JP7801111B2 - 心臓マッピングのための不整脈分類 - Google Patents

心臓マッピングのための不整脈分類

Info

Publication number
JP7801111B2
JP7801111B2 JP2021142259A JP2021142259A JP7801111B2 JP 7801111 B2 JP7801111 B2 JP 7801111B2 JP 2021142259 A JP2021142259 A JP 2021142259A JP 2021142259 A JP2021142259 A JP 2021142259A JP 7801111 B2 JP7801111 B2 JP 7801111B2
Authority
JP
Japan
Prior art keywords
beat
data
segments
clusters
biometric data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2021142259A
Other languages
English (en)
Other versions
JP2022042009A (ja
Inventor
スタニスラフ・ゴールドバーグ
マティットヤフ・アミット
シュムエル・アウアーバッハ
ヤリブ・アブラハム・アモス
ジョナサン・ヤーニットスキー
ロイ・ウルマン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Biosense Webster Israel Ltd
Original Assignee
Biosense Webster Israel Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Biosense Webster Israel Ltd filed Critical Biosense Webster Israel Ltd
Publication of JP2022042009A publication Critical patent/JP2022042009A/ja
Application granted granted Critical
Publication of JP7801111B2 publication Critical patent/JP7801111B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/367—Electrophysiological study [EPS], e.g. electrical activation mapping or electro-anatomical mapping
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/06—Devices, other than using radiation, for detecting or locating foreign bodies ; Determining position of diagnostic devices within or on the body of the patient
    • A61B5/061—Determining position of a probe within the body employing means separate from the probe, e.g. sensing internal probe position employing impedance electrodes on the surface of the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/06—Devices, other than using radiation, for detecting or locating foreign bodies ; Determining position of diagnostic devices within or on the body of the patient
    • A61B5/061—Determining position of a probe within the body employing means separate from the probe, e.g. sensing internal probe position employing impedance electrodes on the surface of the body
    • A61B5/063—Determining position of a probe within the body employing means separate from the probe, e.g. sensing internal probe position employing impedance electrodes on the surface of the body using impedance measurements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/25—Bioelectric electrodes therefor
    • A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
    • A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
    • A61B5/283—Invasive
    • A61B5/287—Holders for multiple electrodes, e.g. electrode catheters for electrophysiological study [EPS]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/339—Displays specially adapted therefor
    • A61B5/343—Potential distribution indication
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/363—Detecting tachycardia or bradycardia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00315—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for treatment of particular body parts
    • A61B2018/00345—Vascular system
    • A61B2018/00351—Heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00571—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body for achieving a particular surgical effect
    • A61B2018/00577—Ablation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/00839—Bioelectrical parameters, e.g. ECG, EEG
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Cardiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Human Computer Interaction (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Urology & Nephrology (AREA)
  • Otolaryngology (AREA)
  • Computer Networks & Wireless Communication (AREA)

Description

（関連出願の相互参照）
本出願は、２０２０年９月０１日に出願された米国仮特許出願第６３／０７３２１７号及び２０２０年１０月１２日に出願された米国仮特許出願第６３／０９０４９４号の利益を主張する。両方の開示は、それらの全体が参照により本明細書に組み込まれる。
電気生理学的（electrophysiology、ＥＰ）処置は、異常な心拍又は不整脈を診断するために使用される心臓の電気的活動の評価である。ＥＰ処置は、体表面電極又は心臓内電極（電気的活動を測定するためにカテーテルが血管を通して心臓に挿入される）を利用することによって実施することができる。ＥＰ処置は、測定された電気的活動に基づいて生成される心臓画像を提供し、心臓画像は、心臓組織、心腔、静脈、動脈及び／又は経路の画像を含む。従来の心臓画像は、電位の測定によって心臓の電気的活動を視覚化することができ、様々な組織位置における拍動（不整脈によって生成された伝播パルス）の電圧、即ち電圧マップを提示する。心臓画像はまた、局所的活性化時間（local activation times、ＬＡＴ）の測定によって電気的活動を視覚化することができ、様々な組織位置への拍動の到達時間、即ちＬＡＴマップを提示する。
心臓イメージングの固有の仮定は、心臓イメージングによって捕捉された電気的活動を生成する不整脈の種類が急速に変化しないということである。しかし、実際には、ＥＰ処置の間、患者は、その性質を急速且つ自発的に変化させる不整脈に耐える場合がある。したがって、心臓マッピング（電圧マッピング又はＬＡＴマッピングのいずれか）は、異なる不整脈種類によって生じた拍動からのデータの視覚化を含むことができる。このような誤った心臓マッピングは、不整脈状態の臨床解釈に影響を及ぼす。
ＥＰ処置の間、心臓画像がそれぞれ、１つのクラスの不整脈によって生成された電気的活動を視覚化することを保証するために、信頼できる技術が必要とされる。
本出願の態様は、心臓マッピングのための方法を開示する。本明細書に開示される方法は、患者から取得された生体計測データを受信することと、生体計測データから拍動セグメントを抽出することと、拍動セグメントをクラスタに分類することであって、各クラスタが不整脈種類を表す、ことと、拍動セグメントが閾値数を下回る数のクラスタに分類されることに応答して、クラスタのうちの１つにおける拍動セグメントに関連付けられたデータに基づいて少なくとも１つのマップを生成することとを含む。
本出願の態様は、心臓マッピングのためのシステムを更に開示する。本明細書に開示されるシステムは、少なくとも１つのプロセッサ及び命令を格納するメモリを含む。命令は、少なくとも１つのプロセッサによって実行されると、システムに、患者から取得された生体計測データを受信させ、生体計測データから拍動セグメントを抽出させ、拍動セグメントを、それぞれが不整脈種類を表すクラスタに分類させ、拍動セグメントが閾値数を下回る数のクラスタに分類されることに応答して、クラスタのうちの１つにおける拍動セグメントに関連付けられたデータに基づいて少なくとも１つのマップを生成させる。
更に、本出願の態様は、心臓マッピングのための方法を実行するために少なくとも１つのプロセッサによって実行可能な命令を含む非一時的なコンピュータ可読媒体を開示する。本明細書に開示される方法は、患者から取得された生体計測データを受信することと、生体計測データから拍動セグメントを抽出することと、拍動セグメントをクラスタに分類することであって、各クラスタが不整脈種類を表す、ことと、拍動セグメントが閾値数を下回る数のクラスタに分類されることに応答して、クラスタのうちの１つにおける拍動セグメントに関連付けられたデータに基づいて少なくとも１つのマップを生成することとを含む。
より詳細な理解は、添付の図面と併せて例として示される以下の説明より得ることができ、図中の同様の参照番号は、同様の要素を示す。
例示的な心臓システムの図であり、これに基づいて本開示の１つ以上の特徴を実装することができる。 図１の例示的心臓システムによって展開可能な例示的システムのブロック図であり、これに基づいて本開示の１つ以上の特徴を実装することができる。 クラスタによるデータの心臓マッピングのための例示的システムの機能ブロック図であり、これに基づいて本開示の１つ以上の特徴を実装することができる。 クラスタによるデータの心臓マッピングのための例示的方法のフローチャートであり、これに基づいて本開示の１つ以上の特徴を実装することができる。 拍動特性に基づいて拍動セグメントをクラスタに分類するための例示的な方法のフローチャートであり、これに基づいて本開示の１つ以上の特徴を実装することができる。 例示的なクラスタリング方法の図であり、これに基づいて本開示の１つ以上の特徴を実装することができる。 不整脈種類の予測に基づいて拍動セグメントをクラスタに分類するための例示的な方法のフローチャートであり、この方法は、予測子の訓練方法を含み、これに基づいて本開示の１つ以上の特徴を実装することができる。 不整脈種類の予測に基づいて拍動セグメントをクラスタに分類するための例示的な方法のフローチャートであり、この方法は、訓練された予測子の適用方法を含み、これに基づいて本開示の１つ以上の特徴を実装することができる。 例示的な機械学習システムの機能ブロック図であり、これに基づいて本開示の１つ以上の特徴を実装することができる。
本明細書では、クラスタによるデータの心臓マッピングのためのシステム及び方法が開示される。クラスタは、例えば、不整脈種類又は心電図（ＥＣＧ）データ特性に基づいて形成することができる。次に、クラスタに関連付けられたデータを使用して、不整脈種類又はクラスタに関連付けられたＥＣＧデータ特性に対応する電気的活動を視覚化する心臓マップを作成することができる。本明細書の態様において、ＥＰ処置の間に患者から測定された生体計測データ（例えば、体表面（ＢＳ）ＥＣＧデータ、心内心電図（ＩＣ）ＥＣＧデータ、アブレーションデータ、及びカテーテル電極位置データを含む）が処理される。ＥＣＧデータから抽出された拍動セグメントは、それらを生成した不整脈種類に基づいてクラスタに分類される。拍動セグメントは、予測された不整脈種類又は拍動特性に基づいてクラスタに分類することができる。したがって、不整脈クラスタに対応する心臓マップを生成することができ、即ち、クラスタに関連付けられた生体計測データを各心臓マップで視覚化することができる。
図１は、例示的な心臓システム１００の図であり、これに基づいて本開示の１つ以上の特徴を実装することができる。システム１００は、医師（又は医療専門家）１１５によって実施される心臓処置の間に表面１３０上に横たわっていることが示されている患者１２５の心臓１２０に関連する生体計測データを収集、処理、及び視覚化するために使用することができる。システム１００は、コンソール１６０及びディスプレイ１６５に接続されたプローブ１１０を含むことができる。プローブ１１０は、カテーテル１０５（少なくとも１つの電極１０６を有する）、シャフト１１２、シース１１３、及びマニピュレータ１１４を含み得る。挿入図１５０は、カテーテル１０５を拡大図で示し、挿入図１４０は、心臓１２０の心腔内のカテーテル１０５を示す。システム１００の各要素及び／又はアイテムは、その要素及び／又はそのアイテムの１つ以上を表すことに留意されたい。図１に示されるシステム１００の例は、本明細書に開示される態様を実施するために修正されてもよい。本明細書に開示される態様は、他のシステム構成要素及び設定を使用して同様に適用することができる。
システム１００は、本明細書に開示される態様に従って、心臓状態を検出、診断、及び治療するために利用され得る。心不整脈などの心臓状態は、特に老年人口において一般的且つ危険な病状として存続する。正常洞調律の患者では、心臓（心房、心室、及び興奮性伝導組織を含む）が電気的に興奮して、同期してパターン化された形で拍動する。この電気的興奮は、心内信号として検出することができる。心不整脈を有する患者では、心臓組織の異常な領域は、正常洞律動の患者のように、正常な伝導組織に関連する同期拍動サイクルに従わない。心不整脈を有する患者では、心臓組織の異常な領域が隣接する組織に異常に伝導し、それにより心臓周期が乱れて非同期の心臓リズムとなる。この非同期の心臓リズムは、心内信号を介して検出することもできる。このような異常な伝導は、心臓の様々な領域、例えば、洞房（ＳＡ）結節の領域、房室（ＡＶ）結節の伝導経路に沿って、又は心室及び心房の心腔の壁を形成する心筋組織において発生することが以前から知られている。
カテーテル１０５は、体内器官（例えば、心臓１２０）の電気信号を含む生体計測データを取得し、及び／又は心臓１２０の心腔の組織領域を切除するように構成されてもよい。カテーテルの電極１０６は、追跡コイル、圧電変換器、電極、又は組織領域を切除するか又は心臓に関連する生体計測データを取得するように構成され得る要素の組み合わせなどの任意の要素を表すことができる。例えば、カテーテル１０５は、その電極１０６を使用して、血管内超音波及び／又はＭＲＩベースの画像を生成することができる。別の例では、カテーテル１０５は、心臓組織をエネルギーで標的化することによってそれらの組織を切除するために使用され得る。エネルギーは、熱エネルギーであってもよく、また、組織領域の表面から始まり、これらの組織領域の厚さまで広がる組織領域に損傷を引き起こす可能性がある。
システム１００のコンソール１６０は、プロセッサ１６１、メモリ１６２、及びＩ／Ｏインタフェース１６３を含むことができる。プロセッサ１６１は、本明細書に記載の態様による、不整脈予測子の訓練及び適用に関連するソフトウェアモジュールを実行するように構成された１つ以上のプロセッサ１６１を表すことができる。メモリ１６２は、ソフトウェアモジュールの実行に関連するコンピュータ命令及びデータの格納を容易にすることができる任意の非一時的な有形媒体を表すことができる。一態様では、不整脈予測子の訓練及び適用に関連する１つ以上のソフトウェアモジュールの実行は、コンソール１６０の外部、例えば、カテーテル１０５又は他の外部デバイス（例えば、モバイルデバイス、クラウドベースのデバイス、又はスタンドアロンプロセッサ）内であり得る。このような場合、１つ以上のソフトウェアモジュールは、ネットワークを介して転送可能であり得る。Ｉ／Ｏインタフェース１６３は、カテーテル１０５との間でデータを送受信すること、ならびにシステム１００の構成要素間で制御メッセージを送受信することを可能にし得る。例えば、Ｉ／Ｏインタフェース１６３は、コンソール１６０が、カテーテル１０５の少なくとも１つの電極１０６から信号を受信し、及び／又はそれに信号を転送することを可能にし得る。コンソール１６０は、通常、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）として構成されたリアルタイムノイズ低減回路と、それに続くアナログ－デジタル（Ａ／Ｄ）心電計又は筋電図（ＥＭＧ）信号変換集積回路とを含むことができる。コンソール１６０は、Ａ／Ｄ ＥＣＧ又はＥＭＧ回路からの信号を処理及び／又は格納することができ、あるいは処理及び／又は格納のためにそれを外部デバイスに送信することができる。
システム１００のディスプレイ１６５は、コンソール１６０に接続されてもよい。処置の間、コンソール１６０は、医師１１５によって見られるようにディスプレイ１６５上の身体部分の視覚化（レンダリング）を容易にすることができ、また、レンダリングされた身体部分データをメモリ１６２に格納することができる。一態様では、医師１１５は、タッチパッド、マウス、キーボード、又はジェスチャ認識装置などの１つ以上の入力装置を使用して、レンダリングされた身体部分を操作することができる。例えば、入力装置を使用して、身体部分のレンダリングが更新されるようにカテーテル１０５の位置を変更することができる。ディスプレイ１６５は、身体部分のレンダリングを制御するための入力に加えて、医療専門家１１５からの他の入力を受け入れるように構成することができるタッチスクリーンを含むことができる。ディスプレイ１６５は、コンソール１６０に対して局所的に配置されてもよく、又は別の病院若しくは医療供給者サイトなどの遠隔地に配置されてもよいことに留意されたい。更に、システム１００は、心臓などの患者の器官の解剖学的及び電気的測定値を取得し、心臓アブレーション処置を実行するように構成された外科システムの一部であってもよい。かかる外科用システムの一例は、Ｂｉｏｓｅｎｓｅ Ｗｅｂｓｔｅｒにより販売されているＣａｒｔｏ（登録商標）システムである。
図２は、図１の例示的な心臓アブレーションシステムによって展開可能な例示的なシステム２００のブロック図であり、これに基づいて、本開示の１つ以上の特徴を実装することができる。システム２００は、監視及び処理システム２０５、ローカルシステム２８０、及びリモートシステム２９０を含み得る。代替として、監視及び処理システム２０５は、システム１００のコンソール１６０を表すことができる。監視及び処理システム２０５は、患者生体計測センサ２１０、プロセッサ２２０、メモリ２３０、入力装置２４０、出力装置２５０、及びトランシーバ２６０、即ちネットワーク２７０と通信する送信機－受信機を含むことができる。システム２０５は、ネットワーク２７０を介して、様々な患者の生体計測を継続的又は定期的に監視、格納、処理、及び伝達することができる。患者の生体計測の例には、電気信号（例えば、ＥＣＧ信号）、解剖学的画像、血圧データ、血糖データ、及び温度データが含まれる。心血管疾患（例えば、不整脈、心筋症、及び冠動脈疾患）及び自己免疫疾患（例えば、Ｉ型及びＩＩ型糖尿病）などの様々な疾患の治療のために、患者の生体計測を監視し、伝達することができる。
監視及び処理システム２０５は、患者の体内にあってもよく、例えば、システム２０５は、静脈又は動脈を介して、内視鏡又は腹腔鏡下手術を介して、皮下に移植可能であり、経口又は外科的に挿入され得る。あるいは、システム２０５は、患者の外部にあってもよく、例えば、患者の皮膚に取り付けられてもよい。一態様では、システム２０５は、患者の身体の内部にある構成要素と、患者の体外にある構成要素との両方を含むことができる。
監視及び処理システム２０５は、患者の生体計測データを並行して及び／又は互いに通信して、又はネットワークを介してサーバと通信して処理することができる複数の監視及び処理システム２０５を表すことができる。１つ以上のシステム２０５は、患者の生体計測データ（例えば、電気信号、解剖学的画像、血圧、温度、血糖値、又は他の生体計測データ）の全部又は一部を取得又は受信することができる。１つ以上のシステム２０５はまた、１つ以上の他のシステム２０５から、取得又は受信した患者の生体計測データに関連する追加情報を取得又は受信することができる。追加情報は、例えば、診断情報及び／又はウェアラブルデバイスなどのデバイスから取得された情報であり得る。各監視及び処理システム２０５は、それ自体によって取得されたデータを処理することができ、また、別のシステム２０５から受信したデータを処理することができる。
患者生体計測センサ２１０は、生体計測データを感知するように構成され得る１つ以上のセンサであり得る。例えば、センサ２１０は、電気信号（例えば、心臓から発生する生体電気信号）を取得するように構成された電極、温度センサ、血圧センサ、血糖センサ、血液酸素センサ、ｐＨセンサ、加速度計、又はマイクロフォンであり得る。一態様では、システム２０５は、心臓から発生するＥＣＧ信号を測定するＥＣＧモニタであり得る。そのような場合、センサ２１０は、ＥＣＧ信号を取得するように構成され得る１つ以上の電極であり得る。ＥＣＧ信号は、様々な心血管疾患の治療に使用することができる。一態様では、患者生体計測センサ２１０はまた、１つ以上の電極を有するカテーテル、プローブ、血圧カフ、体重計、ブレスレット（例えば、スマートウォッチ生体計測トラッカー）、血糖値モニタ、持続的気道陽圧法（ＣＰＡＰ）マシン、又は患者の健康に関する生体計測データ若しくは他のデータを提供する任意の他の装置を含むことができる。
トランシーバ２６０は、送信機構成要素及び受信機構成要素を含むことができる。これらの送信機及び受信機構成要素は、単一のデバイスに統合されてもよく、又は別個に実装されてもよい。トランシーバは、通信ネットワーク２７０を介して、システム２０５と他のシステム又はサーバとの間の接続性を提供することができる。ネットワーク２７０は、有線ネットワーク、無線ネットワークであってもよく、又は有線及び／又は無線ネットワークの組み合わせを含んでもよい。ネットワーク２７０は、短距離ネットワーク（例えば、ローカルエリアネットワーク（ＬＡＮ）又はパーソナルエリアネットワーク（ＰＡＮ））であってもよい。情報は、Ｂｌｕｅｔｏｏｔｈ、Ｗｉ－Ｆｉ、Ｚｉｇｂｅｅ、Ｚ－Ｗａｖｅ、近距離無線通信（ＮＦＣ）、ウルトラバンド、Ｚｉｇｂｅｅ、又は赤外線（ＩＲ）などの様々な短距離通信プロトコルを使用して、短距離ネットワークを介して送信又は受信することができる。ネットワーク２７０はまた、長距離ネットワーク（例えば、広域ネットワーク（ＷＡＮ）、インターネット、又はセルラーネットワーク）であってもよい。情報は、ＴＣＰ／ＩＰ、ＨＴＴＰ、３Ｇ、４Ｇ／ＬＴＥ、又は５Ｇ／Ｎｅｗ Ｒａｄｉｏなどの様々な長距離通信プロトコルを使用して、長距離ネットワークを介して送信又は受信することができる。
プロセッサ２２０は、例えば、センサ２１０によって取得された患者の生体計測データを処理し、生体計測データ及び／又は処理された生体計測データをメモリ２３０に格納するように構成されてもよい。プロセッサ２２０はまた、トランシーバ２６０の送信機を介してネットワーク２７０にわたって生体計測データを伝達するように構成されてもよい。１つ以上の他の監視及び処理システム２０５からの生体計測データは、トランシーバ２６０の受信機によって受信されてもよい。プロセッサ２２０は、機械学習アルゴリズム（例えば、ニューラルネットワークに基づく）を使用してもよく、あるいは、機械学習アルゴリズムは、例えば、ローカルシステム２８０又はリモートシステム２９０で別のプロセッサによって使用されてもよい。態様では、プロセッサ２２０は、１つ又は複数のＣＰＵ、１つ又は複数のＧＰＵ、又は１つ又は複数のＦＰＧＡを含むことができる。これらの態様では、機械学習アルゴリズムは、これらの処理ユニットのうちの１つ以上で実行されてもよい。同様に、プロセッサ２２０は、深層学習計算を実行するための専用のＡＳＩＣ（Ｉｎｔｅｌ（登録商標）Ｎｅｒｖａｎａ（商標）ニューラルネットワークプロセッサなど）を含むことができ、機械学習アルゴリズムは、そのような専用ＡＳＩＣ上で実行されてもよい。機械学習アルゴリズムを実行する処理ユニットは、医療処置室又は別の場所（例えば、別の医療施設又はクラウド）に配置されてもよい。
監視及び処理システム２０５の入力装置２４０は、ユーザインタフェースとして使用されてもよい。入力装置２４０は、例えば、タッピング又はタッチなどのユーザ入力を受信するように構成された圧電センサ又は容量センサを含むことができる。したがって、入力装置２４０は、ユーザによるシステム２０５の表面へのタッピング又はタッチに応答して容量結合を実装するように構成されてもよい。ジェスチャ認識は、抵抗性容量性、表面容量性、投影容量性、表面弾性波、圧電性、又は赤外線タッチなどの様々な容量結合によって実装することができる。容量センサは、入力装置２４０の表面に配置されてもよく、その結果、表面のタッピング又はタッチがシステム２０５を起動する。プロセッサ２２０は、検出されたパターンに基づいてシステム２０５の異なる機能（例えば、データの取得、格納、又は送信）が起動されるように、容量センサの異なるタッピングパターン（例えば、入力装置２４０上のシングルタップ又はダブルタップ）に選択的に応答するように構成されてもよい。一態様では、例えばジェスチャが検出及び認識されたときに、システム２０５からユーザに可聴フィードバックを与えることができる。
一態様では、ネットワーク２７０を介して監視及び処理システム２０５と通信することができるローカルシステム２８０は、ローカルシステム２８０にアクセス可能であり得る別のネットワーク２８５を介して、リモートシステム２９０へのゲートウェイとして機能するように構成されてもよい。ローカルシステム２８０は、例えば、スマートフォン、スマートウォッチ、タブレット、又は他のポータブルスマートデバイスであり得る。あるいは、ローカルシステム２８０は、固定式又はスタンドアロンデバイスであってもよい。患者生体計測データは、ローカルシステム２８０と監視及び処理システム２０５との間で伝達することができる。一態様では、ローカルシステム２８０はまた、取得された患者生体計測データ及び関連情報を表示するように構成されてもよい。
一態様では、リモートシステム２９０は、長距離ネットワークであり得るネットワーク２８５を介して、監視された患者生体計測データ及び関連情報の少なくとも一部を受信するように構成されてもよい。例えば、ローカルシステム２８０が携帯電話である場合、ネットワーク２８５は、無線セルラーネットワークであってもよい。情報は、上述した無線技術のいずれかなどの無線技術標準を介して、ローカルシステム２８０とリモートシステム２９０との間で通信することができる。リモートシステム２９０は、受信した患者生体計測データ及び関連情報を、ディスプレイ上で視覚的に、又はスピーカを通して聴覚的に、医療専門家（例えば、医師）に提示するように構成されてもよい。
図１及び図２を参照して説明されたように、システム１００、２００は、患者に関連する生体計測データ１６１、２２０を処理することができる。システム１００、２００は、ＥＰ処置中に患者１２５に対して実施された測定から生体計測データ１６３、２６０を受信することができる。システム１００はまた、及び任意選択で、超音波、コンピュータ断層撮影（ＣＴ）、ＭＲＩ、又は当技術分野で知られている他の医用画像技術を使用して心臓１２０の解剖学的測定などの生体データを取得することができる。システム１００は、カテーテル、又は心臓１２０の電気的特性を測定する他のセンサを使用して、ＥＣＧ又は電気的測定値を取得することができる。次に、解剖学的及び電気的測定値を含む生体計測データを、コンソール１６０のメモリ１６２に格納することができる。生体計測データは、非一時的な有形媒体からコンソール１６０に送信することができる。上記に代えて又は上記に加えて、生体測定データは、本明細書で更に記載するようなネットワークを使用して、ローカル又はリモートであってよいサーバに送信されてもよい。
一態様によれば、コンソール１６０は、ケーブルによって、体表面電極に接続することができ、体表面電極は、患者１２５に貼り付けられた接着性皮膚パッチを含むことができる。体表面電極は、ＢＳ ＥＣＧデータの形式で生体計測データを取得／生成することができる。例えば、プロセッサ１６１は、電流追跡モジュールと共に、患者１２５の身体部分（例えば、心臓１２０）内のカテーテル１０５の位置座標を決定することができる。位置座標は、体表面電極と、カテーテル１０５の電極１０６又は他の電磁構成要素との間で測定されるインピーダンス又は電磁場に基づくことができる。追加的に又は代替的に、位置パッドは、ベッド１３０の表面上に配置されてもよく、またベッド１３０から分離されてもよい。
態様によれば、カテーテル１０５は、心臓１２０の心腔の組織領域を切除するように構成することができる。挿入図１５０は、心臓１２０の心腔内のカテーテル１０５を拡大図で示す。本明細書に開示される実施形態によれば、少なくとも１つの電極１０６などのアブレーション電極は、エネルギーを心臓１２０などの体内器官の組織領域に供給するように構成することができる。エネルギーは、熱エネルギーであり得、組織領域の表面から始まって組織領域の厚さに延在する組織領域への損傷を引き起こす可能性がある。アブレーション処置に関する生体計測データ（例えば、アブレーション組織、アブレーション位置など）は、アブレーションデータと見なすことができる。
１つ以上の態様によれば、位置センサを含むカテーテルを使用して、心臓表面上の点の軌跡を決定することができる。これらの軌跡を使用して、組織の収縮力などの運動特性を推測することができる。このような運動特性を示すマップは、軌跡情報が心臓１２０内の十分な数の点においてサンプリングされるときに構築することができる。
心臓１２０内のある点における電気的活動は、通常、その遠位先端（例えば、少なくとも１つの電極１０６）又はその近くに電気センサを含むカテーテル１０５を、心臓１２０内のその点へと前進させ、組織をセンサに接触させて、その点におけるデータを取得することによって測定することができる。単一の遠位先端電極のみを収容するカテーテル１０５を使用して、心腔をマッピングするのに伴う１つの欠点は、全体としての心腔の詳細マップのために必要とされる必須の点の数にわたって、点毎にデータを蓄積するのに必要とされる期間が長いことである。したがって、心腔内の複数の点における電気活動を同時に測定するために、多電極カテーテルが開発されてきた。
ある例によれば、多電極カテーテルを心臓１２０の心腔内に前進させることができる。背腹方向（anteroposterior、ＡＰ）及び横方向の蛍光図を取得して、電極の各々の位置及び配向を確立することができる。ＥＣＧは、ＢＳ ＥＣＧからの洞調律におけるＰ波の開始などの時間的基準に関連して、心臓表面と接触する電極のそれぞれから記録されてもよい。本明細書で更に開示されるシステムは、電気的活動を記録する電極と、心内膜壁に近接していないことにより電気的活動を記録しない電極とを区別することができる。最初のＥＣＧが記録された後、カテーテルを再配置することができ、蛍光写真及びＥＣＧを再び記録することができる。次いで、電気マップが、上記のプロセスの繰り返しから構築され得る。
一例によれば、心臓マッピングは、心内電位場（例えば、ＩＣ ＥＣＧデータの一例である）の検出に基づいて生成することができる。大量の心臓電気的情報を同時に取得するために非接触的な方法を実施することができる。例えば、遠位端部分を有するカテーテルが、その表面全体にわたって分布され、かつ信号感知及び処理手段に接続するための絶縁導電体に接続された一連のセンサ電極を備え得る。端部のサイズ及び形状は、電極が心腔の壁から大きな間隔を隔てて配置されるようなものとすることができる。心内電位場は、１回の心拍の間に検出することができる。一例によれば、センサ電極は、互いに間隔を置いた平面内に位置する一連の円周上に分布させることができる。これらの平面は、カテーテルの端部の長軸に対して垂直であってよい。少なくとも２個の更なる電極を、端部の長軸の両端に隣接して配設することができる。より具体的な例として、カテーテルは、各円周上に等角で間隔を置いて配置された８個の電極を有する４つの円周を含んでもよい。したがって、この特定の実装形態では、カテーテルは、少なくとも３４個の電極（３２個の周方向電極と２個の端部電極）を含むことができる。
別の例によれば、非接触及び非拡張多電極カテーテルに基づく電気生理学的心臓マッピングシステム及び技術を実施することができる。ＥＣＧは、複数の電極（例えば、４２～１２２個の電極）を有するカテーテルを用いて得ることができる。この実現形態によれば、プローブ及び心内膜の相対的な幾何学的形状の知識を、経食道心エコー法などの独立した画像化モダリティなどによって得ることができる。独立した撮像の後、非接触電極を使用して、心臓表面電位を測定し、そこからマップを構築することができる。この技術は、以下のステップ（独立した撮像ステップの後）を含んでもよい。すなわち、（ａ）心臓１２０内に配置されたプローブ上に配設された複数の電極を用いて電位を測定するステップ、（ｂ）プローブ表面と心内膜表面との幾何学的関係を決定するステップ、（ｃ）プローブ表面と心内膜表面との幾何学的関係を表す係数の行列を生成する工程、及び（ｄ）電極電位及び係数の行列に基づいて心内膜電位を決定する工程。
別の例によれば、心腔の電位分布をマッピングするための技術及び装置を実施することができる。心臓内多電極マッピングカテーテルアセンブリを心臓１２０内に挿入することができる。このマッピングカテーテルアセンブリは、一体型基準電極を有する多電極アレイ、又は好ましくは、コンパニオン基準カテーテルを含むことができる。これらの電極は、実質的に球状のアレイの形態で展開することができる。電極アレイは、基準電極によって、又は心内膜表面に接触する基準カテーテルによって、心内膜表面上のある点に対して空間的に参照され得る。好ましい電極アレイカテーテルは、多数の個々の電極部位（例えば、少なくとも２４個）を有することができる。加えて、この例の方法では、アレイ上の各電極部位の位置を知ること、及び心臓の幾何学的形状を知ることで実装することができる。これらの位置は好ましくは、インピーダンスプレチスモグラフィ法によって決定される。
別の例によれば、心臓マッピングカテーテルアセンブリは、多数の電極部位を画定する電極アレイを含むことができる。このマッピングカテーテルアセンブリはまた、心臓壁を精査するために使用され得る遠位先端電極アセンブリを有する基準カテーテルを受け入れるための管腔を含むこともできる。マッピングカテーテルは、絶縁ワイヤの編組（例えば、編組内に２４～６４個のワイヤを有する）を含むことができ、ワイヤの各々を使用して電極部位を形成することができる。カテーテルは、非接触電極から第１のセットの電気的活動情報を取得するために心臓１２０の第１の部位に配置されてもよく、次に、非接触電極から別のセットの電気的活動情報を取得するために心臓１２０の別の部位に配置されてもよい。
別の例によれば、心臓内の電気生理学的活動をマッピングするための別のカテーテルを実装することができる。カテーテル本体は、心臓をペーシングするための刺激パルスを供給するように適合される遠位先端、又はその先端と接触する組織をアブレーションするためのアブレーション電極を含むことができる。カテーテルは、少なくとも一対の直交電極を更に含んでもよく、その直交電極は、その直交電極に隣接する局所的な心臓電気活動を示す差信号を生成する。
別の実施例によれば、心腔内の電気生理学データを測定するためのプロセスを実施することができる。この方法は、部分的に、能動電極と受動電極のセットを心臓１２０内に配置すること、電流を能動電極に供給することによって心腔内に電場を発生させること、及び受動電極部位において電場を測定すること、を含むことができる。受動電極は、バルーンカテーテルの膨張可能なバルーン上に配置されたアレイに含まれる。好ましい実施形態では、アレイは６０～６４個の電極を有すると言われる。
別の例によれば、心臓マッピングは、１つ以上の超音波トランスデューサを使用して実施することができる。超音波トランスデューサは、患者の心臓１２０に挿入することができ、心臓１２０内の様々な位置及び向きの複数の超音波スライス（例えば、２次元又は３次元スライス）を収集することができる。特定の超音波トランスデューサの位置及び向きが分かる場合もあり、収集された超音波スライスは、後で表示することができるように記憶させることができる。プローブ（例えば、治療カテーテル）の位置に対応する１つ以上の超音波スライスを後で表示することができ、プローブは、１つ以上の超音波スライス上に重ね合わせることができる。
他の例によれば、身体パッチ及び／又は身体表面電極は、患者の身体上に、又はそれに近接して配置することもできる。１つ以上の電極を有するカテーテルは、患者の身体内（例えば、患者の心臓１２０内）に配置することができ、カテーテルの位置は、カテーテルの１つ以上の電極と、身体パッチ及び／又は身体表面電極との間で送信及び／又は受信される信号に基づいて、システムによって判定することができる。更に、カテーテル電極は、患者１２５の体内（例えば、心臓１２０内）から生体計測データ（例えば、ＬＡＴ値）を感知することができる。生体計測データは、決定されたカテーテルの位置に関連付けることができ、その結果、患者の身体部分（例えば、心臓１２０）のレンダリングが表示され、身体の形状上に重ね合わされた生体計測データを示すことができる。
システム１００を考慮すると、心房性不整脈を含めた心不整脈は、心房の周りで散乱して、しばしば自己伝播する電気インパルスの複数の非同期的ループを特徴とする、マルチウェーブレット・リエントラント型である場合があることが分かる（例えば、ＩＣ ＥＣＧデータの別の例）。マルチウェーブレット・リエントラント型に代わって、又はそれに加えて、心不整脈はまた、心房の組織の孤立領域が、急速かつ反復する形で自律的に興奮する場合などの、巣状興奮源を有する場合もある（例えば、ＩＣ ＥＣＧデータの別の例）。心室性頻脈症（Ventricular tachycardia、Ｖ－ｔａｃｈ又はＶＴ）は、心室のうちの１つにおいて起こる頻脈症又は高速な心律動である。これは、心室細動及び突然死につながり得るため、潜在的に致死性の不整脈である。
例えば、ａＦｉｂは、洞房結節によって生成される通常の電気インパルス（例えば、ＩＣ ＥＣＧデータの別の例）を心房静脈及びＰＶで生じる無秩序な電気インパルスが上回り（例えば、信号干渉）、不規則なインパルスが心室に伝導される場合に発生する。その結果、不規則な心拍が生じ、数分～数週間、又は更には数年間持続する場合がある。多くの場合、ａＦｉｂは、しばしば脳卒中による死亡リスクをわずかに増加させる慢性的な状態である。ａＦｉｂの治療の第一選択は、心拍数を低下させるか、又は心臓リズムを正常に戻す投薬治療である。更には、ａＦｉｂを有する患者は、脳卒中のリスクから守るために抗凝血剤を投与される場合が多い。そのような抗凝血剤の使用は、それ自体のリスクである内出血を伴う。一部の患者では、投薬治療は十分ではなく、その患者のａＦｉｂは、薬剤不応、すなわち、標準的な薬理学的介入では治療不可能であると判断される。同期された電気的除細動もまた、ａＦｉｂを通常の心律動に変換するために使用することができる。あるいは、ａＦｉｂの患者には、カテーテルアブレーションによる治療も行われる。
カテーテルアブレーションベースの治療に、心臓組織、特に心内膜及び心臓容積の電気的特性をマッピングすること、並びにエネルギーの印加によって心臓組織を選択的にアブレーションすることが含まれてもよい。心臓マッピング（心臓イメージングの一例である）は、心臓組織に沿った波伝播の電位マップ（例えば、電圧マップ）、又は様々な組織に位置する点への到達時間のマップ（例えば、ＬＡＴマップ）を作成することを含む。心臓マッピング（例えば、心臓マップ）は、局所的な心臓組織の機能不全を検出するために使用され得る。心臓マッピングに基づくアブレーションなどのアブレーションは、不要な電気信号が心臓１２０のある部分から別の部分へと伝播することを停止させるか又は変化させることができる。
アブレーションプロセスは、非伝導性損傷の形成を通じて不要な電気経路を損傷する。様々なエネルギー送達の様式が、損傷部を形成する目的でこれまでに開示されており、心臓組織壁に沿って伝導ブロックを作成するためのマイクロ波、レーザ、及びより一般的には無線周波エネルギーの使用が挙げられる。２段階処置（例えば、マッピングとそれに続くアブレーション）において、心臓１２０内の点における電気的活動は、通常、１つ以上の電気センサ（例えば、電極１０６）を含むカテーテル１０５を心臓１２０内に前進させ、多数の点におけるデータ（例えば、ＥＣＧデータ）を取得／収集することによって感知及び測定される。次いでＥＣＧデータを用いて、アブレーションを実施する心内膜の標的領域が選択される。
心房細動及び心室頻拍などの困難な疾患を医師が治療する際の心臓アブレーション及び他の心臓電気生理学的処置は、ますます複雑化している。難治性不整脈の治療は現在、対象となる心腔の解剖学的形態を再構成するうえで３次元（three-dimensional、３Ｄ）マッピングシステムの使用に頼る場合がある。この点に関して、本明細書においてシステム１００によって使用される分類エンジン１０１は、ＥＣＧデータを操作及び評価して、異常な心拍又は不整脈を治療するためのより正確な診断、画像、スキャン及び／又はマップを可能にする改善された組織データを生成する。
電極カテーテル（例えば、カテーテル１０５）は、医療行為において使用される。電極カテーテルを使用して、心臓内の電気活動を刺激及びマッピングし、異常な電気活動の部位をアブレーションする。使用時には、電極カテーテルは、主要な静脈又は動脈、例えば、大腿動脈に挿入された後、対象の心腔内へと導かれる。典型的なアブレーション処置は、その遠位端に少なくとも１つの電極を有するカテーテルを心腔内に挿入することを伴う。参照電極が、一般的には患者の皮膚にテープで貼り付けられるか、あるいは心臓内又は心臓付近に位置付けられている第２のカテーテルによって、提供される。高周波（Radio frequency、ＲＦ）電流がアブレーションカテーテルの先端電極に印加され、基準電極に向かって先端電極の周囲の媒質、すなわち、血液及び組織に電流が流れる。電流の分布は、組織より高い導電性を有する血液と比較した場合、組織と接触している電極表面の量に依存する。組織の加熱は、組織の電気抵抗に起因して生じる。組織が十分に加熱されると、心臓組織において細胞破壊が引き起こされ、結果として、非電導性である心臓組織内に損傷部が形成される。このプロセスの間に、加熱された組織から電極自体への伝導によって電極も加熱される。電極温度が十分に高くなる、場合によっては、摂氏６０度を上回る場合、脱水した血液たんぱく質の薄い透明被膜が、電極の表面上に形成され得る。温度が上昇し続けると、この脱水層が徐々に厚くなり得、電極表面上に血液が凝固する。脱水された生物学的材料は、心内膜組織よりも高い電気抵抗を有するため、電気エネルギーの組織内部への流れに対するインピーダンスもまた増大する。インピーダンスが十分に高くなる場合、インピーダンス上昇が起こり、カテーテルを身体から抜き取り、先端電極を洗浄しなければならない。
心不整脈などの心臓疾患の治療は、多くの場合、心組織、心腔、静脈、動脈、及び／又は電気的経路の詳細なマッピングを取得することを必要とする。例えば、カテーテルアブレーションを支障なく実施するための前提条件は、心不整脈の原因を心腔内で正確に位置特定することである。そのような位置特定は、電気生理学的調査によって行われ得、その調査の間に、電位は、心腔内に導入されるマッピングカテーテルによって空間的に分解されて検出される。この電気生理学的検査、いわゆる電気解剖学的マッピングは３Ｄマッピングデータを提供し、これをモニタ上に表示することができる。多くの場合、マッピング機能及び治療機能（例えば、アブレーション）は単一のカテーテル又は一群のカテーテルによって提供され、マッピングカテーテルはまた、同時に治療（例えば、アブレーション）カテーテルとしても動作する。この場合、システム１００、２００によって実行されるモジュールは、カテーテル１０５によって実行されてもよい。
心臓（例えば、１２０）の心臓領域、組織、静脈、動脈、及び／又は電気的経路などの心臓領域のマッピングにより、結果として、瘢痕組織、不整脈源（例えば、電気ロータ）、健康領域などの問題領域を特定することができる。心臓領域は、本明細書で更に開示されるように、マッピングされた心臓領域の視覚的レンダリングがディスプレイを使用して提供されるようにマッピングすることができる。更に、心臓マッピング（心臓イメージングの一例である）は、限定されないが、局所的活性化時間（ＬＡＴ）、電気的活動、トポロジ、双極マッピング、優位周波数、又はインピーダンスなどの１つ以上のモダリティに基づくマッピングを含むことができる。複数のモダリティに対応するデータは、患者の身体内に挿入されたカテーテルを使用して捕捉することができ、対応する設定値及び／又は医療専門家の選好に基づいて、同時に又は異なる時点でレンダリングするために提供することができる。
心臓マッピングは、１つ以上の技術を使用して実施することができる。第１の技術の一例として、心臓マッピングは、心臓組織、例えば、ＬＡＴの電気的特性を、心臓内の正確な場所の関数として検知することによって、実施することができる。その対応するデータは、遠位先端に電気及び場所センサを有するカテーテルを使用して、心臓内に前進される１つ以上のカテーテルを用いて取得することができる。具体的な例として、場所及び電気活動は、心臓の内側表面上の約１０～約２０箇所の点で最初に測定することができる。これらのデータ点は一般的に、心臓表面の予備復元又はマップを満足な品質で生成するのに十分であり得る。この予備マップは、心臓の電気活動のより包括的なマップを生成するために、追加の点において取得されたデータと結合され得る。臨床現場では、心腔の電気的活動の詳細かつ包括的なマップを生成するために１００以上の部位におけるデータを蓄積することは珍しくない。その後、生成された詳細なマップは、心臓の電気活動の伝播を改変させ正常な心調律を回復させるための治療上の行動指針、例えば、組織のアブレーションに関する決定を下すための基準となり得る。
図３は、クラスタ３００によるデータの心臓マッピングのための例示的なシステムの機能ブロック図であり、これに基づいて、本開示の１つ以上の特徴を実装することができる。本明細書に開示される態様によれば、システム３００は、患者から測定された生体計測データのＥＣＧデータをクラスタに分類し、各クラスタに関連付けられた生体計測データをマッピングすることができる。システム３００は、データプロセッサ３２０、評価エンジン３４０、及びマッパー３６０を含むことができる。システム３００の構成要素３２０、３４０、３６０は、図１及び図２を参照して上述したシステム１００、２００の１つ以上のプロセッサによって実行可能な１つ以上のソフトウェアモジュールによって使用することができる。データプロセッサ３２０は、医療処置中に患者から収集されたデータを含む生体計測データ３１０を入力として受信することができる。データプロセッサ３２０は、例えば、これらのデータの識別特性を改善し、及び／又はデータサイズを縮小するために、受信した生体計測データ３１０を処理することができる。データプロセッサ３２０は、生体計測データ３１０のＥＣＧデータから抽出された拍動セグメント３３５．１～３３５．Ｍを評価エンジン３４０に供給することができる。各拍動セグメント（例えば、ＥＣＧ信号３３５．ｍを含む）は、それを生成した不整脈種類を表す。
評価エンジン３４０は、拍動セグメント３３０をクラスタ（例えば、クラスタＡ ３５２及びクラスタＢ ３５４）に分類することができる。拍動セグメントのクラスタへの分類は、セグメントの拍動特性に基づくことができ、及び／又は、拍動セグメントに関連付けられた生体計測データ３１０を生成した不整脈種類の予測に基づくことができる。したがって、評価エンジン３４０の出力３５０は、セグメントの拍動特性、例えば、拍動の起源（心臓における限局性不整脈源性活動の位置）、拍動の伝播速度、及び拍動の形状記述子に基づいてクラスタに分類されるセグメントであってもよい。代替的又は追加的に、評価エンジン３４０の出力３５０は、セグメントが表す予測された不整脈種類、例えば、特定の不整脈種類、正常洞調律（ＮＳＲ）、又は混合不整脈に基づいてクラスタに分類されるセグメントであってもよい。次に、マッパー３６０は、マップ（例えば、電圧マップ又はＬＡＴマップ）を生成することができる。各マップは、１つのクラスタからのセグメントに関連付けられたデータを視覚化する（例えば、マップ３７２は、クラスタＢ ３５４内のセグメントに関連付けられたデータを視覚化する）。
システム３００に提供される生体計測データ３１０は、ＥＰ処置の間に患者からシステム１００、２００によって測定されたデータを含むことができる。生体計測データは、ＢＳ ＥＣＧデータ、ＩＣ ＥＣＧデータ、アブレーションデータ、及びカテーテル電極位置データを含むことができる。一態様では、ＢＳ ＥＣＧデータは、患者の体の表面上に配置された電極から収集された信号を含むことができ、ＩＣ ＥＣＧデータは、患者の体内の電極から収集された信号を含むことができ、アブレーションデータは、切除された組織から収集されたデータを含むことができる。したがって、拍動セグメント３３０は、少なくとも１つの心臓拍動を含むＢＳ ＥＣＧ信号又はＩＣ ＥＣＧ信号から時間ウィンドウに従って抽出され得る。信号は、患者の体内の電気的活動を測定するために使用される多数の異なる器具のいずれかを使用して、患者の体から収集できることを理解されたい。上記のように、拍動セグメント３３０のクラスタへの分類は、特定の不整脈種類、ＮＳＲ、混合不整脈、又はそれらの組み合わせなどの不整脈種類に基づくことができる。例えば、特定の不整脈種類には、心房細動、心房粗動又は心房頻拍が含まれる場合がある。ＮＳＲは、健康な心臓のリズム、即ち、洞結節から適切に伝達された電気パルスであり得る。混合不整脈は、２つ以上の種類の不整脈、ならびに１つ以上の種類の不整脈及びＮＳＲを含み得る。
図４は、クラスタによるデータの心臓マッピングのための例示的な方法４００のフローチャートであり、これに基づいて、本開示の１つ以上の特徴を実装することができる。ステップ４１０において、患者の医療処置中にシステム１００、２００によって測定された生体計測データが取得される。生体計測データは、例えば、ＢＳ ＥＣＧデータ、ＩＣ ＥＣＧデータ、アブレーションデータ、及びカテーテル電極位置データを含む心臓状態に関連する任意のデータを含み得る。方法４００は、ステップ４２０において、生体計測データから拍動セグメントを抽出することができる。一態様では、セグメントは、時間的に重複してもよく、又はＢＳ ＥＣＧデータ及び／又はＩＣ ＥＣＧデータの時間的次元にわたってローリング時間ウィンドウ内で抽出されてもよい。ステップ４３０において、セグメントはクラスタに分類される。上記のように、拍動セグメントのクラスタへの分類は、セグメントの拍動特性に基づくことができ、及び／又は、拍動セグメントに関連付けられた生体計測データ３１０に基づく不整脈種類の予測に基づくことができる。次に、セグメントが閾値数Ｔ４４０を下回る数のクラスタにクラスタ化された場合、ステップ４５０において心臓マップを生成することができる。生成された各マップは、１つのクラスタからのセグメントに関連付けられたデータを視覚化することができる。しかしながら、セグメントが閾値数Ｔ４４０以上の数のクラスタにクラスタ化された場合、ステップ４６０において、拍動セグメントが複雑な不整脈を表すと結論付けることができ、この結論は治療の過程に影響を及ぼす可能性がある。
拍動セグメントのクラスタへの分類（方法４００のステップ４３０における、又はシステム３００の評価エンジン３４０による）は、クラスタリングアルゴリズム又は機械学習アルゴリズムに基づいて達成することができる。クラスタリングアルゴリズムを利用して、拍動特性に基づいて拍動セグメントをクラスタに分類することは、本明細書で図５～図６を参照して説明される。機械学習アルゴリズムを利用して、セグメントに関連する生体計測データに基づいて拍動セグメントをクラスタに分類することは、本明細書で図７～図８を参照して説明される。
図５は、拍動特性に基づいて拍動セグメントをクラスタに分類するための例示的な方法５００のフローチャートであり、これに基づいて、本開示の１つ以上の特徴を実装することができる。方法５００は、多電極カテーテルの電極によって捕捉された拍動セグメント３３５のサブセットにおいて表される拍動の特性（起源及び速度）を推定することができる。方法５００は、ステップ５１０で開始し、ここで電極の時間測定値が得られる。電極の時間測定値は、電極がセグメント（例えば、３３５．ｍ）内の拍動を測定した時間を示す。次に、ステップ５２０において、電極の位置測定値が得られる。電極の位置測定値は、電極がセグメント（例えば、３３５．ｍ）内の拍動を測定したときの心臓における位置を示す。これらの時間及び位置測定値に基づいて、方法５００は、ステップ５３０において、以下に詳細に説明されるように、拍動の起源（心臓における位置）及び拍動伝播速度を推定する。推定誤差が閾値Ｔ５４０を超える場合、ステップ５５０において、誤差の寄与が大きい測定値を排除することができ、ステップ５３０における推定は、残りの測定値５５５のみを使用して繰り返すことができる。推定誤差が閾値Ｔ５４０以下である場合、図６を参照して説明されるように、拍動の起源推定値及び速度推定値を使用して、多電極カテーテルによって捕捉された拍動セグメントのサブセットをクラスタに分類することができる。
次に、拍動の起源及び速度を推定する（ステップ５３０）ための技術について説明する。この技術は、心臓における限局性不整脈源性活動の位置（即ち、起源）及びその伝導速度（即ち、速度）を推定する。多電極カテーテル（例えば、Ｐｅｎｔａｒａｙ（登録商標）カテーテル、コンステレーションカテーテル、又は冠状静脈洞カテーテル）の電極は、電極が配置されている心臓領域から複数の信号を取得するために、システム１００、２００によって使用され得る。一態様では、冠状静脈洞カテーテルは、基準測定値を取得するために使用することができる。このような基準測定値は、例えば、Ｐｅｎｔａｒａｙカテーテルによって取得された測定値をリンク（又は較正）するために使用することができる。即ち、Ｐｅｎｔａｒａｙカテーテルによって（異なる時間及び心房内の位置において）とられた測定値は、冠状静脈洞カテーテルによってとられた対応する測定値に関連して測定することができ、その結果、Ｐｅｎｔａｒａｙカテーテルによって取得された測定値をリンクして、例えば、ＬＡＴマップを作成することができる。
心房活性化（拍動）を含むセグメントは、多電極の電極によって取得された信号から抽出される（即ち、拍動セグメント３３０、４２０）。各拍動セグメント又は各電極ｉに関連付けられているのは、時間ｔｉ、心房活性化が電極ｉによって測定された時間、及び時間ｔｉにおけるその電極（ｘｉ，ｙｉ，ｚｉ）の位置である。拍動の活性化時間はｔ０で示され、拍動の起源は（ｘ０，ｙ０，ｚ０）で示される。電極（ｘｉ，ｙｉ，ｚｉ）の位置及び拍動の起源（ｘ０，ｙ０，ｚ０）は、通常、心臓基準位置に対して、例えば心臓内の関心領域で定義される。したがって、拍動は、ある時間ｔ０で心臓のある位置（ｘ０，ｙ０，ｚ０）で始まり、速度ｖ（即ち、伝導速度）で伝播することができ、また、時間ｔｉにおいてある位置（ｘｉ，ｙｉ，ｚｉ）の電極ｉによって測定することができる。
したがって、電極ｉに関して、拍動は、
によって定義される距離ｄｉに沿って移動することができ、また拍動の移動時間は、
として定義することができる、ここで、εｉは、電極ｉに関連する測定誤差を表す。次に、ｍ個の電極からの測定値に基づいて、次のように平均二乗誤差
を最小化することによって、拍動の起源（ｘ０，ｙ０，ｚ０）及び拍動の速度ｖの推定値を計算することができる。
ここで、θ＝（ｘ０，ｙ０，ｚ０，ｔ０，ｖ）は、ｍ個の電極の距離測定値｛ｄｉ，ｉ＝１．．．ｍ｝（又は同等の位置測定値｛（ｘｉ，ｙｉ，ｚｉ），ｉ＝１．．．ｍ｝）及び時間測定値｛ｔｉ，ｉ＝１．．．ｍ｝から推定されるパラメーターベクトルである。一態様では、正則化項φを使用することができる。
例えば、正則化項φを
に設定すると、カテーテルの起源により近く、心臓の解剖学的構造内の関心領域内にある可能性が高いθ＝（ｘ０，ｙ０，ｚ０，ｔ０，ｖ）の解が得られる場合がある。コスト関数Ｊ（θ）の最小化（拍動起源（ｘ０，ｙ０，ｚ０）推定値及び拍動の伝播速度推定値に達するため）は、勾配降下ベースの最適化などの最適化アルゴリズムによって達成することができる。これらの推定値に基づいて、平均二乗誤差
を計算することができる。平均二乗誤差が閾値Ｔを超える場合（ステップ５４０）、所定の誤差レベルを超える誤差εｉに関連する電極の測定値を排除することができ（ステップ５５０）、そして、推定（ステップ５３０）は、残りの電極５５５の測定値のみを含めて繰り返すことができる。
図６は、例示的なクラスタリング方法６００の図であり、これに基づいて本開示の１つ以上の特徴を実装することができる。方法６００を使用して、セグメントの拍動特性に基づいて、即ち、心臓におけるセグメントの拍動の起源及び拍動の速度（例えば、方法５００によって推定されるように）に基づいて、及び／又は形状記述子などの他の記述子に基づいて、拍動セグメントをクラスタに分類することができる。クラスタは、分類の実行が基づくデータによって定義された空間内のそれぞれの重心によって表すことができる。例えば、拍動の起源（ｘ０，ｙ０，ｚ０，）と拍動の速度ｖによって定義される４次元空間である。
図６において、Ｋ平均クラスタリングアルゴリズムによる２次元空間におけるデータ点の分類が示されている。図示のように、データ点は、６１０においてクラスタＡとクラスタＢの２つのクラスタ（Ｋ＝２）に分類される。Ｋ平均アルゴリズムでは、クラスタの数は、予め決定する必要がある。一態様では、クラスタの数は、（例えば、拍動セグメントの）訓練データに基づいて機械学習アルゴリズムによって学習することができ、クラスタの数は、医師によって検証することができる。Ｋ平均アルゴリズムを初期化するために、各クラスタに対して互いに離れて設定された２つの初期重心が決定される。重心は、白丸６２０、６３０で示される。次に、第１の反復において、データ点は、６４０において各重心との類似性に基づいて２つのクラスタに分類され得る。したがって、境界線の左側のデータ点は、クラスタＡ ６４２に割り当てられてもよく、境界線の右側のデータ点は、クラスタＢ ６４４に分類されてもよい。次に、クラスタの重心は、６５０において各クラスタ６５２、６５４内のデータ点に基づいて計算される。第２の反復において、データ点は、６６０において、重心のそれぞれとの類似性に基づいて、再び２つのクラスタに再分類されてもよい。したがって、境界線の左側のデータ点は、クラスタＡ ６６２に割り当てられてもよく、境界線の右側のデータ点は、クラスタＢ ６６４に分類されてもよい。次に、クラスタの重心は、６７０において各クラスタ６７２、６７４内のデータ点に基づいて再計算される。６４０、６６０においてデータ点をクラスタに割り当て、６５０、６７０においてクラスタの重心を再計算するプロセスは、最大反復回数に達するまで、又はクラスタへのデータ点割り当てに変化がなくなるまで、繰り返すことができる。
図７は、不整脈種類の予測に基づいて拍動セグメントをクラスタに分類するための例示的な方法のフローチャートであり、この方法は、予測子の訓練方法７００Ａ（図７Ａ）及び訓練された予測子の適用方法７００Ｂ（図７Ｂ）を含み、これに基づいて本開示の１つ以上の特徴を実装することができる。方法７００Ａ－Ｂは、評価エンジン３４０によって使用されてもよく、評価エンジンの実行は、それぞれ図１又は図２に関して本明細書に記載されているシステム１００又は２００の任意のプロセッサによって実行されてもよい。方法７００Ａのステップ７１０において、訓練ペアを含む訓練データセットを受信することができる。各ペアは、不整脈を有する患者に関連する生体計測データと、その患者の不整脈種類の対応する分類とを含む。ペアの生体計測データは、不整脈種類を表す拍動セグメントを含むことができる。ステップ７２０において、訓練データセットの生体計測データは、それらの予測値を改善するために、及び／又はそれらのサイズを縮小するために処理され得る。一態様では、ステップ７２０は、生体計測データに適用されない。ステップ７２０（又はステップ７１０）によって提供された訓練データセットに基づいて、不整脈予測モデルは、生体計測データの訓練ペアとそれらの対応する分類との間の相関を学習することができ、即ち、ステップ７３０において、モデルは、新しい患者の生体計測データが提示されたときに不整脈種類を予測するように訓練される。
受信された訓練データセット７１０は、図１又は図２に関して本明細書に記載されるように、システム１００又は２００によって測定された生体計測データを含むことができる。例えば、訓練データセット７１０は、外科的処置の間に得られた測定値から導出された生体計測データと、これらの外科的処置の結果に関連する対応する分類とを含み得る。例えば、患者の生体計測データは、ＢＳ ＥＣＧデータ、ＩＣ ＥＣＧデータ、アブレーションデータ、及びカテーテル電極位置データを含むことができ、また、特定の不整脈種類、ＮＳＲ、混合不整脈、又はそれらの組み合わせに対応するものとして、医師によって手動で注釈付け（分類）されてもよい。図８を参照して説明されるように、モデルを訓練する（ステップ７３０）結果は、モデルを予測に適用する際に使用されるモデルパラメータ（重み）である。一態様では、不整脈予測モデルは、例えば外科的処置の後に、より多くの訓練データが利用可能になる（そして訓練データセット７１０に追加される）につれて、リアルタイムで更新することができる（重みを再計算することができる）。
したがって、方法７００Ｂのステップ７５０において、訓練された不整脈予測モデルは、現在医療処置を受けている患者から測定された生体計測データ７５０、例えば外科的処置の間に測定された生体計測データに適用することができる。生体計測データ７５０は、ＢＳ ＥＣＧデータ、ＩＣ ＥＣＧデータ、及びカテーテル電極位置データを含むことができる。ステップ７６０において、患者の生体計測データは、図７Ａのステップ７２０において訓練生体計測データが処理されたのと同じ方法で処理することができる。一態様では、ステップ７２０及び７６０は適用されない。次に、ステップ７７０において、訓練された不整脈予測モデルを適用して、患者の不整脈種類、即ち、特定の不整脈種類、ＮＳＲ、混合不整脈、又はそれらの組み合わせを予測することができる。予測された不整脈種類を使用して、図４のステップ４３０に従って、対応する拍動セグメントをクラスタに分類することができる。
図８は、例示的な機械学習システム８００の機能ブロック図であり、これに基づいて、本開示の１つ以上の特徴を実装することができる。様々な機械学習システム８００を使用して、図３の評価エンジン３４０によって使用される不整脈予測子を訓練及び適用することができる。例えば、機械学習システム８００は、畳み込みニューラルネットワーク（ＣＮＮ）又はリカレントニューラルネットワーク（ＲＮＮ）などの様々なアーキテクチャのＡＮＮに基づくことができ、その一例はＬＳＴＭネットワークである。一般に、ニューラルネットワークは、観測値に基づいて関心のある情報を予測するようにトレーニングされる。ニューラルネットワークは、教師あり学習プロセスを介してトレーニングされ、それによって、例示的なペア間の相関（即ち、観測値及び対応する関心のある情報）が学習される。
一態様では、ＡＮＮ８１０は、ＣＮＮであり得る。ＣＮＮは、ＥＣＧデータのような時空間形式で提供されたデータからパターンを学習するのに有用である。一般に、ＣＮＮは、カーネルを使用して、いくつかの層にわたって畳み込み演算を使用することができる。ネットワーク内の各層、例えば層ｎ８４０は、その入力において画像からのデータを処理することができ、また、次の層、例えば層ｍ８５０によって処理される処理済み画像を生成することができる。ネットワーク内の前の層に適用される畳み込みカーネルは、ネットワーク内の後の層に適用される畳み込みカーネルよりも、効率的に隣接するデータ要素からの情報を統合することができる。したがって、画像内に近接して配置された要素間の相関は、ＣＮＮにおいてより良く学習される可能性がある。
通常、ニューラルネットワーク８１０は、所与のアーキテクチャに従って接続されるノード（「ニューロン」）を含む。例えば、所与のアーキテクチャにおいて、ノードは、層状に配置されてもよく、即ち、１つの層、例えば層ｎ８４０におけるノードの出力は、それに接続された次の層、例えば層ｍ８５０におけるノードの入力を供給する。層ｍ８５０（即ち、ｍｊ）のノードｊ８５５は、通常、特定の強度又は特定の重みｗ（ｍｊ，ｎｉ）８６０で層ｎ８４０（即ち、ｎｉ）のノードｉ８４５に接続される。したがって、ネットワークのノード間接続に関連する重み｛ｗ（ｍｊ，ｎｉ）｝（「シナプス重み」）は、ニューラルネットワークモデルをパラメータ化する。したがって、ニューラルネットワークを訓練することは、ネットワークの重み（パラメータ）を決定することによって、即ち、モデルパラメータ８３０を決定することによって、ネットワークを特殊化するものと見なすことができる。
ニューラルネットワーク８１０がデータを処理する方法は、以下のように説明することができる。第１層における各ノードが入力データの重み付けされた組み合わせ（又は入力データのサブセットの重み付けされた組み合わせ）を受信するように、入力データをニューラルネットワークの第１層におけるノードに供給することができる。次に、ノードの活性化関数に従って各ノードの入力された重み付けされた組み合わせを変換し、ノードの出力データを得る。次に、第２層における各ノードが第１層におけるノードの出力の重み付けされた組み合わせ（又は第１層におけるノードのサブセットの出力の重み付けされた組み合わせ）を受信するように、第１層における各ノードからの出力データをニューラルネットワークの第２層におけるノードに供給することができる。次に、ノードの活性化関数に従って各ノードの入力された重み付けされた組み合わせを変換し、ノードの出力データを得る。次に、第２層のノードからの出力データを伝搬し、ネットワークの他の中間層において同様に処理し、最後の層がネットワークの出力データを提供する。したがって、ニューラルネットワークは通常、そのノードの構造及びこれらのノードの活性化関数によって特徴付けられる。ノード間接続に関連する重み（ネットワークパラメータ又はモデルパラメータ８３０）は、訓練パラメータ（例えば、学習率及びコスト関数）に従って、また、訓練データセット８２０に基づいて、反復訓練プロセス、例えば誤差逆伝播アルゴリズムによって学習される。
ニューラルネットワークモデル８１０を訓練することができることが基づく訓練データセット８２０は、観測データ（例えば、外科的処置中に収集された測定値）及びモデルによって予測される対応する関心のある情報（例えば、外科的処置の結果）などの例示的データのペアを含むことができる。例えば、心臓の温度データ（観測データ）を収集することができ、そして（トレーニングプロセスによって）心臓処置の結果（予測される関心のある情報）と相関させることができる。トレーニングプロセスによってモデルパラメータが決定されると、モデルを適用して、新しい観測に基づいて関心のある情報を予測することができる。例えば、心臓の場合、処置中の温度の入力（例えば、摂氏９７．７～１００．２度）に基づいて、モデルの出力は、処置の結果の予測である可能性がある。そのような予測は、温度と、訓練データセットに基づいてニューラルネットワークモデルによって学習された処置の結果との間の相関に基づく。
本開示の態様によれば、評価エンジン３４０は、機械学習モデル８１０を訓練することができ、そして訓練されたモデルを適用して、患者の不整脈状態の分類を予測することができる。本明細書に開示されるアルゴリズムは、（不整脈状態を経験している患者から様々なモダリティによって得られた）訓練データセット８２０及び患者の不整脈状態の対応する分類に基づいて、モデルを訓練するために適用することができる。
図中のフローチャート及びブロック図は、本発明の様々な実施形態によるシステム、方法及びコンピュータプログラム製品の可能な実装形態の構造、機能、及び動作を示す。これに関して、フロー図又はブロック図中の各ブロックは、モジュール、セグメント、又は命令の部分を表してもよく、その命令の部分には、特定の論理機能を実施するための１つ以上の実行可能命令を含む。いくつかの代替的な実装形態において、ブロックに示される機能は、図に示される順序以外の順序で行われてもよい。例えば、連続して示す２つのブロックは、実際に、実質的に同時に実行されてもよく、あるいはそれらのブロックは、時には、関連する機能性に応じて、逆の順序で実行されてもよい。また留意されたい点として、ブロック図及び／又は流れ図の各ブロック、並びにブロック図及び／又は流れ図のブロックの組み合わせは、特定の機能又は動作を実行する専用のハードウェアベースシステムによって実施されてもよく、あるいは、専用のハードウェアとコンピュータ命令との組み合わせを動作させるか又は実行することもできる。
特徴及び要素が特定の組み合わせで上に記載されるが、当業者であれば、特徴又は要素の各々を単独で又は他の特徴及び要素と組み合わせて使用することができることを理解するであろう。加えて、本明細書に記載される方法は、コンピュータ又はプロセッサで実行するために、コンピュータ可読媒体に組み込まれるコンピュータプログラム、ソフトウェア、又はファームウェアにおいて実装され得る。本明細書で使用するコンピュータ可読媒体とは、電波又は他の自由に伝搬する電磁波、導波管若しくは他の伝送媒体を通って伝搬する電磁波（例えば、光ファイバーケーブルを通過する光パルス）、又は動線を通って伝送される電気信号などの、それ自体が一過性の信号であるものとして解釈されるべきではない。
コンピュータ可読媒体の例としては、電気信号（有線又は無線接続を介して送信される）及びコンピュータ可読記憶媒体が挙げられる。コンピュータ可読記憶媒体の例としては、限定されないが、レジスタ、キャッシュメモリ、半導体メモリデバイス、内部ハードディスク及びリムーバブルディスクなどの磁気媒体、光磁気媒体、コンパクトディスク（ＣＤ）及びデジタル多用途ディスク（ＤＶＤ）などの光学媒体、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、消去可能プログラマブル読み取り専用メモリ（ＥＰＲＯＭ又はフラッシュメモリ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）、及びメモリスティックなどが挙げられる。ソフトウェアに関連するプロセッサを使用して、ＷＴＲＵ、ＵＥ、端末、基地局、ＲＮＣ、又は任意のホストコンピュータで使用するための無線周波数トランシーバを実装することができる。
本明細書で使用される用語は、特定の態様を説明することのみを目的としており、限定することを意図するものではない。本明細書で使用するとき、文脈上特に明記されない限り、単数形「ａ」、「ａｎ」及び「ｔｈｅ」は複数の形態をも含むものとする。用語「（comprise）」（備える）及び／又は「ｃｏｍｐｒｉｓｉｎｇ」（備えている）は、本明細書で用いられる場合、記載された特徴、整数、工程、動作、要素、及び／又は構成部品の存在を示すものであるが、１つ以上の他の特徴、整数、工程、動作、要素、構成要素及び／又はそれらの群の存在を除外するものではない点を理解されたい。
本明細書の様々な態様の説明は、例示の目的で提示されているが、網羅的であることを意図するものではなく、開示される態様に限定されることを意図するものでもない。記載された態様の範囲及び精神から逸脱することなく、多くの修正及び変形は、当業者には明らかであろう。本明細書で使用される用語は、態様の原理、実際の適用又は市場で見られる技術に対する技術的改良を最もよく説明するために、又は当業者が本明細書に開示される態様を理解できるようにするために選択された。
〔実施の態様〕
（１） 患者から取得された生体計測データを受信することと、
前記生体計測データから拍動セグメントを抽出することと、
前記拍動セグメントをクラスタに分類することであって、各クラスタが不整脈種類を表す、ことと、
前記拍動セグメントが閾値数を下回る数のクラスタに分類されることに応答して、前記クラスタのうちの１つにおける拍動セグメントに関連付けられたデータに基づいて少なくとも１つのマップを生成することと、を含む、心臓マッピングのための方法。
（２） 前記生体計測データは、体表面心電図データ、心内心電図データ、又はアブレーションデータのうちの少なくとも１つを含む、実施態様１に記載の方法。
（３） 前記生体計測データは、カテーテル電極位置データを含む、実施態様１に記載の方法。
（４） 前記生体計測データは、カテーテルによって取得された測定値と、冠状静脈洞カテーテルによって取得された対応する基準測定値と、を含み、前記基準測定値は、前記カテーテルによって取得された前記測定値をリンクするために使用される、実施態様１に記載の方法。
（５） 前記不整脈種類は、特定の不整脈種類、正常洞調律、混合不整脈、又はそれらの組み合わせを含む、実施態様１に記載の方法。
（６） 前記分類は、
前記拍動セグメントのそれぞれについて、１つ以上の拍動特性を推定することと、
前記拍動セグメントを、それらのそれぞれの拍動特性に基づいて、前記クラスタに分類することと、を含む、実施態様１に記載の方法。
（７） 前記拍動特性は、形状記述子、起源、又は伝播速度のうちの１つ以上を含む、実施態様６に記載の方法。
（８） 前記拍動セグメントのサブセットは、心臓内の起源及び伝播速度によって特徴付けられる拍動を表し、前記サブセット内の各拍動セグメントは、多電極カテーテルの対応する電極によって捕捉される、実施態様６に記載の方法。
（９） 前記推定は、前記多電極カテーテルの電極が前記サブセットの対応する拍動セグメント内の前記拍動を測定する時間をそれぞれが示す時間測定値に基づいて、また、前記拍動が前記電極によって測定された前記時間での前記電極の位置をそれぞれが示す位置測定値に基づいて、前記拍動の前記起源及び前記伝播速度を推定することを含む、実施態様８に記載の方法。
（１０） 前記分類は、
前記拍動セグメントのそれぞれについて、前記拍動セグメントに関連付けられた生体計測データに基づいて、機械学習モデルを使用してそれぞれの不整脈種類を予測することと、
前記拍動セグメントを、それらのそれぞれの予測された不整脈種類に基づいて、前記クラスタに分類することと、を含む、実施態様１に記載の方法。
（１１） 過去の患者に関連付けられた訓練データセットを受信することであって、各過去の患者の前記訓練データセットは、
前記過去の患者から取得された生体計測データから抽出された拍動セグメントと、
各拍動セグメントについての不整脈種類の分類と、を含む、ことと、
前記訓練データセットに基づいて前記機械学習モデルを訓練して、前記患者から取得された拍動セグメントに関連付けられた不整脈種類を予測することと、を更に含む、実施態様１０に記載の方法。
（１２） 心臓マッピングのためのシステムであって、
少なくとも１つのプロセッサと、
命令を格納するメモリであって、前記命令は、前記少なくとも１つのプロセッサによって実行されると、前記システムに、
患者から取得された生体計測データを受信させ、
前記生体計測データから拍動セグメントを抽出させ、
前記拍動セグメントを、それぞれが不整脈種類を表すクラスタに分類させ、
前記拍動セグメントが閾値数を下回る数のクラスタに分類されることに応答して、前記クラスタのうちの１つにおける拍動セグメントに関連付けられたデータに基づいて少なくとも１つのマップを生成させる、メモリと、を備える、システム。
（１３） 前記生体計測データは、体表面心電図データ、心内心電図データ、又はアブレーションデータのうちの少なくとも１つを含む、実施態様１２に記載のシステム。
（１４） 前記生体計測データは、カテーテル電極位置データを含む、実施態様１２に記載のシステム。
（１５） 前記生体計測データは、カテーテルによって取得された測定値と、冠状静脈洞カテーテルによって取得された対応する基準測定値と、を含み、前記基準測定値は、前記カテーテルによって取得された前記測定値をリンクするために使用される、実施態様１２に記載のシステム。
（１６） 前記不整脈種類は、特定の不整脈種類、正常洞調律、混合不整脈、又はそれらの組み合わせを含む、実施態様１２に記載のシステム。
（１７） 前記分類は、
前記拍動セグメントのそれぞれについて、１つ以上の拍動特性を推定することと、
前記拍動セグメントを、それらのそれぞれの拍動特性に基づいて、前記クラスタに分類することと、を含む、実施態様１２に記載のシステム。
（１８） 前記拍動特性は、形状記述子、起源、又は伝播速度のうちの１つ以上を含む、実施態様１７に記載のシステム。
（１９） 前記拍動セグメントのサブセットは、心臓内の起源及び伝播速度によって特徴付けられる拍動を表し、前記サブセット内の各拍動セグメントは、多電極カテーテルの対応する電極によって捕捉される、実施態様１７に記載のシステム。
（２０） 前記推定は、前記多電極カテーテルの電極が前記サブセットの対応する拍動セグメント内の前記拍動を測定する時間をそれぞれが示す時間測定値に基づいて、また、前記拍動が前記電極によって測定された前記時間での前記電極の位置をそれぞれが示す位置測定値に基づいて、前記拍動の前記起源及び前記伝播速度を推定することを含む、実施態様１９に記載のシステム。
（２１） 前記分類は、
前記拍動セグメントのそれぞれについて、前記拍動セグメントに関連付けられた生体計測データに基づいて、機械学習モデルを使用してそれぞれの不整脈種類を予測することと、
前記拍動セグメントを、それらのそれぞれの予測された不整脈種類に基づいて、前記クラスタに分類することと、を含む、実施態様１２に記載のシステム。
（２２） 命令を更に含み、前記命令は、前記システムに、
過去の患者に関連付けられた訓練データセットを受信することであって、各過去の患者の前記訓練データセットは、
前記過去の患者から取得された生体計測データから抽出された拍動セグメントと、
各拍動セグメントについての不整脈種類の分類と、を含む、ことと、
前記訓練データセットに基づいて前記機械学習モデルを訓練して、前記患者から取得された拍動セグメントに関連付けられた不整脈種類を予測することと、を行わせる、実施態様２１に記載のシステム。
（２３） 心臓マッピングのための方法を実行するために少なくとも１つのプロセッサによって実行可能な命令を含む非一時的なコンピュータ可読媒体であって、前記方法は、
患者から取得された生体計測データを受信することと、
前記生体計測データから拍動セグメントを抽出することと、
前記拍動セグメントをクラスタに分類することであって、各クラスタが不整脈種類を表す、ことと、
前記拍動セグメントが閾値数を下回る数のクラスタに分類されることに応答して、前記クラスタのうちの１つにおける拍動セグメントに関連付けられたデータに基づいて少なくとも１つのマップを生成することと、を含む、非一時的なコンピュータ可読媒体。

Claims (23)

  1. 心臓マッピングのためのシステムであって、
    少なくとも１つのプロセッサと、
    命令を格納するメモリであって、前記命令は、前記少なくとも１つのプロセッサによって実行されると、前記システムに、
    患者から取得された生体計測データを受信させ、
    前記生体計測データから拍動セグメントを抽出させ、
    前記拍動セグメントを、それぞれが不整脈種類を表すクラスタに分類させ、
    前記拍動セグメントが閾値数を下回る数のクラスタに分類されることに応答して、前記クラスタのうちの１つにおける拍動セグメントに関連付けられたデータに基づいて少なくとも１つのマップを生成させる、メモリと、を備える、システム。
  2. 前記生体計測データは、体表面心電図データ、心内心電図データ、又はアブレーションデータのうちの少なくとも１つを含む、請求項１に記載のシステム。
  3. 前記生体計測データは、カテーテル電極位置データを含む、請求項１に記載のシステム。
  4. 前記生体計測データは、カテーテルによって取得された測定値と、冠状静脈洞カテーテルによって取得された対応する基準測定値と、を含み、前記基準測定値は、前記カテーテルによって取得された前記測定値をリンクするために使用される、請求項１に記載のシステム。
  5. 前記不整脈種類は、特定の不整脈種類、正常洞調律、混合不整脈、又はそれらの組み合わせを含む、請求項１に記載のシステム。
  6. 前記分類は、
    前記拍動セグメントのそれぞれについて、１つ以上の拍動特性を推定することと、
    前記拍動セグメントを、それらのそれぞれの拍動特性に基づいて、前記クラスタに分類することと、を含む、請求項１に記載のシステム。
  7. 前記拍動特性は、形状記述子、起源、又は伝播速度のうちの１つ以上を含む、請求項６に記載のシステム。
  8. 前記拍動セグメントのサブセットは、心臓内の起源及び伝播速度によって特徴付けられる拍動を表し、前記サブセット内の各拍動セグメントは、多電極カテーテルの対応する電極によって捕捉される、請求項６に記載のシステム。
  9. 前記推定は、前記多電極カテーテルの電極が前記サブセットの対応する拍動セグメント内の前記拍動を測定する時間をそれぞれが示す時間測定値に基づいて、また、前記拍動が前記電極によって測定された前記時間での前記電極の位置をそれぞれが示す位置測定値に基づいて、前記拍動の前記起源及び前記伝播速度を推定することを含む、請求項８に記載のシステム。
  10. 前記分類は、
    前記拍動セグメントのそれぞれについて、前記拍動セグメントに関連付けられた生体計測データに基づいて、機械学習モデルを使用してそれぞれの不整脈種類を予測することと、
    前記拍動セグメントを、それらのそれぞれの予測された不整脈種類に基づいて、前記クラスタに分類することと、を含む、請求項１に記載のシステム。
  11. 命令を更に含み、前記命令は、前記システムに、
    過去の患者に関連付けられた訓練データセットを受信することであって、各過去の患者の前記訓練データセットは、
    前記過去の患者から取得された生体計測データから抽出された拍動セグメントと、
    各拍動セグメントについての不整脈種類の分類と、を含む、ことと、
    前記訓練データセットに基づいて前記機械学習モデルを訓練して、前記患者から取得された拍動セグメントに関連付けられた不整脈種類を予測することと、を行わせる、請求項１０に記載のシステム。
  12. 心臓マッピングのための方法を実行するために少なくとも１つのプロセッサによって実行可能な命令を含む非一時的なコンピュータ可読媒体であって、前記方法は、
    患者から取得された生体計測データを受信することと、
    前記生体計測データから拍動セグメントを抽出することと、
    前記拍動セグメントをクラスタに分類することであって、各クラスタが不整脈種類を表す、ことと、
    前記拍動セグメントが閾値数を下回る数のクラスタに分類されることに応答して、前記クラスタのうちの１つにおける拍動セグメントに関連付けられたデータに基づいて少なくとも１つのマップを生成することと、を含む、非一時的なコンピュータ可読媒体。
  13. プロセッサを備える心臓マッピングのためのシステムの作動方法であって、
    前記プロセッサが、患者から取得された生体計測データを受信することと、
    前記プロセッサが、前記生体計測データから拍動セグメントを抽出することと、
    前記プロセッサが、前記拍動セグメントをクラスタに分類することであって、各クラスタが不整脈種類を表す、ことと、
    前記拍動セグメントが閾値数を下回る数のクラスタに分類されることに応答して、前記プロセッサが、前記クラスタのうちの１つにおける拍動セグメントに関連付けられたデータに基づいて少なくとも１つのマップを生成することと、を含む、方法。
  14. 前記生体計測データは、体表面心電図データ、心内心電図データ、又はアブレーションデータのうちの少なくとも１つを含む、請求項１３に記載の方法。
  15. 前記生体計測データは、カテーテル電極位置データを含む、請求項１３に記載の方法。
  16. 前記生体計測データは、カテーテルによって取得された測定値と、冠状静脈洞カテーテルによって取得された対応する基準測定値と、を含み、前記基準測定値は、前記カテーテルによって取得された前記測定値をリンクするために使用される、請求項１３に記載の方法。
  17. 前記不整脈種類は、特定の不整脈種類、正常洞調律、混合不整脈、又はそれらの組み合わせを含む、請求項１３に記載の方法。
  18. 前記分類は、
    前記プロセッサが、前記拍動セグメントのそれぞれについて、１つ以上の拍動特性を推定することと、
    前記プロセッサが、前記拍動セグメントを、それらのそれぞれの拍動特性に基づいて、前記クラスタに分類することと、を含む、請求項１３に記載の方法。
  19. 前記拍動特性は、形状記述子、起源、又は伝播速度のうちの１つ以上を含む、請求項１８に記載の方法。
  20. 前記拍動セグメントのサブセットは、心臓内の起源及び伝播速度によって特徴付けられる拍動を表す、請求項１８に記載の方法。
  21. 前記推定は、多電極カテーテルの電極が前記サブセットの対応する拍動セグメント内の前記拍動を測定する時間をそれぞれが示す時間測定値に基づいて、また、前記拍動が前記電極によって測定された前記時間での前記電極の位置をそれぞれが示す位置測定値に基づいて、前記プロセッサが、前記拍動の前記起源及び前記伝播速度を推定することを含む、請求項２０に記載の方法。
  22. 前記分類は、
    前記拍動セグメントのそれぞれについて、前記拍動セグメントに関連付けられた生体計測データに基づいて、前記プロセッサが、機械学習モデルを使用してそれぞれの不整脈種類を予測することと、
    前記拍動セグメントを、それらのそれぞれの予測された不整脈種類に基づいて、前記プロセッサが、前記クラスタに分類することと、を含む、請求項１３に記載の方法。
  23. 前記プロセッサが、過去の患者に関連付けられた訓練データセットを受信することであって、各過去の患者の前記訓練データセットは、
    前記過去の患者から取得された生体計測データから抽出された拍動セグメントと、
    各拍動セグメントについての不整脈種類の分類と、を含む、ことと、
    前記プロセッサが、前記訓練データセットに基づいて前記機械学習モデルを訓練して、前記患者から取得された拍動セグメントに関連付けられた不整脈種類を予測することと、を更に含む、請求項２２に記載の方法。
JP2021142259A 2020-09-01 2021-09-01 心臓マッピングのための不整脈分類 Active JP7801111B2 (ja)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US202063073217P 2020-09-01 2020-09-01
US63/073,217 2020-09-01
US202063090494P 2020-10-12 2020-10-12
US63/090,494 2020-10-12
US17/460,863 2021-08-30
US17/460,863 US20220068483A1 (en) 2020-09-01 2021-08-30 Arrhythmia classification for cardiac mapping

Publications (2)

Publication Number Publication Date
JP2022042009A JP2022042009A (ja) 2022-03-11
JP7801111B2 true JP7801111B2 (ja) 2026-01-16

Family

ID=77595438

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021142259A Active JP7801111B2 (ja) 2020-09-01 2021-09-01 心臓マッピングのための不整脈分類

Country Status (5)

Country Link
US (1) US20220068483A1 (ja)
EP (1) EP3960085B1 (ja)
JP (1) JP7801111B2 (ja)
CN (1) CN114098743B (ja)
IL (1) IL285992B2 (ja)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021097872A (ja) * 2019-12-23 2021-07-01 株式会社三洋物産 遊技機
JP2021097873A (ja) * 2019-12-23 2021-07-01 株式会社三洋物産 遊技機
JP7409416B2 (ja) * 2019-12-23 2024-01-09 株式会社三洋物産 遊技機
JP2021097871A (ja) * 2019-12-23 2021-07-01 株式会社三洋物産 遊技機
US20220068479A1 (en) * 2020-08-26 2022-03-03 Biosense Webster (Israel) Ltd. Separating abnormal heart activities into different classes
CN116089862B (zh) * 2023-02-06 2023-08-15 西安交通大学第二附属医院 一种基于修正机制的自调节蚁群聚类算法的ecg心律失常分类方法
CN115998303B (zh) * 2023-03-24 2023-06-16 中国医学科学院阜外医院 非接触式标测系统
CN120585348A (zh) * 2025-05-23 2025-09-05 四川省医学科学院·四川省人民医院 一种基于人工智能技术的心腔内电生理检查数据的处理方法、程序产品、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130096449A1 (en) 2011-10-14 2013-04-18 Medtronic, Inc. Electrogram classification algorithm
JP2016530008A (ja) 2013-08-28 2016-09-29 ボストン サイエンティフィック サイムド，インコーポレイテッドＢｏｓｔｏｎ Ｓｃｉｅｎｔｉｆｉｃ Ｓｃｉｍｅｄ，Ｉｎｃ． 電気生理学的マッピング中のデータセグメントにおける活性化パターンの優勢度を予測すること
JP2017509399A (ja) 2014-03-11 2017-04-06 ボストン サイエンティフィック サイムド，インコーポレイテッドＢｏｓｔｏｎ Ｓｃｉｅｎｔｉｆｉｃ Ｓｃｉｍｅｄ，Ｉｎｃ． 心臓組織をマッピングするための医療用デバイス
CN106691438A (zh) 2016-12-07 2017-05-24 首都医科大学附属北京安贞医院 用于复杂心律失常的整体心脏三维标测系统
US20190328254A1 (en) 2018-04-26 2019-10-31 Vektor Medical, Inc. Converting a polyhedral mesh representing an electromagnetic source

Family Cites Families (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US216438A (en) * 1879-06-10 Improvement in stove and range top center-pieces
US177111A (en) * 1876-05-09 Improvement in apparatus for drying hides
US328243A (en) * 1885-10-13 And john n
US337567A (en) * 1886-03-09 Baling-press
US249031A (en) * 1881-11-01 William j
US5713932A (en) * 1996-10-28 1998-02-03 Medtronic, Inc. Method and apparatus for determining atrial lead disclocation and confirming diagnosis of atrial tachyarrhythimias
WO2006066324A1 (en) * 2004-12-21 2006-06-29 Sydney West Area Health Service Automated processing of electrophysiological data
US20090177111A1 (en) * 2006-12-06 2009-07-09 Miller Stephan P System and method for displaying contact between a catheter and tissue
US7582061B2 (en) * 2005-12-22 2009-09-01 Cardiac Pacemakers, Inc. Method and apparatus for morphology-based arrhythmia classification using cardiac and other physiological signals
US8155735B2 (en) * 2006-09-19 2012-04-10 The Cleveland Clinic Foundation Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients
US20110264000A1 (en) * 2007-12-28 2011-10-27 Saurav Paul System and method for determining tissue type and mapping tissue morphology
JP5956463B2 (ja) * 2010-12-30 2016-07-27 セント・ジュード・メディカル・エイトリアル・フィブリレーション・ディヴィジョン・インコーポレーテッド 身体組織から電子生理学的データを分析しマッピングするシステム、電子生理学的データを分析するシステムの作動方法及び心臓組織から測定されるデータを分析するカテーテルシステム
US9002442B2 (en) * 2011-01-13 2015-04-07 Rhythmia Medical, Inc. Beat alignment and selection for cardiac mapping
WO2013052574A1 (en) * 2011-10-04 2013-04-11 The Board Of Trustees Of The Leland Stanford Junior University Control of cardiac excitability using high frequency signals
US8788024B1 (en) * 2013-03-15 2014-07-22 Apn Health, Llc Multi-channel cardiac measurements
CN105473066A (zh) * 2013-08-20 2016-04-06 圣犹达医疗用品电生理部门有限公司 用于生成电生理学图的系统和方法
WO2015120064A1 (en) * 2014-02-04 2015-08-13 Cardioinsight Technologies, Inc. Integrated analysis of electrophysiological data
US9421061B2 (en) * 2014-12-18 2016-08-23 Biosense Webster (Israel) Ltd. Ventricular far field reduction
US11389102B2 (en) * 2018-03-16 2022-07-19 Ablacon Inc. Systems, devices, components and methods for detecting the locations of sources of cardiac rhythm disorders in a patient's heart
US20220248956A1 (en) * 2015-09-07 2022-08-11 Ablacon Inc. Systems, Devices, Components and Methods for Detecting the Locations of Sources of Cardiac Rhythm Disorders in a Patient's Heart Using Body Surface Electrodes and/or Cardiac Monitoring Patches
US10039469B2 (en) * 2016-03-30 2018-08-07 Medtronic, Inc. Atrial arrhythmia episode detection in a cardiac medical device
US10376221B2 (en) * 2016-07-06 2019-08-13 Biosense Webster (Israel) Ltd. Automatic creation of multiple electroanatomic maps
US10368769B2 (en) * 2016-07-27 2019-08-06 Medtronic, Inc. Automatic thresholds for atrial tachyarrhythmia detection in an implantable medical device
WO2018073722A1 (en) * 2016-10-17 2018-04-26 Hospital Clinic De Barcelona A computer implemented method to identify the ventricular arrhythmogenic substrate in myocardial scar or fibrotic tissue and computer programs thereof
EP3558101B1 (en) * 2016-12-21 2022-06-08 Emory University Methods and systems for determining abnormal cardiac activity
WO2018195052A1 (en) * 2017-04-18 2018-10-25 Boston Scientific Scimed Inc. Annotation histogram for electrophysiological signals
US10383539B2 (en) * 2017-06-22 2019-08-20 Smart Solutions Technologies, S.L. System and methods for classifying arrhythmia-related heartbeats
US11389116B2 (en) * 2018-01-19 2022-07-19 Biosense Webster (Israel) Ltd. Apparatus and method for heartbeat classification based on time sequence and morphology of intracardiac and body surface electrocardiogram (ECG) signals
US20230049769A1 (en) * 2018-04-26 2023-02-16 Vektor Medical, Inc. Cardiogram collection and source location identification
AU2019379084B2 (en) * 2018-11-13 2024-06-27 Vektor Medical, Inc. Augmentation of images with source locations
US10869610B2 (en) * 2018-12-05 2020-12-22 General Electric Company System and method for identifying cardiac arrhythmias with deep neural networks
US20200178831A1 (en) * 2018-12-11 2020-06-11 Biosense Webster (Israel) Ltd. Display of arrhythmia type
US12042251B2 (en) * 2019-04-24 2024-07-23 BraveHeart Wireless Inc. Systems and methods of arrhythmia detection
ES2989762T3 (es) * 2019-04-30 2024-11-27 Medicalgorithmics Sa Segmentación de señales de electrocardiograma
US11723577B2 (en) * 2019-05-06 2023-08-15 Medtronic, Inc. Visualization of arrhythmia detection by machine learning
GB201910657D0 (en) * 2019-07-25 2019-09-11 Univ Oxford Innovation Ltd Deep end-to-end classification of electrocardiogram data
US11617528B2 (en) * 2019-10-08 2023-04-04 GE Precision Healthcare LLC Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
US11304645B2 (en) * 2019-10-15 2022-04-19 Biosense Webster (Israel) Ltd. Local rendering based detail subset presentation
US11589828B2 (en) * 2020-01-03 2023-02-28 GE Precision Healthcare LLC System and methods for electrocardiogram beat similarity analysis using deep neural networks
US20220000410A1 (en) * 2020-07-01 2022-01-06 Biosense Webster (Israel) Ltd. Mapping efficiency by suggesting map point's location
US12414731B2 (en) * 2020-08-07 2025-09-16 Biosense Webster (Israel) Ltd. System and method to detect and identify cardiac pace-mapping sites and pacing maneuvers
EP4192354A1 (en) * 2020-08-10 2023-06-14 Cardiologs Technologies SAS Electrocardiogram processing system for detecting and/or predicting cardiac events
US20220181025A1 (en) * 2020-12-04 2022-06-09 Biosense Webster (Israel) Ltd. Setting an automatic window of interest based on a learning data analysis
US11819331B2 (en) * 2021-12-08 2023-11-21 Biosense Webster (Israel) Ltd. Visualization of epicardial and endocardial electroanatomical maps

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130096449A1 (en) 2011-10-14 2013-04-18 Medtronic, Inc. Electrogram classification algorithm
JP2016530008A (ja) 2013-08-28 2016-09-29 ボストン サイエンティフィック サイムド，インコーポレイテッドＢｏｓｔｏｎ Ｓｃｉｅｎｔｉｆｉｃ Ｓｃｉｍｅｄ，Ｉｎｃ． 電気生理学的マッピング中のデータセグメントにおける活性化パターンの優勢度を予測すること
JP2017509399A (ja) 2014-03-11 2017-04-06 ボストン サイエンティフィック サイムド，インコーポレイテッドＢｏｓｔｏｎ Ｓｃｉｅｎｔｉｆｉｃ Ｓｃｉｍｅｄ，Ｉｎｃ． 心臓組織をマッピングするための医療用デバイス
CN106691438A (zh) 2016-12-07 2017-05-24 首都医科大学附属北京安贞医院 用于复杂心律失常的整体心脏三维标测系统
US20190328254A1 (en) 2018-04-26 2019-10-31 Vektor Medical, Inc. Converting a polyhedral mesh representing an electromagnetic source

Also Published As

Publication number Publication date
CN114098743B (zh) 2025-03-25
IL285992B2 (en) 2024-10-01
IL285992A (en) 2022-03-01
US20220068483A1 (en) 2022-03-03
CN114098743A (zh) 2022-03-01
EP3960085C0 (en) 2023-08-02
EP3960085A1 (en) 2022-03-02
IL285992B1 (en) 2024-06-01
JP2022042009A (ja) 2022-03-11
EP3960085B1 (en) 2023-08-02

Similar Documents

Publication Publication Date Title
JP7801111B2 (ja) 心臓マッピングのための不整脈分類
JP7775549B2 (ja) 心房細動
US12414731B2 (en) System and method to detect and identify cardiac pace-mapping sites and pacing maneuvers
EP4008252A1 (en) Catheter structure examination and optimization using medical procedure information
JP7696776B2 (ja) 複数の画像化モダリティを使用する有機組織内の瘢痕領域の自動識別
JP7830098B2 (ja) 解剖学的構造マッピングデータの信号及び補正処理
JP7801108B2 (ja) 異常な心臓活動の異なるクラスへの分類
US20220181025A1 (en) Setting an automatic window of interest based on a learning data analysis
US20230146716A1 (en) Digital twin of atria for atrial fibrillation patients
EP4008241A1 (en) Automatic acquisition of electrophysical data points using automated setting of signal rejection criteria based on big data analysis
EP4014871A1 (en) Automatic post pacing interval measurement and display

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240809

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20250123

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20250717

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20250729

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20251022

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20251202

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20260105

R150 Certificate of patent or registration of utility model

Ref document number: 7801111

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150