CN118076290A - 非侵入性评估升高的左心室舒张末压的方法和*** - Google Patents

Abstract

公开了一种临床评价***和方法，其有助于使用从模型或分类器(例如，机器学习分类器)中的生物物理信号提取的特征或参数来估计与患者的生理状态相关联的度量，包括存在或不存在升高的左心室舒张末压(升高的LVEDP)，作为可以通过使用本文描述的***和方法来评估的疾病医学状况的示例指标。

Description

非侵入性评估升高的左心室舒张末压的方法和***

相关申请

本PCT申请要求以下申请的优先权和权益：美国临时专利申请号：63/235,960，于2021年8月23日提交，标题为“Method and System to Non-Invasively Assess ElevatedLeft Ventricular End-Diastolic Pressure”；美国临时专利申请号：63/236,072，于2021年8月23日提交，标题为“Methods and Systems for Engineering Visual Features FromBiophysical Signals for Use in Characterizing Physiological Systems”；美国临时专利申请号：63/235,963，于2021年8月23日提交，标题为“Methods and Systems forEngineering Power Spectral Features From Biophysical Signals for Use inCharacterizing Physiological Systems”；美国临时专利申请号：63/235,966，于2021年8月23日提交，标题为“Method and System for Engineering Rate-Related FeaturesFrom Biophysical Signals for Use in Characterizing Physiological Systems”；美国临时专利申请号：63/235,968，于2021年8月23日提交，标题为“Methods and Systemsfor Engineering Wavelet-Based Features From Biophysical Signals for Use inCharacterizing Physiological Systems”；美国临时专利申请号：63/235,971，于2021年8月23日提交，标题为“Methods and Systems for Engineering photoplethysmographicWaveform Features for Use in Characterizing Physiological Systems”；美国临时专利申请号：63/236,193，于2021年8月23日提交，标题为“Methods and Systems forEngineering Cardiac Waveform Features From Biophysical Signals for Use inCharacterizing Physiological Systems”；美国临时专利申请号：63/235,974，于2021年8月23日提交，标题为“Methods and Systems for Engineering Conduction DeviationFeatures From Biophysical Signals for Use in Characterizing PhysiologicalSystems”，上述每一篇均通过引用方式全文并入本文。

技术领域

本公开一般涉及方法和***及其开发***和环境，其可用于利用生物物理测量来评估病理或病理的指征的存在、不存在、严重性和/或定位，包括使用心脏和光电容积描记相关测量来估计升高的左心室舒张末压(LVEDP)的存在。

背景技术

存在多种用于协助医疗保健专业人员诊断疾病的方法和***。其中一些涉及使用侵入性或微创技术、辐射、运动或应力，或使用药物制剂，有时结合使用，以及随之而来的风险和其他缺点。

舒张性心力衰竭是发病和死亡的主要原因，被定义为左心室功能保留的患者的心力衰竭症状。其特点是左心室僵硬，顺应性降低，舒张受损，导致左心室舒张末压增加，左心室舒张末压是通过左心导管***术测量的。当前诊断肺高血压(PH)，特别是肺动脉高压(PAH)的临床护理标准涉及心脏右侧的心导管***术，直接测量肺动脉的压力。冠状动脉造影是当前用于评估冠状动脉疾病(CAD)的护理标准，通过治疗医生描述的冠状动脉病变来确定。磁共振成像和计算机断层扫描等非侵入性成像***需要专门的设施来获取患者血流和动脉阻塞的图像，并由放射科医生进行检查。

期望有一种能够帮助医疗保健专业人员诊断心脏病和各种其他疾病和病症而没有上述缺点的***。

发明内容

公开了一种临床评价***和方法，其促进使用从模型或分类器(例如，机器学习分类器)中的生物物理信号提取的特征或参数来估计与患者的生理状态相关联的度量，包括是否存在升高的左心室舒张末压(升高的LVEDP)，作为可以通过使用本文描述的***和方法来评估的疾病医学状况的示例指标。在优选实施例中，从例如在患者休息时放置在患者身上的表面传感器非侵入性地获取生物物理信号。估计的度量可以用于帮助医生或其他医疗保健提供者诊断疾病或病症的存在、不存在、严重性和/或定位，或者辅助所述疾病或病症的治疗。

估计或确定的存在或不存在升高的LVEDP的可能性可以取代、增强或替代用于评估升高的LVEDP的其他评价或测量方式。在某些情况下，确定可以采取数值分数和相关信息的形式。

公开了一种开发***和环境来开发临床评价***的机器学习模型或分类器。开发***和环境的特征集、分析和建模框架以及临床评价***的配置可以部分地和/或与其他特征和模型技术组合应用，以评估或估计与其他病理或病理的指征相关的度量。

如本文所使用的，术语“特征”(在机器学习和模式识别的背景下以及如本文所使用的)一般指的是被观察的现象的单独可测量的性质或特性。特征是通过分析来定义的，并且可以结合来自公共模型或分析框架的其他特征来分组确定。

如本文所使用的，术语“度量”是指对无论是在一个或多个生理***中的一种或多种疾病、病症或指征的存在、不存在、严重性和/或定位(如果适用)的估计或可能性。值得注意的是，示例性的方法和***可用于本文描述的某些实施例中以获取生物物理信号和/或以其他方式从患者收集数据并在信号处理和分类器操作中评价这些信号和/或数据以对可以通过一个或多个度量取代、增强或替代其他评价方式的疾病、病症或指征进行评价。在某些情况下，度量可以采用数值分数和相关信息的形式。

在心血管和呼吸***的背景下，与这些度量相关的疾病和病症的例子包括，例如：(i)心力衰竭(例如，左侧或右侧心力衰竭；保留有射血分数(HFpEF)的心力衰竭)，(ii)冠状动脉疾病(CAD)，(iii)各种形式的肺高血压(PH)，包括但不限于肺动脉高压(PAH)，(iv)左心室射血分数异常(LVEF)，以及各种其他疾病或病症。某些形式的心力衰竭的一个示例指标是是否存在升高或异常的左心室舒张末压(LVEDP)。某些形式的肺高血压的一个示例指标是是否存在升高或异常的平均肺动脉压(mPAP)。

如上所述，示例性方法和***有利于分析和建模框架，该分析和建模框架可以仅使用非侵入性测量来准确且精确地估计升高的左心室舒张末压的存在或不存在。

在一方面，公开了一种非侵入性地估计哺乳动物受试者中升高的左心室舒张末压(LVEDP)的存在的方法，该方法包括：通过一个或多个处理器获得与第一光电体积描记信号和第二光电体积描记信号相关联的第一生物物理信号数据集，其中所述第一生物物理数据集已经在所述受试者的多个心动周期内采集；通过所述一个或多个处理器获得与心脏信号相关联的第二生物物理信号数据集，其中所述第二生物物理数据集已经在所述多个心动周期内与所述第一生物物理信号数据集同时采集；通过所述一个或多个处理器利用所述第一生物物理信号数据集和第二生物物理信号数据集的至少一部分来确定与多个特征相关联的多个值；以及通过所述一个或多个处理器使用与多个特征相关联的多个值来确定升高的左心室舒张末压(LVEDP)的存在的估计值，所述多个特征评估所述心脏信号与光电体积描记信号之间的以及与相应心脏信号和光电体积描记信号相关联的特征之间的同步性，其中，输出异常左心室舒张末压存在的估计值(例如，作为升高的LVEDP或HF分数)，用于诊断预期左心力衰竭(LHF)或指导预期左心力衰竭的治疗。

在一些实施例中，多个特征包括选自由以下项组成的组的特征集：一个或多个除极或复极波传播相关特征；一个或多个除极波传播偏差相关特征；一个或多个周期变异性相关特征；一个或多个动态***相关特征；一个或多个心脏波形拓扑和变化相关特征(例如，线性特征)；一个或多个PPG波形拓扑和变化相关特征(例如，PPG线性特征)；一个或多个心脏或PPG信号功率谱密度相关特征(例如，心脏/PPG视觉特征)；一个或多个心脏或PPG信号视觉相关特征；以及一个或多个可预测性特征。

在一些实施例中，一个或多个除极或复极波传播相关特征被配置为在三维空间中量化所述心脏信号中定义的心室除极(VD)波或心室复极(VR)波的传播特性(例如，速度、轨迹、轨道频率(3D旋转速率)和/或波的平面度)。

在一些实施例中，一个或多个除极或复极波传播相关特征被配置为在三维空间中量化所述心脏信号中定义的带通滤波的心室除极(VD)波或心室复极(VR)波的传播特性(例如，速度、轨迹、轨道频率(3D旋转速率)和/或波的平面度)(例如，QRS_max_Curvature_sub5特征，其计算VD波在第5频率子带处的最大曲率；T_max_OrbitalFrequency_sub14特征，其计算VR波在第14频率子带处的最大轨道频率)。

在一些实施例中，一个或多个除极波传播偏差相关特征被配置为通过高频和低幅度模式的评价来量化VD波轨迹与三维模型化VD波的轨迹的偏差，其中所述三维模型化VD波是低于约40Hz的代表性VD波(例如，maxCondDist特征，其计算模型与原始WD波之间的最大三维欧几里得距离)。

在一些实施例中，一个或多个周期变异性相关特征被配置为在每个相应搏动与确定的模板搏动相比中量化所述心脏信号的逐搏变化(例如，CVscore_X特征，其计算在orth1处在基线波形(例如，没有电活动的信号区域)处心脏信号和模板搏动之间的距离。

在一些实施例中，一个或多个动态***特征(例如，心脏和PPG动态***分析特征)被配置为量化第二生物物理数据集的动态特性(例如，Lyapunov指数、相关维数、熵、互信息、相关性和非线性滤波)(例如，LEX特征，它是生物电势通道orth1的Lyapunov指数)。

在一些实施例中，一个或多个心脏波形拓扑和变化相关特征(例如，心脏线性分析特征)被配置为量化第二生物物理信号数据集的心脏测量结果和变化(例如，波形幅度、持续时间、心率和形态)(例如，orth1_std_repolarization_Duration特征，其是通道orth1中每个搏动的计算的复极持续时间的标准偏差)。

在一些实施例中，一个或多个PPG波形拓扑和变化相关特征(例如，PPG线性分析特征)被配置为量化第一生物物理信号数据集的PPG测量值和变化(例如，峰值幅度、峰到峰距离、点之间的角度、以及第一光电体积描记信号和/或第二光电体积描记信号的各种比率、从第一光电体积描记信号和/或第二光电体积描记信号生成的速度光电体积图、以及从第一光电体积描记信号和/或第二光电体积描记信号生成的加速度光电体积图)(例如，lowVPG_mean_peakDist特征，它计算每个搏动的红色VPG的突出峰之间的峰到峰距离并返回平均距离)。

在一些实施例中，一个或多个心脏或PPG信号功率谱密度相关特征被配置为量化第一光电体积描记信号和第二光电体积描记信号的功率谱和频率内容(例如，功率谱和相干性)(例如，cohKurt_PPG特征，它计算红色和红外PPG光谱之间的相干性的峰度)。

在一些实施例中，一个或多个心脏或PPG信号功率谱密度相关特征被配置为量化第二生物物理信号数据集的功率谱和频率内容(例如，功率谱、交叉谱分析、相干性)(例如，coherence_sum_XY特征，它计算orth1和orth2频谱之间的相干性之和)。

在一些实施例中，一个或多个心脏或PPG视觉相关特征被配置为量化从第一或第二生物物理数据集生成的三维相空间的几何参数(例如，lowerPPG_Circulation_PPGVPG特征，它计算PPG和VPG相平面中的较低的PPG环路的旋转)。

在一些实施例中，一个或多个可预测性特征被配置为量化信号的可预测性量度(例如，可预测性误差和从非线性滤波技术浓缩的残差的统计)，其中可预测性量度测量在75％的信号上训练的模型预测剩余的25％的能力(例如，StdResX特征，它是通道orth1的残差的标准偏差)。

在一些实施例中，一个或多个处理器位于云平台中。

在一些实施例中，一个或多个处理器位于本地计算设备中。

在一些实施例中，该方法还包括：通过所述一个或多个处理器经由所述第一生物物理信号数据集和所述第二生物物理信号数据集的异常值检测分析来确定异常值的存在，其中所述异常值检测分析包括被配置为检测哺乳动物受试者体内的心律失常(即，心率的突然变化)和/或导联配置不正确的机器学习模块。

在一些实施例中，机器学习模块还被配置为检测所述第一光电体积描记信号、所述第二光电体积描记信号和/或所述心脏信号中缺失或具有额外波形元素的异常波形(例如，任何除极和/或复极波的存在和/或不存在)。

在一些实施例中，该方法还包括：通过所述一个或多个处理器对所述第二生物物理信号数据集进行预处理，其中所述预处理包括i)瞬态时间去除操作、DC偏移去除操作和基线漂移去除操作。

在一些实施例中，该方法还包括：通过所述一个或多个处理器经由对所述第一生物物理信号数据集的信号质量评估分析来确定所述第一生物物理信号数据集的多个光电体积描记噪声分数，包括i)与所述第一或第二光电体积描记信号的快速变化相关联的第一光电体积描记噪声分数以及ii)与测量饱和相关联的第二光电体积描记噪声分数。

在一些实施例中，该方法还包括：通过所述一个或多个处理器经由对所述第二生物物理信号数据集的信号质量评估分析来确定所述第二生物物理信号数据集的多个生物电势噪声分数，包括与生物电势电力线干扰相关联的第一生物电势噪声分数和与双电势高频噪声相关联的第二生物电势噪声分数。

在一些实施例中，确定异常左心室舒张末压(LVEDP)值的存在的估计值的步骤通过以下方式确定：由所述一个或多个处理器确定两个或更多个模型中的多个特征的多个值，所述模型包括选自由线性模型(例如，弹性网(Elastic Net))、决策树模型(XGB分类器)、随机森林模型、支持向量机模型、神经网络模型组成的组的模型，并且其中所述两个或更多个模型被组合(例如，平均)在集成模型中，该集成模型输出异常左心室舒张末压(LVEDP)的存在的估计值。

在一些实施例中，集成模型包括至少所述两个或更多个模型以及与所述哺乳动物受试者的体重指数(BMI)值相关联的模型(例如，S型模型)。

在一些实施例中，多个特征是由选择模块从候选特征池中选择的。

在一些实施例中，选择模块包括单变量特征评估分析，所述单变量特征评估分析评价关于与升高LVEDP相关的阳性病理标签和与正常LVEDP相关的阴性病理标签定义的(例如，多个数据集中的)数据集。

在一些实施例中，数据集由选自由以下项组成的组的(例如，从左心导管***术(LHC)获得的)阳性病理标签和阴性病理标签定义：LVEDP值大于或等于20mmHg并且LVEDP值小于或等于12mmHg；以及LVEPD值大于或等于25mmHg并且LVEDP值小于或等于12mmHg。

在一些实施例中，单变量特征评估分析被配置为确定针对升高的左心室舒张末压的存在的接受者工作特征曲线、t检验或归一化互信息分析。

在一些实施例中，该方法还包括：从多个候选特征中去除提取错误发生率高的特征(例如，在单变量特征评估分析之前)。

在一些实施例中，选择模块包括针对一组训练模型的交叉验证分析(例如，分层k重交叉验证分析，例如，10重交叉验证分析)，其中一组数据集被随机采样(例如，80％)作为训练数据集，剩余部分用作特征排列重要性分析中的验证数据集。

在一些实施例中，特征排列重要性分析结合所有其他评估的特征来量化特征的效用。

在一些实施例中，多个特征被配置在机器学习模型中。

在一些实施例中，使用选自已在超参数敏感性分析中评价的超参数的组的超参数来训练所述机器学习模型。

在另一个方面，公开了一种在分析期间将所采集的生物物理信号数据集作为异常信号而拒绝以非侵入性地估计哺乳动物受试者中升高的左心室舒张末压(LVEDP)的存在的方法，该方法包括：通过一个或多个处理器获得与第一光电体积描记信号和第二光电体积描记信号相关联的第一生物物理信号数据集，其中所述第一生物物理数据集已经在所述受试者的多个心动周期内采集；通过所述一个或多个处理器获得与心脏信号相关联的第二生物物理信号数据集，其中所述第二生物物理信号数据集已经在所述多个心动周期内与所述第一生物物理信号数据集同时采集；通过所述一个或多个处理器和/或通过一个或多个基于云的服务或***远程地经由所述第一生物物理信号数据集和所述第二生物物理信号数据集的异常值检测分析来确定异常值的存在，其中所述异常值检测分析包括机器学习模型(例如，森林模型)，所述机器学习模型被配置为至少以下项之一：i)哺乳动物受试者的心率的突然变化或ii)缺失或具有额外波形元素的异常波形；以及通过所述一个或多个处理器和/或通过一个或多个基于云的服务或***远程地基于异常值检测分析来拒绝所述第一和第二生物物理信号数据集，其中该拒绝生成要在i)用于采集所述第一或第二生物物理信号数据集的测量设备或ii)远程终端处呈现的通知。

在一些实施例中，该方法还包括：通过所述一个或多个处理器基于所述确定生成所述第一和第二生物物理信号数据集中的至少一个是异常值数据集的通知，其中未拒绝的第一生物物理信号数据集和第二生物物理信号数据集用于估计与预期疾病状态或状况的存在相关联的一个或多个值，并且其中所述值随后被输出以用于预期疾病状态或状况的诊断或指导预期疾病状态或状况的治疗。

在一些实施例中，机器学习模型使用无监督学习算法(例如，隔离森林)来配置，所述无监督学习算法被配置为评价所述多个特征中的随机选择的特征并且使用在一组特征的最大值和最小值之间的随机***点来评价选择的特征。

在一些实施例中，多个特征包括选自由以下项组成的组的特征集：一个或多个除极或复极波传播相关特征；一个或多个除极波传播偏差相关特征；一个或多个周期变异性相关特征；一个或多个动力***相关特征；一个或多个心脏波形拓扑和变化相关特征(例如，线性特征)；一个或多个PPG波形拓扑和变化相关特征(例如，PPG线性特征)；一个或多个心脏或PPG信号功率谱密度相关特征(例如，心脏/PPG视觉特征)；一个或多个心脏或PPG信号视觉相关特征；以及一个或多个可预测性特征。

在一些实施例中，该方法还包括：通过所述一个或多个处理器和/或通过一个或多个基于云的服务或***远程地经由所采集的第一和第二生物物理信号数据集的信号质量或周期变异性分析确定；以及通过所述一个或多个处理器和/或通过一个或多个基于云的服务或***远程地基于所述信号质量或周期变异性分析来拒绝所述第一和第二生物物理信号数据集，其中该拒绝生成要在i)用于采集所述第一或第二生物物理信号数据集的测量设备或ii)远程终端处呈现的第二通知。

在另一个方面，公开了一种配置模型以非侵入性地估计与异常状况或疾病状态相关联的度量的存在的方法，该方法包括：经由特征选择操作(例如，单变量特征选择)，从多个候选特征集中选择多个特征；训练一个或多个模型中的多个所选特征，以产生多个候选模型，其中所述一个或多个模型包括选自由线性模型(例如，弹性网)、决策树模型(XGB分类器)、随机森林模型、支持向量机模型、神经网络模型组成的组的模型，并且其中所述一个或多个模型中的每一个被配置为输出与预期疾病状态或状况或病症的存在相关联的估计值，其中随后输出所述估计值以用于对所述预期疾病状态或状况的诊断或指导对预期疾病状态或状况的治疗；对多个经过训练的候选模型进行分层k重交叉验证操作；以及验证经交叉验证的模型。

在一些实施例中，特征选择操作包括单变量特征评估分析，所述单变量特征评估分析评价关于与预期疾病状态或状况相关联的阳性病理标签和与所述预期疾病状态或状况相关联的阴性病理标签定义的(例如，多个数据集中的)数据集。

在一些实施例中，该方法还包括：执行超参数敏感性分析以确定多个经训练的候选模型的超参数的稳定性值；以及去除多个经训练的候选模型中具有确定的不稳定稳定性值的经训练的候选模型。

在一些实施例中，数据集由选自由以下项组成的组的阳性病理标签和阴性病理标签定义：LVEDP值大于或等于20mmHg并且LVEDP值小于或等于12mmHg；以及LVEPD值大于或等于25mmHg并且LVEDP值小于或等于12mmHg。

在一些实施例中，数据集由与显著冠状动脉疾病(CAD)的存在或不存在相关联的阳性病理标签和阴性病理标签来定义

在一些实施例中，数据集由与肺高血压的存在或不存在相关联的阳性病理标签和阴性病理标签定义。

在一些实施例中，预期疾病或病症能够基于对升高或异常的左心室舒张末压(LVEDP)的存在、不存在和/或严重性的评估指征和/或估计来诊断。

在一些实施例中，预期疾病状态或状况包括左心室心力衰竭或左侧心力衰竭。

在一些实施例中，预期疾病状态或状况包括冠状动脉疾病。

在一些实施例中，预期疾病状态或状况包括肺高血压。

在一些实施例中，预期疾病状态或状况包括肺动脉高压。

在一些实施例中，预期疾病状态或状况包括由于左心疾病引起的肺高血压。

在一些实施例中，预期的疾病状态或状况包括导致肺高血压的罕见病症。

在一些实施例中，预期疾病状态或状况包括右心室心力衰竭或右侧心力衰竭。

在一些实施例中，预期疾病状态或状况包括收缩性心力衰竭。

在一些实施例中，预期疾病状态或状况包括舒张性心力衰竭。

在一些实施例中，疾病状态或状况包括缺血性心脏病。

在一些实施例中，疾病状态或状况包括心律失常。

在另一方面，公开了一种***(例如，云平台或本地计算平台)，其包括：一个或多个处理器；其上分别存储有指令的一个或多个存储器，其中由所述一个或多个处理器执行所述指令使得所述一个或多个处理器执行上述方法中的任一个。

在另一方面，公开了一种非暂时性计算机可读介质，该非暂时性计算机可读介质包括存储在其上的指令，其中由一个或多个处理器执行所述指令使得所述一个或多个处理器执行上述方法中的任一个。

附图说明

并入本说明书并构成本说明书的一部分的附图示出了实施例，并且与描述一起用于解释方法和***的原理。

当结合附图阅读时，通过以下详细描述可以更好地理解本发明的实施例。这些实施例仅用于说明性目的，描绘了本发明的新颖且非显而易见的方面。附图包括以下图：

图1示出了临床评价***的分析引擎或分析器的操作和工作流程的示意图，临床评价***可以非侵入性地估计或确定患者的疾病状态、医学状况或其中任一的迹象的存在、不存在、严重性和/或定位的可能性。

图2示出了根据说明性实施例的示例生物物理信号捕获***或组件及其在临床环境中非侵入性地收集患者的生物物理信号中的用途。

图3A示出了根据非侵入性采集的生物物理信号来估计或确定升高的LVEDP的可能性的示例方法。

图3B示出了可以在LVEDP评估操作和工作流程中使用的特征模块组的示例。

图4示出了图1的临床评价***的示例可视化输出。

图5用ROC曲线示出了图1的临床评价***的性能。

图6是可用于开发和评估临床评价***的开发***和环境的图，该临床评价***可预测和/或估计与患者的疾病、病症或其指标相关的度量/估计的存在、不存在、定位和/或严重性，包括图1的临床评价***。

图7A-7C示出了图6的开发***和环境的模块的操作的方面。

图8示出了图1的临床评价***的示例实现方式的示意图。

具体实施方式

本文描述的每个特征以及两个或更多个这样的特征的每个组合都包括在本发明的范围内，只要包括在这样的组合中的特征不是相互矛盾的。

虽然本公开涉及在心脏相关病理和病症的诊断、跟踪和治疗中对生物物理信号(例如，原始或预处理的光电体积描记信号、生物电势/心脏信号等)的实际评估，这样的评估可以应用于生物物理信号参与生命体的任何相关***的任何病理或病症的诊断、跟踪和治疗(包括但不限于手术、微创、生活方式、营养和/或药物治疗等)。该评估可用于医疗设备或可穿戴设备的控制或监测应用(例如，报告使用其中公开的生物物理信号生成的呼吸速率或相关波形)。

如本文所使用的术语“受试者”和“患者”通常可互换地使用以指代已经经历了由示例性***和方法执行的分析的那些人。

本文使用的术语“心脏信号”是指与心血管***的结构、功能和/或活动直接或间接相关联的一种或多种信号——包括该信号的电/电化学传导的方面——例如，引起心肌收缩。在一些实施例中，心脏信号可以包括生物电势信号或心电图信号，例如通过心电图(ECG)采集的那些，心脏和光电体积描记波形或本文稍后描述的信号捕获或记录仪器、或其他模态。

本文使用的术语“生物物理信号”包括但不限于一种或多种心脏信号、神经信号、心冲击描记信号和/或光电体积描记信号，但其更广泛地还涵盖可以从中获得信息的任何生理信号。不旨在受示例限制，可以将生物物理信号分类为可以包括例如以下的类型或类别：电(例如，可以通过诸如测量在诸如时间和/或频率的各个域的电压/电势(例如，生物电势)、阻抗、电阻率、电导率、电流等之类的技术来观察、识别和/或量化的某些心脏和神经***相关信号)、磁、电磁、光学(例如，可以通过诸如反射、干涉测量、光谱、吸光度、透射率、视觉观察、光电体积描记法等技术来观察、识别和/或量化的信号)、声学、化学、机械(例如，与流体流动、压力、运动、振动、位移、应变相关的信号)、热和电化学(例如，与某些分析物(例如葡萄糖)的存在相关的信号)。在某些情况下，生物物理信号可以在生理***的背景下描述(例如，呼吸、循环(心血管、肺)、神经、淋巴、内分泌、消化、***、肌肉、骨骼、肾/泌尿/***、免疫、外皮/外分泌和生殖***)，一个或多个器官***(例如，心脏和肺协同工作时可能特有的信号)，或组织背景(例如，肌肉、脂肪、神经、***、骨)、细胞、细胞器、分子(例如水、蛋白质、脂肪、碳水化合物、气体、自由基、无机离子、矿物质、酸和其他化合物、元素及其亚原子成分。除非另有说明，否则术语“生物物理信号采集”一般指从生理***(例如哺乳动物或非哺乳动物生物体)采集生物物理信号的任何被动或主动方式。被动和主动生物物理信号采集通常是指对身体组织的自然或感应电、磁、光和/或声发射度的观察。被动和主动生物物理信号采集装置的非限制性示例包括例如电压/电势、电流、磁、光、声和观察身体组织的自然发射度并且在一些情况下诱导这样的发射度的其他非主动方式。被动和主动生物物理信号采集装置的非限制性示例包括例如超声波、无线电波、微波、红外和/或可见光(例如，用于脉搏血氧测定法或光电体积描记法)、可见光、紫外光和其他主动询问身体组织、不涉及电离能量或辐射(例如X射线)的方式。主动生物物理信号采集可以涉及激发发射光谱(包括例如激发发射荧光)。主动生物物理信号采集还可以涉及将电离能量或辐射(例如，X射线)(也称为“电离生物物理信号”)传输到身体组织。被动和主动生物物理信号采集装置可以与侵入性程序(例如，通过手术或侵入性放射介入方案)或非侵入性地(例如，通过成像、消融、心脏收缩调节(例如，通过起搏器)、导管***术等)来执行。

本文使用的术语“光电体积描记信号”是指从光学传感器获取的一个或多个信号或波形，其对应于含氧和脱氧血红蛋白的光吸收的测量变化，例如具有红色和红外光谱中的波长的光。在一些实施例中，光电体积描记信号包括经由脉搏血氧计或光电体积描记图(PPG)获取的原始信号。在一些实施例中，从现成的、定制的和/或专用的设备或电路获取光电体积描记信号，所述设备或电路被配置为获取这样的信号波形以用于监测健康和/或诊断疾病或异常状况的目的。光电体积描记信号通常包括红色光电体积描记信号(例如，主要具有大约625至740纳米的波长的可见光谱中的电磁信号)和红外光电体积描记信号(例如，从可见光谱的标称红色边缘延伸高达约1mm的电磁信号)，但是根据所采用的PPG的类型和/或模式，可以以不同的组合使用其他光谱，例如近红外、蓝色和绿色。

本文所使用的术语“心冲击描记信号”指的是通常反映通过整个身体的血液流动的信号或信号组，其可以通过振动、声学、运动或定向来观察。在一些实施例中，心冲击描记信号由可穿戴设备采集，例如基于振动、声学、运动或定向的心震图(SCG)传感器，其可以测量由安装在靠近心脏的传感器记录的身体的振动或定向。心震图传感器通常用于获取“心震图”，其在本文中与术语“心冲击图”可互换使用。在其他实施例中，心冲击描记信号可以通过外部设备获取，例如，测量诸如当血液在头部和脚之间的纵向方向上来回移动时的体重变化之类的现象的基于床或表面的设备。在这样的实施例中，每个位置中的血量可以动态地变化并且反映在床上的每个位置处测量的重量以及该重量的变化率中。

另外，本文的各个实施例中描述的方法和***不限于此，并且可以在活体的另一个或多个生理***、器官、组织、细胞等的任何背景下使用。仅作为示例，可用于心血管背景的两种生物物理信号类型包括可通过常规心电图(ECG/EKG)设备采集的心脏/生物电势信号、可从诸如本文描述的那些的其他设备采集的双极宽带生物电势(心脏)信号、以及可以通过诸如光电体积描记术的各种体积描记技术获取的信号。在另一个示例中，两种生物物理信号类型可以通过心冲击描计技术进一步增强。

图1示出了临床评价***103的分析引擎或分析器(例如，806、814，参见图8)的操作和工作流程的示意图，临床评价***103可以非侵入性地估计或确定患者的疾病状态、医学状况或其中任何一个的指征的存在、不存在、严重性和/或定位的可能性。分析引擎或分析器包括用于信号质量评估和拒绝(130)、特征值计算(132)、分类器输出和集合计算(134)、医师门户可视化(136)以及异常值评估和拒绝(138)的操作和工作流程。

分析引擎或分析器被配置为根据说明性实施例非侵入性地计算特征或参数以经由分类器(例如，机器学习分类器)生成与患者的生理状态相关联的一个或多个度量，例如，以协助医疗保健提供者诊断和/或治疗心脏和心肺相关的病理和医学状况，或其中任一者的指标。实例包括严重的冠状动脉疾病(CAD)、一种或多种形式的心力衰竭，例如射血分数保留的心力衰竭(HFpEF)、充血性心力衰竭、各种形式的心律失常、瓣膜衰竭、各种形式的肺高血压、以及本文公开的各种其他疾病和病症。

另外，存在疾病或病症的可能的指标，例如升高的或异常的左心室舒张末压(LVEDP)值，因为其与某些形式的心力衰竭有关，异常的左心室射血分数(LVEF)值，因为它们与某些形式的心力衰竭有关，或升高的平均肺动脉压(mPAP)值，因为它与肺高血压和/或肺动脉高压有关。此类指标异常/升高或正常的可能性的指标，例如由本文描述的示例分析和分类器提供的指标，可以帮助医疗保健提供者评估或诊断患者患有或不患有给定的疾病或病症。除了与疾病状态或状况相关联的这些度量之外，医疗保健专业人员可以在做出诊断时采用其他测量值和因素，例如体检和/或其他测试的结果、患者的病史、当前的药物治疗，等等。对疾病状态或医学状况存在或不存在的估计可以包括这种疾病的指征(或在诊断中使用的估计的度量)。

在图1中，临床评价***103与非侵入性生物物理信号记录器或捕获***102一起操作。临床评价***103可以在云/远程基础设施或本地***中实现。生物物理信号捕获***102(也称为生物物理信号记录器***)被配置为例如获取、处理和存储(并且在某些实现方式中，发送)同步获取的患者的电信号和血液动力学信号作为一种或多种类型的生物物理信号104(未示出——参见图2)。在图1的示例中，生物物理信号捕获***102被配置为同步捕获两种类型的生物物理信号，示出为从测量探针106(例如，未示出——参见探针106a和106b，例如，包括用于血液动力学信号104a的血液动力学传感器，以及探针106c-106h，包括用于图2中的电/心脏信号104b的导联)获取的第一生物物理信号(例如，与其他第一生物物理信号同步采集)和第二生物物理信号(例如，与其他生物物理信号同步获取)。探针106a-h例如通过粘附放置到患者108的表面组织(在患者位置108a和108b处示出)上或靠近患者108的表面组织(在患者位置108a和108b处示出)放置。患者优选是人类患者，但也可以是任何哺乳动物患者。所获取的原始生物物理信号(例如，106a和106b)一起形成生物物理信号数据集110(在图1中分别示出为第一生物物理信号数据集110a和第二生物物理信号数据集110b)，其可以例如优选地存储为单个文件，该文件可通过记录/信号捕获号码和/或通过患者姓名和医疗记录号码来识别。

在图1的实施例中，第一生物物理信号数据集110a包括与测量的来自位置108a处的患者的氧合和/或脱氧血红蛋白的光吸收的变化相关联的一组原始光电体积描记或血液动力学信号，并且第二生物物理信号数据集110b包括与心脏的电信号相关联的一组原始心脏或生物电势信号。尽管在图1中，示出了在患者的手指处采集原始光电体积描记或血液动力学信号，但是也可以替代地在患者的脚趾、手腕、前额、耳垂、颈部等处采集信号。类似地，尽管示出了心脏或生物电势信号是通过三组正交导联采集的，也可以使用其他导联配置(例如，11导联配置、12导联配置等)。

生物物理信号捕获***102优选地经由非侵入性装置或部件采集生物物理信号。在替代实施例中，侵入性或微创装置或部件可用于补充或替代非侵入性装置(例如，植入的压力传感器、化学传感器、加速计等)。在又一替代实施例中，能够收集生物物理信号的非侵入性和非接触式探针或传感器可以用于以任何组合(例如，被动式温度计、扫描仪、相机、X射线、磁性或本文讨论的非接触或接触能量数据收集***的其他装置)补充或取代非侵入性和/或侵入性/微创装置。在信号采集和记录之后，生物物理信号捕获***102然后将所采集的生物物理信号数据集110a、110b(或从中导出或处理的数据集，例如，经滤波或预处理的数据)提供给临床评价***103的数据储存库112(例如，基于云的存储区域网络)，例如通过无线或有线通信***和/或网络发送。在一些实施例中，直接发送获取的生物物理信号数据集110a、110b到临床评价***103以进行分析或者通过安全临床医生门户上传到数据储存库112。数据集可以在多个文件或单个数据文件中单独发送。在其他实施例中，所获取的生物物理信号数据集110a、110b由在本地网络计算设备上执行的临床评价***进行分析，该临床评价***可以将结果提供给云/远程服务器。

在一些实施例中，生物物理信号捕获***102配置有电路和计算硬件、软件、固件、中间件等，以获取、存储、传输和可选地处理所捕获的生物物理信号以生成生物物理信号数据集110。示例性生物物理信号捕获***102和所采集的生物物理信号集数据110在专利号为10,542,898、标题为“Method and Apparatus for Wide-Band Phase Gradient SignalAcquisition”的美国专利或公开号为2018/0249960、标题为“Method and Apparatus forWide-Band Phase Gradient Signal Acquisition”的美国专利公布中进行了描述，上述每一篇均通过引用方式全文并入本文。

在一些实施例中，生物物理信号捕获***102包括两个或更多个信号采集组件，包括用于采集第一生物物理信号(例如，光电体积描记信号)的第一信号采集组件(未示出)并且包括用于采集第二生物物理信号(例如，心脏信号)的第二信号采集组件(未示出)。在一些实施例中，电信号以数千赫兹速率采集几分钟，例如在1kHz到10kHz之间。在其他实施例中，在10kHz与100kHz之间采集电信号。可以例如在100Hz到1kHz之间采集血液动力学信号。

生物物理信号捕获***102可以包括用于采集信号的一个或多个其他信号采集组件(例如，诸如机械声学、弹道记录、心冲击描记等的传感器)。在信号捕获***102的其他实施例中，信号采集组件包括常规心电图(ECG/EKG)设备(例如，Holter设备、12导联ECG等)。

信号质量评估/拒绝(130)。分析引擎或分析器(808、814——参见图8)在分析管线(pipeline，流水线)正在执行时评估(130)所获取的生物物理信号数据集的质量。评估结果(例如，通过/失败)可以在例如云连接或网络临床评价***或其本地版本中执行，并且立即返回到信号捕获***的用户界面以供用户读取。满足信号质量要求的采集信号数据被认为是可接受的(即“通过”)，并且可以进一步处理并进行分析，以由分析引擎或分析器确定是否存在与病理或医学状况相关的度量(例如，升高的LVEDP、CAD、PH/PAH、异常LVEF、HFpEF)。被认为不可接受的所获取的信号被拒绝(例如，“失败”)，并且立即向用户发送通知以通知用户立即从患者108获取附加信号(参见图2)。

分析引擎或分析器可执行两组信号质量初始评估(130)，一组针对电信号，一组针对血液动力学信号。操作(130)可以确认(例如，心脏/生物电势信号数据集110b的)电信号具有足够的长度、缺乏高频噪声(例如，高于170Hz)并且缺乏来自环境的电力线噪声(例如，50Hz或60Hz)。对血液动力学信号的评估可以确认(i)血液动力学数据集中异常值的百分比低于预定义的阈值，以及(ii)血液动力学数据集的信号受到干扰、剪切或饱和低于预定义的阈值的百分比或最大持续时间。信号质量评估的其他示例可以在以下文献中找到：申请号为17/132,869、于2020年12月23日提交的、标题为“Method and System for SignalQuality Assessment Using Heart Cycle Variability”的美国专利申请，公开号为2020/0205739、标题为“Method and System for Automated Quantification of SignalQuality”的美国专利公布，以及公开号为WO2020/136570、标题为“Method and System forAutomated Quantification of Signal Quality”的PCT公布，以上每一篇均通过引用方式全文并入本文。

特征值计算(132)。分析引擎或分析器(例如806、814——参见图8)可以计算(132)与给定临床应用相关联的多个特征模块122的特征输出值。在LVEDP算法的示例中，在一些实施例中，分析引擎或分析器可以确定属于在模块122中实现的多个特征族的总共446个特征输出。LVEDP算法中的特征的列表和描述在表1中进行提供，稍后将在本文中讨论。

模块122可以评价任何数量的特征，包括量化生物物理信号或从生物物理信号导出的信号的波形形态(例如，PPG信号和从PPG信号和/或心脏/生物电势信号生成的VPG/APG信号的形态)的特征。模块122可以评价对生物物理信号中的波形区域的谱功率进行量化的特征。模块122可以使用小波分析来评价量化心脏/生物电势信号的波形区域(例如心室除极、心室复极和心房除极区域)的谱功率的特征。模块122可以评价量化生物物理信号或生物物理信号中的区域的三维相空间中的传播特性或视觉拓扑特性(例如，速度、轨迹、轨道频率、平面性、配准点之间的向量长度)的特征。模块122可以评价量化生物物理信号中的逐搏变化(周期变化)的特征。模块122可以评价使用庞加莱图(Poincare plot)对生物物理信号中的配准点之间的同步性进行量化的特征。模块122可以评价通过动态***分析来量化生物物理信号的动态特性的特征。模块122可以评价量化生物物理信号的功率谱和频率内容的特征。模块122可以评价量化信号的可预测性的特征。模块122可以评价在各种相空间相关分析(例如，相空间断层摄影)、相空间模型、相空间体积模型中评估生物物理信号的特征。

分析引擎或分析器(例如，806、814——参见图8)可以对信号执行预处理和/或预调节操作(例如，818——参见图8)。在一些实施例中，分析引擎或分析器可以处理获取的信号(例如，心脏信号)以去除信号的瞬态时间(例如，前5秒、前10秒、前20秒、前30秒、前31秒、前45秒、前1分钟等)并从后续分析中省略或去除它们，例如，在信号采集过程开始时患者的任何初始运动可能已经发生和/或电极或传感器接触稳定或最初移动时获得了信号的此类部分的情况下。分析引擎或分析器可以例如通过从每个采集通道的平均值中减去采集的信号(例如，心脏信号)来去除采集信号的直流(DC)偏移。分析引擎或分析器可以例如通过从其低频基线中减去所获取的信号(例如，心脏信号)来消除所评估的基线漂移。在一些实施例中，通过使用固定小波变换(例如，具有多个消失矩，例如8个矩的多贝西(Daubechies)小波)的重建操作来生成基线，该固定小波变换在最低频率下保留其系数。

异常值评估和拒绝检测(138)。在计算特征值输出(在过程132中)之后并且在将其应用到分类器模型(在过程134中)之前，分析引擎或分析器(例如806、814——参见图8)可以执行特征值输出的异常值分析(在过程138中示出)。异常值是在经训练的数据集中不太可能观察到或预期观察到的信号(例如，心脏和/或光电体积描记信号)。需要去除异常值，因为根据异常值的定义，由于不太可能被观察到，因此训练或评估***对此类信号的接触非常有限，因此与非异常值信号相比，异常值信号出现预测错误的可能性更高。

异常值检测模块评估异常值，这些异常值本身出现在与其余观察结果不分布的孤立区域处的稀疏簇内。过程138可以降低异常值信号被不适当地应用于分类器模型并产生否则会被患者或医疗保健提供者看到的不准确估计的风险。

异常值分析评价过程138可以执行异常值检测模块(ODM)来识别并排除异常采集的生物物理信号，以防止生成由于异常值信号而具有较高错误可能性的最终分数。异常值分析评价过程138可以采用无监督学***均路径)与其余观察结果分离。在一些实施例中，“森林”算法被配置为生成决策树的集合并基于森林内的所有树做出最终决策。

除其他外，可以通过异常值检测模型(ODM)来评价两类异常信号，包括心律失常数据集和倒置导联数据集。在一些实施例中，心律失常数据集基于一个或多个指标来标记，包括(i)心率的突然变化或(ii)缺失的或额外的波形。心率的突然变化可定义为快速周期爆发(阵发性心动过速)或从一种合理心率突然变为另一种合理心率。一个示例包括确定的从72bpm到48bpm的变化，这是AV节点块信号的2:1变化。缺失或额外的波形可以被定义为任何除极和/或复极波的存在和/或不存在，例如心室或心房除极波形(也称为QRS波或P波)。倒置导联(例如，由于躯干上的电极错位而引起)可能是数据集收集中的临床研究协议偏差，它可以生成异常信号，可以调整ODM的超参数以鼓励对其的检测。

在一个示例中，ODM算子可以在由1000多个信号组成的数据集上使用隔离森林集合(例如50个模型)进行训练，同时在由两类心律失常和倒置导联信号组成的标记测试集上执行超参数调整。为了增强ODM对数据集中噪声的鲁棒性，可以使用训练数据中随机选择的80％样本来训练各模型，其余样本用于测试。ODM预测可以基于整体投票(每个模型的异常值分数的算术平均值)。在超参数调整期间，对ODM算子进行评价，以识别测试集中具有可接受的异常值检测率(ODR)泛化的所有标记的异常信号。可以使用保留验证集来确认结果。其他隔离森林方法的其他示例和描述记载于Liu,Fei Tony,Ting,Kai Ming和Zhou,zhi-Hua“Isolation forest”Data Mining，2008，ICDM’08，Eighth IEEE InternationalConference(2008)，其全部内容通过引用并入本文。

分类器输出计算(1334)。分析引擎或分析器(例如，806、814——参见图1)然后使用分类器模型(例如，机器学***均，如等式1所示。

在一些实施例中，分类器模型可以包括基于以下文献中描述的ML技术开发的模型：公开号为20190026430、题为“Discovering Novel Features to Use in MachineLearning Techniques,such as Machine Learning Techniques for DiagnosingMedical Conditions”的美国专利公布；或公开号为20190026431、题为“DiscoveringGenomes to Use in Machine Learning Techniques”的美国专利公布，以上每一篇均通过引用全文并入本文。

在LVEDP算法的示例中，十三(13)个机器学习分类器模型均使用计算出的特征输出进行计算。这13个分类器模型包括4个ElasticNet机器学习分类器模型[9]、4个RandomForestClassifier机器学习分类器模型[10]和5个极限梯度提升(XGB)分类器模型[11]。在一些实施例中，可以使用患者的元数据信息，例如年龄、性别和BMI值。集合估计的输出可以是连续分数。通过减去用于在门户网站内呈现的阈值，可以将分数移至零阈值。可以将阈值选择为敏感性和特异性之间的权衡。阈值可以在算法内定义并用作测试阳性(例如，“可能升高的LVEDP”)和测试阴性(例如，“不太可能升高的LVEDP”)条件的确定点。

在一些实施例中，分析引擎或分析器可以将模型得分集合与基于体重指数的调整或基于年龄或性别的调整融合。例如，分析引擎或分析器可以用具有形式的患者BMI的S型函数对模型估计进行平均。

医师门户可视化(136)。患者的报告可以包括所获取的患者数据和信号以及疾病分析的结果(例如，在示例中显示为输出分数118)的可视化136。分析可以在报告内的多个部分中呈现，包括显示分数的部分、显示关于阳性指征群体组和阴性指征组的分数的部分、以及显示分数的特异性和敏感性表现的部分。医疗保健提供者(例如医生)可以审查报告并对其进行解释，以提供疾病的诊断或制定治疗计划。如果给定患者的获取的信号数据集满足信号质量标准，则医疗保健门户可以列出患者的报告。该报告可以指示疾病特异性结果，例如，(i)估计是否存在疾病或病症的升高的指征(例如，升高的LVEDP或mPAP或本文讨论的其他指征)或(ii)疾病或医学状况(例如，CAD、PH、PAH或本文所述的其他疾病或病症)的存在、不存在、严重性或定位。

输出报告可以经由可穿戴设备、手持设备或医疗诊断设备(例如，脉搏血氧计***、可穿戴健康监测***)。在一些实施例中，输出可以经由护理点监控，例如移动推车或手推车。在一些实施例中，输出可用于其中需要频谱信息的复苏***、心脏或肺压力测试设备、起搏器等。

示例生物物理信号采集。

图2示出了根据说明性实施例的生物物理信号捕获***102(示出为102a)及其在临床环境中非侵入性地收集患者的生物物理信号中的使用。在图2中，生物物理信号捕获***102a被配置为在患者休息时从患者108捕获两种类型的生物物理信号。生物物理信号捕获***102a(i)使用正交放置的传感器(106c-106h；106i是共模参考导联)从躯干同步采集患者的电信号(例如，对应于第二生物物理信号数据集110b的心脏信号)和(ii)使用光电体积描记传感器(例如，收集信号106a、106b)从手指同步采集患者的血液动力学信号(例如，对应于第一生物物理信号数据集110a的PPG信号)。

如图2所示，电信号和血液动力学信号(例如，104a、104b)通过应用于患者皮肤的市售传感器被动地收集。可以有利地获取信号，而无需患者暴露于电离辐射或放射性造影剂，并且无需患者锻炼或使用药物应激源。生物物理信号捕获***102a可以用在有利于医疗保健专业人员(例如技术人员或护士)的任何环境中，以获取必要的数据并且可以在其中建立蜂窝信号或Wi-Fi连接。

使用沿参考导联布置在患者胸部和背部的三个正交配对的表面电极来收集电信号(例如，对应于第二生物物理信号数据集110b)。在一些实施例中，使用低通抗混叠滤波器(例如，～2kHz)以数千赫兹速率(例如，六个通道中的每一个通道每秒8000个样本)采集电信号几分钟(例如，215秒)。在替代实施例中，可以连续/间歇地获取生物物理信号以用于监测，并且所获取的信号的部分用于分析。使用放置在手指上的光电体积描记传感器来收集血液动力学信号(例如，对应于第一生物物理信号数据集110a)。在一些实施例中，在相同周期内以每秒500个样本的速率记录红光(例如，600-750nm之间的任何波长)和红外光(例如，850-950nm之间的任何波长)的光吸收。生物物理信号捕获***102a可以包括减少信号中的共模环境噪声的共模驱动器。同时采集每位患者的光电体积描记信号和心脏信号。数据中的抖动(模态间抖动)可小于约10微秒(μs)。心脏信号通道之间的抖动可以小于10微秒，例如大约十飞秒(fs)。

包含患者元数据和信号数据的信号数据包可以在信号采集过程完成时被编译。该数据包可以在生物物理信号捕获***102a传输到数据储存库112之前被加密。在一些实施例中，数据包被传输到临床评价***(例如，103)。在一些实施例中，在信号获取过程完成之后发起传输，而无需任何用户干预。在一些实施例中，数据储存库112托管在云存储服务上，该云存储服务可以为患者的数据包提供安全、冗余、基于云的存储，例如亚马逊简单存储服务(Amazon Simple Storage Service)(即“Amazon S3”)。生物物理信号捕获***102a还为从业者提供接口以接收不正确信号采集的通知，以警告从业者立即从患者采集额外数据。

示例操作方法

图3示出了用于非侵入性地确定对升高的LVEDP的存在的估计的示例方法300。方法300还可确定对不存在升高的LVEDP的估计，以结合肯定确定进行评估。方法300包括获得(302)与第一光电体积描记信号和第二光电体积描记信号相关联的第一生物物理信号数据集的步骤，例如，如关于图1和图2以及本文描述的其他示例所描述的。在一些实施例中，所获取的生物物理信号数据集被传输用于远程存储和分析。在其他实施例中，所获取的生物物理信号数据集在本地存储和分析。第一生物物理数据集可以是在患者的多个心动周期内采集的。

方法300还包括获得(304)与心脏信号相关联的第二生物物理信号数据集的步骤，其中第二生物物理信号数据集已经在多个心动周期内与第一生物物理信号数据集同时采集。

方法300还包括利用第一和第二生物物理信号数据集的至少一部分来确定(306)与多个特征相关联的多个值的步骤。方法300还包括使用与多个特征相关联的多个值来确定(308)与患者具有升高的LVEDP的可能性相关的数值分数或值形式的估计的步骤，所述多个特征评估心脏信号与光电体积描记信号之间的以及与相应心脏信号和光电体积描记信号相关联的特征之间的同步性。可以输出患者具有升高的LVEDP的可能性的估计值(例如，作为升高的LVEDP分数)以用于疾病或病症的诊断和/或治疗，所述疾病或病症诸如例如一种或多种形式的心力衰竭。

图3B示出了可以在LVEDP评估操作和工作流程中使用的特征模块122(示为122a)的示例。模块122提供可被评估的特征池以提供用于评估升高的LVEDP的最佳估计。特征和特征类的数量可以进行调整，同时仍然能够提供估计。

除极/复极波形传播特征(模块340)。第一类特征通过将采集的信号波形置于三维空间中来量化心室除极(VD)波或心室复极(VR)波的传播特性。然后，根据1.速度、2.轨迹、3.轨道频率(3D旋转速率)和4.波信号的平面度，在该数据空间中将主要波特征分为四组。可以在[1]中找到这些分析的示例。

示例特征(例如，QRS_max_Curvature_sub5)计算第5频率子带处的VD波(在ECG词典中也称为QRS信号)的最大曲率。另一个示例特征(例如，T_max_OrbitalFrequency_sub14)计算VR波在第14频率子带处的最大轨道频率。

除了VD波和VR波之外，波传播特征还应用于各个频率子带处的滤波VD波和滤波VR波。表1A和1B分别提供了除极波形传播特征和复极波形传播特征的列表，其用于可以在模块340中实现的升高的LVEDP的评估。

表1A

表1B

特征名称	特征名称
		T_minMaxRatio_Plan/srity_sub12	T_max_NormalizedSpeed_sub7
T_min_Plan/srity_sub11	T_minMaxRatio_NormalizedSpeed_sub13
		T_max_Plan/srity_sub11	T_median_NormalizedSpeed_sub13
T_max_Plan/srity_sub4	T_max_NormalizedSpeed_sub13
		T_median_Plan/srity_sub8	T_max_Plan/srity_sub6
T_minMaxRatio_Plan/srity_sub4	T_minMaxRatio_NormalizedSpeed_sub14
		T_minMaxRatio_NormalizedSpeed_sub4	T_min_NormalizedSpeed_sub8
T_max_Plan/srity_sub12	T_min_Curvature_sub7
		T_min_Plan/srity_sub7	T_min_OrbitalFrequency_sub9
T_max_Curvature_sub13	T_min_Curvature_sub13
		T_min_NormalizedSpeed_sub14	T_minMaxRatio_NormalizedSpeed_sub11
T_max_NormalizedSpeed_sub15	T_median_OrbitalFrequency_sub4
		T_median_Plan/srity_sub2	T_median_NormalizedSpeed_sub4
T_min_Curvature_sub15	T_median_NormalizedSpeed_sub8
		T_min_NormalizedSpeed_sub2	T_min_NormalizedSpeed_sub6
T_minMaxRatio_Curvature_sub3	T_minMaxRatio_Curvature_sub13
		T_min_NormalizedSpeed_sub7	T_min_NormalizedSpeed_sub12
T_min_NormalizedSpeed_sub5	T_minMaxRatio_Curvature_sub8
		T_max_NormalizedSpeed_sub3	T_minMaxRatio_NormalizedSpeed_sub6
T_minMaxRatio_OrbitalFrequency_sub9	T_max_Curvature_sub6
		T_median_Curvature_sub4	T_max_Plan/srity_sub14
T_median_Plan/srity_sub16	T_max_NormalizedSpeed_sub8
		T_minMaxRatio_OrbitalFrequency_sub16	T_max_NormalizedSpeed_sub2
T_max_NormalizedSpeed_sub12	T_median_Curvature_sub16
		T_min_NormalizedSpeed_sub13	T_min_Plan/srity_sub8
T_median_Plan/srity_sub15	T_max_OrbitalFrequency_sub9
		T_max_OrbitalFrequency_sub4	T_minMaxRatio_NormalizedSpeed_sub7
T_minMaxRatio_OrbitalFrequency_sub8	T_max_NormalizedSpeed_sub4

除极波传播偏差特征(模块330)。第二类特征可以量化VD波轨迹及其三维模型轨迹的偏差。通过在低维空间中表示模型，该低维空间还嵌入了40Hz以下原始信号的最突出的频率内容，这些特征可以评价VD波轨迹中的高频和低幅度模式。

示例特征(例如，maxCondDist)可以计算模型与原始VD波之间的最大三维欧几里得距离。

表1C提供了可以在模块330中实现的升高的LVEDP的评估中使用的除极波形传播偏差特征的列表。这些特征的附加描述可以在申请号为63/235,974、于2021年8月23日提交的、标题为“Methods and Systems for Engineering Conduction Deviation FeaturesFrom Biophysical Signals for Use in Characterizing Physiological Systems”的美国临时专利申请中找到，其全部内容通过引用并入本文。

表1C

周期变异性特征(模块336)。第三类特征可以通过将每个搏动与模板搏动进行比较来量化生物电势的逐搏变化。模板搏动是通过VD峰值匹配将中值滤波器应用于堆叠的逐搏分段信号所获取的整个信号中表示的最突出的波形。

示例特征(例如，CVscore_X)计算心脏信号的通道X处的基线(没有电活动的信号部分)处的信号与模板搏动之间的距离作为分数值。

表1D提供了可以在模块336中实施的升高的LVEDP的评估中使用的除极周期变异性特征的列表。这些特征的附加描述可以在申请号为63/130,324、标题为“Method andSystem to Assess Disease Using Cycle Variability Analysis of BiophysicalSignals”的美国临时专利申请中找到，其全部内容通过引用并入本文。

表1D

特征名称	特征名称
		CV_Z_std	CV_PerimeterXY
CV_PerimeterYZ	CV_X_Skew
		CV_VoidVolume	CV_Volume
CV_SurfaceArea	CV_X_std
		CVscore_X.

动态***(DS)特征(模块334)。第四类特征可以量化生物物理信号的动态特性，例如心脏/生物电势通道和PPG信号。动态特性的示例包括李亚普诺夫指数、相关维数、熵、互信息、相关性和非线性滤波。

示例特征(例如，LEX)计算生物电势通道X的李雅普诺夫指数。

表1E提供了可在模块334中实施的升高的LVEDP的评估中使用的动态***特征的列表。这些特征的附加描述可以在申请号为16/831,264、标题为“Method and System toAssess Disease Using Dynamical Analysis of Biophysical Signals”的美国专利申请中找到，其全部内容通过引用并入本文。

表1E

特征名称	特征名称
		LEZ	SpXCFLUMax
CsLEX	SpCsXCFUXZ1
		SpXMILUR	SpD2L
SpXCFLU1	SpCsXCFLXDelay

线性特征(模块342)。第五类特征可以量化生物物理测量波形内的形态方面及其变化，例如心脏/双电位信号或PPG信号。对于PPG信号，可以评估从PPG信号确定的VPG和APG信号中的波形的形态方面。这些形态线性特征的示例可以包括波形幅度、持续时间、几何拓扑以及其他形态。

示例特征(例如，orthl_std_repolizationDuration)计算通道X中每个搏动的复极持续时间。可以以这种方式评价多个周期，并且可以确定周期之间的分析的标准偏差。另一个示例特征(lowVPG_mean_peakDist)计算分析执行的许多搏动中每个搏动的VPG的突出峰值之间的峰峰间距离。然后确定平均距离以量化整个周期的结果。

表1F和表1G分别提供心脏/生物电势信号和PPG信号中的线性特征的列表，其用于可在模块342中实施的升高的LVEDP的评估。这些特征的附加描述可以在申请号为63/235,971、于2021年8月23日提交的、标题为“Methods and Systems for Engineeringphotoplethysmography Waveform Features for Use in CharacterizingPhysiological Systems”的美国临时专利申请中找到，其全部内容通过引用并入本文。

表1F

表1G

/>

功率谱和小波特征(模块338)。该第六类特征可以量化生物物理信号(例如心脏/生物电势信号和PPG信号)的所采集波形的特定区域的功率谱和频率内容。该分析可以基于功率谱分析和相干性(交叉谱分析)分析。可以通过生物物理信号的特定区域(例如心脏/生物电势信号中的心室除极、心室复极和心房除极区域)的小波分析来确定特征。

示例特征(例如，cohKurt_PPG)计算第一和第二PPG谱之间的计算相干性的分布内的峰度。另一个示例特征(例如，wtPwave_circularity_Y_median)计算心脏/生物电势信号的心房除极区域中高功率谱区域的圆度。分析在多个周期内进行，以提供结果的分布，可以根据该结果的分布来确定分布的平均值。

表1H和表1I分别提供功率谱特征和小波特征的列表，其用于可以在模块338中实施的升高的LVEDP的评估。这些特征的附加描述可以在申请号为63/235,963、于2021年8月23日提交的、标题为“Methods and Systems for Engineering Power Spectral FeaturesFrom Biophysical Signals for Use in Characterizing Physiological Systems”的美国临时专利申请以及申请号为63/235,968、2021年8月23日提交的、标题为“Methods andSystems for Engineering Wavelet-Based Features From Biophysical Signals forUse in Characterizing Physiological Systems”的美国临时专利申请中找到，以上每一篇均通过引用全文并入本文。

表1H

表1I

/>

视觉环路特征(模块326)。第七类特征可以计算与三维相空间中的生物物理信号或其二维投影相关联的不同环路区域(例如，心房除极、心室除极和心室复极)的拓扑方面。

示例特征(例如，lowerPPG_Circulation_PPGVPG)计算由PPG信号和VPG相位定义的第一PPG环路2D空间平面的旋转。

表1J和表1K分别提供心脏/生物电势信号和PPG信号中的视觉环路特征的列表，其用于可在模块326中实施的升高的LVEDP的评估。这些特征的附加描述可以在申请号为63/236,072、2021年8月23日提交的、标题为“Methods and Systems for Engineering VisualFeatures From Biophysical Signals for Use in Characterizing PhysiologicalSystems”的美国临时专利申请中找到，其全部内容通过引用并入本文。

表1J

特征名称	特征名称
		AD_2dArea_ORTH12_Overall	VR_Max2dAreaQuadNum_ORTH13
AD_AverageVorticity	VR_Max2dPerimeterQuadNum_ORTH13
		AD_Max2dAreaQuadNum_ORTH13	VR_SurfaceArea_AlphaShape_Octant2
AD_SurfaceArea_AlphaShape_Octant6	VD_SurfaceArea_ConvexHull_Octant3
		AD_SurfaceArea_ConvexHull_Octant6	VR_SurfaceArea_AlphaShape_Octant7
AD_Volume_AlphaShape_Octant6	VR_SurfaceArea_ConvexHull_Octant3
		AD_Volume_AlphaShape_Overall	VR_SurfaceArea_ConvexHull_Octant5
AD_Volume_ConvexHull_Octant6	VR_SurfaceArea_ConvexHull_Octant7
		IVDV_MVRV_3dAngle	VR_Volume_AlphaShape_Octant2
MADV_2DAngle_ORTH13	VR_Volume_AlphaShape_Octant5
		MADV_OctantNum	VR_Volume_AlphaShape_Octant7
TVDV_2DAmplitude_ORTH13	VR_Volume_AlphaShape_Overall
		VD_2dArea_ORTH12_Quad2	VR_Volume_ConvexHull_Octant3
VD_SurfaceArea_AlphaShape_Overall	VR_Volume_ConvexHull_Octant5
		VD_SurfaceArea_ConvexHull_Octant3	VR_Volume_ConvexHull_Octant7
VD_Volume_AlphaShape_Octant3	VR_2dArea_ORTH12_Quad1
		VD_Volume_AlphaShape_Overall	VR_2dArea_ORTH13_Quad4
VR_2dArea_ORTH12_Overall	VR_2dPerimeter_ORTH23_Quad3

表1K

/>

可预测性特征(模块324)。该第八类特征可以量化生物物理信号的可预测性，该可预测性是通过在大部分(例如，75％)信号上训练的模型预测剩余信号(例如，25％)的能力来测量的。特征是由可预测性误差和非线性滤波技术浓缩的残差统计数据形成的。

示例特征(例如，StdResX)计算来自对心脏信号通道X执行的非线性滤波技术的残差的标准偏差。

表1L提供了可在模块324中实施的升高的LVEDP的评估中使用的可预测性特征的列表。

表1L

特征名称	特征名称
		StdResZ	PcntResX
InfoDimX	PcntResZ
		InfoDimY	KurtResZ
InfoDimZ	StdResY
		PcntResY

呼吸特征(模块328)。该第九类特征可以近似呼吸波形并评价该近似的特性。调制信号在每个输入信号上产生并被融合。基于心率变异性、呼吸率信息、表示呼吸和调制信号之间的距离的差异、表示调制和呼吸率信号之间的相关性的平方相干性来确定特征。

示例特征(例如，dFmPPGMMDStd)使用来自PPG信号的频率调制信号并且计算多个周期中的每个周期的最大平均差异。来自于这些分析的分布平均值作为特征输出。

表1M提供了可在模块328中实施的用于升高的LVEDP的评估的呼吸特征的列表。这些特征的附加描述可在申请号为63/235,966、于2021年8月23日提交的、标题为“Methodand System for Engineering Rate-Related Features From Biophysical Signals forUse in Characterizing Physiological Systems”的美国临时专利申请中找到，其全部内容通过引用并入本文。

表1 M

特征名称	特征名称
		dAmECGEntMean	dRRMean
dFmECGEntMean	dAmECGMMDKurt
		dHRVSkewPPG	dAmECGCXYStd
dAmPPGMMDKurt	dPkPPGEntMean
		dAmPPGEntMean	dAmPPGEntStd
dFmPPGCXYMean	dPkPPGCXYMean
		dAmECGMMDSkew	dPkECGEntMean
dHRVStdPPG	dPkPPGEntStd
		dFmPPGEntSkew	dAmPPGMMDMean

庞加莱和同步性特征(模块322)。该第十类特征计算生物物理信号波形内识别的峰值之间的时间差，并使用计算出的时间差作为庞加莱分析的输入来量化信号动态性。在庞加莱分析中，可以提取表征生物物理信号的不同模态之间(例如心脏/生物电势信号与PPG信号之间)的同步性特性的特征。

示例特征(例如，numberOfKernelDensityModes)计算PPG峰值时间差的核密度估计中的不同峰值的数量。

表1N提供了可以在模块322中实施的升高的LVEDP的评估中使用的庞加莱和同步性特征的列表。这些特征的附加描述可以在申请号为16/831,380、标题为“Method andSystem to Assess Disease Using Dynamical Analysis of Cardiac andPhotoplethysmographic Signals”的美国专利申请中找到，其全部内容通过引用并入本文。

表1 N

特征名称	特征名称
		dZDmn	dModeLP
dModeUP	dYMode2
		dMeanU	dDmnL
dAlphaLUXR	dStdLURP1
		dMeanL	dPhiDiffXLMean
dKurtL	dPhiDiffXL1Med
		dDmnU	dPhiDiffXL2Med
dRelStdMADL	largestClusterEllipse.X0

生理特征(模块332)。这第十一类特征可以量化生物电势信号的特定生理方面。

示例特征(例如，morphology_X)量化心房除极的分类形态。

表1P提供了可在模块332中实施的用于升高的LVEDP的评估的生理特征的列表。这些特征的附加描述可在申请号为63,236,193、于2021年8月23日提交的、标题为“Methodand System for Engineering Cardiac Waveform Features from Biophysical Signalsfor Use in Characterizing Physiological Systems”的美国专利临时申请中找到，其全部内容通过引用并入本文。

表1 P

临床评价***的示例可视化输出

临床评价***103a可以在某些实施方式中生成对是否存在升高的LVEDP(例如，患者具有升高的LVEDP的可能性)的估计。图4示出了示例患者报告402，其包括由临床评价***103(示出为103a)的分类器模型(例如，134)生成的输出分数118(示出为118a、118b和118c)的可视化136(示出为136a)。

临床评价***103a可以包括医疗保健提供者门户813(未示出-参见图8)或可以与医疗保健提供者门户813一起操作，医疗保健提供者门户813被配置成在用户界面中呈现患者的报告402。在一些实施例中，医疗保健提供者门户(例如，813)采用网络服务应用来将患者的报告402提供给医疗保健提供者、实验室技术人员、患者或患者家属可访问的远程终端。在其他实施例中，报告402被传送到生物物理信号捕获***(例如，102)、患者拥有的设备、或本文描述的其他显示***。为此，用户界面可以是可以在台式计算机、平板电脑、移动设备(例如，智能手机、智能手表)、测量设备等上执行的图形用户界面。

报告402可以在用户界面中的多个视图中呈现输出分数(例如，118)。在图4所示的示例中，报告402包括分数汇总部分404(示为“患者LVEDP分数汇总”部分404)、阈值部分406(示为“LVEDP阈值统计”部分406)和频率分布部分408(示为“频率分布”部分408)。报告402还呈现其他患者信息412(例如，标识符、出生日期或年龄、性别)、服务提供者信息414(例如，采集位置、执行采集的技术人员或医生)、以及采集信息416(例如，测试日期、病历号)。在每个部分(例如，402、404、406)中，报告402可以包括提供面板特定信息和解释的按钮或输入418(示为418a、418b、418c)。

如果可以执行信号分析，报告402可以指示可用的疾病特异性结果(例如，升高的LVEDP)。患者的估计分数(通过视觉元素602a示出)可以相对于在另一可视化中建立的阈值410(示出为410a、410b、410c)来解释。在图4的示例中，分数118是提供疾病、病症或其中之一的指征(例如升高的LVEDP)存在的可能性的估计并且可以例如使用二分搜索相对于对该疾病、病症或指征的评估中的验证群体来建立。如果患者分数与验证群体匹配，则会显示该值。如果患者分数不存在于群体中，则将使用最接近的可用分数的位置。例如，如果分数是0.55，并且验证群体包括分数0.52、0.54、0.57，则可以呈现0.54的位置并用于计算百分位数。

在图4的示例中所示的分数汇总部分404中，患者分数(118a)和相关联的阈值(410a)叠加在双色调颜色条上，其中阈值位于条的中心，定义值“0”代表测试阳性和测试阴性之间的界限。阈值的左侧(条部分420)可以用较浅的颜色加阴影并指示阴性测试结果(例如，“LVEDP不太可能升高”)，而阈值的右侧(条部分422)可以用较深的颜色加阴影并指示阳性测试结果(例如，“LVEDP可能升高”)。分数118a可以包括视觉图表指示符(示出为118a)和数字指示符(示出为118a')。在该实施方式中，阈值是恒定的并且不会因患者而变化。

阈值部分406示出了提供给定义用于估计的敏感性和特异性的验证群体的阈值的报告的统计数据。无论个体患者的分数118如何，每次测试的阈值都是相同的，这意味着每个分数，无论是阳性还是阴性，都可以根据所提供的敏感性和特异性信息来解释准确性。对于给定的疾病特异性分析以及临床评价的更新，分数可能会发生变化。

频率分布部分408示出了两个验证群体中所有患者的分布(例如，(i)未升高的群体，指示假阳性估计的可能性，以及(ii)升高的群体，指示假阴性估计的可能性)。图表(424、426)呈现为平滑直方图，以提供用于解释相对于测试表现验证群体患者的患者分数118(例如，118b、118c)的背景。

频率分布部分408包括：第一图表424(示为“未升高的LVEDP群体”424)，其示出分数(118b)，指示在不存在该疾病、病症或指征的验证群体的分布内不存在疾病、病症或指征的可能性；以及第二图表426(示为“升高的LVEDP群体”426)，其示出分数(118c)，指示在存在该疾病、病症或指征的验证群体的分布内存在该疾病、病症或指征的可能性。

在评估升高的LVDEP的示例中，第一图表424示出了验证群体的非升高的LVEDP分布，其识别真阴性(TN)和假阳性(FP)区域。分数118b与阈值410b一起显示在图表424中。在该同一示例中，第二图表426示出了验证群体的升高的LVEDP分布,其识别假阴性(TN)和真阳性(FP)区域。分数118c与阈值410c一起显示在图表426中。

频率分布部分408还包括患者的分数相对于验证群体组中的其他患者的解释文本428(以百分比形式)。在此示例中，患者的LVEDP分数为-0.08，该分数位于LVEDP阈值的左侧，表明患者“LVEDP不太可能升高”。

该报告可以呈现在医疗保健门户中，例如由医生或医疗保健提供者在他们的左心衰竭指征的诊断中使用。在一些实施例中，指征包括存在升高的LVEDP的概率或严重性分数。在其他实施例中，指征包括可能导致左心衰竭的状况的存在的概率或严重性分数或者可能在特定时间范围内导致左心衰竭的可能性。

仅当给定患者的采集信号数据集满足由本文描述的信号质量评估功能评估的信号质量标准时，临床评价***才可以为患者生成报告。医疗保健提供者门户可以指示患者信号采集未能满足要生成的报告的信号要求。在其他实施例中，医疗保健提供者门户可以不提供进行了失败采集的指示。在一些实施例中，即使不满足信号质量标准，也可以提供这样的报告。

实验结果和示例

已经进行了一些开发研究来开发特征集，进而开发可用于估计疾病、医学状况或其中任一个的指征的存在或不存在、严重性或定位的算法。在一项研究中，开发了用于对异常或升高的LVEDP进行非侵入性评估的算法，包括本文所述的算法。如上所述，异常或升高的LVEDP是各种形式的心力衰竭的指标。在另一项开发研究中，开发了用于冠状动脉疾病无创评估的算法和特征。

作为这两项开发研究的一部分，使用生物物理信号捕获***并根据图2中描述的方案从成人受试者收集临床数据。信号采集后，受试者接受心导管***术(当前的“金标准”测试用于CAD和异常LVEDP评价)，并且针对CAD标签和升高的LVEDP值评价导管***结果。收集的数据被分为不同的群组：一个群组用于特征/算法开发，另一个群组用于验证。

在特征开发阶段内，开发了特征，包括与模块322、324、326、328、330、332、334、336、338、340、342以及其他特征相关联的几个特征，以从旨在表示心血管***的特性的生物电势信号(作为本文讨论的心脏信号的示例)和光吸收信号(作为本文讨论的血流动力学或光电体积描记法的示例)提取分析框架中的特性。还使用分类器模型、线性模型(例如弹性网(Elastic Net))、决策树模型(XGB分类器、随机森林模型等)、支持向量机模型和神经网络模型开发了相应的分类器，以非侵入性地估计升高或异常的LVEDP的存在。进行单变量特征选择评估和交叉验证操作，以识别用于感兴趣的特定疾病指征的机器学习模型(例如分类器)的特征。

图5示出了用于升高的LVEDP估计/评估算法的分类器(例如，134)的性能，该算法在1-特异性与敏感性的接受者工作特征(ROC)曲线(502)中采用了模块322、324、326、328、330、332、334、336、338、340、342的特征。ROC曲线(502)示出了分类器***(例如，134)在其辨别阈值变化时的诊断能力。ROC曲线可以通过在各种阈值设置下绘制真阳性率(TPR)与假阳性率(FPR)的关系来创建。AUC-ROC量化了接受者工作特征(ROC)曲线下的面积——该面积越大，模型在准确执行分类方面的诊断作用就越大。当95％置信区间的下限大于0.50时，ROC和AUC-ROC值被认为具有统计显著性。在图5的示例性ROC曲线502中，y轴(506)(示出为敏感性轴(“Sens”506))可以被定义为并且轴(508)(示出为“1-Spec”508)可以定义为/>其中TP是真阳性的概率，FN是假阴性的概率，TN是真阴性的概率，FP是假阳性的概率。

在图5的示例中，选择0.39的阈值以提供在估计患者具有升高的LVEDP的可能性时在一组验证数据中具有82％的特异性和76％的敏感性的最佳产率性能。这种特异性和敏感性性能可与评估LVEDP升高(即心导管***术)的金标准技术相媲美，金标准技术是一种高度侵入性的评估方法。值得注意的是，示例性***和方法可以使用非侵入性获取的测量值(例如，心脏和PPG信号)来提供类似的临床评估，所述测量值可以从放置在休息时的患者身上的基于表面的传感器获取。事实上，ROC曲线502(和对应的AUC 504)显示本文公开的升高LVEDP估计/评估算法在评估升高的LVEDP的存在或不存在方面具有显著的效用。

可以选择阈值来最佳地建立最大化验证群体内的真阳性(FP)和真阴性(TN)的面积同时最小化假阳性(FP)、假阴性(TN)的面积的阈值。可以从所有预测中减去所选择的阈值(例如，上面讨论的0.39)以使阈值居中于零；因此，任何大于或等于零的预测都是测试阳性，任何小于零的预测都是测试阴性。

示例开发***

图6是根据说明性实施例的可用于开发和评价临床评估***(例如，***103)的开发***600的图，该临床评估***可估计(例如，确定)与此类生理***中的疾病或病症相关联的度量/估计(例如，升高的LVEDP)的存在、不存在、定位和/或严重性的可能性，包括如本文所公开的升高的LVEDP。开发***600可用于评估和开发用于本文讨论的各种临床应用的分析引擎。

开发***604可以包括一组特征库模块(例如，122’和608)、分类器模型模块606、训练数据集储存库612、模型开发模块610、单变量特征选择模块612、超参数敏感性分析模块614和特征重要性排列分析616。开发***604可以采用这些模块中的一个或多个来在分类器或模型开发之前通过隔离稳定的、有意义的并且与患者的疾病、医学状况或其中之一的指征统计相关的特征来选择特征。未通过选择步骤的特征可以从针对特定疾病、病症或指征的机器学习中排除。

特征库模块。特征库模块122(示为122’)可以包括特征(例如，来自模块322、324、326、328、330、332、334、336、338、340、342)。开发***604可以采用其他特征模块，如特征模块608所示，例如包括在以下文献中描述的那些：美国专利号：9,289,150；9,655,536；9,968,275；8,923,958；9,408,543；9,955,883；9,737,229；10,039,468；9,597,021；9,968,265；9,910,964；10,672,518；10,566,091；10,566,092；10,542,897；10,362,950；10,292,596；10,806,349；美国专利公开号：2020/0335217；2020/0229724；2019/0214137；2018/0249960；2019/0200893；2019/0384757；2020/0211713；2019/0365265；2020/0205739；2020/0205745；2019/0026430；2019/0026431；PCT公开号：WO2017/033164；WO2017/221221；WO2019/130272；WO2018/158749；WO2019/077414；WO2019/130273；WO2019/244043；WO2020/136569；WO2019/234587；WO2020/136570；WO2020/136571；美国专利申请号：16/831,264；16/831,380；17/132869；PCT申请号：PCT/IB2020/052889；PCT/IB2020/052890，其各自的全部内容通过引用并入本文。虽然例如图1的运行时***可以包括用于给定临床评价的一些特征(例如，数十到数百个特征)或仅包括用于给定临床评价的特征(例如，数十到数百个特征)，但是开发***604的特征库608可以包括对于给定的临床应用(例如，数百到数千个特征中)要评价的特征的全部集合(或大部分)。

分类器模型模块。分类器模型模块606可以包括用于多个配置的机器学习和回归模型的指令，例如但不限于决策树、随机森林、SVM、神经网络、线性模型、高斯过程、最近邻、SVM和朴素贝叶斯，包括关于图1描述的那些。分类器模型模块606可以包括用于市售机器学习和回归模型(例如，由Caret或Mathworks制造)或定制机器学习和回归模型(例如，由模型开发模块610和本文描述的其他开发模块(例如，614、614、616)配置)的指令。在一些实施例中，分类器模型模块606被配置有相应的配置操作以调整或配置机器学习和回归模型。

分类器模型模块606可以包括用于评估升高的或异常的左心室舒张末压(LVEDP)的机器学习和回归模型以及如本文所讨论的各种其他临床应用。

数据集储存库。训练数据集储存库612包括从多个临床研究获取的采集的、标记的生物物理数据集(例如，用于心脏、、光电体积描记法、心冲击描记法、信号数据集以及本文讨论的其他模态数据集)，用于评估给定的临床应用。例如，对于用于评估升高的LVEDP的临床评价***(例如，103)，训练数据集储存库612可以包括心脏信号和光电体积描记信号。

训练数据集储存库1108可用于存储用于如本文所讨论的其他临床应用的标记数据集。

单变量特征选择模块。单变量特征选择模块612被配置为评估比其对应物具有更大诊断效用的可用特征(例如，来自模块122'和/或608)，例如，以减少对训练数据的特征过拟合，该过拟合可能导致模型在其应用于新的未见过数据时的泛化较差。开发***104可以采用单变量特征选择模块612和特征重要性排列模块616来选择要在例如由模型开发模块610执行的模型开发中使用的最优特征的子集。通过第一和/或两个评估阶段(例如，经由模块612、616)的特征可以在模型开发模块610中使用。单变量特征选择模块612可以用于本文讨论的各种临床应用，包括(i)心力衰竭(例如，左侧或右侧心力衰竭)；射血分数保留的心力衰竭(HFpEF))，(ii)冠状动脉疾病(CAD)，(iii)各种形式的肺高血压(PH)，包括但不限于肺动脉高压(PAH)，(iv)左心室射血分数(LVEF)异常，以及各种其他疾病或病症。

单变量特征选择模块612可以评价许多场景，每个场景由使用t检验、互信息和AUC-ROC评价的阴性和阳性数据集对定义。t检验是一种统计检验，可以确定方差未知的两个群体的两个样本均值之间是否存在差异。此处，t检验是针对零假设进行的，即这些组中的特征均值之间没有差异，例如，正常的LVEDP与升高的(用于LVEDP算法开发)；CAD-与CAD+(用于CAD算法开发)。小p值(例如，≤0.05)表明有强有力的证据反对零假设。进行互信息(MI)操作以评估LVEDP升高或异常或显著冠状动脉疾病对某些特征的依赖性。

MI分数大于1表明所评价的变量之间的依赖性较高。MI分数小于1表明此类变量的依赖性较低，而MI分数为零表明没有此类依赖性。

接受者工作特性曲线或ROC曲线示出了二元分类器***在其辨别阈值变化时的诊断能力。ROC曲线可以通过在各种阈值设置下绘制真阳性率(TPR)与假阳性率(FPR)的关系来创建。AUC-ROC量化了接受者工作特征(ROC)曲线下的面积——该面积越大，模型在诊断上越有用。当95％置信区间的下限大于0.50时，ROC和AUC-ROC值被认为具有统计显著性。

表2示出了单变量特征选择评估中使用的阴性和阳性数据集对的示例列表。具体而言，表2显示阳性数据集被定义为具有大于20mmHg或25mmHg的LVEDP测量值，而阴性数据集被定义为具有小于12mmHg的LVEDP测量值或属于被确定为具有正常LVEDP读数的患者组。

表2

在评估升高的LVEDP的示例中，作为临床应用，来自单变量特征选择模块616的结果提供在以下文献中：美国临时专利申请号：63/236,072，于2021年8月23日提交，标题为“Methods and Systems for Engineering Visual Features From Biophysical Signalsfor Use in Characterizing Physiological Systems”；美国临时专利申请号：63/235,963，于2021年8月23日提交，标题为“Methods and Systems for Engineering PowerSpectral Features From Biophysical Signals for Use in CharacterizingPhysiological Systems”；美国临时专利申请号：63/235,966，于2021年8月23日提交，标题为“Method and System for Engineering Rate-Related Features From BiophysicalSignals for Use in Characterizing Physiological Systems”；美国临时专利申请号：63/235,968，于2021年8月23日提交，标题为“Methods and Systems for EngineeringWavelet-Based Features From Biophysical Signals for Use in CharacterizingPhysiological Systems”；美国临时专利申请号：63/130,324，标题为“Method and Systemto Assess Disease Using Cycle Variability Analysis of Cardiac andPhotoplethysmographic Signals”；美国临时专利申请号：63/235,971，于2021年8月23日提交，标题为“Methods and Systems for Engineering photoplethysmographicWaveform Features for Use in Characterizing Physiological Systems”；美国临时专利申请号：63/236,193，于2021年8月23日提交，标题为“Methods and Systems forEngineering Cardiac Waveform Features From Biophysical Signals for Use inCharacterizing Physiological Systems”；美国临时专利申请号：63/235,974，于2021年8月23日提交，标题为“Methods and Systems for Engineering Conduction DeviationFeatures From Biophysical Signals for Use in Characterizing PhysiologicalSystems”，以上每一篇均通过引用方式全文并入本文。在评估显著冠状动脉疾病的示例中，作为另一临床应用，来自单变量特征选择模块1112的结果在以下文献中提供：美国专利申请号：16/831,264，标题为“Method and System to Assess Disease Using DynamicalAnalysis of Biophysical Signals”；以及美国专利申请号：16/831,380，标题为“Methodand System to Assess Disease Using Dynamical Analysis of Cardiac andPhotoplethysmographic Signals”，以上每一篇均通过引用以其全文并入本文。

为了评估显著冠状动脉疾病，单变量特征选择模块612可以对在三个主要冠状动脉中的至少两个中具有显著病变的患者(阳性数据集)和没有病变的患者(阴性数据集)之间的配对数据进行评估。可以使用的其他阴性数据集的实例包括健康对照患者、诊断测试呈阴性(例如，使用计算机断层扫描血管造影确定)且未进行心导管***术的患者、以及接受血管造影但被认为未患冠状动脉病变的患者。

特征重要性排列分析模块。特征重要性排列分析模块616被配置为在模型生成之后执行附加评估，以减少所选特征及其关联模型的数量。特征重要性排列分析模块616可以生成排列重要性度量，该排列重要性度量结合在模型生成过程中包括的所有其他特征来量化特征的效用。特征重要性排列分析模块616可以充当次要特征评估阶段的一部分，其可以进一步限制在一些基础模型的开发中使用的所选特征的数量，以提供进一步且更严格的过拟合控制，从而在未见过数据的情况下产生更稳定的性能。

在模型生成期间(例如，经由下面描述的模块610)，可以使用训练数据的一部分(例如，通过随机采样得到的训练数据的80％)来生成一大组模型(例如，10,000个模型)，其余的用于测试。在训练操作之后，特征重要性排列分析模块616可以使用与排列重要性(或敏感性)相关的特征特定量度来评估每个模型内的特征。排列重要性可以应用于随机森林和本文描述的各种其他分类器和机器学习模型。特征重要性排列分析模块616可以排列每个特征的值，使得每个患者的特征值被分配给不同的患者，以通过确定给定的排列操作是否对估计性能造成显著损害来评估该特征在渲染模型估计中是否重要。因此，与其他特征相比，在排列时对模型性能造成更大损害的特征具有更大的排列重要性。

直观地，排列重要性度量可以评估每个特征对模型贡献的值。在一些实现方式中，对于给定模型，特征重要性排列分析模块616可以首先计算患者分数(例如，118)和AUC的初始估计。特征重要性排列分析模块616然后可以随机排列仅特定特征的值以重新计算分数和修正的AUC的估计。应用排列之前和之后的AUC之间的差异是所选特征的排列重要性。可以对所有模型和模型内的所有特征重复该过程。特征重要性排列分析模块616可以使用来自模型的排列重要性的平均值来为每个特征分配排列重要性值，这些模型包含该特征作为输入。

模型开发模块。模型开发模块610被配置为使用选择的特征和已经通过单变量特征选择(例如，经由模块612)的标记数据(即，具有已知疾病状态的数据)来执行机器学习操作。机器学习操作可以包括但不限于线性模型、决策树、随机森林、支持向量机和神经网络(例如随机森林、XGBoost和弹性网模型)。

线性模型及其变体(例如，正则化的线性模型)生成输入特征的线性组合。决策树(例如，梯度提升决策树，如XGBoost分类器)根据特征阈值生成一系列决策，直到确定输出。随机森林生成决策树的集合，其中每个决策树都根据训练数据和特征的各个子集进行训练。支持向量机通过使用核算子将特征映射到高维特征空间，然后在该高维空间中定义最大分离超平面来生成线性或非线性分类。神经网络生成一组连接的单元(受生物神经网络启发)，该组连接的单元通常组织为输入层、一组隐藏层(可以对特征执行线性和非线性变换)和输出层。然后，可以根据可用特征集以及根据问题域来确定ML算法及其超参数。

在一个示例中，XGBoost分类器可以利用包括0.5的学习速率、3的最大深度、3的最小子权重、100个总估计器以及0.1的正则化α的超参数来执行。***103可以使用XGBoost分类器模型，例如，包括从多个测试标签生成的162个特征，包括LVEDP≤12对比LVEDP≥20，健康对照组1(包括年轻健康对照)对比LVEDP≥20，健康对照组2(包括老年健康对照)对比LVEDP≥20。

一旦生成了机器学***的稳健性。

交叉验证可以以迭代方式进行，其中使用分层从可用数据集中对数据进行采样，该分层以采样中适当的权重对数据进行采样，以确保来自疾病阳性组和阴性组的预期表示，直到选择了某个百分比的数据用于训练(例如75％-90％)。剩余的数据可以保留用于验证。使用训练数据集配置和/或优化给定的分类器模型，然后在验证数据集上进行测试。该过程可以重复X次(例如，100次以捕获测试性能的变异性)，从而产生X个性能值，从中可以计算平均性能和变化(例如标准偏差或95％置信区间)。

在一些实施例中，执行分层k重交叉验证，其中将数据划分同时将类别比率保留为k组或k重。可以保留一重用于测试，并且模型在剩余数据(k-1重)上进行训练，并且在测试重上评价性能度量。该过程可以重复k次，其中每次针对用于测试的不同重，并且通过取k重的性能均值来计算平均性能。结果可以是对性能的稳健估计，因为它消除了随机因素引入的错误。可以使用的其他交叉验证操作的示例包括Y.Zhang等人的“Facial EmotionRecognition Based on Biorthogonal Wavelet Entropy,Fuzzy Support VectorMachine,and Stratified Cross Validation”，IEEE Access，卷4，第8375-8385页，2016年；和Mancuso等人，“Sequential testing in high stakes OSCE:a stratified cross-validation approach”，MedEdPublish，8,62(2019)。

图7A示出了示例10重交叉验证设置，其中使用输入数据的不同子集(每行中的非突出显示片段)(704)来训练ML算法十次(702)。可以使用测试数据(每行中突出显示的块)来计算这十个经过训练的模型中的每一个的性能度量。例如，在图7A所示的示例中，使用训练数据子集#2至#10生成第一模型706(训练#1)，并且使用训练数据子集#1、#3至#10，来生成第二模型708(训练#2)，依此类推。这十个模型在各自测试数据上的平均性能被报告为模型性能。

为了进一步增加鲁棒性，可以通过使用来自相同数据的不同重执行交叉验证的多次迭代来减少预期性能的可变性，例如图7A中所示。将多轮结果相结合，得出更严格的预期性能范围。可以使用的交叉验证软件框架(CV框架)的示例包括开源ML库sci-kit-learn，如Pedregosa、Fabian等人的“Scikit-learn:Machine learning in Python”，The Journalof Machine Learning Research 12(2011):2825-2830中所描述的。模型的训练可以在具有不同特征的各种训练集上进行。

多个训练操作可以生成可以在集合操作中组合的多个模型。在集合操作中组合模型可以改善欠拟合和过拟合之间的平衡。在欠拟合中，模型无法充分捕获训练数据中特征和标签之间关系的复杂性，导致训练数据和未见过的测试数据的性能都很差。在过拟合中，模型利用了训练数据中的特征和标签之间的虚假关系，导致训练数据的高性能在未见过数据中不存在这些预期的虚假关系时下降。使用集合技术来组合模型可以平衡这两种效果，这是通过当组成模型在训练数据上具有较高性能时尝试减少过拟合，或者当组成模型在训练数据上具有较低性能时尝试减少欠拟合，总体目标是对于未见过数据最大化性能。

在用于LVEDP评估的示例中，模型开发模块610使用本文描述的ML算法生成13组ML模型。对于集合操作，模型开发模块610可以执行如关于图1的描述所公开的操作。分析引擎或分析器(例如，806、814——参见图8)还可以用具有形式的患者BMI的S型函数对模型估计进行平均。

超参数敏感性模块。超参数敏感性分析模块614被配置为选择模型的子集，例如从机器学***均性能进行了13个ML实验，包括交叉验证、测试性能以及在完整数据集和健康对照上的性能。

超参数敏感性分析模块614可以分析ML实验组中模型的敏感性，以将每个实验组减少为单个模型。超参数敏感性分析模块614可以计算“超参数敏感性分数”以识别对性能影响非常小(即，改变它们的值不影响性能)的超参数和有影响的超参数。超参数敏感性分析模块614可以首先评估对超参数的特定区域的影响，例如，其中超参数的某些值可能导致非常相似的性能，但其他值可能导致性能跳跃或下降。超参数敏感性分析模块614然后可以使用具有较高超参数敏感性分数的超参数(例如，来自初始100的3-5个超参数)来评估模型。

超参数敏感性分数可用于量化给定模型的超参数的“稳定性”，例如，与模型的直接邻居相比，模型性能可以改变的程度。超参数敏感性分析模块614可以以单个离散步骤一次改变一个超参数。如果超参数敏感性分数值接近于零，则超参数可以被认为是稳健的，因为观察到小的扰动不会导致性能的显著变化(理想的属性)。在图7B所示的示例中，将模型的分数(710)(具有值0.67)与其邻居(712、714、716和718)的分数(具有值0.64、0.68、0.65和0.66)进行比较。图7B中针对两个超参数“A”和“B”生成分数，这两个超参数分别在“1”、“2”、“3”和“0.1”、“0.5”、“0.9”之间变化。在本示例中，分数710与邻居(712、714、716和718)的平均值之间的差值为0.01，这表明用于生成模型分数(710)的超参数及其值(显示为720和722)相对稳定，并且与其邻居参数及其关联值(724)相比可以提供稍高的性能。

图7C显示了使用超参数敏感性分数进行模型选择的示例。在图7C中，四个子图(726a、726b、726c、726d)中的每一个。在每个子图中，y轴(728)是敏感性分数，x轴(730)是给定数据集的计算的AUC值。看图7C，四个子图(726a、726b、726c、726d)围绕零分数(732)分组，这是一个有利的属性，因为它表明模型超参数的稳定性。然而，可以观察到一些模型偏离零，其中一些模型在训练数据集上的性能较高，而另一些模型则较低。尽管这些模型中的一些模型具有更高的性能，但它们可能不会被首选或选择，因为它们的超参数的微小变化都会导致性能的变化。因此，超参数敏感性分析模块614可以选择具有由箭头734a、734b、734c、734d指示的簇的接近于零的模型，该模型具有最大性能同时仍然接近于零的分数。每个子图的绘制值显示了各种模型的不同属性。

在子图726a中，绘制值指示来自交叉验证分析的平均测试AUC。如果该值较低，则与实验中的其他模型相比，该模型的表现似乎不佳。该所选模型的值至少应为平均水平，并且理想情况下应优于平均水平。箭头734a突出显示的模型具有约0.60(736)的测试AUC。子图726b示出了指示测试AUC的标准偏差的绘制值。所选模型应该具有较低的值，这表明稳定性。子图726c显示了指示给定数据集的平均敏感性和特异性的绘制值。该所选模型的值至少应为平均水平，并且理想情况下应优于平均水平。子图726d显示了指示给定数据集的平均特异性的绘制值。据观察，模型之间没有显著差异。事实上，可以选择任何标记的模型，因为它们会产生类似的结果。

示例临床和诊断***

图8示出了根据实施例的实现图1的模块以无创地估计与患者的生理状态相关联的一个或多个度量的示例临床评价***103(示为103’)。实际上，特征模块(例如，图1的)通常可以被视为***(例如，临床评价***103’)的一部分，其中可以针对疾病状态、医学状况、其中任一者的指征或感兴趣的其组合利用任何数量和/或类型的特征，例如，不同的实施例具有不同的特征模块配置。图8进一步示出了作为模块化***的临床评价***800，其中疾病特异性附加模块802(例如，评估升高的LVEDP或mPAP、CAD、PH/PAH、异常LVEF、HFpEF和本文描述的其他模块)能够单独或在多个实例中与单一平台(即，基本***804)集成以实现***(例如，103’)的完整操作。模块化允许临床评价***103’被设计为利用相同的同步采集的生物物理信号和数据集以及基础平台来评估多种不同疾病的存在，因为开发了这种疾病特定的算法，从而减少了测试和认证时间和成本。

在各种实施例中，如图1和图8所示，不同版本的临床评价***(例如，103、103’)可以通过包括可以针对给定的疾病状态、医学状况配置的或指示感兴趣的状况的不同特征计算模块(例如，132、132’)来实现。在另一实施例中，临床评价***(例如，103、103’)可以包括多于一个这样的***，并且可以选择性地用于生成特定于该引擎(例如，103、103’)的分类器(示出为134、134’)的不同分数。这样，图1和图8的模块在更一般意义上可被视为模块化***的一种配置，其中可以根据所需模块的配置来使用具有不同和/或多个相应的分类器(例如，134、134’)的不同和/或多个引擎(例如，103、103’)。

在图8所示的示例中，临床评价***103’可以使用机器学习的疾病特定算法来分析来自储存库112(示为112’)的一个或多个生物物理信号数据集(例如，图1中的110)，来评估疾病、病症或其中任一指征的可能性的，诸如升高的LVEDP作为一个示例。临床评价***103’包括硬件和软件组件，它们被设计为组合在一起工作，以促进使用算法来分析和呈现估计分数，以允许医生使用该分数，例如，评估疾病状态、医学状况或其中任何一者的指征的存在或不存在。

基础***804可以提供功能和指令的基础，每个附加模块802(其包括疾病特定算法)然后基于该基础进行接口以评估病理或指示状况。如图8的示例所示，基础***804包括基础分析引擎或分析器806、网络服务数据传输API 808(示为“DTAPI”808)、报告数据库810、门户网站服务模块812(例如，实现医生门户可视化136)和数据储存库112’。

数据储存库112’，其可以是基于云的，存储来自信号捕获***102(示为102’)的数据。生物物理信号捕获***102’可以是被设计为单个单元的可重复使用的设备，例如，用于心脏信号采集的七通道导联组和光电体积描记图(PPG)传感器牢固地附接(即，不可移除)。信号捕获***102’连同其硬件、固件和软件一起提供用户界面以收集输入其中的患者特定元数据(例如，姓名、性别、出生日期、病历号、身高和体重等)以同步采集患者的电信号和血流动力学信号。信号捕获***102’可以将元数据和信号数据作为单个数据包直接安全地传输到基于云的数据储存库。在一些实施例中，数据储存库112’是安全的基于云的数据库，其被配置为接受和存储患者特定数据包并允许分析引擎或分析器806或814对其进行检索。

基础分析引擎或分析器806可以是安全的基于云的处理工具，其可以执行所获取的信号的质量评估(例如，经由“SQA”模块130(示出为130’)执行)，其结果可以在护理点传达给医生或患者。基础分析引擎或分析器806还可以对所获取的生物物理信号(例如，110-参见图1)执行预处理(通过预处理模块818示出)。门户网站812是安全的基于网络的门户，被配置为向医疗保健提供者提供对患者报告的访问。门户网站812的示例输出由可视化136(也称为402)示出(参见图1和图4)。报告数据库810是安全数据库并且可以与其他***安全地接口和通信，例如医院或医生托管的、远程托管的、或远程电子健康记录***(例如，Epic、Cerner、Allscrips、CureMD、Kareo等)，以便输出分数(例如，118)和相关信息可以整合到患者的一般健康记录中并与其一起保存。在一些实施例中，门户网站812由呼叫中心访问以通过电话提供输出临床信息。报告数据库810可以由能够生成要通过邮件、快递服务、个人递送等递送的报告的其他***访问。

附加模块802包括与基础分析引擎(AE)或分析器806一起操作的第二部分814(本文中也称为分析引擎(AE)或分析器814并且示为“AE附加模块”814)。分析引擎(AE)或分析器814可以包括给定的疾病特定算法的主功能循环，例如特征计算模块132(示出为132’)、分类器模型134(示出为“集合”134’)，以及异常值评估和拒绝模块138(示为“异常值检测”138’)。在某些模块化配置中，分析引擎或分析器(例如，806和814)可以在单个分析引擎模块中实现。

主功能循环可以包括指令以(i)验证执行环境以确保所有需要的环境变量值都存在，以及(ii)执行分析管线，该分析管线分析包括所获取的生物物理信号的新信号捕获数据文件以使用疾病特定算法来计算患者分数。为了执行分析管线，AE附加模块814可以包括并执行用于特征模块132’和分类器模块134’的指令以确定与患者的生理状态相关联的度量的输出分数(例如，118——参见图1或图4)。AE附加模块814中的分析管线可以计算特征或参数(经由模块132’)并且可以通过提供异常值检测返回来识别所计算的特征是否是异常值(例如，经由模块138’)，异常值检测返回包括基于特征的异常值与非异常值的信号级响应。可以针对用于建立分类器的训练数据集来评估异常值。AE附加模块814可以使用特征和分类器模型的计算值来生成患者的输出分数(例如，118)(例如，经由分类器模块134’)。在用于估计升高的LVEDP的评价算法的示例中，输出分数(例如，118)是LVEDP分数。

临床评价***800可以使用网络服务DTAPI 808(在一些实施例中也称为HCPP网络服务)来管理组件内和跨组件的数据。DTAPI 808可用于从数据储存库112a检索获取的生物物理数据集并将信号质量分析结果存储到数据储存库112a。还可以调用DTAPI 808来检索所存储的生物物理数据文件并将其提供给分析引擎或分析器(例如，806、814)。分析引擎对患者信号的分析结果可以使用DTAPI 808传送到报告数据库810。DTAPI 808还可以根据医疗保健专业人员的请求用于将给定患者数据集检索到门户网站模块812，门户网站模块812可以向医疗保健从业者提供报告，以供在安全的网络可访问界面中进行审查和解释。

临床评价***800可以包括存储特征模块132’的一个或多个特征库608或其部分(示出为608’)。特征库608’可以是附加模块802(如图8所示)或基础***804(未示出)的一部分，并且在一些实施例中由AE附加模块814访问。

模块的模块化和各种配置的进一步细节在当前与本申请一起提交且代理人案卷号为10321-060pv1的临时专利申请中提供，该临时专利申请的全部内容通过引用并入本文。

虽然已经结合某些实施例和具体示例描述了方法和***，但并不旨在将范围限制于所阐述的特定实施例，因为本文的实施例在所有方面都旨在是说明性的而不是限制性的。本文讨论的临床评价***和方法可用于进行或协助医生或其他医疗保健提供者进行非侵入性诊断或确定其他疾病和/或病症的存在或不存在和/或严重性，诸如例如，冠状动脉疾病、肺高血压和本文使用类似或其他开发方法描述的其他病理。另外，示例性临床评价***和方法可以用于诊断和治疗其他心脏相关的病理和病症以及神经相关的病理和病症，这样的评估可以应用于活体的任何相关***中生物物理信号涉及的任何病理或病症的诊断和治疗(包括外科手术、微创和/或药物治疗)。心脏背景的一个实例是CAD和本文公开的其他疾病和病症的诊断以及通过多种疗法单独或组合进行的治疗，例如在冠状动脉中放置支架、进行斑块切除术、血管成形术、药物治疗处方和/或运动处方、营养和其他生活方式改变等。可以诊断的其他心脏相关病理或病症包括例如心律失常、充血性心力衰竭、瓣膜衰竭、肺高血压(例如，肺动脉高压、左心疾病引起的肺高血压、肺部疾病引起的肺高血压、慢性血栓引起的肺高血压、以及其他疾病(例如血液或其他疾病)引起的肺高血压，以及其他心脏相关的病理、病症和/或疾病。可以诊断的神经相关疾病、病理或病症的非限制性实例包括例如癫痫、精神***症、帕金森病、阿尔茨海默病(和所有其他形式的痴呆)、自闭症谱系(包括阿斯伯格综合征)、注意力缺陷多动症障碍、亨廷顿病、肌肉营养不良、抑郁症、双向情感障碍、脑/脊髓肿瘤(恶性和良性)、运动障碍、认知障碍、言语障碍、各种精神病、脑/脊髓/神经损伤、慢性创伤性脑病、丛集性头痛、偏头痛、神经病(各种形式，包括周围神经病)、幻肢/疼痛、慢性疲劳综合症、急性和/或慢性疼痛(包括背痛、背部手术失败综合症等)、运动障碍、焦虑症、由感染或外来因素引起的病症(例如莱姆病、脑炎、狂犬病)、发作性睡病和其他睡眠障碍、创伤后应激障碍、与中风、动脉瘤、出血性损伤等相关的神经***病症/影响、耳鸣和其他听力相关疾病/病症和视力相关疾病/病症。

另外，本文描述的临床评价***可以被配置为分析生物物理信号，例如心电图(ECG)、脑电图(EEG)、伽马同步、呼吸功能信号、脉搏血氧测定信号、灌注数据信号；准周期生物信号、胎儿ECG信号、血压信号；心脏磁场信号、心率信号，等等。

在本文披露的示例方法和***中可以使用的进一步的处理示例描述在以下文献中：美国专利号：9,289,150；9,655,536；9,968,275；8,923,958；9,408,543；9,955,883；9,737,229；10,039,468；9,597,021；9,968,265；9,910,964；10,672,518；10,566,091；10,566,092；10,542,897；10,362,950；10,292,596；10,806,349；美国专利公开号：2020/0335217；2020/0229724；2019/0214137；2018/0249960；2019/0200893；2019/0384757；2020/0211713；2019/0365265；2020/0205739；2020/0205745；2019/0026430；2019/0026431；PCT公布号：WO2017/033164；WO2017/221221；WO2019/130272；WO2018/158749；WO2019/077414；WO2019/130273；WO2019/244043；WO2020/136569；WO2019/234587；WO2020/136570；WO2020/136571；美国专利申请号：16/831,264；16/831,380；17/132869；PCT申请号：PCT/IB2020/052889；PCT/IB2020/052890，以上每一个文献均已通过引用方式全文并入本文。

下面列出的以及贯穿本文件的以下专利、申请和出版物在此通过引用以其全文并入本文。

参考文献列表

[1]Y.Zhang et al.,"Facial Emotion Recognition Based on BiorthogonalWavelet Entropy,Fuzzy Support Vector Machine,and Stratified CrossValidation,"in IEEE Access,vol.4,pp.8375-8385,2016,doi:10.1109/ACCESS.2016.2628407.

[2]Mancuso G,Strachan S,Capey S,2019,'Sequential testing in highstakes OSCE:a stratified cross-validation approach',MedEdPublish,8,[2],62,https://doi.org/10.15694/mep.2019.000132.1

[3]Pedregosa,Fabian,et al."Scikit-learn:Machine learning in Python."The Journal of Machine Learning Research 12(2011):2825-2830.

[4]Breiman,“Random Forests,”Machine Learning,45(1),5-32,2001.

[5]Chen,Tianqi；Guestrin,Carlos(2016)."XGBoost:A Scalable TreeBoosting System,"Proceedings of the 22nd ACM SIGKDD International Conferenceon Knowledge Discovery and Data Mining,San Francisco,CA,USA,August 13-17,2016.ACM.pp.785–794.

[6]H.Zou and T.Hastie,“Regularization and variable selection via theelastic net,”Journal of the Roy.Statist.Soc.,ser.B,

vol.67,no.2,pp.301–320,2005.

[7]L.Breiman,“Bagging predictors,”Machine Learning,24(2),123-140,1996.

[8]Liu,F.T.,Ting,K.M.and Zhou,Z.H.,2008,December.Isolation forest.In2008 eighth IEEE international conference on data mining(pp.413-422).IEEE.

Claims (56)

1.一种非侵入性地估计哺乳动物受试者中升高的左心室舒张末压(LVEDP)的存在的方法，该方法包括：

通过一个或多个处理器获得与第一光电体积描记信号和第二光电体积描记信号相关联的第一生物物理信号数据集，其中所述第一生物物理数据集已经在所述受试者的多个心动周期内采集；

通过所述一个或多个处理器获得与心脏信号相关联的第二生物物理信号数据集，其中所述第二生物物理信号数据集已经在所述多个心动周期内与所述第一生物物理信号数据集同时采集；

通过所述一个或多个处理器利用所述第一生物物理信号数据集和第二生物物理信号数据集的至少一部分来确定与多个特征相关联的多个值；以及

通过所述一个或多个处理器，使用与所述多个特征相关联的多个值来确定升高的左心室舒张末压的存在的估计值，所述多个特征评估所述心脏信号与光电体积描记信号之间的以及与相应心脏信号和光电体积描记信号相关联的特征之间的同步性，

其中，输出异常的左心室舒张末压的存在的估计值，用于诊断预期左心力衰竭(LHF)或指导预期左心力衰竭的治疗。

2.根据权利要求1所述的方法，其中所述多个特征包括选自由以下项组成的组的特征集：

一个或多个除极或复极波传播相关特征；

一个或多个除极波传播偏差相关特征；

一个或多个周期变异性相关特征；

一个或多个动态***相关特征；

一个或多个心脏波形拓扑和变化相关特征；

一个或多个PPG波形拓扑和变化相关特征；

一个或多个心脏或PPG信号功率谱密度相关特征；

一个或多个心脏或PPG信号视觉相关特征；以及

一个或多个可预测性特征。

3.根据权利要求2所述的方法，其中所述一个或多个除极或复极波传播相关特征被配置为在三维空间中量化所述心脏信号中定义的心室除极(VD)波或心室复极(VR)波的传播特性。

4.根据权利要求2所述的方法，其中所述一个或多个除极或复极波传播相关特征被配置为在三维空间中量化所述心脏信号中定义的带通滤波的心室除极(VD)波或心室复极(VR)波的传播特性。

5.根据权利要求2所述的方法，其中所述一个或多个除极波传播偏差相关特征被配置为通过高频和低幅度模式的评价来量化VD波轨迹与三维模型化VD波的轨迹的偏差，其中所述三维模型化VD波是低于约40Hz的代表性VD波。

6.根据权利要求2所述的方法，其中所述一个或多个周期变异性相关特征被配置为在每个相应搏动与确定的模板搏动相比中来量化所述心脏信号的逐搏变化。

7.根据权利要求2所述的方法，其中所述一个或多个动态***特征被配置为量化所述第二生物物理数据集的动态特性。

8.根据权利要求2所述的方法，其中所述一个或多个心脏波形拓扑和变化相关特征被配置为量化所述第二生物物理信号数据集的心脏测量结果和变化两者。

9.根据权利要求2所述的方法，其中所述一个或多个PPG波形拓扑和变化相关特征被配置为量化所述第一生物物理信号数据集的PPG测量值和变化两者。

10.根据权利要求2所述的方法，其中所述一个或多个心脏或PPG信号功率谱密度相关特征被配置为量化所述第一光电体积描记信号和第二光电体积描记信号的功率谱和频率内容。

11.根据权利要求2所述的方法，其中所述一个或多个心脏或PPG信号功率谱密度相关特征被配置为量化所述第二生物物理信号数据集的功率谱和频率内容。

12.根据权利要求2所述的方法，其中所述一个或多个心脏或PPG视觉相关特征被配置为量化从所述第一或第二生物物理数据集生成的三维相空间的几何参数。

13.根据权利要求2所述的方法，其中所述一个或多个可预测性特征被配置为量化所述信号的可预测性量度，其中所述可预测性量度测量在75％的信号上训练的模型预测剩余25％的能力。

14.根据权利要求1-13中的任一项所述的方法，其中所述一个或多个处理器位于云平台中。

15.根据权利要求1-13中的任一项所述的方法，其中所述一个或多个处理器位于本地计算设备中。

16.根据权利要求1-15中的任一项所述的方法，还包括：

通过所述一个或多个处理器，经由所述第一生物物理信号数据集和所述第二生物物理信号数据集的异常值检测分析来确定异常值的存在，其中所述异常值检测分析包括被配置为检测所述哺乳动物受试者体内的心律失常和/或导联配置不正确的机器学习模块。

17.根据权利要求16所述的方法，其中所述机器学习模块还被配置为检测所述第一光电体积描记信号、所述第二光电体积描记信号和/或所述心脏信号中缺失或具有额外波形元素的异常波形。

18.根据权利要求1-17中的任一项所述的方法，还包括：

通过所述一个或多个处理器对所述第二生物物理信号数据集进行预处理，其中所述预处理包括i)瞬态时间去除操作、DC偏移去除操作和基线漂移去除操作。

19.根据权利要求1-18中的任一项所述的方法，还包括：

通过所述一个或多个处理器，经由对所述第一生物物理信号数据集的信号质量评估分析来确定所述第一生物物理信号数据集的多个光电体积描记噪声分数，包括i)与所述第一或第二光电体积描记信号的快速变化相关联的第一光电体积描记噪声分数以及ii)与测量饱和相关联的第二光电体积描记噪声分数。

20.根据权利要求1-19中的任一项所述的方法，还包括：

通过所述一个或多个处理器，经由对所述第二生物物理信号数据集的信号质量评估分析来确定所述第二生物物理信号数据集的多个生物电势噪声分数，包括与生物电势电力线干扰相关联的第一生物电势噪声分数和与双电势高频噪声相关联的第二生物电势噪声分数。

21.根据权利要求1-20中的任一项所述的方法，其中确定升高的左心室舒张末压值的存在的估计值的步骤通过以下方式确定：

通过所述一个或多个处理器确定两个或更多个模型中的所述多个特征的多个值，所述模型包括选自由线性模型、决策树模型、随机森林模型、支持向量机模型、神经网络模型组成的组的模型，并且其中所述两个或更多个模型被组合在集成模型中，该集成模型输出异常的左心室舒张末压的存在的估计值。

22.根据权利要求21所述的方法，其中所述集成模型包括至少所述两个或更多个模型以及与所述哺乳动物受试者的体重指数(BMI)值相关联的模型。

23.根据权利要求1-22中的任一项所述的方法，其中所述多个特征是由选择模块从候选特征池中选择的。

24.根据权利要求23所述的方法，其中所述选择模块包括单变量特征评估分析，所述单变量特征评估分析评价关于与升高的LVEDP相关联的阳性病理标签和与正常的LVEDP相关联的阴性病理标签定义的数据集。

25.根据权利要求24所述的方法，其中所述数据集由选自由以下项组成的组的阳性病理标签和阴性病理标签定义：

LVEDP值大于或等于20mmHg并且LVEDP值小于或等于12mmHg；以及

LVEPD值大于或等于25mmHg并且LVEDP值小于或等于12mmHg。

26.根据权利要求24-25中的任一项所述的方法，其中所述单变量特征评估分析被配置为确定针对升高的左心室舒张末压的存在的接受者工作特征曲线、t检验或归一化互信息分析。

27.根据权利要求1-26中的任一项所述的方法，还包括：

从多个候选特征中去除提取错误发生率高的特征。

28.根据权利要求23-27中的任一项所述的方法，其中所述选择模块包括对一组训练模型的交叉验证分析，其中将评价的数据集随机采样为训练数据集，将作为其余部分的未选择的数据集用作特征排列重要性分析中的验证数据集。

29.根据权利要求28所述的方法，其中所述特征排列重要性分析结合所有其他评估的特征来量化特征的效用。

30.根据权利要求23-39中的任一项所述的方法，其中所述多个特征被配置在机器学习模型中。

31.根据权利要求30所述的方法，其中使用选自由已在超参数敏感性分析中评价的超参数组成的组的超参数来训练所述机器学习模型。

32.一种在分析期间将所采集的生物物理信号数据集作为异常信号而拒绝以非侵入性地估计哺乳动物受试者中升高的左心室舒张末压(LVEDP)的存在的方法，该方法包括：

通过一个或多个处理器获得与第一光电体积描记信号和第二光电体积描记信号相关联的第一生物物理信号数据集，其中所述第一生物物理数据集已经在所述受试者的多个心动周期内采集；

通过所述一个或多个处理器获得与心脏信号相关联的第二生物物理信号数据集，其中所述第二生物物理信号数据集已经在所述多个心动周期内与所述第一生物物理信号数据集同时采集；

通过所述一个或多个处理器和/或通过一个或多个基于云的服务或***远程地，经由所述第一生物物理信号数据集和所述第二生物物理信号数据集的异常值检测分析来确定异常值的存在，其中所述异常值检测分析包括机器学习模型，所述机器学习模型被配置为至少以下项之一：i)哺乳动物受试者的心率的突然变化或ii)缺失或具有额外波形元素的异常波形；以及

通过所述一个或多个处理器和/或通过一个或多个基于云的服务或***远程地、基于所述异常值检测分析来拒绝所述第一和第二生物物理信号数据集，其中所述拒绝生成要在i)用于采集所述第一或第二生物物理信号数据集的测量设备或ii)远程终端处呈现的通知。

33.根据权利要求32所述的方法，还包括：

通过所述一个或多个处理器基于所述确定生成所述第一和第二生物物理信号数据集中的至少一个是异常值数据集的通知，其中未拒绝的第一生物物理信号数据集和第二生物物理信号数据集用于估计与预期疾病状态或状况的存在相关联的一个或多个值，并且其中所述值随后被输出以用于所述预期疾病状态或状况的诊断或用于指导所述预期疾病状态或状况的治疗。

34.根据权利要求32或33所述的方法，其中所述机器学习模型使用无监督学习算法来配置，所述无监督学习算法被配置为评价所述多个特征中的随机选择的特征并且使用在一组特征的最大值和最小值之间的随机***点来评价选择的特征。

35.根据权利要求32-34中的任一项所述的方法，其中所述多个特征包括选自由以下项组成的组的特征集：

一个或多个除极或复极波传播相关特征；

一个或多个除极波传播偏差相关特征；

一个或多个周期变异性相关特征；

一个或多个动态***相关特征；

一个或多个心脏波形拓扑和变化相关特征；

一个或多个PPG波形拓扑和变化相关特征；

一个或多个心脏或PPG信号功率谱密度相关特征；

一个或多个心脏或PPG信号视觉相关特征；以及

一个或多个可预测性特征。

36.根据权利要求32-35中的任一项所述的方法，还包括：

通过所述一个或多个处理器和/或通过一个或多个基于云的服务或***远程地、经由所采集的第一和第二生物物理信号数据集的信号质量或周期变异性分析来确定；以及

通过所述一个或多个处理器和/或通过一个或多个基于云的服务或***远程地、基于所述信号质量或周期变异性分析来拒绝所述第一和第二生物物理信号数据集，其中所述拒绝生成要在i)用于采集所述第一或第二生物物理信号数据集的测量设备或ii)远程终端处呈现的第二通知。

37.一种配置模型以非侵入性地估计与异常状况或疾病状态相关联的度量的存在的方法，该方法包括：

经由特征选择操作，从多个候选特征集中选择多个特征；

训练一个或多个模型中的多个所选特征，以产生多个候选模型，其中所述一个或多个模型包括选自由线性模型、决策树模型、随机森林模型、支持向量机模型、神经网络模型组成的组的模型，并且其中所述一个或多个模型中的每一个被配置为输出与预期疾病状态或状况或病症的存在相关联的估计值，其中随后输出所述估计值以用于对所述预期疾病状态或状况的诊断或指导对所述预期疾病状态或状况的治疗；

对多个经训练的候选模型进行分层k重交叉验证操作；以及

验证经交叉验证的模型。

38.根据权利要求37所述的方法，其中所述特征选择操作包括单变量特征评估分析，所述单变量特征评估分析评价关于与所述预期疾病状态或状况相关联的阳性病理标签和与所述预期疾病状态或状况相关联的阴性病理标签定义的数据集。

39.根据权利要求34-38中的任一项所述的方法，还包括：

执行超参数敏感性分析以确定多个经训练的候选模型的超参数的稳定性值；以及

去除所述多个经训练的候选模型中具有确定的不稳定稳定性值的经训练的候选模型。

40.根据权利要求38或39所述的方法，其中所述数据集由选自由以下项组成的组的阳性病理标签和阴性病理标签定义：

LVEDP值大于或等于20mmHg并且LVEDP值小于或等于12mmHg；以及

LVEPD值大于或等于25mmHg并且LVEDP值小于或等于12mmHg。

41.根据权利要求38或39所述的方法，其中所述数据集由与显著CAD的存在或不存在相关联的阳性病理标签和阴性病理标签来定义。

42.根据权利要求38或39所述的方法，其中所述数据集由与肺高血压的存在或不存在相关联的阳性病理标签和阴性病理标签来定义。

43.根据权利要求34-40中的任一项所述的方法，其中所述预期疾病或病症能够基于对升高或异常的左心室舒张末压的存在、不存在和/或严重性的评估指征和/或估计来诊断。

44.根据权利要求34-40中的任一项所述的方法，其中所述预期疾病状态或状况包括左心室心力衰竭或左侧心力衰竭。

45.根据权利要求34-39和41中的任一项所述的方法，其中所述预期疾病状态或状况包括冠状动脉疾病。

46.根据权利要求34-39和42中的任一项所述的方法，其中所述预期疾病状态或状况包括肺高血压。

47.根据权利要求34-39和42中的任一项所述的方法，其中所述预期疾病状态或状况包括肺动脉高压。

48.根据权利要求34-39和42中的任一项所述的方法，其中所述预期疾病状态或状况包括由于左心疾病引起的肺高血压。

49.根据权利要求34-39和42中的任一项所述的方法，其中所述预期疾病状态或状况包括导致肺高血压的罕见病症。

50.根据权利要求34-39和42中的任一项所述的方法，其中所述预期疾病状态或状况包括右心室心力衰竭或右侧心力衰竭。

51.根据权利要求34-39中的任一项所述的方法，其中所述预期疾病状态或状况包括收缩性心力衰竭。

52.根据权利要求34-39中的任一项所述的方法，其中所述预期疾病状态或状况包括舒张性心力衰竭。

53.根据权利要求34-39中的任一项所述的方法，其中所述疾病状态或状况包括缺血性心脏病。

54.根据权利要求34-39中的任一项所述的方法，其中所述疾病状态或状况包括心律失常。

55.一种***，包括：

一个或多个处理器；和

一个或多个存储器，其上分别存储有指令，其中由所述一个或多个处理器执行指令使得所述一个或多个处理器执行方法权利要求1-54中的任意一个步骤。

56.一种非暂时性计算机可读介质，包括存储在其上的指令，其中由一个或多个处理器执行所述指令使得所述一个或多个处理器执行方法权利要求1-54中的任意一个步骤。