使用机器学习模型的左心室容积和心脏输出估计的制作方法

技术特征：
1.一种估计患者的心脏参数的方法，所述方法包括：在第一患者集中的每个患者内操作血泵，所述血泵具有至少一个可测量泵参数；针对所述第一患者集中的每个患者测量至少一个血流动力学参数和所述至少一个可测量泵参数以获取第一血流动力学参数测量值和第一泵参数测量值，基于所述第一患者集的所述至少一个第一血流动力学参数和所述至少一个可测量泵参数之间的关系来构建心脏参数的模型，在第二患者集中的第二患者中操作第二血泵；以及通过以下操作将所述模型应用于所述第二患者：测量所述第二患者中的所述至少一个可测量泵参数以获取第二泵参数测量值；测量所述第二患者中的所述至少一个第一血流动力学参数以获取第二血流动力学参数测量值；以及估计所述第二患者的心脏参数，其中由所述模型基于所述第二泵参数测量值和所述第二血流动力学参数测量值来输出所述第二患者的所述心脏参数。2.根据权利要求1所述的方法，其中测量至少一个血流动力学参数包括测量所述主动脉压力。3.根据权利要求1或2所述的方法，所述方法还包括在位于所述血泵上的压力传感器处确定所述主动脉压力。4.根据权利要求1
‑
3中任一项所述的方法，其中测量所述至少一个可测量泵参数包括测量泵流量。5.根据权利要求1
‑
4中任一项所述的方法，所述方法还包括基于至少一个时间点的所述至少一个血流动力学参数和至少一个可测量泵参数来确定所估计的心脏参数。6.根据权利要求1
‑
5中任一项所述的方法，所述方法还包括将与所述血泵分离的感测导管插入所述第一患者集内的每个患者中。7.根据权利要求6所述的方法，所述方法还包括在所述感测导管处测量所测量的心脏参数。8.根据权利要求7所述的方法，所述方法还包括将所估计的心脏参数与所测量的心脏参数进行比较。9.根据权利要求6所述的方法，其中所述感测导管是印加导管。10.根据权利要求1
‑
9中任一项所述的方法，其中所述心脏参数是左心室容积。11.根据权利要求1
‑
9中任一项所述的方法，其中所述心脏参数是心脏输出、心脏功率输出、心搏量或顺应性中的一者。12.根据权利要求1
‑
11中任一项所述的方法，所述方法还包括将所述模型与描述所述第一患者集的患者信息相关联。13.根据权利要求12所述的方法，其中所述患者信息包括所述第一患者集中的每个患者的诊断或人口统计资料。14.根据权利要求13所述的方法，其中所述诊断为心源性休克或心肌梗死中的一者。15.根据权利要求13所述的方法，其中所述人口统计资料是性别、社会性别、风险因素、结果、或年龄中的一者或多者。16.根据权利要求1
‑
15中任一项所述的方法，所述方法还包括基于与所述模型相关联
的所述患者信息来确定所述模型是否适用于所述第二患者。17.根据权利要求1
‑
16中任一项所述的方法，所述方法还包括在显示器上显示所述第二患者的所述第二泵参数测量值和所述第二血流动力学参数测量值。18.根据权利要求1
‑
17中任一项所述的方法，所述方法还包括在所述显示器上显示所述第二患者的所估计的心脏参数。19.根据权利要求1
‑
18中任一项所述的方法，所述方法还包括基于所述第二患者中的所估计的心脏参数来计算泵速度的建议改变。20.根据权利要求19所述的方法，所述方法还包括实施所述泵速度的所述建议改变。21.根据权利要求19所述的方法，所述方法还包括在显示器上显示所述泵速度的所述建议改变。22.根据权利要求1
‑
21中任一项所述的方法，其中构建心脏参数的模型包括使用神经网络以从所述第一患者集的所述至少一个第一血流动力学参数和所述至少一个可测量泵参数中提取模型。23.根据权利要求22所述的方法，其中所述神经网络包括多个单元。24.根据权利要求23所述的方法，其中构成所述神经网络的所述多个单元中的第一单元接受所述第一患者集在第一时间点的所述至少一个第一血流动力学参数和所述至少一个可测量泵参数作为输入。25.根据权利要求24所述的方法，其中所述第一单元基于一个或多个模型拟合来变换所述至少一个第一血流动力学参数和所述至少一个可测量泵参数，之后将经变换的血流动力学参数和经变换的泵参数传输到所述多个单元中的第二单元。26.根据权利要求25所述的方法，其中所述第一单元更新所述第一时间点的隐藏状态和单元状态。27.根据权利要求26所述的方法，其中所述第一单元接收第二时间点的所述至少一个第一血流动力学参数和所述至少一个可测量泵参数并且更新所述第二时间点的所述隐藏状态和所述单元状态。28.根据权利要求22
‑
27中任一项所述的方法，其中所述神经网络是递归双向神经网络。29.根据权利要求1
‑
28中任一项所述的方法，其中所述第一患者集包括一个患者。30.一种基于模型来估计患者的心脏参数的方法，所述方法包括：在患者中操作血泵；测量所述患者中的所述血泵的至少一个可测量泵参数以获取泵参数测量值；测量所述患者中的至少一个血流动力学参数以获取血流动力学参数测量值；从数据库访问所述至少一个可测量泵参数、所述至少一个血流动力学参数和心脏参数之间的关系的模型；以及估计所述患者的心脏参数估计值，其中由所述模型基于所述泵参数测量值和所述血流动力学参数测量值来输出所述患者的所述心脏参数估计值。31.根据权利要求30所述的方法，其中测量至少一个血流动力学参数包括测量所述主动脉压力。32.根据权利要求30或31所述的方法，所述方法还包括在位于所述血泵上的压力传感
器处确定所述主动脉压力。33.根据权利要求30
‑
32中任一项所述的方法，其中测量所述至少一个可测量泵参数包括测量泵流量。34.根据权利要求30
‑
33中任一项所述的方法，其中所述心脏参数是左心室容积。35.根据权利要求30
‑
33中任一项所述的方法，其中所述心脏参数是心脏输出、心脏功率输出、心搏量或顺应性中的一者。36.根据权利要求30
‑
35中任一项所述的方法，所述方法还包括在显示器上显示所述患者的所述泵参数测量值和所述血流动力学参数测量值。37.根据权利要求30
‑
36中任一项所述的方法，所述方法还包括在所述显示器上显示所述患者的所述心脏参数估计值。38.根据权利要求30
‑
38中任一项所述的方法，所述方法还包括基于在所述患者中估计的所述心脏参数来计算泵速度的建议改变。39.根据权利要求38所述的方法，所述方法还包括实施所述泵速度的所述建议改变。40.根据权利要求38所述的方法，所述方法还包括在显示器上显示所述泵速度的所述建议改变。41.根据权利要求30
‑
40中任一项所述的方法，其中访问模型包括从多个模型中确定所选择的模型。42.根据权利要求41所述的方法，其中从多个模型中确定所选择的模型包括基于与所述患者相关联的信息选择模型。43.根据权利要求30
‑
42中任一项所述的方法，其中访问模型包括挑选由神经网络形成的模型。44.根据权利要求43所述的方法，其中所述神经网络是递归双向神经网络。45.根据权利要求30
‑
44中任一项所述的方法，还包括基于所估计的心脏参数来确定所述血泵的所述操作的推荐改变。46.一种用于开发患者中的心脏参数的估计的方法，所述方法包括：在第一患者群体中测量从医学设备的操作导出的一个或多个参数并测量心脏参数；基于所述第一患者群体中的从所述医学设备的操作导出的所述一个或多个参数和所述心脏参数来开发所述心脏参数的模型；将所述模型应用于第二患者群体中的患者以估计所述患者的所述心脏参数。47.根据权利要求46所述的方法，所述方法还包括：根据所述第一患者群体中的一个或多个患者的共同特性来标记所述模型。48.根据权利要求46或47所述的方法，所述方法还包括：基于所述模型的所述标记，通过将所述第二患者群体中的所述患者的特性与所述第一患者群体中的所述一个或多个患者的特性进行比较来确定所述模型是否可适用于所述第二患者群体中的所述患者。49.根据权利要求46
‑
48中任一项所述的方法，其中开发所述模型还包括：利用机器学习算法以基于所述第一患者群体中的从所述医学设备的操作导出的所述一个或多个参数和所测量的心脏参数来开发所述心脏参数的模型。50.根据权利要求46
‑
49中任一项所述的方法，其中将所述模型应用于所述第二患者群
体中的所述患者还包括：在所述第二患者群体中的所述患者中操作所述医学设备；在所述第二患者群体中的所述患者中测量从所述医学设备的操作导出的所述一个或多个参数；将从所述医学设备的操作导出的所测量的一个或多个参数输入到所述心脏参数的所述模型中；以及基于所述模型来估计所述第二患者群体中的所述患者的所估计的心脏参数。51.一种用于基于预定模型来估计患者的心脏参数的系统，所述系统包括：血泵，所述血泵包括：可驱动转子，所述转子被配置为以一个或多个泵速度进行驱动；以及传感器，所述传感器被配置为测量血流动力学参数；以及控制器，所述控制器包括：存储器，所述存储器被配置为从所述传感器接收血流动力学参数测量值并记录所述血流动力学参数测量值，所述存储器还存储基于所述血流动力学参数和所述一个或多个泵速度中的泵速度的心脏参数的预定模型；驱动器，所述驱动器被配置为驱动所述转子，所述驱动器被配置为将所驱动的血泵转子的泵速度传输到所述存储器以进行记录；显示器，所述显示器被配置为显示记录在所述存储器中的一个或多个参数；其中所述存储器被配置为：基于所述血流动力学参数测量值和所述泵速度，根据所述预定模型确定相关联的心脏参数，以及将所确定的心脏参数传输到所述显示器。52.根据权利要求51所述的系统，其中所述存储器被配置为存储基于所述血流动力学参数和所述泵速度的所述心脏参数的多个预定模型。53.根据权利要求52所述的系统，其中所述控制器被配置为基于所述血流动力学参数和所述泵速度中的至少一者从所存储的多个预定模型中选择一个预定模型。54.根据权利要求52所述的系统，其中所述控制器被配置为基于对所述显示器的输入从多个所存储的预定模型中选择一个预定模型。55.根据权利要求52
‑
54中任一项所述的系统，其中所述多个预定模型由包括多个单元的神经网络形成。56.根据权利要求55所述的系统，其中所述神经网络是递归双向神经网络。57.根据权利要求51
‑
56中任一项所述的系统，其中所述存储器被配置为无线连接到数据库，所述数据库包含基于所述血流动力学参数和所述泵速度的所述心脏参数的多个预定模型。58.根据权利要求57所述的系统，其中所述控制器被配置为从所述数据库中选择一个预定模型，并且检索所选择的一个预定模型以用于存储在所述存储器中。59.根据权利要求57或58所述的系统，其中所述多个预定模型由包括多个单元的神经网络形成。60.根据权利要求59所述的系统，其中所述神经网络是递归双向神经网络。
61.根据权利要求51
‑
60中任一项所述的系统，其中所述控制器被配置为基于所确定的心脏参数来确定对所述泵速度的推荐改变。62.根据权利要求61所述的系统，其中所述控制器还被配置为生成对所述泵速度的所述推荐改变以用于显示在所述显示器上。63.根据权利要求61或62所述的系统，其中所述控制器被配置为实施对所述泵速度的所述推荐改变。64.根据权利要求51
‑
63中任一项所述的系统，其中所述传感器被配置为测量主动脉压力、左心室舒张末期压力和毛细血管楔压中的至少一者。65.根据权利要求51
‑
64中任一项所述的系统，其中所述心脏参数是左心室容积。66.根据权利要求51
‑
64中任一项所述的系统，其中所述心脏参数是心脏功率输出。67.一种使用数据库来估计患者的心脏参数的方法，所述方法包括：在第一患者中操作血泵；测量所述第一患者中的所述血泵的至少一个可测量泵参数以获取泵参数测量值；测量所述第一患者中的至少一个血流动力学参数以获取血流动力学参数测量值；访问包括除所述第一患者以外的患者的患者数据的数据库，其中所述患者数据包括可测量泵参数、血流动力学参数和心脏参数中的至少一者；以及基于所述第一患者中的所述泵参数测量值、所述第一患者中的血流动力学参数测量值和来自所述数据库的所存储的患者数据，估计所述第一患者的心脏参数。68.根据权利要求67所述的方法，其中所述心脏参数为心脏功率输出。69.根据权利要求67或68所述的方法，其中所述数据库是存储来自具有不同特性和不同医学状况的患者的数据的全局数据库。70.根据权利要求69所述的方法，其中特性包括年龄、体重、性别或bmi。71.根据权利要求67
‑
70中任一项所述的方法，其中用新数据定期更新所述数据库。72.一种泵系统，所述泵系统具有控制器，所述控制器被配置为实施根据权利要求1
‑
50和67
‑
71中任一项所述的方法。73.一种存储器，所述存储器被配置为执行根据权利要求1
‑
50和67
‑
71中任一项所述的方法。74.根据权利要求1
‑
50和67
‑
71中任一项所述的方法，其中神经网络用于导出将应用于输入数据的所述模型。75.根据权利要求74所述的方法，其中所述神经网络包括彼此通信的多个单元并且其中所述单元：接受一个或多个所测量的参数作为输入，基于模型拟合来变换所述一个或多个所测量的参数，以及将经变换的参数传输到具有隐藏状态和单元状态中的一者或多者的相邻单元。

技术总结
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。或直接测量。或直接测量。


技术研发人员：A
受保护的技术使用者：阿比奥梅德公司
技术研发日：2020.01.15
技术公布日：2021/10/28