[发明专利]被配置成应用机器学习算法的可穿戴除颤设备

说明书

公开一种设备，所述设备被配置成由患者穿戴以进行心脏除颤，所述设备包括：感测电极，所述感测电极被配置成感测所述患者的心脏信号；除颤电极；疗法递送电路系统，所述疗法递送电路系统被配置成通过所述除颤电极向所述患者递送除颤疗法；通信电路系统，所述通信电路系统被配置成从与所述设备分离的至少一个感测装置接收所述患者的至少一个生理信号的数据；存储器，所述存储器被配置成存储所述数据、所述心脏信号和机器学习算法；以及处理电路系统，所述处理电路系统被配置成将所述机器学习算法应用于所述数据和所述心脏信号，以概率性地确定所述患者的至少一种状态并且基于所述至少一种概率性地确定的患者状态确定是否控制所述除颤疗法的递送。

技术领域

本公开涉及医疗装置，并且更具体地，涉及心脏除颤器。

背景技术

恶性快速性心律失常，例如心室纤颤(VF)，是心脏中的心室的心肌的不协调收缩，也是心脏骤停患者中最常见的心律失常。如果这种心律失常持续超过几秒，则其可能导致心源性休克以及有效血液循环的停止。心脏性猝死(SCD)可能在几分钟内发生。

可穿戴自动外部除颤器(WAED)也被称为可穿戴心脏除颤器(WCD)，它可供确认具有恶性快速性心律失常风险但是未指示或不需要可植入的复律器-除颤器的患者选择。WAED通常包含绑带或携带其组件的衣服，如感测电极和除颤电极、处理电路系统以及电击生成和感测电路系统，其允许患者穿戴此类组件。WAED通常实施常规的AED心律失常检测算法，在所述算法中分析最近的心电图数据的秒数，并且所述算法不考虑通常不适用于WAED的其它类型的传感器数据。

发明内容

在一些方面，本公开描述了用于检测快速性心律失常并且在一些情况下检测心脏除颤的系统、装置和技术的实例。患者可以穿戴除颤设备，如WAED。所述设备的处理电路系统可以实施机器学习算法以概率性地确定患者的状态，例如作为快速性心律失常检测算法的一部分来确定所述患者的快速性心律失常状态和/或共病(如慢性阻塞性肺疾病(COPD))的状态。所述设备的处理电路系统可以具有图形处理单元(GPU)和中央处理单元(CPU)架构，其可以允许所述设备实施所述机器学习算法。

所述机器学习算法使除颤设备能够例如使用贝叶斯(Bayesian)、随机森林和/或决策树方法来实施对患者的病状是正常还是不正常的概率性确定，例如患者是否正在经历或将经历可治疗的快速性心律失常，其也可以被称为患者的快速性心律失常状态。机器学习算法和GPU架构还使设备能够通过一起考虑大量不同的数据并且标识数据中的模式来进行概率性确定。数据可以包含时变信号(如心电图(ECG)和/或其它感测到的生理或环境信号)的当前值和历史值(或从其得出的值)。

在一些实例中，所述设备从可以由患者穿戴或植入患者中的一个或多个其它感测装置接收数据，所述数据包含信号、值或患者状态的独立确定，以供GPU根据机器学习算法进行考虑。所述设备可以是处于主/从通信关系中的此类其它感测装置的主设备。基于各种类型的数据和信号源的概率性确定可以允许更准确地确定患者状态，特别是当面对一个或多个信号中的噪声时。在一些实例中，概率性确定可以允许在快速性心律失常发生之前对其进行预测，并且响应于纤颤而允许预防性疗法，如心脏起搏或其它电刺激来破坏心律，而不是除颤电击。

所述设备可以通过GPU基于所收集的数据来更新机器学习算法。在一些实例中，例如在具有患者数据的初始训练阶段期间，对机器学习算法的更新还可以基于来自用户或其它装置的关于算法对患者状态的确定是否正确的反馈。此外，在一些实例中，远程系统可以实施例如具有更大数量的核或以其它方式具有更大的处理数据和更新算法的能力的更广泛的GPU架构。远程系统可以从设备接收所收集的数据和患者状态决定，基于数据和决定更新其算法实例并且向设备提供更新。在一些实例中，可以基于不同的特性将不同的群体彼此区分开，并且远程系统可以使用群体特异性数据来更新每个群体内的患者的群体-特异性机器学习算法。另外，在穿戴这种除颤设备的患者稍后被指示植入ICD的情况下，ICD的快速性心律失常检测算法可以基于存储在除颤设备中的机器学习算法来实施或被配置，所述机器学习算法已经学习检测特定患者随着时间推移的快速性心律失常。