权利要求2所述的医疗系统，其中所述处理电路被配置为将所述机器学习模型应用于所提取的至少一个特征，以产生指示心脏炎症、心力衰竭、心律失常、由所述心血管事件导致的住院治疗或中风中的至少一者的风险的数据。
4.根据前述权利要求中任一项所述的医疗系统，其中所述处理电路被配置为应用所述机器学习模型，从而：
5.根据前述权利要求中任一项所述的医疗系统，其中所述一个或多个统计度量包括所述连续葡萄糖传感器测量结果的至少一个数据集的标准差、变异系数、平均值、中值、四分位距或最大变化率中的至少一者，其中所述至少一个数据集包括所述连续葡萄糖传感器测量结果的不同时间间隔。
6.根据前述权利要求中任一项所述的医疗系统，其中为了应用所述机器学习模型，所述处理电路被配置为：
7.根据前述权利要求中任一项所述的医疗系统，其中所述处理电路被配置为基于从所提取的至少一个特征的所应用的机器学习模型所产生的数据以及基于所提取的至少一个特征和阻抗或心电图度量中的至少一者生成指示所述心血管事件的所述风险的所述输出数据。
8.根据前述权利要求中任一项所述的医疗系统，其中所述至少一个特征包括至少一个第一特征，并且其中为了提取所述至少一个特征，所述处理电路被配置为：
9.一种方法，包括：
10.根据权利要求9所述的方法，其中将所述机器学习模型应用于所提取的至少一个特征以产生指示心血管事件的风险的数据包括：将所述机器学习模型应用于...
【专利技术属性】
技术研发人员：K·D·莫希拉尔，M·D·埃根，N·俞，J·P·基恩，S·萨卡尔，R·C·舒尔豪瑟，D·L·普罗布斯特，M·R·布恩，K·A·蒂默曼，S·J·塔拉谢夫斯基，M·A·乔伊斯，A·P·迪克西，K·E·希尔皮什，K·A·米尔布兰特，L·M·齐默尔曼，M·L·普兰特，
申请(专利权)人：美敦力公司，
类型：发明
国别省市：
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。