CN117083016A - 急性健康事件监测 - Google Patents
急性健康事件监测 Download PDFInfo
- Publication number
- CN117083016A CN117083016A CN202280019901.8A CN202280019901A CN117083016A CN 117083016 A CN117083016 A CN 117083016A CN 202280019901 A CN202280019901 A CN 202280019901A CN 117083016 A CN117083016 A CN 117083016A
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- patient parameter
- rules
- parameter 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.)
- Pending
Links
- 230000036541 health Effects 0.000 title claims description 140
- 230000001154 acute effect Effects 0.000 title description 114
- 238000012544 monitoring process Methods 0.000 title description 30
- 238000012545 processing Methods 0.000 claims abstract description 185
- 206010049418 Sudden Cardiac Death Diseases 0.000 claims abstract description 82
- 208000014221 sudden cardiac arrest Diseases 0.000 claims abstract description 80
- 238000010801 machine learning Methods 0.000 claims abstract description 51
- 230000004044 response Effects 0.000 claims abstract description 51
- 230000015654 memory Effects 0.000 claims abstract description 38
- 238000004891 communication Methods 0.000 claims description 34
- 208000010496 Heart Arrest Diseases 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 11
- 230000036772 blood pressure Effects 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 9
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 6
- 238000000034 method Methods 0.000 description 60
- 238000001514 detection method Methods 0.000 description 48
- 230000000981 bystander Effects 0.000 description 28
- 239000000306 component Substances 0.000 description 19
- 206010003119 arrhythmia Diseases 0.000 description 16
- 230000006793 arrhythmia Effects 0.000 description 16
- 230000000747 cardiac effect Effects 0.000 description 14
- 208000003663 ventricular fibrillation Diseases 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 230000001815 facial effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000011282 treatment Methods 0.000 description 8
- 206010047302 ventricular tachycardia Diseases 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 208000010125 myocardial infarction Diseases 0.000 description 7
- 206010010904 Convulsion Diseases 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 208000001871 Tachycardia Diseases 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 238000002680 cardiopulmonary resuscitation Methods 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 230000010412 perfusion Effects 0.000 description 5
- 208000024891 symptom Diseases 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000033764 rhythmic process Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 3
- 206010058151 Pulseless electrical activity Diseases 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 206010049447 Tachyarrhythmia Diseases 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 230000000116 mitigating effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 208000036829 Device dislocation Diseases 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000002631 hypothermal effect Effects 0.000 description 2
- 238000002513 implantation Methods 0.000 description 2
- 230000001976 improved effect Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000004660 morphological change Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012628 principal component regression Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010001052 Acute respiratory distress syndrome Diseases 0.000 description 1
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 208000006017 Cardiac Tamponade Diseases 0.000 description 1
- 206010007559 Cardiac failure congestive Diseases 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 206010021113 Hypothermia Diseases 0.000 description 1
- 206010021137 Hypovolaemia Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 208000003734 Supraventricular Tachycardia Diseases 0.000 description 1
- 206010047281 Ventricular arrhythmia Diseases 0.000 description 1
- 206010065341 Ventricular tachyarrhythmia Diseases 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 239000012503 blood component Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 206010007625 cardiogenic shock Diseases 0.000 description 1
- 238000013194 cardioversion Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 231100000518 lethal Toxicity 0.000 description 1
- 230000001665 lethal effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 210000002976 pectoralis muscle Anatomy 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 201000003144 pneumothorax Diseases 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009862 primary prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000034225 regulation of ventricular cardiomyocyte membrane depolarization Effects 0.000 description 1
- 230000008085 renal dysfunction Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000007665 sagging Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000001562 sternum Anatomy 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 239000002438 stress hormone Substances 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 206010042772 syncope Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 229920002803 thermoplastic polyurethane Polymers 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
一种系统,包括处理电路和存储器,该存储器包括程序指令,这些程序指令在由该处理电路执行时使该处理电路:将第一组规则应用于第一患者参数数据,以用于是否检测到患者的心脏骤停的第一确定;确定满足该第一确定的一个或多个上下文准则;以及响应于满足这些上下文准则,将第二组规则应用于第二患者参数数据,以用于是否检测到该患者的心脏骤停的第二确定。至少该第二组规则包括机器学习模型,并且该第二患者参数数据包括未被包括在该第一患者参数数据中的至少一个患者参数。
Description
本申请要求于2021年4月30日提交的美国专利申请序列号17/246,331的优选权权益,该美国专利申请的全部内容以引用方式并入本文。
技术领域
本公开整体涉及包括医疗装置的系统,并且更具体地涉及使用此类系统来监测患者健康。
背景技术
多种装置被配置成监测患者的生理信号。此类装置包括植入式或可穿戴医疗装置,以及多种可穿戴健康或健身跟踪装置。由此类装置感测到的生理信号包括例如心电图(ECG)信号、呼吸信号、灌注信号、活动和/或位姿信号、压力信号、血氧饱和度信号、身体成分以及血糖或其他血液成分信号。一般来讲,使用这些信号,此类装置便于在诊所环境之外在数月或数年内监测和评估患者健康。
在一些情况下,此类装置被配置成基于生理信号检测急性健康事件,诸如心律失常、心肌梗塞、跌倒、中风或癫痫发作。示例性心律失常类型包括心脏停搏(例如,心搏停止)、室性心动过速(VT)和心室纤颤(VF)。这些装置可将在包括发作的时间段期间收集的ECG和其他生理信号数据存储为发作数据。此类急性健康事件与显著的死亡率相关,特别是如果不快速治疗。
例如,VF和其他恶性快速性心律失常是在心脏骤停(SCA)患者中最常鉴定的心律失常。如果这种心律失常持续超过几秒,则可能导致心源性休克和有效血液循环停止。对于患者等待除颤的每分钟,来自SCA的存活率降低7%至10%。因此,心脏性猝死(SCD)可能在几分钟内发生。
发明内容
一般而言,本公开描述了用于通过监测患者参数数据来检测急性健康事件(诸如心脏骤停(SCA))的技术。更具体而言,本公开描述了用于将可包括一个或多个机器学习模型的规则应用于患者参数数据以检测急性健康事件的技术。这些技术包括配置规则和/或将规则应用于患者参数数据,以便改善急性健康事件的检测的效率和有效性。
例如,处理电路可以将第一组规则应用于第一组患者参数数据以用于是否检测到急性健康事件的第一次确定。基于是否满足与第一确定相关联的一个或多个上下文准则,处理电路可以确定是否将第二组规则应用于第二患者参数数据以确定是否检测到急性健康事件。第二组规则和患者参数数据可以包括来自额外传感器的更复杂的规则和/或更多的患者参数。上下文准则可以包括第一确定的阈值确定置信度或事件可能性、第一确定期间或之后的用户输入是否满足准则、或监测系统的阈值功率电平。以此方式,采用本发明的技术的装置和系统针对第一确定的上下文暗示其可能不如所要可靠的某些情况而节省与第二确定相关联的系统资源使用。
在一个示例中,系统包括处理电路和存储器。该存储器包括程序指令,这些程序指令在由该处理电路执行时使该处理电路:将第一组规则应用于第一患者参数数据,以用于是否检测到患者的心脏骤停的第一确定;确定满足该第一确定的一个或多个上下文准则;以及响应于满足该一个或多个上下文准则,将第二组规则应用于第二患者参数数据,以用于是否检测到该患者的心脏骤停的第二确定。至少该第二组规则包括机器学习模型,并且第二患者参数数据包括未被包括在第一患者参数数据中的至少一个患者参数。
在另一个示例中,一种方法包括通过处理电路:将第一组规则应用于第一患者参数数据,以用于是否检测到患者的心脏骤停的第一确定;确定满足该第一确定的一个或多个上下文准则;以及响应于满足该一个或多个上下文准则,将第二组规则应用于第二患者参数数据,以用于是否检测到该患者的心脏骤停的第二确定。至少该第二组规则包括机器学习模型,并且第二患者参数数据包括未被包括在第一患者参数数据中的至少一个患者参数。
在另一个示例中,一种包括指令的非暂时性计算机可读存储介质,这些指令在由处理电路执行时使处理电路:将第一组规则应用于第一患者参数数据,以用于是否检测到患者的心脏骤停的第一确定;以及确定满足第一确定的一个或多个上下文准则;以及响应于满足这些上下文准则,将第二组规则应用于第二患者参数数据,以用于是否检测到患者的心脏骤停的第二确定。至少该第二组规则包括机器学习模型,并且第二患者参数数据包括未被包括在第一患者参数数据中的至少一个患者参数。
本发明内容旨在提供对本公开中所描述的主题的概述。其并不旨在提供对在以下附图和描述中详细描述的设备和方法的排他性或穷尽性解释。在以下附图和描述中阐述了一个或多个示例的进一步的细节。
附图说明
图1是展示根据本公开的一种或多种技术的被配置成检测患者的健康事件并响应此类检测的示例性系统的框图。
图2是展示根据本公开的一种或多种技术进行操作的患者感测装置的示例性配置的框图。
图3是展示根据本公开的一种或多种技术进行操作的计算装置的示例性配置的框图。
图4是展示根据本公开的一种或多种技术进行操作的健康监测系统的示例性配置的框图。
图5是展示用于将规则应用于患者参数数据以确定是否检测到急性健康事件的示例性操作的流程图。
图6是展示用于将规则应用于患者参数数据以确定是否检测到急性健康事件的另一示例性操作的流程图。
图7是展示用于配置应用于患者参数数据以确定是否针对患者检测到急性健康事件的规则的示例性操作的流程图。
图8是展示用于配置应用于患者参数数据以确定是否针对患者检测到急性健康事件的规则的另一示例性操作的流程图。
图9是展示利用心脏骤停的风险评分的示例性操作的流程图。
在整个附图和说明书中,类似的附图标记是指类似的元件。
具体实施方式
多种类型的植入式装置和外部装置基于感测到的ECG以及(在一些情况下)其他生理信号来检测心律失常发作和其他急性健康事件。可以用于非侵入性感测和监测ECG以及其他生理信号的外部装置包括具有被配置成接触患者的皮肤的电极的可穿戴装置,诸如贴片、手表、戒指、项链、助听器、衣服、汽车座椅或床单。此类医疗装置可促进在正常日常活动期间对患者健康进行相对长期的监测。
植入式医疗装置(IMD)还感测和监测ECG和其他生理信号,并检测急性健康事件,诸如心律失常、心脏骤停、心肌梗塞、中风和癫痫的发作。示例性IMD包括:起搏器和植入式心律转复除颤器,该起搏器和植入式心律转复除颤器可联接到血管内或血管外引线;以及具有被配置用于植入在心脏内的外壳的起搏器,该起搏器可为无引线的。一些IMD不提供治疗,诸如植入式患者监测器。此类IMD的一个示例是可从美敦力公司(Medtronic plc)商购的Reveal LINQ IITM可插入式心脏监测器(ICM),其可经皮下插入。此类IMD可便于在正常日常活动期间对患者进行相对长期的监测,并且可将收集到的数据,例如检测到的心律失常发作的发作数据,定期传输到远程患者监测系统,例如美敦力CarelinkTM网络。
图1是展示根据本公开的一种或多种技术的被配置成检测患者4的健康事件并响应此类检测的示例性系统2的框图。如本文所使用,术语“检测”等可指检测患者4目前(在收集数据时)经历的急性健康事件,以及基于患者4的状况使得他们具有在特定时间帧内经历事件的阈上可能性的数据的检测,例如,急性健康事件的预测。示例性技术可以与一个或多个患者感测装置,例如,IMD 10一起使用,该一个或多个患者感测装置可以与一个或多个患者计算装置,例如患者计算装置12A和12B(统称为“计算装置12”)进行无线通信。虽然在图1中未展示,但是IMD 10包括电极和其他传感器以感测患者4的生理信号,并且可以基于该信号收集并存储感测到的生理数据并且基于该数据检测事件。
IMD 10可以植入患者4的胸腔外(例如,皮下植入图1所展示的胸肌位置)。IMD 10可定位在靠近或刚好低于患者4的心脏水平的胸骨附近,例如至少部分地在心脏轮廓内。在一些示例中,IMD 10采用LINQ IITMICM的形式。尽管主要在IMD 10采用ICM形式的示例的上下文中描述,但是本公开的技术可以在包括任何一个或多个植入式或外部医疗装置的系统中实施,该装置包括监测器、起搏器、除颤器、可穿戴外部除颤器、神经刺激器或药物泵。此外,尽管主要在包括单个植入的患者感测装置的示例的上下文中进行描述,但是在一些示例中,系统包括一个或多个患者感测装置,其可以被植入患者4内或患者4外部(例如,由该患者佩戴)。例如,具有两个IMD 10的系统可以基于这两个IMD各自的位置以不同的分辨率/准确度来捕获共同患者参数的不同值。在一些示例中,作为两个IMD 10的替代或补充,系统2可以包括除了IMD 10之外的心室辅助装置或WAED。
患者计算装置12被配置成用于与IMD 10进行无线通信。计算装置12从IMD 10检索由IMD收集并存储的事件数据和其他感测到的生理数据。在一些示例中,计算装置12采取患者4的个人计算装置的形式。例如,计算装置12A可采取患者4的智能手机的形式,并且计算装置12B可采取患者4的智能手表或其他智能服装的形式。在一些示例中,计算装置12可以是被配置用于与IMD 10进行无线通信的任何计算装置,诸如台式计算机、膝上型计算机或平板计算机。计算装置12可根据例如或/>低功耗(BLE)协议与IMD10和每种其他进行通信。在一些示例中,由于执行能够与IMD进行通信和交互的软件(例如,如本文所描述的健康监测应用程序的一部分),计算装置12中的仅一个计算装置,例如计算装置12A被配置用于与IMD 10进行通信,例如。
在一些示例中,计算装置12,例如图1所展示的示例中的可穿戴计算装置12B可包括电极和其他传感器以感测患者4的生理信号,并且可收集和存储生理数据并基于此类信号检测发作。计算装置12B可结合到患者14的服装中,诸如结合在衣服、鞋子、眼镜、手表或腕带、帽子等内。在一些示例中,计算装置12B为智能手表或智能手机计算装置12A的其他附件或外围设备。
计算装置12中的一个或多个计算装置可以被配置成经由网络16与各种其他装置或系统进行通信。例如,计算装置12中的一个或多个计算装置可以被配置成经由网络16与一个或多个计算系统(例如,计算系统20A和20B(统称为“计算系统20”))通信。计算系统20A和20B可以分别由IMD 10和计算装置12的制造商管理,以例如为它们各自的装置及其用户提供云存储和所收集的数据的分析、维护和软件服务、或其他联网功能。在一些示例中,计算系统20A可以包括美敦力CarelinkTM网络,或可通过美敦力CarelinkTM网络来实施。在图1所展示的示例中,计算系统20A实施健康监测系统(HMS)22,但在其他示例中,计算系统20中的任一者或两者可以实施HMS22。如以下将更详细描述的,HMS22有助于系统2对患者4的急性健康事件的检测以及系统2对此类急性健康事件的响应。
计算装置12可经由网络16向计算系统20传输数据,包括从IMD 10检索的数据。该数据可以包括:感测数据,例如由IMD 10和在一些情况下计算装置12中的一个或多个计算装置测量的生理参数的值;关于由IMD 10和计算装置12检测到的心律失常发作或其他健康事件的数据;以及由IMD 10和/或计算装置12记录的其他生理信号或数据。HMS22还可以经由网络从一个或多个电子健康记录(EHR)24源检索关于患者4的数据。EHR 24可以包括关于患者(包括患者4)的历史(例如,基线)生理参数值、先前的健康事件和治疗、疾病状态、共存病、人口统计、身高、体重和体重指数(BMI)的数据。HMS22可以使用来自EHR 24的数据来配置由IMD 10和/或计算装置12实施的算法以检测患者4的急性健康事件。在一些示例中,HMS22将来自EHR 24的数据提供给计算装置12和/或IMD 10以存储在其中并且用作其用于检测急性健康事件的算法的一部分。
网络16可以包括一个或多个计算装置,诸如一个或多个非边缘交换机、路由器、集线器、网关、安全装置(诸如防火墙)、入侵检测和/或入侵防护装置、服务器、蜂窝基站和节点、无线接入点、网桥、电缆调制解调器、应用程序加速器或其他网络装置。网络16可包括由服务提供者管理的一个或多个网络,并且因此可形成大规模公共网络基础结构(例如,因特网)的一部分。网络16可以向诸如图1中所示的计算装置和系统提供对因特网的接入,并且可以提供允许计算装置和系统彼此通信的通信框架。在一些示例中,网络16可以包括提供通信框架的专用网络,该通信框架允许图1中所展示的计算装置和系统彼此通信,但出于安全目的将数据流中的一些数据流与专用网络外部的装置隔离。在一些示例中,图1中展示的计算装置与系统之间的通信被加密。
如本文将描述的,IMD 10可以被配置成基于由IMD 10感测到的数据以及在一些情况下基于其他数据(诸如由计算装置12A和/或12B感测到的数据)以及来自EHR 24的数据来检测患者4的急性健康事件,诸如SCA。为了检测急性健康事件,IMD 10可以对数据应用规则,该数据可以被称为患者参数数据。响应于急性健康事件的检测,IMD 10可以向计算装置12A和12B中的一者或两者无线地传输消息。该消息可指示IMD 10检测到患者的急性健康事件。该消息可指示IMD 10检测到急性健康事件的时间。该消息可包括由IMD 10收集的生理数据,例如引起检测到急性健康事件的数据、在检测到急性健康事件之前的数据和/或在检测到急性健康事件之后收集的实时或更近的数据。生理数据可包括一个或多个生理参数的值和/或数字化的生理信号。急性健康事件的示例是SCA、心室纤颤、室性心动过速、心肌梗塞、心律暂停(心搏停止)或无脉搏电活动(PEA)、急性呼吸窘迫症候群(ARDS)、卒中、癫痫发作或跌倒。
在一些示例中,IMD 10对急性健康事件的检测可以包括多个阶段。例如,IMD 10可以完成急性健康事件(例如,SCA或快速性心律失常)的初始检测,并且响应于该初始检测而发起与计算装置12的无线通信(例如,或Bluetooth Low/>)。例如,初始检测可以在急性健康事件发作之后五秒至十秒发生。IMD 10可以继续监测以确定急性健康事件是否持续,例如持续检测到SCA或快速性心律失常。在一些示例中,IMD 10可以使用更多患者参数和/或不同规则来确定事件是持续的还是以其他方式确认检测。
响应于初始检测而发起与计算装置12的通信可以有助于在急性健康事件被确认为持续时建立通信。为了节省IMD 10和计算装置12的功率,IMD 10可以等待发送例如包含与急性健康事件相关联的感测到的数据的消息,直到急性健康事件被确认为持续为止,这可以在事件发作后约三十秒被确定,或者在更长的时间段之后被确定。较不紧急事件可以具有较长的确认阶段并且可以较不紧急地被警告,诸如作为健康护理事件而不是急性健康事件被警告。然而,在初始检测之后发起通信仍然可以有益于不太紧急的事件。在不可再充电IMD的情况下节省功率可能是重要的,以在需要手术替换之前延长IMD的寿命,以及对于可再充电IMD或外部装置而言节省功率可能是重要的,以降低再充电频率。
响应于来自IMD 10的消息,计算装置12可以输出警报,该警报可以是视觉的和/或听觉的,并且被配置成立即吸引患者4或在环境28中陪同患者4的任何人(例如,旁观者26)的注意。另外地或替代地,计算装置12可以向计算装置12的可见/音频范围之外的装置和用户(例如,向IoT装置30、旁观者计算装置42或HMS22)传输警告或警报消息。作为示例,环境28可以是家庭、办公室或营业场所或公共场所。经由网络16发送到HMS22的警告或警报消息,或者由计算装置12发送的其他消息,可以包括从IMD 10接收的数据以及在一些情况下由计算装置12或其他装置响应于IMD 10对急性健康事件的检测而收集的附加数据。例如,消息可以包括由计算装置12确定的患者4的位置。在一些示例中,计算装置12可以进一步基于患者4的位置来配置或改变警告或警报消息的内容,例如,可以根据患者4是在家、另一住宅、办公室或企业、公共场所、还是在健康护理设施中来发送不同的消息。患者所需的健康护理以及因此系统2的消息传送可以根据患者4的位置而变化。
患者4的环境28中的其他装置也可以被配置成输出警报或者采取其他动作来吸引患者4以及可能的旁观者26的注意,或者以其他方式促进向患者4递送护理。例如,环境28可以包括一个或多个物联网(IoT)装置,诸如图1的示例中展示的IoT装置30A-30D(统称为“IoT装置30”)。IoT装置30可以包括例如所谓的“智能”扬声器、相机、电视、灯、锁、自动调温器、电器、致动器、控制器、或任何其他智能家庭(或建筑物)装置。在图1的示例中,IoT装置30C是智能扬声器和/或控制器,其可以包括显示器。IoT装置30可以在配置有输出装置以这样做时提供听觉和/或视觉警报。作为其他示例,IoT装置30可以使遍及环境28的智能灯闪光或闪烁并且对门解锁。在一些示例中,包括相机、麦克风或其他传感器的IoT装置30可以激活那些传感器以收集关于患者4的数据,例如以用于评估患者4的状况。
计算装置12可以被配置成与IoT装置30无线地通信以使IoT装置30采取本文所描述的动作。在一些示例中,HMS22经由网络16与IoT装置30通信以使IoT装置30例如响应于如上所述从计算装置12接收到警报消息而采取本文所描述的动作。在一些示例中,IMD 10被配置成例如响应于在与计算装置12的通信不可用时检测到急性健康事件而与IoT装置30中的一者或多者无线地通信。在此类示例中,IoT装置30可以被配置成提供本文中归于计算装置12的功能性中的一些或全部。
环境28包括计算设施(例如,本地网络32),环境28内的计算装置12、IoT装置30和其他装置可以通过该计算设施经由网络16例如与HMS 22通信。例如,环境28可被配置有无线技术,诸如IEEE 802.11无线网络、IEEE 802.15ZigBee网络、超宽带协议、近场通信等。环境28可以包括为遍及环境28的无线通信提供支持的一个或多个无线接入点,例如无线接入点34A和34B(统称为“无线接入点34”)。另外地或替代地,例如当本地网络不可用时,计算装置12、IoT装置30、以及环境28内的其他装置可以被配置成经由蜂窝基站36和蜂窝网络与网络16通信,例如与HMS 22通信。
计算装置12以及在一些示例中的IoT装置30可以包括输入装置和接口以允许用户在IMD 10对急性健康事件的检测为假的情况下否决警报。在一些示例中,计算装置12和IoT装置30中的一者或多者可以实现事件助理。事件助理可以为患者4和/或旁观者26提供对话界面以与计算装置或IoT装置交换信息。响应于从IMD 10接收到警报消息,事件助理可以询问用户关于患者4的状况。来自用户的响应可以用于确认或超越IMD 10对急性健康事件的检测,或更一般地提供关于急性健康事件或患者4的状况的额外信息,其可以改善患者4的治疗功效。例如,由事件助理接收的信息可以用于提供急性健康事件的严重性或类型(鉴别诊断)的指示。事件助理可以使用自然语言处理和上下文数据来解释用户的话语。在一些示例中,除了接收对由助理提出的查询的响应之外,事件助理可以被配置成对由用户提出的查询进行响应。例如,患者4可以指示其感觉晕眩并且向事件助理询问“我该如何做?”。
在一些示例中,计算装置12和/或HMS22可以实施一个或多个算法来评估从IMD 10接收的感测到的生理数据,并且在一些情况下评估由计算装置或IoT装置30感测到或以其他方式收集的附加生理或其他患者参数数据,以确认或否决IMD 10对急性健康事件的检测。在一些示例中,计算装置12和/或计算系统20可以具有比IMD 10更大的处理能力,使得能够对数据进行更复杂的分析。在一些示例中,计算装置12和/或HMS22可以将数据应用于机器学习模型或其他人工智能开发的算法,例如,以确定数据是否足以指示急性健康事件。
在计算装置12被配置成执行急性健康事件确认分析的示例中,计算装置12可以响应于确认急性健康事件而向HMS22和/或IoT装置30传输警报消息。在一些示例中,计算装置12可以被配置成在完成确认分析之前传输警报消息,并且响应于否认IMD 10对急性健康事件的检测的分析而传输取消消息。HMS22可以被配置成响应于从计算装置12和/或IoT装置30接收到警报消息而执行数个操作。HMS22可以被配置成响应于从计算装置12和/或IoT装置30接收到取消消息来取消此类操作。
例如,HMS22可以被配置成经由网络16向与一个或多个护理提供者40相关联的一个或多个计算装置38传输警报消息。护理提供者可以包括紧急医疗系统(EMS)和医院,并且可以包括医院内的特定部门,诸如急诊部门、导管插入术实验室或卒中响应部门。计算装置38可以包括智能电话、台式计算机、膝上型计算机或平板计算机,或与此类系统或实体相关联的工作站,或此类系统或实体的雇员。警报消息可以包括由IMD 10、计算装置12和IoT装置30收集的数据中的任何数据,包括感测到的生理数据、急性健康事件的时间、患者4的位置、以及由IMD 10、计算装置12、IoT装置30和/或HMS22分析的结果。从HMS22传输到护理提供者40的信息可以改善护理提供者40对患者4的急性健康事件的治疗的及时性和有效性。在一些示例中,作为HMS22向与EMS护理提供者40相关联的一个或多个计算装置38提供警报消息的替代或补充,计算装置12和/或IoT装置30可以被配置成响应于从IMD 10接收到警报消息而自动联系EMS,例如,自动拨号911。再次,此类操作可以由患者4、旁观者26或另一用户经由计算装置12或IoT装置30的用户接口来取消,或由计算装置12基于由计算装置执行的否认IMD 10对急性健康事件的检测的确证分析来自动取消,。
类似地,HMS22可以被配置成向旁观者26的计算装置42传输警报消息,这可以改善旁观者26对患者4的急性健康事件的治疗的及时性和有效性。计算装置42可以类似于计算装置12和计算装置38,例如智能电话。在一些示例中,HMS22可以基于例如从计算装置12接收的患者4的位置以及例如由在计算装置42上实现的应用向HMS22报告的计算装置42的位置来确定旁观者26接近患者4。在一些示例中,HMS22可以向基于患者4的位置确定的警告区域中的任何计算装置42传输警报消息,例如,通过通过使用本文所述的任何联网方法向与基站36通信的所有计算装置传输警报消息。
在一些示例中,给旁观者26的警报消息可以被配置成帮助外行治疗患者。例如,到旁观者26的警报消息可以包括患者4的位置(以及在一些情况下的描述)、急性健康事件的一般性质、用于向患者4提供护理的指示(诸如提供心肺复苏(CPR)的指示)、用于对患者4进行治疗的附近医疗设备(诸如自动体外除颤器(AED)44或救生衣)的位置、以及装备的使用说明。在一些示例中,计算装置12、IoT装置30和/或计算装置42可以实施被配置成使用自然语言处理和/或上下文数据来为旁观者42提供对话界面的事件助理。助理可以向旁观者26提供用于向患者4提供护理的指示,并且对来自旁观者26的关于如何向患者4提供护理的询问作出响应。
在一些示例中,HMS22可以调解护理提供者40与患者4或旁观者26之间的双向音频(并且在一些情况下是视频)通信。此类通信可以允许护理提供者40例如通过与患者4或旁观者26的通信或通过使用计算装置或IoT装置的相机或其他传感器在护理提供者将开始护理患者的时间之前评估患者4的状况,这可以改善递送给患者的护理的功效。此类通信还可以允许护理提供者向旁观者42指示关于患者4的第一响应者治疗。
在一些示例中,HMS22可以控制将无人机46调度到环境28、或调度到环境28或患者4附近的位置。无人机46可以是机器人和/或无人驾驶飞行器(UAV)。无人机46可以配备有多个传感器和/或致动器以执行多个操作。例如,无人机46可包括相机或其他传感器以导航到其预期位置、识别患者4且在一些情况下识别旁观者26,并且评估患者的状况。在一些示例中,无人机46可以包括与患者4和/或旁观者26通信的用户接口装置。在一些示例中,无人机46可以向旁观者26、向患者4的位置提供指示,以及可以提供关于如何向患者4提供第一响应者护理(诸如CPR)的指示。在一些示例中,无人机46可以将医疗设备(例如,AED 44)和/或药物携带到患者4的位置。
IMD 10、计算装置12、IoT装置30、计算装置38和42、AED 44、无人机46、或HMS22中的任一者可通过将可包括一个或多个机器学习模型的规则应用于患者参数数据以检测急性健康事件来单独地或以任何组合执行本文所描述的用于检测急性健康事件(诸如SCA)的操作。例如,这些装置中的一个装置或协作的这些装置中的多于一个装置可以将第一组规则应用于第一组患者参数数据以用于是否检测到急性健康事件的第一确定,并且基于是否满足与第一确定相关联的一个或多个上下文准则来确定是否将第二组规则应用于第二患者参数数据以确定是否检测到急性健康事件。
图2为示出图1的IMD 10的示例性配置的框图。如图2所示,IMD 10包括处理电路50、存储器52、耦合到电极56A和56B(在下文中称为“电极56”)以及一个或多个传感器58的感测电路54、以及通信电路60。
处理电路50可包括固定功能电路和/或可编程处理电路。处理电路50可以包含以下中的任何一者或多者:微处理器、控制器、图形处理单元(GPU)、张量处理单元(TPU)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或等效的分立或模拟逻辑电路。在一些示例中,处理电路50可以包括多个部件(诸如一个或多个微处理器、一个或多个控制器、一个或多个GPU、一个或多个TPU、一个或多个DSP、一个或多个ASIC或一个或多个FPGA的任何组合),以及其他分立或集成逻辑电路。本文中归属于处理电路50的功能可体现为软件、固件、硬件或它们的任何组合。在一些示例中,存储器53包括计算机可读指令,这些计算机可读指令当由处理电路50执行时使IMD 10和处理电路50执行归因于本文中的IMD10和处理电路50的各种功能。存储器53可包括任何易失性、非易失性、磁性、光学或电介质,诸如随机存取存储器(RAM)、只读存储器(ROM)、非易失性RAM(NVRAM)、电可擦除可编程ROM(EEPROM)、快闪存储器或任何其他数字介质。
感测电路54可以监测来自电极56的信号,以便例如监测患者4的心脏的电活动并且产生患者4的ECG数据。在一些示例中,处理电路50可识别感测到的ECG的特征,诸如心率、心率变异性、T波交替、搏动内间隔(例如,QT间隔)和/或ECG形态特征,以检测患者4的心律失常的发作。示例性处理电路50可将数字化ECG和用于检测心律失常发作的ECG的特征存储在存储器52内作为检测到的心律失常发作的发作数据。
在一些示例中,感测电路54经由电极56测量例如IMD 10附近的组织的阻抗。所测量的阻抗可以基于呼吸、心脏脉搏或流量、以及灌注或水肿的程度而变化。处理电路50可基于所测量的阻抗确定与呼吸、心脏脉搏或流量、灌注和/或水肿相关的生理数据。
在一些示例中,IMD 10包括一个或多个传感器58,诸如一个或多个加速度计、陀螺仪、麦克风、光学传感器、温度传感器、压力传感器、和/或化学传感器。在一些示例中,感测电路52可以包括用于对从电极56和/或传感器58中的一者或多者接收的信号进行滤波和放大的一个或多个滤波器和放大器。在一些示例中,感测电路54和/或处理电路50可以包括整流器、滤波器和/或放大器、感测放大器、比较器和/或模数转换器。处理电路50可基于来自传感器58的信号来确定生理数据(例如,患者4的生理参数值),这些信号可存储在存储器52中。根据来自传感器58的信号确定的患者参数可以包括氧饱和度、葡萄糖水平、应激激素水平、心音、身体运动、身体位姿或血压。
存储器52可以存储可由处理电路50执行的应用程序70、和数据80。应用程序70可以包括急性健康事件监视应用程序72。处理电路50可以执行事件监视应用程序72,以基于本文所描述的一种或多种类型的生理数据的组合来检测患者4的急性健康事件,这些生理数据可以被存储为感测数据82。在一些示例中,感测数据82可以另外包含由其他装置(例如,计算装置12或IoT装置30)感测并且经由通信电路60接收的数据。事件监视应用程序72可以被配置有规则引擎74。规则引擎74可以将规则84应用于感测数据82。规则84可以包括一个或多个模型、算法、决策树、和/或阈值。在一些情况下,规则84可以基于机器学习来开发,例如,可以包括一个或多个机器学习模型。
作为示例,事件监视应用72可以基于ECG和/或指示患者4的心脏的电或机械活动的其他患者参数数据来检测SCA、心室纤颤、室性心动过速、室上性心动过速(例如,传导的心房纤颤)、心室停搏或心肌梗塞。在一些示例中,事件监视应用72可以基于此类心脏活动数据来检测中风。在一些示例中,感测电路54可以经由电极56检测脑活动数据,例如脑电图(EEG),并且事件监视应用程序72可以仅基于脑活动或者结合心脏活动数据或其他生理数据来检测中风或癫痫。在一些示例中,事件监视应用程序72仅基于来自加速度计的数据或者结合其他生理数据来检测患者是否跌倒。当事件监视应用程序72检测到急性健康事件时,事件监视应用程序72可以将导致检测的感测数据82(以及在一些情况下,在检测之前和/或之后的数据窗口)存储为事件数据86。
在一些示例中,响应于急性健康事件的检测,处理电路50经由通信电路60向计算装置12(图1)传输该事件的事件数据86。该传输可以被包括在指示急性健康事件的消息中,如本文所述。该消息的传输可在特设的基础上并且尽可能快地发生。通信电路60可以包含用于与另一个装置(诸如设计装置12和/或IoT装置30)进行无线通信的任何合适的硬件、固件、软件或其任何组合。
图3是展示患者4的计算装置12的示例性配置的框图,该计算装置可对应于图1所展示的计算装置12A和12B中的任一者(或两者协调地操作)。在一些示例中,计算装置12采取智能手机、膝上型计算机、平板计算机、个人数字助理(PDA)、智能手表或其他可穿戴计算装置的形式。在一些示例中,IoT装置30、计算装置38和42、AED 44和/或无人机46可以类似于图3中所展示的计算装置12的配置来配置。
如图3的示例中所示,计算装置12可以在逻辑上被划分成用户空间102、内核空间104和硬件106。硬件106可以包括为在用户空间102和内核空间104中执行的部件提供操作环境的一个或多个硬件部件。用户空间102和内核空间104可以表示存储器的不同区段或分段,其中,内核空间104向进程和线程提供比用户空间102更高的权限。例如,内核空间104可以包括操作系统120,该操作系统以比在用户空间102中执行的部件更高的权限操作。
如图3所示,硬件106包括处理电路130、存储器132、一个或多个输入装置134、一个或多个输出装置136、一个或多个传感器138、以及通信电路140。尽管出于示例的目的在图3中示出为独立装置,但是计算装置12可为包括处理电路或用于执行软件指令其他合适的计算环境的任何部件或系统,并且例如不必包括图3中所示的一个或多个元件。
处理电路130被配置成实施用于在计算装置12内执行的功能和/或处理指令。例如,处理电路130可以被配置成接收并处理存储在存储器132中的指令,这些指令提供被包括在内核空间104和用户空间102中的部件的功能性以执行根据本公开的技术的一个或多个操作。处理电路130的示例可以包括任何一个或多个微处理器、控制器、GPU、TPU、DSP、ASIC、FPGA或等效的分立或集成逻辑电路。
存储器132可以被配置成将信息存储在计算装置12内以用于在计算装置12的操作期间进行处理。在一些示例中,存储器132被描述为计算机可读存储介质。在一些示例中,存储器132包括临时存储器或易失性存储器。易失性存储器的示例包括随机存取存储器(RAM)、动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)和本领域中已知的其他形式的易失性存储器。在一些示例中,存储器132还包括被配置用于长期存储信息的一个或多个存储器,例如包括非易失性存储元件。此类非易失性存储元件的示例包括磁性硬盘、光盘、软盘、闪存存储器、或多种形式的电可编程存储器(EPROM)或电可擦除且可编程(EEPROM)存储器。在一些示例中,存储器132包括与云相关联的存储器。
计算装置12的一个或多个输入装置134可以接收例如来自患者4或另一用户的输入。输入的示例是触觉、音频、动态和光学输入。作为示例,输入装置134可以包括鼠标、键盘、语音响应系统、相机、按钮、控制板、话筒、在场敏感或触摸敏感部件(例如,屏幕)、或用于检测来自用户或机器的输入的任何其他装置。
计算装置12的一个或多个输出装置136可以生成例如到患者4或另一用户的输出。输出的示例是触觉输出、触感输出、音频输出和视觉输出。计算装置12的输出装置134可以包括存在敏感屏幕、声卡、视频图形适配卡、扬声器、阴极射线管(CRT)监测器、液晶显示器(LCD)、发光二极管(LED)、或用于生成触觉、音频和/或视觉输出的任何类型的装置。
计算装置12的一个或多个传感器138可以感测患者4的生理参数或信号。传感器138可以包括电极、轴加速计(例如,3轴加速计)、光学传感器、阻抗传感器、温度传感器、压力传感器、心音传感器(例如,麦克风)和其他传感器、以及感测电路(例如,包括ADC),类似于以上关于IMD 10和图2所描述的那些。
计算装置12的通信电路140可以通过传输和接收数据来与其他装置通信。通信电路140可以包括网络接口卡,诸如以太网卡、光收发器、射频收发器、或可发送和接收信息的任何其他类型的装置。例如,通信电路140可以包括无线电收发器,该无线电收发器被配置用于根据诸如3G、4G、5G、WiFi(例如,802.11或802.15ZigBee)、或/>低能量(BLE)等标准或协议进行通信。
如图3所示,健康监测应用程序150在计算装置12的用户空间102中执行。健康监测应用程序150可以在逻辑上被划分为表示层152、应用程序层154和数据层156。表示层152可以包括用户界面(UI)部件160,该用户界面部件生成并呈现健康监测应用程序150的用户界面。
应用程序层154可以包括但不限于事件引擎170、规则引擎172、规则配置部件174、事件助理176和位置服务178。事件引擎172可以响应于从IMD 10接收到指示IMD 10检测到急性健康事件的警告传输。事件引擎172可以响应于检测到本文归于计算装置12的急性健康事件来控制任何操作的执行,诸如激活警报、向HMS22传输警报消息、控制IoT装置30、以及分析数据以确认或否决IMD 10对急性健康事件的检测。
规则引擎174分析感测数据190,并且在一些示例中,分析患者输入192和/或EHR数据194,以确定是否存在患者4正在经历由IMD 10检测到的急性健康事件的足够可能性。感测数据190可以包括作为警告传输的一部分从IMD 10接收的数据、从IMD 10(例如,以“实时”方式)传输的附加数据、以及由例如计算装置12和/或IoT装置30收集的与患者4的状况有关的生理和其他数据。作为示例,来自计算装置12的感测数据190可以包括以下中的一者或多者:活动水平、步行/跑步距离、静息能量、活跃能量、锻炼分钟数、站立的量化、体质、体质指数、心率、低心率事件、高心率事件和/或不规则心率事件、心率变异性、步行心率、心跳系列、数字化ECG、血氧饱和度、血压(收缩和/或舒张)、呼吸速率、最大氧体积、血糖、外周灌注和睡眠模式。
患者输入192可以包括对由健康监测应用程序150提出的关于患者4的状况、由患者4或另一用户(诸如旁观者26)输入的询问的响应。询问和响应可以响应于IMD 10对事件的检测而发生,或者可以在检测之前已经发生,例如作为患者4的健康的部分长期监测。用户记录的健康数据可包括以下中的一者或多者:锻炼和活动数据、睡眠数据、症状数据、病史数据、生活质量数据、营养数据、药物服用或依从性数据、过敏数据、人口统计数据、体重和身高。EHR数据194可以包括关于上述患者4的历史状况或治疗的信息中的任何信息。EHR数据194可以涉及SCA、快速性心律失常、心肌梗塞、卒中、癫痫发作、一种或多种病状(诸如心力衰竭慢性阻塞性肺部疾病(COPD)、肾功能障碍或高血压的状态)、病状的各方面(诸如ECG特性、心脏局部缺血、氧饱和度、肺部流体、活动或代谢水平)、遗传状况、先天性畸形、手术(诸如消融或心脏复律)的历史以及医疗保健利用的历史。EHR数据194还可以包括心脏指标,诸如射血分数和左心室壁厚。EHR数据194还可以包括患者4的人口统计和其他信息,诸如年龄、性别、种族、身高、体重和BMI。
规则引擎172可以将规则196应用于数据。规则196可以包括一个或多个模型、算法、决策树、和/或阈值。在一些情况下,规则196可以基于机器学习来开发,例如可以包括一个或多个机器学习模型。在一些示例中,规则196和规则引擎172的操作可以提供比规则引擎74和规则84所提供的对患者参数数据(例如,从IMD 10接收的数据)的更复杂的分析。在规则196包括一个或多个机器学习模型的示例中,规则引擎172可以将从数据导出的特征向量应用于模型。
规则配置部件174可以被配置成基于指示IMD 10和计算装置12对急性健康事件的检测和确认是否准确的反馈来修改规则196(以及在一些示例中修改规则84)。可以经由HMS22从患者4或者从护理提供者40和/或EHR 24接收反馈。在一些示例中,规则配置部件174可以利用来自用于监督机器学习的真假检测和确认的数据集来进一步训练作为规则196的一部分被包括的模型。
规则配置部件174或由系统2的处理电路执行的另一部件可以基于患者的病因学数据(例如,上文讨论的感测数据190、患者输入192和EHR数据194的示例中的一个或多个的任何组合)来选择规则196的配置。在一些示例中,针对不同群组的患者定制的不同规则组196可以用于基于此类病因学数据为患者4进行选择。
如上所述,事件助理176可以为患者4和/或旁观者26提供对话界面以与计算装置12交换信息。响应于从IMD 10接收到警报消息,事件助理176可以询问用户关于患者4的状况。来自用户的响应可以被包括作为患者输入192。事件助理176可以使用自然语言处理和上下文数据来解释用户的话语。在一些示例中,除了接收对由助理提出的查询的响应之外,事件助理176可以被配置成对由用户提出的查询进行响应。在一些示例中,事件助理176可以向来自患者4或旁观者26的关于患者4的治疗的询问提供指示并对其做出响应。
位置服务178可以确定计算装置12的位置,并且由此确定患者4的推测位置。定位服务178可以使用全球定位系统(GPS)数据、多点定位和/或用于定位计算装置的任何其他已知技术。
图4是展示HMS22的操作透视图的框图。HMS22可以在计算系统20中实施,该计算系统可以包括在一个或多个物理装置中体现的硬件部件,诸如计算装置12的硬件部件,例如处理电路、存储器和通信电路。图4提供了当作为基于云的平台托管时的HMS22的操作透视图。在图4的示例中,根据实施本公开的技术的多个逻辑层来布置HMS22的部件。每层可以由包括硬件、软件或硬件与软件的组合的一个或多个模块实施。
诸如计算装置12、IoT装置30、计算装置38和计算装置42等计算装置作为经由接口层200与HMS22通信的客户端来操作。计算装置通常执行客户端软件应用,诸如桌面应用、移动应用和web应用。接口层200表示由HMS22为客户端软件应用程序提供和支持的一组应用编程接口(API)或协议接口。接口层200可以用一个或多个web服务器来实施。
如图4所示,HMS22还包括应用层202,该应用层表示用于实施在本文中归属于HMS的功能的服务210的集合。应用层202从客户端应用程序接收信息,例如,从计算装置12或IoT装置30接收急性健康事件的警报,并且进一步根据服务210中的一个或多个服务来处理该信息以对该信息作出响应。应用层202可以被实施为在一个或多个应用程序服务器(例如,物理或虚拟机)上执行的一个或多个分立软件服务210。即,应用程序服务器提供用于执行服务210的运行时环境。在一些示例中,如上所述的功能接口层200和应用层202的功能可以在同一服务器处实施。服务210可以经由逻辑服务总线212进行通信。服务总线212一般表示允许不同服务210诸如通过公布/订阅通信模型向其他服务发送消息的逻辑互连或接口组。
HMS22的数据层204使用一个或多个数据储存库220为PPEMS 6中的信息提供持久性。数据储存库220通常可以是存储和/或管理数据的任何数据结构或软件。数据储存库220的示例包括但不限于关系数据库、多维数据库、映射和哈希表,仅举几个示例。
如图4所示,服务230-238中的每一者在HMS22内以模块形式实施。尽管被示为用于每个服务的单独模块,但在一些示例中,两个或更多个服务的功能可以被组合到单个模块或部件中。服务230-238中的每一者可以在软件、硬件或硬件与软件的组合中实施。此外,服务230-238可以被实现为一般用于在一个或多个物理处理器上执行的独立装置、分开的虚拟机或容器、进程、线程或软件指令。
事件处理器服务230可以响应于从计算装置12和/或IoT装置30接收到指示IMD 10检测到患者的急性健康事件并且在一些示例中指示传输装置确认该检测的警报传输。事件处理器服务230可以响应于本文归于HMS22的急性健康事件的检测而发起任何操作的执行,诸如与患者4、旁观者26和护理提供者40进行通信,起动无人机46以及在一些情况下分析数据以确认或超越IMD 10对急性健康事件的检测。
记录管理服务238可以将所接收的警报消息中所包括的患者数据存储在事件记录252内。警报服务232可以将来自事件记录的一些或全部数据(在一些情况下具有如本文所述的附加信息)封装到一个或多个警报消息中以传输到旁观者26和/或护理提供者40。护理给予者数据256可以存储由警告服务232使用的数据,以基于潜在的旁观者26和护理给予者40相对于患者4的位置的位置和/或由护理给予者40提供的护理对由患者4经历的急性健康事件的适用性来识别向谁发送警告。
在HMS22执行分析以确认或超越IMD 10对急性健康事件的检测的示例中,事件处理器服务230可以将一个或多个规则250应用于在警报消息中接收的数据,例如应用于由事件处理器服务230从该数据导出的特征向量。规则250可以包括可由规则配置服务234基于机器学习来开发的一个或多个模型、算法、决策树和/或阈值。可以用于生成规则250的示例机器学习技术可以包括各种学习风格,诸如监督学习、无监督学习和半监督学习。算法的示例类型包括贝叶斯算法、聚类算法、决策树算法、正则化算法、回归算法、基于示例的算法、人工神经网络算法、深度学习算法、降维算法等。具体算法的各种示例包括贝叶斯线性回归、增强决策树回归和神经网络回归、反向传播神经网络、卷积神经网络(CNN)、长短期网络(LSTM)、先验算法、K均值聚类、K最近邻居(kNN)、学习矢量量化(LVQ)、自组织映射(SOM),局部加权学习(LWL)、脊回归、最小绝对收缩和选择算子(LASSO)、弹性网和最小角度回归(LARS)、主成分分析(PCA)以及主成分回归(PCR)。
在一些示例中,除了由HMS22使用来确认急性健康事件检测的规则之外(或者在HMS22不确认事件检测的示例中),由HMS22维护的规则250可以包括由计算装置12利用的规则196和由IMD 10使用的规则84。在此类示例中,规则配置服务250可以被配置成开发和维护规则196和规则84。规则配置服务234可以被配置为针对不同的患者群组开发不同的规则组84、196、250,例如不同的机器学习模型。规则配置服务234可以被配置成基于指示IMD10、计算装置12和/或HMS22对急性健康事件的检测和确认是否准确的事件反馈数据254来修改这些规则。事件反馈254可以例如经由计算装置12从患者4接收,或者从护理提供者40和/或EHR 24接收。在一些示例中,规则配置服务234可以利用来自真假检测的事件记录(如由事件反馈数据254所指示的)以及对监督机器学习的确认来进一步训练作为规则250的一部分被包括的模型。
如图4的示例中所展示,服务210还可以包括用于配置在计算装置12或其他计算装置中实施的事件助理176并与之交互的助理配置服务236。例如,助理配置服务236可以向事件助理提供对其自然语言处理和上下文分析的更新以随时间改善其操作。在一些示例中,助理配置服务236可以应用机器学习技术来分析所感测的数据和存储在事件记录252中的事件助理交互以及例如由EHR 24指示的事件的最终处置,以修改例如针对患者4、一类患者、所有患者或针对特定用户或装置(例如,护理给予者、旁观者等)的事件助理的操作。
图5是展示用于将规则应用于患者参数数据以确定是否检测到急性健康事件的示例性操作的流程图。图5的示例性操作可以由IMD 10、计算装置12、38、42、IoT装置30、AED44、无人机46、或HMS22中的任一者的处理电路来执行(例如,由实施规则引擎74或172并且应用规则84或196的处理电路50或130来执行),或由分别执行示例性操作的各部分的这些装置中的两者或更多者的处理电路来执行。
根据图5的示例,处理电路将第一组规则应用于第一患者参数数据,以用于是否检测到急性健康事件(例如,SCA)的第一确定(300)。处理电路确定是否满足与第一确定相关联的一个或多个上下文准则(302)。如果不满足一个或多个上下文准则(302的否),则处理电路可以基于第一确定来确定是否检测到急性健康事件(304)。如果检测到急性健康事件(304的是),则处理电路可以生成警报,例如,到另一装置的消息和/或如本文所述的用户可感知的警报(306)。如果没有检测到急性健康事件(304的“否”)或者已经生成警报,则图5的示例性操作可以结束。如果满足一个或多个上下文准则(302的“是”),则处理电路可以将第二组规则应用于第二患者参数数据以用于是否检测到急性健康事件(例如,SCA)的第二确定(308),并且基于第二确定确定是否检测到急性健康事件(304)。
第一组规则和第二组规则在至少一个方面是不同的。在一些示例中,第二组规则包括至少一个机器学习模型。在一些示例中,第一组规则和第二组规则都包括至少一个机器学习模型。
在一些示例中,处理电路基于将第一组规则应用于第一患者参数数据来确定急性健康事件(例如,SCA)的风险评分,并且将风险评分与阈值进行比较以确定是否满足一个或多个上下文准则。在一些示例中,指示应当将第二组规则应用于第二患者参数数据的上下文可以是由第一确定产生的风险评分不满足指示正在发生急性健康事件的足够确定性的阈值。风险评分可以是急性健康事件的百分比可能性。
在一些示例中,处理电路确定是否检测到急性健康事件的第一次确定的置信水平,并且将该置信水平与阈值进行比较。在一些示例中,在第一确定不具有阈值置信度的情况下,或在第一确定与为超过阈值的假阳性的可能性相关联的情况下,可以满足一个或多个上下文准则。在此类示例中,当第一确定不可信时,将第二组规则应用于第二患者参数数据可以充当“平局决胜局”。在一些示例中,当来自用户(例如,患者)的输入与第一确定矛盾(例如,检测到或未检测到急性健康事件)时,处理电路确定满足一个或多个上下文准则,从而指示第一确定为假的可能性可能相对高。
处理电路可以使用多种技术确定急性健康事件是否存在的第一确定的置信水平。例如,将第一组规则应用于第一患者参数数据可以通过其输出(例如,风险评分)产生置信水平。在此类示例中,指示急性健康事件的较高可能性的较高输出可以指示较高水平的置信度。可以产生此类输出的规则的示例包括机器学习模型和时域信号处理算法。
在一些示例中,处理电路可以确定一个或多个信号(根据其确定第一患者参数数据)的噪声水平。在此类示例中,处理电路可以基于噪声水平确定急性健康事件是否存在的第一确定的置信水平。通常,置信水平和噪声水平可以是反向相关的。在一些示例中,处理电路可以基于患者4的健康记录数据来确定置信水平。例如,如果临床医生已经在健康记录中或经由编程IMD 10指示患者4已经经历心肌梗塞或具有心力衰竭,则可以增加置信水平和/或可以降低被包括在应用于第一患者参数数据的规则中的阈值。
在一些示例中,当系统2的部件(例如,IMD 10或计算装置12)具有足够的功率以使得能够将第二组规则应用于第二患者参数数据时,可以满足上下文准则。在一些示例中,为了确定是否满足一个或多个上下文准则,处理可以确定系统2(例如,相关装置的)功率电平,并且比较功率电平阈值。在一些示例中,第二患者参数数据包括未被包括在第一患者参数数据中的至少一个患者参数的数据。在一些示例中,处理电路激活传感器以感测该患者参数,例如,当包括传感器的装置具有用于测量的足够功率时。
在一些示例中,第一患者参数数据和第二患者参数数据都由植入式医疗装置感测。在一些示例中,被包括在第二患者参数数据中但未被包括在第一患者参数数据中的至少一个患者参数由外部装置感测。在一些示例中,IMD 10的处理电路50或计算装置12(或IoT装置30或本文所讨论的其他装置)的处理电路130执行子操作300-308中的每一个子操作。在其他示例中,IMD 10的处理电路50执行是否检测到急性健康事件(例如,SCA)的第一确定(300),并且计算装置12(或IoT装置30或本文所讨论的其他装置)的处理电路130执行子操作302-308中的每一个子操作。
在一些示例中,第一患者参数数据包括从ECG数据确定的至少一个患者参数,并且至少一个患者参数包括从患者的心音、患者的阻抗、患者的运动、患者的呼吸、患者的位姿、患者的血压、在患者体内检测到的化学物质或来自患者的光学信号中的至少一者确定的患者参数。在一些示例中,可以使用传感器(例如,内部传感器和/或外部传感器)的不同组合来确定第一患者参数数据和第二患者参数数据。第一确定和第二确定可以被认为是不同层,其中如果上下文建议将期望补充第一确定,则第二确定利用附加传感器、数据和/或功率。
在一些示例中,处理电路基于用户(例如,患者或护理给予者或旁观者)输入或患者的医疗记录信息中的至少一者来选择用于第二患者参数数据的第二组规则或参数中的至少一者。在一些示例中,用户输入和/或病史信息可以包括临床医生在对IMD 10编程时输入的信息。例如,处理电路可以基于指示患者的特定症状或状况的用户输入或医疗记录信息来选择用于第二患者参数数据的第二组规则或参数中的至少一者。在一些示例中,第一患者参数数据包括针对第一组患者参数的数据,并且处理电路可以基于水平为第二患者参数数据选择第二组规则或第二患者参数中的至少一者。临床上显著但与第一确定(检测或未检测)相反的特定参数的水平可以暗示应执行第二确定,并且应用特定平行(但不同)或正交患者参数执行第二确定以解决关于是否检测到急性健康事件的不确定性。
在一些示例中,第一患者参数数据包括从患者的ECG数据确定的至少一个患者参数,并且第二患者参数数据包括ECG数据随时间的形态变化或频率偏移中的至少一者。处理电路可以分析ECG数据的定时或形态变化。例如,当心室纤颤持续时的形态学或频率变化可以指示心室纤颤的致死率增加。在一些示例中,应用规则的处理电路可以确定急性健康事件(例如,致死性心室纤颤或SCA)的较高可能性、此类形态或频率偏移的存在。
图5的示例性操作可以产生规则或甚至传感器测量结果的层级。在一些示例中,一个或多个传感器可以在某些上下文中被激活,并且对于是否检测到急性健康事件的第一确定可以是不活动的,例如以节省IMD 10的功率。例如,如果在第一确定中,ECG数据指示心室纤颤并且其他传感器数据指示没有脉搏和没有心音,则可能不需要第二确定。但是如果这些证据水平不高,例如,不确定是否明确心室纤颤可能是微弱的心音或微弱的脉搏,则可以采用第二确定。
此外,在第一确定和第二确定中的任一者或两者中使用的规则和传感器可以基于来自EMR的患者的病史或患者的先前事件的历史或由患者的医生/护理给予者根据情况针对每个患者进行配置/个性化。例如,如果护理给予者必须离开城市几天,则处理电路可以例如自动地配置要由较低水平的证据满足的规则,这可以有利地针对患者4和患者的护理给予者的上下文定制由系统2提供的监测。
图6是展示用于将规则应用于患者参数数据以确定是否检测到急性健康事件的另一示例性操作的流程图。图6的示例性操作可以由IMD 10、计算装置12、38、42、IoT装置30、AED 44、无人机46、或HMS22中的任一者的处理电路执行(例如,由实施规则引擎74或172并且应用规则84或196的处理电路50或130执行),或者由分别执行示例性操作的各部分的这些装置中的两个或更多个的处理电路执行。
根据图6的示例,处理电路将一组规则应用于患者参数数据以确定是否检测到急性健康事件、例如SCA(320)。处理电路确定是否满足与该确定相关联的一个或多个上下文准则(322)。如果不满足一个或多个上下文准则(322的“否”),则处理电路可以基于该确定来确定是否检测到急性健康事件(324)。如果检测到急性健康事件(324的“是”),则处理电路可以生成警报,例如,到另一装置的消息和/或如本文所述的用户可感知的警报(326)。如果没有检测到急性健康事件(324的“否”)或者已经生成警报,则图6的示例性操作可以结束。如果满足一个或多个上下文准则(322的“是”),则处理电路可以申请修改规则组(328),将第二患者参数数据应用于第二组规则(330),并且基于将第二患者参数数据应用于第二组规则来确定是否检测到急性健康事件(324)。
处理电路可以参照图5描述的方式确定是否满足一个或多个上下文准则。在一些示例中,第一和第二患者参数数据可以从相同的患者参数或(相对于至少一个参数)不同的患者参数确定。在一些示例中,第一患者参数数据和第二患者参数数据包括至少一个共同患者参数,并且处理电路可以响应于一个或多个上下文准则的满足而改变针对第一患者参数数据与第二患者参数数据之间的共同患者参数的模式感测。例如,处理电路可以改变针对共同患者参数的采样频率。
在其中IMD 10感测用于确定第一患者参数数据的患者参数的一些示例中,处理电路可以通过检测IMD 10已经在患者4体内翻转或以其他方式迁移来确定满足上下文准则。此类迁移可能导致患者参数数据(例如,ECG数据、阻抗数据或心音数据)的显著变化。改变IMD 10感测一个或多个患者参数所采用的模式,或者改变规则以考虑由装置迁移所导致的患者参数数据的变化,可以帮助改善装置迁移并且维持有效的急性健康事件检测。除了感测模式和/或规则之外,处理电路还可以调整系统的其他方面,诸如IMD与其他装置之间的无线通信模式。用于检测和减轻IMD 10迁移的技术描述于由Anderson等人于2020年11月23日提交的标题为“DETECTION AND MITIGATION OF ACCURACY SENSING BY AN IMPLANTEDSENSOR OF A MEDICAL SYSTEM(医疗系统的植入传感器对准确度感测的检测和缓解)”的共同转让的美国专利申请No.17/101,945中,该美国专利申请的全部内容通过引用并入本文。
在一些示例中,当处理电路确定检测到急性健康事件(例如,心室快速性心律失常或SCA)但患者或另一用户取消警报或以其他方式提供与该确定矛盾的用户输入时,处理电路确定满足一个或多个上下文准则。在此类示例中,处理电路可以修改感测到的患者参数或应用于患者参数数据的规则中的一者或两者。
例如,患者可能已经耐受持续一段持续时间(例如,编程的10或20秒)的快速室性心动过速,但是很快可能经历另一种心律失常,例如晕厥,即使患者认为他们是没问题的。修改可以包括基于节律来调整规则。有时长时间发作会加速心室纤颤或更快的室性心动过速。有时心室纤颤减慢。在任何一种情况下,修改都可以包括改变心率阈值,例如,对心率阈值应用滞后。在一些示例中,心室纤颤变得杂乱/精细并且非常难以感测。在此类示例中,修改可以包括改变心室去极化检测阈值以允许更低程度地感知去极化。
在一些示例中,处理电路基于高心律失常负荷的近期历史确定满足一个或多个上下文准则。一些患者患有电风暴。他们的电解质可能不平衡,并且他们可能经历一系列室性心律失常,但是患者参数数据可能不满足用于检测急性健康事件的规则。在此类情况下,处理电路可以调整快速性心律失常持续时间阈值,可以警告患者和护理给予者并且通知他们寻求护理ASAP,和/或可以警告临床医生并且发送患者参数数据,例如ECG数据,因此临床医生可以查看。
图7是展示用于配置应用于患者参数数据以确定是否针对患者检测到急性健康事件的规则的示例性操作的流程图。图7的示例性操作可以由实施HMS22(例如,实施规则配置服务234)的处理电路来执行。在一些示例中,图7的操作可以由IMD 10、计算装置12、38、42、IoT装置30、AED 44、无人机46、或HMS22中的任一者的处理电路(例如,实施规则配置模块)来执行,或由这些装置中的两者或更多者的处理电路分别执行示例性操作的各部分来执行。
根据图7的示例性操作,处理电路确定是否检测到急性健康事件,例如,SCA(340)。处理电路接收针对事件的反馈(342)。反馈指示检测是真阳性还是假阳性,或者未检测是真阴性还是假阴性。处理电路可以接收来自患者4、护理者40、旁观者26或EHR 24的反馈。处理电路基于反馈和事件数据(例如,事件数据86或事件记录252)更新规则(例如,规则84、规则196和/或规则250)。在一些示例中,基于反馈使用事件数据作为用于一个或多个机器学习模型的训练组。
通过预测和“自学习”技术,可以改善用于为SCA提供警报的系统的操作。治疗时间(CPR或来自AED 44的电击)可以通过向旁观者26或EMS护理给予者40提供及时警报来改善。用于改善执行的信息可以包括可以指示SCA事件可能的生理传感器数据(QT延长、T波交替、呼吸速率或胸阻抗的变化等)。用于改善执行的信息可以包括指示先前的SCA事件是否被适当且准确地警告的信息、患者的临床或生理特征(疾病状态、体重、性别等)、来自EHR 24的数据、以及来自患者的数据输入(例如,症状记录、他/她是没问题的并且没有遭受SCA的确认等)。
实施图7的示例性操作,处理电路可以随时间为患者4个性化规则。如果患者4患有许多假阳性,则图7的示例性操作可以将规则修改为较不敏感,相反,如果患者4患有许多假阴性,则可以将规则修改为更敏感。在一些示例中,处理电路可以使用反馈和事件数据来更新用于其他患者(诸如其IMD由EMS22服务的所有患者)或患者的特定群体或群组的规则(例如,机器学习模型)。在一些示例中,处理电路可以使用来自多个源(例如,计算装置12、IoT装置30、AED 44或无人机46)的数据来修改规则或患者参数数据的集合。由处理电路使用以更新规则的数据可以包括指示CPR的持续时间的数据(例如,用户的输入)或使用计算装置或IoT装置上的加速度计、扬声器、光检测器或相机收集的数据。
图8是展示用于配置应用于患者参数数据以确定是否针对患者检测到急性健康事件的规则的另一示例性操作的流程图。图7的示例性操作可以由实施HMS22(例如,实施规则配置服务234)的处理电路来执行。在一些示例中,图8的操作可以由IMD 10、计算装置12、38、42、IoT装置30、AED 44、无人机46、或HMS22中的任一者的处理电路(例如,实施规则配置模块)来执行,或者由这些装置中的两者或更多者的处理电路分别执行示例性操作的各部分来执行。
根据图8的示例性操作,处理电路确定患者4的病因或风险分层(360)。处理电路基于患者病因选择针对患者4的急性健康事件(例如,SCA)检测的一组规则(例如,一组规则84、规则196和/或规则250),这组规则可以是第一组规则和/或第二组规则(362)。在一些示例中,规则250包括针对具有不同病因的不同患者群组的不同规则组,并且处理电路可以基于给定患者的病因选择不同的规则组来针对该患者实施为IMD 10中的规则84和计算装置12中的规则196。处理电路可以将所选择的一组规则应用于患者参数数据,以确定是否使用本文所述的任何技术检测到急性健康事件(364)。
SCA的检测可以通过观察在事件之前和期间出现的许多可能的标记来实现。检测即将发生的或正在进行的事件的最佳标记可能基于患者的病因而不同。使用针对广泛人群设计的通用算法的SCA检测算法可能不能实现令人满意的灵敏度和特异性。患者4的病因可能包括基线特征、病史或疾病状态。患者4的病因可能包括本文描述的任何EHR数据194、以及患者活动水平或代谢物水平。利用此类可能的输入,规则可以寻找某些标记以展现某些趋势或阈值交叉来检测即将发生的或正在进行的急性健康事件、例如SCA。
在一些示例中,一组规则的选择可以包括修改通用规则组以打开或关闭某些规则(或急性健康事件的标记)、或者改变某些规则或标记的权重。在一些示例中,可设计一类装置,使得各个模型具有仅用于由减少制造成本或能量消耗的需要激发的有限组输入的传感器或计算。
虽然通常通过心率/节律来检测SCA,但是可以基于患者病因将与其他患者参数数据相关的规则设置为加强的警报。例如,与缺乏这种病因的患者相比,先前患有心肌梗塞的患者可能具有更重地加权局部缺血因素(诸如ST段升高)的规则。作为另一个示例,患有长QT症的患者会具有更重地加权QT间期和活性的规则。作为另一个示例,用于心力衰竭患者的规则可以具有向与肺液和QRS持续时间相关的患者参数数据应用更大权重的规则。
在一些示例中,系统2的处理电路可以使用患者病因来为患者4或包括患者4的群组“个性化”系统2的操作的其他方面。例如,处理电路可以提供警告和用户界面,这些用户界面基于病因指导护理给予者40、旁观者26、患者4或其他人。处理电路可以提供患者特定护理建议(例如,AED或用于预防或治疗SCA的潜在药物治疗)。系统以足够的灵敏度和特异性检测急性健康事件的能力可以例如引导EMS护理者给予者40在他们到达现场时能够预期到什么以及如何最好地治疗呈现节律,例如患者缺氧、低血容量、体温过低、紧张性气胸、心脏压塞(高级心脏生命支持的H和T)。病因可以表明,与心室纤颤/室性心动过速相比,患者4更易处于无脉搏电活动的风险中。系统2的处理电路可以基于患者4的病因当前患者参数数据来提供护理给予者信息,诸如用于提供CPR或除颤、提供药物、或诱发低体温的建议。系统2的处理电路可以基于病因推荐患者特定的护理动作,例如购买AED或胸部按压系统(LUCAS)。
尽管主要在SCA检测的上下文下进行描述,但是系统2可以用于检测患者4的许多急性健康事件中的任何事件。例如,系统2可以用于检测中风。中风可以通常以面部下垂的形式存在。可以使用计算装置12(例如,智能电话或IoT 30)上的面部图像处理来识别此面部色调变化。此类图像处理可以是可能的中风的主要指标,或者是在另一装置指示与中风相关的改变之后的确认的一部分。
一些计算装置12(例如,智能电话)包括用于访问的面部处理(例如,面部ID)并且以这种方式全天频繁地被访问。例如计算装置的处理电路可以分析面部图像以检测面部色调随时间的细微变化。处理电路可检测可能的中风,并且系统2的各种装置可以提供如本文所述的警报。
在一些示例中,响应于基于相机图像的检测,装置可以输出一系列提示(可听的和/或可视的)以访问患者4的当前状态。可以提示患者4重复短语或回答可听见的问题以评估认知能力。装置可以使用额外的运动处理例如使用计算装置12A和/或12B的加速度计来进一步验证患者4的状态,。身体运动的变化以及例如面部和/或身体运动的不对称性的变化是中风的指示。在一些示例中,装置可以询问患者4问题。处理电路可以分析响应以检测与中风相关联的言语困难。在一些示例中,警报可以包括关于面部色调已经在何处改变的信息,这可以通过将护理给予者40引导到可能的主要扫描位置(例如:左侧下垂=右侧凝块)来帮助诊断。
如本文所描述的,一个或多个装置(例如,IMD 10、计算装置12、IoT装置30、和HMS22)的处理电路可以被配置成例如基于确定患者具有在特定时间帧内经历SCA的阈上风险或可能性、基于将规则(例如,机器学习模型或其他人工智能算法、决策树和/或阈值)应用于各种患者数据来预测SCA的发生。在一些示例中,处理电路可以周期性地或以其他方式生成患者4将在时间帧(例如,预定数量的分钟、小时或天)内经历SCA的风险评分(例如,百分比可能性)。可以经由系统2将风险评分和/或基于满足一个或多个预定准则的风险评分的各种警告和警报传达给感兴趣方,例如患者4、护理给予者、旁观者26或EMS。通信可以经由计算装置12、38、42、IoT装置30、或HMS22的任何其他客户装置。
在一些示例中,系统2的一个或多个装置可以在SCA实际发生之前的1分钟至5分钟的范围内预测SCA的发生。在一些示例中,系统2的一个或多个装置可以在SCA实际发生之前不到一小时内预测SCA的发生。在一些示例中,系统2的一个或多个装置可以在SCA实际发生之前0.5小时至6小时的范围内预测SCA的发生。在一些示例中,系统2的一个或多个装置可以在SCA实际发生之前的不到24小时内预测SCA的发生。在一些示例中,系统2的一个或多个装置可以在SCA实际发生之前的1分钟至1小时的范围内预测SCA的发生。在一些示例中,系统2的一个或多个装置可以在SCA实际发生之前的1天至5天、1天至7天、或7天至30天的范围内预测SCA的发生。在此类示例中,风险评分可以被传达给患者4、护理给予者或临床医生,从而提示预防性临床干预,诸如ICD的植入、AED或WAED的处方、药物治疗的添加或改变、或患者4的行为的改变。
患者数据可以包括例如生理数据、环境条件、患者位置、症状和由患者输入的其他信息、或患者的图像。例如,计算装置12A和12B可以提供患者数据,该患者数据包括地球物理数据(电话角度)、大气压力、温度、电池水平、以及屏幕是否被锁定/解锁。
在一些示例中,系统2可以被配置为纵向地从多个患者(诸如患者4)收集临床数据。系统2可以提供对各种临床数据源的访问,临床数据包括:来自IMD 10、计算装置12、IoT装置30、无人机46和机器人48的传感器和位置数据;经由计算装置12和IoT装置30的触觉或音频接口从患者4接收的日记或其他数据;从提供者和应答者收集的数据;以及来自EHR 24的数据。临床数据可以代表管理HMS22的实体和/或系统2的任何装置的制造商(诸如IMD 10的制造商)来收集。例如,关于症状、饮食和锻炼的一些临床数据可以经由调查或问卷来收集,例如如2021年2月9日提交的并且标题为“MEDICAL SURVEY TRIGGER AND PRESENTATION(医学调查触发和呈现)”的美国临时申请序列号63/147,581中所描述的,这份申请通过引用以其整体并入本文。
管理HMS22的实体或另一实体可以使用从患者4收集的纵向临床数据来开发机器学习或其他算法(例如,如本文所描述的),以预测和/或确定SCA的风险评分。此类算法可以基于患者4的临床数据针对患者4个性化。
在一些示例中,系统2(例如,HMS22或计算装置12)的处理电路可以采用无监督机器学习技术(例如,K均值或其他群集技术、k最近邻(kNN)技术、或自组织映射(SOM)技术)来开发算法。此类无监督技术可以允许在可以由系统2提供的各种相关数据集中识别检验特征和趋势。可以应用于此类算法的示例性患者数据包括HRV、QT间期、夜间HR、ST段抬高或压低、其他心脏信号形态特征(包括心律失常期间、心律失常负荷、组织灌注、血压和血压的替代物、患者用力和饮食)。
图9是展示利用心脏骤停的风险评分的示例性操作的流程图。尽管被描述为由计算装置12执行,但是图9的示例性操作可以由系统的任何一个或多个装置(包括IMD 10、计算装置12、IoT装置30、无人机46、或HMS22)的处理电路来执行。图9的示例性操作可以周期性地执行,或响应于事件(例如,由IMD 10检测到心律失常或另一事件)而执行。
根据图9的示例性操作,计算装置12的处理电路130将一组规则(例如,机器学习算法)应用于患者参数数据(400),这组规则可以使用无监督学习技术来开发。患者参数数据可以从IMD 10接收、由计算装置12收集、或从本文所述的任何源接收。处理电路130基于将规则应用于患者参数数据来确定SCA风险评分,例如,患者4在预定时间帧中经历SCA的风险的量化(402)。
处理电路130确定SCA风险评分是否满足一个或多个SCA风险准则,例如,满足或超过阈值(404)。如果SCA风险评分不满足一个或多个准则(404的“否”),则处理电路130可以将规则应用于另一组参数数据(400)。如果SCA风险评分确实满足一个或多个准则(404的“是”),则处理电路130可以向系统2的一个或多个用户(诸如患者4、护理者、临床医生、旁观者26或EMS)提供SCA预测和/或升高的风险评分的通知(406)。通知可以使患者4或看护人进一步调查患者的状况或改变患者的行为。如果SCA风险评分确实满足一个或多个准则(404的“是”),则处理电路130可以另外地或替代地激活上下文数据源以收集另外的患者数据,例如用于由处理电路130、系统2的其他处理电路、或系统2的用户进一步分析(408)。可以被激活的上下文数据源包括附加传感器的起动或IMD 10的分析和计算装置12的分析、以及IoT装置30的传感器的起动。
在一个或多个示例中,一组或多组规则可以管理系统中装置的行为,例如以基于风险评分来收集上下文数据。一组或多组规则可以对应于一个或多个SCA风险准则,例如,不同的风险范围。这些规则可以在每个装置上实施,或由第一装置实施以控制第二装置的行为。基于特定的SCA风险,一个或多个装置可以执行来自与包含特定SCA风险的范围对应的一个或多个结果的特定组的一个或多个规则。
在一些示例中,用于确定SCA风险级别的规则组可以例如在正常窦性心律期间利用ECG的形态学特征。如本文所述,通过学习,规则组可以学习识别与在预定时间帧内最终患有SCA的患者相关的形态学特征。如本文所述的在预定时段内对SCA的SCA风险评分的确定可以允许临床医生确定患者是否应当接收如本文所述的针对急性健康事件的基于医疗装置的监测服务,或者患者是否应当用除颤器升级以用于一级预防。
在一些示例中,基于一个数据集(例如,来自IMD 10或环境28中的针对患者4的其他装置的数据)以这种方式开发的机器学习模型或其他算法可以应用于其他数据和/或其他患者。例如,该算法可以应用于另一个患者的EHR 24数据以确定该患者是否具有升高的SCA风险。
应当理解,本文所公开的各个方面可以与说明书和附图中具体呈现的组合不同的组合进行组合。还应该理解,取决于示例,本文描述的过程或方法的任一者的某些动作或事件可以以不同的顺序执行,可以完全添加、合并或省略(例如,执行这些技术可能不需要所有描述的动作或事件)。另外,尽管为了清楚起见,将本公开的某些方面描述为由单个模块、单元或电路来执行,但是应理解,本公开的技术可由与例如医疗装置相关联的单元、模块或电路的组合来执行。
在一个或多个示例中,描述的技术可在硬件、软件、固件或它们的任何组合中实现。如果在软件中实施,则功能可作为一个或多个指令或代码存储在计算机可读介质上并且由基于硬件的处理单元执行。计算机可读介质可包括非暂时性计算机可读介质,其对应于有形介质,诸如数据存储介质(例如,RAM、ROM、EEPROM、闪存存储器,或可用于存储指令或数据结构形式的期望程序代码并且可由计算机访问的任何其他介质)。
指令可由一个或多个处理器执行,诸如一个或多个数字信号处理器(DSP)、通用微处理器、专用集成电路(ASIC)、现场可编程逻辑阵列(FPGA)或其他等同的集成或离散逻辑电路。因此,如本文所使用的术语“处理器”或“处理电路”可指代任何前述结构或者适合于实施所描述的技术的任何其他物理结构。另外,本技术可在一个或多个电路或逻辑元件中完全实施。
以下实施例是对本文所描述的技术的说明。
实施例1.一种系统,包括处理电路和存储器。该存储器包括程序指令,这些程序指令在由该处理电路执行时使该处理电路:将第一组规则应用于第一患者参数数据,以用于是否检测到患者的心脏骤停的第一确定;确定满足该第一确定的一个或多个上下文准则;以及响应于满足该一个或多个上下文准则,将第二组规则应用于第二患者参数数据,以用于是否检测到该患者的心脏骤停的第二确定。至少该第二组规则包括机器学习模型,并且该第二患者参数数据包括未被包括在该第一患者参数数据中的至少一个患者参数。
实施例2.根据实施例1所述的系统,其中该机器学习模型包括第一机器学习模型,并且该第一组规则包括第二机器学习模型。
实施例3.根据实施例1或2所述的系统,其中该第一患者参数数据的第一患者参数由植入式医疗装置感测,并且该至少一个患者参数由外部装置感测。
实施例4.根据实施例1至3中任一项所述的系统,其中该第一患者参数数据包括从该患者的心电图数据确定的至少一个患者参数,并且该至少一个参数包括从该患者的心音、该患者的阻抗、该患者的运动、该患者的呼吸、该患者的位姿、该患者的血压、该患者体内检测到的化学物质、或者来自该患者的光学信号中的至少一者确定的患者参数。
实施例5.根据实施例1至4中任一项所述的系统,其中这些指令使得该处理电路响应于满足该一个或多个上下文准则而起动传感器以感测该至少一个患者参数。
实施例6.根据实施例1至5中任一项所述的系统,其中这些指令使该处理电路:基于将该第一组规则应用于该第一患者参数数据来确定心脏骤停的风险评分,并且其中,为了确定满足该一个或多个上下文准则,这些指令使该处理电路将该风险评分与阈值进行比较。
实施例7.根据实施例1至6中任一项所述的系统,其中,为了确定满足该一个或多个上下文准则,这些指令使该处理电路:确定是否检测到该患者的心脏骤停的该第一确定的置信水平;以及将该置信水平与阈值进行比较。
实施例8.根据实施例1至7中任一项所述的系统,其中,为了确定满足该一个或多个上下文准则,这些指令使该处理电路:确定该系统的功率电平;以及将该系统的功率电平与阈值进行比较。
实施例9.根据实施例1至8中任一项所述的系统,其中这些指令使该处理电路基于与该第一确定相关联的用户输入、该患者的医疗记录信息或由该第一确定指示的该心脏骤停的持续时间中的至少一者来选择该第二组规则或该第二患者参数数据中的至少一者。
实施例10.根据实施例1至9中任一项所述的系统,其中该第一患者参数数据包括第一组患者参数,并且其中这些指令使该处理电路:确定该第一患者参数数据中的该第一组患者参数中的至少一者的水平;以及基于该水平选择该第二组规则或该第二患者参数数据的第二患者参数中的至少一者。
实施例11.根据实施例1至10中任一项所述的系统,其中该第一患者参数数据包括从该患者的心电图数据确定的至少一个患者参数,并且该第二患者参数数据包括该心电图数据随时间的形态变化或频率偏移中的至少一者。
实施例12.根据实施例1至11中任一项所述的系统,其中该第一患者参数数据和该第二患者参数数据包括至少一个共同患者参数,其中这些指令使该处理电路响应于满足该一个或多个上下文准则而改变感测该第一患者参数数据与该第二患者参数数据之间的该共同患者参数的模式。
实施例13.根据实施例1至12中任一项所述的系统,其中所述处理电路包括植入式医疗装置或被配置用于与该植入式医疗装置无线通信的计算装置中的至少一者的处理电路。
实施例14.根据实施例1至13中任一项所述的系统,其中这些指令使该处理电路基于该患者的健康记录数据来选择该第一组规则或该第二组规则中的至少一者。
实施例15.根据实施例1至14中任一项所述的系统,其中这些指令使该处理电路基于指示该第二确定是真还是假的反馈数据来更新该第一组规则或该第二组规则中的至少一者。
实施例16.一种方法,包括通过处理电路:将第一组规则应用于第一患者参数数据,以用于是否检测到患者的心脏骤停的第一确定;确定满足该第一确定的一个或多个上下文准则;以及响应于满足该一个或多个上下文准则,将第二组规则应用于第二患者参数数据,以用于是否检测到该患者的心脏骤停的第二确定。至少该第二组规则包括机器学习模型,并且该第二患者参数数据包括未被包括在该第一患者参数数据中的至少一个患者参数。
实施例17.根据实施例16所述的方法,其中该机器学习模型包括第一机器学习模型,并且该第一组规则包括第二机器学习模型。
实施例18.根据实施例16或17所述的方法,其中该第一患者参数数据的第一患者参数由植入式医疗装置感测,并且该至少一个患者参数由外部装置感测。
实施例19.根据实施例16至18中任一项所述的方法,其中该第一患者参数数据包括从该患者的心电图数据确定的至少一个患者参数,并且该至少一个参数包括从该患者的心音、该患者的阻抗、该患者的运动、该患者的呼吸、该患者的位姿、该患者的血压、该患者体内检测到的化学物质、或来自该患者的光学信号中的至少一者确定的患者参数。
实施例20.根据实施例16至19中任一项所述的方法,还包括:响应于满足该一个或多个上下文准则而激活传感器以感测该至少一个患者参数。
实施例21.根据实施例16至20中任一项所述的方法,还包括:基于将该第一组规则应用于该第一患者参数数据来确定心脏骤停的风险评分,其中确定满足该一个或多个上下文准则包括将该风险评分与阈值进行比较。
实施例22.根据实施例16至21中任一项所述的方法,其中确定满足该一个或多个上下文准则包括:确定是否检测到该患者的心脏骤停的第一确定的置信水平;以及将该置信水平与阈值进行比较。
实施例23.根据实施例16至22中任一项所述的方法,其中确定满足该一个或多个上下文准则包括:确定该系统的功率电平;以及将该系统的功率电平与阈值进行比较。
实施例24.根据实施例16至23中任一项所述的方法,还包括基于与该第一确定相关联的用户输入或该患者的医疗记录信息中的至少一者来选择该第二组规则或该第二患者参数数据中的至少一者。
实施例25.根据实施例16至24中任一项所述的方法,其中该第一患者参数数据包括第一组患者参数,并且该方法还包括:确定该第一组患者参数中的至少一者的水平;以及基于该水平选择该第二组规则或该第二患者参数数据中的至少一者。
实施例26.根据实施例16至25中任一项所述的方法,其中该第一患者参数数据包括从该患者的心电图数据确定的至少一个患者参数,并且该第二患者参数数据包括该心电图数据随时间的形态变化或频率偏移中的至少一者。
实施例27.根据实施例16至26中任一项所述的方法,其中该第一患者参数数据和该第二患者参数数据包括至少一个共同患者参数,并且该方法还包括响应于满足该一个或多个上下文准则而改变感测该第一患者参数数据与该第二患者参数数据之间的该共同患者参数的模式。
实施例28.根据实施例16至27中任一项所述的方法,还包括基于该患者的健康记录数据来选择该第一组规则或该第二组规则中的至少一者。
实施例29.根据实施例16至28中任一项所述的方法,还包括基于指示该第二确定是真还是假的反馈数据来更新该第一组规则或该第二组规则中的至少一者。
实施例30.一种非暂时性计算机可读存储介质,包括指令,这些指令在由处理电路执行时使该处理电路执行示例16至29中任一项的方法。
实施例31.一种系统,包括:处理电路;和存储器,该存储器包括程序指令,这些程序指令当由该处理电路执行时使该处理电路:将一组规则应用于患者参数数据,以确定心脏骤停的风险评分;确定该风险评分满足一个或多个准则;以及响应于满足该一个或多个准则,执行以下中的至少一者:向一个或多个用户提供心脏骤停的风险评分的通知;或者激活上下文患者数据的一个或多个源。
实施例32.根据实施例31所述的系统,其中一组规则包括机器学习算法。
实施例33.根据实施例32所述的系统,其中该处理电路被配置为使用无监督学习来生成机器学习算法。
实施例34.根据实施例31至33中任一项或多项所述的系统,其中该一个或多个准则包括阈值。
实施例35.根据实施例31至34中任一项或多项所述的系统,其中该上下文患者数据的一个或多个源包括智能电话、智能手表或物联网装置中的一者或多者。
实施例36.根据实施例31至35中任一项或多项所述的系统,其中该处理电路被配置为经由智能电话、智能手表或物联网装置中的一者或多者来提供该通知。
实施例37.根据实施例31或36中的任一项或多项所述的系统,其中该处理电路包括该患者的智能手机的处理电路。
已经描述了各种示例。这些和其他示例在所附权利要求书的范围内。
权利要求书(按照条约第19条的修改)
1.一种系统,包括:
可插入式心脏监测器,所述可插入式心脏监测器被配置用于插入患者体内;
处理电路;和
存储器,所述存储器包含程序指令,所述程序指令在由所述处理电路执行时使所述处理电路:
将一组规则应用于由所述可插入式心脏监测器感测的第一患者参数数据,以用于是否检测到所述患者的心脏骤停的第一确定;
至少部分地基于所述第一确定的置信水平低于阈值来确定满足所述第一确定的一个或多个上下文准则;
响应于满足所述一个或多个上下文准则,激活另一装置以收集未被包括在所述第一患者参数数据中的至少一个患者参数,所述另一装置不同于所述可插入式心脏监测器,并且所述另一装置在物理上接近所述患者并且在所述患者外部;
将机器学习模型应用于第二患者参数数据,以用于是否检测到所述患者的心脏骤停的第二确定;以及
响应于是否检测到指示心脏骤停的所述患者的心脏骤停的所述第二确定,使所述另一装置输出心脏骤停的指示,
其中所述第二患者参数数据包括未被包括在所述第一患者参数数据中的所述至少一个患者参数。
2.根据权利要求1所述的系统,其中所述机器学习模型包括第一机器学习模型,并且所述一组规则包括第二机器学习模型。
3.根据权利要求1所述的系统,其中所述第一患者参数数据包括从所述患者的心电图数据确定的至少一个患者参数,并且所述第二患者参数数据的未被包括在所述第一患者参数数据中的所述至少一个参数包括从所述患者的心音、所述患者的阻抗、所述患者的运动、所述患者的呼吸、所述患者的位姿、所述患者的血压、所述患者体内检测到的化学物质、或来自所述患者的光学信号中的至少一者确定的患者参数。
4.根据权利要求1所述的系统,其中所述指令使所述处理电路基于与所述第一确定相关联的用户输入、所述患者的医疗记录信息、或由所述第一确定指示的所述心脏骤停的持续时间中的至少一者来选择所述机器学习模型或所述第二患者参数数据中的至少一者。
5.根据权利要求1所述的系统,其中所述第一患者参数数据包括第一组患者参数,并且其中所述指令使所述处理电路:
确定所述第一患者参数数据中的所述第一组患者参数中的至少一者的水平;以及
基于所述水平选择所述机器学习模型或所述第二患者参数数据的第二患者参数中的至少一者。
6.根据权利要求1所述的系统,其中所述第一患者参数数据包括从所述患者的心电图数据确定的至少一个患者参数,并且所述第二患者参数数据的未被包括在所述第一患者参数数据中的所述至少一个参数包括所述心电图数据本身。
7.根据权利要求1所述的系统,其中所述第一患者参数数据和所述第二患者参数数据包括至少一个共同患者参数,其中,所述指令使所述处理电路响应于满足所述一个或多个上下文准则而改变感测所述第一患者参数数据与所述第二患者参数数据之间的所述共同患者参数的模式。
8.根据权利要求1所述的系统,其中所述处理电路包括植入式医疗装置或被配置用于与所述植入式医疗装置进行无线通信的计算装置中的至少一者的处理电路。
9.根据权利要求1所述的系统,其中所述指令使所述处理电路基于所述患者的健康记录数据来选择所述机器学习模型。
10.根据权利要求1所述的系统,其中所述指令使所述处理电路基于指示所述第二确定是真还是假的反馈数据来更新所述一组规则或所述机器学习模型中的至少一者。
11.一种系统,包括:
可插入式心脏监测器,所述可插入式心脏监测器被配置用于插入患者体内;
处理电路;和
存储器,所述存储器包含程序指令,所述程序指令在由所述处理电路执行时使所述处理电路:
将一组规则应用于由所述可插入式心脏监测器感测的第一患者参数数据,以用于心脏骤停的风险评分的第一确定;
确定所述风险评分满足一个或多个准则;以及
响应于所述风险评分满足所述一个或多个准则,激活上下文患者数据的一个或多个源以收集未被包括在所述第一患者参数数据中的至少一个患者参数,所述一个或多个源不同于所述可插入式心脏监测器,并且在物理上接近所述患者并且在所述患者外部;
将机器学习模型应用于第二患者参数数据,以用于心脏骤停的风险评分的第二确定;以及
至少部分地基于对心脏骤停的所述风险评分的所述第二确定向一个或多个用户提供通知,
其中所述第二患者参数数据包括未被包括在所述第一患者参数数据中的所述至少一个患者参数。
Claims (16)
1.一种系统,包括:
处理电路;和
存储器,所述存储器包含程序指令,所述程序指令在由所述处理电路执行时使所述处理电路:
将第一组规则应用于第一患者参数数据,以用于是否检测到患者的心脏骤停的第一确定;
确定满足所述第一确定的一个或多个上下文准则;以及
响应于满足所述一个或多个上下文准则,将第二组规则应用于第二患者参数数据,以用于是否检测到所述患者的心脏骤停的第二确定,
其中至少所述第二组规则包括机器学习模型,并且所述第二患者参数数据包括未被包括在所述第一患者参数数据中的至少一个患者参数。
2.根据权利要求1所述的系统,其中所述机器学习模型包括第一机器学习模型,并且所述第一组规则包括第二机器学习模型。
3.根据权利要求1所述的系统,其中所述第一患者参数数据的第一患者参数由医疗装置感测,并且所述第二患者参数数据的未被包括在所述第一患者参数数据中的所述至少一个患者参数由被配置用于与所述医疗装置进行无线通信的计算装置感测。
4.根据权利要求1所述的系统,其中所述第一患者参数数据包括从所述患者的心电图数据确定的至少一个患者参数,并且所述第二患者参数数据的未被包括在所述第一患者参数数据中的所述至少一个参数包括从所述患者的心音、所述患者的阻抗、所述患者的运动、所述患者的呼吸、所述患者的位姿、所述患者的血压、所述患者体内检测到的化学物质、或来自所述患者的光学信号中的至少一者确定的患者参数。
5.根据权利要求1所述的系统,其中所述指令使所述处理电路响应于满足所述一个或多个上下文准则而激活传感器以感测所述第二患者参数数据中未包括在所述第一患者参数数据中的所述至少一个患者参数。
6.根据权利要求1所述的系统,其中所述指令使所述处理电路:
基于将所述第一组规则应用于所述第一患者参数数据来确定心脏骤停的风险评分,以及
其中,为了确定满足所述一个或多个上下文准则,所述指令使所述处理电路将所述风险评分与阈值进行比较。
7.根据权利要求1所述的系统,其中,为了确定满足所述一个或多个上下文准则,所述指令使所述处理电路:
确定是否检测到所述患者的心脏骤停的所述第一确定的置信水平;以及
将所述置信水平与阈值进行比较。
8.根据权利要求1所述的系统,其中,为了确定满足所述一个或多个上下文准则,所述指令使所述处理电路:
确定所述系统的功率电平;以及
将所述系统的所述功率电平与阈值进行比较。
9.根据权利要求1所述的系统,其中所述指令使所述处理电路基于与所述第一确定相关联的用户输入、所述患者的医疗记录信息、或由所述第一确定指示的所述心脏骤停的持续时间中的至少一者来选择所述第二组规则或所述第二患者参数数据中的至少一者。
10.根据权利要求1所述的系统,其中所述第一患者参数数据包括第一组患者参数,并且其中所述指令使所述处理电路:
确定所述第一患者参数数据中的所述第一组患者参数中的至少一者的水平;以及
基于所述水平选择所述第二组规则或所述第二患者参数数据的第二患者参数中的至少一者。
11.根据权利要求1所述的系统,其中所述第一患者参数数据包括从所述患者的心电图数据确定的至少一个患者参数,并且所述第二患者参数数据的未被包括在所述第一患者参数数据中的所述至少一个参数包括所述心电图数据本身。
12.根据权利要求1所述的系统,其中所述第一患者参数数据和所述第二患者参数数据包括至少一个共同患者参数,其中所述指令使所述处理电路响应于满足所述一个或多个上下文准则而改变感测所述第一患者参数数据与所述第二患者参数数据之间的所述共同患者参数的模式。
13.根据权利要求1所述的系统,其中所述处理电路包括植入式医疗装置或被配置用于与所述植入式医疗装置进行无线通信的计算装置中的至少一者的处理电路。
14.根据权利要求1所述的系统,其中所述指令使所述处理电路基于所述患者的健康记录数据来选择所述第一组规则或所述第二组规则中的至少一者。
15.根据权利要求1所述的系统,其中所述指令使所述处理电路基于指示所述第二确定是真还是假的反馈数据来更新所述第一组规则或所述第二组规则中的至少一者。
16.一种系统,包括:
处理电路;和
存储器,所述存储器包含程序指令,所述程序指令在由所述处理电路执行时使所述处理电路:
将一组规则应用于患者参数数据以确定心脏骤停的风险评分;
确定所述风险评分满足一个或多个准则;以及
响应于所述风险评分满足所述一个或多个准则,执行以下中的至少一项:
至少部分地基于心脏骤停的所述风险评分向一个或多个用户提供通知;或者
激活上下文患者数据的一个或多个源。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US63/158,189 | 2021-03-08 | ||
US17/246,331 | 2021-04-30 | ||
US17/246,331 US20220369937A1 (en) | 2021-03-08 | 2021-04-30 | Acute health event monitoring |
PCT/US2022/016000 WO2022191949A1 (en) | 2021-03-08 | 2022-02-10 | Acute health event monitoring |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117083016A true CN117083016A (zh) | 2023-11-17 |
Family
ID=88706594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280019901.8A Pending CN117083016A (zh) | 2021-03-08 | 2022-02-10 | 急性健康事件监测 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117083016A (zh) |
-
2022
- 2022-02-10 CN CN202280019901.8A patent/CN117083016A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022033796A (ja) | 医療前兆イベント予測のためのシステムおよび当該システムを備える外部医療機器 | |
US20220346725A1 (en) | Voice-assisted acute health event monitoring | |
US11633112B2 (en) | Automatic alert control for acute health event | |
WO2023154864A1 (en) | Ventricular tachyarrhythmia classification | |
US20240148332A1 (en) | Acute health event monitoring and verification | |
JP2022531302A (ja) | 心調律の分析のための人工知能モデルのパーソナライゼーション | |
US20220369937A1 (en) | Acute health event monitoring | |
US20240324970A1 (en) | Sensing respiration parameters as indicator of sudden cardiac arrest event | |
CN117083016A (zh) | 急性健康事件监测 | |
US20240148303A1 (en) | Acute health event monitoring and guidance | |
CN117015336A (zh) | 急性健康事件监测与指导 | |
WO2023154263A1 (en) | Techniques for improving efficiency of detection, communication, and secondary evaluation of health events | |
WO2024059160A1 (en) | Acute health event detection during drug loading | |
WO2024059101A1 (en) | Adaptive user verification of acute health events | |
CN116982118A (zh) | 急性健康事件监测和验证 | |
WO2024059054A1 (en) | Segment-based machine learning model classification of health events | |
WO2024059048A1 (en) | Combined machine learning and non-machine learning health event classification | |
US20240312623A1 (en) | Response by robotic device to an acute health event reported by medical device | |
WO2023154817A1 (en) | Feature subscriptions for medical device system feature sets | |
WO2023152598A1 (en) | Spawn a mesh network in response to a medical event | |
WO2023152597A1 (en) | Proactive alerts and coordinated responses to health events by medical systems based on device user responsivity | |
US20230170086A1 (en) | Health monitoring of a patient via geofencing | |
WO2023203437A1 (en) | High-resolution diagnostic data system for patient recovery after heart failure intervention | |
WO2023154809A1 (en) | Prediction of ventricular tachycardia or ventricular fibrillation termination to limit therapies and emergency medical service or bystander alerts | |
WO2023203419A1 (en) | A system configured for chronic illness monitoring using information from multiple devices |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |