健康事件预测的制作方法

1.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：

2.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。
3.在一些情况下，此类装置被配置成基于生理信号来检测诸如心律失常发作或心力衰竭恶化的健康事件。示例性心律失常类型包含心搏停止、心动过缓、室性心动过速、室上性心动过速、宽波群心动过速、心房颤动、心房扑动、心室颤动、房室传导阻滞、室性早搏和房性早搏。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。这些装置还可存储量化发作的发作数据，例如发作的次数和/或持续时间。医疗装置还可响应于例如来自患者或护理者的用户输入，将某一时间段的ecg和其他生理数据存储为发作数据。


技术实现要素：

4.一般来讲，本公开描述了用于基于包括心房颤动(af)负荷的患者的多个参数的参数数据确定健康事件的风险水平的技术。在一些示例中，这些技术包括对模型应用af负荷模式特征以确定风险水平。在一些示例中，用基于响应于触发的检测而自动收集的分类数据而分类的参数数据的训练集训练该模型。
5.在一个示例中，一种系统包括处理电路系统，该处理电路系统被配置成接收患者的多个参数的参数数据。该参数数据由该患者的一个或多个感测装置基于由该一个或多个感测装置感测到的该患者的生理信号生成。该多个参数包括af负荷。该处理电路系统被配置成：基于该多个参数的该参数数据导出一个或多个特征，其中该一个或多个特征包括至少一个af负荷模式特征；对模型应用该一个或多个特征；以及基于该一个或多个特征对该模型的该应用确定该患者的健康事件的风险水平。
6.在另一示例中，一种方法包括接收患者的多个参数的参数数据。该参数数据由该患者的一个或多个感测装置基于由该一个或多个感测装置感测到的该患者的生理信号生成。该多个参数包括af负荷。该方法包括：基于该多个参数的该参数数据导出一个或多个特征，其中该一个或多个特征包括至少一个af负荷模式特征；对模型应用该一个或多个特征；以及基于该一个或多个特征对该模型的该应用确定该患者的健康事件的风险水平。
7.在另一示例中，一种系统包括处理电路系统，该处理电路系统被配置成接收患者的多个参数的参数数据。该参数数据由该患者的一个或多个感测装置基于由该一个或多个
装置感测到的该患者的生理信号生成。该处理电路系统被进一步配置成：基于该患者的该参数数据确定用于训练模型的参数数据的训练集；基于响应于触发的检测而自动收集的分类数据对该参数数据的训练集进行分类；以及用所分类的参数数据的训练集来训练该模型。
8.在另一示例中，一种方法包括接收患者的多个参数的参数数据。该参数数据由该患者的一个或多个感测装置基于由该一个或多个装置感测到的该患者的生理信号生成。该方法进一步包括：基于该患者的该参数数据确定用于训练模型的参数数据的训练集；基于响应于触发的检测而自动收集的分类数据对该参数数据的训练集进行分类；以及用所分类的参数数据的训练集来训练该模型。
9.在另一示例中，一种系统包括处理电路系统，该处理电路系统被配置成执行本文所述的方法中的任一方法。
10.在另一示例中，一种非暂态计算机可读存储介质包括程序指令，该程序指令被配置成使处理电路系统执行本文所述的方法中的任一方法。
11.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
12.图1是示出根据本公开的一种或多种技术的被配置成预测健康事件并响应此类预测的示例性医疗装置系统的框图。
13.图2是示出图1的imd的示例性配置的框图。
14.图3是示出图1和图2的imd的示例性配置的概念侧视图。
15.图4是示出根据本公开的一种或多种技术进行操作的外部装置的示例性配置的框图。
16.图5是示出根据本公开的一种或多种技术进行操作的示例性计算系统的框图。
17.图6是示出用于使用基于自动收集的分类数据分类的参数数据的训练集来训练机器学习模型的示例性技术的流程图。
18.图7是示出用于自动收集分类数据的示例性技术的流程图。
19.图8是示出用于预测健康事件并响应健康事件的预测的示例性技术的流程图。
20.图9是示出在围绕中风事件的时间段内多个患者参数的参数数据的曲线图。
21.图10是示出患者参数的参数数据的移动平均值的时间序列值的曲线图。
22.图11是示出在预测中风时多个患者参数的以实验方法确定的统计显著性的图表。
23.图12是示出在预测中风时多个患者参数的以实验方法确定的统计显著性的图表。
24.图13a至图13d是示出在预测不同患者群体的中风时多个患者参数的以实验方法确定的统计显著性的图表。
25.图14a至图14d是示出在预测不同患者群体的住院治疗时多个患者参数的以实验方法确定的统计显著性的图表。
26.图15是示出用于预测中风和医疗保健利用的af负荷模式特征的图表。
27.图16a和图16b是分别示出针对不同患者群体经历中风或医疗保健利用事件的患
者的af负荷模式的图。
28.图17是示出在监测时段的过程中检测到的at/af时间(负荷)的曲线图。
29.图18呈现了根据平衡训练数据的标记的hcu率和患者百分比的终端节点的散点图。
30.图19呈现了针对单个hcu患者映射的af负荷数据中的模式的示例性图形图示。
31.图20呈现了根据不平衡验证集的标记的hcu率和患者百分比评分的终端节点的散点图。
32.图21呈现了验证集的af负荷阈值计数的维恩图。
33.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
34.多种类型的植入式和医疗装置基于感测到的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健康事件。可用于非侵入性感测和监测ecg和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、手表或项链。此类医疗装置可促进在正常每日活动期间对患者健康进行相对长期的监测。
35.植入式医疗装置(imd)还感测和监测ecg和其他生理信号，并检测诸如心律失常发作和心力衰竭恶化的健康事件。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。这种imd的一个示例是可从美敦力公司(medtronic plc)商购的reveal linq
tm
可插入式心脏监测器(icm)，其可经皮下插入。此类imd可便于在正常每日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carelink
tm
网络。
36.图1是示出根据本公开的技术的被配置成预测患者4的健康事件并响应此类预测的示例性医疗装置系统2的框图。示例性技术可与imd 10一起使用，该imd可与外部装置12进行无线通信。在一些示例中，imd 10被植入在患者4的胸腔的外部(例如，皮下植入图1所示的胸肌位置中)。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。imd 10包括多个电极(图1中未示出)，并且被配置成经由多个电极来感测ecg。在一些示例中，imd 10采用linq
tm
icm的形式。尽管主要在其中imd采用icm的形式的示例的上下文中进行描述，但本公开的技术可在包括任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、或除颤器。
37.外部装置12为被配置成用于与imd 10进行无线通信的计算装置。外部装置12从imd 10检索由imd 10收集并存储的发作和其他生理数据。在一些示例中，外部装置采取患者或护理者的个人计算装置的形式，诸如智能电话。
38.在图1所示的示例中，系统2还包括与外部装置12进行无线通信的传感器装置14。传感器装置14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。在一些示例中，传感器装置14为可由患者4佩戴的外部装置。传感器装置14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，传感器装置14为智能手表或智能电话外部装置12的其他附件或外
围设备。
39.外部装置12从传感器装置14检索由传感器装置14收集并存储的发作和其他生理数据。外部装置12可包括显示器和其他用户界面元素。在一些示例中，外部装置12将从imd 10和/或传感器装置14检索到的生理数据和/或其统计表示呈现给患者4或另一用户。外部装置12可根据例如或低功耗(ble)协议与imd 10和/或传感器装置14通信。
40.外部装置12可被配置成经由网络16与计算系统20进行通信。外部装置12可用于从imd 10和传感器装置14检索数据并且可经由网络16将数据传输到计算系统20。检索到的数据可包括由imd 10和传感器装置14测量的生理参数的值、关于由imd 10和传感器装置14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传感器装置14记录的其他生理信号或数据。从imd 10和传感器装置14检索的数据可包括各种患者参数的值，和/或可由计算系统20使用来确定患者参数的值。患者参数的值可被称为患者参数数据。可在周期性基础上检索和/或确定患者参数数据以产生周期性值，例如在每日基础上产生每日值。
41.计算系统20可包括被配置成允许用户(例如，治疗患者4和其他患者的临床医生)与从他们的患者的imd 10和传感器装置14所收集的数据交互的计算装置。在一些示例中，计算系统20包括一个或多个手持式计算装置、计算机工作站、服务器或其他联网的计算装置。在一些示例中，计算系统20可包括实施监测系统222的包括处理电路系统和存储装置的一个或多个装置(图5)。监测系统222可向临床医生呈现患者的参数数据，以允许临床医生远程跟踪和评估他们的患者。在一些示例中，监测系统222可分析数据并基于该分析对某些患者的数据或警报的呈现进行优先级排序。在一些示例中，计算系统20、网络16和监测系统222可通过美敦力carelink
tm
网络来实施。
42.网络16可包括一个或多个计算装置(未示出)，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、计算机终端、膝上型计算机、打印机、数据库、无线移动装置(诸如蜂窝电话或个人数字助理)、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可向计算装置(诸如计算系统20和医疗装置12)提供对因特网的接入，并且可提供允许计算装置彼此通信的通信框架。在一些示例中，网络16可为提供通信框架的专用网络，该通信框架允许计算系统20和外部装置12彼此通信，但出于安全目的将这些装置中的一个或多个装置或这些装置之间的数据流与网络16外部的装置分离。在一些示例中，在计算系统20和外部装置12之间的通信为加密的。
43.计算系统20还可从电子医疗记录(emr)数据库22检索患者4的数据。emr数据库22可存储患者4的电子医疗记录(也称为电子健康记录)，该电子医疗记录可由各种医疗保健提供者、实验室、临床医生、保险公司等生成。尽管在图1中被示出为单个数据库，但emr数据库22可包括由各种实体管理的各种数据库。
44.作为示例，emr数据库22可存储例如患者的用药史、患者的外科规程史、患者的住院史、患者的急诊或紧急护理就诊史、患者的预约诊所就诊史、患者14的一个或多个实验室或其他临床测试结果、患者14的心血管病史、或患者14的并存病(诸如心房颤动、心力衰竭或糖尿病)。作为进一步示例，emr数据库22可存储患者4的医学图像，诸如x射线图像、超声
图像、超声心动图、解剖图像、医学照片、射线照相图像等。存储在emr数据库22中的数据可包括患者4和许多其他患者的患者特定记录。在一些示例中，由emr数据库22存储的数据可包括多个患者的更广泛的人口统计信息或群体类型信息。
45.例如由计算系统20的处理电路系统实施的监测系统222可实施本公开的技术，包括基于从群体的imd 10和外部装置14检索的患者或受试者群体的参数数据的训练集来开发算法，以及将该算法应用于个体患者4的参数数据以预测临床上显著的健康事件的发生。在一些示例中，监测系统训练一个或多个机器学习(ml)模型以预测健康事件。针对特定患者的ml模型的输出可以是健康事件的风险水平、健康事件在特定时间内发生的概率和/或风险或概率是否满足阈值。
46.可使用本公开的技术来预测的示例性健康事件包括中风、需要住院治疗或紧急护理的临床上显著的af以及诸如晕厥或头晕的症状性事件的临床上显著的发作。可用于预测此类健康事件的参数数据可包括心律数据，诸如心率数据和与心房颤动(af)或其他心律失常发作相关的数据。af数据可包括af的量化(称为af负荷)以及多个时间段上的af负荷的模式。可用于预测此类临床显著健康事件的参数数据可另选地或替代地包括患者活动数据或本文所述的任何其他患者数据或信号。
47.监测系统222还可利用来自emr数据库22的数据和/或由患者或护理者经由外部装置12输入的数据连同来自imd 10或传感器装置14的参数数据。在一些示例中，来自emr数据库22的数据和/或由患者或护理者输入的数据可用作对ml模型或由监测系统222实施的其他健康事件预测算法的输入。在一些示例中，来自emr数据库22的数据和/或由患者或护理者经由外部装置12输入的数据可提供针对来自imd 10和传感器装置14的参数数据的训练集的分类，用于训练一个或多个ml模型以预测健康事件。例如，来自emr数据库22的数据和/或由患者或护理者经由外部装置12输入的数据可指示患者4是否经历临床显著健康事件、何时经历临床显著健康事件以及经历的临床显著健康事件的严重程度。此类数据可与参数数据相关联以创建参数数据的训练集。在初始训练阶段之后，此类训练集可用于强化学习，并且在一些情况下，用于一个或多个ml模型的个性化。
48.尽管本文将这些技术描述为由监测系统222执行，并因此由计算系统20的处理电路系统执行，但这些技术也可由医疗装置系统的任一个或多个装置或系统(诸如计算系统20、外部装置12或imd 10)的处理电路系统执行。ml模型可包括例如神经网络、深度学习模型、卷积神经网络或其他类型的预测分析系统。
49.图2为示出图1的imd 10的示例性配置的框图。如图2中所示，imd 10包括处理电路系统50、感测电路系统52、通信电路系统54、存储器56、传感器58、开关电路系统60和电极16a、16b(在下文中为“电极16”)，以上各者中的一个或多个可安置在imd 10的外壳上。在一些示例中，存储器56包括计算机可读指令，该计算机可读指令当由处理电路系统50执行时使imd 10和处理电路系统50执行归因于本文中的imd 10和处理电路系统50的各种功能。存储器56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)、闪存存储器或任何其他数字介质。
50.处理电路系统50可包括固定功能电路系统和/或可编程处理电路系统。处理电路系统50可包括微处理器、控制器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程
门阵列(fpga)或等效离散或模拟逻辑电路系统中的任一者或多者。在一些示例中，处理电路系统50可包括多个部件(诸如一个或多个微处理器、一个或多个控制器、一个或多个dsp、一个或多个asic或一个或多个fpga的任何组合)以及其他离散或集成逻辑电路系统。本文中归于处理电路系统50的功能可体现为软件、固件、硬件或它们的任何组合。
51.感测电路系统52可经由如由处理电路系统50控制的开关电路系统60而选择性地联接到电极16a、16b。感测电路系统52可监测来自电极16a、16b的信号以便监测图1的患者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，处理电路系统50可识别感测到的ecg的特征，诸如心率、心率变异性、搏动内间隔和/或ecg形态特征，以检测患者4的心律失常发作。处理电路系统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56内作为检测到的心律失常发作的发作数据。处理电路系统50还可将参数数据存(包括ecg的特征和量化心律失常发作的数据，诸如af负荷数据)存储在存储器56中。
52.感测电路系统52和/或处理电路系统50可被配置成当ecg振幅跨越感测阈值时检测心脏去极化(例如，心房去极化的p波或心室去极化的r波)。在一些示例中，对于心脏去极化检测，感测电路系统52可包括整流器、滤波器、放大器、比较器和/或模数转换器。在一些示例中，感测电路系统52可响应于心脏去极化的感测而向处理电路系统50输出指示。以这种方式，处理电路系统50可接收与检测到的r波和p波的发生相对应的检测到的心脏去极化指标。处理电路系统50可使用该指示来确定ecg的特征，包括去极化间间隔、心率和心率变异性。感测电路系统52还可向处理电路系统50提供一个或多个数字化ecg信号以用于分析，例如用于心律鉴别，和/或识别并描绘ecg的特征，诸如qrs振幅和/或宽度，或其他形态特征。
53.在一些示例中，感测电路系统52经由电极16测量例如imd 10附近的组织的阻抗。所测量的阻抗可基于呼吸和灌注或水肿的程度而变化。处理电路系统50可基于所测量的阻抗确定与呼吸、灌注和/或水肿相关的参数数据。
54.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、麦克风、光学传感器、温度传感器和/或压力传感器。在一些示例中，感测电路系统52可包含用于对从电极16a、16b和/或其它传感器58中的一者或多者接收到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，感测电路系统52和/或处理电路系统50可包括整流器、滤波器和/或放大器、感测放大器、比较器和/或模/数转换器。处理电路系统50可基于来自传感器58的信号来确定参数数据(例如，患者4的生理参数值)，这些信号可存储在存储器56中。
55.在一些示例中，处理电路系统50经由通信电路系统54将患者4的参数和事件数据传输到图1的外部装置12，该外部装置可将数据传输到网络16以供计算系统20的监测系统222处理。通信电路系统54可包括用于与另一装置(诸如外部装置12)进行通信的任何合适的硬件、固件、软件或它们的任何组合。在处理电路系统50的控制下，通信电路系统54可借助于内部天线或外部天线(例如，天线26)从外部装置12或另一装置接收下行链路遥测，以及向该外部装置或另一装置发送上行链路遥测。
56.尽管本文在示例性imd 10的上下文中进行描述，但是本文所公开的用于心律失常检测的技术可与其它类型的设备一起使用。例如，该技术可用以下项来实施：耦合到心血管系统外部的电极的体外心脏除颤器、被配置用于植入心脏内的经导管起搏器(诸如可从爱
尔兰都柏林的美敦力公司商购的micra
tm
经导管起搏系统)、可插入式心脏监测器(诸如也可从美敦力公司商购的reveal linq
tm
icm)、神经刺激器或药物递送装置。
57.如关于图1所讨论，传感器装置14可为外部装置，诸如智能手表、健身跟踪器、贴片或其他可佩戴装置。传感器装置14可与imd 10类似地配置，在这个意义上，其可包括电极、传感器、感测电路系统、处理电路系统、存储器和通信电路系统，并且可类似地用于收集参数数据和与外部装置12通信。传感器以及由imd 10和传感器装置14收集的参数数据可以不同，如本文所述。
58.图3为示出imd 10的示例性配置的概念侧视图。在图3所示的示例中，imd 10可包括具有外壳18和绝缘盖74的无引线皮下植入式监测装置。电极16a和电极16b可形成或放置在盖74的外表面上。上文关于图2所描述的电路系统50至56和60可形成或放置在盖74的内表面上或外壳18内。在所示的示例中，天线26形成或放置在盖74的内表面上，但在一些示例中，可形成或放置在外表面上。在一些示例中，传感器58也可形成或放置在盖74的内表面或外表面上。在一些示例中，绝缘盖74可定位在敞开的外壳18上方，使得外壳18和盖74包封天线26、传感器58和电路系统50至56和60，并且保护天线和电路系统免受诸如体液的流体的影响。
59.天线26、传感器58或电路系统50至56中的一者或多者可诸如通过使用倒装芯片技术形成在绝缘盖74上。绝缘盖74可翻转到外壳18上。当翻转并放置到外壳18上时，在绝缘盖74的内侧上形成的imd 10的部件可定位在由外壳18限定的间隙76中。电极16可通过穿过绝缘盖74形成的一个或多个通孔(未示出)电连接到开关电路系统60。绝缘盖74可由蓝宝石(即，刚玉)、玻璃、聚对二甲苯和/或任何其他合适的绝缘材料形成。外壳14可由钛或任何其他合适的材料(例如，生物相容性材料)形成。电极16可由不锈钢、钛、铂、铱或其合金中的任一者形成。另外，电极16可涂覆有诸如氮化钛或分形氮化钛的材料，但可使用用于此类电极的其他合适的材料和涂层。
60.图4是示出外部装置12的示例性配置的框图。在一些示例中，外部装置12采取移动装置的形式，诸如移动电话、“智能”电话、膝上型计算机、平板计算机或个人数字助理(pda)。在一些示例中，传感器装置12为患者4的计算装置。如图4的示例中所示，外部装置12包括处理电路系统80、存储装置82、通信电路系统84和用户界面86。尽管出于示例的目的在图4中示出为独立装置，但外部装置12可为包括处理电路系统或用于执行软件指令的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4中所示的一个或多个元件(例如，在一些示例中，诸如存储装置82的部件可与其他部件不在同一位置或位于同一机架中)。
61.在一个示例中，处理电路系统80被配置成实施功能和/或处理用于在外部装置12内执行的指令。例如，处理电路系统80可以能够处理存储在存储装置82中的指令(包括应用程序90)。处理电路系统80的示例可包括以下中的任一者或多者：微处理器、控制器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或等效离散或集成逻辑电路系统。
62.存储装置82可被配置成将信息(包括应用程序90和数据100)存储在外部装置12内。在一些示例中，存储装置82被描述为计算机可读存储介质。在一些示例中，存储装置82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。在一个示例中，存储装置82由在外部装置12上运行的应用程序90使用，以在程序执行期间临时存储信息。在一些示例中，存储装置82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。
63.外部装置12利用通信电路系统84与其他装置(诸如图1的imd 10、传感器装置14和计算系统20)进行通信。通信电路系统84可包括网络接口卡，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。这类网络接口的其他示例可包括3g、4g、5g和wifi无线电。
64.外部装置12还包括用户界面86。用户界面86可被配置成使用触觉、音频或视频刺激向用户提供输出，并通过触觉、音频或视频反馈从用户接收输入。用户界面86可包括例如存在敏感显示器、鼠标、键盘、语音响应系统、摄像机、麦克风、或用于检测来自用户的命令的任何其他类型的装置、声卡、视频图形适配卡、或用于将信号转换成人类或机器可理解的适当形式的任何其他类型的装置、扬声器、阴极射线管(crt)监测器、液晶显示器(lcd)、或可向用户生成可理解输出的任何其他类型的装置。在一些示例中，存在敏感显示器包括触敏屏。
65.可由外部装置12的处理电路系统80执行的示例性应用程序90包括imd接口应用程序92、传感器装置接口应用程序94、健康监测器应用程序96和位置服务98。处理电路系统80对imd接口92的执行将外部装置12配置成与imd 10交互。例如，imd接口92将外部装置12配置为经由通信电路系统84与imd 10通信。处理电路系统80可从imd 10检索imd数据102，并将imd数据102存储在存储器82中。imd接口92还配置用户界面86以供用户与imd 10和/或imd数据102交互。例如，imd接口92将外部装置12配置为经由通信电路系统84与imd 10通信。处理电路系统80可从imd 10检索imd数据102，并将imd数据102存储在存储器82中。imd接口92还配置用户界面86以供用户与imd 10和/或imd数据102交互。类似地，传感器装置接口94将外部装置12配置为：经由通信电路系统84与传感器装置14通信，从传感器装置14检索传感器装置数据104，以及将传感器装置数据104存储在存储器82中。传感器装置接口42还配置用户界面86以供用户与传感器装置14和/或传感器装置数据104交互。
66.健康监测器96可被配置成便于用户(诸如患者或护理者)监测患者4的健康。健康监测器96可经由用户界面86呈现健康信息，诸如imd数据102和/或传感器装置数据104的至少部分。健康监测器96还可经由用户界面86从用户收集关于患者健康的信息，并将该信息存储为用户记录的健康数据106。在一些示例中，健康监测器96向用户呈现寻求来自用户的健康数据106的问卷或调查。健康监测器96可根据时间表、响应于指示患者4经历了健康事件的imd数据102和/或传感器装置数据104、和/或基于患者4的位置(例如，响应于指示患者4进入了由地理围栏数据108限定的地理围栏区域的位置服务98)来呈现调查。响应于健康事件呈现调查可促进及时捕获关于健康事件的用户记录的健康数据106。在一些示例中，地理围栏区域被限定在诊所、医院等周围，并且进入此类地理围栏区域可类似地指示患者4经历了值得及时收集用户记录的健康数据106的健康事件。处理电路系统80还可将患者进入地理围栏区域的时间和持续时间存储为地理围栏数据108。
67.imd数据102和传感器装置数据104可包括从感测到的生理信号导出的患者参数数据，如本文所述。作为示例，imd 102可包括以下中的一者或多者的周期性(例如，每日)值：心率、心率变异性、一个或多个ecg形态特征或搏动内间隔、af和/或其他心律失常负荷(例如，每个周期的次数、时间或百分比时间)、呼吸速率、灌注和活动水平。
68.作为示例，传感器装置数据104可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、体重、体重指数、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。
69.作为示例，用户记录的健康数据106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。症状数据可包括患者经历症状的时间及其症状特征，诸如心悸、心房扑动、af、房性心动过速、晕厥或头晕。病史数据可能涉及af、中风、慢性阻塞性肺病(copd)、肾功能障碍或高血压病史、规程(诸如消融或心脏复律)的病史以及医疗保健利用。传感器装置数据104和/或用户记录的健康数据106可包括下表1中列出的数据类型中的一种或多种数据类型。
70.71.[0072][0073]
表1
[0074]
图5是示出计算系统20的示例性配置的框图。在所示的示例中，计算系统24包括用于执行应用程序220的处理电路系统202，该应用程序包括监测系统222或本文所述的任何其他应用程序。计算系统20可为包括处理电路系统或用于执行软件指令的其他合适计算环境的任何部件或系统，并且例如不必包括图5中所示的一个或多个元件(例如，用户界面装置204、通信电路系统206；并且在一些示例中，诸如存储装置208的部件可与其他部件不在同一位置或位于同一机架中)。在一些示例中，计算系统20可为跨多个装置分布的云计算系统。
[0075]
在图5的示例中，计算系统24包括处理电路系统202、一个或多个用户界面(ui)装置204、通信电路系统206和一个或多个存储装置208。在一些示例中，计算系统20还包括可通过计算系统20执行的一个或多个应用程序220(诸如监测系统222)。
[0076]
在一个示例中，处理电路系统202被配置成实施功能和/或处理用于在计算系统20内执行的指令。例如，处理电路系统202可以能够处理存储在存储装置208中的指令。处理电路系统202的示例可包括以下中的任一者或多者：微处理器、控制器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或等效离散或集成逻辑电路系统。
[0077]
一个或多个存储装置208可被配置成在操作期间在计算装置20内存储信息。在一些示例中，存储装置208被描述为计算机可读存储介质。在一些示例中，存储装置208为临时存储器，这意味着存储装置208的主要目的不是长期存储。在一些示例中，存储装置408被描述为易失性存储器，这意味着当计算机关闭时，存储装置408不保持所存储的内容。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，存储装置208由在计算系统20上运行的软件或应用程序220使用，以在程序执行期间临时存储信息。
[0078]
存储装置208可被进一步配置用于长期存储信息，诸如应用程序220和数据230。在一些示例中，存储装置208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存储器(eeprom)。
[0079]
在一些示例中，计算系统20还包括通信电路系统206以与其他装置和系统通信，诸如图1的imd 10和外部装置12。通信电路系统206可包括网络接口卡，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。这类网络接口的其他示例可包括3g、4g、5g和wifi无线电。
[0080]
在一个示例中，计算系统20还包括一个或多个用户界面装置204。在一些示例中，用户界面装置204可被配置成使用触觉、音频或视频刺激向用户提供输出，并通过触觉、音频或视频反馈从用户接收输入。用户界面装置204可包括例如存在敏感显示器、鼠标、键盘、语音响应系统、摄像机、麦克风、或用于检测来自用户的命令的任何其他类型的装置、声卡、视频图形适配卡、或用于将信号转换成人类或机器可了解的适当形式的任何其他类型的装置、扬声器、阴极射线管(crt)监测器、液晶显示器(lcd)、或可向用户生成可理解输出的任何其他类型的装置。
[0081]
应用程序220还可包括可由计算系统20的处理电路系统202执行的程序指令和/或数据，以使计算系统20提供本文归因于它的功能。示例性应用程序220可包括监测系统22。可替代地或另外地包括未示出的其他另外的应用程序，以提供本文所描述的其他功能，并且为了简单起见而不描绘。
[0082]
根据本公开的技术，计算系统20经由通信电路系统206从外部装置12接收imd数据102、传感器装置数据104、用户记录的健康数据106和地理围栏数据108。处理电路系统202将这些数据作为数据230存储在存储装置208中。
[0083]
计算系统20还可经由通信电路系统206从emr数据库22(图1)接收emr数据230，并将emr数据230存储在存储装置208中。对于多个患者或受试者中的每一者，emr数据230可包括例如用药史、外科规程史、住院史、急诊或紧急护理就诊史、预约诊所就诊史、一个或多个实验室或其他临床测试结果、规程史、心血管史或诸如心房颤动、心力衰竭、晕厥或糖尿病的并存病。作为进一步示例，emr数据230可包括医学图像，诸如x射线图像、超声图像、超声心动图、解剖学影像、医学照片、射线照相图像等。
[0084]
例如由计算系统20的处理电路系统实施的监测系统222可实施本公开的技术，包括基于例如来自患者或受试者群体的imd数据102和传感器装置数据104(以及在一些情况下，用户记录的健康数据106和emr数据230)的参数数据的训练集来开发算法，以及将该算法应用于个体患者4的参数数据以预测临床上显著的健康事件的发生。在一些示例中，监测系统222训练一个或多个机器学习(ml)模型224以预测健康事件。针对特定患者的ml模型的输出可以是健康事件的风险水平，例如健康事件的概率、健康事件在特定预定时间段内发生的风险水平或概率、和/或风险或概率是否满足阈值。
[0085]
多个患者参数可包括af负荷、一个或多个活动参数、和/或本文所述的生理参数中
的任何生理参数。在一些示例中，监测系统222可从参数数据导出特征，并将这些特征作为输入应用到算法(例如，ml模型224)以确定风险水平。这些特征中的一个或多个特征可以为af负荷特征。
[0086]
这些特征中的一个或多个特征可以为af负荷模式特征。af负荷模式特征可量化包括监测系统222正在确定风险水平的当前周期的多个周期上的af负荷模式。包括af相对于总体af负荷趋势的变化(例如，尖峰或增加)的af负荷模式可能与健康事件(诸如与心血管健康相关的其他临床显著发作的中风)的增加的风险相关联。在一些示例中，监测系统222通过比较当前af负荷值与先前af负荷值的平均值(例如，均值或中值)(例如，确定它们之间的差或比率)来确定af负荷模式特征。当前值可以为包括当前周期和多个先前周期的值的更短期平均值的当前周期的单个值。平均值可以为先前值的更长期平均值(例如，包括更多值和/或来自更远过去的值)，其可不包括当前周期值。在一些示例中，这些特征包括患者活动特征，诸如每日活动水平、白天或夜间活动水平、或此种活动水平相对于活动水平的基线或趋势的变化。
[0087]
一般来讲，健康事件可以为任何临床上显著的健康事件。在一些示例中，健康事件可以为心血管事件。健康事件可以为中风。在一些示例中，健康事件为医疗保健利用事件，诸如住院治疗。在一些示例中，健康事件包括症状性事件，诸如临床上显著的晕厥或头晕。
[0088]
监测系统222最初可利用例如在临床研究期间从一个或多个患者群体收集的参数数据来训练ml模型224。在常规临床研究中，一个或多个人类专家审查参数数据并收集其他信息以按终点将每个训练集分类为例如包括或不包括健康事件。相比之下，监测系统222可基于响应于触发的检测而自动收集的分类数据232来对参数数据的训练集进行分类，这可减少与临床研究相关联的成本或人力开销。
[0089]
在一些示例中，执行监测系统222的处理电路系统202收集分类数据232。在一些示例中，分类数据附加地或另选地由系统2(图1)的其他处理电路系统(诸如外部装置12(图4)的处理电路系统80)收集，并由计算系统20从其他处理电路系统接收。分类数据232包括指示参数数据的训练集的终点的数据，例如指示患者是否经历健康事件的数据。分类数据232可包括来自用户记录的健康数据106、地理围栏数据108和/或指示患者的终点的emr数据230的数据。
[0090]
imd 10、传感器装置14、外部装置12或计算系统20中的任一者或多者可检测用于收集分类数据232的触发。在一些示例中，触发是例如由外部装置12检测到的地理围栏事件，其指示患者前往医院或诊所达阈值时间量。在此类示例中，外部装置12或计算系统20可向患者呈现调查以收集关于就诊的信息(例如，确认就诊和关于所解决的健康问题)，作为用户记录的健康数据106和分类数据230。
[0091]
在一些示例中，触发包括患者的参数数据的特征满足标准，例如指示患者可能已经历健康事件。例如，触发可以为af负荷达到或超过阈值。其他示例性触发可包括本文所述的任何生理参数的特征达到阈值。在一些示例中，触发特征可包括在用于训练ml模型224的特征的训练集内，例如监测系统222可基于它们对健康事件的预测值从中选择输入特征的特征集。响应于触发特征的检测，监测系统222或系统2的其他处理电路系统可收集分类数据230。分类数据232的收集可经由如上文所讨论的调查，或者通过检查地理围栏数据108和/或emr数据230来识别指示健康事件的发生的接近医院或诊所就诊的时间。
[0092]
在训练ml模型224之后，监测系统222可对特定患者(诸如患者4)的参数数据(例如，imd数据102和传感器装置数据104)应用ml模型，以确定患者经历健康事件的风险水平。在一些示例中，监测系统222可确定健康事件的风险水平是否满足标准，例如达到或超过阈值风险水平。监测系统222可基于确定风险水平满足标准而采取一个或多个动作，例如如关于图8所描述。
[0093]
尽管这些技术在本文中被描述为由监测系统222执行，并因此由计算系统20的处理电路系统202执行，但这些技术可由系统2的任一个或多个装置或系统的处理电路系统执行。在一些示例中，外部装置12可附加地或另选地例如使用基于群体参数数据训练的并且在一些示例中基于患者4的参数数据个性化的ml模型224来实现监测系统222。ml模型224可包括例如神经网络、深度学习模型、卷积神经网络或其他类型的预测分析系统。此外，尽管本公开的技术主要关于包括ml模型224的示例来描述，但在一些示例中，这些技术可例如用不一定需要机器学习的不同模型或算法(诸如线性回归、趋势分析、决策树或阈值)来实现。
[0094]
图6是示出用于使用基于自动收集的分类数据分类的参数数据的训练集来训练机器学习模型的示例性技术的流程图。根据图6所示的示例，监测系统222接收多个患者的参数数据(诸如imd数据102和传感器装置数据104)(300)。监测系统222确定参数数据的训练集(302)。监测系统222基于自动收集的分类数据对参数数据的训练集进行分类，如上文参考图5所讨论(304)。监测系统222利用所分类的参数数据的训练集来训练ml模型224(306)。
[0095]
图7是示出用于自动收集分类数据的示例性技术的流程图。根据图7的示例，监测系统222例如在临床研究和ml模型训练阶段期间收集多个患者中的患者的参数数据(400)。如上文关于图5所讨论，监测系统确定是否发生触发(402)。如上文关于图5所讨论，示例性触发包括参数数据中的特征满足标准或地理围栏事件。地理围栏事件可以为患者在地理围栏区域(例如，医院、紧急护理诊所和/或医疗保健提供者附近或周围的区域)内停留超过阈值时间的事件。患者在地理围栏区域内停留超过阈值保持时间可能是计划外或计划内医疗保健利用的证据。参数数据中满足标准的特征的示例包括af负荷或从ecg导出的其他特征，例如超过阈值的心率或心率变异性、和/或下降到阈值以下的患者活动特征。如果触发未发生(402的“否”)，则监测系统222可继续接收患者的参数数据并监测触发(400,402)。
[0096]
如果触发发生(402的“是”)，则监测系统222收集分类数据232(404)。如上文关于图5所讨论，示例性分类数据232可包括来自响应于触发而递送给患者的调查的用户记录的健康数据106，或者指示患者去医院或诊所就诊并且在某些情况下指示健康事件发生的时间接近的地理围栏数据108(在参数数据特征触发的情况下)或emr数据230。监测系统222将分类数据232与参数数据相关联以用于参数数据的训练集的最终分类(406)。
[0097]
图8是示出用于预测健康事件并响应健康事件的预测的示例性技术的流程图。如上文所讨论，示例性健康事件包括中风、住院治疗或其他医疗保健利用，或者诸如症状性af或其他心血管事件的症状性事件。
[0098]
根据图8所示的示例，监测系统222接收患者4的参数数据，例如imd数据102和传感器装置数据104(500)。监测系统222对ml模型224应用从参数数据导出的特征(502)。如上文所讨论，这些特征可包括af特征，诸如af负荷模式特征，以及在一些情况下，患者活动特征或从另一生理信号导出的其他特征。监测系统222基于这些特征对ml模型224的应用来确定健康事件的风险水平，例如，ml模型224输出在预定时间段(例如，几天)内发生健康事件的
概率。监测系统222确定健康事件的风险水平是否满足标准，例如是否达到或超过阈值(504)。如果风险水平不满足标准(504的“否”)，则监测系统222继续接收参数数据并例如在逐周期的基础上对ml模型224应用特征(500,502)。基于风险水平满足标准(504的“是”)，监测系统222可执行图8所示的任选动作中的一个或多个动作(506-512)。
[0099]
监测系统222可改变系统2的感测行为(506)。例如，监测系统222可指导imd 10和/或感测装置104对感测电路系统52或传感器58采用更灵敏的设置、以更高的速率对生理信号进行采样、和/或以更高的频率进行周期性测量。
[0100]
作为另一示例，监测系统222可向患者4提供服用药物或修改药物服用的指导(508)。该药物可以为抗凝剂。该指导可以为服用按需剂量的药物或改变药物的剂量。
[0101]
作为另一示例，监测系统222可在针对治疗患者4的临床医生的通知中优先考虑患者4或与健康事件的风险水平相关联的参数数据的部分(810)。实现本公开的技术的监测系统222可通过基于风险水平满足指示健康事件的临床显著风险的标准在来自系统2的通知中优先考虑患者和/或患者数据来有利地减轻治疗患者的负荷。在一些示例中，监测系统222通过确定应向患者和/或临床医生传输或警告哪些节律(例如，呈现判定症状的临床相关患者报告)来减轻负荷。
[0102]
作为另一示例，监测系统222可确定与健康事件的风险水平相关联的参数数据的分类，并创建用于患者4的ml模型224的强化训练和/或ml模型224的个性化的参数数据的训练集，例如以创建ml模型224的患者特定版本(512)。监测系统222可利用本文例如参考图7所述的任何技术来收集用于对参数数据的训练集进行分类的分类数据232。
[0103]
由外部装置的处理电路系统80执行的健康监测器96可实现关于图6至图8描述的技术的部分。例如，健康监测器96可呈现调查并收集来自患者4的答案、向患者4呈现服用药物的指导，以及提供患者4与临床医生之间的使能消息传送。
[0104]
在一些示例中，为了实现实时患者管理，健康监测器96可遵循预定协议，以基于特定的、检测到的参数数据模式来自动推动患者动作。例如，健康监测器96可看到预定临床显著程度的af负荷，并建议修改患者的抗凝药物。如上文所讨论，可附加地或另选地基于健康事件的风险水平满足标准来推动动作。在一些示例中，计算系统20可经由网络接口或用户界面装置204为临床医生提供界面，以指定将触发临床动作的参数数据特征或风险水平标准(例如，持续超过1小时的af持续时间或超过阈值概率的中风概率)，以及患者将需要采取的临床动作(例如，增加抗凝药物的剂量)。在一些示例中，健康监测器96可提供按需(prn)药物请求。在一些示例中，健康监测器96可具有通信选项卡以及优先级状态，该优先级状态将要求在允许患者4继续移动到健康监测器96的其他特征(诸如查看患者4的参数数据)之前确认动作。
[0105]
图9是示出在中风事件(时间0)周围的时间段上的多个患者参数的参数数据的曲线图。在图9的示例中，患者参数包括患者活动参数(每日生活活动，与白天时间期间超过阈值的患者运动量相关)、心率变异性(hrv)、夜间心率、白天心率和af时间(或af负荷)。如所示示例中可见，在中风前的几天里，af时间和心率相关参数都会增加，而患者活动减少。
[0106]
图10是示出患者参数的参数数据的移动平均值的时间序列值的曲线图。在图10所示的示例中，患者参数是每日生活活动，尽管类似的技术可应用于本文所述的任何其他患者参数。图10示出了用于量化与患者参数偏离其基线或趋势相关的特征的技术，该偏离可
指示健康事件风险增加。在一些示例中，监测系统222用至少两个简单移动平均值(sma)总结趋势，并使用两个sma的比较或偏移来捕获患者参数的临床显著变化。一个sma可以是更短期sma，而另一个是更长期sma，例如，与更短期sma相比，该更长期sma包括更少的患者参数的新近值。可识别在健康事件(例如，中风)的预定天数内发生的患者参数值。在样本对照下，病例可能为1:1，并且所有偏移量和协变量都可在一个模型中进行评估。监测系统22可比较每个变量(患者参数)的拟合优度以确定变量的相对重要性。
[0107]
图11是示出在预测中风时多个患者参数的以实验方法确定的统计显著性的图表。图11的示例中的患者参数是af负荷(afb)、日间心率(dhr)、每日生活活动(adl)、夜间心率(nhr)和心率变异性(hrv)。图11所示的统计显著性是基于从包括患有中风的患者的多个患者收集的参数数据确定的。如图11所示，据发现，af负荷是比其他患者参数显著更好的中风预测因子。
[0108]
实验分析表明，af负荷的变化发生在中风事件之前的长期趋势(21+天)内。从长期来看，af负荷可被认为是主要的预测因子。更具体地，af负荷的短期趋势在长期趋势内不断增长，可能预示着中风。当急性、短期变化与长期趋势相比时，af负荷的预测能力可能高出4倍。
[0109]
图12是示出在预测中风时多个患者参数的以实验方法确定的统计显著性的另一图表。图12类似于图11，但包括附加的患者参数。具体地，图12包括af病史、chads-vasc评分、既往口服抗凝剂(prior_oac)和慢性肾病病史。虽然图12示出既往中风作为中风的预测因子比af负荷的重要性高13倍，但af负荷是chads-vasc之后的主要预测因子。
[0110]
图13a至图13d是示出在预测不同患者群体的中风时多个患者参数的以实验方法确定的统计显著性的图表。图13a示出了在预测具有既往af消融的患者的中风时多个患者参数的统计显著性。图13b示出了在预测具有既往af管理的患者的中风时多个患者参数的统计显著性。图13c示出了在预测具有既往中风的患者的中风时多个患者参数的统计显著性。图13d示出了在预测其中af被怀疑未被确认的患者的中风时多个患者参数的统计显著性。
[0111]
图14a至图14d是示出在预测不同患者群体的住院治疗(医疗保健利用的子集)时多个患者参数的以实验方法确定的统计显著性的图表。图14a示出了在预测具有既往af消融的患者的中风时多个患者参数的统计显著性。图14b示出了在预测具有既往af管理的患者的中风时多个患者参数的统计显著性。图14c示出了在预测具有既往中风的患者的中风时多个患者参数的统计显著性。图14d示出了在预测其中af被怀疑未被确认的患者的中风时多个患者参数的统计显著性。
[0112]
图15是示出对用于预测中风和医疗保健利用(hcu)的af负荷模式特征的分析的图表。该分析表明，对于中风和hcu两者，af负荷的激增(在某些情况下伴随着患者活动水平较低)预测在某一时间范围内发生的事件。
[0113]
图16a和图16b是分别示出针对不同患者群体经历中风或医疗保健利用事件的患者的af负荷模式的图。af负荷模式(诸如图16a和图16b所示的那些)发出表明中风和hcu风险升高周期的亚临床变化的信号。
[0114]
对icm患者进行了一项回顾性队列研究(包括reveal linq
tm icm)，以确定基于规则的算法是否可用于对短期hcu的风险进行分层，这些算法检查基线icm参数的变化。hcu的
发生作为研究终点是从未识别的索赔数据中获得的。如果患者的索赔历史包括至少一次在住院或门诊医院、急诊室或门诊手术中心遇到心血管drg或诊断代码，则该患者被标记为发生hcu。如果患者多次使用hcu，则记录首次出现hcu。
[0115]
研究中评估的基于icm的诊断参数包括每日总at/af负荷(毫秒/天)、患者总活动(例如，患者超阈值运动的时间(分钟/天))、平均心室率(夜间和白天)和hrv。植入后每日随访时间少于21天或随访间隔大于或等于30天的患者被排除在队列之外。通过正向填充每个诊断参数的最后一个已知值，对因每日随访间隔导致的缺失数据进行插值。随访历史仅限两年，除非有hcu，在这种情况下，随访在事件前一天结束。在两年随访期内没有任何装置检测到at/af时间的患者被排除在队列之外。
[0116]
为了定义研究的诊断时间模式，在每个患者随访日期，每个参数都被评估为从植入后第二天开始的累积移动平均值(cma)，以及从植入后21天开始的不同历史时期(1、2、3、5、8、13和21天)的sma。对于该研究，偏移sma
a_b
表示smaa和smab之间的差异，其中从较短周期sma中减去较长周期sma(即，a《b)。周期p与其相应cma的偏移被表示为sma
p_c
。
[0117]
图17是示出在监测周期的过程中检测到的at/af时间(负荷)的曲线图。竖线示出患者经历at/af的子周期(在本例中为天)的af负荷(at/af时间)。图17的曲线图进一步包括三条趋势线，分别示出af负荷600的cma、af负荷602的21天sma、以及21天sma与af负荷604的cma之间的差。
[0118]
对于该研究，hcu的发生被视为不平衡的、二元的分类问题。递归分区和回归树算法(rpart)用于使用诊断参数和移动平均偏移量作为预测因子来预测哪些随访日发生hcu。在引导例程内使用用于不平衡学习的随机抽样方法来促进算法收敛并改善分类器的准确度。通过将发生前五天标记为事件，对hcu事件进行过采样。对于经历过hcu的患者，随访在事件发生前一天结束，以防止使用事件发生当天进行的装置测量，这种情况会在建模中引入前瞻偏差。对于每次引导迭代：
[0119]
1.将患者随机分为训练集(70％)和验证集(30％)。
[0120]
2.对于训练集，未标记的天数采样不足，等于标记的天数。
[0121]
3.使用10倍交叉验证的分类树适合平衡训练集。
[0122]
4.将步骤3中的模型拟合修剪至其最小交叉验证误差。
[0123]
5.已保存步骤4中模型拟合的拆分信息。
[0124]
6.使用步骤4中的模型拟合对不平衡验证集进行分类。
[0125]
7.保存步骤6中每个终端节点的分类统计。
[0126]
终端节点的每个拆分都被记录为3元组[预测因子名称、比较、指数]以及其相应的hcu率和针对训练集和验证集两者的患者计数。如果节点具有多个拆分，则每个拆分都被保存为单独的条目。在这种情况下，对于每个节点中的所有拆分，利用率和患者计数将是相同的。
[0127]
决策树终端节点的散点图示出标记的hcu率和患者百分比之间的关系，用于识别af负荷分类树结构中的模式，该模式将对医疗保健事件风险进行分层。定义这些模式的算法是：
[0128]
1.视觉上识别散点图中患者百分比局部最大值的区域。
[0129]
2.如果该区域对于at/af时间是唯一的，则定义包围该区域的事件风险和患者百
分比的直角坐标。
[0130]
3.如果该区域对于at/af时间不是唯一的，则
[0131]
i.将患者百分比的上限和下限设置为等于局部最大值。
[0132]
ii.从患者百分比的下限减去0.01。
[0133]
iii.将事件率的下限和上限设置为散点图与前一步骤中定义的患者百分比下限相交的相应位置。
[0134]
4.选择矩形区域内的节点。
[0135]
5.按对[预测因子名称，比较]进行分组。
[0136]
6.计算每个对被选择的次数，每个对被选择为所有引导分类树的百分比的次数，以及[指数]值的均值。
[0137]
7.如果该区域对于at/af时间不是唯一的，则重复步骤3.ii-步骤6，直到在所有分类树的至少10％中选择模态预测因子。
[0138]
8.按选择率以降序对3元组[预测因子、比较、均值指数值]进行排序。
[0139]
9.识别选择率中的肘部(即，选择率下降约50％的位置)。
[0140]
10.将af负荷模式定义为选择率高于前一步骤中识别的肘点的3元组。
[0141]
执行等比例的描述性分析和测试以将af负荷模式的优势比与持续时间和数量的临床相关阈值进行比较。
[0142]
引导例程运行3,000次以创建相等数量的分类树。图18呈现了根据平衡训练数据的标记的hcu率和患者百分比的50751个终端节点的散点图。图上的点表示唯一的终端节点。当单个节点的定义包括多个拆分且每个拆分具有不同参数时(例如，at/af时间》1小时且每日活动《100分钟且夜间心率》80次/分钟)，可跨诊断参数表示单个节点。识别三个局部最大值，并表示为阴影区域a、b和c。每日活动和心率参数的缺失(a和c)或不频繁(b)节点表明这些区域主要由at/af时间定义。区域d是从对区域a、b和c的分析中导出的，并且稍后在结果中定义。
[0143]
表2：用于训练数据的每个终端节点分布的顶部拆分
[0144][0145]
表2(上文)呈现按区域进行的前五次拆分的汇总。选择率高于其相应肘点的拆分以粗体显示。这些突出显示的拆分共同定义给定区域的af负荷模式。模式a由小于约1秒的af负荷cma定义。该模式存在于所有3,000个决策树中并描述了首次检测到at/af之前的随访期(77％的发生率)和装置检测到at/af之后的相对窦性心律恢复期(23％的发生率)。模式c由大于约1秒的af负荷cma和约大于其历史平均值的21天sma的af负荷定义。该模式存在于25％的决策树中，并描述了每日af负荷的相对尖峰或增加趋势。模式b由大于约1秒的af负荷cma定义，但与模式c不同，其具有小于其历史平均值的减小的af负荷21天sma。相对于21天sma的增加的1天sma(每日负荷)表明模式c发出相对于患者低于平均负荷的散发期的信号，其可在负荷升高期之后发生。图19呈现针对单个hcu患者映射的af负荷数据中的这些模式的示例图形图示。
[0146]
根据af负荷量和持续时间阈值的训练数据计算标记的hcu率和患者百分比。数量阈值被定义为每日af负荷大于5％(72分钟)；持续时间阈值被定义为大于一小时的连续af。对于相应阈值，对数优势事件率分别为0.369和0.386，并且患者百分比分别为12.9％和7.6％。表2，区域d呈现对终端节点散点图中的前五次拆分的汇总，其中对数优势事件率大于0.369，并且患者百分比大于12.9％。前三次拆分定义了模式c的部分子结构，其中每日活动的cma降至76分钟以下。当应用于平衡的训练集时，模式d在10.4％的时间内被选择，其对数优势比为0.368，该值与其他对数优势比没有统计学差异(泊松回归，对于所有阈值系数，p》0.5)。
[0147]
图20呈现了根据不平衡验证集的标记的hcu率和患者百分比评分的终端节点的散点图。总体分布在形状上类似于训练数据(图18)。不同的颜色阴影示出不同的阈值模式，其中最浅的阴影点表示未被模式覆盖的节点。af负荷模式(a-c)提供了终端节点分布的广泛覆盖范围，对事件风险进行了清晰的划分(b对a，优势比(or)3.82，95％ci 3.59-4.07；c对a，or 8.25，95％ci 7.84-8.69)。包括每日活动阈值(d)提供了更具体的覆盖范围，在af负
荷模式中hcu的风险最大(d对a，or 11.66，95％ci 10.63-12.79)。
[0148]
图21呈现了验证集的af负荷阈值计数的维恩图。表3(如下)给出了每个阈值及其互斥子集的统计。模式d阈值的约32％(6,594/20,858)与数量和持续时间阈值互斥，并且表示事件捕获率增加了33％(212/644)。使用泊松回归对优势比差异进行的测试显示，所有三个阈值的交集系数具有统计显著性(p《0.10)；剩余系数无统计学差异(对于所有系数，p》0.10)。约23％的患者仅经历模式d阈值，预期随访率为18.2％，或每年66天。
[0149]
表3：验证数据的af负荷阈值统计
[0150][0151]
在表3中，计数表示满足阈值的次数；事件，标记的hcu的数量；优势，事件计数与阈值计数的比除以验证集的组均值事件率；患者，至少一天达到阈值的患者的数量占验证集中患者总数的百分比；随访，对于至少出现一次阈值的患者，达到阈值的天数占总随访天数的百分比。注意：每个随访日的计数是互斥的，而不是按患者计数。患者在随访期间可能经历不同的阈值。因此，患者和随访百分比总和不会达到100％。
[0152]
研究中对af负荷模式的分析证实了负荷增加与风险之间的相关性，并且更具体地，af负荷(例如，每日)随时间的增长趋势与hcu的更大风险相关，特别是当伴随着每日活动的下降时。af负荷量小于约1小时的模式预测的医疗保健事件与大于1小时的数量和持续时间阈值相当。af负荷模式证明了附加的事件捕获，这些附加的事件捕获补充数量和持续时间阈值。作为hcu的风险因子的af负荷与患者的历史负荷有关。
[0153]
该研究将af负荷和患者活动的值示为参数数据，从该参数数据可导出特征并且然后将其应用于算法或模型以确定事件(诸如hcu事件)的可能性，如本文所述。从af负荷导出的特征可包括af负荷模式特征，诸如af负荷相对于总af负荷趋势的改变(例如，尖峰或增加)。例如，af负荷模式特征可包括针对不同回溯期的sma之间和/或针对回溯期的sma与cma之间的一或多个偏移。如本文所述，应用此类特征的模型可以是机器学习的或基于规则的，例如，涉及决策树和/或阈值。
[0154]
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、模块或电路系统的组合来执行。
[0155]
实施例1.一种系统，该系统包括处理电路系统，该处理电路系统被配置成：接收患者的多个参数的参数数据，其中该参数数据由该患者的一个或多个感测装置基于由该一个或多个感测装置感测到的该患者的生理信号生成，并且其中该多个参数包括af负荷；基于该多个参数的该参数数据导出一个或多个特征，其中该一个或多个特征包括至少一个af负荷模式特征；对模型应用该一个或多个特征；以及基于该一个或多个特征对该模型的该应用确定该患者的健康事件的风险水平。
[0156]
实施例2.根据实施例1所述的系统，其中该af负荷模式特征包括当前af负荷值与af负荷值的平均值之间的比较。
[0157]
实施例3.根据实施例2所述的系统，其中该当前af负荷值包括af负荷值的更短期平均值，并且该af负荷值的平均值包括af负荷值的更长期平均值。
[0158]
实施例4.根据实施例1至3中任一项所述的系统，其中该一个或多个特征包括患者活动特征。
[0159]
实施例5.根据实施例1至4中任一项所述的系统，其中该健康事件包括中风。
[0160]
实施例6.根据实施例1至4中任一项所述的系统，其中该健康事件包括医疗保健利用事件。
[0161]
实施例7.根据实施例1至4中任一项所述的系统，其中该健康事件包括症状性事件。
[0162]
实施例8.根据实施例1至7中任一项所述的系统，其中为了确定该健康事件的该风险水平，该处理电路系统被配置成确定该健康事件的发生概率。
[0163]
实施例9.根据实施例1至8中任一项所述的系统，其中该风险水平包括该健康事件将在预定时间段内发生的风险。
[0164]
实施例10.根据实施例1至9中任一项所述的系统，其中该处理电路系统被配置成确定该健康事件的该风险水平是否满足标准。
[0165]
实施例11.根据实施例10所述的系统，其中该处理电路系统被配置成基于该健康事件的该风险满足该标准来改变该一个或多个感测装置中的至少一个感测装置的感测配置。
[0166]
实施例12.根据实施例10或11所述的系统，其中该处理电路系统被配置成基于该健康事件的该风险满足该标准向该患者递送药物指导。
[0167]
实施例13.根据实施例12所述的系统，其中该指导包括该药物的按需剂量指导。
[0168]
实施例14.根据实施例12或13所述的系统，其中该药物包括抗凝剂。
[0169]
实施例15.根据实施例10至14中任一项所述的系统，其中该处理电路系统被配置成基于该健康事件的该风险满足该标准向临床医生递送通知。
[0170]
实施例16.根据实施例10至15中任一项所述的系统，其中该处理电路系统被配置
成：在确定该健康事件的该风险满足该标准之后确定该健康事件是否发生；基于该患者的该参数数据确定用于训练该模型的参数数据的训练集；基于该健康事件是否发生来对该参数数据的训练集进行分类；以及用所分类的参数数据的训练集来训练该模型。
[0171]
实施例17.根据实施例16所述的系统，其中为了确定该健康事件是否发生，该处理电路系统被配置成基于确定该健康事件的该风险满足该标准来提示该患者完成调查。
[0172]
实施例18.根据实施例16或17所述的系统，其中为了确定该健康事件是否发生，该处理电路系统被配置成确定地理围栏事件是否在接近该健康事件的该风险满足该标准的时间发生。
[0173]
实施例19.根据实施例16至18中任一项所述的系统，其中为了确定该健康事件是否发生，该处理电路系统被配置成基于确定该健康事件的该风险满足该标准来从电子医疗记录数据库检索数据。
[0174]
实施例20.根据实施例1至19中任一项所述的系统，其中该处理电路系统包括以下至少一者的处理电路系统：患者计算装置，该患者计算装置被配置用于与该一个或多个感测装置进行无线通信；和计算系统，该计算系统被配置用于与该患者计算设备进行网络通信。
[0175]
实施例21.根据实施例1至20中任一项所述的系统，其中该系统包括一个或多个感测装置，该一个或多个感测装置包括植入式医疗装置和作为用于该患者计算装置的外围装置的外部感测装置。
[0176]
实施例22.一种方法，该方法包括：接收患者的多个参数的参数数据，其中该参数数据由该患者的一个或多个感测装置基于由该一个或多个感测装置感测到的该患者的生理信号生成，并且其中该多个参数包括af负荷；基于该多个参数的该参数数据导出一个或多个特征，其中该一个或多个特征包括至少一个af负荷模式特征；对模型应用该一个或多个特征；以及基于该一个或多个特征对该模型的该应用确定该患者的健康事件的风险水平。
[0177]
实施例23.根据实施例22所述的方法，其中该af负荷模式特征包括当前af负荷值与af负荷值的平均值之间的比较。
[0178]
实施例24.根据实施例23所述的方法，其中该当前af负荷值包括af负荷值的更短期平均值，并且该af负荷值的平均值包括af负荷值的更长期平均值。
[0179]
实施例25.根据实施例22至24中任一项所述的方法，其中该一个或多个特征包括患者活动特征。
[0180]
实施例26.根据实施例22至25中任一项所述的方法，其中该健康事件包括中风。
[0181]
实施例27.根据实施例22至25中任一项所述的方法，其中该健康事件包括医疗保健利用事件。
[0182]
实施例28.根据实施例22至25中任一项所述的方法，其中该健康事件包括症状性事件。
[0183]
实施例29.根据实施例22至28中任一项所述的方法，其中确定该健康事件的该风险水平包括确定该健康事件的发生概率。
[0184]
实施例30.根据实施例22至29中任一项所述的方法，其中该风险水平包括该健康事件将在预定时间段内发生的风险。
[0185]
实施例31.根据实施例22至30中任一项所述的方法，该方法进一步包括确定该健康事件的该风险水平是否满足标准。
[0186]
实施例32.根据实施例31所述的方法，该方法进一步包括基于该健康事件的该风险满足该标准来改变该一个或多个感测装置中的至少一个感测装置的感测配置。
[0187]
实施例33.根据实施例31或32所述的方法，该方法进一步包括基于该健康事件的该风险满足该标准向该患者递送药物指导。
[0188]
实施例34.根据实施例33所述的方法，其中该指导包括该药物的按需剂量指导。
[0189]
实施例35.根据实施例33或34所述的方法，其中该药物包括抗凝剂。
[0190]
实施例36.根据实施例31至35中任一项所述的方法，该方法进一步包括基于该健康事件的该风险满足该标准向临床医生递送通知。
[0191]
实施例37.根据实施例31至36中任一项所述的方法，该方法进一步包括：在确定该健康事件的该风险满足该标准之后确定该健康事件是否发生；基于该患者的该参数数据确定用于训练该模型的参数数据的训练集；基于该健康事件是否发生来对该参数数据的训练集进行分类；以及用所分类的参数数据的训练集来训练该模型。
[0192]
实施例38.根据实施例37所述的方法，其中确定该健康事件是否发生包括基于确定该健康事件的该风险满足该标准来提示该患者完成调查。
[0193]
实施例39.根据实施例37或38所述的方法，其中确定该健康事件是否发生包括确定地理围栏事件是否在接近该健康事件的该风险满足该标准的时间发生。
[0194]
实施例40.根据实施例37至39中任一项所述的方法，其中确定该健康事件是否发生包括基于确定该健康事件的该风险满足该标准来从电子医疗记录数据库检索数据。
[0195]
实施例41.根据实施例22至40中任一项所述的方法，其中该一个或多个感测装置包括植入式医疗装置和作为用于患者计算装置的外围装置的外部感测装置。
[0196]
实施例42.一种系统，该系统包括处理电路系统，该处理电路系统被配置成：接收患者的多个参数的参数数据，其中该参数数据由该患者的一个或多个感测装置基于由该一个或多个感测装置感测到的该患者的生理信号生成；基于该患者的该参数数据确定用于训练模型的参数数据的训练集；基于响应于触发的检测而自动收集的分类数据对该参数数据的训练集进行分类；以及用所分类的参数数据的训练集来训练该模型。
[0197]
实施例43.根据实施例42所述的系统，其中该多个患者参数包括af负荷。
[0198]
实施例44.根据实施例42或43所述的系统，其中该多个患者参数包括患者活动参数。
[0199]
实施例45.根据实施例42至44中任一项所述的系统，其中该处理电路系统被配置成：如果该患者发生健康事件，则将该参数数据的训练集分类到第一类别中，或者如果该患者未发生健康事件，则将该参数数据的训练集分类到第二类别中；以及训练该机器学习算法以确定该健康事件的风险。
[0200]
实施例46.根据实施例45所述的系统，其中该健康事件包括中风。
[0201]
实施例47.根据实施例45所述的系统，其中该健康事件包括医疗保健利用事件。
[0202]
实施例48.根据实施例45所述的系统，其中该健康事件包括症状性事件。
[0203]
实施例49.根据实施例42至48中任一项所述的系统，其中该处理电路系统被配置成响应于该触发的检测来收集该分类数据。
[0204]
实施例50.根据实施例49所述的系统，其中该触发包括地理围栏事件。
[0205]
实施例51.根据实施例49所述的系统，其中该触发包括该参数数据的特征满足标准。
[0206]
实施例52.根据实施例51所述的系统，其中该特征被包括在用于训练该模型的特征的训练集内。
[0207]
实施例53.根据实施例51或52所述的系统，其中该特征包括af负荷特征。
[0208]
实施例54.根据实施例49和51至53中任一项所述的系统，其中为了收集该分类数据，该处理电路系统被配置成确定地理围栏事件是否在接近该触发的该检测的时间发生。
[0209]
实施例55.根据实施例49至54中任一项所述的系统，其中为了收集该分类数据，该处理电路系统被配置成从电子医疗记录数据库检索数据。
[0210]
实施例56.根据实施例49至55中任一项所述的系统，其中为了收集该分类数据，该处理电路系统被配置成提示该患者完成调查。
[0211]
实施例57.根据实施例42至56中任一项所述的系统，其中该处理电路系统包括以下至少一者的处理电路系统：患者计算装置，该患者计算装置被配置用于与该一个或多个感测装置进行无线通信；和计算系统，该计算系统被配置用于与该患者计算设备进行网络通信。
[0212]
实施例58.根据实施例42至57中任一项所述的系统，其中该系统包括一个或多个感测装置，该一个或多个感测装置包括植入式医疗装置和作为用于该患者计算装置的外围装置的外部感测装置。
[0213]
实施例59.一种方法，该方法包括：接收患者的多个参数的参数数据，其中该参数数据由所述患者的一个或多个感测装置基于由该一个或多个感测装置感测到的该患者的生理信号生成；基于该患者的该参数数据确定用于训练模型的参数数据的训练集；基于响应于触发的检测而自动收集的分类数据对该参数数据的训练集进行分类；以及用所分类的参数数据的训练集来训练该模型。
[0214]
实施例60.根据实施例59所述的方法，其中该多个患者参数包括af负荷。
[0215]
实施例61.根据实施例59或60所述的方法，其中该多个患者参数包括患者活动参数。
[0216]
实施例62.根据实施例59至61中任一项所述的方法，其中该处理电路系统被配置成：如果该患者发生健康事件，则将该参数数据的训练集分类到第一类别中，或者如果该患者未发生健康事件，则将该参数数据的训练集分类到第二类别中；以及训练该机器学习算法以确定该健康事件的风险。
[0217]
实施例63.根据实施例62所述的方法，其中该健康事件包括中风。
[0218]
实施例64.根据实施例62所述的方法，其中该健康事件包括医疗保健利用事件。
[0219]
实施例65.根据实施例62所述的方法，其中该健康事件包括症状性事件。
[0220]
实施例66.根据实施例59至65中任一项所述的方法，其中该处理电路系统被配置成响应于该触发的检测来收集该分类数据。
[0221]
实施例67.根据实施例66所述的方法，其中该触发包括地理围栏事件。
[0222]
实施例68.根据实施例66所述的方法，其中该触发包括该参数数据的特征满足标准。
[0223]
实施例69.根据实施例68所述的方法，其中该特征被包括在用于训练该模型的特征的训练集内。
[0224]
实施例70.根据实施例68或69所述的方法，其中该特征包括af负荷特征。
[0225]
实施例71.根据实施例66或68至70中任一项所述的方法，其中收集该分类数据包括确定地理围栏事件是否在接近该触发的该检测的时间发生。
[0226]
实施例72.根据实施例66至71中任一项所述的方法，其中收集该分类数据包括从电子医疗记录数据库检索数据。
[0227]
实施例73.根据实施例66至72中任一项所述的方法，其中收集该分类数据包括提示该患者完成调查。
[0228]
实施例74.根据实施例66至73中任一项所述的方法，其中该一个或多个感测装置包括植入式医疗装置和作为用于患者计算装置的外围装置的外部感测装置。
[0229]
实施例75.一种方法，该方法包括本文所述的示例性方法的任意组合。
[0230]
实施例76.一种系统，该系统包括处理电路系统，该处理电路系统被配置成执行根据实施例22至41和59至75中任一项或多项所述的方法。
[0231]
实施例77.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质包括程序指令，该程序指令被配置成使处理电路系统执行根据实施例22至41和59至75中任一项或多项所述的方法。
[0232]
实施例78.一种系统，该系统包括处理电路系统，该处理电路系统被配置成：基于由患者的一个或多个感测装置基于由该一个或多个感测装置感测到的该患者的一个或多个信号生成的该患者的参数数据导出一个或多个特征，其中该参数数据包括af负荷数据，其中该一个或多个特征包括不同时间段的该af负荷数据的移动平均值之间的一个或多个偏移；对基于规则的模型应用该一个或多个特征；以及基于该一个或多个特征对该基于规则的模型的该应用确定该患者的医疗保健利用事件的风险水平。
[0233]
实施例79.根据实施例78所述的系统，其中该参数数据包括该患者的活动数据。
[0234]
实施例80.根据实施例78或79所述的系统，其中该参数数据包括心率数据。
[0235]
实施例81.一种设备，该设备包括用于本文所述实施例中任一项的构件。
[0236]
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)。
[0237]
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系统。因此，如本文所使用的术语“处理器”或“处理电路系统”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它物理结构。另外，本技术可在一个或多个电路或逻辑元件中完全实施。
[0238]
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。

技术特征：
1.一种系统，所述系统包括处理电路系统，所述处理电路系统被配置成：接收患者的多个参数的参数数据，其中所述参数数据由所述患者的一个或多个感测装置基于由所述一个或多个感测装置感测到的所述患者的生理信号生成，并且其中所述多个参数包括af负荷；基于所述多个参数的所述参数数据导出一个或多个特征，其中所述一个或多个特征包括至少一个af负荷模式特征；对模型应用所述一个或多个特征；以及基于所述一个或多个特征对所述模型的所述应用确定所述患者的健康事件的风险水平。2.根据权利要求1所述的系统，其中所述af负荷模式特征包括当前af负荷值与af负荷值的平均值之间的比较。3.根据权利要求2所述的系统，其中所述当前af负荷值包括af负荷值的更短期平均值，并且所述af负荷值的平均值包括af负荷值的更长期平均值。4.根据权利要求1所述的系统，其中所述一个或多个特征包括患者活动特征。5.根据权利要求1所述的系统，其中所述健康事件包括中风。6.根据权利要求1所述的系统，其中所述健康事件包括医疗保健利用事件。7.根据权利要求1所述的系统，其中所述健康事件包括症状性事件。8.根据权利要求1所述的系统，其中为了确定所述健康事件的所述风险水平，所述处理电路系统被配置成确定所述健康事件的发生概率。9.根据权利要求1所述的系统，其中所述风险水平包括所述健康事件将在预定时间段内发生的风险。10.根据权利要求1所述的系统，其中所述处理电路系统被配置成确定所述健康事件的所述风险水平是否满足标准。11.根据权利要求1所述的系统，其中所述处理电路系统被配置成基于所述健康事件的所述风险满足所述标准来改变所述一个或多个感测装置中的至少一个感测装置的感测配置。12.一种方法，所述方法包括：接收患者的多个参数的参数数据，其中所述参数数据由所述患者的一个或多个感测装置基于由所述一个或多个感测装置感测到的所述患者的生理信号生成，并且其中所述多个参数包括af负荷；基于所述多个参数的所述参数数据导出一个或多个特征，其中所述一个或多个特征包括至少一个af负荷模式特征；对模型应用所述一个或多个特征；以及基于所述一个或多个特征对所述模型的所述应用确定所述患者的健康事件的风险水平。13.一种系统，所述系统包括处理电路系统，所述处理电路系统被配置成：接收患者的多个参数的参数数据，其中所述参数数据由所述患者的一个或多个感测装置基于由所述一个或多个感测装置感测到的所述患者的生理信号生成；基于所述患者的所述参数数据确定用于训练模型的参数数据的训练集；
基于响应于触发的检测而自动收集的分类数据对所述参数数据的训练集进行分类；以及用所分类的参数数据的训练集来训练所述模型。14.一种方法，所述方法包括：接收患者的多个参数的参数数据，其中所述参数数据由所述患者的一个或多个感测装置基于由所述一个或多个感测装置感测到的所述患者的生理信号生成；基于所述患者的所述参数数据确定用于训练模型的参数数据的训练集；基于响应于触发的检测而自动收集的分类数据对所述参数数据的训练集进行分类；以及用所分类的参数数据的训练集来训练所述模型。15.一种系统，所述系统包括处理电路系统，所述处理电路系统被配置成：基于由患者的一个或多个感测装置基于由所述一个或多个感测装置感测到的所述患者的一个或多个信号生成的所述患者的参数数据导出一个或多个特征，其中所述参数数据包括af负荷数据，其中所述一个或多个特征包括不同时间段的所述af负荷数据的移动平均值之间的一个或多个偏移；对基于规则的模型应用所述一个或多个特征；以及基于所述一个或多个特征对所述基于规则的模型的所述应用确定所述患者的医疗保健利用事件的风险水平。

技术总结
一种系统包括处理电路系统，该处理电路系统被配置成接收患者的多个参数的参数数据。该参数数据由该患者的一个或多个感测装置基于由该一个或多个感测装置感测到的该患者的生理信号生成。该多个参数包括AF负荷。该处理电路系统被配置成：基于该多个参数的该参数数据导出一个或多个特征，其中该一个或多个特征包括至少一个AF负荷模式特征；对模型应用该一个或多个特征；以及基于该一个或多个特征对该模型的该应用确定该患者的健康事件的风险水平。型的该应用确定该患者的健康事件的风险水平。型的该应用确定该患者的健康事件的风险水平。


技术研发人员：T
受保护的技术使用者：美敦力公司
技术研发日：2022.02.07
技术公布日：2023/10/6