[发明专利]使用机器学习模型的左心室容积和心脏输出估计

说明书

本发明公开了用于创建和使用神经网络模型来估计患者的心脏参数，以及使用所估计的参数来提供血泵支持以改善患者心脏性能和心脏健康的方法和系统。特定适配包括调整血泵参数，以及确定是否以及如何增加或减少支持，或者使患者完全脱离血泵。该模型基于对来自第一患者集的数据的神经网络处理来创建，并且与原位测量的心脏参数相比包括所测量的血流动力学参数和泵参数，例如通过米勒导管(在动物中)或印加导管(在人类中)测量的左心室容积。在基于第一患者集开发模型之后，将模型应用于第二集中的患者以估计心脏参数而不使用附加导管或直接测量。

相关申请的交叉引用

本申请根据35U.S.C.§119(e)要求2019年1月16日提交的美国临时申请序列号62/793,239的优先权的权益，该申请的内容通过引用以其整体并入。

背景技术

心血管疾病是发病率和死亡率的主要原因并对世界各地的健康护理构成负担。已经针对心血管疾病开发了各种治疗方式，范围从药物到机械设备并且最后是移植。暂时心脏支持设备(诸如心室辅助设备)提供血流动力学支持并促进心脏恢复。一些心室辅助设备经皮插入心脏中并且可以与原生(native)心脏并行运行以补充心脏输出，诸如系列的设备(Abiomed,Inc.,Danvers MA)。

支持的量(如通过由泵送设备递送的血液的体积流量测量)或每个患者需要的支持的持续时间可以不同。临床医生难以直接和定量地确定设备应递送多少支持或何时终止心脏辅助设备的使用，尤其是对从介入或其他心脏护理中恢复的患者。因此，临床医生往往依赖于心脏功能的判断和间接估计，诸如使用填充流体的导管来测量心内压力或血管内压力。

虽然填充流体的导管可以提供心脏参数的重要测量值，这些测量值使得健康护理专业人员能够对患者的心脏护理和健康做出决定，但诊断装备在血管中的存在可能对患者有风险并且可能比期望的更不精确；在一些情况下，该装备可以干扰泵送设备的功能。

发明内容

本文描述的方法、系统和设备使得能够基于第一患者群体创建和使用将血泵参数与心脏参数相关的模型，然后可以将该模型应用于第二患者群体以估计心脏参数，而不使用附加测量导管或其他诊断设备。具体地，该方法和系统使得能够使用机器学习来开发表示第一患者集的血泵的所测量的参数和心脏参数(诸如左心室容积或心脏输出)之间的关系的模型。机器学习算法基于来自具有各种特性(诸如性别、体重、疾病状态、心脏结果、诊断或其他特性)的大量患者的数据来构造关于血泵的一个或多个可测量参数的所测量的心脏参数的模型。在开发出预测由诊断设备(例如，填充流体的导管)测量的心脏参数的模型后，然后可以访问该模型并将其应用于第二患者集中的患者以基于泵参数来估计心脏参数(诸如心脏输出)而不使用附加导管或其他诊断设备。

具体地，通过以下操作来创建模型：跟踪血泵性能参数，诸如泵速度、电流、流量和泵所位于的血管中的压力(诸如由泵自身上的机载光学或其他压力传感器测量的主动脉压力)；以及在组成模型训练组的多个患者中在一时间段内测量一个或多个血流动力学参数，诸如左心室容积、左心室压力、肺动脉压力或其他心脏参数(诸如通过压力感测导管)。数据被收集、存储并且然后使用机器学习算法来进行分析以提取患者集或特定患者子组的曲线拟合。例如，可以基于来自患者集中的患者群体的泵性能参数和所测量的血流动力学参数来提取指示心脏输出的模型。模型可以适用于患者集中的所有患者，或者适用于患者集中的一个或多个患者，或者可以提取适用于该集中具有特定特性的患者子集的模型。例如，在一些实施例中，可以针对诊断为患有心源性休克、心肌梗死的所有患者，或者可以基于患者人口统计资料(诸如性别、体重或风险因素)确定不同的模型。在另一示例中，模型适用于所有类型的患者，无论其诊断或各种人口统计资料如何。