EL KATERJI, Ahmad,TAN, Qing,KROEKER, Erik,WANG, Rui
申请号：
USUS2020/013672
公开号：
WO2020/150346A1
申请日:
2020.01.15
申请国别(地区):
US
年份:
2020
代理人:
摘要：
Methods and systems are disclosed for creating and using a neural network model to estimate a cardiac parameter of a patient, and using the estimated parameter in providing blood pump support to improve patient cardiac performance and heart health. Particular adaptations include adjusting blood pump parameters and determining whether and how to increase or decrease support, or wean the patient from the blood pump altogether. The model is created based on neural network processing of data from a first patient set and includes measured hemodynamic and pump parameters compared to a cardiac parameter measured insitu, for example the left ventricular volume measured by millar (in animals) or inca (in human) catheter. After development of a model based on the first set of patients, the model is applied to a patient in a second set to estimate the cardiac parameter without use of an additional catheter or direct measurement.L'invention concerne des procédés et des systèmes pour créer et utiliser un modèle de réseau neuronal pour estimer un paramètre cardiaque d'un patient et utiliser le paramètre estimé pour fournir un support de pompe d'assistance circulatoire pour améliorer les performances cardiaques et la santé cardiaque du patient. Des adaptations particulières consistent à ajuster les paramètres de pompe d'assistance circulatoire et à déterminer si et comment augmenter ou diminuer le support, ou sevrer complètement le patient de la pompe d'assistance circulatoire. Le modèle est créé sur la base d'un traitement par réseau neuronal de données en provenance d'un premier ensemble de patients et comprend des paramètres hémodynamiques et de pompe mesurés par comparaison avec un paramètre cardiaque mesuré insitu, par exemple le volume ventriculaire gauche mesuré par un cathéter Millar (chez l'animal) ou un cathéter Inca (chez l'homme). Après le développement d'un modèle basé sur le premier ensemble de patients, le modèle est appliqué à un patient dans un second ensemble pou
