特許ウォッチ

公開番号2025013338
公報種別公開特許公報(A)
公開日2025-01-24
出願番号2024168672,2021570777
出願日2024-09-27,2020-06-01
発明の名称大動脈内圧の予測
出願人アビオメドインコーポレイテッド,ノースイースタンユニバーシティ
代理人個人,個人,個人,個人
主分類A61M 60/554 20210101AFI20250117BHJP(医学または獣医学;衛生学)
要約【課題】本開示の諸局面において、経弁マイクロ軸流心臓ポンプから血行力学的支持を受けている患者の大動脈内圧を予測するためのシステムおよび方法を説明する。
【解決手段】いくつかの実施形態において、経弁マイクロ軸流心臓ポンプの圧力センサーの測定結果から大動脈内圧の時系列が導出され、かつ、経弁マイクロ軸流心臓ポンプのモーターの逆起電力の測定結果からモータースピードの時系列が導出される。さらに、いくつかの実施形態において、患者の大動脈内圧を正確に予測するため、深層学習などの機械学習アルゴリズムが大動脈内圧およびモータースピードの時系列に適用される。いくつかの実施形態において、この予測は短期的(例えば約5分先)である。
【選択図】図1b
特許請求の範囲【請求項１】
モーターと圧力センサーとを具備する経弁マイクロ軸流心臓ポンプと；
該経弁マイクロ軸流ポンプが患者の心臓内に少なくとも部分的に位置しているある期間中に該圧力センサーによって測定された圧力値に対応する大動脈内圧測定結果のセットを取得すること、
該期間中のモーターの回転スピードに対応するモータースピード測定結果のセットを取得すること、
トレーニングされた機械学習モデルを用いて、該大動脈内圧測定結果のセットおよび該モータースピード測定結果のセットに基づき、患者の大動脈内圧を予測すること、ならびに
該患者の該予測大動脈内圧に基づいて、該モーターのスピード設定を自動的に調整すること
を行うよう構成された、1つまたは複数のプロセッサと
を具備するシステム。
続きを表示（約 1,300 文字）【請求項２】
前記1つまたは複数のプロセッサが、前記期間中のモーターのエネルギー取込みに対応する電流測定結果のセットを取得するようさらに構成され、かつ、前記予測が該電流測定結果のセットにさらに基づく、請求項1記載のシステム。
【請求項３】
経弁マイクロ軸流心臓ポンプが、
チューブと；
1つまたは複数の開口部であってそれを通って血液がモーターによって該チューブ内に吸い込まれてもよい該開口部を有する、インレットエリアと；
1つまたは複数の開口部であってそれを通って血液が該モーターによって該チューブから吐出されてもよい該開口部を有する、アウトレットエリアと
をさらに具備し、かつ、前記圧力センサーが該アウトレットエリアに連結されている、請求項1記載のシステム。
【請求項４】
経弁マイクロ軸流心臓ポンプが、前記インレットエリアに連結された追加的な圧力センサーをさらに具備し、
前記1つまたは複数のプロセッサが、前記期間中に該追加的な圧力センサーによって測定された圧力値に対応する左室圧測定結果のセットを取得するようさらに構成され、かつ、
前記予測が該左室圧測定結果のセットにさらに基づく、
請求項3記載のシステム。
【請求項５】
前記機械学習モデルが深層学習モデルである、請求項1記載のシステム。
【請求項６】
深層学習モデルが、自己回帰和分移動平均（ARIMA）モデル、ディープニューラルネットワーク（DNN）モデル、再帰型シーケンスツーシーケンス（Recurrent Sequence to Sequence）モデル、アテンション付き再帰型シーケンスツーシーケンスモデル、トランスフォーマー（Transformer）モデル、時間畳み込みニューラルネットワーク（TCN）モデル、または畳み込みニューラルピラミッド（Convolutional Neural Pyramid）モデルである、請求項5記載のシステム。
【請求項７】
深層学習モデルが、Legendreメモリユニット（LMU）を伴う再帰型シーケンスツーシーケンスモデルである、請求項5記載のシステム。
【請求項８】
前記機械学習モデルが、増加シーケンスと、減少シーケンスと、定常シーケンスとを含むデータセット上でトレーニングされ、かつ、
各シーケンスが大動脈内圧測定結果およびモータースピード測定結果を含む、
請求項1記載のシステム。
【請求項９】
シーケンス内の大動脈内圧測定結果が既定の閾値を上回って増加しているならばそのシーケンスは増加しており、シーケンス内の大動脈内圧測定結果が該既定の閾値を上回って減少しているならばそのシーケンスは減少しており、シーケンス内の大動脈内圧測定結果が該既定の閾値を上回って増加も減少もしていないならばそのシーケンスは定常である、請求項8記載のシステム。
【請求項１０】
前記既定の閾値が10 mmHgである、請求項9記載のシステム。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
関連出願の相互参照
本出願は、2019年5月31日に提出されかつ参照により本明細書に組み入れられる米国特許仮出願第62/855,389号の恩典を主張する。
続きを表示（約 3,200 文字）【０００２】
技術分野
本技術は、経弁マイクロ軸流心臓ポンプから血行力学的支持を受けている患者の大動脈内圧を予測するためのシステムおよび方法に関する。
【背景技術】
【０００３】
背景
機械学習は、コンピュータビジョン、自然言語処理、音声認識、および臨床ヘルスケアなど、さまざまに異なる技術分野において、予測を提供するために適用され、成功している。機械学習アルゴリズムの例には、ベイズのアルゴリズム、クラスター化アルゴリズム、決定木アルゴリズム、次元低減アルゴリズム、インスタンスベースアルゴリズム、深層学習アルゴリズム、回帰アルゴリズム、正則化アルゴリズム、およびルールベース機械学習アルゴリズムが含まれる。臨床ヘルスケアにおいて、機械学習アルゴリズムは、死亡リスクのモデル化、在院期間の予想、生理学的衰退の検出、および表現型の分類に用いられている。例えばHarutyunyan et al., Multitask learning and benchmarking with clinical time series data, Scientific Data, doi: 10.1038/s41597-019-0103-9, 2017（非特許文献1）; Purushothama et al., Benchmarking deep learning models on large healthcare datasets, Journal of Biomedical Informatics 83, 112-134, 2018（非特許文献2）を参照されたい。しかし、疾患と治療に対する患者の応答とを医師がリアルタイムで早期に検出することを助けうる、生理学的応答を予測するためのシステムおよび方法に対するニーズが依然として存在している。
【先行技術文献】
【非特許文献】
【０００４】
Harutyunyan et al., Multitask learning and benchmarking with clinical time series data, Scientific Data, doi: 10.1038/s41597-019-0103-9, 2017
Purushothama et al., Benchmarking deep learning models on large healthcare datasets, Journal of Biomedical Informatics 83, 112-134, 2018
【発明の概要】
【０００５】
概要
これまで、機械学習アルゴリズムは、血行力学的支持を受けている患者の大動脈内圧（例えば、最新の大動脈内圧、平均大動脈内圧、大動脈内圧の中央値、大動脈内圧の最大値、大動脈内圧の最小値、大動脈内圧の範囲、収縮期の大動脈内圧、拡張期の大動脈内圧など）を予測するためには用いられてこなかった。患者の大動脈内圧を予想することは難しく、それには、大動脈内血圧の高周波時系列が現在のところ公的に利用可能ではないことも部分的な理由である。さらに、大動脈内血圧の時系列は、ノイズが多くかつ非定常性が高い可能性がある。さらに、長期的な予想については予想誤差および不確実性が劇的に増大する。
【０００６】
患者の大動脈内圧を予測できることは、患者のコンディションを予想する臨床従事者の能力を大きく高めると考えられる。例えば、急性非代償性心不全（ADHF）は過剰な合併症発生率および死亡率と関連する複雑な臨床事象であり、一般的に急速な血圧低下によって指し示され、心拍数の増大と関連する。ADHFの難しい点は、症状の低減と臨床アウトカムの向上とを両方とももたらす有効な処置に欠けることである。既存のガイドラインの推奨事項は専門家の意見に基づく部分が大きい。例えばGivertz et al., Acute Decompensated Heart Failure: Update on New and Emerging Evidence and Directions for Future Research, Journal of Cardiac Failure, Vol. 19, No. 6, 2013を参照されたい。ゆえに、患者の大動脈内圧の軌跡を予測できることは、医療従事者が患者のADHFリスクを評価しそして虚脱前に介入することをより容易にすると考えられる。加えて、大動脈内圧を予想することは、健康状態が向上するにつれて患者を支持から離脱させる助けとなるガイダンスを提供すると考えられる。
【０００７】
本開示の諸局面において、経弁マイクロ軸流心臓ポンプから血行力学的支持を受けている患者の大動脈内圧を予測するためのシステムおよび方法を説明する。いくつかの実施形態において、経弁マイクロ軸流心臓ポンプの圧力センサーの測定結果から大動脈内圧の時系列が導出され、かつ、経弁マイクロ軸流心臓ポンプのモーターの逆起電力（EMF）の測定結果からモータースピードの時系列が導出される。さらに、いくつかの実施形態において、患者の大動脈内圧を正確に予測するため、深層学習などの機械学習アルゴリズムが大動脈内圧およびモータースピードの時系列に適用される。いくつかの実施形態において、予測は短期的（例えば約5分先）である。
【０００８】
本開示の1つの局面は、経弁マイクロ軸流心臓ポンプと、1つまたは複数のプロセッサとを含むシステムに関する。経弁マイクロ軸流心臓ポンプはモーターと圧力センサーとを含む。前記1つまたは複数のプロセッサは以下を行うよう構成される：
経弁マイクロ軸流ポンプが患者の心臓内に少なくとも部分的に位置しているある期間中に圧力センサーによって測定された圧力値に対応する大動脈内圧測定結果のセットを取得すること、
前記期間中のモーターの回転スピードに対応するモータースピード測定結果のセットを取得すること、
トレーニングされた機械学習モデルを用いて、大動脈内圧測定結果のセットとモータースピード測定結果のセットとに基づき、患者の大動脈内圧を予測すること、および、
患者の予測大動脈内圧に基づいて、モーターのスピード設定を自動的に調整すること。
【０００９】
いくつかの実施形態において、前記1つまたは複数のプロセッサは、前記期間中のモーターのエネルギー取込みに対応する電流測定結果のセットを取得するようさらに構成され、かつ、前記予測はその電流測定結果のセットにさらに基づく。
【００１０】
いくつかの実施形態において、経弁マイクロ軸流心臓ポンプは、チューブと；1つまたは複数の開口部であってそれを通って血液がモーターによってチューブ内に吸い込まれてもよい開口部を有する、インレットエリアと；1つまたは複数の開口部であってそれを通って血液がモーターによってチューブから吐出されてもよい開口部を有する、アウトレットエリアとをさらに含み、かつ、圧力センサーはアウトレットエリアに連結されている。いくつかの実施形態において、経弁マイクロ軸流心臓ポンプは、インレットエリアに連結された追加的な圧力センサーをさらに含み；前記1つまたは複数のプロセッサは、前記期間中にその追加的な圧力センサーによって測定された圧力値に対応する左室圧測定結果のセットを取得するようさらに構成され；かつ、前記予測はその左室圧測定結果のセットにさらに基づく。
（【００１１】以降は省略されています）

関連特許