主动脉狭窄分类的制作方法

1.以下总体上涉及分类，并且更具体地涉及主动脉狭窄分类。


背景技术：

2.超过80岁的成年人中几乎10％发生主动脉狭窄(as)，2年死亡率为约50％，除非通过主动脉瓣置换术来缓解流出道梗阻，例如经导管主动脉瓣置换术(tavr)。“aha/acc瓣膜性心脏病患者管理指南(aha/acc guideline for the management of patients with valvular heart disease)”指示严重as的限定为主动脉瓣面积(ava)《1.0cm2、平均经主动脉压力梯度(mpg)》40mm hg和峰值主动脉射流速度(vmax)》4m/s。本指南已用于干预计划。不幸的是，并非所有严重as患者都符合指南。因此，临床医生在诊断此类患者时有时处于灰色地带，导致对as严重性的评估不一致，缺乏对干预时机的指导。此外，影响as进展的潜在因素和它们对其的显著性还没有被很好地理解，并且当前的方法没有提供显著性或进展率的准确估计。


技术实现要素：

3.本文所述的方面解决上述问题和/或其它问题。
4.在一个方面，系统包括被配置为存储感兴趣受试方的主动脉瓣面积测量值、平均经主动脉压力梯度测量值和峰值主动脉射流速度测量值的(多个)数字信息储存库。系统还包括计算装置。计算装置包括被配置为存储用于主动脉狭窄分类器的指令的存储器。计算装置还包括处理器，该处理器被配置为执行用于主动脉狭窄分类器的存储的指令，以至少基于感兴趣受试方的主动脉瓣面积测量值、平均经主动脉压力梯度测量值和峰值主动脉射流速度测量值来对感兴趣受试方的主动脉狭窄的严重性进行分类。计算装置还包括被配置为显示严重性的显示器。
5.在另一方面，方法包括从数字信息储存库中获得关于受试方的信息，至少包括受试方的主动脉瓣面积测量值、平均经主动脉压力梯度测量值和峰值主动脉射流速度测量值。方法还包括获得用于主动脉狭窄分类器的指令。方法还包括执行指令以至少基于感兴趣受试方的主动脉瓣面积测量值、平均经主动脉压力梯度测量值和峰值主动脉射流速度测量值来对感兴趣受试方的主动脉狭窄的严重性进行分类。方法还包括可视地呈现分类严重性。
6.在另一方面，计算机可读存储介质存储指令，该指令在由计算机的处理器执行时使处理器：从数字信息储存库中获得关于受试方的信息，至少包括受试方的主动脉瓣面积测量值、平均经主动脉压力梯度测量值和峰值主动脉射流速度测量值，获得用于主动脉狭窄分类器的指令，和执行指令以至少基于感兴趣受试方的主动脉瓣面积测量值、平均经主动脉压力梯度测量值、峰值主动脉射流速度测量值来对感兴趣受试方的主动脉狭窄的严重性进行分类，和可视地呈现分类严重性。
7.本领域技术人员在阅读和理解所附说明书后将认识到本技术的其它方面。
附图说明
8.本发明可以采取各种组件和组件布置，以及各种步骤和步骤布置的形式。附图仅用于说明实施例的目的，而不应被解释为限制本发明。
9.图1示意性地说明根据本文中的(多个)实施例的被配置用于主动脉狭窄分类、分类可视化、风险因素确定和/或严重性预测的示例系统。
10.图2示意性地说明根据本文中的(多个)实施例的主动脉狭窄分类器的示例。
11.图3示意性地说明根据本文中的(多个)实施例的主动脉狭窄分类器的示例训练。
12.图4示意性地说明根据本文中的(多个)实施例的主动脉狭窄分类器的另外示例训练。
13.图5示意性地说明根据本文中的(多个)实施例的分类as可视化引擎的示例。
14.图6以二维示意性地示出根据本文中的(多个)实施例的个体级分类的示例显示。
15.图7以三维示意性地示出根据本文中的(多个)实施例的群体级数据分类的示例显示。
16.图8示意性地示出根据本文中的(多个)实施例的图7的群体级分类的二维视图。
17.图9示意性地示出根据本文中的(多个)实施例的图7的群体级分类的另一二维视图。
18.图10示意性地说明根据本文中的(多个)实施例的as因素标识符的示例。
19.图11示意性地说明根据本文中的(多个)实施例的as严重性预测器的示例。
20.图12示意性地说明根据本文中的(多个)实施例的图1的主动脉狭窄分类器的变型。
21.图13说明根据本文中的(多个)实施例的示例方法。
22.图14说明根据本文中的(多个)实施例的另一示例方法。
23.图15说明根据本文中的(多个)实施例的又另一示例方法。
24.图16说明根据本文中的(多个)实施例的再另一示例方法。
具体实施方式
25.图1示意性地说明示例系统102。系统102包括(多个)数字信息储存库104和计算装置106(例如，计算机等)。(多个)数字信息储存库104包括存储数字信息的物理存储介质。这包括本地、远程、分布式和/或其它物理存储介质。在一实例中，(多个)数字信息储存库104至少包括被诊断为具有主动脉狭窄的受试方的信息，包括历史主动脉狭窄诊断、测量值(例如，ava、mpg和vmax)和/或其它信息。
26.所说明的计算装置106包括处理器108(例如，中央处理单元(cpu)、微处理器(μcpu)和/或其它处理器)和计算机可读存储介质(“存储器”)110(不包括暂态介质)，诸如物理存储设备，如硬盘驱动器、固态驱动器、光盘等。处理器108被配置为执行指令。输入/输出(“i/o”)114被配置为针对计算装置106与(多个)数字信息储存库104之间的通信，包括从(多个)数字信息储存库104接收数据和/或向(多个)数字信息储存库104发送信号。
27.诸如显示器的(多个)人类可读输出设备118与计算装置106电通信。在一个实例中，(多个)人类可读输出设备118为被配置为通过无线和/或有线基接口与计算装置106通信的单独设备。在另一情况下，人类可读输出设备118为计算装置106的部分。诸如键盘、鼠
标、触摸屏等的(多个)输入设备116也与计算装置106电通信。
28.存储器110包括至少针对主动脉狭窄(as)分类器122、as分类可视化引擎124、as风险因素标识符126和/或as严重性预测器128的指令120。如下文更详细描述的，在一个示例中，主动脉狭窄分类器122对(多个)受试方的主动脉狭窄进行分类，as分类可视化引擎124使此类分类可视化，as风险因素标识符126标识与as的进展相关的风险因素，和/或as严重性预测器128基于标识的风险因素来预测受试方的as的严重性和/或向主动脉狭窄分类器122提供信息。在一个实例中，相对于其中不利用和/或不存在指令120的配置，这为更准确地评估as严重性和/或其进展提供信息。
29.图2示意性地说明主动脉狭窄分类器122的示例。数据提取器202例如从(多个)输入设备116接收感兴趣受试方的受试方标识(id)。数据提取器202从(多个)数字信息储存库104中提取与对感兴趣受试方的主动脉狭窄的严重性进行分类相关的感兴趣受试方的参数，例如ava、mpg和vmax测量值。训练的分类器204接收提取的参数。训练的分类器204基于接收的提取的参数对感兴趣受试方的主动脉狭窄进行分类。在此示例中，主动脉狭窄分类器204经由(多个)输出设备118的显示监视器显示分类。
30.在一个实例中，训练的分类器204包括(多个)机器学习算法，诸如线性回归、逻辑回归、knn分类、支持向量机(svm)、决策树、随机森林、人工神经网络、k均值聚类、朴素贝叶斯定理、递归神经网络(rnn)算法和/或其它机器学习和/或(多个)其它人工智能算法。在一个示例中，训练的分类器204利用基于多个分类器的多数表决。通过使用多数表决，在一个实例中，相对于不包括多数表决的算法，例如当评价不同的分类问题时，训练的分类器204可以提供更好的性能。
31.图3示意性地说明主动脉狭窄分类器122的示例训练。数据提取器302从(多个)数字信息储存库104中提取针对受试方的诊断的主动脉狭窄的参数。数据提取器302可以为计算装置106的指令112和/或不同计算装置的其它指令的部分。在一个实例中，参数从单个保健实体/站点中被提取。在另一情况下，参数从多个保健实体/站点中被提取。
32.在此示例中，提取的参数表示数据的训练集，其包括(多个)数字信息储存库104中的受试方的历史主动脉狭窄诊断，至少包括馈送到主动脉狭窄分类器122的ava、mpg和vmax测量值。在一个实例中，主动脉狭窄分类器122被配置为在做出解决方案时确定变量之间的关系，诸如决策树、逻辑回归等。主动脉狭窄分类器122将标识针对每个变量的值和/或针对导致分类值中的每个分类值的变量的值的组合。
33.图4示意性地说明主动脉狭窄分类器122的另外示例训练。在此示例中，针对特定受试方的输入数据和分类结果被提供给主动脉狭窄分类器122，并且针对动态更新训练的分类器204。在一个实例中，当分类结果变得可用时，动态地更新训练的分类器204。在另一实例中，根据需要利用分类结果来动态地更新训练的分类器204。在又另一实例中，基于调度利用分类结果来动态地更新训练的分类器204。
34.图5示意性地说明as分类可视化引擎124的示例。所说明的as分类可视化引擎124包括个体级可视化器502和/或群体级可视化器504。as分类可视化引擎124使信息显示，以帮助临床医生检查感兴趣受试方的参数。此信息包括感兴趣受试方的历史诊断以及感兴趣受试方和其他具有主动脉狭窄的受试方的血液动力学参数。在一个实例中，这允许临床医生可视地观察类似的病例以帮助诊断。
35.图6以二维示意性地示出由图5的个体级可视化器502生成的个体级数据600的示例显示。在此示例中，个体级数据600包括受试方的历史诊断。第一轴602表示严重性，第二轴604表示时间。在此示例中，第一轴602包括：轻度严重性等级606、轻度至中度严重性等级608、中度严重性等级610、中度至重度严重性等级612和重度严重性等级614，并且第二轴604指示确定严重性等级622、624和626的日期616、618和620。此显示表示疾病的进展，并且在一个实例中，帮助临床医生理解as发展得有多快和有多严重。
36.图7以三维示意性地示出由图5的群体级可视化器504生成的群体级数据700的示例显示。第一轴702表示ava，第二轴704表示mpg并且第三轴706表示vmax。每个圆圈708表示群体受试方中的每个受试方的数据点。圆圈709表示针对感兴趣受试方的数据点。ava阈值平面710表示主动脉狭窄阈值，其中ava阈值平面510下方的圆圈708表示可能具有严重主动脉狭窄的受试方，而ava阈值平面510上方的圆圈708表示可能具有非严重主动脉狭窄的受试方。在图7中，灰度级阴影与圆圈708和709一起用于区分相对于ava阈值平面510的严重性等级。
37.在此示例中，ava阈值平面710不是如由指南所推荐的1cm2处的水平面。即，ava阈值平面710的四个角不在同一点处与竖直轴相交。在第一轴上，等级712表示1cm2的指导值。在另一实例中，ava阈值平面710为水平面。在这种实例中，ava阈值平面710处于1cm2的指导值。在另一实例中，它不处于1cm2的指导值。群体级数据700可视地帮助临床医生理解三个参数(ava、mpg和vmax)的分布以及相对于整个群体的分类的组。
38.图8示意性地示出图7的群体级数据700的两个轴的二维视图800，示出第一轴702(ava)和第二轴704(mpg)。ava阈值平面710以二维示出。
39.图9示意性地示出图7的群体级数据700的两个轴的不同组合的另一二维视图900，示出第一轴702(ava)和第三轴706(vmax)。ava阈值平面710以二维示出。在另一实例中，图形显示以二维示出第二轴704(mpg)和第三轴706(vmax)。
40.上述示例描述主动脉狭窄的具体应用。然而，应理解上述可以针对其它疾病。例如，本文所述的方法也适针对仅基于一系列参数的截止值诊断的心血管疾病，例如二尖瓣回流、二尖瓣狭窄等。二尖瓣回流的程度取决于例如流过二尖瓣、主动脉瓣和回流孔面积等的血液的量。二尖瓣狭窄的程度取决于例如平均梯度、二尖瓣面积等。
41.图10示意性地说明与(多个)数字信息储存库104相关的as因素确定器126的示例。在此示例中，as因素确定器126包括数据提取器1002、预处理器1004和统计分析器1006。
42.数据提取器1002被配置为从(多个)数字信息储存库104中提取某些数据。例如，在一个实例中，数据提取器1002被配置为包括已经受成人经胸超声心动图(tte)并且被诊断为至少具有轻度as的受试方的信息，并且排除具有人工瓣膜的受试方的信息。所包括的信息包括通过超声心动图测量的血液动力学参数(即ava、npg、vmax等)、由回波心脏病学家做出的发现、实验室测试结果、生命体征、药物、问题列表、人口统计、临床记录和/或其它信息。
43.预处理器1004被配置为利用数据提取器1002预处理从(多个)数字信息储存库104中提取的数据。这可以基于规则和/或其它。在一个实例中，这包括移除异常值。异常值的示例包括例如由于记录和/或其它错误而导致的错误数据。例如，由于具有as的受试方在没有手术的情况下不可得到更好的ava，如果ava测量值与先前的测量值相比增加超过15％，那
么此测量值被认为是异常值，并且被移除、丢弃、忽略和/或以其他方式不被利用。
44.附加地或备选地，这包括估算缺失信息。这包括利用针对特定缺失数据定制的算法。附加地或备选地，这包括表示重复数据。这还包括利用针对重复数据定制的算法。例如，在不同时间点获取多个温度的情况下，可以使用指定时间窗口的中值和/或其它值来表示温度。测量值如温度、血压等通常为重复测量的。在一个实例中，自然语言处理用于从自由文本中表示的信息中提取特征，诸如自由文本出院小结、临床记录等。
45.统计分析器1006包括单变量分析器1008和多变量分析器1010。单变量分析器1008被配置为对来自预处理器1004的特征中的每个特征采用统计模型。在一个实例中，这包括由线性混合效应(lme)模型对每个因素分析其与时间间隔的交互。例如，在一个实例中，lme模型用于考虑随机截距和随机斜率。在这实例中，如果特征与血液动力学参数ava、mpeg和vmax显著相关联(例如，显著性等级＝0.05)，那么将特征提供给多变量分析器1010。否则，不提供。多变量分析器1010被配置为对来自单变量分析器1008的特征采用统计模型。在一个实例中，使用lme模型来评价每个特征和时间间隔的交互项的显著性。被认为是显著特征(例如，显著性水平＝0.05)的特征作为风险因素输出。
46.下表1示出δava的示例。在此示例中，提取年龄、性别、左心室(lv)收缩功能和通过连续性方程计算的ava用于亚组分析。比较同一患方随后超声心动图的ava，以确定ava年改变率(δava)。为了估计每个风险因素的年ava进展率，lme模型包括风险因素和测量之间的时间间隔。固定效应包括风险因素、时间间隔以及其交互项。随机效应包括时间间隔和随机截距，以便解决由风险因素无法解释的个体特性造成的不同基线ava和进展率。
47.在一个实例中，风险因素对进展率的显著性为从固定效应中的交互项的p值分析。初次超声心动图时的中值年龄为75岁并且44％为男性。as的进展率为-0.062
±
0.003cm2/年。此速率不受年龄或lv功能的影响(p值》0.05)。然而，速率受性别的影响(p值《0.05)，男性比女性更快。as的初始严重性与进展率之间存在反比关系。表1中的信息提供严重as需要干预前预期间隔的临床信息。
48.49.表1.风险因素标识。
50.图11示意性地说明与as因素确定器126和(多个)输出设备118连接的as严重性预测器128的示例示例。在此示例示例中，as严重性预测器12利用针对血液动力学参数ava、mpg和vmax中的每个参数的lme模型。以下提供也可以针对mpg和/或vmax的ava的示例。在表1中，由于所有的风险因素都为分类的，与每个风险因素的参考等级相比，使用学生t检验的p值用于确定进展率的统计显著性。
51.使用此lme模型，通过估算时间间隔，可以预测将来的三个血液动力学参数。在一个实例中，使用看不见的测试数据来利用预测as严重性的逻辑回归分类器的预测性能。考虑到血液动力学参数ava、mpg和vmax，标识重度as相对于非重度as的准确性为93％。分类器的曲线下面积(auc)、灵敏度、特异性、阳性预测值、阴性预测值、f得分分别为0.98、0.94、0.94、0.91、0.95和0.92。
52.图12示意性地说明示例，其中将针对血液动力学参数ava、mpg和vmax中的每个参数的lme模型的输出提供给图2的主动脉狭窄分类器122，并且除了如上所述的从(多个)数字信息储存库104中提取的信息之外或作为其备选而由此被利用。例如，在一个实例中，除了来自(多个)数字信息储存库104的ava、mpg和vmax测量值之外或作为其备选，主动脉狭窄分类器122利用lme模型的输出，以基于其而对感兴趣受试方的主动脉狭窄进行分类。与上述类似，在一个示例中，主动脉狭窄分类器122经由(多个)输出设备118来显示分类。
53.图13、图14、图15和图16说明根据本文中的(多个)实施例的示例方法。应当理解，方法中的一个或多个方法的动作的排序不是限制性的。同样地，本文考虑其它排序。此外，可以省略一个或多个动作，和/或可以包括一个或多个附加动作。
54.图13说明根据本文中的(多个)实施例的示例方法。训练步骤1302训练分类器，如本文所述和/或以其他方式。例如，在一个实例中，训练步骤1302可以利用来自(多个)数字信息储存库104的具有主动脉狭窄的受试方的ava、mpg、vmax和/或其它信息来训练分类器。分类步骤1304对感兴趣受试方的主动脉严重性进行分类，如本文所述和/或以其他方式。例如，在一个实例中，分类步骤1304至少基于感兴趣受试方的ava、mpg、vmax对感兴趣受试方的主动脉严重性进行分类。可视化步骤1306将分类可视化，如本文所述和/或以其他方式。例如，在一个实例中，可视化步骤1306构建并且显示主动脉狭窄进展和/或ava、mpg和/或vmax的二维和/或三维图。
55.图14说明根据本文中的(多个)实施例的另一示例方法。数据收集步骤1402提取某些数据，如本文所述和/或以其他方式。例如，在一个实例中，数据收集步骤1402提取已经进行成人经胸超声心动图(tte)并且被诊断为至少具有轻度as的受试方的血液动力学参数，参数包括ava、npg和vmax、由回波心脏病学家做出的发现、实验室测试结果、生命体征、药物、问题列表、人口统计、临床记录和/或其它信息。
56.数据预处理步骤1404预处理提取数据，如本文所述和/或以其他方式。例如，在一个实例中，数据预处理步骤1404进行以下至少一项：移除异常值、估算缺失信息、表示重复测量或从自由文本中提取。分析步骤1406分析预处理的提取数据以确定风险因素集，如本文所述和/或以其他方式。例如，在一个实例中，分析步骤1406经由单变量分析和随后的多变量分析来过滤预处理的提取数据，以基于预定阈值来仅保留被认为显著的因素。
57.图15说明根据本文中的(多个)实施例的又另一示例方法。建模步骤1502基于图14
的风险因素对血液动力学参数进行建模，如本文所述和/或以其他方式。例如，在一个实例中，针对血液动力学参数ava、mpg和vmax中的每个参数建立lme模型。预测步骤1504基于血液动力学参数来预测受试方的主动脉狭窄的严重性，如本文所述和/或以其他方式。
58.图16说明根据本文中的(多个)实施例的再另一示例方法。建模步骤1602基于图14的风险因素对血液动力学参数进行建模，如本文所述和/或以其他方式。例如，在一个实例中，针对血液动力学参数ava、mpg和vmax中的每个参数建立lme模型。预测步骤1604基于血液动力学参数来预测受试方的主动脉狭窄的严重性，如本文所述和/或以其他方式。分类步骤1604对主动脉严重性进行分类，如本文所述和/或以其他方式。例如，图13的分类步骤可以附加地包括用建模的血液动力学参数训练分类器并且然后对主动脉狭窄严重性进行分类。
59.上述的一个或多个可以通过编码或嵌入计算机可读存储介质上的计算机可读指令来实现，当由(多个)计算机处理器执行时，这些指令使(多个)处理器进行所描述的动作。附加地或备选地，计算机可读指令中的至少一个由信号、载波或不是计算机可读存储介质的其它暂态介质来进行。
60.虽然已经在附图和前面的描述中详细说明和描述本发明，但是此类说明和描述应被认为是说明性或示例性的，而不是限制性的；本发明不限于所公开的实施例。通过研究附图、公开内容和所附权利要求，本领域技术人员在实践所要求保护的本发明时可以理解和实现所公开的实施例的其它变型。
61.词语“包括”不排除其它元件或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其它单元可实现权利要求中列举的若干项的功能。在相互不同的从属权利要求中列举某些措施的事实并不指示这些措施的组合不可有利地使用。
62.计算机程序可存储/分布在合适的介质上，诸如与其它硬件一起或作为其一部分供应的光存储介质或固态介质，但是也可以其它形式分布，诸如经由互联网或其它有线或无线电信系统。权利要求中的任何附图标记不应被解释为限制范围。